CN117408823A - 一种人体实时监控的健康数据设计寿险方案系统 - Google Patents
一种人体实时监控的健康数据设计寿险方案系统 Download PDFInfo
- Publication number
- CN117408823A CN117408823A CN202311384109.5A CN202311384109A CN117408823A CN 117408823 A CN117408823 A CN 117408823A CN 202311384109 A CN202311384109 A CN 202311384109A CN 117408823 A CN117408823 A CN 117408823A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- health
- individual
- insurance
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000013461 design Methods 0.000 title claims abstract description 10
- 201000010099 disease Diseases 0.000 claims abstract description 39
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 201000003152 motion sickness Diseases 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 206010003210 Arteriosclerosis Diseases 0.000 claims description 3
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 3
- 208000011775 arteriosclerosis disease Diseases 0.000 claims description 3
- 238000009530 blood pressure measurement Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 230000036772 blood pressure Effects 0.000 claims description 2
- 235000005911 diet Nutrition 0.000 claims description 2
- 230000037213 diet Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 239000008103 glucose Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000003862 health status Effects 0.000 claims 1
- 238000009472 formulation Methods 0.000 abstract description 6
- 239000000203 mixture Substances 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 239000013585 weight reducing agent Substances 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及数据采集检测分析建模领域，具体涉及一种人体实时监控的健康数据设计寿险方案系统，以个体健康模型系统、个体疾病预测模型为核心，设有日常健康数据调用接口、体检数据调用接口及人存检测数据调用接口；设有保险调用接口，提供寿险数据；还设有历史数据存储系统，存储监控数据，便于随时调用数据。本发明基于量身健康管家机器人的日常监测和检测，建立个人健康模型；根据用户的综合数据以及长期历史积累，并且给出干预计划制定，为保险产品的量身定制奠定了数据基础，个体健康模型的精准性，给出寿险制定时应当加重权重和减少权重的部分，结合寿险精算内容，得出适合该用户的健康保险方案。
Description
技术领域
本发明涉及数据采集检测分析建模领域，具体涉及一种人体实时监控的健康数据设计寿险方案系统。
背景技术
目前社会上的健康保险类型要么是单一的全能险；要么是针对个人健康并不准确，所以保险公司需要花费大量人力成本，用以沟通用户的保险需求。数据显示，寿险行业平均成本有60%均为人力成本。
现有健康险或首先的选定过程中，针对日常健康数据的采集多用为现阶段单次采集、单次使用，对一定周期内个体健康情况的判断不具有参考性；针对个体健康情况与保险精算模型的匹配为非标品，概况模糊，不具有代表性，不能切实反应个体健康情况，不能保证对未来健康情况的预测的准确性。
发明内容
针对上述情况，本发明的目的在于提供一种人体实时监控的健康数据设计寿险方案系统，其广泛收集数据，个体健康模型，有效保证数据精准性，结合寿险精算内容，便于得出适合该用户的健康保险方案。
为实现上述目的，本发明所采取的技术方案是：提供一种人体实时监控的健康数据设计寿险方案系统，其以个体健康模型系统、个体疾病预测模型为核心，设定有日常健康数据调用接口、体检数据调用接口、人存检测数据调用接口，用以获得实时监控的数据库；设有保险调用接口，用于提供寿险数据；还设定有历史数据存储系统，用于存储监控数据，便于随时调用数据。
所述个体健康建模系统，通过采集个体数据，应用统计学和机器学习等方法进行分析和建模，模型因素需考虑生理参数、行为数据及个体生活环境因素。
所述生理参数监测，涉及的生理参数包括血压、心率、血糖水平等，以便获得关于身体功能的健康状态的信息，用于跟踪变化趋势，与基准值进行比较，实现对个体健康情况的评估。
所述行为数据采集，涉及个体日常饮食、运动、睡眠等行为数据，以便获取其中与健康相关的行为信息，用于判断个体生活方式对其健康的影响程度。
所述环境因素，包括空气质量、温度、湿度等，有助于全面评估个体的健康状况。
所述个体疾病预测模型，通过对所采取数据的筛选、分析，给出对未来健康情况的预测，具体包括：
（1）采用Framingham风险评分预测模型判断心血管疾病；
（2）采用血压测量和脉搏波速度测量模型判断动脉硬化疾病；
（3）采用逻辑回归模型：根据个体的特征来预测其是否患某种特定疾病，所述特征包括年龄、性别、家族史等；
（4）采用随机森林模型：用于多分类问题，根据多个因素来预测患某种特定疾病的可能性；
（5）采用支持向量机模型：根据个体的特征将其分为患病和非患病两类；
（6）采用深度学习模型：用于处理大规模数据和复杂特征之间的非线性关系；在疾病预测中，深度学习模型可以提取高级特征，并预测个体患某种特定疾病的可能性，比如卷积神经网络和循环神经网络。
所述卷积神经网络（CNN）和循环神经网络（RNN）来预测个体患某种特定疾病的可能性时，可以采用以下步骤：
（1）数据收集：收集包含目标疾病信息的个体数据集，包括相关特征和是否患有目标疾病的标签；
（2）数据准备：根据需要的输入因素，选择适当的特征作为模型的输入变量；例如，医学图像、基因组数据、生理指标等可以作为输入因素；
（3）数据预处理：对数据进行预处理，使用标准化、归一化或者图像处理等，以确保数据的一致性和可比性；
（4）构建卷积神经网络（CNN）：对于图像数据或者具有空间结构的数据，可以使用CNN来提取特征；CNN通过一系列卷积层、池化层和全连接层来学习图像中的特征，并生成特征向量；
（5）构建循环神经网络（RNN）：对于序列数据或者具有时间依赖性的数据，可以使用RNN来捕捉时序信息。RNN通过循环连接来处理序列数据，并将之前的状态信息传递到下一个时间步；
（6）模型融合：将CNN和RNN的输出进行融合，可以使用连接、加权平均或者其他方式将它们的特征向量组合起来；
（7）模型训练：使用带有标签的数据集对CNN和RNN进行训练；通过最小化损失函数，调整网络参数以提高模型的预测性能；
（8）模型评估：使用独立的测试集评估模型的性能，计算准确率、召回率、F1分数等指标；
（9）模型预测：使用训练好的模型对新的个体数据进行预测。模型将根据输入的特征值给出患某种特定疾病的可能性。
当使用随机森林模型来预测患某种特定疾病的可能性时，我们需要确定多个因素作为输入变量，并将其用于训练模型，具体步骤是在数据收集与准备的基础上，进行数据划分，将其分为训练集和测试集：使用随机森林算法对训练集进行训练，其能处理多个特征，并具有良好的泛化能力。根据需要，可以进行模型参数调优以提高预测性能；使用训练好的随机森林模型对测试集中的样本进行预测，根据输入的特征值给出患某种特定疾病的可能性。
所述日常健康数据调用接口，外接量身健康管家机器人，用于收集到用户日常健康数据，如年龄、性别、生活所在地、血糖、血氧、心率等日常数据。
所述体检数据调用接口，用于调用集成到的不同的用户体检数据，包括体检报告所涉及的健康信息。
所述人存检测数据调用接口，用于调用采集到的用户日常正常，晕倒等生存痕迹数据。对于用户日常的活动轨迹，以及是否有过晕倒等特殊活动作为死亡率模型和寿命表模型的一部分数据。
所述保险调用接口，用于外接保险公司数据，便于调用寿险模型，以便根据用户个体模型确定对应的保险设计。
所述历史数据存储，所存储数据包括不同年龄、生活习惯下所给出的个体健康建模系统，以及完成建模系统的对应数据，作为建立新阶段健康模型及干预计划的参考。
本发明的是有益效果是：基于量身健康管家机器人的日常监测和检测，集成体检数据，结合日常人存检测对突发行为的记录，全方位的建立起个人的健康模型；并且不同个体的健康模型各不相同，完全依据个体特征建立，使得对其疾病的判断精准，不仅可以帮助到疾病保险建模的预测，更可以对个体用户的未来健康情况给予预警和指导；根据用户的综合数据以及长期历史积累，并且给出干预计划制定，为保险产品的量身定制奠定了数据基础，个体健康模型的精准性，给出寿险制定时应当加重权重和减少权重的部分，结合寿险精算内容，得出适合该用户的健康保险方案。
附图说明
图1是本发明的系统结构示意图。
实施方式
以下通过实施例对本申请进行说明。
如图1所示，本发明给出一种人体实时监控的健康数据设计寿险方案系统，其以个体健康模型系统、个体疾病预测模型为主，设定有日常健康数据调用接口、体检数据调用接口、人存检测数据调用接口，用以获得实时监控的数据库；设有保险调用接口，用于提供寿险数据；还设定有历史数据存储系统，用于存储监控数据，便于随时调用数据。
系统使用过程中，输入想要查询的用户名字，用户身份证号，调用该用户的日常健康数据UserDailyHealth（UserName，UserID）；UserPhysicalExamination（UserName，UserID）函数调用该用户的体检数据；UserBiobanking（UserName，UserID）函数调用该用户的人存检测数据；UserHealthModel（UserName，UserID）函数根据所调用的数据形成的个体健康模型。
UserDiseaseRiskPrediction（UserName，UserID）函数根据该个体健康模型UserHealthModel（UserName，UserID）调用出相应的预测的疾病种类，患病可能性几率。
UserInfoStorage（UserName，UserID）函数用于存储历史数据，包括用户历史健康数据，历史查询数据，随着时间变更的健康数据。UserIntervention（UserName，UserID）给出依据历史数据UserInfoStorage（UserName，UserID）制定的针对性的健康建议以及个性化治疗方案。
UserLifeInsurance（UserName，UserID）函数反馈给保险公司相应的用户的精确信息，根据需要查询的时间段，结合UserHealthModel（UserName，UserID）和UserIntervention（UserName，UserID）得出相应的用户的查询时间段的健康模型，给出保险公司精算算法所需的健康数据，并且以此建议用户及保险公司设置符合其特定情况的健康保险方案。
所述个体疾病预测模型，
（1）采用Framingham风险评分预测模型判断心血管疾病；
（2）采用血压测量和脉搏波速度测量模型判断动脉硬化疾病；
（3）采用逻辑回归模型：根据个体的特征，如年龄、性别、家族史等，预测其是否患某种特定疾病；
（4）采用随机森林模型：随机森林是一种基于决策树的集成学习算法，在处理复杂数据和变量之间复杂关系时表现良好。它可以用于多分类问题，并能够根据多个因素来预测患某种特定疾病的可能性；
（5）采用支持向量机模型：支持向量机是一种监督学习算法，通过寻找最优超平面来进行分类。支持向量机可以根据个体的特征将其分为患病和非患病两类；
（6）采用深度学习模型：深度学习是一种基于神经网络的机器学习方法，可以处理大规模数据和复杂特征之间的非线性关系。在疾病预测中，深度学习模型（如卷积神经网络和循环神经网络）可以提取高级特征，并预测个体患某种特定疾病的可能性；
基于量身健康管家机器人的日常监测和检测，集成体检数据，结合日常人存检测对突发行为的记录，全方位的建立起个人的健康模型。并且不同个体的健康模型各不相同，完全依据个体特征建立，使得对其疾病的判断精准，不仅可以帮助到疾病保险建模的预测，更可以对个体用户的未来健康情况给予预警和指导；根据用户的综合数据以及长期历史积累，并且给出干预计划制定，为保险产品的量身定制奠定了数据基础，个体健康模型的精准性，给出寿险制定时应当加重权重和减少权重的部分，结合寿险精算内容，得出适合该用户的健康保险方案。
Claims (10)
1.一种人体实时监控的健康数据设计寿险方案系统，其特征在于：以个体健康模型系统、个体疾病预测模型为核心，设定有日常健康数据调用接口、体检数据调用接口、人存检测数据调用接口，以获得实时监控的数据库；设有保险调用接口，用于提供寿险数据；还设定有历史数据存储系统，用于存储监控数据，便于随时调用数据；
所述个体健康建模系统，通过采集个体数据，应用统计学和机器学习等方法进行分析和建模，模型因素考虑生理参数、行为数据及个体生活环境因素；
所述个体疾病预测模型，通过对所采取数据的筛选、分析，给出对未来健康情况的预测。
2.根据权利要求1所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述个体健康建模系统的模型因素具体如下：
（1）所述生理参数的监测，涉及的生理参数包括血压、心率、血糖水平等，以便获得关于身体功能的健康状态的信息，跟踪变化趋势，与基准值进行比较，对个体健康情况的评估；
（2）所述行为数据采集，涉及个体日常饮食、运动、睡眠行为数据，获取其中与健康相关的行为信息，判断个体生活方式对其健康的影响程度；
（3）所述环境因素，包括空气质量、温度及湿度，全面评估个体的健康状况。
3.根据权利要求1所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述个体疾病预测模型，具体包括：
（1）采用Framingham风险评分预测模型判断心血管疾病；
（2）采用血压测量和脉搏波速度测量模型判断动脉硬化疾病；
（3）采用逻辑回归模型，根据个体的特征来预测其是否患某种特定疾病；
（4）采用随机森林模型，根据多个因素来预测患某种特定疾病的可能性；
（5）采用支持向量机模型，根据个体的特征将其分为患病和非患病两类；
（6）采用深度学习模型，处理大规模数据和复杂特征之间的非线性关系；通过深度学习模型提取高级特征，预测个体患某种特定疾病的可能性。
4.根据权利要求3所述的一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述卷积神经网络和循环神经网络来预测个体患某种特定疾病的可能性时，采用以下步骤：
（1）数据收集：收集包含目标疾病信息的个体数据集，包括相关特征和是否患有目标疾病的标签；
（2）数据准备：根据需要的输入因素，选择特征作为模型的输入变量；以医学图像、基因组数据及生理指标作为输入因素；
（3）数据预处理：对数据进行预处理，使用标准化、归一化或者图像处理，使数据具有一致性和可比性；
（4）构建卷积神经网络（CNN）：对于图像数据或者具有空间结构的数据，使用CNN来提取特征；CNN通过一系列卷积层、池化层和全连接层来学习图像中的特征，并生成特征向量；
（5）构建循环神经网络（RNN）：对于序列数据或者具有时间依赖性的数据，使用RNN来捕捉时序信息；RNN通过循环连接来处理序列数据，并将之前的状态信息传递到下一个时间步；
（6）模型融合：将CNN和RNN的输出进行融合，使用连接、加权平均方式将它们的特征向量组合起来；
（7）模型训练：使用带有标签的数据集对CNN和RNN进行训练；通过最小化损失函数，调整网络参数以提高模型的预测性能；
（8）模型评估：使用独立的测试集评估模型的性能，计算准确率、召回率及F1分数指标；
（9）模型预测：使用训练好的模型对新的个体数据进行预测；模型将根据输入的特征值给出患某种特定疾病的可能性。
5.根据权利要求3所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：当使用随机森林模型来预测患某种特定疾病的可能性时，确定多个因素作为输入变量，将其用于训练模型，具体步骤是：在数据收集与准备的基础上，进行数据划分，分为训练集和测试集：使用随机森林算法对训练集进行训练，处理多个特征；进行模型参数调优提高预测性能；使用训练好的随机森林模型对测试集中的样本进行预测，根据输入的特征值给出患某种特定疾病的可能性。
6.根据权利要求1所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述日常健康数据调用接口，外接量身健康管家机器人，收集用户日常健康数据，包括年龄、性别、生活所在地、血糖、血氧及心率。
7.根据权利要求1所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述体检数据调用接口，调用集成到的不同的用户体检数据，包括体检报告所涉及的健康信息。
8.根据权利要求1所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述人存检测数据调用接口，用于调用采集到的用户日常正常，晕倒等生存痕迹数据。对于用户日常的活动轨迹，以及是否有过晕倒等特殊活动作为死亡率模型和寿命表模型的一部分数据。
9.根据权利要求1所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述保险调用接口，外接保险公司数据，调用寿险模型，根据用户个体模型确定对应的保险设计。
10.根据权利要求1所述一种人体实时监控的健康数据设计寿险方案系统，其特征在于：所述历史数据存储，包括不同年龄、生活习惯下所给出的个体健康建模系统，以及完成建模系统的对应数据，作为建立新阶段健康模型及干预计划的参考。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384109.5A CN117408823A (zh) | 2023-10-24 | 2023-10-24 | 一种人体实时监控的健康数据设计寿险方案系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384109.5A CN117408823A (zh) | 2023-10-24 | 2023-10-24 | 一种人体实时监控的健康数据设计寿险方案系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117408823A true CN117408823A (zh) | 2024-01-16 |
Family
ID=89486666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311384109.5A Pending CN117408823A (zh) | 2023-10-24 | 2023-10-24 | 一种人体实时监控的健康数据设计寿险方案系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408823A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
| CN110766559A (zh) * | 2019-10-30 | 2020-02-07 | 海腾保险代理有限公司 | 标签配置方法及装置 |
| CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
| CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
| CN115358879A (zh) * | 2022-08-31 | 2022-11-18 | 阿里健康科技(中国)有限公司 | 保险定价方法及装置 |
-
2023
- 2023-10-24 CN CN202311384109.5A patent/CN117408823A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108573752A (zh) * | 2018-02-09 | 2018-09-25 | 上海米因医疗器械科技有限公司 | 一种基于健康大数据的健康信息处理的方法及系统 |
| CN110766559A (zh) * | 2019-10-30 | 2020-02-07 | 海腾保险代理有限公司 | 标签配置方法及装置 |
| CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
| CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
| CN115358879A (zh) * | 2022-08-31 | 2022-11-18 | 阿里健康科技(中国)有限公司 | 保险定价方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sk et al. | Coronary Heart Disease Prediction and Classification using Hybrid Machine Learning Algorithms | |
| US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
| Silva et al. | Rating organ failure via adverse events using data mining in the intensive care unit | |
| CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
| CN110299207A (zh) | 用于慢性病检测中的基于计算机预测模型数据处理方法 | |
| CN107480721A (zh) | 一种牛只患病数据分析方法及装置 | |
| CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
| Rai et al. | Hybrid CNN-LSTM model for automatic prediction of cardiac arrhythmias from ECG big data | |
| CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
| CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| Abrar et al. | A multi-agent approach for personalized hypertension risk prediction | |
| Prusty et al. | Comparative analysis and prediction of coronary heart disease | |
| Shi et al. | Artificial neural networks: current applications in modern medicine | |
| KR102421172B1 (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
| Kuila et al. | ECG signal classification using DEA with LSTM for arrhythmia detection | |
| CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
| CN117408823A (zh) | 一种人体实时监控的健康数据设计寿险方案系统 | |
| CN116098595A (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| CN114464317A (zh) | 基于伪项识别融合与hmm算法的睡眠姿势分类方法 | |
| US20220262516A1 (en) | Atrial Fibrillation Prediction Model And Prediction System Thereof | |
| Utsav et al. | IOT Enabled Heart Disease Detection System Using KNN | |
| Rakshna et al. | Pre-Stroke Detection using K-Nearest Neighbour and Random Forest Algorithm | |
| CN118136270B (zh) | 一种基于数据分析慢病健康监测与预警系统与方法 | |
| TWI851241B (zh) | 用於健康風險評估之系統、方法以及其電腦程式產品 | |
| Ambade et al. | Enhancing Cardiovascular Disease Prediction Using Ensemble Learning |
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 |