CN114758781A - 一种生成用户的健康画像方法和系统、装置及存储介质 - Google Patents

Abstract

本说明书实施例提供一种生成用户的健康画像方法和系统、装置及存储介质，该方法包括：获取用户数据，用户数据包括用户基本信息、健康数据、生活习惯数据、环境数据中至少一种；基于用户数据生成用户的健康画像并确定健康画像的准确度，其中，健康画像包括当前健康状况、风险隐患、预防干预措施中至少一种；响应于接收到的用户查询指令，将健康画像反馈至用户终端。

Description

一种生成用户的健康画像方法和系统、装置及存储介质

技术领域

本说明书涉及医疗信息技术领域，特别涉及一种生成用户的健康画像方法和系统、装置及存储介质。

背景技术

随着健康医疗大数据的发展及人工智能应用在医疗领域的逐步深化，催生了各种各样的医疗产品，健康画像便是其中之一。通过健康画像，普通用户也可以看懂自己的病例，了解自身的健康情况。同时，随着人们对健康养生的认识逐步提高，仅仅是看懂病例、了解健康情况已不能满足大多数人的需求，越来越多的人开始从日常生活中寻求疾病预防、疾病干预的方法。

因此，希望提出一种生成用户的健康画像方法和系统、装置及存储介质，通过将用户健康与各种影响健康的因素关联，为用户提供更加方便有效的健康养生信息。

发明内容

本说明书实施例之一提供一种生成用户的健康画像方法。所述方法包括：获取用户数据，所述用户数据包括用户基本信息、健康数据、生活习惯数据、环境数据中至少一种；基于所述用户数据生成用户的健康画像并确定所述健康画像的准确度；所述健康画像包括当前健康状况、风险隐患、预防干预措施中至少一种；响应于接收到的用户查询指令，将所述健康画像反馈至用户终端。

本说明书实施例之一提供一种生成用户的健康画像系统，所述系统包括：获取模块，用于获取用户数据，所述用户数据包括用户基本信息、健康数据、生活习惯数据、环境数据中至少一种；生成模块，用于基于所述用户数据生成用户的健康画像并确定所述健康画像的准确度；所述健康画像包括当前健康状况、风险隐患、预防干预措施中至少一种；反馈模块，用于响应于接收到的用户查询指令，将所述健康画像反馈至用户终端。

本说明书实施例之一提供一种生成用户的健康画像装置，包括处理器，所述处理器用于执行如上述实施例中任一项所述生成用户的健康画像方法。

本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述实施例中任一项所述生成用户的健康画像方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的生成用户的健康画像系统的应用场景示意图；

图2是根据本说明书一些实施例所示的生成用户的健康画像系统模块图；

图3是根据本说明书一些实施例所示的生成用户的健康画像方法的示例性流程图；

图4是根据本说明书一些实施例所示的生成用户的健康画像方法的基于用户数据生成用户的健康画像的示例性流程图；

图5是根据本说明书一些实施例所示的健康预测模型的示意图；

图6是根据本说明书一些实施例所示的生成用户的健康画像方法的确定健康画像的准确度的示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的生成用户的健康画像系统的应用场景示意图。

如图1所示，生成用户的健康画像系统的应用场景100可以包括处理器110、存储器120、网络130、用户终端140、用户150、医疗机构160、医疗服务平台170。

生成用户的健康画像系统可以通过实施本说明书中披露的方法和/或过程来生成用户的健康画像。当用户需要了解自己的身体健康状况时，可以通过健康画像查看身体各个健康关注点的健康程度，并对照相应的预防干预措施进行疾病预防。

处理器110可以处理与生成用户的健康画像系统相关的数据和/或信息。在一些实施例中，处理器110可以访问医疗服务平台170、存储器120和/或用户终端140以获取信息和/或数据。例如，处理器110可以从医疗服务平台170和/或从存储器120获取用户的体检数据、就诊数据等。又例如，处理器110可以从用户终端140获取用户的生活工作信息、实时生理参数等。在一些实施例中，处理器110可以处理获取的信息和/或数据。例如，处理器110可以结合获取的体检数据、就诊数据、生活工作信息及实时生理参数等生成用户的健康画像。

在一些实施例中，处理器110可以包括一个或以上处理引擎（例如，单芯片处理引擎或多芯片处理引擎）。仅作为示例，处理器110可以包括中央处理单元（CPU）。处理器110可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果，并基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或以上功能。在一些实施例中，处理器110可以单独设置，也可以与医疗服务平台170集成设置。

存储器120可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储器120可以存储从应用场景100中其他组件（例如，处理器110、用户终端140、医疗服务平台170等）中获得的数据和/或信息。例如，存储器120可以存储用户的体检数据、就诊数据、生活工作信息、实时生理参数等。在一些实施例中，存储器120可以设置在处理器110中。在一些实施例中，存储器120可包括大容量存储器、可移除存储器等或其任意组合。

网络130可以包括能够提供应用场景100中各个组件进行信息和/或数据交换的任意网络。生成用户的健康画像系统的应用场景100中的一个或多个组件（例如，处理器110、存储器120、用户终端140、医疗机构160、医疗服务平台170）之间可以通过网络130交换信息和/或数据。例如，网络130可以将用户150通过用户终端140输入的生活工作信息发送给处理器110。

在一些实施例中，网络130可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络130可以包括一个或以上网络接入点。例如，网络130可以包括有线或无线网络接入点。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。

