CN116864112B - 用于人体芯片的用户数据智能管理系统及其方法 - Google Patents

用于人体芯片的用户数据智能管理系统及其方法 Download PDF

Info

Publication number
CN116864112B
CN116864112B CN202310884144.7A CN202310884144A CN116864112B CN 116864112 B CN116864112 B CN 116864112B CN 202310884144 A CN202310884144 A CN 202310884144A CN 116864112 B CN116864112 B CN 116864112B
Authority
CN
China
Prior art keywords
flow velocity
blood pressure
blood flow
blood
time sequence
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
Application number
CN202310884144.7A
Other languages
English (en)
Other versions
CN116864112A (zh
Inventor
方会龙
瞿晓庆
周明凯
杨科强
周承敏
吕陆峥
宦正航
谭永一
李欣怡
彭棋
李智峰
张梦婷
粘嘉怡
周畅
陈泓名
彭彦博
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.)
Xiangnan University
Original Assignee
Xiangnan University
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 Xiangnan University filed Critical Xiangnan University
Priority to CN202310884144.7A priority Critical patent/CN116864112B/zh
Publication of CN116864112A publication Critical patent/CN116864112A/zh
Application granted granted Critical
Publication of CN116864112B publication Critical patent/CN116864112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种用于人体芯片的用户数据智能管理系统及其方法，其通过采集人体芯片所得的血流速度值和血压值，利用智能设备和深度学习技术来实现远程监测和诊断动脉粥样硬化的风险等级，有助于提高医疗保健水平。

