CN118098590A - 健康状态智能分析预测预警系统及其方法 - Google Patents
健康状态智能分析预测预警系统及其方法 Download PDFInfo
- Publication number
- CN118098590A CN118098590A CN202410265706.4A CN202410265706A CN118098590A CN 118098590 A CN118098590 A CN 118098590A CN 202410265706 A CN202410265706 A CN 202410265706A CN 118098590 A CN118098590 A CN 118098590A
- Authority
- CN
- China
- Prior art keywords
- data
- health
- user
- module
- early warning
- 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 184
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 77
- 230000005540 biological transmission Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000005802 health problem Effects 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 230000037213 diet Effects 0.000 claims description 9
- 235000005911 diet Nutrition 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 238000013186 photoplethysmography Methods 0.000 claims description 9
- 230000036387 respiratory rate Effects 0.000 claims description 9
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000007726 management method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
-
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了健康状态智能分析预测预警系统及其方法，通过数据采集模块采集用户的生命体征数据、健康档案及当日的环境信息，通过数据传输模块传输到云端服务器进行加密存储；智能分析模块对解密后的数据进行数据融合和特征提取，通过机器学习算法分析数据之间的关联和规律；预测预警模块构建预测模型预测用户的健康问题，并在检测到健康风险时向用户发出预警信号；用户交互模块通过手机应用程序界面展示健康分析结果和健康预警信息。本发明在不需要佩戴其他外部设备的情况下依靠手机自身完成用户的健康监测，并进一步扩展用户健康状态评估的信息来源，通过数据融合和机器学习对用户的健康数据进行监测和预测，为用户提供更加个性化的预警和建议。
Description
技术领域
本发明涉及健康监测技术领域，尤其涉及健康状态智能分析预测预警系统及其方法。
背景技术
随着科技的发展和人们对健康的重视，健康状态的分析与预警已经成为一项重要的需求。然而，现有的健康管理系统大多只针对单一的健康方面进行监测和管理，如仅针对运动健康或睡眠健康进行监测，且评估标准单一，无法客观、全面地反映用户的健康状况，也无法为用户提供个性化的有效预警和建议。因此，开发一种能够融合多种健康数据，进行全面健康管理的预警系统是迫切需要的。
此外，现有的健康监测方式大多依赖于可穿戴设备，若用户忘记穿戴该设备时，健康监测也随之失效。随着手机与用户的联系越来越紧密，手机已经成为了一个重要的健康监测工具。通过手机上的传感器和应用程序，已经可以实时采集用户的不分健康数据，如步数、心率等，若在此基础上进一步扩展用户健康状态评估的信息来源，如引入更多的生理参数、健康指标、用户的生活习惯等，再通过人工智能和机器学习技术对用户的健康数据进行深度学习和模式识别，就可以从大量的数据中提取有用的信息，发现数据之间的关联和规律，提供更加个性化的预警和建议，帮助用户及时了解自己的健康状况，并采取相应的措施来维护和改善自己的健康。
发明内容
针对现有的健康管理系统功能单一、评估标准单一，同时受限于可穿戴设备等问题，本发明提供健康状态智能分析预测预警系统及其方法，通过数据融合和机器学习技术对用户的健康数据进行监测及预测，帮助用户及时了解自己的健康状况。
为了实现上述目的，本发明通过如下的技术方案来实现：
健康状态智能分析预测预警系统，所述系统包括：
数据采集模块，包括生理数据采集单元、健康档案记录单元和环境数据采集单元；
