CN110415821A - 一种基于人体生理数据的健康知识推荐系统及其运行方法 - Google Patents
一种基于人体生理数据的健康知识推荐系统及其运行方法 Download PDFInfo
- Publication number
- CN110415821A CN110415821A CN201910587783.0A CN201910587783A CN110415821A CN 110415821 A CN110415821 A CN 110415821A CN 201910587783 A CN201910587783 A CN 201910587783A CN 110415821 A CN110415821 A CN 110415821A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge
- user
- module
- health
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002452 interceptive effect Effects 0.000 claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 230000036772 blood pressure Effects 0.000 claims description 32
- 230000036760 body temperature Effects 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 206010012601 diabetes mellitus Diseases 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 1
- 238000000151 deposition Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000003862 health status Effects 0.000 abstract description 2
- 208000027205 Congenital disease Diseases 0.000 description 2
- 208000029767 Congenital, Hereditary, and Neonatal Diseases and Abnormalities Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nutrition Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于人体生理数据的健康知识推荐系统及其运行方法，属于信息计算和数据处理技术领域，系统包括数据库模块、数据预处理模块、分类诊断模块、知识推荐模块、前端交互模块；融合实时监测数据、初步预测判断结果、生理数据以及历史判断结果对人的健康状态进行动态判断，提高了判断结果的准确性，并能在大量案例中找到与用户相似的案例，从而提供更科学准确的健康知识和策略推荐，用户选择最合适的知识和策略并且备注选择的原因，于此同时生成新的案例记录存放在案例库中，丰富了案例库，使得推荐越来越精确。
Description
技术领域
本发明涉及一种基于人体生理数据的健康知识推荐系统及其运行方法，属于信息计算和数据处理技术领域。
背景技术
随着技术的发展和人们物质生活水平的提高，人们越来越关自身身体状况。除了就医检查身体外，在日常生活中也随时关注。而随着大数据以及医学数字化系统的不断成熟，个人的基本信息、就诊情况以及生理数据都完备的存放在数据库中，这些数据为人体健康的诊断提供了数据基础。此外，大量的健康知识以及处方推荐，用户很难科学的选择适合自己的知识推荐。如何精准在大量的知识中向用户推荐科学合理的健康知识和策略成为热点。
对幼童和老年人来说，很难对身体生理指标的突然改变做出反应，如体温的变化、血压和心率的异常浮动等，所以危险预警变得十分必要。
发明内容
针对现有技术的不足，本发明提供一种基于人体生理数据的健康知识推荐系统。
本发明还提供上述推荐系统的运行方法。
本发明的技术方案如下：
一种基于人体生理数据的健康知识推荐系统，包括数据库模块、数据预处理模块、分类诊断模块、知识推荐模块、前端交互模块；
