一种数据处理方法、装置、健康系统平台及终端

暂无

一种数据处理方法、装置、健康系统平台及终端\n技术领域\n[0001] 本发明涉及移动健康管理技术领域，尤其涉及一种数据处理方法、装置、健康系统平台及终端。\n背景技术\n[0002] 目前，患有慢性病的人一般通过长期服用医生开的药物及日常饮食和运动来治疗他们的疾病，而不是在医院接受治疗。然而，在没有额外的帮助及信息提醒的情况下，不容易管理这些状况下的疾病。\n[0003] 如图1所示，为现有技术中，对慢性病的一种健康管理服务系统及其方法。该系统的工作过程为：移动电话读取条码，获得饮食和医疗信息。移动电话将信息发送给服务器。\n服务器向移动终端反馈用户健康状态的健康管理信息，如体形、体质、菜单、食物等相关的数据。\n[0004] 如图2所示，为另一种执行用户定制的健康管理的用户终端装置示意图，该系统组成为：第一装置(移动电话、可穿戴手表等)接收用户的行为信息；第二装置是被授权来设置用户行为指南的监督者的终端；第三装置和第四装置是服务器或者有各种兴趣的另一人的终端。\n[0005] 该装置的工作过程为：第一装置接收用户的行为数据，产生用户的行为信息，并转发给系统服务器；第二装置将用户行为指南发送给系统服务器；系统服务器通过比较行为信息和行为指南来产生健康护理信息，并将健康护理信息发送给第一装置，以及将用户行为信息发送给第二装置。\n[0006] 由此可知，以上两种方案均可利用移动电话等终端设备构成与服务器连接的健康管理服务系统。但是，现有的移动健康管理系统主要存在以下两个问题，以针对糖尿病患者的移动健康系统为例，其主要问题为：\n[0007] 问题1：对不同病情的用户，在移动健康管理中进行日常监测的个体体征参数都使用相同的生理指标，这些指标基本都基于国家颁布的医疗治疗指南和医生临床经验。如对糖尿病患者，目前的指标基本对血糖(或也包括血压)进行监测。尚未根据用户的实际病情发展情况，实现针对不同用户的多种体征参数、以及其体征参数具体取值进行检测。举例如下。\n[0008] 如目前临床对糖尿病患者分为三大类：糖调节受损、有糖尿病但无并发症、以及有糖尿病有并发症，此外，还可细分为有微血管并发症和大血管并发症。但是，最近的研究表明，不同用户，影响其病情的关键指标是不同的，并且这些指标的取值范围也不同。如对于有微血管并发症的用户，其血糖波动为重要独立影响指标。对于大血管并发症用户，从一项对165位患者的采用数据中分析可发现，年龄65.4岁、收缩压145.5毫米汞柱(mmHg)、体质指数(BMI)21.5千克/平方米、空腹血糖9.6毫摩尔/每升(mmol/L)和糖化血红蛋白(HbA1c)\n6.2％是临界值。因此，在使用移动健康系统对用户体征进行监测时，要为他们提供不同的监测指标，并将这些监测指标控制在合理的范围内。\n[0009] 问题2：在移动终端收到指定的调控参数后，目前的系统只是简单记录用户的血糖测量值、膳食摄入量、运动量、用药情况等，没有将饮食、运动和用药情况与需要控制的关键体征指标结合起来，所以无法发现用户饮食、运动等日常行为与关键体征指标之间的关系。\n发明内容\n[0010] 本发明要解决的技术问题是提供一种数据处理方法、装置、健康系统平台及终端，能够针对不同用户的多种体征参数、以及其体征参数的具体取值进行检测，并结合用户的日常体征参数及行为统计参数来获得用户饮食、运动等日常行为与关键体征参数之间的关系。\n[0011] 为了解决上述技术问题，本发明采用如下技术方案：\n[0012] 依据本发明的一个方面，提供了一种数据处理方法，包括：\n[0013] 获取终端用户发送的多个日常体征参数和/或行为统计参数和/或医院系统发送的多个就诊信息；\n[0014] 根据所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数将用户进行分类；\n[0015] 获得任一类型用户的至少一个关键体征参数，以及所述关键体征参数的取值范围并发送给终端用户。\n[0016] 其中，根据所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数将用户进行分类的步骤包括：\n[0017] 根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数获取第j级的第k个分类点参数Aj及对应的分类点取值aj，其中j和k均为正整数；\n[0018] 依据所述Aj及aj将用户分为第一类用户和第二类用户；\n[0019] 根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，分别获取所述第一类用户及第二类用户的第j+1级的分类点参数A1j+1和A2j+1及其对应的分类点取值a1j+1和a2j+1，其中，A1j+1和A2j+1均与第1级～第j级的分类点参数不同；\n[0020] 依据所述参数A1j+1和A2j+1及对应的a1j+1和a2j+1分别将第一类用户和第二类用户再分为两类。\n[0021] 其中，根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数获取第j级的第k个分类点参数Aj及其对应的分类点取值aj的步骤包括：\n[0022] 列出所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数，第i个参数记为Ai，i为正整数；\n[0023] 依据预设的第j级的第k个目标函数，分别获取除第1级～第j-1级的分类点参数外的每一个参数的所有取值的目标函数值，其中k为正整数；\n[0024] 从获取的所有目标函数值中，获取最大目标函数值或最小目标函数值对应的参数Aj及其取值aj。\n[0025] 其中，根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，分别获取所述第一类用户及第二类用户的第j+1级的分类点参数A1j+1和A2j+1及其对应的分类点取值a1j+1和a2j+1的步骤包括：\n[0026] 依据预设的第j+1级的第m个目标函数和第n个目标函数，分别获取所述第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值，其中，参数Ai中不包括第1级～第j级对应的分类点参数，m和n均为正整数；\n[0027] 从所述获取的第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值中，分别获取第一类用户和第二类用户对应的最大或最小目标函数值对应的参数A1j+1和A2j+1及其取值a1j+1和a2j+1。\n[0028] 其中，获得任一类型用户的至少一个关键体征参数，以及所述关键体征参数的取值范围并发送给终端用户的步骤包括：\n[0029] 根据每一类型用户的病情或健康信息从该类型用户的所有分类点参数中选出该类型用户的关键体征参数，并将选出的所述分类点参数的分类点取值作为关键体征参数的临界值发送给终端用户。\n[0030] 依据本发明的另一个方面，还提供了一种数据处理方法，包括：\n[0031] 获取健康系统平台发送的至少一个关键体征参数及关键体征参数的取值范围；\n[0032] 获取用户的日常体征参数和/或行为统计参数和/或就诊信息；\n[0033] 根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，获得所述关键体征参数的预测值；\n[0034] 任一关键体征参数的预测值在关键体征参数的取值范围之外时，向所述健康系统平台和/或终端发送警告信息。\n[0035] 其中，根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，获得所述关键体征参数的预测值的步骤包括：\n[0036] 根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，经过模型识别、定阶与参数估计、模型诊断检验，建立以日常体征参数、行为统计参数及就诊信息中的一种或多种参数为输入，关键体征参数为输出的自回归滑动平均(ARMA)模型；\n[0037] 利用建立的所述模型获得所述关键体征参数的预测值。\n[0038] 其中，利用建立的所述模型获得所述关键体征参数的预测值的步骤之前，所述方法还包括：\n[0039] 将第n天之前且包括第n天的日常体征参数、行为统计参数及就诊信息中的一种参数或多种参数的取值输入所述模型中，获取第n+1天的关键体征参数的预测值，其中，n为正整数；\n[0040] 若获取的第n+1天的关键体征参数的预测值与第n+1天的关键体征参数的实际测试值之差不符合预设标准，根据所述第n+1天的关键体征参数的实际测试值重新计算所述模型的相关参数。