CN111370090A - 匹配运动效果案例的方法和系统 - Google Patents

匹配运动效果案例的方法和系统 Download PDF

Info

Publication number
CN111370090A
CN111370090A CN202010145935.4A CN202010145935A CN111370090A CN 111370090 A CN111370090 A CN 111370090A CN 202010145935 A CN202010145935 A CN 202010145935A CN 111370090 A CN111370090 A CN 111370090A
Authority
CN
China
Prior art keywords
case
characteristic
disease
user
physiological
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
Application number
CN202010145935.4A
Other languages
English (en)
Other versions
CN111370090B (zh
Inventor
张永亮
叶骏
陈娟
高向阳
张世潮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dongliang Health Technology Co ltd
Original Assignee
Beijing Dongliang Health Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dongliang Health Technology Co ltd filed Critical Beijing Dongliang Health Technology Co ltd
Priority to CN202010145935.4A priority Critical patent/CN111370090B/zh
Publication of CN111370090A publication Critical patent/CN111370090A/zh
Application granted granted Critical
Publication of CN111370090B publication Critical patent/CN111370090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供一种匹配运动效果案例的方法，包括如下步骤：步骤1)：输入用户的疾病情况和生理指标；步骤2)：利用K近邻算法，在运动效果特征库群中找出与该用户的疾病情况最邻近的案例特征子群；步骤3)：利用K近邻算法，在最邻近的案例特征子群中找出与该用户的生理指标最邻近的案例；步骤4)：输出与该用户的生理指标最邻近的案例的运动效果案例；所述疾病情况包括高血压患病情况、糖尿病患病情况和体重情况；所述生理指标包括血压情况、血糖情况、心率情况和心肺耐力情况。采用本发明的方法，能够对运动效果案例精准推送，可以使患者直观清楚的认识到运动干预后的效果。

Description

匹配运动效果案例的方法和系统
技术领域
本发明涉及慢性病管理、运动康复领域，特别涉及一种匹配运动效果案例的方法。
背景技术
运动干预作为可以媲美药物治疗的一种治疗手段，可以有效改善心血管和呼吸功能，降低静息收缩压/舒张压，改善葡萄糖耐量，降低机体总脂肪，减少腹部脂肪等。目前运动干预技术主要采用闭环式管理，通过“院内生成运动处方-院外监测运动情况”的方式，能够有效改善病人的身体情况。但是目前运动干预技术存在如下问题：1)在院外监测过程中，病人的运动积极性不高，用户粘度有待加强；2)未能对已有的运动效果案例进行分类分析，实现对相似病人的运动效果预测。
背景技术部分的内容仅仅是发明人所知晓的技术，并不当然代表本领域的现有技术。
发明内容
针对现有技术存在问题中的一个或多个，本发明提供一种匹配运动效果案例的方法，包括如下步骤：
步骤1)：输入用户的疾病情况和生理指标；
步骤2)：利用K近邻算法，在运动效果特征库群中找出与该用户的疾病情况最邻近的案例特征子群；
步骤3)：利用K近邻算法，在最邻近的案例特征子群中找出与该用户的生理指标最邻近的案例；
步骤4)：输出与该用户的生理指标最邻近的案例的运动效果案例；
所述疾病情况包括高血压患病情况、糖尿病患病情况和体重情况；
所述生理指标包括血压情况、血糖情况、心率情况和心肺耐力情况。
更进一步，所述在运动效果特征库群中找出与该用户的疾病情况最邻近的案例特征子群的方法包括如下步骤：
步骤101：获取用户样本的疾病案例特征；
步骤102：计算该用户的疾病案例特征与运动效果特征库群中所有疾病分类的疾病案例特征的距离度量；
步骤103：将计算得到的距离度量从大到小进行排序；
步骤104：将距离度量最小的疾病案例特征所对应的案例聚类，得到最邻近的案例特征子群。
更进一步的，所述疾病案例特征包括高血压归一化特征、糖尿病归一化特征和体重归一化特征。
所述高血压归一化特征通过高血压患病情况经归一化处理得到，归一化处理的方法为：
Hypnor＝(Hyp-Hypmin)/(Hypmax-Hypmin)
其中，Hypnor表示高血压归一化特征，Hyp表示样本的高血压患病情况特征值，Hypmax表示特征群里高血压患病情况的最大值，Hypmin表示特征群里高血压患病情况的最小值。
所述高血压患病情况分为高血压1级、高血压2级、高血压3级、高血压前期和无高血压。
对于高血压患病情况，定义高血压1级＝1、高血压2级＝2、高血压3级＝3、高血压前期＝0.5、无高血压＝0。
所述糖尿病归一化特征通过糖尿病患病情况经归一化处理得到，归一化处理的方法为：
Diebnor＝(Dieb-Diebmin)/(Diebmax-Diebmin)
其中，Diebnor表示糖尿病归一化特征，Dieb表示该样本的糖尿病患病情况，Diebmax表示特征群里糖尿病情况的最大值，Diebmin表示特征群里糖尿病情况的最小值。
所述糖尿病患病情况分为糖尿病前期、糖尿病和无糖尿病。
对于糖尿病情况，定义糖尿病前期＝1、糖尿病＝2、无糖尿病＝0。
所述体重归一化特征通过体重情况经归一化处理得到，归一化处理的方法为：
Weignor＝(Weig-Weigmin)/(Weigmax-Weigmin)
其中，Weignor表示体重归一化特征，Weig表示该样本的体重情况，Weigmax表示特征群里体重情况的最大值，Weigmin表示特征群里体重情况的最小值。
所述体重情况分为体重偏轻、正常体重、超重和肥胖。
对于体重情况，定义体重偏轻＝0、正常体重＝1、超重＝2、肥胖＝3。
更进一步的，所述距离度量的计算公式为：
Figure BDA0002400720530000031
其中，i表示用户样本，j表示运动效果特征库群中的样本，Dis1表示疾病案例特征的距离度量，Hypnor表示高血压归一化特征，Diebnor表示糖尿病归一化特征Weignor表示体重归一化特征。
更进一步的，步骤3)中，在最邻近的案例特征子群中找出与该用户的生理指标最邻近的案例的方法包括如下步骤：
步骤201：根据用户的生理指标，获取用户样本的生理指标特征参数；
步骤202：计算该用户的生理指标特征与最邻近的案例特征子群中所有样本的生理指标特征的距离度量；
步骤203：选择最小的距离度量的生理指标特征所对应的的案例作为最邻近的案例。
进一步的，所述生理指标特征参数包括血压归一化特征、血糖归一化特征、心率归一化特征和心肺耐力归一化特征。
所述血压归一化特征通过血压情况经归一化处理得到，该归一化处理的方法为：
SBPnor＝(SBP-SBPmin)/(SBPmax-SBPmin)
其中，SBPnor表示肱动脉收缩压归一化特征，SBP表示该样本的肱动脉收缩压，SBPmin表示在特征库群里肱动脉收缩压的最小值，SBPmax表示在特征库群里肱动脉收缩压的最大值。
DBPnor＝(DBP-DBPmin)/(DBPmax-DBPmin)
其中，DBPnor表示肱动脉舒张压归一化特征，DBP表示该样本的肱动脉舒张压，DBPmin表示在特征库群里肱动脉舒张压的最小值，DBPmax表示在特征库群里肱动脉舒张压的最大值。
所述血糖归一化特征通过血糖情况经归一化处理得到，该归一化处理的方法为：
GLUnor＝(GLU-GLUmin)/(GLUmax-GLUmin)
其中，GLUnor表示归一化处理后的血糖参数，GLU表示该样本的血糖值，GLUmax表示在特征库群里血糖的最大值，GLUmin表示在特征库群里血糖的最小值。
所述心率归一化特征通过心率情况经归一化处理得到，该归一化处理的方法为：
HRnor＝(HR-HRmin)/(HRmax-HRmin)
其中，HRnor表示心率归一化特征，HR表示该样本的心率情况，HRmax表示在特征库群里心率情况的最大值，HRmin表示在特征库群里心率情况的最小值。
心肺耐力情况指的是样本的最大代谢当量，所述心肺耐力归一化特征通过最大代谢当量经归一化处理得到，该归一化处理的方法为：
METnor＝(MET-METmin)/(METmax-METmin)
其中，METnor表示心肺耐力归一化特征，MET表示该样本的最大代谢当量，METmax表示在特征库群里最大代谢当量的最大值，METmin表示在特征库群里最大代谢当量的最小值。
更进一步的，的生理指标特征的距离度量的计算公式为：
Figure BDA0002400720530000041
其中，i表示用户样本，j表示最邻近的案例特征子群中的样本，Dis2表示生理指标特征的距离度量，SBPnor表示肱动脉收缩压归一化特征，DBPnor表示肱动脉舒张压归一化特征，HRnor表示心率归一化特征，GLUnor表示血糖归一化特征，METnor表示心肺耐力归一化特征。
进一步的，步骤4)中，所述运动效果案例的内容包括：用户运动效果，所述用户运动效果包括：干预周期内的血糖变化情况、干预周期内的血压变化情况、干预周期内的体重变化情况、干预周期内的心肺耐力变化情况。
本发明还提供一种匹配运动效果案例的系统，包括：输入模块、参数提取模块、存储模块和特征匹配模块；
输入模块与参数提取模块连接，用以采集用户的疾病情况和生理指标数据，并将疾病情况和生理指标数据传输给参数提取模块；
参数提取模块与输入模块、特征匹配模块连接，用以计算疾病情况和生理指标的特征参数，并将疾病情况和生理指标的特征参数传输给特征匹配模块；
特征匹配模块与参数模块、存储模块连接，用以找到存储模块中和参数提取模块的特征参数最接近的生理指标案例，并输出该生理指标案例对应的运动效果；
存储模块与特征匹配模块连接，用以存储不同疾病和生理指标对应的运动效果特征。
更进一步的，所述特征匹配包括疾病类型筛选单元和生理指标筛选单元；
所述疾病类型筛选单元与参数提取模块、存储模块和生理指标筛选单元连接，用以找到存储模块中和参数提取模块的疾病情况的特征参数最接近的案例群；
所述生理指标筛选单元与参数提取模块、疾病类型筛选单元连接，用以找到案例群中和参数提取模块的生理指标的特征参与最接近的生理指标案例，并输出与该生理指标案例所对应的运动效果。
本发明的有益效果是：
1、本发明结合用户的疾病情况(高血压患病情况、糖尿病患病情况和体重情况)和生理指标情况(血糖、血压、心率和心肺耐力)，在运动效果特征库群中搜索与当前用户最接近的案例群集，然后在案例群集中搜索与该用户最接近的运动效果案例，实现对用户运动效果案例的精准推送。
2、本发明通过对运动效果案例的精准推送，让用户能够对自己经过运动干预后的效果有个直观清楚的认识，增强了用户的运动粘度和信心。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是实施例1的方法流程图；
图2是实施例1的步骤2)利用K近邻算法实现流程图；
图3是实施例1的运动效果特征库群的结构示意图；
图4是实施例1的步骤3)利用K近邻算法实现流程图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例示出了一种匹配运动效果案例的方法，如图1所示，包括如下步骤：
步骤1)：输入用户的基本信息、疾病情况和生理指标。
疾病情况包括高血压患病情况、糖尿病患病情况和体重情况，生理指标包括血压情况、血糖情况、心率情况和心肺耐力情况。高血压患病情况分为高血压1级、高血压2级、高血压3级、高血压前期和无高血压，糖尿病患病情况分为糖尿病前期、糖尿病和无糖尿病，体重情况分为体重偏轻、正常体重、超重和肥胖。
步骤2)：根据患病情况，利用K近邻算法，在运动效果特征库群中找出与该用户的疾病情况最邻近的案例特征子群，如图2所示，包括如下步骤：
步骤101：对高血压患病情况、糖尿病患病情况和体重情况进行归一化，获取用户的高血压归一化特征、糖尿病归一化特征和体重归一化特征。
对高血压患病情况进行数值定义，高血压1级定义数值为1，高血压2级定义数值为2，高血压3级定义数值为3，高血压前期定义数值为0.5，无高血压定义数值为0。对高血压患病情况进行归一化，归一化公式如下：
Hypnor＝(Hyp-Hypmin)/(Hypmax-Hypmin)
其中，Hypnor表示高血压归一化特征，Hyp表示样本的高血压患病情况，Hypmax表示特征群里高血压患病情况的最大值，Hypmin表示特征群里高血压患病情况的最小值。
对糖尿病患病情况进行数值定义，糖尿病前期定义为1，糖尿病定义为2，未患糖尿病定义为0。对糖尿病患病情况进行归一化，归一化公式如下：
Diebnor＝(Dieb-Diebmin)/(Diebmax-Diebmin)
其中，Diebnor表示糖尿病归一化特征，Dieb表示该样本的糖尿病患病情况，Diebmax表示特征群里糖尿病患病情况的最大值，Diebmin表示特征群里糖尿病患病情况的最小值。
根据用户的身高、体重，计算用户的体质量指数，通过体质量指数评估用户的体重情况。体质量指数＜18.5定义为体重偏轻，其数值为0；18.5≤体质量指数＜24定义为正常体重，其数值为1；24≤体质量指数＜28定义为超重，其数值为2；体质量指数≥28定义为肥胖，其数值为3。对体重情况进行归一化，归一化公式如下：
Weignor＝(Weig-Weigmin)/(Weigmax-Weigmin)
其中，Weignor表示体重归一化特征，Weig表示该样本的体重情况，Weigmax表示特征群里体重情况的最大值，Weigmin表示特征群里体重情况的最小值。
集合用户的归一化情况，定义用户的疾病情况的特征向量为(Hypnor，Diebnor，Weignor)。
步骤102：通过两点距离公式，计算运动效果特征库群的案例特征与该用户特征向量(Hypnor，Diebnor，Weignor)的距离，计算公式为：
Figure BDA0002400720530000071
其中，i表示用户样本，j表示运动效果特征库群中的样本，Dis1表示疾病案例特征的距离度量，Hypnor表示高血压归一化特征，Diebnor表示归一化特征，Weignor表示归一化特征。
步骤103：将计算得到的距离从大到小进行排序，如图3所示，根据距离的大小，案例特征子群自动聚类，数量不固定；
步骤104：选出距离最小的疾病群，即为最邻近的案例特征子群。
步骤3)：根据生理指标情况，利用K近邻算法，在最邻近的案例特征子群中找出与该用户的生理指标最邻近的案例，如图4所示，包括如下步骤：
步骤201：对血糖情况、血压情况、心率情况和心肺耐力情况进行归一化，获取用户的血糖归一化特征、血压归一化特征、心率归一化特征和心肺耐力归一化特征。
对血压情况进行归一化，归一化公式如下：
SBPnor＝(SBP-SBPmin)/(SBPmax-SBPmin)
其中，SBPnor表示肱动脉收缩压的归一化特征，SBP表示该样本的肱动脉收缩压，SBPmin表示在特征库群里肱动脉收缩压的最小值，SBPmax表示在特征库群里肱动脉收缩压的最大值。
DBPnor＝(DBP-DBPmin)/(DBPmax-DBPmin)
其中，DBPnor表示肱动脉舒张压的归一化特征，DBP表示该样本的肱动脉舒张压，DBPmin表示在特征库群里肱动脉舒张压的最小值，DBPmax表示在特征库群里肱动脉舒张压的最大值。
对血糖情况进行归一化，归一化公式如下：
GLUnor＝(GLU-GLUmin)/(GLUmax-GLUmin)
其中，GLUnor表示血糖归一化特征，GLU表示该样本的血糖情况，GLUmax表示在特征库群里血糖情况的最大值，GLUmin表示在特征库群里血糖情况的最小值。
对心率情况进行归一化，归一化公式如下：
HRnor＝(HR-HRmin)/(HRmax-HRmin)
其中，HRnor表示心率归一化特征，HR表示该样本的心率值，HRmax表示在特征库群里心率情况的最大值，HRmin表示在特征库群里心率情况的最小值。
对心肺耐力情况进行归一化，归一化公式如下：
METnor＝(MET-METmin)/(METmax-METmin)
其中，METnor表示心肺耐力归一化特征，MET表示该样本的最大代谢当量，METmax表示在特征库群里最大代谢当量的最大值，METmin表示在特征库群里最大代谢当量的最小值。
集合用户的归一化情况，定义用户的生理指标的特征向量为(GLUnor，SBPnor，DBPnor，METnor，HRnor)。
步骤202：通过两点距离公式，计算最邻近的案例子群中案例特征与该用户生理指标特征向量(GLUnor，SBPnor，DBPnor，METnor，HRnor)的距离，计算公式为：
Figure BDA0002400720530000091
其中，i表示用户样本，j表示最邻近的案例特征子群中的样本，Dis2表示生理指标特征的距离度量，SBPnor表示肱动脉收缩压归一化特征，DBPnor表示肱动脉舒张压归一化特征，HRnor表示心率归一化特征，GLUnor表示血糖归一化特征，METnor表示心肺耐力归一化特征。
步骤203：选择最小的距离度量的生理指标特征所对应的案例作为最邻近的案例，该案例的数目为1。
步骤4)：输出与该用户的生理指标最邻近的案例的运动效果案例，该运动效果包括：干预周期内的血糖变化情况、干预周期内的血压变化情况、干预周期内的体重变化情况、干预周期内的心肺耐力变化情况。
实施例2：
本实施例示出了一种匹配运动效果案例的系统，包括：输入模块、参数提取模块、存储模块和特征匹配模块，特征匹配模块包括疾病类型筛选单元和生理指标筛选单元；
输入模块与参数提取模块连接，参数提取模块和输入模块、疾病类型筛选单元和生理指标筛选单元连接，疾病类型筛选单元与参数提取模块、存储模块和生理指标筛选单元连接，生理指标筛选单元与参数提取模块、疾病类型筛选单元连接。
输入模块采集用户的疾病情况和生理指标数据，将数据传输给参数提取模块。
参数提取模块接收到数据后提取数据的特征参数，并将疾病情况特征参数传输给疾病类型筛选单元，将生理指标特征参数传输给生理指标筛选单元。
疾病类型筛选单元收到疾病情况特征参数后，将其与存储模块中的案例进行匹配，筛选出与该疾病情况最接近的案例群，并将案例群的数据发送给生理指标筛选单元。
生理指标筛选单元将收到的生理指标特征参数与案例群中的生理指标特征进行比对，找到最接近的生理指标案例，并输出该生理指标案例对应的运动效果。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种匹配运动效果案例的方法，其特征在于，包括如下步骤：
步骤1)：输入用户的疾病情况和生理指标；
步骤2)：利用K近邻算法，在运动效果特征库群中找出与该用户的疾病情况最邻近的案例特征子群；
步骤3)：利用K近邻算法，在最邻近的案例特征子群中找出与该用户的生理指标最邻近的案例；
步骤4)：输出与该用户的生理指标最邻近的案例的运动效果案例；
所述疾病情况包括高血压患病情况、糖尿病患病情况和体重情况；
所述生理指标包括血压情况、血糖情况、心率情况和心肺耐力情况。
2.根据权利要求1所述的匹配运动效果案例的方法，其特征在于，步骤2)中，在运动效果特征库群中找出与该用户的疾病案例特征最邻近的案例特征子群的方法包括如下步骤：
步骤101：根据疾病情况，获取用户样本的疾病案例特征；
步骤102：计算该用户的疾病案例特征与运动效果特征库群中所有疾病分类的疾病案例特征的距离度量；
步骤103：将计算得到的距离度量从大到小进行排序；
步骤104：将距离度量最小的疾病案例特征所对应的案例聚类，得到最邻近的案例特征子群。
3.根据权利要求2所述的匹配运动效果案例的方法，其特征在于，所述疾病案例特征包括高血压归一化特征、糖尿病归一化特征和体重归一化特征。
4.根据权利要求2所述的匹配运动效果案例的方法，其特征在于，所述距离度量的计算公式为：
Figure FDA0002400720520000011
其中，i表示用户样本，j表示运动效果特征库群中的样本，Dis1表示疾病案例特征的距离度量，Hypnor表示高血压归一化特征，Diebnor表示糖尿归一化特征，Weignor表示归一化特征。
5.根据权利要求1所述的匹配运动效果案例的方法，其特征在于，步骤3)中，在最邻近的案例特征子群中找出与该用户的生理指标最邻近的案例的方法包括如下步骤：
步骤201：根据生理指标，获取用户样本的生理指标特征；
步骤202：计算该用户的生理指标特征与最邻近的案例特征子群中所有样本的生理指标特征的距离度量；
步骤203：选择最小的距离度量的生理指标特征所对应的案例作为最邻近的案例。
6.根据权利要求5所述的匹配运动效果案例的方法，其特征在于，所述生理指标特征参数包括血压归一化特征、血糖归一化特征、心率归一化特征和心肺耐力归一化特征。
7.根据权利要求5所述的匹配运动效果案例的方法，其特征在于，所述距离度量的计算公式为：
Figure FDA0002400720520000021
其中，其中，i表示用户样本，j表示最邻近的案例特征子群中的样本，Dis2表示生理指标特征的距离度量，SBPnor表示肱动脉收缩压归一化特征，DBPnor表示肱动脉舒张压归一化特征，HRnor表示心率归一化特征，GLUnor表示血糖归一化特征，METnor表示心肺耐力归一化特征。
8.一种匹配运动效果案例的系统，其特征在于，包括：输入模块、参数提取模块、存储模块和特征匹配模块；
输入模块与参数提取模块连接，用以采集用户的疾病情况和生理指标数据并将疾病情况和生理指标数据传输给参数提取模块；
参数提取模块与输入模块、特征匹配模块连接，用以计算疾病情况和生理指标的特征参数，并将疾病情况和生理指标的特征参数传输给特征匹配模块；
特征匹配模块与参数提取模块、存储模块连接，用以找到存储模块中和参数提取模块的特征参数最接近的生理指标案例，并输出该生理指标案例对应的运动效果；
存储模块与特征匹配模块连接，用以存储不同疾病和生理指标对应的运动效果特征。
9.根据权利要求8所述的匹配运动效果案例的系统，其特征在于，所述特征匹配模块包括疾病类型筛选单元和生理指标筛选单元；
所述疾病类型筛选单元与参数提取模块、存储模块和生理指标筛选单元连接，用以找到存储模块中和参数提取模块的疾病情况的特征参数最接近案例群；
所述生理指标筛选单元与参数提取模块、疾病类型筛选单元连接，用以找到案例群中和参数提取模块的生理指标的特征参数最接近的生理指标案例，并输出与该生理指标案例所对应的运动效果。
CN202010145935.4A 2020-03-05 2020-03-05 匹配运动效果案例的方法和系统 Active CN111370090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010145935.4A CN111370090B (zh) 2020-03-05 2020-03-05 匹配运动效果案例的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010145935.4A CN111370090B (zh) 2020-03-05 2020-03-05 匹配运动效果案例的方法和系统

Publications (2)

Publication Number Publication Date
CN111370090A true CN111370090A (zh) 2020-07-03
CN111370090B CN111370090B (zh) 2021-11-09

Family

ID=71206477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010145935.4A Active CN111370090B (zh) 2020-03-05 2020-03-05 匹配运动效果案例的方法和系统

Country Status (1)

Country Link
CN (1) CN111370090B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1918837A1 (en) * 2006-10-31 2008-05-07 F. Hoffmann-La Roche AG Method for processing a chronological sequence of measurements of a time dependent parameter
CN103384495A (zh) * 2010-12-22 2013-11-06 霍夫曼-拉罗奇有限公司 生理测量数据中已知模式的自动识别
CN104484575A (zh) * 2014-12-30 2015-04-01 天津迈沃医药技术有限公司 基于主成分分析的健康个性化改善方法
US20160110513A1 (en) * 2014-10-16 2016-04-21 National Yang-Ming University Personalize exercise decision-making device and manipulating method for patients with chronic diseases
CN106096275A (zh) * 2016-06-08 2016-11-09 中国科学院合肥物质科学研究院 一种以运动干预为核心的慢病管理系统
CN109308940A (zh) * 2018-11-08 2019-02-05 南京宁康中科医疗技术有限公司 心肺运动评估和运动训练一体化系统
CN110322947A (zh) * 2019-06-14 2019-10-11 电子科技大学 一种基于深度学习的高血压老年人运动处方推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1918837A1 (en) * 2006-10-31 2008-05-07 F. Hoffmann-La Roche AG Method for processing a chronological sequence of measurements of a time dependent parameter
CN103384495A (zh) * 2010-12-22 2013-11-06 霍夫曼-拉罗奇有限公司 生理测量数据中已知模式的自动识别
US20160110513A1 (en) * 2014-10-16 2016-04-21 National Yang-Ming University Personalize exercise decision-making device and manipulating method for patients with chronic diseases
CN104484575A (zh) * 2014-12-30 2015-04-01 天津迈沃医药技术有限公司 基于主成分分析的健康个性化改善方法
CN106096275A (zh) * 2016-06-08 2016-11-09 中国科学院合肥物质科学研究院 一种以运动干预为核心的慢病管理系统
CN109308940A (zh) * 2018-11-08 2019-02-05 南京宁康中科医疗技术有限公司 心肺运动评估和运动训练一体化系统
CN110322947A (zh) * 2019-06-14 2019-10-11 电子科技大学 一种基于深度学习的高血压老年人运动处方推荐方法

Also Published As

Publication number Publication date
CN111370090B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN110322947B (zh) 一种基于深度学习的高血压老年人运动处方推荐方法
Rodriguez-León et al. Mobile and wearable technology for the monitoring of diabetes-related parameters: Systematic review
US10950335B2 (en) Health tracking device
Wang et al. Photoplethysmography-based blood pressure estimation combining filter-wrapper collaborated feature selection with LASSO-LSTM model
EP2638489A1 (en) Method of continuous prediction of patient severity of illness, mortality, and length of stay
US20170329918A1 (en) Internet of things based monitoring and assessment platform
WO2021158796A1 (en) Forecasting and explaining user health metrics
US20210321883A1 (en) Modular ambulatory health status and performance tracking system
US20210393210A1 (en) Methods and systems for adaptable presentation of sensor data
TW201933159A (zh) 非侵入式估測hba1c與血糖值之系統與方法
Alvarez-Garcia et al. A survey on energy expenditure estimation using wearable devices
CN108697363B (zh) 用于检测心脏变时功能不全的装置和方法
US10674967B2 (en) Estimating body composition on a mobile device
CN111370090B (zh) 匹配运动效果案例的方法和系统
WO2022147267A1 (en) Multiparameter noninvasive sepsis monitor
WO2023111669A1 (zh) 一种运动推荐方法、装置、系统及计算机可读存储介质
EP4031003A1 (en) System and method for determining sleep stages based on non-cardiac body signals
US20220199244A1 (en) Method for predicting maximal oxygen uptake in wearable devices
Madhuri et al. Novel Internet of Things Based Disease Diagnosis Framework for Smart Healthcare Schemes using Combined Optimized Artificial Intelligence Approach
CN113066547A (zh) 一种基于常规无创参数的ards早期动态预警方法与系统
Abed et al. Sleep Apnea Events Detection Using Deep Learning Techniques
CN111180085A (zh) 医疗数据的处理方法、装置、存储介质及计算机设备
Slyusarenko et al. Sleep stages classifier with eliminated apnea impact
WO2023053176A1 (ja) 学習装置、行動推薦装置、学習方法、行動推薦方法及び記憶媒体
Yue et al. Validity study of a multiscaled fusion network using single-lead electrocardiogram signals for obstructive sleep apnea diagnosis

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