数据库模块，包括个人基本信息库、知识案例库、实时检测数据库；个人基本信息库用于存放用户基本数据、生理数据和历史判断结果，用户基本数据包括姓名、性别、年龄、特殊情况说明(是否先天性疾病、是否有行动力等)，生理数据包括血压、血氧、胸痛类型、最大心率、糖尿病类型、体温、身高、体重；知识案例库用于存放各个用户的知识推荐内容及推荐后的更新数据，并按照判断类型进行存储如A类型用户及其推荐知识存放在表1中，B 类型用户及其推荐知识存放在表2中，实时检测数据库用于存放人体通过穿戴监测设备得到的实时监测数据，实时监测数据包括体温、心率、血压；
数据预处理模块，用于针对人体生理数据进行预处理、得到分类诊断模块所需要的数据；所述预处理包括数据清洗、属性相关性分析、数据离散化、数据归一化，对原始数据进行处理得到分类诊断模块所需数据；
分类诊断模块，用于将数据预处理模块处理后的数据导入BP神经网络得到初步预测判断结果，再通过通过D-S证据论融合初步预测判断结果、历史判断结果得出用户健康判断结果，历史判断结果由数据库模块中的个人基本信息库提供，现有知识案例由知识案例库提供；BP 神经网络包括神经网络训练分类模型、神经网络预测模型，神经网络预测模型用于接收实时检测数据并预测下一时刻的数据，实时检测数据由实时检测数据库提供；
知识推荐模块，用于将分类诊断模块分类结束的用户通过基于用户的协同过滤算法与同一类别的其他用户做相似度匹配，将用户健康判断结果的类型与知识案例库中相同类型的案例做相似度对比，根据匹配度向分类诊断模块分类结束的用户推荐健康知识；
前端交互模块，用于显示交互界面，交互界面包括用户的数据输入、症状选择界面、危险预警界面，并在此界面获得判断结果和健康知识，以及做相关备注说明。
优选的，基于人体生理数据的健康知识推荐系统还包括危险预警模块，危险预警模块用于接收实时监测数据并预测下一时刻的体温、心率、血压，超出设定的正常范围时通过前端交互模块发出预警。
人体穿戴监测设备实时监测体温、心率和血压，实时监测数据通过蓝牙无线传输到数据处理端即PC或者手机移动端，首先对实时监测数据进行清洗，值为空的用该属性三小时内的平均值进行补充，将处理好的数据通过训练好的神经网络预测下一时刻体温、心率和血压，当超出所设定的正常范围时则通过前端交互模块发出预警。
一种基于人体生理数据的健康知识推荐系统的运行方法，该方法的具体步骤如下：
步骤1，用户通过交互界面输入用户基本数据、生理数据，用户基本数据存储到个人基本信息库，生理数据存储到生理数据库，为数据预处理模块做准备；
步骤2，数据预处理模块读取用户基本数据、生理数据和历史判断结果，首先对缺失值、异常值以及重复记录进行处理，最后将连续变量归一化处理，离散数据向量化；
步骤3，将处理好的数据通过粒子群优化的BP神经网络训练分类模型，利用训练好的模型获得初步预测判断结果，再根据D-S证据论融合初步预测判断结果、历史判断结果得出用户健康判断结果；
步骤4，根据得出的用户健康判断结果，将用户健康判断结果的类型与知识案例库中相同类型的案例做相似度对比，得出与用户最相似的三条记录，将这三条的健康知识作为用户的健康知识推荐供用户选择；
步骤5，在交互界面输出三条记录，用户选择最适合自己的知识推荐，并备注原因，以供其他用户的参考，此用户的生理数据和用户健康判断结果以及健康知识推荐作为新的记录存放在数据库模块的知识案例库。个人的生理数据会存放在个人基本信息库，推荐完成后行程新的案例后，会以案例的形式存放在知识案例库。
优选的，实时检测数据库采集到的实时检测数据经过数据预处理模块进行数据预处理后输入到神经网络预测模型，得到下一时刻的体温、血压以及心率值，对各属性数据分别设定上限阈值和下限阈值，若预测结果低于下限阈值或者超过上限阈值，则在前端交互模块的交互界面进行预警提醒，神经网络预测模型是由数据库模块中的大量数据训练得来。
进一步优选的，对体温、心率、血压对的实时监测进行危险预警的方法为，每三小时将采集到的18组数据输入神经网络预测模型，每组数据包括体温、心率和血压，对体温、心率和血压分别设定上限阈值和下限阈值，若预测结果低于下限阈值或者超过上限阈值，则在在前端交互模块的交互界面提醒。
优选的，所述步骤2中，对于缺失值的处理，生理数据库中的缺失数据用相邻五条记录的均值补充，知识案例库中的缺失数据用此属性的最优值补充；
根据各生理属性的正常取值范围，对异常值进行筛选，生理数据库中的异常值用相邻五条记录的均值补充，知识案例库中的异常值用此属性的最优值补充；
针对重复记录，利用滑动窗口算法，若检测到连续五条记录的关键属性值是一致的，则删除其中四条保留其中一条。
优选的，所述步骤2中，连续变量归一化的方法为，将连续性属性的连续数据值带入归一化公式y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin，其中xmax为每个属性连续数据的最大值，xmin为连续数据的最小值，ymax为数据归一化后的最大值，ymin为数据归一化后的最小值，ymin默认为-1，ymax默认为1，从而使得所有属性的连续数据值归一到-1到1之间；所述连续性属性包括年龄、体温、血压、血氧、最大心率、体重、身高。
