CN116936107B - 基于卷积神经网络的心脏数据风险分析方法、系统及介质 - Google Patents

基于卷积神经网络的心脏数据风险分析方法、系统及介质 Download PDF

Info

Publication number
CN116936107B
CN116936107B CN202311207464.5A CN202311207464A CN116936107B CN 116936107 B CN116936107 B CN 116936107B CN 202311207464 A CN202311207464 A CN 202311207464A CN 116936107 B CN116936107 B CN 116936107B
Authority
CN
China
Prior art keywords
heart
data
index
patient
healthy
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
CN202311207464.5A
Other languages
English (en)
Other versions
CN116936107A (zh
Inventor
齐玉娟
吴振华
朱晓龙
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.)
TIANJIN CHEST HOSPITAL
Original Assignee
TIANJIN CHEST HOSPITAL
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 TIANJIN CHEST HOSPITAL filed Critical TIANJIN CHEST HOSPITAL
Priority to CN202311207464.5A priority Critical patent/CN116936107B/zh
Publication of CN116936107A publication Critical patent/CN116936107A/zh
Application granted granted Critical
Publication of CN116936107B publication Critical patent/CN116936107B/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
    • G16H50/30—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
    • 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
    • A61B5/145—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
    • A61B5/14532—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 glucose, e.g. by tissue impedance measurement
    • 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
    • A61B5/145—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
    • A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G16H50/70—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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Software Systems (AREA)
  • Vascular Medicine (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Emergency Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)

Abstract

本发明公开了基于卷积神经网络的心脏数据风险分析方法、系统及介质，涉及心脏风险分析技术领域，包括如下步骤：建立心脏检测数据库，录入心脏数据以及体征预留数据；对心脏数据进行学习提取，得到用于比对的比对数据；获取用户的心脏检测数据以及体征数据；将用户的心脏检测数据与比对数据进行比对分析，根据分析结果输出分析结果信号；根据分析结果信号向用户发送风险预警信息；以解决现有的心脏风险分析技术还存在对心脏数据的分析不够全面以及缺少对用户体征数据的分析，导致心脏数据的风险分析结果不够准确以及缺少可信基础的问题。

