基于大数据的年龄估计模型训练、年龄估计方法和装置制造方法及图纸

本申请提出一种基于大数据的年龄估计模型训练、年龄估计方法和装置，涉及数据处理技术领域，其中，方法包括：通过可穿戴设备采集用户在目标时间段内的动态数据信息样本；对动态数据信息样本进行分析，获取多维度指标特征样本；将用户的基本特征信息样本和多维度指标特征样本输入深度神经网络进行训练，获取训练年龄；通过预设的损失度量公式根据训练年龄和真实年龄对深度神经网络的参数进行调整，生成年龄估计模型。由此，基于可穿戴设备采集的动态数据信息好用户基本信息生成年龄估计模型，提高用户健康年龄估计效率和准确性。

【技术实现步骤摘要】
基于大数据的年龄估计模型训练、年龄估计方法和装置
本申请涉及数据处理
，尤其涉及一种基于大数据的年龄估计模型训练、年龄估计方法和装置。
技术介绍
通常，“健康年龄”，又称“生理年龄”、“生物年龄”，泛指生命体达到某一时序年龄时生理和其功能所反映出来的水平，即与一定时序年龄相对应的生理及其功能的表现程度，是从医学、生物学的角度来衡量的年龄。它表示生物体的成长、成熟或衰老的程度，是身体健康状况的年龄表现。而一般概念上的年龄通常指的是“自然年龄”，又称“时序年龄”、“日历年龄”、“年代年龄”，是按照人的出生年月，纯粹从时间的推移来计算的年龄。它是指一个人的生命里程、生命延续的年代，不受人的生活经历、生活条件等的制约和影响，随时间的推移而增加的。相关技术中，通过基于最大摄氧量来估计健康年龄，然而，最大摄氧量是指人体进行最大强度的运动并出现无力继续支撑接下来的运动时，所能摄入的氧气含量，对最大摄氧量的直接测量需要让用户带上相关采集仪设备进行剧烈运动，对受测者力竭状态下呼出的气体进行分析，这种直接测量的方式较为复杂，且需要用户通过运动达到机体的极限状态，以及仅仅以最大摄氧量作为量化指标来评估健康年龄，在一定程度上比较单一、片面。
技术实现思路
本申请旨在至少在一定程度上解决上述提到的技术问题之一。为此，本申请的第一个目的在于提出一种基于大数据的年龄估计模型训练方法，解决了现有技术中健康年龄估计方式繁琐、效率低且精度差的技术问题，通过基于可穿戴设备采集的动态数据信息好用户基本信息生成年龄估计模型，提高用户健康年龄估计效率和准确性。本申请的第二个目的在于提出一种基于大数据的年龄估计模型的年龄估计方法。本申请的第三个目的在于提出一种基于大数据的年龄估计模型训练装置。本申请的第四个目的在于提出一种基于大数据的年龄估计模型的年龄估计装置。本申请的第五个目的在于提出一种计算机设备。本申请的第六个目的在于提出一种非临时性计算机可读存储介质。为达上述目的，本申请第一方面实施例提出了一种基于大数据的年龄估计模型训练方法，包括：通过可穿戴设备采集用户在目标时间段内的动态数据信息样本；对所述动态数据信息样本进行分析，获取多维度指标特征样本；将所述用户的基本特征信息样本和所述多维度指标特征样本输入深度神经网络进行训练，获取训练年龄；通过预设的损失度量公式根据所述训练年龄和真实年龄对所述深度神经网络的参数进行调整，生成年龄估计模型。在本申请的一个实施例中，通过可穿戴设备采集用户在目标时间段内的动态数据信息样本，包括以下至少两个或者两个以上组合：采集所述目标时间段内所述用户在非睡眠非活动状态下的静息心率；采集所述目标时间段内所述用户在睡眠状态下的心率；采集所述目标时间段内所述用户在走路状态下的心率；采集所述目标时间段内所述用户在跑步状态下的心率；采集所述目标时间段内所述用户的睡眠时间段、深睡时间段和平均睡眠时间段；采集所述目标时间段内所述用户的个人运动机能指数PAI(PersonalActivityIntelligence)；采集所述目标时间段内所述用户的走路总距离、走路总时长和走路总步数；采集所述目标时间段内所述用户的跑步总距离、跑步总时长和跑步总步数。在本申请的一个实施例中，所述对所述动态数据信息样本进行分析，获取多维度指标特征样本，包括：根据所述用户在非睡眠非活动状态下的静息心率进行计算，获取静息平均心率、静息高位心率和静息低位心率；根据所述用户在睡眠状态下的心率进行计算，获取睡眠平均心率、睡眠高位心率和睡眠低位心率；根据所述用户在走路状态下的心率进行计算，获取走路平均心率、走路高位心率和走路低位心率；根据所述用户在跑步状态下的心率进行计算，获取跑步平均心率、跑步高位心率和跑步低位心率；根据所述用户的睡眠时间段、深睡时间段和平均睡眠时间段进行计算，获取核心睡眠时长和深睡睡眠时长；根据所述静息平均心率、所述静息高位心率、所述静息低位心率、所述睡眠平均心率、所述睡眠高位心率、所述睡眠低位心率、所述走路平均心率、所述走路高位心率、所述走路低位心率、所述跑步平均心率、所述跑步高位心率、所述跑步低位心率、所述个人运动机能指数PAI、所述走路总距离、所述走路总时长、所述走路总步数、所述跑步总距离、所述跑步总时长和所述跑步总步数中的一种或者多种，生成所述多维度指标特征样本。在本申请的一个实施例中，所述通过预设的损失度量公式根据所述训练年龄和真实年龄对所述深度神经网络的参数进行调整，生成年龄估计模型，包括：对所述训练年龄进行解码处理，获取目标维度指标特征，通过预设的第一损失度量公式计算所述目标维度指标特征和所述多维度指标特征样本的第一损失度量；通过预设的第二损失度量公式计算所述训练年龄和所述真实年龄的第二损失度量；对所述深度神经网络的参数进行调整，在所述第一损失度量和所述第二损失度量满足预设阈值条件时生成年龄估计模型。为达上述目的，本申请第二方面实施例提出了一种基于大数据的年龄估计模型的年龄估计方法，包括：通过可穿戴设备采集用户在目标时间段内的动态数据信息；对所述动态数据进行分析，获取多维度指标特征；将所述用户的基本特征信息和所述多维度指标特征输入已训练的年龄预测模型进行处理，获取预测年龄。为达上述目的，本申请第三方面实施例提出了一种基于大数据的年龄估计模型训练装置，包括：第一采集模块，用于通过可穿戴设备采集用户在目标时间段内的动态数据信息样本；分析获取模块，用于对所述动态数据信息样本进行分析，获取多维度指标特征样本；训练获取模块，用于将所述用户的基本特征信息样本和所述多维度指标特征样本输入深度神经网络进行训练，获取训练年龄；生成模块，用于通过预设的损失度量公式根据所述训练年龄和真实年龄对所述深度神经网络的参数进行调整，生成年龄估计模型。在本申请的一个实施例中，所述第一采集模块，具体用于以下至少两个或者两个以上组合：采集所述目标时间段内所述用户在非睡眠非活动状态下的静息心率；采集所述目标时间段内所述用户在睡眠状态下的心率；采集所述目标时间段内所述用户在走路状态下的心率；采集所述目标时间段内所述用户在跑步状态下的心率；采集所述目标时间段内所述用户的睡眠时间段、深睡时间段和平均睡眠时间段；采集所述目标时间段内所述用户的个人运动机能指数PAI；采集所述目标时间段内所述用户的走路总距离、走路总时长和走路总步数；采集所述目标时间段内所述用户的跑步总距离、跑步总时长和跑步总步数。在本申请的一个实施例中，所述分析获取模块，具体用于：根据所述用户在非睡眠非活动状态下的静息心率进行计算，获取静息平均心率、静息高位心率和静息低位心率；根据所述用户在睡眠状态下的心率进行计算，获取睡眠平均心率、睡眠高位心率和睡眠低位心率；根据所述用户在走路状态下的心率进行计算，获取走路平均心率、走路高位心率和走路低位心率；根据所述用户在跑步状态下的心率进行计算，获取跑步平均心率、跑步高位心率和跑步低位心率；根据所述用户的睡眠时间段、深睡时间段和平均睡眠时间段进行计算，获取核心睡眠时长和深睡睡眠本文档来自技高网...

【技术保护点】
1.一种基于大数据的年龄估计模型训练方法，其特征在于，包括：/n通过可穿戴设备采集用户在目标时间段内的动态数据信息样本；/n对所述动态数据信息样本进行分析，获取多维度指标特征样本；/n将所述用户的基本特征信息样本和所述多维度指标特征样本输入深度神经网络进行训练，获取训练年龄；/n通过预设的损失度量公式根据所述训练年龄和真实年龄对所述深度神经网络的参数进行调整，生成年龄估计模型。/n

【技术特征摘要】
1.一种基于大数据的年龄估计模型训练方法，其特征在于，包括：
通过可穿戴设备采集用户在目标时间段内的动态数据信息样本；
对所述动态数据信息样本进行分析，获取多维度指标特征样本；
将所述用户的基本特征信息样本和所述多维度指标特征样本输入深度神经网络进行训练，获取训练年龄；
通过预设的损失度量公式根据所述训练年龄和真实年龄对所述深度神经网络的参数进行调整，生成年龄估计模型。


2.如权利要求1所述的方法，其特征在于，所述通过可穿戴设备采集用户在目标时间段内的动态数据信息样本，包括以下至少两个或者两个以上组合：
采集所述目标时间段内所述用户在非睡眠非活动状态下的静息心率；
采集所述目标时间段内所述用户在睡眠状态下的心率；
采集所述目标时间段内所述用户在走路状态下的心率；
采集所述目标时间段内所述用户在跑步状态下的心率；
采集所述目标时间段内所述用户的睡眠时间段、深睡时间段和平均睡眠时间段；
采集所述目标时间段内所述用户的个人运动机能指数PAI；
采集所述目标时间段内所述用户的走路总距离、走路总时长和走路总步数；
采集所述目标时间段内所述用户的跑步总距离、跑步总时长和跑步总步数。


3.如权利要求2所述的方法，其特征在于，所述对所述动态数据信息样本进行分析，获取多维度指标特征样本，包括：
根据所述用户在非睡眠非活动状态下的静息心率进行计算，获取静息平均心率、静息高位心率和静息低位心率；
根据所述用户在睡眠状态下的心率进行计算，获取睡眠平均心率、睡眠高位心率和睡眠低位心率；
根据所述用户在走路状态下的心率进行计算，获取走路平均心率、走路高位心率和走路低位心率；
根据所述用户在跑步状态下的心率进行计算，获取跑步平均心率、跑步高位心率和跑步低位心率；
根据所述用户的睡眠时间段、深睡时间段和平均睡眠时间段进行计算，获取核心睡眠时长和深睡睡眠时长；
根据所述静息平均心率、所述静息高位心率、所述静息低位心率、所述睡眠平均心率、所述睡眠高位心率、所述睡眠低位心率、所述走路平均心率、所述走路高位心率、所述走路低位心率、所述跑步平均心率、所述跑步高位心率、所述跑步低位心率、所述个人运动机能指数PAI、所述走路总距离、所述走路总时长、所述走路总步数、所述跑步总距离、所述跑步总时长和所述跑步总步数中的一种或者多种，生成所述多维度指标特征样本。


4.如权利要求1所述的方法，其特征在于，所述通过预设的损失度量公式根据所述训练年龄和真实年龄对所述深度神经网络的参数进行调整，生成年龄估计模型，包括：
对所述训练年龄进行解码处理，获取目标维度指标特征，通过预设的第一损失度量公式计算所述目标维度指标特征和所述多维度指标特征样本的第一损失度量；
通过预设的第二损失度量公式计算所述训练年龄和所述真实年龄的第二损失度量；
对所述深度神经网络的参数进行调整，在所述第一损失度量和所述第二损失度量满足预设阈值条件时生成年龄估计模型。


5.一种应用权利要求1-4任一项所述的基于大数据的年龄估计模型的年龄估计方法，其特征在于，包括：
通过可穿戴设备采集用户在目标时间段内的动态数据信息；
对所述动态数据进行分析，获取多维度指标特征；
将所述用户的基本特征信息和所述多维度指标特征输入已训练的年龄预测模型进行处理，获取预测年龄。


6.一种基于大数据的年龄估计模型训练装置，其特征在于，包括：
第一采集模块，用于通过可穿戴设备采集用户在目标时间段内的动态数据信息样本；

【专利技术属性】
技术研发人员：朱国康，俞轶，
申请(专利权)人：安徽华米智能科技有限公司，
类型：发明
国别省市：安徽;34