CN116805519B - 一种基于人工智能的高血压数据传输预警***及方法 - Google Patents

一种基于人工智能的高血压数据传输预警***及方法 Download PDF

Info

Publication number
CN116805519B
CN116805519B CN202310782830.3A CN202310782830A CN116805519B CN 116805519 B CN116805519 B CN 116805519B CN 202310782830 A CN202310782830 A CN 202310782830A CN 116805519 B CN116805519 B CN 116805519B
Authority
CN
China
Prior art keywords
blood pressure
time
user
reminding
unit
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
Application number
CN202310782830.3A
Other languages
English (en)
Other versions
CN116805519A (zh
Inventor
夏毅
何丽芳
康海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongyi Shengqi Technology Co ltd
Original Assignee
Beijing Zhongyi Shengqi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongyi Shengqi Technology Co ltd filed Critical Beijing Zhongyi Shengqi Technology Co ltd
Priority to CN202310782830.3A priority Critical patent/CN116805519B/zh
Publication of CN116805519A publication Critical patent/CN116805519A/zh
Application granted granted Critical
Publication of CN116805519B publication Critical patent/CN116805519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及数据传输管理技术领域，具体为一种基于人工智能的高血压数据传输预警***及方法，包括：传输信息采集模块、数据库、提醒目标筛选模块、测量提醒管理模块和传输数据管理模块，通过传输信息采集模块采集用户登录健康管理平台后的历史上传信息，将历史上传信息传输到数据库，通过数据库存储历史上传信息，通过提醒目标筛选模块分析历史上传信息，筛选出需要提醒调整血压测量时间的目标用户，通过测量提醒管理模块调整目标用户的血压测量时间并提醒用户测量血压，通过传输数据管理模块对用户上传的血压数据进行存储管理，提醒用户及时传输血压数据，最大程度上保障用户在最佳测量时间段内测量血压并上传，提高了上传数据的可参考性。

