CN115203595B - 一种通过生活特征对体征健康进行预测的系统及方法 - Google Patents
一种通过生活特征对体征健康进行预测的系统及方法 Download PDFInfo
- Publication number
- CN115203595B CN115203595B CN202211137100.XA CN202211137100A CN115203595B CN 115203595 B CN115203595 B CN 115203595B CN 202211137100 A CN202211137100 A CN 202211137100A CN 115203595 B CN115203595 B CN 115203595B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- tid
- monitoring
- prediction
- characteristic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及健康数据的信息通信技术领域,提出一种通过生活特征对体征健康进行预测的系统及方法,包括监测数据获取模块、生活特征获取模块、异常预测模块、数据库模块;监测数据获取模块通过一定的监测周期获取用户体征的监测数据,将获取的监测数据及其监测时间保存在数据库模块中;异常预测模块包括异常数据模块、异常特征模块和预测模块;异常数据模块用于判断对应的用户体征的监测数据是否为正常范围以外的异常数据;异常特征模块用于判断获取的生活特征是否为正常标准以外的异常特征;预测模块用于根据异常数据和异常特征,获得对应的用户体征的监测数据发生异常时异常特征的权重,根据异常特征的权重对用户体征的体征健康进行预测。
Description
技术领域
本发明涉及健康数据的信息通信技术领域,尤其是指一种通过生活特征对体征健康进行预测的系统及方法。
背景技术
根据现有技术研究数据,现代人的生活习惯、饮食问题、睡眠质量、工作压力环境改变等生活特征,对个人的体征检测数值会产生影响,比如,长期熬夜可能会导致转氨酶升高,血压升高,长期饮食过量可能会导致血糖升高等等;而且由于个人体质不同,每天的作息运动情况不同,对每个人的具体影响情况可能也有所不同,比如有些人会因为某些行为习惯而容易引起体温升高,而有些人则会导致血压或者血脂升高。而由于个体差异的体征表现不同,在进行健康推荐的时候,如果仅仅使用大数据进行比较笼统的健康推荐方法,就不能精确的将预测结果推送到用户,也就无法达到提醒注意某项体征指标的目的。因此,如何精确的向用户推送适合个人本身情况,根据个人本身的发病原因和规律来定制更精确的健康推送方案,是急需解决的问题。
发明内容
为解决上述问题,本发明提供一种通过生活特征对体征健康进行预测的系统,包括监测数据获取模块、生活特征获取模块、异常预测模块、数据库模块;
监测数据获取模块通过一定的监测周期获取用户体征的监测数据,将获取的监测数据及其监测时间保存在数据库模块中;
生活特征获取模块用于获取用户的生活特征,将获取的生活特征及其获取时间保存在数据库模块中;
异常预测模块包括异常数据模块、异常特征模块和预测模块;异常数据模块用于判断对应的用户体征的监测数据是否为正常范围以外的异常数据;异常特征模块用于判断获取的生活特征是否为正常标准以外的异常特征;预测模块用于根据异常数据和异常特征,获得对应的用户体征的监测数据发生异常时异常特征的权重,根据异常特征的权重对用户体征的体征健康进行预测。
其中,用户体征为血压、血糖或体温。
其中,生活特征为饮食热量摄入量、糖摄入量、盐摄入量、工作时间、睡眠时间以及运动时间。
其中,数据库模块还包括异常时间点列表和恢复时间点列表,具体的,异常时间点列表和恢复时间点列表中的监测时间点以监测时间顺序进行排序。
本发明还提供了一种如上所描述的通过生活特征对体征健康进行预测的系统的预测方法,具体步骤包括:
S10,获取用户A的体征的监测数据记录中的n个异常预测时间段,设置异常预测时间段T=[T1,T2,…, Tn],其中,第i个异常预测时间段为Ti,设置第i个异常预测时间段Ti中包括m个监测时间点,监测时间点TID=[TID1,TID1+θ,…,TID1+(m-1)θ],其中,θ为监测周期,TID1+(j-1)θ为异常预测时间段Ti的第j个监测时间点,设置第j个监测时间点TID1+(j-1)θ对应的监测数值为DSj,
设置监测数值阈值为ω0,异常预测时间段Ti的第一监测时间点TID1为触发异常时间点,DS1>ω0;
S20,获得首异常差值ψ1= DS1-ω0,设置初始异常预测时间段长度为ε0;
获得异常预测时间段Ti的长度TIF=(ψ1+ω0)ε0/ω0;
根据得到的异常预测时间段Ti的长度TIF,当存在第j监测时间点TIDj使得DSj<ε0时,转入步骤S30;
