CN115862870A - 一种基于人工智能的慢性病管理系统及方法 - Google Patents
一种基于人工智能的慢性病管理系统及方法 Download PDFInfo
- Publication number
- CN115862870A CN115862870A CN202211625050.XA CN202211625050A CN115862870A CN 115862870 A CN115862870 A CN 115862870A CN 202211625050 A CN202211625050 A CN 202211625050A CN 115862870 A CN115862870 A CN 115862870A
- Authority
- CN
- China
- Prior art keywords
- data
- chronic disease
- health
- user
- cloud platform
- 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.)
- Granted
Links
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 215
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000036541 health Effects 0.000 claims abstract description 276
- 238000007726 management method Methods 0.000 claims abstract description 177
- 238000004891 communication Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 9
- 238000011161 development Methods 0.000 claims description 77
- 238000001514 detection method Methods 0.000 claims description 60
- 238000012795 verification Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001684 chronic effect Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 22
- 230000015654 memory Effects 0.000 description 8
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 230000005180 public health Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 2
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 2
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 2
- 108010023302 HDL Cholesterol Proteins 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 2
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000006806 disease prevention Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 108091005995 glycated hemoglobin Proteins 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 229940116269 uric acid Drugs 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出一种基于人工智能的慢性病管理系统及方法，通过获取用户的身份信息生成所述用户的注册信息，将注册信息发送至健康管理云平台进行注册；为所述用户配置唯一的登录账号并分配对应的区域服务器、数据存储区和数据加密算法；采集用户的第一生理体征数据，并发送至区域服务器；对第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将第二生理特征数据发送至健康管理云平台；对第二生理体征数据进行处理与分析，得到用户的健康评估结果；将健康评估结果通过第二通信模块发送至健康管理终端。通过本发明的方案，能对用户的健康状态作出快速的评估，能快捷地为慢性病的防治提供基础服务。
Description
技术领域
本发明涉及医疗管理技术领域，具体涉及一种基于人工智能的慢性病管理系统及方法。
背景技术
随着人们生活水平的不断提高和生活方式的丰富多彩，慢性疾病的爆发率也井喷式增长，逐渐成为了我国的公共卫生管理中的重点研究对象。我国是一个十几亿的人口大国，公共卫生疾病的健康管理的数据量十分庞大，传统的公共卫生健康管理模式已经有些力不从心，借助互联网、大数据、智能化等技术手段拓展当前的管理手段、提升公共卫生的服务水平刻不容缓。
一般慢性病指潜伏时间长、发病缓慢的病种，这类疾病起初并不是很严重，因此往往会被人们忽视，而随着人们对于健康生活质量要求不断提升，对于慢性病的关注越来越多。从医学角度来看，很多慢性病如果能够及时发现和治疗，是完全可以治愈的，不会导致后来加重和出现并发症。
随着互联网科技、物联网技术等快速发展，智能设备仪器以及可穿戴民用化设备的应用，为慢性病健康管理系统建设的数据收集提供了可能，借助这些设备能够实现对于使用者的各种健康数据进行监测，例如心跳频率、脉搏跳动、血糖、血压等进行监测，能够对于使用者提供健康保持建议，但是现有的慢性病管理系统并不完善，在智能化、精准化等方面存在不足。
发明内容
本发明正是基于上述问题，提出了一种基于人工智能的慢性病管理系统及方法，通过本发明的方案，能对用户的健康状态作出快速的评估，能快捷地为慢性病的防治提供基础服务。
有鉴于此，本发明的一方面提出了一种基于人工智能的慢性病管理系统，包括：健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端；其中，
所述健康检测终端，用于获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；并通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；
所述健康管理云平台，用于接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；
所述健康检测终端，用于采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；
