健康数据处理方法及装置与流程

1.本技术涉及互联网健康技术领域，尤其涉及一种健康数据处理方法及装置。


背景技术：

2.随着社会发展和人们健康和审美意识的提升，市场上提供越来越多的健康服务，如健身、美容、医美等等，人们可以通过健康服务提升个体的健康和外形。但是，用户在接收健康服务之后，往往也不知道个人的身体状况，尤其是在接收某项医美手术之后，用户自己很难了解到自身的恢复状况。尤其是对于一些创面恶化、医美调整不对称之类的状况，用户自己难以及时了解。而且经常来往医院检查，对医院或者用户来说，时间和精力成本太高，难以实现，
3.因此，相关技术中亟需一种成本较低的能够提前获知用户健康状况的数据处理方式。


技术实现要素：

4.本技术实施例的目的在于提供一种健康数据处理方法及装置，可以提前获取准确可靠的用户的健康状况。
5.本技术实施例提供的健康数据处理方法及装置是这样实现的：
6.一种健康数据处理方法，所述方法包括：
7.获取用户在基准时间之前第一时间段内的健康信息；
8.将所述健康信息输入至健康预测模型组件中，经所述健康预测模型组件输出所述用户在所述基准时间之后的第二时间段内的健康信息；
9.其中，所述健康预测模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。
10.一种数据处理方法，所述方法包括：
11.获取对象在基准时间之前第一时间段内的状态信息；
12.将所述状态信息输入至结果预测模型组件中，经所述结果预测模型组件输出所述对象在所述基准时间之后的第二时间段内的状态信息；
13.其中，所述结果预测模型组件被设置为利用多个用户在历史时间段内的状态信息训练得到。
14.一种健康数据处理装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
15.获取用户在基准时间之前第一时间段内的健康信息；
16.将所述健康信息输入至健康预测模型组件中，经所述健康预测模型组件输出所述用户在所述基准时间之后的第二时间段内的健康信息；
17.其中，所述健康预测模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。
18.一种数据处理装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
19.获取对象在基准时间之前第一时间段内的状态信息；
20.将所述状态信息输入至结果预测模型组件中，经所述结果预测模型组件输出所述对象在所述基准时间之后的第二时间段内的状态信息；
21.其中，所述结果预测模型组件被设置为利用多个用户在历史时间段内的状态信息训练得到。
22.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行所述的方法。
23.本技术提供的健康数据处理方法及装置，可以根据用户历史健康信息预测用户未来的健康信息，且利用机器学习模型组件实现健康信息的预测，所述机器学习模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。一方面，健康信息的预测可以让用户或者医生提前获知用户的健康状况，尤其在健康状况出现问题的情况下，可以帮助用户设置补救措施；另一方面，通过机器学习的方式训练得到健康预测模型组件，可以实现预测的准确性，获取准确可靠的预测结果。
附图说明
24.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
25.图1是根据一示例性实施例示出的一种应用场景示意图。
26.图2是根据一示例性实施例示出的一种应用场景示意图。
27.图3是根据一示例性实施例示出的一种应用场景示意图。
28.图4是根据一示例性实施例示出的一种应用场景示意图。
29.图5是根据一示例性实施例示出的一种应用场景示意图。
30.图6是根据一示例性实施例示出的一种应用场景示意图。
31.图7是根据一示例性实施例示出的健康数据处理方法的流程示意图。
32.图8是根据一示例性实施例示出的数据处理方法的流程示意图。
33.图9是根据一示例性实施例示出的一种健康数据处理装置的框图。
具体实施方式
