多参数人工智能检测仪

摘要

本发明公开了一种多参数人工智能检测仪，涉及人工智能技术领域，多参数检测仪包括基于鸿蒙操作系统的第一处理装置、身高检测装置、体重检测装置、太赫兹时域光谱检测装置和第一显控装置；第一处理装置用于接收采集控制信号，根据采集控制信号接收身高数据、体重数据和太赫兹透射光谱数据，根据身高信息和体重信息计算获得BMI数据，根据BMI数据和太赫兹透射光谱数据利用深度学习模块分析获得检测结果并输出，检测结果的类别包括BMI正常血脂正常、BMI正常血脂异常、BMI超重血脂正常、BMI超重血脂异常、BMI肥胖血脂正常、BMI肥胖血脂异常。本发明具有检测精度高、速度快、智能化程度高的优点。

权利要求

1.一种多参数人工智能检测仪，其特征在于，包括基于鸿蒙操作系统的第一处理装置、身高检测装置、体重检测装置、太赫兹时域光谱检测装置和第一显控装置；身高检测装置、体重检测装置、太赫兹时域光谱检测装置和第一显控装置分别与第一处理装置连接；

身高检测装置用于接收并响应采集控制信号进行受检者的身高数据的采集并输出；

体重检测装置用于接收并响应采集控制信号进行受检者的体重数据的采集并输出；

太赫兹时域光谱检测装置用于接收并响应采集控制信号进行受检者预设检测部位的太赫兹透射光谱数据的采集并输出；所述采集控制信号包括第一采集控制信号；

第一显控装置用于获取第一检测指令并输出与第一检测指令相对应的第一采集控制信号，以及接收并显示检测结果；所述第一检测指令包括血脂检测指令，血脂检测指令相对应的第一采集控制信号包括用于指示进行身高数据、体重数据和太赫兹透射光谱数据采集的内容；

第一处理装置用于接收采集控制信号，根据采集控制信号接收身高数据、体重数据和太赫兹透射光谱数据，根据身高信息和体重信息计算获得BMI数据，根据BMI数据和太赫兹透射光谱数据利用深度学习模块分析获得检测结果并输出，所述检测结果的类别包括BMI正常血脂正常、BMI正常血脂异常、BMI超重血脂正常、BMI超重血脂异常、BMI肥胖血脂正常、BMI肥胖血脂异常。

2.根据权利要求1所述的多参数人工智能检测仪，其特征在于，所述深度学习模块采用两层分别由可视层和隐含层组成的无向图模型和KNN分类器构成，两层无向图模型用于提取BMI和太赫兹透射光谱的关联特征，KNN分类器用于根据BMI和太赫兹透射光谱的关联特征进行类别识别。

3.根据权利要求1或2所述的多参数人工智能检测仪，其特征在于，所述第一处理装置用于根据BMI数据和太赫兹透射光谱数据利用深度学习模块分析获得检测结果包括：所述第一处理装置用于获取训练样本集{ (x0,y0),(x1,y1),…,(xi,yi),…,(xN,yN)} ，i＝0,1,…,N，其中数据对(xi,yi)为已知检测结果的类别的同一人的BMI数据和太赫兹透射光谱数据；

根据预设转换函数zi＝f(xi,yi)，将训练样本集{ (x0,y0),(x1,y1),…,(xi,yi),…,(xN,yN)} 转换为训练转换样本集{ z0,z1,…,zi,…,zN} ，zi与(xi,yi)之间存在一一对应关系；

将训练转换样本集作为两层无向图模型的输入，根据重构误差确定迭代次数，对两层无向图模型进行训练，获得训练转换样本的关联特征；

将受检者的BMI数据和太赫兹透射光谱数据根据所述预设转换函数进行转换，获得待测转换数据；

将待测转换数据输入训练好的两层无向图模型提取待测转换数据的关联特征；

将待测转换数据的关联特征和训练转换样本的关联特征输入KNN分类器进行分类，获得待测转换数据的类别作为检测结果。

4.根据权利要求3所述的多参数人工智能检测仪，其特征在于，所述预设转换函数的运算法则为将BMI数据和太赫兹透射光谱数据的乘积作为预设转换函数的输出值。

5.根据权利要求1所述的多参数人工智能检测仪，其特征在于，所述采集控制信号还包括第二采集控制信号。

6.根据权利要求5所述的多参数人工智能检测仪，其特征在于，还包括第一无线通信装置；第一无线通信装置用于接收第二采集控制信号并输出；接收检测结果并输出。

7.根据权利要求6所述的多参数人工智能检测仪，其特征在于，还包括第二无线通信装置、基于鸿蒙操作系统的第二处理装置和第二显控装置；第二无线通信装置和第二显控装置分别与第二处理装置连接；

