【技术实现步骤摘要】
本专利技术涉及一种心脏年龄预测方法，具体地，涉及一种通过将用户的生物信号数据输入到基于与心脏疾病相关的信息预先学习的人工神经网络模型中来预测心脏年龄的方法。
技术介绍
1、正在积极研究利用光体积描记图(ppg)、心电图(ecg)等生物信号数据探测及预测各种心血管疾病的多种方法。然而，这些方法大多数只提示针对特定类型心血管疾病的分类结果，而不提供与用户的整体心脏健康状况有关的信息。
2、另一方面，可以使用心脏年龄(heart age)作为可提供与整体心脏健康状况有关的信息的指标。心脏年龄可以通过与用户的实足年龄(chronological age)之间的差值提供针对用户心脏的整体健康状况的直观信息。例如，若推定的心脏年龄大于用户的实足年龄，则可以用作表明用户心脏的健康状况相对于自身实足年龄差，进而用户心血管疾病风险较高的信息。
3、作为测量心脏年龄的传统手段，只研究出在判断用户是否具有产生心血管疾病的危险因素之后，将其代入规定公式来间接计算用户的心脏年龄的测量方法或侵入式测量方法。然而，这些方法不仅在推定心脏年龄方面不够准确，而且无法提供与用户的心脏年龄相关的多维分析，例如患有心脏疾病的可能性、针对心脏年龄的日后变化的预测。
4、因此，为了提供与用户整体心脏健康状况有关的信息，本领域需要一种比现有技术更准确的非侵入式心脏年龄预测方法以及将心脏年龄信息与关联信息综合连接的方法。
5、韩国授权专利第2309022(2021年09月29日)公开一种基于人工智能的生物信号远程监测系统。>
技术实现思路
1、技术问题
2、本专利技术是针对上述
技术介绍
而提出的，其目的在于，通过基于与心脏疾病相关的信息预先学习的人工神经网络模型接收用户的生物信号数据，更准确地推定用户的心脏年龄，分析推定的心脏年龄信息，生成与未来心脏年龄有关的预测信息。
3、技术方案
4、根据用于实现上述技术问题的本专利技术一实施例，公开一种由计算装置执行以推定心脏年龄的方法。上述方法可包括如下步骤：获取用户的生物信号数据；以及使用预先学习的人工神经网络模型，基于上述用户的生物信号数据推定上述用户的心脏年龄，上述预先学习的人工神经网络模型可以对应于基于与心脏疾病相关的信息预先学习的人工神经网络模型。
5、在替代性实施例中，上述预先学习的人工神经网络模型对应于通过监督学习来预先学习的人工神经网络模型，用于上述监督学习的学习数据包括：输入数据，包含测量的生物信号数据；以及正确答案标签(label)，包含与测量的上述生物信号数据相关的用户的年龄信息。
6、在替代性实施例中，上述预先学习的人工神经网络模型可以对应于基于实现为预测心脏疾病的心脏疾病模型通过迁移学习来学习的人工神经网络模型。
7、在替代性实施例中，上述预先学习的人工神经网络模型可以对应于基于如下步骤迁移学习的人工神经网络模型：获取完成学习的上述心脏疾病模型；以及使用与年龄推定相关的学习数据，调整(tuning)上述心脏疾病模型的加权值。
8、在替代性实施例中，上述预先学习的人工神经网络模型可以包括基于实现为分别预测多个心脏疾病的多个心脏疾病模型通过迁移学习来学习的多个人工神经网络模型，上述预先学习的人工神经网络模型的架构(architecture)可以包括集成上述多个人工神经网络模型的架构。
9、在替代性实施例中，集成上述多个人工神经网络模型的架构可以指定针对上述多个心脏疾病的多个概率作为加权值，包括用于使用上述加权值对上述多个人工神经网络模型的输出值进行加权平均的人工神经网络架构。
10、在替代性实施例中，上述方法还可以包括如下步骤：生成针对通过上述预先学习的人工神经网络模型推定的用户的心脏年龄的分析信息，上述分析信息可以包括：与通过上述预先学习的人工神经网络模型推定的用户的心脏年龄有关的信息；与上述用户在同年龄段用户的心脏年龄分布中的位置有关的信息；以及与同主要心脏疾病用户群进行比较有关的信息。
11、在替代性实施例中，上述方法还可以包括如下步骤：使用上述预先学习的人工神经网络模型，基于上述用户的推定的心脏年龄生成针对上述用户的未来心脏年龄的预测信息。
12、在替代性实施例中，使用上述预先学习的人工神经网络模型，基于上述用户的推定的心脏年龄生成针对上述用户的未来心脏年龄的预测信息的步骤可以包括如下步骤：使用上述预先学习的人工神经网络模型，基于推定的上述心脏年龄信息及过去生物信号数据生成针对未来心脏年龄的预测信息。
13、在替代性实施例中，能够在不同时间间隔下测量上述过去生物信号数据。
14、在替代性实施例中，上述预先学习的人工神经网络模型可以对应于通过监督学习来预先学习的人工神经网络模型，用于上述监督学习的学习数据可以包括：输入数据，包含在特定期间测量的多个生物信号数据；以及正确答案标签(label)，包含与从上述特定期间经过任意时间的时间点关联的心脏年龄信息。
15、在替代性实施例中，上述预先学习的人工神经网络模型可以包括门控循环单元(gated recurrent unit)；或长短期记忆(long short-term memory)中的至少一个。
16、在替代性实施例中，上述预先学习的人工神经网络模型可以对应于通过包括如下步骤中的至少一个来预先学习的人工神经网络模型：利用插值网络(interpolation)对上述用户的上述过去生物信号数据进行插值(imputation)来反映到学习中；或者向上述人工神经网络模型的输入层和隐藏层导入衰减率(decay rate)。
17、根据用于实现上述技术问题的本专利技术一实施例，公开一种用于推定心脏年龄的计算机程序。上述程序可以包括如下操作：获取用户的生物信号数据；以及使用预先学习的人工神经网络模型，基于上述用户的生物信号数据推定上述用户的心脏年龄，上述预先学习的人工神经网络模型可以对应于基于与心脏疾病相关的信息预先学习的人工神经网络模型。
18、根据用于实现上述技术问题的本专利技术一实施例，公开一种用于推定心脏年龄的计算装置。上述计算装置可以包括：处理器，包括一个以上内核；网络部，用于接收一个以上生物信号数据；以及存储器，上述处理器可以获取用户的生物信号数据，使用预先学习的人工神经网络模型，基于上述用户的生物信号数据推定上述用户的心脏年龄，上述预先学习的人工神经网络模型可以对应于基于与心脏疾病相关的信息预先学习的人工神经网络模型。
19、专利技术的效果
20、本专利技术可通过将用户的生物信号输入到人工神经网络来推定用户的心脏年龄，提供对此的分析结果，并输出针对用户未来心脏年龄的预测信息。
本文档来自技高网...【技术保护点】
1.一种由计算装置执行以推定心脏年龄的方法，其特征在于，
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，上述预先学习的人工神经网络模型对应于基于实现为预测心脏疾病的心脏疾病模型通过迁移学习来学习的人工神经网络模型。
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求3所述的方法，其特征在于，
6.根据权利要求5所述的方法，其特征在于，集成上述多个人工神经网络模型的架构指定针对上述多个心脏疾病的多个概率作为加权值，包括用于使用上述加权值对上述多个人工神经网络模型的输出值进行加权平均的人工神经网络架构。
7.根据权利要求1所述的方法，其特征在于，
8.根据权利要求1所述的方法，其特征在于，还包括如下步骤：使用上述预先学习的人工神经网络模型，基于上述用户的推定的心脏年龄生成针对上述用户的未来心脏年龄的预测信息。
9.根据权利要求8所述的方法，其特征在于，
10.根据权利要求9所述的方法，其特征在于，能够在不同时间间隔下测量上述过去
11.根据权利要求9所述的方法，其特征在于，
12.根据权利要求9所述的方法，其特征在于，
13.一种存储于计算机可读存储介质的计算机程序，包含用于使计算装置执行多个操作的多个指令，其特征在于，
14.一种计算装置，其特征在于，
...【技术特征摘要】
1.一种由计算装置执行以推定心脏年龄的方法，其特征在于，
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，上述预先学习的人工神经网络模型对应于基于实现为预测心脏疾病的心脏疾病模型通过迁移学习来学习的人工神经网络模型。
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求3所述的方法，其特征在于，
6.根据权利要求5所述的方法，其特征在于，集成上述多个人工神经网络模型的架构指定针对上述多个心脏疾病的多个概率作为加权值，包括用于使用上述加权值对上述多个人工神经网络模型的输出值进行加权平均的人工神经网络架构。
7.根据权利要求...
【专利技术属性】
技术研发人员：朱性勳，张民玉，金京槿，李晟在，罗煐演，
申请(专利权)人：福诺有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。