新时代下,随着人民群众健康管理意识的不断增强和对健康生活的向往,以及人口老龄化、慢病和亚健康人群占比的增加,使我国面临着严峻的健康挑战。为此,习近平总书记在2017年10月18日十九大报告中提出了健康中国的发展战略,为大健康理念在中国的实践提供了重要保障。随着健康中国战略的推进,健康管理工作的重点已经慢慢转向全民健康管理、疾病预先防范方向转变,但健康服务供给总体不足与需求不断增长之间的矛盾依然突出,健康医疗资源分配不均的现状依然存在,并将长期保持。因此,借助科技的手段来进行大健康服务管理,促进健康公平,是健康服务事业必然选择。大科技的手段也必然会促进大健康的发展。二十一世纪,随着互联网的发展,促进了健康医疗全面信息化的进程,特别是本世纪第二个十年,大数据、人工智能、物联网等新兴技术的崛起,为大健康服务提供了全新的途径,在优化大健康管理服务过程中发挥了重要作用,促进了大健康服务向着精细化、数字化、智能化、科学化方向转变,使全方位、全周期保障人民群众健康成为了可能。2019年6月18日,《广东省人工智能大健康管理蓝皮书》发布,全国首个人工智能大健康管理平台正式上线,意味着智慧大健康的时代已经到来。智慧大健康面对的不是患者,而是庞大的健康人群,通过人工智能大数据分析个体的健康状况,为个体的健康提供精准的健康管理,提高个体的健康管理意识,同时也为经济社会创造巨大的价值。本文以大健康为背景,在分析国内外大健康智能服务研究现状和发展趋势之上,紧紧围绕大健康服务平台和健康数据两个研究对象,展开大健康的智能化分析的基础性研究,促进人工智能等新兴技术与大健康的深度融合。具体研究内容如下:1.为了克服当前健康数据整个相关研究存在较严重的检索响应延迟高、准确性差等问题,提出了基于混合云雾计算的大健康信息资源整合架构,基于健康信息服务平台的一般模式,利用云雾架构思路构建大健康信息资源整合架构。同时,通过样本规约和维规约对大健康信息数据进行规约,优化了资源空间。利用字段匹配法对数据资源进行清洗,并利用匹配度判断是否为冗余的待匹配字段。根据混合云雾计算获取的数据资源权重值对大健康信息数据排列,以此来实现大健康数据信息的分类整合。通过仿真实验对所提方法的性能进行了分析,结果表明该方法运行性能良好,数据冗余率低,检索响应延迟低、分类整合准确率高,具有可行性。2.针对大健康服务系统中健康数据流动态负载不均衡问题,传统方法处理能力只局限于某算子所处节点可处理的窗口范围,在数据量逐渐增加的状态下处理能力显得明显不足,容易出现数据流拥塞的情况,而且忽略了整体性的负载分布和动态负载均衡中迁移决策研究。为此,提出一种新的符合大健康系统中并行计算环境的健康数据流动态负载均衡方法。利用元组key的Hash值得到节点相应数据块,利用数据块记录获取响应的目标节点,将数据元组输出。同时将并行计算熵扩展至异构集群,并对其进行求解。将其作为健康数据流负载均衡度的衡量指标,对是否需要进行负载迁移进行判断,确定迁移任务的方式和迁移量,从而制定迁移决策。经仿真实验验证该方法可行性高,计算性能及动态负载均衡性好。3.针对现有的健康体征数据(比如:心电、脑电、脉搏等)基线解算方法存在的先验化、参数整定难等问题以及原始数据中计算随机化等特点,提出了带权矩阵回归算法,根据不同正则化参数下的相应的体征信号截止频率进行分析,结合相应体征数据的基线频率的范围,确定了正则化参数值,达到了有效、快捷地解算出相应体征数据所含漂移基线的效果,同时也保留了有效的原始性周期信号。最后,通过对PPG信号和仿真的模拟信号进行实验,结果表明,时域中的信号漂移和频域中的漂移基线项分离效果明显。4.针对疾病和健康状态下姿势改变过程中生理控制系统多个健康变量(血压、心率、呼吸等)之间相互作用的分析问题,提出了将生理控制模型与切换线性动力学相结合的方法——P-SLD模型,模型中使用改进的半监督机器学习的EM算法求解潜在的切换变量后验概率估计以及模型参数的最大似然集。在EM算法改进中,主要在最大似然函数中引入惩罚最小二乘因子,同时引入非负约束作为先验信息,结合半监督机器学习方法,最后将改进问题转化为最小化求解问题。最后,选取了ICU患者的平均动脉压和心率的非稳态健康数据序列和健康人不同姿态(仰卧、非仰卧)下血压和心率的非稳态健康数据序列进行了实验,对P-SLD模型中传递函数和功率谱分析,验证了该模型可以用来揭示与严重全身反应综合征(SIRS)相关联的变化,同时也验证了改模型可以自动捕获姿势改变对压力反射增益的影响,为健康和疾病条件下生理控制的自动调节的分解提供了假说。5.针对一维健康体征时序数据具有时变性、非线性、非平稳性等特点以及现有的单一和混合预测模型均存在预测精度和难以描述其复杂变化规律问题,提出了一种利用深度强化学习方法对健康体征时序数据进行预测的模型,同时将SARAS学习方法引入到算法中,有效地提高了模型的稳定性、有效性和准确性,通过历史血压数据实验验证表明,该模型提高了预测模型的准确性、稳定性和收敛速度,能够充分表达一维健康体征时序数据的趋势。