基于深度学习的健康教育评估方法、装置及介质.pdf

《基于深度学习的健康教育评估方法、装置及介质.pdf》由会员分享，可在线阅读，更多相关《基于深度学习的健康教育评估方法、装置及介质.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010596162.1 (22)申请日 2020.06.28 (71)申请人 珠海中科先进技术研究院有限公司 地址 519000 广东省珠海市高新区唐家湾 镇港乐路1号A区厂房12层 (72)发明人 王涵杨杰吴锋周肖树 黄业坚刘状 (74)专利代理机构 广州嘉权专利商标事务所有 限公司 44205 代理人 郑晨鸣 (51)Int.Cl. G06Q 50/20(2012.01) G06Q 50/26(2012.01) G06Q 10/04(2012.01) G06N 3/08。

2、(2006.01) (54)发明名称 基于深度学习的健康教育评估方法、 装置及 介质 (57)摘要 本发明涉及一种基于深度学习的健康教育 评估方法、 装置及介质的技术方案， 包括： 通过分 布式采集设备及分布式存储设备对影响健康教 育项目的多项维度数据进行采集； 根据多项维度 数据计算涉及健康问题的多项统计指标； 对多项 维度数据进行量化处理并构建面板数据； 根据面 板面板建立一个或多个深度学习序列预测算法 模型； 将统计指标输入深度学习序列预测算法模 型， 对未来设定时间段内影响健康教育项目的可 能性值； 基于可能值设定阈值， 输出未来设定时 间段内可能性值大于阈值的时刻点， 将时刻点作 为。

3、开展健康教育的最优时间点。 本发明的有益效 果为： 通过分布式大数据采集相关数据， 进行量 化处理并进行学习计算， 使得健康教育项目得到 有效的评估。 权利要求书2页 说明书10页 附图3页 CN 111815487 A 2020.10.23 CN 111815487 A 1.一种基于深度学习的健康教育评估方法， 其特征在于， 该方法包括： S100， 通过分布式采集设备及分布式存储设备对影响健康教育项目的多项维度数据进 行采集； S200， 根据多项所述维度数据计算涉及健康问题的多项统计指标； S300， 对多项所述维度数据进行量化处理并构建面板数据； S400， 根据所述面板面板建立一个或。

4、多个深度学习序列预测算法模型； S500， 将所述统计指标输入所述深度学习序列预测算法模型， 对未来设定时间段内影 响健康教育项目的可能性值； S600， 基于所述可能值设定阈值， 输出未来设定时间段内所述可能性值大于所述阈值 的时刻点， 将所述时刻点作为开展健康教育的最优时间点。 2.根据权利要求1所述的基于深度学习的健康教育评估方法， 其特征在于， 所述分布式 采集设备及所述分布式存储设备基于Hadoop、 Spark及Pyspark的分布式框架的组合， 所述 分布式存储设备采用Hive分布式存储， 以实现大数据环境搭建。 3.根据权利要求1所述的基于深度学习的健康教育评估方法， 其特征在。

5、于， 所述S100包 括： 通过所述分布式采集设备对生活质量数据、 社会环境数据、 经济环境数据、 文化环境数 据、 政策数据及社会资源数据对应的一项或者多项参数； 根据所述参数计算生活质量数据、 社会环境数据、 经济环境数据、 文化环境数据、 政策 数据及社会资源数据对应的一项或多项指标。 4.根据权利要求1所述的基于深度学习的健康教育评估方法， 其特征在于， 所述S200包 括： 根据所述S100的维度数据统计健康问题的严重性及其危害性、 主要健康问题及其主要 危险因素； 其中， 健康问题严重性与危害性医学统计指标计算主要包括： 若某健康问题具有病程 短、 急性特征或者是流行病， 则计算健。

6、康问题或者疾病在目标地区或人群中的某单位时间 的发病率、 死亡率、 病死率； 若某健康问题具有病程长、 难治愈特征或者是慢性病， 则计算目 标地区或人群中的某单位时间的患病率、 死亡率、 病死率； 主要健康问题与其主要危险因素医学统计指标计算主要包括， 计算某健康问题或疾病 的影响因素与疾病之间的相对危险度RR和比值比OR， 以及二者之间的归因危险度AR、 归因 危险度百分比AR、 人群归因危险度百分比PAR； 计算方法包括： AR某影响因素暴露组发病率-某影响因素非暴露组发病率， 权利要求书 1/2 页 2 CN 111815487 A 2 5.根据权利要求1所述的基于深度学习的健康教育评估。

