一种通过生活特征对体征健康进行预测的系统及方法技术方案

本发明专利技术涉及健康数据的信息通信技术领域，提出一种通过生活特征对体征健康进行预测的系统及方法，包括监测数据获取模块、生活特征获取模块、异常预测模块、数据库模块；监测数据获取模块通过一定的监测周期获取用户体征的监测数据，将获取的监测数据及其监测时间保存在数据库模块中；异常预测模块包括异常数据模块、异常特征模块和预测模块；异常数据模块用于判断对应的用户体征的监测数据是否为正常范围以外的异常数据；异常特征模块用于判断获取的生活特征是否为正常标准以外的异常特征；预测模块用于根据异常数据和异常特征，获得对应的用户体征的监测数据发生异常时异常特征的权重，根据异常特征的权重对用户体征的体征健康进行预测。健康进行预测。

【技术实现步骤摘要】
一种通过生活特征对体征健康进行预测的系统及方法


[0001]本专利技术涉及健康数据的信息通信
，尤其是指一种通过生活特征对体征健康进行预测的系统及方法。

技术介绍

[0002]根据现有技术研究数据，现代人的生活习惯、饮食问题、睡眠质量、工作压力环境改变等生活特征，对个人的体征检测数值会产生影响，比如，长期熬夜可能会导致转氨酶升高，血压升高，长期饮食过量可能会导致血糖升高等等；而且由于个人体质不同，每天的作息运动情况不同，对每个人的具体影响情况可能也有所不同，比如有些人会因为某些行为习惯而容易引起体温升高，而有些人则会导致血压或者血脂升高。而由于个体差异的体征表现不同，在进行健康推荐的时候，如果仅仅使用大数据进行比较笼统的健康推荐方法，就不能精确的将预测结果推送到用户，也就无法达到提醒注意某项体征指标的目的。因此，如何精确的向用户推送适合个人本身情况，根据个人本身的发病原因和规律来定制更精确的健康推送方案，是急需解决的问题。

技术实现思路

[0003]为解决上述问题，本专利技术提供一种通过生活特征对体征健康进行预测的系统，包括监测数据获取模块、生活特征获取模块、异常预测模块、数据库模块；监测数据获取模块通过一定的监测周期获取用户体征的监测数据，将获取的监测数据及其监测时间保存在数据库模块中；生活特征获取模块用于获取用户的生活特征，将获取的生活特征及其获取时间保存在数据库模块中；异常预测模块包括异常数据模块、异常特征模块和预测模块；异常数据模块用于判断对应的用户体征的监测数据是否为正常范围以外的异常数据；异常特征模块用于判断获取的生活特征是否为正常标准以外的异常特征；预测模块用于根据异常数据和异常特征，获得对应的用户体征的监测数据发生异常时异常特征的权重，根据异常特征的权重对用户体征的体征健康进行预测。
[0004]其中，用户体征为血压、血糖或体温。
[0005]其中，生活特征为饮食热量摄入量、糖摄入量、盐摄入量、工作时间、睡眠时间以及运动时间。
[0006]其中，数据库模块还包括异常时间点列表和恢复时间点列表，具体的，异常时间点列表和恢复时间点列表中的监测时间点以监测时间顺序进行排序。
[0007]本专利技术还提供了一种如上所描述的通过生活特征对体征健康进行预测的系统的预测方法，具体步骤包括：S10，获取用户A的体征的监测数据记录中的n个异常预测时间段，设置异常预测时间段T=[T1,T2,
…
, T
n
]，其中，第i个异常预测时间段为T
i
，设置第i个异常预测时间段T
i
中包
括m个监测时间点，监测时间点TID=[TID1,TID1+θ,
…
,TID1+（m
‑
1）θ]，其中，θ为监测周期，TID1+（j
‑
1）θ为异常预测时间段T
i
的第j个监测时间点，设置第j个监测时间点TID1+（j
‑
1）θ对应的监测数值为DS
j
，设置监测数值阈值为ω0,异常预测时间段T
i
的第一监测时间点TID1为触发异常时间点，DS1＞ω0；S20,获得首异常差值ψ1= DS1‑
ω0，设置初始异常预测时间段长度为ε0；获得异常预测时间段T
i
的长度TIF=(ψ1+ω0)ε0/ω0；根据得到的异常预测时间段T
i
的长度TIF，当存在第j监测时间点TID
j
使得DS
j
＜ε0时，转入步骤S30；当不存在TID
j
使得DS
j
＜ε0时，转入步骤S31；S30,根据异常预测时间段T
i
的第j监测时间点TID
j
对应的监测数值DS
j
，获得TID
j
的异常差值ψ
j
= DS
j
‑
ω0；其中，当Ψ
j
＞0时，将TID
j
加入T
i
的异常时间点列表ICL，其中，异常时间点列表ICL中的监测时间点以时间顺序进行排序；当Ψ
j
＜0时 TID
j
加入T
i
的恢复时间点列表IHL，其中，恢复时间点列表IHL中的监测时间点以时间顺序进行排序；转入步骤S40;S31,设置增长系数λ，TIF =λ(ψ1+ω0)ε0/ω0，当存在第j监测时间点TID
j
使得DS
j
＜ε0时，转入步骤S30；当不存在第j监测时间点TID
j
使得DS
j
＜ε0时，本步骤结束；S40,设置当异常预测时间段T
i
的异常时间点列表ICL中有f个监测时间点，则异常时间点列表最后一个监测时间点为TID1+fθ，当恢复时间点列表IHL的第一个监测时间点为TID1+（f+1）θ时，得到异常预测时间段T
i
的恢复特征时间段TIH(TID1，TID1+（f+1）θ)；S50，获取第一监测时间点TID1之前k个监测周期作为异常预测时间段T
i
的获取特征时间段TIR,获取特征时间段TIR包括k个监测时间点，监测时间点TIRD=[TID1‑
kθ，TID1‑
（k
‑
1）θ,
…
,TID1‑
θ]，其中，第z个获取特征时间点TID1‑
（k
‑
z+1）θ对应的监测数值为DS
z
，其中，DS
z
≤ω0，z∈[1，k]；S60，设置用户A的体征监测记录中的异常生活特征AF包括c个类别，AF=[AF1,AF2,
…
,AF
c
]，设置其中第δ个类别为AF
δ
，对获取特征时间段TIR中的异常生活特征进行计数，得到异常生活特征AF
δ
的计数NUM
δ1
；对恢复特征时间段TIH中的异常生活特征进行计数，得到异常生活特征AF
δ
的计数NUM
δ2
，得到第δ类异常生活特征AF
δ
的权重ω
δ
=NUM
δ1
/ NUM
δ2
；S70，将第δ类异常生活特征AF
δ
的权重ω
δ
进行归一化，设置权重阈值W，当预测时间段内用户A的出现的异常生活特征权重之和超过权重阈值W时，系统发出预警，并根据异常生活特征分类的权重给出健康调整建议。
[0008]其中，在步骤S70中，预测时间段的时长不超过异常预测时间段的时长TIF。
[0009]其中，在步骤S50中，获取特征时间段TIR为（TID1‑
kθ，TID1）。
[0010]其中，在步骤S40中，恢复特征时间段TIH为（TID1，TID1+（K本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通过生活特征对体征健康进行预测的系统，其特征在于，包括监测数据获取模块、生活特征获取模块、异常预测模块、数据库模块；所述监测数据获取模块通过预设的监测周期获取用户体征的监测数据，将获取的监测数据及其监测时间保存在数据库模块中；所述生活特征获取模块用于获取用户的生活特征，将获取的生活特征及其获取时间保存在数据库模块中；所述异常预测模块包括异常数据子模块、异常特征子模块和预测子模块；所述异常数据子模块用于判断对应的用户体征的监测数据是否为正常范围以外的异常数据；所述异常特征子模块用于判断获取的生活特征是否为正常标准以外的异常特征；所述预测子模块用于根据异常数据和异常特征，获得对应的用户体征的监测数据发生异常时异常特征的权重，根据异常特征的权重对用户体征的体征健康进行预测。2.如权利要求1所述的通过生活特征对体征健康进行预测的系统，其特征在于，所述用户体征为血压、血糖或体温。3.如权利要求1所述的通过生活特征对体征健康进行预测的系统，其特征在于，所述生活特征为饮食热量摄入量、糖摄入量、盐摄入量、工作时间、睡眠时间以及运动时间。4.如权利要求1所述的通过生活特征对体征健康进行预测的系统，其特征在于，所述数据库模块包括异常时间点列表和恢复时间点列表，其中，异常时间点列表和恢复时间点列表中的监测时间点以监测时间顺序进行排序。5.一种使用权利要求1
‑
4任意一项所述的通过生活特征对体征健康进行预测的系统的预测方法，其特征在于，所述预测方法的步骤包括：S10，获取用户A的体征的监测数据记录中的n个异常预测时间段，设置异常预测时间段T=[T1,T2,
…
, T
n
]，其中，第i个异常预测时间段为T
i
，设置第i个异常预测时间段T
i
中包括m个监测时间点，监测时间点TID=[TID1,TID1+θ,
…
,TID1+（m
‑
1）θ]，其中，θ为监测周期，TID1+（j
‑
1）θ为异常预测时间段T
i
的第j个监测时间点，设置第j个监测时间点TID1+（j
‑
1）θ对应的监测数值为DS
j
；设置监测数值阈值为ω0,异常预测时间段T
i
的第一监测时间点TID1为触发异常时间点，DS1＞ω0；S20,获得首异常差值ψ1= DS1‑
ω0，设置初始异常预测时间段长度为ε0；获得异常预测时间段T
i
的长度TIF=(ψ1+ω0)ε0/ω0；根据得到的异常预测时间段T
i
的长度TIF，当存在第j监测时间点TID
j
使得DS
j
＜ε0时，转入步骤S30；当不存在TID
j
使得DS
j
＜ε0时，转入步骤S31；S30,根据异常预测时间段T
i
的第j监测时间点TID
j
对应的监测数值DS
j
，获得TID
j
的异常差值ψ
j
=DS
j
‑
ω0；其中，当Ψ
j
＞0时，将TID
j...

【专利技术属性】
技术研发人员：李利明，李钊，翁翔羽，张兴明，
申请(专利权)人：北京智源人工智能研究院，
类型：发明
国别省市：