CN115132320A - 一种健康预测模型大数据训练的动作决策方法和装置 - Google Patents

一种健康预测模型大数据训练的动作决策方法和装置 Download PDF

Info

Publication number
CN115132320A
CN115132320A CN202210746049.6A CN202210746049A CN115132320A CN 115132320 A CN115132320 A CN 115132320A CN 202210746049 A CN202210746049 A CN 202210746049A CN 115132320 A CN115132320 A CN 115132320A
Authority
CN
China
Prior art keywords
action
user
health state
strategy
model
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
CN202210746049.6A
Other languages
English (en)
Inventor
梁付合
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210746049.6A priority Critical patent/CN115132320A/zh
Publication of CN115132320A publication Critical patent/CN115132320A/zh
Pending legal-status Critical Current

Links

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Primary Health Care (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本说明书实施例提供一种健康预测模型大数据训练的动作决策方法，训练健康状态预测模型，预测用户的健康状态上升空间，输入到预先构建的动作决策模型进行决策，输出动作策略引导用户运动，并对用户运动时的动作进行识别，比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据其调整动作决策模型，用调整后的动作决策模型基于健康状态上升空间输出动作策略。通过针对每个预测健康状态上升空间，兼顾每个用户的实际情况进行决策，得到针对性的动作策略后根据执行的偏差调整动作决策模型再进行决策，由于执行偏差反映了用户的执行情况和偏好的动作方式，因而调整之后的动作策略与用户匹配度更高，有助于实现健康状态，引导效果更好。

