CN112420215A - 基于人工智能的生理数据判断方法和系统 - Google Patents
基于人工智能的生理数据判断方法和系统 Download PDFInfo
- Publication number
- CN112420215A CN112420215A CN202011108310.7A CN202011108310A CN112420215A CN 112420215 A CN112420215 A CN 112420215A CN 202011108310 A CN202011108310 A CN 202011108310A CN 112420215 A CN112420215 A CN 112420215A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- physiological data
- judgment result
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000010801 machine learning Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000035488 systolic blood pressure Effects 0.000 claims description 31
- 230000035487 diastolic blood pressure Effects 0.000 claims description 30
- 230000036772 blood pressure Effects 0.000 claims description 25
- 210000002302 brachial artery Anatomy 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004590 computer program Methods 0.000 description 27
- 230000015654 memory Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种基于人工智能的生理数据判断方法和系统。所述方法应用于生理数据判断系统，系统包括用户端和云端服务器；方法包括：用户端获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果；若一级判断结果表征待测生理数据为正常数据，用户端则输出一级判断结果；若一级判断结果表征待测生理数据为异常数据，用户端将待测生理数据发送至云端服务器，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。采用本方法无需对每一待测对象的生理数据均采用机器学习模型进行复杂的运算处理，提高了生理数据的判断效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于人工智能的生理数据判断方法和系统。
背景技术
健康管理是指一种对个人或人群的健康危险因素进行全面管理的过程。随着城市化进程的加快，人们生活压力越来越大，繁忙的工作使得人们常常忽略自己的身体状况，忘记了定期体检，从而错过了提前发现病症的最佳时机。
传统的健康管理通过监测系统采集得到用户的生理数据，例如，可反映人体心脏状态的心率，并采用大量生理数据训练得到监测模型，监测模型是基于机器学习的网络模型，监测系统将采集得到的用户的生理数据输入监测模型进行运算处理，即可得到针对该用户生理数据的判断结果。
然而，上述传统方法中监测模型需要处理的数据量大，运算过程复杂，降低了判断效率。
发明内容
基于此，有必要针对上述技术问题，提供一种基于人工智能的生理数据判断方法和系统、用户端、云端服务器和存储介质。
一种生理数据判断方法，应用于生理数据判断系统，系统包括用户端和云端服务器；方法包括：
用户端获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果；
若一级判断结果表征待测生理数据为正常数据，用户端则输出一级判断结果；
若一级判断结果表征待测生理数据为异常数据，用户端将待测生理数据发送至云端服务器，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。
在其中一个实施例中，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果，包括：
云端服务器将待测生理数据输入机器学习模型，得到第一判断结果；
云端服务器从用户端获取待测对象的基础信息，根据基础信息判断待测生理数据是否与预设的规则库中基础信息对应的目标生理数据匹配，得到第二判断结果；其中，规则库包括基础信息与生理数据之间的对应关系；
云端服务器获取目标数据范围，判断待测生理数据是否与目标数据范围匹配，得到第三判断结果；其中，目标数据范围由待测对象为正常数据的历史生理数据中的最大值和最小值确定；
云端服务器根据第一判断结果、第二判断结果以及第三判断结果确定二级判断结果。
在其中一个实施例中，云端服务器根据第一判断结果、第二判断结果以及第三判断结果确定二级判断结果，包括：
若第一判断结果和第二判断结果以及第三判断结果均相同，则确定第一判断结果为二级判断结果；
若第一判断结果和第二判断结果以及第三判断结果中的至少两个判断结果不相同，则确定第三判断结果为二级判断结果。
在其中一个实施例中，系统还包括：医生客户端；方法还包括：
用户端将一级判断结果输出至医生客户端；
云端服务器将待测生理数据、二级判断结果以及待测对象的历史生理数据发送至医生客户端。
在其中一个实施例中，方法还包括：
医生客户端接收医生输入的三级判断结果；其中，三级判断结果为根据待测生理数据和待测对象的历史生理数据确定的；
医生客户端判断三级判断结果和二级判断结果是否相同；
若相同，医生客户端则输出三级判断结果至用户端；
若不同，医生客户端则输出三级判断结果至云端服务器和用户端。
在其中一个实施例中，方法还包括：
云端服务器将二级判断结果更新为三级判断结果，并将三级判断结果和待测生理数据作为新的模型训练数据对机器学习模型进行更新训练。
在其中一个实施例中，用户端获取待测对象的待测生理数据，包括：
用户端对采集的待测对象的初始生理数据进行过滤处理，得到有效数据；
用户端根据预设的特征对应关系提取有效数据中的特征值，得到待测生理数据；其中，预设的特征对应关系包括有效数据与特征值之间的对应关系。
在其中一个实施例中，有效数据包括肱动脉震动数据和血压数据中的至少一个，根据预设的特征对应关系提取有效数据中的特征值，包括：
若有效数据包括肱动脉震动数据，则确定肱动脉震动数据中的频率、波峰对应数据以及波谷对应数据为特征值；
若有效数据包括血压数据，则确定血压数据中的舒张压和收缩压为特征值。
在其中一个实施例中，云端服务器包括第一服务器和第二服务器，待测对象包括多个待测对象，在云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果之前，方法还包括：
第一服务器接收多个待测对象的待测生理数据，根据每个待测生理数据对应的一级判断结果确定各待测对象的待测生理数据的优先级；
第一服务器对各待测对象的待测生理数据的优先级进行排序，得到优先级排序结果；
执行目标确定操作，目标确定操作包括：第一服务器根据优先级排序结果确定优先级最高的目标待测生理数据；根据获取的第一服务器的中央处理器CPU使用率和第二服务器CPU使用率，确定CPU使用率最低的目标服务器；
