买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉高精特(成都)大数据科技有限公司申请的专利一种基于大数据的健康监测管理方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121075668B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511630066.3，技术领域涉及：G16H50/30；该发明授权一种基于大数据的健康监测管理方法是由张鹏;张政;张赫业;张司晨设计研发完成，并于2025-11-09向国家知识产权局提交的专利申请。

本一种基于大数据的健康监测管理方法在说明书摘要公布了：本申请公开了一种基于大数据的健康监测管理方法，涉及健康监测技术领域，采用自适应分区优化算法对所述用户画像模型进行优化，获取优化之后的用户画像模型，能够有效地提高模型优化效率以及优化效果，从而使用户画像识别更加准确，然后调度服务器上部署的优化之后的用户画像模型对所述用户实时画像大数据进行识别，能够推送高度个性化和前瞻性的健康建议，有效地提升了健康监测管理的效率以及准确性。

本发明授权一种基于大数据的健康监测管理方法在权利要求书中公布了：1.一种基于大数据的健康监测管理方法，其特征在于，包括： 采集预先存储的或者通过人机交互输入的大数据学习任务；其中，所述大数据学习任务包括用户历史画像大数据及其对应的健康建议策略标签；每一个健康建议策略标签对应数据库中存储的一种健康建议策略； 采用深度学习模型构建用户画像识别模型，根据所述大数据学习任务，并采用自适应分区优化算法对所述用户画像模型进行优化，获取优化之后的用户画像模型，并将所述优化之后的用户画像模型部署于服务器上； 采集用户对应的用户实时画像大数据，并将所述用户实时画像大数据上传至服务器上，并调度服务器上部署的优化之后的用户画像模型对所述用户实时画像大数据进行识别，获取目标健康建议策略； 将所述目标健康建议策略反馈至用户指定的设备中，完成基于大数据的健康监测管理方法； 根据所述大数据学习任务，并采用自适应分区优化算法对所述用户画像模型进行优化，获取优化之后的用户画像模型，包括： 初始化种群；其中，种群包括多个个体，个体包括所述用户画像模型的待优化参数； 根据所述大数据学习任务，获取每个个体对应的适应度，并确定适应度最大的个体为最优个体； 采用自适应位置扰动机制对个体进行初始邻域优化，得到初始邻域优化之后的个体； 以所述最优个体为基础，采用自适应学习机制对初始邻域优化之后的个体进行引导优化，确定引导优化之后的个体； 采用群体信息融合机制对引导优化之后的个体进行群体信息融合优化，得到群体信息融合优化之后的个体； 采用适应度影响变异机制对群体信息融合优化之后的个体进行全局优化，得到全局优化之后的个体； 判断当前优化次数是否大于或等于预设的最大优化次数，若是，则根据全局优化之后的个体重新获取最优个体，并将重新获取的最优个体中的参数作为用户画像模型的最终参数，得到优化之后的用户画像模型； 根据所述大数据学习任务，获取每个个体对应的适应度，并确定适应度最大的个体为最优个体，包括： 针对任意一个个体，将个体包含的参数应用至用户画像模型中，得到应用参数之后的用户画像模型； 将用户历史画像大数据作为应用参数之后的用户画像模型的输入，将对应的健康建议策略标签作为应用参数之后的用户画像模型的期望输出，获取交叉熵损失函数值或均方根损失函数值； 将得到的交叉熵损失函数值或均方根损失函数值与非零正常数项相加，得到非零相加结果；其中，非零正常数项0.00001； 将非零相加结果取倒数，得到个体对应的适应度，并确定适应度最大的个体为最优个体； 采用自适应位置扰动机制对个体进行初始邻域优化，得到初始邻域优化之后的个体，包括： ； ； 其中，表示第t次优化过程中第j个个体，j=1,2,…,NP，NP表示个体总数，表示第j个初始邻域优化之后的个体，表示自然常数，表示0,1之间的第一随机数，表示圆周率，表示自适应扰动因子，T表示预设的最大优化次数； 以所述最优个体为基础，采用自适应学习机制对初始邻域优化之后的个体进行引导优化，确定引导优化之后的个体，包括： ； ； 其中，表示第t次优化过程中第m个初始邻域优化之后的个体，m=1,2,…,NP，表示第m个引导优化之后的个体，表示0,1之间的第二随机数，表示0,1之间的第三随机数，表示[0,1]之间均匀分布的第四随机数，表示最优个体，表示自适应引导因子，表示自适应引导因子的最大值，且设置为2；表示自适应引导因子的最小值，且设置为0.0001； 采用群体信息融合机制对引导优化之后的个体进行群体信息融合优化，得到群体信息融合优化之后的个体，包括： ； ； ； 其中，表示第t次优化过程中第n个引导优化之后的个体的第d维参数，n=1,2,…,NP，表示第n个群体信息融合优化之后的个体的第d维参数，表示群体信息融合因子，表示第t次优化过程中第h个引导优化之后的个体的第d维参数，h=1,2,…,NP，d=1,2,…,D，D表示个体的参数总维度，表示第d维参数上限，表示第d维参数下限，表示群体信息融合因子的最大值，且设置为0.4；表示群体信息融合因子的最小值，且设置为0.01；表示单个体信息采集因子，表示信息融合系数，且设置为0.01；表示第t次优化过程中第n个引导优化之后的个体与第h个引导优化之后的个体之间的欧式距离，表示0,1之间的第五随机数，e表示自然常数； 采用适应度影响变异机制对群体信息融合优化之后的个体进行全局优化，得到全局优化之后的个体，包括： ； ； ； 其中，表示第t次优化过程中第k个群体信息融合优化之后的个体的第d维参数，表示第k个全局优化之后的个体的第d维参数，表示0,1之间的第六随机数，表示第t+1次的变异范围因子，表示第t次的变异范围因子，表示第d维参数的上下限之间的差值与最大优化次数的比值，表示种群优化进度因子，表示第一阈值，表示第二阈值，且大于，表示第t次优化过程中所有群体信息融合优化之后的个体的适应度总和，表示第t-1次优化过程中所有群体信息融合优化之后的个体的适应度总和，NP表示个体总数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人高精特(成都)大数据科技有限公司，其通讯地址为：610000 四川省成都市中国(四川)自由贸易试验区成都高新区天府二街138号1栋17层1707号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。