一种急性心脑血管事件风险人群的智能健康管理方法

技术特征：
1.一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，包括以下步骤：步骤s1，构建特征库；步骤s2，将步骤s1中特征库构建成特征矩阵；步骤s3，将步骤s2中的特征矩阵融合成新的矩阵库；步骤s4，将步骤s3中的矩阵库构建成灰度图像；步骤s5，将步骤s4中的灰度图像构建成神经网络模型；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。2.根据权利要求1所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，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)。3.根据权利要求2所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，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。4.根据权利要求3所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，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。5.根据权利要求1所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，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。6.根据权利要求1所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，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。7.根据权利要求1所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，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。8.根据权利要求7所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，所述yolov4分析过程包括以下步骤：input：将所述灰度图像作为输入的分析图片；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)；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；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。9.根据权利要求8所述的一种急性心脑血管事件风险人群的智能健康管理方法，其特征在于，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：
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。色彩增强：主要是亮度变换，如使用hsv(huesaturationvalue)增强。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。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。

技术总结
本发明公开了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：步骤S1，构建特征库；步骤S2，将步骤S1中特征库构建成特征矩阵；步骤S3，将步骤S2中的特征矩阵融合成新的矩阵库；步骤S4，将步骤S3中的矩阵库构建成灰度图像；步骤S5，将步骤S4中的灰度图像构建成神经网络模型；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。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。提高用户自我健康管理的自信和主动性。提高用户自我健康管理的自信和主动性。


技术研发人员：郭芝廷 金静芬 张玉萍 丁传琦
受保护的技术使用者：浙江大学
技术研发日：2022.03.14
技术公布日：2022/6/28