CN113317767A - 一种用于健康管理的健康手环设备及其异常数据检测方法 - Google Patents

一种用于健康管理的健康手环设备及其异常数据检测方法 Download PDF

Info

Publication number
CN113317767A
CN113317767A CN202110567904.2A CN202110567904A CN113317767A CN 113317767 A CN113317767 A CN 113317767A CN 202110567904 A CN202110567904 A CN 202110567904A CN 113317767 A CN113317767 A CN 113317767A
Authority
CN
China
Prior art keywords
abnormal data
data detection
data
health
abnormal
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
Application number
CN202110567904.2A
Other languages
English (en)
Inventor
田浩仝
韩宁
陈怀喜
陈永军
米建红
梁栋
单喜斌
齐国庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Chaoqian Intelligent Technology Co ltd
Original Assignee
Xi'an Chaoqian Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xi'an Chaoqian Intelligent Technology Co ltd filed Critical Xi'an Chaoqian Intelligent Technology Co ltd
Priority to CN202110567904.2A priority Critical patent/CN113317767A/zh
Publication of CN113317767A publication Critical patent/CN113317767A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • 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
    • 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
    • A61B5/72—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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Optics & Photonics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种用于健康管理的健康手环设备及其异常数据检测方法，所述异常数据检测方法包括以下步骤：获取佩戴者的预设指标数据；将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta‑learning和sample reweighting异常数据检测算法进行异常数据检测。本发明能够获取佩戴者的基础生命体征指标数据，并能够基于获取的基础生命体征指标数据完成异常数据检测识别，识别较为准确。

Description

一种用于健康管理的健康手环设备及其异常数据检测方法
技术领域
本发明属于计算机技术领域，涉及智能健康手环领域，特别涉及一种用于健康管理的健康手环设备及其异常数据检测方法。
背景技术
随着医疗信息化迅速发展和大数据时代的到来，“医疗+互联网”成为医疗行业未来的重要发展方向。对于基础类代谢疾病，病人的多项生命体征指标(例如，饮食摄入、血压、心率、血糖、睡眠质量等)的变化情况对疾病治疗有重要意义，上述生命体征指标通常需要实时采集记录及分析处理。针对上述需求相继研发了一些便携式检测仪(例如，健康手环等)用于随时监测患者身体情况。
目前现有的手环类产品大多为运动或日常保健类手环，由使用者查看个人的饮食、运动等信息，起到通过数据指导健康生活的作用；这类手环通常不能实现医疗级的健康监测，所采集的数据未经处理，其仅能够提供基础数据，并不能实现异常数据获取以及较准确的提醒。
综上，亟需一种新的用于健康管理的健康手环设备及其异常数据检测方法。
发明内容
本发明的目的在于提供一种用于健康管理的健康手环设备及其异常数据检测方法，以解决上述存在的一个或多个技术问题。本发明能够获取佩戴者的基础生命体征指标数据，并能够基于获取的基础生命体征指标数据完成异常数据检测识别，识别较为准确。
为达到上述目的，本发明采用以下技术方案：
本发明的一种用于健康管理的健康手环设备的异常数据检测方法，包括以下步骤：
获取佩戴者的预设指标数据；
将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和samplereweighting异常数据检测算法进行异常数据检测。
本发明的进一步改进在于，所述预设指标数据包括：心率数据、血压数据、血氧饱和度数据、体温数据和呼吸率数据中的一种或多种。
本发明的进一步改进在于，所述异常数据检测模型包括：
深度神经网络
Figure BDA0003081438710000021
用于学习样本到标签的映射，表达式为：
Figure BDA0003081438710000022
Figure BDA0003081438710000023
式中，x表示数据集样本，y表示对应样本的标签，
Figure BDA0003081438710000024
表示经过深度神经网络
Figure BDA0003081438710000025
得到的样本标签，N表示训练集的数据量，θ表示神经网络
Figure BDA0003081438710000026
的参数，
Figure BDA0003081438710000027
表示交叉熵损失函数；
深度神经网络
Figure BDA0003081438710000028
用于学习从样本到[0，1]权重的映射，表达式为：
Figure BDA0003081438710000029
Figure BDA00030814387100000210
式中，w表示神经网络
Figure BDA00030814387100000211
的参数，v表示经过神经网络
Figure BDA00030814387100000212
得到的样本标签，
Figure BDA00030814387100000213
表示带权交叉熵损失函数；
其中，在进行异常数据检测模型训练时，通过最小化交叉熵损失优化参数θ，
Figure BDA00030814387100000214
式中，θ*表示通过最小化交叉熵损失优化后的参数。
本发明的进一步改进在于，在进行异常数据检测模型训练时，还包括：
对于给定的θ*，优化w的步骤包括：
Figure BDA00030814387100000215
式中，M表示元数据集DMeta的大小，
Figure BDA00030814387100000216
表示元数据集DMeta的数据，
Figure BDA00030814387100000217
表示元数据集DMeta的标签，w*表示优化后的权重。
本发明的进一步改进在于，在进行异常数据检测模型训练时，迭代优化深度神经网络
Figure BDA0003081438710000035
及深度神经网络
Figure BDA0003081438710000036
的模型参数的步骤具体包括：
利用SGD作为优化器，设置学习率为α，在时刻t的训练方式形式化为：
Figure BDA0003081438710000031
式中，
Figure BDA0003081438710000032
是一个基于参数变量w的函数，
Figure BDA0003081438710000033
得到wt+1后，利用在训练数据集上的带权交叉熵优化θ，表达式为，
Figure BDA0003081438710000034
式中，α表示学习率，t表示时刻。
本发明的进一步改进在于，所述异常数据检测模型输出的异常数据获取结果为获取的预设指标数据为异常数据的权重。
本发明的进一步改进在于，所述异常数据检测模型输出异常数据获取结果之后还包括：
将所述异常数据获取结果与预设权重阈值比较，满足预设告警条件时发送告警信息。
本发明的一种用于健康管理的健康手环设备的异常数据检测系统，包括：
采集部，用于获取佩戴者的预设指标数据；
异常检测部，用于将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和sample reweighting异常数据检测算法进行异常数据检测。
本发明的一种用于健康管理的健康手环设备，设置有本发明上述系统中的采集部；或者，设置有本发明上述的系统。
进一步的，所述采集部中，获取佩戴者的预设指标数据的过程中，采样频率为100Hz，采样数据时长为5秒。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种用于用于健康管理的健康手环设备的异常数据检测，可采集佩戴者的健康数据情况并进行异常数据检测；基于采集数据和异常数据检测模型，可纵向分析一位手环佩戴者一段时间内的数据变化，横向对比多位手环佩戴者的预设数据指标，可对健康状况实现实时监控；所述异常数据检测模型基于meta-learning和samplereweighting的异常检测方法，对采集数据进行检测处理能够及时发现异常数据且识别较为准确。
本发明中，后续可根据数据变化对佩戴者的异常数据进行提取或告警，便于为医生提供精确的数据指标变化情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种用于健康管理的健康手环设备的异常数据检测系统的示意框图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。
本发明实施例的一种用于健康管理的健康手环设备的异常数据检测方法，包括以下步骤：
获取佩戴者的预设指标数据；
将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和samplereweighting异常数据检测算法进行异常数据检测。
示例性的，所述预设指标数据包括：心率数据、血压数据、血氧饱和度数据、体温数据和呼吸率数据中的一种或多种。
