CN114490035B - 第一服务器及家庭慢性病管理方法 - Google Patents
第一服务器及家庭慢性病管理方法 Download PDFInfo
- Publication number
- CN114490035B CN114490035B CN202111620586.8A CN202111620586A CN114490035B CN 114490035 B CN114490035 B CN 114490035B CN 202111620586 A CN202111620586 A CN 202111620586A CN 114490035 B CN114490035 B CN 114490035B
- Authority
- CN
- China
- Prior art keywords
- chronic disease
- learning model
- reinforcement learning
- disease management
- server
- 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.)
- Active
Links
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 172
- 238000007726 management method Methods 0.000 title abstract description 136
- 230000002787 reinforcement Effects 0.000 claims abstract description 137
- 230000036541 health Effects 0.000 claims abstract description 129
- 230000004927 fusion Effects 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 21
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 238000013480 data collection Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 49
- 239000008280 blood Substances 0.000 description 14
- 210000004369 blood Anatomy 0.000 description 14
- 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 12
- 206010012601 diabetes mellitus Diseases 0.000 description 12
- 239000008103 glucose Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 206010020772 Hypertension Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
-
- 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)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明是关于一种第一服务器及家庭慢性病管理方法，涉及家庭健康管理技术领域，本发明包括：针对每个慢性病管理周期，从电子设备处获取慢性病管理周期内多组用户健康数据；将慢性病管理周期内多组用户健康数据输入到强化学习模型，确定慢性病管理方式；并根据慢性病管理方式发送给电子设备；强化学习模型的训练过程，包括：将样本集输入到强化学习模型中，对强化学习模型进行多轮训练，直到强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；在每轮训练结束后，根据融合参数，更新强化学习模型的参数。由于本发明将用户的检查项目数据通过模型确定慢性病管理方式，简化了用户的操作。
Description
技术领域
本发明涉及家庭健康管理技术领域，尤其涉及一种第一服务器及家庭慢性病管理方法。
背景技术
随着老龄化进程的进一步加深，老年人的慢性疾病数量也会日益增加。慢性病管理并非像其他疾病，慢性病管理需要长时间观察并根据观察结果给出下一阶段的管理方式，现有的慢病管理方案多为医护人员负责运营管理，导致处理起来比较麻烦。而且在处理过程中，常常会出现一医护对多患者的问题。
发明内容
本发明提供一种第一服务器及家庭慢性病管理方法，提供一种自动管理方式，将用户的检查项目数据通过强化学习模型确定慢性病管理方式，简化了用户的操作。
第一方面，本发明实施例提供的一种用于慢性病管理的第一服务器，包括：处理器和通信器；
所述通信器，用于与用于家庭数据收集的电子设备进行通信；
所述处理器，用于针对每个慢性病管理周期，从用于家庭数据收集的电子设备处获取所述慢性病管理周期内多组用户健康数据；其中，所述慢性病管理周期包括多个数据检测周期，每组用户健康数据包括一个数据检测周期内检测到的多个检查项目数据；
将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式；并根据所述慢性病管理方式发送给所述电子设备；
其中，所述强化学习模型的训练过程，包括：
将样本集输入到所述强化学习模型中，对强化学习模型进行多轮训练，直到所述强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；
在每轮训练结束后，根据融合参数，更新所述强化学习模型的参数；所述融合参数是用于进行参数融合的第二服务器，根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和每轮训练结束后的强化学习模型的参数进行融合得到。
上述第一服务器，能够在每个慢性病管理周期内，从电子设备处获取多个数据检测周期内检测到的多个检查项目数据，然后根据多个检测项目数据确定慢性病管理方式，这样无需医护人员监督管理再给出管理方式，简化了操作方式，同时能够在进行训练时，通过第二服务器融合参数更新强化学习模型的参数，这样避免样本集中的样本比较少时训练效果差。
在一种可能的实现方式中，所述处理器，具体用于：
