本发明涉及智能健康管理，更具体地说，本发明涉及基于多维体征评估与训练反馈的干预方案推荐方法。
背景技术：
1、随着医疗技术的进步，越来越多的疾病患者和康复人群需要接受个性化的康复训练，例如慢性阻塞性肺疾病患者通常需要接受呼吸训练和有氧运动、神经系统疾病（如中风、帕金森病）患者通常需要接受肌肉力量训练、运动协调训练等；传统的康复训练方法主要依赖于医生和治疗师的经验和主观诊断，针对性较弱，难以满足不同患者的个体化需求；随着可穿戴设备和物联网技术的快速发展，能够实时监测患者的各种生理指标和行为数据，如心率、血压、活动量、氧饱和度等；同时，通过人机交互反馈，也能够收集到患者在康复训练过程中的主观感受和反馈；利用这些多维度的体征数据和训练反馈，可以更全面、准确地评估患者的健康状况和康复进度，制定更加个性化的干预方案，针对患者具体情况提供定制化的运动训练、营养指导、心理疏导等康复干预措施；以提高患者康复效果，缩短患者康复周期。
2、公开号为cn118230977a的中国专利公开了智慧医疗中的康复辅助管理系统；包括：用户端和服务器端；服务器端包括患者信息管理组件、病症状态分析组件、康复方案推荐组件、患者状态监测组件和康复师培训组件；患者信息管理组件用于接收并存储用户端传输的患者基本信息；病症状态分析组件用于接收用户端传输的患者体征状态信息解析患者病症状态；康复方案推荐组件用于根据患者病症状态匹配康复推荐方案；患者状态监测组件用于监控患者体征状态信息的体征异常情况；康复师培训组件用于康复师培训和康复师培训考核；解决了现有技术中难以对患者信息进行高语义层次的解析，导致患者信息参考性低、康复辅助管理效果差的技术问题。
3、但上述技术在进行方案推荐时，是通过对患者数据进行聚类分析和筛选，从而生成初始的康复方案供进一步筛选和确认，依赖于用户反馈，难以直接推荐最优的康复方案；并且上述技术主要依赖线性或分段线性的距离解析和聚类方法，在面对大量数据和高维特征时，需要大量计算资源，计算效率较低；同时，在面对非线性和多模态的患者体征数据时表现不足，难以捕捉复杂的数据关系。
4、鉴于此，本发明提出基于多维体征评估与训练反馈的干预方案推荐方法以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：基于多维体征评估与训练反馈的干预方案推荐方法，包括：
2、s1：实时收集患者的多维体征数据；
3、s2：收集患者的历史生理体征数据；
4、s3：对多维体征数据和历史生理体征数据进行分析，获取训练反馈数据；
5、s4：根据训练反馈数据，评估患者的康复进度；
6、s5：结合多维体征数据、训练反馈数据以及康复进度，采用自然启发优化算法对患者进行干预方案推荐。
7、进一步地，所述干预方案为病患的康复训练方案，所述对患者进行干预方案推荐的步骤包括：
8、步骤1：预设方案集合，对方案集合中不同的干预方案设置不同的数字标签，并标记为方案标签；
9、步骤2：预设种群规模z和次数阈值t；
10、步骤3：初始化种群，初始化种群中䲟鱼的位置被定义在一维搜索空间中，䲟鱼的位置与方案标签一一对应；
11、步骤4：确定适应度函数；
12、步骤5：选择每条䲟鱼寄生的宿主，并更新每条䲟鱼的位置；
13、步骤6：计算每条䲟鱼位置更新后对应的适应度，并判断是否切换宿主；
14、步骤7：对切换宿主的䲟鱼再次更新位置；
15、步骤8：每条䲟鱼均进入觅食阶段，更新每条䲟鱼的位置；
16、步骤9：计算动态边界，生成每条䲟鱼对应的反向解并添加至种群中；将䲟鱼反向解也作为䲟鱼，筛选种群中的䲟鱼，保留适应度最大的z条䲟鱼；
17、步骤10：若迭代次数t小于次数阈值t，则返回步骤5，令迭代次数；若迭代次数t大于或等于次数阈值t，则进入步骤11；
18、步骤11：计算每条䲟鱼的位置对应的适应度，将所有适应度从大到小进行排序，获取排在最前面的适应度所对应䲟鱼的位置，根据获取的䲟鱼位置获取对应方案标签所对应的干预方案。
19、进一步地，所述步骤3中，初始化种群，包括z条䲟鱼；
20、方案标签和一维搜索空间的范围均为，w为方案集合中的干预方案数量；每条䲟鱼位置的表达式为：；式中，为第i条䲟鱼的初始位置，为间的随机数，，初始化种群对应的迭代次数t为0；
21、所述步骤4中，适应度函数的表达式为：kf；式中，f为适应度，kf为康复进度增加量；
22、康复进度增加量的获取方法为：将多维体征数据、训练反馈数据以及康复进度作为测试数据；将䲟鱼位置对应的方案标签和测试数据作为研究数据，将研究数据输入训练好的增益预测模型中，预测出对应的康复进度增长量。
23、进一步地，所述步骤5中，宿主包括旗鱼和鲸鱼；获取每条䲟鱼对应的随机数并进行四舍五入操作，若四舍五入后的随机数为0，则䲟鱼寄生的宿主为鲸鱼，若四舍五入后的随机数为1，则䲟鱼寄生的宿主为旗鱼；
24、计算每条䲟鱼的位置对应的适应度，将数值最大的适应度对应的䲟鱼位置标记为；
25、若寄生的宿主为鲸鱼，则更新后䲟鱼位置的计算方法包括：
26、；
27、；
28、式中，为更新后第i条䲟鱼的位置，为更新前第i条䲟鱼的位置，为搜索范围调整系数，为间的随机数；
29、若寄生的宿主为旗鱼，则更新后䲟鱼位置的计算方法包括：
30、；
31、式中，为更新前随机一条䲟鱼的位置。
32、进一步地，所述步骤6中，䲟鱼寄生在宿主上时，会根据上一次迭代时䲟鱼的最终位置与䲟鱼当前位置进行试探性移动；计算䲟鱼试探性移动后位置对应的适应度，并标记为试探适应度；将䲟鱼当前位置对应的适应度标记为当前适应度；将试探适应度与当前适应度进行对比；若试探适应度大于或等于当前适应度，则不切换宿主；若试探适应度小于当前适应度，则切换宿主；䲟鱼试探性移动后位置的表达式为：；式中，为䲟鱼试探性移动后位置，为上一次迭代时䲟鱼的最终位置，为间正态分布的随机数；
33、所述步骤7中，对切换宿主的䲟鱼再次更新位置的方法，与步骤5中更新每条䲟鱼的位置的方法一致。
34、进一步地，所述步骤8中，䲟鱼进入觅食阶段时位置更新的方法包括：
35、；
36、；
37、；
38、；
39、式中，为第i条䲟鱼经过觅食阶段更新后的位置，为第i条䲟鱼切换宿主后更新的位置，为第i条䲟鱼在觅食阶段的移动距离，为第i条䲟鱼寄生的宿主的体积，为䲟鱼因子，，为第i条䲟鱼的体积，为间的随机数；
40、所述步骤9中，动态边界为，为种群中数值最小的方案标签，为种群中数值最大的方案标签；
41、反向解的生成方法包括：
42、；
43、式中，为第i条䲟鱼的反向解，为中的随机数；
44、若生成的反向解大于或小于，则标记为超越解，采用随机数函数随机生成一个动态边界内的数值，并将随机生成的数值赋予超越解。
45、进一步地，所述多维体征数据包括基本体征数据、临床体征数据和生理体征数据；所述基本体征数据为患者的个体特征描述指标；所述临床体征数据为患者的病症情况；所述生理体征数据为反映患者生理状态的各种指标；
46、所述历史生理体征数据包括历史训前体征数据和历史训后体征数据；所述历史训前体征数据为患者在每次康复训练开始前的生理体征数据，所述历史训后体征数据为患者在每次康复训练结束后的生理体征数据。
47、进一步地，所述获取训练反馈数据的方法包括：
48、训练反馈数据包括短期反馈数据和长期反馈数据；
49、短期反馈数据为患者在每次康复训练完成后生理体征数据的变化量；短期反馈数据的获取方法为：将历史生理体征数据中对应同一次康复训练的历史训前体征数据和历史训后体征数据，作为一个第一集合；将每个第一集合内的历史训后体征数据中的每个数据，分别减去相同第一集合内历史训前体征数据中对应的数据，获取每个第一集合对应的生理体征数据变化量，并作为短期反馈数据；
50、长期反馈数据为患者上一次康复训练开始前与本次康复训练开始前，生理体征数据的变化量；长期反馈数据的获取方法为：将历史训前体征数据与实时收集的生理体征数据，根据对应康复训练时间的先后顺序进行排序，即根据每组生理体征数据对应收集时间由小到大进行排序，并生成排序表；收集时间用时间戳表示；
51、根据正序依次将排序表中的每组生理体征数据与后一组生理体征数据，作为一个第二集合；将每个第二集合内的两组生理体征数据对应的收集时间进行对比，将收集时间小的生理体征数据标记为第一数据，将收集时间大的生理体征数据标记为第二数据，将每个第二集合内的第二数据中的每个数据，分别减去相同第二集合内第一数据中对应的数据，获取每个第二集合对应的生理体征数据变化量，并作为长期反馈数据。
52、进一步地，所述评估患者的康复进度的方法包括：
53、对不同的临床体征数据设置不同的数字标签，并标记为病症标签；分别将短期反馈数据和长期反馈数据中相同数据的变化量作为一个第三集合；将病症标签、一个第三集合中的数据以及基本体征数据作为一组分析数据，将每组分析数据分别输入训练好的权重分配模型中，预测出对应的权重系数，权重系数与生理体征数据中的数据一一对应；
54、预设体征正常范围，体征正常范围中包括生理体征数据中每种数据的正常范围；获取历史生理体征数据中第一次进行康复训练前的生理体征数据，并标记为首次体征数据；将首次体征数据中的每个数据分别与对应体征正常范围进行对比，将数值大于对应体征正常范围最大值或小于对应体征范围最小值的数据标记为异常数据；数值小于等于对应体征正常范围最大值且大于等于对应体征正常范围最小值的数据则不进行标记；
55、将首次体征数据中的每个异常数据分别减去对应体征正常范围的最大值和最小值，并分别取绝对值，获取两个差量；将首次体征数据中的每个异常数据对应的两个差量进行对比，将数值小的差量作为对应异常数据的异常量；将实时采集的生理体征数据中与异常数据对应的数据标记为实时异常数据，将每个实时异常数据分别减去对应的异常数据并取绝对值，获取每个实时异常数据的康复量；将每个实时异常数据的康复量除以对应异常数据的异常量，获取每个实时异常数据的康复率；获取每个实时异常数据对应的权重系数，将每个实时异常数据对应的康复率乘以对应的权重系数，并依次相加，获取患者的康复进度。
56、进一步地，所述权重分配模型的训练过程包括：
57、预先收集a组分析数据，对a组分析数据均设置对应的权重系数，a为大于1的整数，将分析数据与对应的权重系数转换为对应的一组特征向量；
58、将每组特征向量作为权重分配模型的输入，所述权重分配模型以每组分析数据对应的一组预测权重系数作为输出，以每组分析数据对应的实际权重系数作为预测目标，实际权重系数即为预先收集的与分析数据对应的权重系数；以最小化所有分析数据的预测误差之和作为训练目标；对权重分配模型进行训练，直至预测误差之和达到收敛时停止训练；所述权重分配模型为深度神经网络模型；
59、所述增益预测模型的训练过程与权重分配模型的训练过程一致，并且均为深度神经网络模型。
60、本发明基于多维体征评估与训练反馈的干预方案推荐方法的技术效果和优点：
61、通过实时收集患者的多维体征数据，并结合历史生理体征数据，分析出患者在每次康复训练后的训练反馈数据，以精准评估患者的康复进度；采用改进后的䲟鱼优化算法对患者进行最优个性化干预方案的推荐，依据并行计算处理机制，提高计算效率，并通过深度学习技术评估方案效果，从而提高康复训练的针对性和有效性；充分利用多维特征数据和历史生理体征数据，并通过深度学习技术捕捉复杂的数据关系，能够全面和准确地了解患者的健康状态，为患者提供定制化的康复方案，从而有效提升患者的康复质量和康复效率。
1.基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述干预方案为病患的康复训练方案，所述对患者进行干预方案推荐的步骤包括：
3.根据权利要求2所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述步骤3中，初始化种群，包括z条䲟鱼；
4.根据权利要求3所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述步骤5中，宿主包括旗鱼和鲸鱼；获取每条䲟鱼对应的随机数并进行四舍五入操作，若四舍五入后的随机数为0，则䲟鱼寄生的宿主为鲸鱼，若四舍五入后的随机数为1，则䲟鱼寄生的宿主为旗鱼；
5.根据权利要求4所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述步骤6中，䲟鱼寄生在宿主上时，会根据上一次迭代时䲟鱼的最终位置与䲟鱼当前位置进行试探性移动；计算䲟鱼试探性移动后位置对应的适应度，并标记为试探适应度；将䲟鱼当前位置对应的适应度标记为当前适应度；将试探适应度与当前适应度进行对比；若试探适应度大于或等于当前适应度，则不切换宿主；若试探适应度小于当前适应度，则切换宿主；䲟鱼试探性移动后位置的表达式为：；式中，为䲟鱼试探性移动后位置，为上一次迭代时䲟鱼的最终位置，为间正态分布的随机数；
6.根据权利要求5所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述步骤8中，䲟鱼进入觅食阶段时位置更新的方法包括：
7.根据权利要求6所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述多维体征数据包括基本体征数据、临床体征数据和生理体征数据；所述基本体征数据为患者的个体特征描述指标；所述临床体征数据为患者的病症情况；所述生理体征数据为反映患者生理状态的各种指标；
8.根据权利要求7所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述获取训练反馈数据的方法包括：
9.根据权利要求8所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述评估患者的康复进度的方法包括：
10.根据权利要求9所述的基于多维体征评估与训练反馈的干预方案推荐方法，其特征在于，所述权重分配模型的训练过程包括：
