本發明涉及人工智能和大健康領域,特別是涉及一種基于大模型的ai健康管理系統。
背景技術:
1、ai大模型"通常指的是具有巨大參數量和計算能力的人工智能模型。這些大模型擁有數十億至數百億甚至更多的參數,構建了復雜的神經網絡結構,能夠處理更復雜的模式和信息,通常具有更強的泛化能力,即在未經訓練的數據上也能取得較好的表現,在自然語言處理、圖像識別等任務上具有很高的性能,在諸如自然語言生成、情感分析、語言翻譯等任務中表現出色。
2、日常健康監控是指通過各種方法和設備對個人的身體健康狀況進行監測和評估,以及采取必要的措施來維持和改善健康狀態。目前常見的日常健康監控包括:體重、血壓、血糖、運動量、飲食習慣、心率、睡眠質量、步數等。便攜式和移動設備為日常健康監控提供了便捷有效的手段。通過日常健康監控,個人可以更好地了解自己的健康狀況,及時發現問題并采取相應的健康管理措施,有助于提高生活質量并預防慢性疾病的發生。
3、健康管理是通過日常健康監控、個人醫療記錄、定期體檢、家族病史等,在醫生和專家指導下,通過健康監測、健康飲食、正確運動、心理健康等多維度,維持個人身體健康和心理健康,預防疾病的發生,并提高健康生活質量的長期且持續的過程。
4、ai大模型用于健康管理,能夠提升健康管理與服務的效率、精準度和個性化程度,幫助人們更科學地管理自己的健康。然而,ai大模型用于健康管理解決疾病預測和診斷、健康監測與預警、健康風險評估、個性化健康建議、虛擬健康助手等ai應用問題時,需要解決信息安全和隱私保護等問題,確保健康數據的安全性和合規性。
技術實現思路
1、這項發明旨在解決大模型在ai健康管理方面存在的數據安全和隱私保護問題。并從日常健康監測、個人病例與醫療影像、問診及健康咨詢多維度,應用ai大模型解決健康管理問題。
2、為解決以上問題,本發明所采用的技術方案是,基于大模型的ai健康管理系統包括:本地ai健康管理系統和ai大模型:
3、所述本地ai健康管理系統用于接收和處理健康醫療數據,經卷積神經網絡提取特征值,再將所述特征值送給所述ai大模型進行診斷與分析,并接收和呈現所述診斷與分析結果;
4、所述ai大模型用大數據訓練,用于完成基于大模型的ai健康管理系統的各種功能包括并不限于疾病風險及健康評估、中醫治療、食療、運動建議、心理與睡眠分析、相關健康知識收集等。
5、優選地,所述本地ai健康管理系統包括:輸入模塊、一維數據預處理模塊、二維數據預處理模塊、一維卷積神經網絡、二維卷積神經網絡、全連接層,大模型接口、輸出模塊:
6、所述輸入模塊用于接收數據包括格式化數據和非格式化數據;連接日常健康監測設備接收所述設備采集的個人健康數據;接收個人電子健康記錄和醫療影像;接收個人基因組學數據;接收個人問診及健康咨詢文本和語音數據;
7、所述一維數據預處理模塊用于處理一維數據,將其做數據歸一化、數據擴充、數據均衡處理;
8、所述二維數據預處理模塊用于處理二維數據包括圖像和電子表格數據,將其做數據歸一化、數據擴充、數據均衡處理;
9、所述一維卷積神經網絡用于一維數據的特征提取,其網絡結構包括至少一個一維卷積計算層/conv?layer,一個relu激勵層/relu?layer,和一個池化層/pooling?layer;
10、所述二維卷積神經網絡用于二維數據的特征提取,其網絡結構包括至少一個二維卷積計算層/conv?layer,一個relu激勵層/relu?layer,和一個池化層/pooling?layer;
11、所述全連接層/?fc?layer用于連接及融合所述二維卷積神經網絡和所述一維卷積神經網絡的特征輸出,完成線性和非線性變換,并將所述特征輸出送給所述ai大模型;
12、所述大模型接口用于封裝ai大模型所需的各種令牌(token),接入ai大模型api,生成訓練數據和輸入數據,接入所述大模型的服務器、計算資源、數據資源和網絡資源,調用和修改ai模型,并獲取ai大模型的輸出結果;
13、所述輸出模塊用于輸出所述ai大模型的輸出結果包括并不限于疾病風險及健康評估、中醫治療處方、食療處方、運動處方、心理與睡眠處方、相關健康知識等;還用于將所述ai大模型的輸出結果處理后,再反饋至ai大模型。
14、進一步,所述輸入模塊與健康管理系統或電子健康記錄管理系統連接,獲取個人電子健康記錄(ehr)包括個人的病歷、診斷結果、用藥記錄等。所述個人電子健康記錄采用hl7(health?level?seven)標準化的格式記錄。
15、進一步,所述輸入模塊與健康管理系統或個人健康數據采集客戶端連接,獲取個人健康數據包括但不僅限于心電圖、ai聽診數據、體溫、血壓、血氧、血糖、皮膚圖像、舌苔圖像、面部表情視頻、語音、睡眠呼吸及翻轉、運動數據、飲食數據等。
16、進一步,所述輸入模塊與醫療保健機構的基因組學數據庫連接,獲取個人基因組學數據,用于基因分析和遺傳疾病預測。
17、進一步,所述輸入模塊與個人健康數據采集客戶端連接,接收個人問診及健康咨詢文本和語音數據;
18、進一步,所述語音數據描述個人健康狀況和感受,記錄健康日記,用于輔助診斷和情感分析。
19、進一步,所述輸入模塊在獲取到所述數據后,將所述數據分別處理成一維數據和二維數據,并將一維數據送給所述一維數據預處理模塊進一步處理;將二維數據送給所述二維數據預處理模塊進一步處理。
20、進一步,所述一維數據預處理模塊用于對一維數組、單變量數據、時間序列(心電圖、心音)、文本、語音等一維數據的預處理,將其處理成一維矩陣格式數據,便于進一步處理和機器學習。
21、進一步,所述二維數據預處理模塊用于對圖像和表格等二維數據的預處理,將其處理成二維矩陣格式數據,便于進一步處理和機器學習。
22、根據本發明的一個方面,所述本地ai健康管理系統可以在多點部署,完成健康數據采集、預處理和特征值提取,并分別將處理后的特征值送給所述ai大模型進行診斷分析及獲得結果。多點部署的多個本地ai健康管理系統和ai大模型一起構建分布式基于ai大模型的ai健康管理系統。
23、進一步,部署在不同點的所述本地ai健康管理系統,在用同一個大模型進行訓練和診斷分析時,必須具有同樣的本地ai健康管理系統結構。
24、優選地,為保持所述本地ai健康管理系統結構完全一致,在任何時候任何地點的任意一個本地ai健康管理系統用大數據訓練時可以選擇:鎖定所述本地ai健康管理的卷積神經網絡參數,只訓練所述ai大模型2;同時訓練所述本地ai健康管理系統的卷積神經網絡和所述ai大模型2,訓練完成后,再及時將訓練后的所述卷積神經網絡的卷積核參數,及時同步給所有的本地ai健康管理系統。
25、根據本發明的另一方面,所述輸出模塊從所述ai大模型獲得的輸出結果包括生理健康和心理健康兩大類。生理健康問題包括但不限于:慢性疾病(例如高血壓、糖尿病、心臟病等)、感染性疾病(例如流感、感冒、肺炎等)、營養不良、運動不足、藥物濫用、酗酒、吸煙等。心理健康問題包括但不限于:焦慮癥、抑郁癥、應激障礙、睡眠障礙、心理創傷、成癮行為等。
26、進一步,從所述ai大模型獲得的輸出結果提取的關鍵信息再反饋給所述ai大模型,獲得補充診斷分析結果。所述補充結果用于進一步充實和補充所述ai大模型輸出結果中的疾病風險及健康評估、中醫治療處方、食療處方、運動處方、心理與睡眠處方、相關健康知識等的內容,提供更準確性和實用性的最終輸出結果。
27、根據本發明的再一方面,所述基于ai大模型的分布式ai健康管理系統將健康數據通過所述本地ai健康管理系統的輸入模塊輸入,再經預處理模塊處理,再經所述卷積神經網絡進行特征值提取,再通過大模型接口將所述特征值送入ai大模型進行診斷分析。因此,送入所述ai大模型的是特征值而不是直接送入健康數據,從而保護了數據安全和個人隱私。
28、進一步,通過所述本地ai健康管理系統的數據處理和特征提取,完成了健康數據脫敏處理,在不暴露個人身份和敏感信息的情況下將健康數據應用于ai大模型。
29、根據本發明的再一方面,所述大模型接口的各種令牌(token)包括:
30、ai大模型接入令牌,用于授權接入ai服務器或api;
31、數據令牌,用于承載ai模型的訓練數據或ai算法的輸入數據;
32、效用令牌,用于為服務器、計算資源、網絡等付費;
33、模型令牌,用于調用和更換ai模型及不同的應用;
34、激勵令牌,用于激勵參與者共享數據或改進模型的行為。
35、本發明的有益效果是:
36、1.通過本地ai健康管理系統提供的分布式數據處理和特征值提取方式,有效解決了健康數據安全和個人隱私保護的問題,保障了個人敏感健康數據的安全性和隱私性;
37、2.?基于ai大模型的分布式系統,實現了數據的安全性,部署的便捷性,提高了對大規模數據的高效訓練;
38、3.利用大模型技術,能夠覆蓋廣泛的健康管理領域,包括疾病風險評估、健康評估、中醫治療、食療、運動、心理與睡眠、相關健康知識等多個方面,為用戶提供全面的個人健康管理服務。