CN117438087A - 基于健康监测数据分析的健康管理方法及系统 - Google Patents
基于健康监测数据分析的健康管理方法及系统 Download PDFInfo
- Publication number
- CN117438087A CN117438087A CN202311453755.2A CN202311453755A CN117438087A CN 117438087 A CN117438087 A CN 117438087A CN 202311453755 A CN202311453755 A CN 202311453755A CN 117438087 A CN117438087 A CN 117438087A
- Authority
- CN
- China
- Prior art keywords
- feature
- sleep
- matrix
- feature matrix
- classification
- 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.)
- Withdrawn
Links
- 230000036541 health Effects 0.000 title claims abstract description 145
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000007726 management method Methods 0.000 title claims abstract description 57
- 238000007405 data analysis Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 175
- 239000013598 vector Substances 0.000 claims description 139
- 239000008280 blood Substances 0.000 claims description 82
- 210000004369 blood Anatomy 0.000 claims description 82
- 230000003860 sleep quality Effects 0.000 claims description 69
- 230000036772 blood pressure Effects 0.000 claims description 41
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 40
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 40
- 229940116269 uric acid Drugs 0.000 claims description 40
- 230000004617 sleep duration Effects 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 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 13
- 239000008103 glucose Substances 0.000 claims description 13
- 150000002632 lipids Chemical class 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000004424 eye movement Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 206010062519 Poor quality sleep Diseases 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000004622 sleep time Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000037356 lipid metabolism Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及智能监测领域,其具体地公开了一种基于健康监测数据分析的健康管理方法及系统,其采用基于深度学习的人工智能监测技术,首先通过对待监测人员的生物指标参数进行特征提取来得到生物指标相关特征,接着通过对待监测人员的睡眠数据的文本描述进行特征提取以得到睡眠质量相关特征,然后对所述生物指标相关特征和所述睡眠质量相关特征进行融合,最后将融合后的特征通过分类器以判断待监测人员的身体健康状态。这样,可以实现待监测人员身体健康状况的自动化评估和监测,以提高健康管理的效率和准确性,为个人健康管理和医疗决策提供更有价值的辅助信息。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种基于健康监测数据分析的健康管理方法及系统。
背景技术
随着人们生活水平的提高和健康教育的普及,越来越多的人认识到身体健康的重要性。现代人的生活方式发生了很大的变化,如久坐、缺乏运动等,这些不良的生活方式会对身体健康造成负面影响,因此人们越来越注重健康管理和监测。
有些人会选择到医疗机构进行定期的身体监测,但这种方式不能实时反映身体情况;有的人会选择配戴一些智能可穿戴设备等来监测自己的身体参数,但收集到的数据往往比较片面也存在一定的误差,这可能给用户带来误导,影响对自身健康状况的判断。
因此,需要一种基于健康监测数据分析的健康管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于健康监测数据分析的健康管理方法及系统,其采用基于深度学习的人工智能监测技术,首先通过对待监测人员的生物指标参数进行特征提取来得到生物指标相关特征,接着通过对待监测人员的睡眠数据的文本描述进行特征提取以得到睡眠质量相关特征,然后对所述生物指标相关特征和所述睡眠质量相关特征进行融合,最后将融合后的特征通过分类器以判断待监测人员的身体健康状态。这样,可以实现待监测人员身体健康状况的自动化评估和监测,以提高健康管理的效率和准确性,为个人健康管理和医疗决策提供更有价值的辅助信息。
根据本申请的一个方面,提供了一种基于健康监测数据分析的健康管理方法,其包括:
获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长;
将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量;
