健康管理促进方法、系统以及计算机可读存储介质与流程

1.本发明涉及物联网技术领域，具体地，涉及一种健康管理促进方法、系统以及计算机可读存储介质。


背景技术：

2.随着科技的发展，人们越来越重视自身的健康管理。现有技术中的健康管理系统，虽然能够大量收集用户的健康管理数据，但缺乏对于健康管理数据的可靠加工手段，难以获取健康管理数据中蕴含的大量有用信息。
3.另外，目前的健康管理系统与健康促进系统之间缺乏交互，健康管理系统仅限于数据的管理和呈现，而健康促进计划的制定需要用户自行完成。例如，体脂称可以将用户的体重、体脂等健康管理数据的历史曲线呈现给该用户，但具体如何制定减脂计划，需要用户自行完成，而由用户自行完成的减脂计划通常难以准确定量，从而难以平衡运动的强度和减脂计划的可持续性。或运动强度过大，导致计划搁置；或运动强度过小，导致减脂效果不明显。
4.因此，如何精确量化用户健康促进计划中的各项数据，合理制定健康促进计划，从而在病灶产生之前，消除可能产生病灶的隐患，是健康管理促进系统亟待解决的技术问题。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种健康管理促进方法和健康管理促进系统，能够精确量化用户健康促进计划中的各项数据，合理制定健康促进计划。
6.根据本发明提供的一种健康管理促进方法，包括以下步骤：
7.采集用户的健康管理数据；
8.将预测模型应用于健康管理数据，以生成与健康管理数据对应的健康促进数据；
9.根据健康促进数据，控制健康促进设备的运行。
10.根据上述技术方案，由于健康促进数据基于应用了预测模型的健康管理数据，使健康促进数据能够根据用户健康的未来发展趋势而生成，应用机器学习原理得到更加精确的定量数据，从而通过控制相应的健康促进设备，有效地改善了用户的健康水平，并能够预防用户未来可能面临的健康风险。
11.优选地，还包括：
12.采集包含多个用户的健康管理数据和健康促进数据的数据集；
13.基于数据集，训练预测模型，以确定健康管理数据与健康促进数据的对应关系。
14.根据上述技术方案，丰富了预测模型的数据集内容，基于多个用户的健康管理数据和健康促进数据的数据集，使所训练的预测模型更能精确地确定健康管理数据与健康促进数据的对应关系，以此更精准地生成对应的健康促进数据。
15.优选地，预测模型具有多个，还包括以下步骤：
16.根据用户的标签信息，从多个预测模型中选择健康管理数据应用的预测模型。
17.根据上述技术方案，根据用户的特有条件信息，确定与用户特有条件相匹配的预测模型，并将其应用于健康管理数据，有效提高了预测模型的训练速度和训练效果。
18.优选地，标签信息包含用户的年龄信息、性别信息、身高信息、体重信息、遗传信息、病史信息、家族病史信息中的一种或者多种的组合。
19.优选地，还包括以下步骤：
20.根据用户的健康管理数据的历史数据，分析健康管理数据的变化趋势，从而为该用户的健康促进数据的历史数据打分；
21.将打分结果低于规定阈值的条目，从数据集中去除。
22.根据上述技术方案，通过在数据准备的过程中利用用户的健康管理数据的历史数据对用户的健康促进数据的历史数据打分的方式，优化了训练所使用的数据池的质量，进一步提高了训练效率，优化了训练模型，提高了系统效率。
23.优选地，还包括以下步骤：
24.为多个用户的健康管理数据的变化趋势提供排名，并将排名结果发送至多个用户。
25.根据上述技术方案，由于生成了多个用户的健康管理数据的变化趋势的排名信息，一方面可以通过横向对比各用户的健康促进计划的效果，优化健康促进数据的预测模型，另一方面方便各用户参考高排名用户的健康促进计划，对自己的健康促进计划进行主动修正。
26.优选地，还包括以下步骤：
27.将健康促进数据发送至用户或者用户的关联用户，以供确认或编辑；
28.基于确认或编辑后的健康促进数据构成的数据集，训练预测模型。
29.根据上述技术方案，基于确认或编辑后的健康促进数据更加符合用户的实际健康情况，基于上述健康促进数据所构成数据集的质量进一步得到优化，从而使所训练的预测模型更精准地反映用户的实际健康情况。
30.优选地，还包括以下步骤：
31.根据对健康促进数据的编辑，获得用户的偏好数据，以确定用户的标签信息。
