基于健康风险评估的预警方法、装置和终端设备与流程

1.本发明涉及健康评估技术领域，特别涉及一种基于健康风险评估的预警方法、装置和终端设备。


背景技术：

2.目前，随着社会经济的发展，人们越来越重视自身的健康。健康风险评估(health riskappraisal,hra)方法用于评估某个特定个体未来患某种特定疾病或者因疾病导致身体损害甚至死亡的可能性，从而帮助个体及时采取措施来预防疾病以及防止疾病造成的有害后果的发生。然而目前的健康风险评估方法较为片面，大多偏重于心肺机能或者个体所掌握的健康知识，不能全面、直接地反映个体的健康状况。


技术实现要素：

3.本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于健康风险评估的预警方法，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
4.本发明的第二个目的在于提出一种基于健康风险评估的预警装置。
5.本发明的第三个目的在于提出一种终端设备。
6.本发明的第四个目的在于提出一种电子设备。
7.本发明的第五个目的在于提出一种计算机可读存储介质。
8.为达到上述目的，本发明第一方面实施例提出了一种基于健康风险评估的预警方法，包括：获取用户的健康行为数据；对所述健康行为数据进行多个维度的健康风险分析，得到对应的多个健康风险维度评分；根据所述多个健康风险维度评分计算得到所述用户的健康风险评分；根据所述健康风险评分对所述用户进行健康风险预警提示。
9.根据本发明实施例的基于健康风险评估的预警方法，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
10.另外，根据本发明上述实施例提出的基于健康风险评估的预警方法还可以具有如下附加的技术特征：
11.在本发明的一个实施例中，所述多个健康风险维度评分包括以下评分中的至少两个：慢性病风险评分、运动机能风险评分、生活习惯风险评分、体征异常风险评分或测量诊断风险评分。
12.在本发明的一个实施例中，所述健康行为数据包括：日常行为数据和生理体征数据。
13.在本发明的一个实施例中，对所述健康行为数据进行慢性病维度的健康风险分析，得到对应的所述慢性病风险评分，包括：将所述健康行为数据输入至训练好的至少一个慢性病风险评估模型中，得到对应的至少一个候选慢性病风险评分；其中，所述至少一个慢性病风险评估模型包括以下模型中的至少一个：高血压风险评估模型、糖尿病风险评估模型、高血脂风险评估模型、心脏病风险评估模型、慢性阻塞性肺气肿风险评估模型、泌尿系慢性炎症风险评估模型、甲亢风险评估模型或甲减风险评估模型；根据所述至少一个候选慢性病风险评分得到所述慢性病风险评分。
14.在本发明的一个实施例中，对所述健康行为数据进行运动机能维度的健康风险分析，得到对应的所述运动机能风险评分，包括：根据所述健康行为数据中的运动心率计算得到向量型的运动智能指数序列和向量型的运动摄氧指数序列；采用序列数据标准评分方法分别对所述向量型的运动智能指数序列和所述向量型的运动摄氧指数序列进行计算转化，得到运动智能指数概率值和运动摄氧指数概率值；根据所述运动智能指数概率值和所述运动摄氧指数概率值，得到所述运动机能风险评分。
15.在本发明的一个实施例中，根据所述健康行为数据中的运动心率计算得到所述向量型的运动摄氧指数序列，包括：采用间接次最大方法对所述运动心率进行计算，得到运动摄氧函数；在设定时间内周期性计算之前设定天数内的所述运动摄氧函数的积分，得到所述向量型的运动摄氧指数序列。
16.在本发明的一个实施例中，对所述健康行为数据进行生活习惯维度的健康风险分析，得到对应的所述生活习惯风险评分，包括：根据所述健康行为数据中的运动数据得到所述用户的运动规律评分；根据所述健康行为数据中的睡眠数据得到所述用户的睡眠规律评分；根据所述运动规律评分和所述睡眠规律评分，得到所述生活习惯风险评分。
17.在本发明的一个实施例中，所述运动数据包括运动发起时间、运动持续时间和运动类型，所述根据所述健康行为数据中的运动数据得到所述用户的运动规律评分，包括：对于同一运动类型对应的运动发起时间序列进行差分计算，得到该运动类型对应的运动发起时间差分序列；采用序列数据标准评分方法分别对所述运动发起时间差分序列和运动持续时间序列进行计算转化，得到运动发起时间差分概率值和运动持续时间概率值；根据所述运动发起时间差分概率值和所述运动持续时间概率值，得到该运动类型对应的运动类型规律评分；根据每个运动类型对应的所述运动类型规律评分得到所述运动规律评分。
18.在本发明的一个实施例中，所述睡眠数据包括每天的入睡时间、睡眠时长、深睡时长和睡眠中断时长，所述根据所述健康行为数据中的睡眠数据得到所述用户的睡眠规律评分，包括：对于入睡时间序列进行差分计算，得到入睡时间差分序列；采用序列数据标准评分方法分别对所述入睡时间差分序列、睡眠时长序列、深睡时长序列和睡眠中断时长序列进行计算转化，得到入睡时间差分概率值、睡眠时长概率值、深睡时长概率值和睡眠中断时长概率值；根据所述入睡时间差分概率值、所述睡眠时长概率值、所述深睡时长概率值和所述睡眠中断时长概率值，得到所述睡眠规律评分。
19.在本发明的一个实施例中，所述健康行为数据包括运动心率、活动模式和活动量，对所述健康行为数据进行体征异常维度的健康风险分析，得到对应的所述体征异常风险评分，包括：周期性将分钟级的健康行为数据、日级的健康行为数据和用户基本信息特征数据输入至训练好的体征异常训练模型中，得到向量型的体征异常指数序列；采用序列数据标
准评分方法对所述向量型的体征异常指数序列进行计算转化，得到体征异常概率值；根据所述体征异常概率值得到所述体征异常风险评分。
20.在本发明的一个实施例中，所述体征异常训练模型包括残差网络和全连接网络，所述残差网络包括依次连接的三个残差模组和池化层，所述全连接网络包括依次连接的第一全连接层、第一归一化层、特征融合层、第二全连接层、第二归一化层和softmax函数激活层，所述将分钟级的健康行为数据、日级的健康行为数据和用户基本信息特征数据输入至训练好的体征异常训练模型中，得到多个向量型序列形式的体征异常指数，包括：将所述分钟级的健康行为数据输入至所述残差网络的第一个残差模组，并将从所述池化层输出的第一数据输入至所述特征融合层；将所述日级的健康行为数据和所述用户基本信息特征数据输入至所述全连接网络的第一全连接层；将从所述第一归一化层输出的第二数据和所述第一数据在所述特征融合层进行融合；根据从所述softmax函数激活层输出的数据得到所述多个向量型序列形式的体征异常指数。
21.在本发明的一个实施例中，对所述健康行为数据进行测量诊断维度的健康风险分析，得到对应的所述测量诊断风险评分，包括：周期性获取所述用户的心血管诊断结果，得到心血管诊断结果序列，所述心血管诊断结果为根据健康行为数据得到的；采用序列数据标准评分方法对所述心血管诊断结果序列进行计算转化，得到测量诊断概率值；根据所述测量诊断概率值得到所述测量诊断风险评分。
22.在本发明的一个实施例中，采用所述序列数据标准评分方法对序列进行计算转化，得到概率值，包括：将序列转化为单个标量型的数据；采用z-分数标准化方法对所述标量型的数据进行标准化，得到标准化分数；根据所述标准化分数查表得到所述概率值。
23.在本发明的一个实施例中，所述将序列转化为单个标量型的数据，包括：将所述序列中多个数据的平均值作为所述标量型的数据；或者，根据所述序列获取所述用户的第一概率分布；获取所述用户所在群体的第二概率分布；将所述第一概率分布相对所述第二概率分布的偏离程度作为所述标量型的数据。
