CN116936104A - 一种基于人工智能的健康检测仪数据分析系统及方法 - Google Patents

Abstract

本发明涉及人工智能领域，具体为一种基于人工智能的健康检测仪数据分析系统及方法，所述系统包括健康检测仪数据分析模块、健康异常风险程度分析模块、健康异常风险程度校准模块以及健康指标预警模块，所述健康异常风险程度分析模块用于通过采集历史数据信息，结合待监测区域内对应用户的周期性指标变化曲线分析对应用户的健康异常风险程度，本发明通过健康检测仪采集待监测用户身体各项指标数据，通过周期性分析生成各项指标变化趋势，并结合用户日常生活习惯对各项指标变化趋势进行校准，不仅提高了检测数据的准确性，而且能让用户更清楚的了解健康异常情况的缘由，并根据分析判断是否需要进行健康护理调整。

Description

一种基于人工智能的健康检测仪数据分析系统及方法

技术领域

本发明涉及人工智能领域，具体为一种基于人工智能的健康检测仪数据分析系统及方法。

背景技术

随着科技的不断发展，人工智能技术在各个领域的应用越来越广泛，医疗行业也不例外，人工智能技术在医疗领域的应用可以大大提高医疗服务的效率和质量，改善患者就医体验。

当前，随着人们生活水平的提高，日常身体健康检测已经是常见的健康保养手段，现有技术中，常常通过健康检测设备进行用户的健康指标测量，结合一些健康监控平台或终端实现用户的日常身体健康管理和维护，但是，这种方式只局限于对用户每日健康数据进行获取进而得到数据变化的趋势，只能作为用户的可以参考的数据，并不能作为合理的诊断依据。

发明内容

本发明的目的在于提供一种基于人工智能的健康检测仪数据分析系统及方法，以解决上述背景技术中提出的问题，本发明提供如下技术方案：

一种基于人工智能的健康检测仪数据分析方法，所述方法包括以下步骤：

S1、获取健康检测仪对应用户的检测报告，通过周期性监测实时汇总分析对应用户区段健康指标情况，生成周期性健康指标变化曲线；

S2、通过采集历史数据信息，结合待监测区域内对应用户的周期性指标变化曲线分析对应用户的健康异常风险程度；

S3、通过分析待监测区域内对应用户的周期性生活习惯对待监测用户健康的影响程度，并结合分析结果对待监测用户的健康异常风险程度情况进行校准；

S4、实时监测待检测区域内对应用户的健康指标，并对校准后的健康异常风险程度进行评估，根据评估结果判定预警信号条件值。

进一步的，所述S1的方法包括以下步骤：

步骤1001、设定待监测区域内第a个用户的健康检测报告获取周期为α，其中每个健康检测报告获取周期中包含b个时间节点，每个时间节点包含一份第a个用户的健康检测报告，其中b为数据库预设值，其中用户健康检测报告通过健康检测仪对用户进行定期测量得到；

步骤1002、获取待监测区域内第α个周期内第a个用户的健康检测报告，提取对应健康检测报告中特征数据的信息，记为集合A^a（α），所述特征数据为数据库预设值，

A^a（α）=[(A^a（α） ₁₍₁₎，A^a（α） ₁₍₂₎,...，A^a（α） _1（n）)，...，(A^a（α） _b(1)，A^a（α） _b(2),...，A^a（α） _b（n）)]，其中A^a（α） _b（n）表示待监测区域内第α个周期内第a个用户在第b个时间节点对应健康检测报告中第n个特征数据信息，n表示健康监测报告中特征数据总个数，其中n为数据库预设值，所述特征数据信息为数据库预设值；

步骤1003、结合步骤1002获取的第α个周期内第a个用户在各个时间节点对应健康检测报告中的特征数据信息，将第b时间节点对应健康检测报告中的特征数据信息综合影响值记为Y_b，

Y_b=∑^b _i=1∑ⁿ _j=1(ω_i·A^a（α） _i（j）)，

其中A^a（α） _i（j）表示待监测区域内第α个周期内第a个用户在第i个时间节点对应健康检测报告中第j个特征数据信息，ω_i表示比例系数，所述比例系数通过数据库预置表单查询，其中数据库预置表单中将康检测报告中对应特征数据信息与比例系数进行组合，每一个特征数据信息对应一个比例系数；

步骤1004、重复步骤1003得到各个时间节点对应健康检测报告中的特征数据信息综合影响值，

以点o作为原点，以时间作为x轴，以特征数据信息综合影响值作为y轴构建平面直角坐标系，在平面直角坐标系中获取各个时间节点对应健康检测报告中相应特征数据信息综合影响值的坐标值，并在平面直角坐标系中依次连接相邻两个坐标点，生成一条拟合曲线，将生成的拟合曲线作为第α个周期第a个用户健康指标变化曲线，记为N₁(x)。

本发明通过健康检测仪定期获取待监测用户的健康检测报告，通过分析健康检测报告中各项指标的数据，结合各个时间节点对应健康检测报告中各项指标进行综合影响值分析，进而通过构建平面直角坐标系，将各个时间节点对应的健康综合影响值映射到平面直角坐标系中得到待监测用户对应的周期性指标变化曲线，便于直观观测用户各项指标综合变化趋势，为后续分析对应用户各项指标是否存在异常情况提供数据参照。

进一步的，所述S2的方法包括以下步骤：

步骤2001、获取健康检测报告中各个特征数据信息的临界值，记为集合B_standerd，

B_standerd=[(B¹ _left，B¹ _right)，(B² _left，B² _right)，...，(Bⁿ _left，Bⁿ _right)]，

其中Bⁿ _left表示健康检测报告中第n个特征数据信息的最小临界值，Bⁿ _right表示健康检测报告中第n个特征数据信息的最大临界值，所述临界值表示在健康监测报告中，各项检测数据均存在对应的标准参考范围，将标准参考范围最小值作为对应特征数据信息的最小临界值，将标准参考范围最大值作为对应特征数据信息的最大临界值；

步骤2002、将健康检测报告中各个特征数据信息的最小临界综合影响值记为Y_left，将健康检测报告中各个特征数据信息的最大临界综合影响值记为Y_right，

Y_left=∑ⁿ _u=1(ω_u·B^u _left)，

Y_right=∑ⁿ _u=1(ω_u·B^u _right)，

其中ω_u表示比例系数，所述比例系数为数据库预设值，B^u _left表示健康检测报告中第u个特征数据信息的最小临界值，B^u _right表示健康检测报告中第u个特征数据信息的最大临界值；

步骤2003、结合步骤2002的分析结果，将最小临界综合影响值对应的直线以及最大临界综合影响值对应的直线映射到平面直角坐标系中，并结合最小临界综合影响值以及最大临界综合影响值对应的直线得到中值拟合曲线，记为N₂(x)，所述中值拟合曲线表示在平面直角坐标系中最小临界值对应的曲线与最大临界值对应的曲线的中心线；

步骤2004、分析待监测区域内第a个用户的周期性指标变化曲线与中值拟合曲线比对结果，将第a个用户的健康异常风险程度情况，记为F^a _N2→N1，

F^a _N2→N1=ψ·∫^x=b _x=1|N₁(x)-N₂(x)|dx，

其中ψ表示比例系数，所述比例系数为数据库预设值。

本发明通过分析各个特征数据信息的标准区间，将临界值对应的数据作为界限，获取临界值的中值作为参考值，并将参考值映射到平面直角坐标系中，生成中值拟合曲线，通过分析对应时间节点处对应健康检测报告中的特征数据信息综合影响值与中值拟合曲线之间的关系，进而得到健康异常风险程度情况，为后续结合用户周期性生活习惯对健康异常风险程度进行校准提供数据参照。

进一步的，所述S3的方法包括以下步骤：

步骤3001、获取待监测区域内第α个周期内第a个用户的周期性生活习惯调查表，提取表中特征数据，记为集合C^a（α），所述特征数据包括第a个用户每日睡眠平均时间、每日饮食健康程度以及每日服用的药物情况，若不存在服用药物情况则记为无，其中饮食健康程度分为3个等级，1级表示严重（饮食不规律）、2级表示中度（长期食用外卖或者油炸性食品）、3级表示轻微（食用绿色健康食品），每日服用的药物情况分为2种情况，存在记为1，不存在记为0；