第二显控装置用于获取第二检测指令并输出与第二检测指令相对应的第二采集控制信号，以及接收并显示检测结果；所述第二检测指令包括血脂检测指令，血脂检测指令相对应的第二采集控制信号包括用于指示进行身高数据、体重数据和太赫兹透射光谱数据采集的内容；

第二无线通信装置用于与第一无线通信装置建立无线通信连接；

第二处理装置用于接收第二采集控制信号并通过第二无线通信装置输出，以及通过第二无线通信装置接收检测结果并输出。

说明书

多参数人工智能检测仪

技术领域

[0001] 本发明涉及人工智能技术领域，具体涉及一种多参数人工智能检测仪。

背景技术

[0002] 众所周知，糖尿病患者属于心血管疾病的高危人群，据调查，有近八成糖尿病患者最终死于心血管疾病。而为了捍卫心血管健康，糖尿病患者需要构筑起三道“防火墙”——血糖、血压、血脂。血糖自然更容易受到糖尿病患者的重视，而血压由于测量手段经济方便，也比较容易进行监测和控制，相对而言，血脂的控制更加容易被忽视。然而，血脂异常偏偏是心血管健康的直接破坏者，因此，广大糖尿病患者必须予以重视。所以对于糖尿病人来说，除了对血糖的监测以外，血脂的监测也是至关重要的。

[0003] 目前的血脂检测技术主要采用有创或者微创的方法，例如申请号为201610438569.5的中国专利一种用于血糖血脂无创核磁共振检测的方法，该方法由提供的血糖血脂无创核磁共振检测模块和血糖血脂微创核磁共振精确检测模块实现。无创模块直接对人体进行核磁共振检测，微创模块对人体进行微创采血。血糖血脂无创检测测量的同一个体在不同的时间段的血糖血脂变化情况，是一个血糖血脂相对值；血糖血脂的微创精确检测测量的血糖血脂的绝对值，测量结果可以作为无创测量时首次定标或者无创检测过程中的校正。可见，对于该类方法，需要耗费大量时间来统计血糖血脂变化情况，检测时间较长、成本也较高，无法实现对血脂的实时检测。并且有创或者微创的血脂检测方法可能会由于伤口感染，影响患者安全，对受检者的心理上也会产生较大的心理负担。

发明内容

[0004] 因此，为了克服上述缺陷，本发明实施例提供一种多参数人工智能检测仪，用于检测包括身高、体重、血脂等，能够实现无创实时精确测量。

[0005] 为此，本发明实施例的一种多参数人工智能检测仪，包括基于鸿蒙操作系统的第一处理装置、身高检测装置、体重检测装置、太赫兹时域光谱检测装置和第一显控装置；身高检测装置、体重检测装置、太赫兹时域光谱检测装置和第一显控装置分别与第一处理装置连接；

[0006] 身高检测装置用于接收并响应采集控制信号进行受检者的身高数据的采集并输出；

[0007] 体重检测装置用于接收并响应采集控制信号进行受检者的体重数据的采集并输出；

[0008] 太赫兹时域光谱检测装置用于接收并响应采集控制信号进行受检者预设检测部位的太赫兹透射光谱数据的采集并输出；所述采集控制信号包括第一采集控制信号；

[0009] 第一显控装置用于获取第一检测指令并输出与第一检测指令相对应的第一采集控制信号，以及接收并显示检测结果；所述第一检测指令包括血脂检测指令，血脂检测指令相对应的第一采集控制信号包括用于指示进行身高数据、体重数据和太赫兹透射光谱数据采集的内容；

[0010] 第一处理装置用于接收采集控制信号，根据采集控制信号接收身高数据、体重数据和太赫兹透射光谱数据，根据身高信息和体重信息计算获得BMI数据，根据BMI数据和太赫兹透射光谱数据利用深度学习模块分析获得检测结果并输出，所述检测结果的类别包括BMI正常血脂正常、BMI正常血脂异常、BMI超重血脂正常、BMI超重血脂异常、BMI肥胖血脂正常、BMI肥胖血脂异常。

[0011] 优选地，所述深度学习模块采用两层分别由可视层和隐含层组成的无向图模型和KNN分类器构成，两层无向图模型用于提取BMI和太赫兹透射光谱的关联特征，KNN分类器用于根据BMI和太赫兹透射光谱的关联特征进行类别识别。