Description

用于人体芯片的用户数据智能管理系统及其方法
技术领域
本发明涉及智能化管理技术领域，尤其涉及一种用于人体芯片的用户数据智能管理系统及其方法。
背景技术
人体芯片的概念已经引起各国的关注，但国内芯片市场存在壁垒，许多医疗技术、材料都来自国外市场，对人体的安全性和可接受性存在疑虑。
此外，在社会经济发展的同时，我们的日常生活方式有了巨大的改变，特别是人口老龄化的问题和城镇化建设进程的加快，中国当下的心血管疾病危险因素上升飞快，导致心血管疾病的患者人数急剧增加。目前为止，因心血管疾病而死亡的患者人数居城乡居民死亡总人数的第一位。很多时候正是因为无法实时探查出自己身体内催化因素的累积，才导致严重的心血管疾病。
因此，期待一种解决方案。
发明内容
本发明实施例提供一种用于人体芯片的用户数据智能管理系统及其方法，其通过采集人体芯片所得的血流速度值和血压值，利用智能设备和深度学习技术来实现远程监测和诊断动脉粥样硬化的风险等级，有助于提高医疗保健水平。
本发明实施例还提供了一种用于人体芯片的用户数据智能管理系统，其包括：
数据采集模块，用于获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值；
数据结构化模块，用于将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量；
数据关联模块，用于对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；
矩阵切分模块，用于对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵；
上下文语义理解模块，用于将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量；
优化模块，用于对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；
时序特征提取模块，用于将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量；以及
风险等级划分模块，用于将所述分类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动脉粥样硬化的风险等级。
本发明实施例中，所述数据关联模块，用于：以如下编码公式对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；其中，所述编码公式为：
其中，Va表示所述血流速度时序输入向量，表示所述血流速度时序输入向量的转置向量，Vc表示所述血压时序输入向量，M1表示所述血压-血流速度全时序关联矩阵，/>表示矩阵相乘。
本发明实施例中，所述矩阵切分模块，用于：对所述血压-血流速度全时序关联矩阵进行均匀切分处理以得到所述多个血压-血流速度局部时序关联矩阵。
本发明实施例中，所述上下文语义理解模块，包括：嵌入化单元，用于使用所述包含嵌入层的基于转换器的上下文编码器的嵌入层对所述多个血压-血流速度局部时序关联矩阵进行向量嵌入化以得到血压-血流速度嵌入向量的序列；以及，转换编码单元，用于将所述血压-血流速度嵌入向量的序列输入所述包含嵌入层的基于转换器的上下文编码器的转换器进行基于全局的上下文语义编码以得到所述多个上下文血压-血流速度局部时序关联特征向量。
本发明实施例中，所述转换编码单元，包括：向量构造子单元，用于将所述血压-血流速度嵌入向量的序列进行一维排列以得到血压-血流速度全局特征向量；自注意子单元，用于计算所述血压-血流速度全局特征向量与所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量进行加权以得到所述多个上下文血压-血流速度局部时序关联特征向量。
本发明实施例中，所述优化模块，用于：以如下优化公式对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；其中，所述优化公式为：
其中，Vj是所述多个上下文血压-血流速度局部时序关联特征向量中第j个上下文血压-血流速度局部时序关联特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，V′i是多个优化后上下文血压-血流速度局部时序关联特征向量中第i个优化后上下文血压-血流速度局部时序关联特征向量，n为邻域设置超参数，且当j小于等于零或者大于所述上下文血压-血流速度局部时序关联特征向量的数目时，特征向量Vj可以为全零向量或者单位向量。
本发明实施例中，所述风险等级划分模块，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分类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。
本发明实施例还提供了一种用于人体芯片的用户数据智能管理方法，其包括：
获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值；
将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量；
对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；
对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵；
将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量；
对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；
将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量；以及
将所述分类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动脉粥样硬化的风险等级。
本发明实施例中，对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵，包括：以如下编码公式对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；其中，所述编码公式为：
其中，Va表示所述血流速度时序输入向量，表示所述血流速度时序输入向量的转置向量，Vc表示所述血压时序输入向量，M1表示所述血压-血流速度全时序关联矩阵，/>表示矩阵相乘。
本发明实施例中，对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵，包括：对所述血压-血流速度全时序关联矩阵进行均匀切分处理以得到所述多个血压-血流速度局部时序关联矩阵。
本发明实施例中，用于人体芯片的用户数据智能管理系统及其方法，其通过采集人体芯片所得的血流速度值和血压值，利用智能设备和深度学习技术来实现远程监测和诊断动脉粥样硬化的风险等级，有助于提高医疗保健水平。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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。在附图中：
图1为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统的应用场景图。
图2为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统的框图。
图3为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统中所述上下文语义理解模块的框图。
图4为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统中所述转换编码单元的框图。
图5为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统中所述风险等级划分模块的框图。
图6为本发明实施例中提供的注册界面。
图7为本发明实施例中提供的各大版块界面。
图8为本发明实施例中提供的实时数据界面。
图9为本发明实施例中提供的养生课堂界面。
图10为本发明实施例中提供的在线咨询和医生建议界面。
图11为本发明实施例中提供的健康社区界面。
图12为本发明实施例中提供的传感器结构SOC芯片顶层图以及性能概要示意图。
图13为本发明实施例中提供的SOC芯片封装图以及系统板卡示意图。
图14为本发明实施例中提供的微型处理器结构系统图。
图15为本发明实施例中提供的电池供电系统示意图。
图16为本发明实施例中提供的医用聚氨酯材料作用图。
图17为本发明实施例中提供的赛博芯片植入示意图。
图18为本发明实施例中提供的超声波发射电路示意图。
图19为本发明实施例中提供的超声波接收电路示意图。
图20为本发明实施例中提供的采集到的部分血流信号波形图。
图21为本发明实施例中提供的一种用于人体芯片的用户数据智能管理方法的流程图。
图22为本发明实施例中提供的一种用于人体芯片的用户数据智能管理方法的系统架构的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
针对上述技术需求，本申请的技术构思为：通过采集人体芯片所得的血流速度值和血压值，利用智能设备和深度学习技术来实现远程监测和诊断动脉粥样硬化的风险等级，有助于提高医疗保健水平。
具体地，在本申请的技术方案中，首先获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值，并将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量。这里，动脉粥样硬化的发生与血流速度和血压值密切相关，通过获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值可以从中挖掘关于动脉粥样硬化程度的特征信息。此外，将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量，是为了将这些数据转化为适合机器学习算法处理的形式。在机器学习中，通常需要将数据转化为向量或矩阵的形式，以便进行算法的训练和预测。而血流速度和血压值随时间会产生变化，是时间序列数据，因此，在本申请的技术方案中，期待将其按照时间维度排列为一个时序输入向量，以便进行后续的特征提取和分类。
在心血管疾病的诊断中，血流速度和血压值之间是紧密关联的，它们之间的关联性可以反映出心血管系统的状态和功能。由此，在本申请的技术方案中，对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以将血流速度和血压值之间的关系进行建模，从而得到血压-血流速度全时序关联矩阵，以更好地反映出心血管系统的状态和功能。
考虑到血压和血流速度的整体变化趋势与两者之间的局部时序关联性呈现不同的特征分布，在本申请的技术方案中，为能够深入挖掘整体变化趋势特征与局部时序关联特征信息，先对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵。也就是，将全时序关联矩阵划分为多个血压-血流速度局部时序关联矩阵以适应上下文编码器的输入。随后将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量。其中，基于转换器的上下文编码器通过嵌入层将输入的矩阵转换为向量，然后通过上下文编码器的自注意机制来捕捉全局性的上下文语义信息和依赖关系。这一过程能够提高特征的表达能力。再将所述多个上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量。这里，循环神经网络模型是一种适用于序列数据的神经网络模型，它能够捕捉序列中的时序信息和上下文关系，从而更好地处理和提取序列数据的特征。在这个过程中，序列特征提取器会将多个上下文血压-血流速度局部时序关联特征向量作为输入，然后通过多个循环层对输入进行处理，最终得到一个分类特征向量。这个分类特征向量可以用来对心血管疾病进行分类和诊断。
