CN111681759A - 慢性病风险分析装置、设备和存储介质 - Google Patents
慢性病风险分析装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111681759A CN111681759A CN202010477677.XA CN202010477677A CN111681759A CN 111681759 A CN111681759 A CN 111681759A CN 202010477677 A CN202010477677 A CN 202010477677A CN 111681759 A CN111681759 A CN 111681759A
- Authority
- CN
- China
- Prior art keywords
- risk analysis
- chronic disease
- model
- impedance
- parameters
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 394
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 259
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 26
- 238000012163 sequencing technique Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 45
- 201000010099 disease Diseases 0.000 description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 21
- 239000000203 mixture Substances 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 210000001364 upper extremity Anatomy 0.000 description 9
- 206010020772 Hypertension Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 210000003141 lower extremity Anatomy 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 208000004930 Fatty Liver Diseases 0.000 description 5
- 206010019708 Hepatic steatosis Diseases 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 5
- 208000010706 fatty liver disease Diseases 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 231100000240 steatosis hepatitis Toxicity 0.000 description 5
- 208000031226 Hyperlipidaemia Diseases 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 201000001421 hyperglycemia Diseases 0.000 description 3
- 238000002847 impedance measurement Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010033307 Overweight Diseases 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004962 physiological condition Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010044302 Tracheitis Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000008621 organismal health Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种慢性病风险分析装置、设备和存储介质。所述装置包括：参数获取模块，用于获取待分析对象的生理参数和阻抗参数；类型确定模块，用于确定待分析的慢性病风险类型；模型查询模块，用于查询慢性病风险类型对应的风险分析模型；其中，风险分析模型基于预设的训练集训练得到，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病；风险分析处理模块，用于将生理参数和阻抗参数输入至风险分析模型中进行风险分析，根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果。采用本装置能够提高慢性病风险分析的准确率。
Description
技术领域
本申请涉及医疗技术领域，特别是涉及一种慢性病风险分析装置、设备和存储介质。
背景技术
随着现代医疗技术的不断发展，人们已经认识到任何疾病的发生都是存在一个从量变到质变的过程，很多重大疾病可以通过对一些关联的生理参数指标进行分析来预判。对生理参数进行检测、分析以准确掌握人体的健康状况，以对疾病进行提前预警，是当下医疗健康体检的发展趋势。
然而，目前对生理参数与疾病的之间的联系并不明确，传统的健康体检实质上则是对疾病结果的评判，存在较严重的滞后性，无法准确对健康状况进行提前预警，如何对生理参数进行准确分析以提供有效的健康状况预警已成为业内越来越关注的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高慢性病风险分析准确率的慢性病风险分析装置、设备和存储介质。
一种慢性病风险分析装置，所述装置包括：
参数获取模块，用于获取待分析对象的生理参数和阻抗参数；
类型确定模块，用于确定待分析的慢性病风险类型；
模型查询模块，用于查询慢性病风险类型对应的风险分析模型；其中，风险分析模型基于预设的训练集训练得到，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病；
风险分析处理模块，用于将生理参数和阻抗参数输入至风险分析模型中进行风险分析，根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果。
在其中一个实施例中，生理参数包括身高、体重、年龄和性别中的至少一项；阻抗参数包括阻抗序列，阻抗序列包括待分析对象的至少一个部位在至少一种频率的激励信号作用下的生物电阻抗值。
在其中一个实施例中，风险分析处理模块包括：
第一输入序列获得模块，用于根据风险分析模型对应预设的排序规则，对生理参数和阻抗序列中的多个阻抗值进行排序，得到第一模型输入序列；
第一模型序列输入模块，用于将第一模型输入序列输入至风险分析模型中进行风险分析。
在其中一个实施例中，所述装置还包括：
历史信息获取模块，用于获取待分析对象的历史分析数据；历史分析数据包括历史慢性病风险分析结果、历史生理参数和历史阻抗参数；
