心血管疾病风险控制方法、系统及存储介质与流程

1.本发明涉及智能医疗技术领域，涉及一种心血管疾病风险控制方法、系统及存储介质、装置、电子设备及计算机可读存储介质。


背景技术：

2.心血管疾病是我国死亡率最高的一类疾病，世界卫生组织已将其列为21世纪危害人类健康的头号杀手。具有熬夜、抽烟、久坐等不良生活习惯的人罹患心血管疾病的概率显著高于有健康生活习惯的人。因此，通过进行心血管疾病的健康管理可以降低个人患心血管疾病风险。
3.现有技术中通过心血管健康管理算法进行心血管疾病的健康管理的方法，具有的弊端如下：
4.1)目前用于进行心血管疾病风险评估的指标仅有抽烟与否、胆固醇含量、身高、体重与年龄等；评估指标有限导致评估结果个性化差，准确率低；
5.2)给出的生活习惯调整方案只有调整的目标结果，不包含调整的合理步骤，导致被评估者的执行情况不理想。
6.因此，亟需一种能够体现个体差异的用于降低心血管疾病风险的健康管理方法。


技术实现要素：

7.本发明提供一种心血管疾病风险控制方法、系统、电子设备及计算机可读存储介质，以克服现有技术的问题，达到通过利用心血管疾病风险控制智能体调整待检测者的生活习惯，降低的待检测者罹患心血管疾病的风险技术效果。
8.为实现上述目的，本发明提供的一种心血管疾病风险控制方法，方法包括：获取待检测者的行为数据，行为数据为某一时间下个体的状态数据；
9.将所述行为数据输入预训练的心血管疾病风险预测模型，获得待检测者的心血管疾病风险值；筛选所述心血管疾病风险值大于设定风险阈值的待检测者的行为数据作为心血管疾病高风险者的状态数据；
10.将状态数据输入预先训练好的心血管疾病风险控制智能体，得到心血管疾病风险控制方案；其中，心血管疾病风险控制智能体是基于强化学习训练获得；
11.将待检测者执行心血管疾病风险控制方案后的状态数据输入心血管疾病风险控制智能体，实时获得待测者的心血管疾病风险评估值；所述心血管疾病风险控制智能体基于所述心血管疾病风险评估值确定进一步的心血管疾病风险控制方案。
12.进一步，优选的，心血管疾病风险预测模型为：
13.f(xv)＝f(x
dv
，x
uv
，x
iv
)＝f(x
dv
，x
uv
，d(x
dv
，x
uv
))
14.其中，xv为测试样本，f(xv)是心血管疾病风险预测模型f对xv的期望预测输出；d是一个回归模型，回归模型d的输入为dv数据和uv数据，输出为iv数据；
15.dv为可直接改变的特征，包括每日吸烟量、每日饮酒量以及每日运动量；
16.uv为不可改变的特征，包括年龄、性别和地域；
17.iv为可间接改变的特征，包括bmi指数、血糖浓度、血压、体脂率和腰围。
18.进一步，优选的，基于强化学习的心血管疾病风险控制智能体的训练方法包括：
19.搭建用于心血管疾病风险控制的智能体环境以及用于心血管疾病风险控制的强化学习模型；其中，智能体环境为(s，a，r，γ)；其中，s为包括心血管疾病特征的状态空间；心血管疾病特征作包括可直接改变的特征、不可改变的特征和可间接改变的特征；a为包括可直接改变的特征的动作空间，r是奖励函数，为状态转移概率函数，γ∈(0，1]是奖励衰减因子；
20.利用智能体环境对用于心血管疾病风险控制的强化学习模型输出的序列行动进行评估，并给予所述序列行动对应的奖励以及下一个时刻的序列行动，以累积奖励最大化为目标集中训练，以获得智能体π
*
(a|s)；其中，智能体π
*
(a|s)的输入为环境的状态，输出为环境的状态下选择执行的序列行动；
21.通过广义优势函数和策略迭代至智能体模型收敛，获得训练好的基于强化学习的心血管疾病风险控制智能体。
22.进一步，优选的，心血管疾病风险预测模型通过最优特征变量集训练获得；最优特征变量集的获取方法为：
23.将包含心血管疾病行为特征的数据集作为训练集输入行为特征重要性评价模型；通过行为特征重要性评价模型对训练集中的心血管疾病的行为特征进行重要性评价，输出重要性评价符合设定阈值的心血管疾病的行为特征作为影响因素集合；
24.将影像因素集合作为最优特征变量集。
25.进一步，优选的，累积奖励通过以下公式获取：
[0026][0027]
其中，b(s
t
，a
t
)为背景分，b(s
t
，a
t
)＝α(c-f(s
t
a
t
))，α为奖励缩放系数，c代表对行动的宽容程度系数，c∈(0，1]，f(s
t
a
t
)为状态为s
t
、动作为a
t
时，心血管疾病风险预测模型的输出值；-p为惩罚分参数，为终局分参数，且当智能体获胜则智能体失败则智能体处于非终局状态下，则
[0028]
进一步，优选的，所述通过广义优势函数和策略迭代使所述智能体模型收敛的方法包括：
[0029]
用优势函数估计且
[0030]
其中，是优势函数在时间步t的估计，q
π
为策略提升函数，v
π
为策略评估函数；
[0031][0032][0033]
计算策略更新并经过k个时间步长，用小批量
sgd执行策略更新；其中，θ表示智能体策略的参数；为累积奖励；π(a|s)为策略函数；π(a|s)为策略函数；为状态转移概率；γ为奖励衰减因子；πθ(at/st)表示在指定策略π，状态值st下选择动作值at的累积奖励的期望；为损失函数；
[0034]
不断迭代上述步骤至智能体模型收敛。
[0035]
通过以下公式获得，
[0036][0037]
其中，e表示期望；为新旧策略比例，其中θ为策略神经网络的参数，π
θ
(a
t
|s
t
)代表t时刻的策略，是上一轮迭代的策略；
[0038]
clip(r
t
(θ)，1-ε，1 ε)表示将新旧策略比例控制在1附近；
[0039]
表示是在策略函数π的第k个策略时，优势函数在时间步t的估计；
[0040]
ε表示超参数。
[0041]
为了解决上述问题，本发明还提供一种心血管疾病风险控制系统，
[0042]
行为数据获取单元，用于获取待检测者的行为数据，行为数据为某一时间下个体的状态数据；
[0043]
心血管疾病高风险者的状态数据筛选单元，用于将所述行为数据输入预训练的心血管疾病风险预测模型，获得待检测者的心血管疾病风险值；筛选所述心血管疾病风险值大于设定风险阈值的待检测者的行为数据作为心血管疾病高风险者的状态数据；
[0044]
心血管疾病风险控制方案获取单元，用于将状态数据输入预先训练好的心血管疾病风险控制智能体，得到心血管疾病风险控制方案；其中，心血管疾病风险控制智能体是基于强化学习训练获得；
[0045]
心血管疾病风险控制方案调整单元，用于将待检测者执行心血管疾病风险控制方案后的状态数据输入心血管疾病风险控制智能体，实时获得待测者的心血管疾病风险评估值；所述心血管疾病风险控制智能体基于所述心血管疾病风险评估值确定进一步的心血管疾病风险控制方案。
[0046]
为了解决上述问题，本发明还提供一种电子设备，电子设备包括：
[0047]
存储器，存储至少一个指令；及
[0048]
处理器，执行所述存储器中存储的指令以实现上述所述的心血管疾病风险控制方法中的步骤。
[0049]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的心血管疾病风险控制方法。
[0050]
本发明的心血管疾病风险控制方法，能够对待检测者的心血管疾病风险进行预警，并且能够帮助心血管疾病发病风险高的检测者通过给出心血管疾病风险控制方案来不断调整其生活习惯，进而达到降低其未来罹患心血管病的风险的技术效果。
附图说明
[0051]
图1为本发明一实施例提供的心血管疾病风险控制方法的流程示意图；
[0052]
图2为本发明的实施例提供的心血管疾病风险预测智能体的收敛效果图；
[0053]
图3为通过本发明的实施例的心血管疾病风险预测方法进行生活习惯调整前后的降低心血管疾病风险的对比图；
[0054]
图4为通过本发明的实施例的心血管疾病风险预测方法进行5步生活习惯调整后的降低心血管疾病风险的效果图；
[0055]
图5为本发明一实施例提供的实现心血管疾病风险控制系统的原理示意图；
[0056]
图6为本发明一实施例提供的实现心血管疾病风险控制方法的电子设备的内部结构示意图；
[0057]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0058]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0059]
参照图1所示，为本发明一实施例提供的心血管疾病风险控制方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
[0060]
在本实施例中，心血管疾病风险控制方法包括s1～s4：
[0061]
s1、获取待检测者的行为数据，行为数据为某一时间下个体的状态数据。
[0062]
在具体的实施过程在，状态数据包括生理数据，包括但不限于每日吸烟量、每日饮酒量、每日运动量、年龄、性别、地域、家庭成员情况、bmi指数、血糖浓度、血压、心脏收缩压、总胆固醇(tc)、高密度脂蛋白胆固醇(hdl-c)、是否服用降压药、是否患有糖尿病、体脂率、睡眠状况、腰围以及既往相关病史。尤其关注心血管疾病的高危因素，比如，吸烟、肥胖、高血压、糖尿病、高脂血症、心血管病家族史等。包括但是不限于、是否吸烟、是否有心血管病家族史。
[0063]
在具体的实施过程中，生理数据可以通过智能体脂称、智能心电仪、可穿戴设备包括手机、智能手环等进行采集。示例性的，待检测者通过智能手环进行生理状态数据采集，生理状态数据可以包括在非睡眠状态数据和睡眠状态数据，其中，非睡眠状态数据包括平均心率，最大心率，温度数值，收缩压数值，舒张压数值，血压中值，血氧数值，血脂数值。睡眠状态数据包括居民睡眠数据，包括入睡时间，睡眠时间数据，以及睡眠过程中深度睡眠时长以及前度睡眠时长，实时心率数据，温度数值，收缩压数值，舒张压数值，血压中值，血氧数值，血脂数值。智能手环利用wifi或者蓝牙将生理状态数据传输至手机中的app。
[0064]
s2、将所述行为数据输入预训练的心血管疾病风险预测模型，获得待检测者的心血管疾病风险值；筛选所述心血管疾病风险值大于设定风险阈值的待检测者的行为数据作为心血管疾病高风险者的状态数据。
[0065]
对于心血管疾病风险预测模型，是根据心血管疾病的历史数据设置心血管疾病风险预测标签，训练基于机器学习或者深度学习的心血管疾病风险预测模型。
[0066]
心血管疾病风险预测模型为：
[0067]
f(xv)＝f(x
dv
，x
uv
，x
iv
)＝f(x
dv
，x
uv
，d(x
dv
，x
uv
))
[0068]
其中，xv为测试样本，f(xv)是心血管疾病风险预测模型f对xv的期望预测输出；d是
一个回归模型，回归模型d的输入为dv数据和uv数据，输出为iv数据；dv为可直接改变的特征，包括每日吸烟量、每日饮酒量以及每日运动量；uv为不可改变的特征，包括年龄、性别和地域；iv为可间接改变的特征，包括bmi指数、血糖浓度、血压、体脂率和腰围。
[0069]
需要说明的是，要管理的目标特征为可直接改变的特征，可间接改变的特征iv可以通过深度学习技术由可直接改变的特征与不可直接改变的特征通过回归算法训练得到，即y
iv
＝d(x
dv
，x
uv
)。所述心血管疾病风险预测模型的输出为待检测个体将来患心血管疾病的风险(概率)。在具体的实施过程中，心血管疾病风险预测模型可以采用但不限于的可实现算法包括svm、随机森林、罗杰斯特回归和深度神经网络等。
[0070]
所述心血管疾病风险预测模型通过最优特征变量集训练获得；所述最优特征变量集的获得的方法为：将包含心血管疾病行为特征的数据集分为训练集、验证集和测试集；将所述训练集输入行为特征重要性评价模型；所述行为特征重要性评价模型对所述训练集中的心血管疾病的行为特征进行重要性评价，输出重要性评价符合设定阈值的心血管疾病的行为特征作为影响因素集合；将所述影像因素集合作为最优特征变量集。
[0071]
以随机森林算法作为示例，将所述训练数集作为随机森林回归模型的输入，以对心血管病风险的行为特征进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集。具体步骤为：s11、根据随机森林回归模型中二叉树节点包含的特征数和决策树的棵数构建随机森林回归模型；s12、将所述训练数集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树相应的袋外数据计算其袋外数据误差；s13、随机将上述决策树相应的袋外数据中所有样本数据的某个变量作为特征x，并对该特征x加入噪声干扰，然后再次计算该决策树相应的袋外数据误差；s14、构建重要性计算模型，并根据所述重要性计算模型对上述特征x进行变量重要性评价；s15、重复步骤s12至步骤s14，直至输出所述训练数集中所有变量的变量重要性评价，然后绘制变量重要性评价的可视化绘图，并将所有变量的变量重要性评价按降序排列，并根据排序结果对变量进行重要性度量的初步筛选；s16、对初步筛选后得到的变量集，利用递归特征后向消除法从该变量集中逐次去除指定比例的变量，每次去除得到一个变量，对比除去该变量后，剩余变量对应的袋外误差率，将误差率最小的变量集作为最优特征变量集，并以此确定最优特征变量集中最优特征的数量。
[0072]
s3、将状态数据输入预先训练好的心血管疾病风险控制智能体，得到心血管疾病风险控制方案；其中，心血管疾病风险控制智能体是基于强化学习训练获得。具体地说，心血管疾病风险控制智能体是根据心血管检测的长跨度历史数据，进行预测性的风险评估，并进一步根据预测结果、用户特征做出适当决策。智能体是如何根据环境的状态做出反应、决策需要做出的动作的；强化学习平台提供的策略模型支持确定性模型和随机性模型，确定性模型指策略是固定的，强化学习的目的是得到最大化长期奖励的智能体策略。
[0073]
需要说明的是，智能体的输入为某一个时间t时，环境的状态s
t
，智能体的输出为序列行动，即状态空间中的一个动作a
t
；同时智能体每一步都会得到奖励r，并以最大化从开始到终局的累积奖励为目标。智能体通过多次迭代进行训练，可以使用包括但不限于现有的ppo、a3c、doubledqn等强化学习算法进行训练。
[0074]
基于强化学习的心血管疾病风险控制智能体的训练方法包括：
[0075]
s31、搭建用于心血管疾病风险控制的智能体环境以及用于心血管疾病风险控制的强化学习模型；其中，智能体环境为(s，a，r，γ)；s为包括心血管疾病特征的状态空间；其中，心血管疾病特征作包括可直接改变的特征、不可改变的特征和可间接改变的特征；a为包括可直接改变的特征的动作空间，r是奖励函数，为状态转移概率函数，γ∈(0，1]是奖励衰减因子。在具体的实施过程中，搭建环境时，可以选择不同的系数和表达式，示例仅公开了搭建环境的一种方法。
[0076]
也就是说，使用待检测者的行为数据以及心血管疾病风险预测模型搭建智能体的训练环境。环境中的主要内容为：(s，a，r，γ)。其中，s为环境的状态集合，即包括心血管疾病特征的状态空间；a是个体与智能体可以执行的动作集合，即包括可直接改变的特征的动作空间；是奖励函数，是环境的状态转移概率，即状态转移概率函数；γ∈(0，1]是奖励衰减因子。
[0077]
在环境中，第t步的环境状态是s
t
∈s，且包含所有的个体状态v(包括饮酒量、年龄、bmi指数、体脂率等)。当智能体与环境交互时，如执行动作a
t
后，环境状态将依据状态转移概率转变为s
t 1
。
[0078]
在具体的实施过程中，将动作空间a设定为仅包含可直接改变的特征的动作空间。在第t步时，动作a
t
为选择一个可直接改变的特征dvi∈dv，将其增大一单位或减小一单位。具体做法是：初始化a
t
为|dv|维的全0向量，则令代表在第i个特征上增大一单位，代表在第i个特征上减小一单位。限制||a
t
||1＝1，即每一步只能改变一个特征。示例如下，将吸烟量减1、将饮酒量减1或者将运动量加1。
[0079]
确定的状态转移因为在状态s时采取动作a的概率仅与当前状态s有关，与其他的要素无关。设定在状态s
t
时，进行动作a
t
，t 1时刻的状态s
t 1
只由s
t
和a
t
决定。转移规则为：将a
t
补零扩充为|dv uv iv|维的向量a
′
t
，所以s
t 1
＝s
t
a
′
t
。此时
[0080]
以ppo2为例，利用搭建的用于心血管疾病风险控制的智能体环境对用于心血管疾病风险控制的强化学习模型进行训练的过程如下：
[0081]
s32、利用智能体环境对用于心血管疾病风险控制的强化学习模型输出的序列行动进行评估，并给予心血管疾病风险控制强化学习模型序列行动对应的奖励以及下一个时刻的序列行动，以累积奖励最大化为目标集中训练，以获得智能体π
*
(a|s)；其中，智能体π
*
(a|s)的输入为环境的状态，输出为环境的状态下选择执行的序列行动。
[0082]
也就是说，塑造各动作at的连续非疏奖励函数rt；当前环境状态为st，确定所执行的动作at，执行的动作at作用于待检测者人体后生成下一个环境状态st 1，并获得对应的奖励函数rt的奖励，依次循环迭代，实现最大化累积奖励。
[0083]
在一个具体的实施例汇总，累积奖励通过以下公式获取：
[0084][0085]
其中，b(s
t
，a
t
)为背景分，b(s
t
，a
t
)＝α(c-f(s
t
a
t
))，α为奖励缩放系数，c代表对行动的宽容程度系数，c∈(0，1]，f(s
t
a
t
)为状态为s
t
、动作为a
t
时，心血管疾病风险预测模型的输出值；-p为惩罚分参数，为终局分参数，且当智能体获胜则智能体
失败则智能体处于非终局状态下，则也就是说，要根据智能体是否处于终局状态判定是否结束序列动作。智能体的终局状态利用结束状态的标志位done进行表示。当done＝0，则继续循环；若done＝1，则进入终局状态，退出循环。智能体主动选择终止本次决策或者由于违反约束条件而被环境终止继续操作时，done＝1；而正常决策步骤中，done保持为0。
[0086]
需要说明的是，若在有限步数t内，使得当前状态s
t
下的心血管疾病风险预测模型输出小于阈值c，则认为智能体获得胜利。若超出步数t仍未使得当前状态s
t
下的心血管疾病风险预测模型输出小于阈值c，则智能体失败。在具体的实施过程中，-p、t、α以及均为根据实际应用场景设定的参数，示例如下，设定p＝0.01，α＝10，t＝50，
[0087]
s33、通过广义优势函数和策略迭代至智能体模型收敛，获得训练好的基于强化学习的心血管疾病风险控制智能体。
[0088]
所述通过广义优势函数和策略迭代使所述智能体模型收敛的方法包括：
[0089]
用优势函数估计是优势函数在时间步t的估计；
[0090][0091][0092][0093]
定义
[0094]
其中，θ表示智能体策略的参数；为累积奖励；π(a|s)为策略函数；为状态转移概率；γ为奖励衰减因子；πθ(at/st)表示在指定策略π，状态值st下选择动作值at的累积奖励的期望；
[0095]
计算策略更新
[0096]
经过k个时间步长，用小批量sgd进行更新，不断迭代上述步骤至模型收敛，得到训练好的智能体π
*
(a|s)。其中，通过以下公式获得，
[0097][0098]
其中，e表示期望；为新旧策略比例，其中θ为策略神经网络的参数，π
θ
(a
t
|s
t
)代表t时刻的策略，是上一轮迭代的策略；
[0099]
clip(r
t
(θ)，1-ε，1 ε)表示将新旧策略比例控制在1附近；
[0100]
表示是在策略函数π的第k个策略时，优势函数在时间步t的估计；
[0101]
ε表示超参数。
[0102]
s4、将待检测者执行心血管疾病风险控制方案后的状态数据输入心血管疾病风险控制智能体，实时获得待测者的心血管疾病风险评估值并给出进一步的心血管疾病风险控制方案。
[0103]
总之，心血管疾病风险控制方法实施过程为，首先输入一个待检测个体的当前的状态，包括可直接改变的特征(dv)，如生活习惯特征；不可以改变的特征(uv)，如年龄性别；可以受到间接改变的特征(iv)，如bmi指数、血糖浓度等。
[0104]
其次，通过心血管疾病风险预测模型f(xv)判断输入的待检测个体的心血管疾病风险；其中，如果待检测个体的心血管疾病风险的风险值大于0.5，则使用训练好的心血管疾病风险控制智能体进行生活习惯(dv)特征的调整。智能体输入他当前的状态s0，输出动作空间中的一个最优动作a0，即调整生活习惯(dv)特征中的某一个值，例如：抽烟量减1。此时心血管疾病风险控制智能体状态变为s1。
[0105]
然后，再次调用心血管疾病风险预测模型f(s1)，判断待检测个体的心血管疾病风险的风险值是否高于0.5，如果是的话就继续输出动作a1……
直到状态变为某个s
t
，其风险低于0.5。在此过程中，智能体执行的动作组合{a0，a1，a2，...，a
t-1
}即为此个体的心血管疾病风险控制方案(即生活习惯调整方法)。待检测个体可以按照心血管疾病风险控制方案逐步调整其生活习惯，从而实现心血管疾病风险的逆转。
[0106]
图2～图4为本发明的实施例提供的心血管疾病风险预测方法的效果；其中，图2为本发明的实施例提供的心血管疾病风险预测智能体的收敛效果图；图3为通过本发明的实施例的心血管疾病风险预测方法进行生活习惯调整前后的降低心血管疾病风险的对比图；图4为通过本发明的实施例的心血管疾病风险预测方法进行5步生活习惯调整后的降低心血管疾病风险的效果图。
[0107]
通过图2可见，本发明的算法的实施例提供的心血管疾病风险预测智能体的得到了很好的收敛效果，心血管疾病风险预测智能体在经过20000步的训练后可以有稳定的高分奖励值。
[0108]
通过图3可见，在经过心血管疾病风险预测智能体调整生活习惯前，测试集中随机抽样的500个高风险(风险值超过0.5)的个体，其平均风险值为0.79；经过心血管疾病风险预测智能体调整后，其平均风险降低约50％，仅为0.43。说明从总体上看，本发明的心血管疾病风险预测方法的能够起到指导生活习惯调整并降低心血管疾病风险的作用。
[0109]
通过图4可见，某些抽样的群体，经过心血管疾病风险预测智能体调整五步之后，心血管风险降低于0.5。可以看到，每一步调整之后，其风险值均逐渐下降。说明依据本发明训练的心血管疾病风险预测智能体能够沿着风险下降的方向指导个体进行生活习惯的调整。
[0110]
如图5所示，本发明提供一种心血管疾病风险控制系统500，本发明可以安装于电子设备中。根据实现的功能，该心血管疾病风险控制系统500可以所述装置包括行为数据获取单元510、心血管疾病高风险者的状态数据筛选单元520、心血管疾病风险控制方案获取单元530以及心血管疾病风险控制方案调整单元540。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0111]
在本实施例中，关于各模块/单元的功能如下：
[0112]
行为数据获取单元510，用于获取待检测者的行为数据，行为数据为某一时间下个体的状态数据；
[0113]
心血管疾病高风险者的状态数据筛选单元520，用于将所述行为数据输入预训练的心血管疾病风险预测模型，获得待检测者的心血管疾病风险值；筛选所述心血管疾病风险值大于设定风险阈值的待检测者的行为数据作为心血管疾病高风险者的状态数据；
[0114]
心血管疾病风险控制方案获取单元530，用于将状态数据输入预先训练好的心血管疾病风险控制智能体，得到心血管疾病风险控制方案；其中，心血管疾病风险控制智能体是基于强化学习训练获得；
[0115]
心血管疾病风险控制方案调整单元540，用于将待检测者执行心血管疾病风险控制方案后的状态数据输入心血管疾病风险控制智能体，实时获得待测者的心血管疾病风险评估值；所述心血管疾病风险控制智能体基于所述心血管疾病风险评估值确定进一步的心血管疾病风险控制方案。
[0116]
本发明的心血管疾病风险控制系统500，能够对待检测者的心血管疾病风险进行预警，并且能够帮助心血管疾病发病风险高的检测者通过给出心血管疾病风险控制方案来不断调整其生活习惯，进而达到降低其未来罹患心血管病的风险的技术效果。
[0117]
如图6所示，本发明提供一种心血管疾病风险控制方法的电子设备6。
[0118]
该电子设备6可以包括处理器60、存储器61和总线，还可以包括存储在存储器61中并可在所述处理器60上运行的计算机程序，如心血管疾病风险控制程序62。
[0119]
其中，所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器61在一些实施例中可以是电子设备3的内部存储单元，例如该电子设备6的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备6的外部存储设备，例如电子设备3上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器61还可以既包括电子设备6的内部存储单元也包括外部存储设备。所述存储器61不仅可以用于存储安装于电子设备6的应用软件及各类数据，例如心血管疾病风险控制程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0120]
所述处理器60在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器61内的程序或者模块(例如心血管疾病风险控制程序等)，以及调用存储在所述存储器61内的数据，以执行电子设备6的各种功能和处理数据。
[0121]
所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器61以及至少一个处理器60等之间的连接通信。
[0122]
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备6的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0123]
例如，尽管未示出，所述电子设备6还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器60逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备6还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0124]
进一步地，所述电子设备6还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备3与其他电子设备之间建立通信连接。
[0125]
可选地，该电子设备6还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备6中处理的信息以及用于显示可视化的用户界面。
[0126]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0127]
所述电子设备6中的所述存储器61存储的心血管疾病风险控制程序62是多个指令的组合，在所述处理器60中运行时，可以实现：获取待检测者的行为数据，行为数据为某一时间下个体的状态数据；将待检测者的行为数据输入预训练的心血管疾病风险预测模型，获得待检测者的心血管疾病风险值；筛选待检测者的心血管疾病风险值大于设定风险阈值的待检测者的行为数据作为心血管疾病高风险者的状态数据；将状态数据输入预先训练好的心血管疾病风险控制智能体，得到心血管疾病风险控制方案；其中，心血管疾病风险控制智能体是基于强化学习训练获得；将待检测者执行心血管疾病风险控制方案后的状态数据输入心血管疾病风险控制智能体，实时获得待测者的心血管疾病风险评估值并给出进一步的心血管疾病风险控制方案。
[0128]
具体地，所述处理器60对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述心血管疾病风险控制程序的私密和安全性，上述数据库可用处理数据存储于本服务器集群所处区块链的节点中。
[0129]
进一步地，所述电子设备6集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0130]
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：获取待检测者的行为数据，行为数据为某一时间下个体的状态数据；将待检测者的行为数据输入预训练的心血管疾病风险预测模型，获得待检测者的心血管疾病风险值；筛选
待检测者的心血管疾病风险值大于设定风险阈值的待检测者的行为数据作为心血管疾病高风险者的状态数据；将状态数据输入预先训练好的心血管疾病风险控制智能体，得到心血管疾病风险控制方案；其中，心血管疾病风险控制智能体是基于强化学习训练获得；将待检测者执行心血管疾病风险控制方案后的状态数据输入心血管疾病风险控制智能体，实时获得待测者的心血管疾病风险评估值并给出进一步的心血管疾病风险控制方案。
[0131]
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例心血管疾病风险控制方法中相关步骤的描述，在此不赘述。
[0132]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0133]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0134]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0135]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0136]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0137]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0138]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0139]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。