Description

一种基于人工智能的高血压数据传输预警***及方法
技术领域
本发明涉及数据传输管理技术领域，具体为一种基于人工智能的高血压数据传输预警***及方法。
背景技术
健康管理平台是一种针对个人健康数据进行管理和分析的平台，通过大数据技术采集和整合个人的健康数据，帮助人们了解自己的身体状况并提供相应的健康建议，帮助人们及时发现潜在的健康问题，血压是反映人体健康状况的最主要生理参数之一，用户可以通过每天上传血压测量数据至健康管理平台来及时了解自身在血压方面的健康数据；
然而，在血压数据传输管理方面，现有的血压数据传输管理方式仍存在一些问题：每天的血压测量有最佳的一个时间段，在最佳时间段测量血压获取到的血压数据分析结果最为准确，由于用户平时测量血压的时间不定，现有技术未对用户的测量血压时间进行有效管理以最大程度上保障用户在最佳测量时间段内测量血压并传输血压数据，无法提高平台获取到的血压数据的可参考性。
所以，人们需要一种基于人工智能的高血压数据传输预警***及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于人工智能的高血压数据传输预警***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的高血压数据传输预警***，所述***包括：传输信息采集模块、数据库、提醒目标筛选模块、测量提醒管理模块和传输数据管理模块；
所述传输信息采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述提醒目标筛选模块和传输数据管理模块的输入端，所述提醒目标筛选模块的输出端连接所述测量提醒管理模块的输入端，所述测量提醒管理模块的输出端连接所述传输数据管理模块的输入端；
所述传输信息采集模块用于采集用户登录健康管理平台后的历史上传信息，将历史上传信息传输到所述数据库；
所述数据库用于存储历史上传信息；
所述提醒目标筛选模块用于分析历史上传信息，筛选出需要提醒调整血压测量时间的目标用户；
所述测量提醒管理模块用于调整目标用户的血压测量时间并提醒用户测量血压；
所述传输数据管理模块用于对用户上传的血压数据进行存储管理。
进一步的，所述传输信息采集模块包括用户信息采集单元和测量时间采集单元；
所述用户信息采集单元和测量时间采集单元的输出端连接所述数据库的输入端；
所述用户信息采集单元用于采集用户在以往登录健康管理平台后输入的起床时间信息；
所述测量时间采集单元用于采集用户以往在登录健康管理平台上传的测量血压时间信息。
进一步的，所述提醒目标筛选模块包括最佳时间设置单元、测量时间比对单元和目标筛选单元；
所述最佳时间设置单元和数据库的输出端连接所述测量时间比对单元的输入端，所述测量时间比对单元的输出端连接所述目标筛选单元的输入端；
所述最佳时间设置单元用于设置最佳的血压测量时间段为：[用户起床时间，用户起床时间+L]，其中，L表示距用户起床时间最佳的间隔时长；
所述测量时间比对单元用于比对最佳的血压测量时间段和用户以往在登录健康管理平台上传的测量血压时间，判断用户以往测量血压的时间是否在最佳的血压测量时间段内；
所述目标筛选单元用于依据判断结果筛选出需要提醒调整血压测量时间的目标用户。
进一步的，所述测量提醒管理模块包括提醒时间规划单元、血压测量提醒单元和测量数据传输单元；
所述提醒时间规划单元的输入端连接所述目标筛选单元的输出端，所述提醒时间规划单元的输出端连接所述血压测量提醒单元的输入端，所述血压测量提醒单元的输出端连接所述测量数据传输单元的输入端；
所述提醒时间规划单元用于为目标用户规划最佳的血压测量时间；
所述血压测量提醒单元用于在规划的时间提醒目标用户测量血压；
所述测量数据传输单元用于在用户测量血压后传输血压数据至健康管理平台，并利用人工智能算法对传输的数据和用户身份信息进行加密处理，利用人工智能算法对用户数据进行加密，有利于提高平台上数据的安全性，降低了用户信息泄露的概率。
进一步的，所述传输数据管理模块包括测量时间分析单元和数据存储规划单元；
所述测量时间分析单元的输入端连接所述测量数据传输单元和数据库的输出端，所述测量时间分析单元的输出端连接所述数据存储规划单元的输入端；