第一服务器将目标待测生理数据发送至目标服务器，并从优先级排序结果中删除目标待测生理数据，得到新的优先级排序结果，返回执行目标确定操作，得到新的目标待测生理数据，并确定新的目标服务器，将新的目标待测生理数据发送至新的目标服务器，直至新的优先级结果中的数据为空。
一种基于人工智能的生理数据判断系统，系统包括：用户端和云端服务器；用户端包括：一级判断模块和数据发送模块，云端服务器包括二级判断模块；
一级判断模块，用于获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果，在一级判断结果表征待测生理数据为正常数据的情况下，输出一级判断结果；
数据发送模块，用于在一级判断结果表征待测生理数据为异常数据的情况下，将待测生理数据发送至云端服务器；
二级判断模块，用于将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。
一种用户端和云端服务器，用户端和云端服务器均包括存储器和处理器以及收发器，存储器中存储有计算机程序，
用户端的处理器执行计算机程序时，用于获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果；在一级判断结果表征待测生理数据为正常数据的情况下，用户端则输出一级判断结果；在一级判断结果表征待测生理数据为异常数据的情况下，用户端的收发器，用于将待测生理数据发送至云端服务器；
云端服务器的处理器执行计算机程序时，用于将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果；
若一级判断结果表征待测生理数据为正常数据，则输出一级判断结果；
若一级判断结果表征待测生理数据为异常数据，将待测生理数据发送至云端服务器，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。
上述基于人工智能的生理数据判断方法和系统、用户端和云端服务器和存储介质，通过生理数据判断系统实现对待测对象的待测生理数据是否异常的判断，生理数据判断系统包括用户端和云端服务器，用户端获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果。在一级判断结果表征待测生理数据为正常数据的情况下，用户端则直接输出一级判断结果，而在一级判断结果表征待测生理数据为异常数据的情况下，用户端将待测生理数据发送至云端服务器，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果。由于机器学习模型为预先采用异常生理数据训练得到的网络模型，可方便快捷对待测生理数据是否异常进行判断，而上述生理数据判断方法预先对待测生理数据进行一级判断，该一级判断是与预设的生理阈值范围的数值匹配，数值匹配过程简单，计算量小，在一级判断结果为异常数据时，再采用机器学习模型对待测生理数据进行进一步的二级判断，在进行大量待测对象的生理数据判断时，无需对每一待测对象的生理数据均采用机器学习模型进行复杂的运算处理，进而提高了生理数据的判断效率。
附图说明
图1为一个实施例中生理数据判断方法的应用环境图；
图2为一个实施例中生理数据判断方法的流程示意图；
图3为一个实施例中得到二级判断结果的流程示意图；
图4为另一个实施例中生理数据判断方法的应用环境图；
图5为另一个实施例中生理数据判断方法的流程示意图；
图6为另一个实施例中生理数据判断方法的流程示意图；
图7为一个实施例中获取待测生理数据的流程示意图；
图8为另一个实施例中生理数据判断方法的流程示意图；
图9为一个实施例中生理数据判断系统的结构框图；
图10为另一个实施例中生理数据判断系统的结构框图；
图11为一个实施例中计算机设备的内部结构图。
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。
现有技术中对于待测对象的生理数据判断通常有两种方式，一种是人工判断，将测量得到的待测对象的生理数据发送给医生，医生根据自身专业知识以及临床经验，判断接收到的生理数据是否异常，这种判断方式不仅需要耗费大量的人力，同时受到医生工作内容和时间的限制，医生无法24小时随时对提供的生理数据进行判断，导致无法及时得知生理数据是否异常，也无法在生理数据恶化前采取改善措施，进而威胁到待测对象的健康；另一种是计算机模型判断，预先采用大量生理数据训练得到监测模型，计算机将采集得到的待测对象的生理数据输入监测模型进行运算处理，即可得到针对该待测对象的生理数据的判断结果，而这种方式中监测模型需要处理的数据量很大，运算过程复杂，在进行大量待测对象的生理数据判断时，每一待测对象的生理数据均需要采用监测模型进行复杂的运算处理，进而降低了判断效率。本申请提供一种生理数据判断方法、生理数据判断系统以及存储介质，以解决上述技术问题。
本申请提供的基于人工智能的生理数据判断方法，可以应用于如图1所示的基于人工智能的生理数据判断系统中。生理数据判断系统包括用户端102和云端服务器104，用户端102通过网络与云端服务器104进行通信。其中，用户端102获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果。若一级判断结果表征待测生理数据为正常数据，用户端102则输出一级判断结果。若一级判断结果表征待测生理数据为异常数据，用户端102将待测生理数据发送至云端服务器104，云端服务器104将待测生理数据输入预设的机器学习模型，得到二级判断结果，云端服务器104再将二级判断结果反馈给用户端102。机器学习模型为预先采用异常生理数据训练得到的网络模型。上述用户端端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，云端服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于人工智能的生理数据判断方法，以该方法应用于图1中的生理数据判断系统为例进行说明，包括以下步骤：
S210、用户端获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果。
其中，待测生理数据可用于表征待测对象当前的生理状态。可选地，待测生理数据可以是待测对象的心率、血压、体温等生理数据。预设的生理阈值范围为预先设定的针对待测生理数据的数据范围，例如，若待测生理数据为心率，对应预设的生理阈值范围可以是60-100次/分钟；若待测生理数据为血压，对应预设的生理阈值范围可以是收缩压90～140mmHg，舒张压60～90mmHg。可选地，预设的生理阈值范围可以是根据大量同类型的待测对象统计得出的数据范围，也可以是根据待测对象的历史生理数据所确定的数据范围。
可选地，预设的生理阈值范围包括多个，每一生理阈值范围对应一种生理状态即对应一种判断结果。例如，预设的生理阈值范围包括第一预设生理范围、第二预设生理范围以及第三预设生理范围，一级判断结果包括正常数据、一级异常数据以及二级异常数据。其中，第一预设生理范围对应正常数据，第二预设生理范围和第三预设生理范围对应异常数据，具体可以是第二预设生理范围对应一级异常数据，第三预设生理范围对应二级异常数据，二级异常数据相较一级异常数据的异常程度大。
具体地，用户端获取通过信号采集装置得到的待测对象的待测生理数据，例如，用户端获取通过高频血压计采集得到的肱动脉震动信号和血压值，判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果。例如，用户端获取通过高频血压计采集得到收缩压140mmHg，舒张压100mmHg，血压对应的第一预设生理范围为收缩压[90，140]mmHg，舒张压[60，90]mmHg，第二预设生理范围为收缩压＜90mmHg，第三预设生理范围为舒张压＞90mmHg，用户端将采集得到收缩压140mmHg，舒张压100mmHg与第一预设生理范围(收缩压[90，140]mmHg，舒张压[60，90]mmHg)和第二预设生理范围(收缩压＜90mmHg)以及第三预设生理范围(舒张压＞90mmHg)进行匹配，确定采集得到收缩压140mmHg，舒张压100mmHg与第三预设生理范围(舒张压＞90mmHg)匹配，则确定一级判断结果为待测生理数据(收缩压140mmHg，舒张压100mmHg)为二级异常数据。
