CN111640507A - 一种人体健康状态的量子预测方案 - Google Patents

一种人体健康状态的量子预测方案 Download PDF

Info

Publication number
CN111640507A
CN111640507A CN202010509886.8A CN202010509886A CN111640507A CN 111640507 A CN111640507 A CN 111640507A CN 202010509886 A CN202010509886 A CN 202010509886A CN 111640507 A CN111640507 A CN 111640507A
Authority
CN
China
Prior art keywords
data
dimensional linear
human health
correlation data
quantum
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
CN202010509886.8A
Other languages
English (en)
Other versions
CN111640507B (zh
Inventor
张盛
章越新
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010509886.8A priority Critical patent/CN111640507B/zh
Publication of CN111640507A publication Critical patent/CN111640507A/zh
Application granted granted Critical
Publication of CN111640507B publication Critical patent/CN111640507B/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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提出了一种人体健康状态的量子预测方案，该方案的特征包括：通过收集强相关数据和弱相关数据，对强相关数据和弱相关数据进行求导操作，建立强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，进而求解一维线性谐振子量子态的本征波函数；对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，并求出各分段区间内波函数概率密度函数的积分值，得到一维线性谐振子处在各分段区间的概率，从而实现对某一时间范围内人体健康状态的量化预测。

Description

一种人体健康状态的量子预测方案
技术领域
本发明属于人体健康状态预测领域，具体涉及一种基于量子力学原理的人体健康状态预测方案。
背景技术
随着现代医疗技术的不断发展，人类对多种疾病的治疗效果已经达到了前所未有的水平。但另一方面，却缺乏有效的疾病预测手段，即大多情况下只能做到“治已病”，对潜在患病对象的情况掌握不够清晰准确，无法较好地实现“治未病”这一目标。为此，医学界在疾病预测领域开展了大量的研究，并建立了一些疾病风险预测工具，例如，临床上关于心血管疾病就有诸如Framingham、QRISK、PROCAM、ASSIGN等评分标准。此外，Logistic回归模型也是一种常见的预测疾病的基础数学模型，即通过了解自变量X来估计医生所关心的疾病发生概率P的大小。但是，潜在的预测变量筛选往往基于专业判断和既往文献研究，且疾病的复杂性和动态性使得简单的数学预测模型存在一定的误差率，对预测未来疾病发展情况的参考价值有限。
近几年来，随着信息技术的迅猛发展，尤其是以人工智能为代表的计算机科学在疾病预测研究领域已经产生了重要的成果，基于以神经网络为核心的深度学习使得计算机模型对疾病预测水平有了显著提升。例如，利用卷积神经网络(CNN)模型能够快速学习并提取在一个时间周期内各类器官病变和人体状态病变的图像特征，使得计算机对某一类特定疾病的识别水平显著提升，帮助人类揭示了一些疾病的发病特征和潜在表现。同时，基于大数据和云计算，计算机能够大幅提升对海量病例的分析处理速度并进行疾病建模，从而提升疾病预测的成功概率。
虽然人工智能技术大大提升了对某些疾病的预测水平，但其弊端也十分明显：一是大多只能对单一种类疾病进行预测。众所周知，疾病之间是存在复杂关联的，一些疾病会引起并发症。以高血压为例，人工智能通过提取识别高血压患者的特征，推导出该患者存在心脑血管疾病的概率，但高血压除了会诱发心脑血管疾病外，还会引发其他脏器的病变，且病变情况因人而异，故人工智能技术较难实现多种并发疾病的预测；此外，现有基于人工智能的疾病预测方案虽然可以对多种疾病进行预测，但是其对算力要求较高，且预测精度难以达到预期。二是对特定疾病的预测能力不强。由于人工智能主要应用场景为图像识别，对于一些表征明显的疾病，人工智能技术能够较快地准确提取表征并进行预测，但对于一些表征不明显的疾病，如痛风等，计算机无法通过图像识别进行病症判断；另一方面，痛风的症状和风湿性关节炎、滑囊炎等相似，若通过简单地分析病例数据进行判断，则会降低预测准确度，需要后期的人工诊断干预。三是人工智能算法需要耗费大量的算力，换句话说，需要高容量存储设备和高性能人工智能专用芯片支撑，因而成本较高，难以广泛应用于移动智能终端、可穿戴健康设备等小型、微型电子产品中，且由于人工智能算法需要访问大量医疗专家数据库系统和知识图谱，其数据平台兼容性不强，运行成本高昂。
