一种人体健康风险状态预测系统及方法技术方案

本发明专利技术提供了一种人体健康风险状态预测系统及方法，该方法包括：数据采集模块获取智能穿戴设备采集的健康数据，并将其发送至数据预处理模块，数据预处理模块对获取的健康数据进行预处理，并将预处理过后的健康数据发送至预测模块，预测模型构建模块构建健康风险预测模型，并将其发送至预测模型训练模块，预测模型训练模块获取预设的训练数据集，并对健康风险预测模型进行训练，将训练后的模型发送至预测模块，预测模块将预处理过后的健康数据输入训练后的健康风险预测模型，进行人体健康风险状态预测。本发明专利技术提供的人体健康风险状态预测系统及方法，能够实现人体健康风险状态预测，充分利用智能穿戴式设备采集的人体健康数据。充分利用智能穿戴式设备采集的人体健康数据。充分利用智能穿戴式设备采集的人体健康数据。

【技术实现步骤摘要】
一种人体健康风险状态预测系统及方法


[0001]本专利技术涉及人体健康风险预测
，特别是涉及一种人体健康风险状态预测系统及方法。

技术介绍

[0002]随着当代人们生活节奏的加快，生活压力的增加，亚健康状态的人大量存在，同时，人们不健康的饮食习惯和生活方式也使得各式各样的疾病频发。另外，随着电子科技的发展，百姓越来越重视自己的身体健康状态，往往采用智能硬件设备进行人体健康监测，但是，监测得到的数据并未得到充分的利用，无法根据这些健康数据进一步判断人体健康风险。因此，设计一种人体健康风险状态预测系统及方法是十分有必要的。