优选的，所述步骤2中，针对离散性属性的数据向量化的方法为，利用one-hot编码方式，将离散特征的每一种取值都看成一种状态，若这一特征中有N个不同的取值，就将该特征抽象成N种不同的状态，N种状态种只有一种状态位值为1，其他状态位都为0；所述离散性属性包括性别、胸痛类型、糖尿病类型。
优选的，所述步骤3中，神经网络由知识案例库中的大量案例数据训练得到，神经网络的输入数据包括一段时间内体温的加权平均值、心率的加权平均值、血压的加权平均值、个人基本信息库和生理数据库中的数据所组成的n维向量。
优选的，所述步骤3中，数据融合为，利用D-S证据论融合由神经网络预测模型得出的初步预测判断结果和历史判断结果，从而得到用户健康判断结果。
优选的，所述步骤4中，用于比较的相似度公式为其中A为用户a的生理数据组成的特征向量，B为用户b的生理数据组成的特征向量。
本发明的有益效果在于：
本发明融合实时监测数据、初步预测判断结果、生理数据以及历史判断结果对人的健康状态进行动态判断，提高了判断结果的准确性，并能在大量案例中找到与用户相似的案例，从而提供更科学准确的健康知识和策略推荐。用户能够在三条推荐中选择最合适的知识和策略，并且备注选择的原因。于此同时生成新的案例记录存放在案例库中，丰富了案例库，使得推荐越来越精确；本发明利用神经网络的预测模型进行实时的危险情况预警能够做到及时提醒，能够使用户尤其是幼童、老年人等对身体情况不敏感的人群在身体生理指标异常的时候及时就医判断；本发明简便易行，可操作性强。
附图说明
图1是本发明基于人体生理数据的健康知识推荐系统的结构示意图。
图2是本发明基于人体生理数据的健康知识推荐系统的分类诊断模块的流程图。
图3是本发明基于人体生理数据的健康知识推荐系统的知识推荐模块的结构示意图。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明，但不限于此。
实施例1：
一种基于人体生理数据的健康知识推荐系统，包括数据库模块、数据预处理模块、分类诊断模块、知识推荐模块、前端交互模块，如图1所示。
数据库模块，包括个人基本信息库、知识案例库、实时检测数据库；个人基本信息库用于存放用户基本数据、生理数据和历史判断结果，用户基本数据包括姓名、性别、年龄、特殊情况说明(是否先天性疾病、是否有行动力等)，生理数据包括血压、血氧、胸痛类型、最大心率、糖尿病类型、体温、身高、体重；知识案例库用于存放各个用户的知识推荐内容及推荐后的更新数据，并按照判断类型进行存储如A类型用户及其推荐知识存放在表1中，B 类型用户及其推荐知识存放在表2中，实时检测数据库用于存放人体通过穿戴监测设备得到的实时监测数据，实时监测数据包括体温、心率、血压。
数据预处理模块，用于针对人体生理数据进行预处理、得到分类诊断模块所需要的数据；所述预处理包括数据清洗、属性相关性分析、数据离散化、数据归一化，对原始数据进行处理得到分类诊断模块所需数据。
分类诊断模块，用于将数据预处理模块处理后的数据导入BP神经网络得到初步预测判断结果，再通过通过D-S证据论融合初步预测判断结果、历史判断结果得出用户健康判断结果，历史判断结果由数据库模块中的个人基本信息库提供，现有知识案例由知识案例库提供；BP 神经网络包括神经网络训练分类模型、神经网络预测模型，神经网络预测模型用于接收实时检测数据并预测下一时刻的数据，实时检测数据由实时检测数据库提供。
知识推荐模块，用于将分类诊断模块分类结束的用户通过基于用户的协同过滤算法与同一类别的其他用户做相似度匹配，将用户健康判断结果的类型与知识案例库中相同类型的案例做相似度对比，根据匹配度向分类诊断模块分类结束的用户推荐健康知识。
前端交互模块，用于显示交互界面，交互界面包括用户的数据输入、症状选择界面、危险预警界面，并在此界面获得判断结果和健康知识，以及做相关备注说明。
实施例2：
一种基于人体生理数据的健康知识推荐系统，其组成结构如实施例1所述，所不同的是，基于人体生理数据的健康知识推荐系统还包括危险预警模块，危险预警模块用于接收实时监测数据并预测下一时刻的体温、心率、血压，超出设定的正常范围时通过前端交互模块发出预警。
人体穿戴监测设备实时监测体温、心率和血压，实时监测数据通过蓝牙无线传输到数据处理端即PC或者手机移动端，首先对实时监测数据进行清洗，值为空的用该属性三小时内的平均值进行补充，将处理好的数据通过训练好的神经网络预测下一时刻体温、心率和血压，当超出所设定的正常范围时则通过前端交互模块发出预警。
实施例3：
一种利用实施例2所述基于人体生理数据的健康知识推荐系统的运行方法，该方法的具体步骤如下：
步骤1，用户通过交互界面输入用户基本数据、生理数据，用户基本数据存储到个人基本信息库，生理数据存储到生理数据库，为数据预处理模块做准备。
步骤2，数据预处理模块读取用户基本数据、生理数据和历史判断结果，首先对缺失值、异常值以及重复记录进行处理，最后将连续变量归一化处理，离散数据向量化。
对于缺失值的处理，生理数据库中的缺失数据用相邻五条记录的均值补充，知识案例库中的缺失数据用此属性的最优值补充。
根据各生理属性的正常取值范围，对异常值进行筛选，生理数据库中的异常值用相邻五条记录的均值补充，知识案例库中的异常值用此属性的最优值补充。
针对重复记录，利用滑动窗口算法，若检测到连续五条记录的关键属性值是一致的，则删除其中四条保留其中一条。
连续变量归一化的方法为，将连续性属性的连续数据值带入归一化公式 y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin，其中xmax为每个属性连续数据的最大值，xmin为连续数据的最小值，ymax为数据归一化后的最大值，ymin为数据归一化后的最小值，ymin默认为-1，ymax默认为1，从而使得所有属性的连续数据值归一到-1到1之间；所述连续性属性包括年龄、体温、血压、血氧、最大心率、体重、身高。
针对离散性属性的数据向量化的方法为，利用one-hot编码方式，将离散特征的每一种取值都看成一种状态，若这一特征中有N个不同的取值，就将该特征抽象成N种不同的状态， N种状态种只有一种状态位值为1，其他状态位都为0；所述离散性属性包括性别、胸痛类型、糖尿病类型。
步骤3，将处理好的数据通过粒子群优化的BP神经网络训练分类模型，利用训练好的模型获得初步预测判断结果，再根据D-S证据论融合初步预测判断结果、历史判断结果得出用户健康判断结果，如图2所示。
神经网络由知识案例库中的大量案例数据训练得到，神经网络的输入数据包括一段时间内体温的加权平均值、心率的加权平均值、血压的加权平均值、个人基本信息库和生理数据库中的数据所组成的n维向量。
数据融合为，利用D-S证据论融合由神经网络预测模型得出的初步预测判断结果和历史判断结果，从而得到用户健康判断结果。
步骤4，根据得出的用户健康判断结果，将用户健康判断结果的类型与知识案例库中相同类型的案例做相似度对比，得出与用户最相似的三条记录，将这三条的健康知识作为用户的健康知识推荐供用户选择。如图3所示。
用于比较的相似度公式为其中A为用户a的生理数据组成的特征向量，B为用户b的生理数据组成的特征向量。
步骤5，在交互界面输出三条记录，用户选择最适合自己的知识推荐，并备注原因，以供其他用户的参考，此用户的生理数据和用户健康判断结果以及健康知识推荐作为新的记录存放在数据库模块的知识案例库。个人的生理数据会存放在个人基本信息库，推荐完成后行程新的案例后，会以案例的形式存放在知识案例库。
实施例4：
一种基于人体生理数据的健康知识推荐系统的运行方法，其步骤如实施例3所述，所不同的是，实时检测数据库采集到的实时检测数据经过数据预处理模块进行数据预处理后输入到神经网络预测模型，得到下一时刻的体温、血压以及心率值，对各属性数据分别设定上限阈值和下限阈值，若预测结果低于下限阈值或者超过上限阈值，则在前端交互模块的交互界面进行预警提醒，神经网络预测模型是由数据库模块中的大量数据训练得来。
实施例5：
一种基于人体生理数据的健康知识推荐系统的运行方法，其步骤如实施例4所述，所不同的是，对体温、心率、血压对的实时监测进行危险预警的方法为，每三小时将采集到的18 组数据输入神经网络预测模型，每组数据包括体温、心率和血压，对体温、心率和血压分别设定上限阈值和下限阈值，若预测结果低于下限阈值或者超过上限阈值，则在在前端交互模块的交互界面提醒。
以上实施例仅用于说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明进行了详细说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围内。
Claims (10)
1.一种基于人体生理数据的健康知识推荐系统，其特征在于，包括数据库模块、数据预处理模块、分类诊断模块、知识推荐模块、前端交互模块；
数据库模块，包括个人基本信息库、知识案例库、实时检测数据库；个人基本信息库用于存放用户基本数据、生理数据和历史判断结果，用户基本数据包括姓名、性别、年龄、特殊情况说明，生理数据包括血压、血氧、胸痛类型、最大心率、糖尿病类型、体温、身高、体重；知识案例库用于存放各个用户的知识推荐内容及推荐后的更新数据，实时检测数据库用于存放人体通过监测设备得到的实时监测数据，实时监测数据包括体温、心率、血压；
数据预处理模块，用于针对人体生理数据进行预处理、得到分类诊断模块所需要的数据；所述预处理包括数据清洗、属性相关性分析、数据离散化、数据归一化；
分类诊断模块，用于将数据预处理模块处理后的数据导入BP神经网络得到初步预测判断结果，再通过通过D-S证据论融合初步预测判断结果、历史判断结果得出用户健康判断结果，历史判断结果由数据库模块中的个人基本信息库提供；BP神经网络包括神经网络训练分类模型、神经网络预测模型，神经网络预测模型用于接收实时检测数据并预测下一时刻的数据，实时检测数据由实时检测数据库提供；
知识推荐模块，用于将分类诊断模块分类结束的用户通过基于用户的协同过滤算法与同一类别的其他用户做相似度匹配，将用户健康判断结果的类型与知识案例库中相同类型的案例做相似度对比，根据匹配度向分类诊断模块分类结束的用户推荐健康知识；
前端交互模块，用于显示交互界面，交互界面包括用户的数据输入、症状选择界面、危险预警界面，并在此界面获得判断结果和健康知识。
2.根据权利要求1所述的基于人体生理数据的健康知识推荐系统，其特征在于，基于人体生理数据的健康知识推荐系统还包括危险预警模块，危险预警模块用于接收实时监测数据并预测下一时刻的体温、心率、血压，超出设定的正常范围时通过前端交互模块发出预警。
3.一种利用权利要求2所述的基于人体生理数据的健康知识推荐系统的运行方法，该方法的具体步骤如下：
步骤1，用户通过交互界面输入用户基本数据、生理数据，用户基本数据存储到个人基本信息库，生理数据存储到生理数据库，为数据预处理模块做准备；
步骤2，数据预处理模块读取用户基本数据、生理数据和历史判断结果，首先对缺失值、异常值以及重复记录进行处理，最后将连续变量归一化处理，离散数据向量化；
步骤3，将处理好的数据通过粒子群优化的BP神经网络训练分类模型，利用训练好的模型获得初步预测判断结果，再根据D-S证据论融合初步预测判断结果、历史判断结果得出用户健康判断结果；
步骤4，根据得出的用户健康判断结果，将用户健康判断结果的类型与知识案例库中相同类型的案例做相似度对比，得出与用户最相似的三条记录，将这三条的健康知识作为用户的健康知识推荐供用户选择；
步骤5，在交互界面输出三条记录，用户选择最适合自己的知识推荐，并备注原因，以供其他用户的参考，此用户的生理数据和用户健康判断结果以及健康知识推荐作为新的记录存放在数据库模块的知识案例库。
4.根据权利要求3所述的基于人体生理数据的健康知识推荐系统的运行方法，其特征在于，实时检测数据库采集到的实时检测数据经过数据预处理模块进行数据预处理后输入到神经网络预测模型，得到下一时刻的体温、血压以及心率值，对各属性数据分别设定上限阈值和下限阈值，若预测结果低于下限阈值或者超过上限阈值，则在前端交互模块的交互界面进行预警提醒，神经网络预测模型是由数据库模块中的大量数据训练得来。
5.根据权利要求4所述的基于人体生理数据的健康知识推荐系统的运行方法，其特征在于，对体温、心率、血压对的实时监测进行危险预警的方法为，每三小时将采集到的18组数据输入神经网络预测模型，每组数据包括体温、心率和血压，对体温、心率和血压分别设定上限阈值和下限阈值，若预测结果低于下限阈值或者超过上限阈值，则在在前端交互模块的交互界面提醒。
6.根据权利要求3所述的基于人体生理数据的健康知识推荐系统的运行方法，其特征在于，所述步骤2中，对于缺失值的处理，生理数据库中的缺失数据用相邻五条记录的均值补充，知识案例库中的缺失数据用此属性的最优值补充；
根据各生理属性的正常取值范围，对异常值进行筛选，生理数据库中的异常值用相邻五条记录的均值补充，知识案例库中的异常值用此属性的最优值补充；
针对重复记录，利用滑动窗口算法，若检测到连续五条记录的关键属性值是一致的，则删除其中四条保留其中一条。
7.根据权利要求3所述的基于人体生理数据的健康知识推荐系统的运行方法，其特征在于，所述步骤2中，连续变量归一化的方法为，将连续性属性的连续数据值带入归一化公式y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin，其中xmax为每个属性连续数据的最大值，ymin为连续数据的最小值，ymax为数据归一化后的最大值，ymin为数据归一化后的最小值，ymin默认为-1，ymax默认为1，从而使得所有属性的连续数据值归一到-1到1之间；所述连续性属性包括年龄、体温、血压、血氧、最大心率、体重、身高。
8.根据权利要求3所述的基于人体生理数据的健康知识推荐系统的运行方法，其特征在于，所述步骤2中，针对离散性属性的数据向量化的方法为，利用one-hot编码方式，将离散特征的每一种取值都看成一种状态，若这一特征中有N个不同的取值，就将该特征抽象成N种不同的状态，N种状态种只有一种状态位值为1，其他状态位都为0；所述离散性属性包括性别、胸痛类型、糖尿病类型。
9.根据权利要求3所述的基于人体生理数据的健康知识推荐系统的运行方法，其特征在于，所述步骤3中，神经网络由知识案例库中的大量案例数据训练得到，神经网络的输入数据包括一段时间内体温的加权平均值、心率的加权平均值、血压的加权平均值、个人基本信息库和生理数据库中的数据所组成的n维向量；
所述步骤3中，数据融合为，利用D-S证据论融合由神经网络预测模型得出的初步预测判断结果和历史判断结果，从而得到用户健康判断结果。
10.根据权利要求3所述的基于人体生理数据的健康知识推荐系统的运行方法，其特征在于，所述步骤4中，用于比较的相似度公式为
其中A为用户a的生理数据组成的特征向量，B为用户b的生理数据组成的特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587783.0A CN110415821B (zh) | 2019-07-02 | 2019-07-02 | 一种基于人体生理数据的健康知识推荐系统及其运行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587783.0A CN110415821B (zh) | 2019-07-02 | 2019-07-02 | 一种基于人体生理数据的健康知识推荐系统及其运行方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110415821A true CN110415821A (zh) | 2019-11-05 |
| CN110415821B CN110415821B (zh) | 2023-02-24 |
Family
ID=68360008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910587783.0A Expired - Fee Related CN110415821B (zh) | 2019-07-02 | 2019-07-02 | 一种基于人体生理数据的健康知识推荐系统及其运行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415821B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111063173A (zh) * | 2019-12-23 | 2020-04-24 | 华能澜沧江水电股份有限公司 | 面向水电行业的分布式光字报警系统及方法 |
| CN112259235A (zh) * | 2020-11-04 | 2021-01-22 | 广州万孚健康科技有限公司 | 一种孕期健康预测方法、系统和可读存储介质 |
| CN113580160A (zh) * | 2021-08-05 | 2021-11-02 | 中南大学 | 一种基于大数据的家用智能护理机器人 |
| CN113643781A (zh) * | 2021-06-25 | 2021-11-12 | 合肥工业大学 | 基于时序预警信号的健康干预方案个性化推荐方法及系统 |
| CN116110584A (zh) * | 2023-02-23 | 2023-05-12 | 江苏万顶惠康健康科技服务有限公司 | 一种人体健康风险评估预警系统 |
| CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 西南医科大学附属医院 | 集成电子病历的内分泌病人个性化健康管理系统 |
| CN117637103A (zh) * | 2023-10-19 | 2024-03-01 | 郑州大学 | 一种衰弱老人居家运动健康康复方案的推荐系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799794A (zh) * | 2012-08-28 | 2012-11-28 | 史荣涛 | 生命体生理状况自助评估系统及其评估方法 |
| CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
| CN106472332A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于动态智能算法的宠物喂养方法及系统 |
| CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
| CN107705848A (zh) * | 2017-11-07 | 2018-02-16 | 杭州八脉科技有限公司 | 一种根据用户健康状况推荐调理方案的方法及系统 |
| CN108091396A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种心脏病智能预测和心脏保健信息推荐系统及其方法 |
| CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
| WO2019071201A1 (en) * | 2017-10-06 | 2019-04-11 | Alivecor, Inc. | CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE |
| CN109924965A (zh) * | 2018-10-12 | 2019-06-25 | 王平 | 一种心脑血管康复训练系统 |
-
2019
- 2019-07-02 CN CN201910587783.0A patent/CN110415821B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799794A (zh) * | 2012-08-28 | 2012-11-28 | 史荣涛 | 生命体生理状况自助评估系统及其评估方法 |
| CN103778312A (zh) * | 2012-10-24 | 2014-05-07 | 中兴通讯股份有限公司 | 远程家庭保健系统 |
| CN106472332A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于动态智能算法的宠物喂养方法及系统 |
| CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及系统 |
| WO2019071201A1 (en) * | 2017-10-06 | 2019-04-11 | Alivecor, Inc. | CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE |
| CN107705848A (zh) * | 2017-11-07 | 2018-02-16 | 杭州八脉科技有限公司 | 一种根据用户健康状况推荐调理方案的方法及系统 |
| CN108091396A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种心脏病智能预测和心脏保健信息推荐系统及其方法 |
| CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
| CN109924965A (zh) * | 2018-10-12 | 2019-06-25 | 王平 | 一种心脑血管康复训练系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111063173A (zh) * | 2019-12-23 | 2020-04-24 | 华能澜沧江水电股份有限公司 | 面向水电行业的分布式光字报警系统及方法 |
| CN111063173B (zh) * | 2019-12-23 | 2022-05-13 | 华能澜沧江水电股份有限公司 | 面向水电行业的分布式光字报警系统及方法 |
| CN112259235A (zh) * | 2020-11-04 | 2021-01-22 | 广州万孚健康科技有限公司 | 一种孕期健康预测方法、系统和可读存储介质 |
| CN112259235B (zh) * | 2020-11-04 | 2021-06-29 | 广州万孚健康科技有限公司 | 一种孕期健康预测方法、系统和可读存储介质 |
| CN113643781A (zh) * | 2021-06-25 | 2021-11-12 | 合肥工业大学 | 基于时序预警信号的健康干预方案个性化推荐方法及系统 |
| CN113643781B (zh) * | 2021-06-25 | 2023-07-04 | 合肥工业大学 | 基于时序预警信号的健康干预方案个性化推荐方法及系统 |
| CN113580160A (zh) * | 2021-08-05 | 2021-11-02 | 中南大学 | 一种基于大数据的家用智能护理机器人 |
| CN116110584A (zh) * | 2023-02-23 | 2023-05-12 | 江苏万顶惠康健康科技服务有限公司 | 一种人体健康风险评估预警系统 |
| CN116110584B (zh) * | 2023-02-23 | 2023-09-22 | 江苏万顶惠康健康科技服务有限公司 | 一种人体健康风险评估预警系统 |
| CN116246749A (zh) * | 2023-05-11 | 2023-06-09 | 西南医科大学附属医院 | 集成电子病历的内分泌病人个性化健康管理系统 |
| CN117637103A (zh) * | 2023-10-19 | 2024-03-01 | 郑州大学 | 一种衰弱老人居家运动健康康复方案的推荐系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110415821B (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415821A (zh) | 一种基于人体生理数据的健康知识推荐系统及其运行方法 | |
| CN104287706B (zh) | 一种人体健康状态实时监测及诊疗推荐系统 | |
| CN109119130A (zh) | 一种基于云计算的大数据健康管理系统及方法 | |
| CN109256212A (zh) | 骨健康评估模型构建方法、装置、设备、介质及评估方法 | |
| US20210225510A1 (en) | Human body health assessment method and system based on sleep big data | |
| Paraschiakos et al. | Activity recognition using wearable sensors for tracking the elderly | |
| CN109545328A (zh) | 一种基于大数据和人工智能的个体亚健康干预方法和系统 | |
| CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
| CN113241196A (zh) | 基于云-终端协同的远程医疗与分级监控系统 | |
| CN114496247A (zh) | 一种社区健康管理系统 | |
| CN110473631B (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
| CN115910346A (zh) | 一种糖尿病患者的监护预警系统及方法 | |
| Mallick et al. | A GRU neural network with attention mechanism for detection of risk situations on multimodal lifelog data | |
| CN117476217A (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
| CN117316451A (zh) | 基于多模态数据驱动的医疗风险评估与预警方法 | |
| CN117116482A (zh) | 基于多维度血糖趋势分析预警血糖疾病风险分析系统 | |
| KR102470148B1 (ko) | 멀티모달 센서 데이터를 이용하여 수면 관련행위 패턴을 분석하는 시스템, 컴퓨팅 디바이스 및 방법 | |
| Arora et al. | Deep‐SQA: A deep learning model using motor activity data for objective sleep quality assessment assisting digital wellness in healthcare 5.0 | |
| Mantri et al. | Real time multimodal depression analysis | |
| Zavyalova et al. | Designing a mobile recommender system for treatment adherence improvement among hypertensives | |
| CN113903470A (zh) | 一种血液透析后患者的生活智能提醒方法及系统 | |
| CN112309519A (zh) | 基于多模型的电子病历用药结构化处理系统 | |
| Dai | Evaluating the effect of different Mode's attributes on the subjective classification in the case of TCM | |
| CN117409984B (zh) | 一种糖尿病随访管理系统、装置、电子设备和存储介质 |
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: 20230224 |