[0012] 优选地，所述第一处理装置用于根据BMI数据和太赫兹透射光谱数据利用深度学习模块分析获得检测结果包括：

[0013] 所述第一处理装置用于获取训练样本集{(x0,y0),(x1,y1),…,(xi,yi)，…,(xN,yN)}，i＝0,1,…,N，其中数据对(xi,yi)为已知检测结果的类别的同一人的BMI数据和太赫兹透射光谱数据；

[0014] 根据预设转换函数zi＝f(xi,yi)，将训练样本集{(x0,y0),(x1,y1),…,(xi,yi),…,(xN,yN)}转换为训练转换样本集{z0,z1,…,zi,…,zN}，zi与(xi,yi)之间存在一一对应关系；

[0015] 将训练转换样本集作为两层无向图模型的输入，根据重构误差确定迭代次数，对两层无向图模型进行训练，获得训练转换样本的关联特征；

[0016] 将受检者的BMI数据和太赫兹透射光谱数据根据所述预设转换函数进行转换，获得待测转换数据；

[0017] 将待测转换数据输入训练好的两层无向图模型提取待测转换数据的关联特征；

[0018] 将待测转换数据的关联特征和训练转换样本的关联特征输入KNN分类器进行分类，获得待测转换数据的类别作为检测结果。

[0019] 优选地，所述预设转换函数的运算法则为将BMI数据和太赫兹透射光谱数据的乘积作为预设转换函数的输出值。

[0020] 优选地，所述采集控制信号还包括第二采集控制信号。

[0021] 优选地，还包括第一无线通信装置；第一无线通信装置用于接收第二采集控制信号并输出；接收检测结果并输出。

[0022] 优选地，还包括第二无线通信装置、基于鸿蒙操作系统的第二处理装置和第二显控装置；第二无线通信装置和第二显控装置分别与第二处理装置连接；

[0023] 第二显控装置用于获取第二检测指令并输出与第二检测指令相对应的第二采集控制信号，以及接收并显示检测结果；所述第二检测指令包括血脂检测指令，血脂检测指令相对应的第二采集控制信号包括用于指示进行身高数据、体重数据和太赫兹透射光谱数据采集的内容；

[0024] 第二无线通信装置用于与第一无线通信装置建立无线通信连接；

[0025] 第二处理装置用于接收第二采集控制信号并通过第二无线通信装置输出，以及通过第二无线通信装置接收检测结果并输出。

[0026] 本发明实施例的多参数人工智能检测仪，具有如下优点：

[0027] 在多参数检测仪的太赫兹时域光谱检测装置的基础上，结合第一处理装置的深度学习模块分析功能，实现了对血脂参数的无创实时检测。并且第一处理装置还依据身高和体重参数，将BMI数据与太赫兹透射光谱数据进行关联特征提取，获得BMI和血脂联合的多参数检测结果，具有检测精度高、速度快、智能化程度高的优点。

附图说明

[0028] 为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0029] 图1为本发明实施例中多参数人工智能检测仪的一个具体示例的原理框图；

[0030] 图2为本发明实施例中多参数人工智能检测仪的另一个具体示例的原理框图；

[0031] 图3为本发明实施例中深度学习模块分析获得检测结果的一个具体示例的流程图。

具体实施方式

[0032] 下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

[0033] 在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“连接”应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0034] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

[0035] 实施例

[0036] 本实施例提供一种多参数人工智能检测仪，如图1所示，包括基于鸿蒙操作系统的第一处理装置101、身高检测装置102、体重检测装置103、太赫兹时域光谱检测装置104和第一显控装置105；身高检测装置102、体重检测装置103、太赫兹时域光谱检测装置104和第一显控装置105分别与第一处理装置101连接；

[0037] 身高检测装置102用于接收并响应采集控制信号进行受检者的身高数据的采集并输出；

[0038] 体重检测装置103用于接收并响应采集控制信号进行受检者的体重数据的采集并输出；

[0039] 太赫兹时域光谱检测装置104用于接收并响应采集控制信号进行受检者预设检测部位的太赫兹透射光谱数据的采集并输出；所述采集控制信号包括第一采集控制信号；所述预设检测部位优选为大臂部位、大腿部位等；

[0040] 第一显控装置105用于获取第一检测指令并输出与第一检测指令相对应的第一采集控制信号，以及接收并显示检测结果(显示的方式至少为屏幕显示和/或扬声器显示)；所述第一检测指令包括血脂检测指令，血脂检测指令相对应的第一采集控制信号包括用于指示进行身高数据、体重数据和太赫兹透射光谱数据采集的内容；优选地，所述第一检测指令还包括身高检测指令或体重检测指令，身高检测指令相对应的第一采集控制信号包括用于指示进行身高数据采集的内容，体重检测指令相对应的第一采集控制信号包括用于指示进行体重数据采集的内容；优选地，第一检测指令为受检者点击第一显控装置上的触摸屏预设位置后所产生的；

[0041] 第一处理装置101用于接收采集控制信号，根据采集控制信号接收身高数据、体重数据和太赫兹透射光谱数据，根据身高信息和体重信息计算获得BMI数据(体重指数数据)，根据BMI数据和太赫兹透射光谱数据利用深度学习模块分析获得检测结果并输出，所述检测结果的类别包括BMI正常血脂正常、BMI正常血脂异常、BMI超重血脂正常、BMI超重血脂异常、BMI肥胖血脂正常、BMI肥胖血脂异常。

[0042] 优选地，如图2所示，本实施例的多参数人工智能检测仪还包括第一无线通信装置106、第二无线通信装置202、基于鸿蒙操作系统的第二处理装置201和第二显控装置203；第二无线通信装置202和第二显控装置203分别与第二处理装置201连接；

[0043] 所述采集控制信号还包括第二采集控制信号；

[0044] 所述第一无线通信装置106用于接收第二采集控制信号并输出；接收检测结果并输出；

[0045] 所述第二显控装置203用于获取第二检测指令并输出与第二检测指令相对应的第二采集控制信号，以及接收并显示检测结果(显示的方式至少为屏幕显示和/或扬声器显示)；所述第二检测指令包括血脂检测指令，血脂检测指令相对应的第二采集控制信号包括用于指示进行身高数据、体重数据和太赫兹透射光谱数据采集的内容；优选地，所述第二检测指令还包括身高检测指令或体重检测指令，身高检测指令相对应的第二采集控制信号包括用于指示进行身高数据采集的内容，体重检测指令相对应的第二采集控制信号包括用于指示进行体重数据采集的内容；优选地，第二检测指令为受检者点击第二显控装置上的触摸屏预设位置后所产生的；

[0046] 所述第二无线通信装置202用于与第一无线通信装置106建立无线通信连接；

[0047] 所述第二处理装置201用于接收第二采集控制信号并通过第二无线通信装置202输出，以及通过第二无线通信装置202接收检测结果并输出。

[0048] 优选地，根据身高信息和体重信息计算获得BMI数据具体为BMI数据等于体重除以身高的平方。

[0049] 优选地，所述深度学习模块采用两层分别由可视层和隐含层组成的无向图模型和KNN分类器构成，两层无向图模型用于提取BMI和太赫兹透射光谱的关联特征，KNN分类器用于根据BMI和太赫兹透射光谱的关联特征进行识别。

[0050] 优选地，如图3所示，根据BMI数据和太赫兹透射光谱数据利用深度学习模块分析获得检测结果的步骤具体为：

[0051] S1、获取训练样本集{(x0,y0),(x1,y1),…,(xi,yi),…,(xN,yN)}，i＝0,1,…,N，其中数据对(xi,yi)为已知检测结果的类别的同一人的BMI数据和太赫兹透射光谱数据；

[0052] S2、根据预设转换函数zi＝f(xi,yi)，将训练样本集{(x0,y0),(x1,y1),…,(xi,yi),…,(xN,yN)}转换为训练转换样本集{z0,z1,…,zi,…,zN}，zi与(xi,yi)之间存在一一对应关系；预设转换函数的运算法则优选为将BMI数据和太赫兹透射光谱数据的乘积作为预设转换函数的输出值，由于样本光谱数据大多存在交叠严重、特征性不强等缺陷，通过在光谱数据上相乘叠加BMI数据，不仅能够提高样本之间的差异性，使得经过转换后的样本的特征性加强，提高了检测精度，而且在光谱数据中关联了BMI数据，实现多参数关联分析检测；