34.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
35.为了方便本领域技术人员理解本技术实施例提供的技术方案，下面通过具体的应用场景说明所述技术方案。
36.图1是本技术实施例提供的整体应用结构图。如图1所示，首先可以获取基准时间t0之前的第一时间段内的用户的健康记录。其中，所述健康记录的形式可以包括文字、语音、图像、视频中的任何一种或者多种形式。然后，可以从所述健康记录中提取出对应的健
康信息，生成如图1所示的从t0-n到t0-1的健康时序序列，且所述健康信息中可以包括参数a、参数b、
……
、参数m共m个参数的参数值。以医美健康调整举例说明，用户在某医院做了双眼皮切割手术，并在医美平台上记录手术后的眼部状态。图2是该用户的变美日记，如图2所示，用户可以在手术后的任意时间记录当时的眼部健康状态。例如，用户在2020年07月15日、06月28日、06月19日均做了健康记录，且生成的健康记录按照时间轴顺序排列。所述健康记录的形式可以包括文字和图像，当然，也可以包括语音或者视频。在其他实施例中，用户可以通过智能音箱、智能穿戴设备等完成健康记录。例如，在智能音箱中开启健康记录功能之后，可以在所述智能音箱的提醒之下，利用语音记录方式完成健康记录。
37.针对上述多种形式的健康记录，可以根据所述健康记录获取所述健康信息中各个参数对应的参数值。对于不同形式的记录形式，可以具有相应的处理方式。对于文字记录，可以对文字进行分词处理，确定其中的关键词，并从所述关键词中确定所述健康信息中各个参数对应的参数值。例如，根据图2中的描述“今天正好第100天啦，恢复的很好，无论形态还是宽度都很满意，虽然还有点小肿，不过一点痛感没有，很自然。”可以确定出下述健康信息：恢复等级：9级，红肿等级：3级，疼痛等级：0。对于语音记录，可以利用语音识别技术识别出语音对应的文本内容，再按照上述处理文本记录的方式继续处理。对于图片记录或者视频记录，可以将对应的图片或者视频中的视频帧输入至机器学习模型组件，经所述机器学习模型组件自动识别出用户的健康信息。
38.当然，还有更加简单的健康记录方式，如图3所示，可以引导用户直接对健康信息进行量化记录。当然，图3中所涉及的参数只是部分示例性的参数，等级的设置也不限于五个等级的设置，还可以是10个等级等其他设置方式，在此不做限制。
39.如图1所示，在获取到t0-n到t0-1的健康时序序列之后，可以将所述健康时序序列输入至所述健康预测模型组件中，经所述健康预测模型组件输出未来t0+1到t0+s这一时间段内的健康信息。其中，所述健康预测模型组件被设置为利用时序机器学习算法对多个用户在历史时间段内的健康信息训练得到，具体的训练方式可以参考说明书以下具体的实施例，在此不做赘述。
40.在获取到用户未来一段时间内的健康信息之后，可以向用户发送健康提醒消息，所述健康提醒消息中包括所述健康信息。图4是其中一种健康提醒消息，所述健康提醒消息中不仅可以包括用户未来一段时间内的健康信息，也可以包括针对所述健康信息的一些健康提醒，如饮食建议、睡眠建议等等。当然，针对预测的不同的健康信息，可以给出不同的健康提醒消息，如图5所示，预测得到用户的恢复状态不佳，可以给出让用户联系医生的消息提醒。另外，还可以将用户的健康信息发送至医生，医生可以根据所述健康信息作出判断。如图6所示，用户联系医生之后，医生主动让用户去医院检查创口是否感染。
41.在本技术的另一个场景中，本技术实施例方法还可以应用于其他多种应用场景。在一种场景中，受教育用户的未来教育成果信息也可以预测得到，用户在接收某种教育课程之后，可以持续获取用户的教育成果信息，如测试成绩、老师的评价等等，并生成教育成果信息时序序列。在预测的过程中，可以将用户在第一时间段内的教育成果信息输入至成果预测模型组件中，经所述成果预测模型组件输出受教育用户在未来第二时间段内的教育成果信息。在获取受教育用户在未来时间段的教育成果信息之后，可以评价用户所接受课程的质量，以及用户的进步空间，从而可以根据所述教育成果信息设置针对所述受教育用
户的课程调整等等。