基于上述缺陷，如果能够实现疾病预测向低成本、小型化、智能化、实时化、精确化等方向同时发展，就能够大大提高疾病预测技术的应用范围，不仅为医疗机构、科研团队和患者带来极大帮助，且具有广阔的商业应用前景。
发明内容
本发明的目的在于为解决现有疾病预测方案的缺陷而提出的一种基于量子力学原理的人体健康状态预测方案，为医疗机构、科研团队及患者等群体和个人提供科学有效的健康状态量化预测。
为了达到以上目的，本发明提出了一种基于量子力学原理的人体健康状态预测方案，包括以下步骤：
步骤1：通过收集强相关数据和弱相关数据，对强相关数据和弱相关数据进行求导操作，建立强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系；
步骤2：通过确定强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，求解一维线性谐振子波函数参数，进而求解一维线性谐振子量子态的本征波函数；
步骤3：对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，并求出各分段区间内的波函数概率密度函数积分值，得到一维线性谐振子处在各分段区间的概率，从而实现对某一时间范围内的人体健康状态的量化预测。
在本发明的一个实例中，其中，所述步骤1中收集强相关数据和弱相关数据，强相关数据是指与人体健康状态具有直接关联的数据，包括但不限于心率、血压、血糖、血氧等健康指标数据；弱相关数据是指与人体健康状态具有间接关联的数据，其对健康的影响会间接反应到人体健康指标上，如环境数据、饮食习惯、作息习惯、运动数据等。在本发明的一个实例中，其中，所述步骤1中收集强相关数据和弱相关数据，其收集及获取方式包括传感器、历史数据记录、移动终端记录、专业机构公布等。
在本发明的一个实例中，其中，所述步骤1中对强相关数据和弱相关数据进行求导操作，求导操作包括但不限于对强相关数据和弱相关数据的一阶求导、二阶求导或多阶求导，以及上述数据的各阶导数构成的线性、非线性组合、数学方程等。
在本发明的一个实例中，其中，所述步骤1中对强相关数据和弱相关数据进行求导操作，强相关数据和弱相关数据的求导在数学理论中是对时间进行连续求导，在实际情况中，可以将不同时间间隔内的强相关数据和弱相关数据的差值作为近似连续求导值。
在本发明的一个实例中，其中，所述将不同时间间隔内的强相关数据和弱相关数据的差值作为近似连续求导值，时间间隔可以任意选取，包括但不限于每秒、每分钟、每小时、每日、每周、每月、每季度、每年等。
在本发明的一个实例中，其中，所述步骤2中通过确定强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，可以求出波函数参数，波函数参数包括能量本征值、能量本征态能级、一维线性谐振子谐振频率、一维线性谐振子谐振系数等。
在本发明的一个实例中，其中，所述步骤3中对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，其位置坐标轴进行分段按照降序或者升序的原则，对一维线性谐振子波函数进行量化细分，细分层次根据实际需要分析的疾病种类来确定，细分间距形式包括但不限于等距划分、等差划分、等比划分、正态分布划分等。
在本发明的一个实例中，其中，所述对位置坐标轴进行分段按照降序或者升序的原则，对一维线性谐振子波函数进行量化细分，量化细分区间的含义包括但不限于人体健康水平、身体体质、抵御不同程度疾病水平等。以平面二维直角坐标系(x-y)为例，x轴被划分为若干区间，其中：按照降序原则，(0,1)区间表示人体健康水平“最高”或者身体体质“最好”状态，相应地，(4,5)区间表示人体健康水平“最低”或者身体体质“最差”状态；按照升序原则，(0,1)区间表示人体“患病”程度最轻，相应地，(4,5)区间表示人体“患病”程度最重。
在本发明的一个实例中，其中，所述步骤3中对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，利用量子力学中量子态波函数概率密度函数等于波函数与其自身共轭相乘的绝对值这一公式，对任意分段区间内的波函数概率值进行计算，从而求得波函数处于各个区间的概率，进而直观体现人体健康状态的量化分布情况。
在本发明的一个实例中，其中，所述步骤3中实现对某一时间范围内的人体健康状态的量化预测，时间范围包括历史某一时间范围数据，当前时刻和历史某一时刻之间的时间范围，当前时刻和未来某一时刻之间的时间范围，以及未来某一时间范围。
相对于现有技术，本发明提出了一种全新的基于量子力学原理的人体健康状态预测方案，通过采集强相关数据和弱相关数据，采用近似连续求导的方法，建立强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，求出一维线性谐振子量子态波函数参数；根据确定的波函数参数，利用定态薛定谔方程，求出一维线性谐振子量子态波函数；通过对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，并求出各分段区间内的波函数概率密度函数的积分值，得到一维线性谐振子处在各分段区间的概率，最终实现对某一时间范围内的人体健康状态的量化预测。
另一方面，相对于现有技术，本发明提出的一种全新的基于量子力学原理的人体健康状态预测方案，对强相关数据和弱相关数据的求导操作包括对强相关数据和弱相关数据的一阶求导、二阶求导或多阶求导，或各阶求导方式之间的线性组合、者非线性组合、数学方程等，这样可以模拟复杂疾病发展模型和多种内外因诱发疾病的模型，相较于当前大部分疾病预测模型只能对单一疾病预测而言，该方案能够在理论上实现对多种疾病的预测。
此外，相对于现有技术，本发明提出的一种全新的基于量子力学原理的人体健康状态预测方案采用求导的方式，减少对大数据和算法训练的依靠，只需要对实时数据进行求导分析，就能够推算出预测结果，大大减少时间计算复杂度和空间计算复杂度，能够广泛应用于小型、微型化电子设备，如移动智能终端、可穿戴设备等，扩展了该方案的实际应用场景，能够降低企业和用户获取健康预测数据的成本，较人工智能算法而言，未来更具发展前景。
附图说明
图1为本发明提供的一种人体健康状态的量子预测方案的一个实例原理说明图。
图2为本发明提供的一个实例中广州市2018年1月份每日气温差值绝对值折线图。
图3本发明提供的一个实例中在温度差、心率差相同情况下计算结果为“异常”状态的概率(Hin＝65)
图4本发明提供的一个实例中在温度差、心率差相同情况下计算结果为“异常”状态的概率(Hin＝70)
图5本发明提供的一个实例中在温度差、心率差相同情况下计算结果为“异常”状态的概率(Hin＝75)
图6本发明提供的一个实例中在温度差、心率差相同情况下计算结果为“异常”状态的概率(Hin＝80)
具体实施方式
以下描述用于解释本发明提出之方案以便于本领域专业人士能够实现本发明得到的结果。以下描述中的案例只是作为一种举例，本领域专业人士可以根据此方案选取不同的数据类型进行求导操作得到其他预测模型。在以下之描述中所涉及的本发明的基本原理可以应用于其他实施方案和改进方案等包含本发明原理和思想的其他技术方案。
本发明实施实例提供了一种人体健康状态的量子预测方案，该方案通过收集强相关数据和弱相关数据，对强相关数据和弱相关数据进行求导操作，建立强相关数据和弱相关数据与一维线性谐振子参数之间的关系式，进而确定谐振子参数，根据确定的参数求解一维线性谐振子的量子态本征波函数；对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，并求出各分段区间内的波函数概率密度函数的积分值，得到一维线性谐振子处在各分段区间的概率。
在本实例中，选取每日外界气温值作为弱相关数据，用符号T表示，选取每日人体心率值作为强相关数据，用符号H表示，其中：
每日外界气温值可以通过用户当地气象信息网站或手机天气预报应用程序等方式获取，以当日最高气温和最低气温取平均作为当日外界气温值；
每日人体心率值可以通过智能可穿戴设备或到医院进行测量等方式记录获得，以人体在静止休息状态下的心率作为当日人体心率值。
在获得每日外界气温值和每日人体心率值后，分别采取求导的方式进行数据处理，其中：
通过对第i日外界气温值Ti和前一日外界气温值Ti-1作差值绝对值计算，得到气温差值绝对值ΔT＝|Ti-Ti-1|；
通过对第i日人体心率值Hi和前一日人体心率值Hi-1作差值绝对值计算，得到心率差值绝对值ΔH＝|Hi-Hi-1|；
由于在实际情况中，可以将不同时间间隔内的强相关数据和弱相关数据的差值作为近似连续求导值，因此可以得到在一天为时间间隔的外界气温值关于时间的导数f′T(t)＝ΔT＝|Ti-Ti-1|，一天为时间间隔的心率值关于时间的导数f′H(t)＝ΔH＝|Hi-Hi-1|。
在本实例中，用采集或获取的强相关数据和弱相关数据，采取求导的方式，估算出一维线性谐振子量子态波函数参数，随后列出一维线性谐振子本征态波函数的定态薛定谔方程：
Figure BDA0002527736640000051
其中
Figure BDA0002527736640000052
Figure BDA0002527736640000053
为一维线性谐振子能量本征值，
Figure BDA0002527736640000054
为约化普朗克常数，通过归一化处理可近似为1，U(x)＝0.5mω2x2为一维线性谐振子势函数，令
Figure BDA0002527736640000061
则一维线性谐振子定态薛定谔方程可进一步表示为
Figure BDA0002527736640000062
Figure BDA0002527736640000063
其中
Figure BDA0002527736640000064
代表对
Figure BDA0002527736640000065
求二阶导数。
进一步地，求解上述方程，得到一维线性谐振子波函数的一般表示形式：
Figure BDA0002527736640000066
上式中，
Figure BDA0002527736640000067
为波函数归一化系数，
Figure BDA0002527736640000068
Figure BDA0002527736640000069
为厄米多项式(Hermite Polynomials)，
Figure BDA00025277366400000610
代表
Figure BDA00025277366400000611
的n阶求导。
很明显，只要确定α和n的值，即可确定一维线性谐振子波函数
Figure BDA00025277366400000612
的具体形式，只要确定ω和n的值后即可确定一维线性谐振子能量本征值E。在本实例中，ω为给定的值，ω＝k1/Hin，其中k1为常数，Hin为人体固有心率，Hin的取值为人体在较长一段时间内的心率平均值，该时间范围一般情况下大于一年。
本实例中，建立温度关于时间的导数和能量本征值E之间的函数关系：
Figure BDA00025277366400000613
则
Figure BDA00025277366400000614
并对n做四舍五入取整操作：Round(n)，最终得到nr作为一维线性谐振子
Figure BDA00025277366400000615
的本征能量的能级。
本实例中，令
Figure BDA00025277366400000616
为一维线性谐振子
Figure BDA00025277366400000617
的谐振系数，建立心率关于时间的导数和谐振系数k之间的函数关系：
Figure BDA00025277366400000618
Figure BDA00025277366400000619
上式中，a1、a2为权重因子，用于修正谐振系数k，Hlim为截止心率，截止心率是个人所处其年龄段的心率值范围的一个基准参数。通常而言，正常人静息状态下心率一般为60-100次/分钟，可因年龄、性别或其他生理因素产生个体差异。一般来说，年龄越小，心率越快，老年人心跳比年轻人慢，女性的心率比同龄男性快。静息状态下，成人正常心率为60-100次/分钟，理想心率应为55-70次/分钟，运动员的心率较普通成人偏慢，一般为50次/分钟左右。据此，截止心率Hlim可以定义为心率范围内的下限值，且固有心率Hin和截止心率之间的关系为：Hin>Hlim。
进一步地，根据求导得到的f′H(t)和f′T(t)的值及设置参数a1、a2、Hin、Hlim的值，最终确定一维线性谐振子波函数的两个重要参数nr和α，进而求出表达式
Figure BDA00025277366400000620
求出
Figure BDA00025277366400000621
后，对一维线性谐振子波函数进行量化分段，设置横坐标x0、x1、x2......xn，得到不同状态区间ΔXn＝xn-xn-1，如健康、亚健康、不适、轻度症状、中度症状、重病等。
根据量子力学中一维线性谐振子的特性，可以对一维线性谐振子波函数概率密度函数进行分段积分，得到未来一段时间范围内波函数
Figure BDA0002527736640000071
处于健康状态区间ΔXn的概率
Figure BDA0002527736640000072
最终得到未来一段时间内人体健康状态预测概率，实现了从当前数据推测未来健康概率的目标。
上述说明的本实例的具体实施方式和原理流程详见图1。
进一步地，图1所述的内容可通过手机应用程序，或桌面应用程序等软件方式实现。图1涉及到的硬件部分可通过以下所述设备中的一种或多种实现：各类专用传感器，各类智能穿戴设备，移动智能终端，各类计算机设备等。图1涉及到的数据存储与管理相关功能可通过数据库管理系统及相关应用程序实现。
本实例中，利用计算机语言Python编写代码对所述实例进行建模。需要说明的是，本发明实施的实例所依赖的计算机语言可以是多种的，包括但不限于Python，Matlab，Java，C++，C语言及其衍生分支语言等，但其核心程序代码必须遵循权利要求中所述的原理步骤进行设计。
首先，采集外界气温值数据，数据来源为中国气象局历史记录。以广州市2018年1月份气象数据为实验数据，其具体每日气温记录详见表1。
表1广州市2018年1月份气象数据
日期 最高气温℃ 最低气温℃ 平均气温℃ 日期 最高气温℃ 最低气温℃ 平均气温℃
2018-01-01 21.0 12.0 16.5 2018-01-17 24.0 12.0 18.0
2018-01-02 20.0 12.0 16.0 2018-01-18 25.0 13.0 19.0
2018-01-03 22.0 16.0 19.0 2018-01-19 24.0 16.0 20.0
2018-01-04 23.0 14.0 18.5 2018-01-20 24.0 18.0 21.0
2018-01-05 16.0 13.0 14.5 2018-01-21 23.0 16.0 19.5
2018-01-06 15.0 12.0 13.5 2018-01-22 23.0 15.0 19.0
2018-01-07 17.0 10.0 13.5 2018-01-23 23.0 15.0 19.0
2018-01-08 12.0 5.0 8.5 2018-01-24 22.0 16.0 19.0
2018-01-09 8.0 6.0 7.0 2018-01-25 23.0 13.0 18.0
2018-01-10 14.0 6.0 10.0 2018-01-26 15.0 10.0 12.5
2018-01-11 16.0 6.0 11.0 2018-01-27 15.0 11.0 13.0
2018-01-12 18.0 6.0 12.0 2018-01-28 11.0 5.0 8.0
2018-01-13 19.0 7.0 13.0 2018-01-29 8.0 6.0 7.0
2018-01-14 20.0 9.0 14.5 2018-01-30 6.0 3.0 4.5
2018-01-15 21.0 10.0 15.5 2018-01-31 8.0 40 6.0
2018-01-16 22.0 12.0 17.0
对上述数据进行求导，计算得到f′T(t)的值，具体见表2。
表2广州市2018年1月份每日气温差值绝对值。
ΔT f′<sub>T</sub>(t)(℃/天) ΔT f′<sub>T</sub>(t)(℃/天)
01-01至01-02 0.5 01-16至01-17 1.0
01-02至01-03 3.0(上升) 01-17至01-18 1.0
01-03至01-04 0.5 01-18至01-19 1.0
01-04至01-05 4.0(下降) 01-19至01-20 1.0
01-05至01-06 1.0 01-20至01-21 1.5
01-06至01-07 0.0 01-21至01-22 0.5
01-07至01-08 5.0(下降) 01-22至01-23 0.0
01-08至01-09 1.5 01-23至01-24 0.0
01-09至01-10 3.0(上升) 01-24至01-25 1.0
01-10至01-11 1.0 01-25至01-26 5.5(下降)
01-11至01-12 1.0 01-26至01-27 0.5
01-12至01-13 1.0 01-27至01-28 5.0(下降)
01-13至01-14 1.5 01-28至01-29 1.0
01-14至01-15 1.0 01-29至01-30 2.5
01-15至01-16 1.5 01-30至01-31 1.5
根据表2的数据，绘制广州市2018年1月份每日气温差值绝对值折线图，详见图2。
很明显，根据图2可得：在1月4日至1月5日期间，气温下降幅度达到4℃，1月7日至1月8日气温下降幅度达到5℃，1月25日至1月26日气温下降幅度达到5.5℃，1月27日至1月28日气温下降幅度达到5℃，此处说述气温下降幅度即温度关于时间的导数f′T(t)。
进一步地，根据温度值关于时间的导数和能量本征值E之间的函数关系：
Figure BDA0002527736640000081
为确定n的值，必须先确定参数ω的值。根据ω＝k1/Hin，需对常数k1和人体固有心率Hin的值进行确定。在本实例中，以正常成年人为标准，令Hin＝65，k1＝50，则ω＝0.769，且n的值可以确定，n＝f′T(t)/0.769-0.5，nr＝Round(n)，nr为一维线性谐振子本征能量对应能级。
根据图2的数据结果，可以发现，f′T(t)的值有0.0，0.5，1.0，1.5，2.5，3.0，4.0，5.0，5.5共9种，其计算求得的nr值分别对应详见表3。
表3不同的f′T(t)对应的nr取值。
Figure BDA0002527736640000082
同时，采集人体心率数据。在本实例中，暂不考虑运动员心率值的范围。在实际情况下，人体每日心率值变化范围不会过大。基于此，采用Python随机数生成的方式，让人体每日心率值生成范围在56-60次/分钟。
根据本实例中心率值关于时间的导数和谐振系数k之间的函数关系：
Figure BDA0002527736640000091
Figure BDA0002527736640000092
一般令正常人的截止心率Hlim＝55，即正常人理想心率范围下限值。则Hin-Hlim＝10，得到
Figure BDA0002527736640000093
其中，每日心率值关于时间求导函数f′H(t)∈[0,4]，令a1＝0.3，a2＝0.7，得到α2＝1.3(0.3f′H(t)+0.07)。由于f′H(t)为整数，则f′H(t)的取值为0至4之间的整数，其计算求得的α2值见表4所示。
表4不同的f′H(t)对应的α2取值
Figure BDA0002527736640000094
进一步地，在确定nr和α的值后，对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间。根据权利要求所述，量化细分区间的含义包括但不限于人体健康水平、身体体质、抵御不同程度疾病水平等。在本实例中，以人体健康水平作为量化细分区间的具体含义。按照降序的原则，令区间ΔX1∈[0,2)代表“健康”状态，区间ΔX2∈[2,3)代表“亚健康”状态，区间ΔX3∈[3,4)代表“不舒服”状态，区间ΔX4∈[4,5)为“生病”状态，区间ΔX5∈[5,10)为“病情加重”状态。对一维线性谐振子波函数概率密度函数进行分段积分，得到未来一段时间范围内波函数
Figure BDA0002527736640000095
处于状态区间ΔXn的概率
Figure BDA0002527736640000096
利用Python软件，输入模型参数并运行，得到结果如表5至表7所示。
表5不同温度差对应不同心率差(f′T(t)＝0.0，0.5，1.0)情况下的健康概率预测(Hin＝65)
Figure BDA0002527736640000101
表6不同温度差对应不同心率差(f′T(t)＝1.5，2.5，3.0)情况下的健康概率预测(Hin＝65)
Figure BDA0002527736640000102
表7不同温度差对应不同心率差(f′T(t)＝0.0，0.5，1.0)情况下的健康概率预测(Hin＝65)
Figure BDA0002527736640000111
需要说明的是，求得的“不舒服”状态概率仅为区间ΔX3∈[3,4)内的波函数概率密度积分，求得的“生病”状态概率仅为区间ΔX3∈[4,5)内的波函数概率密度积分，求得的“病情加重”状态概率仅为区间ΔX3∈[5,10)内的波函数概率密度积分，“生病”状态不包括“病情加重”状态，“不舒服”状态实际意义代表人体感到不舒服但未达到生病的程度，“生病”状态实际意义代表人体已经生病但未达到重病的程度。
通过计算分析可知，Hin固定时，当f′H(t)的值大于3时，“不舒服”状态、“生病”状态、“病情加重”状态的概率都呈下降态势，当f′H(t)的值在0至2的范围内变化时，“不舒服”状态、“生病”状态、“病情加重”状态的概率值均变化。将“不舒服”状态、“生病”状态、“病情加重”状态这三种状态作为“异常”状态归类，则当一维线性谐振子本征能量能级nr越大时，“异常”状态的概率值有增加的趋势。
现在对不同的固定值Hin进行计算对比，分析“异常”状态的概率情况。令Hin分别为70和80，则通过上述模型运行，得到结果如表8至表9所示。
表8不同温度差对应不同心率差情况下的健康概率预测(Hin＝70)
Figure BDA0002527736640000121
表9不同温度差对应不同心率差情况下的健康概率预测(Hin＝80)
Figure BDA0002527736640000122
通过计算分析可知，每日温差绝对值f′T(t)相同时，人体固有心率Hin越大，nr越大；且同样地，当f′H(t)的值大于3时，“异常”状态的概率呈下降态势，当f′H(t)的值在0至2的范围内变化时，“异常”状态的概率值均变化。进一步地，讨论每日温差绝对值f′T(t)和每日心率差绝对值f′H(t)均相同时，不同Hin对应的健康概率具体情况见表10至表12。
表10温度差绝对值不同、心率差绝对值相同(f′H(t)＝1)的情况下的健康概率预测(Hin不同)
Figure BDA0002527736640000131
表11温度差绝对值不同、心率差绝对值相同(f′H(t)＝1)的情况下的健康概率预测(Hin不同)
Figure BDA0002527736640000132
表12温度差绝对值不同、心率差绝对值相同(f′H(t)＝2)的情况下的健康概率预测(Hin不同)
Figure BDA0002527736640000141
根据上述表中的数据，绘制直方图，得到不同Hin对应的健康概率情况，详见图3至图6。
通过分析上述图表，可以发现：随着Hin的增加，模型的“异常”状态概率分布情况相似，“异常”状态概率受f′T(t)的影响程度要小于受f′H(t)的影响程度。另一方面，从图3至图6可知，f′T(t)越大，“异常”状态概率越大，f′H(t)越小，“异常”状态概率越大。
综上所述，该结果能够较好地对应实际情况：儿童的固有心率Hin相比较于年轻人而言会更高，且需要说明的是，此处及上文中提到的Hin并非固定不变的，而是在某一较长的时间段范围内可近似视作是稳定不变的，如30-40岁之间，40-50岁之间等年龄段范围内的Hin近似为平稳的。因此，儿童群体在遇到气温下降速率大的时间段时易患病。另一方面，无论Hin的取值范围如何，当f′T(t)越大时，f′H(t)越大，“异常”状态概率越小，其解释如下，心率随温度调节能力强的个人其对外界环境变化的适应能力更强，患病的风险也随之降低，即解释了冬春季节为流行病高发季节且的儿童以及抵抗力差的成年人和老年人为易感群体，本实例中得出的数据结果同实际情况符合较好。
另一方面，根据《广州市2011-2018年流感样病例暴发疫情特征分析》中所述：“2011-2018年，广州市流感样病例暴发疫情共423起，总体呈上升趋势，疫情主要集中于3-6月(167起，39.48％)，和12-1月(175起，41.37％)。疫情主要集中在小学(70.92％)和中学(15.37％)。B型流感209起,占49.41％，A(H1N1)pdm09型73起，占17.26％、A(H3N2)型72起，占17.02％。疫情持续时间与首发病例到介入疫情时间呈正相关，(Spearman相关系数为0.19，P0.01)。结论是2011-2018年广州市流感样病例暴发疫情主要集中在3-6月，但2017和2018连续两年的冬季出现第二个暴发疫情高峰，中、小学是高发场所。”由此可见，本实例中得出的数据结果也较好符合上述报告描述的流感暴发情况。
综合表1至表8及图2至图6的数据情况，可以得出结论：基于量子力学原理的人体健康状态预测方案能够量化体现人体健康状态概率，该基于量子力学原理的人体健康状态预测方案的实现了对弱相关数据(在本实例中是每日气温数据)和对强相关数据(在本实例中是每日心率数据)的求导操作，进而建立强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，在得到参数后对波函数概率密度进行分段积分求出人体“异常”状态概率。该方案中的模型具有很强的可调性，在于其强相关数据和弱相关数据的选取范围很广，能够反映不同的致病机理。此外，该方案中的求导操作可以根据实际需要进行变型，改变强相关数据和弱相关数据对一维线性谐振子波函数参数的影响程度，形成不同的情况。进一步地，对位置坐标轴量化分段操作的可调性很强，可以根据实际疾病的发展进程划分不同的人体状态区间，最终将波函数概率密度对应区间积分得到不同的概率结果。
可以理解，本发明专利中描述的一种基于量子力学原理的人体健康状态预测方案中的一个实例只是一种示范，具体实例的实施并不会受到严格限制，可以通过采集不同的强相关数据和弱相关数据，设置不同的求导形式、权重以及人体本征状态参数和不同的人体状态区间形成不同的变型。此处描述的变型和其他具体实施步骤其波函数必须是一维线性谐振子波函数，其波函数参数必须通过强相关数据和弱相关数据通过求导方式来确定。
根据本发明的另一方面，强相关数据和弱相关数据的采集方式是多样的，本发明中的一种实例是调取中国气象局历史数据作为每日气温数据。显然，每日气温数据可以是历史数据，也可以是当前数据甚至专业机构对未来情况的预测数据；心率数据的采集方式也可以是各类传感器、感应器、信号转换设备等电子设备。最终形成的人体“异常”状态概率可以是通过数据方式展示在屏显设备上，如移动智能终端、手机、个人计算机等，图表可以存储不显示，也可以随数据一并显示。
本领域的专业人士应该理解，上述描述及附图、表格所示的本发明的一个实例只是作为举例而不限制本发明，本发明的目的已经完整并有效地体现。本发明的技术原理和步骤已在本发明一个实例中进行详细的说明，在遵循原理步骤的前提下，可对本发明实施方式进行调整修改。

Claims (11)

1.一种人体健康状态的量子预测方案，其特征在于，包括以下步骤：
步骤1：通过收集强相关数据和弱相关数据，对强相关数据和弱相关数据进行求导操作，建立强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系；
步骤2：通过确定强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，求解一维线性谐振子波函数参数，进而求解一维线性谐振子量子态的本征波函数；
步骤3：对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，并求出各分段区间内的波函数概率密度函数积分值，得到一维线性谐振子处在各分段区间的概率，从而实现对某一时间范围内的人体健康状态的量化预测。
2.根据权利要求1所述的一种人体健康状态的量子预测方案，其中，所述步骤1中收集强相关数据和弱相关数据，其特征在于：强相关数据是指与人体健康状态具有直接关联的数据，包括但不限于心率、血压、血糖、血氧等健康指标数据；弱相关数据是指与人体健康状态具有间接关联的数据，其对健康的影响会间接反应到人体健康指标上，如环境数据、饮食习惯、作息习惯、运动数据等。
3.根据权利要求2所述的一种人体健康状态的量子预测方案，其中，所述步骤1中收集强相关数据和弱相关数据，其特征在于：强相关数据和弱相关数据的收集方式包括但不限于传感器收集、历史数据记录、移动终端记录、专业机构公布等。
4.根据权利要求1所述的一种人体健康状态的量子预测方案，其中，所述步骤1中对强相关数据和弱相关数据进行求导操作，建立强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，其特征在于：求导操作包括但不限于对强相关数据和弱相关数据的一阶求导、二阶求导或多阶求导，以及上述数据的各阶导数构成的线性、非线性组合、数学方程等。
5.根据权利要求4所述的一种人体健康状态的量子预测方案，其中，所述步骤1中对强相关数据和弱相关数据进行求导操作，建立强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，其特征在于，对强相关数据和弱相关数据的求导在数学理论中是对时间进行连续求导，在实际情况中，可以将不同时间间隔内的强相关数据和弱相关数据的差值作为近似连续求导值。
6.根据权利要求5所述的一种人体健康状态的量子预测方案，其中，所述将不同时间间隔内的强相关数据和弱相关数据的差值作为近似连续求导值，其特征在于，时间间隔可以任意选取，包括但不限于每秒、每分钟、每小时、每日、每周、每月、每季度、每年等。
7.根据权利要求1所述的一种人体健康状态的量子预测方案，其中，所述步骤2中通过确定强相关数据和弱相关数据与一维线性谐振子参数之间的内在联系，可以求出一维线性谐振子波函数参数，其特征在于：波函数参数包括能量本征值、能量本征态能级、一维线性谐振子谐振频率、一维线性谐振子谐振系数等。
8.根据权利要求1所述的一种人体健康状态的量子预测方案，其中，所述步骤3中对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，其特征在于：对位置坐标轴进行分段按照降序或者升序的原则，对一维线性谐振子波函数进行量化细分，细分层次根据实际需要分析的疾病种类来确定，细分间距形式包括但不限于等距划分、等差划分、等比划分、正态分布划分等。
9.根据权利要求8所述的一种人体健康状态的量子预测方案，其中，所述对位置坐标轴进行分段按照降序或者升序的原则，对一维线性谐振子波函数进行量化细分，其特征在于：量化细分区间的含义包括但不限于人体健康水平、身体体质、抵御不同程度疾病水平等。
10.根据权利要求1所述的一种人体健康状态的量子预测方案，其中，所述步骤3中对位置坐标轴进行分段，使得一维线性谐振子波函数被相应划分为若干区间，并求出各分段区间内的波函数概率密度函数的积分值，其特征在于：利用量子力学中量子态波函数概率密度函数等于波函数与其自身共轭相乘的绝对值这一公式，对任意分段区间内的波函数概率值进行计算，从而求得波函数处于各个区间的概率，进而直观体现人体健康状态的量化分布情况。
11.根据权利要求10所述的一种人体健康状态的量子预测方案，其中，所述步骤3中实现对某一时间范围内的人体健康状态的量化预测，其特征在于，时间范围包括历史某一时间范围数据，当前时刻和历史某一时刻之间的时间范围，当前时刻和未来某一时刻之间的时间范围，以及未来某一时间范围。
CN202010509886.8A 2020-06-07 2020-06-07 一种人体健康状态的量子预测方法 Active CN111640507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010509886.8A CN111640507B (zh) 2020-06-07 2020-06-07 一种人体健康状态的量子预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010509886.8A CN111640507B (zh) 2020-06-07 2020-06-07 一种人体健康状态的量子预测方法

Publications (2)

Publication Number Publication Date
CN111640507A true CN111640507A (zh) 2020-09-08
CN111640507B CN111640507B (zh) 2022-10-14

Family

ID=72333330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010509886.8A Active CN111640507B (zh) 2020-06-07 2020-06-07 一种人体健康状态的量子预测方法

Country Status (1)

Country Link
CN (1) CN111640507B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593712A (zh) * 2021-08-10 2021-11-02 中国科学院科技战略咨询研究院 温升对人体健康的影响监测方法及装置
CN116458872A (zh) * 2023-06-13 2023-07-21 汶上县人民医院 一种呼吸数据的分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007097224A1 (ja) * 2006-02-22 2007-08-30 Osaka University 量子状態推定方法、量子状態推定装置及びコンピュータプログラム
CN103049804A (zh) * 2013-01-15 2013-04-17 西安交通大学 一种基于量子力学和社交网络的股票价格趋势预测方法
CN110046762A (zh) * 2019-04-12 2019-07-23 浙江工业大学 一种基于超弦灵魂算法的公交客流预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007097224A1 (ja) * 2006-02-22 2007-08-30 Osaka University 量子状態推定方法、量子状態推定装置及びコンピュータプログラム
JPWO2007097224A1 (ja) * 2006-02-22 2009-07-09 国立大学法人大阪大学 量子状態推定方法、量子状態推定装置及びコンピュータプログラム
CN103049804A (zh) * 2013-01-15 2013-04-17 西安交通大学 一种基于量子力学和社交网络的股票价格趋势预测方法
CN110046762A (zh) * 2019-04-12 2019-07-23 浙江工业大学 一种基于超弦灵魂算法的公交客流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡臻 等: "量子力学哲理与中医具身临床思维的相关性研究", 《温州医科大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593712A (zh) * 2021-08-10 2021-11-02 中国科学院科技战略咨询研究院 温升对人体健康的影响监测方法及装置
CN113593712B (zh) * 2021-08-10 2023-09-12 中国科学院科技战略咨询研究院 温升对人体健康的影响监测方法及装置
CN116458872A (zh) * 2023-06-13 2023-07-21 汶上县人民医院 一种呼吸数据的分析方法及系统
CN116458872B (zh) * 2023-06-13 2023-09-05 汶上县人民医院 一种呼吸数据的分析方法及系统

Also Published As

Publication number Publication date
CN111640507B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN111292853B (zh) 基于多参数的心血管疾病风险预测网络模型及其构建方法
CN113421652B (zh) 对医疗数据进行分析的方法、训练模型的方法及分析仪
CN110944577B (zh) 一种血氧饱和度的检测方法与系统
Cai High-dimensional exploratory item factor analysis by a Metropolis–Hastings Robbins–Monro algorithm
Yu et al. Personalized health monitoring system of elderly wellness at the community level in Hong Kong
CN111640507B (zh) 一种人体健康状态的量子预测方法
WO2021158796A1 (en) Forecasting and explaining user health metrics
Chen et al. Heterogeneous postsurgical data analytics for predictive modeling of mortality risks in intensive care units
Ba et al. A data-driven machine learning integrated wearable medical sensor framework for elderly care service
Li et al. Multi-channel EEG-based emotion recognition in the presence of noisy labels
CN112992375A (zh) 一种疾病的预警方法、预警装置、设备及介质
Li et al. Human activity recognition based on LPA
Cao et al. A Novel Adaptive Mutation PSO Optimized SVM Algorithm for sEMG‐Based Gesture Recognition
Wang et al. A multi-channel UNet framework based on SNMF-DCNN for robust heart-lung-sound separation
Martinez-Cruz et al. New linguistic description approach for time series and its application to bed restlessness monitoring for eldercare
CN116779110B (zh) 基于模态分解的睡眠可持续性检测调节方法、系统和装置
Jain et al. Disease diagnosis using machine learning: A comparative study
Xiao et al. AHE detection with a hybrid intelligence model in smart healthcare
Karimi Moridani An automated method for sleep apnoea detection using HRV
Backenroth et al. Nonnegative decomposition of functional count data
CN112998717B (zh) 一种量化人体生理状态的分析方法和设备
van Gorp et al. Single-channel EOG sleep staging on a heterogeneous cohort of subjects with sleep disorders
CN114822849A (zh) 基于数字孪生的数据监测方法、装置、设备和存储介质
Miao et al. Cardiovascular Disease Prediction Based on Soft Voting Ensemble Model
González et al. Development of a Deep Learning Model for the Prediction of Ventilator Weaning.

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