CN111863280A - 健康检测方法、系统、终端设备及存储介质 - Google Patents
健康检测方法、系统、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111863280A CN111863280A CN202010756886.8A CN202010756886A CN111863280A CN 111863280 A CN111863280 A CN 111863280A CN 202010756886 A CN202010756886 A CN 202010756886A CN 111863280 A CN111863280 A CN 111863280A
- Authority
- CN
- China
- Prior art keywords
- virus infection
- infection risk
- risk prediction
- data
- detected
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 230000009385 viral infection Effects 0.000 claims abstract description 318
- 238000012549 training Methods 0.000 claims abstract description 112
- 238000013058 risk prediction model Methods 0.000 claims abstract description 104
- 238000010801 machine learning Methods 0.000 claims abstract description 60
- 238000003745 diagnosis Methods 0.000 claims abstract description 49
- 238000011841 epidemiological investigation Methods 0.000 claims abstract description 47
- 208000015181 infectious disease Diseases 0.000 claims abstract description 33
- 208000036142 Viral infection Diseases 0.000 claims description 25
- 230000008520 organization Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 23
- 241000700605 Viruses Species 0.000 abstract description 20
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 230000002458 infectious effect Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual 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
- G16H50/80—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Remote Sensing (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种健康检测方法、系统、终端设备及存储介质，通过获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。本发明判定待检测人员存在感染病毒风险的准确性更高，能够避免针对本身实际并不存在感染风险的人员进行调查耗费的大量人工作业，在极大程度上降低了流行病学调查的人工成本。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种健康检测方法、系统、终端设备及存储介质。
背景技术
为了防控疫情的发展，许多地方政府或者小区物业等监管机构都推行了“健康码”制度。健康码本质上是对被检测人员感染病毒风险高低的表示，监管机构可依据该健康码输出的信息，针对被检测人员是否具备感染病毒的风险进行初步判断，然后针对判定具有感染风险的人员进行进一步的流行病学检测。
然而，现有基于健康码判定并输出感染风险的实质仅仅是依赖对地理区域的划分，即，一旦在某地理区域内出现疫情的确诊患者或者确诊患者的密切接触者，则直接将该地理区域所处较大的地理范围(街道、县、市等)都划分标识为病毒感染的中度或者高度风险范围，从而，对处于该地理范围内生活、但实际并不存在病毒感染风险的部分居民，同样会被判定为具有高度感染风险。如此，在依据现有健康码判断感染风险后再进行流行病学调查，将会白白耗费掉大量的人工作业，增加了人工成本。
发明内容
本发明的主要目的在于提供一种健康检测方法、系统、终端设备及存储介质，旨在基于结合机器学习和已知疫情病毒感染确诊患者的现有数据，反推待检测人员具备感染病毒风险的高低，提高判定感染病毒风险的准确性，进而降低流行病学调查的人工成本。
为实现上述目的，本发明提供一种健康检测方法，所述健康检测方法包括：
获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；
根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
进一步地，所述健康检测方法，还包括：
根据病毒感染确诊数据构建训练数据对，并利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型。
进一步地，所述根据病毒感染确诊数据构建训练数据对的步骤，包括：
获取病毒感染确诊数据，并检测所述病毒感染确诊数据中确诊病例的密切接触者；
检测所述确诊病例的第一时空轨迹，和从所述密切接触者中确诊的感染病例的第二时空轨迹；
计算所述第一时空轨迹与所述第二时空轨迹之间的距离，和所述密切接触者中所述感染病例的比例；
将所述距离作为病毒感染时空范围，并将所述比例作为病毒感染风险程度，以封装所述病毒感染时空范围和所述病毒感染风险程度形成训练数据对。
进一步地，所述利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型的步骤，包括：
将所述训练数据对输入预设的机器学习模型进行迭代训练直到所述机器学习模型训练收敛或迭代训练达到预设轮次；
将训练收敛或迭代训练达到预设轮次的所述机器学习模型作为所述病毒感染风险预测模型。
