一种用户健康状况监控方法和装置与流程

本发明涉及健康监测，特别是涉及一种用户健康状况监控方法和装置。

背景技术：

1、随着科技的进步和人们对健康管理的日益重视，综合监测用户的生理与心理健康状态已成为现代医疗与健康管理领域的重要研究方向。传统的健康监测手段往往侧重于单一的生理指标或心理健康评估，缺乏全面性和实时性，难以满足现代人对健康管理的多元化需求。

2、在生理健康监测方面，脉搏、心率、血压、血氧饱和度、体温以及运动量数据等生理参数是评估个体健康状况的重要指标。这些参数的异常变化往往预示着潜在的健康风险，如心血管疾病、糖尿病、高血压等。因此，实时、准确地监测这些生理参数，并在发现异常时及时告警，对于预防疾病、保障用户健康具有重要意义。

3、心理健康的重要性在各类人群中，特别是产后孕妇、孤巢老人等特定群体中，显得尤为突出。这些群体由于身体条件、生活环境或社会角色的特殊性，往往面临着更高的心理压力，其心理健康状况更加需要得到及时、有效的关注与干预。然而，传统的心理健康评估方法多依赖于问卷调查、面谈等主观手段，难以实现实时、客观的监测。

4、此外，跌倒作为老年人及行动不便人群常见的意外伤害之一，其检测和预防也备受关注。传统的跌倒检测方法多依赖于视频监控或人工观察，存在成本高、效率低、隐私泄露等问题。

5、综上所述，为了全面、实时地监测用户的生理与心理健康状态，提高健康管理的效率和准确性，本发明提出了一种综合健康监测系统。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种用户健康状况监控方法和装置，用于解决现有技术中心理健康评估方法存在主观性强、难以实时监测，以及健康管理的效率和准确性不足等问题。

2、为实现上述目的及其他相关目的，本发明提供一种用户健康状况监控方法。

3、采集反映用户的生理状态和健康状况的生理反馈数据以及评估用户心理健康水平的心理反馈数据；

4、基于用户的生理反馈数据的预设阈值判断是否发生异常，若是，则进行告警提示，并将生理健康数据及异常监测结果进行存储；

5、通过实际应用中采集的跌倒检测数据生成跌倒检测模型，通过所述跌倒检测模型对用户实时产生的加速度和角速度数据进行监测，判断是否跌倒，若跌倒，对跌倒位置进行gps定位；

6、提取所述心理反馈数据的特征，选择其中与用户情绪变量相关性强的特征，利用机器学习来构建情绪识别模型，将实时处理得到的相关性强的特征输入情绪识别模型，得到情绪识别结果，对消极情绪时间段进行存储和监控，当达到消极情绪时间阈值时进行告警提示。

7、可选地，所述实际应用中收集的跌倒检测数据包含跌倒动作和非跌倒动作产生的加速度和角速度数据，生成跌倒检测模型判断用户是否跌倒，包括：

8、设定加速度阈值和角速度阈值，遍历所有数据样本，删除加速度和角速度数据小于各自阈值的数据样本；

9、将剩余的加速度和角速度数据样本值压缩到区间[-1，1]标准化，通过下式实现：

10、

11、

12、式中，为合加速度，和分别是加速度数据的均值和标准差，为合角速度，和分别是角速度数据的均值和标准差；

13、将标准化后的加速度和角速度数据作为特征，构造跌倒检测特征向量，每个数据样本对应一个二维特征向量(，)；

14、通过所述跌倒检测特征向量训练跌倒检测模型，处理实时产生的加速度和角速度数据，并输入到训练好的跌倒检测模型中，得到用户是否跌倒的判断结果。。

15、可选地，所述合加速度和合角速度通过下式计算：

16、

17、式中，、、分别为、、z的轴向加速度；、、分别为、、z的轴向角速度。

18、可选地，所述跌倒检测模型训练过程包括：

19、对于每个跌倒检测样本，其中为跌倒检测特征向量，为跌倒检测标签，的取值范围为[-1 1]，为样本个数，初始权重为，；

20、（1）对于每个，为弱跌倒检测模型的数量，使用当前带权重的样本训练弱跌倒检测模型；

21、（2）对于每个弱跌倒检测模型计算其错误率：

22、

23、其中，表示第个样本的跌倒检测标签，为一个指示函数，当时取值为1，否则为0；

24、（3）根据错误率计算弱跌倒检测模型的系数：

25、

26、（4）更新每个样本权重，以便在下一个弱跌倒检测模型的训练中更加关注那些被当前跌倒检测模型错误分类的样本：

27、

28、其中，为归一化因子，确保所有样本的权重之和为1：

29、；

30、经过轮迭代后，构建最终跌倒检测模型

31、。

32、可选地，提取所述心理反馈数据的特征，计算每个特征与用户情绪变量之间的相关性，具体包括：

33、提取所述合加速度和合角速度数据的时域特征和频域特征，计算其特定幅值特征；提取所述音频数据的时域特征和频域特征，统计共振峰特定特征，并计算其特定幅值特征；获取用户体温值和心率值；

34、使用皮尔逊相关系数计算每个特征与用户情绪变量之间的相关性，所述用户情绪变量为panas量表积极情绪评分和消极情绪评分；

35、所述相关性计算如下式：

36、

37、其中，为数据特征，为情绪评分，为的协方差，为的标准差，为的标准差。

38、可选地，根据计算出的相关性系数值，将特征分为：极强相关：；强相关：；中等程度相关：；弱相关：；极弱相关或无相关：。

39、可选地，利用机器学习来构建情绪识别模型，将实时处理得到的相关性强的特征输入情绪识别模型，得到情绪识别结果，具体包括：

40、构建样本集，每个情绪识别样本表示一个情绪识别特征向量，其中包含极强相关和强相关特征，每个所述情绪识别样本对应积极情绪或消极情绪；

41、使用所述样本集对卷积神经网络进行训练，将卷积神经网络的输出作为积极情绪和消极情绪的表征，并带入损失函数进行计算；

42、当损失函数值小于设定阈值时，完成对卷积神经网络的训练；对预训练得到的卷积神经网络添加分类层，随机选取有标签的数据，对分类层进行训练，使得分类层的参数适应情绪识别任务，得到成熟的情绪识别模型；

43、将实时处理得到的相关性强的特征输入情绪识别模型中，输出情绪识别结果。

44、本发明还提供了一种用户健康状况监控装置，包括：

45、数据采集模块、用于采集反映用户的生理状态和健康状况的生理反馈数据以及评估用户心理健康水平的心理反馈数据；

46、生理监测模块、用于基于用户的生理反馈数据的预设阈值判断是否发生异常，若是，则进行告警提示，并将生理健康数据及异常监测结果进行存储；

47、跌倒检测模块、用于通过实际应用中收集的跌倒检测数据生成跌倒检测模型，通过所述跌倒检测模型对用户实时产生的加速度和角速度数据进行监测，判断是否跌倒，若跌倒，对跌倒位置进行gps定位；

48、情绪识别模块、用于提取所述心理反馈数据的特征，选择其中与用户情绪变量相关性强的特征，利用机器学习来构建情绪识别模型，将实时处理得到的相关性强的特征输入情绪识别模型，得到情绪识别结果，对消极情绪时间段进行存储和监控，当达到消极情绪时间阈值时进行告警提示。

49、如上所述，本发明提出的一种用户健康状况监控方法和装置，具有以下有益效果：

50、本发明通过持续采集用户的脉搏、心率、血压、血氧饱和度、体温以及运动量数据等生理数据，系统能够实时评估用户的生理健康状况。当这些数据超出预设的阈值时，系统能够立即发出告警提示，使用户或医护人员能够迅速响应，采取必要的措施来预防或减轻潜在的健康风险；

51、针对老年人及行动不便人群，本发明通过采集用户的加速度和角速度数据，利用跌倒检测模型实时监测用户的运动状态，判断是否存在跌倒风险。一旦检测到跌倒事件，系统不仅能够立即告警，还能通过gps定位功能确定跌倒位置，为紧急救援提供关键信息；

52、本发明的系统通过采集用户的加速度、角速度、体温、心率以及音频数据等心理反馈数据，结合机器学习算法构建情绪识别模型，能够实现对用户心理健康状态的实时监测和评估。这不仅有助于用户自我认知情绪状态，还能为心理咨询师或医生提供客观的数据支持，以便更准确地诊断和治疗心理问题；

53、本发明特别关注残疾人、产后孕妇、孤巢老人等特定群体的心理健康需求。这些群体由于身体条件、生活环境或社会角色的特殊性，往往面临着更高的心理压力。系统通过为他们提供实时、便捷的心理健康监测服务，能够更早地发现并解决潜在的心理问题，提升他们的生活质量和社会融入感。