为了便于说明，假设要对一个长度为4的序列进行特征提取，其中每个元素是一个2维向量，即x＝[(1,2),(3,4),(5,6),(7,8)]。简单的来说，可以使用一个单层的RNN，其中隐藏状态和输出都是3维向量，即h＝[h1,h2,h3]，y＝[y1,y2,y3]。一开始，可以随机初始化RNN的参数矩阵Wxh,Whh,Why和偏置向量bh,by，例如：Wxh＝[[0.1,0.2,0.3],[0.4,0.5,0.6]]；Whh＝[[0.7,0.8,0.9],[1.0,1.1,1.2],[1.3,1.4,1.5]]；Why＝[[1.6,1.7,1.8],[1.9,2.0,2.1],[2.2,2.3,2.4]]；bh＝[0.01,0.02,0.03]；by＝[0.04,0.05,0.06]。随后可以使用tanh作为非线性激活函数，即f(x)＝tanh(x)。那么，可以按照以下公式来计算每个时间步的隐藏状态和输出：ht＝f(Wxh*xt+Whh*ht-1+bh)；yt＝Why*ht+by。其中*表示矩阵乘法，+表示向量加法。省略中间过程，最终可以得到输出序列y＝[(6),(7),(8),(9)]，这就是基于循环神经网络模型的序列特征提取器的输出。当然，这个示例只是为了说明RNN的基本原理，实际上RNN的参数和结构都会更复杂和优化。
继而，将所述分类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动脉粥样硬化的风险等级。其中，分类器是一种能够将输入数据映射到离散的输出类别的算法，它能够根据输入的特征向量进行分类，并输出相应的类别标签。在这个过程中，将分类结果用于表示动脉粥样硬化的风险等级是因为它的风险等级与患者的实时身体状态有关。值得注意的是，这里的类别标签并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“动脉粥样硬化的风险等级”这个概念，其只是有多个分类标签，例如L1、L2和L3，且输出特征在这几个分类标签下的概率，即p1、p2、p3之和为一。因此，动脉粥样硬化的风险等级的分类结果实际上是通过分类标签转化为符合自然规律的多分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“动脉粥样硬化的风险等级”的语言文本意义。通过这样的方式来评估患者患动脉粥样硬化的风险等级。在实际应用中，可以基于所述分类结果来辅助制定相应的治疗方案。
在本申请的技术方案中，在将所述多个上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器得到所述分类特征向量时，是对于所述多个上下文血压-血流速度局部时序关联特征向量进行基于特征值粒度的局部序列关联特征提取，但是，考虑到所述多个上下文血压-血流速度局部时序关联特征向量是所述血压-血流速度全时序关联矩阵进行矩阵切分得到的所述多个血压-血流速度局部时序关联矩阵通过基于转换器的上下文编码器得到的，每个上下文血压-血流速度局部时序关联特征向量都表示所述血压-血流速度全时序关联矩阵的局部参数时序关联特征，因此，仍然期望提升所述多个上下文血压-血流速度局部时序关联特征向量的特征向量粒度的全局关联性。
如上所述，由于所述多个上下文血压-血流速度局部时序关联特征向量是所述血压-血流速度全时序关联矩阵进行矩阵切分得到的所述多个血压-血流速度局部时序关联矩阵通过基于转换器的上下文编码器得到的，因此，所述多个上下文血压-血流速度局部时序关联特征向量可以被认为是整体组合特征集合中的局部特征集合。
并且，由于所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量表示所述血压-血流速度全时序关联矩阵的局部时序关联特征，其具有同源数据沿时序的关联关系，因此所述多个上下文血压-血流速度局部时序关联特征向量除了具有相互关联的邻域分布关系外，其间还具有对应于所述血压-血流速度全时序关联矩阵的多个局部时序关联特征分布的多源信息关联关系。
因此，为了提升组成所述多个上下文血压-血流速度局部时序关联特征向量作为整体的关联分布表达效果，本申请的申请人对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量，例如记为Vi进行多源信息融合验前分布评估优化，以获得优化后的上下文血压-血流速度局部时序关联特征向量V′i，具体表示为：
其中n为邻域设置超参数，且当j小于等于零或者大于所述上下文血压-血流速度局部时序关联特征向量的数目时，特征向量Vj可以为全零向量或者单位向量。
这里，所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合，基于特征分布融合稳健性的类极大似然估计，来实现特征向量各自的验前信息在局部合成分布上的有效折合，并通过多源情况下的验前分布构建，来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式，以提升特征向量基于多源信息关联融合的信息表达效果。由此，优化后的上下文血压-血流速度局部时序关联特征向量得到的所述分类特征向量就可以具有更好的整体表达效果，从而提升其通过分类器得到的分类结果的准确性。
图1为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统的应用场景图。如图1所示，在该应用场景中，首先，获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值(例如，如图1中所示意的C1)和血压值(例如，如图1中所示意的C2)；然后，将获取的血流速度值和血压值输入至部署有用于人体芯片的用户数据智能管理算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于用于人体芯片的用户数据智能管理算法对所述血流速度值和所述血压值进行处理，以生成用于表示动脉粥样硬化的风险等级的分类结果。
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
在本发明的一个实施例中，图2为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统的框图。如图2所示，根据本发明实施例的用于人体芯片的用户数据智能管理系统100，包括：数据采集模块110，用于获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值；数据结构化模块120，用于将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量；数据关联模块130，用于对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；矩阵切分模块140，用于对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵；上下文语义理解模块150，用于将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量；优化模块160，用于对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；时序特征提取模块170，用于将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量；以及，风险等级划分模块180，用于将所述分类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动脉粥样硬化的风险等级。
具体地，在本发明实施例中，所述数据采集模块110，用于获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值。针对上述技术需求，本申请的技术构思为：通过采集人体芯片所得的血流速度值和血压值，利用智能设备和深度学习技术来实现远程监测和诊断动脉粥样硬化的风险等级，有助于提高医疗保健水平。
具体地，在本申请的技术方案中，首先获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值。这里，动脉粥样硬化的发生与血流速度和血压值密切相关，通过获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值可以从中挖掘关于动脉粥样硬化程度的特征信息。
具体地，在本发明实施例中，所述数据结构化模块120，用于将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量。将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量。
此外，将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量，是为了将这些数据转化为适合机器学习算法处理的形式。在机器学习中，通常需要将数据转化为向量或矩阵的形式，以便进行算法的训练和预测。而血流速度和血压值随时间会产生变化，是时间序列数据，因此，在本申请的技术方案中，期待将其按照时间维度排列为一个时序输入向量，以便进行后续的特征提取和分类。
具体地，在本发明实施例中，所述数据关联模块130，用于对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵。在心血管疾病的诊断中，血流速度和血压值之间是紧密关联的，它们之间的关联性可以反映出心血管系统的状态和功能。由此，在本申请的技术方案中，对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以将血流速度和血压值之间的关系进行建模，从而得到血压-血流速度全时序关联矩阵，以更好地反映出心血管系统的状态和功能。
其中，所述数据关联模块130，用于：以如下编码公式对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；其中，所述编码公式为：
其中，Va表示所述血流速度时序输入向量，表示所述血流速度时序输入向量的转置向量，Vc表示所述血压时序输入向量，M1表示所述血压-血流速度全时序关联矩阵，/>表示矩阵相乘。
具体地，在本发明实施例中，所述矩阵切分模块140，用于对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵。考虑到血压和血流速度的整体变化趋势与两者之间的局部时序关联性呈现不同的特征分布，在本申请的技术方案中，为能够深入挖掘整体变化趋势特征与局部时序关联特征信息，先对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵。
其中，所述矩阵切分模块140，用于：对所述血压-血流速度全时序关联矩阵进行均匀切分处理以得到所述多个血压-血流速度局部时序关联矩阵。
具体地，在本发明实施例中，所述上下文语义理解模块150，用于将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量。也就是，将全时序关联矩阵划分为多个血压-血流速度局部时序关联矩阵以适应上下文编码器的输入。随后将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量。其中，基于转换器的上下文编码器通过嵌入层将输入的矩阵转换为向量，然后通过上下文编码器的自注意机制来捕捉全局性的上下文语义信息和依赖关系。这一过程能够提高特征的表达能力。
图3为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统中所述上下文语义理解模块的框图，如图3所示，所述上下文语义理解模块150，包括：嵌入化单元151，用于使用所述包含嵌入层的基于转换器的上下文编码器的嵌入层对所述多个血压-血流速度局部时序关联矩阵进行向量嵌入化以得到血压-血流速度嵌入向量的序列；以及，转换编码单元152，用于将所述血压-血流速度嵌入向量的序列输入所述包含嵌入层的基于转换器的上下文编码器的转换器进行基于全局的上下文语义编码以得到所述多个上下文血压-血流速度局部时序关联特征向量。
