基于深度学习分析和智慧医疗的用户信息提示系统及方法与流程

1.本公开涉及人工智能技术领域，示例性地，涉及一种基于深度学习分析和智慧医疗的用户信息提示系统及方法。


背景技术：

2.目前市面上大多数的智能硬件并不是十分智能，比如竞争激烈的智能血压计，无非是传统的电子血压计加上了连通移动终端的功能，或许称之为带蓝牙的电子血压计更为合适。智能血糖仪与智能血压计无异，仅仅加了数据分析功能的医疗设备还远远称不上智能，简单地逻辑产生的所谓健康建议也远远没有达到医疗的高度。至于远程策略血压，也就是把血压数据传输到了云平台上。但是众多智能硬件厂商都在力图让自己的产品更加智能，比如通过监控用户的心率，脉搏，血糖血压等，结合用户历史数据，从而得到用户状态的监控预测和预警。
3.目前基于人工智能的人工智能从某些角度已经可以满足这些需求，但是如何让这些功能落地并且实用才是智慧医疗服务提供商需要重点关注的。例如，在相关的互联网用户进行康复运动训练过程中，如何提供合理的运动训练的参考信息提示，降低医疗用户查找康复参考信息的难度，是亟待解决的技术问题。


技术实现要素：

4.为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于深度学习分析和智慧医疗的用户信息提示系统及方法。
5.第一方面，本公开提供一种基于深度学习分析和智慧医疗的用户信息提示方法，应用于云计算服务系统，所述云计算服务系统与多个医疗监测终端设备通信连接，所述方法包括：获取参考康复训练运动情况产生时的参考正康复训练运动数据和参考负康复训练运动数据，对所述参考正康复训练运动数据进行特征提取，得到所述参考正康复训练运动数据的参考正康复训练运动特征，所述参考正康复训练运动特征用于指示所述参考康复训练运动情况的正反馈运动特征；对所述参考负康复训练运动数据进行特征提取，得到所述参考负康复训练运动数据的参考负康复训练运动数据，所述参考负康复训练运动数据用于指示所述参考康复训练运动情况的负反馈运动特征；将所述参考负康复训练运动数据作为所述参考正康复训练运动特征的对立数据，生成所述康复训练标签学习网络的训练基础数据；采用所述训练基础数据对所述康复训练标签学习网络进行训练，所述康复训练标签学习网络用于基于所述医疗监测终端设备对应的医疗用户的康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集；根据所述康复训练运动数据对应的康复训练标签集，对所述医疗用户进行进一步
参考信息提示。
6.第二方面，本公开实施例还提供一种基于深度学习分析和智慧医疗的用户信息提示系统，所述基于深度学习分析和智慧医疗的用户信息提示系统包括云计算服务系统以及与所述云计算服务系统通信连接的多个医疗监测终端设备；所述云计算服务系统，用于：获取参考康复训练运动情况产生时的参考正康复训练运动数据和参考负康复训练运动数据，对所述参考正康复训练运动数据进行特征提取，得到所述参考正康复训练运动数据的参考正康复训练运动特征，所述参考正康复训练运动特征用于指示所述参考康复训练运动情况的正反馈运动特征；对所述参考负康复训练运动数据进行特征提取，得到所述参考负康复训练运动数据的参考负康复训练运动数据，所述参考负康复训练运动数据用于指示所述参考康复训练运动情况的负反馈运动特征；将所述参考负康复训练运动数据作为所述参考正康复训练运动特征的对立数据，生成所述康复训练标签学习网络的训练基础数据；采用所述训练基础数据对所述康复训练标签学习网络进行训练，所述康复训练标签学习网络用于基于所述医疗监测终端设备对应的医疗用户的康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集；根据所述康复训练运动数据对应的康复训练标签集，对所述医疗用户进行进一步参考信息提示。
7.根据上述任意一个方面，本公开提供的实施方式中，通过学习参考康复训练运动情况的正反馈运动特征和负反馈运动特征，并构建参考正康复训练运动特征的对立数据，生成所述康复训练标签学习网络的训练基础数据，由此对康复训练标签学习网络进行训练，可以使得康复训练标签学习网络向着正反馈运动维度进一步对立学习，提高康复训练标签学习效果，通过基于训练获得的康复训练标签学习网络对康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集，根据康复训练运动数据对应的康复训练标签集，对步态图像对应数据对应的医疗用户进行进一步参考信息提示。如此，通过分析用户的康复训练运动情况，可以确定相匹配康复训练标签集后对对应的医疗用户进行进一步参考信息提示，降低医疗用户查找康复参考信息的难度。
附图说明
8.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
9.图1为本公开实施例提供的基于深度学习分析和智慧医疗的用户信息提示系统的应用场景示意图；图2为本公开实施例提供的基于深度学习分析和智慧医疗的用户信息提示方法的流程示意图；图3为本公开实施例提供的基于深度学习分析和智慧医疗的用户信息提示装置的
功能模块示意图；图4为本公开实施例提供的用于实现上述的基于深度学习分析和智慧医疗的用户信息提示方法的云计算服务系统的结构示意框图。
具体实施方式
10.图1是本公开一种实施例提供的基于深度学习分析和智慧医疗的用户信息提示系统10的场景示意图。基于深度学习分析和智慧医疗的用户信息提示系统10可以包括云计算服务系统100以及与云计算服务系统100通信连接的医疗监测终端设备200。图1所示的基于深度学习分析和智慧医疗的用户信息提示系统10仅为一种可行的示例，在其它可行的实施例中，该基于深度学习分析和智慧医疗的用户信息提示系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
11.本实施例中，基于深度学习分析和智慧医疗的用户信息提示系统10中的云计算服务系统100和医疗监测终端设备200可以通过配合执行以下方法实施例所描述的基于深度学习分析和智慧医疗的用户信息提示方法，具体云计算服务系统100和医疗监测终端设备200的执行步骤部分可以参照以下方法实施例的详细描述。
12.参见前述背景技术的技术问题，以痴呆作为研究对象举例，痴呆是一种以认知功能减退为特征的综合征，可累及两个及以上认知领域，如学习和记忆、语言、执行功能、复杂注意力、知觉运动功能和社会认知功能。老年人合并认知功能障碍（包括痴呆及轻度认知损害，特别是痴呆）严重影响其生存质量，并可引起一系列不良事件，造成家庭及社会的沉重负担。随着人口结构老龄化趋势快速加重，在未富先老的困境中，失智老人的照护负担显得尤为沉重。
13.老年人痴呆的最常见类型系阿兹海默氏病（alzheimer's disease， ad）。目前，学界普遍认为ad并不是神经系统退行性变的必然结果，虽然既往研究已证实认知功能障碍与 β-淀粉样蛋白（aβ）沉积和tau蛋白变性呈显著相关性；然而其对ad的致病机理病仍没有被透彻理解。现阶段，ad中晚期抗痴呆药物干预获益有限，最佳治疗策略仍是在时机是疾病早期，即轻度认知功能受损（mild cognitive impairment， mci）阶段对患者进行多维度的干预。
14.临床目前常用于筛查认知功能的工具包括临床痴呆分级量表（clinical dementia scale， cdr）、标准化精神状态检查（mini-mental state examination， mmse）、蒙特利尔认知评估（montreal cognitive assessment， moca）、阿尔茨海默氏病评估量表-认知部分（alzheimer`s disease assessment scale-cognitive part， adas-cog）等。完成以上量表需接受过专业培训的人员进行评估，最快需10分钟左右，最慢需45分钟左右(9， 10)，整个评定过程耗时较长，且以上量表评定结果还受患者视力、听力以及文化程度等非认知能力因素的影响。在目前广大的基层社区医疗及慢病管理实践中发现，虽然认知功能评估的需求量大，但由于很多老年人活动能力差、经济能力有限、依从性差、健康理念差、就医意愿不强等原因，造成认知功能评定覆盖面仍然较窄且准确度低。因此建立一种更便捷、有效、经济、客观的生物测量方法来识别老年人合并认知功能受损及痴呆的高危人群，能从很大程度上解决基层医疗源不足与老龄人口基数迅速增大导致的认知功能评估需求无法满足间的矛盾。
15.本技术发明人研究发现，步行是一种复杂的运动过程，步态可以直观的反映人体的运动功能和健康状况。相关技术中认为步行是需要整合执行功能、注意力以及对内外环境判断力的复杂精细活动。步行速度更与老年患者心功能、住院率、死亡风险以及功能状态等紧密相关。既往研究表明患有神经退行性疾病的老年人通常合并存在认知功能障碍和步态异常，且两者有较强的相关性(13， 14)。一项荟萃分析报告：mci患者与健康老人相比，步行速度（d =
ꢀ‑
0.74，p 《0.01），步幅（d =
ꢀ‑
0.65，p 《0.01），步幅时间（平均值：d = 0.56，p = 0.02，变异系数：d = 0.50，p 《0.01）发生显著变化(15)。另一项研究也显示aβ沉积数量与步行速度存在相关性(回归系数(β)=
−
0.086，p=0.005)（16）。用户常用”步履蹒跚”来形容幼儿及高龄老人的步态，有一定生活经验的人往往能通过步态、体态进行身份和年龄的判别。
16.从信息学理论的角度上来讲，人类存在识别事物的思维活动，机器皆可以通过某种程序加以抽象、模拟并实现与之相似的功能。目前，相关技术常用的步态分析仪器大多需要在专业的三维步态实验室中由经过培训的专业人员进行操作，而且需要穿戴大量的反光球和肌电贴，操作难度大，患者接受度低，导致在基层医疗中推广难度较大。近年来，随着计算机数据处理能力的飞速提高，人工智能技术的进展，可见光及红外摄像，动态捕捉技术，压力感应装置，微波雷达，激光定位，三维体动感知等设备的普及，该领域方法学快速进展，可穿戴设备已不再是步态识别的必需品，而且视角不同、衣物不同、环境不同等也已不再是识别的障碍，其应用范畴逐渐扩宽。应用实例包括通过步态体态进行嫌疑犯身份识别，治安监控无人值守报警，独居老人跌倒报警等，其中无任何穿戴设备的摔倒报警系统特异性及敏感性均达99%，经过调试的机器通过步态识别对人类性别的判断成功率达到80-100%，真实室外场景下步态参数身份识别率达到91%以上(18， 22)。结合步态分析可对某些特定疾病状态和程度进行判别；该领域已先行者，如tan等，用体感设备对帕金森病、中风后轻瘫患者步态数据进行动态评估，并发现了1个敏感程度超过步速的指标。
17.随着图像识别、人工智能以及应用步态参数判断健康状况这一领域正处于技术积累已到达一定程度，应用范围不断拓宽的阶段。利用该领域的技术进步，找到一些与认知功能损害相关性更强的步态特征，可对该领域研究起到启示作用；在医疗资源数量质量分布不均，但通讯网络比较发达的现状下，若更进一步构建一种便捷，客观，廉价，准确的智能移动端设备，用来识别认知功能障碍者甚至潜在高风险患者，将在基层医疗中更具有可推广性；进而可对老人认知功能障碍作出预警或初筛诊断，并通过适宜干预技术改善他们的预后，对于老年维持躯体功能和降低老龄化所带来的家庭及社会的照护压力存在积极意义。
18.为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于深度学习分析和智慧医疗的用户信息提示方法的流程示意图，本实施例提供的基于深度学习分析和智慧医疗的用户信息提示方法可以由图1中所示的云计算服务系统100执行，下面对该基于深度学习分析和智慧医疗的用户信息提示方法进行详细介绍。
19.步骤s110，获取所述医疗监测终端设备在预设记录周期记录的医疗用户的各个关键部位的姿态测量数据和与所述姿态测量数据对应的姿态图像数据。
20.本实施例中，预设记录周期可以根据该医疗用户的实际预先诊断情况进行灵活设置。医疗用户的各个关键部位的姿态测量数据和与所述姿态测量数据对应的姿态图像数据可以预先收集，也可以实时收集，或者一部分预先收集，一部分实时收集。关键部位可以包
括医疗用户下肢的多个预定关节部位，例如可以包括腰关节(骨盆部位)及左、右腿侧的髋关节、膝关节和踝关节等部位。此外，姿态图像数据可以通过外部环境中的图像采集装置实时采集，以此在姿态测量数据的基础上进一步结合姿态图像数据。
21.步骤s120，根据所述各个关键部位的姿态测量数据确定所述医疗用户的步态特征信息，并建立所述医疗用户的步态特征信息与所述对应的姿态图像数据之间的步态图像对应数据。
22.本实施例中，所述步态图像对应数据可以用于建立所述步态特征信息中每个步态特征信息单元与所述对应的姿态图像数据对应的姿态图像帧之间的对应数据。例如，所述步态特征信息可以包括多个以单位时序段（如0.5s）为分割节点的步态特征信息单元，相对应的，姿态图像数据可以包括多个以单位时序段（如0.5s）为分割节点的姿态图像帧。如此，可以建立所述步态特征信息中每个步态特征信息单元与所述对应的姿态图像数据对应的姿态图像帧之间的对应数据，使得在后续进行人工智能时，在考虑到步态特征的同时也进一步考虑到姿态图像特征，以此提高后续分类的准确性。
23.步骤s130，将所述步态图像对应数据输入到预先训练完成的人工智能网络模型中，获得所述步态图像对应数据对应的用户障碍分类属性集。
24.本实施例中，人工智能网络模型可以预先基于训练样本集训练获得，例如训练样本集可以包括步态图像对应数据样本和对应的用户障碍分类属性集样本，然后使得初始人工智能网络模型基于该步态图像对应数据样本和对应的用户障碍分类属性集样本进行特征学习，进而获得预先训练完成的人工智能网络模型。
25.其中，用户障碍分类属性集可以包括一个或者多个用户障碍分类属性，这些用户障碍分类属性可以用于表征该医疗用户的认知功能损害的分类属性情况，分类属性尅也包括具体每个用户障碍分类的概率值分布。
26.步骤s140，根据所述步态图像对应数据对应的用户障碍分类属性集生成对应的参考提示信息，其中，所述参考提示信息用于对所述医疗用户进行异常状态预警。
27.如此，可以根据所述步态图像对应数据对应的用户障碍分类属性集生成对应的参考提示信息，例如当某个用户障碍分类的概率值分布存在异常时，则发出异常状态预警以提示相关的医疗用户可以针对性地进行后续康复训练。
28.基于以上步骤，通过获取医疗监测终端设备在预设记录周期记录的医疗用户的各个关键部位的姿态测量数据和与姿态测量数据对应的姿态图像数据，根据各个关键部位的姿态测量数据确定医疗用户的步态特征信息，并建立医疗用户的步态特征信息与对应的姿态图像数据之间的步态图像对应数据，将步态图像对应数据输入到预先训练完成的人工智能网络模型中，获得步态图像对应数据对应的用户障碍分类属性集，根据步态图像对应数据对应的用户障碍分类属性集生成对应的参考提示信息，从而对医疗用户进行异常状态预警，如此在考虑到步态特征的同时也进一步考虑到姿态图像特征，提高了用户障碍分类属性集的预测准确性，进而提高异常状态预警的预测准确性。
29.一种实施例中，在以上步骤的基础上，还可以包括以下步骤。
30.步骤s150，获取针对提示的异常预警信息在进行针对性康复训练后的康复训练运动数据。
31.步骤s160，基于预先训练的康复训练标签学习网络对康复训练运动数据进行分
析，获得康复训练运动数据对应的康复训练标签集。
32.步骤s170，根据康复训练运动数据对应的康复训练标签集，对步态图像对应数据对应的医疗用户进行进一步参考信息提示。
33.基于以上步骤，通过根据医疗监测终端设备的步态图像对应数据的用户障碍分类属性集对医疗监测终端设备进行异常预警信息提示，并获取针对提示的异常预警信息在进行针对性康复训练后的康复训练运动数据，基于预先训练的康复训练标签学习网络对康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集，根据康复训练运动数据对应的康复训练标签集，对步态图像对应数据对应的医疗用户进行进一步参考信息提示。如此，通过分析用户的康复训练运动情况，可以确定相匹配康复训练标签集后对对应的医疗用户进行进一步参考信息提示。
34.譬如在一种实施例中，以上方法还可以包括：获取参考康复训练运动情况产生时的参考正康复训练运动数据和参考负康复训练运动数据，对所述参考正康复训练运动数据进行特征提取，得到所述参考正康复训练运动数据的参考正康复训练运动特征，所述参考正康复训练运动特征用于指示所述参考康复训练运动情况的正反馈运动特征；对所述参考负康复训练运动数据进行特征提取，得到所述参考负康复训练运动数据的参考负康复训练运动数据，所述参考负康复训练运动数据用于指示所述参考康复训练运动情况的负反馈运动特征；将所述参考负康复训练运动数据作为所述参考正康复训练运动特征的对立数据，生成所述康复训练标签学习网络的训练基础数据；采用所述训练基础数据对所述康复训练标签学习网络进行训练，所述康复训练标签学习网络用于基于康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集。
35.基于以上步骤，通过学习参考康复训练运动情况的正反馈运动特征和负反馈运动特征，并构建参考正康复训练运动特征的对立数据，生成所述康复训练标签学习网络的训练基础数据，由此对康复训练标签学习网络进行训练，可以使得康复训练标签学习网络向着正反馈运动维度进一步对立学习，提高康复训练标签学习效果，通过基于训练获得的康复训练标签学习网络对康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集，根据康复训练运动数据对应的康复训练标签集，对步态图像对应数据对应的医疗用户进行进一步参考信息提示。如此，通过分析用户的康复训练运动情况，可以确定相匹配康复训练标签集后对对应的医疗用户进行进一步参考信息提示，降低医疗用户查找康复参考信息的难度。
36.一种实施例中，对于步骤s170，可以包括以下步骤：步骤a110，获取所述医疗监测终端设备的目标康复训练推送应用对应的康复训练推送网络，所述康复训练推送网络包括目标康复训练推送应用对应的目标康复训练策略、多个关系康复训练策略以及多个训练同步信息，所述训练同步信息与所述目标康复训练推送应用的康复订阅对象的康复活动规则对应，每个关系康复训练策略通过其对应的训练同步信息与所述目标康复训练策略进行同步配置。
37.一种实施例中，目标康复训练推送应用对应的目标康复训练策略即为关键概率未知的待决策的康复训练策略，对一个关键概率未知的目标康复训练策略进行分类概率评估，首先需要获取该目标康复训练推送应用对应的康复训练推送网络，康复训练推送网络包括目标康复训练推送应用对应的目标康复训练策略、多个关系康复训练策略以及多个训
练同步信息。
38.其中，目标康复训练策略以及关系康复训练策略可以是如平衡功能训练策略、肌力训练训练策略，肌张力的治疗训练策略，偏瘫肢体功能训练策略等康复训练策略，关系康复训练策略可以为与目标康复训练策略有某种关联的康复训练策略。训练同步信息可以是为目标康复训练策略与关系康复训练策略之间提供某种关联的训练流向信息，用于关联目标康复训练策略与关系康复训练策略。值得说明的是，康复训练策略可以代表不同的训练推荐方案，康复训练推送网络可以表征目标康复训练策略与其它关系康复训练策略的训练推荐方案之间的关系。以上康复训练策略可以根据目标康复训练推送应用的康复活动规则确定，康复活动规则可以表征康复训练策略特征，例如，康复训练策略的训练涉及部位、训练涉及动作、训练涉及器材、使用的训练流程行为等，利用康复活动规则可以建立起目标康复训练策略与关系康复训练策略之间的关系，从而建立康复训练推送网络。
39.例如，假设目标康复训练策略strategy0与康复训练策略strategy1、康复训练策略strategy2以及康复训练策略strategy9通过训练涉及部位qa存在关联，或者目标康复训练策略strategy0、康复训练策略strategy1、康复训练策略strategy2以及康复训练策略strategy9都通过训练涉及部位qa与其它康复训练策略存在关联，则可以将目标康复训练策略strategy0作为目标康复训练策略，将康复训练策略strategy1、康复训练策略strategy2以及康复训练策略strategy9作为目标康复训练策略strategy0的关系康复训练策略，对应地，训练涉及部位qa则作为康复训练策略strategy1、康复训练策略strategy2、康复训练策略strategy9对应的训练同步信息，目标康复训练策略strategy0与康复训练策略strategy1、康复训练策略strategy2、康复训练策略strategy9通过训练涉及部位qa进行关联，其中，可以基于目标康复训练策略的康复活动规则确定其对应的训练同步信息，示例性地，关系康复训练策略与目标康复训练策略相关联的康复活动规则为训练涉及部位，对应地，目标康复训练策略与该关系康复训练策略之间的训练同步信息可以为训练涉及部位，训练涉及部位qa可以是一个训练涉及部位或多个训练涉及部位，具体不作特殊限定。
