宠物疾病预警装置、方法、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，具体涉及一种宠物疾病预警装置、方法、电子设备及存储介质。

背景技术：

2.随着人们生活水平的提高，宠物逐渐出现在人们的视野中，宠物市场的规模也越来越大。并且随着信息的智能化，数据信息的归档和存储越来越趋于无纸化，永久化，因此衍生出了电子档案，电子病历，电子简历，等一系列的电子文件。随着电子信息的发展，信息电子化也逐渐渗透到宠物行业中。比如，目前极力推行的宠物病历电子化，即生成宠物的电子病历。
3.然而，目前对宠物的电子病历进行归档之后，只是简单的将宠物的电子病历进行存储，以便后续的病历信息的查阅，对宠物的电子病历的利用率低。

技术实现要素：

4.本技术实施例提供了一种宠物疾病预警装置、方法、电子设备及存储介质，基于宠物的电子病历进行宠物疾病的预测与预警，提高宠物的电子病历的利用率。
5.第一方面，本技术实施例提供一种宠物疾病预警装置，包括：获取模块和处理模块；
6.所述获取模块，用于获取多个宠物的多个电子病历，其中，每个所述宠物对应一个电子病历；
7.所述处理模块，用于根据所述多个电子病历，确定所述多个宠物所患的至少一种宠物疾病；
8.根据所述多个电子病历，为所述第一宠物疾病构造训练样本，其中，所述第一宠物疾病为所述至少一种宠物疾病中的任意一种；
9.根据所述训练样本，对初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型，所述初始疾病预测模型是根据多任务模型构建的；
10.根据所述多个电子病历以及待检测宠物的宠物特征，确定所述至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病；
11.将所述待检测宠物的特征数据输入到每种所述第一目标宠物疾病对应的目标疾病预测模型，得到所述待检测宠物患有每种所述第一目标宠物疾病的概率；
12.根据所述待检测宠物患有每种所述第一目标宠物疾病的概率，对所述待检测宠物进行疾病预警。
13.第二方面，本技术实施例提供一种宠物疾病预测方法，应用于疾病预警装置，所述方法包括：
14.获取多个宠物的多个电子病历，其中，每个所述宠物对应一个电子病历；
15.根据所述多个电子病历，确定所述多个宠物所患的至少一种宠物疾病；
16.根据所述多个电子病历，为所述第一宠物疾病构造训练样本，其中，所述第一宠物疾病为所述至少一种宠物疾病中的任意一种；
17.根据所述训练样本，对初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型，所述初始疾病预测模型是根据多任务模型构建的；
18.根据所述多个电子病历以及待检测宠物的宠物特征，确定所述至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病；
19.将所述待检测宠物的特征数据输入到每种所述第一目标宠物疾病对应的目标疾病预测模型，得到所述待检测宠物患有每种所述第一目标宠物疾病的概率；
20.根据所述待检测宠物患有每种所述第一目标宠物疾病的概率，对所述待检测宠物进行疾病预警。
21.第三方面，本技术实施例提供一种电子设备，包括：处理器，所述处理器与存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如第一方面所述的方法。
22.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得计算机执行如第一方面所述的方法。
23.第五方面，本技术实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。
24.实施本技术实施例，具有如下有益效果：
25.可以看出，在本技术实施例中，在获取到归档的宠物得多个电子病历之后，首先基于多个电子病历进行疾病分析，得到至少一种宠物疾病；然后，再基于该多个电子病历为每种宠物疾病构建训练样本，并使用每种宠物疾病对应的训练样本对预先构建的初始疾病预测模型进行模型训练，得到与每种宠物疾病对应的目标疾病预测模型；针对每个待检测宠物，首先确定该待检测宠物可能会有的第一目标宠物疾病，然后基于训练出的与第一目标宠物疾病对应的目标疾病预测模型预测待检测宠物患有每种第一目标宠物疾病的概率，从而基于待检测宠物患有每种第一目标宠物疾病的概率进行宠物疾病预警。因此本技术中在获取到电子病历后，并不是简单的进行电子病历的存储和永久化，而是基于电子病历进行模型训练，以及进行宠物疾病的预警，从而提高宠物的电子病历的利用率。
