基于大数据的胃部患病概率的计算装置及系统的制作方法

本申请涉及疾病预防技术领域，具体而言，涉及一种基于大数据的胃部患病概率的计算装置及系统。

背景技术：

当前，人们主要靠定期体检来进行疾病的及时发现，以避免病入膏亡无药可救。但是定期体检的周期往往是一年，一年内用户的身体状况可能发生很大变化，无法做到及时进行疾病预防和检测

针对上述问题，目前尚未有有效的技术解决方案。

技术实现要素：

本申请实施例的目的在于提供一种基于大数据的胃部患病概率的计算装置及系统。

本申请实施例还提供了一种基于大数据的胃部患病概率的计算装置，所述装置包括：

第一获取模块，用于获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；

第一计算模块，用于根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；

选择模块，用于根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；

第二计算模块，用于将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算装置中，所述第一计算模块，包括：

第一计算单元，用于根据所述运动量信息、所述饮食信息以及所述体重信息计算所述目标用户的摄入能量消耗；

第二计算单元，用于根据所述如厕信息、所述饮食信息以及所述摄入能量消耗计算所述目标用户的胃部功能状况；所述胃部功能状况从强盗弱依次分为若干等级。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算装置中，所述装置还包括：

第二获取模块，用于获取第一训练样本集，所述第一训练样本集包括多个第一训练样本，每一所述第一训练样本包括样本运动量信息、样本体重信息、样本饮食信息、样本如厕信息、样本情绪状况信息以及样本生理状况信息；

第三计算模块，用于根据所述样本运动量信息、样本体重信息、样本饮食信息以及所述样本如厕信息计算第一训练样本对应的胃部功能状况；

第一训练模块，用于根据所述胃部功能状况选取对应的神经网络模型，并将所述多个第一训练样本输入所述神经网络模型进行训练，得到对应胃部功能状况下的神经网络计算模型。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算装置中，所述第一训练模块用于：

从所述第一训练样本集获取一个第一训练样本作为当前第一训练样本；将所述当前第一训练样本输入所述神经网络模型进行训练，得到训练后的第一神经网络模型以及对应的输出结果；基于所述输出结果计算损失值，并判断所述损失值是否大于预设阈值；若大于预设阈值，则从所述第一训练样本集选取一个未训练过的第一训练样本作为当前第一训练样本，并返回至所述将所述当前第一训练样本输入所述神经网络模型进行训练的步骤；若小于预设阈值，则结束训练，并将所述第一神经网络模型作为神经网络计算模型。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算装置中，所述第二计算单元用于：

根据所述饮食信息以及所述摄入能量消耗计算所述用户的消化吸收能力状况；

根据所述消化能力状况获取对应的胃部状况计算模型；

将所述如厕信息、所述饮食信息以及所述摄入能量消耗输入所述胃部状况计算模型，得到所述目标用户的胃部功能状况。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算装置中，所述装置还包括：

第三获取模块，用于获取第二训练样本集，所述第二训练样本集包括多个第二训练样本，每一所述第二训练样本包括样本如厕信息、样本饮食信息以及样本摄入能量消耗；

第四计算模块，用于根据所述样本饮食信息以及所述样本摄入能量消耗计算用户的样本消化吸收能力状况；

第三选择模块，用于根据所述样本消化吸收能力状况选取对应的胃部状况模型；

第二训练模块，用于根据所述第二训练样本集对所述胃部状况模型进行训练，得到对应的胃部状况计算模型。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算装置中，所述第二计算模块。包括：

第四计算单元，用于将所述运动量信息、体重信息、饮食信息、如厕信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的初始概率；

第五计算单元，用于根据所述情绪状况信息对所述初始概率进行校正，得到所述目标用户胃部患病的概率。

第二方面，本申请实施例还提供了一种基于大数据的胃部患病概率的计算系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括基于大数据的胃部患病概率的计算方法的程序，所述基于大数据的胃部患病概率的计算方法被所述处理器执行时实现以下步骤：

获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；

根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；

根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；

将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算系统中，所述基于大数据的胃部患病概率的计算方法的程序被所述处理器执行时实现以下步骤：

根据所述运动量信息、所述饮食信息以及所述体重信息计算所述目标用户的摄入能量消耗；

根据所述如厕信息、所述饮食信息以及所述摄入能量消耗计算所述目标用户的胃部功能状况；所述胃部功能状况从强盗弱依次分为若干等级。。

第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于大数据的胃部患病概率的计算方法程序，所述基于大数据的胃部患病概率的计算方法程序被处理器执行时，实现如下补的步骤：

获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；

根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；

根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；

将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率。

由上可知，本申请实施例提供的基于大数据的胃部患病概率的计算装置及系统通过获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率；从而是患病概率的计算，其不仅基于大数据进行预测，还结合了人的情绪状况，可以提高预测的准确性。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的基于大数据的胃部患病概率的计算装置的一种结构示意图。

图2为本申请实施例提供的基于大数据的胃部患病概率的计算系统的一种结构示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1是本申请一些实施例中的一种基于大数据的胃部患病概率的计算装置的结构图，该基于大数据的胃部患病概率的计算装置，所述装置包括：第一获取模块101、第一计算模块102、第一选择模块103以及第二计算模块104。

其中，该第一获取模块101用于获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息。

其中，该第一计算模块102用于根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况。其中，该运动量信息可以通过用户主动上传获取，或者，基于用户的运动手环或者手机检测得到。其中，该饮食信息包括饮食量，其中该饮食量可以基于用户的点餐软件的点餐信息获取得到。其中，该如厕信息可以由用户输入得到。其中，该胃部功能状况从强盗弱可以分为多个等级。

其中，该第一选择模块103用于根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型。其中，不同等级的胃部功能状况选取不同的神经网络模型，不同的神经网络模型是采用不同胃部功能状况的样本数据训练得到。

其中，该第二计算模块104用于将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率。其中，运动量信息以运动时间以及运动类型进行标示，该饮食信息包括用餐时间、及用餐量以及用餐的食物种类。该情绪状况信息为最近的大致情绪状况，例如消极状态或者积极状态，或者亢奋状态。该生理参数信息包括但不限于用户的心率、血压、体重、血糖含量等信息。

在一些实施例中，该第一计算模块102，包括：第一计算单元，用于根据所述运动量信息、所述饮食信息以及所述体重信息计算所述目标用户的摄入能量消耗；第二计算单元，用于根据所述如厕信息、所述饮食信息以及所述摄入能量消耗计算所述目标用户的胃部功能状况；所述胃部功能状况从强盗弱依次分为若干等级。

其中，在一些实施例中，装置还包括：第二获取模块，用于获取第一训练样本集，所述第一训练样本集包括多个第一训练样本，每一所述第一训练样本包括样本运动量信息、样本体重信息、样本饮食信息、样本如厕信息、样本情绪状况信息以及样本生理状况信息；第三计算模块，用于根据所述样本运动量信息、样本体重信息、样本饮食信息以及所述样本如厕信息计算第一训练样本对应的胃部功能状况；第一训练模块，用于根据所述胃部功能状况选取对应的神经网络模型，并将所述多个第一训练样本输入所述神经网络模型进行训练，得到对应胃部功能状况下的神经网络计算模型。

具体地，该第一训练模块用于：从所述第一训练样本集获取一个第一训练样本作为当前第一训练样本；将所述当前第一训练样本输入所述神经网络模型进行训练，得到训练后的第一神经网络模型以及对应的输出结果；基于所述输出结果计算损失值，并判断所述损失值是否大于预设阈值；若大于预设阈值，则从所述第一训练样本集选取一个未训练过的第一训练样本作为当前第一训练样本，并返回至所述将所述当前第一训练样本输入所述神经网络模型进行训练的步骤；若小于预设阈值，则结束训练，并将所述第一神经网络模型作为神经网络计算模型。

在一些实施例中，该第二计算单元用于：根据所述饮食信息以及所述摄入能量消耗计算所述用户的消化吸收能力状况；根据所述消化能力状况获取对应的胃部状况计算模型；将所述如厕信息、所述饮食信息以及所述摄入能量消耗输入所述胃部状况计算模型，得到所述目标用户的胃部功能状况。

在一些实施例中，装置还包括：第三获取模块，用于获取第二训练样本集，所述第二训练样本集包括多个第二训练样本，每一所述第二训练样本包括样本如厕信息、样本饮食信息以及样本摄入能量消耗；第四计算模块，用于根据所述样本饮食信息以及所述样本摄入能量消耗计算用户的样本消化吸收能力状况；第三选择模块，用于根据所述样本消化吸收能力状况选取对应的胃部状况模型；第二训练模块，用于根据所述第二训练样本集对所述胃部状况模型进行训练，得到对应的胃部状况计算模型。

其中，销售吸收能力状况用于表征用户对食品的吸收能力。不同吸收能力的用户采用不同的胃部状况模型，采用对应类型的用户的样本数据来进行训练。

在一些实施例中，该第二计算模104块。包括：第四计算单元，用于将所述运动量信息、体重信息、饮食信息、如厕信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的初始概率；第五计算单元，用于根据所述情绪状况信息对所述初始概率进行校正，得到所述目标用户胃部患病的概率。由于不同情绪状态下，人的身体机能会不同，人越积极，身体机能越好，因此，其胃部患病的概率越低，因此，基于情绪状态对计算出的初始概率进行校正可以提高计算的准确性。其中，具体校准时，可以基于大数据或者大批量的具体案例来计算得到具体的校正系数。

由上可知，本申请实施例通过获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率；从而是患病概率的计算，其不仅基于大数据进行预测，还结合了人的情绪状况，可以提高预测的准确性。

根据本发明实施例，还包括：

第四计算模块根据所述样本如厕信息、所述样本饮食信息以及所述样本摄入能量消耗计算样本消化吸收能力状况；

第一计算模块根据所述第四计算模块计算得出的样本消化吸收能力状况结合所述样本体重信息、所述样本运动量信息以及所述样本生理状况信息进行动态参数校正得出校正后样本消化吸收能力状况的动态参数指标；

第三选择模块根据所述样本消化吸收能力状况的动态参数指标修正选取的胃部状况模型。

需要说明的是，第四计算模块根据采集的样本如厕信息、样本饮食信息以及样本摄入能量消耗通过公式p＝a1b1+a2b2+a3b3计算出样本消化吸收能力状况，得到样本胃部消化吸收能力的评价指数，其中，p为样本胃部消化吸收能力的评价指数，a1、a2、a3为采集样本信息参数的权重系数，b1、b2、b3分别为采集的样本如厕信息、样本饮食信息以及样本摄入能量消耗的信息参数；计算得出的样本消化吸收能力状况结果结合样本体重信息、样本运动量信息以及样本生理状况信息的实时动态参量进行动态函数校正，从而得出样本消化吸收能力状况的动态参数指标，动态函数校正可以是对数函数瞬态修正，也可以是阈值坐标函数有限元校正，总之，可以通过一定动态参变量修正方法对实时得到的样本消化吸收能力状况进行动态参数指标量化，从而得出更加准确的样本胃动态环境下的指标参数。

根据本发明实施例，还包括：

第二计算模块监测所述目标用户胃部患病概率是否大于目标用户胃部患病预设阈值；

如所述目标用户胃部患病概率大于目标用户胃部患病预设阈值，则第一训练模块重新选取并训练更新神经网络计算模型，所述第一训练模块根据第一选择模块更新的胃部功能状况对神经网络计算模型进行更新；

所述第一选择模块获取更新后训练样本集，所述更新后训练样本集包括更新后的样本运动量信息、样本体重信息、样本饮食信息、样本如厕信息、样本情绪状况信息以及样本生理状况信息；

所述第一选择模块根据所述更新后训练样本集信息重新计算并更新胃部功能状况。

需要说明的是，当监测到目标用户胃部患病概率大于目标用户胃部患病预设阈值时，第一选择模块则重新采集当前的用户胃部信息以更新训练样本集，重新采集更新的训练样本集信息进行重新计算以获得更新的胃部功能状况，根据更新的胃部功能状况对神经网络计算模型进行重新选取以获得对应的神经网络模型，并将更新后的训练信息输入重新选取的神经网络模型进行再训练，最终得到更新后胃部功能状况对应的最新神经网络计算模型。

根据本发明实施例，还包括：

第二计算模块根据神经网络模型计算的目标用户胃部患病概率对影响所述胃部患病概率阈值的胃部功能状况的所述目标用户运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息的单个或多个参数信息并结合第一计算模块的目标用户胃部功能状况等级进行风险阈值分析；

所述神经网络模型根据获取的影响所述胃部患病概率阈值的单个或多个参数信息进行筛查以获取阈值风险关键参数；

所述第一选择模块根据筛查获取的所述阈值风险关键参数在病患数据库中进行阈值拟合分析得到改善所述阈值风险关键参数的样本胃部患病处方。

需要说明的是，第二计算模块神经网络模型对影响胃部患病概率阈值较大影响的目标用户参数信息进行风险阈值分析，得出目标用户运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息中影响胃部患病概率阈值的参数，同时结合第一计算模块得出的目标用户胃部功能状况等级，对上述参数信息进行风险阈值分析，以筛查出阈值风险关键参数，针对筛查的关键参数通过第一选择模块在病患数据库中进行阈值拟合分析，最终目的为搜索出最大风险阈值相似样本，得出链接的样本胃部患病处方，用于对症下药改善目标用户的胃部患病病况。

第二方面，本申请实施例还提供了一种基于大数据的胃部患病概率的计算系统，其特征在于，该系统包括：存储器201及处理器202，所述存储器中包括基于大数据的胃部患病概率的计算方法的程序，所述基于大数据的胃部患病概率的计算方法被所述处理器202执行时实现以下步骤：

获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率。

可选地，在本申请实施例所述的基于大数据的胃部患病概率的计算系统中，所述基于大数据的胃部患病概率的计算方法的程序被所述处理器执行时实现以下步骤：

根据所述运动量信息、所述饮食信息以及所述体重信息计算所述目标用户的摄入能量消耗；

根据所述如厕信息、所述饮食信息以及所述摄入能量消耗计算所述目标用户的胃部功能状况；所述胃部功能状况从强盗弱依次分为若干等级。。

该运动量信息可以通过用户主动上传获取，或者，基于用户的运动手环或者手机检测得到。其中，该饮食信息包括饮食量，其中该饮食量可以基于用户的点餐软件的点餐信息获取得到。其中，该如厕信息可以由用户输入得到。其中，该胃部功能状况从强盗弱可以分为多个等级。

其中，不同等级的胃部功能状况选取不同的神经网络模型，不同的神经网络模型是采用不同胃部功能状况的样本数据训练得到。

其中，运动量信息以运动时间以及运动类型进行标示，该饮食信息包括用餐时间、及用餐量以及用餐的食物种类。该情绪状况信息为最近的大致情绪状况，例如消极状态或者积极状态，或者亢奋状态。该生理参数信息包括但不限于用户的心率、血压、体重、血糖含量等信息。

在一些实施例中，基于大数据的胃部患病概率的计算方法被所述处理器202执行时实现以下步骤：根据所述运动量信息、所述饮食信息以及所述体重信息计算所述目标用户的摄入能量消耗；根据所述如厕信息、所述饮食信息以及所述摄入能量消耗计算所述目标用户的胃部功能状况；所述胃部功能状况从强盗弱依次分为若干等级。

其中，在一些实施例中，基于大数据的胃部患病概率的计算方法被所述处理器202执行时实现以下步骤：获取第一训练样本集，所述第一训练样本集包括多个第一训练样本，每一所述第一训练样本包括样本运动量信息、样本体重信息、样本饮食信息、样本如厕信息、样本情绪状况信息以及样本生理状况信息；根据所述样本运动量信息、样本体重信息、样本饮食信息以及所述样本如厕信息计算第一训练样本对应的胃部功能状况；根据所述胃部功能状况选取对应的神经网络模型，并将所述多个第一训练样本输入所述神经网络模型进行训练，得到对应胃部功能状况下的神经网络计算模型。

具体地，基于大数据的胃部患病概率的计算方法被所述处理器202执行时实现以下步骤：从所述第一训练样本集获取一个第一训练样本作为当前第一训练样本；将所述当前第一训练样本输入所述神经网络模型进行训练，得到训练后的第一神经网络模型以及对应的输出结果；基于所述输出结果计算损失值，并判断所述损失值是否大于预设阈值；若大于预设阈值，则从所述第一训练样本集选取一个未训练过的第一训练样本作为当前第一训练样本，并返回至所述将所述当前第一训练样本输入所述神经网络模型进行训练的步骤；若小于预设阈值，则结束训练，并将所述第一神经网络模型作为神经网络计算模型。

在一些实施例中，基于大数据的胃部患病概率的计算方法被所述处理器202执行时实现以下步骤：根据所述饮食信息以及所述摄入能量消耗计算所述用户的消化吸收能力状况；根据所述消化能力状况获取对应的胃部状况计算模型；将所述如厕信息、所述饮食信息以及所述摄入能量消耗输入所述胃部状况计算模型，得到所述目标用户的胃部功能状况。

在一些实施例中，基于大数据的胃部患病概率的计算方法被所述处理器202执行时实现以下步骤：获取第二训练样本集，所述第二训练样本集包括多个第二训练样本，每一所述第二训练样本包括样本如厕信息、样本饮食信息以及样本摄入能量消耗；根据所述样本饮食信息以及所述样本摄入能量消耗计算用户的样本消化吸收能力状况；根据所述样本消化吸收能力状况选取对应的胃部状况模型；根据所述第二训练样本集对所述胃部状况模型进行训练，得到对应的胃部状况计算模型。

其中，销售吸收能力状况用于表征用户对食品的吸收能力。不同吸收能力的用户采用不同的胃部状况模型，采用对应类型的用户的样本数据来进行训练。

在一些实施例中，基于大数据的胃部患病概率的计算方法被所述处理器202执行时实现以下步骤：将所述运动量信息、体重信息、饮食信息、如厕信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的初始概率；根据所述情绪状况信息对所述初始概率进行校正，得到所述目标用户胃部患病的概率。由于不同情绪状态下，人的身体机能会不同，人越积极，身体机能越好，因此，其胃部患病的概率越低，因此，基于情绪状态对计算出的初始概率进行校正可以提高计算的准确性。其中，具体校准时，可以基于大数据或者大批量的具体案例来计算得到具体的校正系数。

由上可知，本申请实施例提供的系统通过获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率；从而是患病概率的计算，其不仅基于大数据进行预测，还结合了人的情绪状况，可以提高预测的准确性。

第三方面，本申请实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于大数据的胃部患病概率的计算方法程序，所述基于大数据的胃部患病概率的计算方法程序被处理器执行时，实现如上述中任一项所述的一种基于大数据的胃部患病概率的计算装置的步骤，例如实现以下步骤

获取目标用户在预设时间段内的运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息；

根据所述运动量信息、体重信息、饮食信息以及所述如厕信息计算所述目标用户的胃部功能状况；

根据胃部功能状况选取对应的胃部患病概率的神经网络计算模型；

将所述运动量信息、体重信息、饮食信息、如厕信息、情绪状况信息以及生理状况信息输入所述神经网络计算模型，得到所述目标用户胃部患病的概率。

本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(staticrandomaccessmemory,简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory,简称eeprom)，可擦除可编程只读存储器(erasableprogrammablereadonlymemory,简称eprom)，可编程只读存储器(programmablered-onlymemory,简称prom)，只读存储器(read-onlymemory,简称rom)，磁存储器，快闪存储器，磁盘或光盘。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，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。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。