CN114093443A - 基于用户画像的健康评估方法、装置及相关设备 - Google Patents

基于用户画像的健康评估方法、装置及相关设备 Download PDF

Info

Publication number
CN114093443A
CN114093443A CN202111441966.5A CN202111441966A CN114093443A CN 114093443 A CN114093443 A CN 114093443A CN 202111441966 A CN202111441966 A CN 202111441966A CN 114093443 A CN114093443 A CN 114093443A
Authority
CN
China
Prior art keywords
question
score
test
scores
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.)
Pending
Application number
CN202111441966.5A
Other languages
English (en)
Inventor
于文占
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Pension Insurance Corp
Original Assignee
Ping An Pension Insurance Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Pension Insurance Corp filed Critical Ping An Pension Insurance Corp
Priority to CN202111441966.5A priority Critical patent/CN114093443A/zh
Publication of CN114093443A publication Critical patent/CN114093443A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请提供了一种基于用户画像的健康评估方法、装置、计算机设备及计算机可读存储介质，属于人工智能技术领域，为了解决基于用户画像的健康评估准确性的技术问题，通过获取用户画像，根据用户画像，随机抽取测试问题，并获取测试问题的单题实际得分、得分系数及单题最大得分，根据单题实际得分、单题最大得分及得分系数，将单题实际得分及单题最大得分各自进行转换，并获取所有转换后的单题实际得分之和对应的第二转换和值得分，及所有转换后的单题最大得分之和对应的第一转换和值得分，然后基于第二转换和值得分与第一转换和值得分，对评定对象的失能失智状态进行评定，提高了对评定对象进行评定的准确性。

Description

基于用户画像的健康评估方法、装置及相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于用户画像的健康评估方法、装置、计算机设备及计算机可读存储介质。
背景技术
长期护理，简称长护，是对失能、失智等照护对象的长期护理。在以失能失智等照护对象进行长期护理时，目前通常需要先通过长护系统对以失能失智等照护对象作为评定对象进行失能失智的评定，以判断评定对象是否满足长护条件，若评定对象满足长护条件，再按照预设长护业务对评定对象进行长护处理。发明人发现，传统技术中，长护系统对评定对象进行评定一般采用调查问卷进行评定，但调查问卷采用题目的题目类型和题目得分一般为固定的题目类型及对应的题目得分，降低了对失能或者失智等评定对象的评定准确性。
发明内容
本申请提供了一种基于用户画像的健康评估方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中基于人工智能对失能失智进行评定时准确性较低的技术问题。
第一方面，本申请提供了一种基于用户画像的健康评估方法，包括：获取评定对象的个人资料数据，并将所述个人资料数据输入预设神经网络模型，得到所述评定对象所属的用户画像；根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，并获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，其中，所述答案选项为所述评定对象对所述测试问题的选项进行选择而得到的选项；获取所述测试问题的得分系数及单题最大得分，并将所述单题最大得分与所述得分系数进行乘积，得到将所述单题最大得分进行转换的第一单题转换得分，再将所有所述第一单题转换得分进行求和，得到第一转换和值得分，其中，所述得分系数为给所述测试问题的选项对应的得分确定的系数，所述单题最大得分为所述测试问题的所有选项的得分中最大的得分；根据所述得分系数及所述单题实际得分，将所述得分系数及所述单题实际得分进行乘积，得到将所述单题实际得分进行转换的第二单题转换得分，并将所有所述第二单题转换得分进行求和，得到第二转换和值得分；计算所述第二转换和值得分与所述第一转换和值得分的比值，并根据所述比值，确定所述评定对象的失能失智状态。
第二方面，本申请还提供了一种基于用户画像的健康评估装置，包括：第一获取单元，用于获取评定对象的个人资料数据，并将所述个人资料数据输入预设神经网络模型，得到所述评定对象所属的用户画像；第二获取单元，用于根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，并获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，其中，所述答案选项为所述评定对象对所述测试问题的选项进行选择而得到的选项；第一转换单元，用于获取所述测试问题的得分系数及单题最大得分，并将所述单题最大得分与所述得分系数进行乘积，得到将所述单题最大得分进行转换的第一单题转换得分，再将所有所述第一单题转换得分进行求和，得到第一转换和值得分，其中，所述得分系数为给所述测试问题的选项对应的得分确定的系数，所述单题最大得分为所述测试问题的所有选项的得分中最大的得分；第二转换单元，用于根据所述得分系数及所述单题实际得分，将所述得分系数及所述单题实际得分进行乘积，得到将所述单题实际得分进行转换的第二单题转换得分，并将所有所述第二单题转换得分进行求和，得到第二转换和值得分；评定单元，用于计算所述第二转换和值得分与所述第一转换和值得分的比值，并根据所述比值，确定所述评定对象的失能失智状态。
第三方面，本申请还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于用户画像的健康评估方法的步骤。
第四方面，本申请还提供了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使所述处理器执行所述基于用户画像的健康评估方法的步骤。
本申请提供了一种基于用户画像的健康评估方法、装置、计算机设备及计算机可读存储介质，通过获取用户画像，根据用户画像，随机抽取测试问题，并获取测试问题的单题实际得分、得分系数及单题最大得分，根据单题实际得分、单题最大得分及得分系数，将单题实际得分及单题最大得分分别进行转换，并获取所有转换后的单题实际得分之和对应的第二转换和值得分，及所有转换后的单题最大得分之和对应的第一转换和值得分，然后基于第二转换和值得分与第一转换和值得分，对评定对象的失能失智状态进行评定，实现了针对性且动态随机的获取评定对象对应的测试问题，并结合测试问题的单题最大得分与单题实际得分，及分别给单题最大得分及单题实际得分赋予得分系数来衡量各自在整体评定过程的影响程度，提高了对评定对象进行评定的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1为本申请实施例提供的基于用户画像的健康评估方法的一个流程示意图；
,图2为本申请实施例提供的基于用户画像的健康评估方法的第一个子流程示意图；
图3为本申请实施例提供的基于用户画像的健康评估方法的第二个子流程示意图；
图4为本申请实施例提供的基于用户画像的健康评估方法的第三个子流程示意图；
图5为本申请实施例提供的基于用户画像的健康评估装置的一个示意性框图；
图6为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1，图1为本申请实施例提供的基于用户画像的健康评估方法的一个流程示意图。如图1所示，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，该方法包括以下步骤S11-S15：
S11、获取评定对象的个人资料数据，并将所述个人资料数据输入预设神经网络模型，得到所述评定对象所属的用户画像。
具体地，采用训练样本预先对BP神经网络等预设神经网络模型进行预训练，以使预设神经网络模型能够对评定对象进行用户画像。然后获取评定对象的性别、年龄、当前身体状况及既往病史等个人资料，并将所述个人资料输入预设神经网络模型，从而得到所述评定对象所属的用户画像，所述用户画像可以为中年健康男性、老年健康女性等，其中，所述用户画像，英文为Persona，为根据用户的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，形成了一个人物原型(personas)，是将用户信息标签化的过程。
S12、根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，并获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，其中，所述答案选项为所述评定对象对所述测试问题的选项进行选择而得到的选项。
具体地，预先针对不同的用户画像设置对应的试题集合，所述试题集合包含多个测试问题，所述测试问题包括题干及题干对应的若干个选项，每个选项对应的一定的得分，所述得分用于描述所述评定对象在所述测试问题上的状况程度。根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，并将所述测试问题通过音视频形式输出至预设多媒体终端，所述评定对象基于所述预设多媒体终端，根据自身实际情况，对测试问题的选项进行选择，确定所述测试问题的答案选项，并将所述答案选项提交给计算机设备，计算机设备得到所述评定对象对所述测试问题进行反馈的答案选项，然后根据所述答案选项，获取所述答案选项对应的得分，将所述答案选项对应的得分作为所述测试问题的单题实际得分，所述单题实际得分用于描述所述评定对象在所述测试问题上的得分，用于描述所述评定对象在所述测试问题上的状况的程度。
例如，针对每个试题集合，可以预先设置多种测试问题类别，每种测试问题类别可以包含多个测试问题，并给每个所述测试问题配置多个选项，每个选项可以根据问题的难易程度或者轻重程度等问题属性，预先配置对应的得分，每个测试问题对应的所有选项的得分中最大者为所述测试问题的单题最大得分。请参阅表格1，测试问题类别包括测试问题类别A与测试问题类别B，测试问题类别A的测试问题1包含选项A1、选项A2及选项A3，选项A1对应的得分为A1，选项A2对应的得分为A2，选项A3对应的得分为A3，A1、A2及A3中最大者为测试问题1的单题最大得分AA，同理，测试问题类别B的测试问题2包含选项1及选项2，其中选项B1对应的得分为B1，选项B2对应的得分为B2，B1及B2中最大者为测试问题2的单题最大得分BB。
表格1
Figure BDA0003383760400000051
Figure BDA0003383760400000061
然后将测试问题及所述测试问题对应的多个选项通过文字形式和/或语音形式输出至预设多媒体终端，所述评定对象基于所述预设多媒体终端，根据自身实际情况，选择所述测试问题对应的答案选项，并将所述答案选项进行提交，计算设备根据所述答案选项，获取所述答案选项对应的得分，并将所述得分作为所述评定对象对所述测试问题进行反馈所对应的单题实际得分。例如，将测试问题类别A的测试问题1及测试问题1对应的选项A1、选项A2及选项A3通过语音形式和/或文字形式输出至评定对象，评定对象根据自身实际情况，从选项A1、选项A2及选项A3中选择出测试问题1对应的答案选项，若评定对象选择的答案选项为A1，由于选项A1对应的得分为A1，因此，评定对象的单题实际得分为A1。
进一步地，请参阅图2，图2为本申请实施例提供的基于用户画像的健康评估方法的第一个子流程示意图，如图2所示，在该实施例中，根据所述用户画像，从所述用户画像对应的预设试题集合中，随机获取测试问题，包括：
S121、根据所述用户画像，从所述用户画像对应的预设试题题干集合中，随机获取题干作为目标题干；
S122、根据所述目标题干，从所述目标题干对应的预设选项集合中，随机获取预设数量的选项作为目标选项，并将所述目标题干与所述目标选项组合成测试问题，得到所述测试问题。
具体地，针对每个用户画像，预先设置对应的试题题干集合，所述试题题干集合中包含若干个题干，然后再针对每个题干，设置对应的选项集合，所述选项集合中包含若干个选项，然后根据所述用户画像，从所述用户画像对应的预设试题题干集合中，随机获取题干作为目标题干，再根据所述目标题干，从所述目标题干对应的预设选项集合中，随机获取预设数量的选项作为目标选项，并将所述目标题干与所述目标选项组合成测试问题，得到所述测试问题，由于用户画像是根据评定对象的个人资料数据生成的，从而针对用户画像，动态的生成测试问题，从而使生成的测试问题具备针对性和动态性，可以提高对评定对象进行评定的准确性。
进一步地，获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，包括：
获取所述测试问题的答案选项，并获取所述个人资料数据包含的对象身份信息，基于选项、身份信息与得分之间的预设匹配关系，根据所述答案选项与所述对象身份信息，获取所述答案选项与所述对象身份信息对应的目标得分，并将所述目标得分作为所述测试问题的单题实际得分。
具体地，针对同一选项，根据评定对象的性别或者年龄等对象身份信息的不同，可以设置不同的得分，从而构建选项、身份信息与得分之间的匹配关系，可以进一步提高选项得分的灵活性与针对性，从而提高对评定对象进行评定的准确性。获取所述测试问题的答案选项后，并获取所述个人资料数据包含的对象身份信息，然后基于选项、身份信息与得分之间的预设匹配关系，根据所述答案选项与所述对象身份信息，获取所述答案选项与所述对象身份信息对应的目标得分，并将所述目标得分作为所述测试问题的单题实际得分。
S13、获取所述测试问题的得分系数及单题最大得分，并将所述单题最大得分与所述得分系数进行乘积，得到将所述单题最大得分进行转换的第一单题转换得分，再将所有所述第一单题转换得分进行求和，得到第一转换和值得分，其中，所述得分系数为给所述测试问题的选项对应的得分确定的系数，所述单题最大得分为所述测试问题的所有选项的得分中最大的得分。
具体地，针对每个测试问题配置多个选项，每个选项预先配置对应的得分，由此，可以根据每个测试问题的得分，获取每个测试问题的所有选项的得分中最大者作为所述测试问题对应的单题最大得分，所述单题最大得分描述所述测试问题对应的人体状态程度最大的情形，从而得到所述测试问题对应的单题最大得分，同时为每个所述测试问题配置对应的得分系数，所述得分系数，又可以称为得分因子，为给所述测试问题的选项对应的得分确定的系数，用于描述所述测试问题在对评定对象进行评定以得到基于用户画像的健康评估结果中所占的比重(或者权重)，由此，每个测试问题的单题最大得分及得分系数组成一对匹配的数据。
获取所述测试问题的单题最大得分及得分系数，并将每一对所述单题最大得分及所述得分系数进行乘积，得到将所述单题最大得分进行转换的第一单题转换得分，再将所有所述第一单题转换得分进行求和，得到第一转换和值得分。例如，请参阅表格1与如下公式(1)，若随机抽取了测试问题1、测试问题2及测试问题3，第一转换和值得分为AA*a+BB*b+CC*c。
Figure BDA0003383760400000081
进一步地，请参阅图3，图3为本申请实施例提供的基于用户画像的健康评估方法的第二个子流程示意图，如图3所示，在该实施例中，所述测试问题包括题干，其特征在于，获取所述测试问题对应的得分系数，包括：
S131、基于预设历史评定数据，获取对每个历史评定对象进行评定采用的历史评定测试问题组，所述历史评定测试问题组包括所述题干；
S132、获取每个所述历史评定测试问题组中所述题干对应的单题历史实际得分，并将所有所述单题历史实际得分进行求和，得到所述题干对应的单题历史实际得分和值；
S133、统计每个所述历史评定测试问题组对应的单组历史实际得分，并将所有所述单组历史实际得分进行求和，得到历史实际得分总值；
S134、计算所述单题历史实际得分和值占所述历史实际得分总值的比重，得到所述测试问题的得分系数。
进一步地，所述预设历史评定数据为与当前时间所属预设时间周期最相邻的历史预设时间周期内的数据。
其中，所述预设时间周期为预设历史时间段，例如，上一年度，或者上半年度等历史时间段。
具体地，对评定对象的失能失智状态进行评定时，通常采用若干测试问题，所述测试问题包括题干，所有所述测试问题可以组成评定测试问题组，亦即评定测试问题集合，通过所述评定测试问题组将该评定对象进行评定，所述评定测试问题组可以为一份测试问卷，对过往的每个历史评定对象进行评定采用的对应评定测试问题组可以称为历史评定测试问题组。
基于预设历史评定数据，获取对每个历史评定对象进行评定各自采用的历史评定测试问题组，尤其是获取邻近的上一个预设时间周期内，对每个历史评定对象进行评定各自采用的历史评定测试问题组，所述历史评定测试问题组包括所述题干，即获取相邻近的前一个预设时间周期内，例如上半年度的预设历史评定数据，可以最大程度的反映当前对基于用户画像的健康评估的实际影响因素及影响程度，从而提高对基于用户画像的健康评估的准确性，从而对历史评定对象进行评定时，采用的包含所述题干的历史评定测试问题组，由于同一个题干可以对应多个选项，每个选项对应不同的得分，因此，不同评定对象选择不同的选项作为答案选项时，同一题干在不同的历史评定测试问题组对应的单题历史实际得分可以不相同，然后获取每个所述历史评定测试问题组中所述题干对应的单题历史实际得分，并将所有所述单题历史实际得分进行求和，得到所述题干对应的单题历史实际得分和值，并统计每个所述历史评定测试问题组对应的单组历史实际得分，并将所有所述单组历史实际得分进行求和，得到历史实际得分总值，最后计算所述单题历史实际得分和值占所述历史实际得分总值的比重，得到所述测试问题对应的得分系数，从而尤其根据前相邻的上一个预设时间周期内，该测试问题对评定对象的评定结果的实际影响因素及影响程度来确定所述测试问题的得分系数，可以基于最近的所述题干对评定结果的实际影响力来准确确定所述题干对应的测试问题得分系数，能够且能够进一步更加准确的反应最近的评定影响因素，提高评定结果的准确性，且所述测试问题的得分系数会根据所述测试问题对评定结果的影响变化而动态变化，更能体现人随着各种因素的变化，同一测试问题对应的因素在不同情形下的评定过程中影响力的大小变化，更能准确的描述测试因子。请参阅如下表格2，例如，以测试问题A为示例，假如在预设历史周期内，对评定对象甲进行评定时采用了历史评定测试问题组1，历史评定测试问题组1共采用了测试问题A、测试问题B及测试问题C，测试问题A的单题历史实际得分为A1，测试问题B的单题历史实际得分为B1，测试问题C的单题历史实际得分为C1，对评定对象乙进行评定时采用了历史评定测试问题组2，历史评定测试问题组2共采用了测试问题A及测试问题D，测试问题A的单题历史实际得分为A2，测试问题D的单题历史实际得分为D1，那么，基于历史评定测试问题组1与历史评定测试问题组2，测试问题A的单题历史实际得分和值：S3＝A1+A2，历史评定测试问题组1的单组历史实际得分为S1＝A1+B1+C1，历史评定测试问题组2的单组历史实际得分为S2＝A2+D1，历史评定测试问题组1与历史评定测试问题组2共同对应的历史实际得分总值S4＝S1+S2，然后根据S3与S4的比值得到测试问题A对应的得分系数。
表格2
Figure BDA0003383760400000101
S14、根据所述得分系数及所述单题实际得分，将所述得分系数及所述单题实际得分进行乘积，得到将所述单题实际得分进行转换的第二单题转换得分，并将所有所述第二单题转换得分进行求和，得到第二转换和值得分。
具体地，获取所述测试问题的得分系数及所述测试问题的单题实际得分后，根据所述测试问题的得分系数及单题实际得分，将每一对所述得分系数及所述单题实际得分进行乘积，得到将所述单题实际得分进行转换后对应的第二单题转换得分，并将所有所述第二单题转换得分进行求和，得到第二转换和值得分。例如，请继续参阅表格1与公式(1)，在该示例中，第二转换和值得分为A*a+B*b。
S15、计算所述第二转换和值得分与所述第一转换和值得分的比值，并根据所述比值，确定所述评定对象的失能失智状态。
具体地，计算所述第二转换和值得分与所述第一转换和值得分的比值，根据所述比值，确定所述评定对象的失能失智状态，得到所述评定对象的基于用户画像的健康评估结论，例如，所述评定对象的状态可以为轻度失智失能、中度失智失能或者重度失智失能，从而所述评定对象可以为无需照护、需要辅助照护或者需要完全照护等。
进一步地，根据所述比值，确定所述评定对象的失能失智状态，包括：
根据所述比值所属的预设等级阈值范围，将所述预设等级阈值范围对应的预设失能失智状态等级，作为所述评定对象所属的失能失智状态等级。
具体地，预先设定等级阈值范围及所述预设等级阈值范围对应的预设失能失智状态等级，通过预设等级阈值范围，确定预设等级阈值范围对应的评定对象所属的失能失智状态等级，实现对评定对象的失能失智状态评定，然后计算所述第二转换和值得分与所述第一转换和值得分的比值，根据所述比值落入的预设等级阈值范围，确定所述评定对象所属的失能失智状态等级。请继续参阅表格1与公式(1)，同时请参阅表格3，根据计算得出的T值，即可确定所述评定对象所属的失能失智状态等级，例如，评定对象属于轻度失智失能、中度失智失能或者重度失智失能等状态等级。
表格3
Figure BDA0003383760400000111
本申请实施例，通过获取用户画像，根据用户画像，随机抽取测试问题，并获取测试问题的单题实际得分、得分系数及单题最大得分，根据单题实际得分、单题最大得分及得分系数，将单题实际得分及单题最大得分分别进行转换，并获取所有转换后的单题实际得分之和对应的第二转换和值得分，及所有转换后的单题最大得分之和对应的第一转换和值得分，然后基于第二转换和值得分与第一转换和值得分，对评定对象的失能失智状态进行评定，实现了针对性且动态随机的获取评定对象对应的测试问题，并结合测试问题的单题最大得分与单题实际得分，及分别给单题最大得分及单题实际得分赋予得分系数来衡量各自在整体评定过程的影响程度，提高了对评定对象进行评定的准确性。
在一实施例中，请参阅图4，图4为本申请实施例提供的基于用户画像的健康评估方法的第三个子流程示意图，如图4所示，在该实施例中，根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，包括：
S121、根据所述用户画像，获取所述用户画像对应的预设问题抽取规则；
S122、根据所述预设问题抽取规则，随机抽取所述预设问题抽取规则对应的预设题目类别及所述预设题目类别对应的预设数量的测试问题。
具体地，针对不同用户画像的评定对象，可以根据用户画像设置对应的预设问题抽取规则，所述预设问题抽取规则用于描述抽取测试问题的方式，所述预设问题抽取规则可以包括抽取测试问题的预设题目类别及每个所述预设题目类别中抽取的测试问题的数量，例如针对老年群体，可以在慢性疾病方面多设置测试问题，在对评定对象进行基于用户画像的健康评估时，获取评定对象的用户画像，并根据所述用户画像，获取所述用户画像对应的预设问题抽取规则，然后根据所述预设问题抽取规则，随机抽取所述预设问题抽取规则对应的预设题目类别及所述预设题目类别对应的预设数量的测试问题，例如在预设题目类别A中可以抽取2个测试问题，在预设题目类别B中，可以抽取5个测试问题，从而根据评定对象所属的用户画像，通过不同用户画像对应设置的问题抽取规则，提高对评定对象基于用户画像的健康评估的针对性，进一步提升对评定对象进行评定的准确度。
需要说明的是，上述各个实施例所述的基于用户画像的健康评估方法，可以根据需要将不同实施例中包含的技术特征重新进行组合，以获取组合后的实施方案，但都在本申请要求的保护范围之内。
请参阅图5，图5为本申请实施例提供的基于用户画像的健康评估装置的一个示意性框图。对应于上述所述基于用户画像的健康评估方法，本申请实施例还提供一种基于用户画像的健康评估装置。如图5所示，该基于用户画像的健康评估装置包括用于执行上述所述基于用户画像的健康评估方法的单元，该基于用户画像的健康评估装置可以被配置于计算机设备中。具体地，请参阅图5，该基于用户画像的健康评估装置50包括第一获取单元51、第二获取单元52、第一转换单元53、第二转换单元54及评定单元55。
其中，第一获取单元51，用于获取评定对象的个人资料数据，并将所述个人资料数据输入预设神经网络模型，得到所述评定对象所属的用户画像；
第二获取单元52，用于根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，并获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，其中，所述答案选项为所述评定对象对所述测试问题的选项进行选择而得到的选项；
第一转换单元53，用于获取所述测试问题的得分系数及单题最大得分，并将所述单题最大得分与所述得分系数进行乘积，得到将所述单题最大得分进行转换的第一单题转换得分，再将所有所述第一单题转换得分进行求和，得到第一转换和值得分，其中，所述得分系数为给所述测试问题的选项对应的得分确定的系数，所述单题最大得分为所述测试问题的所有选项的得分中最大的得分；
第二转换单元54，用于根据所述得分系数及所述单题实际得分，将所述得分系数及所述单题实际得分进行乘积，得到将所述单题实际得分进行转换的第二单题转换得分，并将所有所述第二单题转换得分进行求和，得到第二转换和值得分；
评定单元55，用于计算所述第二转换和值得分与所述第一转换和值得分的比值，并根据所述比值，确定所述评定对象的失能失智状态。
在一实施例中，所述第二获取单元52包括：
第一获取子单元，用于根据所述用户画像，从所述用户画像对应的预设试题题干集合中，随机获取题干作为目标题干；
组合子单元，用于根据所述目标题干，从所述目标题干对应的预设选项集合中，随机获取预设数量的选项作为目标选项，并将所述目标题干与所述目标选项组合成测试问题，得到所述测试问题。
在一实施例中，第二获取单元52，具体用于获取所述测试问题的答案选项，并获取所述个人资料数据包含的对象身份信息，基于选项、身份信息与得分之间的预设匹配关系，根据所述答案选项与所述对象身份信息，获取所述答案选项与所述对象身份信息对应的目标得分，并将所述目标得分作为所述测试问题的单题实际得分。
在一实施例中，所述测试问题包括题干，所述第一转换单元53包括：
第二获取子单元，用于基于预设历史评定数据，获取对每个历史评定对象进行评定采用的历史评定测试问题组，所述历史评定测试问题组包括所述题干；
第三获取子单元，用于获取每个所述历史评定测试问题组中所述题干对应的单题历史实际得分，并将所有所述单题历史实际得分进行求和，得到所述题干对应的单题历史实际得分和值；
统计子单元，用于统计每个所述历史评定测试问题组对应的单组历史实际得分，并将所有所述单组历史实际得分进行求和，得到历史实际得分总值；
计算子单元，用于计算所述单题历史实际得分和值占所述历史实际得分总值的比重，得到所述测试问题的得分系数。
在一实施例中，所述预设历史评定数据为与当前时间所属预设时间周期最相邻的历史预设时间周期内的数据。
在一实施例中，评定单元55，具体用于根据所述比值所属的预设等级阈值范围，将所述预设等级阈值范围对应的预设失能失智状态等级，作为所述评定对象所属的失能失智状态等级。
在一实施例中，所述第二获取单元52包括：
第四获取子单元，用于根据所述用户画像，获取所述用户画像对应的预设问题抽取规则；
抽取子单元，用于根据所述预设问题抽取规则，随机抽取所述预设问题抽取规则对应的预设题目类别及所述预设题目类别对应的预设数量的测试问题。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于用户画像的健康评估装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
同时，上述基于用户画像的健康评估装置中各个单元的划分和连接方式仅用于举例说明，在其他实施例中，可将基于用户画像的健康评估装置按照需要划分为不同的单元，也可将基于用户画像的健康评估装置中各单元采取不同的连接顺序和方式，以完成上述基于用户画像的健康评估装置的全部或部分功能。
上述基于用户画像的健康评估装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6，图6是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备，也可以是其他设备中的组件或者部件。
参阅图6，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504，所述存储器也可以为易失性存储介质。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种上述基于用户画像的健康评估方法。该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种上述基于用户画像的健康评估方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图6所示实施例一致，在此不再赘述。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现以上各实施例所描述的所述基于用户画像的健康评估方法。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来完成，该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现以上各实施例中所描述的所述基于用户画像的健康评估方法。
所述计算机可读存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
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，各个单元的划分，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。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。
以上所述，仅为本申请的具体实施方式，但本申请明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于用户画像的健康评估方法，其特征在于，所述方法包括：
获取评定对象的个人资料数据，并将所述个人资料数据输入预设神经网络模型，得到所述评定对象所属的用户画像；
根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，并获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，其中，所述答案选项为所述评定对象对所述测试问题的选项进行选择而得到的选项；
获取所述测试问题的得分系数及单题最大得分，并将所述单题最大得分与所述得分系数进行乘积，得到将所述单题最大得分进行转换的第一单题转换得分，再将所有所述第一单题转换得分进行求和，得到第一转换和值得分，其中，所述得分系数为给所述测试问题的选项对应的得分确定的系数，所述单题最大得分为所述测试问题的所有选项的得分中最大的得分；
根据所述得分系数及所述单题实际得分，将所述得分系数及所述单题实际得分进行乘积，得到将所述单题实际得分进行转换的第二单题转换得分，并将所有所述第二单题转换得分进行求和，得到第二转换和值得分；
计算所述第二转换和值得分与所述第一转换和值得分的比值，并根据所述比值，确定所述评定对象的失能失智状态。
2.根据权利要求1所述基于用户画像的健康评估方法，其特征在于，根据所述用户画像，从所述用户画像对应的预设试题集合中，随机获取测试问题，包括：
根据所述用户画像，从所述用户画像对应的预设试题题干集合中，随机获取题干作为目标题干；
根据所述目标题干，从所述目标题干对应的预设选项集合中，随机获取预设数量的选项作为目标选项，并将所述目标题干与所述目标选项组合成测试问题，得到所述测试问题。
3.根据权利要求1所述基于用户画像的健康评估方法，其特征在于，获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，包括：
获取所述测试问题的答案选项，并获取所述个人资料数据包含的对象身份信息，基于选项、身份信息与得分之间的预设匹配关系，根据所述答案选项与所述对象身份信息，获取所述答案选项与所述对象身份信息对应的目标得分，并将所述目标得分作为所述测试问题的单题实际得分。
4.根据权利要求1-3任一项所述基于用户画像的健康评估方法，所述测试问题包括题干，其特征在于，获取所述测试问题对应的得分系数，包括：
基于预设历史评定数据，获取对每个历史评定对象进行评定采用的历史评定测试问题组，所述历史评定测试问题组包括所述题干；
获取每个所述历史评定测试问题组中所述题干对应的单题历史实际得分，并将所有所述单题历史实际得分进行求和，得到所述题干对应的单题历史实际得分和值；
统计每个所述历史评定测试问题组对应的单组历史实际得分，并将所有所述单组历史实际得分进行求和，得到历史实际得分总值；
计算所述单题历史实际得分和值占所述历史实际得分总值的比重，得到所述测试问题的得分系数。
5.根据权利要求4所述基于用户画像的健康评估方法，其特征在于，所述预设历史评定数据为与当前时间所属预设时间周期最相邻的历史预设时间周期内的数据。
6.根据权利要求1所述基于用户画像的健康评估方法，其特征在于，根据所述比值，确定所述评定对象的失能失智状态，包括：
根据所述比值所属的预设等级阈值范围，将所述预设等级阈值范围对应的预设失能失智状态等级，作为所述评定对象所属的失能失智状态等级。
7.根据权利要求1所述基于用户画像的健康评估方法，其特征在于，根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，包括：
根据所述用户画像，获取所述用户画像对应的预设问题抽取规则；
根据所述预设问题抽取规则，随机抽取所述预设问题抽取规则对应的预设题目类别及所述预设题目类别对应的预设数量的测试问题。
8.一种基于用户画像的健康评估装置，其特征在于，所述装置包括：
第一获取单元，用于获取评定对象的个人资料数据，并将所述个人资料数据输入预设神经网络模型，得到所述评定对象所属的用户画像；
第二获取单元，用于根据所述用户画像，从所述用户画像对应的试题集合中，随机获取测试问题，并获取所述测试问题的答案选项，基于所述答案选项，将所述答案选项对应的得分作为所述测试问题的单题实际得分，其中，所述答案选项为所述评定对象对所述测试问题的选项进行选择而得到的选项；
第一转换单元，用于获取所述测试问题的得分系数及单题最大得分，并将所述单题最大得分与所述得分系数进行乘积，得到将所述单题最大得分进行转换的第一单题转换得分，再将所有所述第一单题转换得分进行求和，得到第一转换和值得分，其中，所述得分系数为给所述测试问题的选项对应的得分确定的系数，所述单题最大得分为所述测试问题的所有选项的得分中最大的得分；
第二转换单元，用于根据所述得分系数及所述单题实际得分，将所述得分系数及所述单题实际得分进行乘积，得到将所述单题实际得分进行转换的第二单题转换得分，并将所有所述第二单题转换得分进行求和，得到第二转换和值得分；
评定单元，用于计算所述第二转换和值得分与所述第一转换和值得分的比值，并根据所述比值，确定所述评定对象的失能失智状态。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器以及与所述存储器相连的处理器；所述存储器用于存储计算机程序；所述处理器用于运行所述计算机程序，以执行如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述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可实现如权利要求1-7中任一项所述方法的步骤。
CN202111441966.5A 2021-11-30 2021-11-30 基于用户画像的健康评估方法、装置及相关设备 Pending CN114093443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111441966.5A CN114093443A (zh) 2021-11-30 2021-11-30 基于用户画像的健康评估方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111441966.5A CN114093443A (zh) 2021-11-30 2021-11-30 基于用户画像的健康评估方法、装置及相关设备

Publications (1)

Publication Number Publication Date
CN114093443A true CN114093443A (zh) 2022-02-25

Family

ID=80305808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111441966.5A Pending CN114093443A (zh) 2021-11-30 2021-11-30 基于用户画像的健康评估方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN114093443A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105578115A (zh) * 2015-12-22 2016-05-11 深圳市鹰硕音频科技有限公司 一种具有语音评估功能的网络教学方法及系统
CN107330237A (zh) * 2017-05-12 2017-11-07 广州市润心教育咨询有限公司 一种心理状态评估方法与系统
CN109544370A (zh) * 2018-10-27 2019-03-29 平安科技（深圳）有限公司 一种基于智能决策的照护对象的评定方法及相关设备
CN110276547A (zh) * 2019-06-20 2019-09-24 福州数据技术研究院有限公司 一种基于区块链及历史评价信息的多人评价方法
CN110569340A (zh) * 2019-07-24 2019-12-13 深圳壹账通智能科技有限公司 文本信息验证方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105578115A (zh) * 2015-12-22 2016-05-11 深圳市鹰硕音频科技有限公司 一种具有语音评估功能的网络教学方法及系统
CN107330237A (zh) * 2017-05-12 2017-11-07 广州市润心教育咨询有限公司 一种心理状态评估方法与系统
CN109544370A (zh) * 2018-10-27 2019-03-29 平安科技（深圳）有限公司 一种基于智能决策的照护对象的评定方法及相关设备
CN110276547A (zh) * 2019-06-20 2019-09-24 福州数据技术研究院有限公司 一种基于区块链及历史评价信息的多人评价方法
CN110569340A (zh) * 2019-07-24 2019-12-13 深圳壹账通智能科技有限公司 文本信息验证方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Mozer et al. Optimal predictions in everyday cognition: The wisdom of individuals or crowds?
CN108197592B (zh) 信息获取方法和装置
US12008793B2 (en) Object behavior analysis method, information display method, and electronic device
CN112163637B (zh) 基于非平衡数据的图像分类模型训练方法、装置
CN104933022B (zh) 信息处理装置和信息处理方法
CN113705792A (zh) 基于深度学习模型的个性化推荐方法、装置、设备及介质
Goldstein et al. The media equation does not always apply: People are not polite towards small computers
CN114416929A (zh) 实体召回模型的样本生成方法、装置、设备及存储介质
CN111667029B (zh) 一种聚类方法、装置、设备及存储介质
CN113934937A (zh) 一种内容智能推荐方法、装置、终端和存储介质
CN114093443A (zh) 基于用户画像的健康评估方法、装置及相关设备
CN109994207B (zh) 心理健康预警方法、服务器与系统
CN109460778B (zh) 活动评估方法、装置、电子设备及存储介质
CN109472455B (zh) 活动评估方法、装置、电子设备及存储介质
CN110766326A (zh) 试题推送、评测训练方法及计算机装置、系统及打印终端
CN110516254B (zh) 一种信息处理方法及电子设备
KR20220145006A (ko) 인공지능을 이용한 식이 순응도 평가 시스템
CN109065154B (zh) 一种决策结果确定方法、装置、设备及可读存储介质
CN113869926A (zh) 广告识别方法、装置、电子设备及存储介质
CN111858863A (zh) 一种答复推荐方法、答复推荐装置及电子设备
CN110648320A (zh) 骨龄获取方法及系统、服务器、计算机设备及介质
CN112383593B (zh) 基于线下陪访的智能内容推送方法、装置及计算机设备
CN111667200B (zh) 一种权威度确定方法、装置、设备及存储介质
CN114862819B (zh) 基于非对称网络的图像质量评价方法、装置、设备及介质
KR102485600B1 (ko) 인공지능을 통한 우울증 관리 시스템

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