图4为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统中所述转换编码单元的框图，如图4所示，所述转换编码单元152，包括：向量构造子单元1521，用于将所述血压-血流速度嵌入向量的序列进行一维排列以得到血压-血流速度全局特征向量；自注意子单元1522，用于计算所述血压-血流速度全局特征向量与所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1523，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1524，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1525，用于分别以所述多个概率值中各个概率值作为权重对所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量进行加权以得到所述多个上下文血压-血流速度局部时序关联特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short-Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在本发明实施例中，所述优化模块160，用于对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量。在本申请的技术方案中，在将所述多个上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器得到所述分类特征向量时，是对于所述多个上下文血压-血流速度局部时序关联特征向量进行基于特征值粒度的局部序列关联特征提取，但是，考虑到所述多个上下文血压-血流速度局部时序关联特征向量是所述血压-血流速度全时序关联矩阵进行矩阵切分得到的所述多个血压-血流速度局部时序关联矩阵通过基于转换器的上下文编码器得到的，每个上下文血压-血流速度局部时序关联特征向量都表示所述血压-血流速度全时序关联矩阵的局部参数时序关联特征，因此，仍然期望提升所述多个上下文血压-血流速度局部时序关联特征向量的特征向量粒度的全局关联性。
如上所述，由于所述多个上下文血压-血流速度局部时序关联特征向量是所述血压-血流速度全时序关联矩阵进行矩阵切分得到的所述多个血压-血流速度局部时序关联矩阵通过基于转换器的上下文编码器得到的，因此，所述多个上下文血压-血流速度局部时序关联特征向量可以被认为是整体组合特征集合中的局部特征集合。
并且，由于所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量表示所述血压-血流速度全时序关联矩阵的局部时序关联特征，其具有同源数据沿时序的关联关系，因此所述多个上下文血压-血流速度局部时序关联特征向量除了具有相互关联的邻域分布关系外，其间还具有对应于所述血压-血流速度全时序关联矩阵的多个局部时序关联特征分布的多源信息关联关系。
因此，为了提升组成所述多个上下文血压-血流速度局部时序关联特征向量作为整体的关联分布表达效果，本申请的申请人对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量，例如记为Vi进行多源信息融合验前分布评估优化，以获得优化后的上下文血压-血流速度局部时序关联特征向量V′i，具体表示为：以如下优化公式对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；其中，所述优化公式为：
其中，Vj是所述多个上下文血压-血流速度局部时序关联特征向量中第j个上下文血压-血流速度局部时序关联特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，V′i是多个优化后上下文血压-血流速度局部时序关联特征向量中第i个优化后上下文血压-血流速度局部时序关联特征向量，n为邻域设置超参数，且当j小于等于零或者大于所述上下文血压-血流速度局部时序关联特征向量的数目时，特征向量Vj可以为全零向量或者单位向量。
这里，所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合，基于特征分布融合稳健性的类极大似然估计，来实现特征向量各自的验前信息在局部合成分布上的有效折合，并通过多源情况下的验前分布构建，来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式，以提升特征向量基于多源信息关联融合的信息表达效果。由此，优化后的上下文血压-血流速度局部时序关联特征向量得到的所述分类特征向量就可以具有更好的整体表达效果，从而提升其通过分类器得到的分类结果的准确性。
具体地，在本发明实施例中，所述时序特征提取模块170，用于将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量。将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量。这里，循环神经网络模型是一种适用于序列数据的神经网络模型，它能够捕捉序列中的时序信息和上下文关系，从而更好地处理和提取序列数据的特征。在这个过程中，序列特征提取器会将多个上下文血压-血流速度局部时序关联特征向量作为输入，然后通过多个循环层对输入进行处理，最终得到一个分类特征向量。这个分类特征向量可以用来对心血管疾病进行分类和诊断。
为了便于说明，假设要对一个长度为4的序列进行特征提取，其中每个元素是一个2维向量，即x＝[(1,2),(3,4),(5,6),(7,8)]。简单的来说，可以使用一个单层的RNN，其中隐藏状态和输出都是3维向量，即h＝[h1,h2,h3]，y＝[y1,y2,y3]。一开始，可以随机初始化RNN的参数矩阵Wxh,Whh,Why和偏置向量bh,by，例如：Wxh＝[[0.1,0.2,0.3],[0.4,0.5,0.6]]；Whh＝[[0.7,0.8,0.9],[1.0,1.1,1.2],[1.3,1.4,1.5]]；Why＝[[1.6,1.7,1.8],[1.9,2.0,2.1],[2.2,2.3,2.4]]；bh＝[0.01,0.02,0.03]；by＝[0.04,0.05,0.06]。随后可以使用tanh作为非线性激活函数，即f(x)＝tanh(x)。那么，可以按照以下公式来计算每个时间步的隐藏状态和输出：ht＝f(Wxh*xt+Whh*ht-1+bh)；yt＝Why*ht+by。其中*表示矩阵乘法，+表示向量加法。省略中间过程，最终可以得到输出序列y＝[(6),(7),(8),(9)]，这就是基于循环神经网络模型的序列特征提取器的输出。当然，这个示例只是为了说明RNN的基本原理，实际上RNN的参数和结构都会更复杂和优化。
具体地，在本发明实施例中，所述风险等级划分模块180，用于将所述分类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动脉粥样硬化的风险等级。继而，将所述分类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动脉粥样硬化的风险等级。其中，分类器是一种能够将输入数据映射到离散的输出类别的算法，它能够根据输入的特征向量进行分类，并输出相应的类别标签。
在这个过程中，将分类结果用于表示动脉粥样硬化的风险等级是因为它的风险等级与患者的实时身体状态有关。值得注意的是，这里的类别标签并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“动脉粥样硬化的风险等级”这个概念，其只是有多个分类标签，例如L1、L2和L3，且输出特征在这几个分类标签下的概率，即p1、p2、p3之和为一。
因此，动脉粥样硬化的风险等级的分类结果实际上是通过分类标签转化为符合自然规律的多分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“动脉粥样硬化的风险等级”的语言文本意义。通过这样的方式来评估患者患动脉粥样硬化的风险等级。在实际应用中，可以基于所述分类结果来辅助制定相应的治疗方案。
图5为本发明实施例中提供的一种用于人体芯片的用户数据智能管理系统中所述风险等级划分模块的框图，如图5所示，所述风险等级划分模块180，包括：全连接编码单元181，用于使用所述分类器的多个全连接层对所述分类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182，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。
综上，基于本发明实施例的用于人体芯片的用户数据智能管理系统100被阐明，其通过采集人体芯片所得的血流速度值和血压值，利用智能设备和深度学习技术来实现远程监测和诊断动脉粥样硬化的风险等级，有助于提高医疗保健水平。
如上所述，根据本发明实施例的用于人体芯片的用户数据智能管理系统100可以实现在各种终端设备中，例如用于人体芯片的用户数据智能管理的服务器等。在一个示例中，根据本发明实施例的用于人体芯片的用户数据智能管理系统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，该用于人体芯片的用户数据智能管理系统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，该用于人体芯片的用户数据智能管理系统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，该用于人体芯片的用户数据智能管理系统100与该终端设备也可以是分立的设备，并且该用于人体芯片的用户数据智能管理系统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，提供了一种用于人体芯片的用户数据智能管理系统，如图6和图7所示，在APP上进行注册登录后，APP会与体内的芯片进行配对，配对成功后，界面会提供几大板块：实时数据、在线咨询、养生课堂、医生建议、健康社区等等各大板块，用户可以根据自己的需求去进行选择。
如图8所示，选择实时数据时，APP会立即接收赛博芯片上的数据，对使用者所需要的数据进行针对性的显示，当数据有异常是会发出震动，外接的iPad、手机等通信工具会马上发出声音，并开始闪光，提醒使用者寻求帮助。此外，为了防止APP发出错误信息警报，系统会在连续一分钟内持续检测到危险信号后，才会发出警报。并且每一项数据旁都用相应正常的数据值，而且会显示芯片当下的位置的状态。
如图9所示，在养生课堂板块，我们会根据用户身体数据的反馈，提供相关的健康小知识普及视频。此外，还邀请到了相关医学领域的名医来为我们广大的用户做有关健康知识的普及。
而在在线咨询板块中，患者先需要选择对应的疾病，之后会出现在线的对应的医师对患者的症状做出诊断，并且对对应的个人的针对性服务做出相应的收费提示。
如图10所示，在医生建议板块，用户可以询问医生有关药物或是身体稍有不适的解决办法，医生可以为顾客提出简单的意见，同时也可以教会用户当遇到日常身体不适时，如何正确、及时、有效的应对方法。
而在健康社区中，用户可以在线上相互讨论、相互交流、可以互相鼓励、交流经验。
对APP每个版块都有特定的设计和程序步骤，并且考虑到用户有大部分中老年人群体，APP还有专门为中老年人群设计的模式，如图11所示，在咨询时提供响亮标准的语音播放，可以调节大小的字体方便老人阅读，还有紧急联系监护人的功能，可以在生病是及时的联系子女，可以说是一个针对不同用户的私人定制服务的全面平台。
在本申请的一个具体实施例中，提供了一种产品体系，赛博芯片——基于聚氨酯(PU)+SOC的智能型可植入芯片检测系统由四部分组成：①传感器结构模板②微型处理器结构模板③电池供电系统④外部包裹材料。
其中，如图12所示，传感器结构模板，SOC芯片是传感器结构模板的核心，它能够捕捉到人体的生理状态，就像"感官"一样，能够收集到有关生命体征的信息。通过捕捉和提取生物体内相关的生理信号,并将该信号加工处理为一种易处理、易传输的电学量装置。使用先进的技术，我们能够从一个小型的传感器接收并转变为高质量的电子信息。这些信息会被放大并进行A/D变换，最终被存储在计算机里。这些信息能够被进行进一步的分析和处理，并最终被发送至多个输出设备，如显卡和打印机。
一种具有先进技术的SOC芯片，它采用了40nm LL工艺，具有极高的传感器速率，最高可达500MHz，而且运行时的功耗极低，只有45.3mW。
图13是SOC芯片封装图以及系统板卡。在运作时，一个RS232规格的外部指令讯号通过无线电传送到该芯片系统里，并由OOK接收器进行调解，随后赛博芯片上的微小控制器能够根据调解后的指令，通过一个交换器将电流传送到所选择的药囊外部薄膜，并使其活化破裂释放药物。
微型处理器结构模板，微型处理器结构模板由一个核心集成模块和一个电源模块以及少量外围电路及多功能纳米探针组成。同时，该系统具有高可靠性，常常用于无人职守场合的数据采集和传输。其原理是通过把远程的模拟信号转化成数字信号，然后上传到公司所推出的APP软件上。其系统架构图如图14所示。
