[发明专利]慢性疾病预警方法、装置、计算机设备及存储介质

说明书

本发明涉及人工智能及数字医疗领域，公开了一种慢性疾病预警方法、装置、计算机设备及存储介质。通过对穿戴设备中采集到的运动数据，利用卷积神经网络模型进行卷积计算，得到多个维度向量，基于这些向量筛选出走路状态下的信号曲线后，提取信号曲线中的峰值和曲线图像来分析得到用户的身体状态，基于该身体状态和穿戴设备中采集的身体机能数据确定是否异常，并对异常进行提示，从实现对用户的慢性疾病的动态监控识别，相比与现有技术来说，减少了大量样本数据的采集学习，提高了疾病预测的效率，保证实时性。

技术领域

本发明涉及人工智能领域，尤其涉及一种慢性疾病预警方法、装置、计算机设备及存储介质。

背景技术

随着经济的发展，国民生活水平的不断提高以及人工智能的普及应用，疾病的预警已成为国民健康监控的重要手段，尤其是神经退行性疾病(NeurodegenerativeDisease，NDD)，该类疾病为神经类疾病是不可恢复的，因此对于提高整体国民或者家庭的平均生活质量来说，这是一个比较重要的决定性因素，NDD是一类发生在神经系统中，造成神经元及其附属树突、轴突和突触，以及遍布神经系统的胶质细胞发生损伤或者功能失常的疾病。可分为急性神经退行性疾病和慢性退行性疾病，其中慢性退行性疾病主要包含阿尔兹海默病、帕金森病、亨廷顿病等。主要症状可分为以下5类，运动姿态失调，缓发性肌无力萎缩，记忆认知退化，渐进性共济失调，感知系统障碍。神经退行性疾病在发病前存在一段潜伏期，由于此时身体组织发生的改变较小往往不易察觉。

对此，为了实现对该疾病的提前预警，目前主要是基于步态来实现预警，该方法是通过对人体的步态进行特定的测试，通过与正常组、患病组的对比来判断是否有患病风险，而步态的分析，则需要通过收集大量的已知数据进行症状的分析学习才能实现快速的判断。这种方法有两个弊端：一是需要患者有主动的预警意识，而一个症状较轻的患者往往很难判断自己是否患病以及患病的种类；二是人与人之间步态的差异性是比较大的，这需要非常到的已知数据来分析才能提取共性内容，因此，目前通过统计机器学习的方法在实际应用中难以获得足量的数据来提高算法的鲁棒性。

发明内容

本申请的主要目的是提供一种基于步态演变的慢性疾病预警方法、装置、设备及存储介质，以解决由于现有的疾病预警过程中，需要大量的已知数据分析，而导致整体计算过程过于复杂，使得预测的时间周期较长的技术问题。

本发明第一方面提供了一种基于步态演变的慢性疾病预警方法，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。

可选的，在本发明第一方面的第一种实现方式中，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。