7、方法， 其特征在于， 所述S200包 括： 将采集到的非数字的所述维度数据进行数字化处理， 得到量化数据， 将所述维度数据 与所述量化数据作为原始数据计算优先干预健康问题值、 健康问题影响因素值、 健康教育 内容值以及健康教育项目可能性值； 以时间、 所述量化数据， 以及， 所述量化数据对应的优先干预健康问题值、 健康问题影 响因素值、 健康教育内容值以及健康教育项目可能性值的任一值构建面板数据。 6.根据权利要求5所述的基于深度学习的健康教育评估方法， 其特征在于， 所述S400包 括： 通过包括但不限于OpenAR及ARIMA深度学习时间序列预测算法， 建立对应的预测模型， 预测模型训练和。

8、验证数据分别基于所述面板数据。 7.根据权利要求6所述的基于深度学习的健康教育评估方法， 其特征在于， 所述S500包 括： 将所述面板数据输入的时间序列预测模型中， 运行并预测未来特定时间段的优先干预 健康问题值、 健康问题影响因素值、 健康教育内容值以及健康教育可能性值， 其中， 优先干 预健康问题值、 健康问题影响因素值、 健康教育可能性值的预测选用但不仅限于OpenAR多 维度的时间序列预测模型， 健康教育内容值则选用但不仅限于ARIMA单一维度的时间序列 预测模型。 8.根据权利要求7所述的基于深度学习的健康教育评估方法， 其特征在于， 该方法还包 括： 对优先干预健康问题值、 健康。

9、问题影响因素值、 健康教育内容值、 健康教育可能性值最 高的一组值与选取相对应的健康教育开展时间、 健康教育问题、 健康问题影响因素及健康 教育评价值进行记录， 并通过one-hot编码原则进行标记； 当评价信息积累到设定数量时， 将该数据输入至时间序列预测模型进行提前模拟， 评 估健康教育项目计划的成功程度。 9.一种基于深度学习的健康教育评估装置， 该装置包括存储器、 处理器以及存储在所 述存储器中并可在所述处理器上运行的计算机程序， 其特征在于， 所述处理器执行所述计 算机程序时实现权利要求1-8任一所述的方法步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序。

10、， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求1-8任一所述的方法步骤。 权利要求书 2/2 页 3 CN 111815487 A 3 基于深度学习的健康教育评估方法、 装置及介质 技术领域 0001 本发明涉及计算机领域， 具体涉及了一种基于深度学习的健康教育评估方 法、 装 置及介质。 背景技术 0002 健康教育与健康促进的理念与实际应用在健康管理的全过程中有着举足轻 重的 地位。 健康教育计划或健康管理计划的设计、 实施与评价是健康教育或健康 管理 “资料收 集、 需求评价、 干预实施和效果评价” 这一主要实施步骤或措施的 最好映射。 其中对于健康 教育计划的设计， 健。

11、康教育诊断， 又称健康教育需求评 估， 是健康教育计划设计中第一也 是最重要的步骤。 0003 现有技术缺乏有效的技术手段对健康教育进行数据量化及评估。 发明内容 0004 本发明的目的在于至少解决现有技术中存在的技术问题之一， 提供了一种基 于 深度学习的健康教育评估方法、 装置及介质， 通过分布式大数据采集相关数据， 进行量化 处理并进行学习计算， 使得健康教育项目得到有效的评估。 0005 本发明的技术方案包括一种基于深度学习的健康教育评估方法， 其特征在 于， 该 方法包括： S100， 通过分布式采集设备及分布式存储设备对影响健康教育 项目的多项维度 数据进行采集； S200， 根据。

12、多项所述维度数据计算涉及健康问题 的多项统计指标； S300， 对 多项所述维度数据进行量化处理并构建面板数据； S400， 根据所述面板面板建立一个或多 个深度学习序列预测算法模型； S500， 将 所述统计指标输入所述深度学习序列预测算法模 型， 对未来设定时间段内影响健 康教育项目的可能性值； S600， 基于所述可能值设定阈值， 输出未来设定时间段 内所述可能性值大于所述阈值的时刻点， 将所述时刻点作为开展健 康教育的最优 时间点。 0006 根据所述的基于深度学习的健康教育评估方法， 其中分布式采集设备及所 述分 布式存储设备基于Hadoop、 Spark及Pyspark的分布式框架。

