CN119293751B 一种基于智能穿戴设备的全方位风险预警监测方法及系统 （首都医科大学附属北京天坛医院）

号一种基于智能穿戴设备的全方位风险预警本发明公开了一种基于智能穿戴设备的全2通过智能穿戴设备收集多模态数据并进行压缩，对压缩后的数据传输至对还原多模态数据进行多模态数据分析并提取综合特征，构建逻辑回归模型所述通过智能穿戴设备收集多模态数据并进行压缩指用户通过智能穿戴设备收集多使用训练好的字典对标准化后的多模态数据进行稀疏表示使用Toeplitz矩阵将稀疏数据转换为稀疏数据进行压缩感知处理得述对压缩后的数据传输至中央数据库中并进行数据还原指使用标准数据打包协议将压缩述对还原多模态数据进行多模态数据分析并提取综合特征指根据收集的多模态数据对还;其中w(t)为在时间t时刻第i个还原多模态数据的当前权重，X;(t)为在时间t时刻第使用皮尔森相关系数计算在时间t时刻还原多模态数据的相关性系数rxsxy,(；根据还原多模态数据的当前权重和相关性系数计算加权皮基于加权皮尔森相关性系数绝对值，计算每对还原多模态数据间的关联权重;基于加权皮尔森相关性系数和关联权重p,(t)和计算在时间t时刻的综合特3;述构建逻辑回归模型评估用户的健康评分指收集具有历史标签的多模态数据并进行预处构建逻辑回归模型计算时间t时刻健康风险得分R(t)；;述重新收集用户的多模态数据进行监测指重新通过智能穿戴设备收集用户的多模态数据将提取的综合特征输入到训练好的逻辑回归模型计算健康风险得分，得到在时间t时根据医学指南和医生建议设定判断阈值，若健康风险得分大于等于判断阈值述构建用户可视化界面实时展示监测结果指使用React.js构建用户可视化界面实时展示7.一种基于权利要求1_6任一所述的基于智能穿戴设备的全方位风险预警监测方法的收集传输模块，用于通过智能穿戴设备收集多模态数据4提取构建模块，用于对还原多模态数据进行多模态数据分析并提取综检测可视化模块，用于重新收集用户的多模态数据进行监测，构处理器执行时实现权利要求1至6中任一项所述的基于智能穿戴设备的全方位风险预警监5[0002]随着智能穿戴设备的快速发展，个性化健康监测和管理传统的健康监测方法依赖于医院或诊所的定期检查，无法实时捕捉用户的动态生理数据，[0004]鉴于上述现有的基于智能穿戴设备的全方位风险预警监测方法及系统中存在的[0009]作为本发明所述基于智能穿戴设备的全方位风险预警监6[0012]所述预处理包括，使用动态时间规整算法对多模态数据进行时间对齐，使用Z_score算法对多模态数据进行识别并删除异常值，使用自适应卡尔曼滤波算法对多模态数[0017]使用Toeplitz矩阵将稀疏数据转换为稀疏数据进行压缩感知处理得到的压缩数[0018]作为本发明所述基于智能穿戴设备的全方位风险预警监[0020]作为本发明所述基于智能穿戴设备的全方位风险预警监[0023]其中w(t)为在时间t时刻第i个还原多模态数据的当前权[0025]根据还原多模态数据的当前权重和相关性系数计算加权皮尔森相关性系数;[0027]基于加权皮尔森相关性系数xy,(t"和关联权重p,(t)和计算在时间t时刻的综[0030]作为本发明所述基于智能穿戴设备的全方位风险预警监7[0036]L(t)=-⃞1(uz-y(t)·log(R(t))+w,·(1-y(t))·log(1-R(t)))；[0040]使用阶梯下降公式更新逻[0042]作为本发明所述基于智能穿戴设备的全方位风险预警监[0044]根据医学指南和医生建议设定判断阈值，若健康风险得[0045]作为本发明所述基于智能穿戴设备的全方位风险预警监[0048]本发明的另外一个目的是提供一种基于智能穿戴设备的全方位风险预警监测系理器执行所述计算机程序时实现上述基于智能穿戴设备的全方位风险预警监测方法的步8行时实现上述基于智能穿戴设备的全方位风险预警监测方[0066]所述预处理包括，使用动态时间规整算法对多模态数据进行时间对齐，使用Z_score算法对多模态数据进行识别并删除异常值，使用自适应卡尔曼滤波算法对多模态数9[0073]使用Toeplitz矩阵将稀疏数据转换为稀疏数据进行压缩感知处理得到的压缩数[0077]标准数据打包协议的使用确保了不同传感器和设备所采[0082]其中w(t)为在时间t时刻第i个还原多模态数据的当前权调节系数能够根据数据变化率的大小来调整权重，灵活应对数据中的剧烈波动或小幅变[0085]AX;(t)=X;(t)-X;(t-1)；[0089]其中和分别为在时间t时刻第i和第j个还原多模态数据的均值，X;(t)和y(t)分别为在时间t时刻第i和第j个还原多模[0090]根据还原多模态数据的当前权重和相关性系数计算加权皮尔森相关性系数[0095]基于加权皮尔森相关性系数xy,(t"和关联权重p,(t)和计算在时间t时刻的综[0098]该公式的核心在于利用皮尔森相关系数和关联权重来量化多模态数据之间的关据在不同时间点的影响力大小，使得系统能够更准确地评估多模态数据之间的复杂关系，够针对不同数据集的正负类分布进行个性化的权重调整，这种动态调整使得系统更加灵[0109]L(t)=-⃞1(uz-y(t)·log(R(t))+w,·(1-y(t))·log(1-R(t)))；[0124]根据医学指南和