技术实现思路

[0003]本专利技术的目的是提供一种人体健康风险状态预测系统及方法，能够实现人体健康风险状态预测，充分利用智能穿戴式设备采集的人体健康数据。
[0004]为实现上述目的，本专利技术提供了如下方案：一种人体健康风险状态预测系统，包括：数据采集模块、数据预处理模块、预测模型构建模块、预测模型训练模块及预测模块，所述数据采集模块连接所述数据预处理模块，所述数据预处理模块连接所述预测模块，所述预测模型构建模块连接所述预测模型训练模块，所述预测模型训练模块连接所述预测模块；所述数据采集模块用于获取智能穿戴设备采集的健康数据；所述数据预处理模块用于对健康数据进行预处理；所述预测模型构建模块用于构建健康风险预测模型；所述预测模型训练模块用于对健康风险预测模型进行训练；所述预测模块用于将预处理过后的健康数据输入训练后的健康风险预测模型，进行人体健康风险状态预测。
[0005]本专利技术还提供了一种人体健康风险状态预测方法，应用于上述的人体健康风险状态预测系统，包括如下步骤：步骤1：数据采集模块获取智能穿戴设备采集的健康数据，并将其发送至数据预处理模块；步骤2：数据预处理模块对获取的健康数据进行预处理，并将预处理过后的健康数据发送至预测模块；步骤3：预测模型构建模块构建健康风险预测模型，并将其发送至预测模型训练模块；步骤4：预测模型训练模块获取预设的训练数据集，并对健康风险预测模型进行训练，将训练后的模型发送至预测模块；步骤5：预测模块将预处理过后的健康数据输入训练后的健康风险预测模型，进行
人体健康风险状态预测。
[0006]可选的，步骤2中，数据预处理模块对获取的健康数据进行预处理，并将预处理过后的健康数据发送至预测模块，具体包括如下步骤：步骤101：获取健康数据中的所有数据；步骤102：遍历所有数据，检测重复无效的数据，对检测到重复无效的数据进行删除；步骤103：遍历所有数据，检测数据中具有缺失的特征，其中，对缺失值超过80%的特征进行删除处理，对缺失值低于80%的特征，基于KNN算法对其进行填补；步骤104：基于SMOTE算法对进行数据删除及数据填补后的健康数据进行数据不平衡处理；步骤105：基于Z
‑
score标准化方法对数据不平衡处理后的健康数据进行归一化处理，其中，转换函数为：式中，为健康数据中所有样本数据的均值，为健康数据中的所有样本，经处理后的健康数据符合标准正态分布，即，均值为0，标准差为1。
[0007]可选的，步骤3中，预测模型构建模块构建健康风险预测模型，并将其发送至预测模型训练模块，具体为：预测模型构建模块构建DAE
‑
BLS模型，对BLS的增量学习算法进行改进，使其适用于DAE
‑
BLS模型，其中，在原来隐藏层的基础上计算新增增强节点的伪逆即可，将构建的DAE
‑
BLS模型发送至预测模型训练模块。
[0008]可选的，步骤4中，预测模型训练模块获取预设的训练数据集，具体为：预测模型训练模块获取预设的训练数据集，并对训练数据集进行处理，删除重复无效的数据以及缺失值过多的特征，其中，缺失值过多为缺失值超过80%，基于KNN算法对不超过80%的缺失值进行填充，对填充过后的数据进行数据不平衡处理及归一化处理，并为处理完成的数据设置预测标签。
[0009]可选的，步骤4中，对健康风险预测模型进行训练，将训练后的模型发送至预测模块，具体为：通过处理完成的训练数据集及预测标签对DAE
‑
BLS模型进行训练，其中，初始化并训练DAE，初始化模型参数，使用DAE提取输入特征作为映射层，将映射层输入增强层，将增强层和映射层拼接为隐藏层，计算最终输出，判断最终输出与预测标签的实际误差，若实际误差小于期望值则完成训练，否则，增加增强节点，更新隐藏层，计算伪逆，更新输出权重，再次计算最终输出以及实际误差，重复过程，直至实际误差小于期望值，完成训练，得到训练后的模型，并将其发送至预测模块。
[0010]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的人体健康风险状态预测系统及方法，该系统包括数据采集模块、数据预处理模块、预测模型构建模块、预测模型训练模块及预测模块，该方法包括数据采集模块获取智能穿戴设备采集的健康数据，并将其发送至数据预处理模块，数据预处理模块对获取的健康数据进行预处理，并将预处理过后的健康数据发送至预测模块，预测模型构建模块构建健康风险预测模型，并将其发送至预测模型训练模块，预测模型训练模块获取预设的训练数据集，并对健康风
险预测模型进行训练，将训练后的模型发送至预测模块，预测模块将预处理过后的健康数据输入训练后的健康风险预测模型，进行人体健康风险状态预测，该系统及方法能够实现人体健康风险状态预测，充分利用了智能穿戴设备采集的健康数据，提高了数字资源利用率。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术的一些实施例，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。
[0012]图1为本专利技术实施例人体健康风险状态预测系统结构示意图；图2为本专利技术实施例人体健康风险状态预测方法流程示意图。
具体实施方式
[0013]本专利技术的目的是提供一种人体健康风险状态预测系统及方法，能够实现人体健康风险状态预测，充分利用智能穿戴式设备采集的人体健康数据，提高了识别效率。
[0014]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0015]如图1所示，本专利技术实施例提供的人体健康风险状态预测系统，包括：数据采集模块、数据预处理模块、预测模型构建模块、预测模型训练模块及预测模块，所述数据采集模块连接所述数据预处理模块，所述数据预处理模块连接所述预测模块，所述预测模型构建模块连接所述预测模型训练模块，所述预测模型训练模块连接所述预测模块；所述数据采集模块用于获取智能穿戴设备采集的健康数据；所述数据预处理模块用于对健康数据进行预处理；所述预测模型构建模块用于构建健康风险预测模型；所述预测模型训练模块用于对健康风险预测模型进行训练；所述预测模块用于将预处理过后的健康数据输入训练后的健康风险预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人体健康风险状态预测系统，其特征在于，包括：数据采集模块、数据预处理模块、预测模型构建模块、预测模型训练模块及预测模块，所述数据采集模块连接所述数据预处理模块，所述数据预处理模块连接所述预测模块，所述预测模型构建模块连接所述预测模型训练模块，所述预测模型训练模块连接所述预测模块；所述数据采集模块用于获取智能穿戴设备采集的健康数据；所述数据预处理模块用于对健康数据进行预处理，其中，数据预处理模块遍历所有数据，检测重复无效的数据，对其进行删除，检测数据中具有缺失的特征，其中，对缺失值超过80%的特征进行删除处理，对缺失值低于80%的特征，基于KNN算法对其进行填补，基于SMOTE算法对处理的健康数据进行数据不平衡处理，基于Z
‑
score标准化方法对处理后的健康数据进行归一化处理；所述预测模型构建模块用于构建健康风险预测模型，其中，预测模型构建模块构建DAE
‑
BLS模型，对BLS的增量学习算法进行改进，使其适用于DAE
‑
BLS模型；所述预测模型训练模块用于对健康风险预测模型进行训练；所述预测模块用于将预处理过后的健康数据输入训练后的健康风险预测模型，进行人体健康风险状态预测。2.一种人体健康风险状态预测方法，应用于权利要求1所述的人体健康风险状态预测系统，其特征在于，包括如下步骤：步骤1：数据采集模块获取智能穿戴设备采集的健康数据，并将其发送至数据预处理模块；步骤2：数据预处理模块对获取的健康数据进行预处理，并将预处理过后的健康数据发送至预测模块；步骤3：预测模型构建模块构建健康风险预测模型，并将其发送至预测模型训练模块；步骤4：预测模型训练模块获取预设的训练数据集，并对健康风险预测模型进行训练，将训练后的模型发送至预测模块；步骤5：预测模块将预处理过后的健康数据输入训练后的健康风险预测模型，进行人体健康风险状态预测。3.根据权利要求2所述的人体健康风险状态预测方法，其特征在于，步骤2中，数据预处理模块对获取的健康数据进行预处理，并将预处理过后的健康数据发送至预测模块，具体包括如下步骤：步骤101：获取健康数据中的所有数据；步骤102：遍历所有数据，检测重复无效的数据，对检测到重复无效的数据进行删除；步骤103：...

【专利技术属性】
技术研发人员：张秀玲，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：