将所述多个睡眠数据特征向量进行二维排列以得到睡眠质量语义特征矩阵;
将所述多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值分别通过时序编码器以得到血压特征向量、血糖特征向量、心率特征向量、血脂特征向量和尿酸特征向量;
将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵;
对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵;
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常。
在上述基于健康监测数据分析的健康管理方法中,所述将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量,包括:对所述睡眠数据的文本描述进行分词处理以得到睡眠质量分析词的序列;使用所述文本编码器的词嵌入层将所述睡眠质量分析词的序列中各个睡眠质量分析词映射成为多个睡眠质量分析词向量以获得睡眠质量分析词向量的序列;使用所述文本编码器的转换器模块对所述睡眠质量分析词向量的序列进行基于全局的上下文语义编码以得到所述多个睡眠数据特征向量。
在上述基于健康监测数据分析的健康管理方法中,所述将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵,包括:以如下公式对所述生物指标特征矩阵进行处理以获得所述生物指标全局特征矩阵;其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层神经网络的输入,fi为第i层神经网络的输出,Ni为第i层神经网络的转换矩阵,Bi为第i层神经网络的偏置矩阵,active表示非线性激活函数。
在上述基于健康监测数据分析的健康管理方法中,所述对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵,包括:以如下融合公式对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵;其中,其中,所述融合公式为:
其中,M1表示所述睡眠质量语义特征矩阵,M2表示所述生物指标全局特征矩阵,表示所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵之间的均值矩阵,log表示以2为底的对数函数值,/>表示矩阵的按位置相加,/>表示矩阵的按位置相减,exp(·)表示以自然常数e为底的指数运算,Mc表示所述分类特征矩阵。
在上述基于健康监测数据分析的健康管理方法中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常,包括:使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以生成所述分类结果;其中,所述分类公式为:
O=softmax{(Wn,Bn):...:(W1,B1)|Project(Mc)}
其中O为所述分类结果,Project(Mc)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
根据本申请的另一方面,提供了一种基于健康监测数据分析的健康管理系统,其包括:
健康数据采集模块,用于获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长;
睡眠数据编码模块,用于将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量;
睡眠特征结构化模块,用于将所述多个睡眠数据特征向量进行二维排列以得到睡眠质量语义特征矩阵;
生物指标数据特征提取模块,用于将所述多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值分别通过时序编码器以得到血压特征向量、血糖特征向量、心率特征向量、血脂特征向量和尿酸特征向量;
生物指标全局特征编码模块,用于将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵;
特征融合模块,用于对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵;
健康状况评估结果生成模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常。
与现有技术相比,本申请提供的基于健康监测数据分析的健康管理方法及系统,其采用基于深度学习的人工智能监测技术,首先通过对待监测人员的生物指标参数进行特征提取来得到生物指标相关特征,接着通过对待监测人员的睡眠数据的文本描述进行特征提取以得到睡眠质量相关特征,然后对所述生物指标相关特征和所述睡眠质量相关特征进行融合,最后将融合后的特征通过分类器以判断待监测人员的身体健康状态。这样,可以实现待监测人员身体健康状况的自动化评估和监测,以提高健康管理的效率和准确性,为个人健康管理和医疗决策提供更有价值的辅助信息。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于健康监测数据分析的健康管理方法的流程图。
图2为根据本申请实施例的基于健康监测数据分析的健康管理方法的架构图。
图3为根据本申请实施例的基于健康监测数据分析的健康管理方法中将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量的流程图。
图4为根据本申请实施例的基于健康监测数据分析的健康管理系统的系统框图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性方法
图1为根据本申请实施例的基于健康监测数据分析的健康管理方法的流程图。图2为根据本申请实施例的基于健康监测数据分析的健康管理方法的架构图。如图1和图2所示,根据本申请实施例的基于健康监测数据分析的健康管理方法,包括:S110,获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长;S120,将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量;S130,将所述多个睡眠数据特征向量进行二维排列以得到睡眠质量语义特征矩阵;S140,将所述多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值分别通过时序编码器以得到血压特征向量、血糖特征向量、心率特征向量、血脂特征向量和尿酸特征向量;S150,将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵;S160,对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵;S170,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常。
在步骤S110中,获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长。如上述背景技术所言,随着生活水平和健康教育的提高,人们越来越重视身体健康,但现代生活方式的不良习惯会对健康产生负面影响。因此,人们开始注重健康管理和监测。一些人选择定期到医疗机构进行身体检查,但这种方式不能实时反映身体情况;另一些人选择佩戴智能可穿戴设备等来监测身体参数,但收集到的数据往往比较片面且存在误差,可能给用户带来误导,影响对自身健康状况的判断。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为基于健康监测数据分析的健康管理提供了新的解决思路和方案。
具体地,在本申请的技术方案中,获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长。应可以理解,血压、血糖、心率、血脂和尿酸等身体参数是评估身体健康状况的重要指标。通过获取这些参数的数值,可以了解待监测人员的血压水平、血糖控制情况、心脏健康状况、血脂代谢情况以及尿酸排泄情况等。睡眠对身体健康至关重要,通过获取睡眠数据的文本描述,包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长等信息,可以了解待监测人员的睡眠质量和睡眠结构。这有助于评估待监测人员的睡眠健康状况。待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值可以使用血压计、血糖仪、心率监测仪、血脂仪和尿酸仪等便携式监测设备测出,也可以使用一些安装了对应传感检测技术的联网互通的可穿戴设备进行测量;睡眠数据可以由配备了睡眠监测功能的智能可穿戴设备获取,也可以由一些智能床垫进行收集数据获取。
在步骤S120中,将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量。应可以理解,文本数据是以自然语言的形式存在的,通过将睡眠数据的文本描述输入文本编码器,文本编码器中的词嵌入层将睡眠数据中的单词映射到低维的连续向量表示,文本编码器中的转换器模块能够有效地学习词向量之间的语义关系和上下文信息,从而更准确地表达睡眠数据特征。
图3为根据本申请实施例的基于健康监测数据分析的健康管理方法中将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量的流程图。如图3所示,所述将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量,包括:S121,对所述睡眠数据的文本描述进行分词处理以得到睡眠质量分析词的序列;S122,使用所述文本编码器的词嵌入层将所述睡眠质量分析词的序列中各个睡眠质量分析词映射成为多个睡眠质量分析词向量以获得睡眠质量分析词向量的序列;S123,使用所述文本编码器的转换器模块对所述睡眠质量分析词向量的序列进行基于全局的上下文语义编码以得到所述多个睡眠数据特征向量。
在步骤S130中,将所述多个睡眠数据特征向量进行二维排列以得到睡眠质量语义特征矩阵。应可以理解,将多个睡眠数据特征向量进行二维排列可以对多个睡眠数据的特征进行整合。通过将这些睡眠特征向量排列成一个矩阵的形式,可以更好地捕捉到睡眠数据之间的关联和模式。
在步骤S140中,将所述多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值分别通过时序编码器以得到血压特征向量、血糖特征向量、心率特征向量、血脂特征向量和尿酸特征向量。时序编码器是一种用于处理时间序列数据的模型,通过将多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值输入时序编码器中,可以从多个时间点的血压、血糖、心率、血脂和尿酸数据中提取出关键的特征信息,以捕捉到生物指标的变化趋势,从而更好地表示待监测人员的生理状态。
在步骤S150中,将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵。生物指标特征矩阵的构建将不同生物指标的特征向量按照时间顺序排列,形成一个二维矩阵。这样做的好处是可以保留时间序列的顺序信息,同时将不同生物指标的特征进行整合,形成一个综合的特征表示。通过使用全局转换矩阵,卷积神经网络可以在整个生物指标特征矩阵上进行有效的特征学习,捕捉到不同生物指标之间的关联和交互信息。最终得到的生物指标全局特征矩阵可以更全面地表示待监测人员的生理状态和健康状况。
具体地,所述将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵,包括:以如下公式对所述生物指标特征矩阵进行处理以获得所述生物指标全局特征矩阵;其中,所述公式为:
fi=active(Bi×fi-1+Bi)
其中,fi-1为第i层神经网络的输入,fi为第i层神经网络的输出,Ni为第i层神经网络的转换矩阵,Bi为第i层神经网络的偏置矩阵,active表示非线性激活函数。
在步骤S160中,对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵。应可以理解,睡眠质量语义特征矩阵是根据睡眠数据提取的特征表示,反映出待监测人员的睡眠质量和睡眠模式;生物指标全局特征矩阵是通过卷积神经网络从血压、血糖、心率、血脂和尿酸等生物指标数据中提取的特征表示,反映出待监测人员的生理健康状况。将睡眠质量语义特征矩阵和生物指标全局特征矩阵进行融合,可以综合考虑睡眠数据和生物指标数据的信息,以更全面地评估待监测人员的身体健康状况。
特别地,在本申请技术方案中,将睡眠数据的文本描述通过文本编码器转换为睡眠数据特征向量,而血压值、血糖值、心率值、血脂值和尿酸值通过时序编码器转换为对应的特征向量。这些编码器可能会引入一定的信息损失,因为它们将复杂的原始数据转换为固定长度的特征向量。因此,特征稠密度可能会受到这些编码器的限制。并且,睡眠数据特征向量和生物指标特征向量被分别进行二维排列,形成睡眠质量语义特征矩阵和生物指标全局特征矩阵。这种二维排列可能导致特征之间的相关性和局部结构信息丢失,因为特征向量在排列过程中被重新组织成矩阵形式。因此,特征稠密度可能会受到二维排列操作的影响。也就是,因为文本编码器和时序编码器的信息损失、二维排列操作导致的相关性丢失会导致直接融合睡眠质量语义特征矩阵和生物指标全局特征矩阵得到的分类特征矩阵的特征稠密度低。为了提高特征稠密度,对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合。
具体地,所述对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵,包括:以如下融合公式对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到所述分类特征矩阵;其中,所述融合公式为:
其中,M1表示所述睡眠质量语义特征矩阵,M2表示所述生物指标全局特征矩阵,表示所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵之间的均值矩阵,log表示以2为底的对数函数值,/>表示矩阵的按位置相加,/>表示矩阵的按位置相减,exp(·)表示以自然常数e为底的指数运算,Mc表示所述分类特征矩阵。
应可以理解,针对融合后特征矩阵的特征稠密度低的融合问题,在本申请的技术方案中,利用基于秩序先验的特征工程参数化,将融合后特征矩阵的特征稠密度低视为一种结构不平衡,从而采用一种结构优化技术,来提升融合后特征矩阵的特征稠密度。具体地,根据所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵的形态和特性,设计了一种基于秩序先验的特征工程参数化策略,将不同类别和维度的特征值按照一定的秩序规则进行排序和分组,从而降低了融合过程中的信息冗余和噪声干扰。进而,利用一种结构优化技术,选择作为均值的支持矩阵作为交互种子,从交互中心向交互端点进行点相关性的生长,以将特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化,从而提高融合后的分类特征矩阵的特征稠密度,这样提高基于融合后的分类特征矩阵的分类效果。
在步骤S170中,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常。基于所述分类结果,可以判断待监测人员的健康状态是否正常。分类器作为一种机器学习模型,可以根据输入数据进行分析和判断,将其映射到不同的类别上。通过将分类特征矩阵输入到训练好的分类器中,可以得到用于表示所述待监测人员身体健康状况是否存在异常的结果。
具体地,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常,包括:使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以生成所述分类结果;其中,所述分类公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(Mc)}
其中O为所述分类结果,Project(Mc)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
综上所述,基于本申请实施例的基于健康监测数据分析的健康管理方法被阐明,其采用基于深度学习的人工智能监测技术,首先通过对待监测人员的生物指标参数进行特征提取来得到生物指标相关特征,接着通过对待监测人员的睡眠数据的文本描述进行特征提取以得到睡眠质量相关特征,然后对所述生物指标相关特征和所述睡眠质量相关特征进行融合,最后将融合后的特征通过分类器以判断待监测人员的身体健康状态。这样,可以实现待监测人员身体健康状况的自动化评估和监测,以提高健康管理的效率和准确性,为个人健康管理和医疗决策提供更有价值的辅助信息。
示例性系统
图4为根据本申请实施例的基于健康监测数据分析的健康管理系统的系统框图。如图4所示,根据本申请实施例的基于健康监测数据分析的健康管理系统100,包括:健康数据采集模块110,用于获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长;睡眠数据编码模块120,用于将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量;睡眠特征结构化模块130,用于将所述多个睡眠数据特征向量进行二维排列以得到睡眠质量语义特征矩阵;生物指标数据特征提取模块140,用于将所述多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值分别通过时序编码器以得到血压特征向量、血糖特征向量、心率特征向量、血脂特征向量和尿酸特征向量;生物指标全局特征编码模块150,用于将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵;特征融合模块160,用于对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵;健康状况评估结果生成模块170,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常。
这里,本领域技术人员可以理解,上述基于健康监测数据分析系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于健康监测数据分析方法的描述中得到了详细介绍,并因此,将省略其重复描述。
综上所述,基于本申请实施例的基于健康监测数据分析的健康管理系统100被阐明,其采用基于深度学习的人工智能监测技术,首先通过对待监测人员的生物指标参数进行特征提取来得到生物指标相关特征,接着通过对待监测人员的睡眠数据的文本描述进行特征提取以得到睡眠质量相关特征,然后对所述生物指标相关特征和所述睡眠质量相关特征进行融合,最后将融合后的特征通过分类器以判断待监测人员的身体健康状态。这样,可以实现待监测人员身体健康状况的自动化评估和监测,以提高健康管理的效率和准确性,为个人健康管理和医疗决策提供更有价值的辅助信息。
如上所述,根据本申请实施例的基于健康监测数据分析的健康管理系统100可以实现在各种无线终端中,例如用于基于健康监测数据分析的健康管理的服务器等。在一个示例中,根据本申请实施例的基于健康监测数据分析的健康管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于健康监测数据分析的健康管理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于健康监测数据分析的健康管理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于健康监测数据分析的健康管理系统100与该无线终端也可以是分立的设备,并且该基于健康监测数据分析的健康管理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。
图5为根据本申请实施例的电子设备的框图。
