本發(fā)明涉及人體健康監(jiān)測，更具體地說，是涉及一種健康狀態(tài)監(jiān)控方法與系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)有的醫(yī)療健康監(jiān)測體系中，傳統(tǒng)的健康監(jiān)測手段往往依賴于單一或少數(shù)幾個(gè)生理參數(shù)的測量，如心率、血壓、血糖等，這種監(jiān)測方式存在局限性，難以全面反映個(gè)體的健康狀況。此外，由于缺乏有效的健康風(fēng)險(xiǎn)評(píng)估模型，使得早期預(yù)警和預(yù)防疾病的能力受限，往往只能在疾病發(fā)生后才能進(jìn)行有效的診斷和治療，這在一定程度上增加了醫(yī)療成本，降低了醫(yī)療效率。

2、隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展，醫(yī)療健康監(jiān)測領(lǐng)域迎來了新的機(jī)遇。通過集成可穿戴設(shè)備、家用醫(yī)療設(shè)備等物聯(lián)網(wǎng)設(shè)備，可以實(shí)現(xiàn)對(duì)個(gè)體生理參數(shù)的實(shí)時(shí)監(jiān)測和數(shù)據(jù)采集。同時(shí)，利用大數(shù)據(jù)分析和人工智能算法，可以對(duì)采集到的生理參數(shù)進(jìn)行深度挖掘和分析，從而實(shí)現(xiàn)對(duì)個(gè)體健康狀態(tài)的全面、動(dòng)態(tài)評(píng)估。然而，目前市場上已有的健康監(jiān)測產(chǎn)品或系統(tǒng)大多還停留在簡單的數(shù)據(jù)展示和報(bào)警層面，缺乏有效的健康風(fēng)險(xiǎn)評(píng)估模型和個(gè)性化的健康建議。因此，開發(fā)一種能夠綜合多維度生理參數(shù)，運(yùn)用先進(jìn)算法進(jìn)行健康風(fēng)險(xiǎn)評(píng)估的健康監(jiān)控方法顯得尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種健康狀態(tài)監(jiān)控方法及系統(tǒng)，通過綜合多維度生理參數(shù)進(jìn)行健康狀態(tài)評(píng)估，提高健康監(jiān)測的全面性和準(zhǔn)確性。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種健康狀態(tài)監(jiān)控方法，該方法包括：

3、步驟s1：基于多參數(shù)生理傳感器實(shí)時(shí)采集人體生理參數(shù)，所述人體生理參數(shù)包括：脈搏、肌電、血壓、體溫、血氧飽和度和心率變異性；

4、步驟s2：對(duì)采集的人體生理參數(shù)進(jìn)行預(yù)處理；

5、步驟s3：基于改進(jìn)型模糊d-s證據(jù)理論對(duì)預(yù)處理后的人體生理參數(shù)進(jìn)行多源信息融合；

6、步驟s4：構(gòu)建健康狀態(tài)模型，基于健康狀態(tài)模型，根據(jù)融合結(jié)果判斷人體健康狀態(tài)。

7、優(yōu)選地，所述步驟s1包括：

8、采用光電式脈搏傳感器，利用570nm或870nm波長的紅外線檢測血管透光率變化，獲取脈搏波形信號(hào)；

9、采用表面肌電傳感器，通過檢測肌肉活動(dòng)產(chǎn)生的電位差，實(shí)時(shí)采集肌電信號(hào)；

10、采用血壓示波法原理，通過袖帶加壓檢測血管壁壓力變化，實(shí)時(shí)采集血壓信號(hào)；

11、采用光纖輻射溫度傳感器，實(shí)時(shí)采集人體體溫信號(hào)；

12、采用光電式血氧飽和度傳感器，利用不同波長光線穿透皮膚檢測血氧含量；

13、通過分析心電圖或脈搏信號(hào)中的時(shí)間間隔變化，評(píng)估心率變異性。

14、優(yōu)選地，所述步驟s2包括：采用小波變換對(duì)采集的人體生理參數(shù)進(jìn)行濾波去噪，公式為：

15、其中，z表示小波系數(shù)，wi為濾波去噪后的人體生理參數(shù)，n表示調(diào)節(jié)系數(shù)，λi為濾波閾值，i＝1,2,3,4,5，分別代表脈搏、肌電、血壓、體溫、血氧飽和度和心率變異性。

16、優(yōu)選地，所述步驟s3：基于改進(jìn)型模糊d-s證據(jù)理論對(duì)預(yù)處理后的人體生理參數(shù)進(jìn)行多源信息融合，包括：

17、通過隸屬函數(shù)將預(yù)處理后的生理參數(shù)進(jìn)行模糊化處理，并轉(zhuǎn)化為模糊集合；

18、每個(gè)生理參數(shù)的模糊集合轉(zhuǎn)化為對(duì)應(yīng)的基本信任分配bba；

19、將多個(gè)生理參數(shù)對(duì)應(yīng)的基本信任分配bba進(jìn)行融合，獲得融合后的基本信任分配bba；

20、基于融合的基本信任分配bba對(duì)人體健康狀態(tài)進(jìn)行評(píng)估。

21、優(yōu)選地，所述步驟s4包括：

22、步驟s4.1：基于深度學(xué)習(xí)構(gòu)建健康狀態(tài)模型，所述健康狀態(tài)模型以預(yù)處理并融合后的基本信任分配bba作為輸入特征，人體健康狀態(tài)作為輸出；

23、步驟s4.2：設(shè)計(jì)并優(yōu)化交叉熵?fù)p失函數(shù)，所述損失函數(shù)公式為：

24、

25、其中，l表示總損失，n表示樣本總數(shù)，m表示健康狀態(tài)的總類別數(shù)，ykj表示第k個(gè)樣本屬于第j個(gè)健康狀態(tài)類別，表示模型預(yù)測的第k個(gè)樣本屬于第j個(gè)健康狀態(tài)類別的概率。

26、與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種健康狀態(tài)監(jiān)控方法具有如下有益效果：本發(fā)明提供一種健康狀態(tài)監(jiān)控方法，該方法包括：基于多參數(shù)生理傳感器實(shí)時(shí)采集人體生理參數(shù)，所述人體生理參數(shù)包括：脈搏、肌電、血壓、體溫、血氧飽和度和心率變異性；對(duì)采集的人體生理參數(shù)進(jìn)行預(yù)處理；基于改進(jìn)型模糊d-s證據(jù)理論對(duì)預(yù)處理后的人體生理參數(shù)進(jìn)行多源信息融合；構(gòu)建健康狀態(tài)模型，基于健康狀態(tài)模型，根據(jù)融合結(jié)果判斷人體健康狀態(tài)。本發(fā)明綜合多維度生理參數(shù)進(jìn)行健康狀態(tài)評(píng)估，提高健康監(jiān)測的全面性和準(zhǔn)確性。通過采用改進(jìn)型模糊d-s證據(jù)理論進(jìn)行多源信息融合，有效解決不同生理參數(shù)之間的信息沖突和冗余問題。

27、本發(fā)明還提供一種健康狀態(tài)監(jiān)控系統(tǒng)，該系統(tǒng)包括：

28、采集模塊，用于基于多參數(shù)生理傳感器實(shí)時(shí)采集人體生理參數(shù)，所述人體生理參數(shù)包括：脈搏、肌電、血壓、體溫、血氧飽和度和心率變異性；

29、預(yù)處理模塊，用于對(duì)采集的人體生理參數(shù)進(jìn)行預(yù)處理；

30、信息融合模塊，用于基于改進(jìn)型模糊d-s證據(jù)理論對(duì)預(yù)處理后的人體生理參數(shù)進(jìn)行多源信息融合；

31、模型構(gòu)建模塊，用于構(gòu)建健康狀態(tài)模型，基于健康狀態(tài)模型，根據(jù)融合結(jié)果判斷人體健康狀態(tài)。

32、優(yōu)選地，所述采集模塊中，

33、采用光電式脈搏傳感器，利用570nm或870nm波長的紅外線檢測血管透光率變化，獲取脈搏波形信號(hào)；

34、采用表面肌電傳感器，通過檢測肌肉活動(dòng)產(chǎn)生的電位差，實(shí)時(shí)采集肌電信號(hào)；

35、采用血壓示波法原理，通過袖帶加壓檢測血管壁壓力變化，實(shí)時(shí)采集血壓信號(hào)；

36、采用光纖輻射溫度傳感器，實(shí)時(shí)采集人體體溫信號(hào)；

37、采用光電式血氧飽和度傳感器，利用不同波長光線穿透皮膚檢測血氧含量；

38、通過分析心電圖或脈搏信號(hào)中的時(shí)間間隔變化，評(píng)估心率變異性。

39、優(yōu)選地，所述預(yù)處理模塊中，采用小波變換對(duì)采集的人體生理參數(shù)進(jìn)行濾波去噪，公式為：

40、其中，z表示小波系數(shù)，wi為濾波去噪后的人體生理參數(shù)，n表示調(diào)節(jié)系數(shù)，λi為濾波閾值，i＝1,2,3,4,5，分別代表脈搏、肌電、血壓、體溫、血氧飽和度和心率變異性。

41、優(yōu)選地，所述信息融合模塊包括：

42、模糊化處理單元，用于通過隸屬函數(shù)將預(yù)處理后的生理參數(shù)進(jìn)行模糊化處理，并轉(zhuǎn)化為模糊集合；

43、基本信任分配單元，用于將每個(gè)生理參數(shù)的模糊集合轉(zhuǎn)化為對(duì)應(yīng)的基本信任分配bba；

44、信任分配融合單元，用于將多個(gè)生理參數(shù)對(duì)應(yīng)的基本信任分配bba進(jìn)行融合，獲得融合后的基本信任分配bba；

45、評(píng)估單元，用于基于融合的基本信任分配bba對(duì)人體健康狀態(tài)進(jìn)行評(píng)估。

46、優(yōu)選地，所述模型構(gòu)建模塊包括：

47、模型構(gòu)建單元，用于基于深度學(xué)習(xí)構(gòu)建健康狀態(tài)模型，所述健康狀態(tài)模型以預(yù)處理并融合后的基本信任分配bba作為輸入特征，人體健康狀態(tài)作為輸出；

48、損失函數(shù)單元，用于設(shè)計(jì)并優(yōu)化交叉熵?fù)p失函數(shù)，所述損失函數(shù)公式為：

49、

50、其中，l表示總損失，n表示樣本總數(shù)，m表示健康狀態(tài)的總類別數(shù)，ykj表示第k個(gè)樣本屬于第j個(gè)健康狀態(tài)類別，表示模型預(yù)測的第k個(gè)樣本屬于第j個(gè)健康狀態(tài)類別的概率。

51、與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種健康狀態(tài)監(jiān)控系統(tǒng)的有益效果與上述技術(shù)方案所述一種健康狀態(tài)監(jiān)控方法的有益效果相同，在此不做贅述。

52、為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說明如下。