在每轮训练结束后，根据利用第一权值加权所述强化学习模型的参数得到的值，利用第二权值加权所述融合参数得到的值，更新所述强化学习模型的参数；
其中，将阈值和所述第一权重之间的差值作为所述第二权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离小于预设值，则确定第一预设值作为所述第一权重；
若所述强化学习模型的参数和所述融合参数的欧氏距离不小于预设值，则确定第二预设值作为所述第一权重。
上述第一服务器，能够通过强化学习模型的参数和融合参数的相似性确定不同的权重值，从而根据权重值加权强化学习模型的参数和融合参数，更新强化学习模型的参数，这样采用不同的权重值加权，使得融合参数对强化学习模型的参数产生不同的影响，提高了参数更新的准确率。
在一种可能的实现方式中，其中，所述融合参数是根据多个服务器对应的第一比值之和、以及每轮训练结束后所述强化学习模型的参数确定的；多个服务器包括第一服务器和多个其他服务器；
其中，每个服务器对应的第一比值为该服务器对应的第二比值、以及多个服务器对应的第二比值之和之间的比值；所述服务器对应的第二比值为所述服务器中的样本数量和每轮训练结束后的迭代次数之间的比值。
上述第一服务器，能够通过多个服务器的迭代次数，以及该服务器的强化学习模型的参数得到融合参数，这样能够融合多个服务器的训练情况，提高了每个第一服务器训练效果。
在一种可能的实现方式中，所述处理器，还用于：
确定所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离；
若所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，不小于预设距离，则丢弃获取到的所述慢性病管理周期内多组用户健康数据。
上述第一服务器，确定电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，该欧式距离说明数据的相似性，即确定该第一服务器的健康数据与多组用户健康数据比较相似，那么可以通过该第一服务器进行处理，如果他们的相似性比较低，就无法处理该数据，从而将该数据丢弃，这样提高了第一服务器的处理效率。
在一种可能的实现方式中，所述处理器，还用于：
若接收到的多组用户健康数据未注明所属的家庭成员，且接收到的多组用户健康数据来自的目标家庭中，患有同一慢性病的家庭成员的数量为多个，则从接收到的多组用户健康数据中，选择一个目标检查项目数据；
根据目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据，确定多个预测区间；其中，所述目标数据类型为目标检查项目数据的数据类型；
若仅有一个目标预测区间包括所述目标检查项目数据，则确定接收到的多组用户健康数据属于所述目标预测区间对应的家庭成员；
将所述目标预测区间对应的家庭成员的基本信息发送给所述电子设备，以使所述电子设备能够对所述目标预测区间对应的家庭成员实行所述慢性病管理方式。
上述第一服务器，通过从接收到的多组用户健康数据中，选择一个目标检查项目数据，确定目标检测项目数据属于的家庭成员，作为多组用户健康数据的家庭成员，并将该辨别结果发送给电子设备，这样电子设备可以对目标预测区间对应的家庭成员实行慢性病管理方式，提高了慢性病管理的便捷性。
第二方面，本发明实施例提供的一种家庭慢性病管理方法，应用于慢性病管理的第一服务器，包括：
针对每个慢性病管理周期，从用于家庭数据收集的电子设备处获取所述慢性病管理周期内多组用户健康数据；其中，所述慢性病管理周期包括多个数据检测周期，每组用户健康数据包括一个数据检测周期内检测到的多个检查项目数据；
将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式；并根据所述慢性病管理方式发送给所述电子设备；
其中，所述强化学习模型的训练过程，包括：
将样本集输入到所述强化学习模型中，对强化学习模型进行多轮训练，直到所述强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；
在每轮训练结束后，根据融合参数，更新所述强化学习模型的参数；所述融合参数是用于进行参数融合的第二服务器，根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和每轮训练结束后的强化学习模型的参数进行融合得到。
在一种可能的实现方式中，在每轮训练结束后，根据融合参数，更新所述强化学习模型的参数，包括：
在每轮训练结束后，根据利用第一权值加权所述强化学习模型的参数得到的值，利用第二权值加权所述融合参数得到的值，更新所述强化学习模型的参数；
其中，将阈值和所述第一权重之间的差值作为所述第二权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离小于预设值，则确定第一预设值作为所述第一权重；
若所述强化学习模型的参数和所述融合参数的欧氏距离不小于预设值，则确定第二预设值作为所述第一权重。
在一种可能的实现方式中，其中，所述融合参数是根据多个服务器对应的第一比值之和、以及每轮训练结束后所述强化学习模型的参数确定的；多个服务器包括第一服务器和多个其他服务器；
其中，每个服务器对应的第一比值为该服务器对应的第二比值、以及多个服务器对应的第二比值之和之间的比值；所述服务器对应的第二比值为所述服务器中的样本数量和每轮训练结束后的迭代次数之间的比值。
在一种可能的实现方式中，将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式之前，所述方法还包括：
确定所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离；
若所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，不小于预设距离，则丢弃获取到的所述慢性病管理周期内多组用户健康数据。
在一种可能的实现方式中，将所述慢性病管理方式发送给所述电子设备之后，所述方法还包括：
若接收到的多组用户健康数据未注明所属的家庭成员，且接收到的多组用户健康数据来自的目标家庭中，患有同一慢性病的家庭成员的数量为多个，则从接收到的多组用户健康数据中，选择一个目标检查项目数据；
根据目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据，确定多个预测区间；其中，所述目标数据类型为目标检查项目数据的数据类型；
若仅有一个目标预测区间包括所述目标检查项目数据，则确定接收到的多组用户健康数据属于所述目标预测区间对应的家庭成员；
将所述目标预测区间对应的家庭成员的基本信息发送给所述电子设备，以使所述电子设备能够对所述目标预测区间对应的家庭成员实行所述慢性病管理方式。
第三方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第二方面所述的家庭慢性病管理方法的步骤。
另外，第二方面至第三方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理，并不构成对本发明的不当限定。
图1是本发明实施例提供的一种家庭慢性病管理的系统的示意图；
图2是本发明实施例提供的一种家庭慢性病管理方法的流程图；
图3是本发明实施例提供的一种第二服务器和服务器1～n的连接关系的示意图；
图4是本发明实施例提供的一种电子设备内的工作过程的示意图；
图5是本发明实施例提供的一种电子设备、服务器和第二服务器之间交互的示意图；
图6是本发明实施例提供的一种第一服务器的结构图。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是，以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
目前家庭成员中有慢性病的成员时，可以通过本发明的方式进行管理，具体来说，本发明提出了一种第一服务器及家庭慢性病管理方法，针对每个慢性病管理周期，将该慢性病管理周期内多组用户健康数据输入到强化学习模型，确定慢性病管理方式，这样能够自动得到慢性病管理方式，简化了用户的操作。
示例性的，当家庭成员包括用户a、用户b，用户a患有糖尿病，糖尿病为慢性病，结合图1所示，用户a每次饭后通过血糖计101检测糖尿病的血糖，电子设备100存储用户a的每次检测到的血糖值，慢性病管理周期为半个月，电子设备100存储半个月内用户a检测到的血糖值，然后发送给第一服务器102，第一服务器102根据半个月内用户a检测到的血糖值确定慢性病管理方式，然后将该慢性病管理方式发送给电子设备100。
以下结合附图详细介绍第一服务器执行的家庭慢性病管理方法进行具体介绍。
结合图2所示，本发明实施例提供了一种健康数据归属识别方法，包括：
S200：针对每个慢性病管理周期，从用于家庭数据收集的电子设备处获取慢性病管理周期内多组用户健康数据；其中，慢性病管理周期包括多个数据检测周期，每组用户健康数据包括一个数据检测周期内检测到的多个检查项目数据；
其中，在一个数据检测周期内检测到的多个检查项目数据后，电子设备即可将该数据检测周期内检测到的多个检查项目数据发送给第一服务器，当第一服务器检测到慢性病管理周期到达后，确定步骤201。
S201：将慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式；并根据慢性病管理方式发送给电子设备；
其中，强化学习模型的训练过程，包括：
将样本集输入到强化学习模型中，对强化学习模型进行多轮训练，直到强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；
在每轮训练结束后，根据融合参数，更新所述强化学习模型的参数；融合参数是用于进行参数融合的第二服务器，根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和每轮训练结束后的强化学习模型的参数进行融合得到。
详细来说，将样本集划分为多个小样本集，每个小样本集中包括多个样本。先利用一个小样本集中的样本依次输入到强化学习模型中，并根据该样本对应的实际的慢性病管理方式和预测出的慢性病管理方式，调整强化学习模型的参数。根据该小样本集中的最后一个样本，调整强化学习模型的参数之后，计算强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值，如果损失值小于预设损失值，那么训练完成。
如果损失值大于预设损失值，那么将其迭代参数和此时强化学习模型的参数发送给第二服务器，结合图3所示，服务器1～n均与第二服务器300相连，服务器1～n可以负责预测多种疾病类型的慢性病管理方式，例如，服务器1、服务器3、服务器10、服务器n等等可以预测糖尿病的管理方式，服务器2、服务器4、服务器5、服务器7等等可以预测高血压的管理方式。
第二服务器300根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和此时强化学习模型的参数进行融合得到融合参数。根据第二服务器得到的融合参数更新此时强化学习模型的参数，依次类推，直到所述强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止。
其中，在每轮训练结束后，根据融合参数，更新强化学习模型的参数，包括：
在每轮训练结束后，根据利用第一权值加权强化学习模型的参数得到的值，利用第二权值加权融合参数得到的值，更新强化学习模型的参数；
其中，将阈值和所述第一权重之间的差值作为第二权值；
若强化学习模型的参数和融合参数的欧氏距离小于预设值，则确定第一预设值作为所述第一权重；
若强化学习模型的参数和融合参数的欧氏距离不小于预设值，则确定第二预设值作为第一权重。
例如，阈值为1，第一预设值为0.99，第二预设值为0.9，当强化学习模型的参数和融合参数的欧氏距离小于预设值时，则利用0.99加权强化学习模型的参数得到的值，利用(1-0.99＝0.01)加权融合参数得到的值，更新强化学习模型的参数。当强化学习模型的参数和融合参数的欧氏距离不小于预设值时，则利用0.9加权强化学习模型的参数得到的值，利用(1-0.9＝0.1)加权融合参数得到的值，更新强化学习模型的参数。
其中，融合参数是根据多个服务器对应的第一比值之和、以及每轮训练结束后强化学习模型的参数确定的；多个服务器包括第一服务器和多个其他服务器；
其中，每个服务器对应的第一比值为该服务器对应的第二比值、以及多个服务器对应的第二比值之和之间的比值；服务器对应的第二比值为服务器中的样本数量和每轮训练结束后的迭代次数之间的比值。
详细来说，通过以下公式确定融合参数：
其中，MW融合为第二服务器融合后的融合参数；Iterationi为第i个服务器的迭代次数，MWi为第i个服务器的强化学习模型的参数。
其中，将慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式之前，方法还包括：
确定电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离；
若电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，不小于预设距离，则丢弃获取到的慢性病管理周期内多组用户健康数据。
详细来说，欧式距离表示两个向量之间的相似度，例如，多组健康数据如果为血糖数据，存储的历史健康数据如果是血糖数据，那么两个数据的相似度比较高，当两组健康数据分别为不同的类型，那么相似度比较低。
通过上述特点，本发明将得到欧式距离后，判断小于预设距离，那么进行预测工作，得到慢性病管理方式，判断出不小于预设距离，说明两组数据相似度比较低，那么他们分属于不同的类型，会丢弃获取到的慢性病管理周期内多组用户健康数据，这样提高了处理速度。
当然该方法中需要注意，结合图3所示，第二服务器300需要记录每个服务器的预测数据情况，由于预测相同疾病类型的服务器的个数为多个，所以，当服务器4已经确定电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离，那么可以通过第二服务器300，这样第二服务器300可以通知其他服务器，要是再接收到该电子设备发送的该多组用户健康数据，那么直接将其丢弃，这样能够保证只有一个服务器预测该慢性病管理方式。
同样的，该步骤可以在电子设备中进行，即电子设备向每个服务器请求一组他们存储的历史健康数据，然后分别计算电子设备内存储的慢性病管理周期内多组用户健康数据和每个服务器存储的历史健康数据之间的欧式距离，然后将慢性病管理周期内多组用户健康数据发送给欧式距离最小的服务器。
当然，电子设备也可以确定出欧氏距离小于预设距离的服务器，如果欧氏距离小于预设距离的服务器的数量为多个时，从中选择一个服务器，将慢性病管理周期内多组用户健康数据发送给选择的服务器。
其中，如果一个家庭中患有同一慢性病，那么当服务器发送给电子设备慢性病管理方式后，电子设备不知道应该对谁实施该慢性病管理方式，基于此，将慢性病管理方式发送给电子设备之后，方法还包括：
若接收到的多组用户健康数据未注明所属的家庭成员，且接收到的多组用户健康数据来自的目标家庭中，患有同一慢性病的家庭成员的数量为多个，则从接收到的多组用户健康数据中，选择一个目标检查项目数据；
根据目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据，确定多个预测区间；其中，目标数据类型为目标检查项目数据的数据类型；
若仅有一个目标预测区间包括目标检查项目数据，则确定接收到的多组用户健康数据属于所述目标预测区间对应的家庭成员；
将目标预测区间对应的家庭成员的基本信息发送给电子设备，以使电子设备能够对目标预测区间对应的家庭成员实行慢性病管理方式。
详细来说，可以通过回归模型预测多个预测区间，即将目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据作为回归模型的输入，得到多个预测区间。
另外，上述方式还可以在电子设备中进行实施，电子设备在接收到健康数据后，将患有同一疾病的家庭成员的多个历史健康数据作为回归模型，得多个预测区间，然后判断健康数据属于哪个家庭成员，然后对应与该家庭成员的历史健康数据一起存储。这样第一服务器无需区分健康数据是哪个家庭成员的，第一服务器只需确定出慢性病管理方式后，将慢性病管理方式发送给电子设备，电子设备可以对该家庭成员实施对应的管理方式。
其中，慢性病管理方式包括电话干预、APP提醒、管理记录；
当慢性病管理中病情往严重发展之后，慢病性管理方式为电话干预，即通过调用家庭成员的电话，给该病人打电话询问病情。
当慢性病管理中病情没有往严重发展，但是个别数据超标，例如，糖尿病的病人，血糖正常之外，但是血压比较高，就属于个别数据超标，慢病性管理方式为APP提醒，即提示用户注意血压高，或者通过app分析出原因后给出因为原因导致高血压。
当慢性病管理中病情没有往严重发展，但是个别数据也没有超标，慢病性管理方式为管理记录，电子设备记录该慢性病管理周期无病情变化。
基于上述公开的内容，结合图4和图5所示，本发明提出了一个示例：
新用户入组，用户可以通过个人手机，智能电视、智能冰箱等一系列可交互的硬件设备筛查进入慢病随访干预组；结合图4所示，电子设备B1～Bn分别与每个服务器相连，服务器C1～服务器Cj均与第二服务器相连，以电子设备B1为例，电子设备B1分配该用户在该电子设备B1下的唯一用户id，用于区分用户；用户在入组界面填写基本信息，如年龄、性别、身高、体重等人口统计学信息、与慢病管理相关的药物信息、检查项目数据(如慢病为糖尿病时，需注意填写糖化血红蛋白、空腹血糖等)、恶性事件(如慢病为糖尿病时，需注意低血糖事件及相关症状)。
由于在家庭场景中，所有智能设备是共同使用，如智能冰箱、智能电视、体脂秤、智能血糖仪、智能血压仪等设备，因此，需要确定输入到电子设备B1的数据属于哪个家庭成员：
当家庭成员中只有一个人需要进行慢性病管理时，那么接收到的数据无需进行分辨，直接确定输入的数据为患有慢性病的家庭成员。
当家庭成员中有多个需要进行慢性病管理时，特别是多个家庭成员的慢性病的疾病类型相同，例如，均为糖尿病，那么他们的检查项目数据的数据类型均相同，所以需要分辨。当多个家庭长远的慢性病的疾病类型不相同，那么疾病类型需要的检测项目数据中数据类型相同，需要进行区分，如果数据类型不相同，那么需要直接按照疾病类型确定该健康数据属于哪个家庭成员。例如，用户a患有糖尿病，用户b含有高血压，那么接收到血糖值时，那么直接确定该数据为用户a，如果接收到血压值时，那么由于糖尿病很容易引发高血压，所以也需要记录血压值，所以，接收到血压值时，需要按照以下方式区分该血压值属于用户a还是用户b。
具体方式为：
基于用户历史数据构建的回归模型。下面以智能血糖仪为例，某家庭成员有两名用户(甲和乙)，均需使用智能血糖仪监测血糖。第一步：当电子设备自动收到智能血糖仪的测量数据；第二步：根据甲乙两人的历史数据通过回归模型进行预测，并给出用户甲的预测区间和用户乙的预测区间。当用户甲乙的预测区间没有重合且血糖仪测量值落入某一人的预测区间时，可以认为该测量值属于该预测区间对应的用户，否则需要用户甲乙用户进行确认，例如电子设备B1显示之前输入的血糖值属于用户甲或用户乙。
以用户id为索引，对未加密数据库使用全部Embedding进行加密，并对加密数据进行保存，以用于传输至第一服务器。
对收集到的用户健康数据，使用随硬件出厂的Embedding模型加密，得到加密后表示E＝Embedding(X)；详细来说，基于用户出厂时写入的硬件的密钥，使用ASE算法对用户的独一ID(由电子设备ID+用户角色信息构造)以及用户Embedding后数据E进行加密，得到加密数据WidE。
电子设备B1将数据发送给服务器之前，电子设备B1还需基于用户的加密数据进行计算，以分辨该用户数据的数据类型与哪个服务器中存储的数据类型相似，即哪个服务器能够预测该用户的疾病类型。例如，某家庭中有两位需要进行慢病干预，甲的信息是50岁男性，有高血压高血脂两项慢病，乙的信息是74岁女性，有糖尿病慢病，显然，两者从疾病而言，需分两组管理，两者信息同步至一个服务器存在不合理性。如服务器C1只负责处理糖尿病慢病患者，服务器C2只负责处理高血压高血脂慢病患者。那么用户乙的健康数据发送给服务器C1，用户甲的健康数据发送给服务器C2。
具体算法为：
每个服务器基于解密得到的数据(i表示第i个服务器，nj表示该服务器的用户数量)，计算该中心的中心点。具体来说，将加密数据进行向量相加，得到一个总的向量作为中心点，将该中心点发送给电子设备B1，电子设备B1使用用户Embedding后数据E与各个服务器的中心点计算距离，距离最小的服务器即为第一服务器。
电子设备B1将用户的加密数据WidE以及家庭中心id传输至对应的第一服务器。
第一服务器调用本地深度强化学习的强化学习模型，计算该用户的慢性病管理方式，然后将慢性病管理方式反馈给电子设备B1，电子设备B1接收并执行相应慢性病管理方式。
结合图5所示，训练过程为：
第一服务器接收到用户加密数据WidE，使用预先存储的家庭中心id的密钥进行解码数据WidE。由于第一服务器未存储Embedding模型，故只可以得到用户Embedding后的数据E。
基于收集到的全部数据初始化训练数据的第一个时间(第一次使用系统的数据)的状态为初始状态S，并向量化为φ(S)；
在神经网络Q中，使用φ(S)作为输入，得到所有可能动作对应的输出值Q，用贪婪算法(加入随机后的Q值最大化)选出对应的动作A；
在状态s执行当前动作A，得到新状态S′对应的特征向量φ(S′),和奖励R，及是否终止状态end,将上述{φ(S),A,R,φ(S′),end}作为一个独立样本存储，为集合D。
从集合D中采样m个样本，训练神经网络Q的所有参数，并使用均方差作为损失函数。在样本均完成预测后，确定样本集中的最后一个样本通过损失函数确定损失值，该损失值不小于预设损失值之后，将参数和迭代次数传输给第二服务器。其中，传输给第二服务器的内容是神经网络Q的模型参数。
如图5中的步骤，各个服务器，将各自模型参数发送至第二服务器。由于第一服务器是自行训练模型，不同管理中心的样本量，样本质量均会影响模型学习速率及最终效果。出于此原因考虑，第二服务器对来自非同一的服务器的模型进行融合。
第二服务器接收各个服务器的模型参数MWi，训练模型的样本量Ni，模型收敛时的迭代次数Iterationi；
基于各个服务器的训练模型样本量，模型收敛速度(模型收敛时的迭代次数)作为权重，进行模型参数融合。具体公式如下：
其中，MW融合为第二服务器融合后的融合参数，MWi为第i个服务器的模型参数，Iterationi为第i个服务器的迭代次数。Ni为第i个服务器的样本量。
第二服务器将MW融合发送至各服务器。其中，上述所说的服务器为第一服务器和多个其他服务器。
第一服务器根据融合参数，更新本地模型的参数，具体更新公式是：
其中，MW更新前表示利用融合参数更新前的第一服务器中的模型的参数，MW更新后表示利用融合参数更新后的第一服务器中的模型的参数。
其中，按照上述方式进行训练，直到第一服务器计算得到的强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止。
基于上述介绍的家庭慢性病管理方法，本发明实施例还提供一种家庭慢性病管理装置，包括；
获取模块，用于针对每个慢性病管理周期，从用于家庭数据收集的电子设备处获取所述慢性病管理周期内多组用户健康数据；其中，所述慢性病管理周期包括多个数据检测周期，每组用户健康数据包括一个数据检测周期内检测到的多个检查项目数据；
预测模块，用于将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式；并根据所述慢性病管理方式发送给所述电子设备；
训练模块，用于其中，所述强化学习模型的训练过程，包括：
将样本集输入到所述强化学习模型中，对强化学习模型进行多轮训练，直到所述强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；
在每轮训练结束后，根据融合参数，更新所述强化学习模型的参数；所述融合参数是用于进行参数融合的第二服务器，根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和每轮训练结束后的强化学习模型的参数进行融合得到。
可选的，预测模块，具体用于：在每轮训练结束后，根据利用第一权值加权所述强化学习模型的参数得到的值，利用第二权值加权所述融合参数得到的值，更新所述强化学习模型的参数；
其中，将阈值和所述第一权重之间的差值作为所述第二权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离小于预设值，则确定第一预设值作为所述第一权重；
若所述强化学习模型的参数和所述融合参数的欧氏距离不小于预设值，则确定第二预设值作为所述第一权重。
可选的，其中，所述融合参数是根据多个服务器对应的第一比值之和、以及每轮训练结束后所述强化学习模型的参数确定的；多个服务器包括第一服务器和多个其他服务器；
其中，每个服务器对应的第一比值为该服务器对应的第二比值、以及多个服务器对应的第二比值之和之间的比值；所述服务器对应的第二比值为所述服务器中的样本数量和每轮训练结束后的迭代次数之间的比值。
可选的，所述装置还包括：
预处理模块，用于确定所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离；
若所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，不小于预设距离，则丢弃获取到的所述慢性病管理周期内多组用户健康数据。
可选的，所述装置还包括：
检测模块，用于若接收到的多组用户健康数据未注明所属的家庭成员，且接收到的多组用户健康数据来自的目标家庭中，患有同一慢性病的家庭成员的数量为多个，则从接收到的多组用户健康数据中，选择一个目标检查项目数据；
根据目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据，确定多个预测区间；其中，所述目标数据类型为目标检查项目数据的数据类型；
若仅有一个目标预测区间包括所述目标检查项目数据，则确定接收到的多组用户健康数据属于所述目标预测区间对应的家庭成员；
将所述目标预测区间对应的家庭成员的基本信息发送给所述电子设备，以使所述电子设备能够对所述目标预测区间对应的家庭成员实行所述慢性病管理方式。
本发明实施例提供了一种用于慢性病管理的第一服务器，包括：处理器和通信器；
所述通信器，用于与用于家庭数据收集的电子设备进行通信；
所述处理器，用于针对每个慢性病管理周期，从用于家庭数据收集的电子设备处获取所述慢性病管理周期内多组用户健康数据；其中，所述慢性病管理周期包括多个数据检测周期，每组用户健康数据包括一个数据检测周期内检测到的多个检查项目数据；
将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式；并根据所述慢性病管理方式发送给所述电子设备；
其中，所述强化学习模型的训练过程，包括：
将样本集输入到所述强化学习模型中，对强化学习模型进行多轮训练，直到所述强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；
在每轮训练结束后，根据融合参数，更新所述强化学习模型的参数；所述融合参数是用于进行参数融合的第二服务器，根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和每轮训练结束后的强化学习模型的参数进行融合得到。
可选的，所述处理器，具体用于：
在每轮训练结束后，根据利用第一权值加权所述强化学习模型的参数得到的值，利用第二权值加权所述融合参数得到的值，更新所述强化学习模型的参数；
其中，将阈值和所述第一权重之间的差值作为所述第二权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离小于预设值，则确定第一预设值作为所述第一权重；
若所述强化学习模型的参数和所述融合参数的欧氏距离不小于预设值，则确定第二预设值作为所述第一权重。
可选的，其中，所述融合参数是根据多个服务器对应的第一比值之和、以及每轮训练结束后所述强化学习模型的参数确定的；多个服务器包括第一服务器和多个其他服务器；
其中，每个服务器对应的第一比值为该服务器对应的第二比值、以及多个服务器对应的第二比值之和之间的比值；所述服务器对应的第二比值为所述服务器中的样本数量和每轮训练结束后的迭代次数之间的比值。
可选的，所述处理器，还用于：
确定所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离；
若所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，不小于预设距离，则丢弃获取到的所述慢性病管理周期内多组用户健康数据。
可选的，所述处理器，还用于：
若接收到的多组用户健康数据未注明所属的家庭成员，且接收到的多组用户健康数据来自的目标家庭中，患有同一慢性病的家庭成员的数量为多个，则从接收到的多组用户健康数据中，选择一个目标检查项目数据；
根据目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据，确定多个预测区间；其中，所述目标数据类型为目标检查项目数据的数据类型；
若仅有一个目标预测区间包括所述目标检查项目数据，则确定接收到的多组用户健康数据属于所述目标预测区间对应的家庭成员；
将所述目标预测区间对应的家庭成员的基本信息发送给所述电子设备，以使所述电子设备能够对所述目标预测区间对应的家庭成员实行所述慢性病管理方式。
基于上述的介绍，示例性的，提出了图6的第一服务器结构。
第一服务器可以包括处理器610以及存储有计算机程序指令的存储器620。
具体地，上述处理器610可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器620可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器620可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器620可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器620可在数据处理装置的内部或外部。在特定实施例中，存储器620是非易失性固态存储器。在特定实施例中，存储器620包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器610通过读取并执行存储器620中存储的计算机程序指令，以实现上述实施例中的任意一种网约车消息通知方法。
在一个示例中，第一服务器还可包括通信接口630和总线640。其中，如图6所示，处理器610、存储器620、通信接口630通过总线640连接并完成相互间的通信。
通信接口630，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线640包括硬件、软件或两者，将第一服务器的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线640可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
另外，结合上述实施例中的第一服务器，本发明实施例可提供一种存储介质，当所述存储介质中的指令由第一服务器的处理器执行时，使得所述第一服务器能够执行如上述任一项所述的家庭慢性病管理方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种用于慢性病管理的第一服务器，其特征在于，包括：处理器和通信器；
所述通信器，用于与用于家庭数据收集的电子设备进行通信；
所述处理器，用于针对每个慢性病管理周期，从用于家庭数据收集的电子设备处获取所述慢性病管理周期内多组用户健康数据；其中，所述慢性病管理周期包括多个数据检测周期，每组用户健康数据包括一个数据检测周期内检测到的多个检查项目数据；
将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式；并根据所述慢性病管理方式发送给所述电子设备；
其中，所述强化学习模型的训练过程，包括：
将样本集输入到所述强化学习模型中，对强化学习模型进行多轮训练，直到所述强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；
在每轮训练结束后，根据利用第一权值加权所述强化学习模型的参数得到的值，利用第二权值加权融合参数得到的值，更新所述强化学习模型的参数；所述融合参数是用于进行参数融合的第二服务器，根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和每轮训练结束后的强化学习模型的参数进行融合得到；
其中，将阈值和所述第一权值之间的差值作为所述第二权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离小于预设值，则确定第一预设值作为所述第一权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离不小于预设值，则确定第二预设值作为所述第一权值。
2.根据权利要求1所述的第一服务器，其特征在于，其中，所述融合参数是根据多个服务器对应的第一比值之和、以及每轮训练结束后所述强化学习模型的参数确定的；多个服务器包括第一服务器和多个其他服务器；
其中，每个服务器对应的第一比值为该服务器对应的第二比值、以及多个服务器对应的第二比值之和之间的比值；所述服务器对应的第二比值为所述服务器中的样本数量和每轮训练结束后的迭代次数之间的比值。
3.根据权利要求1所述的第一服务器，其特征在于，所述处理器，还用于：
确定所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离；
若所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，不小于预设距离，则丢弃获取到的所述慢性病管理周期内多组用户健康数据。
4.根据权利要求1～3任一项所述的第一服务器，其特征在于，所述处理器，还用于：
若接收到的多组用户健康数据未注明所属的家庭成员，且接收到的多组用户健康数据来自的目标家庭中，患有同一慢性病的家庭成员的数量为多个，则从接收到的多组用户健康数据中，选择一个目标检查项目数据；
根据目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据，确定多个预测区间；其中，所述目标数据类型为目标检查项目数据的数据类型；
若仅有一个目标预测区间包括所述目标检查项目数据，则确定接收到的多组用户健康数据属于所述目标预测区间对应的家庭成员；
将所述目标预测区间对应的家庭成员的基本信息发送给所述电子设备，以使所述电子设备能够对所述目标预测区间对应的家庭成员实行所述慢性病管理方式。
5.一种家庭慢性病管理方法，其特征在于，应用于慢性病管理的第一服务器，包括：
针对每个慢性病管理周期，从用于家庭数据收集的电子设备处获取所述慢性病管理周期内多组用户健康数据；其中，所述慢性病管理周期包括多个数据检测周期，每组用户健康数据包括一个数据检测周期内检测到的多个检查项目数据；
将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式；并根据所述慢性病管理方式发送给所述电子设备；
其中，所述强化学习模型的训练过程，包括：
将样本集输入到所述强化学习模型中，对强化学习模型进行多轮训练，直到所述强化学习模型预测出的慢性病管理方式和实际的慢性病管理方式之间的损失值小于预设损失值为止；
在每轮训练结束后，根据利用第一权值加权所述强化学习模型的参数得到的值，利用第二权值加权融合参数得到的值，更新所述强化学习模型的参数；所述融合参数是用于进行参数融合的第二服务器，根据多个与强化学习模型能够预测的疾病类型相同的其他服务器中产生的迭代次数，和每轮训练结束后的强化学习模型的参数进行融合得到；
其中，将阈值和所述第一权值之间的差值作为所述第二权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离小于预设值，则确定第一预设值作为所述第一权值；
若所述强化学习模型的参数和所述融合参数的欧氏距离不小于预设值，则确定第二预设值作为所述第一权值。
6.根据权利要求5所述的家庭慢性病管理方法，其特征在于，其中，所述融合参数是根据多个服务器对应的第一比值之和、以及每轮训练结束后所述强化学习模型的参数确定的；多个服务器包括第一服务器和多个其他服务器；
其中，每个服务器对应的第一比值为该服务器对应的第二比值、以及多个服务器对应的第二比值之和之间的比值；所述服务器对应的第二比值为所述服务器中的样本数量和每轮训练结束后的迭代次数之间的比值。
7.根据权利要求5所述的家庭慢性病管理方法，其特征在于，将所述慢性病管理周期内多组用户健康数据作为强化学习模型的输入，通过强化学习模型，确定慢性病管理方式之前，所述方法还包括：
确定所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，小于预设距离；
若所述电子设备发送的多组用户健康数据与存储的历史健康数据确定出的欧式距离，不小于预设距离，则丢弃获取到的所述慢性病管理周期内多组用户健康数据。
8.根据权利要求5～7任一项所述的家庭慢性病管理方法，其特征在于，将所述慢性病管理方式发送给所述电子设备之后，所述方法还包括：
若接收到的多组用户健康数据未注明所属的家庭成员，且接收到的多组用户健康数据来自的目标家庭中，患有同一慢性病的家庭成员的数量为多个，则从接收到的多组用户健康数据中，选择一个目标检查项目数据；
根据目标家庭中每个家庭成员属于目标数据类型的多个历史检查项目数据，确定多个预测区间；其中，所述目标数据类型为目标检查项目数据的数据类型；
若仅有一个目标预测区间包括所述目标检查项目数据，则确定接收到的多组用户健康数据属于所述目标预测区间对应的家庭成员；
将所述目标预测区间对应的家庭成员的基本信息发送给所述电子设备，以使所述电子设备能够对所述目标预测区间对应的家庭成员实行所述慢性病管理方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111620586.8A CN114490035B (zh) | 2021-12-28 | 2021-12-28 | 第一服务器及家庭慢性病管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111620586.8A CN114490035B (zh) | 2021-12-28 | 2021-12-28 | 第一服务器及家庭慢性病管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114490035A CN114490035A (zh) | 2022-05-13 |
| CN114490035B true CN114490035B (zh) | 2024-08-20 |
Family
ID=81496861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111620586.8A Active CN114490035B (zh) | 2021-12-28 | 2021-12-28 | 第一服务器及家庭慢性病管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114490035B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112908445A (zh) * | 2021-02-20 | 2021-06-04 | 上海市第四人民医院 | 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端 |
| CN113052334A (zh) * | 2021-04-14 | 2021-06-29 | 中南大学 | 一种联邦学习实现方法、系统、终端设备及可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190030876A (ko) * | 2017-09-15 | 2019-03-25 | 주식회사 셀바스에이아이 | 건강 위험 예측 방법 |
| CN111128380A (zh) * | 2019-12-24 | 2020-05-08 | 郑州科技学院 | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 |
-
2021
- 2021-12-28 CN CN202111620586.8A patent/CN114490035B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112908445A (zh) * | 2021-02-20 | 2021-06-04 | 上海市第四人民医院 | 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端 |
| CN113052334A (zh) * | 2021-04-14 | 2021-06-29 | 中南大学 | 一种联邦学习实现方法、系统、终端设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114490035A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103440421B (zh) | 医学数据处理方法和系统 | |
| CN102124493B (zh) | 脸部识别装置、人物图像检索系统、以及脸部识别装置的控制方法 | |
| CN111933284B (zh) | 一种并发症风险预测系统、方法、装置、设备及介质 | |
| CN110464303B (zh) | 睡眠质量评估方法及装置 | |
| US20160117457A1 (en) | Method and apparatus for analyzing patient's constitutional peculiarity | |
| CN107430645A (zh) | 用于重症监护病房中的实验室值自动化分析和风险通知的系统 | |
| JP6854747B2 (ja) | 計算機システム、認知機能の評価方法、及びプログラム | |
| CN112786185B (zh) | 血压健康状态获取方法、装置和系统 | |
| CN114490035B (zh) | 第一服务器及家庭慢性病管理方法 | |
| US20140358579A1 (en) | Clinical decision support system for quality evaluation and improvement of discharge planning | |
| CN112037918B (zh) | 一种融合并发症风险的慢病医保费用预测方法及相关设备 | |
| CN112420211B (zh) | 未知传染病的预警方法、装置、电子设备及计算机介质 | |
| CN114446427B (zh) | 电子设备及健康数据归属识别方法 | |
| CN106055913A (zh) | 一种信息处理方法及智能医疗系统 | |
| CN112754457B (zh) | 体脂健康状态获取方法、装置和系统 | |
| CN115345621A (zh) | 一种支付方法、系统及具有支付功能的平台 | |
| KR102499912B1 (ko) | 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템 | |
| JP2022551325A (ja) | 診断ツール | |
| CN113257380B (zh) | 一种差值核查及差值核查规则的制订方法和装置 | |
| CN115713820B (zh) | 智能门锁可用天数预估方法及装置、设备、存储介质 | |
| CN117079760B (zh) | 华法林剂量调整方法、系统及临床辅助决策系统 | |
| KR20140067747A (ko) | 신체 정보 유사도를 고려한 건강 컨설팅 정보의 제공 방법 | |
| CN115883346B (zh) | 一种基于fdep日志的异常检测方法、装置及存储介质 | |
| CN109416940A (zh) | 用于确定以用户为中心的治疗数据的系统 | |
| CN115713820A (zh) | 智能门锁可用天数预估方法及装置、设备、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |