社区居家老年人传感数据分析模型的构建方法及装置制造方法及图纸

本发明专利技术提供了一种社区居家老年人传感数据分析模型的构建方法及装置，涉及数据分析技术领域，包括：获取预先构建的健康数据集；其中，健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的；对健康数据集进行特征选择，确定维度特征向量；对维度特征向量进行特征提取，确定目标特征参数；将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，以确定健康数据分析模型；其中，分类器为基于随机森林算法和负反馈策略构建的，健康数据分析模型用于对健康数据进行分析。本发明专利技术可以减少人工干预和主观性误差，提高数据分析的准确性和可靠性。的准确性和可靠性。的准确性和可靠性。

【技术实现步骤摘要】
社区居家老年人传感数据分析模型的构建方法及装置


[0001]本专利技术涉及数据分析
，尤其涉及一种社区居家老年人传感数据分析模型的构建方法及装置。

技术介绍

[0002]随着全球人口老龄化的不断加剧，老年人健康问题成为了一个重要的社会关注点。老年人的健康状况评估对于提供及时干预、改善生活质量和预防疾病具有重要意义。传统的老年人健康评估方法主要依赖于专业医疗机构和人工判断。这种方法存在一些问题，包括评估周期长、成本高、主观性强等。由于老年人健康状况的多样性和复杂性，传统方法难以满足实时、准确和个性化的评估需求。因此，为了解决这些问题，开发一种基于机器学习和人工智能的自动化健康状况评估方法变得十分必要。目前，机器学习和人工智能技术具有处理大规模数据、挖掘潜在模式和构建预测模型的能力，可以为老年人健康评估提供有效的工具和方法。
[0003]目前存在一种健康大数据的健康物联网平台及其管理方法，对不同人员的健康参数数据进行监测，根据所监测的参数数据以及年龄参数，选取不同的适配数据包，再通过分析处理，获取不同监测人员的健康评分。此外，还有一种基于大数据的健康监测分析方法及系统，通过将用户的就诊信息和电子穿戴设备的实时健康监测数据相结合，将相应数据库输入健康监测模型，根据健康监测模型，获取状态偏离度；以状态偏离度，生成预警信息，对目标用户进行健康预警提醒。然而，上述方案分别直接使用采集到的数据，这些数据样本存在样本不充分、样本不平衡等情况，对此，无法准确进行健康分析。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种社区居家老年人传感数据分析模型的构建方法及装置，可以减少人工干预和主观性误差，提高评估的准确性和可靠性。
[0005]第一方面，本专利技术实施例提供了一种社区居家老年人传感数据分析模型的构建方法，该构建方法包括：获取预先构建的健康数据集；其中，健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的，原始数据集包括多条健康数据，每条健康数据带有预先确定的风险类别标签；对健康数据集进行特征选择，确定满足预设维度目标的维度特征向量；对维度特征向量进行特征提取，确定目标特征参数；将目标特征参数输入至预先设置的分类器中，对分类器进行分类训练，确定预测分类结果，并将预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型；其中，分类器为基于随机森林算法和负反馈策略构建的，健康数据分析模型用于对健康数据进行分析。
[0006]本专利技术实施例带来了以下有益效果：本专利技术提供的一种社区居家老年人传感数据分析模型的构建方法及装置，通过收集健康数据，并进行数据扩充得到健康数据集，之后进行特征选择、特征提取及分类器训练后构建健康数据分析模型，从而可以根据待评估的健康数据对用户的健康状况进行评估，可以减少人工干预和主观性误差，提高评估的准确性
和可靠性，从而可以改善老年人的生活质量、预防疾病和提供及时的医疗干预。
[0007]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0008]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0009]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0010]图1为本专利技术实施例提供的一种社区居家老年人传感数据分析模型的构建方法的流程图；图2为本专利技术实施例提供的另一种社区居家老年人传感数据分析模型的构建方法的流程图；图3为本专利技术实施例提供的另一种社区居家老年人传感数据分析模型的构建方法的流程图；图4为本专利技术实施例提供的一种社区居家老年人传感数据分析方法的流程图；图5为本专利技术实施例提供的一种社区居家老年人传感数据分析模型的构建装置的结构示意图；图6为本专利技术实施例提供的另一种社区居家老年人传感数据分析模型的构建装置的结构示意图；图7为本专利技术实施例提供的一种社区居家老年人传感数据分析装置的结构示意图；图8为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0011]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0012]随着全球人口老龄化的不断加剧，老年人健康问题成为了一个重要的社会关注点。老年人的健康状况评估对于提供及时干预、改善生活质量和预防疾病具有重要意义。传统的老年人健康评估方法主要依赖于专业医疗机构和人工判断。这种方法存在一些问题，包括评估周期长、成本高、主观性强等。由于老年人健康状况的多样性和复杂性，传统方法难以满足实时、准确和个性化的评估需求。因此，为了解决这些问题，开发一种基于机器学习和人工智能的自动化健康状况评估方法变得十分必要。机器学习和人工智能技术具有处理大规模数据、挖掘潜在模式和构建预测模型的能力，可以为老年人健康评估提供有效的
工具和方法。
[0013]目前存在一种健康大数据的健康物联网平台及其管理方法，对不同人员的健康参数数据进行监测，根据所监测的参数数据以及年龄参数，选取不同的适配数据包，再通过分析处理，获取不同监测人员的健康评分。此外，还有一种基于大数据的健康监测分析方法及系统，通过将用户的就诊信息和电子穿戴设备的实时健康监测数据相结合，将相应数据库输入健康监测模型，根据健康监测模型，获取状态偏离度；以状态偏离度，生成预警信息，对目标用户进行健康预警提醒。然而，上述方案分别直接使用采集到的数据，这些数据样本存在样本不充分、样本不平衡等情况，对此，无法准确进行健康分析。基于此，本专利技术实施例提出了一种综合应用多种技术手段的健康状况评估方法。通过收集社区居家老人的健康数据，并借助数据预处理、特征选择、特征提取和分类器构建等关键技术，将机器学习和人工智能应用于老年人健康评估中。通过对大量健康数据的分析和挖掘，能够自动提取关键特征并构建分类器模型，以对老年人的健康状况进行评估和预测。
[0014]其中，本专利技术实施例提供的一种社区居家老年人传感数据分析模型的构建方法及装置，为基于机器学习和人工智能的方法，可以减少人工干预和主观性误差，提高评估的准确性和可靠性。为便于对本实施例进行理解，首先对本专利技术实施例所公开的一种社区居家老年人传感数据分析模型的构建方法进行详细介绍，图1示出了本专利技术实施例提供的一种社区居家老年人传感数据分析模型的构建方法的流程图，如图1所示，该社区居家老年人传感数据分析模型的构建方法包括以下步骤：步骤S1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种社区居家老年人传感数据分析模型的构建方法，其特征在于，所述构建方法包括：获取预先构建的健康数据集；其中，所述健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的，所述原始数据集包括多条健康数据，每条所述健康数据带有预先确定的风险类别标签；对所述健康数据集进行特征选择，确定满足预设维度目标的维度特征向量；对所述维度特征向量进行特征提取，确定目标特征参数；将所述目标特征参数输入至预先设置的分类器中，对所述分类器进行分类训练，确定预测分类结果，并将所述预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型；其中，所述分类器为基于随机森林算法和负反馈策略构建的，所述健康数据分析模型用于对健康数据进行分析。2.根据权利要求1所述的方法，其特征在于，所述对抗网络包括生成器和判别器；对抗网络对原始数据集进行扩充得到所述健康数据集的步骤，包括：基于所述原始数据集的每条健康数据对应的风险类别标签，确定所述原始数据集对应的待扩充风险类别；将所述待扩充风险类别对应的健康数据作为噪声，输入至所述对抗网络的生成器中，通过所述生成器的目标函数生成初始扩充样本；通过预设的免疫算法对所述初始扩充样本进行初始判别，并在所述初始扩充样本满足预设的初始判别指标时，将所述初始扩充样本和所述初始扩充样本对应的健康数据输入至所述判别器中，通过所述判别器对所述初始扩充样本进行样本判别，得到判别结果；根据所述判别结果指示的判别阈值，对所述生成器的参数进行参数更新，并执行通过所述生成器的目标函数生成初始扩充样本的步骤；直到生成所述初始扩充样本对应的生成条件满足预设的迭代条件时，将当前初始扩充样本和所述原始数据集确定为所述健康数据集。3.根据权利要求2所述的方法，其特征在于，通过预设的免疫算法对所述初始扩充样本进行初始判别的步骤，包括：通过预设的免疫算法，确定所述初始扩充样本对应于所述原始数据集中的所述健康数据的欧几里得距离；根据所述欧几里得距离，确定所述初始扩充样本对应于所述健康数据的差异指标；判断所述差异指标是否满足预设的指标阈值；如果否，对所述生成器的参数进行初始更新，并基于所述差异指标调整输入至所述生成器的噪声，执行通过所述生成器的目标函数生成初始扩充样本的步骤；如果是，确定所述初始扩充样本满足预设的初始判别指标。4.根据权利要求1所述的方法，其特征在于，所述健康数据集的每条所述健康数据分别包括多个特征向量；所述特征向量对应有特征维度；对所述健康数据集进行特征选择，确定满足预设维度目标的维度特征向量的步骤，包括：确定所述健康数据的每个特征向量分别对应的选择变量；根据所述选择变量和预设的特征重要性权重，从每个特征维度的特征向量中选择预设
数量的目标特征向量；根据预设的权重调整参数，以及通过交叉验证确定的初始误差，计算预设数量的所述目标特征向量对应的预测误差；判断所述预测误差是否满足预设的误差阈值；如果否，更新每个特征向量分别对应的选择变量，并执行根据所述选择变量和预设的特征重要性权重，从每个特征维度的特征向量中选择预设数量的目标特征向量的步骤；如果是，判断所述目标特征向量的数量是否满足预设的数量阈值；如果所述预测误差满足预设的误差阈值，且，所述目标特征向量的数量满足预设的数量阈值，则将当前预设数量的目标特征向量确定为所述维度特征向量。5.根据权利要求1所述的方法，其特征在于，对所述维度特征向量进行特征提取，确定目标特征参数的步骤，包括：将所述维度特征向量输入至预设的神经网络中，通过所述神经网络层对所述维度特征向量进行计算，确定初始输出结果；其中，所述神经网络包括多个神经网络层；对所述初始输出结果进行标准化操作，得到标准化结果；将所述标准化结果送入所述神经网络中，根据所述神经网络的激活函数，以及预先确定的稀疏约束参数，确定预设的神经网络层对应的目标输出结果；通过所述神经网络的损失函数对所述目标...

【专利技术属性】
技术研发人员：谷丛，张国海，徐培利，吕晖，王建，刘志海，王潇，
申请(专利权)人：北京世纪慈海科技有限公司，
类型：发明
国别省市：