Description

基于卷积神经网络的心脏数据风险分析方法、系统及介质
技术领域
本发明涉及心脏风险分析技术领域，具体为基于卷积神经网络的心脏数据风险分析方法、系统及介质。
背景技术
心脏风险分析技术是一种用于评估个体心脏疾病风险的方法。通过收集个体的生理指标、临床数据和心脏相关信息，利用数学模型和算法进行分析和预测，以确定个体患心脏疾病的可能性和风险水平。
现有的心脏风险分析技术通常都是基于各项心脏数据的正常范围设定阈值，在数据偏离正常范围后就判断心脏数据具有风险，此方法考虑不够全面，部分数据轻度偏离正常范围时的心脏并非就是病患心脏数据或是风险心脏数据，同时，由于不同的个体之间存在差异，而现有的心脏风险分析技术在风险分析时缺少对用户体征数据的分析，导致分析结果的准确性以及可信度不足，比如在申请公开号为：“CN107066798A”的中国专利中，公开了“一种心脏健康质量预警系统及其预警方法”，该方案就缺少用户体征数据的分析，没有考虑不同的个体之间存在的差异，导致分析结果的准确性以及可信度不足，现有的心脏风险分析技术还存在对心脏数据的分析不够全面以及缺少对用户体征数据的分析，导致心脏数据的风险分析结果不够准确以及缺少可信基础的问题。
发明内容
本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过结合大量心脏数据计算分析健康指数范围、病患指数范围以及风险指数范围，再对用户的心脏数据进行分析，同时基于用户的体征数据查找心脏检测数据库中是否存在近似数据，以提高分析结果的可信度，以解决现有的心脏风险分析技术还存在对心脏数据的分析不够全面以及缺少对用户体征数据的分析，导致心脏数据的风险分析结果不够准确以及缺少可信基础的问题。
为实现上述目的，第一方面，本申请提供基于卷积神经网络的心脏数据风险分析方法，包括：
建立心脏检测数据库，录入心脏数据以及体征预留数据；
对心脏数据进行学习提取，通过多组的数据不断筛选，得到用于比对的比对数据；
获取用户的心脏检测数据以及体征数据；
将用户的心脏检测数据与比对数据进行比对分析，同时对体征数据以及体征预留数据进行分析，根据分析结果输出分析结果信号；
获取分析结果信号，根据分析结果信号向用户发送风险预警信息。
进一步地，录入心脏数据以及体征预留数据中，心脏数据包括健康心脏数据以及病患心脏数据；所述体征预留数据包括预留体重、预留血糖以及预留血脂；其中，每一份健康心脏数据或病患心脏数据均对应一组体征预留数据。
进一步地，对心脏数据进行学习提取，通过多组的数据不断筛选，得到用于比对的比对数据包括如下子步骤：
获取健康心脏数据以及病患心脏数据；所述健康心脏数据包括健康心率、健康血压、健康心脏血氧饱和度以及健康心率变异性；所述病患心脏数据包括病患心率、病患血压、病患心脏血氧饱和度以及病患心率变异性；
获取心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围；分别计算其范围的中值，得到心率中值、血压中值、心脏血氧饱和度中值以及心率变异性中值；
通过心脏指数公式对心率中值、血压中值、心脏血氧饱和度中值以及心率变异性中值以及心脏数据进行计算，得到健康心脏指数以及病患心脏指数；
所述心脏指数公式配置为：
；其中，Ce为心脏指数，Hr为健康心率或病患心率，Mhr为心率中值，Bp为健康血压或病患血压，Mbp为血压中值，Cb为健康心脏血氧饱和度或病患心脏血氧饱和度，Mcb为心脏血氧饱和度中值，Cd为健康心率变异性或病患心率变异性，Mcd为心率变异性中值，α为血氧饱和系数，β为变异性系数，α和β为常数且大于零；
对健康心脏数据以及病患心脏数据进行筛选。
进一步地，对健康心脏数据以及病患心脏数据进行筛选包括如下子步骤：
获取所有的健康心脏指数以及病患心脏指数，整合健康心脏指数，得到健康心脏指数的范围，标记为健康指数范围；整合病患心脏指数，得到病患心脏指数的范围，标记为病患指数范围；
获取健康指数范围与病患指数范围重复的指数范围，标记为重复指数范围；
获取重复指数范围内的健康心脏指数以及病患心脏指数，分别标记为健康待定指数以及病患待定指数；
获取健康待定指数的健康心率、健康血压、健康心脏血氧饱和度以及健康心率变异性，分别标记为健康待定心率、健康待定血压、健康待定心脏血氧饱和度以及健康待定心率变异性；获取病患待定指数的病患心率、病患血压、病患心脏血氧饱和度以及病患心率变异性，分别标记为病患待定心率、病患待定血压、病患待定心脏血氧饱和度以及病患待定心率变异性；
分别判断健康待定心率、健康待定血压、健康待定心脏血氧饱和度以及健康待定心率变异性是否处于心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围内，若均处于正常范围，则输出心脏健康信号；若存在不处于正常范围的分析结果，则输出心脏数据风险信号；
分别判断病患待定心率、病患待定血压、病患待定心脏血氧饱和度以及病患待定心率变异性是否处于心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围内，若均处于正常范围，则输出心脏健康信号；若存在不处于正常范围的分析结果，则输出心脏数据风险信号；
若输出心脏健康信号，则将对应的健康待定指数或病患待定指数划分到健康心脏指数中；若输出心脏数据风险信号，则将对应的健康待定指数或病患待定指数标记为风险心脏指数；
对所有健康心脏指数以及病患心脏指数分析完成后，重新计算健康指数范围以及病患指数范围，同时计算风险心脏指数的范围，标记为风险指数范围，整合健康指数范围、病患指数范围以及风险指数范围为比对数据；
