基于人工智能的亚健康风险预测方法、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亚健康风险预测方法、装置、设备及介质。


背景技术：

2.亚健康是指人体处于健康和疾病之间的一种状态，患者整天感觉不舒服，但是医院检查显示没有生病。对亚健康的研究多限于横断面调查，目前的亚健康检测工具多为自评量表或调查问卷。因这类亚健康检测工具的评估靠患者的主观选择选项或回答问题，患者的主观存在偏差，从而导致亚健康的检出率不高，检测出的亚健康的准确度不高。


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亚健康风险预测方法、装置、设备及介质，旨在解决目前的亚健康检测工具，存在亚健康的检出率不高，检测出的亚健康的准确度不高的技术问题。
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亚健康风险预测方法，所述方法包括：
5.获取目标日期和目标对象的子因子时序信息库；
6.根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算；
7.根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率；
8.对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率；
9.根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果。
10.进一步的，所述根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算的步骤，包括：
11.从所述子因子时序信息库中获取一段时间内的各个子因子时序信息，作为第一子因子时序信息集，其中，所述第一子因子时序信息集的结束日期是所述目标日期，所述第一子因子时序信息集对应的天数等于预设的提取天数；
12.根据所述第一子因子时序信息集，对每个子因子分别进行多个子因子第一平均值、多个子因子第二平均值和一个子因子第三平均值计算，其中，所述子因子第一平均值是连续的和天数等于第一天数的平均值，所述子因子第二平均值是连续的和天数等于第二天数的平均值，所述子因子第三平均值是连续的和天数等于所述提取天数的平均值，所述第二天数大于所述第一天数，所述提取天数大于所述第二天数，同一个所述子因子对应的所有所述子因子第一平均值对应的总天数等于所述提取天数，同一个所述子因子对应的所有所述子因子第二平均值对应的总天数等于所述提取天数；
13.根据各个所述子因子第一平均值和各个所述子因子第三平均值进行子因子第一波动系数计算；
14.根据各个所述子因子第二平均值和各个所述子因子第三平均值进行子因子第二波动系数计算；
15.对所述子因子第一波动系数和所述子因子第二波动系数进行加权求和，得到所述目标日期对应的所述子因子波动总系数。
16.进一步的，所述根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率的步骤，包括：
17.将一段时间对应的各个日期作为待预测日期集，其中，所述待预测日期集的结束日期是所述目标日期，所述待预测日期集对应的天数与所述预测天数相同；
18.将预设的主因子列表中任一个主因子作为目标主因子；
19.从所述子因子时序信息库中获取与所述目标主因子对应的各个子因子时序信息，作为第二子因子时序信息集；
20.将所述待预测日期集中的任一个日期作为待处理日期；
21.从所述第二子因子时序信息集中获取一段时间内的各个子因子时序信息，作为目标时序信息集，其中，所述目标时序信息集的结束日期等于所述待处理日期；
22.将所述目标时序信息集输入与所述目标主因子对应的亚健康概率预测模型进行日亚健康概率预测，得到所述目标主因子在所述待处理日期的所述主因子日亚健康概率。
23.进一步的，所述对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率的步骤，包括：
24.将各个所述主因子日亚健康概率按日期进行集合划分，得到多个主因子日亚健康概率集；
25.将每个所述主因子日亚健康概率集输入预设的线性回归模型进行线性回归计算，得到所述日亚健康综合概率。
26.进一步的，所述根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果的步骤，包括：
27.根据各个所述日亚健康综合概率，对所述目标日期进行预设的第一天数内的综合亚健康概率平均值计算，得到亚健康综合概率第一平均值；
28.根据各个所述日亚健康综合概率，对所述目标日期进行预设的第二天数内的综合亚健康概率平均值计算，得到亚健康综合概率第二平均值；
29.根据所述目标日期对应的所述日亚健康综合概率、所述亚健康综合概率第一平均值、所述亚健康综合概率第二平均值和所述子因子波动总系数，对所述目标日期进行亚健康风险概率计算；