40.步骤a120，基于所述康复训练推送网络，获取每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率，所述关键康复订阅对象为匹配关系康复训练参数方案时存在处方匹配关系的康复订阅对象。
41.一种实施例中，关键概率可以是匹配关系康复训练参数方案时存在处方匹配关系的康复订阅对象与该康复订阅对象对应的某种康复活动规则下的所有康复订阅对象的比值，具体不作特殊限定。
42.示例性地，康复训练策略strategy7、康复训练策略strategy6以及康复训练策略strategy5均通过训练涉及器材qb向某个处方匹配进程进行了处方匹配，若康复训练策略strategy7在预设时序内将处方匹配的匹配信息通过相关的康复训练咨询接口ep发送至某个处方匹配进程，康复训练策略strategy7则被视为关键康复订阅对象，康复训练策略strategy5和康复训练策略strategy6在预设时序内未将处方匹配的匹配信息通过相关的康复训练咨询接口ep发送至某个处方匹配进程，则康复训练策略strategy5和康复训练策略strategy6则被视为非关键康复订阅对象。对应地，参与了该处方匹配的总康复训练策略评价指标为3，其中关键康复订阅对象为1，可以得到其关键概率为1/3。
43.步骤a130，获取所述每个训练同步信息对应的历史权衡评价指标，基于所述每个
训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，所述参考信息提示指标用于为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。
44.一种实施例中，由于每个训练同步信息下的关系康复训练策略，可能存在未参与过以上关系康复训练参数方案的关系康复训练策略对应的关系康复训练策略，例如，未参与过处方匹配，也可能参与过关系康复训练参数方案的关系康复训练策略对应的关系康复训练策略，但未到关系康复训练参数方案的要求，例如，参与了处方匹配，还未到最终期限，所以以上确定的各个训练同步信息对应的关键概率，会因为这些关系康复训练策略，受到较大影响。因此，在获取了每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率之后，还需要获取每个训练同步信息对应的历史权衡评价指标，其中，历史权衡评价指标的大小可以反映该训练同步信息在预测目标康复训练策略的关键概率中的置信度，即，历史权衡评价指标越大，则该训练同步信息在预测目标康复训练策略程度中的置信度越高，最终预测出的目标康复训练策略的关键概率越准确。
45.一种实施例中，每个训练同步信息对应的历史权衡评价指标，可以根据每个训练同步信息对应的关系康复训练策略中完成过关系康复训练参数方案的训练流向信息评价指标确定，例如，根据完成过至少一次处方匹配的训练同步信息的训练流向信息评价指标确定。值得说明的是，完成过关系康复训练参数方案的训练流向信息评价指标表示了每个训练同步信息对应的关系康复训练策略中，能够有效评估康复训练策略是否存在流向关系的康复训练策略的评价指标，因此，该评价指标越大，则表示该训练同步信息的置信度越高，进而可以据此来计算各个训练同步信息的历史权衡评价指标。
46.一种实施例中，由于判断目标康复训练策略的参考信息提示指标程度与每个训练同步信息的关键概率以及历史权衡评价指标均有关，因此可以先获取每个训练同步信息的关键概率以及历史权衡评价指标，再基于已获取到的每个训练同步信息的关键概率以及对应的历史权衡评价指标对目标康复训练推送应用对应的参考信息提示指标进行计算，进一步地，可以根据参考信息提示指标来给目标康复训练推送应用对应的用户提示关系康复训练参数方案。
47.一种实施例中，获取所述医疗监测终端设备的目标康复训练推送应用对应的康复训练推送网络，并基于所述康复训练推送网络，获取每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率，再获取所述每个训练同步信息对应的历史权衡评价指标，最后基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，并且根据参考信息提示指标为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。如此，可以实现对分类概率评估进行量化，为关系康复训练参数方案的确定提高依据，并且基于参考了与目标康复训练推送应用相关的多种训练同步信息对应的关键概率，进行分类概率评估，提升了分类概率评估的准确性，另外，预测参考信息提示指标时，还获取每个训练同步信息对应的历史权衡评价指标，作为各个训练同步信息的分类概率评估的参考，进一步提升了分类概率评估的准确性，从而可以准确地确定是否为用户推送关系康复训练参数方案。
48.下面介绍本公开又一实施例提供的一种基于深度学习分析和智慧医疗的用户信
息提示方法的流程，该基于深度学习分析和智慧医疗的用户信息提示方法可以包括以下步骤：步骤a210，获取所述目标康复训练推送应用的康复订阅对象的康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的康复活动规则，所述康复活动规则用于表征康复训练策略的康复训练策略特征。
49.一种实施例中，康复活动规则可以表征康复训练策略特征，例如，康复训练策略的训练涉及部位、训练涉及动作、训练涉及器材、使用的训练流程行为等，利用康复活动规则可以确定出与目标康复训练策略有关联的关系康复训练策略，并据此建立起目标康复训练策略与关系康复训练策略之间的关系。
50.步骤a220，基于所述目标康复训练推送应用的康复订阅对象的康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的康复活动规则，并以所述目标康复训练策略的康复订阅对象作为所述目标康复训练策略，以及以所述关系康复训练策略作为关系康复训练策略，生成所述目标康复训练推送应用对应的康复训练推送网络。
51.一种实施例中，基于获取到的目标康复训练推送应用的康复订阅对象的康复活动规则以及目标康复训练推送应用对应的关系康复训练策略的康复活动规则之后，将该康复活动规则作为分类概率评估中的实际应用活动规则，进一步地，以每种实际应用活动规则作为训练同步信息、以目标康复训练策略的康复订阅对象作为目标康复训练策略，以及以关系康复训练策略作为关系康复训练策略，生成目标康复训练推送应用对应的康复训练推送网络。
52.在实际应用中，考虑到一些康复活动规则是不适合作为实际应用活动规则的，例如类似于部分实验特征这样的康复活动规则，大部分康复训练策略都可能与部分实验特征这样的康复活动规则，因此若将该类的康复活动规则引入作为实际应用活动规则，会引入分类误差，即，可能会造成最终预测出的参考信息提示指标值不准确。
53.针对上述实际情况，在生成目标康复训练推送应用对应的康复训练推送网络之前，可以通过一些方式剔除掉类似于部分实验特征这样的康复活动规则。
54.首先，将所述目标康复训练推送应用的康复订阅对象的康复活动规则与预设康复活动规则进行相关度比较，其中，所述预设康复活动规则与所述关系康复训练参数方案对应。
55.其次，根据相关度比较结果，从所述目标康复训练推送应用的康复订阅对象的康复活动规则中，获取与所述预设康复活动规则匹配的康复活动规则，作为目标康复活动规则。
56.在该实施方式中，可以提前存储与关系康复训练参数方案对应的预设康复活动规则，其中，预设康复活动规则可以为训练涉及部位1、训练涉及部位2、训练涉及部位3、关系康复训练咨询接口1、关系康复训练咨询接口2、训练涉及动作1、训练涉及动作2、训练流程行为1以及训练流程行为2，预设康复活动规则可以是多个，本实施例对预设康复活动规则的个数在此不做限制。进一步地，可以将目标康复训练推送应用的康复订阅对象的康复活动规则与上述预设康复活动规则进行相关度比较，并将与预设康复活动规则匹配的康复活动规则作为目标康复活动规则。示例性地，若目标康复训练推送应用的康复订阅对象的康复活动规则包括训练涉及部位1、训练涉及部位2、训练涉及部位3、训练涉及部位4、关系康
复训练咨询接口1、关系康复训练咨询接口2、训练涉及动作1、训练涉及动作2、训练流程行为1以及训练流程行为2，预设康复活动规则为训练涉及部位1、训练涉及部位2、训练涉及部位3、关系康复训练咨询接口1、关系康复训练咨询接口2、训练涉及动作1、训练涉及动作2、训练流程行为1以及训练流程行为2，进一步地，可以得到目标康复活动规则为训练涉及部位1、训练涉及部位2、训练涉及部位3、关系康复训练咨询接口1、关系康复训练咨询接口2、训练涉及动作1、训练涉及动作2、训练流程行为1以及训练流程行为2，其中，训练涉及部位4未能在预设康复活动规则中找到匹配的标签，则将训练涉及部位4这个康复活动规则剔除掉，可以理解为训练涉及部位4这个康复活动规则不适合放在实际应用活动规则中来，训练涉及部位4可能是某整体训练涉及部位，也就是该训练涉及部位4这个康复活动规则背后不太可能有误差规则在里面，如果将训练涉及部位4这个康复活动规则作为目标康复活动规则，则可能会给分类的过程引入误差，影响最终的分类结果。可以理解，筛选目标康复活动规则的主要目的就是剔除掉不适合作为实际应用活动规则的康复活动规则，提高分类概率评估的准确性。
57.最后，基于所述目标康复训练推送应用的康复订阅对象的所述目标康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的目标康复活动规则，并以所述目标康复训练策略的康复订阅对象作为所述目标康复训练策略，以及以所述关系康复训练策略作为关系康复训练策略，生成所述目标康复训练推送应用对应的康复训练推送网络。
58.一种实施例中，通过将目标康复训练推送应用的康复订阅对象的康复活动规则与预设康复活动规则进行相关度比较来剔除掉不适合作为实际应用活动规则的康复活动规则，并将与所述预设康复活动规则匹配的康复活动规则，作为目标康复活动规则，将目标康复活动规则作为分类概率评估中的实际应用活动规则，并基于剔除后的每种实际应用活动规则、以目标康复训练策略的康复订阅对象作为目标康复训练策略，以及以关系康复训练策略作为关系康复训练策略生成目标康复训练推送应用对应的康复训练推送网络。
59.步骤a230，获取所述每个训练同步数据关联的所有关系康复训练策略中的指定康复训练策略的评价指标，作为第一评价指标，其中，所述指定康复训练策略为已认证的所述关系康复训练参数方案的康复训练策略对应的关系康复训练策略。
60.一种实施例中，获取每个训练同步信息对应的历史权衡评价指标可以先获取每个训练同步数据关联的所有关系康复训练策略中的指定康复训练策略的评价指标，其中指定康复训练策略为已认证的所述关系康复训练参数方案的康复训练策略对应的关系康复训练策略。
61.步骤a240，获取所述预设指标值与每个所述第一评价指标的比值对应的相反数，得到所述每个训练同步信息对应的目标评价指标。
62.步骤a250，将所述每个训练同步信息对应的所述目标评价指标作为自变量，获取预设目标函数的函数值，得到所述每个训练同步信息对应的历史权衡评价指标，所述预设目标函数的底数数值大于1。
63.一种实施例中，基于获取到的指定康复训练策略的第一评价指标以及预设指标值，可以得到每个训练同步信息对应的目标评价指标，其中，目标评价指标可以是一个负数，示例性地，若获取到的第一评价指标为4，预设指标值为2，可以得到目标评价指标为-1/
2，由于存在多种训练同步信息，所以需要获取到每种训练同步信息对应的目标评价指标。
64.由于每种训练同步信息对应的目标评价指标可能相同可能不同，因此可以将目标评价指标看做为自变量，并基于该自变量获取预设目标函数的函数值，其中该目标函数的底数数值为大于1的，示例性的，取e为该目标函数的底数，可以得到上述例子中对应的历史权衡评价指标为e-1/2b。若将预设指标值x表示，第一评价指标用confidence表示，对应地，计算训练同步信息对应的历史权衡评价指标的公式可以表示为e-x/confidence，可以通过该公式计算每个训练同步信息对应的历史权衡评价指标。
65.另一种实施方式中，还可以获取预设指标值与每个所述第一评价指标的比值，得到每个训练同步信息对应的目标评价指标，并将每个训练同步信息对应的目标评价指标作为自变量，获取预设目标函数的函数值，得到所述每个训练同步信息对应的历史权衡评价指标，所述预设目标函数的底数数值小于1，在这种情况下，该目标函数的底数可以为1/e，对应地，此时计算置信度的公式可以为(1/e)x/confidence，同样的也可以通过该公式计算每个训练同步信息对应的历史权衡评价指标。
66.在上述两种实施方式中，历史权衡评价指标的大小均在0至1之间，一种实施例中，对历史权衡评价指标的大小在此不作限制。
67.又一种实施方式中，可以将获取到的每个所述第一评价指标与预设指标值的比值直接作为历史权衡评价指标，在此情况下，历史权衡评价指标可以大于1。示例性地，若获取到的第一评价指标为6，预设指标值4，对应地，历史权衡评价指标为1.5。
68.步骤a260，基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，所述参考信息提示指标用于为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。
69.一种实施例中，步骤a260可以包括：步骤a261，基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述每个训练同步信息对应的参考信息提示指标。
70.一种实施例中，存在多种类型的训练同步信息，例如训练涉及部位qa、训练流程行为32、关系康复训练咨询接口qf以及训练涉及动作34四种类型的训练同步信息，其中，同一类型的训练同步信息中可以只包括1个训练同步信息也可以包括多个不同的训练同步信息，例如，训练同步信息关系康复训练咨询接口qf可以只包括关系康复训练咨询接口1，也可以包括多个不同的训练同步信息关系康复训练咨询接口1、关系康复训练咨询接口2、关系康复训练咨询接口3以及关系康复训练咨询接口4，因此针对不同情况，获取每种训练同步信息对应的参考信息提示指标值不同。
71.一种实施例中，每种训练同步信息中均只存在一个训练同步信息，则获取到的每个训练同步信息的关键概率，则为对应的类型的训练同步信息的关键概率，再基于每种类别的训练同步信息的关键概率，进一步获取每种类别的训练同步信息对应的参考信息提示指标。示例性地，若存在两种类型的训练同步信息，分别为训练流程行为32和关系康复训练咨询接口qf。其中，训练流程行为32中只包含一个训练同步信息训练流程行为1，关系康复训练咨询接口qf中只包含一个训练同步信息关系康复训练咨询接口1，对应地，获取到的训
练流程行为1的关键概率即为训练流程行为32该类型对应的关键概率，获取到的关系康复训练咨询接口1的关键概率即为关系康复训练咨询接口qf该类型的关键概率。
72.另一种实施例中，每种类别的训练同步信息中均存在多个不同的训练同步信息，则需要将获取到的每种类别下的多个不同的训练同步信息的关键概率求进行求和，得到每种类别的训练同步信息对应的关键概率。示例性地，若存在两种类型的训练同步信息，分别为训练流程行为32和关系康复训练咨询接口qf。其中，训练流程行为32中分别包含训练流程行为1和训练流程行为2，关系康复训练咨询接口qf中分别包含训练同步信息关系康复训练咨询接口1和关系康复训练咨询接口2，对应地，训练流程行为1的关键概率和训练流程行为2的关键概率的总和才为训练流程行为32类型的训练同步信息的关键概率，关系康复训练咨询接口1的关键概率和关系康复训练咨询接口2的关键概率的总和才为关系康复训练咨询接口qf类型的训练同步信息的关键概率。
73.步骤a262，基于所述每个训练同步信息对应的影响指标，以及所述每个训练同步信息对应的参考信息提示指标，获得所述目标康复训练推送应用对应的参考信息提示指标。
74.一种实施方式中，在每种类别的训练同步信息中均存在多个不同的训练同步信息的情况下，在获取到每种类别的训练同步信息对应的参考信息提示指标值后，结合每种训练同步信息对应的影响指标，计算得到目标康复训练推送应用对应的参考信息提示指标。
75.有一种实施方式中，每种训练同步信息中均只存在一个训练同步信息的情况下，在获取到每种类别的训练同步信息对应的参考信息提示指标值后，结合每个训练同步信息对应的影响指标，计算得到目标康复训练推送应用对应的参考信息提示指标。
76.步骤a270，判断所述目标康复训练推送应用对应的所述参考信息提示指标是否大于预设参考信息提示指标阈值。
77.一种实施例中，获取到目标康复训练推送应用对应的参考信息提示指标值后，还可以对该参考信息提示指标值进行判断，判断该参考信息提示指标值是否大于预设参考信息提示指标阈值，其中，大于预设参考信息提示指标阈值的目标康复训练推送应用对应的用户为匹配用户，不大于预设参考信息提示指标阈值的目标康复训练推送应用对应的用户为非匹配用户。
78.步骤a280，若是，则为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。
79.若目标康复训练推送应用对应的参考信息提示指标值大于预设参考信息提示指标阈值，则确定该目标康复训练推送应用对应的用户为匹配用户，即，该用户在当前训练康复阶段内能匹配关系康复训练参数方案的概率较高，进一步地，可以为该目标康复训练推送应用对应的用户提示关系康复训练参数方案。示例性地，若获取的目标康复训练推送应用对应的参考信息提示指标为0.6，预设参考信息提示指标阈值为0.5，可以判断该目标康复训练推送应用对应的用户为匹配用户，可以给该用户推送关系康复训练参数方案。
80.一种实施例中，获取所述医疗监测终端设备的目标康复训练推送应用对应的康复训练推送网络，对未匹配关系康复训练参数方案的训练同步信息进行剔除，并基于所述康复训练推送网络，获取每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率，再获取所述每个训练同步信息对应的历史权衡评价指
标，最后基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，并且根据参考信息提示指标为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。如此，可以实现对分类概率评估进行量化，为关系康复训练参数方案的确定提高依据，并且基于参考了与目标康复训练推送应用相关的多种训练同步信息对应的关键概率，进行分类概率评估，提升了分类概率评估的准确性，另外，预测参考信息提示指标时，还获取每个训练同步信息对应的历史权衡评价指标，作为各个训练同步信息的分类概率评估的参考，进一步提升了分类概率评估的准确性，从而可以准确地确定是否为用户推送关系康复训练参数方案，避免用户的参考信息提示指标带来的影响。
81.下面介绍本公开再一实施例提供的一种基于深度学习分析和智慧医疗的用户信息提示方法的流程，该基于深度学习分析和智慧医疗的用户信息提示方法可以包括以下步骤：步骤a310，获取所述医疗监测终端设备的目标康复训练推送应用对应的康复训练推送网络，所述康复训练推送网络包括目标康复训练推送应用对应的目标康复训练策略、多个关系康复训练策略以及多个训练同步信息，所述训练同步信息与所述目标康复训练推送应用的康复订阅对象的康复活动规则对应，每个关系康复训练策略通过其对应的训练同步信息与所述目标康复训练策略进行同步配置。
82.在本公开实施例中，步骤a310可以参阅前述实施例中步骤a110的内容，在此不再赘述。
83.步骤a320，获取所述每个训练同步数据关联的所有关系康复训练策略中的指定康复训练策略的评价指标，作为第二评价指标，其中，所述指定康复训练策略为已认证的所述关系康复训练参数方案的康复训练策略对应的关系康复训练策略。
84.步骤a330，根据所述每个训练同步信息对应的第二评价指标，从所有训练同步信息中剔除目标训练同步信息，其中，所述目标训练同步信息对应的所述第二评价指标小于预设评价指标。
85.进一步地，判断每个训练同步信息对应的第二评价指标是否小于预设评价指标，若判断结果为是，则将第二评价指标小于预设评价指标的目标训练同步信息进行剔除，例如，若第二评价指标为2，预设评价指标为5，对应地，将给第二评价指标对应的训练同步信息作为目标训练同步信息进行剔除，可以理解，第二评价指标越小，代表该训练同步信息在分类的过程中的作用较小，如果将该训练同步信息引入到分类概率评估的过程中，则会导致分类概率评估的结果不准确，因此需要对该目标训练同步信息进行剔除。
86.步骤a340，基于所述康复训练推送网络，获取每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率，所述关键康复订阅对象为匹配关系康复训练参数方案时存在处方匹配关系的康复订阅对象。
87.步骤a350，获取所述每个训练同步信息对应的历史权衡评价指标。
88.步骤a360，基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，所述参考信息提示指标用于为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。
89.步骤a370，判断所述目标康复训练推送应用对应的所述参考信息提示指标是否大于预设参考信息提示指标阈值。
90.步骤a380，若是，则为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。
91.步骤a390，若否，生成提示信息，并将所述提示信息发送至所述目标康复训练推送应用的康复订阅对象，所述提示信息用于提示用户无法参与所述关系康复训练参数方案。
92.在本公开实施例中，步骤a340-步骤a390可以参阅前述实施例中步骤a220-步骤a290的内容，在此不再赘述。
93.一种实施例中，获取所述医疗监测终端设备的目标康复训练推送应用对应的康复训练推送网络，对未匹配关系康复训练参数方案的训练同步信息进行剔除，并基于所述康复训练推送网络，获取每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率，再获取所述每个训练同步信息对应的历史权衡评价指标，最后基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，并且根据参考信息提示指标为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。如此，可以实现对分类概率评估进行量化，为关系康复训练参数方案的确定提高依据，并且基于参考了与目标康复训练推送应用相关的多种训练同步信息对应的关键概率，进行分类概率评估，提升了分类概率评估的准确性，另外，预测参考信息提示指标时，还获取每个训练同步信息对应的历史权衡评价指标，作为各个训练同步信息的分类概率评估的参考，进一步提升了分类概率评估的准确性，从而可以准确地确定是否为用户推送关系康复训练参数方案，避免用户的参考信息提示指标带来的影响。
94.一种实施例中，以上方法可以包括以下步骤：步骤a，获取基于参考信息提示指标为目标康复训练推送应用对应的用户提示的关系康复训练参数方案，获取针对关系康复训练参数方案的康复计划执行信息。
95.步骤b，对获取到的康复计划执行信息进行分析，得到当前关键执行动作以及当前关键动作相关肢体部分信息，通过康复计划执行信息、当前关键执行动作以及当前关键动作相关肢体部分信息，得到遗漏计划执行信息以及遗漏康复计划流程信息。
96.步骤c，采用预设补充训练扩展方案对遗漏计划执行信息以及遗漏康复计划流程信息进行处理，并基于匹配预设补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，得到康复计划执行信息对应的补充训练扩展建议信息。
97.如此，首先对获取到的康复计划执行信息进行分析，以准确地分析出当前关键执行动作以及当前关键动作相关肢体部分信息。其次基于康复计划执行信息、当前关键执行动作以及当前关键动作相关肢体部分信息，对遗漏计划执行信息进行检测，进而确保得到地遗漏计划执行信息以及遗漏康复计划流程信息的高度匹配性。在此基础上，采用预设补充训练扩展方案对遗漏计划执行信息以及遗漏康复计划流程信息进行分析处理，以确保在匹配预设补充训练扩展方案时，通过遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，这样能够准确、快速地得到补充训练扩展建议信息。此外，在通过上述方法筛选补充训练扩展建议信息时，能够将执行动作以及动作相关肢体部分考虑在内，
从而能够避免对部分训练扩展建议信息的遗漏，这样可以确保得到的补充训练扩展建议信息的完整性。
98.在一个实施例中，该方法包括以下步骤：stp202，获取基于参考信息提示指标为目标康复训练推送应用对应的用户提示的关系康复训练参数方案，获取针对关系康复训练参数方案的康复计划执行信息，确定康复计划执行信息的基础执行动作信息，基础执行动作信息包括基础执行动作和基础动作相关肢体部分信息。
99.其中，康复计划执行信息是指康复计划执行过程中所记录的数据信息，该训练扩展建议信息可以是针对训练过程中的一些具有指导意义的扩展建议。基础执行动作信息是对康复计划执行信息中的训练扩展建议信息的执行动作信息进行识别得到的，用于作为数据关联时的执行动作信息，例如可以包括基础执行动作和基础动作相关肢体部分信息。基础执行动作是指识别得到的训练扩展建议信息中的基础的执行动作记录信息。基础动作相关肢体部分信息指识别得到的训练扩展建议信息中的基础的动作相关肢体部分的记录信息。
100.例如，云计算服务系统100可以获取基于参考信息提示指标为目标康复训练推送应用对应的用户提示的关系康复训练参数方案，获取针对关系康复训练参数方案的康复计划执行信息。云计算服务系统100可以确定康复计划执行信息的基础执行动作信息，基础执行动作信息包括基础执行动作和基础动作相关肢体部分信息。比如，可以通过训练扩展建议信息调取策略和训练扩展建议信息匹配策略来确定康复计划执行信息的基础执行动作信息。例如，通过训练扩展建议信息执行动作信息确定后得到的基础执行动作信息中基础动作相关肢体部分信息是当前遗漏计划执行信息下训练扩展建议信息的动作相关肢体部分信息，是无法在参考训练扩展建议信息对应的查找模型上事先指定的。而除基础动作相关肢体部分信息以外的内容是可以在参考训练扩展建议信息对应的查找模型中建立匹配关系的。比如，将基础执行动作与参考训练扩展建议信息对应的查找模型中对应的关键执行动作建立匹配关系。
101.stp204，从康复计划执行信息对应的当前参考训练扩展建议信息中选取当前关键执行动作，基于康复计划执行信息获取对应的当前关键动作相关肢体部分信息。
102.其中，当前参考训练扩展建议信息是指根据预先使用过的参考训练扩展建议信息对应的查找模型得到的康复计划执行信息对应的当前参考训练扩展建议信息。预先使用过的参考训练扩展建议信息对应的查找模型是指预先设置好的训练扩展建议信息的生成模型。
103.例如，云计算服务系统100获取到预先使用过的参考训练扩展建议信息对应的查找模型。根据预先使用过的参考训练扩展建议信息对应的查找模型得到康复计划执行信息对应的当前参考训练扩展建议信息，然后根据当前参考训练扩展建议信息中每个内容的特征定义选取当前关键执行动作。比如，云计算服务系统100可以使用机器学习模型（比如深度神经网络模型）得到当前参考训练扩展建议信息。
104.stp206，基于当前关键执行动作、当前关键动作相关肢体部分信息和基础执行动作信息进行遗漏计划执行信息检测，得到遗漏计划执行信息。
105.其中，遗漏计划执行信息是指在比较过程中对应的遗漏计划执行信息。遗漏计划
执行信息检测是指基于数据关联参量进行针对遗漏计划执行信息结果的检测。遗漏计划执行信息用于表征训练扩展建议信息的遗漏计划执行信息。
106.例如，云计算服务系统100将当前关键执行动作与当前关键动作相关肢体部分信息进行数据关联分析，然后检测局部关联信息比较过程中的遗漏计划执行信息，得到遗漏计划执行信息。
107.stp208，根据遗漏计划执行信息从当前参考训练扩展建议信息中选取目标动作相关肢体部分信息，根据目标动作相关肢体部分信息和当前关键执行动作确定当前参考训练扩展建议信息对应的遗漏康复计划流程信息。
108.其中，目标动作相关肢体部分信息是指将当前参考训练扩展建议信息按照遗漏计划执行信息进行遗漏计划执行信息转换后得到的关键动作相关肢体部分信息。遗漏康复计划流程信息是指根据目标动作相关肢体部分信息和当前关键执行动作基于参考训练扩展建议信息应用业务层的查找模型得到的动作相关肢体部分信息，动作相关肢体部分信息用于表征训练扩展建议信息的动作相关肢体的运用分布。
109.例如，云计算服务系统100根据遗漏计划执行信息将当前参考训练扩展建议信息进行遗漏计划执行信息转换，从遗漏计划执行信息转换后的参考训练扩展建议信息中选取关键动作相关肢体部分信息作为目标动作相关肢体部分信息，然后基于参考训练扩展建议信息应用业务层的查找模型根据目标动作相关肢体部分信息和当前关键执行动作确定当前参考训练扩展建议信息对应的遗漏康复计划流程信息。
110.stp210，基于遗漏计划执行信息将目标动作相关肢体部分信息和当前关键执行动作进行数据关联得到基础数据关联信息，根据基础数据关联信息与基础执行动作信息的第一比较信息更新当前关键执行动作和当前关键动作相关肢体部分信息。
111.其中，数据关联可以理解为线性融合。第一比较信息是指基础数据关联信息和基础执行动作信息之间的内容比较信息。
112.例如，云计算服务系统100将目标动作相关肢体部分信息和当前关键执行动作通过遗漏计划执行信息进行遗漏计划执行信息转换，得到转换后的待定基础动作，将转换后的待定基础动作通过数据关联内容对应的基础执行动作，得到基础数据关联信息，该基础数据关联信息就包括了各个基础关联执行动作和各个基础关联动作相关肢体部分信息，确定各个基础关联执行动作与基础执行动作信息中对应的各个基础执行动作之间的内容比较信息，并确定各个基础关联动作相关肢体部分信息与基础执行动作信息中对应的各个基础动作相关肢体部分信息之间的内容比较信息，确定内容比较信息的评估指标的和得到第一比较信息。
113.stp212，判断是否匹配第一补充训练扩展方案，当匹配第一补充训练扩展方案时，执行stp202，当不匹配第一补充训练扩展方案时，返回stp206。
114.stp214，基于匹配第一补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，得到康复计划执行信息对应的补充训练扩展建议信息。
115.其中，第一补充训练扩展方案是指进行训练扩展建议信息的生成的条件，包括第一比较信息对应的评估指标小于预设阈值、达到预设循环次数或者得到遗漏康复计划流程信息和遗漏计划执行信息未发生明显异常变化。遗漏康复计划流程信息和遗漏计划执行信
息未发生明显异常变化是指前一次得到的遗漏康复计划流程信息和遗漏计划执行信息与后一次得到的遗漏康复计划流程信息和遗漏计划执行信息之间的评估指标小于预设阈值。补充训练扩展建议信息是指使用匹配第一补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成得到的参考训练扩展建议信息。
116.例如，云计算服务系统100判断是否匹配第一补充训练扩展方案时，当匹配第一补充训练扩展方案时，执行基于匹配第一补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，当不匹配第一补充训练扩展方案时，返回stp204，即基于当前关键执行动作、当前关键动作相关肢体部分信息和基础执行动作信息进行遗漏计划执行信息检测，得到遗漏计划执行信息。不断循环游走循环，直到匹配第一补充训练扩展方案。
117.上述方法中，在每次游走循环时，使用遗漏计划执行信息进行关键动作相关肢体部分信息的选取，从而能够选取到更加准确的关键动作相关肢体部分信息，然后使用目标动作相关肢体部分信息和当前关键执行动作确定当前参考训练扩展建议信息对应的遗漏康复计划流程信息，使得每次游走循环时，使用目标动作相关肢体部分信息和当前关键执行动作确定遗漏康复计划流程信息，从而能够得到更加准确的遗漏康复计划流程信息，然后在匹配补充训练扩展方案时，使用遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，由于使用遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，避免了在对训练扩展建议信息进行分析处理时产生遗漏的问题，能够准确、快速地得到补充训练扩展建议信息。
118.在一个实施例中，在根据基础数据关联信息与基础执行动作信息的第一比较信息更新当前关键执行动作和当前关键动作相关肢体部分信息，返回遗漏计划执行信息检测的步骤，直到匹配第一补充训练扩展方案，包括：stp302，基于基础数据关联信息与基础执行动作信息确定得到第一比较信息，当第一比较信息不匹配第一补充训练扩展方案时，基于遗漏康复计划流程信息更新当前参考训练扩展建议信息，得到更新参考训练扩展建议信息。
119.更新参考训练扩展建议信息是指使用遗漏康复计划流程信息对当前参考训练扩展建议信息进行更新得到的参考训练扩展建议信息。
120.stp304，从更新参考训练扩展建议信息中选取更新关键执行动作，得到更新的当前关键执行动作，并将目标动作相关肢体部分信息作为更新的当前关键动作相关肢体部分信息，返回基于当前关键执行动作、当前关键动作相关肢体部分信息、基础执行动作信息进行遗漏计划执行信息检测，得到遗漏计划执行信息的步骤，直到匹配第一补充训练扩展方案。
121.其中，更新的当前关键执行动作是指从更新参考训练扩展建议信息中的待定基础动作特征确定的关键执行动作。
122.例如，云计算服务系统100从更新参考训练扩展建议信息中选取更新关键执行动作，得到更新的当前关键执行动作，并将目标动作相关肢体部分信息作为更新的当前关键动作相关肢体部分信息，并返回基于当前关键执行动作、当前关键动作相关肢体部分信息、基础执行动作信息进行遗漏计划执行信息检测，得到遗漏计划执行信息的步骤进行游走循环循环，直到匹配第一补充训练扩展方案。
123.在上述实施例中，通过确定第一比较信息，当第一比较信息不匹配第一补充训练扩展方案时，从更新参考训练扩展建议信息中选取更新关键执行动作，得到更新的当前关键执行动作，并将目标动作相关肢体部分信息作为更新的当前关键动作相关肢体部分信息，返回基于当前关键执行动作、当前关键动作相关肢体部分信息、基础执行动作信息进行遗漏计划执行信息检测，得到遗漏计划执行信息的步骤，直到匹配第一补充训练扩展方案，从而能够不断进行循环游走循环，得到更加准确的遗漏计划执行信息，使得确定得到的补充训练扩展建议信息的准确性和可信度更高。
124.在一个实施例中，康复计划执行信息为浮动训练扩展建议信息的标签分布，基础数据关联信息包括基础关联执行动作和基础关联动作相关肢体部分信息。
125.stp302，基于基础数据关联信息与基础执行动作信息确定得到第一比较信息，包括：基于基础关联执行动作与基础执行动作确定得到执行动作比较信息，并基于基础关联动作相关肢体部分信息与基础动作相关肢体部分信息确定得到动作相关肢体部分比较信息；基于动作相关肢体部分比较信息与执行动作比较信息，得到基础数据关联信息与基础执行动作信息的第一比较信息。
126.其中，浮动训练扩展建议信息的标签分布是指训练扩展建议信息标签中存在规律浮动的事项，执行动作比较信息是指基础关联执行动作与基础执行动作的执行动作记录信息的比较信息。动作相关肢体部分比较信息是指基础关联动作相关肢体部分信息与基础动作相关肢体部分信息的动作相关肢体部分的记录信息的比较信息。
127.例如，云计算服务系统100检测到康复计划执行信息为浮动训练扩展建议信息的标签分布时，确定浮动训练扩展建议信息的标签分布对应的各个基础关联执行动作的动作特征与对应的各个基础执行动作的动作特征之间的评估指标，得到每个执行动作的评估指标，确定每个执行动作评估指标的和，得到执行动作比较信息，并确定浮动训练扩展建议信息的标签分布对应的各个基础关联动作相关肢体部分信息的动作特征与对应的各个基础动作相关肢体部分信息的动作特征之间的评估指标，得到每个动作相关肢体部分信息的评估指标，确定每个动作相关肢体部分信息评估指标的和，得到动作相关肢体部分比较信息。然后确定执行动作比较信息和动作相关肢体部分比较信息的和，得到基础数据关联信息与基础执行动作信息的第一比较信息。
128.在上述实施例中，当康复计划执行信息为浮动训练扩展建议信息的标签分布时，直接通过确定执行动作比较信息和动作相关肢体部分比较信息，得到基础数据关联信息与基础执行动作信息的第一比较信息，如此，提高了得到第一比较信息的效率。
129.在一个实施例中，康复计划执行信息为浮动训练扩展建议信息的标签分布；stp204，基于训练扩展建议信息类别属性获取对应的当前关键动作相关肢体部分信息，包括：stp602，获取目标动作关联参数，根据目标动作关联参数将当前关键执行动作关联到基础执行动作，得到关联执行动作，基于关联执行动作和基础执行动作进行遗漏计划执行信息检测，得到关键遗漏计划执行信息。
130.其中，目标动作关联参数是指从各个预设动作关联参数中进行动作关联参数检测确定的动作关联参数。关联执行动作是指将当前关键执行动作通过数据关联得到的更新基
础动作。更新基础动作就是基础动作特征，待定基础动作就是待定动作特征。关键遗漏计划执行信息是指当康复计划执行信息为浮动训练扩展建议信息的标签分布时，只使用关键执行动作进行遗漏计划执行信息检测时得到的遗漏计划执行信息。
131.例如，当康复计划执行信息为浮动训练扩展建议信息的标签分布时，云计算服务系统100获取到目标动作关联参数，根据目标动作关联参数将当前关键执行动作通过数据关联到基础执行动作，得到关联执行动作。
132.然后云计算服务系统100在得到关联执行动作时，确定关联执行动作和基础执行动作的局部融合评估指标小的遗漏计划执行信息，得到关键遗漏计划执行信息。
133.stp604，根据关键遗漏计划执行信息从当前参考训练扩展建议信息的参考训练扩展建议信息的动作相关肢体部分的动作数据库中选取浮动训练扩展建议信息的标签分布对应的当前关键动作相关肢体部分信息。
134.其中，参考训练扩展建议信息的动作相关肢体部分的动作数据库是指预先设置好的参考训练扩展建议信息动作相关肢体部分信息的动作相关肢体部分对象的调取信息。
135.在上述实施例中，在康复计划执行信息为浮动训练扩展建议信息的标签分布时，根据关键遗漏计划执行信息从当前参考训练扩展建议信息的参考训练扩展建议信息的动作相关肢体部分的动作数据库中选取浮动训练扩展建议信息的标签分布对应的当前关键动作相关肢体部分信息，从而能够得到更加准确的当前关键动作相关肢体部分信息，方便后续的使用。
136.在一个实施例中，stp602，获取目标动作关联参数，包括：stp702，获取各个预设动作关联参数，从各个预设动作关联参数选取当前动作关联参数。
137.其中，预设动作关联参数是指预先设置好的动作关联参数值。当前动作关联参数是指进行动作关联参数确定时使用的动作关联参数。
138.stp704，根据当前动作关联参数将当前关键执行动作关联到基础执行动作，得到动作关联参数对应的关联执行动作，基于动作关联参数对应的关联执行动作和基础执行动作进行遗漏计划执行信息检测，得到动作关联参数对应的遗漏计划执行信息，根据动作关联参数对应的遗漏计划执行信息从当前参考训练扩展建议信息的参考训练扩展建议信息的动作相关肢体部分的动作数据库中选取动作关联参数对应的关键动作相关肢体部分信息。
139.其中，动作关联参数对应的关联执行动作是指使用当前动作关联参数进行数据关联时得到的关联执行动作。动作关联参数对应的遗漏计划执行信息是指根据动作关联参数对应的关联执行动作和基础执行动作进行遗漏计划执行信息检测得到的遗漏计划执行信息。动作关联参数对应的关键动作相关肢体部分信息是指使用动作关联参数对应的遗漏计划执行信息选取的关键动作相关肢体部分信息。
140.例如，云计算服务系统100根据当前动作关联参数将当前关键执行动作关联到基础执行动作，得到动作关联参数对应的关联执行动作，然后确定动作关联参数对应的关联执行动作和基础执行动作在局部关联信息比较过程中的遗漏计划执行信息，得到动作关联参数对应的遗漏计划执行信息。然后根据动作关联参数对应的遗漏计划执行信息从当前参考训练扩展建议信息的参考训练扩展建议信息的动作相关肢体部分的动作数据库中选取
候选动作数据，从候选动作数据中确定动作关联参数对应的关键动作相关肢体部分信息。
141.stp706，基于动作关联参数对应的关键动作相关肢体部分信息、当前关键执行动作和基础执行动作信息进行动作关联参数对应的遗漏计划执行信息检测，得到动作关联参数对应的遗漏计划执行信息。
142.其中，动作关联参数对应的遗漏计划执行信息是指使用动作关联参数对应的关键动作相关肢体部分信息进行遗漏计划执行信息检测得到的动作关联参数对应的遗漏计划执行信息例如，云计算服务系统100将动作关联参数对应的关键动作相关肢体部分信息和当前关键执行动作进行数据关联到基础执行动作中，得到动作关联参数对应的基础数据关联信息，确定在动作关联参数对应的基础数据关联信息与基础执行动作信息之间的评估指标收敛时的遗漏计划执行信息，得到动作关联参数对应的遗漏计划执行信息。
143.stp708，根据动作关联参数对应的遗漏计划执行信息从参考训练扩展建议信息的动作相关肢体部分的动作数据库中选取动作关联参数的目标动作相关肢体部分信息，根据动作关联参数的目标动作相关肢体部分信息和当前关键执行动作确定当前参考训练扩展建议信息对应的动作关联参数的遗漏康复计划流程信息。
144.其中，动作关联参数的目标动作相关肢体部分信息是指根据动作关联参数对应的遗漏计划执行信息选取的目标动作相关肢体部分信息。动作关联参数的遗漏康复计划流程信息是指根据动作关联参数的目标动作相关肢体部分信息确定的遗漏康复计划流程信息。
145.例如，云计算服务系统100从参考训练扩展建议信息的动作相关肢体部分的动作数据库中选取候选动作数据，然后从候选动作数据中根据动作关联参数对应的遗漏计划执行信息选取动作关联参数的目标动作相关肢体部分信息。然后根据动作关联参数的目标动作相关肢体部分信息和当前关键执行动作确定当前参考训练扩展建议信息对应的动作关联参数的遗漏康复计划流程信息。
146.stp710，基于动作关联参数对应的遗漏计划执行信息将动作关联参数的目标动作相关肢体部分信息和当前关键执行动作进行数据关联，得到动作关联参数对应的基础数据关联信息，根据动作关联参数对应的基础数据关联信息和基础执行动作信息的第二比较信息更新动作关联参数对应的关键动作相关肢体部分信息和当前关键执行动作。
147.其中，动作关联参数对应的基础数据关联信息是指根据动作关联参数对应的遗漏计划执行信息将动作关联参数的目标动作相关肢体部分信息和当前关键执行动作进行数据关联时得到的基础数据关联信息。第二比较信息是指动作关联参数对应的基础数据关联信息与基础执行动作信息之间的内容比较信息。
148.例如，云计算服务系统100将动作关联参数的目标动作相关肢体部分信息和当前关键执行动作使用动作关联参数对应的遗漏计划执行信息进行遗漏计划执行信息分析。
149.然后将遗漏计划执行信息分析的动作关联参数的目标动作相关肢体部分信息和当前关键执行动作进行数据关联，得到动作关联参数对应的基础数据关联信息，然后确定动作关联参数对应的基础数据关联信息和基础执行动作信息的内容信息比较，得到第二比较信息。根据第二比较信息更新动作关联参数对应的关键动作相关肢体部分信息和当前关键执行动作。
150.stp712，判断是否匹配第二补充训练扩展方案，当匹配第二补充训练扩展方案时，
执行stp714，当不匹配第二补充训练扩展方案时，返回stp706执行。
151.stp714，得到当前动作关联参数对应的当前第二比较信息。
152.其中，第二补充训练扩展方案是指第二比较信息为当前动作关联参数对应的局部比较信息的补充训练扩展方案。包括达到预设循环次数或者动作关联参数的遗漏康复计划流程信息和动作关联参数对应的遗漏计划执行信息未发生明显异常变化，即动作关联参数的遗漏康复计划流程信息和动作关联参数对应的遗漏计划执行信息在上一次游走循环和这一次游走循环得到的值一致。
153.例如，云计算服务系统100当达到预设循环次数时，即匹配第二补充训练扩展方案时，将匹配第二补充训练扩展方案时的第二比较信息作为当前动作关联参数对应的当前第二比较信息。当未达到预设循环次数时，即不匹配第二补充训练扩展方案时，返回stp706继续进行游走循环执行。
154.stp716，遍历各个预设动作关联参数，得到各个预设动作关联参数对应的各个当前第二比较信息，比较各个当前第二比较信息，得到目标第二比较信息，将目标第二比较信息对应的预设动作关联参数作为目标动作关联参数。
155.目标第二比较信息是指各个当前第二比较信息中评估指标最小的当前第二比较信息。
156.例如，云计算服务系统100遍历各个预设动作关联参数，即返回从各个预设动作关联参数选取当前动作关联参数的步骤执行，已选的预设动作关联参数不在重复选取。直到得到各个预设动作关联参数对应的各个当前第二比较信息。然后比较各个当前第二比较信息，得到目标第二比较信息，将目标第二比较信息对应的预设动作关联参数作为目标动作关联参数。即确定每个预设动作关联参数对应的收敛评估指标，然后从各个收敛评估指标中再进一步选取最小的收敛评估指标作为目标第二比较信息，将目标第二比较信息对应的预设动作关联参数作为目标动作关联参数。然后云计算服务系统100指定该目标动作关联参数，即云计算服务系统100在对后续的训练扩展建议信息类别属性进行训练扩展建议信息的生成时直接使用该目标动作关联参数。
157.在上述实施例中，通过确定各个预设动作关联参数的当前第二比较信息，然后从当前第二比较信息中确定目标第二比较信息，将目标第二比较信息对应的预设动作关联参数作为目标动作关联参数，从而使得到的目标动作关联参数更加准确。
158.图3为本公开实施例提供的基于深度学习分析和智慧医疗的用户信息提示装置300的功能模块示意图，下面分别对该基于深度学习分析和智慧医疗的用户信息提示装置300的各个功能模块的功能进行详细阐述。
159.获取模块310，用于获取医疗监测终端设备在预设记录周期记录的医疗用户的各个关键部位的姿态测量数据和与姿态测量数据对应的姿态图像数据；建立模块320，用于根据各个关键部位的姿态测量数据确定医疗用户的步态特征信息，并建立医疗用户的步态特征信息与对应的姿态图像数据之间的步态图像对应数据，其中，步态图像对应数据用于建立步态特征信息中每个步态特征信息单元与对应的姿态图像数据对应的姿态图像帧之间的对应数据；输入模块30，用于将步态图像对应数据输入到预先训练完成的人工智能网络模型中，获得步态图像对应数据对应的用户障碍分类属性集；
生成模块340，用于根据步态图像对应数据对应的用户障碍分类属性集生成对应的参考提示信息，其中，参考提示信息用于对医疗用户进行异常状态预警。
160.图4示出了本公开实施例提供的用于实现上述的基于深度学习分析和智慧医疗的用户信息提示方法的云计算服务系统100的硬件结构示意图，如图4所示，云计算服务系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
161.在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令，使得处理器110可以执行如上方法实施例的基于深度学习分析和智慧医疗的用户信息提示方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的医疗监测终端设备200进行数据收发。
162.处理器110的具体实现过程可参见上述云计算服务系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
163.此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于深度学习分析和智慧医疗的用户信息提示方法。
164.最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

技术特征：
1.一种基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，所述基于深度学习分析和智慧医疗的用户信息提示系统包括云计算服务系统以及与所述云计算服务系统通信连接的多个医疗监测终端设备；所述云计算服务系统，用于：获取参考康复训练运动情况产生时的参考正康复训练运动数据和参考负康复训练运动数据，对所述参考正康复训练运动数据进行特征提取，得到所述参考正康复训练运动数据的参考正康复训练运动特征，所述参考正康复训练运动特征用于指示所述参考康复训练运动情况的正反馈运动特征；对所述参考负康复训练运动数据进行特征提取，得到所述参考负康复训练运动数据的参考负康复训练运动数据，所述参考负康复训练运动数据用于指示所述参考康复训练运动情况的负反馈运动特征；将所述参考负康复训练运动数据作为所述参考正康复训练运动特征的对立数据，生成所述康复训练标签学习网络的训练基础数据；采用所述训练基础数据对所述康复训练标签学习网络进行训练，所述康复训练标签学习网络用于基于所述医疗监测终端设备对应的医疗用户的康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集；根据所述康复训练运动数据对应的康复训练标签集，对所述医疗用户进行进一步参考信息提示。2.根据权利要求1所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，所述方法还包括：获取针对提示的异常预警信息在进行针对性康复训练后的所述医疗用户的康复训练运动数据。3.根据权利要求1所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，所述根据所述康复训练运动数据对应的康复训练标签集，对所述步态图像对应数据对应的医疗用户进行进一步参考信息提示的方式，包括：根据所述康复训练运动数据对应的康复训练标签集，获取所述医疗监测终端设备的目标康复训练推送应用对应的康复训练推送网络，所述康复训练推送网络包括目标康复训练推送应用对应所述康复训练标签集的目标康复训练策略、多个关系康复训练策略以及多个训练同步信息，所述训练同步信息与所述目标康复训练推送应用的康复订阅对象的康复活动规则对应，每个关系康复训练策略通过其对应的训练同步信息与所述目标康复训练策略进行同步配置；基于所述康复训练推送网络，获取每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率，所述关键康复订阅对象为匹配关系康复训练参数方案时存在处方匹配关系的康复订阅对象；获取所述每个训练同步信息对应的历史权衡评价指标，基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，所述参考信息提示指标用于为所述目标康复训练推送应用对应的用户提示所述关系康复训练参数方案。4.根据权利要求3所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征
在于，所述获取所述每个训练同步信息对应的历史权衡评价指标，包括：获取所述每个训练同步数据关联的所有关系康复训练策略中的指定康复训练策略的评价指标，作为第一评价指标，其中，所述指定康复训练策略为已认证的所述关系康复训练参数方案的康复训练策略对应的关系康复训练策略；基于预设指标值以及所述每个训练同步信息对应的所述第一评价指标，获取所述每个训练同步信息对应的历史权衡评价指标；所述基于预设指标值以及所述每个训练同步信息对应的所述第一评价指标，获取所述每个训练同步信息对应的历史权衡评价指标，包括：获取所述预设指标值与每个所述第一评价指标的比值对应的相反数，得到所述每个训练同步信息对应的目标评价指标；将所述每个训练同步信息对应的所述目标评价指标作为自变量，获取预设目标函数的函数值，得到所述每个训练同步信息对应的历史权衡评价指标，所述预设目标函数的底数数值大于1。5.根据权利要求3所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，所述根据所述康复训练运动数据对应的康复训练标签集，获取所述医疗监测终端设备的目标康复训练推送应用对应的康复训练推送网络，包括：根据所述康复训练运动数据对应的康复训练标签集，获取所述目标康复训练推送应用的康复订阅对象的康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的康复活动规则，所述康复活动规则用于表征康复训练策略的康复训练策略特征；基于所述目标康复训练推送应用的康复订阅对象的康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的康复活动规则，并以所述目标康复训练策略的康复订阅对象作为所述目标康复训练策略，以及以所述关系康复训练策略作为关系康复训练策略，生成所述目标康复训练推送应用对应的康复训练推送网络。6.根据权利要求5所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，在所述获取所述目标康复训练推送应用的康复订阅对象的康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的康复活动规则之后，所述云计算服务系统还用于：将所述目标康复训练推送应用的康复订阅对象的康复活动规则与预设康复活动规则进行相关度比较，其中，所述预设康复活动规则与所述关系康复训练参数方案对应；根据相关度比较结果，从所述目标康复训练推送应用的康复订阅对象的康复活动规则中，获取与所述预设康复活动规则匹配的康复活动规则，作为目标康复活动规则；所述基于所述目标康复训练推送应用的康复订阅对象的康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的康复活动规则，并以所述目标康复训练策略的康复订阅对象作为所述目标康复训练策略，以及以所述关系康复训练策略作为关系康复训练策略，生成所述目标康复训练推送应用对应的康复训练推送网络，包括：基于所述目标康复训练推送应用的康复订阅对象的所述目标康复活动规则，以及所述目标康复训练推送应用对应的关系康复训练策略的目标康复活动规则，并以所述目标康复训练策略的康复订阅对象作为所述目标康复训练策略，以及以所述关系康复训练策略作为关系康复训练策略，生成所述目标康复训练推送应用对应的康复训练推送网络。
7.根据权利要求3所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，在所述基于所述康复训练推送网络，获取每个训练同步数据关联的所有关系康复训练策略对应的康复订阅对象中关键康复订阅对象的关键概率之前，所述云计算服务系统还用于：获取所述每个训练同步数据关联的所有关系康复训练策略中的指定康复训练策略的评价指标，作为第二评价指标，其中，所述指定康复训练策略为已认证的所述关系康复训练参数方案的康复训练策略对应的关系康复训练策略；根据所述每个训练同步信息对应的第二评价指标，从所有训练同步信息中剔除目标训练同步信息，其中，所述目标训练同步信息对应的所述第二评价指标小于预设评价指标。8.根据权利要求3-7任一项所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，所述基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述目标康复训练推送应用对应的参考信息提示指标，包括：基于所述每个训练同步信息对应的所述关键概率，以及所述每个训练同步信息对应的历史权衡评价指标，获取所述每个训练同步信息对应的参考信息提示指标；基于所述每个训练同步信息对应的影响指标，以及所述每个训练同步信息对应的参考信息提示指标，获得所述目标康复训练推送应用对应的参考信息提示指标。9.根据权利要求3-8任一项所述的基于深度学习分析和智慧医疗的用户信息提示系统，其特征在于，所述云计算服务系统还用于：获取基于所述参考信息提示指标为所述目标康复训练推送应用对应的用户提示的关系康复训练参数方案，获取针对所述关系康复训练参数方案的康复计划执行信息；对获取到的康复计划执行信息进行分析，得到当前关键执行动作以及当前关键动作相关肢体部分信息，通过所述康复计划执行信息、所述当前关键执行动作以及所述当前关键动作相关肢体部分信息，得到遗漏计划执行信息以及遗漏康复计划流程信息；采用预设补充训练扩展方案对所述遗漏计划执行信息以及所述遗漏康复计划流程信息进行处理，并基于匹配预设补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，得到所述康复计划执行信息对应的补充训练扩展建议信息；所述对获取到的康复计划执行信息进行分析，得到当前关键执行动作以及当前关键动作相关肢体部分信息，通过所述康复计划执行信息、所述当前关键执行动作以及所述当前关键动作相关肢体部分信息，得到遗漏计划执行信息以及遗漏康复计划流程信息，包括：确定所述康复计划执行信息的基础执行动作信息；其中，所述基础执行动作信息包括基础执行动作和基础动作相关肢体部分信息；从所述康复计划执行信息对应的当前参考训练扩展建议信息中选取当前关键执行动作，基于所述康复计划执行信息获取对应的当前关键动作相关肢体部分信息；基于所述当前关键执行动作、所述当前关键动作相关肢体部分信息和所述基础执行动作信息进行遗漏计划执行信息检测，得到遗漏计划执行信息；根据遗漏计划执行信息从所述当前参考训练扩展建议信息中选取目标动作相关肢体部分信息，根据所述目标动作相关肢体部分信息和所述当前关键执行动作确定所述当前参
考训练扩展建议信息对应的遗漏康复计划流程信息；所述采用预设补充训练扩展方案对所述遗漏计划执行信息以及所述遗漏康复计划流程信息进行处理，并基于匹配预设补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，得到所述康复计划执行信息对应的补充训练扩展建议信息的方式，包括：采用预设补充训练扩展方案对所述遗漏计划执行信息以及所述遗漏康复计划流程信息进行处理，并基于匹配预设补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，得到所述康复计划执行信息对应的补充训练扩展建议信息：基于所述遗漏计划执行信息将所述目标动作相关肢体部分信息和所述当前关键执行动作进行数据关联得到基础数据关联信息，根据所述基础数据关联信息与所述基础执行动作信息的第一比较信息更新所述当前关键执行动作和当前关键动作相关肢体部分信息，返回所述遗漏计划执行信息检测的方式，直到匹配第一补充训练扩展方案；基于匹配第一补充训练扩展方案的遗漏康复计划流程信息和遗漏计划执行信息进行训练扩展建议信息的生成，得到所述康复计划执行信息对应的补充训练扩展建议信息。10.一种基于深度学习分析和智慧医疗的用户信息提示方法，其特征在于，应用于云计算服务系统，所述云计算服务系统与多个医疗监测终端设备通信连接，所述方法包括：获取参考康复训练运动情况产生时的参考正康复训练运动数据和参考负康复训练运动数据，对所述参考正康复训练运动数据进行特征提取，得到所述参考正康复训练运动数据的参考正康复训练运动特征，所述参考正康复训练运动特征用于指示所述参考康复训练运动情况的正反馈运动特征；对所述参考负康复训练运动数据进行特征提取，得到所述参考负康复训练运动数据的参考负康复训练运动数据，所述参考负康复训练运动数据用于指示所述参考康复训练运动情况的负反馈运动特征；将所述参考负康复训练运动数据作为所述参考正康复训练运动特征的对立数据，生成所述康复训练标签学习网络的训练基础数据；采用所述训练基础数据对所述康复训练标签学习网络进行训练，所述康复训练标签学习网络用于基于所述医疗监测终端设备对应的医疗用户的康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集；根据所述康复训练运动数据对应的康复训练标签集，对所述医疗用户进行进一步参考信息提示。

技术总结
本公开实施例提供一种基于深度学习分析和智慧医疗的用户信息提示系统及方法，通过学习参考康复训练运动情况的正反馈运动特征和负反馈运动特征，可以使得康复训练标签学习网络向着正反馈运动维度进一步对立学习，提高康复训练标签学习效果，通过基于训练获得的康复训练标签学习网络对康复训练运动数据进行分析，获得康复训练运动数据对应的康复训练标签集，根据康复训练运动数据对应的康复训练标签集，对步态图像对应数据对应的医疗用户进行进一步参考信息提示。如此，通过分析用户的康复训练运动情况，可以确定相匹配康复训练标签集后对对应的医疗用户进行进一步参考信息提示，降低医疗用户查找康复参考信息的难度。降低医疗用户查找康复参考信息的难度。降低医疗用户查找康复参考信息的难度。


技术研发人员：闫永贵
受保护的技术使用者：盘锦思竹互联网传媒有限公司
技术研发日：2021.12.13
技术公布日：2022/3/8