一种数据处理方法、装置、电子设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。

背景技术

在药物临床开发阶段，往往需要对药物的药代动力学行为进行评估，如，借助药代动力学模型可以对人群生理特征引起的个体间药代动力学行为差异进行先验评估。

目前，在对个体间差异进行评估时，通常是根据已报道的先验知识，建立群体测量数据与内在生理特征之间的固定方程，并根据指定的群体测量数据创建虚拟人群。但由于个体生理特征的生长曲线的差异，人体测量数据与内在生理特征的机制性关联往往将儿童与成人、个体的不同生理特征分割开来，导致与实际生活中的各群体的生理特征的分布情况相差较远。

为了解决上述问题，需要对生理特征数据的处理方式进行改进。

发明内容

本发明提供了一种数据处理方法、装置、电子设备及存储介质，以解决在基于生理特征数据对药物特性进行评估时，生理特征数据样本不足，或者在模拟生理特征数据时，模拟的生理特征数据不符合真实生理特征数据分布的问题。

第一方面，本发明实施例提供了一种数据处理方法，包括：

获取目标对象在至少一个生理指标下的生理特征数据；

确定与所述生理特征数据相对应的数据处理类型，并调取与所述数据处理类型相对应的目标网络模型；其中，所述数据处理类型包括数据泛化类型或数据预测类型；

基于所述目标网络模型对所述生理特征数据进行处理，得到目标生理特征数据。

第二方面，本发明实施例还提供了一种数据处理装置，包括：

数据获取模块，用于获取目标对象在至少一个生理指标下的生理特征数据；

模型调取模块，用于确定与所述生理特征数据相对应的数据处理类型，并调取与所述数据处理类型相对应的目标网络模型；其中，所述数据处理类型包括数据泛化类型或数据预测类型；

数据确定模块，用于基于所述目标网络模型对所述生理特征数据进行处理，得到目标生理特征数据。

第三方面，本发明实施例还提供了一种电子设备，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计算机程序，所述计算机程序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本发明任一实施例所述的数据处理方法。

第四方面，本发明实施例还提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的数据处理方法。

本发明实施例的技术方案，通过获取目标对象在至少一个生理指标下的生理特征数据，通过对目标对象进行生理特征数据采集，或者从预先建立或现有的公共数据集中获取目标对象在至少一个生理指标下的生理特征数据。进一步的，根据实际应用中的数据处理要求，确定与所述生理特征数据相对应的数据处理类型，并调取与所述数据处理类型相对应的目标网络模型，以基于目标网络模型对各生理指标下的生理特征数据之间的关联关系进行分析，得到与数据处理类型相对应的目标生理特征数据。基于所述目标网络模型对所述生理特征数据进行处理，得到目标生理特征数据，具体的，在进行数据泛化处理时，基于目标网络模型确定与目标对象的生理特征数据所对应的生理特征曲线，并根据预设的数据泛化数量和数据泛化范围，基于该生理特征曲线进行数据泛化处理，得到至少一个目标生理特征曲线。在进行数据预测处理时，通过目标对象的至少一个生理指标下的生理特征数据，以及目标对象的基本属性信息，可以得到目标对象在其他生理指标下的生理特征数据进行数据预测。解决了在基于生理特征数据对药物特性进行评估时，生理特征数据样本不足，或者在模拟生理特征数据时，模拟的生理特征数据不符合真实生理特征数据分布的问题，达到了在符合真实生理特征数据分布规律的前提下，基于少量的生理特征数据进行数据泛化，得到充足的生理特征数据样本的效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明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获得其他的附图。

图1是根据本发明实施例一提供的一种数据处理方法的流程图；

图2是根据本发明实施例二提供的一种数据处理方法的流程图；

图3是根据本发明实施例二提供的一种确定目标网络模型的流程图；

图4是根据本发明实施例三提供的一种数据处理装置的结构示意图；

图5是实现本发明实施例的数据处理方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

实施例一

图1为本发明实施例一提供了一种数据处理方法的流程图，本实施例可适用于在符合真实的生理特征数据分布规律的前提下，基于少量的用户的生理特征数据模拟得到大量的生理特征数据样本的情况，该方法可以由数据处理装置来执行，该数据处理装置可以采用硬件和/或软件的形式实现，该数据处理装置可配置于可执行数据处理方法的计算设备中。

如图1所示，该方法包括：

S110、获取目标对象在至少一个生理指标下的生理特征数据。

其中，在本技术方案中，目标对象用于指代待采集生理特征数据的实验用户，如，目标对象可以为成人、儿童或老人等，且对目标对象的性别不做限定。生理指标可以理解为用于表征目标对象的生理特征的指标，如，身高、体重、血糖、血压、脉搏、肺活量、体温、血氧饱和度以及与目标用户的身体组织的重量和大小等。需要说明的是，在本技术方案中的生理指标为可以用于表征用户生理特性的各项指标，并不局限于本技术方案中提及的生理指标。生理特征数据可以理解为与目标对象的各生理指标相对应的测量数据。

在实际应用中，如，在药物临床开发阶段，为了确定药物的有效性和安全性，通常需要获取大量的用户的生理特征数据，以在对药物进行研发时，定量研究药物在生物体内吸收、分布、代谢和排泄规律等。可以理解的是，群体用户的生理特征数据越多，对药物的实验结果相应的更加准确，因此，在医学临床研究阶段需要获取大量的用户生理特征数据。但由于采集的真实的用户生理特征数据的数量不足，往往需要对用户的生理特征数据进行模拟，以得到更多的用户的生理特征数据。可以理解的是，同一个用户在各生理指标下的生理特征数据往往存在一定的关联关系，为了使得模拟得到的生理特征数据更急接近真实的生理特征数据，需要对各生理指标下的生理特征数据之间的关联关系进行分析，以在模拟过程中，基于各项生理特征数据之间的关联关系，模拟得到更加真实的生理特征数据。

基于此，在实际应用中，可以基于获取的目标对象在至少一个生理指标下的生理特征数据，进行数据的泛化或预测，以得到更多的生理特征样本数据。具体的，在获取与目标对象在至少一个生理指标下的生理特征数据时，可以对目标对象的生理特征数据进行实际采集，或者，还可以从公共数据集或医疗信息系统中，选取其中一个或多个用户作为目标对象，并获取与目标对象在至少一个生理指标下的生理特征数据。其中，所谓的公共数据集包括但不限于基于医疗机构检验信息系统的数据集、基于医疗影像传输系统的数据集以及其他包括群体生理特征数据的数据集，在本技术方案中，对包含生理特征数据的数据集不做具体限定。

S120、确定与生理特征数据相对应的数据处理类型，并调取与数据处理类型相对应的目标网络模型。

其中，数据处理类型包括数据泛化类型或数据预测类型。目标网络模型可以理解为用于基于生理特征数据进行数据泛化或者数据预测的模型。示例性地，目标网路模型可以为生成模型，如，可以是生成对抗网络模型、变分自编码器模型、扩散模型或基于流的生成模型等。

需要说明的是，以目标对象为例，目标对象在至少一个生理指标下的生理特征数据之间往往存在关联关系，因此，确定目标对象的生理特征数据之间的关联关系，对基于目标对象的生理特征数据进行数据泛化或数据预测十分重要。在本技术方案中，目标网络模型可以对生理特征数据进行分析，并确定各生理特征数据之间的关联关系的功能，具体的，确定目标网络模型的方法在后续实施例中具体阐述，在此暂不展开。

为了获得更多用户在至少一个生理指标下的生理特征数据，可以基于目标网络模型根据已知用户的生理特征数据进行数据模拟，得到更多更加真实的生理特征数据。具体的，根据实际数据处理需求可以确定与生理特征数据相对应的数据处理类型，如，需要基于目标对象的生理特征数据进行数据泛化处理，或者需要基于目标对象的生理特征数据进行数据预测处理。进一步的，在确定与生理特征数据相对应的数据处理类型后，调取目标网络模型对生理特征数据进行相应处理，以得到与目标对象相对应的目标生理特征数据。

可选的，确定与生理特征数据相对应的数据处理类型，并调取与数据处理类型相对应的目标网络模型，包括：接收数据处理指令，并获取数据处理指令中的数据处理方式；基于数据处理方式和生理特征数据，确定相应的数据处理类型，并确定与数据处理类型相对应的目标网络模型。

其中，数据处理方式包括数据泛化方式或数据预测方式。

在本技术方案中，根据数据处理要求的不同，可以对应不同的数据处理方式。具体的，包括对数据进行数据预测方式和数据泛化方式。

S130、基于目标网络模型对生理特征数据进行处理，得到目标生理特征数据。

其中，目标生理特征数据可以理解基于目标网络模型对生理特征数据进行数据预测或数据泛化后得到的生理特征数据。

具体的，将目标对象的生理特征数据输入目标网络模型中，并根据数据处理需求，基于目标网络模型对生理特征数据进行数据预测处理或数据泛化处理，以得到目标生理特征数据。

可选的，数据处理方式为数据泛化方式，基于目标网络模型对生理特征数据进行处理，得到目标生理特征数据，包括：基于目标网络模型，确定与生理特征数据相对应的生理特征曲线；确定生理特征曲线所对应的数据浮动范围，以从数据浮动范围中，得到预设数量的生理特征泛化曲线；基于各生理特征泛化曲线，得到与生理特征数据相对应的至少一组目标生理特征数据。

其中，生理特征曲线可以理解为基于生理特征数据生成的曲线。需要说明的是，在本技术方案中，在将目标对象的生理特征数据输入目标网络模型之前，需要将生理特征数据进行归一化处理，也就是说，将各生理指标下的生理特征数据处理为0-1之间，以使目标网络模型对归一化后的生理特征数据进行数据分析，根据生理特征数据的在0-1之间的浮动变化，得到相应的生理特征曲线。生理特征泛化曲线可以理解为基于目标对象对应的生理特征曲线，确定的与该生理特征曲线较为相近的生理特征曲线。换句话说，生理特征泛化曲线是根据目标对象的生理特征曲线模拟得到的生理特征曲线。

具体的，目标网络模型通过对目标对象的生理特征数据进行分析处理，可以得到各生理指标下的生理特征数据之间的关联关系。基于此，在需要进行数据泛化时，可以在目标网络模型中输入目标对象在至少一个生理指标下的生理特征数据，并预先设定数据泛化的数量和数据浮动范围。如，以身高和体重为例，预先设定数据泛化的数量为100，数据浮动范围为与目标对象的身高数据相差±5cm，同时，与目标对象的体重相差±10kg。基于此，将目标对象在至少一个生理指标下的生理特征数据输入目标网络模型中，通过对目标对象的各生理特征数据的分析，可以得到各生理特征数据之间的关联关系，并基于关联关系生成相应的生理特征曲线。进一步的，根据预先设定的数据泛化的数量和数据浮动范围，可以生成相应的生理特征泛化曲线，且每条生理特征泛化曲线对应于一组生理特征数据，因此，基于各生理特征泛化曲线可以得到相应的目标生理特征数据。

这样设置的好处在于，目标生理特征数据为基于目标对象的生理特征数据泛化得到，可以用于批量生成指定生理特征范围内的生理特征数据，也就是说，在需要大量的生理特征数据时，可以根据少量的目标对象在至少一个生理指标下的生理特征数据即可得到大量的相应的生理指标下的目标生理特征数据，且目标生理特征数据之间的关联关系与输入的生理特征数据之间的关联关系相似，符合真实的生理特征数据之间的关联关系。也就是说，在保证生理特征数据在一定程度下的真实性的前提下，可以批量获得大量的生理特征数据。

可选的，数据处理方式为数据预测方式，基于目标网络模型对生理特征数据进行处理，得到目标生理特征数据，包括：基于目标网络模型，确定与生理特征数据相匹配的至少一个待确定生理特征曲线；根据目标对应所对应的基本属性信息，从至少一个待确定生理特征曲线中确定目标生理特征曲线；基于目标生理特征曲线，确定与目标对象相对应的目标生理特征数据。

可以理解的是，基于目标对象在各生理指标下的生理特征数据可以得到相应的生理特征曲线，待确定生理特征曲线可以理解为与目标对象的生理特征曲线变化规律相似的生理特征曲线。基本属性信息可以包括目标对象的性别和年龄等基本信息。目标生理特征曲线为至少一个待确定生理特征曲线中与目标对象的生理特征曲线相似度最高的曲线。

示例性地，若数据处理方式为数据预测方式，则可以在已知目标对象在一个或多个生理指标下的生理特征数据的前提下，将目标对象的生理特征数据输入目标网络模型中，以基于目标网络模型确定与输入的生理特征数据较为接近的至少一个待确定生理特征曲线，并根据目标对象的基本属性信息从各待确定生理特征曲线中确定目标生理特征曲线。进一步的，根据目标生理特征曲线可以得到与目标对象相对应的目标生理特征数据。如，已知目标对象的身高和体重，基于目标网络模型可以确定目标对象的心率、脉搏以及血压等等生理指标所对应的生理特征数据。

可选的，本技术方案中的生理指标包括身高、体重、体温、血压、心电信息以及生物组织信息中的至少一种。所谓生物组织信息可以为生物体中的器官组织的重量以及大小等信息。

需要说明的是，本技术方案中的各项生理指标所对应的生理特征数据均为通过合规合法渠道获得。

本发明实施例的技术方案，通过获取目标对象在至少一个生理指标下的生理特征数据，通过对目标对象进行生理特征数据采集，或者从预先建立或现有的公共数据集中获取目标对象在至少一个生理指标下的生理特征数据。进一步的，根据实际应用中的数据处理要求，确定与所述生理特征数据相对应的数据处理类型，并调取与所述数据处理类型相对应的目标网络模型，以基于目标网络模型对各生理指标下的生理特征数据之间的关联关系进行分析，得到与数据处理类型相对应的目标生理特征数据。基于所述目标网络模型对所述生理特征数据进行处理，得到目标生理特征数据，具体的，在进行数据泛化处理时，基于目标网络模型确定与目标对象的生理特征数据所对应的生理特征曲线，并根据预设的数据泛化数量和数据泛化范围，基于该生理特征曲线进行数据泛化处理，得到至少一个目标生理特征曲线。在进行数据预测处理时，通过目标对象的至少一个生理指标下的生理特征数据，以及目标对象的基本属性信息，可以得到目标对象在其他生理指标下的生理特征数据进行数据预测。解决了在基于生理特征数据对药物特性进行评估时，生理特征数据样本不足，或者在模拟生理特征数据时，模拟的生理特征数据不符合真实生理特征数据分布的问题，达到了在符合真实生理特征数据分布规律的前提下，基于少量的生理特征数据进行数据泛化，得到充足的生理特征数据样本的效果。

实施例二

图2为本发明实施例二提供的一种数据处理方法的流程图，可选的，在获取目标对象在至少一个生理指标下的生理特征数据之前，需要预先构建目标网络模型，以基于目标网络模型对获取的生理特征数据进行处理。

需要说明的是，在本技术方案中，目标网络模型可以为生成对抗网络模型、变分自编码器模型、扩散模型或基于流的生成模型等生成模型。相应的，在进行模型训练时，可以选取其中任意一种生成模型作为待训练网络模型进行训练，以得到目标网络模型。

为了更加清楚地介绍目标网络模型的构建方法，在本实施例中以目标网络模型为扩散模型为例进行介绍。

如图2所示，该方法包括：

S210、针对至少一个待处理对象，分别确定各待处理对象在至少两个生理指标下的待训练样本数据，并基于各待训练样本数据构建待处理矩阵。

在本技术方案中，在基于目标网络模型对目标对象的生理特征数据进行数据处理之前，要先对待训练网络模型进行训练，得到目标网络模型。具体的，在对待训练网络模型进行训练时，需要使用大量样本对象在至少一个生理指标下的生理特征数据，所谓待处理对象即为对待训练网络模型训练过程中的样本对象。待训练样本数据即为各待处理对象在至少两个生理指标下的生理特征数据。待处理矩阵可以理解为基于各待处理对象的待训练样本数据组合得到的矩阵，其中，待处理矩阵的行元素对应各待处理对象在至少两个生理指标下的待训练样本数据，列元素对应于不同的生理指标。

为了得到数据泛化或数据预测结果更加准确的目标网络模型，需要获取大量的样本数据对待训练网络模型进行训练。具体的，获取至少一个待处理对象在至少两个生理指标下的待训练样本数据，以基于待训练样本数据对目标网络模型进行训练。

需要说明的是，针对各待处理对象，获取各待处理对象在至少两个生理指标下的生理特征数据的原因在于，同一待处理对象的不同生理指标下的生理特征数据往往具有一定的关联关系，若只获取与待处理对象相对应的一个生理指标下的生理特征数据，对待训练网络模型进行训练的过程中，无法获取不同生理指标的生理特征数据之间的关联关系。基于此，对于每个待处理对象，需要获取至少两个生理指标下的生理特征数据，以对待训练网络模型进行训练，得到目标网络模型，并基于目标网络模型对目标对象的生理特征数据进行数据泛化处理或数据预测处理。

S220、对待处理矩阵中的每一列进行归一化处理，得到相应的待拼接子矩阵，并拼接，得到待使用矩阵。

具体的，在待处理矩阵中，每列元素所对应的待训练样本数据为同一生理指标下的生理特征数据。通过对每一列的待训练样本数据分别进行归一化处理，可以得到在相应的生理指标下的归一化数据。将归一化处理后的每列数据组成的集合作为待拼接子矩阵，并拼接，可以得到待使用矩阵。换句话说，待使用矩阵中的各元素为各待训练样本数据归一化后的数据。

需要说明的是，在对每个生理指标下的各待训练样本数据进行归一化时，还需要记录每列数据中的最大值和最小值，用于作为目标网络模型对归一化数据还原时的参考值。示例性地，以身高为例，最大值为1.9m，最小值为0.8m，则在归一化后，待使用矩阵中的1所对应的身高值为1.9m，0表示的为0.8m，而待使用矩阵中的0-1之间的数据则处于0.8m-1.9m之间。基于此，目标网络模型在进行数据预测或数据泛化之后，得到的数据为0-1之间的归一化数据，则根据每个生理指标下的生理特征数据所对应的最大值和最小值，可以将各归一化数据还原为相应的生理特征数据。

S230、将待使用矩阵输入待训练网络模型中，并基于待使用矩阵对待训练网络模型进行训练，直至待训练网络模型的损失函数最小时，得到目标网络模型。

其中，待训练网络模型包括生成对抗网络模型、变分自编码器模型、扩散模型或基于流的生成模型中的任意一种。

具体的，以待训练网络模型为扩散模型为例，如图3所示，前向扩散过程对输入数据添加一定轮数的高斯噪声，每一轮的高斯噪声使用不同的均值和方差，且高斯分布的方差随时间递增。从任意分布出发，沿着马尔科夫链进行采样，最终的平稳分布均为标准高斯分布。此过程使得输入数据集，即待使用矩阵最终收敛为同维度的标准高斯噪声，从而完成对输入的待使用矩阵的重构。基于扩散模型的特性，任意时刻的加噪结果x

其中，x

在对扩散模型进行训练的过程中，优化目标为数据分布最大化模型生成分布的对数似然，优化目标所对应的损失函数如下：

其中，q(x

进一步的，使用变分推断的方式对优化目标进行化简，最小化负对数似然的变分上限即可最小化扩散模型的目标损失，简化得到的损失函数为：

其中，

基于此，对待训练网络模进行训练可以得到负责前向加噪过程的神经网络。

以扩散模型的采样过程为例，使用逆向扩散过程对噪声进行去噪推断，所述过程同样按照多轮时间步进行，且每一步的概率分布由前向扩散过程概率分布使用贝叶斯公式获得。从前向扩散过程最终得到的标准高斯噪声开始，每一轮将上一轮的还原结果和时间步信息作为训练得到的神经网络输入，进一步利用重参数化方法得到该轮的还原结果。随着时间步从总轮数T降低到1，还原结果逐渐接近真实的数据分布。最终完成对输入的人体数据集中各维度生理特征联合分布的还原。

其中，迭代过程中每一时间步的迭代公式为：

其中，X

其中，由于方差σ

基于上述对待训练网络模型的训练，在待训练网络模型的损失函数最小时，可以得到目标网络模型，以基于目标网络模型对目标对象在至少一个生理指标下的生理特征数据进行数据处理。

S240、获取目标对象在至少一个生理指标下的生理特征数据。

S250、确定与生理特征数据相对应的数据处理类型，并调取与数据处理类型相对应的目标网络模型。

S260、基于目标网络模型对生理特征数据进行处理，得到目标生理特征数据。

本实施例的技术方案，针对至少一个待处理对象，分别确定各待处理对象在至少两个生理指标下的待训练样本数据，并基于各待训练样本数据构建待处理矩阵，对待处理矩阵中的每一列进行归一化处理，得到相应的待拼接子矩阵，并拼接，得到待使用矩阵。在待使用矩阵中，包括与各待训练样本数据相对应的归一化数据，将待使用矩阵输入待训练网络模型中，并基于待使用矩阵对待训练网络模型进行训练，直至待训练网络模型的损失函数最小时，得到目标网络模型。在对待训练网络模型进行训练的过程中，通过在待使用矩阵中进行添加噪声处理，得到负责钱箱加噪过程的神经网络。进一步的，通过对该神经网络进行去噪处理，以达到对待使用矩阵进行重构的目的，并在待训练网络模型的损失函数最小时得到目标网络模型。进一步的，根据待使用矩阵中的每一列元素的最大值和最小值，对相应的归一化数据进行数据还原，以基于目标网络模型在对目标对象在至少一个生理指标下的生理特征数据进行数据预测处理或数据泛化处理时，得到生理特征数据更加符合真实分布的数据。解决了在现有技术中，模拟生理特征数据时，模拟的生理特征数据不符合真实生理特征数据分布的问题，达到了在符合真实生理特征数据分布规律的前提下，基于少量的生理特征数据进行数据泛化，得到充足的生理特征数据样本的效果。

实施例三

图4为本发明实施例三提供的一种数据处理装置的结构示意图。如图4所示，该装置包括：数据获取模块310、模型调取模块320和数据确定模块330。

其中，数据获取模块310，用于获取目标对象在至少一个生理指标下的生理特征数据；

模型调取模块320，用于确定与生理特征数据相对应的数据处理类型，并调取与数据处理类型相对应的目标网络模型；其中，数据处理类型包括数据泛化类型或数据预测类型；

数据确定模块330，用于基于目标网络模型对生理特征数据进行处理，得到目标生理特征数据。

本发明实施例的技术方案，通过获取目标对象在至少一个生理指标下的生理特征数据，通过对目标对象进行生理特征数据采集，或者从预先建立或现有的公共数据集中获取目标对象在至少一个生理指标下的生理特征数据。进一步的，根据实际应用中的数据处理要求，确定与所述生理特征数据相对应的数据处理类型，并调取与所述数据处理类型相对应的目标网络模型，以基于目标网络模型对各生理指标下的生理特征数据之间的关联关系进行分析，得到与数据处理类型相对应的目标生理特征数据。基于所述目标网络模型对所述生理特征数据进行处理，得到目标生理特征数据，具体的，在进行数据泛化处理时，基于目标网络模型确定与目标对象的生理特征数据所对应的生理特征曲线，并根据预设的数据泛化数量和数据泛化范围，基于该生理特征曲线进行数据泛化处理，得到至少一个目标生理特征曲线。在进行数据预测处理时，通过目标对象的至少一个生理指标下的生理特征数据，以及目标对象的基本属性信息，可以得到目标对象在其他生理指标下的生理特征数据进行数据预测。解决了在基于生理特征数据对药物特性进行评估时，生理特征数据样本不足，或者在模拟生理特征数据时，模拟的生理特征数据不符合真实生理特征数据分布的问题，达到了在符合真实生理特征数据分布规律的前提下，基于少量的生理特征数据进行数据泛化，得到充足的生理特征数据样本的效果。

可选的，数据处理装置，还包括：矩阵构建模块，用于针对至少一个待处理对象，分别确定各待处理对象在至少两个生理指标下的待训练样本数据，并基于各待训练样本数据构建待处理矩阵；其中，待处理矩阵中的各列表征待训练样本数据所对应的生理特征指标，待处理矩阵中的各行对应于待训练样本数据；

矩阵确定模块，用于对待处理矩阵中的每一列进行归一化处理，得到相应的待拼接子矩阵，并拼接，得到待使用矩阵；

模型确定模块，用于将待使用矩阵输入待训练网络模型中，并基于待使用矩阵对待训练网络模型进行训练，直至待训练网络模型的损失函数最小时，得到目标网络模型；其中，待训练网络模型包括生成对抗网络模型、变分自编码器模型、扩散模型或基于流的生成模型。

可选的，数据获取模块包括：第一数据获取单元，用于在目标显示界面中的至少一个编辑控件中，输入与目标对象在至少一个生理指标下的生理特征数据；或

第二数据获取单元，从目标数据库中，调取与目标对象在至少一个生理指标下的生理特征数据；其中，目标数据库中包括至少一个参考对象，以及与各参考对象在至少一个生理指标下的生理特征数据。

可选的，模型调取模块包括：数据处理方式确定单元，用于接收数据处理指令，并获取数据处理指令中的数据处理方式；其中，数据处理方式包括数据泛化方式或数据预测方式；

模型调取单元，用于基于数据处理方式和生理特征数据，确定相应的数据处理类型，并调取与数据处理类型相对应的目标网络模型。

可选的，数据确定模块包括：生理特征曲线确定单元，用于在数据处理方式为数据泛化方式时，基于目标网络模型，确定与生理特征数据相对应的生理特征曲线；

生理特征泛化曲线确定单元，用于确定生理特征曲线所对应的数据浮动范围，以从数据浮动范围中，得到预设数量的生理特征泛化曲线；

第一目标生理特征数据确定单元，用于基于各生理特征泛化曲线，得到与生理特征数据相对应的至少一组目标生理特征数据。

可选的，模型调取模块包括：待确定生理特征曲线确定单元，用于在数据处理方式为数据预测方式时，基于目标网络模型，确定与生理特征数据相匹配的至少一个待确定生理特征曲线；

目标生理特征曲线确定单元，用于根据目标对应所对应的基本属性信息，从至少一个待确定生理特征曲线中确定目标生理特征曲线；

第二目标生理特征数据确定单元，用于基于目标生理特征曲线，确定与目标对象相对应的目标生理特征数据。

可选的，生理特征数据包括身高、体重、体温数据、血压数据、心电数据以及生物组织数据中的至少一种。

本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5示出了本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如数据处理方法。

在一些实施例中，数据处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的数据处理方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。