用户终端140可以指用户所使用的一个或多个终端设备或软件。在一些实施例中，用户终端140可以包括终端140-1和可穿戴设备140-2。在一些实施例中，终端140-1可以包括手机、平板电脑、笔记本电脑等或其任意组合。在一些实施例中，可穿戴设备140-2可以包括智能手表、智能腕带、智能眼镜、智能头盔、智能球鞋等或其任意组合。

在一些实施例中，用户可以通过终端140-1输入生活工作信息或查询指令。在一些实施例中，可穿戴设备140-2可以实时采集用户的生理参数并上传至场景100的其他组件（如存储器120、处理器110等）。在一些实施例中，用户终端140可以接收处理器110生成的健康画像，并通过显示器展示给用户。

用户150可以是指享受医疗服务的人。例如，在体检中心体检的人、医院的病患等。在一些实施例中，用户150可以通过用户终端140输入生活工作信息。在一些实施例中，用户150可以通过用户终端输入查询指令，以获取自己的健康画像。

医疗机构160可以是用户可以享受医疗服务的机构。例如，体检单位、医院等。在一些实施例中，医疗机构160可以通过网络130将用户体检数据、就诊数据等上传至场景100的其他组件（如处理器110、存储器120、医疗服务平台170等）。

医疗服务平台170可以是与生成用户的健康画像系统通讯连接的用于进行数据存储和处理的云计算平台。在一些实施例中，处理器110可以结合医疗服务平台170的体检数据、就诊数据以及用户终端140获取的用户生活工作信息、实时生理参数生成用户的健康画像。

应当注意基于生成用户的健康画像系统的应用场景100仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景还可以包括数据库。又例如，应用场景100可以在其他设备上实现以实现类似或不同的功能。然而，变化和修改不会背离本说明书的范围。

图2是根据本说明书一些实施例所示的生成用户的健康画像系统模块图。

如图2所示，生成用户的健康画像的系统200可以包括获取模块210、生成模块220和反馈模块230。

获取模块210可以用于获取用户数据。其中，用户数据包括用户基本信息、健康数据、生活习惯数据、环境数据中至少一种。

生成模块220可以用于基于用户数据生成用户的健康画像并确定健康画像的准确度。其中，健康画像包括当前健康状况、风险隐患、预防干预措施中至少一种。

在一些实施例中，生成模块220还可以用于基于健康数据确定用户的当前健康状况及风险隐患。在一些实施例中，生成模块220还可以用于基于生活习惯数据、环境数据及当前健康状况、风险隐患确定预防干预措施。

在一些实施例中，生成模块220还用于获取用户健康知识图谱，其中，用户健康知识图谱基于用户数据生成。在一些实施例中，用户健康知识图谱的节点包括用户节点、健康关注点、健康关注点辅助信息点。在一些实施例中，用户健康知识图谱的边包括第一类边、第二类边、第三类边。在一些实施例中，第一类边用于连接用户节点与健康关注点、第二类边用于连接健康关注点与健康关注点辅助信息点、第三类边用于连接各个健康关注点。

在一些实施例中，生成模块220可以用于基于健康预测模型对用户健康知识图谱的处理，确定用户的当前健康状况预测信息、风险隐患预测信息。在一些实施例中，健康预测模型为机器学习模型。在一些实施例中，生成模块220可以用于基于当前健康状况预测信息、风险隐患预测信息确定预防干预措施并生成用户的健康画像。

在一些实施例中，健康画像的准确度包括用户的用户健康知识图谱中的健康关注点的准确度。在一些实施例中，生成模块220还用于基于用户的用户健康知识图谱中的健康关注点的准确度及权重，确定健康画像的准确度。

反馈模块230可以用于响应于接收到的用户查询指令，将健康画像反馈至用户终端。

需要注意的是，以上对于生成用户的健康画像的系统200及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的获取模块、生成模块、反馈模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。

图3是根据本说明书一些实施例所示的生成用户的健康画像方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备110执行。

步骤310，获取用户数据。

用户数据是指用户的相关数据。在一些实施例中，用户数据可以包括用户基本信息、健康数据、生活习惯数据、环境数据中至少一种。

用户基本信息是指可以反馈用户基本情况的相关信息，用户基本信息可以包括身份信息、性别、年龄等。例如，用户基本信息可以是用户姓名“王刚”、性别“男”、年龄“62岁”等。

健康数据是指可以反映用户健康的相关数据，健康数据可以包括医疗数据、体检数据、实时健康参数等。例如，医疗数据可以是电子病历数据、医疗检测项目结果数据、医生用药数据，如门诊数据、住院数据、手术数据等；再例如，体检数据可以是电子体检数据、体检项目结果数据等，如血常规、尿常规数据等；再例如，实时健康参数可以是基于可穿戴设备检测的健康参数等，如基于智能手环检测的用户实时心率、基于穿戴式血压计检测的用户实时血压等。

在一些实施例中，健康数据可以包括人体不同组织、器官或系统的健康数据。例如，人体不同组织的数据可以是上皮组织、结缔组织、肌肉组织、神经组织等；再例如，人体不同器官的数据可以是大脑、肺、心脏、肝脏、肾脏等；再例如，人体不同系统的数据可以是运动系统、消化系统、呼吸系统、泌尿系统、生殖系统、内分泌系统、免疫系统、神经系统等。

生活习惯数据是指可以反映用户生活习惯的相关数据，生活习惯数据可以包括作息数据、饮食习惯、运动情况等。例如，作息数据可以是起床、洗漱、办公、进餐、午休、活动等数据，如“作息数据可以是“07:00起床、08:00早餐、09:00~11:30办公、12:00~12:30午餐、17:30~18:00晚餐等”；再例如，饮食习惯可以是饮用的食物、食物的制作方式、吃饭时间等数据，如“饮食习惯可以是习惯蛋糕披萨等高热量食物、习惯油炸、习惯夜宵、习惯喝酒等”；再例如，运动情况可以是是否运动、运动类型、运动频率时间等，如“运动情况可以是适当运动、运动类型为跑步、运动一周两次平均半小时等”。

环境数据是指可以反映用户生活环境的相关数据，环境数据可以包括工气候条件、环境污染数据、饮用水数据等。例如，气候条件数据可以是温度、降水等数据，如“持续高温、无降水、气候干燥等数据”；再例如，环境污染数据可以是大气污染、固体废物污染、辐射污染等数据，如“沙尘暴、雾霾等大环境污染数据”“化工厂、农药厂等小环境污染数据”；再例如，饮用水数据可以是微生物、金属等含量数据，如“水质含有铜、铅、锌等重金属数据”。

在一些实施例中，可以基于人体不同组织、器官或系统的健康数据，对应分析影响其健康的生活习惯数据、环境数据。例如，可以基于大脑的器官数据，对应分析影响用户的健康的生活习惯数据（如用户是否抽烟喝酒）、环境数据（如环境是否存在辐射污染）等。

在本说明书的一些实施例中，基于人体不同组织、器官或系统的健康数据，可以掌握用户身体不同部位的健康情况，从而针对性采取预防干预措施。

在一些实施例中，获取模块210可以通过终端140的运行数据或者网络130，获取用户数据。例如，可以通过终端140获取用户基本信息、健康数据、生活习惯数据，也可以通过网络130获取环境数据等。

步骤320，基于用户数据生成用户的健康画像，并确定健康画像的准确度。

健康画像是指可以反映用户各方面健康状况的数据库。在一些实施例中，健康画像包括当前健康状况、风险隐患、预防干预措施中至少一种。

当前健康状况是指用户当前身体整体的健康状况，例如，当前健康状况可以是“健康状态、亚健康状态、不健康状态”等；再例如，当前健康状况可以是“高血压、冠心病、骨质疏松症”等具体病症。

风险隐患是指用户健康发生风险的可能因素，例如，风险隐患可以是“慢性阻塞性肺疾病、慢性肺源性心脏病、老年性黄斑病变”等可能发生风险的因素。

预防干预措施是指在健康风险产生前用于预防健康风险的措施，其中，预防干预措施可以是医学干预、生活习惯干预、环境干预等。例如，预防干预措施可以是“加强心脏体检频率”、“减少抽烟喝酒等生活习惯”、“远离化工环境等”。

在一些实施例中，生成模块220可以基于用户数据，生成用户的健康画像。在一些实施例中，还可以基于机器学习模型，对用户数据进行处理，生成健康画像。例如，可以获取用户健康知识图谱，基于健康预测模型对用户健康知识图谱的处理，确定用户的当前健康状况预测信息、风险隐患预测信息；再基于当前健康状况预测信息、风险隐患预测信息确定预防干预措施并生成用户的健康画像。具体说明参见图4的相应内容。

健康画像的准确度是指生成的用户健康画像的可信程度，准确度可以表示健康画像正确反映用户健康情况的程度，例如，准确度可以是具体的数值或等级，如80%或一级等。

在一些实施例中，可以基于用户数据和用户的健康画像，通过人工确定健康画像的准确度，例如，由人工在确定健康画像时对其准确度进行标注。

在一些实施例中，还可以基于机器学习模型，对用户数据和用户的健康画像进行处理，确定健康画像的准确度。例如，可以基于历史用户数据确定历史用户数据对应的用户的健康画像，再基于实际的用户健康情况，确定健康画像的准确度。

在一些实施例中，健康画像的准确度可以基于同类用户的健康准确度确定，具体说明参见图4的步骤320。

在一些实施例中，可以基于用户的用户健康知识图谱中的健康关注点的准确度及权重，确定健康画像的准确度。具体说明参见图6的相应内容。

在一些实施例中，可以基于健康数据，确定用户的当前健康状况及风险隐患。例如，可以基于用户的医疗数据、体检数据、实时健康参数，确定用户当前健康状况以及风险隐患，如基于用户的住院数据、平常的体检数据以及智能手环检测的实时心率，确定用户当前的健康状况为不健康的冠心病状态，风险隐患为慢性肺源性心脏病等。

在一些实施例中，可以基于生活习惯数据、环境数据及当前健康状况、风险隐患，确定预防干预措施。例如，可以基于用户“习惯熬夜喝酒、居住在化工厂周围、当前健康状况为冠心病状态、风险隐患为慢性肺源性心脏病”等，确定预防干预措施为“加强心脏体检频率”、“减少抽烟喝酒等生活习惯”、“远离化工环境等”。

步骤330，响应于接收到的用户查询指令，将健康画像反馈至用户终端。

用户查询指令是指用户通过终端发出的查询指令，例如，用户查询指令可以是APP上的查询指令等，如“查询健康画像”。

在一些实施例中，可以基于用户终端140，通过网络130接收用户查询指令。

在一些实施例中，反馈模块230可以基于接收到的用户查询指令，将健康画像反馈至用户终端。

在本说明书的一些实施例中，基于用户基本信息、健康数据、生活习惯数据、环境数据，可以从全方位生成用户的健康画像；并且可以基于用户数据和用户的健康画像，确定健康画像的准确度，通过数据对比来验证健康画像的准确度，从而提高用户健康画像的准确度。

图4是根据本说明书一些实施例所示的生成用户的健康画像方法的基于用户数据生成用户的健康画像的示例性流程图。如图4所示，流程400包括下述步骤。在一些实施例中，流程400可以由处理设备110执行。

步骤410，获取用户健康知识图谱。

用户健康知识图谱是指用于反映用户的各个健康关注点的健康情况的图谱，由节点和边组成，每个节点表示一个实体，每条边为实体与实体之间的关系。

用户健康知识图谱的节点包括用户节点、健康关注点、健康关注点辅助信息点。

用户节点是指单个用户的数据点，例如，如图4所示，用户节点可以是“用户甲”。

在一些实施例中，用户节点属性可以包括姓名、性别、年龄等用户基本信息。例如，用户节点属性可以是“姓名王刚、性别男、年龄62岁”。

健康关注点是指可以影响用户整体身体健康的数据点，例如，如图4所示，健康关注点可以是“健康关注点1、健康关注点2、健康关注点3、健康关注点4、健康关注点n”。

在一些实施例中，健康关注点可以与相应的健康检查点相关，例如，健康关注点包括血常规、肝功能、肾功能、血脂、血糖、血压、心功能等。例如，“健康关注点1为血常规、健康关注点2为肝功能、健康关注点3为肾功能、健康关注点4为血脂、健康关注点n为心功能”。

在一些实施例中，健康关注点属性可以包括该健康关注点可能出现的病症、病症影响因素、病症表现。例如，健康关注点1为血常规，可能出现的病症为“血小板减少”，病症影响因素为“过度劳累、失血过多、熬夜等”，病症表现为“头晕、眼花、肌无力”等；再例如，健康关注点3为肾功能，可能出现的病症为“前列腺炎”，病症影响因素为“饮酒、熬夜等”，病症表现为“尿频、尿急”等。

健康关注点辅助信息点是指与各健康关注点相关的数据点，包括可以影响其相关的健康关注点的健康程度的辅助信息点，例如，如图4所示，健康关注点辅助信息点可以是“健康关注点辅助信息点A、健康关注点辅助信息点B、健康关注点辅助信息点C、健康关注点辅助信息点D、健康关注点辅助信息点E、健康关注点辅助信息点N”。

在一些实施例中，健康关注点辅助信息点可以包括饮食、运动、睡眠、环境、工作、遗传等。例如，以血糖为例，影响健康关注点“血糖”的相关健康关注点辅助信息点可以是“饮食、运动、遗传”等；再例如，以血常规为例，影响健康关注点“血常规”的相关健康关注点辅助信息点可以是“饮食、运动、睡眠、环境、工作、遗传”等。

在一些实施例中，健康关注点辅助信息点属性可以包括饮食特征、运动特征、睡眠特征、环境特征、工作特征、遗传特征等。

在一些实施例中，可以基于用户基本信息、健康关注点信息、健康关注点辅助信息构建用户健康知识图谱。

在一些实施例中，用户健康知识图谱的边为有向边。有向边是指两个节点之间存在指向性。例如，“健康关注点3”与“用户甲”之间的边“Q3”为由“健康关注点3”指向“用户甲”，则表示在该图中，“健康关注点3”是对应为“用户甲”的某健康关注点，且“健康关注点3”反映的信息为“用户甲”对应的健康信息。

健康关注点信息是指可以反映用户整体身体健康状况的数据信息，健康关注点信息可以包括血常规信息、肝功能信息、肾功能信息、血脂信息、血糖信息、血压信息、心功能信息等。

健康关注点辅助信息是指影响各健康关注点状态的数据信息，健康关注点辅助信息可以包括饮食信息、运动信息、睡眠信息、环境信息、工作信息、遗传信息等。

用户健康知识图谱的边包括第一类边、第二类边、第三类边。

第一类边是指用于连接用户节点与健康关注点，例如，如图4所示，第一类边可以用Q1~Q5表示，基于第一类边连接的“用户甲”的5个健康关注点表示用户甲具有5个健康关注点。不同用户的用户健康知识图谱中，其健康关注点的数量可以不同，即第一类边的数量可以不同。

第一类边的属性可以反映用户当前各健康关注点的健康程度、各个健康关注点对整体身体健康的影响程度。

第二类边是指用于连接健康关注点与健康关注点辅助信息点，例如，如图4所示，第二类边可以用W1~W6表示，每个健康关注点可以基于第二类边与其对应的健康关注点辅助信息点进行连接。不同的健康关注点其对应的健康关注点辅助信息点可以不相同。

第二类边的属性可以反映健康关注点辅助信息点对各健康关注点的影响程度。

第三类边是指用于连接健康关注点与健康关注点，例如，如图4所示，第三类边可以用q1~q4表示，q1表示“健康关注点1”到“健康关注点3”的边，q2表示“健康关注点2”到“健康关注点3”的边，q3表示“健康关注点4”到“健康关注点3”的边，q4表示“健康关注点n”到“健康关注点3”的边。

第三类边的属性可以反映各个健康关注点互相之间的影响程度，如q1~q4可以分别表示“健康关注点1”至“健康关注点n”中，除“健康关注点3”外其余健康关注点对“健康关注点3”的健康状态的影响程度。

例如，如图4所示，针对“用户甲”的“健康关注点3”的健康图谱，包含“用户甲”“健康关注点1、健康关注点2、健康关注点3、健康关注点4、健康关注点n”“健康关注点辅助信息点A、健康关注点辅助信息点B、健康关注点辅助信息点C、健康关注点辅助信息点D、健康关注点辅助信息点E、健康关注点辅助信息点N”节点和第一类边“Q1、Q2、Q3、Q4、Q5” 第二类边“W1、W2、W3、W4、W5、W6” 第三类边“q1、q2、q3、q4、q5”边。

基于第一类边“Q1、Q2、Q3、Q4、Q5”的特征可以确定用户甲当前各个健康关注点的健康程度，基于第二类边“W1、W2、W3、W4、W5、W6”的特征可以确定各个健康关注点辅助信息点对“健康关注点3”的影响程度，基于第三类边“q1、q2、q3、q4、q5”的特征可以确定其他健康关注点对“健康关注点3”的影响程度。

步骤420，基于健康预测模型对用户健康知识图谱的处理，确定用户的当前健康状况预测信息、风险隐患预测信息。健康预测模型为机器学习模型。

在一些实施例中，处理器可以通过健康预测模型对用户健康知识图谱的处理，确定用户的当前健康状况预测信息、风险隐患预测信息。

健康预测模型的输入可以是用户的健康知识图谱或子图，输出可以是用户的当前健康状况预测信息、风险隐患预测信息。处理器可以基于用户当前健康状况预测信息、风险隐患预测信息，生成用户健康画像。

在一些实施例中，健康预测模型可以为机器学习模型。例如，机器学习模型可以包括但不限于神经网络、循环神经网络等。

在一些实施例中，健康预测模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始健康预测模型，通过标签和初始健康预测模型的结果构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新初始健康预测模型的参数。当满足预设条件时模型训练完成，得到训练好的健康预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，训练样本至少可以包括基于大量用户历史健康数据构建的健康知识图谱。标签可以为用户历史健康数据之后的时间节点的健康数据，可以表征用户的健康状况信息和风险隐患信息。例如，训练样本之一为基于用户一年前的健康数据构建的知识图谱，标签为用户一个月前的健康状况信息和风险隐患信息。标签可以基于人工标注。

在一些实施例中，处理器可以基于健康预测模型对所述用户健康知识图谱的处理得到当前健康状况预测信息、风险隐患预测信息包括：基于节点属性将用户健康知识图谱分成多个子图 ；获取多个子图对应的多个嵌入向量；基于健康预测模型对多个嵌入向量的处理得到当前健康状况预测信息、风险隐患预测信息。

子图是指将用户健康知识图谱进行划分得到的图。例如，健康关注点子图、辅助信息点子图等。在一些实施例中，处理器可以基于用户健康知识图谱的节点属性，将用户健康知识图谱划分成多个子图。在一些实施例中，可以基于用户知识图谱中的各个健康关注点的属性，将用户健康知识图谱划分为多个子图，每个健康关注点对应一个子图。

在一些实施例中，每个子图的节点包括用户节点、该健康关注点、辅助信息点、其他健康关注点，子图的边包括连接用户节点与该健康关注点的边、连接该健康关注点与各个辅助信息点的边、连接该健康关注点与其他健康关注点的边。更多关于子图中节点属性和边属性可以参见步骤410及其描述。

子图对应的嵌入向量是指能够反映子图的结构化数据的向量。例如，健康关注点子图的嵌入向量可以表示健康关注点子图中与健康关注点相关的各种数据。在一些实施例中，可以通过多种方式获取子图对应的嵌入向量。例如，图神经网络（GNN）、DeepWalk、LINE、Noed2Vec等，本说明书实施例对此不做限制。在一些实施例中，可以基于多个子图通过上述方式获取多个嵌入向量，每一个子图对应一个嵌入向量。

在一些实施例中，可以通过健康预测模型对多个嵌入向量的处理得到当前健康状况预测信息、风险隐患预测信息。在一些实施例中，可以通过健康预测模型分别对每个嵌入向量进行处理得到每个子图对应的当前健康状况预测信息、风险隐患预测信息。在一些实施例中，可以通过健康预测模型同时处理多个嵌入向量，同时得到每个子图对应的当前健康状况预测信息、风险隐患预测信息。

基于每个健康关注点的属性划分子图，再通过模型对子图对应的嵌入向量处理，可以获得每个健康关注点的健康状况、及风险隐患。该方法有助于了解用户每个健康关注点的健康状况和风险隐患，增强预防和治疗的针对性和有效性。

图5是根据本说明书一些实施例所示的健康预测模型的示意图。

在一些实施例中，健康预测模型可以包括嵌入层和预测层。在一些实施例中，嵌入层可以是图神经网络（Graph Neural Network，GNN），预测层可以是任意的神经网络（neural network，NN）。在一些实施例中，嵌入层和预测层还可以是其他网络或结构，本说明书实施例对此不做限制。

在一些实施例中，嵌入层GNN可以处理多个健康关注点的子图，得到多个子图对应的嵌入向量。在一些实施例中，嵌入层GNN的输入可以是至少一个健康关注点的子图，输出为至少一个健康关注点的子图对应的嵌入向量。如图5所示，嵌入层GNN的输入可以包括健康知识子图1、健康知识子图2、健康知识子图3、健康知识子图4、……、健康知识子图n中的至少一个，输出可以包括嵌入向量1、嵌入向量2、嵌入向量3、嵌入向量4、……、嵌入向量n中的至少一个。例如，GNN的输入可以是心脏对应的健康知识子图，输出可以是心脏对应的健康知识子图的嵌入向量。

在一些实施例中，预测层NN可以处理多个子图对应的嵌入向量，得到多个健康关注点的健康状况预测信息、风险预测信息。在一些实施例中，预测层NN的输入可以是至少一个健康关注点的子图对应的嵌入向量，输出为至少一个健康关注点的健康状况预测信息、风险预测信息。在一些实施例中，预测层NN的输入可以是嵌入层GNN的输出，输出可以是各个健康知识子图对应的预测结果，即各个健康关注点的健康状况预测信息、风险预测信息。如图5所示，预测层NN的输入可以包括嵌入层GNN输出的嵌入向量1、嵌入向量2、嵌入向量3、嵌入向量4、……、嵌入向量n中的至少一个，输出可以包括关注点1预测结果、关注点2预测结果、关注点3预测结果、关注点4预测结果、……、关注点n预测结果中的至少一个。例如，预测层NN的输入可以是嵌入层GNN输出的心脏对应的子图的嵌入向量，输出为心脏的健康状况预测信息、风险预测信息。

在一些实施例中，嵌入层GNN可以通过带有标签的健康关注点的子图训练获得。例如，可以将带有标签的健康关注点子图输入初始GNN中，基于初始GNN模型的结果和标签构建损失函数，对GNN模型进行训练。在一些实施例中，预测层NN可以通过带有标签的图嵌入向量训练获得。例如，可以将嵌入层GNN输出的子图对应的嵌入向量输入初始预测层NN中，基于初始NN模型的结果和标签构建损失函数，对NN进行训练。

在一些实施例中，嵌入层GNN和预测层NN的参数可以通过联合训练得到。在一些实施例中，嵌入层GNN输出可以为预测层NN的输入，嵌入层GNN的参数可以通过训练预测层NN获得。在一些实施例中，预测层NN的训练样本可以包括各个健康关注点对应的嵌入向量。标签可以是各个健康关注点的健康状况预测信息、风险预测信息，标签可以基于样本历史数据获得。

在一些实施例中，可以向嵌入层GNN输入训练样本数据，即各个健康关注点的知识子图，得到嵌入层GNN输出的嵌入向量；然后将嵌入向量作为训练样本数据，输入预测层NN，得到预测层NN输出的各个健康关注点的健康状况预测信息、风险预测信息，使用样本健康状况预测信息、风险预测信息对预测层NN的输出进行验证；利用神经网络模型的反向传播特性，得到嵌入层GNN输出的嵌入向量的验证数据，使用该嵌入向量的验证数据作为标签对嵌入层GNN进行训练。

在一些实施例中，可以基于大量带有标签的训练样本训练初始预测层NN和初始嵌入层GNN。具体地，将各个健康关注点的知识子图输入初始嵌入层GNN，初始嵌入层GNN的输出作为初始预测层NN的输入，基于样本的健康状况预测信息、风险预测信息和初始嵌入层GNN的输出建立损失函数对模型的参数进行更新，并基于损失函数同时迭代更新预测层NN和嵌入层GNN的参数，直到预设条件被满足训练完成。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。

通过上述训练方式获得嵌入层GNN的参数，在一些情况下有利于解决单独训练嵌入层GNN时难以获得标签的问题，还可以使嵌入层GNN能较好地得到反映各个健康关注点知识子图的嵌入向量。

通过对图的处理得到嵌入向量后再进行预测，可以优化处理步骤，便于数据的获取及处理，提升数据处理的效率及准确度。

步骤430，基于当前健康状况预测信息、风险隐患预测信息，确定预防干预措施，并生成用户的健康画像。

在一些实施例中，处理器可以基于当前健康状况预测信息、风险隐患预测信息及预防干预措施，通过人工智能数据分析、深度学习等方法生成用户的健康画像。

在一些实施例中，处理器可以基于用户当前的健康状况预测信息、风险隐患预测信息，确定对应的预防干预措施。例如，处理器可以基于用户当前健康状况为高血压二级、风险隐患为可能导致冠心病，确定预防干预措施为调整生活饮食习惯（如合理平衡膳食、适量运动、戒烟戒酒、药物治疗中的至少一个或其任意组合）。

在一些实施例中，处理器可以基于用户当前的健康状况预测信息、风险隐患预测信息及对应的预防干预措施生成用户的健康画像。例如，处理器可以基于用户当前健康状况为高血压二级、风险隐患为可能导致冠心病，及确定的至少一个预防干预措施（如合理平衡膳食、适量运动、戒烟戒酒、药物治疗中的至少一个或其任意组合），生成用户的健康画像。

在一些实施例中，生成用户的健康画像还包括健康画像的准确度。在一些实施例中，可以通过多种方式确定健康画像的准确度。例如，可以基于获取的用户体检数据、就诊数据等数据的准确度，确定健康画像的准确度。又例如，可以基于健康预测模型确定健康画像的准确度（如将健康预测模型的置信度作为健康画像的准确度）。

在一些实施例中，可以基于同类用户的健康画像准确度确定当前用户的健康画像准确度。

同类用户是指与当前用户健康数据、生活习惯数据、环境数据满足预设条件的用户，例如，与当前用户健康数据、生活习惯数据、环境数据相同或非常接近的用户。仅作为示例的，可以将生活在同一地区、从事同一职业、生活作息饮食相近、患相同疾病且患病程度相同的用户作为同类用户。

在一些实施例中，可以基于向量距离确定同类用户。

在一些实施例中，可以基于用户健康知识图谱中的健康关注点和辅助信息点的节点属性构建特征向量，通过计算向量距离将距离接近的用户确定为同类用户。例如，特征向量可以为反映用户心脏健康数据、与心脏相关的辅助信息点数据（如用户生活习惯数据、环境数据、工作数据、遗传数据等）及其对心脏健康的影响程度的向量。

在一些实施例中，可以通过当前用户的嵌入向量在向量数据库中检索，确定与嵌入向量的向量距离最小的向量为参考向量，将参考向量对应的用户确定为同类用户。在一些实施例中，嵌入向量可以通过健康预测模型中的嵌入层GNN对用户健康知识图谱做嵌入得到。在一些实施例中，可以对多个历史用户的健康知识图谱做嵌入形成多个嵌入向量，组成向量数据库。

在一些实施例中，可以通过向量距离确定同类用户的健康画像的准确度。例如，可以基于同类用户历史第一时刻健康画像中的健康状况信息、风险隐患信息、历史第一时刻到历史第二时刻采取的干预措施，预测历史第二时刻的健康状况信息。可以基于预测的同类用户历史第二时刻的健康状况信息构建预测特征向量，基于用户历史第二时刻的实际健康状况信息构建实际特征向量。其中，历史第一时刻和历史第二时刻可以基于实际计算需求设置。例如，可以设置历史第一时刻为2021年5月，可以设置历史第二时刻为2021年11月。在一些实施例中，可以基于预测特征向量与实际特征向量的距离确定同类用户健康画像的准确度，距离越小，准确度越高。例如，距离越接近0，准确度越接近100%。又例如，可以基于向量距离提前预设对应的准确度表，计算出向量距离后即可从表格中获取对应的准确度。

基于同类用户的健康画像准确度确定当前用户的健康画像准确度，可以基于已有数据确定未知数据，降低了数据处理的难度。

基于知识图谱预测用户的健康状况，可以更有效的将与用户健康状况相关的信息（如用户的生活习惯等）进行关联，使预测依据更加全面充分，从而使预测结果更加符合用户情况，提高用户健康画像的准确度。

应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程400还可以包括向用户展示健康画像。

图6是根据本说明书一些实施例所示的生成用户的健康画像方法的确定健康画像的准确度的示意图。

在一些实施例中，健康画像的准确度包括用户健康知识图谱中的各个健康关注点的准确度。在一些实施例中，可以基于用户健康知识图谱中各个健康关注点的准确度及权重，确定用户健康画像的准确度。

健康关注点的准确度是指健康预测模型预测的健康关注点健康状况信息、风险隐患信息的准确度。例如，模型预测的用户心脏健康状况信息、风险隐患信息的准确度。

在一些实施例中，可以基于多种方式确定健康关注点的准确度。例如，可以基于健康关注点的数据的准确度确定该健康关注点的准确度。又例如，可以基于模型确定健康关注点的准确度。

在一些实施例中，可以基于健康预测模型的准确度确定健康关注点的准确度，如将健康预测模型的准确度作为健康关注点的准确度。

在一些实施例中，可以基于健康预测模型输出结果的置信度确定健康预测模型的准确度。例如，直接将模型输出结果的置信度作为健康预测模型的准确度，示例性的，将健康预测模型输出的心脏节点的健康状况预测信息、风险预测信息的置信度（如95%）作为健康预测模型的准确度。在一些实施例中，健康预测模型输出结果的置信度与模型的输入数据相关联，模型输入的数据不同，输出的结果的置信度也可能不同。

在一些实施例中，可以基于健康预测模型的准确率确定健康预测模型的准确度。例如，直接将模型的准确率作为模型的准确度，其中，模型的准确率公式为：ACC = (TP+TN)/(TP+TN+FP+FN)，其中，TP为被模型预测为正的正样本，TN为被模型预测为负的负样本，FP为被模型预测为正的负样本，FN为被模型预测为负的正样本。

基于健康预测模型输出结果的置信度确定健康关注点的准确度，用户不同模型输出结果的置信度也不同，使确定的准确度更符合每个用户的健康情况。

权重是指健康关注点对用户整体身体健康状况的影响程度。例如，心脏健康状况对用户整体身体健康的影响程度。每个健康关注点对用户整体身体健康的影响程度可以不同，即权重值可以不同，所有权重之和为1。

健康画像的准确度是指生成的用户健康画像的可信程度。关于健康画像的准确度的更多说明参见图3。

在一些实施例中，可以基于健康关注点的准确度确定用户健康画像的准确度。例如，可以将各个健康关注点的准确度与对应权重相乘，基于相乘结果的和确定健康画像的准确度。例如，直接将加权求和结果作为健康画像的准确度。

在一些实施例中，可以将基于同类用户确定的健康画像准确度、与基于健康关注点确定的健康画像的准确度进行加权求和，得到用户健康画像的准确度。其中，权重可以提前预设，权重值之和为1。

将两种方法确定的准确度进行加权求和，使得到的最终的健康画像准确度更加精准。

在一些实施例中，可以基于获取的验证数据，验证健康画像的准确度。在一些实施例中，验证数据可以包括区域居民的健康等级、各类疾病的患病率、死亡率等中的至少一个。

在一些实施例中，可以基于当前区域居民的健康等级、各类疾病的患病率、死亡率等中的至少一个，与历史时刻区域居民的健康等级、各类疾病的患病率、死亡率等中的至少一个对比，将对比结果作为验证数据。例如，可以将当前区域居民心脏病的患病率与历史时刻区域居民心脏病的患病率做对比，若低于历史时刻患病率，说明健康画像对心脏病预防干预有效。

通过验证数据对健康画像的准确度进行验证，可以直观的看到健康画像对疾病预防的有效性。还可以确定健康画像对每类疾病的效果，对效果不明显的疾病类型进行原因分析，找出可能忽略的疾病诱因，为用户提供更加可靠准确的疾病预防干预措施。

通过确定各个健康关注点的准确度，可以知道用户每个健康关注点的健康状况信息、风险隐患信息是否可靠。同时，通过各个健康关注点加权求和得到用户健康画像的准确度，考虑了每个健康关注点对整体身体健康的影响，由此确定的健康画像准确度更加合理可靠。

本说明书一些实施例还公开了一种装置，包括处理器，所述处理器用于执行所述生成用户健康画像的方法。

本说明书一些实施例还公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行所述生成用户健康画像的方法。

（1）基于用户的健康数据、生活习惯数据、环境数据等确定用户的画像，并将健康画像展示给用户。用户不仅可以基于健康画像了解自己的健康状况，还可以了解到身体可能存在的风险隐患信息、及对应的干预措施，更便于用户根据健康画像调整生活习惯等，加强疾病预防干预能力。（2）基于知识图谱预测用户的健康状况，可以更有效的将与用户健康状况相关的信息（如用户的生活习惯等）进行关联，使预测依据更加全面充分，从而使预测结果更加符合用户情况，提高用户健康画像的准确度。（3）通过验证数据验证健康画像的准确度，可以发现健康画像可能存在的漏洞，以及时避免，提高健康画像的有效性。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种生成用户的健康画像的方法，包括

获取用户数据，所述用户数据包括用户基本信息、健康数据、生活习惯数据、环境数据中至少一种；

基于所述用户数据生成用户的健康画像并确定所述健康画像的准确度；所述健康画像包括当前健康状况、风险隐患、预防干预措施中至少一种；

响应于接收到的用户查询指令，将所述健康画像反馈至用户终端。

2.根据权利要求1所述的方法，所述基于所述用户数据生成用户的健康画像包括：

基于所述健康数据确定所述用户的当前健康状况及风险隐患；

基于所述生活习惯数据、所述环境数据及所述当前健康状况、所述风险隐患确定所述预防干预措施。

3.根据权利要求1所述的方法，所述基于所述用户数据生成用户的健康画像包括：

获取用户健康知识图谱；所述用户健康知识图谱基于所述用户数据生成；所述用户健康知识图谱的节点包括：用户节点、健康关注点、健康关注点辅助信息点；所述用户健康知识图谱的边包括第一类边、第二类边、第三类边；所述第一类边用于连接所述用户节点与所述健康关注点，所述第二类边用于连接所述健康关注点与所述健康关注点辅助信息点，所述第三类边用于连接所述健康关注点与所述健康关注点；

基于健康预测模型对所述用户健康知识图谱的处理，确定所述用户的当前健康状况预测信息、风险隐患预测信息；所述健康预测模型为机器学习模型；

基于所述当前健康状况预测信息、所述风险隐患预测信息确定所述预防干预措施并生成用户的所述健康画像。

4.根据权利要求3所述的方法，所述健康画像的准确度包括所述用户的所述用户健康知识图谱中的所述健康关注点的准确度；

确定所述健康画像的准确度包括：

基于所述用户的所述用户健康知识图谱中的所述健康关注点的准确度及权重，确定所述健康画像的准确度。

5.一种生成用户的健康画像的系统，包括

获取模块，用于获取用户数据，所述用户数据包括用户基本信息、健康数据、生活习惯数据、环境数据中至少一种；

生成模块，用于基于所述用户数据生成用户的健康画像并确定所述健康画像的准确度；所述健康画像包括当前健康状况、风险隐患、预防干预措施中至少一种；

反馈模块，用于响应于接收到的用户查询指令，将所述健康画像反馈至用户终端。

6.根据权利要求5所述的系统，其特征在于，所述生成模块还用于：

基于所述健康数据确定所述用户的当前健康状况及风险隐患；

基于所述生活习惯数据、所述环境数据及所述当前健康状况、所述风险隐患确定所述预防干预措施。

7.根据权利要求5所述的系统，其特征在于，所述生成模块还用于：

获取用户健康知识图谱；所述用户健康知识图谱基于所述用户数据生成；所述用户健康知识图谱的节点包括：用户节点、健康关注点、健康关注点辅助信息点；所述用户健康知识图谱的边包括第一类边、第二类边、第三类边；所述第一类边用于连接所述用户节点与所述健康关注点，所述第二类边用于连接所述健康关注点与所述健康关注点辅助信息点，所述第三类边用于连接所述健康关注点与所述健康关注点；

基于健康预测模型对所述用户健康知识图谱的处理，确定所述用户的当前健康状况预测信息、风险隐患预测信息；所述健康预测模型为机器学习模型；

基于所述当前健康状况预测信息、所述风险隐患预测信息确定所述预防干预措施并生成用户的所述健康画像。

8.根据权利要求7所述的系统，其特征在于，所述健康画像的准确度包括所述用户的所述用户健康知识图谱中的所述健康关注点的准确度；

所述生成模块进一步用于：

基于所述用户的所述用户健康知识图谱中的所述健康关注点的准确度及权重，确定所述健康画像的准确度。

9.一种生成用户的健康画像的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~4中任意一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1~4任意一项所述的方法。

Images