CN111816312A - 基于模型解释的健康状态检测方法、设备及可读存储介质 - Google Patents
基于模型解释的健康状态检测方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111816312A CN111816312A CN202010957913.8A CN202010957913A CN111816312A CN 111816312 A CN111816312 A CN 111816312A CN 202010957913 A CN202010957913 A CN 202010957913A CN 111816312 A CN111816312 A CN 111816312A
- Authority
- CN
- China
- Prior art keywords
- health state
- model
- health
- target
- preset
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本申请公开了一种基于模型解释的健康状态检测方法、设备及可读存储介质,所述基于模型解释的健康状态检测方法包括:获取目标用户对应的待检测用户数据,并将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果,对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素,基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果。本申请解决了健康状态检测置信度低的技术问题。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种基于模型解释的健康状态检测方法、设备及可读存储介质。
背景技术
随着计算机软件和人工智能的不断发展,机器学习模型的应用越来越广泛,由于人们的生活习惯越来越不规律,大多数人均处于非正常健康状态,而长期处于非正常健康状态的人将产生免疫力下降等状况,目前,机器学习模型通常基于收集的用户数据,对用户的健康状态进行评分,进而基于评分,判断用户是否处于非正常健康状态,例如,如评分低于预设评分阀值,则判断用户处于非正常健康状态,但是,仅基于机器学习模型的评分,确定用户处于非正常健康状态,将导致健康状态检测的置信度较低。
发明内容
本申请的主要目的在于提供一种基于模型解释的健康状态检测方法、设备及可读存储介质,旨在解决现有技术中健康状态检测置信度低的技术问题。
为实现上述目的,本申请提供一种基于模型解释的健康状态检测方法,所述基于模型解释的健康状态检测方法应用于基于模型解释的健康状态检测设备,所述基于模型解释的健康状态检测方法包括:
获取目标用户对应的待检测用户数据,并将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果;
对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素;
基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果。
可选地,所述健康状态影响因素包括目标健康状态影响特征,
所述对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素的步骤包括:
若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征;
基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度;
基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
可选地,所述基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度的步骤包括:
基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集;
基于所述预设健康状态预测模型和所述模型解释样本集,计算各所述特征贡献度。
可选地,所述模型解释样本集至少包括一个模型输入元素,所述模型输入元素至少包括一个第一类型元素和一个第二类型元素,
所述基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集的步骤包括:
在各所述健康状态影响特征中选取目标特征,并在所述待检测用户数据中剔除所述目标特征对应的目标特征数据,获得剔除数据集,并在所述剔除数据集中选取所述第一类型元素之一,其中,所述第一类型元素为所述剔除数据集的子集;
将所述目标特征数据加入所述第一类型元素,获得所述第二类型元素之一;
重新在各所述健康状态影响特征中选取所述目标特征,以获取其他所述第一类型元素和其他所述第二类型元素,直至所述待检测用户数据中不存在所述目标特征,获得所述模型解释样本集。
可选地,所述基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征的步骤包括:
确定各所述特征贡献度的目标绝对值,并对各所述目标绝对值进行排序,获得排序结果;
基于所述排序结果,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
可选地,所述健康状态初始检测结果包括健康概率,
在所述若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征的步骤之前包括,所述健康状态检测方法还包括:
将所述健康概率与预设概率阀值进行比对,若所述健康概率大于或者等于所述预设概率阀值,则所述健康状态初始检测结果不满足所述预设健康状态判定条件;
若所述健康概率小于所述预设概率阀值,则所述健康状态初始检测结果满足所述预设健康状态判定条件。
可选地,所述基于模型解释的健康状态检测方法应用于第一设备,
在所述将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果的步骤之前,所述基于模型解释的健康状态检测还包括:
获取训练数据集和初始化模型,并基于所述训练数据集,对初始化模型进行迭代训练更新,直至达到预设迭代次数,获得迭代训练更新模型;
对所述迭代训练模型对应的模型参数进行加密,获得加密模型参数;
将所述加密模型参数发送至第二设备,以供所述第二设备对各所述第一设备发送的所述加密模型参数进行聚合,获得加密聚合模型参数;
接收所述第二设备发送的加密聚合模型参数,并基于所述加密聚合模型参数,对所述迭代训练更新模型进行更新,直至所述迭代训练更新模型满足预设迭代训练结束条件,获得所述预设健康状态预测模型。
可选地,所述将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果的步骤包括:
将所述待检测用户数据输入所述预设健康状态预测模型,对所述待检测用户数据进行分类,以对所述目标用户进行健康状态评估,获得健康状态分类标签;
基于所述健康状态分类标签,确定所述健康状态初始检测结果。
本申请还提供一种基于模型解释的健康状态检测装置,所述基于模型解释的健康状态检测装置为虚拟装置,且所述基于模型解释的健康状态检测装置应用于基于模型解释的健康状态检测设备,所述基于模型解释的健康状态检测装置包括:
预测模块,用于获取目标用户对应的待检测用户数据,并将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果;
模型解释模块,用于对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素;
生成模块,用于基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果。
可选地,所述模型解释模块包括:
第一确定子模块,用于若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征;
计算子模块,用于基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度;
选取子模块,用于基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
可选地,所述计算子模块包括:
确定单元,用于基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集;
计算单元,用于基于所述预设健康状态预测模型和所述模型解释样本集,计算各所述特征贡献度。
可选地,所述确定单元包括:
剔除子单元,用于在各所述健康状态影响特征中选取目标特征,并在所述待检测用户数据中剔除所述目标特征对应的目标特征数据,获得剔除数据集,并在所述剔除数据集中选取所述第一类型元素之一,其中,所述第一类型元素为所述剔除数据集的子集;
并入子单元,用于将所述目标特征数据加入所述第一类型元素,获得所述第二类型元素之一;
选取子单元,用于重新在各所述健康状态影响特征中选取所述目标特征,以获取其他所述第一类型元素和其他所述第二类型元素,直至所述待检测用户数据中不存在所述目标特征,获得所述模型解释样本集。
可选地,所述选取子模块包括:
排序单元,用于确定各所述特征贡献度的目标绝对值,并对各所述目标绝对值进行排序,获得排序结果;
选取单元,用于基于所述排序结果,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
可选地,所述基于模型解释的健康状态检测装置还包括:
第一判定模块,用于将所述健康概率与预设概率阀值进行比对,若所述健康概率大于或者等于所述预设概率阀值,则所述健康状态初始检测结果不满足所述预设健康状态判定条件;
第二判定模块,用于若所述健康概率小于所述预设概率阀值,则所述健康状态初始检测结果满足所述预设健康状态判定条件。
可选地,所述基于模型解释的健康状态检测装置还包括:
迭代训练更新模块,用于获取训练数据集和初始化模型,并基于所述训练数据集,对初始化模型进行迭代训练更新,直至达到预设迭代次数,获得迭代训练更新模型;
加密模块,用于对所述迭代训练模型对应的模型参数进行加密,获得加密模型参数;
发送模块,用于将所述加密模型参数发送至第二设备,以供所述第二设备对各所述第一设备发送的所述加密模型参数进行聚合,获得加密聚合模型参数;
更新模块,用于接收所述第二设备发送的加密聚合模型参数,并基于所述加密聚合模型参数,对所述迭代训练更新模型进行更新,直至所述迭代训练更新模型满足预设迭代训练结束条件,获得所述预设健康状态预测模型。
可选地,所述预测模块包括:
分类子模块,用于将所述待检测用户数据输入所述预设健康状态预测模型,对所述待检测用户数据进行分类,以对所述目标用户进行健康状态评估,获得健康状态分类标签;
第二确定子模块,用于基于所述健康状态分类标签,确定所述健康状态初始检测结果。
本申请还提供一种基于模型解释的健康状态检测设备,所述基于模型解释的健康状态检测设备为实体设备,所述基于模型解释的健康状态检测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于模型解释的健康状态检测方法的程序,所述基于模型解释的健康状态检测方法的程序被处理器执行时可实现如上述的基于模型解释的健康状态检测方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现基于模型解释的健康状态检测方法的程序,所述基于模型解释的健康状态检测方法的程序被处理器执行时实现如上述的基于模型解释的健康状态检测方法的步骤。
本申请提供了一种基于模型解释的健康状态检测方法、设备及可读存储介质,与现有技术采用基于机器学习模型的评分,判断用户是否非正常健康状态的技术手段相比,本申请在基于预设健康状态预测模型对目标用户进行健康状态检测,获得健康状态初始检测结果之后,基于模型解释的方法,分析导致所述健康状态初始检测结果的健康状态影响因素,进而基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果,进而实现了基于导致健康状态初始检测结果的健康状态影响因素,对目标用户是否处于非正常健康状态进行高置信度检测的目的,可解释导致目标用户处于非正常健康状态的原因,提高了健康状态检测结果的置信度,进而克服了现有技术中基于机器学习模型的评分,判断用户是否非正常健康状态,将导致健康状态检测置信度低的技术缺陷,进而提高了健康状态检测的置信度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请基于模型解释的健康状态检测方法第一实施例的流程示意图;
图2为本申请基于模型解释的健康状态检测方法第二实施例的流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种基于模型解释的健康状态检测方法,在本申请基于模型解释的健康状态检测方法的第一实施例中,参照图1,所述基于模型解释的健康状态检测方法包括:
步骤S10,获取目标用户对应的待检测用户数据,并将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果;
在本实施例中,需要说明的是,所述待检测用户数据为与目标用户的健康状态关联的数据,用于评估目标用户的健康状态,其中,所述待检测用户数据包括用户行为数据和用户病理数据等,其中,所述用户行为数据包括运动量、手机使用频率、上班时长和饮食搭配等,所述用户病理数据包括用户患病史和用户疾病治疗记录等,所述预设健康状态预测模型为对所述目标用户进行健康状态检测的神经网络模型,用于评估所述目标用户是否处于非正常健康状态或者评估所述目标用户处于非正常健康状态的概率。
获取目标用户对应的待检测用户数据,并将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果,具体地,获取目标用户对应的待检测用户数据,并将所述待检测用户数据对应的用户特征表示向量输入所述预设健康状态预测模型,其中,所述用户特征表示向量为所述述待检测用户数据的向量表示形式,例如,假设所述用户特征表示向量为(a,b,c),则特征值a表示目标用户对应的运动量,特征值b表示目标用户的日工作时长,特征值c表示目标用户的饮食搭配,进而对所述用户特征表示向量进行数据处理,其中,数据处理包括卷积、池化和全连接等,获得健康状态检测向量,并将所述健康状态检测向量作为健康状态初始检测结果,例如,假设所述健康状态检测向量为(1,0.8),其中,1为所述目标用户的标签,表示目标用户处于非正常健康状态,0.8表示目标用户有80%的概率处于非正常健康状态。
其中,所述将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果的步骤包括:
步骤S11,将所述待检测用户数据输入所述预设健康状态预测模型,对所述待检测用户数据进行分类,以对所述目标用户进行健康状态评估,获得健康状态分类标签;
在本实施例中,将所述待检测用户数据输入所述预设健康状态预测模型,对所述待检测用户数据进行分类,以对所述目标用户进行健康状态评估,获得健康状态分类标签,具体地,对所述待检测用户数据进行编码,例如,独热编码等,进而获得所述待检测用户数据对应的用户特征编码数据,进而将所述用户特征编码数据输入所述预设健康状态预测模型,对所述用户特征编码数据进行数据处理,例如,卷积、池化和全连接等,以对所述待检测用户数据进行分类,获得分类向量,并将所述分类向量作为所述健康状态分类标签。
步骤S12,基于所述健康状态分类标签,确定所述健康状态初始检测结果。
在本实施例中,基于所述健康状态分类标签,确定所述健康状态初始检测结果,具体地,基于所述分类向量,在预设数据库中查询所述分类向量对应的健康概率,并将所述健康概率作为所述健康状态初始检测结果,其中,所述健康概率为目标用户处于非正常健康状态的概率。
其中,所述基于模型解释的健康状态检测方法应用于第一设备,
在所述将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果的步骤之前,所述基于模型解释的健康状态检测还包括:
步骤A10,获取训练数据集和初始化模型,并基于所述训练数据集,对初始化模型进行迭代训练更新,直至达到预设迭代次数,获得迭代训练更新模型;
在本实施例中,需要说明的是,所述训练数据集至少包括一个训练样本,所述初始化模型为未训练好的神经网络模型。
获取训练数据集和初始化模型,并基于所述训练数据集,对初始化模型进行迭代训练更新,直至达到预设迭代次数,获得迭代训练更新模型,具体地,获取初始化模型,并与其他纵向联邦学习参与方进行样本对齐,获得训练样本,进而将所述训练样本输入所述初始化模型,对所述初始化模型进行迭代训练更新,直至所述初始化模型的训练更新次数达到预设迭代次数,获得迭代训练更新模型。
步骤A20,对所述迭代训练模型对应的模型参数进行加密,获得加密模型参数;
在本实施例中,需要说明的是,加密的方法包括同态加密,所述加密模型参数为进行了同态加密的所述迭代训练模型对应的模型参数。
步骤A30,将所述加密模型参数发送至第二设备,以供所述第二设备对各所述第一设备发送的所述加密模型参数进行聚合,获得加密聚合模型参数;
在本实施例中,需要说明的是,所述第一设备为纵向联邦学习的参与方,所述第二设备为纵向联邦学习的协调方,例如,在两方联邦学习场景中,第一设备A为可穿戴智能设备的供应商,基于可穿戴智能设备收集用户行为数据,第一设备B为医院,收集用户病理数据,进而第一设备A与第一设备B即可协调方的协助下,进行纵向联邦学习。
将所述加密模型参数发送至第二设备,以供所述第二设备对各所述第一设备发送的所述加密模型参数进行聚合,获得加密聚合模型参数,具体地,将所述加密模型参数发送至第二设备,进而所述第二设备在接收各所述第一设备发送的加密模型参数之后,基于预设聚合规则,对各所述加密模型参数进行聚合,获得加密聚合模型参数,并将所述加密聚合模型参数分别发送至各所述第一设备,其中,所述预设聚合规则包括加权平局和求和等。
步骤A40,接收所述第二设备发送的加密聚合模型参数,并基于所述加密聚合模型参数,对所述迭代训练更新模型进行更新,直至所述迭代训练更新模型满足预设迭代训练结束条件,获得所述预设健康状态预测模型。
在本实施例中,接收所述第二设备发送的加密聚合模型参数,并基于所述加密聚合模型参数,对所述迭代训练更新模型进行更新,直至所述迭代训练更新模型满足预设迭代训练结束条件,获得所述预设健康状态预测模型,具体地,接收所述第二设备发送的加密聚合模型参数,并对所述加密聚合模型参数进行解密,获得聚合模型参数,进而将所述迭代训练更新模型的模型参数替换更新为所述聚合模型参数,获得纵向联邦更新模型,并判断所述纵向联邦更新模型是否满足预设纵向联邦结束条件,若满足,则将所述纵向联邦更新模型作为所述预设健康状态预测模型,若不满足,则重新获取训练样本,以通过进行纵向联邦学习,对所述纵向联邦更新模型进行迭代训练更新,直至所述纵向联邦更新模型满足所述预设纵向联邦结束条件。
步骤S20,对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素;
在本实施例中,需要说明的是,所述健康状态影响因素为对所述健康状态初始检测结果的影响程度高于预设影响程度阀值的因素,也即为导致所述健康状态初始检测结果的目标影响因素,其中,所述健康状态影响因素包括所述目标用户对应的目标健康状态影响特征,其中,所述目标健康状态影响特征为对所述健康状态初始检测结果的特征贡献度大于预设贡献度阀值的用户特征其中,所述目标健康状态影响特征包括运动量特征和饮食习惯特征等。
对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素,具体地,确定所述待检测用户数据对应的各健康状态影响特征,并对所述健康状态初始检测结果进行模型预测解释,以分别计算各所述健康状态影响特征对健康状态初始检测结果的特征贡献度,进而基于各所述特征贡献度,在各所述健康状态影响特征中确定目标健康状态影响特征。
其中,所述健康状态影响因素包括目标健康状态影响特征,
所述对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素的步骤包括:
步骤S21,若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征;
在本实施例中,需要说明的是,所述预设健康状态判定条件为判断目标用户是否处于非正常健康状态的条件。
若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征,具体地,若所述健康状态初始检测结果满足预设健康状态判定条件,则基于所述待检测用户数据对应的数据类别信息,确定各所述健康状态影响特征,例如,假设所述待检测用户数据为目标用户的日工作时长10小时,则所述数据类别信息为工作时长信息,进而所述健康状态影响特征为工作量特征。
其中,所述健康状态初始检测结果包括健康概率,
在所述若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征的步骤之前包括,所述健康状态检测方法还包括:
步骤B10,将所述健康概率与预设概率阀值进行比对,若所述健康概率大于或者等于所述预设概率阀值,则所述健康状态初始检测结果不满足所述预设健康状态判定条件;
在本实施例中,将所述健康概率与预设概率阀值进行比对,若所述健康概率大于或者等于所述预设概率阀值,则所述健康状态初始检测结果不满足所述预设健康状态判定条件,具体地,将所述健康概率与预设概率阀值进行比对,若所述健康概率大于或者等于所述预设概率阀值,则判定所述目标用户处于正常健康状态,进而所述健康状态初始检测结果不满足所述预设健康状态判定条件,其中,所述预设概率阀值为预先设定好的目标用户处于正常健康状态的概率阀值。
步骤B20,若所述健康概率小于所述预设概率阀值,则所述健康状态初始检测结果满足所述预设健康状态判定条件。
在本实施例中,若所述健康概率小于所述预设概率阀值,则所述健康状态初始检测结果满足所述预设健康状态判定条件,具体地,若所述健康概率小于所述预设概率阀值,则判定所述目标用户处于非正常健康状态,进而所述健康状态初始检测结果满足所述预设健康状态判定条件。
步骤S22,基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度;
在本实施例中,需要说明的是,所述特征贡献度为所述健康状态影响特征对所述健康状态初始检测结果的影响程度,其中,所述特征贡献度包括正特征贡献度和负特征贡献度,其中,正特征贡献度表示对所述健康状态初始检测结果具有正向的影响,负特征贡献度表示对所述健康状态初始检测结果具有负向的影响,例如,假设在进行目标用户的运动量为慢跑10公里,工作时长为10小时,则对应的健康状态影响特征分别为运动量特征和工作量特征,进而由于运动有助于身体健康,则运动量特征对应的特征贡献度应当为负特征贡献度,对目标用户处于非正常健康状态的概率的提升具有反向激励作用,将降低用户处于非正常健康状态的概率,由于工作时长超过8小时,则工作量特征对应的特征贡献度应当为正特征贡献度,对目标用户处于非正常健康状态的提升具有正向激励作用,将提高目标用户处于非正常健康状态的概率。
基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度,具体地,基于所述预设健康状态预测模型,通过预设特征贡献度计算方式,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度,其中,所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations,沙普利可加性模型解释)和LIME(Local Interpretable Model-Agnostic Explanations,模型无关局部解释)等。
步骤S23,基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
在本实施例中,基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征,具体地,在各所述特征贡献度中选取大于预设特征贡献度阀值的各目标特征贡献度,进而将各所述目标特征贡献度对应的健康状态影响特征作为目标健康状态影响特征。
其中,所述基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征的步骤包括:
步骤S231,确定各所述特征贡献度的目标绝对值,并对各所述目标绝对值进行排序,获得排序结果;
在本实施例中,确定各所述特征贡献度的目标绝对值,并对各所述目标绝对值进行排序,获得排序结果,具体地,确定各所述特征贡献度的目标绝对值,并将各所述目标绝对值以从大至小的方式进行排序,获得排序列表,并将所述排序列表作为所述排序结果。
步骤S232,基于所述排序结果,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
在本实施例中,基于所述排序结果,在各所述健康状态影响特征中选取所述目标健康状态影响特征,具体地,基于所述排序列表中的健康状态影响特征的排列顺序,则所述排序列表中选取预设数量的健康状态影响特征作为目标健康状态影响特征,其中,所述目标健康状态影响特征为所述排序列表中对应的目标绝对值大于预设阀值的健康状态影响特征。
步骤S30,基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果。
在本实施例中,需要说明的是,所述健康状态初始检测结果包括健康状态检测向量,所述健康状态影响因素包括健康状态影响因素向量,其中,所述健康状态影响因素向量用于表示健康状态影响特征和所述健康状态影响特征对应的特征贡献度,例如,假设所述健康状态影响因素向量为(a,b),其中,a为健康状态影响特征的表示,b为所述特征贡献度。
基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果,具体地,将所述健康状态检测向量和所述健康状态影响因素向量进行拼接,获得目标健康状态表示向量,并将所述目标健康状态表示向量作为所述目标健康状态检测结果,其中,所述目标健康状态表示向量为表示目标用户的健康状态检测结果和导致所述健康状态检测结果的影响因素的向量,例如,假设所述健康状态检测向量为(m,n),所述健康状态影响因素向量为(x,y),则所述目标健康状态表示向量为(m,n,x,y)。
本申请实施例提供了一种基于模型解释的健康状态检测方法,与现有技术采用基于机器学习模型的评分,判断用户是否非正常健康状态的技术手段相比,本申请实施例在基于预设健康状态预测模型对目标用户进行健康状态检测,获得健康状态初始检测结果之后,基于模型解释的方法,分析导致所述健康状态初始检测结果的健康状态影响因素,进而基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果,进而实现了基于导致健康状态初始检测结果的健康状态影响因素,对目标用户是否处于非正常健康状态进行高置信度检测的目的,可解释导致目标用户处于非正常健康状态的原因,提高了健康状态检测结果的置信度,进而克服了现有技术中基于机器学习模型的评分,判断用户是否非正常健康状态,将导致健康状态检测置信度低的技术缺陷,进而提高了健康状态检测的置信度。
进一步地,参照图2,基于本申请中第一实施例,在本申请的另一实施例中,所述基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度的步骤包括:
步骤S221,基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集;
在本实施例中,需要说明的是,本实施例中计算特征贡献度的方法为SHAP,所述模型解释样本集为用于计算SHAP值的样本集,所述模型解释样本集包括一个或者多个模型输入元素,所述模型输入元素包括一个或者多个第一类型元素和一个或者多个第二类型元素。
基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集,具体地,在各所述健康状态影响特征中选取目标特征,进而在所述待检测用户数据中剔除所述目标特征对应的数据,获得剔除数据集,其中,所述剔除数据集为除所述目标特征之外的其余各健康状态影响特征对应的数据集,进而在剔除数据集中选取子集作为所述第一类型元素之一,并将所述目标特征加入所述第一类型元素,获得第二类型元素之一,直至所述剔除数据集的子集均被选取过一次,获得所述目标特征对应的各第一类型元素和各第二类型元素,并重新在各所述健康状态影响特征中选取目标特征以获取所述第一类型元素和第二类型元素,直至各所述健康状态影响特征均被选取过一次作为所述目标特征,其中,需要说明的是,所述剔除数据集的每一子集和每一目标特征均只选取一次。
其中,所述模型解释样本集至少包括一个模型输入元素,所述模型输入元素至少包括一个第一类型元素和一个第二类型元素,
所述基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集的步骤包括:
步骤C10,在各所述健康状态影响特征中选取目标特征,并在所述待检测用户数据中剔除所述目标特征对应的目标特征数据,获得剔除数据集,并在所述剔除数据集中选取所述第一类型元素之一,其中,所述第一类型元素为所述剔除数据集的子集;
在本实施例中,需要说明的是,每一所述健康状态影响特征均只选取一次作为所述目标特征,所述剔除数据集的每一子集均只选取一次作为所述第一类型元素之一,且若需要进行基于所述预设健康状态预测模型对各所述健康状态影响特征进行全局解释,则所述第一类型元素即为所述剔除数据集,其中,所述剔除数据集的子集为对应的各健康状态影响特征进行排列组合确定的,例如,假设所述剔除数据集为(A,B),其中,A和B代表不同的健康状态影响特征,则所述剔除数据集的子集包括空集,A,B,(A,B)和(B,A)五种情况。
步骤C20,将所述目标特征数据加入所述第一类型元素,获得所述第二类型元素之一;
在本实施例中,将所述目标特征加入所述第一类型元素,获得所述第二类型元素之一,具体地,将所述目标特征对应的目标特征数据并入所述目标特征对应的第一类型元素,获得所述目标特征数据和所述第一类型元素之间的并集,并将所述并集作为所述第一类型元素对应的第二类型元素。
步骤C30,重新在各所述健康状态影响特征中选取所述目标特征,以获取其他所述第一类型元素和其他所述第二类型元素,直至所述待检测用户数据中不存在所述目标特征,获得所述模型解释样本集。
在本实施例中,需要说明的是,若一所述健康状态影响特征已经被选取过作为所述目标特征,则选取过的所述健康状态影响特征不能再作为所述目标特征,且选取过的所述剔除数据集的子集不能再作为所述第一类型元素之一。
重新在所述健康状态影响特征中选取所述目标特征,以获取其他所述第一类型元素和其他所述第二类型元素,直至所述待检测用户数据中不存在所述目标特征,获得所述模型解释样本集,具体地,重复执行所述步骤B10至步骤B20,直至获得的所述剔除数据集中无法再选取所述第一类型元素和所述第二类型元素,获得所述模型解释样本集。
步骤S222,基于所述预设健康状态预测模型和所述模型解释样本集,计算各所述特征贡献度。
在本实施例中,需要说明的是,所述模型解释样本集包括各所述健康状态影响特征分别对应的各所述第一类型元素和各所述第二类型元素,其中,一所述健康状态影响特征至少对应一所述第一类型元素和一所述第二类型元素。
基于所述预设健康状态预测模型和所述模型解释样本集,分别计算各所述特征贡献度,具体地,分别将各所述健康状态影响特征分别对应的各第一类型元素和对应的各第二类型元素输入所述预设健康状态预测模型,执行模型预测,获得所述预设健康状态预测模型在所述模型解释样本集中各元素上的输出结果,获得所述模型输出结果集合,其中,一所述第一类型元素或者一所述第二类型元素对应所述模型输出结果集合中的一输出结果元素,进一步地,基于所述模型输出结果集合,通过预设SHAP值计算公式,计算各所述健康状态影响特征分别对应的各SHAP值,其中,一所述健康状态影响特征至少对应一SHAP值,进而对每一所述健康状态影响特征对应的各SHAP值求平均,获得各所述健康状态影响特征对应的特征贡献度,其中,所述预设SHAP值计算公式如下所示:
其中,为所述SHAP值,F为各所述健康状态影响特征的特征数据集合,F\{i}为F中剔除第i 个特征后的剔除数据集,S为所述剔除数据集的一个子集,为所述预设健康状态预测模型在S集合上的输出值,为S 集并上特征i后在所述预设健康状态预测模型上的输出值,且所述预设SHAP值公式中带有阶乘符号的分数系数为剔除的健康状态影响特征是第i个特征且剔除数据集为S时的情况占所有情况的概率。
本实施例通过基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集,进而基于所述预设健康状态预测模型和所述模型解释样本集,分别计算各所述特征贡献度。也即本实施例提供了一种基于SHAP算法计算特征贡献度的方法,进而计算获得各健康状态影响特征的特征贡献度之后,也即,在计算获得导致所述健康状态初始检测结果的健康状态影响因素之后,即可基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果,与现有技术采用基于机器学习模型的评分,判断用户是否非正常健康状态的技术手段相比,在评估目标用户是否处于非正常健康状态的同时,还解释了用户处于非正常健康状态的原因,进而克服了现有技术中基于机器学习模型的评分,判断用户是否非正常健康状态,将导致健康状态检测置信度低的技术缺陷,进而为提高健康状态检测的置信度奠定了基础。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该基于模型解释的健康状态检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该基于模型解释的健康状态检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的基于模型解释的健康状态检测设备结构并不构成对基于模型解释的健康状态检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于模型解释的健康状态检测方法程序。操作系统是管理和控制基于模型解释的健康状态检测设备硬件和软件资源的程序,支持基于模型解释的健康状态检测方法程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于模型解释的健康状态检测方法系统中其它硬件和软件之间通信。
在图3所示的基于模型解释的健康状态检测设备中,处理器1001用于执行存储器1005中存储的基于模型解释的健康状态检测方法程序,实现上述任一项所述的基于模型解释的健康状态检测方法的步骤。
本申请基于模型解释的健康状态检测设备具体实施方式与上述基于模型解释的健康状态检测方法各实施例基本相同,在此不再赘述。
本申请实施例还提供一种基于模型解释的健康状态检测装置,所述基于模型解释的健康状态检测装置应用于基于模型解释的健康状态检测设备,所述基于模型解释的健康状态检测装置包括:
预测模块,用于获取目标用户对应的待检测用户数据,并将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果;
模型解释模块,用于对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素;
生成模块,用于基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果。
可选地,所述模型解释模块包括:
第一确定子模块,用于若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征;
计算子模块,用于基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度;
选取子模块,用于基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
可选地,所述计算子模块包括:
确定单元,用于基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集;
计算单元,用于基于所述预设健康状态预测模型和所述模型解释样本集,计算各所述特征贡献度。
可选地,所述确定单元包括:
剔除子单元,用于在各所述健康状态影响特征中选取目标特征,并在所述待检测用户数据中剔除所述目标特征对应的目标特征数据,获得剔除数据集,并在所述剔除数据集中选取所述第一类型元素之一,其中,所述第一类型元素为所述剔除数据集的子集;
并入子单元,用于将所述目标特征数据加入所述第一类型元素,获得所述第二类型元素之一;
选取子单元,用于重新在各所述健康状态影响特征中选取所述目标特征,以获取其他所述第一类型元素和其他所述第二类型元素,直至所述待检测用户数据中不存在所述目标特征,获得所述模型解释样本集。
可选地,所述选取子模块包括:
排序单元,用于确定各所述特征贡献度的目标绝对值,并对各所述目标绝对值进行排序,获得排序结果;
选取单元,用于基于所述排序结果,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
可选地,所述基于模型解释的健康状态检测装置还包括:
第一判定模块,用于将所述健康概率与预设概率阀值进行比对,若所述健康概率大于或者等于所述预设概率阀值,则所述健康状态初始检测结果不满足所述预设健康状态判定条件;
第二判定模块,用于若所述健康概率小于所述预设概率阀值,则所述健康状态初始检测结果满足所述预设健康状态判定条件。
可选地,所述基于模型解释的健康状态检测装置还包括:
迭代训练更新模块,用于获取训练数据集和初始化模型,并基于所述训练数据集,对初始化模型进行迭代训练更新,直至达到预设迭代次数,获得迭代训练更新模型;
加密模块,用于对所述迭代训练模型对应的模型参数进行加密,获得加密模型参数;
发送模块,用于将所述加密模型参数发送至第二设备,以供所述第二设备对各所述第一设备发送的所述加密模型参数进行聚合,获得加密聚合模型参数;
更新模块,用于接收所述第二设备发送的加密聚合模型参数,并基于所述加密聚合模型参数,对所述迭代训练更新模型进行更新,直至所述迭代训练更新模型满足预设迭代训练结束条件,获得所述预设健康状态预测模型。
可选地,所述预测模块包括:
分类子模块,用于将所述待检测用户数据输入所述预设健康状态预测模型,对所述待检测用户数据进行分类,以对所述目标用户进行健康状态评估,获得健康状态分类标签;
第二确定子模块,用于基于所述健康状态分类标签,确定所述健康状态初始检测结果。
本申请基于模型解释的健康状态检测装置的具体实施方式与上述基于模型解释的健康状态检测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种基于模型解释的健康状态检测方法,其特征在于,所述基于模型解释的健康状态检测方法包括:
获取目标用户对应的待检测用户数据,并将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果;
对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素;
基于所述健康状态影响因素和所述健康状态初始检测结果,生成所述目标用户对应的目标健康状态检测结果。
2.如权利要求1所述基于模型解释的健康状态检测方法,其特征在于,所述健康状态影响因素包括目标健康状态影响特征,
所述对所述健康状态初始检测结果进行模型预测解释,获得所述健康状态初始检测结果对应的健康状态影响因素的步骤包括:
若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征;
基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度;
基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
3.如权利要求2所述基于模型解释的健康状态检测方法,其特征在于,所述基于所述预设健康状态预测模型,分别计算各所述健康状态影响特征对所述健康状态初始检测结果的特征贡献度的步骤包括:
基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集;
基于所述预设健康状态预测模型和所述模型解释样本集,计算各所述特征贡献度。
4.如权利要求3所述基于模型解释的健康状态检测方法,其特征在于,所述模型解释样本集至少包括一个模型输入元素,所述模型输入元素至少包括一个第一类型元素和一个第二类型元素,
所述基于各所述健康状态影响特征和所述待检测用户数据,确定模型解释样本集的步骤包括:
在各所述健康状态影响特征中选取目标特征,并在所述待检测用户数据中剔除所述目标特征对应的目标特征数据,获得剔除数据集,并在所述剔除数据集中选取所述第一类型元素之一,其中,所述第一类型元素为所述剔除数据集的子集;
将所述目标特征数据加入所述第一类型元素,获得所述第二类型元素之一;
重新在各所述健康状态影响特征中选取所述目标特征,以获取其他所述第一类型元素和其他所述第二类型元素,直至所述待检测用户数据中不存在所述目标特征,获得所述模型解释样本集。
5.如权利要求2所述基于模型解释的健康状态检测方法,其特征在于,所述基于各所述特征贡献度,在各所述健康状态影响特征中选取所述目标健康状态影响特征的步骤包括:
确定各所述特征贡献度的目标绝对值,并对各所述目标绝对值进行排序,获得排序结果;
基于所述排序结果,在各所述健康状态影响特征中选取所述目标健康状态影响特征。
6.如权利要求2所述基于模型解释的健康状态检测方法,其特征在于,所述健康状态初始检测结果包括健康概率,
在所述若所述健康状态初始检测结果满足预设健康状态判定条件,则确定所述待检测用户数据对应的各健康状态影响特征的步骤之前包括,所述健康状态检测方法还包括:
将所述健康概率与预设概率阀值进行比对,若所述健康概率大于或者等于所述预设概率阀值,则所述健康状态初始检测结果不满足所述预设健康状态判定条件;
若所述健康概率小于所述预设概率阀值,则所述健康状态初始检测结果满足所述预设健康状态判定条件。
7.如权利要求1所述基于模型解释的健康状态检测方法,所述基于模型解释的健康状态检测方法应用于第一设备,
在所述将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果的步骤之前,所述基于模型解释的健康状态检测还包括:
获取训练数据集和初始化模型,并基于所述训练数据集,对初始化模型进行迭代训练更新,直至达到预设迭代次数,获得迭代训练更新模型;
对所述迭代训练模型对应的模型参数进行加密,获得加密模型参数;
将所述加密模型参数发送至第二设备,以供所述第二设备对各所述第一设备发送的所述加密模型参数进行聚合,获得加密聚合模型参数;
接收所述第二设备发送的加密聚合模型参数,并基于所述加密聚合模型参数,对所述迭代训练更新模型进行更新,直至所述迭代训练更新模型满足预设迭代训练结束条件,获得所述预设健康状态预测模型。
8.如权利要求1所述基于模型解释的健康状态检测方法,其特征在于,所述将所述待检测用户数据输入预设健康状态预测模型,对所述目标用户的健康状态进行检测,获得健康状态初始检测结果的步骤包括:
将所述待检测用户数据输入所述预设健康状态预测模型,对所述待检测用户数据进行分类,以对所述目标用户进行健康状态评估,获得健康状态分类标签;
基于所述健康状态分类标签,确定所述健康状态初始检测结果。
9.一种基于模型解释的健康状态检测设备,其特征在于,所述基于模型解释的健康状态检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述基于模型解释的健康状态检测方法的程序,
所述存储器用于存储实现基于模型解释的健康状态检测方法的程序;
所述处理器用于执行实现所述基于模型解释的健康状态检测方法的程序,以实现如权利要求1至8中任一项所述基于模型解释的健康状态检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现基于模型解释的健康状态检测方法的程序,所述实现基于模型解释的健康状态检测方法的程序被处理器执行以实现如权利要求1至8中任一项所述基于模型解释的健康状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010957913.8A CN111816312B (zh) | 2020-09-14 | 2020-09-14 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010957913.8A CN111816312B (zh) | 2020-09-14 | 2020-09-14 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111816312A true CN111816312A (zh) | 2020-10-23 |
CN111816312B CN111816312B (zh) | 2021-02-26 |
Family
ID=72860117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010957913.8A Active CN111816312B (zh) | 2020-09-14 | 2020-09-14 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111816312B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112386239A (zh) * | 2020-11-30 | 2021-02-23 | 深圳创维-Rgb电子有限公司 | 检测方法、发送端、云端以及计算机可读存储介质 |
CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技(深圳)有限公司 | 智能医疗问诊装置、设备及介质 |
CN113140326A (zh) * | 2020-12-31 | 2021-07-20 | 上海明品医学数据科技有限公司 | 一种新冠肺炎检测装置、干预装置及检测干预系统 |
CN113269359A (zh) * | 2021-05-20 | 2021-08-17 | 深圳易财信息技术有限公司 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
CN113628703A (zh) * | 2021-07-20 | 2021-11-09 | 慕贝尔汽车部件(太仓)有限公司 | 职业健康档案管理方法、系统和网络测服务端 |
CN115242844A (zh) * | 2022-07-26 | 2022-10-25 | 深圳市汉智星科技有限公司 | 一种基于边缘计算系统的嵌入式工控机 |
CN116664255A (zh) * | 2023-08-01 | 2023-08-29 | 成都豪杰特科技有限公司 | 基于人工智能的店铺推荐方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105380602A (zh) * | 2015-11-13 | 2016-03-09 | 汪毅 | 可穿戴人体跟腱信息采集及监控系统 |
CN107066798A (zh) * | 2016-12-30 | 2017-08-18 | 曾金生 | 一种心脏健康质量预警系统及其预警方法 |
CN107506582A (zh) * | 2017-08-16 | 2017-12-22 | 周礼红 | 一种基于肠道微生物的健康风险预测系统 |
CN109147949A (zh) * | 2018-08-16 | 2019-01-04 | 辽宁大学 | 一种基于分类回归树来用于检测教师亚健康状态的方法 |
CN109767838A (zh) * | 2017-11-09 | 2019-05-17 | 广州筑宾健康管理有限公司 | 一种人体智能健康检测工艺 |
CN110956224A (zh) * | 2019-08-01 | 2020-04-03 | 平安科技(深圳)有限公司 | 评估模型生成、评估数据处理方法、装置、设备及介质 |
CN111126622A (zh) * | 2019-12-19 | 2020-05-08 | 中国银联股份有限公司 | 一种数据异常检测方法与装置 |
CN111612080A (zh) * | 2020-05-22 | 2020-09-01 | 深圳前海微众银行股份有限公司 | 模型解释方法、设备及可读存储介质 |
-
2020
- 2020-09-14 CN CN202010957913.8A patent/CN111816312B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105380602A (zh) * | 2015-11-13 | 2016-03-09 | 汪毅 | 可穿戴人体跟腱信息采集及监控系统 |
CN107066798A (zh) * | 2016-12-30 | 2017-08-18 | 曾金生 | 一种心脏健康质量预警系统及其预警方法 |
CN107506582A (zh) * | 2017-08-16 | 2017-12-22 | 周礼红 | 一种基于肠道微生物的健康风险预测系统 |
CN109767838A (zh) * | 2017-11-09 | 2019-05-17 | 广州筑宾健康管理有限公司 | 一种人体智能健康检测工艺 |
CN109147949A (zh) * | 2018-08-16 | 2019-01-04 | 辽宁大学 | 一种基于分类回归树来用于检测教师亚健康状态的方法 |
CN110956224A (zh) * | 2019-08-01 | 2020-04-03 | 平安科技(深圳)有限公司 | 评估模型生成、评估数据处理方法、装置、设备及介质 |
CN111126622A (zh) * | 2019-12-19 | 2020-05-08 | 中国银联股份有限公司 | 一种数据异常检测方法与装置 |
CN111612080A (zh) * | 2020-05-22 | 2020-09-01 | 深圳前海微众银行股份有限公司 | 模型解释方法、设备及可读存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112386239A (zh) * | 2020-11-30 | 2021-02-23 | 深圳创维-Rgb电子有限公司 | 检测方法、发送端、云端以及计算机可读存储介质 |
CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN112465231B (zh) * | 2020-12-01 | 2023-02-03 | 深圳平安医疗健康科技服务有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技(深圳)有限公司 | 智能医疗问诊装置、设备及介质 |
CN113140326A (zh) * | 2020-12-31 | 2021-07-20 | 上海明品医学数据科技有限公司 | 一种新冠肺炎检测装置、干预装置及检测干预系统 |
CN113269359A (zh) * | 2021-05-20 | 2021-08-17 | 深圳易财信息技术有限公司 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
CN113628703A (zh) * | 2021-07-20 | 2021-11-09 | 慕贝尔汽车部件(太仓)有限公司 | 职业健康档案管理方法、系统和网络测服务端 |
CN113628703B (zh) * | 2021-07-20 | 2024-03-29 | 慕贝尔汽车部件(太仓)有限公司 | 职业健康档案管理方法、系统和网络测服务端 |
CN115242844A (zh) * | 2022-07-26 | 2022-10-25 | 深圳市汉智星科技有限公司 | 一种基于边缘计算系统的嵌入式工控机 |
CN116664255A (zh) * | 2023-08-01 | 2023-08-29 | 成都豪杰特科技有限公司 | 基于人工智能的店铺推荐方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111816312B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111816312B (zh) | 基于模型解释的健康状态检测方法、设备及可读存储介质 | |
US9734567B2 (en) | Label-free non-reference image quality assessment via deep neural network | |
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111046959A (zh) | 模型训练方法、装置、设备和存储介质 | |
JP2018517959A (ja) | ビデオのための代表ビデオフレームの選択 | |
Gastaldo et al. | Supporting visual quality assessment with machine learning | |
CN110717099B (zh) | 一种推荐影片的方法及终端 | |
CN109948735B (zh) | 一种多标签分类方法、系统、装置及存储介质 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN111126347B (zh) | 人眼状态识别方法、装置、终端及可读存储介质 | |
US11775412B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN111898675A (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
CN111210022A (zh) | 向后模型选择方法、设备及可读存储介质 | |
CN112966754B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
CN114445121A (zh) | 一种广告点击率预测模型构建及广告点击率预测方法 | |
CN111784506A (zh) | 逾期风险控制方法、设备及可读存储介质 | |
CN111784053A (zh) | 交易风险检测方法、设备及可读存储介质 | |
CN116883909A (zh) | 直播敏感图像识别方法、装置、计算机设备和存储介质 | |
CN114360053A (zh) | 一种动作识别方法、终端及存储介质 | |
CN113435942A (zh) | 评估矿物价格的方法和计算机系统 | |
CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN111401544A (zh) | 一种深度神经网络的压缩方法、装置及计算机可读存储介质 | |
CN116523546B (zh) | 智能读者行为分析预测系统数据采集分析的方法和装置 |
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 |