[发明专利]基于生命体征大数据的健康趋势估计方法和预测系统

权利要求书

1.一种基于生命体征大数据的健康趋势估计方法，其特征在于，包括：

训练阶段，包括：

获得多个时间段的沿时间序列排布的多个方面的生命体征数据并将各个时间段的所述多个方面的生命体征数据构造为多个数据矩阵；以及

使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛；以及

预测阶段：

获得沿时间序列排列的多个方面的生命体征数据并将所述多个方面的生命体征数据构造为输入矩阵；

将所述输入矩阵输入经训练阶段训练完成的所述卷积神经网络以获得第一特征图，其中，所述第一特征图的尺度为t*s*c，t为时间维度，s为样本维度，c为所述卷积神经网络的通道数；

计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值，以获得第一加权向量，其中，所述类Softmax分类函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；

计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值，以获得第二加权向量，其中，所述类Softmax函数值为取所述特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和除以取所述第一特征图中各个位置的特征值的负值为幂的自然指数函数值的加权和；

分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图；以及

将所述第二特征图通过分类器以获得分类结果，所述分类结果用于表示健康趋势估计结果；

其中，分别以所述第一加权向量和所述第二加权向量从时间维度上和样本维度上对所述第一特征图进行加权以获得第二特征图，包括：以所述第一加权向量计算所述第一特征图在时间维度上的各个特征矩阵的加权；以及以所述第二加权向量计算经第一加权向量加权后的所述第一特征图矩阵在样本维度上的各个特征矩阵的加权，以获得所述第二特征图。

2.根据权利要求1所述的基于生命体征大数据的健康趋势估计方法，其中，使用相邻时间段的数据矩阵分别作为训练用输入矩阵和真实值来对卷积神经网络进行训练直到所述卷积神经网络的参数收敛，包括：

将所述训练用输入矩阵输入卷积神经网络以获得训练特征图；以及

基于所述训练特征图与所述真实值之间的均方误差损失函数值，来训练所述卷积神经网络直到所述卷积神经网络的参数收敛。

3.根据权利要求1所述的基于生命体征大数据的健康趋势估计方法，其中，计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值，以获得第一加权向量，包括：

以如下公式计算所述第一特征图在时间维度上的各个特征矩阵相对于所述第一特征图的类Softmax分类函数值作为第一加权值，以获得第一加权向量，所述公式为：p_a,a∈t=∑_xi∈Rs*cexp(-xi)/ ∑_yi∈Rt*s*cexp(-yi)，其中，xi表示所述特征矩阵中各个位置的特征值，yi表示所述第一特征图中各个位置的特征值。

4.根据权利要求3所述的基于生命体征大数据的健康趋势估计方法，其中，计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值，以获得第二加权向量，包括：

以如下公式计算所述第一特征图在样本维度上的各个特征矩阵相对于所述第一特征图的类Softmax函数值的倒数作为第二加权值，以获得第二加权向量，其中，所述公式为：p_b,b∈s=α*1/[∑_xi∈Rt*cexp(-xi)/ ∑_yi∈Rt*s*cexp(-yi)]，这里，α为用于将p_b,b∈s调整到[0,1]的区间范围内的最大值归一化系数，xi表示所述特征矩阵中各个位置的特征值，yi表示所述第一特征图中各个位置的特征值。