风险分析处理模块，还用于将历史慢性病风险分析结果、历史生理参数、历史阻抗参数、生理参数和阻抗参数输入至风险分析模型中进行风险分析。
在其中一个实施例中，风险分析处理模块包括：
第二输入序列获得模块，用于根据风险分析模型对应预设的排序规则，对生理参数、阻抗序列中的多个阻抗值以及历史分析数据进行排序，得到第二模型输入序列；
第二模型序列输入模块，用于将第二模型输入序列输入至风险分析模型中进行风险分析。
在其中一个实施例中，生理参数包括多种，所述装置还包括：
条件获取模块，用于获取与慢性病风险类型对应的权重分布信息和预设的权重级别阈值；其中，权重分布信息包括各生理参数分别对应的权重；
级别确定模块，用于基于各生理参数分别对应的权重确定每一生理参数的权重级别；
参数筛选模块，用于从多种生理参数中确定目标生理参数，并将目标生理参数传输至风险分析处理模块，其中，目标生理参数的权重级别大于或等于权重级别阈值；
风险分析处理模块，还用于将目标生理参数和阻抗参数输入至风险分析模型中进行风险分析。
在其中一个实施例中，风险分析处理模块包括：
模型输出获取模块，用于获得风险分析模型的输出数据；
分析结果获得模块，用于根据风险分析模型的输出数据以及预设的映射关系，确定待分析对象的慢性病风险程度，并将慢性病风险程度作为慢性病风险分析结果；
其中，预设的映射关系为风险分析模型的输出数据与慢性病风险程度之间的映射关系。
在其中一个实施例中，所述装置还包括：
可靠性分析模块，用于根据待分析对象对慢性病风险分析结果的反馈信息，确定慢性病风险分析结果的可靠性；
样本获取模块，用于当可靠性满足预设的模型更新条件时，根据生理参数、阻抗参数和慢性病风险分析结果得到模型更新样本；
模型更新模块，用于基于模型更新样本对风险分析模型进行更新。
一种慢性病风险分析设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待分析对象的生理参数和阻抗参数；
确定待分析的慢性病风险类型；
查询所述慢性病风险类型对应的风险分析模型；其中，所述风险分析模型基于预设的训练集训练得到，所述训练集包括多个样本对象的生理参数和阻抗参数，所述样本对象患有所述慢性病风险类型对应的慢性病；
将所述生理参数和所述阻抗参数输入至所述风险分析模型中进行风险分析，根据所述风险分析模型的输出数据得到所述待分析对象的慢性病风险分析结果。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分析对象的生理参数和阻抗参数；
确定待分析的慢性病风险类型；
查询所述慢性病风险类型对应的风险分析模型；其中，所述风险分析模型基于预设的训练集训练得到，所述训练集包括多个样本对象的生理参数和阻抗参数，所述样本对象患有所述慢性病风险类型对应的慢性病；
将所述生理参数和所述阻抗参数输入至所述风险分析模型中进行风险分析，根据所述风险分析模型的输出数据得到所述待分析对象的慢性病风险分析结果。
上述慢性病风险分析装置、设备和存储介质，通过参数获取模块获取待分析对象的生理参数和阻抗参数，通过类型确定模块确定待分析的慢性病风险类型，通过模型查询模块查询基于预设的训练集训练得到的慢性病风险类型对应的风险分析模型，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病，并通过风险分析处理模块将生理参数和阻抗参数输入至风险分析模型中进行风险分析后根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果。通过基于患有慢性病的多个样本对象的生理参数和阻抗参数训练得到风险分析模型进行慢性病风险分析，可以有效提高慢性病风险分析的准确率。
附图说明
图1为一个实施例中慢性病风险分析装置的应用环境图；
图2为一个实施例中慢性病风险分析装置的结构框图；
图3为一个实施例中目标参数确定模块的结构框图；
图4为一个实施例中人体成分分析仪的结构框图；
图5为一个实施例中人体电阻抗划分的示意图；
图6为一个实施例中风险分析模型的结构示意图；
图7为一个实施例中慢性病风险分析设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的慢性病风险分析装置，可以应用于如图1所示的应用环境中。其中，慢性病的风险分析装置102设置于人体秤中，人体秤可以称量人体体重，还可以通过生物电阻抗检测电极检测人体的阻抗参数，还可以通过输入设备输入人体的其它生理参数，如年龄、身高、性别等。慢性病的风险分析装置102可以包括参数获取模块、参数获取模块、模型查询模块和风险分析处理模块，具体通过参数获取模块获取待分析对象的生理参数和阻抗参数，通过类型确定模块确定待分析的慢性病风险类型，通过模型查询模块查询基于预设的训练集训练得到的慢性病风险类型对应的风险分析模型，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病，并通过风险分析处理模块将生理参数和阻抗参数输入至风险分析模型中进行风险分析后根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果，慢性病风险分析结果可以发送至人体秤，以通过人体秤的显示模块进行展示。
在一个实施例中，如图2所示，提供了一种慢性病风险分析装置，以该装置应用于图1中的风险分析装置为例进行说明，慢性病风险分析装置包括参数获取模块202、类型确定模块204、模型查询模块206和风险分析处理模块208，其中：
参数获取模块202，用于获取待分析对象的生理参数和阻抗参数。
本实施例中，风险分析对应的慢性病指不构成传染、具有长期积累形成疾病形态损害的疾病的总称，其病程长且通常情况下发展缓慢，缺乏确切的传染性生物病因证据，病因复杂，所以难以进行预见，存在较严重的滞后性。具体包括但不限于包括心脑血管疾病(高血压、冠心病、脑卒中等)、糖尿病、高血脂症、脂肪肝、高血糖、恶性肿瘤、慢性阻塞性肺部疾病(慢性气管炎、肺气肿等)等。通过对慢性病的风险进行分析，可以提前避免疾病的发生，能够有效确保生物体的健康。
具体地，通过参数获取模块202获取待分析对象的生理参数和阻抗参数，待分析对象为需要进行慢性病分析的人或动物。生理参数为反映待分析对象生理情况的数据，具体可以包括但不限于包括身高、体重、年龄和性别等。阻抗参数为反映待分析对象生物电阻抗的数据，具体可以包括待分析对象身体多个节段的生物电阻抗，生物电阻抗可以用于分析生物体的成分。待分析对象的生理参数和阻抗参数可以通过对应的测量手段测量得到，例如通过人体秤测量待分析对象的体重，通过生物电阻抗检测电极测量阻抗参数等，也可以从待分析对象对应的个人参数库，如个人健康数据库中获取，还可以由用户通过输入设备输入获得。
类型确定模块204，用于确定待分析的慢性病风险类型。
其中，慢性病包括各种病程长且通常情况下发展缓慢的疾病，一般地，不同类型的慢性病，其成因和症状并不同，即不同类型的慢性病对应于不同的风险分析方法。在进行慢性病风险分析时，通过类型确定模块204确定待分析的慢性病风险类型，即明确需要分析的慢性病类型，例如可以为高血糖。
模型查询模块206，用于查询慢性病风险类型对应的风险分析模型；其中，风险分析模型基于预设的训练集训练得到，训练集包括多个样本对象的生理参数和阻抗参数，样本对象为患有慢性病风险类型对应的慢性病的人或动物，或者是被诊断为很可能患有该慢性病的人或动物。