如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于健康监测数据分析的健康管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长的文本描述等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括判断待监测人员身体健康状况是否存在异常的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于健康监测数据分析的健康管理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于健康监测数据分析的健康管理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种基于健康监测数据分析的健康管理方法,其特征在于,包括:
获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长;
将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量;
将所述多个睡眠数据特征向量进行二维排列以得到睡眠质量语义特征矩阵;
将所述多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值分别通过时序编码器以得到血压特征向量、血糖特征向量、心率特征向量、血脂特征向量和尿酸特征向量;
将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵;
对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵;
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常。
2.根据权利要求1所述的基于健康监测数据分析的健康管理方法,其特征在于,将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量,包括:
对所述睡眠数据的文本描述进行分词处理以得到睡眠质量分析词的序列;
使用所述文本编码器的词嵌入层将所述睡眠质量分析词的序列中各个睡眠质量分析词映射成为多个睡眠质量分析词向量以获得睡眠质量分析词向量的序列;
使用所述文本编码器的转换器模块对所述睡眠质量分析词向量的序列进行基于全局的上下文语义编码以得到所述多个睡眠数据特征向量。
3.根据权利要求2所述的基于健康监测数据分析的健康管理方法,其特征在于,将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵,包括:以如下公式对所述生物指标特征矩阵进行处理以获得所述生物指标全局特征矩阵;
其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层神经网络的输入,fi为第i层神经网络的输出,Ni为第i层神经网络的转换矩阵,Bi为第i层神经网络的偏置矩阵,active表示非线性激活函数。
4.根据权利要求3所述的基于健康监测数据分析的健康管理方法,其特征在于,对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵,包括:以如下融合公式对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到所述分类特征矩阵;
其中,所述融合公式为:
其中,M1表示所述睡眠质量语义特征矩阵,M2表示所述生物指标全局特征矩阵,表示所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵之间的均值矩阵,log表示以2为底的对数函数值,⊕表示矩阵的按位置相加,/>表示矩阵的按位置相减,exp(·)表示以自然常数e为底的指数运算,Mc表示所述分类特征矩阵。
5.根据权利要求4所述的基于健康监测数据分析的健康管理方法,其特征在于,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常,包括:使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(Mc)}
其中O为所述分类结果,Project(Mc)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
6.一种基于健康监测数据分析的健康管理系统,其特征在于,包括:
健康数据采集模块,用于获取待监测人员的预定时间段内多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值以及睡眠数据的文本描述,所述睡眠数据的文本描述包括总睡眠时长、快速动眼睡眠时长、浅度睡眠时长和深度睡眠时长;
睡眠数据编码模块,用于将所述睡眠数据的文本描述通过文本编码器以得到多个睡眠数据特征向量;
睡眠特征结构化模块,用于将所述多个睡眠数据特征向量进行二维排列以得到睡眠质量语义特征矩阵;
生物指标数据特征提取模块,用于将所述多个预定时间点的血压值、血糖值、心率值、血脂值和尿酸值分别通过时序编码器以得到血压特征向量、血糖特征向量、心率特征向量、血脂特征向量和尿酸特征向量;
生物指标全局特征编码模块,用于将所述血压特征向量、所述血糖特征向量、所述心率特征向量、所述血脂特征向量和所述尿酸特征向量二维排列成生物指标特征矩阵后通过使用全局转换矩阵的卷积神经网络模型以得到生物指标全局特征矩阵;
特征融合模块,用于对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到分类特征矩阵;
健康状况评估结果生成模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待监测人员身体健康状况是否存在异常。
7.根据权利要求6所述的基于健康监测数据分析的健康管理系统,其特征在于,所述睡眠数据编码模块,包括:
睡眠数据分词单元,用于对所述睡眠数据的文本描述进行分词处理以得到睡眠质量分析词的序列;
睡眠数据词嵌入映射单元,用于使用所述文本编码器的词嵌入层将所述睡眠质量分析词的序列中各个睡眠质量分析词映射成为多个睡眠质量分析词向量以获得睡眠质量分析词向量的序列;
睡眠数据上下文语义编码单元,用于使用所述文本编码器的转换器模块对所述睡眠质量分析词向量的序列进行基于全局的上下文语义编码以得到所述多个睡眠数据特征向量。
8.根据权利要求7所述的基于健康监测数据分析的健康管理系统,其特征在于,所述生物指标全局特征编码模块,用于:以如下公式对所述生物指标特征矩阵进行处理以获得所述生物指标全局特征矩阵;
其中,所述公式为:
fi=active(Ni×fi-1+Bi)
其中,fi-1为第i层神经网络的输入,fi为第i层神经网络的输出,Ni为第i层神经网络的转换矩阵,Bi为第i层神经网络的偏置矩阵,active表示非线性激活函数。
9.根据权利要求8所述的基于健康监测数据分析的健康管理系统,其特征在于,所述特征融合模块,用于:以如下融合公式对所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵进行基于秩序先验的特征工程参数化融合以得到所述分类特征矩阵;
其中,所述融合公式为:
其中,M1表示所述睡眠质量语义特征矩阵,M2表示所述生物指标全局特征矩阵,表示所述睡眠质量语义特征矩阵和所述生物指标全局特征矩阵之间的均值矩阵,log表示以2为底的对数函数值,⊕表示矩阵的按位置相加,/>表示矩阵的按位置相减,exp(·)表示以自然常数e为底的指数运算,Mc表示所述分类特征矩阵。
10.根据权利要求9所述的基于健康监测数据分析的健康管理系统,其特征在于,所述健康状况评估结果生成模块,用于:使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(Mc)}
其中O为所述分类结果,Project(Mc)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453755.2A CN117438087A (zh) | 2023-11-03 | 2023-11-03 | 基于健康监测数据分析的健康管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453755.2A CN117438087A (zh) | 2023-11-03 | 2023-11-03 | 基于健康监测数据分析的健康管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117438087A true CN117438087A (zh) | 2024-01-23 |
Family
ID=89551273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311453755.2A Withdrawn CN117438087A (zh) | 2023-11-03 | 2023-11-03 | 基于健康监测数据分析的健康管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117438087A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
CN117690582A (zh) * | 2024-01-31 | 2024-03-12 | 吉林大学 | 护理工作站的信息管理系统及方法 |
CN118154381A (zh) * | 2024-05-09 | 2024-06-07 | 广东汉佳信息技术有限公司 | 基于aigc的图表自动生成方法、装置和电子设备 |
-
2023
- 2023-11-03 CN CN202311453755.2A patent/CN117438087A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
CN117618708B (zh) * | 2024-01-26 | 2024-04-05 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
CN117690582A (zh) * | 2024-01-31 | 2024-03-12 | 吉林大学 | 护理工作站的信息管理系统及方法 |
CN117690582B (zh) * | 2024-01-31 | 2024-04-26 | 吉林大学 | 护理工作站的信息管理系统及方法 |
CN118154381A (zh) * | 2024-05-09 | 2024-06-07 | 广东汉佳信息技术有限公司 | 基于aigc的图表自动生成方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490251B (zh) | 基于人工智能的预测分类模型获取方法及装置、存储介质 | |
RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及系统 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN109378066A (zh) | 一种基于特征向量实现疾病预测的控制方法及控制装置 | |
CN112233798B (zh) | 基于病理模式与注意力机制的可解释疾病风险分析系统 | |
CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
CN116933046B (zh) | 基于深度学习的多模态健康管理方案生成方法和系统 | |
CN117116498A (zh) | 移动查房数据处理系统及其方法 | |
CN117393153B (zh) | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统 | |
WO2023108418A1 (zh) | 脑图谱构建及神经环路检测的方法和相关产品 | |
CN115579141A (zh) | 一种可解释疾病风险预测模型构建方法以及疾病风险预测装置 | |
CN115249541A (zh) | 一种基于深度学习的动态血糖预测模型构建方法 | |
CN111524093A (zh) | 一种异常舌象的智能筛查方法及其系统 | |
CN117557941A (zh) | 基于多模态数据融合的视频智能分析系统及方法 | |
CN111028232A (zh) | 基于眼底图像的糖尿病分类方法及设备 | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
CN117831698B (zh) | 用于护理病历的智能质量控制系统及方法 | |
CN117034142A (zh) | 一种不平衡医疗数据缺失值填充方法及系统 | |
CN116563932A (zh) | 基于多任务学习的眼部图像识别方法及相关设备 | |
CN115147661A (zh) | 一种染色体分类方法、装置、设备及可读存储介质 | |
CN108447047A (zh) | 抗酸杆菌检测方法及装置 | |
CN117831743A (zh) | 基于物联网技术的居家养老健康监测管理系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240123 |
|
WW01 | Invention patent application withdrawn after publication |