生理数据的处理方法、装置、电子设备和存储介质制造方法及图纸

本申请提出一种生理数据的处理方法和装置，其中，方法包括：根据设定区域中各用户设备在历史时段采集的生理数据，确定生理数据的实际异常率；获取设定区域中目标疾病在历史时段的实际发病数据；在受到目标疾病影响条件下，根据生理数据的实际异常率，预测生理数据在预测时段的第一预测异常率；在排除目标疾病影响条件下，根据实际异常率，预测生理数据在预测时段的第二预测异常率；根据第一预测异常率和第二预测异常率的差值，确定目标疾病所导致的生理数据的异常率。由此，在目标疾病的实际发病数据进行弱监督的基础上，根据各用户设备采集的生理数据确定的实际异常率，预测未来时段目标疾病所导致的生理数据的异常率，提高了预测的准确性。

【技术实现步骤摘要】
生理数据的处理方法、装置、电子设备和存储介质
本申请涉及数据处理
，尤其涉及一种生理数据的处理方法、装置、电子设备和存储介质。
技术介绍
随着智能可穿戴设备(如智能手表、智能手环等)的普及，通过智能可穿戴设备实时监测的用户的健康大数据，例如心率、活动量、睡眠质量和睡眠时间等连续数据，不仅可以直接反应区域性的公共卫生健康水平，还可以对该区域的公共卫生和健康预测起到重要的参考作用。例如，在世界范围内相继爆发的新型冠状病毒肺炎，属于人传人性质的突发公共卫生传染性疾病。如果在疾病爆发之前通过用户的健康大数据能进行准确预警，不仅为控制疾病的大面积传染起到至关重要的作用，同时也为当地政府做好疫情防控赢得宝贵时间。突发性公共卫生传染病一般是由病毒(如新型冠状病毒肺炎、病毒流感等)引起的，而且病毒具有潜伏期。但是，传统的基于病毒学和症状学方法预测病毒发病的趋势时时仅基于某一疾病的发病统计数据，导致现有的预测方法的准确度受到发病统计数据准确度的影响，从而无法起到实时或提前预警的作用。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。本申请第一方面实施例提出了一种生理数据的处理方法，包括：根据设定区域中各用户设备在历史时段采集的生理数据，确定所述生理数据的实际异常率；获取所述设定区域中目标疾病在所述历史时段的实际发病数据；在受到所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在预测时段的第一预测异常率；其中，目标疾病的影响程度是根据所述目标疾病在所述历史时段的实际发病数据确定的；在排除所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在所述预测时段的第二预测异常率；根据所述第一预测异常率和所述第二预测异常率的差值，确定所述设定区域中所述目标疾病所导致的生理数据的异常率。作为本申请实施例的第一种可能的实现方式，所述在受到所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在预测时段的第一预测异常率，包括：根据所述实际发病数据，确定实际人群发病密度值；将所述生理数据的实际异常率，以及所述实际人群发病密度值作为输入参数，输入所述设定区域对应的预测模型，得到所述第一预测异常率；作为本申请实施例的第二种可能的实现方式，所述在排除所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在所述预测时段的第二预测异常率，包括：将所述生理数据的实际异常率，以及取值为零的实际人群发病密度值作为输入参数，输入所述设定区域对应的预测模型，得到所述第二预测异常率。作为本申请实施例的第三种可能的实现方式，还包括：根据所述设定区域中所述目标疾病在所述预测时段的实际发病数据，确定所述预测时段所述目标疾病所导致的生理数据的异常率期望值；根据所述预测时段所述目标疾病所导致的生理数据的异常率期望值，生成训练样本；根据所述训练样本，对所述预测模型进行更新。作为本申请实施例的第四种可能的实现方式，所述根据所述训练样本，对所述预测模型进行更新，包括：根据当前周期对应的时间窗，获取所述生理数据的异常率期望值所属预测时段处于所述时间窗内的训练样本；采用当前周期对应的时间窗内的训练样本，在所述当前周期前一个周期的预测模型基础上，训练得到所述当前周期的预测模型。作为本申请实施例的第五种可能的实现方式，所述输入参数还包括用于指示影响因素的稀疏向量，所述预测模型包括：第一子神经网络，用于输入所述稀疏向量，以提取所述稀疏向量的特征；第二子神经网络，用于输入稠密向量，以提取所述稠密向量的特征；其中，所述稠密向量包括所述历史时段所述生理数据的实际异常率、所述目标疾病在所述历史时段的所述实际人群发病密度值和活跃用户设备的密度；所述历史时段，包括最近设定天数；所述活跃用户设备，为在线时长满足阈值的用户设备；全连接网络，用于连接所述第一子神经网络和所述第二子神经网络，用于根据所述稀疏向量的特征，以及所述稠密向量的特征预测所述生理数据的异常率。作为本申请实施例的第六种可能的实现方式，所述稀疏向量包括天气状态、节假日信息或季节信息中的一个或多个组合。作为本申请实施例的第七种可能的实现方式，所述设定区域是全球、大洲、国家、省或市。作为本申请实施例的第八种可能的实现方式，所述根据设定区域中各用户设备在历史时段采集的生理数据，确定生理数据的实际异常率，包括：根据所述设定区域中所述历史时间段内各用户设备的在线时长，确定在线时长满足阈值的用户设备；获取所述在线时长满足阈值的用户设备的生理数据；根据所获取的在线时长满足阈值的用户设备的生理数据，确定所述生理数据的实际异常率。作为本申请实施例的第九种可能的实现方式，所述根据所述第一预测异常率和所述第二预测异常率的差值，确定所述目标疾病所导致的生理数据的异常率之后，还包括：根据多个预测时段所述目标疾病所导致的生理数据的异常率，绘制生理数据的异常率的变化曲线；根据所述变化曲线中峰值对应时刻，预测所述目标疾病实际发病数据的峰值时刻。作为本申请实施例的第十种可能的实现方式，所述生理数据包括睡眠时长和静息心率；所述根据设定区域中各用户设备在历史时段采集的生理数据，确定生理数据的实际异常率，包括：对所述设定区域中任意用户设备在所述历史时段采集的生理数据，若所述静息心率大于心率阈值，且所述睡眠时长大于时长阈值，则将用户设备识别为异常用户设备；根据异常用户设备占所述设定区域中在所述历史时段采集生理数据的总用户设备的比率，确定所述生理数据的实际异常率。本申请实施例的生理数据的处理方法，根据设定区域中各用户设备在历史时段采集的生理数据，确定生理数据的实际异常率；获取设定区域中目标疾病在历史时段的实际发病数据；在受到目标疾病影响条件下，根据生理数据的实际异常率，预测生理数据在预测时段的第一预测异常率；其中，目标疾病的影响程度是根据目标疾病在历史时段的实际发病数据确定的；在排除目标疾病影响条件下，根据生理数据的实际异常率，预测生理数据在预测时段的第二预测异常率；根据第一预测异常率和第二预测异常率的差值，确定设定区域中目标疾病所导致的生理数据的异常率。由此，在目标疾病的实际发病数据进行弱监督的基础上，根据设定区域中各用户设备采集的生理数据确定的实际异常率，预测未来时段目标疾病所导致的生理数据异常率，提高了预测的准确性。本申请第二方面实施例提出了一种生理数据的处理装置，包括：确定模块，用于根据设定区域中各用户设备在历史时段采集的生理数据，确定生理数据的实际异常率；获取模块，用于获取所述设定区域中目标疾病在所述历史时段的实际发病数据；第一预测模块，用于在受到所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在预测时段的第一预测异常率；其中，目标疾病的影响程度是根据所述目标疾病在所本文档来自技高网...

【技术保护点】
1.一种生理数据的处理方法，其特征在于，所述方法包括：/n根据设定区域中各用户设备在历史时段采集的生理数据，确定所述生理数据的实际异常率；/n获取所述设定区域中目标疾病在所述历史时段的实际发病数据；/n在受到所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在预测时段的第一预测异常率；其中，目标疾病的影响程度是根据所述目标疾病在所述历史时段的实际发病数据确定的；/n在排除所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在所述预测时段的第二预测异常率；/n根据所述第一预测异常率和所述第二预测异常率的差值，确定所述设定区域中所述目标疾病所导致的生理数据的异常率。/n

【技术特征摘要】
1.一种生理数据的处理方法，其特征在于，所述方法包括：
根据设定区域中各用户设备在历史时段采集的生理数据，确定所述生理数据的实际异常率；
获取所述设定区域中目标疾病在所述历史时段的实际发病数据；
在受到所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在预测时段的第一预测异常率；其中，目标疾病的影响程度是根据所述目标疾病在所述历史时段的实际发病数据确定的；
在排除所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在所述预测时段的第二预测异常率；
根据所述第一预测异常率和所述第二预测异常率的差值，确定所述设定区域中所述目标疾病所导致的生理数据的异常率。


2.根据权利要求1所述的处理方法，其特征在于，所述在受到所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在预测时段的第一预测异常率，包括：
根据所述实际发病数据，确定实际人群发病密度值；
将所述生理数据的实际异常率，以及所述实际人群发病密度值作为输入参数，输入所述设定区域对应的预测模型，得到所述第一预测异常率。


3.根据权利要求2所述的处理方法，其特征在于，所述在排除所述目标疾病影响条件下，根据所述生理数据的实际异常率，预测所述生理数据在所述预测时段的第二预测异常率，包括：
将所述生理数据的实际异常率，以及取值为零的所述实际人群发病密度值作为输入参数，输入所述设定区域对应的预测模型，得到所述第二预测异常率。


4.根据权利要求3所述的处理方法，其特征在于，所述方法还包括：
根据所述设定区域中所述目标疾病在所述预测时段的实际发病数据，确定所述预测时段所述目标疾病所导致的生理数据的异常率期望值；
根据所述预测时段所述目标疾病所导致的生理数据的异常率期望值，生成训练样本；
根据所述训练样本，对所述预测模型进行更新。


5.根据权利要求4所述的处理方法，其特征在于，所述根据所述训练样本，对所述预测模型进行更新，包括：
根据当前周期对应的时间窗，获取所述生理数据的异常率期望值所属预测时段处于所述时间窗内的训练样本；
采用当前周期对应的时间窗内的训练样本，在所述当前周期前一个周期的预测模型基础上，训练得到所述当前周期的预测模型。


6.根据权利要求2所述的处理方法，其特征在于，所述输入参数还包括用于指示影响因素的稀疏向量，所述预测模型包括：
第一子神经网络，用于输入所述稀疏向量，以提取所述稀疏向量的特征；
第二子神经网络，用于输入稠密向量，以提取所述稠密向量的特征；其中，所述稠密向量包括所述历史时段所述生理数据的实际异常率、所述目标疾病在所述历史时段的所述实际人群发病密度值和活跃用户设备的密度；所述历史时段，包括最近设定天数；所述活跃用户设备，为在线时长满足阈值的用户设备；
全连接网络，用于连接所述第一子神经网络和所述第二子神经网络，用于根据所述稀疏向量的特征，以及所述稠密向量的特征预测所...

【专利技术属性】
技术研发人员：汪孔桥，李佳，朱国康，
申请(专利权)人：安徽华米智能科技有限公司，
类型：发明
国别省市：安徽;34