如图15所示，电池供电系统，对于该产品的供电系统，我们公司采用“化学能转换+小型化超级电容器储电”的供电模式。通过引入钠-钾ATP酶，我们的细胞不仅拥有足够的ATP，而且还具备了将其转换为ADP的潜力，从而实现高效的ATP代谢，从而满足细胞的正常运作需求。此外，该酶还具备了将钾离子与正电荷的钠离子通过特殊的膜结合，从而产生电势，从而实现对芯片的充电，从而实现了对细胞的高效充电。
“研究人员先从猪脑中提取了这种钠-钾ATP酶，然后将他们嵌入到人造脂肪膜上。最后的芯片能够在一平方毫米的面积上获得200万分子所提供的能量，这一(细胞)密度只有普通哺乳动物神经纤维的5％。
通过获取ATP分解的能量，这种离子泵能够产生大约78毫伏的电压，生物电供能是非常稳定的，不会出现供能不稳的情况，而这种离子泵的能量转换率在14.9％左右，Cu2SnS3纳米材料生产工艺、锂离子电池负极及锂离子电池。
如图16所示，外部包裹材料，本发明采用了一种医用聚氨酯材料来包裹芯片，以减少可能诱发的风险。医用PUR材料具有线性嵌段结构，当中包括软段(如醚或酯)与硬段(如脲基或氨基甲酸酯)。这种材料具有良好的吸附性能，能够有效地将物质从其他物质中吸附，从而实现物质的有机结合。这也是医用聚氨酯材料表现出优良性能的原因之一。此外，聚氨酯材料也可用于制造人造血管，因为小径微孔聚氨酯所形成的血管具有很好的血液相容性和天然血管相匹配的顺应性。此特性可显著减少新内膜增生，并可利用靶向定位技术和薄膜脱离法实现更精确的定位。
进一步地，产品使用方式为：植入部位：肘窝处皮肤下组织。如图17所示，在本发明中，采用了等离子体表面接枝技术，在医用聚氨酯材料表面引入具有抗凝血功能的肝素分子，以提高其在与血液接触过程中的抗凝血性能。我们通过研究医用聚氨酯表面亲水性功能化的研究进展，包括水分子行为及其对血液相容性的影响，理解水和水化层在材料和血液接触中所起的关键作用，以为聚合物生物材料的表面设计和应用提供重要依据。我们在研究中发现，聚氨酯表面接枝肝素分子后，对血小板的吸附和活化性下降，抗凝血性能得到提高。芯片所收集的数据则通过无线方式传输到电脑上，以便医生进行更好的分析和优化治疗方案。
回收方式：先利用定位遥感技术，使得芯片从静脉血管层出，在包裹芯片最外层用医用聚氨酯衍生物血管，利用医用聚氨酯衍生物充当血管粘合剂(医用聚氨酯充当血管，具有很好的充当血管作用，并且甚至超过自身血管)在利用皮下微创手术取出检测芯片。
传感器结构模板，SoC由微处理器/微控制器、存储器和其它特定的功能模块组成，它们的组合使得SoC的性能得到大大提升。然而，SoC的真正价值，却远远超过它们的组合数量，它们的最大优势在于它们的制造周期更加紧凑，更容易实现快速的组装。SoC的核心优势之一-可大大减少产品的推出时间，因此，可将其简单地描述为：一种基于IntellectualProperty的预先设计的、可实现高效率的集成电路。
SoC可以被视为一种实现高效产品设计的技术，它可以实现复用产品设计，以提升整体的性能。此外，它还提供了一套完整的设计流程，可以实现IP核可复用产品设计、连接标准、总线式集成化产品设计、以及测试等功能，以满足不断变化的市场需求。SOC作为一种全面的架构，它不仅仅涉及到软件的复用，而且还涉及到硬件的继承，它把不同的功能组合在一个硬件芯片中，从而实现对系统的全面控制，并且具备产品设计、测试、功能优化、性能优化的功能。SoC(System on Chip)，又被称作系统级晶片，或者叫做片上控制系统，代表着一种特定的技术，用于构建一个具体的、可控的、可扩充的、可运行的、可程序设计的、可扩充的的集成电路，这些功能可以用来控制和运行各种复杂的算法，而不仅仅局限于CPU。通过研究裸机程序，我们可以深入了解CPU与外部设备控制器之间的协同工作。
微型处理器结构模板，对于远程数据的监控，可以利用互联网WIFI对手机数据的提取，传输，共享等功能，在集成电路中安置一个微型信号转化器(micro signalconverter)，及将电信号转换成可向外界发射的电磁波，利用一个中央处理器(CPU)，与wifi模块相连接，将处理完成的信号发射至外界服务器，通过信号中转，再将具体的数据发送到使用者的手机或者医院的检测设备中，达到外部数据监控的目的。
观察原理：集成电路四周及中央的各类传感器提取了血液中的各项理化性质后，所产生的电信号会达到各自专用电路所带的一个稳定的负载阻抗(Load impedance)，制作电路时，可使用逆变器(inverter)将原本的直流电转变为交流电，电流在负载阻抗上不断变化，产生交变电场，因为有交变电场，所以又会产生交变磁场，这样就形成了一种电磁波。血液的理化性质被传感器识别时会产生不同的电信号，所以产生的电磁波也会有不同的频率，通过实验将这些不同频率的电磁波与血液理化性质记录，可达到“翻译”的效果。将信号翻译后发送至使用者终端，使用者可以实时观察各项数据。(人体可承受100微西弗，而微型逆变器仅有5微西弗，故对人体无影响)
控制原理：将针对心血管中发病率高，死亡率高的几种病症进行药物投放治疗，以到达及时缓解，及时抢救，及时保命的效果。利用计算机的远程控制原理：在操作系统的任何一个部分，都可以由两个不同的部分来实现。首先，我们需要在系统的主板和操作系统的其他部分分别配置一个客户端和一个服务器端。然后，我们可以在系统的任何一个部分，如操作系统的操作系统和操作系统的其他部分，分别配置一个客户端和一个服务器端。芯片中装有微计算机，可实现远程控制。传感器装置内的药物储存器以兼容CMOS的后段IC制程来制造，可透过芯片上微控制器来寻址(addressable)。用一个开关键(on-off-keying，OOK)无线电路整合在芯片中，用来接收外部的指令；一旦药物储存器收到无线指令，就会弄破药物外覆盖的薄膜，将之注入人体。在运作时，一个某种规格的外部指令讯号会无线传送到该SoC(建议规格为：RS232)，随后由OOK接收器接收解调；然后芯片上微控制器会根据解调后的指令，透过一个交换器把电流传送到所选择之药囊外部薄膜，使其活化破裂并释出药物。
补充药物：利用芯片上的超声波显象装置，通过接受仪器将药物袋及其槽格显示出来，最后利用注射器，将药物补充进入。
在本发明中，电池供电系统中，人体细胞内存在着大量化学物质，它们之间的反应产生了能被机体利用的化学能量。在各类物质的新陈代谢中，葡萄糖与氧气的反应是一种极为常见的产能方式。如果采用某种方式将这种广泛的存在改造，并加以利用，其中的化学能就可以转化为源源不断的电能。我们设计的人体生物电池的电极利用了两根纳米碳纤维(长约1-0.5cm，粗细为1/6000nm)。一种聚合物将被涂在每根碳电极纤维的外层，并附有足够量的葡萄糖氧化酶，此聚合物将碳电极与葡萄糖氧化酶连成一个整体，葡萄糖氧化酶用以加快葡萄糖分子与氧气分子的反应速率。此电池在36.7-37.2℃，pH为7.2的环境下可正常工作，与内环境的各类理化性质相似。我们可以利用细胞内广泛存在、且作为直接能量来源的三磷酸腺苷(ATP)，通过将cmos固态互补金属氧化物半导体与具备ATP供电离子泵的人工神经网络相连接，使得这种集成电路能够实现类似于细胞的功能，从而实现对外界物质的高效利用。巧妙利用协调运输原理，ATP离子泵产生的化学势能将带动葡萄糖分子向外界运输，与氧气在纳米碳电极处的电解液进行反应，供电。其效果还是相当可观的，但目前无法完美地带动整个芯片工作，所以我们需要一个超级电容。
在本发明中，可以采用小型化超级电容器储电，其电场在内部，并不会向外部辐射，因此对人体无影响。有关超级电容的小型化：随着超级电容器的不断缩小，它们的占用空间也大大减少，从而为MSCs的集成提供了更多的可能性。这种在有限空间内实现多功能的集成，不仅有助于提升微电子器件的性能，还能够有效地降低能源消耗，从而提升工作效率和可靠性。至今，小型化超级电容器的研究面临着一项重大挑战：如何开发出可靠且智能的制造技术，以实现将多种目标材料融入紧凑型设备中。因此，MSC必须具备良好的兼容性，以确保其在整个制造过程中的高效运行。例如，过度的高温处理和不可避免的化学污染可能会严重损害多功能器件的整体性能。
在本发明中，提供五个想法：
1、紫外光刻工艺技术，也被称为光刻工艺技术，有着良好的生产质量、准确的分辨率、快速的生产速度，使它已经被广泛地应用于微机电体系及纳米机电体系。使用低成本的仪器，它的精确程度能够超过一微米，这使得它能够被广泛地用于生产各类活性物质及多层螺旋扫描物质，有着极大的市场潜力。
通过激光扫描光刻，我们能够更有效地生产出具有更精细结构的集成器件。与传统的刻蚀方法相比，这种新的方法更加灵活，能够更快地完成任务。例如，通过使用激光来处理Go，我们能够生产出具有更精细结构的还原石墨氧化物(RGO)。
3、喷墨技术已经被证明非常适合生产复杂的产品，它能够以极高的精确性、高效率、高灵敏性以及高稳定性来实现对物体的精确定位，并且能够提供良好的物理性能。此外，它还能够提供高品质的涂层，从而保证产品的高品质。
4、丝网印刷丝网印刷(掩模板法)是一种成熟的印刷技术,适用于纸张、布料等多种印刷基材。在印刷过程中,通常使用编织网来支持阻墨模版以制备预期的图像。油墨附着在不同的基片上干燥后,便可得到所需的图案,丝网印刷策略的优势在于工艺简单,不需要昂贵的设备,使其成为制作电子器件的一种潜在方法。
5、3D打印技术，也被称为AM，是一种极具前景的芯片上储能系统制造技术，其优势在于可以以极低的成本实现快速、精确的制造，并且可以生产出具有复杂三维结构的微型MSC器件，从而大大提升功率和能量密度。
进一步地，人体在运动过程中，细胞及器官有产热与散热两个过程，那么可以及时利用细胞线粒体在分解时产生的大量热量，运用以镍钛为主要材料制成的双程记忆合金(SMA)，接收人体运动过程中产生的热量而发生形变，与早已充满电量的电容相接通，达到电源与用电器相接通的目的。其熔点很低，且在制造时可控，由于外层包裹聚氨酯材料，不得对人体细胞、内环境造成影响，加之具有优良的导电性能，以这种方式，人们在使用芯片时，必须优先进行7～13分钟的有氧锻炼，有利于保证身体的健康，增强机体对疾病的抵抗能力。
其中，外部包裹材料中，聚氨酯材料的改良：其制备先是运用聚醚或聚酯二元醇与异氰酸酯聚合得到预备聚合物，再将二元胺、醇进一步扩链制得。医用聚氨酯是一类为线性段的共聚物，其软段为聚醚，硬段由脲基或者氨基甲酸酯构成。各硬段依靠强静电作用促进硬段聚集形成微型区域，产生微相分离。聚氨酯的优良性能在此有了极大的表现。聚氨酯是一种具有优良弹性的高分子材料，微孔隙聚氨酯内皮具有良好的血液相容性，与天然血管极其相配，能够有效防止在新内膜出现的增生，利用靶向定位技术，利用薄膜脱离法达到一定精确定位。医用聚氨酯材料生物相容性，一种功能化聚氨酯，其柔性链段由聚碳酸酯二元醇和聚异丁烯二元醇构成，与二异氰酸酯和扩链剂构成的刚性链段共聚得到；所述扩链剂包含了组分α和组分β；所述组分α为含有苯并环丁烯基结构的二元醇；所述组分β为其它低分子二元醇和/或低分子二元胺。本发明提供的功能化的聚氨酯软段中聚碳酸酯结构具有耐水解功能、聚异丁烯结构具有耐氧化功能，和刚性链段扩链剂中苯并环丁烯基结构可以在升高的温度(优选高于190℃)发生自交联反应。因此该功能化聚氨酯具有良好的耐水解、耐氧化、抗蠕变性能，可实现医用聚氨酯体内服役的持久性并参与长期植入体内的人工血管、心瓣膜、介入类医用导管等器械的制作与适用。
信息检测方式中，可以根据电阻抗原理设计的血细胞分析仪,另外一种就是运用原理——电阻抗结合流式细胞仪进行检测。一般三分类的血细胞分析仪基本上是电阻抗原理,它是根据不同大小的细胞具有不同的电阻抗,再通过检测通道时产生的电压脉冲信号的不同进行分类,并且通过产生的脉冲信号的次数进行计数。现在五分类的血细胞分析仪[i]是根据电阻抗和流式细胞仪的原理来进行分类的,利用电阻抗的原理进行计数,白细胞通过流式细胞仪的原理进行分类,把白细胞分为中性粒细胞,嗜酸性粒细胞,嗜碱性粒细胞,单核细胞，淋巴细胞，它的具体原理是各类血细胞分析的鞘液可以使得细胞一个个的通过检测通道,通过检测光信号同时结合电阻抗的电压幅度(细胞大小)将白细胞分开。
血细胞检测分析仪中，1.通过使用一种特殊的方法，可以在一个无电源的容器中，通过添加一个电解质溶液来测量微生物的数量。在这个容器的内壁上，可以看到一个由电解质溶液组成的电极，而在它的外壁上，则可以看到一个由电解质溶液组成的电极。当电源被打开后，在传感器的双端会产生一个恒定的电流，这会导致细胞悬浮物在传感器的外围(直径<100μm，厚度约75μm)被稀释，并且这种稀释会导致传感器的感测范围内的电阻值升高，最终导致一个短暂的电压波，并且会发出一个脉冲信号。随着脉冲振幅的增加，细胞的体积也会增加，而且随着脉冲的增加，这些细胞的总数也会增加，从而得到血液中的血细胞的数量。2.按照电阻抗原理，当受到溶解的、具有不同体积的、脱离了正常状态的细胞穿越传感器的小孔时，它们的脉冲强度就会发生改变，因此，把35～450fl的细胞划分成了56个交叉点，其中，淋巴细胞的细胞结构更复杂，细胞更小，它们的数量在35～90fl的细胞群，而中性粒细胞的细胞结构则更复杂，它们的细胞结构由3-5片组成，而且它们的细胞结构更复杂，数量更多，细胞结构更高，数量在160fl及更高的细胞群。通过测量90～160fl的细胞组成，我们可以获得不同类型的细胞。我们可以通过测量每一类细胞的数量来确定它们的相似度，然后使用电脑进行统一处理，得到细胞的平均数。最后，可以通过绘制细胞的数量分布曲线来展现这些细胞的特征。
本发明中，还提供一种电阻抗-流式细胞仪的原理应用，FCM流式细胞术利用流式细胞仪快速、高效地探索细胞内外的各种细胞因子，包括大小、结构、功能、DNA、RNA等，并且可以根据不同的参数、不同的标准，实现快速、高效的细胞分类与筛查。通过这种方法，我们可以获得多种不同的信息，包括：细胞的形态、功能、体积、表面/胞浆/核、粒径、特定的抗体、生物学意义、DNA的浓度和生命周期、rna的在体内/体外的分布、激素的结合位置、蛋白质的浓度、受体的分布、钙的浓度和线粒体膜的电位。
采用先进的激光发射器，可以获得更高的激发效率；结合荧光染料和单克隆抗体技术，可以提高检测的灵敏度和特异性；此外，计算机系统可以收集和分析单细胞悬液中单个细胞的多种参数信号，从而提高检测和统计分析的准确性。
进一步地，利用超微血流成像技术如何与监测芯片在医用聚氨酯包裹下形成监测系统。
医学应用超声波对机体进行检查的原理,即将超声波发射至人体内,当它在体内遇到界面时会发生反射或折射,并且在某些人体组织中可能被衰减甚至吸收。因为人体各种组织器官的形态与结构是不相同的,因此其反射与折射以及吸收超声波的程度也就不同,这种差异就形成了信息,医生们通过仪器所反映出的曲线、波形,或影象的特征来辨别它们，如图18和图19所示。
1.发生:超声波的发生是根据压电效应的原理,依靠超声波的换能器或探头来完成。探头就是超声仪的波源。压电晶片置于探头中,接受主机发生的变频交变电场,该电场方向与压电晶体电轴方向一致,随后压电晶体就会在交变电场中沿一定方向发生强烈的拉伸和压缩,振荡,即机械振动,于是就产生了超声。该过程中,电能借电振荡的方式转变为机械能继而转变为声能。如果交变电场频率大于0000Hz所产生的声波即为超声波。
2.当超声波穿过具有不同的声阻抗的物质界限，它们就可以相互抵消，从而形成一种新的交互现象。当这种交互现象通过超声探头的接收器受到影响，就可以将其从一种特定的声音形式(如噪音)转换成一种更加稳定的电信号，从而实现超声的有效应用。由于不同的电磁场，超音频能够发出不同的频率和强度。
3.超微血流成像(SMI),可以清晰的看见新生微细血管的血流状态,用于常规超声检测不到的低速血流。
4.利用人体生理能量，超声波检测设备无限功能，在探头部包裹一层改性医用聚氨酯形成保护层，避免身体产生排斥。
通过超声波采集到的血流信号，经导出后为16进制数据，其数据格式为：0XF00XIF0X06 0X32JYL JYH MBL MBH CHECK。其中，数据中各字节所代表的意义如下表所示。通过编写的程序将采集到的血流信号进行数据转换并显示，得到的血流信号数据和血流信号波分别如图20所示。
进一步地，在本发明中，芯片类型包括：1.亲民版，产品主要的收益对象是大众，在心血管疾病高峰的现代，我们的初级大众化芯片主要是由通过芯片上的上位机部分(发射器)向app中的(接收器)下位机传递信号，信号主要是由类似wifi的形式传达，通过芯片上微型的电阻抗血细胞分析仪收集数据，再通过上位机对相应数据的转化以无线的方式传递到相应的手机app上。2.定制版，在亲民版的产品基础上，通过电阻抗结合流式细胞仪以增加对相应症状特异性检查(如癌细胞检测：通过检测芯片定期释放癌胚抗原进行癌细胞检测)。
目前在临床当中，如果想检测心脏是否存在问题，主要的指标有心肌酶。比如肌酸激酶、肌酸激酶同工酶、乳酸脱氢酶、谷丙转氨酶，除此之外，像肌红蛋白、肌钙蛋白I、肌钙蛋白T以上这些指标都有助于评估患者目前是否发生了急性心肌梗死，有没有心肌损伤。除此之外，像BNP、NT-proBNP这些指标有助于评估患者目前是否存在心力衰竭。心脏的验血指标还有一些是相关性的指标，比如血糖、血清、尿酸，还有像高同型半胱氨酸，这种指标都是心脏病的高危因素，所以是相关指标。
使用赛博芯片利用医用聚氨酯超声技术来监测血流速度，超声多普勒获取血流速度波形，基于血流动力学模型分析计算相关血流动力学参数，如血管顺应性、壁面剪切应力、血流量等。肘部静脉血管流速为100-300ml/分，血管内的血液速度信息有助于血管类疾病的诊断如外周血管硬化、狭窄、阻塞、斑块的评估的判断等。一方面能够通过血流速度来实时判断溶栓治疗后患者血管再通情况，另一方面还可以根据监测到的血流速度进行缺血溶栓分级评级。通过芯片的血流动力学参数可较为准确的判断人体的心血管是否处在一个健康水平，但是可以作为一个重要的辅助手段，但仍不能替代临床成熟标准，临床仍有必要在加强监测，以决定是否需要干预。
在本发明的一个实施例中，图21为本发明实施例中提供的一种用于人体芯片的用户数据智能管理方法的流程图。如图21所示，根据本发明实施例的用于人体芯片的用户数据智能管理方法，其包括：210，获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值；220，将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量；230，对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；240，对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵；250，将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量；260，对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；270，将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量；以及，280，将所述分类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动脉粥样硬化的风险等级。
图22为本发明实施例中提供的一种用于人体芯片的用户数据智能管理方法的系统架构的示意图。如图22所示，在所述用于人体芯片的用户数据智能管理方法的系统架构中，首先，获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值；然后，将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量；接着，对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；然后，对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵；接着，将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量；然后，对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；接着，将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量；以及，最后，将所述分类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动脉粥样硬化的风险等级。
在本发明的一个具体示例中，在上述用于人体芯片的用户数据智能管理方法中，对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵，包括：以如下编码公式对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；其中，所述编码公式为：
其中，Va表示所述血流速度时序输入向量，表示所述血流速度时序输入向量的转置向量，Vc表示所述血压时序输入向量，M1表示所述血压-血流速度全时序关联矩阵，/>表示矩阵相乘。
在本发明的一个具体示例中，在上述用于人体芯片的用户数据智能管理方法中，对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵，包括：对所述血压-血流速度全时序关联矩阵进行均匀切分处理以得到所述多个血压-血流速度局部时序关联矩阵。
在本发明的一个具体示例中，在上述用于人体芯片的用户数据智能管理方法中，将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量，包括：使用所述包含嵌入层的基于转换器的上下文编码器的嵌入层对所述多个血压-血流速度局部时序关联矩阵进行向量嵌入化以得到血压-血流速度嵌入向量的序列；以及，将所述血压-血流速度嵌入向量的序列输入所述包含嵌入层的基于转换器的上下文编码器的转换器进行基于全局的上下文语义编码以得到所述多个上下文血压-血流速度局部时序关联特征向量。
在本发明的一个具体示例中，在上述用于人体芯片的用户数据智能管理方法中，将所述血压-血流速度嵌入向量的序列输入所述包含嵌入层的基于转换器的上下文编码器的转换器进行基于全局的上下文语义编码以得到所述多个上下文血压-血流速度局部时序关联特征向量，包括：将所述血压-血流速度嵌入向量的序列进行一维排列以得到血压-血流速度全局特征向量；计算所述血压-血流速度全局特征向量与所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量进行加权以得到所述多个上下文血压-血流速度局部时序关联特征向量。
在本发明的一个具体示例中，在上述用于人体芯片的用户数据智能管理方法中，对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量，包括：以如下优化公式对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；其中，所述优化公式为：
其中，Vj是所述多个上下文血压-血流速度局部时序关联特征向量中第j个上下文血压-血流速度局部时序关联特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，V′i是多个优化后上下文血压-血流速度局部时序关联特征向量中第i个优化后上下文血压-血流速度局部时序关联特征向量，n为邻域设置超参数，且当j小于等于零或者大于所述上下文血压-血流速度局部时序关联特征向量的数目时，特征向量Vj可以为全零向量或者单位向量。
在本发明的一个具体示例中，在上述用于人体芯片的用户数据智能管理方法中，将所述分类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动脉粥样硬化的风险等级，包括：使用所述分类器的多个全连接层对所述分类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，上述用于人体芯片的用户数据智能管理方法中的各个步骤的具体操作已经在上面参考图1到图19的用于人体芯片的用户数据智能管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本发明实施例还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法的计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/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/或方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/或方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/或方框图一个方框或多个方框中指定的功能的步骤。
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，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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。

