CN113096792B - 一种基于机器学习的智能健康监测预警方法及系统 - Google Patents
一种基于机器学习的智能健康监测预警方法及系统 Download PDFInfo
- Publication number
- CN113096792B CN113096792B CN202110357491.5A CN202110357491A CN113096792B CN 113096792 B CN113096792 B CN 113096792B CN 202110357491 A CN202110357491 A CN 202110357491A CN 113096792 B CN113096792 B CN 113096792B
- Authority
- CN
- China
- Prior art keywords
- module
- threshold
- classification
- density function
- original probability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 50
- 238000004088 simulation Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 208000011580 syndromic disease Diseases 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
Abstract
本发明公开了一种基于机器学习的智能健康监测预警方法及系统,首先基于采集的用户生物体征数据,生成用户历史生物体征数据。然后基于用户历史生物体征数据,计算生物体征对应的阈值参数,并基于阈值参数的原始概率密度函数,将所述历史生物体征数据对应表示为相应类别的原始概率分布;所述原始概率分布的类别为无向图或有向图或隐马尔科夫链。最后采用条件随机场进行模拟,更新原始概率密度函数。从更新后的密度函数推导出一组阈值,采用基于概率分类的方法计算该组中阈值概率,选取概率最大的阈值作为该类生物体征对应的报警阈值。本发明能够全方位多角度地为老年人的健康提供服务,实现个性化的智能健康检测及应急服务。
Description
技术领域
本发明涉及智能健康监测预警领域,尤其涉及一种基于机器学习的智能健康监测预警方法及系统。
背景技术
现有的可穿戴医疗设备可以检测人体的生理参数,并将检测到的生理参数发送给终端设备,以便终端设备判断人体的生理参数是否在正常的数值范围内,如果不在正常的数值范围内,则终端设备发出告警信息。然而现有的可穿戴医疗设备功能比较单一,并且数据的准确率不高,对复杂病况的识别度较低,只能作为运动检测辅助器件,还不能作为健康检测器件。
总的来说,现有的可穿戴医疗设备,不能针对老年人不同的特殊疾病,提取特殊的行为特征,实现特殊监测和精确报警。
发明内容
为了解决现有技术中的上述问题,即针对老年人不同的特殊疾病,无法提取特殊行为特征并实现特殊监测和精确报警的问题,提供了一种基于机器学习的智能健康监测预警方法及系统。
本发明的目的是通过以下技术方案来实现的:一种基于机器学习的智能健康监测预警方法,包括:获取当前生物体征数据,基于各类体征对应的报警阈值,识别异常的生物体征数据并预警。具体步骤如下:
(1)基于采集的用户生物体征数据,通过推测算法生成用户历史生物体征数据。
(2)基于步骤(1)生成的用户历史生物体征数据,通过哈希算法,计算生物体征对应的阈值参数,并基于该阈值参数的原始概率密度函数,将所述历史生物体征数据对应表示为相应类别的原始概率分布;原始概率分布的类别为无向图、有向图或隐马尔科夫链。
(3)采用条件随机场进行模拟,更新原始概率密度函数。从更新后的原始概率密度函数推导出一组阈值,采用基于概率分类的方法计算该组中阈值概率,选取概率最大的阈值作为该类生物体征对应的报警阈值,若采集的生物体征数据超过了报警阈值则进行报警。
进一步地,所述原始概率分布表示为无向图时,采用条件随机场模拟无向图,获得更新后的密度函数p(x,y)如下:
其中,Z为归一因子,ψ(XA,YA)为局部函数,整个无向图记作V,A为V的节点;XA,YA分别表示节点A的两个不同的生物体征变量;
归一因子Z定义为:
式中,X,Y代表两种不同的生物体征变量。
局部函数ψ(XA,YA)定义为:
式中,θAk表示去噪函数;fAk表示心跳血糖二阶健康指数。
进一步地,所述原始概率分布表示为有向图时,采用条件随机场模拟有向图,获得更新后的密度函数p'(x,y)如下:
其中,V'表示整个有向图,v是π(v)的父节点,π(v)是v的子图。
进一步地,所述原始概率分布表示为隐马尔科夫链时,采用条件场模拟隐马尔科夫链,获得更新后的密度函数p'(x,y)如下:
其中,yt表示监测心跳状态,是yt-1的下一个状态,xt是yt的观测点,T为时间集。
进一步地,采用基于概率分类的方法计算阈值概率为采用朴素贝叶斯分类方法,计算阈值概率:
其中,λk为第k个个体的权重因子,x、y分别为x、y的子元素,即为健康阈值,kk(y,x)为第k个个体分布函数,所述个体是指单个生物体证的采样样本。
进一步地,采用基于概率分类的方法计算阈值概率为在隐马尔科夫中植入选择特性方程来计算阈值概率,公式如下。
式中,λij和uoi为权重参数,t为时间步长,1为变量因子,计算采样相同,以及采样与观测相同之间的差异值,S表示action即决策,O表示observation即观测。
本发明还提供一种基于机器学习的智能健康监测预警系统,包括获取模块、历史数据计算模块、阈值参数获取模块、原始概率分布生成模块、条件随机场模拟模块、阈值导出模块、分类模块、输出模块和监测模块。
所述获取模块,配置为获取用户一周内的生物体征数据。
所述历史数据计算模块,配置为通过获取模块获取的生物体征数据计算用户历史生物体征数据。
所述阈值参数获取模块,配置为采用哈希算法根据用户历史生物体征数据计算生命体征对应的阈值参数。
所述原始概率分布生成模块,配置为基于阈值参数获取模块获取的阈值参数的原始概率密度函数,将历史生物体征数据表示为原始概率分布。
所述条件随机场模拟模块,配置为采用条件随机场模拟不同类别原始概率分布生成模块得到的历史生物体征数据的原始概率分布,更新原始概率密度函数。
所述阈值导出模块,配置为从条件随机场模拟模块更新后的原始概率密度函数推导出一组阈值;
所述分类模块,配置为采用基于概率分类的方法,计算所述阈值导出模块导出的一组阈值中各阈值的概率,选取概率最大的阈值作为该类生物体征对应的报警阈值。
所述输出模块,配置为输出通过分类模块得到的报警阈值。
所述监测模块,配置为基于输出模块的报警阈值对用户体征监测及预警。
进一步地,所述条件随机场模拟模块包括无向图模拟模块、有向图模拟模块和隐马尔科夫链模拟模块。
所述无向图模拟模块,配置为采用条件随机场模拟无向图,更新原始概率密度函数;
所述有向图模拟模块,配置为采用条件随机场模拟有向图,更新原始概率密度函数;
所述隐马尔科夫链模拟模块,配置为采用条件随机场模拟隐马尔科夫链,更新原始概率密度函数。
进一步地,所述分类模块包括贝叶斯分类模块和隐马尔可夫分类模块。
所述贝叶斯分类模块,配置为采用朴素贝叶斯分类方法,将获取的阈值分配到对应生物体征的各报警分类;
所述隐马尔可夫分类模块,配置为采用在隐马尔科夫中植入选择性方程的分类方法,将获取的阈值分配到对应生物体征的各报警分类。
本发明的有益效果:本发明能够全方位多角度地为老年人的健康提供服务,尤其是能够根据个人的不同动作及生活习惯,利用基于隐马尔可夫链的数据处理方法,准确地识别摔倒及其他生理异常。同时,基于交叉熵和条件随机场的机器学习技术的设计,使得本发明能够自动地适应个人的特殊生理及行为状态,实现个性化的智能健康检测及应急服务。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于机器学习的智能健康监测预警方法的系统流程示意图;
图2是本发明基于机器学习的智能健康监测预警系统的主要组成部分示意图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
本发明提供了一种基于机器学习的智能健康监测预警方法,包括:获取当前生物体征数据,基于各类体征对应的报警阈值,识别异常的生物体征数据并预警。其目的在于基于人体体位和特定动作传感器数据,进行身体状态分析,实现对老人身体状况的实时监控。当发生紧急情况,如摔倒、心率异常、体温骤降时等,自动的启动相应的报警措施通知事先设定好的单位或个人。
如图1所示,本发明方法具体步骤如下:
(1)基于采集的用户生物体征数据,通过推测算法生成用户历史生物体征数据。所述历史生物体征数据一方面监控当前状态,另一方面用于精确阈值参数。
(2)基于步骤(1)生成的用户历史生物体征数据,通过哈希算法,计算生物体征对应的阈值参数,并基于该阈值参数的原始概率密度函数,将所述历史生物体征数据对应表示为相应类别的原始概率分布;原始概率分布的类别为无向图、有向图或隐马尔科夫链。
(3)采用条件随机场进行模拟,更新原始概率密度函数。
所述原始概率分布表示为无向图时,采用条件随机场模拟无向图,获得更新后的密度函数p(x,y)如下:
其中,Z为归一因子,ψ(XA,YA)为局部函数,整个无向图记作V,A为V的节点;XA,YA分别表示节点A的两个不同的生物体征变量;
归一因子Z定义为:
式中,X,Y代表血氧和心跳两种不同的生物体征变量。
局部函数ψ(XA,YA)定义为:
式中,θAk表示去噪函数;fAk表示心跳血糖二阶健康指数。
所述原始概率分布表示为有向图时,采用条件随机场模拟有向图,获得更新后的密度函数p'(x,y)如下:
其中,V'表示整个有向图,v是π(v)的父节点,π(v)是v的子图。
所述原始概率分布表示为隐马尔科夫链时,采用条件场模拟隐马尔科夫链,获得更新后的密度函数p'(x,y)如下:
其中,yt表示监测心跳状态,是yt-1的下一个状态,xt是yt的观测点,T为时间集。
从更新后的原始概率密度函数推导出一组阈值,采用基于概率分类的方法计算该组中阈值概率,有以下两种方式:
a.采用基于概率分类的方法计算阈值概率为采用朴素贝叶斯分类方法,计算阈值概率:
其中,λk为第k个个体的权重因子,x、y分别为x、y的子元素,即为健康阈值,kk(y,x)为第k个个体分布函数,所述个体是指单个生物体证的采样样本。
b.采用基于概率分类的方法计算阈值概率为在隐马尔科夫中植入选择特性方程来计算阈值概率,公式如下。
式中,λij和uoi为根据经验来设定的权重参数,t为时间步长,1为变量因子,计算采样相同,以及采样与观测相同之间的差异值,S表示action即决策,O表示observation即观测。
选取概率最大的阈值作为该类生物体征对应的报警阈值,若采集的生物体征数据超过了报警阈值则进行报警。
如图2所示,本发明还提供了一种基于机器学习的智能健康监测预警系统,该系统内嵌在手表中佩戴在老年人手腕上,该系统包括GPS定位功能。当预警系统进行预警时,通过移动网络与家人/紧急联系手机和医院服务器通信联络,及时对老年人进行救治。
该系统包括获取模块、历史数据计算模块、阈值参数获取模块、原始概率分布生成模块、条件随机场模拟模块、阈值导出模块、分类模块、输出模块和监测模块。
所述获取模块,配置为获取用户一周内的生物体征数据,包括使用者的血压、心跳、体温、消耗的卡路里以及使用者是够跌倒。
所述历史数据计算模块,配置为通过获取模块获取的生物体征数据计算用户历史生物体征数据。
所述阈值参数获取模块,配置为采用哈希算法根据用户历史生物体征数据计算生命体征对应的阈值参数。
所述原始概率分布生成模块,配置为基于阈值参数获取模块获取的阈值参数的原始概率密度函数,将历史生物体征数据表示为原始概率分布。
所述条件随机场模拟模块,配置为采用条件随机场模拟不同类别原始概率分布生成模块得到的历史生物体征数据的原始概率分布,更新原始概率密度函数。所述条件随机场模拟模块包括无向图模拟模块、有向图模拟模块和隐马尔科夫链模拟模块。
所述无向图模拟模块,配置为采用条件随机场模拟无向图,更新原始概率密度函数;
所述有向图模拟模块,配置为采用条件随机场模拟有向图,更新原始概率密度函数;
所述隐马尔科夫链模拟模块,配置为采用条件随机场模拟隐马尔科夫链,更新原始概率密度函数。
所述阈值导出模块,配置为从条件随机场模拟模块更新后的原始概率密度函数推导出一组阈值;
所述分类模块,配置为采用基于概率分类的方法,计算所述阈值导出模块导出的一组阈值中各阈值的概率,选取概率最大的阈值作为该类生物体征对应的报警阈值。所述分类模块包括贝叶斯分类模块和隐马尔可夫分类模块。
所述贝叶斯分类模块,配置为采用朴素贝叶斯分类方法,将获取的阈值分配到对应生物体征的各报警分类;
所述隐马尔可夫分类模块,配置为采用在隐马尔科夫中植入选择性方程的分类方法,将获取的阈值分配到对应生物体征的各报警分类。
所述输出模块,配置为输出通过分类模块得到的报警阈值。
所述监测模块,配置为基于输出模块的报警阈值对用户体征监测及预警。本方法能够全方位多角度地为老年人的健康提供服务,尤其是能够根据个人的不同动作及生活习惯,利用基于隐马尔可夫链的数据处理方法,准确地识别摔倒及其他生理异常。同时,基于交叉熵和条件随机场的机器学习技术的设计,使得本专利产品能够自动地适应个人的特殊生理及行为状态,实现个性化的智能健康检测及应急服务。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (9)
1.一种基于机器学习的智能健康监测预警方法,其特征在于,包括:获取当前生物体征数据,基于各类体征对应的报警阈值,识别异常的生物体征数据并预警;具体步骤如下:
(1)基于采集的用户生物体征数据,通过推测算法生成用户历史生物体征数据;
(2)基于步骤(1)生成的用户历史生物体征数据,通过哈希算法,计算生物体征对应的阈值参数,并基于该阈值参数的原始概率密度函数,将所述历史生物体征数据对应表示为相应类别的原始概率分布;原始概率分布的类别为无向图、有向图或隐马尔科夫链;
(3)采用条件随机场进行模拟,更新原始概率密度函数;从更新后的原始概率密度函数推导出一组阈值,采用基于概率分类的方法计算该组中阈值概率,选取概率最大的阈值作为该类生物体征对应的报警阈值,若采集的生物体征数据超过了报警阈值则进行报警。
2.根据权利要求1所述的基于机器学习的智能健康监测预警方法,其特征在于,所述原始概率分布表示为无向图时,采用条件随机场模拟无向图,获得更新后的密度函数p(x,y)如下:
其中,Z为归一因子,ψ(XA,YA)为局部函数,整个无向图记作V,A为V的节点;XA,YA分别表示节点A的两个不同的生物体征变量;
归一因子Z定义为:
式中,X,Y代表两种不同的生物体征变量;
局部函数ψ(XA,YA)定义为:
式中,θAk表示去噪函数;fAk表示心跳血糖二阶健康指数。
3.根据权利要求1所述的基于机器学习的智能健康监测预警方法,其特征在于,所述原始概率分布表示为有向图时,采用条件随机场模拟有向图,获得更新后的密度函数p'(x,y)如下:
其中,V'表示整个有向图,v是π(v)的父节点,π(v)是v的子图。
4.根据权利要求1所述的基于机器学习的智能健康监测预警方法,其特征在于,所述原始概率分布表示为隐马尔科夫链时,采用条件场模拟隐马尔科夫链,获得更新后的密度函数p”(x,y)如下:
其中,yt表示监测心跳状态,是yt-1的下一个状态,xt是yt的观测点,T为时间集。
5.根据权利要求1所述的基于机器学习的智能健康监测预警方法,其特征在于,采用基于概率分类的方法计算阈值概率为采用朴素贝叶斯分类方法,计算阈值概率:
其中,λk为第k个个体的权重因子,x、y分别为x、y的子元素,即为健康阈值,kk(y,x)为第k个个体分布函数,所述个体是指单个生物体证的采样样本。
6.根据权利要求1所述的基于机器学习的智能健康监测预警方法,其特征在于,采用基于概率分类的方法计算阈值概率为在隐马尔科夫中植入选择特性方程来计算阈值概率,公式如下:
式中,Z为归一因子,yt表示监测心跳状态,是yt-1的下一个状态,λij和uoi为权重参数,t为时间步长,1为变量因子,计算采样相同,以及采样与观测相同之间的差异值,S表示action即决策,O表示observation即观测。
7.一种基于机器学习的智能健康监测预警系统,其特征在于,包括获取模块、历史数据计算模块、阈值参数获取模块、原始概率分布生成模块、条件随机场模拟模块、阈值导出模块、分类模块、输出模块和监测模块;
所述获取模块,配置为获取用户一周内的生物体征数据;
所述历史数据计算模块,配置为通过获取模块获取的生物体征数据计算用户历史生物体征数据;
所述阈值参数获取模块,配置为采用哈希算法根据用户历史生物体征数据计算生命体征对应的阈值参数;
所述原始概率分布生成模块,配置为基于阈值参数获取模块获取的阈值参数的原始概率密度函数,将历史生物体征数据表示为原始概率分布;
所述条件随机场模拟模块,配置为采用条件随机场模拟不同类别原始概率分布生成模块得到的历史生物体征数据的原始概率分布,更新原始概率密度函数;
所述阈值导出模块,配置为从条件随机场模拟模块更新后的原始概率密度函数推导出一组阈值;
所述分类模块,配置为采用基于概率分类的方法,计算所述阈值导出模块导出的一组阈值中各阈值的概率,选取概率最大的阈值作为该类生物体征对应的报警阈值;
所述输出模块,配置为输出通过分类模块得到的报警阈值;
所述监测模块,配置为基于输出模块的报警阈值对用户体征监测及预警。
8.根据权利要求7所述的基于机器学习的智能健康监测预警系统,其特征在于,所述条件随机场模拟模块包括无向图模拟模块、有向图模拟模块和隐马尔科夫链模拟模块;
所述无向图模拟模块,配置为采用条件随机场模拟无向图,更新原始概率密度函数;
所述有向图模拟模块,配置为采用条件随机场模拟有向图,更新原始概率密度函数;
所述隐马尔科夫链模拟模块,配置为采用条件随机场模拟隐马尔科夫链,更新原始概率密度函数。
9.根据权利要求7所述的基于机器学习的智能健康监测预警系统,其特征在于,所述分类模块包括贝叶斯分类模块和隐马尔可夫分类模块;
所述贝叶斯分类模块,配置为采用朴素贝叶斯分类方法,将获取的阈值分配到对应生物体征的各报警分类;
所述隐马尔可夫分类模块,配置为采用在隐马尔科夫中植入选择性方程的分类方法,将获取的阈值分配到对应生物体征的各报警分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357491.5A CN113096792B (zh) | 2021-04-01 | 2021-04-01 | 一种基于机器学习的智能健康监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357491.5A CN113096792B (zh) | 2021-04-01 | 2021-04-01 | 一种基于机器学习的智能健康监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096792A CN113096792A (zh) | 2021-07-09 |
CN113096792B true CN113096792B (zh) | 2024-04-19 |
Family
ID=76672781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110357491.5A Active CN113096792B (zh) | 2021-04-01 | 2021-04-01 | 一种基于机器学习的智能健康监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096792B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114259235A (zh) * | 2021-12-18 | 2022-04-01 | 中国人民解放军空军特色医学中心 | 健康状态预测方法、装置、设备、介质及计算机程序产品 |
CN117373204B (zh) * | 2023-10-17 | 2024-03-22 | 湖北泰跃卫星技术发展股份有限公司 | 一种数字乡村中的养老预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078353A (zh) * | 2013-01-25 | 2013-05-01 | 黑龙江省电力有限公司 | 一种计及风电波动性的电源配置方法 |
CN104077595A (zh) * | 2014-06-15 | 2014-10-01 | 北京工业大学 | 基于贝叶斯正则化的深度学习网络图像识别方法 |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
CN108920855A (zh) * | 2018-07-12 | 2018-11-30 | 西安英特迈思信息科技有限公司 | 一种基于概率密度分布的无人机智能监测阈值确定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2456567B (en) * | 2008-01-18 | 2010-05-05 | Oxford Biosignals Ltd | Novelty detection |
-
2021
- 2021-04-01 CN CN202110357491.5A patent/CN113096792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078353A (zh) * | 2013-01-25 | 2013-05-01 | 黑龙江省电力有限公司 | 一种计及风电波动性的电源配置方法 |
CN104077595A (zh) * | 2014-06-15 | 2014-10-01 | 北京工业大学 | 基于贝叶斯正则化的深度学习网络图像识别方法 |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
CN108920855A (zh) * | 2018-07-12 | 2018-11-30 | 西安英特迈思信息科技有限公司 | 一种基于概率密度分布的无人机智能监测阈值确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113096792A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8478542B2 (en) | Non-parametric modeling apparatus and method for classification, especially of activity state | |
CA2631870C (en) | Residual-based monitoring of human health | |
CN113096792B (zh) | 一种基于机器学习的智能健康监测预警方法及系统 | |
CN107092806A (zh) | 一种面向老人家居智能化的信息融合与预警方法 | |
El-Attar et al. | Discrete wavelet transform-based freezing of gait detection in Parkinson’s disease | |
CN111325946A (zh) | 一种基于边缘计算的跌倒检测方法及系统 | |
CN115662631B (zh) | 基于ai智能判别的养老院管理系统 | |
Abdelmoneem et al. | A survey on multi-sensor fusion techniques in IoT for healthcare | |
CN115670419A (zh) | 基于智能手表预测运动信息的数据处理方法及系统 | |
Wu et al. | A multi-sensor fall detection system based on multivariate statistical process analysis | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN117133464B (zh) | 一种老年人健康智能监测系统及监测方法 | |
CN114758786A (zh) | 基于无创参数的创伤后失血性休克动态早期预警系统 | |
CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
Poorani et al. | Sensor based decision making inference system for remote health monitoring | |
CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
Sarkar et al. | Application on Pervasive Computing in Healthcare –A Review | |
CN111166286A (zh) | 一种梦游检测方法、存储介质以及梦游检测装置 | |
CN114176598B (zh) | 基于多模态的癫痫发病预警方法及智能手环装置 | |
CN115624437A (zh) | 一种智能轮椅安全响应方法及系统 | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
Jarchi et al. | Transition detection and activity classification from wearable sensors using singular spectrum analysis | |
Wong et al. | Probabilistic detection of vital sign abnormality with Gaussian process regression | |
CN114970772A (zh) | 用于肺部疾病检测的模型训练方法、设备、装置和介质 |
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 |