当不存在TIDj使得DSj<ε0时,转入步骤S31;
S30,根据异常预测时间段Ti的第j监测时间点TIDj对应的监测数值DSj,获得TIDj的异常差值ψj= DSj-ω0;
其中,当Ψj>0时,将TIDj加入Ti的异常时间点列表ICL,其中,异常时间点列表ICL中的监测时间点以时间顺序进行排序;
当Ψj<0时 TIDj加入Ti的恢复时间点列表IHL,其中,恢复时间点列表IHL中的监测时间点以时间顺序进行排序;转入步骤S40;
S31,设置增长系数λ,TIF =λ(ψ1+ω0)ε0/ω0,当存在第j监测时间点TIDj使得DSj<ε0时,转入步骤S30;
当不存在第j监测时间点TIDj使得DSj<ε0时,本步骤结束;
S40,设置当异常预测时间段Ti的异常时间点列表ICL中有f个监测时间点,则异常时间点列表最后一个监测时间点为TID1+fθ,当恢复时间点列表IHL的第一个监测时间点为TID1+(f+1)θ时,得到异常预测时间段Ti的恢复特征时间段TIH(TID1,TID1+(f+1)θ);
S50,获取第一监测时间点TID1之前k个监测周期作为异常预测时间段Ti的获取特征时间段TIR,获取特征时间段TIR包括k个监测时间点,监测时间点TIRD=[TID1-kθ,TID1-(k-1)θ,…,TID1-θ],其中,第z个获取特征时间点TID1-(k-z+1)θ对应的监测数值为DSz,其中,DSz≤ω0,z∈[1,k];
S60,设置用户A的体征监测记录中的异常生活特征AF包括c个类别,AF=[AF1,AF2,…,AFc],设置其中第δ个类别为AFδ,对获取特征时间段TIR中的异常生活特征进行计数,得到异常生活特征AFδ的计数NUMδ1;
对恢复特征时间段TIH中的异常生活特征进行计数,得到异常生活特征AFδ的计数NUMδ2,
得到第δ类异常生活特征AFδ的权重ωδ=NUMδ1/ NUMδ2;
S70,将第δ类异常生活特征AFδ的权重ωδ进行归一化,设置权重阈值W,当预测时间段内用户A的出现的异常生活特征权重之和超过权重阈值W时,系统发出预警,并根据异常生活特征分类的权重给出健康调整建议。
其中,在步骤S70中,预测时间段的时长不超过异常预测时间段的时长TIF。
其中,在步骤S50中,获取特征时间段TIR为(TID1-kθ,TID1)。
其中,在步骤S40中,恢复特征时间段TIH为(TID1,TID1+(K+1)θ)。
本发明实现的有益效果如下:
本发明通过寻找到合适时长的异常预测时间段,通过定位异常预测时间段和定位异常预测时间段前置的获取特征时间段,能够较为准确的获得异常数值产生原因特征,以及异常恢复的原因特征,将两段时间内的产生异常的生活特征和异常恢复的生活特征进行比较和计算,能够较为精确的对异常进行预测和推送。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种通过生活特征对体征健康进行预测的系统,包括监测数据获取模块、生活特征获取模块、异常预测模块、数据库模块。
监测数据获取模块以一定的监测周期,定期获取用户体征的监测数据,将获取的监测数据及其监测时间保存在数据库模块中;体征可以为血压、血糖或体温等,通过测量仪器,血压计、血糖仪、体温计等,以固定的周期,比如每天测量一次,或者每12小时测量一次的方式,获取到血压值、血糖值或者体温等对应体征的监测数据。
生活特征获取模块用于获取用户的生活特征,将获取的生活特征及其获取时间保存在数据库模块中;生活特征可以为饮食热量摄入量、糖摄入量、盐摄入量、工作时间、睡眠时间以及运动时间。另外,还可以包括异常天气,异常气温等特征。
异常预测模块包括异常数据模块、异常特征模块和预测模块;异常数据模块用于判断对应的用户体征的监测数据是否为正常范围以外,当监测数据超过正常数值阈值时,将监测数据保存为异常数据;异常特征模块用于判断获取的生活特征是否为超过正常标准的异常特征,当超过正常标准时,比如摄入热量超标,摄入糖分超标,睡眠时长不够等,将不在正常标准的生活特征记录为异常特征;预测模块用于根据异常数据和异常特征,获得对应的用户体征的监测数据发生异常时异常特征的权重,根据异常特征的权重对用户体征的体征健康进行预测。
本发明还提供一种使用上述通过生活特征对体征健康进行预测的系统的预测方法,该预测方法的步骤如下:
获取用户A的体征的监测数据记录中的n个异常预测时间段,设置异常预测时间段T=[T1,T2,…, Tn],其中,第i个异常预测时间段为Ti,设置第i个异常预测时间段Ti中包括m个监测时间点,监测时间点TID=[TID1,TID1+θ,…,TID1+(m-1)θ],其中,θ为监测周期,TID1+(j-1)θ为异常预测时间段Ti的第j个监测时间点,设置第j个监测时间点TID1+(j-1)θ对应的监测数值为DSj。
