【技术实现步骤摘要】
【国外来华专利技术】
以下内容总体上与人体状况预测有关，更具体地涉及从原始视频非接触式预测生命体征、健康状况风险、心血管疾病风险和水(化)合作用(hydration)的系统和方法。
技术介绍
1、测量生命体征，例如体温、脉搏率、呼吸率、血压是用于诊断各种人体状况的主要方法。各种疾病的早期诊断可以提高许多患者的生活质量和寿命。然而，当前许多用于确定生命体征的方法是侵入性的、极其昂贵的、需要昂贵的定制机器、需要专业的判断等。
技术实现思路
1、一方面，提供了一种用于无接触式预测生命体征(virtual signs)、疾病或病症的健康风险、血液生物标记值和水合状态之一的方法，所述方法在一个或一个以上的处理器上执行，所述方法包括：接收捕获人类受试者的原始视频；使用经训练的机器学习模型来确定生命体征、疾病或病症的健康风险、血液生物标记值和水合状态中的一个，所述机器学习模型将原始视频作为输入，使用多个训练视频对所述机器学习模型进行训练，其中生命体征、疾病或病症的健康风险、血液生物标记值或水合状态的基准真实值在捕获训练视频时是已知的；以及输出预测的生命体征、疾病或病症的健康风险、血液生物标记值或水合状态。
2、在所述方法的特定情况下，所述经训练的机器学习模型包括卷积神经网络(convolutional neural network)。
3、在所述方法的另一种情况下，所述经训练的机器学习模型包括机器学习模型的集合(组合)，所述集合包括卷积神经网络和深度学习人工神经网络。
4、在所述方
5、在所述方法的另一种情况下，所述深度学习模型包括xgboost模型。
6、在所述方法的另一种情况下，所述疾病或病症的健康风险的预测包括预测心血管疾病的风险。
7、在所述方法的另一种情况下，所述机器学习模型使用标记的基准真实值进行训练，所述基准真实值使用心血管疾病风险的集合队列方程(pooled cohort equation)来确定。
8、在所述方法的另一种情况下，对疾病或病症的健康风险的预测被表示为未来患有所述疾病或病症的可能性百分比。
9、在所述方法的另一种情况下，患有所述疾病或病症的可能性百分比是在未来给定的时间范围内。
10、在所述方法的另一种情况下，所述原始视频在作为机器学习模型的输入之前被压缩。
11、另一方面，提供了一种用于无接触预测生命体征、疾病或病症的健康风险、血液生物标记值和水合状态之一的系统，所述系统包括一个或一个以上的处理器和数据存储器，所述数据存储器包括在一个或一个以上的处理器上执行的指令：输入模块，用来接收捕获人类受试者的原始视频；机器学习模块，用来通过经训练的机器学习模型来确定生命体征、疾病或病症的健康风险、血液生物标记值和水合状态中的一个，所述机器学习模型将原始视频作为输入，所述机器学习模型使用多个训练视频进行训练，其中生命体征、疾病或病症的健康风险、血液生物标记值或水合状态的基准真实值在捕获训练视频时是已知的；以及输出模块，用来输出预测的生命体征、疾病或病症的健康风险、血液生物标记值或水合状态。
12、在所述系统的特定情况下，所述经训练的机器学习模型包括卷积神经网络。
13、在所述系统的另一种情况下，所述经训练的机器学习模型包括机器学习模型的集合，所述集合包括卷积神经网络和深度学习人工神经网络。
14、在所述系统的另一种情况下，所述深度学习人工神经网络接收由卷积神经网络的早期卷积层提取的特征，作为深度学习人工神经网络的输入。
15、在所述系统的另一种情况下，所述深度学习模型包括xgboost模型。
16、在所述系统的另一种情况下，所述疾病或病症的健康风险的预测包括预测心血管疾病的风险。
17、在所述系统的另一种情况下，所述机器学习模型使用标记的基准真实值进行训练，所述基准真实值使用心血管疾病风险的集合队列方程来确定。
18、在所述系统的另一种情况下，对疾病或病症的健康风险的预测被表示为未来患有所述疾病或病症的可能性百分比。
19、在所述系统的另一种情况下，患有所述疾病或病症的可能性百分比是在未来给定的时间范围内。
20、在所述系统的另一种情况下，还包括预处理模块，用于在将原始视频作为机器学习模型的输入之前对原始视频进行压缩。
21、这里考虑并描述了这些方面以及其他方面。可以理解的是，上述概述列出了系统和方法的代表性方面，以帮助本领域的读者理解下面的详细描述。
本文档来自技高网...【技术保护点】