32.根据上述技术方案，由于用户的标签信息反映了用户的偏好数据，从而使健康促进数据能够基于上述反应用户偏好的标签信息快速且精确地生成，进一步提高了系统的效率。
33.优选地，健康促进数据包括健康促进设备的运行参数和任务目标，任务目标为该用户使用以该运行参数运行的健康促进设备的目标执行量，并且，训练预测模型所使用的数据集还包括用户使用健康促进设备的实际完成量。
34.现有的健康管理方法通常单方面地发布健康促进计划(健康促进数据中健康促进目标的集合，例如跑步机的公里数、小时数，或者心率计的维持120以上心率的时间等)，以供用户执行，但对于用户的执行程度以及用户反馈，缺少定量化的评估，且无法用户的实际执行程度预测用户未来的健康促进数据。而根据上述技术方案，训练预测模型所参考的数据集包括了用户使用健康促进设备的实际完成量，即将用户的执行程度作为健康促进数据的考虑因素，使得预测模型能够及时更新、且更匹配于用户的健康现状的健康促进数据。
35.优选地，健康促进设备具有多个，健康促进数据包括分别针对多个健康促进设备
的运行参数和任务目标，
36.若针对第一健康促进设备的实际完成量低于目标执行量，则根据实际完成量与目标执行量之间的对比结果，更新第二健康促进设备的目标执行量。
37.根据上述技术方案，通过设置多个健康促进设备，使用户能够通过多个健康促进数据完成自身的健康促进目标，提高了用户针对自身健康促进计划的参与度。
38.优选地，多个健康促进设备的任务目标，根据用户身体不同部位的训练目标，由预测模型分析得到。
39.根据上述技术方案，健康促进设备的任务目标，由预测模型根据用户身体不同部位的训练目标全面分析而得出，使用户的身体得到全方位、系统化的健康监督，通过执行多个任务目标，能够全面地改善用户的健康水平。
40.本发明另提供一种健康管理促进系统，包括：
41.测量设备，采集用户的健康管理数据；
42.模型应用装置，将预测模型应用于健康管理数据，以生成与健康管理数据对应的健康促进数据；
43.健康促进设备，接收健康促进数据，并根据健康促进数据而运行。
44.优选地，还包括：
45.模型训练装置，基于包含多个用户的健康管理数据和健康促进数据的数据集，训练预测模型，以确定健康管理数据与健康促进数据的对应关系。
46.本发明另提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述健康管理促进方法的步骤。
附图说明
47.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
48.图1为实施例1提供的一种健康管理促进方法的流程示意图；
49.图2为实施例1提供的一种健康管理促进系统的结构示意图；
50.图3为实施例2提供的一种健康管理促进方法的流程示意图；
51.图4为实施例3提供的一种健康管理促进系统的流程示意图；
52.图5为实施例4提供的一种健康管理促进系统的流程示意图；
53.图6为实施例5提供的一种健康管理促进系统的流程示意图；
54.图7为实施例6提供的一种健康管理促进系统的流程示意图；
55.图8为实施例6另外提供的一种健康管理促进系统的流程示意图。
56.附图标记说明：
57.1-测量设备；2-模型应用装置；3-健康促进设备。
具体实施方式
58.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明
的保护范围。
59.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
60.实施例1
61.图1为本实施例提供的一种健康管理促进方法的流程示意图，如图1所示，该健康管理促进方法包括如下步骤：
62.步骤s01，采集用户的健康管理数据；
63.步骤s02，将预测模型应用于健康管理数据，以生成与健康管理数据对应的健康促进数据；
64.步骤s03，根据健康促进数据，控制健康促进设备的运行。
