一种健康检测方法、装置、计算机设备及存储介质与流程

1.本技术涉及计算机技术领域，具体涉及一种健康检测方法、装置、计算机设备及存储介质。


背景技术：

2.随着我国猪只养殖业的快速发展，畜禽养殖的自动化、智能化是我国养殖业的未来发展趋势。畜禽养殖的自动化可以将养殖现场的环境指标﹑畜禽行为数据以及畜禽的健康状况实时自动监测并传输，从而能够使养殖人员在最短时间内了解养殖环境的改变以及畜禽的行为变化，对其健康状况做出判断，及时的进行对应的调整。
3.当前，我国主要采用对猪只的身体状态进行数据采集，以及结合人工观察方法对猪只的健康状况进行判断。但是，现有的检测方式需要采集大量数据进行分析，耗时耗力，影响猪只健康的检测效率。


技术实现要素：

4.本技术实施例提供一种健康检测方法、装置、计算机设备及存储介质，可以提高对动物身体健康的检测效率。
5.本技术实施例提供了一种健康检测方法，包括：
6.通过目标动物佩戴的检测设备获取历史时间段内所述目标动物在目标环境中的至少一种身体状态信息，以及所述目标环境的环境信息；
7.根据所述身体状态信息与所述环境信息确定多维数据；
8.对所述多维数据进行特征提取，得到所述目标动物对应的健康特征信息；
9.基于所述健康特征信息预测所述目标动物处于健康状态的目标概率，得到所述目标动物的健康检测结果。
10.相应的，本技术实施例还提供了一种健康检测装置，包括：
11.获取单元，用于通过目标动物佩戴的检测设备获取历史时间段内所述目标动物在目标环境中的至少一种身体状态信息，以及所述目标环境的环境信息；
12.第一确定单元，用于根据所述身体状态信息与所述环境信息确定多维数据；
13.提取单元，用于对所述多维数据进行特征提取，得到所述目标动物对应的健康特征信息；
14.预测单元，用于基于所述健康特征信息预测所述目标动物处于健康状态的目标概率，得到所述目标动物的健康检测结果。
15.在一些实施例中，预测单元包括：
16.输入子单元，用于将所述健康特征信息输入训练后预测模型；
17.计算子单元，用于基于所述训练后预测模型计算所述健康特征信息在所述健康状态下的概率，得到所述目标概率。
18.在一些实施例中，计算子单元具体用于：
19.将所述多个健康特征划分为多个特征集合，每一特征集合包括至少一个健康特征；
20.将所述多个特征集合分别输入多个训练后预测模型；
21.通过每一训练后预测模型计算所述特征集合在所述健康状态下的概率，得到多个待处理概率；
22.基于所述多个待处理概率确定所述目标概率。
23.在一些实施例中，计算子单元具体用于：
24.将所述多个健康特征划分为多个特征集合，每一特征集合包括至少一个健康特征；
25.将所述多个特征集合分别输入多个训练后预测模型；
26.通过每一训练后预测模型的多个训练后子模型，分别计算输入所述训练后预测模型的特征集合在所述健康状态下的概率，得到多个待处理子概率；基于所述多个待处理子概率确定待处理概率，得到所述多个待处理概率；
27.基于所述多个待处理概率确定所述目标概率。
28.在一些实施例中，该装置还包括：
29.采集单元，用于采集指定时间段内样本动物在样本环境中的样本身体状态信息，以及所述样本环境的样本环境信息；
30.第二确定单元，用于根据所述样本身体状态信息与所述样本环境信息确定所述样本动物的实际健康检测结果；
31.构建单元，用于基于所述样本身体状态信息、所述样本环境信息以及所述实际健康检测结果，构建所述训练后预测模型。
32.在一些实施例中，构建单元包括：
33.处理子单元，用于对所述样本身体状态信息和所述样本环境信息进行预处理，得到处理后样本信息；
34.提取子单元，用于对所述处理后样本信息进行特征提取，得到所述样本动物对应的样本健康特征信息；
35.训练子单元，用于基于所述样本健康特征信息与所述实际健康检测结果对预设预测模型进行训练，得到所述训练后预测模型。
36.在一些实施例中，训练子单元具体用于：
37.根据所述样本健康特征信息与所述实际健康检测结果生成训练样本对；
38.基于所述训练样本对对预设预测模型进行训练，得到所述训练样本对中所述样本健康特征信息在所述健康状态下的预测概率；
39.确定所述训练样本对中所述样本健康特征信息对应的实际概率；
40.通过所述预测概率与所述实际概率对所述预设预测模型的模型参数进行调整，直至所述预设预测模型收敛，得到所述训练后预测模型。
41.在一些实施例中，处理子单元具体用于：
42.基于所述样本身体状态信息中的数据量，以及所述样本环境信息中的数据量，从多个样本动物中筛选出目标样本动物；
43.获取所述指定时间段的第一时间戳；
44.基于所述第一时间戳分别对所述目标样本动物的样本身体状态信息以及环境信息进行数据填充处理，得到所述处理后信息。
45.在一些实施例中，第二确定单元包括：
46.匹配子单元，用于将所述样本动物温度信息、所述样本动物运动信息以及所述样本环境温度信息，与健康标准信息进行匹配；
47.第一确定子单元，用于确定所述样本动物的健康检测结果为身体健康状态；
48.第二确定子单元，用于确定所述样本动物的健康检测结果为身体异常状态。
49.在一些实施例中，第一确定单元包括：
50.获取子单元，用于获取所述身体状态信息中的第一变量，以及所述环境信息中的第二变量；
51.第三子单元，用于确定所述历史时间段对应的日期以及第二时间戳；
52.生成子单元，用于基于所述第一变量、所述第二变量、所述日期以及所述第二时间戳，生成所述多维数据。
53.在一些实施例中，该装置还包括：
54.生成单元，用于若所述健康检测结果指示所述目标动物为身体异常状态，则生成提示信息；
55.发送单元，用于向用户终端发送所述提示信息，以使所述用户根据所述提示信息对所述目标动物进行排查。
56.相应的，本技术实施例还提供了一种计算机设备，包括存储器，处理器及存储在储存器上并可在处理器上运行的计算机程序，其中，处理器执行本技术实施例任一提供的健康检测方法。
57.相应的，本技术实施例还提供了一种存储介质，存储介质存储有多条指令，指令适于处理器进行加载，以执行如上的健康检测方法。
58.本技术实施例通过为样本动物佩戴的耳标设备采集样本动物的身体状态数据以及环境数据，将身体状态数据以及环境数据作为样本数据，然后，基于预设标注原则对样本数据进行标注，通过标注后的样本数据对预设算法模型进行有监督学习，以生成训练后预测模型，进一步的，通过训练后预测模型对待检测动物的身体状况进行预测，得到预测结果，从而可以提高对动物身体健康的检测效率。
附图说明
59.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，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，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。
60.图1为本技术实施例提供的一种健康检测方法的流程示意图。
61.图2为本技术实施例提供的另一种健康检测方法的流程示意图。
62.图3为本技术实施例提供的一种健康检测方法的应用场景示意图。
63.图4为本技术实施例提供的一种健康检测装置的结构框图。
64.图5为本技术实施例提供的计算机设备的结构示意图。
具体实施方式
65.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，所描述的实施例仅仅是本技术的一部分实施例，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。
66.本技术实施例提供一种健康检测方法、装置、存储介质及计算机设备。具体地，本技术实施例的健康检测方法可以由计算机设备执行，其中，该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、个人计算机(pc，personal computer)、个人数字助理(personal digital assistant，pda)等终端设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
67.例如，该计算机设备可以是服务器，该服务器可以获取当前游戏玩家在指定游戏中的互动信息；对互动信息进行分类处理，得到互动信息的目标分类标签；从多个候选引导信息中，确定目标分类标签对应的目标引导信息；基于目标引导信息对当前游戏玩家进行健康检测。
68.基于上述问题，本技术实施例提供第一种健康检测方法、装置、计算机设备及存储介质，可以提高对动物身体健康的检测效率。
69.以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
70.本技术实施例提供一种健康检测方法，该方法可以由终端或服务器执行，本技术实施例以健康检测方法由服务器执行为例来进行说明。
71.请参阅图1，图1为本技术实施例提供的一种健康检测方法的流程示意图。该健康检测方法的具体流程可以如下：
72.101、通过目标动物佩戴的检测设备获取历史时间段内目标动物在目标环境中的至少一种身体状态信息，以及目标环境的环境信息。
73.在本技术实施例中，目标动物指的是需要进行身体检查的动物，目标动物可以为多种类型，比如，目标动物可以为人工饲养的家禽类动物。目标动物可以佩戴有检测设备。
74.其中，检测设备可以包括多种传感器，可以通过各传感器采集目标动物的身体状态信息。
75.例如，身体状态信息可以包括体温、运动状况等，则检测设备可以包括温度传感器，运动传感器。其中，温度传感器可以用于检测目标动物的体温，运动传感器可以用于检测目标动物的运动状态。
76.其中，为了准确检测目标动物的运动状态，运动传感器可以选取三轴运动传感器，也即三轴加速度传感器。
77.具体的，三轴加速度传感器是基于加速度的基本原理去实现工作，三轴加速度传感器的好处是在预先不知道物体运动方向的场合下，应用三维加速度传感器来检测加速度信号。三维加速度传感器具有体积小和重量轻特点，可以测量空间加速度，能够全面准确反映物体的运动性质。
78.其中，空间加速度可以包括：x轴方向加速度，y轴方向加速度，以及z轴方向加速度。则运动状态可以包括目标动物在各个轴方向上的加速度。
79.其中，目标环境指的是目标动物在历史时间段内所处的场所，比如，目标环境可以为饲养目标动物的饲养场所。目标环境的环境信息可以包括环境温度等，环境温度也可以通过检测设备的温度传感器进行检测。
80.102、根据身体状态信息与环境信息确定多维数据。
81.其中，多维数据包括身体状态信息中的数据，以及环境信息中的数据。
82.在一些实施例中，为了提高对目标动物身体检测的准确性，步骤“根据身体状态信息与环境信息确定多维数据”，可以包括以下操作：
83.获取身体状态信息中的第一变量，以及环境信息中的第二变量；
84.确定历史时间段对应的日期以及第二时间戳；
85.基于第一变量、第二变量、日期以及第二时间戳，生成多维数据。
86.其中，第一变量指的是身体状态信息中的各个数据，第二变量指的是环境信息中的各个变量。
87.例如，身体状态信息中包括的数据可以有：身体温度，x轴方向的加速度，y轴方向的加速度，z轴方向的加速度；环境信息中包括的数据可以有环境温度。
88.在本技术实施例中，为了及时发现身体异常的目标动物，可以每隔一时间段对目标动物的身体进行检查，该时间段可以为任意时长，优选地，时间段可以为一天，则历史时间段可以为当前日期的前一天时间段，比如，当前日期可以为2021年9月20日，则历史时间段可以为：2021年9月19日0时0分0秒至2021年9月19日23时59分59秒这段时间。
89.其中，第二时间戳指的是历史时间段内的时间点，比如，检测设备采集目标动物的是身体状态信息时，更新时间可以为每分钟，则第二时间戳可以包括：2021年9月19日0时1分0秒、2021年9月19日0时2分0秒、2021年9月19日0时3分0秒、...、2021年9月19日23时59分0秒的时间点。
90.在本技术实施例中，为了对不同的目标动物进行区分，可以对目标动物进行标识，比如，可以将目标动物佩戴的检测设备的编号与历史时间段对应的日期作为目标动物的标识，也即目标动物的标识＝检测设备编号+历史时间段的日期。
91.进一步的，通过时间轴上每一时间点对应的身体温度，环境温度，x轴方向的加速度，y轴方向的加速度，z轴方向的加速度以及目标动物的标识，即可以得到多维数据。
92.103、对多维数据进行特征提取，得到目标动物对应的健康特征信息。
93.在本技术实施例中，综合考察时序数据提取特征的算法包，选取tsfresh算法包对多维数据进行特征提取。其中，tsfresh(timeseries fresh)是一个python第三方工具包。它自动计算大量的时间序列数据的特征。具体的，可以利用tsfresh中的extract_features函数对多维数据进行特征提取。
94.例如，通过extract_features函数对多维数据进行特征提取的实现代码可以如下：
95.#特征提取
96.import tsfresh
97.from tsfresh import extract_features
98.extracted_features＝extract_features(cdata_1,column_id＝'id'，column_sort＝'time')
99.其中，column_id可以为目标动物的标识，column_sort可以为第二时间戳。
100.进一步的，为了避免遗漏特征，本技术实施例中还可以采用tsfresh.utilties.dataframe_functions包中的impute函数，进行特征缺失值填充。通过tsfresh算法包对多维数据进行特征提取，即可以得到健康特征信息。
101.104、基于健康特征信息预测目标动物处于健康状态的目标概率，得到目标动物的健康检测结果。
