数据预测方法、装置、电子设备以及存储介质与流程

1.本公开涉及微生物技术领域，具体而言，涉及一种数据预测方法、装置、电子设备以及存储介质。


背景技术：

2.人类肠道微生物，例如人类肠道菌群与人类健康和疾病具有直接的联系，因此，对微生物进行基因解析、识别微生物的种类、以及建立微生物的种类与疾病的关联关系对于疾病的诊断具有重要的作用。
3.目前对微生物的种类进行预测方案中，一种是通过特定的基因来预测，这种方案的预测精确度，依赖于对特定基因进行提取的基因工具，该基因提取工具的提取精度不仅无法保证，并且基因提取成功率较低，这就在很大程度上减低了微生物种类预测的精确性。另一种对微生物的种类进行预测方案，是使用微生物的所有的基因数据，这就造成种类预测中使用的数据量过大，不仅降低了微生物种类预测的效率，并且浪费了计算资源。


技术实现要素：

4.本公开实施例至少提供一种数据预测方法、装置、电子设备以及计算机可读存储介质。
5.第一方面，本公开实施例提供了一种数据预测方法，包括：
6.获取目标微生物的初始基因信息；
7.基于所述初始基因信息，确定所述初始基因信息对应的基因统计特征；其中，所述基因统计特征包括所述目标微生物对应的至少一个基因片段，以及每个所述基因片段对应的频率信息；
8.将所述基因统计特征输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征进行处理，得到所述目标微生物的类别信息。
9.该方面，在对目标微生物进行种类预测的过程中，不是利用所有的基因数据，而是利用目标微生物对应的基因统计特征，这就有效减少了在种类预测中所使用的数据量，提高了预测效率，节省了计算资源；同时，由于基因统计特征是根据目标微生物的初始基因信息确定的，因此，基因统计特征能够较为准确的表征目标微生物的基因信息，利用基因统计特征能够保证目标微生物种类的预测精度；另外，由于该方面在种类预测过程中未利用目标微生物的特定基因，因此克服了现有技术中在微生物种类预测中存在的对特定基因提取工具的依赖，有利于提高微生物种类预测的精度。另外，利用训练好的深度学习网络对基因统计特征进行处理以对目标微生物进行种类预测，能够进一步提高种类预测效率以及节省人力资源。
10.在一种可能的实施方式中，所述获取目标微生物的初始基因信息，包括：
11.提取所述目标微生物的基因组信息；
12.去除所述基因组信息中异常的基因组信息；
13.对剩余的基因组信息进行拼接，得到连续碱基序列，并将得到的所述连续碱基序列作为所述初始基因信息。
14.该实施方式，通过对目标微生物的基因组信息进行异常处理和拼接，得到了能够较为准确地表征目标微生物的基因信息的连续碱基序列，利用该连续碱基序列对目标微生物进行种类预测，能够提高预测精度。
15.在一种可能的实施方式中，所述基因组信息包括宏基因组信息。
16.该实施方式，宏基因组信息能够表征目标微生物的基因信息的总和，因此在基因组信息包括宏基因组信息的情况下，能够提高利用基因组信息确定的初始基因信息的完整性，有利于提高目标微生物种类预测的精度。
17.在一种可能的实施方式中，所述基因片段包括多个碱基组成的碱基序列。
18.该实施方式，多个碱基组成的碱基序列能够表征一个基因片段的基因特征，进一步地，多个基因片段以及每个基因片段的频率信息能够较为准确和完整地表征目标微生物的基因特征，因此，利用由基因片段确定的基因统计特征来进行目标微生物的种类预测，能够有效提高预测精度。
19.在一种可能的实施方式中，所述目标微生物包括细菌，所述类别信息包括所述细菌所属的属对应的第一类别信息和/或所述细菌所输的种对应的第二类别信息。
20.该实施方式，种或属能够准确表征细菌的类别信息。
21.在一种可能的实施方式中，所述将所述基因统计特征输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征进行处理，得到所述目标微生物的类别信息，包括：
22.基于所述初始基因信息，确定所述目标微生物的预设遗传信息载体对应的基因序列信息；
23.将所述基因统计特征和所述基因序列信息输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征和所述基因序列信息进行处理，得到所述目标微生物的类别信息。
24.该实施方式，预设遗传信息载体对应的基因序列信息包括较少的能够表征目标微生物类别的基因信息，结合基因统计特征和基因序列信息来对目标微生物的种类进行预测，能够有效提高预测精度。
25.在一种可能的实施方式中，所述预设遗传信息载体包括核糖体核糖核酸；所述基因序列信息包括所述核糖体核糖核酸对应的碱基序列。
26.该实施方式，核糖体核糖核酸分子大小适中，突变率小，利用核糖体核糖核酸能够较为准确地对目标微生物进行种类预测。
27.在一种可能的实施方式中，所述深度学习网络包括多层感知机对应的神经网络。
28.该实施方式，多层感知机能够较为准确地确定目标微生物的类别信息。
29.第二方面，本公开提供了一种数据预测装置，包括：
30.信息获取模块，用于获取目标微生物的初始基因信息；
31.信息处理模块，用于基于所述初始基因信息，确定所述初始基因信息对应的基因统计特征；其中，所述基因统计特征包括所述目标微生物对应的至少一个基因片段，以及每个所述基因片段对应的频率信息；
32.种类预测模块，用于将所述基因统计特征输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征进行处理，得到所述目标微生物的类别信息。
33.第三方面，本公开实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
34.第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
35.关于上述数据预测装置、电子设备、及计算机可读存储介质的效果描述参见上述数据预测方法的说明，这里不再赘述。
36.为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
37.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，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。
38.图1示出了本公开实施例所提供的一种数据预测方法的流程图；
39.图2示出了本公开实施例所提供的另一种数据预测方法的流程图；
40.图3示出了本公开实施例所提供的一种数据预测装置的示意图；
41.图4示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
42.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开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公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，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，都属于本公开保护的范围。
43.经研究发现，现有技术中的对微生物进行种类预测的方案中，存在预测精度低或预测效率差的缺陷。针对上述技术问题，本公开提供了一种数据预测方法、装置、电子设备以及计算机可读存储介质。本公开在对微生物进行种类预测的过程中，不是利用微生物的所有的基因数据，而是利用微生物对应的基因统计特征，这就有效减少了在种类预测中所使用的数据量，提高了预测效率，节省了计算资源；同时，由于基因统计特征是根据微生物的初始基因信息确定的，因此，基因统计特征能够较为准确的表征微生物的基因信息，利用
基因统计特征能够保证微生物种类的预测精度；另外，由于本公开在种类预测过程中未利用微生物的特定基因，因此克服了现有技术中在微生物种类预测中存在的对特定基因提取工具的依赖，有利于提高微生物种类预测的精度。另外，本公开利用训练好的深度学习网络对基因统计特征进行处理以对微生物进行种类预测，能够进一步提高种类预测效率以及节省人力资源。
44.下面以执行主体为具有计算能够的设备为例对本公开实施例提供的数据预测方法加以说明。
45.如图1所示，本公开提供的数据预测方法可以包括如下步骤：
46.s110、获取目标微生物的初始基因信息。
47.上述目标微生物可以是细菌，例如人类肠道中的细菌，但是本公开对目标微生物并不进行限定。
48.这里，可以将从目标微生物中提取的基因信息直接作为初始基因信息，也可以对从目标微生物提取的基因信息进行异常等处理，并将处理后的基因信息作为初始基因信息。上述初始基因信息可以是由多个碱基组成的一条碱基序列。
49.上述从目标微生物中提取的基因信息可以包括从目标微生物中提取的基因组信息，例如宏基因组信息。宏基因组信息能够表征目标微生物的基因信息的总和，因此在基因组信息包括宏基因组信息的情况下，后续利用由宏基因组信息确定的初始基因信息对目标微生物进行种类预测提高目标微生物种类预测的精度。
50.s120、基于所述初始基因信息，确定所述初始基因信息对应的基因统计特征；其中，所述基因统计特征包括所述目标微生物对应的至少一个基因片段，以及每个所述基因片段对应的频率信息。
