CN111816311A - 状态识别的方法、系统、装置 - Google Patents
状态识别的方法、系统、装置 Download PDFInfo
- Publication number
- CN111816311A CN111816311A CN202010713835.7A CN202010713835A CN111816311A CN 111816311 A CN111816311 A CN 111816311A CN 202010713835 A CN202010713835 A CN 202010713835A CN 111816311 A CN111816311 A CN 111816311A
- Authority
- CN
- China
- Prior art keywords
- attribute information
- state
- disease
- machine learning
- learning model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 70
- 201000010099 disease Diseases 0.000 claims description 69
- 230000006399 behavior Effects 0.000 claims description 10
- 208000035473 Communicable disease Diseases 0.000 claims description 3
- 208000026350 Inborn Genetic disease Diseases 0.000 claims description 3
- 208000016361 genetic disease Diseases 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 239000013598 vector Substances 0.000 description 13
- 241000220225 Malus Species 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 9
- 235000011430 Malus pumila Nutrition 0.000 description 7
- 235000015103 Malus silvestris Nutrition 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 235000021016 apples Nutrition 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Images
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种状态识别的方法、系统、装置。其中，该方法包括：获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；依据识别结果确定第一对象的状态。本发明解决了由于相关技术中仅关注目标对象本身的属性信息造成的判断结果不准确的的技术问题。
Description
技术领域
本发明涉及识别领域，具体而言，涉及一种状态识别的方法、系统、装置。
背景技术
现有技术中，在对目标对象的状态进行识别时，例如，某一个人的健康状态，一般仅关注这个人本身所具有的属性，例如，这个人的病症、不良生活习惯、既往病史等。但这种仅仅依赖于判断目标对象本身的属性对健康状态进行判断往往存在判断结果不准确的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种状态识别的方法、系统、装置，以至少解决由于相关技术中仅关注目标对象本身的属性信息造成的判断结果不准确的的技术问题。
根据本发明实施例的一个方面，提供了一种状态识别的方法，包括：获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；依据识别结果确定第一对象的状态。
可选地，共同对应的状态，包括：状态类型和状态类型相应的级别。
可选地，状态类型包括：疾病类型，关联关系包括以下至少之一：亲属关系、同行关系；其中，当为亲属关系时，状态类别为遗传病，当为同行关系时，状态类别为传染病，同行关系为在预设时间段内与第一对象出现过的地点具有交集的目标对象。
可选地，识别结果包括：以各个状态类型和级别为元素组成的一维数组，以及元素对应的概率。
可选地，以一维数组中各个状态类型为列元素、级别为行元素，生成二维数组。
可选地，确定二维数组每一列元素对应的概率的最大值，其中概率为第一对象属于对应的状态类型和级别的概率；判断该元素对应的概率的最大值是否大于预定阈值；在最大值大于预定阈值的情况下，则将该元素所在列对应的状态类型作为第一对象的状态，以及将该元素所在行对应的级别作为第一对象的状态的层级。
根据本发明实施例的另一方面，还提供了一种状态识别的系统，包括：前端设备，用于接收第一对象的第一属性信息以及与第一对象具有关联关系的第二对象的第二属性信息，其中，第一属性信息包括：第一对象对应的特征信息和行为信息，第二属性信息包括：第二对象对应的特征信息和行为信息；服务器，用于将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果，并将识别结果返回至前端设备；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签。
根据本发明实施例的另一方面，还提供了一种状态识别的装置，包括：获取模块，用于获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；识别模块，用于将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；确定模块，用于依据识别结果确定第一对象的状态。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种状态识别的方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行任意一种状态识别的方法。
在本发明实施例中，采用机器学习模型识别目标对象的属性信息以及目标对象关联对象的属性信息的方式，通过获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；依据识别结果确定第一对象的状态，达到了结合目标对象关联的对象识别目标对象所属状态的目的，从而实现了更加准确判断目标对象所属状态的技术效果，进而解决了由于相关技术中仅关注目标对象本身的属性信息造成的判断结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种状态识别的方法的流程示意图；
图2是根据本发明实施例的一种可选的对标注数据进行分类的结构示意图；
图3是根据本发明实施例的一种可选的生成诊断模型的流程示意图；
图4是根据本发明实施例的一种可选的诊断流程示意图；
图5是根据本发明实施例一种状态识别的系统的结构示意图；
图6是根据本发明实施例一种状态识别的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好地理解本申请实施例，以下将本申请实施例中涉及的技术术语的含义解释如下：
OCR:光学字符识别，一种将图片中的字符翻译成计算机文字的技术。
One-hot：one hot是一种编码方式，是将类别变量转换为机器学习算法易于利用的一种形式的过程。
DNN：DNN(Deep Neural Networks)为深度神经网络，神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络，多个全连接层组成的神经网络，适用于深度学习模型训练。
Softmax：逻辑回归函数，在深度学习中多分类的场景中使用广泛，经过softmax函数处理后，输出的是一个数组，数组里的向量值是每个分类被取到的概率。
根据本发明实施例，提供了一种状态识别的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的状态识别的方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤S102，获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；
步骤S104，将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；
步骤S106，依据识别结果确定第一对象的状态。
上述状态识别的方法中，首先，获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；然后，将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签，最后，依据识别结果确定第一对象的状态，达到了结合目标对象关联的对象识别目标对象所属状态的目的，从而实现了更加准确判断目标对象所属状态的技术效果，进而解决了由于相关技术中仅关注目标对象本身的属性信息造成的判断结果不准确的技术问题。
本申请一些可选的实施例，当上述识别方法用于识别人的健康状态时，第一对象的属性信息包括：个人特征信息和行为信息，其中，特征信息主要包括年龄、性别、地域、症状、医疗图像、病灶等，行为信息主要包括：病人本身的一些日常行为，例如，抽烟、喝酒、熬夜等；需要说明的是，当识别的病人状态时，上述样本对象的属性信息可以通过现有的病症映射病症名的标注集、医疗图像对应病症名的标注集、线下人工采集标注病例等等进行获取，也可以利用利用OCR光学字符识别技术可以直接将扫描版病历单或PDF电子病历批量识别，得到json或xml格式的文本标签作为标注数据。
上述共同对应的状态(即上述两种属性信息共同对应的状态，其中，该两种属性信息包括：样本对象的属性信息、与样本对象关联的对象的属性信息)，包括：状态类型和状态类型相应的级别。例如，当用于识别人的健康状态时，上述状态类型可以为疾病类型，关联关系包括以下至少之一：亲属关系、同行关系；其中，当为亲属关系时，状态类别为遗传病，当为同行关系时，状态类别为传染病，同行关系为在预设时间段内与第一对象出现过的地点具有交集的目标对象。
本申请一些可选的实施例中，当上述识别方法用于除人以外的其他目标对象时，例如，用于识别某个地区内苹果的腐烂程度时，第一对象的属性信息包括：苹果树的品种、施肥、当地的降水情况，状态类型则可以分为苹果不同位置的损烂状态，状态类型相应的级别，可以包括：轻度损烂、中度损烂、重度损烂等。关联关系，则可以相邻关系，例如，可以是在同一个箱内相邻的其他苹果的腐烂状态。
当用于识别人的健康状态时，上述状态类型为病人所患疾病类型，例如，如病A、病B、病C、病D……，状态类型相应的级别为患病的程度，例如，病A(严重)、病B(严重)、病C(严重)…病A(中等)、病B(中等)、病C(中等)…病A(轻微)、病B(轻微)、病C(轻微)。容易注意到的，在对样本数据进行标注时，会将个人特征数据和关联人信息结合与其对应正确诊断结果进行标注，形成标注数据集；然后对正确诊断结果标注进行分类，分成若干个病症类型，如病A、病B、病C、病D……，同时区分三种患病程度：严重、中等、轻微，所以实际诊断模型输出结果为3*N个(3为三个患病程度，N为病症类型的个数)，依次将类别：病A(严重)、病B(严重)、病C(严重)、病A(中等)、病B(中等)、病C(中等)、病A(轻微)、病B(轻微)、病C(轻微)进行编号。根据所有类别，将标注数据进行分类，每一类对应一个病症和这个病症的患病程度，分类方式如图2所示。
容易注意到的是，当上述识别方法用于识别某个地区内苹果的腐烂程度时，在对样本对象的数据进行标注时，会将目标苹果的属性信息和关联的苹果属性信息，结合与其正确的损烂状态进行标注，形成标注数据集，然后，对正确的损烂结果标注进行分类，分成若干个不同位置的损烂程度，同时区分三种损烂程度：严重、中等、轻微。
如图3所示，为生成诊断模型的流程示意图，具体为将已标注数据集作为输入，在深度学习训练前先进行one-hot编码数据预处理，对类别进行二进制化操作，然后将其作为模型训练的特征。深度学习方法采用DNN深度神经网络，全连接层后接Softmax归一化函数，用于分类识别场景，进行机器学习模型训练，得到诊断模型，。
本申请一些可选的实施例中，当上述方法用于识别人的健康状态时，识别结果包括：以各个状态类型和级别为元素组成的一维数组，以及元素对应的概率。
具体地，训练出的诊断模型输出的是一个一维向量数组，里面包含了可能所患疾病+程度的概率，例如：[病A(严重),病B(严重),病C(严重),病A(中等)，病B(中等)，病C(中等)，病A(轻微)，病B(轻微)，病C(轻微)]＝[0.03,0.05,0.2,0.5……]，所有向量值的和为1。得到诊断模型后，使用非同源测试集(非训练集)测试诊断模型正确率，并不断调优和输入新的标注数据进行训练，提高诊断正确率，使模型达到最优化。
为了进一步使诊断结果显示的更直观，本申请一些可选的实施例中，可以以一维数组中各个状态类型为列元素、级别为行元素，生成二维数组。二维化的逻辑如下：若疾病种类为N个，患病程度分为3个级别，则结果矩阵为3行N列，每行依次代表患病程度等级，每列为疾病种类，对一维向量数组结果分三次取值，每次取N个元素作为行向量。一维向量数组结果为a[3*N]，二维化结果为b[3][N]，对应关系为b[0][i]＝a[i],b[1][i]＝a[N+i],b[2][i]＝a[2*N+i]，其中0≤i≤N-1，i为整数。
例如，当N为4，即有4种疾病时：
一维向量结果为：a[12]＝{a[0],a[2],a[3]…a[11]}；二维化结果：b[3][4]；一维向量与二维向量的对应关系，如以下表格所示：
| 病A | 病B | 病C | 病D | |
| 严重 | b[0][0]＝a[0] | b[0][1]＝a[1] | b[0][2]＝a[2] | b[0][3]＝a[3] |
| 中等 | b[1][0]＝a[4] | b[1][1]＝a[5] | b[1][2]＝a[6] | b[1][3]＝a[7] |
| 轻微 | b[2][0]＝a[8] | b[2][1]＝a[9] | b[2][2]＝a[10] | b[2][3]＝a[11] |
本申请一些可选的实施例中，在得到二维化结果之后，需要进行阈值筛选，具体地，需要确定二维数组每一列元素对应的概率的最大值，容易注意到的是，概率为第一对象属于对应的状态类型和级别的概率；然后判断该元素对应的概率的最大值是否大于预定阈值；在最大值大于预定阈值的情况下，则将该元素所在列对应的状态类型作为第一对象的状态，以及将该元素所在行对应的级别作为第一对象的状态的层级。例如，以上述表格为例，假如b[0][0]，b[1][1]分别为对应列向量概率的最大值且大于预定阈值，则输出的结果：疑似病症为【病A，严重】，【病B，中等】。
如图4所示，为利用上述诊断模型判断就诊人所患疾病的流程示意图，首先，将输入就诊信息输入至通过训练得到的诊断模型，得到疑似病症和患病程度结果向量，然后将结果向量二维化，在列向量最大值大于预定阈值x时，输出该疑似病症名称和患病程度列表。若小于预定阈值，则认为就诊对象未患此病，即未患该列对应的疑似病症。
当上述识别方法用于识别某个地区内苹果的腐烂程度时，与上述实施例描述的过程基本相同，在此不再赘述。
图5是根据本发明实施例一种状态识别的系统结构图，如图5所示，该系统，包括：
前端设备30，用于接收第一对象的第一属性信息以及与第一对象具有关联关系的第二对象的第二属性信息，其中，第一属性信息包括：第一对象对应的特征信息和行为信息，第二属性信息包括：第二对象对应的特征信息和行为信息；
服务器32，用于将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果，并将识别结果返回至前端设备；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签。
该系统中，前端设备30，用于接收第一对象的第一属性信息以及与第一对象具有关联关系的第二对象的第二属性信息，其中，第一属性信息包括：第一对象对应的特征信息和行为信息，第二属性信息包括：第二对象对应的特征信息和行为信息；服务器32，用于将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果，并将识别结果返回至前端设备；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签，达到了结合目标对象关联的对象识别目标对象所属状态的目的，从而实现了更加准确判断目标对象所属状态的技术效果，进而解决了由于相关技术中仅关注目标对象本身的属性信息造成的判断结果不准确的技术问题。
图6是根据本发明实施例一种状态识别的装置的结构示意图，如图6所示，该装置包括：
获取模块40，用于获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；
识别模块42，用于将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；
确定模块44，用于依据识别结果确定第一对象的状态。
该状态识别的装置中，获取模块40，用于获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；识别模块42，用于将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；确定模块44，用于依据识别结果确定第一对象的状态，达到了结合目标对象关联的对象识别目标对象所属状态的目的，从而实现了更加准确判断目标对象所属状态的技术效果，进而解决了由于相关技术中仅关注目标对象本身的属性信息造成的判断结果不准确的技术问题。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种状态识别的方法。
具体地，上述非易失性存储介质用于存储执行以下功能的程序指令，实现以下功能：
获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；依据识别结果确定第一对象的状态。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行任意一种状态识别的方法。
具体地，上述处理器用于调用存储器中的程序指令，实现以下功能：
获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；依据识别结果确定第一对象的状态。
在本发明实施例中，采用机器学习模型识别目标对象的属性信息以及目标对象关联对象的属性信息的方式，通过获取第一对象的属性信息以及与第一对象具有关联关系的第二对象的属性信息；将第一对象的属性信息和第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和样本对象关联的对象的属性信息共同对应的状态，以及用于标记状态的标签；依据识别结果确定第一对象的状态，达到了结合目标对象关联的对象识别目标对象所属状态的目的，从而实现了更加准确判断目标对象所属状态的技术效果，进而解决了由于相关技术中仅关注目标对象本身的属性信息造成的判断结果不准确的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种状态识别的方法，其特征在于，包括：
获取第一对象的属性信息以及与所述第一对象具有关联关系的第二对象的属性信息；
将所述第一对象的属性信息和所述第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，所述机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和所述样本对象关联的对象的属性信息共同对应的状态，以及用于标记所述状态的标签；
依据所述识别结果确定所述第一对象的状态。
2.根据权利要求1所述的方法，其特征在于，所述共同对应的状态，包括：状态类型和所述状态类型相应的级别。
3.根据权利要求2所述的方法，其特征在于，所述状态类型包括：疾病类型，所述关联关系包括以下至少之一：
亲属关系、同行关系；
其中，当为所述亲属关系时，所述状态类别为遗传病，当为所述同行关系时，所述状态类别为传染病，所述同行关系为在预设时间段内与所述第一对象出现过的地点具有交集的目标对象。
4.根据权利要求2所述的方法，其特征在于，所述识别结果包括：以各个所述状态类型和所述级别为元素组成的一维数组，以及所述元素对应的概率。
5.根据权利要求4所述的方法，其特征在于，
以所述一维数组中各个所述状态类型为列元素、所述级别为行元素，生成二维数组。
6.根据权利要求5所述的方法，其特征在于，
确定所述二维数组每一列元素对应的概率的最大值，其中，所述概率为所述第一对象属于对应的所述状态类型和所述级别的概率；
判断该元素对应的概率的最大值是否大于预定阈值；
在所述最大值大于预定阈值的情况下，则将该元素所在列对应的状态类型作为所述第一对象的状态，以及将该元素所在行对应的级别作为所述第一对象的状态的层级。
7.一种状态识别的系统，其特征在于，包括：
前端设备，用于接收第一对象的第一属性信息以及与所述第一对象具有关联关系的第二对象的第二属性信息，其中，所述第一属性信息包括：所述第一对象对应的特征信息和行为信息，所述第二属性信息包括：所述第二对象对应的特征信息和行为信息；
服务器，用于将所述第一对象的属性信息和所述第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果，并将所述识别结果返回至所述前端设备；
其中，所述机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和所述样本对象关联的对象的属性信息共同对应的状态，以及用于标记所述状态的标签。
8.一种状态识别的装置，其特征在于，包括：
获取模块，用于获取第一对象的属性信息以及与所述第一对象具有关联关系的第二对象的属性信息；
识别模块，用于将所述第一对象的属性信息和所述第二对象的属性信息输入至机器学习模型中进行分析，得到识别结果；其中，所述机器学习模型是通过多组数据训练得到的，多组数据中的每组数据均包括：样本对象的属性信息和所述样本对象关联的对象的属性信息共同对应的状态，以及用于标记所述状态的标签；
确定模块，用于依据所述识别结果确定所述第一对象的状态。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至6中任意一项所述状态识别的方法。
10.一种处理器，其特征在于，所述处理器用于运行存储在存储器中的程序，其中，所述程序运行时执行权利要求1至6中任意一项所述状态识别的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010713835.7A CN111816311B (zh) | 2020-07-22 | 状态识别的方法、系统、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010713835.7A CN111816311B (zh) | 2020-07-22 | 状态识别的方法、系统、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111816311A true CN111816311A (zh) | 2020-10-23 |
| CN111816311B CN111816311B (zh) | 2024-10-22 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657325A (zh) * | 2021-08-24 | 2021-11-16 | 北京百度网讯科技有限公司 | 用于确定标注样式信息的方法、装置、介质及程序产品 |
| WO2022100687A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云（北京）技术有限公司 | 融合决策方法及装置、计算机可读存储介质及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100278419A1 (en) * | 2009-04-30 | 2010-11-04 | Hirotaka Suzuki | Information processing apparatus and method, and program |
| CN102999686A (zh) * | 2011-09-19 | 2013-03-27 | 上海煜策信息科技有限公司 | 一种健康管理系统及其实现方法 |
| CN107506786A (zh) * | 2017-07-21 | 2017-12-22 | 华中科技大学 | 一种基于深度学习的属性分类识别方法 |
| CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
| WO2019051941A1 (zh) * | 2017-09-15 | 2019-03-21 | 平安科技（深圳）有限公司 | 车型识别方法、装置、设备及计算机可读存储介质 |
| CN109597493A (zh) * | 2018-12-11 | 2019-04-09 | 科大讯飞股份有限公司 | 一种表情推荐方法及装置 |
| CN109903825A (zh) * | 2019-03-08 | 2019-06-18 | 上海一健事信息科技有限公司 | 一种基于人工智能的健康管理系统 |
| CN110706822A (zh) * | 2019-09-20 | 2020-01-17 | 上海派拉软件股份有限公司 | 基于逻辑回归模型和决策树模型的健康管理方法 |
| WO2020096099A1 (ko) * | 2018-11-09 | 2020-05-14 | 주식회사 루닛 | 기계 학습 방법 및 장치 |
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100278419A1 (en) * | 2009-04-30 | 2010-11-04 | Hirotaka Suzuki | Information processing apparatus and method, and program |
| CN102999686A (zh) * | 2011-09-19 | 2013-03-27 | 上海煜策信息科技有限公司 | 一种健康管理系统及其实现方法 |
| CN107506786A (zh) * | 2017-07-21 | 2017-12-22 | 华中科技大学 | 一种基于深度学习的属性分类识别方法 |
| WO2019051941A1 (zh) * | 2017-09-15 | 2019-03-21 | 平安科技（深圳）有限公司 | 车型识别方法、装置、设备及计算机可读存储介质 |
| CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
| WO2020096099A1 (ko) * | 2018-11-09 | 2020-05-14 | 주식회사 루닛 | 기계 학습 방법 및 장치 |
| CN109597493A (zh) * | 2018-12-11 | 2019-04-09 | 科大讯飞股份有限公司 | 一种表情推荐方法及装置 |
| CN109903825A (zh) * | 2019-03-08 | 2019-06-18 | 上海一健事信息科技有限公司 | 一种基于人工智能的健康管理系统 |
| CN110706822A (zh) * | 2019-09-20 | 2020-01-17 | 上海派拉软件股份有限公司 | 基于逻辑回归模型和决策树模型的健康管理方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022100687A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云（北京）技术有限公司 | 融合决策方法及装置、计算机可读存储介质及电子设备 |
| CN113657325A (zh) * | 2021-08-24 | 2021-11-16 | 北京百度网讯科技有限公司 | 用于确定标注样式信息的方法、装置、介质及程序产品 |
| CN113657325B (zh) * | 2021-08-24 | 2024-04-12 | 北京百度网讯科技有限公司 | 用于确定标注样式信息的方法、装置、介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bosilj et al. | Transfer learning between crop types for semantic segmentation of crops versus weeds in precision agriculture | |
| Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
| CN111476315B (zh) | 一种基于统计相关性与图卷积技术的图像多标签识别方法 | |
| CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
| WO2020007989A1 (en) | Method for co-clustering senders and receivers based on text or image data files | |
| CN103064941A (zh) | 图像检索方法和装置 | |
| CN111477328B (zh) | 一种非接触式的心理状态预测方法 | |
| CN110704662A (zh) | 一种图像分类方法及系统 | |
| CN112786160A (zh) | 基于图神经网络的多图片输入的多标签胃镜图片分类方法 | |
| CN117272204A (zh) | 异常数据检测方法、装置、存储介质和电子设备 | |
| Lanjewar et al. | CNN and transfer learning methods with augmentation for citrus leaf diseases detection using PaaS cloud on mobile | |
| Sangeetha et al. | A novel exploration of plant disease and pest detection using machine learning and deep learning algorithms | |
| Banerjee et al. | A regularized cnn-svm framework for improved diagnosis of citrus fruit diseases, both common and exotic | |
| CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
| CN113261975A (zh) | 一种基于深度学习的心电分类方法 | |
| Banerjee et al. | Enhancing Snake Plant Disease Classification through CNN-Random Forest Integration | |
| CN111816311A (zh) | 状态识别的方法、系统、装置 | |
| Nurhanna et al. | Multi-class support vector machine application in the field of agriculture and poultry: A review | |
| Saha et al. | Rice leaf disease recognition using gray-level co-occurrence matrix and statistical features | |
| CN111816311B (zh) | 状态识别的方法、系统、装置 | |
| CN114022698A (zh) | 一种基于二叉树结构的多标签行为识别方法及装置 | |
| Ahmed et al. | Ontology-based classification method using statistical and symbolic approaches for plant diseases detection in agriculture | |
| CN109444360B (zh) | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 | |
| Bharathi et al. | The significance of feature selection techniques in machine learning | |
| Valarmathi et al. | Fruit Disease Prediction with Fertilizer Recommendation for Citrus Family using Deep Learning |
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 |