CN112331358A - 基于三维建模的疾病监测方法、装置、设备和存储介质 - Google Patents
基于三维建模的疾病监测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112331358A CN112331358A CN202011167182.3A CN202011167182A CN112331358A CN 112331358 A CN112331358 A CN 112331358A CN 202011167182 A CN202011167182 A CN 202011167182A CN 112331358 A CN112331358 A CN 112331358A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- disease
- area
- dimensional
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 302
- 201000010099 disease Diseases 0.000 title claims abstract description 111
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007405 data analysis Methods 0.000 claims abstract description 61
- 238000004141 dimensional analysis Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 208000015181 infectious disease Diseases 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000005541 medical transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000003322 Coinfection Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种基于三维建模的疾病监测方法，该方法包括：获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。此外，本发明实施例还公开了一种应用该疾病监测方法的装置、设备和计算机存储介质。本发明在获取了待监测人员的监测数据后，基于该监测数据确定该待监测人员是否会在经过的区域内产生对应的疾病感染，从而有利于提升疾病监测的准确性。
Description
技术领域
本发明属于疾病监测技术领域，具体基于三维建模实现疾病监测操作，尤其涉及一种基于三维建模的疾病监测方法、装置、设备和存储介质。
背景技术
流行性传染病(简称流行病)的每次爆发都会给人类社会带来巨大损失。为了减少流行性传染病爆发带来的损失，对流行病的研究能够有助于对流行病进行防控，同时对流行病的爆发进行预警等，有效的流行病监控能够降低流行病爆发带来的影响。
但是由于现代社会人口流动性比较大，且各个城市的人口密集度不一致，现有的针对城市人口流行病的监测系统功能比较单一，导致对流行病的监测效果比较差，无法及时采取有效的防护措施。由此可知，如何实现快速、有效地疾病监测是现有技术中亟待解决的问题。
发明内容
基于此，有必要针对上述问题，本发明提出一种基于三维建模的疾病监测方法，以提升对流行病的监测效率，便于在疾病爆发时采取有效的应对措施，从而减少疾病爆发带来的损失。此外，本发明还提出一种基于该三维建模的疾病监测方法的装置、设备和存储介质。
第一方面，提供了一种基于三维建模的疾病监测方法，包括：
获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；
将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；
基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。
可选地，所述获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，包括：
构建与所述目标检测区域对应的三维立体模型；
控制所述监测模块采集与所述待监测人员对应的行程数据，其中，所述监测数据包括所述行程数据。
可选地，所述将所述监测数据作为所述目标检测区域的三维分析模型的输入之前，还包括：
基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域；
获取所述待监测人员在每一所述子监测区域的停留时间、行走速度，其中，所述停留时间、行走速度中的至少一个作为所述监测数据。
可选地，所述基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域，包括：
基于所述行程数据根据虚拟现实技术将所述待监测人员在所述三维立体模型中进行可视化展示；
基于所述可视化展示确定所述待监测人员在每一所述子监测区域与人员的实际接触数据。
可选地，所述将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果，包括：
将所述停留时间、行走速度、实际接触数据作为所述三维分析模型的输入；
基于预设的疾病传播模拟算法进行模拟预测，得到所述数据分析结果。
可选地，所述基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测，包括：
根据所述数据分析结果确定对应所述子监测区域的疾病感染等级；
获取与所述疾病感染等级对应的颜色标记数据；
利用所述区域标记算法根据所述颜色标记数据确定所述风险区域的风险等级。
可选地，所述基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测之后，还包括：
根据所述风险等级对不同的所述子监测区域发送对应的预警信息。
第二方面，本发明实施例提供了一种基于三维建模的疾病监测装置，包括：
数据获取模块，用于获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据；
数据分析模块，用于将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；
区域标记模块，用于基于区域标记算法根据所述数据分析结果确定风险区域。
第三方面，本发明实施例还提供一种基于三维建模的疾病监测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述基于三维建模的疾病监测方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述基于三维建模的疾病监测方法的步骤。
实施本发明实施例，将具有如下有益效果：
本发明提出了一种基于三维建模的疾病监测方法、装置、设备和存储介质，首先获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；然后将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；最后基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。本发明基于目标监测区域进行三维建模，结合待监测人员的实际监测数据进行分析，能够实现对待监测人员在不同区域是否会感染人群进行实时监测，从而有利于提升疾病监测的效率。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中基于三维建模的疾病监测方法的实现流程示意图；
图2为一个实施例中所述行程数据的获取流程示意图；
图3为一个实施例中所述数据分析结果的获取流程示意图；
图4为一个实施例中风险区域的风险等级划分流程示意图；
图5为一个实施例中所述基于三维建模的疾病监测装置的结构图示意。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一个实施例中，提供了一种基于三维建模的疾病监测方法，本发明实施例所述的基于三维建模的疾病监测方法的执行主体为能够实现本发明实施例所述的基于三维建模的疾病监测方法的设备，该设备可以包括服务器。
如图1所示，本发明实施例所述的基于三维建模的疾病监测方法，具体包括：
步骤S10：获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块。
其中，目标监测区域为待监测人员生活的可活动区域，例如，待监测人员所在城市或所在城市的某一区等。
监测模块，用于对待监测人员进行相关行为数据的采集操作，例如可通过GPRS采集该待监测人员的行程路线，通过速率传感器采集该待监测人员的速度，以及通过温度传感器对该待监测人员进行温度的实时采集等等，为了提升疾病监测的精度，在目标监测区域中设置有能够对该待监测人员实时监测的若干数量的所述监测模块。
具体的，该监测模块也可以通过设置在该待监测人员身上的方式进行所有口监测数据的采集操作，可根据具体情况进行设定，在此并不进行限制和固定。
步骤S20：将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果。
三维分析模型，用于分析监测数据，并且得到对应该监测数据的数据分析结果，进而基于该分析结果进行疾病传播的，确定出在该目标监测区域中可能出现疾病传播的区域，即确定疾病在某一区域的疾病可能传染概率，这样，即可以根据该数据分析结果及时采取对应的应对手段和防护措施，避免因为疾病的传染而引起过大的损失。
步骤S30：基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。
在一个实施例中，在得到了对应监测数据的数据分析结果后，即可模拟得到对应可能出现疾病传染的区域范围；具体的，可通过区域标记算法得到对应该数据分析结果的风险区域；其中，该区域标记算法可通过四邻域标记算法或者八邻域标记算法进行确定该风险区域，具体可基于实际的情况进行选择，在此并不进行限制和固定。
在一个实施例中，如图2所示，在获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据时，需要执行如下步骤：
步骤S110：构建与所述目标检测区域对应的三维立体模型；
步骤S120：控制所述监测模块采集与所述待监测人员对应的行程数据，其中，所述监测数据包括所述行程数据。
具体的，三维立体模型即基于现实世界的实物，通过如球幕相机等对实物进行不同角度的图像数据采集，然后提取该图像数据的特征点，对特征点进行跟踪操作即可得到对应的点云，在基于点云、球磨相机与该点云对应的位置和朝向即可确定一个三维立体模型。
进一步地，点云包括稀疏点云和稠密点云，且每一点云包括三维坐标(即X轴、Y轴和Z轴)、激光反射强度和颜色信息(RGB)；具体的，对区域图像数据中预设特征点进行提取后进行跟踪，以得到稀疏点云。
其中，对于特征点的提取具体可基于同一组区域图像数据的RGB 图片及不可见光投射图片进行特征点融合得到预设位置的特征点，并且对该预设位置进行标记从而实现跟踪操作，针对不同的特征点使用 SIFT等算法进行匹配计算；再利用SLAM算法计算不同组区域图像数据拍摄时的球幕相机位置；最后利用SFM算法即可计算出稀疏点云。
其中，稀疏点云基于球幕相机的拍摄角度、位置等基于对应位置的特征点进行确定，而稠密点云在稀疏点云的基础上得到。
行程数据，指该待监测人员在目标监测区域的活动的具体范围或者路线，具体的，可基于监测数据通过如AR技术在构建的三维立体模型中进行可视化展示。这样，即可实现对该待监测人员的模拟行程监控，从而更加清晰了解该待监测人员的获取区域和具体的活动路线，有利于提升监测的精确性。
在一个实施例中，由于待监测人员在整个行程过程中，在不同的区域范围之内停留时间、行走速度以及与人员的接触数据等均是不同的，且这些因素都可能导致对某一范围内的疾病监测出现偏差，基于此，根据该行程数据、监测数据对三维立体模型进行标记，并基于所述标记将目标监测区域划分为若干的子监测区域，然后在确定待监测人员在每一所述子监测区域的停留时间、行走速度，并把所述停留时间、行走速度中的至少一个作为监测数据。
在具体实施例中，为了更加形象地展示该待监测人员的实际行程数据，可基于所述行程数据根据虚拟现实技术将所述待监测人员在所述三维立体模型中进行可视化展示，例如AR技术，在确定了三维立体模型的基础上，利用AR技术可以很真实地将该待监测人员的实际行程过程中在每一子监测区域中与人员的监测数据获取。
基于上述内容可知，在一个实施例中，如图3所示，将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果，具体需要执行如下步骤：
步骤S210：将所述停留时间、行走速度、实际接触数据作为所述三维分析模型的输入；
步骤S220：基于预设的疾病传播模拟算法进行模拟预测，得到所述数据分析结果。
停留时间，即该待监测人员在某一子监测区域所滞留的时间；行走速度，即该待监测人员从进入到离开该子监测区域，其行走的所有路程与停留时间的比值；实际接触数据，可以是该待监测人员在子监测区域接触的人员数量，也可以是与人员的接触时间长短等等，具体可根据实际情况进行确定，以得到不同精度的数据分析结果。
其中，疾病传播模拟算法可以通过SEIR模型进行模拟操作，也可以通过C-SEIR模型进行模拟操作；其中，SEIR模型中涉及的人群主要包括：人群分为易感人群(Susceptible)、已被感染但无症状处于潜伏期的人群(Exposed)、已表现出症状但未被隔离的患病人群 (Infectious)、康复人群(Recovered)四类，SEIR模型中涉及的参数主要有：可再生数R0、平均潜伏期时间DE和平均收治时间DI。其中，后两种参数均可直接从官方发布中获得，而R0，即一名被感染者平均每天传染到的人数，其值可通过具体的监测结果获取。
C-SEIR模型在SEIR模型的四类人群基础上增加了两类新的人群：被隔离疑似感染人群(P)，已确诊并被隔离的患病人群(Q)。注意在 P类中的人包括与该待监测人员具有相同疾病的人群，也包括了症状相似但未感染的人群，可以假设这一部分人群不具备向外传染疾病的能力，即疾病的传染能力只与I和E有关。
具体采用上述的何种模型进行模拟操作，可根据实际情况及需要的监测精确度进行确定，在此并不进行限制和固定。
在一个实施例中，如图4所示，基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测，具体需要执行如下步骤：
步骤S310：根据所述数据分析结果确定对应所述子监测区域的疾病感染等级；
步骤S320：获取与所述疾病感染等级对应的颜色标记数据；
步骤S330：利用所述区域标记算法根据所述颜色标记数据确定所述风险区域的风险等级。
在实际情况中，由于待监测人员在不同子监测区域的停留时间、行走速度、实际接触数据不同，每一子监测区域可能感染疾病的可能性大小也是不同的，在此基础上，在一个实施例中，将根据该数据分析结果确定各子监测区域的风险等级，并获取对应的颜色标记数据，例如：易感染区域可标记为红色，次感染区域可标记为橙色，不易感染区域标记为绿色，以此类推进行设定颜色标记区域，再根据上述的四领域标记算法或八邻域标记算法进行精确的风险区域的划分，以及确定对应的风险等级。
进一步地，为了保证检测的有效性，在确定了风险区域以及对应的风险等级后，可根据不同的风险等级对各子监测区域发送不同的预警信息，例如，若确定了子监测区域为易感染区域，则一方面需要对该子监测区域进行消毒和隔离等操作，另一方面，尽量控制人群外出接触等工作；而对于次感染区域，则可以安排人员进行有序的检查；而对于不易感染区域，则可以简单进行行程限制即可，尽量采取不会影响正常生活的措施。
上述基于三维建模的疾病监测方法，首先获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；然后将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；最后基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。本发明基于目标监测区域进行三维建模，结合待监测人员的实际监测数据进行分析，能够实现对待监测人员在不同区域是否会感染人群进行实时监测，从而有利于提升疾病监测的效率。
基于同一发明构思，如图5所示，本发明实施例还提供了一种基于三维建模的疾病监测装置100，具体包括：数据获取模块110，用于获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据；数据分析模块120，用于将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；区域标记模块130，用于基于区域标记算法根据所述数据分析结果确定风险区域。
上述基于三维建模的疾病监测装置，首先获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；然后将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；最后基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。本发明基于目标监测区域进行三维建模，结合待监测人员的实际监测数据进行分析，能够实现对待监测人员在不同区域是否会感染人群进行实时监测，从而有利于提升疾病监测的效率。
在一个实施例中，所述疾病监测装置100，还包括：信息发送模块，用于根据所述风险等级对不同的所述子监测区域发送对应的预警信息。
还提供一个实施例涉及基于三维建模的疾病监测设备，该基于三维建模的疾病监测设备包括通过系统总线连接的处理器、存储器和通信接口。其中，存储器包括非易失性存储介质和内存储器。该基于三维建模的疾病监测设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于三维建模的疾病监测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于三维建模的疾病监测方法。本领域技术人员可以理解，上述仅仅是与本申请方案相关的部分结构的说明，并不构成对本申请方案所应用于其上的基于三维建模的疾病监测设备的限定，具体的基于三维建模的疾病监测设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的基于三维建模的疾病监测方法可以实现为一种计算机程序的形式，计算机程序可在基于三维建模的疾病监测设备上运行。基于三维建模的疾病监测设备的存储器中可存储组成基于三维建模的疾病监测装置的各个程序模板。比如，数据获取模块110、数据分析模块120和区域标记模块130。
在一个实施例中，提供一种基于三维建模的疾病监测设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。
上述基于三维建模的疾病监测设备，首先获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；然后将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；最后基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。本发明基于目标监测区域进行三维建模，结合待监测人员的实际监测数据进行分析，能够实现对待监测人员在不同区域是否会感染人群进行实时监测，从而有利于提升疾病监测的效率。
在一个实施例中，所述计算机程序被所述处理器执行时，获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，还用于：构建与所述目标检测区域对应的三维立体模型；控制所述监测模块采集与所述待监测人员对应的行程数据，其中，所述监测数据包括所述行程数据。
在一个实施例中，所述计算机程序被所述处理器执行时，将所述监测数据作为所述目标检测区域的三维分析模型的输入之前，还用于：
基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域；
控制所述监测模块采集所述待监测人员在每一所述子监测区域的停留时间、行走速度中的至少一个作为所述监测数据。
在一个实施例中，所述基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域，还包括：基于所述行程数据根据虚拟现实技术将所述待监测人员在所述三维立体模型中进行可视化展示；基于所述可视化展示确定所述待监测人员在每一所述子监测区域与人员的实际接触数据。
在一个实施例中，所述将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果，包括：将所述停留时间、行走速度、实际接触数据作为所述三维分析模型的输入；基于预设的疾病传播模拟算法进行模拟预测，得到所述数据分析结果。
在一个实施例中，所述基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测，包括：根据所述数据分析结果确定对应所述子监测区域的疾病感染等级；获取与所述疾病感染等级对应的颜色标记数据；利用所述区域标记算法根据所述颜色标记数据确定所述风险区域的风险等级。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；
将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；
基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。
上述计算机可读存储介质，首先获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；然后将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；最后基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。本发明基于目标监测区域进行三维建模，结合待监测人员的实际监测数据进行分析，能够实现对待监测人员在不同区域是否会感染人群进行实时监测，从而有利于提升疾病监测的效率。
在一个实施例中，所述计算机程序被所述处理器执行时，
获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，还用于：构建与所述目标检测区域对应的三维立体模型；控制所述监测模块采集与所述待监测人员对应的行程数据，其中，所述监测数据包括所述行程数据。
在一个实施例中，所述计算机程序被所述处理器执行时，将所述监测数据作为所述目标检测区域的三维分析模型的输入之前，还用于：
基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域；
控制所述监测模块采集所述待监测人员在每一所述子监测区域的停留时间、行走速度中的至少一个作为所述监测数据。
在一个实施例中，所述基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域，还包括：基于所述行程数据根据虚拟现实技术将所述待监测人员在所述三维立体模型中进行可视化展示；基于所述可视化展示确定所述待监测人员在每一所述子监测区域与人员的实际接触数据。
在一个实施例中，所述将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果，包括：将所述停留时间、行走速度、实际接触数据作为所述三维分析模型的输入；基于预设的疾病传播模拟算法进行模拟预测，得到所述数据分析结果。
在一个实施例中，所述基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测，包括：根据所述数据分析结果确定对应所述子监测区域的疾病感染等级；获取与所述疾病感染等级对应的颜色标记数据；利用所述区域标记算法根据所述颜色标记数据确定所述风险区域的风险等级。
需要说明的是，上述基于三维建模的疾病监测方法、基于三维建模的疾病监测装置、基于三维建模的疾病监测及计算机可读存储介质属于一个总的发明构思，基于三维建模的疾病监测方法、基于三维建模的疾病监测装置、基于三维建模的疾病监测设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM) 或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于三维建模的疾病监测方法，其特征在于，包括：
获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，所述目标监测区域设置有至少一个所述监测模块；
将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；
基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测。
2.如权利要求1所述的疾病监测方法，其特征在于，所述获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据，包括：
构建与所述目标检测区域对应的三维立体模型；
控制所述监测模块采集与所述待监测人员对应的行程数据，其中，所述监测数据包括所述行程数据。
3.如权利要求2所述的疾病监测方法，其特征在于，所述将所述监测数据作为所述目标检测区域的三维分析模型的输入之前，还包括：
基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域；
获取所述待监测人员在每一所述子监测区域的停留时间、行走速度，其中，所述停留时间、行走速度中的至少一个作为所述监测数据。
4.如权利要求3所述的疾病监测方法，其特征在于，所述基于所述行程数据、监测数据对所述三维立体模型进行标记，基于所述标记将所述目标监测区域划分为若干的子监测区域，包括：
基于所述行程数据根据虚拟现实技术将所述待监测人员在所述三维立体模型中进行可视化展示；
基于所述可视化展示确定所述待监测人员在每一所述子监测区域与人员的实际接触数据。
5.如权利要求4所述的疾病监测方法，其特征在于，所述将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果，包括：
将所述停留时间、行走速度、实际接触数据作为所述三维分析模型的输入；
基于预设的疾病传播模拟算法进行模拟预测，得到所述数据分析结果。
6.如权利要求5所述的疾病监测方法，其特征在于，所述基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测，包括：
根据所述数据分析结果确定对应所述子监测区域的疾病感染等级；
获取与所述疾病感染等级对应的颜色标记数据；
利用所述区域标记算法根据所述颜色标记数据确定所述风险区域的风险等级。
7.如权利要求6所述的疾病监测方法，其特征在于，所述基于区域标记算法根据所述数据分析结果确定风险区域，实现疾病监测之后，还包括：
根据所述风险等级对不同的所述子监测区域发送对应的预警信息。
8.一种基于三维建模的疾病监测装置，其特征在于，包括：
数据获取模块，用于获取在目标监测区域中监测模块采集的与待监测人员对应的监测数据；
数据分析模块，用于将所述监测数据作为所述目标监测区域的三维分析模型的输入，得到所述三维分析模型的数据分析结果；
区域标记模块，用于基于区域标记算法根据所述数据分析结果确定风险区域。
9.一种基于三维建模的疾病监测设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于三维建模的疾病监测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于三维建模的疾病监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011167182.3A CN112331358A (zh) | 2020-10-27 | 2020-10-27 | 基于三维建模的疾病监测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011167182.3A CN112331358A (zh) | 2020-10-27 | 2020-10-27 | 基于三维建模的疾病监测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112331358A true CN112331358A (zh) | 2021-02-05 |
Family
ID=74296885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011167182.3A Pending CN112331358A (zh) | 2020-10-27 | 2020-10-27 | 基于三维建模的疾病监测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112331358A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115602339A (zh) * | 2022-10-18 | 2023-01-13 | 广东泳华科技有限公司（Cn） | 一种传染特征的传染病防控区域推荐方法 |
| CN116525130A (zh) * | 2023-03-10 | 2023-08-01 | 山东新希望六和农牧科技有限公司 | 一种非洲猪瘟的监测方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129363A (zh) * | 2010-01-13 | 2011-07-20 | 中国科学院遥感应用研究所 | 呼吸道社区传播疾病时空建模与模拟系统 |
| CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
| US20130130227A1 (en) * | 2011-11-22 | 2013-05-23 | The Boeing Company | Infectious Disease Detection System |
| US20160140311A1 (en) * | 2014-11-18 | 2016-05-19 | Mastercard International Incorporated | System and method for conducting real time active surveilance of disease outbreak |
| CN106326865A (zh) * | 2016-08-25 | 2017-01-11 | 广州地理研究所 | 一种基于无人机的水利工程区域实时监测系统及方法和装置 |
| CN108845346A (zh) * | 2018-03-28 | 2018-11-20 | 深圳臻迪信息技术有限公司 | 一种无人机监测方法、装置及无人机 |
| CN111028955A (zh) * | 2020-03-11 | 2020-04-17 | 智博云信息科技(广州)有限公司 | 一种疫情区域的展示方法及系统 |
| CN111429575A (zh) * | 2020-04-01 | 2020-07-17 | 中冶建筑研究总院（深圳）有限公司 | 一种三维可视化监测方法、系统、设备和存储介质 |
| CN111739653A (zh) * | 2020-06-19 | 2020-10-02 | 南方科技大学 | 传染病传播的评估方法、装置、计算机设备和存储介质 |
| CN111785392A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云（北京）技术有限公司 | 人口数量的预警方法、装置、电子设备及计算机可读介质 |
-
2020
- 2020-10-27 CN CN202011167182.3A patent/CN112331358A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129363A (zh) * | 2010-01-13 | 2011-07-20 | 中国科学院遥感应用研究所 | 呼吸道社区传播疾病时空建模与模拟系统 |
| US20130130227A1 (en) * | 2011-11-22 | 2013-05-23 | The Boeing Company | Infectious Disease Detection System |
| CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
| US20160140311A1 (en) * | 2014-11-18 | 2016-05-19 | Mastercard International Incorporated | System and method for conducting real time active surveilance of disease outbreak |
| CN106326865A (zh) * | 2016-08-25 | 2017-01-11 | 广州地理研究所 | 一种基于无人机的水利工程区域实时监测系统及方法和装置 |
| CN108845346A (zh) * | 2018-03-28 | 2018-11-20 | 深圳臻迪信息技术有限公司 | 一种无人机监测方法、装置及无人机 |
| CN111028955A (zh) * | 2020-03-11 | 2020-04-17 | 智博云信息科技(广州)有限公司 | 一种疫情区域的展示方法及系统 |
| CN111429575A (zh) * | 2020-04-01 | 2020-07-17 | 中冶建筑研究总院（深圳）有限公司 | 一种三维可视化监测方法、系统、设备和存储介质 |
| CN111739653A (zh) * | 2020-06-19 | 2020-10-02 | 南方科技大学 | 传染病传播的评估方法、装置、计算机设备和存储介质 |
| CN111785392A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云（北京）技术有限公司 | 人口数量的预警方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (7)
| Title |
|---|
| 北京大学: ""面向新冠疫情的数据可视化分析与模拟预测——北京大学陈宝权教授团队助力抗疫"", pages 1, Retrieved from the Internet <URL:https://baijiahao.baidu.com/s?id=1664376766902223751&wfr=spider&for=pc> * |
| 匡文彬 等: ""基于固定式相机对动态目标跟踪的三维重建"", 《计算技术与自动化》, pages 95 - 102 * |
| 周强 等: ""深圳市新冠肺炎疫情分析"", 岭南急诊医学杂志, pages 102 - 106 * |
| 周彦 等: ""视觉同时定位与地图创建综述"", 《智能系统学报》, pages 97 - 106 * |
| 张恺 等: ""基于无人机倾斜摄影的矿山边坡岩体结构编录方法与工程应用"", 《工程地质学报》, pages 1448 - 1455 * |
| 邬贺铨: ""大数据助力疫情防控"", 互联网天地, pages 68 - 69 * |
| 陈红缨: "《疾病监测分析实用指南》", 湖北科学技术出版社, pages: 11 - 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115602339A (zh) * | 2022-10-18 | 2023-01-13 | 广东泳华科技有限公司（Cn） | 一种传染特征的传染病防控区域推荐方法 |
| CN116525130A (zh) * | 2023-03-10 | 2023-08-01 | 山东新希望六和农牧科技有限公司 | 一种非洲猪瘟的监测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
| Ronchi et al. | New approaches to evacuation modelling for fire safety engineering applications | |
| CN112331358A (zh) | 基于三维建模的疾病监测方法、装置、设备和存储介质 | |
| CN107967487A (zh) | 一种基于证据距离和不确定度的冲突数据融合方法 | |
| CN107622503A (zh) | 一种恢复图像遮挡边界的分层分割方法 | |
| CN115797864B (zh) | 一种应用于智慧社区的安全管理系统 | |
| CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
| CN105488619A (zh) | 一种建筑工人危险辨识能力测试系统及方法 | |
| CN108494803B (zh) | 基于人工智能的多元异构网络安全数据可视化系统 | |
| Andersson et al. | Towards predicting dengue fever rates using convolutional neural networks and street-level images | |
| Gazzarri et al. | Estimation of gap acceptance parameters for HCM 2010 roundabout capacity model applications | |
| Alalhareth et al. | Analysis of leptospirosis transmission dynamics with environmental effects and bifurcation using fractional-order derivative | |
| CN111695048B (zh) | 疫情溯源方法及介质 | |
| Jeelani et al. | Real-world mapping of gaze fixations using instance segmentation for road construction safety applications | |
| Moparthi et al. | Paddy Leaf Disease Detection using CNN | |
| Lu et al. | Crash risk analysis for the mixed traffic flow with human-driven and connected and autonomous vehicles | |
| CN110738208A (zh) | 一种高效的尺度规范化目标检测训练方法 | |
| CN115019508B (zh) | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 | |
| CN110598652A (zh) | 眼底数据预测方法和设备 | |
| CN113380420B (zh) | 一种疫情预测方法、装置、电子设备及存储介质 | |
| CN114068036B (zh) | 一种基于物联网感知的传染传播预测方法及系统 | |
| CN115375500A (zh) | 风险地图生成方法、装置、设备及存储介质 | |
| CN114996109A (zh) | 用户行为识别方法、装置、设备及存储介质 | |
| Santos et al. | A spatial explicit agent based model approach to evaluate the performance of different monitoring options for mortality estimates in the scope of onshore windfarm impact assessments | |
| Sanjuan et al. | Determining map partitioning to accelerate wind field calculation |
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 |