所述测量时间分析单元用于分析提醒目标用户测量血压后目标用户的测量血压时间以及非目标用户以往的测量血压时间，将所有用户进行分类；
所述数据存储规划单元用于将同一类用户上传的血压数据存储在同一位置。
一种基于人工智能的高血压数据传输预警方法，包括以下步骤：
S1：采集用户登录健康管理平台后的历史上传信息；
S2：分析历史上传信息，筛选出需要提醒调整血压测量时间的目标用户；
S3：调整目标用户的血压测量时间并提醒用户测量血压；
S4：对用户上传的血压数据进行存储管理。
进一步的，在步骤S1中：采集用户在以往n次登录健康管理平台后输入的起床时间以及对应次上传的测量血压时间，获取到随机一个用户n次上传的测量血压时间距起床时间的间隔时长集合为K＝{K1，K2，…，Kn}，采集所有用户n次上传的测量血压时间距起床时间的间隔时长；
上述采集的所有数据都先由用户授权后进行采集。
进一步的，在步骤S2中：设置最佳的血压测量时间段为：[用户起床时间，用户起床时间+L]，其中，L表示距用户起床时间最佳的间隔时长，比较Ki和L：若Ki≤L，说明用户对应次测量血压的时间在最佳的血压测量时间段内；若Ki>L，说明用户对应次测量血压的时间不在最佳的血压测量时间段内，其中，Ki表示随机一个用户第i次上传的测量血压时间距起床时间的间隔时长，统计随机一个用户n次中测量血压时间不在最佳的血压测量时间段内的次数，统计到m个用户n次中测量血压时间不在最佳的血压测量时间段内的次数集合为W＝{W1，W2，…，Wm}，设置次数阈值为其中，Wj表示随机一个用户n次中测量血压时间不在最佳的血压测量时间段内的次数，筛选出n次中测量血压时间不在最佳的血压测量时间段内的次数超出次数阈值的用户作为目标用户；
血压不是固定不变的，是随昼夜变化而发生变化，血压测量的最佳时间段一般为起床后的两个小时内，清晨起床后一段时间，人们处于一种安静的状态，此时的血压比较平稳，能够真实地反映血压数据，测量出的血压值也是最准确的，设置最佳的血压测量时间段，采集用户以往测量血压的时间，通过判断测量血压时间是否在最佳时间段内来筛选目标用户，若用户频繁地不在最佳时间段内测量血压，则需要提醒其及时测量血压。
进一步的，在步骤S3中：筛选出目标用户共有f个，调取到随机一个目标用户除不在最佳的血压测量时间段内的测量血压时间外，剩余次测量血压时间距起床时间的间隔时长集合为T＝{T1，T2，…，Tb}，其中，b表示随机一个目标用户以往n次中测量血压时间在最佳的血压测量时间段内的次数，b>3，将间隔时长按从小到大的顺序进行排列，将排列后的间隔时长参数随机分为a组，前一组内的所有间隔时长都小于后一组，获取到按随机一种分组方式分组后，a组中每组内间隔时长均值集合为t＝{t1，t2，…，te，…，ta}，根据下列公式计算按随机一种分组方式分组后，a组参数的分散程度H：
其中，te表示按随机一种分组方式分组后，a组中第e组内间隔时长均值，计算按不同分组方式分组后，a组参数的分散程度，获取分散程度最大的分组方式分组后得到的结果，获取到按分散程度最大的分组方式分组后第一组的间隔时长集合为T’＝{T1 ’，T2 ’，…，
Tv ’，…，Tc ’}，其中，第一组内共有c个参数，调整对应目标用户的血压测量时间为：在距起床时间间隔时长为时测量血压，在距起床时间间隔时长为/>时，若检测到对应目标用户还未上传血压数据，发送预警信号提醒对应目标用户测量血压，其中，Tv ’表示第一组中的第v个间隔时长，为剩余目标用户按相同方式调整血压测量时间；
在筛选出目标用户后需要规划合适的时间提醒其进行血压测量并上传血压数据，在规划时间时，依据目标用户以往在最佳测量时间段内测量血压的时间分析目标用户的行为习惯，依据实际的行为习惯数据为用户规划合适的血压测量时间，同时，在将目标用户实际的行为习惯数据作为时间规划参考的基础上，血压测量时间距起床时间越近，判断测量结果越准确，选择距起床时间最接近的一组血压测量时间作为规划参考数据，规划时间及时提醒用户测量血压，有利于在保障降低调整后的血压测量时间对用户的日常行为影响的同时提高血压测量结果的可参考性。
进一步的，在步骤S4中：在按调整的时间提醒目标用户测量血压后，采集m个用户g次上传的的测量血压时间距起床时间的间隔时长，调取到每个用户g次上传的测量血压时间距起床时间的平均间隔时长集合为R＝{R1，R2，…，Rm}，将m个用户随机分为p类，获取到随机一种分类结果中，p类中每类用户上传的测量血压时间距起床时间的平均间隔时长的均值集合为r＝{r1，r2，…，ri，…，rp}，根据下列公式计算随机一种分类结果中用户血压测量时间的分散程度H’：
其中，ri表示随机一种分类结果中，p组中第i类用户上传的测量血压时间距起床时间的平均间隔时长的均值，获取分散程度最大的分类结果，将分散程度最大的分类结果中在同一类的用户上传的血压数据存储在同一位置；
在用户上传血压测量数据至健康管理平台上后，通过分析所有用户的血压测量时间将血压测量时间最接近的用户分为一类，血压测量时间越接近，对比分析血压数据越有意义、得到的结果也越准确，将同一类用户的血压数据存储在同一位置，有利于在分析用户血压数据时提供合适的对比数据，提高了血压分析结果的准确性。
与现有技术相比，本发明所达到的有益效果是：
本发明通过设置最佳的血压测量时间段，采集用户以往测量血压的时间，通过判断测量血压时间是否在最佳时间段内来筛选目标用户，若用户频繁地不在最佳时间段内测量血压，则需要提醒其及时测量血压，在筛选出目标用户后需要规划合适的时间提醒其进行血压测量并上传血压数据，在规划时间时，依据目标用户以往在最佳测量时间段内测量血压的时间分析目标用户的行为***台获取到的血压测量结果的可参考性；
在用户上传血压测量数据至健康管理平台上后，通过分析所有用户的血压测量时间将血压测量时间最接近的用户分为一类，将同一类用户的血压数据存储在同一位置，有利于在分析用户血压数据时提供合适的对比数据，帮助更好地分析用户的血压数据，提高了血压分析结果的准确性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的高血压数据传输预警***的结构图；
图2是本发明一种基于人工智能的高血压数据传输预警方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1-图2和具体实施例对本发明作进一步的说明。
实施例一：
如图1所示，本实施例提供了一种基于人工智能的高血压数据传输预警***，***包括：传输信息采集模块、数据库、提醒目标筛选模块、测量提醒管理模块和传输数据管理模块；
传输信息采集模块的输出端连接数据库的输入端，数据库的输出端连接提醒目标筛选模块和传输数据管理模块的输入端，提醒目标筛选模块的输出端连接测量提醒管理模块的输入端，测量提醒管理模块的输出端连接传输数据管理模块的输入端；
传输信息采集模块用于采集用户登录健康管理平台后的历史上传信息，将历史上传信息传输到数据库；
数据库用于存储历史上传信息；
提醒目标筛选模块用于分析历史上传信息，筛选出需要提醒调整血压测量时间的目标用户；
测量提醒管理模块用于调整目标用户的血压测量时间并提醒用户测量血压；
传输数据管理模块用于对用户上传的血压数据进行存储管理。
传输信息采集模块包括用户信息采集单元和测量时间采集单元；
用户信息采集单元和测量时间采集单元的输出端连接数据库的输入端；
用户信息采集单元用于采集用户在以往登录健康管理平台后输入的起床时间信息；
测量时间采集单元用于采集用户以往在登录健康管理平台上传的测量血压时间信息。
提醒目标筛选模块包括最佳时间设置单元、测量时间比对单元和目标筛选单元；
最佳时间设置单元和数据库的输出端连接测量时间比对单元的输入端，测量时间比对单元的输出端连接目标筛选单元的输入端；
最佳时间设置单元用于设置最佳的血压测量时间段为：[用户起床时间，用户起床时间+L]，其中，L表示距用户起床时间最佳的间隔时长；
测量时间比对单元用于比对最佳的血压测量时间段和用户以往在登录健康管理平台上传的测量血压时间，判断用户以往测量血压的时间是否在最佳的血压测量时间段内；
目标筛选单元用于依据判断结果筛选出需要提醒调整血压测量时间的目标用户。
测量提醒管理模块包括提醒时间规划单元、血压测量提醒单元和测量数据传输单元；
提醒时间规划单元的输入端连接目标筛选单元的输出端，提醒时间规划单元的输出端连接血压测量提醒单元的输入端，血压测量提醒单元的输出端连接测量数据传输单元的输入端；
提醒时间规划单元用于为目标用户规划最佳的血压测量时间；
血压测量提醒单元用于在规划的时间提醒目标用户测量血压；
测量数据传输单元用于在用户测量血压后传输血压数据至健康管理平台，并利用人工智能算法对传输的数据和用户身份信息进行加密处理。
传输数据管理模块包括测量时间分析单元和数据存储规划单元；
测量时间分析单元的输入端连接测量数据传输单元和数据库的输出端，测量时间分析单元的输出端连接数据存储规划单元的输入端；
测量时间分析单元用于分析提醒目标用户测量血压后目标用户的测量血压时间以及非目标用户以往的测量血压时间，将所有用户进行分类；
数据存储规划单元用于将同一类用户上传的血压数据存储在同一位置。
实施例二：
如图2所示，本实施例提供了一种基于人工智能的高血压数据传输预警方法，其基于实施例中的数据传输预警***实现，具体包括以下步骤：
S1：采集用户登录健康管理平台后的历史上传信息：采集用户在以往n次登录健康管理平台后输入的起床时间以及对应次上传的测量血压时间，获取到随机一个用户n次上传的测量血压时间距起床时间的间隔时长集合为K＝{K1，K2，…，Kn}，采集所有用户n次上传的测量血压时间距起床时间的间隔时长；
S2：分析历史上传信息，筛选出需要提醒调整血压测量时间的目标用户，设置最佳的血压测量时间段为：[用户起床时间，用户起床时间+L]，其中，L表示距用户起床时间最佳的间隔时长，比较Ki和L：若Ki≤L，说明用户对应次测量血压的时间在最佳的血压测量时间段内；若Ki>L，说明用户对应次测量血压的时间不在最佳的血压测量时间段内，其中，Ki表示随机一个用户第i次上传的测量血压时间距起床时间的间隔时长，统计随机一个用户n次中测量血压时间不在最佳的血压测量时间段内的次数，统计到m个用户n次中测量血压时间不在最佳的血压测量时间段内的次数集合为W＝{W1，W2，…，Wm}，设置次数阈值为其中，Wj表示随机一个用户n次中测量血压时间不在最佳的血压测量时间段内的次数，筛选出n次中测量血压时间不在最佳的血压测量时间段内的次数超出次数阈值的用户作为目标用户；
例如：获取到随机一个用户10次上传的测量血压时间距起床时间的间隔时长集合为K＝{K1，K2，K3，K4，K5，K6，K7，K8，K9，K10}＝{10，20，70，130，50，90，150，8，25，245}，单位为：分钟，设置最佳的血压测量时间段为：[用户起床时间，用户起床时间+120]，L的单位为：分钟，K4>L、K7>L、K10>L，统计对应用户10次中测量血压时间不在最佳的血压测量时间段内的次数为3，统计到m＝7个用户n次中测量血压时间不在最佳的血压测量时间段内的次数集合为W＝{W1，W2，W3，W4，W5，W6，W7}＝{3，1，2，0，3，0，3}，设置次数阈值为筛选出第一、五和第七个用户作为目标用户；
S3：调整目标用户的血压测量时间并提醒用户测量血压，筛选出目标用户共有f＝3个，调取到随机一个目标用户除不在最佳的血压测量时间段内的测量血压时间外，剩余次测量血压时间距起床时间的间隔时长集合为T＝{T1，T2，T3，T4，T5，T6，T7}＝{10，20，70，50，90，8，25}，将间隔时长按从小到大的顺序进行排列，将排列后的间隔时长参数随机分为3组，前一组内的所有间隔时长都小于后一组，获取到按随机一种分组方式分组后，各组内的间隔时长集合分别为{8，10，20}、{25}和{50，70，90}，3组中每组内间隔时长均值集合为t＝{t1，t2，t3}＝{13，25，70}，根据公式计算按上述分组方式分组后，3组参数的分散程度H≈24.5，其中，te表示按随机一种分组方式分组后，a组中第e组内间隔时长均值，计算按不同分组方式分组后，a组参数的分散程度，获取分散程度最大的分组方式分组后得到的结果，获取到按分散程度最大的分组方式分组后第一组的间隔时长集合为T’＝{8，10}，其中，第一组内共有c＝2个参数，调整对应目标用户的血压测量时间为：在距起床时间间隔时长为/>时测量血压，在距起床时间间隔9分钟时，若检测到对应目标用户还未上传血压数据，发送预警信号提醒对应目标用户测量血压，其中，Tv ’表示第一组中的第v个间隔时长，为剩余目标用户按相同方式调整血压测量时间；
S4：对用户上传的血压数据进行存储管理，在按调整的时间提醒目标用户测量血压后，采集7个用户7次上传的的测量血压时间距起床时间的间隔时长，调取到每个用户7次上传的测量血压时间距起床时间的平均间隔时长集合为R＝{R1，R2，R3，R4，R5，R6，
