基于深度学习-机器学习的老人健康预测分析系统及方法技术方案

本发明专利技术公开了一种基于深度学习

【技术实现步骤摘要】
基于深度学习
‑
机器学习的老人健康预测分析系统及方法


[0001]本专利技术涉及深度学习和智慧养老健康预测提示
，尤其涉及一种基于深度学习
‑
机器学习的老人健康预测分析系统及方法。

技术介绍

[0002]根据第七次全国人口普查数据情况，我国人口老龄化程度进一步加深，已成为世界上老年人口最多的国家，我国60岁以上的人口大约为2.6亿人，占18.7％，我国人口老龄化进一步加深，到2050年我国将进入重度老龄化阶段，养老是中国关系国计民生的重大课题，居家养老健康保障需求更是与日俱增。其中无子女或子女不在身边的居家老人占据很大比重，“独居老人”的居家健康安全尤其牵动着每一位子女的心。
[0003]随着年龄的增长，老人通常患有不同程度的慢性疾病，潜伏时间长，较难及时发现，一旦意外发生，则会对老人身体健康产生不可挽回的影响。
[0004]目前市场上的老人居家健康医疗方法大多采用线下就医或电话咨询上门人工护理等方式，数据智能化方式并未触及，已经不能满足现在独居老人看护的需求。如何将居家养老与数字智能技术融合，实现老人居家智慧健康养老是现阶段众多企业一直思考的问题。
[0005]基于上述情况，搭建一个居家智慧养老健康监测分析系统，则是实现居家养老的一种安全可靠的方式。本专利技术提出一种基于深度学习
‑
机器学习的老人健康预测分析系统及方法。从老人居家健康管理实际工作出发，应用体温、心率、血压、血氧等多维数据，基于所测得的长期生理历史数据，构建基于Transformer和XGBoost大数据预测分析模型，实现老人健康状态实时检测及对老人健康状况是否正常进行提前分析和预测，发现问题及时预警和急救，为健康护理提供参考，既保障老年人生命健康安全，提高生活质量和幸福感，同时解除子女后顾之忧。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于深度学习
‑
机器学习的老人健康预测分析系统及方法，可以实现对老人健康状态实时检测及对老人健康状况是否正常进行提前分析和预测的效果。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于深度学习
‑
机器学习的老人健康预测分析系统，包括依次通信连接的数据处理模块、Transformer深度学习模型模块、XGBoost机器学习模型模块、大数据智能健康监测平台模块，其中，
[0009]数据处理模块，用于获取生理时间序列信息数据并建立用户生理数据库；
[0010]Transformer深度学习模型模块，用于建立时序预测模型，对数据库中输入的生理时间序列信息数据进行预测得到下一阶段的生理预测数据，并判断生理预测数据及变化趋势是否正常；
[0011]XGBoost机器学习模型模块，用于根据生理预测数据预测未来预设时间段内老人健康状况是否正常并判断老人是否需要医疗护理；
[0012]大数据智能健康监测平台模块，用于通过web端和手机端进行包括但不限于数据的管理、健康状态的风险提示预警、短信提示和120电话智能救助。
[0013]上述的系统，可选的，数据处理模块包括依次通信连接的数据库输入单元和数据库单元；
[0014]数据库输入单元采用穿戴式人体生理信息采集设备，用于采集老人各项生理时间序列信息数据；
[0015]数据库单元用于接收由穿戴式设备采集的老人日常各项生理时间序列信息数据并建立用户生理数据库。
[0016]上述的系统，可选的，Transformer深度学习模型模块包括Transformer深度学习模型生理数据预测单元和预测数据分析单元；预测数据分析单元的输入端与Transformer深度学习模型生理数据预测单元的输出端通信连接；
[0017]Transformer深度学习模型生理数据预测单元用于建立时序预测模型；
[0018]预测数据分析单元用于对数据库中的输入数据进行预测得到下一阶段的生理预测数据，并判断预测值及其变化是否异常。
[0019]上述的系统，可选的，XGBoost机器学习模型模块包括XGBoost机器学习健康分析模型单元和健康分析单元；健康分析单元的输入端与XGBoost机器学习健康分析模型单元的输出端通信连接；
[0020]XGBoost机器学习健康分析模型单元用于建立机器学习健康分析模型；
[0021]健康分析单元用于判断老人当前健康状态和预测未来预设时间段内老人健康状况是否正常并判断老人是否需要医疗护理。
[0022]上述的系统，可选的，大数据智能健康监测平台模块还包括web端服务单元和手机端通信单元；web端服务单元用于实现历史数据及预测数据的管理和老人健康状态风险提示预警，手机端用于实时传输预警短信提示并实现在老人出现紧急情况时的120电话智能救助。
[0023]一种基于深度学习
‑
机器学习的老人健康预测分析方法，应用于一种基于深度学习
‑
机器学习的老人健康预测分析系统，包括以下步骤：