Description

一种健康预测模型大数据训练的动作决策方法和装置
技术领域
本申请涉及计算机领域，尤其涉及一种健康预测模型大数据训练的动作决策方法、装置和电子设备。
背景技术
随着生活水平的提高，越来越多的人开始重视身体健康，有些人通过饮食调节来保持身体健康状态，有些人通过运动的方式保持身体健康，目前，市面上出现了许多体操app，通过视频演示的方式引导用户进行动作训练，从而达到锻炼身体保持身体健康的目的。
然而，目前引导用户运动的方式，本质上是设置的固定的运动方案，用户只能被动地接收这些固定化的运动方案，这些方案往往与用户本身的状态不匹配，导致最终引导效果较差。
因此，有必要提供一种匹配度高的方法，来进行动作决策。
发明内容
本说明书实施例提供一种健康预测模型大数据训练的动作决策方法、装置和电子设备，用以提高运动策略与用户的匹配度提升引导效果。
本说明书实施例提供一种智能预测模型的运动引导方法，包括：
训练健康状态预测模型，利用模型为用户预测用户的健康状态上升空间；将所述用户的健康状态上升空间输入到预先构建的动作决策模型中进行决策，输出动作策略；
利用所述动作策略进行动作展示，引导用户运动，并对所述用户运动时的动作进行识别；
比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据所述动作执行偏差调整动作决策模型，并利用调整后的动作决策模型基于所述用户的健康状态上升空间输出动作策略。
可选地，所述对所述用户运动时的动作进行识别，包括：
获取样本用户运行时的肌电信号和对应的动作信息，根据动作信息为肌电信号设置动作类型、力度和速度标签，利用设置的标签训练肌电动作识别模型，识别用户运动时的动作类型、力度和速度；
所述计算动作执行偏差，包括：
根据动作类型、力度和速度计算动作执行偏差。
可选地，所述训练健康状态预测模型，包括：
搭建具有第一输入项通道的健康状态预测模型、具有第一输入项通道和第二输入项通道的辅助矫正模型，所述辅助矫正模型的中间层和输出层与健康状态预测模型相同；
采集样本用户的多种生理属性信息，并根据所述生理属性信息的采集频率分为第一输入项信息集合和第二输入项信息集合，其中所述第二输入项信息集合的采集频率低于所述第一输入项信息集合；
将所述第一输入项信息集合和第二输入项信息集合输入到所述辅助矫正模型，得到第一函数值，并根据输出的第一函数值对所述辅助矫正模型进行迭代训练；
将所述第一输入项信息集合输入到健康状态预测模型，得到第二函数值，根据所述第一函数值相比于所述第二函数值的偏差对所述健康状态预测模型进行训练；
获取对用户采集的第一输入项信息，利用所述健康状态预测模型对所述用户的健康状态进行预测，得到用户的健康状态上升空间。
可选地，所述将所述用户的健康状态上升空间输入预先构建的动作决策模型进行决策，包括：
获取样本用户的动作信息和对应的健康状态变化数据，构造激励函数，利用所述样本用户的动作信息和对应的健康状态变化数据对激励函数进行强化学习，生成动作空间，结合强化学习出的激励函数构造动作决策模型；
所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，直至计算出的激励函数值满足预设条件，输出动作策略。
可选地，所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，包括：
在所述动作空间中生成粒子群，以各粒子为起始点按照预设步长范围进行移动，比较所述粒子群搜索到的动作策略，计算各动作策略的激励函数值，并比较，得到局部最优的动作策略，进行迭代后，得到全局最优的动作策略。
可选地，还包括：
根据局部最优的动作策略对应的点调整下次迭代时的移动方向。
可选地，所述第二输入项信息包括:医院体检项目信息，所述第一输入项信息包括：应用程序采集的全天运动步数信息、通过配餐冰箱采集的摄入食物信息、皮肤状态信息和体温体重信息。
本说明书实施例还提供一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
本说明书实施例提供的各种技术方案通过训练健康状态预测模型，预测用户的健康状态上升空间，输入到预先构建的动作决策模型进行决策，输出动作策略引导用户运动，并对用户运动时的动作进行识别，比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据其调整动作决策模型，用调整后的动作决策模型基于健康状态上升空间输出动作策略。通过针对每个预测健康状态上升空间，兼顾每个用户的实际情况进行决策，得到针对性的动作策略后根据执行的偏差调整动作决策模型再进行决策，由于执行偏差反映了用户的执行情况和偏好的动作方式，因而调整之后的动作策略与用户匹配度更高，有助于实现健康状态，引导效果更好。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种健康预测模型大数据训练的动作决策方法的原理示意图；
图2为本说明书实施例提供的一种健康预测模型大数据训练的动作决策装置的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图；
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种健康预测模型大数据训练的动作决策方法的原理示意图，该方法可以包括：
S101:训练健康状态预测模型，利用模型为用户预测用户的健康状态上升空间,将所述用户的健康状态上升空间输入预先构建的动作决策模型进行决策，输出动作策略；
S102:利用所述动作策略进行动作展示，引导用户运动，并对所述用户运动时的动作进行识别；
S103:比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据所述动作执行偏差调整动作决策模型，并利用调整后的动作决策模型基于所述用户的健康状态上升空间输出动作策略。
该方法通过训练健康状态预测模型，预测用户的健康状态上升空间，输入到预先构建的动作决策模型进行决策，输出动作策略引导用户运动，并对用户运动时的动作进行识别，比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据其调整动作决策模型，用调整后的动作决策模型基于健康状态上升空间输出动作策略。通过针对每个预测健康状态上升空间，兼顾每个用户的实际情况进行决策，得到针对性的动作策略后根据执行的偏差调整动作决策模型再进行决策，由于执行偏差反映了用户的执行情况和偏好的动作方式，因而调整之后的动作策略与用户匹配度更高，有助于实现健康状态，引导效果更好。
健康状态可以是多个单指标状态(比如身体灵活度、身体耐力、体力恢复能力、消化吸收能力、内脏器官损伤程度、内脏器官负担程度等)，也可以是根据多指标综合抽象计算出的状态。
健康状态上升空间是指用户当前的亚健康状态，相比与理想的健康状态所具有的提升潜力，由于健康状态是多属性的，因此，如果将各属性的潜力综合到一起，便可以得到多维空间，称作健康状态上升空间。
具体的，健康状态上升空间可以用多维向量来记录和运算。
健康状态预测模型，可以是利用机器学习的方式训练得到的。
在训练健康状态预测模型时，可以获取大量样本用户的基础信息以及用户的健康状态，用健康状态作标签，这样，训练健康状态预测模型后，对于新用户只要得到其基础信息，就可以准确地预测出其健康状态。
所述基础信息包括生物属性信息、运动属性信息和饮食属性信息。
生物属性，可以是各种体检项目，运动属性可以是app步数，可以是运动计时等，在此不限制。
在预测用户健康状态时，兼顾的信息越多，越有利于预测的准确性，然而，有些信息实际上并非能经常得到，比如，医院体检信息，因此，如果想要每天都能准确地预测用户的健康状态，实际是很难的。
那么，怎么能够兼顾这类不经常得到的信息呢。
我们可以采用这种方式，在不直接采用这类不经常得到的信息时，利用平常的信息就能替代这类不经常得到的信息对预测过程的影响。
具体的，在构建健康状态预测模型时，可以同时构建一个辅助矫正模型，训练时辅助矫正模型兼顾(输入)这类不经常得到的信息，而在训练健康状态预测模型时，不输入这类不经常得到的信息，而是采用辅助矫正模型预测出的目标，来判断健康状态预测模型是否能达到兼顾这类不经常得到的信息时的预测准确度以及准确度偏差，从而健康状态预测模型进行矫正和反复迭代训练，就能朝着辅助矫正模型的方向去调整，从而在后续对新用户预测时，即便不采用这类不经常得到的信息，依然具有较高准确度。
因此，在本说明书实施例中，所述训练健康状态预测模型，包括：
搭建具有第一输入项通道的健康状态预测模型、具有第一输入项通道和第二输入项通道的辅助矫正模型，所述辅助矫正模型的中间层和输出层与健康状态预测模型相同；
采集样本用户的多种生理属性信息，并根据所述生理属性信息的采集频率分为第一输入项信息集合和第二输入项信息集合，其中所述第二输入项信息集合的采集频率低于所述第一输入项信息集合；
将所述第一输入项信息集合和第二输入项信息集合输入到所述辅助矫正模型，得到第一函数值，并根据输出的第一函数值对所述辅助矫正模型进行迭代训练；
将所述第一输入项信息集合输入到健康状态预测模型，得到第二函数值，根据所述第一函数值相比于所述第二函数值的偏差对所述健康状态预测模型进行训练；
获取对用户采集的第一输入项信息，利用所述健康状态预测模型对所述用户的健康状态进行预测，得到用户的健康状态上升空间。
在本说明书实施例中，所述第二输入项信息包括:医院体检项目信息，所述第一输入项信息包括：应用程序采集的全天运动步数信息、通过配餐冰箱采集的摄入食物信息、皮肤状态信息、体温、体重、心率和肺活量信息中的至少一个。
由于配餐冰箱采集的摄入食物信息、皮肤状态信息、体温、体重、心率和肺活量信息每天都可获得，因而有助于准确地每天对用户的健康状态进行预测。
由于测出来的信息(比如体重、心率、肺活量)实际是健康状态的表现，而内因实际上包括运动、睡眠和饮食等，因此，实际上睡眠和饮食可以隐含地反映用户的健康状态，因此，在一种实施方式中，可以根据用户摄入食物信息来预测其健康状态，从而得到与当天摄入食物相适应的动作策略。
在本说明书实施例中，第一输入项信息还可以包括睡眠状态信息。
具体的，睡眠状态信息可以包括入眠时间、入眠后的脑电波等。
输入项通道是模型的输入层。
偏差可以是相似度，也可以是欧氏距离，在此不限制。
在本说明书实施例中，所述对所述用户运动时的动作进行识别，包括：
获取样本用户运行时的肌电信号和对应的动作信息，根据动作信息为肌电信号设置动作类型、力度和速度标签，利用设置的标签训练肌电动作识别模型，识别用户运动时的动作类型、力度和速度；
所述计算动作执行偏差，包括：
根据动作类型、力度和速度计算动作执行偏差。
动作执行偏差可以反应用户的执行力，也可以反映用户的动作偏好，因此，通过根据所述动作执行偏差调整动作决策模型，并利用调整后的动作决策模型基于所述用户的健康状态上升空间输出动作策略，能够使动作策略与用户相匹配。
动作执行偏差可以是根据能量消耗、肌肉锻炼程度和筋的拉伸程度计算的综合指标。
因此，可以根据能量消耗、肌肉锻炼程度和筋的拉伸程度构造奖励函数。
为了针对每个用户生成定制化的动作策略，我们可以以搜索的方式生成动作策略，通过决策的方式得到对该用户最有利的全局最优的动作策略。
这里的动作策略，可以是根据能量消耗、肌肉锻炼程度和筋的拉伸程度或者其综合指标来衡量的。
具体的如何计算指标最科学，我们可以用强化学习的方式自发学习的得到，用奖励的方式，确定哪种方式最合适。
因此，在本说明书实施例中，所述将所述用户的健康状态上升空间输入预先构建的动作决策模型进行决策，包括：
获取样本用户的动作信息和对应的健康状态变化数据，构造激励函数，利用所述样本用户的动作信息和对应的健康状态变化数据对激励函数进行强化学习，生成动作空间，结合强化学习出的激励函数构造动作决策模型；
所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，直至计算出的激励函数值满足预设条件，输出动作策略。
为了加快搜索速度，在本说明书实施例中，所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，可以包括：
在所述动作空间中生成粒子群，以各粒子为起始点按照预设步长范围进行移动，比较所述粒子群搜索到的动作策略，计算各动作策略的激励函数值，并比较，得到局部最优的动作策略，进行迭代后，得到全局最优的动作策略。
在本说明书实施例中，该方法还可以包括：
根据局部最优的动作策略对应的点调整下次迭代时的移动方向。
图2为本说明书实施例提供的一种健康预测模型大数据训练的动作决策装置的结构示意图，该装置可以包括：
健康状态预测模块201，训练健康状态预测模型，利用模型为用户预测用户的健康状态上升空间，将所述用户的健康状态上升空间输入预先构建的动作决策模型进行决策，输出动作策略；
引导模块202，利用所述动作策略进行动作展示，引导用户运动，并对所述用户运动时的动作进行识别；
调整输出模块203，比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据所述动作执行偏差调整动作决策模型，并利用调整后的动作决策模型基于所述用户的健康状态上升空间输出动作策略。
该装置通过训练健康状态预测模型，预测用户的健康状态上升空间，输入到预先构建的动作决策模型进行决策，输出动作策略引导用户运动，并对用户运动时的动作进行识别，比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据其调整动作决策模型，用调整后的动作决策模型基于健康状态上升空间输出动作策略。通过针对每个预测健康状态上升空间，兼顾每个用户的实际情况进行决策，得到针对性的动作策略后根据执行的偏差调整动作决策模型再进行决策，由于执行偏差反映了用户的执行情况和偏好的动作方式，因而调整之后的动作策略与用户匹配度更高，有助于实现健康状态，引导效果更好。
基于同一发明构思，本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种健康预测模型大数据训练的动作决策方法，其特征在于，包括：
训练健康状态预测模型，利用所述健康状态预测模型为用户预测用户的健康状态上升空间，将所述用户的健康状态上升空间输入预先构建的动作决策模型进行决策，输出动作策略；
利用所述动作策略进行动作展示，引导用户运动，并对所述用户运动时的动作进行识别；
比较引导运动的动作策略和实时识别出的动作，计算动作执行偏差，根据所述动作执行偏差调整动作决策模型，并利用调整后的动作决策模型基于所述用户的健康状态上升空间输出动作策略。
2.根据权利要求1所述的方法，其特征在于，所述对所述用户运动时的动作进行识别，包括：
获取样本用户运行时的肌电信号和对应的动作信息，根据动作信息为肌电信号设置动作类型、力度和速度标签，利用设置的标签训练肌电动作识别模型，识别用户运动时的动作类型、力度和速度；
所述计算动作执行偏差，包括：
根据动作类型、力度和速度计算动作执行偏差。
3.根据权利要求2所述的方法，其特征在于，所述训练健康状态预测模型，包括：
搭建具有第一输入项通道的健康状态预测模型、具有第一输入项通道和第二输入项通道的辅助矫正模型，所述辅助矫正模型的中间层和输出层与健康状态预测模型相同；
采集样本用户的多种生理属性信息，并根据所述生理属性信息的采集频率分为第一输入项信息集合和第二输入项信息集合，其中所述第二输入项信息集合的采集频率低于所述第一输入项信息集合；
将所述第一输入项信息集合和第二输入项信息集合输入到所述辅助矫正模型，得到第一函数值，并根据输出的第一函数值对所述辅助矫正模型进行迭代训练；
将所述第一输入项信息集合输入到健康状态预测模型，得到第二函数值，根据所述第一函数值相比于所述第二函数值的偏差对所述健康状态预测模型进行训练；
获取对用户采集的第一输入项信息，利用所述健康状态预测模型对所述用户的健康状态进行预测，得到用户的健康状态上升空间。
4.根据权利要求2所述的方法，其特征在于，所述将所述用户的健康状态上升空间输入预先构建的动作决策模型进行决策，包括：
获取样本用户的动作信息和对应的健康状态变化数据，构造激励函数，利用所述样本用户的动作信息和对应的健康状态变化数据对激励函数进行强化学习，生成动作空间，结合强化学习出的激励函数构造动作决策模型；
所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，直至计算出的激励函数值满足预设条件，输出动作策略。
5.根据权利要求4所述的方法，其特征在于，所述动作决策模型在所述动作空间中进行搜索，根据搜索到的点生成动作策略，计算所述动作策略的激励函数值，并进行迭代，包括：
在所述动作空间中生成粒子群，以各粒子为起始点按照预设步长范围进行移动，比较所述粒子群搜索到的动作策略，计算各动作策略的激励函数值，并比较，得到局部最优的动作策略，进行迭代后，得到全局最优的动作策略。
6.根据权利要求5所述的方法，其特征在于，还包括：
根据局部最优的动作策略对应的点调整下次迭代时的移动方向。
7.根据权利要求2所述的方法，其特征在于，所述第二输入项信息包括:医院体检项目信息，所述第一输入项信息包括：应用程序采集的全天运动步数信息、通过配餐冰箱采集的摄入食物信息、皮肤状态信息和体温体重信息。
8.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
9.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
CN202210746049.6A 2022-06-28 2022-06-28 一种健康预测模型大数据训练的动作决策方法和装置 Pending CN115132320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210746049.6A CN115132320A (zh) 2022-06-28 2022-06-28 一种健康预测模型大数据训练的动作决策方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210746049.6A CN115132320A (zh) 2022-06-28 2022-06-28 一种健康预测模型大数据训练的动作决策方法和装置

