一种急性心脑血管事件风险人群的智能健康管理方法

1.本发明涉及急性心血管健康管理领域，特别涉及一种急性心脑血管事件风险人群的智能健康管理方法。


背景技术：

2.急性心脑血管病是指一组起病急骤的脑部血管循环障碍的疾病，它可以是脑血管突然血栓形成，脑栓塞致缺血性脑梗塞，也可以是脑血管破裂产生脑溢血，常伴有神经系统症状，肢体偏瘫，失语，精神症状，眩晕，共济失调，呛咳，严重者昏迷及死亡，临床上又称脑血管意外，卒中或中风；
3.据流行病学调查表明，急性脑血管病，心脏病，肿瘤已构成人类三大致死原因，其病死率，致死率极高，我国许多地区急性及血管病患病率高居首位。
4.由于急性心脑血管病发生的事件是急骤的，发病快，对人体伤害大，因此针对急性心血管该事件的风险人群需要提供最佳的健康管理方法，使其能够达到最佳治疗效果，但现今的健康管理方法内容较多，不能给用户提供较佳的健康管理方法，降低了用于的自我健康管理的自信以及主动性，从而降低了对急性心血管事件的质量效果。


技术实现要素：

5.本发明的目的在于提供一种急性心脑血管事件风险人群的智能健康管理方法，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：一种急性心脑血管事件风险人群的智能健康管理方法，包括以下步骤：
7.步骤s1，构建特征库；
8.步骤s2，将步骤s1中特征库构建成特征矩阵；
9.步骤s3，将步骤s2中的特征矩阵融合成新的矩阵库；
10.步骤s4，将步骤s3中的矩阵库构建成灰度图像；
11.步骤s5，将步骤s4中的灰度图像构建成神经网络模型；
12.步骤s6，使用步骤s5中的神经网络模型得出用户当前状态，并输出推荐健康管理方案。
13.优选的，所述步骤s1中，特征库包括人口学特征库、关键健康监测特征库和动态行为特征库，且所述人口学特征库、关键健康监测特征库和动态行为特征库的采集生成均采用帕累托法则(二八原理)。
14.优选的，所述步骤s2中，特征矩阵包括人口学特征矩阵、关键健康监测特征矩阵和动态行为特征矩阵。
15.优选的，所述人口学特征矩阵是通过将所述人口学特征库转化为[0,255]区间的十进制数，最终构建成a*n矩阵，所述关键健康监测特征矩阵是通过将所述关键健康监测特征库转化为[0,255]区间的十进制数，最终构建成b*n矩阵，所述动态行为特征矩阵是通过
将所述动态行为特征库转化为[0,255]区间的十进制数，最终构建成c*n矩阵。
[0016]
优选的，所述步骤s3中，所述矩阵库是由人口学特征矩阵、关键健康监测特征矩阵和动态行为特征矩阵融合为一个n*n的矩阵。
[0017]
优选的，所述步骤s4中，所述灰度图像是将所述矩阵库内的数字转化为十进制的灰度值而构建所得。
[0018]
优选的，所述步骤s5中，所述神经网络模型是利用神经网络算法对所述灰度图像进行识别分析所得，所述神经网络算法采用yolov4。
[0019]
优选的，所述yolov4分析过程包括以下步骤：
[0020]
input：将所述灰度图像作为输入的分析图片；
[0021]
backbone：采用cspdarknet53提取灰度图像的初步特征，构建其主干结构(提取灰度特征矩阵)；
[0022]
neck：对backbone层提取的灰度图像特征进行加工和增强，从而使得模型学到的特征是想要的特征；
[0023]
head：基于增强后的灰度特征矩阵，通过深度学习算法给出用户当前状态，输出推荐结果，为急性心脑血管事件风险人群输出当前最急需场景化的引导方法。
[0024]
优选的，所述backbone层提取的灰度图像特征加工和增强的方法包括以下步骤：
[0025]
几何增强：平移，旋转，剪切等对图像几何改变的方法，可以增强模型的泛化能力。
[0026]
色彩增强：主要是亮度变换，如使用hsv(huesaturationvalue)增强。
[0027]
blurring：通过诸如高斯滤波，方框滤波，中值滤波等，增强模型对模糊图像的泛化能力。
[0028]
mixup：在计算机视觉中的对图像进行混类增强的算法，它可以将不同类之间的图像进行混合，从而扩充训练数据集。
[0029]
本发明的技术效果和优点：
[0030]
本发明能够基于人口学特征、健康监测特征和动态行为特征的三大类特征进行用户画像，生成用户图片，然后通过图片识别的方式帮助用户推荐当前最急需的方法，引导用户建立当前最急迫的生活方式，基于优先级逐个突破，提高用户自我健康管理的自信和主动性。
附图说明
[0031]
图1为本发明方法步骤示意图
[0032]
图2为本发明特征矩阵融合示意图。
[0033]
图3为本发明矩阵库构建灰度图像示意图。
[0034]
图4为本发明cspdarknet53网络结构结构示意图。
[0035]
图5为本发明基于yolov4的神经网络模型的分析过程示意图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0037]
本发明提供了如图1-5所示的一种急性心脑血管事件风险人群的智能健康管理方法，包括以下步骤：
[0038]
步骤s1，构建特征库；
[0039]
步骤s2，将步骤s1中特征库构建成特征矩阵；
[0040]
步骤s3，将步骤s2中的特征矩阵融合成新的矩阵库；
[0041]
步骤s4，将步骤s3中的矩阵库构建成灰度图像；
[0042]
步骤s5，将步骤s4中的灰度图像构建成神经网络模型；
[0043]
步骤s6，使用步骤s5中的神经网络模型得出用户当前状态，并输出推荐健康管理方案。
[0044]
步骤s1中，特征库包括人口学特征库、关键健康监测特征库和动态行为特征库，且人口学特征库、关键健康监测特征库和动态行为特征库的采集生成均采用帕累托法则(二八原理)，帕累托法则往往称为二八原理，即百分之八十的问题是百分之二十的原因所造成的，因此没有必要对于所有的健康监测特征均进行分析，健康监测特征过多一方面会演变为干扰因子，从而影响识别准确率，另一方面全量的健康监测特征分析也会引起特征矩阵的膨胀，从而导致急性心脑血管事件的识别速度变慢；
[0045]
在人口学特征库中，基于二八原理，从全量人口学中筛选出更有助于识别急性心脑血管事件的20％人口学特征，包括但不限于：性别、年龄、居住地区、腰围、是否服用降压药、糖尿病病史、是否吸烟、心脑血管疾病家族史等；在关键健康监测特征库中，基于二八原理，从全量人口学中筛选出更有助于识别急性心脑血管事件的20％人口学特征，包括但不限于：总胆固醇、高密度脂蛋白、低密度脂蛋白、空腹血糖、糖化血红蛋白、收缩压、舒张压等；
[0046]
在动态行为特征库中，基于二八原理，从全量动态行为中筛选出更有助于识别急性心脑血管事件人群的20％人口学特征，包括但不限于：运动时长、运动次数、蛋白质摄入量、脂肪摄入量、糖类摄入量、盐分摄入量、蔬菜摄入量、饮水摄入量、吸烟量、饮酒量等。
[0047]
步骤s2中，特征矩阵包括人口学特征矩阵、关键健康监测特征矩阵和动态行为特征矩阵，，人口学特征矩阵是通过将人口学特征库转化为[0,255]区间的十进制数，最终构建成a*n矩阵，关键健康监测特征矩阵是通过将关键健康监测特征库转化为[0,255]区间的十进制数，最终构建成b*n矩阵，动态行为特征矩阵是通过将动态行为特征库转化为[0,255]区间的十进制数，最终构建成c*n矩阵。
[0048]
步骤s3中，矩阵库是由人口学特征矩阵、关键健康监测特征矩阵和动态行为特征矩阵融合为一个n*n的矩阵；
[0049]
步骤s4中，灰度图像是将矩阵库内的数字转化为十进制的灰度值而构建所得，首次将动态行为转化为了图片分析问题，减少了分析过程中的噪音，缩小了图片体积，提升了识别效率；
[0050]
步骤s5中，神经网络模型是利用神经网络算法对灰度图像进行识别分析所得，神经网络算法采用yolov4，yolov4是当前最优目标图像检测器，测试发现yolov4在取得与efficientdet同等性能的情况下，速度是efficientdet的二倍。此外，与yolov3相比，新版本的ap和fps分别提高了10％和12％。基于该算法我们可以构建一个高效强大的急性心脑
血管事件人群识别模型。
[0051]
yolov4分析过程包括以下步骤：
[0052]
input：将灰度图像作为输入的分析图片；
[0053]
backbone：采用cspdarknet53提取灰度图像的初步特征，构建其主干结构(提取灰度特征矩阵)；
[0054]
neck：对backbone层提取的灰度图像特征进行加工和增强，从而使得模型学到的特征是想要的特征；
[0055]
head：基于增强后的灰度特征矩阵，通过深度学习算法给出用户当前状态，输出推荐结果，为急性心脑血管事件风险人群输出当前最急需场景化的引导方法。
[0056]
backbone层提取的灰度图像特征加工和增强的方法包括以下步骤：
[0057]
几何增强：平移，旋转，剪切等对图像几何改变的方法，可以增强模型的泛化能力。
[0058]
色彩增强：主要是亮度变换，如使用hsv(huesaturationvalue)增强。
[0059]
blurring：通过诸如高斯滤波，方框滤波，中值滤波等，增强模型对模糊图像的泛化能力。
[0060]
mixup：在计算机视觉中的对图像进行混类增强的算法，它可以将不同类之间的图像进行混合，从而扩充训练数据集。
[0061]
经过150轮迭代训练，模型对10000个样本组成的测试集进行效果验证，最终模型的准确率为96％，召回率为85％，矩阵特征通过帕累托分析后比分析前比较，识别速度提升了1倍。
[0062]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。