本發(fā)明涉及人工智能和健康數(shù)據(jù)監(jiān)測，具體地，涉及一種基于智能穿戴設(shè)備的亞健康狀態(tài)智能轉(zhuǎn)化的策略生成方法和系統(tǒng)。

背景技術(shù)：

1、人們對健康的關(guān)注度日益提高，年輕人群中亞健康狀態(tài)作為一種介于健康與疾病之間的身體狀態(tài)也廣泛存在。據(jù)相關(guān)統(tǒng)計數(shù)據(jù)顯示，在快節(jié)奏的生活和工作環(huán)境下，如長期的疲勞、睡眠質(zhì)量差、身體抵抗力下降等。從亞健康狀態(tài)到逐漸發(fā)展為各種疾病，往往有一個漫長的過程。然而，傳統(tǒng)的健康管理方法難以提供精準、個性化的干預(yù)措施來有效預(yù)防與改善從健康狀態(tài)到疾病癥狀產(chǎn)生的不良改變。

2、人工智能技術(shù)背景下，常見的可穿戴設(shè)備如智能手環(huán)等，能夠?qū)崟r監(jiān)測用戶的多項生理數(shù)據(jù)，如心率、血壓、行走步數(shù)、睡眠時長等。隨著技術(shù)的不斷發(fā)展，其積累的大量用戶數(shù)據(jù)為分析、預(yù)測和改善健康狀態(tài)提供了可能。但如何從這些海量的數(shù)據(jù)中挖掘出有價值的認知信息，制定出科學(xué)可行的健康不良狀態(tài)轉(zhuǎn)化的策略，成為了健康管理中亟待解決的問題。

3、專利申請文獻cn118841120a公開了用于居家健康物聯(lián)網(wǎng)設(shè)備的健康數(shù)據(jù)轉(zhuǎn)化方法及系統(tǒng)，方法包括：構(gòu)建癥狀轉(zhuǎn)化規(guī)則；獲取健康相關(guān)數(shù)據(jù)；查詢是否存在癥狀轉(zhuǎn)化規(guī)則；提取健康設(shè)備id對應(yīng)的癥狀轉(zhuǎn)化規(guī)則，判斷數(shù)據(jù)內(nèi)容是否滿足判定條件；獲取最新的健康相關(guān)數(shù)據(jù)，若當(dāng)前健康設(shè)備id滿足下一步設(shè)備id，且當(dāng)前健康相關(guān)數(shù)據(jù)獲取時間滿足時長閾值，當(dāng)重復(fù)次數(shù)大于癥狀轉(zhuǎn)化規(guī)則中的重復(fù)次數(shù)標志時，置位條件滿足標志并遞增條件滿足次數(shù)；當(dāng)條件滿足次數(shù)大于癥狀轉(zhuǎn)化規(guī)則中的條件滿足次數(shù)閾值時，將當(dāng)前癥狀轉(zhuǎn)化規(guī)則、各健康設(shè)備的健康相關(guān)數(shù)據(jù)作為健康數(shù)據(jù)，與癥狀名稱一起編碼后上報。然而該專利無法完全解決目前存在的技術(shù)問題，也無法滿足本發(fā)明的需求。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于智能穿戴設(shè)備的亞健康狀態(tài)智能轉(zhuǎn)化的策略生成方法和系統(tǒng)。

2、根據(jù)本發(fā)明提供的基于智能穿戴設(shè)備的亞健康狀態(tài)智能轉(zhuǎn)化的策略生成方法，包括：

3、步驟s1：獲取用戶的生理數(shù)據(jù)和非隱私數(shù)據(jù)，所述生理數(shù)據(jù)包括心率、睡眠時長、運動步數(shù)、久坐時間、血氧飽和度、血壓值中的至少一種，所述非隱私數(shù)據(jù)包括年齡、性別、慢性病標簽中的至少一種；

4、步驟s2：將獲取的數(shù)據(jù)劃分為可調(diào)參數(shù)與不可調(diào)參數(shù)，并對連續(xù)值參數(shù)進行離散化區(qū)間劃分；

