CN108597609A - 一种基于lstm网络的医养结合健康监测方法 - Google Patents
一种基于lstm网络的医养结合健康监测方法 Download PDFInfo
- Publication number
- CN108597609A CN108597609A CN201810417954.0A CN201810417954A CN108597609A CN 108597609 A CN108597609 A CN 108597609A CN 201810417954 A CN201810417954 A CN 201810417954A CN 108597609 A CN108597609 A CN 108597609A
- Authority
- CN
- China
- Prior art keywords
- data
- health
- model
- training
- lstm network
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 230000000474 nursing effect Effects 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000013179 statistical model Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000003745 diagnosis Methods 0.000 claims description 20
- 230000003542 behavioural effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000036760 body temperature Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 206010020751 Hypersensitivity Diseases 0.000 claims description 4
- 208000026935 allergic disease Diseases 0.000 claims description 4
- 230000007815 allergy Effects 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 4
- 235000021152 breakfast Nutrition 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于LSTM网络的医养结合健康监测方法，包括以下步骤：经由健康检测设备、智能家居以及HIS系统，收集获取60岁及以上人群的全方面健康信息数据，并存于云端数据库；对收集获取的数据波形采用LMS的自适应陷波器进行去噪处理；将处理分类后的数据作为训练样本，采用LSTM网络训练学习生成60岁及以上人群的普适健康模型；对于已有的普适健康模型，获取个人数据后，对模型进行识别同时持续训练和个性化调整，并做出对应情况的异常预警。本发明将传统统计模型算法与神经网络有机结合，对60岁及以上人群进行全方面健康监测，实现高效准确的个性化健康预测和预警，为建立智慧健康养老服务奠定夯实基础。
Description
技术领域
本发明属于神经网络、深度学习、物联网、智慧养老等技术领域，具体地说是涉及一种 基于LSTM网络的医养结合健康监测方法。
背景技术
在智慧养老发展的过程中，针对养老服务资源复杂分散，医养分离，无法提供个性化、 主动、安全、精准、持续的全生命周期服务等问题，研究跨界多服务医养结合的智慧健康养 老模式正在逐步完善。通过集成穿戴式、便携式、非接触式健康监测和智能家居设备，建立 面向慢病管理、老年突发疾病的急救、疾病预警、危重老人照护等服务的全方面健康监测物 联网，实时监测老人健康生理指标，实现全面健康信息的收集和利用，与HIS系统提供的老 人电子健康档案、医疗诊疗数据等进行融合，形成健康监测大数据中心，基于大数据分析技 术实现健康预测和预警，提供医疗辅助、健康档案查询、健康状况评估报告、健康助手、健 康知识等服务。
在完善跨界多服务医养结合的智慧健康养老模式的过程中，实现健康预测和预警是关键 技术之一。通过对60岁及以上人群的全面健康信息的收集，包括实时生命体征数据，60岁 及以上人群的病史、用药史等，将信息进行处理分析挖掘，找到其中的规律或趋势，对60岁 及以上人群的健康状况进行较为精准的预测的预警，既可以辅助医疗机构进行治疗，又可以 帮助60岁及以上人群及亲属了解健康情况，对60岁及以上人群采取针对性治疗和照护。为 规避隐私，避免采用图像监测的方式，大数据分析技术成为主流。针对长周期动态时序数据 的分析，具有长期规律性特征，并且需要进行一定程度的预测，普通的数据挖掘方式无法满 足需求，例如聚类分析等，因此选择采用神经网络中RNN的一种变形，LSTM(Long Short-Term Memory)网络，即长短期记忆网络。LSTM网络是一种时间递归神经网络，适合于处理和预测 时间序列中间隔和延迟相对较长的重要事件，适用于所需的健康预测和预警需求。
发明内容
本发明的目的在于提供一种基于LSTM网络的医养结合健康监测方法，以实现在避免侵犯 隐私的情况下，对60岁及以上人群进行全方面健康监测，通过大数据分析实现健康预测和预 警，为建立面向慢病管理、老年突发疾病的急救、疾病预警、危重老人照护等服务奠定夯实 基础，达到健康养老的目标。
本发明提出一种基于LSTM网络的医养结合健康监测方法，该方法包括以下具体步骤：
步骤1：收集健康检测基本数据，存于云端数据库；
步骤2：对收集到的数据进行预处理与降噪；
步骤3：对处理后的数据进行归纳训练，生成60岁及以上人群的普适健康模型；
步骤4：对普适健康模型采用LSTM网络进行个性化模型学习，生成60岁及以上人群个体 个性化健康模型，持续进行模型调整及识别，并做出对应情况的异常预警。
所述具体步骤中，第一步的特征是，所述的收集健康检测基本数据是指：经由健康检测 设备、智能家居以及HIS系统，收集获取至少一万名60岁及以上人群的全方面健康信息数据， 包括全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数据，其中，全生命 体征数据包括心率、脉搏、血压、血氧、体温、呼吸，生活数据包括时序上的生活规律、实 时位置，诊疗数据包括病史、用药史、过敏史、手术史，环境数据包括温度(环境温度和体 感温度)、湿度、空气成分、光照强度(紫外线指数)，其他多维行为数据包括压力传感器和 红外传感器提供的数据；
所述具体步骤中，第二步的特征是，对收集到的数据进行预处理与降噪，具体为：对收 集获取的60岁及以上人群的全方面健康信息数据波形采用LMS的自适应陷波器进行去噪处理：
假设信号为单频干扰叠加，LMS自适应陷波器去噪为：
其中x(t)为输入信号，s(t)为去噪后信号，为噪声信号；
采样，即将60岁及以上人群的全方面健康信息数据波形作为输入信号d(n)，所需的去噪 后信号即为s(n)，通过LMS算法使线性组合的权系数得到自适应调整，从而使误差信号极小 并趋于零，实现消除干扰去噪的目的：
其中，
其中f0为采样频率，fs为原数据采集频率；
后将数据按照全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数据分 成五种数据类别并保存，作为模型训练数据样本，其中每一条数据记录包含序号、所属人编 号、时间、数据类别、数据代表含义、数据内容、数据单位等字段；
所述具体步骤中，第三步的特征是，将处理后的数据进行归纳训练,具体为：将处理分类 后的60岁及以上人群的全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数 据作为训练数据样本，将60岁及以上人群的每日活动分为多种情形，包括晨练、早餐、看报、 看电视、午餐、午睡、散步、晚餐、睡觉，共9类，做分时间片特征提取，即将这些情形打 标签进行基于统计模型的特征提取并分类，采用协同过滤解决可能出现的特征维度过少或重 复数据较多的问题，再采用LSTM网络训练学习生成60岁及以上人群的普适健康模型，在LSTM 网络训练过程中：
首先进行网络的设计，将训练数据的每一个样本转化为1024维行向量，输入样本先通过 一层LSTM网络和一层50％的Dropout，再通过一层LSTM网络和一层50％的Dropout，最后再 通过一层LSTM网络做数据拟合，Dropout层夹在每两层LSTM网络间以防止过拟合，然后将 多个数据拟合进行整合，通过全连接层进行分类，最终归为一类，得到60岁及以上人群的普 适健康模型；
训练后可以得到学习率变化，其中训练集识别率收敛为97％，测试机识别率为90.5％。
所述具体步骤中，第四步的特征是，个性模型调整及识别，具体为：对于已有的普适健 康模型，获取个人数据后，对模型进行识别同时持续训练调整，不断将模型根据个人实际情 况向个性化调整。此中包括全生命体征数据、生活数据、诊疗数据、环境数据以及其他多维 行为数据，采用LSTM网络进行个性化模型的学习，从而生成60岁及以上人群个体个性化健 康模型，此模型在识别过程中不断优化，同时提高识别准确率；通过训练模型得出该被识别 个体的各项健康数据的预测值，获取个体实时位置来确定个体所在环境类型，将个体基础健 康数据的预测值和所在环境类型的环境指标范围作为参考标准，将实时监测的个体各项健康 数据和环境数据与参考范围进行比较，给出个体健康异常和环境异常项的参考值，并做出对 应情况的异常预警。
实施本发明提供的一种基于LSTM网络的医养结合健康监测方法与现有技术相比具有以 下有益效果：本发明抛开对60岁及以上人群个体进行图像监测的局限，将LSTM技术应用于 对60岁及以上人群长期持续性全方面健康监测和一定程度上的异常预警，加大时间先后因素 对识别结果的影响，非常适合健康监测预警这种时间先后因素重要的数据集，从而提高识别 率；创新性的借鉴人脸识别算法的特点，采用先提取通用特征进行模型学习训练，然后根据 个性化实际数据情况进行长期持续的模型调整，以适应使用者的特征向量，为使用者提供更 加精准、个性化的健康监测和预警服务。另外，本发明在实施上首次采用paddle作为训练框 架，该框架为国产框架，适合工程中使用。
附图说明
图1为本发明的流程图。
具体实施方式
下面将对本发明实施例中的技术方案做进一步清楚、完善地详细说明。显然，本发明所 描述的实施例不是全部的实施例，基于本发明中的实施例，本领域一般技术人员在没有做出 创造性劳动前提下获得的所有其他的实施例，都属于本发明保护的范围。
本发明提供了一种基于LSTM网络的医养结合健康监测方法，对健康检测设备、智能家居 以及HIS系统收集的60岁及以上人群全方面健康信息数据进行学习建模，采用LSTM(Long Short-Term Memory)网络方法，以实现在避免侵犯隐私的情况下，对60岁及以上人群进行 长期全方面个性化健康监测、分析预测和一定程度的预警。
本发明的基础数据来源为能够提供全生命体征数据、生活数据、诊疗数据、环境数据及 其他多维行为数据的健康检测设备、智能家居以及HIS系统，其中，全生命体征数据包括心 率、脉搏、血压、血氧、体温、呼吸，生活数据包括时序上的生活规律、实时位置，诊疗数据包括病史、用药史、过敏史、手术史，环境数据包括温度(环境温度和体感温度)、湿度、 空气成分、光照强度(紫外线指数)，其他多维行为数据包括压力传感器和红外传感器提供的数据
