一种基于AI的实时体检状态监测系统及方法与流程

本发明涉及健康监测，具体为一种基于ai的实时体检状态监测系统及方法。

背景技术：

1、数字健康利用信息技术和数据分析，旨在改善个人健康和医疗服务的质量与效率，具体来说，健康监测与管理技术通过采集和分析个人生理数据，如心率、血压、血氧饱和度、体温和呼吸率，提供实时的健康状态监测。

2、在申请号：cn202410275538.7的公开中国发明申请中，一种健康体检管理终端系统，本发明涉及体检管理设备技术领域，具体公开了一种健康体检管理终端系统，包括：便携式移动终端设备，包括用户模式设定模块和生命特征监测模块；数据管理模块：通过输入历史用户健康管理数据及历史用户生命特征参数数据进行机器训练获取样本，并将所述样本输入以卷积神经网络搭建的模型中，生成健康管理模型；数据分析模块接收用户健康管理数据及生命特征参数数据，根据用户健康管理数据判断用户健康管理是否出现异常情况并生成第一预警信号；且根据累计周期内的用户健康管理数据及实时获取的生命特征参数数据，判断在用户健康管理状态下的用户身体状态生成第二预警信号并更新健康管理模型，实现促进用户健康管理理念的生成，人员自主体检操作降低疾病发生风险，提高疾病预防的预测效率；

3、由此可知，结合现有技术，上述申请还存在以下不足之处；

4、上述申请基于用户自主操作，用户需要主动进行数据输入和体检操作，上述申请根据输入数据进行分析，导致用户需要较多的主动参与，增加了使用的复杂性和不便性，且上述申请依赖用户主动输入数据进行健康管理，对于不熟悉设备或不擅长操作电子设备的用户来说，增加了使用的难度，对于一些对设备不熟悉的人来说，增加使用困难，也就无法适应个体差异和受用人群的限定，例如对于老年人、儿童，以及其他不擅长或无法进行复杂设备操作的人群，使用存在较大困难，受用人群范围受限，同时需要用户的主动参与和定期操作，增加了用户的依赖度和操作负担。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于ai的实时体检状态监测系统及方法，解决了背景技术中提到的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于ai的实时体检状态监测系统，包括数据采集模块、数据预处理模块、特征提取模块、异常检测模块和结果评估模块；

3、所述数据采集模块通过体征检测传感器组实时采集用户的体征数据，包括基础体征数据、呼吸体征数据和心血管特征数据，组成实时采集数据组；

4、所述数据预处理模块对实时采集数据组进行预处理，包括数据清洗预处理、数据去噪预处理、数据平滑预处理和数据标准化预处理，组成处理后的处理数据组；

5、所述特征提取模块对处理数据组进行特征提取，包括时间窗口化提取、统计特征提取、频域特征提取和时域特征提取，组成特征提取后的特征数据集x；

6、所述异常检测模块建立孤立森林模型和局部异常因子模型，将特征数据集x作为输入数据构建训练集，通过孤立森林模型建立多棵随机树进行训练，通过计算每个数据点的平均路径长度和调整因子，获取数据点的异常分数指数zsfs，在通过计算每个数据点的局部密度和邻域密度，获取局部异常因子ycyc，对获取的异常分数指数zsfs和局部异常因子ycyc进行拟合，获取异常波动拟合系数nhxs；

7、所述结果评估模块通过获取的异常波动拟合系数nhxs与预设的用户体征评估阈值p进行匹配，获取用户体征状态表现评估策略方案，并根据用户体征状态表现评估策略方案内容进行用户体征可视化提示和用户体征报告生成，供用户和相关医护人员进行查看和记录。

8、优选的，所述数据采集模块包括连接单元；

9、所述连接单元通过连接体征检测传感器组进行实时采集用户的体征数据，包括基础体征数据、呼吸体征数据和心血管特征数据，组成实时采集数据组；

10、其中，基础体征数据包括体温、身高、体重和视力；呼吸体征数据包括呼吸速率和血氧饱和度，通过身高体重仪、体温传感器和视力检测仪获取，通过胸带传感器和指夹式脉搏血氧仪获取；心血管特征数据包括心率、心率变异性和血压，通过电子血压计、智能手环和ecg传感器获取。

11、优选的，所述数据预处理模块对实时采集数据组进行预处理，包括数据清洗预处理、数据去噪预处理、数据平滑预处理和数据标准化预处理，组成处理后的处理数据组；

12、数据清洗预处理包括异常值检测和异常值处理，异常值检测包括使用3倍标准差法和机器学习进行检测异常值；异常值处理包括使用插值法来进行相邻数据的均值和线性插值替换异常值和使用数据集的均值或中位数替换异常值；

13、数据去噪预处理包括噪声过滤，通过使用低通滤波器和平滑滤波器去除噪声和去除高频噪声的数据；

14、数据平滑预处理包括使用移动平均法和指数平滑法进行平滑数据；

15、数据标准化预处理包括归一化处理和格式化时间戳进行数据标准化处理。

16、优选的，所述特征提取模块包括提取单元和整合单元；

17、所述提取单元对处理数据组进行特征提取，包括时间窗口化提取、统计特征提取、频域特征提取和时域特征提取；

18、时间窗口化提取包括将处理数据组按固定时间窗口分段，每段时间窗口包含一个固定时间范围内的数据，获取时间窗口的数据集合xt＝{x1，x2，x3，、、、，xn}；

19、统计特征提取包括计算每个时间窗口xi的均值mean(xt)、标准差std(xt)、最大值max(xi)和最小值min(xi)；

20、均值mean(xt)通过以下计算公式统计获取：

21、

22、式中，mean(xt)表示第t个时间窗口的均值，n表示时间窗口t的数据集合内的数据点总数，i表示时间窗口t的数据集合内的第i个数据点；

23、标准差std(xt)通过以下计算公式获取：

24、

25、式中，std(xt)表示第t个时间窗口内的数据集合的标准差；

26、频域特征提取包括进行离散傅里叶变换，将时间域数据转换为频域数据来进行提取主要频率成分：

27、

28、式中，xk表示第k个频率分量的复数表示，具体表示信号在第k个频率上的幅值和相位信息，|xk|表示第k个频率分量的幅值，具体表示信号在该频率上的强度值，xt表示时间域中的数据点所述时间窗口的数据集合，具体表示第t个时间窗口的数据集合，t表示数据点的总数，具体表示时间序列中包含的数据点的数量，w表示虚数单元，满足w2＝-1，k表示频率分量的索引，取值范围为0到t-1，具体为每个k对应一个不同的频率成分，-w·2π·k·n/t表示旋转因子，用于将时间域数据转换为频域数据，具体为将信号按不同的频率成分进行旋转和缩放，计算出每个频率成分的幅度和相位；

29、时域特征提取包括使用零交叉率计算公式进行衡量信号穿过零点的次数，获取零交叉率zcr，进而反映信号的频率特征：

30、

31、式中，t时间窗口内的数据点的总数，xt表示第t个时间窗口的数据集合，π{·}表示指示函数，当条件为真时取值为1，否则取值为0；

32、所述整合单元对提取的每个时间窗口xt的均值mean(xt)、标准差std(xt)、最大值max(xi)、最小值min(xi)、频率分量的复数表示xk和零交叉率zcr，组成特征提取后的特征数据集x。

33、优选的，所述异常检测模块包括建模单元和拟合单元；

34、所述建模单元建立孤立森林模型和局部异常因子模型，将特征数据集x作为输入数据构建训练集，通过孤立森林模型建立多棵随机树进行训练，同步标记随机树总数为n，通过计算每个数据点的平均路径长度和调整因子，获取数据点的异常分数指数zsfs，在通过计算每个数据点的局部密度和邻域密度，获取局部异常因子ycyc；

35、所述拟合单元对获取的异常分数指数zsfs和局部异常因子ycyc进行拟合，获取异常波动拟合系数nhxs；

36、所述异常波动拟合系数nhxs通过以下计算公式获取：

37、

38、式中，α和β分别表示异常分数指数zsfs和局部异常因子ycyc的预设权重值，δ表示修正常数项。

39、优选的，其中，异常分数指数zsfs通过以下计算公式获取：

40、

41、式中，zsfs(x)表示数据点x的异常分数指数，e(h(xi))表示数据点xi的平均路径长度，c(nt)表示调整因子；

42、数据点xi的平均路径长度e(h(xi))通过以下计算公式获取：

43、

44、式中hj(xi)表示数据点xi在第j棵树中的路径长度，nt表示随机树数据的总数；

45、调整因子c(nt)通过以下计算公式获取：

46、

47、式中，h(nt-1)表示第nt-1个调和数，定义为具体调和数h(nt-1)表示调和级数的一部分，用于评估随机数树的平均路径长度，l表示从1到nt-1的正整数。

48、优选的，所述局部异常因子ycyc通过以下计算公式获取：

49、

50、式中，ycyc(k,xi)表示数据点xi的局部异常因子，k表示邻居数量，lrd(xj)表示第j个邻居xj的局部可达密度，lrd(xi)表示数据点xi的局部可达密度，xj表示数据点xi的第j个邻居；

51、其中，数据点xi的局部可达密度lrd(xi)通过以下计算公式获取：

52、

53、式中，reach-distancek(xi,xj)表示数据点xi和第j个邻居xj的可达距离，具体表示如下：

54、reach-distancek(xi,xj)＝max{k-distance(xi),d(xi,xj)}；

55、式中，k-distance(xi)表示数据点xi的k-距离，具体表示数据点xi与第k个邻居之间的距离，d(xi,xj)表示数据点xi与第j个邻居xj之间的实际距离。

56、优选的，所述结果评估模块包括匹配评估单元和反馈单元；

57、所述匹配评估单元用于通过预设的相关信息与需要的对比值进行匹配，包括通过获取的异常波动拟合系数nhxs与预设的用户体征评估阈值p进行匹配，获取用户体征状态表现评估策略方案；

58、所述反馈单元根据用户体征状态表现评估策略方案内容进行用户体征可视化提示和用户体征报告生成，其中用户体征报告生成时根据用户体征状态表现评估策略方案内容进行具体标记不合格项为黄色，预警项为红色，进行提示用户和相关医护人员进行了解体征状态，供用户和相关医护人员进行查看和记录。

59、优选的，所述用户体征状态表现评估策略方案通过以下匹配方式获取：

60、当异常波动拟合系数nhxs＜用户体征评估阈值p，获取用户体征状态表现评估合格结果，生成用户体征状态评估合格结果报告；

61、当异常波动拟合系数nhxs≥用户体征评估阈值p，获取用户体征状态表现评估不合格结果，生成用户体征状态评估不合格结果报告，同步将报告中不合格项标记为黄色；

62、当异常波动拟合系数nhxs≥用户体征评估阈值p两倍时，获取用户体征状态表现评估预警结果，生成用户体征状态评估预警结果报告，同步将报告中不合格项标记为红色，发出预设提示体征状态处理提示，包括就医提示和相关医护人员处理提示。

63、一种基于ai的实时体检状态监测方法，包括以下步骤：

64、步骤一：数据采集模块通过体征检测传感器组实时采集用户的体征数据，包括基础体征数据、呼吸体征数据和心血管特征数据，组成实时采集数据组；

65、步骤二：数据预处理模块对实时采集数据组进行预处理，包括数据清洗预处理、数据去噪预处理、数据平滑预处理和数据标准化预处理，组成处理后的处理数据组；

66、步骤三：特征提取模块对处理数据组进行特征提取，包括时间窗口化提取、统计特征提取、频域特征提取和时域特征提取，组成特征提取后的特征数据集x；

67、步骤四：异常检测模块建立孤立森林模型和局部异常因子模型，将特征数据集x作为输入数据构建训练集，通过孤立森林模型建立多棵随机树进行训练，通过计算每个数据点的平均路径长度和调整因子，获取数据点的异常分数指数zsfs，在通过计算每个数据点的局部密度和邻域密度，获取局部异常因子ycyc，对获取的异常分数指数zsfs和局部异常因子ycyc进行拟合，获取异常波动拟合系数nhxs；

68、步骤五：结果评估模块通过获取的异常波动拟合系数nhxs与预设的用户体征评估阈值p进行匹配，获取用户体征状态表现评估策略方案，并根据用户体征状态表现评估策略方案内容进行用户体征可视化提示和用户体征报告生成，供用户和相关医护人员进行查看和记录。

69、本发明提供了一种基于ai的实时体检状态监测系统及方法，具备以下有益效果：

70、(1)系统运行时，实时采集用户的体征数据，并经过数据清洗、去噪、平滑和标准化预处理后，提取出时间窗口化、统计、频域和时域等特征数据，通过孤立森林模型和局部异常因子模型，计算异常分数指数zsfs和局部异常因子ycyc，并对其进行拟合以获取异常波动拟合系数nhxs，与预设的用户体征评估阈值p进行匹配，生成用户体征状态评估策略，并通过可视化提示和详细报告，直观地展示用户的健康状态，提升了体检过程的便捷性和准确性，与传统体检系统依赖人工输入和处理不同，无需人工干预，能够实时识别和预警用户的健康风险，减少误报和漏报的发生，这不仅扩展了系统的适用人群，尤其是那些不熟悉设备操作的用户。

71、(2)通过对预处理后的数据进行时间窗口化、统计特征、频域特征和时域特征的提取，形成高质量的特征数据集。系统特别采用离散傅里叶变换提取频域特征，并通过零交叉率计算衡量信号频率特征，使得在特征提取过程中不仅捕捉到了数据的基本统计特征，还深入挖掘了信号的频率信息，多层次的数据处理方法确保了体检数据的高精度和可靠性，使得健康监测不仅更加全面和精准，同时也大大降低了误报和漏报的风险。

72、(3)通过获取的异常分数指数zsfs和局部异常因子ycyc进行拟合，获取异常波动拟合系数nhxs，能够更加准确地捕捉到体征数据中的微小异常波动。孤立森林模型通过平均路径长度和调整因子的计算，有效识别整体数据分布中的孤立点；局部异常因子模型则通过邻域密度的比较，能够发现局部环境中的细微异常，特别是在细小异常点和特殊异常点的发现和检测方面表现突出，显著提升健康维护和健康检测的效果。