本发明提供的异常数据检测可用于健康手环，可针对基础类代谢疾病，对健康手环采集的患者健康数据情况进行异常数据检测，纵向分析一位患者一段时间内的数据变化，横向对比多位患者的数据指标，根据数据变化对患者的异常数据进行标注，并将异常数据情况通过手环专用应用程序及时返回患者端及医生端，一方面提醒患者及时就医，一方面为医生提供数据指标变化情况便于医生分析用药效果，达到辅助治疗的效果。
请参阅图1，本发明实施例的一种用于用于健康管理的健康手环设备的异常数据检测方法，包括如下步骤：
步骤1：健康手环数据采集，包括：健康手环通过传感器采集佩戴者(患者)的心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据，用蓝牙将健康手环与智慧好医院app连接后，手环采集的上述数据情况通过蓝牙传至佩戴者端智慧好医院app，后通过移动网络传至数据库后台，用于异常检测处理。
步骤2：构建基于meta-learning和sample reweighting异常检测算法模型：
1)定义训练数据集DTrain＝{(xi，yi)，1≤i≤N}，yi∈{0，1}c，此处c为类别数量，N为训练集的数据量。其中，样本x可能存在一些异常。
样本x定义为：利用手环采集N位佩戴者心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据五类数据作为训练数据，其采样频率设置为100Hz，共采集5秒的数据，因此样本x即为(5，100*5)的矩阵。
其中标签数据y定义为：将数据标记为正常、一般、非正常(或者是健康、亚健康、患病)三种类型，则标签数据类别c即为3。
2)利用深度神经网络
Figure BDA0003081438710000061
来学习样本到标签的映射，并用交叉熵(Cross-Entropy)来优化模型中的参数θ：
Figure BDA0003081438710000062
Figure BDA0003081438710000063
式中，x表示数据集样本，y表示对应样本的标签，
Figure BDA0003081438710000064
表示经过深度神经网络
Figure BDA0003081438710000065
得到的样本标签，N表示训练集的数据量，θ表示神经网络
Figure BDA0003081438710000066
的参数，
Figure BDA0003081438710000067
表示交叉熵(CrossEntropy)损失函数。
利用另一个深度神经网络
Figure BDA0003081438710000068
用来学习从样本到一个[0，1]的权重的映射，网络中的参数记为w，网络中特征抽取的部分与
Figure BDA0003081438710000069
共享权重。于是得到带权的交叉熵损失：
Figure BDA00030814387100000610
Figure BDA00030814387100000611
式中，w表示神经网络
Figure BDA00030814387100000612
的参数，v表示经过神经网络
Figure BDA00030814387100000613
得到的样本标签，
Figure BDA00030814387100000614
表示带权交叉熵(Weighted Cross Entropy)损失函数。
对于给定的w，通过最小化交叉熵损失优化参数θ，
Figure BDA00030814387100000615
式中，θ*表示通过最小化交叉熵损失优化后的参数。
3)进一步将元学习引入到网络到
Figure BDA00030814387100000616
该网络用于对当前样本生成一个合适的权重，该权重应当使得训练后的模型在正常数据中达到更好的效果。于是构建一个保证数据正常的元数据集
Figure BDA00030814387100000617
其元数据与训练数据集DTrain定义基本一致，但其数据量很小，且其中不存在异常数据。接下来，对于给定的θ*，进一步优化ω如下：
Figure BDA0003081438710000071
式中，M表示元数据集DMeta的大小，
Figure BDA0003081438710000078
表示元数据集DMeta的数据，
Figure BDA0003081438710000079
表示元数据集DMeta的标签，w*表示优化后的权重。
4)迭代优化网络
Figure BDA00030814387100000710
及网络
Figure BDA00030814387100000711
的模型参数。利用SGD作为优化器，设置学习率为α，通过公式(3)，(1)和(4)，将网络在时刻t的训练方式形式化如下：
Figure BDA0003081438710000072
其中，
Figure BDA0003081438710000073
本质上是一个基于参数变量w的函数，因此优化w仅需计算网络
Figure BDA0003081438710000074
在元数据集上的交叉熵并沿着梯度方向迭代一步，公式如下：
Figure BDA0003081438710000075
对应的，得到wt+1后，进一步利用在训练数据集上的带权交叉熵优化θ
Figure BDA0003081438710000076
如此迭代，便可不断优化两个网络的参数，即整个模型不断得到优化。优化网络参数算法如表1所示，其中SampleMiniBatch表示采样一批数据，Forward表示前馈传播，BackwardAD表示反向的自动微分。
Figure BDA0003081438710000077
Figure BDA0003081438710000081
步骤3：利用异常检测模型检测异常数据：将手环采集佩戴者的心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据作为步骤2所得到的网络模型
Figure BDA0003081438710000082
的输入数据，网络输出结果即为每位佩戴者每类数据的输出权重；预先设置一个0-1的阈值λ，若输出权重小于λ，则表明该位佩戴者的该项数据异常。
步骤4：异常结果反馈：将该佩戴者的异常数据结果通过移动网络同步返回至该佩戴者及医生端智慧好医生app，提醒佩戴者及时就医，同时辅助医生及时提醒佩戴者用药或采取相应治疗方案。
本发明中，佩戴者的健康手环首先通过手环的内置传感器采集佩戴者的心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据信息，后通过蓝牙的方式将数据传输到佩戴者端智慧好医院app，智慧好医院app再通过移动网络将佩戴者信息传输到后台服务器，通过服务器计算及基于meta-learning和sample reweighting异常数据检测算法检测出佩戴者的异常数据，后将佩戴者的健康数据信息及异常数据情况通过移动网络传输到佩戴者端及医生端的智慧好医生app，实现医生远程实时获取佩戴者身体健康数据并及时发现异常情况的功能，达到辅助治疗的效果。
作为可选的，本发明的方法可针对基础类代谢疾病，对健康手环采集的患者健康数据情况进行预处理，纵向分析一位患者一段时间内的数据变化，横向对比多位患者的数据指标，根据数据变化对患者的异常数据进行标注，并将异常数据情况通过手环专用应用程序智慧好医生app及时返回患者端及医生端，一方面提醒患者及时就医，一方面为医生提供数据指标变化情况便于医生分析用药效果，达到辅助治疗的效果。具体如下：
1、通过健康手环与智慧好医院的绑定，患者端可以实时查看自己的健康数据情况及异常数据，对健康状况实现实时监控，若发现异常数据，便于及时与医生联系或到院治疗。
2、通过健康手环与智慧好医院的绑定，医生端可以实时查看患者的健康数据及异常数据情况，若发现异常数据，及时与患者联系，指导用药治疗。若发现有临床价值的异常情况后，及时与患者联系，提醒来院进一步看诊。
本发明实施例的一种用于健康管理的健康手环设备的异常数据检测系统，包括：
采集部，用于获取佩戴者的预设指标数据；
异常检测部，用于将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和sample reweighting异常数据检测算法进行异常数据检测。
本发明实施例的系统可针对基础类代谢疾病，通过健康手环及配套专用应用程序(智慧好医院app)对患者的身体状况实现实时监控，并通过异常检测算法及时发现可能存在的疾病风险，同步反馈至医生和患者端应用程序，达到辅助治疗的效果。具体来说通过手环对患者的血压、心率体温、呼吸率及血氧饱和度等情况进行实时监测，并将采集数据同步反馈至应用程序后台服务器，在后台通过基于meta-learning和sample reweighting的异常检测方法，对采集数据进行检测处理及时发现异常数据，并将异常数据情况同步返回至患者及医生客户端。医生通过应用程序了解患者每一分钟的体征数据及异常数据情况，及时发现患者身体异常情况，为患者提供针对性的饮食指导意见及调整药物用药等。本发明识别异常数据较为准确能够用于后续的医生诊断参考。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种用于健康管理的健康手环设备的异常数据检测方法，其特征在于，包括以下步骤：
获取佩戴者的预设指标数据；
将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和samplereweighting异常数据检测算法进行异常数据检测。
2.根据权利要求1所述的一种用于健康管理的健康手环设备的异常数据检测方法，其特征在于，所述预设指标数据包括：心率数据、血压数据、血氧饱和度数据、体温数据和呼吸率数据中的一种或多种。
3.根据权利要求1所述的一种用于健康管理的健康手环设备的异常数据检测方法，其特征在于，所述异常数据检测模型包括：
深度神经网络
Figure FDA0003081438700000011
用于学习样本到标签的映射，表达式为：
Figure FDA0003081438700000012
Figure FDA0003081438700000013
式中，x表示数据集样本，y表示对应样本的标签，
Figure FDA0003081438700000014
表示经过深度神经网络
Figure FDA0003081438700000015
得到的样本标签，N表示训练集的数据量，θ表示神经网络
Figure FDA0003081438700000016
的参数，
Figure FDA0003081438700000017
表示交叉熵损失函数；
深度神经网络
Figure FDA0003081438700000018
用于学习从样本到[0，1]权重的映射，表达式为：
Figure FDA0003081438700000019
Figure FDA00030814387000000110
式中，w表示神经网络
Figure FDA00030814387000000111
的参数，v表示经过神经网络
Figure FDA00030814387000000112
得到的样本标签，
Figure FDA00030814387000000113
表示带权交叉熵损失函数；
其中，在进行异常数据检测模型训练时，通过最小化交叉熵损失优化参数θ，
Figure FDA00030814387000000114
式中，θ*表示通过最小化交叉熵损失优化后的参数。
4.根据权利要求3所述的一种用于健康管理的健康手环设备的异常数据检测方法，其特征在于，在进行异常数据检测模型训练时，还包括：
对于给定的θ*，优化w的步骤包括：
Figure FDA0003081438700000021
式中，M表示元数据集DMeta的大小，
Figure FDA0003081438700000022
表示元数据集DMeta的数据，
Figure FDA0003081438700000023
表示元数据集DMeta的标签，w*表示优化后的权重。
5.根据权利要求4所述的一种用于健康管理的健康手环设备的异常数据检测方法，其特征在于，在进行异常数据检测模型训练时，迭代优化深度神经网络
Figure FDA0003081438700000024
及深度神经网络
Figure FDA0003081438700000025
的模型参数的步骤具体包括：
利用SGD作为优化器，设置学习率为α，在时刻t的训练方式形式化为：
Figure FDA0003081438700000026
式中，
Figure FDA0003081438700000027
是一个基于参数变量w的函数，
Figure FDA0003081438700000028
得到wt+1后，利用在训练数据集上的带权交叉熵优化θ，表达式为，
Figure FDA0003081438700000029
式中，α表示学习率，t表示时刻。
6.根据权利要求1所述的一种用于健康管理的健康手环设备的异常数据检测方法，其特征在于，所述异常数据检测模型输出的异常数据获取结果为获取的预设指标数据为异常数据的权重。
7.根据权利要求6所述的一种用于健康管理的健康手环设备的异常数据检测方法，其特征在于，所述异常数据检测模型输出异常数据获取结果之后还包括：
将所述异常数据获取结果与预设权重阈值比较，满足预设告警条件时发送告警信息。
8.一种用于健康管理的健康手环设备的异常数据检测系统，其特征在于，包括：
采集部，用于获取佩戴者的预设指标数据；
异常检测部，用于将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和sample reweighting异常数据检测算法进行异常数据检测。
9.一种用于健康管理的健康手环设备，其特征在于，设置有权利要求8所述系统中的采集部；或者，设置有权利要求8所述系统。
10.根据权利要求9所述的一种用于健康管理的健康手环设备，其特征在于，所述采集部中，获取佩戴者的预设指标数据的过程中，采样频率为100Hz，采样数据时长为5秒。
CN202110567904.2A 2021-05-24 2021-05-24 一种用于健康管理的健康手环设备及其异常数据检测方法 Pending CN113317767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110567904.2A CN113317767A (zh) 2021-05-24 2021-05-24 一种用于健康管理的健康手环设备及其异常数据检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110567904.2A CN113317767A (zh) 2021-05-24 2021-05-24 一种用于健康管理的健康手环设备及其异常数据检测方法

Publications (1)

Publication Number Publication Date
CN113317767A true CN113317767A (zh) 2021-08-31

Family

ID=77416641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110567904.2A Pending CN113317767A (zh) 2021-05-24 2021-05-24 一种用于健康管理的健康手环设备及其异常数据检测方法

Country Status (1)

Country Link
CN (1) CN113317767A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109700434A (zh) * 2018-12-28 2019-05-03 武汉中旗生物医疗电子有限公司 基于心电图诊断的元学习模型训练方法、系统和设备
CN112509696A (zh) * 2020-11-04 2021-03-16 江南大学 基于卷积自编码器高斯混合模型的健康数据检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109700434A (zh) * 2018-12-28 2019-05-03 武汉中旗生物医疗电子有限公司 基于心电图诊断的元学习模型训练方法、系统和设备
CN112509696A (zh) * 2020-11-04 2021-03-16 江南大学 基于卷积自编码器高斯混合模型的健康数据检测方法

Similar Documents

Publication Publication Date Title
CN110459328B (zh) 临床监护设备
CN107436993B (zh) 建立icu患者病情评估模型的方法和服务器
TW201918222A (zh) 事件檢測方法及設備、房顫檢測方法和非暫時性儲存介質
US12073296B2 (en) Methods and systems for generating physical activity sets for a human subject
CN109065162A (zh) 一种综合性智能化诊断系统
CN111345823B (zh) 一种远程运动康复方法、装置和计算机可读存储介质
WO2018227239A1 (en) Mental state indicator
CN111613291A (zh) 一种药物管理、分类、医护人员与患者关联系统
WO2019075522A1 (en) RISK INDICATOR
CN113241196A (zh) 基于云-终端协同的远程医疗与分级监控系统
Al-Mualemi et al. A deep learning-based sepsis estimation scheme
CN107391901A (zh) 建立普通病房患者病情评估模型的方法和服务器
CN110752002A (zh) 一种药物用量预测装置
KR102598101B1 (ko) 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법
CN116472591A (zh) 使用人工智能生成与脊髓性肌萎缩症相关的预测结果的技术
CN110473631B (zh) 基于真实世界研究的智能睡眠监测方法和系统
CN116019429B (zh) 基于生理指标的健康监测方法、装置、设备及存储介质
Bhavani et al. Stress classification and vital signs forecasting for IoT-health monitoring
Dharmik et al. An IoT framework for healthcare monitoring system
Irshad et al. Convolutional neural network enable optoelectronic system for predicting cardiac response by analyzing auction-based optimization algorithms
CN114582489A (zh) 一种用于针灸治疗膝骨关节炎的红外热像辅助选穴系统
WO2019075520A1 (en) INDICATOR OF RESPIRATORY CONDITION
CN116453641B (zh) 一种中医辅助分析信息的数据处理方法及系统
Srinivasan et al. A human-in-the-loop segmented mixed-effects modeling method for analyzing wearables data
CN113317767A (zh) 一种用于健康管理的健康手环设备及其异常数据检测方法

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