本实施例中，通过预训练的风险分析模型对待分析对象进行慢性病风险分析，风险分析模型与慢性病风险类型对应，即不同的类型的慢性病训练相应的风险分析模型。具体地，风险分析模型基于预设的训练集训练得到，其中，训练集包括多个样本对象的生理参数和阻抗参数，样本对象为患有慢性病风险类型对应的慢性病的对象，即通过已知患病信息的样本对象的生理参数和阻抗参数训练相应的风险分析模型。此外，也可以通过携带慢性病风险类型对应的慢性病标签的样本对象的生理参数和阻抗参数训练风险分析模型，慢性病标签可以为是否患有慢性病风险类型对应的慢性病的标签。
具体地，通过模型查询模块206查询类型确定模块204确定的慢性病风险类型对应的风险分析模型，例如可以从风险分析模型数据库中，查询待分析的慢性病风险类型所对应的风险分析模型，具体可以根据慢性病风险类型的慢性病名称、编号等，从风险分析模型数据库中查询得到相应的风险分析模型。
风险分析处理模块208，用于将生理参数和阻抗参数输入至风险分析模型中进行风险分析，根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果。
通过模型查询模块206获得风险分析模型后，通过风险分析处理模块208将参数获取模块202获取的生理参数和阻抗参数输入至风险分析模型中进行风险分析，并根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果，从而通过预训练的风险分析模型对待分析对象进行慢性病风险分析，提高了慢性病风险分析的准确率。具体应用时，慢性病风险分析结果可以包括实时预测结果和/或未来一段时间的预测结果，具体与风险分析模型训练时的输出对应，慢性病风险分析结果可以反映待分析对象患上待分析的慢性病风险类型对应慢性病的风险程度，如患病概率等。
上述慢性病风险分析装置中，通过参数获取模块获取待分析对象的生理参数和阻抗参数，通过类型确定模块确定待分析的慢性病风险类型，通过模型查询模块查询基于预设的训练集训练得到的慢性病风险类型对应的风险分析模型，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病，并通过风险分析处理模块将生理参数和阻抗参数输入至风险分析模型中进行风险分析后根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果。通过基于患有慢性病的多个样本对象的生理参数和阻抗参数训练得到风险分析模型进行慢性病风险分析，可以有效提高慢性病风险分析的准确率。
在一个实施例中，生理参数包括身高、体重、年龄和性别中的至少一项；阻抗参数包括阻抗序列，阻抗序列包括待分析对象的至少一个部位在至少一种频率的激励信号作用下的生物电阻抗值。
本实施例中，生理参数反映了待分析对象的生理情况，具体包括身高、体重、年龄和性别中的至少一项，进一步生理参数还可以包括且不限于包括地域、人种信息等。阻抗参数包括阻抗序列，阻抗序列包括待分析对象的至少一个部位在至少一种频率的激励信号作用下的生物电阻抗值，具体可以由各生物电阻抗值按照对应的部位和频率排序得到。具体地，待分析对象的至少一个部位可以包括上半身、躯干、下半身、左半身、右半身中的一个或多个，其中上半身的生物电阻抗值可通过测量左上肢与右上肢之间的生物电阻抗值得到、下半身的生物电阻抗值可通过测量左下肢与右下肢之间的生物电阻抗值得到、左半身的生物电阻抗值可通过测量左上肢与坐下肢之间的生物电阻抗值得到、右半身的生物电阻抗值可通过测量右上肢与右下肢之间的生物电阻抗值得到。至少一种频率可以包括5KHz、10KHz、25KHz、50KHz、100KHz、250KHz、500KHz、1MHz中的一个或多个，即阻抗序列可以包括待分析对象的一个或多个部位在一个或多个频率的激励信号作用下检测到的生物电阻抗值。通过各种生理参数和不同部位不同频率对应的生物电阻抗值进行慢性病风险分析，可以有效提高慢性病风险分析的准确率。
在具体应用时，慢性病风险分析装置设于人体秤中，则生理参数中的体重可以由人体秤直接测量得到，而身高、年龄和性别可以由用户输入得到，对于阻抗序列，可以由人体秤配置的生物电阻抗检测电极检测得到。
在一个实施例中，风险分析处理模块包括第一输入序列获得模块和第一模型序列输入模块，其中，第一输入序列获得模块用于根据风险分析模型对应预设的排序规则，对生理参数和阻抗序列中的多个阻抗值进行排序，得到第一模型输入序列；第一模型序列输入模块用于将第一模型输入序列输入至风险分析模型中进行风险分析。
本实施例中，根据风险分析模型对应预设的排序规则将生理参数和阻抗序列进行排序，并将排序后得到的序列输入至风险分析模型中进行风险分析。其中，排序规则根据风险分析模型对应设置，为风险分析模型对输入的多维数据的排序要求，排序规则根据模型训练时对训练集中的各训练数据的排序方式确定。将生理参数和阻抗序列中的多个阻抗值进行排序后，得到第一模型输入序列，通过第一模型序列输入模块将得到的第一模型输入序列输入至风险分析模型中进行风险分析。通过风险分析模型对应预设的排序规则得到模型输入序列，将该模型输入序列输入风险分析模型中进行风险分析，可以使生理参数和阻抗序列中的多个阻抗值的输入关系与风险分析模型的排序规则对应，能够确保风险分析模型进行准确的慢性病风险分析。
在一个实施例中，慢性病风险分析装置还包括历史信息获取模块和风险分析处理模块，其中：历史信息获取模块用于获取待分析对象的历史分析数据；历史分析数据包括历史慢性病风险分析结果、历史生理参数和历史阻抗参数；风险分析处理模块用于将历史慢性病风险分析结果、历史生理参数、历史阻抗参数、生理参数和阻抗参数输入至风险分析模型中进行风险分析。
其中，历史慢性病风险分析结果为待分析对象历史的慢性病风险分析结果，历史生理参数为待分析对象历史的生理数据，历史阻抗参数为待分析对象历史的生物电阻抗值。具体实现时，历史分析数据可以根据时间轴的变化组成相应的历史分析数据序列，以结合生理参数和阻抗参数输入至风险分析模型中进行风险分析。本实施例中，通过风险分析处理模块将待分析对象的历史分析数据、生理参数和阻抗参数输入至风险分析模型中进行风险分析，结合待分析对象的历史数据进行慢性病风险分析，进一步提高慢性病风险分析的准确率。
在一个实施例中，风险分析处理模块包括：第二输入序列获得模块，用于根据风险分析模型对应预设的排序规则，对生理参数、阻抗序列中的多个阻抗值以及历史分析数据进行排序，得到第二模型输入序列；第二模型序列输入模块，用于将第二模型输入序列输入至风险分析模型中进行风险分析。
本实施例中，风险分析处理模块还可以通过风险分析模型对应预设的排序规则将生理参数、阻抗序列中的多个阻抗值以及历史分析数据进行排序，得到第二模型输入序列，并将得到的第二模型输入序列输入至风险分析模型中进行风险分析，从而使生理参数、阻抗序列中的多个阻抗值以及历史分析数据的输入关系与风险分析模型的排序规则对应，确保风险分析模型进行准确的慢性病风险分析。
具体地，风险分析处理模块包括第二输入序列获得模块和第二模型序列输入模块，具体通过第二输入序列获得模块根据风险分析模型对应预设的排序规则，对生理参数、阻抗序列中的多个阻抗值以及历史分析数据进行排序，得到第二模型输入序列。其中，排序规则根据风险分析模型对应设置，为风险分析模型对输入的多维数据的排序要求，排序规则根据模型训练时对训练集中训练数据的排序方式确定。得到第二模型输入序列后，通过第二模型序列输入模块将第二模型输入序列输入至风险分析模型中进行风险分析，从而通过风险分析模型对应预设的排序规则得到模型输入序列，并将该模型输入序列输入风险分析模型中进行风险分析。
本实施例中，相比于第一模型输入序列，第二模型输入序列除了生理参数和阻抗序列外，还包括历史分析数据，从而可以将历史分析数据输入风险分析模型，以结合待分析对象的历史分析数据进行准确的慢性病风险分析，进一步提高慢性病风险分析的准确率。
在一个实施例中，生理参数包括多种，如图3所示，慢性病风险分析装置还包括目标参数确定模块，具体包括条件获取模块302、级别确定模块304和参数筛选模块306，其中：
条件获取模块302，用于获取与慢性病风险类型对应的权重分布信息和预设的权重级别阈值；其中，权重分布信息包括各生理参数分别对应的权重。
本实施例中，生理参数包括多种，不同类型的生理参数对应于不同的权重，风险分析模型可以接受增减型的生理参数输入，从而根据不同生理参数情况进行慢性病风险分析，增加了慢性病风险分析装置的应用场景。
具体地，慢性病风险分析装置通过条件获取模块302获取与慢性病风险类型对应的权重分布信息和预设的权重级别阈值。其中，权重分布信息包括各生理参数分别对应的权重，权重级别阈值用于判定各类型的生理参数是否将被输入风险分析模型进行慢性病风险分析。权重分布信息和权重级别阈值与慢性病风险类型对应，即不同类型的慢性病对应于不同的权重分布信息和权重级别阈值，从而可以针对性对各种类型的慢性病进行准确地风险分析。
级别确定模块304，用于基于各生理参数分别对应的权重确定每一生理参数的权重级别。
通过条件获取模块302得到慢性病风险类型对应的权重分布信息后，基于该权重分布信息确定各生理参数分别对应的权重，并由级别确定模块304根据各生理参数分别对应的权重确定每一生理参数的权重级别，权重级别反映了相应生理参数的重要程度，权重级别高的生理参数可以输入风险分析模型中进行慢性病风险分析。
参数筛选模块306，用于从多种生理参数中确定目标生理参数，并将目标生理参数传输至风险分析处理模块，其中，目标生理参数的权重级别大于或等于权重级别阈值。
通过级别确定模块304确定每一生理参数的权重级别后，通过参数筛选模块306从多种生理参数中确定目标生理参数，并将目标生理参数传输至风险分析处理模块。其中，目标生理参数的权重级别大于或等于权重级别阈值，即目标生理参数为权重级别足够高的生理参数，从而通过权重级别阈值对风险分析模型输入的生理参数进行有效控制，实现可增减输入，增加了慢性病风险分析装置的应用场景。
进一步地，风险分析处理模块，还用于将目标生理参数和阻抗参数输入至风险分析模型中进行风险分析。
本实施例中，通过参数筛选模块306将目标生理参数传输至风险分析处理模块后，由风险分析处理模块将目标生理参数和阻抗参数输入至风险分析模型中进行风险分析，从而实现通过权重级别阈值对风险分析模型输入的生理参数进行有效控制，实现可增减输入，增加了慢性病风险分析装置的应用场景。
在一个实施例中，风险分析处理模块包括：模型输出获取模块，用于获得风险分析模型的输出数据；分析结果获得模块，用于根据风险分析模型的输出数据以及预设的映射关系，确定待分析对象的慢性病风险程度，并将慢性病风险程度作为慢性病风险分析结果；其中，预设的映射关系为风险分析模型的输出数据与慢性病风险程度之间的映射关系。
本实施例中，通过预设的映射关系对风险分析模型的输出数据进行映射处理，得到待分析对象的慢性病风险程度，慢性病风险分析结果包括该慢性病风险程度。其中，预设的映射关系为风险分析模型的输出数据与慢性病风险程度之间的映射关系。
具体地，风险分析处理模块包括模型输出获取模块和分析结果获得模块，其中，通过模型输出获取模块获得风险分析模型的输出数据，即获得模型输出；通过分析结果获得模块根据风险分析模型的输出数据以及预设的映射关系，确定待分析对象的慢性病风险程度，并根据慢性病风险程度得到慢性病风险分析结果，如直接将慢性病风险程度作为慢性病风险分析结果。其中，映射关系为风险分析模型的输出数据与慢性病风险程度之间的映射关系，映射关系可以根据实际需求进行设置，如可以为等级映射关系，即将风险分析模型的输出数据映射为慢性病风险等级；也可以为数值映射关系，即风险分析模型的输出数据映射为数值，如0-100之间的分数值，以直观体现慢性病风险的程度。
在一个实施例中，慢性病风险分析装置还包括可靠性分析模块、样本获取模块和模型更新模块，其中：可靠性分析模块用于根据待分析对象对慢性病风险分析结果的反馈信息，确定慢性病风险分析结果的可靠性；样本获取模块用于当可靠性满足预设的模型更新条件时，根据生理参数、阻抗参数和慢性病风险分析结果得到模型更新样本；模型更新模块用于基于模型更新样本对风险分析模型进行更新。
本实施例中，慢性病风险分析装置还可以根据待分析对象的反馈信息对风险分析模型进行更新，以实现风险分析模型的不断更新，进一步提高风险分析模型的慢性病风险分析的准确率。
具体地，通过可靠性分析模块根据待分析对象对慢性病风险分析结果的反馈信息，从而确定慢性病风险分析结果的可靠性。其中，反馈信息可以是后续该待分析对象是否患上相应慢性病的追踪结果，根据该追踪结果可以确定慢性病风险分析结果的可靠性，如根据待分析对象是否患病以确定慢性病风险分析结果为准确的或错误的。通过样本获取模块确定得到的可靠性满足预设的模型更新条件时，如慢性病风险分析结果的可靠性较低时，即表明风险分析模型对该待分析对象的风险分析结果有误，准确性可以进一步提高，则认为满足预设的模型更新条件，可以将该待分析对象进一步作为样本对象，根据该待分析对象的生理参数、阻抗参数和慢性病风险分析结果得到模型更新样本，并由模型更新模块基于该模型更新样本对风险分析模型进行更新，从而实现基于待分析对象的反馈信息对风险分析模型进行更新，实现对风险分析模型的不断优化，进一步提高了风险分析模型的慢性病风险分析的准确率。
在一个实施例中，本申请提供的慢性病风险分析装置设置于人体成分分析仪中，以实现通过人体成分分析仪对人进行准确的慢性病风险分析。目前，很多重大疾病可以通过一些关联的生理指标来进行预判，从而延伸出很多不同类型疾病的预测或风险评估方法，其中包括人们认识到人体成分肥胖等和很多慢性疾病存在很大的关联。在传统的流行病学调查的做法中，医学研究者们通过调查人体BMI(Body Mass Index身体质量指数，简称体质指数)、年龄、性别等和众多代谢性慢性疾病(高血压、高血脂、糖尿病、脂肪肝等)的关系，但由于生理特征的维度太少，从而难以获得较为准确风险评估结果。另一方面，在体检机构每年或每半年进行体征生理数据的采集，可以直接反映出上述各种疾病对于的指标是否有变化(例如血压或血脂等)，但这个实质上是对“结果”的评判，并不是对病因的监控，对疾病的预测存在滞后性，无法准确进行慢性病风险分析。基于此，本实例通过设置于人体成分分析仪中的慢性病风险分析装置对人体进行准确的慢性病风险分析。
作为示例，如图4所示，人体成分分析仪400包括8个生物电阻抗检测电极，分别为4个电流激励电极和4个电压测量电极，其中1个激励电极和1个测量电极组成一组，因此8个电极组成4组，分别对应用于人体双手、双脚处，用于检测人体的生物电阻抗值；其中，人体成分分析仪400包括本体420，手柄410，以及电性连接本体420和手柄410的线缆430。本体420上有称重传感器421，以及4个人体阻抗检测电极，如电极422，而手柄上也包括4个人体阻抗检测电极，如电极411。因此8电极人体成分分析仪400可以通过称重传感器测量人体体重，同时利用8个人体阻抗测量电极，用于实现躯干、四肢或者全身的阻抗测量。而慢性病风险评估的机器学习模型所需要的其他参数，如身高、性别、年龄可以作为预设参数，由人工输入。
如图5所示，在通过8个生物电阻抗检测电极对人体进行人体阻抗测量时，本体上4个检测电极，如电极422等是分别和人体两脚掌接触(一个脚掌2个电极)，对应图5中为E3/V3/E4/V4等4个电极；手柄上4个检测电极，如电极411等是对应人体手掌位置，对应于E1/V1/E2/V2等4个电极。如图5所示可以将人体等价建模为5个阻抗，包括左手臂阻抗Z1、右手臂阻抗Z2、躯干阻抗Z5、左腿阻抗Z3、右腿阻抗Z4等。
进一步地，在生物电阻抗测量中，人体的阻抗是和激励电流的频率相关的，如5KHz的激励频率下人体阻抗显著高于50KHz的激励频率下的阻抗，这是因为人体是一个复杂的阻容网络，因此等效阻抗会随着激励频率的升高而下降。通过多频率测量，可以得到人体阻抗谱。在一个具体实施例中，可以选择10KHz、50KHz、250KHz三个频率，从而得到15个人体阻抗：Z110(代表10KHz频率下Z1位置阻抗，依此类推)、Z150、Z1250、Z210、Z250、Z2250、Z310、Z350、Z3250、Z410、Z450、Z4250、Z510、Z550、Z5250。此外，作为简化实施例，可以取消手柄，同时电流激励的频率可以简化为2个频率，例如50KHz和250KHz，从而实现降低成本和提高使用的便利性。另外，对于实现更复杂、成本更高的应用中，人体成分分析仪400还可以加入手柄支撑结构、大显示屏、性能更好的检测电极(镀银以提高测量准确性)，从而测量更为精准的装置，同时电流激励的频率可以增加至5个频率甚至更多，例如10K、50KHz、100K、250KHz、500KHz等；还可以在设备顶部加入超声波探头，从而实现身高的自动测量。
慢性病风险分析装置设置于人体成分分析仪400中，待分析的慢性病风险类型包括高血压、脂肪肝、高血脂、高血糖等；通过参数获取模块获取待分析对象的生理参数和阻抗参数，生理参数身高、体重、年龄和性别，进一步还可以包括地域、人种信息；生理参数在时间上组成生理参数序列，具体可以按照每天、每周、每月的时间间隔组成；阻抗参数包括阻抗序列，阻抗序列包括所述待分析对象的至少一个部位在至少一种频率的激励信号作用下的生物电阻抗值，具体可以包括左上肢、右上肢、躯干、左下肢、右下肢在多个频率点的阻抗值，频率具体可以包括5KHz、10KHz、25KHz、50KHz、100KHz、250KHz、500KHz、1MHz中的一种或多种。例如，在具体实现时，可以由身高、体重、年龄、性别以及10KHz、50KHz、250KHz频率点下的左上肢、右上肢、躯干、左下肢、右下肢5段共15个生物电阻抗值作为风险分析模型的输入，输入至慢性病风险类型对应的风险分析模型中进行风险分析，并根据风险分析模型的输出数据得到慢性病风险分析结果。
进一步地，对于各慢性病风险类型对应的风险分析模型，可以为预先训练的机器学习模型，在训练待训练的风险分析模型时，获取训练集，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病。生理参数可以包括测量得到的数据、输入的数据，进一步还可以包括历史分析数据，如历史慢性病风险分析结果、历史生理参数和历史阻抗参数等。进一步地，历史分析数据可以包括历史预测结果信息、历史测量信息、历史输入信息和疾病史、家族史、生活习惯、饮食状况、工作习惯、运动习惯等。
作为一种实施方式，待训练的风险分析模型基于ANN(Artificial NeuralNetwork，人工神经网络)等机器学习网络模型设计，其结构如图6所示，输入参数包括n个，各输入参数对应的权值分别为wi1至win，模型输出参数也包括n个，模型内部由隐藏层对输入数据进行相应处理，最后输出n个输出参数。输入参数包含测量信息、人工输入信息和历史信息，其中历史信息可根据实际应用场景和情况选择是否加入。加入历史信息是基于网络模型学习方式，以及当前预测时可供提供输入参数的种类和准确性。如输入参数可以是：P＝[H,Wt,Age,Sex,Z5_1,…,Z250_5]，也可以是：＝[Pi-1,…Pi-s,H,Wt,Age,Sex,Z5_1,…,Z250_5]。其中，H表示身高，Wt表示体重，Age表示年龄，Sex表示性别，Z5_1表示5KHz下的右上肢阻抗，Z250_5表示250KHz下的躯干阻抗，Pi-1,…Pi-s表示1，…，s次历史信息参数。该历史信息参数可以是历史预测结果信息，也可以是历史测量、输入信息，还可以是其它相关疾病史、家族史、个人生活习惯、工作习惯、运动状况等信息。
进一步地，历史信息中的时间序列处理包括当前时间轴上的实时预测和未来一段时间后的预测。实时预测是根据当前信息，该信息包括当前测量信息以及当前用户输入信息，进行网络模型计算后得到当前时间轴上慢性病预测风险状况，此时网络模型未涉及到历史信息。未来慢性病预测是结合当前信息和历史信息进行当前慢性病风险预测和未来慢性病风险预测，网络模型根据输入信息进行模型结构选择，如当涉及到历史信息时，可采用RNN(Recurrent Neural Network，循环神经网络)、或其它网络结构进行慢性病风险预测，预测的可以是当前慢性病风险情况以及一段时间后的慢性病风险情况。时间序列包含输入信息和测量信息以及历史预测信息等信息的时间轴上的变化情况，如体重基于时间轴上的变化情况，Wt＝[60,60.5,60.3,60.8,60.9,70,70.5,70.3,70.8,70.9…]等。
待训练的风险分析模型的输入可以是固定的或可增减的，其中，对于固定的输入参数，具体为输入参数的种类及次序固定。对于可增减的输入参数，可以在保证输入参数的最小数量和重要输入参数的基础上对其他输入参数进行增减，具体为将有效、权重等级较高的输入参数进行训练和计算。进行模型训练时，包括串行训练和批量训练，即可根据数据情况进行网络模型实时、定量优化。在基于一定量的数据样本进行网络模型学习和优化，达到一定预测正确率后作为预测模型进行新样本的预测。而在预测结果得到正确反馈后，可以存储新的样本并实时进行模型的优化训练，也可以在存储定量新的样本后，进行网络模型的优化训练。
当得到训练好的风险分析模型后，即可通过风险分析模型计算得到风险分析模型的输出数据，进而得到风险评估结果。如输入一组参数P后，风险分析模型的输出数据是一个具体的数值T_out，对T_out的处理分为两种方式：一种方式是直接通过等级划分，得到慢性病预测风险等级；另一种方式是通过映射关系得到一个0-100的分数值，更直观的体现慢性病患病的风险大小。例如，在预测高血压时，得到风险分析模型的输出数据T_out＝1.0081，划分风险等级为1，表示患高血压风险等级较低；映射为分数是40分，表示患高血压风险较低。通过将风险分析模型的输出数据映射到风险数值范围内，而风险数值可以是自定义任意区间数据。具体地，将风险分析模型的输出数据，通过线性映射到0-100数值范围，再以分数范围确定对应慢性病风险的患病风险程度。针对不同慢性病预测的数值结果表示的患病风险会有所不同，如高血压最终分数30分表示正常血压概率较大，患高血压风险较低；脂肪肝最终分数30分表示患轻度脂肪肝的可能性存在。
本实施例中，通过在人体成分分析仪400中设置慢性病风险分析装置进行慢性病风险分析，适于家用、成本低廉，又可以连续、及时且相对更准确地反应某些代谢性疾病发生风险，提高了慢性病风险分析的准确性。此外，慢性病风险分析装置还可以通过云端API(Application Programming Interface，应用程序接口)接口提供给四/八电极体脂秤、人体成分分析仪使用，以避免直接将慢性病风险分析装置配置到四/八电极体脂秤、人体成分分析仪中，进一步扩展慢性病风险分析装置的适用场景。
上述慢性病风险分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种慢性病风险分析设备，该设备为可以为计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储风险分析模型相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种慢性病风险分析方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种慢性病风险分析设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待分析对象的生理参数和阻抗参数；
确定待分析的慢性病风险类型；
查询慢性病风险类型对应的风险分析模型；其中，风险分析模型基于预设的训练集训练得到，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病；
将生理参数和阻抗参数输入至风险分析模型中进行风险分析，根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果。
在一个实施例中，生理参数包括身高、体重、年龄和性别中的至少一项；阻抗参数包括阻抗序列，阻抗序列包括待分析对象的至少一个部位在至少一种频率的激励信号作用下的生物电阻抗值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据风险分析模型对应预设的排序规则，对生理参数和阻抗序列中的多个阻抗值进行排序，得到第一模型输入序列；将第一模型输入序列输入至风险分析模型中进行风险分析。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待分析对象的历史分析数据；历史分析数据包括历史慢性病风险分析结果、历史生理参数和历史阻抗参数；将历史慢性病风险分析结果、历史生理参数、历史阻抗参数、生理参数和阻抗参数输入至风险分析模型中进行风险分析。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据风险分析模型对应预设的排序规则，对生理参数、阻抗序列中的多个阻抗值以及历史分析数据进行排序，得到第二模型输入序列；将第二模型输入序列输入至风险分析模型中进行风险分析。
在一个实施例中，生理参数包括多种，处理器执行计算机程序时还实现以下步骤：获取与慢性病风险类型对应的权重分布信息和预设的权重级别阈值；其中，权重分布信息包括各生理参数分别对应的权重；基于各生理参数分别对应的权重确定每一生理参数的权重级别；从多种生理参数中确定目标生理参数，并将目标生理参数传输至风险分析处理模块，其中，目标生理参数的权重级别大于或等于权重级别阈值；将目标生理参数和阻抗参数输入至风险分析模型中进行风险分析。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获得风险分析模型的输出数据；根据风险分析模型的输出数据以及预设的映射关系，确定待分析对象的慢性病风险程度，并将慢性病风险程度作为慢性病风险分析结果；其中，预设的映射关系为风险分析模型的输出数据与慢性病风险程度之间的映射关系。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据待分析对象对慢性病风险分析结果的反馈信息，确定慢性病风险分析结果的可靠性；当可靠性满足预设的模型更新条件时，根据生理参数、阻抗参数和慢性病风险分析结果得到模型更新样本；基于模型更新样本对风险分析模型进行更新。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分析对象的生理参数和阻抗参数；
确定待分析的慢性病风险类型；
查询慢性病风险类型对应的风险分析模型；其中，风险分析模型基于预设的训练集训练得到，训练集包括多个样本对象的生理参数和阻抗参数，样本对象患有慢性病风险类型对应的慢性病；
将生理参数和阻抗参数输入至风险分析模型中进行风险分析，根据风险分析模型的输出数据得到待分析对象的慢性病风险分析结果。
在一个实施例中，生理参数包括身高、体重、年龄和性别中的至少一项；阻抗参数包括阻抗序列，阻抗序列包括待分析对象的至少一个部位在至少一种频率的激励信号作用下的生物电阻抗值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据风险分析模型对应预设的排序规则，对生理参数和阻抗序列中的多个阻抗值进行排序，得到第一模型输入序列；将第一模型输入序列输入至风险分析模型中进行风险分析。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待分析对象的历史分析数据；历史分析数据包括历史慢性病风险分析结果、历史生理参数和历史阻抗参数；将历史慢性病风险分析结果、历史生理参数、历史阻抗参数、生理参数和阻抗参数输入至风险分析模型中进行风险分析。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据风险分析模型对应预设的排序规则，对生理参数、阻抗序列中的多个阻抗值以及历史分析数据进行排序，得到第二模型输入序列；将第二模型输入序列输入至风险分析模型中进行风险分析。
在一个实施例中，生理参数包括多种，计算机程序被处理器执行时还实现以下步骤：获取与慢性病风险类型对应的权重分布信息和预设的权重级别阈值；其中，权重分布信息包括各生理参数分别对应的权重；基于各生理参数分别对应的权重确定每一生理参数的权重级别；从多种生理参数中确定目标生理参数，并将目标生理参数传输至风险分析处理模块，其中，目标生理参数的权重级别大于或等于权重级别阈值；将目标生理参数和阻抗参数输入至风险分析模型中进行风险分析。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获得风险分析模型的输出数据；根据风险分析模型的输出数据以及预设的映射关系，确定待分析对象的慢性病风险程度，并将慢性病风险程度作为慢性病风险分析结果；其中，预设的映射关系为风险分析模型的输出数据与慢性病风险程度之间的映射关系。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据待分析对象对慢性病风险分析结果的反馈信息，确定慢性病风险分析结果的可靠性；当可靠性满足预设的模型更新条件时，根据生理参数、阻抗参数和慢性病风险分析结果得到模型更新样本；基于模型更新样本对风险分析模型进行更新。
本领域普通技术人员可以理解实现上述实施例装置中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各装置的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种慢性病风险分析装置，其特征在于，所述装置包括：
参数获取模块，用于获取待分析对象的生理参数和阻抗参数；
类型确定模块，用于确定待分析的慢性病风险类型；
模型查询模块，用于查询所述慢性病风险类型对应的风险分析模型；其中，所述风险分析模型基于预设的训练集训练得到，所述训练集包括多个样本对象的生理参数和阻抗参数，所述样本对象患有所述慢性病风险类型对应的慢性病；