5、步驟s3：基于離散化后的參數(shù)和狀態(tài)標簽構(gòu)建訓(xùn)練集，訓(xùn)練數(shù)據(jù)模型以計算各可調(diào)參數(shù)的預(yù)期轉(zhuǎn)化率；

6、步驟s4：以不可調(diào)參數(shù)為根節(jié)點，根據(jù)可調(diào)參數(shù)的預(yù)期轉(zhuǎn)化率和可選值構(gòu)建轉(zhuǎn)化樹，并對轉(zhuǎn)化樹進行剪枝優(yōu)化；

7、步驟s5：輸入用戶數(shù)據(jù)及轉(zhuǎn)化目標，遍歷轉(zhuǎn)化樹生成兼容分支列表，計算各分支的優(yōu)度并排序，生成優(yōu)度序列；

8、步驟s6：驗證優(yōu)度序列預(yù)設(shè)前幾位的轉(zhuǎn)化方案，將符合預(yù)期的方案作為備選策略輸出。

9、優(yōu)選地，所述步驟s4中構(gòu)建轉(zhuǎn)化樹的具體步驟包括：

10、步驟s401：基于樣本數(shù)據(jù)構(gòu)建決策樹，提取所有分支及聚類；

11、步驟s402：根據(jù)轉(zhuǎn)化難易程度評分和預(yù)期轉(zhuǎn)化率計算參數(shù)調(diào)整系數(shù)，生成待調(diào)參數(shù)序列；

12、步驟s403：按調(diào)整系數(shù)升序選擇可調(diào)參數(shù)，劃分數(shù)據(jù)集并生成子節(jié)點；

13、步驟s404：遍歷所有可調(diào)參數(shù)生成完整轉(zhuǎn)化樹，并通過剪枝去除冗余分支。

14、優(yōu)選地，所述步驟s5中的優(yōu)度的計算公式為：

15、o＝α1k1+α2k2+α3k3+α4k4+α5k5+α6k6

16、其中，o表示優(yōu)度，α1、α2、α3、α4、α5和α6表示權(quán)重，k1表示行走步數(shù)的關(guān)聯(lián)度，k2表示每日運動時間的關(guān)聯(lián)度，k3表示久坐時間的關(guān)聯(lián)度，k4表示每日卡路里消耗量的關(guān)聯(lián)度，k5表示睡眠時長的關(guān)聯(lián)度，k6表示預(yù)期轉(zhuǎn)化率。

17、優(yōu)選地，所述步驟s5中的行走步數(shù)的關(guān)聯(lián)度的計算公式如下：

18、

19、其中，k1(x)表示行走步數(shù)的關(guān)聯(lián)度，ρ表示可拓距計算操作，d表示可拓位值計算操作，x0表示行走每日步數(shù)最優(yōu)值，x表示行走步數(shù)，x表示每日行走步數(shù)滿足要求范圍，x0表示x中行走步數(shù)較小的若干個范圍，表示x和特定情況下的滿足要求范圍，表示所有行走步數(shù)的可選擇的范圍。

20、優(yōu)選地，所述步驟s5中的預(yù)期轉(zhuǎn)化率的計算公式如下：

21、

22、r(ai,aj)＝p(c|ai,x)-p′(c|aj,x)

23、其中，對于參數(shù)a，參數(shù)a有n個可選值，將這些值表示為a1,a2,…,an；r(ai,aj)表示ai轉(zhuǎn)化為aj的轉(zhuǎn)化率，e(a)是參數(shù)a的預(yù)期轉(zhuǎn)化率；當(dāng)a的兩個參數(shù)值相互轉(zhuǎn)化時，得到一個r值；r(ai,aj)中，ai和aj是參數(shù)a的兩個不同值；只需要計算正值r，即r(ai,aj)>0，σσ表示對所有可能的ai和aj的組合進行求和，r(ai,aj)>0表示只計算r為正值的轉(zhuǎn)化，m表示所有正值r的總數(shù)；

24、對于r(ai,aj)，在決策樹中，對于特定的輸入特征x，到達葉子節(jié)點a，a值為ai，被分類為期望分類c的概率，記為p(c|ai,x)；改變?nèi)~子節(jié)點a的值ai為aj后，對于同樣的輸入特征x，并被分類為期望分類c的新概率，記為p′(c|aj,x)。預(yù)期轉(zhuǎn)化率由轉(zhuǎn)化率的平均數(shù)得來。平均數(shù)將大量數(shù)據(jù)點縮減為一個單一的數(shù)值，簡化數(shù)據(jù)。平均數(shù)提供了一個數(shù)據(jù)集中心位置的度量，提供了對預(yù)期轉(zhuǎn)化率的中心趨勢的度量。轉(zhuǎn)化率基于決策樹，非常直觀。轉(zhuǎn)化率是計算值變化的概率，這種概率基于決策樹提供的分類，從概率分布上看，更加符合實際數(shù)據(jù)的分布特征。由于決策樹的結(jié)構(gòu)清晰，可以很容易地識別哪些決策路徑對轉(zhuǎn)化率有最大的影響。通過優(yōu)化這些關(guān)鍵路徑，可以更有效地提高轉(zhuǎn)化率。決策樹模型可以根據(jù)新的數(shù)據(jù)動態(tài)調(diào)整分類規(guī)則，這意味著隨著用戶行為特征的變化，模型可以不斷優(yōu)化，進而得到更符合需求的轉(zhuǎn)化率。

25、根據(jù)本發(fā)明提供的基于智能穿戴設(shè)備的亞健康狀態(tài)智能轉(zhuǎn)化的策略生成系統(tǒng)，包括：

26、模塊m1：獲取用戶的生理數(shù)據(jù)和非隱私數(shù)據(jù)，所述生理數(shù)據(jù)包括心率、睡眠時長、運動步數(shù)、久坐時間、血氧飽和度、血壓值中的至少一種，所述非隱私數(shù)據(jù)包括年齡、性別、慢性病標簽中的至少一種；

27、模塊m2：將獲取的數(shù)據(jù)劃分為可調(diào)參數(shù)與不可調(diào)參數(shù)，并對連續(xù)值參數(shù)進行離散化區(qū)間劃分；

28、模塊m3：基于離散化后的參數(shù)和狀態(tài)標簽構(gòu)建訓(xùn)練集，訓(xùn)練數(shù)據(jù)模型以計算各可調(diào)參數(shù)的預(yù)期轉(zhuǎn)化率；

29、模塊m4：以不可調(diào)參數(shù)為根節(jié)點，根據(jù)可調(diào)參數(shù)的預(yù)期轉(zhuǎn)化率和可選值構(gòu)建轉(zhuǎn)化樹，并對轉(zhuǎn)化樹進行剪枝優(yōu)化；

30、模塊m5：輸入用戶數(shù)據(jù)及轉(zhuǎn)化目標，遍歷轉(zhuǎn)化樹生成兼容分支列表，計算各分支的優(yōu)度并排序，生成優(yōu)度序列；

31、模塊m6：驗證優(yōu)度序列預(yù)設(shè)前幾位的轉(zhuǎn)化方案，將符合預(yù)期的方案作為備選策略輸出。

32、優(yōu)選地，所述模塊m4中構(gòu)建轉(zhuǎn)化樹的具體步驟包括：

33、模塊m401：基于樣本數(shù)據(jù)構(gòu)建決策樹，提取所有分支及聚類；

34、模塊m402：根據(jù)轉(zhuǎn)化難易程度評分和預(yù)期轉(zhuǎn)化率計算參數(shù)調(diào)整系數(shù)，生成待調(diào)參數(shù)序列；

35、模塊m403：按調(diào)整系數(shù)升序選擇可調(diào)參數(shù)，劃分數(shù)據(jù)集并生成子節(jié)點；

36、模塊m404：遍歷所有可調(diào)參數(shù)生成完整轉(zhuǎn)化樹，并通過剪枝去除冗余分支。

37、優(yōu)選地，所述模塊m5中的優(yōu)度的計算公式為：

38、o＝α1k1+α2k2+α3k3+α4k4+α5k5+α6k6

39、其中，o表示優(yōu)度，α1、α2、α3、α4、α5和α6表示權(quán)重，k1表示行走步數(shù)的關(guān)聯(lián)度，k2表示每日運動時間的關(guān)聯(lián)度，k3表示久坐時間的關(guān)聯(lián)度，k4表示每日卡路里消耗量的關(guān)聯(lián)度，k5表示睡眠時長的關(guān)聯(lián)度，k6表示預(yù)期轉(zhuǎn)化率。

40、優(yōu)選地，所述模塊m5中的行走步數(shù)的關(guān)聯(lián)度的計算公式如下：

41、

42、其中，k1(x)表示行走步數(shù)的關(guān)聯(lián)度，ρ表示可拓距計算操作，d表示可拓位值計算操作，x0表示行走每日步數(shù)最優(yōu)值，x表示行走步數(shù)，x表示每日行走步數(shù)滿足要求范圍，x0表示x中行走步數(shù)較小的若干個范圍，表示x和特定情況下的滿足要求范圍，表示所有行走步數(shù)的可選擇的范圍。

43、優(yōu)選地，所述模塊m5中的預(yù)期轉(zhuǎn)化率的計算公式如下：

44、

45、r(ai,aj)＝p(c|ai,x)-p′(c|aj,x)

46、其中，對于參數(shù)a，參數(shù)a有n個可選值，將這些值表示為a1,a2,…,an；r(ai,aj)表示ai轉(zhuǎn)化為aj的轉(zhuǎn)化率，e(a)是參數(shù)a的預(yù)期轉(zhuǎn)化率；當(dāng)a的兩個參數(shù)值相互轉(zhuǎn)化時，得到一個r值；r(ai,aj)中，ai和aj是參數(shù)a的兩個不同值；只需要計算正值r，即r(ai,aj)>0，σσ表示對所有可能的ai和aj的組合進行求和，r(ai,aj)>0表示只計算r為正值的轉(zhuǎn)化，m表示所有正值r的總數(shù)；

47、對于r(ai,aj)，在決策樹中，對于特定的輸入特征x，到達葉子節(jié)點a，a值為ai，被分類為期望分類c的概率，記為p(c|ai,x)；改變?nèi)~子節(jié)點a的值ai為aj后，對于同樣的輸入特征x，并被分類為期望分類c的新概率，記為p′(c|aj,x)。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

48、(1)本發(fā)明借助智能手環(huán)采集的豐富數(shù)據(jù)，全力構(gòu)建針對人體亞健康狀態(tài)的轉(zhuǎn)化樹體系，以此深入剖析心率、睡眠時長、運動時間、久坐時間及睡眠質(zhì)量等人體參數(shù)在亞健康轉(zhuǎn)化進程中的關(guān)鍵地位與改良優(yōu)先級，憑借對轉(zhuǎn)化樹的全面遍歷操作，系統(tǒng)地更替與組合上述參數(shù)的各類取值，從而源源不斷地催生全新且多元的轉(zhuǎn)化方案；

49、(2)本發(fā)明引入的優(yōu)度排序機制，巧妙融合了方案實施所需的人力、時間等成本因素以及實現(xiàn)亞健康狀態(tài)切實改善的預(yù)期成效，實現(xiàn)對各轉(zhuǎn)化方案的綜合權(quán)衡與精準評估，進而篩選出極具應(yīng)用價值的轉(zhuǎn)化備選策略；

50、(3)本發(fā)明所生成的方案具備強大的適應(yīng)性，無論是面對智能手環(huán)所產(chǎn)出的規(guī)律化時間序列數(shù)據(jù)，還是諸如用戶睡眠感受等非結(jié)構(gòu)化信息，均能高效開展數(shù)據(jù)挖掘工作，為人體亞健康狀態(tài)的智能轉(zhuǎn)化提供堅實有力的技術(shù)支撐與策略指引。