13、的组合， 所述分 布式存储设备采 用Hive分布式存储， 以实现大数据环境搭建。 0007 根据所述的基于深度学习的健康教育评估方法， 其中S100包括： 通过所述 分布式 采集设备对生活质量数据、 社会环境数据、 经济环境数据、 文化环境数据、 政策数据及社会 资源数据对应的一项或者多项参数进行数据采集； 根据所述参数 计算生活质量数据、 社会 环境数据、 经济环境数据、 文化环境数据、 政策数据及 社会资源数据对应的一项或多项指 标。 0008 根据所述的基于深度学习的健康教育评估方法， 其中S200包括： 根据所述 S100的 维度数据统计健康问题的严重性及其危害性、 主要健康问题及其主。

14、要危 险因素； 其中， 健 康问题严重性与危害性医学统计指标计算主要包括： 若某健康 问题具有病程短、 急性特征 或者是流行病， 则计算健康问题或者疾病在目标地区 或人群中的某单位时间的发病率、 死 说明书 1/10 页 4 CN 111815487 A 4 亡率、 病死率； 若某健康问题具有病程长、 难治愈特征或者是慢性病， 则计算目标地区或人 群中的某单位时间的患病率、 死 亡率、 病死率； 主要健康问题与其主要危险因素医学统计 指标计算主要包括， 计 算某健康问题或疾病的影响因素与疾病之间的相对危险度RR和比 值比OR， 以 及二者之间的归因危险度AR、 归因危险度百分比AR、 人群归因。

15、危险度百分比 PAR； 0009 计算方法包括： 0010 0011 0012 AR某影响因素暴露组发病率-某影响因素非暴露组发病率， 0013 0014 0015 根据所述的基于深度学习的健康教育评估方法， 其中S200包括： 将采集到 的非数 字的所述维度数据进行数字化处理， 得到量化数据， 将所述维度数据与所 述量化数据作为 原始数据计算优先干预健康问题值、 健康问题影响因素值、 健康 教育内容值以及健康教育 项目可能性值； 以时间、 所述量化数据， 以及， 所述量 化数据对应的先干预健康问题值、 健 康问题影响因素值、 健康教育内容值以及健 康教育项目可能性值的任一值构建面板数据。 0。

16、016 根据所述的基于深度学习的健康教育评估方法， 其中S400包括： 通过包括 但不限 于OpenAR及ARIMA深度学习时间序列预测算法， 建立对应的预测模型， 预测模型训练和验 证数据分别基于所述面板数据。 0017 根据所述的基于深度学习的健康教育评估方法， 其中S500包括： 将所述面 板数据 输入的时间序列预测模型中， 运行并预测未来特定时间段的优先干预健康 问题值、 健康问 题影响因素值、 健康教育内容值以及健康教育可能性值， 其中， 优先干预健康问题值、 健康 问题影响因素值、 健康教育可能性值的预测选用但不 仅限于OpenAR多维度的时间序列预 测模型， 健康教育内容值则选用。

17、但不仅限于 ARIMA单一维度的时间序列预测模型。 0018 根据所述的基于深度学习的健康教育评估方法， 其中该方法还包括： 对优 先干预 健康问题值、 健康问题影响因素值、 健康教育内容值、 健康教育可能性值 最高的一组值与 相对应的选取的健康教育开展时间、 健康教育问题、 健康问题影 响因素及健康教育评价值 进行记录， 并通过one-hot编码原则进行标记； 当评价 信息积累到设定数量时， 将该数据输 入至时间序列预测模型进行提前模拟， 评估 健康教育项目计划的成功程度。 0019 本发明的技术方案还包括一种基于深度学习的健康教育评估装置， 该装置 包括 存储器、 处理器以及存储在所述存储。

18、器中并可在所述处理器上运行的计算机 程序， 其特征 在于， 所述处理器执行所述计算机程序时实现任一所述的方法步骤。 0020 本发明的技术方案还包括一种计算机可读存储介质， 所述计算机可读存储 介质 说明书 2/10 页 5 CN 111815487 A 5 存储有计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现任 一所述的方法 步骤。 0021 本发明的有益效果为： 基于流行病学与医学统计学的理论知识， 结合大数 据与深 度学习技术， 实现健康教育项目的准确评估。 附图说明 0022 下面结合附图和实施例对本发明进一步地说明； 0023 图1所示为根据本发明实施方式的总体流程图。

19、； 0024 图2所示为根据本发明实施方式的分布式装置示意图； 0025 图3所示为根据本发明实施方式的健康教育评估详细方法流程图； 0026 图4所示为根据本发明实施方式的装置及介质图。 具体实施方式 0027 本部分将详细描述本发明的具体实施例， 本发明之较佳实施例在附图中示 出， 附 图的作用在于用图形补充说明书文字部分的描述， 使人能够直观地、 形象 地理解本发明的 每个技术特征和整体技术方案， 但其不能理解为对本发明保护范 围的限制。 0028 在本发明的描述中， 若干的含义是一个或者多个， 多个的含义是两个以上， 大于、 小于、 超过等理解为不包括本数， 以上、 以下、 以内等理解。

