医疗事件的预测方法及穿戴设备、计算机可读存储介质与流程

1.本申请涉及医疗事件预测技术领域，尤其涉及医疗事件的预测方法、穿戴设备及计算机可读存储介质。


背景技术：

2.房颤(atrail fibrillation,af),又称心房颤动，常见的一种心律失常。长期持续的房颤会引起严重的并发症，如心力衰竭、高血压、以及危害最为严重的脑卒中等。
3.现有的技术中，被检测者通过到医院进行检测，医疗的仪器、设备等在有效的时间内获取用户的数据，例如ppg(photo plethysmo graphy，ppg)，根据该数据由医生或者通过指导者判断当前是否为房颤事件。适合从人群中发现已经患上了房颤疾病的个体。然而统计发现，房颤疾病的个体占较低，大部分人群处于潜在的未来可能患上房颤的状态，由于还没有房颤事件发生，因而现有的检测方法很难预判潜在的房颤发作风险。


技术实现要素：

4.有鉴于此，本申请提供一种医疗事件的预测方法、装置、穿戴设备、电子设备及计算机可读存储介质，能够提供精确的计算结果，便于用户对医疗事件的预测。
5.本申请的一些实施方式提供了一种预测模型的训练方法。以下从多个方面介绍本申请，以下多个方面的实施方式和有益效果可互相参考。
6.第一方面，本申请提供一种预测模型的训练方法，应用于电子设备，所述方法包括：获取至少一个用户的多段基于时间的历史生命信号数据，也就是说，可以获取一个用户的多段基于时间的历史生命信号数据，也可以是多个用户的多段基于时间的历史生命信号数据，其中，多段历史生命信号数据是指对应多段不同时间的多条生命信号数据，用户的生命信号数据可以是以“条”为单位或者以“字节”(数据大小)为单位；对每个用户基于预定规则设置至少一个用于生命信号数据的窗口，预定规则可以是对时间周期的限制，如，以小时、日、月或年为单位限定时间周期，或者是生命信号数据的预定体量，如，一定数量或字节的生命信号数据。且每个窗口包括多段历史生命信号数据；针对每一个用户，从窗口内的多段历史生命信号数据提取出特征，对窗口进行标注，确定与窗口内的多段历史生命信号数据对应的属性类别，其中，属性类别用于表征该窗口对应的与用户关联的医疗事件，如房颤等；以窗口为单位，将基于窗口提取的特征和窗口对应的属性类别作为训练样本集，通过半监督训练方法或全监督训练方法训练得到预测模型。该预测模型可以更精准的计算出用户的计算结果，该计算结果可以用于指示用户当前并未发生的医疗事件，如房颤，但在未来的某一段时间内可能发生的房颤的趋势和概率的分析预测，以及提供一些可视化强的参考。
7.在上述第一方面的一种可能的实现中，预定规则包括：将预定时间周期和 /或多段历史生命信号数据的预定体量作为窗口的长度，具体地，可以将多段历史生命信号数据的预定数量(如，50条历史生命信号数据)作为窗口的长度，或将多段历史生命信号数据的预定总大小(如，50字节历史生命信号数据)作为窗口的长度。通过窗口长度的设定以便于
积存丰富的训练样本集，以提高预测模型的精准性。
8.在上述第一方面的一种可能的实现中，窗口的设置还需要对窗口内数据的更新处理，窗口内数据的更新处理包括：获取新采集的用户的历史生命信号数据，并存入窗口内以更新窗口，其中，新采集的用户的历史生命信号数据是指未参与训练的历史生命信号数据的集合。通过对窗口的更新，基于该窗口提取的特征和该窗口对应的属性类别也能够及时更新，使预测模型得到不断的训练，预测模型计算的结果更精准的反应用户当前的状态，提高预测模型的精准性。
9.在上述第一方面的一种可能的实现中，窗口内数据的更新处理，包括两种情形，即窗口有空闲位置(窗口未满设定长度)和窗口已经无空闲位置(窗口已满设定长度)，具体地，当获取新采集的用户的历史生命信号数据之后，窗口内有空闲位置，则直接将新采集的用户的历史生命信号数据存放到窗口内的空闲位置；当获取新采集的用户的历史生命信号数据之后，窗口内无空闲位置，可以采用两种方式，仅保留采集时间最近的数据或则对窗口内的历史生命信号数据和未存入窗口内的新采集的用户的历史生命信号数据进行取舍。
10.在上述第一方面的一种可能的实现中，可以通过以下方式对窗口内的历史生命信号数据和未存入窗口内的新采集的用户的历史生命信号数据进行取舍，具体地，对窗口内的每一个用户的历史生命信号数据和新采集的每一个用户的历史生命信号数据按照用户的预定状态，如，用户的健康状态和发病状态进行打分，可以将健康状态的生命信号数据作为首先排除的对象，越接近健康状态的生命信号数据的分数越高，越接近发病状态的生命信号数据越低，即并将分数处于预定状态的生命信号数据删除，直到满足窗口的长度。
11.进一步地，按照距离新采集的用户的历史生命信号数据时的当前时间从近到远的分类规则，将窗口内已存的历史生命信号数据划分到对应的类中；按照距离当前时间从远到近的次序依次检查各类，直到查到有历史生命信号数据的类，并对该类中的历史生命信号数据进行打分，并将分数处于用户的预定状态的生命信号数据删除，直到满足窗口的长度。通过该分类规则获得窗口内的生命信号数据更能够反应用户可能发生医疗事件的风险。
12.在上述第一方面的一种可能的实现中，每一类中至少保留一条生命信号数据，并且对每一类中的历史生命信号数据按照对预测模型的贡献程度设定不同的权重值，对预测模型的精准性贡献较小的生命信号数据给予较低的权重值。其中，权重值越高，越能够影响预测模型的精准性，由于时间越久远的生命信号数据反应用户的当前状态的程度越弱，按照距离当前时间由远到近的顺序将权重值从低到高进行设定，从而降低距离当前时间较远的生命信号数据对预测模型的精准性的影响程度。
13.在上述第一方面的一种可能的实现中，全监督训练方法中，对窗口进行标注，确定与窗口内的历史生命信号数据对应的属性类别，包括：对处于中间状态的属性类别对应的窗口进行人工线性标注或自动标注，自动标注采用径向基函数和最近邻分类算法进行标注。该标注方式简单，同时相对于部分标注的方式可以提高预测模型的准确性。
14.第二方面，本申请提供一种医疗事件的预测方法，应用于电子设备，所述方法包括：获取用户的生命信号数据，用户的生命信号数据可以是以“条”为单位或者以“字节”(数据大小)为单位；基于预定规则设置窗口，每个窗口包括多段生命信号数据；对窗口内的多段生命信号数据提取出特征；以窗口为单位，将基于窗口提取的特征和预先训练好的预测
模型计算得出计算结果。
15.根据本申请实施例的数据的计算方法获得的计算结果更加精准，能够精准的反应用户的状态，以便用户及时的了解自身的状态，发现问题及早预防。
16.在上述第二方面的一种可能的实现中，将预定时间周期和/或多段历史生命信号数据的预定体量作为窗口的长度，具体地，可以将多段历史生命信号数据的预定数量(如，50条历史生命信号数据)作为窗口的长度，或将多段历史生命信号数据的预定总大小(如，50字节历史生命信号数据)作为窗口的长度。通过窗口长度的设定以便于积存丰富的训练样本集，以提高预测模型的精准性。
17.在上述第二方面的一种可能的实现中，基于预定规则设置窗口，进一步包括：对窗口内数据的更新处理，具体地包括：获取新采集的用户的生命信号数据，并存入窗口内以更新窗口，其中，新采集的生命信号数据为当前时间采集的未参与计算的当前生命信号数据。通过对窗口的更新，基于该窗口提取的特征也能够及时更新，是计算结果不断的更新，并及时的反应用户的当前状态。
18.在上述第二方面的一种可能的实现中，窗口内数据的更新处理包括两种情形，即窗口有足够的空闲位置(窗口未满设定长度)和窗口无足够的空闲位置 (窗口已满设定长度)，具体地，对于新采集的用户的生命信号数据，窗口内有足够的空闲位置，则直接将当前生命信号数据按照采集的先后顺序存放到空闲位置；对于新采集的用户的生命信号数据，窗口内无足够的空闲位置，则仅保留采集时间最近的数据或对窗口内的生命信号数据和未存入窗口内的新采集的用户的生命信号数据进行取舍。
19.在上述第二方面的一种可能的实现中，对窗口内的生命信号数据和未存入窗口内的新采集的用户的生命信号数据进行取舍，包括：对窗口内的每条生命信号数据和新采集的生命信号数据按照预定状态进行打分，并将分数处于预定状态的生命信号数据删除，直到满足窗口设置的大小。