Claims (9)

1.一种用于人体芯片的用户数据智能管理系统，其特征在于，包括：
数据采集模块，用于获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值；
数据结构化模块，用于将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量；
数据关联模块，用于对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；
矩阵切分模块，用于对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵；
上下文语义理解模块，用于将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量；
优化模块，用于对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；
时序特征提取模块，用于将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量；以及
风险等级划分模块，用于将所述分类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动脉粥样硬化的风险等级；
其中，所述优化模块，用于：以如下优化公式对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；
其中，所述优化公式为：
其中，Vj是所述多个上下文血压-血流速度局部时序关联特征向量中第j个上下文血压-血流速度局部时序关联特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，V′i是多个优化后上下文血压-血流速度局部时序关联特征向量中第i个优化后上下文血压-血流速度局部时序关联特征向量，n为邻域设置超参数，且当j小于等于零或者大于所述上下文血压-血流速度局部时序关联特征向量的数目时，特征向量Vj可以为全零向量或者单位向量。
2.根据权利要求1所述的用于人体芯片的用户数据智能管理系统，其特征在于，所述数据关联模块，用于：以如下编码公式对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；
其中，所述编码公式为：
其中，Va表示所述血流速度时序输入向量，表示所述血流速度时序输入向量的转置向量，Vc表示所述血压时序输入向量，M1表示所述血压-血流速度全时序关联矩阵，/>表示矩阵相乘。
3.根据权利要求2所述的用于人体芯片的用户数据智能管理系统，其特征在于，所述矩阵切分模块，用于：对所述血压-血流速度全时序关联矩阵进行均匀切分处理以得到所述多个血压-血流速度局部时序关联矩阵。
4.根据权利要求3所述的用于人体芯片的用户数据智能管理系统，其特征在于，所述上下文语义理解模块，包括：
嵌入化单元，用于使用所述包含嵌入层的基于转换器的上下文编码器的嵌入层对所述多个血压-血流速度局部时序关联矩阵进行向量嵌入化以得到血压-血流速度嵌入向量的序列；以及
转换编码单元，用于将所述血压-血流速度嵌入向量的序列输入所述包含嵌入层的基于转换器的上下文编码器的转换器进行基于全局的上下文语义编码以得到所述多个上下文血压-血流速度局部时序关联特征向量。
5.根据权利要求4所述的用于人体芯片的用户数据智能管理系统，其特征在于，所述转换编码单元，包括：
向量构造子单元，用于将所述血压-血流速度嵌入向量的序列进行一维排列以得到血压-血流速度全局特征向量；
自注意子单元，用于计算所述血压-血流速度全局特征向量与所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述血压-血流速度嵌入向量的序列中各个血压-血流速度嵌入向量进行加权以得到所述多个上下文血压-血流速度局部时序关联特征向量。
6.根据权利要求5所述的用于人体芯片的用户数据智能管理系统，其特征在于，所述风险等级划分模块，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分类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。
7.一种用于人体芯片的用户数据智能管理方法，其特征在于，包括：
获取由人体芯片采集的预定时间段内多个预定时间点的血流速度值和血压值；
将所述多个预定时间点的血流速度值和血压值分别按照时间维度排列为血流速度时序输入向量和血压时序输入向量；
对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；
对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵；
将所述多个血压-血流速度局部时序关联矩阵通过包含嵌入层的基于转换器的上下文编码器以得到多个上下文血压-血流速度局部时序关联特征向量；
对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；
将所述多个优化后上下文血压-血流速度局部时序关联特征向量通过基于循环神经网络模型的序列特征提取器以得到分类特征向量；以及
将所述分类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动脉粥样硬化的风险等级；
其中，对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量，包括：以如下优化公式对所述多个上下文血压-血流速度局部时序关联特征向量中的每个上下文血压-血流速度局部时序关联特征向量进行多源信息融合验前分布评估优化以得到多个优化后上下文血压-血流速度局部时序关联特征向量；
其中，所述优化公式为：
其中，Vj是所述多个上下文血压-血流速度局部时序关联特征向量中第j个上下文血压-血流速度局部时序关联特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，V′i是多个优化后上下文血压-血流速度局部时序关联特征向量中第i个优化后上下文血压-血流速度局部时序关联特征向量，n为邻域设置超参数，且当j小于等于零或者大于所述上下文血压-血流速度局部时序关联特征向量的数目时，特征向量Vj可以为全零向量或者单位向量。
8.根据权利要求7所述的用于人体芯片的用户数据智能管理方法，其特征在于，对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵，包括：以如下编码公式对所述血流速度时序输入向量和所述血压时序输入向量进行关联编码以得到血压-血流速度全时序关联矩阵；
其中，所述编码公式为：
其中，Va表示所述血流速度时序输入向量，表示所述血流速度时序输入向量的转置向量，Vc表示所述血压时序输入向量，M1表示所述血压-血流速度全时序关联矩阵，/>表示矩阵相乘。
9.根据权利要求8所述的用于人体芯片的用户数据智能管理方法，其特征在于，对所述血压-血流速度全时序关联矩阵进行矩阵切分以得到多个血压-血流速度局部时序关联矩阵，包括：对所述血压-血流速度全时序关联矩阵进行均匀切分处理以得到所述多个血压-血流速度局部时序关联矩阵。
CN202310884144.7A 2023-07-18 2023-07-18 用于人体芯片的用户数据智能管理系统及其方法 Active CN116864112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310884144.7A CN116864112B (zh) 2023-07-18 2023-07-18 用于人体芯片的用户数据智能管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310884144.7A CN116864112B (zh) 2023-07-18 2023-07-18 用于人体芯片的用户数据智能管理系统及其方法

