基于穿戴设备的健康状态监控方法、装置、介质及设备

技术领域

本申请涉及计算机技术领域，特别涉及一种基于穿戴设备的健康状态监控方法、装置、介质及设备。

背景技术

相关技术中，为满足现代人对健康、运动方面日益增长的需求，健康监测产品，例如监测血压的电子血压计、监测血糖的电子血糖仪，它们仅能提供单一的指标监测，无法做到连续动态监测，无法满足人们对于健康监测及提前预警与及时警报的需求，从而提升了用户出现突发状况的风险。

发明内容

本申请实施例提供了一种基于穿戴设备的健康状态监控方法、装置、介质及设备。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种基于穿戴设备的健康状态监控方法，应用于服务端，方法包括：

从时序数据库中，获取预设周期内待分析对象的多条人体体征数据；其中，时序数据库用于按照时间的先后顺序逐一存储穿戴设备实时上报至服务端的人体体征数据；

根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图；

将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征；其中，预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征是采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、和旋转采样模块将样本集中各样本进行处理得到的，样本集是基于历史体检报告集生成的；

根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险；其中，预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；

在待分析对象存在健康状态异常风险时，生成待分析对象的身体状态预警信息上报至预警客户端。

可选的，预先训练的身体状况分析模型包括卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；

将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征，包括：

采用感兴趣区域坐标生成模块识别各身体指标对应的参数变化曲线图中存在的指标异常区域；

采用旋转采样模块对指标异常区域进行比例转换、随机平移以及旋转采样，生成多个异常区域视图；

采用卷积神经网络对每个异常区域视图的空间信息进行编码，得到曲线图空间特征；其中，曲线图空间特征用于表征异常区域视图中参数变化的位置关系；

采用递归神经网络对每个异常区域视图的时间信息进行编码，得到曲线图时间特征；曲线图时间特征用于表征异常区域视图中参数变化的时间先后顺序关系；

将曲线图空间特征和曲线图时间特征输入分类器，输出待分析对象对应的身体状态特征。

可选的，按照以下步骤生成预先训练的身体状况分析模型，包括：

从历史体检报告集中，提取每个用户的各历史身体指标；

根据每个用户的各历史身体指标，预测每个用户在一段时间内的各身体指标对应的历史参数变化曲线图；

针对每个用户在一段时间内的各身体指标对应的历史参数变化曲线图，标注身体状态特征的特征标签，得到样本集；

创建身体状况分析模型；身体状况分析模型包括采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；

采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块将样本集中各样本进行处理，得到各样本的空间特征和时间特征；

将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器，输出分类器的损失值；

根据损失值，生成预先训练的身体状况分析模型。

可选的，根据损失值，生成预先训练的身体状况分析模型，包括：

在损失值到达最小时，生成预先训练的身体状况分析模型；

或者，

在损失值未到达最小时，更新分类器的参数，并继续执行将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器的步骤，直到损失值到达最小；其中，

分类器的损失函数为：

其中，

可选的，各身体指标包括体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标；

根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图，包括：

从多条人体体征数据中，分别提取体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据；

将提取的体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据按照时间的先后顺序进行排序，得到体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据序列；

拟合出每个人体体征数据序列中各人体体征数据的位置点以及标注位置点的参数，并将位置点依次连线，得到待分析对象在预设周期内各身体指标对应的参数变化曲线图。

可选的，预先建立的知识库包括身体指标和聚类对象的映射关系；

根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险，包括：

根据待分析对象的多条人体体征数据，确定待分析对象对应的实际身体指标；

从身体指标和聚类对象的映射关系中，获取实际身体指标对应的聚类对象所指示的记录值，得到聚类结果；

计算待分析对象对应的身体状态特征与聚类结果中聚类质心之间的目标距离；

在目标距离大于预设阈值的情况下，确定待分析对象存在健康状态异常风险。

可选的，按照以下方式生成预先建立的知识库，包括：

收集各历史病例数据，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；

根据医疗设备检查的人体指标参数，得到各个患者的身体指标；

根据医疗设备检查的人体指标参数所关联的数据，确定各患者的聚类对象；

从疾病描述参数中，聚类挖掘聚类对象的记录值；记录值包括患者的身体状态特征，患者的身体状态特征包括健康状态、生病状态、康复状态、慢性病管理状态、健身状态以及应激状态；

将记录值关联至聚类对象上，并存储各个患者的身体指标与聚类对象的映射关系，得到预先建立的知识库。

第二方面，本申请实施例提供了一种基于穿戴设备的健康状态监控装置，装置包括：

人体体征数据获取模块，用于从时序数据库中，获取预设周期内待分析对象的多条人体体征数据；其中，时序数据库用于按照时间的先后顺序逐一存储穿戴设备实时上报至服务端的人体体征数据；

曲线图拟合模块，用于根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图；

模型处理模块，用于将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征；其中，预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征是采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、和旋转采样模块将样本集中各样本进行处理得到的，样本集是基于历史体检报告集生成的；

健康状态异常风险判断模块，用于根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险；其中，预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；

预警信息上报模块，用于在待分析对象存在健康状态异常风险时，生成待分析对象的身体状态预警信息上报至预警客户端。

第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，通过拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图，可结合预先训练的身体状况分析模型确定待分析对象对应的身体状态特征，该预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征可准确表征目标对象在一段时间内的身体状态变化情况，使模型可准确识别待分析对象对应的身体状态特征；同时根据待分析对象对应的身体状态特征与预先建立的知识库，可判断待分析对象是否存在健康状态异常风险，由于预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，可实现准确判断出待分析对象是否存在健康状态异常风险；通过机器学习以及大数据挖掘技术，使得通过可穿戴设备实现在线的动态健康状态异常风险判定成为现实，满足人们对于健康监测及提前预警与及时警报的需求，从而降低了用户出现突发状况的风险。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请实施例提供的一种基于穿戴设备的健康状态监控方法的流程示意图；

图2是本申请提供的一种应用场景示意图；

图3是本申请提供的一种服务端对应的后台管理系统的示意图；

图4是本申请提供的一种模型的模型组成部分示意图；

图5是本申请实施例提供的一种模型训练过程的过程示意图；

图6是本申请实施例提供的一种预警客户端显示的身体状态预警信息界面示意图；

图7是本申请实施例提供的一种基于穿戴设备的健康状态监控装置的结构示意图；

图8是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述和附图充分地示出本申请的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，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作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。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请提供了一种基于穿戴设备的健康状态监控方法、装置、介质及设备，以解决上述相关技术问题中存在的问题。下面将结合附图1-附图6，对本申请实施例提供的基于穿戴设备的健康状态监控方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于穿戴设备的健康状态监控装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。

请参见图1，为本申请实施例提供了一种基于穿戴设备的健康状态监控方法的流程示意图，应用于服务端。如图1所示，本申请实施例的方法可以包括以下步骤：

S101，从时序数据库中，获取预设周期内待分析对象的多条人体体征数据；其中，时序数据库用于按照时间的先后顺序逐一存储穿戴设备实时上报至服务端的人体体征数据；

其中，通过采用时序数据库存储数据，可以保证大量的穿戴设备上报的海量大数据得以高效存储和快速处理，从而实现了数据海量存储的问题。为了解决传输效率的问题，在公网使用5G的前提下，对特定的链路使用VPN专线优化。人体体征数据是穿戴设备上报的，穿戴设备上报的人体体征数据可包括生物参数、运动参数以及睡眠参数，生物参数例如心率、血压、血氧饱和度、体温等，运动参数例如步数、距离、消耗的卡路里等，睡眠参数包括入睡时间、醒来次数和深度睡眠时长；穿戴设备例如包括智能手表、健康追踪器、智能眼镜、智能服装等各种形式的设备。

本申请的应用场景示意图例如图2所示，穿戴设备给服务端实时上报人体体征数据，服务端根据时序数据库中的人体体征数据进行分析，判定待分析对象是否存在健康状态异常风险，若存在，则生成待分析对象的身体状态预警信息上报至预警客户端。本申请主要对服务端的处理过程进行详细描述。

在本申请实施例中，服务端在接收到健康状态监控指令时，可连接时序数据库，以该健康状态监控指令所携带的预设周期为条件，在连接的时序数据库中获取预设周期内待分析对象的多条人体体征数据。

需要说明的是，健康状态监控指令可以是主动触发，也可以是接收到外界指令；主动触发过程中，服务端首先判断当前时刻与上一个健康状态监控结束时刻之间的时长是否满足预设分析时长，若满足，则触发健康状态监控指令，该指令携带当前时刻与上一个健康状态监控结束时刻；被动触发过程中，可能是医生或者管理员统一触发，具体根据实际场景自行确定。

S102，根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图；

其中，各身体指标包括体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标。

在本申请实施例中，在根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图时，首先从多条人体体征数据中，分别提取体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据；然后将提取的体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据按照时间的先后顺序进行排序，得到体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据序列；最后拟合出每个人体体征数据序列中各人体体征数据的位置点以及标注位置点的参数，并将位置点依次连线，得到待分析对象在预设周期内各身体指标对应的参数变化曲线图。

例如图3所示，图3是本申请的服务端对应的后台管理系统，后台管理员可以在后台管理系统添加用户信息以及用户的穿戴设备标识，通过图3可以看到所有用户的总数，穿戴设备采集的数据总数以及设备相关的激活总量；还能看到用户年龄分布以及实时的指标信息。

S103，将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征；其中，预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征是采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、和旋转采样模块将样本集中各样本进行处理得到的，样本集是基于历史体检报告集生成的；

例如图4所示，图4是本申请提供的一种模型的模型组成部分示意图，预先训练的身体状况分析模型包括卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器。

在本申请实施例中，在将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征时，首先采用感兴趣区域坐标生成模块识别各身体指标对应的参数变化曲线图中存在的指标异常区域；再采用旋转采样模块对指标异常区域进行比例转换、随机平移以及旋转采样，生成多个异常区域视图；然后采用卷积神经网络对每个异常区域视图的空间信息进行编码，得到曲线图空间特征；其中，曲线图空间特征用于表征异常区域视图中参数变化的位置关系；其次采用递归神经网络对每个异常区域视图的时间信息进行编码，得到曲线图时间特征；曲线图时间特征用于表征异常区域视图中参数变化的时间先后顺序关系；最后将曲线图空间特征和曲线图时间特征输入分类器，输出待分析对象对应的身体状态特征。

具体的，例如图5所示，图5是本申请提供的一种模型训练过程的过程示意图，可按照以下步骤生成预先训练的身体状况分析模型，首先从历史体检报告集中，提取每个用户的各历史身体指标；再根据每个用户的各历史身体指标，预测每个用户在一段时间内的各身体指标对应的历史参数变化曲线图；然后针对每个用户在一段时间内的各身体指标对应的历史参数变化曲线图，标注身体状态特征的特征标签，得到样本集；其次创建身体状况分析模型；身体状况分析模型包括采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；再采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块将样本集中各样本进行处理，得到各样本的空间特征和时间特征；最后将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器，输出分类器的损失值；以及根据损失值，生成预先训练的身体状况分析模型。

具体的，根据损失值，生成预先训练的身体状况分析模型时，可在损失值到达最小时，生成预先训练的身体状况分析模型；

或者，在损失值未到达最小时，更新分类器的参数，并继续执行将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器的步骤，直到损失值到达最小；其中，

分类器的损失函数为：

其中，

S104，根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险；其中，预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；

其中，预先建立的知识库包括身体指标和聚类对象的映射关系。

在本申请实施例中，在根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险时，首先根据待分析对象的多条人体体征数据，确定待分析对象对应的实际身体指标；然后从身体指标和聚类对象的映射关系中，获取实际身体指标对应的聚类对象所指示的记录值，得到聚类结果；其次计算待分析对象对应的身体状态特征与聚类结果中聚类质心之间的目标距离；最后在目标距离大于预设阈值的情况下，确定待分析对象存在健康状态异常风险。

具体的，按照以下方式生成预先建立的知识库，首先收集各历史病例数据，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；然后根据医疗设备检查的人体指标参数，得到各个患者的身体指标；其次根据医疗设备检查的人体指标参数所关联的数据，确定各患者的聚类对象；再从疾病描述参数中，聚类挖掘聚类对象的记录值；记录值包括患者的身体状态特征，患者的身体状态特征包括健康状态、生病状态、康复状态、慢性病管理状态、健身状态以及应激状态；最后将记录值关联至聚类对象上，并存储各个患者的身体指标与聚类对象的映射关系，得到预先建立的知识库。

S105，在待分析对象存在健康状态异常风险时，生成待分析对象的身体状态预警信息上报至预警客户端。

在本申请实施例中，在待分析对象存在健康状态异常风险时，生成待分析对象的身体状态预警信息上报至预警客户端；或者在待分析对象不存在健康状态异常风险时，继续对待分析对象进行基于穿戴设备的健康状态监控过程。

例如图6所示，图6是本申请提供的一种预警客户端显示的身体状态预警信息界面示意图，该界面中可以看到待分析对象的身体状态预警信息，该信息包括体温异常情况、心率异常情况、血氧异常占比以及血压分布情况。

在本申请实施例中，通过拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图，可结合预先训练的身体状况分析模型确定待分析对象对应的身体状态特征，该预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征可准确表征目标对象在一段时间内的身体状态变化情况，使模型可准确识别待分析对象对应的身体状态特征；同时根据待分析对象对应的身体状态特征与预先建立的知识库，可判断待分析对象是否存在健康状态异常风险，由于预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，可实现准确判断出待分析对象是否存在健康状态异常风险；通过机器学习以及大数据挖掘技术，使得通过可穿戴设备实现在线的动态健康状态异常风险判定成为现实，满足人们对于健康监测及提前预警与及时警报的需求，从而降低了用户出现突发状况的风险。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参见图7，其示出了本申请一个示例性实施例提供的基于穿戴设备的健康状态监控装置的结构示意图。该基于穿戴设备的健康状态监控装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该装置1包括人体体征数据获取模块10、曲线图拟合模块20、模型处理模块30、健康状态异常风险判断模块40、预警信息上报模块50。

人体体征数据获取模块10，用于从时序数据库中，获取预设周期内待分析对象的多条人体体征数据；其中，时序数据库用于按照时间的先后顺序逐一存储穿戴设备实时上报至服务端的人体体征数据；

曲线图拟合模块20，用于根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图；

模型处理模块30，用于将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征；其中，预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征是采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、和旋转采样模块将样本集中各样本进行处理得到的，样本集是基于历史体检报告集生成的；

健康状态异常风险判断模块40，用于根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险；其中，预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；

预警信息上报模块50，用于在待分析对象存在健康状态异常风险时，生成待分析对象的身体状态预警信息上报至预警客户端。

需要说明的是，上述实施例提供的基于穿戴设备的健康状态监控装置在执行基于穿戴设备的健康状态监控方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于穿戴设备的健康状态监控装置与基于穿戴设备的健康状态监控方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请实施例中，通过拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图，可结合预先训练的身体状况分析模型确定待分析对象对应的身体状态特征，该预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征可准确表征目标对象在一段时间内的身体状态变化情况，使模型可准确识别待分析对象对应的身体状态特征；同时根据待分析对象对应的身体状态特征与预先建立的知识库，可判断待分析对象是否存在健康状态异常风险，由于预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，可实现准确判断出待分析对象是否存在健康状态异常风险；通过机器学习以及大数据挖掘技术，使得通过可穿戴设备实现在线的动态健康状态异常风险判定成为现实，满足人们对于健康监测及提前预警与及时警报的需求，从而降低了用户出现突发状况的风险。

本申请还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于穿戴设备的健康状态监控方法。

本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于穿戴设备的健康状态监控方法。

请参见图8，为本申请实施例提供了一种电子设备的结构示意图。如图8所示，电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示组件，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作装置、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作装置的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示，作为一种计算机存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及基于穿戴设备的健康状态监控应用程序。

在图8所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于穿戴设备的健康状态监控应用程序，并具体执行以下操作：

从时序数据库中，获取预设周期内待分析对象的多条人体体征数据；其中，时序数据库用于按照时间的先后顺序逐一存储穿戴设备实时上报至服务端的人体体征数据；

根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图；

将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征；其中，预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征是采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、和旋转采样模块将样本集中各样本进行处理得到的，样本集是基于历史体检报告集生成的；

根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险；其中，预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；

在待分析对象存在健康状态异常风险时，生成待分析对象的身体状态预警信息上报至预警客户端。

在一个实施例中，处理器1001在执行将各身体指标对应的参数变化曲线图输入预先训练的身体状况分析模型中，输出待分析对象对应的身体状态特征时，具体执行以下操作：

采用感兴趣区域坐标生成模块识别各身体指标对应的参数变化曲线图中存在的指标异常区域；

采用旋转采样模块对指标异常区域进行比例转换、随机平移以及旋转采样，生成多个异常区域视图；

采用卷积神经网络对每个异常区域视图的空间信息进行编码，得到曲线图空间特征；其中，曲线图空间特征用于表征异常区域视图中参数变化的位置关系；

采用递归神经网络对每个异常区域视图的时间信息进行编码，得到曲线图时间特征；曲线图时间特征用于表征异常区域视图中参数变化的时间先后顺序关系；

将曲线图空间特征和曲线图时间特征输入分类器，输出待分析对象对应的身体状态特征。

在一个实施例中，处理器1001在执行生成预先训练的身体状况分析模型时，具体执行以下操作：

从历史体检报告集中，提取每个用户的各历史身体指标；

根据每个用户的各历史身体指标，预测每个用户在一段时间内的各身体指标对应的历史参数变化曲线图；

针对每个用户在一段时间内的各身体指标对应的历史参数变化曲线图，标注身体状态特征的特征标签，得到样本集；

创建身体状况分析模型；身体状况分析模型包括采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块以及分类器；

采用卷积神经网络、递归神经网络、感兴趣区域坐标生成模块、旋转采样模块将样本集中各样本进行处理，得到各样本的空间特征和时间特征；

将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器，输出分类器的损失值；

根据损失值，生成预先训练的身体状况分析模型。

在一个实施例中，处理器1001在执行根据损失值，生成预先训练的身体状况分析模型时，具体执行以下操作：

在损失值到达最小时，生成预先训练的身体状况分析模型；

或者，

在损失值未到达最小时，更新分类器的参数，并继续执行将各样本的空间特征和时间特征、各样本标注的特征标签输入分类器的步骤，直到损失值到达最小；其中，

分类器的损失函数为：

其中，

在一个实施例中，处理器1001在执行根据多条人体体征数据，拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图时，具体执行以下操作：

从多条人体体征数据中，分别提取体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据；

将提取的体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据按照时间的先后顺序进行排序，得到体温指标、脉搏指标、血压指标、心率指标、呼吸指标、体重指标、血糖指标以及血脂指标各自对应的人体体征数据序列；

拟合出每个人体体征数据序列中各人体体征数据的位置点以及标注位置点的参数，并将位置点依次连线，得到待分析对象在预设周期内各身体指标对应的参数变化曲线图。

在一个实施例中，处理器1001在执行根据待分析对象对应的身体状态特征与预先建立的知识库，判断待分析对象是否存在健康状态异常风险时，具体执行以下操作：

根据待分析对象的多条人体体征数据，确定待分析对象对应的实际身体指标；

从身体指标和聚类对象的映射关系中，获取实际身体指标对应的聚类对象所指示的记录值，得到聚类结果；

计算待分析对象对应的身体状态特征与聚类结果中聚类质心之间的目标距离；

在目标距离大于预设阈值的情况下，确定待分析对象存在健康状态异常风险。

在一个实施例中，处理器1001还执行以下操作：

收集各历史病例数据，各历史病例数据包括疾病描述参数和医疗设备检查的人体指标参数；

根据医疗设备检查的人体指标参数，得到各个患者的身体指标；

根据医疗设备检查的人体指标参数所关联的数据，确定各患者的聚类对象；

从疾病描述参数中，聚类挖掘聚类对象的记录值；记录值包括患者的身体状态特征，患者的身体状态特征包括健康状态、生病状态、康复状态、慢性病管理状态、健身状态以及应激状态；

将记录值关联至聚类对象上，并存储各个患者的身体指标与聚类对象的映射关系，得到预先建立的知识库。

在本申请实施例中，通过拟合待分析对象在预设周期内各身体指标对应的参数变化曲线图，可结合预先训练的身体状况分析模型确定待分析对象对应的身体状态特征，该预先训练的身体状况分析模型是根据曲线图空间特征和曲线图时间特征对分类器训练生成的，曲线图空间特征和曲线图时间特征可准确表征目标对象在一段时间内的身体状态变化情况，使模型可准确识别待分析对象对应的身体状态特征；同时根据待分析对象对应的身体状态特征与预先建立的知识库，可判断待分析对象是否存在健康状态异常风险，由于预先建立的知识库包括身体指标和聚类对象的映射关系，身体指标和聚类对象的映射关系是基于各历史病例数据进行特征聚类挖掘存储的，可实现准确判断出待分析对象是否存在健康状态异常风险；通过机器学习以及大数据挖掘技术，使得通过可穿戴设备实现在线的动态健康状态异常风险判定成为现实，满足人们对于健康监测及提前预警与及时警报的需求，从而降低了用户出现突发状况的风险。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，基于穿戴设备的健康状态监控的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。