CN113393934B - 基于生命体征大数据的健康趋势估计方法和预测*** - Google Patents
基于生命体征大数据的健康趋势估计方法和预测*** Download PDFInfo
- Publication number
- CN113393934B CN113393934B CN202110633034.4A CN202110633034A CN113393934B CN 113393934 B CN113393934 B CN 113393934B CN 202110633034 A CN202110633034 A CN 202110633034A CN 113393934 B CN113393934 B CN 113393934B
- Authority
- CN
- China
- Prior art keywords
- feature map
- feature
- vital sign
- weighting
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于生命体征大数据的健康趋势估计方法和预测***。所述健康趋势估计方法从生命体征的已有数据中挖掘统计特征,并基于历史和当前生命体征数据来对进行未来的生命特征数据进行预测,这样采用无触式方式对用户体征进行全面地监测并全面地反应用户的身体状态。
Description
技术领域
本申请涉及人工智能领域,且更为具体地,涉及一种基于生命体征大数据的健康趋势估计方法、基于生命体征大数据的健康趋势预测***和电子设备。
背景技术
目前关于用户体征智能监测方面的产品大多数为单一的体征监测,医用设备无法连续、实时监测出病患的体温、心率、血压、血氧等体征,异常情况不易被及时发现,部分医院的护理***及各种测量生命体征的大型医疗仪器虽然可以满足全面体征监测的需求,但是都需要医护人员与患者进行实际的近距离接触才能进行测量,无法大规模的快速准确对人群进行监测,不利于对可能发生的疫情快速反应和及时防控治疗,而且频繁、近距离的人工测量消耗大量人力,存在较大的交叉感染风险。
因此,期望一种优化的基于生命体征大数据的健康趋势估计和预测的技术方案。
目前,深度学***。
近年来,深度学习以及神经网络的发展为基于生命体征大数据的健康趋势估计和预测接触提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于生命体征大数据的健康趋势估计方法、基于生命体征大数据的健康趋势预测***和电子设备,其从生命体征的已有数据中挖掘统计特征,并基于历史和当前生命体征数据来对进行未来的生命特征数据进行预测,这样采用无触式方式对用户体征进行全面地监测并全面地反应用户的身体状态。
根据本申请的一个方面,提供了一种基于生命体征大数据的健康趋势估计方法,其包括:
训练阶段,包括:
获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵;以及
使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛;以及预测阶段;
获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵;
将所述输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为t*s*c,t为时间维度,s为样本维度,c为所述卷积神经网络的通道数;
计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,其中,所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图;以及将所述第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。
在上述基于生命体征大数据的健康趋势估计方法中,使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛,包括:将所述训练用输入矩阵输入卷积神经网络以获得训练特征图;以及,基于所述训练特征图与所述真实值之间的均方误差损失函数值,来训练所述卷积神经网络直到所述卷积神经网络的参数收敛。
在上述基于生命体征大数据的健康趋势估计方法中,计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,包括:以如下公式计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,所述公式为:pa,a∈t=∑xi∈Rs*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi),其中,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
在上述基于生命体征大数据的健康趋势估计方法中,计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,包括:以如下公式计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述公式为:pb,b∈s=α*1/[∑xi∈Rt*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi)],这里,α为用于将pb,b∈s调整到[0,1]的区间范围内的最大值归一化系数,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
在上述基于生命体征大数据的健康趋势估计方法中,分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图,包括:以所述第一加权向量计算所述第一特征图在时间维度上的各个特征矩阵的加权;以及,以所述第二加权向量计算经第一加权向量加权后的所述第一特征图矩阵在样本维度上的各个特征矩阵的加权,以获得所述第二特征图。
在上述基于生命体征大数据的健康趋势估计方法中,将所述第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果,包括:将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码,以获得分类特征向量;以及,将所述分类特征向量输入Softmax分类函数以获得所述分类结果。
在上述基于生命体征大数据的健康趋势估计方法中,所述分类结果,包括:健康趋势变好、健康趋势稳定和健康趋势变差。
在上述基于生命体征大数据的健康趋势估计方法中,所述卷积神经网络为深度残差网络。
根据本申请的另一方面,提供了一种基于生命体征大数据的健康趋势预测***,包括:训练模块,包括:训练数据单元,用于获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵;
训练单元,用于将所述数据获取及构造单元获得的相邻时间段的所述数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛;以及预测模块,包括:检测数据单元,用于获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵;
第一特征图生成单元,用于将所述检测数据单元获得的输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为t*s*c,t为时间维度,s为样本维度,c为所述卷积神经网络的通道数;
第一加权向量生成单元,用于计算所述第一特征图生成单元生成的第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,其中,所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
第二加权向量生成单元,用于计算所述第一特征图生成单元生成的第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
第二特征图生成单元,用于分别以所述第一加权向量生成单元生成的第一加权向量和所述第二加权向量生成单元生成的第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图;以及分类结果生成单元,用于将所述第二特征图生成单元生成的第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。
在上述基于生命体征大数据的健康趋势预测***中,所述训练单元,进一步用于:将所述训练用输入矩阵输入卷积神经网络以获得训练特征图;以及,基于所述训练特征图与所述真实值之间的均方误差损失函数值,来训练所述卷积神经网络直到所述卷积神经网络的参数收敛。
在上述基于生命体征大数据的健康趋势预测***中,所述第一加权向量生成单元,进一步用于:以如下公式计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,所述公式为:pa,a∈t=∑xi∈Rs*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi),其中,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
在上述基于生命体征大数据的健康趋势预测***中,所述第二加权向量生成单元,进一步用于:以如下公式计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述公式为:pb,b∈s=α*1/[∑xi∈Rt*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi)],这里,α为用于将pb,b∈s调整到[0,1]的区间范围内的最大值归一化系数,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
在上述基于生命体征大数据的健康趋势预测***中,所述第二特征图生成单元,进一步用于:以所述第一加权向量计算所述第一特征图在时间维度上的各个特征矩阵的加权;以及,以所述第二加权向量计算经第一加权向量加权后的所述第一特征图矩阵在样本维度上的各个特征矩阵的加权,以获得所述第二特征图。
在上述基于生命体征大数据的健康趋势预测***中,所述分类结果生成单元,进一步用于:将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码,以获得分类特征向量;以及,将所述分类特征向量输入Softmax分类函数以获得所述分类结果。
在上述基于生命体征大数据的健康趋势预测***中,所述分类结果生成单元,进一步用于:获得分类结果,所述分类结果包括:健康趋势变好、健康趋势稳定和健康趋势变差。
在上述基于生命体征大数据的健康趋势预测***中,所述卷积神经网络为深度残差网络。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于生命体征大数据的健康趋势估计方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于生命体征大数据的健康趋势估计方法。
根据本申请提供的基于生命体征大数据的健康趋势估计方法、基于生命体征大数据的健康趋势预测***和电子设备,其基于深度学习的神经网络模型来构造特征提取器和预测器,以实现快速准确反应并预测使用者健康状况和健康趋势的目的。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法的场景示意图。
图2图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法的流程图。
图3图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法中训练阶段的架构示意图。
图4图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法中预测阶段的架构示意图。
图5图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法中,使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛的流程图。
图6图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法中,分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图的流程图。
图7图示了根据本申请实施例的基于生命体征大数据的健康趋势预测***的框图。
图8图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如前所述,目前关于用户体征智能监测方面的产品大多数为单一的体征监测,并不能较为全面地反应用户的身体状况,而医院的护理***及各种测量生命体征的大型医疗仪器虽然可以满足全面体征监测的需求,但是都需要医护人员与患者进行实际的近距离接触才能进行测量,无法大规模的快速准确对人群进行监测,不利于对可能发生的疫情快速反应和及时防控治疗。
因此,期望一种优化的基于生命体征大数据的健康趋势估计和预测的技术方案。
具体地,本申请的申请人考虑到,基于生命体征大数据,包括体温、血氧、呼吸率、心率等来做健康趋势估计,本质上是从生命体征的已有数据中挖掘统计特征,并基于历史和当前生命体征数据来对进行未来的生命体征数据预测的工作,因此可以通过基于深度学习的神经网络模型来构造特征提取器和预测器,从而实现上述目的。
因此,在本申请的技术方案中,首先需要基于已有的生命体征大数据,来训练深度神经网络提取高维关联特征,这可以利用类似于图像处理中的“帧间扭曲场”概念,来训练单个神经网络提取生命特征数据沿时间维度的类的类内和沿样本维度的类间特征。也就是,首先获得多个方面的沿时间序列排列的生命体征数据,比如如上所述的体温数据、血氧数据、呼吸率数据、心率数据,并构造输入数据矩阵,然后输入卷积神经网络以获得第一特征图。
这里,所述卷积神经网络使用生命体征大数据进行训练,也就是,获得多个时间段的如上所述构造的数据矩阵,并使用相邻时间段的数据矩阵分别作为训练用的输入矩阵和真实值来对卷积神经网络进行训练。例如,可以将输入矩阵输入卷积神经网络以获得训练特征图,再基于训练特征图与真实值之间的均方误差损失函数训练卷积神经网络,从而使得卷积神经网络能够被训练来提取生命特征数据沿时间维度的类内和沿样本维度的类间特征。
然后,针对所获得的第一特征图,假设其时间维度为t,样本维度为 s,则第一特征图可以表示为t*s*c,其中c表示卷积神经网络的通道,并且,使用基于类内特征和类间特征的TF-IDF思想来调整第一特征图中的各个位置的特征值的权重。也就是,计算t维度上的每个s*c矩阵相对于第一特征图的类Softmax分类函数作为第一加权值,表示为pa,a∈t=∑xi∈Rs*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi),并计算s维度上的每个s*c矩阵相对于第一特征图的类Softmax分类函数的倒数作为第二加权值,表示为pb,b∈s=α*1/[∑xi∈Rt*cexp(-xi)/∑yi∈Rt*s*cexp(-yi)],这里,α为用于将pb,b∈s调整到[0,1]的区间范围内的最大值归一化系数。
这样,分别以第一加权值和第二加权值从时间维度和样本维度对第一特征图进行加权以获得第二特征图,即,t维度上的每个s*c矩阵乘以第一加权值,且s维度上的每个s*c矩阵乘以第二加权值。然后,再以第二特征图通过分类器,就可以获得用于表示健康趋势估计结果的分类结果。
图1图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法的场景示意图。如图1所示,在该应用场景中,在训练阶段中,通过多个传感器(例如,如图1中所示意的C)采集被测者的体温、心率、呼吸率、血氧等参数作为训练数据;然后,将所述训练数据输入至部署有基于生命体征大数据的健康趋势估计算法的服务器(例如,如图1中所示意的S)中,其中,所述服务器能够基于生命体征大数据的健康趋势估计算法以所述训练数据构造的数据矩阵对卷积神经网络进行训练。
在训练完成后,在预测阶段中,通过多个传感器(例如,如图1中所示意的C)获取被测者的体温、心率、呼吸率、血氧等参数作为检测数据;然后,将所述检测数据输入部署有基于生命体征大数据的健康趋势估计算法的服务器(例如,如图1中所示意的S),其中,所述服务器能够基于生命体征大数据的健康趋势估计算法以所述检测数据进行处理,以生成用于表示健康趋势估计结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法:
图2图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法的流程图。如图2所示,根据本申请实施例的基于生命体征大数据的健康趋势估计方法,包括:训练阶段,包括:S110, 获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵;S120,使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛;以及,预测阶段,包括:S130,获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵;S140,将所述输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为t*s*c,t为时间维度,s为样本维度,c为所述卷积神经网络的通道数;S150,计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,其中,所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;S160,计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;S170, 分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图;S180,将所述第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。
图3图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法中训练阶段的架构示意图。如图3所示,在训练阶段中,在该网络架构中,首先获取训练数据集(例如,如图3中所示意的IN0)所述训练数据集包括多个时间段的沿时间序列排布的多个方面的生命体征数据,接着,将所述训练数据集的各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵(例如,如图3中所示意的M1),接着,使用相邻时间段的数据矩阵分别作为训练用输入矩阵(例如,如图3中所示意的M2)和真实值来对卷积神经网络(例如,如图3中所示意的CNN)进行训练直到所述卷积神经网络的参数收敛。
图4图示了根据本申请实施例的基于生命体征大数据的健康趋势估计方法中预测阶段的架构示意图。如图4所示,在预测阶段中,在该网络结构中,首先,获取训练数据集(例如,如图4中所示意的IN0)并将所述训练数据集的各个时间段的所述多个方面的生命体征数据构造为多个输入矩阵(例如,如图4中所示意的M2)。然后,将所述输入矩阵输入经训练阶段训练完成的所述卷积神经网络(例如,如图4中所示意的CNN)获得第一特征图(例如,如图4中所示意的F1)。接着,计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量(例如,如图4中所示意的V1)。接着,计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量(例如,如图4中所示意的V2)。然后,分别以所述第一加权向量(例如,如图4中所示意的V1)和所述第二加权向量(例如,如图4中所示意的V2)从时间维度上和样本维度上对所述第一特征图(例如,如图4中所示意的F1)进行加权以获得第二特征图(例如,如图4中所示意的F2),然后,将所述第二特征图(例如,如图4中所示意的F2)通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。
更具体地,在训练阶段中,在步骤S110中,获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵。如前所述,在本申请的技术方案中,首先需要基于已有的生命体征大数据,来训练深度神经网络提取高维关联特征,也就是,首先获得多个方面的沿时间序列排列的生命体征数据,比如体温数据、血氧数据、呼吸率数据、心率数据,并构造数据矩阵。
更具体地,在训练阶段中,在步骤S120中,使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛。如前所述,在本申请技术方案中,所述卷积神经网络使用生命体征大数据进行训练,也就是,获得多个时间段的如上所述构造的数据矩阵,并使用相邻时间段的数据矩阵分别作为训练用的输入矩阵和真实值来对卷积神经网络进行训练。也就是,对获得多个方面的沿时间序列排列的生命体征数据构造的输入数据矩阵和真实值通过输入卷积神经网络进行训练以使得神经网络提取生命特征数据沿时间维度的类内和沿样本维度的类间特征。
如图5所示,根据本申请实施例的基于生命体征大数据的健康趋势估计方法中,所述使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛,包括:S210,将所述训练用输入矩阵输入卷积神经网络以获得训练特征图;以及,S220,基于所述训练特征图与所述真实值之间的均方误差损失函数值,来训练所述卷积神经网络直到所述卷积神经网络的参数收敛。也就是,首先通过输入矩阵训练卷积神经网络来获得训练特征图,然后,通过输入训练特征图与真实值的均方差损失函数来训练卷积神经网络使得所述卷积神经网络的参数收敛。
优选地,在本申请实施例中,所述卷积神经网络被实施为深度残差网络。相较于传统的卷积神经网络,深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构,其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构,通过残差网络结构可以把网络层弄得更深,并且,不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想,其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入,其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
综上,根据本申请的基于生命体征大数据的健康趋势估计方法中的训练阶段并阐明,为了使得卷积神经网络能够被训练来提取生命特征数据沿时间维度的类内和沿样本维度的类间特征,在每次训练过程中,获得多个时间段的如上所述构造的数据矩阵,并使用相邻时间段的数据矩阵分别作为训练用的输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛。在训练完成后,进入预测阶段。
更具体地,在预测阶段中,在步骤S130中,获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵。也就是,在预测阶段,将获得沿时间排列的多个方面的生命体征数据构造为输入矩阵,所述多个方面的生命体征数据包括体温数据、血氧数据、呼吸率数据、心率数据等。
更具体地,在预测阶段中,在步骤S140中,将所述输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为t*s*c,t为时间维度,s为样本维度,c为所述卷积神经网络的通道数。也就是,通过将S130中获得的输入矩阵输入训练好的卷积神经网络获得第一特征图,针对所获得的第一特征图,假设其时间维度为t,样本维度为 s,则第一特征图可以表示为t*s*c,其中c表示卷积神经网络的通道。
特别地,在本申请实施例中,利用类似于图像处理中的“帧间扭曲场”概念,来提取生命特征数据沿时间维度的类内和沿样本维度的类间特征。
更具体地,在预测阶段中,在步骤S150中,计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,其中,所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和。也就是,使用基于类内特征和类间特征的TF-IDF思想来调整第一特征图中的各个位置的特征值的权重,计算t维度上的每个s*c矩阵相对于第一特征图的类Softmax分类函数作为第一加权值。
具体地,在本申请实施例中,以如下公式计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,所述公式为:pa,a∈t=∑xi∈Rs*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi),其中,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
更具体地,在预测阶段中,在步骤S160中,计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和。也就是,计算t维度上的每个s*c矩阵相对于第一特征图的类Softmax分类函数作为第一加权值,并计算s维度上的每个s*c矩阵相对于第一特征图的类Softmax分类函数的倒数作为第二加权值。
具体地,在本申请实施例中,以如下公式计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第二特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述公式为:pb,b∈s=α*1/[∑xi∈Rt*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi)],这里,α为用于将pb,b∈s调整到[0,1]的区间范围内的最大值归一化系数,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
