CN116913538A - 一种智能心脑动态分析方法和系统 - Google Patents

一种智能心脑动态分析方法和系统 Download PDF

Info

Publication number
CN116913538A
CN116913538A CN202310857858.9A CN202310857858A CN116913538A CN 116913538 A CN116913538 A CN 116913538A CN 202310857858 A CN202310857858 A CN 202310857858A CN 116913538 A CN116913538 A CN 116913538A
Authority
CN
China
Prior art keywords
user
data
medication
physiological
physiological data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310857858.9A
Other languages
English (en)
Inventor
张士华
蒋思思
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.)
Guangzhou Xinhua College
Original Assignee
Guangzhou Xinhua College
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 Guangzhou Xinhua College filed Critical Guangzhou Xinhua College
Priority to CN202310857858.9A priority Critical patent/CN116913538A/zh
Publication of CN116913538A publication Critical patent/CN116913538A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Optics & Photonics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本说明书实施例提供一种智能心脑动态分析方法，该方法包括获取用户信息、用户的运动数据、用户的生理数据和用户的用药数据，其中，运动数据和生理数据基于穿戴式设备获取；基于用户信息、运动数据和用药数据，动态确定预设的用户的重点监控指标的预测值，其中，预测值用于结合生理数据以提示用户；基于用户信息、运动数据、生理数据和用药数据，动态确定用户的健康推荐方案。

Description

一种智能心脑动态分析方法和系统
技术领域
本说明书涉及心脑检测领域，特别涉及一种智能心脑动态分析方法和系统。
背景技术
心脑血管疾病是心脏血管疾病和脑血管疾病的统称。例如，脑动脉供血不足、冠心病、脑血栓和脑出血都属于心脑血管疾病的范畴。心脑血管疾病具有高致残率、高死亡率以及高发病率的特点，主要高发人群为老年患者。在心脑血管疾病的治疗过程中，需要实时关注患者的生理数据是否发生异常并对可能的异常情况进行及时提醒和预防，以避免患者处于危险情况中。
为了实时监测患者的生理数据，CN205493807U一种穿戴式心电检测装置，患者可以随时佩戴，用于监测实时生理数据情况。但是该装置未涉及将动态确定的用户的重点监控指标的预测值与实时生理数据比较，来确定实时生理数据是否异常并将异常情况及时提示用户，以及为用户确定健康推荐方案等方面的内容。
因此，有必要提供一种智能心脑动态分析方法，能够基于动态确定用户的重点监控指标的预测值与实时生理数据比较的差异，以更准确确定用户是否存在异常实时生理数据并将异常情况提示用户，同时为用户推荐适合的健康推荐方案，避免患者处于危险情况中。
发明内容
本说明书一个或多个实施例提供一种智能心脑动态分析方法。所述智能心脑动态分析方法包括：获取用户信息、用户的运动数据、所述用户的生理数据和所述用户的用药数据，其中，所述运动数据和所述生理数据基于穿戴式设备获取；基于所述用户信息、所述运动数据和所述用药数据，动态确定预设的所述用户的重点监控指标的预测值，其中，所述预测值用于结合所述生理数据以提示所述用户；基于所述用户信息、所述运动数据、所述生理数据和所述用药数据，动态确定所述用户的健康推荐方案。
本说明书一个或多个实施例提供一种智能心脑动态分析系统。所述系统包括获取模块、提示模块和确定模块，所述获取模块用于获取用户信息、用户的运动数据、所述用户的生理数据和所述用户的用药数据，其中，所述运动数据和所述生理数据基于穿戴式设备获取；所述提示模块用于基于所述用户信息、所述运动数据和所述用药数，动态确定预设的所述用户的重点监控指标的预测值，其中，所述预测值结合所述生理数据以提示用户；所述确定模块用于基于所述用户信息、所述运动数据、所述生理数据和所述用药数据，动态确定所述用户的健康推荐方案。
本说明书一个或多个实施例提供一种智能心脑动态分析装置，包括处理器，所述处理器用于执行智能心脑动态分析方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行智能心脑动态分析方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的智能心脑动态分析系统的应用场景示意图；
图2是根据本说明书一些实施例所示的智能心脑动态分析系统的示例性模块图；
图3是根据本说明书一些实施例所示的智能心脑动态分析方法的示例性流程图；
图4是根据本说明书一些实施例所示的确定预设的用户的重点监控指标的预测值的示意图；
图5是根据本说明书一些实施例所示的动态确定用户的健康推荐方案的示例性流程图；
图6是根据本说明书一些实施例所示的确定用户的至少一种推荐运动类型对应的运动时长和运动强度的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