1.一种用于无接触式预测生命体征、疾病或病症的健康风险、血液生物标记值和水合状态之一的方法，所述方法在一个或一个以上的处理器上执行，所述方法包括：
2.权利要求1所述的方法，其中，所述经训练的机器学习模型包括卷积神经网络。
3.权利要求2所述的方法，其中，所述经训练的机器学习模型包括机器学习模型的集合，所述集合包括卷积神经网络和深度学习人工神经网络。
4.权利要求3所述的方法，其中，所述深度学习人工神经网络接收由卷积神经网络的早期卷积层提取的特征，作为深度学习人工神经网络的输入。
5.权利要求3所述的方法，其中，所述深度学习模型包括XGBoost模型。
6.权利要求1所述的方法，其中，所述疾病或病症的健康风险的预测包括预测心血管疾病的风险。
7.权利要求6所述的方法，其中，所述机器学习模型使用标记的基准真实值进行训练，所述基准真实值使用心血管疾病风险的集合队列方程来确定。
8.权利要求1所述的方法，其中，对疾病或病症的健康风险的预测被表示为未来患有所述疾病或病症的可能性百分比。
9.权
10.权利要求1所述的方法，其中，所述原始视频在作为机器学习模型的输入之前被压缩。
11.一种用于无接触式预测生命体征、疾病或病症的健康风险、血液生物标记值和水合状态之一的系统，所述系统包括一个或一个以上的处理器和数据存储器，所述数据存储器包括在一个或一个以上的处理器上执行以下操作的指令：
12.权利要求11所述的系统，其中，所述经训练的机器学习模型包括卷积神经网络。
13.权利要求12所述的系统，其中，所述经训练的机器学习模型包括机器学习模型的集合，所述集合包括卷积神经网络和深度学习人工神经网络。
14.权利要求13所述的系统，其中，所述深度学习人工神经网络接收由卷积神经网络的早期卷积层提取的特征，作为深度学习人工神经网络的输入。
15.权利要求13所述的系统，其中，所述深度学习模型包括XGBoost模型。
16.权利要求11所述的系统，其中，所述疾病或病症的健康风险的预测包括预测心血管疾病的风险。
17.权利要求16所述的系统，其中，所述机器学习模型使用标记的基准真实值进行训练，所述基准真实值使用心血管疾病风险的集合队列方程来确定。
18.权利要求11所述的系统，其中，对疾病或病症的健康风险的预测被表示为未来患有所述疾病或病症的可能性百分比。
19.权利要求19所述的系统，其中，患有所述疾病或病症的可能性百分比是在未来给定的时间范围内。
20.权利要求11所述的系统，还包括预处理模块，用于在将原始视频作为机器学习模型的输入之前对原始视频进行压缩。
...【技术特征摘要】
【国外来华专利技术】
1.一种用于无接触式预测生命体征、疾病或病症的健康风险、血液生物标记值和水合状态之一的方法，所述方法在一个或一个以上的处理器上执行，所述方法包括：
2.权利要求1所述的方法，其中，所述经训练的机器学习模型包括卷积神经网络。
3.权利要求2所述的方法，其中，所述经训练的机器学习模型包括机器学习模型的集合，所述集合包括卷积神经网络和深度学习人工神经网络。
4.权利要求3所述的方法，其中，所述深度学习人工神经网络接收由卷积神经网络的早期卷积层提取的特征，作为深度学习人工神经网络的输入。
5.权利要求3所述的方法，其中，所述深度学习模型包括xgboost模型。
6.权利要求1所述的方法，其中，所述疾病或病症的健康风险的预测包括预测心血管疾病的风险。
7.权利要求6所述的方法，其中，所述机器学习模型使用标记的基准真实值进行训练，所述基准真实值使用心血管疾病风险的集合队列方程来确定。
8.权利要求1所述的方法，其中，对疾病或病症的健康风险的预测被表示为未来患有所述疾病或病症的可能性百分比。
9.权利要求9所述的方法，其中，患有所述疾病或病症的可能性百分比是在未来给定的时间范围内。
10.权利要求1所述的方法，其中，所述原始视频在作为机器学习模型的输入之前被压缩。
11.一种用于无接触式预测生命体征、疾病或病症的健康风...
【专利技术属性】
技术研发人员：弗拉基米尔·图尔琴科，纳雷什·温帕拉，马尔兹·波佐利，温斯顿·德·阿玛斯，哈桑·尼库，丁培，郑璞，赛义德·礼萨·穆萨维，叶夫根尼·卡巴科夫，
申请(专利权)人：纽洛斯公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。