【技术实现步骤摘要】
本专利技术涉及智慧健康，具体涉及一种基于健康数据预测用户近期健康状态的系统。
技术介绍
1、随着健康意识的提高和医疗科技的不断发展，健康管理和监测变得越来越重要。人们越来越关心自己的健康状况，希望能够及时了解和预防潜在的健康问题。因此，健康管理系统成为了一种受欢迎的工具，它可以帮助用户收集、分析和管理与健康相关的数据，以提供个性化的健康建议和预测。然而，传统的健康管理系统仍然存在一些问题和限制。这些问题包括数据采集的不足、对健康状态的精确预测能力不足以及个性化建议的不足。
2、传统的健康管理系统通常依赖于用户手动输入健康数据或仅仅依赖于有限的数据源，如智能手表或手机应用程序。这种方式存在着数据采集的不足问题，因为用户可能不愿意频繁地手动输入数据，而且依赖于有限的数据源可能会导致数据的不完整性。传统的健康管理系统在预测用户的健康状态方面存在一定的局限性。它们通常使用基本的统计模型或规则来进行预测，缺乏足够的精确性和准确性。这使得用户很难得到准确的健康状态预测，从而无法采取适当的行动来维护或改善他们的健康。每个人的健康状况都是独特的，因此需要个性化的健康建议。然而，传统的健康管理系统通常提供通用性的建议，而未能根据用户的具体情况提供个性化的建议。这可能导致用户不知道如何根据他们的健康需求来调整他们的生活方式和习惯。
技术实现思路
1、本专利技术的主要目的是提供一种基于健康数据预测用户近期健康状态的系统，通过自动采集多项健康数据，例如心率、血压、血糖和体温等，提高了数据的完整
2、为解决上述技术问题，本专利技术提供一种基于健康数据预测用户近期健康状态的系统，所述系统包括：健康数据采集部分、健康状态链构建部分、健康预测计算部分和健康得分计算部分；所述健康数据采集部分，用于采集用户在每个时间点下的多项健康数据，组成健康数据集；所述健康状态链构建部分，用于对健康数据集进行特征提取，得到特征向量，使用马尔可夫链来建模特征向量之间的转移关系，以生成用户的健康状态链；所述健康预测计算部分，用于根据马尔可夫链，计算健康状态链的转移概率矩阵，构建一个马尔可夫短时记忆网络来捕捉健康状态链中的动态信息，在马尔可夫短时记忆网络中，输入是健康状态链中的状态序列，输出是下一个时间点的状态预测；健康得分计算部分，用于根据状态预测，计算用户的健康得分，同时，将状态预测添加到健康状态链中，更新健康状态链的长度，得到新的健康状态链。
3、进一步的，在每个时间点ti，健康数据采集部分采集到的多项健康数据至少包括：心率rti、血压bpti、血糖bgti和体温tempti；组成的健康数据集其中，n为时间点的数量。
4、进一步的，健康状态链构建部分，对健康数据集进行特征提取，得到特征向量的方法包括：将健康数据集d中的多项健康数据表示为矩阵x，其中每一行xi对应一个时间点ti的多项健康数据；使用双重字典学习方法，通过优化目标函数来学习两个字典矩阵d1和d2，分别用于表示样本数据和特征；对于每个时间点ti，使用字典d1表示样本数据xi，使用如下公式，计算得到稀疏编码ci：
5、
6、其中，表示二阶l2范数；||.||1表示一阶l1范数；λ1为id一正则化参数，取值范围为0.4到0.6；再使用如下公式，计算得到特征向量fti：
7、
8、进一步的，目标函数使用如下公式进行表示：
9、
10、其中，表示2阶frobenius范数，λ2为第二正则化参数，取值范围为0.3到0.45。
11、进一步的，健康状态链构建部分，使用马尔可夫链来建模特征向量之间的转移关系，以生成用户的健康状态链的方法包括：
12、步骤1：定义多维状态空间的维度k，并初始化转移概率矩阵其中，
13、步骤2：定义状态转移函数f，其基于时间步长δt，描述当前状态sti和目标状态st(i+1)之间的关系；
14、步骤3：对于初始状态st1，根据时间依赖的初始状态分布进行初始化；
15、步骤4：根据时间点ti的特征向量fti和当前状态sti，使用状态转移函数f(sti，st(i-1)，fti，δt)计算下一个时间点t(i+1)的状态st(i+1)；其中，p(st(i-1)|sti)＝f(sti，st(i-1)，δt)；重复步骤4，直到生成整个健康状态链其中，f(sti，st(i-1)，δt)＝a(sti-st(i-1))+bδt；其中，a为线性系数，b为线性截距，均为设定值；f(sti，st(i-1)，fti，δt)＝|fti|*a(sti-st(i-1))+bδt。
16、进一步的，使用如下公式进行表示：
17、
18、其中，次数表示状态sti到状态的转移次数，次数(sti)表示状态sti出现的次数。
19、进一步的，所述健康预测计算部分，用于根据马尔可夫链，计算健康状态链的转移概率矩阵时，将每个时间点的状态sti视为一个多维高斯分布，使用如下公式，得到健康状态链的转移概率矩阵hp(st(i+1)|sti)：
20、
21、其中，z是归一化因子，μt(i+1)是st(i+1)的均值向量，∑t(i+1)是st(i+1)的协方差矩阵。
22、进一步的，所述健康预测计算部分构建一个马尔可夫短时记忆网络来捕捉健康状态链h中的动态信息；马尔可夫短时记忆网络的输入是h中的状态序列，输出是状态预测st(n+1)；马尔可夫短时记忆网络包含隐藏状态h，状态转移权重矩阵w，以及激活函数f，使用如下公式进行表示：
23、
24、其中，f()为双曲正切函数；hti为健康状态链h中第ti个元素。
25、进一步的，健康得分计算部分，使用如下公式，根据状态预测，计算用户的健康得分：
26、hscore＝r(st(n+1))；
27、其中，r()为求矩阵的秩的运算。
28、本专利技术的一种基于健康数据预测用户近期健康状态的系统，具有以下有益效果：传统的健康管理系统在对用户的健康状态进行预测时通常采用基本的统计模型或规则，这限制了预测的精确性和准确性。本专利技术的健康状态链构建部分采用了双重字典学习方法，通过学习两个字典矩阵来提取特征并建模特征向量之间的转移关系。这一创新技术不仅提高了对健康状态的预测能力，还可以更好地识别潜在的健康问题。用户可以更早地了解到潜在的风险因素，采取相应的预防措施，有助于健康问题的早期干预。本专利技术的健康管理系统不仅收集健康数据，还采用了高级的数据分析和预测技术。通过双重字典学习和马尔可夫链建模，系统能够更全面地分析用户的健康数据本文档来自技高网...