附图说明
26.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1为本技术实施例提供的一种宠物疾病预警系统的示意图；
28.图2为本技术实施例提供的一种宠物疾病预警方法的流程示意图；
29.图3为本技术实施例提供的一种构造训练样本的示意图；
30.图4为本技术实施例提供的一种初始疾病预测模型的示意图；
31.图5为本技术实施例提供的一种宠物疾病预警装置的功能单元组成框图；
32.图6为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
33.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
34.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
35.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
36.参阅图1，图1为本技术实施例提供的一种宠物疾病预警系统的结构示意图。宠物疾病预警系统包括各个宠物医院端设备10、宠物疾病预警装置20以及目标设备30，其中，各个宠物医院端设备10分别位于各个宠物医院处，宠物疾病预警装置20可以为宠物疾控中心的设备，目标设备30可以为待检测宠物所在城市的防疫站的设备或者用户端设备。
37.示例性的，各个宠物医院端设备10接收各个宠物医院的工作人员(比如，宠物医院的宠物医生)录入的各个宠物的病历，生成各个宠物的电子病历；然后，将各个宠物医院端设备10生成的各个宠物的电子病历上传给宠物疾病预警装置20；相应的，宠物疾病预警装置20统计各个宠物医院端设备10上传的各个宠物的电子病历，当统计出的电子病历的数量大于数量阈值时，则进行疾病预警分析。
38.具体地，宠物疾病预警装置20根据多个电子病历，确定多个宠物所患的至少一种宠物疾病；根据多个电子病历，为第一宠物疾病构造训练样本，其中，第一宠物疾病为至少一种宠物疾病中的任意一种；根据训练样本，对初始疾病预测模型进行训练，得到第一宠物疾病对应的目标疾病预测模型，其中，初始疾病预测模型是根据多任务模型构建的；根据多个电子病历以及待检测宠物的宠物特征，确定至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病；将待检测宠物的特征数据输入到每种第一目标宠物疾病对应的目标疾病预测模型，得到待检测宠物患有每种第一目标宠物疾病的概率；根据待检测宠物患有每种第一目标宠物疾病的概率，对待检测宠物进行疾病预警。比如，可以向目标设备30发送预警信息，并在该预警信息中携带待检测宠物患有每种第一目标宠物疾病的概率，以便目标设备30的用户及时对该待检测宠物进行疾病检测。
39.可以看出，在本技术实施例中，在获取到归档的宠物得多个电子病历之后，首先基于多个电子病历进行疾病分析，得到至少一种宠物疾病；然后，再基于该多个电子病历为每种宠物疾病构建训练样本，并使用每种宠物疾病对应的训练样本对预先构建的初始疾病预测模型进行模型训练，得到与每种宠物疾病对应的目标疾病预测模型；针对每个待检测宠
物，首先确定该待检测宠物可能会有的第一目标宠物疾病，然后基于训练出的与第一目标宠物疾病对应的目标疾病预测模型预测待检测宠物患有每种第一目标宠物疾病的概率，从而基于待检测宠物患有每种第一目标宠物疾病的概率进行宠物疾病预警。因此本技术中在获取到电子病历后，并不是简单的进行电子病历的存储和永久化，而是基于电子病历进行模型训练，以及进行宠物疾病的预警，从而提高宠物的电子病历的利用率。
40.参阅图2，图2为本技术实施例提供的一种宠物疾病预警方法。该方法应用于上述的宠物疾病预警装置20。该方法可以包括以下步骤内容：
41.201：获取多个宠物的多个电子病历，其中，每个宠物对应一个电子病历。
42.示例性的，宠物疾病预警装置可以通过应用程序接口api从宠物医院端设备处爬取该多个电子病历。
43.在本技术实施例中，该多个电子病历的数量比较大，从而保证后续有足够多的训练样本进行模型训练，以实现大数据分析，保证疾病预测的精确度。
44.202：根据多个电子病历，确定多个宠物所患的至少一种宠物疾病。
45.示例性的，对多个电子病历中的每个电子病历进行关键词提取，得到电子病历中用以记载宠物病历的字段，比如，提取到关键词“疾病名称”，则将疾病名称后面的字段作为记载宠物病历的字段；然后，通过光学字符识别技术对该字段进行文字提取，得到每个电子病历中所记载的宠物疾病；最后，对多个电子病历记载的多个宠物疾病进行合并与去重，得到该至少一种宠物疾病，其中，每种宠物疾病对应一个或多个电子病历。
46.203：根据多个电子病历，为第一宠物疾病构造训练样本，其中，第一宠物疾病为至少一种宠物疾病中的任意一种。
47.应说明，本技术主要以为第一宠物疾病构造训练样本为例进行说明，其他种宠物疾病的训练样本构造与此类似，不再叙述。
48.示例性的，获取多个电子病历中与第一宠物疾病对应的至少一个第一电子病历，即从多个电子病历中获取记载有该第一宠物疾病的电子病历，然后将至少一个第一电子病历作为至少一个正样本，第一电子病历与正样本一一对应；获取多个电子病历中与第二宠物疾病对应的至少一个第二电子病历，即从多个电子病历中获取记载有第二宠物疾病的电子病历，其中，第二宠物疾病为至少一种宠物疾病中除第一宠物疾病之外的任意一种宠物疾病；针对每种第二宠物疾病，从第二宠物疾病对应的至少一个第二电子病历中随机选取至少一个第二电子病历得到至少一个负样本，其中，随机选取时每种第二宠物疾病对应的随机数可以通过随机函数生成，这样通过随机选择的方式生成负样本，保证每种类型的第二宠物疾病下的负样本的数量是随机不固定的，从而保证了负样本的丰富性，进而提高了训练样本的丰富性。最后，根据至少一种宠物疾病中除第一宠物疾病之外的所有宠物疾病对应的所有负样本以及至少一个正样本，构造训练样本，即将所有负样本以及该至少一个正样本均作为样本。
49.应说明，负样本的标签为该负样本对应的电子病历中所记载的宠物疾病，即一种第二宠物疾病，正样本的标签均为该第一宠物疾病。
50.举例来说，如图3所示，先从多个电子病历中获取第一宠物疾病对应的电子病历，然后将第一宠物疾病对应的电子病历均作为正样本。针对每种第二宠物疾病，从多个电子病历中获取与该第二宠物疾病对应的电子病历，并随机选取每种第二宠物疾病对应的电子
病历作为负样本。最后，将获取出的正样本和负样本进行组合，得到本技术的训练样本。
51.应理解，本技术训练过程中所使用的训练样本为上述所构造出的训练样本中的任意一个。
52.204：根据训练样本，对初始疾病预测模型进行训练，得到第一宠物疾病对应的目标疾病预测模型，初始疾病预测模型是根据多任务模型构建的。
53.首先说明，本技术中针对每种宠物疾病均为该种宠物疾病构造训练样本，并使用构造出的训练样本对初始疾病预测模型进行训练，得到与每种宠物疾病对应的目标疾病预测模型。本技术主要以第一宠物疾病的训练样本为例说明对初始疾病预测模型进行训练的过程，其他种宠物疾病与此类似，不再叙述。
54.示例性的，从训练样本中提取多个患病记录。可选地，对训练样本对应的电子病历进行关键词提取，得到与该电子病历对应的宠物的多个患病记录。可选地，多个患病记录包括宠物的宠物特征和宠物的患病情况，其中，宠物的宠物特征包括但不限于宠物的品种、骨龄、性别、毛发稀疏度、体重，等等；患病情况包括但不限于：患病症状、患病时间、患病周期、患病前一周的饮食情况，等等；然后，根据该多个患病记录对该初始疾病预测模型进行训练，得到与第一宠物疾病对应的目标疾病预测模型。
55.可选地，本技术的初始疾病预测模型是以多任务模型为基础构造的。具体地，如图4所示，该多任务模型可以是mmoe模型，因此该初始疾病预测模型包括编码网络、多个门网络、多个专家网络以及一个多层感知器。应说明，图4中仅示出了两个门网络，即门网络1和门网络2，也仅示出了两个专家网络，即专家网络1和专家网络2。
56.可以看出，该初始疾病预测模型与现有的mmoe模型相比，将多个塔网络集成为一个多层感知器，用于实现患病概率的预测。之所以这样集成，是因为本技术的初始疾病预测模型中的每个门网络用于实现对一种患病记录进行特征提取，从而多个门网络实现对多个患病记录进行特征提取，如果单独训练每一个特征提取网络，则需要多次单独训练，训练速度慢，而且训练完之后，各个网络合并级联时会存在兼容性问题。此外，这些特征提取网络的底层数据原本就是可以共享的，因此在多任务模型的基础上，对多任务模型进行改造，从而实现同时可以进行多个特征的提取，且这样构造出的模型可以一起训练，不会出现级联时的兼容性问题。
57.下面结合图4的模型结构，说明本技术的模型训练过程。
58.示例性的，首先通过编码网络，分别对多个患病记录进行编码，得到多个第一特征向量，其中，多个患病记录与多个第一特征向量一一对应，其中，该编码网络可以为通用的encoder网络，因此对患病记录进行编码可以通过映射或者词嵌入的方式实现，不再详细描述。然后将该多个第一特征向量进行拼接(即concat)，得到输入数据。然后通过多个专家网络中的每个专家网络分别对输入数据进行特征提取，得到每个专家网络对应的第二特征向量。
59.进一步地，通过每个门网络对输入数据进行软分类处理(即softmax处理)，得到通过每个门网络进行软分类处理时，每个专家网络的权重。由于每个门网络的任务就是提取出与该门网络设定的特征。在本技术中，门网络实现特征提取任务主要是通过为多个专家网络分配权重来实现。具体的，由于每个专家网络分别提取出与一个患病记录对应的特征，则通过分配权重，通过加权实现每个门网络所设定的特征提取任务，即通过加权融合，保留
下该门网络所需要的特征。因此，可通过每个门网络为每个专家网络所分配的权重，对多个专家网络提取出的多个第二特征向量进行加权，得到与每个门网络对应的第三特征向量；最后，对多个门网络对应的多个第三特征向量进行拼接(即concat)，得到目标特征向量；最后，通过多层感知器对目标特征向量进行疾病预测，得到患有第一宠物疾病的预测概率。
60.进一步地，根据该训练样本的标签以及预测出的患有第一宠物疾病的预测概率，对初始疾病预测模型进行训练，得到第一宠物疾病对应的目标疾病预测模型。即根据预测概率，以及该标签标识的患有第一宠物疾病的实际概率，计算损失。最后基于该损失以及梯度下降法对该初始疾病预测模型进行训练，直接模型收敛，得到该目标疾病预测模型。
61.应理解，若训练样本是一个正样本，则该训练样本的标签标识的实际概率为1，若训练样本是一个负样本，则该训练样本的标签标识的实际概率为0。
62.205：根据多个电子病历以及待检测宠物的宠物特征，确定至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病。
63.其中，可以通过宠物的电子档案获取该待检测宠物的宠物特征，不再详细描述。
64.示例性的，获取每个电子病历中记载的宠物的宠物特征；确定每个电子病历中记载的宠物的宠物特征与该待检测宠物的宠物特征之间的相似度，并将相似度大于第一阈值的电子病历作为目标电子病历，得到至少一个目标电子病历。然后获取每个目标电子病历中记载的宠物疾病，将至少一个目标电子病历所记载的至少一种宠物疾病进行合并与去重，得到该待检测宠物能够患有的至少一种第一目标宠物疾病。本方式中主要是通过宠物特征的比对，找到与该待检测宠物相似的宠物，由于该相似宠物所患有的宠物疾病，该待检测宠物也大概率会患有，因此将该相似宠物所患有的宠物疾病作为该待检测宠物可能会患有的至少一种目标宠物疾病。
65.在本技术的一个实施方式中，在获取待检测宠物的宠物特征之前，获取当前的季节情况，以及历史宠物发病规律；根据当前的季节情况，以及该历史发病规律，得到当前季节的候选宠物疾病，其中，该候选宠物疾病为在该当前季节存在发病历史记录的宠物疾病；然后，获取候选宠物，其中，该候选宠物历史发病规律中患有该候选宠物疾病的宠物；然后，按照预设的划分规则进行区域划分，得到多个区域，比如，可以按照省份进行划分；针对每个区域，获取每个区域中包含有该候选宠物的数量，将数量大于预设阈值的区域作为目标区域，最后从目标区域中获取任意一个候选宠物作为该待检测宠物。
66.206：将待检测宠物的特征数据输入到每种第一目标宠物疾病对应的目标疾病预测模型，得到待检测宠物患有每种第一目标宠物疾病的概率。
67.其中，该待检测宠物的特征数据包括宠物的特征以及宠物的近期饮食情况。可选地，宠物的特征可以通过宠物的电子档案获取，宠物的近期饮食情况可以由宠物的主人通过用户端设备上传，等等。本技术不限定获取待检测宠物的特征数据的方式。
68.然后，将待检测宠物的特征数据输入到目标疾病预测模型，即按照上述训练过程，对特征数据进行编码以及加权等一系列操作，得到进行疾病预测的目标特征向量，最后通过多层感知器对该目标特征向量进行疾病预测，得到待检测宠物患有每种第一目标宠物疾病的概率。
69.207：根据待检测宠物患有每种第一目标宠物疾病的概率，对待检测宠物进行疾病预警。
70.示例性的，若该至少一种第一目标宠物疾病所对应的概率中至少存在一个概率大于第三阈值，则进行疾病预警，比如，向该待检测宠物的主人的用户端设备发送提示信息，提示该宠物可能会患有宠物疾病，请及时就医，并且该提示信息中可以包含有该待检测宠物患有每种第一目标宠物疾病的概率；或者，向该待检测宠物所在的城市的防疫中心的设备发送提示信息，以提示防疫中心的工作人员上门为该待检测宠物进行疾病检测。
71.可以看出，在本技术实施例中，在获取到归档的宠物得多个电子病历之后，首先基于多个电子病历进行疾病分析，得到至少一种宠物疾病；然后，再基于该多个电子病历为每种宠物疾病构建训练样本，并使用每种宠物疾病对应的训练样本对预先构建的初始疾病预测模型进行模型训练，得到与每种宠物疾病对应的目标疾病预测模型；针对每个待检测宠物，首先确定该待检测宠物可能会有的第一目标宠物疾病，然后基于训练出的与第一目标宠物疾病对应的目标疾病预测模型预测待检测宠物患有每种第一目标宠物疾病的概率，从而基于待检测宠物患有每种第一目标宠物疾病的概率进行宠物疾病预警。因此本技术中在获取到电子病历后，并不是简单的进行电子病历的存储和永久化，而是基于电子病历进行模型训练，以及进行宠物疾病的预警，从而提高宠物的电子病历的利用率。
72.在本技术的一个实施方式中，在对待检测宠物进行疾病预警之前，该方法还可以包括：
73.获取待检测宠物所在城市的人口数量；根据人口数量以及人口流动模型，确定城市的人口流动情况。示例性的，通过人口流动模型，以天为单位统计进入该城市的人口数量，以及离开该城市的人口数量，获取进入该城市的人口数量与城市的人口数量之间的第三比值；以及获取离开该城市的人口数量与该城市的人口数量之间的第四比值；将该第三比值和第四比值之和作为该人口流动情况。
74.进一步的，确定至少一种第一目标宠物疾病中具有传染性的至少一种第二目标宠物疾病；针对每种第二目标宠物疾病，根据多个电子病历，确定城市中能够患有每种第二目标宠物疾病的宠物数量；根据宠物数量、人口数量以及人口流动情况，确定城市中能够患有每种第二目标宠物疾病的宠物的宠物流动情况，具体的，获取宠物数量与人口数量之间的第一比值；将该第一比值与人口流动情况进行乘积处理，得到宠物流动情况；根据宠物流动情况以及待检测宠物患有每种第二目标宠物疾病的概率，确定待检测宠物的传染风险，示例性的，将该宠物流动情况与该待检测宠物患有每种第二目标宠物疾病的概率进行乘积处理，得到待检测宠物在每种第二目标宠物疾病上的传染风险；最后，若传染风险大于第二阈值，再对待检测宠物进行疾病预警。
75.可以看出，在本技术实施例中，
76.参阅图5，图5本技术实施例提供的一种宠物疾病预警装置的功能单元组成框图。宠物疾病预警装置500包括：获取模块501和处理模块502；
77.所述获取模块501，用于获取多个宠物的多个电子病历，其中，每个所述宠物对应一个电子病历；
78.所述处理模块502，用于根据所述多个电子病历，确定所述多个宠物所患的至少一种宠物疾病；
79.根据所述多个电子病历，为所述第一宠物疾病构造训练样本，其中，所述第一宠物疾病为所述至少一种宠物疾病中的任意一种；
80.根据所述训练样本，对初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型，所述初始疾病预测模型是根据多任务模型构建的；
81.根据所述多个电子病历以及待检测宠物的宠物特征，确定所述至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病；
82.将所述待检测宠物的特征数据输入到每种所述第一目标宠物疾病对应的目标疾病预测模型，得到所述待检测宠物患有每种所述第一目标宠物疾病的概率；
83.根据所述待检测宠物患有每种所述第一目标宠物疾病的概率，对所述待检测宠物进行疾病预警。
84.在本技术的一个实施方式中，在根据所述训练样本，对初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型方面，所述处理单元，具体用于：
85.从所述训练样本中提取多个患病记录，其中，所述多个患病记录包括所述训练样本对应的宠物的特征和宠物的患病情况；
86.根据所述多个患病记录对所述初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型。
87.在本技术的一个实施方式中，所述初始疾病预测模型包括编码网络、多个门网络、多个专家网络和一个多层感知器；
88.在根据所述输入数据，对所述初始疾病预测模型进行训练，得到与所述第一宠物疾病对应的目标疾病预测模型方面，所述处理单元，具体用于：
89.通过所述编码网络分别对所述多个患病记录进行编码，得到多个第一特征向量，其中，所述多个患病记录和所述多个第一特征向量一一对应；
90.将所述多个第一特征向量进行拼接，得到输入数据；
91.通过每个所述门网络对所述输入数据进行软分类处理，得到通过每个所述门网络对所述输入数据进行软分类处理时，所述多个专家网络中的每个所述专家网络对应的权重；
92.通过每个所述专家网络对所述输入数据进行特征提取，得到每个所述专家网络对应的第二特征向量；
93.通过每个所述专家网络对应的权重，对每个所述专家网络对应的第二特征向量进行加权，得到每个所述门网络对应的第三特征向量；
94.对所述多个门网络对应的多个第三特征向量进行拼接，得到目标特征向量；
95.通过所述多层感知器对所述目标特征向量进行疾病预测，得到患有所述第一宠物疾病的预测概率；
96.根据所述预测结果以及所述训练样本的标签，对所述初始疾病预测模型进行训练，得到与所述第一宠物疾病对应的目标疾病预测模型，其中，所述训练样本的标签用于表征所述训练样本患有所述第一宠物疾病的实际概率。
97.在本技术的一个实施方式中，在根据所述多个电子病历，为所述第一宠物疾病构造训练样本方面，所述处理单元，具体用于：
98.获取所述多个电子病历中与所述第一宠物疾病对应的至少一个第一电子病历，将所述至少一个第一电子病历作为至少一个正样本；
99.获取所述多个电子病历中与第二宠物疾病对应的至少一个第二电子病历，其中，
所述第二宠物疾病为所述至少一种宠物疾病中除所述第一宠物疾病之外的任意一种宠物疾病；
100.从所述第二宠物疾病对应的至少一个第二电子病历中随机选取至少一个第二电子病历得到至少一个负样本；
101.将所述至少一种宠物疾病中除所述第一宠物疾病之外的所有宠物疾病对应的所有负样本以及所述至少一个正样本，构造所述训练样本。
102.在本技术的一个实施方式中，在根据所述多个电子病历以及待检测宠物的宠物特征，确定所述至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病方面，所述处理单元，具体用于：
103.获取每个所述电子病历中记载的宠物的宠物特征；
104.确定每个所述电子病历中记载的宠物的宠物特征与所述待检测宠物的宠物特征之间的相似度；
105.将相似度大于第一阈值的电子病历作为目标电子病历，得到至少一个目标电子病历；
106.对所述至少一个目标电子病历中记载的宠物疾病进行合并与去重，得到所述待检测宠物能够患有的至少一种第一目标宠物疾病。
107.在本技术的一个实施方式中，在根据所述待检测宠物患有每种所述第一目标宠物疾病的概率，对所述待检测宠物进行疾病预警之前，所述处理单元，还用于：
108.获取所述待检测宠物所在城市的人口数量；
109.根据所述人口数量以及人口流动模型，确定所述城市的人口流动情况；
110.确定所述至少一种第一目标宠物疾病中具有传染性的至少一种第二目标宠物疾病；
111.针对每种所述第二目标宠物疾病，根据所述多个电子病历，确定所述城市中能够患有每种所述第二目标宠物疾病的宠物数量；
112.根据所述宠物数量、所述人口数量以及所述人口流动情况，确定所述城市中能够患有每种所述第二目标宠物疾病的宠物的宠物流动情况；
113.根据所述宠物流动情况以及所述待检测宠物患有每种所述第二目标宠物疾病的概率，确定所述待检测宠物的传染风险；
114.若所述传染风险大于第二阈值，执行对所述待检测宠物进行疾病预警的操作。
115.在本技术的一个实施方式中，在根据所述宠物数量、所述人口数量以及所述人口流动情况，确定所述城市中能够患有每种所述第二目标宠物疾病的宠物的宠物流动情况方面，所述处理单元，具体用于：
116.确定所述宠物数量与所述人口数量的第一比值；
117.将所述第一比值与所述人口流动情况进行乘积处理，得到所述城市中能够患有每种所述第二目标宠物疾病的宠物的宠物流动情况。
118.参阅图6，图6为本技术实施例提供的一种电子设备的结构示意图。如图6所示，电子设备600包括收发器601、处理器602和存储器603。它们之间通过总线604连接。存储器603用于存储计算机程序和数据，并可以将存储器603存储的数据传输给处理器602。
119.处理器602用于读取存储器603中的计算机程序执行以下操作：
120.获取多个宠物的多个电子病历，其中，每个所述宠物对应一个电子病历；
121.根据所述多个电子病历，确定所述多个宠物所患的至少一种宠物疾病；
122.根据所述多个电子病历，为所述第一宠物疾病构造训练样本，其中，所述第一宠物疾病为所述至少一种宠物疾病中的任意一种；
123.根据所述训练样本，对初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型，所述初始疾病预测模型是根据多任务模型构建的；
124.根据所述多个电子病历以及待检测宠物的宠物特征，确定所述至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病；
125.将所述待检测宠物的特征数据输入到每种所述第一目标宠物疾病对应的目标疾病预测模型，得到所述待检测宠物患有每种所述第一目标宠物疾病的概率；
126.根据所述待检测宠物患有每种所述第一目标宠物疾病的概率，对所述待检测宠物进行疾病预警。
127.在本技术的一个实施方式中，在根据所述训练样本，对初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型方面，处理器602，具体用于执行以下步骤：
128.从所述训练样本中提取多个患病记录，其中，所述多个患病记录包括所述训练样本对应的宠物的特征和宠物的患病情况；
129.根据所述多个患病记录对所述初始疾病预测模型进行训练，得到所述第一宠物疾病对应的目标疾病预测模型。
130.在本技术的一个实施方式中，所述初始疾病预测模型包括编码网络、多个门网络、多个专家网络和一个多层感知器；
131.在根据所述输入数据，对所述初始疾病预测模型进行训练，得到与所述第一宠物疾病对应的目标疾病预测模型方面，所述处理单元，具体用于：
132.通过所述编码网络分别对所述多个患病记录进行编码，得到多个第一特征向量，其中，所述多个患病记录和所述多个第一特征向量一一对应；
133.将所述多个第一特征向量进行拼接，得到输入数据；
134.通过每个所述门网络对所述输入数据进行软分类处理，得到通过每个所述门网络对所述输入数据进行软分类处理时，所述多个专家网络中的每个所述专家网络对应的权重；
135.通过每个所述专家网络对所述输入数据进行特征提取，得到每个所述专家网络对应的第二特征向量；
136.通过每个所述专家网络对应的权重，对每个所述专家网络对应的第二特征向量进行加权，得到每个所述门网络对应的第三特征向量；
137.对所述多个门网络对应的多个第三特征向量进行拼接，得到目标特征向量；
138.通过所述多层感知器对所述目标特征向量进行疾病预测，得到患有所述第一宠物疾病的预测概率；
139.根据所述预测结果以及所述训练样本的标签，对所述初始疾病预测模型进行训练，得到与所述第一宠物疾病对应的目标疾病预测模型，其中，所述训练样本的标签用于表征所述训练样本患有所述第一宠物疾病的实际概率。
140.在本技术的一个实施方式中，在根据所述多个电子病历，为所述第一宠物疾病构造训练样本方面，处理器602，具体用于执行以下步骤：
141.获取所述多个电子病历中与所述第一宠物疾病对应的至少一个第一电子病历，将所述至少一个第一电子病历作为至少一个正样本；
142.获取所述多个电子病历中与第二宠物疾病对应的至少一个第二电子病历，其中，所述第二宠物疾病为所述至少一种宠物疾病中除所述第一宠物疾病之外的任意一种宠物疾病；
143.从所述第二宠物疾病对应的至少一个第二电子病历中随机选取至少一个第二电子病历得到至少一个负样本；
144.将所述至少一种宠物疾病中除所述第一宠物疾病之外的所有宠物疾病对应的所有负样本以及所述至少一个正样本，构造所述训练样本。
145.在本技术的一个实施方式中，在根据所述多个电子病历以及待检测宠物的宠物特征，确定所述至少一种宠物疾病中待检测宠物能够患有的至少一种第一目标宠物疾病方面，处理器602，具体用于执行以下步骤：
146.获取每个所述电子病历中记载的宠物的宠物特征；
147.确定每个所述电子病历中记载的宠物的宠物特征与所述待检测宠物的宠物特征之间的相似度；
148.将相似度大于第一阈值的电子病历作为目标电子病历，得到至少一个目标电子病历；
149.对所述至少一个目标电子病历中记载的宠物疾病进行合并与去重，得到所述待检测宠物能够患有的至少一种第一目标宠物疾病。
150.在本技术的一个实施方式中，在根据所述待检测宠物患有每种所述第一目标宠物疾病的概率，对所述待检测宠物进行疾病预警之前，处理器602，还用于执行以下步骤：
151.获取所述待检测宠物所在城市的人口数量；
152.根据所述人口数量以及人口流动模型，确定所述城市的人口流动情况；
153.确定所述至少一种第一目标宠物疾病中具有传染性的至少一种第二目标宠物疾病；
154.针对每种所述第二目标宠物疾病，根据所述多个电子病历，确定所述城市中能够患有每种所述第二目标宠物疾病的宠物数量；
155.根据所述宠物数量、所述人口数量以及所述人口流动情况，确定所述城市中能够患有每种所述第二目标宠物疾病的宠物的宠物流动情况；
156.根据所述宠物流动情况以及所述待检测宠物患有每种所述第二目标宠物疾病的概率，确定所述待检测宠物的传染风险；
157.若所述传染风险大于第二阈值，执行对所述待检测宠物进行疾病预警的操作。
158.在本技术的一个实施方式中，在根据所述宠物数量、所述人口数量以及所述人口流动情况，确定所述城市中能够患有每种所述第二目标宠物疾病的宠物的宠物流动情况方面处理器602，具体用于执行以下步骤：
159.确定所述宠物数量与所述人口数量的第一比值；
160.将所述第一比值与所述人口流动情况进行乘积处理，得到所述城市中能够患有每
种所述第二目标宠物疾病的宠物的宠物流动情况。
161.具体地，上述处理器602可以为图5所述的实施例的宠物疾病预警装置500的处理模块502和获取模块501。
162.应理解，本技术中的电子设备可以包括智能手机(如android手机、ios手机、windows phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备mid(mobile internet devices，简称：mid)或穿戴式设备等。上述电子设备仅是举例，而非穷举，包含但不限于上述电子设备。在实际应用中，上述电子设备还可以包括：智能车载终端、计算机设备等等。
163.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种宠物疾病预警方法的部分或全部步骤。
164.本技术实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种宠物疾病预警方法的部分或全部步骤。
165.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本技术所必须的。
166.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
167.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
168.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
169.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
170.所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分
步骤。而前述的存储器包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
171.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read-only memory，简称：rom)、随机存取器(英文：random access memory，简称：ram)、磁盘或光盘等。
172.以上对本技术实施例进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

相关知识

宠物养育方法、装置、存储介质及电子设备与流程
基于AR眼镜的宠物互动方法、装置、存储介质及电子设备与流程
宠物语言识别方法、装置、电子设备及可读存储介质
识别宠物身份的方法、装置、存储介质及电子设备.pdf
宠物的远程交互方法、装置、设备及存储介质与流程
管理宠物活动的方法、装置、宠物玩具及存储介质与流程
车内宠物服务方法、装置、车辆及存储介质与流程
一种宠物颜值评分方法、装置、存储介质及设备与流程
一种智能宠物训导、陪伴方法、装置、设备及存储介质与流程
宠物和设备的交互方法、装置和电子设备与流程

网址: 宠物疾病预警装置、方法、电子设备及存储介质与流程 https://www.mcbbbk.com/newsview1080628.html