一种智能心血管护理监测系统及其信息数据处理终端的制作方法

1.本发明属于智能心血管护理监测技术领域，尤其涉及一种智能心血管护理监测系统及其信息数据处理终端。


背景技术：

2.心脏是一个中空的肌性器官，位于胸腔的中部，由一间隔分为左右两个腔室，每个腔室又分为位于上部的心房和下部的心室两部分。心房收集入心血液，心室射血出心。心室的进口和出口都有瓣膜，保证血液单向流动。人体在不同的生理状况下，各器官组织的代谢水平不同，对血流量的需要也不同。心血管活动能在机体的神经和体液调解下，改变心排血量和外周阻力，协调各器官组织之间的血流分配，以满足各器官组织对血流量的需要。然而，现有智能心血管护理监测系统对已有的疾病相关因素的数据库都只是围绕一到两种疾病相关因素进行构建，不能提供一个对于疾病的相关因素的全面视图；同时，心血管病的患病率不断上升，不良生活方式持续流行，使得心血管病预防和管理形势更加严峻。
3.综上所述，现有技术存在的问题是：现有智能心血管护理监测系统对已有的疾病相关因素的数据库都只是围绕一到两种疾病相关因素进行构建，不能提供一个对于疾病的相关因素的全面视图；同时，心血管病的患病率不断上升，不良生活方式持续流行，使得心血管病预防和管理形势更加严峻。


技术实现要素：

4.针对现有技术存在的问题，本发明提供了一种智能心血管护理监测系统及其信息数据处理终端。
5.本发明是这样实现的，一种智能心血管护理监测系统包括：
6.心血管图像采集模块，与图像增强模块连接，用于通过超声设备采集心血管超声图像；
7.图像增强模块，与心血管图像采集模块、数据传输模块连接，用于对采集的心血管超声图像进行增强处理；
8.获取心血管超声输入图像，输入心血管超声图像i(w,h,3)是一个大小为w
×h×
3的三维矩阵，w表示宽，h表示高，3表示图像的通道数，通常为图像的rgb三个通道，其中每个通道提取出大小为w
×
h的二维矩阵，表示源图像中每个通道中所蕴含的空间信息，图像的任意通道信息用i
ω
(x,y)来表示，其中ω表示通道；
9.取源图像进行色彩平衡，具体涉及一种带有红色通道补偿的的白平衡方法，有效地去除不真实的色彩，以感知水下图像中物体的真实色彩；色彩平衡后得到完全相同的两幅图像，分别记为ia(x,y,3)和ib(x,y,3)；
10.对图像ia(x,y,3)的3个通道分别进行拉普拉斯锐化处理，突出图像边缘的过渡部分，以表现出更多的图片边缘信息，计算方法为：
11.i
ail
(x,y)＝(1 4α)i
ai
(x,y)-α[i
ai
(x 1,y) i
ai
(x-1,y) i
ai
(x,y 1) i
ai
(x,y-1)]
[0012]
其中i表示r、g、b三个通道；α表示锐化强度系数，取大于零的整数，且图像锐化程度与α正相关，得到图像ia(x,y,3)锐化后的图像，记为i
al
(x,y,3)；
[0013]
构建基于改进深度可分离卷积生成对抗网络模型：所述改进的深度可分离卷积生成对抗网络模型包括改进的深度可分离卷积模块与改进倒残差深度可分离卷积模块；
[0014]
所述改进的深度可分离卷积模块第一层为深度卷积层，卷积核尺寸为3*3；第二层为实例正则化层；第三层为逐点卷积层，卷积核尺寸为1*1；第四层为实例正则化层，第五层为relu的激活层；
[0015]
所述改进倒残差深度可分离卷积模块第一层为逐点卷积层，卷积核尺寸为1*1；所述逐点卷积层后添加有实例归一化层以及relu6的激活层；第二层为深度卷积层，卷积核尺寸为3*3，所述深度卷积层后添加有实例归一化层以及relu6的激活层；第三层为逐点卷积层，卷积核尺寸为1*1；所述逐点卷积层后添加有实例归一化层以及线性激活层；第四层为相加层；
[0016]
对构建的深度可分离卷积生成对抗网络模型进行训练；
[0017]
利用训练好的深度可分离卷积生成对抗网络模型进行图像ia(x,y,3)图像增强；
[0018]
心率采集模块，与数据传输模块连接，用于采集心脏心率数据；
[0019]
血压采集模块，与数据传输模块连接，用于采集血压数据；
[0020]
数据传输模块，与图像增强模块、心率采集模块、血压采集模块、中央控制模块连接，用于对采集的数据进行传输发送到中央控制模块进行处理；
[0021]
中央控制模块，与数据传输模块、数据集成模块、管理服务模块、显示模块连接，用于控制各个模块正常工作；
[0022]
数据集成模块，与中央控制模块连接，用于对血管疾病数据进行集成；
[0023]
管理服务模块，与中央控制模块连接，用于对血管疾病进行管理服务；
[0024]
显示模块，与中央控制模块连接，用于通过显示器显示采集的心血管超声图像、心率、血压。
[0025]
进一步，进行图像ia(x,y,3)图像增强后对图像ib(x,y,3)的每个像素信息l(x)进行处理，则处理后的像素信息e(x)计算方式为：
[0026]
l(x)＝e(x)t(x) b
∞
(x)[1-t(x)]
[0027]
其中t(x)表示水下透射率，b
∞
(x)表示光强，暗通道先验公式为：
[0028][0029]
其中ω是以某一像素点为中心的局部区域，j(λ)则表示r，g，b三通道中的一个；
[0030]
对于r、g、b三个通道，先分别作最小化运算得到：
[0031][0032]
其中λ代表r、g、b，经过化简可得：
[0033][0034]
然后再对三个通道作最小化，得：
[0035][0036]
进一步，依据暗通道先验得公式计算水下折射率t(λ)：
[0037][0038]
借助ib(x,y,3)的暗通道图，求得其亮度大小的前0.1％最亮的像素，进而在ib(x,y,3)中寻找对应的具有最高亮度的点的平均值，作为b
∞
(x)值；
[0039]
计算出去雾以后的图像信息e(λ)：
[0040][0041]
其中，t0是为了防止t近似于0而导致图像噪声放大，并将经过暗通道先验算法的图像ib(x,y,3)记为i
bq
(x,y,3)；
[0042]
对图像i
bq
(x,y,3)进行gamma校正，gamma校正的公式为：
[0043]
f(i)＝i
γ
[0044]
其中，当γ＜1时，在低灰度值区域内，图像动态范围变大，进而图像的对比度增强；而在高灰度值区域内，情况正好与之相对，同时，图像的整体灰度值变大；当γ＞1时，正好与γ＜1情况相反，此种情况让图像暗部更加难以被看清；将校正后图像记为i
bq
'(x,y,3)；
[0045]
采用潜在低秩表示latlrr方法分别从待融合图像i
al
(x,y,3)和i
bq
'(x,y,3)中分解出各自每一通道的低阶部分和显著部分x
1s
、x
2s
，并采用加权平均、求和策略分别将两幅图像的三个通道图像对应低阶、显著部分进行融合，然后通道拼接得到最终的心血管融合图像。
[0046]
进一步，所述数据集成模块集成方法如下：
[0047]
(1)通过模型构建程序建立心血管疾病实体的双层模型并形式化所述双层模型；通过心血管疾病数据的实体建模方法建立心血管疾病实体；
[0048]
(2)将建立的所述心血管疾病实体通过心血管疾病术语实体映射和疾病连接实体映射加入形式化后的所述双层模型，实现对心血管疾病数据的集成；
[0049]
所述建立心血管疾病实体的双层模型包括：
[0050]
从疾病本体、mesh和omim中获取疾病术语实体，根据心血管疾病相关因素确定9个心血管疾病连接实体，并从14个心血管疾病数据源中获取16个关于单一疾病相关因素的心血管疾病数据实体；通过实体之间的same_as关系，建立心血管疾病术语实体与16个心血管疾病数据实体之间的联系，通过实体之间的disease_related关系，建立心血管疾病术语实体与心血管疾病连接实体之间的联系；同时，根据心血管疾病数据实体与心血管疾病连接实体之间的focus_on关系，构建两层的心血管疾病实体关系模型；
[0051]
所述两层的心血管疾病实体关系模型上层为心血管疾病术语实体与心血管疾病连接实体关系模型，由9个心血管疾病连接实体与心血管疾病术语实体之间的关系组成；下层为16个心血管疾病数据实体；上层实体和下层实体之间依据疾病数据实体所关注的疾病
相关因素，将每个疾病数据实体与一个或多个疾病连接实体联系起来，并将所有疾病数据实体关联到疾病术语实体上；当有新的疾病数据实体加入时，将新的心血管疾病数据实体加入下层中，并将心血管疾病术语实体与新疾病数据实体关联起来；新疾病数据实体包含新的疾病相关因素，则定义相应的疾病连接实体加入上层中，否则，将新疾病数据实体与已有的疾病连接实体联系起来。
[0052]
进一步，所述心血管疾病实体双层模型形式化包括：疾病术语实体、疾病数据实体中的is_a关系；疾病术语实体与疾病数据实体之间的same_as关系；疾病连接实体与疾病数据实体之间的focus_on关系；疾病术语实体与疾病连接实体间的disease_related关系。
[0053]
进一步，所述心血管疾病数据的实体建模方法建立心血管疾病实体包括：
[0054]
(1.1)心血管疾病术语实体的获取，将疾病本体与mesh、omim进行关联，形成疾病语集，并从中获取心血管疾病术语实体；
[0055]
(1.2)心血管疾病数据实体获取，将获取到的14个心血管疾病数据源的原始数据中，进行数据文件格式多样化，包括编写程序对xml文件进行处理，保留其中部分有效的标签文本，将有效的标签文本转化为tsv文件；
[0056]
对于txt文件，编写程序将txt文件转化为tsv文件；对tsv、csv和xls文件分别编写程序，将所述tsv、csv和xls文件结构化处理，存入本地数据库中；对于gad和ctd数据源的数据分拆成关于基因和关于环境分别存储；经过上述处理后，14个疾病数据源中的原始数据被组织成为16个关于单一疾病相关因素的结构化数据；对应这些结构化数据，获取16个相应的心血管疾病数据实体，所述16个相应的心血管疾病数据实体的属性包括疾病名称、疾病相关因素的标识；
[0057]
(1.3)心血管疾病连接实体的获取；
[0058]
根据所确定的心血管疾病术语实体和心血管疾病数据实体，确定基因(gene)、蛋白质(protein)、酶(enzyme)、单核苷酸多态性(snp)、microrna、代谢物(metabiolities)、表型(phenotype)、环境(environment)和药物(drug)9个因素建立心血管疾病连接实体。
[0059]
进一步，所述管理服务模块管理服务方法如下：
[0060]
1)通过患者档案数据节点进行数据收集形成档案数据集，对于收集后的数据集进行数据提取获取患者的健康档案数据、健康监测信息以及日常行为信息；
[0061]
2)根据所述健康档案数据、健康监测信息以及日常行为信息；通过心血管ai模型和心血管知识图谱生成患者的心血管风险评估报告，以及心血管健康管理方案和服务提醒信息；将所述心血管风险评估报告，以及心血管健康管理方案和服务提醒信息发送至对应的患者及智能设备，以便告知提醒患者。
[0062]
进一步，所述通过患者档案数据节点进行数据收集形成档案数据集，对于收集后的数据集进行数据提取获取患者的健康档案数据、健康监测信息以及日常行为信息包括步骤：
[0063]
1.1)从智能体征监测设备获取患者的健康监测信息；从区平台健康档案获取患者的健康档案数据；从可穿戴设备获取患者的日常行为信息；
[0064]
其中，所述健康档案数据包括患者的体检信息、诊疗信息和随访数据；所述健康档案数据、健康监测信息以及日常行为信息包括患者的生理数据；所述日常行为信息包括患者的运动行为数据、饮食行为数据；
[0065]
1.2)获取心血管疾病数据、人群画像数据和物联网设备数据；根据所述心血管疾病数据、人群画像数据和物联网设备数据进行特征提取和处理得到目标特征数据；根据所述目标特征数据创建所述心血管ai模型。
[0066]
进一步，所述根据所述健康档案数据、健康监测信息以及日常行为信息，通过心血管ai模型和心血管知识图谱生成患者的心血管风险评估报告，以及心血管健康管理方案和服务提醒信息包括步骤：将所述健康档案数据、健康监测信息以及日常行为信息输入至所述心血管ai模型生成所述心血管风险评估报告；根据健康档案数据、健康监测信息以及日常行为信息和心血管知识图谱生成所述心血管健康管理方案；根据所述心血管风险评估报告和心血管知识图谱生成对应的服务提醒信息。
[0067]
本发明的优点及积极效果为：本发明通过数据集成模块以常用的医学数据源作为基础，获得的心血管疾病实体比人类疾病本体中的心血管疾病更多，且提高了数据质量；并采用一个web系统用于该集成数据的使用，能为用户提供特定疾病所需的多因素视图；同时，通过管理服务模块能够为患者自动测算心血管疾病的患病风险，帮助患者进行心血管疾病的早筛查、预防、治疗等自我健康管理，降低心血管疾病发生引起的风险。
[0068]
本发明图像增强方法可以获得准确图像，为具体应用提供保证。
附图说明
[0069]
图1是本发明实施例提供的智能心血管护理监测系统结构框图。
[0070]
图2是本发明实施例提供的数据集成模块集成方法流程图。
[0071]
图3是本发明实施例提供的心血管疾病数据的实体建模方法建立心血管疾病实体方法流程图。
[0072]
图4是本发明实施例提供的管理服务模块管理服务方法流程图。
[0073]
图5是本发明实施例提供的通过患者档案数据节点进行数据收集形成档案数据集，对于收集后的数据集进行数据提取获取患者的健康档案数据、健康监测信息以及日常行为信息方法流程图。
[0074]
图1中：1、心血管图像采集模块；2、图像增强模块；3、心率采集模块；4、血压采集模块；5、数据传输模块；6、中央控制模块；7、数据集成模块；8、管理服务模块；9、显示模块。
具体实施方式
[0075]
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
[0076]
下面结合附图对本发明的结构作详细的描述。
[0077]
如图1所示，本发明实施例提供的智能心血管护理监测系统包括：心血管图像采集模块1、图像增强模块2、心率采集模块3、血压采集模块4、数据传输模块5、中央控制模块6、数据集成模块7、管理服务模块8、显示模块9。
[0078]
心血管图像采集模块1，与图像增强模块2连接，用于通过超声设备采集心血管超声图像；
[0079]
图像增强模块2，与心血管图像采集模块1、数据传输模块5连接，用于对采集的心血管超声图像进行增强处理；
[0080]
获取心血管超声输入图像，输入心血管超声图像i(w,h,3)是一个大小为w
×h×
3的三维矩阵，w表示宽，h表示高，3表示图像的通道数，通常为图像的rgb三个通道，其中每个通道提取出大小为w
×
h的二维矩阵，表示源图像中每个通道中所蕴含的空间信息，图像的任意通道信息用i
ω
(x,y)来表示，其中ω表示通道；
[0081]
取源图像进行色彩平衡，具体涉及一种带有红色通道补偿的的白平衡方法，有效地去除不真实的色彩，以感知水下图像中物体的真实色彩；色彩平衡后得到完全相同的两幅图像，分别记为ia(x,y,3)和ib(x,y,3)；
[0082]
对图像ia(x,y,3)的3个通道分别进行拉普拉斯锐化处理，突出图像边缘的过渡部分，以表现出更多的图片边缘信息，计算方法为：
[0083]iail
(x,y)＝(1 4α)i
ai
(x,y)-α[i
ai
(x 1,y) i
ai
(x-1,y) i
ai
(x,y 1) i
ai
(x,y-1)]
[0084]
其中i表示r、g、b三个通道；α表示锐化强度系数，取大于零的整数，且图像锐化程度与α正相关，得到图像ia(x,y,3)锐化后的图像，记为i
al
(x,y,3)；
[0085]
构建基于改进深度可分离卷积生成对抗网络模型：所述改进的深度可分离卷积生成对抗网络模型包括改进的深度可分离卷积模块与改进倒残差深度可分离卷积模块；
[0086]
所述改进的深度可分离卷积模块第一层为深度卷积层，卷积核尺寸为3*3；第二层为实例正则化层；第三层为逐点卷积层，卷积核尺寸为1*1；第四层为实例正则化层，第五层为relu的激活层；
[0087]
所述改进倒残差深度可分离卷积模块第一层为逐点卷积层，卷积核尺寸为1*1；所述逐点卷积层后添加有实例归一化层以及relu6的激活层；第二层为深度卷积层，卷积核尺寸为3*3，所述深度卷积层后添加有实例归一化层以及relu6的激活层；第三层为逐点卷积层，卷积核尺寸为1*1；所述逐点卷积层后添加有实例归一化层以及线性激活层；第四层为相加层；
[0088]
对构建的深度可分离卷积生成对抗网络模型进行训练；
[0089]
利用训练好的深度可分离卷积生成对抗网络模型进行图像ia(x,y,3)图像增强；
[0090]
进行图像ia(x,y,3)图像增强后对图像ib(x,y,3)的每个像素信息l(x)进行处理，则处理后的像素信息e(x)计算方式为：
[0091]
l(x)＝e(x)t(x) b
∞
(x)[1-t(x)]
[0092]
其中t(x)表示水下透射率，b
∞
(x)表示光强，暗通道先验公式为：
[0093][0094]
其中ω是以某一像素点为中心的局部区域，j(λ)则表示r，g，b三通道中的一个；
[0095]
对于r、g、b三个通道，先分别作最小化运算得到：
[0096][0097]
其中λ代表r、g、b，经过化简可得：
[0098][0099]
然后再对三个通道作最小化，得：
[0100][0101]
依据暗通道先验得公式计算水下折射率t(λ)：
[0102][0103]
借助ib(x,y,3)的暗通道图，求得其亮度大小的前0.1％最亮的像素，进而在ib(x,y,3)中寻找对应的具有最高亮度的点的平均值，作为b
∞
(x)值；
[0104]
计算出去雾以后的图像信息e(λ)：
[0105][0106]
其中，t0是为了防止t近似于0而导致图像噪声放大，并将经过暗通道先验算法的图像ib(x,y,3)记为i
bq
(x,y,3)；
[0107]
对图像i
bq
(x,y,3)进行gamma校正，gamma校正的公式为：
[0108]
f(i)＝i
γ
[0109]
其中，当γ＜1时，在低灰度值区域内，图像动态范围变大，进而图像的对比度增强；而在高灰度值区域内，情况正好与之相对，同时，图像的整体灰度值变大；当γ＞1时，正好与γ＜1情况相反，此种情况让图像暗部更加难以被看清；将校正后图像记为i
bq
'(x,y,3)；
[0110]
采用潜在低秩表示latlrr方法分别从待融合图像i
al
(x,y,3)和i
bq
'(x,y,3)中分解出各自每一通道的低阶部分和显著部分x
1s
、x
2s
，并采用加权平均、求和策略分别将两幅图像的三个通道图像对应低阶、显著部分进行融合，然后通道拼接得到最终的心血管融合图像。
[0111]
心率采集模块3，与数据传输模块5连接，用于采集心脏心率数据；
[0112]
血压采集模块4，与数据传输模块5连接，用于采集血压数据；
[0113]
数据传输模块5，与图像增强模块2、心率采集模块3、血压采集模块4、中央控制模块6连接，用于对采集的数据进行传输发送到中央控制模块6进行处理；
[0114]
中央控制模块6，与数据传输模块5、数据集成模块7、管理服务模块8、显示模块9连接，用于控制各个模块正常工作；
[0115]
数据集成模块7，与中央控制模块6连接，用于对血管疾病数据进行集成；
[0116]
管理服务模块8，与中央控制模块6连接，用于对血管疾病进行管理服务；
[0117]
显示模块9，与中央控制模块6连接，用于通过显示器显示采集的心血管超声图像、心率、血压。
[0118]
如图2所示，本发明提供的数据集成模块7集成方法如下：
[0119]
s101，通过模型构建程序建立心血管疾病实体的双层模型并形式化所述双层模型；通过心血管疾病数据的实体建模方法建立心血管疾病实体；
[0120]
s102，将建立的所述心血管疾病实体通过心血管疾病术语实体映射和疾病连接实体映射加入形式化后的所述双层模型，实现对心血管疾病数据的集成；
[0121]
所述建立心血管疾病实体的双层模型包括：
[0122]
从疾病本体、mesh和omim中获取疾病术语实体，根据心血管疾病相关因素确定9个心血管疾病连接实体，并从14个心血管疾病数据源中获取16个关于单一疾病相关因素的心血管疾病数据实体；通过实体之间的same_as关系，建立心血管疾病术语实体与16个心血管疾病数据实体之间的联系，通过实体之间的disease_related关系，建立心血管疾病术语实体与心血管疾病连接实体之间的联系；同时，根据心血管疾病数据实体与心血管疾病连接实体之间的focus_on关系，构建两层的心血管疾病实体关系模型；
[0123]
所述两层的心血管疾病实体关系模型上层为心血管疾病术语实体与心血管疾病连接实体关系模型，由9个心血管疾病连接实体与心血管疾病术语实体之间的关系组成；下层为16个心血管疾病数据实体；上层实体和下层实体之间依据疾病数据实体所关注的疾病相关因素，将每个疾病数据实体与一个或多个疾病连接实体联系起来，并将所有疾病数据实体关联到疾病术语实体上；当有新的疾病数据实体加入时，将新的心血管疾病数据实体加入下层中，并将心血管疾病术语实体与新疾病数据实体关联起来；新疾病数据实体包含新的疾病相关因素，则定义相应的疾病连接实体加入上层中，否则，将新疾病数据实体与已有的疾病连接实体联系起来。
[0124]
本发明提供的心血管疾病实体双层模型形式化包括：疾病术语实体、疾病数据实体中的is_a关系；疾病术语实体与疾病数据实体之间的same_as关系；疾病连接实体与疾病数据实体之间的focus_on关系；疾病术语实体与疾病连接实体间的disease_related关系。
[0125]
如图3所示，本发明提供的心血管疾病数据的实体建模方法建立心血管疾病实体包括：
[0126]
s201，心血管疾病术语实体的获取，将疾病本体与mesh、omim进行关联，形成疾病语集，并从中获取心血管疾病术语实体；
[0127]
s202，心血管疾病数据实体获取，将获取到的14个心血管疾病数据源的原始数据中，进行数据文件格式多样化，包括编写程序对xml文件进行处理，保留其中部分有效的标签文本，将有效的标签文本转化为tsv文件；
[0128]
对于txt文件，编写程序将txt文件转化为tsv文件；对tsv、csv和xls文件分别编写程序，将所述tsv、csv和xls文件结构化处理，存入本地数据库中；对于gad和ctd数据源的数据分拆成关于基因和关于环境分别存储；经过上述处理后，14个疾病数据源中的原始数据被组织成为16个关于单一疾病相关因素的结构化数据；对应这些结构化数据，获取16个相应的心血管疾病数据实体，所述16个相应的心血管疾病数据实体的属性包括疾病名称、疾病相关因素的标识；
[0129]
s203，心血管疾病连接实体的获取；
[0130]
根据所确定的心血管疾病术语实体和心血管疾病数据实体，确定基因(gene)、蛋白质(protein)、酶(enzyme)、单核苷酸多态性(snp)、microrna、代谢物(metabiolities)、表型(phenotype)、环境(environment)和药物(drug)9个因素建立心血管疾病连接实体。
[0131]
如图4所示，本发明提供的管理服务模块8管理服务方法如下：
[0132]
s301，通过患者档案数据节点进行数据收集形成档案数据集，对于收集后的数据集进行数据提取获取患者的健康档案数据、健康监测信息以及日常行为信息；
[0133]
s302，根据所述健康档案数据、健康监测信息以及日常行为信息；通过心血管ai模
型和心血管知识图谱生成患者的心血管风险评估报告，以及心血管健康管理方案和服务提醒信息；将所述心血管风险评估报告，以及心血管健康管理方案和服务提醒信息发送至对应的患者及智能设备，以便告知提醒患者。
[0134]
如图5所示，本发明提供的通过患者档案数据节点进行数据收集形成档案数据集，对于收集后的数据集进行数据提取获取患者的健康档案数据、健康监测信息以及日常行为信息包括步骤：
[0135]
s401，从智能体征监测设备获取患者的健康监测信息；从区平台健康档案获取患者的健康档案数据；从可穿戴设备获取患者的日常行为信息；
[0136]
其中，所述健康档案数据包括患者的体检信息、诊疗信息和随访数据；所述健康档案数据、健康监测信息以及日常行为信息包括患者的生理数据；所述日常行为信息包括患者的运动行为数据、饮食行为数据；
[0137]
s402，获取心血管疾病数据、人群画像数据和物联网设备数据；根据所述心血管疾病数据、人群画像数据和物联网设备数据进行特征提取和处理得到目标特征数据；根据所述目标特征数据创建所述心血管ai模型。
[0138]
本发明提供的根据所述健康档案数据、健康监测信息以及日常行为信息，通过心血管ai模型和心血管知识图谱生成患者的心血管风险评估报告，以及心血管健康管理方案和服务提醒信息包括步骤：将所述健康档案数据、健康监测信息以及日常行为信息输入至所述心血管ai模型生成所述心血管风险评估报告；根据健康档案数据、健康监测信息以及日常行为信息和心血管知识图谱生成所述心血管健康管理方案；根据所述心血管风险评估报告和心血管知识图谱生成对应的服务提醒信息。
[0139]
本发明工作时，首先，通过心血管图像采集模块1利用超声设备采集心血管超声图像；通过图像增强模块2对采集的心血管超声图像进行增强处理；通过心率采集模块3采集心脏心率数据；通过血压采集模块4采集血压数据；通过数据传输模块5对采集的数据进行传输发送到中央控制模块6进行处理；其次，中央控制模块6通过数据集成模块7对血管疾病数据进行集成；然后，通过管理服务模块8对血管疾病进行管理服务；最后，通过显示模块9利用显示器显示采集的心血管超声图像、心率、血压。
[0140]
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。