欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100962616
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于大数据的跌倒风险实时评估系统,其特征在于,包括依次连接并协同工作的以下模块:

数据采集与转换模块,用于从多个源头采集数据并转换为适于后续处理的数字信号;该模块包含传感单元,利用传感器分别获取生物相关电子信号和环境模拟信号,并经电路和转换器转换为数字信号;

大数据处理与整合模块,用于数据的安全传输、汇聚和预处理;

特征提取与选择模块,用于从预处理后的数据中提取与风险评估相关的特征;该模块包括联邦学习与生成对抗网络子模块,构建中心节点协调不同数据源端的联邦学习过程,利用生成对抗网络提取与风险相关的特征;还包括信息瓶颈理论应用子模块,以信息瓶颈理论为框架,挑选出对风险评估有用且相互独立的关键特征集,并结合领域知识进行精细化筛选;

跌倒风险评估模块,用于基于提取的特征进行风险的实时评估,得到跌倒风险评估结果;该模块包含混合模型子模块,融合两种学习模型构建混合模型,通过智能体与环境交互学习最优策略,依据先验知识和专家经验构建模型结构,利用大量数据训练优化模型,并引入迁移学习技术提高模型泛化能力;

实时监控与预警模块,用于根据跌倒风险评估结果触发预警信号;

设经过特征提取与选择得到的特征向量为,分别表示经过特征提取与选择模块后,挑选出的与跌倒风险评估有用且相互独立的关键特征集中的第1个、第2个、第n个特征值;深度强化学习的权重向量为,分别表示深度强化学习部分所学习到的第1个、第2个、第n个权重值;贝叶斯网络的条件概率矩阵为,代表贝叶斯网络中的条件概率值,先验知识影响因子为,专家经验影响因子为,贝叶斯网络结构构建受先验知识和专家经验影响为,其中K、E为抽象表示先验知识和专家经验的量;跌倒风险评估结果,为激活函数,为相关概率数量,表示在特定条件下,与第个特征相关的某种事件发生的概率,这些概率值共同构成贝叶斯网络的条件概率矩阵,用于在跌倒风险评估中基于概率推理来辅助确定最终的跌倒风险值,表示第i个特征值,表示第i个权重值。

2.如权利要求1所述的基于大数据的跌倒风险实时评估系统,其特征在于,对于数据采集与转换模块,利用基于微生物燃料电池原理的生物传感器阵列紧密贴合皮肤,实时捕捉微生物代谢产生的电子信号,设生物传感器阵列的输出信号为,其中t表示时间;

利用复合材料制成的环境传感器实时采集环境的模拟信号,设环境传感器的输出信号为;

将生物信号和环境信号通过电路和转换器转换为数字信号,生物信号的数字信号表示为,环境信号的数字信号表示为;生物信号转换过程表示为,其中表示生物信号转换函数;环境信号转换过程表示为,其中表示环境信号转换函数;

在转换过程中,采用噪声抑制技术和生物电催化放大的模数转换技术,设噪声抑制后的生物信号为,则;设环境信号经过信号调理后的输出为,则;最终的数字信号和被传输到大数据处理与整合模块进行后续处理。

3.如权利要求1所述的基于大数据的跌倒风险实时评估系统,其特征在于,所述特征提取与选择模块的联邦学习与生成对抗网络子模块,构建一个中心节点协调管理不同数据源端的联邦学习过程,确保数据的隐私和安全得到严格保护,每个数据源端部署TensorFlow联邦学习框架建立本地特征学习模型,并通过安全通信协议与中心节点通信,共享学习到的特征或模型参数,在联邦学习的基础上构建生成对抗网络,由生成器和判别器共同协作提取与跌倒风险相关的特征。

4.如权利要求3所述的基于大数据的跌倒风险实时评估系统,其特征在于,设共有v个数据源端,分别记为,中心节点为C,生成对抗网络的生成器为G,判别器为D,从数据源端学习到的特征或模型参数为F,最终提取出的与跌倒风险相关的特征集合为P;

