CN113693589B - 慢性疾病预警方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能及数字医疗领域，公开了一种慢性疾病预警方法、装置、计算机设备及存储介质。通过对穿戴设备中采集到的运动数据，利用卷积神经网络模型进行卷积计算，得到多个维度向量，基于这些向量筛选出走路状态下的信号曲线后，提取信号曲线中的峰值和曲线图像来分析得到用户的身体状态，基于该身体状态和穿戴设备中采集的身体机能数据确定是否异常，并对异常进行提示，从实现对用户的慢性疾病的动态监控识别，相比与现有技术来说，减少了大量样本数据的采集学习，提高了疾病预测的效率，保证实时性。

Description

慢性疾病预警方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种慢性疾病预警方法、装置、计算机设备及存储介质。

背景技术

随着经济的发展，国民生活水平的不断提高以及人工智能的普及应用，疾病的预警已成为国民健康监控的重要手段，尤其是神经退行性疾病(NeurodegenerativeDisease，NDD)，该类疾病为神经类疾病是不可恢复的，因此对于提高整体国民或者家庭的平均生活质量来说，这是一个比较重要的决定性因素，NDD是一类发生在神经系统中，造成神经元及其附属树突、轴突和突触，以及遍布神经系统的胶质细胞发生损伤或者功能失常的疾病。可分为急性神经退行性疾病和慢性退行性疾病，其中慢性退行性疾病主要包含阿尔兹海默病、帕金森病、亨廷顿病等。主要症状可分为以下5类，运动姿态失调，缓发性肌无力萎缩，记忆认知退化，渐进性共济失调，感知系统障碍。神经退行性疾病在发病前存在一段潜伏期，由于此时身体组织发生的改变较小往往不易察觉。

对此，为了实现对该疾病的提前预警，目前主要是基于步态来实现预警，该方法是通过对人体的步态进行特定的测试，通过与正常组、患病组的对比来判断是否有患病风险，而步态的分析，则需要通过收集大量的已知数据进行症状的分析学习才能实现快速的判断。这种方法有两个弊端：一是需要患者有主动的预警意识，而一个症状较轻的患者往往很难判断自己是否患病以及患病的种类；二是人与人之间步态的差异性是比较大的，这需要非常到的已知数据来分析才能提取共性内容，因此，目前通过统计机器学习的方法在实际应用中难以获得足量的数据来提高算法的鲁棒性。

发明内容

本申请的主要目的是提供一种基于步态演变的慢性疾病预警方法、装置、设备及存储介质，以解决由于现有的疾病预警过程中，需要大量的已知数据分析，而导致整体计算过程过于复杂，使得预测的时间周期较长的技术问题。

本发明第一方面提供了一种基于步态演变的慢性疾病预警方法，所述基于步态演变的慢性疾病预警方法包括：从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量，其中，每个维度向量对应一个维度方向；根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；基于所述身体状态和所述身体机能数据确定是否异常，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同；若异常，则控制所述穿戴设备发出异常提示信号。

可选的，在本发明第一方面的第一种实现方式中，所述卷积神经网络模型包括一维卷积神经网络层和N维神经网络层，所述将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量包括：将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量。

可选的，在本发明第一方面的第二种实现方式中，在所述以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集之后，还包括：基于降维处理后的行走数据，利用膨胀算法构建膨胀数据；将所述膨胀数据和降维处理后的行走数据进行或计算，得到二值化数据图像；基于所述二值化数据图像输入至所述一维卷积神经网络层中对各像素的图像进行向量计算，并并将向量计算得到的向量与所述第二向量集中的维度向量进行融合计算，得到第三向量集。

可选的，在本发明第一方面的第三种实现方式中，所述根据多个维度向量，从对应的行走数据中筛选出处于走路状态的信号曲线包括：提取所述第三向量集中取值为1的第三向量，得到向量集；判断所述向量集中的各第三向量在时间上是否为连续；若是，则计算在时间上连续的第三向量的连续区间，并判断所述连续区间是否满足预设区间大小；若满足，则提取所述连续区间在所述行走数据中对应的信号曲线，得到处于行走状态的信号曲线。

可选的，在本发明第一方面的第四种实现方式中，在所述根据多个维度向量，从对应的行走数据中筛选出处于走路状态的信号曲线之后，还包括：识别所述信号曲线中完整周期的曲线段，得到所述连续区间中的曲线周期数；根据所述曲线周期数和所述连续区间的总时长，计算出所述连续区间中的行走频率；基于所述行走频率确定所述连续区间是否为自然行走状态的运动周期。

可选的，在本发明第一方面的第五种实现方式中，所述提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态包括：在确定所述连续区间为自然行走状态的运动周期时，将所述信号曲线输入至预设的卷积神经网络模型中，通过N维卷积神经网络层计算出所述信号曲线中各像素在不同方向上对应的N维特征，基于所述N维特征确定所述行走数据的姿态向量，其中，所述方向为三维空间上的三个轴方向；根据所述不同方向上对应的N维特征，计算所述信号曲线的峰值，并基于所述峰值确定身体的摆幅；对所述信号曲线进行二值化处理，得到曲线图像，并判断所述曲线图像是否对称，得到判断结果；利用余弦信号对所述信号曲线进行拟合，得到拟合结果；根据所述判断结合和拟合结果，确定用户的身体状态。

本发明第二方面提供了一种基于步态演变的慢性疾病预警装置，所述基于步态演变的慢性疾病预警装置包括：采集模块，用于从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；卷积模块，用于将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量，其中，每个维度向量对应一个维度方向；筛选模块，用于根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；状态确定模块，用于提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；判断模块，用于基于所述身体状态和所述身体机能数据确定是否异常，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同；提示模块，用于在确定异常时，控制所述穿戴设备发出异常提示信号。

可选的，在本发明第二方面的第一种实现方式中，所述卷积神经网络模型包括一维卷积神经网络层和N维神经网络层，所述卷积模块包括：一维卷积单元，用于将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；第一二值化处理单元，用于以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量。

可选的，在本发明第二方面的第二种实现方式中，所述卷积模块还包括：膨胀处理单元，用于基于降维处理后的行走数据，利用膨胀算法构建膨胀数据；计算单元，用于将所述膨胀数据和降维处理后的行走数据进行或计算，得到二值化数据图像；向量化单元，用于基于所述二值化数据图像输入至所述一维卷积神经网络层中对各像素的图像进行向量计算，并将向量计算得到的向量与所述第二向量集中的维度向量进行融合计算，得到第三向量集。

可选的，在本发明第二方面的第三种实现方式中，所述筛选模块包括：提取单元，用于提取所述第三向量集中取值为1的第三向量，得到向量集；判断单元，用于判断所述向量集中的各第三向量在时间上是否为连续；若是，则计算在时间上连续的第三向量的连续区间，并判断所述连续区间是否满足预设区间大小；信号筛选单元，用于判断满足时，提取所述连续区间在所述行走数据中对应的信号曲线，得到处于行走状态的信号曲线。

可选的，在本发明第二方面的第四种实现方式中，所述基于步态演变的慢性疾病预警装置还包括周期计算模块，其具体用于：识别所述信号曲线中完整周期的曲线段，得到所述连续区间中的曲线周期数；根据所述曲线周期数和所述连续区间的总时长，计算出所述连续区间中的行走频率；基于所述行走频率确定所述连续区间是否为自然行走状态的运动周期。

可选的，在本发明第二方面的第五种实现方式中，所述状态确定模块包括：向量计算单元，用于在确定所述连续区间为自然行走状态的运动周期时，将所述信号曲线输入至预设的卷积神经网络模型中，通过N维卷积神经网络层计算出所述信号曲线中各像素在不同方向上对应的N维特征，基于所述N维特征确定所述行走数据的姿态向量，其中，所述方向为三维空间上的三个轴方向；摆幅计算单元，用于根据所述不同方向上对应的N维特征，计算所述信号曲线的峰值，并基于所述峰值确定身体的摆幅；第二二值化处理单元，用于对所述信号曲线进行二值化处理，得到曲线图像，并判断所述曲线图像是否对称，得到判断结果；拟合单元，用于利用余弦信号对所述信号曲线进行拟合，得到拟合结果；状态确定单元，用于根据所述判断结合和拟合结果，确定用户的身体状态。

本发明第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的基于步态演变的慢性疾病预警方法的各个步骤。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于步态演变的慢性疾病预警方法的各个步骤。

本发明的技术方案中，通过从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；利用预设的卷积神经网络模型，对所述行走数据进行卷积计算，得到多个维度向量；根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；基于所述身体状态和所述身体机能数据确定是否异常；若异常，则控制所述穿戴设备发出异常提示信号。利用卷积神经网络模型直接计算各行走数据对应的向量，基于向量来筛选信号曲线，实现了实时计算的同时还可以剔除干扰数据，该神经模型不需要进行预先的训练，从而减少的已知数据的收集，以解决由于现有的疾病预警过程中，需要大量的已知数据分析，而导致整体计算过程过于复杂，使得预测的时间周期较长的技术问题。

附图说明

图1为本发明实施例中基于步态演变的慢性疾病预警方法的第一个实施例示意图；

图2为本发明实施例中基于步态演变的慢性疾病预警方法的第二个实施例示意图；

图3为本发明实施例中膨胀原理的示意图；

图4为本发明实施例中基于步态演变的慢性疾病预警装置的一个实施例示意图；

图5为本发明实施例中基于步态演变的慢性疾病预警装置的另一个实施例示意图；

图6为本发明实施例中计算机设备的一个实施例示意图。

具体实施方式

为了解决现有技术中疾病预测周期长、效率和准确度都低的问题，本申请提出了可以在用户的日常生活中，无感知的对用户的运动姿态进行分析，出现异常后能第一时间反馈给用户做到早期发现，早期防治。本方案是对单一用户数据进行纵向对比，解决了不同用户之前的差异性问题，也解决了样本数据难以收集的问题。也因为以上原因，本方法能够获得单一用户更大量的数据，能够更为准确的对用户的信息进行分析，得到更为准确的效果。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于步态演变的慢性疾病预警方法的第一个实施例，该方法的实现步骤如下：

101、从用户佩戴的穿戴设备中采集用户的运动数据；

该步骤中，所述运动数据包括行走数据和身体机能数据，具体是通过用户自身佩戴的穿戴设备，如运动手环、手机等通信设备来实时采集得到运动数据，尤其是行走数据。

在实际应用中，行走数据具体为用户的手或脚的摆动幅度所产生的速度曲线，可选的，通过穿戴设备上的传感器来采集，例如距离传感器、陀螺仪等等。具体是记录在paw、roll、pitch三个方向的加速度用来表示运动过程中手臂的摆动形态。加速度计收集的信号会形成信号曲线图，图中的横轴表示时间，纵轴表示加速度，并分别采用不同的颜色标识，代表paw、roll、pitch三个方向的曲线。

如采用陀螺仪采集时，首先设定穿戴设备上的陀螺仪的基础位置，具体可以是通过终端上的APP设定后，利用近场通信网络将APP上设定的信息同步给穿戴设备，以实现基础位置的设定；进一步的，对于基础位置是以用户在站立时手的放置姿势来确定，例如垂直向下，这时陀螺仪上的基础位置，设定为与身体的中心重力方向相同或相互平行。当用户在行走时，陀螺仪的基准位置会偏离原来的位置，计算两者位置的偏离角度，从而构建曲线的峰值，当陀螺仪恢复至基础位置后，结束数据的采集，并基于采集到的所有峰值描绘出信号曲线。

102、将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量；

该步骤中，每个维度向量对应一个维度方向，该卷积神经网络模型包括多路神经网络，每路神经网络的卷积维度都不相同，将行走数据依次输出至每路神经网络中，行走数据经过每个神经网络卷积处理后，都输出一个向量，得到一个向量集。

优选的，这里选择两路，分别是采用一维神经网络和N维神经网络，该N的取值根据实际需求进行选择，具体的卷积实现如下：

将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；

以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量。

103、根据多个维度向量，从行走数据中筛选出处于走路状态的信号曲线；

本实施例中，具体是从穿戴设备输出的曲线图中筛选出属于行走状态的信号曲线，优选的，通过设置正常行走时，手和脚的向量阈值，将实时采集到的行走数据计算到的向量与向量阈值进行比较，若小于向量阈值，则为非走走路状态下产生的数据，反之则是。

在实际应用中，在提取出走路状态下的数据后，为了提高后续识别的精准度，还包括：对走路状态下的数据进行二次筛选，具体是以连续时间进行筛选，即是将相互相邻的多个数据的时间进行拼凑，得到时间轴，确定时间轴是否连续，若连续，则截取该时间轴对应的数据走路状态的信号曲线。

104、提取信号曲线中的峰值和曲线图像，并基于峰值和曲线图像确定用户的身体状态；

本实施例中，通过识别信号曲线中的波峰，计算波峰位置的纵横坐标，基于纵横坐标来确定峰值，通过对信号曲线中每个周期内的两个波峰的峰值确定所述行走状态是否稳定，若不稳定，从曲线图像中确定行走状态下身体的异常位置，例如曲线图像中的手部曲线两波峰不同，且波峰位置的向量不同向，同理，对于脚部曲线的分析与手部曲线的分析相同。

105、基于身体状态和身体机能数据确定是否异常；

该步骤中，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同，所述身体机能数据指的是穿戴设备上采集到的心率等信息，具体的这些信息也是通过曲线来表示，通过将这些曲线与预设的正常的机能数据的曲线进行比对，从而确定是否异常。

在实际应用中，步骤中的异常应当理解为身体章台和身体机能数据同时异常，则确定为异常。

106、若异常，则控制穿戴设备发出异常提示信号。

本实施例中，上述步骤的分析过程，具体是在终端的APP上实现，基于通过终端的近场局域网络，从用户的穿戴设备上定时读取行走数据，然后输入至神经网络模型中进行卷积，并进行异常对比分析后，生成一个驱动穿戴设备振动等方式的提示触发指令，将该提示触发指令通过近场局域网络发送给穿戴设备控制其发出提示信号。例如通过蓝牙、移动网络等方式。

在实际应用中，还可以将异常的信息生成通知信息推送给关联的设备，以提示其家人等。

综上所述，本实施例提供的方式是基于用户日常运动状况的一种预警方法，本方法与传统的需要用户配合测试的方法不同，本方法可以在用户的日常生活中，无感知的对用户的运动姿态进行分析，出现异常后能第一时间反馈给用户做到早期发现，早期防治。本方案是对单一用户数据进行纵向对比，解决了不同用户之前的差异性问题，也解决了样本数据难以收集的问题。也因为以上原因，本方法能够获得单一用户更大量的数据，能够更为准确的对用户的信息进行分析，得到更为准确的效果。

请参阅图2，本发明实施例中基于步态演变的慢性疾病预警方法的第二个实施例包括：

201、从用户佩戴的穿戴设备中采集用户的运动数据；

该步骤中，具体是采集用户在自然行走状态下的数据作为基础比对数据。日常佩戴基于加速度计的可穿戴设备，如智能手表、智能手环。并实时采集、记录在paw、roll、pitch三个维度方向的加速度用来表示运动过程中手臂的摆动形态。加速度计收集的信号会形成信号曲线图，图中的横轴表示时间，纵轴表示加速度，并分别采用不同的颜色标识，代表paw、roll、pitch三个方向的曲线。

202、将行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对行走数据进行降维和二值化处理，得到第二向量集；

具体的，将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；

以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量。

203、基于第二向量集对应的行走数据，利用膨胀算法构建膨胀数据；

在实际应用中，这里的膨胀可以理解为是将数据消除误差影响的处理，其膨胀处理的原理为：

首先，用n*n的结构元素，扫描图像的每一个像素；

然后，用结构元素与其覆盖的二值图像做“或”操作；

进一步的，如果都为0，结果图像的该像素为0。否则为1；

最后，输出结果：使二值图像扩大一圈。

例如：把结构元素B平移a后得到Ba，若Ba击中X，则记下这个a点。所有满足上述条件的a点组成的集合称做X被B膨胀的结果。用公式表示为：如图3所示。图3中X是被处理的对象，B是结构元素，不难知道，对于任意一个在阴影部分的点a，Ba击中X，所以X被B膨胀的结果就是图中阴影部分。

204、将膨胀数据和降维处理后的行走数据进行或计算，得到二值化数据图像；

205、基于二值化数据图像输入至一维卷积神经网络层中对各像素的图像进行向量计算，并并将向量计算得到的向量与第二向量集中的维度向量进行融合计算，得到第三向量集；

206、根据第三向量集，从对应的行走数据中筛选出处于走路状态的信号曲线；

在实际应用中，通过提取所述第三向量集中取值为1的第三向量，得到向量集；

判断所述向量集中的各第三向量在时间上是否为连续；

若是，则计算在时间上连续的第三向量的连续区间，并判断所述连续区间是否满足预设区间大小；

若否，则将对应的行走数据删除，并从穿戴设备中截取新的行走数据，执行步骤201。

若满足，则提取所述连续区间在所述行走数据中对应的信号曲线，得到处于行走状态的信号曲线。

若不满足，则结束流程，或者选择下一个时间段的行走数据，从新提取信号曲线。

进一步的，识别所述信号曲线中完整周期的曲线段，得到所述连续区间中的曲线周期数；

根据所述曲线周期数和所述连续区间的总时长，计算出所述连续区间中的行走频率；

基于所述行走频率确定所述连续区间是否为自然行走状态的运动周期。

下面以10ms为单位，对加速度计采集到的信号进行采样，则得到一个3*360000维的特征(每小时)，使用1维CNN网络对模型进行计算，输出一个1*360000的向量X(每个值范围0-1，表示是行走状态的概率)使用阈值x对向量进行二值化得到向量Y，大于x表明用户处于行走状态，小于表示处于非行走状态。对向量Y使用膨胀算法削弱模型误检的影响，得到向量Z。找到Z中连续超过30000个(5分钟的数据)值为1的区间，认为找到了一个走路状态下的区间。

计算每个走路状态下区间的频率：总时长/周期数(两个波峰算作一个周期)

频率在指定范围(与用户信息采集阶段的数据进行比较)内时则判断该区间为一个自然行走状态下的运动周期。

207、提取信号曲线中的峰值和曲线图像，并基于峰值和曲线图像确定用户的身体状态；

在本实施例中，在确定所述连续区间为自然行走状态的运动周期时，将所述信号曲线输入至预设的卷积神经网络模型中，通过N维卷积神经网络层计算出所述信号曲线中各像素在不同方向上对应的N维特征，基于所述N维特征确定所述行走数据的姿态向量，其中，所述方向为三维空间上的三个轴方向；

根据所述不同方向上对应的N维特征，计算所述信号曲线的峰值，并基于所述峰值确定身体的摆幅；

对所述信号曲线进行二值化处理，得到曲线图像，并判断所述曲线图像是否对称，得到判断结果；

利用余弦信号对所述信号曲线进行拟合，得到拟合结果；

根据所述判断结合和拟合结果，确定用户的身体状态。

若N等于9时，通过每个运动周期的加速度信号计算出手臂摆动的9维特征，每个方向3维：摆幅、不对称性、变异性。

摆幅：对加速度信号进行二重积分，得到手臂摆动的相对高度，记录高度曲线的极大值，并计算平均值作为手臂的平均摆幅。

不对称性：对于一个运动周期中的每一个周期信号(以波峰为端点，波谷为对称轴)，时间为T，将对称轴左侧的图像(0<t<T/2)沿对称轴(t＝T/2)翻转到对称轴右侧(T/2<t<T)，以10ms为单位，将两段信号差值的绝对值求和，来评价运动的对称性，和越大表明对称性越差。

变异性：对于一个运动周期中的每一个周期信号(以波峰为端点，波谷为对称轴)，时间为T，使用余弦信号对信号进行拟合，以10ms为单位，将两段信号差值的绝对值求和，来评价运动的变异性，和越大表明用户的运动协调性越差。

208、基于身体状态和身体机能数据确定是否异常；

该步骤中，这利的异常可以理解为是所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同。

209、若异常，则控制穿戴设备发出异常提示信号。。

将每日所有的运动周期的9维特征计算均值后记录到数据库中。并与之前的所有运动周期特征的平均值进行比较，若差值的绝对值大于z，则记为一次异常，连续三次异常则对用户产生一次告警，提醒用户进行正规检查。

通过对上述方法的实施，通过从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；利用预设的卷积神经网络模型，对所述行走数据进行卷积计算，得到多个维度向量；根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；基于所述身体状态和所述身体机能数据确定是否异常；若异常，则控制所述穿戴设备发出异常提示信号。以解决由于现有的疾病预警过程中，需要大量的已知数据分析，而导致整体计算过程过于复杂，使得预测的时间周期较长的技术问题。

上面对本发明实施例中的基于步态演变的慢性疾病预警方法进行了描述，下面对本发明实施例中的基于步态演变的慢性疾病预警装置进行描述，请参照图4，本发明实施例中的基于步态演变的慢性疾病预警装置的一个实施例包括：

采集模块401，用于从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；

卷积模块402，用于所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量，其中，每个维度向量对应一个维度方向；

筛选模块403，用于根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；

状态确定模块404，用于提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；

判断模块405，用于基于所述身体状态和所述身体机能数据确定是否异常，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同；

提示模块406，用于在确定异常时，控制所述穿戴设备发出异常提示信号。

通过对上述方法的实施，通过对穿戴设备中采集到的运动数据，利用卷积神经网络模型进行卷积计算，得到多个不同维度的向量，基于这些向量筛选出走路状态下的信号曲线后，提取信号曲线中的峰值和曲线图像来分析得到用户的身体状态，基于该身体状态和穿戴设备中采集的身体机能数据确定是否异常，并对异常进行提示，从实现对用户的慢性疾病的动态监控识别，相比与现有技术来说，减少了大量样本数据的采集学习，提高了疾病预测的效率，保证实时性。

请参阅图5，本发明实施例中的基于步态演变的慢性疾病预警装置的另一个实施例包括：

采集模块401，用于从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；

卷积模块402，用于将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量；

筛选模块403，用于根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；

状态确定模块404，用于提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；

判断模块405，用于基于所述身体状态和所述身体机能数据确定是否异常，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同；

提示模块406，用于在确定异常时，控制所述穿戴设备发出异常提示信号。

其中，所述卷积神经网络模型包括一维卷积神经网络层和N维神经网络层，所述卷积模块402包括：

一维卷积单元4021，用于将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；

第一二值化处理单元4022，用于以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量。

其中，所述卷积模块402还包括：

膨胀处理单元4023，用于基于降维处理后的行走数据，利用膨胀算法构建膨胀数据；

计算单元4024，用于将所述膨胀数据和降维处理后的行走数据进行或计算，得到二值化数据图像；

向量化单元4025，用于基于所述二值化数据图像输入至所述一维卷积神经网络层中对各像素的图像进行向量计算，并将向量计算得到的向量与所述第二向量集中的维度向量进行融合计算，得到第三向量集。