Publications (1)

Publication Number Publication Date
CN115132320A true CN115132320A (zh) 2022-09-30

Family

ID=83379385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210746049.6A Pending CN115132320A (zh) 2022-06-28 2022-06-28 一种健康预测模型大数据训练的动作决策方法和装置

Country Status (1)

Country Link
CN (1) CN115132320A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168800A (zh) * 2023-04-20 2023-05-26 北京逯博士行为医学科技研究院有限公司 一种基于优碳技术的减脂优化系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168800A (zh) * 2023-04-20 2023-05-26 北京逯博士行为医学科技研究院有限公司 一种基于优碳技术的减脂优化系统

Similar Documents

Publication Publication Date Title
Fan et al. Attribute reduction based on max-decision neighborhood rough set model
Lee et al. Personalized mortality prediction driven by electronic medical data and a patient similarity metric
US10593431B1 (en) Methods and systems for causative chaining of prognostic label classifications
US20190095590A1 (en) Personalized Questionnaire for Health Risk Assessment
CN111949759A (zh) 病历文本相似度的检索方法、系统及计算机设备
CN112052318A (zh) 一种语义识别方法、装置、计算机设备和存储介质
Kaswan et al. AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data
Liang et al. MOPSO-based CNN for keyword selection on google ads
CN115132320A (zh) 一种健康预测模型大数据训练的动作决策方法和装置
Zhao et al. Knowledge guided feature aggregation for the prediction of chronic obstructive pulmonary disease with Chinese EMRs
Klochko et al. Data mining of the healthcare system based on the machine learning model developed in the Microsoft azure machine learning studio
CN113704481B (zh) 一种文本处理方法、装置、设备及存储介质
Ezin et al. 'Fitness that Fits':-A Prototype Model for Workout Video Recommendation
US20210407632A1 (en) System and method for displaying electronic health records
CN115083558A (zh) 一种激励决策模型的运动引导方法、装置和电子设备
CN115132319A (zh) 基于肌电动作智能识别的视频展示方法和装置
Wu et al. Graph-based query strategies for active learning
Ferreira et al. Active learning for medical code assignment
Chen et al. Predicting Visit Cost of Obstructive Sleep Apnea Using Electronic Healthcare Records With Transformer
An et al. Merge: A multi-graph attentive representation learning framework integrating group information from similar patients
Ma et al. A gradient boosting tree model for multi-department venous thromboembolism risk assessment with imbalanced data
Hussain et al. A methodology to rank the patients prone to chronic diseases in telehealth
CN114912009A (zh) 用户画像的生成方法、装置、电子设备和计算机程序介质
Rosales et al. Semi-supervised active learning for modeling medical concepts from free text
CN115132318A (zh) 利用机器学习训练矫正模型进行动作提示的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220930