基于机器学习的慢性病健康数据动态监测方法技术

本发明专利技术涉及数据处理技术领域，具体涉及基于机器学习的慢性病健康数据动态监测方法，该方法包括：获取待监测患者在预设时间段内待监测慢性病对应的每个健康监测数据；对构建的每个目标二叉树中的每个叶子结点包括的每个健康监测数据进行异常波动分析处理；确定每个叶子结点包括的每个健康监测数据对应的异常偏离指标

【技术实现步骤摘要】
基于机器学习的慢性病健康数据动态监测方法


[0001]本专利技术涉及数据处理
，具体涉及基于机器学习的慢性病健康数据动态监测方法
。

技术介绍

[0002]随着云计算
、
人工智能和大数据等技术的发展，机器学习算法不断迭代优化，为慢性病健康数据动态监测提供了强大的技术支持
。
通过结合机器学习和远程监护技术，可以实现对患者的实时监测和管理
。
这对于长期慢性病患者来说尤为重要，可以提升他们的生活质量
。
[0003]在实际应用中，通常采集慢性病的历史健康数据来进行分析，通过检测历史健康数据是否存在异常数据，判断患者是否存在慢性病病情异常，并可以在后续的动态监测过程中能够对异常快速做出响应并得到及时的治疗
。
因此，对采集的历史健康数据进行异常检测至关重要
。
对数据进行异常检测时，通常采用的方式为：根据数据所在的所有叶子结点对应的路径长度，通过孤立森林算法，对采集的数据进行异常检测
。
[0004]然而，当直接根据数据所在的所有叶子结点对应的路径长度，通过孤立森林算法，对采集的历史健康数据进行异常检测时，经常会存在如下技术问题：由于孤立森林算法中每个二叉树中同一层叶子结点对应的路径长度往往相同，但是不同的叶子结点包含的历史健康数据往往不同，可能导致同一层叶子结点中有的叶子结点包含正常数据，而有的叶子结点包含异常数据，由于路径长度与异常得分往往呈近似的正相关关系，所以可能导致在计算异常得分的过程中为某些正常数据和异常数据设置相近的异常得分，从而导致对健康数据进行异常检测的准确度较差，进而导致对慢性病健康数据进行监测的准确度较差
。

技术实现思路

[0005]本专利技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述
。
本专利技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围
。
[0006]为了解决由于对健康数据进行异常检测的准确度较差，而导致的对慢性病健康数据进行监测的准确度较差的技术问题，本专利技术提出了基于机器学习的慢性病健康数据动态监测方法
。
[0007]本专利技术提供了基于机器学习的慢性病健康数据动态监测方法，该方法包括：获取待监测患者在预设时间段内待监测慢性病对应的每个健康监测数据；根据所述预设时间段内所有健康监测数据，通过孤立森林算法，构建目标二叉树集合；对所述目标二叉树集合中的每个目标二叉树中的每个叶子结点包括的每个健康监测数据进行异常波动分析处理，得到每个叶子结点包括的每个健康监测数据对应的异常
波动指标；根据每个叶子结点所在的二叉树层中的所有健康监测数据，确定每个叶子结点包括的每个健康监测数据对应的异常偏离指标；根据每个叶子结点包括的每个健康监测数据对应的异常波动指标和异常偏离指标，以及所有目标二叉树中所有健康监测数据，确定每个叶子结点包括的每个健康监测数据对应的目标异常指标；根据每个叶子结点包括的每个健康监测数据对应的目标异常指标，对每个叶子结点对应的路径长度进行修正，得到每个叶子结点包括的每个健康监测数据对应的修正长度；根据所述预设时间段内的每个健康监测数据对应的所有修正长度，通过孤立森林算法，确定所述预设时间段内的每个健康监测数据对应的目标异常得分；根据所有目标异常得分，判断待监测患者在预设时间段内是否存在待监测慢性病病情异常
。
[0008]可选地，所述待监测慢性病为高血压，健康监测数据包括：高压数据和低压数据
。
[0009]可选地，所述对所述目标二叉树集合中的每个目标二叉树中的每个叶子结点包括的每个健康监测数据进行异常波动分析处理，得到每个叶子结点包括的每个健康监测数据对应的异常波动指标，包括：对所述预设时间段内所有健康监测数据包括的高压数据进行曲线拟合，得到高压波动曲线，并对所述预设时间段内所有健康监测数据包括的低压数据进行曲线拟合，得到低压波动曲线，其中，高压波动曲线的横坐标为采集时刻，高压波动曲线的纵坐标为高压数据，低压波动曲线的横坐标为采集时刻，低压波动曲线的纵坐标为低压数据；将所述高压波动曲线中每相邻两个极值对应的坐标点之间的曲线段，确定为高压子曲线段，并将所述低压波动曲线中每相邻两个极值对应的坐标点之间的曲线段，确定为低压子曲线段；根据所述叶子结点包括的每个健康监测数据包括的高压数据所属的高压子曲线段，以及其包括的低压数据所属的低压子曲线段，确定所述叶子结点包括的每个健康监测数据对应的异常波动指标
。
[0010]可选地，叶子结点包括的健康监测数据对应的异常波动指标对应的公式为：；；；其中，
A
imj
是第
i
个目标二叉树中第
m
个叶子结点包括的第
j
个健康监测数据对应的异常波动指标；
i
是目标二叉树集合中目标二叉树的序号；
m
是第
i
个目标二叉树中叶子结点的序号；
j
是第
m
个叶子结点包括的健康监测数据的序号；
σ
imj1
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的高压数据所在的高压子曲线段对应的高压波动因子；
σ1是所有高压子曲线段对应的高压波动因子的累加值；
a
imj
是第
i
个目标二叉树中第
m
个叶子结点包括的第
j
个健康监测数据包括的高压数据；
a
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数
据包括的高压数据所在的高压子曲线段中所有高压数据的累加值；
σ
imj2
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的低压数据所在的低压子曲线段对应的低压波动因子；
σ2是所有低压子曲线段对应的低压波动因子的累加值；
b
imj
是第
i
个目标二叉树中第
m
个叶子结点包括的第
j
个健康监测数据包括的低压数据；
b
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的低压数据所在的低压子曲线段中所有低压数据的累加值；
||
是取绝对值函数；
g
imj1
和
g
imj2
分别是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的慢性病健康数据动态监测方法，其特征在于，包括以下步骤：获取待监测患者在预设时间段内待监测慢性病对应的每个健康监测数据；根据所述预设时间段内所有健康监测数据，通过孤立森林算法，构建目标二叉树集合；对所述目标二叉树集合中的每个目标二叉树中的每个叶子结点包括的每个健康监测数据进行异常波动分析处理，得到每个叶子结点包括的每个健康监测数据对应的异常波动指标；根据每个叶子结点所在的二叉树层中的所有健康监测数据，确定每个叶子结点包括的每个健康监测数据对应的异常偏离指标；根据每个叶子结点包括的每个健康监测数据对应的异常波动指标和异常偏离指标，以及所有目标二叉树中所有健康监测数据，确定每个叶子结点包括的每个健康监测数据对应的目标异常指标；根据每个叶子结点包括的每个健康监测数据对应的目标异常指标，对每个叶子结点对应的路径长度进行修正，得到每个叶子结点包括的每个健康监测数据对应的修正长度；根据所述预设时间段内的每个健康监测数据对应的所有修正长度，通过孤立森林算法，确定所述预设时间段内的每个健康监测数据对应的目标异常得分；根据所有目标异常得分，判断待监测患者在预设时间段内是否存在待监测慢性病病情异常
。2.
根据权利要求1所述的一种基于机器学习的慢性病健康数据动态监测方法，其特征在于，所述待监测慢性病为高血压，健康监测数据包括：高压数据和低压数据
。3.
根据权利要求2所述的一种基于机器学习的慢性病健康数据动态监测方法，其特征在于，所述对所述目标二叉树集合中的每个目标二叉树中的每个叶子结点包括的每个健康监测数据进行异常波动分析处理，得到每个叶子结点包括的每个健康监测数据对应的异常波动指标，包括：对所述预设时间段内所有健康监测数据包括的高压数据进行曲线拟合，得到高压波动曲线，并对所述预设时间段内所有健康监测数据包括的低压数据进行曲线拟合，得到低压波动曲线，其中，高压波动曲线的横坐标为采集时刻，高压波动曲线的纵坐标为高压数据，低压波动曲线的横坐标为采集时刻，低压波动曲线的纵坐标为低压数据；将所述高压波动曲线中每相邻两个极值对应的坐标点之间的曲线段，确定为高压子曲线段，并将所述低压波动曲线中每相邻两个极值对应的坐标点之间的曲线段，确定为低压子曲线段；根据所述叶子结点包括的每个健康监测数据包括的高压数据所属的高压子曲线段，以及其包括的低压数据所属的低压子曲线段，确定所述叶子结点包括的每个健康监测数据对应的异常波动指标
。4.
根据权利要求3所述的一种基于机器学习的慢性病健康数据动态监测方法，其特征在于，叶子结点包括的健康监测数据对应的异常波动指标对应的公式为：；
；；其中，
A
imj
是第
i
个目标二叉树中第
m
个叶子结点包括的第
j
个健康监测数据对应的异常波动指标；
i
是目标二叉树集合中目标二叉树的序号；
m
是第
i
个目标二叉树中叶子结点的序号；
j
是第
m
个叶子结点包括的健康监测数据的序号；
σ
imj1
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的高压数据所在的高压子曲线段对应的高压波动因子；
σ1是所有高压子曲线段对应的高压波动因子的累加值；
a
imj
是第
i
个目标二叉树中第
m
个叶子结点包括的第
j
个健康监测数据包括的高压数据；
a
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的高压数据所在的高压子曲线段中所有高压数据的累加值；
σ
imj2
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的低压数据所在的低压子曲线段对应的低压波动因子；
σ2是所有低压子曲线段对应的低压波动因子的累加值；
b
imj
是第
i
个目标二叉树中第
m
个叶子结点包括的第
j
个健康监测数据包括的低压数据；
b
是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的低压数据所在的低压子曲线段中所有低压数据的累加值；
||
是取绝对值函数；
g
imj1
和
g
imj2
分别是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的高压数据所在的高压子曲线段的两个端点对应的纵坐标；
t
imj1
和
t
imj2
分别是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的高压数据所在的高压子曲线段的两个端点对应的横坐标；
G
imj1
和
G
imj2
分别是第
i
个目标二叉树中，第
m
个叶子结点包括的第
j
个健康监测数据包括的低压数据所在的低压子曲线段的两个端点对应的纵坐标；
T
im...

【专利技术属性】
技术研发人员：肖俊，赵海珠，彭嘉聪，
申请(专利权)人：北京珺安惠尔健康科技有限公司，
类型：发明
国别省市：