基于预测模型的健康管理方法、装置和计算机设备与流程

本申请涉及计算机技术领域，特别涉及一种基于预测模型的健康管理方法、装置和计算机设备。

背景技术：

现有的检测身体是通过去到医院进行检查，再通过医生审核得到对应的结论，需要等到用户去做检查才能发现存在的问题，而随着信息技术的不断发展，如何方便检测身体的健康状态越来越成为现有人们关注的重点，如何实现提前发现身体的健康状态，以便及时进行防御成为人们关注的问题。

技术实现要素：

本申请的主要目的为提供一种基于预测模型的健康管理方法、装置和计算机设备，用于用户的健康管理。

为实现上述目的，本申请提供了一种基于预测模型的健康管理方法，包括以下步骤：

获取用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息；

将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果；

根据所述健康结果数据从数据库中查询到对应的健康方案；

将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端。

进一步地，所述将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤，包括：

若获取所述用户的生理特征信息为所述声音信息，则将所述声音信息输入到声音模型中进行预测，预测出所述声音信息的健康结果；其中，所述声音模型是利用已知声音以及已知声音的健康状态，基于lstm神经网络训练得到。

进一步地，所述将所述生理特征的信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤，还包括：

若所述用户的生理特征信息为所述血液对可见光的吸收度的信息，根据所述血液对可见光的吸收度的信息获取到对应的心脏跳动图像；

将所述心脏跳动图像输入到心电模型中进行预测，预测出所述心脏跳动图像的健康结果，其中，所述心电模型是利用已知的人体心脏跳动的状态变化，基于卷积神经网络或者深层神经网络训练得到。

进一步地，所述获取所述用户的生理特征信息包括：

当所述用户的生理特征信息包括所述声音信息时，获取所述用户的待识别的所有声音信号；

将所述待识别的所有声音信号输入预设的声音过滤模型中进行过滤，过滤出所述声音信息；其中，所述声音过滤模型是利用已知的各类声音数据，基于fastica神经网络训练得到。

进一步地，所述将所述健康结果数据以及所述健康方案发送给对应的用户端的步骤之后，还包括：

获取所述用户的当前状态的照片以及所述用户所处的当前环境状态的照片；

将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中。

进一步地，所述将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中的步骤之后，还包括：

将所述当前状态的照片以及所述当前环境状态的照片发送至指定的移动设备中。

进一步地，所述根据所述健康结果数据从数据库中查询到对应的健康方案的步骤之前，包括：

获取各种健康方案；

将所有的所述健康方案存储于所述数据库中；

建立所述健康方案与各种健康结果数据的对应关系。

本申请还提供了一种基于预测模型的健康管理装置，包括：

第一获取模块，用于获取用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息；

第一预测模块，用于将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果。

查询模块，用于根据所述健康结果数据从数据库中查询到对应的健康方案；

显示模块，用于将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端。

本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请中提供的基于预测模型的健康管理方法、装置和计算机设备，具有以下有益效果：

通过获取到用户的生理特征信息，将获取到的生理特征信息输入到对应的预测模型中进行预测，进而获取到对应的健康结果，以便用户能及时发现自身的身体状态，并获取到对应的健康方案，让用户注意身体健康情况以降低用户的出险几率。

附图说明

图1是本申请一实施例中基于预测模型的健康管理方法步骤示意图；

图2是本申请一实施例中基于预测模型的健康管理装置结构框图；

图3是本申请一实施例的计算机设备的结构示意框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，为本申请一实施例中提供了一种基于预测模型的健康管理方法，包括以下步骤：

步骤s1，获取用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息；

步骤s2，将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果；

步骤s3，根据所述健康结果数据从数据库中查询到对应的健康方案；

步骤s4，将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端。

以上步骤中，通过获取到用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息，将获取到的生理特征信息输入到对应的预测模型中进行预测，获取到对应的健康结果。

预先设置有针对不同的健康结果数据所对应的健康方案于系统中，并将每一结果数据所对应的健康方案输入到系统内，存储于数据库中，根据获取到的健康结果数据，从系统内的数据库中查找并获取到对应的健康方案，如获取到运动时呼吸次数明显比多数人要多，预测出用户的身体虚弱，则根据该结果数据获取到对应的健康方案，如锻炼身体及锻炼的时间时长，将对应的结果数据以及健康方案显示于用户端的显示界面上，用于提醒用户关注自身的身体机能，提前预防疾病。

