一种用于分析和检测女性生理期的方法

摘要

本发明提供了一种用于分析和检测女性生理期的方法，包括：基于目标穿戴传感器采集用户的脉搏波信号，并对所述脉搏波信号进行滤波处理，得到目标脉搏波信号；构建深度学习模型，并将所述深度学习模型部署至物联网平台；基于所述物联网平台将所述目标脉搏波信号上传至所述深度学习模型进行分析，得到所述用户的生理期检测结果。通过采集用户的脉搏波信号，并通过深度学习模型拟合能力以及泛化性能对脉搏波信号进行分析计算，保障了对长时序的脉搏波信号波形数据进行准确有效的分析，提高了对女性生理期检测的准确性。

说明书

技术领域

本发明涉及大数据及数据处理技术领域，特别涉及一种用于分析和检测女性生理期的方法。

背景技术

目前，存在很多管理以及检测与女性的生理期有关的信息的方法，主要通过容积脉搏波(PPG)波形进行分析和检测，但是现有技术在对容积脉搏波进行滤波处理时，方式单一、参数单一，不能有很好的泛化性，导致在滤波过程中滤除较多有效信息，不能做到最大限度的拟合PPG波形的各个尺度的特征，从而导致对生理期的检测存在较大误差；

因此，本发明提供了一种以分析和检测女性生理期的方法，通过采集用户的脉搏波信号，并通过深度学习模型拟合能力以及泛化性能对脉搏波信号进行分析计算，保障了对长时序的脉搏波信号波形数据进行准确有效的分析，提高了对女性生理期检测的准确性。

发明内容

本发明提供一种用于分析和检测女性生理期的方法，用以通过采集用户的脉搏波信号，并通过深度学习模型拟合能力以及泛化性能对脉搏波信号进行分析计算，保障了对长时序的脉搏波信号波形数据进行准确有效的分析，提高了对女性生理期检测的准确性。

本发明提供了一种用于分析和检测女性生理期的方法，包括：

步骤1：基于目标穿戴传感器采集用户的脉搏波信号，并对所述脉搏波信号进行滤波处理，得到目标脉搏波信号；

步骤2：构建深度学习模型，并将所述深度学习模型部署至物联网平台；

步骤3：基于所述物联网平台将所述目标脉搏波信号上传至所述深度学习模型进行分析，得到所述用户的生理期检测结果。

优选的，一种用于分析和检测女性生理期的方法，步骤1中，基于目标穿戴传感器采集用户的脉搏波信号，包括：

获取所述目标穿戴传感器的当前位姿信息，并基于所述当前位姿信息确定目标穿戴传感器与脉搏波采集部位的相对关系；

基于所述相对关系确定目标调整方向以及目标调整角度；

基于所述目标调整方向以及目标调整角度对所述目标穿戴传感器的当前位姿进行调整，并基于调整结果设定所述目标穿戴传感器的采样率；

基于所述采样率控制所述目标穿戴传感器从所述脉搏波采集部位进行脉搏波信号采集。

优选的，一种用于分析和检测女性生理期的方法，基于调整结果设定所述目标穿戴传感器的采样率，包括：

基于所述目标穿戴传感器获取所述脉搏波采集部位的目标图像，并基于所述目标图像确定用户脉搏波采集部位的光线以及初始肤色；

基于所述光线确定所述脉搏波采集部位周围的光线强度值，并基于所述光线强度值将所述初始肤色对应的肤色区域进行划分，得到N个子肤色区域；

基于所述光线强度对所述N个子肤色区域的初始肤色进行肤色补偿处理，得到所述脉搏波采集部位的目标肤色；

基于所述脉搏波采集部位周围的光线强度值以及脉搏波采集部位的目标肤色调整所述目标穿戴传感器的采集参数，并基于调整结果从所述脉搏波采集部位进行脉搏波信号采集。

优选的，一种用于分析和检测女性生理期的方法，基于所述采样率控制所述目标穿戴传感器从所述脉搏波采集部位进行脉搏波信号采集，包括：

获取基于所述采样率从所述脉搏波采集部位采集到的脉搏波信号散点，并确定所述脉搏波信号散点的幅值以及对应的采集时间，其中，所述脉搏波信号散点不唯一；

基于所述幅值以及采集时间确定所述脉搏波信号散点对应的散点图，并基于所述散点图将各个脉搏波信号散点进行连接并平滑处理，得到所述用户的脉搏波信号波形。

优选的，一种用于分析和检测女性生理期的方法，步骤1中，对所述脉搏波信号进行滤波处理，得到目标脉搏波信号，包括：

获取采集得到的脉搏波信号，并识别所述脉搏波信号的波形曲线；

提取所述波形曲线的波形特征，并基于所述波形特征确定所述脉搏波信号的目标周期；

基于所述波形特征确定所述目标周期内脉搏波信号的起点、终点以及波峰点和波谷点，并基于所述起点、终点以及波峰点和波谷点确定所述脉搏波信号的振动漂移基线；

基于所述振动漂移基线确定所述目标周期内脉搏波信号的波形曲线相对所述振动漂移基线的目标漂移量，并基于所述目标漂移量对所述脉搏波信号的波形曲线进行矫正，得到所述脉搏波信号对应的最终的波形曲线。

优选的，一种用于分析和检测女性生理期的方法，步骤2中，构建深度学习模型，并将所述深度学习模型部署至物联网平台，包括：

构建初始深度学习模型，并确定所述初始深度学习模型的目标损失函数，其中，所述目标损失函数与脉搏波信号的振幅以及振动频率相关；

获取历史训练样本，并将所述历史训练样本输入所述初始深度学习模型，得到所述历史训练样本对应的特征多元组，其中，所述特征多元组中历史训练样本与特征一一对应；

基于所述特征多元组中的特征值，并基于所述特征值确定所述目标损失函数的目标损失函数值；

基于所述目标损失函数值确定所述初始深度学习模型对所述历史训练样本的泛化能力参数以及拟合能力参数，并基于所述泛化能力参数以及拟合能力参数确定对所述初始深度学习模型的目标训练参数；

基于所述目标损失函数值以及所述目标训练参数对所述初始深度学习模型进行迭代训练，并确定每一次迭代训练后的模型统计参数；

将所述模型统计参数与所述目标训练参数进行比较，直至所述初始深度学习模型满足所述目标训练参数，得到深度学习模型；

确定所述深度学习模型的业务属性，并基于所述业务属性确定所述深度学习模型部署所需的目标资源信息；

基于所述目标资源信息从预设物联网平台集群中匹配目标物联网平台，并向所述目标物联网平台发送部署请求，其中，所述部署请求包括深度学习模型需部署的数量以及每个所述深度学习模型所需的内存量；

基于所述部署请求确定所述目标物联网平台的网络结构，并基于所述网络结构对所述深度学习模型进行协同配置，完成将所述深度学习模型部署至物联网平台。

优选的，一种用于分析和检测女性生理期的方法，步骤3中，基于所述物联网平台将所述目标脉搏波信号上传至所述深度学习模型进行分析，得到所述用户的生理期检测结果，包括：

获取对所述脉搏波信号进行滤波处理后得到目标脉搏波信号，并将所述目标脉搏波信号基于所述物联网平台上传至所述深度学习模型；

基于所述深度学习模型对所述脉搏波信号进行分析，确定所述脉搏波信号的连续波动曲线，并确定所述连续波动曲线的波动特征；

基于所述波动特征确定所述用户的个人身体指标参数，并基于所述个人身体指标参数从预设样本特征库中匹配与所述用户个人身体指标参数相匹配的参考脉搏波信号，其中，所述参考脉搏波信号包括生理期以及非生理期对应的脉搏波信号波动曲线，且生理期对应的脉搏波信号波动曲线与非生理期对应的脉搏波信号波动曲线的波动特征存在差别，同时，所述生理期对应的脉搏波信号波动曲线与非生理期对应的脉搏波信号波动曲线分别基于目标标注方式进行标注；

基于所述深度学习模型对所述用户的脉搏波信号与所述参考脉搏波信号进行迭代计算，得到所述脉搏波信号中波动特征转折点；

确定所述用户在所述波动特征转折点的生理参数，并确定所述生理参数与所述个人身体指标参数的差异值，其中，所述个人身体指标参数为非生理期时的生理参数；

构建预测模型，并将所述差异值输入所述预测模型，得到所述用户距离生理期的目标时间长度，同时，确定所述脉搏波信号在波动特征转折点之后的波动强度；

将所述波动强度输入所述预测模型，得到所述用户的生理期持续时长，完成对所述用户生理期的检测和分析。

优选的，一种用于分析和检测女性生理期的方法，完成对所述用户生理期的检测和分析，包括：

获取对所述用户的生理期的检测和分析结果，并将所述检测和分析结果生成对应的目标报告；

确定所述目标报告的字节数，并基于所述字节数确定压缩包的压缩容积，且基于所述压缩容积对所述目标报告进行压缩，得到目标压缩文件；

基于所述物联网平台确定所述用户智能终端的IP地址，并基于所述IP地址确定所述智能终端与所述物联网平台的无线传输频段；

基于所述无线传输频段将所述目标压缩文件传输至所述用户智能终端进行解压显示。

优选的，一种用于分析和检测女性生理期的方法，得到所述脉搏波信号中波动特征转折点，包括：

获取所述波动特征转折点之后的子波动曲线，并确定所述子波动曲线中各离散点的波动幅值；

基于所述波动幅值对所述子波动曲线进行模态转换，得到所述用户在波动特征转折点之后的呼吸波信号；

基于所述呼吸波信号确定所述用户在生理期期间不同时间点的呼吸轻重以及缓慢程度，并基于所述呼吸轻重以及缓慢程度确定所述用户在生理期的疼痛指数；

基于所述物联网平台根据所述疼痛指数对用户进行预提醒操作。

优选的，一种用于分析和检测女性生理期的方法，基于所述深度学习模型对所述用户的脉搏波信号与所述参考脉搏波信号进行迭代计算，包括：

获取所述深度学习模型对所述用户的脉搏波信号与所述参考脉搏波信号进行迭代计算得到的计算结果，并基于所述计算结果确定所述用户在目标时间段内的生理期间隔时长，其中，所述目标时间段至少包括用户的三次生理期对应的时间信息；

计算相邻生理期间隔时长的时间差值，并将所述时间差值与预设阈值进行比较；

若所述时间差值小于或等于所述预设阈值，判定所述用户的生理期规律；

否则，判定所述用户的生理期不规律，并基于所述物联网平台对所述用户发送提醒通知。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种用于分析和检测女性生理期的方法的流程图；

图2为本发明实施例中一种用于分析和检测女性生理期的方法中步骤1中基于目标穿戴传感器采集用户的脉搏波信号的流程图；

图3为本发明实施例中一种用于分析和检测女性生理期的方法中步骤1中对所述脉搏波信号进行滤波处理，得到目标脉搏波信号的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1：

本实施例提供了一种用于分析和检测女性生理期的方法，如图1所示，包括：

步骤1：基于目标穿戴传感器采集用户的脉搏波信号，并对所述脉搏波信号进行滤波处理，得到目标脉搏波信号；

步骤2：构建深度学习模型，并将所述深度学习模型部署至物联网平台；

步骤3：基于所述物联网平台将所述目标脉搏波信号上传至所述深度学习模型进行分析，得到所述用户的生理期检测结果。

该实施例中，目标穿戴传感器指的是用于采集女性脉搏波信号的集成传感器，例如可以是手表、手环等。

该实施例中，脉搏波信号指的是心脏的搏动(振动)沿动脉血管和血流向外周传播而形成的信号波。

该实施例中，对所述脉搏波信号进行滤波处理指的是进行低频漂移量矫正处理,保留更多原始波形的有效信息，从而保证根据脉搏波信号对女性的胜利周期进行准确检测。

该实施例中，深度学习模型是基于Transformer的Encoder-Decoder深度学习架构构建的，具有很强的模型拟合能力,泛化能力强,可以对长时序的PPG信号进行重建,可达到很好的拟合效果。

该实施例中，将所述深度学习模型部署至物联网平台目的是为了将目标穿戴传感器采集用户的脉搏波信号进行处理后通过物联网平台进行分析计算，最终将检测结果推送至用户终端进行显示提醒。

上述技术方案的有益效果是：通过采集用户的脉搏波信号，并通过深度学习模型拟合能力以及泛化性能对脉搏波信号进行分析计算，保障了对长时序的脉搏波信号波形数据进行准确有效的分析，提高了对女性生理期检测的准确性。

实施例2：

在上述实施例1的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，如图2所述，步骤1中，基于目标穿戴传感器采集用户的脉搏波信号，包括：

步骤101：获取所述目标穿戴传感器的当前位姿信息，并基于所述当前位姿信息确定目标穿戴传感器与脉搏波采集部位的相对关系；

步骤102：基于所述相对关系确定目标调整方向以及目标调整角度；

步骤103：基于所述目标调整方向以及目标调整角度对所述目标穿戴传感器的当前位姿进行调整，并基于调整结果设定所述目标穿戴传感器的采样率；

步骤104：基于所述采样率控制所述目标穿戴传感器从所述脉搏波采集部位进行脉搏波信号采集。

该实施例中，当前位姿信息指的是目标穿戴设备在用户穿戴部位的穿戴角度以及与标准穿戴位姿情况下的偏差距离等。

该实施例中，脉搏波采集部位可以是手腕也可以手指或是其他能够采集用户脉搏波信号的身体部位。

该实施例中，相对关系指的是目标穿戴传感器与脉搏波采集部位之间的偏差角度以及相对距离。

该实施例中，目标调整方向指的是目标穿戴传感器需要向脉搏波采集部位进行纠正的方向。

该实施例中，目标调整角度指的是需要纠正的偏差角度值。

该实施例中，采样率指的是通过目标穿戴传感器在单位时间内从脉搏波采集部位采集用户脉搏波离散信号的个数。

上述技术方案的有益效果是：通过确定目标穿戴传感器的当前位姿信息，实现对目标穿戴传感器与脉搏波采集部位的相对位置进行确认，从而实现对目标穿戴传感器的采集位置进行准确有效的调整，同时对目标穿戴传感器的采样率进行设置，保障了对用户脉搏波信号进行准确高效的采集，保障了对女性生理期预期侧准确率。

实施例3：

在上述实施例2的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，基于调整结果设定所述目标穿戴传感器的采样率，包括：

基于所述目标穿戴传感器获取所述脉搏波采集部位的目标图像，并基于所述目标图像确定用户脉搏波采集部位的光线以及初始肤色；

基于所述光线确定所述脉搏波采集部位周围的光线强度值，并基于所述光线强度值将所述初始肤色对应的肤色区域进行划分，得到N个子肤色区域；

基于所述光线强度对所述N个子肤色区域的初始肤色进行肤色补偿处理，得到所述脉搏波采集部位的目标肤色；

基于所述脉搏波采集部位周围的光线强度值以及脉搏波采集部位的目标肤色调整所述目标穿戴传感器的采集参数，并基于调整结果从所述脉搏波采集部位进行脉搏波信号采集。

该实施例中，目标图像指的是通过目标穿戴传感器对脉搏波采集部位进行拍照后得到的图像。

该实施例中，初始肤色指的是用户在当前光线情况下的肤色情况，并不能代表用户真实的肤色情况。

该实施例中，子肤色区域指的是将肤色区域进行划分后得到的多个图像块，因为每个图像块受到的光线强度不同，所以会导致用户脉博波采集部位肤色存在偏差。

该实施例中，肤色补偿处理指的是将初始肤色进行纠正，纠正至与用户实际肤色相一致，减少光线环境对肤色的影响因素。

该实施例中，目标肤色指的是将用户脉搏波采集部位的初始肤色进行补偿或纠正后得到的用户脉搏波采集部位的实际肤色情况。

上述技术方案的有益效果是：通过对用户脉搏波采集部位的光线强度以及初始肤色进行确认，并通过光线强度对初始肤色进行调整，减少肤色以及光线强度对采集用户脉搏波信号的影响，提高了脉搏波信号采集的准确率，为准确检测女性生理期提供了保障。

实施例4：

在上述实施例2的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，基于所述采样率控制所述目标穿戴传感器从所述脉搏波采集部位进行脉搏波信号采集，包括：

获取基于所述采样率从所述脉搏波采集部位采集到的脉搏波信号散点，并确定所述脉搏波信号散点的幅值以及对应的采集时间，其中，所述脉搏波信号散点不唯一；

基于所述幅值以及采集时间确定所述脉搏波信号散点对应的散点图，并基于所述散点图将各个脉搏波信号散点进行连接并平滑处理，得到所述用户的脉搏波信号波形。

该实施例中，脉搏波信号散点指的是脉搏波信号在不同时间点的取值，所有的采集信号均以点的形式在坐标系中进行表示。

该实施例中，散点图指的是不同的脉搏波信号在预设坐标系下的散点分布情况，通过散点图实现对脉搏波波形的确认。

上述技术方案的有益效果是：通过确定采样率对应的不同采样时间点的脉搏波的幅值，实现对脉搏波信号的散点图进行准确分析，通过将散点图中各脉搏波信号的散点进行连接，从而得到用户脉搏波信号的波形，为实现对脉搏波信号进行滤波处理提供了便利，同时保障了对女性生理期预测的准确性。

实施例5：

在上述实施例1的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，如图3所示，步骤1中，对所述脉搏波信号进行滤波处理，得到目标脉搏波信号，包括：

步骤1011：获取采集得到的脉搏波信号，并识别所述脉搏波信号的波形曲线；

步骤1012：提取所述波形曲线的波形特征，并基于所述波形特征确定所述脉搏波信号的目标周期；

步骤1013：基于所述波形特征确定所述目标周期内脉搏波信号的起点、终点以及波峰点和波谷点，并基于所述起点、终点以及波峰点和波谷点确定所述脉搏波信号的振动漂移基线；

步骤1014：基于所述振动漂移基线确定所述目标周期内脉搏波信号的波形曲线相对所述振动漂移基线的目标漂移量，并基于所述目标漂移量对所述脉搏波信号的波形曲线进行矫正，得到所述脉搏波信号对应的最终的波形曲线。

该实施例中，波形曲线指的是脉搏波信号对应的波形形状。

该实施例中，波形特征指的是波形曲线对应的波峰、波谷以及波峰与波谷的转折点等在整个波形曲线中的分布情况。

该实施例中，目标周期指的是脉搏波信号波形曲线呈规律性变化的时间长度，每一目标周期内脉搏波信号的波形曲线的波形特征一致。

该实施例中，振动漂移基线指的是脉搏波信号不受外界干扰因素的影响时，对脉搏波信号对应的波形曲线进行纠正或滤除无关型变量所需的参考线，即为波动曲线的上包络以及下包络。

该实施例中，目标漂移量指的是脉搏波信号受外界干扰因素的影响导致波形曲线发生变形与振动漂移基线相差的程度。

该实施例中，对所述脉搏波信号的波形曲线进行矫正指的是对脉搏波信号的形变区域进行矫正，将变形程度降低。

该实施例中，基于所述起点、终点以及波峰点和波谷点确定所述脉搏波信号的振动漂移基线，包括：

获取所述脉搏波信号的波形曲线，并将所述波形曲线放置于预设坐标系；

基于所述预设坐标系确定相邻波峰以及相邻波谷采样点的坐标值，基于所述相邻波峰以及相邻波谷采样点的坐标值计算所述脉搏波信号的波形曲线的振动漂移基线，并基于所述振动漂移基线计算所述脉搏波信号的最终的波形曲线，具体步骤包括：

根据如下公式计算所述波形曲线的振动漂移基线：

其中，Y

基于所述振动漂移基线Y

其中，G

基于所述脉搏波信号的最终的波形曲线对当前用户的生理期进行分析和检测。

上述振动漂移基线即为脉搏波信号的波形曲线的上包络以及下包络。

上述技术方案的有益效果是：通过对脉搏波信号的周期进行判断，实现在周期内确定脉搏波信号波形曲线的起点、终点、波峰点以及波谷点的准确分析，从而便于准确确定波形曲线的振动漂移基线，便于根据振动漂移基线对脉搏波信号的波形曲线中的低频漂移量进行矫正，从而保障了根据脉搏波信号对女生生理期检测的准确性。

实施例6：

在上述实施例1的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，步骤2中，构建深度学习模型，并将所述深度学习模型部署至物联网平台，包括：

构建初始深度学习模型，并确定所述初始深度学习模型的目标损失函数，其中，所述目标损失函数与脉搏波信号的振幅以及振动频率相关；

获取历史训练样本，并将所述历史训练样本输入所述初始深度学习模型，得到所述历史训练样本对应的特征多元组，其中，所述特征多元组中历史训练样本与特征一一对应；

基于所述特征多元组中的特征值，并基于所述特征值确定所述目标损失函数的目标损失函数值；

基于所述目标损失函数值确定所述初始深度学习模型对所述历史训练样本的泛化能力参数以及拟合能力参数，并基于所述泛化能力参数以及拟合能力参数确定对所述初始深度学习模型的目标训练参数；

基于所述目标损失函数值以及所述目标训练参数对所述初始深度学习模型进行迭代训练，并确定每一次迭代训练后的模型统计参数；

将所述模型统计参数与所述目标训练参数进行比较，直至所述初始深度学习模型满足所述目标训练参数，得到深度学习模型；

确定所述深度学习模型的业务属性，并基于所述业务属性确定所述深度学习模型部署所需的目标资源信息；

基于所述目标资源信息从预设物联网平台集群中匹配目标物联网平台，并向所述目标物联网平台发送部署请求，其中，所述部署请求包括深度学习模型需部署的数量以及每个所述深度学习模型所需的内存量；

基于所述部署请求确定所述目标物联网平台的网络结构，并基于所述网络结构对所述深度学习模型进行协同配置，完成将所述深度学习模型部署至物联网平台。

该实施例中，初始深度学习模型指的是根据模型构建经验构建的深度学习模型，并未对该模型中的参数进行针对性的训练。

该实施例中，目标损失函数指的是用来表征初始深度学习模型处理脉搏波信号时，存在的误差程度。

该实施例中，历史训练样本指的是多组已知生理期和非生理期对应的脉搏波信号，通过历史训练样本对初始深度学习模型中的模型参数进行训练调整。

该实施例中，特征多元组指的是不同历史训练样本对应的脉搏波信号的特征，所有所述历史训练样本的特征的集合即为特征多元组。

该实施例中，特征值指的是不同历史训练样本的特征的具体取值情况。

该实施例中，目标损失函数值指的是目标损失函数在对历史训练样本进行处理时，处理得到的特征值与理论值之间的差值，通过该差值即可确定初始深度学习模型对脉搏波信号处理能力以及需要进行优化的具体参数以及对应的优化数值。

该实施例中，泛化能力参数指的是初始深度学习模型在识别历史训练样本存在的规律之外，对不在规律内的样本的识别或处理能力。

该实施例中，拟合能力参数指的是初始深度学习模型根据所有不同时间点的脉搏波离散点的确定脉搏波信号波形的能力。

该实施例中，目标训练参数指的是需要将初始深度学习模型中的模型参数进行训练种类以及在训练后需要达到的具体数值。

该实施例中，模型统计参数指的是在对初始深度学习模型进行迭代训练时，每次训练结束时对应的模型参数。

该实施例中，业务属性指的是深度学习模型处理数据的种类。

该实施例中，目标资源信息指的是深度学习模型在部署过程中需要调用的其他数据资源，以保证深度学习模型能够正常运行。

该实施例中，预设物联网平台集群是提前设定好的，内部包含多种不同的物联网技术平台。

该实施例中，目标物联网平台指的是能够部署深度学习模型的平台，是预设物联网平台集群中的一种。

该实施例中，协同配置指的是根据目标物联网平台的网络结构以及功能属性对深度学习模型在部署过程中同步进行参数更新或适配，以便完成对深度学习模型的部署。

上述技术方案的有益效果是：通过构建深度学习模型，并根据历史训练样本对深度模型中的模型参数进行训练以及优化，确保深度学习模型对脉搏波信号的处理能力以及处理准确率，同时将训练好的深度学习模型部署至物联网平台，实现通过物联网平台将深度学习模型与目标穿戴设备进行胡同，便于直接将采集到的脉搏波信号输入至深度学习模型进行分析检测，提高了分析检测的效率以及准确率，为用户提供准确的检测数据。

实施例7：

在上述实施例1的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，步骤3中，基于所述物联网平台将所述目标脉搏波信号上传至所述深度学习模型进行分析，得到所述用户的生理期检测结果，包括：

获取对所述脉搏波信号进行滤波处理后得到目标脉搏波信号，并将所述目标脉搏波信号基于所述物联网平台上传至所述深度学习模型；

基于所述深度学习模型对所述脉搏波信号进行分析，确定所述脉搏波信号的连续波动曲线，并确定所述连续波动曲线的波动特征；

基于所述波动特征确定所述用户的个人身体指标参数，并基于所述个人身体指标参数从预设样本特征库中匹配与所述用户个人身体指标参数相匹配的参考脉搏波信号，其中，所述参考脉搏波信号包括生理期以及非生理期对应的脉搏波信号波动曲线，且生理期对应的脉搏波信号波动曲线与非生理期对应的脉搏波信号波动曲线的波动特征存在差别，同时，所述生理期对应的脉搏波信号波动曲线与非生理期对应的脉搏波信号波动曲线分别基于目标标注方式进行标注；

基于所述深度学习模型对所述用户的脉搏波信号与所述参考脉搏波信号进行迭代计算，得到所述脉搏波信号中波动特征转折点；

确定所述用户在所述波动特征转折点的生理参数，并确定所述生理参数与所述个人身体指标参数的差异值，其中，所述个人身体指标参数为非生理期时的生理参数；

构建预测模型，并将所述差异值输入所述预测模型，得到所述用户距离生理期的目标时间长度，同时，确定所述脉搏波信号在波动特征转折点之后的波动强度；

将所述波动强度输入所述预测模型，得到所述用户的生理期持续时长，完成对所述用户生理期的检测和分析。

该实施例中，波动特征指的是毛伯伯信号的连续波动曲线中，曲线的波动幅值、波动频率以及脉搏波信号的周期等。

该实施例中，个人身体指标参数指的是用户个人与生理期预测相关的身体指标，包括体温、血压等。

该实施例中，预设样本特征库是提前设定好的，内部存储有不同身体指标参数对应的生理期以及非生理期对应的脉搏波信号。

该实施例中，参考脉搏波信号指的是与用户个人身体指标参数相匹配的生理期以及非生理期对应的标准脉搏波信号。

该实施例中，目标标注方式是提前设定好的，用于区分生理期和非生理期对应额脉搏波信号。

该实施例中，波动特征转折点指的是用户脉搏波信号明显发生波动变化的采样点。

该实施例中，生理参数指的是用户在脉搏波信号发生变化后，用户的脉搏跳动频率以及脉搏跳动的强度、体温等。

该实施例中，目标时间长度指的是用户距离生理期来临的时间间隔。

上述技术方案的有益效果是：通过将用户的脉搏波信号输入深度学习模型进行分析检测，实现对用户生理期来临的时间点进行准确预测，同时根据用户在生理期的脉搏波信号的振动强度实现对用户生理期持续时长进行有效分析，确保为用户提供准确可靠的检测结果，便于提醒用户提前做好准备。

实施例8：

在上述实施例7的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，完成对所述用户生理期的检测和分析，包括：

获取对所述用户的生理期的检测和分析结果，并将所述检测和分析结果生成对应的目标报告；

确定所述目标报告的字节数，并基于所述字节数确定压缩包的压缩容积，且基于所述压缩容积对所述目标报告进行压缩，得到目标压缩文件；

基于所述物联网平台确定所述用户智能终端的IP地址，并基于所述IP地址确定所述智能终端与所述物联网平台的无线传输频段；

基于所述无线传输频段将所述目标压缩文件传输至所述用户智能终端进行解压显示。

该实施例中，目标报告指的是将对用户生理期的分析和检测结果生成对应的记录报告，便于将记录报告传输至用户的智能终端进行提醒。

该实施例中，压缩容积指的是压缩目标报告所需要的压缩包的容量，便于将目标报告进行有效压缩且不浪费压缩空间。

该实施例中，目标压缩文件指的是将目标报告进行压缩后得到的压缩包。

该实施例中，无线传输频段指的是适用于物联网平台与用户智能终端之间传输波段，实现将目标报告准确传输至用户的智能终端。

上述技术方案的有益效果是：通过将用户的分析和检测结果生成对应目标报告并进行压缩处理后传输至用户的智能终端，便于用户及时直观了当的查看检测结果，便于用于对自身的生理期进行提前了解，从而便于用户提前做好相应准备。

实施例9：

在上述实施例7的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，得到所述脉搏波信号中波动特征转折点，包括：

获取所述波动特征转折点之后的子波动曲线，并确定所述子波动曲线中各离散点的波动幅值；

基于所述波动幅值对所述子波动曲线进行模态转换，得到所述用户在波动特征转折点之后的呼吸波信号；

基于所述呼吸波信号确定所述用户在生理期期间不同时间点的呼吸轻重以及缓慢程度，并基于所述呼吸轻重以及缓慢程度确定所述用户在生理期的疼痛指数；

基于所述物联网平台根据所述疼痛指数对用户进行预提醒操作。

该实施例中，子波动曲线指的是用户在生理期时，脉搏波信号对应的波动曲线。

该实施例中，模态转换指的是将用户的脉搏波信号转换为用户的呼吸波信号，便于对用户在生理期的疼痛指数进行评估。

该实施例中，疼痛指数是用来衡量用户在生理期遭受的疼痛强度，疼痛指数越大，表明疼痛感越强，反之，疼痛感则较弱。

该实施例中，预提醒操作指的是提前对用户进行通知提醒。

上述技术方案的有益效果是：通过根据用户在生理期脉搏波信号的波动强度实现对用户在生理期的疼痛指数进行有效评估，便于用户及时了解生理期的疼痛感，提高了对用户生理期检测和分析的实用性，确保了对用户生理期各个方面进行检测的全面性。

实施例10：

在上述实施例7的基础上，本实施例提供了一种用于分析和检测女性生理期的方法，基于所述深度学习模型对所述用户的脉搏波信号与所述参考脉搏波信号进行迭代计算，包括：

获取所述深度学习模型对所述用户的脉搏波信号与所述参考脉搏波信号进行迭代计算得到的计算结果，并基于所述计算结果确定所述用户在目标时间段内的生理期间隔时长，其中，所述目标时间段至少包括用户的三次生理期对应的时间信息；

计算相邻生理期间隔时长的时间差值，并将所述时间差值与预设阈值进行比较；

若所述时间差值小于或等于所述预设阈值，判定所述用户的生理期规律；

否则，判定所述用户的生理期不规律，并基于所述物联网平台对所述用户发送提醒通知。

该实施例中，目标时间段是提前设定好的，例如可以是三个月或是半年等。

该实施例中，预设阈值是提前设定好的，用于衡量相邻生理期间隔是否超过设定的数值。

上述技术方案的有益效果是：通过对用户的生理期间隔时长进行分析，实现对用户在目标时间段内的生理期的规律性进行分析，便于用户及时了解在目标时间段内的生理期规律情况，提高了生理期分析和检测的全面性以及严谨性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。