[發明專利]基于體溫數據進行模型訓練的方法、裝置和計算機設備

在審

• 申請號: 202010900302.X
• 申請日: 2020-08-31
• 公開（公告）號: CN111986804A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 陳楨妮
• 申請（專利權）人: 平安醫療健康管理股份有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝;曹勇

1.一種基于體溫數據進行模型訓練的方法，其特征在于，包括以下步驟：

各個用戶終端分別采集樣本用戶連續的體溫數據，并對應分析采集到的所述體溫數據的體溫節律特征數據；

各個所述用戶終端分別將對應的所述體溫節律特征數據輸入至邏輯回歸模型中進行訓練，以更新模型參數；

在所述服務端確定模型訓練結束時，各個所述用戶終端將更新后的所述模型參數發送至服務端，以通過所述服務端對所有用戶終端發送的模型參數進行聚合運算，得到加權平均模型參數；

各個所述用戶終端接收所述服務器端發送的所述加權平均模型參數，根據所述加權平均模型參數更新所述邏輯回歸模型并停止模型訓練，得到對體溫節律特征數據進行檢測的檢測模型；其中，所述檢測模型用于采集到用戶的體溫數據時，對用戶的體溫數據進行自動化分析。

2.根據權利要求1所述的基于體溫數據進行模型訓練的方法，其特征在于，所述各個所述用戶終端接收所述服務器端發送的所述加權平均模型參數，根據所述加權平均模型參數更新所述邏輯回歸模型并停止模型訓練，得到對體溫節律特征數據進行檢測的檢測模型的步驟之后，包括：

所述用戶終端采集新用戶連續體溫數據，并對應分析采集到的新用戶的連續體溫數據的體溫節律特征數據；

將所述新用戶連續體溫數據的體溫節律特征數據輸入至所述檢測模型中，得到預測結果，作為對所述新用戶的檢測結果。

3.根據權利要求1所述的基于體溫數據進行模型訓練的方法，其特征在于，所述各個所述用戶終端分別將對應的所述體溫節律特征數據輸入至邏輯回歸模型中進行訓練，以更新模型參數的步驟之后，包括：

每個所述用戶終端將所述邏輯回歸模型的損失函數當前的損失值發送至所述服務端，以通過所述服務端基于各個所述用戶終端發送的損失值確定模型是否訓練結束；其中，所述服務端用于接收所述損失值，根據所述損失值判斷所述服務端上的損失函數是否收斂，當所述服務端上的損失函數收斂時，所述服務端確定模型訓練結束。

4.根據權利要求3所述的基于體溫數據進行模型訓練的方法，其特征在于，所述用戶終端上邏輯回歸模型的損失函數的計算公式為：

其中，L為所述邏輯回歸模型的損失值，x_i為體溫數據，y_i為邏輯回歸模型的輸出值，所述服務端上的損失函數為：

5.根據權利要求2所述的基于體溫數據進行模型訓練的方法，其特征在于，所述用戶終端采集新用戶連續體溫數據的步驟之后，包括：

將所述新用戶體溫數據輸入至預設的聚類異常分析模型中進行聚類分析，得出聚類分析結果；

將所述體溫數據輸入至預設的預測分析模型中進行預測，得到預測溫度，計算所述新用戶體溫數據與所述預測溫度的殘差值；將所述殘差值與預設值進行對比，輸出預測分析結果；

對比所述聚類分析結果與所述預測分析結果是否相同；當所述聚類分析結果與所述預測分析結果均為體溫數據正常的結果時，進入所述對應分析采集到的新用戶連續體溫數據的體溫節律特征數據。

6.根據權利要求5所述的基于體溫數據進行模型訓練的方法，其特征在于，所述預測分析模型以及聚類異常分析模型的訓練過程，包括：

采集正常用戶的多個正常體溫數據；

計算出上述多個正常體溫數據的平均值以及標準差，將每一個正常體溫數據減去上述平均值，并除以上述標準差，得到對應的體溫處理數據；

針對所述體溫處理數據，使用密度聚類分析建立所述聚類異常分析模型，以及使用回歸預測建立所述預測分析模型。