CN113823412A - 健康管理计划生成方法、装置、电子设备及存储介质 - Google Patents
健康管理计划生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113823412A CN113823412A CN202111152322.4A CN202111152322A CN113823412A CN 113823412 A CN113823412 A CN 113823412A CN 202111152322 A CN202111152322 A CN 202111152322A CN 113823412 A CN113823412 A CN 113823412A
- Authority
- CN
- China
- Prior art keywords
- health
- data
- risk
- disease
- management plan
- 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
- 230000036541 health Effects 0.000 title claims abstract description 386
- 238000000034 method Methods 0.000 title claims abstract description 70
- 201000010099 disease Diseases 0.000 claims abstract description 125
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 125
- 238000012502 risk assessment Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 235000005911 diet Nutrition 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 25
- 230000037213 diet Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 235000015219 food category Nutrition 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000007726 management method Methods 0.000 description 88
- 230000006870 function Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000378 dietary effect Effects 0.000 description 5
- 238000009472 formulation Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000004083 survival effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000005686 eating Nutrition 0.000 description 4
- 235000006694 eating habits Nutrition 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000037221 weight management Effects 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 235000019577 caloric intake Nutrition 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 235000021074 carbohydrate intake Nutrition 0.000 description 3
- 230000002612 cardiopulmonary effect Effects 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
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 208000031226 Hyperlipidaemia Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000037323 metabolic rate Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 201000001431 Hyperuricemia Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005584 early death Effects 0.000 description 1
- 201000004101 esophageal cancer Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000020803 food preference Nutrition 0.000 description 1
- 235000020983 fruit intake Nutrition 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 235000001366 vegetable intake Nutrition 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及人工智能领域,实施例提供了一种健康管理计划生成方法、装置、电子设备及存储介质。该方法包括:获取用户的健康数据;对健康数据进行实体特征提取,得到健康文本数据;根据预先训练的健康分类模型对健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据;将包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据;根据健康文本数据和包含疾病风险指标的健康风险数据,生成健康管理计划。本申请实施例能够通过生成的健康管理计划实现对用户健康的全面管理,提高健康管理的灵活性和准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种健康管理计划生成方法、装置、电子设备及存储介质。