风险分析处理模块，用于将所述生理参数和所述阻抗参数输入至所述风险分析模型中进行风险分析，根据所述风险分析模型的输出数据得到所述待分析对象的慢性病风险分析结果。
2.根据权利要求1所述的装置，其特征在于，所述生理参数包括身高、体重、年龄和性别中的至少一项；所述阻抗参数包括阻抗序列，所述阻抗序列包括所述待分析对象的至少一个部位在至少一种频率的激励信号作用下的生物电阻抗值。
3.根据权利要求2所述的装置，其特征在于，所述风险分析处理模块包括：
第一输入序列获得模块，用于根据所述风险分析模型对应预设的排序规则，对所述生理参数和所述阻抗序列中的多个阻抗值进行排序，得到第一模型输入序列；
第一模型序列输入模块，用于将所述第一模型输入序列输入至所述风险分析模型中进行风险分析。
4.根据权利要求2所述的装置，其特征在于，所述装置还包括：
历史信息获取模块，用于获取所述待分析对象的历史分析数据；所述历史分析数据包括历史慢性病风险分析结果、历史生理参数和历史阻抗参数；
所述风险分析处理模块，还用于将所述历史慢性病风险分析结果、所述历史生理参数、所述历史阻抗参数、所述生理参数和所述阻抗参数输入至所述风险分析模型中进行风险分析。
5.根据权利要求4所述的装置，其特征在于，所述风险分析处理模块包括：
第二输入序列获得模块，用于根据所述风险分析模型对应预设的排序规则，对所述生理参数、所述阻抗序列中的多个阻抗值以及所述历史分析数据进行排序，得到第二模型输入序列；
第二模型序列输入模块，用于将所述第二模型输入序列输入至所述风险分析模型中进行风险分析。
6.根据权利要求1所述的装置，其特征在于，所述生理参数包括多种，所述装置还包括：
条件获取模块，用于获取与所述慢性病风险类型对应的权重分布信息和预设的权重级别阈值；其中，所述权重分布信息包括各所述生理参数分别对应的权重；
级别确定模块，用于基于各所述生理参数分别对应的权重确定每一所述生理参数的权重级别；
参数筛选模块，用于从多种所述生理参数中确定目标生理参数，并将所述目标生理参数传输至所述风险分析处理模块，其中，所述目标生理参数的权重级别大于或等于所述权重级别阈值；
所述风险分析处理模块，还用于将所述目标生理参数和所述阻抗参数输入至所述风险分析模型中进行风险分析。
7.根据权利要求1所述的装置，其特征在于，所述风险分析处理模块包括：
模型输出获取模块，用于获得所述风险分析模型的输出数据；
分析结果获得模块，用于根据所述风险分析模型的输出数据以及预设的映射关系，确定所述待分析对象的慢性病风险程度，并将所述慢性病风险程度作为所述慢性病风险分析结果；
其中，所述预设的映射关系为所述风险分析模型的输出数据与慢性病风险程度之间的映射关系。
8.根据权利要求1所述的装置，其特征在于，所述装置还包括：
可靠性分析模块，用于根据所述待分析对象对所述慢性病风险分析结果的反馈信息，确定所述慢性病风险分析结果的可靠性；
样本获取模块，用于当所述可靠性满足预设的模型更新条件时，根据所述生理参数、所述阻抗参数和所述慢性病风险分析结果得到模型更新样本；
模型更新模块，用于基于所述模型更新样本对所述风险分析模型进行更新。
9.一种慢性病风险分析设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
获取待分析对象的生理参数和阻抗参数；
确定待分析的慢性病风险类型；
查询所述慢性病风险类型对应的风险分析模型；其中，所述风险分析模型基于预设的训练集训练得到，所述训练集包括多个样本对象的生理参数和阻抗参数，所述样本对象患有所述慢性病风险类型对应的慢性病；
将所述生理参数和所述阻抗参数输入至所述风险分析模型中进行风险分析，根据所述风险分析模型的输出数据得到所述待分析对象的慢性病风险分析结果。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：
获取待分析对象的生理参数和阻抗参数；
确定待分析的慢性病风险类型；
查询所述慢性病风险类型对应的风险分析模型；其中，所述风险分析模型基于预设的训练集训练得到，所述训练集包括多个样本对象的生理参数和阻抗参数，所述样本对象患有所述慢性病风险类型对应的慢性病；
将所述生理参数和所述阻抗参数输入至所述风险分析模型中进行风险分析，根据所述风险分析模型的输出数据得到所述待分析对象的慢性病风险分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010477677.XA CN111681759B (zh) | 2020-05-29 | 2020-05-29 | 慢性病风险分析装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010477677.XA CN111681759B (zh) | 2020-05-29 | 2020-05-29 | 慢性病风险分析装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111681759A true CN111681759A (zh) | 2020-09-18 |
| CN111681759B CN111681759B (zh) | 2023-10-27 |
Family
ID=72434454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010477677.XA Active CN111681759B (zh) | 2020-05-29 | 2020-05-29 | 慢性病风险分析装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111681759B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
| CN117243585A (zh) * | 2023-11-10 | 2023-12-19 | 深圳市奋达智能技术有限公司 | 无创心排量测量方法、系统、计算机设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6643385B1 (en) * | 2000-04-27 | 2003-11-04 | Mario J. Bravomalo | System and method for weight-loss goal visualization and planning and business method for use therefor |
| US20110306846A1 (en) * | 2010-06-15 | 2011-12-15 | Ivan Osorio | Systems approach to disease state and health assessment |
| CN103565521A (zh) * | 2012-07-20 | 2014-02-12 | 数伦计算机技术（上海）有限公司 | 一种糖尿病、心脑血管疾病监控及治疗系统 |
| CN104545910A (zh) * | 2014-12-29 | 2015-04-29 | 深圳市前海安测信息技术有限公司 | 慢性病早期电生理检测方法和系统 |
| CN105476632A (zh) * | 2015-11-10 | 2016-04-13 | 北京章鱼智数科技有限公司 | 人体电阻抗健康风险评估系统及方法 |
| JP2016064125A (ja) * | 2014-09-19 | 2016-04-28 | シナノケンシ株式会社 | 脳血管疾患の発症危険度予測システム |
| CN108122612A (zh) * | 2017-12-20 | 2018-06-05 | 姜涵予 | 数据库的建立、多维度健康风险等级确定方法及装置 |
| CN108135534A (zh) * | 2015-08-26 | 2018-06-08 | 瑞思迈传感器技术有限公司 | 监测和管理慢性疾病的系统与方法 |
| CN108399953A (zh) * | 2018-03-12 | 2018-08-14 | 平安健康互联网股份有限公司 | 基于体检报告的健康评分方法、装置及存储介质 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
-
2020
- 2020-05-29 CN CN202010477677.XA patent/CN111681759B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6643385B1 (en) * | 2000-04-27 | 2003-11-04 | Mario J. Bravomalo | System and method for weight-loss goal visualization and planning and business method for use therefor |
| US20110306846A1 (en) * | 2010-06-15 | 2011-12-15 | Ivan Osorio | Systems approach to disease state and health assessment |
| CN103565521A (zh) * | 2012-07-20 | 2014-02-12 | 数伦计算机技术（上海）有限公司 | 一种糖尿病、心脑血管疾病监控及治疗系统 |
| JP2016064125A (ja) * | 2014-09-19 | 2016-04-28 | シナノケンシ株式会社 | 脳血管疾患の発症危険度予測システム |
| CN104545910A (zh) * | 2014-12-29 | 2015-04-29 | 深圳市前海安测信息技术有限公司 | 慢性病早期电生理检测方法和系统 |
| CN108135534A (zh) * | 2015-08-26 | 2018-06-08 | 瑞思迈传感器技术有限公司 | 监测和管理慢性疾病的系统与方法 |
| CN105476632A (zh) * | 2015-11-10 | 2016-04-13 | 北京章鱼智数科技有限公司 | 人体电阻抗健康风险评估系统及方法 |
| CN108122612A (zh) * | 2017-12-20 | 2018-06-05 | 姜涵予 | 数据库的建立、多维度健康风险等级确定方法及装置 |
| CN108399953A (zh) * | 2018-03-12 | 2018-08-14 | 平安健康互联网股份有限公司 | 基于体检报告的健康评分方法、装置及存储介质 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
| CN117243585A (zh) * | 2023-11-10 | 2023-12-19 | 深圳市奋达智能技术有限公司 | 无创心排量测量方法、系统、计算机设备及存储介质 |
| CN117243585B (zh) * | 2023-11-10 | 2024-04-16 | 深圳市奋达智能技术有限公司 | 无创心排量测量方法、系统、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111681759B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2532953C2 (ru) | Устройство измерения биологической информации, способ измерения биологической информации и устройство измерения состава тела | |
| US8965497B2 (en) | Electrophysiological analysis system and method | |
| CN111681759B (zh) | 慢性病风险分析装置、设备和存储介质 | |
| CN110516762B (zh) | 一种肌肉状态量化评定方法、装置、存储介质及智能终端 | |
| CN108665957B (zh) | 一种人体体成分预测及营养运动方案推荐方法 | |
| WO2020161274A1 (en) | Method of evaluating a muscle related condition | |
| CN111048209A (zh) | 基于活体人脸识别的健康评估方法、装置及其存储介质 | |
| CN111862020A (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
| CN111887847A (zh) | 基于人体成分仪的内脏脂肪测量方法、装置、计算机设备和存储介质 | |
| CN111291131A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| Lim et al. | Machine learning versus classical electrocardiographic criteria for echocardiographic left ventricular hypertrophy in a pre-participation cohort | |
| CN116194997A (zh) | 健康水平判定系统、健康水平判定程序和健康水平判定服务器 | |
| KR100685317B1 (ko) | 고객맞춤형 체성분분석장치 및 그 방법 | |
| CN111798992A (zh) | 一种肥胖与非慢性传染病发病风险的分析方法及系统 | |
| CN112331283A (zh) | 健康监测方法、装置及计算机可读介质 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN114176532A (zh) | 一种测定cfPWV参数的临床验证方法及其应用系统 | |
| JP4723078B2 (ja) | 体脂肪計 | |
| CN114550924A (zh) | 基于人工智能的重疾状态预测方法、装置、设备及介质 | |
| AU2018286480B2 (en) | Indicator determination | |
| JP4132768B2 (ja) | 健康情報表示装置 | |
| US20230132225A1 (en) | Measurement device | |
| CN111584074A (zh) | 肌肉损伤的评价方法及装置 | |
| CN117672495B (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 |
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 |