СПОСОБ И СИСТЕМА ОЦЕНКИ ЗДОРОВЬЯ ТЕЛА ЧЕЛОВЕКА НА ОСНОВЕ ДАННЫХ БОЛЬШОГО ОБЪЕМА О СНЕ Российский патент 2021 года по МПК G16H50/30 

Область техники, к которой относится изобретение

Настоящее изобретение относится к технической области анализа и управления данными о здоровье во время сна и, в частности, к способу оценки здоровья человека и системе оценки на основе данных большого объема о сне.

Уровень техники

Обычно используемые способы оценки физического здоровья в настоящее время в основном включают анкетные обследования, испытание различных показателей тела посредством медицинских устройств, ношение носимых устройств с физиологическими данными и т.д. Среди этих способов в анкетном обследовании пользователи, участвующие в обследовании, отвечают, на основе своего физического текущего состояния в повседневной жизни, на вопросы анкеты для оценки здоровья, предоставленной медицинским персоналом, который осуществляет оценивание текущего состояния здоровья пользователей после сбора анкеты, заполненной таким образом. Для регистрации физиологических данных посредством медицинских устройств или носимых устройств необходимо регулярно записывать результаты испытаний и своевременно обнаруживать проблемы со здоровьем в соответствии с записанными данными испытаний. Достоверность источника данных, используемого в этих способах оценки, является ненадежной. Поскольку на процесс получения данных легко влияет осведомленность пользователя, трудно полностью записать физиологические данные при нормальных жизни и привычках и обеспечить нормативность и точность сбора данных.

Сон составляет 1/3 повседневной жизни человека, и различные физиологические данные тела человека в состоянии сна относительно стабильны. Сбор физиологических данных человека в состоянии сна для оценки здоровья может обеспечить точность, стабильность и постоянство данных, и обеспечить точность результата оценивания. В настоящее время признанным с медицинской точки зрения способом оценивания состояния сна в медицинской практике является способ группирования характеристик сна. Во время способа группирования характеристик сна измеряют мозговые волны, движения глаз и миоэлектричество, и по этим волнам может быть оценено состояние сна. Однако в соответствии со способом измерения мозговых волн, миоэлектричества и т.д., необходимым является прикрепление электрода к испытуемому, что является трудновыполнимой задачей для испытующего. Следовательно, в обычной семье невозможно измерить мозговые волны, миоэлектричество и т.п.

Физическая оценка представляет собой организованный и систематический процесс сбора целевых данных. Для получения хороших результатов оценки физического состояния, основанных на анамнезе и обследовании всего тела или общем системном обследовании, необходим организованный и систематический способ исследования и изучения прямых реакций и реальных или потенциальных проблем пользователей. Следовательно, обеспечение сбора физиологических данных достаточной полноты и в достаточном количестве от пользователей на ранней стадии и обеспечение рациональности обработки данных для уменьшения количества ошибок являются проблемами, требующими серьезного внимания при оценке здоровья человека.

Краткое описание изобретения

Целью настоящего изобретения является предоставление способа оценки здоровья человека и системы оценки на основе данных большого объема о сне с учетом недостатков предшествующего уровня техники. Исследование данных большого объема о здоровье в системе относится к долгосрочному, стабильному и постоянно растущему получению данных о характеристиках человеческой жизни, четкому и определенному описанию физического состояния людей посредством передовой технологии извлечения информации из данных и прогнозированию их здоровья в будущем. За счет получения данных с датчика, установленного на кровати, и выполнения тренировки с применением данных на модели обучения искусственного интеллекта, чтобы модель могла автоматически изучать особенности, связанные со здоровьем человека, можно сэкономить временные затраты на ручной выбор и построение особенностей, тем самым достигая цели точного прогнозирования заболеваний. Кроме того, при тренировке модели классификатора тип заболевания может быть непосредственно получен в отчете об оценке здоровья.

Для достижения вышеуказанной цели в настоящем изобретении применено техническое решение в виде способа оценки здоровья человека на основе данных большого объема о сне, включающего этапы:

получения различных физиологических данных о теле человека во время сна с помощью датчика, установленного на кровати, и постоянного хранения этих данных о сне на облачном сервере;

предварительной обработки данных о сне, хранимых на облачном сервере, для отсеивания неполных и неверных данных и ввода верных данных в модель обучения искусственного интеллекта для тренировки таким образом, чтобы модель обучения искусственного интеллекта изучала особенности заболеваний и проводила вычисления с целью получения индекса физиологического оценивания;

тренировки модели классификатора с использованием особенностей заболеваний в данных, изученных с помощью вышеупомянутой модели обучения искусственного интеллекта, таким образом, чтобы модель классификатора могла идентифицировать типы заболеваний, соответствующие различным данным; и

генерирования отчета об анализе текущего состояния здоровья человека в соответствии с индексом физиологического оценивания человека и моделью классификатора, полученных при вышеупомянутой тренировке с применением данных.

Кроме того, в некоторых вариантах осуществления верные данные после предварительной обработки в вышеуказанном способе разделяются на данные о сне с тегом заболевания и данные о сне без тега заболевания, причем данные о сне с тегом заболевания поступают от тела человека, страдающего заболеванием известного типа, в то время как данные о сне без тега заболевания поступают от тела человека, состояние здоровья которого неизвестно.

Кроме того, в варианте осуществления вышеупомянутый процесс ввода верных данных в модель обучения искусственного интеллекта для тренировки включает:

отправку данных о сне без тега заболевания после предварительной обработки в сеть автокодировщика для вычисления и получения неконтролируемых потерь сети;

отправку данных о сне с тегом заболевания после предварительной обработки в сеть автокодировщика, имеющую те же параметры, что и вышеупомянутая сеть автокодировщика, для получения выходных данных уменьшения размерности промежуточного слоя и выполнения вычисления для получения контролируемых потерь сети; и

итеративную тренировку в рамках двух вышеупомянутых этапов и остановку итерации не ранее чем полученная на момент сумма неконтролируемых потерь сети и контролируемых потерь сети не перестанет изменяться или достигнет максимума итераций, причем полученные данные о сне затем будут использованы в качестве индекса физиологического оценивания.

Кроме того, в варианте осуществления выходные данные уменьшения размерности промежуточного слоя, полученные из данных о сне с тегом заболевания в сети автокодировщика, вводят в классификатор для тренировки модели классификатора.

Кроме того, индекс физиологического оценивания используют для оценивания того, находится ли тело человека в болезненном состоянии, а модель классификатора используют для анализа типа заболевания тела человека.

Для достижения вышеуказанной цели дополнительное техническое решение, принятое в настоящем изобретении, представляет собой систему оценки здоровья человека на основе данных большого объема о сне, причем система содержит:

блок получения данных о сне для получения разных физиологических данных о теле человека во время сна, причем данные поступают от датчика, установленного на кровати;

блок хранения данных о сне, содержащий облачный сервер для хранения всех данных о сне, собранных блоком получения данных о сне;

блок тренировки с применением данных для предварительной обработки данных о сне и тренировки с применением данных посредством модели обучения искусственного интеллекта для получения индекса физиологического оценивания;

блок тренировки модели классификатора для выполнения тренировки модели классификатора на данных о сне, полученных при тренировке модели обучения искусственного интеллекта; и

блок генерирования отчета для генерирования отчета об анализе текущего состояния здоровья человека в соответствии с индексом физиологического оценивания человека и моделью классификатора, полученной на основе тренировки с применением данных.

Кроме того, в конкретном варианте осуществления блок тренировки с применением данных содержит:

препроцессор для обработки данных, предназначенный для отсеивания неполных и неверных данных о сне, хранимых на облачном сервере; и

автокодировщик для создания сети автокодировщика и итеративной тренировки с применением данных посредством вычисления потерь сети.

Для достижения вышеуказанной цели дополнительное техническое решение, принятое в настоящем изобретении, содержит терминальное устройство, причем устройство содержит вышеупомянутую систему оценки здоровья человека на основе данных большого объема о сне. Устройство дополнительно содержит управляющий механизм для управления вышеупомянутым блоком генерирования отчета с целью генерирования отчета.

Преимущества настоящего изобретения заключаются в следующем.

1. Система и датчик, установленные на кровати, совершают передачу данных. Срок службы кровати является долгим, а физиологические данные пользователя в состоянии сна относительно стабильны, что обеспечивает постоянство и стабильность получения данных. С другой стороны, значительные объемы данных о сне, полученные датчиком, установленным на кровати, обеспечивают основу для данных высокого качества для оценки здоровья.

2. Облачный сервер системы согласно настоящему изобретению используют для хранения ежедневных данных о сне пользователя. Это обеспечивает стабильность и безопасность данных о сне, и в то же время предоставляет большой объем данных, являющихся основой для оценки здоровья, улучшая точность результатов оценивания.

3. Способ согласно настоящему изобретению осуществляет тренировку модели обучения искусственного интеллекта посредством получения большого количества физиологических данных тела человека во время сна. Активное сознание человека в состоянии сна сильно ослаблено, так что физиологические данные, полученные в этот момент, могут правдиво отражать состояние здоровья тела человека. За счет построения применимой модели обучения искусственного интеллекта, модель может автоматически изучать особенности, связанные со здоровьем человека, тем самым экономя временные затраты на искусственный выбор и построение особенностей и достигая цели точного прогнозирования заболеваний.

Краткое описание графических материалов

Чтобы лучше понять цель, особенности и преимущества настоящего изобретения, предпочтительные варианты осуществления настоящего изобретения будут подробно описаны в сочетании с сопроводительными графическими материалами. Очевидно, что графические материалы, описанные ниже, представляют собой лишь некоторые варианты осуществления настоящего изобретения. Для специалиста в данной области техники другие графические материалы могут быть получены в соответствии с этими графическими материалами без применения каких-либо творческих усилий. На графических материалах:

на фиг. 1 схематически показана блок-схема способа оценки здоровья человека на основе данных большого объема о сне в варианте осуществления настоящего изобретения;

на фиг. 2 схематически показана блок-схема выполнения тренировки с применением данных посредством модели обучения искусственного интеллекта в варианте осуществления настоящего изобретения;

на фиг. 3 схематически показана блок-схема тренировки модели классификатора в варианте осуществления настоящего изобретения; и

на фиг. 4 показана блок-схема системы оценки здоровья человека на основе данных большого объема о сне в варианте осуществления настоящего изобретения.

Подробное описание вариантов осуществления

Чтобы дать возможность специалисту в данной области техники лучше понять технические решения настоящего изобретения, технические решения в вариантах осуществления настоящего изобретения будут четко и полностью описаны в сочетании с графическими материалами в вариантах осуществления настоящего изобретения. Очевидно, что описанные варианты осуществления являются лишь некоторыми, а не всеми вариантами осуществления настоящего изобретения. Основываясь на вариантах осуществления в настоящем изобретении, все другие варианты осуществления, полученные специалистом в данной области техники средней квалификации без применения каких-либо творческих усилий, должны подпадать под объем защиты настоящего изобретения.

В варианте осуществления настоящего изобретения предоставлен способ оценки здоровья человека на основе данных большого объема о сне для улучшения точности результатов оценки здоровья и достижения цели точного прогнозирования заболеваний. Кровати, подходящие для установки датчиков, включают, но без ограничения: электрические кровати, умные кровати, кровати с индукционными матрасами и т. д. На фиг. 1 показана блок-схема способа оценки здоровья человека на основе данных большого объема о сне в варианте осуществления настоящего изобретения. Как показано на фиг. 1, в варианте осуществления настоящего изобретения способ оценки здоровья человека на основе данных большого объема о сне может включать следующие этапы.

На этапе 101 получают различные физиологические данные тела человека во время сна с помощью датчика, установленного на кровати, и эти данные о сне постоянно хранят на облачном сервере.

Как можно увидеть на блок-схеме, показанной на фиг. 1, способ оценки здоровья человека на основе данных большого объема о сне в варианте осуществления настоящего изобретения обрабатывает, анализирует значительные объемы данных о сне, хранимые на облачном сервере, и осуществляет тренировку с их применением при помощи процесса тренировки на данных посредством модели обучения искусственного интеллекта. В этом способе передача данных осуществляется облачным сервером и датчиком, установленным на кровати. Для электрической кровати или умной кровати, содержащей электрическую систему управления, облачный сервер также может осуществлять связь с базой данных системы управления для получения данных о сне пользователей в реальном времени и стабильным образом, что обеспечивает высококачественных данных, являющихся основой для оценки здоровья. Типы различных физиологических данных, хранимых на облачном сервере во время сна, связаны с типами датчиков, установленных на кровати. В практических применениях могут быть выбраны конкретные датчики для получения целевых данных в соответствии с направленностью оценки здоровья. Например, физиологические данные, полученные в настоящем варианте осуществления, включают: информацию о частоте сердечных сокращений, частоте дыхания, переворачивании, беспокойстве, храпе и покидании кровати.

