一种基于物联网技术的风湿病患者远程健康管理系统的制作方法

本发明涉及物联网领域，具体是指一种基于物联网技术的风湿病患者远程健康管理系统。

背景技术：

1、现有的基于物联网技术的患者远程健康管理系统的确革新了传统的医疗保健方式。但是，在风湿病这一特定疾病的健康管理应用场景下，还存在一些痛点亟待改进和完善：风湿病因其独特的病理特性和临床表现的复杂多样性，当前技术在识别和选取与风湿病病情紧密相关的生物标志物或临床指标时，存在局限性，未能充分挖掘和利用风湿病特有的数据特征，导致健康管理干预措施的针对性和效率不足，影响了患者护理的质量与效果；由于数据隐私和获取成本巨大，现有的健康管理系统在只有少量数据的情况下，不能充分捕捉每位患者独特的病发机理，导致预测精准度欠佳，无法达到预期的预测效果。

技术实现思路

1、针对上述情况，本发明提供了一种基于物联网技术的风湿病患者远程健康管理系统，针对当前技术在识别和选取与风湿病病情紧密相关的生物标志物或临床指标时，存在局限性，未能充分挖掘和利用风湿病特有的数据特征的问题，本方案采用优化的ssa方法进行特征选择，通过融入多种策略来增强算法的全局搜索能力和对复杂数据结构的适应性，智能识别和保留与风湿病高度相关的特征，提升特征选择的准确性和效率；针对现有的健康管理系统在只有少量数据的情况下，不能充分捕捉每位患者独特的病发机理，导致预测精准度欠佳的问题，采用改进的mobilenet-v3模型进行训练，使用参数更为精简的ca机制替换原有mobilenet-v3的se组件，旨在以更高效的计算成本实现特征的精细化学习，并使用后验贝叶斯优化方法对mobilenet-v3模型的超参数进行优化，构建一个既简便又高效的预测模型，专注于风湿病的发病预测，从而赋能健康管理，实现对患者健康状况的精准管理与干预。

2、本发明提供的一种基于物联网技术的风湿病患者远程健康管理系统，包括数据采集模块、数据处理模块、预警与通知模块、健康管理与互动模块、医疗服务协同模块；

3、所述数据采集模块使用智能穿戴设备和家用医疗设备采集风湿病患者的生理数据，以及针对风湿病特点的关节活动度和疼痛等级，生成患者数据；

4、所述数据处理模块对患者数据进行预处理，去除无效数据和噪声，整合来自多个设备的生理数据，得到初始数据集，并使用优化的ssa方法进行特征选择，筛选影响风湿病的关键因素，生成特征数据集；

5、所述预警与通知模块使用特征数据集的数据对改进的mobilenet-v3模型进行训练，得到风湿病的正常阈值，当患者数据超过正常阈值时，自动触发警报，生成预警信息，并根据预警信息通知家人和医院；

6、所述健康管理与互动模块记录患者的电子病历，获取预警信息并提供远程咨询服务，同时为患者提供健康管理方法，记录患者日常状态和活动量；

7、所述医疗服务协同模块与医院信息系统对接，医生通过该模块查看和分析患者数据，同时获取医院信息系统内的电子病历，并传输到健康管理与互动模块，完成归档与跟踪，实现跨医疗机构及不同科室之间的资源流动。

8、所述数据处理模块，使用优化的ssa方法进行特征选择，所述优化的ssa方法，具体包括以下步骤：

9、步骤s1：特征初始化，对初始数据集进行特征提取并分类，生成初始特征和特征标签；

10、步骤s2：基于mic的种群初始化，使用mic方法对初级特征和特征标签进行处理，并生成个体和个体的初始解；

11、步骤s3：多种群自适应生成，初始化一个主群体搜索最优解，设置f-p算子，并生成子群体；

12、步骤s4：候选池生成，对每个群体中的个体使用f-p算子，生成一个包含潜在新解的候选池；

13、步骤s5：使用代理模型预测最优解，建立一个多代理模型估计候选池中潜在新解的适应度，预测候选池中m个最优解的位置，得到最优解的预测结果；

14、步骤s6：更新子群体和个体位置，根据预测结果更新子群体，并使用物理启发算法、随机系数和收敛因子以及当前最优解来更新个体的位置，所用公式如下：

15、；

16、；

17、式中，表示收敛因子，为自然对数的底数，表示当前的迭代次数，为最大迭代次数，和分别表示第次和第次迭代后的位置，表示当前已知的全局最优解位置，为随机选取的系数，为[0,1]范围内的随机数，和分别为余弦函数和正弦函数；

18、步骤s7：多群体通信机制，当生成的子群体大小大于等于3时，每个子群体随机选择两个其他子群体进行信息交流，选出子群体最优解；

19、步骤s8：替换最差解，使用子群体最优解的加权平均值替换本群体的最差解，最差解的权重使用适应度值来决定，所用公式如下：

20、；

21、式中，和表示分别代表两个被选中子群体的最优解的适应度值，为第一个随机选取的子群体中的最优解，为第二个随机选取的子群体中的最优解，表示第个子群体中最差解；

22、进一步的，在步骤s2中，基于mic的种群初始化，具体包括以下步骤：

23、步骤s21：计算mic值，计算每个初始特征与特征标签的mic值，以量化它们之间的相关性强度；

24、步骤s22：特征分组，将特征按mic值从高到低分为4组，所用公式如下：

25、；

26、式中，表示初始数据集，和是对进行网格划分的两个变量，表示互信息量，衡量和之间的相互依赖程度，为网格大小的上限，表示对分母进行对数变换，用于标准化最大互信息量，为的最大值，为的mic值；

27、步骤s23：预处理特征，设定阈值，移除mic值低于该阈值的特征，其中的取值为0.3，为所有特征的平均mic值；

28、步骤s24：混合初始化，将初始特征和特征标签分别作为个体和个体的初始解，将1/2的个体采用基于mic的策略进行初始化，剩余1/2的个体进行随机初始化；

29、进一步的，在步骤s3中，多种群自适应生成策略，具体包括以下步骤：

30、步骤s31：主群体搜索与检测，初始化一个主群体，使用主群体搜索最优解，将主群体中的第一个个体作为领导者，设置迭代次数n，如果主群体的最优解在迭代n次中未改变，则得到局部最优解，其中，n=5；

31、步骤s32：子群体生成，从主群体中选出距离领导者最远的m个个体生成子群体，以子群体的第一个个体为领导者，搜索最优解；

32、步骤s33：设置f-p算子，所用公式如下：

33、；

34、式中，表示第个特征与特征标签之间的mic值，和为常数参数，，，为第个个体的第个解的位置，为f-p算子。

35、所述预警与通知模块使用改进的mobilenet-v3模型对特征数据集的数据进行训练，改进的mobilenet-v3模型构建方法，具体包括以下步骤：

36、步骤p1：拓宽模型，使用翻转残差块和se块的点状卷积层改变mobilenet-v3模型中每层的通道数；

37、步骤p2：替换注意力机制，使用ca机制替换mobilenet-v3模型中的se块，以减少参数；

38、步骤p3：正则化，在mobilenet-v3模型的训练过程中使用层归一化方法进行辅助训练；

39、步骤p4：模型超参数优化，使用后验贝叶斯优化方法对mobilenet-v3模型的超参数进行优化，得到改进的mobilenet-v3模型；

40、进一步的，在步骤p4中，具体包括以下步骤：

41、步骤p41：初始随机采样，在mobilenet-v3模型的超参数中随机选取3个超参数作为初始样本点；

42、步骤p42：构建代理模型，使用均值函数和协方差函数基于初始样本点构建高斯过程模型；

43、步骤p43：计算后验分布，使用贝叶斯理论计算高斯过程模型预测输出的后验分布；

44、步骤p44：超参数优化，使用贝叶斯优化的获取函数指导搜索过程，迭代更新超参数，优化mobilenet-v3模型的预测性能；

45、步骤p45：模型评估，使用特征数据集作为训练集和测试集，并使用精确度函数和损失函数对mobilenet-v3模型进行评估。

46、采用上述方案本发明取得的有益效果如下：

47、（1）针对当前技术在识别和选取与风湿病病情紧密相关的生物标志物或临床指标时，存在局限性，未能充分挖掘和利用风湿病特有的数据特征的问题，本方案采用优化的ssa方法进行特征选择，通过融入多种策略来增强算法的全局搜索能力和对复杂数据结构的适应性，智能识别和保留与风湿病高度相关的特征，提升特征选择的准确性和效率，优化的ssa方法使用f-p算子帮助陷入局部最优的主群体发现新的、更具潜力的搜索区域，使用多代理技术降低高昂的计算成本；

48、（2）针对现有的健康管理系统在只有少量数据的情况下，不能充分捕捉每位患者独特的病发机理，导致预测精准度欠佳的问题，采用改进的mobilenet-v3模型进行训练，扩宽模型的通道数，以吸纳更多特征信息，同时，使用参数更为精简的ca机制替换原有mobilenet-v3的se组件，旨在以更高效的计算成本实现特征的精细化学习，此外，使用后验贝叶斯优化mobilenet-v3模型的超参数，有效降低模型复杂度，提升预测的准确性，构建一个既简便又高效的预测模型，专注于风湿病的发病预测，从而赋能健康管理，实现对患者健康状况的精准管理与干预。