一种人工智能健康数据分析模型的组态训练方法及系统与流程

1.本发明涉及健康数据分析技术领域，具体为一种人工智能健康数据分析模型的组态训练方法及系统。


背景技术：

2.随着人民对个人健康问题的关注日益提高，智能体征监测装置，比如心率血压手环，在消费类市场越来越普及。对于此类采集终端提供的智能化的体征数据的分析，也变得越来越有价值，其中符合医疗专家认可的健康数据分析模型更是极为重要。
3.目前，公知的各种健康穿戴产品，包括智能手环、手表和智能头盔等，大都包含心率、血压、血氧，部分包括体温和心电ecg的测量功能。此类终端设备配套的手机app，功能大都集中在运动状态分析、计步功能，以及心率、血氧等体征数据的监测展示。由于针对这些健康数据的专家医疗级别的分析手段和资源尚不完善，基本都不具备专家医疗级健康安全分析的功能。
4.造成这种现状的主要原因如下：1、符合医疗标准的可供分析的实时健康数据源尚不充足，而且用户医疗体检报告等数据非常分散，各个医疗机构之间基本不能共享；2、医疗专家（主要是医生）属于相对匮乏的有限专业资源，需要采用人工智能的方式来弥补，但针对大众的普遍健康数据分析的医疗ai模型目前基本属于空白；3、建立并训练出成熟的人工智能健康数据分析模型，需要复杂的计算机及数学建模知识。
5.4、针对大规模人群的人工智能健康数据分析模型的有效性验证及优化，更是复杂繁琐、实施成本和难度都极高。
6.技术实现要素本发明所要解决的技术问题是，针对以上所述的各种条件不足和日益增长的需要，提供一种人工智能健康数据分析模型的组态训练方法及系统，以解决上述背景技术中提出的广泛需求的健康数据分析模型的大量技术实现和获得的问题。
7.本发明所采用的技术方案是，采用针对全社会完全开放的健康数据平台架构体系，提供可选择的不同人工智能数据处理模型，结合专家对数据分析的人工干预，对健康数据分析模型进行从数据到标签的可组态式优化，经过大量数据对模型的专家定制式训练和干预，最终培训出符合健康数据分析的医疗级模型。医疗专家无需关注数据的来源和一致性要求，也无需了解所组态的计算机数学分析模型的具体工作机制，只需要对数据分析的结果按照其专业知识进行人工干预，不断调整和优化训练，便可以培训出所需的人工智能健康分析模型。
8.由于每个专家的数据选择组合方式不同，以及专业知识的差别，通过建立不断干预的标签和条件，进行人工调整并优化的时机也各有不同，针对同一专业分析问题而产生的人工智能模型也不尽相同，故而训练所得的分析模型所有权归实施训练的专家所有。平
台大量成熟的专家健康数据分析模型，可被数据提供者按照需要配置调用，以达到对用户进行其关注方向的医疗专业级人工智能健康数据分析，从而对用户的健康管理提供指导性建议或医疗干预处方。
9.一种人工智能健康数据分析模型的组态训练方法，其流程如图1所示包括以下八个步骤：1、选择已有的或者创建标准组态训练定义，所述标准组态训练定义包括：健康数据组合选择项，周期性医疗报告选项，实时体征数据步长、窗口周期，优选的机器学习数学模型选项及参数，可优化的训练标签组合。每一个标准组态训练定义对应一个全球唯一序列号。
10.2、从用户健康数据源中选择组合分析所需要的实时数据集合，比如体温、心率、血压、血氧和ecg等实时数据中的一项或多项；3、结合用户的基础身体状况信息，比如年龄、身高、体重和病史等。根据分析需要，对用户不定期的医疗报告进行选择配置，比如血常规、尿常规、肝功能以及血糖血脂检测报告等中的一项或多项；4、根据数据平台的数学模型库专家推荐，同时根据分析要求选择适合的机器学习数学模型；5、对模型训练所需的数据格式进行规范化约束，配置数据的步长、分析数据的窗口周期，以及对数据的训练的定量定性标签进行组合标注；6、模型训练任务提交后，数据平台自动对模型进行优化训练，完成后的健康数据分析模型，提交给训练者也就是医疗专家审核评价确认；7、如果医疗专家认为训练所得到的健康数据分析模型需要进一步优化，则可以重新选择模型或参数、对数据及其步长、周期等进行调整，以及对训练标签进行更改，提交训练任务重新优化模型，直至得到满意的人工智能健康数据分析模型；8、最终，成熟可靠的健康数据分析模型部署在开放数据平台上，用户可以根据需要选择使用，得到需要的医疗专家认可的健康分析指导建议和干预处方。
11.一种人工智能健康数据分析模型组态方法，其系统如图2包括以下八个部分：1、健康数据采集搜集模块，由实时采集终端、医疗报告智能扫描录入app和第三方医疗机构数据接口组成，采集搜集用户的实时体征数据和不定期医疗报告数据；2、用户健康数据库模块，由结构化数据库postgresql和非机构化数据库hbase组成，海量存储实时和不定期的健康医疗数据；3、机器学习数学模型库模块，由数据平台数学模型专家构建的，适合医疗健康分析的大数据机器自学习模型，时构架于spark实时运算系统之上的高并发计算模型库；4、模型训练模块，由模型优化模块配置设置形成组态的训练方法，利用健康数据的实时窗口数据对所选模型进行自学习训练；5、模型优化模块，利用归一化的可视化组态的方式，提供给专家模块可选择配置的组态方法参数。在健康分析模型的初次构建和不断优化重构的过程中，扮演医疗专家和数学模型之间相互容易理解的桥梁作用。
12.6、经过不断优化的分析模型，部署在数据平台的智能分析模型库模块，可对用户的实时健康数据进行分析，自动生成指导建议和干预处方；7、指导建议和干预处方存放于建议处方模块，由专家审核签名后才可推送给最终用
户；8、专家模块是对专家的基本信息、专业资质等进行管理。同时医疗专家通过该模块对模型构建、模型参数配置优化以及建议处方审核签名。
13.与现有技术相比，本发明所具有的有益效果为：1、完全开放，可利用全社会资源可以积累海量的健康数据供医疗研究分析使用；2、医疗专家只需按照标准组态格式和流程，根据其专业知识就可以培训出需要的复杂数据分析模型；3、本发明可以形成一个强大的健康数据智能分析模型的组态训练方法标准化格式库；4、本发明可以形成大量的专业医疗级的智能健康数据分析模型库。
14.5、提供了一种智能健康数据分析模型标准化操作的组态系统，该系统不受地理空间限制，可对智能健康数据分析模起到标准化训练优化及大规模部署的作用。
附图说明
15.图1为本发明组态训练方法流程图；图2为本发明系统组成结构图；图3为本发明开放数据平台技术架构框图；图4为本发明实施例1数据的曲线表示图。
具体实施方式
16.本发明一种人工智能健康数据分析模型的组态训练方法及系统，整体的实施方式的技术架构描述如图3所示，简要描述主要包括以下六个方面。
17.一、本发明一种健康数据分析模型的组态训练方法融入和实现了，实时体征数据的采集，不定期的医疗检测报告的自动识别录入，以及第三方平台互通的接口。
18.1、实时体征数据采集终端，是具有独立数据上传功能，比如以wifi或4g传输，mqtt协议的形式进行数据上传。此类终端不一定需要手机app以蓝牙连接的方式采集数据。按照本发明专利公布的开发数据平台架构的技术要求，实时体征数据采集终端所采集的数据均达到医疗级准确度。所采集的数据包括但不限于，体表温度、心率、动态血压、血氧以及ecg数据等。同时由于佩戴时的实时监测分析需要，此类终端可以提供加速度计和海拔高度数据。根据这些传感器数据可以计算分析出用户的运动状态，比如静止、走路、慢跑、快跑以及静卧等。
19.2、医疗检测报告的自动识别录入，是利用前端用户app的人工智能体检报告单自动扫描、文字图像识别、格式整理的方式实现。另外，医院体检报告单种类繁多、格式各不相同。此类海量分散数据的搜集，是通过让大量用户app的免费使用的方式获得，按照数据格式的不同分别存入数据平台的结构化数据库postgresql和非结构化数据库hbase中，随时供健康分析模型在分析调用。
20.3、第三方医疗机构的数据接口，可以共享用户的基础数据信息和多种医疗数据，以及健康分析的建议和处方，是为实现医疗体系数据一体化提供的数据交互接口。
21.二、所有的模型训练和优化，都必须预先选择或配置好组态训练定义库，包括各种健康数据种类、数据步长、数据窗口周期、机器学习数学模型型号、训练标签种类和标签组
合，所有的编号应遵循下列原则：三、本发明在模型组态训练中引入医疗专家资源，这些专业人士在模型训练过程中，全程参与健康分析模型的训练、调整和优化。具体为医疗专家按照图1所表述流程的八个步骤
进行。
22.四、健康分析模型训练和验证的数据集来源，在本发明专利公布的数据平台架构中，采用高吞吐量分布式的实时消息系统kafka。选择的实时体征数据，按照组态训练定义的组合、步长、窗口周期，实时进入kafka消息系统中的特定个人信息通道，以每个步长更新一次推送的方式，送入处于spark内存计算模块中的对应智能分析模型。
23.五、健康分析模型的具体算法代码，处于可并行运算的内存计算模块spark中。算法模型不仅处理每个计算步长由kafka推送进来的窗口数据集，同时从结构化数据库postgresql和非结构化数据库hbase中获取对应用户的基础信息数据和医疗报告数据，包括但不限于：性别、年龄、身高和体重基础数据，心率、血压、血氧、血糖和血脂等基本健康数据，以及用户的体检报告和病史等医疗数据。另外还可以从用户的穿戴终端获取其运动状态数据，比如静止、走路、慢跑、快跑以及静卧等。所有此类数据的选择，亦根据组态训练定义库的配置设置来确定。
24.六、处于spark内存计算模块中的智能分析模型库，是由数学模型专家根据健康分析需要，为本发明公布的开放数据平台架构筛选的机器学习数学模型组成。在医疗专家按照图1所表述流程的八个步骤进行模型选择配置、模型训练和模型优化的过程中，数学模型专家可以在后台提供相应的专业技术支持，具体措施为：1、可以按照医疗专家的健康分析目标类型的不同，推荐适合的数学模型;2、根据分析需要，推荐适当的数据组合、步长和窗口参数供选择；3、在模型训练和优化的过程中，可以在数据平台上提供多个类似的数学模型同时进行训练和优化。
25.4、由医疗专家最终根据验证结果选择和审核确定的最终智能健康分析模型库，归属权为医疗专家所有。本发明公布的开放数据平台架构可为其提供海量用户、运行环境及代托管运行服务。
实施例
26.对于老人而言，意外跌倒是一个非常严重的健康安全问题。使用三轴加速度传感器检测和预测老人意外跌倒，数据模型专家根据数据特点选取30个特征值进行计算。按照医疗专家定义的组态训练定义，形成模型训练计划，经过跌倒和非跌倒的数据标注的数据集合的训练，最后获得libsvm健康安全之老人跌倒分析模型。
27.老人跌倒健康安全分析模型实例的组态训练定义序列号为e430112197510015877# e%laowang% d0008b1001b1002b1003b1004r2001s3001w4001f5006f5007m6002，其具体内容配置设置如下：
一个5秒数据窗口的三轴加速度计跌倒数据实例1如图4所包含.对实例1数据，选取30个特征值进行计算，其30个特征值具体如下表：
利用libsvm开源库，对各个参数组合进行交叉验证，以得到最优的参数c和γ。经验证，我们的参数选择为：c = 2048、γ= 0.001953125。
28.根据之前所选择的核函数和相关参数，对模型进行训练得到了最终模型的参数如下:vm_type c_svc kernel_type rbf gamma 0.001953125 nr_class 2 total_sv 3rho 1.4447416496507921 label 2 1 nr_sv 1 2 sv110.84472924138757 1:24 2:1.0446124 3:0.31957291 4:0.0024992578 5:0.018664887 6:1.0464137 7:0.22592273 8:0.17659111 9:0.15457563 10:0.14031616 11:0.13053227 12:0.10541901 13:0.10505728 14:0.083411454 15:0.072819432 16:2.6036008 17:1.0464137 18:1.0026433 19:0.38624992 20:0.40049207 21:0.55365217 22:1.7838599 23:2.3762509 24:0.93802664 25:1.0026433 26:1.0444426 27:0.43 28:0.26 29:0.11182701 30:5.901228 31:1.99601-82.524096677177496 1:25 2:0.99294138 3:0.17443851 4:0.00093766704 5:-0.0029984598 6:0.99405724 7:0.089421947 8:0.07405043 9:0.067566187 10:0.052581376 11:0.044085256 12:0.035842106 13:0.034056871 14:0.033622241 15:0.033174879 16:2.2261649 17:0.99405724 18:1.0064691 19:0.31764603 20:0.59535889 21:0.75803749 22:1.2108284 23:1.620739 24:0.91252537 25:1.0064691 26:1.0784421 27:0.32 28:0.04 29:0.030068205 30:7.697627 31:0.79761557-28.320632564210037 1:26 2:0.97320534 3:0.21149477 4:0.0019585597 5:-0.012361045 6:0.97389744 7:0.13707578 8:0.10377509 9:0.079727275 10:0.077563561 11:0.075002194 12:0.072990001 13:0.067251993 14:0.056830568 15:0.053482937 16:1.8290167 17:0.97389744 18:0.97903689 19:0.46344147 20:0.47921207 21:0.64936935 22:1.3701954 23:1.580674 24:0.86183583 25:0.97903689 26:1.0401612 27:0.87 28:0.15 29:0.042425376 30:1.8071234 31:0.51885928。