24.在本发明的一个实施例中，所述多个健康风险维度评分包括隐性风险维度评分和显性风险维度评分，所述隐性风险维度评分包括以下评分中的至少两个：慢性病风险评分、运动机能风险评分、生活习惯风险评分和体征异常风险评分，所述显性风险维度评分包括测量诊断风险评分，所述根据所述多个健康风险维度评分计算得到所述用户的健康风险评分，包括：获取所述隐性风险维度评分的重要性分数；根据所述重要性分数得到所述隐性风险维度评分的权重；根据所述隐性风险维度评分和对应的权重得到第一评分值；根据所述显性风险维度评分得到对应的第二评分值；根据所述第一评分值和所述第二评分值得到所述健康风险评分。
25.为达到上述目的，本发明第二方面实施例提出了一种基于健康风险评估的预警装置，包括：获取模块，用于获取用户的健康行为数据；分析模块，用于对所述健康行为数据进行多个维度的健康风险分析，得到对应的多个健康风险维度评分；计算模块，用于根据所述多个健康风险维度评分得计算到所述用户的健康风险评分；提示模块，用于根据所述健康风险评分对所述用户进行健康风险预警提示。
26.本发明实施例的基于健康风险评估的预警装置，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大
多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
27.另外，根据本发明上述实施例提出的基于健康风险评估的预警装置还可以具有如下附加的技术特征：
28.在本发明的一个实施例中，所述多个健康风险维度评分包括以下评分中的至少两个：慢性病风险评分、运动机能风险评分、生活习惯风险评分、体征异常风险评分或测量诊断风险评分。
29.在本发明的一个实施例中，所述健康行为数据包括：日常行为数据和生理体征数据。
30.在本发明的一个实施例中，所述分析模块，包括：慢性病维度分析单元，所述慢性病维度分析单元，具体用于：将所述健康行为数据输入至训练好的至少一个慢性病风险评估模型中，得到对应的至少一个候选慢性病风险评分；其中，所述至少一个慢性病风险评估模型包括以下模型中的至少一个：高血压风险评估模型、糖尿病风险评估模型、高血脂风险评估模型、心脏病风险评估模型、慢性阻塞性肺气肿风险评估模型、泌尿系慢性炎症风险评估模型、甲亢风险评估模型或甲减风险评估模型；根据所述至少一个候选慢性病风险评分得到所述慢性病风险评分。
31.在本发明的一个实施例中，所述分析模块，还包括：运动机能维度分析单元，所述运动机能维度分析单元，具体用于：根据所述健康行为数据中的运动心率计算得到向量型的运动智能指数序列和向量型的运动摄氧指数序列；采用序列数据标准评分方法分别对所述向量型的运动智能指数序列和所述向量型的运动摄氧指数序列进行计算转化，得到运动智能指数概率值和运动摄氧指数概率值；根据所述运动智能指数概率值和所述运动摄氧指数概率值，得到所述运动机能风险评分。
32.在本发明的一个实施例中，所述运动机能维度分析单元，还用于：采用间接次最大方法对所述运动心率进行计算，得到运动摄氧函数；在设定时间内周期性计算之前设定天数内的所述运动摄氧函数的积分，得到所述向量型的运动摄氧指数序列。
33.在本发明的一个实施例中，所述分析模块，还包括：生活习惯维度分析单元，所述生活习惯维度分析单元，具体用于：根据所述健康行为数据中的运动数据得到所述用户的运动规律评分；根据所述健康行为数据中的睡眠数据得到所述用户的睡眠规律评分；根据所述运动规律评分和所述睡眠规律评分，得到所述生活习惯风险评分。
34.在本发明的一个实施例中，所述运动数据包括运动发起时间、运动持续时间和运动类型，所述生活习惯维度分析单元，还用于：对于同一运动类型对应的运动发起时间序列进行差分计算，得到该运动类型对应的运动发起时间差分序列；采用序列数据标准评分方法分别对所述运动发起时间差分序列和运动持续时间序列进行计算转化，得到运动发起时间差分概率值和运动持续时间概率值；根据所述运动发起时间差分概率值和所述运动持续时间概率值，得到该运动类型对应的运动类型规律评分；根据每个运动类型对应的所述运动类型规律评分得到所述运动规律评分。
35.在本发明的一个实施例中，所述睡眠数据包括每天的入睡时间、睡眠时长、深睡时长和睡眠中断时长，所述生活习惯维度分析单元，还用于：对于入睡时间序列进行差分计算，得到入睡时间差分序列；采用序列数据标准评分方法分别对所述入睡时间差分序列、睡
眠时长序列、深睡时长序列和睡眠中断时长序列进行计算转化，得到入睡时间差分概率值、睡眠时长概率值、深睡时长概率值和睡眠中断时长概率值；根据所述入睡时间差分概率值、所述睡眠时长概率值、所述深睡时长概率值和所述睡眠中断时长概率值，得到所述睡眠规律评分。
36.在本发明的一个实施例中，所述健康行为数据包括运动心率、活动模式和活动量，所述分析模块，还包括：体征异常维度分析单元，所述体征异常维度分析单元，具体用于：周期性将分钟级的健康行为数据、日级的健康行为数据和用户基本信息特征数据输入至训练好的体征异常训练模型中，得到向量型的体征异常指数序列；采用序列数据标准评分方法对所述向量型的体征异常指数序列进行计算转化，得到体征异常概率值；根据所述体征异常概率值得到所述体征异常风险评分。
37.在本发明的一个实施例中，所述体征异常训练模型包括残差网络和全连接网络，所述残差网络包括依次连接的三个残差模组和池化层，所述全连接网络包括依次连接的第一全连接层、第一归一化层、特征融合层、第二全连接层、第二归一化层和softmax函数激活层，所述体征异常维度分析单元，还用于：将所述分钟级的健康行为数据输入至所述残差网络的第一个残差模组，并将从所述池化层输出的第一数据输入至所述特征融合层；将所述日级的健康行为数据和所述用户基本信息特征数据输入至所述全连接网络的第一全连接层；将从所述第一归一化层输出的第二数据和所述第一数据在所述特征融合层进行融合；根据从所述softmax函数激活层输出的数据得到所述多个向量型序列形式的体征异常指数。
38.在本发明的一个实施例中，所述分析模块，还包括：测量诊断维度分析单元，所述测量诊断维度分析单元，具体用于：周期性获取所述用户的心血管诊断结果，得到心血管诊断结果序列，所述心血管诊断结果为根据健康行为数据得到的；采用序列数据标准评分方法对所述心血管诊断结果序列进行计算转化，得到测量诊断概率值；根据所述测量诊断概率值得到所述测量诊断风险评分。
39.在本发明的一个实施例中，所述分析模块还包括：序列转化单元，所述序列转化单元，用于：将序列转化为单个标量型的数据；采用z-分数标准化方法对所述标量型的数据进行标准化，得到标准化分数；根据所述标准化分数查表得到所述概率值。
40.在本发明的一个实施例中，所述序列转化单元，具体用于：将所述序列中多个数据的平均值作为所述标量型的数据；或者，根据所述序列获取所述用户的第一概率分布；获取所述用户所在群体的第二概率分布；将所述第一概率分布相对所述第二概率分布的偏离程度作为所述标量型的数据。
41.在本发明的一个实施例中，所述多个健康风险维度评分包括隐性风险维度评分和显性风险维度评分，所述隐性风险维度评分包括以下评分中的至少两个：慢性病风险评分、运动机能风险评分、生活习惯风险评分和体征异常风险评分，所述显性风险维度评分包括测量诊断风险评分，所述计算模块，具体用于：获取所述隐性风险维度评分的重要性分数；根据所述重要性分数得到所述隐性风险维度评分的权重；根据所述隐性风险维度评分和对应的权重得到第一评分值；根据所述显性风险维度评分得到对应的第二评分值；根据所述第一评分值和所述第二评分值得到所述健康风险评分。
42.为达到上述目的，本发明第三方面实施例提出了一种终端设备，包括本发明第二
方面实施例所述的基于健康风险评估的预警装置。
43.本发明实施例的终端设备，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
44.另外，根据本发明上述实施例提出的终端设备还可以具有如下附加的技术特征：
45.在本发明的一个实施例中，所述终端设备为可穿戴终端设备。
46.为达到上述目的，本发明第四方面实施例提出了一种电子设备，包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现本发明第一方面实施例所述的基于健康风险评估的预警方法。
47.本发明实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
48.为达到上述目的，本发明第五方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，该程序被处理器执行时实现本发明第一方面实施例所述的基于健康风险评估的预警方法。
49.本发明实施例的计算机可读存储介质，通过存储计算机程序并被处理器执行，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
50.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
51.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
52.图1为根据本发明一个实施例的基于健康风险评估的预警方法的流程图；
53.图2为根据本发明一个实施例的基于健康风险评估的预警方法中对健康行为数据进行慢性病维度的健康风险分析，得到对应的慢性病风险评分流程图；
54.图3为根据本发明一个实施例的基于健康风险评估的预警方法中高血压风险评估模型的示意图；
55.图4为根据本发明一个实施例的基于健康风险评估的预警方法中对健康行为数据进行运动机能维度的健康风险分析，得到对应的运动机能风险评分的流程图；
56.图5为根据本发明一个实施例的基于健康风险评估的预警方法中根据健康行为数据中的运动心率计算得到向量型的运动摄氧指数序列的流程图；
57.图6为根据本发明一个实施例的基于健康风险评估的预警方法中采用序列数据标准评分方法对序列进行计算转化，得到概率值的流程图；
58.图7为根据本发明一个实施例的基于健康风险评估的预警方法中对健康行为数据进行生活习惯维度的健康风险分析，得到对应的生活习惯风险评分的流程图；
59.图8为根据本发明一个实施例的基于健康风险评估的预警方法中根据健康行为数据中的运动数据得到用户的运动规律评分的流程图；
60.图9为根据本发明一个实施例的基于健康风险评估的预警方法中根据健康行为数据中的睡眠数据得到用户的睡眠规律评分的流程图；
61.图10为根据本发明一个实施例的基于健康风险评估的预警方法中对健康行为数据进行体征异常维度的健康风险分析，得到对应的体征异常风险评分的流程图；
62.图11为根据本发明一个实施例的基于健康风险评估的预警方法中体征异常训练模型的示意图；
63.图12为图11中的残差模组的示意图；
64.图13为根据本发明一个实施例的基于健康风险评估的预警方法中对健康行为数据进行测量诊断维度的健康风险分析，得到对应的测量诊断风险评分的流程图；
65.图14为根据本发明一个实施例的基于健康风险评估的预警方法中根据多个健康风险维度评分计算得到用户的健康风险评分的流程图；
66.图15为根据本发明一个实施例的基于健康风险评估的预警装置的方框示意图；
67.图16为根据本发明另一个实施例的基于健康风险评估的预警装置的方框示意图；
68.图17为根据本发明一个实施例的终端设备的方框示意图；以及
69.图18为根据本发明一个实施例的电子设备的方框示意图。
具体实施方式
70.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
71.下面结合附图来描述本发明实施例的基于健康风险评估的预警方法、装置、终端设备、电子设备和计算机可读存储介质。
72.图1为根据本发明一个实施例的基于健康风险评估的预警方法的流程图。
73.如图1所示，本发明实施例的基于健康风险评估的预警方法，包括：
74.s101，获取用户的健康行为数据。
75.可选的，用户的健康行为数据可包括日常行为数据和生理体征数据。其中，日常行为数据可包括活动量、运动数据、睡眠数据等，运动数据可包括运动发起时间、运动持续时间、运动类型等，睡眠数据可包括入睡时间、睡眠时长、睡眠中断时间等；生理体征数据可包括年龄、性别、身高、体重、心率、心律、体表温度、血压、血脂、血氧饱和度等，这里不一一赘述。
76.可选的，可通过可穿戴设备来获取用户的健康行为数据。其中，可穿戴设备可包括手环、手表、跑鞋等，且配置有光电容积脉搏波描记(photo plethysmo graph，ppg)传感器、加速度传感器(acceleration transducer,acc)、温度传感器、压力传感器等检测装置。应说明的是，ppg传感器可用于获取用户的心率和心律。
77.s102，对健康行为数据进行多个维度的健康风险分析，得到对应的多个健康风险
维度评分。
78.可以理解的是，有多种用于反映人体的健康风险的维度。
79.例如，慢性病发病率较高且不易根治，患慢性病的风险可反映人体的健康风险，例如，患高血压、糖尿病、高血脂等慢性病的风险越高，则人体的健康风险越高。
80.或者，生活习惯也可反映人体的健康风险，通常情况下具有良好的生活习惯的人的健康风险也越低，例如，具有充足睡眠和规律运动的生活习惯人的健康风险较低。
81.或者，运动机能指标也可反映人体的健康风险，例如，最大摄氧量(maximal oxygen consumption，vo2max)可反映人体的心肺机能，vo2max越大表明人体的心肺机能越好，人体的健康风险也越低。
82.或者，体征也可反映人体的健康风险，例如，通常情况下心率过快表明人体出现发烧症状，若人体经常出现发烧症状则表明人体免疫力较低，则人体的健康风险也较高。
83.或者，某些特定疾病可通过对人体进行测量诊断来发现，因此测量诊断结果也可反映人体的健康风险。例如，可对人体进行心血管疾病的测量诊断，若心率过快和/或心律失常和/或rr间期过长，则表明人体患心血管疾病的风险较高，则人体的健康风险也较高。
84.需要说明的是，还有用于反映人体的健康风险的其他维度，这里不一一赘述。
85.可以理解的是，该方法根据用户的健康行为数据进行多个维度的健康风险分析，得到对应的多个健康风险维度评分，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险分析的准确性。
86.s103，根据多个健康风险维度评分计算得到用户的健康风险评分。
87.可选的，根据多个健康风险维度评分计算得到用户的健康风险评分，可包括分别获取每个健康风险维度评分对应的权重，根据每个健康风险维度评分和对应的权重，计算得到用户的健康风险评分。
88.可以理解的是，不同的健康风险维度，对健康风险评分的影响力也不同，进而可对应不同的权重。可选的，可预先建立健康风险维度及其对应的权重之间的映射关系或者映射表，在获取到健康风险维度后，查询映射关系或者映射表，可确定其对应的权重。其中，映射关系或者映射表可根据实际情况进行标定。
89.可选的，根据每个健康风险维度评分和对应的权重，计算得到用户的健康风险评分，可包括获取每个健康风险维度评分和对应的权重的乘积，然后将获取的所有乘积的和作为用户的健康风险评分。
90.举例而言，假设得到的多个健康风险维度评分包括第一维度风险评分a1、第二维度风险评分a2、第三维度风险评分a3，且第一维度风险评分a1对应的权重为b1，第二维度风险评分a2对应的权重为b2，第三维度风险评分a3对应的权重为b3，则用户的健康风险评分s的计算公式如下：
91.s＝a1*b1+a2*b2+a3*b392.s104，根据健康风险评分对用户进行健康风险预警提示。
93.该方法在获取用户的健康风险评分之后，可根据健康风险评分对用户进行健康风险预警提示，使得用户能够了解到自身的健康风险，进而及时采取措施来预防疾病以及防止疾病造成的有害后果的发生。
94.可以理解的是，不同的健康风险评分，可对应不同的健康风险预警提示。健康风险评分越低，说明用户的健康风险越高，应加强对该用户的健康风险预警提示，例如，可增加对该用户进行健康风险预警提示的次数。
95.可选的，根据健康风险评分对用户进行健康风险预警提示，可包括识别健康风险评分所处的目标分值范围，然后获取目标分值范围对应的健康风险预警提示信息，根据该提示信息对用户进行健康风险预警提示。应说明的是，可预先为健康风险评分标定其所处的多个分值范围，每个分值范围可对应不同的健康风险预警提示信息。其中，健康风险预警提示信息可包括文字、声音、图像、振动等形式，这里不做限定。
96.举例而言，可通过可穿戴设备获取用户的健康行为数据，且可穿戴设备可将获取的健康行为数据发送给与其绑定的终端设备，终端设备能够对健康行为数据进行多个维度的健康风险分析，得到对应的多个健康风险维度评分，并根据多个健康风险维度评分计算得到用户的健康风险评分，且可根据健康风险评分对用户进行健康风险预警提示。其中，终端设备可包括手机、平板电脑等。应说明的是，可穿戴设备可和终端设备建立网络连接，以和终端设备进行数据传输，可选的，网络连接可为移动网络，例如3g、4g、5g等。
97.综上，根据本发明实施例的基于健康风险评估的预警方法，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
98.在上述实施例的基础上，步骤s102中的多个维度可包括慢性病维度、运动机能维度、生活习惯维度、体征异常维度、测量诊断维度等维度中的至少两个，这里不做过多限定。进一步地，多个健康风险维度评分可包括慢性病风险评分、运动机能风险评分、生活习惯风险评分、体征异常风险评分、测量诊断风险评分等评分中的至少两个。
99.举例而言，可对健康行为数据分别进行慢性病维度、运动机能维度、生活习惯维度、体征异常维度、测量诊断维度的健康风险分析，分别得到慢性病风险评分、运动机能风险评分、生活习惯风险评分、体征异常风险评分、测量诊断风险评分。
100.在本发明的一个实施例中，对健康行为数据进行慢性病维度的健康风险分析，得到对应的慢性病风险评分，如图2所示，可包括：
101.s201，将健康行为数据输入至训练好的至少一个慢性病风险评估模型中，得到对应的至少一个候选慢性病风险评分。
102.其中，慢性病风险评估模型可根据实际情况进行标定。
103.可选的，至少一个慢性病风险评估模型可包括以下模型中的至少一个：高血压风险评估模型、糖尿病风险评估模型、高血脂风险评估模型、心脏病风险评估模型、慢性阻塞性肺气肿风险评估模型、泌尿系慢性炎症风险评估模型、甲亢风险评估模型或甲减风险评估模型。可以理解的是，慢性病风险评估模型还可包括针对其他慢性病的风险评估模型，这里不一一赘述。
104.举例而言，如图3所示，高血压风险评估模型可包括第一全连接网络(fully connected network,fcn)、长短期记忆网络(long short-term memory，lstm)、特征融合网络、第二全连接网络。则将健康行为数据输入至高血压评估模型中，得到候选高血压风险评分，可包括将健康行为数据中的静态数据输入至第一全连接网络，将健康行为数据中的动
态数据输入至长短期记忆网络，将从第一全连接网络输出的数据和从长短期记忆网络输出的数据在特征融合网络进行融合，将从特征融合网络输出的数据在第二全连接网络进行映射，得到候选高血压风险评分。其中，静态数据可包括用户的年龄、性别、身高、体重等，动态数据可包括活动量、运动数据、睡眠数据、心率、血压等，长短期记忆网络的步长可标定为24，候选高血压风险评分的取值范围为(0～1)。
105.可以理解的是，其他慢性病的风险评估模型可参照上述高血压风险评估模型进行标定，这里不再赘述。
106.s202，根据至少一个候选慢性病风险评分得到慢性病风险评分。
107.可以理解的是，慢性病风险评分越高，则说明用户患慢性病的可能性越大，用户的慢性病维度的健康风险越高。
108.可选的，根据至少一个候选慢性病风险评分得到慢性病风险评分，可包括将至少一个候选慢性病风险评分中的最大值作为慢性病风险评分。
109.由此，该方法能够考虑到慢性病维度对健康风险的影响，且可根据健康行为数据得到慢性病风险评分，用于用户的健康风险评估。
110.在本发明的一个实施例中，对健康行为数据进行运动机能维度的健康风险分析，得到对应的运动机能风险评分，如图4所示，可包括：
111.s301，根据健康行为数据中的运动心率计算得到向量型的运动智能指数序列和向量型的运动摄氧指数序列。
112.其中，运动心率指的是人体在运动时的心率，运动智能指数(personal activity intelligence,pai)可用于评估心肺机能所得到的锻炼效果，当用户进行某些提升心率的运动时pai值会增加。可以理解的是，运动智能指数、运动摄氧指数(oxygen consumption，vo2)均可用于评估人体的心肺机能，pai、vo2的值越大，则人体的心肺机能越好。
113.可选的，根据运动心率计算得到向量型的运动智能指数序列，可包括将运动心率代入预设运动智能指数算法中，以得到向量型的运动智能指数序列。同样地，根据运动心率计算得到向量型的运动摄氧指数序列，可包括将运动心率代入预设运动摄氧指数算法中，以得到向量型的运动摄氧指数序列。其中，运动智能指数算法、运动摄氧指数算法均可预先根据实际情况进行标定。
114.可以理解的是，根据运动心率计算得到向量型的运动智能指数序列和向量型的运动摄氧指数序列，还可包括根据运动心率计算得到多个运动智能指数以及多个运动摄氧指数，然后根据多个运动智能指数得到多个运动智能指数向量，以及根据多个运动摄氧指数得到多个运动摄氧指数向量，然后根据多个运动智能指数向量得到向量型的运动智能指数序列，以及根据多个运动摄氧指数向量得到向量型的运动摄氧指数序列。
115.s302，采用序列数据标准评分方法分别对向量型的运动智能指数序列和向量型的运动摄氧指数序列进行计算转化，得到运动智能指数概率值和运动摄氧指数概率值。
116.其中，序列数据标准评分方法是一种可将向量序列转化为的单一数值的计算方法，且转化后的单一数值的取值范围为[0，1]。
[0117]
s303，根据运动智能指数概率值和运动摄氧指数概率值，得到运动机能风险评分。
[0118]
可选的，根据运动智能指数概率值和运动摄氧指数概率值，得到运动机能风险评分的相关公式如下：
[0119]
s2＝1+a1×
p1+a2×
p2[0120]
其中，s2为运动机能风险评分，p1为运动智能指数概率值，p2为运动摄氧指数概率值，a1、a2为参数，可根据实际情况进行标定。
[0121]
可选的，a1可标定为-0.7，a2可标定为-0.3。
[0122]
可以理解的是，运动机能风险评分较高，说明用户运动时间较短、规律性较差，用户的运动机能维度的健康风险较高。
[0123]
由此，该方法能够考虑到运动机能维度对健康风险的影响，且可根据运动心率得到运动机能风险评分，用于用户的健康风险评估。
[0124]
在上述实施例的基础上，步骤s301中的根据健康行为数据中的运动心率计算得到向量型的运动智能指数序列的相关公式如下：
[0125][0126]
其中，pai为用户的运动智能指数，hr(t)为用户的运动心率，rhr为用户的静息心率，age为用户的年龄，t、a3、a4、a5、a6、a7、a8、a9为参数，可根据实际情况进行标定。应说明的是，t表征积分时间，可标定为7天。
[0127]
可选的，a3、a4、a5、a6、a7、a8、a9可参照表1进行标定。
[0128]
表1
[0129]
参数男性女性a30.00010.18170.00009.8556a45.78085.0167a541.937434.2325a69.83829.7581a74536a8211211a90.640.64
[0130]
可以理解的是，根据用户积分时间内的运动心率数据，可计算得到一个运动智能指数。应说明的是，关于根据运动智能指数得到向量型的运动智能指数序列的内容请参见上述实施例，这里不再赘述。
[0131]
在上述实施例的基础上，步骤s301中的根据健康行为数据中的运动心率计算得到向量型的运动摄氧指数序列，如图5所示，可包括：
[0132]
s401，采用间接次最大方法对运动心率进行计算，得到运动摄氧函数。
[0133]
其中，间接次最大方法指的是不直接测量运动摄氧指数，而是通过某个参数间接得到运动摄氧指数的测量方法，相较于直接测量运动摄氧指数的方法，具有方案简单，易于实现，成本低廉的优点。
[0134]
可选的，采用间接次最大方法对运动心率进行计算，得到运动摄氧函数的相关公式如下：
[0135]
q(t)＝a
12
×
hr(t)2+a
11
×
hr(t)+a
10
[0136]
其中，q(t)为用户的运动摄氧函数，hr(t)为用户的运动心率，a
10
、a
11
、a
12
为参数，可根据实际情况进行标定。
[0137]
可选的，a
10
可标定为2.3，a
11
可标定为-0.13，a
12
可标定为0.002。
[0138]
s402，在设定时间内周期性计算之前设定天数内的运动摄氧函数的积分，得到向量型的运动摄氧指数序列。
[0139]
其中，设定时间、设定天数均可根据实际情况进行标定，例如，设定时间可标定为10天，设定天数可标定为7天。
[0140]
可选的，在设定时间内周期性计算之前设定天数内的运动摄氧函数的积分，得到向量型的运动摄氧指数序列的相关公式如下：
[0141][0142]
其中，vo2为用户的运动摄氧指数，t表征积分时间，可根据实际情况进行标定，例如，可标定为7天。可选的，积分时间t可为上述设定天数。
[0143]
可以理解的是，根据用户积分时间内的运动心率数据，可计算得到一个运动摄氧指数。应说明的是，关于根据运动摄氧指数得到向量型的运动摄氧指数序列的内容请参见上述实施例，这里不再赘述。
[0144]
在上述实施例的基础上，采用序列数据标准评分方法对序列进行计算转化，得到概率值，如图6所示，可包括：
[0145]
s501，将序列转化为单个标量型的数据。
[0146]
需要说明的是，单个标量型的数据指的是单一数值。
[0147]
可选的，将序列转化为单个标量型的数据，可包括将序列中多个数据的平均值作为标量型的数据。例如，若序列a中包括a1、a2、a3、a4、a5五个数据，则可将a1、a2、a3、a4、a5的平均值a’作为序列a的标量型数据，相关公式如下：
[0148]
a’＝(a1+a2+a3+a4+a5)/5
[0149]
或者，将序列转化为单个标量型的数据，还可包括根据序列获取用户的第一概率分布，以及获取用户所在群体的第二概率分布，将第一概率分布相对第二概率分布的偏离程度作为标量型的数据。
[0150]
可选的，可采用js散度(jensen-shannon divergence)来表征第一概率分布相对第二概率分布的偏离程度，将第一概率分布相对第二概率分布的js散度作为标量型的数据，相关公式如下：
[0151][0152]
其中，p(x)为第一概率分布，q(x)为第二概率分布，js(p||q)为第一概率分布p(x)相对第二概率分布q(x)的js散度，kl(p||q)为第一概率分布p(x)相对第二概率分布q(x)的kl散度(kullback-leibler divergence)，为第一概率分布p(x)相对第三概率分布的kl散度，为第二概率分布q(x)相对第三概率分布的kl散度。
[0153]
s502，采用z-分数标准化方法对标量型的数据进行标准化，得到标准化分数。
[0154]
可选的，采用z-分数标准化方法对标量型的数据进行标准化，得到标准化分数的相关公式如下：
[0155][0156]
其中，u为标准化分数，y为标量型的数据，e(y)为用户所在群体的标量型数据的期望值，σ(y)为用户所在群体的标量型数据的标准差。
[0157]
s503，根据标准化分数查表得到概率值。
[0158]
可选的，可获取标准正态分布表，根据标准化分数查表，得到对应的概率值。
[0159]
在本发明的一个实施例中，对健康行为数据进行生活习惯维度的健康风险分析，得到对应的生活习惯风险评分，如图7所示，可包括：
[0160]
s601，根据健康行为数据中的运动数据得到用户的运动规律评分。
[0161]
其中，运动数据可包括运动类型、运动发起时间、运动持续时间等，这里不做过多限定。可选的，运动类型可包括走路、跑步、游泳、室内跑、室内走、室内健身等。
[0162]
例如，某个用户的运动数据如表2所示。
[0163]
表2
[0164]
用户账号运动发起时间运动持续时间运动类型10000012020年05月01日11:111808秒跑步10000012020年05月01日14:141200秒游泳
[0165]
可选的，根据健康行为数据中的运动数据得到用户的运动规律评分，可包括将运动数据代入预设运动规律评分算法中，以得到用户的运动规律评分。其中，运动规律评分算法可根据实际情况进行标定。
[0166]
s602，根据健康行为数据中的睡眠数据得到用户的睡眠规律评分。
[0167]
其中，睡眠数据可包括每天的入睡时间、睡眠时长、深睡时长和睡眠中断时长，这里不做过多限定。
[0168]
例如，某个用户的睡眠数据如表3所示。
[0169]
表3
[0170]
用户账号入睡时间睡眠时长深睡时长睡眠中断时长10000012020年05月01日22:2220000秒8000秒600秒10000012020年05月02日23:2320000秒8000秒600秒
[0171]
可选的，根据健康行为数据中的睡眠数据得到用户的睡眠规律评分，可包括将睡眠数据代入预设睡眠规律评分算法中，以得到用户的睡眠规律评分。其中，睡眠规律评分算法可根据实际情况进行标定。
[0172]
s603，根据运动规律评分和睡眠规律评分，得到生活习惯风险评分。
[0173]
可选的，根据运动规律评分和睡眠规律评分，得到生活习惯风险评分的相关公式如下：
[0174]
s3＝a
13
×
s
31
+a
14
×
s
32
[0175]
其中，s3为生活习惯风险评分，s
31
为运动规律评分，s
32
为睡眠规律评分，a
13
、a
14
为参数，可根据实际情况进行标定。
[0176]
可选的，a
13
可标定为0.4，a
14
可标定为0.6。
[0177]
可以理解的是，生活习惯风险评分越高，说明用户的生活习惯越不健康，用户的生活习惯维度的健康风险越高。
[0178]
由此，该方法能够考虑到生活习惯维度对健康风险的影响，且可根据运动数据得到运动规律评分，以及根据睡眠数据得到睡眠规律评分，进而可根据上述运动规律评分、睡眠规律评分得到生活习惯风险评分，用于用户的健康风险评估。
[0179]
在上述实施例的基础上，运动数据包括运动发起时间、运动持续时间和运动类型时，步骤s601中根据健康行为数据中的运动数据得到用户的运动规律评分，如图8所示，可包括：
[0180]
s701，对于同一运动类型对应的运动发起时间序列进行差分计算，得到该运动类型对应的运动发起时间差分序列。
[0181]
其中，差分序列可包括一阶差分序列、二阶差分序列等，这里不做过多限定。例如，若某个运动类型对应的运动发起时间序列为(a1，a2，a3，a4，a5)，则可对序列(a1，a2，a3，a4，a5)进行一阶差分计算，得到一阶差分序列(a
2-a1，a
3-a2，a
4-a3，a
5-a4)，将其作为该运动类型对应的运动发起时间差分序列。
[0182]
s702，采用序列数据标准评分方法分别对运动发起时间差分序列和运动持续时间序列进行计算转化，得到运动发起时间差分概率值和运动持续时间概率值。
[0183]
关于步骤s702的具体介绍可参见上述实施例中相关内容的记载，此处不再赘述。
[0184]
s703，根据运动发起时间差分概率值和运动持续时间概率值，得到该运动类型对应的运动类型规律评分。
[0185]
可选的，根据运动发起时间差分概率值和运动持续时间概率值，得到该运动类型对应的运动类型规律评分的相关公式如下：
[0186]
s
31i
＝a
15
×
p
3i
+a
16
×
p
4i
[0187]
其中，s
31i
为第i个运动类型对应的运动类型规律评分，p
3i
为第i个运动类型对应的运动发起时间差分概率值，p
4i
为第i个运动类型对应的运动持续时间概率值，a
15
、a
16
为参数，可根据实际情况进行标定。
[0188]
可选的，a
15
可标定为0.6，a
16
可标定为0.4。
[0189]
s704，根据每个运动类型对应的运动类型规律评分得到运动规律评分。
[0190]
可选的，根据每个运动类型对应的运动类型规律评分得到运动规律评分的相关公式如下：
[0191]
s
31
＝∑u
i
s
31i
[0192]
其中，u
i
为第i个运动类型对应的运动类型规律评分s
31i
对应的权重，可根据实际情况进行标定。
[0193]
可选的，假设第i个运动类型在设定时间内发生的频次为f
i
，所有运动类型在设定时间内发生的频次为∑f
i
，则u
i
可通过下述公式来计算：
[0194][0195]
由此，该方法可根据每个运动类型的运动发起时间、运动持续时间，得到每个运动类型对应的运动类型规律评分，然后根据所有运动类型对应的运动类型规律评分得到用户的运动规律评分。
[0196]
在上述实施例的基础上，睡眠数据包括每天的入睡时间、睡眠时长、深睡时长和睡眠中断时长时，步骤s602中根据健康行为数据中的睡眠数据得到用户的睡眠规律评分，如图9所示，可包括：
[0197]
s801，对于入睡时间序列进行差分计算，得到入睡时间差分序列。
[0198]
s802，采用序列数据标准评分方法分别对入睡时间差分序列、睡眠时长序列、深睡时长序列和睡眠中断时长序列进行计算转化，得到入睡时间差分概率值、睡眠时长概率值、深睡时长概率值和睡眠中断时长概率值。
[0199]
关于步骤s801～s802的具体介绍可参见上述实施例中相关内容的记载，此处不再赘述。
[0200]
s803，根据入睡时间差分概率值、睡眠时长概率值、深睡时长概率值和睡眠中断时长概率值，得到睡眠规律评分。
[0201]
可选的，根据入睡时间差分概率值、睡眠时长概率值、深睡时长概率值和睡眠中断时长概率值，得到睡眠规律评分的相关公式如下：
[0202]
s
32
＝a
17
p5+a
18
p6+a
19
p7+a
20
p8[0203]
其中，s
32
为睡眠规律评分，p5为入睡时间差分概率值，p6为睡眠时长概率值，p7为深睡时长概率值，p8为睡眠中断时长概率值，a
17
、a
18
、a
19
、a
20
为参数，可根据实际情况进行标定。
[0204]
可选的，a
17
可标定为0.4，a
18
可标定为0.25，a
19
可标定为0.25，a
20
可标定为0.1。
[0205]
由此，该方法可根据每天的入睡时间、睡眠时长、深睡时长和睡眠中断时长，得到用户的睡眠规律评分。
[0206]
在本发明的一个实施例中，健康行为数据包括运动心率、活动模式和活动量时，对健康行为数据进行体征异常维度的健康风险分析，得到对应的体征异常风险评分，如图10所示，可包括：
[0207]
s901，周期性将分钟级的健康行为数据、日级的健康行为数据和用户基本信息特征数据输入至训练好的体征异常训练模型中，得到向量型的体征异常指数序列。
[0208]
其中，活动模式可包括运动模式和睡眠模式，分钟级的健康行为数据指的是每分
钟循环更新的健康行为数据，可根据每分钟内的健康行为数据来获取，日级的健康行为数据指的是每天循环更新的健康行为数据，可根据每天的健康行为数据来获取。可以理解的是，分钟级的健康行为数据可包括分钟级的运动心率、活动模式和活动量，日级的健康行为数据可包括日级的运动心率、活动模式和活动量。用户基本信息特征数据可包括用户的年龄、性别、身高、体重等，这里不做过多限定。
[0209]
其中，体征异常训练模型可根据实际情况进行标定。例如，如图11所示，体征异常训练模型可包括残差网络和全连接网络，残差网络包括依次连接的三个残差模组(resentblock)和池化层，全连接网络包括依次连接的第一全连接层、第一归一化(batchnormalization，bn)层、特征融合层、第二全连接层、第二归一化层和softmax函数激活层。
[0210]
进一步地，将分钟级的健康行为数据、日级的健康行为数据和用户基本信息特征数据输入至训练好的体征异常训练模型中，得到多个向量型序列形式的体征异常指数，可包括将分钟级的健康行为数据输入至残差网络的第一个残差模组，并将从池化层输出的第一数据输入至特征融合层，以及将日级的健康行为数据和用户基本信息特征数据输入至全连接网络的第一全连接层，将从第一归一化层输出的第二数据和第一数据在特征融合层进行融合，之后根据从softmax函数激活层输出的数据得到多个向量型序列形式的体征异常指数。应说明的是，从softmax函数激活层输出的数据的取值范围为(0，1)。
[0211]
可选的，如图12所示，每个残差模组均可包括依次连接的三个残差单元和relu函数激活单元，每个残差单元均可包括依次连接的卷积子单元、归一化子单元和relu函数激活子单元。
[0212]
s902，采用序列数据标准评分方法对向量型的体征异常指数序列进行计算转化，得到体征异常概率值。
[0213]
关于步骤s902的具体介绍可参见上述实施例中相关内容的记载，此处不再赘述。
[0214]
s903，根据体征异常概率值得到体征异常风险评分。
[0215]
可选的，可将得到的体征异常概率值作为体征异常风险评分。
[0216]
可以理解的是，体征异常风险评分越高，说明用户的体征异常维度的健康风险越高。
[0217]
由此，该方法能够考虑到体征异常维度对健康风险的影响，且可根据运动心率、活动模式和活动量得到体征异常风险评分，用于用户的健康风险评估。
[0218]
在本发明的一个实施例中，对健康行为数据进行测量诊断维度的健康风险分析，得到对应的测量诊断风险评分，如图13所示，可包括：
[0219]
s11，周期性获取用户的心血管诊断结果，得到心血管诊断结果序列，心血管诊断结果为根据健康行为数据得到的。
[0220]
其中，心血管诊断结果的获取周期可根据实际情况进行标定，例如，可标定为1天，心血管诊断结果可包括房颤诊断结果、频发早搏诊断结果等，健康行为数据可包括心率、心律、rr间期、性别、年龄等，这里不做过多限定。
[0221]
举例而言，可通过ppg传感器周期性获取用户的心率和心律数据，以及通过运动传感器获取用户的运动数据，之后可结合获取的运动数据将获取的心率、心律数据进行信号处理以排除运动干扰，之后可根据处理后的心率、心律、用户的生理体征、ppg形态特征，以
得到用户的rr间期，之后可将获取的rr间期输入至房颤风险评估模型，以得到用户的房颤测量诊断值。其中，ppg传感器的检测周期可为(20～300)s，运动传感器可包括加速度传感器和压力传感器，房颤风险评估模型可为深度卷积神经网络。
[0222]
s12，采用序列数据标准评分方法对心血管诊断结果序列进行计算转化，得到测量诊断概率值。
[0223]
关于步骤s12的具体介绍可参见上述实施例中相关内容的记载，此处不再赘述。
[0224]
s13，根据测量诊断概率值得到测量诊断风险评分。
[0225]
可以理解的是，测量诊断概率值越大，则说明用户患某种心血管疾病的可能性越大，用户的测量诊断维度的健康风险越高。可选的，可获取多个测量诊断概率值，将多个测量诊断概率值中的最大值作为测量诊断风险评分。
[0226]
由此，该方法能够考虑到测量诊断维度对健康风险的影响，且可根据健康行为数据得到测量诊断风险评分，用于用户的健康风险评估。
[0227]
可以理解的是，相较于慢性病风险评分、运动机能风险评分、生活习惯风险评分和体征异常风险评分，测量诊断风险评分能够更直接地反映用户的健康风险，可将健康风险维度评分分为隐性风险维度评分和显性风险维度评分，隐性风险维度评分可包括慢性病风险评分、运动机能风险评分、生活习惯风险评分和体征异常风险评分，显性风险维度评分可包括测量诊断风险评分。
[0228]
在上述实施例的基础上，步骤s103中的多个健康风险维度评分包括隐性风险维度评分和显性风险维度评分，且隐性风险维度评分包括以下评分中的至少两个：慢性病风险评分、运动机能风险评分、生活习惯风险评分和体征异常风险评分，显性风险维度评分包括测量诊断风险评分时，步骤s103中根据多个健康风险维度评分计算得到用户的健康风险评分，如图14所示，可包括：
[0229]
s21，获取隐性风险维度评分的重要性分数。
[0230]
需要说明的是，重要性分数可用于表征每个隐性风险维度对健康风险评分的重要性。可以理解的是，不同的隐性风险维度，对健康风险评分的重要性也不同，进而可对应不同的重要性分数。
[0231]
可选的，可将用户的隐性风险维度评分输入至重要性分数获取模型中，以获取用户的每个隐性风险维度评分的重要性分数。其中，重要性分数获取模型可为xgboost(extremegradient boosting，极致梯度提升)模型。
[0232]
s22，根据重要性分数得到隐性风险维度评分的权重。
[0233]
可选的，假设第i个隐性风险维度的重要性分数为k
i
，所有隐性风险维度的重要性分数的和为∑k
i
，则第i个隐性风险维度评分的权重w
i
可通过下述公式来计算：
[0234][0235]
s23，根据隐性风险维度评分和对应的权重得到第一评分值。
[0236]
可选的，根据隐性风险维度评分和对应的权重得到第一评分值，可包括获取每个隐性风险维度评分和对应的权重的乘积，然后将获取的所有乘积的和作为第一评分值。
[0237]
举例而言，若隐性风险维度评分包括慢性病风险评分、运动机能风险评分、生活习惯风险评分和体征异常风险评分，则第一评分值的相关公式如下：
[0238]
s1＝w1s1+w2s2+w3s3+w4s4[0239]
其中，s1为第一评分值，s1为慢性病风险评分，s2为运动机能风险评分，s3为生活习惯风险评分，s4为体征异常风险评分，w1、w2、w3、w4分别为慢性病风险评分、运动机能风险评分、生活习惯风险评分、体征异常风险评分对应的权重。
[0240]
s24，根据显性风险维度评分得到对应的第二评分值。
[0241]
可选的，根据显性风险维度评分得到对应的第二评分值的相关公式如下：
[0242][0243]
其中，s2为第二评分值，s5为测量诊断风险评分，a
21
、a
22
、a
23
、a
24
为参数，可根据实际情况进行标定。
[0244]
可选的，a
21
可标定为0.75，a
22
可标定为0.9，a
23
可标定为-25，a
24
可标定为-50。
[0245]
s25，根据第一评分值和第二评分值得到健康风险评分。
[0246]
可选的，根据第一评分值和第二评分值的得到健康风险评分的相关公式如下：
[0247]
s＝100
×
(1-s1)+s2
[0248]
其中，s为用户的健康风险评分，s1为第一评分值，s2为第二评分值。
[0249]
由此，该方法可根据隐性风险维度评分对应的第一评分值，以及显性风险维度评分对应的第二评分值，得到用户的健康风险评分。健康风险评分越高表示用户健康风险越低。
[0250]
图15为根据本发明一个实施例的基于健康风险评估的预警装置的方框示意图。
[0251]
如图15所示，本发明实施例的基于健康风险评估的预警装置100，包括：获取模块110、分析模块120、计算模块130、提示模块140。
[0252]
获取模块110用于获取用户的健康行为数据。
[0253]
分析模块120用于对所述健康行为数据进行多个维度的健康风险分析，得到对应的多个健康风险维度评分。
[0254]
计算模块130用于根据所述多个健康风险维度评分得计算到所述用户的健康风险评分。
[0255]
提示模块140用于根据所述健康风险评分对所述用户进行健康风险预警提示。
[0256]
在本发明的一个实施例中，所述多个健康风险维度评分包括以下评分中的至少两个：慢性病风险评分、运动机能风险评分、生活习惯风险评分、体征异常风险评分或测量诊断风险评分。
[0257]
在本发明的一个实施例中，所述健康行为数据包括：日常行为数据和生理体征数据。
[0258]
在本发明的一个实施例中，如图16所示，所述分析模块120包括慢性病维度分析单元121，所述慢性病维度分析单元121具体用于将所述健康行为数据输入至训练好的至少一个慢性病风险评估模型中，得到对应的至少一个候选慢性病风险评分；其中，所述至少一个慢性病风险评估模型包括以下模型中的至少一个：高血压风险评估模型、糖尿病风险评估模型、高血脂风险评估模型、心脏病风险评估模型、慢性阻塞性肺气肿风险评估模型、泌尿系慢性炎症风险评估模型、甲亢风险评估模型或甲减风险评估模型；根据所述至少一个候
选慢性病风险评分得到所述慢性病风险评分。
[0259]
在本发明的一个实施例中，如图16所示，所述分析模块120还包括运动机能维度分析单元122，所述运动机能维度分析单元122具体用于根据所述健康行为数据中的运动心率计算得到向量型的运动智能指数序列和向量型的运动摄氧指数序列；采用序列数据标准评分方法分别对所述向量型的运动智能指数序列和所述向量型的运动摄氧指数序列进行计算转化，得到运动智能指数概率值和运动摄氧指数概率值；根据所述运动智能指数概率值和所述运动摄氧指数概率值，得到所述运动机能风险评分。
[0260]
在本发明的一个实施例中，所述运动机能维度分析单元122还用于采用间接次最大方法对所述运动心率进行计算，得到运动摄氧函数；在设定时间内周期性计算之前设定天数内的所述运动摄氧函数的积分，得到所述向量型的运动摄氧指数序列。
[0261]
在本发明的一个实施例中，如图16所示，所述分析模块120还包括生活习惯维度分析单元123，所述生活习惯维度分析单元123具体用于根据所述健康行为数据中的运动数据得到所述用户的运动规律评分；根据所述健康行为数据中的睡眠数据得到所述用户的睡眠规律评分；根据所述运动规律评分和所述睡眠规律评分，得到所述生活习惯风险评分。
[0262]
在本发明的一个实施例中，所述运动数据包括运动发起时间、运动持续时间和运动类型，所述生活习惯维度分析单元123还用于对于同一运动类型对应的运动发起时间序列进行差分计算，得到该运动类型对应的运动发起时间差分序列；采用序列数据标准评分方法分别对所述运动发起时间差分序列和运动持续时间序列进行计算转化，得到运动发起时间差分概率值和运动持续时间概率值；根据所述运动发起时间差分概率值和所述运动持续时间概率值，得到该运动类型对应的运动类型规律评分；根据每个运动类型对应的所述运动类型规律评分得到所述运动规律评分。
[0263]
在本发明的一个实施例中，所述睡眠数据包括每天的入睡时间、睡眠时长、深睡时长和睡眠中断时长，所述生活习惯维度分析单元123还用于对于入睡时间序列进行差分计算，得到入睡时间差分序列；采用序列数据标准评分方法分别对所述入睡时间差分序列、睡眠时长序列、深睡时长序列和睡眠中断时长序列进行计算转化，得到入睡时间差分概率值、睡眠时长概率值、深睡时长概率值和睡眠中断时长概率值；根据所述入睡时间差分概率值、所述睡眠时长概率值、所述深睡时长概率值和所述睡眠中断时长概率值，得到所述睡眠规律评分。
[0264]
在本发明的一个实施例中，所述健康行为数据包括运动心率、活动模式和活动量，如图16所示，所述分析模块120还包括体征异常维度分析单元124，所述体征异常维度分析单元124具体用于周期性将分钟级的健康行为数据、日级的健康行为数据和用户基本信息特征数据输入至训练好的体征异常训练模型中，得到向量型的体征异常指数序列；采用序列数据标准评分方法对所述向量型的体征异常指数序列进行计算转化，得到体征异常概率值；根据所述体征异常概率值得到所述体征异常风险评分。
[0265]
在本发明的一个实施例中，所述体征异常训练模型包括残差网络和全连接网络，所述残差网络包括依次连接的三个残差模组和池化层，所述全连接网络包括依次连接的第一全连接层、第一归一化层、特征融合层，第二全连接层、第二归一化层和softmax函数激活层，所述体征异常维度分析单元124还用于将所述分钟级的健康行为数据输入至所述残差网络的第一个残差模组，并将从所述池化层输出的第一数据输入至所述特征融合层；将所
述日级的健康行为数据和所述用户基本信息特征数据输入至所述全连接网络的第一全连接层；将从所述第一归一化层输出的第二数据和所述第一数据在所述特征融合层进行融合；根据从所述softmax函数激活层输出的数据得到所述多个向量型序列形式的体征异常指数。
[0266]
在本发明的一个实施例中，如图16所示，所述分析模块120还包括测量诊断维度分析单元125，所述测量诊断维度分析单元125具体用于周期性获取所述用户的心血管诊断结果，得到心血管诊断结果序列，所述心血管诊断结果为根据健康行为数据得到的；采用序列数据标准评分方法对所述心血管诊断结果序列进行计算转化，得到测量诊断概率值；根据所述测量诊断概率值得到所述测量诊断风险评分。
[0267]
在本发明的一个实施例中，如图16所示，所述分析模块120还包括序列转化单元126，所述序列转化单元126用于将序列转化为单个标量型的数据；采用z-分数标准化方法对所述标量型的数据进行标准化，得到标准化分数；根据所述标准化分数查表得到所述概率值。
[0268]
在本发明的一个实施例中，所述序列转化单元126具体用于将所述序列中多个数据的平均值作为所述标量型的数据；或者，根据所述序列获取所述用户的第一概率分布；获取所述用户所在群体的第二概率分布；将所述第一概率分布相对所述第二概率分布的偏离程度作为所述标量型的数据。
[0269]
在本发明的一个实施例中，所述多个健康风险维度评分包括隐性风险维度评分和显性风险维度评分，所述隐性风险维度评分包括以下评分中的至少两个：慢性病风险评分、运动机能风险评分、生活习惯风险评分和体征异常风险评分，所述显性风险维度评分包括测量诊断风险评分，所述计算模块130具体用于获取所述隐性风险维度评分的重要性分数；根据所述重要性分数得到所述隐性风险维度评分的权重；根据所述隐性风险维度评分和对应的权重得到第一评分值；根据所述显性风险维度评分得到对应的第二评分值；根据所述第一评分值和所述第二评分值得到所述健康风险评分。
[0270]
需要说明的是，本发明实施例的基于健康风险评估的预警装置中未披露的细节，请参照本发明上述实施例中的基于健康风险评估的预警方法所披露的细节，这里不再赘述。
[0271]
综上，本发明实施例的基于健康风险评估的预警装置，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
[0272]
为了实现上述实施例，本发明还提出一种终端设备200，如图17所示，其包括上述基于健康风险评估的预警装置100。
[0273]
在本发明的一个实施例中，所述终端设备为可穿戴终端设备。
[0274]
本发明实施例的终端设备，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
[0275]
为了实现上述实施例，本发明还提出一种电子设备300，如图18所示，该电子设备
300包括存储器31、处理器32。其中，处理器32通过读取存储器31中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现上述基于健康风险评估的预警方法。
[0276]
本发明实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
[0277]
为了实现上述实施例，本发明还提出一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述基于健康风险评估的预警方法。
[0278]
本发明实施例的计算机可读存储介质，通过存储计算机程序并被处理器执行，直接根据用户的健康行为数据进行多个维度的健康风险分析，可考虑到多个维度对健康风险的影响，相较于相关技术中大多偏重于心肺机能或者个体所掌握的健康知识进行健康风险分析，能够更全面、直接地反映用户的健康风险，提高了健康风险评估的准确性。
[0279]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0280]
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”的特征可以明示或者隐含地包括一个或者更多个该特征。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。
[0281]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0282]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0283]
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。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。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。
[0284]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例
性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。