本发明涉及健康管理，尤其涉及基于人工智能的远程康复监测辅助方法及系统。
背景技术：
1、随着信息技术和医疗技术的快速发展，远程医疗及康复监测逐渐成为现代医疗体系的重要组成部分。特别是对于患有心血管疾病、运动损伤或其他需要长期康复的患者，通过远程监测技术，可以实时获取患者的生理数据，如心率、血压、血氧等，从而实现对患者健康状况的实时跟踪与动态评估。不仅能够有效减少患者频繁前往医院的负担，还能帮助医生及时发现患者康复过程中的异常情况，制定更加定制化的康复方案。
2、现有技术中，远程康复监测系统通常通过佩戴式设备采集患者的生理数据，结合患者的行为数据（如运动、睡眠等），生成简单的健康报告。然而，这类系统的监测和分析手段较为单一，通常只基于心率或行为数据的基本统计分析，缺乏对数据之间复杂关联的深层次理解。
技术实现思路
1、本发明为解决上述技术问题，提出了一种基于人工智能的远程康复监测辅助方法及系统，以解决至少一个上述技术问题。
2、本技术提供了一种基于人工智能的远程康复监测辅助方法，包括以下步骤：
3、步骤s1：获取用户心率数据以及用户行为数据；
4、步骤s2：根据用户心率数据进行时序特征提取，得到用户心率时序特征数据，并根据用户行为数据以及用户心率数据进行聚类计算，得到用户行为心率聚类特征数据；
5、步骤s3：根据用户心率时序特征数据以及预设的健康心率时序特征数据进行拟合，得到第一用户心率评估数据；
6、步骤s4：根据用户行为心率聚类特征数据进行特征层编码，得到心率聚类特征编码数据；根据心率聚类特征编码数据进行变化曲线构建，得到心率特征变化曲线数据；根据心率特征变化曲线数据进行健康评估，得到第二用户心率评估数据；
7、步骤s5：根据第一用户心率评估数据以及第二用户心率评估数据进行远程康复监测辅助作业。
8、本发明中通过对用户心率数据进行时序特征提取，本方法能够捕捉到心率的复杂动态变化，并提取关键的时序特征，从而提高了心率数据的分析精度。通过将用户心率数据与预设的健康心率数据进行拟合，生成第一用户心率评估数据，识别出用户心率与标准健康心率之间的差异，提供定制化的健康评估。通过聚类计算与特征层编码，能够根据用户行为数据和心率数据识别出不同的行为-心率模式，并对这些模式进行编码和分析。引入了变化曲线构建和趋势分析，通过对心率特征变化曲线的构建，方法能够捕捉用户心率的长期变化趋势。本发明能够根据实时数据和评估结果，快速响应用户心率异常情况，提供即时反馈和指导，提高康复过程中的安全性。
9、优选地，步骤s1具体为：
10、通过可穿戴设备进行用户心率采集，得到用户心率数据；
11、获取用户行为表数据以及当前时间数据，并根据用户行为表数据以及当前时间数据进行用户行为生成，得到初级用户行为数据；
12、通过摄像头设备进行用户图像采集，得到用户图像数据，并根据用户图像数据进行用户姿态采集，得到用户姿态数据；
13、根据初级用户行为数据进行用户预估姿态生成，得到用户预估姿态数据；
14、根据用户预估姿态数据以及用户姿态数据进行误差评估，得到用户姿态误差数据；
15、根据用户姿态误差数据对初级用户行为数据进行调整，得到用户行为数据。
16、本发明中多源数据的集成确保了对用户行为的识别更加精准，能够有效减少单一数据源带来的误差和不确定性。实时的误差评估和行为数据调整机制确保了系统能够及时发现和纠正用户的行为偏差，提高了系统对用户行为的实时响应能力。通过比较用户实际姿态和预估姿态，本方法能够有效识别用户在康复训练中的动作偏差，并通过调整初级行为数据进行实时校正。调整机制能够根据每个用户的具体情况进行定制，从而提高康复方案的适应性和有效性。
17、优选地，其中误差评估具体为：
