体温数据预测装置及其体温数据预测模型构建方法制造方法及图纸

本申请提供一种体温数据预测装置及其体温数据预测模型构建方法，采集有效时间段内的温度数据，构建CNN网络模型，利用温度数据对所述CNN网络模型进行数据训练，将经过数据训练的所述CNN网络模型构建为CNN预测模型。本申请能够通过时间段内的温度变化趋势，构建可用于实际的CNN预测模型，并通过CNN预测模型实现对体温的预测，本申请预测准确率高，利于应对温度检测的突发情况，实现快速准确的体温测量效果。

A device for predicting body temperature data and a method for building a model for predicting body temperature data

The application provides a body temperature data prediction device and a method for building a body temperature data prediction model, which collects temperature data within an effective period of time, constructs a CNN network model, trains the CNN network model with temperature data, and constructs the CNN network model trained with data as a CNN prediction model. The application can build a CNN prediction model that can be used in practice through the temperature change trend in a period of time, and realize the prediction of body temperature through CNN prediction model. The application has a high prediction accuracy, which is conducive to responding to the sudden situation of temperature detection and achieving fast and accurate temperature measurement effect.

【技术实现步骤摘要】
体温数据预测装置及其体温数据预测模型构建方法
本申请涉及网络模型
，具体涉及一种体温数据预测装置，所述体温数据预测装置的体温数据预测模型构建方法。
技术介绍
随着可穿戴技术的发展，可穿戴设备在医疗领域的应用越来越受到技术人员的重视，可穿戴体温计也逐渐成为研究重点。目前，对人体体温的测量主要还是依靠水银体温计或耳温枪等设备，水银体温计需要在腋窝夹紧至少10分钟才能测得人体体温，耳温枪所测得体温稳定性不好；有些电子体温计能够达到5分钟甚至更短时间来预测体温，但是其准确性不高，误差较大。举例而言，由于贴片式电子体温计温升速度慢，现有方法无法快速并准确地通过贴片式电子体温计测量出人体体温。所以，如何实现快速有效地测量人体体温，是本
人员亟需解决的一大难题。针对现有技术的多方面不足，本申请的专利技术人经过深入研究，提出一种体温数据预测装置及其体温数据预测模型构建方法。
技术实现思路
本申请的目的在于，提供一种体温数据预测装置及其体温数据预测模型构建方法，能够通过时间段内的温度变化趋势，构建可用于实际的CNN(卷积神经网络)预测模型，并通过CNN预测模型实现对体温的预测，本申请预测准确率高，利于应对温度检测的突发情况，实现快速准确的体温测量效果。为解决上述技术问题，本申请提供一种基于CNN网络模型的体温数据预测模型构建方法，作为其中一种实施方式，所述体温数据预测模型构建方法包括步骤：采集有效时间段内的温度数据；构建CNN网络模型，利用温度数据对所述CNN网络模型进行数据训练；将经过数据训练的所述CNN网络模型构建为CNN预测模型。作为其中一种实施方式，所述采集有效时间段内的温度数据的步骤，具体包括：通过体温测量设备采集不同测试对象在不同环境温度和/或不同体温下的有效时间段内的温度数据；将所述有效时间段划分为多个采样时刻，并记录每个采样时刻的温度数据。作为其中一种实施方式，所述采集有效时间段内的温度数据的步骤之后，还包括：利用每个采样时刻及其对应温度数据建立参考曲线图；根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理，剔除参考曲线图不连续、不光滑或者有明显异样的样本曲线。作为其中一种实施方式，所述根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理的步骤，具体包括：对所述参考曲线图进行求取一阶导；将一阶导出现多个峰值或负数的采样时刻所对应的温度数据定义为无效数据；初步筛选处理时剔除所述无效数据，得到符合所述参考曲线图的合格温度数据曲线样本集。作为其中一种实施方式，所述对所述参考曲线图进行求取一阶导的步骤之后，还包括：将一阶导出现最大峰值的采样时刻定义为参考曲线图的起点、将所述有效时间段结束时间的采样时刻定义为参考曲线图的终点，并记录位于所述起点和所述终点之间的N个温度数据，其中，N为大于零的整数；将N个一维的温度数据转换成二维数组，以形成M行M列的二维矩阵，以通过所述二维矩阵体现所述温度数据的变化趋势，其中，N＝M*M。作为其中一种实施方式，所述将N个一维的温度数据转换成二维数组，以形成M行M列的二维矩阵，以通过所述二维矩阵体现所述温度数据的变化趋势的步骤，具体包括：对N个一维的温度数据进行重组，变换成M行M列的二维矩阵；对温度数据进行归一化处理。作为其中一种实施方式，所述将N个一维的温度数据转换成二维数组，以形成M行M列的二维矩阵，以通过所述二维矩阵体现所述温度数据的变化趋势的步骤，具体包括：将每个采样时刻及其对应温度数据建立的所述参考曲线图作为输入，其中，参考曲线图横坐标为采样时刻的时间轴，参考曲线图纵坐标为温度数据的温度轴；将参考曲线图进行网格化，将横坐标和纵坐标均分成M个节点，形成一个M行M列的网格数组，网格的横向为时间x，纵向为温度y，在原始的温度数据中t采样时刻的温度为T，令网络数组中对应的(x＝t,y＝T)处的值为1，其余为0；使每个x都对应有个y值为1，如果存在x无对应t，则通过插值求得对应y值，以此由原始的温度数据得到一M*M大小的0-1二维矩阵。作为其中一种实施方式，所述构建CNN网络模型，利用温度数据对所述CNN网络模型进行数据训练的步骤，具体包括：以处理好的M行M列的温度数据X作为输入，以最终稳态体温作为输出Y，构建一含隐藏层的CNN网络模型，其中，输入层大小由温度数据X决定，隐藏层由卷积层、池化层、dropout层和全连接层所组成；卷积层的大小和深度通过数据训练调整参数，并选择最优参数，包括：定义输出层节点数为1时，输出为最终预测体温数据，通过比较预测体温数据与真实稳态体温数据，定义相应的损失函数，通过最小化损失函数得到CNN网络模型的最优参数。作为其中一种实施方式，所述将经过数据训练的所述CNN网络模型构建为CNN预测模型的步骤，具体包括：利用所述最优参数将所述CNN网络模型构建为CNN预测模型，以实现对体温数据的预测。为解决上述技术问题，本申请还提供一种基于CNN网络模型的体温数据预测装置，作为其中一种实施方式，其采用任一上述的体温数据预测模型构建方法构建得到CNN预测模型，以通过所述CNN预测模型实现对体温数据的预测。有益效果：本申请一种体温数据预测装置及其体温数据预测模型构建方法，采集有效时间段内的温度数据，构建CNN网络模型，利用温度数据对所述CNN网络模型进行数据训练，将经过数据训练的所述CNN网络模型构建为CNN预测模型。本申请能够通过时间段内的温度变化趋势，构建可用于实际的CNN预测模型，并通过CNN预测模型实现对体温的预测，本申请预测准确率高，利于应对温度检测的突发情况，实现快速准确的体温测量效果。上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。附图说明图1为本申请基于CNN网络模型的体温数据预测模型构建方法一实施方式的流程示意图。图2为本申请一实施方式时间-温度的参考曲线图，其中，参考曲线图以温升曲线为例；图3为图2所示温升曲线的一阶导曲线图，其中，横坐标为时间、纵坐标为一阶导。图4为本申请CNN网络模型的结构图。图5为采用CNN网络模型与传统DB神经网络的预测结果准确度对比图。具体实施方式为更进一步阐述本申请为达成预定申请目的所采取的技术手段及功效,以下结合附图及较佳实施例，对本申请详细说明如下。通过具体实施方式的说明,当可对本申请为达成预定目的所采取的技术手段及效果得以更加深入且具体的了解，然而所附图式仅是提供参考与说明之用,并非用来对本申请加以限制。请参阅图1到图4，图1为本申请基于CNN网络模型的体温数据预测模型构建方法一实施方式的流本文档来自技高网...

【技术保护点】
1.一种基于CNN网络模型的体温数据预测模型构建方法，其特征在于，所述体温数据预测模型构建方法包括步骤：/n采集有效时间段内的温度数据；/n构建CNN网络模型，利用温度数据对所述CNN网络模型进行数据训练；/n将经过数据训练的所述CNN网络模型构建为CNN预测模型。/n

【技术特征摘要】
1.一种基于CNN网络模型的体温数据预测模型构建方法，其特征在于，所述体温数据预测模型构建方法包括步骤：
采集有效时间段内的温度数据；
构建CNN网络模型，利用温度数据对所述CNN网络模型进行数据训练；
将经过数据训练的所述CNN网络模型构建为CNN预测模型。


2.根据权利要求1所述的体温数据预测模型构建方法，其特征在于，所述采集有效时间段内的温度数据的步骤，具体包括：
通过体温测量设备采集不同测试对象在不同环境温度和/或不同体温下的有效时间段内的温度数据；
将所述有效时间段划分为多个采样时刻，并记录每个采样时刻的温度数据。


3.根据权利要求2所述的体温数据预测模型构建方法，其特征在于，所述采集有效时间段内的温度数据的步骤之后，还包括：
利用每个采样时刻及其对应温度数据建立参考曲线图；
根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理，剔除参考曲线图不连续、不光滑或者有明显异样的样本曲线。


4.根据权利要求2所述的体温数据预测模型构建方法，其特征在于，所述根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理的步骤，具体包括：
对所述参考曲线图进行求取一阶导；
将一阶导出现多个峰值或负数的采样时刻所对应的温度数据定义为无效数据；
初步筛选处理时剔除所述无效数据，得到符合所述参考曲线图的合格温度数据曲线样本集。


5.根据权利要求4所述的体温数据预测模型构建方法，其特征在于，所述对所述参考曲线图进行求取一阶导的步骤之后，还包括：
将一阶导出现最大峰值的采样时刻定义为参考曲线图的起点、将所述有效时间段结束时间的采样时刻定义为参考曲线图的终点，并记录位于所述起点和所述终点之间的N个温度数据，其中，N为大于零的整数；
将N个一维的温度数据转换成二维数组，以形成M行M列的二维矩阵，以通过所述二维矩阵体现所述温度数据的变化趋势，其中，N＝M*M。


6.根据权利要求5所述的体温数据预测模型构建方法，其特征在于，所述将N个一维的温度数据转换成二维数组，以形成M行M列的二维矩阵，以通过所述二维矩阵体现所述...

【专利技术属性】
技术研发人员：钮旗超，苏宏红，
申请(专利权)人：浙江清华柔性电子技术研究院，
类型：发明
国别省市：浙江;33