设置监测数值阈值为ω0,异常预测时间段Ti的第一监测时间点TID1为触发异常时间点,DS1>ω0;也就是说,选取作为异常预测时间段的起始点是一个超过用户体征正常数值范围的监测数值所对应的监测时间,例如,用户体征为体温,阈值ω0=37.3℃,异常预测时间段Ti的第一监测时间点TID1的监测数值DS1=37.9℃时,超过阈值范围,TID1作为异常预测时间段的起始点。
获得首异常差值ψ1= DS1-ω0,设置初始异常预测时间段长度为ε0。
获得异常预测时间段Ti的长度TIF=(ψ1+ω0)ε0/ω0;其中,初始异常预测时间段长度ε0根据监测周期θ来进行设置,如果有些体征的监测周期θ比较短,比如测体温,每天监测一次,那么初始异常预测时间段长度ε0可以设置的短一些,比如7天-15天;如果有些体征监测周期θ比较长,比如血糖可能一周监测一次,那么为了确保获得足够的监测数据,初始异常预测时间段长度ε0一般会设置的长一些,比如1-3个月。
根据得到的异常预测时间段Ti的长度TIF,当存在第j监测时间点TIDj使得DSj<ε0时,说明在选取的异常预测时间段Ti内,在首异常发生后,在异常预测时间段后期,体征的监测数据已经恢复,也就是说异常情况得到了好转,比如异常预测时间段Ti包括5个监测时间点,在第一、第二、第三监测时间点的监测数值为37.9℃、38℃、37.8℃的情况下,第四监测时间点的监测数值恢复为37.2℃。此时包括5个监测时间点的异常预测时间段Ti能够作为合理预测的时间段。
当在第一至第五监测时间点都不存在TIDj使得DSj<ε0时,设置增长系数λ,TIF =λ(ψ1+ω0)ε0/ω0,也就是将异常预测时间段适度延长了一些,延长后,异常预测时间段Ti包括第六、第七和第八监测时间点,当第六、第七和第八监测时间点存在TIDj使得DSj<ε0时,将包括8个监测时间点的异常预测时间段Ti能够作为合理预测的时间段,如果仍然不存在TIDj使得DSj<ε0时,则说明以选取的TID1作为起始点的异常预测时间段Ti不能作为合理预测的时间段,放弃该时间段的选取。
根据异常预测时间段Ti的第j监测时间点TIDj对应的监测数值DSj,获得TIDj的异常差值ψj= DSj-ω0;其中,当Ψj>0时,将TIDj加入Ti的异常时间点列表ICL,其中,异常时间点列表ICL中的监测时间点以监测时间顺序进行排序。
当Ψj<0时 TIDj加入Ti的恢复时间点列表IHL,其中,恢复时间点列表IHL中的监测时间点以监测时间顺序进行排序。
设置当异常预测时间段Ti的异常时间点列表ICL中有f个监测时间点,则异常时间点列表最后一个监测时间点为TID1+fθ,当恢复时间点列表IHL的第一个监测时间点为TID1+(f+1)θ时,得到异常预测时间段Ti的恢复特征时间段TIH(TID1,TID1+(f+1)θ)。
也就是说,可以得到,TID1为异常预测时间段Ti的首次出现数值异常的时间,TID1+(f+1)θ为异常预测时间段Ti的首次异常恢复的时间。(TID1,TID1+(f+1)θ)即为体征出现异常到体征恢复的时间段。
获取第一监测时间点TID1之前k个监测周期作为异常预测时间段Ti的获取特征时间段TIR(TID1-kθ,TID1),获取特征时间段TIR包括k个监测时间点,监测时间点TIRD=[TID1-kθ,TID1-(k-1)θ,…,TID1-θ],其中,第z个获取特征时间点TID1-(k-z+1)θ对应的监测数值为DSz,其中,DSz≤ω0,z∈[1,k]。
(TID1-kθ,TID1)为异常预测时间段Ti的发生首次异常TID1之前的数值未异常时段,也就是说,在该时段(TID1-kθ,TID1)内,体征还未发生数值上的异常,但由于TID1发生异常,说明该时段(TID1-kθ,TID1)内很可能发生了导致TID1发生异常的生活特征,比如体温忽然升高,跟饮食,睡眠情况,和外界气温等生活特征会有关系。
设置用户A的体征监测记录中的异常生活特征AF包括c个类别,AF=[AF1,AF2,…,AFc],设置其中第δ个类别为AFδ,对获取特征时间段TIR中的异常生活特征进行计数,得到异常生活特征AFδ的计数NUMδ1。
对恢复特征时间段TIH中的异常生活特征进行计数,得到异常生活特征AFδ的计数NUMδ2。
得到第δ类异常生活特征AFδ的权重ωδ=NUMδ1/ NUMδ2。
将第δ类异常生活特征AFδ的权重ωδ进行归一化,设置权重阈值W,当预测时间段内用户A的出现的异常生活特征权重之和超过权重阈值W时,系统发出预警,并根据异常生活特征分类的权重给出健康调整建议;其中,预测时间段的时长不超过异常预测时间段的时长TIF。
在一些实施方式中,通过分类模型的SVM算法进行计算,其中,输入的样本特征包括:时长TIF内用户A发生的异常特征,包括超标摄入量,超标摄入糖分量,超标摄入糖分量,体重超标量,睡眠时长,运动时长,同时输入对应异常特征对血糖体征的权重ωδ;其中,SVM算法如下:
设置目标函数:
其中,W和b是平面系数,yi代表样本的分类标记,yi=[-1,1],xi则是训练样本;W为平面系数,当扩展到n维空间时,为n维向量如:W=[W1,W2,...,Wn],WT为W的转置,||W||是超平面的范数。
由于SVM目标函数假设数据线性可分,但实际上会存在噪声数据,因此加入松弛变量和惩罚参数,通过松弛变量增加模型容忍度:
其中,C为惩罚系数,εi是松弛变量,由错分点到对应类别支持向量所在平面的距离表示,正确分类样本点的εi=0,惩罚项由所有的离群点所确定。
该优化问题利用拉格朗日乘子法和KKT条件转化为对偶问题,并利用SMO方法进行求解。其中ai为拉格朗日乘子。通过将该模型进行高维映射所得到的对偶问题形式为:
本发明实施例所选的核函数为高斯函数:
使用上述SVM分类器模型对接收到的报文特征进行分析,得到输出结果y=-1时判断可能会发生高血糖,给出健康预警;得到输出结果y=1时判断不会发生高血糖,本步骤结束。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (4)
1.一种通过生活特征对体征健康进行预测的系统的预测方法,其特征在于,所述预测方法的步骤包括:
S00,提供通过生活特征对体征健康进行预测的系统,包括监测数据获取模块、生活特征获取模块、异常预测模块、数据库模块;
所述监测数据获取模块通过预设的监测周期获取用户体征的监测数据,将获取的监测数据及其监测时间保存在数据库模块中;其中,所述用户体征为血压、血糖或体温;
所述生活特征获取模块用于获取用户的生活特征,将获取的生活特征及其获取时间保存在数据库模块中;其中,所述生活特征为饮食热量摄入量、糖摄入量、盐摄入量、工作时间、睡眠时间以及运动时间;
所述异常预测模块包括异常数据子模块、异常特征子模块和预测子模块;所述异常数据子模块用于判断对应的用户体征的监测数据是否为正常范围以外的异常数据;所述异常特征子模块用于判断获取的生活特征是否为正常标准以外的异常特征;所述预测子模块用于根据异常数据和异常特征,获得对应的用户体征的监测数据发生异常时异常特征的权重,根据异常特征的权重对用户体征的体征健康进行预测;
所述数据库模块包括异常时间点列表和恢复时间点列表,其中,异常时间点列表和恢复时间点列表中的监测时间点以监测时间顺序进行排序;
S10,获取用户A的体征的监测数据记录中的n个异常预测时间段,设置异常预测时间段T=[T1,T2,…, Tn],其中,第i个异常预测时间段为Ti,设置第i个异常预测时间段Ti中包括m个监测时间点,监测时间点TID=[TID1,TID1+θ,…,TID1+(m-1)θ],其中,θ为监测周期,TID1+(j-1)θ为异常预测时间段Ti的第j个监测时间点,设置第j个监测时间点TID1+(j-1)θ对应的监测数值为DSj;
设置监测数值阈值为ω0,异常预测时间段Ti的第一监测时间点TID1为触发异常时间点,DS1>ω0;
S20,获得首异常差值ψ1= DS1-ω0,设置初始异常预测时间段长度为ε0;
获得异常预测时间段Ti的长度TIF=(ψ1+ω0)ε0/ω0;
根据得到的异常预测时间段Ti的长度TIF,当存在第j监测时间点TIDj使得DSj<ε0时,转入步骤S30;
当不存在TIDj使得DSj<ε0时,转入步骤S31;
S30,根据异常预测时间段Ti的第j监测时间点TIDj对应的监测数值DSj,获得TIDj的异常差值ψj=DSj-ω0;
其中,当Ψj>0时,将TIDj加入Ti的异常时间点列表ICL,其中,异常时间点列表ICL中的监测时间点以时间顺序进行排序;
当Ψj<0时,将TIDj加入Ti的恢复时间点列表IHL,其中,恢复时间点列表IHL中的监测时间点以时间顺序进行排序;转入步骤S40;
S31,设置增长系数λ,TIF=λ(ψ1+ω0)ε0/ω0,当存在第j监测时间点TIDj使得DSj<ε0时,转入步骤S30;
当不存在第j监测时间点TIDj使得DSj<ε0时,本步骤结束;
S40,设置当异常预测时间段Ti的异常时间点列表ICL中有f个监测时间点,则异常时间点列表最后一个监测时间点为TID1+fθ,当恢复时间点列表IHL的第一个监测时间点为TID1+(f+1)θ时,得到异常预测时间段Ti的恢复特征时间段TIH(TID1,TID1+(f+1)θ);
S50,获取第一监测时间点TID1之前k个监测周期作为异常预测时间段Ti的获取特征时间段TIR,获取特征时间段TIR包括k个监测时间点,监测时间点TIRD=[TID1-kθ,TID1-(k-1)θ,…,TID1-θ],其中,第z个获取特征时间点TID1-(k-z+1)θ对应的监测数值为DSz,其中,DSz≤ω0,z∈[1,k];
S60,设置用户A的体征监测记录中的异常生活特征AF包括c个类别,AF=[AF1,AF2,…,AFc],设置其中第δ个类别为AFδ,对获取特征时间段TIR中的异常生活特征进行计数,得到异常生活特征AFδ的计数NUMδ1;