其中，所述筛选模块403包括：

提取单元4031，用于提取所述第三向量集中取值为1的第三向量，得到向量集；

判断单元4032，用于判断所述向量集中的各第三向量在时间上是否为连续；若是，则计算在时间上连续的第三向量的连续区间，并判断所述连续区间是否满足预设区间大小；

信号筛选单元4033，用于判断满足时，提取所述连续区间在所述行走数据中对应的信号曲线，得到处于行走状态的信号曲线。

在本发明的另一实施例中，所述基于步态演变的慢性疾病预警装置还包括周期计算模块407，其具体用于：

识别所述信号曲线中完整周期的曲线段，得到所述连续区间中的曲线周期数；

根据所述曲线周期数和所述连续区间的总时长，计算出所述连续区间中的行走频率；

基于所述行走频率确定所述连续区间是否为自然行走状态的运动周期。

其中，所述状态确定模块404包括：

向量计算单元4041，用于在确定所述连续区间为自然行走状态的运动周期时，将所述信号曲线输入至预设的卷积神经网络模型中，通过N维卷积神经网络层计算出所述信号曲线中各像素在不同方向上对应的N维特征，基于所述N维特征确定所述行走数据的姿态向量，其中，所述方向为三维空间上的三个轴方向；

摆幅计算单元4042，用于根据所述不同方向上对应的N维特征，计算所述信号曲线的峰值，并基于所述峰值确定身体的摆幅；

第二二值化处理单元4043，用于对所述信号曲线进行二值化处理，得到曲线图像，并判断所述曲线图像是否对称，得到判断结果；

拟合单元4044，用于利用余弦信号对所述信号曲线进行拟合，得到拟合结果；

状态确定单元4045，用于根据所述判断结合和拟合结果，确定用户的身体状态。

通过上述方法的实施，通过从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；利用预设的卷积神经网络模型，对所述行走数据进行卷积计算，得到多个维度向量；根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；基于所述身体状态和所述身体机能数据确定是否异常；若异常，则控制所述穿戴设备发出异常提示信号。以解决由于现有的疾病预警过程中，需要大量的已知数据分析，而导致整体计算过程过于复杂，使得预测的时间周期较长的技术问题。

请参阅图6，下面从硬件处理的角度对本发明实施例中的计算机设备的一个实施例进行详细描述。

图6是本发明实施例提供的一种计算机设备的结构示意图，该计算机设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在计算机设备600上执行存储介质630中的一系列指令操作。

计算机设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Block chain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述慢性疾病预警方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于步态演变的慢性疾病预警方法，其特征在于，所述基于步态演变的慢性疾病预警方法包括：

从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；

将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量，其中，每个维度向量对应一个维度方向；

根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；

提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；

基于所述身体状态和所述身体机能数据确定是否异常，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同；

若异常，则控制所述穿戴设备发出异常提示信号；

其中，所述卷积神经网络模型包括一维卷积神经网络层和N维神经网络层，所述将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量包括：将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量；

在所述以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集之后，还包括：基于降维处理后的行走数据，利用膨胀算法构建膨胀数据；将所述膨胀数据和降维处理后的行走数据进行或计算，得到二值化数据图像；基于所述二值化数据图像输入至所述一维卷积神经网络层中对各像素的图像进行向量计算，并将向量计算得到的向量与所述第二向量集中的维度向量进行融合计算，得到第三向量集；

所述根据多个维度向量，从对应的行走数据中筛选出处于走路状态的信号曲线包括：提取所述第三向量集中取值为1的第三向量，得到向量集；判断所述向量集中的各第三向量在时间上是否为连续；若是，则计算在时间上连续的第三向量的连续区间，并判断所述连续区间是否满足预设区间大小；若满足，则提取所述连续区间在所述行走数据中对应的信号曲线，得到处于行走状态的信号曲线；

所述提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态包括：在确定所述连续区间为自然行走状态的运动周期时，将所述信号曲线输入至预设的卷积神经网络模型中，通过N维卷积神经网络层计算出所述信号曲线中各像素在不同方向上对应的N维特征，基于所述N维特征确定所述行走数据的姿态向量，其中，所述方向为三维空间上的三个轴方向；根据所述不同方向上对应的N维特征，计算所述信号曲线的峰值，并基于所述峰值确定身体的摆幅；对所述信号曲线进行二值化处理，得到曲线图像，并判断所述曲线图像是否对称，得到判断结果；利用余弦信号对所述信号曲线进行拟合，得到拟合结果；根据所述判断结果和拟合结果，确定用户的身体状态。

2.根据权利要求1所述的基于步态演变的慢性疾病预警方法，其特征在于，在所述根据多个维度向量，从对应的行走数据中筛选出处于走路状态的信号曲线之后，还包括：

识别所述信号曲线中完整周期的曲线段，得到所述连续区间中的曲线周期数；

根据所述曲线周期数和所述连续区间的总时长，计算出所述连续区间中的行走频率；

基于所述行走频率确定所述连续区间是否为自然行走状态的运动周期。

3.一种基于步态演变的慢性疾病预警装置，其特征在于，所述基于步态演变的慢性疾病预警装置包括：

采集模块，用于从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；

卷积模块，用于将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量，其中，每个维度向量对应一个维度方向；

筛选模块，用于根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；

状态确定模块，用于提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；

判断模块，用于基于所述身体状态和所述身体机能数据确定是否异常，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同；

提示模块，用于在确定异常时，控制所述穿戴设备发出异常提示信号；

其中，所述卷积神经网络模型包括一维卷积神经网络层和N维神经网络层，所述将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量包括：将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量；

在所述以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集之后，还包括：基于降维处理后的行走数据，利用膨胀算法构建膨胀数据；将所述膨胀数据和降维处理后的行走数据进行或计算，得到二值化数据图像；基于所述二值化数据图像输入至所述一维卷积神经网络层中对各像素的图像进行向量计算，并将向量计算得到的向量与所述第二向量集中的维度向量进行融合计算，得到第三向量集；

所述根据多个维度向量，从对应的行走数据中筛选出处于走路状态的信号曲线包括：提取所述第三向量集中取值为1的第三向量，得到向量集；判断所述向量集中的各第三向量在时间上是否为连续；若是，则计算在时间上连续的第三向量的连续区间，并判断所述连续区间是否满足预设区间大小；若满足，则提取所述连续区间在所述行走数据中对应的信号曲线，得到处于行走状态的信号曲线；

所述提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态包括：在确定所述连续区间为自然行走状态的运动周期时，将所述信号曲线输入至预设的卷积神经网络模型中，通过N维卷积神经网络层计算出所述信号曲线中各像素在不同方向上对应的N维特征，基于所述N维特征确定所述行走数据的姿态向量，其中，所述方向为三维空间上的三个轴方向；根据所述不同方向上对应的N维特征，计算所述信号曲线的峰值，并基于所述峰值确定身体的摆幅；对所述信号曲线进行二值化处理，得到曲线图像，并判断所述曲线图像是否对称，得到判断结果；利用余弦信号对所述信号曲线进行拟合，得到拟合结果；根据所述判断结果和拟合结果，确定用户的身体状态。

4.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-2中任一项所述的基于步态演变的慢性疾病预警方法的各个步骤。

5.一种计算机可读存储介质，所述计算机可读存储介质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1-2中任一项所述的基于步态演变的慢性疾病预警方法的各个步骤。