65.需要说明的是，在步骤s01中，采集到的用户的健康管理数据包括人体各个方面健康数据,例如：尿检数据、睡眠质量数据、体温数据、体重数据、体脂数据、呼吸频率数据、骨密度数据、体年龄数据、肌肉量数据、体水分率数据、心率数据、基础代谢率数据、bmi数据、血脂数据、血压数据、血糖数据、面部识别数据、眼部机能数据、口腔机能数据中的一种或者多种。在本发明实施例中，可以通过专门的测量设备，针对用户的健康管理数据进行采集；优选地，测量设备包括埋设于家用电器或者建筑设施内的传感器，从而能够隐蔽地对用户人体健康管理数据进行持续主动的采集，通过上述实施方式，一方面节约了用户的住宅的使用空间，另一方面由于家用电器或者传感器能够实现隐蔽地对健康管理数据的进行持续主动地采集，极大地提高了用户的体验感；更具体地来说，上述家用电器包括智能冰箱、冷柜、微波炉、洗衣机、烘干机、烘箱、烤箱、电饭煲、电视机、空气净化设备、吸尘器、热水器、电灶具、空调、洗碗机、电动牙刷、耳机、音箱、智能坐便器、智能镜、智能床垫、智能头枕、智能灯具、智能地毯、智能窗户、智能门、智能衣柜中的一种或者多种；上述埋设于建筑设施中的传感器配置为朝向住宅空间内的规定位置，规定位置包括住宅入口、沙发座椅的就坐位置、健康促进设备的摆放位置、床面位置、镜前位置、坐便器的就坐位置中的一种或者多种，上述位置能够相对稳定地获得较大数据量且相对准确的健康管理数据，进一步提高了健康管理数据采集的准确性，提高了健康管理促进系统的可靠性；优选地，测量设备还包括可穿戴设备或者植入物中的传感器；具体来说，可穿戴设备包括能够检测并获取人体健康管理数据的智能眼镜、智能耳机、智能护腕、智能手表、智能手环、智能手机、智能球鞋和智能鞋垫；植入物是放置于外科操作造成的或者生理存在的体腔中，留存时间大于30天的可植入型物品，植入物可配置传感器，例如当用户患有特定类型的心血管疾病，需要使用植入物配合进行治疗，为了对用户的心血管健康进行监控，则可通过在植入物中配置传感器的方式，获取用户某些特定的健康管理数据，从而进一步丰富了健康管理数据的采集方式，提高了系统的可靠性。
66.作为一种优选的实施方式，在步骤s01中，针对用户的健康管理数据，采用持续主动的采集方式；需要说明的是，“被动采集”是指测量设备需要接收到用户有意发出的指示，例如按压特定按键或者执行特定动作，才会执行采集动作。“主动采集”与“被动采集”相区别，是指测量设备在用户无感知或者无指示的情况下，对用户数据进行采集的情况。根据上述技术方案，采用持续主动的采集用户的健康管理数据的方式，可以在用户无感知或者无指示的情况下，大量获取用户的健康管理数据，从而一方面使得用户无需每一次均发送测
量设备工作的操作指令，提高了系统的自动化与便利性，另一方面，持续采集能够获得更大量的随时间变化的健康管理数据，这些随时间变化的健康管理数据有利于持续稳定地构建预测模型，从而为形成管理-建模-促进的闭环反馈调节提供数据支撑。
67.需要说明的是，在步骤s02中，预测模型是根据特定算法基于健康管理数据对应的健康促进数据进行训练，得到各种情况下的健康管理数据所对应的预测模型，预测模型用于建立用户健康管理数据与健康促进数据之间的映射关系。优选地，上述特定算法包括多种不同的机器学习算法，通过预设的多种机器学习算法分别训练出各机器学习算法对应的健康促进数据预测模型。在本发明实施例中，模型训练时候选的机器学习算法包括但不限于：支持向量机(support vector machine，svm)回归算法、k近邻(k-nearest neighbor，knn)回归算法、随机森林(randomforest)回归算法、gbdt(gradient boosting decision tree)回归算法、xgboost回归算法、长短期记忆网络(long short-term memory，lstm)算法。在本发明实施例中，在进行模型训练时，需要将健康管理数据处理成不同机器学习算法要求的数据结构。
68.需要说明的是，健康促进设备能够根据步骤s02所生成的健康促进数据，执行有利于维护或提高用户健康水平的操作控制；由于健康促进设备直接接收健康促进数据而相应运行，其运行参数及运行目标无需由用户识记后输入设定，更加便利，且由于健康促进数据是根据预测模型应用于健康管理数据以生成的，则在健康促进数据中所设定的运行参数及运行目标可以更加贴合用户实际情况需求。并且，因为健康促进数据为健康促进设备的运行参数，是可供大数据分析的定量化数据，能够为大数据平台提供更加准确可靠、且可供分析的数据源。