20、为包括本数。 0029 在本发明的描述中， 对方法步骤的连续标号是为了方便审查和理解， 结合本 发明 的整体技术方案以及各个步骤之间的逻辑关系， 调整步骤之间的实施顺序并 不会影响本 发明技术方案所达到的技术效果。 0030 本发明的描述中， 除非另有明确的限定， 设置等词语应做广义理解， 所属技 术领 域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的 具体含义。 0031 图1所示为根据本发明实施方式的总体流程图， 该流程包括： S100， 通过 分布式采 集设备及分布式存储设备对影响健康教育项目的多项维度数据进行采 集； S200， 根据多项 维度数据计算涉及健康问题的多项。

21、统计指标； S300， 对多项 维度数据进行量化处理并构建 面板数据； S400， 根据面板面板建立一个或多个深 度学习序列预测算法模型； S500， 将统计 指标输入深度学习序列预测算法模型， 对未来设定时间段内影响健康教育项目的可能性 值； S600， 基于可能值设定阈值， 输出未来设定时间段内可能性值大于阈值的时刻点， 将时 刻点作为开展健康教育 的最优时间点； S700， 对任意符合深度学习序列预测算法模型的数 据要求的健康 教育项目进行输入， 得到预测或评估结果。 0032 图2所示为根据本发明实施方式的分布式装置示意图， 其包括多个分布式 采集设 备， 分布式采集设备可以是各种移动。

22、设备， 如手机、 笔记本、 移动式医疗 设备， 也可以是各 种具有采集功能的计算机设备， 分布式存储设备可以是各种云 服务器。 采用Hive+Hadoop+ Spark+Pyspark的大数据存储与计算环境， 采用Hive 分布式存储， Hadoop+Spark+Pyspark 为基础的分布式计算， 实现大数据环境的搭 建。 0033 图3所示为根据本发明实施方式的健康教育评估详细方法流程图， 图中仅 标示了 步骤二、 步骤三、 步骤七及步骤八， 步骤一、 步骤四、 步骤五及步骤六主 要实现数据的采集 分析及预测模型的构建， 具体如下所示： 说明书 3/10 页 6 CN 111815487 。

23、A 6 0034 分为7个模块： 社会诊断(指定社区/人群)、 流行病学诊断、 环境诊断、 行为诊断、 教育与组织诊断、 管理与政策诊断， 以及优先项目诊断。 7个模块相 互独立， 又相互关联。 0035 模块一， 社会诊断(指定社区/人群)， 目的在于实现研究目标社区或者人 群的社 会情况与需求评估。 该模块包含7个子模块， 分别为： 生活质量诊断、 生 活质量诊断、 社会环 境诊断、 经济环境诊断、 文化环境诊断、 相关政策诊断和社 会资源诊断。 0036 模块二， 流行病学诊断， 目的在于实现研究影响生活质量的主要健康问题 与其影 响因素， 确定优先干预健康问题。 该模块包含3个子模块，。

24、 分别为： 健康 问题严重性与危害 性诊断、 主要健康问题与其主要危险因素诊断、 优先干预的健 康问题确立。 0037 模块三， 环境诊断(与指定健康问题相关)， 目的在于确定影响健康状况 与生活质 量的环境因素， 以及确定优先干预的环境因素。 该模块包含2个子模块， 分别为： 社会因素 诊断和物质条件因素诊断。 0038 模块四， 行为诊断， 目的在于确定影响健康状况与生活质量的行为因素， 以便确 定优先干预的行为生活方式。 该模块包含3个子模块， 分别为： 行为因素 与非行为因素诊 断、 重要行为与不重要行为诊断、 高可变行为与低可变行为诊断。 0039 模块五， 教育与组织诊断， 目的在。

25、于分析影响健康与导致特定健康问题的 相关行 为与环境因素， 为健康教育干预策略的指定提供有效依据。 该模块包含3 个子模块， 分别 为： 倾向因素诊断、 促成因素诊断与强化因素诊断。 0040 模块六， 管理与政策诊断， 目的在于评估健康教育的资源与环境， 评价实 施健康 教育干预措施的可能性与深入水平。 该模块包含3个子模块， 分别为： 组 织资源诊断、 外部 力量诊断， 以及政策环境诊断。 0041 模块七， 优先项目诊断， 目的在于结合项目可行性与预期效果， 确定优先 解决的 健康问题、 优先干预行为， 从而确定优先实现的健康教育项目。 该模块共 有1个子模块， 为 优先项目评估与筛选。。

26、 0042 本发明共分为8个步骤， 分别为： 大数据环境搭建、 数据采集、 流行病学 与医学统 计指标计算、 采集数据量化与面板数据的建立、 基于深度学习的时间序 列预测算法模型建 立、 运行模型并确立健康教育项目内容、 确立优先健康教育项 目以及优先项目评估。 0043 步骤一， 大数据环境搭建。 本发明根据实验数据量对硬件存储有特定要求， 此外 对计算要求GPU硬件计算。 本步骤采用Hive+Hadoop+Spark+Pyspark的大 数据存储与计算 环境， 采用Hive分布式存储， Hadoop+Spark+Pyspark为基础的 分布式计算， 实现大数据环 境的搭建。 0044 步骤。

27、二， 数据采集， 本步骤采集数据内容包含但不仅限于： 0045 对于模块一的数据采集： 0046 生活质量相关数据(例如： 本社区或者人群所属城市/地区的平均消费水平、 居民 收入平均水平、 居民居住条件、 平均每平米房屋居住人数、 恩格尔系数)； 0047 社会环境相关数据(例如： 本社区或者人群宗教普及水平、 由于风土人情 居民对 某种事物的偏爱程度、 居民对新事物或者生活方式的接受程度、 居民对健 康教育的了解程 度、 居民对健康管理的了解程度、“人人健康” 理念的普及程 度等)； 0048 经济环境相关数据(例如： 本社区或者人群所属城市/地区的GDP、 平均消 费水平、 非农业经济收。

28、入占总收入的比值、 城镇居民人均可支配收入、 地区生产 总值、 第三产业增 说明书 4/10 页 7 CN 111815487 A 7 加值、 全社会固定资产投资、 社会消费品零售总额、 地区生产 总额增速、 三产与二产产值比 重、 金融机构存款、 中国500强企业总部数量)； 0049 文化环境相关数据(例如： 目标地区985/211大学数量、 申请/授权专利数量、 国家 重点实验室数量、 每年R&D投入金额、 非物质文化遗产数量、 由于宗教信 仰影响居民对健康 食物的喜爱与偏好水平、 由于宗教信仰居民对新事物或者生活 方式的接受程度)； 0050 政策相关数据(例如： 包括居民健康档案建立。

29、人群比重、 健康教育讲座每 年开展 次数与到场居民比重、 预防接种普及程度、 新生儿健康管理每年家庭随访 次数及比重、 产 妇产后每年随访次数及比重、 35岁高血压患者每年免费测量血 压与随访次数及比重、 二型 糖尿病患者每年进行免费空腹血糖检测及随访次数及 比重、 严重精神病患者每年免费健 康检查与随访次数及比重、 肺结核患者实现健 康管理比重等)； 0051 社会资源相关数据(例如： 目标地区人力资源水平评估(包括在职员工占 成年人 比重、 学士以上学位在职员工占总在职员工比例等)、 政府针对健康补助 总金额)。 0052 对于模块二的数据采集： 0053 计算健康问题严重性与危害性所需相。

30、关数据(例如： 统计社区卫生服务站 记录的 健康问题或疾病， 针对这些健康问题或者疾病统计如下数据： 每年目标地 区居民反馈该健 康问题或疾病的频率与人数、 该健康问题或疾病确诊人数、 该健 康问题或疾病的知晓率、 治疗率与控制率、 该健康问题或疾病致残率、 该健康问 题或疾病致死率、 该健康问题或疾 病对确诊患者的日常生活平均影响程度)； 0054 计算健康问题与其主要危险因素相关数据(例如， 基于上述社区卫生服务 站记录 的健康问题或疾病， 针对这些健康问题或者疾病统计如下数据： 由于遗传 因素引起该健康 问题或者疾病的比重、 由于抽烟引起的该健康问题或者疾病的比 重、 由于身体活动不足造。

31、 成该健康问题或者疾病的比重、 由于病毒感染造成该健 康问题的比重、 由于膳食因素造成 该健康问题或者疾病的比重、 由于肥胖或超重 造成该健康问题或者疾病的比重， 由于高血 压造成该健康问题或者疾病的比重、 由于家庭因素造成该健康问题或者疾病的比重)。 0055 对于模块三的数据采集： 0056 社会因素相关数据(该部分包括基于上述收集到的健康问题与疾病种类， 实现健 康问题与疾病的社会因素相关数据收集。 例如： 目标社区有助于预防该健 康问题或疾病的 法规制度条数、 目标社区有助于预防该健康问题或疾病的措施项 目数、 目标社区有助于预 防该健康问题或疾病的措施有效度)； 0057 物质条件因。

32、素相关数据(该部分包括基于上述收集到的健康问题与疾病种 类， 实 现健康问题与疾病的物质条件因素相关数据收集。 例如： 目标社区具备诊 治该健康问题或 疾病的机构数量、 目标社区有助于预防该健康问题或疾病的平均 生活环境指数、 目标社区 有助于预防该健康问题或疾病的平均工作环境指数)； 0058 对于模块四的数据采集： 0059 该部分包括基于上述收集到的健康问题与疾病种类， 实现个体化健康问题 或疾 病的引发或致病因素相关数据收集。 后对这些因素基于以下标准进行行为因 素健康管理 评分： 0060 行为因素与非行为因素诊断(判断指定健康问题或疾病的引发或致病因素 是属 于行为因素(如饮食不当。

33、)还是非行为因素(如遗传倾向)， 若诊断为行为 因素， 则行为因素 说明书 5/10 页 8 CN 111815487 A 8 健康管理评分记为5分， 若为非行为因素， 则行为因素健康管 理评分记为1分)； 0061 重要行为与不重要行为诊断(判断指定健康问题或疾病的引发或致病的行 为因 素是属于重要行为因素(如经常发生的行为或此行为与指定健康问题或疾病 有直接的因 果关系)还是非重要行为因素(如此行为与指定健康问题或疾病关系 不密切或不常发生)， 若诊断为重要性为， 则行为因素健康管理评分乘以10倍， 若诊断为不重要行为， 则不变)； 0062 高可变行为与低可变行为诊断(判断指定健康问题或。

34、疾病的引发或致病行 为因 素是属于可变行为因素(如正处于刚刚形成或发展时期行为、 其他计划中有 成功改变的实 证、 社会不赞同行为)还是非可变行为因素(如形成时间已久、 根 植于文化传统或传统生活 方式、 既往没有成功改变实例)， 若诊断为高可变行为， 则行为因素健康管理评分乘以10， 若诊断为低可变行为， 则除以10)。 0063 对于模块五的数据采集： 0064 该部分包括对目标社区或者人群中， 具有健康管理的成员， 进行不同健康 行为及 其影响因素的统计。 此因素可作为指定健康教育计划的教育方向， 后将这 些因素分为如下 三类： 0065 倾向因素诊断(例如： 个人有很强的改变意志)， 。

35、若诊断为倾向因素， 则 该因素健 康教育重要性评分记为2分； 0066 促成因素诊断(例如： 个人有很好的个人保健技术)若诊断为倾向因素， 则该因素 健康教育重要性评分记为1分； 0067 强化因素诊断(例如： 朋友对该健康行为的肯定)若诊断为倾向因素， 则 该因素健 康教育重要性评分记为3分； 0068 对于模块六的数据采集： 0069 组织资源诊断， 包括开展本次健康教育的组织资源内部力量， 例如组织人 数、 资 金、 场地是否确定、 人员经验水平、 组织内部健康管理师人数等； 0070 外部力量诊断， 包括外部对本次健康教育的支持力度， 例如赞助金额、 政 府拨款 金额等； 0071 政。

36、策环境诊断， 包括地方政府、 卫生部门对本次健康教育工作的支持与肯 定程度 等。 0072 步骤三， 流行病学与医学统计指标计算， 本步骤基于步骤二收集数据， 结 合流行 病学医学统计的理论， 实现指标计算， 涉及到的模块包括模块二健康问题 严重性与危害 性、 主要健康问题与其主要危险因素的医学统计指标计算。 0073 对于模块二的流行病学与医学统计指标计算如下： 0074 本步骤基于上述采集数据， 实现健康问题严重性与危害性、 主要健康问题 与其主 要危险因素的统计计算。 0075 健康问题严重性与危害性医学统计指标计算主要包括： 若某健康问题具有 病程 短、 急性特征或者是流行病， 则计算。

37、该健康问题或者疾病在目标地区或人群 中的某单位时 间的发病率、 死亡率、 病死率； 若某健康问题具有病程长、 难治愈 特征或者是慢性病， 则计 算该目标地区或人群中的某单位时间的患病率、 死亡率、 病死率。 0076 主要健康问题与其主要危险因素医学统计指标计算主要包括， 计算某健康 问题 或疾病的影响因素与该疾病之间的相对危险度(RR)和比值比(OR)， 以及 二者之间的归因 说明书 6/10 页 9 CN 111815487 A 9 危险度(AR)、 归因危险度百分比(AR)、 人群归因危险度 百分比(PAR)。 计算公式如下： 0077 RR某影响因素暴露组发病率/某影响因素非暴露组发病。

38、率 0078 OR病例组中暴露组人数/病例组中非暴露组人数-对照组中暴露组人数/对 照 组中非暴露组人数 0079 AR某影响因素暴露组发病率-某影响因素非暴露组发病率 0080 ARAR/某影响因素暴露组发病率100 0081 PAR(P(RR-1)/(P(RR-1)+1)100 0082 步骤四， 采集数据的量化与面板数据的建立 0083 本步骤包括对步骤二收集数据的量化与面板数据的建立。 0084 量化过程包括， 将采集到的非数字的数据数字化， 例如： 组织资源诊断收 集数据 “场地是否确定” ， 将 “是” 的数据替换为 “1” ，“否” 的数据替换为 “0” 。 0085 本发明将收。

39、集数据与量化数据最为原始数据， 基于此原始数据计算优先干 预健 康问题值、 健康问题影响因素值， 健康教育内容值， 以及健康教育项目可能 性值。 0086 优先干预健康问题值是评价一个健康问题被优先进行干预的程度， 该值越 高， 该 健康问题越应该被优先干预。 该指标的计算为， 将特定健康问题有关下表 的X轴对应维度 指标进行正则化处理， 计算各指标正则化数据的信息熵并求取 均值作为该健康问题的优 先干预健康问题值。 基于如下数据， 建立面板数据的表 1， 即X轴为时间； Y轴为下列指标的 信息熵数据： 生活质量相关数据、 生活质 量相关数据、 社会环境相关数据、 经济环境相关数 据、 文化环。

40、境相关数据、 相关 政策相关数据和社会资源相关数据、 社会因素相关数据和物 质条件因素相关数 据、 健康问题严重性与危害性相关数据、 发病率/患病率、 死亡率、 病死 率； Z 轴为优先干预健康问题值。 0087 0088 表1， 优先干预健康问题值计算法则及对应面板数据建立方法 健康问题影响因素 值是评价指定健康影响因素对特定健康问题的影响程度， 健康 问题影响因素值越大， 该因 素对指定健康问题影响程度越高。 该指标的计算方法 为， 将行为因素健康管理评分、 指定 健康问题或疾病的影响因素与该疾病之间的 相对危险度和比值比、 归因危险度、 归因危险 度百分比、 人群归因危险度百分比 进行正。

41、则化处理， 并对其正则化结果求取其信息熵， 求 取信息熵结果的均值即为 该健康影响因素对指定健康问题的健康问题影响因素值。 基于 如下数据建立面板 数据的表2， 即X轴为时间； Y轴为行为因素健康管理评分、 指定健康问题 说明书 7/10 页 10 CN 111815487 A 10 或疾 病的影响因素与该疾病之间的相对危险度和比值比、 归因危险度、 归因危险度百 分 比、 人群归因危险度百分比； Z轴为健康问题影响因素值。 0089 0090 表2健康问题影响因素值计算法则及对应面板数据建立方法 健康教育内容值是 评价被教育者对某健康教育内容的接受程度， 健康教育内容值 越高， 则被教育者对。

42、该健康 教育内容越能够接受。 该指标的计算方法如下： 将指 定因素的健康教育重要性评分数据进 行正则化处理， 并对其正则化结果求取其信 息熵， 该信息熵即为该健康影响因素对指定健 康问题的健康教育内容值。 基于如 下数据建立面板数据表3， 即X轴为时间； Y轴为指定因素 的健康教育重要性评 分数据； Z轴为健康教育内容值。 0091 X轴 时间 Y轴 指定因素的健康教育重要性评分数据 Z轴 健康教育内容值 0092 表3健康教育内容值计算法则及对应面板数据建立方法 健康教育可能性值是评 价举行本此健康教育的可能性程度， 该指标越大， 在有限 的资源和条件下越能够实现健康 教育。 该指标的计算法。

43、则为： 将生活质量相关数 据、 生活质量相关数据、 社会环境相关数 据、 经济环境相关数据、 文化环境相关 数据、 相关政策相关数据和社会资源相关数据、 社会 因素相关数据和物质条件因 素相关数据、 组织资源相关数据、 外部力量相关数据， 以及政 策环境相关数据进 行正则化处理， 然后对正则化结果进行信息熵计算， 求取指标信息熵均 值作为健 康教育可能性值。 基于如下数据建立面板数据表4， 即X轴为时间； Y轴为生活 质 量相关数据、 生活质量相关数据、 社会环境相关数据、 经济环境相关数据、 文 化环境相关数 据、 相关政策相关数据和社会资源相关数据、 社会因素相关数据和 物质条件因素相关数。

44、 据、 组织资源相关数据、 外部力量相关数据， 以及政策环境 相关数据； Z轴为健康教育可能 性值。 说明书 8/10 页 11 CN 111815487 A 11 0093 0094 表4健康教育可能性值计算法则及对应面板数据建立方法 0095 步骤五， 基于深度学习的时间序列预测算法模型建立 0096 本发明采用单不限于OpenAR、 ARIMA深度学习时间序列预测算法， 建立 四个预测 模型。 四个预测模型训练和验证数据分别基于步骤4所得的四个面板数 据进行建立， 输入 节点均为Y轴数据， 输出节点均为Z轴数据。 其中， OpenAR 在多维度的时间序列预测应用较 广， ARIMA应用在。

45、单一维度的时间序列预测。 0097 步骤六， 运行模型并确立健康教育项目内容， 0098 本发明将步骤四面板数据输入步骤五建立的时间序列预测模型中， 运行并 预测 未来特定时间段的优先干预健康问题值、 健康问题影响因素值、 健康教育内 容值以及健康 教育可能性值。 其中， 优先干预健康问题值、 健康问题影响因素值、 健康教育可能性值的预 测选用但不仅限于OpenAR多唯独的时间序列预测模型， 健康教育内容值则选用但不仅限 于ARIMA单一维度的时间序列预测模型。 0099 步骤七， 确立优先健康教育项目。 0100 针对健康教育可能性值设定阈值， 输出未来特定时间段内(该时间段可以 是一 年、。

46、 半年等)健康教育可能性值大于阈值的时刻点(该时间可以是月份、 日)， 选取健康教育 可能性值最大的时刻点作为开展健康教育最优时间点。 0101 选取优先干预健康问题值最高的一系列健康问题、 相对应健康问题影响因 素值 最高的一组健康问题影响因素， 以及健康教育内容值最高的一系列健康教育 内容作为本 次健康教育的重点。 0102 步骤八， 优先项目评估 0103 首次使用本发明方法时， 将步骤七中选中的优先干预健康问题值、 健康问 题影响 因素值、 健康教育内容值、 健康教育可能性值最为合适(最高)的一组值 与相对应的选取的 健康教育开展时间、 健康教育问题、 健康问题影响因素即健康 教育内容。

47、记录下来， 采用 “one-hot” 编码原则(0/1原则)标记下来。 本次健康 教育开战后对本次开展的健康教育计 划进行评价。 0104 当评价信息积累到一定数量， 将该数据输入到步骤五建立的多唯独时间序 列模 型， 实现提前模拟， 评估本次优选项目计划的成功程度。 0105 图4所示为根据本发明实施方式的装置及介质图。 图4所示为根据本发明 实施方 式的装置示意图。 装置包括存储器100及处理器200， 其中处理器200存 储有计算机程序， 计 算机程序用于执行： 通过分布式采集设备及分布式存储设备 对影响健康教育项目的多项 说明书 9/10 页 12 CN 111815487 A 12 。

48、维度数据进行采集； 根据多项维度数据计算涉及健康 问题的多项统计指标； 对多项维度数 据进行量化处理并构建面板数据； 根据面板 面板建立一个或多个深度学习序列预测算法 模型； 将统计指标输入深度学习序列 预测算法模型， 对未来设定时间段内影响健康教育项 目的可能性值； 基于可能值 设定阈值， 输出未来设定时间段内可能性值大于阈值的时刻 点， 将时刻点作为开 展健康教育的最优时间点。 其中， 存储器100用于存储数据。 0106 上面结合附图对本发明实施例作了详细说明， 但是本发明不限于上述实施 例， 在 技术领域普通技术人员所具备的知识范围内， 还可以在不脱离本发明宗旨 的前提下做出 各种变化。 说明书 10/10 页 13 CN 111815487 A 13 图1 图2 说明书附图 1/3 页 14 CN 111815487 A 14 图3 说明书附图 2/3 页 15 CN 111815487 A 15 图4 说明书附图 3/3 页 16 CN 111815487 A 16 。