通过卷积神经网络实时更新健康指数范围、病患指数范围以及风险指数范围。
进一步地，获取用户的心脏检测数据包括获取用户的检测心率、检测血压、检测心脏血氧饱和度以及检测心率变异性；获取用户的体征数据包括获取用户的用户体重、用户血糖以及用户血脂。
进一步地，将用户的心脏检测数据与风险数据进行比对分析，同时对体征数据以及体征预留数据进行分析，根据分析结果输出分析结果信号包括如下子步骤：
通过心脏指数公式计算用户的心脏检测数据，得到用户心脏指数；
将用户心脏指数与健康指数范围、病患指数范围以及风险指数范围进行比对，查找用户心脏指数所处范围为健康指数范围、病患指数范围或风险指数范围，若所处范围为健康指数范围，则输出心脏数据健康信号；若所处范围为病患指数范围，则输出心脏数据患病信号；若所处范围为风险指数范围，则输出心脏数据风险信号；将心脏数据健康信号、心脏数据患病信号以及心脏数据风险信号整合标记为分析结果信号；
将用户的体征数据与体征预留数据进行相似度计算，所述相似度计算为将体征数据与体征预留数据进行比值计算，判断计算结果是否大于1，若大于1，则将计算结果的反比标记为体征相似度；若不大于1，则将计算结果标记为体征相似度；
查找体征相似度均大于第一相似度阈值的体征预留数据，标记为相似体征比对数据；
对相似体征比对数据对应的心脏数据进行分析，进一步判断用户的心脏数据是否存在风险。
进一步地，对相似体征比对数据对应的心脏数据进行分析包括如下子步骤：
将相似体征比对数据对应的心脏数据标记为相似体征心脏数据；
对用户的心脏检测数据以及相似体征心脏数据进行相似度计算，将计算结果标记为用户数据相似度，所述用户数据相似度包括心率相似度、血压相似度、心脏血氧饱和度相似度以及心率变异性相似度；
计算心率相似度、血压相似度、心脏血氧饱和度相似度以及心率变异性相似度的平均值，标记为用户数据平均相似度；
查找用户数据平均相似度中的最大值，标记为用户数据最大相似度，将用户数据最大相似度与第一相似度阈值进行比对，若用户数据最大相似度小于第一相似度阈值，则输出不存在已有数据信号；若用户数据最大相似度大于等于第一相似度阈值，则输出存在已有数据信号；
将不存在已有数据信号以及存在已有数据信号整合标记为数据验证信号。
进一步地，获取分析结果信号，根据分析结果信号向用户发送风险预警信息包括如下子步骤：
当数据验证信号为不存在已有数据信号时，发送数据补充信息至管理端；
当数据验证信号为存在已有数据信号时，获取分析结果信号，若分析结果信号为心脏数据健康信号，则向用户发送心脏数据健康信息；若分析结果信号为心脏数据患病信号，则向用户发送心脏患病信息；若分析结果信号为心脏数据风险信号，则向用户发送心脏数据存在风险信息。
第二方面，本申请提供基于卷积神经网络的心脏数据风险分析系统，包括心脏检测数据库、数据筛选模块、实时数据获取模块、比对模块以及提醒模块；所述心脏检测数据库、学习提取模块、实时数据获取模块以及提醒模块分别与比对模块数据连接；
所述心脏检测数据库用于存储多组心脏数据以及体征预留数据；
所述数据筛选模块包括心脏指数计算单元以及风险指数筛选单元，所述心脏指数计算单元用于计算健康心脏指数、病患心脏指数以及用户心脏指数；所述风险指数筛选单元用于筛选风险指数范围、健康指数范围以及病患指数范围；
所述实时数据获取模块包括心脏数据获取单元以及体征数据获取单元，所述心脏数据获取单元用于获取用户的心脏检测数据；所述体征数据获取单元用于获取用户的体征数据；
所述比对模块包括心脏指数比对单元以及体征数据比对单元，所述心脏指数比对单元用于将用户的用户心脏指数与健康指数范围、病患指数范围以及风险指数范围进行比对，根据比对结果输出分析结果信号；所述体征数据比对单元用于比对用户的体征数据以及体征预留数据，同时比对心脏检测数据以及心脏数据，查找心脏检测数据库中是否存在已有的相似数据，根据分析结果输出数据验证信号；
所述提醒模块用于根据分析结果信号以及数据验证信号向用户发送提醒信息。
第三方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，运行如上任意一项所述方法中的步骤。
本发明的有益效果：本发明通过建立心脏检测数据库，收集大量的心脏数据以及体征预留数据，通过数学模型对心脏数据进行计算，基于大量的心脏数据来分析健康心脏、病患心脏以及风险心脏的不同的范围，优势在于，基于大量的心脏数据进行计算可以使得计算结果的可信度大幅提升，且不易出现错误，提高了心脏数据风险分析的准确性以及可信度；
本发明通过对计算得到的健康指数范围以及病患指数范围进行比对筛选，对两者的重复范围进行数据校正，并从中分析得到风险指数范围，优势在于，基于数据分析得到的风险指数范围比人为设定的阈值更加具有说服力，同时还校正了心脏检测数据库中的错误数据，进一步提高了心脏数据风险分析的准确性以及可信度；
本发明通过计算用户的心脏检测数据，得到用户心脏指数，再根据健康指数范围、病患指数范围以及风险指数范围判断用户的心脏的状态，再根据用户的体征数据查找心脏检测数据库中是否有相近似的数据，优势在于，本方法是基于心脏检测数据库分析得到的各种数据，若能够在心脏检测数据库中查找到近似数据，则大幅提高了此次心脏数据风险分析的可信度以及准确性。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的方法的步骤流程图；
图2为本发明的指数范围的分析步骤流程图；
图3为本发明的系统的原理框图。
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所示，第一方面，本申请提供基于卷积神经网络的心脏数据风险分析方法，包括：
步骤S1，建立心脏检测数据库，录入心脏数据以及体征预留数据；
步骤S1包括建立心脏检测数据库，录入心脏数据以及体征预留数据；心脏数据包括健康心脏数据以及病患心脏数据；体征预留数据包括预留体重、预留血糖以及预留血脂；其中，每一份健康心脏数据或病患心脏数据均对应一组体征预留数据；
具体实施中，心脏数据以及对应的体征预留数据由管理端提供已有样本数据。
请参阅图2所示，步骤S2，对心脏数据进行学习提取，通过多组的数据不断筛选，得到用于比对的比对数据；实际应用中，各项心脏数据都存在正常范围，但仅仅通过正常范围就界定用户的心脏是否存在异常的方式常常会忽略不同个体之间的差异导致的数据的浮动误差，而针对已有的海量数据进行科学合理的计算，最终得到一个指数，再整合各种情况下指数的范围，由此可以最大限度的结合实际生活以及消除个体差异导致的误差；步骤S2包括如下子步骤：
步骤S201，获取健康心脏数据以及病患心脏数据；健康心脏数据包括健康心率、健康血压、健康心脏血氧饱和度以及健康心率变异性；病患心脏数据包括病患心率、病患血压、病患心脏血氧饱和度以及病患心率变异性；
步骤S202，获取心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围；分别计算其范围的中值，得到心率中值、血压中值、心脏血氧饱和度中值以及心率变异性中值；
步骤S203，通过心脏指数公式对心率中值、血压中值、心脏血氧饱和度中值以及心率变异性中值以及心脏数据进行计算，得到健康心脏指数以及病患心脏指数；
心脏指数公式配置为：
；其中，Ce为心脏指数，Hr为健康心率或病患心率，Mhr为心率中值，Bp为健康血压或病患血压，Mbp为血压中值，Cb为健康心脏血氧饱和度或病患心脏血氧饱和度，Mcb为心脏血氧饱和度中值，Cd为健康心率变异性或病患心率变异性，Mcd为心率变异性中值，α为血氧饱和系数，β为变异性系数，α和β为常数且大于零；
具体实施中，心脏指数公式适用于健康心脏数据以及病患心脏数据，此处以健康心脏数据进行举例，α设置为100，β设置为3/4，获取到健康心率Hr为88次/min，健康血压Bp为82mmHg，健康心脏血氧饱和度Cb为91%，健康心率变异性Cd为135；获取到心率正常范围为60次/min-100次/min，血压正常范围为73mmHg-93mmHg，心脏血氧饱和度正常范围为80%-100%，心率变异性正常范围为102ms-180ms，则计算得到心率中值Mhr为80次/min，血压中值Mbp为83mmHg，心脏血氧饱和度中值Mcb为90%，心率变异性中值Mcd为141ms，综合计算得到健康心脏指数Ce为9.29，计算结果保留两位小数；
步骤S204，对健康心脏数据以及病患心脏数据进行筛选；由于数据量过大，在录入时难免出现错误，若不对错误数据进行筛选将会导致整个分析方法失效，且实际生活中，某些数据偏离正常范围并不会导致心脏异常，在这一范围内的数据中同时存在健康心脏数据以及病患心脏数据，而此类就可以判定为风险范围；
步骤S204包括如下子步骤：
步骤S2041，获取所有的健康心脏指数以及病患心脏指数，整合健康心脏指数，得到健康心脏指数的范围，标记为健康指数范围；整合病患心脏指数，得到病患心脏指数的范围，标记为病患指数范围；
具体实施中，由于样本数据的数量过于庞大，得到的健康心脏指数以及病患心脏指数的数量过多，因此此处仅展示最后得到的健康指数范围以及病患指数范围以推进实施例的进行；获取健康心脏指数以及病患心脏指数，整合得到健康指数范围为[0,42.46]，病患指数范围为[37.64,102.39]；
步骤S2042，获取健康指数范围与病患指数范围重复的指数范围，标记为重复指数范围；
步骤S2043，获取重复指数范围内的健康心脏指数以及病患心脏指数，分别标记为健康待定指数以及病患待定指数；
具体实施中，获取到重复指数范围为[37.64,42.46]，处于重复指数范围内的健康心脏指数为39.56、38.15以及42.46，将其标记为健康待定指数；处于重复指数范围内的病患心脏指数为37.64、39.38以及42.44，将其标记为病患待定指数；
步骤S2044，获取健康待定指数的健康心率、健康血压、健康心脏血氧饱和度以及健康心率变异性，分别标记为健康待定心率、健康待定血压、健康待定心脏血氧饱和度以及健康待定心率变异性；获取病患待定指数的病患心率、病患血压、病患心脏血氧饱和度以及病患心率变异性，分别标记为病患待定心率、病患待定血压、病患待定心脏血氧饱和度以及病患待定心率变异性；
具体实施中，获取到健康待定指数为38.15的健康待定心率为100次/min，健康待定血压为93mmHg，健康待定心脏血氧饱和度为80%，健康待定心率变异性为102ms；获取到病患待定指数为37.64的病患待定心率为99，病患待定血压为73，病患待定心脏血氧饱和度为80%，病患待定心率变异性为180ms；
步骤S2045，分别判断健康待定心率、健康待定血压、健康待定心脏血氧饱和度以及健康待定心率变异性是否处于心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围内，若均处于正常范围，则输出心脏健康信号；若存在不处于正常范围的分析结果，则输出心脏数据风险信号；