为使本发明的目的、特征和优点能够更加清楚易懂，下面结合具体实施方式对本发明进 行进一步的详细说明。
本发明提出一种基于LSTM网络的医养结合健康监测方法，该方法包括以下具体步骤：
步骤1：收集健康检测基本数据，存于云端数据库；
步骤2：对收集到的数据进行预处理与降噪；
步骤3：对处理后的数据进行归纳训练，生成60岁及以上人群的普适健康模型；
步骤4：对普适健康模型采用LSTM网络进行个性化模型学习，生成60岁及以上人群个 体个性化健康模型，持续进行模型调整及识别，并做出对应情况的异常预警。
所述具体步骤中，第一步的特征是，所述的收集健康检测基本数据是指：经由健康检测 设备、智能家居以及HIS系统，收集获取至少一万名60岁及以上人群的全方面健康信息数据， 包括全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数据，其中，全生命 体征数据包括心率、脉搏、血压、血氧、体温、呼吸，生活数据包括时序上的生活规律、实 时位置，诊疗数据包括病史、用药史、过敏史、手术史，环境数据包括温度(环境温度和体 感温度)、湿度、空气成分、光照强度(紫外线指数)，其他多维行为数据包括压力传感器和 红外传感器提供的数据；健康监测基本数据存储在阿里云，以备后续训练过程使用。
所述具体步骤中，第二步的特征是，对收集到的数据进行预处理与降噪，具体为：对收 集获取的60岁及以上人群的全方面健康信息数据波形采用LMS的自适应陷波器进行去噪处理：
假设信号为单频干扰叠加，LMS自适应陷波器去噪为：
其中x(t)为输入信号，s(t)为去噪后信号，为噪声信号；
采样，即将60岁及以上人群的全方面健康信息数据波形作为输入信号d(n)，所需的去噪 后信号即为s(n)，通过LMS算法使线性组合的权系数得到自适应调整，从而使误差信号极小 并趋于零，实现消除干扰去噪的目的：
其中，
其中f0为采样频率，fs为原数据采集频率；
后将数据按照全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数据分 成五种数据类别并保存，作为模型训练数据样本，其中每一条数据记录包含序号、所属人编 号、时间、数据类别、数据代表含义、数据内容、数据单位等字段；
具体数据记录格式如下：
表1 全生命体征数据格式
表2 生活数据格式
表3 诊疗数据格式
表4 环境数据格式
表5 其他多维行为数据格式
所述具体步骤中，第三步的特征是，将处理后的数据进行归纳训练,具体为：将处理分类 后的60岁及以上人群的全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数 据作为训练数据样本，将60岁及以上人群的每日活动分为多种情形，包括晨练、早餐、看报、 看电视、午餐、午睡、散步、晚餐、睡觉，共9类，做分时间片特征提取，即将这些情形打 标签进行基于统计模型的特征提取并分类，采用协同过滤解决可能出现的特征维度过少或重 复数据较多的问题，再采用LSTM网络训练学习生成60岁及以上人群的普适健康模型。
其中，在标注过程中，对所有传感器的数据根据时间戳顺序排列，针对不同的60岁及以 上人群个体、不同时间段、不同行动轨迹、不同生活状态，将数据按照时间段分类标注。根 据所有传感器传回的数据，准确还原所测试老人的行动，将这些行动分类为晨练、早餐、看 报、看电视、午餐、午睡、散步、晚餐、睡觉，共9个不同标签的数据块，对不同标签做不同标注，从而在数据被存入数据库同时，加入新的标签字段。
在LSTM网络训练过程中，采用的训练环境及预计时长如下：
设备及环境：服务器1台，双Teslak80显卡，CentOS 7系统，500G(SSD)阿里云
训练框架：Paddlepaddle
使用语言：Python
预计训练时长：8天
获取数据后，首先将数据进行归一化处理(即将所有数据归并到0到1范围内，通过将 所有数据除以数据最大值得到)，然后进行深度学习框架的设计，将训练数据的每一个样本转 化为1024维行向量，输入样本先通过一层LSTM网络和一层50％的Dropout，再通过一层LSTM 网络和一层50％的Dropout，最后再通过一层LSTM网络做数据拟合，Dropout层夹在每两层 LSTM网络间以防止过拟合，然后将多个数据拟合进行整合，通过全连接层进行分类，最终归 为一类，能够得到60岁及以上人群的普适健康模型。
即将训练样本导入用Paddlepaddle构建的深度学习框架中，由机器自行训练，迭代200 次，最终得到相对收敛的训练结果，其中训练集识别率收敛为97％，测试机识别率为90.5％。
所述具体步骤中，第四步的特征是，个性模型调整及识别，具体为：对于已有的普适健 康模型，获取个人数据后，对模型进行识别同时持续训练调整，不断将模型根据个人实际情 况向个性化调整。此中包括全生命体征数据、生活数据、诊疗数据、环境数据以及其他多维 行为数据，采用LSTM网络进行个性化模型的学习，从而生成60岁及以上人群个体个性化健 康模型，此模型在识别过程中不断优化，同时提高识别准确率；通过训练模型得出该被识别 个体的各项健康数据的预测值，获取个体实时位置来确定个体所在环境类型，将个体基础健 康数据的预测值和所在环境类型的环境指标范围作为参考标准，将实时监测的个体各项健康 数据和环境数据与参考范围进行比较，给出个体健康异常和环境异常项的参考值，并做出对 应情况的异常预警。
该过程配置环境及预估时长如下：
使用模型：得到的训练模型，体积约为150MB
设备及环境：服务器1台，双Teslak80显卡，CentOS 7系统，500G(SSD)阿里云
数据库：MySQL 5.7
Web框架：Tomcat 8
数据刷新时间：300s
计算预估时长：10ms。
过程为：对于已有的普适健康模型，不断获取个人数据，此中包括全生命体征数据、生 活数据、诊疗数据、环境数据以及其他多维行为数据，将数据进行归一化处理，数据每300s 进行一次刷新，获取之前3600s的数据，从而计算得出结果通过监视器输出。
如出现结果明显不同于样本模型的数据(此判定阈值为50％)，则进行报警，将60岁及 以上人群个体的具体住所和房间输出准确定位。具体实现方式为：
a)从传感器获取数据，将其输入进数据库，按时间戳顺序排列；
b)对数据整体进行降噪，将数据中漂移较大的数据筛选和删改，从而让数据尽量整洁；
c)将整理后的数据，输入模型，经由模型训练得到结果；
d)将测试结果返回，获取预测对应生活模式以及预测概率；
e)设置预测阈值及时间阈值，阈值与预测概率进行比较，每持续600s预测值低于阈值， 则认定出现异常，严重者做应急响应处理；
f)每3分钟更新一次数据库数据，更新后重新回到a)。
结合本文中所公开的实施例描述的方法步骤可以配置搭建编程环境来实施。可以理解的 是，对于本领域的一般技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变 与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。综上所述，本说明书 内容不应理解为对本发明的限制。
Claims (5)
1.一种基于LSTM网络的医养结合健康监测方法，其特征在于，该方法包括以下步骤：
步骤1：收集健康检测基本数据，存于云端数据库；
步骤2：对收集到的数据进行预处理与降噪；
步骤3：对处理后的数据进行归纳训练，生成60岁及以上人群的普适健康模型；
步骤4：对普适健康模型采用LSTM网络进行个性化模型学习，生成60岁及以上人群个体个性化健康模型，持续进行模型调整及识别，并做出对应情况的异常预警。
2.根据权利要求1所述的医养结合健康监测方法，其特征在于，所述步骤1具体包括：经由健康检测设备、智能家居以及HIS系统，收集获取至少一万名60岁及以上人群的全方面健康信息数据，包括全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数据，其中，全生命体征数据包括心率、脉搏、血压、血氧、体温、呼吸；生活数据包括时序上的生活规律、实时位置；诊疗数据包括病史、用药史、过敏史、手术史；环境数据包括温度、湿度、空气成分、光照强度，其他多维行为数据包括压力传感器和红外传感器提供的数据。
3.根据权利要求1所述的医养结合健康监测方法，其特征在于，所述步骤2具体包括：对收集获取的60岁及以上人群的全方面健康信息数据波形采用LMS的自适应陷波器进行去噪处理：
假设信号为单频干扰叠加，LMS自适应陷波器去噪为：
其中x(t)为输入信号，s(t)为去噪后信号，为噪声信号；
采样，即将60岁及以上人群的全方面健康信息数据波形作为输入信号d(n)，所需的去噪后信号即为s(n)，通过LMS算法使线性组合的权系数得到自适应调整，从而使误差信号极小并趋于零，实现消除干扰去噪的目的：
其中，
其中f0为采样频率，fs为原数据采集频率；
后将数据按照全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数据分成五种数据类别并保存，作为模型训练数据样本，其中每一条数据记录包含序号、所属人编号、时间、数据类别、数据代表含义、数据内容、数据单位字段。
4.根据权利要求1所述的医养结合健康监测方法，其特征在于，所述步骤3具体包括：将处理分类后的60岁及以上人群的全生命体征数据、生活数据、诊疗数据、环境数据及其他多维行为数据作为训练数据样本，将60岁及以上人群的每日活动分为多种情形，包括晨练、早餐、看报、看电视、午餐、午睡、散步、晚餐、睡觉，共9类，做分时间片特征提取，即将这些情形打标签进行基于统计模型的特征提取并分类，采用协同过滤解决可能出现的特征维度过少或重复数据较多的问题，再采用LSTM网络训练学习生成60岁及以上人群的普适健康模型；其中，在LSTM网络训练过程中：
首先进行网络设计，将训练数据的每一个样本转化为1024维行向量，输入样本先通过一层LSTM网络和一层50％的Dropout，再通过一层LSTM网络和一层50％的Dropout，最后再通过一层LSTM网络做数据拟合，Dropout层夹在每两层LSTM网络间以防止过拟合，然后将多个数据拟合进行整合，通过全连接层进行分类，最终归为一类，得到60岁及以上人群的普适健康模型；训练后得到学习率变化，其中训练集识别率收敛为97％，测试机识别率为90.5％。
5.根据权利要求1所述的医养结合健康监测方法，其特征在于，所述步骤4具体包括：对于已有的普适健康模型，获取个人数据后，对模型进行识别同时持续训练调整，不断将模型根据个人实际情况向个性化调整；此中包括全生命体征数据、生活数据、诊疗数据、环境数据以及其他多维行为数据，采用LSTM网络进行个性化模型的学习，从而生成60岁及以上人群个体个性化健康模型，此模型在识别过程中不断优化，同时提高识别准确率；通过训练模型得出该被识别个体的各项健康数据的预测值，获取个体实时位置来确定个体所在环境类型，将个体基础健康数据的预测值和所在环境类型的环境指标范围作为参考标准，将实时监测的个体各项健康数据和环境数据与参考范围进行比较，给出个体健康异常和环境异常项的参考值，并做出对应情况的异常预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810417954.0A CN108597609A (zh) | 2018-05-04 | 2018-05-04 | 一种基于lstm网络的医养结合健康监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810417954.0A CN108597609A (zh) | 2018-05-04 | 2018-05-04 | 一种基于lstm网络的医养结合健康监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108597609A true CN108597609A (zh) | 2018-09-28 |
Family
ID=63619811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810417954.0A Pending CN108597609A (zh) | 2018-05-04 | 2018-05-04 | 一种基于lstm网络的医养结合健康监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108597609A (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447164A (zh) * | 2018-11-01 | 2019-03-08 | 厦门大学 | 一种运动行为模式分类方法、系统以及装置 |
| CN109472311A (zh) * | 2018-11-13 | 2019-03-15 | 北京物灵智能科技有限公司 | 一种用户行为识别方法及装置 |
| CN109615012A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109636421A (zh) * | 2018-12-13 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109659035A (zh) * | 2018-12-13 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109685671A (zh) * | 2018-12-13 | 2019-04-26 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109767836A (zh) * | 2018-12-29 | 2019-05-17 | 上海亲看慧智能科技有限公司 | 一种医学诊断人工智能系统、装置及其自我学习方法 |
| CN110458355A (zh) * | 2019-08-09 | 2019-11-15 | 泰康保险集团股份有限公司 | 事件预测方法、装置、设备及存储介质 |
| CN110827994A (zh) * | 2020-01-13 | 2020-02-21 | 四川大学华西医院 | 心梗预警方法、装置及设备、存储介质 |
| CN111026004A (zh) * | 2019-11-07 | 2020-04-17 | 来邦科技股份公司 | 环境监测方法和系统 |
| CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
| CN111616695A (zh) * | 2020-06-29 | 2020-09-04 | 歌尔科技有限公司 | 一种心率获取方法、装置、系统和介质 |
| WO2020207317A1 (zh) * | 2019-04-09 | 2020-10-15 | Oppo广东移动通信有限公司 | 用户健康评估方法、装置、存储介质及电子设备 |
| CN111798980A (zh) * | 2020-07-10 | 2020-10-20 | 哈尔滨工业大学（深圳） | 基于深度学习网络的复杂医学生物信号处理方法和装置 |
| CN111951965A (zh) * | 2020-07-31 | 2020-11-17 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
| CN112037932A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技（深圳）有限公司 | 患者用药行为干预方法及装置、服务器、存储介质 |
| CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
| CN112259260A (zh) * | 2020-11-18 | 2021-01-22 | 中国科学院自动化研究所 | 基于智能穿戴设备的智能医疗问答方法、系统及装置 |
| CN112289430A (zh) * | 2020-09-30 | 2021-01-29 | 音数汇元(上海)智能科技有限公司 | 居家护理信息推送方法、装置、计算机设备和存储介质 |
| CN112735609A (zh) * | 2020-12-31 | 2021-04-30 | 浙江禾连网络科技有限公司 | 一种基于lstm模型的老年人生物信号健康监测方法 |
| CN113168908A (zh) * | 2018-10-05 | 2021-07-23 | 阿利弗克公司 | 使用移动装置持续监测用户健康 |
| CN113220801A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种结构化数据分类方法、装置、设备及介质 |
| CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
| WO2023226369A1 (zh) * | 2022-05-26 | 2023-11-30 | 深圳先进技术研究院 | 预测机械通气脱机的方法、装置、设备及存储介质 |
| CN118507073A (zh) * | 2024-07-15 | 2024-08-16 | 中国人民解放军海军青岛特勤疗养中心 | 基于云计算的康复护理数据集成管理系统及方法 |
| US12453482B2 (en) | 2013-12-12 | 2025-10-28 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
| US12471786B2 (en) | 2013-12-12 | 2025-11-18 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
| CN106999111A (zh) * | 2014-10-01 | 2017-08-01 | 纽洛斯公司 | 用于检测不可见人类情感的系统和方法 |
| CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
| CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
| CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
| CN107786369A (zh) * | 2017-09-26 | 2018-03-09 | 广东电网有限责任公司电力调度控制中心 | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 |
| CN107864405A (zh) * | 2017-11-14 | 2018-03-30 | 国家新闻出版广电总局广播科学研究院 | 一种收视行为类型的预测方法、装置及计算机可读介质 |
-
2018
- 2018-05-04 CN CN201810417954.0A patent/CN108597609A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106999111A (zh) * | 2014-10-01 | 2017-08-01 | 纽洛斯公司 | 用于检测不可见人类情感的系统和方法 |
| CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
| CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
| CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
| CN107786369A (zh) * | 2017-09-26 | 2018-03-09 | 广东电网有限责任公司电力调度控制中心 | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 |
| CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
| CN107864405A (zh) * | 2017-11-14 | 2018-03-30 | 国家新闻出版广电总局广播科学研究院 | 一种收视行为类型的预测方法、装置及计算机可读介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈智: "一种基于LMS算法自适应陷波器的设计", 《郧阳师范高等专科学校学报》 * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12471786B2 (en) | 2013-12-12 | 2025-11-18 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
| US12453482B2 (en) | 2013-12-12 | 2025-10-28 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
| CN113168908A (zh) * | 2018-10-05 | 2021-07-23 | 阿利弗克公司 | 使用移动装置持续监测用户健康 |
| CN109447164A (zh) * | 2018-11-01 | 2019-03-08 | 厦门大学 | 一种运动行为模式分类方法、系统以及装置 |
| CN109472311A (zh) * | 2018-11-13 | 2019-03-15 | 北京物灵智能科技有限公司 | 一种用户行为识别方法及装置 |
| CN109615012A (zh) * | 2018-12-13 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109636421A (zh) * | 2018-12-13 | 2019-04-16 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109659035A (zh) * | 2018-12-13 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109685671A (zh) * | 2018-12-13 | 2019-04-26 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
| CN109767836A (zh) * | 2018-12-29 | 2019-05-17 | 上海亲看慧智能科技有限公司 | 一种医学诊断人工智能系统、装置及其自我学习方法 |
| WO2020207317A1 (zh) * | 2019-04-09 | 2020-10-15 | Oppo广东移动通信有限公司 | 用户健康评估方法、装置、存储介质及电子设备 |
| CN110458355A (zh) * | 2019-08-09 | 2019-11-15 | 泰康保险集团股份有限公司 | 事件预测方法、装置、设备及存储介质 |
| CN111026004A (zh) * | 2019-11-07 | 2020-04-17 | 来邦科技股份公司 | 环境监测方法和系统 |
| CN110827994B (zh) * | 2020-01-13 | 2020-04-17 | 四川大学华西医院 | 心梗预警方法、装置及设备、存储介质 |
| CN110827994A (zh) * | 2020-01-13 | 2020-02-21 | 四川大学华西医院 | 心梗预警方法、装置及设备、存储介质 |
| CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
| CN111616695A (zh) * | 2020-06-29 | 2020-09-04 | 歌尔科技有限公司 | 一种心率获取方法、装置、系统和介质 |
| CN111798980A (zh) * | 2020-07-10 | 2020-10-20 | 哈尔滨工业大学（深圳） | 基于深度学习网络的复杂医学生物信号处理方法和装置 |
| CN111798980B (zh) * | 2020-07-10 | 2024-06-28 | 哈尔滨工业大学（深圳） | 基于深度学习网络的复杂医学生物信号处理方法和装置 |
| CN111951965A (zh) * | 2020-07-31 | 2020-11-17 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
| CN111951965B (zh) * | 2020-07-31 | 2024-01-23 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
| CN112037932A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技（深圳）有限公司 | 患者用药行为干预方法及装置、服务器、存储介质 |
| CN112037932B (zh) * | 2020-09-09 | 2024-10-18 | 平安科技（深圳）有限公司 | 患者用药行为干预方法及装置、服务器、存储介质 |
| WO2021151329A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技（深圳）有限公司 | 患者用药行为干预方法及装置、服务器、存储介质 |
| CN112289430A (zh) * | 2020-09-30 | 2021-01-29 | 音数汇元(上海)智能科技有限公司 | 居家护理信息推送方法、装置、计算机设备和存储介质 |
| CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
| CN112259260B (zh) * | 2020-11-18 | 2023-11-17 | 中国科学院自动化研究所 | 基于智能穿戴设备的智能医疗问答方法、系统及装置 |
| CN112259260A (zh) * | 2020-11-18 | 2021-01-22 | 中国科学院自动化研究所 | 基于智能穿戴设备的智能医疗问答方法、系统及装置 |
| CN112735609A (zh) * | 2020-12-31 | 2021-04-30 | 浙江禾连网络科技有限公司 | 一种基于lstm模型的老年人生物信号健康监测方法 |
| CN113220801A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种结构化数据分类方法、装置、设备及介质 |
| CN113220801B (zh) * | 2021-05-17 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 一种结构化数据分类方法、装置、设备及介质 |
| WO2023226369A1 (zh) * | 2022-05-26 | 2023-11-30 | 深圳先进技术研究院 | 预测机械通气脱机的方法、装置、设备及存储介质 |
| CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
| CN114999649B (zh) * | 2022-06-06 | 2022-12-27 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
| CN118507073A (zh) * | 2024-07-15 | 2024-08-16 | 中国人民解放军海军青岛特勤疗养中心 | 基于云计算的康复护理数据集成管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108597609A (zh) | 一种基于lstm网络的医养结合健康监测方法 | |
| Haque et al. | State-of-the-art of stress prediction from heart rate variability using artificial intelligence | |
| CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
| CN109841282A (zh) | 一种基于云计算的中医健康管理云系统及其搭建方法 | |
| Urwyler et al. | Recognition of activities of daily living in healthy subjects using two ad-hoc classifiers | |
| Bhavani et al. | Stress classification and vital signs forecasting for IoT-health monitoring | |
| Elbayoudi et al. | The human behaviour indicator: A measure of behavioural evolution | |
| Singh et al. | Stress recognition with multi‐modal sensing using bootstrapped ensemble deep learning model | |
| CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
| Wong et al. | Development of an intelligent e-healthcare system for the domestic care industry | |
| Manocha et al. | Dew computing-inspired health-meteorological factor analysis for early prediction of bronchial asthma | |
| SM et al. | Mobile application based speech and voice analysis for COVID-19 detection using computational audit techniques | |
| CN118692705A (zh) | 基于大数据的身体健康状态监控方法及系统 | |
| CN110473631B (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
| Thilakarathne et al. | Artificial intelligence-enabled IoT for health and wellbeing monitoring | |
| CN114521900A (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
| Oliveira et al. | CNN for elderly wandering prediction in indoor scenarios | |
| Arora et al. | Deep‐SQA: A deep learning model using motor activity data for objective sleep quality assessment assisting digital wellness in healthcare 5.0 | |
| Meena et al. | IoT and BSN Applications for Real Time Monitoring and Disease Prediction | |
| Dai et al. | Mental health monitoring based on multiperception intelligent wearable devices | |
| Bhuvana et al. | AI Innovations in IoT and Machine Learning for Health Prediction Systems | |
| Belmonte-Fernández et al. | Anomaly detection in activities of daily living with linear drift | |
| Kumar et al. | Unveiling Mental Stress: Examining the Impact on College Students' Well-being Using Machine Learning Based Solutions | |
| Arora | IoT-enabled smart mental health assessment using deep hybrid regression models over actigraph-based sequential motor activity data | |
| Zhu et al. | Design of health detection system for elderly smart watch based on biosignal acquisition |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |