技术特征：
1.一种台式健康监测仪，其特征在于，包括：监测单元，用于获取待监测人体在预定时间段内多个预定时间点的多项健康参数，所述多项健康参数包括血糖值、血压值、心率值和脉搏值；数据构造单元，用于将所述待监测人体在预定时间段内多个预定时间点的多项健康参数分别按照时间维度排列为输入向量以得到血糖向量、血压向量、心率向量和脉搏向量；关联单元，用于构造所述血糖向量和血压向量之间的血氧关联矩阵以及构造所述心率向量和脉搏向量之间的心电关联矩阵；多尺度卷积编码单元，用于将所述血氧关联矩阵和所述心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到多尺度血氧特征矩阵和多尺度心电特征矩阵；特征融合单元，用于融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；以及监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测人体的健康状况是否正常。2.根据权利要求1所述的台式健康监测仪，其特征在于，所述关联单元，包括：第一关联子单元，用于计算所述血糖向量的转置向量与所述血压向量之间的乘积以得到所述血氧关联矩阵；以及第二关联子单元，用于计算所述心率向量的转置向量和所述脉搏向量之间的乘积以得到所述心电关联矩阵。3.根据权利要求2所述的台式健康监测仪，其特征在于，所述多尺度卷积编码单元，包括：血氧关联特征提取子单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度血氧特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5,所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。4.根据权利要求3所述的台式健康监测仪，其特征在于，所述多尺度卷积编码单元，还
包括：心电关联特征提取子单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：使用所述多尺度卷积结构的第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述多尺度卷积结构的第二卷积核对所述输入数据进行卷积处理以得到第二卷积特征图；使用所述多尺度卷积结构的第三卷积核对所述输入数据进行卷积处理以得到第三卷积特征图；使用所述多尺度卷积结构的第四卷积核对所述输入数据进行卷积处理以得到第四卷积特征图；将所述第一卷积特征图、所述第二卷积特征图、所述第三卷积特征图和所述第四卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一层输出的所述激活特征图为所述多尺度心电特征矩阵；其中，所述第一卷积核的尺寸为7
×
7,所述第二卷积核的尺寸为5
×
5,所述第三卷积核的尺寸为3
×
3，所述第四卷积核的尺寸为1
×
1。5.根据权利要求4所述的台式健康监测仪，其特征在于，所述特征融合单元，进一步用于：以如下公式来融合所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵以得到分类特征矩阵；其中，所述公式为：其中，m
c
为所述分类特征矩阵，m
a
为所述多尺度血氧特征矩阵，m
b
为所述多尺度心电特征矩阵，表示所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵相对应位置处的元素相加，α和β为用于控制所述分类特征矩阵中所述多尺度血氧特征矩阵和所述多尺度心电特征矩阵之间的平衡的加权参数。6.根据权利要求5所述的台式健康监测仪，其特征在于，所述监测结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|project(m)}，其中project(m)表示将所述分类特征矩阵投影为向量，w1至w
n
为各层全连接层的权重矩阵，b1至b
n
表示各层全连接层的偏置向量。7.根据权利要求6所述的台式健康监测仪，其特征在于，还包括用于对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练的训练模块。8.根据权利要求7所述的台式健康监测仪，其特征在于，所述训练模块，包括：训练监测单元，用于获取训练数据，所述训练数据包括待监测人体在预定时间段内多
个预定时间点的多项训练健康参数，以及，所述待监测人体的健康状况是否正常的真实值，其中，所述多项训练健康参数包括训练血糖值、训练血压值、训练心率值和训练脉搏值；训练数据构造单元，用于将所述待监测人体在预定时间段内多个预定时间点的多项训练健康参数分别按照时间维度排列为输入向量以得到训练血糖向量、训练血压向量、训练心率向量和训练脉搏向量；训练关联单元，用于构造所述训练血糖向量和训练血压向量之间的训练血氧关联矩阵以及构造所述训练心率向量和训练脉搏向量之间的训练心电关联矩阵；训练多尺度卷积编码单元，用于将所述训练血氧关联矩阵和所述训练心电关联矩阵分别通过具有多尺度卷积结构的卷积神经网络模型以得到训练多尺度血氧特征矩阵和训练多尺度心电特征矩阵；训练特征融合单元，用于融合所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵以得到训练分类特征矩阵；分类损失单元，用于将所述训练分类特征矩阵通过分类器以得到分类损失函数值；一致性规则内在化学习损失单元，用于将所述训练多尺度血氧特征矩阵和所述训练多尺度心电特征矩阵分别展开为训练多尺度血氧特征向量和训练多尺度心电特征向量，并计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；以及训练单元，用于计算所述分类损失函数值和所述一致性规则内在化学习损失函数值的加权和作为损失函数值来对所述具有多尺度卷积结构的卷积神经网络模型和所述分类器进行训练。9.根据权利要求8所述的台式健康监测仪，其特征在于，所述一致性规则内在化学习损失单元，进一步用于：以如下公式计算计算所述训练多尺度血氧特征向量和所述训练多尺度心电特征向量之间的序列对序列一致性规则内在化学习损失函数值；其中，所述公式为：其中，所述公式为：其中，所述公式为：其中，v1是所述训练多尺度血氧特征向量，v2是所述训练多尺度心电特征向量，且w1和w2分别是分类器对于v1和v2的权重矩阵。
技术总结
公开了一种台式健康监测仪，其中，所述台式健康监测仪能够在少量医护人员的陪同或者在待监测个体自行操作之下，对待监测个体自身的人体健康状态进行监测与评估。具体地，使用卷积神经网络模型来提取血氧关联矩阵中的血糖和血压以及心电关联矩阵中的心率和脉搏在不同时空域中的高维局部隐含关联隐含特征以得到多尺度血氧特征矩阵和多尺度心电特征矩阵，再经融合得到的分类特征矩阵通过分类器以得到分类结果。这样，基于被监测个体的多项健康监测参数来进行健康状态评估，以提高健康状态评估的置信度和精准度。态评估的置信度和精准度。态评估的置信度和精准度。
技术研发人员：贺利强
受保护的技术使用者：深圳市鑫一代科技有限公司
技术研发日：2022.11.08
技术公布日：2023/1/19