CN112967802A - 估计生理年龄的线性融合模型训练、年龄估计方法和装置 - Google Patents
估计生理年龄的线性融合模型训练、年龄估计方法和装置 Download PDFInfo
- Publication number
- CN112967802A CN112967802A CN202110119178.8A CN202110119178A CN112967802A CN 112967802 A CN112967802 A CN 112967802A CN 202110119178 A CN202110119178 A CN 202110119178A CN 112967802 A CN112967802 A CN 112967802A
- Authority
- CN
- China
- Prior art keywords
- age
- sample
- vector
- fused
- value
- 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.)
- Withdrawn
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 148
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 141
- 201000010099 disease Diseases 0.000 claims abstract description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 26
- 208000017667 Chronic Disease Diseases 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002618 waking effect Effects 0.000 claims description 12
- 230000037147 athletic performance Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004617 sleep duration Effects 0.000 claims description 8
- 206010062519 Poor quality sleep Diseases 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 17
- 230000004622 sleep time Effects 0.000 description 10
- 239000007789 gas Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 230000004199 lung function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036284 oxygen consumption Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提出一种估计生理年龄的线性融合模型训练、年龄估计方法和装置，涉及数据处理技术领域，其中，方法包括：获取用户的时序年龄样本和身体质量指数样本；获取用户的动态序列值样本，对动态序列值样本进行多阶计算，获取动态序列特征值样本；将时序年龄样本、身体质量指数样本和动态序列特征值样本组合成待融合向量，并获取用户的疾病标签向量；根据预设损失函数、待融合向量和疾病标签向量进行训练估计生理年龄的线性融合模型。由此，生成的线性融合模型可以对多维度用户数据进行线性融合得到生理年龄，使生理年龄与疾病间的相关程度最大化，提高生理年龄估计的准确性和效率。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种估计生理年龄的线性融合模型训练、年龄估计方法和装置。
背景技术
目前，历法年龄或时序年龄指的是个体的实际年龄，也是通常所说的周岁。实际上，时序年龄存在固有缺陷，其最大的问题就是同一时序年龄区间内的个体间健康状况可能会存在各向异性。例如，对时序年龄在70岁左右的老年人群体来说，部分个体生活完全可以自理，而某些个体生活完全无法自理。生理年龄是一个衡量个体成长、成熟和衰老状态的指标，较时序年龄，可以更好表征机体的健康状态。“未老先衰”和“保养适宜”分别是描述日常生活中生理年龄大于和小于时序年龄的场景。
相关技术中，通过最大耗氧量来描述生理年龄，其中，最大摄氧量是指人体进行最大强度的运动并出现无力继续支撑接下来的运动时，所能摄入的氧气含量。最大摄氧量与个体的体适能状况正相关，即最大摄氧量越高，体适能状态越佳，生理年龄越低。
然而，这种直接测量的方式较为复杂，且需要用户通过运动达到机体的极限状态，以及仅仅以最大摄氧量作为量化指标来评估生理年龄，在一定程度上比较单一、片面。
发明内容
本申请旨在至少在一定程度上解决上述提到的技术问题之一。
为此，本申请的第一个目的在于提出一种估计生理年龄的线性融合模型训练方法，解决了现有技术中生理年龄预测方式效率低且精度差的技术问题，通过生成的线性融合模型可以对多维度用户数据进行线性融合得到生理年龄，使生理年龄与疾病间的相关程度最大化，提高生理年龄估计的准确性和效率。
本申请的第二个目的在于提出一种线性融合模型的生理年龄估计方法。
本申请的第三个目的在于提出一种估计生理年龄的线性融合模型训练装置。
本申请的第四个目的在于提出一种线性融合模型的生理年龄估计装置。
本申请的第五个目的在于提出一种计算机设备。
本申请的第六个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种估计生理年龄的线性融合模型训练方法，包括：
获取用户的时序年龄样本和身体质量指数样本；
获取用户的动态序列值样本，对所述动态序列值样本进行多阶计算，获取动态序列特征值样本；
将所述时序年龄样本、所述身体质量指数样本和所述动态序列特征值样本组合成待融合向量，并获取所述用户的疾病标签向量；
根据预设损失函数、所述待融合向量和所述疾病标签向量进行训练估计生理年龄的线性融合模型。
在本申请的一个实施例中，所述根据预设损失函数、所述待融合向量和所述疾病标签向量进行训练估计生理年龄的线性融合模型，包括：
根据所述时序年龄样本按照预设n个年龄区间，将所述待融合向量划分为多个待融合子向量；其中，n为正整数；
所有用户的生理年龄B＝WTF；令εFF、εFD分别为待融合特征向量F的自协方差矩阵、所述F和所述疾病标签向量D间的互协方差矩阵；记所述融合系数向量W除所述时序年龄样本以外的向量为W_，记所述预设损失函数为L(W)，公式为：
其中，第一项表示所述生理年龄与慢性病的关联度损失，第二项表示时序年龄区间的均值漂移损失，
表示第i个年龄区间的待融合子向量平均值，τi表示对不同区间的均值漂移惩罚率，δ表示对均值漂移的正则化系数。
在本申请的一个实施例中，所述获取用户的动态序列值样本，包括：
获取所述用户在目标时间段的步数值样本、运动总距离值样本、运动卡路里值样本、走路总时长值样本、跑步总时长值样本、跑步总距离值样本和跑步总卡路里值样本；和/或，
获取所述用户在目标时间段的开始睡眠时间值样本、结束睡眠时间值样本、深睡时长值样本、浅睡时长值样本、清醒时长值样本和清醒次数值样本；和/或，
获取所述用户在目标时间段的个人运动机能指数PAI(Personal ActivityIntelligence)值。
为达上述目的，本申请第二方面实施例提出了一种线性融合模型的生理年龄估计方法，包括：
获取用户的时序年龄和身体质量指数；
获取用户的动态序列值，对所述动态序列值进行多阶计算，获取动态序列特征值；
将所述时序年龄、所述身体质量指数和所述动态序列特征值组合成待融合向量；
将所述待融合向量输入所述线性融合模型，获取生理年龄。
在本申请的一个实施例中，所述将所述融合向量输入所述线性融合模型，获取生理年龄，包括：
获取所述待融合向量对应的融合系数向量；
根据所述融合系数向量对所述待融合向量进行线性融合，获取所述生理年龄。
在本申请的一个实施例中，所述的线性融合模型的生理年龄估计方法，还包括：根据所述待融合向量中每个向量对应的融合系数，确定与所述生理年龄的相关特征值；根据所述相关特征值生成运动指导信息显示给所述用户。
为达上述目的，本申请第三方面实施例提出了一种估计生理年龄的线性融合模型训练装置，包括：
第一获取模块，用于获取用户的时序年龄样本和身体质量指数样本；
第二获取模块，用于获取用户的动态序列值样本；
计算模块，用于对所述动态序列值样本进行多阶计算，获取动态序列特征值样本；
第一处理模块，用于将所述时序年龄样本、所述身体质量指数样本和所述动态序列特征值样本组合成待融合特征向量，并获取所述用户的疾病标签向量；
训练模块，用于根据预设损失函数、所述待融合向量和所述疾病标签向量进行训练估计生理年龄的线性融合模型。
在本申请的一个实施例中，所述训练模块，具体用于：
根据所述时序年龄样本按照预设n个年龄区间，将所述待融合向量划分为多个待融合子向量；其中，n为正整数；
所有用户的生理年龄B＝WTF；令εFF、εFD分别为待融合特征F的自协方差矩阵、所述F和所述疾病标签向量D间的互协方差矩阵；记所述融合向量W除所述时序年龄样本以外的向量为W_,记所述预设损失函数为L(W)，公式为：
其中，第一项表示所述生理年龄与慢性病的关联度损失，第二项表示时序年龄区间的均值漂移损失，
表示第i个年龄区间的待融合子向量平均值，τi表示对不同区间的均值漂移惩罚率，δ表示对均值漂移的正则化系数。
在本申请的一个实施例中，所述第二获取模块，具体用于：
获取所述用户在目标时间段的步数值样本、运动总距离值样本、运动卡路里值样本、走路总时长值样本、跑步总时长值样本、跑步总距离值样本和跑步总卡路里值样本；和/或，
获取所述用户在目标时间段的开始睡眠时间值样本、结束睡眠时间值样本、深睡时长值样本、浅睡时长值样本、清醒时长值样本和清醒次数值样本；和/或，
获取所述用户在目标时间段的个人运动机能指数PAI值。
为达上述目的，本申请第四方面实施例提出了一种线性融合模型的生理年龄估计装置，包括：
第三获取模块，用于获取用户的时序年龄和身体质量指数；
第四获取模块，用于获取用户的动态序列值，对所述动态序列值进行多阶计算，获取动态序列特征值；
处理模块，用于将所述时序年龄、所述身体质量指数和所述动态序列特征值组合成融合向量；
生成模块，用于将所述融合向量输入所述线性融合模型，获取生理年龄。
在本申请的一个实施例中，所述生成模块，具体用于：
获取所述融合向量对应的融合系数向量；
根据所述融合系数向量对所述待融合向量进行线性融合，获取所述生理年龄。
在本申请的一个实施例中，所述的线性融合模型的生理年龄估计装置，还包括：
确定模块，用于根据所述待融合向量中每个向量对应的融合系数，确定与所述生理年龄的相关特征值；
显示模块，用于根据所述相关特征值生成运动指导信息显示给所述用户。
为达上述目的，本申请第五方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所描述的估计生理年龄的线性融合模型训练、年龄估计方法。
为了实现上述目的，本申请第六方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得处理器能够实现如上述实施例所描述的估计生理年龄的线性融合模型训练、年龄估计方法。
本申请提供的技术方案，至少具有如下有益技术效果：
获取用户的时序年龄样本和身体质量指数样本；获取用户的动态序列值样本，对动态序列值样本进行多阶计算，获取动态序列特征值样本；将时序年龄样本、身体质量指数样本和动态序列特征值样本组合成待融合向量，并获取用户的疾病标签向量；根据预设损失函数、待融合向量和疾病标签向量进行训练估计生理年龄的线性融合模型。由此，生成的线性融合模型可以对多维度用户数据进行线性融合得到生理年龄，使生理年龄与疾病间的相关程度最大化，提高生理年龄估计的准确性和效率。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种估计生理年龄的线性融合模型训练方法的流程示意图；
图2为本申请实施例所提供的估计生理年龄的线性融合模型训练的示意图；
图3为本申请实施例所提供的一种线性融合模型的生理年龄估计方法的流程示意图；
图4为本申请实施例所提供的年龄对比的示意图；
图5为本申请实施例提供的一种估计生理年龄的线性融合模型训练装置的结构示意图；
图6为本申请实施例提供的一种线性融合模型的生理年龄估计装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的估计生理年龄的线性融合模型训练、年龄估计方法和装置。其中，本申请实施例的估计生理年龄的线性融合模型训练、年龄估计方法的执行主体，可以是任意便携式终端设备，该终端设备可以是手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统的硬件设备，该穿戴式设备可以是智能手环、智能手表、智能眼镜等。
图1为本申请实施例所提供的一种估计生理年龄的线性融合模型训练方法的流程示意图。如图1所示，该估计生理年龄的线性融合模型训练方法包括：
步骤101，获取用户的时序年龄样本和身体质量指数样本。
步骤102，获取用户的动态序列值样本，对动态序列值样本进行多阶计算，获取动态序列特征值样本。
在本申请实施例中，时序年龄样本可通过用户注册时填写的出生年月计算得到，身体质量指数BMI样本可通过用户注册时填写的身高体重计算得到，比如BMI＝体重(Kg)÷身高(M)2。
在本申请实施例中，用户的动态序列值样本可以利用可穿戴设备的传感器记录或计算得到，包括：用户在目标时间段的步数值样本、运动总距离值样本、运动卡路里值样本、走路总时长值样本、跑步总时长值样本、跑步总距离值样本和跑步总卡路里值样本、用户在目标时间段的开始睡眠时间值样本、结束睡眠时间值样本、深睡时长值样本、浅睡时长值样本、清醒时长值样本和清醒次数值样本、用户在目标时间段的个人运动机能指数PAI值中的一种或者多种。
其中，用户在目标时间段的个人运动机能指数PAI值的获取方式比如通过可穿戴设备记录的预设观测周期比如一周的连续心率值对用户的个人运动效能进行量化，得到反映心肺功能的PAI值。
相关专利CN107077523A通过公式(2)-(9)根据年龄、性别、静息心率和实时心率进行计算个人运动机能指数PAI。
具体地：
V＝a2,1,3+a2,1,4(1-e-Z) (3)
HRth＝RHR+HRR×0.2 (7)
HRR＝MHR-RHR (8)
MHR＝a2,1,6-a2,1,7×age (9)
其中，HR(t)是实时心率；T是积分时间；RHR表示用户的静息心率；age表示用户的年龄；{a2,1,i|i＝1,2,…,7}是一组系数，系数针对不同种族的人群需要经过统计校准。
在本申请实施例中，时序年龄样本和身体质量指数样本属于静态信息，可直接作为待融合向量的两个维度，因此，仅仅需要对动态序列值样本进行多阶计算，获取动态序列特征值样本即可。
具体地，将每一个动态序列值样本在预设时间段比如一个月内的记录视为一个时间序列，依次求取平均值(一阶特性)、标准差(二阶特性)、偏度(三阶统计特性)、峭度(四阶统计特性)。
步骤103，将时序年龄样本、身体质量指数样本和动态序列特征值样本组合成待融合向量，并获取用户的疾病标签向量。
步骤104，根据预设损失函数、待融合向量和疾病标签向量进行训练估计生理年龄的线性融合模型。
在本申请实施例中，比如上述可以利用14个动态序列值样本得到56维动态序列特征值样本，加上时序年龄样本和身体质量指数样本可以构成最终的58维待融合向量。
为了进一步提高线性模型的准确性，对除时序年龄样本外的57维特征关于用户群体对应的最大值进行归一化，得到待融合向量。
在本申请实施例中，线性融合模型用于将用户的待融合向量映射为生理年龄，生理年龄的映射函数为简单的线性函数，融合主要是通过对融合向量中所有维度特征进行线性融合，得到一个与慢性病最相关的变量作为最终的生理年龄。
此外，此生理年龄需满足在原始时序年龄区间内的均值近似等于时序年龄均值，在最终得到的线性融合模型中，融合系数的正负属性表示此维度特征是有益于或有害于生理健康，融合系数的绝对值表示该维度特征对健康的影响程度。
具体地，待融合向量为F∈R(N+2)×M，其中，N是动态序列特征值样本，最后两维依次是身体质量指数样本和时序年龄样本，M是用户数目；融合向量W∈R(N+2)×1；疾病标签向量D∈R1×M,疾病标签向量中的每一个元素表示对应用户患上的慢性病数目。