Publications (2)

Publication Number Publication Date
CN116864112A CN116864112A (zh) 2023-10-10
CN116864112B true CN116864112B (zh) 2024-05-07

Family

ID=88221345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310884144.7A Active CN116864112B (zh) 2023-07-18 2023-07-18 用于人体芯片的用户数据智能管理系统及其方法

Country Status (1)

Country Link
CN (1) CN116864112B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612732A (zh) * 2023-10-19 2024-02-27 江苏睿博信息科技股份有限公司 基于深度学习的多模态健康管理方案生成方法及其系统
CN117520993B (zh) * 2023-12-29 2024-03-08 杭州杭叉桥箱有限公司 电驱动桥试验系统及其方法
CN117617921B (zh) * 2024-01-23 2024-03-26 吉林大学 基于物联网的智能血压监控系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105534503A (zh) * 2016-02-01 2016-05-04 金昌红 老人心率监护定位系统及方法
CN115512836A (zh) * 2022-09-16 2022-12-23 佛山市顺德区智慧科技产业创新研究院 一种基于嵌入式ai的可穿戴智慧健康管理系统
CN115624321A (zh) * 2022-11-08 2023-01-20 深圳市鑫一代科技有限公司 一种台式健康监测仪
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
CN116092701A (zh) * 2023-03-07 2023-05-09 南京康尔健医疗科技有限公司 基于健康数据分析管理平台的控制系统及其方法
CN116245513A (zh) * 2023-05-11 2023-06-09 深圳市联合信息技术有限公司 基于规则库的自动化运维系统及其方法
CN116383617A (zh) * 2023-04-21 2023-07-04 复旦大学 一种基于脉搏波波形特征的智能血压检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11615311B2 (en) * 2018-12-10 2023-03-28 Baidu Usa Llc Representation learning for input classification via topic sparse autoencoder and entity embedding

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105534503A (zh) * 2016-02-01 2016-05-04 金昌红 老人心率监护定位系统及方法
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
CN115512836A (zh) * 2022-09-16 2022-12-23 佛山市顺德区智慧科技产业创新研究院 一种基于嵌入式ai的可穿戴智慧健康管理系统
CN115624321A (zh) * 2022-11-08 2023-01-20 深圳市鑫一代科技有限公司 一种台式健康监测仪
CN116092701A (zh) * 2023-03-07 2023-05-09 南京康尔健医疗科技有限公司 基于健康数据分析管理平台的控制系统及其方法
CN116383617A (zh) * 2023-04-21 2023-07-04 复旦大学 一种基于脉搏波波形特征的智能血压检测方法及系统
CN116245513A (zh) * 2023-05-11 2023-06-09 深圳市联合信息技术有限公司 基于规则库的自动化运维系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自然语言学习的智能云导诊技术;汤人杰;江涛;杨巧节;;电信科学;20190423(第04期);全文 *

Also Published As

Publication number Publication date
CN116864112A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN116864112B (zh) 用于人体芯片的用户数据智能管理系统及其方法
Dar et al. CNN and LSTM-based emotion charting using physiological signals
Taebi et al. Recent advances in seismocardiography
WO2016168980A1 (zh) 一种生理体征信息获取方法和系统
Sun et al. A review of recent advances in vital signals monitoring of sports and health via flexible wearable sensors
Faust et al. Automated arrhythmia detection based on RR intervals
Baldoumas et al. A prototype photoplethysmography electronic device that distinguishes congestive heart failure from healthy individuals by applying natural time analysis
Pałczyński et al. Study of the few-shot learning for ECG classification based on the PTB-XL dataset
Kim et al. Wearable IMU-based human activity recognition algorithm for clinical balance assessment using 1D-CNN and GRU ensemble model
Jin et al. A wearable combined wrist pulse measurement system using airbags for pressurization
Valarezo Añazco et al. Hand gesture recognition using single patchable six-axis inertial measurement unit via recurrent neural networks
Yoo et al. A frequency pattern mining model based on deep neural network for real-time classification of heart conditions
Lan et al. Traditional Chinese medicine pulse diagnosis on a smartphone using skin impedance at acupoints: a feasibility study
WO2020102713A9 (en) Tracking diet and nutrition using wearable biological internet-of-things
Rajput et al. Automated detection of hypertension using continuous wavelet transform and a deep neural network with Ballistocardiography signals
Kang et al. A Wearable and Real-Time Pulse Wave Monitoring System Based on a Flexible Compound Sensor
Yang et al. Artificial intelligence-assisted smartphone-based sensing for bioanalytical applications: A review
Ota et al. Evaluation of hemodialysis arteriovenous bruit by deep learning
Jansi Rani et al. Smart wearable model for predicting heart disease using machine learning: Wearable to predict heart risk
Soin et al. Triboelectric effect enabled self-powered, point-of-care diagnostics: Opportunities for developing assured and reassured devices
Zhang et al. Automatic screening method for atrial fibrillation based on lossy compression of the electrocardiogram signal
Jiang et al. Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning
Shin et al. Lightweight Ensemble Network for detecting heart disease using ECG signals
Park et al. Novel Design of a Multimodal Technology-Based Smart Stethoscope for Personal Cardiovascular Health Monitoring
Moon et al. A Wearable Multimodal Wireless Sensing System for Respiratory Monitoring and Analysis

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