CN116092701A - 基于健康数据分析管理平台的控制系统及其方法 - Google Patents

基于健康数据分析管理平台的控制系统及其方法 Download PDF

Info

Publication number
CN116092701A
CN116092701A CN202310206450.5A CN202310206450A CN116092701A CN 116092701 A CN116092701 A CN 116092701A CN 202310206450 A CN202310206450 A CN 202310206450A CN 116092701 A CN116092701 A CN 116092701A
Authority
CN
China
Prior art keywords
blood pressure
heart rate
vector
scale
feature vector
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
Application number
CN202310206450.5A
Other languages
English (en)
Other versions
CN116092701B (zh
Inventor
巩志浩
巩庆厂
巩玉睿
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.)
Nanjing Kangerjian Medical Technology Co ltd
Original Assignee
Nanjing Kangerjian Medical 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 Nanjing Kangerjian Medical Technology Co ltd filed Critical Nanjing Kangerjian Medical Technology Co ltd
Priority to CN202310206450.5A priority Critical patent/CN116092701B/zh
Publication of CN116092701A publication Critical patent/CN116092701A/zh
Application granted granted Critical
Publication of CN116092701B publication Critical patent/CN116092701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

一种基于健康数据分析管理平台的控制系统及其方法，其获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；采用基于深度学习的人工智能技术，对血压值和心率值进行多尺度特征感知以捕捉不同时空域下血压‑心率的关联模式特征，响应于血压‑心率的关联模式特征对独居老人的身体状态是否异常进行监测，以生成远程预警提示信息。这样，可以对独居老人的身体状态进行实时地监控，以保障独居老人的健康。

Description

基于健康数据分析管理平台的控制系统及其方法
技术领域
本申请涉及智能化控制技术领域，并且更具体地，涉及一种基于健康数据分析管理平台的控制系统及其方法。
背景技术
独居老人已经成为重要的社会问题。例如，如果突发疾病且无法及时发现，会给独居老人带来生命威胁。
近年来，各类可穿戴设备的发展为实时地监控独居老人的体征数据提供技术支持，同时，也有数据公司开发了健康数据分析管理平台。上述技术的出现和发展，为解决独居老人的身体健康状态监测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于健康数据分析管理平台的控制系统及其方法，其获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；采用基于深度学习的人工智能技术，对血压值和心率值进行多尺度特征感知以捕捉不同时空域下血压-心率的关联模式特征，响应于血压-心率的关联模式特征对独居老人的身体状态是否异常进行监测，以生成远程预警提示信息。这样，可以对独居老人的身体状态进行实时地监控，以保障独居老人的健康。
第一方面，提供了一种基于健康数据分析管理平台的控制系统，其包括：
监测数据采集模块，用于获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；
数据关联模块，用于将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；
第一尺度关联特征提取模块，用于将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；
第二尺度关联特征提取模块，用于将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量；
特征融合模块，用于融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量；
特征调制模块，用于对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；
管理结果生成模块，用于将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及
控制结果生成模块，用于响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
在上述基于健康数据分析管理平台的控制系统中，所述数据关联模块，用于：以如下公式对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；其中，所述公式为：，其中表示所述血压输入向量，表示所述血压输入向量的转置向量，表示所述心率输入向量，表示所述血压-心率关联矩阵，表示向量相乘。
在上述基于健康数据分析管理平台的控制系统中，所述第一尺度关联特征提取模块，用于：使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度血压-心率关联特征向量，其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
在上述基于健康数据分析管理平台的控制系统中，所述第二尺度关联特征提取模块，用于：使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度血压-心率关联特征向量，其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
在上述基于健康数据分析管理平台的控制系统中，所述第一卷积神经网络模型和/或所述第二卷积神经网络模型为深度残差网络模型。
在上述基于健康数据分析管理平台的控制系统中，所述特征融合模块，用于将所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量进行级联以得到所述血压-心率关联特征向量。
在上述基于健康数据分析管理平台的控制系统中，所述特征调制模块，用于：以如下公式对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；其中，所述公式为：，其中，表示所述血压-心率关联特征向量，表示所述血压-心率关联特征向量的二范数，表示所述血压-心率关联特征向量的二范数的平方，是所述血压-心率关联特征向量的第个特征值，是优化后的血压-心率关联特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在上述基于健康数据分析管理平台的控制系统中，所述管理结果生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述优化血压-心率关联特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面，提供了一种基于健康数据分析管理平台的控制方法，其包括：
获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；
将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；
将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；
将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量；
融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量；
对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；
将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及
响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
在上述基于健康数据分析管理平台的控制方法中，将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵，包括：以如下公式对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；其中，所述公式为：，其中表示所述血压输入向量，表示所述血压输入向量的转置向量，表示所述心率输入向量，表示所述血压-心率关联矩阵，表示向量相乘。
与现有技术相比，本申请提供的基于健康数据分析管理平台的控制系统及其方法，其获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；采用基于深度学习的人工智能技术，对血压值和心率值进行多尺度特征感知以捕捉不同时空域下血压-心率的关联模式特征，响应于血压-心率的关联模式特征对独居老人的身体状态是否异常进行监测，以生成远程预警提示信息。这样，可以对独居老人的身体状态进行实时地监控，以保障独居老人的健康。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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为根据本申请实施例的基于健康数据分析管理平台的控制系统的应用场景图。
图2为根据本申请实施例的基于健康数据分析管理平台的控制系统的框图。
图3为根据本申请实施例的基于健康数据分析管理平台的控制系统中所述管理结果生成模块的框图。
图4为根据本申请实施例的基于健康数据分析管理平台的控制方法的流程图。
图5为根据本申请实施例的基于健康数据分析管理平台的控制方法的系统架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
相应地，在本申请的技术方案中，可通过佩戴于独居老人的智能可穿戴设备，例如智能手表，来采集待监测独居老人在预定时间段内多个预定时间点的血压值和心率值。也就是，通过智能可穿戴设备作为体征数据传感器来实时动态监测独居老人的体征数据，在本申请的技术方案中，所选择的体征数据为心率值和血压值。
在得到所述预定时间段内多个预定时间点的血压值和心率值后，将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵。也就是，先构建所述血压值和所述心率值的时序向量，并沿着时间维度对所述血压值和所述心率值的时序向量进行关联编码以得到血压值和心率值的全时序空间下的数据表示，即，所述血压-心率关联矩阵。在本申请一个具体的示例中，将所述血压输入向量的转置向量与所述心率输入向量进行向量相乘以得到所述血压-心率关联矩阵。
接着，将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；同时，将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量。也就是，在本申请的技术方案中，对所述血压-心率关联矩阵进行多尺度二维卷积编码以捕捉不同时空域下血压-心率的关联模式特征。应可以理解，在本申请的技术方案中，不同尺度的二维卷积核对应于所述血压-心率关联矩阵中不同尺寸的特征局部，因此，所述第一卷积神经网络模型和所述第二卷积神经网络模型能够对所述血压-心率关联矩阵进行多尺度特征感知以捕捉更多尺度的关联模式特征，以提高特征表达的丰富度和确定性。
进而，融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量，并将所述血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常。也就是，融合不同尺度的血压-心率关联特征，并通过所述分类器来确定所述血压-心率关联特征所属的类概率标签，其中，所述类概率标签包括待监测独居老人的身体状态异常（第一标签），以及，待监测独居老人的身体状态不异常（第二标签）。
相应地，在得到所述分类结果后，响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。具体地，可发送远程预警提示信息至社区服务中心或者与独居老人相关的亲属。
特别地，在本申请的技术方案中，由于所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量分别表达不同尺度下的血压-心率的时序关联特征，为了充分利用提取到的特征进行分类，优选地通过直接级联所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量来得到所述血压-心率关联特征向量。但是，由于所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量由于特征提取尺度而具有独特的时序特征分布，导致所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量的特征分布之间不一致，从而使得级联后的所述血压-心率关联特征向量在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。
因此，优选地对所述血压-心率关联特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：，是所述血压-心率关联特征向量，表示所述血压-心率关联特征向量的二范数，表示其平方，即所述血压-心率关联特征向量自身的内积，是所述血压-心率关联特征向量的第个特征值，且是优化后的血压-心率关联特征向量的第个特征值。
这里，所述向量赋范的希尔伯特概率空间化通过所述血压-心率关联特征向量自身的赋范在定义了向量内积的希尔伯特空间内进行所述血压-心率关联特征向量的概率性解释，并降低所述血压-心率关联特征向量的拼接的各个局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述血压-心率关联特征向量的特征分布收敛到单一预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述血压-心率关联特征向量的特征分布对单一分类结果的跨分类器的长程依赖。这样，就提升了优化后的血压-心率关联特征向量在通过分类器进行分类时对单一分类结果的依赖性，改进了分类结果的准确性。
图1为根据本申请实施例的基于健康数据分析管理平台的控制系统的应用场景图。如图1所示，在该应用场景中，首先，获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值（例如，如图1中所示意的C1）和心率值（例如，如图1中所示意的C2）；然后，将获取的血压值和心率值输入至部署有基于健康数据分析管理平台的控制算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于健康数据分析管理平台的控制算法对所述血压值和所述心率值进行处理，以生成用于表示待监测独居老人的身体状态是否异常的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的基于健康数据分析管理平台的控制系统的框图。如图2所示，根据本申请实施例的基于健康数据分析管理平台的控制系统100，包括：监测数据采集模块110，用于获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；数据关联模块120，用于将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；第一尺度关联特征提取模块130，用于将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；第二尺度关联特征提取模块140，用于将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量；特征融合模块150，用于融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量；特征调制模块160，用于对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；管理结果生成模块170，用于将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及，控制结果生成模块180，用于响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
具体地，在本申请实施例中，所述监测数据采集模块110，用于获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息提供了新的解决思路和方案。
在本申请的技术方案中，可通过佩戴于独居老人的智能可穿戴设备，例如智能手表，来采集待监测独居老人在预定时间段内多个预定时间点的血压值和心率值。也就是，通过智能可穿戴设备作为体征数据传感器来实时动态监测独居老人的体征数据，在本申请的技术方案中，所选择的体征数据为心率值和血压值。
具体地，在本申请实施例中，所述数据关联模块120，用于将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵。
在得到所述预定时间段内多个预定时间点的血压值和心率值后，将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵。也就是，先构建所述血压值和所述心率值的时序向量，并沿着时间维度对所述血压值和所述心率值的时序向量进行关联编码以得到血压值和心率值的全时序空间下的数据表示，即，所述血压-心率关联矩阵。
在本申请一个具体的示例中，将所述血压输入向量的转置向量与所述心率输入向量进行向量相乘以得到所述血压-心率关联矩阵。其中，以如下公式对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；其中，所述公式为：，其中表示所述血压输入向量，表示所述血压输入向量的转置向量，表示所述心率输入向量，表示所述血压-心率关联矩阵，表示向量相乘。
具体地，在本申请实施例中，所述第一尺度关联特征提取模块130和所述第二尺度关联特征提取模块140，用于将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；以及，用于将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量。
接着，将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；同时，将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量。也就是，在本申请的技术方案中，对所述血压-心率关联矩阵进行多尺度二维卷积编码以捕捉不同时空域下血压-心率的关联模式特征。
应可以理解，在本申请的技术方案中，不同尺度的二维卷积核对应于所述血压-心率关联矩阵中不同尺寸的特征局部，因此，所述第一卷积神经网络模型和所述第二卷积神经网络模型能够对所述血压-心率关联矩阵进行多尺度特征感知以捕捉更多尺度的关联模式特征，以提高特征表达的丰富度和确定性。
进一步地，所述第一尺度关联特征提取模块，用于：使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度血压-心率关联特征向量，其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
更进一步地，所述第二尺度关联特征提取模块，用于：使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度血压-心率关联特征向量，其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
应可以理解，在本申请中，卷积神经网络是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。卷积神经网络利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络具有更强的特征提取泛化能力和拟合能力。
在本申请一具体示例中，所述第一卷积神经网络模型和/或所述第二卷积神经网络模型为深度残差网络模型。
具体地，在本申请实施例中，所述特征融合模块150，用于融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量。进而，融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量，并将所述血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常。
在本申请一具体示例中，将所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量进行级联以得到所述血压-心率关联特征向量。
具体地，在本申请实施例中，所述特征调制模块160，用于对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量。
特别地，在本申请的技术方案中，由于所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量分别表达不同尺度下的血压-心率的时序关联特征，为了充分利用提取到的特征进行分类，优选地通过直接级联所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量来得到所述血压-心率关联特征向量。但是，由于所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量由于特征提取尺度而具有独特的时序特征分布，导致所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量的特征分布之间不一致，从而使得级联后的所述血压-心率关联特征向量在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。
因此，优选地对所述血压-心率关联特征向量进行向量赋范的希尔伯特概率空间化，也就是，以如下公式对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；其中，所述公式为：，其中，表示所述血压-心率关联特征向量，表示所述血压-心率关联特征向量的二范数，表示所述血压-心率关联特征向量的二范数的平方，是所述血压-心率关联特征向量的第个特征值，是优化后的血压-心率关联特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这里，所述向量赋范的希尔伯特概率空间化通过所述血压-心率关联特征向量自身的赋范在定义了向量内积的希尔伯特空间内进行所述血压-心率关联特征向量的概率性解释，并降低所述血压-心率关联特征向量的拼接的各个局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述血压-心率关联特征向量的特征分布收敛到单一预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述血压-心率关联特征向量的特征分布对单一分类结果的跨分类器的长程依赖。这样，就提升了优化后的血压-心率关联特征向量在通过分类器进行分类时对单一分类结果的依赖性，改进了分类结果的准确性。
具体地，在本申请实施例中，所述管理结果生成模块170和所述控制结果生成模块180，用于将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及，用于响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
通过所述分类器来确定所述血压-心率关联特征所属的类概率标签，其中，所述类概率标签包括待监测独居老人的身体状态异常（第一标签），以及，待监测独居老人的身体状态不异常（第二标签）。
相应地，在得到所述分类结果后，响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。具体地，可发送远程预警提示信息至社区服务中心或者与独居老人相关的亲属。
图3为根据本申请实施例的基于健康数据分析管理平台的控制系统中所述管理结果生成模块的框图，如图3所示，所述管理结果生成模块，包括：全连接编码单元171，用于使用所述分类器的多个全连接层对所述优化血压-心率关联特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元172，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中，使用所述分类器以如下公式对所述优化血压-心率关联特征向量进行处理以获得分类结果；其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述优化血压-心率关联特征向量。
综上，基于本申请实施例的基于健康数据分析管理平台的控制系统100被阐明，其获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；采用基于深度学习的人工智能技术，对血压值和心率值进行多尺度特征感知以捕捉不同时空域下血压-心率的关联模式特征，响应于血压-心率的关联模式特征对独居老人的身体状态是否异常进行监测，以生成远程预警提示信息。这样，可以对独居老人的身体状态进行实时地监控，以保障独居老人的健康。
如上所述，根据本申请实施例的基于健康数据分析管理平台的控制系统 100可以实现在各种终端设备中，例如用于基于健康数据分析管理平台的控制的服务器等。在一个示例中，根据本申请实施例的基于健康数据分析管理平台的控制系统 100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于健康数据分析管理平台的控制系统 100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于健康数据分析管理平台的控制系统 100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于健康数据分析管理平台的控制系统 100与该终端设备也可以是分立的设备，并且该基于健康数据分析管理平台的控制系统 100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图4为根据本申请实施例的基于健康数据分析管理平台的控制方法的流程图。如图4所示，根据本申请实施例的基于健康数据分析管理平台的控制方法，其包括：210，获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；220，将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；230，将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；240，将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量；250，融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量；260，对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；270，将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及，280，响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
图5为根据本申请实施例的基于健康数据分析管理平台的控制方法的系统架构的示意图。如图5所示，在所述基于健康数据分析管理平台的控制方法的系统架构中，首先，获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；然后，将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；接着，将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；240，将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量；然后，融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量；接着，对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；然后，将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及，最后，响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
在一个具体示例中，在上述基于健康数据分析管理平台的控制方法中，将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵，包括：以如下公式对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；其中，所述公式为：，其中表示所述血压输入向量，表示所述血压输入向量的转置向量，表示所述心率输入向量，表示所述血压-心率关联矩阵，表示向量相乘。
在一个具体示例中，在上述基于健康数据分析管理平台的控制方法中，将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量，包括：使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度血压-心率关联特征向量，其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
在一个具体示例中，在上述基于健康数据分析管理平台的控制方法中，将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量，包括：使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度血压-心率关联特征向量，其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
在一个具体示例中，在上述基于健康数据分析管理平台的控制方法中，所述第一卷积神经网络模型和/或所述第二卷积神经网络模型为深度残差网络模型。
在一个具体示例中，在上述基于健康数据分析管理平台的控制方法中，融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量，包括：将所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量进行级联以得到所述血压-心率关联特征向量。
在一个具体示例中，在上述基于健康数据分析管理平台的控制方法中，对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量，包括：以如下公式对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；其中，所述公式为：，其中，表示所述血压-心率关联特征向量，表示所述血压-心率关联特征向量的二范数，表示所述血压-心率关联特征向量的二范数的平方，是所述血压-心率关联特征向量的第个特征值，是优化后的血压-心率关联特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在一个具体示例中，在上述基于健康数据分析管理平台的控制方法中，将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常，包括：使用所述分类器的多个全连接层对所述优化血压-心率关联特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解，上述基于健康数据分析管理平台的控制方法中的各个步骤的具体操作已经在上面参考图1到图3的基于健康数据分析管理平台的控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
在本申请的一个实施例中，还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存储有执行上述所述方法的计算机程序。
应可以理解，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，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，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。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/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/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于健康数据分析管理平台的控制系统，其特征在于，包括：
监测数据采集模块，用于获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；
数据关联模块，用于将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；
第一尺度关联特征提取模块，用于将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；
第二尺度关联特征提取模块，用于将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量；
特征融合模块，用于融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量；
特征调制模块，用于对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；
管理结果生成模块，用于将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及控制结果生成模块，用于响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
2.根据权利要求1所述的基于健康数据分析管理平台的控制系统，其特征在于，所述数据关联模块，用于：以如下公式对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；
其中，所述公式为：，其中表示所述血压输入向量，表示所述血压输入向量的转置向量，表示所述心率输入向量，表示所述血压-心率关联矩阵，表示向量相乘。
3.根据权利要求2所述的基于健康数据分析管理平台的控制系统，其特征在于，所述第一尺度关联特征提取模块，用于：使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度血压-心率关联特征向量，其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
4.根据权利要求3所述的基于健康数据分析管理平台的控制系统，其特征在于，所述第二尺度关联特征提取模块，用于：使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度血压-心率关联特征向量，其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述血压-心率关联矩阵。
5.根据权利要求4所述的基于健康数据分析管理平台的控制系统，其特征在于，所述第一卷积神经网络模型和/或所述第二卷积神经网络模型为深度残差网络模型。
6.根据权利要求5所述的基于健康数据分析管理平台的控制系统，其特征在于，所述特征融合模块，用于将所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量进行级联以得到所述血压-心率关联特征向量。
7.根据权利要求6所述的基于健康数据分析管理平台的控制系统，其特征在于，所述特征调制模块，用于：以如下公式对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；
其中，所述公式为：，其中，表示所述血压-心率关联特征向量，表示所述血压-心率关联特征向量的二范数，表示所述血压-心率关联特征向量的二范数的平方，是所述血压-心率关联特征向量的第个特征值，是优化后的血压-心率关联特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
8.根据权利要求7所述的基于健康数据分析管理平台的控制系统，其特征在于，所述管理结果生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述优化血压-心率关联特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种基于健康数据分析管理平台的控制方法，其特征在于，包括：
获取由智能可穿戴设备采集的待监测独居老人在预定时间段内多个预定时间点的血压值和心率值；
将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；
将所述血压-心率关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度血压-心率关联特征向量；
将所述血压-心率关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度血压-心率关联特征向量；
融合所述第一尺度血压-心率关联特征向量和所述第二尺度血压-心率关联特征向量以得到血压-心率关联特征向量；
对所述血压-心率关联特征向量进行特征分布调制以得到优化血压-心率关联特征向量；
将所述优化血压-心率关联特征向量通过分类器以得到分类结果，所述分类结果用于表示待监测独居老人的身体状态是否异常；以及
响应于所述分类结果为待监测独居老人的身体状态异常，生成远程预警提示信息。
10.根据权利要求9所述的基于健康数据分析管理平台的控制方法，其特征在于，将所述多个预定时间点的血压值和心率值分别按照时间维度排列为血压输入向量和心率输入向量后，对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵，包括：以如下公式对所述血压输入向量和所述心率输入向量进行关联编码以得到血压-心率关联矩阵；
其中，所述公式为：，其中表示所述血压输入向量，表示所述血压输入向量的转置向量，表示所述心率输入向量，表示所述血压-心率关联矩阵，表示向量相乘。
CN202310206450.5A 2023-03-07 2023-03-07 基于健康数据分析管理平台的控制系统及其方法 Active CN116092701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310206450.5A CN116092701B (zh) 2023-03-07 2023-03-07 基于健康数据分析管理平台的控制系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310206450.5A CN116092701B (zh) 2023-03-07 2023-03-07 基于健康数据分析管理平台的控制系统及其方法

Publications (2)

Publication Number Publication Date
CN116092701A true CN116092701A (zh) 2023-05-09
CN116092701B CN116092701B (zh) 2023-06-30

Family

ID=86188118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310206450.5A Active CN116092701B (zh) 2023-03-07 2023-03-07 基于健康数据分析管理平台的控制系统及其方法

Country Status (1)

Country Link
CN (1) CN116092701B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116781430A (zh) * 2023-08-24 2023-09-19 克拉玛依市燃气有限责任公司 用于燃气管网的网络信息安全系统及其方法
CN116864112A (zh) * 2023-07-18 2023-10-10 湘南学院 用于人体芯片的用户数据智能管理系统及其方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110229045A1 (en) * 2010-03-16 2011-09-22 Nec Laboratories America, Inc. Method and system for image classification
US20160242690A1 (en) * 2013-12-17 2016-08-25 University Of Florida Research Foundation, Inc. Brain state advisory system using calibrated metrics and optimal time-series decomposition
CN106446533A (zh) * 2016-09-12 2017-02-22 北京和信康科技有限公司 一种人体健康数据处理系统及其方法
CN106777954A (zh) * 2016-12-09 2017-05-31 电子科技大学 一种空巢老人健康的智能监护系统及方法
WO2018107488A1 (zh) * 2016-12-16 2018-06-21 深圳大学 基于提升直觉模糊树的目标跟踪方法及装置
US20210390355A1 (en) * 2020-06-13 2021-12-16 Zhejiang University Image classification method based on reliable weighted optimal transport (rwot)
CN114694245A (zh) * 2020-12-30 2022-07-01 山东大学 基于Capsule和GRU的实时行为识别和体征状态监测方法及系统
CN115222987A (zh) * 2022-07-13 2022-10-21 吉林大学 一种基于多尺度注意力网络和心冲击图的疾病分类方法
CN115482498A (zh) * 2022-10-28 2022-12-16 台州科技职业学院 基于视频的智慧养老监控系统及其方法
CN115660569A (zh) * 2022-09-07 2023-01-31 杭州聚医智联科技有限公司 居家养老智慧管理平台及其方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110229045A1 (en) * 2010-03-16 2011-09-22 Nec Laboratories America, Inc. Method and system for image classification
US20160242690A1 (en) * 2013-12-17 2016-08-25 University Of Florida Research Foundation, Inc. Brain state advisory system using calibrated metrics and optimal time-series decomposition
CN106446533A (zh) * 2016-09-12 2017-02-22 北京和信康科技有限公司 一种人体健康数据处理系统及其方法
CN106777954A (zh) * 2016-12-09 2017-05-31 电子科技大学 一种空巢老人健康的智能监护系统及方法
WO2018107488A1 (zh) * 2016-12-16 2018-06-21 深圳大学 基于提升直觉模糊树的目标跟踪方法及装置
US20210390355A1 (en) * 2020-06-13 2021-12-16 Zhejiang University Image classification method based on reliable weighted optimal transport (rwot)
CN114694245A (zh) * 2020-12-30 2022-07-01 山东大学 基于Capsule和GRU的实时行为识别和体征状态监测方法及系统
CN115222987A (zh) * 2022-07-13 2022-10-21 吉林大学 一种基于多尺度注意力网络和心冲击图的疾病分类方法
CN115660569A (zh) * 2022-09-07 2023-01-31 杭州聚医智联科技有限公司 居家养老智慧管理平台及其方法
CN115482498A (zh) * 2022-10-28 2022-12-16 台州科技职业学院 基于视频的智慧养老监控系统及其方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
H. SHIHABUDEEN 等: "Deep Learning L2 Norm Fusion for Infrared & Visible Images", IEEE ACCESS, pages 36884 - 36894 *
JIE CAO 等: "Softmax Cross Entropy Loss with Unbiased Decision Boundary for Image Classification", 2018 CHINESE AUTOMATION CONGRESS (CAC) *
TANZILA SABA 等: "Categorizing the Students\' Activities for Automated Exam Proctoring Using Proposed Deep L2-GraftNet CNN Network and ASO Based Feature Selection Approach", IEEE ACCESS, pages 47639 - 47656 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116864112A (zh) * 2023-07-18 2023-10-10 湘南学院 用于人体芯片的用户数据智能管理系统及其方法
CN116864112B (zh) * 2023-07-18 2024-05-07 湘南学院 用于人体芯片的用户数据智能管理系统及其方法
CN116781430A (zh) * 2023-08-24 2023-09-19 克拉玛依市燃气有限责任公司 用于燃气管网的网络信息安全系统及其方法
CN116781430B (zh) * 2023-08-24 2023-12-01 克拉玛依市燃气有限责任公司 用于燃气管网的网络信息安全系统及其方法

Also Published As

Publication number Publication date
CN116092701B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN116092701B (zh) 基于健康数据分析管理平台的控制系统及其方法
Yar et al. Vision sensor-based real-time fire detection in resource-constrained IoT environments
CN111079646A (zh) 基于深度学习的弱监督视频时序动作定位的方法及系统
CN111860588A (zh) 一种用于图神经网络的训练方法以及相关设备
CN112766172B (zh) 一种基于时序注意力机制的人脸连续表情识别方法
CN112183747A (zh) 神经网络训练的方法、神经网络的压缩方法以及相关设备
CN111797589A (zh) 一种文本处理网络、神经网络训练的方法以及相关设备
CN115456789B (zh) 基于交易模式识别的异常交易检测方法及其系统
CN115951883B (zh) 分布式微服务架构的服务组件管理系统及其方法
CN116310565A (zh) 尿频尿急的中药制作方法及装置
CN116184972A (zh) 空气分离装置的控制系统及其方法
CN115830718A (zh) 基于步态识别预测康复训练效果的数据处理系统
CN116797248B (zh) 基于区块链的数据溯源管理方法及其系统
CN111291695B (zh) 人员违章行为识别模型训练方法、识别方法及计算机设备
CN117116498A (zh) 移动查房数据处理系统及其方法
Huu et al. Proposing posture recognition system combining MobilenetV2 and LSTM for medical surveillance
CN116503785A (zh) 游泳馆监管系统及其方法
CN115114448B (zh) 智能多模态融合用电检查方法、装置、系统、设备及介质
CN114566190A (zh) 基于语音特征的预警方法、系统及其电子设备
Mogan et al. Advances in vision-based gait recognition: From handcrafted to deep learning
CN114140841A (zh) 点云数据的处理方法、神经网络的训练方法以及相关设备
CN113065634A (zh) 一种图像处理方法、神经网络的训练方法以及相关设备
CN116739219A (zh) 熔喷布生产管理系统及其方法
CN117158923A (zh) 基于元宇宙的居家养老远程监控方法
CN116530952A (zh) 基于智能穿戴设备的生命安全监测系统及其方法

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