在本申请实施例中，根据时序年龄样本按照预设n个年龄区间，将待融合向量划分为多个待融合子向量，其中，n为正整数。
举例而言，如图2所示，生理年龄在中年时期开始与时序年龄产生较大偏差，比如考虑35-70岁的用户并将其等间距分为6个用户区间，[[35,40],[41,46],[47,52],[53,58],[59,64],[65,70]]，对应6个待融合子向量，即F＝[f1,f2,f3,f4,f5,f6]。
所有用户的生理年龄B＝WTF；令εFF、εFD分别为待融合特征F的自协方差矩阵、F和所述疾病标签向量D间的互协方差矩阵；记所述融合向量W除时序年龄样本以外的向量为W_,记所述预设损失函数为L(W)，公式为：
其中，第一项表示生理年龄与慢性病的关联度损失，第二项表示时序年龄区间的均值漂移损失，
表示第i个年龄区间的待融合子向量平均值，τi表示对不同区间的均值漂移惩罚率。
需要说明的是，第一个区间(用户数目最多)和最后一个区间(用户数目最少)容易出现均值漂移损失聚集的现象，优选将τ设为[0.25,0.125,0.125,0.125,0.125,0.25]，此外δ表示对均值漂移的正则化系数，比如设定δ为0.0001。
在本申请实施例中，可以通过梯度下降的方式对融合向量进行迭代，1)初始化W0＝[0,0,…,0,1]，本初始化融合向量对应的生理年龄等于时序年龄，2)
α为学习率，可以根据需要进行调整，3)W＝W/W[-1]，将融合向量关于时序年龄融合系数归一，确保时序年龄融合系数为1，4)重复步骤2，直到收敛，得到最终的融合向量。
综上，本实施例的估计生理年龄的线性融合模型训练方法，通过获取用户的时序年龄样本和身体质量指数样本；获取用户的动态序列值样本，对动态序列值样本进行多阶计算，获取动态序列特征值样本；将时序年龄样本、身体质量指数样本和动态序列特征值样本组合成待融合特征，并获取用户的疾病标签向量；根据预设损失函数、待融合向量和疾病标签向量进行训练估计生理年龄的线性融合模型。由此，生成的线性融合模型可以对多维度用户数据进行线性融合得到生理年龄，使生理年龄与疾病间的相关程度最大化，提高生理年龄估计的准确性和效率。
基于上述描述，本申请通过从可穿戴设备上获取的时序年龄样本、身体质量指数样本和动态序列值样本进行线性融合，得到最终的生理年龄；融合系数学习过程中，损失函数定义为生理年龄与慢性病的关联度损失加上时序年龄区间的均值漂移损失；由此，生理年龄反映机体的衰老损伤程度，其与慢性病间的相关性应当要强于时序年龄与慢性病间的相关性，以及在某个时序年龄区间内，假设健康习惯好与坏的用户大致相等，故而可认为最终生理年龄均值应当接近于时序年龄均值。
具体地，图3为本申请实施例所提供的一种线性融合模型的生理年龄估计方法的流程示意图。如图3所示，该线性融合模型的生理年龄估计方法包括：
步骤201，获取用户的时序年龄和身体质量指数。
步骤202，获取用户的动态序列值，对动态序列值进行多阶计算，获取动态序列特征值。
在本申请实施例中，时序年龄可通过用户注册时填写的出生年月计算得到，身体质量指数BMI可通过用户注册时填写的身高体重计算得到，比如BMI＝体重(Kg)÷身高(M)2。
在本申请实施例中，用户的动态序列值可以利用可穿戴设备的传感器记录或计算得到，包括：用户在目标时间段的步数值、运动总距离值、运动卡路里值、走路总时长值、跑步总时长值、跑步总距离值和跑步总卡路里值、用户在目标时间段的开始睡眠时间值、结束睡眠时间值、深睡时长值、浅睡时长值、清醒时长值和清醒次数值、用户在目标时间段的个人运动机能指数PAI值中的一种或者多种。
其中，用户在目标时间段的个人运动机能指数PAI值的获取方式比如通过可穿戴设备记录的预设观测周期比如一周的连续心率值对用户的个人运动效能进行量化，得到反映心肺功能的PAI值。
在本申请实施例中，时序年龄和身体质量指数属于静态信息，可直接作为融合向量的两个维度，因此，仅仅需要对动态序列值样本进行多阶计算，获取动态序列特征值即可。
具体地，将每一个动态序列值在预设时间段比如一个月内的记录视为一个时间序列，依次求取平均值(一阶特性)、标准差(二阶特性)、偏度(三阶统计特性)、峭度(四阶统计特性)。
步骤203，将时序年龄、身体质量指数和动态序列特征组合成待融合向量。
步骤204，将待融合向量输入线性融合模型，获取生理年龄。
在本申请实施例中，比如上述可以利用14个动态序列值得到56维动态序列特征值，加上时序年龄和身体质量指数可以构成最终的58维融合向量。
为了进一步提高估计生理年龄的准确性，对除时序年龄外的57维特征关于用户群体对应的最大值进行归一化，得到融合向量。
在本申请实施例中，获取待融合向量中每个值对应的融合系数，根据每个向量以及每个对应的融合系数进行线性融合，获取生理年龄。
在本申请实施例中，根据每个向量对应的融合系数，确定与生理年龄的相关特征值，根据相关特征值生成运动指导信息提供给用户。
举例而言，对几万位年龄在35-70岁之间的用户进行分析，时序年龄和用户的慢性疾病患有数目间的皮尔逊相关性为0.212，基于本申请生成的生理年龄和用户的慢性疾病患有数目间的相关性为0.266，较时序年龄对应的相关性提高25.4％。
具体地，融合系数具有较好的生理意义，例如，PAI值和日总步数对应的融合系数均为绝对值较大的负数，BMI对应的融合系数均为绝对值较大的正数，这表明，好的心肺功能和运动习惯有助于生理年龄降低，肥胖有助于生理年龄增加；此外最终得到的生理年龄和时序年龄的对比如图4所示，(以时序年龄区间[41,46]为例)，图4下面的生理年龄分布关于时序年龄区间成近似正态分布，均值较时序年龄均值仅漂移0.37岁，满足假设。
综上，本实施例的线性融合模型的年龄估计方法，通过获取用户的时序年龄和身体质量指数，获取用户的动态序列值，对动态序列值进行多阶计算，获取动态序列特征值，将时序年龄、身体质量指数和动态序列特征值组合成待融合向量，将待融合向量输入线性融合模型，获取生理年龄。由此，通过线性融合模型可以对多维度用户数据进行线性融合得到生理年龄，使生理年龄与疾病间的相关程度最大化，提高生理年龄估计的准确性和效率。
为了实现上述实施例，本申请还提出一种估计生理年龄的线性融合模型训练装置。
图5为本申请实施例提供的一种估计生理年龄的线性融合模型训练装置的结构示意图。
如图5所示，该估计生理年龄的线性融合模型训练装置包括：第一获取模块510、第二获取模块520、计算模块530、第一处理模块540和训练模块540。其中，
第一获取模块510，用于获取用户的时序年龄样本和身体质量指数样本。
第二获取模块520，用于获取用户的动态序列值样本。
计算模块530，用于对所述动态序列值样本进行多阶计算，获取动态序列特征值样本。
第一处理模块540，用于将所述时序年龄样本、所述身体质量指数样本和所述动态序列特征值样本组合成待融合特征向量，并获取所述用户的疾病标签向量。
训练模块550，用于根据预设损失函数、所述待融合向量和所述疾病标签向量进行训练估计生理年龄的线性融合模型。
在本申请的一个实施例中，训练模块550，具体用于：
根据所述时序年龄样本按照预设n个年龄区间，将所述待融合向量划分为多个待融合子向量；其中，n为正整数；
所有用户的生理年龄B＝WTF；令εFF、εFD分别为待融合特征F的自协方差矩阵、F和所述疾病标签向量D间的互协方差矩阵；记所述融合向量W除时序年龄样本以外的向量为W-,记所述预设损失函数为L(W)，公式为：
其中，第一项表示所述生理年龄与慢性病的关联度损失，第二项表示时序年龄区间的均值漂移损失，
表示第i个年龄区间的待融合子向量平均值，τi表示对不同区间的均值漂移惩罚率，δ表示对均值漂移的正则化系数。
在本申请的一个实施例中，第二获取模块520，具体用于：获取所述用户在目标时间段的步数值样本、运动总距离值样本、运动卡路里值样本、走路总时长值样本、跑步总时长值样本、跑步总距离值样本和跑步总卡路里值样本；和/或，获取所述用户在目标时间段的开始睡眠时间值样本、结束睡眠时间值样本、深睡时长值样本、浅睡时长值样本、清醒时长值样本和清醒次数值样本；和/或，获取所述用户在目标时间段的个人运动机能指数PAI值。
需要说明的是，前述对估计生理年龄的线性融合模型训练方法实施例的解释说明也适用于该实施例的估计生理年龄的线性融合模型训练装置，此处不再赘述。
综上，本实施例的估计生理年龄的线性融合模型训练装置，通过获取用户的时序年龄样本和身体质量指数样本；获取用户的动态序列值样本，对动态序列值样本进行多阶计算，获取动态序列特征值样本；将时序年龄样本、身体质量指数样本和动态序列特征值样本组合成待融合向量，并获取用户的疾病标签向量；根据预设损失函数、待融合向量和疾病标签向量进行训练估计生理年龄的线性融合模型。由此，生成的线性融合模型可以对多维度用户数据进行线性融合得到生理年龄，使生理年龄与疾病间的相关程度最大化，提高生理年龄估计的准确性和效率。
图6为本申请实施例提供的一种线性融合模型的生理年龄估计装置的结构示意图。
如图6所示，该线性融合模型的生理年龄估计装置包括：第三获取模块610、第四获取模块620、第二处理模块630和生成模块640。其中，
第三获取模块610，用于获取用户的时序年龄和身体质量指数。
第四获取模块620，用于获取用户的动态序列值，对所述动态序列值进行多阶计算，获取动态序列特征值。
第二处理模块630，用于将所述时序年龄、所述身体质量指数和所述动态序列特征值组合成待融合向量。
生成模块640，用于将所述待融合向量输入所述线性融合模型，获取生理年龄。
在本申请的一个实施例中，生成模块640，具体用于：获取所述待融合向量对应的融合系数向量；根据对应的融合系数向量对所述待融合向量进行线性融合，获取所述生理年龄。
在本申请的一个实施例中，线性融合模型的生理年龄估计装置还包括：确定模块，用于根据待融合向量中每个向量对应的融合系数，确定与所述生理年龄的相关特征值；显示模块，用于根据所述相关特征值生成运动指导信息显示给所述用户。
需要说明的是，前述对线性融合模型的生理年龄估计方法实施例的解释说明也适用于该实施例的线性融合模型的生理年龄估计装置，此处不再赘述。
综上，本实施例的线性融合模型的年龄估计装置，通过获取用户的时序年龄和身体质量指数，获取用户的动态序列值，对动态序列值进行多阶计算，获取动态序列特征值，将时序年龄、身体质量指数和动态序列特征值组合成融合向量，将所待融合向量输入线性融合模型，获取生理年龄。由此，通过线性融合模型可以对多维度用户数据进行线性融合得到生理年龄，使生理年龄与疾病间的相关程度最大化，提高生理年龄估计的准确性和效率。
为了实现上述实施例，本申请还提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的估计生理年龄的线性融合模型训练、年龄估计方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得能够执行上述实施例所述的估计生理年龄的线性融合模型训练、年龄估计方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种估计生理年龄的线性融合模型训练方法，其特征在于，包括：
获取用户的时序年龄样本和身体质量指数样本；
获取用户的动态序列值样本，对所述动态序列值样本进行多阶计算，获取动态序列特征值样本；
将时序年龄样本、身体质量指数样本和动态序列特征值样本组合成待融合向量，并获取用户的疾病标签向量；
根据预设损失函数、所述待融合向量和所述疾病标签向量进行训练估计生理年龄的线性融合模型。
2.如权利要求1所述的估计生理年龄的线性融合模型训练方法，其特征在于，所述根据预设损失函数、所述待融合向量和所述疾病标签向量进行训练估计生理年龄的线性融合模型，包括：
根据所述时序年龄样本按照预设n个年龄区间，将所述待融合特征向量划为多个待融合子向量；其中，n为正整数；
所有用户的生理年龄B＝WTF；令εFF、εFD分别为待融合特征向量F的自协方差矩阵、所述F和所述疾病标签向量D间的互协方差矩阵；记融合系数向量W除所述时序年龄样本以外的向量为W-，记所述预设损失函数为L(W)，公式为：
其中，第一项表示所述生理年龄与慢性病的关联度损失，第二项表示时序年龄区间的均值漂移损失，
表示第i个年龄区间的待融合子向量平均值，τi表示对不同区间的均值漂移惩罚率，δ表示对均值漂移的正则化系数。
3.如权利要求1所述的估计生理年龄的线性融合模型训练方法，其特征在于，所述获取用户的动态序列值样本，包括：
获取所述用户在目标时间段的步数值样本、运动总距离值样本、运动卡路里值样本、走路总时长值样本、跑步总时长值样本、跑步总距离值样本和跑步总卡路里值样本；和/或，
获取所述用户在目标时间段的开始睡眠时间值样本、结束睡眠时间值样本、深睡时长值样本、浅睡时长值样本、清醒时长值样本和清醒次数值样本；和/或，
获取所述用户在目标时间段的个人运动机能指数PAI值。
4.一种基于权利要求1-3任一项所述的线性融合模型的生理年龄估计方法，其特征在于，包括：
获取用户的时序年龄和身体质量指数；
获取用户的动态序列值，对所述动态序列值进行多阶计算，获取动态序列特征值；
将所述时序年龄、所述身体质量指数和所述动态序列特征值组合成待融合特征向量；
将所述待融合特征向量输入所述线性融合模型，获取生理年龄。
5.如权利要求4所述的线性融合模型的生理年龄估计方法，其特征在于，所述将所述待融合向量输入所述线性融合模型，获取生理年龄，包括：
获取所述待融合向量对应的融合系数向量；
根据所述融合系数向量对所述待融合向量进行线性融合，获取所述生理年龄。
6.如权利要求5所述的线性融合模型的生理年龄估计方法，其特征在于，还包括：
根据所述待融合向量中每个向量对应的融合系数，确定与所述生理年龄的相关特征值；
根据所述相关特征值生成运动指导信息显示给所述用户。
7.一种估计生理年龄的线性融合模型训练装置，其特征在于，包括：
第一获取模块，用于获取用户的时序年龄样本和身体质量指数样本；
第二获取模块，用于获取用户的动态序列值样本；
计算模块，用于对所述动态序列值样本进行多阶计算，获取动态序列特征值样本；
处理模块，用于将所述时序年龄样本、所述身体质量指数样本和所述动态序列特征值样本组合成待融合向量，并获取所述用户的疾病标签向量；
训练模块，用于根据预设损失函数、所述待融合向量和所述疾病标签向量进行训练估计生理年龄的线性融合模型。
8.如权利要求7所述的估计生理年龄的线性融合模型训练装置，其特征在于，所述训练模块，具体用于：
根据所述时序年龄样本按照预设n个年龄区间，将所述待融合向量划分为多个待融合子向量；其中，n为正整数；
所有用户的生理年龄B＝WTF；令εFF、εFD分别为待融合特征向量F的自协方差矩阵、所述F和所述疾病标签向量D间的互协方差矩阵；记融合向量W除所述时序年龄样本以外的向量为W-，记所述预设损失函数为L(W)，公式为：
其中，第一项表示所述生理年龄与慢性病的关联度损失，第二项表示时序年龄区间的均值漂移损失，
表示第i个年龄区间的待融合子向量平均值，τi表示对不同区间的均值漂移惩罚率，δ表示对均值漂移的正则化系数。
9.如权利要求7所述的估计生理年龄的线性融合模型训练装置，其特征在于，所述第二获取模块，具体用于：
获取所述用户在目标时间段的步数值样本、运动总距离值样本、运动卡路里值样本、走路总时长值样本、跑步总时长值样本、跑步总距离值样本和跑步总卡路里值样本；和/或，
获取所述用户在目标时间段的开始睡眠时间值样本、结束睡眠时间值样本、深睡时长值样本、浅睡时长值样本、清醒时长值样本和清醒次数值样本；和/或，
获取所述用户在目标时间段的个人运动机能指数PAI值。
10.一种基于权利要求7-9任一项所述的线性融合模型的生理年龄估计装置，其特征在于，包括：
第三获取模块，用于获取用户的时序年龄和身体质量指数；
第四获取模块，用于获取用户的动态序列值，对所述动态序列值进行多阶计算，获取动态序列特征值；
处理模块，用于将所述时序年龄、所述身体质量指数和所述动态序列特征值组合成待融合特征向量；
生成模块，用于将所述待融合特征向量输入所述线性融合模型，获取生理年龄。
11.如权利要求10所述的线性融合模型的生理年龄估计装置，其特征在于，所述生成模块，具体用于：
获取所述待融合向量对应的融合系数向量；
根据所述融合系数向量对所述待融合向量进行线性融合，获取所述生理年龄。
12.如权利要求11所述的线性融合模型的生理年龄估计装置，其特征在于，还包括：
确定模块，用于根据所述待融合向量中每个向量对应的融合系数，确定与所述生理年龄的相关特征值；
显示模块，用于根据所述相关特征值生成运动指导信息显示给所述用户。
13.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一所述的估计生理年龄的线性融合模型训练、年龄估计方法。
14.一种非临时性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如权利要求1-7中任一所述的估计生理年龄的线性融合模型训练、年龄估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110119178.8A CN112967802A (zh) | 2021-01-28 | 2021-01-28 | 估计生理年龄的线性融合模型训练、年龄估计方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110119178.8A CN112967802A (zh) | 2021-01-28 | 2021-01-28 | 估计生理年龄的线性融合模型训练、年龄估计方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112967802A true CN112967802A (zh) | 2021-06-15 |
Family
ID=76271958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110119178.8A Withdrawn CN112967802A (zh) | 2021-01-28 | 2021-01-28 | 估计生理年龄的线性融合模型训练、年龄估计方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112967802A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024078222A1 (zh) * | 2022-10-14 | 2024-04-18 | 荣耀终端有限公司 | 一种体能年龄的估计方法及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651057A (zh) * | 2017-01-03 | 2017-05-10 | 有米科技股份有限公司 | 一种基于安装包序列表的移动端用户年龄预测方法 |
| CN107077523A (zh) * | 2014-03-20 | 2017-08-18 | 比特斯达克有限公司 | 健康风险指标确定 |
| CN109376932A (zh) * | 2018-10-30 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于预测模型的年龄预测方法、装置、服务器及存储介质 |
| CN109712712A (zh) * | 2018-12-13 | 2019-05-03 | 平安医疗健康管理股份有限公司 | 一种健康评估方法、健康评估装置及计算机可读存储介质 |
| CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| CN111382870A (zh) * | 2020-03-06 | 2020-07-07 | 商汤集团有限公司 | 训练神经网络的方法以及装置 |
| CN111695209A (zh) * | 2020-05-13 | 2020-09-22 | 东南大学 | 元深度学习驱动的旋转机械小样本健康评估方法 |
| CN111933285A (zh) * | 2020-09-29 | 2020-11-13 | 平安科技（深圳）有限公司 | 一种器官年龄预测系统、方法、装置及存储介质 |
-
2021
- 2021-01-28 CN CN202110119178.8A patent/CN112967802A/zh not_active Withdrawn
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107077523A (zh) * | 2014-03-20 | 2017-08-18 | 比特斯达克有限公司 | 健康风险指标确定 |
| CN106651057A (zh) * | 2017-01-03 | 2017-05-10 | 有米科技股份有限公司 | 一种基于安装包序列表的移动端用户年龄预测方法 |
| CN109376932A (zh) * | 2018-10-30 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于预测模型的年龄预测方法、装置、服务器及存储介质 |
| CN109712712A (zh) * | 2018-12-13 | 2019-05-03 | 平安医疗健康管理股份有限公司 | 一种健康评估方法、健康评估装置及计算机可读存储介质 |
| CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
| CN111382870A (zh) * | 2020-03-06 | 2020-07-07 | 商汤集团有限公司 | 训练神经网络的方法以及装置 |
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| CN111695209A (zh) * | 2020-05-13 | 2020-09-22 | 东南大学 | 元深度学习驱动的旋转机械小样本健康评估方法 |
| CN111933285A (zh) * | 2020-09-29 | 2020-11-13 | 平安科技（深圳）有限公司 | 一种器官年龄预测系统、方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 樊毅;张宁;: "基于全人口死亡率数据的随机死亡率模型拟合效果比较", 统计与决策, no. 23 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024078222A1 (zh) * | 2022-10-14 | 2024-04-18 | 荣耀终端有限公司 | 一种体能年龄的估计方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104602604B (zh) | 生物体信息处理系统、可穿戴装置、服务器系统及生物体信息处理系统的控制方法 | |
| Altini et al. | What is behind changes in resting heart rate and heart rate variability? A large-scale analysis of longitudinal measurements acquired in free-living | |
| US10485467B2 (en) | Estimation device, program, estimation method, and estimation system | |
| US20150087929A1 (en) | Method and System for Population Level Determination of Maximal Aerobic Capacity | |
| RU2712395C1 (ru) | Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты) | |
| CN112582067A (zh) | 基于大数据的年龄估计模型训练、年龄估计方法和装置 | |
| Sabry et al. | Towards on-device dehydration monitoring using machine learning from wearable device’s data | |
| US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
| CN112967780A (zh) | 基于pai的体能年龄预测方法、装置、设备和存储介质 | |
| US20220005580A1 (en) | Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system | |
| JP3027346B2 (ja) | 運動レベル経時記憶装置 | |
| Kaneriya et al. | Markov decision-based recommender system for sleep apnea patients | |
| KR101555541B1 (ko) | 유비쿼터스환경에서의 웰빙라이프케어 인덱스 모델 제작 방법 | |
| CN112967802A (zh) | 估计生理年龄的线性融合模型训练、年龄估计方法和装置 | |
| CN112309575A (zh) | 身形变化预测系统 | |
| Eom et al. | Deep learning-based optimal smart shoes sensor selection for energy expenditure and heart rate estimation | |
| Martín-Escudero et al. | Are activity wrist-worn devices accurate for determining heart rate during intense exercise? | |
| US20200359958A1 (en) | Sleep sufficiency estimation device and sleep sufficiency estimation method | |
| CN112472052A (zh) | 基于个人运动机能指数pai的体重预测方法、装置和设备 | |
| Fonseca et al. | A computationally efficient algorithm for wearable sleep staging in clinical populations | |
| Altini et al. | Personalization of energy expenditure estimation in free living using topic models | |
| CN116509344A (zh) | 一种非接触式呼吸频率监测方法、系统及设备 | |
| WO2004012128A1 (ja) | 分子時刻表作成装置及び体内時計推定装置 | |
| Le Goallec et al. | Machine learning approaches to predict age from accelerometer records of physical activity at biobank scale | |
| CN114446473A (zh) | 基于间接测热法的动静态结合的健康评估系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210615 |
|
| WW01 | Invention patent application withdrawn after publication |