C^a（α）=[(C¹ _sleep，C¹ _eat，C¹ _drug)，...，(C^b _sleep，C^b _eat，C^b _drug)]，

其中C^b _sleep表示待监测区域内第α个周期内第a个用户在第b个时间节点睡眠平均时间，C^b _eat表示待监测区域内第α个周期内第a个用户在第b个时间节点的饮食健康程度，C^b _drug表示待监测区域内第α个周期内第a个用户在第b个时间节点的服用的药物情况；

步骤3002、结合步骤3001的分析结果，将待监测区域内第α个周期内第a个用户的周期性生活习惯对自身健康的影响程度，记为Y_C，

Y_C=τ₁·(∑^b _k=1C^k _sleep)/b+τ₂·(∑^b _k=1C^k _eat)/b+τ₃·(∑^b _k=1C^k _drug)/b,

其中τ₁、τ₂和τ₃均表示权重值，所述权重值为数据库预设值，C^k _sleep表示待监测区域内第α个周期内第a个用户在第k个时间节点睡眠平均时间，C^k _eat表示待监测区域内第α个周期内第a个用户在第k个时间节点的饮食健康程度，C^k _drug表示待监测区域内第α个周期内第a个用户在第k个时间节点的服用的药物情况；

步骤3003、结合待监测区域内第α个周期内第a个用户的周期性生活习惯对自身健康的影响程度对健康异常风险程度进行校准，记为J_b，

J_b=F^a _N2→N1+Y_C。

本发明通过获取待监测用户周期性生活习惯调查表，结合调查表中数据分析待监测用户的生活习惯会对自身健康的影响情况，并根据对应时间节点的综合影响值进一步进行校准操作，提高了健康异常风险程度评定的准确性，为后续结合校准后的健康异常风险程度设定预警条件值提供数据参照。

进一步的，所述S4的方法包括以下步骤：

步骤4001、获取步骤3003中校准后的健康异常风险程度J_b；

步骤4002、结合步骤4001对校准后的健康异常风险程度进行评估，并根据评估结果判定预警信号条件值，

若0≤J_b≤θ，则表明待监测区域内第α个周期内第a个用户的健康指标正常，不发出预警信号；

若J_b＞θ，则表明待监测区域内第α个周期内第a个用户的健康指标异常，发出预警信号，并提醒当前用户需要去医院进一步进行相应诊断，其中θ为数据库预设值。

一种基于人工智能的健康检测仪数据分析系统，所述系统包括以下模块：

健康检测仪数据分析模块：所述健康检测仪数据分析模块用于通过健康检测仪获取对应用户的检测报告，并通过周期性监测实时汇总分析对应用户区段健康指标情况，生成周期性健康指标变化曲线；

健康异常风险程度分析模块：所述健康异常风险程度分析模块用于通过采集历史数据信息，结合待监测区域内对应用户的周期性指标变化曲线分析对应用户的健康异常风险程度；

健康异常风险程度校准模块：所述健康异常风险程度校准模块用于通过分析待监测区域内对应用户的周期性生活习惯对待监测用户的健康影响程度，并结合分析结果对待监测用户的健康异常风险程度情况进行校准；

健康指标预警模块：所述健康指标预警模块用于实时监测待监测区域内对应用户的健康指标，并对校准后的健康异常风险程度进行评估，根据评估结果判定预警信号条件值。

进一步的，所述健康异常风险程度分析模块包括数据获取单元、特征提取单元以及健康指标变化分析单元：

所述数据获取单元用于通过健康监检测仪获取待监测用户的各项健康检测报告；

所述特征提取单元用于提取数据获取单元中各项健康检测报告中特征数据；

所述健康指标变化分析单元用于结合特征提取单元的分析结果，获取待监测用户周期性健康检测报告中数据变化情况，并生成拟合曲线。

进一步的，所述健康异常风险程度分析模块包括指标临界值设定单元以及健康风险程度分析单元：

所述指标临界值设定单元用于结合对应健康检测报告中对应特征数据信息的标准范围设定指标临界值；

所述健康风险程度分析单元用于结合健康指标变化单元的分析结果，通过将生成的拟合曲线与指标临界值设定单元中设定的指标临界值进行比对，根据比对结果计算对应用户的健康异常风险程度值。

进一步的，所述健康异常风险程度校准模块包括周期性生活监测单元、附加影响程度分析单元以及健康异常风险程度校准单元：

所述周期性生活监测单元用于通过历史数据获取待监测用户周期性生活习惯调查表；

所述附加影响程度分析单元用于结合周期性生活监测单元计算待监测用户周期性生活习惯对自身健康的影响程度情况；

所述健康异常风险程度校准单元用于结合附加影响程度分析单元的分析结果对健康风险程度分析单元中的健康异常风险程度值进行实时校准。

进一步的，所述健康指标预警模块包括风险评估单元以及预警条件设定单元：

所述风险评估单元用于结合健康异常风险程度校准单元中校准后的健康异常风险程度，并将校准后的健康异常风险程度与标准健康指标进行比对，根据比对结果进行风险评估；

所述预警条件设定单元用于结合风险评估单元的分析结果设定预警条件值。

本发明通过健康检测仪采集待监测用户身体各项指标数据，通过周期性分析生成各项指标变化趋势，并结合用户日常生活习惯对各项指标变化趋势进行校准，进而将校准后的数据与标准区间进行偏差分析，根据分析结果判定预警信号，进而提高了检测数据的准确性，通过分析用户日常生活习惯校准健康异常风险程度，让用户更清楚的了解健康异常情况的缘由，并根据分析判断是否需要进行健康护理调整。

附图说明

图1是本发明一种基于人工智能的健康检测仪数据分析方法的流程示意图；

图2是本发明一种基于人工智能的健康检测仪数据分析系统的模块示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

实施例1：请参阅图1，本实施例中：

实现了一种基于人工智能的健康检测仪数据分析方法，所述方法包括以下步骤：

S1、获取健康检测仪对应用户的检测报告，通过周期性监测实时汇总分析对应用户区段健康指标情况，生成周期性健康指标变化曲线；

所述S1的方法包括以下步骤：

步骤1001、设定待监测区域内第a个用户的健康检测报告获取周期为α，其中每个健康检测报告获取周期中包含b个时间节点，每个时间节点包含一份第a个用户的健康检测报告，其中b为数据库预设值；

步骤1002、获取待监测区域内第α个周期内第a个用户的健康检测报告，提取对应健康检测报告中特征数据的信息，记为集合A^a（α），所述特征数据为数据库预设值，

A^a（α）=[(A^a（α） ₁₍₁₎，A^a（α） ₁₍₂₎,...，A^a（α） _1（n）)，...，(A^a（α） _b(1)，A^a（α） _b(2),...，A^a（α） _b（n）)]，其中A^a（α） _b（n）表示待监测区域内第α个周期内第a个用户在第b个时间节点对应健康检测报告中第n个特征数据信息，n表示健康监测报告中特征数据总个数，其中n为数据库预设值，所述特征数据信息为数据库预设值，例如健康监测报告中血压值、血氧值、血糖值、额温值以及心率值；

步骤1003、结合步骤1002获取的第α个周期内第a个用户在各个时间节点对应健康检测报告中的特征数据信息，将第b时间节点对应健康检测报告中的特征数据信息综合影响值记为Y_b，

Y_b=∑^b _i=1∑ⁿ _j=1(ω_i·A^a（α） _i（j）)，

其中A^a（α） _i（j）表示待监测区域内第α个周期内第a个用户在第i个时间节点对应健康检测报告中第j个特征数据信息，ω_i表示比例系数，所述比例系数通过数据库预置表单查询，其中数据库预置表单中将康检测报告中对应特征数据信息与比例系数进行组合，每一个特征数据信息对应一个比例系数；

步骤1004、重复步骤1003得到各个时间节点对应健康检测报告中的特征数据信息综合影响值，

以点o作为原点，以时间作为x轴，以特征数据信息综合影响值作为y轴构建平面直角坐标系，在平面直角坐标系中获取各个时间节点对应健康检测报告中相应特征数据信息综合影响值的坐标值，并在平面直角坐标系中依次连接相邻两个坐标点，生成一条拟合曲线，将生成的拟合曲线作为第α个周期第a个用户健康指标变化曲线，记为N₁(x)。

S2、通过采集历史数据信息，结合待监测区域内对应用户的周期性指标变化曲线分析对应用户的健康异常风险程度；

所述S2的方法包括以下步骤：

步骤2001、获取健康检测报告中各个特征数据信息的临界值，记为集合B_standerd，

B_standerd=[(B¹ _left，B¹ _right)，(B² _left，B² _right)，...，(Bⁿ _left，Bⁿ _right)]，

其中Bⁿ _left表示健康检测报告中第n个特征数据信息的最小临界值，Bⁿ _right表示健康检测报告中第n个特征数据信息的最大临界值；

步骤2002、将健康检测报告中各个特征数据信息的最小临界综合影响值记为Y_left，将健康检测报告中各个特征数据信息的最大临界综合影响值记为Y_right，

Y_left=∑ⁿ _u=1(ω_u·B^u _left)，

Y_right=∑ⁿ _u=1(ω_u·B^u _right)，

其中ω_u表示比例系数，所述比例系数为数据库预设值，B^u _left表示健康检测报告中第u个特征数据信息的最小临界值，B^u _right表示健康检测报告中第u个特征数据信息的最大临界值；

步骤2003、结合步骤2002的分析结果，将最小临界综合影响值对应的直线以及最大临界综合影响值对应的直线映射到平面直角坐标系中，并结合最小临界综合影响值以及最大临界综合影响值对应的直线得到中值拟合曲线，记为N₂(x)；

步骤2004、分析待监测区域内第a个用户的周期性指标变化曲线与中值拟合曲线比对结果，将第a个用户的健康异常风险程度情况，记为F^a _N2→N1，

F^a _N2→N1=ψ·∫^x=b _x=1|N₁(x)-N₂(x)|dx，

其中ψ表示比例系数，所述比例系数为数据库预设值。

S3、通过分析待监测区域内对应用户的周期性生活习惯对待监测用户健康的影响程度，并结合分析结果对待监测用户的健康异常风险程度情况进行校准；

所述S3的方法包括以下步骤：

步骤3001、获取待监测区域内第α个周期内第a个用户的周期性生活习惯调查表，提取表中特征数据，记为集合C^a（α），所述特征数据包括第a个用户每日睡眠平均时间、每日饮食健康程度以及每日服用的药物情况，若不存在服用药物情况则记为无；

C^a（α）=[(C¹ _sleep，C¹ _eat，C¹ _drug)，...，(C^b _sleep，C^b _eat，C^b _drug)]，

其中C^b _sleep表示待监测区域内第α个周期内第a个用户在第b个时间节点睡眠平均时间，C^b _eat表示待监测区域内第α个周期内第a个用户在第b个时间节点的饮食健康程度，C^b _drug表示待监测区域内第α个周期内第a个用户在第b个时间节点的服用的药物情况；

步骤3002、结合步骤3001的分析结果，将待监测区域内第α个周期内第a个用户的周期性生活习惯对自身健康的影响程度，记为Y_C，

Y_C=τ₁·(∑^b _k=1C^k _sleep)/b+τ₂·(∑^b _k=1C^k _eat)/b+τ₃·(∑^b _k=1C^k _drug)/b,

其中τ₁、τ₂和τ₃均表示权重值，所述权重值为数据库预设值，C^k _sleep表示待监测区域内第α个周期内第a个用户在第k个时间节点睡眠平均时间，C^k _eat表示待监测区域内第α个周期内第a个用户在第k个时间节点的饮食健康程度，C^k _drug表示待监测区域内第α个周期内第a个用户在第k个时间节点的服用的药物情况；

步骤3003、结合待监测区域内第α个周期内第a个用户的周期性生活习惯对自身健康的影响程度对健康异常风险程度进行校准，记为J_b，

J_b=F^a _N2→N1+Y_C。

S4、实时监测待检测区域内对应用户的健康指标，并对校准后的健康异常风险程度进行评估，根据评估结果判定预警信号条件值。

所述S4的方法包括以下步骤：

步骤4001、获取步骤3003中校准后的健康异常风险程度J_b；

步骤4002、结合步骤4001对校准后的健康异常风险程度进行评估，并根据评估结果判定预警信号条件值，

若0≤J_b≤θ，则表明待监测区域内第α个周期内第a个用户的健康指标正常，不发出预警信号；

若J_b＞θ，则表明待监测区域内第α个周期内第a个用户的健康指标异常，发出预警信号，并提醒当前用户需要去医院进一步进行相应诊断，其中θ为数据库预设值。

本实施例中：公开了一种基于人工智能的健康检测仪数据分析系统（如图2所示），所述系统用于实现方法的具体方案内容。

实施例2：设定待监测区域内第a个用户的健康检测报告获取周期为α，其中每个健康检测报告获取周期中包含7天，健康检测报告中包含血压、血氧、血糖、额温以及心率，任意获取一周的健康监测报告中的数据信息，通过计算每日的健康检测数据的综合影响值，并将计算结果映射到平面直角坐标系中，得到拟合曲线N₁(x)，并将拟合曲线与中值拟合曲线N₂(x)进行健康风险程度判定，其中发现当前用户健康检测报告中拟合曲线N₁(x)存在异常点，则进一步获取当前用户的周期性生活习惯，通过获取当前用户周期性生活习惯调查表发现，当前监测周期内第a个用户每日平均睡眠不足6小时，每日饮食均存在油炸性食品，并且当前用户存在私自服用药物情况，通过计算当前用户的周期性生活习惯对自身健康的影响程度，记为Y_C，

其中Y_C=τ₁·(∑⁶ _k=1C^k _sleep)/b+τ₂·(∑⁶ _k=1C^k _eat)/b+τ₃·(∑⁶ _k=1C^k _drug)/b，

并根据Y_C对健康异常风险程度进行校准，得到校准后的健康异常风险程度进行校准J_b，通过与标准值比对得出，J_b＞θ，则表明当前用户需要去医院进行就诊，并根据医生诊断情况进一步判定身体状况是否存在异常，是否需要调整生活习惯。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的健康检测仪数据分析方法，其特征在于，所述方法包括以下步骤：

S1、获取健康检测仪对应用户的检测报告，通过周期性监测实时汇总分析对应用户区段健康指标情况，生成周期性健康指标变化曲线；

S2、通过采集历史数据信息，结合待监测区域内对应用户的周期性指标变化曲线分析对应用户的健康异常风险程度；

S3、通过分析待监测区域内对应用户的周期性生活习惯对待监测用户健康的影响程度，并结合分析结果对待监测用户的健康异常风险程度情况进行校准；

S4、实时监测待检测区域内对应用户的健康指标，并对校准后的健康异常风险程度进行评估，根据评估结果判定预警信号条件值。

2.根据权利要求1所述的一种基于人工智能的健康检测仪数据分析方法，其特征在于，所述S1的方法包括以下步骤：

步骤1001、设定待监测区域内第a个用户的健康检测报告获取周期为α，其中每个健康检测报告获取周期中包含b个时间节点，每个时间节点包含一份第a个用户的健康检测报告，其中b为数据库预设值；

步骤1002、获取待监测区域内第α个周期内第a个用户的健康检测报告，提取对应健康检测报告中特征数据的信息，记为集合A^a（α），所述特征数据为数据库预设值，

A^a（α）=[(A^a（α） ₁₍₁₎，A^a（α） ₁₍₂₎,...，A^a（α） _1（n）)，...，(A^a（α） _b(1)，A^a（α） _b(2),...，A^a（α） _b（n）)]，

其中A^a（α） _b（n）表示待监测区域内第α个周期内第a个用户在第b个时间节点对应健康检测报告中第n个特征数据信息，n表示健康监测报告中特征数据总个数，其中n为数据库预设值，所述特征数据信息为数据库预设值；

步骤1003、结合步骤1002获取的第α个周期内第a个用户在各个时间节点对应健康检测报告中的特征数据信息，将第b时间节点对应健康检测报告中的特征数据信息综合影响值记为Y_b，

Y_b=∑^b _i=1∑ⁿ _j=1(ω_i·A^a（α） _i（j）)，

其中A^a（α） _i（j）表示待监测区域内第α个周期内第a个用户在第i个时间节点对应健康检测报告中第j个特征数据信息，ω_i表示比例系数，所述比例系数通过数据库预置表单查询，其中数据库预置表单中将康检测报告中对应特征数据信息与比例系数进行组合，每一个特征数据信息对应一个比例系数；

步骤1004、重复步骤1003得到各个时间节点对应健康检测报告中的特征数据信息综合影响值，

以点o作为原点，以时间作为x轴，以特征数据信息综合影响值作为y轴构建平面直角坐标系，在平面直角坐标系中获取各个时间节点对应健康检测报告中相应特征数据信息综合影响值的坐标值，并在平面直角坐标系中依次连接相邻两个坐标点，生成一条拟合曲线，将生成的拟合曲线作为第α个周期第a个用户健康指标变化曲线，记为N₁(x)。

3.根据权利要求2所述的一种基于人工智能的健康检测仪数据分析方法，其特征在于，所述S2的方法包括以下步骤：

步骤2001、获取健康检测报告中各个特征数据信息的临界值，记为集合B_standerd，

B_standerd=[(B¹ _left，B¹ _right)，(B² _left，B² _right)，...，(Bⁿ _left，Bⁿ _right)]，

其中Bⁿ _left表示健康检测报告中第n个特征数据信息的最小临界值，Bⁿ _right表示健康检测报告中第n个特征数据信息的最大临界值；

步骤2002、将健康检测报告中各个特征数据信息的最小临界综合影响值记为Y_left，将健康检测报告中各个特征数据信息的最大临界综合影响值记为Y_right，

Y_left=∑ⁿ _u=1(ω_u·B^u _left)，

Y_right=∑ⁿ _u=1(ω_u·B^u _right)，

其中ω_u表示比例系数，所述比例系数为数据库预设值，B^u _left表示健康检测报告中第u个特征数据信息的最小临界值，B^u _right表示健康检测报告中第u个特征数据信息的最大临界值；

步骤2003、结合步骤2002的分析结果，将最小临界综合影响值对应的直线以及最大临界综合影响值对应的直线映射到平面直角坐标系中，并结合最小临界综合影响值以及最大临界综合影响值对应的直线得到中值拟合曲线，记为N₂(x)；

步骤2004、分析待监测区域内第a个用户的周期性指标变化曲线与中值拟合曲线比对结果，将第a个用户的健康异常风险程度情况，记为F^a _N2→N1，

F^a _N2→N1=ψ·∫^x=b _x=1|N₁(x)-N₂(x)|dx，

其中ψ表示比例系数，所述比例系数为数据库预设值。

4.根据权利要求3所述的一种基于人工智能的健康检测仪数据分析方法，其特征在于，所述S3的方法包括以下步骤：

步骤3001、获取待监测区域内第α个周期内第a个用户的周期性生活习惯调查表，提取表中特征数据，记为集合C^a（α），所述特征数据包括第a个用户每日睡眠平均时间、每日饮食健康程度以及每日服用的药物情况，若不存在服用药物情况则记为无；

C^a（α）=[(C¹ _sleep，C¹ _eat，C¹ _drug)，...，(C^b _sleep，C^b _eat，C^b _drug)]，

其中C^b _sleep表示待监测区域内第α个周期内第a个用户在第b个时间节点睡眠平均时间，C^b _eat表示待监测区域内第α个周期内第a个用户在第b个时间节点的饮食健康程度，C^b _drug表示待监测区域内第α个周期内第a个用户在第b个时间节点的服用的药物情况；

步骤3002、结合步骤3001的分析结果，将待监测区域内第α个周期内第a个用户的周期性生活习惯对自身健康的影响程度，记为Y_C，

Y_C=τ₁·(∑^b _k=1C^k _sleep)/b+τ₂·(∑^b _k=1C^k _eat)/b+τ₃·(∑^b _k=1C^k _drug)/b,

其中τ₁、τ₂和τ₃均表示权重值，所述权重值为数据库预设值，C^k _sleep表示待监测区域内第α个周期内第a个用户在第k个时间节点睡眠平均时间，C^k _eat表示待监测区域内第α个周期内第a个用户在第k个时间节点的饮食健康程度，C^k _drug表示待监测区域内第α个周期内第a个用户在第k个时间节点的服用的药物情况；

步骤3003、结合待监测区域内第α个周期内第a个用户的周期性生活习惯对自身健康的影响程度对健康异常风险程度进行校准，记为J_b，

J_b=F^a _N2→N1+Y_C。

5.根据权利要求4所述的一种基于人工智能的健康检测仪数据分析方法，其特征在于，所述S4的方法包括以下步骤：

步骤4001、获取步骤3003中校准后的健康异常风险程度J_b；

步骤4002、结合步骤4001对校准后的健康异常风险程度进行评估，并根据评估结果判定预警信号条件值，

若0≤J_b≤θ，则表明待监测区域内第α个周期内第a个用户的健康指标正常，不发出预警信号；

若J_b＞θ，则表明待监测区域内第α个周期内第a个用户的健康指标异常，发出预警信号，并提醒当前用户需要去医院进一步进行相应诊断，其中θ为数据库预设值。

6.一种基于人工智能的健康检测仪数据分析系统，其特征在于，所述系统包括以下模块：

健康检测仪数据分析模块：所述健康检测仪数据分析模块用于通过健康检测仪获取对应用户的检测报告，并通过周期性监测实时汇总分析对应用户区段健康指标情况，生成周期性健康指标变化曲线；

健康异常风险程度分析模块：所述健康异常风险程度分析模块用于通过采集历史数据信息，结合待监测区域内对应用户的周期性指标变化曲线分析对应用户的健康异常风险程度；

健康异常风险程度校准模块：所述健康异常风险程度校准模块用于通过分析待监测区域内对应用户的周期性生活习惯对待监测用户的健康影响程度，并结合分析结果对待监测用户的健康异常风险程度情况进行校准；

健康指标预警模块：所述健康指标预警模块用于实时监测待监测区域内对应用户的健康指标，并对校准后的健康异常风险程度进行评估，根据评估结果判定预警信号条件值。

7.根据权利要求6所述的一种基于人工智能的健康检测仪数据分析系统，其特征在于，所述健康异常风险程度分析模块包括数据获取单元、特征提取单元以及健康指标变化分析单元：

所述数据获取单元用于通过健康监检测仪获取待监测用户的各项健康检测报告；

所述特征提取单元用于提取数据获取单元中各项健康检测报告中特征数据；

所述健康指标变化分析单元用于结合特征提取单元的分析结果，获取待监测用户周期性健康检测报告中数据变化情况，并生成拟合曲线。

8.根据权利要求7所述的一种基于人工智能的健康检测仪数据分析系统，其特征在于，所述健康异常风险程度分析模块包括指标临界值设定单元以及健康风险程度分析单元：

所述指标临界值设定单元用于结合对应健康检测报告中对应特征数据信息的标准范围设定指标临界值；

所述健康风险程度分析单元用于结合健康指标变化单元的分析结果，通过将生成的拟合曲线与指标临界值设定单元中设定的指标临界值进行比对，根据比对结果计算对应用户的健康异常风险程度值。

9.根据权利要求8所述的一种基于人工智能的健康检测仪数据分析系统，其特征在于，所述健康异常风险程度校准模块包括周期性生活监测单元、附加影响程度分析单元以及健康异常风险程度校准单元：

所述周期性生活监测单元用于通过历史数据获取待监测用户周期性生活习惯调查表；

所述附加影响程度分析单元用于结合周期性生活监测单元计算待监测用户周期性生活习惯对自身健康的影响程度情况；

所述健康异常风险程度校准单元用于结合附加影响程度分析单元的分析结果对健康风险程度分析单元中的健康异常风险程度值进行实时校准。

10.根据权利要求9所述的一种基于人工智能的健康检测仪数据分析系统，其特征在于，所述健康指标预警模块包括风险评估单元以及预警条件设定单元：

所述风险评估单元用于结合健康异常风险程度校准单元中校准后的健康异常风险程度，并将校准后的健康异常风险程度与标准健康指标进行比对，根据比对结果进行风险评估；

所述预警条件设定单元用于结合风险评估单元的分析结果设定预警条件值。