基于人工智能的重疾状态预测方法、装置、设备及介质与流程

1.本技术涉及到人工智能技术领域，特别是涉及到一种基于人工智能的重疾状态预测方法、装置、设备及介质。


背景技术：

2.重疾(是指重大疾病)状态预测是管理式医疗中重要的一环，用于评估某一个人体未来发生重疾的可能性。现有的重疾状态预测方法包括：基于人口特征进行重疾状态预测和基于体检报告进行重疾状态预测。基于人口特征进行重疾状态预测主要基于年龄、性别、居住城市、行业和职业进行预测，考虑维度过于宏观，导致预测的准确性较低；而基于体检报告进行重疾状态预测，依赖的信息虽然权威，但是体检报告仅仅代表被评估人的近期的健康状况，无法体现出生活习惯和不同时间的健康情况分布，导致预测的准确性较低。


技术实现要素：

3.本技术的主要目的为提供一种基于人工智能的重疾状态预测方法、装置、设备及介质，旨在解决基于人口特征进行重疾状态预测和基于体检报告进行重疾状态预测，存在预测的准确性较低的技术问题。
4.为了实现上述发明目的，本技术提出一种基于人工智能的重疾状态预测方法，所述方法包括：
5.获取目标对象对应的日时序特征集和周时序特征集；
6.根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率；
7.根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数；
8.根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值；
9.根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值；
10.根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果。
11.进一步的，所述根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率的步骤，包括：
12.将所述日时序特征集输入预设的日时序特征重疾概率预测模型进行重疾概率预测，得到所述第一时序重疾概率，其中，所述日时序特征重疾概率预测模型是基于时序网络训练得到的模型；
13.将所述周时序特征集输入预设的周时序特征重疾概率预测模型进行重疾概率预测，得到所述第二时序重疾概率，其中，所述周时序特征重疾概率预测模型是基于时序网络
或非时序网络训练得到的模型。
14.进一步的，所述根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数的步骤，包括：
15.第x个所述日人体特征的所述第一异常指数的计算公式erst1(x)为：
[0016][0017]
其中，k是所述日时序特征集中的日时序特征的数量，当第d个所述日时序特征中的与第x个所述日人体特征对应的特征值位于所述人体健康日知识图谱中的与第x个所述日人体特征对应的第一范围数据内时，则yd为0，当第d个所述日时序特征中的与第x个所述日人体特征对应的特征值位于所述人体健康日知识图谱中的与第x个所述日人体特征对应的所述第一范围数据外时，则yd为1；
[0018]
第x个所述周人体特征的所述第二异常指数的计算公式erst2(x)为：
[0019][0020]
其中，m是所述周时序特征集中的周时序特征的数量，当第d个所述周时序特征中的与第x个所述周人体特征对应的特征值位于所述人体健康周知识图谱中的与第x个所述周人体特征对应的第二范围数据内时，则zd为0，当第d个所述周时序特征中的与第x个所述周人体特征对应的特征值位于所述人体健康周知识图谱中的与第x个所述周人体特征对应的所述第二范围数据外时，则zd为1。
[0021]
进一步的，所述根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数的步骤之前，还包括：
[0022]
将任一个所述日人体特征作为目标日特征；
[0023]
将所述目标日特征在预设的第一医学临床库中进行日正常范围查找，得到第一查找结果；
[0024]
若所述第一查找结果为成功时，将所述第一查找结果对应的所述日正常范围作为所述目标日特征对应的第一范围数据；
[0025]
若所述第一查找结果为失败时，获取所述目标日特征对应的健康对象日特征数据集，对所述健康对象日特征数据集进行正序排序，得到排序后日特征数据集，从所述排序后日特征数据集中获取与预设的第一数量比例对应的日特征数据，作为所述目标日特征对应的所述第一范围数据的开始值，从所述排序后日特征数据集中获取与预设的第二数量比例对应的所述日特征数据，作为所述目标日特征对应的所述第一范围数据的结束值，其中，所述第一数量比例小于所述第二数量比例；
[0026]
根据各个所述日人体特征对应的各个所述第一范围数据生成所述人体健康日知识图谱；
[0027]
将任一个所述周人体特征作为目标周特征；
[0028]
将所述目标周特征在预设的第二医学临床库中进行周正常范围查找，得到第二查
找结果；
[0029]
若所述第二查找结果为成功时，将所述第一查找结果对应的所述周正常范围作为所述目标周特征对应的第二范围数据；
[0030]
若所述第二查找结果为失败时，获取所述目标周特征对应的健康对象周特征数据集，对所述健康对象周特征数据集进行正序排序，得到排序后周特征数据集，从所述排序后周特征数据集中获取与预设的第三数量比例对应的周特征数据，作为所述目标周特征对应的所述第二范围数据的开始值，从所述排序后周特征数据集中获取与预设的第四数量比例对应的所述周特征数据，作为所述目标周特征对应的所述第二范围数据的结束值，其中，所述第三数量比例小于所述第四数量比例；
[0031]
根据各个所述周人体特征对应的各个所述第二范围数据生成所述人体健康周知识图谱。
[0032]
进一步的，所述根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值的步骤，包括：
[0033]
所述第一异常风险的计算公式re1为：
[0034][0035]
其中，n是所述第一异常指数的数量，erst3(x)是所述日重疾异常标准指数集中的与第x个所述日人体特征对应的日重疾异常标准指数，erst1(x)是第x个所述日人体特征对应的所述第一异常指数；
[0036]
所述第二异常风险的计算公式re2为：
[0037][0038]
其中，p是所述第二异常指数的数量，erst4(x)是所述周重疾异常标准指数集中的与第x个所述周人体特征对应的周重疾异常标准指数，erst2(x)是第x个所述周人体特征对应的所述第二异常指数。
[0039]
进一步的，所述根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值的步骤，包括：
[0040]
将各个所述第一异常指数和各个所述第二异常指数输入预设的交叉风险预测模型进行所述交叉风险值预测，其中，所述交叉风险预测模型是基于deepfm模型训练得到的模型。
[0041]
进一步的，所述根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果的步骤，包括：
[0042]
根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值计算目标重疾概率；
[0043]
根据所述目标重疾概率和预设的重疾状态映射表，确定所述目标对象对应的所述
重疾状态预测结果；
[0044]
其中，所述目标重疾概率的计算公式r为：
[0045][0046]
其中，re0是所述交叉风险值，re1是所述第一异常风险，re2是所述第二异常风险，r1是所述第一时序重疾概率，r2是所述第二时序重疾概率。
[0047]
本技术还提出了一种基于人工智能的重疾状态预测装置，所述装置包括：
[0048]
数据获取模块，用于获取目标对象对应的日时序特征集和周时序特征集；
[0049]
时序重疾概率预测模块，用于根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率；
[0050]
异常指数计算模块，用于根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数；
[0051]
异常风险值计算模块，用于根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值；
[0052]
交叉风险值计算模块，用于根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值；
[0053]
重疾状态预测结果确定模块，用于根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果。
[0054]
本技术还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0055]
本技术还提出了一种计算机可读存储介质，其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上述任一项所述的方法的步骤。
[0056]
本技术的基于人工智能的重疾状态预测方法、装置、设备及介质，其中方法首先基于日时序特征集和周时序特征集预测第一时序重疾概率和第二时序重疾概率，其次基于日时序特征集和周时序特征集计算第一异常指数和第二异常指数，然后通过根据各个所述第一异常指数和各个所述第二异常指数计算第一异常风险值、第二异常风险值、交叉风险值，最后根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果，整个计算过程充分参考了目标对象的基于人体生物信息的人体特征的时序特性和异常特性，提高了确定的重疾状态预测结果的准确性；因基于统计的方式对目标对象的异常特征进行概括性统计，异常特征是非常稀疏的数据分布，从而导致对某些特征的交叉效应可能被淹没，为了解决该问题，将交叉风险值应用于重疾状态预测结果的确定，从而提高了确定的重疾状态预测结果的准确性。
附图说明
[0057]
图1为本技术一实施例的基于人工智能的重疾状态预测方法的流程示意图；
[0058]
图2为本技术一实施例的基于人工智能的重疾状态预测装置的结构示意框图；
[0059]
图3为本技术一实施例的计算机设备的结构示意框图。
[0060]
本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0061]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0062]
参照图1，本技术实施例中提供一种基于人工智能的重疾状态预测方法，所述方法包括：
[0063]
s1：获取目标对象对应的日时序特征集和周时序特征集；
[0064]
s2：根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率；
[0065]
s3：根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数；
[0066]
s4：根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值；
[0067]
s5：根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值；
[0068]
s6：根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果。
[0069]
本实施例首先基于日时序特征集和周时序特征集预测第一时序重疾概率和第二时序重疾概率，其次基于日时序特征集和周时序特征集计算第一异常指数和第二异常指数，然后通过根据各个所述第一异常指数和各个所述第二异常指数计算第一异常风险值、第二异常风险值、交叉风险值，最后根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果，整个计算过程充分参考了目标对象的基于人体生物信息的人体特征的时序特性和异常特性，提高了确定的重疾状态预测结果的准确性；因基于统计的方式对目标对象的异常特征进行概括性统计，异常特征是非常稀疏的数据分布，从而导致对某些特征的交叉效应可能被淹没，为了解决该问题，将交叉风险值应用于重疾状态预测结果的确定，从而提高了确定的重疾状态预测结果的准确性。
[0070]
对于s1，可以获取用户输入的目标对象对应的日时序特征集和周时序特征集，也可以从数据库中获取目标对象对应的日时序特征集和周时序特征集，还可以从第三方应用(比如，穿戴设备中的应用)中获取目标对象对应的日时序特征集和周时序特征集。
[0071]
目标对象，是需要进行重疾状态预测的人。
[0072]
目标对象对应的日时序特征集，是根据目标对象的人体生物信息抽取的每日的人体特征的集合。
[0073]
人体生物信息包括但不限于：运动步数、运动时间分布、睡眠、体脂bmi、心肺功能
和压力指数。人体生物信息可以通过穿戴设备收集。
[0074]
目标对象对应的周时序特征集，是根据目标对象的人体生物信息抽取的每周的人体特征的集合。
[0075]
日时序特征集包括：多个日时序特征。日时序特征包括：日期和每个日人体特征对应的特征值。日时序特征，是根据一日内的人体生物信息，针对各个日人体特征抽取得到的数据。日人体特征的类型包括但不限于：日活动因子、体重因子、睡眠因子、日心肺因子、日压力和日体温。类型为日活动因子的日人体特征包括但不限于：总步数、久坐时长、零散活动量、低强度运动量、高强度运动量；类型为体重因子的日人体特征包括但不限于：体重和bmi(身体质量指数)；类型为睡眠因子的日人体特征包括但不限于：入睡时间、起床时间、睡眠时长和睡眠质量；类型为日心肺因子的日人体特征包括但不限于：静息心率、运动心率、过高心率、过低心率和最大耗氧量；类型为日压力的日人体特征包括但不限于：压力均值、压力最大值、压力最小值和放松次数；类型为日体温的日人体特征包括但不限于：平均体温、最高体温和最低体温。
[0076]
周时序特征集包括：多个周时序特征。周时序特征包括：周日期范围和每个周人体特征对应的特征值。周时序特征，是根据一周内的人体生物信息，针对各个周人体特征抽取得到的数据。周人体特征的类型包括但不限于：周活动因子、周睡眠因子、周体重因子、周心肺因子、周压力和周体温。类型为周活动因子的周人体特征包括但不限于：工作日运动总步数、工作日跑步总步数、工作日久坐时长、周末运动总步数、周末跑步总步数、周末久坐时长。类型为周睡眠因子的周人体特征包括但不限于：工作日平均入睡时间、工作日平均起床时间、工作日平均睡眠时长、工作日平均睡眠质量、周末平均入睡时间、周末平均起床时间、周末平均睡眠时长、周末平均睡眠质量。类型为周体重因子的周人体特征包括但不限于：周体重变化幅度。类型为周心肺因子的周人体特征包括但不限于：工作日静息心率、周末静息心率、工作日最大耗氧量、周末最大耗氧量。类型为周压力的周人体特征包括但不限于：工作日压力均值、工作日压力最大值、工作日压力最小值、工作日放松次数、周末压力均值、周末压力最大值、周末压力最小值、周末放松次数。类型为周体温的周人体特征包括但不限于：工作日平均体温、工作日最高体温、工作日最低体温、周末平均体温、周末最高体温、周末最低体温。
[0077]
可选的，目标对象对应的日时序特征集和周时序特征集，是根据同一时间段内的人体生物信息得到的特征集合。
[0078]
可选的，目标对象对应的日时序特征集和周时序特征集，是根据同一时间段内的人体生物信息得到的集合，并且日时序特征集对应的总天数和周时序特征集对应的总天数相同，该总天数是7的整数倍。
[0079]
对于s2，采用基于时序网络训练得到的模型，对所述日时序特征集进行重疾概率预测，将预测得到的数据作为第一时序重疾概率，从而确定了每日的时序特性的重疾概率；采用基于时序网络或非时序网络训练得到的模型，对所述周时序特征集进行重疾概率预测，将预测得到的数据作为第二时序重疾概率，从而确定了每周的时序特性的重疾概率。
[0080]
可以理解的是，重疾概率预测是目标对象得重疾的概率的预测。
[0081]
对于s3，将所述日时序特征集中的每个日人体特征对应的各个特征值相对人体健康日知识图谱的异常数量比例，作为第一异常指数；将所述周时序特征集中的每个周人体
特征对应的各个特征值相对人体健康周知识图谱的异常数量比例，作为第二异常指数。
[0082]
第一异常指数，也就是一个日人体特征的日异常指数。
[0083]
第二异常指数，也就是一个周人体特征的周异常指数。
[0084]
对于s4，先分别将日重疾异常标准指数集中的每个日重疾异常标准指数加1，得到第一分母，然后将目标第一异常指数除以与目标第一异常指数对应的第一分母，得到目标第一异常指数对应的第一比值，将各个第一异常指数对应的各个第一比值进行平均计算，得到第一异常风险值，其中，目标第一异常指数是任一个第一异常指数；先分别将周重疾异常标准指数集中的每个周重疾异常标准指数加1，得到第二分母，然后将目标第二异常指数除以与目标第二异常指数对应的第二分母，得到目标第二异常指数对应的第二比值，将各个第二异常指数对应的各个第二比值进行平均计算，得到第二异常风险值，其中，目标第二异常指数是任一个第二异常指数。
[0085]
对于s5，采用基于deepfm模型训练得到的模型，根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值。
[0086]
deepfm模型，是基于wide&deep所做的的改进，相比于wide&deep模型，deepfm使用fm来替代了其中的wide模型，fm模型具有自动学习交叉特征的能力，避免了原始wide&deep模型中浅层部分人工特征工程的工作。deepfm模型包含两部分：神经网络(dnn)部分与因子分解机(fm)部分，分别负责低阶特征的提取和高阶特征的提取。
[0087]
对于s6，将所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值输入预设的公式进行目标重疾概率，将目标重疾概率在预设的重疾状态映射表中进行重疾状态查找，将查找的重疾状态作为所述目标对象对应的重疾状态预测结果。
[0088]
重疾状态映射表包括：风险值和重疾状态，其中，重疾状态包括：风险极高、风险较高、风险中等、风险较低。
[0089]
可选的，所述根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果的步骤之后，还包括：当所述重疾状态预测结果为风险极高或风险较高时，确定所述目标对象对应的保前风控评估结果为高；当所述重疾状态预测结果为风险中等或风险较低时，确定所述目标对象对应的保前风控评估结果为低。
[0090]
可选的，当所述目标对象对应的保前风控评估结果为高时，根据预设的第一费率和所述目标对象对应的年龄确定目标保费；当所述目标对象对应的保前风控评估结果为低时，根据预设的第二费率和所述目标对象对应的年龄确定目标保费；所述第一费率大于所述第二费率。
[0091]
在一个实施例中，上述根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率的步骤，包括：
[0092]
s21：将所述日时序特征集输入预设的日时序特征重疾概率预测模型进行重疾概率预测，得到所述第一时序重疾概率，其中，所述日时序特征重疾概率预测模型是基于时序网络训练得到的模型；
[0093]
s22：将所述周时序特征集输入预设的周时序特征重疾概率预测模型进行重疾概率预测，得到所述第二时序重疾概率，其中，所述周时序特征重疾概率预测模型是基于时序
网络或非时序网络训练得到的模型。
[0094]
本实施例采用基于时序网络训练得到的模型进行时序特性的重疾概率预测，并且采用基于时序网络或非时序网络训练得到的模型进行时序特性的重疾概率预测，为基于每日的时序特性的重疾概率和每周的时序特性的重疾概率确定重疾状态预测结果提供了基础。
[0095]
对于s21，将所述日时序特征集输入预设的日时序特征重疾概率预测模型进行重疾概率预测，将预测得到的重疾概率作为所述第一时序重疾概率。
[0096]
所述日时序特征重疾概率预测模型是基于deepar模型训练得到的模型。
[0097]
deepar模型，是基于时间序列预测算法的模型，是一个升级版的自回归模型。
[0098]
可选的，所述日时序特征重疾概率预测模型是采用第一训练集进行训练，并且通过第一验证集进行验证的模型；其中，第一训练集训练时损失值收敛于第一收敛值，第一验证集验证时正确率大于或等于第一正确率。
[0099]
可选的，第一收敛值设为0.001。
[0100]
第一训练集中的训练样本包括：日时序特征样本集和重疾标定值，其中，重疾标定值是日时序特征样本集对应的对象是否确诊重疾的准确结果。日时序特征样本集中包括同一对象在一段时间内的多个日时序特征。
[0101]
第一验证集中的训练样本包括：日时序特征样本集和重疾标定值。
[0102]
对于s22，将所述周时序特征集输入预设的周时序特征重疾概率预测模型进行重疾概率预测，将预测得到的重疾概率作为所述第二时序重疾概率。
[0103]
所述周时序特征重疾概率预测模型是基于deepar模型或dnn网络训练得到的模型。
[0104]
dnn网络，也就是深度神经网络。
[0105]
可选的，所述周时序特征重疾概率预测模型是采用第二训练集进行训练，并且通过第二验证集进行验证的模型；其中，第二训练集训练时损失值收敛于第二收敛值，第二验证集验证时正确率大于或等于第二正确率。
[0106]
可选的，第二收敛值设为0.001。
[0107]
第二训练集中的训练样本包括：周时序特征样本集和重疾标定值，其中，重疾标定值是周时序特征样本集对应的对象是否确诊重疾的准确结果。周时序特征样本集中包括同一对象在一段时间内的多个周时序特征。
[0108]
第二验证集中的训练样本包括：周时序特征样本集和重疾标定值。
[0109]
在一个实施例中，上述根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数的步骤，包括：
[0110]
第x个所述日人体特征的所述第一异常指数的计算公式erst1(x)为：
[0111][0112]
其中，k是所述日时序特征集中的日时序特征的数量，当第d个所述日时序特征中的与第x个所述日人体特征对应的特征值位于所述人体健康日知识图谱中的与第x个所述日人体特征对应的第一范围数据内时，则yd为0，当第d个所述日时序特征中的与第x个所述
日人体特征对应的特征值位于所述人体健康日知识图谱中的与第x个所述日人体特征对应的所述第一范围数据外时，则yd为1；
[0113]
第x个所述周人体特征的所述第二异常指数的计算公式erst2(x)为：
[0114][0115]
其中，m是所述周时序特征集中的周时序特征的数量，当第d个所述周时序特征中的与第x个所述周人体特征对应的特征值位于所述人体健康周知识图谱中的与第x个所述周人体特征对应的第二范围数据内时，则zd为0，当第d个所述周时序特征中的与第x个所述周人体特征对应的特征值位于所述人体健康周知识图谱中的与第x个所述周人体特征对应的所述第二范围数据外时，则zd为1。
[0116]
本实施例将所述日时序特征集中的每个日人体特征对应的各个特征值相对人体健康日知识图谱的异常数量比例，作为第一异常指数，将所述周时序特征集中的每个周人体特征对应的各个特征值相对人体健康周知识图谱的异常数量比例，作为第二异常指数，从而提取出了每日的异常特性和每周的异常特性，为基于每日的异常特性和每周的异常特性确定重疾状态预测结果提供了基础。
[0117]
人体健康日知识图谱包括：日人体特征和第一范围数据。
[0118]
人体健康周知识图谱包括：周人体特征和第一范围数据。
[0119]
在一个实施例中，上述根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数的步骤之前，还包括：
[0120]
s31：将任一个所述日人体特征作为目标日特征；
[0121]
s32：将所述目标日特征在预设的第一医学临床库中进行日正常范围查找，得到第一查找结果；
[0122]
s33：若所述第一查找结果为成功时，将所述第一查找结果对应的所述日正常范围作为所述目标日特征对应的第一范围数据；
[0123]
s34：若所述第一查找结果为失败时，获取所述目标日特征对应的健康对象日特征数据集，对所述健康对象日特征数据集进行正序排序，得到排序后日特征数据集，从所述排序后日特征数据集中获取与预设的第一数量比例对应的日特征数据，作为所述目标日特征对应的所述第一范围数据的开始值，从所述排序后日特征数据集中获取与预设的第二数量比例对应的所述日特征数据，作为所述目标日特征对应的所述第一范围数据的结束值，其中，所述第一数量比例小于所述第二数量比例；
[0124]
s35：根据各个所述日人体特征对应的各个所述第一范围数据生成所述人体健康日知识图谱；
[0125]
s36：将任一个所述周人体特征作为目标周特征；
[0126]
s37：将所述目标周特征在预设的第二医学临床库中进行周正常范围查找，得到第二查找结果；
[0127]
s38：若所述第二查找结果为成功时，将所述第一查找结果对应的所述周正常范围作为所述目标周特征对应的第二范围数据；
[0128]
s39：若所述第二查找结果为失败时，获取所述目标周特征对应的健康对象周特征
数据集，对所述健康对象周特征数据集进行正序排序，得到排序后周特征数据集，从所述排序后周特征数据集中获取与预设的第三数量比例对应的周特征数据，作为所述目标周特征对应的所述第二范围数据的开始值，从所述排序后周特征数据集中获取与预设的第四数量比例对应的所述周特征数据，作为所述目标周特征对应的所述第二范围数据的结束值，其中，所述第三数量比例小于所述第四数量比例；
[0129]
s310：根据各个所述周人体特征对应的各个所述第二范围数据生成所述人体健康周知识图谱。
[0130]
本实施例在第一医学临床库没有日正常范围时，采用正态分布的原则，将第一数量比例对应的日特征数据作为第一范围数据的开始值，将第二数量比例对应的日特征数据作为第一范围数据的结束值，从而有效的构建了人体健康日知识图谱；在第二医学临床库没有周正常范围时，采用正态分布的原则，将第三数量比例对应的周特征数据作为第二范围数据的开始值，将第四数量比例对应的周特征数据作为第二范围数据的结束值，从而有效的构建了人体健康周知识图谱，为基于每日的异常特性和每周的异常特性确定重疾状态预测结果提供了基础。
[0131]
对于s32，将所述目标日特征在预设的第一医学临床库中进行日正常范围查找，当查找到日正常范围时，确定所述第一查找结果为成功，当没有查找到日正常范围时，确定所述第一查找结果为失败。
[0132]
第一医学临床库包括：日人体特征和日正常范围。
[0133]
对于s33，若所述第一查找结果为成功时，将所述第一查找结果对应的所述日正常范围作为所述目标日特征对应的第一范围数据，从而直接采用医学已验证的日正常范围作为第一范围数据。
[0134]
对于s34，若所述第一查找结果为失败时，可以从数据库中获取所述目标日特征对应的健康对象日特征数据集，也可以从第三方应用系统中获取所述目标日特征对应的健康对象日特征数据集，还可以获取用户输入的所述目标日特征对应的健康对象日特征数据集。
[0135]
所述目标日特征对应的健康对象日特征数据集，是多个健康的人体在一段时间内的与目标日特征对应的特征值的集合。
[0136]
其中，对所述健康对象日特征数据集进行正序排序，得到排序后日特征数据集，从而使排序后日特征数据集中的特征值从小到大排序。
[0137]
其中，从所述排序后日特征数据集中获取与预设的第一数量比例对应的日特征数据，作为所述目标日特征对应的所述第一范围数据的开始值，从所述排序后日特征数据集中获取与预设的第二数量比例对应的所述日特征数据，作为所述目标日特征对应的所述第一范围数据的结束值，从而实现采用正态分布的方法确定第一范围数据。
[0138]
可选的，所述第一数量比例设为20％，所述第二数量比例设为80％。
[0139]
比如，所述排序后日特征数据集中有100个日特征数据，所述第一数量比例设为20％，所述第二数量比例设为80％，则将所述排序后日特征数据集中的第20个日特征数据作为所述第一范围数据的开始值，将所述排序后日特征数据集中的第80个日特征数据作为所述目标日特征对应的所述第一范围数据的结束值。
[0140]
重复执行步骤s31至步骤s34，即可确定每个日人体特征对应的第一范围数据。
[0141]
对于s35，采用预设的日知识图谱生成规范，根据各个所述日人体特征对应的各个所述第一范围数据生成所述人体健康日知识图谱。
[0142]
对于s37，将所述目标周特征在预设的第二医学临床库中进行周正常范围查找，当查找到周正常范围时，确定所述第二查找结果为成功，当没有查找到周正常范围时，确定所述第二查找结果为失败。
[0143]
第二医学临床库包括：周人体特征和周正常范围。
[0144]
对于s38，若所述第二查找结果为成功时，将所述第二查找结果对应的所述周正常范围作为所述目标周特征对应的第二范围数据，从而直接采用医学已验证的周正常范围作为第二范围数据。
[0145]
对于s39，若所述第二查找结果为失败时，可以从数据库中获取所述目标周特征对应的健康对象周特征数据集，也可以从第三方应用系统中获取所述目标周特征对应的健康对象周特征数据集，还可以获取用户输入的所述目标周特征对应的健康对象周特征数据集。
[0146]
所述目标周特征对应的健康对象周特征数据集，是多个健康的人体在一段时间内的与目标周特征对应的特征值的集合。
[0147]
其中，对所述健康对象周特征数据集进行正序排序，得到排序后周特征数据集，从而使排序后周特征数据集中的特征值从小到大排序。
[0148]
其中，从所述排序后周特征数据集中获取与预设的第三数量比例对应的周特征数据，作为所述目标周特征对应的所述第二范围数据的开始值，从所述排序后周特征数据集中获取与预设的第四数量比例对应的所述周特征数据，作为所述目标周特征对应的所述第二范围数据的结束值，从而实现采用正态分布的方法确定第二范围数据。
[0149]
可选的，所述第三数量比例设为20％，所述第四数量比例设为80％。
[0150]
比如，所述排序后周特征数据集中有100个周特征数据，所述第三数量比例设为20％，所述第四数量比例设为80％，则将所述排序后周特征数据集中的第20个周特征数据作为所述第二范围数据的开始值，将所述排序后周特征数据集中的第80个周特征数据作为所述目标周特征对应的所述第二范围数据的结束值。
[0151]
重复执行步骤s36至步骤s39，即可确定每个周人体特征对应的第二范围数据。
[0152]
对于s310，采用预设的周知识图谱生成规范，根据各个所述周人体特征对应的各个所述第二范围数据生成所述人体健康周知识图谱。
[0153]
在一个实施例中，上述根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值的步骤，包括：
[0154]
所述第一异常风险的计算公式re1为：
[0155][0156]
其中，n是所述第一异常指数的数量，erst3(x)是所述日重疾异常标准指数集中的与第x个所述日人体特征对应的日重疾异常标准指数，erst1(x)是第x个所述日人体特征对应的所述第一异常指数；
[0157]
所述第二异常风险的计算公式re2为：
[0158][0159]
其中，p是所述第二异常指数的数量，erst4(x)是所述周重疾异常标准指数集中的与第x个所述周人体特征对应的周重疾异常标准指数，erst2(x)是第x个所述周人体特征对应的所述第二异常指数。
[0160]
本实施例实现了根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值，从而提取出了每日的异常特性的风险值和每周的异常特性的风险值，为基于每日的异常特性的风险值和每周的异常特性的风险值确定重疾状态预测结果提供了基础。
[0161]
日重疾异常标准指数集中包括多个日重疾异常标准指数，每个日重疾异常标准指数对应一个日人体特征。日重疾异常标准指数，是确诊了重疾的人体的与日人体特征对应的异常指数的标准值。
[0162]
其中，获取多个确诊了重疾的对象对应的第一异常指数样本集；将任一个日人体特征作为目标日人体特征；从第一异常指数样本集中获取与目标日人体特征对应的各个异常指数作为第一单特征异常指数集；对所述第一单特征异常指数集进行正序排序，得到排序后第一单特征异常指数集；从所述排序后第一单特征异常指数集中获取与预设的第五数量比例到预设的第六数量比例对应的各个单特征异常指数，得到第一指数集；对第一指数集进行平均值计算，得到所述目标日人体特征对应的日重疾异常标准指数；其中，所述第五数量比例小于所述第六数量比例。
[0163]
第一异常指数样本集，是多个确诊了重疾的对象各自对应的各个日异常指数的集合。
[0164]
可选的，所述第五数量比例设为20％，所述第六数量比例设为80％。
[0165]
比如，排序后第一单特征异常指数集中有100个单特征异常指数，所述第五数量比例设为20％，所述第六数量比例设为80％，则将第20个到第80个单特征异常指数作为第一指数集，第一指数集中包括61个单特征异常指数。
[0166]
周重疾异常标准指数集中包括多个周重疾异常标准指数，每个周重疾异常标准指数对应一个周人体特征。周重疾异常标准指数，是确诊了重疾的人体的与周人体特征对应的异常指数的标准值。
[0167]
其中，获取多个确诊了重疾的对象对应的第二异常指数样本集；将任一个周人体特征作为目标周人体特征；从第二异常指数样本集中获取与目标周人体特征对应的各个异常指数作为第二单特征异常指数集；对所述第二单特征异常指数集进行正序排序，得到排序后第二单特征异常指数集；从所述排序后第二单特征异常指数集中获取与预设的第七数量比例到预设的第八数量比例对应的各个单特征异常指数，得到第二指数集；对第二指数集进行平均值计算，得到所述目标周人体特征对应的周重疾异常标准指数；其中，所述第七数量比例小于所述第八数量比例。
[0168]
第二异常指数样本集，是多个确诊了重疾的对象各自对应的各个周异常指数的集
合。
[0169]
可选的，所述第七数量比例设为20％，所述第八数量比例设为80％。
[0170]
比如，排序后第二单特征异常指数集中有100个单特征异常指数，所述第七数量比例设为20％，所述第八数量比例设为80％，则将第20个到第80个单特征异常指数作为第二指数集，第二指数集中包括61个单特征异常指数。
[0171]
在一个实施例中，上述根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值的步骤，包括：
[0172]
s51：将各个所述第一异常指数和各个所述第二异常指数输入预设的交叉风险预测模型进行所述交叉风险值预测，其中，所述交叉风险预测模型是基于deepfm模型训练得到的模型。
[0173]
本实施例将各个所述第一异常指数和各个所述第二异常指数输入预设的交叉风险预测模型进行所述交叉风险值预测，从而为将交叉风险值应用于重疾状态预测结果的确定提供了基础。
[0174]
对于s51，将各个所述第一异常指数输入交叉风险预测模型的dnn，将各个所述第二异常指数输入交叉风险预测模型的fm。
[0175]
可选的，将各个所述第一异常指数和各个所述第二异常指数输入预设的交叉风险预测模型的dnn。
[0176]
可选的，所述交叉风险预测模型是采用第三训练集进行训练，并且通过第三验证集进行验证的模型；其中，第三训练集训练时损失值收敛于第三收敛值，第三验证集验证时正确率大于或等于第三正确率。
[0177]
可选的，第三收敛值设为0.001。
[0178]
第三训练集中的训练样本包括：日异常指数样本集、周异常指数样本集和交叉风险标定值，其中，交叉风险标定值是日异常指数样本集和周异常指数样本集对应的对象是否确诊重疾的准确结果。日异常指数样本集中包括同一对象在一段时间内的多个日异常指数。周异常指数样本集中包括同一对象在一段时间内的多个周异常指数。
[0179]
第三验证集中的训练样本包括：日异常指数样本集、周异常指数样本集和交叉风险标定值。
[0180]
在一个实施例中，上述根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果的步骤，包括：
[0181]
s61：根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值计算目标重疾概率；
[0182]
s62：根据所述目标重疾概率和预设的重疾状态映射表，确定所述目标对象对应的所述重疾状态预测结果；
[0183]
其中，所述目标重疾概率的计算公式r为：
[0184][0185]
其中，re0是所述交叉风险值，re1是所述第一异常风险，re2是所述第二异常风险，r1是所述第一时序重疾概率，r2是所述第二时序重疾概率。
[0186]
本实施例的整个计算过程充分参考了目标对象的基于人体生物信息的人体特征的时序特性和异常特性，也充分考虑了交叉风险值，提高了确定的重疾状态预测结果的准确性。
[0187]
对于62，将目标重疾概率在预设的重疾状态映射表中进行重疾状态查找，将查找的重疾状态作为所述目标对象对应的重疾状态预测结果。
[0188]
比如，当目标重疾概率大于0.7时，重疾状态预测结果确定为风险极高，当目标重疾概率大于0.5，并且，小于或等于0.7时，重疾状态预测结果确定为风险较高，当目标重疾概率大于0.3，并且，小于或等于0.5时，重疾状态预测结果确定为风险中等，当目标重疾概率小于或等于0.3时，重疾状态预测结果确定为风险较低。
[0189]
参照图2，本技术还提出了一种基于人工智能的重疾状态预测装置，所述装置包括：
[0190]
数据获取模块100，用于获取目标对象对应的日时序特征集和周时序特征集；
[0191]
时序重疾概率预测模块200，用于根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率；
[0192]
异常指数计算模块300，用于根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数；
[0193]
异常风险值计算模块400，用于根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值；
[0194]
交叉风险值计算模块500，用于根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值；
[0195]
重疾状态预测结果确定模块600，用于根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果。
[0196]
本实施例首先基于日时序特征集和周时序特征集预测第一时序重疾概率和第二时序重疾概率，其次基于日时序特征集和周时序特征集计算第一异常指数和第二异常指数，然后通过根据各个所述第一异常指数和各个所述第二异常指数计算第一异常风险值、第二异常风险值、交叉风险值，最后根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果，整个计算过程充分参考了目标对象的基于人体生物信息的人体特征的时序特性和异常特性，提高了确定的重疾状态预测结果的准确性；因基于统计的方式对目标对象的异常特征进行概括性统计，异常特征是非常稀疏的数据分布，从而导致对某些特征的交叉效应可能被淹没，为了解决该问题，将交叉风险值应用于重疾状态预测结果的确定，从而提高了确定的重疾状态预测结果的准确性。
[0197]
参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序
和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于人工智能的重疾状态预测方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的重疾状态预测方法。所述基于人工智能的重疾状态预测方法，包括：获取目标对象对应的日时序特征集和周时序特征集；根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率；根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数；根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值；根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值；根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果。
[0198]
本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的重疾状态预测方法，包括步骤：获取目标对象对应的日时序特征集和周时序特征集；根据所述日时序特征集预测第一时序重疾概率，并根据所述周时序特征集预测第二时序重疾概率；根据所述日时序特征集和预设的人体健康日知识图谱计算每个日人体特征的第一异常指数，并根据所述周时序特征集和预设的人体健康周知识图谱计算每个周人体特征的第二异常指数；根据各个所述第一异常指数和预设的日重疾异常标准指数集计算第一异常风险值，并根据各个所述第二异常指数和预设的周重疾异常标准指数集计算第二异常风险值；根据各个所述第一异常指数和各个所述第二异常指数计算交叉风险值；根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果。
[0199]
上述执行的基于人工智能的重疾状态预测方法，首先基于日时序特征集和周时序特征集预测第一时序重疾概率和第二时序重疾概率，其次基于日时序特征集和周时序特征集计算第一异常指数和第二异常指数，然后通过根据各个所述第一异常指数和各个所述第二异常指数计算第一异常风险值、第二异常风险值、交叉风险值，最后根据所述第一时序重疾概率、所述第二时序重疾概率、所述第一异常风险值、所述第二异常风险值和所述交叉风险值确定所述目标对象对应的重疾状态预测结果，整个计算过程充分参考了目标对象的基于人体生物信息的人体特征的时序特性和异常特性，提高了确定的重疾状态预测结果的准确性；因基于统计的方式对目标对象的异常特征进行概括性统计，异常特征是非常稀疏的数据分布，从而导致对某些特征的交叉效应可能被淹没，为了解决该问题，将交叉风险值应用于重疾状态预测结果的确定，从而提高了确定的重疾状态预测结果的准确性。
[0200]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0201]
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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
[0202]
以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。