30.根据所述亚健康风险概率，对所述目标日期进行亚健康风险预测，得到所述亚健康风险预测结果。
31.进一步的，所述亚健康风险概率的计算公式psh(d)为：
[0032][0033]
其中，p0(d)是所述目标日期对应的所述日亚健康综合概率，p1(d)是所述亚健康综
合概率第一平均值，p2(d)是所述亚健康综合概率第二平均值，vix是所述子因子波动总系数，β是常量，log是对数函数。
[0034]
进一步的，所述根据所述亚健康风险概率，对所述目标日期进行亚健康风险预测，得到所述亚健康风险预测结果的步骤，包括：
[0035]
当所述亚健康风险概率大于预设的第一阈值时，确定所述亚健康风险预测结果为亚健康风险较高；
[0036]
当所述亚健康风险概率大于或等于预设的第二阈值，并且，所述亚健康风险概率小于或等于所述第一阈值时，确定所述亚健康风险预测结果为亚健康风险中等；
[0037]
当所述亚健康风险概率小于所述第二阈值时，确定所述亚健康风险预测结果为亚健康风险较低。
[0038]
本技术还提出了一种基于人工智能的亚健康风险预测装置，所述装置包括：
[0039]
数据获取模块，用于获取目标日期和目标对象的子因子时序信息库；
[0040]
子因子波动总系数确定模块，用于根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算；
[0041]
主因子日亚健康概率确定模块，用于根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率；
[0042]
日亚健康综合概率确定模块，用于对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率；
[0043]
亚健康风险预测结果确定模块，用于根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果。
[0044]
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。
[0045]
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。
[0046]
本技术的基于人工智能的亚健康风险预测方法、装置、设备及介质，其中方法通过获取目标日期和目标对象的子因子时序信息库；根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算；根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率；对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率；根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果。通过基于根据目标对象的人体生物信息抽取的子因子时序信息库进行亚健康风险预测，不需目标对象主观选择选项或回答问题，提高了亚健康的检出率，提高了检测出的亚健康的准确度；通过根据各个日亚健康综合概率和子因子波动总系数进行亚健康风险预测，兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了亚健康的检出率，提高了检测出的亚健康的准确度。
附图说明
[0047]
图1为本技术一实施例的基于人工智能的亚健康风险预测方法的流程示意图；
[0048]
图2为本技术一实施例的基于人工智能的亚健康风险预测装置的结构示意框图；
[0049]
图3为本技术一实施例的计算机设备的结构示意框图。
[0050]
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
[0051]
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。
[0052]
参照图1，本技术实施例中提供一种基于人工智能的亚健康风险预测方法，所述方法包括：
[0053]
s1：获取目标日期和目标对象的子因子时序信息库；
[0054]
s2：根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算；
[0055]
s3：根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率；
[0056]
s4：对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率；
[0057]
s5：根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果。
[0058]