所述生理数据采集单元用于通过手机采集用户的食指图像，利用光电容积描记技术获取用户的生命体征数据，所述生命体征数据包括脉搏率、呼吸率、血压、血氧饱和度和单导联ECG；
所述健康档案记录单元用于通过手机表单采集用户的健康档案，所述健康档案包括年龄、身高、体重、家族病史、疾病史、就医及吃药记录、饮食信息、运动信息和睡眠信息；
所述环境数据采集单元用于通过手机内置传感器或API接口采集当日的环境信息，所述环境信息包括当日气温、气压和空气质量；
数据传输模块，用于将所述生命体征数据、健康档案和环境信息传输到云端服务器进行加密存储，以及将加密存储后的所述生命体征数据、健康档案和环境信息传输至智能分析模块进行处理；
智能分析模块，用于接收加密存储后的所述生命体征数据、健康档案和环境信息并进行解密，对解密后的数据进行数据融合和特征提取，通过机器学习算法分析数据之间的关联和规律；
预测预警模块，用于根据智能分析模块的分析结果，构建预测模型预测用户的健康问题，并在检测到健康风险时向用户发出预警信号；
用户交互模块，用于通过手机应用程序界面展示健康分析结果和健康预警信息。
作为本发明的一种优选方案，所述用户交互模块还包括健康咨询模块，所述健康咨询模块包括：
在线咨询模块，用于向医生咨询健康问题；
健康知识库，用于用户随时查询健康知识；
健康建议模块，根据用户的健康状况和需求，给出相应的健康建议，包括饮食调整、运动建议或医疗咨询。
作为本发明的一种优选方案，所述生理数据采集单元利用光电容积描记技术获取用户的生命体征数据的方法具体包括：
用户将食指指尖放在智能手机的后置摄像头上，通过智能手机持续录制一段不少于30秒的视频图像，并对所述视频图像进行预处理以提取滤波和去除线性趋势后的VPPG信号；
在所述视频图像的RGB通道上，采用像素平均技术从VPPG信号中每帧的中心区域提取PPG时间序列，并应用小波变换去噪和去除运动引起的伪影；
将所述PPG时间序列传递给卷积神经网络进行训练，最终输出脉搏率、血氧饱和度、呼吸率和单导联ECG。
作为本发明的一种优选方案，对所述生命体征数据、健康档案和环境信息进行加密和解密的方法具体包括：
数据传输模块和智能分析模块公开约定整数p和大素数q；
数据传输模块随机生成私有密钥向量m(m1，m2)，并计算得到公开密钥向量A＝(pm1mod q，pm2 mod q)；
智能分析模块随机生成私有密钥向量n(n1，n2)，并计算得到公开密钥向量B＝(pn1mod q，pn2 mod q)；
数据传输模块、智能分析模块交换公开密钥向量，并计算出用于加密和解密的密钥向量M和N，M＝(pm1n1 mod q，pm2n2 mod q)＝N；
数据传输模块通过密钥M进行数据加密，智能分析模块通过密钥N解密数据。
作为本发明的一种优选方案，所述智能分析模块包括数据融合模块、机器学习模块和优化更新模块；
所述数据融合用于对解密后的数据进行清洗、整合和标准化处理，将所述生命体征数据、健康档案和环境信息进行时间同步和数据融合，将数据转换到一个标准范围，得到融合后的数据；
所述机器学习模块用于对所述融合后的数据进行特征提取，基于关联规则挖掘算法、聚类分析算法、时间序列分析算法、决策树和随机森林构建分析模型进行数据关联分析，并分类标记为有健康风险的数据和无健康风险的数据；
所述优化更新模块用于根据用户的反馈和健康变化，对所述分析模型进行定期优化。
作为本发明的一种优选方案，所述数据融合模块通过融合度指标R记录数据融合的完整度，所述融合度指标R的计算公式为：
式中，a、b、c分别为预设的比例系数；G为数据采集的速度因子；T为数据传输的传输因子，由加密速度、加密传输时长和数据存储大小决定；U为数据融合的使用因子，由解密速度、接收速度决定；
将融合度指标R与预设的指标阈值进行比较，若融合度指标R＜指标阈值，则说明数据融合存在异常，重新进行数据融合。
作为本发明的一种优选方案，所述预测模型具体包括：
将数据融合后标记为无健康风险的数据和标记为有健康风险的数据分别送入同一参数的自编码网络进行训练，并分别计算得到无监督网络损失L1和有监督网络损失L2；计算网络总损失L总＝L1+L2；
迭代训练以上两个步骤，当得到的无监督网络损失与有监督网络损失之和不再变化或者达到最大迭代步数时停止迭代，将此时得到的数据作为风险评价指标；
利用反向传播算法调整网络结构参数，采用迭代训练方式，将标记为无健康风险和有健康风险的相同数据再次送入自编码网络中，分别重复计算得到无监督网络损失L1＇和有监督网络损失L2＇，计算本轮网络总损L总＇＝L1＇+1+L2＇；
比较调整网络结构参数后的损失值并再次调整网络结构参数，直至满足L总＇＝L总或达到最大迭代次数，停止训练；
将所述风险评价指标和预设的健康风险阈值进行比较，当所述风险评价指标超过所述预设的健康风险阈值时，通过手机推送进行预警提示。
健康状态智能分析预测预警方法，所述方法包括：
用户通过手机注册并输入基本信息，记录个人的健康档案，所述健康档案包括年龄、身高、体重、家族病史、疾病史、就医及吃药记录、饮食信息、运动信息和睡眠信息；
通过手机采集用户的食指图像，利用光电容积描记技术获取用户的生命体征数据，所述生命体征数据包括脉搏率、呼吸率、血压、血氧饱和度和单导联ECG；同时通过手机内置传感器或API接口采集当日的环境信息，所述环境信息包括当日气温、气压和空气质量；
将所述生命体征数据、健康档案和环境信息传输到云端服务器进行加密存储；
智能分析时从云端服务器获取加密存储的所述生命体征数据、健康档案和环境信息并进行解密，对解密后的数据进行数据融合和时间同步，将数据转换到一个标准范围，得到融合后的数据；通过融合度指标R记录数据融合的完整度，所述融合度指标R的计算公式为：
式中，a、b、c分别为预设的比例系数；G为数据采集的速度因子；T为数据传输的传输因子，由加密速度、加密传输时长和数据存储大小决定；U为数据融合的使用因子，由解密速度、接收速度决定；
将融合度指标R与预设的指标阈值进行比较，若融合度指标R＜指标阈值，则说明数据融合存在异常，重新进行数据融合；
对融合后的数据进行特征提取，基于关联规则挖掘算法、聚类分析算法、时间序列分析算法、决策树和随机森林构建分析模型进行数据关联分析，并分类标记为有健康风险的数据和无健康风险的数据；
构建预测模型预测用户的健康问题，并在检测到健康风险时向用户发出预警信号，通过手机应用程序界面展示健康分析结果和预警信息。
作为本发明的一种优选方案，所述预测模型具体包括：
将数据融合后标记为无健康风险的数据和标记为有健康风险的数据分别送入同一参数的自编码网络进行训练，并分别计算得到无监督网络损失L1和有监督网络损失L2；计算网络总损失L总＝L1+L2；
迭代训练以上两个步骤，当得到的无监督网络损失与有监督网络损失之和不再变化或者达到最大迭代步数时停止迭代，将此时得到的数据作为风险评价指标；
利用反向传播算法调整网络结构参数，采用迭代训练方式，将标记为无健康风险和有健康风险的相同数据再次送入自编码网络中，分别重复计算得到无监督网络损失L1＇和有监督网络损失L2＇，计算本轮网络总损L总＇＝L1＇+1+L2＇；
比较调整网络结构参数后的损失值并再次调整网络结构参数，直至满足L总＇＝L总或达到最大迭代次数，停止训练；
将所述风险评价指标和预设的健康风险阈值进行比较，当所述风险评价指标超过所述预设的健康风险阈值时，通过手机推送进行预警提示。
与现有技术相比，本发明的有益效果是：在不需要佩戴其他外部设备的情况下依靠手机自身完成用户的健康监测，减少了健康监测的限制，使得健康监测更加方便；进一步扩展用户健康状态评估的信息来源，引入更多的生理参数、健康指标、用户的生活习惯、环境信息等；使用加解密算法确保用户的个人隐私得到充分保护，再通过数据融合和机器学习技术对用户的健康数据进行监测和预测，从大量的数据中提取有用的信息，发现数据之间的关联和规律，提供更加个性化的预警和建议，帮助用户及时了解自己的健康状况，并采取相应的措施来维护和改善自己的健康。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为本发明实施例中的系统模块化结构图；
图2为本发明实施例中的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明的一个实施例，该实施例提供了健康状态智能分析预测预警系统，包括数据采集模块、数据传输模块、智能分析模块、预测预警模块和用户交互模块。
1.数据采集模块
数据采集模块仅需要通过手机实现，支持多种数据采集方式，包括手动输入、自动导入、传感器采集等，以满足用户不同需求，包括：
生理数据采集单元，用于通过手机采集用户的食指图像，利用光电容积描记技术获取用户的生命体征数据，生命体征数据包括脉搏率、呼吸率、血压、血氧饱和度、单导联ECG等等；
健康档案记录单元，用于通过手机表单采集用户的健康档案，健康档案包括年龄、身高、体重、家族病史、疾病史、就医及吃药记录、饮食信息、运动信息、睡眠信息等；
环境数据采集单元，用于通过手机内置传感器或API接口采集当日的环境信息，环境信息包括当日气温、气压、空气质量等；
在一个具体的实施例中，生理数据采集单元利用光电容积描记技术获取用户的生命体征数据的方法具体包括：
用户将食指指尖放在智能手机的后置摄像头上，通过智能手机持续录制一段不少于30秒的视频图像，并对视频图像进行预处理以提取滤波和去除线性趋势后的VPPG信号；
在视频图像的RGB通道上，采用像素平均技术从VPPG信号中每帧的中心区域提取PPG时间序列，并应用小波变换去噪和去除运动引起的伪影；
将PPG时间序列传递给卷积神经网络进行训练，最终输出脉搏率、血氧饱和度、呼吸率和单导联ECG。
2.数据传输模块
用于将生命体征数据、健康档案和环境信息传输到云端服务器进行加密存储，以及将加密存储后的生命体征数据、健康档案和环境信息传输至智能分析模块进行处理。
3.智能分析模块
用于接收加密存储后的生命体征数据、健康档案和环境信息并进行解密，对解密后的数据进行数据融合和特征提取，通过机器学习算法分析数据之间的关联和规律；
其中，对生命体征数据、健康档案和环境信息进行加密和解密的方法具体包括：
数据传输模块和智能分析模块公开约定整数p和大素数q；
数据传输模块随机生成私有密钥向量m(m1，m2)，并计算得到公开密钥向量A＝(pm1mod q，pm2 mod q)；
智能分析模块随机生成私有密钥向量n(n1，n2)，并计算得到公开密钥向量B＝(pn1mod q，pn2 mod q)；
数据传输模块、智能分析模块交换公开密钥向量，并计算出用于加密和解密的密钥向量M和N，M＝Bm＝(pm1n1 mod q，pm2n2 mod q),N＝An＝(pm1n1 mod q，pm2n2 mod q)；
数据传输模块通过密钥M进行数据加密，智能分析模块通过密钥N解密数据。
在其中一个实施例中，智能分析模块包括数据融合模块、机器学习模块和优化更新模块；
数据融合模块用于对解密后的数据进行清洗、整合和标准化处理，将生命体征数据、健康档案和环境信息进行时间同步和数据融合，将数据转换到一个标准范围，得到融合后的数据；
在一个具体的实施例中，数据融合模块通过融合度指标R记录数据融合的完整度，融合指标度R的计算公式为：
式中，a、b、c分别为预设的比例系数；G为数据采集的速度因子；T为数据传输的传输因子，由加密速度、加密传输时长和数据存储大小决定；U为数据融合的使用因子，由解密速度、接收速度决定；
将融合度指标R与预设的指标阈值进行比较，若融合度指标R＜指标阈值，则说明数据融合存在异常，重新进行数据融合。
机器学习模块用于对融合后的数据进行特征提取，基于关联规则挖掘算法、聚类分析算法、时间序列分析算法、决策树和随机森林构建分析模型进行数据关联分析，并分类标记为有健康风险的数据和无健康风险的数据；
优化更新模块用于根据用户的反馈和健康变化，对分析模型进行定期优化。
4.预测预警模块
用于根据智能分析模块的分析结果，构建预测模型预测用户的健康问题，并在检测到健康风险时向用户发出预警信号；
预测模型具体包括：
将数据融合后标记为无健康风险的数据和标记为有健康风险的数据分别送入同一参数的自编码网络进行训练，并分别计算得到无监督网络损失L1和有监督网络损失L2；计算网络总损失L总＝L1+L2；
迭代训练以上两个步骤，当得到的无监督网络损失与有监督网络损失之和不再变化或者达到最大迭代步数时停止迭代，将此时得到的数据作为风险评价指标；
利用反向传播算法调整网络结构参数，采用迭代训练方式，将标记为无健康风险和有健康风险的相同数据再次送入自编码网络中，分别重复计算得到无监督网络损失L1＇和有监督网络损失L2＇，计算本轮网络总损L总＇＝L1＇+1+L2＇；
比较调整网络结构参数后的损失值并再次调整网络结构参数，直至满足L总＇＝L总或达到最大迭代次数，停止训练；
将风险评价指标和预设的健康风险阈值进行比较，当风险评价指标超过预设的健康风险阈值时，通过手机推送进行预警提示。
健康风险阈值应该是动态的，因为个体的生理特征和健康状况可能会随着时间发生变化。可以根据被监控者的生理特征和健康状况，综合利用中位数、平均数、变异系数等统计分析方法，为用户建立个性化的健康基准。并根据数据分析的结果，对个体化的基准进行调整和优化，包括重新设定基准范围、调整监测频率等措施，以确保预设的健康风险阈值与个体的生理特征和健康状况相匹配。
5.用户交互模块
用于通过手机应用程序界面展示健康分析结果和监控预警信息。
在其中一个实施例中，用户交互模块还包括健康咨询模块，健康咨询模块包括：
在线咨询模块，用于向医生咨询健康问题；
健康知识库，用于用户随时查询健康知识；
健康建议模块，根据用户的健康状况和需求，给出相应的健康建议，包括饮食调整、运动建议或医疗咨询。
如图2所示，为本发明的另一实施例，该实施例提供了健康状态智能分析预测预警方法，包括：
用户通过手机注册并输入基本信息，记录个人的健康档案，健康档案包括年龄、身高、体重、家族病史、疾病史、就医及吃药记录、饮食信息、运动信息、睡眠信息等；
通过手机采集用户的食指图像，利用光电容积描记技术获取用户的生命体征数据，生命体征数据包括脉搏率、呼吸率、血压、血氧饱和度、单导联ECG等；同时通过手机内置传感器或API接口采集当日的环境信息，环境信息包括当日气温、气压、空气质量等；
将生命体征数据、健康档案和环境信息传输到云端服务器进行加密存储；
智能分析时从云端服务器获取加密存储的生命体征数据、健康档案和环境信息并进行解密，对解密后的数据进行数据融合和时间同步，将数据转换到一个标准范围，得到融合后的数据；通过融合度指标R记录数据融合的完整度，融合度指标R的计算公式为：
式中，a、b、c分别为预设的比例系数；G为数据采集的速度因子；T为数据传输的传输因子，由加密速度、加密传输时长和数据存储大小决定；U为数据融合的使用因子，由解密速度、接收速度决定；
将融合度指标R与预设的指标阈值进行比较，若融合度指标R＜指标阈值，则说明数据融合存在异常，重新进行数据融合；
对融合后的数据进行特征提取，基于关联规则挖掘算法、聚类分析算法、时间序列分析算法、决策树和随机森林构建分析模型进行数据关联分析，并分类标记为有健康风险的数据和无健康风险的数据；
构建预测模型预测用户的健康问题，并在检测到健康风险时向用户发出预警信号，通过手机应用程序界面展示健康分析结果和预警信息。
在一个具体的实施例中，预测模型具体包括：
将数据融合后标记为无健康风险的数据和标记为有健康风险的数据分别送入同一参数的自编码网络进行训练，并分别计算得到无监督网络损失L1和有监督网络损失L2；计算网络总损失L总＝L1+L2；
迭代训练以上两个步骤，当得到的无监督网络损失与有监督网络损失之和不再变化或者达到最大迭代步数时停止迭代，将此时得到的数据作为风险评价指标；
利用反向传播算法调整网络结构参数，采用迭代训练方式，将标记为无健康风险和有健康风险的相同数据再次送入自编码网络中，分别重复计算得到无监督网络损失L1＇和有监督网络损失L2＇，计算本轮网络总损L总＇＝L1＇+1+L2＇；
比较调整网络结构参数后的损失值并再次调整网络结构参数，直至满足L总＇＝L总或达到最大迭代次数，停止训练；
将风险评价指标和预设的健康风险阈值进行比较，当风险评价指标超过预设的健康风险阈值时，通过手机推送进行预警提示。
综上所述，本发明在不需要佩戴其他外部设备的情况下依靠手机自身完成用户的健康监测，减少了健康监测的限制，使得健康监测更加方便；进一步扩展用户健康状态评估的信息来源，引入更多的生理参数、健康指标、用户的生活习惯、环境信息等；使用加解密算法确保用户的个人隐私得到充分保护，再通过数据融合和机器学习技术对用户的健康数据进行监测和预测，从大量的数据中提取有用的信息，发现数据之间的关联和规律，提供更加个性化的预警和建议，帮助用户及时了解自己的健康状况，并采取相应的措施来维护和改善自己的健康。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现，计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。该存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.健康状态智能分析预测预警系统，其特征在于，所述系统包括：
数据采集模块，包括生理数据采集单元、健康档案记录单元和环境数据采集单元；
所述生理数据采集单元用于通过手机采集用户的食指图像，利用光电容积描记技术获取用户的生命体征数据，所述生命体征数据包括脉搏率、呼吸率、血压、血氧饱和度和单导联ECG；所述健康档案记录单元用于通过手机表单采集用户的健康档案，所述健康档案包括年龄、身高、体重、家族病史、疾病史、就医及吃药记录、饮食信息、运动信息和睡眠信息；
所述环境数据采集单元用于通过手机内置传感器或API接口采集当日的环境信息，所述环境信息包括当日气温、气压和空气质量；
数据传输模块，用于将所述生命体征数据、健康档案和环境信息传输到云端服务器进行加密存储，以及将加密存储后的所述生命体征数据、健康档案和环境信息传输至智能分析模块进行处理；
智能分析模块，用于接收加密存储后的所述生命体征数据、健康档案和环境信息并进行解密，对解密后的数据进行数据融合和特征提取，通过机器学习算法分析数据之间的关联和规律；预测预警模块，用于根据智能分析模块的分析结果，构建预测模型预测用户的健康问题，并在检测到健康风险时向用户发出预警信号；
用户交互模块，用于通过手机应用程序界面展示健康分析结果和健康预警信息。
2.根据权利要求1所述的健康状态智能分析预测预警系统，其特征在于，所述用户交互模块还包括健康咨询模块，所述健康咨询模块包括：
在线咨询模块，用于向医生咨询健康问题；
健康知识库，用于用户随时查询健康知识；
健康建议模块，根据用户的健康状况和需求，给出相应的健康建议，包括饮食调整、运动建议或医疗咨询。
3.根据权利要求1所述的健康状态智能分析预测预警系统，其特征在于，所述生理数据采集单元利用光电容积描记技术获取用户的生命体征数据的方法具体包括：
用户将食指指尖放在智能手机的后置摄像头上，通过智能手机持续录制一段不少于30秒的视频图像，并对所述视频图像进行预处理以提取滤波和去除线性趋势后的VPPG信号；
在所述视频图像的RGB通道上，采用像素平均技术从VPPG信号中每帧的中心区域提取PPG时间序列，并应用小波变换去噪和去除运动引起的伪影；
将所述PPG时间序列传递给卷积神经网络进行训练，最终输出脉搏率、血氧饱和度、呼吸率和单导联ECG。
4.根据权利要求1所述的健康状态智能分析预测预警系统，其特征在于，对所述生命体征数据、健康档案和环境信息进行加密和解密的方法具体包括：
数据传输模块和智能分析模块公开约定整数p和大素数q；
数据传输模块随机生成私有密钥向量m(m1，m2)，并计算得到公开密钥向量A＝(pm1 modq，pm2 mod q)；
智能分析模块随机生成私有密钥向量n(n1，n2)，并计算得到公开密钥向量B＝(pn1 modq，pn2 mod q)；
数据传输模块、智能分析模块交换公开密钥向量，并计算出用于加密和解密的密钥向量M和N，M＝(pm1n1 mod q，pm2n2 mod q)＝N；
数据传输模块通过密钥M进行数据加密，智能分析模块通过密钥N解密数据。
5.根据权利要求1所述的健康状态智能分析预测预警系统，其特征在于，所述智能分析模块包括数据融合模块、机器学习模块和优化更新模块；
所述数据融合用于对解密后的数据进行清洗、整合和标准化处理，将所述生命体征数据、健康档案和环境信息进行时间同步和数据融合，将数据转换到一个标准范围，得到融合后的数据；
所述机器学习模块用于对所述融合后的数据进行特征提取，基于关联规则挖掘算法、聚类分析算法、时间序列分析算法、决策树和随机森林构建分析模型进行数据关联分析，并分类标记为有健康风险的数据和无健康风险的数据；
所述优化更新模块用于根据用户的反馈和健康变化，对所述分析模型进行定期优化。
6.根据权利要求5所述的健康状态智能分析预测预警系统，其特征在于，所述数据融合模块通过融合度指标R记录数据融合的完整度，所述融合度指标R的计算公式为：
式中，a、b、c分别为预设的比例系数；G为数据采集的速度因子；T为数据传输的传输因子，由加密速度、加密传输时长和数据存储大小决定；U为数据融合的使用因子，由解密速度、接收速度决定；
将融合度指标R与预设的指标阈值进行比较，若融合度指标R＜指标阈值，则说明数据融合存在异常，重新进行数据融合。
7.根据权利要求5所述的健康状态智能分析预测预警系统，其特征在于，所述预测模型具体包括：
将数据融合后标记为无健康风险的数据和标记为有健康风险的数据分别送入同一参数的自编码网络进行训练，并分别计算得到无监督网络损失L1和有监督网络损失L2；计算网络总损失L总＝L1+L2；
迭代训练以上两个步骤，当得到的无监督网络损失与有监督网络损失之和不再变化或者达到最大迭代步数时停止迭代，将此时得到的数据作为风险评价指标；
利用反向传播算法调整网络结构参数，采用迭代训练方式，将标记为无健康风险和有健康风险的相同数据再次送入自编码网络中，分别重复计算得到无监督网络损失L1＇和有监督网络损失L2＇，计算本轮网络总损L总＇＝L1＇+1+L2＇；
比较调整网络结构参数后的损失值并再次调整网络结构参数，直至满足L总＇＝L总或达到最大迭代次数，停止训练；
将所述风险评价指标和预设的健康风险阈值进行比较，当所述风险评价指标超过所述预设的健康风险阈值时，通过手机推送进行预警提示。
8.健康状态智能分析预测预警方法，其特征在于，所述方法包括：
用户通过手机注册并输入基本信息，记录个人的健康档案，所述健康档案包括年龄、身高、体重、家族病史、疾病史、就医及吃药记录、饮食信息、运动信息和睡眠信息；
通过手机采集用户的食指图像，利用光电容积描记技术获取用户的生命体征数据，所述生命体征数据包括脉搏率、呼吸率、血压、血氧饱和度和单导联ECG；同时通过手机内置传感器或API接口采集当日的环境信息，所述环境信息包括当日气温、气压和空气质量；
将所述生命体征数据、健康档案和环境信息传输到云端服务器进行加密存储；
智能分析时从云端服务器获取加密存储的所述生命体征数据、健康档案和环境信息并进行解密，对解密后的数据进行数据融合和时间同步，将数据转换到一个标准范围，得到融合后的数据；通过融合度指标R记录数据融合的完整度，所述融合度指标R的计算公式为：
式中，a、b、c分别为预设的比例系数；G为数据采集的速度因子；T为数据传输的传输因子，由加密速度、加密传输时长和数据存储大小决定；U为数据融合的使用因子，由解密速度、接收速度决定；
将融合度指标R与预设的指标阈值进行比较，若融合度指标R＜指标阈值，则说明数据融合存在异常，重新进行数据融合；
对融合后的数据进行特征提取，基于关联规则挖掘算法、聚类分析算法、时间序列分析算法、决策树和随机森林构建分析模型进行数据关联分析，并分类标记为有健康风险的数据和无健康风险的数据；
构建预测模型预测用户的健康问题，并在检测到健康风险时向用户发出预警信号，通过手机应用程序界面展示健康分析结果和预警信息。
9.根据权利要求8所述的健康状态智能分析预测预警方法，其特征在于，所述预测模型具体包括：
将数据融合后标记为无健康风险的数据和标记为有健康风险的数据分别送入同一参数的自编码网络进行训练，并分别计算得到无监督网络损失L1和有监督网络损失L2；计算网络总损失L总＝L1+L2；
迭代训练以上两个步骤，当得到的无监督网络损失与有监督网络损失之和不再变化或者达到最大迭代步数时停止迭代，将此时得到的数据作为风险评价指标；
利用反向传播算法调整网络结构参数，采用迭代训练方式，将标记为无健康风险和有健康风险的相同数据再次送入自编码网络中，分别重复计算得到无监督网络损失L1＇和有监督网络损失L2＇，计算本轮网络总损L总＇＝L1＇+1+L2＇；
比较调整网络结构参数后的损失值并再次调整网络结构参数，直至满足L总＇＝L总或达到最大迭代次数，停止训练；
将所述风险评价指标和预设的健康风险阈值进行比较，当所述风险评价指标超过所述预设的健康风险阈值时，通过手机推送进行预警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410265706.4A CN118098590A (zh) | 2024-03-08 | 2024-03-08 | 健康状态智能分析预测预警系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410265706.4A CN118098590A (zh) | 2024-03-08 | 2024-03-08 | 健康状态智能分析预测预警系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118098590A true CN118098590A (zh) | 2024-05-28 |
Family
ID=91154494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410265706.4A Pending CN118098590A (zh) | 2024-03-08 | 2024-03-08 | 健康状态智能分析预测预警系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118098590A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118471542A (zh) * | 2024-07-12 | 2024-08-09 | 杭州城市大脑技术与服务有限公司 | 一种基于大数据的医疗健康管理系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108337087A (zh) * | 2018-02-06 | 2018-07-27 | 南京晓庄学院 | 基于密码向量和斐波纳契矩阵的Diffie-Hellman加密算法 |
| CN109087706A (zh) * | 2018-07-13 | 2018-12-25 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
| CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
| CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
| CN112370057A (zh) * | 2020-11-09 | 2021-02-19 | 平安科技（深圳）有限公司 | 压力评估方法、装置、计算机设备和存储介质 |
| CN116798631A (zh) * | 2023-07-13 | 2023-09-22 | 杭州微柠科技有限公司 | 一种基于大数据的数字健康生活平台 |
| CN116881850A (zh) * | 2023-09-04 | 2023-10-13 | 山东航天九通车联网有限公司 | 基于多模态数据融合的安全预警系统 |
| CN117179758A (zh) * | 2023-10-09 | 2023-12-08 | 广东工业大学 | 一种基于智能手机ppg信号的无创血糖监测设备 |
-
2024
- 2024-03-08 CN CN202410265706.4A patent/CN118098590A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108337087A (zh) * | 2018-02-06 | 2018-07-27 | 南京晓庄学院 | 基于密码向量和斐波纳契矩阵的Diffie-Hellman加密算法 |
| CN109119130A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 一种基于云计算的大数据健康管理系统及方法 |
| CN109087706A (zh) * | 2018-07-13 | 2018-12-25 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
| CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
| CN112370057A (zh) * | 2020-11-09 | 2021-02-19 | 平安科技（深圳）有限公司 | 压力评估方法、装置、计算机设备和存储介质 |
| CN116798631A (zh) * | 2023-07-13 | 2023-09-22 | 杭州微柠科技有限公司 | 一种基于大数据的数字健康生活平台 |
| CN116881850A (zh) * | 2023-09-04 | 2023-10-13 | 山东航天九通车联网有限公司 | 基于多模态数据融合的安全预警系统 |
| CN117179758A (zh) * | 2023-10-09 | 2023-12-08 | 广东工业大学 | 一种基于智能手机ppg信号的无创血糖监测设备 |
Non-Patent Citations (1)
| Title |
|---|
| 乔英霞等: "基于云平台的智能健康监测系统及应用", 《山东科学》, vol. 30, no. 6, 31 December 2017 (2017-12-31), pages 99 - 104 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118471542A (zh) * | 2024-07-12 | 2024-08-09 | 杭州城市大脑技术与服务有限公司 | 一种基于大数据的医疗健康管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230221801A1 (en) | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data | |
| Alshehri et al. | A comprehensive survey of the Internet of Things (IoT) and AI-based smart healthcare | |
| US10470670B2 (en) | Health monitoring system using outwardly manifested micro-physiological markers | |
| US10606353B2 (en) | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data | |
| Forbes et al. | Fall prediction using behavioural modelling from sensor data in smart homes | |
| US20200294670A1 (en) | System and method for real-time estimation of emotional state of user | |
| CN118098590A (zh) | 健康状态智能分析预测预警系统及其方法 | |
| KR20200005986A (ko) | 얼굴인식을 이용한 인지장애 진단 시스템 및 방법 | |
| TWI714926B (zh) | 夢境重現模型的構建方法、夢境重現方法及裝置 | |
| Page et al. | Research directions in cloud-based decision support systems for health monitoring using Internet-of-Things driven data acquisition | |
| CN116916504B (zh) | 调光面板的智能控制方法、装置、设备及存储介质 | |
| Bhatt et al. | An IoMT‐Based Approach for Real‐Time Monitoring Using Wearable Neuro‐Sensors | |
| CN117831745A (zh) | 基于数据分析的远程护理管理方法及系统 | |
| Koren et al. | Comparison of data-driven models for cleaning eHealth sensor data: Use case on ECG signal | |
| Schmierer et al. | A novel empirical wavelet SODP and spectral entropy based index for assessing the depth of anaesthesia | |
| WO2022251350A1 (en) | Active hidden stressor identification and notification | |
| CN111899879B (zh) | 一种眼表疾病自动筛查方法与系统、区块链 | |
| KR101422064B1 (ko) | 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼 | |
| EP3675137A1 (en) | Method and system for more efficient wellbeing estimation and improvement | |
| Hahanov et al. | Big data driven healthcare services and wearables | |
| Liew et al. | Distraction descriptor for brainprint authentication modelling using probability-based Incremental Fuzzy-Rough Nearest Neighbour | |
| CN118471554B (zh) | 一种身体数据采集系统及方法 | |
| US20220101072A1 (en) | Detecting a User's Outlier Days Using Data Sensed by the User's Electronic Devices | |
| US20240282414A1 (en) | Biological Measurement Data Processing Device and Biological Measurement Data Processing Method | |
| US20240090827A1 (en) | Methods and Systems for Improving Measurement of Sleep Data by Classifying Users Based on Sleeper Type |
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 |