具体实施中，心率正常范围为60次/min-100次/min，血压正常范围为73mmHg-93mmHg，心脏血氧饱和度正常范围为80%-100%，心率变异性正常范围为102ms-180ms，分析得到38.15的健康待定指数的健康待定心率、健康待定血压、健康待定心脏血氧饱和度以及健康待定心率变异性均处于正常范围，则输出心脏健康信号；同理分析剩余的健康待定指数，分析后均得到存在不处于正常范围的分析结果，则均输出心脏数据风险信号；
步骤S2046，分别判断病患待定心率、病患待定血压、病患待定心脏血氧饱和度以及病患待定心率变异性是否处于心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围内，若均处于正常范围，则输出心脏健康信号；若存在不处于正常范围的分析结果，则输出心脏数据风险信号；
具体实施中，通过分析得到37.64的病患待定指数的病患待定心率、病患待定血压、病患待定心脏血氧饱和度以及病患待定心率变异性均处于正常范围，则输出心脏健康信号；同理分析剩余的病患待定指数，分析后均得到存在不处于正常范围的分析结果，则均输出心脏数据风险信号；
步骤S2047，若输出心脏健康信号，则将对应的健康待定指数或病患待定指数划分到健康心脏指数中；若输出心脏数据风险信号，则将对应的健康待定指数或病患待定指数标记为风险心脏指数；
步骤S2048，对所有健康心脏指数以及病患心脏指数分析完成后，重新计算健康指数范围以及病患指数范围，同时计算风险心脏指数的范围，标记为风险指数范围，整合健康指数范围、病患指数范围以及风险指数范围为比对数据；
具体实施中，将37.64的病患待定指数以及38.15的健康待定指数划分到健康心脏指数中；将39.56以及42.46的健康待定指数划分为风险心脏指数，将39.38以及42.44的病患待定指数划分为风险心脏指数，重新计算得到健康指数范围为[0,38.15]，病患指数范围为(42.46,102.39]，风险指数范围为(38.15,42.46]；
步骤S2049，通过卷积神经网络实时更新健康指数范围、病患指数范围以及风险指数范围；
具体实施中，卷积神经网络采用现有的卷积神经网络技术，通过对心脏指数算法以及心脏数据的深度学习，在心脏检测数据库更新数据时实时更新健康指数范围、病患指数范围以及风险指数范围。
步骤S3，获取用户的心脏检测数据以及体征数据；
获取用户的心脏检测数据包括获取用户的检测心率、检测血压、检测心脏血氧饱和度以及检测心率变异性；获取用户的体征数据包括获取用户的用户体重、用户血糖以及用户血脂；
具体实施中，获取到检测心率为83次/min，检测血压为82mmHg，检测心脏血氧饱和度为94%，检测心率变异性为144ms；获取到用户体重为62kg，用户血糖为5.4mmol/L，此处血糖为空腹血糖，用户血脂为4.8mmol/L，此处测量的血脂为总胆固醇。
步骤S4，将用户的心脏检测数据与比对数据进行比对分析，同时对体征数据以及体征预留数据进行分析，根据分析结果输出分析结果信号；在实际应用中，由于个体之间存在差异，而本方法是基于海量数据分析得到，因此需要对数据进行验证，以确保心脏检测数据库中存在相似的心脏数据以及分析结果，由此可以确保此次分析结果具有数据支持，提高分析结果的可信度；步骤S4包括如下子步骤：
步骤S401，通过心脏指数公式计算用户的心脏检测数据，得到用户心脏指数；
步骤S402，将用户心脏指数与健康指数范围、病患指数范围以及风险指数范围进行比对，查找用户心脏指数所处范围为健康指数范围、病患指数范围或风险指数范围，若所处范围为健康指数范围，则输出心脏数据健康信号；若所处范围为病患指数范围，则输出心脏数据患病信号；若所处范围为风险指数范围，则输出心脏数据风险信号；将心脏数据健康信号、心脏数据患病信号以及心脏数据风险信号整合标记为分析结果信号；
具体实施中，计算得到用户心脏指数为5.57，通过比对得到用户心脏指数所处范围为健康指数范围，则输出心脏数据健康信号；
步骤S403，将用户的体征数据与体征预留数据进行相似度计算，相似度计算为将体征数据与体征预留数据进行比值计算，判断计算结果是否大于1，若大于1，则将计算结果的反比标记为体征相似度；若不大于1，则将计算结果标记为体征相似度；
具体实施中，由于体征预留数据的数据量庞大，因此此处仅取一组体征预留数据进行举例说明；体征预留数据中，预留体重为59kg，预留血糖为5.2mmol/L，预留血脂为5.0mmol/L，将用户体重与预留体重进行比值计算，得到计算结果为1.05，计算结果保留两位小数，由于计算结果大于1，则将计算结果的反比标记为体重相似度，即将0.95标记为体重相似度；同理计算得到血糖相似度为0.96，血脂相似度为0.96；体征相似度包括体重相似度、血糖相似度以及血脂相似度；
步骤S404，查找体征相似度均大于第一相似度阈值的体征预留数据，标记为相似体征比对数据；
具体实施中，第一相似度阈值设置为0.9，查找得到相似体征比对数据a1：体重相似度为0.95，血糖相似度为0.96，血脂相似度为0.96；相似体征比对数据a2：体重相似度为0.94，血糖相似度为0.95，血脂相似度为0.91；相似体征比对数据a3：体重相似度为0.90，血糖相似度为0.92，血脂相似度为0.93；
步骤S405，对相似体征比对数据对应的心脏数据进行分析，进一步判断用户的心脏数据是否存在风险；
步骤S405包括如下子步骤：
步骤S4051，将相似体征比对数据对应的心脏数据标记为相似体征心脏数据；
具体实施中，将相似体征比对数据a1、相似体征比对数据a2以及相似体征比对数据a3对应的心脏数据分别标记为相似体征心脏数据b1、相似体征心脏数据b2以及相似体征心脏数据b3；其中，相似体征心脏数据b1：健康心率为82次/min，健康血压为84mmHg，健康心脏血氧饱和度为91%，健康心率变异性为139ms；相似体征心脏数据b2：健康心率为95次/min，健康血压为73mmHg，健康心脏血氧饱和度为82%，健康心率变异性为108ms；相似体征心脏数据b3：病患心率为59次/min，病患血压为95mmHg，病患心脏血氧饱和度为80%，病患心率变异性为100ms；
步骤S4052，对用户的心脏检测数据以及相似体征心脏数据进行相似度计算，将计算结果标记为用户数据相似度，用户数据相似度包括心率相似度、血压相似度、心脏血氧饱和度相似度以及心率变异性相似度；
具体实施中，将相似体征心脏数据b1的计算结果标记为用户数据相似度c1，将相似体征心脏数据b2的计算结果标记为用户数据相似度c2，将相似体征心脏数据b3的计算结果标记为用户数据相似度c3;其中，用户数据相似度c1：心率相似度为0.99，血压相似度为0.98，心脏血氧饱和度相似度为0.97，心率变异性相似度为0.97；用户数据相似度c2：心率相似度为0.87，血压相似度为0.89，心脏血氧饱和度相似度为0.87，心率变异性相似度为0.75；用户数据相似度c3：心率相似度为0.71，血压相似度为0.83，心脏血氧饱和度相似度为0.85，心率变异性相似度为0.69；
步骤S4053，计算心率相似度、血压相似度、心脏血氧饱和度相似度以及心率变异性相似度的平均值，标记为用户数据平均相似度；
具体实施中，计算得到用户数据相似度c1的用户数据平均相似度d1为0.9775，计算得到用户数据相似度c2的用户数据平均相似度d2为0.845，计算得到用户数据相似度c3的用户数据平均相似度d3为0.77；
步骤S4054，查找用户数据平均相似度中的最大值，标记为用户数据最大相似度，将用户数据最大相似度与第一相似度阈值进行比对，若用户数据最大相似度小于第一相似度阈值，则输出不存在已有数据信号；若用户数据最大相似度大于等于第一相似度阈值，则输出存在已有数据信号；
步骤S4055，将不存在已有数据信号以及存在已有数据信号整合标记为数据验证信号；
具体实施中，查找得到用户数据最大相似度为0.9775，通过比对得到用户数据最大相似度大于第一相似度阈值，则输出存在已有数据信号。
步骤S5，获取分析结果信号，根据分析结果信号向用户发送风险预警信息；步骤S5包括如下子步骤：
步骤S501，当数据验证信号为不存在已有数据信号时，发送数据补充信息至管理端；
步骤S502，当数据验证信号为存在已有数据信号时，获取分析结果信号，若分析结果信号为心脏数据健康信号，则向用户发送心脏数据健康信息；若分析结果信号为心脏数据患病信号，则向用户发送心脏患病信息；若分析结果信号为心脏数据风险信号，则向用户发送心脏数据存在风险信息；
具体实施中，输出了存在已有数据信号，获取到分析结果信号为心脏数据健康信号，则向用户发送心脏数据健康信息；心脏数据健康信息、心脏患病信息以及心脏数据存在风险信息为预设文本文字，用于对用户进行提醒。
实施例2请参阅图3所示，第二方面，本申请提供基于卷积神经网络的心脏数据风险分析系统，包括心脏检测数据库、数据筛选模块、实时数据获取模块、比对模块以及提醒模块；心脏检测数据库、学习提取模块、实时数据获取模块以及提醒模块分别与比对模块数据连接；
心脏检测数据库用于存储多组心脏数据以及体征预留数据；
数据筛选模块包括心脏指数计算单元以及风险指数筛选单元，心脏指数计算单元用于计算健康心脏指数、病患心脏指数以及用户心脏指数；风险指数筛选单元用于筛选风险指数范围、健康指数范围以及病患指数范围；
实时数据获取模块包括心脏数据获取单元以及体征数据获取单元，心脏数据获取单元用于获取用户的心脏检测数据；体征数据获取单元用于获取用户的体征数据；
比对模块包括心脏指数比对单元以及体征数据比对单元，心脏指数比对单元用于将用户的用户心脏指数与健康指数范围、病患指数范围以及风险指数范围进行比对，根据比对结果输出分析结果信号；体征数据比对单元用于比对用户的体征数据以及体征预留数据，同时比对心脏检测数据以及心脏数据，查找心脏检测数据库中是否存在已有的相似数据，根据分析结果输出数据验证信号；
提醒模块用于根据分析结果信号以及数据验证信号向用户发送提醒信息。
实施例3第三方面，本申请提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：建立心脏检测数据库，录入心脏数据以及体征预留数据；对心脏数据进行学习提取，得到用于比对的比对数据；获取用户的心脏检测数据以及体征数据；将用户的心脏检测数据与比对数据进行比对分析，同时对体征数据以及体征预留数据进行分析，根据分析结果输出分析结果信号；获取分析结果信号，根据分析结果信号向用户发送风险预警信息。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
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上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。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。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