69.需要说明的是，在步骤s03中，健康促进设备用来接收健康促进数据，并根据健康促进数据而运行。具体地来说，在本文中，术语“健康促进设备”是指通过介入或者支配用户的主动行为、起到健康促进作用的设备。具体来说，健康促进设备例如可以是健身器械、饮水机、电动牙刷、屏幕使用时间管理系统、音量管理系统中的一种或者多种，也可以是其他任何类型的符合上述定义的设备。健康促进数据至少包括健康促进设备的运行参数数据，以及任务目标数据。其中，运行参数数据和任务目标数据均可供健康促进设备加载使用。运行参数数据用于设定健康促进设备的运行参数，例如是跑步机的速度、倾斜度等参数，或者是饮水机的温度、净化强度等参数，或者是电动牙刷的功率等参数，或者是屏幕使用时间管理系统的亮度、持续时间等参数，或者是音量管理系统的音量参数等。任务目标数据为该用户使用以该运行参数运行的健康促进设备的目标执行量。例如是跑步机的跑步时间、心率维持时间等目标执行量，或者是饮水机的饮水量、杯数等参数，或者是电动牙刷的运行时间等参数，或者是屏幕使用时间管理系统的使用时间上限，或者是音量管理系统的播放时间等参数等。通过加载任务目标数据，健康促进设备4能够发布规定了用户的主动行为的执行程度的任务，从而辅助、监督甚至支配用户的主动行为。
70.在本实施例中，由于健康促进数据基于应用了预测模型的健康管理数据，使健康促进数据能够根据用户健康的未来发展趋势而生成，从而通过控制相应的健康促进设备，有效地改善了用户的健康水平，并能够预防用户未来可能面临的健康风险。
71.图2为本实施例另提供的一种健康管理促进系统的结构示意图，如图2所示，该健康管理促进系统包括：
72.测量设备1，用于采集用户的健康管理数据；
73.模型应用装置2，用于将预测模型应用于健康管理数据，以生成与健康管理数据对应的健康促进数据；
74.健康促进设备3，用于接收健康促进数据，并根据健康促进数据而运行。
75.实施例2
76.图3所示为本实施例提供的一种健康管理促进方法的流程示意图，如图3所示，该健康管理促进方法基于实施例1的实施方式，未有特别说明的部分，均与实施例1的说明相同，在此不再赘述。
77.与实施例1不同的是，该健康管理促进方法还包括如下步骤：
78.步骤s04：采集包含多个用户的健康管理数据和健康促进数据的数据集；
79.步骤s05：基于数据集，训练预测模型，以确定健康管理数据与健康促进数据的对应关系。
80.需要说明的是，在步骤s04中，采集的用户数量越多，对于之后的预测模型构建越有利；在步骤s05中，根据特定算法基于健康促进数据对应的健康管理数据进行训练，得到各个健康管理数据对应的预测模型，预测模型用于建立健康促进数据与健康管理数据之间的映射关系；具体地来说，上述特定算法可以是神经网络算法或者逻辑回归算法，以逻辑回归算法作为特定算法为例，首先计算各个健康促进数据对应的健康管理数据的特征值，将特征值带入公式，得到多个函数，对上述多个函数进行迭代求解，得到各个健康促进数据的预测模型，上述公式如下所示：
[0081][0082]
其中，hθ(x)代表健康管理数据与健康促进数据的匹配度，其中，hθ(x)代表健康管理数据与健康促进数据的匹配度，θi为健康管理数据i的权重值，xi为健康管理数据i对应的特征值，θ
t
＝[θ1，θ2，...，θn]，x＝[x1，x2，...，xn]。
[0083]
在本实施例中，将健康促进数据对应的健康管理数据的特征值代入上述公式，可以得到多个函数，再对上述多个函数进行迭代求解，计算得到健康促进数据对应的θ
t
＝[θ1，θ2，...，θn]，从而得到上述健康促进数据对应的预测模型；需要说明的是，由于特定算法选择使用逻辑回归算法，则预测模型为lr(logistic regression)模型，不同的健康促进数据对应着不同的lr模型。需要说明的是，将健康管理数据转化为数值的过程中，可以根据实际情况的需要，采用合理的转化规则，将健康管理数据转化为合理的数值(例如用户的年龄20岁以下为0，20岁以上为1；用户的体温37℃以下为0，37℃为1)；需要说明的是，在得到lr模型之后，使用lr模型的时候，将用户的健康管理数据输入到lr模型(即先将用户的健康管理数据转换为特征值，然后将特征值输入到lr模型)。