На этапе 102 данные о сне, хранимые на облачном сервере, предварительно обрабатывают для отсеивания неполных и неверных данных и для помещения верных данных в модель обучения искусственного интеллекта для тренировки таким образом, чтобы модель обучения искусственного интеллекта могла изучать особенности заболеваний и проводить вычисления с целью получения индекса физиологического оценивания.

Исходные данные о сне человека, хранимые на облачном сервере, собираются в реальном времени без какой-либо обработки и, как следствие, содержат большое количество неполных и неверных данных. Следовательно, перед анализом данных необходимо выполнить предварительную обработку данных, чтобы отобрать верные данные о сне, которые затем могут быть помещены в модель обучения искусственного интеллекта для тренировки. В противном случае вся модель будет не упорядочена, что тем самым помешает получению каких-либо верных результатов прогноза. При отсеивании данных, представляющих собой шум, во время предварительной обработки данных данные о сне разделяют на данные о сне с тегом заболевания и данные о сне без тега заболевания в соответствии с источником данных, при этом данные о сне с тегом заболевания относятся к физиологическим данным, собранным от тела человека, страдающего заболеваниями известных типов, в то время как данные о сне без тега заболевания представляют собой физиологические данные, собранные от тела человека, состояние здоровья которого неизвестно. Предварительно обработанные данные о сне будут отправлены в модель обучения искусственного интеллекта для тренировки, и затем они могут быть использованы для оценки текущего состояния здоровья тела человека. В конкретной реализации, когда данные о сне с тегом заболевания собраны для тренировки модели обучения искусственного интеллекта и тренировки модели классификатора, будет выбран индивидуум, который находится в болезненном состоянии с точно известным типом заболевания. Данные о сне этого индивидуума будут собраны и введены в модель обучения искусственного интеллекта, чтобы модель могла определить, находится ли индивидуум в нормальном или в болезненном состоянии, и определить тип заболевания при условии его нахождения в болезненном состоянии. Когда данные о сне без тега заболевания собирают для тренировки модели обучения искусственного интеллекта, будет выбран индивидуум, состояние здоровья которого неизвестно. Данные о сне этого индивидуума будут собраны, введены в модель обучения искусственного интеллекта и обобщены таким образом, чтобы модель изучила общность данных о сне человека.

На этапе 103 модель классификатора тренируют посредством использования особенностей заболеваний в данных, изученных с помощью вышеупомянутой модели обучения искусственного интеллекта, таким образом, чтобы модель классификатора могла идентифицировать типы заболеваний, соответствующие различным данным.

В настоящей заявке данные, полученные после тренировки модели обучения искусственного интеллекта, будут использованы в качестве индекса физиологического оценивания и могут быть использованы для определения того, находится ли индивидуум в болезненном состоянии или нормальном состоянии. Кроме того, данные о сне с тегом заболевания после вывода с уменьшенной размерностью в промежуточном слое сети автокодировщика используют в качестве вводных данных классификатора SVM для тренировки модели классификатора таким образом, чтобы модель классификатора могла идентифицировать типы заболеваний, соответствующие различным данным. На этапе 102 модель обучения искусственного интеллекта может изучить некоторые признаки, связанные с заболеванием, исходя из исходных данных, а затем на этапе 103 модель классификатора дополнительно тренируют, чтобы иметь способность идентифицировать конкретный тип заболевания индивидуума, генерирующего данные о сне.

На этапе 104 отчет об анализе текущего состояния здоровья человека генерируют в соответствии с индексом физиологического оценивания человека и моделью классификатора, полученной в результате вышеупомянутой тренировки с применением данных.

Конкретный вариант осуществления настоящего изобретения будет описан ниже в сочетании с фиг. 1–3.

Сперва данные о сне, хранимые на облачном сервере, предварительно обрабатывают для отсеивания неполных и неверных данных. Оставшиеся верные данные о сне разделяют на данные о сне с тегом заболевания и данные о сне без тега заболевания в соответствии с источником данных, и эти данные помещают в модель обучения искусственного интеллекта для тренировки.

На фиг. 2 показана блок-схема тренировки с применением данных, выполняемой моделью обучения искусственного интеллекта в варианте осуществления настоящего изобретения. Как показано на фиг. 2, процесс ввода верных данных после предварительной обработки данных в модели обучения искусственного интеллекта для тренировки включает:

(1) Отправку, после предварительной обработки, данных x о сне без тега заболевания в глубокий автокодировщик сети автокодировщика, и получение неконтролируемых потерь loss1_k сети посредством вычисления. В настоящей заявке оптимальный способ вычисления выбирают следующим образом: данные x о сне отправляют в глубокий автокодировщик для получения среднеквадратичной разности между входными значениями и выходными значениями, и такую разность присваивают неконтролируемым потерям loss1_k сети.

(2) Помещение, после предварительной обработки, данных y о сне с тегом заболевания в сеть автокодировщика, имеющую те же параметры, что и вышеупомянутая сеть автокодировщика, для получения выходных данных уменьшения размерности промежуточного слоя, и получение контролируемых потерь loss2_k сети посредством вычисления. В настоящем изобретении оптимальный способ вычисления контролируемых потерь loss2_k сети выбирают следующим образом: полученные выходные данные уменьшения размерности промежуточного слоя разделяют на разные категории в соответствии с тегом заболевания. Выявляют центральную точку каждой категории и вычисляют расстояния от данных той же категории до центральных точек той же категории. Сумму полученных данных присваивают контролируемым потерям loss2_k сети.

(3) Loss1_k и loss2_k, полученные на вышеупомянутых этапах (1) и (2), суммируют для получения общих потерь loss_k сети, т. е. loss_k = loss1_k + loss2_k, и параметры всей сетевой структуры регулируют с использованием алгоритма обратного распространения. Затем x и y снова отправляют в структуру сети автокодировщика посредством выполнения итеративной тренировки. Вышеупомянутые этап (1) и этап (2) снова повторяют для вычисления неконтролируемых потерь loss1_k+1 сети и контролируемых потерь loss2_K+1 сети соответственно после регулирования параметров сетевой структуры, а также получают общие потери сети в этом цикле loss_k+1 = loss1_k+1 + loss2_k+1 посредством вычисления.

(4) Потери после регулирования параметров сетевой структуры сравнивают, и параметры сетевой структуры снова регулируют до тех пор, пока не будет loss_k+1 = loss_k в сетевой структуре или пока не будет достигнуто максимальное количество итераций. Под максимальным количеством итераций подразумевается то, что максимальное количество итераций M устанавливают в соответствии с требованиями во время тренировки модели обучения искусственного интеллекта, и когда количество итераций составляет M (k=M), даже если общие потери сети все еще изменяются, итеративная тренировка не будет продолжаться.

На данный момент тренировка модели обучения искусственного интеллекта завершена, а потери нейронной сети и потери сети автокодировщика, полученные в результате тренировки, будут использованы в качестве индексов физиологического оценивания для оценивания того, находится ли индивидуум, соответствующий данным о сне, в болезненном состоянии или нормальном состоянии здоровья.

Выходные данные уменьшения размерности промежуточного слоя, полученные, когда данные y о сне с тегом заболевания отправлены в сеть автокодировщика, будут дополнительно использованы в качестве вводных данных классификатора SVM для тренировки модели классификатора таким образом, чтобы модель классификатора могла идентифицировать типы заболеваний, соответствующие различным данным. Модель классификатора, полученная посредством тренировки, может идентифицировать конкретный тип заболевания индивидуума, генерирующего данные о сне.

Индекс физиологического оценивания и модель классификатора, полученные в результате вышеуказанной тренировки, могут быть использованы для генерирования отчета об анализе текущего состояния здоровья индивидуума, соответствующего сгенерированным данным о сне. В конкретной реализации данные о сне индивидуума, которому требуется оценка здоровья, выбирают из облачного сервера и помещают в модель обучения искусственного интеллекта, которая была натренирована. Текущее состояние, соответствующее болезни, индивидуума определяется моделью. Если в результате индивидуум находится в болезненном состоянии, то может быть дополнительно получен тип заболевания индивидуума. Наконец, может быть использовано терминальное устройство для вывода или распечатки отчета об оценке здоровья человека, содержащего вышеупомянутый результат оценки, чтобы таким образом достичь цели использования данных о сне для прогнозирования заболеваний.

На фиг. 4 показана структурная диаграмма системы оценки здоровья человека на основе данных большого объема о сне согласно варианту осуществления настоящего изобретения. Как показано на фиг. 4, система оценки здоровья человека на основе данных большого объема о сне содержит:

блок получения данных о сне для получения разных физиологических данных о теле человека во время сна, причем данные поступают от датчика, установленного на кровати;

блок хранения данных о сне, содержащий облачный сервер для хранения всех данных о сне, собранных блоком получения данных о сне;

блок тренировки с применением данных для предварительной обработки данных о сне и тренировки с применением данных модели обучения искусственного интеллекта для получения индекса физиологического оценивания, при этом блок тренировки с применением данных содержит: препроцессор для обработки данных, предназначенный для отсеивания неполных и неверных данных о сне, хранимых на облачном сервере, и автокодировщик для создания сети автокодировщика и итеративной тренировки с применением данных посредством вычисления потерь сети;

блок тренировки модели классификатора для выполнения тренировки модели классификатора на данных о сне, полученных при тренировке модели обучения искусственного интеллекта; и

блок генерирования отчета для генерирования отчета об анализе текущего состояния здоровья человека в соответствии с индексом физиологического оценивания человека и моделью классификатора, полученной на основе тренировки с применением данных.

Следует отметить, что система согласно настоящему изобретению может быть расположена в системе управления электрической кровати или установлена в терминальном устройстве обеспечения функционирования человеко-компьютерного взаимодействия. Устройство дополнительно содержит управляющий механизм для управления блоком генерирования отчета с целью генерирования отчета таким образом, чтобы пользователь мог настраивать систему оценки по мере необходимости. Терминальное устройство, описанное в вариантах осуществления данного описания, может представлять собой интернет-устройство, такое как пользовательское устройство, смартфон, компьютер, мобильное интернет-устройство или носимое интеллектуальное устройство, что не ограничено вариантами осуществления настоящего изобретения.

Специалист в данной области техники поймет, что варианты осуществления настоящего изобретения могут быть предоставлены как способ, система или компьютерный программный продукт. Следовательно, настоящее изобретения может принимать форму полного аппаратного варианта осуществления, полного программного варианта осуществления или варианта осуществления, комбинирующего программные и аппаратные аспекты.

Выше приведены лишь предпочтительные варианты осуществления настоящего изобретения. Следует отметить, что специалист средней квалификации в данной области техники может внести некоторые улучшения и дополнения, не отступая от способа настоящего изобретения, и эти улучшения и дополнения также должны рассматриваться как находящиеся в объеме защиты настоящего изобретения.

Группа изобретений относится к медицине, а именно к оценке здоровья человека на основе данных большого объема о сне. Предложено терминальное устройство, содержащее систему для реализации способа, причем система содержит блок получения данных о сне для получения разных физиологических данных о теле человека во время сна, причем данные поступают от датчика, установленного на электрической кровати или умной кровати, содержащей электрическую систему контроля; блок хранения данных о сне, содержащий облачный сервер для хранения всех данных о сне, собранных блоком получения данных о сне, при этом облачный сервер выполнен с возможностью взаимодействия с базой данных системы контроля для получения данных о сне в режиме реального времени; блок тренировки с применением данных для предварительной обработки данных о сне и тренировки с применением данных посредством модели обучения искусственного интеллекта для получения индекса физиологического оценивания; блок тренировки модели классификатора для выполнения тренировки модели классификатора на данных о сне, полученных при тренировке модели обучения искусственного интеллекта; и блок генерирования отчета для генерирования отчета об анализе состояния здоровья человека в соответствии с индексом физиологического оценивания человека и моделью классификатора, полученной на основе тренировки с применением данных; при этом блок тренировки с применением данных содержит: препроцессор для обработки данных, предназначенный для отсеивания неполных и неверных данных о сне, хранимых на облачном сервере, и ввода верных данных в модель обучения искусственного интеллекта для тренировки таким образом, чтобы модель обучения искусственного интеллекта могла изучать особенности заболеваний и проводить вычисления с целью получения индекса физиологического оценивания; и автокодировщик для создания сети автокодировщика и итеративной тренировки с применением данных посредством вычисления потерь сети; при этом верные данные после предварительной обработки разделяют на данные о сне с тегом заболевания и данные о сне без тега заболевания, причем данные о сне с тегом заболевания поступают от тела человека, страдающего заболеванием известного типа, в то время как данные о сне без тега заболевания поступают от тела человека с состоянием, соответствующим неизвестному заболеванию; при этом процесс ввода верных данных в модель обучения искусственного интеллекта для тренировки включает: отправку данных о сне без тега заболевания после предварительной обработки в сеть автокодировщика для вычисления и получения неконтролируемых потерь сети, при этом вычислительный метод неконтролируемых потерь сети включает: отправку данных о сне без тега заболевания после предварительной обработки в глубокий автокодировщик сети автокодировщика для получения среднеквадратичной разности между входными значениями и выходными значениями, и присвоение такой разности неконтролируемым потерям сети; отправку данных о сне с тегом заболевания после предварительной обработки в сеть автокодировщика, имеющую те же параметры, что и сеть автокодировщика, для получения выходных данных уменьшения размерности промежуточного слоя и вычисления, нужного для получения контролируемых потерь сети, при этом вычислительный метод контролируемых потерь сети включает: разделение выходных данных уменьшения размерности промежуточного слоя на разные категории в соответствии с тегом заболевания, выявление центральной точки каждой категории, вычисление расстояния от данных той же категории до центральных точек той же категории, и присвоение суммы полученных расстояний контролируемым потерям сети; и регулирование параметров сетевой структуры с использованием алгоритма обратного распространения, итеративную тренировку в рамках двух вышеупомянутых этапов, и остановку итерации после прекращения изменения полученной суммы неконтролируемых потерь сети и контролируемых потерь сети или достижения максимума итераций, причем полученные данные о сне затем используют в качестве индекса физиологического оценивания. Группа изобретений обеспечивает оценку здоровья человека на основе данных большого объема о сне. 3 н. и 4 з.п. ф-лы, 4 ил.

1. Способ оценки здоровья человека на основе данных большого объема о сне, включающий этапы:

получения различных физиологических данных о теле человека во время сна с помощью датчика, установленного на электрической кровати или умной кровати, содержащей электрическую систему контроля, и постоянного хранения этих данных о сне на облачном сервере, при этом облачный сервер взаимодействует с базой данных системы контроля для получения данных о сне в режиме реального времени;

предварительной обработки данных о сне, хранимых на облачном сервере, для отсеивания неполных и неверных данных и ввода верных данных в модель обучения искусственного интеллекта для тренировки таким образом, чтобы модель обучения искусственного интеллекта изучала особенности заболеваний и проводила вычисления с целью получения индекса физиологического оценивания;

тренировки модели классификатора с использованием особенностей заболеваний в данных, изученных с помощью модели обучения искусственного интеллекта, таким образом, чтобы модель классификатора могла идентифицировать типы заболеваний, соответствующие различным данным; и

генерирования отчета об анализе состояния здоровья человека в соответствии с индексом физиологического оценивания человека и моделью классификатора, полученной при тренировке с применением данных;

при этом верные данные после предварительной обработки разделяют на данные о сне с тегом заболевания и данные о сне без тега заболевания, причем данные о сне с тегом заболевания поступают от тела человека, страдающего заболеванием известного типа, в то время как данные о сне без тега заболевания поступают от тела человека с состоянием, соответствующим неизвестному заболеванию;

при этом процесс ввода верных данных в модель обучения искусственного интеллекта для тренировки включает:

отправку данных о сне без тега заболевания после предварительной обработки в сеть автокодировщика для вычисления и получения неконтролируемых потерь сети, при этом вычислительный метод неконтролируемых потерь сети включает: отправку данных о сне без тега заболевания после предварительной обработки в глубокий автокодировщик сети автокодировщика для получения среднеквадратичной разности между входными значениями и выходными значениями, и присвоение такой разности неконтролируемым потерям сети;

отправку данных о сне с тегом заболевания после предварительной обработки в сеть автокодировщика, имеющую те же параметры, что и сеть автокодировщика, для получения выходных данных уменьшения размерности промежуточного слоя и вычисления, нужного для получения контролируемых потерь сети, при этом вычислительный метод контролируемых потерь сети включает: разделение полученных выходных данных уменьшения размерности промежуточного слоя на разные категории в соответствии с тегом заболевания, выявление центральной точки каждой категории, вычисление расстояния от данных той же категории до центральных точек той же категории, и присвоение суммы полученных расстояний контролируемым потерям сети; и

регулирование параметров сетевой структуры с использованием алгоритма обратного распространения, итеративную тренировку в рамках двух вышеупомянутых этапов, и остановку итерации после прекращения изменения полученной суммы неконтролируемых потерь сети и контролируемых потерь сети или достижения максимума итераций, причем полученные данные о сне затем используют в качестве индекса физиологического оценивания.

2. Способ оценки здоровья человека на основе данных большого объема о сне по п. 1, отличающийся тем, что разные физиологические данные тела человека во время сна включают: информацию о частоте сердечных сокращений, частоте дыхания, переворачивании, беспокойстве, храпе и покидании кровати.

3. Способ оценки здоровья человека на основе данных большого объема о сне по п. 1, отличающийся тем, что включает: ввод выходных данных уменьшения размерности промежуточного слоя, полученных из данных о сне с тегом заболевания в сети автокодировщика, в классификатор для тренировки одной модели классификатора.

4. Способ оценки здоровья человека на основе данных большого объема о сне по п. 3, отличающийся тем, что индекс физиологического оценивания используют для оценивания того, находится ли тело человека в болезненном состоянии, а модель классификатора используют для анализа типа заболевания тела человека.

5. Система оценки здоровья человека на основе данных большого объема о сне, содержащая:

блок получения данных о сне для получения разных физиологических данных о теле человека во время сна, причем данные поступают от датчика, установленного на электрической кровати или умной кровати, содержащей электрическую систему контроля;

блок хранения данных о сне, содержащий облачный сервер для хранения всех данных о сне, собранных блоком получения данных о сне, при этом облачный сервер выполнен с возможностью взаимодействия с базой данных системы контроля для получения данных о сне в режиме реального времени;

блок тренировки с применением данных для предварительной обработки данных о сне и тренировки с применением данных посредством модели обучения искусственного интеллекта для получения индекса физиологического оценивания;

блок тренировки модели классификатора для выполнения тренировки модели классификатора на данных о сне, полученных при тренировке модели обучения искусственного интеллекта; и

блок генерирования отчета для генерирования отчета об анализе состояния здоровья человека в соответствии с индексом физиологического оценивания человека и моделью классификатора, полученной на основе тренировки с применением данных;

при этом блок тренировки с применением данных содержит:

препроцессор для обработки данных, предназначенный для отсеивания неполных и неверных данных о сне, хранимых на облачном сервере, и ввода верных данных в модель обучения искусственного интеллекта для тренировки таким образом, чтобы модель обучения искусственного интеллекта могла изучать особенности заболеваний и проводить вычисления с целью получения индекса физиологического оценивания; и

автокодировщик для создания сети автокодировщика и итеративной тренировки с применением данных посредством вычисления потерь сети;

при этом верные данные после предварительной обработки разделяют на данные о сне с тегом заболевания и данные о сне без тега заболевания, причем данные о сне с тегом заболевания поступают от тела человека, страдающего заболеванием известного типа, в то время как данные о сне без тега заболевания поступают от тела человека с состоянием, соответствующим неизвестному заболеванию;

при этом процесс ввода верных данных в модель обучения искусственного интеллекта для тренировки включает:

отправку данных о сне без тега заболевания после предварительной обработки в сеть автокодировщика для вычисления и получения неконтролируемых потерь сети, при этом вычислительный метод неконтролируемых потерь сети включает: отправку данных о сне без тега заболевания после предварительной обработки в глубокий автокодировщик сети автокодировщика для получения среднеквадратичной разности между входными значениями и выходными значениями, и присвоение такой разности неконтролируемым потерям сети;

отправку данных о сне с тегом заболевания после предварительной обработки в сеть автокодировщика, имеющую те же параметры, что и сеть автокодировщика, для получения выходных данных уменьшения размерности промежуточного слоя и вычисления, нужного для получения контролируемых потерь сети, при этом вычислительный метод контролируемых потерь сети включает: разделение выходных данных уменьшения размерности промежуточного слоя на разные категории в соответствии с тегом заболевания, выявление центральной точки каждой категории, вычисление расстояния от данных той же категории до центральных точек той же категории, и присвоение суммы полученных расстояний контролируемым потерям сети; и

регулирование параметров сетевой структуры с использованием алгоритма обратного распространения, итеративную тренировку в рамках двух вышеупомянутых этапов, и остановку итерации после прекращения изменения полученной суммы неконтролируемых потерь сети и контролируемых потерь сети или достижения максимума итераций, причем полученные данные о сне затем используют в качестве индекса физиологического оценивания.

6. Терминальное устройство, при этом устройство содержит систему оценки здоровья человека на основе данных большого объема о сне по п. 5.

7. Терминальное устройство по п. 6, отличающееся тем, что устройство дополнительно содержит управляющий механизм для управления блоком генерирования отчета по п. 5 для генерирования отчета.