背景技术
目前,在进行健康管理时,传统的健康管理平台或者健康管理软件常常是向用户提供基础的运动指导或者饮食指导,往往无法有针对性地对用户健康进行管理,灵活性和准确性较低。因此,如何提供一种健康管理计划生成方法,实现对用户健康的全面管理,提高健康管理的灵活性和准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种健康管理计划生成方法、装置、电子设备及存储介质,旨在通过生成的健康管理计划实现对用户健康的全面管理,提高健康管理的灵活性和准确性。
为实现上述目的,本申请实施例的第一方面提出了一种健康管理计划生成方法,所述方法包括:
获取用户的健康数据;
对所述健康数据进行实体特征提取,得到健康文本数据;
根据预先训练的健康分类模型对所述健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据;
将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据;
根据所述健康文本数据和所述包含疾病风险指标的健康风险数据,生成健康管理计划。
在一些实施例,所述对所述健康数据进行实体特征提取,得到健康文本数据的步骤,包括:
提取所述健康数据中的自然语言文本;
利用预设的词法分析模型识别所述自然语言文本中的实体特征;
利用预先训练的序列分类器对所述实体特征进行分类处理;
对分类处理之后的实体特征进行特征提取,得到健康文本数据。
在一些实施例,所述根据预先训练的健康分类模型对所述健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据的步骤,包括:
将健康文本数据输入至预先训练的基于决策树算法的健康分类模型中,计算每一所述健康文本数据的增益率;
根据每一所述健康文本数据的增益率和预设的健康类别标签,得到包含健康类别标签的标注健康数据。
在一些实施例,在所述将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据的步骤之前,所述方法还包括:
根据所述标注健康数据的健康类别标签确定待预测疾病以及所述待预测疾病的权重比例;
根据所述待预测疾病和所述待预测疾病的权重比例,得到与所述待预测疾病对应的风险评估模型。
在一些实施例,所述将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据的步骤,包括:
将所述包含健康类别标签的标注健康数据输入至与所述待预测疾病对应的风险评估模型进行风险预测处理,得到每一所述待预测疾病的相对风险值;
比对所述相对风险值与预设的风险等级,得到每一待预测疾病的疾病风险指标;
根据所述权重比例和所述疾病风险指标,计算综合疾病风险值,得到包含疾病风险指标的健康风险数据。
在一些实施例,所述健康文本数据包括疾病数据和日常生活数据,所述根据所述健康文本数据和所述健康风险数据,生成健康管理计划的步骤,包括:
根据所述疾病数据和所述日常生活数据,计算用户在预设维度上的用户标签;
根据所述用户标签和所述日常生活数据,得到当前健康计划表;
根据预设的运动类别、预设的食物类别、所述当前健康计划表以及所述包含疾病风险指标的健康风险数据,生成健康管理计划。
在一些实施例,所述日常生活数据包括运动偏好数据,在所述根据预设的运动类别、预设的食物类别、所述当前健康计划表以及所述包含疾病风险指标的健康风险数据,生成健康管理计划的步骤之后,所述方法至少还包括以下步骤之一:
根据所述运动偏好数据对所述健康管理计划中的运动方案进行优先级排序,得到最优运动方案;
根据所述运动偏好数据对所述健康管理计划中的饮食方案进行优先级排序,得到最优饮食方案。
为实现上述目的,本申请实施例的第二方面提出了一种健康管理计划生成装置,所述装置包括:
健康数据获取模块,用于获取用户的健康数据;
健康文本数据提取模块,用于对所述健康数据进行实体特征提取,得到健康文本数据;
分类模块,用于根据预先训练的健康分类模型对所述健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据;
健康风险预测模块,用于将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据;
健康管理计划生成模块,用于根据所述健康文本数据和所述包含疾病风险指标的健康风险数据,生成健康管理计划。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种计算机可读存储介质,用于计算机可读存储,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的健康管理计划生成方法、装置、电子设备及存储介质,其通过获取用户的健康数据,对健康数据进行实体特征提取,得到健康文本数据,这一方式能够实现对健康数据的特征抽取,缩小数据总量,使得更为方便提取到所需要的健康文本数据。进而根据预先训练的健康分类模型对健康文本数据进行分类处理,以便获取不同类别的健康文本数据,即包含健康类别标签的标注健康数据。而后将包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据。最后根据健康文本数据和健康风险数据,生成健康管理计划,通过对用户的健康风险进行预测,能够针对健康风险生成对应的健康管理计划,使得健康管理计划更具有针对性。另外,本申请的健康管理计划是基于用户的健康数据中的健康文本数据与包含疾病风险指标的健康风险数据生成,同时考虑到了日常生活需求和疾病风险对计划制定的影响,能够较为全面对用户健康进行管理,提高了健康管理的灵活性和准确性。
附图说明
图1是本申请实施例提供的健康管理计划生成方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图1中的步骤S103的流程图;
图4是本申请另一实施例提供的健康管理计划生成方法的部分流程图;
图5是图1中的步骤S104的流程图;
图6是图1中的步骤S105的流程图;
图7是本申请实施例提供的健康管理计划生成装置的结构示意图;
图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。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。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction,NER):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
最大熵马尔科夫模型(Maximum Entropy Markov Model,MEMM):用于对给定的观测序列X,计算出各隐藏状态序列Y的条件概率分布,是对转移概率和表现概率建立联合概率,统计时统计的是条件概率,而非共现概率。由于MEMM只在局部做归一化,MEMM容易陷入局部最优。
条件随机场算法(conditional random field algorithm,CRF):是一种数学算法;结合了最大熵模型和隐马尔可夫模型的特点,是一种无向图模型,近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。条件随机场是一个典型的判别式模型,其联合概率可以写成若干势函数联乘的形式,其中最常用的是线性链条件随机场。若让x=(x1,x2,…xn)表示被观察的输入数据序列,y=(y1,y2,…yn)表示一个状态序列,在给定一个输入序列的情况下,线性链的CRF模型定义状态序列的联合条件概率为p(y|x)=exp{}(2-14);Z(x)={}(2-15);其中:Z是以观察序列x为条件的概率归一化因子;fj(yi-1,yi,x,i)是一个任意的特征函数。
长短期记忆网络(Long Short-Term Memory,LSTM):是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络,文献或其他资料中LSTM区块可能被描述成智能网络单元,因为它可以记忆不定时间长度的数值,区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。
双向长短时记忆(Bi-directional Long Short-Term Memory,Bi-LSTM):是由前向LSTM与后向LSTM组合而成。在自然语言处理任务中都常被用来建模上下文信息。Bi-LSTM在LSTM的基础上,结合了输入序列在前向和后向两个方向上的信息。对于t时刻的输出,前向LSTM层具有输入序列中t时刻以及之前时刻的信息,而后向LSTM层中具有输入序列中t时刻以及之后时刻的信息。前向LSTM层t时刻的输出记作,后向LSTM层t时刻的输出结果记作,两个LSTM层输出的向量可以使用相加、平均值或连接等方式进行处理。
BERT(Bidirectional Encoder Representations from Transformers):是一个语言表示模型(language representation model)。BERT采用了Transformer Encoderblock进行连接,是一个典型的双向编码模型。
COX比例风险回归模型(proportional hazards model,简称Cox模型),是一种半参数回归模型。该模型以生存结局和生存时间为因变量,可同时分析众多因素对生存期的影响,能分析带有截尾生存时间的资料,且不要求估计资料的生存分布类型。
运筹优化:在给定的边界范围内寻找可行解,并且从可行解中寻找最优良的解的优化过程。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
基于此,本申请实施例提供一种健康管理计划生成方法、装置、电子设备及存储介质,可以通过对用户的健康风险进行预测,能够针对健康风险生成对应的健康管理计划,使得健康管理计划更具有针对性。另外,本申请的健康管理计划是基于用户的健康数据中的健康文本数据与包含疾病风险指标的健康风险数据生成,同时考虑到了日常生活需求和疾病风险对计划制定的影响,能够较为全面对用户健康进行管理,提高了健康管理的灵活性和准确性。
本申请实施例提供的健康管理计划生成方法、装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的健康管理计划生成方法。
本申请实施例提供的健康管理计划生成方法,涉及人工智能技术领域。本申请实施例提供的健康管理计划生成方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现健康管理计划生成方法的应用等,但并不局限于以上形式。
图1是本申请实施例提供的健康管理计划生成方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101,获取用户的健康数据;
步骤S102,对健康数据进行实体特征提取,得到健康文本数据;
步骤S103,根据预先训练的健康分类模型对健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据;
步骤S104,将包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据;
步骤S105,根据健康文本数据和包含疾病风险指标的健康风险数据,生成健康管理计划。
经过以上步骤S101至步骤S105,首先获取用户的健康数据。其中,用户的健康数据可以通过对用户进行图文咨询、电话回访、视频问诊等方式获得,也可以是根据用户的体检报告、用户在健康数据平台上的标签记录或者用户参与过的健康评测问卷采集到;还可以是通过智能手表、智能手环、体脂秤等智能设备获取用户的健康数据,还可以是通过其他方式获取用户的健康数据,不限于此。需要说明的是,用户的健康数据包括用户的个人健康史、家族史、饮食数据、生活习惯数据、疾病数据、运动数据、运动偏好数据等等。对健康数据进行实体特征提取,得到健康文本数据,其中,健康文本数据包括用户的疾病数据以及日常生活数据,其中,疾病数据可以包括用户的基本数据、体格数据、糖尿病数据、高血压数据、高血脂数据、高尿酸数据、并发症数据以及激素数据等等;日常生活数据可以包括饮食数据、睡眠数据、焦虑数据、抑郁数据、体力活动数据以及心肺功能数据等等。这一方式能够实现对健康数据的特征抽取,缩小数据总量,使得更为方便提取到所需要的健康文本数据。进而根据预先训练的健康分类模型对健康文本数据进行分类处理,以便获取不同类别的健康文本数据。而后将包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理。例如,可以根据待预测的疾病种类构建不同的风险评估模型,计算每一待预测疾病的健康风险指标。对每一待预测疾病的风险指标进行分析,得到包含疾病风险指标的健康风险数据。最后根据健康文本数据和健康风险数据,生成健康管理计划,该健康管理计划包括多方面的健康管理方案,例如,饮食方案、运动方案、目标管理方案等等。该方法通过对用户的健康风险进行预测,能够针对健康风险生成对应的健康管理计划,使得健康管理计划更具有针对性。另外,本申请的健康管理计划是基于用户的健康数据中的健康文本数据与包含疾病风险指标的健康风险数据生成,同时考虑到了疾病风险和多方面的日常生活需求对计划制定的影响,能够较为全面对用户健康进行管理,提高了健康管理的灵活性和准确性。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S204:
步骤S201,提取健康数据中的自然语言文本;
步骤S202,利用预设的词法分析模型识别自然语言文本中的实体特征;
步骤S203,利用预先训练的序列分类器对实体特征进行分类处理;
步骤S204,对分类处理之后的实体特征进行特征提取,得到健康文本数据。
具体地,首先将健康数据中的非结构化数据转化为统一的结构化数据,从结构化数据中提取所需要的自然语言文本。利用预设的词法分析模型识别自然语言文本中的实体特征。例如,预先构建健康数据词库,该健康数据词库可以包括各类健康管理相关的专有名词、术语、非专有名称、民间俗称等等。通过这一健康数据词库,预设的词法分析模型可以将特定健康管理名称进行列举,例如,运动、饮食、睡眠等等。将自然语言文本输入至预设的词法分析模型中,通过预设的词法分析模型中包含的特定健康管理以及预设的词性类别,对自然语言文本中的实体特征进行识别,该实体特征可以包括上述与健康管理相关的专有名词、术语、非专有名称、民间俗称、修饰词、时间信息等多个维度的实体词汇。为了更准确地提取实体特征,还可以利用预先训练的序列分类器对实体特征进行标记,使得这些实体特征都能够带上预设的标签,以便提高分类效率。需要说明的是,在一些具体实施例中,预先训练的序列分类器可以是最大熵马尔科夫模型(MEMM模型)或者基于条件随机场算法(CRF)的模型或者是基于双向长短时记忆算法(bi-LSTM)的模型。例如,可以基于bi-LSTM算法构建序列分类器,在基于bi-LSTM算法的模型中,输入单词wi和字符嵌入,通过左到右的长短记忆和右向左的长短时记忆,使得在输出被连接的位置生成单一的输出层。序列分类器通过这一输出层可以将输入的实体特征直接传递到softmax分类器上,通过softmax分类器在预设的词性类别标签上创建一个概率分布,从而根据概率分布对实体参数进行标记分类,最后对分类处理之后的实体特征进行特征提取,得到所需要的健康文本数据。另外,为了实现数据存储,还可以采用BERT编码器,通过预设的编码函数将健康文本数据由文本形式转化为编码形式,以实现对健康文本数据的存储。该方法能够实现对健康数据的特征抽取,缩小数据总量,使得更为方便提取到所需要的健康文本数据。
请参阅图3,在一些实施例中,步骤S103可以包括但不限于包括步骤S301至步骤S302:
步骤S301,将健康文本数据输入至预先训练的基于决策树算法的健康分类模型中,计算每一健康文本数据的增益率;
步骤S302,根据每一健康文本数据的增益率和预设的健康类别标签,得到包含健康类别标签的标注健康数据。
具体地,首先确定健康类别标签,该健康类别标签可以根据实际需求设定,健康类别标签可以包括运动量指标、个人健康史、家族病史、饮食习惯、精神状态指标、生活方式等等。然后将这些预设的健康类别标签输入至健康分类模型中,作为健康分类模型的标签数据。进而,将健康文本数据输入至预先训练的基于决策树算法的健康分类模型中,首先计算健康文本数据集的信息熵,再对每一健康文本数据分别计算信息熵,根据健康文本数据集的信息熵以及每一健康文本数据的信息熵,计算第一根节点所依赖的信息增益值,进而计算分裂信息度量,最后根据分裂信息度量以及信息增益值计算每一健康文本数据的增益率。例如,假定当前的健康文本数据集为D,健康文本数据集的特征为a,其中,特征a有多个可能值a1,a2,…,aV,以特征a作为健康文本数据集D的划分特征时,增益率可以表示为公式(1)的形式。根据每一健康文本数据的增益率的大小,保留增益率大于增益率阈值的健康文本数据,根据预设的健康类别标签分别对增益率大于增益率阈值的健康文本数据进行标记分类,得到包含健康类别标签的标注健康数据。
Gainratio(D,a)=Gain(D,a)IV(a) 公式(1)
其中,IV(a)=-∑Vv=1|Dv||D|log2|Dv||D|,IV(a)为特征a本身的信息熵。
请参阅图4,在一些实施例中,在步骤S104之前,该方法可以包括但不限于包括步骤S401至步骤S402:
步骤S401,根据标注健康数据的健康类别标签确定待预测疾病以及待预测疾病的权重比例;
步骤S402,根据待预测疾病和待预测疾病的权重比例,得到与待预测疾病对应的风险评估模型。
为了提高健康风险预测的准确性,需要针对不同的疾病可以设置不同的风险评估模型。具体地,首先,根据标注健康数据的健康类别标签确定待预测疾病,待预测疾病的种类包括心血管疾病(缺血性心脏病、缺血性脑卒中、高血压、高血脂等等)、肥胖症、糖尿病、癌症等等。进而,设置每一种待预测疾病的权重比例。例如,可以根据疾病伤残调整寿命年指标、综合疾病患病率、严重程度、死亡率与经济负担等健康参数为每种待预测疾病预设相应的权重比例。其中,伤残调整寿命年是指从发病到死亡所损失的全部健康寿命年,包括因早死所致的寿命损失年和疾病所致伤残引起的健康寿命损失年两部分。这种方法可以科学地对疾病可能会造成的发病、残疾和死亡进行综合分析。对于每一类型的待预测疾病采用不同的风险评估模型,即构建多个风险评估模型,并利用预先训练的每一待预测疾病对应的风险评估模型对不同类别的标注健康数据进行处理,得到对应的疾病风险指标。例如,针对心血管疾病,可以采用Cox比例风险回归模型进行风险评估,以缺血性心血管病事件作为风险预测模型的因变量,以年龄、收缩压、体重指数、血清总胆固醇、是否患糖尿病(即血糖GLU)和是否吸烟等6个主要危险因素为自变量,拟合分性别的最优风险预测模型。针对糖尿病,采用糖尿病评分量表进行风险评估,该量表的内容包括糖尿病家族史、年龄、体质指数、腰围、抗高血压药物应用情况、高血糖、体育活动情况以及每日摄入蔬菜、水果的量等。针对癌症,可以采用癌症风险评估模型进行健康风险预测,包括对肺癌、胃癌、结直肠癌、肝癌、食管癌等的风险评估。通过该方法可以针对不同的疾病可以设置不同的风险评估模型,提高健康风险预测的准确性。
请参阅图5,在一些实施例的步骤S104可以包括但不限于包括步骤S501至步骤S503:
步骤S501,将包含健康类别标签的标注健康数据输入至与待预测疾病对应的风险评估模型进行风险预测处理,得到每一待预测疾病的相对风险值;
步骤S502,比对相对风险值与预设的风险等级,得到每一待预测疾病的疾病风险指标;
步骤S503,根据权重比例和疾病风险指标,计算综合疾病风险值,得到包含疾病风险指标的健康风险数据。
具体地,将包含健康类别标签的标注健康数据分别输入至与待预测疾病对应的风险评估模型进行风险预测处理,得到的结果为每种待预测疾病的相对风险值。在本实施例中,相对风险值=待预测疾病的绝对风险值/人群平均风险值。待预测疾病绝对风险值用于表示某人某疾病发生的真实概率风险值。人群平均风险值可以根据每种待预测疾病的具体状况进行预先设置。由于不同年龄、种族、地区、性别的用户发生某种疾病的风险不同,通过使用相对风险值可以更好地反映每个用户的患病风险大小。进而,比对相对风险值与预设的风险等级,可以是根据相对风险值与预设的风险等级的对应关系以及预设的比例计算出每种待预测疾病的疾病风险指标。例如,当相对风险值X<0时,对应的风险等级为1级,对应的比例Y为1,表示远远低于平均风险。当相对风险值0≤X<0.5时,对应的风险等级为2级,对应的比例Y为0.9,表示较远低于平均风险。当相对风险值0.5≤X<0.9时,对应的风险等级为3级,对应的比例Y为0.8,表示低于平均风险。当相对风险值0.9≤X<1.1时,对应的风险等级为4级,对应的比例Y为0.7,表示平均风险左右。当个体相对风险值1.1≤X<2.0时,对应的风险等级为5级,对应的比例Y为0.5,表示高于平均风险。当相对风险值2.0≤X<5.0时,对应的风险等级为6级,对应的比例Y为0.3,表示较远高于平均风险。当个体相对风险值X≥5.0时,对应的风险等级为7级,对应的比例Y为0.1,表示远远高于平均风险。每一待预测疾病的疾病风险指标可以包括每一待预测疾病的健康分,每种待预测疾病对应的健康分可以由这种待预测疾病的健康分总分A乘以对应的相对风险值的对应比例得到。假定心血管疾病的健康分总分A为249分,针对心血管疾病进行风险预测后得到的相对风险值X=0.6,则对应的风险等级为3级,对应的比例Y为0.8,可以计算出心血管疾病的健康分为A*Y=249*0.8=199分。进而,可以根据每一待预测疾病的权重比例以及对应的疾病风险指标,计算出综合疾病风险值,得到包含疾病风险指标的健康风险数据。其中,综合疾病风险值为所有待预测疾病的权重比例与对应的疾病风险指标的乘积的总和。通过这一方式可以对不同的待预测疾病进行风险预测,得到包括疾病风险指标的健康风险数据,该包含疾病风险指标的健康风险数据主要包括每种待预测疾病的健康分和相对风险值、综合疾病风险值以及每种待预测疾病的风险等级和风险说明等等。通过对用户的健康风险进行预测,能够针对健康风险生成对应的健康管理计划,使得健康管理计划更具有针对性。
请参阅图6,在一些实施例中,步骤S105可以包括但不限于包括步骤S601至步骤S603:
步骤S601,根据疾病数据和日常生活数据,计算用户在预设维度上的用户标签;
步骤S602,根据用户标签和日常生活数据,得到当前健康计划表;
步骤S603,根据预设的运动类别、预设的食物类别、当前健康计划表以及包含疾病风险指标的健康风险数据,生成健康管理计划。
具体地,预设维度可以是一个或者多个,预设维度可以包括体重管理维度、饮食管理维度、情绪管理维度等等。根据疾病数据中的疾病症状数据以及体格数据,计算用户在体重管理维度上的第一标签;其次,根据日常生活数据计算用户在饮食管理维度上的第二标签和在运动管理维度上的第三标签以及在情绪管理维度上的第四标签。其中,可以根据日常生活数据中的饮食数据计算第二标签;根据日常生活数据中的运动数据以及心肺功能数据,计算第三标签;根据日常生活数据中的睡眠数据、焦虑数据以及抑郁数据,计算第四标签。需要说明的是,饮食活动标签可以包括饮食习惯以及饮食风险;其中,第二标签(饮食管理标签)可以包括饮食习惯以及饮食风险,影响饮食习惯的因素可以包括饮食场景偏好、主食偏好以及烹饪方式偏好等等;影响饮食风险的因素可以包括肝肾功能风险、推荐的食物的血糖的生成指数以及饮食禁忌等等。影响第三标签(运动管理标签)的因素可以包括体力活动分级以及心肺功能分级等;影响第一标签(体重管理标签)的因素可以包括静息代谢率、日消耗热量以及运动时长等;影响第四标签(情绪管理标签)的因素可以包括焦虑等级以及睡眠质量等级等。需要说明的是,上述用户标签还可以包括其他维度的标签,例如遗传病史维度的用户标签等等,不做限制。各用户标签中所包括的具体因素也可以根据实际需要进行调整。例如,在对第一标签(体重管理标签)进行计算时,可以通过用户的性别、年龄、身高和体重计算用户的静息代谢率。其他各个维度的用户标签的计算方式可以根据实际情况进行确定,不做限制。
进一步地,可以根据不同维度的用户标签和用户的日常生活数据,得到用户的当前健康计划数据,其中,用户的当前健康计划数据可以包括用户的计划心率、计划运动时长、计划运动强度、计划摄入的总能量以及计划摄入的蛋白质、脂肪以及碳水化合物在总能量中的占比等等。例如,可以通过运动强度、静息心率和储备心率可以得到用户的计划心率(计划平均心率)。为了提高当前健康计划表的识别准确性,可以根据日常生活数据中的实际心率、实际运动时长、实际运动强度、实际摄入的总能量以及实际摄入的蛋白质、脂肪以及碳水化合物在总能量中的占比等等对上述当前健康计划数据中的各参数进行调整,然后根据调整之后的当前健康计划数据,得到当前健康计划表。例如,根据调整后的计划心率、计划运动时长、计划运动强度,生成当前运动计划表,根据调整后的计划摄入的总能量以及计划摄入的蛋白质、脂肪以及碳水化合物在总能量中的占比,生成当前饮食计划表。
进一步地,根据当前运动计划表中所包括的调整后的用户计划心率、计划运动时长以及计划运动强度生成第一目标函数;根据当前饮食计划表中所包括的调整后的用户计划摄入的总能量以及用户计划摄入的蛋白质、脂肪以及碳水化合物在总能量中的占比,生成第二目标函数;以当前运动计划表作为第一目标函数的第一边界条件,以当前饮食计划表作为第二目标函数的第二边界条件,根据预设的运动类别、食物类别对第一目标函数以及第二目标函数进行求解,生成健康管理计划。具体地,可以根据当前运动计划表(包含运动计划、饮食计划等等)、预设的运动类别和食物类别以及健康风险数据,使用运筹优化算法计算用户可行召回结果,即可生成健康管理计划。本申请的健康管理计划是基于用户的健康数据中的健康文本数据与包含疾病风险指标的健康风险数据生成,同时考虑到了日常生活需求和疾病风险对计划制定的影响,能够较为全面对用户健康进行管理,提高了健康管理的灵活性和准确性。
在一些实施例中,在步骤S603之后,该方法至少还包括以下步骤之一:
根据运动偏好数据对健康管理计划中的运动方案进行优先级排序,得到最优运动方案;
根据运动偏好数据对健康管理计划中的饮食方案进行优先级排序,得到最优饮食方案。
具体地,为了提高健康管理计划的适配性,可以根据日常活动数据中所包括的用户运动偏好对健康管理计划中的饮食方案以及运动方案进行优先级排序,并根据优先级排序结果得到最优运动方案以及最优饮食方案。具体地,可以将经过运筹优化计算出的可行解和最优解输入到优先级排序模型,在优先级排序模型中,根据用户实际偏好以及用户的实际行为等进行优先级排序,分别将处于前三位的饮食方案和运动方案召回,得到最优运动方案以及最优饮食方案。进一步地,将最优饮食方案以及最优运动方案发送给用户,以便用户根据该最优饮食方案和最优运动方案进行查看。该方法考虑到了用户对饮食方案以及运动方案的反馈信息(即用户的运动偏好等等),提高了饮食方案以及运动方案的适配性,降低了用户对健康管理计划的完成难度,提高了用户体验感。
本申请实施例通过获取用户的健康数据,对健康数据进行实体特征提取,得到健康文本数据,这一方式能够实现对健康数据的特征抽取,缩小数据总量,使得更为方便提取到所需要的健康文本数据。进而根据预先训练的健康分类模型对健康文本数据进行分类处理,以便获取不同类别的健康文本数据,即包含健康类别标签的标注健康数据。而后将包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据。最后根据健康文本数据和健康风险数据,生成健康管理计划,通过对用户的健康风险进行预测,能够针对健康风险生成对应的健康管理计划,使得健康管理计划更具有针对性。另外,本申请的健康管理计划是基于用户的健康数据中的健康文本数据与包含疾病风险指标的健康风险数据生成,同时考虑到了日常生活需求和疾病风险对计划制定的影响,能够较为全面对用户健康进行管理,提高了健康管理的灵活性和准确性。
请参阅图7,本申请实施例还提供一种健康管理计划生成装置,可以实现上述健康管理计划生成方法,该装置包括:
健康数据获取模块701,用于获取用户的健康数据;
健康文本数据提取模块702,用于对健康数据进行实体特征提取,得到健康文本数据;
分类模块703,用于根据预先训练的健康分类模型对健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据;
健康风险预测模块704,用于将包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据;
健康管理计划生成模块705,用于根据健康文本数据和包含疾病风险指标的健康风险数据,生成健康管理计划。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述健康管理计划生成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图8,图8示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器801,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器802,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器802可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器802中,并由处理器801来调用执行本申请实施例的健康管理计划生成方法;
输入/输出接口803,用于实现信息输入及输出;
通信接口804,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;和
总线805,在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息;
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,用于计算机可读存储,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述健康管理计划生成方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-6中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中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,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请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。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上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网络单元上。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,在本申请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。
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,本申请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,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种健康管理计划生成方法,其特征在于,所述方法包括:
获取用户的健康数据;
对所述健康数据进行实体特征提取,得到健康文本数据;
根据预先训练的健康分类模型对所述健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据;
将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据;
根据所述健康文本数据和所述包含疾病风险指标的健康风险数据,生成健康管理计划。
2.根据权利要求1所述的健康管理计划生成方法,其特征在于,所述对所述健康数据进行实体特征提取,得到健康文本数据的步骤,包括:
提取所述健康数据中的自然语言文本;
利用预设的词法分析模型识别所述自然语言文本中的实体特征;
利用预先训练的序列分类器对所述实体特征进行分类处理;
对分类处理之后的实体特征进行特征提取,得到健康文本数据。
3.根据权利要求1所述的健康管理计划生成方法,其特征在于,所述根据预先训练的健康分类模型对所述健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据的步骤,包括:
将健康文本数据输入至预先训练的基于决策树算法的健康分类模型中,计算每一所述健康文本数据的增益率;
根据每一所述健康文本数据的增益率和预设的健康类别标签,得到包含健康类别标签的标注健康数据。
4.根据权利要求1所述的健康管理计划生成方法,其特征在于,在所述将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据的步骤之前,所述方法还包括:
根据所述标注健康数据的健康类别标签确定待预测疾病以及所述待预测疾病的权重比例;
根据所述待预测疾病和所述待预测疾病的权重比例,得到与所述待预测疾病对应的风险评估模型。
5.根据权利要求4所述的健康管理计划生成方法,其特征在于,所述将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据的步骤,包括:
将所述包含健康类别标签的标注健康数据输入至与所述待预测疾病对应的风险评估模型进行风险预测处理,得到每一所述待预测疾病的相对风险值;
比对所述相对风险值与预设的风险等级,得到每一待预测疾病的疾病风险指标;
根据所述权重比例和所述疾病风险指标,计算综合疾病风险值,得到包含疾病风险指标的健康风险数据。
6.根据权利要求1至5任一项所述的健康管理计划生成方法,其特征在于,所述健康文本数据包括疾病数据和日常生活数据,所述根据所述健康文本数据和所述健康风险数据,生成健康管理计划的步骤,包括:
根据所述疾病数据和所述日常生活数据,计算用户在预设维度上的用户标签;
根据所述用户标签和所述日常生活数据,得到当前健康计划表;
根据预设的运动类别、预设的食物类别、所述当前健康计划表以及所述包含疾病风险指标的健康风险数据,生成健康管理计划。
7.根据权利要求6所述的健康管理计划生成方法,其特征在于,所述日常生活数据包括运动偏好数据,在所述根据预设的运动类别、预设的食物类别、所述当前健康计划表以及所述包含疾病风险指标的健康风险数据,生成健康管理计划的步骤之后,所述方法至少还包括以下步骤之一:
根据所述运动偏好数据对所述健康管理计划中的运动方案进行优先级排序,得到最优运动方案;
根据所述运动偏好数据对所述健康管理计划中的饮食方案进行优先级排序,得到最优饮食方案。
8.一种健康管理计划生成装置,其特征在于,所述装置包括:
健康数据获取模块,用于获取用户的健康数据;
健康文本数据提取模块,用于对所述健康数据进行实体特征提取,得到健康文本数据;
分类模块,用于根据预先训练的健康分类模型对所述健康文本数据进行分类处理,得到包含健康类别标签的标注健康数据;
健康风险预测模块,用于将所述包含健康类别标签的标注健康数据输入至预先训练的风险评估模型进行风险预测处理,得到包含疾病风险指标的健康风险数据;
健康管理计划生成模块,用于根据所述健康文本数据和所述包含疾病风险指标的健康风险数据,生成健康管理计划。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的健康管理计划生成方法的步骤。
10.一种计算机可读存储介质,用于计算机可读存储,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的健康管理计划生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152322.4A CN113823412B (zh) | 2021-09-29 | 2021-09-29 | 健康管理计划生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152322.4A CN113823412B (zh) | 2021-09-29 | 2021-09-29 | 健康管理计划生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113823412A true CN113823412A (zh) | 2021-12-21 |
CN113823412B CN113823412B (zh) | 2024-04-12 |
Family
ID=78921609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111152322.4A Active CN113823412B (zh) | 2021-09-29 | 2021-09-29 | 健康管理计划生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113823412B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115910339A (zh) * | 2022-11-25 | 2023-04-04 | 浙江大学 | 体重监测方法、系统、计算机设备和存储介质 |
CN116168804A (zh) * | 2023-04-21 | 2023-05-26 | 杭州青橄榄网络技术有限公司 | 一种基于his系统的病患膳食推荐系统与方法 |
CN116682565A (zh) * | 2023-07-28 | 2023-09-01 | 济南蓝博电子技术有限公司 | 一种数字化医疗信息在线监测方法、终端及介质 |
CN117457227A (zh) * | 2023-11-02 | 2024-01-26 | 天津宜善互联网医院有限公司 | 一种养老人员健康数据智能分析方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110752035A (zh) * | 2019-09-06 | 2020-02-04 | 深圳壹账通智能科技有限公司 | 健康数据处理方法、装置、计算机设备及存储介质 |
CN111832583A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的健康管理方法、装置、介质及电子设备 |
CN112528009A (zh) * | 2020-12-07 | 2021-03-19 | 北京健康有益科技有限公司 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
-
2021
- 2021-09-29 CN CN202111152322.4A patent/CN113823412B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832583A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的健康管理方法、装置、介质及电子设备 |
CN110752035A (zh) * | 2019-09-06 | 2020-02-04 | 深圳壹账通智能科技有限公司 | 健康数据处理方法、装置、计算机设备及存储介质 |
CN112528009A (zh) * | 2020-12-07 | 2021-03-19 | 北京健康有益科技有限公司 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115910339A (zh) * | 2022-11-25 | 2023-04-04 | 浙江大学 | 体重监测方法、系统、计算机设备和存储介质 |
CN115910339B (zh) * | 2022-11-25 | 2023-07-07 | 浙江大学 | 体重监测方法、系统、计算机设备和存储介质 |
CN116168804A (zh) * | 2023-04-21 | 2023-05-26 | 杭州青橄榄网络技术有限公司 | 一种基于his系统的病患膳食推荐系统与方法 |
CN116682565A (zh) * | 2023-07-28 | 2023-09-01 | 济南蓝博电子技术有限公司 | 一种数字化医疗信息在线监测方法、终端及介质 |
CN116682565B (zh) * | 2023-07-28 | 2023-11-10 | 济南蓝博电子技术有限公司 | 一种数字化医疗信息在线监测方法、终端及介质 |
CN117457227A (zh) * | 2023-11-02 | 2024-01-26 | 天津宜善互联网医院有限公司 | 一种养老人员健康数据智能分析方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113823412B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11810671B2 (en) | System and method for providing health information | |
CN113823412B (zh) | 健康管理计划生成方法、装置、电子设备及存储介质 | |
Yazdavar et al. | Semi-supervised approach to monitoring clinical depressive symptoms in social media | |
US20200097814A1 (en) | Method and system for enabling interactive dialogue session between user and virtual medical assistant | |
US20190034416A1 (en) | Systems and methods for neural clinical paraphrase generation | |
CN113724882B (zh) | 基于问诊会话构建用户画像的方法、装置、设备和介质 | |
CN113704428B (zh) | 智能问诊方法、装置、电子设备及存储介质 | |
CN111680159A (zh) | 数据处理方法、装置及电子设备 | |
WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
WO2019134091A1 (en) | Providing emotional care in a session | |
US20170046748A1 (en) | Method and system for personifying a brand | |
CN114386528A (zh) | 模型的训练方法和装置、计算机设备、存储介质 | |
US20210118545A1 (en) | System and method for recommending food items based on a set of instructions | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN111160016A (zh) | 语义识别方法、装置、计算机可读存储介质和计算机设备 | |
Mohades Deilami et al. | Contextualized multidimensional personality recognition using combination of deep neural network and ensemble learning | |
CN115394393A (zh) | 智能诊疗数据处理方法、装置、电子设备及存储介质 | |
US10950222B2 (en) | Multimodal video system for generating a personality assessment of a user | |
CN114360715A (zh) | 体质辨识方法、装置、电子设备及存储介质 | |
JP2020140692A (ja) | 文抽出システム、文抽出方法、及びプログラム | |
EP3901875A1 (en) | Topic modelling of short medical inquiries | |
CN116469546A (zh) | 基于注意力机制的疾病辅助识别方法和装置、设备及介质 | |
CN116597866A (zh) | 情绪识别的方法、装置、设备及存储介质 | |
CN111785350B (zh) | 一种信息提取的方法、应用、装置及介质 | |
Yoo et al. | Prediction of cardiac disease-causing pattern using multimedia extraction in health ontology |
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 |