[0084]
需要说明的是，由于lr模型的输出是一个概率值，该概率值的取值范围为0～1，且该概率值越大，说明该lr模型对应的健康促进数据更贴合用户的实际需求；优选地，针对lr模型，设置一个预设阈值，当目标预测值大于或等于预设阈值时，说明与目标预测值对应的预测模型相关联的健康促进数据相对来说更加贴合用户的实际需求，因此将上述健康促进数据作为最终确定的健康促进数据；具体地来说，上述预设阈值可取0.85。
[0085]
根据上述实施方式，当存在大于或等于预设阈值的目标预测值，且目标预测值的数量至少有两个，则从上述至少两个目标预测值中选取最大的目标预测值；将最大目标预测值对应的预测模型关联的健康促进数据作为最终确定的健康促进数据。在一个具体的实施例种，若存在两个预测值分别为第一预测值和第二预测值，且第一预测值对应第一健康促进数据，第二预测值对应第二健康促进数据；若第一预测值、第二预测值均大于或等于预设阈值0.85，则说明第一预测值对应的第一健康促进数据以及第二预测值对应的第二健康促进数据都比较符合用户的实际需求；在这种情况下，进一步从多个大于或等于预设阈值的目标预测值中选取最大目标预测值，具体地，若第一预测值小于第二预测值，则以第二预测值对应的预测模型关联的第二健康促进数据作为最终确定的健康促进数据，使最终确定的健康促进数据更贴合用户的实际需求。
[0086]
实施例3
[0087]
图4所示为本实施例提供的一种健康管理促进系统的流程示意图，如图4所示，该健康管理促进方法基于实施例2的实施方式，未有特别说明的部分，均与实施例2的说明相同，在此不再赘述。
[0088]
与实施例2不同的是，预测模型具有多个，该健康管理促进方法还包括如下步骤：
[0089]
步骤s06：根据用户的标签信息，从多个预测模型中选择健康管理数据应用的预测模型。
[0090]
需要说明的是，用户的标签信息能够直接描述用户所特有的某些信息，以用户的年龄信息为例，将标签设置为以下各个年龄阶段：12岁～18岁、18岁～30岁、30岁～40岁、40岁～50岁、50岁～60岁、60岁～70岁和70岁～80岁；由于用户处于不同年龄阶段所具有的健康管理数据有所差别(例如新陈代谢量、心率、血压、血糖等)，因此不同年龄阶段下的健康管理数据所对应的健康促进数据也具有差别；具体地来说，在本实施例中，首先根据用户的标签信息，明确用户的特有标签信息，之后在该标签信息下的多个预测模型中进行选择，通过上述实施方式，有效提高了预测模型的训练速度和训练效果。
[0091]
作为一种优选的实施方式，上述标签信息包含用户的年龄信息、性别信息、身高信息、体重信息、遗传信息、病史信息、家族病史信息中的一种或者多种的组合。需要说明的是，也可以根据用户地实际情况，另外再添加该用户所特有的标签信息。
[0092]
实施例4
[0093]
图5所示为本实施例提供的一种健康管理促进系统的流程示意图，如图5所示，该健康管理促进方法基于实施例2的实施方式，未有特别说明的部分，均与实施例2的说明相同，在此不再赘述。
[0094]
与实施例2不同的是，还包括以下步骤：
[0095]
步骤s07：根据用户的健康管理数据的历史数据，分析健康管理数据的变化趋势，从而为该用户的健康促进数据的历史数据打分；
[0096]
步骤s08：将打分结果低于规定阈值的条目，从数据集中去除。
[0097]
根据上述实施方式，通过获取用户的健康管理数据的历史数据，对健康管理数据的变化趋势进行分析，并根据分析结果对相应的用户的健康促进数据的历史数据进行评分与筛选，进一步优化了预测模型训练所使用的数据池的质量，有效地提高训练效率。
[0098]
具体地来说，上述打分的评判标准为三个档次，分别为a档、b档和c档；这三种评分
档次对应着不同的情况，其中a档对应的情况为该用户的健康促进数据的历史数据优良，属于首选的数据，即根据该用户健康管理数据的变化趋势，分析出对应的健康促进数据的历史数据能够使用户的健康改善且达到预期的健康水平；b档对应的情况为该用户的健康促进数据的历史数据及格，属于次选的数据，即根据该用户健康管理数据的变化趋势，分析出对应的健康促进数据的历史数据能够使用户的健康水平没有下降，距离预期的健康水平还存在一定的差距；c档对应的情况为该用户的健康促进数据的历史数据不及格，属于劣等的数据，即根据该用户健康管理数据的变化趋势，分析出对应的健康促进数据的历史数据能够使用户的健康水平甚至有些下降，远远达不到预期的健康水平。也就是说，在数据集的来源中，优选a档的健康管理数据，次选b档的健康管理数据，而将c档的健康管理数据去除，以此进一步优化训练预测模型所要使用的数据池的数据质量，从而有效提高训练效率。一些实施方式中，c档数据也可以分开单独存储，以备参考，防止后续生成健康促进数据时产生相同或者相近的问题。
[0099]
实施例5
[0100]
图6所示为本实施例提供的一种健康管理促进系统的流程示意图，如图6所示，该健康管理促进方法基于实施例4的实施方式，未有特别说明的部分，均与实施例4的说明相同，在此不再赘述。
[0101]
与实施例4不同的是，还包括以下步骤：
[0102]
步骤s09:为多个用户的健康管理数据的变化趋势提供排名，并将排名结果发送至多个用户。
[0103]
具体地来说，将多个用户的健康管理数据的变化趋势进行排名，即将上述多个用户的身体健康状况的变化趋势进行排名；之后将排名的结果发送给多个用户。该健康管理促进方法一方面可以通过横向对比各用户的健康促进计划的效果，优化健康促进数据的预测模型，另一方面方便各用户参考高排名用户的健康促进计划，对自己的健康促进计划进行主动修正。
[0104]
作为一种优选的实施方式，上述多个用户为生活在同一个区域内的多个用户，例如同一个小区内的多个用户或者同一个社区的多个用户；由于同一小区或者同一社区内的多个用户生活习惯或生活方式可能大致相同，且彼此存在相互的联系，因此能够促进健康交流，排名较低的用户能够通过咨询的方式向排名较高的用户询问健康促进的方式，以此改善自身的健康水平，提高整块区域内的多个用户的健康水平。
[0105]
实施例6
[0106]
图7所示为本实施例提供的一种健康管理促进系统的流程示意图，如图7所示，该健康管理促进方法基于实施例2的实施方式，未有特别说明的部分，均与实施例2的说明相同，在此不再赘述。
[0107]
与实施例2不同的是，还包括以下步骤：
[0108]
步骤s10：将健康促进数据发送至用户或者用户的关联用户，以供确认或编辑；
[0109]
步骤s11：基于确认或编辑后的健康促进数据构成的数据集，训练预测模型。
[0110]
需要说明的是，上述用户的关联用户为经过用户的授权，能够对生成的健康促进数据进行确认或者编辑，例如关联用户的是用户的家属或者医护人员。关联用户通常对于用户的个人信息具有一定程度的了解，能够针对性地给出对于健康促进数据的确认或者编
辑建议，从而能够使得确认或者编辑后的健康促进数据具有更高的可靠性和定制性。也正是因为关联用户参与到用户的健康管理促进当中，对于系统生成的健康促进数据能够给出更加贴近用户自身特点的反馈和评价，从而为优化健康促进数据的预测模型提供更加优质的带有评分结果的数据源。
[0111]
作为一个优选的实施方式，关联用户的移动终端能够以图表的形式示出健康管理数据的变化趋势。持续变化的健康管理数据能够准确反映用户在执行健康促进计划时，正常情况下难以觉察到的生理参数所产生的缓慢变化。将该缓慢变化的趋势数据显示在关联用户的显示装置(例如是关联用户的移动终端的显示屏)上，作为关联用户确认和编辑健康促进数据的考虑因素之一，能够方便关联用户更加准确地评估健康促进数据的合理性和有效性。
[0112]
关联用户的移动终端安装有应用程序，该应用程序在调用健康管理数据时，能够呈现其随时间变化的趋势数据。通过将相应的趋势数据可视化地呈现，关联用户能够形成对生理参数变化趋势的动态认知，丰富关联用户处理健康促进数据的参考数据源，使关联用户能够针对主用户进行更深入且更精准的健康管理。进一步地，关联用户的移动终端可以下载健康管理数据和健康促进数据，该移动终端的应用程序还将健康管理数据或者反映健康管理数据的变化趋势的图表，显示在关联用户对健康促进数据的编辑界面。
[0113]
作为一种优选的实施方式，如图8所示，还包括以下步骤：步骤s12:根据对健康促进数据的编辑，获得用户的偏好数据，以确定用户的标签信息。具体地来说，用户的偏好数据反应了用户的健康促进意愿，例如，健康促进数据为每日的跑步步数，在都能够达到预期的健康促进目标的条件下，对于通过跑步来进行健康水平的调节，有两种方式，一种是缓和的方式，即每天的跑步量设置在较低的水平范围内，一个健康促进的周期较长，另一种为激进的方式，即每天的跑步量设置在较高的水平范围内，一个健康促进的周期较短；若用户经常调整跑步量，使其处于较低的范围内，则这种偏好设置表明，用户个人意愿是通过较为缓和的方式来达到预期健康促进目标；而将用户的这些偏好数据，用于确定用户的标签信息，进一步的使得训练的预期模型能够真实地反应用户的实际需求，同时也能够提高用户的健康促进计划的效率，有效地改善用户的健康水平。
[0114]
实施例7
[0115]
本实施例提供的健康管理促进方法基于实施例2的是实施方式，未有特别说明的部分，均与实施例2相同，在此不再赘述。
[0116]
与实施例2不同的是，健康促进数据包括健康促进设备的运行参数和任务目标，任务目标为该用户使用以该运行参数运行的健康促进设备的目标执行量，并且，训练预测模型所使用的数据集还包括用户使用健康促进设备的实际完成量。
[0117]
需要说明的是，上述运行参数数据用于设定健康促进设备的运行参数，例如是跑步机的速度、倾斜度等参数，或者是饮水机的温度、净化强度等参数，或者是电动牙刷的功率等参数，或者是屏幕使用时间管理系统的亮度、持续时间等参数，或者是音量管理系统的音量参数等。上述任务目标数据为该用户使用以该运行参数运行的健康促进设备的目标执行量。例如是跑步机的跑步时间、心率维持时间等目标执行量，或者是饮水机的饮水量、杯数等参数，或者是电动牙刷的运行时间等参数，或者是屏幕使用时间管理系统的使用时间上限，或者是音量管理系统的播放时间等参数等。通过加载任务目标数据，健康促进设备3
能够发布规定了用户的主动行为的执行程度的任务，从而辅助、监督甚至支配用户的主动行为。上述用户使用健康促进设备的实际完成量指的是用户实际完成的任务量，例如，健康促进设备的任务目标为“跑步2公里”，而用户实际完成了“跑步1公里”。
[0118]
需要说明的是，训练预测模型所使用的数据集包括用户使用健康促进设备的实际完成量，即将用户的执行程度作为健康促进数据的考虑因素，使得预测模型能够及时更新、且更匹配于用户的健康现状的健康促进数据，也就是将用户的执行程度作为健康促进数据的考虑因素，使得预测模型能够及时更新、且更匹配于用户的健康现状的健康促进数据。
[0119]
在一个具体地实施方式中，采集用户的健康管理数据的测量设备1具有多个，在理想的情况下，能够全方面的采集用户各种类型的健康管理数据。预测模型能够根据采集到的用户的健康管理数据进一步生成针对用户的健康促进计划(例如，在一段时间内，针对用户的健康促进，运动上，每天跑步2公里，饮水量上，每日饮用8杯水，睡眠上，每晚保证7个小时的睡眠时间)，该健康促进计划具体地体现在健康促进数据中，并且最终由健康促进设备3完成任务的执行。在本实施例中，训练预测模型所使用的数据集包括用户使用健康促进设备的实际完成量(例如，用户在上述这段时间内，每天实际跑步1公里，每日实际饮水6杯，每晚睡眠5个小时)，预测模型将上述实际完成量作为模型的参考因素之一，使得预测模型能够及时根据用户的实际情况更新健康促进计划，并生成更匹配于用户的健康现状的健康促进数据(例如，在接下来的一段时间内，针对用户的健康促进，运动上，每天跑步3公里，饮水量上，每日饮用8杯水，睡眠上，每晚保证7.5个小时的睡眠时间)。
[0120]
优选地，还包括如下步骤：将目标执行量和实际执行量进行对比，针对用户已完成的项目进行可视化地展示，并给予肯定与鼓励；对于用户未完成的项目进行可视化地展示，并给予提醒与警示。
[0121]
实施例8
[0122]
本实施例提供的健康管理促进方法基于实施例7的是实施方式，未有特别说明的部分，均与实施例7相同，在此不再赘述。
[0123]