本实施例通过基于根据目标对象的人体生物信息抽取的子因子时序信息库进行亚健康风险预测，不需目标对象主观选择选项或回答问题，提高了亚健康的检出率，提高了检测出的亚健康的准确度；通过根据各个日亚健康综合概率和子因子波动总系数进行亚健康风险预测，兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了亚健康的检出率，提高了检测出的亚健康的准确度。
[0059]
对于s1，可以获取用户输入的目标日期和目标对象的子因子时序信息库，也可以从数据库中获取目标日期和目标对象的子因子时序信息库，还可以从第三方应用(比如，穿戴设备中的应用)中获取目标日期和目标对象的子因子时序信息库。
[0060]
目标日期，是想要预测是否亚健康风险的日期。
[0061]
目标对象，是需要评估亚健康风险的人。
[0062]
目标对象的子因子时序信息库，是根据目标对象的人体生物信息抽取的各个子因子的时序信息的库。
[0063]
子因子时序信息库包括：多个子因子时序信息。子因子时序信息包括：日期和多个子因子单日信息。子因子单日信息，是子因子在一个自然日的值。
[0064]
人体的人体生物信息可以抽取出多个主因子，每个主因子包括一个或多个子因子。比如，人体生物信息可以抽取出的主因子包括：活动因子、睡眠因子、体重因子和心脏因子，活动因子包括如下子因子：总步数、久坐时长、零散活动量、低强度运动量、高强度运动量，睡眠因子包括如下子因子：入睡时间、起床时间、睡眠时长、睡眠质量，体重因子包括如下子因子：体重、体脂率，心脏因子包括如下子因子：平常心率、运动心率。
[0065]
其中，获取同一对象的人体生物信息，对获取的人体生物信息进行数据清洗，然后采用规则模板及条件模板，对数据清洗后的数据进行子因子单日信息的提取，根据提取的子因子单日信息生成该对象的子因子时序信息库。
[0066]
数据清洗包括但不限于：脏数据的删除和超限值的删除。脏数据，是指不符合数据规范的数据。超限值，是值超出预设范围的值。
[0067]
对于s2，以所述目标日期为结束时间，从所述子因子时序信息库中获取一段时间的子因子时序信息，根据获取的子因子时序信息，对所述目标日期进行子因子波动总系数计算。
[0068]
可以理解的是，本技术中的一段时间，是连续的多个日期。
[0069]
子因子波动总系数，是全部子因子的总波动性。
[0070]
可选的，以所述目标日期为结束时间，从所述子因子时序信息库中获取一段时间内的各个子因子时序信息；根据获取的各个子因子时序信息分别计算每个子因子的周平均值、月平均值和年平均值；计算子因子的周平均值对应于子因子的年平均值的第一波动性；计算子因子的月平均值对应于子因子的年平均值的第二波动性；将第一波动性和第二波动性相加，将相加得到的数据作为子因子波动总系数。
[0071]
对于s3，将一段时间对应的各个日期作为待预测日期集，其中，所述待预测日期集的结束日期是所述目标日期，所述待预测日期集对应的天数与所述预测天数相同；根据所述子因子时序信息库，针对待预测日期集中的每个日期进行预设的主因子列表中的每个主因子的日亚健康概率预测，将预测得到的每个日亚健康概率作为一个主因子日亚健康概率。也就是说，预测天数与主因子列表中的主因子的数量的乘积等于主因子日亚健康概率的数量。
[0072]
主因子列表包括：主因子标识、主因子名称和子因子集。主因子标识是主因子id，用于唯一标识一个主因子。每个子因子集中包括一个或多个子因子名称。
[0073]
对于s4，对同一个日期对应的各个所述主因子日亚健康概率进行线性回归计算，将计算得到的数据作为一个日亚健康综合概率。也就是说，日亚健康综合概率的数量与主因子列表中的主因子的数量相同。
[0074]
对于s5，因基于某个日期节点的亚健康概率预测可能会存在较大波动，因此，通过针对在一段时间内的每个日期进行每个主因子的日亚健康概率预测，然后对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，最后根据各个所述日亚健康综合概率和所述子因子波动总系数进行亚健康风险预测，兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了确定的亚健康风险预测结果的准确性。
[0075]
其中，根据各个所述日亚健康综合概率进行周平均综合概率计算，根据各个所述日亚健康综合概率进行月平均综合概率计算，然后根据所述目标日期对应的所述日亚健康综合概率、周平均综合概率、月平均综合概率和所述子因子波动总系数进行亚健康风险概率计算，最后将亚健康风险概率与阈值进行比较，根据比较结果确定亚健康风险预测结果。
[0076]
亚健康风险预测结果，是目标对象在目标日期的亚健康的风险预测结果。
[0077]
在一个实施例中，上述根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算的步骤，包括：
[0078]
s21：从所述子因子时序信息库中获取一段时间内的各个子因子时序信息，作为第一子因子时序信息集，其中，所述第一子因子时序信息集的结束日期是所述目标日期，所述第一子因子时序信息集对应的天数等于预设的提取天数；
[0079]
s22：根据所述第一子因子时序信息集，对每个子因子分别进行多个子因子第一平
均值、多个子因子第二平均值和一个子因子第三平均值计算，其中，所述子因子第一平均值是连续的和天数等于第一天数的平均值，所述子因子第二平均值是连续的和天数等于第二天数的平均值，所述子因子第三平均值是连续的和天数等于所述提取天数的平均值，所述第二天数大于所述第一天数，所述提取天数大于所述第二天数，同一个所述子因子对应的所有所述子因子第一平均值对应的总天数等于所述提取天数，同一个所述子因子对应的所有所述子因子第二平均值对应的总天数等于所述提取天数；
[0080]
s23：根据各个所述子因子第一平均值和各个所述子因子第三平均值进行子因子第一波动系数计算；
[0081]
s24：根据各个所述子因子第二平均值和各个所述子因子第三平均值进行子因子第二波动系数计算；
[0082]
s25：对所述子因子第一波动系数和所述子因子第二波动系数进行加权求和，得到所述目标日期对应的所述子因子波动总系数。
[0083]
本实施例通过先根据各个所述子因子第一平均值和各个所述子因子第三平均值进行子因子第一波动系数计算，然后根据各个所述子因子第二平均值和各个所述子因子第三平均值进行子因子第二波动系数计算，最后对所述子因子第一波动系数和所述子因子第二波动系数进行加权求和作为子因子波动总系数，从而将短期和长期的波动系数进行综合，提高了确定的子因子波动总系数的准确性。
[0084]
对于s21，从所述子因子时序信息库中获取一段时间内的各个子因子时序信息，作为第一子因子时序信息集，所述第一子因子时序信息集的结束日期是所述目标日期，也就是说，也就是，所述第一子因子时序信息集中的最晚日期等于目标日期，第一子因子时序信息集是所述目标日期及历史上最邻近所述目标日期的一段时间内的各个子因子时序信息。
[0085]
所述第一子因子时序信息集对应的天数等于预设的提取天数，也就是说，所述第一子因子时序信息集对应的天数始终等于提取天数。
[0086]
其中，所述第一子因子时序信息集对应的天数等于预设的提取天数，也就是说，所述第一子因子时序信息集的最晚日期减去所述第一子因子时序信息集的最早日期的差值大于或等于目标天数。目标天数是所述提取天数减去1。
[0087]
当所述第一子因子时序信息集的最晚日期减去所述第一子因子时序信息集的最早日期的差值大于所述目标天数时，意味着，从所述第一子因子时序信息集的最晚日期到所述目标日期的各个日期存在不包含子因子时序信息的日期。
[0088]
当所述第一子因子时序信息集的最晚日期减去所述第一子因子时序信息集的最早日期的差值等于所述目标天数时，意味着，从所述第一子因子时序信息集的最晚日期到所述目标日期的每个日期均存在子因子时序信息。
[0089]
对于s22，根据所述第一子因子时序信息集按第一天数进行划分，将划分得到的每个集合，针对每个子因子进行平均值计算，将计算得到的每个平均值作为一个子因子第一平均值；根据所述第一子因子时序信息集按第二天数进行划分，将划分得到的每个集合，针对每个子因子进行平均值计算，将计算得到的每个平均值作为一个子因子第二平均值；根据所述第一子因子时序信息集，针对每个子因子进行平均值计算，将计算得到的每个平均值作为一个子因子第三平均值。
[0090]
其中，同一个所述子因子对应的所有所述子因子第一平均值对应的总天数等于所
述提取天数，也就是说，所述提取天数是第一天数的整数倍。
[0091]
其中，同一个所述子因子对应的所有所述子因子第二平均值对应的总天数等于所述提取天数，也就是说，所述提取天数是第二天数的整数倍。
[0092]
比如，子因子第一平均值是一个子因子在每周的平均值，子因子第二平均值是一个子因子在每30天的平均值。
[0093]
对于s23，子因子第一波动系数的计算公式vix1为：
[0094][0095]
其中，yz1是子因子的总数，t1是每个子因子的所述子因子第一平均值的数量，y
x
是第x个子因子的所述子因子第三平均值，是第x个子因子的第w个所述子因子第一平均值，是的绝对值。
[0096]
对于s24，子因子第二波动系数的计算公式vix2为：
[0097][0098]
其中，yz1是子因子的总数，t2是每个子因子的所述子因子第二平均值的数量，y
x
是第x个子因子的所述子因子第三平均值，是第x个子因子的第m个所述子因子第二平均值，是的绝对值。
[0099]
对于s25，对所述子因子第一波动系数和所述子因子第二波动系数进行加权求和，将加权求和得到的数据作为所述目标日期对应的所述子因子波动总系数。
[0100]
可选的，将所述子因子第一波动系数和所述子因子第二波动系数进行相加，将相加得到的数据作为所述目标日期对应的所述子因子波动总系数。
[0101]
在一个实施例中，上述根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率的步骤，包括：
[0102]
s31：将一段时间对应的各个日期作为待预测日期集，其中，所述待预测日期集的结束日期是所述目标日期，所述待预测日期集对应的天数与所述预测天数相同；
[0103]
s32：将预设的主因子列表中任一个主因子作为目标主因子；
[0104]
s33：从所述子因子时序信息库中获取与所述目标主因子对应的各个子因子时序信息，作为第二子因子时序信息集；
[0105]
s34：将所述待预测日期集中的任一个日期作为待处理日期；
[0106]
s35：从所述第二子因子时序信息集中获取一段时间内的各个子因子时序信息，作为目标时序信息集，其中，所述目标时序信息集的结束日期等于所述待处理日期；
[0107]
s36：将所述目标时序信息集输入与所述目标主因子对应的亚健康概率预测模型进行日亚健康概率预测，得到所述目标主因子在所述待处理日期的所述主因子日亚健康概率。
[0108]
因基于某个日期节点的亚健康概率预测可能会存在较大波动，因此，本实施例通过计算目标日期及历史上最接近目标日期的一段时间内的主因子日亚健康概率，为综合评估连续多日的亚健康概率，以提高确定的亚健康风险预测结果的准确性提供了基础。
[0109]
对于s31，将一段时间对应的各个日期作为待预测日期集，也就是说，待预测日期集包括了一段时间的每个日期。
[0110]
所述待预测日期集对应的天数与所述预测天数相同，也就是说，待预测日期集中的日期的数量等于所述预测天数。
[0111]
对于s33，从所述子因子时序信息库中获取与所述目标主因子对应的各个子因子时序信息，将获取的各个子因子时序信息作为第二子因子时序信息集。也就是说，第二子因子时序信息集均是属于目标主因子的子因子时序信息。
[0112]
对于s35，从所述第二子因子时序信息集中获取一段时间内的各个子因子时序信息，将获取的各个子因子时序信息作为目标时序信息集。
[0113]
所述目标时序信息集的结束日期等于所述待处理日期，也就是说，目标时序信息集包括：所述待处理日期的与目标主因子对应的各个子因子时序信息，以及历史上最靠近所述待处理日期的一段时间内的与目标主因子对应的各个子因子时序信息。
[0114]
对于s36，将所述目标时序信息集输入与所述目标主因子对应的亚健康概率预测模型进行日亚健康概率预测，将预测得到的日亚健康概率作为所述目标主因子在所述待处理日期的所述主因子日亚健康概率。
[0115]
可以理解的是，重复执行步骤s34至步骤s36，即可确定目标主因子在所述待预测日期集中的每个日期对应的所述主因子日亚健康概率。
[0116]
可以理解的是，重复执行步骤s32至步骤s36，即可确定主因子列表中的每个主因子在所述待预测日期集中的每个日期对应的的所述主因子日亚健康概率。
[0117]
亚健康概率预测模型，是基于时序网络训练得到的模型。比如，亚健康概率预测模型是基于lstm网络训练得到的模型。
[0118]
lstm网络，是指长短期记忆人工神经网络。
[0119]
可选的，亚健康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。
[0120]
可选的，第一收敛值设为0.001。
[0121]
第一训练集中的训练样本包括：子因子时序信息样本集和亚健康标定值，其中，亚健康标定值是子因子时序信息样本集对应的对象的亚健康状态的准确结果。子因子时序信息样本集中包括一段时间内的多个子因子时序信息。
[0122]
第一验证集中的训练样本包括：子因子时序信息样本集和亚健康标定值。
[0123]
在一个实施例中，上述对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率的步骤，包括：
[0124]
s41：将各个所述主因子日亚健康概率按日期进行集合划分，得到多个主因子日亚健康概率集；
[0125]
s42：将每个所述主因子日亚健康概率集输入预设的线性回归模型进行线性回归计算，得到所述日亚健康综合概率。
[0126]
本实施例将每个所述主因子日亚健康概率集输入预设的线性回归模型进行线性回归计算，实现了对同一个日期的各个所述主因子日亚健康概率进行数据拟合，
[0127]
对于s41，将各个所述主因子日亚健康概率按日期进行集合划分，将划分得到的每个集合作为一个主因子日亚健康概率集。
[0128]
也就是说，主因子日亚健康概率集是同一日期的所述主因子日亚健康概率。
[0129]
对于s42，将每个所述主因子日亚健康概率集输入预设的线性回归模型进行线性回归计算，将计算得到的数据作为所述日亚健康综合概率。
[0130]
线性回归模型是采用线性回归方程训练得到的模型。
[0131]
可选的，线性回归模型是采用第二训练集对线性回归方程进行训练，并且通过第二验证集对训练后的线性回归方程进行验证得到的模型；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。
[0132]
可选的，第二收敛值设为0.001。
[0133]
第二训练集中的训练样本包括：主因子日亚健康概率样本集和亚健康标定综合概率，其中，亚健康标定综合概率是主因子日亚健康概率样本集对应的对象的亚健康状态的准确结果。主因子日亚健康概率样本集中包括同一日期的多个主因子日亚健康概率。
[0134]
第二验证集中的训练样本包括：主因子日亚健康概率样本集和亚健康标定综合概率。
[0135]
在一个实施例中，上述根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果的步骤，包括：
[0136]
s51：根据各个所述日亚健康综合概率，对所述目标日期进行预设的第一天数内的综合亚健康概率平均值计算，得到亚健康综合概率第一平均值；
[0137]
s52：根据各个所述日亚健康综合概率，对所述目标日期进行预设的第二天数内的综合亚健康概率平均值计算，得到亚健康综合概率第二平均值；
[0138]
s53：根据所述目标日期对应的所述日亚健康综合概率、所述亚健康综合概率第一平均值、所述亚健康综合概率第二平均值和所述子因子波动总系数，对所述目标日期进行亚健康风险概率计算；
[0139]
s54：根据所述亚健康风险概率，对所述目标日期进行亚健康风险预测，得到所述亚健康风险预测结果。
[0140]
本实施例实现了先进行预设的第一天数内的综合亚健康概率平均值计算和进行预设的第二天数内的综合亚健康概率平均值计算，根据所述目标日期对应的所述日亚健康综合概率、所述亚健康综合概率第一平均值、所述亚健康综合概率第二平均值和所述子因子波动总系数，对所述目标日期进行亚健康风险概率计算，兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了亚健康的检出率，提高了检测出的亚健康的准确度。
[0141]
对于s51，根据各个所述日亚健康综合概率，进行以所述目标日期为结束日期并且天数等于第一天数的一段时间内的各个所述日亚健康综合概率的平均值计算，将计算得到的数据作为亚健康综合概率第一平均值。
[0142]
亚健康综合概率第一平均值的计算公式为p1(d)：
[0143][0144]
其中，t3是第一天数，pd是第d天对应的所述日亚健康综合概率，p
t3
是所述目标日期对应的所述日亚健康综合概率。
[0145]
对于s52，根据各个所述日亚健康综合概率，进行以所述目标日期为结束日期并且天数等于第二天数的一段时间内的各个所述日亚健康综合概率的平均值计算，将计算得到的数据作为亚健康综合概率第二平均值。
[0146]
亚健康综合概率第二平均值的计算公式为p2(d)：
[0147][0148]
其中，t3是第一天数，pd是第d天对应的所述日亚健康综合概率，p
t4
是所述目标日期对应的所述日亚健康综合概率。
[0149]
对于s53，将所述目标日期对应的所述日亚健康综合概率、所述亚健康综合概率第一平均值、所述亚健康综合概率第二平均值和所述子因子波动总系数，输入预设的函数进行亚健康风险概率计算。
[0150]
对于s54，将亚健康风险概率在预设映射表中查询所述亚健康风险预测结果。
[0151]
预设映射表包括：亚健康风险概率和风险预测结果。
[0152]
在一个实施例中，上述亚健康风险概率的计算公式psh(d)为：
[0153][0154]
其中，p0(d)是所述目标日期对应的所述日亚健康综合概率，p1(d)是所述亚健康综合概率第一平均值，p2(d)是所述亚健康综合概率第二平均值，vix是所述子因子波动总系数，β是常量，log是对数函数。
[0155]
本实施例兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了亚健康的检出率，提高了检测出的亚健康的准确度。
[0156]
可选的，β的取值范围设为1.3至1.7，可以包括1.3，也可以包括1.7。
[0157]
可选的，β设为1.4、1.5、1.6中的任一个。
[0158]
在一个实施例中，上述根据所述亚健康风险概率，对所述目标日期进行亚健康风险预测，得到所述亚健康风险预测结果的步骤，包括：
[0159]
s541：当所述亚健康风险概率大于预设的第一阈值时，确定所述亚健康风险预测结果为亚健康风险较高；
[0160]
s542：当所述亚健康风险概率大于或等于预设的第二阈值，并且，所述亚健康风险概率小于或等于所述第一阈值时，确定所述亚健康风险预测结果为亚健康风险中等；
[0161]
s543：当所述亚健康风险概率小于所述第二阈值时，确定所述亚健康风险预测结果为亚健康风险较低。
[0162]
本实施例实现了将亚健康风险概率映射为亚健康风险预测结果，为亚健康风险预测结果的快速应用提供了基础；因亚健康风险概率兼顾了过去的多个时间段维度数据，因此提高了亚健康风险预测结果的准确性。
[0163]
对于s541，当所述亚健康风险概率大于预设的第一阈值时，意味着处于亚健康的
风险较高，因此确定所述亚健康风险预测结果为亚健康风险较高。
[0164]
可选的，第一阈值设为0.6。可以理解的是，第一阈值还可以设置为其他数值，比如，0.7，在此不做限定。
[0165]
对于s542，当所述亚健康风险概率大于或等于预设的第二阈值，并且，所述亚健康风险概率小于或等于所述第一阈值时，意味着处于亚健康的风险一般，因此确定所述亚健康风险预测结果为亚健康风险中等。
[0166]
可选的，第二阈值设为0.4。可以理解的是，第二阈值还可以设置为其他数值，比如，0.3，在此不做限定。
[0167]
对于s543，当所述亚健康风险概率小于所述第二阈值时，意味着处于亚健康的风险较低，因此确定所述亚健康风险预测结果为亚健康风险较低。
[0168]
参照图2，本技术还提出了一种基于人工智能的亚健康风险预测装置，所述装置包括：
[0169]
数据获取模块100，用于获取目标日期和目标对象的子因子时序信息库；
[0170]
子因子波动总系数确定模块200，用于根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算；
[0171]
主因子日亚健康概率确定模块300，用于根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率；
[0172]
日亚健康综合概率确定模块400，用于对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率；
[0173]
亚健康风险预测结果确定模块500，用于根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果。
[0174]
本实施例通过基于根据目标对象的人体生物信息抽取的子因子时序信息库进行亚健康风险预测，不需目标对象主观选择选项或回答问题，提高了亚健康的检出率，提高了检测出的亚健康的准确度；通过根据各个日亚健康综合概率和子因子波动总系数进行亚健康风险预测，兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了亚健康的检出率，提高了检测出的亚健康的准确度。
[0175]
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亚健康风险预测方法等数据。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亚健康风险预测方法。所述基于人工智能的亚健康风险预测方法，包括：获取目标日期和目标对象的子因子时序信息库；根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算；根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率；对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率；根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得
到亚健康风险预测结果。
[0176]
本实施例通过基于根据目标对象的人体生物信息抽取的子因子时序信息库进行亚健康风险预测，不需目标对象主观选择选项或回答问题，提高了亚健康的检出率，提高了检测出的亚健康的准确度；通过根据各个日亚健康综合概率和子因子波动总系数进行亚健康风险预测，兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了亚健康的检出率，提高了检测出的亚健康的准确度。
[0177]
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亚健康风险预测方法，包括步骤：获取目标日期和目标对象的子因子时序信息库；根据所述子因子时序信息库，对所述目标日期进行子因子波动总系数计算；根据所述子因子时序信息库、所述目标日期和预设的预测天数，对每个主因子进行日亚健康概率预测，得到主因子日亚健康概率；对每个日期对应的各个所述主因子日亚健康概率进行线性回归计算，得到日亚健康综合概率；根据各个所述日亚健康综合概率和所述子因子波动总系数，对所述目标日期进行亚健康风险预测，得到亚健康风险预测结果。
[0178]
上述执行的基于人工智能的亚健康风险预测方法，本实施例通过基于根据目标对象的人体生物信息抽取的子因子时序信息库进行亚健康风险预测，不需目标对象主观选择选项或回答问题，提高了亚健康的检出率，提高了检测出的亚健康的准确度；通过根据各个日亚健康综合概率和子因子波动总系数进行亚健康风险预测，兼顾了过去的多个时间段维度数据，避免单日的检测结果的波动产生误差，提高了亚健康的检出率，提高了检测出的亚健康的准确度。
[0179]
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。
[0180]
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。
[0181]
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。