\n[0041] 依据本发明的另一个方面，还提供了一种数据处理装置，应用于健康系统平台侧，该装置包括：\n[0042] 获取模块，用于获取终端用户发送的多个日常体征参数和/或行为统计参数和/或医院系统发送的多个就诊信息；\n[0043] 分类模块，用于根据所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数将用户进行分类；\n[0044] 数据处理模块，用于获得任一类型用户的至少一个关键体征参数，以及所述关键体征参数的取值范围并发送给终端用户。\n[0045] 其中，所述分类模块包括：\n[0046] 第一获取单元，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数获取第j级的第k个分类点参数Aj及对应的分类点取值aj，其中j和k均为正整数；\n[0047] 第一分类单元，用于依据所述Aj及aj将用户分为第一类用户和第二类用户；\n[0048] 第二获取单元，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，分别获取所述第一类用户及第二类用户的第j+1级的分类点参数A1j+1和A2j+1及其对应的分类点取值a1j+1和a2j+1，其中，A1j+1和A2j+1均与第1级～第j级的分类点参数不同；\n[0049] 第二分类单元，用于依据所述参数A1j+1和A2j+1及对应的a1j+1和a2j+1分别将第一类用户和第二类用户再分为两类。\n[0050] 其中，所述第一获取单元进一步用于：\n[0051] 列出所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数，第i个参数记为Ai，i为正整数；\n[0052] 依据预设的第j级的第k个目标函数，分别获取除第1级～第j-1级的分类点参数外的每一个参数的所有取值的目标函数值，其中k为正整数；\n[0053] 从获取的所有目标函数值中，获取最大目标函数值或最小目标函数值对应的参数Aj及其取值aj。\n[0054] 其中，所述第二获取单元进一步用于：\n[0055] 依据预设的第j+1级的第m个目标函数和第n个目标函数，分别获取所述第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值，其中，参数Ai中不包括第1级～第j级对应的分类参数，m和n均为正整数；\n[0056] 从所述获取的第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值中，分别获取第一类用户和第二类用户对应的最大或最小目标函数值对应的参数A1j+1和A2j+1及其取值a1j+1和a2j+1。\n[0057] 其中，所述数据处理模块进一步用于：\n[0058] 根据每一类型用户的病情或健康信息从该类型用户的所有分类点参数中选出该类型用户的关键体征参数，并将选出的所述分类点参数的分类点取值作为关键体征参数的临界值发送给终端用户。\n[0059] 依据本发明的另一个方面，还提供了一种数据处理装置，应用于终端侧，该装置包括：\n[0060] 第一获取模块，用于获取健康系统平台发送的至少一个关键体征参数及关键体征参数的取值范围；\n[0061] 第二获取模块，用于获取用户的日常体征参数和/或行为统计参数和/或就诊信息；\n[0062] 预测模块，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，获得所述关键体征参数的预测值；\n[0063] 告警模块，用于任一关键体征参数的预测值在关键体征参数的取值范围之外时，向所述健康系统平台和/或终端发送警告信息。\n[0064] 其中，所述预测模块包括：\n[0065] 模型建立单元，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，经过模型识别、定阶与参数估计、模型诊断检验，建立以日常体征参数、行为统计参数及就诊信息中的一种或多种参数为输入，关键体征参数为输出的ARMA模型；\n[0066] 预测值获取单元，用于利用建立的所述模型获得所述关键体征参数的预测值。\n[0067] 所述预测模块还包括：\n[0068] 优化单元，用于将第n天之前且包括第n天的日常体征参数、行为统计参数及就诊信息中的一种参数或多种参数的取值输入所述模型中，获取第n+1天的关键体征参数的预测值，其中，n为正整数；\n[0069] 若获取的第n+1天的关键体征参数的预测值与第n+1天的关键体征参数的实际测试值之差不符合预设标准，根据所述第n+1天的关键体征参数的实际测试值重新计算所述模型的相关参数。\n[0070] 依据本发明的另一个方面，还提供了一种健康系统平台，包括上述所述的应用于健康系统平台侧的数据处理装置。\n[0071] 依据本发明的另一个方面，还提供了一种终端，包括上述所述的应用于终端侧的数据处理装置。\n[0072] 本发明的有益效果是：\n[0073] 本发明的数据处理方法，实现了针对具体用户，进行个性化慢病管理。健康系统平台依据多个日常体征参数、行为统计参数及就诊信息中的一种参数或多种参数将用户进行分类，并获取每一类用户的个性化的关键体征参数及其取值范围，进而发送给终端。在终端侧，建立关键体征参数与日常体征参数、行为统计参数及就诊信息中的一种参数或多种参数的关系，获得关键体征参数的预测值，并与健康系统平台获得的个性化的关键体征参数及其取值范围进行比较，由此预测用户日常行为对关键体征参数可能造成的影响。\n附图说明\n[0074] 图1表示现有技术中的一种健康管理服务系统及其方法的原理示意图；\n[0075] 图2表示现有技术中的执行用户定制的健康管理的用户终端装置示意图；\n[0076] 图3表示本发明实施例中健康系统平台侧的数据处理方法的流程示意图；\n[0077] 图4表示本发明实施例中终端侧的数据处理方法的流程示意图；\n[0078] 图5表示本发明实施例中健康系统平台侧的数据处理装置结构框图；\n[0079] 图6表示分类模块的结构框图；\n[0080] 图7表示本发明实施例中终端侧的数据处理装置结构框图；\n[0081] 图8表示预测模块的结构框图；\n[0082] 图9表示对用户进行分类的原理示意图。\n具体实施方式\n[0083] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。\n[0084] 实施例一\n[0085] 依据本发明实施例的一个方面，提供了一种数据处理方法，应用于健康系统平台侧，如图3所示，该方法包括：\n[0086] 步骤S301、获取终端用户发送的多个日常体征参数和/或行为统计参数和/或医院系统发送的多个就诊信息。\n[0087] 其中，日常体征参数包括体温、体重、心跳、血压及血糖等通过可穿戴设备或手动输入到终端的参数；行为统计参数包括用户用药信息、运动情况及饮食信息；就诊信息包括用户的基本信息，如性别、年龄等，及病情信息，且就诊信息一般存储在医院门诊和住院处的相关系统中。\n[0088] 步骤S303、根据所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数将用户进行分类。即在对用户进行分类时，日常体征参数、行为统计参数及就诊信息这三种参数，可能只需要其中之一，也能需要多种。\n[0089] 其中，在本发明实施例中采用决策树法将用户进行分类，当然可以理解的是，将用户进行分类并不限于此一种方法。\n[0090] 当采用决策树法时，步骤S303包括：\n[0091] 根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数获取第j级的第k个分类点参数Aj及对应的分类点取值aj，其中j和k均为正整数；\n[0092] 依据所述Aj及aj将用户分为第一类用户和第二类用户；\n[0093] 根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，分别获取所述第一类用户及第二类用户的第j+1级的分类点参数A1j+1和A2j+1及其对应的分类点取值a1j+1和a2j+1，其中，A1j+1和A2j+1均与第1级～第j级的分类点参数不同；\n[0094] 依据所述参数A1j+1和A2j+1及对应的a1j+1和a2j+1分别将第一类用户和第二类用户再分为两类。\n[0095] 在对用户进行分类的过程中，对于第一类用户和第二类用户的第j+1级的分类参数A1j+1和A2j+1可为相同的参数，也可为不同的参数。\n[0096] 其中，根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数获取第j级的第k个分类点参数Aj及对应的分类点取值aj的步骤包括：\n[0097] 列出所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数，第i个参数记为Ai，i为正整数；\n[0098] 依据预设的第j级的第k个目标函数，分别获取除第1级～第j-1级的分类点参数外的每一个参数的所有取值的目标函数值，其中k为正整数；\n[0099] 从获取的所有目标函数值中，获取最大目标函数值或最小目标函数值对应的参数Aj及其取值aj。\n[0100] 具体地，当j等于1时，代表着在获取第1级的分类点参数时，需要计算所有参数的所有取值的目标函数值，并从中选出最大目标函数值或最小目标函数值对应的参数及其取值。\n[0101] 当j大于1时，如j等于3，分别获取除第1级～第2级的分类点参数外的每一个参数的所有取值的目标函数值。代表着在获取第3级的分类点参数时，需要将第1级和第2级的所有分类点参数从所列出的所有参数中除去，并获取余下的所有参数的所有取值的目标函数值，并从中选出最大目标函数值或最小目标函数值对应的参数及其取值。\n[0102] 其中，根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，分别获取所述第一类用户及第二类用户的第j+1级的分类点参数A1j+1和A2j+1及其对应的分类点取值a1j+1和a2j+1的步骤包括：\n[0103] 依据预设的第j+1级的第m个目标函数和第n个目标函数，分别获取所述第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值，其中，参数Ai中不包括第1级～第j级对应的分类点参数，m和n均为正整数；\n[0104] 从所述获取的第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值中，分别获取第一类用户和第二类用户对应的最大或最小目标函数值对应的参数A1j+1和A2j+1及其取值a1j+1和a2j+1。\n[0105] 获取各个分类点参数所需的各个目标函数之间可为相同的函数，也可为不同的函数，其由实际的具体情况而定。\n[0106] 具体地，如图9所示，采用决策树算法对糖尿病有大血管并发症的患者进行分析时，首先列出所有参数，如年龄、收缩压等，然后预设一个选择标准，即第1级的第一个目标函数。接着，选择某个参数(如年龄)，并选择该参数取值范围内的某个取值(如50岁)，然后计算此时的目标函数；之后调整该参数的取值(如选择年龄55岁)，计算对应的目标函数。依此方法遍历该参数的所有可能取值及其对应的目标函数值。之后，选择另外一个参数(如收缩压)，遍历其所有的取值，并计算每个取值所对应的目标函数；……；按照此过程，遍历所有的参数，并计算其对应目标函数值。最后选择目标函数最大值或最小值所对应的参数及其取值，作为此时的分类点，并依照此值将用户分为两类。然后依照上述流程，继续分类，直到分类结果符合预期要求。\n[0107] 步骤S305、获得任一类型用户的至少一个关键体征参数，以及所述关键体征参数的取值范围并发送给终端用户。\n[0108] 其中，健康系统平台侧分析出的这些关键体征参数及其取值范围，将由医生或专家进行最终的审核。在审核通过后，这些参数及其取值范围将发送给终端用户。\n[0109] 对于步骤S305的具体实现方法，本发明实施例中采用上述决策树法中获取的相关数据来实现，当然可以理解的是，获得任一类型用户的至少一个关键体征参数，以及所述关键体征参数的取值范围的方法也并不限于此。\n[0110] 具体地步骤S305包括：\n[0111] 根据每一类型用户的病情或健康信息从该类型用户的所有分类点参数中选出该类型用户的关键体征参数，并将选出的所述分类点参数的分类点取值作为关键体征参数的临界值发送给终端用户。\n[0112] 具体地，举例而言，如图9所示，对于某一类病症，关键体征参数为年龄大于50岁的用户的收缩压的取值范围为大于a值。\n[0113] 此外，对于经步骤S303分类后的用户，其不同类型的用户的关键体征参数可以是不同的，且关键体征参数的取值范围也不同。例如，有微血管并发症的用户，其血糖波动为重要独立影响指标；对于大血管并发症用户，空腹血糖、HbA1C、血压及BMI为该类用户的关键体征参数。\n[0114] 实施例二\n[0115] 依据本发明的另一个方面，还提供了一种数据处理方法，应用于终端侧，如图4所示，该方法包括：\n[0116] 步骤S401、获取健康系统平台发送的至少一个关键体征参数及关键体征参数的取值范围。\n[0117] 其中，关键体征参数及其取值范围是通过健康系统平台获得后发送给终端用户的，且不同类型的用户的关键体征参数的数量及其取值范围均可不同。\n[0118] 步骤S403、获取用户的日常体征参数和/或行为统计参数和/或就诊信息。\n[0119] 其中，日常体征参数包括体温、体重、心跳、血压及血糖等通过可穿戴设备或手动输入到终端的参数；行为统计参数包括用户用药信息、运动情况及饮食信息，且一般通过手动输入到终端设备中进行存储。\n[0120] 步骤S405、根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，获得所述关键体征参数的预测值。\n[0121] 可选地，步骤S405包括：\n[0122] 根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，经过模型识别、定阶与参数估计、模型诊断检验，建立以日常体征参数、行为统计参数及就诊信息中的一种或多种参数为输入，关键体征参数为输出的ARMA模型；\n[0123] 利用建立的所述模型获得所述关键体征参数的预测值。\n[0124] 本发明实施例中通过建立ARMA模型来获得多个关键体征参数的预测值，当然，可以理解的是，并不限于此一种模型或方法来实现对关键体征参数的预测。\n[0125] 可选地，利用建立的所述模型获得所述关键体征参数的预测值的步骤之前，所述方法还包括：\n[0126] 将第n天之前且包括第n天的日常体征参数、行为统计参数及就诊信息中的一种参数或多种参数的取值输入所述模型中，获取第n+1天的关键体征参数的预测值，其中，n为正整数；\n[0127] 若获取的第n+1天的关键体征参数的预测值与第n+1天的关键体征参数的实际测试值之差不符合预设标准，根据所述第n+1天的关键体征参数的实际测试值重新计算所述模型的相关参数。\n[0128] 具体地，以利用时间序列分析中的ARMA模型进行血糖预测为例，经过模型识别、定阶与参数估计、模型诊断检验等步骤，可获得血糖值的预测模型。\n[0129] 假设对血糖值有影响的参数为既往血糖值和血压值时，则对血糖值的预测公式为：X(n)＝A1X(n-1)+A2X(n-2)+…+APX(n-p)+B1Y(n-1)+B2Y(n-2)+…+BqY(n-q)。其中，X(t)为第t日的血糖值，Y(t)为第t日的血压值。p、q、Ai(i＝1,2,…,p)和Bi(i＝1,2,…,q)为需要确定的系数。\n[0130] p、q、Ai(i＝1,2,…,p)和Bi(i＝1,2,…,q)的确定方法为：利用每天新获得的X(t)和Y(t)值，通过计算自相关函数和偏相关函数，确定上述公式中的p、q、Ai(i＝1,2,…,p)和Bi(i＝1,2,…,q)值。然后计算模型X(n)＝A1X(n-1)+A2X(n-2)+…+APX(n-p)+B1Y(n-1)+B2Y(n-2)+…+BqY(n-q)的残差序列。如果残差序列是白噪声序列，就停止训练，此时的公式就是该数据的模型；否则就根据后续采样值继续进行训练。\n[0131] 获得上述模型后，利用当日采集到的用户血糖和血压值，就可预测出第二日用户的血糖值。\n[0132] 步骤S407、任一关键体征参数的预测值在关键体征参数的取值范围之外时，向所述健康系统平台和/或终端发送警告信息。\n[0133] 在终端侧，在获得关键体征参数的预测值时，首先为关键体征参数分别建立模型，模型的输入为日常体征参数、行为统计参数及就诊信息中的一种参数或多种参数(即为用户的体温、体重、血糖、血压、运动情况、饮食及用药情况等)，模型的输出为关键体征参数的预测值。对于该模型，在初次建立后，依据以往的真实数据，若输出的关键体征参数预测值与真实结果差距较大，则需要对该模型进行训练。\n[0134] 当用于训练的用户数据足够多，模型训练实现足够精度时，则利用该模型获取关键体征参数的预测值。此时，将当前(如当天、或也可包括前几天)的用户日常体征参数及行为统计参数的数据输入模型后，模型会输出将来(如第二天)的关键体征参数的预测值。如果这些关键体征参数的预测值超出健康系统平台建议的合理范围，则终端会向用户和平台发出告警信息。\n[0135] 实施例三\n[0136] 依据本发明实施例的另一个方面，还提供了一种数据处理装置，应用于健康系统平台侧，如图5所示，该装置500，包括：\n[0137] 获取模块501，用于获取终端用户发送的多个日常体征参数和/或行为统计参数和/或医院系统发送的多个就诊信息；\n[0138] 分类模块503，用于根据所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数将用户进行分类；\n[0139] 数据处理模块505，用于获得任一类型用户的至少一个关键体征参数，以及所述关键体征参数的取值范围并发送给终端用户。\n[0140] 可选地，如图6所示，分类模块503包括：\n[0141] 第一获取单元5031，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数获取第j级的第k个分类点参数Aj及对应的分类点取值aj，其中j和k均为正整数；\n[0142] 第一分类单元5032，用于依据所述Aj及aj将用户分为第一类用户和第二类用户；\n[0143] 第二获取单元5033，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，分别获取所述第一类用户及第二类用户的第j+1级的分类点参数A1j+1和A2j+1及其对应的分类点取值a1j+1和a2j+1，其中，A1j+1和A2j+1均与第1级～第j级的分类点参数不同；\n[0144] 第二分类单元5034，用于依据所述参数A1j+1和A2j+1及对应的a1j+1和a2j+1分别将第一类用户和第二类用户再分为两类。\n[0145] 可选地，第一获取单元5031进一步用于：\n[0146] 列出所述多个日常体征参数、行为统计参数及就诊信息中的一种或多种参数，第i个参数记为Ai，i为正整数；\n[0147] 依据预设的第j级的第k个目标函数，分别获取除第1级～第j-1级的分类点参数外的每一个参数的所有取值的目标函数值，其中k为正整数；\n[0148] 从获取的所有目标函数值中，获取最大目标函数值或最小目标函数值对应的参数Aj及其取值aj。\n[0149] 可选地，第二获取单元5033进一步用于：\n[0150] 依据预设的第j+1级的第m个目标函数和第n个目标函数，分别获取所述第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值，其中，参数Ai中不包括第1级～第j级对应的分类参数，m和n均为正整数；\n[0151] 从所述获取的第一类用户和第二类用户对应的参数Ai的所有取值的目标函数值中，分别获取第一类用户和第二类用户对应的最大或最小目标函数值对应的参数A1j+1和A2j+1及其取值a1j+1和a2j+1。\n[0152] 可选地，数据处理模505块进一步用于：\n[0153] 根据每一类型用户的病情或健康信息从该类型用户的所有分类点参数中选出该类型用户的关键体征参数，并将选出的所述分类点参数的分类点取值作为关键体征参数的临界值发送给终端用户。\n[0154] 实施例四\n[0155] 依据本发明实施例的另一个方面，还提供了一种数据处理装置，应用于终端侧，如图7所示，该装置700，包括：\n[0156] 第一获取模块701，用于获取健康系统平台发送的至少一个关键体征参数及关键体征参数的取值范围；\n[0157] 第二获取模块703，用于获取用户的日常体征参数和/或行为统计参数和/或就诊信息；\n[0158] 预测模块705，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，获得所述关键体征参数的预测值；\n[0159] 告警模块707，用于任一关键体征参数的预测值在关键体征参数的取值范围之外时，向所述健康系统平台和/或发送警告信息。\n[0160] 可选地，如图8所示，所述预测模块705包括：\n[0161] 模型建立单元7051，用于根据所述日常体征参数、行为统计参数及就诊信息中的一种或多种参数，经过模型识别、定阶与参数估计、模型诊断检验，建立以日常体征参数、行为统计参数及就诊信息中的一种或多种参数为输入，关键体征参数为输出的ARMA模型；\n[0162] 预测值获取单元7053，用于利用建立的所述模型获得所述关键体征参数的预测值。\n[0163] 可选地，所述预测模块705还包括：\n[0164] 优化单元7052，用于将第n天之前且包括第n的日常体征参数、行为统计参数及就诊信息中的一种参数或多种参数的取值输入所述模型中，获取第n+1天的关键体征参数的预测值，其中，n为正整数；\n[0165] 若获取的第n+1天的关键体征参数的预测值与第n+1天的关键体征参数的实际测试值之差不符合预设标准，根据所述第n+1天的关键体征参数的实际测试值重新计算所述模型的相关参数。\n[0166] 实施例五\n[0167] 依据本发明实施例的另一个方面，还提供了一种健康系统平台，包括上述所述的应用于健康系统平台侧的数据处理装置。\n[0168] 实施例六\n[0169] 依据本发明实施例的另一个方面，还提供了一种终端，包括上述所述的应用于终端侧的数据处理装置。\n[0170] 以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。