健康数据分析方法、装置、电子设备及存储介质

技术领域

本发明涉及机器学习和医疗健康领域，尤其涉及一种健康数据分析方法、装置、电子设备及存储介质。

背景技术

随着医疗技术的不断进步，人们对健康的关注和管理也日益重视。然而，传统的健康数据分析方法存在一些问题，例如传统的医疗监测器械比较大型，不利于日常携带，且需要专业的操作方法，使用户日常数据采集不方便；传统医疗监测器械的数据大都需要专业的人员进行人工分析，用户自己进行数据分析的难度大；传统的医疗监测器械缺乏实时监测和管理等功能。

因此，针对传统健康数据分析方法中数据采集不方便、数据分析难度大、缺乏实时监测和管理的问题，需要提供一种高效、便捷、实时的健康数据分析的方法。

发明内容

鉴于以上原因，有必要提供一种健康数据分析方法、装置、电子设备及存储介质，使得健康数据分析高效、便捷、实时。

为实现上述目的，本发明提供一种健康数据分析方法，该方法包括如下步骤：

S1、获取健康数据模型的训练指令，所述训练指令包含多个模型类型信息与各个模型类型信息对应的数据类型信息，从预设模型库中获取所述模型类型信息对应的多个待训练模型，从预设的样本数据库中获取所述数据类型信息对应的多组样本数据集；

S2、根据所述模型类型信息与数据类型信息的对应关系，建立所述样本数据集与所述待训练模型的对应关系，使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型，将多个所述子模型通过公共连接点组合成一个健康监测大模型；

S3、获取用户的健康数据，对所述健康数据进行预处理得到特征数据，根据所述数据类型信息对所述特征数据进行分类得到多组分类特征数据；

S4、通过预设的特征提取算法将各组所述分类特征数据转换为对应的分类特征向量；

S5、基于所述健康监测大模型中对应的子模型对所述多组特征向量按照对应的数据类型信息进行处理，对各个所述子模型的处理结果进行整合得到监测结果，根据所述监测结果生成健康管理方案。

可选地，所述使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型，包括：

基于选择的训练数据集训练对应的待训练模型，得到第一训练模型，基于选择的测试数据集测试对应的第一训练模型，得到测试结果，计算测试结果与测设数据集对应的真实结果之间的误差指标，当所述误差指标小于预设阈值，评估结果为通过；

当所述误差指标大于或等于预设阈值，评估结果为不通过，调整第一训练模型的参数后再次测试，直到评估通过；

选择评估通过中所述误差指标最小的第一训练模型为训练完成的子模型。

可选地，所述对各个所述子模型的处理结果进行整合得到监测结果包括：

通过所述公共连接点对各个所述子模型的处理结果进行整合得到监测结果。

可选地，所述获取用户的健康数据包括：

通过可穿戴设备，包括智能手环、智能手表、智能眼镜，实时获取监测用户的生理指标数据，包括心率、血压、睡眠质量；

通过智能家居，包括智能门锁、智能灯具、智能插座，实时获取用户的生活数据，包括起床时间、离家时间、归家时间；

通过问卷调查收集用户生活习惯和用药情况等信息。

可选地，所述预处理包括：

选用预处理方法中的一种或几种，并设定方法的使用顺序，所述预处理方法包括：清洗处理、数据缺失值的填充处理、数据归一化处理。

可选地，所述根据所述监测结果生成健康管理方案包括：

从预设的关联数据库中获取每条监测数据的关联方案，通过所述公共连接点和所述监测数据的权重对所有监测数据的关联方案进行整合，得到健康管理方案，所述健康管理方案包括饮食建议、运动建议、作息建议、就医建议、发送智能设备指令和提示。

进一步地，所述提示为监测结果超出预设阈值时执行，所述执行方式包括语音信号提示、震动提示和光信号提示。

本发明还提供一种健康数据分析装置，所述健康数据分析装置包括：

训练模块，用于获取健康数据模型的训练指令，所述训练指令包含多个模型类型信息与各个模型类型信息对应的数据类型信息，从预设模型库中获取所述模型类型信息对应的多个待训练模型，从预设的样本数据库中获取所述数据类型信息对应的多组样本数据集，根据所述模型类型信息与数据类型信息的对应关系，建立所述样本数据集与所述待训练模型的对应关系，使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型；

模型生成模块，用于将多个所述子模型通过公共连接点组合成一个健康监测大模型；

预处理模块，用于获取用户的健康数据，对所述健康数据进行预处理得到特征数据，根据所述数据类型信息对所述特征数据进行分类得到多组分类特征数据；

转换模块，用于通过预设的特征提取算法将各组所述分类特征数据转换为对应的分类特征向量；

方案生成模块，用于基于所述健康监测大模型中对应类别的子模型处理所述多组特征向量，根据各个子模型的处理结果得到监测结果，根据所述监测结果生成健康管理方案。

本发明还提供一种电子设备，该电子设备包括存储器和处理器，所述存储器中包括健康数据分析程序，该健康数据分析程序被所述处理器执行时实现如上所述的健康数据分析方法中的任意步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括健康数据分析程序，所述健康数据分析程序被处理器执行时，实现如上所述的健康数据分析方法中的任意步骤。

本发明提供的健康数据分析方法、装置、电子设备及计算机可读存储介质，基于训练指令训练多个模型，并将训练完成的多个模型通过公共连接点生成健康监测大模型；获取用户的健康数据，根据预设的预处理方法对用户健康数据进行预处理并分类；通过预设的特征提取算法将分类后的分类特征数据转换为多组分类特征向量；基于健康监测大模型处理多组分类特征向量，得到监测结果，根据所述监测结果生成健康管理方案。本发明可以应用于个人健康管理，利用机器学习模型和预处理方法处理相关数据，具有较好的便捷性和效益性，利用智能设备可实时监测用户健康数据，基于用户健康数据分析可有效地为用户提供更加个性化的健康指导。

附图说明

图1为本发明一实施例提供的健康数据分析方法的电子设备的内部结构示意图；

图2为本发明一实施例提供的健康数据分析方法的模块示意图；

图3为本发明一实施例提供的健康数据分析方法的流程示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将参考若干具体实施例来描述本发明的原理和精神。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参阅图1所示，是本发明提出的电子设备一可选的硬件架构示意图。本实施例中，电子设备10可包括，但不仅限于，可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-14的电子设备10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

其中，存储器11至少包括一种类型的计算机可读存储介质，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器11可以是电子设备10的内部存储单元，例如电子设备10的硬盘或内存。在另一些实施例中，存储器11也可以是电子设备10的外包存储设备，例如电子设备10上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器11还可以既包括电子设备10的内部存储单元也包括其外包存储设备。本实施例中，存储器11通常用于存储安装于电子设备10的操作系统和各类应用软件，例如健康数据分析程序等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子设备10的总体操作。本实施例中，处理器12用于运行存储器11中存储的程序代码或者处理数据，例如运行的健康数据分析程序等。

网络接口13可包括无线网络接口或有线网络接口，网络接口13通常用于在电子设备10与其他电子设备之间建立通信连接。

通信总线14用于实现组件11-13之间的通信连接。

可选地，电子设备10还可以包括用户接口(图1中未示出)，用户接口可以包括显示器、输入单元比如键盘，其中，用户接口还可以包括标准的有线接口、无线接口等。

可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED触摸器等。进一步地，显示器也可称为显示屏或显示单元，用于显示在电子设备10中处理信息以及用于显示可视化的用户界面。

可选地，在一些实施例中，电子设备10还可以包括音频单元(音频单元图1中未示出)，音频单元可以在电子设备10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将接收的或者存储的音频数据转换为音频信号；进一步地，电子设备10还可以包括音频输出单元，音频输出单元将音频单元转换的音频信号输出，而且音频输出单元还可以提供与电子设备10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等)，音频输出单元可以包括扬声器、蜂鸣器等等。

可选地，在一些实施例中，电子设备10还可以包括警报单元(图中未示出)，警报单元可以提供输出已将事件的发生通知给电子设备10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外，警报单元可以以不同的方式提供输出以通知事件的发生。例如，警报单元可以以震动的形式提供输出，当接收到呼叫、消息或一些其他可以使电子设备10进入通信模式时，警报单元可以提供触觉输出(即，振动)以将其通知给用户。

在上述实施例中，处理器12执行存储器11中存储的健康数据分析程序时实现如下步骤：

S1、获取健康数据模型的训练指令，所述训练指令包含多个模型类型信息与各个模型类型信息对应的数据类型信息，从预设模型库中获取所述模型类型信息对应的多个待训练模型，从预设的样本数据库中获取所述数据类型信息对应的多组样本数据集；

S2、根据所述模型类型信息与数据类型信息的对应关系，建立所述样本数据集与所述待训练模型的对应关系，使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型，将多个所述子模型通过公共连接点组合成一个健康监测大模型；

S3、获取用户的健康数据，对所述健康数据进行预处理得到特征数据，根据所述数据类型信息对所述特征数据进行分类得到多组分类特征数据；

S4、通过预设的特征提取算法将各组所述分类特征数据转换为对应的分类特征向量；

S5、基于所述健康监测大模型中对应的子模型对所述多组特征向量按照对应的数据类型信息进行处理，对各个所述子模型的处理结果进行整合得到监测结果，根据所述监测结果生成健康管理方案。

关于上述步骤的详细介绍，请参照下述图2健康数据分析方法的模块示意图及图3健康数据分析方法的流程示意图的陈述。

参照图2所示，是本发明健康数据分析方法一实施例中的模块示意图，在本实施例中，多个模块被存储于存储器11中，并由处理器12执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。

所述健康数据分析程序可以被分割为：训练模块201、模型生成模块202、预处理模块203、转换模块204和方案生成模块205。

训练模块201，用于获取健康数据模型的训练指令，所述训练指令包含多个模型类型信息与各个模型类型信息对应的数据类型信息，从预设模型库中获取所述模型类型信息对应的多个待训练模型，从预设的样本数据库中获取所述数据类型信息对应的多组样本数据集，根据所述模型类型信息与数据类型信息的对应关系，建立所述样本数据集与所述待训练模型的对应关系，使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型。

具体地，所述待训练模型的类型包括：分类问题类、回归问题类、图像问题类、预测连续变量问题类。所述模型为机器学习模型；所述样本数据集包括训练数据集和测试数据集，所述训练数据集包括当前用户的历史健康数据和其他用户的历史健康数据，所述测试数据集包括用户的历史数据健康数据和预构建的标准测试数据。所述预设模型库中的模型包括：线性回归(Linear Regression)、逻辑回归(Logistic Regression)、决策树(Decision Tree)、支持向量机(Support Vector Machine,SVM)、K近邻算法(K-NearestNeighbors,KNN)、卷积神经网络(Convolutional Neural Networks,CNN)和随机森林(Random Forest)。

具体地，所述使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型，包括：

基于选择的训练数据集训练对应的待训练模型，得到第一训练模型，基于选择的测试数据集测试对应的第一训练模型，得到测试结果，计算测试结果与测设数据集对应的真实结果之间的误差指标，当所述误差指标小于预设阈值，评估结果为通过；

当所述误差指标大于或等于预设阈值，评估结果为不通过，调整第一训练模型的参数后再次测试，直到评估通过；

选择评估通过中所述误差指标最小的第一训练模型为训练完成的子模型。所述误差指标包括误差项，置信区间，显著性水平。

在一实施例中，利用线性回归模型(公式为y＝b

模型生成模块202，用于将多个所述子模型通过公共连接点组合成一个健康监测大模型。

在一实施例中，对关于医疗图像(CT图)的训练数据集，使用卷积神经网络模型进行训练，通过调整卷积神经网络模型的参数，提升训练效果。所述卷积神经网络模型的参数包括：批次大小(Batch Size)、数据轮次(Epoch)、权重衰减系数(Weight Decay)、学习率(Learning Rate)。对于当前用户的健康数据包含预测连续型变量：身高、体重，则选择线性回归模型和关于预测连续型变量的训练数据集进行训练，并将评估通过的线性回归模型用于处理当前用户关于预测连续型变量的数据。然后使用公共连接点连接卷积神经网络模型和线性回归模型。本发明通过机器学习算法实现更加精细化的数据分析和预测，更加准确。

预处理模块203，用于获取用户的健康数据，对所述健康数据进行预处理得到特征数据，根据所述数据类型信息对所述特征数据进行分类得到多组分类特征数据。

具体地，所述获取用户的健康数据包括：

通过可穿戴设备，包括智能手环、智能手表、智能眼镜，实时获取监测用户的生理指标数据，包括心率、血压、睡眠质量；

通过智能家居，包括智能门锁、智能灯具、智能插座，实时获取用户的生活数据，包括起床时间、离家时间、归家时间；

通过问卷调查收集用户生活习惯和用药情况等信息。

具体地，所述预处理包括：

选用预处理方法中的一种或几种，并设定方法的使用顺序，所述预处理方法包括：清洗处理、数据缺失值的填充处理、数据归一化处理。所述分类的类型包括：分类问题类、回归问题类、图像问题类、连续变量问题类。对所述健康数据进行预处理，可以确保数据的质量和准确性。清洗数据是为了删除或修复损坏或不完整的数据，数据归一化处理是为了确保数据具有相似的尺度和范围，缺失值的填充可以根据相关数据或专家知识进行填充。

在一实施例中，用户通过智能腕表内置的身体指标检测模块实时获取用户的血压数据、心率数据、睡眠状态数据；通过智能门锁内置的检测模块获得用户的离家时间、归家时间；通过手机移动端APP向用户发布问卷调查，获得用户生活习惯：喜欢吃甜食，用药情况:餐前5分钟注射胰岛素。其中的睡眠状态数据经过预处理后被分为分类问题类，可用于睡眠质量分类(睡眠质量类别为优秀、良好、差)。智能腕表、智能门锁和手机移动端APP将各自获得的数据通过网络传输到处理器上，处理器将所述数据依次进行清洗处理、数据归一化处理，得到预处理后的特征数据。本发明通过可穿戴设备和智能家居等技术手段，实现实时监测和管理，更加便捷；实现实时监测，及时发现异常情况并进行提醒和干预，更加有效。

转换模块204，用于通过预设的特征提取算法将各组所述分类特征数据转换为对应的分类特征向量。

具体地，所述特征提取算法包括主成分分析法、线性判别分析法。

主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。

线性判别分析法是一种经典的线性学习方法，在二分类问题上因为最早由Fisher提出，亦称“Fisher判别分析”，是一种监督学习的降维技术，也就是说它的数据集的每个样本都有类别输出。这点与主成分和因子分析不同，因为它们是不考虑样本类别的无监督降维技术。线性判别分析法对给定训练样例集，设法将样例投影到一条直线上，使得同样样例的投影尽可能接近、异样样例的投影点尽可能远离；在对新样本进行分类时，将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别，即“投影后类内方差最小，类间方差最大”。

在一实施例中，通过主成分分析法将关于用户的血压数据、心率数据、睡眠状态数据的预处理数据进行特征提取，得到一组特征向量，该组特征向量能反映用户的血压、心率和睡眠状态变化特征。本发明通过特征提取算法实现更加精细化的数据分析和预测，更加准确。

方案生成模块205，用于基于所述健康监测大模型中对应类别的子模型处理所述多组特征向量，根据各个子模型的处理结果得到监测结果，根据所述监测结果生成健康管理方案。

具体地，所述对各个所述子模型的处理结果进行整合得到监测结果包括：

通过所述公共连接点对各个所述子模型的处理结果进行整合得到监测结果。

具体地，所述根据所述监测结果生成健康管理方案包括：

从预设的关联数据库中获取每条监测数据的关联方案，通过所述公共连接点和所述监测数据的权重对所有监测数据的关联方案进行整合，得到健康管理方案，所述管理方案包括饮食建议、运动建议、作息建议、就医建议、发送智能设备指令和提示。

进一步地，所述提示为监测结果超出预设阈值时执行，所述执行方式包括语音信号提示、震动提示和光信号提示。

在一实施例中，用户的健康数据包含体重，利用线性回归算法模型(公式y＝w*x+b，其中x为时间，单位为月，y为体重，单位为kg，w和b为常数)进行训练，训练好的线性回归算法模型公式为y＝1*x+50，可知用户体重有上升趋势，设置当y≥100时对用户进行提示，并建议用户进行适当运动：每天进行30min有氧运动，进行健康饮食：减少脂肪和碳水摄入，进行良好作息：不熬夜、保证良好睡眠。

在一实施例中，用户的健康数据包含预测连续型变量：身高、体重和图像数据：CT图，则选择线性回归模型处理关于预测连续型变量的特征向量，选择卷积神经网络模型处理关于图像数据的特征向量。

在一实施例中，用户的健康数据经过模型处理后通过所述公共连接点对各个所述子模型的处理结果进行整合后得到的监测结果显示为：

居家状态；

体温为35.5℃，低于日常体温0.5℃，且有下降趋势；

心率为100次/分钟，高于日常心率10％，且有上升趋势；

血压值为收缩压140mmHg，舒张压90mmHg，超出日常血压值10％，且有上升趋势；

体表温度为10℃，超出体表温度波动范围。

通过公共连接点可以比较系统地对数据进行整合并展示给用户。

生成的健康管理方案为：

建议用户尽快离开低温环境或增添衣物保暖；建议用户摄入高热量食物，例如坚果类：花生、核桃，肉类：牛肉、猪肉，碳水类：米饭、粉面，以防止低温环境下热量散失过快；建议用户进行适当运动保持热身状态，防止手脚麻木、行动不便；最近的医院、诊所为xx医院，建议前往该医院挂内科；执行提示：将提示指令发送至用户的智能腕表和手机移动端APP上，使智能腕表和手机震动，指示灯闪烁，并进行语音播送：“请注意，您的健康状态不良！请及时查看健康管理信息！”；向智能空调发送智能设备指令的升温指令(该升温指令包括预设温度)；向用户手机发送监测结果和建议信息。

在生成健康管理方案后，智能空调接收到升温指令，进入升温状态，对室内开始加热，直到室内温度达到预设温度。同时，用户的智能腕表和手机震动，指示灯闪烁，并进行语音播送：“请注意，您的健康状态不良！请及时查看健康管理信息！”，用户接收到提示，打开手机移动端APP即可接收到监测结果和建议信息：

“居家状态；

体温为35.5℃，低于日常体温0.5℃，且有下降趋势；

心率为100次/分钟，高于日常心率10％，且有上升趋势；

血压值为收缩压140mmHg，舒张压90mmHg，超出日常血压值10％，且有上升趋势；

体表温度为10℃，超出体表温度波动范围。

建议用户尽快离开低温环境或增添衣物保暖；建议用户摄入高热量食物，例如坚果类：花生、核桃，肉类：牛肉、猪肉，碳水类：米饭、粉面，以防止低温环境下热量散失过快；建议用户进行适当运动保持热身状态，防止手脚麻木、行动不便；最近的医院或诊所为xx医院，若有身体不适的症状，如头疼、发烧，建议前往该医院挂内科。”

在一实施例中，获得用户体重：150kg，生活习惯：喜欢吃甜食，用药情况:餐前5分钟注射胰岛素，则在健康管理方案中包含关于血糖的建议措施：建议少食甜食，增加粗粮摄入比例，清淡饮食；建议每天进行适度的有氧运动；建议定期前往医院体检。

在一实施例中，利用人工智能处理模型(例如GPT，Generative Pre-TrainedTransformer)对监测结果进行处理，形成具有清晰逻辑、表达顺畅的健康管理方案和建议信息。

本发明提供的健康数据分析方法、装置、电子设备及计算机可读存储介质，基于训练指令训练多个模型，并将训练完成的多个模型通过公共连接点生成健康监测大模型；获取用户的健康数据，根据预设的预处理方法对用户健康数据进行预处理并分类；通过预设的特征提取算法将分类后的分类特征数据转换为多组分类特征向量；基于健康监测大模型处理多组分类特征向量，得到监测结果，根据所述监测结果生成健康管理方案。本发明可以应用于个人健康管理，利用机器学习模型和预处理方法处理相关数据，具有较好的便捷性和效益性，利用智能设备可实时监测用户健康数据，基于用户健康数据分析可有效地为用户提供更加个性化的健康指导。

参照图3所示，是本发明健康数据分析方法一实施例中的流程示意图。在本实施例中，电子设备10的处理器12执行存储器11中的健康数据分析程序时实现健康数据分析方法的如下步骤：

步骤S301、获取健康数据模型的训练指令，所述训练指令包含多个模型类型信息与各个模型类型信息对应的数据类型信息，从预设模型库中获取所述模型类型信息对应的多个待训练模型，从预设的样本数据库中获取所述数据类型信息对应的多组样本数据集。

具体地，所述待训练模型的类型包括：分类问题类、回归问题类、图像问题类、预测连续变量问题类。所述模型为机器学习模型；所述样本数据集包括训练数据集和测试数据集，所述训练数据集包括当前用户的历史健康数据和其他用户的历史健康数据，所述测试数据集包括用户的历史数据健康数据和预构建的标准测试数据。所述预设模型库中的模型包括：线性回归(Linear Regression)、逻辑回归(Logistic Regression)、决策树(Decision Tree)、支持向量机(Support Vector Machine,SVM)、K近邻算法(K-NearestNeighbors,KNN)、卷积神经网络(Convolutional Neural Networks,CNN)和随机森林(Random Forest)。

步骤S302、根据所述模型类型信息与数据类型信息的对应关系，建立所述样本数据集与所述待训练模型的对应关系，使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型，将多个所述子模型通过公共连接点组合成一个健康监测大模型。

具体地，所述使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型，包括：

基于选择的训练数据集训练对应的待训练模型，得到第一训练模型，基于选择的测试数据集测试对应的第一训练模型，得到测试结果，计算测试结果与测设数据集对应的真实结果之间的误差指标，当所述误差指标小于预设阈值，评估结果为通过；

当所述误差指标大于或等于预设阈值，评估结果为不通过，调整第一训练模型的参数后再次测试，直到评估通过；

选择评估通过中所述误差指标最小的第一训练模型为训练完成的模型。所述误差指标包括误差项，置信区间，显著性水平。

在一实施例中，利用线性回归模型(公式为y＝b

在一实施例中，对关于医疗图像(CT图)的训练数据集，使用卷积神经网络模型进行训练，通过调整卷积神经网络模型的参数，提升训练效果。所述卷积神经网络模型的参数包括：批次大小(Batch Size)、数据轮次(Epoch)、权重衰减系数(Weight Decay)、学习率(Learning Rate)。对于当前用户的健康数据包含预测连续型变量：身高、体重，则选择线性回归模型和关于预测连续型变量的训练数据集进行训练，并将评估通过的线性回归模型用于处理当前用户关于预测连续型变量的数据。然后使用公共连接点连接卷积神经网络模型和线性回归模型。本发明通过机器学习算法实现更加精细化的数据分析和预测，更加准确。

步骤S303、获取用户的健康数据，对所述健康数据进行预处理得到特征数据，根据所述数据类型信息对所述特征数据进行分类得到多组分类特征数据。

具体地，所述获取用户的健康数据包括：

通过可穿戴设备，包括智能手环、智能手表、智能眼镜，实时获取监测用户的生理指标数据，包括心率、血压、睡眠质量；

通过智能家居，包括智能门锁、智能灯具、智能插座，实时获取用户的生活数据，包括起床时间、离家时间、归家时间；

通过问卷调查收集用户生活习惯和用药情况等信息。

具体地，所述预处理包括：

选用预处理方法中的一种或几种，并设定方法的使用顺序，所述预处理方法包括：清洗处理、数据缺失值的填充处理、数据归一化处理。所述分类的类型包括：分类问题类、回归问题类、图像问题类、连续变量问题类。对所述健康数据进行预处理，可以确保数据的质量和准确性。清洗数据是为了删除或修复损坏或不完整的数据，数据归一化处理是为了确保数据具有相似的尺度和范围，缺失值的填充可以根据相关数据或专家知识进行填充。

在一实施例中，用户通过智能腕表内置的身体指标检测模块实时获取用户的血压数据、心率数据、睡眠状态数据；通过智能门锁内置的检测模块获得用户的离家时间、归家时间；通过手机移动端APP向用户发布问卷调查，获得用户生活习惯：喜欢吃甜食，用药情况:餐前5分钟注射胰岛素。其中的睡眠状态数据经过预处理后被分为分类问题类，可用于睡眠质量分类(睡眠质量类别为优秀、良好、差)。智能腕表、智能门锁和手机移动端APP将各自获得的数据通过网络传输到处理器上，处理器将所述数据依次进行清洗处理、数据归一化处理，得到预处理后的特征数据。本发明通过可穿戴设备和智能家居等技术手段，实现实时监测和管理，更加便捷；实现实时监测，及时发现异常情况并进行提醒和干预，更加有效。

步骤S304、通过预设的特征提取算法将各组所述分类特征数据转换为对应的分类特征向量。

具体地，所述特征提取算法包括主成分分析法、线性判别分析法。

主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。

线性判别分析法是一种经典的线性学习方法，在二分类问题上因为最早由Fisher提出，亦称“Fisher判别分析”，是一种监督学习的降维技术，也就是说它的数据集的每个样本都有类别输出。这点与主成分和因子分析不同，因为它们是不考虑样本类别的无监督降维技术。线性判别分析法对给定训练样例集，设法将样例投影到一条直线上，使得同样样例的投影尽可能接近、异样样例的投影点尽可能远离；在对新样本进行分类时，将其投影到同样的这条直线上，再根据投影点的位置来确定新样本的类别，即“投影后类内方差最小，类间方差最大”。

在一实施例中，通过主成分分析法将关于用户的血压数据、心率数据、睡眠状态数据的预处理数据进行特征提取，得到一组特征向量，该组特征向量能反映用户的血压、心率和睡眠状态变化特征。本发明通过特征提取算法实现更加精细化的数据分析和预测，更加准确。

步骤S305、基于所述健康监测大模型中对应的子模型对所述多组特征向量按照对应的数据类型信息进行处理，对各个所述子模型的处理结果进行整合得到监测结果，根据所述监测结果生成健康管理方案。

具体地，所述对各个所述子模型的处理结果进行整合得到监测结果包括：

通过所述公共连接点对各个所述子模型的处理结果进行整合得到监测结果。

具体地，所述根据所述监测结果生成健康管理方案包括：

从预设的关联数据库中获取每条监测数据的关联方案，通过所述公共连接点和所述监测数据的权重对所有监测数据的关联方案进行整合，得到健康管理方案，所述健康管理方案包括饮食建议、运动建议、作息建议、就医建议、发送智能设备指令和提示。

进一步地，所述提示为监测结果超出预设阈值时执行，所述执行方式包括语音信号提示、震动提示和光信号提示。

在一实施例中，用户的健康数据包含体重，利用线性回归算法模型(公式y＝w*x+b，其中x为时间，单位为月，y为体重，单位为kg，w和b为常数)进行训练，训练好的线性回归算法模型公式为y＝1*x+50，可知用户体重有上升趋势，设置当y≥100时对用户进行提示，并建议用户进行适当运动：每天进行30min有氧运动，进行健康饮食：减少脂肪和碳水摄入，进行良好作息：不熬夜、保证良好睡眠。

在一实施例中，用户的健康数据包含预测连续型变量：身高、体重和图像数据：CT图，则选择线性回归模型处理关于预测连续型变量的特征向量，选择卷积神经网络模型处理关于图像数据的特征向量。

在一实施例中，用户的健康数据经过模型处理后通过所述公共连接点对各个所述子模型的处理结果进行整合后得到的监测结果显示为：

居家状态；

体温为35.5℃，低于日常体温0.5℃，且有下降趋势；

心率为100次/分钟，高于日常心率10％，且有上升趋势；

血压值为收缩压140mmHg，舒张压90mmHg，超出日常血压值10％，且有上升趋势；

体表温度为10℃，超出体表温度波动范围。

通过公共连接点可以比较系统地对数据进行整合并展示给用户。

生成的健康管理方案为：

建议用户尽快离开低温环境或增添衣物保暖；建议用户摄入高热量食物，例如坚果类：花生、核桃，肉类：牛肉、猪肉，碳水类：米饭、粉面，以防止低温环境下热量散失过快；建议用户进行适当运动保持热身状态，防止手脚麻木、行动不便；最近的医院、诊所为xx医院，建议前往该医院挂内科；执行提示：将提示指令发送至用户的智能腕表和手机移动端APP上，使智能腕表和手机震动，指示灯闪烁，并进行语音播送：“请注意，您的健康状态不良！请及时查看健康管理信息！”；向智能空调发送智能设备指令的升温指令(该升温指令包括预设温度)；向用户手机发送监测结果和建议信息。

在生成健康管理方案后，智能空调接收到升温指令，进入升温状态，对室内开始加热，直到室内温度达到预设温度。同时，用户的智能腕表和手机震动，指示灯闪烁，并进行语音播送：“请注意，您的健康状态不良！请及时查看健康管理信息！”，用户接收到提示，打开手机移动端APP即可接收到监测结果和建议信息：

“居家状态；

体温为35.5℃，低于日常体温0.5℃，且有下降趋势；

心率为100次/分钟，高于日常心率10％，且有上升趋势；

血压值为收缩压140mmHg，舒张压90mmHg，超出日常血压值10％，且有上升趋势；

体表温度为10℃，超出体表温度波动范围。

建议用户尽快离开低温环境或增添衣物保暖；建议用户摄入高热量食物，例如坚果类：花生、核桃，肉类：牛肉、猪肉，碳水类：米饭、粉面，以防止低温环境下热量散失过快；建议用户进行适当运动保持热身状态，防止手脚麻木、行动不便；最近的医院或诊所为xx医院，若有身体不适的症状，如头疼、发烧，建议前往该医院挂内科。”

在一实施例中，获得用户体重：150kg，生活习惯：喜欢吃甜食，用药情况:餐前5分钟注射胰岛素，则在健康管理方案中包含关于血糖的建议措施：建议少食甜食，增加粗粮摄入比例，清淡饮食；建议每天进行适度的有氧运动；建议定期前往医院体检。

在一实施例中，利用人工智能处理模型(例如GPT，Generative Pre-TrainedTransformer)对监测结果进行处理，形成具有清晰逻辑、表达顺畅的健康管理方案和建议信息。

本发明提供的健康数据分析方法、装置、电子设备及计算机可读存储介质，基于训练指令训练多个模型，并将训练完成的多个模型通过公共连接点生成健康监测大模型；获取用户的健康数据，根据预设的预处理方法对用户健康数据进行预处理并分类；通过预设的特征提取算法将分类后的分类特征数据转换为多组分类特征向量；基于健康监测大模型处理多组分类特征向量，得到监测结果，根据所述监测结果生成健康管理方案。本发明可以应用于个人健康管理，利用机器学习模型和预处理方法处理相关数据，具有较好的便捷性和效益性，利用智能设备可实时监测用户健康数据，基于用户健康数据分析可有效地为用户提供更加个性化的健康指导。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括健康数据分析程序，所述健康数据分析程序被处理器执行时实现如下操作：

步骤S301、获取健康数据模型的训练指令，所述训练指令包含多个模型类型信息与各个模型类型信息对应的数据类型信息，从预设模型库中获取所述模型类型信息对应的多个待训练模型，从预设的样本数据库中获取所述数据类型信息对应的多组样本数据集；

步骤S302、根据所述模型类型信息与数据类型信息的对应关系，建立所述样本数据集与所述待训练模型的对应关系，使用所述样本数据集训练对应的待训练模型得到多个训练完成的子模型，将多个所述子模型通过公共连接点组合成一个健康监测大模型；

步骤S303、获取用户的健康数据，对所述健康数据进行预处理得到特征数据，根据所述数据类型信息对所述特征数据进行分类得到多组分类特征数据；

步骤S304、通过预设的特征提取算法将各组所述分类特征数据转换为对应的分类特征向量；

步骤S305、基于所述健康监测大模型中对应的子模型对所述多组特征向量按照对应的数据类型信息进行处理，对各个所述子模型的处理结果进行整合得到监测结果，根据所述监测结果生成健康管理方案。

本发明之计算机可读存储介质的具体实施方式与上述健康数据分析方法以及电子设备10的具体实施方式大致相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。