本技术公开了一种基于多生命体征时序数据的健康状态预测方法,方法包括:获取多个不同模态的生命体征时序数据;将多个生命体征时序数据输入切片分块频域时间序列处理模块进行预处理,得到增强特征矩阵,预处理包括:对每个生命体征时序数据进行时间片段划分,得到多个片段数据,对每个片段数据进行特征提取,得到时域片段特征,对每个时域片段特征进行频域转换,得到频域片段特征,将频域片段特征转换回时间域,获得增强特征矩阵;将增强特征矩阵输入Transformer模块,得到健康状态预测结果,Transformer模块包括编码器模块、解码器模块和输出层模块。本发明能够提升模型在应对多模态和动态特征时的适应性与泛化性。
背景技术
随着科技的快速发展和数据的爆发式增长,时序数据预测在金融、医疗健康、智能监控等领域的应用日益广泛。尤其是在个性化健康管理中,基于生命体征的多模态数据预测可以提供对个体健康状态的实时评估和预测。然而,由于生命体征数据的多样性和复杂性,传统的时序预测方法在处理多模态协同、数据缺失以及长期依赖性方面仍然面临着诸多挑战。
当前的单一模态时序预测模型在处理复杂的多模态生命体征数据时,存在较大的局限性。多模态数据之间存在复杂的相互关联和非线性关系,传统的时序预测方法难以有效捕捉不同模态之间的细粒度特征交互,导致模型的预测精度和泛化能力不足。此外,生命体征数据往往具有高度个体化的特征,现有的模型难以对个体的动态健康状态进行实时、精准的预测和管理。
近年来,基于深度学习的时序预测模型逐渐兴起,特别是以基于自注意力机制的深度学习模型(Transformer)为代表的模型在捕捉长时间依赖关系和多模态数据融合方面展现出较大的潜力。然而,现有的Transformer模型在处理多模态、个体化数据方面仍存在不足,难以在复杂的动态健康场景中实现高效的个性化预测。
实现思路