所述区域服务器，用于对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；
所述健康管理云平台，用于对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；
所述健康管理云平台，用于将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
可选地，所述健康管理云平台还用于：
从所述区域服务器获取历史慢性病数据和区域内人员的健康数据；
根据所述历史慢性病数据生成慢性病基本发展模型、风险人员模型和风险人员数据集。
可选地，在所述对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果的步骤中，所述健康管理云平台具体用于：
将所述第二生理体征数据输入慢性病基本发展模型；
所述慢性病基本发展模型先判断所述用户是否构成慢性病；
若是构成慢性病，则由所述慢性病基本发展模型进一步判断所述用户所处慢性病的阶段节点；并输出所述阶段节点对应的诊断报告作为所述健康评估结果；
若不构成慢性病，则先判断所述用户是否属于风险人员数据集内的人员；
若属于风险人员数据集内的人员，则输出慢性病风险报告作为所述健康评估结果；
若不属于风险人员数据集内的人员，则将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员；
若是，则输出慢性病风险报告作为所述健康评估结果；
若不是，则输出健康保持建议报告作为所述健康评估结果。
可选地，所述健康管理云平台，还用于将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；
所述区域服务器，还用于以预设周期向所述健康管理终端发送健康检测建议；
所述健康管理终端，还用于向所述用户推送所述健康检测建议；
所述健康检测终端，还用于采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；
所述区域服务器，还用于根据所述第三生理体征数据和所述慢性病基本发展模型或所述风险人员模型，得到专属所述用户的慢性病模型和风险模型。
可选地，在所述根据所述历史慢性病数据和所述健康数据生成慢性病基本发展模型、风险人员模型和风险人员数据集的步骤中，所述健康管理云平台具体用于：
选择包括输入层、第一隐蔽层、第一激活函数、模拟输出层、第二隐蔽层、第二激活函数、验证系数层和输出层的第一神经网络；
将所述历史慢性病数据分按预设的比例分成训练集数据和测试集数据；
将所述训练集数据输入所述第一神经网络的所述输入层；
所述输入层将所述训练集数据传输至与所述输入层通过矩阵运算建立连接的所述第一隐蔽层；
所述第一隐蔽层接收第一输出数据后将所述第一输出数据通过所述第一激活函数进行激活得到第二输出数据，并将激活后的第二输出数据发送至所述模拟输出层；
所述模拟输出层将所述第二输出数据通过矩阵计算得出模拟输出值，并将所述模拟输出值输入所述第二隐蔽层；
所述第二隐蔽层将所述模拟输出值通过矩阵计算得出验证输出结果；
将所述输入层的所述第一输入数据与所述第二隐蔽层进行数据连接；
所述第二隐蔽层将所述第一输入数据通过所述第二激活函数进行激活后，再通过矩阵计算得出第三输出数据，将所述第三输出数据与所述验证输出结果发送至所述验证系数层进行验证得出正规化系数；
将所述正规化系数与所述模拟输出值发送至所述输出层，所述输出层对所述模拟输出值进行正规化处理得到拟态结果；
根据所述拟态结果生成初始慢性病基本发展模型；
将所述测试集数据输入所述初始慢性病基本发展模型，得到正反馈数据和逆反馈数据；
根据所述正反馈数据和所述逆反馈数据对所述初始慢性病基本发展模型进行修正，生成所述慢性病基本发展模型。
本发明的另一方面提供一种基于人工智能的慢性病管理方法，应用于一种基于人工智能的慢性病管理系统，所述基于人工智能的慢性病管理系统包括健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端，所述基于人工智能的慢性病管理方法包括：
所述健康检测终端获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；
通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；
所述健康管理云平台接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；
所述健康检测终端采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；
所述区域服务器对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；
所述健康管理云平台对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；
所述健康管理云平台将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
可选地，所述方法还包括：
所述健康管理云平台从所述区域服务器获取历史慢性病数据和区域内人员的健康数据；
所述健康管理云平台根据所述历史慢性病数据生成慢性病基本发展模型、风险人员模型和风险人员数据集。
可选地，所述健康管理云平台对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果的步骤，包括：
所述健康管理云平台将所述第二生理体征数据输入慢性病基本发展模型；
所述慢性病基本发展模型先判断所述用户是否构成慢性病；
若是构成慢性病，则由所述慢性病基本发展模型进一步判断所述用户所处慢性病的阶段节点；并输出所述阶段节点对应的诊断报告作为所述健康评估结果；
若不构成慢性病，则先判断所述用户是否属于风险人员数据集内的人员；
若属于风险人员数据集内的人员，则输出慢性病风险报告作为所述健康评估结果；
若不属于风险人员数据集内的人员，则将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员；
若是，则输出慢性病风险报告作为所述健康评估结果；
若不是，则输出健康保持建议报告作为所述健康评估结果。
可选地，所述方法还包括：
所述健康管理云平台将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；
所述区域服务器以预设周期向所述健康管理终端发送健康检测建议；
所述健康管理终端向所述用户推送所述健康检测建议；
所述健康检测终端采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；
所述区域服务器根据所述第三生理体征数据和所述慢性病基本发展模型或所述风险人员模型，得到专属所述用户的慢性病模型和风险模型。
可选地，所述健康管理云平台根据所述历史慢性病数据和所述健康数据生成慢性病基本发展模型、风险人员模型和风险人员数据集的步骤，包括：
选择包括输入层、第一隐蔽层、第一激活函数、模拟输出层、第二隐蔽层、第二激活函数、验证系数层和输出层的第一神经网络；
将所述历史慢性病数据分按预设的比例分成训练集数据和测试集数据；
将所述训练集数据输入所述第一神经网络的所述输入层；
所述输入层将所述训练集数据传输至与所述输入层通过矩阵运算建立连接的所述第一隐蔽层；
所述第一隐蔽层接收第一输出数据后将所述第一输出数据通过所述第一激活函数进行激活得到第二输出数据，并将激活后的第二输出数据发送至所述模拟输出层；
所述模拟输出层将所述第二输出数据通过矩阵计算得出模拟输出值，并将所述模拟输出值输入所述第二隐蔽层；
所述第二隐蔽层将所述模拟输出值通过矩阵计算得出验证输出结果；
将所述输入层的所述第一输入数据与所述第二隐蔽层进行数据连接；
所述第二隐蔽层将所述第一输入数据通过所述第二激活函数进行激活后，再通过矩阵计算得出第三输出数据，将所述第三输出数据与所述验证输出结果发送至所述验证系数层进行验证得出正规化系数；
将所述正规化系数与所述模拟输出值发送至所述输出层，所述输出层对所述模拟输出值进行正规化处理得到拟态结果；
根据所述拟态结果生成初始慢性病基本发展模型；
将所述测试集数据输入所述初始慢性病基本发展模型，得到正反馈数据和逆反馈数据；
根据所述正反馈数据和所述逆反馈数据对所述初始慢性病基本发展模型进行修正，生成所述慢性病基本发展模型。
采用本发明的技术方案，基于人工智能的慢性病管理系统设置健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端；其中，所述健康检测终端，用于获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；并通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；所述健康管理云平台，用于接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；所述健康检测终端，用于采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；所述区域服务器，用于对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；所述健康管理云平台，用于对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；所述健康管理云平台，用于将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。通过本发明的方案，能对用户的健康状态作出快速的评估，能快捷地为慢性病的防治提供基础服务。
附图说明
图1是本发明一个实施例提供的基于人工智能的慢性病管理系统的示意框图；
图2是本发明一个实施例提供的基于人工智能的慢性病管理方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于人工智能的慢性病管理系统及方法。
如图1所示，本发明一个实施例提供一种基于人工智能的慢性病管理系统，包括：健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端；其中，
所述健康检测终端，用于获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；并通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；
所述健康管理云平台，用于接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；
所述健康检测终端，用于采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；
所述区域服务器，用于对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；
所述健康管理云平台，用于对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；
所述健康管理云平台，用于将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
可以理解的是，在本发明实施例中，健康检测终端可以是生理数据采集终端，可以采集包括但不限于年龄、性别、身高、体重、饮酒史、脉搏、舒张压、收缩压、心电图、心脏彩超、谷草转氨酶、尿酸、总胆固醇、甘油三酯、关节彩超、核磁共振显象、肌电、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、肌酐、脑电图、眼动检查、糖化血红蛋白测定、血小板计数、白细胞计数、谷丙转氨酶皮电、呼吸、皮温等数据。健康检测终端可以有多个，每个具有不同功能；也可以是集成了多种功能于一体的健康检测设备，如健康站。健康检测终端还可以接收第一用户输入的包含有注册信息的注册请求，并通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册。
健康管理云平台可以部署在管理和连接不同区域的区域服务器的中央服务器上，可以接收所述注册信息,为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法，以及对区域服务器发送的第二生理体征数据进行处理与分析，得到所述用户的健康评估结果。
所述健康管理云平台，用于将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
区域服务器可以是负责管理/连接所述用户所在小区或所在社区的健康检测终端的医疗数据处理服务器。
健康管理终端可以为安装了健康管理应用程序、客户端或小程序的智能手机、智能平板、智能手环等智能终端；本发明实施例中，也可以通过健康管理终端进行用户注册。
对健康检测终端采集的第二生理体征数据进行处理包括但不限于：(1)缺失值填充，如使用缺失值所在数据之外的同一属性平均值来进行填充；使用其他数据库相似样本的平均值填充；使用算法来生成数据；舍弃带有缺失属性的样本。考虑到原始数据样本数量有限，故选择第一种方案，使用其他数据的同一属性均值填充。而对于缺失标签属性的数据，由于标签代表着最终的结果，与其他属性不同，所以无法对其进行填充，本发明的实施例中对于这类数据选择直接舍弃。(2)文本标记数据转换：对于原始数据中的非数值型数据将其转换为数值型数据，但是，如果单纯用0、1、2、3对其进行编码也存在不足之处，比如对性别进行文本标记数据转换时，用0表示男性1表示女性，0与1应该表示的是两个类别而不是两个数字的大小，如果直接将0与1输入模型会干扰其整个学习过程，故本发明实施例中用二位编码01、10代替一位编码的0和1，分别代表男性和女性。(3)量纲规范化：对于量纲不一致的数据，采用归一化方法处理，即将样本的特征值转换到同一量纲下，按照一定的比例对数据进行缩放，限制在一个特定的区间，目的是将其处理为没有单位的纯数字，实现不同指标之间的加权处理，避免因为量纲不统一而对最终预测结果产生影响
采用该实施例的技术方案，系统包括：健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端；其中，所述健康检测终端，用于获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；并通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；所述健康管理云平台，用于接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；所述健康检测终端，用于采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；所述区域服务器，用于对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；所述健康管理云平台，用于对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；所述健康管理云平台，用于将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。通过本发明的方案，能对用户的健康状态作出快速的评估，能快捷地为慢性病的防治提供基础服务。
应当知道的是，图1所示的基于人工智能的慢性病管理系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。
在本发明一些可能的实施方式中，所述健康管理云平台还用于：
从所述区域服务器获取历史慢性病数据和区域内人员的健康数据；
根据所述历史慢性病数据生成慢性病基本发展模型、风险人员模型和风险人员数据集。
可以理解的是，为了对慢性病患者和慢性病风险人员进行全面的管理，以避免错失防治时机，在本发明实施列中，所述健康管理云平台从所述区域服务器获取区域服务器对应区域内的历史慢性病数据和区域内人员的健康数据，并根据所述历史慢性病数据生成慢性病基本发展模型、未患病但具有患病风险的风险人员模型和已确定具有慢性病风险的风险人员数据集。
在本发明一些可能的实施方式中，在所述对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果的步骤中，所述健康管理云平台具体用于：
将所述第二生理体征数据输入慢性病基本发展模型；
所述慢性病基本发展模型先判断所述用户是否构成慢性病；
若是构成慢性病，则由所述慢性病基本发展模型进一步判断所述用户所处慢性病的阶段节点；并输出所述阶段节点对应的诊断报告作为所述健康评估结果；
若不构成慢性病，则先判断所述用户是否属于风险人员数据集内的人员；
若属于风险人员数据集内的人员，则输出慢性病风险报告作为所述健康评估结果；
若不属于风险人员数据集内的人员，则将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员；
若是，则输出慢性病风险报告作为所述健康评估结果；
若不是，则输出健康保持建议报告作为所述健康评估结果。
可以理解的是，对于特定用户，先利用慢性病基本发展模型根据其第二生理体征数据判断是否构成慢性病及所处的慢性病阶段；当用户未患慢性病时，再利用风险人员数据集判断其是否属于已确定的风险人员；当用户不在已确定的风险人员中时，将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员。通过本方案的实施，可以对本区域的用户进行全面的评估，有利于慢性病防治的高效管理。
在本发明一些可能的实施方式中，所述健康管理云平台，还用于将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；
所述区域服务器，还用于以预设周期向所述健康管理终端发送健康检测建议；
所述健康管理终端，还用于向所述用户推送所述健康检测建议；
所述健康检测终端，还用于采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；
所述区域服务器，还用于根据所述第三生理体征数据和所述慢性病基本发展模型或所述风险人员模型，得到专属所述用户的慢性病模型和风险模型。
可以理解的是，为了对每个用户进行更精细化的管理，在本实施例中，所述健康管理云平台将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；所述区域服务器以预设周期向所述健康管理终端发送健康检测建议；所述健康管理终端向所述用户推送所述健康检测建议；所述健康检测终端采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；所述区域服务器根据所述第三生理体征数据和所述慢性病基本发展模型和/或所述风险人员模型，得到专属所述用户的慢性病模型和/或风险模型。本方案通过区域服务器来为每个用户建立专属慢性病模型和风险模型，既能提供及时的判断与反馈，又能减轻健康管理平台的压力。
在本发明一些可能的实施方式中，在所述根据所述历史慢性病数据和所述健康数据生成慢性病基本发展模型、风险人员模型和风险人员数据集的步骤中，所述健康管理云平台具体用于：
选择包括输入层、第一隐蔽层、第一激活函数、模拟输出层、第二隐蔽层、第二激活函数、验证系数层和输出层的第一神经网络；
将所述历史慢性病数据分按预设的比例分成训练集数据和测试集数据；
将所述训练集数据输入所述第一神经网络的所述输入层；
所述输入层将所述训练集数据传输至与所述输入层通过矩阵运算建立连接的所述第一隐蔽层；
所述第一隐蔽层接收第一输出数据后将所述第一输出数据通过所述第一激活函数进行激活得到第二输出数据，并将激活后的第二输出数据发送至所述模拟输出层；
所述模拟输出层将所述第二输出数据通过矩阵计算得出模拟输出值，并将所述模拟输出值输入所述第二隐蔽层；
所述第二隐蔽层将所述模拟输出值通过矩阵计算得出验证输出结果；
将所述输入层的所述第一输入数据与所述第二隐蔽层进行数据连接；
所述第二隐蔽层将所述第一输入数据通过所述第二激活函数进行激活后，再通过矩阵计算得出第三输出数据，将所述第三输出数据与所述验证输出结果发送至所述验证系数层进行验证得出正规化系数；
将所述正规化系数与所述模拟输出值发送至所述输出层，所述输出层对所述模拟输出值进行正规化处理得到拟态结果；
根据所述拟态结果生成初始慢性病基本发展模型；
将所述测试集数据输入所述初始慢性病基本发展模型，得到正反馈数据和逆反馈数据；
根据所述正反馈数据和所述逆反馈数据对所述初始慢性病基本发展模型进行修正，生成所述慢性病基本发展模型。
可以理解的是，在本发明实施例中，可以通过利用历史慢性病数据对神经网络的训练来得到慢性病基本发展模型和风险人员模型，从而可以得到智能化、高效率的慢性病管理方案。
请参见图2，本发明的另一实施例提供一种基于人工智能的慢性病管理方法，应用于一种基于人工智能的慢性病管理系统，所述基于人工智能的慢性病管理系统包括健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端，所述基于人工智能的慢性病管理方法包括：
所述健康检测终端获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；
通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；
所述健康管理云平台接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；
所述健康检测终端采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；
所述区域服务器对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；
所述健康管理云平台对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；
所述健康管理云平台将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
可以理解的是，在本发明实施例中，健康检测终端可以是生理数据采集终端，可以采集包括但不限于年龄、性别、身高、体重、饮酒史、脉搏、舒张压、收缩压、心电图、心脏彩超、谷草转氨酶、尿酸、总胆固醇、甘油三酯、关节彩超、核磁共振显象、肌电、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、肌酐、脑电图、眼动检查、糖化血红蛋白测定、血小板计数、白细胞计数、谷丙转氨酶皮电、呼吸、皮温等数据。健康检测终端可以有多个，每个具有不同功能；也可以是集成了多种功能于一体的健康检测设备，如健康站。健康检测终端还可以接收第一用户输入的包含有注册信息的注册请求，并通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册。
健康管理云平台可以部署在管理和连接不同区域的区域服务器的中央服务器上，可以接收所述注册信息,为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法，以及对区域服务器发送的第二生理体征数据进行处理与分析，得到所述用户的健康评估结果。
所述健康管理云平台将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
区域服务器可以是负责管理/连接所述用户所在小区或所在社区的健康检测终端的医疗数据处理服务器。
健康管理终端可以为安装了健康管理应用程序、客户端或小程序的智能手机、智能平板、智能手环等智能终端；本发明实施例中，也可以通过健康管理终端进行用户注册。
对健康检测终端采集的第二生理体征数据进行处理包括但不限于：(1)缺失值填充，如使用缺失值所在数据之外的同一属性平均值来进行填充；使用其他数据库相似样本的平均值填充；使用算法来生成数据；舍弃带有缺失属性的样本。考虑到原始数据样本数量有限，故选择第一种方案，使用其他数据的同一属性均值填充。而对于缺失标签属性的数据，由于标签代表着最终的结果，与其他属性不同，所以无法对其进行填充，本发明的实施例中对于这类数据选择直接舍弃。(2)文本标记数据转换：对于原始数据中的非数值型数据将其转换为数值型数据，但是，如果单纯用0、1、2、3对其进行编码也存在不足之处，比如对性别进行文本标记数据转换时，用0表示男性1表示女性，0与1应该表示的是两个类别而不是两个数字的大小，如果直接将0与1输入模型会干扰其整个学习过程，故本发明实施例中用二位编码01、10代替一位编码的0和1，分别代表男性和女性。(3)量纲规范化：对于量纲不一致的数据，采用归一化方法处理，即将样本的特征值转换到同一量纲下，按照一定的比例对数据进行缩放，限制在一个特定的区间，目的是将其处理为没有单位的纯数字，实现不同指标之间的加权处理，避免因为量纲不统一而对最终预测结果产生影响
采用该实施例的技术方案，能对用户的健康状态作出快速的评估，能快捷地为慢性病的防治提供基础服务。
在本发明一些可能的实施方式中，所述方法还包括：
所述健康管理云平台从所述区域服务器获取历史慢性病数据和区域内人员的健康数据；
所述健康管理云平台根据所述历史慢性病数据生成慢性病基本发展模型、风险人员模型和风险人员数据集。
可以理解的是，为了对慢性病患者和慢性病风险人员进行全面的管理，以避免错失防治时机，在本发明实施列中，所述健康管理云平台从所述区域服务器获取区域服务器对应区域内的历史慢性病数据和区域内人员的健康数据，并根据所述历史慢性病数据生成慢性病基本发展模型、未患病但具有患病风险的风险人员模型和已确定具有慢性病风险的风险人员数据集。
在本发明一些可能的实施方式中，所述健康管理云平台对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果的步骤，包括：
所述健康管理云平台将所述第二生理体征数据输入慢性病基本发展模型；
所述慢性病基本发展模型先判断所述用户是否构成慢性病；
若是构成慢性病，则由所述慢性病基本发展模型进一步判断所述用户所处慢性病的阶段节点；并输出所述阶段节点对应的诊断报告作为所述健康评估结果；
若不构成慢性病，则先判断所述用户是否属于风险人员数据集内的人员；
若属于风险人员数据集内的人员，则输出慢性病风险报告作为所述健康评估结果；
若不属于风险人员数据集内的人员，则将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员；
若是，则输出慢性病风险报告作为所述健康评估结果；
若不是，则输出健康保持建议报告作为所述健康评估结果。
可以理解的是，对于特定用户，先利用慢性病基本发展模型根据其第二生理体征数据判断是否构成慢性病及所处的慢性病阶段；当用户未患慢性病时，再利用风险人员数据集判断其是否属于已确定的风险人员；当用户不在已确定的风险人员中时，将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员。通过本方案的实施，可以对本区域的用户进行全面的评估，有利于慢性病防治的高效管理。
在本发明一些可能的实施方式中，所述方法还包括：
所述健康管理云平台将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；
所述区域服务器以预设周期向所述健康管理终端发送健康检测建议；
所述健康管理终端向所述用户推送所述健康检测建议；
所述健康检测终端采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；
所述区域服务器根据所述第三生理体征数据和所述慢性病基本发展模型或所述风险人员模型，得到专属所述用户的慢性病模型和风险模型。
可以理解的是，为了对每个用户进行更精细化的管理，在本实施例中，所述健康管理云平台将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；所述区域服务器以预设周期向所述健康管理终端发送健康检测建议；所述健康管理终端向所述用户推送所述健康检测建议；所述健康检测终端采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；所述区域服务器根据所述第三生理体征数据和所述慢性病基本发展模型和/或所述风险人员模型，得到专属所述用户的慢性病模型和/或风险模型。本方案通过区域服务器来为每个用户建立专属慢性病模型和风险模型，既能提供及时的判断与反馈，又能减轻健康管理平台的压力。
在本发明一些可能的实施方式中，所述健康管理云平台根据所述历史慢性病数据和所述健康数据生成慢性病基本发展模型、风险人员模型和风险人员数据集的步骤，包括：
选择包括输入层、第一隐蔽层、第一激活函数、模拟输出层、第二隐蔽层、第二激活函数、验证系数层和输出层的第一神经网络；
将所述历史慢性病数据分按预设的比例分成训练集数据和测试集数据；
将所述训练集数据输入所述第一神经网络的所述输入层；
所述输入层将所述训练集数据传输至与所述输入层通过矩阵运算建立连接的所述第一隐蔽层；
所述第一隐蔽层接收第一输出数据后将所述第一输出数据通过所述第一激活函数进行激活得到第二输出数据，并将激活后的第二输出数据发送至所述模拟输出层；
所述模拟输出层将所述第二输出数据通过矩阵计算得出模拟输出值，并将所述模拟输出值输入所述第二隐蔽层；
所述第二隐蔽层将所述模拟输出值通过矩阵计算得出验证输出结果；
将所述输入层的所述第一输入数据与所述第二隐蔽层进行数据连接；
所述第二隐蔽层将所述第一输入数据通过所述第二激活函数进行激活后，再通过矩阵计算得出第三输出数据，将所述第三输出数据与所述验证输出结果发送至所述验证系数层进行验证得出正规化系数；
将所述正规化系数与所述模拟输出值发送至所述输出层，所述输出层对所述模拟输出值进行正规化处理得到拟态结果；
根据所述拟态结果生成初始慢性病基本发展模型；
将所述测试集数据输入所述初始慢性病基本发展模型，得到正反馈数据和逆反馈数据；
根据所述正反馈数据和所述逆反馈数据对所述初始慢性病基本发展模型进行修正，生成所述慢性病基本发展模型。
可以理解的是，在本发明实施例中，可以通过利用历史慢性病数据对神经网络的训练来得到慢性病基本发展模型和风险人员模型，从而可以得到智能化、高效率的慢性病管理方案。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上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器中。基于这样的理解，本申请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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。
Claims (10)
1.一种基于人工智能的慢性病管理系统，其特征在于，包括：健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端；其中，
所述健康检测终端，用于获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；并通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；
所述健康管理云平台，用于接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；
所述健康检测终端，用于采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；
所述区域服务器，用于对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；
所述健康管理云平台，用于对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；
所述健康管理云平台，用于将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
2.根据权利要求1所述的基于人工智能的慢性病管理系统，其特征在于，所述健康管理云平台还用于：
从所述区域服务器获取历史慢性病数据和区域内人员的健康数据；
根据所述历史慢性病数据生成慢性病基本发展模型、风险人员模型和风险人员数据集。
3.根据权利要求2所述的基于人工智能的慢性病管理系统，其特征在于，在所述对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果的步骤中，所述健康管理云平台具体用于：
将所述第二生理体征数据输入慢性病基本发展模型；
所述慢性病基本发展模型先判断所述用户是否构成慢性病；
若是构成慢性病，则由所述慢性病基本发展模型进一步判断所述用户所处慢性病的阶段节点；并输出所述阶段节点对应的诊断报告作为所述健康评估结果；
若不构成慢性病，则先判断所述用户是否属于风险人员数据集内的人员；
若属于风险人员数据集内的人员，则输出慢性病风险报告作为所述健康评估结果；
若不属于风险人员数据集内的人员，则将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员；
若是，则输出慢性病风险报告作为所述健康评估结果；
若不是，则输出健康保持建议报告作为所述健康评估结果。
4.根据权利要求3所述的基于人工智能的慢性病管理系统，其特征在于，所述健康管理云平台，还用于将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；
所述区域服务器，还用于以预设周期向所述健康管理终端发送健康检测建议；
所述健康管理终端，还用于向所述用户推送所述健康检测建议；
所述健康检测终端，还用于采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；
所述区域服务器，还用于根据所述第三生理体征数据和所述慢性病基本发展模型或所述风险人员模型，得到专属所述用户的慢性病模型和风险模型。
5.根据权利要求1-4所述的基于人工智能的慢性病管理系统，其特征在于，在所述根据所述历史慢性病数据和所述健康数据生成慢性病基本发展模型、风险人员模型和风险人员数据集的步骤中，所述健康管理云平台具体用于：
选择包括输入层、第一隐蔽层、第一激活函数、模拟输出层、第二隐蔽层、第二激活函数、验证系数层和输出层的第一神经网络；
将所述历史慢性病数据分按预设的比例分成训练集数据和测试集数据；
将所述训练集数据输入所述第一神经网络的所述输入层；
所述输入层将所述训练集数据传输至与所述输入层通过矩阵运算建立连接的所述第一隐蔽层；
所述第一隐蔽层接收第一输出数据后将所述第一输出数据通过所述第一激活函数进行激活得到第二输出数据，并将激活后的第二输出数据发送至所述模拟输出层；
所述模拟输出层将所述第二输出数据通过矩阵计算得出模拟输出值，并将所述模拟输出值输入所述第二隐蔽层；
所述第二隐蔽层将所述模拟输出值通过矩阵计算得出验证输出结果；
将所述输入层的所述第一输入数据与所述第二隐蔽层进行数据连接；
所述第二隐蔽层将所述第一输入数据通过所述第二激活函数进行激活后，再通过矩阵计算得出第三输出数据，将所述第三输出数据与所述验证输出结果发送至所述验证系数层进行验证得出正规化系数；
将所述正规化系数与所述模拟输出值发送至所述输出层，所述输出层对所述模拟输出值进行正规化处理得到拟态结果；
根据所述拟态结果生成初始慢性病基本发展模型；
将所述测试集数据输入所述初始慢性病基本发展模型，得到正反馈数据和逆反馈数据；
根据所述正反馈数据和所述逆反馈数据对所述初始慢性病基本发展模型进行修正，生成所述慢性病基本发展模型。
