[发明专利]基于时序体测数据的动态健康评价方法及系统

权利要求书

1.一种基于时序体测数据的动态健康评价方法，其特征在于，所述方法包括：

基于获取的原始体测数据集获取评价指标属性集，基于评价指标属性之间的强相关性将所述评价指标属性集分成若干个评价指标属性子集；基于所述评价指标属性子集将所述原始体测数据集分化分类为若干个数据子集；

基于原始体测数据集每一时刻所对应的评价指标属性子集和数据子集构建逐步回归方程；

基于原始体测数据集的时序特征将所有时刻的逐步回归方程利用加权滑动平均法进行归并，获取最终的加权回归方程；

基于待评价的时序体测数据利用最终的加权回归方程进行动态健康评价。

2.如权利要求1所述的方法，其特征在于，所述确定时序体测数据的评价指标属性集，并基于所述评价指标属性集获取分划数据集包括：

S11、基于原始体测数据集分布特征和相关性确定构建逐步回归方程所需的原始体测数据的评价指标属性，并形成评价指标属性集，然后根据评价指标属性之间的强相关性将评价指标属性集分成若干个评价指标属性子集；

S12、计算评价指标属性子集中评价指标属性的量化结果；

S13、基于所述量化结果对原始体测数据集进行分划分类获取若干个数据子集。

3.如权利要求2所述的方法，其特征在于，所述评价指标属性包括身高和体重；

所述评价指标属性的量化结果包括BMI指数：

其中，表示体重；^h表示身高。

4.如权利要求1所述的方法，其特征在于，所述基于原始体测数据集每一时刻所对应的评价指标属性子集和数据子集构建逐步回归方程包括：

以每一时刻所述评价指标属性子集作为潜在项构建逐步回归方程，则构建逐步回归方程的过程具体为：

S21、构建当前时刻的逐步回归初始方程；

S22、若存在某一尚未添加至模型中的潜在项，其F统计量的p值小于设定的添加门限，则将所有符合要求的潜在项中的F统计量的p值最小项添加入当前逐步回归方程中，并重复此步骤；否则，跳转至S23；

S23、若存在某一已添加至模型中的潜在项，其F统计量的p值大于设定的删除门限，则将所有符合要求的潜在项中的F统计量的p值最大项从当前逐步回归方程中剔除，并跳转至S22；否则结束；

S24、获得当前时刻的逐步回归方程；

S25、重复上述S1-S4，构建除当前时刻外其它每一时刻的逐步回归方程。

5.如权利要求1所述的方法，其特征在于，所述基于原始体测数据集的时序特征将所有时刻的逐步回归方程利用加权滑动平均法进行归并，获取最终的加权回归方程包括：

S31、基于原始体测数据集每一时刻的逐步回归方程，获取每一时刻的回归方程矩阵；

S32、基于原始体测数据集每一时刻的回归方程矩阵，构建每一时刻的线性回归模型；

S33、利用加权滑动平均法将原始体测数据集每一时刻的线性回归模型进行合并得到最终的加权回归方程。

6.一种基于时序体测数据的动态健康评价系统，其特征在于，所述系统包括：

数据集分化模块，用于基于获取的原始体测数据集获取评价指标属性集，基于评价指标属性之间的强相关性将所述评价指标属性集分成若干个评价指标属性子集；基于所述评价指标属性子集将所述原始体测数据集分化分类为若干个数据子集；

逐步回归方程构建模块，用于基于原始体测数据集每一时刻所对应的评价指标属性子集和数据子集构建逐步回归方程；

加权回归方程构建模块，用于基于原始体测数据集的时序特征将所有时刻的逐步回归方程利用加权滑动平均法进行归并，获取最终的加权回归方程；

动态健康评价模块，用于基于待评价的时序体测数据利用最终的加权回归方程进行动态健康评价。