51.上述基因片段可以是从初始基因信息对应的碱基序列中提取出来的，具体可以是包括多个碱基组成的碱基序列。例如，基因片段可以包括碱基ttttttt组成的碱基序列、碱基ttttttc组成的碱基序列、碱基ttttttg组成的碱基序列或碱基atgcatc组成的碱基，其中，上述a表示腺嘌呤，g表示鸟嘌呤，c表示胞嘧啶，t表示胸腺嘧啶，上述碱基序列中不仅包括碱基，还包括碱基的排列顺序。多个碱基组成的碱基序列能够表征一个基因片段的基因特征。另外，上述基因片段所包括的多个碱基以及碱基的排列顺序也可以是预先设定好的，本公开对此并不进行限定。
52.上述基因片段对应的频率信息可以包括对应的基因片段在初始基因信息对应的碱基序列中出现的次数和/或上述次数与所有基因片段对应的次数的和的比值。
53.示例性地，通过对初始基因信息对应的碱基序列进行解析，确定碱基ttttttt组成的碱基序列在初始基因信息对应的碱基序列中出现2次，碱基ttttttc组成的碱基序列在初始基因信息对应的碱基序列中出现1次，碱基ttttttt组成的碱基序列在初始基因信息对应的碱基序列中出0次，碱基ttttttt组成的碱基序列在初始基因信息对应的碱基序列中出现4次。
54.基因片段对应的频率信息能够表征对应的基因片段在初始基因信息对应的碱基序列中的占比，结合多个基因片段以及每个基因片段的频率信息能够较为准确和完整地表征目标微生物的基因特征，后续利用由基因片段确定的基因统计特征来进行目标微生物的种类预测，能够有效提高预测精度。
55.不同的基因片段中所包括的碱基的数量可以相同，也可以不同，本公开对此并不进行限定。
56.示例性地，可以利用kmer方法对所述初始基因信息进行处理，得到上述初始基因信息对应的基因统计特征。该基因统计特征可以利用向量的形式进行表征。
57.s130、将所述基因统计特征输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征进行处理，得到所述目标微生物的类别信息。
58.这里可以将向量形式的基因统计特征输入训练好的深度学习网络，深度学习网络对输入的基因统计特征进行特征提取，并根据提取的特征，确定并输出目标微生物的类别信息。
59.上述类别信息可以包括所述细菌所属的属对应的第一类别信息和/或所述细菌所属的种对应的第二类别信息。在类别信息包括所述细菌所属的属对应的第一类别信息的情况下，上述深度学习网络为预先训练好对属进行预测的网络。在对该深度学习网络进行训练时，是利用微生物样本的基因统计特征样本和属标签来进行的。
60.在类别信息包括所述细菌所属的种对应的第二类别信息的情况下，上述深度学习网络为预先训练好对种进行预测的网络。在对该深度学习网络进行训练时，是利用微生物样本的基因统计特征样本和种标签来进行的。
61.在类别信息包括所述细菌所属的属对应的第一类别信息和细菌所属的种对应的第二类别信息的情况下，上述深度学习网络为预先训练好对属和种进行预测的网络。在对该深度学习网络进行训练时，是利用微生物样本的基因统计特征样本、属标签和种标签来进行的。
62.由于上述深度学习网络是利用大量的微生物样本，经过多轮训练得到的，因此通过上述训练好的深度学习网络能够较为准确地确定目标微生物的种或属，其中种或属能够准确表征细菌的类别信息，即上述深度学习网络能够较为准确的确定的目标微生物的类别信息。
63.示例性地，上述深度学习网络可以是多层感知机对应的神经网络。如图2所示，本公开在获取到初始基因信息之后，利用k-mer representation对初始基因信息进行处理，得到基因统计特征，之后将基因统计特征输入多层感知机对应的神经网络(或者称为多层感知机分类器)，经过多层感知机对应的神经网络对基因统计特征进行处理，输出目标微生物的类别信息。
64.上述实施例在预测目标微生物的类别信息的时候，用深度学习网络进行，不需要人力参与，人力成本低，效率高。
65.另外，上述深度学习网络可以利用传统的统计学模型或机器学习模型替换，例如利用逻辑回归、支持向量机等替换。
66.在一些实施例中，上述获取目标微生物的初始基因信息可以利用如下步骤实现：首先提取所述目标微生物的基因组信息；之后，去除所述基因组信息中异常的基因组信息；最后，对剩余的基因组信息进行拼接，得到连续碱基序列，并将得到的所述连续碱基序列作为所述初始基因信息。
67.由于直接从目标微生物提取的基因组信息可能存在异常，为了保证后续预测的准确性，需要去除所述基因组信息中异常的基因组信息。
68.上述基因组信息可以是宏基因组信息。
69.上述实施例通过对目标微生物的基因组信息进行异常处理和拼接，得到了能够较为准确地表征目标微生物的基因信息的连续碱基序列，利用该连续碱基序列对目标微生物进行种类预测，能够提高预测精度。
70.为了提高预测精度，除了利用基因统计特征，还可以结合目标微生物的其他基因特征来进行，示例性地，可以结合目标微生物的基因统计特征和目标微生物的预设遗传信息载体对应的基因序列信息来预测目标微生物的类别信息。具体可以利用如下步骤实现：
71.步骤一、基于所述初始基因信息，确定所述目标微生物的预设遗传信息载体对应的基因序列信息。
72.示例性地，上述预设遗传信息载体包括核糖体核糖核酸rrna；所述基因序列信息包括所述核糖体核糖核酸rrna对应的碱基序列。具体地，可以利用如下步骤确定在得到所述rrna对应的碱基序列：在得到初始基因信息之后，从初始基因信息对应的碱基序列中提取编码rrna相对应的dan，即16s rrna，并将16s rrna作为核糖体核糖核酸rrna对应的碱基序列，即将16s rrna作为上述预设遗传信息载体对应的基因序列信息。
73.上述核糖体核糖核酸rrna分子大小适中，突变率小，利用核糖体核糖核酸rrna能够较为准确地对目标微生物进行种类预测。
74.步骤二、将所述基因统计特征和所述基因序列信息输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征和所述基因序列信息进行处理，得到所述目标微生物的类别信息。
75.示例性地，深度学习网络对输入的基因统计特征和所述基因序列信息进行处理，例如，深度学习网络对基因统计特征进行特征提取，得到第一特征信息；深度学习网络对基因序列信息进行特征提取，得到第二特征信息；之后，对第一特征信息和第二特征信息进行特征融合，得到目标特征信息；最后，基于特征融合得到的目标特征信息，确定目标微生物的类别信息。
76.这里的深度学习网络同样可以利用传统的统计学模型或机器学习模型替换。
77.上述预设遗传信息载体对应的基因序列信息包括较少的能够表征目标微生物类别的基因信息，结合基因统计特征和基因序列信息来对目标微生物的种类进行预测，能够有效提高预测精度。
78.示例性地，可以利用多层感知机对所述基因统计特征进行特征提取，得到第一特征信息，利用包括多个卷积层的卷积神经网络对基因序列信息进行特征提取，得到第二特征信息。
79.对基因统计特征和基因序列信息进行进一步地特征提取，提取得到的特征能够更加明确地表征目标微生物的种类信息，因此，利用提取得到的特征，即上述第一特征信息和第二特征信息能够较为准确地确定目标微生物的类别信息；同时，对基因统计特征和基因序列信息进行进一步地特征提取，能够减少后续处理步骤中需要处理的数据量，在提高处理效率的同时，节省了计算资源。
80.对提取出的能够明确地表征目标微生物的种类信息的第一特征信息和所述第二特征信息进行特征融合，得到的目标特征信息能够更加深层次的表征目标微生物的种类信息，在此基础上，利用目标特征信息进行种类预测，能够有效提高确定的目标微生物的类别
信息的准确度。
81.示例性地，可以利用如下步骤对所述第一特征信息和所述第二特征信息进行特征融合：首先，将所述第一特征信息和所述第二特征信息进行加和处理，得到第一融合子信息；之后，将所述第一特征信息和所述第二特征信息进行点乘处理，得到第二融合子信息；最后，将所述第一融合子信息和所述第二融合子信息进行加和处理，得到所述目标特征信息。
82.通过对第一特征信息和所述第二特征信息进行加和处理和点乘处理，以及对加和处理得到的第一融合子信息和点乘处理得到的第二融合子信息进一步进行加和处理，能够充分挖掘第一特征信息和所述第二特征信息中能够表征目标微生物的种类信息的特征，得到能够更加深层次的表征目标微生物的种类信息的目标特征信息。
83.由于上述深度学习网络是利用大量的微生物样本，经过多轮训练得到的，因此通过上述训练好的深度学习网络能够较为准确地确定目标微生物的种或属，其中种或属能够准确表征细菌的类别信息，即上述深度学习网络能够较为准确的确定的目标微生物的类别信息。
84.利用训练好的深度学习网络对目标特征信息进行处理以对目标微生物进行种类预测，还能够进一步提高种类预测效率以及节省人力资源。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
85.基于同一发明构思，本公开实施例中还提供了数据预测方法对应的数据预测装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述数据预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
86.参照图3所示，为本公开实施例提供的一种数据预测装置的架构示意图，所述装置包括：
87.信息获取模块310，用于获取目标微生物的初始基因信息。
88.信息处理模块320，用于基于所述初始基因信息，确定所述初始基因信息对应的基因统计特征；其中，所述基因统计特征包括所述目标微生物对应的至少一个基因片段，以及每个所述基因片段对应的频率信息。
89.种类预测模块330，用于将所述基因统计特征输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征进行处理，得到所述目标微生物的类别信息。
90.在一些实施例中，所述信息获取模块310在获取目标微生物的初始基因信息时，用于：
91.提取所述目标微生物的基因组信息；
92.去除所述基因组信息中异常的基因组信息；
93.对剩余的基因组信息进行拼接，得到连续碱基序列，并将得到的所述连续碱基序列作为所述初始基因信息。
94.在一些实施例中，所述基因组信息包括宏基因组信息。
95.在一些实施例中，所述基因片段包括多个碱基组成的碱基序列。
96.在一些实施例中，所述目标微生物包括细菌，所述类别信息包括所述细菌所属的属对应的第一类别信息和/或所述细菌所输的种对应的第二类别信息。
97.在一些实施例中，所述种类预测模块330在将所述基因统计特征输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征进行处理，得到所述目标微生物的类别信息时，用于：
98.基于所述初始基因信息，确定所述目标微生物的预设遗传信息载体对应的基因序列信息；
99.将所述基因统计特征和所述基因序列信息输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征和所述基因序列信息进行处理，得到所述目标微生物的类别信息。
100.在一些实施例中，所述预设遗传信息载体包括核糖体核糖核酸；所述基因序列信息包括所述核糖体核糖核酸对应的碱基序列。
101.在一些实施例中，所述深度学习网络包括多层感知机对应的神经网络。
102.基于同一技术构思，本公开实施例还提供了一种电子设备。参照图4所示，为本公开实施例提供的电子设备400的结构示意图，包括处理器41、存储器42、和总线43。其中，存储器42用于存储执行指令，包括内存421和外部存储器422；这里的内存421也称内存储器，用于暂时存放处理器41中的运算数据，以及与硬盘等外部存储器422交换的数据，处理器41通过内存421与外部存储器422进行数据交换，当电子设备400运行时，处理器41与存储器42之间通过总线43通信，使得处理器41在执行以下指令：
103.获取目标微生物的初始基因信息；基于所述初始基因信息，确定所述初始基因信息对应的基因统计特征；其中，所述基因统计特征包括所述目标微生物对应的至少一个基因片段，以及每个所述基因片段对应的频率信息；将所述基因统计特征输入训练好的深度学习网络，经过所述深度学习网络对所述基因统计特征进行处理，得到所述目标微生物的类别信息。
104.本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的数据预测方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
105.本公开实施例所提供的数据预测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的数据预测方法的步骤，具体可参见上述方法实施例，在此不再赘述。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
106.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、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。
107.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。
108.另外，在本公开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。
109.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
110.若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
111.最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。