CN115719644A - 状态预测方法、装置及电子设备 - Google Patents
状态预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115719644A CN115719644A CN202110974892.5A CN202110974892A CN115719644A CN 115719644 A CN115719644 A CN 115719644A CN 202110974892 A CN202110974892 A CN 202110974892A CN 115719644 A CN115719644 A CN 115719644A
- Authority
- CN
- China
- Prior art keywords
- information
- state
- target object
- physical examination
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种状态预测方法、装置及电子设备,所述方法包括:获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;获取所述目标对象对应的第一状态预测信息;获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。本公开实施例能够提高状态预测的效率且能够提高状态预测的准确性。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种状态预测方法、装置及电子设备。
背景技术
在医学领域中,针对目标对象的状态预测是一个具有前瞻性和重大现实意义的研究任务。目前,在进行状态预测时,通常是获取用户填写的问卷信息,专家人工对用户填写的问卷信息进行分析,得到用户的状态预测信息。然而,现有的状态预测,需要专家一一对用户的问卷信息进行分析,效率较低。
发明内容
本公开实施例提供一种状态预测方法、装置及电子设备,以解决现有技术中需要专家一一对用户的问卷信息进行分析,效率较低的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本公开实施例提供了一种状态预测方法,所述方法包括:
获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;
获取所述目标对象对应的第一状态预测信息;
获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;
获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;
依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
第二方面,本公开实施例提供了一种状态预测装置,所述装置包括:
第一获取模块,用于获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;
第二获取模块,用于获取所述目标对象对应的第一状态预测信息;
第三获取模块,用于获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;
第四获取模块,用于获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;
预测模块,用于依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
第三方面,本公开实施例提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现如第一方面所述的状态预测方法中的步骤。
第四方面,本公开实施例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上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的状态预测方法中的步骤。
本公开实施例中,获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;获取所述目标对象对应的第一状态预测信息;获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。这样,不需要专家一一对用户的问卷信息分析进行状态预测,能够提高状态预测的效率;且能够避免从利用单一维度的信息对用户进行状态预测,能够提高状态预测的准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种状态预测方法的流程图;
图2是本公开实施例提供的一种状态预测装置的结构示意图;
图3是本公开实施例提供的另一种状态预测装置的结构示意图;
图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本公开实施例中,电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载移动终端、可穿戴设备、以及计步器等。
参见图1,图1是本公开实施例提供的一种状态预测方法的流程图,如图1所示,包括以下步骤:
步骤101、获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况。
其中,所述目标对象可以为人。所述问卷可以包括针对多个疾病的子问卷。示例地,所述问卷可以包括针对慢性阻塞性肺部疾病,偏头痛,骨质疏松(女性),脑卒中,糖尿病,高血压,高尿酸,高血脂等的子问卷。
示例地,针对高血糖的子问卷可以如下:
您的空腹血糖(Glu)(6.1000<=取值<=6.9000,7.0000<=取值<=30.0000);
您目前是否患有高血压(收缩压≥140mmHg和/或舒张压≥90mmHg);
若您的家庭成员中有人曾患有糖尿病,请在相应的选项前划勾;
您是否常食用高脂食品(如肥肉、蛋黄、猪脑、蟹黄等高胆固醇类食物);
如果您参加锻炼,您目前的锻炼频度?(大于等于3次/周,小于3次/周)。
步骤102、获取所述目标对象对应的第一状态预测信息。
其中,第一状态预测信息可以为采用预设规则对目标对象进行预测得到的状态预测信息,预设规则可以为预先设定的规则,或者可以为采用多种细分领域的权威指南抽象出来的规则;或者,第一状态预测信息可以为前一次预测得到的第二状态预测信息;或者,第一状态预测信息可以为历史预测得到的第二状态预测信息的均值。
步骤103、获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征。
其中,可以获取所述目标对象在至少一个维度的特征数据,所述特征数据包括消费行为数据、体征数据、诊断数据、运动数据及饮食数据等等,所述目标对象对应的标签信息包括所述目标对象在至少一个维度的特征数据。
步骤104、获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态。
其中,体检信息可以包括多个体检项的体检结果。可以对目标对象建立状态档案,从而可以对目标对象的状态情况进行常态化跟踪和记录,可以从目标对象对应的状态档案中获取目标对象对应的状态档案信息。将历史状态用于状态预测,能够保证状态预测数据的深度和广度。状态档案信息可以包括身高、体重或血压值等。
步骤105、依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
其中,所述第二状态预测信息可以包括目标对象的生理指标,例如,目标对象的体重或身高等;和/或,所述第二状态预测信息还可以包括状态等级,该状态等级可以用于评估目标对象是否合适参与某个项目,示例地,状态等级可以包括优秀、良好、较差及差等,从而可以从多个维度衡量目标对象是否满足该项目的要求;和/或,所述第二状态预测信息还可以包括未来患某种疾病的概率,从而目标对象可以依据第二状态预测信息对生活习惯进行改进;等等,本实施例对此不进行限定。
另外,可以将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息;或者,可以针对所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息,采用预设预测规则进行预测,得到目标对象的第二状态预测信息。
本公开实施例中,获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;获取所述目标对象对应的第一状态预测信息;获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。这样,不需要专家一一对用户的问卷信息分析进行状态预测,能够提高状态预测的效率;且能够避免从利用单一维度的信息对用户进行状态预测,能够提高状态预测的准确性。
可选的,所述依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息,包括:
将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息。
其中,所述神经网络模型的输出可以为所述第二状态预测信息,或者,所述神经网络模型的输出可以为多个预设信息的概率值,可以将概率值最大的预设信息确定为第二状态预测信息。
另外,可以将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积输入用于预测状态的神经网络模型进行预测,其中,所述第一向量用于表征所述问卷信息,所述第二向量用于表征所述第一状态预测信息,所述第三向量用于表征所述标签信息,所述第四向量用于表征所述体检信息,所述第五向量用于表征所述状态档案信息;或者,可以将第一向量、第二向量、第三向量、第四向量及第五向量归一化后累加,输入用于预测状态的神经网络模型进行预测;或者,可以将第一向量、第二向量、第三向量、第四向量及第五向量进行拼接,将拼接得到的向量输入用于预测状态的神经网络模型进行预测;等等,本实施例对此不进行限定。
需要说明的是,在采用神经网络模型进行状态预测之前,可以采用训练样本对所述神经网络模型进行训练。若训练样本中某一类样本的数量较少时,为使训练样本较为均衡,对于该类样本可以采用生成对抗网络生成逼真的样本。
该实施方式中,将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息,这样,通过用于预测状态的神经网络模型进行预测,能够进一步提高状态预测的效率和准确性。
可选的,所述将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,包括:
将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积输入用于预测状态的神经网络模型进行预测;
其中,所述第一向量用于表征所述问卷信息,所述第二向量用于表征所述第一状态预测信息,所述第三向量用于表征所述标签信息,所述第四向量用于表征所述体检信息,所述第五向量用于表征所述状态档案信息。
另外,可以将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积归一化后累加,输入用于预测状态的神经网络模型进行预测;或者,可以将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积进行拼接,将拼接得到的向量输入用于预测状态的神经网络模型进行预测。
需要说明的是,第一预设系数、第二预设系数、第三预设系数、第四预设系数及第五预设系数可以均不相同,或者,可以部分相同。作为一种实施方式,第一预设系数、第二预设系数、第三预设系数、第四预设系数及第五预设系数的和可以为1。示例地,第一预设系数可以为0.2,第二预设系数可以为0.3,第三预设系数可以为0.1,第四预设系数可以为0.3,第五预设系数可以为0.1。
该实施方式中,将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积输入用于预测状态的神经网络模型进行预测,这样,问卷信息、第一状态预测信息、标签信息、体检信息和状态档案信息在进行状态预测的过程中所占的比重不同,从而能够对重要维度的信息设置较大的比重,从而能够进一步提高状态预测的准确性。
可选的,所述获取所述目标对象对应的标签信息之前,所述方法还包括:
获取所述目标对象在至少一个维度的特征数据,所述特征数据包括消费行为数据、体征数据、诊断数据、运动数据及饮食数据中的至少一项;
其中,所述目标对象对应的标签信息包括所述目标对象在至少一个维度的特征数据。
另外,消费行为数据可以为目标对象日常消费的数据,示例地,可以从目标对象的手机上依据目标对象的支付行为获取目标对象的消费行为数据。体征数据可以包括体温、脉搏、呼吸及血压等数据。诊断数据可以包括目标对象进行诊断得到的数据。运动数据可以包括目标对象日常运动的相关数据。饮食数据可以包括目标对象日常饮食的相关数据。
该实施方式中,获取所述目标对象在至少一个维度的特征数据,所述特征数据包括消费行为数据、体征数据、诊断数据、运动数据及饮食数据中的至少一项;其中,所述目标对象对应的标签信息包括所述目标对象在至少一个维度的特征数据。这样,能够从多个维度获取目标对象的标签信息,从而能够进一步提高状态预测的准确性。
可选的,所述体检信息包括第一体检项的体检结果,所述状态档案信息记载有针对所述第一体检项的历史检查结果,所述针对所述第一体检项的历史检查结果为体检之前的预设时长内针对所述第一体检项进行检查的检查结果;
所述依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息,包括:
在所述第一体检项的体检结果与针对所述第一体检项的历史检查结果不匹配的情况下,对所述体检信息中的第一体检项的体检结果进行纠正,得到纠正后的体检信息;
依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述纠正后的体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
其中,第一体检项可以为体检中的任意一项,示例地,可以为血压。预设时长可以为24小时,48小时,72小时或者240小时等等,本实施例对此不进限定。所述第一体检项的体检结果与针对所述第一体检项的历史检查结果不匹配,可以是,所述第一体检项的体检结果与针对所述第一体检项的历史检查结果不一致。历史检查结果可以包括多次检查结果,该多次检查结果中a次的检查结果一致,b次的检查结果与a次的不同,若a大于b,则可以将该a次的检查结果确定为针对所述第一体检项的历史检查结果。对所述体检信息中的第一体检项的体检结果进行纠正,可以是将该(a+b)次的检查结果求均值作为第一体检项的体检结果。
该实施方式中,在体检结果与历史检查结果不匹配的情况下,对所述体检信息中的第一体检项的体检结果进行纠正,依据问卷信息、第一状态预测信息、标签信息、纠正后的体检信息和状态档案信息预测所述目标对象的第二状态预测信息,避免将偏差较大的体检结果引入状态预测,能够进一步提高状态预测的准确性。
参见图2,图2是本公开实施例提供的一种状态预测装置的结构示意图,如图2所示,所述状态预测装置200包括:
第一获取模块201,用于获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;
第二获取模块202,用于获取所述目标对象对应的第一状态预测信息;
第三获取模块203,用于获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;
第四获取模块204,用于获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;
预测模块205,用于依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
可选的,所述预测模块205具体用于:
将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息。
可选的,所述预测模块205具体用于:
将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积输入用于预测状态的神经网络模型进行预测,其中,所述第一向量用于表征所述问卷信息,所述第二向量用于表征所述第一状态预测信息,所述第三向量用于表征所述标签信息,所述第四向量用于表征所述体检信息,所述第五向量用于表征所述状态档案信息;
基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息。
可选的,如图3所示,所述装置200还包括:
第五获取模块206,用于获取所述目标对象在至少一个维度的特征数据,所述特征数据包括消费行为数据、体征数据、诊断数据、运动数据及饮食数据中的至少一项;
其中,所述目标对象对应的标签信息包括所述目标对象在至少一个维度的特征数据。
可选的,所述体检信息包括第一体检项的体检结果,所述状态档案信息记载有针对所述第一体检项的历史检查结果,所述针对所述第一体检项的历史检查结果为体检之前的预设时长内针对所述第一体检项进行检查的检查结果;
所述预测模块205具体用于:
在所述第一体检项的体检结果与针对所述第一体检项的历史检查结果不匹配的情况下,对所述体检信息中的第一体检项的体检结果进行纠正,得到纠正后的体检信息;
依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述纠正后的体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
状态预测装置能够实现图1的方法实施例中实现的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
如图4所示,本发明实施例还提供了一种电子设备300,包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的程序,所述程序被所述处理器301执行时实现上述状态预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述状态预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本公开各个实施例所述的方法。
上面结合附图对本公开的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种状态预测方法,其特征在于,所述方法包括:
获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;
获取所述目标对象对应的第一状态预测信息;
获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;
获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;
依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
2.根据权利要求1所述的方法,其特征在于,所述依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息,包括:
将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息。
3.根据权利要求2所述的方法,其特征在于,所述将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,包括:
将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积输入用于预测状态的神经网络模型进行预测;
其中,所述第一向量用于表征所述问卷信息,所述第二向量用于表征所述第一状态预测信息,所述第三向量用于表征所述标签信息,所述第四向量用于表征所述体检信息,所述第五向量用于表征所述状态档案信息。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标对象对应的标签信息之前,所述方法还包括:
获取所述目标对象在至少一个维度的特征数据,所述特征数据包括消费行为数据、体征数据、诊断数据、运动数据及饮食数据中的至少一项;
其中,所述目标对象对应的标签信息包括所述目标对象在至少一个维度的特征数据。
5.根据权利要求1所述的方法,其特征在于,所述体检信息包括第一体检项的体检结果,所述状态档案信息记载有针对所述第一体检项的历史检查结果,所述针对所述第一体检项的历史检查结果为体检之前的预设时长内针对所述第一体检项进行检查的检查结果;
所述依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息,包括:
在所述第一体检项的体检结果与针对所述第一体检项的历史检查结果不匹配的情况下,对所述体检信息中的第一体检项的体检结果进行纠正,得到纠正后的体检信息;
依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述纠正后的体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
6.一种状态预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标对象针对问卷填写的问卷信息,所述问卷用于调查所述目标对象的疾病状况;
第二获取模块,用于获取所述目标对象对应的第一状态预测信息;
第三获取模块,用于获取所述目标对象对应的标签信息,所述标签信息用于指示所述目标对象在至少一个维度的行为特征;
第四获取模块,用于获取所述目标对象对应的体检信息和状态档案信息,所述状态档案信息用于记录所述目标对象的历史状态;
预测模块,用于依据所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息预测所述目标对象的第二状态预测信息。
7.根据权利要求6所述的装置,其特征在于,所述预测模块具体用于:
将所述问卷信息、所述第一状态预测信息、所述标签信息、所述体检信息和所述状态档案信息输入用于预测状态的神经网络模型进行预测,基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息。
8.根据权利要求7所述的装置,其特征在于,所述预测模块具体用于:
将第一预设系数与第一向量的乘积、第二预设系数与第二向量的乘积、第三预设系数与第三向量的乘积、第四预设系数与第四向量的乘积、第五预设系数与第五向量的乘积输入用于预测状态的神经网络模型进行预测,其中,所述第一向量用于表征所述问卷信息,所述第二向量用于表征所述第一状态预测信息,所述第三向量用于表征所述标签信息,所述第四向量用于表征所述体检信息,所述第五向量用于表征所述状态档案信息;
基于所述神经网络模型的输出确定所述目标对象的第二状态预测信息。
9.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现如权利要求1至5中任一项所述的状态预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的状态预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974892.5A CN115719644A (zh) | 2021-08-24 | 2021-08-24 | 状态预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974892.5A CN115719644A (zh) | 2021-08-24 | 2021-08-24 | 状态预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115719644A true CN115719644A (zh) | 2023-02-28 |
Family
ID=85253438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110974892.5A Pending CN115719644A (zh) | 2021-08-24 | 2021-08-24 | 状态预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719644A (zh) |
-
2021
- 2021-08-24 CN CN202110974892.5A patent/CN115719644A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guolo et al. | Random-effects meta-analysis: the number of studies matters | |
US11562222B2 (en) | Systems and methods of identity analysis of electrocardiograms | |
CN108348172B (zh) | 一种用于血压监测的系统和方法 | |
Jeong et al. | Combined deep CNN–LSTM network-based multitasking learning architecture for noninvasive continuous blood pressure estimation using difference in ECG-PPG features | |
EP2817736B1 (en) | System and method for estimation of missing data in a multivariate longitudinal setup | |
US20190026430A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
JP7139795B2 (ja) | 介入内容推定装置、方法およびプログラム | |
Chen et al. | Automated video exposure assessment of repetitive hand activity level for a load transfer task | |
JP2008242963A (ja) | 健康分析表示方法及び健康分析表示装置 | |
US20220165417A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
CN108847284B (zh) | 人体生物年龄测算装置及系统 | |
Zhu et al. | Fusing continuous-valued medical labels using a Bayesian model | |
CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
CN113539400A (zh) | 一种受试者大数据管理方法、系统及电子设备 | |
Molléro et al. | Population‐based priors in cardiac model personalisation for consistent parameter estimation in heterogeneous databases | |
US8666766B2 (en) | System and methods for simulating future medical episodes | |
CN115719644A (zh) | 状态预测方法、装置及电子设备 | |
CN113936771B (zh) | 一种健康指标目标的迭代生成方法及装置 | |
JP4499542B2 (ja) | 医療情報処理装置、および、プログラム | |
WO2021209525A1 (en) | Determining a medical professional having experience relevant to a medical procedure | |
CN112967802A (zh) | 估计生理年龄的线性融合模型训练、年龄估计方法和装置 | |
Goldhaber-Fiebert et al. | Modeling and calibration for exposure to time-varying, modifiable risk factors: the example of smoking behavior in India | |
Augustyniak | Request-driven ECG interpretation based on individual data validity periods | |
US20200321128A1 (en) | Data processing device, data processing method and non-transitory storage medium storing data processing program | |
JP2011257816A (ja) | 受診者状態推定装置及びプログラム |
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 |