CN117530684B - 一种基于健康大数据的血糖异常检测与预警系统及方法 - Google Patents
一种基于健康大数据的血糖异常检测与预警系统及方法 Download PDFInfo
- Publication number
- CN117530684B CN117530684B CN202410027477.2A CN202410027477A CN117530684B CN 117530684 B CN117530684 B CN 117530684B CN 202410027477 A CN202410027477 A CN 202410027477A CN 117530684 B CN117530684 B CN 117530684B
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- time sequence
- training
- feature
- regular
- 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
Links
- 239000008280 blood Substances 0.000 title claims abstract description 535
- 210000004369 blood Anatomy 0.000 title claims abstract description 535
- 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 title claims abstract description 460
- 239000008103 glucose Substances 0.000 title claims abstract description 460
- 230000005856 abnormality Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000036541 health Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 193
- 238000012549 training Methods 0.000 claims description 105
- 239000011159 matrix material Substances 0.000 claims description 86
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012098 association analyses Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012300 Sequence Analysis Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002641 glycemic effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Classifications
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于健康大数据的血糖异常检测与预警系统及方法,其通过被监控用户佩戴的智能手环来实时监测采集该用户的血糖时间序列数据,并在后端引入数据处理和分析算法来进行所述血糖时间序列的时序分析,以此来进行血糖异常的检测,并基于血糖异常的等级来实现动态预警,通过这样的方式,能够实现对用户的血糖状态的实时和准确地监测和预警,有利于帮助医疗机构和个人判断用户血糖异常的程度,为后续的血糖异常处理提供依据。
Description
技术领域
本申请涉及健康大数据领域,且更为具体地,涉及一种基于健康大数据的血糖异常检测与预警系统及方法。
背景技术
血糖异常是指人体血糖水平超出正常范围的情况,包括低血糖和高血糖。血糖异常是一种常见的健康问题,如果不及时发现和处理,可能会导致严重的并发症,如心脑血管疾病、肾脏损伤、视力下降等。并且,血糖异常可能是糖尿病等疾病的早期症状,也可能与饮食、生活习惯等因素有关。因此,及时监测和预警血糖异常对于疾病的早期干预和管理非常重要。
然而,传统的血糖监测方法通常需要进行间断性地采集用户的血液样本,以进行血糖检测,这种方法不仅给用户带来不便和痛苦,而且只能提供瞬时的血糖数值,无法提供连续的血糖数据,从而无法实现连续和动态的血糖监测,导致对于血糖异常检测和预警的能力较差,难以实现实时、准确地血糖异常监测和预警。
因此,期望一种基于健康大数据的血糖异常检测与预警系统及方法。
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大数据的血糖异常检测与预警系统及方法,其通过被监控用户佩戴的智能手环来实时监测采集该用户的血糖时间序列数据,并在后端引入数据处理和分析算法来进行所述血糖时间序列的时序分析,以此来进行血糖异常的检测,并基于血糖异常的等级来实现动态预警,通过这样的方式,能够实现对用户的血糖状态的实时和准确地监测和预警,有利于帮助医疗机构和个人判断用户血糖异常的程度,为后续的血糖异常处理提供依据。
根据本申请的一个方面,提供了一种基于健康大数据的血糖异常检测与预警系统,其包括:
血糖数据采集模块,用于获取由智能手环采集的被监控用户的血糖时间序列;
血糖时序排列和归一化模块,用于将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量;
血糖局部时序特征分析模块,用于对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列;
血糖局部时序特征语义关联分析模块,用于对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵;
图结构关联编码模块,用于对所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵进行基于图结构的关联编码以得到血糖关联拓扑下血糖时序特征;
血糖预警模块,用于基于所述血糖关联拓扑下血糖时序特征,确定血糖预警信息等级标签。
根据本申请的另一个方面,提供了一种基于健康大数据的血糖异常检测与预警方法,其包括:
获取由智能手环采集的被监控用户的血糖时间序列;
将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量;
对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列;
对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵;
对所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵进行基于图结构的关联编码以得到血糖关联拓扑下血糖时序特征;
基于所述血糖关联拓扑下血糖时序特征,确定血糖预警信息等级标签。
与现有技术相比,本申请提供的一种基于健康大数据的血糖异常检测与预警方法,其通过被监控用户佩戴的智能手环来实时监测采集该用户的血糖时间序列数据,并在后端引入数据处理和分析算法来进行所述血糖时间序列的时序分析,以此来进行血糖异常的检测,并基于血糖异常的等级来实现动态预警,通过这样的方式,能够实现对用户的血糖状态的实时和准确地监测和预警,有利于帮助医疗机构和个人判断用户血糖异常的程度,为后续的血糖异常处理提供依据。
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大数据的血糖异常检测与预警系统的框图;
图2为根据本申请实施例的基于健康大数据的血糖异常检测与预警系统系统架构图;
图3为根据本申请实施例的基于健康大数据的血糖异常检测与预警系统的训练阶段的框图;
图4为根据本申请实施例的基于健康大数据的血糖异常检测与预警系统中血糖局部时序特征分析模块的框图;
图5为根据本申请实施例的基于健康大数据的血糖异常检测与预警系统中血糖局部时序特征语义关联分析模块的框图;
图6为根据本申请实施例的基于健康大数据的血糖异常检测与预警方法的流程图。
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。
如本申请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他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。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。
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。
传统的血糖监测方法通常需要进行间断性地采集用户的血液样本,以进行血糖检测,这种方法不仅给用户带来不便和痛苦,而且只能提供瞬时的血糖数值,无法提供连续的血糖数据,从而无法实现连续和动态的血糖监测,导致对于血糖异常检测和预警的能力较差,难以实现实时、准确地血糖异常监测和预警。因此,期望一种基于健康大数据的血糖异常检测与预警系统。
在本申请的技术方案中,提出了一种基于健康大数据的血糖异常检测与预警系统。图1为根据本申请实施例的基于健康大数据的血糖异常检测与预警系统的框图。图2为根据本申请实施例的基于健康大数据的血糖异常检测与预警系统系统架构图。如图1和图2所示,根据本申请的实施例的基于健康大数据的血糖异常检测与预警系统300,包括:血糖数据采集模块310,用于获取由智能手环采集的被监控用户的血糖时间序列;血糖时序排列和归一化模块320,用于将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量;血糖局部时序特征分析模块330,用于对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列;血糖局部时序特征语义关联分析模块340,用于对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵;图结构关联编码模块350,用于对所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵进行基于图结构的关联编码以得到血糖关联拓扑下血糖时序特征;血糖预警模块360,用于基于所述血糖关联拓扑下血糖时序特征,确定血糖预警信息等级标签。
特别地,所述血糖数据采集模块310,用于获取由智能手环采集的被监控用户的血糖时间序列。其中,所述血糖时间序列是指在一段时间内记录的血糖值的序列。
特别地,所述血糖时序排列和归一化模块320,用于将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量。考虑到所述血糖数据在时间维度上具有着时序的动态变化规律,也就是说,用户的血糖水平的变化具有一定的时间相关性。因此,为了在后续的处理步骤中更好地利用血糖数据的时序信息,从而更好地捕捉到血糖的动态变化趋势,在本申请的技术方案中,需要将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量。特别地,这里,将所述血糖时间序列按照时间维度排列为血糖时序输入向量可以保留血糖数据的时序关系和信息,而归一化处理能够将血糖数据映射到统一的范围内,消除不同血糖数据之间的量纲差异,使得不同血糖数据之间具有可比性,便于后续的特征提取和关联分析。
值得注意的是,归一化处理是一种常用的数据预处理技术,用于将数据映射到特定的范围或分布,以便更好地适应模型的要求或提高数据的可比性。归一化处理通常用于将不同尺度或不同单位的数据转换为统一的标准,以消除数据之间的差异。
特别地,所述血糖局部时序特征分析模块330,用于对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列。特别地,在本申请的一个具体示例中,如图4所示,所述血糖局部时序特征分析模块330,包括:血糖时序向量切分单元331,用于对所述规整血糖时序输入向量进行向量切分以得到规整血糖局部时序输入向量的序列;血糖局部时序特征提取单元332,用于将所述规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器以得到所述规整血糖局部时序特征向量的序列。
具体地,所述血糖时序向量切分单元331,用于对所述规整血糖时序输入向量进行向量切分以得到规整血糖局部时序输入向量的序列。应可以理解,由于用户的血糖数据在时间维度上具有着时序的波动性,因此,所述血糖时间序列中可能存在着不同的血糖波动和变化模式,例如上升、下降、平稳等。基于此,为了更好地捕捉血糖数据的局部特征和时序模式,在本申请的技术方案中,进一步对所述规整血糖时序输入向量进行向量切分以得到规整血糖局部时序输入向量的序列,以便于更好地捕捉到血糖数据在不同时间段内的变化模式和趋势。
具体地,所述血糖局部时序特征提取单元332,用于将所述规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器以得到所述规整血糖局部时序特征向量的序列。也就是,在本申请的技术方案中,将所述规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器中进行特征挖掘,以分别提取出所述血糖数据在不同时间段内的局部时序动态特征信息,从而得到规整血糖局部时序特征向量的序列。更具体地,将所述规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器以得到所述规整血糖局部时序特征向量的序列,包括:使用所述基于一维卷积层的血糖时序模式特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积层的血糖时序模式特征提取器的最后一层的输出为所述规整血糖局部时序特征向量的序列,所述基于一维卷积层的血糖时序模式特征提取器的第一层的输入为所述规整血糖局部时序输入向量的序列。
值得注意的是,一维卷积层是卷积神经网络(CNN)中的一种基本层类型,用于处理具有时序关联性的数据。它在输入数据的一维空间上应用卷积操作,以提取时序特征。一维卷积层的核心是卷积操作。卷积操作:卷积操作是一种在输入数据上滑动并执行局部加权求和的操作。在一维卷积中,卷积操作是通过将卷积核与输入数据的一部分进行逐元素相乘,并将结果求和得到输出的一个元素。卷积操作可以捕捉输入数据的局部模式和特征。卷积核(也称为滤波器)是一种小的权重矩阵,用于执行卷积操作。卷积核定义了模型需要学习的参数,它会在输入数据上滑动并与输入数据的局部部分进行逐元素相乘和求和。卷积核的大小和形状可以根据任务和数据的特点进行定义。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列,例如:输入所述规整血糖时序输入向量;确定局部时序特征分析的窗口大小$w$;从第$w$个时间步开始,遍历血糖时序输入向量;对于每个时间步$i$,根据窗口大小$w$,提取该时间步及其前后$w$个时间步的归一化血糖值,形成一个局部时序特征向量;将所有的局部时序特征向量按照时间顺序组合起来,形成规整血糖局部时序特征向量的序列。
特别地,所述血糖局部时序特征语义关联分析模块340,用于对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵。特别地,在本申请的一个具体示例中,如图4所示,所述血糖局部时序特征语义关联分析模块340,包括:血糖局部时序特征关联单元341,用于计算所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的血糖时序关联拓扑矩阵;血糖局部时序关联拓扑特征提取单元342,用于将所述血糖时序关联拓扑矩阵通过基于卷积神经网络模型的时序拓扑特征提取器以得到所述血糖时序关联拓扑特征矩阵。
具体地,所述血糖局部时序特征关联单元341,用于计算所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的血糖时序关联拓扑矩阵。考虑到各个时间段的血糖局部时序动态特征之间具有着时序的关联关系。也就是说,用户的血糖数据在整个时间段中具有着时序全局的动态变化模式和关联。因此,为了能够揭示血糖在不同时间段的局部时序特征之间的关联关系,以进一步分析血糖的整体时序动态变化模式和趋势,在本申请的技术方案中,进一步计算所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的血糖时序关联拓扑矩阵。应可以理解,通过计算各个所述规整血糖局部时序特征向量之间的关联系数,可以量化血糖数据的不同局部时序特征之间的关联程度。而通过构建所述血糖时序关联拓扑矩阵,可以更好地理解血糖数据的时序关联性,以便于揭示血糖的整体时序动态变化模式和趋势。更具体地,计算所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的血糖时序关联拓扑矩阵,包括:以如下语义关联公式计算所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的所述血糖时序关联拓扑矩阵;其中,所述语义关联公式为:
其中,p(x)和q(x)分别表示所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量的各个位置的特征值,N是所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量的尺度,Si是所述血糖时序关联拓扑矩阵中各个位置的特征值。
具体地,所述血糖局部时序关联拓扑特征提取单元342,用于将所述血糖时序关联拓扑矩阵通过基于卷积神经网络模型的时序拓扑特征提取器以得到所述血糖时序关联拓扑特征矩阵。也就是,在本申请的技术方案中,将所述血糖时序关联拓扑矩阵通过基于卷积神经网络模型的时序拓扑特征提取器中进行特征挖掘,以提取出所述血糖数据在各个时间段中的局部时序特征之间的拓扑关联特征信息,从而得到血糖时序关联拓扑特征矩阵。更具体地,使用所述基于卷积神经网络模型的时序拓扑特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积神经网络模型的时序拓扑特征提取器的最后一层的输出为所述血糖时序关联拓扑特征矩阵,所述基于卷积神经网络模型的时序拓扑特征提取器的第一层的输入为所述血糖时序关联拓扑矩阵。
值得注意的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,主要用于处理具有网格结构数据的任务,如图像和语音识别。下面是卷积神经网络模型的基本结构和组成部分:卷积层:卷积层是CNN的核心组件。它通过应用一系列可学习的滤波器(也称为卷积核)对输入数据进行卷积操作,提取输入数据的局部特征。卷积操作通过滑动窗口的方式在输入数据上进行,每个窗口与卷积核进行逐元素相乘并求和,生成一个输出特征图;激活函数:在卷积层的输出特征图上,通常会应用一个非线性激活函数,如ReLU,来引入非线性变换,增加模型的表达能力;池化层:池化层用于减小特征图的空间尺寸,同时保留重要的特征。最常用的池化操作是最大池化和平均值池化,它在每个窗口中选择最大值作为输出;全连接层:全连接层将池化层的输出展平为一维向量,然后通过一系列全连接层进行分类或回归操作。全连接层中的每个神经元与前一层的所有神经元相连;Dropout层:Dropout是一种正则化技术,用于减少模型的过拟合。Dropout层在训练过程中随机地将一部分神经元的输出置为零,强制模型学习更加鲁棒和泛化的特征;Softmax层:在分类任务中,通常会在最后一个全连接层之后添加一个Softmax层,用于将模型的输出转化为每个类别的概率分布;损失函数:损失函数用于衡量模型的预测输出与真实标签之间的差异。常见的损失函数包括交叉熵损失和均方误差损失。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵,例如:输入所述规整血糖局部时序特征向量的序列;对于任意两个规整血糖局部时序特征向量进行语义关联分析,以确定它们之间的关联程度,可以通过计算它们之间的相似度或距离来实现。常见的方法包括欧氏距离、余弦相似度等;根据语义关联分析的结果,构建一个血糖时序关联拓扑特征矩阵,以此来表示任意两个血糖局部时序特征向量之间的关联程度。
特别地,所述图结构关联编码模块350,用于对所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵进行基于图结构的关联编码以得到血糖关联拓扑下血糖时序特征。具体地,在本申请的技术方案中,将所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵通过图神经网络模型以得到血糖关联拓扑下血糖时序特征矩阵作为所述血糖关联拓扑下血糖时序特征。也就是,以所述规整血糖局部时序特征向量的序列中的各个规整血糖局部时序特征向量作为节点的特征表示,而以所述血糖时序关联拓扑特征矩阵作为节点与节点之间的边的特征表示,将由多个所述规整血糖局部时序特征向量经二维排列得到的血糖全局时序特征矩阵和所述血糖时序关联拓扑特征矩阵通过图神经网络模型以得到血糖关联拓扑下血糖时序特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述血糖全局时序特征矩阵和所述血糖时序关联拓扑特征矩阵进行图结构数据编码以得到包含不规则的血糖局部时序特征拓扑关联特征和血糖数据在各个时间段中的局部时序特征信息的所述血糖关联拓扑下血糖时序特征矩阵。
值得注意的是,图神经网络(Graph Neural Network,简称GNN)是一类用于处理图结构数据的神经网络模型。GNN的核心思想是通过在图的节点上进行信息传递和聚合来学习节点的表示。下面是GNN的基本步骤:图结构表示:首先,将图表示为节点和边的集合。节点表示图中的实体,边表示节点之间的关系或连接;初始化节点表示:为每个节点初始化一个初始的节点表示向量。可以使用随机向量、节点属性或其他方法进行初始化;信息传递和聚合:通过迭代的方式,在图的节点上进行信息传递和聚合。每个节点通过聚合其邻居节点的信息来更新自身的表示。信息传递和聚合的过程可以通过定义节点更新函数来实现,常见的函数有图卷积操作和门控循环单元等;节点表示更新:在每次迭代中,根据节点的邻居节点信息和当前节点的表示,更新节点的表示。这样,节点的表示会逐渐融合图结构中的信息;输出预测或应用:在节点表示更新完成后,可以将其用于节点分类、图分类、链接预测等任务。对于节点分类任务,可以使用节点表示进行分类预测;对于图分类任务,可以使用图级汇聚操作将节点表示聚合为图级表示,并进行分类预测。
特别地,所述血糖预警模块360,用于基于所述血糖关联拓扑下血糖时序特征,确定血糖预警信息等级标签。在本申请的技术方案中,将所述血糖关联拓扑下血糖时序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血糖预警信息等级标签。具体地,在本申请的技术方案中,所述分类器的标签为血糖预警信息等级标签,其中,所述血糖预警信息等级标签包括正常、轻微异常、中度异常和重度异常。这样,能够实现对用户的血糖状态的实时和准确地监测和预警,有利于帮助医疗机构和个人判断用户血糖异常的程度。其更具体地,将所述血糖关联拓扑下血糖时序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血糖预警信息等级标签,包括:将所述血糖关联拓扑下血糖时序特征矩阵基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于一维卷积层的血糖时序模式特征提取器、所述基于卷积神经网络模型的时序拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。也就是说,根据本申请的基于健康大数据的血糖异常检测与预警系统300,还包括训练阶段400,用于对所述基于一维卷积层的血糖时序模式特征提取器、所述基于卷积神经网络模型的时序拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。
图3为根据本申请实施例的基于健康大数据的血糖异常检测与预警系统的训练阶段的框图。如图3所示,根据本申请实施例的基于健康大数据的血糖异常检测与预警系统300,包括:训练阶段400,包括:训练数据获取单元410,用于获取训练数据,所述训练数据包括由智能手环采集的被监控用户的训练血糖时间序列;训练时序排列和归一化单元420,用于将所述训练血糖时间序列按照时间维度排列为训练血糖时序输入向量,对所述训练血糖时序输入向量进行基于最大值的归一化处理以得到训练规整血糖时序输入向量;训练时序向量切分单元430,用于对所述训练规整血糖时序输入向量进行向量切分以得到训练规整血糖局部时序输入向量的序列;训练局部时序特征提取单元440,用于将所述训练规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器以得到训练规整血糖局部时序特征向量的序列;训练局部时序特征关联单元450,用于计算所述训练规整血糖局部时序特征向量的序列中任意两个训练规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的训练血糖时序关联拓扑矩阵;训练局部时序关联拓扑特征提取单元460,用于将所述训练血糖时序关联拓扑矩阵通过基于卷积神经网络模型的时序拓扑特征提取器以得到训练血糖时序关联拓扑特征矩阵;训练图结构关联编码单元470,用于将所述训练规整血糖局部时序特征向量的序列和所述训练血糖时序关联拓扑特征矩阵通过图神经网络模型以得到训练血糖关联拓扑下血糖时序特征矩阵;损失计算单元480,用于计算所述训练血糖关联拓扑下血糖时序特征矩阵和所述训练规整血糖局部时序特征向量的序列之间的损失函数以得到损失函数值;分类损失单元490,用于将所述训练血糖关联拓扑下血糖时序特征矩阵通过分类器以得到分类损失函数值;加权计算单元500,用于计算所述损失函数值和所述分类损失函数值之间的加权和以得到最终损失函数值;训练单元510,用于基于所述最终损失函数值对所述基于一维卷积层的血糖时序模式特征提取器、所述基于卷积神经网络模型的时序拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。
其中,所述分类损失单元,用于:使用所述分类器对所述训练血糖关联拓扑下血糖时序特征矩阵进行处理以得到训练分类结果:以及,计算所述训练分类结果与所述血糖预警信息等级标签的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
特别地,在本申请的技术方案中,所述规整血糖局部时序特征向量的序列中的每个规整血糖局部时序特征向量表达所述的血糖时间序列在全局时域空间经由向量切分确定的局部时域下的时序关联特征,而将将所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵通过图神经网络模型后,可以将血糖时间序列在局部时域下的时序关联特征基于局部时域下血糖时序语义关联拓扑进行拓扑关联,但是,这也会导致所述血糖关联拓扑下血糖时序特征矩阵相对于所述规整血糖局部时序特征向量的序列具有不同的特征群密度表示,使得在模型整体训练时,所述基于一维卷积层的血糖时序模式特征提取器的血糖时序关联特征提取与所述图神经网络模型的拓扑关联之间会存在迭代不均衡,影响模型的整体训练效率。因此,本申请的申请人考虑提升所述血糖关联拓扑下血糖时序特征矩阵相对于所述规整血糖局部时序特征向量的序列的特征群密度表示一致性,从而进一步引入了针对所述血糖关联拓扑下血糖时序特征矩阵和所述规整血糖局部时序特征向量的序列的损失函数,表示为:
V1是所述血糖关联拓扑下血糖时序特征矩阵展开后的第一特征向量,V2是所述规整血糖局部时序特征向量的序列级联后的第二特征向量,L是特征向量的长度,且表示向量的二范数的平方,exp()表示指数运算,/>表示按位置作差,/>是所述损失函数。这里,所述损失函数基于特征群密度来进行群计数注意力,其通过将群计数作为输出特征群密度的递归映射,来进行所述血糖关联拓扑下血糖时序特征矩阵和所述规整血糖局部时序特征向量的序列之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型,可以使得模型针对所述血糖关联拓扑下血糖时序特征矩阵和所述规整血糖局部时序特征向量的序列的特征分布下的不同密度模式来避免过估计和欠估计,并学习特征值分布与群密度分布之间的对应关系,从而实现具有不同特征密度的所述血糖关联拓扑下血糖时序特征矩阵和所述规整血糖局部时序特征向量的序列之间的特征群密度表示一致性优化,以提升模型的整体训练效率。这样,能够利用健康大数据技术来基于用户的血糖时序数据进行血糖的异常检测,并基于血糖异常的等级来实现动态预警,通过这样的方式,能够实现对用户的血糖状态的实时和准确地监测和预警,有利于帮助医疗机构和个人判断用户血糖异常的程度,为后续的血糖异常处理提供依据。
如上所述,根据本申请实施例的基于健康大数据的血糖异常检测与预警系统300可以实现在各种无线终端中,例如具有基于健康大数据的血糖异常检测与预警算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于健康大数据的血糖异常检测与预警系统300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,该基于健康大数据的血糖异常检测与预警系统300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,该基于健康大数据的血糖异常检测与预警系统300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,该基于健康大数据的血糖异常检测与预警系统300与该无线终端也可以是分立的设备,并且该基于健康大数据的血糖异常检测与预警系统300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。
进一步地,还提供一种基于健康大数据的血糖异常检测与预警方法。
图6为根据本申请实施例的基于健康大数据的血糖异常检测与预警方法的流程图。如图6所示,根据本申请实施例的基于健康大数据的血糖异常检测与预警方法,包括步骤:S1,获取由智能手环采集的被监控用户的血糖时间序列;S2,将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量;S3,对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列;S4,对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵;S5,对所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵进行基于图结构的关联编码以得到血糖关联拓扑下血糖时序特征;S6,基于所述血糖关联拓扑下血糖时序特征,确定血糖预警信息等级标签。
综上,根据本申请实施例的基于健康大数据的血糖异常检测与预警方法被阐明,其通过被监控用户佩戴的智能手环来实时监测采集该用户的血糖时间序列数据,并在后端引入数据处理和分析算法来进行所述血糖时间序列的时序分析,以此来进行血糖异常的检测,并基于血糖异常的等级来实现动态预警,通过这样的方式,能够实现对用户的血糖状态的实时和准确地监测和预警,有利于帮助医疗机构和个人判断用户血糖异常的程度,为后续的血糖异常处理提供依据。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于健康大数据的血糖异常检测与预警系统,其特征在于,包括:
血糖数据采集模块,用于获取由智能手环采集的被监控用户的血糖时间序列;
血糖时序排列和归一化模块,用于将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量;
血糖局部时序特征分析模块,用于对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列;
血糖局部时序特征语义关联分析模块,用于对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵;
图结构关联编码模块,用于对所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵进行基于图结构的关联编码以得到血糖关联拓扑下血糖时序特征;
血糖预警模块,用于基于所述血糖关联拓扑下血糖时序特征,确定血糖预警信息等级标签;
所述系统还包括用于对基于一维卷积层的血糖时序模式特征提取器、基于卷积神经网络模型的时序拓扑特征提取器、图神经网络模型和分类器进行训练的训练模块;
所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括由智能手环采集的被监控用户的训练血糖时间序列;
训练时序排列和归一化单元,用于将所述训练血糖时间序列按照时间维度排列为训练血糖时序输入向量,对所述训练血糖时序输入向量进行基于最大值的归一化处理以得到训练规整血糖时序输入向量;
训练时序向量切分单元,用于对所述训练规整血糖时序输入向量进行向量切分以得到训练规整血糖局部时序输入向量的序列;
训练局部时序特征提取单元,用于将所述训练规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器以得到训练规整血糖局部时序特征向量的序列;
训练局部时序特征关联单元,用于计算所述训练规整血糖局部时序特征向量的序列中任意两个训练规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的训练血糖时序关联拓扑矩阵;
训练局部时序关联拓扑特征提取单元,用于将所述训练血糖时序关联拓扑矩阵通过基于卷积神经网络模型的时序拓扑特征提取器以得到训练血糖时序关联拓扑特征矩阵;
训练图结构关联编码单元,用于将所述训练规整血糖局部时序特征向量的序列和所述训练血糖时序关联拓扑特征矩阵通过图神经网络模型以得到训练血糖关联拓扑下血糖时序特征矩阵;
损失计算单元,用于计算所述训练血糖关联拓扑下血糖时序特征矩阵和所述训练规整血糖局部时序特征向量的序列之间的损失函数以得到损失函数值;
分类损失单元,用于将所述训练血糖关联拓扑下血糖时序特征矩阵通过分类器以得到分类损失函数值;
加权计算单元,用于计算所述损失函数值和所述分类损失函数值之间的加权和以得到最终损失函数值;
训练单元,用于基于所述最终损失函数值对所述基于一维卷积层的血糖时序模式特征提取器、所述基于卷积神经网络模型的时序拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
所述损失函数,表示为:
V1是所述训练血糖关联拓扑下血糖时序特征矩阵展开后的第一特征向量,V2是所述训练规整血糖局部时序特征向量的序列级联后的第二特征向量,L是特征向量的长度,且表示向量的二范数的平方,exp()表示指数运算,/>表示按位置作差,/>是所述损失函数。
2.根据权利要求1所述的基于健康大数据的血糖异常检测与预警系统,其特征在于,所述血糖局部时序特征分析模块,包括:
血糖时序向量切分单元,用于对所述规整血糖时序输入向量进行向量切分以得到规整血糖局部时序输入向量的序列;
血糖局部时序特征提取单元,用于将所述规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器以得到所述规整血糖局部时序特征向量的序列。
3.根据权利要求2所述的基于健康大数据的血糖异常检测与预警系统,其特征在于,所述血糖局部时序特征语义关联分析模块,包括:
血糖局部时序特征关联单元,用于计算所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的血糖时序关联拓扑矩阵;
血糖局部时序关联拓扑特征提取单元,用于将所述血糖时序关联拓扑矩阵通过基于卷积神经网络模型的时序拓扑特征提取器以得到所述血糖时序关联拓扑特征矩阵。
4.根据权利要求3所述的基于健康大数据的血糖异常检测与预警系统,其特征在于,所述血糖局部时序特征关联单元,用于:以如下语义关联公式计算所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的所述血糖时序关联拓扑矩阵;
其中,所述语义关联公式为:
其中,p(x)和q(x)分别表示所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量的各个位置的特征值,N是所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量的尺度,Si是所述血糖时序关联拓扑矩阵中各个位置的特征值。
5.根据权利要求4所述的基于健康大数据的血糖异常检测与预警系统,其特征在于,所述图结构关联编码模块,用于:将所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵通过图神经网络模型以得到血糖关联拓扑下血糖时序特征矩阵作为所述血糖关联拓扑下血糖时序特征。
6.根据权利要求5所述的基于健康大数据的血糖异常检测与预警系统,其特征在于,所述血糖预警模块,用于:将所述血糖关联拓扑下血糖时序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血糖预警信息等级标签。
7.根据权利要求6所述的基于健康大数据的血糖异常检测与预警系统,其特征在于,所述血糖预警信息等级标签为正常、轻微异常、中度异常和重度异常。
8.一种基于健康大数据的血糖异常检测与预警方法,其特征在于,包括:
获取由智能手环采集的被监控用户的血糖时间序列;
将所述血糖时间序列按照时间维度排列为血糖时序输入向量,对所述血糖时序输入向量进行基于最大值的归一化处理以得到规整血糖时序输入向量;
对所述规整血糖时序输入向量进行局部时序特征分析以得到规整血糖局部时序特征向量的序列;
对所述规整血糖局部时序特征向量的序列中任意两个规整血糖局部时序特征向量进行语义关联分析以得到血糖时序关联拓扑特征矩阵;
对所述规整血糖局部时序特征向量的序列和所述血糖时序关联拓扑特征矩阵进行基于图结构的关联编码以得到血糖关联拓扑下血糖时序特征;
基于所述血糖关联拓扑下血糖时序特征,确定血糖预警信息等级标签;
所述方法还包括:对基于一维卷积层的血糖时序模式特征提取器、基于卷积神经网络模型的时序拓扑特征提取器、图神经网络模型和分类器进行训练的训练步骤;
所述训练步骤,包括:
获取训练数据,所述训练数据包括由智能手环采集的被监控用户的训练血糖时间序列;
将所述训练血糖时间序列按照时间维度排列为训练血糖时序输入向量,对所述训练血糖时序输入向量进行基于最大值的归一化处理以得到训练规整血糖时序输入向量;
对所述训练规整血糖时序输入向量进行向量切分以得到训练规整血糖局部时序输入向量的序列;
将所述训练规整血糖局部时序输入向量的序列通过基于一维卷积层的血糖时序模式特征提取器以得到训练规整血糖局部时序特征向量的序列;
计算所述训练规整血糖局部时序特征向量的序列中任意两个训练规整血糖局部时序特征向量之间的血糖时序语义关联系数以得到由多个血糖时序语义关联系数组成的训练血糖时序关联拓扑矩阵;
将所述训练血糖时序关联拓扑矩阵通过基于卷积神经网络模型的时序拓扑特征提取器以得到训练血糖时序关联拓扑特征矩阵;
将所述训练规整血糖局部时序特征向量的序列和所述训练血糖时序关联拓扑特征矩阵通过图神经网络模型以得到训练血糖关联拓扑下血糖时序特征矩阵;
计算所述训练血糖关联拓扑下血糖时序特征矩阵和所述训练规整血糖局部时序特征向量的序列之间的损失函数以得到损失函数值;
将所述训练血糖关联拓扑下血糖时序特征矩阵通过分类器以得到分类损失函数值;
计算所述损失函数值和所述分类损失函数值之间的加权和以得到最终损失函数值;
基于所述最终损失函数值对所述基于一维卷积层的血糖时序模式特征提取器、所述基于卷积神经网络模型的时序拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
所述损失函数,表示为:
V1是所述训练血糖关联拓扑下血糖时序特征矩阵展开后的第一特征向量,V2是所述训练规整血糖局部时序特征向量的序列级联后的第二特征向量,L是特征向量的长度,且表示向量的二范数的平方,exp()表示指数运算,/>表示按位置作差,/>是所述损失函数;
其中,所述损失函数基于特征群密度来进行群计数注意力,其通过将群计数作为输出特征群密度的递归映射,来进行所述血糖关联拓扑下血糖时序特征矩阵和所述规整血糖局部时序特征向量的序列之间的不同密度表示模式的自适应注意力,这样通过以其作为损失函数训练模型,使得模型针对所述血糖关联拓扑下血糖时序特征矩阵和所述规整血糖局部时序特征向量的序列的特征分布下的不同密度模式来避免过估计和欠估计,并学习特征值分布与群密度分布之间的对应关系,从而实现具有不同特征密度的所述血糖关联拓扑下血糖时序特征矩阵和所述规整血糖局部时序特征向量的序列之间的特征群密度表示一致性优化,以提升模型的整体训练效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027477.2A CN117530684B (zh) | 2024-01-09 | 2024-01-09 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027477.2A CN117530684B (zh) | 2024-01-09 | 2024-01-09 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117530684A CN117530684A (zh) | 2024-02-09 |
CN117530684B true CN117530684B (zh) | 2024-04-16 |
Family
ID=89790335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410027477.2A Active CN117530684B (zh) | 2024-01-09 | 2024-01-09 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117530684B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831743A (zh) * | 2024-03-02 | 2024-04-05 | 长春职业技术学院 | 基于物联网技术的居家养老健康监测管理系统及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008289660A (ja) * | 2007-05-24 | 2008-12-04 | Toshiba Corp | 脳機能画像分析装置およびその方法並びに脳機能画像分析のためプログラム |
CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
CN109859850A (zh) * | 2019-03-06 | 2019-06-07 | 东北大学 | 基于变分模态分解和极限学习机的血糖预测方法 |
CN111797428A (zh) * | 2020-06-08 | 2020-10-20 | 武汉大学 | 一种医疗自相关时序数据差分隐私发布方法 |
CN112183477A (zh) * | 2020-10-28 | 2021-01-05 | 太原师范学院 | 一种基于持续同调的脑电信号持续特征提取方法 |
WO2022083124A1 (zh) * | 2020-10-22 | 2022-04-28 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
CN115191932A (zh) * | 2021-04-08 | 2022-10-18 | 深圳市睿心由科技有限公司 | 生理信号时间关联标记系统及多生理信号数据分析方法 |
WO2022235618A1 (en) * | 2021-05-03 | 2022-11-10 | The United States Government As Represented By The Department Of Veterans Affairs | Methods, systems, and apparatuses for preventing diabetic events |
CN116628200A (zh) * | 2023-05-11 | 2023-08-22 | 中兴通讯股份有限公司 | 事件因果关系识别方法、装置、计算机设备及存储介质 |
CN117061322A (zh) * | 2023-09-27 | 2023-11-14 | 广东云百科技有限公司 | 物联网流量池管理方法及系统 |
CN117077075A (zh) * | 2023-07-27 | 2023-11-17 | 湖南省三联环保科技有限公司 | 用于环境保护的水质监测系统及其方法 |
CN117158923A (zh) * | 2023-07-26 | 2023-12-05 | 厦门瞳景智能科技有限公司 | 基于元宇宙的居家养老远程监控方法 |
CN117224983A (zh) * | 2023-09-20 | 2023-12-15 | 浙江嘉诚动能科技股份有限公司 | 一种复合式甲醇蒸发器的控制系统 |
CN117481670A (zh) * | 2023-12-12 | 2024-02-02 | 郑州仁惠医疗科技股份有限公司 | 一种基于盆底肌电的评估及训练康复系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008005513A2 (en) * | 2006-07-06 | 2008-01-10 | Regents Of The University Of Minnesota | Analysis of brain patterns using temporal measures |
US10685549B2 (en) * | 2018-03-21 | 2020-06-16 | Capsule Technologies, Inc. | Alarm setting derived from the variability in signal characteristics |
US20220211329A1 (en) * | 2021-01-07 | 2022-07-07 | Universitat Politècnica De València (Upv) | Method and system for enhancing glucose prediction |
-
2024
- 2024-01-09 CN CN202410027477.2A patent/CN117530684B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008289660A (ja) * | 2007-05-24 | 2008-12-04 | Toshiba Corp | 脳機能画像分析装置およびその方法並びに脳機能画像分析のためプログラム |
CN106980746A (zh) * | 2016-12-16 | 2017-07-25 | 清华大学 | 一种基于时序分析的通用无创血糖预测方法 |
CN109859850A (zh) * | 2019-03-06 | 2019-06-07 | 东北大学 | 基于变分模态分解和极限学习机的血糖预测方法 |
CN111797428A (zh) * | 2020-06-08 | 2020-10-20 | 武汉大学 | 一种医疗自相关时序数据差分隐私发布方法 |
WO2022083124A1 (zh) * | 2020-10-22 | 2022-04-28 | 平安科技(深圳)有限公司 | 个性化糖尿病健康管理系统、设备及存储介质 |
CN112183477A (zh) * | 2020-10-28 | 2021-01-05 | 太原师范学院 | 一种基于持续同调的脑电信号持续特征提取方法 |
CN115191932A (zh) * | 2021-04-08 | 2022-10-18 | 深圳市睿心由科技有限公司 | 生理信号时间关联标记系统及多生理信号数据分析方法 |
WO2022235618A1 (en) * | 2021-05-03 | 2022-11-10 | The United States Government As Represented By The Department Of Veterans Affairs | Methods, systems, and apparatuses for preventing diabetic events |
CN116628200A (zh) * | 2023-05-11 | 2023-08-22 | 中兴通讯股份有限公司 | 事件因果关系识别方法、装置、计算机设备及存储介质 |
CN117158923A (zh) * | 2023-07-26 | 2023-12-05 | 厦门瞳景智能科技有限公司 | 基于元宇宙的居家养老远程监控方法 |
CN117077075A (zh) * | 2023-07-27 | 2023-11-17 | 湖南省三联环保科技有限公司 | 用于环境保护的水质监测系统及其方法 |
CN117224983A (zh) * | 2023-09-20 | 2023-12-15 | 浙江嘉诚动能科技股份有限公司 | 一种复合式甲醇蒸发器的控制系统 |
CN117061322A (zh) * | 2023-09-27 | 2023-11-14 | 广东云百科技有限公司 | 物联网流量池管理方法及系统 |
CN117481670A (zh) * | 2023-12-12 | 2024-02-02 | 郑州仁惠医疗科技股份有限公司 | 一种基于盆底肌电的评估及训练康复系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117530684A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117530684B (zh) | 一种基于健康大数据的血糖异常检测与预警系统及方法 | |
CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
Hsueh et al. | Human behavior recognition from multiview videos | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN107423815B (zh) | 一种基于计算机的低质量分类图像数据清洗方法 | |
TWI761813B (zh) | 視頻分析方法及其相關的模型訓練方法、電子設備、儲存介質 | |
Yu et al. | Epileptic seizure prediction using deep neural networks via transfer learning and multi-feature fusion | |
CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
CN112233798A (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 | |
CN115694985A (zh) | 基于tmb的混合网络流量攻击预测方法 | |
Wang et al. | SSGCNet: A sparse spectra graph convolutional network for epileptic EEG signal classification | |
CN112233102A (zh) | 图像样本集中噪声的识别方法、装置、设备及存储介质 | |
CN116597312A (zh) | 基于小样本图像语义分割的农作物叶片病虫害识别的方法 | |
CN114595725A (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
CN117648604A (zh) | 一种基于动态图特征网络的脑机目标读取方法及系统 | |
CN110613445B (zh) | 一种基于dwnn框架的心电信号的识别方法 | |
Anees et al. | Deep learning framework for density estimation of crowd videos | |
CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
Jayasinghe et al. | Feature learning and analysis for cleanliness classification in restrooms | |
CN116758331A (zh) | 物体检测方法、装置及存储介质 | |
Pujari | Classification of Pima Indian diabetes dataset using support vector machine with polynomial kernel | |
CN112560784B (zh) | 一种基于动态多尺度卷积神经网络的心电图分类方法 | |
CN115712848A (zh) | 一种基于图结构学习的结构化深度聚类网络及方法 | |
CN115019342A (zh) | 一种基于类关系推理的濒危动物目标检测方法 |
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 |