CN119480112A 利用人工智能的动态健康自适应监测方法及系统 （北京颐麦医疗科技有限公司）

利用人工智能的动态健康自适应监测方法本发明提供一种利用人工智能的动态健康自适应监测方法及系统，涉及健康监测技术领散概率模型降噪并结合改进的注意力自编码器2获取用户对应的多源异构健康数据，通过基于连续时间随机微分至自适应小波神经网络，通过动态选择最优小波基函数和分解层数进行多尺度特征分解，将所述健康特征张量添加至分层级记忆增强网络中，通过构建具有将所述健康风险评估结果添加至分层强化学习网络，通过构建层次协同优化系统，通过设计智能体间的通信协议和奖励分配机制实现群体决策的协同优化，梯度上升方法优化策略参数实现在线学习，将学习到的策略参数输入模型预测控制网络，波基函数和分解层数进行多尺度特征分解，得到多尺度特征并添加至动态图神经网络中，通过可穿戴设备的传感器阵列采集心电信号、血压值、血氧浓度的连将所述预处理后的健康数据输入分层级扩散概率模型，在前向扩散3将所述降噪后的健康数据输入改进的注意力自编码器，所述注意力将所述编码后的健康特征输入对比学习网络，对所述健康特征进行随机时间窗口裁将所述具有判别性的健康特征输入自适应小波神经网络，基于信号的将所述多尺度健康特征构建为动态图结构，将不同健康指标作为小波神经网络，基于信号的时频特性评估不同小波基函数的表达能力并选择最优基函数将具有判别性的健康特征输入自适应小波神经网络，所述自适应所述小波基函数评估模块构建候选小波基函数库，所述候选小波基函数库对所述健康特征进行时频分析获取频域特征，基于所述频域特征计建立评分矩阵，将所述重构误差评估值、稀疏性评估值与细节保持小波基函数进行排序并选择得分最高的小波基函数作为所述分解层数确定模块对所述健康特征进行频率分析得到频率组成率组成信息中的主频分量数量与频带分布确基于所述最优基函数和所述小波分解层数对所述健康特征进行多尺4监测所述频域特征的变化程度、统计特性变化率与重构质量改进的迭代路由算法对时序特征进行层次化表达，得到层次化特征并添加至因果推理网将健康特征张量输入归一化模块进行归一化处理得到标准化特征网络输入所述标准化特征，通过短期记忆单元的输入门控值调控当前输入特征接收比例，利用遗忘门控值调节历史状态保留程度，使用输出门控值调控特征输出强度生成短期特度执行softmax归一化更新路由系数，将更新后的路由系数与所述预测向量加权求和生成5统计相邻时间步之间的状态转移频次，利用最大似然估计计算状态转移概率构建转移矩性得分并执行softmax归一化得到注意力权重，将节点特征与对应的注意力权重相乘并聚关于变分参数的梯度，利用随机梯度下降迭代优化变分参数直至收敛得到近似后验分布，将验证后的因果关系图输入至概率图注意力网络，所述验证后的基于所述离散状态空间设定观察时间窗口，在所述观察时间窗口内对所述状态转移频次矩阵中每一行的所有元素求和得到对所述状态转移频次矩阵中的每个元素除以其所在行的转移事件总数得到归一化后的转移提取任意两个节点各自的转移概率矩阵，将两个所述转移概率矩阵进行组合运和奖励分配机制实现群体决策的协同优化，将优化后的策略输入深度确定性策略梯度网络，将确定性策略函数与值函数相结合并通过梯度上升方法优化策略参数实现在线学习，将健康风险评估结果添加至分层强化学习网络，所述分层强化学6将所述候选动作方案输入多智能体协同优化系统，所述多智能体协将将优化后的策略输入深度确定性策略梯度网络，所述深度确定估所述监测动作的长期价值，通过梯度上升方法持续优化所述确定性策略函数的策略参方法对未来状态序列进行预测，基于所述未来状态序列在预测范围内寻找最优控制序列，基于所述状态向量通过预测控制器生成未来状态序列，将所述状采用分层搜索策略确定最优控制序列，其中，第一层根据所述度确定监测频率的基准值，第二层在所述基准值附近进行局部搜索得到优化后的监测频同控制方案的综合效果确定所述最优控制序列；将所述最优控制序列中的监测频率和预警阈值下发至监测设备启基于更新后的所述动态预测模型重新优化控制策略，根据预测准78.利用人工智能的动态健康自适应监测系统，用于实现前述权利要求1_7中任一项所第一单元，用于获取用户对应的多源异构健康数据，第二单元，用于将所述健康特征张量添加至分层级记忆增强网估结果；第三单元，用于将所述健康风险评估结果添加至分层强化其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意8对时间依赖性和因果关系的考虑以及无法提供个性化监[0004]本发明实施例的第一方面，提供一种利用人工智能的动的多层记忆单元存储特征信息，结合自适应门控机制修改信息流动并确定长短期依赖关推理近似后验分布并结合蒙特卡洛采样估计预测结果的不确定性，得到健康风险评估结9估不同小波基函数的表达能力并选择最优基函数族，根据信号的频率组成确定分解层数，估不同小波基函数的表达能力并选择最优基函数族，根据信号的频率组成确定分解层数，分对小波基函数进行排序并选择得分最高的小波基函数作述频率组成信息中的主频分量数量与频带分布确定不同频段的子带系数，所述特征融合模块对不同频段的子带系数在各个尺度进行特征融的多层记忆单元存储特征信息，结合自适应门控机制修改信息流动并确定长短期依赖关相似度执行softmax归一化更新路由系数，将更新后的路由系数与所述预测向量加权求和要性得分并执行softmax归一化得到注意力权重，将节点特征与对应的注意力权重相乘并点独立进行状态转移统计，通过遍历时间序列数据识别每个时间步上所述节点所处的状移频次矩阵的行与列分别对应所述节点的所有对所述状态转移频次矩阵中每一行的所有元素求和得到对应状态的转移事件总目标转化为候选动作方案；方法对未来状态序列进行预测，基于所述未来状态序列在预测范围内寻找最优控制序列，不同控制方案的综合效果确定所述最优控制序列；[0011]本发明实施例的第二方面，提供一种利用人工智能的动[0018]图1为本发明实施例利用人工智能的动态健康自适应监测方法的流程示意图，如S1.获取用户对应的多源异构健康数据，通过基于连续时间随机微分方程的分层级扩散概率模型定义前向扩散过程并添加噪声，结合反向扩散过程求解微分方程进行降所述基于连续时间随机微分方程的分层级扩散概率模型是一种通过连续时间的估不同小波基函数的表达能力并选择最优基函数族，根据信号的频率组成确定分解层数，度等连续型数据，以及运动状态、睡眠质量等离散型数据。例如，心电信号采样频率为大小为5的中位数滤波器去除心电信号中的尖峰[0022]将预处理后的健康数据输入到分层级扩散概率模型中，采用U型结构的噪声预测[0024]将编码后的健康特征输入到对比学习网络中。对健康特征进行随机时间窗口裁估不同小波基函数的表达能力并选择最优基函数族，根据信号的频率组成确定分解层数，分对小波基函数进行排序并选择得分最高的小述频率组成信息中的主频分量数量与频带分布确定不同频段的子带系数，所述特征融合模块对不同频段的子带系数在各个尺度进行特征融[0038]S2.将所述健康特征张量添加至分合概率图注意力网络中的条件随机场构建节点间的条件概率分布并计算节点重要性权重，的多层记忆单元存储特征信息，结合自适应门控机制修改信息流动并确定长短期依赖关相似度执行softmax归一化更新路由系数，将更新后的路由系数与所述预测向量加权求和要性得分并执行softmax归一化得到注意力权重，将节点特征与对应的注意力权重相乘并影响，所述条件互信息是用于衡量两个变量在给定其他变量条件下的相互依赖性的统计[0042]使用分层级记忆增强网络提取时序特征。将标准化后的健康特征输入到该网络点独立进行状态转移统计，通过遍历时间序列数据识别每个时间步上所述节点所处的状移频次矩阵的行与列分别对应所述节点的所有对所述状态转移频次矩阵中每一行的所有元素求和得到对应状态的转移事件总如果某一时间点的血压测量值为130/85mmHg，根据预先定义的状的所有元素求和，得到对应状态的转移事件总数。将频次矩阵中的每个元素除以其所在行[0056]计算任意两个节点之间的联合分布概率。提取任意两个节点各自的转移概率矩[0058]S3.将所述健康风险评估结果目标转化为候选动作方案；方法对未来状态序列进行预测，基于所述未来状态序列在预测范围内寻找最优控制序列，现的控制策略序列。[0067]将优化后的策略输入深度确定性策略梯度网络，包含确定性策略函数和值函不同控制方案的综合效果确定所述最优控制理模块对这些输入数据进行标准化处理，例如使用min_max标准化方法将数据缩放到0到1入预测模型，迭代预测得到预测时域内的完整状态序列。预测时域可以划分为多个预测步