对恢复特征时间段TIH中的异常生活特征进行计数,得到异常生活特征AFδ的计数NUMδ2,
得到第δ类异常生活特征AFδ的权重ωδ=NUMδ1/ NUMδ2;
S70,将第δ类异常生活特征AFδ的权重ωδ进行归一化,设置权重阈值W,当预测时间段内用户A的出现的异常生活特征权重之和超过权重阈值W时,系统发出预警,并根据异常生活特征分类的权重给出健康调整建议。
2.如权利要求1所述的通过生活特征对体征健康进行预测的系统的预测方法,其特征在于,在步骤S70中,预测时间段的时长不超过异常预测时间段的时长TIF。
3.如权利要求1所述的通过生活特征对体征健康进行预测的系统的预测方法,其特征在于,在步骤S50中,获取特征时间段TIR为(TID1-kθ,TID1)。
4.如权利要求1所述的通过生活特征对体征健康进行预测的系统的预测方法,其特征在于,在步骤S40中,恢复特征时间段TIH为(TID1,TID1+(K+1)θ)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137100.XA CN115203595B (zh) | 2022-09-19 | 2022-09-19 | 一种通过生活特征对体征健康进行预测的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137100.XA CN115203595B (zh) | 2022-09-19 | 2022-09-19 | 一种通过生活特征对体征健康进行预测的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115203595A CN115203595A (zh) | 2022-10-18 |
CN115203595B true CN115203595B (zh) | 2022-12-06 |
Family
ID=83573671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211137100.XA Active CN115203595B (zh) | 2022-09-19 | 2022-09-19 | 一种通过生活特征对体征健康进行预测的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115203595B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109065126A (zh) * | 2018-08-01 | 2018-12-21 | 糖友管家(北京)健康管理有限公司 | 一种生活方式管理方法、装置及终端 |
CN112102953A (zh) * | 2020-10-22 | 2020-12-18 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
KR20210008267A (ko) * | 2019-07-12 | 2021-01-21 | 동국대학교 산학협력단 | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 |
CN112951421A (zh) * | 2021-01-26 | 2021-06-11 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯推导高血压的系统、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404254A (zh) * | 2015-10-30 | 2016-03-16 | 安徽云硕科技有限公司 | 一种多功能智慧居家养老服务平台 |
-
2022
- 2022-09-19 CN CN202211137100.XA patent/CN115203595B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109065126A (zh) * | 2018-08-01 | 2018-12-21 | 糖友管家(北京)健康管理有限公司 | 一种生活方式管理方法、装置及终端 |
KR20210008267A (ko) * | 2019-07-12 | 2021-01-21 | 동국대학교 산학협력단 | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 |
CN112102953A (zh) * | 2020-10-22 | 2020-12-18 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
CN112951421A (zh) * | 2021-01-26 | 2021-06-11 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯推导高血压的系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115203595A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200349448A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
US20190365332A1 (en) | Determining wellness using activity data | |
US20200176121A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
CN110010248B (zh) | 一种基于代价敏感集成学习模型的再入院风险预测方法 | |
Yin et al. | DiabDeep: Pervasive diabetes diagnosis based on wearable medical sensors and efficient neural networks | |
US20190243739A1 (en) | Time series retrieval for analyzing and correcting system status | |
CN108780315A (zh) | 用于优化旋转设备的诊断的方法和装置 | |
Luo et al. | Detection and prediction of ovulation from body temperature measured by an in-ear wearable thermometer | |
Hardin et al. | Regression models for count data from truncated distributions | |
CN109242709B (zh) | 估算医疗费用的方法和装置 | |
CN115203595B (zh) | 一种通过生活特征对体征健康进行预测的系统及方法 | |
CN115249541A (zh) | 一种基于深度学习的动态血糖预测模型构建方法 | |
Wang et al. | Learning fine-grained patient similarity with dynamic bayesian network embedded RNNs | |
Zhu et al. | Predicting ICU mortality by supervised bidirectional LSTM networks. | |
CN116596556A (zh) | 肉牛追溯管理系统及方法 | |
Majid et al. | Composite pareto distributions for modelling household income distribution in Malaysia | |
CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
EP4293541A1 (en) | Systems and methods for probabilistic forecasting of extremes | |
Nurhanna et al. | Multi-class support vector machine application in the field of agriculture and poultry: A review | |
CN116738296B (zh) | 机房状况综合智能监控系统 | |
US20240081707A1 (en) | Stress level estimation method, training data generation method, and storage medium | |
CN113393939B (zh) | 重症监护室患者住院天数预测方法及系统 | |
CN116030991B (zh) | 一种基于智能手环的体征数据采集分析处理方法 | |
CN117831747A (zh) | 一种基于算法和大数据的疾病预测系统 | |
Pfundstein | Human Age Prediction Based on Real and Simulated RR Intervals Using Temporal Convolutional Neural Networks and Gaussian Processes |
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 |