[0053] S3、将训练转换样本集作为两层无向图模型的输入，根据重构误差确定迭代次数，对两层无向图模型进行训练，获得训练转换样本的关联特征；

[0054] S4、将受检者的BMI数据和太赫兹透射光谱数据根据所述预设转换函数进行转换，获得待测转换数据；

[0055] S5、将待测转换数据输入训练好的两层无向图模型提取待测转换数据的关联特征；

[0056] S6、将待测转换数据的关联特征和训练转换样本的关联特征输入KNN分类器进行分类，获得待测转换数据的类别作为检测结果。

[0057] 优选地，S3的具体步骤包括：

[0058] S31、构建第一层无向图模型，其能量函数为：

[0059]

[0060] 其中，vi为可视单元的状态，v1＝(z0,z1,…,zi,…,zN)，hj为隐层单元的状态，hj取1，wij为连接权重，ai、bj分别为可视单元和隐层单元的阈值，wij、ai、bj取0至1之间的随机数，θ＝{wij,ai,bj}；

[0061] S32、计算h1j，计算公式为：

[0062]

[0063] 其中，σ(x)＝1/(1+exp(‑x))，从条件分布P(hj|v)采样得到h1；

[0064] 以h1为输入计算v2i，计算公式为：

[0065]

[0066] 其中， 为服从均值为wijhj+ai，方差为1的高斯分布，从条件分布P(vi|h)采样得到v1的重构值v2；

[0067] 以v2为输入计算h2j，计算公式为：

[0068]

[0069] ，从条件分布P(hj|v)采样得到h1的重构值h2；

[0070] 计算wij,ai,bj的更新值，计算公式为：

[0071]

[0072] ai的更新值＝ai+β[Δai+(η+Δη)(v1‑v2)]；

[0073] bj的更新值＝bj+β[Δbj+(η+Δη)(h1‑h2)]；

[0074] 其中，β为加速因子，η为学习率，Δwij、Δai、Δbj分别为连接权重的变化、可视单元的阈值的变化和隐层单元的阈值的变化， k为预设数值，ΔVerr为可视层的重构误差的变化；通过上述计算公式来进行wij,ai,bj的更新，采用加速因子对wij,ai,bj的变化和学习率共同进行加速，不仅加快了训练速度，还加快了学习率的自适应调整；

[0075] S33、判断是否满足收敛条件：Verr

[0076] S34、当满足收敛条件时，将第一层无向图模型的隐含层作为第二层无向图模型的可视层，构建第二层无向图模型，其能量函数为：

[0077]

[0078] 其中，hj取1，wij、ai、bj取0至1之间的随机数；

[0079] S35、计算h1j，计算公式为：

[0080]

[0081] 从条件分布P(hj|v)采样得到h1；

[0082] 以h1为输入计算v2i，计算公式为：

[0083]

[0084] 从条件分布P(vi|h)采样得到v1的重构值v2；

[0085] 以v2为输入计算h2j，计算公式为：

[0086]

[0087] ，从条件分布P(hj|v)采样得到h1的重构值h2；

[0088] 计算wij,ai,bj的更新值，计算公式为：

[0089]

[0090] ai的更新值＝ai+β[Δai+(η+Δη)(v1‑v2)]；

[0091] bj的更新值＝bj+β[Δbj+(η+Δη)(h1‑h2)]；

[0092] S36、判断是否满足收敛条件：Verr

[0093] 优选地，S6的KNN分类器进行分类的具体步骤包括：

[0094] 计算待测转换数据的关联特征和训练转换样本的关联特征之间的距离，找到与待测转换数据的关联特征最近的K个训练转换样本的关联特征，然后根据K个训练转换样本的关联特征所属类别来判定待测转换数据的关联特征的类别：当K个训练转换样本的关联特征都属于同一类别时，待测转换数据的关联特征也属于这个类别；当K个训练转换样本的关联特征不属于同一类别时，通过对K个训练转换样本的关联特征进行评分来获得待测转换数据的关联特征的类别。

[0095] 优选地，计算待测转换数据的关联特征和训练转换样本的关联特征之间的距离优选为计算待测转换数据的关联特征和训练转换样本的关联特征之间的Euclidean(欧几里得)、Manhattan(曼哈顿)或Mahalanobis(马氏距离)等距离。

[0096] 优选地，评分的方法优选为1‑近邻方法、3‑近邻方法或9‑近邻方法等。

[0097] 上述多参数人工智能检测仪，通过设置太赫兹时域光谱检测装置，结合第一处理装置的深度学习模块分析功能，实现了对血脂参数的无创实时检测。并且第一处理装置还依据身高和体重参数，将BMI数据与太赫兹透射光谱数据进行关联特征提取，获得BMI和血脂联合的多参数检测结果，具有检测精度高、速度快、智能化程度高的优点。

[0098] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。