一种用于健康管理的健康手环设备及其异常数据检测方法

技术领域

本发明属于计算机技术领域，涉及智能健康手环领域，特别涉及一种用于健康管理的健康手环设备及其异常数据检测方法。

背景技术

随着医疗信息化迅速发展和大数据时代的到来，“医疗+互联网”成为医疗行业未来的重要发展方向。对于基础类代谢疾病，病人的多项生命体征指标(例如，饮食摄入、血压、心率、血糖、睡眠质量等)的变化情况对疾病治疗有重要意义，上述生命体征指标通常需要实时采集记录及分析处理。针对上述需求相继研发了一些便携式检测仪(例如，健康手环等)用于随时监测患者身体情况。

目前现有的手环类产品大多为运动或日常保健类手环，由使用者查看个人的饮食、运动等信息，起到通过数据指导健康生活的作用；这类手环通常不能实现医疗级的健康监测，所采集的数据未经处理，其仅能够提供基础数据，并不能实现异常数据获取以及较准确的提醒。

综上，亟需一种新的用于健康管理的健康手环设备及其异常数据检测方法。

发明内容

本发明的目的在于提供一种用于健康管理的健康手环设备及其异常数据检测方法，以解决上述存在的一个或多个技术问题。本发明能够获取佩戴者的基础生命体征指标数据，并能够基于获取的基础生命体征指标数据完成异常数据检测识别，识别较为准确。

为达到上述目的，本发明采用以下技术方案：

本发明的一种用于健康管理的健康手环设备的异常数据检测方法，包括以下步骤：

获取佩戴者的预设指标数据；

将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和samplereweighting异常数据检测算法进行异常数据检测。

本发明的进一步改进在于，所述预设指标数据包括：心率数据、血压数据、血氧饱和度数据、体温数据和呼吸率数据中的一种或多种。

本发明的进一步改进在于，所述异常数据检测模型包括：

深度神经网络

式中，x表示数据集样本，y表示对应样本的标签，

深度神经网络

式中，w表示神经网络

其中，在进行异常数据检测模型训练时，通过最小化交叉熵损失优化参数θ，

式中，θ

本发明的进一步改进在于，在进行异常数据检测模型训练时，还包括：

对于给定的θ

式中，M表示元数据集D

本发明的进一步改进在于，在进行异常数据检测模型训练时，迭代优化深度神经网络

利用SGD作为优化器，设置学习率为α，在时刻t的训练方式形式化为：

式中，

得到w

式中，α表示学习率，t表示时刻。

本发明的进一步改进在于，所述异常数据检测模型输出的异常数据获取结果为获取的预设指标数据为异常数据的权重。

本发明的进一步改进在于，所述异常数据检测模型输出异常数据获取结果之后还包括：

将所述异常数据获取结果与预设权重阈值比较，满足预设告警条件时发送告警信息。

本发明的一种用于健康管理的健康手环设备的异常数据检测系统，包括：

采集部，用于获取佩戴者的预设指标数据；

异常检测部，用于将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和sample reweighting异常数据检测算法进行异常数据检测。

本发明的一种用于健康管理的健康手环设备，设置有本发明上述系统中的采集部；或者，设置有本发明上述的系统。

进一步的，所述采集部中，获取佩戴者的预设指标数据的过程中，采样频率为100Hz，采样数据时长为5秒。

与现有技术相比，本发明具有以下有益效果：

本发明提供了一种用于用于健康管理的健康手环设备的异常数据检测，可采集佩戴者的健康数据情况并进行异常数据检测；基于采集数据和异常数据检测模型，可纵向分析一位手环佩戴者一段时间内的数据变化，横向对比多位手环佩戴者的预设数据指标，可对健康状况实现实时监控；所述异常数据检测模型基于meta-learning和samplereweighting的异常检测方法，对采集数据进行检测处理能够及时发现异常数据且识别较为准确。

本发明中，后续可根据数据变化对佩戴者的异常数据进行提取或告警，便于为医生提供精确的数据指标变化情况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，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是本发明实施例的一种用于健康管理的健康手环设备的异常数据检测系统的示意框图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。

本发明实施例的一种用于健康管理的健康手环设备的异常数据检测方法，包括以下步骤：

获取佩戴者的预设指标数据；

将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和samplereweighting异常数据检测算法进行异常数据检测。

示例性的，所述预设指标数据包括：心率数据、血压数据、血氧饱和度数据、体温数据和呼吸率数据中的一种或多种。

本发明提供的异常数据检测可用于健康手环，可针对基础类代谢疾病，对健康手环采集的患者健康数据情况进行异常数据检测，纵向分析一位患者一段时间内的数据变化，横向对比多位患者的数据指标，根据数据变化对患者的异常数据进行标注，并将异常数据情况通过手环专用应用程序及时返回患者端及医生端，一方面提醒患者及时就医，一方面为医生提供数据指标变化情况便于医生分析用药效果，达到辅助治疗的效果。

请参阅图1，本发明实施例的一种用于用于健康管理的健康手环设备的异常数据检测方法，包括如下步骤：

步骤1：健康手环数据采集，包括：健康手环通过传感器采集佩戴者(患者)的心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据，用蓝牙将健康手环与智慧好医院app连接后，手环采集的上述数据情况通过蓝牙传至佩戴者端智慧好医院app，后通过移动网络传至数据库后台，用于异常检测处理。

步骤2：构建基于meta-learning和sample reweighting异常检测算法模型：

1)定义训练数据集D

样本x定义为：利用手环采集N位佩戴者心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据五类数据作为训练数据，其采样频率设置为100Hz，共采集5秒的数据，因此样本x即为(5，100*5)的矩阵。

其中标签数据y定义为：将数据标记为正常、一般、非正常(或者是健康、亚健康、患病)三种类型，则标签数据类别c即为3。

2)利用深度神经网络

式中，x表示数据集样本，y表示对应样本的标签，

利用另一个深度神经网络

式中，w表示神经网络

对于给定的w，通过最小化交叉熵损失优化参数θ，

式中，θ

3)进一步将元学习引入到网络到

式中，M表示元数据集D

4)迭代优化网络

其中，

对应的，得到w

如此迭代，便可不断优化两个网络的参数，即整个模型不断得到优化。优化网络参数算法如表1所示，其中SampleMiniBatch表示采样一批数据，Forward表示前馈传播，BackwardAD表示反向的自动微分。

步骤3：利用异常检测模型检测异常数据：将手环采集佩戴者的心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据作为步骤2所得到的网络模型

步骤4：异常结果反馈：将该佩戴者的异常数据结果通过移动网络同步返回至该佩戴者及医生端智慧好医生app，提醒佩戴者及时就医，同时辅助医生及时提醒佩戴者用药或采取相应治疗方案。

本发明中，佩戴者的健康手环首先通过手环的内置传感器采集佩戴者的心率数据、血压数据、血氧饱和度数据、体温数据、呼吸率数据信息，后通过蓝牙的方式将数据传输到佩戴者端智慧好医院app，智慧好医院app再通过移动网络将佩戴者信息传输到后台服务器，通过服务器计算及基于meta-learning和sample reweighting异常数据检测算法检测出佩戴者的异常数据，后将佩戴者的健康数据信息及异常数据情况通过移动网络传输到佩戴者端及医生端的智慧好医生app，实现医生远程实时获取佩戴者身体健康数据并及时发现异常情况的功能，达到辅助治疗的效果。

作为可选的，本发明的方法可针对基础类代谢疾病，对健康手环采集的患者健康数据情况进行预处理，纵向分析一位患者一段时间内的数据变化，横向对比多位患者的数据指标，根据数据变化对患者的异常数据进行标注，并将异常数据情况通过手环专用应用程序智慧好医生app及时返回患者端及医生端，一方面提醒患者及时就医，一方面为医生提供数据指标变化情况便于医生分析用药效果，达到辅助治疗的效果。具体如下：

1、通过健康手环与智慧好医院的绑定，患者端可以实时查看自己的健康数据情况及异常数据，对健康状况实现实时监控，若发现异常数据，便于及时与医生联系或到院治疗。

2、通过健康手环与智慧好医院的绑定，医生端可以实时查看患者的健康数据及异常数据情况，若发现异常数据，及时与患者联系，指导用药治疗。若发现有临床价值的异常情况后，及时与患者联系，提醒来院进一步看诊。

本发明实施例的一种用于健康管理的健康手环设备的异常数据检测系统，包括：

采集部，用于获取佩戴者的预设指标数据；

异常检测部，用于将所述预设指标数据输入预训练好的异常数据检测模型中，所述异常数据检测模型输出异常数据获取结果；其中，所述异常数据检测模型基于meta-learning和sample reweighting异常数据检测算法进行异常数据检测。

本发明实施例的系统可针对基础类代谢疾病，通过健康手环及配套专用应用程序(智慧好医院app)对患者的身体状况实现实时监控，并通过异常检测算法及时发现可能存在的疾病风险，同步反馈至医生和患者端应用程序，达到辅助治疗的效果。具体来说通过手环对患者的血压、心率体温、呼吸率及血氧饱和度等情况进行实时监测，并将采集数据同步反馈至应用程序后台服务器，在后台通过基于meta-learning和sample reweighting的异常检测方法，对采集数据进行检测处理及时发现异常数据，并将异常数据情况同步返回至患者及医生客户端。医生通过应用程序了解患者每一分钟的体征数据及异常数据情况，及时发现患者身体异常情况，为患者提供针对性的饮食指导意见及调整药物用药等。本发明识别异常数据较为准确能够用于后续的医生诊断参考。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。