【技术实现步骤摘要】
本申请涉及计算机，特别涉及一种基于穿戴设备的健康状态监控方法、装置、介质及设备。
技术介绍
1、相关技术中，为满足现代人对健康、运动方面日益增长的需求，健康监测产品，例如监测血压的电子血压计、监测血糖的电子血糖仪，它们仅能提供单一的指标监测，无法做到连续动态监测，无法满足人们对于健康监测及提前预警与及时警报的需求，从而提升了用户出现突发状况的风险。
技术实现思路
1、本申请实施例提供了一种基于穿戴设备的健康状态监控方法、装置、介质及设备。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
2、第一方面，本申请实施例提供了一种基于穿戴设备的健康状态监控方法，应用于服务端，方法包括：
3、从时序数据库中，获取预设周期内待分析对象的多条人体体征数据；其中，时序数据库用于按照时间的先后顺序逐一存储穿戴设备实时上报至服务端的人体体征数据；
4、根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图；
5、将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征；其中，预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征是采用卷积神经网络、递归神经网络、感兴
6、根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险；其中，预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；
7、在待分析对象存在健康状态异常风险时，生成待分析对象的身体状态预警信息上报至预警客户端。
8、可选的，预先训练的身体状况分析模型包括卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；
9、将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征，包括：
10、采用感兴趣区域坐标生成模块识别各身体指标对应的参数变化曲线图中存在的指标异常区域；
11、采用旋转采样模块对指标异常区域进行比例转换、随机平移以及旋转采样，生成多个异常区域视图；
12、采用卷积神经网络对每个异常区域视图的空间信息进行编码，得到曲线图空间特征；其中，曲线图空间特征用于表征异常区域视图中参数变化的位置关系；
13、采用递归神经网络对每个异常区域视图的时间信息进行编码，得到曲线图时间特征；曲线图时间特征用于表征异常区域视图中参数变化的时间先后顺序关系；
14、将曲线图空间特征和曲线图时间特征输入分类器，输出待分析对象对应的身体状态特征。
15、可选的，按照以下步骤生成预先训练的身体状况分析模型，包括：
16、从历史体检报告集中，提取每个用户的各历史身体指标；
17、根据每个用户的各历史身体指标，预测每个用户在一段时间内的各身体指标对应的历史参数变化曲线图；
18、针对每个用户在一段时间内的各身体指标对应的历史参数变化曲线图，标注身体状态特征的特征标签，得到样本集；
19、创建身体状况分析模型；身体状况分析模型包括采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；
20、采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块将样本集中各样本进行处理，得到各样本的空间特征和时间特征；
21、将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器，输出分类器的损失值；
22、根据损失值，生成预先训练的身体状况分析模型。
23、可选的，根据损失值，生成预先训练的身体状况分析模型，包括：
24、在损失值到达最小时，生成预先训练的身体状况分析模型；
25、或者，
26、在损失值未到达最小时，更新分类器的参数，并继续执行将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器的步骤，直到损失值到达最小；其中，
27、分类器的损失函数为：
28、
29、其中，表示样本集中第个样本，表示分类的损失，表示分类器对第样本预测的身体状态特征，表示对第样本标注的特征标签，是平衡空间损失和时间损失的权重，表示预测的身体状态特征与标注的特征标签之间的差异损失，表示第个样本的空间特征，表示第个样本的时间特征。
30、可选的，各身体指标包括体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标；
31、根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图，包括：
32、从多条人体体征数据中，分别提取体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据；
33、将提取的体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据按照时间的先后顺序进行排序，得到体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据序列；
34、拟合出每个人体体征数据序列中各人体体征数据的位置点以及标注位置点的参数，并将位置点依次连线，得到待分析对象在预设周期内各身体指标对应的参数变化曲线图。
35、可选的，预先建立的知识库包括身体指标和聚类对象的映射关系；
36、根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险，包括：
37、根据待分析对象的多条人体体征数据，确定待分析对象对应的实际身体指标；
38、从身体指标和聚类对象的映射关系中，获取实际身体指标对应的聚类对象所指示的记录值，得到聚类结果；
39、计算待分析对象对应的身体状态特征与聚类结果中聚类质心之间的目标距离；
40、在目标距离大于预设阈值的情况下，确定待分析对象存在健康状态异常风险。
41、可选的，按照以下方式生成预先建立的知识库，包括：
42、收集各历史病例数据，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；
43、根据医疗设备检查的人体指标参数，得到各个患者的身体指标；
44、根据医疗设备检查的人体指标参数所关联的数据，确定各患者的聚类对象；
<本文档来自技高网...【技术保护点】
1.一种基于穿戴设备的健康状态监控方法，其特征在于，应用于服务端，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预先训练的身体状况分析模型包括卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；
3.根据权利要求2所述的方法，其特征在于，按照以下步骤生成预先训练的身体状况分析模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述损失值，生成预先训练的身体状况分析模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述各身体指标包括体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标；
6.根据权利要求1所述的方法，其特征在于，所述预先建立的知识库包括身体指标和聚类对象的映射关系；
7.根据权利要求1所述的方法，其特征在于，按照以下方式生成预先建立的知识库，包括：
8.一种基于穿戴设备的健康状态监控装置，其特征在于，所述装置包括：
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所
10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
...【技术特征摘要】
1.一种基于穿戴设备的健康状态监控方法，其特征在于，应用于服务端，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预先训练的身体状况分析模型包括卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；
3.根据权利要求2所述的方法，其特征在于，按照以下步骤生成预先训练的身体状况分析模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述损失值，生成预先训练的身体状况分析模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述各身体指标包括体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指...
【专利技术属性】
技术研发人员：陈建群，裘加林，张乐，吴晓树，冯会卿，
申请(专利权)人：微脉技术有限公司，
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。