WO2024018263A1 - 生活行为推荐信息的推送方法、装置、介质及电子设备 - Google Patents
生活行为推荐信息的推送方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- WO2024018263A1 WO2024018263A1 PCT/IB2022/056734 IB2022056734W WO2024018263A1 WO 2024018263 A1 WO2024018263 A1 WO 2024018263A1 IB 2022056734 W IB2022056734 W IB 2022056734W WO 2024018263 A1 WO2024018263 A1 WO 2024018263A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- user
- risk
- life behavior
- recommendation information
- life
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000006399 behavior Effects 0.000 claims description 206
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 117
- 201000010099 disease Diseases 0.000 claims description 115
- 230000004044 response Effects 0.000 claims description 73
- 230000000694 effects Effects 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 230000005585 lifestyle behavior Effects 0.000 claims description 9
- 235000005911 diet Nutrition 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000037213 diet Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000020595 eating behavior Effects 0.000 claims description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 16
- 235000000346 sugar Nutrition 0.000 description 9
- 208000005718 Stomach Neoplasms Diseases 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 206010017758 gastric cancer Diseases 0.000 description 5
- 201000011549 stomach cancer Diseases 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 206010009944 Colon cancer Diseases 0.000 description 2
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 235000005254 Allium ampeloprasum Nutrition 0.000 description 1
- 240000006108 Allium ampeloprasum Species 0.000 description 1
- 240000007087 Apium graveolens Species 0.000 description 1
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 1
- 235000010591 Appio Nutrition 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 235000000832 Ayote Nutrition 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 241000219122 Cucurbita Species 0.000 description 1
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 235000021061 dietary behavior Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 235000020979 dietary recommendations Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000012907 honey Nutrition 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
- 230000004060 metabolic process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000021075 protein intake Nutrition 0.000 description 1
- 235000015136 pumpkin Nutrition 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000001366 vegetable intake Nutrition 0.000 description 1
- 235000020985 whole grains Nutrition 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
Definitions
- the present invention relates to the technical field of data processing, and in particular, to a method, device, medium and electronic device for pushing lifestyle behavior recommendation information.
- BACKGROUND OF THE INVENTION Lifestyle in a narrow sense refers to the daily activities of individuals and their families, including clothing, food, housing, transportation, and the use of leisure time. Broadly speaking, it refers to the sum of the typical ways and characteristics of all people's life activities, including working life, consumption life, spiritual life and other activities. With the diversification of lifestyles, many unhealthy lifestyles have gradually affected users' health. How to effectively and timely intervene in lifestyles is an urgent problem that needs to be solved.
- the present invention provides a method, device, medium and electronic device for pushing lifestyle behavior recommendation information, so as to at least solve the problem of increasing user risk of illness due to unhealthy lifestyle habits.
- the present invention provides a method for pushing life behavior recommendation information.
- the method includes: obtaining the user's physical state information and life behavior data; predicting the type of group of people to which the user belongs based on the physical state information and the life behavior data. ; Determine the life behavior recommendation information corresponding to the user according to the group type to which the user belongs and the life behavior data; Determine the sending time of the life behavior recommendation information, and send the life behavior recommendation information at the sending time sent to said user.
- the life behavior data includes one or more of diet behavior, exercise behavior, and work and rest behaviors; the life behavior recommendation information includes one or more of a diet plan, an exercise plan, and a work and rest plan. kind.
- predicting the type of group of people to which the user belongs based on the physical state information and the life behavior data includes: predicting the user's disease based on the physical state information and the life behavior data. The degree of disease risk and the corresponding disease type; predicting the type of population to which the user belongs based on the user's degree of disease risk and corresponding disease type.
- determining the user's disease risk and corresponding disease type based on the physical state information and the life behavior data includes: combining the physical state information and the life behavior data.
- the risk level corresponding to the risk probability of the user suffering from any one or more diseases is determined based on the preset mapping relationship between the risk probability of each disease and the risk level of the disease, including: : Compare the risk probability of the user suffering from any one or more diseases with the probability intervals corresponding to different risk levels of suffering from the disease; wherein the different risk levels include high risk, medium risk and low risk.
- determining the sending time of the life behavior recommendation information includes: obtaining historical responses to the life behavior recommendation information by multiple users in the group type to which the user belongs within a historical time period.
- Behavior data wherein the historical response behavior data includes: the response time, response duration and activity level of each user among the multiple users to the life behavior recommendation information, and the activity level represents the user's response to the life behavior recommendation information.
- determining the sending time of the life behavior recommendation information based on the historical response behavior data includes: counting the response time of each user among the multiple users to the life behavior recommendation information, Determine the time interval to which each response time belongs, and determine the number of users in each time interval; Prioritize the time intervals according to the number of users in each time interval; According to each user among the multiple users The response duration and the activity level determine the push frequency of the life behavior recommendation information; and the sending time of the life behavior recommendation information is determined sequentially according to the prioritized time interval and the push frequency.
- determining the push frequency of the life behavior recommendation information based on the response duration and the activity level of each user among the multiple users includes: establishing a response for each user among the multiple users.
- the present invention provides a device for pushing life behavior recommendation information.
- the device includes: an acquisition module, used to obtain the user's body state information and life behavior data; a prediction module, used to obtain the user's body state information and life behavior data according to the body state information and the life behavior data.
- the life behavior data predicts the type of group of people to which the user belongs; a determination module, used to determine the life behavior recommendation information corresponding to the user according to the type of group of people to which the user belongs and the life behavior data; a sending module, used to determine the The sending time of the life behavior recommendation information, and the life behavior recommendation information is sent to the user at the sending time.
- the present invention provides a computer-readable storage medium, the storage medium stores a computer program, and the computer program is used to execute the method for pushing life behavior recommendation information according to the present invention.
- the present invention provides an electronic device, including: a processor; a memory for storing executable instructions by the processor; the processor, for reading the executable instructions from the memory, and The instructions are executed to implement the method for pushing life behavior recommendation information according to the present invention.
- the user's physical state information and life behavior data are first obtained, and then the type of group of people to which the user belongs is predicted based on the user's physical state information and life behavior data, and further determined based on the type of group of people and life behavior data to which the user belongs.
- Life behavior recommendation information is sent to the user according to the determined sending time of the life behavior recommendation message, so as to remind the user that they can eat, exercise or rest according to the life behavior recommendation information, so as to avoid increasing the risk of illness due to unhealthy living habits. disease risk. Therefore, in the technical solution provided by the present invention, the user's physical status information and life behavior data are comprehensively considered to push personalized life behavior recommendation information to the user, which can timely and effectively respond to the user's needs. Monitor and remind people about their lifestyle, thereby reducing the risk of illness caused by unhealthy lifestyle habits.
- Figure 1 shows a schematic flowchart of a method for pushing lifestyle behavior recommendation information provided by an embodiment of the present invention
- Figure 2 shows a schematic flowchart of predicting the type of crowd to which a user belongs provided by an embodiment of the present invention
- Figure 3 shows a schematic flowchart of determining a user's disease risk and corresponding disease type provided by an embodiment of the present invention
- Figure 4 shows a process of determining a user suffering from any one or more types of diseases provided by an embodiment of the present invention.
- FIG. 5 shows a schematic flowchart of determining the sending time of life behavior recommendation information provided by an embodiment of the present invention
- Figure 6 shows a schematic flowchart of determining the sending time of life behavior recommendation information provided by an embodiment of the present invention.
- Figure 7 shows a schematic flow chart for determining the push frequency of life behavior recommendation information provided by an embodiment of the present invention
- Figure 8 shows a method provided by the present invention. Structural diagram of a push device for life behavior recommendation information.
- FIG. 1 shows a schematic flowchart of a method for pushing life behavior recommendation information provided by an embodiment of the present invention.
- the method includes: Step S101. Obtain the user's physical status information and life behavior data.
- the user's physical status information includes the user's basic information, physiological information, and disease-related test data.
- the user's basic information includes the user's name, age, height, and body shape; the user's physiological information includes disease history, family history, etc.
- the user's physical status information can be obtained from the hospital database after data compliance, or the user can fill in a questionnaire related to the physical status information, and obtain the user's physical status information by analyzing the questionnaire.
- the method of obtaining the physical status information of the present invention is different. Make specific restrictions.
- Life behavior data includes the user's diet data, exercise data, work and rest data and other lifestyle data related to the user's behavior, such as the user's sleep pattern, sleep time, smoking data, alcohol consumption, sugar intake, protein intake, and vegetable intake.
- the user's daily behavior can be collected through a detection device equipped with sensors to obtain the life behavior data; or, the user can be provided with an information input window through a computer client or mobile device client to obtain the user's daily behavior data. Behavioral data entered in said window.
- physiological information in the body status information may be different from the data in the hospital database, for example, the user's blood pressure will be different at different times, so physiological information such as blood pressure, heart rate, etc. can be detected through detection equipment. Collection and acquisition, thereby improving the accuracy of the user's physical status information.
- the user's behavioral data such as living habits, dietary data, and exercise data
- Using this method can improve the accuracy and efficiency of behavioral data collection, because when users fill in questionnaire forms related to behavioral data, staff need to enter the data content filled in the questionnaire again, which will increase the number of users.
- data input errors may occur during the input process, resulting in a decrease in the accuracy of behavioral data.
- Step S102 Predict the group type to which the user belongs based on the physical state information and the life behavior data.
- crowd types are used to predict the user's risk of suffering from a certain disease based on the user's physical status information and life behavior data, and then classify the types according to different risk levels.
- predicting the user's risk of suffering from a certain disease is only to predict the existing risk based on body status information and life behavior data, so as to encourage users to reduce the risk of disease through changes in life behavior, thereby helping users develop healthy living behaviors and Habit.
- Step S103 Determine the life behavior recommendation information corresponding to the user according to the group type to which the user belongs and the life behavior data.
- Life behavior recommendation information includes one or more of a diet plan, an exercise plan, and a work and rest plan.
- Life behavior recommendation information can be generated for users based on a machine learning model or based on medical knowledge and expert experience, or a combination of a machine learning model, medical knowledge and expert experience.
- the diet plan is: Users at high risk of diabetes should strictly limit their sugar intake and do not eat sugar, candies, honey, sugary drinks, etc., because these sugars are easily absorbed by the body and increase blood sugar. Increase the burden on the pancreas, thereby aggravating the condition. Dietary recommendations are: It is recommended to eat whole grains regularly. For example, you can choose whole wheat foods. Whole wheat foods are rich in trace elements. Long-term consumption will not increase blood sugar.
- Step S104 Determine the sending time of the life behavior recommendation information, and send the life behavior recommendation information to the user at the sending time.
- the user's physical state information and life behavior data are first obtained, and then the type of group of people to which the user belongs is predicted based on the user's physical state information and life behavior data, and further determined based on the type of group of people and life behavior data to which the user belongs.
- Life behavior recommendation information is sent to the user according to the determined sending time of the life behavior recommendation message, so as to remind the user that they can eat, exercise or rest according to the life behavior recommendation information, so as to avoid increasing the risk of illness due to unhealthy living habits. disease risk.
- the user's physical status information and life behavior data are comprehensively considered to push personalized life behavior recommendation information to the user, which can monitor and remind the user's lifestyle in a timely and effective manner, thereby reducing Unhealthy lifestyle habits increase the risk of disease.
- Figure 2 is a schematic flow chart for predicting the type of crowd to which the user belongs.
- predicting the type of crowd to which the user belongs based on the physical state information and the life behavior data includes: Step S201.
- the physical state information and the life behavior data predict the user's disease risk and corresponding disease types;
- Step S202 Predict the group of people to which the user belongs based on the user's disease risk and corresponding disease types. type.
- disease types include atherosclerotic cardiovascular disease, diabetes, hypertension, breast cancer, colorectal cancer, Liver cancer, lung cancer, stomach cancer, etc.
- the classification of disease risk levels includes high risk, medium risk and low risk, and can also be a more detailed classification type, which is not limited by the present invention.
- Population types are divided according to the user's risk of suffering from a certain disease, such as high-risk users for diabetes, medium-risk users for diabetes, low-risk users for diabetes, high-risk users for gastric cancer, medium-risk users for gastric cancer, low-risk users for gastric cancer, etc.
- Figure 3 shows the process of determining the user's risk of disease and the corresponding disease type.
- determining the user's disease risk and corresponding disease type based on the physical state information and the life behavior data includes: Step S301, combining the physical state information and the The life behavior data is input into multiple disease prediction models in sequence to obtain the risk probability that the user suffers from any one or more diseases; Step S302: Mapping the risk probability and disease risk degree of each disease according to the preset relationship to determine the degree of risk corresponding to the risk probability that the user suffers from any one or more diseases. Prediction of the user's risk of suffering from any disease refers to predicting the risk probability of the user suffering from a certain disease in the future period.
- diseases such as diabetes, hypertension, colorectal cancer, and gastric cancer are all prediction targets.
- set a specific time window including the time point at which the prediction is made and the probability of occurrence of the prediction target.
- the user's physical status information and life behavior data are input into various disease prediction models for prediction, and the probability of the user suffering from the corresponding disease risk is obtained.
- the disease prediction model sets the time window to 10 years. After inputting the user's physical status information and life behavior data into the diabetes disease prediction model, the output probability of the user suffering from diabetes in the fifth year is 0.75 o
- Each disease risk level Corresponds to a probability interval.
- the mapping relationship between the risk probability of diabetes and the degree of disease risk is as follows.
- the probability of disease risk is P. If 0.6WPW 1, the degree of disease risk corresponding to the risk probability interval is high risk; if 0.3VPV0 .6, the disease risk corresponding to this risk probability interval is medium risk; if 0WPW0.3, the disease risk corresponding to this risk probability interval is low risk.
- Figure 4 shows a schematic process diagram for determining the risk level corresponding to the user's risk probability of suffering from any one or more diseases; in one example, according to the preset risk probability and disease risk level of each disease The mapping relationship of determines the risk degree corresponding to the risk probability that the user suffers from any one or more diseases, including: Step S401: Compare the risk probability that the user suffers from any one or more diseases with the risk probability of suffering from any one or more diseases.
- Step S402 when the risk probability is determined Within the probability interval corresponding to the high risk level, the risk level of the user suffering from the corresponding disease is predicted to be high risk;
- Step S403 when it is determined that the risk probability is within the probability interval corresponding to the medium risk level, then The risk level of the user suffering from the corresponding disease is predicted to be medium risk;
- Step S404 When it is determined that the risk probability is within the probability interval corresponding to the low risk level, the risk level of the user suffering from the corresponding disease is predicted to be low. risk.
- the output probability of the user's risk of diabetes is 0.65.
- This risk probability is compared with the probability intervals corresponding to different risk levels of the disease. , the probability interval to which 0.65 belongs is 0.6WPW 1 , and the disease risk corresponding to this probability interval is high risk, then it is determined that the user is a high-risk user for diabetes.
- FIG. 5 shows a schematic flowchart of determining the sending time of the life behavior recommendation information
- determining the sending time of the life behavior recommendation information includes: Step S501: Obtaining the user belonging to the historical time period The historical response behavior data of multiple users in the group type who responded to the life behavior recommendation information, wherein the historical response behavior data includes: the response of each user among the multiple users to the life behavior recommendation information time, response duration and activity level.
- the activity level represents the type of interaction method selected by the user when responding to the life behavior recommendation information;
- Step S502 Determine the life behavior recommendation information based on the historical response behavior data.
- Send time Whether the user responds to the recommended life behavior information refers to whether the user responds to the recommended information.
- the user opens the recommended life behavior information it means that the user responds to the recommended information. If the user directly closes the recommended life behavior information, it means that the user has recommended the life behavior information. No response. If the user responds to the recommended information at 20:00, the user's response time is 20:00.
- the response time when the user responds to the life behavior recommendation information refers to the difference between the start time and the end time of the user's response to the life behavior recommendation information. For example, if the user opens the life behavior recommendation information at 19:30 and closes it at 19:35, then the user The response time is 5 minutes.
- the response time is greater than the duration threshold, it indicates that the user is interested in the life behavior recommendation information; if the response time is lower than the duration threshold, it indicates that the user is not interested in the life behavior recommendation information.
- the user's level of activity when responding to life behavior recommendation information is the user's interaction when browsing life behavior recommendation information.
- the interaction methods provided by life behavior recommendation information include one or more of favorites, likes, and comments. For example, some users are accustomed to Browsing only the content of recommended life behavior information indicates that such users are less active; some users collect, like, and comment on the recommended life behavior information when browsing the recommended life behavior information, indicating that such users are responding to life behavior recommendations.
- the activity level is high when the behavior recommends information.
- FIG. 6 shows a schematic flowchart of determining the sending time of life behavior recommendation information based on historical response behavior data
- determining the sending time of the life behavior recommendation information based on the historical response behavior data includes: Step S601: Count the response time of each user among the multiple users to the life behavior recommendation information, determine the time interval to which each response time belongs, and determine the number of users in each time interval; Step S602: According to The number of users in each time interval prioritizes the time intervals; Step S603: Determine the push frequency of the life behavior recommendation information according to the response duration and the activity level of each user among the multiple users; Step S604: Determine the sending time of the life behavior recommendation information in sequence according to the prioritized time interval and the push frequency.
- the lifestyle behavior recommendation information corresponding to users with diabetes risk is different from the lifestyle behavior recommendation information corresponding to users with high blood pressure risk.
- the life behavior recommendation information corresponding to high-risk users, the life behavior recommendation information corresponding to users at medium risk of diabetes, and the life behavior recommendation information corresponding to users at low risk of diabetes are also different. Therefore, the response time of each user among multiple users to the life behavior recommendation information is counted, the sending time of the life behavior recommendation information is determined, and the life behavior recommendation information is pushed to the user at the sending time to ensure timely and effective response. Intervention in the user's lifestyle.
- users 1 to 300 all receive the same life behavior recommendation information, count the response times of 300 users, and then determine the time interval to which the response time belongs, and divide the time by set time intervals, such as 20min, 30min, 40min, 60min, etc. Assuming that 60 minutes is used as the time interval, 24 hours a day is divided into 24 time intervals. If night sleep time is considered, the time interval from 00:00 am to 6:00 am can also be canceled; for example, the user responds to the recommendation message at 19:45 , then the time interval to which the response time belongs is 19:00-20:00. Use a statistical model to determine the number of users in each time interval.
- Table 1 shows the number of users in different time intervals. Determine the sending time of life behavior recommendation information based on the number of users and push frequency in different time intervals. Prioritize the time intervals according to the number of users, and determine the sending time of life behavior recommendation information based on the push frequency and the sorted time interval. Assuming that the push frequency is 1, the time interval with the largest number of users is used as the sending time of recommended information, because according to statistics, users are most likely to respond to recommended messages in this time interval, such as 20:00-21 in Table 1 The time interval of :00 is determined as the sending time of recommended information.
- FIG. 7 is a schematic flowchart of determining the push frequency of life behavior recommendation information; In one example, the push of the life behavior recommendation information is determined based on the response duration and the activity level of each user among the multiple users.
- Step S701 Establish a mapping relationship between the response duration and push frequency of each user among the multiple users, and a mapping relationship between the activity level of each user and push frequency
- Step S702 According to the response duration and push frequency
- the frequency mapping relationship and the mapping relationship between the activity level and the push frequency determine the push frequency of the life behavior recommendation information.
- the mapping relationship between activity level and push frequency for example, is shown in Table 2 below: Table 2 shows the mapping relationship between activity level and push frequency
- Table 2 shows the mapping relationship between activity level and push frequency
- the activity level classification and push frequency in Table 2 are exemplary embodiments of the present invention. It is clear that the activity level can be determined based on the user's operations such as collections, likes, and comments.
- Table 3 shows the mapping relationship between response time and push frequency
- the response duration and push frequency in Table 3 are exemplary descriptions of the present invention.
- the corresponding duration can be determined according to specific life behavior recommendation information. For example, for life behavior recommendation information with less content, the duration threshold should be reduced accordingly.
- Figure 8 shows a device for pushing life behavior recommendation information provided by an embodiment of the present invention.
- the device includes: an acquisition module 801, used to acquire the user's physical status information and life behavior data; a prediction module 802, used to predict the group type to which the user belongs based on the body status information and the life behavior data; Determination module 803, used to determine the user's corresponding type based on the group type to which the user belongs and the life behavior data.
- the sending module 804 is used to determine the sending time of the life behavior recommendation information, and send the life behavior recommendation information to the user at the sending time.
- the life behavior data includes one or more of eating behaviors, exercise behaviors, and work and rest behaviors
- the life behavior recommendation information includes one or more of a diet plan, an exercise plan, and a work and rest plan.
- Kind or variety is possible.
- the prediction module 802 is specifically configured to: predict the user's disease risk level and corresponding disease type based on the physical status information and the life behavior data; and predict the user's disease risk level and corresponding disease type based on the user's disease risk level and The corresponding disease type predicts the type of population to which the user belongs.
- determining the user's disease risk and corresponding disease type based on the physical status information and the life behavior data includes: sequentially inputting the physical status information and the life behavior data into multiple Disease prediction model, obtain the risk probability that the user suffers from any one or more diseases; according to the preset mapping relationship between the risk probability of each disease and the disease risk degree, determine that the user suffers from any disease The degree of risk corresponding to the risk probability of one or more diseases.
- determining the risk level corresponding to the risk probability of the user suffering from any one or more diseases based on the preset mapping relationship between the risk probability of each disease and the risk level includes: The risk probability that the user suffers from any one or more diseases is compared with the probability intervals corresponding to different risk levels of suffering from the disease; wherein the different risk levels include high risk, medium risk and low risk, and Each risk level corresponds to a probability interval; when it is determined that the risk probability is within the probability interval corresponding to the high risk level, the risk level of the user suffering from the corresponding disease is predicted to be high risk; when it is determined that the risk probability is within If the probability interval corresponding to the medium risk level is within the probability interval corresponding to the medium risk level, then the risk level of the user suffering from the corresponding disease is predicted to be medium risk; when it is determined that the risk probability is within the probability interval corresponding to the low risk level, the user is predicted to have a risk level of The risk of developing the corresponding disease is low risk.
- the sending module 804 is specifically configured to: obtain the responses of multiple users in the group type to which the user belongs within the historical time period.
- Historical response behavior data in response to the life behavior recommendation information wherein the historical response behavior data includes: the response time, response duration and activity level of each user among the multiple users to the life behavior recommendation information, the The activity level represents the type of interaction selected by the user when responding to the life behavior recommendation information; and the sending time of the life behavior recommendation information is determined based on the historical response behavior data.
- determining the sending time of the life behavior recommendation information based on the historical response behavior data includes: counting the response time of each user among the multiple users to the life behavior recommendation information, and determining each user's response time to the life behavior recommendation information.
- the time interval to which the response time belongs and determine the number of users in each time interval; Prioritize the time intervals according to the number of users in each time interval; According to the response duration of each user among the multiple users and The activity level determines the push frequency of the life behavior recommendation information; and the sending time of the life behavior recommendation information is determined sequentially according to the prioritized time interval and the push frequency.
- determining the push frequency of the life behavior recommendation information based on the response duration of each user among the multiple users and the activity level includes: establishing the response duration of each user among the multiple users and the activity level.
- the present invention provides a computer-readable storage medium, the storage medium stores a computer program, and the computer program is used to execute the method for pushing life behavior recommendation information according to the present invention.
- the present invention provides an electronic device, including: Processor; a memory for storing executable instructions of the processor; the processor, for reading the executable instructions from the memory and executing the instructions to implement the life behaviors described in the present invention How to push recommended information.
- embodiments of the present application may also be computer program products, which include computer program instructions.
- the computer program instructions When the computer program instructions are run by a processor, the computer program instructions cause the processor to execute the "exemplary method" mentioned above in this specification.
- the steps in methods according to various embodiments of the present application are described in Sec.
- the computer program product can be written in any combination of one or more programming languages to write program codes for performing the operations of the embodiments of the present application.
- the programming languages include object-oriented programming languages, such as Java, C++, etc. , also includes conventional procedural programming languages, such as the "C" language or similar programming languages.
- the program code may execute entirely on the user's computing device, partly on the user's computing device, as a stand-alone software package, partly on the user's computing device and partly on a remote computing device, or entirely on the remote computing device or server execute on.
- embodiments of the present application may also be a computer-readable storage medium on which computer program instructions are stored. When the computer program instructions are run by a processor, they cause the processor to execute the above-mentioned "example method" part of this specification. The steps in the methods according to various embodiments of the present application are described in .
- the computer-readable storage medium may be any combination of one or more readable media.
- the readable medium may be a readable signal medium or a readable storage medium.
- the readable storage medium may include, for example, but is not limited to, electrical, magnetic, optical, electromagnetic, infrared, or semiconductor systems, devices or devices, or any combination of the above. More specific examples (non-exhaustive list) of readable storage media include: electrical connection with one or more wires, portable disk, hard disk, random access memory (RAM), read only memory (ROM), erasable programmable read-only memory (EPROM or flash memory), optical fiber, portable compact disk read-only memory (CD-ROM), Optical storage device, magnetic storage device, or any suitable combination of the above.
- RAM random access memory
- ROM read only memory
- EPROM or flash memory erasable programmable read-only memory
- CD-ROM compact disk read-only memory
- Optical storage device magnetic storage device, or any suitable combination of the above.
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种生活行为推荐信息的推送方法、装置、介质及电子设备,该方法包括:获取用户的身体状态信息和生活行为数据;根据所述身体状态信息和所述生活行为数据预测所述用户所属的人群类型;根据所述用户所属的人群类型以及所述生活行为数据确定所述用户对应的生活行为推荐信息;确定所述生活行为推荐信息的发送时间,并在所述发送时间将所述生活行为推荐信息发送给所述用户。本发明的生活行为推荐信息的推送方法,能够为用户推送个性化的生活行为推荐信息,从而能够及时有效的对用户的生活方式进行干预。
Description
生 活 行 为推 荐 信息 的 推送 方 法、 装置、 介质及 电子 设 备 技术 领域 本 发明 涉及数 据处 理的技 术领 域, 尤其涉及一 种生活 行为 推荐 信息 的推 送方 法、 装置、 介质及电 子设备 。 背景 技术 生 活方 式狭义 指个 人及其 家庭 的日 常生活 的活 动方 式,包括 衣、食、 住 、 行以及闲 暇时 间的利 用等 。 广义指人 们一切 生活 活动 的典型 方式 和 特征 的总 和, 包括劳动生 活、 消费生活和 精神生 活等 活动 方式 。 随着生 活方 式的 多样 化, 很多不 健康 的生活 方式 逐渐影 响用 户的 身体健 康, 如 何有 效、 及时的对生 活方 式进 行干预 是 目前亟 需解决 的问 题。 发 明内容 本 发明 提供一 种生 活行为 推荐 信息 的推送 方法 、 装置、 介质及 电子 设备 , 以至少解决 因不健 康的 生活行 为习 惯增加 用户 患病 风险的 问题 。 本 发明 一方 面提 供一 种生 活行 为推 荐信 息的 推送 方法 , 该方法 包 括 : 获 取用 户的身 体状 态信 息以及 生活 行为数 据; 根 据所 述身 体状 态信 息和 所述 生活 行为 数据 预测 所述 用户 所属 的 人群 类型 ; 根 据所 述用 户所 属的 人群 类型 以及 所述 生活 行为 数据 确定 所述 用 户对 应的 生活 行为推 荐信 息; 确 定所述 生活 行为 推荐信 息的 发送 时间, 并在所述发 送时 间将所 述 生活 行为 推荐 信息发 送给 所述用 户。
在 一可 实施方 式中 , 所述生活 行为 数据包 括饮 食行 为、 运动行 为、 作 息行为 中的 一种或 多种 ; 所 述生 活行为 推荐 信息包 括饮 食方 案、 运动方 案、 作息方 案中 的一 种或 多种 。 在 一可 实施方 式中 , 所述根据 所述 身体状 态信 息和所 述生 活行 为数 据预 测所 述用 户所属 的人 群类 型, 包括: 根 据所 述身 体状 态信 息和 所述 生活 行为 数据 预测 所述 用户 的患 病 风 险程度 和相 应的疾 病类 型; 根 据所 述用 户的 患病 风险 程度 和相 应的 疾病 类型 预测 所述 用户 所 属 的人群 类型 。 在 一可 实施方 式中 , 所述根据 所述 身体状 态信 息和所 述生 活行 为数 据确 定所 述用 户的患 病风 险程度 和相 应的 疾病类 型, 包括: 将 所述 身体 状态 信息 和所 述生 活行 为数 据依 次输 入多 种疾 病预 测 模 型, 得到所 述用户 患有 相应任 意一 种或 多种疾 病的 风险 概率 ; 根 据预 设的每 一种 疾病 的风险 概率 与患病 风险 程度 的映射 关系 , 确 定所 述用 户患 有任意 一种 或多 种疾病 的风 险概率 所对 应的 风险程 度。 在 一可 实施方 式中 , 根据预设 的每 一种疾 病的 风险概 率与 患病 风险 程度 的映 射关 系, 确定所 述用户 患有 任意 一种或 多种 疾病 的风险 概率 所 对应 的风 险程 度, 包括: 将 所述 用户患 有任 意一种 或多 种疾 病的风 险概 率, 与患有该疾 病的 不 同风险 程度 对应 的概率 区间进 行 比较; 其中, 所述不同 风险程 度包 括 高风 险、 中风险及低 风险 , 且每一风 险程 度对应 一概 率区 间; 当 确定所 述风 险概 率在所 述高 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 高风 险; 当 确定所 述风 险概 率在所 述中 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 中风 险;
当 确定所 述风 险概 率在所 述低 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 低风 险。 在 一可 实施方 式中 , 所述确定 所述 生活行 为推 荐信息 的发 送时 间, 包括 : 获 取历 史时 间段 内所 述用 户所 属的 人群 类型 中多 个用 户对 所述 生 活行 为推 荐信 息进行 响应 的历史 响应 行为数 据, 其中, 所述历史 响应行 为数 据包 括: 所述多个用 户中每 个用 户对 所述生 活行 为推 荐信息 的响应 时 间、 响应时 长及活 跃程 度, 所述活 跃程 度表征 用户 对所述 生活 行为 推 荐信 息进 行响应 时所 选择 的互动 方式 的种 类; 根 据所 述历 史响 应行 为数 据确 定所 述生 活行 为推 荐信 息的 发送 时 间 。 在 一可 实施方 式中 , 所述根据 所述 历史响 应行 为数据 确定 所述生 活 行为 推荐 信息 的发送 时间 , 包括: 统 计所 述多 个用 户中 每个 用户 对所 述生 活行 为推 荐信 息的 响应 时 间 , 确定每个 所述响 应时 间所属 的时 间区 间, 并确定 每个时 间区 间的 用 户数 量; 根 据每个 时间 区间 的用户 数量 对所 述时 间区间 进行优 先级 排序 ; 根 据所 述多 个用 户中 每个 用户 的响 应时 长和 所述 活跃 程度 确定 所 述生 活行 为推 荐信息 的推 送频率 ; 根 据所 述优 先级 排序 后的 时间 区间 和所 述推 送频 率依 次确 定所 述 生活 行为 推荐 信息 的发送 时间 。 在 一可 实施方 式中 , 根据所述 多个 用户 中每个 用户 的响应 时长 和所 述活 跃程 度确 定所述 生活 行为推 荐信 息的 推送频 率, 包括: 建 立所 述多 个用 户中 每个 用户 的响 应时 长与 推送 频率 的映 射关 系 以及 每个 用户 的活跃 程度 与推送 频率 的映 射关系 ; 根 据所 述响 应时 长与 推送 频率 的映 射关 系以 及所 述活 跃程 度与 推
送频 率的 映射 关系确 定所 述生活 行为 推荐信 息的 推送 频率 。 本 发明 另一方 面提 供一种 生活 行为 推荐信 息的 推送装 置, 该装置包 括 : 获 取模 块, 用于获 取用户 的身 体状 态信息 以及 生活 行为数 据; 预 测模 块, 用于根 据所述 身体 状态 信息和 所述 生活行 为数 据预 测所 述用 户所 属的 人群类 型; 确 定模块 , 用于根 据所述 用户 所属 的人群 类型 以及所 述生 活行 为数 据确 定所 述用 户对应 的生 活行为 推荐 信息 ; 发 送模 块, 用于确 定所述 生活 行为 推荐信 息的 发送时 间, 并在所述 发送 时间 将所 述生活 行为 推荐信 息发 送给 所述用 户。 本 发明 再一方 面提 供一种 计算 机可 读存储 介质 , 所述存储 介质 存储 有计 算机 程序 , 所述计算 机程序 用于 执行 本发 明所述 的生 活行为 推荐 信 息 的推送 方法 。 本 发明 还一方 面提 供一种 电子 设备 , 包括: 处 理器 ; 用 于存储 所述 处理 器可执 行指 令的 存储器 ; 所 述处 理器, 用于从所述 存储 器中 读取所 述可 执行 指令, 并执行所 述指 令 以实现 本发 明所述 的生 活行为 推荐 信息 的推送 方法 。 在 本发 明的上 述方 案中 , 首先获取 用户 的身体 状态信 息和 生活 行为 数据 , 然后根 据用户 的身 体状态 信息 和生 活行为 数据 预测 用户所 属的 人 群类 型, 进一步根据 用户 所属 的人群 类型 和生活 行为 数据 确定生 活行 为 推荐 信息 , 并按照确 定的 生活行 为推 荐消 息的发 送时 间将生 活行 为推荐 信 息发送 给用 户, 以提醒用户 可以根 据生 活行为 推荐 信息进 行饮 食、 运 动或 者作 息, 从而避免因 为不 健康的 生活 习惯增 加患 病的 风险 。 因此, 本 发明提 供的 技术方 案中 , 综合考虑 用户 的身体 状态 信息 和生活 行为 数 据 , 为用户推 送个性 化的 生活 行为推 荐信 息, 能够及 时有 效的对 用户 的
生活 方式 进行 监督和 提醒 , 从而减少 因为 不健康 的生 活行 为习惯 增加 患 病 的风险 。 附 图说明 图 1示出 了本发 明一 实施 例提供 的一 种生活 行为 推荐信 息的 推送 方 法 的流程 示意 图; 图 2示出 了本发 明一 实施 例提供 的预 测用户 所属 的人 群类型 的流 程 示意 图; 图 3示出 了本发 明一 实施 例提供 的确 定用户 的患 病风 险程度 和相 应 的疾 病类 型的 流程示 意图 ; 图 4示出 了本发 明一 实施 例提供 的确 定用户 患有 任意 一种或 多种 疾 病 的风险 概率 所对应 的风 险程度 的流 程示 意图 ; 图 5示出 了本发 明一 实施 例提供 的确 定生活 行为 推荐信 息的 发送 时 间 的流程 示意 图; 图 6示出 了本发 明一 实施 例提供 的根 据历史 响应 行为 数据确 定生 活 行为 推荐 信息 的发送 时间 的流程 示意 图; 图 7示出 了本发 明一 实施 例提供 的确 定生活 行为 推荐信 息的 推送 频 率 的流程 示意 图; 图 8示出 本发 明提供 的一 种生活 行为 推荐信 息的 推送装 置的 结构 示 意 图。 具体 实施方 式 为 使本 发明的 目的 、 特征、 优点能 够更加 的明 显和 易懂, 下面将结 合本 发明 实施 例中 的附图 , 对本发明 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 例仅 仅是 本发 明一部 分实 施例 , 而非全 部实 施例 。 基于本发 明中 的实施 例, 本领域技术 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 发明 保护 的范 围。 如 图 1示出了本 发明 一实 施例提 供的 一种 生活行 为推 荐信息 的推 送 方法 的流 程示 意图 , 该方法包括 : 步 骤 S101、 获取用户的身 体状 态信 息以及 生活 行为 数据 。 用 户的 身体状 态信 息包括 用户 基础 信息 、 生理信息 以及与 疾病 相关 的检 验数 据, 例如用户基 础信 息包括 用户 姓名 、 年龄、 身高、 体; 用户 生理 信息 包括 疾病史 、 家族史 等。 用户的 身体状 态信 息可 以经过 数据 合 规 后从 医院 数据库 获取 , 也可 以让用 户填 写与 身体 状态 信息 相关 的 问 卷 , 通过分析 问卷 , 获取用户 的身体 状态 信息 , 本发明对 身体状 态信 息 的 获取方 式不 做具体 限制 。 生 活行 为数据 包括 用户 的饮食 数据 、 运动数据 、 作息数据 等与 用户 行为 相关 的生 活习惯 数据 , 例如用户 的睡眠 模式 、 睡眠时间、 抽烟数据 、 饮酒 量、 糖摄入量 、 蛋白质摄入 量、 蔬菜摄入量 、 心率、 步数、 运动类 型 、 运动时间 等。 获 取所述 用户 的生 活行为 数据 , 可以通过 加装 传感器 的检 测设 备采 集用 户每 日的 行为从 而获 得生 活行为 数据 ; 或者, 通过计算机客户 端或移 动设 备客户端 向用户提供 信息输入 窗口, 获取用户在所 述窗口中输 入的行为 数 据。 需 要说 明的是 , 由于身体 状态 信息 中的生 理信 息可 能与医 院数 据库 中 的数据 不同 , 例如用户 的血 压在不 同时 期, 会存在 差异 性, 因此诸如 血压 、 心率等 这类生 理信 息可 以通过 检测 设备进 行采 集获 取, 从而提 高 用户 身体 状态 信息 的准确 性。 用户的 行为 数据 , 例如生活 习惯、 饮食数 据 、 运动数据 可以通 过计 算机客 户端 或移 动设备 客户 端向用 户提 供信 息 输入 窗 口, 用户在窗 口内 填写相 应的 信息 内容 。 采用此种方 式, 可以提 高行 为数 据采 集的准 确率 和效率 , 因为用 户填写 与行 为数据 相关 的问 卷 表格 时, 需要工作人 员再 次将 问卷上 填写 的数据 内容 录入 , 一方面会 增
加工 作人 员的 工作量 , 另一方面 , 录入工 作过程 中还 有可 能存在 数据 输 入错 误的 情况 发生 , 导致行为 数据的 准确 度下 降。 步 骤 S102、根据所述身 体状 态信 息和所 述生 活行为 数据 预测所 述用 户所 属的 人群 类型 。 本 发明 中人 群类 型是 根据 用户 的身 体状 态信 息和 生活 行为 数据 预 测用 户患 有某 种疾病 的风 险程度 , 进而根 据风 险程度 的不 同进行 类型 划 分 。 其中, 预测用户 患有 某种疾 病的 风险 程度仅 仅是 根据 身体状 态信 息 和生 活行 为数 据预测 存在 的风 险, 以激励用户通 过生 活行 为的改 变减 少 患病 风险 , 从而帮助 用户 养成健 康生 活的 行为和 习惯 。 步 骤 S103、根据所述用 户所 属的 人群类 型以 及所述 生活 行为 数据确 定所 述用 户对 应的生 活行 为推 荐信息 。 生 活行 为推荐 信息 包括饮 食方 案、 运动方案、 作息方案中 的一 种或 多种 。 生活行 为推荐 信息 可以基 于机 器学 习的模 型或 者依据 医学 知识 和 专家 经验 或者 机器学 习的 模型 和医学 知识 和专家 经验 结合 的方式 , 为用 户生 成生 活行 为推荐 信息 。 例如对于 糖尿 病高风 险用 户, 饮食方案为 : 糖尿 病高 风险 用户要 严格 限制 糖的摄 入量 , 不要食用 糖、 糖果、 蜂蜜及 含糖 饮料 等, 因为这些糖 类易 被机体 吸收 而血糖 升高 、 增加胰腺 负担 , 从而 加重 病情 。饮食建 议为 : 建议常吃 五谷杂 粮, 例如可选 择全 麦食 品, 全麦 食品 含丰 富的微 量元 素, 长期食用, 不会额外升 高血 糖。 还可以 是 建议 食用 高纤 维食物 , 例如玉米 、 芹菜、 韭菜、 豆类、 南瓜、 竹笋等 有 利 于促进 机体 糖代谢 , 防止血 糖吸收 过快 , 富含高纤 维食 品还能 降低 糖 尿病 人的 血糖 , 并增加饱 腹感 。 运动方案 为建议 有氧 运动且 增加 运动时 间 , 还可以是 糖尿病 患者 的注 意事项 等。 作息方案为 每天 保证 8小时充 足 睡眠, 建议晚上 11点钟之 前睡 觉等有 关作 息的 建议 。 步 骤 S104、 确定所述生活 行为推 荐信 息的发 送时 间, 并在所述 发送 时 间将所 述生 活行为 推荐 信息 发送给 所述 用户 。
在 本发 明的上 述方 案中 , 首先获取 用户 的身体 状态信 息和 生活 行为 数据 , 然后根 据用户 的身 体状态 信息 和生 活行为 数据 预测 用户所 属的 人 群类 型, 进一步根据 用户 所属 的人群 类型 和生活 行为 数据 确定生 活行 为 推荐 信息 , 并按照确 定的 生活行 为推 荐消 息的发 送时 间将生 活行 为推荐 信 息发送 给用 户, 以提醒用户 可以根 据生 活行为 推荐 信息进 行饮 食、 运 动或 者作 息, 从而避免因 为不 健康的 生活 习惯增 加患 病的 风险 。 因此, 本 发明提 供的 技术方 案中 , 综合考虑 用户 的身体 状态 信息 和生活 行为 数 据 , 为用户推 送个性 化的 生活 行为推 荐信 息, 能够及 时有 效的对 用户 的 生活 方式 进行 监督和 提醒 , 从而减少 因为 不健康 的生 活行 为习惯 增加 患 病 的风险 。 如 图 2所示为预 测用 户所 属的人 群类 型的 流程示 意图 , 在一个示 例 中 , 所述根据 所述身 体状 态信 息和所 述生 活行为 数据 预测 所述用 户所 属 的人 群类 型, 包括: 步 骤 S201、根据所述身 体状 态信 息和所 述生 活行为 数据 预测所 述用 户 的患病 风险 程度和 相应 的疾 病类型 ; 步 骤 S202、根据所述用 户的 患病 风险程 度和 相应 的疾病 类型 预测所 述用 户所 属的 人群类 型。 根 据用 户的 身体 状态 信息 和生 活行 为数 据预 测用 户患 有疾 病的 风 险程 度并 对风 险程度 进行 分类 , 例如疾病 类型包 括动 脉粥 样硬化 性心 血 管疾 病、 糖尿病、 高血压 、 乳腺癌、 结直肠癌 、 肝癌、 肺癌、 胃癌等。 疾病 风险 程度 的分类 包括 高风 险、 中风险以及低 风险 , 还可以是 更为 细 致 的划分 类型 , 本发明对 此不做 限制 。 人 群类 型根据 用户 患有某 种疾 病的 风险程 度进 行划 分, 例如糖 尿病 高风 险用 户、糖 尿病 中风险 用户 、糖尿病 低风 险用 户、 胃癌高风 险用 户、 胃癌 中风 险用 户、 胃癌低风险 用户等 。 如 图 3所示为确 定用 户的 患病风 险程 度和相 应的 疾病 类型 的流程 示
意 图, 在一个 示例 中, 所述根据 所述 身体 状态信 息和 所述 生活行 为数 据 确定 所述 用户 的患病 风险 程度和 相应 的疾 病类型 , 包括: 步 骤 S301、将所述身体 状态 信息 和所述 生活 行为数 据依 次输入 多种 疾 病预 测模 型, 得到所 述用 户患 有相 应任 意一 种或 多种 疾病 的风 险概 率 ; 步 骤 S302、根据预设 的每一 种疾 病的风 险概 率与 患病风 险程度 的映 射关 系, 确定所述用 户患 有任意 一种 或多 种疾病 的风 险概率 所对 应的 风 险程 度 。 用 户患 有任 一种 疾病 风险 的预 测是 指预 测用 户在 未来 一段 时间 内 患某 种疾 病的 风险概 率, 针对某个预 测 目标, 例如糖 尿病 、 高血压、 结 直肠 癌、 胃癌等疾病 均为 预测 目标, 设定特定 的时间 窗口 , 包括做出 预 测 的时间 点和 预测 目标的 发生概 率 。 将用户的身 体状 态信 息和生 活行 为 数据 分别 输入 多种疾 病预 测模 型进行 预测 , 得到用户 患有 相应疾 病风 险 的概 率 。 例如疾病预 测模 型设 定时间 窗口 为 10 年, 将用户的 身体 状态 信 息和生 活行 为数据 输入 糖尿 病疾病 预测 模型后 , 输出用 户在第 5年患 有糖 尿病 风险 的概率 是 0.75 o 每 种患 病风险 程度 对应一 个概 率区 间, 例如糖 尿病 的风险 概率 与患 病风 险程 度的 映射关 系如 下, 疾病风 险的概 率为 P, 若 0.6WPW 1 , 与该 风 险概率 区间 对应 的患病 风险程 度为 高风 险; 若 0.3VPV0.6, 与该风 险 概 率区 间对应 的患 病风险 程度 为中 风险 ; 若 0WPW0.3 , 与该风险概 率 区 间对应 的患 病风险 程度 为低 风险 。 如 图 4所示为确 定用 户患有 任意 一种 或多种 疾病 的风 险概率 所对 应 的风 险程 度的 流程示 意图 ; 在一个示 例中 , 根据预设 的每 一种疾 病的 风 险概 率与 患病 风险程 度的 映射 关系, 确定所述用 户患 有任 意一种 或多 种 疾病 的风 险概 率所对 应的 风险程 度, 包括: 步 骤 S401、将所述用 户患 有任意 一种 或多 种疾病 的风 险概率 , 与患
有 该疾病 的不 同风险 程度 对应 的概率 区间 进行 比较; 其中, 所述不同 风 险程 度包 括高 风险 、中风险 及低风 险,且 每一风 险程 度对应 一概 率区 间; 步 骤 S402、当确定所述 风险 概率在 所述 高风 险程度 对应 的概率 区间 内 , 则预测所 述用户 患有 相应疾 病的 风险 程度为 高风 险; 步 骤 S403、当确定所述 风险 概率在 所述 中风 险程度 对应 的概率 区间 内 , 则预测所 述用户 患有 相应疾 病的 风险 程度为 中风 险; 步 骤 S404、当确定所述 风险 概率在 所述 低风 险程度 对应 的概率 区间 内 , 则预测所 述用户 患有 相应疾 病的 风险 程度为 低风 险。 假 设将 某用 户的 身体 状态 信息 和生 活行 为数 据输 入糖 尿病 疾病 预 测模 型后 , 输出该用 户患 有糖尿 病风 险的 概率为 0.65 , 将该风险概率 与 患有 该疾 病的 不同风 险程 度对应 的概 率区 间进行 比较 , 0.65所属的 概率 区 间为 0.6WPW 1 , 该概率区 间对应 的患 病风 险程度 为高 风险 , 则确定 该用 户属 于糖 尿病高 风险 用户 。 如 图 5所示为确 定生 活行 为推荐 信息 的发送 时间 的流程 示意 图; 在 一个 示例 中, 所述确定所 述生活 行为 推荐信 息的 发送 时间 , 包括: 步 骤 S501、获取历史时 间段 内所述 用户 所属 的人群 类型 中多个 用户 对所 述生 活行 为推荐 信息 进行 响应的 历史 响应行 为数 据, 其中, 所述历 史 响应行 为数 据包括 : 所述多个 用户 中每 个用户 对所 述生活 行为 推荐信 息 的响应 时间 、 响应时长 及活跃 程度 , 所述活跃 程度 表征用 户对 所述 生 活行 为推 荐信 息进行 响应 时所选 择的 互动 方式的 种类 ; 步 骤 S502、根据所述历 史响 应行为 数据 确定所 述生 活行 为推荐 信息 的 发送时 间。 用 户是 否响应 生活 行为推 荐信 息是指 用户 是否 回应该 推荐 信息 , 例 如用 户打 开生 活行为 推荐 信息说 明用 户响应 推荐 信息 , 若用户直 接关 闭 该 条生 活行 为推荐 信息 , 则说 明用户 对该 条生 活行 为推 荐信 息没 有响 应 。 若用户在 20:00响应推 荐信 息, 则用户 的响应 时间 为 20:00。
用 户响 应生 活行 为推 荐信 息时 的响 应时 长指 用户 响应 生活行 为 推 荐信 息的 开始 时间与 结束 时间之 间的 时长 差值 , 例如用户在 19:30打 开 生活 行为 推荐 信息 , 19:35关闭, 则该用户的 响应时 长为 5min。 响应时 长大 于时 长阈 值, 说明用 户对 生活行 为推 荐信息 有兴 趣, 响应时长低 于 时长 阈值 , 说明用户 对生 活行 为推荐 信息 不感兴 趣。 用 户响 应生 活行 为推 荐信 息时 的活 跃程 度为 用户 在浏 览生 活行 为 推荐 信息 时的 互动情 况, 生活行为推 荐信 息提供 的互 动方 式包括 收藏 、 点 赞、 评论中 的一种 或多 种, 例如有 些用 户习惯 仅浏 览生 活行为 推荐 信 息 的内容 , 说明这类 用户 的活 跃程度 低; 有些用户在 浏览 生活行 为推 荐 信 息时, 对生活行为 推荐 信息进 行收 藏、 点赞、 评论等操 作, 说明这 类 用户 在响 应生 活行为 推荐 信息时 的活 跃程度 高 。 如 图 6所示为根 据历 史响应 行为 数据 确定生 活行 为推荐 信息 的发送 时 间的流 程示 意图 ; 在一个示例 中, 所述根据所 述历 史响应 行为 数据 确 定所 述生 活行 为推荐 信息 的发送 时间 , 包括: 步 骤 S601、统计所述多 个用 户中 每个用 户对 所述生 活行 为推 荐信息 的 响应时 间, 确定每个所 述响应 时间 所属 的时间 区间 , 并确定每 个时 间 区 间的用 户数 量; 步 骤 S602、根据每个时 间区 间的 用户数 量对 所述 时间区 间进 行优先 级排 序; 步 骤 S603、根据所述多 个用 户中 每个用 户的 响应时 长和 所述活 跃程 度确 定所 述生 活行为 推荐 信息 的推送 频率 ; 步 骤 S604、根据所述优 先级 排序 后的时 间区 间和所 述推 送频 率依次 确定 所述 生活 行为推 荐信 息的发 送时 间。 因 为不 同种 类的 疾病 风险 或疾 病风 险类 型相 同但 风险 程度 不同 的 用户 , 对应的 推荐信 息均 不同 。 例如糖尿 病风险 用户 对应 的生活 行为 推 荐信 息和 高血 压风险 用户 对应 的生活 行为 推荐信 息是 不同 的, 糖尿病 高
风 险用户 对应 的生活 行为 推荐信 息、 糖尿病中风 险用 户对应 的生 活行 为 推荐 信息 、 糖尿病低 风险 用户对 应的 生活 行为推 荐信 息也不 相同 。 因此 统计 多个 用户 中每个 用户 对所述 生活 行为 推荐信 息的 响应 时间, 确定该 条生 活行 为推 荐信息 的发 送时 间, 并在发 送时 间将生 活行为 推荐 信息 推 送给 用户 , 以保证及 时有 效的对 用户 的生 活方式 进行 干预 。 例 如用 户 1至用户 300均接 收同 一条生 活行 为推 荐信息 , 统计 300 个用 户的 响应 时间 , 然后确定响 应时 间所属 的时 间区 间, 以设定时间 间 隔划 分时 间, 如 20min、 30min、 40min、 60min等, 假设以 60min作为 时 间间隔 , 一天 24h共分 为 24个时 间区间 , 若考虑夜 间睡 眠时 间, 还 可 以将凌 晨 00:00至早上 6:00的时间 区间取 消; 例如用户在 19:45分响 应推 荐消 息, 则该响应 时 间所属 的时 间区间 为 19:00-20:00。 利用统计模 型 , 确定每个 时间 区间内 的用户 数量 , 假设经过 统计 分析 , 不同时间 区 间 与其对 应的 用户数 量如 下表 1所示 : 表 1为不 同时间 区间 的用户 数量
根 据不 同时 间区 间的 用户 数量 和推 送频 率确 定生 活行 为推 荐信 息 的发 送时 间。 根据用 户数 量对时 间区 间进行 优先 级排 序, 根据推 送频 率 和排 序后 的时 间区间 , 确定生活 行为 推荐信 息的 发送 时间 。 假设推送频 率是 1 , 则将用户 数量最 多的 时间 区间作 为推 荐信 息的发 送时 间, 因为 根据 统计 说明用 户最 有可 能在这 个时 间区 间对推 荐消 息做 出反应 , 例如 表 1中的 20:00-21 :00这个时间区间确 定为推 荐信 息的 发送时 间。假设 推 送频 率是 2, 则将 20:00-21 :00及 19:00-20:00作为推荐信息 的发送 时间 。 若 用户响 应推 荐信息 时的 活跃程 度高 或响 应时长 大于 时长 阈值, 则 增加 推荐信 息的 推送 频率 ; 若用户响应 推荐 信息 时的活 跃程 度低或 响应 时长 低于 时长 阈值, 则降低推荐 信息 的推送 频率 。 如 图 7所 示为确 定生 活行为 推荐 信息 的推送 频率 的流程 示意 图; 在 一个 示例 中, 根据所 述多个 用户 中每 个用户 的响 应时 长和所 述活 跃程度 确定 所述 生活行 为推 荐信 息的推 送频 率, 包括: 步 骤 S701、建立所述多 个用 户中每 个用 户的 响应时 长与 推送频 率的 映射 关系 以及每 个用 户的 活跃程 度与 推送频 率的 映射 关系 ; 步 骤 S702、根据所述响 应时长 与推 送频 率的映 射关 系以及 所述 活跃 程度 与推 送频率 的映 射关 系确定 所述 生活行 为推 荐信 息的推 送频 率。 活 跃程度 与推 送频 率之间 的映 射关系 表, 例如下表 2所示: 表 2为活跃程 度与 推送 频率之 间的 映射关 系
表 2中的 活跃程 度分 类以及 推送 频率 均为本 发明 实施例 的示 例性 说
明, 活跃程度可 以根据 用户 的收 藏、 点赞、 评论等操 作确 定, 其中收藏 、 点赞 、 评论可 以赋予 不同 或相 同的权 重, 根据各 操作 的权重 之和 确定用 户的 活跃 程度 。 响应 时长 与推 送频率 之间 的映 射关系 , 如下表 3所示 : 表 3为响应时 间与 推送频 率之 间的 映射关 系
表 3中的 响应时 长以 及推送 频率 为本 发明的 示例 性说 明, 相应时 长 可根 据具 体的生 活行 为推 荐信息 确定 , 例如对于 内容较 少的 生活 行为推 荐信 息, 应当相应降 低时 长阈值 。 如 图 8所 示为本 发明 一实施 例提 供的 一种生 活行 为推荐 信息 的推送 装置 , 其特征在 于, 该装置包括 : 获 取模块 801 , 用于获取用 户的 身体状 态信 息以及 生活 行为 数据 ; 预 测模块 802, 用于根据 所述 身体状 态信 息和 所述生 活行 为数据 预 测所 述用 户所属 的人 群类 型; 确 定模块 803 , 用于根据 所述 用户所 属的 人群 类型 以及所 述生活 行 为数 据确 定所述 用户 对应 的生活 行为 推荐信 息; 发 送模块 804, 用于确定 所述 生活行 为推 荐信 息的发 送时 间, 并在 所述 发送 时间将 所述 生活 行为推 荐信 息发送 给所 述用 户。 在 一个示 例中 , 所述生活 行为 数据包 括饮 食行 为、 运动行 为、 作息 行为 中的 一种或 多种 ; 所 述生活 行为 推荐信 息包 括饮 食方案 、 运动方案 、 作息方 案中的 一
种或 多种 。 在 一个 示例 中, 预测模块 802, 具体用于: 根 据所 述身 体状 态信 息和 所述 生活 行为 数据 预测 所述 用户 的患 病 风 险程度 和相 应的疾 病类 型; 根 据所 述用 户的 患病 风险 程度 和相 应的 疾病 类型 预测 所述 用户 所 属 的人群 类型 。 在 一个 示例 中, 根据所述 身体 状态 信息和 所述 生活行 为数 据确 定所 述用 户的 患病 风险程 度和 相应 的疾病 类型 , 包括: 将 所述 身体 状态 信息 和所 述生 活行 为数 据依 次输 入多 种疾 病预 测 模 型, 得到所 述用户 患有 相应任 意一 种或 多种疾 病的 风险 概率 ; 根 据预 设的每 一种 疾病 的风险 概率 与患病 风险 程度 的映射 关系 , 确 定所 述用 户患 有任意 一种 或多 种疾病 的风 险概率 所对 应的 风险程 度。 在 一个 示例 中, 根据预设 的每 一种 疾病 的风险 概率 与患病 风险 程度 的 映射关 系, 确定所述用 户患有 任意 一种 或多种 疾病 的风 险概率 所对 应 的风 险程 度, 包括: 将 所述 用户患 有任 意一种 或多 种疾 病的风 险概 率, 与患有该疾 病的 不 同风险 程度 对应 的概率 区间进 行 比较; 其中, 所述不同 风险程 度包 括 高风 险、 中风险及低 风险 , 且每一风 险程 度对应 一概 率区 间; 当 确定所 述风 险概 率在所 述高 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 高风 险; 当 确定所 述风 险概 率在所 述中 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 中风 险; 当 确定所 述风 险概 率在所 述低 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 低风 险。 在 一个 示例 中, 所述发送 模块 804 , 具体用于: 获 取历 史时 间段 内所 述用 户所 属的 人群 类型 中多 个用 户对 所述 生
活行 为推 荐信 息进行 响应 的历史 响应 行为数 据, 其中, 所述历史 响应行 为数 据包 括: 所述多个用 户中每 个用 户对 所述生 活行 为推 荐信息 的响应 时 间、 响应时 长及活 跃程 度, 所述活 跃程 度表征 用户 对所述 生活 行为 推 荐信 息进 行响应 时所 选择 的互动 方式 的种 类; 根 据所 述历 史响 应行 为数 据确 定所 述生 活行 为推 荐信 息的 发送 时 间 。 在 一个 示例 中, 根据所述 历史 响应行 为数 据确 定所述 生活 行为推 荐 信 息的发 送时 间, 包括: 统 计所 述多 个用 户中 每个 用户 对所 述生 活行 为推 荐信 息的 响应 时 间 , 确定每个 所述响 应时 间所属 的时 间区 间, 并确定 每个时 间区 间的 用 户数 量; 根 据每个 时间 区间 的用户 数量 对所 述时 间区间 进行优 先级 排序 ; 根 据所 述多 个用 户中 每个 用户 的响 应时 长和 所述 活跃 程度 确定 所 述生 活行 为推 荐信息 的推 送频率 ; 根 据所 述优 先级 排序 后的 时间 区间 和所 述推 送频 率依 次确 定所 述 生活 行为 推荐 信息 的发送 时间 。 在 一个 示例 中, 根据所述 多个 用户 中每个 用户 的响应 时长 和所 述活 跃程 度确 定所 述生活 行为 推荐信 息的 推送 频率, 包括: 建 立所 述多 个用 户中 每个 用户 的响 应时 长与 推送 频率 的映 射关 系 以及 每个 用户 的活跃 程度 与推送 频率 的映 射关系 ; 根 据所 述响 应时 长与 推送 频率 的映 射关 系以 及所 述活 跃程 度与 推 送频 率的 映射 关系确 定所 述生活 行为 推荐信 息的 推送 频率 。 本 发明 再一方 面提 供一种 计算 机可 读存储 介质 , 所述存储 介质 存储 有计 算机 程序 , 所述计算 机程序 用于 执行 本发 明所述 的生 活行为 推荐 信 息 的推送 方法 。 本 发明 还一方 面提 供一种 电子 设备 , 包括:
处 理器 ; 用 于存储 所述 处理 器可执 行指 令的 存储器 ; 所 述处 理器, 用于从所述 存储 器中 读取所 述可 执行 指令, 并执行所 述指 令 以实现 本发 明所述 的生 活行为 推荐 信息 的推送 方法 。 除 了上述 方法 和设 备以外 , 本申请 的实施 例还 可以是 计算 机程 序产 品 , 其包括计 算机程 序指 令, 所述计 算机 程序指 令在 被处 理器运 行时 使 得所 述处 理器 执行本 说明 书上述 “示例 性方 法” 部分中 描述的 根据 本申 请各 种实 施例 的方法 中的 步骤 。 所 述计 算机 程序 产品 可以 以一 种或 多种 程序 设计 语言 的任 意组 合 来编 写用 于执 行本 申请实 施例 操作的 程序 代码 , 所述程序 设计语 言包 括 面 向对象 的程 序设计 语言 , 诸如 Java、 C++等, 还包括常规 的过 程式程 序 设计语 言, 诸如 “ C” 语言或 类似 的程序 设计 语言 。 程序代码 可以 完 全地 在用 户计 算设备 上执 行、 部分地在用 户设备 上执 行、 作为一个独 立 的软 件包 执行 、 部分在用 户计 算设备 上部 分在远 程计 算设 备上执 行、 或 者完 全在 远程 计算设 备或 服务器 上执 行。 此 外, 本申请的实 施例还 可以 是计 算机可 读存 储介 质, 其上存 储有 计算 机程 序指 令, 所述计 算机程 序指 令在 被处理 器运 行时使 得所 述处 理 器执 行本 说明 书上述 “示例 性方 法” 部 分中描 述的 根据本 申请 各种 实施 例 的方法 中的 步骤 。 所 述计 算机 可读 存储 介质 可以 采用 一个 或多 个可 读介 质的 任意 组 合 。 可读介质 可以是 可读 信号 介质或 者可 读存储 介质 。 可读存储 介质 例 如可 以包 括但 不限于 电、 磁、 光、 电磁、 红外线、 或半导 体的系 统、 装 置或 器件 , 或者任意 以上 的组 合。 可读存 储介质 的更 具体 的例子 (非穷 举 的列表 ) 包括: 具有一 个或 多个导 线的 电连接 、 便携式 盘、 硬盘、 随 机存 取存 储器 (RAM ) 、 只读存储器 (ROM ) 、 可擦式可编 程只 读存储 器 (EPROM 或闪存 ) 、 光纤、 便携式紧 凑盘只 读存 储器 (CD-ROM ) 、
光存 储器 件、 磁存储器件 、 或者上述 的任 意合适 的组 合。 以 上结 合具体 实施 例描述 了本 申请 的基本 原理 , 但是, 需要指 出的 是 , 在本申请 中提及 的优 点、 优势、 效果等仅是 示例 而非 限制 , 不能认 为这 些优 点、 优势、 效果等是 本申请 的各 个实施 例必 须具 备的 。 另外, 上 述公 开的 具体细 节仅 是为 了示 例 的作用 和便 于理 解 的作用 , 而非限 制 , 上述细节 并不 限制本 申请 为必须 采用 上述具 体的 细节 来实现 。 本 申请 中涉及 的器 件、 装置、 设备、 系统的方 框图仅 作为 例示 性的 例 子并 且不 意图要 求或 暗示 必须 按照 方框 图示 出的 方式 进行 连接 、 布 置 、 配置。 如本领域技 术人 员将认 识到 的, 可以按任 意方 式连 接、 布置、 配置 这些 器件 、 装置、 设备、 系统。 诸如 “包括” 、 “包含” 、 “具有” 等等 的词 语是 开放性 词汇 , 指 “包括但 不限 于” , 且可与其互 换使 用。 这里 所使 用的 词汇 “或” 和 “和”指 词汇 “和 /或”, 且可与其互 换使 用, 除 非上下 文明 确指示 不是 如此 。 这里所使 用的词 汇 “诸如 ”指 词组 “如 但不 限于” , 且可与 其互换 使用 。 还 需要 指出的 是, 在本申请的 装置 、 设备和方 法中 , 各部件或 各步 骤 是可 以分解 和 /或重新组 合的 。 这些分解 和 /或重新组 合应 视为本 申请 的等 效方 案。 提 供所 公开 的方 面的 以上 描述 以使 本领 域的 任何 技术 人员 能够 做 出或 者使 用本 申请 。 对这些方面 的各 种修 改对于 本领 域技 术人员 而言 是 非 常显而 易见 的, 并且在 此定义 的一 般原 理可 以应用 于其 他方面 而不 脱 离本 申请 的范 围。 因此, 本申请不意 图被 限制到 在此 示出 的方面 , 而是 按 照与在 此公 开的原 理和 新颖 的特征 一致 的最 宽范围 。 为 了例 示和描 述的 目的 已经给 出了 以上描 述。 此外, 此描述不 意图 将本 申请 的实 施例 限制到 在此 公开的 形式 。 尽管以上 已经 讨论 了多个 示 例方 面和 实施 例, 但是本 领域 技术人 员将 认识到 其某 些变 型、 修改、 改 变 、 添加和子 组合 。
Claims
1、 一种生活行 为推 荐信 息的推 送方 法, 其特征 在于 , 该方法包 括: 获 取用 户的身 体状 态信 息以及 生活 行为数 据; 根 据所 述身 体状 态信 息和 所述 生活 行为 数据 预测 所述 用户 所属 的 人群 类型 ; 根 据所 述用 户所 属的 人群 类型 以及 所述 生活 行为 数据 确定 所述 用 户对 应的 生活 行为推 荐信 息; 确 定所述 生活 行为 推荐信 息的 发送 时间, 并在所述发 送时 间将所 述 生活 行为 推荐 信息发 送给 所述用 户。
2、 根据权利要 求 1 所述的 方法 , 其特征在 于, 所述生 活行 为数据 包括 饮食 行为 、 运动行为 、 作息行为 中的 一种或 多种 ; 所 述生 活行为 推荐 信息包 括饮 食方 案、 运动方 案、 作息方 案中 的一 种或 多种 。
3、 根据权利要 求 1 所述的 方法 , 其特征在 于, 所述根 据所 述身体 状态 信息 和所 述生活 行为 数据 预测所 述用 户所属 的人 群类 型, 包括: 根 据所 述身 体状 态信 息和 所述 生活 行为 数据 预测 所述 用户 的患 病 风 险程度 和相 应的疾 病类 型; 根 据所 述用 户的 患病 风险 程度 和相 应的 疾病 类型 预测 所述 用户 所 属 的人群 类型 。
4、 根据权利要 求 3 所述的 方法 , 其特征在 于, 所述根 据所 述身体 状 态信 息和所 述生 活行 为数 据确 定所 述用 户的 患病 风险 程度 和相 应的 疾病 类型 , 包括: 将 所述 身体 状态 信息 和所 述生 活行 为数 据依 次输 入多 种疾 病预 测 模 型, 得到所 述用户 患有 相应任 意一 种或 多种疾 病的 风险 概率 ; 根 据预 设的每 一种 疾病 的风险 概率 与患病 风险 程度 的映射 关系 , 确 定所 述用 户患 有任意 一种 或多 种疾病 的风 险概率 所对 应的 风险程 度。
5、 根据权利要 求 4 所述的 方法 , 其特征在 于, 根据预 设的 每一种 疾病 的风 险概 率与患 病风 险程度 的映 射关 系, 确定所 述用 户患有 任意 一 种或 多种 疾病 的风险 概率 所对应 的风 险程 度, 包括: 将 所述 用户患 有任 意一种 或多 种疾 病的风 险概 率, 与患有该疾 病的 不 同风险 程度 对应 的概率 区间进 行 比较; 其中, 所述不同 风险程 度包 括 高风 险、 中风险及低 风险 , 且每一风 险程 度对应 一概 率区 间; 当 确定所 述风 险概 率在所 述高 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 高风 险; 当 确定所 述风 险概 率在所 述中 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 中风 险; 当 确定所 述风 险概 率在所 述低 风险程 度对 应的 概率 区间内 , 则预测 所述 用户 患有 相应疾 病的 风险程 度为 低风 险。
6、 根据权利要 求 1 所述的 方法 , 其特征在 于, 所述确 定所述 生活 行为 推荐 信息 的发送 时间 , 包括: 获 取历 史时 间段 内所 述用 户所 属的 人群 类型 中多 个用 户对 所述 生 活行 为推 荐信 息进行 响应 的历史 响应 行为数 据, 其中, 所述历史 响应行 为数 据包 括: 所述多个用 户中 每个用 户对 所述生 活行 为推 荐信息 的响 应 时 间、 响应时 长及活 跃程 度, 所述活 跃程 度表征 用户 对所述 生活 行为 推 荐信 息进 行响应 时所 选择 的互动 方式 的种 类; 根 据所 述历 史响 应行 为数 据确 定所 述生 活行 为推 荐信 息的 发送 时 间 。
7、 根据权利要 求 6 所述的 方法 , 其特征在 于, 所述根 据所 述历史 响应 行为 数据 确定所 述生 活行为 推荐 信息 的发送 时间 , 包括: 统 计所 述多 个用 户中 每个 用户 对所 述生 活行 为推 荐信 息的 响应 时 间 , 确定每个 所述响 应时 间所属 的时 间区 间, 并确定 每个时 间区 间的 用 户数 量;
根 据每个 时间 区间 的用户 数量 对所 述时 间区间 进行优 先级 排序 ; 根 据所 述多 个用 户中 每个 用户 的响 应时 长和 所述 活跃 程度 确定 所 述生 活行 为推 荐信息 的推 送频率 ; 根 据优 先级 排序 后的 时间 区间 和所 述推 送频 率依 次确 定所 述生 活 行为 推荐 信息 的发送 时间 。
8、 根据权利要 求 7 所述的 方法 , 其特征在 于, 根据所 述多 个用户 中 每个 用户 的响应 时长 和所 述活 跃程 度确 定所 述生 活行 为推 荐信 息的 推送 频率 , 包括: 建 立所述 多个 用户 中每个 用户 的响应 时长 与推 送频率 的映 射关 系, 以及 每个 用户 的活跃 程度 与推送 频率 的映 射关系 ; 根 据所 述响 应时 长与 推送 频率 的映 射关 系以 及所 述活 跃程 度与 推 送频 率的 映射 关系 , 确定所述生 活行 为推 荐信息 的推 送频率 。
9、 一种生活行 为推 荐信 息的推 送装 置, 其特征 在于 , 该装置包 括: 获 取模 块, 用于获 取用户 的身 体状 态信息 以及 生活 行为数 据; 预 测模 块, 用于根 据所述 身体 状态 信息和 所述 生活 行为数 据预 测所 述用 户所 属的 人群类 型; 确 定模块 , 用于根 据所述 用户 所属 的人群 类型 以及所 述生 活行 为数 据确 定所 述用 户对应 的生 活行为 推荐 信息 ; 发 送模 块, 用于确 定所述 生活 行为 推荐信 息的 发送时 间, 并在所述 发送 时间 将所 述生活 行为 推荐信 息发 送给 所述用 户。
10、 一种计算机 可读 存储 介质 , 所述存储 介质存 储有 计算机 程序 , 所述 计算 机程 序用于 执行 上述权 利要 求 1-8任一项 所述 的生活 行为 推荐 信 息的推 送方 法。
11、 一种电子 设备, 包括: 处 理器 ; 用 于存储 所述 处理 器可执 行指 令的 存储器;
22 所 述处 理器, 用于从所述 存储 器中 读取所 述可 执行 指令, 并执行所 述指 令 以实现 上述权 利要 求 1-8任一项 所述 的生活 行为 推荐信 息的 推送 方法 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2022/056734 WO2024018263A1 (zh) | 2022-07-21 | 2022-07-21 | 生活行为推荐信息的推送方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2022/056734 WO2024018263A1 (zh) | 2022-07-21 | 2022-07-21 | 生活行为推荐信息的推送方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024018263A1 true WO2024018263A1 (zh) | 2024-01-25 |
Family
ID=89617257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/IB2022/056734 WO2024018263A1 (zh) | 2022-07-21 | 2022-07-21 | 生活行为推荐信息的推送方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2024018263A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629045A (zh) * | 2018-05-14 | 2018-10-09 | 平安科技(深圳)有限公司 | 一种消息推送方法、存储介质和服务器 |
CN109559827A (zh) * | 2018-12-05 | 2019-04-02 | 易必祥 | 一种医疗健康大数据资源配置方法及系统 |
CN113936774A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 一种饮食推荐方法、装置、系统、存储介质及电子设备 |
CN113936772A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 一种运动推荐方法、装置、系统及计算机可读存储介质 |
CN114429803A (zh) * | 2022-01-24 | 2022-05-03 | 北京珺安惠尔健康科技有限公司 | 一种基于危险因素的健康风险预警方法 |
-
2022
- 2022-07-21 WO PCT/IB2022/056734 patent/WO2024018263A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629045A (zh) * | 2018-05-14 | 2018-10-09 | 平安科技(深圳)有限公司 | 一种消息推送方法、存储介质和服务器 |
CN109559827A (zh) * | 2018-12-05 | 2019-04-02 | 易必祥 | 一种医疗健康大数据资源配置方法及系统 |
CN113936774A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 一种饮食推荐方法、装置、系统、存储介质及电子设备 |
CN113936772A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 一种运动推荐方法、装置、系统及计算机可读存储介质 |
CN114429803A (zh) * | 2022-01-24 | 2022-05-03 | 北京珺安惠尔健康科技有限公司 | 一种基于危险因素的健康风险预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11632435B1 (en) | Increasing cohort diversity in digital health research studies using machine | |
US20200375549A1 (en) | Systems for biomonitoring and blood glucose forecasting, and associated methods | |
US11393592B2 (en) | Next best action based by quantifying chronic disease burden on a patient and their willingness to take that action | |
US11923056B1 (en) | Discovering context-specific complexity and utilization sequences | |
US20210391081A1 (en) | Predictive guidance systems for personalized health and self-care, and associated methods | |
Tieu et al. | Interconception care for women with a history of gestational diabetes for improving maternal and infant outcomes | |
Lan et al. | Wanda: An end-to-end remote health monitoring and analytics system for heart failure patients | |
US20140316220A1 (en) | Personal Health Monitoring System | |
US20110184754A1 (en) | System and method for remote health care management | |
US20210241916A1 (en) | Forecasting and explaining user health metrics | |
JP2022500797A (ja) | 血糖濃度の予測 | |
Hillemeier et al. | Women's preconceptional health and use of health services: implications for preconception care | |
US20090018863A1 (en) | Personal assessment including familial risk analysis for personalized disease prevention plan | |
JPWO2020059794A1 (ja) | 情報処理方法、情報処理装置及びプログラム | |
Shirom et al. | Feeling vigorous and the risks of all-cause mortality, ischemic heart disease, and diabetes: a 20-year follow-up of healthy employees | |
CN113679348B (zh) | 血糖预测方法、血糖预测装置、设备及存储介质 | |
WO2011039676A2 (en) | Assessing patient compliance | |
CN103238154A (zh) | 具有数据库管理系统的手持糖尿病管理设备 | |
CN112528009A (zh) | 生成用户慢病调理方案的方法、装置及计算机可读介质 | |
US20070198300A1 (en) | Method and system for computing trajectories of chronic disease patients | |
Scime et al. | Maternal chronic disease and breastfeeding outcomes: a Canadian population-based study | |
O’Connor et al. | Within-subject effects of environmental and social stressors on pre-and post-partum obesity-related biobehavioral responses in low-income Hispanic women: protocol of an intensive longitudinal study | |
WO2024018263A1 (zh) | 生活行为推荐信息的推送方法、装置、介质及电子设备 | |
US20220375617A1 (en) | Computerized decision support tool for preventing falls in post-acute care patients | |
CN117116462A (zh) | 一种糖化血红蛋白值的预测方法、系统及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22951879 Country of ref document: EP Kind code of ref document: A1 |