6.一种基于人工智能的慢性病管理方法，其特征在于，应用于如权利要求1-5所述基于人工智能的慢性病管理系统，所述基于人工智能的慢性病管理系统包括健康检测终端、第一通信模块、健康管理云平台、第二通信模块、区域服务器和健康管理终端，所述基于人工智能的慢性病管理方法包括：
所述健康检测终端获取用户的身份信息，并根据所述身份信息生成所述用户的注册信息；
通过所述第一通信模块将所述注册信息发送至所述健康管理云平台进行注册；
所述健康管理云平台接收所述注册信息，为所述用户配置唯一的登录账号，并分配对应的区域服务器、数据存储区和数据加密算法；
所述健康检测终端采集所述用户的第一生理体征数据，并通过所述第一通信模块发送至所述区域服务器；
所述区域服务器对所述第一生理体征数据进行真伪鉴别与清洗，并进行加密后，得到第二生理特征数据，并将所述第二生理特征数据发送至所述健康管理云平台；
所述健康管理云平台对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果；
所述健康管理云平台将所述健康评估结果通过所述第二通信模块发送至所述健康管理终端。
7.根据权利要求6所述的基于人工智能的慢性病管理方法，其特征在于，所述方法还包括：
所述健康管理云平台从所述区域服务器获取历史慢性病数据和区域内人员的健康数据；
所述健康管理云平台根据所述历史慢性病数据生成慢性病基本发展模型、风险人员模型和风险人员数据集。
8.根据权利要求7所述的基于人工智能的慢性病管理方法，其特征在于，所述健康管理云平台对所述第二生理体征数据进行处理与分析，得到所述用户的健康评估结果的步骤，包括：
所述健康管理云平台将所述第二生理体征数据输入慢性病基本发展模型；
所述慢性病基本发展模型先判断所述用户是否构成慢性病；
若是构成慢性病，则由所述慢性病基本发展模型进一步判断所述用户所处慢性病的阶段节点；并输出所述阶段节点对应的诊断报告作为所述健康评估结果；
若不构成慢性病，则先判断所述用户是否属于风险人员数据集内的人员；
若属于风险人员数据集内的人员，则输出慢性病风险报告作为所述健康评估结果；
若不属于风险人员数据集内的人员，则将所述第二生理体征数据输入风险人员模型，进一步判断所述用户是否属于慢性病风险人员；
若是，则输出慢性病风险报告作为所述健康评估结果；
若不是，则输出健康保持建议报告作为所述健康评估结果。
9.根据权利要求8所述的基于人工智能的慢性病管理方法，其特征在于，所述方法还包括：
所述健康管理云平台将所述慢性病基本发展模型、所述风险人员模型和所述风险人员数据集同步至所述区域服务器；
所述区域服务器以预设周期向所述健康管理终端发送健康检测建议；
所述健康管理终端向所述用户推送所述健康检测建议；
所述健康检测终端采集所述用户的第三生理体征数据，并将所述第三生理体征数据发送至所述区域服务器；
所述区域服务器根据所述第三生理体征数据和所述慢性病基本发展模型或所述风险人员模型，得到专属所述用户的慢性病模型和风险模型。
10.根据权利要求6-9所述的基于人工智能的慢性病管理方法，其特征在于，所述健康管理云平台根据所述历史慢性病数据和所述健康数据生成慢性病基本发展模型、风险人员模型和风险人员数据集的步骤，包括：
选择包括输入层、第一隐蔽层、第一激活函数、模拟输出层、第二隐蔽层、第二激活函数、验证系数层和输出层的第一神经网络；
将所述历史慢性病数据分按预设的比例分成训练集数据和测试集数据；
将所述训练集数据输入所述第一神经网络的所述输入层；
所述输入层将所述训练集数据传输至与所述输入层通过矩阵运算建立连接的所述第一隐蔽层；
所述第一隐蔽层接收第一输出数据后将所述第一输出数据通过所述第一激活函数进行激活得到第二输出数据，并将激活后的第二输出数据发送至所述模拟输出层；
所述模拟输出层将所述第二输出数据通过矩阵计算得出模拟输出值，并将所述模拟输出值输入所述第二隐蔽层；
所述第二隐蔽层将所述模拟输出值通过矩阵计算得出验证输出结果；
将所述输入层的所述第一输入数据与所述第二隐蔽层进行数据连接；
所述第二隐蔽层将所述第一输入数据通过所述第二激活函数进行激活后，再通过矩阵计算得出第三输出数据，将所述第三输出数据与所述验证输出结果发送至所述验证系数层进行验证得出正规化系数；
将所述正规化系数与所述模拟输出值发送至所述输出层，所述输出层对所述模拟输出值进行正规化处理得到拟态结果；
根据所述拟态结果生成初始慢性病基本发展模型；
将所述测试集数据输入所述初始慢性病基本发展模型，得到正反馈数据和逆反馈数据；
根据所述正反馈数据和所述逆反馈数据对所述初始慢性病基本发展模型进行修正，生成所述慢性病基本发展模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211625050.XA CN115862870B (zh) | 2022-12-16 | 2022-12-16 | 一种基于人工智能的慢性病管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211625050.XA CN115862870B (zh) | 2022-12-16 | 2022-12-16 | 一种基于人工智能的慢性病管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115862870A true CN115862870A (zh) | 2023-03-28 |
| CN115862870B CN115862870B (zh) | 2023-11-24 |
Family
ID=85673740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211625050.XA Active CN115862870B (zh) | 2022-12-16 | 2022-12-16 | 一种基于人工智能的慢性病管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115862870B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105877A (zh) * | 2019-12-24 | 2020-05-05 | 郑州科技学院 | 基于深度置信网络的慢性病精确干预方法及系统 |
| CN111128380A (zh) * | 2019-12-24 | 2020-05-08 | 郑州科技学院 | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 |
| CN111180068A (zh) * | 2019-12-19 | 2020-05-19 | 浙江大学 | 一种基于多任务学习模型的慢病预测系统 |
| CN111292855A (zh) * | 2020-02-28 | 2020-06-16 | 京东方科技集团股份有限公司 | 健康管理系统及方法 |
| CN111785354A (zh) * | 2020-06-03 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 |
| CN113744878A (zh) * | 2021-07-19 | 2021-12-03 | 重庆大学 | 一种基于移动互联网的慢性病风险指数评估及干预系统 |
| CN115132361A (zh) * | 2022-07-08 | 2022-09-30 | 西安交通大学医学院第一附属医院 | 一种具有分析预测功能的慢性疾病健康管理系统 |
-
2022
- 2022-12-16 CN CN202211625050.XA patent/CN115862870B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111180068A (zh) * | 2019-12-19 | 2020-05-19 | 浙江大学 | 一种基于多任务学习模型的慢病预测系统 |
| CN111105877A (zh) * | 2019-12-24 | 2020-05-05 | 郑州科技学院 | 基于深度置信网络的慢性病精确干预方法及系统 |
| CN111128380A (zh) * | 2019-12-24 | 2020-05-08 | 郑州科技学院 | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 |
| CN111292855A (zh) * | 2020-02-28 | 2020-06-16 | 京东方科技集团股份有限公司 | 健康管理系统及方法 |
| CN111785354A (zh) * | 2020-06-03 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 |
| CN113744878A (zh) * | 2021-07-19 | 2021-12-03 | 重庆大学 | 一种基于移动互联网的慢性病风险指数评估及干预系统 |
| CN115132361A (zh) * | 2022-07-08 | 2022-09-30 | 西安交通大学医学院第一附属医院 | 一种具有分析预测功能的慢性疾病健康管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115862870B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170147777A1 (en) | Method and apparatus for predicting health data value through generation of health data pattern | |
| CN109256212A (zh) | 骨健康评估模型构建方法、装置、设备、介质及评估方法 | |
| WO2017147552A1 (en) | Multi-format, multi-domain and multi-algorithm metalearner system and method for monitoring human health, and deriving health status and trajectory | |
| EP3676852A1 (en) | System, method, computer program product and apparatus for dynamic predictive monitoring in the critical health assessment and outcomes study/score/(chaos) | |
| Chen et al. | Deep neural network for automatic classification of pathological voice signals | |
| CN110459328A (zh) | 一种评估心脏骤停的临床决策支持系统 | |
| US20210183486A1 (en) | Biological information processing method, biological information processing apparatus, and biological information processing system | |
| CN110584601B (zh) | 一种老人认知功能监测和评估系统 | |
| CN107895596A (zh) | 风险预测方法及系统 | |
| CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
| Pourhomayoun et al. | Multiple model analytics for adverse event prediction in remote health monitoring systems | |
| KR20200113954A (ko) | 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법 | |
| CN112509655B (zh) | 一种基于区块链的智能医疗数据采集系统 | |
| CN110335681A (zh) | 一种用于老年痴呆预警系统及预警方法 | |
| Tartarisco et al. | Neuro-fuzzy physiological computing to assess stress levels in virtual reality therapy | |
| KR20210052122A (ko) | 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법 | |
| JP2023550794A (ja) | 人工知能を使用して脊髄性筋萎縮症に関する予測結果を生成するための技法 | |
| CN113744877A (zh) | 一种带有疾病相关因素提取模块的慢性病评估及干预系统 | |
| CN114283947A (zh) | 一种适用于手术患者的健康管理方法及系统 | |
| CN112466423A (zh) | 智能慢病健康管理方法及系统 | |
| Maglaveras et al. | Integrated care and connected health approaches leveraging personalised health through big data analytics | |
| Ebada et al. | Applying apache spark on streaming big data for health status prediction | |
| CN111883244A (zh) | 一种麻醉监护仪趋势信息的显示界面的构建方法及装置 | |
| CN115862870B (zh) | 一种基于人工智能的慢性病管理系统及方法 | |
| CN116013547B (zh) | 一种基于大数据的慢性病管理系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |