突发事件的应急方案推荐方法、装置及存储介质

1.本发明涉及数据处理技术领域，尤其涉及一种突发事件的应急方案推荐方法、装置及存储介质。


背景技术：

2.随着互联网信息技术的迅速发展和区域智能医疗服务平台的搭建，智能医疗将真正实现医疗信息的互联互通。智能医疗工程将是一个多层面的数据处理平台，通过关联、估计和组合多个信息源的数据，全面加工和协同利用各种系统及物联网多元数据相关信息，最终实现智能医疗信息的融合。在医疗急救过程中，由于患者的情况危急，如何根据患者的情况及时、合理的为患者提供诊疗方案，成为了亟待解决的问题。


技术实现要素：

3.为克服相关技术中存在的问题，本发明提供一种突发事件的应急方案推荐方法及装置。
4.根据本发明实施例的第一方面，提供一种突发事件的应急方案推荐方法，方法包括：在急救伤员进行急救的过程中，获取所述急救伤员的电子病历信息；根据所述电子病历信息和预训练好的突发事件分类模型，确定所述急救伤员对应的目标突发事件类型以及在所述目标突发事件类型下的目标级别；根据所述目标突发事件类型和所述目标级别，输出对应的目标应急方案。
5.在一个实施例中，优选地，所述突发事件包括核生化突发事件，则所述目标突发事件类型包括以下任一项：高传染性病毒、生物毒素、生物病原菌、神经毒剂、窒息刺激毒剂、糜烂毒剂、全身中毒剂、内污染及照射核事件、外照射核事件和外污染核事件，所述目标级别包括：轻级、中级和重级。
6.在一个实施例中，优选地，所述电子病历信息包括：性别、年龄、病历文书、检查报告信息、检验报告信息、心率信息、血氧饱和度信息、呼吸频率、血压和体温。
7.在一个实施例中，优选地，所述突发事件分类模型包括首层分类模型和二层分类模型；使用所述首层分类模型和所述电子病历信息预测所述急救伤员对应的目标突发事件类型；使用所述二层分类模型和所述电子病历信息预测所述急救伤员在所述目标突发事件类型下的目标级别。
8.在一个实施例中，优选地，所述突发事件分类模型的训练过程包括：获取历史不同突发事件患者的病历信息和诊断信息；使用nlp信息提取方法识别所述病历信息中的实体和实体关系，以对所述病历信息进行结构化处理，得到结构化处理后的病历信息；
从所述结构化处理后的病历信息中提取出所有病历特征，并进行异常值和缺失值处理后，使用统计分析单因素分析选择概率值小于预设值的目标病历特征为训练特征，放入训练特征集；对所述训练特征集中的每个训练特征进行归一化处理，并拼接成样本输入数据；根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型；根据所述样本输入数据、所述诊断信息中的突发事件类型以及多个级别分类模型进行模型训练，以得到所述二层分类模型；在一个实施例中，优选地，所述多个级别分类模型包括xgboost模型、随机森林模型、支持向量机模型和逻辑回归模型，所述方法还包括：计算每个级别分类模型预测的模型准确率，将模型准确率最高的目标级别分类模型确定为最佳模型；将所述最佳模型的预测结果作为所述二层分类模型的最终预测结果。
9.在一个实施例中，优选地，根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型，包括：将所述样本输入数据输入至卷积层，以得到第一输出结果；将所述第一输出结果输入至池化层，以得到第二输出结果；将所述第二输出结果输入至全连接层，以得到第三输出结果；将所述第三输出结果输出至集成分类器，以得到输出结果，所述输出结果包括各类突发事件的概率值；输出层输出概率值最高的突发事件类型，所述概率值最高的突发事件类型即为所述目标突发事件类型。
10.根据本发明实施例的第二方面，提供一种突发事件的应急方案推荐装置，所述装置包括：获取模块，用于在急救伤员进行急救的过程中，获取所述急救伤员的电子病历信息；确定模块，用于根据所述电子病历信息和预训练好的突发事件分类模型，确定所述急救伤员对应的目标突发事件类型以及在所述目标突发事件类型下的目标级别；输出模块，用于根据所述目标突发事件类型和所述目标级别，输出对应的目标应急方案。
11.在一个实施例中，优选地，所述突发事件包括核生化突发事件，则所述目标突发事件类型包括以下任一项：高传染性病毒、生物毒素、生物病原菌、神经毒剂、窒息刺激毒剂、糜烂毒剂、全身中毒剂、内污染及照射核事件、外照射核事件和外污染核事件，所述目标级别包括：轻级、中级和重级。
12.在一个实施例中，优选地，所述电子病历信息包括：性别、年龄、病历文书、检查报告信息、检验报告信息、心率信息、血氧饱和度信息、呼吸频率、血压和体温。
13.在一个实施例中，优选地，所述突发事件分类模型包括首层分类模型和二层分类模型；使用所述首层分类模型和所述电子病历信息预测所述急救伤员对应的目标突发
事件类型；使用所述二层分类模型和所述电子病历信息预测所述急救伤员在所述目标突发事件类型下的目标级别。
14.在一个实施例中，优选地，所述突发事件分类模型的训练过程包括：获取历史不同突发事件患者的病历信息和诊断信息；使用nlp信息提取方法识别所述病历信息中的实体和实体关系，以对所述病历信息进行结构化处理，得到结构化处理后的病历信息；从所述结构化处理后的病历信息中提取出所有病历特征，并进行异常值和缺失值处理后，使用统计分析单因素分析选择概率值小于预设值的目标病历特征为训练特征，放入训练特征集；对所述训练特征集中的每个训练特征进行归一化处理，并拼接成样本输入数据；根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型；根据所述样本输入数据、所述诊断信息中的突发事件类型以及多个级别分类模型进行模型训练，以得到所述二层分类模型；在一个实施例中，优选地，所述多个级别分类模型包括xgboost模型、随机森林模型、支持向量机模型和逻辑回归模型，所述装置还包括：计算模块，用于计算每个级别分类模型预测的模型准确率，将模型准确率最高的目标级别分类模型确定为最佳模型；结果确定模块，用于将所述最佳模型的预测结果作为所述二层分类模型的最终预测结果。
15.在一个实施例中，优选地，根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型，包括：将所述样本输入数据输入至卷积层，以得到第一输出结果；将所述第一输出结果输入至池化层，以得到第二输出结果；将所述第二输出结果输入至全连接层，以得到第三输出结果；将所述第三输出结果输出至集成分类器，以得到输出结果，所述输出结果包括各类突发事件的概率值；输出层输出概率值最高的突发事件类型，所述概率值最高的突发事件类型即为所述目标突发事件类型。
16.根据本发明实施例的第三方面，提供一种突发事件的应急方案推荐装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：在急救伤员进行急救的过程中，获取所述急救伤员的电子病历信息；根据所述电子病历信息和预训练好的突发事件分类模型，确定所述急救伤员对应的目标突发事件类型以及在所述目标突发事件类型下的目标级别；根据所述目标突发事件类型和所述目标级别，输出对应的目标应急方案。
17.根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
18.本发明的实施例提供的技术方案可以包括以下有益效果：虽然突发事件发生概率较小，但对社会和患者康复影响巨大，在任何疾病转运过程中，转运急救医生皆需要对患者病情及生命体征进行记录，因此转运急救医生需要及时根据患者实时生命提升与病情变化，获得最佳诊疗方案推荐，从而避免事件进一步扩散，以及帮助患者尽快康复。而在本实施例中，提出针对突发事件的最佳诊疗方案推荐方法，实现在急救过程中，根据历史最佳的诊疗方案学习，从而得出对突发事件治疗方案的推荐，提升突发事件的救治效果。
19.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
21.图1是根据一示例性实施例示出的一种突发事件的应急方案推荐方法的流程图。
22.图2是根据一示例性实施例示出的突发事件分类模型的训练过程的流程图。
23.图3是根据一示例性实施例示出的首层分类模型的结构示意图。
24.图4是根据一示例性实施例示出的一种突发事件的应急方案推荐装置的框图。
具体实施方式
25.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发明相一致的所有实施方式。相反，它们仅是与本发明的一些方面相一致的装置和方法的例子。
26.图1是根据一示例性实施例示出的一种突发事件的应急方案推荐方法的流程图，如图1所示，该方法包括：步骤s101，在急救伤员进行急救的过程中，获取所述急救伤员的电子病历信息；在一个实施例中，优选地，所述电子病历信息包括：性别、年龄、病历文书、检查报告信息、检验报告信息、心率信息、血氧饱和度信息、呼吸频率、血压和体温。
27.步骤s102，根据所述电子病历信息和预训练好的突发事件分类模型，确定所述急救伤员对应的目标突发事件类型以及在所述目标突发事件类型下的目标级别；在一个实施例中，优选地，所述突发事件包括核生化突发事件，则所述目标突发事件类型包括以下任一项：高传染性病毒、生物毒素、生物病原菌、神经毒剂、窒息刺激毒剂、糜烂毒剂、全身中毒剂、内污染及照射核事件、外照射核事件和外污染核事件，所述目标级别包括：轻级、中级和重级。
28.在一个实施例中，优选地，所述突发事件分类模型包括首层分类模型和二层分类模型；使用所述首层分类模型和所述电子病历信息预测所述急救伤员对应的目标突发
事件类型；使用所述二层分类模型和所述电子病历信息预测所述急救伤员在所述目标突发事件类型下的目标级别。
29.在该实施例中，分层建模可以降低模型的复杂度，因为突发事件种类较多，可看做是一个多分类问题，分层建模首层可以将多分类问题转化为是否为某一明确突发事件（已知突发事件）的二分类问题，二层再推荐根据历史学习结果的预警分级（轻中重以及历史治疗方案），降低了模型的复杂度。
30.步骤s103，根据所述目标突发事件类型和所述目标级别，输出对应的目标应急方案。
31.虽然突发事件发生概率较小，但对社会和患者康复影响巨大，在任何疾病转运过程中，转运急救医生皆需要对患者病情及生命体征进行记录，因此转运急救医生需要及时根据患者实时生命提升与病情变化，获得最佳诊疗方案推荐，从而避免事件进一步扩散，以及帮助患者尽快康复。而在本实施例中，提出针对突发事件的最佳诊疗方案推荐方法，实现在急救过程中，根据历史最佳的诊疗方案学习，从而得出对突发事件治疗方案的推荐，提升突发事件的救治效果。
32.在一个实施例中，优选地，所述突发事件分类模型的训练过程包括：步骤s201，获取历史不同突发事件患者的病历信息和诊断信息；病历信息是描述该患者的最全面、最详细的记录。因此能够更好地反应患者的病情信息。学习的特征集来自患者的性别、年龄等基本信息、病历文书、检查检验报告等数据，心电监护仪的心率、血氧饱和度、呼吸频率、血压和体温等数据，标签来自患者的诊断信息。
33.步骤s202，使用nlp信息提取方法识别所述病历信息中的实体和实体关系，以对所述病历信息进行结构化处理，得到结构化处理后的病历信息；使用nlp信息抽取方法识别病历中的实体（症状，疾病、时间等）和实体关系（伴随时间，发生部位等），实现数据的后结构化处理。
34.步骤s203，从所述结构化处理后的病历信息中提取出所有病历特征，并进行异常值和缺失值处理后，使用统计分析单因素分析选择概率值小于预设值的目标病历特征为训练特征，放入训练特征集；基于结构化后的数据抽取特征，其中由于不同医生对于症状、体征等信息的描述存在差异性，需要引入知识库中的同义词信息对症状、疾病和体征等进行归一化操作，将描述不同但实际指代同一对象的结果归一为标准名称。例如将“呼吸受限”，“呼吸费力感”，“呼吸不畅”等替换成标准名称“呼吸困难”。另外为了更全面准确地表达患者病情，根据实体关系实现特征的组合，比如主诉中”咳嗽3天，伴咳痰2天”包含了咳嗽和咳痰两个症状实体，3天和2天两个时间实体。其中咳嗽与咳痰的实体关系是伴随，3天与咳嗽的实体关系是持续时间，2天与咳痰的实体关系是持续时间。因此，得到咳嗽，咳嗽3天，咳痰，咳痰2天共四个症状。
35.由于使用了患者的整个就诊记录的所有信息做为输入特征，因此特征维度比较大而且稀疏，模型训练很慢。例如，有机磷最初纳入的变量个数有69个，经过数据的异常值和缺失值处理之后，再通过统计分析单因素分析，纳入了p值小于0.05的14个特征集做为最终的特征集，具体见表1所示。新冠最初纳入的变量个数有83个，缺失比例超过50%的有20个，
缺失比例30%-49%有10个，缺失比例20%-30%的有9个，20%以下的有36个，去除缺失率超过50%以上的特征，然后经过数据的异常值和缺失值处理之后，用统计分析单因素分析选择p值小于0.05的24个特征做为最终的特征集见下表2所示。
36.表1表2步骤s204，对所述训练特征集中的每个训练特征进行归一化处理，并拼接成样本输入数据；其中，对于离散训练特征和连续数值型特征分别进行处理。
37.对于连续数值型特征，先进行异常值处理，对于明显偏离正常数值区间的进行滤除。之后为了消除不同特征之间量纲不同对模型训练产生的不良影响，需将连续型特征进行归一化操作，将数值规范化到[0，1]区间范围内，具体到，使用的归一化方法可以为minmaxscaler，其主要思想是将每个连续型数值x按照最小值中心化后，再按极差（最大值-最小值）缩放，归一后的 具体公式为：例如体温、收缩压，舒张压等心电监护仪的连续型数据处理，见如下表3所示。
[0038]
表3
针对离散型特征，进行one-hot编码处理，将原本类别型特征在高维空间中用0/1进行二值表示。1表示患者有此特征，0表示患者无此特征。举例如下表4所示。
[0039]
表4步骤s205，根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型。
[0040]
在一个实施例中，优选地，根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型，包括：将所述样本输入数据输入至卷积层，以得到第一输出结果；将所述第一输出结果输入至池化层，以得到第二输出结果；将所述第二输出结果输入至全连接层，以得到第三输出结果；将所述第三输出结果输出至集成分类器，以得到输出结果，所述输出结果包括各类突发事件的概率值；输出层输出概率值最高的突发事件类型，所述概率值最高的突发事件类型即为所述目标突发事件类型。
[0041]
首层分类模型中采用的分类模型为卷积神经网络模型，如图3所示，首先从存储结构化后病例信息的数据库中抽取各个实体和实体关系作为首层分类模型的输入特征，在设定样本最大词数量后，为保证数据长度一致，使用zero-padding进行填补，最终最大序列长度为l。经过word embedding卷积层，形成词嵌入矩阵。本发明中使用的词向量模型，是基于多个医院真实中文电子病例数据作为语料库，使用公用开源工具gensim模块来训练得到的，每个单词以100维的词向量进行表示。
[0042]
本卷积神经网络中采用一维卷积方式。在模型结构选择时，考虑样本数量，硬件设备性能、模型复杂度、病例数据本身特点等多种因素，并依据过往实验经验，采用网格搜索(grid search)方法，对同一参数在不同值域、量级范围内，以递减顺序设定多个值。通过对比训练的模型在测试集上的准确率，最终设定256个尺寸分别为（l-1）*100、（l-2）*100、（l-3）*100的卷积核（filter）。经过卷积层之后分别得到256个2*1、3*1、4*1的特征面，之后加入池化层（max-pooling）对filter层的特征进行降维操作。之后经过全连接(fully connection)层把池化后的向量做拼接，作为softmax层的输入，从而实现对多种突发事件的多分类预测。
[0043]
在首层模型中，突发事件涉及病历与普通病历分布非常不均衡，非突发事件样本量较多，在这样情况下模型输出会倾向于非突发事件，为了减少类间样本数量不平衡对分类结果的影响，可以采用集成的思想：每次生成训练集时使用所有分类中的小样本量，同时
从分类中的大样本量中随机抽取数据来与小样本量合并构成训练集，这样反复多次会得到很多训练集和训练模型。最后在应用时，使用组合方法（例如投票、加权投票等）产生分类预测结果。
[0044]
步骤s206，根据所述样本输入数据、所述诊断信息中的突发事件类型以及多个级别分类模型进行模型训练，以得到所述二层分类模型。
[0045]
在一个实施例中，优选地，所述多个级别分类模型包括xgboost模型、随机森林模型、支持向量机模型和逻辑回归模型，所述方法还包括：计算每个级别分类模型预测的模型准确率，将模型准确率最高的目标级别分类模型确定为最佳模型；将所述最佳模型的预测结果作为所述二层分类模型的最终预测结果。
[0046]
二层分类模型的主要功能是预测患者属于某一突发事件某一分级的概率，为多分类问题，该突发事件由首层模型得到，二层模型采用的分类模型为tig。
[0047]
1）xgboost（extreme gradient boosting）专家学习和boosting集成学习思想，从初始训练集中训练出一个基学习器；根据基学习器的性能表现调整样本分布，使得分类错误的样本在后续的训练中得到更多的关注；基于调整后的样本调整训练下一个基学习器：重复以上步骤，直至基学习器达到指定数目。最后当决策一个新的病例时，采用投票法或平均分值法来决定。
[0048]
优点：在当前的很多数据集上，相对其他算法有着很大的优势，它支持高速度的并行计算，对于特征的值有缺失的样本，也可以自动学习出它的分裂方向。
[0049]
2）随机森林（random forest，rf）rf在以决策树为基学习器构建bagging集成的基础上，进一步在决策树的训练过程中映入了随机属性选择，即对基决策树的每个节点，先从该节点的属性集合中随机选择一个包含k个属性的子集，然后再从这个子集中选择一个最优属性用于划分。因此进一步使泛化性能提升。
[0050]
优点：能够处理数量庞大的高维度的特征，且不需要进行降维，也能够评估各个特征在分类问题上的重要性，且对异常值、缺失值不敏感。
[0051]
3）支持向量机（support vector machine，svm）svm是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。通过重新构造后，svm算法可以用于多分类问题。其解决方案之一为通过组合多个二分类器来实现多分类器的构造，常见的方法有one-against-one和one-against-all两种。
[0052]
4）逻辑回归（logistic regression，lr）逻辑回归模型，是一种基于线性回归模型与sigmoid激活函数组合而成的处理二值型标签的二分类算法。该模型结构简单，训练速度块，且由于相对深度神经网络只具有单层权重，所以其权重可解释较强。模型输出的值域在[0，1]中，可视作属于某一类的概率。在多分类研究中，需要利用one vs one或one vs rest等策略将二分类模型转化为多分类预测架构。
[0053]
针对多分类模型预测的混淆矩阵如下表5所示（以三个类别作为示例展示）：表5
其中tpk表示真实标签为 k类，模型预测为 k类的样本数；e
k,i
表示真实标签为 k类，模型预测为 i 类的样本数； c 表示多分类的类别总数。
[0054]
根据多分类混淆矩阵的定义，针对模型整体预测性能使用准确率accuracy进行评估，具体公式为：为了更全面地体现多分类模型的预测性能，使用精准率（precision）与召回率（recall）进行评估。
[0055]
对类别k的精准率计算公式为：对类别k的召回率计算公式为：模型结果分析：实验过程中每个模型均采用了4折交叉验证，为将实验数据随机分为4份，其中的3份数据用于模型训练，剩下的1份数据用于测试模型。重复4次之后，我们就得到了4个模型和它的评估结果。模型准确率accuracy用于评估模型性能的好坏，准确率最高的模型视为最佳模型。新冠分级预测测试结果如表6所示，lr的accuracy为0.668，要高于其他三个模型，所以lr为最佳模型。 有机磷分级预测测试结果如表7所示，xgboost的accuracy为0.702，要高于其他三个模型，所以xgboost为最佳模型。
[0056]
表6
表7图4是根据一示例性实施例示出的一种突发事件的应急方案推荐装置的框图。
[0057]
根据本发明实施例的第二方面，提供一种突发事件的应急方案推荐装置，所述装置包括：获取模块41，用于在急救伤员进行急救的过程中，获取所述急救伤员的电子病历信息；确定模块42，用于根据所述电子病历信息和预训练好的突发事件分类模型，确定所述急救伤员对应的目标突发事件类型以及在所述目标突发事件类型下的目标级别；输出模块43，用于根据所述目标突发事件类型和所述目标级别，输出对应的目标应急方案。
[0058]
在一个实施例中，优选地，所述突发事件包括核生化突发事件，则所述目标突发事件类型包括以下任一项：高传染性病毒、生物毒素、生物病原菌、神经毒剂、窒息刺激毒剂、糜烂毒剂、全身中毒剂、内污染及照射核事件、外照射核事件和外污染核事件，所述目标级别包括：轻级、中级和重级。
[0059]
在一个实施例中，优选地，所述电子病历信息包括：性别、年龄、病历文书、检查报告信息、检验报告信息、心率信息、血氧饱和度信息、呼吸频率、血压和体温。
[0060]
在一个实施例中，优选地，所述突发事件分类模型包括首层分类模型和二层分类模型；使用所述首层分类模型和所述电子病历信息预测所述急救伤员对应的目标突发事件类型；使用所述二层分类模型和所述电子病历信息预测所述急救伤员在所述目标突发
事件类型下的目标级别。
[0061]
在一个实施例中，优选地，所述突发事件分类模型的训练过程包括：获取历史不同突发事件患者的病历信息和诊断信息；使用nlp信息提取方法识别所述病历信息中的实体和实体关系，以对所述病历信息进行结构化处理，得到结构化处理后的病历信息；从所述结构化处理后的病历信息中提取出所有病历特征，并进行异常值和缺失值处理后，使用统计分析单因素分析选择概率值小于预设值的目标病历特征为训练特征，放入训练特征集；对所述训练特征集中的每个训练特征进行归一化处理，并拼接成样本输入数据；根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型；根据所述样本输入数据、所述诊断信息中的突发事件类型以及多个级别分类模型进行模型训练，以得到所述二层分类模型；在一个实施例中，优选地，所述多个级别分类模型包括xgboost模型、随机森林模型、支持向量机模型和逻辑回归模型，所述装置还包括：计算模块，用于计算每个级别分类模型预测的模型准确率，将模型准确率最高的目标级别分类模型确定为最佳模型；结果确定模块，用于将所述最佳模型的预测结果作为所述二层分类模型的最终预测结果。
[0062]
在一个实施例中，优选地，根据所述样本输入数据、所述诊断信息中的突发事件类型以及卷积神经网络模型进行模型训练，以得到所述首层分类模型，包括：将所述样本输入数据输入至卷积层，以得到第一输出结果；将所述第一输出结果输入至池化层，以得到第二输出结果；将所述第二输出结果输入至全连接层，以得到第三输出结果；将所述第三输出结果输出至集成分类器，以得到输出结果，所述输出结果包括各类突发事件的概率值；输出层输出概率值最高的突发事件类型，所述概率值最高的突发事件类型即为所述目标突发事件类型。
[0063]
根据本发明实施例的第三方面，提供一种突发事件的应急方案推荐装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：在急救伤员进行急救的过程中，获取所述急救伤员的电子病历信息；根据所述电子病历信息和预训练好的突发事件分类模型，确定所述急救伤员对应的目标突发事件类型以及在所述目标突发事件类型下的目标级别；根据所述目标突发事件类型和所述目标级别，输出对应的目标应急方案。
[0064]
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
[0065]
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、
“”
和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0066]
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
[0067]
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
[0068]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0069]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。