R7}＝{8，9，13，24，15，18，34}，单位为：分钟，将7个用户随机分为3类，获取到随机一种分类结果中，3类中每类用户上传的测量血压时间距起床时间的平均间隔时长的均值集合为r＝{r1，r2，r3}＝{8.5，15.3，29}，根据公式计算随机一种分类结果中用户血压测量时间的分散程度H’≈8.5，其中，ri表示随机一种分类结果中，p组中第i类用户上传的测量血压时间距起床时间的平均间隔时长的均值，获取分散程度最大的分类结果，将分散程度最大的分类结果中在同一类的用户上传的血压数据存储在同一位置。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的高血压数据传输预警***，其特征在于：所述***包括：传输信息采集模块、数据库、提醒目标筛选模块、测量提醒管理模块和传输数据管理模块；
所述传输信息采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述提醒目标筛选模块和传输数据管理模块的输入端，所述提醒目标筛选模块的输出端连接所述测量提醒管理模块的输入端，所述测量提醒管理模块的输出端连接所述传输数据管理模块的输入端；
所述传输信息采集模块用于采集用户登录健康管理平台后的历史上传信息，将历史上传信息传输到所述数据库；
所述数据库用于存储历史上传信息；
所述提醒目标筛选模块用于分析历史上传信息，筛选出需要提醒调整血压测量时间的目标用户；
所述测量提醒管理模块用于调整目标用户的血压测量时间并提醒用户测量血压；
所述传输数据管理模块用于对用户上传的血压数据进行存储管理；
所述提醒目标筛选模块包括最佳时间设置单元、测量时间比对单元和目标筛选单元；
所述最佳时间设置单元和数据库的输出端连接所述测量时间比对单元的输入端，所述测量时间比对单元的输出端连接所述目标筛选单元的输入端；
所述最佳时间设置单元用于设置最佳的血压测量时间段为：[用户起床时间，用户起床时间+L]，其中，L表示距用户起床时间最佳的间隔时长；
所述测量时间比对单元用于比对最佳的血压测量时间段和用户以往在登录健康管理平台上传的测量血压时间，判断用户以往测量血压的时间是否在最佳的血压测量时间段内；
所述目标筛选单元用于依据判断结果筛选出需要提醒调整血压测量时间的目标用户。
2.根据权利要求1所述的一种基于人工智能的高血压数据传输预警***，其特征在于：所述传输信息采集模块包括用户信息采集单元和测量时间采集单元；
所述用户信息采集单元和测量时间采集单元的输出端连接所述数据库的输入端；
所述用户信息采集单元用于采集用户在以往登录健康管理平台后输入的起床时间信息；
所述测量时间采集单元用于采集用户以往在登录健康管理平台上传的测量血压时间信息。
3.根据权利要求1所述的一种基于人工智能的高血压数据传输预警***，其特征在于：所述测量提醒管理模块包括提醒时间规划单元、血压测量提醒单元和测量数据传输单元；
所述提醒时间规划单元的输入端连接所述目标筛选单元的输出端，所述提醒时间规划单元的输出端连接所述血压测量提醒单元的输入端，所述血压测量提醒单元的输出端连接所述测量数据传输单元的输入端；
所述提醒时间规划单元用于为目标用户规划最佳的血压测量时间；
所述血压测量提醒单元用于在规划的时间提醒目标用户测量血压；
所述测量数据传输单元用于在用户测量血压后传输血压数据至健康管理平台，并利用人工智能算法对传输的数据和用户身份信息进行加密处理。
4.根据权利要求3所述的一种基于人工智能的高血压数据传输预警***，其特征在于：所述传输数据管理模块包括测量时间分析单元和数据存储规划单元；
所述测量时间分析单元的输入端连接所述测量数据传输单元和数据库的输出端，所述测量时间分析单元的输出端连接所述数据存储规划单元的输入端；
所述测量时间分析单元用于分析提醒目标用户测量血压后目标用户的测量血压时间以及非目标用户以往的测量血压时间，将所有用户进行分类；
所述数据存储规划单元用于将同一类用户上传的血压数据存储在同一位置。
5.一种基于人工智能的高血压数据传输预警方法，其特征在于：包括以下步骤：
S1：采集用户登录健康管理平台后的历史上传信息；
S2：分析历史上传信息，筛选出需要提醒调整血压测量时间的目标用户；
S3：调整目标用户的血压测量时间并提醒用户测量血压；
S4：对用户上传的血压数据进行存储管理；
在步骤S2中：设置最佳的血压测量时间段为：[用户起床时间，用户起床时间+L]，其中，L表示距用户起床时间最佳的间隔时长，比较Ki和L：若Ki≤L，说明用户对应次测量血压的时间在最佳的血压测量时间段内；若Ki>L，说明用户对应次测量血压的时间不在最佳的血压测量时间段内，其中，Ki表示随机一个用户第i次上传的测量血压时间距起床时间的间隔时长，统计随机一个用户n次中测量血压时间不在最佳的血压测量时间段内的次数，统计到m个用户n次中测量血压时间不在最佳的血压测量时间段内的次数集合为W={W1，W2，…，Wm}，设置次数阈值为，其中，Wj表示随机一个用户n次中测量血压时间不在最佳的血压测量时间段内的次数，筛选出n次中测量血压时间不在最佳的血压测量时间段内的次数超出次数阈值的用户作为目标用户。
6.根据权利要求5所述的一种基于人工智能的高血压数据传输预警方法，其特征在于：在步骤S1中：采集用户在以往n次登录健康管理平台后输入的起床时间以及对应次上传的测量血压时间，获取到随机一个用户n次上传的测量血压时间距起床时间的间隔时长集合为K={K1，K2，…，Kn}，采集所有用户n次上传的测量血压时间距起床时间的间隔时长。
7.根据权利要求6所述的一种基于人工智能的高血压数据传输预警方法，其特征在于：在步骤S3中：筛选出目标用户共有f个，调取到随机一个目标用户除不在最佳的血压测量时间段内的测量血压时间外，剩余次测量血压时间距起床时间的间隔时长集合为T={T1，T2，…，Tb}，其中，b表示随机一个目标用户以往n次中测量血压时间在最佳的血压测量时间段内的次数，b>3，将间隔时长按从小到大的顺序进行排列，将排列后的间隔时长参数随机分为a组，前一组内的所有间隔时长都小于后一组，获取到按随机一种分组方式分组后，a组中每组内间隔时长均值集合为t={t1，t2，…，te，…，ta}，根据下列公式计算按随机一种分组方式分组后，a组参数的分散程度H：
；
其中，te表示按随机一种分组方式分组后，a组中第e组内间隔时长均值，计算按不同分组方式分组后，a组参数的分散程度，获取分散程度最大的分组方式分组后得到的结果，获取到按分散程度最大的分组方式分组后第一组的间隔时长集合为T’={T1 ’，T2 ’，…， Tv ’，…，Tc ’}，其中，第一组内共有c个参数，调整对应目标用户的血压测量时间为：在距起床时间间隔时长为时测量血压，在距起床时间间隔时长为/>时，若检测到对应目标用户还未上传血压数据，发送预警信号提醒对应目标用户测量血压，其中，Tv ’表示第一组中的第v个间隔时长。
8.根据权利要求6所述的一种基于人工智能的高血压数据传输预警方法，其特征在于：在步骤S4中：在按调整的时间提醒目标用户测量血压后，采集m个用户g次上传的测量血压时间距起床时间的间隔时长，调取到每个用户g次上传的测量血压时间距起床时间的平均间隔时长集合为R={R1，R2，…，Rm}，将m个用户随机分为p类，获取到随机一种分类结果中，p类中每类用户上传的测量血压时间距起床时间的平均间隔时长的均值集合为r={r1，r2，…，ri，…，rp}，根据下列公式计算随机一种分类结果中用户血压测量时间的分散程度H’：
；
其中，ri表示随机一种分类结果中，p组中第i类用户上传的测量血压时间距起床时间的平均间隔时长的均值，获取分散程度最大的分类结果，将分散程度最大的分类结果中在同一类的用户上传的血压数据存储在同一位置。
CN202310782830.3A 2023-06-29 2023-06-29 一种基于人工智能的高血压数据传输预警***及方法 Active CN116805519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310782830.3A CN116805519B (zh) 2023-06-29 2023-06-29 一种基于人工智能的高血压数据传输预警***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310782830.3A CN116805519B (zh) 2023-06-29 2023-06-29 一种基于人工智能的高血压数据传输预警***及方法

Publications (2)

Publication Number Publication Date
CN116805519A CN116805519A (zh) 2023-09-26
CN116805519B true CN116805519B (zh) 2024-05-31

Family

ID=88079436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310782830.3A Active CN116805519B (zh) 2023-06-29 2023-06-29 一种基于人工智能的高血压数据传输预警***及方法

Country Status (1)

Country Link
CN (1) CN116805519B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648063B (zh) * 2024-01-29 2024-04-05 南京功夫豆信息科技有限公司 一种基于大数据分析的智能运营管理***及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204046649U (zh) * 2014-04-09 2014-12-24 北京华录亿动科技发展有限公司 一种机顶盒远程血压监控管理服务***
CN206044615U (zh) * 2016-07-06 2017-03-29 广东乐心医疗电子股份有限公司 一种血压测量***
CN107785083A (zh) * 2017-10-30 2018-03-09 上海斐讯数据通信技术有限公司 一种用户健康数据采集方法和用户健康监护***
JP2020146403A (ja) * 2019-03-15 2020-09-17 オムロンヘルスケア株式会社 血圧測定装置及び血圧測定方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4595739B2 (ja) * 2005-08-15 2010-12-08 オムロンヘルスケア株式会社 電子血圧計、血圧測定データ処理装置、プログラムならびに記録媒体
US20160089077A1 (en) * 2014-09-26 2016-03-31 Christine Tinio Geronimo-Button Hypertension prevention app and web based tools

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204046649U (zh) * 2014-04-09 2014-12-24 北京华录亿动科技发展有限公司 一种机顶盒远程血压监控管理服务***
CN206044615U (zh) * 2016-07-06 2017-03-29 广东乐心医疗电子股份有限公司 一种血压测量***
CN107785083A (zh) * 2017-10-30 2018-03-09 上海斐讯数据通信技术有限公司 一种用户健康数据采集方法和用户健康监护***
JP2020146403A (ja) * 2019-03-15 2020-09-17 オムロンヘルスケア株式会社 血圧測定装置及び血圧測定方法

Also Published As

Publication number Publication date
CN116805519A (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN116805519B (zh) 一种基于人工智能的高血压数据传输预警***及方法
CN109087706A (zh) 基于睡眠大数据的人体健康评估方法及评估***
KR102141185B1 (ko) 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템
CN111081379B (zh) 一种疾病概率决策方法及其***
US10104509B2 (en) Method and system for identifying exceptions of people behavior
CN111489019B (zh) 睡眠质量预测方法及装置
WO2020118022A1 (en) Passive data collection and use of machine-learning models for event prediction
US20190034164A1 (en) Relationship analysis utilizing biofeedback information
US9375183B2 (en) Method for monitoring sensor degradation, patient monitor, patient monitor system, physiological sensor, and computer program product for a patient monitor
CN113317762A (zh) 一种云端服务器
CN112331349A (zh) 一种脑卒中复发监测模型及监测方法
KR102047428B1 (ko) 되새김 활동 측정을 이용한 소의 건강 관리 시스템
CN105593860A (zh) 患者健康状态复合评分分布和/或基于其的代表性复合评分
US20190343443A1 (en) Stress state evaluation apparatus, stress state evaluation system, and non-transitory computer readable medium storing program
US20060069535A1 (en) System and method for converting data, and system and method for providing warning signals
US20220206745A1 (en) Relationship analysis utilizing biofeedback information
Copas et al. Estimating the risk of reoffending by using exponential mixture models
Kumar et al. Smart band for elderly fall detection using machine learning
US20200305791A1 (en) Stress monitor and stress-monitoring method
CN114999655A (zh) 一种基于大数据的防疫心理问题早期预警及管理***
CN114782234A (zh) 一种智能化家用健康管理***及方法
CN114190074A (zh) 监管饮食行为的方法和装置
Narasimhan et al. Early Detection of Mild Cognitive Impairment Progression Using Non-Wearable Sensor Data–a Deep Learning Approach
Cowan Cohort abortion measures for the United States
Huang Unconstrained smartphone sensing and empirical study for sleep monitoring and self-management

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