42.在本技术的另一个场景中，车辆的磨损程度也可以预测得到，例如可以持续获取车辆部件的磨损程度，例如，可以每隔一段时间通过车辆上的传感器获取车辆上至少部分零部件的磨损信息，并生成磨损信息时序序列。在预测的过程中，可以将车辆在第一时间段内的磨损信息输入至磨损预测模型组件中，经所述磨损预测模型组件输出车辆在未来第二时间段内的磨损信息。在获取车辆在未来时间段内的磨损信息之后，可以根据磨损信息确定是否需要提醒用户去保养车辆或者更换磨损严重的零部件。
43.当然，在其他场景中，本技术实施例方法好可以其他需要时序预测的场景中，如气象预测、人口预测、收入预测等等，本技术在此不做限制。
44.下面结合附图对本技术所述的健康数据处理方法进行详细的说明。图7是本技术提供的健康数据处理方法的一种实施例的方法流程示意图。虽然本技术提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本技术实施例提供的执行顺序。所述方法在实际中的健康数据处理过程中或者装置执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
45.具体的，本技术提供的健康数据处理方法的一种实施例如图7所示，所述方法可以包括：
46.s701：获取用户在基准时间之前第一时间段内的健康信息。
47.s703：将所述健康信息输入至健康预测模型组件中，经所述健康预测模型组件输出所述用户在所述基准时间之后的第二时间段内的健康信息；其中，所述健康预测模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。
48.本技术实施例中，首先，可以获取到用户在基准时间之前第一时间段内的健康信息。其中，所述基准时间可以是任意的时间点或者时间段，例如所述基准时间可以包括2020年7月17日14点25分20秒这样的时间点，也可以包括2020年7月17日这样的时间段，具体可以根据健康项目的周期长短设置，在此不做限制。所述基准时间用于分割所述第一时间段与所述第二时间段，且所述第一时间段在所述基准时间之前，所述第二时间段在所述基准时间之后。获取的所述第一时间段内的健康信息用于预测所述第二时间段内的健康信息。所述第一时间段和所述第二时间段包括由多个时刻组成的时间段，在所述多个时刻具有与之对应的健康信息。所述健康信息包括与用户健康相关的信息，在一些示例中，所述健康信息可以包括用户的疾病信息、症状信息、身体信息等等。所述症状信息又可以包括疾病症状信息、医疗美容症状信息、亚健康症状信息等等，所述身体信息又可以包括用户的健身过程、饮食减肥等过程中的身体信息，如体重、bmi、bmr、体脂肪率、肌肉量、体水分率等信息。当然，在其他实施例中，所述健康信息可以包括任何与用户健康和身体相关的并需要一定时间周期的信息，本技术在此不做限制。
49.本技术的一个实施例中，可以利用健康预测模型组件预测所述基准时间之后的第二时间段内的健康信息。具体地，可以将所述第一时间段内的健康信息输入至所述健康预测模型组件中，经所述健康预测模型组件输出所述第二时间段内的健康信息。所述健康预测模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。
50.在本技术的一个实施例中，所述健康预测模型组件可以被设置为利用机器学习的方式训练得到。基于此，首先可以获取训练所用的样本数据。如上所述，所述健康预测模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。因此，所述样本数据可以从所述多个用户在历史时间段内的健康信息提取得到。所述样本数据可以包括指定时间、所述指定时间之前所述第一时间段内的健康信息以及所述指定时间之后所述第二时间段内的健康信息。在一个示例中，可以训练生成用于预测用户医美状态的健康预测模型组件，基于此，可以获取到多个具有医美经历的用户的医美记录，如用户从医美前到完全恢复这段时间的医美记录。在另一个示例中，可以训练生成用于预测用户健身状态的健康预测模型组件，基于此，可以获取到多个采用某种健身项目的用户的健身记录，如用户从健身前一直到达到健身目标的健身记录。当然，在其他的示例中，还可以构建用于预测用户疾病恢复状态的健康预测模型组件，那么，则需要多个具有某种疾病病史的用户的病历记录，如用户从患病到完全康复这段时间的病历数据。当然，所述健康预测模型组件可以涉及到任何与用户的健康、身体相关的应用场景，本技术在此不做限制。
