基于图神经网络和AI注意力机制的身心监测方法和机器人技术

基于图神经网络和AI注意力机制的身心监测方法和机器人，包括：特征矩阵生成模块；邻接矩阵生成模块；身心监测图神经网络生成模块；用户身心指标第一预测模块。上述方法，将身心监测和预测通过图神经网络在人与人之间的身心监测数据及身心监测指标建立关系，使得可以相互提高身心监测和预测的准确率。相互提高身心监测和预测的准确率。相互提高身心监测和预测的准确率。

【技术实现步骤摘要】
基于图神经网络和AI注意力机制的身心监测方法和机器人


[0001]本专利技术涉及身心监测
，特别是涉及一种基于图神经网络和AI注意力机制的身心监测方法和机器人。

技术介绍

[0002]在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：现有身心监测基本上都是基于个人的身心数据来进行个人的身心监测，没有考虑到人与人之间的相关性，也没有考虑到个人过往的经历，从而导致身心监测和预测不够精准。
[0003]因此，现有技术还有待于改进和发展。

技术实现思路

[0004]基于此，有必要针对现有技术的缺陷或不足，提供基于图神经网络和AI注意力机制的身心监测方法和机器人，以解决现有身心监测没有考虑到人与人之间身心健康相关性从而导致身心监测和预测率低的问题。
[0005]第一方面，本专利技术实施例提供一种身心监测方法，所述方法包括：
[0006]特征矩阵生成步骤：获取在每一时间点的所有用户之间的关系；将每一用户作为图中的每一节点；将所述每一用户的用户数据作为所述每一节点的特征向量；所有用户对应的所有特征向量组成特征矩阵；
[0007]邻接矩阵生成步骤：将每2个用户之间的关系作为所述每2个用户对应的每2个节点之间的边；所有所述边的权重组成所述所有用户对应的邻接矩阵；
[0008]身心监测图神经网络生成步骤：将在所述每一时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为图神经网络的输入，将在所述每一时间点的所述所有用户的已知用户身心指标作为所述图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心监测图神经网络；
[0009]用户身心指标第一预测步骤：将在待监测时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心监测图神经网络的输入，通过身心监测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。
[0010]优选地，所述方法还包括：
[0011]用户集合获取步骤：获取所有用户的集合，作为用户集合；
[0012]时间点集合获取步骤：获取身心监测的时间点集合；
[0013]时间点获取步骤：获取时间点集合中每一时间点；
[0014]每一用户数据获取步骤：获取用户集合中每一用户在所述每一时间点的身心健康相关的数据，作为所述每一用户数据，
[0015]每一用户身心指标获取步骤：获取所述每一用户在所述每一时间点的身心健康相关的指标，作为所述每一用户的用户身心指标。
[0016]优选地，所述方法还包括：
[0017]身心连续监测图神经网络生成步骤：将在所述时节点集合中连续k个(k为大于或等于2的自然数)时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为序列图神经网络的输入，将在所述k个时间点中最后的时间点的所述所有用户的已知用户身心指标作为所述序列图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心连续监测图神经网络；
[0018]用户身心指标第二预测步骤：将在待监测时间点之前的k
‑
1个连续时间点和待监测时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心连续监测图神经网络的输入，通过身心连续监测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。
[0019]优选地，所述方法还包括：
[0020]身心连续预测图神经网络生成步骤：将在所述时节点集合中连续k个(k为大于或等于2的自然数)时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为序列图神经网络的输入，将在所述k个时间点之后最近的时间点的所述所有用户的已知用户身心指标作为所述序列图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心连续预测图神经网络；
[0021]用户身心指标第三预测步骤：将在待监测时间点之前的k个连续时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心连续预测图神经网络的输入，通过身心连续预测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。
[0022]第二方面，本专利技术实施例提供一种身心监测系统，所述系统包括：
[0023]特征矩阵生成模块：获取在每一时间点的所有用户之间的关系；将每一用户作为图中的每一节点；将所述每一用户的用户数据作为所述每一节点的特征向量；所有用户对应的所有特征向量组成特征矩阵；
[0024]邻接矩阵生成模块：将每2个用户之间的关系作为所述每2个用户对应的每2个节点之间的边；所有所述边的权重组成所述所有用户对应的邻接矩阵；
[0025]身心监测图神经网络生成模块：将在所述每一时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为图神经网络的输入，将在所述每一时间点的所述所有用户的已知用户身心指标作为所述图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心监测图神经网络；
[0026]用户身心指标第一预测模块：将在待监测时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心监测图神经网络的输入，通过身心监测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。
[0027]优选地，所述系统还包括：
[0028]用户集合获取模块：获取所有用户的集合，作为用户集合；
[0029]时间点集合获取模块：获取身心监测的时间点集合；
[0030]时间点获取模块：获取时间点集合中每一时间点；
[0031]每一用户数据获取模块：获取用户集合中每一用户在所述每一时间点的身心健康相关的数据，作为所述每一用户数据，
[0032]每一用户身心指标获取模块：获取所述每一用户在所述每一时间点的身心健康相
关的指标，作为所述每一用户的用户身心指标。
[0033]优选地，所述系统还包括：
[0034]身心连续监测图神经网络生成模块：将在所述时节点集合中连续k个(k为大于或等于2的自然数)时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为序列图神经网络的输入，将在所述k个时间点中最后的时间点的所述所有用户的已知用户身心指标作为所述序列图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心连续监测图神经网络；
[0035]用户身心指标第二预测模块：将在待监测时间点之前的k
‑
1个连续时间点和待监测时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心连续监测图神经网络的输入，通过身心连续监测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。
[0036]优选地，所述系统还包括：
[0037]身心连续预测图神经网络生成模块：将在所述时节点集合中连续k个(k为大于或等于2的自然数)时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为序列图神经网络的输入，将在所述k个时间点之后最近的时间点的所述所有用户的已知用户身心指标作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种身心监测方法，其特征在于，所述方法包括：特征矩阵生成步骤：获取在每一时间点的所有用户之间的关系；将每一用户作为图中的每一节点；将所述每一用户的用户数据作为所述每一节点的特征向量；所有用户对应的所有特征向量组成特征矩阵；邻接矩阵生成步骤：将每2个用户之间的关系作为所述每2个用户对应的每2个节点之间的边；所有所述边的权重组成所述所有用户对应的邻接矩阵；身心监测图神经网络生成步骤：将在所述每一时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为图神经网络的输入，将在所述每一时间点的所述所有用户的已知用户身心指标作为所述图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心监测图神经网络；用户身心指标第一预测步骤：将在待监测时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心监测图神经网络的输入，通过身心监测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。2.根据权利要求1所述的身心监测方法，其特征在于，所述方法还包括：用户集合获取步骤：获取所有用户的集合，作为用户集合；时间点集合获取步骤：获取身心监测的时间点集合；时间点获取步骤：获取时间点集合中每一时间点；每一用户数据获取步骤：获取用户集合中每一用户在所述每一时间点的身心健康相关的数据，作为所述每一用户数据，每一用户身心指标获取步骤：获取所述每一用户在所述每一时间点的身心健康相关的指标，作为所述每一用户的用户身心指标。3.根据权利要求1所述的身心监测方法，其特征在于，所述方法还包括：身心连续监测图神经网络生成步骤：将在所述时节点集合中连续k个(k为大于或等于2的自然数)时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为序列图神经网络的输入，将在所述k个时间点中最后的时间点的所述所有用户的已知用户身心指标作为所述序列图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心连续监测图神经网络；用户身心指标第二预测步骤：将在待监测时间点之前的k
‑
1个连续时间点和待监测时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心连续监测图神经网络的输入，通过身心连续监测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。4.根据权利要求1所述的身心监测方法，其特征在于，所述方法还包括：身心连续预测图神经网络生成步骤：将在所述时节点集合中连续k个(k为大于或等于2的自然数)时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为序列图神经网络的输入，将在所述k个时间点之后最近的时间点的所述所有用户的已知用户身心指标作为所述序列图神经网络的预期输出，结合注意力机制对所述图神经网络进行训练和测试，得到身心连续预测图神经网络；用户身心指标第三预测步骤：将在待监测时间点之前的k个连续时间点的所述所有用户对应的所述特征矩阵与所述邻接矩阵作为身心连续预测图神经网络的输入，通过身心连
续预测图神经网络计算得到的输出作为在待监测时间点的所述所有用户的用户身心指标。5.一种身心监测系统，其特征在于，所述系统包括：特征矩阵生成模块：获取在每一时间点的所有用户之间的关系；将每一用户作为图中的每一节点；将所述每...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：深圳市华运通科技股份有限公司华南师范大学，
类型：发明
国别省市：