本发明涉及人工智能技术领域，尤其涉及一种基于分析模型的慢性病患者监管方法、装置、电子设备和计算机可读存储介质。
背景技术：
近年来慢性病的发病率一直居高不下，成为了中国乃至全世界的重大公共卫生问题。慢性病属于终身性的疾病，对慢性病患者而言，不仅在生理和心理方面面临长期压力，还需要坚持长期治疗。目前，由于健康档案和随访机制尚不完善，很多慢病患者对自身疾病不够了解，尽管各家医院对于在其门诊就诊的病人都保存有电子病历，但没有长期跟踪提醒机制，慢病人群的监管体系远未建立。
因此，如何实现对慢性病患者的智能化监管成为一个亟待解决的问题。
技术实现要素：
本发明的主要目的是提供一种基于分析模型的慢性病患者监管方法、装置、电子设备和计算机可读存储介质，旨在实现对慢性病患者的智能化监管。
为实现上述目的，本发明提供一种基于分析模型的慢性病患者监管方法，该方法包括：
从患者终端获取患者的患病数据；
根据所述患病数据，确定所述患者的监管周期及监管目标数据；
从所述患者终端获取所述患者在预设时间段内的生理行为数据；
利用预先建立的分析模型，对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略；
根据所述患者的监管策略，在所述监管周期内执行监管操作。
可选地，所述分析模型的类型包括深度学习模型和强化学习模型；
所述对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略，包括：
根据所述监管目标数据及预设时间段内的生理行为数据，为所述患者生成用户画像；
在预先建立的监管策略库中查找与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
可选地，所述根据所述监管目标数据及预设时间段内的生理行为数据，为所述患者生成用户画像，包括：
根据预先确定的标签提取规则，从所述监管目标数据及预设时间段内的生理行为数据中提取所述患者的特征标签；
根据提取到的所述患者的特征标签，生成所述患者的特征标签集作为所述患者的用户画像。
可选地，所述标签提取规则包括：
从所述监管目标数据及预设时间段内的生理行为数据中提取特征字段及各个特征字段对应的字段值；
识别各个特征字段的特征类别，根据预先确定的特征类别与特征标签集之间的映射关系，分别查找各个特征字段对应的特征标签集；
根据各个特征标签集中各个特征标签的预设匹配条件，为各个特征字段查找对应的特征标签。
可选地，所述在预先建立的监管策略库中查找与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略，包括：
获取所述监管策略库中各个监管策略的特征标签集；
计算所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度，得到用户画像与各个监管策略的匹配度；
将与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
可选地，所述监管策略包括资讯数据推送策略、提醒信息推送策略及随访策略，所述资讯数据推送策略包括资讯类型、资讯推送频率，所述提醒信息推送策略包括：服药提醒信息推送频率、生理指标监测提醒信息推送频率，所述随访策略包括随访频率、随访类型，所述随访类型包括人工随访和智能随访。
可选地，该方法还包括：
获取多个患者在预设历史时间区间的生理行为数据、监管目标数据及监管策略；
根据各个患者的生理行为数据、监管目标数据，计算各个患者的监管策略对应的目标达成率；
根据各个患者的监管策略对应的目标达成率，计算各个监管策略对应的平均目标达成率；
从所述监管策略库中删除所述平均目标达成率低于预设达成率阈值的监管策略。
为了解决上述问题，本发明还提供一种基于分析模型的慢性病患者监管装置，所述装置包括：
第一获取模块，用于从患者终端获取患者的患病数据；
确定模块，用于根据所述患病数据，确定所述患者的监管周期及监管目标数据；
第二获取模块，用于从所述患者终端获取所述患者在预设时间段内的生理行为数据；
生成模块，用于利用预先建立的分析模型，对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略；
监管模块，用于根据所述患者的监管策略，在所述监管周期内执行监管操作。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于分析模型的慢性病患者监管方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于分析模型的慢性病患者监管方法。
