CN111627564B - 用户检测模型的训练及检测方法、装置、设备和存储介质 - Google Patents
用户检测模型的训练及检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111627564B CN111627564B CN202010451450.8A CN202010451450A CN111627564B CN 111627564 B CN111627564 B CN 111627564B CN 202010451450 A CN202010451450 A CN 202010451450A CN 111627564 B CN111627564 B CN 111627564B
- Authority
- CN
- China
- Prior art keywords
- user
- person
- sample
- infected
- elevator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 155
- 238000012549 training Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 55
- 244000052769 pathogen Species 0.000 claims abstract description 98
- 230000001717 pathogenic effect Effects 0.000 claims abstract description 76
- 230000008859 change Effects 0.000 claims abstract description 35
- 208000015181 infectious disease Diseases 0.000 claims description 51
- 230000015654 memory Effects 0.000 claims description 35
- 230000036760 body temperature Effects 0.000 claims description 31
- 230000002458 infectious effect Effects 0.000 claims description 25
- 230000006806 disease prevention Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000005180 public health Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 208000035473 Communicable disease Diseases 0.000 description 36
- 230000000875 corresponding effect Effects 0.000 description 18
- 239000012678 infectious agent Substances 0.000 description 16
- 206010011224 Cough Diseases 0.000 description 8
- 230000036387 respiratory rate Effects 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 206010037660 Pyrexia Diseases 0.000 description 4
- 230000001121 heart beat frequency Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 208000001490 Dengue Diseases 0.000 description 1
- 206010012310 Dengue fever Diseases 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 206010061192 Haemorrhagic fever Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 201000005505 Measles Diseases 0.000 description 1
- 208000036071 Rhinorrhea Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- 208000033809 Suppuration Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 208000025729 dengue disease Diseases 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Elevator Control (AREA)
Abstract
本发明公开了一种用户检测模型的训练及检测方法、装置、设备和存储介质,其中,用户检测模型的训练方法,包括:确定具有传染性的病原体;在样本用户搭乘电梯时,检测样本用户的生理数据;根据生理数据确定一个或多个样本用户初始的属性为感染者,感染者为被病原体感染的样本用户;预测在结束搭乘电梯时、样本用户的属性变化之后的人数,属性包括易感者、潜伏者、感染者和康复者;以样本用户的属性和人数作为样本,训练样本用户检测模型。通过不涉及样本用户隐私的生理数据的采集,实现了对结束搭乘电梯时的样本用户的中可能存在的感染者和潜伏者的及时发现。
Description
技术领域
本发明实施例涉及电梯公共安全技术,尤其涉及一种用户检测模型的训练及检测方法、 装置、设备和存储介质。
背景技术
在传染病预防控制中,需要尽早的发现感染者和与感染者接触的潜伏者,并公示感染者 活动轨迹,进而切断传播途径。
在现有的传染病预防控制中感染者和潜伏者的发现,主要依靠自我排查,或者通过在社 区、公司、学校等公共场所开展人工排查,对人员进行检测和记录的方式。
通过这种方式排查感染者和潜伏者,不仅需要耗费大量的时间,而且排除的时间滞后性 强,不利于对感染者和潜伏者的及时发现和控制。
发明内容
本发明提供一种用户检测模型的训练及检测方法、装置、设备和存储介质,通过不涉及 隐私性的采集方式,实现对结束搭乘电梯时用户中的感染者和潜伏者的预测,和传染病的及 时发现。
第一方面,本发明实施例提供了一种用户检测模型的训练方法,包括:
确定具有传染性的病原体;
在样本用户搭乘电梯时,检测所述样本用户的生理数据;
根据所述生理数据确定一个或多个样本用户初始的属性为感染者,所述感染者为被所述 病原体感染的样本用户;
预测在结束搭乘所述电梯时、所述样本用户的所述属性变化之后的人数,所述属性包括 易感者、潜伏者、所述感染者和康复者,其中,所述易感者可在所述电梯内被所述感染者传 染、转变为所述潜伏者,所述潜伏者在所述生理数据变化时转变为所述感染者,所述感染者康复之后转变为所述康复者;
以所述样本用户的所述属性和人数作为样本,训练样本用户检测模型。
在此基础上,所述确定具有传染性的病原体,包括:
确定样本用户检测模型所针对的具有传染性的病原体;
从疾病防控中心或者公共卫生部门的网页或服务器获取所述病原体的特征信息,所述特 征信息包括所述样本用户的属性中易感者转变为所述潜伏者的概率、所述潜伏者转变为所述 感染者的概率和所述感染者康复的概率。
所述在样本用户搭乘电梯时,检测所述样本用户的生理数据,包括:
响应所述电梯的召梯指令,所述电梯中配置有红外测温仪;