20.进一步地，按照距离新采集的生命信号数据时的当前时间从近到远的分类规则，将窗口内已存的生命信号数据划分到对应的类中；按照距离当前时间从远到近的次序依次检查各类，直到查到有生命信号数据的类，并对该类中的生命信号数据进行打分，并将分数处于用户的预定状态的生命信号数据删除。通过该分类规则获得窗口内的生命信号数据更能够反应用户可能发生医疗事件的风险。
21.在上述第二方面的一种可能的实现中，每一类中至少保留一条生命信号数据，并且对每一类中的生命信号数据按照对计算结果的贡献程度设定不同的权重值。对计算结果贡献较小的生命信号数据给予较低的权重值。其中，权重值越高，越能够影响计算结果的精准性，由于时间越久远的生命信号数据反应用户的当前状态的程度越弱，因此按照距离当前时间由远到近的顺序将权重值从低到高进行设定，从而降低距离当前时间较远的生命信号数据对计算结果的精准性的影响程度。以便于窗口内的生命信号数据更能够真实的反应用户当前的状态，提高计算结果的准确性。
22.在上述第二方面的一种可能的实现中，数据的计算方法还包括：基于大数据平台内的数据，统计与计算结果处于同一预设范围内的其他用户的属性类别，以及属性类别分别对应的其他用户的状态；根据属性类别分别对应的其他用户的状态，评估计算结果对应的用户的状态。可以便于用户预测自己在未来一段时间内可能发生医疗事件(如，房颤)的
概率的推算，以便于及早预防。
23.在上述第二方面的一种可能的实现中，医疗事件的预测方法还包括：在获取用户的生命信号数据之前，对每次采集的生命信号数据需要降噪处理，例如通过滤波、信号质量分析等处理方式，以提高数据的可靠性。
24.第三方面，本申请提供一种用于生成预测模型的电子设备，包括：
25.第一获取模块，用于获取至少一个用户的多段基于时间的历史生命信号数据；第一窗口设定模块，用于针对每一个用户，基于预定规则设置至少一个用于生命信号数据的窗口，每个窗口包括多段历史生命信号数据；第一提取模块，用于针对每一个用户，从窗口内的多段历史生命信号数据提取出特征；标注模块，用于对窗口进行标注，确定与窗口内的多段历史生命信号数据对应的属性类别，其中，属性类别用于表征该窗口对应的与用户关联的医疗事件；训练模块，用于以窗口为单位，将基于窗口的特征和窗口对应的属性类别作为训练样本集，通过半监督训练方法或全监督训练方法训练得到预测模型。
26.根据本申请实施例的用于生成预测模型的电子设备，用于执行第一方面实施例的方法，可以训练得到预测模型，该预测模型可以精准的计算出用户的计算结果，该计算结果可以用于指示用户当前并未发生的医疗事件，如房颤，但在未来的某一段时间内可能发生的房颤的趋势和概率的分析预测，以及提供一些可视化强的参考。
27.在上述第三方面的一种可能的实现中，预定规则包括：将预定时间周期和 /或多段历史生命信号数据的预定体量作为窗口的长度，具体地，包括将多段历史生命信号数据的预定数量作为窗口的长度，或将多段历史生命信号数据的预定总大小作为窗口的长度。通过窗口长度的设定以便于积存丰富的训练样本集，以提高预测模型的精准性。
28.在上述第三方面的一种可能的实现中，第一窗口设定模块，进一步用于对窗口内数据的更新处理，包括：获取新采集的用户的历史生命信号数据，并存入窗口内以更新窗口，其中，新采集的用户的历史生命信号数据是指未参与训练的历史生命信号数据的集合。通过对窗口的更新，基于该窗口提取的特征和该窗口对应的属性类别也能够及时更新，使预测模型得到不断的训练，预测模型计算的结果更精准的反应用户当前的状态，提高预测模型的精准性。
29.在上述第三方面的一种可能的实现中，第一窗口设定模块具体用于：当获取新采集的用户的历史生命信号数据之后，窗口内有空闲位置，则直接将新采集的用户的历史生命信号数据存放到窗口内的空闲位置；当获取新采集的用户的历史生命信号数据之后，窗口内无空闲位置，仅保留采集时间最近的数据或对窗口内的历史生命信号数据和未存入窗口内的新采集的用户的历史生命信号数据进行取舍。
30.在上述第三方面的一种可能的实现中，第一窗口设定模块具体用于：对窗口内的每一个用户的历史生命信号数据和新采集的每一个用户的历史生命信号数据按照用户的预设定状态进行打分，其中，预定状态如，用户的健康状态和发病状态，并将分数处于预定状态的生命信号数据删除，直到满足窗口的长度。
31.在上述第三方面的一种可能的实现中，第一窗口设定模块，具体用于：按照距离新采集的用户的历史生命信号数据时的当前时间从近到远的分类规则，将窗口内已存的历史生命信号数据划分到对应的类中；按照距离当前时间从远到近的次序依次检查各类，直到查到有历史生命信号数据的类，并对该类中的历史生命信号数据进行打分，并将分数处于
用户的预定状态的生命信号数据删除，直到满足窗口的长度。通过该分类规则获得窗口内的生命信号数据更能够反应用户可能发生医疗事件的风险。
32.在上述第三方面的一种可能的实现中，第一窗口设定模块具体还用于：每一类中至少保留一条生命信号数据，并且对每一类中的历史生命信号数据按照对预测模型的贡献程度设定不同的权重值。对预测模型的精准性贡献较小的生命信号数据给予较低的权重值。其中，权重值越高，越能够影响预测模型的精准性，由于时间越久远的生命信号数据反应用户的当前状态的程度越弱，按照距离当前时间由远到近的顺序将权重值从低到高进行设定，从而降低距离当前时间较远的生命信号数据对预测模型的精准性的影响程度。
33.在上述第三方面的一种可能的实现中，全监督训练方法中，标注模块具体用于：对处于中间状态的属性类别对应的窗口进行人工线性标注或自动标注，自动标注采用径向基函数和最近邻分类算法进行标注。该标注方式简单，同时相对于部分标注的方式可以提高预测模型的准确性。
34.第四方面，本申请提供一种用于计算的电子设备，包括：第二获取模块，用于获取用户的生命信号数据；第二窗口设定模块，用于基于预定规则设置窗口，每个窗口包括多段生命信号数据；第二提取模块，用于对窗口内的多段生命信号数据提取出特征；计算模块，用于以窗口为单位，将基于窗口提取的特征和预先训练好的预测模型计算得出计算结果。
35.根据本申请实施例的数据的用于计算的电子设备，用于执行上述第二方面实施例的方法，获得基于用户的生命信号数据的计算结果，该计算结果更加精准，能够精准的反应用户的状态，以便用户及时的了解自身的状态，发现问题及早预防。
36.在上述第四方面的一种可能的实现中，预定规则包括：将预定时间周期和 /或多段生命信号数据的预定体量作为窗口的长度。具体地，包括将多段生命信号数据的预定数量作为窗口的长度，或将多段生命信号数据的预定总大小作为窗口的长度。通过窗口长度的设定以便于积存丰富的训练样本集，以提高预测模型的精准性。
37.在上述第四方面的一种可能的实现中，第二窗口设定模块进一步用于对窗口内数据的更新处理，包括：获取新采集的用户的生命信号数据，并存入窗口内以更新窗口，其中，新采集的生命信号数据为当前时间采集的未参与计算的当前生命信号数据。通过对窗口的更新，基于该窗口提取的特征也能够及时更新，是计算结果不断的更新，并及时的反应用户的当前状态。
38.在上述第四方面的一种可能的实现中，第二窗口设定模块具体用于：当获取新采集的用户的生命信号数据之后，窗口内有空闲位置，则直接将当前生命信号数据按照采集的先后顺序存放到空闲位置；当获取新采集的用户的生命信号数据之后，窗口内无空闲位置，则仅保留采集时间最近的数据或对窗口内的生命信号数据和未存入窗口内的新采集的用户的生命信号数据进行取舍。
39.在上述第四方面的一种可能的实现中，第二窗口设定模块具体用于：对窗口内的每条生命信号数据和新采集的生命信号数据按照预定状态进行打分，并将分数处于预定状态的生命信号数据删除，直到满足窗口设置的大小。
40.进一步地，第二窗口设定模块具体用于：按照距离新采集的生命信号数据时的当前时间从近到远的分类规则，将窗口内已存的生命信号数据划分到对应的类中；按照距离当前时间从远到近的次序依次检查各类，直到查到有生命信号数据的类，并对该类中的生
命信号数据进行打分，并将分数处于用户的预定状态的生命信号数据删除。通过该分类规则获得窗口内的生命信号数据更能够反应用户可能发生医疗事件的风险。
41.在上述第四方面的一种可能的实现中，第二窗口设定模块具体还用于：每一类中至少保留一条生命信号数据，并且对每一类中的生命信号数据按照对计算结果的贡献程度设定不同的权重值。对计算结果贡献较小的生命信号数据给予较低的权重值。其中，权重值越高，越能够影响计算结果的精准性，由于时间越久远的生命信号数据反应用户的当前状态的程度越弱，因此按照距离当前时间由远到近的顺序将权重值从低到高进行设定，从而降低距离当前时间较远的生命信号数据对计算结果的精准性的影响程度。以便于窗口内的生命信号数据更能够真实的反应用户当前的状态，提高计算结果的准确性。
42.在上述第四方面的一种可能的实现中，电子设备还包括：评估模块，用于基于大数据平台内的数据，统计与计算结果处于同一预设范围内的其他用户的属性类别，以及属性类别分别对应的其他用户的状态；评估模块根据属性类别分别对应的其他用户的状态，评估计算结果对应的用户的状态。可以便于用户预测自己在未来一段时间内可能发生房颤的概率的推算，以便于及早预防。
43.在上述第四方面的一种可能的实现中，电子设备还包括：处理模块，用于在获取用户的生命信号数据之前，对每次采集的生命信号数据需要进行滤波、信号质量分析等方式进行降噪处理，以提高数据的可靠性。在上述第四方面的一种可能的实现中，电子设备还包括：显示模块，用于显示计算结果。以便于用户直观了解自身的情况并及时采取相应的预防措施。
44.第五方面，本申请提供一种数据计算系统，包括：上述第三方面实施例的用于生成预测模型的电子设备；以及上述第四方面的实施例的用于计算的电子设备。
45.第六方面，本申请提供一种穿戴设备，包括：采集器，用于周期性的采集用户的生命信号数据；存储器，用于存储指令；处理器，用于读取存储器中存储的指令，以执行以下步骤：获取用户的生命信号数据；基于预定规则设置窗口，所述窗口包括多段生命信号数据；对所述窗口内的多段生命信号数据提取出特征；将基于所述窗口提取的所述特征和预测模型计算得出计算结果；显示屏，用于显示计算结果，以便于用户直观的观测到计算结果。根据本申请实施例的穿戴设备能够获得的精准的计算结果，该计算结果更能够精准的反应用户的身体状态，以便用户及时的了解自身的状态，发现问题及早预防。
46.在上述第六方面的一种可能的实现中，所述预定规则包括：将预定时间周期和所述多段生命信号数据的预定体量中的至少一种作为窗口的长度。
47.在上述第六方面的一种可能的实现中，将所述多段生命信号数据的预定体量作为窗口的长度包括：将所述多段生命信号数据的预定数量作为所述窗口的长度，或将所述多段生命信号数据的预定总大小作为所述窗口的长度。通过窗口长度的设定以便于积存丰富的训练样本集，以提高预测模型的精准性。
48.在上述第六方面的一种可能的实现中，所述处理器具体用于基于预定规则设置窗口，并对窗口内数据更新处理，所述对窗口内数据更新处理，包括：对于新采集的用户的生命信号数据，若窗口内有足够的空闲位置，则直接将当前生命信号数据按照采集的先后顺序存放到所述空闲位置；对于新采集的用户的生命信号数据，若窗口内无足够的空闲位置，则对所述窗口内的生命信号数据和未存入窗口内的新采集的用户的生命信号数据进行取
舍。
49.在上述第六方面的一种可能的实现中，所述处理器具体用于：按照采集时间的先后顺序，在窗口已满的情况下，仅保留采集时间最近的数据。
50.在上述第六方面的一种可能的实现中，所述处理器具体用于：对窗口内的每条生命信号数据和新采集的生命信号数据按照预定状态进行打分，并将分数处于所述预定状态的生命信号数据删除，直到满足所述窗口设置的大小。
51.在上述第六方面的一种可能的实现中，所述处理器具体用于：按照距离新采集的生命信号数据时的当前时间从近到远的分类规则，将所述窗口内已存的生命信号数据划分到对应的类中；按照距离当前时间从远到近的次序依次检查各类，直到查到有生命信号数据的类，并对该类中的生命信号数据进行打分，并将分数处于所述用户的预定状态的生命信号数据删除。通过该分类规则获得窗口内的生命信号数据更能够反应用户可能发生医疗事件的风险。
52.在上述第六方面的一种可能的实现中，每一类中至少保留一条生命信号数据，并且对每一类中的生命信号数据按照对所述计算结果的贡献程度设定不同的权重值。其中，权重值越高，越能够影响计算结果的精准性，由于时间越久远的生命信号数据反应用户的当前状态的程度越弱，因此按照距离当前时间由远到近的顺序将权重值从低到高进行设定，从而降低距离当前时间较远的生命信号数据对计算结果的精准性的影响程度。以便于窗口内的生命信号数据更能够真实的反应用户当前的状态，提高计算结果的准确性。
53.在上述第六方面的一种可能的实现中，所述处理器还包括：基于大数据平台内的数据，统计与所述计算结果处于同一预设范围内的其他用户的属性类别，以及所述属性类别分别对应的其他用户的状态；根据所述属性类别分别对应的其他用户的状态，评估所述计算结果对应的所述用户的状态。可以便于用户预测自己在未来一段时间内可能发生房颤的概率的推算，以便于及早预防。
54.第七方面，本申请提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器运行时，使得处理器执行上述第一方面实施例的方法和第二方面实施例的方法。
附图说明
[0055][0056]
图1a为本申请一个实施例的预测系统的结构示意图；
[0057]
图1b为本申请一个实施例的处理器在云服务器上的预测系统的结构示意图；
[0058]
图1c为本申请一个实施例的处理器在穿戴设备上的预测系统的结构示意图；
[0059]
图1d为本申请一个实施例的处理器在计算设备上的预测系统的结构示意图；
[0060]
图2为本申请根据本申请的房颤的预测方法的流程图；
[0061]
图3为本申请一些实施例的计算结果对应的发生房颤的概率分布图；
[0062]
图4为本申请一些实施例的预测模型的训练方法的流程图；
[0063]
图5为本申请一个实施例的生成预测模型的电子设备的结构示意图；
[0064]
图6为本申请一个实施例的用于计算的电子设备的结构示意图；
[0065]
图7为本申请一些实施例的穿戴设备的结构示意图；
[0066]
图8a为本申请一些实施例的医疗事件的计算结果的曲线图；
[0067]
图8b为本申请一些实施例的根据本申请的具体实施方式的显示模块所输出风险值的ui界面的示意图；
[0068]
图8c为本申请一些实施例的根据本申请的具体实施方式的显示模块所输出计算结果的ui界面的示意图；
[0069]
图9为本申请一些实施例的一种设备的框图；
[0070]
图10为本申请一些实施例的一种片上系统(soc)的框图。
具体实施方式
[0071]
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0072]
可以理解的是，本申请中的医疗事件是指用户可能发生的与身体健康有关的不良的心脏事件，非限制性示例可以包括房颤(atrial fibrillation，简称af) 或心机梗塞等。该医疗事件是本申请所提供的计算方法所实施的一应用场景。通过收集与医疗事件相关的数据，并且进行计算，所得到的结果可以用于指示指用户当前并未发生的医疗事件，但在未来的某一段时间内可能发生的医疗事件的趋势和概率的分析预测，以及提供一些可视化强的参考。本领域技术人员能够理解的是，本申请意欲保护的是一种数据处理(计算)的方法及相应的装置和系统，并非意欲对医疗诊断方法进行保护。
[0073]
可以理解的是，对于本申请提供的计算方法而言，计算结果越高，用户在未来的某一段时间内发生医疗事件的概率越高，也可以理解为用户可能发生医疗事件的时间距离当前预测时间越近。
[0074]
根据本申请的一个实施例，预测模型可以基于大数据平台内的历史生命信号数据(如photo plethysmo graphy，简称ppg)并采用机器学习训练得到，其中，历史生命信号数据可以为与被检测者相似的医疗事件的历史生命信号数据的集合。
[0075]
可以理解的是，本申请的窗口可以是以预定时间周期作为一个窗口的长度，也可以是以预定体量的用户的生命信号数据作为一个窗口的长度，或者是两者的结合设定窗口的长度，通过对窗口的设定可以获得多段用户的生命信号数据，以提高计算的准确性。
[0076]
可以理解的是，如本文所使用的，术语“模块
””
可以指代或者包括专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用、或群组)和/或存储器、组合逻辑电路、和/或提供所描述的功能的其他适当硬件组件，或者可以作为这些硬件组件的一部分。
[0077]
可以理解的是，在本申请各实施例中，处理器可以是微处理器、数字信号处理器、微控制器等，和/或其任何组合。根据另一个方面，处理器可以是单核处理器，多核处理器等，和/或其任何组合。
[0078]
下面将结合附图对本申请的实施例作进一步地描述。
[0079]
根据本申请的一些实施例公开了一种预测系统的示意图，可以用于医疗事件的预测，其中医疗事件非限制性示例可以包括心机梗塞或房颤等，图1a示出了预测系统的结构
示意图。如图1a所示，该系统包括穿戴设备101，用于佩戴该穿戴设备的用户以及与该穿戴设备无线连接的云服务器102。
[0080]
穿戴设备101非限制性示例包括可以直接佩戴在人体上，诸如手腕、胸前等，或是整合到用户的衣服或配件的便携式设备。以手环或手表等形式呈现并穿戴于手腕上的设备是作为该穿戴设备的更容易理解的典型示例。该穿戴设备 101可以长时间的佩戴在用户身上，并用于基于特定的规则周期性的收集该用户的生命信号数据(如，ppg信号数据)，所收集到的用户的生命信号数据通过预测模型计算得到用户的计算结果，计算结果被传递到穿戴设备，以供用户查阅。
[0081]
云服务器102可以连接一个或多个穿戴设备。此处作为示例性说明仅列举了其与一个穿戴设备连接的情况。另外，云服务器102可以从多个穿戴设备中收集和整合用户的生命信号数据，这些数据用于本申请所公开的计算并得到最终的计算结果。另外，云服务器102还可以和其他的必要设备，例如路由器、其他辅助功能的服务器连接，但为简化说明，在图1a中未一一列出。
[0082]
所收集到的用户的生命信号数据通过预测模型的预测计算得到用户的计算结果，用户可通过穿戴设备101直观的得到该计算结果，该计算结果用于评估该用户在未来的一段时间内发生医疗事件的概率，以便于用户可以及时根据自身的状况采取预防措施。基于用户的生命信号数据的预测计算在特定的处理器中实施，例如在根据本申请的处理器103中实施。
[0083]
用于调用指令实施计算的处理器103，可以被放置在云服务器102中，也可以被并入穿戴设备101中，也可以是放置在一独立于穿戴设备101和云服务器102，但可以与其进行连接和数据同步的计算设备104中，诸如手机、个人计算机等，如图1a～1d所示。
[0084]
根据本申请的一个实施例，基于用户的生命信号数据的计算，包括预测模型的训练以及用户的结果的计算。预测模型的建立和基于该预测模型针对特定的用户的生命信号数据的结果的计算，如上述所述可以是在由同一处理器103 来实施，例如，处理器103在穿戴设备中，就是说该穿戴设备101可以实现预测模型的训练以及特定用户的结果的计算。也可以由分立的两个处理器来实施，例如，第一处理器负责进行预测模型的训练，第二处理器负责基于该预测模型对特定用户的结果的计算，当在两个处理器分立的情况下，两者可以分别地存在于云服务器、计算设备(如有)、穿戴设备中的任两者中。
[0085]
基于上面实施例的描述，根据本申请的一些实施例，下面以具体的实施例来介绍根据本申请的预测系统的处理器所实施的医疗事件的预测方法，图2 示出了根据本申请的预测系统的处理器所实施的医疗事件预测方法的流程图，如图2所示，该预测方法具体包括：
[0086]
步骤s210，获取用户的生命信号数据，其中，用户的生命信号数据由穿戴设备采集获得。用户的生命信号数据可以是以“条”为单位或者以“字节
”ꢀ
(数据大小)为单位。在下文的示例性说明中，均以“条”为单位作为用户的生命信号数据的单位的示例来进行说明。本领域技术人员可以理解的是，以“字节”或其他单位作为用户的生命信号数据的单位的情形与之类似。本申请的用户的生命信号数据可以是ppg信号数据。
[0087]
根据本申请的一个实施例，为了提高数据的可靠性，每次采集的生命信号数据需要进行降噪处理，例如通过滤波、信号质量分析等处理方式。
[0088]
步骤s220，基于预定规则设置窗口，每个窗口包括多段生命信号数据，其中，多段是指多段时间，每一段时间内可以有至少一条以上的生命信号数据，多段生命信号数据是指多段时间内的多条生命信号数据。这里预定规则可以包括将预定时间周期和多段生命信号数据的预定体量中的一种或两种作为窗口的长度。举例来说，预定时间周期可以是以一段时间，例如，以小时、日、月、年为单位的时间周期，作为一个窗口的长度，也可以是以多段生命信号数据的总的预定体量作为窗口的长度，其中，预定体量作为窗口长度可以为多段生命信号数据的预定数量或预定总大小的数据存储空间，例如以条为单位或者以数据大小(字节)为单位的用于存放一定数量的用户生命信号数据的存储空间作为一个窗口的长度，或者将预定时间周期和多段生命信号数据的预定体量结合作为窗口的长度，如6个月内的100条数据作为窗口的长度，在此并不作为唯一限定。
[0089]
对于一个用户来说，经过了多次的测量后可以得到多段的生命信号数据。这些多段的生命信号数据，根据需要，可以被装入一个或多个窗口中。在存在多个窗口的情况下，这些不同的窗口包含的生命信号数据也可以是部分重叠的。根据本申请的一个实施例，多段生命信号数据包括用户的多段历史生命数据和用户的新采集的生命信号数据，随时间的推移，需要对窗口内的用户的生命信号数据更新处理，也就是说，以窗口作为一个单元，窗口内的生命信号数据被更新，窗口也随之被更新，基于窗口内的生命信号数据计算的结果也会不断的更新，进而实现对用户的身体状况持续的检测。
[0090]
可以理解的是，为提高计算结果的准确性，考虑到用户的生命信号数据采集过程中可能会出现生命信号数据在时间上分布不均、信号采集点和真实事件存在时间误差、信号采集点和事件可能错过等问题，本申请通过增加用户的生命信号数据的量，延长数据采集的时间以尽可能的减少误差，提高计算结果的可信度。
[0091]
根据本申请的一个实施例，下面以ppg信号数据为例对窗口内的生命信号数据的更新处理进一步地描述。
[0092]
s211，设置窗口初始大小，例如，100条用于存放ppg信号数据的位置，可以存放100条ppg信号数据。
[0093]
s212，当穿戴设备完成一次成功的采集，该新采集的ppg信号数据存入窗口内，其中，新采集的ppg信号数据为当前时间采集的当前ppg信号数据。
[0094]
更新时，如果窗口有空闲位置(即窗口内不满100条ppg信号数据)，则直接将当前ppg信号数据按照采集的先后顺序存放到空闲位置。
[0095]
如果窗口已存满，则需要对数据进行取舍。在接下来的实施例中将具体描述如何对数据进行取舍。
[0096]
根据本申请的实施方式的一种实现方式，可以按照采集时间的先后顺序，在窗口已满的情况下，仅保留采集时间最近的前100条数据。
[0097]
根据本申请的实施方式的另一种实现方式，由于考虑到用户在未发生医疗事件之前，ppg信号数据有时处于正常范围内，有时处于异常范围，因此尽可能的收集异常范围内的ppg信号数据更有利于对用户的未来可能发生医疗事件的预测，以提醒用户提前预防的效果。因此，本申请中，通过对窗口内的每条ppg信号数据和新采集的ppg信号数据进行打分，将ppg信号数据分为健康状态的ppg信号数据和异常ppg信号数据(非健康状态的ppg信号数据)，ppg信号数据越接近健康状态(跳动越规律)分数越高。如，以成年人的心率值为
例，健康状态的成年人的心率值为60～100次/分，除此之外的心率值为异常ppg信号数据，(小于60次/分或大于100次/分的心率值)，当异常ppg信号数据小于60次/分时，越接近60次/分分数越高，当异常ppg信号数据大于 100次/分的心率值时，越接近60次/分分数越高。如果新采集的ppg信号数据的与窗口内的ppg信号数据相比，新采集的ppg信号数据的打分值不是最高值，即新采集的ppg信号数据不是最接近健康状态的ppg信号数据，则删除窗口内分数最高的ppg信号数据，改为存储新采集的ppg信号数据，得到更新后的窗口，以使得窗口内的ppg信号数据能够及时反应用户的身体状况。进一步地，在对窗口内的每条ppg信号数据和新采集的ppg信号数据打分之前，可以对已存的窗口内的ppg信号数据按照时间分类，例如，按照距离新采集的ppg信号数据时的当前时间从近到远分为5类，将已存的ppg信号数据按照时间划分到5类中：分别为与新采集的ppg信号数据的当前时间处于同一个小时的ppg信号数据为第1类、除第1类以外同一天的ppg信号数据为第2类、除第1类和第2类以外的同一周的ppg信号数据为第3类、除第1、 2和3类以外同一个月的ppg信号数据为第4类、除前四类以外的其他时间的 ppg信号数据为第5类。假设分类结果为：100条ppg信号数据里，第1类里有30条ppg信号数据，第2类里有0条ppg信号数据，第3类里有50条 ppg信号数据，第4类里有20条ppg信号数据，第5类里有0条ppg信号数据。在进行数据的取舍时，按照距离当前时间从远到近的次序依次检查各类，即从第5类向第1类查起，直到查到一个有超过1条ppg信号数据的类，例如当查到第4类时，第四类有20条数据，则对第4类里的每条ppg信号数据打分，选取分数最高的那条ppg信号数据，并删除该ppg信号数据。从而在窗口中获得空间，以存储新采集的ppg信号数据。通过该取舍方式，可以优先将距离当前时间较远的ppg信号数据删除，以使窗口内的数据更能够表达用户的近期状态。
[0098]
更进一步地，为了能够长期的反应用户的身体状态，对窗口内的生命信号数据按照距离当前时间由远到近的顺序进行分类，且在更新时，每一类中至少保留1条生命信号数据，也就是说，根据上述的打分规则，各类中的ppg信号数据被不断的删除，当某一类中的ppg信号数据已经仅剩余或该类中本身仅有1条ppg信号数据，那么无论该ppg信号数据是不是最高值，均保留该数据。并且对每一类中的生命信号数据预设权重值，对计算结果影响较小的生命信号数据给予较低的权重值。其中，权重值越高，越能够影响计算结果。其中，对计算结果准确性贡献较小的生命信号数据可以是距离当前时间较久远的生命信号数据，例如，距离当前时间一段时间，例如半年前的ppg生命信号数据由于时间较久远，考虑到用户的身体状态可能会发生较大的变化，如从健康状态到中间状态(处于健康状态和发病状态之间的状态)，从中间状态到健康状态，因而过于久远的数据可能已经不能正确的表达用户当前的状态，因而，按照距离当前时间由远到近的顺序将权重值从低到高进行设定，从而降低距离当前时间较远生命信号数据对计算结果的影响。也可以是用户在特殊状态，例如，通过运动检测传感器感知到用户处于运动状态，或者是用户主动通过设备选择或输入自身状态是运动或者是正处于生病状态，条件下采集的生命信号数据，考虑到这些数据对计算结果准确性贡献较小或几乎无贡献，因此可以给予较低的权重，或直接去除这些数据。以便于窗口内的生命信号数据更能够真实的反应用户当前的状态，提高计算结果准确性。
[0099]
步骤s230，对窗口内的多段生命信号数据进行特征提取。可以理解的是，由于用户的生命信号数据是多个时间段的，因此特征的提取更加多样性，不仅要对每一段生命信号数据的数据特征提取，还需要对数据特征随时间变化的特征的融合。例如，特征提取可以是
多段生命信号数据内符合设定要求的数据，如生命信号数据的取值(最高值、平均值或最低值)，以心率为例，分别获取用户每一天的一段时间(如，5分钟，1小时等)内的数据，如，第一天获得的心率(次/分)为62，63，65，68，第二天获得的心率(次/分)为65，68， 69，65，第三天获得的心率(次/分)为69，68，69，70。当设定要求为最高值时，分别提取，第一天的68，第二天的69和第三天的70。以及数据间存在的关系和规律，如，第一天到第三天的最高值68，69，70中体现出逐渐升高的规律特征，或者数据的权重值等。不仅可以提取每一段(时间段)生命信号数据中的数据特征，如第一天，第二天，和第三天的心率的最高值。还要提取这些数据特征之间存在的规律的序列特征，如三天内的最高值逐渐上升的序列特征。本申请中的最高值的特征仅为示例性的描述，也可以取最低值，或最高值等其他设定要求，在此并不作为唯一的限定。
[0100]
根据本申请实施例，由于对窗口内的多段生命信号数据的特征提取，使特征更加多样化，复杂化进而可以从多个维度对窗口内的多段生命信号数据进行计算，以提高计算结果的可信度。
[0101]
步骤s240，以窗口为单位，将基于窗口提取的特征和预先训练好的预测模型计算得到计算结果。
[0102]
其中，预测模型是基于大数据平台中的历史生命信号数据的特征，以及历史生命信号数据组成的窗口对应的属性类别，通过全监督或半监督的训练方式得到。该数值化的计算结果可以表征预测用户的发生医疗事件的概率。具体地，可以根据该计算结果评估在未来的某一段时间(例如，一个月、2个月、3个月和/或4个月等)内发生医疗事件的概率(0-100％)。其中，计算结果的数值越高，被设定为用户在未来的某一段时间内发生医疗事件的概率越高，也可以理解为用户可能发生医疗事件的时间距离当前预测时间越近。
[0103]
下面以房颤的医疗事件为例，结合具体的实施例对医疗事件的评估过程进行描述，图3示出了计算结果对应的发生房颤的概率分布图，如图3所示，当用户的当前计算结果为12％，基于大数据平台查找出计算结果等于12％或接近12％的人群，在相似的人群中进一步找出已经发生房颤的人群，统计已经发生房颤的人群在被计算出结果为12％或接近12％时起，如10％-20％的发病人群，距离发生房颤的时间。如，一个月内发生房颤的人数占总的人群的比例，如此推算，可以便于用户直观的预测自己在未来一段时间内可能发生房颤的概率的推算，以便于及早预防。
[0104]
基于上面实施例的描述，根据本申请的一些实施例，下面以具体的实施例示例性来介绍预测模型的训练方法，图4示出了基于生命信号数据的预测模型的训练方法的流程图，如图4所示，该预测模型的训练方法具体包括：
[0105]
步骤s410，获取至少一个用户的多段基于时间的历史生命信号数据，其中，历史生命信号数据是指基于大数据平台中已有的属于众多用户的生命信号数据，该历史生命信号数据可由不同用户的穿戴设备的采集获得。多段历史生命信号数据是指对应多段不同时间的多条生命信号数据。由于大数据平台具有较多的历史生命信号数据，因此，基于大平台内的历史生命信号数据训练得到的模型可信度更高，由此计算的结果更加准确。
[0106]
步骤s420，针对每一个用户，基于预定规则设置至少一个用于生命信号数据的窗口，每个窗口包括多段历史生命信号数据。其中，历史生命信号数据可以是大数据平台内的已有的用户的生命信号数据。
[0107]
在模型的训练过程中，对于窗口的设置可以与以上介绍的计算方法中的相同。
[0108]
根据本申请的一个实施例，基于预定规则设置至少一个用于生命信号数据的窗口。进一步包括对每一个用户的窗口内的生命信号数据更新处理。
[0109]
在本申请中，对窗口内的历史生命信号数据的更新处理可参见上述实施例中对用户的窗口内的生命信号数据的更新处理方法，在此不再赘述。需要说明的是，由于预测模型的训练基于大数据平台内的多个用户的历史生命信号数据，为了提高预测模型的准确度，可以将窗口设置为半年或一年的时间周期，其窗口更新的频率可以低于计算方法中的用户的窗口内的生命信号数据的更新频率，以便于在大数据平台内的用户的历史生命数据积累到一定的量，以提高预测模型的准确性。
[0110]
步骤s430，针对每一个用户，从窗口内的多段历史生命信号数据提取出特征。可以理解的是，由于基于大数据平台内的多段历史生命信号数据，数据量越大，关系越复杂，特征的提取更加多样性，不仅要对每个用户的窗口内的每一段生命信号数据的数据特征提取，还需要对数据特征随时间变化的特征的融合。例如，特征提取可以是多段生命信号数据内符合设定要求的数据、以及数据间存在的关系和规律。不仅可以提取每一段(时间段)生命信号数据中的数据特征，如每一段生命信号数据中的数据最高值、平均值或最低值等。还要提取这些数据特征之间存在的规律的序列特征，如，对每一段生命信号数据中的数据最高值进行特征提取，其中，多段生命信号数据的最高值之间遵循随时间变化逐渐升高的规律，特征之间相互组合等，在此并不作为唯一的限定。
[0111]
步骤s440，对窗口进行标注，确定与窗口内的多段历史生命信号数据对应的属性类别。其中，属性类别用于表征用户关联的医疗事件，例如发生房颤的风险，例如高风险、低风险。
[0112]
而这样的属性类别是可以和计算得到的数值相对应的。基于计算得到的数值来确定的用户的身体状态，如，用户可能发生房颤的概率，或称之为风险值 (0-100％)。其中，风险值越接近0时，表明用户当前无发房颤的风险，风险值为越接近100％时，表明用户当前发生风险的可能性非常高，甚至是已经发生。
[0113]
属性类别也可以用另外的形式表征用户的身体状态，如，以生命信号数据为ppg信号数据为例，对应的属性类别可以包括正常心率、房颤或处于两者之间的中间心率等。
[0114]
步骤s450，以窗口为例，将基于窗口的提取的特征和窗口对应的属性类别作为训练样本集，通过半监督训练方法和全监督训练方法在机器上训练得到预测模型。即，预测模型可以是半监督预测模型或全监督预测模型。
[0115]
可以理解的是，半监督预测模型是指通过部分标注的方式以获得部分人群的生命信号数据对应的属性类别。具体地，部分标注是指对大数据平台中的一部分人群进行标注，剩余部分的人群可以不标注，通常在标注时考虑到处于中间状态的人群的生命信号数据对应的属性类别标注困难，因此仅标注正常状态和发病状态的人群的生命信号数据对应的属性类别。例如，在大数据平台里内的人群中，处于正常状态，如，窗口内的ppg信号数据正常，该窗口对应的属性类别为风险值为0或正常心率，处于发病状态，如，窗口内的ppg信号数据数值已经是房颤时的数值，对应的属性类别为风险值为100％或房颤，进一步基于该标注的结果训练得到目标的半监督预测模型。
[0116]
可以理解的是，全监督预测模型是指采用全标注的方式以获得大数据平台中所有
人群的生命信号数据对应的属性类别。也就是说，全监督预测模型除了对正常状态和发病状态的用户的生命信号数据及对应的属性类别进行标注以外，还包括对处于正常状态和发病状态之间的中间状态的用户的生命信号数据对应的属性类别进行标注，如，窗口内的ppg信号数据数值对应的结果处于正常状态和发病状态数值之间，对应的属性类别为风险值为0～100％之间的某段数值范围(不包含0和100％)或中间心率(亚健康)。其中，对中间状态的标注可以采用径向基函数(radial basis function)和knn最近邻分类算法 (k-nearest neighbors)等策略进行自动标注。
[0117]
另外，本申请的一些实施例中，对全监督预测模型中的中间状态的用户的标注，考虑中间状态标注的困难程度较高，可以采用假设用户从正常状态到发病状态遵循线性发展规律，对处于中间状态的用户进行人工线性标注。该标注方式简单，同时相对于部分标注的方式可以提高预测模型的准确性。
[0118]
本申请的一个优选实施例中，当发生医疗事件的人群数量较少，处于正常状态的人群样本较多时，会发生过拟合现象，为减少过拟合现象，可以通过多次调参并对比多种机器学习模型的效果以减少过拟合现象。
[0119]
本申请的实施例，通过上述方法训练得到的预测模型可以更精准的计算出用户的计算结果，该计算结果可以用于指示指用户当前并未发生的医疗事件，如房颤，但在未来的某一段时间内可能发生的房颤的趋势和概率的分析预测，以及提供一些可视化强的参考。
[0120]
根据本申请的一些实施例公开了一种用于生成预测模型的电子设备500，图5示出了生成预测模型的电子设备500的结构示意图。如图5所示，该电子设备500包括：
[0121]
第一获取模块510，用于获取至少一个用户的多段基于时间的历史生命信号数据。历史生命信号数据是指基于大数据平台中已有的用户的生命信号数据，该历史生命信号数据可由穿戴设备的采集并由第一获取模块获得。
[0122]
第一窗口设定模块520，用于针对每一个用户，基于预定规则设置至少一个用于生命信号数据的窗口，每个窗口包括多段历史生命信号数据。其中，预定规则可以包括将预定时间周期和/或多段生命信号数据的预定体量作为窗口的长度。预定体量作为窗口长度可以为多段生命信号数据的预定数量或预定总大小的数据存储空间，例如以条为单位或者以数据大小(字节)为单位的用于存放一定数量的用户生命信号数据的存储空间的作为一个窗口的长度，或者将预定时间周期和多段生命信号数据的预定体量结合作为对窗口的长度。
[0123]
第一提取模块530，用于针对每一个用户，从窗口内的多段历史生命信号数据提取出特征。
[0124]
标注模块540，用于对窗口进行标注，确定与窗口内的多段历史生命信号数据对应的属性类别，其中，属性类别用于表征该窗口对应的与用户关联的医疗事件。其中，对窗口的标注包括大数据平台内的所有用户的窗口标注，即全标注，和对部分用户的窗口进行标注，即部分标注。
[0125]
训练模块550，用于以窗口为单位，将基于窗口的特征和窗口对应的属性类别作为训练样本集，通过半监督训练方法或全监督训练方法训练得到预测模型。
[0126]
第一窗口设定模块520，进一步用于对窗口内数据的更新处理，窗口内数据的更新处理包括：获取新采集的用户的历史生命信号数据，并存入窗口内以更新窗口，其中，新采
集的用户的历史生命信号数据是指未参与训练的历史生命信号数据的集合。
[0127]
本申请中，预测模型的生成设备500的各部件的功能及工作流程在上述实施例中已经详细的说明，具体可参见上述实施例的预测模型的训练方法，在此不再赘述。
[0128]
根据本申请实施例的生成预测模型的电子设备500，能够得到计算精准的预测模型，通过该预测模型计算得到的用户的生命信号数据计算结果具有较高的准确性和可靠性。
[0129]
根据本本申请实施例的生成预测模型的电子设备，可以被实现为穿戴设备、与穿戴设备连接的服务器，及可以与穿戴设备通信的诸如智能手机、平板电脑、台式pc及笔记本式pc等的终端设备。
[0130]
根据本申请的一些实施例公开了一种用于计算的电子设备600，图6示出了用于计算的电子设备600的结构示意图。如图6所示，该电子设备600中包括处理器，可用于实施执行上述实施例的医疗事件的预测方法，该电子设备 600包括：
[0131]
第二获取模块610，获取用户的生命信号数据，其中，用户的生命信号数据可由穿戴设备的采集，并由第二获取模块获得。其中用户的生命信号数据可以，以条为单位或者以数据大小(字节)为单位。可以是ppg信号数据，例如心跳的频率等数据。
[0132]
第二窗口设定模块620，用于基于预定规则设置窗口，每个窗口包括多段生命信号数据。其中，预定规则可以包括将预定时间周期和/或多段生命信号数据的预定体量作为窗口的长度。预定体量作为窗口长度可以为多段生命信号数据的预定数量或预定总大小的数据存储空间，例如以条为单位或者以数据大小(字节)为单位的用于存放一定数量的用户生命信号数据的存储空间的作为一个窗口的长度，或者将预定时间周期和多段生命信号数据的预定体量结合作为对窗口的长度。第二提取模块630，用于对窗口内的多段生命信号数据提取出特征。
[0133]
计算模块640，用于以窗口为单位，将基于窗口提取的特征和预先训练好的预测模型计算得出计算结果。
[0134]
根据本申请的一个实施例，用于计算的电子设备600还包括：评估模块，用于基于大数据平台内的数据，统计与计算结果处于同一预设范围内的其他用户的属性类别，以及属性类别分别对应的其他用户的状态；
[0135]
评估模块根据属性类别分别对应的其他用户的状态，评估计算结果对应的用户的状态。
[0136]
根据本申请的一个实施例，该用于计算的电子设备还包括：
[0137]
处理模块，用于在获取用户的生命信号数据之前，对用户的生命信号数据降噪处理，数据处理模块可以用于处理异常生命信号数据，以及对每次采集的用户的生命信号数据降噪处理，例如，通过滤波、信号质量分析等对生命信号数据进行降噪处理，以得到更精准的计算结果。
[0138]
本申请中，电子设备的各部件的功能及工作流程在上述实施例中已经详细的说明，具体可参见上述实施例的医疗事件的预测方法，在此不再赘述。
[0139]
根据本申请实施例的用于计算的电子设备600，可以得到的医疗事件的计算结果可以用于评估用户发生医疗事件的概率。进一步的，可以根据该计算结果评估在未来的某一段时间(例如，一个月、2个月、3个月和/或4个月等) 内发生医疗事件的概率(0-100％)。
其中，计算结果越高，被标注为用户在未来的某一段时间内发生医疗事件的概率越高，也可以理解为用户可能发生医疗事件的时间距离当前预测时间越近。根据本本申请实施例的用于计算的电子设备600，可以被实现为穿戴设备、与穿戴设备连接的服务器，及可以与穿戴设备通信的诸如智能手机、平板电脑、台式pc(personal computer，pc)及笔记本式pc等的终端设备。
[0140]
根据本本申请实施例的用于计算的电子设备，可以进一步包括显示模块，用于向用户展示计算的结果以及基于计算结果得到的图形或图像。
[0141]
根据本申请的一些实施例，公开了一种穿戴设备，图7示出了穿戴设备 700的结构示意图。如图7所示，具体地，穿戴设备700可以包括：
[0142]
采集器710，用于周期性的采集用户的生命信号数据，可以理解的是，采集器710可以主动的采集用户的生命数据信号，也可以通过用户控制并在适当的时间采集。
[0143]
存储器720，用于存储指令；处理器730，用于读取存储器中存储的指令，以执行上述实施例的医疗事件的预测方法；以及
[0144]
实现为显示屏的显示装置740，用于显示计算结果，以使用户通过穿戴设备700可以直观的获知该计算结果，进一步通过该计算结果可以得知未来的某一段时间内发生医疗事件的概率。
[0145]
虽然以上的实施方式中，穿戴设备700本身包括了用于显示诸如计算结果的信息的显示屏，但是本领域技术人员可以理解的是，有的穿戴设备可能本身不具有显示屏，根据本申请的实施方式的穿戴设备，可以将数据同步至可通信地与穿戴设备连接的诸如智能手机、平板电脑、台式pc及笔记本式pc等的具有显示屏的终端设备上，以向用户展示相应的数值、图形或图像。
[0146]
作为根据本申请的实施例的一个示例性的应用场景，当某用户佩戴了根据本申请的穿戴设备后，穿戴设备可以周期性地或者用户手动地启动对生命信号数据的收集。当生命信号数据收集完成后被即时地，或者在穿戴设备中累积到一定程度后，被发送到云服务器侧。云服务器侧包括用于计算基于用户的生命信号数据的医疗事件的概率的电子设备。当云服务器接收到该用户的生命信号数据后，利用根据本申请的实施方式的计算方法进行计算，得到计算结果。
[0147]
计算结果可以直接是结果的简单的显示，也可以是基于该计算结果并经过更为复杂的分析后的结果。
[0148]
根据本申请的一个实施例，为了便于用户对自身身体状况的了解，可以绘制计算结果随时间变化的趋势图，用户通过趋势图可以直观的得到计算结果的变化趋势。可以理解的是，医疗事件的概率的表现形式也可以通过趋势图直观的表示，以便于用户可以直观的得到自身在未来一段时间内发生医疗事件的概率。其中，趋势图可以是图表、柱形图或曲线图等。本申请的其他实施例中也可以通过语音等播报方式以提示用户，以便于用户直观了解自身的情况并及时采取相应的预防措施。
[0149]
图8a示出了医疗事件的计算结果的示范性曲线图，该计算结果示例性的列举为风险值，如图8a所示，从2.3日到4.9日为一个窗口，其中，该窗口内可以包括2.3日的一个小时内的生命信号数据，2.4日的两个个小时内的生命信号数据，以及2.8日、3.10日内某一段时间内的生命信号数据的集合，由图可以看出窗口内的生命信号数据的取值在时间上并不是
连续的。当窗口内的用户的生命信号数据积累到一定的量，基于该窗口内的用户的生命信号数据计算出在4.9日当天的计算结果为0.2。从2.4号到4.16日为更新后的窗口，即增加了4.16号的用户的生命信号数据，基于更新后的窗口内的用户的生命信号数据计算出4.16日当天的计算结果为0.19。
[0150]
计算结果可以从云服务器发送至穿戴设备进行显示，从而用户可以非常容易地从穿戴设备上了解到医疗事件的相关状态。图8b和图8c示出了根据本申请的具体实施方式的显示模块所输出的ui界面的示意图。作为本申请所提供的计算方法的优点，除了向用户提供精确的医疗事件的计算结果以外，能够将分析结果以直观的形式展示给用户，以帮助用户了解医疗事件在今后的风险值，也是本申请提供的计算方法的优点之一。
[0151]
如图8b中的ui界面图所示，根据不断更新的计算结果数据，可以绘制出用户的计算结果(如图8b所示医疗事件的风险值)的趋势图，通过该趋势图，用户可以直观的观察到计算结果的走向，以进一步判断自身可能发生医疗事件的概率。
[0152]
如图8c中的ui界面图所示，结合大数据的平台，可以将用户的计算结果与大数据平台众多人群的结果样本进行匹配和对照，从而结合对照的结果，预测自己在未来一段时间内可能发生房颤的概率的推算，并直观地显示出来以便于及早预防。例如图8b中所示的距离发生房颤的时间，但本申请不限于此，还可以是本领域技术人员能理解的其他概率。
[0153]
另外，本领域技术人员可以理解的是，虽然穿戴设备包括自身的用以处理显示数据的显示设备以及用于显示相关信息的显示屏，但是如图8b和图8c这样的显示界面可以是现实在穿戴设备自身具有的显示屏上，也可以是现实在与穿戴设备完成数据同步后的其他终端设备上，例如智能电话、桌面型计算机、智能电视等，本申请在此不作限制。
[0154]
根据本申请的一些实施例，穿戴设备700还可以包括数据处理模块，数据处理模块可以用于处理异常生命信号数据，以及对每次采集的用户的生命信号数据降噪处理，例如，通过滤波、信号质量分析等对生命信号数据进行降噪处理，以得到更精准的计算结果。
[0155]
可以理解的是，本申请中的异常生命信号数据可以包括超出用户预期的、健康的或正常的预定阈值范围或水平之外的特征、特性或值的生命信号数据，例如，在ppg信号数据的情形中，用户处于运动状态下的ppg信号数据，ppg 信号数据超出预定阈值水平可以被理解为构成生命信号数据异常。在某些其他的情形中，用户不规律的ppg信号数据可以被视为异常生命信号数据。
[0156]
在本申请的一些实施例中，处理模块还可以感知用户的运动状态，而在用户运动的时间段中，当生命信号数据超出一定范围可以被视为该生命信号数据不构成异常生命信号数据，例如，在运动状态下，该用户的ppg信号数据会由于运动而升高，此时，该ppg信号数据不构成异常ppg信号数据。由此，得到的窗口内的用户的生命信号数据时间上并不是均匀分布的，可能出现在设定同等时长条件下的窗口内的用户的生命信号数据会有多有少，有的时间段内取值比较密集，有的时间段内取值比较稀疏。因此，可以将窗口内的用户的生命信号数据积累到一定的量，在进行结果的计算时，可以有效的提高计算结果的准确性和可靠性。
[0157]
在本申请的其他实施例中，可以将穿戴设备与终端设备，如手机、电脑等连接，并通过终端设备显示计算结果、计算结果随时的变化趋势图、以及该计算结果对应的医疗事件发生的概率趋势图的一种或几种。
[0158]
根据本申请的一个实施例，穿戴设备还可以包括评估模块，当接收模块接收到由云端计算得到的计算结果后，评估模块根据云端的大数据平台查找与该计算结果相似的人群，即查找计算结果相等或接近该计算结果的人群，通过对比相似人群在未来时间内发生医疗事件的情况，来评估该用户在未来的一段时间内发生的医疗事件的概率。
[0159]
现在参考图9，所示为根据本申请的一个实施例的设备1200的框图。设备1200可以包括耦合到控制器中枢1203的一个或多个处理器1201。对于至少一个实施例，控制器中枢1203经由诸如前端总线(front side bus，fsb)之类的多分支总线、诸如快速通道互连(quick path interconnect，qpi)之类的点对点接口、或者类似的连接1206与处理器1201进行通信。处理器1201执行控制一般类型的数据处理操作的指令。在一实施例中，控制器中枢1203包括，但不局限于，图形存储器控制器中枢(graphics memory controller hub， gmch)(未示出)和输入/输出中枢(input output hub，ioh)(其可以在分开的芯片上)(未示出)，其中gmch包括存储器和图形控制器并与ioh耦合。
[0160]
设备1200还可包括耦合到控制器中枢1203的协处理器1202和存储器 1204。或者，存储器和gmch中的一个或两者可以被集成在处理器内(如本申请中所描述的)，存储器1204和协处理器1202直接耦合到处理器1201以及控制器中枢1203，控制器中枢1203与ioh处于单个芯片中。存储器1204 可以是例如动态随机存取存储器(dynamic random access memory，dram)、相变存储器(phase change memory，pcm)或这两者的组合。在一个实施例中，协处理器1202是专用处理器，诸如例如高吞吐量mic处理器(many integerated core，mic)、网络或通信处理器、压缩引擎、图形处理器、通用图形处理器 (general purpose computing on gpu，gpgpu)、或嵌入式处理器等等。协处理器1202的任选性质用虚线表示在图9中。
[0161]
存储器1204作为计算机可读存储介质，可以包括用于存储数据和/或指令的一个或多个有形的、非暂时性计算机可读介质。例如，存储器1204可以包括闪存等任何合适的非易失性存储器和/或任何合适的非易失性存储设备，例如一个或多个硬盘驱动器(hard-disk drive，hdd(s))，一个或多个光盘 (compact disc，cd)驱动器，和/或一个或多个数字通用光盘(digital versatile disc，dvd)驱动器。
[0162]
在一个实施例中，设备1200可以进一步包括网络接口(network interface controller，nic)1206。网络接口1206可以包括收发器，用于为设备1200 提供无线电接口，进而与任何其他合适的设备(如前端模块，天线等)进行通信。在各种实施例中，网络接口1206可以与设备1200的其他组件集成。网络接口1206可以实现上述实施例中的通信单元的功能。
[0163]
设备1200可以进一步包括输入/输出(input/output，i/o)设备1205。i/o 1205可以包括：用户界面，该设计使得用户能够与设备1200进行交互；外围组件接口的设计使得外围组件也能够与设备1200交互；和/或传感器设计用于确定与设备1200相关的环境条件和/或位置信息。
[0164]
值得注意的是，图9仅是示例性的。即虽然图9中示出了设备1200包括处理器1201、控制器中枢1203、存储器1204等多个器件，但是，在实际的应用中，使用本申请各方法的设备，可以仅包括设备1200各器件中的一部分器件，例如，可以仅包含处理器1201和nic1206。图9中可选器件的性质用虚线示出。
[0165]
根据本申请的一些实施例，作为计算机可读存储介质的存储器1204上存储有指令，该指令在计算机上执行时使系统1200执行根据上述实施例中的计算方法，具体可参照上述实施例的方法，在此不再赘述。
[0166]
现在参考图10，所示为根据本申请的一实施例的soc(system on chip，片上系统)1300的框图。在图10中，相似的部件具有同样的附图标记。另外，虚线框是更先进的soc的可选特征。在图10中，soc1300包括：互连单元1350，其被耦合至应用处理器1310；系统代理单元1380；总线控制器单元 1390；集成存储器控制器单元1340；一组或一个或多个协处理器1320，其可包括集成图形逻辑、图像处理器、音频处理器和视频处理器；静态随机存取存储器(static random access memory，sram)单元1330；直接存储器存取 (dma)单元1360。在一个实施例中，协处理器1320包括专用处理器，诸如例如网络或通信处理器、压缩引擎、gpgpu、高吞吐量mic处理器、或嵌入式处理器等。
[0167]
静态随机存取存储器(sram)单元1330中可以包括用于存储数据和/或指令的一个或多个计算机可读介质。计算机可读存储介质中可以存储有指令，具体而言，存储有该指令的暂时和永久副本。该指令可以包括：由处理器中的至少一个单元执行时使soc1300执行根据上述实施例中的计算方法，具体可参照上述实施例的方法，在此不再赘述。
[0168]
本申请公开的机制的各实施例可以被实现在硬件、软件、固件或这些实现方法的组合中。本申请的实施例可实现为在可编程系统上执行的计算机程序或程序代码，该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。
[0169]
可将程序代码应用于输入指令，以执行本申请描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本申请的目的，处理系统包括具有诸如例如数字信号处理器(digital signal processor，dsp)、微控制器、专用集成电路(application specific integrated circuit，asic)或微处理器之类的处理器的任何系统。
[0170]
程序代码可以用高级程序化语言或面向对象的编程语言来实现，以便与处理系统通信。在需要时，也可用汇编语言或机器语言来实现程序代码。事实上，本申请中描述的机制不限于任何特定编程语言的范围。在任一情形下，该语言可以是编译语言或解释语言。
[0171]
在一些情况下，所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如，计算机可读)存储介质承载或存储在其上的指令，其可以由一个或多个处理器读取和执行。例如，指令可以通过网络或通过其他计算机可读介质分发。因此，机器可读介质可以包括用于以机器(例如，计算机)可读的形式存储或传输信息的任何机制，包括但不限于，软盘、光盘、光碟、光盘只读存储器(compact disc read only memory，cd-roms)、磁光盘、只读存储器(read only memory，rom)、随机存取存储器(ram)、可擦除可编程只读存储器 (erasable programmable read only memory，eprom)、电可擦除可编程只读存储器(electrically erasable programmable read only memory，eeprom)、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息(例如，载波、红外信号数字信号等)的有形的机器可读存储器。因此，机器可读介质包括适合于以机器(例如，计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。
[0172]
在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明书附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。
[0173]
需要说明的是，本申请各设备实施例中提到的各单元/模块都是逻辑单元/ 模块，在物理上，一个逻辑单元/模块可以是一个物理单元/模块，也可以是一个物理单元/模块的一部分，还可以以多个物理单元/模块的组合实现，这些逻辑单元/模块本身的物理实现方式并不是最重要的，这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外，为了突出本申请的创新部分，本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的单元/模块引入，这并不表明上述设备实施例并不存在其它的单元/模块。
[0174]
需要说明的是，在本专利的示例和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0175]
虽然通过参照本申请的某些优选实施例，已经对本申请进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。