在联邦学习阶段,每个数据源端部署联邦学习框架,建立本地特征学习模型,其中为建立本地模型的函数;

各数据源端通过安全通信协议与中心节点C通信,将学习到的特征或模型参数共享给中心节点:,为通信函数;

中心节点C收集所有数据源端共享的信息,形成信息集合,分别表示经过特征提取与选择模块处理后得到的与跌倒风险相关的第1个、第2个、第v个关键特征。

5.如权利要求4所述的基于大数据的跌倒风险实时评估系统,其特征在于,基于联邦学习得到的信息集合F,构建生成对抗网络,生成器G根据输入生成与跌倒风险相关的潜在特征:;判别器D对生成器G生成的特征进行判别,判断其真实性以及跌倒风险的相关性,通过对抗训练,两者不断优化网络参数:,为训练函数,和分别为训练优化后的生成器和判别器;最终,由训练优化后的生成对抗网络提取出与跌倒风险相关的特征集合,为提取最终特征的函数。

6.如权利要求1所述的基于大数据的跌倒风险实时评估系统,其特征在于,所述大数据处理与整合模块包括安全传输子模块,采用同态加密算法对敏感数据进行加密,确保传输过程中的安全性,并在接收端使用循环冗余校验和消息认证码技术验证数据的完整性;还包括数据汇聚与预处理子模块,数据汇聚与预处理子模块设计有灵活的数据接口,能够接收来自数据采集模块及外部数据源的数据,进行格式统一、去重、合并处理。

7.如权利要求1所述的基于大数据的跌倒风险实时评估系统,其特征在于,所述实时监控与预警模块的预警信号产生子模块采用生物-电子-光子集成技术,在可穿戴设备内部设计信号发生电路,由计算机系统精确管理,根据跌倒风险结果划分跌倒风险等级,再根据跌倒风险等级的变化实时产生相应的预警信号。

8.如权利要求1所述的基于大数据的跌倒风险实时评估系统,其特征在于,设为跌倒风险等级,S为预警信号,H表示高风险等级,L表示低风险等级,为高风险时产生信号的函数,为低风险时产生信号的函数,执行公式为:。

9.一种基于大数据的跌倒风险实时评估方法,应用于如权利要求1所述的基于大数据的跌倒风险实时评估系统,其特征在于,包括以下步骤:步骤1,数据采集与转换,从多个源头采集数据,并利用基于微生物燃料电池原理的生物传感器阵列紧密贴合皮肤,实时捕捉微生物代谢产生的电子信号,同时利用复合材料制成的环境传感器,实时采集环境的模拟信号;随后,通过电路和转换器将这些信号转换为可用于后续处理的数字信号;

步骤2,大数据处理与整合,对采集到的数字信号进行安全传输,采用同态加密算法对敏感数据进行加密处理,确保传输过程中的数据安全性;在接收端,使用循环冗余校验和消息认证码技术验证数据的完整性;接着,设计灵活的数据接口接收来自数据采集步骤及外部数据源的数据,并进行格式统一、去重、合并处理;

步骤3,特征提取与选择,构建一个中心节点协调管理不同数据源端的联邦学习过程,利用生成对抗网络提取与跌倒风险相关的特征;同时,采用信息瓶颈理论作为特征选择和压缩的理论框架,挑选出对跌倒风险评估有用且相互独立的关键特征集,并结合领域知识对特征进行精细化筛选;

步骤4,跌倒风险评估,基于提取的特征,融合深度强化学习和贝叶斯网络构建混合模型进行跌倒风险的实时评估;通过智能体与环境交互学习最优策略,并根据先验知识和专家经验构建贝叶斯网络结构;利用大量数据进行模型训练与优化,同时引入迁移学习技术提高模型的泛化能力;

步骤5,实时监控与预警,持续获取个体的跌倒风险状态,当跌倒风险等级变化时,利用集成技术结合个性化阈值设置产生预警信号,以精准提示个体当前的跌倒风险等级;并通过多渠道推送机制确保预警信息的及时传达。