更具体地,在预测阶段中,在步骤S170中,分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图。也就是,分别以第一加权值和第二加权值从时间维度和样本维度对第一特征图进行加权以获得第二特征图,即,t维度上的每个s*c矩阵乘以第一加权值,且s维度上的每个s*c矩阵乘以第二加权值。
如图6所示,在本申请实施例的基于生命体征大数据的健康趋势估计方法中,分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图,包括:S310,以所述第一加权向量计算所述第一特征图在时间维度上的各个特征矩阵的加权;以及,S320,以所述第二加权向量计算经第一加权向量加权后的所述第一特征图矩阵在样本维度上的各个特征矩阵的加权,以获得所述第二特征图。
更具体地,在预测阶段中,在步骤S180中,将所述第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。进一步地,所述分类结果,包括:健康趋势变好、健康趋势稳定和健康趋势变差。
综上,基于本申请实施例的基于生命体征大数据的健康趋势估计方法被阐明,其在训练过程中,获得多个时间段的如上所述构造的数据矩阵,并使用相邻时间段的数据矩阵分别作为训练用的输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛。在推断阶段中,先通过将输入矩阵输入到训练好的卷积神经网络中以获得第一特征图,再计算第一特征图在时间维度的各个特征矩阵相对于第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,然后计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,接着分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图,最后,将所述第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。
示例性***:
图7图示了根据本申请实施例的一种基于生命体征大数据的健康趋势预测***的框图。
如图7所示,根据本申请实施例的一种基于生命体征大数据的健康趋势预测***700,包括:训练模块 710,包括:训练数据单元 711,用于获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵;训练单元 712,用于将所述训练数据单元 711获得的相邻时间段的所述数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛;以及,预测模块 720,包括:检测数据单元 721,用于获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵;第一特征图生成单元 722,用于将所述检测数据单元 721获得的输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为t*s*c,t为时间维度,s为样本维度,c为所述卷积神经网络的通道数;第一加权向量生成单元 723,用于计算所述第一特征图生成单元 722生成的第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,其中,所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;第二加权向量生成单元 724,用于计算所述第一特征图生成单元 722生成的第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;第二特征图生成单元 725,用于分别以所述第一加权向量生成单元 723生成的第一加权向量和所述第二加权向量生成单元724生成的第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图;以及,分类结果生成单元 726,用于将所述第二特征图生成单元 725生成的第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。
在一个示例中,在上述预测*** 700中,所述训练单元 712,进一步用于:将所述训练用输入矩阵输入卷积神经网络以获得训练特征图;以及,基于所述训练特征图与所述真实值之间的均方误差损失函数值,来训练所述卷积神经网络直到所述卷积神经网络的参数收敛。
在一个示例中,在上述预测*** 700中,所述第一加权向量生成单元 723,进一步用于:以如下公式计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,所述公式为:pa,a∈t=∑xi∈Rs*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi),其中,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
在一个示例中,在上述预测*** 700中,所述第二加权向量生成单元 724,进一步用于:以如下公式计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述公式为:pb,b∈s=α*1/[∑xi∈Rt*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi)],这里,α为用于将pb,b∈s调整到[0,1]的区间范围内的最大值归一化系数,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
在一个示例中,在上述预测*** 700中,所述第二特征图生成单元 725,进一步用于:以所述第一加权向量生成单元 723生成的第一加权向量计算所述第一特征图在时间维度上的各个特征矩阵的加权;以及,以所述第二加权向量生成单元 724生成的第二加权向量计算经第一加权向量加权后的所述第一特征图矩阵在样本维度上的各个特征矩阵的加权,以获得所述第二特征图。
在一个示例中,在上述预测***700中,所述分类结果生成单元 726,进一步用于:将所述第二特征图生成单元 725生成的第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码,以获得分类特征向量;以及,将所述分类特征向量输入Softmax分类函数以获得所述分类结果。
在一个示例中,在上述预测***700中,所述分类结果生成单元 726,进一步用于:获得分类结果,所述分类结果包括:健康趋势变好、健康趋势稳定和健康趋势变差。
在一个示例中,在上述预测***700中,所述卷积神经网络为深度残差网络。
这里,本领域技术人员可以理解,上述预测*** 700中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于生命体征大数据的健康趋势估计方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的预测*** 700可以实现在各种终端设备中,例如基于生命体征大数据的健康趋势估计方法的服务器等。在一个示例中,根据本申请实施例的预测*** 700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该预测*** 700可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该预测*** 700同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该预测*** 700与该终端设备也可以是分立的设备,并且该预测*** 700可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备:
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于生命体征大数据的健康趋势估计方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如训练图像集、预测结果等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括预测结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于生命体征大数据的健康趋势估计方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于生命体征大数据的健康趋势估计方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种基于生命体征大数据的健康趋势估计方法,其特征在于,包括:
训练阶段,包括:
获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵;以及
使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛;以及
预测阶段:
获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵;
将所述输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为t*s*c,t为时间维度,s为样本维度,c为所述卷积神经网络的通道数;
计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,其中,所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图;以及
将所述第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果;
其中,分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图,包括:以所述第一加权向量计算所述第一特征图在时间维度上的各个特征矩阵的加权;以及以所述第二加权向量计算经第一加权向量加权后的所述第一特征图矩阵在样本维度上的各个特征矩阵的加权,以获得所述第二特征图。
2.根据权利要求1所述的基于生命体征大数据的健康趋势估计方法,其中,使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛,包括:
将所述训练用输入矩阵输入卷积神经网络以获得训练特征图;以及
基于所述训练特征图与所述真实值之间的均方误差损失函数值,来训练所述卷积神经网络直到所述卷积神经网络的参数收敛。
3.根据权利要求1所述的基于生命体征大数据的健康趋势估计方法,其中,计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,包括:
以如下公式计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,所述公式为:pa,a∈t=∑xi∈Rs*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi),其中,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
4.根据权利要求3所述的基于生命体征大数据的健康趋势估计方法,其中,计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,包括:
以如下公式计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述公式为:pb,b∈s=α*1/[∑xi∈Rt*cexp(-xi)/ ∑yi∈Rt*s*cexp(-yi)],这里,α为用于将pb,b∈s调整到[0,1]的区间范围内的最大值归一化系数,xi表示所述特征矩阵中各个位置的特征值,yi表示所述第一特征图中各个位置的特征值。
5.根据权利要求4所述的基于生命体征大数据的健康趋势估计方法,其中,将所述第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果,包括:
将所述第二特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述第二特征图进行编码,以获得分类特征向量;以及
将所述分类特征向量输入Softmax分类函数以获得所述分类结果。
6.根据权利要求5所述的基于生命体征大数据的健康趋势估计方法,其中,所述分类结果,包括:健康趋势变好、健康趋势稳定和健康趋势变差。
7.根据权利要求1所述的基于生命体征大数据的健康趋势估计方法,其中,所述卷积神经网络为深度残差网络。
8.一种基于生命体征大数据的健康趋势预测***,其特征在于,包括:
训练模块,包括:
训练数据单元,用于获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵;
训练单元,用于将所述数据获取及构造单元获得的相邻时间段的所述数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛;以及
预测模块,包括:
检测数据单元,用于获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵;
第一特征图生成单元,用于将所述检测数据单元获得的输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图,其中,所述第一特征图的尺度为t*s*c,t为时间维度,s为样本维度,c为所述卷积神经网络的通道数;
第一加权向量生成单元,用于计算所述第一特征图生成单元生成的第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值,以获得第一加权向量,其中,所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
第二加权向量生成单元,用于计算所述第一特征图生成单元生成的第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值,以获得第二加权向量,其中,所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和;
第二特征图生成单元,用于分别以所述第一加权向量生成单元生成的第一加权向量和所述第二加权向量生成单元生成的第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图;以及
分类结果生成单元,用于将所述第二特征图生成单元生成的第二特征图通过分类器以获得分类结果,所述分类结果用于表示健康趋势估计结果。
9.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的基于生命体征大数据的健康趋势估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633034.4A CN113393934B (zh) | 2021-06-07 | 2021-06-07 | 基于生命体征大数据的健康趋势估计方法和预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633034.4A CN113393934B (zh) | 2021-06-07 | 2021-06-07 | 基于生命体征大数据的健康趋势估计方法和预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393934A CN113393934A (zh) | 2021-09-14 |
CN113393934B true CN113393934B (zh) | 2022-07-12 |
Family
ID=77618477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110633034.4A Active CN113393934B (zh) | 2021-06-07 | 2021-06-07 | 基于生命体征大数据的健康趋势估计方法和预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393934B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436993A (zh) * | 2017-05-05 | 2017-12-05 | 陈昕 | 建立icu患者病情评估模型的方法和服务器 |
CN109891517A (zh) * | 2016-10-25 | 2019-06-14 | 皇家飞利浦有限公司 | 基于知识图的临床诊断助手 |
CN111028934A (zh) * | 2019-12-23 | 2020-04-17 | 科大讯飞股份有限公司 | 诊断质检方法、装置、电子设备和存储介质 |
CN112017771A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于***常规检查数据的疾病预测模型的构建方法及*** |
CN112204671A (zh) * | 2018-05-30 | 2021-01-08 | 国际商业机器公司 | 用于主动健康监测和管理的个性化设备推荐 |
CN112599246A (zh) * | 2021-03-03 | 2021-04-02 | 四川华迪信息技术有限公司 | 生命体征数据处理方法、***、装置及计算机可读介质 |
CN112768090A (zh) * | 2021-01-05 | 2021-05-07 | 山东福来克思智能科技有限公司 | 一种用于慢病检测及风险评估的过滤***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200104726A1 (en) * | 2018-09-29 | 2020-04-02 | VII Philip Alvelda | Machine learning data representations, architectures, and systems that intrinsically encode and represent benefit, harm, and emotion to optimize learning |
-
2021
- 2021-06-07 CN CN202110633034.4A patent/CN113393934B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109891517A (zh) * | 2016-10-25 | 2019-06-14 | 皇家飞利浦有限公司 | 基于知识图的临床诊断助手 |
CN107436993A (zh) * | 2017-05-05 | 2017-12-05 | 陈昕 | 建立icu患者病情评估模型的方法和服务器 |
CN112204671A (zh) * | 2018-05-30 | 2021-01-08 | 国际商业机器公司 | 用于主动健康监测和管理的个性化设备推荐 |
CN111028934A (zh) * | 2019-12-23 | 2020-04-17 | 科大讯飞股份有限公司 | 诊断质检方法、装置、电子设备和存储介质 |
CN112017771A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于***常规检查数据的疾病预测模型的构建方法及*** |
CN112768090A (zh) * | 2021-01-05 | 2021-05-07 | 山东福来克思智能科技有限公司 | 一种用于慢病检测及风险评估的过滤***及方法 |
CN112599246A (zh) * | 2021-03-03 | 2021-04-02 | 四川华迪信息技术有限公司 | 生命体征数据处理方法、***、装置及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
An intelligent healthcare monitoring framework using wearable sensors and social networking data;Farman Ali et al.;《Future Generation Computer Systems》;20200724;全文 * |
基于大数据框架的老年人心血管疾病预测***研究与实现;周晨晨;《中国优秀硕士学位论文全文数据库-医药卫生科技专辑》;20210515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113393934A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Tackling overfitting in boosting for noisy healthcare data | |
US20230317257A1 (en) | Method and system for predicting needs of patient for hospital resources | |
Zhou et al. | Optimizing autoencoders for learning deep representations from health data | |
CN114548246A (zh) | 智能设备的控制方法、***和电子设备 | |
Yu et al. | Semi-supervised learning and data augmentation in wearable-based momentary stress detection in the wild | |
Zhu | Pain expression recognition based on pLSA model | |
CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
Zhang et al. | Developing smart buildings to reduce indoor risks for safety and health of the elderly: A systematic and bibliometric analysis | |
Mishra et al. | Cognitive inference device for activity supervision in the elderly | |
Shah et al. | Evaluating contrastive learning on wearable timeseries for downstream clinical outcomes | |
CN114566190A (zh) | 基于语音特征的预警方法、***及其电子设备 | |
CN113892910A (zh) | 基于物联网的智能马桶的老年人监测方法 | |
CN113855008A (zh) | 可穿戴式体液监测装置及其运行方法 | |
CN113393934B (zh) | 基于生命体征大数据的健康趋势估计方法和预测*** | |
CN116098595B (zh) | 一种心源性及脑源性猝死监测预防***和方法 | |
KR102461646B1 (ko) | 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 | |
CN110598789A (zh) | 一种基于模糊感知器的人体疲劳状态预测方法及*** | |
US20220375618A1 (en) | Method and apparatus of calculating comprehensive disease index | |
Chien et al. | Continuous-time self-attention in neural differential equation | |
Villmann | Neural networks approaches in medicine-a review of actual developments. | |
CN117393153B (zh) | 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及*** | |
CN118141377B (zh) | 患者的负性情绪监测***及方法 | |
Lyu | Multisensor data fusion in Digital Twins for smart healthcare | |
Zhu et al. | Comparison of parametric and non‐parametric Bayesian inference for fusing sensory estimates in physiological time‐series analysis | |
WO2024014875A1 (ko) | 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Health trend estimation method and prediction system based on vital signs big data Effective date of registration: 20221123 Granted publication date: 20220712 Pledgee: Xiaoshan sub branch of Hangzhou United Rural Commercial Bank Co.,Ltd. Pledgor: Yijin (Hangzhou) Health Technology Co.,Ltd. Registration number: Y2022980023058 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |