CN109712708B - 一种基于数据挖掘的健康状况预测方法及装置 - Google Patents
一种基于数据挖掘的健康状况预测方法及装置 Download PDFInfo
- Publication number
- CN109712708B CN109712708B CN201711015788.3A CN201711015788A CN109712708B CN 109712708 B CN109712708 B CN 109712708B CN 201711015788 A CN201711015788 A CN 201711015788A CN 109712708 B CN109712708 B CN 109712708B
- Authority
- CN
- China
- Prior art keywords
- physiological parameter
- degree
- term
- long
- drift
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000036541 health Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007418 data mining Methods 0.000 title claims abstract description 17
- 230000007774 longterm Effects 0.000 claims abstract description 91
- 230000008859 change Effects 0.000 claims abstract description 79
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 15
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例提供一种基于数据挖掘的健康状况预测方法及装置。所述方法包括：获取待测用户当前时刻对应的生理参数；对生理参数进行特征提取获得对应的偏移度、瞬时变化量和漂移度中任意一项或其组合；根据偏移度构建长期变化趋势，根据瞬时变化量构建短时变化剧烈度，根据漂移度构建长期漂移度；根据长期变化趋势、短时变化剧烈度和长期漂移度构建危险预警因子，通过所构建危险预警因子再利用预测模型对待测用户的健康状况进行预测获得预测结果。所述装置用于执行所述方法。本发明实施例通过对生理参数进行特征提取获得对应的特征参数，根据特征参数构建出危险预警因子，并利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
Description
技术领域
本发明实施例涉及数据挖掘技术领域，尤其涉及一种基于数据挖掘的健康状况预测方法及装置。
背景技术
随着穿戴式、腕表式、床垫式等移动医疗健康设备的不断发展，目前的养老院监护系统能够通过这些设备实现对老人各类生命体征信息的连续、实时、长期监测，实现对老人的健康监护和异常情况报警。
在对老年人的健康异常状况报警中，现有的监护设备通常采用简单的门限阈值告警方法进行异常报警，这种方法很容易导致对老人危险状况的错误报警，其中虚报容易导致监护人员对报警信号的过分紧张或不信任，而漏报甚至可能延误老人的真实病情。目前，只有少数监护系统能够针对某一个体、某一种生理数据建立个性化模型进行危险预警，但对于不同的老年人，其生理指标存在一定的个体差异性，不同的生理数据也具有不同的特性，这样的个性化模型不具有广泛适用性。
所以，目前需要一种智能化、具有普适性的养老院智能监护预警方法，有效降低监护过程中的错误报警率，为老人的生命健康提供进一步保障。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于数据挖掘的健康状况预测方法及装置。
第一方面，本发明实施例提供一种基于数据挖掘的健康状况预测方法，包括：
获取待测用户当前时刻对应的生理参数；
对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；
根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度；
根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度构建危险预警因子，通过所构建危险预警因子，根据所述危险预警因子利用预测模型对所述待测用户的健康状况进行预测，获得预测结果。
第二方面，本发明实施例提供一种基于数据挖掘的健康状况预测装置，包括：
获取模块，用于获取待测用户当前时刻对应的生理参数；
特征提取模块，用于对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；
构建模块，用于根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度；
预测模块，用于根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度构建危险预警因子，通过所构建危险预警因子，根据所述危险预警因子利用预测模型对所述待测用户的健康状况进行预测，获得预测结果。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。
本发明实施例提供的一种基于数据挖掘的健康状况预测方法及装置，通过获取待测用户的生理参数，对生理参数进行特征提取，获得对应的特征参数，根据特征参数构建出危险预警因子，根据危险预警因子利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于数据挖掘的健康状况预测方法流程示意图；
图2为本发明实施例提供的生理参数采集处理流程示意图；
图3为本发明实施例提供的预测模型构建流程示意图；
图4为本发明实施例提供的健康状况预测方法整体流程示意图；
图5为本发明实施例提供的一种基于数据挖掘的健康状况预测装置结构示意图；
图6为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种基于数据挖掘的健康状况预测方法流程示意图，如图1所示，所述方法，包括：
步骤101：获取待测用户当前时刻对应的生理参数；
具体的，装置获取待测用户当前时刻对应的生理参数，其中，装置可以通过移动医疗监护设备进行获取，还可以通过其他方式获取，本发明对此不做具体限定，生理参数包括心率、呼吸率和血氧饱和度，还可以包括其他能够反映待测用户健康状况的参数，本发明实施例对此不做具体限定。
步骤102：对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；
具体的，对获取到的生理参数进行特征提取，即提取出生理参数中的偏移度、瞬时变化量和漂移度。可以理解的是，例如生理参数包括心率和呼吸率，那么需要计算出心率和呼吸率分别对应的偏移度、瞬时变化量和漂移度。其中，偏移度反应出当前时刻的生理参数与之前某段时间相比的波动情况；瞬时变化量表示相邻两个生理参数的瞬时波动情况；漂移度表示当前时刻的生理参数对应于正常医学指标范围的偏离程度。
步骤103：根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度；
具体的，根据生理参数对应的偏移度构建对应的长期变化趋势，长期变化趋势反应出生理参数的长期变化趋势，可以通过当前时刻对应的时间窗口内所有历史生理参数对应的偏移度来表示；根据瞬时变化量构建对应的短时变化剧烈度，由于生理参数在短时间内的急剧变化可能会导致健康风险，所以将短时变化剧烈度作为一种危险预警因子，根据生理参数的瞬时变化量计算获得短时变化剧烈度。根据漂移度构建对应的长期漂移度，由于生理参数瞬时偏离正常值可能不会影响待测用户的健康状况，但若长期偏离正常阈值，将构成健康状况的危险预警因子，因此，根据生理参数的漂移度计算获得长期漂移度。
步骤104：根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度构建危险预警因子，通过所构建危险预警因子，根据所述危险预警因子利用预测模型对所述待测用户的健康状况进行预测，获得预测结果。
具体的，根据计算得到的生理参数对应的长期变化趋势、短时变化剧烈度和长期漂移度构建危险预警因子，将危险预警因子作为输入，输入到预测模型中对待测用户的健康状况进行预测，从而得出预测结果。其中，预测结果可以为健康或异常。应当说明的是，预测模型是预先创建好的。且当预测结果为异常时，可以将异常信息通过报警的方式输出。应当说明的是，危险预警因子具有包括哪些取决于对生理参数的特征提取获得的特征参数，如果特征参数只包括偏移度，则危险预警因子只包括长期变化趋势，如果特征参数包括偏移度、瞬时变化量和漂移度，则危险因子包括长期变化趋势、短时变化剧烈度和长期漂移度。
本发明实施例通过获取待测用户的生理参数，对生理参数进行特征提取，获得对应的特征参数，根据特征参数构建出危险预警因子，根据危险预警因子利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
在上述实施例的基础上，所述方法，还包括：
预先建立生命体征信息库，所述生命体征信息库包括多个样本用户对应的特征参数及健康状况；
根据所述多个样本用户对应的特征参数构建对应的危险预警因子；
根据所述多个样本用户对应的危险预警因子及健康状况，构建所述预测模型。
具体的，图2为本发明实施例提供的生理参数采集处理流程示意图，如图2所示，步骤201：数据采集；通过移动医疗监护设备、连续、实时采集多个样本用户的生理参数，可以理解的是，生理参数可以包括心率、呼吸率和血氧饱和度等，其中，在进行样本采集时，不仅采集样本用户在健康状态为正常的生理参数，还要采集突发情况下的生理参数。步骤202：数据预处理：将采集到的所有样本用户的生理参数经过专业医生对数据的正常与异常情况进行标定，然后对生理参数中的异常值进行剔除等预处理。步骤203：特征提取：对生理参数进行特征提取，获取到每个样本用户的生理参数对应的特征参数，可以理解的是，该特征参数也包括偏移度、瞬时变化量和漂移度，对获取到的特征参数进行标准化处理。步骤204：存储；将标准化后的特征参数及样本用户的健康状态存入数据库中，构成生命体征信息库。
图3为本发明实施例提供的预测模型构建流程示意图，如图3所示，包括：步骤301：构建危险预警因子；根据每一样本用户的特征参数构建对应的危险预警因子，其中，危险预警因子包括与所述偏移度对应的长期变化趋势、与所述瞬时变化量对应的短时变化剧烈度和与所述漂移度对应的长期漂移度。应当说明的是，危险预警因子具有包括哪些取决于对生理参数的特征提取获得的特征参数，如果特征参数只包括偏移度，则危险因子只包括长期变化趋势，如果特征参数包括偏移度、瞬时变化量和漂移度，则危险因子包括长期变化趋势、短时变化剧烈度和长期漂移度。步骤302：危险预警因子标准化；对危险预警因子标准化，使其对应的值的范围在0-1之间。步骤303：模型构建；以标准化后的危险预警因子作为输入，建立基于支持向量机(SVM)的预测模型，根据专业医生对输入数据的标定种类，预测模型最终预测输出正常和异常两种健康状态。其中，SVM预测模型训练过程中，选择径向基RBF核函数，并通过网格搜索、交叉验证的方式对惩罚系数C和RBF和参数γ进行最优参数选择，从而完成对SVM预测模型的训练。应当说明的是，可以建立SVM预测模型，还可以建立其他类型的预测模型，例如决策树预测模型等，本发明实施例对此不做具体限定。
本发明实施例通过数据挖掘获取多个样本用户的生理参数，通过生理参数构建预测模型，从而实现对待测用户的健康状况的预测，降低了错误报警率。
在上述实施例的基础上，所述对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合，包括：
获取所述当前时刻对应的时间窗口中所有的历史生理参数，根据所述生理参数和所述历史生理参数计算生理参数均值和生理参数标准差，根据所述生理参数均值和所述生理参数标准差计算获得所述生理参数对应的偏移度；
根据所述生理参数和前一时刻获取的历史生理参数计算获得所述瞬时变化量；
预先设定所述生理参数对应的正常阈值上限和正常阈值下限，根据所述生理参数、所述正常阈值上限和所述正常阈值下限，计算得到所述生理参数的漂移度。
具体的，预先设定时间窗口的长度，并构建离散时间序列对应的生理参数，假设，时间窗口的长度为5，当前时刻获取到的生理参数为对应的时间窗口中的最后一个参数，在当前时刻之前获取的4个参数作为时间窗口中的历史生理参数，根据历史生理参数和当前时刻的生理参数可以计算得到时间窗口对应的生理参数均值，为了去除个体因素差异对分析造成的影响，在计算偏移度的时候还需要计算得到该时间窗口对应的标准差。当前时刻的生理参数与生理参数均值的差，再除以生理参数标准差即为当前时刻的生理参数对应的偏移度。
为了便于理解，通过下表来表示实时获取到的待测用户的生理数据，以心率为例：
| 序列 | x(1) | x(2) | x(3) | x(4) | x(5) | x(6) | x(7) | x(8) | x(9) |
| 时刻 | 11:00 | 11:05 | 11:10 | 11:15 | 11:20 | 11:25 | 11:30 | 11:35 | 11:40 |
| 心率 | 60 | 62 | 61 | 63 | 65 | 66 | 64 | 62 | 63 |
上表中是从最开始依次获取到的待测用户的心率，假设当前时刻为11:40，则当前时刻对应的时间窗口为[x(5)，x(9)]，此时，x(i)＝x(9)，N＝5。
瞬时变化量表示相邻生理数据的瞬时波动情况，即相邻生理数据的偏差距离，因此可以通过生理参数与前一时刻获取的历史生理参数的差来获得瞬时变化量。
预先设定生理参数的正常阈值上限和正常阈值下限，应当说明的是，正常阈值上限和正常阈值下限可以根据相应医学标准得到。根据当前时刻获取到的生理参数与设定好的正常阈值上限和正常阈值下限，可以计算得到生理参数的漂移度，从而来表示对应于正常医学指标，当前时刻的生理参数的偏离程度。
本发明实施例通过对生理参数进行特征提取从而获得对应的偏移度、瞬时变化量和漂移度，根据偏移度、瞬时变化量和漂移度构建出危险预警因子，根据危险预警因子利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
在上述实施例的基础上，所述根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度，包括：
根据所述生理参数对应的偏移度、所述当前时刻对应的时间窗口中每一历史生理参数的偏移度以及偏移度权重计算获得所述长期变化趋势；
根据所述生理参数对应的瞬时变化量、所述当前时刻对应的时间窗口中每一历史生理参数的瞬时变化量以及瞬时变化量权重计算获得所述短时变化剧烈度；
根据所述生理参数对应的漂移度、所述当前时刻对应的时间窗口中每一历史生理参数的漂移度以及漂移度权重计算获得所述长期漂移度。
具体的，预先设定生理参数中各特征参数所占的权重，即偏移度权重、瞬时变化量权重和漂移度权重。通过偏移度在时间窗口内的累计和来表示长期变化趋势。即分别计算时间窗口内的历史生理参数和当前时刻的生理参数的偏移度，然后将每一个偏移度乘以偏移度权重，再求和，最终获得当前时刻对应的长期变化趋势。
短时变化剧烈度通过瞬时变化量在时间窗口内的累计和，以及该时间窗口内最静态变化的差值表示，为了去除不同生理数据特性差异因素的影响，以该时间窗口中瞬时变化量的标准差作为单位计算。因此，短时变化剧烈度是通过当前时刻所在时间窗内每一生理参数对应的瞬时变化量之和与该时间窗内最静态变化的差值，然后乘以瞬时变化量权重，最后除以该时间窗口内的瞬时变化量标准差得到。其中，最静态变化表示该时间窗口内的最平滑变化。
长期漂移度是通过在时间窗口内，每一生理参数的漂移度之和再乘以漂移度权重得到，长期偏离正常阈值也会构成健康状况的危险预警因子。
本发明实施例通过特征参数构造危险预警因子，将危险预警因子输入到预测模型中，从而获得预测结果，经过数据挖掘后获得的预测模型能够提高预测的准确率。
在上述实施例的基础上，所述根据所述生理参数均值和所述生理参数标准差计算获得所述生理参数对应的偏移度，包括：
根据
计算获得所述生理参数对应的偏移度；
其中，x(i)为所述生理参数，μN(x(i)为所述生理参数均值，σN(x(i)为所述生理参数标准差；
所述根据所述生理参数和前一时刻获取的历史生理参数计算获得所述瞬时变化量，包括：
根据slope(x(i))＝x(i)-x(i-1)计算获得所述每一生理参数对应的瞬时变化量；
其中，x(i)为所述生理参数，x(i-1)前一时刻获取的所述历史生理参数；
所述根据所述生理参数、所述正常阈值上限和所述正常阈值下限，计算得到所述生理参数的漂移度，包括：
根据
计算获得所述生理参数对应的漂移度；
其中，x(i)为所述生理参数，
为所述生理参数对应的正常阈值下限，
为所述生理参数对应的正常阈值上限。
具体的，可以根据公式(1)来计算获得长度为N的时间窗口中生理参数对应的偏移度：
其中，x(i)为所述生理参数，μN(x(i)为所述生理参数均值，σN(x(i)为所述生理参数标准差；
且，生理参数均值μN(x(i)通过公式(2)计算获得：
生理参数标准差可以通过公式(3)计算获得：
根据公式(4)计算获得当前时刻生理参数对应的瞬时变化量：
slope(x(i))＝x(i)-x(i-1) (4)
其中，x(i)为生理参数，x(i-1)前一时刻获取的历史生理参数。
根据公式(5)计算获得当前时刻生理参数对应的漂移度：
其中，x(i)为生理参数，
为生理参数对应的正常阈值下限，
为生理参数对应的正常阈值上限，正常阈值上限和正常阈值下限可以根据相应医学标准得到。为了消除不同生理参数(例如：心率、呼吸率和血氧饱和度)的量纲差异性，增强预测模型的数据融合性，漂移度可以是以百分比的形式。
本发明实施例通过获取待测用户的生理参数，对生理参数进行特征提取，获得对应的偏移度、瞬时变化量和漂移度，根据偏移度、瞬时变化量和漂移度构建出危险预警因子，根据危险预警因子利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
在上述实施例的基础上，所述根据所述生理参数对应的偏移度、所述当前时刻对应的时间窗口中每一历史生理参数的偏移度以及偏移度权重计算获得所述长期变化趋势，包括：
根据
计算获得所述长期变化趋势；
其中，hoffset为所述偏移度权重，offsetN(x(i))为长度为N的时间窗口中生理参数对应的偏移度，i和N均为正整数，且i大于N；
具体的，根据公式(6)可以计算得到当前时刻的生理参数对应的长期变化趋势：
其中，hoffset为所述偏移度权重，offsetN(x(i))为长度为N的时间窗口中生理参数对应的偏移度，i和N均为正整数，且i大于N。通过将时间窗口内的每一个生理参数对应的偏移度求和可以获得到长期变化趋势。
所述根据所述生理参数对应的瞬时变化量、所述当前时刻对应的时间窗口中每一历史生理参数的瞬时变化量以及瞬时变化量权重计算获得所述短时变化剧烈度，包括：
根据
计算获得所述生理参数对应的所述短时变化剧烈度；
其中，hslope为所述瞬时变化量权重，slopeN(x(i))为长度为N的时间窗口中生理参数的瞬时变化量，ΔN(x(i))为所述时间窗口中第N个生理参数对应的平滑度，且ΔN(x(i))＝x(i)-x(i-N+1)|，其中，x(i-N+1)为前N-1时刻对应的历史生理参数，σ(slopeN(x(i)))为所述瞬时变化量在长度为N的时间窗口内的标准差，i和N均为正整数，且i大于N；
具体的，根据公式(7)可以计算得到生理参数对应的短时变化剧烈度：
其中，hslope为瞬时变化量权重，slopeN(x(i))为长度为N的时间窗口中生理参数的瞬时变化量，ΔN(x(i))为时间窗口中第N个生理参数对应的平滑度，且ΔN(x(i))＝|x(i)-x(i-N)|，其中，x(i-N)为第i-N+1对应的历史生理参数，应当说明的是，第N个生理参数中，若N＝i，则说明该生理参数为当前时刻的生理参数，否则，该生理参数为该时间窗口中的历史生理参数，σ(slopeN(x(i)))为所述瞬时变化量在对应时间窗口内的标准差，i和N均为正整数，且i大于N。
瞬时变化量在对应时间窗口内的标准差的计算公式如公式(8)所示：
其中，μN(slope(x(i))为slope(x(i)在时间窗口内的均值，其具体计算公式如公式(9)所示：
公式(9)中的相关参数与上述实施例一致，本发明实施例对此不做重复限定。
所述根据所述生理参数对应的漂移度、所述当前时刻对应的时间窗口中每一历史生理参数的漂移度以及漂移度权重计算获得所述长期漂移度，包括：
根据
计算获得所述生理参数对应的所述长期漂移度；
其中，hdist为所述漂移度权重，distN(x(i))为长度为N的时间窗口内生理参数对应的漂移度，i和N均为正整数，且i大于N。
具体的，根据公式(10)可以计算得到生理参数对应的长期漂移度：
其中，hdist为漂移度权重，distN(x(i))为长度为N的时间窗口内生理参数对应的漂移度，i和N均为正整数，且i大于N。。
应当说明的是，偏移度权重、瞬时变化量权重和漂移度权重的计算方法如公式(11)所示：
其中，y为特征参数slope、offset或dist，若某种特征参数只有正值会成为危险预警因素，则Hy设为1，反之Hy取0；若某种特征参数正、负值均会成为危险预警因素，则Hy取0.5。且具体Hy的取值有专业医生确定。
本发明实施例通过获取待测用户的生理参数，对生理参数进行特征提取，获得对应的偏移度、瞬时变化量和漂移度，根据偏移度、瞬时变化量和漂移度构建出危险预警因子，根据危险预警因子利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
在上述各实施例的基础上，所述方法，还包括：
分别对所述生理参数对应的所述偏移度、所述瞬时变化量和所述漂移度进行归一化处理。
具体的，为了去除个体差异因素、不同种类的生理数据量纲差异性、数据量级差异性的影响，增强预测模型的数据融合性和普适性，可以将通过对生理参数进行特征提取后得到的偏移度、瞬时变化量和漂移度进行归一化处理，使得这些特征参数的值都在0-1的范围内。
图4为本发明实施例提供的健康状况预测方法整体流程示意图，如图4所示，包括：
步骤401：数据采集；在对待测用户进行健康状况预测之前，首先要获取多个样本用户的历史时间段内的生理参数，包括正常情况下的生理参数，还包括发生异常的生理参数；在对待测用户进行健康状况预测时，需要获取待测用户当前时刻的生理参数；
步骤402：对历史的生理参数处理；在获取到历史时间段内的多个样本用户的生理参数后，需要对该生理参数进行预处理，例如：异常值剔除等，预处理完成后，对该生理参数进行特征提取，获得对应的偏移度、瞬时变化量和漂移度，然后对上述特征参数进行标准化处理；
步骤403：存入数据库；将步骤402中获得到的多个样本用户对应的特征参数以及样本用户的健康状况这一对应关系存入到数据库中。
步骤404：构建危险预警因子；根据多个样本用户的特征参数构建危险预警因子，具体构建方法已在上述实施例中描述，本发明实施例对此不再赘述；
步骤405：训练预测模型；将危险预警因子作为预测模型的输入、将对应的健康状况作为输出，对预测模型进行训练；
步骤406：对生理参数进行处理；对步骤401中获取的当前时刻的生理参数进行处理，即与步骤402中类似，先进行预处理，然后特征提取，获得当前时刻的生理参数对应特征参数，即偏移度、瞬时变化量和漂移度，然后对特征参数进行标准化处理；
步骤407：存入数据库；将当前时刻获取到的待测用户的特征参数存入到数据库中；
步骤408：构建危险预警因子；根据当前时刻的生理参数对应的偏移度、瞬时变化量和漂移度构建对应的危险预警因子，其具体构建方法本发明实施例对此不再赘述；
步骤409：实时预测；将构建完成的当前时刻的生理参数对应的危险预警因子输入到训练好的预测模型中，对该待测用户进行健康状况的预测，并得到预测结果。
应当说明的是，本发明实施例中的步骤编号并不代表其执行顺序，任何能够实现预测的顺序均在本发明的保护范围内。
本发明实施例通过获取待测用户的生理参数，对生理参数进行特征提取，获得对应的偏移度、瞬时变化量和漂移度，根据偏移度、瞬时变化量和漂移度构建出危险预警因子，根据危险预警因子利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
图5为本发明实施例提供的一种基于数据挖掘的健康状况预测装置结构示意图，如图5所示，所述装置，包括：获取模块501、特征提取模块502、构建模块503和预测模块504，其中：
获取模块501用于获取待测用户当前时刻对应的生理参数；特征提取模块502用于对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；构建模块503用于根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度；预测模块504用于根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度构建危险预警因子，通过所构建危险预警因子，根据所述危险预警因子利用预测模型对所述待测用户的健康状况进行预测，获得预测结果。
具体的，获取模块501获取待测用户当前时刻对应的生理参数，其中，装置可以通过移动医疗监护设备进行获取，还可以通过其他方式获取，本发明对此不做具体限定，生理参数包括心率、呼吸率和血氧饱和度，还可以包括其他能够反映待测用户健康状况的参数，本发明实施例对此不做具体限定。特征提取模块502对获取到的生理参数进行特征提取，即提取出生理参数中的偏移度、瞬时变化量和漂移度。可以理解的是，例如生理参数包括心率和呼吸率，那么需要计算出心率和呼吸率分别对应的偏移度、瞬时变化量和漂移度。其中，偏移度反应出当前时刻的生理参数与之前某段时间相比的波动情况；瞬时变化量表示相邻两个生理参数的瞬时波动情况；漂移度表示当前时刻的生理参数对应于正常医学指标范围的偏离程度。构建模块503根据生理参数对应的偏移度构建对应的长期变化趋势，长期变化趋势反应出生理参数的长期变化趋势，可以通过当前时刻对应的时间窗口内所有历史生理参数对应的偏移度来表示；根据瞬时变化量构建对应的短时变化剧烈度，由于生理参数在短时间内的急剧变化可能会导致健康风险，所以将短时变化剧烈度作为一种危险预警因子；根据漂移度构建对应的长期漂移度，由于生理参数瞬时偏离正常值可能不会影响待测用户的健康状况，但若长期偏离正常阈值，将构成健康状况的危险预警因子。预测模块504根据计算得到的生理参数对应的长期变化趋势、短时变化剧烈度和长期漂移度构建危险预警因子，将危险预警因子作为输入，输入到预测模型中对待测用户的健康状况进行预测，从而得出预测结果。其中，预测结果可以为健康或异常。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
本发明实施例通过获取待测用户的生理参数，对生理参数进行特征提取，获得对应的偏移度、瞬时变化量和漂移度，根据偏移度、瞬时变化量和漂移度构建出危险预警因子，根据危险预警因子利用预测模型获得预测结果，从而有效降低监护过程中的错误预测率。
图6为本发明实施例提供的电子设备实体结构示意图，如图6所示，所述电子设备，包括：处理器(processor)601、存储器(memory)602和总线603；其中，
所述处理器601和存储器602通过所述总线603完成相互间的通信；
所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待测用户当前时刻对应的生理参数；对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据和所述漂移度构建对应的长期漂移度；根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度，利用预测模型对所述待测用户的健康状况进行预测，获得预测结果。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待测用户当前时刻对应的生理参数；对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据和所述漂移度构建对应的长期漂移度；根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度，利用预测模型对所述待测用户的健康状况进行预测，获得预测结果。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待测用户当前时刻对应的生理参数；对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度；根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度，利用预测模型对所述待测用户的健康状况进行预测，获得预测结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于数据挖掘的健康状况预测方法，其特征在于，包括：
获取待测用户当前时刻对应的生理参数；
对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；
根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度；
根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度构建危险预警因子，根据所述危险预警因子利用预测模型对所述待测用户的健康状况进行预测，获得预测结果；
其中，所述根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度，包括：
根据所述生理参数对应的偏移度、所述当前时刻对应的时间窗口中每一历史生理参数的偏移度以及偏移度权重计算获得所述长期变化趋势；
根据所述生理参数对应的瞬时变化量、所述当前时刻对应的时间窗口中每一历史生理参数的瞬时变化量以及瞬时变化量权重计算获得所述短时变化剧烈度；
根据所述生理参数对应的漂移度、所述当前时刻对应的时间窗口中每一历史生理参数的漂移度以及漂移度权重计算获得所述长期漂移度。
2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
预先建立生命体征信息库，所述生命体征信息库包括多个样本用户对应的特征参数及健康状况；
根据所述多个样本用户对应的特征参数构建对应的危险预警因子；
根据所述多个样本用户对应的危险预警因子及健康状况，构建所述预测模型。
3.根据权利要求1所述的方法，其特征在于，所述对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合，包括：
获取所述当前时刻对应的时间窗口中所有的历史生理参数，根据所述生理参数和所述历史生理参数计算生理参数均值和生理参数标准差，根据所述生理参数均值和所述生理参数标准差计算获得所述生理参数对应的偏移度；
根据所述生理参数和前一时刻获取的历史生理参数计算获得所述瞬时变化量；
预先设定所述生理参数对应的正常阈值上限和正常阈值下限，根据所述生理参数、所述正常阈值上限和所述正常阈值下限，计算得到所述生理参数的漂移度。
4.根据权利要求3所述的方法，其特征在于，所述根据所述生理参数均值和所述生理参数标准差计算获得所述生理参数对应的偏移度，包括：
根据
计算获得所述生理参数对应的偏移度；
其中，x(i)为所述生理参数，μN(x(i))为所述生理参数均值，σN(x(i))为所述生理参数标准差；
所述根据所述生理参数和前一时刻获取的历史生理参数计算获得所述瞬时变化量，包括：
根据slope(x(i))＝x(i)-x(i-1)计算获得每一所述生理参数对应的瞬时变化量；
其中，x(i)为所述生理参数，x(i-1)前一时刻获取的所述历史生理参数；
所述根据所述生理参数、所述正常阈值上限和所述正常阈值下限，计算得到所述生理参数的漂移度，包括：
根据
计算获得所述生理参数对应的漂移度；
其中，x(i)为所述生理参数，
为所述生理参数对应的正常阈值下限，
为所述生理参数对应的正常阈值上限。
5.根据权利要求1所述的方法，其特征在于，所述根据所述生理参数对应的偏移度、所述当前时刻对应的时间窗口中每一历史生理参数的偏移度以及偏移度权重计算获得所述长期变化趋势，包括：
根据
计算获得所述长期变化趋势；
其中，hoffset为所述偏移度权重，offsetN(x(i))为长度为N的时间窗口中生理参数所对应的偏移度，i和N均为正整数，且i大于N；
所述根据所述生理参数对应的瞬时变化量、所述当前时刻对应的时间窗口中每一历史生理参数的瞬时变化量以及瞬时变化量权重计算获得所述短时变化剧烈度，包括：
根据
计算获得所述生理参数对应的所述短时变化剧烈度；
其中，hslope为所述瞬时变化量权重，slopeN(x(i))为长度为N的时间窗口中生理参数所对应的瞬时变化量，ΔN(x(i))为所述长度为N的时间窗口内所对应的平滑度，且ΔN(x(i))＝|x(i)-x(i-N)|，其中，x(i-N)为第i-N+1时刻对应的历史生理参数，σ(slopeN(x(i)))为所述瞬时变化量在对应时间窗口内的标准差，i和N均为正整数，且i大于N；
所述根据所述生理参数对应的漂移度、所述当前时刻对应的时间窗口中每一历史生理参数的漂移度以及漂移度权重计算获得所述长期漂移度，包括：
根据
计算获得所述生理参数对应的所述长期漂移度；
其中，hdist为所述漂移度权重，distN(x(i))为长度为N的时间窗口内生理参数对应的漂移度，i和N均为正整数，且i大于N；
其中，x(i)为所述生理参数，i为时刻。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法，还包括：
分别对所述生理参数对应的所述偏移度、所述瞬时变化量和所述漂移度进行归一化处理。
7.一种基于数据挖掘的健康状况预测装置，其特征在于，包括：
获取模块，用于获取待测用户当前时刻对应的生理参数；
特征提取模块，用于对所述生理参数进行特征提取，获得对应的特征参数，所述特征参数包括偏移度、瞬时变化量和漂移度中任意一项或其组合；
构建模块，用于根据所述生理参数对应的所述偏移度构建对应的长期变化趋势，根据所述瞬时变化量构建对应的短时变化剧烈度，根据所述漂移度构建对应的长期漂移度；
预测模块，用于根据所述长期变化趋势、所述短时变化剧烈度和所述长期漂移度构建危险预警因子，根据所述危险预警因子利用预测模型对所述待测用户的健康状况进行预测，获得预测结果；
其中，所述构建模块具体用于：
根据所述生理参数对应的偏移度、所述当前时刻对应的时间窗口中每一历史生理参数的偏移度以及偏移度权重计算获得所述长期变化趋势；
根据所述生理参数对应的瞬时变化量、所述当前时刻对应的时间窗口中每一历史生理参数的瞬时变化量以及瞬时变化量权重计算获得所述短时变化剧烈度；
根据所述生理参数对应的漂移度、所述当前时刻对应的时间窗口中每一历史生理参数的漂移度以及漂移度权重计算获得所述长期漂移度。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-6任一项所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711015788.3A CN109712708B (zh) | 2017-10-26 | 2017-10-26 | 一种基于数据挖掘的健康状况预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711015788.3A CN109712708B (zh) | 2017-10-26 | 2017-10-26 | 一种基于数据挖掘的健康状况预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109712708A CN109712708A (zh) | 2019-05-03 |
| CN109712708B true CN109712708B (zh) | 2020-10-30 |
Family
ID=66252701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711015788.3A Expired - Fee Related CN109712708B (zh) | 2017-10-26 | 2017-10-26 | 一种基于数据挖掘的健康状况预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109712708B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112414526B (zh) * | 2020-11-13 | 2022-07-01 | 迪比（重庆）智能科技研究院有限公司 | 散袋小包装中药的快速称量方法 |
| CN112806961A (zh) * | 2021-01-12 | 2021-05-18 | 北京普天大健康科技发展有限公司 | 体征数据评估方法及装置 |
| CN116965785B (zh) * | 2023-08-28 | 2024-07-16 | 首都医科大学附属北京世纪坛医院 | 一种生命体征监测分析方法、系统、终端及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105212905A (zh) * | 2015-09-30 | 2016-01-06 | 四川省人民医院 | 一种穿戴式智能冷热感知设备及其检测方法 |
| CN105326493A (zh) * | 2015-11-05 | 2016-02-17 | 深圳市冠旭电子有限公司 | 一种基于可穿戴电子设备的心率监测方法及系统 |
| CN105678415A (zh) * | 2016-01-05 | 2016-06-15 | 湖南大学 | 一种分布式电源配电网的净负荷预测方法 |
| CN106777891A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778312B (zh) * | 2012-10-24 | 2017-05-10 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
-
2017
- 2017-10-26 CN CN201711015788.3A patent/CN109712708B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105212905A (zh) * | 2015-09-30 | 2016-01-06 | 四川省人民医院 | 一种穿戴式智能冷热感知设备及其检测方法 |
| CN105326493A (zh) * | 2015-11-05 | 2016-02-17 | 深圳市冠旭电子有限公司 | 一种基于可穿戴电子设备的心率监测方法及系统 |
| CN105678415A (zh) * | 2016-01-05 | 2016-06-15 | 湖南大学 | 一种分布式电源配电网的净负荷预测方法 |
| CN106777891A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109712708A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109448862B (zh) | 一种健康监测预警方法及装置 | |
| US10228994B2 (en) | Information processing system, information processing method, and program | |
| EP3558113A1 (en) | Determining wellness using activity data | |
| CN109363659B (zh) | 基于深度学习的心率监控方法、装置及存储介质 | |
| CN109712708B (zh) | 一种基于数据挖掘的健康状况预测方法及装置 | |
| CN107491638A (zh) | 一种基于深度学习模型的icu用户病情预测方法及终端设备 | |
| US20130324861A1 (en) | Health condition determination method and health condition determination system | |
| CN117438024B (zh) | 急诊病人体征数据的智能采集分析系统及方法 | |
| US20180184960A1 (en) | Method and system for monitoring stress conditions | |
| CN108847288A (zh) | 一种健康预警方法和装置 | |
| US11317840B2 (en) | Method for real time analyzing stress using deep neural network algorithm | |
| CN113689958A (zh) | 一种基于大数据的慢性病病情预测方法、系统及存储介质 | |
| US20220165417A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
| CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
| CN113314201B (zh) | 一种神经内科临床护理安全隐患分析方法及系统 | |
| US20210161479A1 (en) | A Probability-Based Detector and Controller Apparatus, Method, Computer Program | |
| CN107212882B (zh) | 一种脑电信号状态变化的实时检测方法及系统 | |
| CN117711626A (zh) | 一种基于多维度因素的抑郁情绪评测方法 | |
| CN118177766A (zh) | 基于个体生理特征的心脑血管健康监测预警方法及系统 | |
| CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
| CN117373604A (zh) | 一种快速查看健康报告方法、系统及介质 | |
| CN112155520A (zh) | 基于体温数据的监测装置及方法、电子设备、存储介质 | |
| CN108305688A (zh) | 病症评估方法、终端设备及计算机可读介质 | |
| CN112168188A (zh) | 一种用于压力检测数据的处理方法和装置 | |
| Pramodhani et al. | Stress Prediction and Detection in Internet of Things using Learning Methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201030 Termination date: 20211026 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |