預警模型建立方法及裝置、預警方法及系統與流程

2023-05-17 09:19:11 1

本申請屬於人體健康狀況檢測領域，特別涉及一種健康使用計算機的預警模型建立方法及裝置、預警方法及系統。

背景技術：

計算機(電腦)已經成為人們日常生活、學習、工作和娛樂的必備工具。長時間使用計算機會對人體健康產生不良影響，如出現眼睛發澀、頭痛、頭暈、肢體酸痛以及缺氧引起的身體各種不適症狀。

人們使用計算機的環境，對人體健康的影響也很大。計算機周邊溫度與溼度太高或太低，以及由於房間裡人多或密閉不通風造成的缺氧、二氧化碳濃度高等，都會加劇計算機使用者的身體不適，甚至留下疾病隱患。

現有技術中，人們通常是根據個人意願任意使用計算機，在計算機前一坐就是幾個小時，或根據醫學健康建議，使用計算機每隔1.5小時左右，休息10至15分鐘。但現有的這些計算機使用時間的確定方法比較隨意，沒有科學依據，不能在保證人體健康的前提下，適時地、合理地安排計算機的使用時間。

技術實現要素：

本申請提供一種健康使用計算機的預警模型建立方法及裝置、預警方法及系統，用於解決現有技術中計算機使用時間的確定方法比較隨意，沒有科學依據，不能在保證人體健康的前提下，適時地、合理地安排計算機的使用時間。

為了解決上述技術問題，本申請一實施例提供一種健康使用計算機的預警模型建立方法，包括：

採集計算機周圍的多組環境信息並記錄各組環境信息的採集時刻，確定各組環境信息對應的預警結果，其中，所述預警結果包括預警及不預警；

建立一神經網絡模型，將各組環境信息及各組環境信息的採集時刻作為輸入，對應的預警結果作為輸出，訓練得到神經網絡模型中各網絡層間的連接權值，將所述連接權值代入所述神經網絡模型中，得到預警模型。

本申請另一實施例提供一種健康使用計算機的預警方法，包括：

利用上述實施例預警模型建立方法得到健康使用計算機的預警模型；

採集計算機周圍的環境信息並記錄環境信息的採集時刻，將同一採集時刻採集的環境信息及該採集時刻輸入至所述預警模型中，得到預警結果，所述預警結果為預警時產生預警提示。

本申請又一實施例提供一種健康使用計算機的預警模型的建立裝置，包括：

取樣模塊，用於採集計算機周圍的多組環境信息並記錄各組環境信息的採集時刻，確定各組環境信息對應的預警結果，其中，所述預警結果包括預警及不預警；

建模模塊，用於建立一神經網絡模型，將各組環境信息及各組環境信息的採集時刻作為輸入，對應的預警結果作為輸出，訓練得到神經網絡模型中各網絡層間的連接權值，將所述連接權值代入所述神經網絡模型中，得到預警模型。

本申請再一實施例提供一種健康使用計算機的預警系統，包括：預警模型建立模塊、採集模塊、預警判斷模塊及預警模塊；

所述預警模型建立模塊用於利用上一實施例提供的裝置得到健康使用計算機的預警模型；

所述採集模塊用於採集計算機周圍的環境信息並記錄環境信息的採集時刻；

所述預警判斷模塊用於將同一採集時刻採集的環境信息及該採集時刻輸入至所述預警模型中，得到預警結果，所述預警結果為預警時控制預警模塊產生預警提示。

本申請能夠根據計算機所處外界環境適時地、合理地提醒計算機使用者休息，能夠避免連續長時間使用計算機給計算機使用者帶來不必要的傷害。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本申請實施例的健康使用計算機的預警模型建立方法流程圖；

圖2為本申請實施例的健康使用計算機的預警方法流程圖；

圖3為本申請實施例的健康使用計算機的預警模型建立裝置結構圖；

圖4為本申請實施例的健康使用計算機的預警系統結構圖；

圖5為本申請另一實施例的健康使用計算機的預警系統結構圖；

圖6為本申請具體實施例的多輸入/單輸出的單層神經網絡模型。

具體實施方式

為了使本發明的技術特點及效果更加明顯，下面結合附圖對本發明的技術方案做進一步說明，本發明也可有其他不同的具體實例來加以說明或實施，任何本領域技術人員在權利要求範圍內做的等同變換均屬於本發明的保護範疇。

在本說明書的描述中，參考術語「一個實施例」、「一個具體實施例」、「一些實施例」、「例如」、「示例」、「具體示例」或「一些示例」等的描述意指結合該實施例或示例描述的具體特徵、結構或者特點包含於本申請的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特徵、結構或者特點可以在任何的一個或多個實施例或示例中以合適的方式結合。各實施例中涉及的步驟順序用於示意性說明本申請的實施，其中的步驟順序不作限定，可根據需要作適當調整。

關於本文中所使用的「包含」、「包括」、「具有」、「含有」等等，均為開放性的用語，即意指包含但不限於。

如圖1所示，圖1為本申請實施例的健康使用計算機的預警模型建立方法流程圖。本實施例能夠建立環境信息與預警結果的模型，以便利用該模型根據計算機所處外界環境適時地、合理地提醒計算機使用者休息。具體的，包括：

步驟101：採集計算機周圍的多組環境信息並記錄各組環境信息的採集時刻，確定各組環境信息對應的預警結果。

其中，所述預警結果包括預警及不預警，該預警結果用數學形式描述，如為1表示預警，為0表示不預警，為表示預警，表示不預警。

各組環境信息包括：溫度信息、溼度信息、氧量濃度信息、二氧化碳濃度信息，可由溫度傳感器、溼度傳感器、氧量傳感器及二氧化碳傳感器測得。採集的環境信息包含每類傳感器參數的合法允許範圍。

步驟102：建立一神經網絡模型，將各組環境信息及各組環境信息的採集時刻作為輸入，對應的預警結果作為輸出，訓練得到神經網絡模型中各網絡層間的連接權值，將所述連接權值代入所述神經網絡模型中，得到預警模型。

神經網絡模型輸入中加入採集時刻，能夠統一環境信息的獲取時間。

上述神經網絡模型可以為多輸入/單輸出的單層神經網絡模型(如圖6所示)，也可以為多輸入/雙輸出的兩層神經網絡模型，還可以為其他多輸入/單輸出多層神經網絡模型或其他多輸入/雙輸出的多層神經網絡模型。

神經網絡模型隱層個數可以沒有、也可為一個，也可為多個，本申請對隱層個數不做具體限定。同樣，每個隱層中節點個數可根據需求進行設定，本申請對此不做限定。

神經網絡模型各層間的記錄函數可為閾值型階躍函數，也可為Sigmoid型階躍函數。

如圖2所示，圖2為本申請實施例的健康使用計算機的預警方法流程圖。預警方法包括：

利用上述實施例所述的步驟101及步驟102得到預警模型(該步驟為預先處理過程)；及

步驟103：採集計算機周圍的環境信息並記錄環境信息的採集時刻，將同一採集時刻採集的環境信息及該採集時刻輸入至所述預警模型中，得到預警結果，所述預警結果為預警時產生預警提示(該步驟為實時過程)。

實施時，預警模型可內置於計算機中，由採集設備採集計算機周圍的環境信息和記錄環境信息的採集時刻，將這些信息發送給計算機，由計算機將同一採集時刻採集的環境信息及該採集時刻輸入至所述預警模型中，得到預警結果，當預警結果為預警時，控制計算機的輸出設備產生預警提示，如在計算機顯示屏出現預警提示信息，和/或，計算機揚聲器發出預警聲響，提醒計算機使用者安排中間休息。

本實施例能夠根據計算機所處外界環境適時地、合理地提醒計算機使用者休息，能夠避免連續長時間使用計算機給計算機使用者帶來不必要的傷害。

如圖3所示，圖3為本申請實施例的健康使用計算機的預警模型建立裝置結構圖。該裝置可以通過邏輯電路實現運行於智能終端，例如手機、平板電腦等設備中，或者以功能模塊的方式由軟體實現各部件的功能，運行於所述智能終端上。具體的，該裝置包括：

取樣模塊301，用於採集計算機周圍的多組環境信息並記錄各組環境信息的採集時刻，確定各組環境信息對應的預警結果，其中，所述預警結果包括預警及不預警。

建模模塊302，用於建立一神經網絡模型，將各組環境信息及各組環境信息的採集時刻作為輸入，對應的預警結果作為輸出，訓練得到神經網絡模型中各網絡層間的連接權值，將所述連接權值代入所述神經網絡模型中，得到預警模型。

如圖4所示，圖4為本申請實施例的健康使用計算機的預警系統結構圖。包括：預警模型建立模塊401、採集模塊402、預警判斷模塊403及預警模塊404；

所述預警模型建立模塊401用於利用上一實施例所述的裝置得到健康使用計算機的預警模型。

所述採集模塊402用於採集計算機周圍的環境信息並記錄環境信息的採集時刻。

所述預警判斷模塊403用於將同一採集時刻採集的環境信息及該採集時刻輸入至所述預警模型中，得到預警結果，所述預警結果為預警時控制預警模塊404產生預警提示。

具體的，所述採集模塊包括：溫溼度傳感器、氧量傳感器及二氧化碳傳感器。溫溼度傳感器用於採集計算機周邊的溫度及溼度，生成溫度與溼度信息。氧量傳感器為電化學傳感器，用於採集計算機周邊空氣中的氧濃度信息。二氧化碳傳感器也為電化學傳感器，用於採集計算機周邊空氣中的二氧化碳濃度信息。

為了解決氧量傳感器及二氧化碳傳感器測量信號微弱的問題，本實施例還包括電化學傳感器調理電路，用於放大電化學傳感器的測量信號。

為了避免在無人操作計算機的情況下仍產生預警提示，還包括人體感應模塊，用於感應是否有人在使用計算機，當感應到有人在使用計算機時，啟動所述預警判斷模塊工作。

如圖5所示，所述預警模型建立模塊及所述預警判斷模塊設置於計算機中，所述預警模塊為計算機的輸出設備(如顯示屏和/或揚聲器)。

所述預警系統還包括通信模塊，用於將環境信息及其對應的採集時刻發送至所述計算機，以使所述計算機根據同一採集時刻採集的環境信息及該採集時刻得到預警結果，在所述預警結果為預警時，控制計算機的輸出設備產生預警提示。

具體的，所述通信模塊包括USB模塊、WiFi模塊，以使採集設備通過有線或無線的方式連接所述計算機。

通信模塊與採集模塊一起構成一採集設備，該採集設備包括一殼體，用於容置通信模塊及採集模塊，殼體上述設置有通氣柵，用於使計算機周邊的空氣與採集設備內部的採集模塊充分接觸，提高採集信息的精度。

為了更清楚的說明本申請預警模型的建立過程，下面以一具體實施例進行說明。

(1)初始階段：採集多組環境信息，建立訓練矩陣每列代表一組環境信息，對應訓練矩陣，確定輸出矩陣Y的期望矩陣(即f(p)預警結果矩陣)。

如圖6所示，本實施例選擇的為5輸入1輸出的單層神經網絡模型。輸入態x1～x5分別為採樣時刻、溫度值、溼度值、氧量濃度值及二氧化碳值；中間態為連接權和求和單元，若中間態的輸出記為p，則其可表示為其中，ωi為對應感測數據的連接權值，為未知量，θ為偏置(閾值)，為未知量；輸出態y可表示為y＝f(p)，y＝f(·)為神經元輸出的轉換函數(激活函數)，本實施例選取閾值型階躍函數，即當y＝1時，表示預警，當y＝0時，表示不預警。

(2)訓練階段：設定連接權的初始值，利用初始值訓練整個網絡，通過設定迭代次數或者最小誤差控制模型求解連接權值及偏置θ。

(3)完成階段：通過自主學習得到網絡各層間的連接權值及偏置θ，將訓練得到的連接權值及偏置θ帶入至神經網絡模型中，得到預警模型。

其他類型的神經網絡訓練方式類似，此處不再贅述。

上述整個訓練過程可離線完成，訓練結束後，即可充分利用得到預警模型完成對是否預警的合法性判定。

本申請能夠融合計算機周圍環境信息，綜合地、適時地、合理地確定是否需要產生預警，以提示計算機使用者休息，能夠避免連續長時間使用計算機給計算機使用者帶來不必要的傷害。

以上所述的具體實施例，對本申請的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本申請的具體實施例而已，並不用於限定本申請的保護範圍，凡在本申請的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本申請的保護範圍之內。