[0024]S1数据库输入单元采用穿戴式人体生理信息采集设备采集老人各项生理时间序列信息数据V1，将采集到的老人各项生理时间序列信息数据V1传至数据库单元构建用户生理数据库；
[0025]S2 Transformer深度学习模型生理数据预测单元根据S1中建立的用户生理数据库中的老人各项生理时间序列信息数据V1建立时序预测模型；
[0026]S3预测数据分析单元根据S2中建立的时序预测模型对老人各项生理时间时序信息数据V1进行预测得到未来预设时间段内的生理预测数据预测V2，并判断生理预测数据V2的数值及变化趋势是否有异常；
[0027]S4 XGBoost机器学习健康分析模型单元根据S3中预测到的生理数据预测值V2建立机器学习健康分析模型；
[0028]S5健康分析单元根据S4中建立的机器学习健康分析模型，判断老人当前身体健康
状态是否正常，并预测判断未来预设时间段内老人健康状况是否正常进行预警提示，为老人是否需要医疗护理做参考，同时预测老人的未来身心健康发展；
[0029]S6根据S5中做出的预测和判断，大数据智能健康监测平台模块通过web端来实现数据的管理和健康状态的风险提示预警以及通过手机端实现短信提示和120电话智能救助。
[0030]上述的方法，可选的，老人各项生理时间序列信息数据V1包括但不限于血压、血糖、血氧、心率、体温、运动步数。
[0031]上述的方法，可选的，在S3中，预测数据分析单元根据S2中建立的时序预测模型对老人各项生理时间序列信息数据V1进行预测得到未来预设时间段内的生理预测数据V2，具体包括以下步骤：
[0032]S301输入inputs embedding，给每个输入添加位置编码PE，PE计算公式为：
[0033][0034][0035]其中，pos表示单个生理数据相对于该数据列的绝对位置，d...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习
‑
机器学习的老人健康预测分析系统，其特征在于，包括依次通信连接的数据处理模块、Transformer深度学习模型模块、XGBoost机器学习模型模块、大数据智能健康监测平台模块，其中，数据处理模块，用于获取生理时间序列信息数据并建立用户生理数据库；Transformer深度学习模型模块，用于建立时序预测模型，对数据库中输入的生理时间序列信息数据进行预测得到下一阶段的生理预测数据，并判断生理预测数据及变化趋势是否正常；XGBoost机器学习模型模块，用于根据生理预测数据预测未来预设时间段内老人健康状况是否正常并判断老人是否需要医疗护理；大数据智能健康监测平台模块，用于通过web端和手机端进行包括但不限于数据的管理、健康状态的风险提示预警、短信提示和120电话智能救助。2.根据权利要求1所述的一种基于深度学习
‑
机器学习的老人健康预测分析系统，其特征在于，数据处理模块包括依次通信连接的数据库输入单元和数据库单元；数据库输入单元采用穿戴式人体生理信息采集设备，用于采集老人各项生理时间序列信息数据；数据库单元用于接收由穿戴式设备采集的老人日常各项生理时间序列信息数据并建立用户生理数据库。3.根据权利要求1所述的一种基于深度学习
‑
机器学习的老人健康预测分析系统，其特征在于，Transformer深度学习模型模块包括Transformer深度学习模型生理数据预测单元和预测数据分析单元；预测数据分析单元的输入端与Transformer深度学习模型生理数据预测单元的输出端通信连接；Transformer深度学习模型生理数据预测单元用于建立时序预测模型；预测数据分析单元用于对数据库中的输入数据进行预测得到下一阶段的生理预测数据，并判断预测值及其变化是否异常。4.根据权利要求1所述的一种基于深度学习
‑
机器学习的老人健康预测分析系统，其特征在于，XGBoost机器学习模型模块包括XGBoost机器学习健康分析模型单元和健康分析单元；健康分析单元的输入端与XGBoost机器学习健康分析模型单元的输出端通信连接；XGBoost机器学习健康分析模型单元用于建立机器学习健康分析模型；健康分析单元用于判断老人当前健康状态和预测未来预设时间段内老人健康状况是否正常并判断老人是否需要医疗护理。5.根据权利要求1所述的一种基于深度学习
‑
机器学习的老人健康预测分析系统，其特征在于，大数据智能健康监测平台模块还包括web端服务单元和手机端通信单元；web端服务单元用于实现历史数据及预测数据的管理和老人健康状态风险提示预警，手机端用于实时传输预警短信提示并实现在老人出现紧急情况时的120电话智能救助。6.一种基于深度学习
‑
机器学习的老人健康预测分析方法，其特征在于，应用于权利要
求1
‑
5任一项所述的一种基于深度学习
‑
机器学习的老人健康预测分析系统，包括以下步骤：S1数...

【专利技术属性】
技术研发人员：曹祥红，耿鑫，郭佳雯，李晨旭，王鑫雨，吴坤宁，胡政宇，刘恒源，安厚儒，翟锦龙，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：