[发明专利]慢性疾病预警方法、装置、计算机设备及存储介质

权利要求书

1.一种基于步态演变的慢性疾病预警方法，其特征在于，所述基于步态演变的慢性疾病预警方法包括：

从用户佩戴的穿戴设备中采集用户的运动数据，其中，所述运动数据包括行走数据和身体机能数据；

将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量，其中，每个维度向量对应一个维度方向；

根据多个维度向量，从所述行走数据中筛选出处于走路状态的信号曲线；

提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态；

基于所述身体状态和所述身体机能数据确定是否异常，所述异常为所述身体状态和所述身体机能数据与慢性疾病的身体状态和身体机能数据相似或者相同；

若异常，则控制所述穿戴设备发出异常提示信号。

2.根据权利要求1所述的基于步态演变的慢性疾病预警方法，其特征在于，所述卷积神经网络模型包括一维卷积神经网络层和N维神经网络层，所述将所述行走数据输入至预设的卷积神经网络模型中，通过所述卷积神经模型中的网络进行卷积计算，得到多个维度向量包括：

将所述行走数据输入至预设的卷积神经网络模型中，通过一维卷积神经网络层对所述行走数据进行降维处理，并将降维后的行走数据按照像素进行向量化，得到1*M的第一向量集；

以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集，其中，所述第一向量集和第二向量集均包含多个维度向量。

3.根据权利要求2所述的基于步态演变的慢性疾病预警方法，其特征在于，在所述以预设的向量阈值为基准，对所述1*M的第一向量集进行二值化处理，得到第二向量集之后，还包括：

基于降维处理后的行走数据，利用膨胀算法构建膨胀数据；

将所述膨胀数据和降维处理后的行走数据进行或计算，得到二值化数据图像；

基于所述二值化数据图像输入至所述一维卷积神经网络层中对各像素的图像进行向量计算，并将向量计算得到的向量与所述第二向量集中的维度向量进行融合计算，得到第三向量集。

4.根据权利要求3所述的基于步态演变的慢性疾病预警方法，其特征在于，所述根据多个维度向量，从对应的行走数据中筛选出处于走路状态的信号曲线包括：

提取所述第三向量集中取值为1的第三向量，得到向量集；

判断所述向量集中的各第三向量在时间上是否为连续；

若是，则计算在时间上连续的第三向量的连续区间，并判断所述连续区间是否满足预设区间大小；

若满足，则提取所述连续区间在所述行走数据中对应的信号曲线，得到处于行走状态的信号曲线。

5.根据权利要求4所述的基于步态演变的慢性疾病预警方法，其特征在于，在所述根据多个维度向量，从对应的行走数据中筛选出处于走路状态的信号曲线之后，还包括：

识别所述信号曲线中完整周期的曲线段，得到所述连续区间中的曲线周期数；

根据所述曲线周期数和所述连续区间的总时长，计算出所述连续区间中的行走频率；

基于所述行走频率确定所述连续区间是否为自然行走状态的运动周期。

6.根据权利要求5所述的基于步态演变的慢性疾病预警方法，其特征在于，所述提取所述信号曲线中的峰值和曲线图像，并基于所述峰值和曲线图像确定用户的身体状态包括：

在确定所述连续区间为自然行走状态的运动周期时，将所述信号曲线输入至预设的卷积神经网络模型中，通过N维卷积神经网络层计算出所述信号曲线中各像素在不同方向上对应的N维特征，基于所述N维特征确定所述行走数据的姿态向量，其中，所述方向为三维空间上的三个轴方向；

根据所述不同方向上对应的N维特征，计算所述信号曲线的峰值，并基于所述峰值确定身体的摆幅；

对所述信号曲线进行二值化处理，得到曲线图像，并判断所述曲线图像是否对称，得到判断结果；

利用余弦信号对所述信号曲线进行拟合，得到拟合结果；

根据所述判断结合和拟合结果，确定用户的身体状态。