在一实施例中，将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤s2，包括：

步骤s21，若获取所述用户的生理特征信息为所述声音信息，则将所述声音信息输入到声音模型中进行预测，预测出所述声音信息的健康结果；其中，所述声音模型是利用已知声音以及已知声音的健康状态，基于lstm神经网络训练得到。

以上步骤中，获取到待识别的声音信息，声音信息包括心跳声音或者呼吸声音或者关节声音等身体生理特征的声音，每一声音信息对应有对应的声音模型，通过将声音信息输入到对应的声音模型中，用于预测输入到对应的声音模型中的指定声音的健康结果。

上述lstm神经网络(longshort-termmemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。声音模型可以包括心脏模型、肺部模型或者关节模型等，如心脏模型通过已知的健康心脏或者不健康跳动的波动、周期等基于lstm神经网络中训练。如在一具体实施例中，将心跳声音输入到对应的声音模型中，此处的声音模型为心脏模型，通过心脏模型预测出心跳的次数是否正常，心脏是否有杂音，进而得到用户的心脏的健康状况；将呼吸声音输入到对应的肺部模型中用以识别用户呼吸强弱，呼吸次数、是否有呼吸杂音，进而得到用户的肺部的健康状况；在另一个关节模型中，将关节声音输入到关节模型中，以预测出用户的关节是否为过渡劳损，进而得到用户的关节的健康状况。

在一实施例中，将所述生理特征的信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤s2，还包括：

步骤s201，若所述用户的生理特征信息为所述血液对可见光的吸收度的信息，根据所述血液对可见光的吸收度的信息解析出对应的心脏跳动图像；

步骤s202，将所述心脏跳动图像输入到心电模型中进行预测，预测出所述心脏跳动图像的健康结果，其中，所述心电模型是利用已知的人体心脏跳动的状态变化，基于卷积神经网络或者深层神经网络训练得到。

以上步骤中，通过光学原理，获取用户的身体血液对可见光的吸收度的信息，进而可以解析出对应的用户的心脏跳动图像，将该心脏跳动图像输入到对应的心电模型中，预测出对应的健康情况，在另一实施例中，还可以通过获取到对应的心脏跳动图像获取到对应的心跳率，再通过从声音模型中所获取到的心跳声音进行对比，进而判断用户的心脏是否产生问题，提高判断的准确性。

上述卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现，包括卷积层(convolutionallayer)和池化层(poolinglayer)。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。深度神经网算法(dnn)用于实现逻辑运算的功能，提高识别率。

利用光学以及声学原理以及模型预测，将获取到的对应结果进行结合，获取到与用户相关的身体状况信息，如是否容易失眠、是否睡眠不足，是否运动过量，是否运动不足，是否经常打嗝，是否容易动怒，是否抑郁或者孤僻等等，可以进一步对用户身体状况进行判断，并给出对应的建议以及提醒。

在其他实施例中，还可以通过结合所测的血压、血流速、检测基因突变等等数据，对用户的身体状态进行预测判断，提高检测用户的身体状态的准确性，以便提前为用户预知身体健康状态。

在一实施例中，所述获取所述用户的生理特征信息包括：

步骤s211，当所述用户的生理特征信息包括所述声音信息时，获取所述用户的待识别的所有声音信号；

步骤s212，将所述待识别的所有声音信号输入预设的声音过滤模型中进行过滤，过滤出所述声音信息；其中，所述声音过滤模型是利用已知的各类声音数据，基于fastica神经网络训练得到。

以上步骤中，可通过可穿戴设备获取到用户的生理特征，其包括通过光学、声学、温度传感等技术无感采集人体生理特征的数据，如采集用户的体温、心跳声音、呼吸声音、关节声音、血流量等等。

上述fastica为独立成分分析(independentcomponentanalysis，ica)，从混合数据中提取出原始的独立信号，基于定点递推算法得到的，对任何类型的数据都适用，同时对运用ica分析高维的数据成为可能。又称固定点(fixed-point)算法，是一种快速寻优迭代算法，与普通的神经网络算法不同的是这种算法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。但是从分布式并行处理的观点看该算法是一种神经网络算法。fastica算法有基于四阶累积量、基于似然最大、基于负熵最大等形式，该算法采用了定点迭代的优化算法，使得收敛更加快速、稳健。

将已知的各类声音数据输入到fastica中分析，训练出声音分析模型，如在一具体实施例中，将心脏跳动的声音、肺部呼吸的声音信号等等输入到fastica神经网络训练，获取到用于将心跳、呼吸等各类声音过滤出来的声音过滤模型。如在一具体实施例中，将心跳声音、呼吸声音以及关节声音过滤出来，通过获取到每一类型声音的特征，如获取到心跳的频率范围，呼吸的频率等等，将已知的声音的特征及其数据基于fastica神经网络中训练，得到声音过滤模型，并可通过fastica对获取到的人体声音进行过滤，进而将过滤后的心跳声音输入到预设的声音模型中，此处的声音模型为心脏模型，通过心脏模型预测出心跳的次数是否正常，心脏是否有杂音，进而得到用户的心脏的健康状况；将过滤后的呼吸声音输入到预设的肺部模型中用以识别用户呼吸强弱，呼吸次数、是否有呼吸杂音，进而得到用户的肺部的健康状况；在另一个关节模型中，将过滤后的关节声音输入到关节模型中，以预测出用户的关节是否为过渡劳损，进而得到用户的关节的健康状况。

当用户获取到自身的身体健康结果和健康方案，用户可以设置定时健康提醒功能以及预设所要进行的健康管理，以便定时提醒用户进行健康管理，如用户穿戴好设备后，显示界面显示其所要做的健康事情，可以震动提醒或者语音播报，以便提醒用户进行健康管理，如提醒用户需要进行锻炼，锻炼的时长，再如提醒用户按时吃药或者吃健康补品等等，以便用户能更好的管理自身健康。定时再次获取用户的健康结果数据，并显示于显示界面上，并提醒用户是否往好的趋势亦或者越来越差，若检测到用户的健康状况越来越差，则建议用户去医院咨询。

在一实施例中，所述将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端的步骤s4之后，还包括：

步骤s43，获取所述用户的当前状态的照片以及所述用户所处的当前环境状态的照片；

步骤s44，将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中。

以上步骤中，通过可穿戴设备上安装有可拍摄当前环境的摄像机，用于获取到用户所处的当前状态以及当前环境，如拍摄到用户肌肤呈现的烫伤、皮炎等等，将拍摄的照片发送至系统的存储库中，并通过关联用户家属的可移动设备，以便用户家属可以随时查看存储库中所拍摄的用户的状态，可以第一时间获取到用户的身体状况。还可以预先设置好用户与其家属的通讯连接，若可穿戴设备检测出用户异常时，可以自动呼叫，以便用户家属可以第一时间获取到用户的状况，及时关注用户的身体情况，也可以在判断是否误报，降低出险的概率，避免错过黄金抢救时机。

在其他实施例中，还可以通过内置有用于检测用户身体病变部位或者增强的身体部位的摄像头，将拍照的照片进行上传，并通过cnn模型或者dnn模型对拍摄的图片进行分类，并由相应的医学专家或者健身专家根据该分类数据给予健康的提升方案。

利用可穿戴设备收集身体各种健康指标信息，经过分离模型将数据清洗过后，进入不同类型的模型进行异常诊断，并将异常信息发送给用户或者用户家属，可以及早的决定就医或者使用在线专家服务，如果要想降低异常或者治愈疾病，可继续交由诊断模型进行追踪提醒，让整个群体的养成更好的生活习惯，达到提供客户身体素质不断提高、保险费用不断降低的效果。

在一实施例中，所述将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中的步骤s44之后，还包括：

步骤s45，将所述当前状态的照片以及所述当前环境状态的照片发送至指定的移动设备中。

以上步骤中，通过关联用户家属的可移动设备，以便用户家属可以随时查看存储库中所拍摄的用户的状态，或者将所述当前状态的照片以及所述当前环境状态的照片发送至用户家属关联的移动设备中，以便用户家属可以第一时间获取到用户的身体状况。还可以预先设置好用户与其家属的通讯连接，若可穿戴设备检测出用户异常时，可以自动呼叫，以便用户家属可以第一时间获取到用户的状况，及时关注用户的身体情况，也可以在判断是否误报，降低出险的概率，避免错过黄金抢救时机。