Claims (7)

1.基于卷积神经网络的心脏数据风险分析方法，其特征在于，包括：
建立心脏检测数据库，录入心脏数据以及体征预留数据；
对心脏数据进行学习提取，通过多组的数据不断筛选，得到用于比对的比对数据；
获取用户的心脏检测数据以及体征数据；
将用户的心脏检测数据与比对数据进行比对分析，同时对体征数据以及体征预留数据进行分析，根据分析结果输出分析结果信号；
获取分析结果信号，根据分析结果信号向用户发送风险预警信息；
录入心脏数据以及体征预留数据中，心脏数据包括健康心脏数据以及病患心脏数据；所述体征预留数据包括预留体重、预留血糖以及预留血脂；其中，每一份健康心脏数据或病患心脏数据均对应一组体征预留数据；
对心脏数据进行学习提取，通过多组的数据不断筛选，得到用于比对的比对数据包括如下子步骤：
获取健康心脏数据以及病患心脏数据；所述健康心脏数据包括健康心率、健康血压、健康心脏血氧饱和度以及健康心率变异性；所述病患心脏数据包括病患心率、病患血压、病患心脏血氧饱和度以及病患心率变异性；
获取心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围；分别计算其范围的中值，得到心率中值、血压中值、心脏血氧饱和度中值以及心率变异性中值；
通过心脏指数公式对心率中值、血压中值、心脏血氧饱和度中值以及心率变异性中值以及心脏数据进行计算，得到健康心脏指数以及病患心脏指数；
所述心脏指数公式配置为：
；其中，Ce为心脏指数，Hr为健康心率或病患心率，Mhr为心率中值，Bp为健康血压或病患血压，Mbp为血压中值，Cb为健康心脏血氧饱和度或病患心脏血氧饱和度，Mcb为心脏血氧饱和度中值，Cd为健康心率变异性或病患心率变异性，Mcd为心率变异性中值，α为血氧饱和系数，β为变异性系数，α和β为常数且大于零；
对健康心脏数据以及病患心脏数据进行筛选；
对健康心脏数据以及病患心脏数据进行筛选包括如下子步骤：
获取所有的健康心脏指数以及病患心脏指数，整合健康心脏指数，得到健康心脏指数的范围，标记为健康指数范围；整合病患心脏指数，得到病患心脏指数的范围，标记为病患指数范围；
获取健康指数范围与病患指数范围重复的指数范围，标记为重复指数范围；
获取重复指数范围内的健康心脏指数以及病患心脏指数，分别标记为健康待定指数以及病患待定指数；
获取健康待定指数的健康心率、健康血压、健康心脏血氧饱和度以及健康心率变异性，分别标记为健康待定心率、健康待定血压、健康待定心脏血氧饱和度以及健康待定心率变异性；获取病患待定指数的病患心率、病患血压、病患心脏血氧饱和度以及病患心率变异性，分别标记为病患待定心率、病患待定血压、病患待定心脏血氧饱和度以及病患待定心率变异性；
分别判断健康待定心率、健康待定血压、健康待定心脏血氧饱和度以及健康待定心率变异性是否处于心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围内，若均处于正常范围，则输出心脏健康信号；若存在不处于正常范围的分析结果，则输出心脏数据风险信号；
分别判断病患待定心率、病患待定血压、病患待定心脏血氧饱和度以及病患待定心率变异性是否处于心率正常范围、血压正常范围、心脏血氧饱和度正常范围以及心率变异性正常范围内，若均处于正常范围，则输出心脏健康信号；若存在不处于正常范围的分析结果，则输出心脏数据风险信号；
若输出心脏健康信号，则将对应的健康待定指数或病患待定指数划分到健康心脏指数中；若输出心脏数据风险信号，则将对应的健康待定指数或病患待定指数标记为风险心脏指数；
对所有健康心脏指数以及病患心脏指数分析完成后，重新计算健康指数范围以及病患指数范围，同时计算风险心脏指数的范围，标记为风险指数范围，整合健康指数范围、病患指数范围以及风险指数范围为比对数据；
通过卷积神经网络实时更新健康指数范围、病患指数范围以及风险指数范围。
2.根据权利要求1所述的基于卷积神经网络的心脏数据风险分析方法，其特征在于，获取用户的心脏检测数据包括获取用户的检测心率、检测血压、检测心脏血氧饱和度以及检测心率变异性；获取用户的体征数据包括获取用户的用户体重、用户血糖以及用户血脂。
3.根据权利要求2所述的基于卷积神经网络的心脏数据风险分析方法，其特征在于，将用户的心脏检测数据与风险数据进行比对分析，同时对体征数据以及体征预留数据进行分析，根据分析结果输出分析结果信号包括如下子步骤：
通过心脏指数公式计算用户的心脏检测数据，得到用户心脏指数；
将用户心脏指数与健康指数范围、病患指数范围以及风险指数范围进行比对，查找用户心脏指数所处范围为健康指数范围、病患指数范围或风险指数范围，若所处范围为健康指数范围，则输出心脏数据健康信号；若所处范围为病患指数范围，则输出心脏数据患病信号；若所处范围为风险指数范围，则输出心脏数据风险信号；将心脏数据健康信号、心脏数据患病信号以及心脏数据风险信号整合标记为分析结果信号；
将用户的体征数据与体征预留数据进行相似度计算，所述相似度计算为将体征数据与体征预留数据进行比值计算，判断计算结果是否大于1，若大于1，则将计算结果的反比标记为体征相似度；若不大于1，则将计算结果标记为体征相似度；
查找体征相似度均大于第一相似度阈值的体征预留数据，标记为相似体征比对数据；
对相似体征比对数据对应的心脏数据进行分析，进一步判断用户的心脏数据是否存在风险。
4.根据权利要求3所述的基于卷积神经网络的心脏数据风险分析方法，其特征在于，对相似体征比对数据对应的心脏数据进行分析包括如下子步骤：
将相似体征比对数据对应的心脏数据标记为相似体征心脏数据；
对用户的心脏检测数据以及相似体征心脏数据进行相似度计算，将计算结果标记为用户数据相似度，所述用户数据相似度包括心率相似度、血压相似度、心脏血氧饱和度相似度以及心率变异性相似度；
计算心率相似度、血压相似度、心脏血氧饱和度相似度以及心率变异性相似度的平均值，标记为用户数据平均相似度；
查找用户数据平均相似度中的最大值，标记为用户数据最大相似度，将用户数据最大相似度与第一相似度阈值进行比对，若用户数据最大相似度小于第一相似度阈值，则输出不存在已有数据信号；若用户数据最大相似度大于等于第一相似度阈值，则输出存在已有数据信号；
将不存在已有数据信号以及存在已有数据信号整合标记为数据验证信号。
5.根据权利要求4所述的基于卷积神经网络的心脏数据风险分析方法，其特征在于，获取分析结果信号，根据分析结果信号向用户发送风险预警信息包括如下子步骤：
当数据验证信号为不存在已有数据信号时，发送数据补充信息至管理端；
当数据验证信号为存在已有数据信号时，获取分析结果信号，若分析结果信号为心脏数据健康信号，则向用户发送心脏数据健康信息；若分析结果信号为心脏数据患病信号，则向用户发送心脏患病信息；若分析结果信号为心脏数据风险信号，则向用户发送心脏数据存在风险信息。
6.适用于权利要求1-5任意一项所述的基于卷积神经网络的心脏数据风险分析方法的系统，其特征在于，包括心脏检测数据库、数据筛选模块、实时数据获取模块、比对模块以及提醒模块；所述心脏检测数据库、学习提取模块、实时数据获取模块以及提醒模块分别与比对模块数据连接；
所述心脏检测数据库用于存储多组心脏数据以及体征预留数据；
所述数据筛选模块包括心脏指数计算单元以及风险指数筛选单元，所述心脏指数计算单元用于计算健康心脏指数、病患心脏指数以及用户心脏指数；所述风险指数筛选单元用于筛选风险指数范围、健康指数范围以及病患指数范围；
所述实时数据获取模块包括心脏数据获取单元以及体征数据获取单元，所述心脏数据获取单元用于获取用户的心脏检测数据；所述体征数据获取单元用于获取用户的体征数据；
所述比对模块包括心脏指数比对单元以及体征数据比对单元，所述心脏指数比对单元用于将用户的用户心脏指数与健康指数范围、病患指数范围以及风险指数范围进行比对，根据比对结果输出分析结果信号；所述体征数据比对单元用于比对用户的体征数据以及体征预留数据，同时比对心脏检测数据以及心脏数据，查找心脏检测数据库中是否存在已有的相似数据，根据分析结果输出数据验证信号；
所述提醒模块用于根据分析结果信号以及数据验证信号向用户发送提醒信息。
7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，运行如权利要求1-5任一项所述方法中的步骤。
CN202311207464.5A 2023-09-19 2023-09-19 基于卷积神经网络的心脏数据风险分析方法、系统及介质 Active CN116936107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311207464.5A CN116936107B (zh) 2023-09-19 2023-09-19 基于卷积神经网络的心脏数据风险分析方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311207464.5A CN116936107B (zh) 2023-09-19 2023-09-19 基于卷积神经网络的心脏数据风险分析方法、系统及介质

Publications (2)

Publication Number Publication Date
CN116936107A CN116936107A (zh) 2023-10-24
CN116936107B true CN116936107B (zh) 2023-12-22

Family

ID=88390173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311207464.5A Active CN116936107B (zh) 2023-09-19 2023-09-19 基于卷积神经网络的心脏数据风险分析方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116936107B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118471515B (zh) * 2024-07-09 2024-09-17 川北医学院附属医院 一种心脏动态监测与分析方法及监测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104382570A (zh) * 2014-12-16 2015-03-04 张剑 数字化全自动健康状况检测装置
CN104765846A (zh) * 2015-04-17 2015-07-08 西安电子科技大学 一种基于特征提取算法的数据特征分类方法
CN113327680A (zh) * 2021-07-15 2021-08-31 厦门市易联众易惠科技有限公司 患病风险预警方法、装置、设备及存储介质
CN113679895A (zh) * 2021-07-23 2021-11-23 河南工业大学 一种人体膀胱功能康复的导尿训练系统
CN113974578A (zh) * 2021-10-27 2022-01-28 川北医学院 一种根据气血分析估计生理学心脏测量的装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104382570A (zh) * 2014-12-16 2015-03-04 张剑 数字化全自动健康状况检测装置
CN104765846A (zh) * 2015-04-17 2015-07-08 西安电子科技大学 一种基于特征提取算法的数据特征分类方法
CN113327680A (zh) * 2021-07-15 2021-08-31 厦门市易联众易惠科技有限公司 患病风险预警方法、装置、设备及存储介质
CN113679895A (zh) * 2021-07-23 2021-11-23 河南工业大学 一种人体膀胱功能康复的导尿训练系统
CN113974578A (zh) * 2021-10-27 2022-01-28 川北医学院 一种根据气血分析估计生理学心脏测量的装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于心律特征提取和卷积神经网络的运动健康分析算法;马蕾;《系统仿真技术》;全文 *

Also Published As

Publication number Publication date
CN116936107A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN112365978B (zh) 心动过速事件早期风险评估的模型的建立方法及其装置
CN110051324B (zh) 一种急性呼吸窘迫综合征死亡率预测方法及系统
CN110246577B (zh) 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
CN110197720A (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
CN116936107B (zh) 基于卷积神经网络的心脏数据风险分析方法、系统及介质
CN108648827A (zh) 心脑血管疾病风险预测方法及装置
CN114420231B (zh) 一种可解释的急性肾损伤持续预警方法、系统、存储介质及电子设备
CN115579104B (zh) 一种基于人工智能的肝癌全病程数字化管理方法及系统
CN115527678A (zh) 融合病历文本的Nomogram ICU老年疾病风险评分模型、装置、及其建立方法
CN110874409A (zh) 病情分级预测系统、方法、电子设备及可读存储介质
CN114283947B (zh) 一种适用于手术患者的健康管理方法及系统
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN111180026A (zh) 专科诊疗视图系统及方法
CN110812241A (zh) 基于时序聚类的用药提醒方法及相关设备
CN116864104A (zh) 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统
CN115116612A (zh) 一种儿童患者病情智能风险评估系统及方法
CN114048343A (zh) 一种涵盖患者全病程医学影像信息的分类平台
CN113674824B (zh) 一种基于区域医疗大数据的疾病编码方法和系统
CN116884631B (zh) 基于ai和相似患者分析的综合肝衰竭预测与治疗参考系统
CN117238510A (zh) 一种基于深度学习的脓毒症预测方法及系统
CN108831560B (zh) 一种确定医疗数据属性数据的方法和装置
CN111462909A (zh) 疾病演化跟踪和病情提示方法、装置及电子设备
CN113140315B (zh) 一种健康自测系统、服务器及健康检测系统
CN114724701A (zh) 基于叠加集成算法和自动编码器的无创通气疗效预测系统
CN116135146A (zh) 动态心电的分析方法、装置及医疗设备

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