与实施例7不同的是，健康促进设备具有多个，健康促进数据包括分别针对健康促进设备的运行参数和任务目标，若针对第一健康促进设备的实际完成量低于目标执行量，则根据实际完成量与目标执行量之间的对比结果，更新第二健康促进设备的目标执行量。通过上述实施方式，使用户能够通过多个健康促进数据完成自身的健康促进目标，提高了健康促进计划的丰富度与用户的执行参与度。优选地，多个健康促进设备的任务目标，根据用户身体不同部位的训练目标，由预测模型分析得到。
[0124]
具体地来说，在一个理想的条件下，预测模型根据采集到的用户全方位的健康管理数据，生成的健康促进计划为“跑步5公里”，则通过对应的健康促进设备3——跑步机，来执行该任务目标，并相应的给出健康促进设备3跑步机的运行参数(例如跑步的时间，跑步的速度)供用户参考选择。若用户的实际完成量为“跑步3公里”，则对比分析实际完成量与目标执行量，并根据分析的结果，提供不同于上述跑步机的健康促进设备——例如智能跳绳，提供的任务目标为跳绳1000次，需要说明的是，上述智能跳绳的任务目标“跳绳1000次”相对于用户实际完成量与目标执行量相差的“跑步2公里”来说，对于用户的健康管理数据的改善具有等同的效果。
[0125]
需要说明的是，在本实施例中，提供的不同于跑步机的健康促进设备，可以有多
个，且当用户均完成了不同健康促进设备的不同的任务目标后，所达到的自身健康水平的改善效果，与用户完成目标执行量与实际执行量的相差的“跑步2公里”对比来说，是相对一致的。
[0126]
需要说明的是，在本实施例中，针对用户需要健康促进设备跑步机而执行的剩余的任务目标“跑步2公里”来说，也可以通过非健康促进设备而执行，当用户执行完成后，输入至预测模型进行下一轮的健康促进数据生成即可。例如，针对本实施例中用户的实际完成量与目标执行量相差的“跑步2公里”，可以通过“游泳1小时”来进行运动补充。
[0127]
优选地，预测模型能够根据用户的健康管理数据(例如年龄、体重、骨密度等指标)，提供符合用户实际情况的运动建议，并可视化地展现。具体地来说，针对跑步，能够提供关于用户是否使用护膝、是否采用专业性的跑步鞋及类型等建议；特别地，若用户为专业的运动员或者运动爱好者，能够进一步的根据不同运动带来的不同部位脂肪/肌肉的训练效果，并给出其他的运动及建议。例如采用多种针对不同肌肉群的训练器械，叠加使用，以达到对遍及全身各主要肌肉群的训练或者针对运动员相关肌肉群的集中训练。
[0128]
本发明另提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述健康管理促进方法的步骤。
[0129]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0130]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0131]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0132]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0133]
本发明实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性
列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0134]
在本发明实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于指令执行系统、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(radio frequency，rf)等等，或者上述的任意合适的组合。
[0135]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0136]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0137]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中，所述存储介质可以是只读存储器，磁盘或光盘等。
[0138]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。