在心脑血管疾病的治疗过程中，需要实时关注患者的生理数据是否发生异常并对可能的异常情况进行及时提醒和预防，以避免患者处于危险情况中。CN205493807U仅通过穿戴式心电检测装置监测实时生理数据，然后与标准生理数据进行比较的方式来判断实时生理数据是否异常，并没有考虑基于动态确定用户的重点监控指标的预测值与实时生理数据比较差异的方式确定生理数据是否异常，可能会存在实时生理数据异常判断不准确，以及用户不按医嘱服药、自行停药、不按时复诊、饮食运动不合适等原因，导致患者仍然处于危险情况中。因此，本说明书的一些实施例中，提供一种智能心脑动态分析方法，通过基于获取的用户信息、用户的运动数据、用户的生理数据和用户的用药数据，动态确定预设的用户的重点监控指标的预测值和用户的健康推荐方案，其中，预测值用于结合生理数据以提示用户。由于动态确定的重点监控指标的预测值考虑了当前用户的用户信息、运动数据、生理数据和用药数据，预测值能更准确的体现用户当前的标准生理数据情况，然后再与实时生理数据比较，能更准确确定用户是否存在异常实时生理数据并将异常情况提示用户，避免患者处于危险情况中。同时基于用户的用户信息、运动数据、生理数据和用药数据，动态确定的用户的健康推荐方案，更符合当前状态下的用户使用，从而进一步避免用户因不按医嘱服药、自行停药、不按时复诊、饮食运动不合适等原因而导致患者处于危险情况中。
图1是根据本说明书一些实施例所示的智能心脑动态分析系统的应用场景示意图。
如图1所示，在一些实施例中，所述智能心脑动态分析系统的应用场景100可以包括控制装置110、终端设备120、用户130、网络140以及存储设备150。
在一些实施例中，控制装置110可以用于管理资源以及处理来自本系统至少一个组件(例如，多终端设备120、用户130、网络140以及存储设备150)或外部数据源(例如，云数据中心)的数据和/或信息。
在一些实施例中，控制装置110可以包括处理设备112。在一些实施例中，终端设备120以及其他可能的智能心脑动态分析系统组成部分中可以包括处理设备112。处理设备112可以处理从其他设备、装置或智能心脑动态分析系统组成部分中获得数据和/或信息。处理设备可以基于这些数据、信息和/或处理结果执行程序指令，以执行本申请中描述的一个或多个功能。例如，处理设备可以获取用户信息、用户的运动数据、用户的生理数据和用户的用药数据，其中，运动数据和生理数据基于穿戴式设备获取。又例如，处理设备可以基于用户信息、运动数据和用药数据，动态确定预设的用户的重点监控指标的预测值，其中，预测值用于结合生理数据以提示用户。又例如，处理设备可以基于用户信息、运动数据、生理数据和用药数据，动态确定用户的健康推荐方案。
在一些实施例中，处理设备可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理设备可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、微处理器等或以上任意组合。
在一些实施例中，终端设备120可以用于采集数据。采集的数据可以包括用户信息、用户的运动数据、用户的生理数据、用户的用药数据、运动时长和运动强度等。在一些实施例中，终端设备120可以包括体温测量装置(如，温度计120-1)、穿戴式设备(如，手环120-2、手表、眼镜等)、预设药盒120-3等。温度测量装置可以用于测量用户的温度。穿戴式设备可以用于采集用户信息、运动数据、生理数据、运动时长和运动强度等中的一种或多种。例如，手环120-2可以用于采集用户的生理数据(如，心率、血氧等)、运动时长和运动强度等。预设药盒可以用于采集用户的用药数据。关于预设药盒、用户信息、运动数据、生理数据、运动时长和运动强度的定义请参见下文图3及其相关描述，此处不再赘述。
在一些实施例中，用户130可以为任意待监测用户。例如，用户可以为患者或者是有监测意愿的人。
在一些实施例中，网络140可以促进信息和/或数据的交换。在一些实施例中，智能心脑动态分析系统100的一个或以上组件(例如，控制装置110、终端设备120、用户130以及存储设备150)可以经由网络140将信息和/或数据发送至智能心脑动态分析系统100的其他组件。例如，控制装置110可以生成控制指令经由网络140发送给一个或多个终端设备120。又例如，终端设备120可以将采集的生理数据经由网络140发送给控制装置110。
在一些实施例中，存储器150可以用于存储数据和/或指令。在一些实施例中，控制装置110、终端设备120以及其他可能的智能心脑动态分析系统组成部分中可以包括存储器160。在一些实施例中，存储器150可以存储从控制装置110和终端设备120获取的数据。在一些实施例中，存储器150可以储存控制装置110用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储器150可包括大容量存储器、可移动存储器、读写存储器、只读存储器等或以上任意组合。示例性的，大容量储存器可以包括磁盘、光盘等。在一些实施例中，存储器150可在云平台上实现。
图2是根据本说明书一些实施例所示的智能心脑动态分析系统的示例性模块图。
在一些实施例中，所述智能心脑动态分析系统200可以包括获取模块210、提示模块220和确定模块230。
获取模块210可以用于获取用户信息、用户的运动数据、用户的生理数据和用户的用药数据，其中，运动数据和生理数据基于穿戴式设备获取。关于用户信息、运动数据、生理数据和用药数据的定义请参见下文图3及其对应描述，此处不再赘述。
在一些实施例中，用药数据可以基于预设药盒获取。用药数据可以包括用药种类、用药时间、用药量中的至少一种。关于预设药盒的定义请参见下文图3及其相关描述，此处不再赘述。
在一些实施例中，预设药盒可以基于药盒的开关时间、重量变化、药品分区确定用药时间、用药量和用药种类。关于该部分更具体的内容请参见下文图3及其相关描述，此处不再赘述。
在一些实施例中，用药数据可以用于提示用户是否遵医嘱服药。
提示模块220可以用于基于用户信息、运动数据和用药数，动态确定预设的用户的重点监控指标的预测值，其中，预测值可以结合生理数据以提示用户。
在一些实施例中，提示模块220可以基于用户信息、运动数据和用药数据，通过监控指标预测模型，动态确定预设的用户的重点监控指标的预测值，其中，监控指标预测模型为机器学习模型。关于如何确定用户的重点监控指标的预测值的具体内容，请参见下文图3和图4中的具体描述，此处不再赘述。
在一些实施例中，监控指标预测模型可以包括嵌入层和预测层，嵌入层的输入可以包括用户信息、运动数据和用药数据，输出可以包括用户特征信息、运动特征信息和用药特征信息。关于用户特征信息、运动特征信息和用药特征信息的定义请参见下文图4及其相关描述，此处不再赘述。
在一些实施例中，嵌入层的输入还可以包括生理数据，输出还可以包括生理特征信息。
在一些实施例中，预测层的输入还可以包括生理特征信息，预测层的结构可以包括transformer结构。关于生理特征信息的定义请参见下文图4及其相关描述，此处不再赘述。
在一些实施例中，嵌入层的输入还可以包括饮食数据和体检数据。关于饮食数据和体检数据的定义请参见下文图4及其相关描述，此处不再赘述。
在一些实施例中，历史用户的生理数据可以包括多项生理数据，监控指标预测模型400在训练中涉及的损失函数中可以对应包括多个损失项，每个损失项可以对应一个生理参数。在一些实施例中，由于不同型号的终端设备测量的生理数据的精度不同，在训练过程中，可以基于不同型号的终端设备采集的生理数据训练其对应的监控指标预测模型，且不同生理参数在不同型号的终端设备对应的监控指标预测模型中对应的损失项权重不同，后续可以基于实际的终端设备型号选用对应的监控指标预测模型进行预测。关于该部分更具体的内容请参见下文图4及其相关描述，此处不再赘述。
确定模块230可以用于基于用户信息、运动数据、生理数据和用药数据，动态确定用户的健康推荐方案。
在一些实施例中，确定模块230可以基于用户信息和用药数据，动态确定用户的至少一种推荐运动类型。然后，基于至少一种推荐运动类型，结合运动数据和生理数据，动态确定用户的健康推荐方案，其中，健康推荐方案包括用户的至少一种推荐运动类型对应的运动时长和运动强度。关于该部分更具体的内容请参见下文图5-图6及其相关描述，此处不再赘述。
在一些实施例中，确定模块230可以基于用户信息和用药数据构建当前向量。然后，基于当前向量与预设向量数据库，确定至少一个参考向量，将至少一个参考向量中的每一个参考向量对应的运动类型作为用户的至少一种推荐运动类型，预设向量数据库可以包括多个特征向量，每个特征向量对应用户的至少一种运动类型。关于该部分更具体的内容请参见下文图5及其相关描述，此处不再赘述。
在一些实施例中，确定模块230还可以基于用户信息，确定至少一个参考向量中的每一个参考向量与当前向量的借鉴系数。然后，基于借鉴系数更新至少一个参考向量中每一个参考向量与当前向量的距离，并将距离最小的参考向量对应的至少一种运动类型作为用户的至少一种推荐运动类型。关于该部分更具体的内容请参见下文图5及其相关描述，此处不再赘述。
在一些实施例中，确定模块230还可以基于至少一种推荐运动类型、运动数据、常规监控生理数据、重点监控指标的预测值和实际值以及全部监控指标的标准参照范围，通过推荐模型确定用户的至少一种推荐运动类型对应的运动时长和运动强度，其中，推荐模型为机器学习模型。关于该部分更具体的内容请参见下文图6及其相关描述，此处不再赘述。
在一些实施例中，推荐模型输入数据中的运动数据和常规监控生理数据可以作为监控指标预测模型的嵌入层输出的运动特征和常规监控生理特征。
在一些实施例中，推荐模型的输入还包括用药数据或用药特征。
在一些实施例中，推荐模型输出的至少一种推荐运动类型对应的运动时长和运动强度可以作为输入监控指标预测模型输入数据中的运动数据，用于预测重点监控指标的预测值。关于该部分更具体的内容请参见下文图6及其相关描述，此处不再赘述。
在一些实施例中，在用户运动期间，可以持续监测用户的生理数据，当生理数据位于预设范围，则基于用户的实际运动类型、实际运动时长、实际运动强度、生理数据以及用户的用户信息建立特征向量并加入预设向量数据库。关于该部分更具体的内容请参见下文图5及其相关描述，此处不再赘述。
需要注意的是，以上对于智能心脑动态分析系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的获取模块、提示模块和确定模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的智能心脑动态分析方法的示例性流程图。在一些实施例中，流程300可以由控制装置110执行。如图3所示，流程300包括下述步骤310-步骤330。
步骤310，获取用户信息、用户的运动数据、用户的生理数据和用户的用药数据。在一些实施例中，步骤310可以由获取模块210执行。
用户信息是指与用户相关的信息。例如，用户信息可以包括用户的身高、体重、性别、年龄、疾病史等中的一种或多种。用户的疾病史可以是指用户的现有病史和既往病史。
在一些实施例中，用户可以通过终端设备120手动输入用户信息，然后获取模块210通过网络从终端设备120获取用户信息。在一些实施例中，获取模块210可以调用存储器150中已存储的用户信息。
运动数据是指与用户运动相关的数据。在一些实施例中，运动数据可以为实时的运动数据。例如，运动数据可以包括用户的实时动作状态数据、实时运动速度等中的一种或多种。实时动作状态数据是指与用户的实时动作状态相关的数据。例如，实时动作状态数据可以包括用户为静止状态的数据、用户为运动状态的数据等中的一种或多种。
生理数据是指能够反映用户生理状态的数据。在一些实施例中，生理数据可以为实时的生理数据。例如，生理数据可以包括用户的体温、呼吸频率、心率、血压、血氧、脉搏数据等中的至少一种。
在一些实施例中，运动数据和生理数据可以通过智能穿戴式设备获取。智能穿戴式设备是指用于随身穿戴的智能设备。例如，智能穿戴设备可以包括智能手环、智能手表、智能眼镜等。
用药数据是指用户基于医嘱使用药物相关的数据。例如，用药数据可以包括用药种类、用药时间和用药量等中的一种或多种。在一些实施例中，用户可以通过终端设备120手动输入用药数据，然后获取模块210通过网络从终端设备120获取用药数据。
在一些实施例中，用药数据可以包括用药种类、用药时间、用药量中的至少一种。用药数据可以基于预设药盒获取。获取模块210可以通过预设药盒获取用药数据。
预设药盒是指特制的药盒。在一些实施例中，本领域技术人员可以根据实际需要提前定制预设药盒。预设药盒可以是一种用于实时监控用户的服药时间、用药量以及用药种类，然后对用药的数据进行同步保存，并自动的生成服药健康管理档案的智能药盒。该预设药盒有助于对用户的用药情况进行干预，从而培养健康的服药习惯。在一些实施例中，预设药盒可以通过对预设药盒进行区域划分，然后对每个区域安装传感器以及指示灯，然后通过控制器收集数据，进行控制，来实现上述功能。
在一些实施例中，预设药盒可以基于药盒的开关时间、重量变化、药品分区确定用药时间、用药量和用药种类。
在一些实施例中，预设药盒可以通过传感器获取药盒的开关时间，从而确定用药时间。
在一些实施例中，预设药盒可以对内腔进行区域划分，在每个区域安装重量传感器，不同区域用于盛装不同种类药物，预设药盒可以通过重量传感器获取药盒在开关时间点的重量变化，从而确定用药量。
在一些实施例中，预设药盒可以对内腔进行区域划分，然后在每个区域安装指示灯，并在每个区域放置已知的不同类型的药物，当用户拿取相应区域的药物，进行服用时，对应区域的指示灯可以指示，从而根据一个或多个指示灯的指示，确定用药种类。
在一些实施例中，用药数据可以用于提示用户是否尊医嘱服药。例如，可以将用户的用药数据中的用药时间与预设用药时间进行比较，若用药时间超出预设用药时间，预设药盒可以自动提示用户是否尊医嘱服药。
在本说明书的一些实施例中，通过预设药盒智能获取用药数据，从而实时监控用户的用药情况，在用户未尊医嘱服药的情况下，及时提醒用户，避免因未尊医嘱服药而导致的治疗效果不佳、甚至病情恶化的情况发生。
步骤320，基于用户信息、运动数据和用药数据，动态确定预设的用户的重点监控指标的预测值，其中，预测值用于结合生理数据以提示用户。在一些实施例中，步骤320可以由提示模块220执行。
重点监控指标是指重点监控的生理数据。例如，重点监控指标可以包括体温、呼吸、心率、血压、血氧、脉搏数据等中的至少一种。在一些实施例中，重点监控指标可以由医生结合用户的病情情况确定用户的重点监控指标。例如，重点监控指标可以包括心率和血氧。
在一些实施例中，重点监控指标可以包括重点监控指标的实际值和重点监控指标的预测值。
重点监控指标的实际值是指用户的重点监控指标的实际测量值。在一些实施例中，重点监控指标的实际值可以通过终端设备获取的实时生理数据中获取。
重点监控指标的预测值是指预测的用户的重点监控指标的标准值。
在一些实施例中，重点监控指标的预测值可以基于用户信息、运动数据和用药数据，通过监控指标预测模型，动态确定预设的用户的重点监控指标的预测值，其中，监控指标预测模型可以为机器学习模型。关于如何通过监控指标预测模型确定重点监控指标的预测值的更具体的内容请参见下文图4及其相关描述，此处不再赘述。
在一些实施例中，若重点监控指标的预测值和生理数据(即重点监控指标的实际值)的差异大于预设阈值，则提示模块220可以将异常的监控指标发送给用户提醒。预设阈值可以为本领域技术人员根据经验设置。在一些实施例中，不同监控指标的预设阈值可以不同。例如，监控指标可以包括体温和血氧，其中，体温的预设阈值可以设置为37℃，血氧的预设阈值可以设置为90mmHg。
步骤330，基于用户信息、运动数据、生理数据和用药数据，动态确定用户的健康推荐方案。在一些实施例中，步骤330可以由确定模块230执行。
健康推荐方案是指为了保持人体健康状态，建议进行各项日常活动的方案。在一些实施例中，健康推荐方案可以包括用户的至少一种运动对应的运动时长和运动强度提醒、重点指标提醒、饮食注意事项提醒、用药时间提醒、复诊提醒等中的一种或多种。
在一些实施例中，可以基于用户信息、运动数据、生理数据和用药数据，人工确定用户的健康推荐方案。
在一些实施例中，确定模块230可以基于用户信息和用药数据，动态确定用户的推荐运动类型。然后基于推荐运动类型，结合运动数据和生理数据，动态确定用户的健康推荐方案，其中，健康推荐方案包括用户的至少一种推荐运动类型对应的运动时长和运动强度。关于该部分的更具体内容请参见下文图5-图6的更具体描述，此处不在赘述。
在本说明书的一些实施例中，利用用户信息、生理数据、用药数据和运动数据，动态确定重点监控指标的预测值，该预测值能更准确的体现用户当前的标准生理数据情况，然后再与实时生理数据比较，从而准确确定用户是否存在异常实时生理数据并将异常情况提示用户，避免患者处于危险情况中。另外，利用用户信息、生理数据、用药数据和运动数据，动态确定用户的健康推荐方案，更符合当前状态下的用户使用，从而进一步避免用户因不按医嘱服药、自行停药、不按时复诊、饮食运动不合适等原因而导致患者处于危险情况中。
图4是根据本说明书一些实施例所示的确定预设的用户的重点监控指标的预测值的示意图。在一些实施例中，流程400可以由提示模块220执行。
在一些实施例中，预设的用户的重点监控指标的预测值可以基于用户信息、运动数据和用药数据，通过监控指标预测模型确定。在一些实施例中，监控指标预测模型可以为机器学习模型。例如，神经网络模型(NeuralNetworks，NN)、深度神经网络模型(DeepNeural Networks，DNN)等或其任意组合。
如图4所示，监控指标预测模型400可以包括嵌入层420和预测层440。
在一些实施例中，嵌入层420可以基于用户信息、运动数据和用药数据确定用户的各种特征信息。特征信息可以包括用户特征信息430-1、运动特征信息430-2、用药特征信息430-3等中的一种或多种。
用户特征信息是指能够反映用户自身情况的相关特征信息。例如，用户特征信息可以包括用户年龄特征、加班情况(如，经常加班、偶尔加班等)、熬夜情况等。
运动特征信息是指能够反映用户运动情况的相关特征信息。例如，运动特征信息可以包括用户经常运动、用户偶尔运动、用户不运动等。
用药特征信息是指能够反映用户用药情况的相关特征信息。例如，用药特征信息可以包括用户按时用药、用户不按时用药等。
在一些实施例中，嵌入层420的输入可以包括用户信息410-1、运动数据410-2和用药数据410-3，输出可以包括用户特征信息430-1、运动特征信息430-2和用药特征信息430-3。在一些实施例中，嵌入层420输入的运动数据410-2为实时的运动数据和输出的运动特征信息430-2为实时的运动特征信息。关于用户信息、运动数据和用药数据的定义请参见图3及其对应描述，此处不再赘述。
在一些实施例中，嵌入层420的输入还可以包括生理数据410-4，输出还可以包括生理特征信息430-4。在一些实施例中，嵌入层420输入的生理数据410-4为实时的生理数据和输出的生理特征信息430-4为实时的生理特征信息。关于生理数据的定义请参见图3及其对应描述，此处不再赘述。生理特征信息是指能够反映用户生理情况的特征信息。例如，生理特征信息可以包括心率正常、心率异常、血压正常、血压异常等。
在一些实施例中，嵌入层420的输入还可以包括饮食数据和体检数据，对应的，嵌入层420的输出还可以包括饮食数据特征信息和体检数据特征信息。
饮食数据是指与用户饮食相关的数据。例如，饮食数据可以包括用户一段时间内摄入食物的规律统计数据。
饮食数据特征信息是指能够反映用户饮食情况的相关特征信息。例如，饮食数据特征信息可以包括用户饮食中脂肪摄入量偏高、淀粉摄入量偏高等。
体检数据是指与用户体检相关的数据。例如，体检数据可以包括用户体检获得的血检报告数据、尿检报告数据等。
体检数据特征信息是指能够反映用户体检情况的相关特征信息。例如，体检数据特征信息可以包括用户血脂、血压偏高等。
在一些实施例中，预测层420可以基于用户特征信息430-1、运动特征信息430-2和用药特征信息430-3，获取用户的重点监控指标的预测值。在一些实施例中，预测层420的输入可以包括用户特征信息430-1、运动特征信息430-2和用药特征信息430-3，输出可以为用户的重点监控指标的预测值。
在一些实施例中，预测层420的结构可以包括transformer结构。在一些实施例中，预测层420的输入还可以包括生理数据特征信息430-4。
在一些实施例中，监控指标预测模型400可以基于训练样本和训练标签，由嵌入层420和预测层440联合训练获得。
训练样本可以包括历史用户的用户信息、运动数据和用药数据。在一些实施例中，训练样本还可以包括历史用户的生理数据。训练标签可以包括历史用户的生理数据满足监控指标的标准参照范围时，历史用户的重点监控指标的实际值。关于用户信息、运动数据、用药数据、重点监控指标的实际值定义，请参见图3及其对应描述，此处不再赘述。关于监控指标的标准参照范围的定义请参见图6及其相关描述，此处不再赘述。在一些实施例中，训练样本和训练标签可以基于用户终端设备上存储的用户的历史数据获取。
在一些实施例中，可以将训练样本输入嵌入层，然后将嵌入层输出的历史用户的特征信息、运动特征信息和用药特征信息作为预测层的输入，以确定预测层的输出；将预测层输出的重点监控指标的预测值与训练标签输入损失函数；基于损失函数迭代更新监控指标预测模型直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的监控指标预测模型。
在一些实施例中，嵌入层的训练样本还可以包括历史用户的生理数据，输出还可以包括历史用户的生理特征信息，进而，预测层的输入还可以包括历史用户的生理特征信息。
在一些实施例中，嵌入层的训练样本还可以包括历史用户的饮食数据和体检数据，输出还可以包括历史用户的饮食特征信息和体检特征信息，进而，预测层的输入还可以包括历史用户的饮食特征信息和体检特征信息。
在一些实施例中，历史用户的生理数据可以包括多项生理数据，监控指标预测模型400在训练中涉及的损失函数中可以对应包括多个损失项，每个损失项可以对应一个生理参数。
在一些实施例中，由于不同型号的终端设备测量的生理数据的精度不同，在训练过程中，可以基于不同型号的终端设备采集的生理数据训练其对应的监控指标预测模型，且不同生理参数在不同型号的终端设备对应的监控指标预测模型中对应的损失项权重不同，后续可以基于实际的终端设备型号选用对应的监控指标预测模型进行预测。例如，不同型号的终端设备A和终端设备B均采集了相同的生理数据(例如，心率和血压)，在训练过程中，可以基于终端设备A采集的生理数据训练其对应的监控指标预测模型A，基于终端设备B采集的生理数据训练其对应的监控指标预测模型B，其中，监控指标预测模型A和监控指标预测模型B为不同的模型。
如果终端设备A对心率采集准确性低，对血压采集准确性高，则监控指标预测模型A中的损失函数中，心率对应的损失项权重可以设置为小于血压对应的损失项权重。如果终端设备B对心率采集准确性高，对血压采集准确性低，则终端设备B对应的监控指标预测模型B中的损失函数中，心率对应的损失项权重可以设置为大于血压对应的损失项权重。后续若基于终端设备A采集的生理数据，则对应的采用训练后的监控指标预测模型A进行预测。后续若基于终端设B采集的生理数据，则对应的采用训练后的监控指标预测模型B进行预测。
在本说明书的一些实施例中，由于预测层的结构包括transformer结构，使得预测层可以实现并行计算，且在计算预测层中两个位置之间的关联所需的操作次数不随距离增长，从而提高了监控指标预测模型的处理效率。另外，在监控指标预测模型训练过程，将不同生理参数在不同型号的终端设备对应的监控指标预测模型中对应的损失项权重设置不同，考虑了不同型号的终端设备测量生理数据的精度不同对模型训练精度的影响，提高训练后的监控指标预测模型预测的准确性。
图5是根据本说明书一些实施例所示的动态确定用户的健康推荐方案的示例性流程图。在一些实施例中，流程500可以由确定模块230执行。如图5所示，流程300包括下述步骤510-步骤520。
步骤510，基于用户信息和用药数据，动态确定用户的至少一种推荐运动类型。
推荐运动类型是指建议的运动类型。例如，推荐运动类型可以包括有氧运动、无氧运动、阻抗运动、柔韧性运动等。
在一些实施例中，确定模块230可以基于历史数据，建立用户信息和用药数据与用户的推荐运动类型的对照表，然后根据用户信息和用药数据以及对照表，确定用户的推荐运动类型。
在一些实施例中，确定模块230可以基于用户信息和用药数据构建当前向量。然后，基于当前向量与预设向量数据库，确定至少一个参考向量，将至少一个参考向量中的每一个参考向量对应的运动类型作为用户的至少一种推荐运动类型。在一些实施例中，预设向量数据库可以包括多个特征向量。每个特征向量可以对应用户的至少一种运动类型。
预设向量数据库是指用于存储、索引和查询向量的数据库，通过预设向量数据库，可以面对大量向量快速进行相似性查询和其他向量管理。在一些实施例中，向量数据库中的向量可以包括历史用户对应的多个特征向量，历史用户可以包括一个或多个历史用户，每个特征向量可以包括多个元素。每个特征向量可以对应用户的至少一种运动类型。
在一些实施例中，向量数据库中的每个特征向量可以基于历史用户的用户信息、用药数据、至少一种运动类型对应的运动时长和运动强度确定。例如，基于历史用户的用户信息、用药数据、至少一种运动类型对应的运动时长和运动强度(x，y，m，n)构建的特征向量k，其中，(x，y，m，n)可以表示历史用户的用户信息为x、历史用户的用药数据为y，历史用户对应的运动类型为m，历史用户的至少一种运动类型对应的运动时长和运动强度为n。需要说明的是，构建的特征向量k里主要表示x和y的信息，特征向量k里后两者m和n的信息只是用于与特征向量k关联存储，构建的特征向量的维度与当前向量的纬度保持一致。
在一些实施例中，可以在用户运动期间，持续监测用户的生理数据，当生理数据位于预设范围，则基于用户的实际运动类型、实际运动类型对应的运动时长和运动强度、生理数据以及用户的用户信息建立特征向量并加入预设向量数据库。预设范围可以为本领域技术人员根据经验设置。例如，预设范围可以为生理数据满足监控指标的标准参照范围。关于监控指标的标准参照范围的含义参见下文图6及其相关描述，此处不再赘述。
当前向量是指基于用户信息和用药信息构建的向量。例如，可以基于用户信息和用药信息(a，b)构建当前向量P，其中，(a，b)可以表示用户信息为a，用药信息为b。
参考向量是指预设向量库中的符合预设条件的一个或多个特征向量。预设条件是指基于预设规则设置的条件。预设规则可以为本领域技术人员根据实际需要进行设置。
在一些实施例中，预设条件可以包括：当前向量与特征向量之间的实际向量距离小于预设阈值。预设阈值可以为本领域技术人员根据经验进行设置，如，1cm、2cm等。
在一些实施例中，确定模块230可以基于当前向量，通过预设向量数据库确定符合预设条件的特征向量，将符合预设条件的至少一个特征向量确定为参考特征向量。例如，确定模块230可以计算当前向量与预设向量数据库中每一个特征向量之间的实际向量距离，然后将该实际向量距离与预设阈值进行比较，将预设向量数据库中距离小于预设阈值的至少一个特征向量确定为至少一个参考特征向量。其中，向量距离可以为欧式距离、余弦距离等。然后，将参考特征向量对应的运动类型作为用户的至少一种推荐运动类型。
在一些实施例中，确定模块230还可以基于用户信息，确定至少一个参考向量中的每一个参考向量与当前向量的借鉴系数。然后，基于借鉴系数更新至少一个参考向量中每一个参考向量与当前向量的距离，并将距离最小的参考向量对应的至少一种运动类型作为用户的至少一种推荐运动类型。
借鉴系数是指参考向量与当前向量之间的匹配系数。在一些实施例中，借鉴系数可以基于预设规则设置。例如，若基于参考向量中的用户信息与当前向量中的用户信息，显示参考向量与当前向量对应的是同一个人，则借鉴指数可以设置为第一固定值(例如，1)；若基于参考向量的用户信息与当前向量中的用户信息，显示参考向量与当前向量对应的不是同一个人，则借鉴指数可以设置为第二固定值(例如，0.8)。
在一些实施例中，确定模块230可以将至少一个参考向量中每一个参考向量与当前向量的距离乘以借鉴系数得到的值，作为更新后的至少一个参考向量中每一个参考向量与当前向量的距离。
至少一个参考向量中每一个参考向量与当前向量的距离可以采用现有常用距离公式(如，欧式距离、余弦距离等)获取。例如，如果参考向量与当前向量显示为同一人，则可以将借鉴系数设置为1，则更新后的参考向量与当前向量的距离Y＝1×k，其中，k为参考向量与当前向量之间的实际向量距离。又例如，如果参考向量与当前向量显示不为同一人，则可以将借鉴系数设置为0.8，则更新后的参考向量与当前向量的距离Y＝1/0.8×k。
在本说明书的一些实施例中，通过借鉴系数的设置，可以筛选出与用户匹配度更高的参考向量对应的至少一种运动类型作为用户的至少一种推荐运动类型，以推荐给用户使用，从而进一步避免用户因不合适运动，而导致用户处于危险情况中。
步骤520，基于至少一种推荐运动类型，结合运动数据和生理数据，动态确定用户的健康推荐方案。
在一些实施例中，健康推荐方案可以包括至少一种推荐运动类型对应的运动时长和运动强度。
在一些实施例中，可以基于至少一种推荐运动类型，结合运动数据和生理数据，人工确定用户的健康推荐方案。
在一些实施例中，确定模块230可以基于至少一种推荐运动类型、运动数据、常规监控生理数据、重点监控指标的预测值和实际值以及全部监控指标的标准参照范围，通过推荐模型确定用户的至少一种推荐运动对应的运动时长和运动强度，其中，推荐模型为机器学习模型。关于该部分更具体的内容请参见下文图6及其描述，此处不再赘述。
应当注意的是，上述有关流程300和500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300和500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图6是根据本说明书一些实施例所示的确定用户的至少一种推荐运动类型对应的运动时长和运动强度的示意图。
在一些实施例中，用户的至少一种推荐运动类型对应的运动时长和运动强度630可以基于至少一种推荐运动类型610-6、运动数据610-3、常规监控生理数据610-2、重点监控指标的预测值和实际值610-1以及全部监控指标的标准参照范围610-4，通过推荐模型620确定。在一些实施例中，常规监控生理数据610-2可以为全部监控生理数据中重要性低于重点监控指标的其它生理数据。例如，全部监控的生理数据可以包括用户的体温、心率和血氧，若重点监控指标为血氧和心率，则常规监控生理数据为体温。
在一些实施例中，运动数据610-3可以为实时的运动数据，常规监控生理数据610-2可以为实时的常规监控生理数据。
全部监控指标的标准参照范围610-4是指预设的全部需要监控的生理数据的标准参照范围。在一些实施例中，全部监控指标的标准参照范围610-4可以为全部监控指标中的每一个监控指标对应的正常指标范围。例如，若全部需要监控的生理数据包括心率和血氧，则全部需要监控的生理数据的标准参照范围包括心率的标准参照范围和血氧的标准参照范围，如，心率的标准参照范围可以为60-100次/分之间,血氧的标准参照范围可以为大于90mmHg。
在一些实施例中，推荐模型可以为机器学习模型。例如，神经网络模型(NeuralNetworks，NN)、深度神经网络模型(Deep Neural Networks，DNN)等或其任意组合。
如图6所示，在一些实施例中，推荐模型620的输入可以包括重点监控指标的预测值和实际值610-1、常规监控生理数据610-2、运动数据610-3、全部监控指标的标准参照范围610-4和至少一种推荐运动类型610-6，输出可以包括用户的至少一种推荐运动对应的运动时长和运动强度630。
在一些实施例中，推荐模型620输入数据中的运动数据和常规生理数据可以替换为监控指标预测模型的嵌入层输出的运动特征和常规生理特征。常规生理特征可以为全部生理特征中重要性低于重点监控指标特征的其它生理特征。关于监控指标预测模型及其嵌入层的更具体内容，请参见图4及其相关描述，此处不再赘述。
在一些实施例中，推荐模型620的输入还可以包括用药数据或用药特征610-5。关于用药数据以及用药特征的定义请参见图4及其相关描述。
在一些实施例中，推荐模型620输出的用户的至少一种推荐运动类型对应的运动时长和运动强度可以作为监控指标预测模型400输入数据中的运动数据。监控指标预测模型400可以基于用户信息、至少一种推荐运动类型对应的运动时长和运动强度和用药数据，确定重点监控指标的预测值450。
在一些实施例中，监控指标预测模型400还可以基于用户信息、至少一种推荐运动类型对应的运动时长和运动强度、用药数据和生理数据，确定重点监控指标的预测值450。
在一些实施例中，监控指标预测模型400还可以基于用户信息、至少一种推荐运动类型对应的运动时长和运动强度、用药数据、生理数据、饮食数据和体检数据，确定重点监控指标的预测值450。在一些实施例中，生理数据可以为用户的实时生理数据。
在一些实施例中，可以基于历史用户的多个推荐运动类型中每个推荐运动类型所对应的重点监控指标的预测值，确定每个推荐运动类型的评估分数，然后基于每个推荐运动类型的评估分数排序多个推荐运动类型并显示给用户。例如，可以基于历史用户的多个推荐运动类型中每个推荐运动类型所对应的重点监控指标的预测值与预设的正常值的差异，确定多个推荐运动类型对应的分数，差异越小，分数越大，并按照推荐运动类型的分数降序排列显示给用户。
在一些实施例中，推荐模型620可以基于训练样本和训练标签，通过训练获得。
训练样本可以包括历史用户的重点监控指标的预测值和实际值、常规监控生理数据、运动数据、全部监控指标的标准参照范围和历史用户的至少一种推荐运动类型。训练标签可以包括历史用户的生理数据满足监控指标的标准参照范围时，用户的实际运动类型对应的运动时长和运动强度。在一些实施例中，训练样本和训练标签可以基于用户终端设备上存储的历史数据获取。
在一些实施例中，训练样本还可以包括历史用户的用药数据或用药特征信息。
在一些实施例中，可以将训练样本输入推荐模型，以确定推荐模型的输出；将推荐模型输出的用户的至少一种推荐运动对应的运动时长和运动强度与训练标签输入损失函数；基于损失函数迭代更新推荐模型直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的推荐模型。
在本说明书的一些实施例中，通过推荐模型可以自动快速准确的确定用户的至少一种推荐运动对应的运动时长和运动强度，指导不同用户进行科学运动，避免不合适的运动而导致用户的心脑血管疾病的异常，使用户保持健康的生理状态。
在一些实施例中，当根据推荐模型，确定了健康推荐方案，然后，用户选择了健康推荐方案中的一种运动类型(如，慢跑、游泳等)进行运动后，可以持续监测用户的生理数据(如，心率、血氧)，当心率始终位于心率的标准参照范围(如，60-100次/分之间)，血氧始终位于血氧的标准参照范围(如，大于90mmHg)，则可以将用户的实际运动类型、实际运动类型对应的运动时长和运动强度，结合用户的生理数据以及用户的用户信息建立特征向量加入预设向量数据库。关于如何建立特征向量的具体内容，请参见上文图5及其相关描述，此处不再赘述。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种智能心脑动态分析方法，其特征在于，包括：
获取用户信息、用户的运动数据、所述用户的生理数据和所述用户的用药数据，其中，所述运动数据和所述生理数据基于穿戴式设备获取；
基于所述用户信息、所述运动数据和所述用药数据，动态确定预设的所述用户的重点监控指标的预测值，其中，所述预测值用于结合所述生理数据以提示所述用户；
基于所述用户信息、所述运动数据、所述生理数据和所述用药数据，动态确定所述用户的健康推荐方案。
2.根据权利要求1所述的方法，其特征在于，所述用药数据基于预设药盒获取，所述用药数据包括用药种类、用药时间、用药量中的至少一种。
3.根据权利要求2所述的方法，其特征在于，所述基于所述用户信息、所述运动数据和所述用药数据，动态确定预设的所述用户的重点监控指标的预测值包括：
基于所述用户信息、所述运动数据和所述用药数据，通过监控指标预测模型，动态确定预设的所述用户的重点监控指标的预测值，其中，所述监控指标预测模型为机器学习模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述用户信息、所述运动数据、所述生理数据和所述用药数据，动态确定所述用户的健康推荐方案包括：
基于所述用户信息和所述用药数据，动态确定所述用户的至少一种推荐运动类型；
基于所述至少一种推荐运动类型，结合所述运动数据和所述生理数据，动态确定所述用户的健康推荐方案，其中，所述健康推荐方案包括所述用户的至少一种推荐运动类型对应的运动时长和运动强度。
5.一种智能心脑动态分析系统，其特征在于，包括获取模块、提示模块和确定模块，
所述获取模块用于获取用户信息、用户的运动数据、所述用户的生理数据和所述用户的用药数据，其中，所述运动数据和所述生理数据基于穿戴式设备获取；
所述提示模块用于基于所述用户信息、所述运动数据和所述用药数据，动态确定预设的所述用户的重点监控指标的预测值，其中，所述预测值结合所述生理数据以提示用户；
所述确定模块用于基于所述用户信息、所述运动数据、所述生理数据和所述用药数据，动态确定所述用户的健康推荐方案。
6.根据权利要求5所示的智能心脑动态分析系统，其特征在于，所述用药数据基于预设药盒获取，所述用药数据包括用药种类、用药时间、用药量中的至少一种。
7.根据权利要求5所示的智能心脑动态分析系统，其特征在于，所述提示模块被配置为进一步执行以下操作：
基于所述用户信息、所述运动数据和所述用药数据，通过监控指标预测模型，动态确定预设的所述用户的重点监控指标的预测值，其中，所述监控指标预测模型为机器学习模型。
8.根据权利要求5所示的智能心脑动态分析系统，其特征在于，所述确定模块被配置为进一步执行以下操作：
基于所述用户信息和所述用药数据，动态确定所述用户的至少一种推荐运动类型；
基于所述至少一种推荐运动类型，结合所述运动数据和所述生理数据，动态确定所述用户的健康推荐方案，其中，所述健康推荐方案包括所述用户的至少一种推荐运动类型对应的运动时长和运动强度。
