本發(fā)明涉及健康管理，尤其涉及基于大數(shù)據(jù)的身體健康狀態(tài)監(jiān)控方法及系統(tǒng)。

背景技術(shù)：

1、隨著生活水平的提高和醫(yī)療技術(shù)的發(fā)展，人們對(duì)健康管理的需求日益增加。通過(guò)大數(shù)據(jù)技術(shù)，能夠?qū)崟r(shí)、全面地監(jiān)測(cè)和分析個(gè)體的健康數(shù)據(jù)，為預(yù)防疾病、改善健康狀況提供有力支持。大數(shù)據(jù)在健康監(jiān)控中的應(yīng)用，不僅提高了數(shù)據(jù)處理的效率和準(zhǔn)確性，還為個(gè)性化健康管理提供了科學(xué)依據(jù)。

2、現(xiàn)有技術(shù)（中國(guó)發(fā)明專利，公開(kāi)號(hào)：cn117174317b，名稱：一種全生命周期的健康管理服務(wù)平臺(tái)）主要依賴于健康監(jiān)測(cè)設(shè)備和數(shù)據(jù)處理模塊，通過(guò)傳統(tǒng)的數(shù)據(jù)采集、數(shù)據(jù)清洗和標(biāo)準(zhǔn)化等手段進(jìn)行健康狀態(tài)分析和評(píng)估。然而，這些技術(shù)存在以下不足：

3、現(xiàn)有技術(shù)的數(shù)據(jù)處理模塊雖然能夠進(jìn)行數(shù)據(jù)清洗和轉(zhuǎn)換，但對(duì)多模態(tài)數(shù)據(jù)的融合處理效果較差，導(dǎo)致健康數(shù)據(jù)的質(zhì)量不高，影響了后續(xù)的分析結(jié)果；

4、健康狀態(tài)分析和健康評(píng)估模型采用較為簡(jiǎn)單的計(jì)算方法，缺乏對(duì)復(fù)雜健康數(shù)據(jù)的深度分析和預(yù)測(cè)，導(dǎo)致評(píng)估結(jié)果的準(zhǔn)確性和適用性不足；

5、現(xiàn)有技術(shù)提供的健康建議主要基于簡(jiǎn)單的對(duì)比和篩選，無(wú)法充分考慮用戶的多模態(tài)健康數(shù)據(jù)和復(fù)雜健康狀態(tài)，個(gè)性化和科學(xué)性不強(qiáng)；

6、現(xiàn)有技術(shù)在健康風(fēng)險(xiǎn)評(píng)估方面缺乏系統(tǒng)性和深度分析，無(wú)法準(zhǔn)確識(shí)別和評(píng)估用戶的潛在健康風(fēng)險(xiǎn)。

7、這些缺陷主要源于現(xiàn)有技術(shù)對(duì)多模態(tài)數(shù)據(jù)的處理能力不足，以及分析模型和評(píng)估方法的局限性。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有技術(shù)存在的諸多問(wèn)題，本發(fā)明提供基于大數(shù)據(jù)的身體健康狀態(tài)監(jiān)控方法及系統(tǒng)，本發(fā)明通過(guò)多模態(tài)數(shù)據(jù)融合處理、多任務(wù)深度學(xué)習(xí)模型、自適應(yīng)學(xué)習(xí)算法和圖神經(jīng)網(wǎng)絡(luò)等技術(shù)手段，對(duì)用戶的健康數(shù)據(jù)進(jìn)行深度分析和動(dòng)態(tài)優(yōu)化，實(shí)現(xiàn)健康狀態(tài)的全面評(píng)估和未來(lái)健康狀況的精準(zhǔn)預(yù)測(cè)，最終生成的健康評(píng)估數(shù)據(jù)和健康預(yù)測(cè)數(shù)據(jù)能夠提供個(gè)性化的健康建議和科學(xué)的風(fēng)險(xiǎn)評(píng)估，有效提高用戶的健康管理水平。

2、基于大數(shù)據(jù)的身體健康狀態(tài)監(jiān)控方法，包括以下步驟：

3、從至少兩個(gè)數(shù)據(jù)源采集健康數(shù)據(jù)，并進(jìn)行數(shù)據(jù)清洗、標(biāo)準(zhǔn)化和融合處理，生成多模態(tài)健康數(shù)據(jù)；

4、利用多任務(wù)深度學(xué)習(xí)模型對(duì)多模態(tài)健康數(shù)據(jù)進(jìn)行特征提取和分析，分別生成圖像特征數(shù)據(jù)、時(shí)間序列特征數(shù)據(jù)和文本特征數(shù)據(jù)，并結(jié)合這些特征數(shù)據(jù)生成健康評(píng)估模型；

5、基于自適應(yīng)學(xué)習(xí)算法，對(duì)多模態(tài)特征數(shù)據(jù)進(jìn)行動(dòng)態(tài)調(diào)整和優(yōu)化，通過(guò)健康評(píng)估模型進(jìn)行健康狀態(tài)評(píng)估和未來(lái)健康狀況預(yù)測(cè)，生成健康評(píng)估數(shù)據(jù)和健康預(yù)測(cè)數(shù)據(jù)；

6、構(gòu)建包含健康評(píng)估數(shù)據(jù)和健康預(yù)測(cè)數(shù)據(jù)的健康網(wǎng)絡(luò)圖，利用圖神經(jīng)網(wǎng)絡(luò)對(duì)健康網(wǎng)絡(luò)圖進(jìn)行結(jié)構(gòu)分析和風(fēng)險(xiǎn)評(píng)估，生成健康風(fēng)險(xiǎn)數(shù)據(jù)。

7、優(yōu)選的，所述至少兩個(gè)數(shù)據(jù)源包括智能穿戴設(shè)備和醫(yī)療設(shè)備，其中智能穿戴設(shè)備采集心率、血壓和步數(shù)數(shù)據(jù)，醫(yī)療設(shè)備采集血糖和血壓數(shù)據(jù)。

8、優(yōu)選的，所述數(shù)據(jù)清洗包括去噪處理和異常值處理，具體包括：

9、通過(guò)去噪算法對(duì)健康數(shù)據(jù)進(jìn)行去噪處理，生成去噪后的健康數(shù)據(jù)；

10、通過(guò)統(tǒng)計(jì)方法檢測(cè)并處理異常值，生成清洗后的健康數(shù)據(jù)；

11、所述數(shù)據(jù)標(biāo)準(zhǔn)化包括歸一化處理和格式轉(zhuǎn)換，具體包括：

12、對(duì)清洗后的健康數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)范圍在0到1之間，生成標(biāo)準(zhǔn)化后的健康數(shù)據(jù)；

13、將不同類型的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一格式，確保數(shù)據(jù)的一致性和可比性，生成統(tǒng)一格式后的健康數(shù)據(jù)。

14、優(yōu)選的，所述多任務(wù)深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)和預(yù)訓(xùn)練語(yǔ)言模型，分別用于處理圖像數(shù)據(jù)、時(shí)間序列數(shù)據(jù)和文本數(shù)據(jù)。

15、優(yōu)選的，所述卷積神經(jīng)網(wǎng)絡(luò)用于對(duì)圖像數(shù)據(jù)進(jìn)行特征提取，通過(guò)卷積和池化操作提取圖像的空間特征，生成圖像特征數(shù)據(jù)，計(jì)算表達(dá)式為：

16、

17、其中，表示圖像特征數(shù)據(jù)；表示卷積核；表示輸入的圖像數(shù)據(jù)；表示偏置；表示卷積操作。

18、優(yōu)選的，所述長(zhǎng)短期記憶網(wǎng)絡(luò)用于處理時(shí)間序列數(shù)據(jù)，通過(guò)記憶和遺忘機(jī)制捕捉數(shù)據(jù)的時(shí)間依賴關(guān)系，生成時(shí)間序列特征數(shù)據(jù)，計(jì)算表達(dá)式為：

19、

20、其中，表示時(shí)間序列特征數(shù)據(jù)；表示激活函數(shù)；、、表示權(quán)重矩陣；表示前一時(shí)刻的隱藏狀態(tài)；表示當(dāng)前時(shí)刻的輸入；、、表示偏置；表示逐元素乘積。

21、優(yōu)選的，所述預(yù)訓(xùn)練語(yǔ)言模型用于處理文本數(shù)據(jù)，通過(guò)多層神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行上下文理解和特征提取，生成文本特征數(shù)據(jù)，計(jì)算表達(dá)式為：

22、

23、其中，表示文本特征數(shù)據(jù)；表示輸入的文本數(shù)據(jù)。

24、優(yōu)選的，所述自適應(yīng)學(xué)習(xí)算法通過(guò)以下步驟對(duì)多模態(tài)特征數(shù)據(jù)進(jìn)行動(dòng)態(tài)調(diào)整和優(yōu)化：

25、根據(jù)不同特征的重要性動(dòng)態(tài)調(diào)整特征權(quán)重，生成自適應(yīng)特征數(shù)據(jù)；

26、通過(guò)優(yōu)化算法對(duì)自適應(yīng)特征數(shù)據(jù)進(jìn)行進(jìn)一步處理，提升數(shù)據(jù)質(zhì)量和表示能力，生成優(yōu)化特征數(shù)據(jù)。

27、優(yōu)選的，所述圖神經(jīng)網(wǎng)絡(luò)通過(guò)以下步驟對(duì)健康網(wǎng)絡(luò)圖進(jìn)行結(jié)構(gòu)分析和風(fēng)險(xiǎn)評(píng)估：

28、根據(jù)健康評(píng)估數(shù)據(jù)和健康預(yù)測(cè)數(shù)據(jù)定義健康網(wǎng)絡(luò)的節(jié)點(diǎn)和邊，構(gòu)建健康網(wǎng)絡(luò)圖；

29、通過(guò)圖神經(jīng)網(wǎng)絡(luò)對(duì)健康網(wǎng)絡(luò)圖進(jìn)行訓(xùn)練，生成初步健康風(fēng)險(xiǎn)數(shù)據(jù)；

30、在圖神經(jīng)網(wǎng)絡(luò)分析中引入圖卷積網(wǎng)絡(luò)對(duì)健康網(wǎng)絡(luò)進(jìn)行深度卷積處理，生成圖卷積處理數(shù)據(jù)，計(jì)算表達(dá)式為：

31、

32、其中，表示健康風(fēng)險(xiǎn)數(shù)據(jù)；表示健康網(wǎng)絡(luò)圖中的節(jié)點(diǎn)數(shù)據(jù)；表示健康網(wǎng)絡(luò)圖中的邊數(shù)據(jù)。

33、一種用于實(shí)施所述基于大數(shù)據(jù)的身體健康狀態(tài)監(jiān)控方法的系統(tǒng)，包括：

34、數(shù)據(jù)采集模塊，用于從至少兩個(gè)數(shù)據(jù)源采集健康數(shù)據(jù)；

35、數(shù)據(jù)處理模塊，用于對(duì)所采集的健康數(shù)據(jù)進(jìn)行清洗、標(biāo)準(zhǔn)化和融合處理，生成多模態(tài)健康數(shù)據(jù)；

36、特征提取模塊，包括多任務(wù)深度學(xué)習(xí)模型，用于對(duì)多模態(tài)健康數(shù)據(jù)進(jìn)行特征提取和分析，分別生成圖像特征數(shù)據(jù)、時(shí)間序列特征數(shù)據(jù)和文本特征數(shù)據(jù)，并結(jié)合這些特征數(shù)據(jù)生成健康評(píng)估模型；

37、自適應(yīng)學(xué)習(xí)模塊，用于基于自適應(yīng)學(xué)習(xí)算法對(duì)多模態(tài)特征數(shù)據(jù)進(jìn)行動(dòng)態(tài)調(diào)整和優(yōu)化，通過(guò)健康評(píng)估模型進(jìn)行健康狀態(tài)評(píng)估和未來(lái)健康狀況預(yù)測(cè)，生成健康評(píng)估數(shù)據(jù)和健康預(yù)測(cè)數(shù)據(jù)；

38、健康網(wǎng)絡(luò)分析模塊，用于構(gòu)建包含健康評(píng)估數(shù)據(jù)和健康預(yù)測(cè)數(shù)據(jù)的健康網(wǎng)絡(luò)圖，并利用圖神經(jīng)網(wǎng)絡(luò)對(duì)健康網(wǎng)絡(luò)圖進(jìn)行結(jié)構(gòu)分析和風(fēng)險(xiǎn)評(píng)估，生成健康風(fēng)險(xiǎn)數(shù)據(jù)。

39、相比于現(xiàn)有技術(shù)，本發(fā)明的優(yōu)點(diǎn)及有益效果在于：

40、本發(fā)明通過(guò)多模態(tài)數(shù)據(jù)融合處理技術(shù)手段，實(shí)現(xiàn)了健康數(shù)據(jù)的高質(zhì)量融合和標(biāo)準(zhǔn)化；

41、本發(fā)明通過(guò)多任務(wù)深度學(xué)習(xí)模型技術(shù)手段，實(shí)現(xiàn)了健康數(shù)據(jù)的深度特征提取和綜合分析；

42、本發(fā)明通過(guò)自適應(yīng)學(xué)習(xí)算法技術(shù)手段，實(shí)現(xiàn)了健康狀態(tài)評(píng)估和預(yù)測(cè)的高精度和動(dòng)態(tài)優(yōu)化；

43、本發(fā)明通過(guò)圖神經(jīng)網(wǎng)絡(luò)技術(shù)手段，實(shí)現(xiàn)了健康風(fēng)險(xiǎn)數(shù)據(jù)的結(jié)構(gòu)化分析和準(zhǔn)確評(píng)估。

技術(shù)特征：

1.一種基于大數(shù)據(jù)的身體健康狀態(tài)監(jiān)控方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述至少兩個(gè)數(shù)據(jù)源包括智能穿戴設(shè)備和醫(yī)療設(shè)備，其中智能穿戴設(shè)備采集心率、血壓和步數(shù)數(shù)據(jù)，醫(yī)療設(shè)備采集血糖和血壓數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述數(shù)據(jù)清洗包括去噪處理和異常值處理，具體包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多任務(wù)深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)和預(yù)訓(xùn)練語(yǔ)言模型，分別用于處理圖像數(shù)據(jù)、時(shí)間序列數(shù)據(jù)和文本數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)用于對(duì)圖像數(shù)據(jù)進(jìn)行特征提取，通過(guò)卷積和池化操作提取圖像的空間特征，生成圖像特征數(shù)據(jù)，計(jì)算表達(dá)式為：

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述長(zhǎng)短期記憶網(wǎng)絡(luò)用于處理時(shí)間序列數(shù)據(jù)，通過(guò)記憶和遺忘機(jī)制捕捉數(shù)據(jù)的時(shí)間依賴關(guān)系，生成時(shí)間序列特征數(shù)據(jù)，計(jì)算表達(dá)式為：

7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述預(yù)訓(xùn)練語(yǔ)言模型用于處理文本數(shù)據(jù)，通過(guò)多層神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行上下文理解和特征提取，生成文本特征數(shù)據(jù)，計(jì)算表達(dá)式為：

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述自適應(yīng)學(xué)習(xí)算法通過(guò)以下步驟對(duì)多模態(tài)特征數(shù)據(jù)進(jìn)行動(dòng)態(tài)調(diào)整和優(yōu)化：

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述圖神經(jīng)網(wǎng)絡(luò)通過(guò)以下步驟對(duì)健康網(wǎng)絡(luò)圖進(jìn)行結(jié)構(gòu)分析和風(fēng)險(xiǎn)評(píng)估：

10.一種用于實(shí)施權(quán)利要求1至9任一所述基于大數(shù)據(jù)的身體健康狀態(tài)監(jiān)控方法的系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明涉及健康管理技術(shù)領(lǐng)域，尤其涉及基于大數(shù)據(jù)的身體健康狀態(tài)監(jiān)控方法及系統(tǒng)，從至少兩個(gè)數(shù)據(jù)源采集健康數(shù)據(jù)，并進(jìn)行數(shù)據(jù)清洗、標(biāo)準(zhǔn)化和融合處理；利用多任務(wù)深度學(xué)習(xí)模型對(duì)多模態(tài)健康數(shù)據(jù)進(jìn)行特征提取和分析，生成健康評(píng)估模型；基于自適應(yīng)學(xué)習(xí)算法進(jìn)行動(dòng)態(tài)調(diào)整和優(yōu)化，生成健康評(píng)估數(shù)據(jù)和健康預(yù)測(cè)數(shù)據(jù)；構(gòu)建健康網(wǎng)絡(luò)圖，利用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)分析和風(fēng)險(xiǎn)評(píng)估，生成健康風(fēng)險(xiǎn)數(shù)據(jù)。通過(guò)這些步驟，本發(fā)明實(shí)現(xiàn)了對(duì)用戶健康狀態(tài)的全面監(jiān)控和精準(zhǔn)預(yù)測(cè)，提高了健康評(píng)估的準(zhǔn)確性和個(gè)性化建議的科學(xué)性，為用戶提供了全面的健康管理和風(fēng)險(xiǎn)防范支持。

技術(shù)研發(fā)人員：何安慶,吳永青,金悅,季丹萍,王康,龔小蘭,成丹丹
受保護(hù)的技術(shù)使用者：義烏市江東街道社區(qū)衛(wèi)生服務(wù)中心
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/26