相较于现有技术，本实施例利用智能化的分析模型，根据患者的生理行为数据及监管目标数据，为患者生成监管策略，并根据该监管策略对患者执行监管操作，从而实现了对慢性病患者的智能化监管，提高了监管效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明一实施例提供的基于分析模型的慢性病患者监管方法的流程示意图；
图2为本发明一实施例提供的基于分析模型的慢性病患者监管装置的模块示意图；
图3为本发明一实施例提供的实现基于分析模型的慢性病患者监管方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明提供一种基于分析模型的慢性病患者监管方法。参照图1所示，为本发明一实施例提供的基于分析模型的慢性病患者监管方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于分析模型的慢性病患者监管方法包括：
步骤s10，从患者终端获取患者的患病数据。
例如，接收由患者终端主动上传的患病数据，或者，发送针对患病数据的获取请求至所述患者终端，接收所述患者终端返回的患病数据。
其中，患病数据包括多个属性字段及各个属性字段对应的属性值，例如，所述属性字段可以是：患病类型、血糖、血脂、收缩压、舒张压中的一种或几种。当应用场景不同时，该属性字段可以是不同于上述举例的字段，具体的属性字段可根据需要设置，本发明对此不作限定。
在本实施例中，为了进一步维护患者的隐私，在步骤s10之前，该方法还包括：
向患者终端发起注册邀请，当接收到所述患者终端返回的同意注册信息时，转入执行步骤s10。
在一些应用场景中，还可由患者主动发起注册申请，例如，患者终端扫描预设图形码(例如，预设二维码)，以进入注册界面，患者终端通过注册界面发起注册请求。
步骤s20，根据所述患病数据，确定所述患者的监管周期及监管目标数据。
详细地，所述确定所述患者的监管周期，包括：根据患病类型与监管周期之间的映射关系，确定所述患者的监管周期。
所述监管目标数据是指期望达到的生理指标值，其中，生理指标包括心跳、血氧、血糖、血脂、收缩压、舒张压中的一种或几种。例如，针对糖尿病患者，监管目标数据可确定为血糖目标值6.1毫摩尔/升。
所述确定所述患者的监管目标数据，包括：
根据所述患病数据中的患病类型，选择对应的第一分析模型，将所述患病数据输入至选择的第一分析模型中，得到所述患者的监管目标数据。
其中，所述第一分析模型的类型包括深度学习模型和强化学习模型，所述第一分析模型的构建方法可参照如下：
以预测血糖目标值为例，给定一段时间内d个(d为数据总量)不同时刻的血糖值示例x＝(x1；x2；…；xd)，其中xi(历史数据)是x在第i个时刻的血糖值，f(x)为预测的血糖监管目标值，模型为：
f(x)＝w1x1 w2x2 … wdxd b
其中，w为影响血糖值的不同属性变量，如空腹胰岛素、血清总胆固醇、糖化血糖蛋白等，b为补偿系数，如非常规的饮酒过量等。
上述f(x)的公式可用向量形式写成：
f(x)＝wtx b
其中w＝{w1；w2；...；wd}，w和b学得之后，第一分析模型就得以确定。
下面举例说明具体如何确定w和b：
给定一个数据集d＝{(x1,y1),(x2,y2),…,(xn,yn)}，x为不同时刻的血糖值，y为不同时刻的血糖监管目标值，其中xi＝(xi1；xi2；…；xid)，线性回归试图学得一个线性模型以尽可能准确地预测实值输出标记。用向量形式写成：
f(xi)＝wtxi b
因为是d维的特性，那么w就是一个由回归系数组成的d×1维向量，x是n×(d 1)的矩阵(第一列元素都是1，其余列都是x1...xn)，
此时，平方误差
步骤s30，从所述患者终端获取所述患者在预设时间段内的生理行为数据。
所述步骤s30的实施方式可以是多种的，例如，至少可通过下述两种方式实施步骤s30：
方式一：
发送针对生理行为数据的获取请求至患者终端，所述获取请求还携带有时间条件，所述时间条件为预设时间段；接收所述患者终端基于所述获取请求返回的预设时间段内的生理行为数据。
方式二：
接收所述患者终端定时上报的所述患者在所述预设时间段内的生理行为数据。
其中，在本实施例中，所述生理行为数据包括生理指标数据(例如，心跳、血氧、血糖、血脂、收缩压、舒张压中的一种或几种)、饮食数据和运动数据。
步骤s40，利用预先建立的第二分析模型，对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略。
其中，所述第二分析模型的类型包括深度学习模型和强化学习模型。
所述对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略，包括步骤s41、s42(图中未示出)：
步骤s41，根据所述监管目标数据及预设时间段内的生理行为数据，为所述患者生成用户画像。
例如，根据预先确定的标签提取规则，从所述监管目标数据及预设时间段内的生理行为数据中提取所述患者的特征标签；根据提取到的所述患者的特征标签，生成所述患者的特征标签集作为所述患者的用户画像。
所述标签提取规则包括步骤s411～s413(图中未示出)：
步骤s411，从所述监管目标数据及预设时间段内的生理行为数据中提取特征字段及各个特征字段对应的字段值。
步骤s412，识别各个特征字段的特征类别，根据预先确定的特征类别与特征标签集之间的映射关系，分别查找各个特征字段对应的特征标签集。
步骤s413，根据各个特征标签集中各个特征标签的预设匹配条件，为各个特征字段查找对应的特征标签。
步骤s42，在预先建立的监管策略库中查找与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
例如，步骤s42包括步骤s421～s423(图中未示出)：
步骤s421，获取所述监管策略库中各个监管策略的特征标签集。
其中，所述监管策略库中各个监管策略可根据具体的应用场景需要预先设置。
步骤s422，计算所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度，得到用户画像与各个监管策略的匹配度。
所述计算所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度，包括：
逐一选择监管策略；
在选择一个监管策略后，查找所述患者的特征标签集与各个监管策略的特征标签集中相同的特征标签；
当未查找到时，将所述患者的特征标签集与所选监管策略的特征标签集之间的匹配度记为预设数值；
当查找到时，将查找到的特征标签作为待处理特征标签，并根据预先确定的特征标签与关联数值之间的映射关系，确定各个待处理特征标签的关联数值；
计算所有待处理特征标签的关联数值的总和，得到所述患者的特征标签集与所选监管策略的特征标签集之间的匹配度；
判断是否存在未被选择过的监管策略，当存在时，返回继续选择监管策略，当不存在时，输出所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度。
步骤s423，将与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
其中，所述监管策略包括资讯数据推送策略、提醒信息推送策略及随访策略，其中：
所述资讯数据推送策略包括资讯类型、资讯推送频率等，所述咨询类型包括：饮食类资讯、运动类资讯、疾病知识类资讯、风险控制类资讯等。
所述提醒信息推送策略包括：服药提醒信息推送频率、生理指标监测提醒信息推送频率等。
所述随访策略包括随访频率、随访类型等，所述随访类型包括人工随访和智能随访。
步骤s50，根据所述患者的监管策略，在所述监管周期内执行监管操作。
例如，基于所述随访策略的监管操作包括：
根据随访频率，确定随访时间，当所述随访时间到达时，根据所述随访类型，执行随访操作。
其中，所述执行随访操作包括：
当所述随访类型为人工随访时，根据预先确定的患者终端与医用终端的关联关系，发送随访提醒至与所述患者终端关联的医用终端(即医生所使用的终端)。其中，上述关联关系可预先设置，例如，接收患者通过患者终端发起的与医用终端的关联请求，并将所述关联请求转发至所述医用终端，当接收到所述医用终端返回的同意关联的信息时，保存所述患者终端和医用终端之间的关联关系。
当所述随访类型为智能随访时，生成随访问卷信息，将所述随访问卷信息发送至所述患者终端，并接收所述患者终端返回的所述随访问卷信息对应的应答信息，再根据所述应答信息，生成随访反馈信息，并将所述随访反馈信息发送至所述患者终端。
基于所述资讯数据推送策略的监管操作包括：
根据所述资讯推送频率，确定资讯推送时间；
当所述资讯推送时间到达时，根据所述资讯类型，于预先设置的资讯库中选取预设数量的资讯信息，并将选出的资讯信息推送至所述患者终端；
基于所述提醒信息推送策略的监管操作包括：
根据服药提醒信息推送频率，确定服药提醒信息推送时间，当所述服药提醒信息推送时间到达时，发送预先设置的服药提醒信息至所述患者终端；
根据生理指标监测提醒信息推送频率，确定生理指标监测提醒信息推送时间，当所述生理指标监测提醒信息推送时间到达时，发送预先设置的生理指标监测提醒信息至所述患者终端，且接收并存储所述患者终端返回的生理指标数据及所述生理指标数据对应的监测时间。
相较于现有技术，本实施例利用智能化的分析模型，根据患者的生理行为数据及监管目标数据，为患者生成监管策略，并根据该监管策略对患者执行监管操作，从而实现了对慢性病患者的智能化监管，提高了监管效率。
进一步地，在所述步骤s50之后，还包括：
当根据所述患者对应的监管策略，完成所述监管周期内的所有监管操作时，获取所述患者最新一笔生理行为数据，从所述生理行为数据中提取患病数据，并转入执行步骤s20。
本实施例在完成一个监管周期的监管操作后，再重新根据患者的患病数据，为患者制定新的监管周期、监管目标数据，并重新为患者确定监管策略，实现监管策略的定时更新，使得监管策略更符合患者当前的生理情况，提高了监管策略的精准性，提高了监管效果。
进一步地，该方法还包括：
获取多个患者在第二预设历史时间区间的生理行为数据、监管目标数据及监管策略；
根据各个患者的生理行为数据、监管目标数据，计算各个患者的监管策略对应的目标达成率；
根据各个患者的监管策略对应的目标达成率，计算各个监管策略对应的平均目标达成率；
从所述监管策略库中删除所述平均目标达成率低于预设达成率阈值的监管策略。
本实施例通过将监管策略库中剔除监管效果较差的监管策略，从而进一步提高监管效果。
如图2所示，是本发明基于分析模型的慢性病患者监管装置的功能模块图。
本发明所述基于分析模型的慢性病患者监管装置100可以安装于电子设备中。根据实现的功能，所述基于分析模型的慢性病患者监管装置100可以包括第一获取模块101、确定模块102、第二获取模块103、生成模块104及监管模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
第一获取模块101，用于从患者终端获取患者的患病数据。
例如，接收由患者终端主动上传的患病数据，或者，发送针对患病数据的获取请求至所述患者终端，接收所述患者终端返回的患病数据。
其中，患病数据包括多个属性字段及各个属性字段对应的属性值，例如，所述属性字段可以是：患病类型、血糖、血脂、收缩压、舒张压中的一种或几种。当应用场景不同时，该属性字段可以是不同于上述举例的字段，具体的属性字段可根据需要设置，本发明对此不作限定。
在本实施例中，为了进一步维护患者的隐私，第一获取模块101还用于：
向患者终端发起注册邀请，当接收到所述患者终端返回的同意注册信息时，再从患者终端获取患者的患病数据。
在一些应用场景中，还可由患者主动发起注册申请，例如，患者终端扫描预设图形码(例如，预设二维码)，以进入注册界面，患者终端通过注册界面发起注册请求。
确定模块102，用于根据所述患病数据，确定所述患者的监管周期及监管目标数据。
详细地，所述确定所述患者的监管周期，包括：根据患病类型与监管周期之间的映射关系，确定所述患者的监管周期。
所述监管目标数据是指期望达到的生理指标值，其中，生理指标包括心跳、血氧、血糖、血脂、收缩压、舒张压中的一种或几种。例如，针对糖尿病患者，监管目标数据可确定为血糖目标值6.1毫摩尔/升。
所述确定所述患者的监管目标数据，包括：
根据所述患病数据中的患病类型，选择对应的第一分析模型，将所述患病数据输入至选择的第一分析模型中，得到所述患者的监管目标数据。
其中，所述第一分析模型的类型包括深度学习模型和强化学习模型，所述第一分析模型的构建方法可参照如下：
以预测血糖目标值为例，给定一段时间内d个(d为数据总量)不同时刻的血糖值示例x＝(x1；x2；…；xd)，其中xi(历史数据)是x在第i个时刻的血糖值，f(x)为预测的血糖监管目标值，模型为：
f(x)＝w1x1 w2x2 … wdxd b
其中，w为影响血糖值的不同属性变量，如空腹胰岛素、血清总胆固醇、糖化血糖蛋白等，b为补偿系数，如非常规的饮酒过量等。
上述f(x)的公式可用向量形式写成：
f(x)＝wtx b
其中w＝{w1；w2；...；wd}，w和b学得之后，第一分析模型就得以确定。
下面举例说明具体如何确定w和b：
给定一个数据集d＝{(x1,y1),(x2,y2),…,(xn,yn)}，x为不同时刻的血糖值，y为不同时刻的血糖监管目标值，其中xi＝(xi1；xi2；…；xid)，线性回归试图学得一个线性模型以尽可能准确地预测实值输出标记。用向量形式写成：
f(xi)＝wtxi b
因为是d维的特性，那么w就是一个由回归系数组成的d×1维向量，x是n×(d 1)的矩阵(第一列元素都是1，其余列都是x1...xn)，
此时，平方误差
第二获取模块103，用于从所述患者终端获取所述患者在预设时间段内的生理行为数据。
所述从所述患者终端获取所述患者在预设时间段内的生理行为数据的步骤的实施方式可以是多种的，例如，至少可通过下述两种方式实施：
方式一：
发送针对生理行为数据的获取请求至患者终端，所述获取请求还携带有时间条件，所述时间条件为预设时间段；接收所述患者终端基于所述获取请求返回的预设时间段内的生理行为数据。
方式二：
接收所述患者终端定时上报的所述患者在所述预设时间段内的生理行为数据。
其中，在本实施例中，所述生理行为数据包括生理指标数据(例如，心跳、血氧、血糖、血脂、收缩压、舒张压中的一种或几种)、饮食数据和运动数据。
生成模块104，用于利用预先建立的第二分析模型，对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略。
其中，所述第二分析模型的类型包括深度学习模型和强化学习模型。
所述对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略，包括步骤s41、s42(图中未示出)：
步骤s41，根据所述监管目标数据及预设时间段内的生理行为数据，为所述患者生成用户画像。
例如，根据预先确定的标签提取规则，从所述监管目标数据及预设时间段内的生理行为数据中提取所述患者的特征标签；根据提取到的所述患者的特征标签，生成所述患者的特征标签集作为所述患者的用户画像。
所述标签提取规则包括步骤s411～s413(图中未示出)：
步骤s411，从所述监管目标数据及预设时间段内的生理行为数据中提取特征字段及各个特征字段对应的字段值。
步骤s412，识别各个特征字段的特征类别，根据预先确定的特征类别与特征标签集之间的映射关系，分别查找各个特征字段对应的特征标签集。
步骤s413，根据各个特征标签集中各个特征标签的预设匹配条件，为各个特征字段查找对应的特征标签。
步骤s42，在预先建立的监管策略库中查找与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
例如，步骤s42包括步骤s421～s423(图中未示出)：
步骤s421，获取所述监管策略库中各个监管策略的特征标签集。
其中，所述监管策略库中各个监管策略可根据具体的应用场景需要预先设置。
步骤s422，计算所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度，得到用户画像与各个监管策略的匹配度。
所述计算所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度，包括：
逐一选择监管策略；
在选择一个监管策略后，查找所述患者的特征标签集与各个监管策略的特征标签集中相同的特征标签；
当未查找到时，将所述患者的特征标签集与所选监管策略的特征标签集之间的匹配度记为预设数值；
当查找到时，将查找到的特征标签作为待处理特征标签，并根据预先确定的特征标签与关联数值之间的映射关系，确定各个待处理特征标签的关联数值；
计算所有待处理特征标签的关联数值的总和，得到所述患者的特征标签集与所选监管策略的特征标签集之间的匹配度；
判断是否存在未被选择过的监管策略，当存在时，返回继续选择监管策略，当不存在时，输出所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度。
步骤s423，将与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
其中，所述监管策略包括资讯数据推送策略、提醒信息推送策略及随访策略，其中：
所述资讯数据推送策略包括资讯类型、资讯推送频率等，所述咨询类型包括：饮食类资讯、运动类资讯、疾病知识类资讯、风险控制类资讯等。
所述提醒信息推送策略包括：服药提醒信息推送频率、生理指标监测提醒信息推送频率等。
所述随访策略包括随访频率、随访类型等，所述随访类型包括人工随访和智能随访。
监管模块105，用于根据所述患者的监管策略，在所述监管周期内执行监管操作。
例如，基于所述随访策略的监管操作包括：
根据随访频率，确定随访时间，当所述随访时间到达时，根据所述随访类型，执行随访操作。
其中，所述执行随访操作包括：
当所述随访类型为人工随访时，根据预先确定的患者终端与医用终端的关联关系，发送随访提醒至与所述患者终端关联的医用终端(即医生所使用的终端)。其中，上述关联关系可预先设置，例如，接收患者通过患者终端发起的与医用终端的关联请求，并将所述关联请求转发至所述医用终端，当接收到所述医用终端返回的同意关联的信息时，保存所述患者终端和医用终端之间的关联关系。
当所述随访类型为智能随访时，生成随访问卷信息，将所述随访问卷信息发送至所述患者终端，并接收所述患者终端返回的所述随访问卷信息对应的应答信息，再根据所述应答信息，生成随访反馈信息，并将所述随访反馈信息发送至所述患者终端。
基于所述资讯数据推送策略的监管操作包括：
根据所述资讯推送频率，确定资讯推送时间；
当所述资讯推送时间到达时，根据所述资讯类型，于预先设置的资讯库中选取预设数量的资讯信息，并将选出的资讯信息推送至所述患者终端；
基于所述提醒信息推送策略的监管操作包括：
根据服药提醒信息推送频率，确定服药提醒信息推送时间，当所述服药提醒信息推送时间到达时，发送预先设置的服药提醒信息至所述患者终端；
根据生理指标监测提醒信息推送频率，确定生理指标监测提醒信息推送时间，当所述生理指标监测提醒信息推送时间到达时，发送预先设置的生理指标监测提醒信息至所述患者终端，且接收并存储所述患者终端返回的生理指标数据及所述生理指标数据对应的监测时间。
相较于现有技术，本实施例利用智能化的分析模型，根据患者的生理行为数据及监管目标数据，为患者生成监管策略，并根据该监管策略对患者执行监管操作，从而实现了对慢性病患者的智能化监管，提高了监管效率。
进一步地，第一获取模块101还用于：
当根据所述患者对应的监管策略，完成所述监管周期内的所有监管操作时，获取所述患者最新一笔生理行为数据，从所述生理行为数据中提取患病数据，并调用确定模块102根据所述患病数据，确定所述患者的监管周期及监管目标数据。
本实施例在完成一个监管周期的监管操作后，再重新根据患者的患病数据，为患者制定新的监管周期、监管目标数据，并重新为患者确定监管策略，实现监管策略的定时更新，使得监管策略更符合患者当前的生理情况，提高了监管策略的精准性，提高了监管效果。
进一步地，该基于分析模型的慢性病患者监管装置100还包括更新模块(图中未示出)，用于：
获取多个患者在第二预设历史时间区间的生理行为数据、监管目标数据及监管策略；
根据各个患者的生理行为数据、监管目标数据，计算各个患者的监管策略对应的目标达成率；
根据各个患者的监管策略对应的目标达成率，计算各个监管策略对应的平均目标达成率；
从所述监管策略库中删除所述平均目标达成率低于预设达成率阈值的监管策略。
本实施例通过将监管策略库中剔除监管效果较差的监管策略，从而进一步提高监管效果。
如图3所示，是本发明实现基于分析模型的慢性病患者监管方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于分析模型的慢性病患者监管程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于分析模型的慢性病患者监管程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于分析模型的慢性病患者监管程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于分析模型的慢性病患者监管程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
从患者终端获取患者的患病数据；
根据所述患病数据，确定所述患者的监管周期及监管目标数据；
从所述患者终端获取所述患者在预设时间段内的生理行为数据；
利用预先建立的分析模型，对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略；
根据所述患者的监管策略，在所述监管周期内执行监管操作。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述患病数据、生理行为数据的私密和安全性，上述患病数据、生理行为数据还可以存储于一区块链的节点中。
进一步地，所述电子设备1集成的模块/单元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，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
1.一种基于分析模型的慢性病患者监管方法，其特征在于，该方法包括：
从患者终端获取患者的患病数据；
根据所述患病数据，确定所述患者的监管周期及监管目标数据；
从所述患者终端获取所述患者在预设时间段内的生理行为数据；
利用预先建立的分析模型，对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略；
根据所述患者的监管策略，在所述监管周期内执行监管操作。
2.如权利要求1所述的基于分析模型的慢性病患者监管方法，其特征在于，所述分析模型的类型包括深度学习模型和强化学习模型；
所述对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略，包括：
根据所述监管目标数据及预设时间段内的生理行为数据，为所述患者生成用户画像；
在预先建立的监管策略库中查找与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
3.如权利要求2所述的基于分析模型的慢性病患者监管方法，其特征在于，所述根据所述监管目标数据及预设时间段内的生理行为数据，为所述患者生成用户画像，包括：
根据预先确定的标签提取规则，从所述监管目标数据及预设时间段内的生理行为数据中提取所述患者的特征标签；
根据提取到的所述患者的特征标签，生成所述患者的特征标签集作为所述患者的用户画像。
4.如权利要求3所述的基于分析模型的慢性病患者监管方法，其特征在于，所述标签提取规则包括：
从所述监管目标数据及预设时间段内的生理行为数据中提取特征字段及各个特征字段对应的字段值；
识别各个特征字段的特征类别，根据预先确定的特征类别与特征标签集之间的映射关系，分别查找各个特征字段对应的特征标签集；
根据各个特征标签集中各个特征标签的预设匹配条件，为各个特征字段查找对应的特征标签。
5.如权利要求3所述的基于分析模型的慢性病患者监管方法，其特征在于，所述在预先建立的监管策略库中查找与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略，包括：
获取所述监管策略库中各个监管策略的特征标签集；
计算所述患者的特征标签集与各个监管策略的特征标签集之间的匹配度，得到用户画像与各个监管策略的匹配度；
将与所述用户画像匹配度最高的监管策略作为所述患者在所述监管周期内的监管策略。
6.如权利要求1所述的基于分析模型的慢性病患者监管方法，其特征在于，所述监管策略包括资讯数据推送策略、提醒信息推送策略及随访策略，所述资讯数据推送策略包括资讯类型、资讯推送频率，所述提醒信息推送策略包括：服药提醒信息推送频率、生理指标监测提醒信息推送频率，所述随访策略包括随访频率、随访类型，所述随访类型包括人工随访和智能随访。
7.如权利要求2所述的基于分析模型的慢性病患者监管方法，其特征在于，该方法还包括：
获取多个患者在预设历史时间区间的生理行为数据、监管目标数据及监管策略；
根据各个患者的生理行为数据、监管目标数据，计算各个患者的监管策略对应的目标达成率；
根据各个患者的监管策略对应的目标达成率，计算各个监管策略对应的平均目标达成率；
从所述监管策略库中删除所述平均目标达成率低于预设达成率阈值的监管策略。
8.一种基于分析模型的慢性病患者监管装置，其特征在于，所述装置包括：
第一获取模块，用于从患者终端获取患者的患病数据；
确定模块，用于根据所述患病数据，确定所述患者的监管周期及监管目标数据；
第二获取模块，用于从所述患者终端获取所述患者在预设时间段内的生理行为数据；
生成模块，用于利用预先建立的分析模型，对所述监管目标数据及预设时间段内的生理行为数据进行分析，生成所述患者在所述监管周期内的监管策略；
监管模块，用于根据所述患者的监管策略，在所述监管周期内执行监管操作。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的基于分析模型的慢性病患者监管方法。
10.一种计算机可读存储介质，存储有计算机程序，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至7中任一所述的基于分析模型的慢性病患者监管方法。
技术总结