9.一种智能心脑动态分析设备，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～4中任一项所述的智能心脑动态分析方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被控制装置执行时实现如权利要求1至4中任意一项所述的智能心脑动态分析方法。
CN202310857858.9A 2023-07-12 2023-07-12 一种智能心脑动态分析方法和系统 Pending CN116913538A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310857858.9A CN116913538A (zh) 2023-07-12 2023-07-12 一种智能心脑动态分析方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310857858.9A CN116913538A (zh) 2023-07-12 2023-07-12 一种智能心脑动态分析方法和系统

Publications (1)

Publication Number Publication Date
CN116913538A true CN116913538A (zh) 2023-10-20

Family

ID=88357544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310857858.9A Pending CN116913538A (zh) 2023-07-12 2023-07-12 一种智能心脑动态分析方法和系统

Country Status (1)

Country Link
CN (1) CN116913538A (zh)

Similar Documents

Publication Publication Date Title
US20180301221A1 (en) Adverse Event Prediction and Detection Using Wearable Sensors and Adaptive Health Score Analytics
CN108348172B (zh) 一种用于血压监测的系统和方法
EP3416542B1 (en) System and method for determining a hemodynamic instability risk score for pediatric subjects
JP6145042B2 (ja) 患者の病気重篤性、致死性および滞在長さの連続的な予測の方法
CN112890816A (zh) 一种个人用户的健康指数评分方法和装置
US10431343B2 (en) System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients
KR20170067759A (ko) 생리학적 데이터를 기반으로 환자의 연속 심박출량(cco)을 예측하기 위한 시스템 및 방법
US11617545B2 (en) Methods and systems for adaptable presentation of sensor data
EP3238611A1 (en) A method and device for estimating a condition of a person
WO2020074577A1 (en) Digital companion for healthcare
US20230007922A1 (en) Method and System for Estimating Physiological Parameters Utilizing a Deep Neural Network to Build a Calibrated Parameter Model
CN116913538A (zh) 一种智能心脑动态分析方法和系统
CN110200599A (zh) 一种脉搏波检测方法、终端设备及系统
Lim et al. Developing a mobile wellness management system for healthy lifestyle by analyzing daily living activities
Dakshima et al. Health Care–A Personalized Guidance for Non-Communicable Diseases
CN112086164A (zh) 身体状况反馈方法、系统、存储介质
US20230377741A1 (en) Patient monitoring system
WO2023058200A1 (ja) 疲労度算出装置、疲労度算出方法及び記憶媒体
KR102462574B1 (ko) 만성질환자의 순응도 및 상태 예측을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
KR102382659B1 (ko) 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
RU2725294C1 (ru) Персонализированная система формирования рекомендаций пользователю в реализации здорового образа жизни
US20240006079A1 (en) Method of and system for identifying and ameliorating body degradations
WO2023088819A1 (en) Early warning system for hypertension patients
WO2024047621A1 (en) Method and system for estimating physiological parameters utilizing a deep neural network to build a calibrated parameter model
JP2023143586A (ja) 健康状態判断支援装置、健康状態判断支援方法、プログラム

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