[0001] 本发明涉及数字化养老技术领域，特别涉及一种基于数字化养老综合安全监测方法。

[0002] 养老安全监测方法是通过监测老年人的生理数据如：血压、血氧、心率、体温以及老人跌倒等危险性动作，实现对老人的健康状况和安全风险进行实时监测和管理，以便及时发现异常情况并采取相应的措施，以保障老年人的健康和安全；然而传统的养老安全监测管理系统往往只能对于老年人的生理数据，例如心率、血压、血氧、体温等进行监测和超过阈值报警，这种方式往往对于这些生理数据的处理和分析能力有限，只能提供简单的数据统计和报警功能，无法对大量的生理数据进行深入的分析和挖掘，以提取更有意义的健康信息；此外，传统系统往往缺乏个性化的服务，无法根据老年人的特定需求和健康状况提供定制化的护理建议和指导，这导致系统的适应性和实用性有限；同时无法将各个监测数据进行联动分析老人的身体状况信息，以实现对老人行为安全的前瞻性预测；在申请号为CN202410238033.3的中国专利公开了一种基于物联网技术的居家养老健康监测管理系统及方法，涉及智能监测领域，其通过监测设备实时监测采集老年人的生理数据，例如心率值、血压值、血氧值和体温值，并通过无线网络将这些生理数据发送到云端服务器进行处理，以在云端服务器端采用基于物联网和人工智能技术的数据处理和分析算法来进行这些生理数据的时序协同分析，以此来判断老年人的健康状况和安全风险。
这样，能够实时监测居家老人的生理状态，并在检测到安全风险时及时向相关人员发送报警信息，从而为老年人的居家养老生活提供必要的健康监测管理支持。虽然其根据时序对监测的数据进行分析处理，但是这些数据并未与老人的具体行动相关联，只能给出对应的护理指导，无法给出安全性的行为指示和建议；为此，本发明提出一种基于数字化养老综合安全监测方法。

[0018] 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，所描述的实施例仅仅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，本领域技术人员在没有做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。

[0019] 在本申请的描述中，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所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

[0020] 在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。实施例1

[0021] 一种基于数字化养老综合安全监测方法，包括以下步骤：S1：获取用户的体检数据，并根据体检数据计算用户各项生理数据的健康阈值；体检数据包含各种生化指标、身体机能指标等，其中也包括了生理数据值，根据收集到的体检数据，计算每项生理数据指标的健康阈值。所谓健康阈值，即是用来评估某个生理指标是否处于正常健康范围的临界值或者参照值，例如血压、血糖等，健康阈值在广义上来说是一个范围值，根据不同的人群其值可以是最大值或最小值，如高血压的人群，测定其血压的健康阈值一般以最大值为准，而低血糖的人群，测定其血糖的健康阈值一般以最小值为准。

[0022] S2：通过监测设备获取行为数据和生理数据，并根据映射关系匹配行为数据和生理数据；通过各种监测设备实时获取用户的行为数据（如运动量、睡眠模式、饮食量）和生理数据（如心率、血压），然后根据事先定义好的映射关系，将生理数据与相应的行为数据进行配对。这一步确保了数据的相关性，为后续分析提供基础，不同的行为数据生理数据的影响时间和影响大小是不同，如运动量大小，其对当前心率、血压的影响是即时的；而饮食量中摄入能量对血压和血糖的影响都是有延时的，一般是在饭后半小时至一小时后；S3：根据在不同行为数据下的生理数据采用动态贝叶斯网络算法对生理数据进行分析，计算不同行为数据对生理数据的影响权重；使用动态贝叶斯网络分析不同行为数据下的生理数据，DBN是一种概率图模型，能够处理随时间变化的序列数据和多变量之间的相互依赖关系，通过DBN算法计算在特定行为数据下生理数据变动的影响权重；
S4：基于影响权重与当前生理数据规划最佳行为数据或基于影响权重与当前行为数据预测生理数据到达健康阈值的时间。基于计算得到的影响权重与当前实时监测到的生理数据，规划出最佳的行为数据。简而言之，根据目前的生理状态和已知的数据关系，规划出有助于维持或到达健康状态的行为推荐，另外，也可以基于影响权重和当前行为数据，预测生理数据变化趋势，从而估算达到健康阈值的时间。如果生理数据偏离健康阈值，可以通过预测其变化趋势来规划必要的干预措施。

[0023] 在一个实施例中，在S1步骤中，根据体检数据计算用户各项生理数据的健康阈值包括：获取体检数据中的疾病特征，根据疾病特征对所述生理数据的关联性确定所述生理数据的健康阈值，设第i种生理数据与m种疾病特征相关，疾病特征对第i种生理数据的关联值为：
；
其中， 是第j种疾病特征的加权系数， 是第j种疾病特征对于第i种生理数据的关联值；
根据关联误差计算健康阈值的误差值：
；
其中， 是第j种疾病特征的关联误差，若在计算中各个疾病特征对生理数据的关联值是无偏和不相关的：
；
得到真实的健康阈值为：
；
其中f是基础健康值。

[0024] 在本实施例中，从体检数据中提取出关于疾病的特征，这些特征可能包括像血压、胆固醇水平或血糖水平等，它们与各种健康状况有关，基于这些疾病特征来确定它们与特定生理数据的关联度。例如，高血脂的指标可能与心脏健康数据相关，对于第i种生理数据，关联值是由与该数据相关的所有m种疾病特征的关联值累加而成。每个疾病特征的影响通过加权系数来调整。加权系数可能基于该特征的重要性或对生理数据影响的可靠程度而定。由此计算得到的值代表了疾病特征对生理数据的总体关联影响，在实际情况中，由于测量误差或其他不确定性，上述计算的关联值存在一定的误差。因此，系统需要根据疾病特征的关联误差来计算误差值，并考虑到这些误差在整个计算过程中是无偏的（即没有系统性偏差）以及不相关的（即一个特征的误差不会影响其他特征的误差），最终的健康阈值考虑到了基础健康值（类似于一个基准或参照值）和计算得到的关联值及其误差。通过结合这些因素，系统确定出一个较为准确的健康阈值，这个阈值可以用作以后监测用户生理指标是否正常的基础，通过上述步骤，该监测方法为每个用户提供量身定做的健康阈值，以便更准确地评估其健康状况，并及时发现可能的健康问题。

[0025] 在一个实施例中，在S3步骤中包括：S31：收集历史的生理数据和行为数据，对所述历史的生理数据和行为数据进行预处理；
S32：设计DBN模型，定义生理数据为簇中心，隐藏状态和行为数据为节点，各个节点与簇之间通过边连接，这些边代表隐藏状态和行为数据对生理数据的影响权重，采用EM算法来学习节点之间的联合概率；
S33：使用历史数据对DBN的参数进行学习和优化。

[0026] 实施例中的隐藏状态是指不同用户之间的身体状况差异，如健康老人和患有糖尿病的老人对同样食物的吸收能力不同，其在餐后血液中糖分的变化趋势也不同，健康老人可能在餐后半小时至一小时血液中的含糖量升高，而患有糖尿病的老人，其可能在一小时之后才有明显升高曲线或者其升高曲线低于健康老人的血糖升高曲线。

[0027] 进一步的，所述DBN模型包括：簇中心的能量为：
；
x是隐藏状态，y是行为数据，o是生理数据， 是第i个隐藏状态， 是第j个行为数据， 是第i个隐藏状态和第j个行为数据对生理数据共同的影响权重， 和 是偏置值；
联合概率分布：
；
e是归一化参数。

[0028] 进一步的，分别对隐藏状态和行为数据连接簇中心的能量值进行激活：；
；
其中 是激活函数。

[0029] 进一步的，在所述S33步骤中，通过训练历史数据对模型中的各参数进行更新，更新规则如下式：；
；
；
其中 是学习率， 是训练数据的数学期望， 是重构后的模型的数学期
望。

[0030] 在本实施例中，模型构建：利用历史数据，DBN构建了一个模型，这个模型的节点代表各种变量，例如特定的行为（如散步、饮食习惯、睡眠模式）与不同的生理指标（如心跳、血糖、血压）。模型中的边代表这些变量之间的概率关系或依赖性。

[0031] 数据库训练：一旦构建了这个模型，下一步是通过使用历史数据对其进行训练。在这个过程中，DBN会“学习”变量之间的概率依赖，通常这通过期望最大化（EM）算法或其它类似的优化方法来完成。

[0032] 时间序列分析：DBN处理的是时间序列数据，因此能够以序列的形式捕捉数据。例如，我们可以分析过去几周内某老年人的行为如何影响其心率或血糖水平的变化。DBN使我们能够了解不仅是哪些行为与健康结果有关，而且这些关系在时间上是如何变化的。

[0033] 计算影响权重：在DBN模型中，各种行为的不同可能导致生理指标变化的动态性和复杂性可以被分解为可量化的影响权重。这意味着我们可以对每个行为计算一个数值，表示其对某个生理指标变化的影响程度。权重越高，说明行为对生理变化的影响越大。

[0034] 以概率形式提供见解：DBN提供的是概率上的依赖性，这使得监测和预测都有一个不确定性的量化。例如，模型可以预测某行为会导致不利生理变化的概率是多少，从而为介入提供合理依据。

[0035] 预测未来变化：基于训练好的DBN模型，可以预测未来生理数据的变化。如果某个老年人持续某种行为模式，可以预估他们的生理指标会如何变化。

[0036] 在数字化养老监测的背景下，应用DBN能够帮助护理人员和老年人自己更有效地了解哪些日常行为会对他们的健康产生最大的影响，并通过相应地调整这些行为来维持或改善健康状态。

[0037] 在一个实施例中，所述基于影响权重与当前生理数据规划最佳行为数据中包括：确定当前生理数据与健康阈值的差距；
设定目标和约束条件，利用线性规划构建决策模型，根据影响权重计算各行为数据对当前生理数据的增减趋势；
得到最终的规划行为数据。

[0038] 在一个实施例中，所述基于影响权重与当前行为数据预测生理数据到达健康阈值的时间中包括：根据当前生理数据与上一时间的生理数据的变化，拟合生理数据变化曲线；
根据生理数据变化曲线预测达到健康阈值的时间。
实施例2

[0039] 通过基于数字化养老综合安全监测方法监测一患有高血压的老人；步骤1：获取用户的体检数据，并根据体检数据计算用户各项生理数据的健康阈值；从老人的医疗档案中获取最近的体检报告，特别关注与高血压相关的指标，如收缩压和舒张压的读数，以及老人的其他与高血压相关的疾病特征；
获取体检数据中的疾病特征，根据疾病特征对所述生理数据的关联性确定所述生理数据的健康阈值，设第i种生理数据与m种疾病特征相关，疾病特征对第i种生理数据的关联值为：
；
其中， 是第j种疾病特征的加权系数， 是第j种疾病特征对于第i种生理数据的关联值；
根据关联误差计算健康阈值的误差值：
；
其中， 是第j种疾病特征的关联误差，若在计算中各个疾病特征对生理数据的关联值是无偏和不相关的：
；
得到真实的健康阈值为：
；
其中f是基础健康值。

[0040] 在此，与高血压相关的疾病特征如动脉粥样硬化病、心脏疾病、肾脏疾病、脑中风等，这些疾病都会影响高血压的产生，动脉粥样硬化是指动脉内壁积聚脂质和其他物质形成斑块，导致血管壁变厚并失去弹性。动脉粥样硬化使得血管的直径减小，增加了血流通过的阻力，这个过程可导致血压升高，因为心脏需要更大的力量来泵送血液穿过狭窄的血管；而心脏疾病包括冠状动脉疾病、心力衰竭等在内的心脏疾病与高血压有双向关系，高血压会增加心脏的工作负担，长期下去可能导致心脏肌肉增厚或变得僵硬，影响心脏的泵血能力。而一旦心脏泵血能力受限，就可能反过来导致血压进一步升高。

[0041] 步骤2：通过监测设备获取行为数据和生理数据，并根据映射关系匹配行为数据和生理数据；监测设备可以是设置在家的监测设备和穿戴式的设备，在家的监测设备可以更好的对老人的行为数据进行监测，而佩戴式的监测设备如何智能手环等可以实时的对生理数据进行采集，根据监测设备监测老人的行为数据，根据映射关系理解该行为数据是否与血压的变化具备联系，如：坐立等姿态是正常的行为数据，与血压的变化无联系，而跑步等运动行为，则对血压的升高变化是存在联系的，同时映射关系中也包括了时间序列的映射，如食物中盐分摄入行为，在时间t后被吸收了才会对血压数据变化产生影响；此步骤可以确定当前的血压数据是与哪些行为数据相关联的，如在13点监测的收缩压数据为120毫米汞，其与半小时前盐分的摄入量以及昨天的熬夜行为相关；步骤3：根据在不同行为数据下的生理数据采用动态贝叶斯网络算法对生理数据进行分析，计算不同行为数据对生理数据的影响权重；计算过程如下：
簇中心的能量为：
；
x是隐藏状态，y是行为数据，o是生理数据， 是第i个隐藏状态， 是第j个行为数据， 是第i个隐藏状态和第j个行为数据对生理数据共同的影响权重， 和 是偏置值；
联合概率分布：
；
e是归一化参数。

[0042] 进一步的，分别对隐藏状态和行为数据连接簇中心的能量值进行激活：；
；
其中 是激活函数。

[0043] 把能量转换为数字化的生理数据来理解，其值是与老人本身的身体状况以及行为数据相关，身体状况作为隐藏状态引入至其计算过程，可以为其提供与身体状态为基础的个性化的DBN模型；步骤4：基于影响权重与当前生理数据规划最佳行为数据或基于影响权重与当前行为数据预测生理数据到达健康阈值的时间；
基于影响权重与当前生理数据规划最佳行为数据：假设当前血压为150/90毫米汞柱，而根据他的健康状况和年龄，理想的健康阈值是130/80毫米汞柱；运用已经确定的影响权重（例如，基于以往患者数据分析得到，定期运动和减少钠盐摄入可能对血压有显著的降低作用），可以构建一个模型来预测不同行为对血压的潜在影响并规划行为，可能的规划结果可能建议每周至少五天进行30分钟的中等强度有氧运动和减少每日盐摄入量至5克以下。

[0044] 基于影响权重与当前行为数据预测生理数据到达健康阈值的时间：假设当前血压为130/80毫米汞柱，在近期的饮食中，每日盐摄入量在10克以上，健康阈值在165/100毫米汞柱，由于盐摄入量增加导致其血压数据在未来一段时间中会提升，计算其到达健康阈值的时间，并对用户进行提醒。

[0045] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

[0046] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。