在一实施例中，所述根据所述健康结果数据从数据库中查询到对应的健康方案的步骤s3之前，包括：

步骤s301，获取各种健康方案；

步骤s302，将所有的所述健康方案存储于数据库中；

步骤s303，建立所述健康方案与各种健康结果数据的对应关系。

以上步骤中，预先获取到各种针对不同的健康结果数据而设置的健康方案，其中，每一健康方案均设置有对应的方案标签，该方案标签可根据健康方案的类型、着重点等进行标签，将所有的健康方案存储于数据库中，获取每一健康结果对应的第一健康标签，其中，所有第一健康标签为预设的标签，所有的第一标签均可以从数据库中查找到相同的方案标签，通过第一健康标签去数据库中进行查找，查找与所述第一健康标签相同的方案标签，并建立健康方案与各种健康结果数据的对应关系，以便根据健康结果数据从数据库中获取到对应的健康方案，如获取到运动时呼吸次数明显比多数人要多，根据获取到的用户状态预测出用户的身体虚弱后，则根据该结果数据获取到对应的健康方案，如锻炼身体及锻炼的时间时长，将对应的结果数据以及健康方案显示于用户端的显示界面上，用于提醒用户关注自身的身体机能，提前预防疾病。

综上所述，为本申请实施例中提供的基于预测模型的健康管理方法，通过获取到用户的生理特征信息，将获取到的生理特征信息输入到对应的预测模型中进行预测，进而获取到对应的健康结果，以便用户能及时发现自身的身体状态，并获取到对应的健康方案，让用户注意身体健康情况以降低用户的出险几率。

参照图2，本申请一实施例中还提供了一种基于预测模型的健康管理装置，包括：

第一获取模块10，用于获取用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息；

第一预测模块20，用于将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果。

查询模块30，用于根据所述健康结果数据从数据库中查询到对应的健康方案；

显示模块40，用于将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端。

本实施例中，第一获取模块10获取到用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息，第一预测模块20将获取到的生理特征信息输入到对应的预测模型中进行预测，获取到对应的健康结果。

预先设置有针对不同的健康结果数据所对应的健康方案于系统中，并将每一结果数据所对应的健康方案输入到系统内，存储于数据库中，根据获取到的健康结果数据，查询模块30从系统内的数据库中查找并获取到对应的健康方案，如获取到运动时呼吸次数明显比多数人要多，预测出用户的身体虚弱，则根据该结果数据获取到对应的健康方案，如锻炼身体及锻炼的时间时长，显示模块40将对应的结果数据以及健康方案显示于用户端的显示界面上，用于提醒用户关注自身的身体机能，提前预防疾病。

在一实施例中，第一预测模块20包括：

第一预测单元，用于若获取所述用户的生理特征信息为所述声音信息，则将所述声音信息输入到声音模型中进行预测，预测出所述声音信息的健康结果；其中，所述声音模型是利用已知声音以及已知声音的健康状态，基于lstm神经网络训练得到。

在本实施例中，第一预测单元获取到待识别的声音信息，声音信息包括心跳声音或者呼吸声音或者关节声音等身体生理特征的声音，每一声音信息对应有对应的声音模型，通过将声音信息输入到对应的声音模型中，用于预测输入到对应的声音模型中的指定声音的健康结果。

上述lstm神经网络(longshort-termmemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。声音模型可以包括心脏模型、肺部模型或者关节模型等，如心脏模型通过已知的健康心脏或者不健康跳动的波动、周期等基于lstm神经网络中训练。如在一具体实施例中，将心跳声音输入到对应的声音模型中，此处的声音模型为心脏模型，通过心脏模型预测出心跳的次数是否正常，心脏是否有杂音，进而得到用户的心脏的健康状况；将呼吸声音输入到对应的肺部模型中用以识别用户呼吸强弱，呼吸次数、是否有呼吸杂音，进而得到用户的肺部的健康状况；在另一个关节模型中，将关节声音输入到关节模型中，以预测出用户的关节是否为过渡劳损，进而得到用户的关节的健康状况。

在一实施例中，第一预测模块20还包括：

第一解析单元，用于若所述用户的生理特征信息为所述血液对可见光的吸收度的信息，根据所述血液对可见光的吸收度的信息解析出对应的心脏跳动图像；

第二预测单元，用于将所述心脏跳动图像输入到心电模型中进行预测，预测出所述心脏跳动图像的健康结果，其中，所述心电模型是利用已知的人体心脏跳动的状态变化，基于卷积神经网络或者深层神经网络训练得到。

在本实施例中，通过光学原理，获取用户的身体血液对可见光的吸收度的信息，进而可以通过第一解析单元解析出对应的用户的心脏跳动图像，第二预测单元将该心脏跳动图像输入到对应的心电模型中，预测出对应的健康情况，在另一实施例中，还可以通过获取到对应的心脏跳动图像获取到对应的心跳率，再通过从声音模型中所获取到的心跳声音进行对比，进而判断用户的心脏是否产生问题，提高判断的准确性。

上述卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现，包括卷积层(convolutionallayer)和池化层(poolinglayer)。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。深度神经网算法(dnn)用于实现逻辑运算的功能，提高识别率。

利用光学以及声学原理以及模型预测，将获取到的对应结果进行结合，获取到与用户相关的身体状况信息，如是否容易失眠、是否睡眠不足，是否运动过量，是否运动不足，是否经常打嗝，是否容易动怒，是否抑郁或者孤僻等等，可以进一步对用户身体状况进行判断，并给出对应的建议以及提醒。

在其他实施例中，还可以通过结合所测的血压、血流速、检测基因突变等等数据，对用户的身体状态进行预测判断，提高检测用户的身体状态的准确性，以便提前为用户预知身体健康状态。

在一实施例中，第一预测单元包括：

第一获取子单元，用于当所述用户的生理特征信息包括所述声音信息时，获取所述用户的待识别的所有声音信号；

过滤子单元，用于将所述待识别的所有声音信号输入预设的声音过滤模型中进行过滤，过滤出所述声音信息；其中，所述声音过滤模型是利用已知的各类声音数据，基于fastica神经网络训练得到。

在本实施例中，可通过可穿戴设备获取到用户的生理特征，其包括通过光学、声学、温度传感等技术无感采集人体生理特征的数据，如采集用户的体温、心跳声音、呼吸声音、关节声音、血流量等等。

上述fastica为独立成分分析(independentcomponentanalysis，ica)，从混合数据中提取出原始的独立信号，基于定点递推算法得到的，对任何类型的数据都适用，同时对运用ica分析高维的数据成为可能。又称固定点(fixed-point)算法，是一种快速寻优迭代算法，与普通的神经网络算法不同的是这种算法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。但是从分布式并行处理的观点看该算法是一种神经网络算法。fastica算法有基于四阶累积量、基于似然最大、基于负熵最大等形式，该算法采用了定点迭代的优化算法，使得收敛更加快速、稳健。

将已知的各类声音数据输入到fastica中分析，训练出声音分析模型，如在一具体实施例中，将心脏跳动的声音、肺部呼吸的声音信号等等输入到fastica神经网络训练，获取到用于将心跳、呼吸等各类声音过滤出来的声音过滤模型。如在一具体实施例中，将心跳声音、呼吸声音以及关节声音过滤出来，通过获取到每一类型声音的特征，如获取到心跳的频率范围，呼吸的频率等等，将已知的声音的特征及其数据基于fastica神经网络中训练，得到声音过滤模型，并可通过fastica对获取到的人体声音进行过滤，进而将过滤后的心跳声音输入到预设的声音模型中，此处的声音模型为心脏模型，通过心脏模型预测出心跳的次数是否正常，心脏是否有杂音，进而得到用户的心脏的健康状况；将过滤后的呼吸声音输入到预设的肺部模型中用以识别用户呼吸强弱，呼吸次数、是否有呼吸杂音，进而得到用户的肺部的健康状况；在另一个关节模型中，将过滤后的关节声音输入到关节模型中，以预测出用户的关节是否为过渡劳损，进而得到用户的关节的健康状况。

当用户获取到自身的身体健康结果和健康方案，用户可以设置定时健康提醒功能以及预设所要进行的健康管理，以便定时提醒用户进行健康管理，如用户穿戴好设备后，显示界面显示其所要做的健康事情，可以震动提醒或者语音播报，以便提醒用户进行健康管理，如提醒用户需要进行锻炼，锻炼的时长，再如提醒用户按时吃药或者吃健康补品等等，以便用户能更好的管理自身健康。定时再次获取用户的健康结果数据，并显示于显示界面上，并提醒用户是否往好的趋势亦或者越来越差，若检测到用户的健康状况越来越差，则建议用户去医院咨询。

在一实施例中，基于预测模型的健康管理装置还包括：

第二获取模块，用于获取所述用户的当前状态的照片以及所述用户所处的当前环境状态的照片；

第一发送模块，将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中。

在本实施例中，通过可穿戴设备上安装有可拍摄当前环境的摄像机，用于第二获取模块获取到用户所处的当前状态以及当前环境，如拍摄到用户肌肤呈现的烫伤、皮炎等等，第一发送模块将拍摄的照片发送至系统的存储库中，并通过关联用户家属的可移动设备，以便用户家属可以随时查看存储库中所拍摄的用户的状态，可以第一时间获取到用户的身体状况。还可以预先设置好用户与其家属的通讯连接，若可穿戴设备检测出用户异常时，可以自动呼叫，以便用户家属可以第一时间获取到用户的状况，及时关注用户的身体情况，也可以在判断是否误报，降低出险的概率，避免错过黄金抢救时机。

在其他实施例中，还可以通过内置有用于检测用户身体病变部位或者增强的身体部位的摄像头，将拍照的照片进行上传，并通过cnn模型或者dnn模型对拍摄的图片进行分类，并由相应的医学专家或者健身专家根据该分类数据给予健康的提升方案。

利用可穿戴设备收集身体各种健康指标信息，经过分离模型将数据清洗过后，进入不同类型的模型进行异常诊断，并将异常信息发送给用户或者用户家属，可以及早的决定就医或者使用在线专家服务，如果要想降低异常或者治愈疾病，可继续交由诊断模型进行追踪提醒，让整个群体的养成更好的生活习惯，达到提供客户身体素质不断提高、保险费用不断降低的效果。

在一实施例中，基于预测模型的健康管理装置还包括：

第二发送模块，用于将所述当前状态的照片以及所述当前环境状态的照片发送至指定的移动设备中。

以上步骤中，通过关联用户家属的可移动设备，以便用户家属可以随时查看存储库中所拍摄的用户的状态，或者将所述当前状态的照片以及所述当前环境状态的照片发送至用户家属关联的移动设备中，以便用户家属可以第一时间获取到用户的身体状况。还可以预先设置好用户与其家属的通讯连接，若可穿戴设备检测出用户异常时，可以自动呼叫，以便用户家属可以第一时间获取到用户的状况，及时关注用户的身体情况，也可以在判断是否误报，降低出险的概率，避免错过黄金抢救时机。

在一实施例中，基于预测模型的健康管理装置包括：

第三获取模块，用于获取各种健康方案；

存储模块，用于将所有的所述健康方案存储于数据库中；

连接模块，用于建立所述健康方案与各种健康结果数据的对应关系。

以上步骤中，第三获取模块预先获取到各种针对不同的健康结果数据而设置的健康方案，其中，每一健康方案均设置有对应的方案标签，该方案标签可根据健康方案的类型、着重点等进行标签，存储模块将所有的健康方案存储于数据库中，获取每一健康结果对应的第一健康标签，其中，所有第一健康标签为预设的标签，所有的第一标签均可以从数据库中查找到相同的方案标签，通过第一健康标签去数据库中进行查找，查找与所述第一健康标签相同的方案标签，连接模块建立所述健康方案与各种健康结果数据的对应关系，以便根据健康结果数据从数据库中获取到对应的健康方案，如获取到运动时呼吸次数明显比多数人要多，根据获取到的用户状态预测出用户的身体虚弱后，则根据该结果数据获取到对应的健康方案，如锻炼身体及锻炼的时间时长，将对应的结果数据以及健康方案显示于用户端的显示界面上，用于提醒用户关注自身的身体机能，提前预防疾病。

综上所述，为本申请实施例中提供的基于预测模型的健康管理装置，通过获取到用户的生理特征信息，将获取到的生理特征信息输入到对应的预测模型中进行预测，进而获取到对应的健康结果，以便用户能及时发现自身的身体状态，并获取到对应的健康方案，让用户注意身体健康情况以降低用户的出险几率。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储声音模型、声音过滤模型、心电模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于预测模型的健康管理方法。

上述处理器执行上述基于预测模型的健康管理方法的步骤：

获取用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息；

将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果；

根据所述健康结果数据从数据库中查询到对应的健康方案；

将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端。

在一实施例中，所述处理器将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤，包括：

若获取所述用户的生理特征信息为所述声音信息，则将所述声音信息输入到声音模型中进行预测，预测出所述声音信息的健康结果；其中，所述声音模型是利用已知声音以及已知声音的健康状态，基于lstm神经网络训练得到。

在一实施例中，所述处理器将所述生理特征的信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤，还包括：

若所述用户的生理特征信息为所述血液对可见光的吸收度的信息，根据所述血液对可见光的吸收度的信息解析出对应的心脏跳动图像；

将所述心脏跳动图像输入到心电模型中进行预测，预测出所述心脏跳动图像的健康结果，其中，所述心电模型是利用已知的人体心脏跳动的状态变化，基于卷积神经网络或者深层神经网络训练得到。

在一实施例中，所述处理器获取所述用户的生理特征信息包括：

当所述用户的生理特征信息包括所述声音信息时，获取所述用户的待识别的所有声音信号；

将所述待识别的所有声音信号输入预设的声音过滤模型中进行过滤，过滤出待识别的所述声音信息；其中，所述声音过滤模型是利用已知的各类声音数据，基于fastica神经网络训练得到。

在一实施例中，所述处理器将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端的步骤之后，还包括：

获取所述用户的当前状态的照片以及所在的当前环境状态的照片；

将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中。

在一实施例中，所述处理器将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中的步骤之后，还包括：

将所述当前状态的照片以及所述当前环境状态的照片发送至指定的移动设备中。

在一实施例中，所述处理器根据所述健康结果数据从数据库中查询到对应的健康方案的步骤之前，包括：

获取各种健康方案；

将所有的所述健康方案存储于所述数据库中；

建立所述健康方案与各种健康结果数据的对应关系。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请一实施例还提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于预测模型的健康管理方法，具体为：

获取用户的生理特征信息，其中，所述生理特征信息包括但不限于以下信息中的一种或者多种：声音信息和血液对可见光的吸收度的信息；

将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果；

根据所述健康结果数据从数据库中查询到对应的健康方案；

将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端。

在一实施例中，所述处理器将所述生理特征信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤，包括：

若获取所述用户的生理特征信息为所述声音信息，则将所述声音信息输入到声音模型中进行预测，预测出所述声音信息的健康结果；其中，所述声音模型是利用已知声音以及已知声音的健康状态，基于lstm神经网络训练得到。

在一实施例中，所述处理器将所述生理特征的信息输入到对应的预测模型中预测，获取到对应的健康结果的步骤，还包括：

若所述用户的生理特征信息为所述血液对可见光的吸收度的信息，根据所述血液对可见光的吸收度的信息解析出对应的心脏跳动图像；

将所述心脏跳动图像输入到心电模型中进行预测，预测出所述心脏跳动图像的健康结果，其中，所述心电模型是利用已知的人体心脏跳动的状态变化，基于卷积神经网络或者深层神经网络训练得到。

在一实施例中，所述处理器获取所述用户的生理特征信息包括：

当所述用户的生理特征信息包括所述声音信息时，获取所述用户的待识别的所有声音信号；

将所述待识别的所有声音信号输入预设的声音过滤模型中进行过滤，过滤出所述声音信息；其中，所述声音过滤模型是利用已知的各类声音数据，基于fastica神经网络训练得到。

在一实施例中，所述处理器将所述健康结果数据以及所述健康方案发送给所述用户对应的用户端的步骤之后，还包括：

获取所述用户的当前状态的照片以及所述用户所处的当前环境状态的照片；

将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中。

在一实施例中，所述处理器将获取到的所述当前状态的照片以及所述当前环境状态的照片发送至存储库中的步骤之后，还包括：

将所述当前状态的照片以及所述当前环境状态的照片发送至指定的移动设备中。

在一实施例中，所述处理器根据所述健康结果数据从数据库中查询到对应的健康方案的步骤之前，包括：

获取各种健康方案；

将所有的所述健康方案存储于所述数据库中；

建立所述健康方案与各种健康结果数据的对应关系。

综上所述，为本申请实施例中提供的基于预测模型的健康管理方法、装置和计算机设备，通过获取到用户的生理特征信息，将获取到的生理特征信息输入到对应的预测模型中进行预测，进而获取到对应的健康结果，以便用户能及时发现自身的身体状态，并获取到对应的健康方案，让用户注意身体健康情况以降低用户的出险几率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。