本發(fā)明涉及計(jì)算機(jī)，具體而言，涉及一種基于物聯(lián)網(wǎng)的多功能健康監(jiān)測可穿戴設(shè)備。

背景技術(shù)：

1、隨著科技的不斷進(jìn)步和人們生活水平的提高，健康管理日益受到重視。可穿戴技術(shù)作為現(xiàn)代健康監(jiān)測的重要手段，正逐漸融入人們的日常生活?？纱┐髟O(shè)備通過集成多種傳感器，能夠?qū)崟r(shí)監(jiān)測用戶的生理數(shù)據(jù)，如心率、血壓、血氧、體溫、運(yùn)動(dòng)量和睡眠質(zhì)量等，為用戶提供便捷的健康監(jiān)測手段。

2、目前市場上已經(jīng)出現(xiàn)了多種可穿戴健康監(jiān)測設(shè)備，如智能手表、健身追蹤器和健康腕帶等。這些設(shè)備通常存在以下問題：

3、1.?單一健康指標(biāo)監(jiān)測：大多數(shù)現(xiàn)有設(shè)備只能監(jiān)測單一的健康參數(shù)，例如心率監(jiān)測器只能提供心率數(shù)據(jù)，而缺乏對(duì)其他健康指標(biāo)的綜合監(jiān)測。這種單一性限制了用戶對(duì)自身健康狀況的全面了解。

4、2.?數(shù)據(jù)處理和分析能力不足：雖然部分可穿戴設(shè)備可以收集多種健康數(shù)據(jù)，但其內(nèi)置的數(shù)據(jù)處理能力相對(duì)有限，無法進(jìn)行深度分析和趨勢預(yù)測。用戶往往只能獲取原始數(shù)據(jù)，缺乏深入的健康洞察和個(gè)性化的建議。

5、3.?缺乏智能化的健康管理：傳統(tǒng)的可穿戴設(shè)備普遍缺乏智能化的健康管理功能。用戶需要手動(dòng)記錄和分析自己的健康數(shù)據(jù)，難以實(shí)現(xiàn)真正的智能化健康管理。此外，現(xiàn)有設(shè)備對(duì)用戶的個(gè)體差異考慮不足，無法提供針對(duì)性的健康建議。

6、4.?信息孤島問題：許多可穿戴設(shè)備的數(shù)據(jù)無法與其他健康管理系統(tǒng)（如電子健康記錄、醫(yī)療服務(wù)提供者等）無縫連接，導(dǎo)致用戶健康信息的孤立，影響了整體健康管理的效率。這也使得醫(yī)療服務(wù)提供者在制定個(gè)性化治療方案時(shí)缺乏全面的數(shù)據(jù)支持。

7、5.?隱私和安全問題：隨著健康數(shù)據(jù)采集的增加，用戶對(duì)個(gè)人健康信息的隱私保護(hù)越來越關(guān)注。現(xiàn)有設(shè)備在數(shù)據(jù)傳輸和存儲(chǔ)過程中，可能存在安全隱患，用戶的健康信息容易被泄露或?yàn)E用。

8、因此，在現(xiàn)有技術(shù)的基礎(chǔ)上，迫切需要一種集成多項(xiàng)健康監(jiān)測功能的可穿戴設(shè)備，能夠通過物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)傳輸與分析，并結(jié)合深度學(xué)習(xí)算法，為用戶提供個(gè)性化的健康管理方案，不僅提高了用戶健康數(shù)據(jù)的監(jiān)測準(zhǔn)確性、可靠性，還能能夠滿足用戶對(duì)健康監(jiān)測的多樣化需求，夠提升用戶的健康管理體驗(yàn)，助力用戶實(shí)現(xiàn)更高效的健康管理目標(biāo)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供了一種基于物聯(lián)網(wǎng)的多功能健康監(jiān)測可穿戴設(shè)備，用以解決現(xiàn)有技術(shù)中存在的上述問題。

2、本發(fā)明實(shí)施例提供的一種基于物聯(lián)網(wǎng)的多功能健康監(jiān)測可穿戴設(shè)備，所述基于物聯(lián)網(wǎng)的多功能健康監(jiān)測可穿戴設(shè)備包括處理器；所述處理器用于執(zhí)行下述步驟：

3、獲取可穿戴設(shè)備數(shù)據(jù)、問卷調(diào)查數(shù)據(jù)、社交媒體數(shù)據(jù)和環(huán)境數(shù)據(jù)；其中，所述可穿戴設(shè)備數(shù)據(jù)用于表示用戶的生理狀態(tài)，可穿戴設(shè)備數(shù)據(jù)包括多項(xiàng)數(shù)據(jù)，問卷調(diào)查數(shù)據(jù)用于表示用戶的生活狀態(tài)；社交媒體數(shù)據(jù)用于表示用戶的社交狀態(tài)，環(huán)境數(shù)據(jù)用于表示用戶所處的環(huán)境情況；

4、通過聯(lián)合特征提取模型基于可穿戴設(shè)備數(shù)據(jù)、問卷調(diào)查數(shù)據(jù)、社交媒體數(shù)據(jù)和環(huán)境數(shù)據(jù)聯(lián)合提取用戶的健康數(shù)據(jù)特征；其中，聯(lián)合特征提取模型包括聯(lián)合長短期記憶網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)，聯(lián)合長短期記憶網(wǎng)絡(luò)的輸入是可穿戴設(shè)備數(shù)據(jù)，全連接神經(jīng)網(wǎng)絡(luò)的輸入是問卷調(diào)查數(shù)據(jù)，情感分析網(wǎng)絡(luò)的輸入是社交媒體數(shù)據(jù)，圖神經(jīng)網(wǎng)絡(luò)的輸入是環(huán)境數(shù)據(jù)；在聯(lián)合特征提取模型中，通過全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，調(diào)節(jié)聯(lián)合長短期記憶網(wǎng)絡(luò)的內(nèi)部狀態(tài)值，以使聯(lián)合長短期記憶網(wǎng)絡(luò)的輸出融合了問卷調(diào)查數(shù)據(jù)、社交媒體數(shù)據(jù)和環(huán)境數(shù)據(jù)的隱含特征；以聯(lián)合長短期記憶網(wǎng)絡(luò)的輸出作為用戶的健康數(shù)據(jù)特征；健康數(shù)據(jù)特征用于表征用戶的健康狀態(tài)。

5、可選的，所述處理器還用于：基于健康數(shù)據(jù)特征評(píng)估用戶的健康狀態(tài)。

6、可選的，聯(lián)合長短期記憶網(wǎng)絡(luò)包括多層長短期記憶網(wǎng)；每層長短期記憶網(wǎng)包括多個(gè)神經(jīng)元，每個(gè)神經(jīng)元是一個(gè)lstm網(wǎng)絡(luò)，每層長短期記憶網(wǎng)的每個(gè)神經(jīng)元用于處理可穿戴設(shè)備數(shù)據(jù)中的不同項(xiàng)數(shù)據(jù)；相鄰兩層長短期記憶網(wǎng)中存在相互對(duì)應(yīng)的兩個(gè)神經(jīng)元；相對(duì)應(yīng)的神經(jīng)元串成神經(jīng)元鏈；

7、所述在聯(lián)合特征提取模型中，通過全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，調(diào)節(jié)聯(lián)合長短期記憶網(wǎng)絡(luò)的內(nèi)部狀態(tài)值，具體通過下述方式實(shí)現(xiàn)：

8、聯(lián)合長短期記憶網(wǎng)絡(luò)的第一層長短期記憶網(wǎng)的輸入是可穿戴設(shè)備數(shù)據(jù)，多個(gè)神經(jīng)元與多多項(xiàng)數(shù)據(jù)一一對(duì)應(yīng)，第一層長短期記憶網(wǎng)中每個(gè)神經(jīng)元的內(nèi)部狀態(tài)值由全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)確定；

9、聯(lián)合長短期記憶網(wǎng)絡(luò)的第k層長短期記憶網(wǎng)的第g個(gè)神經(jīng)元輸入是融合輸入信息，聯(lián)合輸入信息通過對(duì)第k-1層長短期記憶網(wǎng)的第g個(gè)神經(jīng)元的輸出，以及在第k-1層長短期記憶網(wǎng)中的其他的神經(jīng)元的輸出進(jìn)行融合得到；第k層長短期記憶網(wǎng)中每個(gè)神經(jīng)元的內(nèi)部狀態(tài)值由全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)以及第k-1層長短期記憶網(wǎng)的損失函數(shù)確定，k的取值為2，3，…，n；n表示聯(lián)合長短期記憶網(wǎng)絡(luò)包括的長短期記憶網(wǎng)的層數(shù)。

10、可選的，所述聯(lián)合長短期記憶網(wǎng)絡(luò)的第一層長短期記憶網(wǎng)的輸入是可穿戴設(shè)備數(shù)據(jù)，第一層長短期記憶網(wǎng)中每個(gè)神經(jīng)元的內(nèi)部狀態(tài)值由全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)確定，具體為：

11、獲得全連接神經(jīng)網(wǎng)絡(luò)的損失函數(shù)l1、情感分析網(wǎng)絡(luò)的損失函數(shù)l2和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)l3；

12、通過注意力機(jī)制分別調(diào)整l1的加權(quán)項(xiàng)、l2的加權(quán)項(xiàng)和l3的加權(quán)項(xiàng)；

13、基于調(diào)整后的加權(quán)項(xiàng)對(duì)l1、l2和l3進(jìn)行加權(quán)求和，得到影響指數(shù)；

14、通過下述公式確定第一層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的內(nèi)部狀態(tài)值：

15、

16、其中，表示第一層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的內(nèi)部狀態(tài)值，表示向量元素乘積，為可穿戴設(shè)備數(shù)據(jù)中第g項(xiàng)數(shù)據(jù)；第一層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的候選狀態(tài)，表示第一層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的輸入門的取值，表示第一層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的遺忘門的取值；g的取值為1,2,3，…,m；m為可穿戴設(shè)備數(shù)據(jù)包括的多項(xiàng)數(shù)據(jù)的數(shù)量,表示學(xué)習(xí)率,表示影響指數(shù)。

17、可選的，所述聯(lián)合長短期記憶網(wǎng)絡(luò)的第k層長短期記憶網(wǎng)的輸入是第k-1層長短期記憶網(wǎng)的輸出，第k層長短期記憶網(wǎng)中每個(gè)神經(jīng)元的內(nèi)部狀態(tài)值由全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)以及第k-1層長短期記憶網(wǎng)的損失函數(shù)確定，包括：

18、通過下述公式確定第k層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的內(nèi)部狀態(tài)值：

19、

20、其中，表示第k層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的內(nèi)部狀態(tài)值，表示向量元素乘積，為第k-1層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的輸出；為第k層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的影響指數(shù)，用于表示第k層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的候選狀態(tài)，表示第k層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的輸入門的取值，表示第一層長短期記憶網(wǎng)中第g個(gè)神經(jīng)元的遺忘門的取值。

21、可選的，所述通過注意力機(jī)制分別調(diào)整l1的加權(quán)項(xiàng)、l2的加權(quán)項(xiàng)和l3的加權(quán)項(xiàng)，包括：

22、計(jì)算每個(gè)損失函數(shù)的注意力分?jǐn)?shù)：，是第i個(gè)注意力分?jǐn)?shù)，是權(quán)重矩陣，是偏置向量；

23、計(jì)算注意力權(quán)重：，表示第j個(gè)注意力分?jǐn)?shù), 表示第i個(gè)注意力權(quán)重；j的取值為1，2，3；

24、以第1個(gè)注意力權(quán)重作為l1的加權(quán)項(xiàng)，以第2個(gè)注意力權(quán)重作為l2的加權(quán)項(xiàng)，以第3個(gè)注意力權(quán)重作為l3的加權(quán)項(xiàng)。

25、可選的，基于調(diào)整后的加權(quán)項(xiàng)對(duì)l1、l2和l3進(jìn)行加權(quán)求和，得到影響指數(shù)，具體通過下述公式獲得：

26、。

27、可選的，權(quán)重矩陣和偏置向量通過下述方式確定：

28、初始化權(quán)重矩陣和偏置向量：從均勻分布中抽樣，獲得初始化的權(quán)重矩陣，即初始化的權(quán)重矩陣的取值在?[?0.01，0.01]?范圍內(nèi)；從正態(tài)分布中抽樣，獲得初始化的偏置向量，即初始化的偏置向量的取值在?[0，0.01]?范圍內(nèi)；

29、通過下述公式更新和訓(xùn)練權(quán)重矩陣和偏置向量：

30、

31、

32、其中，表示第次迭代的權(quán)重矩陣，表示第次迭代的權(quán)重矩陣，當(dāng)時(shí)，權(quán)重矩陣為，即初始化的權(quán)重矩陣；為權(quán)重梯度；第次迭代的偏置向量，表示第次迭代的偏置向量，當(dāng)時(shí)，偏置向量為，即初始化的偏置向量，為偏置梯度；其中，

33、

34、

35、其中，為損失函數(shù)向量的轉(zhuǎn)置向量，為損失函數(shù)的導(dǎo)數(shù)梯度；，為損失函數(shù)向量的交叉熵?fù)p失。

36、可選的，所述聯(lián)合輸入信息的獲得方式包括：

37、將第k-1層長短期記憶網(wǎng)的第g個(gè)神經(jīng)元的輸出計(jì)為，在第k-1層長短期記憶網(wǎng)中的其他的神經(jīng)元的輸出記為，的取值為1,2，…，m-1;

38、計(jì)算第k-1層長短期記憶網(wǎng)中每個(gè)的注意力分?jǐn)?shù)：

39、，

40、是第k-1層長短期記憶網(wǎng)中第s個(gè)的注意力分?jǐn)?shù)，是權(quán)重矩陣，是偏置向量；

41、計(jì)算注意力權(quán)重：，表示第k-1層長短期記憶網(wǎng)中第z個(gè)注意力分?jǐn)?shù),表示第k-1層長短期記憶網(wǎng)中第s個(gè)注意力權(quán)重；

42、通過下述公式加權(quán)融合得到聯(lián)合輸入信息：

43、

44、其中，表示聯(lián)合輸入信息。

45、可選的，所述聯(lián)合特征提取模型的訓(xùn)練方法為：

46、獲得訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集包括可穿戴設(shè)備數(shù)據(jù)訓(xùn)練集、問卷調(diào)查數(shù)據(jù)訓(xùn)練集、社交媒體數(shù)據(jù)訓(xùn)練集和環(huán)境數(shù)據(jù)訓(xùn)練集；可穿戴設(shè)備數(shù)據(jù)訓(xùn)練集包括多個(gè)訓(xùn)練可穿戴設(shè)備數(shù)據(jù)，問卷調(diào)查數(shù)據(jù)訓(xùn)練集包括多個(gè)訓(xùn)練問卷調(diào)查數(shù)據(jù)，社交媒體數(shù)據(jù)訓(xùn)練集包括多個(gè)社交媒體數(shù)據(jù)；環(huán)境數(shù)據(jù)訓(xùn)練集包括多個(gè)訓(xùn)練環(huán)境數(shù)據(jù)；

47、分別將可穿戴設(shè)備數(shù)據(jù)訓(xùn)練集、問卷調(diào)查數(shù)據(jù)訓(xùn)練集、社交媒體數(shù)據(jù)訓(xùn)練集和環(huán)境數(shù)據(jù)訓(xùn)練集輸入聯(lián)合長短期記憶網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)；

48、通過全連接神經(jīng)網(wǎng)絡(luò)對(duì)問卷調(diào)查數(shù)據(jù)訓(xùn)練集進(jìn)行特征提取，獲得全連接神經(jīng)網(wǎng)絡(luò)的損失函數(shù)l1；

49、通過情感分析網(wǎng)絡(luò)對(duì)社交媒體數(shù)據(jù)訓(xùn)練集進(jìn)行特征提取，獲得情感分析網(wǎng)絡(luò)的損失函數(shù)l2；

50、通過圖神經(jīng)網(wǎng)絡(luò)對(duì)環(huán)境數(shù)據(jù)進(jìn)行特征提取，獲得圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)l3；

51、將可穿戴設(shè)備數(shù)據(jù)訓(xùn)練集中的訓(xùn)練可穿戴設(shè)備數(shù)據(jù)輸入聯(lián)合長短期記憶網(wǎng)絡(luò)，同時(shí)計(jì)算得到聯(lián)合長短期記憶網(wǎng)絡(luò)中每個(gè)神經(jīng)元的內(nèi)部狀態(tài)值，通過聯(lián)合長短期記憶網(wǎng)絡(luò)對(duì)可穿戴設(shè)備數(shù)據(jù)訓(xùn)練集進(jìn)行特征提取，獲得聯(lián)合長短期記憶網(wǎng)絡(luò)的整體損失函數(shù)，整體損失函數(shù)通過下述公式計(jì)算得到：

52、

53、其中，表示整體損失函數(shù)，表示聯(lián)合長短期記憶網(wǎng)絡(luò)的輸出的交叉熵?fù)p失值；

54、當(dāng)整體損失函數(shù)收斂時(shí)，停止訓(xùn)練聯(lián)合長短期記憶網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練好的聯(lián)合長短期記憶網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)。

55、可選的，學(xué)習(xí)率的確定方式為：

56、獲得所有權(quán)重矩陣的范數(shù)的平方以及所有偏置向量的范數(shù)的平方；

57、獲得所有權(quán)重矩陣的范數(shù)的平方與所有偏置向量的范數(shù)的平方之和，記為；

58、通過下述公式計(jì)算得到學(xué)習(xí)率：

59、

60、其中，表示當(dāng)前時(shí)刻t全連接神經(jīng)網(wǎng)絡(luò)的損失函數(shù)、情感分析網(wǎng)絡(luò)的損失函數(shù)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)之和；表示在上一時(shí)刻t-1全連接神經(jīng)網(wǎng)絡(luò)的損失函數(shù)、情感分析網(wǎng)絡(luò)的損失函數(shù)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)l3之和;為在當(dāng)前時(shí)刻t之前全連接神經(jīng)網(wǎng)絡(luò)的損失函數(shù)、情感分析網(wǎng)絡(luò)的損失函數(shù)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)的梯度；是一個(gè)小常數(shù)，取值為0.001；為衰減因子，的取值為0.9。

61、相較于現(xiàn)有技術(shù)，本發(fā)明實(shí)施例達(dá)到了以下有益效果：

62、本發(fā)明實(shí)施例還提供了一種基于物聯(lián)網(wǎng)的多功能健康監(jiān)測可穿戴設(shè)備，通過聯(lián)合特征提取模型基于可穿戴設(shè)備數(shù)據(jù)、問卷調(diào)查數(shù)據(jù)、社交媒體數(shù)據(jù)和環(huán)境數(shù)據(jù)聯(lián)合提取用戶的健康數(shù)據(jù)特征，在聯(lián)合特征提取模型中，通過全連接神經(jīng)網(wǎng)絡(luò)、情感分析網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，調(diào)節(jié)聯(lián)合長短期記憶網(wǎng)絡(luò)的內(nèi)部狀態(tài)值，使得聯(lián)合長短期記憶網(wǎng)絡(luò)可以挖掘出問卷調(diào)查數(shù)據(jù)、社交媒體數(shù)據(jù)和環(huán)境數(shù)據(jù)對(duì)可穿戴設(shè)備數(shù)據(jù)的影響，挖掘出可穿戴設(shè)備數(shù)據(jù)、問卷調(diào)查數(shù)據(jù)、社交媒體數(shù)據(jù)和環(huán)境數(shù)據(jù)的隱含信息，提高了聯(lián)合長短期記憶網(wǎng)絡(luò)提取特征的準(zhǔn)確性，聯(lián)合長短期記憶網(wǎng)絡(luò)的輸出融合了問卷調(diào)查數(shù)據(jù)、社交媒體數(shù)據(jù)和環(huán)境數(shù)據(jù)的隱含特征，健康數(shù)據(jù)特征能夠集合了多方面的影響因素對(duì)用戶健康狀態(tài)進(jìn)行綜合、全面的表示，提高了健康數(shù)據(jù)特征對(duì)用戶健康狀態(tài)表征的準(zhǔn)確性，在此基礎(chǔ)上，基于健康數(shù)據(jù)特征評(píng)估用戶的健康狀態(tài)，可以提高用戶健康狀態(tài)數(shù)據(jù)評(píng)估的準(zhǔn)確性和可靠性。詳細(xì)的，通過多模態(tài)融合，將多種數(shù)據(jù)源整合，提供更全面的健康分析。融合了自適應(yīng)注意力機(jī)制，動(dòng)態(tài)調(diào)整數(shù)據(jù)源的重要性，根據(jù)用戶的健康狀況和環(huán)境變化優(yōu)化預(yù)測。結(jié)合情感狀態(tài)分析，通過社交媒體數(shù)據(jù)的情感分析，捕捉用戶的心理健康狀態(tài)，從而更全面地評(píng)估健康，同時(shí)增量了模型的學(xué)習(xí)能力，模型能夠持續(xù)學(xué)習(xí)用戶反饋，逐步提高預(yù)測的準(zhǔn)確性和個(gè)性化。另外，動(dòng)態(tài)調(diào)整數(shù)據(jù)源的重要性涉及多種方法的結(jié)合運(yùn)用，包括注意力機(jī)制、用戶反饋、增量學(xué)習(xí)、相關(guān)性分析、性能監(jiān)控和環(huán)境適應(yīng)性，可以幫助模型更加靈活和智能地應(yīng)對(duì)用戶健康狀況的變化，從而提高健康評(píng)估的準(zhǔn)確性和個(gè)性化程度。