102.其中，健康状态指的是身体健康，目标概率指的预测得到的目标动物身体健康的概率值，进一步可以根据目标概率确定目标动物的健康监测结果。
103.在一些实施例中，为了提高对目标动物身体检测的效率，步骤“基于健康特征信息预测目标动物处于健康状态的目标概率”，可以包括以下操作：
104.将健康特征信息输入训练后预测模型；
105.基于训练后预测模型计算健康特征信息在健康状态下的概率，得到目标概率。
106.在本技术实施例中，设计了训练后预测模型，可以通过训练后预测模型对目标动物的健康特征信息进行处理，得到健康特征信息在健康状态下的概率，进而预测得到目标动物的健康监测结果。
107.其中，训练后预测模型通过采集训练样本数据，采用人工智能中的机器学习技术基于训练样本数据进行模型训练，从而得到训练后预测模型。
108.在一些实施例中，为了提高预测结果的准确性，训练后预测模型的数量为多个，则步骤“基于训练后预测模型计算健康特征信息在健康状态下的概率，得到目标概率”，可以包括以下操作：
109.将多个健康特征划分为多个特征集合；
110.将多个特征集合分别输入多个训练后预测模型；
111.通过每一训练后预测模型计算特征集合在健康状态下的概率，得到多个待处理概率；
112.基于多个待处理概率确定目标概率。
113.其中，健康特征信息可以包括多个健康特征，健康特征指的是从目标动物的多维数据中提取的特征。
114.在本技术实施例中，训练后预测模型可以包括多种不同的训练后预测模型，每一训练后预测模型可以对健康特征信息进行处理，得到目标动物处于健康状态的概率。
115.进一步的，为了保证多个预测后训练模型的预测结果融合得到更好的预测效果，每一训练后预测模型侧重处理的健康特征可以不相同。
116.比如，训练后预测模型可以包括：第一训练后预测模型、第二训练后预测模型、第三训练后预测模型、第四训练后预测模型以及第五训练后预测模型。
117.其中，将多个健康特征划分为多个特征集合，可以根据不同训练后预测模型侧重处理的特征进行划分，每一特征集合包括至少一个健康特征。
118.例如，多个健康特征可以包括：第一特征、第二特征、第三特征、第四特征、第五特征、第六特征、第七特征、第八特征、第九特征、第十特征等。
119.其中，第一训练后预测模型侧重处理的特征可以为第一特征和第二特征，第二训练后预测模型侧重处理的特征可以为第三特征和第四特征，第三训练后预测模型侧重处理的特征可以为第五特征和第六特征，第四训练后预测模型侧重处理的特征可以为第七特征和第八特征，第五训练后预测模型侧重处理的特征可以为第九特征和第十特征。
120.进一步的，则可以将多个特征划分为五个特征集合，也即第一特征集合包括第一特征和第二特征，第二特征集合包括第三特征和第四特征，第三特征集合包括第五特征和第六特征，第四特征集合包括第七特征和第八特征，第五特征集合包括第九特征和第十特征。
121.在确定多个特征集合后，即可以将每一特征集合分别输入对应的训练后预测模型中，然后通过每一训练后预测模型计算输入该训练后预测模型中的特征集合在健康状态下的概率，得到多个待处理概率。其中，待处理概率指的是每一训练后预测模型计算得到的概率。
122.例如，可以将第一特征集合输入第一训练后预测模型，可以将第二特征集合输入第二训练后预测模型，将第三特征集合输入第三训练后预测模型，将第四特征集合输入第四训练后预测模型，将第五特征集合输入第五训练后预测模型，然后通过第一训练后预测模型计算第一特征集合对应的概率，得到第一待处理概率，通过第二训练后预测模型计算第二特征集合对应的概率，得到第二待处理概率，通过第三训练后预测模型计算第三特征集合对应的概率，得到第三待处理概率，通过第四训练后预测模型计算第四特征集合对应的概率，得到第四待处理概率，通过第五训练后预测模型计算第五特征集合对应的概率，得到第五待处理概率，从而可以得到多个待处理概率。
123.具体的，基于多个待处理概率确定目标概率可以通过计算多个待处理概率的平均值，得到目标概率。
124.例如，第一待处理概率可以为：0.89，第二待处理概率可以为：0.76，第三待处理概率可以为：0.34，第四待处理概率可以为：0.65，第五待处理概率可以为：0.12，则计算所有待处理概率的平均值，得到目标概率可以为：0.552。
125.在一些实施例中，为了进一步提高预测结果的准确性，每一训练后模型可以包括多个训练后预测子模型，则步骤“通过每一训练后预测模型计算特征集合在健康状态下的概率，得到多个待处理概率”，可以包括以下步骤：
126.通过每一训练后预测模型的多个训练后子模型，分别计算输入训练后预测模型的特征集合在健康状态下的概率，得到多个待处理子概率；
127.基于多个待处理子概率确定待处理概率，得到多个待处理概率。
128.例如，训练后预测模型可以包括：第一训练后预测模型、第二训练后预测模型、第三训练后预测模型、第四训练后预测模型以及第五训练后预测模型。其中，每一训练后预测模型可以包括多个训练后预测子模型，比如，每一训练后预测模型可以包括9个训练后预测子模型则总共可以有5x9＝45个训练后预测子模型。
129.具体的，对于每一训练后预测模型计算的待处理概率可以通过该训练后预测模型包括的各个训练后预测子模型对该训练后预测模型对于的特征集合进行处理，得到各个待处理子概率，然后进一步通过各个待处理子概率计算得到该训练后预测模型对应的待处理概率。
130.例如，训练后预测模型可以包括：第一训练后预测模型，第一训练后预测模型可以包括9个训练后预测子模型，该第一训练后预测模型对于处理的特征集合可以为第一特征集合，然后可以通过9个训练后预测子模型分别计算第一特征集合中的健康特征在健康状况的概率值，得到9个待处理子概率可为：0.12、0.34、0.80、0.77、0.98、0.55、0.75、0.46、0.38，然后计算9个待处理子概率的平均值，得到第一训练后预测模型的待处理概率可以为：0.57。同样的，对应其他训练后预测模型的待处理概率也可以按照上述第一训练后预测模型的待处理概率的计算方式进行计算得到，即可以得到每一训练后预测模型对于的待处理概率，在此不多做举例说明。
131.在一些实施例中，为了实现对目标动物身体健康的预测，在步骤“将健康特征信息输入训练后预测模型”之前，还可以包括以下步骤：
132.采集指定时间段内样本动物在样本环境中的样本身体状态信息，以及样本环境的样本环境信息；
133.根据样本身体状态信息与样本环境信息确定样本动物的实际健康检测结果；
134.基于样本身体状态信息、样本环境信息以及实际健康检测结果，构建训练后预测模型。
135.其中，样本动物指的是已确定身体检测结果的动物，指定时间段指的是在确定动物的身体检测结果之前的时间段。在本技术实施例中，指定时间段可以为确定动物的身体检测结果之前的一天时间。
136.例如，样本动物可以包括：动物a，确定动物a的身体检测结果的日期可以为2021年9月10日，则指定时间段可以为：2021年9月09日0时0分0秒至2021年9月09日23时59分59秒这段时间。
137.其中，样本环境指的是样本动物在指定时间段内所处的场所，可以为样本动物的饲养场所。样本动物也可以佩戴有检测设备，检测设备可以用于采集样本动物的样本身体状态信息，以及样本环境的样本环境信息。
138.具体的，样本身体状态信息包括样本动物的身体温度、运动状态；样本环境的样本环境信息包括样本环境的环境温度。
139.进一步的，根据样本身体状态信息，以及样本环境信息可以确定样本动物的实际健康检测结果。
140.在一些实施例中，为了提高模型训练效率，步骤“根据样本身体状态信息与样本环境信息确定样本动物的实际健康检测结果”，可以包括以下操作：
141.将样本动物温度信息、样本动物运动信息以及样本环境温度信息，与健康标准信息进行匹配；
142.若匹配成功，则确定样本动物的健康检测结果为身体健康状态；
143.若匹配失败，则确定样本动物的健康检测结果为身体异常状态。
144.其中，样本身体状态信息至少包括样本动物温度信息以及样本动物运动信息，样本环境信息至少包括样本环境温度信息。
145.在本技术实施例中，可以预先设定标注原则，标注原则指的是用于检测动物身体的健康检测结果的判定标准条件。由于采集动物的身体状态信息包括有身体温度和运动状态，则可以从身体温度和运动状态的方面设定判定标准条件。
146.比如，判定标准条件可以包括：第一标注原则为：以身体温度发热(发热指的是身体温度≥39.5摄氏度)的次数作为第一判定基准，进一步的，动物当天的持续发热的时间跨度大于等于半天，则可以判定动物的健康检测结果为生病；第二标注原则为：以有效运动(动物在x轴方向的加速度、y轴方向的加速度以及z轴方向的加速度的和值的绝对值≥15)的次数作为第二判定基准，若动物当天的有效运动次数的峰值(最大值)≤10，可以判定动物的健康检测结果为生病，或者，若动物当天的有效运动次数的振幅为该动物日常有效运动次数的60％，且当天存在发热，可以判定动物的健康检测结果为生病；第三标注原则可以为：以身体温度振幅(温度最大值与最小值的差值)大小作为第三判定基准，若动物当天的温度振幅≥5℃，且当天存在发热，可以判定动物的健康检测结果为生病，或者，若动物当天的温度振幅≥5℃，且动物当天的有效运动次数的振幅为该动物日常有效运动次数的60％，可以判定动物的健康检测结果为生病。
147.其中，动物当天的有效运动次数的振幅为该动物日常有效运动次数的60％指的是动物在一天内的有效运动的总次数为该动物日常健康状态下的日均有效运动次数的60％。
148.例如，对于动物a，获取该动物a在健康状态下每天的有效运动次数，根据多个有效运动次数计算健康状态下的日均有效运动次数。
149.具体的，通过将样本动物的样本身体状态信息与样本环境信息与标注原则进行匹配，得到匹配结果，进一步的，根据匹配结果从而可以确定样本动物的实际健康检测结果。实际检测结果可以包括：身体健康或者身体异常，身体异常也即生病状态。
150.在一些实施例中，为了进一步实现对目标动物身体健康的预测，步骤“基于样本身体状态信息、样本环境信息以及实际健康检测结果，构建训练后预测模型”，可以包括以下操作：
151.对样本身体状态信息和样本环境信息进行预处理，得到处理后样本信息；
152.对处理后样本信息进行特征提取，得到样本动物对应的样本健康特征信息；
153.基于样本健康特征信息与实际健康检测结果对预设预测模型进行训练，得到训练后预测模型。
154.在本技术实施例中，为了保证进行模型训练的数据的准确性和有效性，可以在进行模型训练之前，对采集到的数据进行预处理，则步骤“对样本身体状态信息和样本环境信息进行预处理，得到处理后样本信息”，可以包括以下操作：
155.基于样本身体状态信息中的数据量，以及样本环境信息中的数据量，从多个样本动物中筛选出目标样本动物；
156.获取指定时间段的第一时间戳；
157.基于第一时间戳分别对目标样本动物的样本身体状态信息以及环境信息进行数据填充处理，得到处理后信息。
158.在本技术实施例中，为了保证预测结果的准确性，样本动物的数量可以包括多个，当采取多个样本动物的样本身体状态信息和样本环境信息之后，可以首先将样本身体状态信息和/或样本环境信息漏掉的样本动物进行剔除。也即根据样本身体状态信息中的数据量，以及样本环境信息中的数据量，从多个样本动物中剔除数据量缺失较多的样本动物，进一步筛选出目标样本动物。
159.例如，样本身体状态信息中包括一天内每分钟的样本动物的体温数据、x轴方向的
运动数据、y轴方向的运动数据以及z轴方向的运动数据，则样本身体状态信息中的标准数据量可以为24x60x4＝5769条。样本环境信息包括一天内每分钟的环境温度，则样本环境信息的标准数据量可以为24x60x1＝1440条。
160.进一步的，可以将实际采集到的样本身体状态信息中的数据量与样本身体状态信息的标准数据量进行比较，以及将环境信息中的数据量与环境信息标准数据量进行比较，若样本身体状态信息中的数据量少于样本身体状态信息的标准数据量的70％，或者环境信息中的数据量少于环境信息标准数据量70％，则可以该样本身体状态信息与样本环境信息对应的样本动物的数据量缺失较多，则可以从多个样本动物中剔除该样本动物的数据，以避免影响后续模型训练过程。
161.其中，第一时间戳指的是指定时间段内的时间点，比如，指定时间段可以为：2021年9月09日0时0分0秒至2021年9月09日23时59分59秒这段时间，则第一时间戳可以包括：2021年9月09日0时1分0秒、2021年9月09日0时2分0秒、2021年9月09日0时3分0秒、...、2021年9月09日23时59分0秒的时间点。
162.进一步的，在确定第一时间戳之后，可以将样本身体状态信息中的各条数据以及样本环境信息中的各条数据与第二时间戳进行对齐，找出缺失数据的时间点，进一步的，对该时间点进行数据填充。
163.例如，第一时间戳可以包括：2021年9月09日0时1分0秒、2021年9月09日0时2分0秒、2021年9月09日0时3分0秒、...、2021年9月09日23时59分0秒的时间点，通过将样本身体状态信息中的数据与样本环境信息中的数据与第一时间戳的各个时间点进行对齐，可以确定出缺失数据的时间点可以为2021年9月09日0时3分0秒，2021年9月09日0时7分0秒等，则可以根据其他存在数据的时间点的数据对缺失数据的时间点进行数据填充，具体的，可以采用线性差值的方式进行缺失数据填充，即可以得处理后信息，处理后信息包括第一时间戳上所有时间点对应的数据(身体状态数据和环境数据)。
164.其中，线性插值法是指使用连接两个已知量的直线来确定在这两个已知量之间的一个未知量的值的方法。
165.进一步的，可以对处理后样本信息进行特征提取，得到样本动物对应的样本健康特征信息。其中，特征提取方式已在上述步骤进行说明，在此不多做赘述。
166.在一些实施例中，为了提高模型训练准确性，步骤“基于样本健康特征信息与实际健康检测结果对预设预测模型进行训练”，可以包括以下操作：
167.根据样本健康特征信息与实际健康检测结果生成训练样本对；
168.基于训练样本对对预设预测模型进行训练，得到训练样本对中样本健康特征信息在健康状态下的预测概率；
169.确定训练样本对中样本健康特征信息对应的实际概率；
170.通过预测概率与实际概率对预设预测模型的模型参数进行调整，直至预设预测模型收敛，得到训练后预测模型。
171.在本技术实施例中，样本动物包括多个，每一样本动物对应一样本健康特征信息以及一实际健康检测结果，则可以根据每一样本动物对应一样本健康特征信息以及一实际健康检测结果构建多个训练样本对。
172.进一步的，将训练样本对输入预设预测模型，其中，预设预测模型也即初始模型，
需要进行机器学习的模型。通过训练样本对对预设预测模型进行有监督学习训练，计算出训练样本对中的健康特征信息在健康状态下的预测概率。
173.具体的，实际概率指的是训练样本对中实际检测结果为身体健康的实际概率。然后可以通过每一训练样本对的预测概率与实际概率对预设预测模型中的模型参数进行调整，直至预设预测模型收敛，也即得到最优模型参数，即可以确定得到训练后模型。
174.在本技术方案中，对预设预测模型的训练过程具体可以如下：
175.首先，选取20％的身体异常的样本和20％的身体健康的样本组成测试集，对于剩余的样本，可以采取欠采样的方式生成多个训练集,其中每个训练集中身体异常的样本和身体健康的样本比例接近1:1。
176.具体的，对每个训练集，使用standardscaler算法使样本量纲统一，其中，standardscaler算法用于针对每一个特征维度去均值和方差归一化。然后保存standardscaler实例对象，使用tsfresh算法包中的select_features函数进行特征选择，保存该训练集保留的特征列到json(javascript object notation，是一种轻量级的数据交换格式)文件中。
177.进一步的，使用optuna超参自动化框架对每个训练集采取的每个算法模型学习最佳超参数，并保存每个训练集的对应模型的最佳参数到json文件中。其中，optuna是一个为机器学习，深度学习特别设计的自动超参数优化框架，具有脚本语言特性的用户接口。optuna的代码具有高度的模块特性，并且用户可以根据自己的希望动态构造超参数的搜索空间。
178.进一步的，将训练集分别输入不同的模型中进行处理，多个模型包括：逻辑回归、随机森林、xgboost、lgb以及mlp。其中，逻辑回归为分类模型，常用于二分类。逻辑回归的本质是：假设数据服从这个分布，然后使用极大似然估计做参数的估计；随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定；xgboost(extreme gradientboosting，极端梯度提升)，是大规模并行boosted tree的工具，是目前最快最好的开源boosted tree工具包。xgboost所应用的算法就是gbdt(gradient boosting decision tree)的改进，既可以用于分类也可以用于回归问题中；lgb(lightgbm)是个快速的、分布式的、高性能的基于决策树算法的梯度提升框架。可用于排序、分类、回归以及很多其他的机器学习任务中；多层感知器(multi-layer perceptron，mlp)也即人工神经网络(artificial neural network，ann)，除了输入输出层，它中间可以有多个隐层。最简单的mlp需要有一层隐层，即输入层、隐层和输出层才能称为一个简单的神经网络。神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标。
179.具体的，可以通过joblib保存各个模型(分类器)实例对象。其中，joblib是一组用于在python中提供轻量级流水线的工具。其优点包括：透明的磁盘缓存功能和懒惰的重新评估(memoize模式)，简单的并行计算，joblib可以将模型保存到磁盘并可在必要时重新运行。
180.在本技术方案中，使用逻辑回归作为整个模型中的基础，侧重解释性。选择随机森林和xgboost、lgb、mlp等，为了考虑不同模型侧重点不一样，能一起融合后得到更好的效果。
181.在一些实施例中，为了方便目标动物的伺养者及时了解目标动物的身体状况，在步骤“基于健康特征信息预测目标动物处于健康状态的目标概率，得到目标动物的健康检测结果”之后，还可以包括以下步骤：
182.若健康检测结果指示目标动物为身体异常状态，则生成提示信息；
183.向用户终端发送提示信息，以使用户根据提示信息对目标动物进行排查。
184.其中，健康检测结果可以包括多种，比如，健康检测结果可以包括：身体正常状态，身体异常状态等。身体正常状态可以表示身体健康，身体异常状态可以表示生病。
185.其中，提示信息用于提示用户目标动物生病。
186.例如，若目标动物的健康检测结果为身体异常状态，则表示目标动物生病，则可以生成目标动物生病的提示信息。
187.进一步的，将该提示信息发送至用户的终端，可以为手机，电脑等终端，可以通过短信、邮件等多种通讯方式向用户终端发送该提示信息，以使用户接收到提示信息后，进一步对目标动物的身体进行检查，及时对目标动物进行治疗。
188.本技术实施例公开了一种健康检测方法，该方法包括：通过目标动物佩戴的检测设备获取历史时间段内目标动物在目标环境中的至少一种身体状态信息，以及目标环境的环境信息；根据身体状态信息与环境信息确定多维数据；对多维数据进行特征提取，得到目标动物对应的健康特征信息；基于健康特征信息预测目标动物处于健康状态的目标概率，得到目标动物的健康检测结果。本实施例通过为样本动物佩戴的耳标设备采集样本动物的身体状态数据以及环境数据，将身体状态数据以及环境数据作为样本数据，然后，基于预设标注原则对样本数据进行标注，通过标注后的样本数据对预设算法模型进行有监督学习，以生成训练后预测模型，进一步的，通过训练后预测模型对待检测动物的身体状况进行预测，得到预测结果，从而可以提高对动物身体健康的检测效率。
189.根据上述介绍的内容，下面将举例来进一步说明本技术的健康检测方法。请参阅图2，图2为本技术实施例提供的另一种健康检测方法的流程示意图，以该健康检测方法应用于养殖场中对猪只身体进行检测为例，具体流程可以如下：
190.201、服务器获取历史时间段待检测猪只佩戴的耳标设备采集到的身体状态数据、以及环境数据。
191.其中，历史时间段指的是当前时间的前一天的时间，待检测猪只指的是需要进行身体检测的生猪，待检测猪只可以为养殖场中的部分猪只，也可以为养殖场中的全部猪只。
192.在本技术实施例中，为了实时获取猪只数据，可以为猪只佩戴有耳标设备。耳标由主标和辅标两部分组成，主标由主标耳标面、耳标颈、耳标头组成；主标耳标面的背面与耳标颈相连，使用时耳标头穿透牲畜耳部、嵌入辅标、固定耳标，耳标颈留在穿孔内。耳标面可以登载编码信息。
193.具体的，我国实施的耳标主要采用二维码耳标和电子耳标。二维码耳标采用激光在耳标面刻制编码信息，电子耳标应用rfid技术，内置芯片和天线，编码信息存储于芯片内。由于rfid具有非接触、远距离、自动识别移动物体、可读可写等特性，一些自动化计量、测量、定量系统在畜牧业中得以推广使用。牲畜自动称重管理系统、产奶自动计量管理系统等多种牲畜饲养和管理系统都是以电子耳标的使用为前提和基础的。通过电子耳标的识别功能跟踪监控动物从出生
→
屠宰
→
销售
→
消费者
→
最终消费端的整个过程。
194.其中，耳标设备中还可以集成有各种传感器，比如温度传感器和运动传感器，通过温度传感器可以采集猪只的身体温度、外界环境温度，通过运动传感器可以采集猪只的运动数据等。
195.其中，身体状态数据可以包括待检测猪只的身体温度、运动数据x、运动数据y、运动数据z；环境数据可以包括环境温度。
196.202、服务器对身体状态数据和环境数据进行预处理，得到待检测猪只的身体检测数据。
197.具体的，对身体状态数据和环境数据进行预处理主要可以包括：首先对身体状态数据和环境数据的数据条数进行缺失值判断，进一步的，对缺失的身体温度和环境温度通关线性插值的方式进行填充，对缺失的运动数据填充0。
198.其中，为了区分不同的待检测猪只，可以采用猪只佩戴的耳标标识以及日期确定待检测猪只的id(identity document，身份标识)。则对于每一待检测猪只，其对应的身体检测数据包括(耳标标识+日期，历史时间段的时间戳，身体温度，环境温度，运动数据x，运动数据y，运动数据z)等多个维度的变量数据。
199.203、服务器对身体检测数据进行特征提取，得到特征数据。
200.具体的，对待检测猪只的身体检测数据(耳标标识+日期，历史时间段的时间戳，身体温度，环境温度，运动数据x，运动数据y，运动数据z)通过tsfresh.extract_features函数提取特征，其中，特征提取的方式已在上述实施例进行说明，具体参见上述实施例。
201.204、服务器将特征数据输入训练后预测模型，并通过训练后预测模型计算特征数据为健康状态的概率。
202.其中，训练后模型指的是本技术实施了设计的身体健康预测模型。在提取到身体检测数据的特征数据后，可以从训练后预测模型的保存地址中加载所有预测后模型的序列化对象，各预测后模型的子模型对应的使用的特征列名，以及各预测后模型的子模型对应的标准化序列化对象。
203.进一步的，遍历所有预测后模型的子模型，通过每一子模型对特征数据进行处理，计算得到特征数据处于健康状态的概率，也即对待检测猪只进行健康的概率预测。其中，通过训练后模型计算特征数据为健康状态的概率的步骤说明可以参见上述实施例，已在上述实施例做具体说明。
204.在本技术实施例中，本方案通过低功耗耳标设备采集猪只体温与三轴运动传感器数据结合基站环温数据，叠加时间戳方式利用时序分析统计特征。然后，结合人工标注样本，使用有监督学习算法预测猪只疾病，待模型形成正反馈迭代升级形成闭环。构建训练后模型的过程可以如下：
205.首先，设计数据标注原则：饲养场的饲养人员反馈病猪(生病的猪只)，然后查看病猪近10日的身体状态数据，并进行可视化。请参阅图3，图3为本技术实施例提供的一种健康检测方法的应用场景示意图。图3中示出了病猪在确定生病的前十天的身体状态数据图，饲养人员确认该病猪生病日期可以为20-21号之间，从图3中可以看到猪只从健康到病情逐渐严重的变化趋势。
206.在图3中，包括有第一曲线变化图、第二曲线变化图、第三曲线变化图以及第四曲线变化图。各曲线变化图的横轴表示日期，纵轴表示温度或者运行次数。其中，在第一曲线
变化图中，ear_tmp表示为每30分钟聚合的猪只身体温度均值，env_temp表示为每30分钟聚合的环境温度均值；在第二曲线变化图中，ear_temp_count表示的每30分钟传输到mongodb(一个基于分布式文件存储的数据库)中的传感器数据条数，在第三曲线变化图中，曲线表示30分钟内三轴数据绝对值之和大于15的条数(备注：有效运动次数，据观察三轴运动传感器绝对值之和小于15的数据可能为噪音数据)；在第四曲线变化图中，fever_count表示30分钟内猪只身体温度大于39.5℃(摄氏度)的条数。
207.进一步的设计标注原则可以包括：
208.标注原则1：以温度发热(≥39.5℃)次数作为第一判定基准，猪只当天的持续发热的时间跨度大于等于半天，判定为生病。
209.标注原则2：以有效运动(≥15)次数作为第二判定基准，(1)猪只当天的有效运动次数的峰值≤10，判定为生病；(2)猪只当天的有效运动次数的振幅为该猪只日常有效运动次数的60％，且当天存在发热，判定为生病。
210.标注原则3：以温度振幅大小作为第三判定基准，(1)猪只当天的温度振幅≥5℃，且当天存在发热，判定为生病；(2)猪只当天的温度振幅≥5℃，且猪只当天的有效运动次数的振幅为该猪只日常有效运动次数的60％，判定为生病。
211.然后，获取样本猪只的身体状态数据：
212.首先获取前一天系统中所有的猪只的耳标id，剔除掉损坏，脱落，或者未配戴在猪只身上的耳标id。获取正常佩戴的耳标id的前24个小时的猪只身体温度数据与三轴运动传感器数据，以及基站每分钟获取的环境温度数据。基于基站id与时间戳合并基站与耳标传感器数据。对同一个耳标id一分钟内数据被多个基站同时读取的情况，采取基于耳标id与当前时间进行分钟级别的聚合，由于耳标传输数据存在掉线的情况，所以时间区间内分钟数据并不全，所以24小时区间内缺失的分钟时间戳进行补齐。其中，基站可以与耳标设备进行通信，获取耳标设备采集到的猪只身体状态数据。
213.进一步的，对猪只的身体状态数进行数据预处理：
214.在获取到数据样本(身体状态数据)之后，考虑到疾病预警是以天为时间窗口的标注，即设计唯一键耳标id+日期的方式标记样本的id；考虑到数据样本24小时的数据切分为分钟的话，有60*24行，当某个耳标id+日期的id样本的数据缺失比例大于0.3时，则不考虑该样本。进一步的，对于猪只身体温度与环境温度传感器数据可以采取线性差值方式填充缺失值，对于缺失的运动传感器数据填充0，由于运动传感器的不连续特效以及不确定是否运动的特性考虑填充0较为合适。
215.进一步的，对预处理之后的数据进行特征工程：
216.综合考察时序数据提取特征的包，选用了tsfresh算法包，对预处理后的样本，有如下的列(耳标标识+日期，历史时间段的时间戳，身体温度，环境温度，运动数据x，运动数据y，运动数据z)，每个样本的形状为(60*24，7)的多维变量的数据形式；合并所有预处理的样本，选择tsfresh包中的extract_features函数提取特征。
217.然后，获取extract_features函数提取的全部特征，可以采用tsfresh.utilties.dataframe_functions包中impute函数，进行特征缺失值填充。
218.具体的，对于特征提取之后的模型训练过程，已在上述实施例进行具体说明，请参见上述实施例。
219.205、服务器根据概率确定到待检测猪只的健康检测结果，并向用户终端发送健康检测结果。
220.具体的，获取所有的子模型计算出的健康概率，然后将所有健康概率取平均值，即可以跌倒待检测猪只处于健康状态的健康概率，将该健康概率与标准健康指数进行比较，健康指数可以为0.5。若健康概率大于或等于0.5，则可以确定待检测猪只的健康检查结果为身体健康；若健康概率小于0.5，则可以确定待检测猪只的健康检查结果为身体异常，也即生病。
221.进一步的，可以对生病的猪只进行预警，可以向饲养人员发送提示信息，以使饲养人员尽早了解病猪情况，从而可以使养殖户早发现病猪，提前预防，进行隔离，尽早治疗防止传染病的扩散。能有效减少养猪户的损失。
222.本技术实施例公开了一种健康检测方法，该方法包括：获取前一天待检测猪只佩戴的耳标设备采集到的身体状态数据、以及环境数据，对身体状态数据和环境数据进行预处理，得到待检测猪只的身体检测数据，对身体检测数据进行特征提取，得到特征数据，将特征数据输入训练后预测模型，并通过训练后预测模型计算特征数据为健康状态的概率，根据概率确定到待检测猪只的健康检测结果，并向用户终端发送健康检测结果。以此，可以提高对猪只身体健康进行检测的效率。
223.为便于更好的实施本技术实施例提供的健康检测方法，本技术实施例还提供一种基于上述健康检测方法的健康检测装置。其中名词的含义与上述健康检测方法中相同，具体实现细节可以参考方法实施例中的说明。
224.请参阅图4，图4为本技术实施例提供的一种健康检测装置的结构框图，该装置包括：
225.获取单元301，用于通过目标动物佩戴的检测设备获取历史时间段内所述目标动物在目标环境中的至少一种身体状态信息，以及所述目标环境的环境信息；
226.第一确定单元302，用于根据所述身体状态信息与所述环境信息确定多维数据；
227.提取单元303，用于对所述多维数据进行特征提取，得到所述目标动物对应的健康特征信息；
228.预测单元304，用于基于所述健康特征信息预测所述目标动物处于健康状态的目标概率，得到所述目标动物的健康检测结果。
229.在一些实施例中，预测单元304可以包括：
230.输入子单元，用于将所述健康特征信息输入训练后预测模型；
231.计算子单元，用于基于所述训练后预测模型计算所述健康特征信息在所述健康状态下的概率，得到所述目标概率。
232.在一些实施例中，计算子单元具体可以用于：
233.将所述多个健康特征划分为多个特征集合，每一特征集合包括至少一个健康特征；
234.将所述多个特征集合分别输入多个训练后预测模型；
235.通过每一训练后预测模型计算所述特征集合在所述健康状态下的概率，得到多个待处理概率；
236.基于所述多个待处理概率确定所述目标概率。
237.在一些实施例中，计算子单元具体可以用于：
238.将所述多个健康特征划分为多个特征集合，每一特征集合包括至少一个健康特征；
239.将所述多个特征集合分别输入多个训练后预测模型；
240.通过每一训练后预测模型的多个训练后子模型，分别计算输入所述训练后预测模型的特征集合在所述健康状态下的概率，得到多个待处理子概率；基于所述多个待处理子概率确定待处理概率，得到所述多个待处理概率；
241.基于所述多个待处理概率确定所述目标概率。
242.在一些实施例中，该装置还可以包括：
243.采集单元，用于采集指定时间段内样本动物在样本环境中的样本身体状态信息，以及所述样本环境的样本环境信息；
244.第二确定单元，用于根据所述样本身体状态信息与所述样本环境信息确定所述样本动物的实际健康检测结果；
245.构建单元，用于基于所述样本身体状态信息、所述样本环境信息以及所述实际健康检测结果，构建所述训练后预测模型。
246.在一些实施例中，构建单元可以包括：
247.处理子单元，用于对所述样本身体状态信息和所述样本环境信息进行预处理，得到处理后样本信息；
248.提取子单元，用于对所述处理后样本信息进行特征提取，得到所述样本动物对应的样本健康特征信息；
249.训练子单元，用于基于所述样本健康特征信息与所述实际健康检测结果对预设预测模型进行训练，得到所述训练后预测模型。
250.在一些实施例中，训练子单元具体可以用于：
251.根据所述样本健康特征信息与所述实际健康检测结果生成训练样本对；
252.基于所述训练样本对对预设预测模型进行训练，得到所述训练样本对中所述样本健康特征信息在所述健康状态下的预测概率；
253.确定所述训练样本对中所述样本健康特征信息对应的实际概率；
254.通过所述预测概率与所述实际概率对所述预设预测模型的模型参数进行调整，直至所述预设预测模型收敛，得到所述训练后预测模型。
255.在一些实施例中，处理子单元具体可以用于：
256.基于所述样本身体状态信息中的数据量，以及所述样本环境信息中的数据量，从多个样本动物中筛选出目标样本动物；
257.获取所述指定时间段的第一时间戳；
258.基于所述第一时间戳分别对所述目标样本动物的样本身体状态信息以及环境信息进行数据填充处理，得到所述处理后信息。
259.在一些实施例中，第二确定单元可以包括：
260.匹配子单元，用于将所述样本动物温度信息、所述样本动物运动信息以及所述样本环境温度信息，与健康标准信息进行匹配；
261.第一确定子单元，用于确定所述样本动物的健康检测结果为身体健康状态；
262.第二确定子单元，用于确定所述样本动物的健康检测结果为身体异常状态。
263.在一些实施例中，第一确定单元302可以包括：
264.获取子单元，用于获取所述身体状态信息中的第一变量，以及所述环境信息中的第二变量；
265.第三子单元，用于确定所述历史时间段对应的日期以及第二时间戳；
266.生成子单元，用于基于所述第一变量、所述第二变量、所述日期以及所述第二时间戳，生成所述多维数据。
267.在一些实施例中，该装置还可以包括：
268.生成单元，用于若所述健康检测结果指示所述目标动物为身体异常状态，则生成提示信息；
269.发送单元，用于向用户终端发送所述提示信息，以使所述用户根据所述提示信息对所述目标动物进行排查。
270.本技术实施例公开了一种健康检测装置，通过获取单元301通过目标动物佩戴的检测设备获取历史时间段内所述目标动物在目标环境中的至少一种身体状态信息，以及所述目标环境的环境信息，第一确定单元302根据所述身体状态信息与所述环境信息确定多维数据，提取单元303对所述多维数据进行特征提取，得到所述目标动物对应的健康特征信息，预测单元304基于所述健康特征信息预测所述目标动物处于健康状态的目标概率，得到所述目标动物的健康检测结果。以此，可以提高对动物身体健康的检测效率。
271.相应的，本技术实施例还提供一种计算机设备，该计算机设备可以为服务器。如图5所示，图5为本技术实施例提供的计算机设备的结构示意图。该计算机设备500包括有一个或者一个以上处理核心的处理器501、有一个或一个以上计算机可读存储介质的存储器502及存储在存储器502上并可在处理器上运行的计算机程序。其中，处理器501与存储器502电性连接。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
272.处理器501是计算机设备500的控制中心，利用各种接口和线路连接整个计算机设备500的各个部分，通过运行或加载存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行计算机设备500的各种功能和处理数据，从而对计算机设备500进行整体监控。
273.在本技术实施例中，计算机设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：
274.通过目标动物佩戴的检测设备获取历史时间段内目标动物在目标环境中的至少一种身体状态信息，以及目标环境的环境信息；根据身体状态信息与环境信息确定多维数据；对多维数据进行特征提取，得到目标动物对应的健康特征信息；基于健康特征信息预测目标动物处于健康状态的目标概率，得到目标动物的健康检测结果。
275.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
276.可选的，如图5所示，计算机设备500还包括：触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507。其中，处理器501分别与触控显示屏503、射频电路504、音频电路505、输入单元506以及电源507电性连接。本领域技术人员可以理解，图5中示出的计
算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
277.触控显示屏503可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏503可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、引导信息、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器(lcd，liquid crystal display)、有机发光二极管(oled，organic light-emitting diode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器501，并能接收处理器501发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器501以确定触摸事件的类型，随后处理器501根据触摸事件的类型在显示面板上提供相应的视觉输出。在本技术实施例中，可以将触控面板与显示面板集成到触控显示屏503而实现输入和输出功能。但是在某些实施例中，触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏503也可以作为输入单元506的一部分实现输入功能。
278.射频电路504可用于收发射频信号，以通过无线通信与网络设备或其他计算机设备建立无线通讯，与网络设备或其他计算机设备之间收发信号。
279.音频电路505可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路505可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路505接收后转换为音频数据，再将音频数据输出处理器501处理后，经射频电路504以发送给比如另一计算机设备，或者将音频数据输出至存储器502以便进一步处理。音频电路505还可能包括耳塞插孔，以提供外设耳机与计算机设备的通信。
280.输入单元506可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
281.电源507用于给计算机设备500的各个部件供电。可选的，电源507可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源507还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
282.尽管图5中未示出，计算机设备500还可以包括摄像头、传感器、无线保真模块、蓝牙模块等，在此不再赘述。
283.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。
284.由上可知，本实施例提供的计算机设备，通过目标动物佩戴的检测设备获取历史时间段内目标动物在目标环境中的至少一种身体状态信息，以及目标环境的环境信息；根
据身体状态信息与环境信息确定多维数据；对多维数据进行特征提取，得到目标动物对应的健康特征信息；基于健康特征信息预测目标动物处于健康状态的目标概率，得到目标动物的健康检测结果。
285.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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
286.为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本技术实施例所提供的任一种健康检测方法中的步骤。例如，该计算机程序可以执行如下步骤：
287.通过目标动物佩戴的检测设备获取历史时间段内目标动物在目标环境中的至少一种身体状态信息，以及目标环境的环境信息；
288.根据身体状态信息与环境信息确定多维数据；
289.对多维数据进行特征提取，得到目标动物对应的健康特征信息；
290.基于健康特征信息预测目标动物处于健康状态的目标概率，得到目标动物的健康检测结果。
291.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
292.其中，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
293.由于该存储介质中所存储的计算机程序，可以执行本技术实施例所提供的任一种健康检测方法中的步骤，因此，可以实现本技术实施例所提供的任一种健康检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
294.以上对本技术实施例所提供的一种健康检测方法、装置、存储介质及计算机设备进行了详细介绍，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。