S220、若一级判断结果表征待测生理数据为正常数据，用户端则输出一级判断结果。
具体地，若一级判断结果表征待测生理数据为正常数据，例如，采集得到收缩压120mmHg，舒张压80mmHg，用户端确定采集得到收缩压120mmHg，舒张压80mmHg与第一预设生理范围(收缩压[90，140]mmHg，舒张压[60，90]mmHg)匹配，则确定一级判断结果为正常数据，用户端则将该正常数据作为一级判断结果输出。
S230、若一级判断结果表征待测生理数据为异常数据，用户端将待测生理数据发送至云端服务器，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果。
其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。可选地，可采用最小二乘支持向量机、KNN(k-Nearest Neighbors，最近邻)或者长短时记忆神经网络等算法训练得到机器学习模型。本实施例中，通过该机器学习模型输出的二级判断结果也包括正常数据、一级异常数据以及二级异常数据。
具体地，如上述举例，用户端确定采集得到收缩压140mmHg，舒张压100mmHg与第三预设生理范围(舒张压＞90mmHg)匹配，则确定一级判断结果为待测生理数据(收缩压140mmHg，舒张压100mmHg)为二级异常数据。用户端则将待测生理数据(收缩压140mmHg，舒张压100mmHg)发送至云端服务器，云端服务器将该待测生理数据输入预设的机器学习模型，得到二级判断结果。云端服务器再将得到的二级判断结果发送给用户端。
本实施例中，通过生理数据判断系统实现对待测对象的待测生理数据是否异常的判断，生理数据判断系统包括用户端和云端服务器，用户端获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果。在一级判断结果表征待测生理数据为正常数据的情况下，用户端则直接输出一级判断结果，而在一级判断结果表征待测生理数据为异常数据的情况下，用户端将待测生理数据发送至云端服务器，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果。由于机器学习模型为预先采用异常生理数据训练得到的网络模型，可方便快捷对待测生理数据是否异常进行判断，而上述生理数据判断方法预先对待测生理数据进行一级判断，该一级判断是与预设的生理阈值范围的数值匹配，数值匹配过程简单，计算量小，在一级判断结果为异常数据时，再采用机器学习模型对待测生理数据进行进一步的二级判断，在进行大量待测对象的生理数据判断时，无需对每一待测对象的生理数据均采用机器学习模型进行复杂的运算处理，进而提高了生理数据的判断效率。
在一个实施例中，为进一步提高二级判断结果的准确性，如图3所示，S230中云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果，包括：
S310、云端服务器将待测生理数据输入机器学习模型，得到第一判断结果。
具体地，云端服务器将一级检测结果为异常数据的待测生理数据输入机器学习模型，通过该机器学习模型对输入的待测生理数据进行运算，得到该待测生理数据为正常数据、一级异常数据或者二级异常数据的第一判断结果。例如，待测对象为68岁的老人，采集得到的待测生理数据为收缩压140mmHg，舒张压100mmHg，通过该机器学习模型得到的第一判断结果为该待测生理数据为一级异常数据。
S320、云端服务器从用户端获取待测对象的基础信息，根据基础信息判断待测生理数据是否与预设的规则库中基础信息对应的目标生理数据匹配，得到第二判断结果。
其中，规则库包括基础信息与生理数据之间的对应关系。
可选地，待测对象的基础信息用于表征待测对象的个体基本信息，如物种、年龄、身高、体重等中的至少一个。规则库包括基础信息与生理数据之间的对应关系，例如，18～60周岁的成年人对应的正常数据的收缩压为80～140mmHg，舒张压50～90mmHg，60～80周岁的成年人对应的正常数据的收缩压为90～140mmHg，舒张压60～90mmHg，一级异常数据与为正常数据相差±10mmHg，二级异常数据为与正常数据相差超出±10mmHg。
具体地，云端服务器从用户端获取待测对象的基础信息，继续上述举例，待测对象为68岁的老人，采集得到的待测生理数据为收缩压140mmHg，舒张压100mmHg，云端服务器根据该基础信息(68岁的老人)将待测生理数据(收缩压140mmHg，舒张压100mmHg)与上述规则库进行匹配，确定该待测生理数据(收缩压140mmHg，舒张压100mmHg)的第二判断结果为一级异常数据。
S330、云端服务器获取目标数据范围，判断待测生理数据是否与目标数据范围匹配，得到第三判断结果。
其中，目标数据范围由待测对象的正常数据的历史生理数据中最大值和最小值确定。可选地，目标数据范围包括第一目标数据范围、第二目标数据范围以及第三目标数据范围，云端服务器获取待测对象正常数据下的历史血压数据中收缩压的最大值和最小值得到第一目标数据范围，如收缩压[108，145]mmHg，舒张压[75，102]mmHg，第二目标数据范围为与第一目标数据范围相差±10mmHg，对应一级异常数据，第三目标数据范围为与第一目标数据范围相差超出±10mmHg，对应二级异常数据。
具体地，云端服务器获取待测对象的目标数据范围，继续上述举例，将采集得到的待测生理数据(收缩压140mmHg，舒张压100mmHg)与上述第一目标数据范围([108，145]mmHg和[75，102]mmHg)、第二目标数据范围以及第三目标数据范围进行匹配，确定该待测生理数据(收缩压140mmHg，舒张压100mmHg)与第一目标数据范围([108，145]mmHg和[75，102]mmHg)匹配，则确定第三判断结果为正常数据。
S340、云端服务器根据第一判断结果、第二判断结果以及第三判断结果确定二级判断结果。
具体地，云端服务器根据第一判断结果、第二判断结果以及第三判断结果三者是否均相同，来确定二级判断结果。例如，若第一判断结果和第二判断结果以及第三判断结果均相同，云端服务器则确定第一判断结果为二级判断结果。若第一判断结果和第二判断结果以及第三判断结果中的至少两个判断结果不相同，云端服务器则确定第三判断结果为二级判断结果。
本实施例中，云端服务器通过机器学习模型得到待测生理数据的第一判断结果，通过预设的规则库得到待测生理数据的第二判断结果以及通过待测对象为正常数据的历史生理数据得到待测生理数据的第三判断结果，综合比较上述三种判断结果是否均相同，来确定最终的二级判断结果，采用多种判断结果的相互佐证的方式进一步提高二级判断结果的准确性。
在一个实施例中，如图4所示，上述生理数据判断系统还包括医生客户端106，医生客户端106与用户端102和云端服务器104通过网络进行通信。其中，医生客户端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，如图5所示，上述生理数据判断方法还包括：
S510、用户端将一级判断结果输出至医生客户端。
可选地，用户端可将为一级异常数据的一级判断结果输出至医生客户端，也可将为二级异常数据的一级判断结果输出至医生客户端，还可以根据预设上传方式将得到的一级判断结果输出至医生客户端，例如，将每天的第一次一级判断结果无论是否异常均上传至医生客户端。
S520、云端服务器将待测生理数据、二级判断结果以及待测对象的历史生理数据发送至医生客户端。
具体地，用户端进行生理数据判断后，将得到的一级判断结果输出至医生客户端。云端服务器将待测生理数据、二级判断结果以及待测对象的历史生理数据也发送至医生客户端，以供医生或专业人士参考一级判断结果和二级判断结果，再基于待测对象的历史生理数据，根据自身专业知识以及临床经验判断待测生理数据是否异常。
可选地，如图6所示，上述生理数据判断方法还包括：
S610、医生客户端接收医生输入的三级判断结果。
其中，三级判断结果为根据待测生理数据和待测对象的历史生理数据确定的。
S620、医生客户端判断三级判断结果和二级判断结果是否相同。
S630、若相同，医生客户端则输出三级判断结果至用户端。
S640、若不同，医生客户端则输出三级判断结果至云端服务器和用户端。
具体地，医生基于待测对象的历史生理数据，结合自身专业知识以及临床经验得出该待测对象的待测生理数据是否异常的三级判断结果，并将该三级判断结果输入医生客户端，医生客户端进一步判断该三级判断结果与接收到的云端服务器所发送的二级判断结果是否相同。其中，若相同，医生客户端则输出三级判断结果至用户端，以明确待测对象的待测生理数据经医生或专业人士验证后的最终判断结果。若不同，医生客户端则输出三级判断结果至云端服务器和用户端。
可选地，在三级判断结果与二级判断结果不同的情况下，云端服务器再将二级判断结果更新为三级判断结果，并将三级判断结果和待测生理数据作为新的模型训练数据对机器学习模型进行更新训练，以提高机器学习模型的判断准确性。
本实施例中，用户端将一级判断结果输出至医生客户端，云端服务器将待测生理数据、二级判断结果以及待测对象的历史生理数据发送至医生客户端，以供医生进行人工判断，医生基于待测对象的历史生理数据，结合自身专业知识以及临床经验得出该待测对象的待测生理数据是否异常的三级判断结果，并将三级判断结果反馈给用户端，以确保判断结果的准确性，医生客户端在三级判断结果和二级判断结果不同时，进一步将三级判断结果发送至云端服务器，云端服务器再将二级判断结果更新为三级判断结果，以确保判断结果的准确与统一。
在一个实施例中，如图7所示，为进一步提高生理数据判断的准确性，上述S210中的用户端获取待测对象的待测生理数据，包括：
S710、用户端对采集的待测对象的初始生理数据进行过滤处理，得到有效数据。
具体地，用户端对采集得到的待测对象的初始生理数据进行过滤除噪，排除干扰数据，以得到有效数据。
S720、用户端根据预设的特征对应关系提取有效数据中的特征值，得到待测生理数据。
其中，预设的特征对应关系包括有效数据与特征值之间的对应关系。
具体地，有效数据包括肱动脉震动数据和血压数据中的至少一个，若有效数据包括肱动脉震动数据，用户端则确定肱动脉震动数据中的频率、波峰对应数据以及波谷对应数据为特征值；若有效数据包括血压数据，用户端则确定血压数据中的收缩压和扩展压为特征值。
本实施例中，使用去除了干扰数据的有效数据进行后续的判断，提高了生理数据判断的准确性，避免了噪点带来的误差，提取有效数据中的特征值进行后续的判断，减少了数据计算量，进一步提高了判断效率。同时，肱动脉震动数据/血压数据可用于反映心脏的健康状态，判断肱动脉震动数据/血压数据是否异常可作为对心脏研究的数据基础，有利于心脏的健康管理。
在一个实施例中，如图8所示，云端服务器包括第一服务器和第二服务器，待测对象包括多个待测对象，上述S230之前，上述方法还包括：
S810、第一服务器接收多个待测对象的待测生理数据，根据每个待测生理数据对应的一级判断结果确定各待测对象的待测生理数据的优先级。
其中，优先级用于确定待测生理数据的处理顺序，一级判断结果用于表征待测生理数据的异常程度，异常程度越高，待测生理数据的优先级越高。
可选地，云端服务器包括一个第一服务器，和多个第二服务器，第一服务器与多个第二服务器之间通过网络通信。
S820、第一服务器对各待测对象的待测生理数据的优先级进行排序，得到优先级排序结果。
具体地，在同一时刻，第一服务器接收到多个待测对象的待测生理数据，例如，接收到待测对象1～3的待测生理数据，待测对象1的待测生理数据对应的一级判断结果为正常数据，待测对象2的待测生理数据对应的一级判断结果为一级异常数据，待测对象3的待测生理数据对应的一级判断结果为二级异常数据，第一服务器根据每个待测生理数据对应的一级判断结果确定优先级，并对待测生理数据的优先级进行排序，得到优先级排序结果：待测对象3的待测生理数据优先于待测对象2的待测生理数据，待测对象2的待测生理数据优先于待测对象1的待测生理数据。
S830、执行目标确定操作，目标确定操作包括：
第一服务器根据优先级排序结果确定优先级最高的目标待测生理数据；根据获取的第一服务器的中央处理器CPU使用率和第二服务器CPU使用率，确定CPU使用率最低的目标服务器。
具体地，第一服务器在得到的优先级排序结果中确定优先级最高的待测生理数据作为目标待测生理数据，即确定上述待测对象3的待测生理数据为目标待测生理数据。第一服务器与多个第二服务器之间的通过网络通信，以获取自身的中央处理器CPU使用率和每一第二服务器CPU使用率，并从中确定CPU使用率最低的服务器作为目标服务器。例如，第一服务器A分别与第二服务器B1和第二服务器B2通过网络通信，获取得到自身的CPU使用率为85％，第一服务器B1的CPU使用率为65％，第二服务器B2的CPU使用率为60％，第一服务器A则将CPU使用率最低的第二服务器B2作为目标服务器。
S840、第一服务器将目标待测生理数据发送至目标服务器，并从优先级排序结果中删除目标待测生理数据，得到新的优先级排序结果，返回执行目标确定操作，得到新的目标待测生理数据，并确定新的目标服务器，将新的目标待测生理数据发送至新的目标服务器，直至新的优先级结果中的数据为空。
具体地，在确定了目标待测生理数据和目标服务器后，第一服务器则将目标待测生理数据发送至目标服务器，以通过该目标服务器对该目标待测生理数据进行二级判断，得到二级判断结果。在第一服务器将目标待测生理数据发送至目标服务器后，第一服务器再从优先级排序结果中删除该目标待测生理数据，得到新的优先级排序结果，并返回执行目标确定操作，从新的优先级排序结果中确定新的目标待测生理数据，并确定新的目标服务器，将新的目标待测生理数据发送至新的目标服务器，直至新的优先级结果中的数据为空。例如，在第一服务器A将目标待测生理数据发送至目标服务器B2后，第一服务器A再从优先级排序结果中删除该目标待测生理数据即待测对象3的待测生理数据，得到新的优先级排序结果，即待测对象2的待测生理数据优先于待测对象1的待测生理数据，再返回执行目标确定操作，从新的优先级排序结果中确定新的目标待测生理数据即为待测对象2的待测生理数据，并确定新的目标服务器。第一服务器A将目标待测生理数据发送至目标服务器即第二服务器B2后，第二服务器B2的CPU使用率由原来的60％变为66％，则确定新的目标服务器为第二服务器B1，第一服务器再将新的目标待测生理数据(待测对象2的待测生理数据)发送至新的目标服务器(第二服务器B1)，直至新的优先级结果中的数据为空。
本实施例中，第一服务器将同一时刻接收到的待测对象的待测生理数据按照优先级顺序依次分发给对应CPU使用率低的服务器，以及时、有序且有效地为每一待测对象的待测生理数据进行二级判断，在提高判断效率的同时，以待测生理数据的一级判断结果作为优先级排序依据，为异常程度高的待测生理数据尽可能快的提供二级判断结果，以提高生理数据判断的实际应用意义。
应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种基于人工智能的生理数据判断系统，系统包括：用户端和云端服务器；用户端包括：一级判断模块901和数据发送模块902，云端服务器包括二级判断模块903；
一级判断模块901用于获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果，在一级判断结果表征待测生理数据为正常数据的情况下，输出一级判断结果；
数据发送模块902用于在一级判断结果表征待测生理数据为异常数据的情况下，将待测生理数据发送至云端服务器；
二级判断模块903用于将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。
在其中一个实施例中，二级判断模块903具体用于：
将待测生理数据输入机器学习模型，得到第一判断结果；从用户端获取待测对象的基础信息，根据基础信息判断待测生理数据是否与预设的规则库中基础信息对应的目标生理数据匹配，得到第二判断结果；其中，规则库包括基础信息与生理数据之间的对应关系；获取目标数据范围，判断待测生理数据是否与目标数据范围匹配，得到第三判断结果；其中，目标数据范围由待测对象为正常数据的历史生理数据中的最大值和最小值确定；根据第一判断结果、第二判断结果以及第三判断结果确定二级判断结果。
在其中一个实施例中，二级判断模块903具体用于：
若第一判断结果和第二判断结果以及第三判断结果均相同，则确定第一判断结果为二级判断结果；若第一判断结果和第二判断结果以及第三判断结果中的至少两个判断结果不相同，则确定第三判断结果为二级判断结果。
在其中一个实施例中，系统还包括：医生客户端；医生客户端包括数据输出模块；
数据输出模块用于将一级判断结果输出至医生客户端；云端服务器将待测生理数据、二级判断结果以及待测对象的历史生理数据发送至医生客户端。
在其中一个实施例中，医生客户端还包括数据接收模块和等级判断模块；数据接收模块用于接收医生输入的三级判断结果；其中，三级判断结果为根据待测生理数据和待测对象的历史生理数据确定的；等级判断模块用于判断三级判断结果和二级判断结果是否相同；若相同，等级判断模块则输出三级判断结果至用户端；若不同，等级判断模块则输出三级判断结果至云端服务器和用户端。
在其中一个实施例中，云端服务器还包括：等级更新模块；
等级更新模块用于将二级判断结果更新为三级判断结果，并将三级判断结果和待测生理数据作为新的模型训练数据对机器学习模型进行更新训练。
在其中一个实施例中，数据获取模块具体用于：
对采集的待测对象的初始生理数据进行过滤处理，得到有效数据；根据预设的特征对应关系提取有效数据中的特征值，得到待测生理数据；其中，预设的特征对应关系包括有效数据与特征值之间的对应关系。
在其中一个实施例中，有效数据包括肱动脉震动数据和血压数据中的至少一个，数据获取模块具体用于：
若有效数据包括肱动脉震动数据，则确定肱动脉震动数据中的频率、波峰对应数据以及波谷对应数据为特征值；若有效数据包括血压数据，则确定血压数据中的舒张压和收缩压为特征值。
在其中一个实施例中，云端服务器包括第一服务器和第二服务器，待测对象包括多个待测对象，二级判断模块还用于：
接收多个待测对象的待测生理数据，根据每个待测生理数据对应的一级判断结果确定各待测对象的待测生理数据的优先级；对各待测对象的待测生理数据的优先级进行排序，得到优先级排序结果；执行目标确定操作，目标确定操作包括：第一服务器根据优先级排序结果确定优先级最高的目标待测生理数据；根据获取的第一服务器的中央处理器CPU使用率和第二服务器CPU使用率，确定CPU使用率最低的目标服务器；将目标待测生理数据发送至目标服务器，并从优先级排序结果中删除目标待测生理数据，得到新的优先级排序结果，返回执行目标确定操作，得到新的目标待测生理数据，并确定新的目标服务器，将新的目标待测生理数据发送至新的目标服务器，直至新的优先级结果中的数据为空。
在一个实施例中，如图10所示，提供了一种基于人工智能的生理数据判断系统，系统包括：用户端1010和云端服务器1020以及医生客户端1030。其中，用户端1010包括：生理信号采集模块1011，信号处理模块1012，特征提取模块1013、快速诊断模块1014、用户数据存储模块1015、用户数据显示模块1016、状态指示模块1017、用户数据传输模块1018以及用户通信模块1019。云端服务器1020包括：任务自动调度模块1021、模型支撑模块1022、规则支撑模块1023、智能诊断模块1024、云端数据存储模块1025、云端数据显示模块1026以及云端数据传输模块1027。医生客户端1030包括：数据查询模块1031、人工诊断模块1032、医生数据存储模块1033、医生数据显示模块1034、医生数据传输模块1035以及医生通信模块1036。
具体地，生理信号采集模块1011用于采集待测对象的原始生理数据；信号处理模块1012用于对采集的原始生理信号进行过滤除噪处理，得到有效数据；特征提取模块1013用于根据预设的特征对应关系提取有效数据中的特征值，得到待测生理数据；快速诊断模块1014用于判断待测生理数据是否与预设的生理阈值范围匹配，以对待测生理数据进行快速分类，输出待测生理数据为正常数据、一级异常数据或者二级异常数据的一级判断结果；用户数据存储模块1015用于存储和更新原始生理数据、待测生理数据和一级判断结果；用户数据显示模块1016用于显示原始生理数据的变化和一级判断结果；状态指示模块1017用于显示用户端1010的工作状态，如电源、通信、故障等；用户数据传输模块1018用于与云端服务器1020和医生客户端1030进行数据传输；用户通信模块1019用于提供与医生客户端1020和云端服务器1030的网络通信和自身的移动通信。
可选地，云端服务器1020包括第一服务器和第二服务器。第一服务器中的任务自动调度模块1021接收用户端发送的待测生理数据和一级判断结果，在同一时刻接收到多个用户端发送来的待测生理数据的情况下，任务自动调度模块1021用于根据每一待测生理数据对应的一级判断结果对待测生理数据进行优先级排序，并根据第一服务器和第二服务器当前的负载状态，如CPU使用率或者内存使用率，按照优先级顺序依次将待测生理数据发送至当前CPU使用率低或者内存使用率低的目标服务器中。模型支撑模块1022用于采用大量异常生理数据训练得到机器学习模型，并负责机器学习模型的优化和更新；规则支撑模块1023用于录入待测对象个体的基础信息与生理数据之间对应关系所建立的规则库，并负责规则库的更新管理；智能诊断模块1024用于利用机器学习模型和规则库，依据用户的历史生理数据对待测对象的待测生理数据进行自动诊断，输出待测生理数据为正常数据、一级异常数据或者二级异常数据的二级判断结果；云端数据存储模块1025用于存储和管理来自用户端1010和医生客户端1030的数据以及二级诊断结果；云端数据显示模块1026用于显示用户信息、医生信息、任务队列、一级诊断结果以及二级诊断结果等；云端数据传输模块1027用于实现与用户端1010和医生客户端1030的数据传输。
数据查询模块1031用于查询用户信息、用户端信息、原始生理数据、一级判断结果以及二级诊断结果等；人工诊断模块1032用于实现三级判断结果的录入；医生数据存储模块1033用于三级判断结果、用户信息、待测生理数据等信息的临时保存；医生数据显示模块1034用于显示用户信息、原始生理数据的变化、待测生理数据、一级判断结果以及二级判断结果；医生数据传输模块1035用于实现与云端服务器1020和用户端1010的数据传输；医生通信模块1036用于提供与用户端1010和云端服务器1020的网络通信和自身的移动通信。
关于生理数据判断系统的具体限定可以参见上文中对于生理数据判断方法的限定，在此不再赘述。上述生理数据判断系统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，提供了一种计算机设备，该计算机设备可以是终端或服务器，以终端为例，其内部结构图可以如图11所示。在本申请实施例中，计算机设备可以是用户端、云端服务器或医生客户端。该计算机设备包括通过系统总线连接的处理器、存储器、收发器、通信接口、显示屏和输入装置。其中，该计算机设备的收发器用于发送以及接收数据。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种生理数据判断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11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，提供了一种用户端和云端服务器以及医生客户端，用户端和云端服务器以及医生客户端均包括存储器和处理器以及收发器，存储器中存储有计算机程序，
用户端的处理器执行计算机程序时，用于获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果；在一级判断结果表征待测生理数据为正常数据的情况下，用户端则输出一级判断结果；在一级判断结果表征待测生理数据为异常数据的情况下，用户端的收发器，用于将待测生理数据发送至云端服务器；
云端服务器的处理器执行计算机程序时，用于将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。
在一个实施例中，云端服务器的处理器执行计算机程序时还实现以下步骤：
将待测生理数据输入机器学习模型，得到第一判断结果；从用户端获取待测对象的基础信息，根据基础信息判断待测生理数据是否与预设的规则库中基础信息对应的目标生理数据匹配，得到第二判断结果；其中，规则库包括基础信息与生理数据之间的对应关系；获取目标数据范围，判断待测生理数据是否与目标数据范围匹配，得到第三判断结果；其中，目标数据范围由待测对象为正常数据的历史生理数据中的最大值和最小值确定；根据第一判断结果、第二判断结果以及第三判断结果确定二级判断结果。
在一个实施例中，云端服务器的处理器执行计算机程序时还实现以下步骤：
若第一判断结果和第二判断结果以及第三判断结果均相同，则确定第一判断结果为二级判断结果；若第一判断结果和第二判断结果以及第三判断结果中的至少两个判断结果不相同，则确定第三判断结果为二级判断结果。
在一个实施例中，用户端的收发器还用于将一级判断结果输出至医生客户端；云端服务器的收发器将待测生理数据、二级判断结果以及待测对象的历史生理数据发送至医生客户端。
在一个实施例中，医生客户端的处理器执行计算机程序时还实现以下步骤：
接收医生输入的三级判断结果；其中，三级判断结果为根据待测生理数据和待测对象的历史生理数据确定的；判断三级判断结果和二级判断结果是否相同；若相同，则输出三级判断结果至用户端；若不同，则输出三级判断结果至云端服务器和用户端。
在一个实施例中，云端服务器的处理器执行计算机程序时还实现以下步骤：
将二级判断结果更新为三级判断结果，并将三级判断结果和待测生理数据作为新的模型训练数据对机器学习模型进行更新训练。
在一个实施例中，用户端的处理器执行计算机程序时还实现以下步骤：
对采集的待测对象的初始生理数据进行过滤处理，得到有效数据；根据预设的特征对应关系提取有效数据中的特征值，得到待测生理数据；其中，预设的特征对应关系包括有效数据与特征值之间的对应关系。
在一个实施例中，有效数据包括肱动脉震动数据和血压数据中的至少一个，用户端的处理器执行计算机程序时还实现以下步骤：
若有效数据包括肱动脉震动数据，则确定肱动脉震动数据中的频率、波峰对应数据以及波谷对应数据为特征值；若有效数据包括血压数据，则确定血压数据中的舒张压和收缩压为特征值。
在其中一个实施例中，云端服务器包括第一服务器和第二服务器，待测对象包括多个待测对象，云端服务器的处理器执行计算机程序时还实现以下步骤：
接收多个待测对象的待测生理数据，根据每个待测生理数据对应的一级判断结果确定各待测对象的待测生理数据的优先级；对各待测对象的待测生理数据的优先级进行排序，得到优先级排序结果；执行目标确定操作，目标确定操作包括：根据优先级排序结果确定优先级最高的目标待测生理数据；根据获取的第一服务器的中央处理器CPU使用率和第二服务器CPU使用率，确定CPU使用率最低的目标服务器；将目标待测生理数据发送至目标服务器，并从优先级排序结果中删除目标待测生理数据，得到新的优先级排序结果，返回执行目标确定操作，得到新的目标待测生理数据，并确定新的目标服务器，将新的目标待测生理数据发送至新的目标服务器，直至新的优先级结果中的数据为空。
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：
获取待测对象的待测生理数据，并判断待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果；若一级判断结果表征待测生理数据为正常数据，则输出一级判断结果；若一级判断结果表征待测生理数据为异常数据，将待测生理数据发送至云端服务器，云端服务器将待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，机器学习模型为预先采用异常生理数据训练得到的网络模型。
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：
将待测生理数据输入机器学习模型，得到第一判断结果；从用户端获取待测对象的基础信息，根据基础信息判断待测生理数据是否与预设的规则库中基础信息对应的目标生理数据匹配，得到第二判断结果；其中，规则库包括基础信息与生理数据之间的对应关系；获取目标数据范围，判断待测生理数据是否与目标数据范围匹配，得到第三判断结果；其中，目标数据范围由待测对象为正常数据的历史生理数据中的最大值和最小值确定；根据第一判断结果、第二判断结果以及第三判断结果确定二级判断结果。
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：
若第一判断结果和第二判断结果以及第三判断结果均相同，则确定第一判断结果为二级判断结果；若第一判断结果和第二判断结果以及第三判断结果中的至少两个判断结果不相同，则确定第三判断结果为二级判断结果。
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：
将一级判断结果输出至医生客户端；将待测生理数据、二级判断结果以及待测对象的历史生理数据发送至医生客户端。
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：
接收医生输入的三级判断结果；其中，三级判断结果为根据待测生理数据和待测对象的历史生理数据确定的；判断三级判断结果和二级判断结果是否相同；若相同，则输出三级判断结果至用户端；若不同，则输出三级判断结果至云端服务器和用户端。
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：
将二级判断结果更新为三级判断结果，并将三级判断结果和待测生理数据作为新的模型训练数据对机器学习模型进行更新训练。
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：
对采集的待测对象的初始生理数据进行过滤处理，得到有效数据；根据预设的特征对应关系提取有效数据中的特征值，得到待测生理数据；其中，预设的特征对应关系包括有效数据与特征值之间的对应关系。
在一个实施例中，有效数据包括肱动脉震动数据和血压数据中的至少一个，计算机程序被处理器执行时还实现以下步骤：
若有效数据包括肱动脉震动数据，则确定肱动脉震动数据中的频率、波峰对应数据以及波谷对应数据为特征值；若有效数据包括血压数据，则确定血压数据中的舒张压和收缩压为特征值。
在其中一个实施例中，云端服务器包括第一服务器和第二服务器，待测对象包括多个待测对象，计算机程序被处理器执行时还实现以下步骤：
接收多个待测对象的待测生理数据，根据每个待测生理数据对应的一级判断结果确定各待测对象的待测生理数据的优先级；对各待测对象的待测生理数据的优先级进行排序，得到优先级排序结果；执行目标确定操作，目标确定操作包括：根据优先级排序结果确定优先级最高的目标待测生理数据；根据获取的第一服务器的中央处理器CPU使用率和第二服务器CPU使用率，确定CPU使用率最低的目标服务器；将目标待测生理数据发送至目标服务器，并从优先级排序结果中删除目标待测生理数据，得到新的优先级排序结果，返回执行目标确定操作，得到新的目标待测生理数据，并确定新的目标服务器，将新的目标待测生理数据发送至新的目标服务器，直至新的优先级结果中的数据为空。
本领域普通技术人员可以理解实现上述实施例方法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，可包括如上述各方法的实施例的流程。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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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)
1.一种基于人工智能的生理数据判断方法，其特征在于，应用于生理数据判断系统，所述系统包括用户端和云端服务器；所述方法包括：
所述用户端获取待测对象的待测生理数据，并判断所述待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果；
若所述一级判断结果表征所述待测生理数据为正常数据，所述用户端则输出所述一级判断结果；
若所述一级判断结果表征所述待测生理数据为异常数据，所述用户端将所述待测生理数据发送至所述云端服务器，所述云端服务器将所述待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，所述机器学习模型为预先采用异常生理数据训练得到的网络模型。
2.根据权利要求1所述的方法，其特征在于，所述云端服务器将所述待测生理数据输入预设的机器学习模型，得到二级判断结果，包括：
所述云端服务器将所述待测生理数据输入所述机器学习模型，得到第一判断结果；
所述云端服务器从所述用户端获取所述待测对象的基础信息，根据所述基础信息判断所述待测生理数据是否与预设的规则库中所述基础信息对应的目标生理数据匹配，得到第二判断结果；其中，所述规则库包括基础信息与生理数据之间的对应关系；
所述云端服务器获取目标数据范围，判断所述待测生理数据是否与所述目标数据范围匹配，得到第三判断结果；其中，所述目标数据范围由所述待测对象为正常数据的历史生理数据中的最大值和最小值确定；
所述云端服务器根据所述第一判断结果、所述第二判断结果以及所述第三判断结果确定所述二级判断结果。
3.根据权利要求2所述的方法，其特征在于，所述云端服务器根据所述第一判断结果、所述第二判断结果以及所述第三判断结果确定所述二级判断结果，包括：
若所述第一判断结果和所述第二判断结果以及第三判断结果均相同，则确定所述第一判断结果为所述二级判断结果；
若所述第一判断结果和所述第二判断结果以及第三判断结果中的至少两个判断结果不相同，则确定所述第三判断结果为所述二级判断结果。
4.根据权利要求2或3所述的方法，其特征在于，所述系统还包括：医生客户端；所述方法还包括：
所述用户端将所述一级判断结果输出至所述医生客户端；
所述云端服务器将所述待测生理数据、所述二级判断结果以及所述待测对象的历史生理数据发送至所述医生客户端。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
所述医生客户端接收医生输入的三级判断结果；其中，所述三级判断结果为根据所述待测生理数据和所述待测对象的历史生理数据确定的；
所述医生客户端判断所述三级判断结果和所述二级判断结果是否相同；
若相同，所述医生客户端则输出所述三级判断结果至所述用户端；
若不同，所述医生客户端则输出所述三级判断结果至所述云端服务器和所述用户端。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
所述云端服务器将所述二级判断结果更新为所述三级判断结果，并将所述三级判断结果和所述待测生理数据作为新的模型训练数据对所述机器学习模型进行更新训练。
7.根据权利要求1所述的方法，其特征在于，所述用户端获取待测对象的待测生理数据，包括：
所述用户端对采集的待测对象的初始生理数据进行过滤处理，得到有效数据；
所述用户端根据预设的特征对应关系提取所述有效数据中的特征值，得到所述待测生理数据；其中，所述预设的特征对应关系包括所述有效数据与所述特征值之间的对应关系。
8.根据权利要求7所述的方法，其特征在于，所述有效数据包括肱动脉震动数据和血压数据中的至少一个，所述根据预设的特征对应关系提取所述有效数据中的特征值，包括：
若所述有效数据包括所述肱动脉震动数据，则确定所述肱动脉震动数据中的频率、波峰对应数据以及波谷对应数据为所述特征值；
若所述有效数据包括所述血压数据，则确定所述血压数据中的舒张压和收缩压为所述特征值。
9.根据权利要求1所述的方法，其特征在于，所述云端服务器包括第一服务器和第二服务器，所述待测对象包括多个待测对象，在所述云端服务器将所述待测生理数据输入预设的机器学习模型，得到二级判断结果之前，所述方法还包括：
所述第一服务器接收所述多个待测对象的待测生理数据，根据每个待测生理数据对应的一级判断结果确定各所述待测对象的待测生理数据的优先级；
所述第一服务器对各所述待测对象的待测生理数据的优先级进行排序，得到优先级排序结果；
执行目标确定操作，所述目标确定操作包括：所述第一服务器根据所述优先级排序结果确定优先级最高的目标待测生理数据；根据获取的所述第一服务器的中央处理器CPU使用率和所述第二服务器CPU使用率，确定CPU使用率最低的目标服务器；
所述第一服务器将所述目标待测生理数据发送至所述目标服务器，并从所述优先级排序结果中删除所述目标待测生理数据，得到新的优先级排序结果，返回执行所述目标确定操作，得到新的目标待测生理数据，并确定新的目标服务器，将所述新的目标待测生理数据发送至所述新的目标服务器，直至所述新的优先级结果中的数据为空。
10.一种基于人工智能的生理数据判断系统，其特征在于，所述系统包括：用户端和云端服务器；所述用户端包括：一级判断模块和数据发送模块，所述云端服务器包括二级判断模块；
所述一级判断模块，用于获取待测对象的待测生理数据，并判断所述待测生理数据是否与预设的生理阈值范围匹配，得到一级判断结果，在所述一级判断结果表征所述待测生理数据为正常数据的情况下，输出所述一级判断结果；
所述数据发送模块，用于在所述一级判断结果表征所述待测生理数据为异常数据的情况下，将所述待测生理数据发送至所述云端服务器；
所述二级判断模块，用于将所述待测生理数据输入预设的机器学习模型，得到二级判断结果；其中，所述机器学习模型为预先采用异常生理数据训练得到的网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011108310.7A CN112420215A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的生理数据判断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011108310.7A CN112420215A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的生理数据判断方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112420215A true CN112420215A (zh) | 2021-02-26 |
Family
ID=74854575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011108310.7A Pending CN112420215A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的生理数据判断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112420215A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114300121A (zh) * | 2021-12-14 | 2022-04-08 | 中南大学 | 健康建议推荐方法、健康知识库的构建方法、装置及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015143723A1 (zh) * | 2014-03-28 | 2015-10-01 | 深圳市大富网络技术有限公司 | 人体健康数据云端处理方法、移动终端和通信系统 |
| CN106779084A (zh) * | 2016-09-30 | 2017-05-31 | 广州英康唯尔互联网服务有限公司 | 机器学习系统及方法 |
| CN109599189A (zh) * | 2019-01-11 | 2019-04-09 | 平安科技（深圳）有限公司 | 用药异常反应监测的方法、装置、电子设备和存储介质 |
| CN111126622A (zh) * | 2019-12-19 | 2020-05-08 | 中国银联股份有限公司 | 一种数据异常检测方法与装置 |
| WO2020181805A1 (zh) * | 2019-03-12 | 2020-09-17 | 平安科技（深圳）有限公司 | 糖尿病的预测方法及装置、存储介质、计算机设备 |
-
2020
- 2020-10-16 CN CN202011108310.7A patent/CN112420215A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015143723A1 (zh) * | 2014-03-28 | 2015-10-01 | 深圳市大富网络技术有限公司 | 人体健康数据云端处理方法、移动终端和通信系统 |
| CN106779084A (zh) * | 2016-09-30 | 2017-05-31 | 广州英康唯尔互联网服务有限公司 | 机器学习系统及方法 |
| CN109599189A (zh) * | 2019-01-11 | 2019-04-09 | 平安科技（深圳）有限公司 | 用药异常反应监测的方法、装置、电子设备和存储介质 |
| WO2020181805A1 (zh) * | 2019-03-12 | 2020-09-17 | 平安科技（深圳）有限公司 | 糖尿病的预测方法及装置、存储介质、计算机设备 |
| CN111126622A (zh) * | 2019-12-19 | 2020-05-08 | 中国银联股份有限公司 | 一种数据异常检测方法与装置 |
Non-Patent Citations (1)
| Title |
|---|
| 席镯宾;陈小惠;张永芳;程馨;潘圆圆;: "一种新的网络化无创血压实时监测系统", 计算机技术与发展, no. 01, 24 September 2019 (2019-09-24) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114300121A (zh) * | 2021-12-14 | 2022-04-08 | 中南大学 | 健康建议推荐方法、健康知识库的构建方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sopic et al. | Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems | |
| US9307922B2 (en) | Systems and methods for displaying physiologic data | |
| EP3220301A1 (en) | Method and system for collecting and analysing data from health monitoring devices | |
| US8478418B2 (en) | Remote health monitoring system | |
| CN105212919B (zh) | 生理信号分析系统 | |
| US20170124279A1 (en) | Adaptive Complimentary Self-Assessment And Automated Health Scoring For Improved Patient Care | |
| CN101637383A (zh) | 一种心电信号的监测方法、系统及移动终端 | |
| JP6494775B2 (ja) | 弾性検出装置のデータ解析処理方法及び弾性検出装置 | |
| CN106934750A (zh) | 一种健身房管理系统 | |
| WO2021121226A1 (zh) | 一种心电信号的预测方法、装置、终端以及存储介质 | |
| Halbach et al. | Utility of ambulatory blood pressure monitoring in the evaluation of elevated clinic blood pressures in children | |
| CN109524108A (zh) | 一种问询模型的建立方法及装置 | |
| CN112420215A (zh) | 基于人工智能的生理数据判断方法和系统 | |
| JP6468637B2 (ja) | 眠気推定装置及び眠気推定プログラム | |
| CN110211692A (zh) | 一种数据处理的方法及装置 | |
| CN104112055A (zh) | 情绪分析显示系统及方法 | |
| CN109074855B (zh) | 终端装置、信息处理系统 | |
| CN109933680A (zh) | 图像数据筛选方法、装置、计算机设备及其存储介质 | |
| CN112786133A (zh) | 一种健康数据自动采集方法 | |
| CN112233816A (zh) | 健康监测方法、装置及计算机可读介质 | |
| CN111078505A (zh) | 一种监测数据处理方法、装置和计算设备 | |
| CN114927230A (zh) | 基于机器学习的重症心衰患者预后决策支持系统及方法 | |
| CN112003900B (zh) | 实现分布式系统中高负载场景下服务高可用的方法、系统 | |
| US9084585B1 (en) | System and method to classify left ventricular and mitral valve function | |
| CN113208609A (zh) | 心电信息管理系统 |
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 |