进一步地，所述利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型的步骤，包括：
将所述训练数据对输入预设的机器学习模型进行迭代训练直到所述机器学习模型训练收敛；
将训练收敛的所述机器学习模型作为所述病毒感染风险预测模型。
进一步地，在所述利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型的步骤之后，还包括：
结合区块链技术将所述病毒感染风险预测模型写入预设区块链中进行存储，以供各监管机构登入所述预设区块链进行提取。
进一步地，所述根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查的步骤，包括：
检测所述病毒感染预测结果是否大于或者等于预设阈值，其中，所述病毒感染风险预测结果为所述病毒感染风险预测模型计算得到的所述时空轨迹数据与病毒感染时空范围相匹配的病毒感染风险程度；
若是，则确定需要对所述待检测人员进行流行病学调查；
若否，则确定不需要对所述待检测人员进行流行病学调查。
进一步地，在所述将所述时空轨迹数据输入病毒感染风险预测模型的步骤之前，还包括：
针对所述时空轨迹数据进行哈希编码，以供所述病毒感染风险预测模型将所述时空轨迹数据的哈希编码，与病毒感染时空范围的哈希编码进行匹配得到病毒感染风险程度。
此外，为实现上述目的，本发明还提供一种健康检测系统，所述健康检测系统包括：
获取模块，用于获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；
确定模块，用于根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的健康检测程序，所述健康检测程序被所述处理器执行时实现如上述中的健康检测方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的健康检测方法的步骤。
本发明提出的健康检测方法、系统、终端设备以及存储介质，通过获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
本发明实现了，通过将现有的病毒感染确诊数据作为训练数据，来训练机器学习模型(如神经网络模型)得到根据确诊患者的时空轨迹确定周围地区感染风险的病毒感染风险预测模型，从而，对于待检测人员，监管机构可以将该待检测人员的时空轨迹数据输入至该病毒感染风险预测模型得到预测结果，然后根据该预测结果具有针对性地准确确定其是否具备病毒感染风险，进而判定是否针对该待检测人员进行后续进一步的流行病学调查。相比于现有仅依赖对地理区域进行划分确定需要进行流行病学调查的方式，本申请判定待检测人员存在感染病毒风险的准确性更高，能够避免针对本身实际并不存在感染风险的人员进行调查耗费的大量人工作业，在极大程度上降低了流行病学调查的人工成本。
附图说明
图1是本发明实施例方案涉及终端设备的硬件运行的结构示意图；
图2是本发明一种健康检测方法一实施例的流程示意图；
图3是本发明一种健康检测方法一实施例中步骤S200的细化流程示意图；
图4是本发明一种健康检测系统的模块结构示意图。
本发明目的的实现、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仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及终端设备的硬件运行环境的结构示意图。
需要说明的是，图1即可为终端设备的硬件运行环境的结构示意图。本发明实施例终端设备可以是PC，便携计算机等终端设备。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，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的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，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1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、用户接口模块以及分布式任务的处理程序。其中，操作系统是管理和控制样本终端设备硬件和软件资源的程序，支持分布式任务的处理程序以及其它软件或程序的运行。
在图1所示的终端设备中，用户接口1003主要用于与各个终端进行数据通信；网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；而处理器1001可以用于调用存储器1005中存储的健康检测程序，并执行以下操作：
获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；
根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
进一步地，处理器1001可以调用存储器1005中存储的健康检测程序，还执行以下操作：
根据病毒感染确诊数据构建训练数据对，并利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型。
进一步地，处理器1001可以调用存储器1005中存储的健康检测程序，还执行以下操作：
获取病毒感染确诊数据，并检测所述病毒感染确诊数据中确诊病例的密切接触者；
检测所述确诊病例的第一时空轨迹，和从所述密切接触者中确诊的感染病例的第二时空轨迹；
计算所述第一时空轨迹与所述第二时空轨迹之间的距离，和所述密切接触者中所述感染病例的比例；
将所述距离作为病毒感染时空范围，并将所述比例作为病毒感染风险程度，以封装所述病毒感染时空范围和所述病毒感染风险程度形成训练数据对。
进一步地，在执行利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型之后，处理器1001可以调用存储器1005中存储的健康检测程序，还执行以下操作：
结合区块链技术将所述病毒感染风险预测模型写入预设区块链中进行存储，以供各监管机构登入所述预设区块链进行提取。
进一步地，处理器1001可以调用存储器1005中存储的健康检测程序，还执行以下操作：
检测所述病毒感染预测结果是否大于或者等于预设阈值，其中，所述病毒感染风险预测结果为所述病毒感染风险预测模型将所述时空轨迹数据与病毒感染时空范围进行匹配得到的病毒感染风险程度；
若是，则确定需要对所述待检测人员进行流行病学调查；
若否，则确定不需要对所述待检测人员进行流行病学调查。
进一步地，在执行将所述时空轨迹数据输入病毒感染风险预测模型之前，处理器1001可以调用存储器1005中存储的健康检测程序，还执行以下操作：
针对所述时空轨迹数据进行哈希编码，以供所述病毒感染风险预测模型将所述时空轨迹数据的哈希编码，与病毒感染时空范围的哈希编码进行匹配得到病毒感染风险程度。
基于上述的结构，提出本发明健康检测方法的各个实施例。
请参照图2，图2为本发明健康检测方法第一实施例的流程示意图。
本发明实施例提供了健康检测方法的实施例，需要说明的是，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。
本发明实施例健康检测方法应用于上述终端设备，本发明实施例终端设备可以是PC，便携计算机等终端设备，在此不做具体限制。
本实施例健康检测方法应用于上述终端设备，本实施例健康检测方法包括：
步骤S100，获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；
需要说明的是，在本实施例中，预先通过机器学习技术，基于现有已经公开的病毒感染确诊数据构建训练数据对，然后利用该训练数据对对预先选定的机器学习模型(例如现有任意的神经网络模型)进行训练，从而得到根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型。
终端设备在被监管机构用于针对待检测人员是否具备病毒感染风险进行检测时，获取该待检测人员的时空轨迹数据，然后将该时空轨迹数据输入至预先已经训练好的病毒感染风险预测模型当中，由该病毒感染风险预测模型根据该时空轨迹数据确定该待检测人员具备病毒感染风险的预测结果。
具体地，例如，卫生健康管理委员会等监管机构在应用终端设备进行疫情病毒感染风险检测，进而判断是否需要针对待检测人员进行后续流行病学调查时，终端设备首先通过前端屏幕输出一用于获取待检测人员时空轨迹数据的二维码，在待检测人员基于智能移动终端扫描该二维码之后，终端设备即可基于5G网络获取得到该智能移动终端所存储的时空轨迹数据，终端设备即将该时空轨迹数据绑定作为当前待检测人员的时空轨迹数据，并将该时空轨迹数据输入至存储在本端或者云端的病毒感染风险预测模型当中。病毒感染风险预测模型在接收到该待检测人员的时空轨迹数据之后，即时针对该时空轨迹数据进行计算并输出表示该时空轨迹数据所处范围内，待检测人员所具备的疫情病毒感染风险程度高低的病毒感染预测结果。
步骤S200，根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
终端设备在将待检测人员的时空轨迹数据输入病毒感染风险预测模型，从而接收到该病毒感染风险预测模型根据时空轨迹数据计算输出的该待检测人员具备的病毒感染风险预测结果之后，终端设备进一步检测该病毒感染风险预测结果中，表示待检测人员具备病毒感染风险程度的高低，并根据该病毒感染风险程度的高低来确定是否需要进行针对该待检测人员进行更加全面的流行病学调查。
需要说明的是，在本实施例中，病毒感染风险预测模型在根据时空轨迹数据计算待检测人员具备的病毒感染风险预测结果之后，终端设备可以通过可视化形式针对该病毒感染风险预测结果进行输出，例如，终端设备以热力图的形式输出病毒感染时空范围以及该待检测人员的时空轨迹数据，并在标识该时空轨迹数据所处距离范围内存在的病毒感染风险程度。
进一步地，请参照图3，在一种实施例中，上述步骤S200，可以包括：
步骤S201，检测所述病毒感染预测结果是否大于或者等于预设阈值，其中，所述病毒感染风险预测结果为所述病毒感染风险预测模型计算得到的所述时空轨迹数据与病毒感染时空范围相匹配的病毒感染风险程度；
需要说明的是，在本实施例中，终端设备将病毒感染风险预测模型根据待检测人员的时空轨迹数据计算返回的病毒感染风险预测结果进行输出时，可以通过百分比数值或者表示高低大小的文本，对待检测人员的时空轨迹数据所处距离范围内存在的病毒感染风险程度进行展示。此外，预设阈值为终端设备根据开发工作人员或者监管机构工作人员的配置操作，预先设定的用于判断是否需要进一步针对该待检测人员进行流行病学调查的临界值，该临界值具体可基于需要设置为不同大小的百分比数值或者不同的文本。
终端设备在得到病毒感染风险预测模型计算并返回的病毒感染风险预测结果进行输出之后，检测所输出展示的待检测人员的时空轨迹数据所处距离范围内存在的病毒感染风险程度，是否大于或者等于预先设定的用于判断是否需要进一步针对该待检测人员进行流行病学调查的临界值。
具体地，例如，终端设备在通过热力图的形式对病毒感染预测模型计算的待检测人员的病毒感染预测结果进行输出之后，进一步检测该热力图上所展示的待检测人员的时空轨迹数据所处10米距离范围内存在的病毒感染风险程度40％，是否大于或者等于预先根据开发工作人员或者监管机构工作人员的配置操作，而设定的用于判断是否需要进一步针对该待检测人员进行流行病学调查的临界值。
步骤S202，若是，确定需要对所述待检测人员进行流行病学调查；
若终端设备检测到所输出展示的待检测人员的时空轨迹数据所处距离范围内存在的病毒感染风险程度，大于或者等于预先设定的用于判断需要进一步针对该待检测人员进行流行病学调查的临界值，则，终端设备确定需针对该待检测人员进行流行病学调查，并输出对应提示消息以供应用当前终端设备针对待检测人员进行病毒感染风险检测的监管机构知晓。
具体地，例如，终端设备预先根据开发工作人员或者监管机构工作人员的配置操作，设定好的用于判断是否需要进一步针对该待检测人员进行流行病学调查的临界值具体为30％，则当终端设备一步检测待输出的热力图上展示的待检测人员的时空轨迹数据所处10米距离范围内存在的病毒感染风险程度40％，大于该临界值30％，则，终端设备确定当前该待检测人员需要进行后续更加全面的流行病学调查，从而通过前端屏幕和/或者扬声器向监管机构的工作人员输出相应的提示应当对该待检测人员进行调查的提示消息。
步骤S203，若否，则确定不需要对所述待检测人员进行流行病学调查。
若终端设备检测到所输出展示的待检测人员的时空轨迹数据所处距离范围内存在的病毒感染风险程度，小于预先设定的用于判断需要进一步针对该待检测人员进行流行病学调查的临界值，则，终端设备确定不需要针对该待检测人员进行流行病学调查，并输出对应提示消息以供应用当前终端设备针对待检测人员进行病毒感染风险检测的监管机构知晓。
具体地，例如，终端设备预先根据开发工作人员或者监管机构工作人员的配置操作，设定好的用于判断是否需要进一步针对该待检测人员进行流行病学调查的临界值具体为50％，则当终端设备一步检测待输出的热力图上展示的待检测人员的时空轨迹数据所处10米距离范围内存在的病毒感染风险程度40％，小于该临界值50％，则，终端设备确定当前该待检测人员不需要进行后续的流行病学调查，从而通过前端屏幕和/或者扬声器向监管机构的工作人员输出相应的提示该待检测人员病毒感染风险低，无需进行后续流行病学调查的提示消息。
需要说明的是，在本实施例中，终端设备针对病毒感染风险预测模型根据待检测人员的时空轨迹数据所计算得到病毒感染风险预测结果(该时空轨迹数据所处距离范围内的病毒感染风险程度)，并不仅仅局限于针对该待检测人员是否需要进行流行病学调查进行判断，如，终端设备还可以用于辅助小区物业或者工厂的管理人员，即，通过判断待检测人员的时空轨迹数据所处距离范围内的病毒感染风险程度大小，向该管理人员输出是否允许待检测人员通过门禁正常出入的提示消息。
在本实施例中，通过终端设备在被监管机构用于针对待检测人员是否具备病毒感染风险进行检测时，获取该待检测人员的时空轨迹数据，然后将该时空轨迹数据输入至预先已经训练好的病毒感染风险预测模型当中，由该病毒感染风险预测模型根据该时空轨迹数据确定该待检测人员具备病毒感染风险的预测结果；检测该病毒感染风险预测结果中，表示待检测人员具备病毒感染风险程度的高低，并根据该病毒感染风险程度的高低来确定是否需要进行针对该待检测人员进行更加全面的流行病学调查。
实现了，通过将现有的病毒感染确诊数据作为训练数据，来训练机器学习模型(如神经网络模型)得到根据确诊患者的时空轨迹确定周围地区感染风险的病毒感染风险预测模型，从而，对于待检测人员，监管机构可以将该待检测人员的时空轨迹数据输入至该病毒感染风险预测模型得到预测结果，然后根据该预测结果具有针对性地准确确定其是否具备病毒感染风险，进而判定是否针对该待检测人员进行后续进一步的流行病学调查。相比于现有仅依赖对地理区域进行划分确定需要进行流行病学调查的方式，本申请判定待检测人员存在感染病毒风险的准确性更高，能够避免针对本身实际并不存在感染风险的人员进行调查耗费的大量人工作业，在极大程度上降低了流行病学调查的人工成本。
进一步地，基于本发明健康检测方法的第一实施例，提出本发明健康检测方法的第二实施例，在本实施例中，上述步骤S10中，在“将所述时空轨迹数据输入病毒感染风险预测模型”的步骤之前，本发明健康检测方法，还可以包括：
步骤A，针对所述时空轨迹数据进行哈希编码，以供所述病毒感染风险预测模型根据所述时空轨迹数据的哈希编码，计算与病毒感染时空范围的哈希编码相匹配的病毒感染风险程度。
需要说明的是，在本实施例中，由于时空轨迹数据本身具备高度隐私，因此，基于针对待检测人员隐私安全进行保护，终端设备在通过机器学习技术训练构建根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型时，终端设备可预先针对现有已经公开的病毒感染确诊数据中，确诊病例的时空轨迹进行哈希编码得到时空轨迹哈希值，然后利用该时空轨迹哈希值与病毒感染确诊数据中的其它数据构建训练数据对，最后利用该训练数据对对预先选定的机器学习模型进行训练，从而得到直接基于对时空轨迹数据进行哈希编码后的哈希值即可确定待检测人员所具备病毒感染风险的病毒感染风险预测模型。
终端设备在被监管机构用于针对待检测人员是否具备病毒感染风险进行检测时，获取该待检测人员的时空轨迹数据，然后按照训练构建病毒感染风险预测模型使用的同种哈希编码方式，针对该时空轨迹数据进行哈希编码运行得到待检测人员的时空轨迹哈希值，然后将该时空轨迹哈希值输入至预先已经训练好的病毒感染风险预测模型当中，由该病毒感染风险预测模型根据该时空轨迹哈希值确定该待检测人员具备病毒感染风险的预测结果。
具体地，例如，卫生健康管理委员会等监管机构在应用终端设备进行疫情病毒感染风险检测，进而判断是否需要针对待检测人员进行后续流行病学调查时，终端设备首先通过前端屏幕输出一用于获取待检测人员时空轨迹数据的二维码，在待检测人员基于智能移动终端扫描该二维码之后，终端设备即可基于5G网络获取得到该智能移动终端所存储的时空轨迹数据，终端设备即将该时空轨迹数据绑定作为当前待检测人员的时空轨迹数据，并将该时空轨迹数据按照预先训练构建病毒感染风险预测模型时使用的哈希编码方式进行哈希编码运算，从而得到该时空轨迹数据的时空轨迹哈希值，最后，终端设备将该时空轨迹哈希值与当前待检测人员进行绑定，并将该时空轨迹哈希值输入至存储在本端或者云端的病毒感染风险预测模型当中。病毒感染风险预测模型在接收到该时空轨迹哈希值之后，即时针对该时空轨迹哈希值进行计算并得到表示检测人员的疫情病毒感染风险程度高低的病毒感染预测结果，然后将该病毒感染预测结束返回至终端设备进行输出。
在本实施例中，一方面通过终端设备在通过机器学习技术训练构建病毒感染风险预测模型时，即对现有已经公开的病毒感染确诊数据中，确诊病例的时空轨迹进行哈希编码得到时空轨迹哈希值，然后利用该时空轨迹哈希值与病毒感染确诊数据中的其它数据构建训练数据对，并利用该训练数据对对预先选定的机器学习模型进行训练。
另一方面通过终端设备在被监管机构用于针对待检测人员是否具备病毒感染风险进行检测时，获取该待检测人员的时空轨迹数据，然后按照训练构建病毒感染风险预测模型使用的同种哈希编码方式，针对该时空轨迹数据进行哈希编码运行得到待检测人员的时空轨迹哈希值，然后将该时空轨迹哈希值输入至预先已经训练好的病毒感染风险预测模型当中，由该病毒感染风险预测模型根据该时空轨迹哈希值确定该待检测人员具备病毒感染风险的预测结果。
实现了，基于时空轨迹数据本身具备高度隐私考虑，在利用到待检测人员的时空轨迹数据时，先针对该时空轨迹数据进行哈希编码运算，从而只能被在模型训练过程中采用了相同哈希编码方式进而得到的病毒感染风险预测模型，根据该经过哈希编码之后的时空轨迹计算得到待检测人员的病毒感染风险预测结果，确保了待检测人员的时空轨迹数据不会被泄露，能够有效避免恶意攻击人员针对该待检测人员的时空轨迹数据进行推理从而对待检测人员的工作或者生活造成不必要影响，从而保护了待检测人员的个人隐私安全。
进一步地，基于本发明健康检测方法的第一实施例，提出本发明健康检测方法的第三实施例，在本发明健康检测方法的第三实施例中，本发明健康检测方法，还可以包括：
步骤S300，根据病毒感染确诊数据构建训练数据对，并利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型。
需要说明的是，在本实施例中，预设的机器学习模型可以是开发工作人员预先选中的任意能够进行机器学习的模型，如，现有成熟的神经网络模型等等。
终端设备在获取待检测人员的时空轨迹数据，并通过将该时空轨迹数据输入病毒感染风险预测模型之前，终端设备通过利用现有已经公开的病毒感染确诊数据来训练构建该病毒感染风险预测模型，即，终端设备基于该病毒感染确诊数据构建训练数据对，然后将该训练数据对输入预先选中的机器学习模型当中进行模型训练，从而利用该训练数据对将机器学习模型训练成为根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型。
进一步地，在一种实施例中，上述步骤S300中，“根据病毒感染确诊数据构建训练数据对”的步骤，可以包括：
步骤S301，获取病毒感染确诊数据，并检测所述病毒感染确诊数据中确诊病例的密切接触者；
步骤S302，检测所述确诊病例的第一时空轨迹，和从所述密切接触者中确诊的感染病例的第二时空轨迹。
终端设备从现有大数据平台中获取得到已经被共公开的病毒感染确诊数据，然后从该病毒确诊数据中分别检测病毒感染的确诊病例，以及与该确诊病例有过密切接触从而存在潜在病毒感染风险的密切接触者。终端设备在检测获取到病毒感染的确诊病例和该确诊病例的密切接触者之后，进一步从该病毒确诊数据当中检测并提取出该确诊病例的第一时空轨迹，以及该密切接触者中，最终被确诊为感染了病毒的感染病例的第二时空轨迹。
具体地，例如，终端设备可以从政府数据平台获取得到政府部门定期公开的疫情的病毒确诊数据，或者，终端设备还可以从现有大数据平台实时产生的另类数据中检索提取得到现有已经处于公开状态的疫情的病毒感染确诊数据，从而，终端设备即可从该病毒确诊数据当中提取出某一地理区域内所有的确诊感染疫情病毒的确诊病例，和该所有确诊病例各自的第一时空轨迹(通常政府部门在定期公开的病毒感染确诊数据当中，均会附带有确诊病例的时空轨迹数据)，以及该病毒确诊数据或者其他另类数据当中记载的在该全部确诊病例疑似感染病毒且未被进行有效隔离期间，分别与该确诊病例存在过密切接触的所有密切接触者，和该密切接触者中最终被确诊感染病毒的感染病例各自的第二时空轨迹(政府部门在定期公开的病毒感染确诊数据当中，同样附带有已经确认的与确诊病例有过密切接触从而处于病毒感染观察期的密切接触者的时空轨迹数据)。
步骤S303，计算所述第一时空轨迹与所述第二时空轨迹之间的距离，和所述密切接触者中所述感染病例的比例；
终端设备在从获取得到的病毒感染确诊数据中，检测提取出全部确诊病例和该确诊病例的第一时空轨迹，以及该各确诊病例各自的全部密切接触者和该全部密切接触者中被确诊为感染病例的第二时空轨迹之后，依次计算各确诊病例各自全部密切接触者中，被确诊感染病毒的感染病例的第二时空轨迹，与对应确诊病例的第一时空轨迹相互之间的距离，并计算感染病例在各自确诊病例的全部密切接触者当中所占的数量比例。
具体地，例如，终端设备从政府部门定期公开的病毒确诊数据当中，检测提取到在某一区域内确诊了2例疫情病毒的确诊病例，并检测到该2例确诊病例中，病例a共有10个密切接触者，该10个密切接触者中有6人最终被确诊为同样遭受了病毒感染的感染病例，而病例b共有8个密切接触者且该8个密切接触者中仅有2人最终被确诊为感染病例，从而，终端设备可计算得出病例a全部10个密切接触者中，感染病例所占的比例为60％，而病例b全部8个密切接触者中，感染病例所占的比例为25％。此外，终端设备基于获取的病例a的第一时空轨迹，与该病例a的密切接触者当中的6个感染病例各自的第二时空轨迹，分别计算得到6个第一时空轨迹与第二时空轨迹之间的距离ya1至ya6；以及，终端设备基于获取的病例b的第一时空轨迹，与该病例b的密切接触者当中的2个感染病例各自的第二时空轨迹，分别计算得到2个第一时空轨迹与第二时空轨迹之间的距离yb1和yb2。
需要说明的是，在本实施例中，考虑到时空轨迹本身具备的不规则特性，终端设备在基于确诊病例的第一时空轨迹和感染病例的第二时空轨迹计算距离时，可计算两条轨迹之间的多个距离并选择该多个距离中的平均值作为该第一时空轨迹和第二时空轨迹之间的距离。
步骤S304，将所述距离作为病毒感染时空范围，并将所述比例作为病毒感染风险程度，以封装所述病毒感染时空范围和所述病毒感染风险程度形成训练数据对。
终端设备在计算得到各感染病例的第二时空轨迹与对应确诊病例的第一时空轨迹相互之间的距离，以及各感染病例在全部密切接触者当中所占的数量比例之后，终端设备随即多个第二时空轨迹与第一时空轨迹相互之间的距离的平均值，作为可能通过已确诊病例遭受病毒感染的病毒感染时空范围，以及，将各感染病例在全部密切接触者当中所占的数量比例，标识为在该病毒感染时空范围内可能通过已确诊病例遭受病毒感染的病毒感染风险程度，最后，终端设备将该病毒感染时空范围和病毒感染风险程度封装作为一条训练数据对。
具体地，例如，终端设备在基于病例a的第一时空轨迹，与该病例a的密切接触者当中的6个感染病例各自的第二时空轨迹，分别计算得到6个第一时空轨迹与第二时空轨迹之间的距离ya1至ya6之后，随即将该距离ya1至ya6的平均距离ya作为可能通过病例a遭受病毒感染的病毒感染时空范围ya，并将病例a全部10个密切接触者中感染病例所占的比例为60％，标识为在病毒感染时空范围ya内，可能通过病例a遭受病毒感染的病毒感染风险程度60％，从而，终端设备通过封装该病毒感染时空范围ya和病毒感染风险程度60％作为一条训练训练数据对，同理，终端设备将距离yb1和yb2的平均值yb，作为可能通过病例b遭受病毒感染的病毒感染时空范围yb，以及，将病例b全部8个密切接触者中，感染病例所占的比例为25％，标识为在病毒感染时空范围yb内，可能通过病例b遭受病毒感染的病毒感染风险程度25％，然后，终端设备通过封装病毒感染时空范围yb和病毒感染风险程度25％作为另一条训练训练数据对。
进一步地，在一种实施例中，上述步骤S300中，“利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型”的步骤，可以包括：
步骤S305，将所述训练数据对输入预设的机器学习模型进行迭代训练直到所述机器学习模型训练收敛或迭代训练达到预设轮次；
步骤S306，将训练收敛或迭代训练达到预设轮次的所述机器学习模型作为所述病毒感染风险预测模型。
终端设备在通过封装病毒感染时空范围以及病毒感染风险程度从而形成多条训练数据对之后，将该多条训练数据对输入至预先选中的机器学习模型当中，由该机器学习模型利用该多条训练数据对进行迭代训练直至模型收敛，或者直至迭代训练的次数达到了预设轮次，从而，终端设备将该已经训练收敛或者迭代训练达到预设轮次的机器学习模型作为根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型。
需要说明的是，在本实施例中，预设轮次具体可以为基于机器学习模型自身性能自主定义的迭代训练轮次，从而，在针对该机器学习模型进行迭代训练达到给预设轮次之后，即默认该机器学习模型已经训练收敛。应当理解的是，基于实际应用的不同设计需要，该预设轮次可以定义为任意轮次，本发明健康检测方法并不针对该预设轮次的具体数值进行限定。
具体地，例如，终端设备将通过封装该病毒感染时空范围ya和病毒感染风险程度60％形成的训练训练数据对、通过封装病毒感染时空范围yb和病毒感染风险程度25％作为另一条训练训练数据对，以及其它相同组成内容的其他训练数据对一起输入至预先基于开发工作人员所选定的神经网络模型中，然后采用梯度下降的方式令该神经网络模型利用训练数据对进行迭代训练，待该神经网络模型训练至收敛之后，随即将该训练收敛的神经网络模型作为根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型。从而，病毒感染风险预测模型在接收到终端设备获取得到的待检测人员的时空轨迹数据之后，即可针对该时空轨迹数据进行计算并输出表示该时空轨迹数据所处范围内，待检测人员所具备的疫情病毒感染风险程度高低的病毒感染预测结果。
本实施例中，基于终端设备在获取待检测人员的时空轨迹数据，并通过将该时空轨迹数据输入病毒感染风险预测模型之前，终端设备通过利用现有已经公开的病毒感染确诊数据来训练构建该病毒感染风险预测模型，即，终端设备基于该病毒感染确诊数据构建训练数据对，然后将该训练数据对输入预先选中的机器学习模型当中进行模型训练，从而利用该训练数据对将机器学习模型训练成为根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型。
实现了，通过将现有的病毒感染确诊数据作为训练数据，来训练机器学习模型得到根据确诊患者的时空轨迹确定周围地区感染风险的病毒感染风险预测模型，从而，避免了传统仅依赖对地理区域进行划分的“一刀切”方式，针对实际并不存在病毒感染风险的居民，同样会被标记为具备高感染风险的问题，提高了判定待检测人员存在感染病毒风险的准确性，进而，在依据病毒感染风险模型进行预测，进而判断是否需要针对待检测人员进行流行病学调查时，能够有效筛选出不存在感染风险的人员，可在极大程度上降低了流行病学调查的人工成本。
进一步地，基于本发明健康检测的第三实施例，提出本发明健康检测方法的第四实施例，在本实施例中，在上述步骤300之后，本发明健康检测方法，还可以包括：
步骤S400，结合区块链技术将所述病毒感染风险预测模型写入预设区块链中进行存储，以供各监管机构登入所述预设区块链进行提取。
终端设备预先结合区块链技术，将运用终端设备预测待检测人员具备的病毒感染风险作为支点创建一个预设区块链，然后，终端设备在基于现有的确诊病毒感染数据构建训练数据对，进而利用该训练数据对将机器学习模型训练成为根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型之后，将该病毒感染风险预测模型存写在该预设区块链当中，以供监管机构、小区或者工厂的工作人员得以随时通过终端设备登入该区块链提取该病毒感染风险预测模型，以用于对待检测人员具备的病毒感染风险进行预测。
在本实施例中，通过终端设备结合区块链技术，将根据确诊患者的时空轨迹周围地区感染风险，确定待检测人员所具备病毒感染风险的病毒感染风险预测模型，记录在运用终端设备预测待检测人员具备的病毒感染风险为支点的区块链当中，不仅便于监管机构、小区或者工厂的工作人员随时提取该病毒感染风险预测模型进行使用，同时也保证了该病毒感染风险预测模型的稳定性。
此外，请参照图4，本发明实施例还提出一种健康检测系统，该健康检测系统，包括：
获取模块，用于获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；
确定模块，用于根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
优选地，本发明健康检测系统，还包括：
模型训练模块，用于根据病毒感染确诊数据构建训练数据对，并利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型。
优选地，模型训练模块，包括：
获取单元，用于获取病毒感染确诊数据，并检测所述病毒感染确诊数据中确诊病例的密切接触者；
第一检测单元，用于检测所述确诊病例的第一时空轨迹，和从所述密切接触者中确诊的感染病例的第二时空轨迹；
计算单元，用于计算所述第一时空轨迹与所述第二时空轨迹之间的距离，和所述密切接触者中所述感染病例的比例；
封装单元，用于将所述距离作为病毒感染时空范围，并将所述比例作为病毒感染风险程度，以封装所述病毒感染时空范围和所述病毒感染风险程度形成训练数据对。
优选地，模型训练模块，还包括：
输入单元，用于将所述训练数据对输入预设的机器学习模型进行迭代训练直到所述机器学习模型训练收敛或迭代训练达到预设轮次；
标记单元，用于将训练收敛或迭代训练达到预设轮次的所述机器学习模型作为所述病毒感染风险预测模型。
优选地，本发明健康检测系统，包括：
存储模块，用于结合区块链技术将所述病毒感染风险预测模型写入预设区块链中进行存储，以供各监管机构登入所述预设区块链进行提取。
优选地，获取模块，包括：
第二检测单元，用于检测所述病毒感染预测结果是否大于或者等于预设阈值，其中，所述病毒感染风险预测结果为所述病毒感染风险预测模型计算得到的所述时空轨迹数据与病毒感染时空范围相匹配的病毒感染风险程度；
第一确定单元，用于若所述病毒感染预测结果大于或者等于预设阈值，则确定需要对所述待检测人员进行流行病学调查；
第二确定单元，用于若所述病毒感染预测结果小于预设阈值，确定不需要对所述待检测人员进行流行病学调查。
优选地，本发明健康检测系统，还包括：
哈希模块，用于针对所述时空轨迹数据进行哈希编码，以供所述病毒感染风险预测模型根据所述时空轨迹数据的哈希编码，计算与病毒感染时空范围的哈希编码相匹配的病毒感染风险程度。
其中，本发明健康检测系统的各功能模块在运行时所实现的步骤，可参照上述本发明健康检测装置方法的第二实施例和第三实施例，此处不再赘述。
此外，本发明实施例还提出一种终端设备，该终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的健康检测程序，该健康检测程序被所述处理器执行时实现如上述中的健康检测方法的步骤。
其中，在所述处理器上运行的健康检测程序被执行时所实现的步骤可参照本发明健康检测方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，应用于计算机，该存储介质可以为非易失性计算机可读存储介质，该存储介质上存储有健康检测程序，所述健康检测程序被处理器执行时实现如上所述的健康检测方法的步骤。
其中，在所述处理器上运行的健康检测程序被执行时所实现的步骤可参照本发明健康检测方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种健康检测方法，其特征在于，所述健康检测方法包括：
获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；
根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
2.如权利要求1所述的健康检测方法，其特征在于，所述健康检测方法，还包括：
根据病毒感染确诊数据构建训练数据对，并利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型。
3.如权利要求2所述的健康检测方法，其特征在于，所述根据病毒感染确诊数据构建训练数据对的步骤，包括：
获取病毒感染确诊数据，并检测所述病毒感染确诊数据中确诊病例的密切接触者；
检测所述确诊病例的第一时空轨迹，和从所述密切接触者中确诊的感染病例的第二时空轨迹；
计算所述第一时空轨迹与所述第二时空轨迹之间的距离，和所述密切接触者中所述感染病例的比例；
将所述距离作为病毒感染时空范围，并将所述比例作为病毒感染风险程度，以封装所述病毒感染时空范围和所述病毒感染风险程度形成训练数据对。
4.如权利要求2所述的健康检测方法，其特征在于，所述利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型的步骤，包括：
将所述训练数据对输入预设的机器学习模型进行迭代训练直到所述机器学习模型训练收敛或迭代训练达到预设轮次；
将训练收敛或迭代训练达到预设轮次的所述机器学习模型作为所述病毒感染风险预测模型。
5.如权利要求2所述的健康检测方法，其特征在于，在所述利用所述训练数据对将预设的机器学习模型训练成为所述病毒感染风险预测模型的步骤之后，还包括：
结合区块链技术将所述病毒感染风险预测模型写入预设区块链中进行存储，以供各监管机构登入所述预设区块链进行提取。
6.如权利要求1所述的健康检测方法，其特征在于，所述根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查的步骤，包括：
检测所述病毒感染预测结果是否大于或者等于预设阈值，其中，所述病毒感染风险预测结果为所述病毒感染风险预测模型计算得到的所述时空轨迹数据与病毒感染时空范围相匹配的病毒感染风险程度；
若是，则确定需要对所述待检测人员进行流行病学调查；
若否，则确定不需要对所述待检测人员进行流行病学调查。
7.如权利要求1或者6所述的健康检测方法，其特征在于，在所述将所述时空轨迹数据输入病毒感染风险预测模型的步骤之前，还包括：
针对所述时空轨迹数据进行哈希编码，以供所述病毒感染风险预测模型根据所述时空轨迹数据的哈希编码，计算与病毒感染时空范围的哈希编码相匹配的病毒感染风险程度。
8.一种健康检测系统，其特征在于，所述健康检测系统包括：
获取模块，用于获取待检测人员的时空轨迹数据，并将所述时空轨迹数据输入病毒感染风险预测模型，其中，所述病毒感染风险预测模型为预先基于病毒感染确诊数据进行机器学习训练得到；
确定模块，用于根据所述病毒感染风险预测模型输出的病毒感染风险预测结果确定是否对所述待检测人员进行流行病学调查。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的健康检测程序，所述健康检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的健康检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的健康检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010756886.8A CN111863280A (zh) | 2020-07-30 | 2020-07-30 | 健康检测方法、系统、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010756886.8A CN111863280A (zh) | 2020-07-30 | 2020-07-30 | 健康检测方法、系统、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111863280A true CN111863280A (zh) | 2020-10-30 |
Family
ID=72952570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010756886.8A Pending CN111863280A (zh) | 2020-07-30 | 2020-07-30 | 健康检测方法、系统、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111863280A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613726A (zh) * | 2020-12-18 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 基于联邦学习的风险检测方法、客户端、设备和存储介质 |
| CN112735605A (zh) * | 2021-01-22 | 2021-04-30 | 中国银行股份有限公司 | 人员密切接触识别追踪分析方法及装置 |
| CN112786210A (zh) * | 2021-01-15 | 2021-05-11 | 华南师范大学 | 一种疫情传播追踪方法及系统 |
| CN113159706A (zh) * | 2021-03-11 | 2021-07-23 | 北京联创新天科技有限公司 | 一种企业大数据信息管理系统 |
| CN113554542A (zh) * | 2021-08-09 | 2021-10-26 | 南通市疾病预防控制中心 | 5g移动流调仪的突发公共卫生事件应急指挥调度平台 |
| CN113555129A (zh) * | 2021-07-20 | 2021-10-26 | 西安交通大学 | 污水管网病毒感染风险预测方法及装置 |
| WO2022100062A1 (zh) * | 2020-11-12 | 2022-05-19 | 平安科技（深圳）有限公司 | 风险管控方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130318027A1 (en) * | 2011-11-20 | 2013-11-28 | Gal Almogy | System and method to enable detection of viral infection by users of electronic communication devices |
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| CN111464951A (zh) * | 2020-03-31 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 疫情防控方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-07-30 CN CN202010756886.8A patent/CN111863280A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130318027A1 (en) * | 2011-11-20 | 2013-11-28 | Gal Almogy | System and method to enable detection of viral infection by users of electronic communication devices |
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| CN111464951A (zh) * | 2020-03-31 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 疫情防控方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张君辉等: "大型邮轮人员感染新冠肺炎风险评估方法", 《交通信息与安全》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022100062A1 (zh) * | 2020-11-12 | 2022-05-19 | 平安科技（深圳）有限公司 | 风险管控方法、装置、电子设备和存储介质 |
| CN112613726A (zh) * | 2020-12-18 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 基于联邦学习的风险检测方法、客户端、设备和存储介质 |
| CN112786210A (zh) * | 2021-01-15 | 2021-05-11 | 华南师范大学 | 一种疫情传播追踪方法及系统 |
| CN112786210B (zh) * | 2021-01-15 | 2021-10-08 | 华南师范大学 | 一种疫情传播追踪方法及系统 |
| CN112735605A (zh) * | 2021-01-22 | 2021-04-30 | 中国银行股份有限公司 | 人员密切接触识别追踪分析方法及装置 |
| CN113159706A (zh) * | 2021-03-11 | 2021-07-23 | 北京联创新天科技有限公司 | 一种企业大数据信息管理系统 |
| CN113555129A (zh) * | 2021-07-20 | 2021-10-26 | 西安交通大学 | 污水管网病毒感染风险预测方法及装置 |
| CN113555129B (zh) * | 2021-07-20 | 2023-12-29 | 西安交通大学 | 污水管网病毒感染风险预测方法及装置 |
| CN113554542A (zh) * | 2021-08-09 | 2021-10-26 | 南通市疾病预防控制中心 | 5g移动流调仪的突发公共卫生事件应急指挥调度平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111863280A (zh) | 健康检测方法、系统、终端设备及存储介质 | |
| CN107566358B (zh) | 一种风险预警提示方法、装置、介质及设备 | |
| CN103793650A (zh) | Android应用程序的静态分析方法及装置 | |
| CN105204825B (zh) | 终端系统安全监控的方法和装置 | |
| CN107688742B (zh) | 大规模快速移动应用app检测和分析方法 | |
| CN106599688A (zh) | 一种基于应用类别的安卓恶意软件检测方法 | |
| CN112087445A (zh) | 一种融合业务安全的电力物联网安全脆弱性评估方法 | |
| CN113704328B (zh) | 基于人工智能的用户行为大数据挖掘方法及系统 | |
| US20230418943A1 (en) | Method and device for image-based malware detection, and artificial intelligence-based endpoint detection and response system using same | |
| CN114462040A (zh) | 一种恶意软件检测模型训练、恶意软件检测方法及装置 | |
| CN111859374A (zh) | 社会工程学攻击事件的检测方法、装置以及系统 | |
| CN108804501B (zh) | 一种检测有效信息的方法及装置 | |
| CN114338195A (zh) | 基于改进孤立森林算法的web流量异常检测方法及装置 | |
| CN112507265B (zh) | 基于树结构进行异常侦测的方法、装置及相关产品 | |
| CN116305129B (zh) | 一种基于vsto的文档检测方法及装置、设备及介质 | |
| CN113420295A (zh) | 恶意软件的检测方法及装置 | |
| Chen et al. | An android malware detection method using deep learning based on multi-features | |
| CN115171082B (zh) | 驾驶行为的检测方法、装置、电子设备及可读存储介质 | |
| CN115314322A (zh) | 基于流量的漏洞检测确认方法、装置、设备以及存储介质 | |
| KR101876717B1 (ko) | 재난재해 복구를 위한 복구 자원 관리 방법 및 시스템 | |
| Murray et al. | Network Hazard Flow for Multi-Tiered Discriminator Analysis Enhancement with Systems-Theoretic Process Analysis | |
| KR102465307B1 (ko) | 화이트 리스트 생성 방법 및 이를 수행하는 사용자 단말, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 | |
| CN115576852B (zh) | 模糊测试用例的质量评估方法、装置、设备以及存储介质 | |
| CN117454380B (zh) | 恶意软件的检测方法、训练方法、装置、设备及介质 | |
| CN110768969B (zh) | 基于网络数据监控的测试方法、装置及可读存储介质 |
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 |