调用所述红外测温仪采集所述样本用户的体温,作为生理数据。
在所述根据所述生理数据确定一个或多个样本用户初始的属性为感染者,包括:
将所述样本用户的所述生理数据与预设范围进行比较;
若所述样本用户的所述生理数据在所述预设范围内,则确定所述样本用户的所述属性不 属于所述感染者;
若所述样本用户的所述生理数据不在所述预设范围内,则确定所述样本用户的所述属性 属于所述感染者。
所述预测在结束搭乘所述电梯时、所述样本用户的属性变化之后的人数,包括:
统计搭乘所述电梯时所述样本用户的数量、所述属性为所述感染者的数量;
将搭乘所述电梯时所述样本用户的数量减去所述属性为所述感染者的数量,获得所述样 本用户中所述属性为所述易感者的数量;
将搭乘所述电梯时的所述样本用户的数量减1、所述易感者转变为所述潜伏者的概率、 所述样本用户中所述感染者的数量、所述样本用户中所述易感者在所述样本用户中的占比相 乘,获得结束搭乘所述电梯时、所述样本用户的所述属性变化之后所述潜伏者的人数。
所述以所述样本用户的所述属性和所述人数作为样本,训练样本用户检测模型,包括:
以结束搭乘所述电梯时、所述样本用户的所述属性变化之后的人数作为双向长短期记忆 网络的细胞状态,以初始的所述属性为所述感染者的所述样本用户的人数作为所述双向长短 期记忆网络的输入,训练基于所述双向长短期记忆网络的样本用户检测模型。
第二方面,本发明实施例还提供了一种用户检测方法,包括:
在目标用户搭乘电梯时,检测所述目标用户的生理数据;
根据所述生理数据确定一个或多个目标用户的属性为感染者,所述感染者为被病原体感 染的目标用户;
将所述感染者的人数输入用户检测模型中,以预测所述目标用户在结束搭乘所述电梯后 的属性,所述属性包括易感者、感染者、潜伏者和康复者,其中,所述易感者可在所述电梯 被所述感染者传染、转变为所述潜伏者,所述潜伏者在所述生理数据变化时转变为所述感染者,所述感染者康复之后转变为所述康复者。
在此基础上,在所述将所述感染者输入用户检测模型中之前,还包括:
采集所述目标用户中所述感染者所感染的具有传染性的病原体;
获取用于所述病原体的用户检测模型。
在所述将所述感染者输入用户检测模型中之前,还包括:
采集连续的多趟电梯的所述感染者的人数;
计算采集到的所述感染者的人数的第一增长率;
若所述第一增长率为正,则执行所述将所述感染者输入所述病原体对应的用户检测模型 中;
若所述第一增长率为零或为负,则返回执行所述在目标用户搭乘电梯时,检测所述目标 用户的生理数据。
在所述将所述感染者的人数输入所述病原体对应的用户检测模型中,以预测所述目标用 户在结束搭乘所述电梯后的属性之后,还包括:
获取所述目标用户的身份标识;
将所述目标用户的所述属性与所述目标用户的所述身份标识相互关联;
获取确诊者的所述身份标识,所述确诊者为被确诊感染所述病原体的所述目标用户;
输出与所述确诊者搭乘同一趟所述电梯的所述目标用户的所述身份标识,和所述目标用 户结束搭乘所述电梯时的所述属性。
在所述将所述感染者输入所述病原体对应的用户检测模型中,以预测所述目标用户在结 束搭乘所述电梯后的属性之后,还包括:
统计所述属性为所述感染者和所述潜伏者的所述目标用户的人数;
计算所述感染者和所述潜伏者的人数的第二增长率;
将所述第二增长率与预设的阈值比较;
若所述第二增长率大于或等于所述阈值,则触发报警操作;
若所述第二增长率小于所述阈值,则返回执行所述在目标用户搭乘电梯时,检测所述目 标用户的生理数据。
第三方面,本发明实施例还提供了一种用户检测模型的训练装置,包括:
确定模块,用于确定具有传染性的病原体;
第一检测模块,用于在样本用户搭乘电梯时,检测所述样本用户的生理数据;
第一判断模块,用于根据所述生理数据确定一个或多个样本用户初始的属性为感染者, 所述感染者为被所述病原体感染的样本用户;
第一预测模块,用于预测在结束搭乘所述电梯时、所述样本用户的所述属性变化之后的 人数;
模型训练模块,用于以所述样本用户的所述属性和人数作为样本,训练样本用户检测模 型。
第四方面,本发明实施例还提供了一种用户检测装置,包括:
第二检测模块,用于在目标用户搭乘电梯时,检测所述目标用户的生理数据;
第二判断模块,用于根据所述生理数据确定一个或多个目标用户的属性为感染者,所述 感染者为被病原体感染的目标用户;
第二预测模块,用于将所述感染者输入用户检测模型中,以预测所述目标用户在结束搭 乘所述电梯后的属性。
第五方面,本发明实施例还提供了一种传染病防控设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现 如上所述的用户检测模型的训练方法,或者,实现如上所述的用户检测方法。
第六方面,本发明实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处 理器执行时实现如上所述的用户检测模型的训练方法,或者,实现如上所述的用户检测方法。
本发明实施例中通过在用户搭乘电梯时采集用户的生理数据,确定用户中符合要求的感 染者,预测在结束搭乘电梯时用户的属性变化之后的人数,以用户的属性和人数作为样本, 训练用户检测模型。与现有技术相比,由于电梯作为生活、工作区域的必经路径,所有的用户需要通过电梯外出或返回,将电梯的搭乘者作为生活、工作区域的人群的抽查使用,避免 了现有技术中通过人工排查所带来的人员占用和大量的采集工作。并且,在本发明实施例中 所采集的是用户的体温信息、心跳信息、呼吸频率或咳嗽信息等生理数据,并不涉及到用户 的身份信息等隐私信息,相对于现有技术中对用户采用的身份和采集数据对应登记的方式更具隐私性。
在本发明提供的一种用户检测模型的训练方法中利用搭乘电梯的用户的生理数据训练 用户检测模型,实现了对在结束搭乘电梯时、样本用户的属性变化之后的人数预测。
在本发明提供的一种用户检测方法中,通过在目标用户搭乘电梯时采集并不涉及隐私的 生理数据预测在结束搭乘电梯时、目标用户的属性变化之后的属性和人数,实现了对结束搭 乘电梯时的样本用户的中可能存在的感染者和潜伏者的及时发现,进而实现对传染病的及时发现。
附图说明
图1是本发明实施例一中的用户检测模型的训练方法的流程图;
图2是本发明实施例二中的用户检测模型的训练方法的流程图;
图3是本发明实施例三中的用户检测方法的流程图;
图4是本发明实施例四中的用户检测方法的流程图。
图5是本发明实施例五中的用户检测模型的训练装置的结构图。
图6是本发明实施例六中的用户检测装置的结构图。
图7是本发明实施例七中的电子设备的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具 体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述, 附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的用户检测模型的训练方法的流程图,本实施例可适用于通 过采集电梯内用户的生理数据,预测在结束搭乘电梯时,用户的属性变化的情况,该方法可 以由用户检测模型的训练装置来执行,该用户检测模型的训练装置可以由硬件和/或软件实 现,具体包括如下步骤:
步骤S110、确定具有传染性的病原体。
病原体是指可造成人或动植物感染疾病的微生物(包括细菌、病毒、立克次氏体、真菌)、 寄生虫或其他媒介(微生物重组体包括杂交体或突变体)。而传染病是一种可以从一个人或 其他物种,经过各种途径传染给另一个人或物种的感染病。传染病的特点是具有病原体、传 染性和流行性,感染后常有免疫性。传染病的预防应采取以切断主要传播环节为主导的综合 措施。传染病的传播和流行必须具备3个环节,即传染源(能排出病原体的人或动物)、传 播途径(病原体传染他人的途径)及易感人群(对该种传染病无免疫力者)。若能完全切断其中的一个环节,即可防止该种传染病的发生和流行。
而不同的传染病的病原体并不相同,相应的不同的病原体的传染性也不同,因此,在本 实施例中,首先需要确定具有传染性的病原体。即确定样本用户所感染的传染病的病原体类 型,以便于有针对性的训练与病原体对应的用户检测模型。
具体的,在本实施例中,具有传染性的病原体可以是:出血热、登革热、麻疹、流感、新型冠状病毒等具有传染性的疾病的病原体。
步骤S120、在样本用户搭乘电梯时,检测样本用户的生理数据。
在本实施例中,样本用户的生理数据的检测指的是,通过在电梯内安装生理数据采集装 置等手段,采集样本用户的生理数据。
而在人群感染传染病时,常常伴有例如:发烧、发炎反应、流鼻涕、咳嗽、化脓等情况。 此时可通过采集样本用户的生理数据初步确定样本用户是否感染病原体。
具体的,例如通过安装红外测温仪检测样本用户的体温信息;或者,安装红外摄像头或 高清摄像头,获取样本用户的脉搏信息,即心跳信息;再或者,安装声音采集装置,对样本 用户的声音进行采集,利用样本用户的声音,通过对声音的分析获知样本用户的呼吸频率或 咳嗽信息。
进一步的,在本实施例中,生理数据可以是样本用户的体温信息、呼吸频率、心跳速率 或声音信息。
在本实施例中,通过电梯仅采集样本用户的生理数据,并不涉及到样本用户的身份信息, 也就是说并不涉及样本用户的个人信息与隐私,同样也不会造成样本用户的信息泄露。
步骤S130、根据生理数据确定一个或多个样本用户初始的属性为感染者,感染者为被病 原体感染的样本用户。
步骤S140、预测在结束搭乘电梯时、样本用户的属性变化之后的人数,属性包括易感者、 潜伏者、感染者和康复者,其中,易感者可在电梯内被感染者传染、转变为潜伏者,潜伏者 在生理数据变化时转变为感染者,感染者康复之后转变为康复者。
确定样本用户的初始的属性,可通过将电梯内采集到的样本用户的生理数据与正常用户 的生理数据进行对比,确定生理数据与正常用户的生理数据是否相符,若样本用户的生理数 据与正常用户的生理数据不符,则该样本用户被定义为被病原体感染的样本用户,并将该样本用户的初始的属性设定为感染者。
在实施例中,使用疾病传染模型(SEIR模型)预测在结束搭乘电梯时、样本用户的属性 变化之后的人数。SEIR模型属于传染病的基本数学模型,用于研究传染病的传播速度、空间 范围、传播途径、动力学机理等问题,以指导对传染病的有效地预防和控制。在SEIR模型 中把传染病流行范围内的人群分成如下几类:
1、S类,易感者(Susceptible),使用S表示其人数,指未被病原体感染的人,但缺乏免疫能力,与感染者接触后有β的概率会受到感染;
2、E类,潜伏者(Exposed),使用E表示其人数,指接触过感染者,但暂无能力传染给其他人的人,且有α的概率会最终转变为I类成员;
3、I类,感染者(Infectious),使用I表示其人数,指感染传染性病原体的人,可以传 播给S类成员,将其变为S类或I类成员;
4、R类,康复者(Recovered),使用R表示其人数,指被隔离或因病愈而具有免疫力的 人,有γ的概率会被隔离或病愈。
传染病流行范围内的人群的总数N为S类、E类、I类、R类成员的总和,即人群总数与S类、E类、I类、R类成员存在以下关系:
N=S+E+I+R (1)
假设每天有感染者在活动,每个感染者会碰到r个人,有β的概率会传染疾病,健康人 比例为S/N,S类、E类、I类、R类成员的人数变化存在如下微分方程的关系:
进一步的,S类、E类、I类、R类成员的人数变化存在以下关系:
Sn=Sn-1-rβIn-1Sn-1/N (6)
En=En-1+rβIn-1Sn-1/N-αEn-1 (7)
In=In-1+αEn-1-γIn-1 (8)
Rn=Rn-1+γIn-1 (9)
其中Sn代表易感者的人数,Sn-1代表前一时刻的易感者人数;En代表潜伏者的人数,En-1代表前一时刻的潜伏者人数;In代表潜伏者的人数,In-1代表前一时刻的潜伏者人数。
在发明实施例中,由于感染传染病的人群普遍具有发热现象,因此,可采用体温信息作 为本实施例中的生理数据,将采集到的样本用户体温信息与正常样本用户的体温信息进行对 比,若样本用户的体温信息超过预设的范围值,即代表该样本用户属于发热用户,该样本用户可能感染了该传染病。
当感染传染病的人群普遍具有呼吸频率急促现象时,可采用呼吸频率作为本实施例中的 生理数据,将采集到的样本用户呼吸频率与正常样本用户的呼吸频率进行对比,若样本用户 的呼吸频率超过预设的范围值,即代表该样本用户可能感染了该传染病。
当感染传染病的人群普遍具有心跳加速现象时,可采用心跳频率作为本实施例中的生理 数据,将采集到的样本用户心跳频率与正常样本用户的心跳频率进行对比,若样本用户的心 跳频率超过预设的范围值,即代表该样本用户可能感染了该传染病。
当感染传染病的人群普遍具有咳嗽现象时,可采用样本用户的声音信息作为本实施例中 的生理数据,对采集到的声音信息进行提取,获知在样本用户中咳嗽的人数,以及咳嗽的频 次。若样本用户的声音信息包括咳嗽声音,并且咳嗽的频次超过预设的范围值,即代表该样本用户可能感染了该传染病。
具体可结合实际情况选用哪种类型的生理数据作为样本用户的是否感染传染病的特征 信息。还可以是同时通过多种生理数据综合采集判断样本用户是否感染传染病。
在本发明实施例中,在同一趟电梯内存在有感染者时,该趟电梯内作为易感者的未感染 的样本用户将接触到感染了病原体的样本用户,即接触到作为感染者的样本用户。而易感者 在接触到感染者后将有可能被感染者所附带的病原体所感染,进而转变为潜伏者。样本用户在转变为潜伏者一定时间后,具有一定的几率最终转变为感染者,而感染者在被治愈后将转 变为康复者。
因此,在本实施例中,可通过样本用户中的感染者的数量、易感者转变为潜伏者的概率 和样本用户中的易感者在样本用户中的占比计算得到有多少样本用户将由易感者转变为潜 伏者,在一段时间后有多少潜伏者将转变为感染者。
步骤S150、以样本用户的属性和人数作为样本,训练样本用户检测模型。
将样本用户的初始属性(易感者、潜伏者、感染者和康复者)和初始人数作为输入,将 样本用户在结束搭乘电梯时、样本用户的属性变化之后的属性和人数作为输出对样本用户检 测模型进行训练,以获得符合要求的样本用户检测模型。
样本用户检测模型的训练方式可以是通过机器学习的方式训练,也可以是通过深度学习 的方式训练。
在一个具体的示例中,可以使用双向长短期记忆网络BiLSTM(Bi-directionalLong Short-Term Memory)实现样本用户检测模型的训练。BiLSTM由前向的长短期记忆网络LSTM (Long Short-Term Memory)与后向的长短期记忆网络LSTM结合而成,BiLSTM能够更好地 对输入数据进行表达,通过使用对正向的时间序列和反向的时间序列分别进行训练,输出的 数据可以获得上下文的信息。LSTM(Long Short-Term Memory)长短期记忆网络,是一种时 间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM是解 决循环神经网络RNN结构中存在的“梯度消失”问题而提出的,是一种特殊的循环神经网络。
在本实施例中,将样本用户的初始属性(易感者、潜伏者、感染者和康复者)和初始人 数作为BiLSTM的输入,将样本用户在结束搭乘电梯时、样本用户的属性变化之后的属性和 人数作为BiLSTM的输出。
在其他实施例中,除了使用BiLSTM实现对用户检测模型的训练之外,还可以使用其他 的算法实现对用户检测模型的训练,例如:循环神经网络(RNN)、双向循环神经网络(BRNN)、 卷积神经网络(CNN)和深度神经网络(DNN)等算法。
本实施例的技术方案,通过确定具有传染性的病原体;在样本用户搭乘电梯时,检测样 本用户的生理数据;根据生理数据确定一个或多个样本用户初始的属性为感染者;预测在结 束搭乘电梯时、样本用户的属性变化之后的人数;以样本用户的属性和人数作为样本,训练样本用户检测模型。通过不涉及样本用户隐私的生理数据的采集,实现了对结束搭乘电梯时 的样本用户的中可能存在的感染者和潜伏者的及时发现,进而实现对传染病的及时发现。
实施例二
图2为本发明实施例二提供的用户检测模型的训练方法的流程图,本实施例是在上述实 施例的基础上进行具体化,该方法包括如下步骤:
步骤S210、确定样本用户检测模型所针对的具有传染性的病原体。
在进行样本用户检测模型训练之前需要先确定样本用户检测模型所针对的具有传染性 的病原体,以保证训练出来的模型的准确性。
步骤S220、从疾病防控中心或者公共卫生部门的网页或服务器获取病原体的特征信息, 特征信息包括样本用户的属性中易感者转变为潜伏者的概率、潜伏者转变为感染者的概率和 感染者康复的概率。
在疾病防控中心或公共卫生部门的网页或服务器中公开有已知的各传染病的病原体的 特征信息。而该特征信息包括病原体的名称、与病原体的感染者接触后人群从易感者转变为 潜伏者的概率、病原体的潜伏者转变为感染者的概率、病原体的感染者康复为康复者的概率。
步骤S230、响应电梯的召梯指令,电梯中配置有红外测温仪。
在本实施例中,召梯指令,指的是样本用户在搭乘电梯前,通过设置在不同楼梯的召梯 按钮向电梯的控制器发出召唤电梯的指令。或者是其他的手段实现召梯指令的发出,例如通 过手机应用向电梯的工作服务器发出请求,在电梯带工作服务器接收到该请求时,对电梯的控制器发出与楼层对应的召梯指令。
红外测温仪能够用于实现对被测物体的温度检测。红外测温仪的测温原理是将物体发射 的红外线具有的辐射能转变成电信号,红外线辐射能的大小与物体本身的温度相对应,根据 转变成电信号大小,可以确定物体的温度。因此,可通过在电梯内安装红外测温仪实现对样本用户的体温信息进行采集。
步骤S240、调用红外测温仪采集样本用户的体温,作为本实施例中所述的生理数据。
在本实施例中,所采用的生理数据为样本用户的体温信息。而体温信息的来源为通过在 电梯内设置的红外测温仪对样本用户的体温信息进行采集。
具体的,在接收到电梯的收到召梯指令后,控制安装在电梯内的红外测温仪工作,对搭 乘电梯的样本用户的体温信息进行采集。
步骤S250、将样本用户的生理数据与预设范围进行比较。
步骤S251、若样本用户的生理数据在预设范围内,则确定样本用户的属性不属于感染者;
步骤S252、若样本用户的生理数据不在预设范围内,则确定样本用户的属性属于感染者。
样本用户的生理数据与预设范围的比较可通过比较器或其他器件实现,从而根据采集到 的样本用户的生理数据与预设范围的对比结果实现对样本用户的初始的属性的判断。
在本实施例中,预设范围为在同样条件在所采集到的样本用户的属性不属于感染者的体 温范围,即预设范围为体温的正常样本用户的体温范围。当采集到的样本用户的体温落入到 预设范围内时,代表该样本用户的体温为正常体温,即该样本用户不属于感染者。当采集到的样本用户的体温超出预设范围时,则代表该样本用户的体温不正常,该样本用户属于感染 者。此外,在采集到的样本用户的体温超出预设范围时,还可通过再次调用红外测温仪对该 名样本用户进行复检,以保证采用的体温信息的可靠性。
步骤S260、统计搭乘电梯时样本用户的数量、属性为感染者的数量。
可通过计数器对红外测温仪采集到的体温信息数量进行统计作为搭乘电梯时样本用户 的数量。由于红外测温仪采集到的每一个体温信息均对应一个样本用户,所以可以将统计到 的红外测温仪采集到的体温信息数量作为搭乘电梯时样本用户的数量。
而对于感染者的统计,可在对样本用户的生理数据与预设范围进行比较进行统计,统计 样本用户的生理数据不在预设范围内的样本用户的数量作为属性为感染者的数量。
步骤S270、将搭乘电梯时样本用户的数量减去属性为感染者的数量,获得样本用户中属 性为易感者的数量。
在本实施例中,假设在搭乘电梯时,电梯中的样本用户的属性仅包括易感者和感染者。 所以在该步骤中,易感者的人数为电梯中的样本用户的总人数减去感染者的人数。
步骤S280、将搭乘电梯时的样本用户的数量减1、易感者转变为潜伏者的概率、样本用 户中感染者的数量、样本用户中易感者在样本用户中的占比相乘,获得结束搭乘电梯时、样 本用户的属性变化之后潜伏者的人数。
一般情况下,由于样本用户搭乘电梯的时间相对较短,电梯内存在的人群属性转变只有 易感者与感染者接触后转变为携带病病原体的潜伏者,而潜伏者并不能够在短时间内转变为 感染者,或者由感染者转变为康复者。因此,在本实施例中侧重于预测电梯内人群的感染者和潜伏者人数。而具体的预测在结束搭乘所述电梯时、所述样本用户的所述属性变化之后的 人数通过实施例一中提供的SEIR模型实现,采用(6)、(7)、(8)、(9)中成员数量变化公 式计算。其中Sn代表易感者的预测人数,Sn-1代表前一时刻(搭乘电梯时)的易感者人数; En代表潜伏者的预测人数,En-1代表前一时刻(搭乘电梯时)的潜伏者人数;n代表潜伏者的 预测人数,In-1代表前一时刻(搭乘电梯时)的潜伏者人数;Rn代表潜伏者的预测人数,Rn-1代表前一时刻(搭乘电梯时)的潜伏者人数;r代表的是感染者在电梯内所能接触到的人数, 即电梯的搭乘人数减去感染者自身的人数;α代表潜伏者转变为感染者的概率;β代表易感 者转变为潜伏者的概率;γ代表感染者的康复概率。
在其他实施例中,还可以是采用其他的预测模型实现对电梯内样本用户在结束搭乘所述 电梯时、所述样本用户的所述属性变化之后的人数预测。
步骤S290、以样本用户的初始的属性为感染者的人数作为输入,训练基于双向长短期记 忆网络以结束搭乘电梯时、样本用户的属性变化之后的人数作为双向长短期记忆网络的细胞 状态,以初始的属性为感染者的样本用户的人数作为双向长短期记忆网络的输入,训练基于双向长短期记忆网络的样本用户检测模型的样本用户检测模型。
在本实施例中,双向长短期记忆网络计算公式如下:
ft=σ(Wf.[Ct-1,ht-1,xt]+bf) (10)
it=σ(Wi.[Ct-1,ht-1,xt]+bi) (11)
ot=σ(Wo.[Ct-1,ht-1,xt]+bo) (12)
ht=ot*tanh(Ct) (13)
其中,Wf、Wi、Wo、bf、bi、bo为双向长短期记忆网络中的线性关系的系数和偏倚。ft为双向 长短期记忆网络的遗忘门,it为双向长短期记忆网络的输入门,ot为双向长短期记忆网络的 输出门,ht为单元状态激活,ht-1为前一时刻的单元状态激活,xt为双向长短期记忆网络的 当前时刻输入,Ct-1双向长短期记忆网络的前一时刻细胞状态,
在利用双向长短期记忆网络对样本用户检测模型进行训练时,将根据公式(6)、(7)、(8)、 (9)中预测所得的在结束搭乘所述电梯时、所述样本用户的所述属性变化之后的人数作为 双向长短期记忆网络的细胞状态值Ct代入到双向长短期记忆网络的遗忘门、输入门、输出门 和单元状态激活计算公式中分别求得各属性样本用户的人数对应的线性关系的系数和偏倚 Wf、Wi、Wo、bf、bi、bo,以此完成基于双向长短期记忆网络的样本用户检测模型的样本用 户检测模型的训练。
实施例三
图3为本发明实施例三提供的用户检测方法的流程图,本实施例可适用于通过可适用于 通过采集电梯内用户的生理数据,预测在结束搭乘电梯时用户的属性变化,实现对传染病的 发现和控制,该方法可以由用户检测装置来执行,具体包括如下步骤:
步骤S310、在目标用户搭乘电梯时,检测目标用户的生理数据。
步骤S320、根据生理数据确定一个或多个目标用户的属性为感染者,感染者为被病原体 感染的目标用户。
在需要对用户的属性进行检测时,首先确定一种用于实现用户检测的生理数据类型,例 如目标用户的体温信息、呼吸频率、心跳速率或声音信息。获取目标用户在搭乘电梯时的生 理数据的获取方式可参考步骤S120、步骤S230和步骤S240。在本实施例中,在目标用户发 出召梯指令时,调用电梯内安装的红外测温仪采集样本用户的体温,作为本实施例中所述的生理数据。
在本本实施例中,由于步骤S320与实施例一中步骤S130和实施例二中步骤S260基本 相同,相关之处参见方法实施例一中步骤S130和实施例二中步骤S260的部分说明即可,本 实施例在此不加以详述。
步骤S330、将感染者的人数输入用户检测模型中,以预测目标用户在结束搭乘电梯后的 属性,属性包括易感者、感染者、潜伏者和康复者,其中,易感者可在电梯被感染者传染、 转变为潜伏者,潜伏者在生理数据变化时转变为感染者,感染者康复之后转变为康复者。
首先,在将目标用户的感染者的人数输入用户检测模型中之前,需要通过实施例一、二 中提供的训练方式训练用于本实施例中的目标用户检测的用户检测模型,具体的训练方式可 参考实施例一、二中相关部分内容。
在本实施例中,通过采集目标用户搭乘电梯时的生理数据,确定目标用户中符合要求的 感染者,并将采集到的目标用户的感染者人数输入到用户检测模型中,进一步的,预测得到 在结束搭乘电梯时,目标用户的属性变化。可辅助判断目标用户中传染性病原体的传染趋势,根据该传染趋势,判断电梯对应的区域是否存在传染性病原体的流行,实现对传染病的及时 发现。并且在本实施例中,通过对目标用户的生理数据的采集判断目标用户中的感染者身份, 并不涉及到目标用户的身份相关信息的采集,使得采用本实施例中所提供的用户检测方法可 在不涉及个人隐私的情况下实现判断电梯对应的区域是否存在传染性病原体的流行和对传染病的及时发现。
实施例四
图4为本发明实施例四提供的用户检测方法的流程图,本实施例是在上述实施例的基础 上进行具体化,该方法包括如下步骤:
步骤S410、采集目标用户中感染者所感染的具有传染性的病原体;
在对目标用户进行检测前,需要确定目标用户中感染者所感染的病原体类型,进而确定 病原体的特征信息。
步骤S420、获取针对病原体的用户检测模型。
在确定了目标用户中感染者所感染的具有传染性的病原体,需要获取通过实施例一、二 中提供的训练方式训练的用于用户检测模型,从而保证预测结果的可靠性。
在其他实施例中,还可以不对目标用户中感染者所感染的具有传染性的病原体进行确定, 预先采用已知的传染性最低的病原体的特征信息进行用户检测模型的训练。在对目标用户在 结束搭乘电梯后的属性进行预测时,直接利用训练好的传染性最低的病原体对应的用户检测模型进行预测,并将预测结果与实际采集的多趟电梯的目标用户的感染者的人数进行对比, 进而对传染性最低的病原体对应的用户检测模型进行进一步的训练,最终获得目前电梯的目 标用户中流行的传染性病原体的特征信息。即,与该传染性病原体的感染者接触后人群从易 感者转变为潜伏者的概率、病原体的潜伏者转变为感染者的概率,通过将用户检测模型进一 步训练后获得的与该传染性病原体的特征信息与已知的传染性病原体的特征信息进行进一 步的对比,从而判断该传染性病原体的流行严重性,做出相应的预防可控制手段。
步骤S430、采集连续的多趟电梯的感染者的人数;
步骤S440、计算采集到的感染者的人数的第一增长率;若第一增长率为正,则步骤S450; 若第一增长率为零或为负,则返回执行步骤S430。
在对目标用户进行检测时引入对感染者的人数的增长率检测,可避免目标用户中偶然性 出现的普通发热病人对目标用户中的传染性病原体的检测造成干扰。避免对偶然性出现的普 通发热病人的预测造成用户检测模型预测压力,避免造成算力资源的浪费。
步骤S450、将感染者的人数输入病原体对应的用户检测模型中,以预测目标用户在结束 搭乘电梯后的属性。
在本实施例中,步骤S440中对目标用户在结束搭乘电梯后的属性的利用用户检测模型 进行预测的方法与实施例三中的应用基本相同,相关之处参见实施例三中相关部分说明即可, 本实施例在此不加以详述。
步骤S461、统计属性为感染者和潜伏者的目标用户的人数。
步骤S462、计算感染者和潜伏者的人数的第二增长率。
步骤S463、将第二增长率与预设的阈值比较;若第二增长率大于或等于预设的阈值,则 执行步骤S464;若第二增长率小于预设的阈值,则返回执行步骤S430。
步骤S464,触发报警操作。
其中,阈值的理想大小为零。实际对阈值进行设定的时候,可将阈值设置大于0。具体 的,选用已知的传染性病原体中最低传染性的病原体的增长率为本实施例中的阈值。
在本实施例中,统计属性为感染者和潜伏者的目标用户的人数,即统计的是携带病原体 的目标用户。计算感染者和潜伏者的人数的增长率,可利用感染者和潜伏者的后一时刻的预 测总数减去前一时刻的预测在数,从而获得增加人数,然后将增加人数除以电梯中目标用户的人数,即获得感染者和潜伏者的人数的增长率。
在步骤S450之后还包括如下步骤:
步骤S471、获取目标用户的身份标识;
步骤S472、将目标用户的属性与目标用户的身份标识相互关联;
步骤S473、获取确诊者的身份标识,确诊者为被确诊感染病原体的目标用户;
步骤S474、输出与确诊者搭乘同一趟电梯的目标用户的身份标识,和目标用户结束搭乘 电梯时的属性。
目标用户的身份标识可以是目标用户的电梯卡信息、图像信息、指纹信息或声纹信息, 主要起到对目标用户的身份标记作用。除了上述的电梯卡信息、图像信息、指纹信息或声纹 信息之外,还可以是其他的能够实现对目标用户的身份进行标记的信息。
当在电梯中的某一目标用户被确诊为某一传染性病原体的确诊者时,可根据确诊者的身 份标识输出与确诊者搭乘过同一趟电梯的其他用户的身份标识,和在用户检测模型中所预测 的目标用户结束搭乘电梯时的属性。可根据输出的与确诊者搭乘过同一趟电梯的其他用户的身份标识找到与确诊者接触过的目标用户,有效的缩小可能感染该传染性病原体的目标用户 的范围,利于实现对该传染性病原体的感染者的防控工作,进而避免该传染病的大范围流传。
实施例五
图5为本发明实施例五提供的一种用户检测模型的训练装置,该装置可以执行上述实施 例所述的用户检测模型的训练方法,具体的,该装置包括:
确定模块501,用于确定具有传染性的病原体。
第一检测模块502,用于在样本用户搭乘电梯时,检测样本用户的生理数据。
第一判断模块503,用于根据生理数据确定一个或多个样本用户初始的属性为感染者, 感染者为被病原体感染的样本用户。
第一预测模块504,预测在结束搭乘电梯时、样本用户的属性变化之后的人数。
模型训练模块505,用于以样本用户的属性和人数作为样本,训练样本用户检测模型。
特征信息获取模块,用于从疾病防控中心或者公共卫生部门的网页或服务器获取病原体 的特征信息,特征信息包括样本用户的属性中易感者转变为潜伏者的概率、潜伏者转变为感 染者的概率和感染者康复的概率。
调用模块,用于响应电梯的召梯指令,调用红外测温仪采集样本用户的体温,作为生理 数据。
第一比较模块,用于将样本用户的生理数据与预设范围进行比较。
本实施例所提供的用户检测模型的训练装置可执行本发明任意实施例所提供的用户检 测模型的训练方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6为本发明实施例六提供的一种用户检测装置,该装置可以执行上述实施例所述的用 户检测方法,具体的,该装置包括:
第二检测模块601,用于在目标用户搭乘电梯时,检测目标用户的生理数据。
第二判断模块602,用于根据生理数据确定一个或多个目标用户的属性为感染者,感染 者为被病原体感染的目标用户。
第二预测模块603,用于将感染者输入用户检测模型中,以预测目标用户在结束搭乘电 梯后的属性。
采集模块,采集目标用户中感染者所感染的具有传染性的病原体。
模型获取模块,用于获取用于病原体的用户检测模型。
人数采集模块,用于采集连续的多趟电梯的感染者的人数。
第一计算模块,用于计算采集到的感染者的人数的第一增长率。
第三判断模块,用于根据感染者的人数的第一增长率判断是否将感染者输入病原体对应 的用户检测模型中。
身份获取模块,用于获取目标用户的身份标识。
关联模块,用于将目标用户的属性与目标用户的身份标识相互关联。
确诊者获取模块,用于获取确诊者的身份标识,确诊者为被确诊感染病原体的目标用户。
输出模块,用于输出与确诊者搭乘同一趟电梯的目标用户的身份标识,和目标用户结束 搭乘电梯时的属性。
统计模块,用于统计属性为感染者和潜伏者的目标用户的人数。
第二计算模块,用于计算感染者和潜伏者的人数的第二增长率。
第二比较模块,用于比较第二增长率与阈值的大小。
第四判断模块,用于根据第二增长率与阈值的比较结果,触发报警操作或返回执行在目 标用户搭乘电梯时,检测目标用户的生理数据。
本发明实施例所提供的用户检测装置可执行本发明任意实施例所提供的用户检测方法, 具备执行方法相应的功能模块和有益效果。
实施例七
图7为本发明实施例七提供的电子设备的结构图,如图7所示,该设备包括处理器710、 存储器720、输入装置730和输出装置740;设备中处理器710的数量可以是一个或多个, 图7中以一个处理器710为例;设备/终端/服务器中的处理器710、存储器720、输入装置730和输出装置740可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器710作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以 及模块,如本发明实施例中的用户检测模型的训练方法和用户检测方法的程序指令/模块。 处理器710通过运行存储在存储器720中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的用户检测模型的训练方法和用户检测方法。
存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少 一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储 器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理 器远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不 限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730可用于接收病原体对应的特征信息。输出装置740可用于输出在结束搭乘 电梯时、样本用户的属性变化之后的预测属性和人数。
实施例八
本发明实施例八还提供一种包含计算机可执行指令的存储介质,其上存储有计算机程 序,该程序被处理器执行时实现一种用户检测模型的训练方法或用户检测方法。
用户检测模型的训练方法包括:
确定具有传染性的病原体;
在样本用户搭乘电梯时,检测样本用户的生理数据;
根据生理数据确定一个或多个样本用户初始的属性为感染者,感染者为被病原体感染的 样本用户;
预测在结束搭乘电梯时、样本用户的属性变化之后的人数,属性包括易感者、潜伏者、 感染者和康复者,其中,易感者可在电梯内被感染者传染、转变为潜伏者,潜伏者在生理数 据变化时转变为感染者,感染者康复之后转变为康复者;
以样本用户的属性和人数作为样本,训练样本用户检测模型。
用户检测模型的训练方法包括:
在目标用户搭乘电梯时,检测目标用户的生理数据;
根据生理数据确定一个或多个目标用户的属性为感染者,感染者为被病原体感染的目标 用户;
将感染者的人数输入用户检测模型中,以预测目标用户在结束搭乘电梯后的属性,属性 包括易感者、感染者、潜伏者和康复者,其中,易感者可在电梯被感染者传染、转变为潜伏 者,潜伏者在生理数据变化时转变为感染者,感染者康复之后转变为康复者。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机程序不 限于如上所述的方法操作,还可以执行本发明任意实施例所提供的用户检测模型的训练方法 和用户检测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助 软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施 方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机 的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人 计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述用户检测模型的训练装置和用户检测方法的实施例中,所包括的各 个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应 的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发 明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调 整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括 更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种用户检测模型的训练方法,其特征在于,包括:
确定具有传染性的病原体;
在样本用户搭乘电梯时,检测所述样本用户的生理数据;
根据所述生理数据确定一个或多个样本用户初始的属性为感染者,所述感染者为被所述病原体感染的样本用户;
预测在结束搭乘所述电梯时、所述样本用户的所述属性变化之后的人数,所述属性包括易感者、潜伏者、所述感染者和康复者,其中,所述易感者可在所述电梯内被所述感染者传染、转变为所述潜伏者,所述潜伏者在所述生理数据变化时转变为所述感染者,所述感染者康复之后转变为所述康复者;
以所述样本用户的所述属性和人数作为样本,训练样本用户检测模型,所述样本用户检测模型用于预测在结束搭乘电梯时用户的属性变化,包括:将所述样本用户的初始属性和初始人数作为输入,将所述样本用户在结束搭乘电梯时、所述样本用户的属性变化之后的属性和人数作为输出对所述样本用户检测模型进行训练,获得所述样本用户检测模型;
所述预测在结束搭乘所述电梯时、所述样本用户的属性变化之后的人数,包括:
统计搭乘所述电梯时所述样本用户的数量、所述属性为所述感染者的数量;
将搭乘所述电梯时所述样本用户的数量减去所述属性为所述感染者的数量,获得所述样本用户中所述属性为所述易感者的数量;
将搭乘所述电梯时的所述样本用户的数量减1、所述易感者转变为所述潜伏者的概率、所述样本用户中所述感染者的数量、所述样本用户中所述易感者在所述样本用户中的占比相乘,获得结束搭乘所述电梯时、所述样本用户的所述属性变化之后所述潜伏者的人数;
其中,所述确定具有传染性的病原体,包括:
确定样本用户检测模型所针对的具有传染性的病原体;
从疾病防控中心或者公共卫生部门的网页或服务器获取所述病原体的特征信息,所述特征信息包括所述样本用户的属性中所述易感者转变为所述潜伏者的概率、所述潜伏者转变为所述感染者的概率和所述感染者康复的概率。
2.根据权利要求1所述的用户检测模型的训练方法,其特征在于,所述在样本用户搭乘电梯时,检测所述样本用户的生理数据,包括:
响应所述电梯的召梯指令,所述电梯中配置有红外测温仪;
调用所述红外测温仪采集所述样本用户的体温,作为生理数据。
3.根据权利要求1所述的用户检测模型的训练方法,其特征在于,在所述根据所述生理数据确定一个或多个样本用户初始的属性为感染者,包括:
将所述样本用户的所述生理数据与预设范围进行比较;
若所述样本用户的所述生理数据在所述预设范围内,则确定所述样本用户的所述属性不属于所述感染者;
若所述样本用户的所述生理数据不在所述预设范围内,则确定所述样本用户的所述属性属于所述感染者。
4.根据权利要求1-3任一项所述的用户检测模型的训练方法,其特征在于,所述以所述样本用户的所述属性和所述人数作为样本,训练样本用户检测模型,包括:
以结束搭乘所述电梯时、所述样本用户的所述属性变化之后的人数作为双向长短期记忆网络的细胞状态,以初始的所述属性为所述感染者的所述样本用户的人数作为所述双向长短期记忆网络的输入,训练基于所述双向长短期记忆网络的样本用户检测模型。
5.一种用户检测方法,其特征在于,包括:
在目标用户搭乘电梯时,检测所述目标用户的生理数据;
根据所述生理数据确定一个或多个目标用户的属性为感染者,所述感染者为被病原体感染的目标用户;
将所述感染者的人数输入用户检测模型中,以预测所述目标用户在结束搭乘所述电梯后的属性,所述属性包括易感者、感染者、潜伏者和康复者,其中,所述易感者可在所述电梯被所述感染者传染、转变为所述潜伏者,所述潜伏者在所述生理数据变化时转变为所述感染者,所述感染者康复之后转变为所述康复者;
其中,所述用户检测模型为使用权利要求1-4任一项用户检测模型的训练方法训练得到的。
6.根据权利要求5所述的用户检测方法,其特征在于,在所述将所述感染者输入用户检测模型中之前,还包括:
采集所述目标用户中所述感染者所感染的具有传染性的病原体;
获取用于所述病原体的用户检测模型。
7.根据权利要求5所述的用户检测方法,其特征在于,在所述将所述感染者输入用户检测模型中之前,还包括:
采集连续的多趟电梯的所述感染者的人数;
计算采集到的所述感染者的人数的第一增长率;
若所述第一增长率为正,则执行所述将所述感染者输入所述病原体对应的用户检测模型中;
若所述第一增长率为零或为负,则返回执行所述在目标用户搭乘电梯时,检测所述目标用户的生理数据。
8.根据权利要求5所述的用户检测方法,其特征在于,在所述将所述感染者的人数输入所述病原体对应的用户检测模型中,以预测所述目标用户在结束搭乘所述电梯后的属性之后,还包括:
获取所述目标用户的身份标识;
将所述目标用户的所述属性与所述目标用户的所述身份标识相互关联;
获取确诊者的所述身份标识,所述确诊者为被确诊感染所述病原体的所述目标用户;
输出与所述确诊者搭乘同一趟所述电梯的所述目标用户的所述身份标识,和所述目标用户结束搭乘所述电梯时的所述属性。
9.根据权利要求5所述的用户检测方法,其特征在于,在所述将所述感染者输入所述病原体对应的用户检测模型中,以预测所述目标用户在结束搭乘所述电梯后的属性之后,还包括:
统计所述属性为所述感染者和所述潜伏者的所述目标用户的人数;
计算所述感染者和所述潜伏者的人数的第二增长率;
将所述第二增长率与预设的阈值比较;
若所述第二增长率大于或等于所述阈值,则触发报警操作;
若所述第二增长率小于所述阈值,则返回执行所述在目标用户搭乘电梯时,检测所述目标用户的生理数据。
10.一种用户检测模型的训练装置,其特征在于,包括:
确定模块,用于确定具有传染性的病原体;
第一检测模块,用于在样本用户搭乘电梯时,检测所述样本用户的生理数据;
第一判断模块,用于根据所述生理数据确定一个或多个样本用户初始的属性为感染者,所述感染者为被所述病原体感染的样本用户;
第一预测模块,用于预测在结束搭乘所述电梯时、所述样本用户的所述属性变化之后的人数;
所述第一预测模块,具体用于统计搭乘所述电梯时所述样本用户的数量、所述属性为所述感染者的数量;将搭乘所述电梯时所述样本用户的数量减去所述属性为所述感染者的数量,获得所述样本用户中所述属性为易感者的数量;将搭乘所述电梯时的所述样本用户的数量减1、所述易感者转变为潜伏者的概率、所述样本用户中所述感染者的数量、所述样本用户中所述易感者在所述样本用户中的占比相乘,获得结束搭乘所述电梯时、所述样本用户的所述属性变化之后所述潜伏者的人数;
模型训练模块,用于以所述样本用户的所述属性和人数作为样本,训练样本用户检测模型,所述样本用户检测模型用于预测在结束搭乘电梯时用户的属性变化;
所述模型训练模块,具体用于将所述样本用户的初始属性和初始人数作为输入,将所述样本用户在结束搭乘电梯时、所述样本用户的属性变化之后的属性和人数作为输出对所述样本用户检测模型进行训练,获得所述样本用户检测模型;
所述确定模块,具体用于确定样本用户检测模型所针对的具有传染性的病原体;从疾病防控中心或者公共卫生部门的网页或服务器获取所述病原体的特征信息,所述特征信息包括所述样本用户的属性中所述易感者转变为所述潜伏者的概率、所述潜伏者转变为所述感染者的概率和所述感染者康复的概率。
11.一种用户检测装置,其特征在于,包括:
第二检测模块,用于在目标用户搭乘电梯时,检测所述目标用户的生理数据;
第二判断模块,用于根据所述生理数据确定一个或多个目标用户的属性为感染者,所述感染者为被病原体感染的目标用户;
第二预测模块,用于将所述感染者输入用户检测模型中,以预测所述目标用户在结束搭乘所述电梯后的属性;
其中,所述用户检测模型为使用权利要求1-4任一项用户检测模型的训练方法训练得到的。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一所述的用户检测模型的训练方法,或者,实现如权利要求5至9任一所述的用户检测方法。
13.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4任一所述的用户检测模型的训练方法,或者,实现如权利要求5至9任一所述的用户检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010451450.8A CN111627564B (zh) | 2020-05-25 | 2020-05-25 | 用户检测模型的训练及检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010451450.8A CN111627564B (zh) | 2020-05-25 | 2020-05-25 | 用户检测模型的训练及检测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111627564A CN111627564A (zh) | 2020-09-04 |
CN111627564B true CN111627564B (zh) | 2024-02-27 |
Family
ID=72259914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010451450.8A Active CN111627564B (zh) | 2020-05-25 | 2020-05-25 | 用户检测模型的训练及检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111627564B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220185622A1 (en) * | 2020-12-14 | 2022-06-16 | Otis Elevator Company | Passenger grouping for elevators |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107215730B (zh) * | 2017-07-06 | 2019-03-05 | 比亦特网络科技(天津)有限公司 | 用于流感预测的电梯系统及方法 |
CN109448852A (zh) * | 2018-11-29 | 2019-03-08 | 平安科技(深圳)有限公司 | 基于预测模型的健康管理方法、装置和计算机设备 |
CN110363283B (zh) * | 2019-06-06 | 2021-06-22 | 哈尔滨工业大学(深圳) | 基于深度学习的用户属性预测方法及相关装置 |
CN110287334B (zh) * | 2019-06-13 | 2023-12-01 | 淮阴工学院 | 一种基于实体识别和属性抽取模型的学校领域知识图谱构建方法 |
CN110321705A (zh) * | 2019-07-11 | 2019-10-11 | 北京百度网讯科技有限公司 | 用于生成模型的方法、装置和用于检测文件的方法、装置 |
CN110399616A (zh) * | 2019-07-31 | 2019-11-01 | 国信优易数据有限公司 | 命名实体检测方法、装置、电子设备及可读存储介质 |
CN110851580B (zh) * | 2019-11-18 | 2022-05-03 | 北京邮电大学 | 一种基于结构化用户属性描述的个性化任务型对话系统 |
CN111027309B (zh) * | 2019-12-05 | 2023-05-23 | 电子科技大学广东电子信息工程研究院 | 一种基于双向长短期记忆网络的实体属性值的抽取方法 |
CN110950209B (zh) * | 2020-02-22 | 2020-08-11 | 菱王电梯股份有限公司 | 可监测人员体温和流动的电梯控制方法、装置和存储介质 |
CN111027525B (zh) * | 2020-03-09 | 2020-06-30 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
-
2020
- 2020-05-25 CN CN202010451450.8A patent/CN111627564B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111627564A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
O'Neill | Introduction and snapshot review: relating infectious disease transmission models to data | |
Gani et al. | Epidemiologic determinants for modeling pneumonic plague outbreaks | |
Ramos et al. | A simple but complex enough θ-SIR type model to be used with COVID-19 real data. Application to the case of Italy | |
Bajiya et al. | Mathematical modeling of COVID-19: Impact of non-pharmaceutical interventions in India | |
Della Marca et al. | An SIR-like kinetic model tracking individuals' viral load | |
CN115394455B (zh) | 基于空间聚类离散格网的传染病时空扩散预测方法及装置 | |
CN111627564B (zh) | 用户检测模型的训练及检测方法、装置、设备和存储介质 | |
Qiu et al. | Mutual influences between message volume and emotion intensity on emerging infectious diseases: An investigation with microblog data | |
De Lima et al. | COVID-SGIS: a smart tool for dynamic monitoring and temporal forecasting of Covid-19 | |
Liu et al. | Coronavirus epidemic (covid-19) prediction and trend analysis based on time series | |
Gulati et al. | An argumentation enabled decision making approach for Fall Activity Recognition in Social IoT based Ambient Assisted Living systems | |
Theerthagiri | Probable forecasting of epidemic COVID-19 in using COCUDE model | |
Aldhyani et al. | Using sequence mining to predict complex systems: a case study in influenza epidemics | |
Ma et al. | Influenza-like symptom prediction by analyzing self-reported health status and human mobility behaviors | |
CN112259248B (zh) | 一种covid-19境外输入风险评估预测方法 | |
Utamura et al. | An epidemiological model considering isolation to predict COVID-19 trends in Tokyo, Japan: numerical analysis | |
Niazi et al. | Modeling and control of COVID-19 epidemic through testing policies | |
Avuçlu | COVID-19 detection using X-ray images and statistical measurements | |
Banyal et al. | Technology landscape for epidemiological prediction and diagnosis of covid-19 | |
Niazi et al. | Modeling and control of epidemics through testing policies | |
Teboulbi et al. | Face mask classification based on deep learning framework | |
CN115393956A (zh) | 改进注意力机制的CNN-BiLSTM跌倒检测方法 | |
Pal et al. | The SIUQRD and matern 5/2 GPR models describing the covid-19 pandemic in India | |
Chumachenko et al. | Simulation and forecasting of the influenza epidemic process using seasonal autoregressive integrated moving average model | |
Colubri et al. | Individual-level modeling of COVID-19 epidemic risk |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |