基于大数据的盆底锻炼数据采集分析系统及方法

本技术涉及数据采集分析领域，且更为具体地，涉及一种基于大数据的盆底锻炼数据采集分析系统及方法。

背景技术：

1、随着人们对健康意识的提高，特别是女性在生育后对盆底健康问题的关注日益增加，盆底功能障碍（pelvic floor dysfunction, pfd）已成为影响女性生活质量的一个重要问题。盆底肌肉的锻炼是预防和治疗pfd的有效手段，通过有针对性地锻炼盆底肌肉，可以恢复盆底肌肉的弹性和张力，治疗患者尿失禁、尿频、尿急等排尿问题，以及女性产后盆底肌肉松弛、子宫脱垂等问题。

2、但传统的盆底锻炼方法往往缺乏个性化和科学性，导致锻炼效果参差不齐。例如，传统的盆底锻炼方法的反馈通常依赖于患者自我报告的信息，这些信息可能不够全面和精确，导致难以准确评估患者的实际需求。同时，每位患者的盆底肌肉状况、生活习惯、年龄、生育史等因素都有所不同，这些差异在传统锻炼方法中往往被忽视。

3、因此，期待一种优化的盆底锻炼数据采集分析方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于大数据的盆底锻炼数据采集分析系统及方法，其通过数据采集模块获取患者对象的盆底肌肉活动数据如肌肉收缩力度的时间序列；并利用数据分析模块对患者对象的盆底肌肉活动数据进行基于大数据技术和人工智能技术的深入分析，以实现自动化地识别患者对象的盆底功能障碍的风险等级。具体来说，所述数据分析模块利用局部时域时序特征提取器+全局时域特征提取器的级联管线结构来对所述肌肉收缩力度的时间序列进行充分的特征提取与全时域关联关系捕捉，从而形成对患者对象的肌肉活动状态的综合表达。这样，基于这种对于肌肉活动状态的综合表达来实现自动化地识别患者对象的盆底功能障碍的风险等级。

2、根据本技术的一个方面，提供了一种基于大数据的盆底锻炼数据采集分析系统，其包括：

3、用户界面模块，用于允许患者对象输入个人信息、锻炼日志和症状变化；

4、数据采集模块，用于采集所述患者对象的盆底肌肉活动数据；

5、数据分析模块，用于基于大数据对所述患者对象的盆底肌肉活动数据进行分析以得到分析结果，所述分析结果为盆底功能障碍的风险等级标签；

6、个性化训练方案生成模块，用于基于所述分析结果，生成个性化的盆底锻炼计划；

7、其中，所述盆底肌肉活动数据为肌肉收缩力度的时间序列；

8、其中，所述数据分析模块，包括：

9、排列单元，用于将所述肌肉收缩力度的时间序列按照时间维度排列为肌肉收缩力度时序输入向量；

10、向量切分单元，用于基于预定时间尺度对所述肌肉收缩力度时序输入向量进行向量切分以得到肌肉收缩局部时序输入向量的序列；

11、自相关强化单元，用于使用肌肉收缩时域模式关联分析器对所述肌肉收缩局部时序输入向量的序列进行处理以得到自相关强化肌肉收缩局部时域模式关联特征向量的序列；

12、全时域模式特征提取单元，用于使用图结构全域交互编码器对所述自相关强化肌肉收缩局部时域模式关联特征向量的序列进行处理以得到肌肉收缩全时域模式特征矩阵；

13、分析结果生成单元，用于将所述肌肉收缩全时域模式特征矩阵通过基于分类器的分析结果生成器以得到所述分析结果。

14、在上述的基于大数据的盆底锻炼数据采集分析系统中，所述自相关强化单元，包括：

15、肌肉收缩局部时域模式关联特征提取单元，用于将所述肌肉收缩局部时序输入向量的序列通过基于一维扩展卷积层的肌肉收缩时域模式特征提取器以得到肌肉收缩局部时域模式关联特征向量的序列；

16、特征自相关置信度重置单元，用于将所述肌肉收缩局部时域模式关联特征向量的序列通过特征自相关置信度重置网络以得到所述自相关强化肌肉收缩局部时域模式关联特征向量的序列。

17、在上述的基于大数据的盆底锻炼数据采集分析系统中，所述特征自相关置信度重置单元，包括：

18、自相关内聚关联置信度系数计算子单元，用于计算所述肌肉收缩局部时域模式关联特征向量的序列中各个肌肉收缩局部时域模式关联特征向量的自相关内聚关联置信度系数以得到自相关内聚关联置信度系数的序列；

19、加权子单元，用于以所述自相关内聚关联置信度系数的序列作为权重，对所述肌肉收缩局部时域模式关联特征向量的序列中的各个肌肉收缩局部时域模式关联特征向量进行加权相乘以得到所述自相关强化肌肉收缩局部时域模式关联特征向量的序列。

20、在上述的基于大数据的盆底锻炼数据采集分析系统中，所述全时域模式特征提取单元，包括：

21、图数据构造子单元，用于将所述自相关强化肌肉收缩局部时域模式关联特征向量的序列通过图数据构造模块以得到肌肉收缩图数据；

22、全时域交互子单元，用于将所述肌肉收缩图数据通过基于图卷积神经网络模型的全时域交互器以得到所述肌肉收缩全时域模式特征矩阵。

23、在上述的基于大数据的盆底锻炼数据采集分析系统中，所述图数据构造子单元，用于：

24、将所述自相关强化肌肉收缩局部时域模式关联特征向量的序列中各个自相关强化肌肉收缩局部时域模式关联特征向量作为所述肌肉收缩图数据中的各个节点；

25、计算每两个所述自相关强化肌肉收缩局部时域模式关联特征向量之间的余弦相似度作为所述肌肉收缩图数据中的各个边。

26、在上述的基于大数据的盆底锻炼数据采集分析系统中，还包括用于对所述基于一维扩展卷积层的肌肉收缩时域模式特征提取器、所述特征自相关置信度重置网络、所述图数据构造模块、所述基于图卷积神经网络模型的全时域交互器和所述基于分类器的分析结果生成器进行训练的训练模块。

27、在上述的基于大数据的盆底锻炼数据采集分析系统中，所述训练模块，包括：

28、训练数据获取单元，用于获取训练数据，所述训练数据包括训练肌肉收缩力度的时间序列以及分析结果的真实值；

29、训练数据排列单元，用于将所述训练肌肉收缩力度的时间序列按照时间维度排列为训练肌肉收缩力度时序输入向量；

30、训练向量切分单元，用于基于预定时间尺度对所述训练肌肉收缩力度时序输入向量进行向量切分以得到训练肌肉收缩局部时序输入向量的序列；

31、训练关联特征提取单元，用于将所述训练肌肉收缩局部时序输入向量的序列通过所述基于一维扩展卷积层的肌肉收缩时域模式特征提取器以得到训练肌肉收缩局部时域模式关联特征向量的序列；

32、训练自相关强化单元，用于将所述训练肌肉收缩局部时域模式关联特征向量的序列通过所述特征自相关置信度重置网络以得到训练自相关强化肌肉收缩局部时域模式关联特征向量的序列；

33、训练图数据构造单元，用于将所述训练自相关强化肌肉收缩局部时域模式关联特征向量的序列通过所述图数据构造模块以得到训练肌肉收缩图数据；

34、训练全时域交互单元，用于将所述训练肌肉收缩图数据通过所述基于图卷积神经网络模型的全时域交互器以得到训练肌肉收缩全时域模式特征矩阵；

35、分类损失单元，用于将所述训练肌肉收缩全时域模式特征矩阵通过基于分类器的分析结果生成器以得到分类损失函数值；

36、训练单元，用于以所述分类损失函数值来对所述基于一维扩展卷积层的肌肉收缩时域模式特征提取器、所述特征自相关置信度重置网络、所述图数据构造模块、所述基于图卷积神经网络模型的全时域交互器和所述基于分类器的分析结果生成器进行训练，其中，在所述训练的每一轮迭代中，对所述训练肌肉收缩全时域模式特征矩阵进行修正。

37、根据本技术的另一个方面，提供了一种基于大数据的盆底锻炼数据采集分析方法，其包括：

38、允许患者对象输入个人信息、锻炼日志和症状变化；

39、采集所述患者对象的盆底肌肉活动数据；

40、基于大数据对所述患者对象的盆底肌肉活动数据进行分析以得到分析结果，所述分析结果为盆底功能障碍的风险等级标签；及

41、基于所述分析结果，生成个性化的盆底锻炼计划；

42、其中，所述盆底肌肉活动数据为肌肉收缩力度的时间序列；

43、其中，基于大数据对所述患者对象的盆底肌肉活动数据进行分析以得到分析结果，所述分析结果为盆底功能障碍的风险等级标签，包括：

44、将所述肌肉收缩力度的时间序列按照时间维度排列为肌肉收缩力度时序输入向量；

45、基于预定时间尺度对所述肌肉收缩力度时序输入向量进行向量切分以得到肌肉收缩局部时序输入向量的序列；

46、使用肌肉收缩时域模式关联分析器对所述肌肉收缩局部时序输入向量的序列进行处理以得到自相关强化肌肉收缩局部时域模式关联特征向量的序列；

47、使用图结构全域交互编码器对所述自相关强化肌肉收缩局部时域模式关联特征向量的序列进行处理以得到肌肉收缩全时域模式特征矩阵；

48、将所述肌肉收缩全时域模式特征矩阵通过基于分类器的分析结果生成器以得到所述分析结果。

49、与现有技术相比，本技术提供的一种基于大数据的盆底锻炼数据采集分析系统及方法，其通过数据采集模块获取患者对象的盆底肌肉活动数据如肌肉收缩力度的时间序列；并利用数据分析模块对患者对象的盆底肌肉活动数据进行基于大数据技术和人工智能技术的深入分析，以实现自动化地识别患者对象的盆底功能障碍的风险等级。具体来说，所述数据分析模块利用局部时域时序特征提取器+全局时域特征提取器的级联管线结构来对所述肌肉收缩力度的时间序列进行充分的特征提取与全时域关联关系捕捉，从而形成对患者对象的肌肉活动状态的综合表达。这样，基于这种对于肌肉活动状态的综合表达来实现自动化地识别患者对象的盆底功能障碍的风险等级。