51.本技术实施例中，获取到的多个用户在历史时间段内的健康信息可以包括所述历史时间段内多个时间点的健康信息。例如，获取的用户的医美记录中，可以包括用户从手术日开始往后多个时间点的医美信息，如术后3天、术后5天，术后一周、术后15天等这样的数据记录。基于此，可以将用户在历史时间段内的健康信息转化成健康序列，且该健康序列可以以手术日作为时间起点。然后，可以从所述健康序列中提取出样本数据，所述样本数据中可以包括指定时间、所述指定时间之前所述第一时间段内的健康信息以及所述指定时间之后所述第二时间段内的健康信息。其中，所述第一时间段既是模型训练阶段时所述指定时间之前的时间长度，也是模型使用阶段时所述基准时间之前的时间长度，使得在模型训练阶段和模型使用阶段时长上相匹配。并且，所述第一时间段、所述第二时间段可以被设置为任意时长，在一个示例中，所述第一时间段可以为5天，所述第二时间段可以为4天，在所述指定时间为术后第15天的情况下，那么，所述第一时间段内的健康信息即为术后第10天至术后第5天内的健康信息，所述第二时间段内的健康信息即为术后第11天至术后第14天内的健康信息。当然，在其他实施例中，在构建所述样本数据的过程中，所述第一时间段和所述第二时间段的时长不限于上述举例，所述第一时间段和所述第二时间段内可以是连续天数的，也可以是非连续天数的，在此不做限制。当然，所述第一时间段和所述第二时间段的时间划分粒度不限于天，也可以是半天、任意小时等等，在此不做限制。
52.本技术实施例中，在获取到所述样本数据之后，可以构建所述健康预测模型组件，所述健康预测模型组件中设置有训练参数。然后，可以分别将所述第一时间段内的健康信息输入至所述健康预测模型组件中，生成预测结果。在一个实施例中，所述预测结果可以包括预测得到的所述第二时间段内的健康信息，并称之为预测健康信息。最后，可以基于预测得到的所述预测健康信息与实际的健康信息之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。基于此，经过迭代训练后的健康预测模型组件可以准确地确定用户在所述基准时间之后的第二时间段内的健康信息。
53.需要说明的是，训练所述健康预测模型组件所用的机器学习算法可以包括能够进行时序序列学习的机器学习算法，例如可以包括自回归(ar)模型、移动平均(ma)模型、自回归移动平均(arma)模型、差分自回归移动平均模型(arima)、季节性差分自回归移动平均模
型(sarima)模型、循环神经网络(rnn)、长短期记忆网络(ltsm)等等，当然还可以包括上述任意一种算法的变形算法，例如，在ltsm的基础上增加注意力机制(attention)等等，本技术对于机器学习算法不做限制。
54.在实际应用中，所涉及到的健康项目有多种，例如在医美项目中，可以涉及到眼部医美项目、鼻子医美项目、嘴巴医美项目、脸型医美项目等等。在健身项目中，可以涉及到增肌项目、塑形项目、瘦身项目等等。基于此，本技术实施例中，可以针对不同的健康项目设置与之相匹配的健康预测模型组件。例如，在医美项目中，有专门用于预测眼部医美恢复状态的健康预测模型组件、专门用于预测鼻子医美恢复状态的健康预测模型组件、专门用于预测脸型医美恢复状态的健康预测模型组件等等。这样，不仅可以降低所述健康预测模型组件训练过程的复杂度，还可以提升所述健康预测模型组件的准确性。
55.基于此，本技术实施例中，在使用多个健康预测模型组件的过程中，可以首先确定所述健康信息所对应的健康项目信息。然后，可以从所述多个健康预测模型组件中确定出于所述健康项目信息相匹配的目标健康预测模型组件。最后，将所述健康信息输入至所述目标健康预测模型组件中，经所述目标健康预测模型组件输出所述用户在所述基准时间之后的第二时间段内的健康信息。
56.本技术实施例中，在获取用户在所述基准时间之前第一时间段内的健康信息的过程中，可以首先获取用户在所述基准时间之前所述第一时间段内的健康记录，然后，将所述健康记录中所记录的内容转化为预设格式的健康信息。当然，所述预设格式的健康信息与训练阶段样本数据中健康信息的格式相匹配。例如，在一个示例中，在所述健康项目信息包括对人体进行健康调整的情况下，所述健康信息可以包括下述中的至少一种：疼痛信息、恢复信息、不适信息。所述健康调整例如可以包括医美、健身等健康项目。在实际的训练和使用所述健康预测模型组件的过程中，需要将样本数据和输入数据中的健康信息量化，例如，可以将所述疼痛信息、所述恢复信息、所述不适信息划分成五个或者十个等级，然后用等级数对所述疼痛信息、所述恢复信息和所述不适信息进行量化，如量化后的健康信息为(3,5,6)，即疼痛等级为3，恢复等级为5，不适等级为6。
57.在本技术实施例中，用户的健康记录可以包括下述中的至少一种形式：文字、语音、图片、视频。对于文字形式的健康记录而言，可以对文字进行分词、关键词提取等操作，确定所述健康记录量化成预设格式的健康信息。对于语音形式的健康记录，可以对所述健康记录进行语音识别，获取所述健康记录所对应的文字内容。然后，可以按照上述文字形式的健康记录的处理方式，将所述文字内容量化成预设格式的健康信息。对于图片形式和视频形式的健康记录，可以对所述图像或者所述视频中的视频帧进行图像识别，获取所述健康记录中的内容，然后，将所述内容量化成预设格式的健康信息。
58.在本技术的一个实施例中，可以将所述图像或者所述视频中的视频帧输入至健康图像识别模型组件中，经所述健康图像识别模型组件输出所述健康记录中的内容。其中，所述健康图像识别模型组件被设置为利用多个用户的健康图像以及所述健康图像所记录的内容之间的对应关系训练得到。在一个示例中，所述健康图像识别模型组件可以用于识别医美图像的健康信息，那么，在训练阶段中，可以获取多个医美样本图像，并在所述医美样本图像中标注对应的健康信息，例如分别标注医美样本图像对应的疼痛信息、恢复信息、不适信息等。这样，训练完成的所述健康图像识别模型组件可以用于准确地识别图像或者视
频帧对应的健康信息。所述健康图像识别模型组件被设置为利用神经网络等机器学习算法训练得到，在此不做限制。
59.本技术实施例中，在确定所述基准时间之后的第二时间段内的健康信息之后，可以向所述用户发送预测消息，所述预测消息中包括所述基准时间之后的第二时间段内的健康信息。用户在接收到所述预测消息之后，可以提前了解到自己未来一段时间内的健康状况。进一步地，在本技术的一个实施例中，还可以将所述第二时间段内的健康信息输入至决策模型组件中，经所述决策模型组件中输出对应的健康提醒消息。所述决策模型组件的设置可以基于多种决策，在其中的一种决策中，在所述第二时间段内的健康信息低于预期数据的情况下，可以设置向用户发送警告信息。所述预期数据可以包括构建的符合大部分用户的健康状态基准数据。在一个示例中，用户在双眼皮手术后的第90天的疼痛等级为6级，恢复等级为3级，不适等级为7级，获取的预期数据分别为1级、8级和2级，由此可见，用户目前的健康信息远远低于预期数据，基于此，可以向用户发送警告信息。当然，由于所述健康信息中可以包括多种信息，且所述多种信息可以分别设置有权重或者设置有优先级，因此，在决策过程中需要有多个中间决策过程。在另一种决策中，在所述第二时间段内的健康信息相比于上一个第二时间段内的健康信息而言，健康程度下降的情况下，也可以设置向用户发送警告信息。在一个示例中，用户在鼻子整形手术后的第40天的疼痛等级为5级，恢复等级为2级，红肿等级为7级，获取的上一个第二时间段内的健康信息分别为3级，6级，4级，可见，用户的健康状况有所恶化，可以设置向用户发送警告信息。当然，所述决策模型组件所涉及到的决策不限于上述举例，还可以包括其他能够与用户健康状态相关的决策，本技术在此不做限制。
60.本技术实施例中，所述决策模型组件所使用的机器学习算法可以包括k近邻算法、感知机算法、决策树、支持向量机、逻辑斯底回归、最大熵。当然，在其他实施例中，所述机器学习算法还可以包括深度学习算法，所述深度学习算法可以包括卷积神经网络算法、循环神经网络算法等等，本技术在此不做限制。
61.需要说明的是，所述决策模型组件还可以输出所述健康提醒消息的发送时间和发送对象。所述发送时间用于定在哪个时间点向用户发送所述健康提醒消息。所述发送对象可以包括用户或者医生，在用户健康状态较差或者恶化的情况下，可以将所述健康提醒消息发送给帮助用户实施健康项目的医生，使得医生了解用户的状况，并根据状况作出对策。
62.本技术提供的健康数据处理方法，可以根据用户历史健康信息预测用户未来的健康信息，且利用机器学习模型组件实现健康信息的预测，所述机器学习模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。一方面，健康信息的预测可以让用户或者医生提前获知用户的健康状况，尤其在健康状况出现问题的情况下，可以帮助用户设置补救措施；另一方面，通过机器学习的方式训练得到健康预测模型组件，可以实现预测的准确性，获取准确可靠的预测结果。
63.本技术另一方面还提供一种数据处理方法，如图8所示，所述方法包括：
64.s801：获取对象在基准时间之前第一时间段内的状态信息；
65.s803：将所述状态信息输入至结果预测模型组件中，经所述结果预测模型组件输出所述用户在所述基准时间之后的第二时间段内的状态信息；
66.其中，所述结果预测模型组件被设置为利用多个用户在历史时间段内的状态信息
训练得到。
67.可选的，在本技术的一个实施例中，所述对象包括受教育用户，所述状态信息包括教育成果信息，所述结果预测模型组件包括成果预测模型组件。
68.可选的，在本技术的一个实施例中，所述对象包括车辆，所述状态信息包括车辆部件磨损信息，所述结果预测模型组件包括磨损预测模型组件。
69.对应于上述健康数据处理方法，如图9所示，本技术还提供一种健康数据处理装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时可以实现：
70.获取用户在基准时间之前第一时间段内的健康信息；
71.将所述健康信息输入至健康预测模型组件中，经所述健康预测模型组件输出所述用户在所述基准时间之后的第二时间段内的健康信息；
72.其中，所述健康预测模型组件被设置为利用多个用户在历史时间段内的健康信息训练得到。
73.可选的，在本技术的一个实施例中，所述健康预测模型组件被设置为按照下述方式训练得到：
74.获取多个用户在历史时间段内的健康信息；
75.从所述健康信息中提取多个样本数据，所述样本数据包括指定时间、所述指定时间之前所述第一时间段内的健康信息以及所述指定时间之后所述第二时间段内的健康信息；
76.构建健康预测模型组件，所述健康预测模型组件中设置有训练参数；
77.分别将所述指定时间之前所述第一时间段内的健康信息输入至所述健康预测模型组件中，生成预测结果；
78.基于所述预测结果与所述指定时间之后所述第二时间段内的健康信息之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
79.可选的，在本技术的一个实施例中，所述处理器在实现步骤将所述健康信息输入至健康预测模型组件中，经所述健康预测模型组件输出所述用户在所述基准时间之后的第二时间段内的健康信息时包括：
80.确定所述健康信息对应的健康项目信息；
81.从多个健康预测模型组件中确定出与所述健康项目信息相匹配的目标健康预测模型组件；
82.将所述健康信息输入至所述目标健康预测模型组件中，经所述目标健康预测模型组件输出所述用户在所述基准时间之后的第二时间段内的健康信息。
83.可选的，在本技术的一个实施例中，在所述健康信息对应的健康项目信息包括对人体进行健康调整的情况下，所述健康信息包括下述中的至少一种：疼痛信息、恢复信息、不适信息。
84.可选的，在本技术的一个实施例中，所述处理器在实现步骤获取用户在基准时间之前第一时间段内的健康信息时包括：
85.获取用户在基准时间之前第一时间段内的健康记录；
86.将所述健康记录中所记录的内容转化为预设格式的健康信息。
87.可选的，在本技术的一个实施例中，所述健康记录包括下述中的至少一种形式：文字、语音、图片、视频。
88.可选的，在本技术的一个实施例中，在所述健康记录包括语音的情况下，所述处理器在实现步骤将所述健康记录中所记录的内容转化为预设格式的健康信息时包括：
89.对所述语音进行语音识别，获取所述健康记录中的文字内容；
90.将所述文字内容量化成预设格式的健康信息。
91.可选的，在本技术的一个实施例中，在所述健康记录包括图像或者视频的情况下，所述处理器在实现步骤将所述内容量化成预设格式的健康信息时包括：
92.对所述图像或者所述视频中的视频帧进行图像识别，获取所述健康记录中的内容；
93.将所述内容进行量化成预设格式的健康信息。
94.可选的，在本技术的一个实施例中，所述处理器在实现步骤对所述图像或者所述视频中的视频帧进行图像识别，获取所述健康记录中的内容时包括：
95.将所述图像或者所述视频中的视频帧输入至健康图像识别模型组件中，经所述健康图像识别模型组件输出所述健康记录中的内容；其中，所述健康图像识别模型组件被设置为利用多个用户的健康图像以及所述健康图像所记录的内容之间的对应关系训练得到。
96.可选的，在本技术的一个实施例中，所述处理器还实现步骤：
97.向所述用户发送预测消息，所述预测消息中包括所述基准时间之后的第二时间段内的健康信息。
98.可选的，在本技术的一个实施例中，所述处理器还实现步骤：
99.将所述基准时间之后的第二时间段内的健康信息输入至决策模型组件中，经所述决策模型组件中输出对应的健康提醒消息；其中，所述决策模型组件被设置为利用训练得到。
100.可选的，在本技术的一个实施例中，所述决策模型组件还输出所述健康提醒消息的发送时间、发送对象。
101.本技术另一方面还提供一种数据处理装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
102.获取对象在基准时间之前第一时间段内的状态信息；
103.将所述状态信息输入至结果预测模型组件中，经所述结果预测模型组件输出所述用户在所述基准时间之后的第二时间段内的状态信息；
104.其中，所述结果预测模型组件被设置为利用多个用户在历史时间段内的状态信息训练得到。
105.可选的，在本技术的一个实施例中，所述对象包括受教育用户，所述状态信息包括教育成果信息，所述结果预测模型组件包括成果预测模型组件。
106.可选的，在本技术的一个实施例中，所述对象包括车辆，所述状态信息包括车辆部件磨损信息，所述结果预测模型组件包括磨损预测模型组件。
107.本技术另一方面还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任一实施例所述方法的步骤。
108.所述计算机可读存储介质可以包括用于存储信息的物理装置，通常是将信息数字
化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
109.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
110.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
111.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何
设备的组合。
112.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
113.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
114.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
115.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
116.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
117.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
118.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
119.还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
120.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
121.本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
122.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
123.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。