【技术保护点】
1.一种基于健康数据预测用户近期健康状态的系统，其特征在于，所述系统包括：健康数据采集部分、健康状态链构建部分、健康预测计算部分和健康得分计算部分；所述健康数据采集部分，用于采集用户在每个时间点下的多项健康数据，组成健康数据集；所述健康状态链构建部分，用于对健康数据集进行特征提取，得到特征向量，使用马尔可夫链来建模特征向量之间的转移关系，以生成用户的健康状态链；所述健康预测计算部分，用于根据马尔可夫链，计算健康状态链的转移概率矩阵，构建一个马尔可夫短时记忆网络来捕捉健康状态链中的动态信息，在马尔可夫短时记忆网络中，输入是健康状态链中的状态序列，输出是下一个时间点的状态预测；健康得分计算部分，用于根据状态预测，计算用户的健康得分，同时，将状态预测添加到健康状态链中，更新健康状态链的长度，得到新的健康状态链。
2.如权利要求1所述的基于健康数据预测用户近期健康状态的系统，其特征在于，在每个时间点ti，健康数据采集部分采集到的多项健康数据至少包括：心率Rti、血压BPti、血糖BGti和体温Tempti；组成的健康数据集其中，N为时间点的数量。
3.如权利要求2
4.如权利要求3所述的基于健康数据预测用户近期健康状态的系统，其特征在于，目标函数使用如下公式进行表示：
5.如权利要求4所述的基于健康数据预测用户近期健康状态的系统，其特征在于，健康状态链构建部分，使用马尔可夫链来建模特征向量之间的转移关系，以生成用户的健康状态链的方法包括：
6.如权利要求5所述的基于健康数据预测用户近期健康状态的系统，其特征在于，使用如下公式进行表示：
7.如权利要求6所述的基于健康数据预测用户近期健康状态的系统，其特征在于，所述健康预测计算部分，用于根据马尔可夫链，计算健康状态链的转移概率矩阵时，将每个时间点的状态Sti视为一个多维高斯分布，使用如下公式，得到健康状态链的转移概率矩阵HP(St(i+1)∣Sti)：
8.如权利要求7所述的基于健康数据预测用户近期健康状态的系统，其特征在于，所述健康预测计算部分构建一个马尔可夫短时记忆网络来捕捉健康状态链H中的动态信息；马尔可夫短时记忆网络的输入是H中的状态序列，输出是状态预测St(N+1)；马尔可夫短时记忆网络包含隐藏状态h，状态转移权重矩阵W，以及激活函数f，使用如下公式进行表示：
9.如权利要求8所述的基于健康数据预测用户近期健康状态的系统，其特征在于，健康得分计算部分，使用如下公式，根据状态预测，计算用户的健康得分：
...【技术特征摘要】
1.一种基于健康数据预测用户近期健康状态的系统，其特征在于，所述系统包括：健康数据采集部分、健康状态链构建部分、健康预测计算部分和健康得分计算部分；所述健康数据采集部分，用于采集用户在每个时间点下的多项健康数据，组成健康数据集；所述健康状态链构建部分，用于对健康数据集进行特征提取，得到特征向量，使用马尔可夫链来建模特征向量之间的转移关系，以生成用户的健康状态链；所述健康预测计算部分，用于根据马尔可夫链，计算健康状态链的转移概率矩阵，构建一个马尔可夫短时记忆网络来捕捉健康状态链中的动态信息，在马尔可夫短时记忆网络中，输入是健康状态链中的状态序列，输出是下一个时间点的状态预测；健康得分计算部分，用于根据状态预测，计算用户的健康得分，同时，将状态预测添加到健康状态链中，更新健康状态链的长度，得到新的健康状态链。
2.如权利要求1所述的基于健康数据预测用户近期健康状态的系统，其特征在于，在每个时间点ti，健康数据采集部分采集到的多项健康数据至少包括：心率rti、血压bpti、血糖bgti和体温tempti；组成的健康数据集其中，n为时间点的数量。
3.如权利要求2所述的基于健康数据预测用户近期健康状态的系统，其特征在于，健康状态链构建部分，对健康数据集进行特征提取，得到特征向量的方法包括：将健康数据集d中的多项健康数据表示为矩阵x，其中每一行xi对应一个时间点ti的多项健康数据；使用双重字典学习方法，通过优化目标函数来学习两个字典矩阵d1和d2，分别用于表...
【专利技术属性】
技术研发人员：罗宁政，王立法，贾佳，欧阳斌，
申请(专利权)人：深圳市维康致远科技有限公司，
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。