18、根据用户预估姿态数据以及用户姿态数据进行姿态分量生成，分别得到用户预估姿态分量数据以及用户姿态分量数据，其中用户预估姿态分量数据包括用户预估角度分量数据、用户预估位置分量数据以及用户预估速度分量数据，用户姿态分量数据包括用户角度分量数据、用户位置分量数据以及用户速度分量数据；
19、根据用户预估姿态分量数据以及用户姿态分量数据进行误差分量计算，得到用户姿态误差分量数据；
20、根据用户姿态误差分量数据进行融合，得到用户姿态误差数据。
21、本发明中通过将姿态数据分解为角度分量、位置分量和速度分量，分别对这些分量进行误差计算，本方法能够对用户的姿态进行更加精细化的分析，以进行更深层的数据调整。通过分别生成和计算角度、位置和速度等不同维度的姿态分量数据，能够多维度地评估用户的姿态。确保了各个分量的误差能够有效整合，生成的姿态误差数据更具代表性和准确性。通过对误差分量的深入分析和综合，本方法能够生成详细的姿态误差信息，以进行精准地姿态调整。
22、优选地，步骤s2具体为：
23、步骤s21：根据用户心率数据进行相空间重构，得到心率相空间数据；
24、步骤s22：对心率相空间数据进行相空间网络构建，得到心率相空间网络数据；
25、步骤s23：对心率相空间网络数据进行网络拓扑特征提取，得到心率网络拓扑特征数据；
26、步骤s24：根据心率网络拓扑特征数据进行熵权分析，得到用户心率时序特征数据；
27、步骤s25：根据用户行为数据以及用户心率数据进行聚类计算，得到用户行为心率聚类特征数据。
28、本发明中通过相空间重构，本方法能够将原本一维的心率时间序列数据映射到高维相空间中，映射能够揭示心率数据中的动态行为和隐藏的模式，增强了数据分析的深度和广度。将心率相空间数据构建为网络结构，能够捕捉心率数据中的结构性和关联性特征，基于心率数据的网络分析可以揭示出心率数据中的节点和连接模式。通过对心率相空间网络数据的拓扑特征提取，本方法能够识别出心率数据的全局和局部结构特性，如节点度分布、聚类系数、平均路径长度等。通过熵权分析，本方法能够量化心率网络拓扑特征的复杂性和信息量分布。能够帮助识别心率数据中最具信息量的特征，并根据这些特征生成用户的心率时序特征数据。通过结合用户行为数据和心率数据进行聚类计算，本方法能够识别用户在不同行为模式下的心率特征。
29、优选地，步骤s21具体为：
30、根据用户心率数据进行相空间嵌入参数确定，得到嵌入延迟时间数据；
31、根据用户心率数据进行嵌入维度计算，得到嵌入维度数据；
32、根据嵌入延迟时间数据以及嵌入维度数据对用户心率数据进行心率相空间构建，得到心率相空间数据。
33、本发明中通过精确计算心率数据的嵌入延迟时间和嵌入维度，本方法能够从心率时间序列数据中重构出包含更多信息的相空间，相空间重构方法使得原本一维的时间序列数据被转化为高维空间，能够更好地捕捉心率数据的动态特性和隐藏模式，从而增强了对心率行为的分析能力。在确定了嵌入延迟时间和嵌入维度后，本方法可以更准确地重构相空间，揭示心率数据中存在的非线性特征。通过将心率数据映射到高维相空间，能够更清晰地展示出心率数据中的吸引子结构和轨迹，帮助理解心脏系统作为复杂动态系统的行为。嵌入延迟时间和嵌入维度的准确计算，确保了相空间重构的有效性和精度。
34、优选地，步骤s24具体为：
35、根据心率网络拓扑特征数据进行条件熵计算以及联合熵计算，分别得到第一心率熵值特征数据以及第二心率熵值特征数据；
36、根据第一心率熵值特征数据以及第二心率熵值特征数据进行熵差异计算，得到心率熵差异数据；
37、根据熵差异数据对心率网络拓扑特征数据进行差异化加权处理，得到差异化加权心率特征数据；
38、根据差异化加权心率特征数据进行非线性特征映射，得到用户心率时序特征数据。
39、本发明中通过分别计算心率网络拓扑特征数据的条件熵和联合熵，能够多层次地分析心率数据中的信息量和复杂性。条件熵能够揭示特定状态下心率特征的随机性和不确定性，而联合熵则能够量化整个系统中的总信息量。通过熵差异计算，本方法能够识别出条件熵和联合熵之间的差异，反映了心率网络拓扑特征数据在不同条件下的信息量变化。通过对这些差异进行加权处理，方法能够突出那些对心率变化更为敏感的特征。通过差异化加权处理，提取并强调了在不同熵条件下表现出显著差异的心率特征数据。随后，利用非线性特征映射技术，本方法能够将这些加权后的特征映射到高维空间，从而捕捉心率时序数据中隐藏的深度关系和模式。这种非线性映射不仅提升了特征的表现力，还增强了对复杂动态行为的捕捉能力。
40、优选地，步骤s3具体为：
41、根据用户心率时序特征数据以及预设的健康心率时序特征数据进行动态匹配，得到心率特征匹配数据；
42、根据心率特征匹配数据进行残差计算，得到心率特征匹配残差数据；
43、对心率特征匹配残差数据进行多元线性回归拟合，得到用户心率偏离数据；
44、对用户心率偏离数据进行残差曲线分析，得到第一用户心率评估数据。
45、本发明中通过将用户心率时序特征数据与预设的健康心率时序特征数据进行动态匹配，能够灵活适应个体心率的变化趋势。动态匹配能够捕捉到用户心率数据中的微小变化，并将其与健康标准进行实时对比，确保了匹配过程的精准性，从而为后续的残差分析和评估提供了高质量的基础数据。通过对动态匹配后的心率特征数据进行残差计算，量化用户心率与健康标准之间的具体偏离程度。残差数据直接反映了用户心率的非常规情况，以为用户提供更加直观的深度数据。通过对残差数据进行多元线性回归拟合，能够整合多维度的心率特征信息，对用户心率的整体偏离情况进行全面分析。对用户心率偏离数据进行残差曲线分析，能够识别心率偏离的趋势和模式。通过残差曲线，本方法不仅能够量化心率偏离的程度，还能够评估偏离的持续性和波动性。
46、优选地，步骤s4具体为：
47、根据用户行为心率聚类特征数据进行聚类特征编码，得到心率聚类特征编码数据；
48、对心率聚类特征编码数据进行编码特征嵌入，得到嵌入式心率特征数据；
49、对嵌入式心率特征数据进行特征时间序列构建，得到心率聚类时间序列特征数据；
50、对心率聚类时间序列特征数据进行多尺度曲线分析，得到心率特征变化曲线数据；
51、对心率特征变化曲线数据进行曲线模式识别，得到心率特征曲线模式数据；
52、对心率特征曲线模式数据进行曲线趋势拟合，得到第二用户心率评估数据。
53、本发明中通过对用户行为心率聚类特征数据进行编码，本方法能够将行为与心率模式进行有效编码和表示，能够将用户的行为和心率数据结构化，揭示出行为模式下的心率反应特征。在对聚类特征编码数据进行嵌入处理后，本方法能够将高维特征映射到低维空间，从而压缩数据的维度，不仅减少了计算复杂度，还能够保留原始特征数据中的关键信息，使得系统能够更高效地处理复杂数据。通过对嵌入式心率特征数据进行时间序列构建，本方法能够捕捉到用户心率数据的动态变化特性。时间序列数据能够体现用户心率在不同行为模式下的变化趋势，有助于识别心率的周期性波动和行为相关的变化模式，进一步提升了心率数据分析的时间敏感性。通过对心率聚类时间序列特征数据进行多尺度曲线分析，本方法能够在不同的时间尺度上分析心率数据，捕捉到心率特征在短期和长期内的变化。过对心率特征变化曲线数据进行模式识别，本方法能够提取出用户的典型心率变化模式，有助于分析用户在不同行为模式下的心率变化规律。在完成曲线模式识别后，本方法通过趋势拟合能够预测用户心率的未来变化趋势。
54、优选地，步骤s5具体为：
55、根据第一用户心率评估数据以及第二用户心率评估数据进行心率评估差异分析，得到心率评估差异数据；
56、将第一用户心率评估数据、第二用户心率评估数据以及心率评估差异数据进行远程康复报告生成，得到远程康复报告数据，以进行远程康复监测辅助作业。
57、本发明中通过对第一用户心率评估数据和第二用户心率评估数据进行差异分析，本方法能够准确识别用户心率的不同评估维度之间的差异。将第一和第二用户心率评估数据结合，能够对用户的心率状态进行多维度的综合评估。第一用户心率评估数据关注时间序列的特征，而第二用户心率评估数据则涵盖行为模式下的变化特征。通过整合第一、第二用户心率评估数据和差异分析数据生成远程康复报告，实现了定制化、实时、数据驱动的远程康复管理，显著提升了康复系统的智能化和效率。
58、优选地，本技术还提供了一种基于人工智能的远程康复监测辅助系统，用于执行如上所述的基于人工智能的远程康复监测辅助方法，该基于人工智能的远程康复监测辅助系统包括：
59、用户心率基础数据采集模块，用于获取用户心率数据以及用户行为数据；
60、用户心率特征提取模块，用于根据用户心率数据进行时序特征提取，得到用户心率时序特征数据，并根据用户行为数据以及用户心率数据进行聚类计算，得到用户行为心率聚类特征数据；
61、第一用户心率评估模块，用于根据用户心率时序特征数据以及预设的健康心率时序特征数据进行拟合，得到第一用户心率评估数据；
62、第二用户心率评估模块，用于根据用户行为心率聚类特征数据进行特征层编码，得到心率聚类特征编码数据；根据心率聚类特征编码数据进行变化曲线构建，得到心率特征变化曲线数据；根据心率特征变化曲线数据进行健康评估，得到第二用户心率评估数据；
63、远程康复监测辅助作业模块，用于根据第一用户心率评估数据以及第二用户心率评估数据进行远程康复监测辅助作业。
64、本发明的有益效果在于：通过结合用户心率数据和行为数据，本发明实现了多源数据的深度融合。用户心率数据反映了个体的生理反应，而行为数据则提供了环境和活动上下文，数据的结合使得分析更全面、更具洞察力。通过对用户心率数据的时序特征提取（步骤s2），本方法能够精准捕捉心率信号中的时序动态特征，包括心率变异性、波动规律等。通过结合用户心率和行为数据进行聚类计算（步骤s2），本方法能够自动识别出用户在不同行为模式下的心率变化规律，不仅增强了数据的分类能力，还能够精准捕捉特定行为与心率之间的关联。通过聚类特征的编码和嵌入，本发明能够对不同模式下的心率数据进行统一的表示和处理（步骤s4）。通过将用户心率时序特征数据与健康标准进行拟合（步骤s3），本发明能够自动评估用户的心率偏离度，并通过残差分析定量评估用户与健康状态之间的差距。通过综合两类评估数据（步骤s5），系统能够对用户的心率健康进行更具深度的差异化评估，实现了定制化、实时、数据驱动的远程康复管理，显著提升了康复系统的智能化和效率。
1.一种基于人工智能的远程康复监测辅助方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1具体为：
3.根据权利要求2所述的方法，其特征在于，其中误差评估具体为：
4.根据权利要求1所述的方法，其特征在于，步骤s2具体为：
5.根据权利要求4所述的方法，其特征在于，步骤s21具体为：
6.根据权利要求4所述的方法，其特征在于，步骤s24具体为：
7.根据权利要求1所述的方法，其特征在于，步骤s3具体为：
8.根据权利要求1所述的方法，其特征在于，步骤s4具体为：
9.根据权利要求1所述的方法，其特征在于，步骤s5具体为：
10.一种基于人工智能的远程康复监测辅助系统，其特征在于，用于执行如权利要求1所述的基于人工智能的远程康复监测辅助方法，该基于人工智能的远程康复监测辅助系统包括：
