CN114052670A - 一种健康风险评估方法及疾病预警*** - Google Patents

Abstract

本申请公开了一种健康风险评估方法及疾病预警***，涉及健康风险评估技术领域，解决了现有健康评估方案操作复杂、适用范围小和评估结果不准确的技术问题；包括中央处理器、边缘处理器、数据采集模块、数据存储模块和智能终端；本申请将环境数据、身体表征数据和用户生理数据结合起来，再联合建立好的映射关系对用户的健康状态进行评估；相对于现有技术，提供了一个适用范围更广的健康评估方案，有助于提高健康评估的效率和准确性；本申请不局限于个人的健康评估，还通过实际数据建立目标区域，并对目标区域进行分区域评估，既能够保证健康评估的准确性，又能够形成针对性的区域健康报告，为进一步的区域健康评估奠定了数据基础。

Description

一种健康风险评估方法及疾病预警***

技术领域

本申请属于健康风险评估技术领域，具体是一种健康风险评估方法及疾病预警***。

背景技术

随着生活水平的提高，人们的生活方式发生了巨大的变化，肥胖、失眠、缺乏运动等不良生活方式所导致的健康问题越来越多；因此，如何及时了解身体健康状态成为亟待解决的问题。

现有方案大多通过人们身体内的血液或者某种细胞状态来进行健康评估；如通过生物能量健康系数序列和微型核糖核酸进行健康评估。生物能量健康系数序列通过测量***血细胞的线粒体呼吸功能水平，确定病人的基准生物能量状态；微型核糖核酸是一种非编码的核糖核酸，不正常的微型核糖核酸与许多疾病息息相关，可被用来当作疾病初期诊断的依据。

但是，现有方案中健康评估的过程较为复杂，且只能针对特定疾病或者少数疾病进行预测评估，适用范围和适用人群较小；因此，亟需一种适用范围广、评估结果科学准确的健康风险评估***。

发明内容

本申请提供了一种健康风险评估方法及疾病预警***，用于解决现有健康评估方案操作复杂、适用范围小和评估结果不准确的技术问题，本申请通过建立具有非线性拟合能力的健康评估模型以及分区域进行健康评估解决了上述问题。

本申请的目的可以通过以下技术方案实现：一种健康风险评估方法，包括：

实时获取身体表征数据和环境数据，进行数据整合和数据预处理之后标记为初始数据；其中，所述数据预处理包括***用户生理数据；

通过映射关系对初始数据进行分析，获取健康系数序列，根据所述健康系数序列进行预警；其中，所述健康系数序列包括健康标签和患病概率，所述映射关系包括初始数据与健康标签、患病概率之间的对应关系；

对目标区域内用户的健康系数序列进行分区域评估。

优选的，所述身体表征数据包括心率、体温和皮电；所述用户生理数据包括性别和年龄。

优选的，所述环境数据包括环境温度、气压、环境光强和环境湿度。

优选的，所述数据整合是将身体表征数据和环境数据连接成一条数据序列；其中，在该数据序列中，身体表征数据在前，环境数据在后，或者环境数据在前，身体表征数据在后。

优选的，所述数据预处理具体是将用户生理数据***到数据序列首端形成一条新的数据序列，即初始数据。

优选的，所述映射关系通过健康评估模型建立，所述健康评估模型的构建包括：

获取标准训练数据并进行人工标注获取标准数据库；其中，所述标准训练数据中的内容和所述初始数据的内容属性一致，且所述标准数据库中标准训练数据与人工标注的健康系数序列一一对应；

从所述标准数据库中选取N条数据整合成训练数据集；其中，N为常数，且N不小于1000；

构建人工智能模型；其中，所述人工智能模型包括深度卷积神经网络和RBF神经网络；

通过所述训练数据集对所述人工智能模型进行训练，将训练完成的人工智能模型标记为健康评估模型。

优选的，所述健康标签的取值包括0、1和2；其中，当健康标签为0时，表示对应初始数据或者标准训练数据对应的健康状态为健康，当健康标签为1时，表示对应初始数据或者标准训练数据对应的健康状态为亚健康，当健康标签为2时，表示对应初始数据或者标准训练数据对应的健康状态为异常。

优选的，所述目标区域根据设计图纸或者矢量数据建模生成。

优选的，根据所述目标区域进行分区域评估包括：

将所述目标区域划分为若干子区域；

获取每个所述子区域内用户的健康系数序列，并根据健康系数序列形成区域健康报告；其中，所述区域健康报告包括健康状态为异常的用户比例以及所处的环境数据。

一种疾病预警***，包括中央处理器、边缘处理器、数据采集模块、数据存储模块和智能终端；

所述数据采集模块采集初始数据，并将初始数据分别发送至对应的边缘处理器和数据存储模块；

所述边缘处理器将映射关系和初始数据结合进行分析，获取健康系数序列；

所述中央处理器用于获取映射关系并分发至边缘处理器，同时定期更新映射关系；

所述数据存储模块用于存储数据。

优选的，所述中央处理器与数据存储模块、若干边缘处理器通信和/或电气连接；每个所述边缘处理器至少与一个所述数据采集模块通信和/或电气连接；所述智能终端分别与中央处理器、边缘处理器、数据采集模块通信和/或电气连接；其中，所述智能终端包括智能手环、智能手机和笔记本电脑。

与现有技术相比，本申请的有益效果是：

1、本申请将环境数据、身体表征数据和用户生理数据结合起来，再联合建立好的映射关系对用户的健康状态进行评估；相对于现有技术，提供了一个适用范围更广的健康评估方案，有助于提高健康评估的效率和准确性。

2、本申请不局限于个人的健康评估，还通过实际数据建立目标区域，并对目标区域进行分区域评估，既能够保证健康评估的准确性，又能够形成针对性的区域健康报告，为进一步的区域健康评估奠定了数据基础。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请的方法步骤示意图；

图2为本申请的***原理示意图。

具体实施方式

下面将结合实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

这里使用的术语用于描述实施例，并不意图限制和/或限制本公开；应该注意的是，除非上下文另有明确指示，否则单数形式的“一”、“一个”和“该”也包括复数形式；而且，尽管属于“第一”、“第二”等可以在本文中用于描述各种元件，但是元件不受这些术语的限制，这些术语仅用于区分一个元素和另一个元素。

请参阅图1，本申请提供了一种健康风险评估方法，包括：

实时获取身体表征数据和环境数据，进行数据整合和数据预处理之后标记为初始数据；

通过映射关系对初始数据进行分析，获取健康系数序列，根据健康系数序列进行预警；

对目标区域内用户的健康系数序列进行分区域评估。

环境数据包括环境温度、气压、环境光强、环境湿度、有害气体浓度等会对用户健康状态产生影响的环境数据；可以理解的是，忽略环境数据对用户的影响，直接通过身体表征数据来评估健康状态是不合理的，将环境数据和身体表征数据相结合来评估用户的健康状态，才能够保证健康评估的准确性，避免因数据产生的误判。

用户生理数据包括性别、年龄等能够表现用户实际生理状态的数据；可以知道的是，很多健康问题都与年龄或者性别息息相关，将用户生理数据纳入健康评估的基础数据，能够使得健康评估结果更加合理和准确。

身体表征数据包括心率、体温、皮电等能够直接或者间接表达用户健康状态的身体数据，且身体表征数据通过智能手环、便携传感器等设备进行采集，既能够保证数据的合理性，又能够提高本申请的应用范围。可以理解的是，身体表征数据并不仅仅包括本申请中提到的数据。

本申请通过环境数据、用户生理数据、身体表征数据等结合起来作为健康评估的基础数据，具有一定的合理性；例如，用户的心率异常可以作为心悸、心闷等疾病的判断基础；通过最常见最容易获取的数据来预警常见的病症，能够提高本申请的应用范围。

本申请在获取身体表征数据和环境数据之后，需要进行数据整合；数据整合具体就是将身体表征数据和环境数据拼接成一条数据序列；本实施例使身体表征数据在前，环境数据在后形成一条数据序列，在另外一些优选的实施中，也可使环境数据在前，身体表征数据在后形成一条数据序列。

本申请在数据整合之后，还需要进行数据预处理；数据预处理具体是将用户生理数据***到数据序列的首端形成初始数据。

本申请提供的一种健康风险评估方法中，通过映射关系对初始数据进行分析，获取健康系数序列，根据健康系数序列进行预警。

本申请健康系数序列中的健康标签表示根据用户目前的身体数据所表现出来的健康状态，当健康标签为0时，发送健康信号至用户智能终端，同时在智能终端上显示患病概率；当健康标签为1或者2时，发送亚健康信号或者健康异常信号至智能终端，同时在智能终端上显示患病概率。

本申请健康系数序列中的患病概率表示根据用户目前的身体数据预测用户患某种疾病的概率，即使身体健康状态正常，但也有可能存在患病风险，因此健康标签表示的是当前状态，患病风险表示是未来状态；健康标签和疾病状态之间的关系可独立可关联。

当患病概率大于概率阈值时，则发送患病概率预警信号至智能终端，概率阈值为的取值范围为[0，1]；如，当概率阈值为0.2，患病概率为0.25时，则发送患病概率预警信号和对应疾病至智能终端，如心悸概率0.25。

本申请中健康系数序列包括健康标签和患病概率；映射关系是指初始数据与健康标签、患病概率之间的对应关系。

健康标签的取值包括0、1和2；其中，当健康标签为0时，表示对应初始数据或者标准训练数据对应的健康状态为健康，当健康标签为1时，表示对应初始数据或者标准训练数据对应的健康状态为亚健康，当健康标签为2时，表示对应初始数据或者标准训练数据对应的健康状态为异常。

本实施例中映射关系具体为基于人工智能模型的健康评估模型，在另外一些优选的实施中，映射关系还可以是数学模型或者查找表。

本申请中，健康评估模型的构建包括：

获取标准训练数据并进行人工标注获取标准数据库；

从标准数据库中选取N条数据整合成训练数据集；

构建人工智能模型；

通过训练数据集对人工智能模型进行训练，将训练完成的人工智能模型标记为健康评估模型。

标准训练数据中的内容和初始数据的内容属性一致，即二者包含的内容相同，区别仅在于数据的大小；且针对每条标准训练数据，均通过人工标注配置对应的健康系数序列。

训练数据集中包括N条标准训练数据以及对应的健康系数序列，训练数据集能够满足人工智能模型的训练需求即可；本实施例中，且N不小于1000的常数。

人工智能模型包括深度卷积神经网络、RBF神经网络等具有强大非线性拟合能力的模型；筛选出训练数据集之后，通过人工智能模型找出训练数据集中数据之间的对应关系，操作简单，且能够保证映射关系的准确性和获取效率。

本实施例首先构建人工智能模型，如深度卷积神经网络、RBF神经网络的输入层、隐含层和输出层；

将训练数据集中N条标准训练数据以及对应的健康系数序列按照2：1：1的比例划分为训练集、测试集和校验集；

将标准训练数据作为人工智能模型的输入数据，其对应的健康系数序列作为人工智能模型的输出数据，并依次按照训练集、测试集和校验集对人工智能模型完成训练，当训练结果符合要求时，则将完成训练的人工智能模型标记为健康评估模型；值得注意的是，深度卷积神经网络和RBF神经网络的基本构建以及训练方式均属于现有技术，在此不再赘述。

值得注意的是，本申请获取的映射关系(健康评估模型)并不是一成不变，需要不断补充更新标准训练数据，并定期获取映射关系，来保证映射关系的合理准确。

本申请提供的一种健康风险评估方法中，对目标区域内用户的健康系数序列进行分区域评估。

目标区域根据设计图纸或者矢量数据建模生成，可以理解为根据实际数据建立的二维或者三维图像；当需要监控厂区等小范围区域，则通过设计图纸建立目标区域；当需要监控某一行政区域时，则通过该行政区域的矢量数据生成目标区域。

以县级行政区域确定的目标区域为例，详细介绍如何根据目标区域进行分区域评估，包括：

将目标区域划分成若干镇级行政区域；镇级行政区域的面积小于目标区域，且所有镇级行政区域面积之和等于目标区域的面积；

获取每个子区域内用户的健康系数序列，并根据健康系数序列统计生成区域健康报告。

本实施例中，区域健康报告中包括健康状态为异常的用户比例以及所处的环境数据，可以根据区域健康报告来判定用户所处环境的问题，并制订相关环境整治任务；也可以根据区域健康报告对区域内用户提供定期的健康服务。

请参阅图2，本申请提供了一种疾病预警***，包括中央处理器、边缘处理器、数据采集模块、数据存储模块和智能终端；

数据采集模块通过智能终端采集用户的身体表征数据，并将身体表征数据分别发送至对应的边缘处理器和数据存储模块；

边缘处理器通过健康评估模型对用户的身体表征数据进行分析获取健康系数序列；每个子区域至少设置一个边缘处理器用于数据处理，保证了数据处理效率；

中央处理器用于训练健康评估模型并将健康评估模型分发至边缘处理器，同时定期更新健康评估模型；

数据存储模块用于存储数据。

中央处理器与数据存储模块、若干边缘处理器通信和/或电气连接；每个边缘处理器至少与一个数据采集模块通信和/或电气连接；智能终端分别与中央处理器、边缘处理器、数据采集模块通信和/或电气连接；数据采集模块和数据存储模块相连接；其中，智能终端包括智能手环、智能手机和笔记本电脑。

本申请的工作原理：

实时获取身体表征数据和环境数据，将身体表征数据和环境数据连接成一条数据序列，同时将用户生理数据***到数据序列首端形成一条新的数据序列并标记为初始数据。

获取标准训练数据并进行人工标注获取标准数据库，从标准数据库中选取N条数据整合成训练数据集，通过训练数据集获取映射关系。

通过映射关系对初始数据进行分析，获取健康系数序列，根据健康系数序列进行预警，同时对目标区域内用户的健康系数序列进行分区域评估。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上内容仅仅是对本申请结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离申请的结构或者超越本权利要求书所定义的范围，均应属于本申请的保护范围。

Claims (10)

1.一种健康风险评估方法，其特征在于，包括：

实时获取身体表征数据和环境数据，进行数据整合和数据预处理之后标记为初始数据；其中，所述数据预处理包括***用户生理数据；

通过映射关系对初始数据进行分析，获取健康系数序列，根据所述健康系数序列进行预警；其中，所述健康系数序列包括健康标签和患病概率，所述映射关系包括初始数据与健康标签、患病概率之间的对应关系；

对目标区域内用户的健康系数序列进行分区域评估。

2.根据权利要求1所述的一种健康风险评估方法，其特征在于，所述身体表征数据包括心率、体温和皮电；所述用户生理数据包括性别和年龄；所述环境数据包括环境温度、气压、环境光强和环境湿度。

3.根据权利要求1所述的一种健康风险评估方法，其特征在于，所述数据整合是将身体表征数据和环境数据连接成一条数据序列；其中，在该数据序列中，身体表征数据在前，环境数据在后，或者环境数据在前，身体表征数据在后。

4.根据权利要求1所述的一种健康风险评估方法，其特征在于，所述数据预处理具体是将用户生理数据***到数据序列首端形成一条新的数据序列。

5.根据权利要求1所述的一种健康风险评估方法，其特征在于，所述映射关系通过健康评估模型建立，所述健康评估模型的构建包括：

获取标准训练数据并进行人工标注获取标准数据库；其中，所述标准训练数据中的内容和所述初始数据的内容属性一致，且所述标准数据库中标准训练数据与人工标注的健康系数序列一一对应；

从所述标准数据库中选取N条数据整合成训练数据集；其中，N为常数，且N不小于1000；

构建人工智能模型；

通过所述训练数据集对所述人工智能模型进行训练，将训练完成的人工智能模型标记为健康评估模型。

6.根据权利要求1所述的一种健康风险评估方法，其特征在于，所述目标区域根据设计图纸或者矢量数据建模生成。

7.根据权利要求1所述的一种健康风险评估方法，其特征在于，根据所述目标区域进行分区域评估包括：

将所述目标区域划分为若干子区域；

获取每个所述子区域内用户的健康系数序列，并根据健康系数序列形成区域健康报告；其中，所述区域健康报告包括健康状态为异常的用户比例以及所处的环境数据。

8.根据权利要求7所述的一种健康风险评估方法，其特征在于，若干所述子区域的形状为圆形或者矩形，且若干所述子区域的总面积大于等于所述目标区域。

9.根据权利要求5所述的一种健康风险评估方法，其特征在于，所述人工智能模型包括深度卷积神经网络、RBF神经网络和支持向量机模型中的至少一种。

10.用于执行权利要求1至9任意一项权利要求所述的一种健康风险评估方法的疾病预警***，其特征在于，包括中央处理器、边缘处理器、数据采集模块、数据存储模块和智能终端；

所述数据采集模块采集初始数据，并将初始数据分别发送至对应的边缘处理器和数据存储模块；

所述边缘处理器将映射关系和初始数据结合进行分析，获取健康系数序列；

所述中央处理器用于获取映射关系并分发至边缘处理器，同时定期更新映射关系；

所述数据存储模块用于存储数据。

Images