CN117542537B - 基于人工智能的血氧饱和度变化预测方法及装置 - Google Patents

Abstract

本申请涉及数据处理技术领域，公开了一种基于人工智能的血氧饱和度变化预测方法及装置。方法包括：通过智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；进行相关性影响因素分析，得到心率和血氧相关性权重数据和运动和血氧相关性权重数据；进行向量转换，生成第一相关性权重向量和第二相关性权重向量；通过初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；进行模型参数优化，得到目标血氧饱和度变化预测模型，本申请提高了血氧饱和度监测的准确率。

Description

基于人工智能的血氧饱和度变化预测方法及装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于人工智能的血氧饱和度变化预测方法及装置。

背景技术

血氧饱和度是人体血液中氧气的含量，血氧饱和度是一个重要的生理参数，反映了血液中氧气的饱和程度，对于身体健康状态的监测具有重要意义。

然而，传统的血氧监测方法往往局限于单一参数的测量，单一维度的数据对于血氧饱和度的监测其数据支撑度较低，并且容易导致血氧饱和度监测的监测结果准确率低。

发明内容

本申请提供了一种基于人工智能的血氧饱和度变化预测方法及装置，用于提高血氧饱和度监测的准确率。

本申请第一方面提供了一种基于人工智能的血氧饱和度变化预测方法，所述基于人工智能的血氧饱和度变化预测方法包括：

通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；

分别对所述用户心率监测数据、所述用户运动监测数据以及所述用户血氧饱和度监测数据进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；

对所述心率特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到心率和血氧相关性权重数据，并对所述运动特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到运动和血氧相关性权重数据；

根据所述心率和血氧相关性权重数据对所述心率特征集合和所述血氧饱和度特征集合进行向量转换，生成第一相关性权重向量，并根据所述运动和血氧相关性权重数据对所述运动特征集合和所述血氧饱和度特征集合进行向量转换，得到第二相关性权重向量；

将所述第一相关性权重向量和所述第二相关性权重向量输入预置的初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；

根据所述血氧饱和度变化预测数据对所述初始血氧饱和度变化预测模型进行模型参数优化，生成目标模型参数集合，并根据所述目标模型参数集合对所述初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。

本申请第二方面提供了一种基于人工智能的血氧饱和度变化预测装置，所述基于人工智能的血氧饱和度变化预测装置包括：

获取模块，用于通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；

特征提取模块，用于分别对所述用户心率监测数据、所述用户运动监测数据以及所述用户血氧饱和度监测数据进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；

分析模块，用于对所述心率特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到心率和血氧相关性权重数据，并对所述运动特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到运动和血氧相关性权重数据；

转换模块，用于根据所述心率和血氧相关性权重数据对所述心率特征集合和所述血氧饱和度特征集合进行向量转换，生成第一相关性权重向量，并根据所述运动和血氧相关性权重数据对所述运动特征集合和所述血氧饱和度特征集合进行向量转换，得到第二相关性权重向量；

预测模块，用于将所述第一相关性权重向量和所述第二相关性权重向量输入预置的初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；

优化模块，用于根据所述血氧饱和度变化预测数据对所述初始血氧饱和度变化预测模型进行模型参数优化，生成目标模型参数集合，并根据所述目标模型参数集合对所述初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。

本申请提供的技术方案中，通过智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；进行相关性影响因素分析，得到心率和血氧相关性权重数据和运动和血氧相关性权重数据；进行向量转换，生成第一相关性权重向量和第二相关性权重向量；将第一相关性权重向量和第二相关性权重向量输入初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；进行模型参数优化，得到目标血氧饱和度变化预测模型，本申请通过智能穿戴设备获取的历史心率、运动和血氧饱和度数据被综合使用，充分考虑了用户在不同活动中的生理状态，提高了监测的全面性和准确性。对历史数据进行特征提取和标准化处理，使得不同类型的数据在相同尺度上进行比较，确保了数据的一致性和可比性。通过皮尔逊相关系数进行相关性分析，挖掘了不同特征之间的相关性，进而计算相关性权重。这有助于识别影响血氧饱和度的关键因素，并为后续建模提供了有效的特征权重。利用相关性权重对特征集合进行向量转换，以生成更具代表性的特征向量。这有助于降低数据维度、提高模型输入的效率，并增强了对关键特征的关注。采用了包括长短时记忆网络、注意力机制和全连接网络在内的复杂模型结构，充分挖掘了数据中的时序和关联信息，提高了对血氧饱和度变化的预测能力。引入遗传算法进行模型参数的优化，有助于自适应地调整模型参数，提高模型的泛化能力和预测精度，进而提高了血氧饱和度监测的准确率。

附图说明

图1为本申请实施例中基于人工智能的血氧饱和度变化预测方法的一个实施例示意图；

图2为本申请实施例中基于人工智能的血氧饱和度变化预测装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种基于人工智能的血氧饱和度变化预测方法及装置，用于提高血氧饱和度监测的准确率。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于人工智能的血氧饱和度变化预测方法的一个实施例包括：

S101、通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；

可以理解的是，本申请的执行主体可以为基于人工智能的血氧饱和度变化预测装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据。这可以通过智能穿戴设备中的传感器来实现，包括心率传感器、运动传感器和血氧传感器。例如，一位用户佩戴了一款智能穿戴设备，该智能穿戴设备具有内置的心率传感器、运动传感器和血氧传感器。这些传感器能够连续监测用户的心率、运动活动和血氧饱和度，并将数据存储在设备中。对第一心率数据进行异常值监测，得到多个心率异常值，并根据这些异常值对第一心率数据进行异常值去除，得到第二心率数据。异常值监测可以采用统计方法或规则检测来实现，以识别和排除不准确或异常的心率数据。例如，智能穿戴设备监测到用户在某个时间段内的心率数据，如果其中存在异常高或异常低的数值，表明传感器数据出现问题或用户状态突然改变。异常值监测会识别并排除这些异常值，以获得更准确的心率数据。类似地，第一运动数据也需要进行异常值监测和去除，以得到第二运动数据。这有助于消除由于设备故障或用户活动突变引起的数据干扰。第一血氧饱和度数据同样需要经历异常值监测和去除步骤，以获得第二血氧饱和度数据。这可以提高血氧饱和度数据的准确性和可靠性。分别对第二心率数据、第二运动数据以及第二血氧饱和度数据进行数据标准化处理，以得到目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据。数据标准化通常涉及将数据调整为特定的尺度或范围，以确保不同类型的数据可以进行比较和分析。例如，用户心率监测数据、用户运动监测数据和用户血氧饱和度监测数据可以分别在不同的尺度上，例如心率以每分钟的次数、运动数据以步数或运动强度，血氧饱和度以百分比表示。标准化将这些数据统一到相同的尺度，以便进行后续的相关性分析和模型训练。

S102、分别对用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；

具体的，对用户心率监测数据进行曲线拟合，以获取历史心率曲线。这可以采用各种拟合方法，如多项式拟合、指数拟合等。曲线拟合有助于模拟心率随时间的变化趋势。例如，智能穿戴设备中的心率传感器记录了一周内的心率数据。通过多项式拟合，生成了一条平滑的心率曲线，该曲线反映了心率的波动。从历史心率曲线中提取多个候选曲线特征，如最高心率、最低心率、心率的波动范围等。这些特征可以提供有关用户的心率变化的重要信息。进行曲线均值运算，以获得曲线的均值。曲线均值代表了心率数据的整体水平，有助于了解用户的基本心率水平。随后，使用曲线均值对多个候选曲线特征进行筛选和标准化处理，以生成心率特征集合。筛选过程可以基于曲线均值选择与之相关性较高的特征，同时标准化确保所有特征在相同的尺度上，使它们可比较。例如，根据曲线均值，选择与之相关性较高的心率特征，如波动范围和最高心率。对这些特征进行标准化处理，以确保它们的尺度一致。对用户运动监测数据进行运动强度分析，以获得运动强度特征。这通常涉及计算运动数据的强度或活动水平，例如使用加速度数据或其他指标。例如，分析用户的运动数据，计算运动的强度，例如步行速度或运动的强度等级。同时，计算用户运动监测数据的运动时长和运动频率特征。运动时长表示用户在一段时间内参与运动的时间，而运动频率表示用户进行运动的次数。例如，通过分析用户的用户运动监测数据，计算用户每次运动的时长和运动的频率，了解他们的运动习惯。对运动强度特征、运动时长特征和运动频率特征进行标准化处理，以生成运动特征集合。标准化确保这些不同类型的特征具有相似的尺度和范围，以便进行后续的分析。对用户血氧饱和度监测数据进行统计特征提取，以获得多个第一血氧饱和度特征。统计特征可以包括均值、标准差、中位数等，用于描述血氧饱和度数据的分布。同时，进行变异性特征提取，以获得多个第二血氧饱和度特征。这些特征可以包括范围、标准差、波动幅度等，用于描述血氧饱和度数据的变化趋势和不规则性。例如，从用户血氧饱和度监测数据中提取变异性特征，如范围、标准差和波动幅度，以了解用户的血氧饱和度的变化趋势和不规则性。对多个第一血氧饱和度特征和多个第二血氧饱和度特征进行特征标准化处理，以确保血氧饱和度特征集合中的所有特征都具有一致的尺度和范围。标准化有助于使这些特征可比，以便进行后续的相关性分析和血氧饱和度变化的预测。

S103、对心率特征集合和血氧饱和度特征集合进行相关性影响因素分析，得到心率和血氧相关性权重数据，并对运动特征集合和血氧饱和度特征集合进行相关性影响因素分析，得到运动和血氧相关性权重数据；

需要说明的是，服务器使用预置的第一皮尔逊相关系数函数，对心率特征集合和血氧饱和度特征集合进行皮尔逊相关系数计算。皮尔逊相关系数是一种常用的统计方法，用于衡量两个变量之间的线性相关性。例如，第一皮尔逊相关系数为0.7，这表示心率特征与血氧饱和度特征之间存在较强的正相关性，即当心率升高时，血氧饱和度也倾向于增加。服务器对运动特征集合和血氧饱和度特征集合进行相关性分析。这一步骤有助于服务器了解运动与血氧饱和度之间的关系，进一步提高血氧饱和度的预测准确性。同样，服务器使用预置的第二皮尔逊相关系数函数，对运动特征集合和血氧饱和度特征集合进行皮尔逊相关系数计算。第二皮尔逊相关系数将帮助服务器理解运动特征与血氧饱和度特征之间的线性相关性。例如，如果第二皮尔逊相关系数为-0.5，这表示运动特征与血氧饱和度特征之间存在一定的负相关性，即运动强度增加时，血氧饱和度下降。服务器根据预置的系数缩放比例对第一皮尔逊相关系数进行相关性影响因素缩放，以得到第一初始权重数据。这一步骤有助于将相关系数的范围映射到合适的权重范围。第一初始权重数据将反映心率特征与血氧饱和度特征之间的相关性影响因素，考虑到的线性关系。如果需要，服务器调整这些权重以反映特定因素的重要性或将权重限制在合理的范围内，以确保它们在模型中得到恰当的应用。类似地，服务器对第二皮尔逊相关系数进行相关性影响因素缩放，得到第二初始权重数据，以反映运动特征对血氧饱和度的相关性影响因素。服务器对第一和第二初始权重数据进行权重校验，以获得第一和运动和血氧相关性权重数据。这确保了权重在模型中合理使用，以反映相关特征对血氧饱和度的实际影响。

S104、根据心率和血氧相关性权重数据对心率特征集合和血氧饱和度特征集合进行向量转换，生成第一相关性权重向量，并根据运动和血氧相关性权重数据对运动特征集合和血氧饱和度特征集合进行向量转换，得到第二相关性权重向量；

具体的，服务器根据心率和血氧相关性权重数据对心率特征集合和血氧饱和度特征集合进行特征加权处理。这将生成多个加权心率特征和多个第一血氧饱和度特征。特征加权处理是将每个特征乘以相应的权重，以反映它们在模型中的相对重要性。对于每个特征，将其与相应的第一相关性权重相乘。例如，如果有三个心率特征和两个第一血氧饱和度特征，服务器将分别将它们与相应的权重相乘，得到加权心率特征和第一血氧饱和度特征。这些特征将反映了心率特征与血氧饱和度之间的相关性影响因素。服务器对这些加权特征进行向量转换，以生成第一相关性权重向量。这个向量将包含所有加权心率特征和第一血氧饱和度特征。类似地，服务器将使用运动和血氧相关性权重数据对运动特征集合和血氧饱和度特征集合进行特征加权处理。这将生成多个加权运动特征和多个第二血氧饱和度特征。再次，特征加权处理涉及将每个特征乘以相应的权重，以反映它们在模型中的相对重要性。对于每个特征，将其与相应的第二相关性权重相乘。例如，如果服务器有四个运动特征和三个第二血氧饱和度特征，服务器将分别将它们与相应的权重相乘，得到加权运动特征和第二血氧饱和度特征。这些特征将反映了运动特征与血氧饱和度之间的相关性影响因素。服务器对这些加权特征进行向量转换，以生成第二相关性权重向量。这个向量将包含所有加权运动特征和第二血氧饱和度特征。通过以上步骤，服务器成功地将心率特征和血氧饱和度特征结合成第一相关性权重向量，同时将运动特征和血氧饱和度特征结合成第二相关性权重向量。这些向量将在后续的分析和模型中使用，以预测血氧饱和度的变化。例如，假设服务器有两个心率特征（平均心率和最大心率）和两个第一血氧饱和度特征（平均血氧饱和度和波动范围），以及三个运动特征（运动时长、运动频率和运动强度）和三个第二血氧饱和度特征（平均血氧饱和度、最低血氧饱和度和氧饱和度下降速度）。服务器使用相关性权重数据将它们加权处理并转换为相关性权重向量，以用于后续的血氧饱和度变化预测。这些向量将反映不同特征对血氧饱和度的影响程度。

S105、将第一相关性权重向量和第二相关性权重向量输入预置的初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；

具体的，服务器将第一相关性权重向量和第二相关性权重向量输入预置的初始血氧饱和度变化预测模型。这个模型包括多个组件，如第一长短时记忆网络、第二长短时记忆网络、注意力机制层、第三长短时记忆网络以及双层全连接网络。通过第一长短时记忆网络，服务器对第一相关性权重向量进行隐藏特征提取，得到第一隐藏特征向量。同样，通过第二长短时记忆网络，服务器对第二相关性权重向量进行隐藏特征提取，得到第二隐藏特征向量。这些隐藏特征向量将包含有关权重数据的有用信息，以用于后续分析。通过注意力机制层，服务器对第一和第二相关性权重向量进行注意力机制融合。这将生成初始注意力向量，反映了权重向量的相对重要性。注意力机制允许模型更关注与血氧饱和度相关性较高的特征，提高了模型的准确性。通过第三长短时记忆网络，服务器对初始注意力向量进行隐藏特征提取，得到目标注意力向量。这一步骤有助于进一步提取与血氧饱和度相关性较高的特征信息。服务器对第一隐藏特征向量、第二隐藏特征向量以及目标注意力向量进行向量融合，以生成目标融合特征向量。这个向量将综合了隐藏特征和注意力信息，以用于后续的血氧饱和度变化预测。服务器将目标融合特征向量输入双层全连接网络，以进行血氧饱和度变化预测。这个网络将学习如何将输入特征映射到血氧饱和度的变化，并生成血氧饱和度变化预测数据。

S106、根据血氧饱和度变化预测数据对初始血氧饱和度变化预测模型进行模型参数优化，生成目标模型参数集合，并根据目标模型参数集合对初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。

具体的，服务器对血氧饱和度变化预测数据进行预测偏差分析。这将帮助服务器了解初始模型的性能，即模型的预测与实际血氧饱和度变化之间的差异。预测偏差数据将反映模型的误差。并根据预测偏差数据计算所述初始血氧饱和度变化预测模型的初始模型参数集合。这是一个包含模型参数的集合，它描述了模型如何进行血氧饱和度变化的预测。这些参数可以包括权重、偏差和其他模型参数。服务器使用预置的遗传算法对初始模型参数集合进行参数群体初始化。遗传算法是一种优化算法，它模拟了生物遗传过程中的自然选择和进化。在这一步骤中，服务器生成多个候选模型参数集合，作为参数群体的起始点。服务器计算每个候选模型参数集合的适应度数据。适应度数据是衡量模型性能的指标，通常是根据预测偏差数据计算得出的。这些数据将帮助服务器确定哪些模型参数集合更适合用于血氧饱和度变化预测。根据适应度数据，服务器对多个候选模型参数集合进行群体划分，得到多个模型参数群体。这些群体将包含具有不同适应性的模型参数集合。服务器对每个模型参数群体进行参数优化分析。服务器尝试找到在每个群体中表现最佳的模型参数集合，以提高模型的性能。根据目标模型参数集合，服务器对初始血氧饱和度变化预测模型进行模型参数更新。服务器将采用经过优化的参数来替换初始模型的参数，以生成目标血氧饱和度变化预测模型。这个目标模型将具有更好的性能和准确性，以进行血氧饱和度的变化预测。例如，假设有一个初始血氧饱和度变化预测模型，它包含一组参数，如权重和偏差。通过预测偏差分析，服务器了解到该模型的预测与实际血氧饱和度变化存在一定的误差。服务器使用遗传算法初始化多个候选模型参数集合，这些参数集合包括不同的权重和偏差组合。通过计算适应度数据，服务器确定哪些参数集合在血氧饱和度变化预测中表现最佳。根据最佳的目标模型参数集合，服务器更新初始模型的参数，以生成目标血氧饱和度变化预测模型，提高了模型的性能和准确性。

本申请实施例中，通过智能穿戴设备获取的历史心率、运动和血氧饱和度数据被综合使用，充分考虑了用户在不同活动中的生理状态，提高了监测的全面性和准确性。对历史数据进行特征提取和标准化处理，使得不同类型的数据在相同尺度上进行比较，确保了数据的一致性和可比性。通过皮尔逊相关系数进行相关性分析，挖掘了不同特征之间的相关性，进而计算相关性权重。这有助于识别影响血氧饱和度的关键因素，并为后续建模提供了有效的特征权重。利用相关性权重对特征集合进行向量转换，以生成更具代表性的特征向量。这有助于降低数据维度、提高模型输入的效率，并增强了对关键特征的关注。采用了包括长短时记忆网络、注意力机制和全连接网络在内的复杂模型结构，充分挖掘了数据中的时序和关联信息，提高了对血氧饱和度变化的预测能力。引入遗传算法进行模型参数的优化，有助于自适应地调整模型参数，提高模型的泛化能力和预测精度，进而提高了血氧饱和度监测的准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）通过预置的智能穿戴设备中的心率传感器对目标用户进行心率监测，得到第一心率数据，并通过智能穿戴设备中的运动传感器对目标用户进行运动监测，得到第一运动数据，以及通过智能穿戴设备中的血氧传感器对目标用户进行血氧饱和度监测，得到第一血氧饱和度数据；

（2）对第一心率数据进行异常值监测，得到多个心率异常值，并根据多个心率异常值对第一心率数据进行异常值去除，得到第二心率数据；

（3）对第一运动数据进行异常值监测，得到多个运动异常值，并根据多个运动异常值对第一运动数据进行异常值去除，得到第二运动数据；

（4）对第一血氧饱和度数据进行异常值监测，得到多个血氧饱和度异常值，并根据多个血氧饱和度异常值对第一血氧饱和度数据进行异常值去除，得到第二血氧饱和度数据；

（5）分别对第二心率数据、第二运动数据以及第二血氧饱和度数据进行数据标准化处理，得到目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据。

具体的，使用预置的智能穿戴设备中的心率传感器对目标用户进行心率监测。这将产生第一心率数据，反映了用户的心率情况。同时，使用智能穿戴设备中的运动传感器对目标用户进行运动监测，得到第一运动数据，该数据包括用户的运动活动信息。使用智能穿戴设备中的血氧传感器对目标用户进行血氧饱和度监测，得到第一血氧饱和度数据，该数据反映了用户的血氧饱和度水平。对第一心率数据进行异常值监测。识别那些不符合正常范围的心率值。异常值监测可以使用统计方法或规则来执行。例如，如果用户的心率在短时间内大幅度增加或减少，这被认为是异常情况。通过异常值监测，服务器得到了多个心率异常值。根据这些异常值对第一心率数据进行异常值去除，得到第二心率数据。第二心率数据将更加干净和准确，不再包含异常值。同样，对第一运动数据进行异常值监测，以检测和识别运动活动中的异常情况。异常值是由设备误差或用户不正常的运动行为引起的。再根据异常值对第一运动数据进行异常值去除，得到第二运动数据。对于第一血氧饱和度数据，也执行类似的异常值监测操作。血氧饱和度异常值反映了用户的健康问题或设备问题。通过异常值去除，得到第二血氧饱和度数据。分别对第二心率数据、第二运动数据以及第二血氧饱和度数据进行数据标准化处理。这一步骤将确保这些数据在相同的标度和范围内，以便进行后续的分析和特征提取。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）对用户心率监测数据进行曲线拟合，得到历史心率曲线，并对历史心率曲线进行特征值提取，得到多个候选曲线特征；

（2）对历史心率曲线进行均值运算，得到曲线均值，并根据曲线均值对多个候选曲线特征进行特征筛选和特征标准化处理，生成心率特征集合；

（3）对用户运动监测数据进行运动强度分析，得到运动强度特征，并对用户运动监测数据进行运动时长和运动频率计算，得到运动时长特征和运动频率特征；

（4）对运动强度特征、运动时长特征和运动频率特征进行特征标准化处理，生成运动特征集合；

（5）对用户血氧饱和度监测数据进行统计特征提取，得到多个第一血氧饱和度特征，并对用户血氧饱和度监测数据进行变异性特征提取，得到多个第二血氧饱和度特征；

（6）对多个第一血氧饱和度特征以及多个第二血氧饱和度特征进行特征标准化处理，得到血氧饱和度特征集合。

具体的，对用户心率监测数据进行曲线拟合，得到历史心率曲线。曲线拟合是一种数学技术，用于拟合数据点以获得一个近似的函数曲线，以便更好地理解数据的变化趋势。这将产生一个平滑的心率曲线。对历史心率曲线进行特征值提取，以得到多个候选曲线特征，如峰值数量、平均心率和心率变异性等。对历史心率曲线进行均值运算，以获得曲线均值。均值运算将曲线中所有心率值的平均值，这有助于了解曲线的总体趋势。根据曲线均值，对多个候选曲线特征进行特征筛选和特征标准化处理，生成心率特征集合。特征筛选可以帮助确定哪些特征对分析最有用，而特征标准化确保所有特征具有相同的标度，以便进行后续的分析。例如，如果在多个候选曲线特征中选择了平均心率作为关键特征，那么心率特征集合将包括平均心率特征，并经过标准化处理。对用户运动监测数据进行运动强度分析，这将有助于了解用户的运动活动强度。运动强度特征包括每次运动活动的强度等级，例如低、中、高。例如，如果用户运动监测数据包括用户每次跑步的速度和持续时间，通过分析这些数据可以计算出每次跑步的运动强度。对用户运动监测数据进行运动时长和运动频率计算，以得到运动时长特征和运动频率特征。运动时长特征反映了用户每次运动活动的持续时间，而运动频率特征表示用户运动的频繁程度。例如，通过分析用户运动监测数据，可以计算用户每周的平均运动时长和每周参与的运动活动次数。对运动强度特征、运动时长特征和运动频率特征进行特征标准化处理，生成运动特征集合。标准化确保所有特征都具有相同的标度，以便进行后续的分析。对用户血氧饱和度监测数据进行统计特征提取，这将生成多个第一血氧饱和度特征。统计特征包括平均血氧饱和度、最低血氧饱和度和最高血氧饱和度等。同时，进行变异性特征提取，得到多个第二血氧饱和度特征。变异性特征包括血氧饱和度的波动幅度和波动频率等。对多个第一血氧饱和度特征以及多个第二血氧饱和度特征进行特征标准化处理，以得到血氧饱和度特征集合。这确保所有特征在相同的标度下进行分析和比较。

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）通过预置的第一皮尔逊相关系数函数，对心率特征集合和血氧饱和度特征集合进行皮尔逊相关系数计算，得到第一皮尔逊相关系数；

（2）通过预置的第二皮尔逊相关系数函数，对运动特征集合和血氧饱和度特征集合进行皮尔逊相关系数计算，得到第二皮尔逊相关系数；

（3）根据预置的系数缩放比例对第一皮尔逊相关系数进行相关性影响因素缩放，得到第一初始权重数据，并对第一初始权重数据进行权重校验，得到心率和血氧相关性权重数据；

（4）根据系数缩放比例对第二皮尔逊相关系数进行相关性影响因素缩放，得到第二初始权重数据，并对第二初始权重数据进行权重校验，得到运动和血氧相关性权重数据。

具体的，通过预置的第一皮尔逊相关系数函数，对心率特征集合和血氧饱和度特征集合进行皮尔逊相关系数计算，得到第一皮尔逊相关系数。皮尔逊相关系数是一种用于度量两个变量之间线性相关性的统计方法。它的值在-1到1之间，表示相关性的强度和方向。例如，如果第一皮尔逊相关系数计算结果为0.7，这表示心率特征集合与血氧饱和度特征集合之间存在正相关关系。通过预置的第二皮尔逊相关系数函数，对运动特征集合和血氧饱和度特征集合进行皮尔逊相关系数计算，得到第二皮尔逊相关系数。同样，第二皮尔逊相关系数用于度量运动特征和血氧饱和度特征之间的相关性。例如，如果第二皮尔逊相关系数计算结果为-0.5，这表示运动特征与血氧饱和度特征之间存在负相关关系。根据预置的系数缩放比例对第一皮尔逊相关系数进行相关性影响因素缩放，得到第一初始权重数据。这个步骤用于调整相关性系数的权重，以反映其对预测的影响程度。例如，如果根据先验知识确定正相关性更重要，可以增加正相关系数的权重。对第一初始权重数据进行权重校验，以确保其合理性和一致性。这可以包括范围校验，确保权重在合理的范围内，以及权重之间的一致性检查，以确保它们之间的关系是合理的。例如，如果某个权重超出了合理范围，可以进行适当的缩放以将其调整到合理范围内。类似地，根据系数缩放比例对第二皮尔逊相关系数进行相关性影响因素缩放，得到第二初始权重数据，并对第二初始权重数据进行权重校验，以确保其合理性和一致性。这确保了运动特征与血氧饱和度特征之间的相关性影响因素是可信的，并可以在后续的模型中使用。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）根据心率和血氧相关性权重数据对心率特征集合进行特征加权处理，得到多个加权心率特征，并根据心率和血氧相关性权重数据对血氧饱和度特征集合进行特征加权处理，得到多个第一血氧饱和度特征；

（2）对多个加权心率特征以及多个第一血氧饱和度特征进行向量转换，生成第一相关性权重向量；

（3）根据运动和血氧相关性权重数据对运动特征集合进行特征加权处理，得到多个加权运动特征，并根据运动和血氧相关性权重数据对血氧饱和度特征集合进行特征加权处理，得到多个第二血氧饱和度特征；

（4）对多个加权运动特征以及多个第二血氧饱和度特征进行向量转换，得到第二相关性权重向量。

具体的，根据心率和血氧相关性权重数据对心率特征集合进行特征加权处理，得到多个加权心率特征。根据相关性权重数据调整心率特征的重要性，以便更好地反映其对血氧饱和度的影响。例如，如果心率和血氧相关性权重数据表明某个心率特征对血氧饱和度的影响非常大，那么可以将该特征赋予更高的权重，以突出其在加权心率特征中的重要性。根据心率和血氧相关性权重数据对血氧饱和度特征集合进行特征加权处理，得到多个第一血氧饱和度特征。例如，如果心率和血氧相关性权重数据表明某个血氧饱和度特征对血氧饱和度的影响很大，那么可以将该特征赋予更高的权重，以突出其在第一血氧饱和度特征中的重要性。对多个加权心率特征以及多个第一血氧饱和度特征进行向量转换，生成第一相关性权重向量。这一步骤将多个特征组合成一个向量，以便后续的分析和建模。例如，如果加权心率特征包括心率特征1、心率特征2和心率特征3，而第一血氧饱和度特征包括血氧特征1和血氧特征2，那么第一相关性权重向量可以表示为[权重1，权重2，权重3，权重4，权重5]。继而，根据运动和血氧相关性权重数据对运动特征集合进行特征加权处理，得到多个加权运动特征。例如，如果运动和血氧相关性权重数据表明某个运动特征对血氧饱和度的影响非常大，那么可以将该特征赋予更高的权重，以突出其在加权运动特征中的重要性。根据运动和血氧相关性权重数据对血氧饱和度特征集合进行特征加权处理，得到多个第二血氧饱和度特征。例如，如果运动和血氧相关性权重数据表明某个血氧饱和度特征对血氧饱和度的影响很大，那么可以将该特征赋予更高的权重，以突出其在第二血氧饱和度特征中的重要性。对多个加权运动特征以及多个第二血氧饱和度特征进行向量转换，得到第二相关性权重向量。这一步骤将多个特征组合成一个向量，以便后续的分析和建模。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）将第一相关性权重向量和第二相关性权重向量输入预置的初始血氧饱和度变化预测模型，初始血氧饱和度变化预测模型包括：第一长短时记忆网络、第二长短时记忆网络、注意力机制层、第三长短时记忆网络以及双层全连接网络；

（2）通过第一长短时记忆网络对第一相关性权重向量进行隐藏特征提取，得到第一隐藏特征向量，并通过第二长短时记忆网络对第二相关性权重向量进行隐藏特征提取，得到第二隐藏特征向量；

（3）通过注意力机制层对第一相关性权重向量和第二相关性权重向量进行注意力机制融合，生成初始注意力向量，并通过第三长短时记忆网络对初始注意力向量进行隐藏特征提取，得到目标注意力向量；

（4）对第一隐藏特征向量、第二隐藏特征向量以及目标注意力向量进行向量融合，得到目标融合特征向量；

（5）将目标融合特征向量输入双层全连接网络进行血氧饱和度变化预测，得到血氧饱和度变化预测数据。

具体的，将第一相关性权重向量和第二相关性权重向量输入预置的初始血氧饱和度变化预测模型。这个模型是一个包括多个关键组件的复杂神经网络，旨在预测用户的血氧饱和度变化。这些组件包括第一长短时记忆网络、第二长短时记忆网络、注意力机制层、第三长短时记忆网络以及双层全连接网络。这些网络组件在整个模型中合作，以提供准确的血氧饱和度变化预测。通过第一长短时记忆网络对第一相关性权重向量进行隐藏特征提取。长短时记忆网络（LSTM）是一种递归神经网络，适用于序列数据分析。在这里，第一LSTM网络将第一相关性权重向量作为输入，以学习和提取与心率特征相关的隐藏特征。这将生成第一隐藏特征向量，其中包含了有关心率特征的重要信息。同时，通过第二长短时记忆网络对第二相关性权重向量进行隐藏特征提取。类似于第一LSTM网络，第二LSTM网络处理第二相关性权重向量，以学习与运动特征相关的隐藏特征。这将生成第二隐藏特征向量，其中包含了有关运动特征的重要信息。随后，通过注意力机制层对第一相关性权重向量和第二相关性权重向量进行注意力机制融合。注意力机制允许模型在生成初始注意力向量时根据两组权重向量的重要性来加权组合它们。这个初始注意力向量将有助于模型更好地关注与血氧饱和度变化预测相关的特征。之后，通过第三长短时记忆网络对初始注意力向量进行隐藏特征提取。第三LSTM网络处理初始注意力向量，以学习与注意力机制相关的隐藏特征。这将生成目标注意力向量，其中包含了有关注意力特征的重要信息。对第一隐藏特征向量、第二隐藏特征向量以及目标注意力向量进行向量融合。这个步骤将汇总三个向量的信息，以生成目标融合特征向量。这个向量将包含来自心率、运动和注意力特征的综合信息，为模型提供了全面的特征表示。将目标融合特征向量输入双层全连接网络进行血氧饱和度变化预测。这个双层全连接网络将使用目标融合特征向量来预测用户的血氧饱和度变化。在这个过程中，网络将通过多次非线性变换来学习和捕获特征之间的复杂关系，以提供准确的预测结果。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）对血氧饱和度变化预测数据进行预测偏差分析，得到预测偏差数据，并根据预测偏差数据计算初始血氧饱和度变化预测模型的初始模型参数集合；

（2）通过预置的遗传算法，对初始模型参数集合进行参数群体初始化，生成多个候选模型参数集合；

（3）分别计算每个候选模型参数集合的适应度数据，并根据适应度数据对多个候选模型参数集合进行群体划分，得到多个模型参数群体；

（4）对多个模型参数群体进行参数优化分析，得到对应的目标模型参数集合；

（5）根据目标模型参数集合对初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。

具体的，对血氧饱和度变化预测数据进行预测偏差分析。评估初始血氧饱和度变化预测模型的性能。通过比较模型的预测结果和实际观测值，可以计算出预测偏差数据。这些数据表示模型在血氧饱和度变化预测方面的误差和偏差。根据预测偏差数据计算初始血氧饱和度变化预测模型的初始模型参数集合。目的是确定初始模型参数，这些参数用于初始模型的训练和预测。通常，这些参数是通过最小化预测偏差来确定，以使模型的预测尽接近实际观测值。通过预置的遗传算法对初始模型参数集合进行参数群体初始化。遗传算法是一种优化方法，可以用于搜索参数空间以找到最佳参数集合。初始化参数群体后，遗传算法将开始搜索适应于模型的参数。分别计算每个候选模型参数集合的适应度数据。适应度数据度量了每个模型参数集合在预测偏差减小方面的性能。更准确的预测将导致更高的适应度得分。根据适应度数据对多个候选模型参数集合进行群体划分，得到多个模型参数群体。在这个过程中，遗传算法将筛选和选择表现最佳的参数集合，形成不同的模型参数群体，每个群体包含了在预测血氧饱和度变化方面具有不同性能水平的模型。随后，对多个模型参数群体进行参数优化分析。在这一步骤中，遗传算法将进一步改进模型参数，以进一步减小预测偏差，提高模型性能。最终，根据目标模型参数集合对初始血氧饱和度变化预测模型进行模型参数更新。这将生成目标血氧饱和度变化预测模型，其中包含了经过优化的模型参数，可提供更准确的血氧饱和度变化预测结果。

上面对本申请实施例中基于人工智能的血氧饱和度变化预测方法进行了描述，下面对本申请实施例中基于人工智能的血氧饱和度变化预测装置进行描述，请参阅图2，本申请实施例中基于人工智能的血氧饱和度变化预测装置一个实施例包括：

获取模块201，用于通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；

特征提取模块202，用于分别对所述用户心率监测数据、所述用户运动监测数据以及所述用户血氧饱和度监测数据进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；

分析模块203，用于对所述心率特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到心率和血氧相关性权重数据，并对所述运动特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到运动和血氧相关性权重数据；

转换模块204，用于根据所述心率和血氧相关性权重数据对所述心率特征集合和所述血氧饱和度特征集合进行向量转换，生成第一相关性权重向量，并根据所述运动和血氧相关性权重数据对所述运动特征集合和所述血氧饱和度特征集合进行向量转换，得到第二相关性权重向量；

预测模块205，用于将所述第一相关性权重向量和所述第二相关性权重向量输入预置的初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；

优化模块206，用于根据所述血氧饱和度变化预测数据对所述初始血氧饱和度变化预测模型进行模型参数优化，生成目标模型参数集合，并根据所述目标模型参数集合对所述初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。

通过上述各个组成部分的协同合作，通过智能穿戴设备获取的历史心率、运动和血氧饱和度数据被综合使用，充分考虑了用户在不同活动中的生理状态，提高了监测的全面性和准确性。对历史数据进行特征提取和标准化处理，使得不同类型的数据在相同尺度上进行比较，确保了数据的一致性和可比性。通过皮尔逊相关系数进行相关性分析，挖掘了不同特征之间的相关性，进而计算相关性权重。这有助于识别影响血氧饱和度的关键因素，并为后续建模提供了有效的特征权重。利用相关性权重对特征集合进行向量转换，以生成更具代表性的特征向量。这有助于降低数据维度、提高模型输入的效率，并增强了对关键特征的关注。采用了包括长短时记忆网络、注意力机制和全连接网络在内的复杂模型结构，充分挖掘了数据中的时序和关联信息，提高了对血氧饱和度变化的预测能力。引入遗传算法进行模型参数的优化，有助于自适应地调整模型参数，提高模型的泛化能力和预测精度，进而提高了血氧饱和度监测的准确率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (6)

1.一种基于人工智能的血氧饱和度变化预测方法，其特征在于，所述基于人工智能的血氧饱和度变化预测方法包括：

通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；

分别对所述用户心率监测数据、所述用户运动监测数据以及所述用户血氧饱和度监测数据进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；

对所述心率特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到心率和血氧相关性权重数据，并对所述运动特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到运动和血氧相关性权重数据；具体包括：通过预置的第一皮尔逊相关系数函数，对所述心率特征集合和所述血氧饱和度特征集合进行皮尔逊相关系数计算，得到第一皮尔逊相关系数；通过预置的第二皮尔逊相关系数函数，对所述运动特征集合和所述血氧饱和度特征集合进行皮尔逊相关系数计算，得到第二皮尔逊相关系数；根据预置的系数缩放比例对所述第一皮尔逊相关系数进行相关性影响因素缩放，得到第一初始权重数据，并对所述第一初始权重数据进行权重校验，得到心率和血氧相关性权重数据；根据所述系数缩放比例对所述第二皮尔逊相关系数进行相关性影响因素缩放，得到第二初始权重数据，并对所述第二初始权重数据进行权重校验，得到运动和血氧相关性权重数据；

根据所述心率和血氧相关性权重数据对所述心率特征集合和所述血氧饱和度特征集合进行向量转换，生成第一相关性权重向量，并根据所述运动和血氧相关性权重数据对所述运动特征集合和所述血氧饱和度特征集合进行向量转换，得到第二相关性权重向量；

将所述第一相关性权重向量和所述第二相关性权重向量输入预置的初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；具体包括：将所述第一相关性权重向量和所述第二相关性权重向量输入预置的初始血氧饱和度变化预测模型，所述初始血氧饱和度变化预测模型包括：第一长短时记忆网络、第二长短时记忆网络、注意力机制层、第三长短时记忆网络以及双层全连接网络；通过所述第一长短时记忆网络对所述第一相关性权重向量进行隐藏特征提取，得到第一隐藏特征向量，并通过所述第二长短时记忆网络对所述第二相关性权重向量进行隐藏特征提取，得到第二隐藏特征向量；通过所述注意力机制层对所述第一相关性权重向量和所述第二相关性权重向量进行注意力机制融合，生成初始注意力向量，并通过所述第三长短时记忆网络对所述初始注意力向量进行隐藏特征提取，得到目标注意力向量；对所述第一隐藏特征向量、所述第二隐藏特征向量以及所述目标注意力向量进行向量融合，得到目标融合特征向量；将所述目标融合特征向量输入所述双层全连接网络进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；

根据所述血氧饱和度变化预测数据对所述初始血氧饱和度变化预测模型进行模型参数优化，生成目标模型参数集合，并根据所述目标模型参数集合对所述初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。

2.根据权利要求1所述的基于人工智能的血氧饱和度变化预测方法，其特征在于，所述通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据，包括：

通过预置的智能穿戴设备中的心率传感器对目标用户进行心率监测，得到第一心率数据，并通过所述智能穿戴设备中的运动传感器对目标用户进行运动监测，得到第一运动数据，以及通过所述智能穿戴设备中的血氧传感器对目标用户进行血氧饱和度监测，得到第一血氧饱和度数据；

对所述第一心率数据进行异常值监测，得到多个心率异常值，并根据所述多个心率异常值对所述第一心率数据进行异常值去除，得到第二心率数据；

对所述第一运动数据进行异常值监测，得到多个运动异常值，并根据所述多个运动异常值对所述第一运动数据进行异常值去除，得到第二运动数据；

对所述第一血氧饱和度数据进行异常值监测，得到多个血氧饱和度异常值，并根据所述多个血氧饱和度异常值对所述第一血氧饱和度数据进行异常值去除，得到第二血氧饱和度数据；

分别对所述第二心率数据、所述第二运动数据以及所述第二血氧饱和度数据进行数据标准化处理，得到所述目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据。

3.根据权利要求1所述的基于人工智能的血氧饱和度变化预测方法，其特征在于，所述分别对所述用户心率监测数据、所述用户运动监测数据以及所述用户血氧饱和度监测数据进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合，包括：

对所述用户心率监测数据进行曲线拟合，得到历史心率曲线，并对所述历史心率曲线进行特征值提取，得到多个候选曲线特征；

对所述历史心率曲线进行均值运算，得到曲线均值，并根据所述曲线均值对所述多个候选曲线特征进行特征筛选和特征标准化处理，生成心率特征集合；

对所述用户运动监测数据进行运动强度分析，得到运动强度特征，并对所述用户运动监测数据进行运动时长和运动频率计算，得到运动时长特征和运动频率特征；

对所述运动强度特征、所述运动时长特征和所述运动频率特征进行特征标准化处理，生成运动特征集合；

对所述用户血氧饱和度监测数据进行统计特征提取，得到多个第一血氧饱和度特征，并对所述用户血氧饱和度监测数据进行变异性特征提取，得到多个第二血氧饱和度特征；

对所述多个第一血氧饱和度特征以及所述多个第二血氧饱和度特征进行特征标准化处理，得到血氧饱和度特征集合。

4.根据权利要求1所述的基于人工智能的血氧饱和度变化预测方法，其特征在于，所述根据所述心率和血氧相关性权重数据对所述心率特征集合和所述血氧饱和度特征集合进行向量转换，生成第一相关性权重向量，并根据所述运动和血氧相关性权重数据对所述运动特征集合和所述血氧饱和度特征集合进行向量转换，得到第二相关性权重向量，包括：

根据所述心率和血氧相关性权重数据对所述心率特征集合进行特征加权处理，得到多个加权心率特征，并根据所述心率和血氧相关性权重数据对所述血氧饱和度特征集合进行特征加权处理，得到多个第一血氧饱和度特征；

对所述多个加权心率特征以及所述多个第一血氧饱和度特征进行向量转换，生成第一相关性权重向量；

根据所述运动和血氧相关性权重数据对所述运动特征集合进行特征加权处理，得到多个加权运动特征，并根据所述运动和血氧相关性权重数据对所述血氧饱和度特征集合进行特征加权处理，得到多个第二血氧饱和度特征；

对所述多个加权运动特征以及所述多个第二血氧饱和度特征进行向量转换，得到第二相关性权重向量。

5.根据权利要求1所述的基于人工智能的血氧饱和度变化预测方法，其特征在于，所述根据所述血氧饱和度变化预测数据对所述初始血氧饱和度变化预测模型进行模型参数优化，生成目标模型参数集合，并根据所述目标模型参数集合对所述初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型，包括：

对所述血氧饱和度变化预测数据进行预测偏差分析，得到预测偏差数据，并根据所述预测偏差数据计算所述初始血氧饱和度变化预测模型的初始模型参数集合；

通过预置的遗传算法，对所述初始模型参数集合进行参数群体初始化，生成多个候选模型参数集合；

分别计算每个候选模型参数集合的适应度数据，并根据所述适应度数据对所述多个候选模型参数集合进行群体划分，得到多个模型参数群体；

对所述多个模型参数群体进行参数优化分析，得到对应的目标模型参数集合；

根据所述目标模型参数集合对所述初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。

6.一种基于人工智能的血氧饱和度变化预测装置，其特征在于，所述基于人工智能的血氧饱和度变化预测装置包括：

获取模块，用于通过预置的智能穿戴设备获取目标用户的用户心率监测数据、用户运动监测数据以及用户血氧饱和度监测数据；

特征提取模块，用于分别对所述用户心率监测数据、所述用户运动监测数据以及所述用户血氧饱和度监测数据进行特征提取，得到心率特征集合、运动特征集合以及血氧饱和度特征集合；

分析模块，用于对所述心率特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到心率和血氧相关性权重数据，并对所述运动特征集合和所述血氧饱和度特征集合进行相关性影响因素分析，得到运动和血氧相关性权重数据；具体包括：通过预置的第一皮尔逊相关系数函数，对所述心率特征集合和所述血氧饱和度特征集合进行皮尔逊相关系数计算，得到第一皮尔逊相关系数；通过预置的第二皮尔逊相关系数函数，对所述运动特征集合和所述血氧饱和度特征集合进行皮尔逊相关系数计算，得到第二皮尔逊相关系数；根据预置的系数缩放比例对所述第一皮尔逊相关系数进行相关性影响因素缩放，得到第一初始权重数据，并对所述第一初始权重数据进行权重校验，得到心率和血氧相关性权重数据；根据所述系数缩放比例对所述第二皮尔逊相关系数进行相关性影响因素缩放，得到第二初始权重数据，并对所述第二初始权重数据进行权重校验，得到运动和血氧相关性权重数据；

转换模块，用于根据所述心率和血氧相关性权重数据对所述心率特征集合和所述血氧饱和度特征集合进行向量转换，生成第一相关性权重向量，并根据所述运动和血氧相关性权重数据对所述运动特征集合和所述血氧饱和度特征集合进行向量转换，得到第二相关性权重向量；

预测模块，用于将所述第一相关性权重向量和所述第二相关性权重向量输入预置的初始血氧饱和度变化预测模型进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；具体包括：将所述第一相关性权重向量和所述第二相关性权重向量输入预置的初始血氧饱和度变化预测模型，所述初始血氧饱和度变化预测模型包括：第一长短时记忆网络、第二长短时记忆网络、注意力机制层、第三长短时记忆网络以及双层全连接网络；通过所述第一长短时记忆网络对所述第一相关性权重向量进行隐藏特征提取，得到第一隐藏特征向量，并通过所述第二长短时记忆网络对所述第二相关性权重向量进行隐藏特征提取，得到第二隐藏特征向量；通过所述注意力机制层对所述第一相关性权重向量和所述第二相关性权重向量进行注意力机制融合，生成初始注意力向量，并通过所述第三长短时记忆网络对所述初始注意力向量进行隐藏特征提取，得到目标注意力向量；对所述第一隐藏特征向量、所述第二隐藏特征向量以及所述目标注意力向量进行向量融合，得到目标融合特征向量；将所述目标融合特征向量输入所述双层全连接网络进行血氧饱和度变化预测，得到血氧饱和度变化预测数据；

优化模块，用于根据所述血氧饱和度变化预测数据对所述初始血氧饱和度变化预测模型进行模型参数优化，生成目标模型参数集合，并根据所述目标模型参数集合对所述初始血氧饱和度变化预测模型进行模型参数更新，得到目标血氧饱和度变化预测模型。