【技术实现步骤摘要】
本专利技术涉及一种运动监测管理系统，特别是涉及基于机器学习的超长程运动监测管理系统，属于运动监测管理系统。
技术介绍
1、现有技术中对患者进行康复情况的监控中，采用的比如运动手环监控并反馈至系统或者手机上来进行接收信息，这样的监控方式无法适用于医院对患者进行全面的监控，而且这样的监控方式还容易出现患者信息不匹配，患者将运动手环丢失、或者这个患者本身已经不需要康复训练监控因为无法及时的进行更新数据和统一管理导致对接出现问题而持续监控，为此设计一种基于机器学习的超长程运动监测管理系统来解决上述问题。
技术实现思路
1、本专利技术的主要目的是为了提供基于机器学习的超长程运动监测管理系统。
2、本专利技术的目的可以通过采用如下技术方案达到：
3、基于机器学习的超长程运动监测管理系统，包括采集模块，该采集模块用于对患者康复运动信息进行采集并反馈至后台服务器；
4、后台服务器，用于对患者康复情况进行采用不同颜色灯在采集模块上进行指示，并建立采集模块采集的数据信息与患者身份信息的单一性关系；
5、采集模块包括摄像头和运动手环；
6、摄像头，用于对佩戴有运动手环的患者进行人脸识别判定是否为需要监控的患者，并进行采用与运动手环上展示的相应颜色灯进行配对相同颜色框选被监测患者；
7、运动手环，用于对患者的健康情况进行监测以及定位和运动情况；
8、信息对比模块，用于对运动手环单一对应的患者身份信息与摄像头采集的人脸识别身
9、以及摄像头采集的运动手环上展示的颜色灯、运动手环反馈至后台服务器上的颜色灯数据、患者康复情况应展示的颜色灯进行比对判定。
10、优选的，采集模块还包括健身追踪器、运动传感器、心率带、三加速度计、压力敏感垫/地毯；
11、健身追踪器，用于测量患者的步数、距离、卡路里消、心率、睡眠质量数据；
12、心率带，心率带使用心电图或光学传感器技术实时监测患者的心率；
13、三加速度计，用于测量患者的加速度和运姿态；
14、压力敏感垫/地毯，用于跳跃、踏步动作的压力分布和平衡性的监测。
15、优选的，摄像头、运动手环、健身追踪器、运动传感器、心率带、三加速度计、压力敏感垫/地毯皆耦合数据标准化模块；
16、数据标准化模块，用于对各设备采集的原始数据进行标准化处理，将其转成统一的数据格式，通过使用通用的数据协或格式，制定一个统一的数据字段规范，然后都传输至后台服务器。
17、优选的，采集模块耦合功率放大器模块，功率放大器模块耦合长程通信模块，通过长程通信模块将数据传输至数据标准化模块。
18、优选的，还包括如下监测管理方法：
19、步骤一：摄像头通过后台服务器获取采集模块传输的位置信息以及运动数据；
20、步骤二：通过摄像头对使用采集模块的患者进行人脸识别判定是否为需要监控的患者；
21、步骤三：判定完成后对患者进行持续性监控并将数据传输至后台服务器；
22、步骤四：后台服务器对传输的患者数据反馈至信息比对模块进行患者身份识别和比对并反馈至摄像头；
23、步骤五：通过摄像头对需要监控的患者进行蓝、橙、红三个等级进行框选标定。
24、优选的，在步骤二中进行人脸识别判定是否为需要监控的患者具体包括如下步骤：
25、s11：对图像中人脸进行定位，采用haar特征级联定位人脸的大致位置；
26、s12：对检测到的人脸进行精确定位，使得人脸图像中的特征点对齐并在相同的位置上；
27、s13：在图像中绘制一个边界框或轮廓来标定人脸的位置，使用矩形边界框或者多边形轮廓，以包含整个人脸区域；
28、s14：应用人脸识别算法来识别人脸的身份和特征向量。
29、优选的，在s11步骤中采用的haar特征级联具体包括如下步骤：
30、s21：特征是基于图像中灰度像素的局部差异而定义的；
31、s22：通过图像上滑动不同大小和形状的窗口，计算口内的haar特征值，构建出大量的haar特征；
32、s23：使用adaptiveboosting算法选择最佳的haar特征并构建分类器；
33、s24：采用adaboost根据不同haar特征的重要性，为每个征分配一个权重，通过组合多个弱分类器，成一个强分类器；
34、s25：将多个强分类器级联组合成一个级联分类器，级联的思想是通过多个阶段的分类器来滤掉负样本，从而减少对图像中不存在人脸的区域的检测操作，每个阶段的分类器都多个强分类器组成，只有当它们都通过时，才认为该区域包含人脸。
35、优选的，haar特征值采集为眼睛、鼻子、嘴巴；
36、对眼睛、鼻子、嘴巴的像素平均值与周围区域的像素平均值之差进行计算：
37、假设要计算某个区域(比如区域a)的像素平均值与周围区域(比如区域b)的像素平均值之差；
38、区域a的像素平均值可以表示为：
39、
40、其中pi表示区域a中第i个像素的值；
41、na表示区域a中的像素数量。
42、区域b的像素平均值表示为：
43、
44、其中pi表示区域b中第i个像素的值；
45、nb表示区域b中的像素数量。
46、因此差值公式即为：
47、优选的，信息比对模块在进行信息比对的时候包括如下操作步骤：
48、将人脸识别出的身份信息与采集模块数据信息进行比对；
49、在采集人脸识别的同时还同步获取采集模块闪烁的灯颜色；
50、将人脸识别出的身份信息、采集模块数据信息、以及采集模块对应的身份信息和采集模块闪烁的灯颜色进行比对；
51、比对完成后对边界框或轮廓采用蓝、橙、红三个等级进行监控分析，且蓝、橙、红三个等级的边界框或轮廓颜色与采集模块闪烁的灯颜色一致。
52、优选的，在采集模块使用前，要求使用的患者在后台服务器中注册并绑定其份，姓名、身份证号码、手机号码；
53、确保采集模块与后台服务器之间能够进行数据同步，当采集模块采集到数据数据应该被传输到特定的后台服务器，该后台服务器应能够识别数据来源的采集模块和对应的患者；
54、在采集模块与患者身份信息之间建立关联，将采集到的数据与患者身份信息进行绑定以便后续通过身份信息在数据库或数据存储系统中查询和匹配相应的数据；
55、后台服务器中搭载的系统和数据库则建立采集模块与身份信息单一对应的关系；
56、摄像头人脸识别的数据信息也与身份信息单一对应，将摄像头人脸识别身份信息与采集模块身份信息进行匹配判定是否一致，一致则进行亮灯颜色的匹配，不一致则进行警报提醒反馈至后台服务器进行数据本文档来自技高网...
【技术保护点】
1.基于机器学习的超长程运动监测管理系统，包括采集模块，该采集模块用于对患者康复运动信息进行采集并反馈至后台服务器；
2.根据权利要求1所述的基于机器学习的超长程运动监测管理系统，其特征在于：采集模块还包括健身追踪器、运动传感器、心率带、三加速度计、压力敏感垫/地毯；
3.根据权利要求2所述的基于机器学习的超长程运动监测管理系统，其特征在于：摄像头、运动手环、健身追踪器、运动传感器、心率带、三加速度计、压力敏感垫/地毯皆耦合数据标准化模块；
4.根据权利要求3所述的基于机器学习的超长程运动监测管理系统，其特征在于：采集模块耦合功率放大器模块，功率放大器模块耦合长程通信模块，通过长程通信模块将数据传输至数据标准化模块。
5.根据权利要求4所述的基于机器学习的超长程运动监测管理系统，其特征在于：还包括如下监测管理方法：
6.根据权利要求5所述的基于机器学习的超长程运动监测管理系统，其特征在于：在步骤二中进行人脸识别判定是否为需要监控的患者具体包括如下步骤：
7.根据权利要求6所述的基于机器学习的超长程运动监测管理
8.根据权利要求7所述的基于机器学习的超长程运动监测管理系统，其特征在于：Haar特征值采集为眼睛、鼻子、嘴巴；
9.根据权利要求8所述的基于机器学习的超长程运动监测管理系统，其特征在于：信息比对模块在进行信息比对的时候包括如下操作步骤：
10.根据权利要求9所述的基于机器学习的超长程运动监测管理系统，其特征在于：在采集模块使用前，要求使用的患者在后台服务器中注册并绑定其份，姓名、身份证号码、手机号码；
...【技术特征摘要】
1.基于机器学习的超长程运动监测管理系统，包括采集模块，该采集模块用于对患者康复运动信息进行采集并反馈至后台服务器；
2.根据权利要求1所述的基于机器学习的超长程运动监测管理系统，其特征在于：采集模块还包括健身追踪器、运动传感器、心率带、三加速度计、压力敏感垫/地毯；
3.根据权利要求2所述的基于机器学习的超长程运动监测管理系统，其特征在于：摄像头、运动手环、健身追踪器、运动传感器、心率带、三加速度计、压力敏感垫/地毯皆耦合数据标准化模块；
4.根据权利要求3所述的基于机器学习的超长程运动监测管理系统，其特征在于：采集模块耦合功率放大器模块，功率放大器模块耦合长程通信模块，通过长程通信模块将数据传输至数据标准化模块。
5.根据权利要求4所述的基于机器学习的超长程运动监测管理系统，其特征在于：还包括如...
【专利技术属性】
技术研发人员：曹向阳，陈睿，杨超凡，杨鑫，孔亮，范华雨，李洋，王艳清，孔赏，刘梦瑶，
申请(专利权)人：深圳市德壹医疗科技有限公司，
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。