基于智慧医疗的智能护理远程数据处理方法及系统

技术领域

本申请涉及智慧医疗领域，具体涉及一种基于智慧医疗的智能护理远程数据处理方法及系统。

背景技术

随着社会老龄化地到来，以及不可预估的社会化灾情地冲击，医疗系统的压力越来越大，医疗资源不足的情况下，对于医护人员的护理质量通过传统的人工考核的方式变得难以管理。基于社会治理从数字化到智慧化地过渡，智慧医疗的应用开始普及，然而，现有的智慧医疗体系中，大多仅针对医疗档案信息平台的建设、患者与医务系统地互动，实现信息化，对于医护人员的护理管理还有待完善。

发明内容

本申请提供了一种基于智慧医疗的智能护理远程数据处理方法及系统。

根据本申请的一方面，提供了一种基于智慧医疗的智能护理远程数据处理方法，应用于数据处理系统，方法包括如下步骤：接收护理评价指令，并响应于护理评价指令获取护理评价指令携带的编号信息；从护理数据库中调取编号信息对应的目标对象护理数据集，目标对象护理数据集包含目标对象在当前评估周期内的护理记录数据；其中，所述护理记录数据为文本信息；获取目标对象护理数据集包括的核心护理要素；基于护理数据嵌入映射网络挖掘目标对象护理数据集包括的数据分块的向量表征，以及基于护理评价嵌入映射网络挖掘事先部署的多个对比护理评价的向量表征；护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到；基于数据分块的向量表征和多个对比护理评价的向量表征，确定核心护理要素和各个对比护理评价之间的第一关联系数；基于第一关联系数，确定目标对象护理数据集和对比护理评价之间的第二关联系数；基于第二关联系数，从多个对比护理评价中确定目标护理评价，目标护理评价用于作为目标对象护理数据集的评价结果。

可选的实施方式中，确定核心护理要素和各个对比护理评价之间的第一关联系数，包括：将数据分块的向量表征和多个对比护理评价的向量表征分别进行关联计算，得到多个第一组元关联系数；基于多个第一组元关联系数，确定核心护理要素和多个对比护理评价之间的第一关联系数。

可选的实施方式中，基于多个第一组元关联系数，确定核心护理要素和多个对比护理评价之间的第一关联系数，包括：获取数据分块在目标对象护理数据集中的第一分布情况和核心护理要素在目标对象护理数据集中的第二分布情况；基于第一分布情况和第二分布情况，确定核心护理要素包括的多个目标数据分块；确定多个目标数据分块对应的第一组元关联系数的第一预设计算结果，将第一预设计算结果确定为核心护理要素和对比护理评价之间的第一关联系数；将数据分块的向量表征和多个对比护理评价的向量表征分别进行关联计算，包括：确定由多个对比护理评价的向量表征构建的向量表征集合；获取各个数据分块的向量表征和向量表征集合之间的数量积，得到多个第一组元关联系数。

可选的实施方式中，护理数据嵌入映射网络和护理评价嵌入映射网络的调试过程包括如下步骤：基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络进行首次调试，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络；基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络进行首次调试，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络；基于辗转实时护理评价嵌入映射网络和辗转护理数据嵌入映射网络，对辗转护理数据嵌入映射网络进行多轮调试，直到调试获得的第一误差结果小于第一预设误差值时停止调试，得到护理数据嵌入映射网络；基于辗转实时护理数据嵌入映射网络和辗转护理评价嵌入映射网络，对辗转护理评价嵌入映射网络进行多轮调试，直到调试获得的第二误差结果小于第二预设误差值时停止调试，得到护理评价嵌入映射网络。

可选的实施方式中，基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络进行首次调试，包括：基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，确定当前基础护理数据嵌入映射网络调试的第一误差结果；第一护理评价示例的向量表征通过实时护理评价嵌入映射网络输出，第一护理数据示例的数据分块向量表征通过基础护理数据嵌入映射网络输出；基于第一误差结果，分别对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络的网络参变量进行调节，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络。

可选的实施方式中，基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络进行首次调试，包括：基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，确定当前基础护理评价嵌入映射网络调试的第二误差结果；数据分块向量表征通过辗转实时护理数据嵌入映射网络输出，第二护理评价示例的向量表征通过基础护理评价嵌入映射网络输出；基于第二误差结果，分别对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络的网络参变量进行调节，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络。基于第一误差结果，分别对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络的网络参变量进行调节，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络，包括：基于第一误差结果调节基础护理数据嵌入映射网络的网络参变量，得到辗转护理数据嵌入映射网络；获取辗转护理数据嵌入映射网络辗转重复之前的参变量p1和辗转重复之后的参变量p2；基于参变量p1和参变量p2的第二预设计算结果，调节实时护理数据嵌入映射网络的网络参变量，得到辗转实时护理数据嵌入映射网络。

可选的实施方式中，基于第二误差结果，分别对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络的网络参变量进行调节，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络，包括：基于第二误差结果调节基础护理评价嵌入映射网络的网络参变量，得到辗转护理评价嵌入映射网络；获取辗转护理评价嵌入映射网络辗转重复之前的参变量p3和辗转重复之后的参变量p4；基于参变量p3和参变量p4的第二预设计算结果，调节实时护理评价嵌入映射网络的网络参变量，得到辗转实时护理评价嵌入映射网络。基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，确定当前基础护理评价嵌入映射网络调试的第二误差结果，包括：获取第二护理数据示例的核心护理要素，并基于核心护理要素包括的数据分块，确定第二护理数据示例的核心护理要素向量表征；将多个第二护理数据示例的核心护理要素向量表征分别保存至护理数据库；将第二护理评价示例加载到拟进行调试的基础护理评价嵌入映射网络，得到第二护理评价示例的向量表征；基于第二护理数据示例的核心护理要素向量表征和第二护理评价示例的向量表征，确定第二护理评价示例和多个第二护理数据示例之间的第二示例关联系数；基于第二示例关联系数，从多个第二护理数据示例中确定目标护理数据示例，并基于目标护理数据示例和事先部署的已注释护理数据确定当前调试的第二误差结果。

可选的实施方式中，将多个第二护理数据示例的核心护理要素向量表征分别保存至护理数据库中，包括：将每个第二护理数据示例对应的核心护理要素向量表征的向量容量设置为目标容量，将小于目标容量的位置用预设值进行补位，并将预设值确定为无效向量表征；采用核心护理要素编码组对核心护理要素向量表征集合中核心护理要素向量表征的性质进行编码。

可选的实施方式中，基于第一关联系数，确定目标对象护理数据集和对比护理评价之间的第二关联系数，包括：基于核心护理要素在目标对象护理数据集中的影响系数，确定各个核心护理要素对应的权值；依据各个核心护理要素对应的权值和核心护理要素对应的第一关联系数，得到目标对象护理数据集和对比护理评价之间的第二关联系数；或者，

从目标对象护理数据集的各个核心护理要素对应的第一关联系数中，确定最大的第一关联系数作为目标对象护理数据集和对比护理评价之间的第二关联系数。

根据本申请的另一方面，提供了一种数据处理系统，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述方法。

本申请至少包括如下有益效果：

在本申请实施例中，通过接收护理评价指令，并响应于护理评价指令获取护理评价指令携带的编号信息，从护理数据库中调取编号信息对应的目标对象护理数据集，目标对象护理数据集包含目标对象在当前评估周期内的护理记录数据，然后获取目标对象护理数据集包括的核心护理要素，基于护理数据嵌入映射网络挖掘所述目标对象护理数据集包括的数据分块的向量表征，以及基于护理评价嵌入映射网络挖掘事先部署的多个对比护理评价的向量表征，护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到，基于数据分块的向量表征和多个对比护理评价的向量表征，确定核心护理要素和各个对比护理评价之间的第一关联系数，基于第一关联系数，确定目标对象护理数据集和对比护理评价之间的第二关联系数，基于第二关联系数，从多个对比护理评价中确定目标护理评价，目标护理评价用于作为目标对象护理数据集的评价结果。上述过程中，基于目标对象护理数据集中的核心护理要素与对比护理评价进行关联，令核心护理要素的护理需求信息和护理评价的内容匹配，更加精细地将护理数据和护理评价进行关联，此外，用于挖掘向量表征的护理数据嵌入映射网络和护理评价嵌入映射网络，依据彼此在重复调试优化时的输出结果混合调试得到，采用对比学习的无监督调试过程使得网络的特征向量表征性能得到提升，进一步提升了护理数据和护理评价的护理信息匹配效果，准确性高。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本申请的实施例的基于智慧医疗的智能护理远程数据处理方法的应用场景示意图。

图2示出了根据本申请的实施例的一种基于智慧医疗的智能护理远程数据处理方法的流程图。

图3示出了根据本申请的实施例的数据处理装置的功能模块架构示意图。

图4示出了根据本申请的实施例的一种数据处理系统的组成示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。在本申请中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。在本申请中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本申请中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

如图1所示，本申请实施例提供的方法的应用场景中，一个或多个远程请求方101通过通信网络110与数据处理系统120连接。

在本申请的实施例中，数据处理系统120可以运行使得能够执行基于智慧医疗的智能护理远程数据处理方法的一个或多个服务或软件应用。在某些实施例中，数据处理系统120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给远程请求方101的用户。在图1所示的配置中，数据处理系统120可以包括实现由数据处理系统120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作远程请求方101的用户可以依次利用一个或多个应用程序来与数据处理系统120进行交互以利用这些组件提供的服务。应当理解，各种不同的场景配置是可能的，其可以与上述架构不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

在护理评价场景中，远程请求方101可以是任意能够上传护理数据的电子设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等，这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。相关设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。评价请求方可以使用远程请求方101上传护理数据。网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。数据处理系统120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。数据处理系统120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，数据处理系统120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

数据处理系统120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。数据处理系统120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。在一些实施方式中，数据处理系统120可以包括一个或多个应用程序，以分析和合并从远程请求方101的用户接收的数据馈送和/或事件更新。数据处理系统120还可以包括一个或多个应用程序，以经由远程请求方101的一个或多个显示设备来显示数据馈送和/或实时事件。在一些实施方式中，数据处理系统120可以为分布式系统的服务器，或者是结合了区块链的服务器。数据处理系统120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

数据处理系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储护理数据和护理评价。数据库130可以驻留在各种位置。例如，由数据处理系统120使用的数据库可以在数据处理系统120本地，或者可以远离数据处理系统120且可以经由基于网络或专用的连接与数据处理系统120通信。数据库130可以是不同的类型。在某些实施例中，由数据处理系统120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

下面介绍本申请一个实施例中提供的基于智慧医疗的智能护理远程数据处理方法，请参照图2，该实施例提供的基于智慧医疗的智能护理远程数据处理方法包括如下步骤100~700：

100：接收护理评价指令，并响应于护理评价指令获取护理评价指令携带的编号信息。

本申请实施例中，护理评价指令通过远程请求方发送或者通过服务器定时生成，远程请求方例如为医院的护理区、家庭护理指导等。护理评价指令可以是设置在远程请求方的电子设备按照预设的周期自动发送，或者通过远程请求方的人工手动发送。护理评价指令中携带的编号信息用于指示对应的远程请求方，以便进行辨别，同一远程请求方可以按照预设的周期发送护理评价指令，每个周期发送的护理评价指令中的编号信息可以相同。

200：从护理数据库中调取编号信息对应的目标对象护理数据集，目标对象护理数据集包含目标对象在当前评估周期内的护理记录数据。

护理数据库中存储有多个对象护理数据集，以及每个对象的历史护理数据集。可以理解，每个对象的护理数据集对应唯一编号。通过该唯一编号即可准确调取对应的目标对象护理数据集。护理记录数据中可以包含历史周期中，护理人员记录的对目标对象进行护理的过程数据，包括但不限于给药频率、给药剂量、按摩次数、清理频率及内容、身体指标检测事项等，远程请求方的电子设备通过将护理人员记录的数据进行量化后进行存储并定期上传至服务端保存至护理数据库中，举例而言，护理记录数据可以为文本信息。评估周期的具体周期范围可以根据实际情况进行适配，例如一周，本申请实施例对此不做限定。

300：获取目标对象护理数据集包括的核心护理要素。

核心护理要素为目标对象护理数据集中标注出的重点护理维度所对应的护理数据，例如创口清理、生命指征监测等维度产生的护理数据。

400：基于护理数据嵌入映射网络挖掘目标对象护理数据集包括的数据分块的向量表征，以及基于护理评价嵌入映射网络挖掘事先部署的多个对比护理评价的向量表征。

其中，护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化（即辗转调试或迭代调试）时的输出结果混合调试得到，通过交替调试进行彼此信息的学习，目标对象护理数据集包括多个数据分块。对比护理评价提前保存在服务器的数据库中，对比护理评价作为可以进行对应的护理评价，其中包含了针对目标对象的护理过程的评价内容及匹配的护理参考数据，其中，评价内容可通过分值进行体现，护理参考数据例如是归纳统计得到常规护理数据，可以理解，对比护理评价的数量越多，核心护理要素和对比护理评价的对比更准确。

护理数据嵌入映射网络和护理评价嵌入映射网络均可以是基于注意力机制的Transformer模型，例如具体可以是BERT模型，通过调试获得的护理数据嵌入映射网络能够挖掘出更准确地护理数据的特征信息。

例如，将目标对象护理数据集加载到护理数据嵌入映射网络（通过嵌入映射进行编码的网络），目标对象护理数据集经护理数据嵌入映射网络中的数据分解模块被拆分为多个数据分块，然后护理数据嵌入映射网络分别挖掘每个数据分块的向量表征，得到目标对象护理数据集的数据分块的向量表征，该向量表征包含数据分块的特征信息。当然，护理数据嵌入映射网络和护理评价嵌入映射网络也可以采用其他的机器学习模型架构进行调试得到，例如LSTM、CNN等。

本申请实施例在护理数据嵌入映射网络和护理评价嵌入映射网络的调试过程中，是混合执行的，换言之是交替执行的，具体地，通过护理数据-护理评价对比误差获取辗转实时护理数据嵌入映射网络，而辗转实时护理数据嵌入映射网络用于输出护理评价-护理数据对比误差中的数据分块向量表征，实时护理数据嵌入映射网络例如是MomentumEncoder，辗转实时护理数据嵌入映射网络是经过迭代后的Momentum Encoder，后续实时护理评价嵌入映射网络作同样理解。引入实时护理数据嵌入映射网络，使得当前时刻的输出不完全有当前时刻的网络参变量决定，还取决于上一时刻的网络参变量，使得网络的更新缓慢下来，一致性更强。之后通过护理评价-护理数据对比误差得到辗转实时护理评价嵌入映射网络，辗转实时护理评价嵌入映射网络则用于下一轮调试输出第一护理评价示例的向量表征，以上过程按序交替执行。那么，护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到。

500：基于数据分块的向量表征和多个对比护理评价的向量表征，确定核心护理要素和各个对比护理评价之间的第一关联系数。

例如，分别确定每个数据分块的向量表征和各个对比护理评价的向量表征之间的关联系数（表征二者之间的匹配程度），并确定各个数据分块所属的核心护理要素，再基于核心护理要素所包括的数据分块与各个对比护理评价的向量表征之间的关联系数，得到核心护理要素和各个对比护理评价之间的第一关联系数。

600：基于第一关联系数，确定目标对象护理数据集和对比护理评价之间的第二关联系数。

目标对象护理数据集由多个核心护理要素组成，各个核心护理要素与对比护理评价的第一关联系数决定了目标对象护理数据集与对比护理评价的第二关联系数。由于各个核心护理要素在目标对象护理数据集中的影响系数不同，则可基于核心护理要素的影响系数和第一关联系数一起确定目标对象护理数据集与对比护理评价之间的第二关联系数，如此得到目标对象护理数据集与各个对比护理评价之间的第二关联系数。

700：基于第二关联系数，从多个对比护理评价中确定目标护理评价，目标护理评价用于作为目标对象护理数据集的评价结果。

第二关联系数表征目标对象护理数据集的向量表征和对比护理评价的向量表征之间的共性度量结果，即相似性。那么，第二关联系数越大，目标对象护理数据集和对比护理评价的匹配程度越高。那么，可从各个对比护理评价对应的第二关联系数中选择第二关联系数靠前的多个对比护理评价，作为目标对象护理数据集的评价结果的目标护理评价，同时将目标护理评价返回远程请求方。

本申请实施例提供的方法通过接收护理评价指令，并响应于护理评价指令获取护理评价指令携带的编号信息，从护理数据库中调取编号信息对应的目标对象护理数据集，目标对象护理数据集包含目标对象在当前评估周期内的护理记录数据，然后获取目标对象护理数据集包括的核心护理要素，基于护理数据嵌入映射网络挖掘所述目标对象护理数据集包括的数据分块的向量表征，以及基于护理评价嵌入映射网络挖掘事先部署的多个对比护理评价的向量表征，护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到，基于数据分块的向量表征和多个对比护理评价的向量表征，确定核心护理要素和各个对比护理评价之间的第一关联系数，基于第一关联系数，确定目标对象护理数据集和对比护理评价之间的第二关联系数，基于第二关联系数，从多个对比护理评价中确定目标护理评价，目标护理评价用于作为目标对象护理数据集的评价结果。上述过程中，基于目标对象护理数据集中的核心护理要素与对比护理评价进行关联，令核心护理要素的护理需求信息和护理评价的内容匹配，更加精细地将护理数据和护理评价进行关联，此外，用于挖掘向量表征的护理数据嵌入映射网络和护理评价嵌入映射网络，依据彼此在重复调试优化时的输出结果混合调试得到，采用对比学习的无监督调试过程使得网络的特征向量表征性能得到提升，进一步提升了护理数据和护理评价的护理信息匹配效果，准确性高。

作为本申请实施例的另一种实施例，基于智慧医疗的智能护理远程数据处理方法包括：。

101：接收护理评价指令，并响应于护理评价指令获取护理评价指令携带的编号信息。

102：从护理数据库中调取编号信息对应的目标对象护理数据集，目标对象护理数据集包含目标对象在当前评估周期内的护理记录数据。

103：获取目标对象护理数据集包括的核心护理要素。

104：基于护理数据嵌入映射网络挖掘所述目标对象护理数据集包括的数据分块的向量表征，以及基于护理评价嵌入映射网络挖掘事先部署的多个对比护理评价的向量表征。

其中，护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到。

在本申请实施例中，上述步骤101~104可参考前述步骤100~400。

105：将数据分块的向量表征和事先部署的多个对比护理评价的向量表征分别进行关联计算，得到多个第一组元关联系数。

数据分块的向量表征和对比护理评价的向量表征为对应的数据的特征矢量，可以通过计算数据分块的向量表征和事先部署的多个对比护理评价的向量表征的共性度量结果（可基于计算两个向量之间的距离来确定，如欧几里得距离，距离越小，共性度量结果越大）来确定关联系数，共性度量结果越大，关联系数越大。本申请实施例中，将数据分块的向量表征分别与各个对比护理评价的向量表征之间的共性度量结果作为第一组元关联系数。

可选地实施方式，将数据分块的向量表征和事先部署的多个对比护理评价的向量表征分别进行关联计算，可以包括：

1051：确定由多个对比护理评价的向量表征构建的向量表征集合。

1052：获取各个数据分块的向量表征和向量表征集合之间的数量积，得到多个第一组元关联系数。

其中，多个对比护理评价的向量表征构建一个向量表征集合，基于数量积相似度性计算目标对象护理数据集和对比护理评价之间的关联系数，例如，各自计算数据分块的向量表征和向量表征集合间的数量积，得到目标对象护理数据集的数据分块和各个对比护理评价对应的第一组元关联系数。例如，确定数据分块1、2、3、4的向量表征和对比护理评价a的向量表征的第一组元关联系数分别为0.21、0.33、0.56、0.71，和对比护理评价b的向量表征的第一组元关联系数分别为0.43、0.65、0.89、0.52。

106：基于多个第一组元关联系数，确定核心护理要素和多个对比护理评价之间的第一关联系数。

核心护理要素由多个数据分块组成，每个数据分块与一个对比护理评价分别对应一第一组元关联系数，核心护理要素的多个数据分块与一个对比护理评价对应多个第一组元关联系数，通过将各个数据分块的第一组元关联系数进行均值计算，抑或进行相加等方式得到核心护理要素与对比护理评价之间的第一关联系数。

举例而言，基于第一组元关联系数，核心护理要素A（由确定数据分块1和2组成）与对比护理评价a的第一关联系数为(0.21+0.33)÷2=0.27，核心护理要素A与对比护理评价b的第一关联系数为(0.43+0.65)÷2=0.54。那么，目标对象护理数据集的核心护理要素与对比护理评价a的第一关联系数为0.27、0.56、0.71，目标对象护理数据集的核心护理要素与对比护理评价2的第一关联系数为0.54、0.89、0.52。

可选地实施方式，基于多个第一组元关联系数，确定核心护理要素和多个对比护理评价之间的第一关联系数，可以包括：

1061：获取数据分块在目标对象护理数据集中的第一分布情况和核心护理要素在目标对象护理数据集中的第二分布情况。

1062：基于第一分布情况和第二分布情况，确定核心护理要素包括的多个目标数据分块。

1063：确定多个目标数据分块对应的第一组元关联系数的第一预设计算结果，将第一预设计算结果确定为核心护理要素和对比护理评价之间的第一关联系数。

其中，第一分布情况表征数据分块在目标对象护理数据集中的分布位置，第二分布情况表征核心护理要素在目标对象护理数据集中的分布位置。护理数据嵌入映射网络在输出目标对象护理数据集的数据分块向量表征时，一并输出数据分块的在目标对象护理数据集中的第一分布情况。挖掘核心护理要素的过程中，一并输出核心护理要素的第二分布情况。基于以上两分布情况，可确定同属一个核心护理要素的数据分块，将核心护理要素和数据分块匹配起来。获取了核心护理要素包括的目标数据分块后，将目标数据分块对应的第一组元关联系数进行融合，得到核心护理要素和对比护理评价之间的第一关联系数。例如，将目标数据分块对应的第一组元关联系数进行融合的过程为获取第一组元关联系数第一预设计算结果，如求均值或求和。

步骤106后，本申请实施例提供的方法还可以包括107和108，或者109。

107：基于核心护理要素在目标对象护理数据集中的影响系数，确定核心护理要素对应的权值。

例如将核心护理要素在目标对象护理数据集中的影响系数基于归一化指数函数进行计算得到概率分布，以获取各核心护理要素在目标对象护理数据集中的权值。

108：依据各个核心护理要素对应的权值和核心护理要素对应的第一关联系数，得到目标对象护理数据集和对比护理评价之间的第二关联系数。

基于核心护理要素对应的权值和第一关联系数进行加权求和，在衡量不同核心护理要素的影响系数（重要性）的前提下，为核心护理要素的向量表征分配合适的权值，第二关联系数更可靠。在其他实施例中，权值计算并非必要，可将核心护理要素对应的第一关联系数求和得到目标对象护理数据集和对比护理评价之间的第二关联系数。

109：从目标对象护理数据集的各个核心护理要素对应的第一关联系数中，确定最大的第一关联系数作为目标对象护理数据集和对比护理评价之间的第二关联系数。

最大的第一关联系数对应的核心护理要素为与对比护理评价最关联，匹配程度最高的核心护理要素，将其确定为目标对象护理数据集和对比护理评价之间的第二关联系数，可更加高效获取第二关联系数。在其他实施方式中，还可以取目标对象护理数据集中各个核心护理要素对应的第一关联系数的均值，将其确定为第二关联系数。

110：基于第二关联系数，从多个对比护理评价中确定目标护理评价。 目标护理评价用于作为目标对象护理数据集的评价结果。

第二关联系数表征目标对象护理数据集的向量表征和对比护理评价的向量表征的匹配程度，第二关联系数越大，目标对象护理数据集和对比护理评价越近似。可从各对比护理评价对应的第二关联系数中确定第二关联系数靠前的多个对比护理评价作为目标护理评价。

与第一个实施例（步骤100~700）相比，本实施例（101~110）中还将数据分块的向量表征和事先部署的多个对比护理评价的向量表征分别进行关联计算，得到多个第一组元关联系数，基于多个第一组元关联系数，确定核心护理要素和多个对比护理评价之间的第一关联系数，将目标对象护理数据集的向量表征细化到数据分块以提升匹配能力，此外，基于核心护理要素对应的权值和第一关联系数进行加权求和，不仅衡量了不同核心护理要素的影响系数，还为核心护理要素的向量表征分配合理的权值，令目标对象护理数据集和对比护理评价的第二关联系数更可靠，抑或确定最大的第一关联系数为目标对象护理数据集和对比护理评价的第二关联系数，高效地获取第二关联系数。

本申请实施例还提供了护理数据嵌入映射网络和护理评价嵌入映射网络的调试过程，具体包括：

11：基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络进行首次调试，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络。

12：基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据（例如通过标记进行标注），对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络进行首次调试，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络。

13：基于辗转实时护理评价嵌入映射网络和辗转护理数据嵌入映射网络，对辗转护理数据嵌入映射网络进行多轮调试，直到调试获得的第一误差结果小于第一预设误差值时停止调试，得到护理数据嵌入映射网络。

14：基于辗转实时护理数据嵌入映射网络和辗转护理评价嵌入映射网络，对辗转护理评价嵌入映射网络进行多轮调试，直到调试获得的第二误差结果小于第二预设误差值时停止调试，得到护理评价嵌入映射网络。

上述步骤中，第一护理数据示例和第一护理评价示例例如是从历史数据中总结的数据，首次调试时，第一护理数据示例为一个待对应的护理数据示例，第一护理评价示例为拟与第一护理数据示例进行适配的护理评价示例。将多个第一护理评价示例加载到实时护理评价嵌入映射网络，以及将第一护理数据示例加载到基础护理数据嵌入映射网络，采用网络处理输出和第一护理数据示例匹配的目标护理评价示例，将该目标护理评价示例与已注释护理评价进行比较，获得第一误差结果。基于第一误差结果去优化调节基础护理数据嵌入映射网络和实时护理数据嵌入映射网络，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络。再基于优化调节后的辗转实时护理数据嵌入映射网络，进行基础护理评价嵌入映射网络的调试，获得第二误差结果。基于第二误差结果对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络进行调试，基于调试优化后的辗转实时护理数据嵌入映射网络，进行辗转护理数据嵌入映射网络的调试直至第一误差结果和第二误差结果小于对应的第一预设误差值和第二预设误差值，网络达到收敛，此时可以结束调试，如此获得护理数据嵌入映射网络和护理评价嵌入映射网络。

可选地，将多个第一护理评价示例加载到实时护理评价嵌入映射网络，并将通过实时护理评价嵌入映射网络的第一护理评价示例保存到护理评价数据库，以及将第一护理数据示例加载到基础护理数据嵌入映射网络，通过网络处理得到与第一护理数据示例匹配的目标护理评价示例，将目标护理评价示例与已注释护理评价进行比较，得到第一误差。基于第一误差调试优化基础护理数据嵌入映射网络和实时护理数据嵌入映射网络。再基于调试后的辗转实时护理数据嵌入映射网络，进行基础护理评价嵌入映射网络的调试，得到第二误差。基于第二误差对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络进行调试，基于调试优化后的辗转实时护理数据嵌入映射网络，进行辗转护理数据嵌入映射网络的调试。在第一误差和第二误差小于对应的第一预设误差值和第二预设误差值时截止，此时调试完成。

上述过程中，通过基础护理评价嵌入映射网络、实时护理评价嵌入映射网络、基础护理数据嵌入映射网络、实时护理数据嵌入映射网络进行辗转调试完成迭代，得到护理数据嵌入映射网络和护理评价嵌入映射网络，护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到，采用对比学习的无监督调试过程使得网络的特征向量表征性能得到提升，进一步提升了护理数据和护理评价的护理信息匹配效果，准确性高，实时性能优异。

可选地，步骤11具体可以包括：

111：基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，确定当前基础护理数据嵌入映射网络调试的第一误差结果；第一护理评价示例的向量表征通过实时护理评价嵌入映射网络输出，第一护理数据示例的数据分块向量表征通过基础护理数据嵌入映射网络输出。

112：基于第一误差结果，分别对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络的网络参变量进行调节，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络。

上述步骤中，将作为目标对象护理数据集的第一护理数据示例加载到基础护理数据嵌入映射网络，得到第一护理数据示例的数据分块向量表征。基础护理数据嵌入映射网络为拟进行调试的神经网络。此外，将多个第一护理评价示例加载到实时护理评价嵌入映射网络，得到第一护理评价示例的向量表征，将第一护理评价示例的向量表征保存至护理评价数据库，方便后续应用。与前述实施例对应地，获取第一护理数据示例的核心护理要素，基于第一护理数据示例的数据分块向量表征和第一护理评价示例的向量表征，确定数据分块与护理评价示例的关联系数，再基于数据分块在第一护理数据示例中的分布情况，确定核心护理要素和第一护理评价示例之间的关联系数，以得到第一护理数据示例和多个第一护理评价示例之间的第一示例关联系数，最后基于第一示例关联系数确定目标护理评价示例。

获取到目标护理评价示例后，将其与实现标记的与第一护理数据示例最相似的已注释护理评价进行比较，例如将目标护理评价示例的向量表征与已注释护理评价的向量表征进行比较，基于比较结果得到当前调试的第一误差结果。判断第一误差结果是否小于事先部署的第一预设误差值，如果不小于，那么基于第一误差结果调节基础护理数据嵌入映射网络的网络参变量，得到辗转护理数据嵌入映射网络，同时依据第一误差结果调节实时护理数据嵌入映射网络的网络参变量，得到辗转实时护理数据嵌入映射网络。

可选地，步骤12具体可以包括：

121：基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，确定当前基础护理评价嵌入映射网络调试的第二误差结果。

其中，数据分块向量表征通过辗转实时护理数据嵌入映射网络输出，第二护理评价示例的向量表征通过基础护理评价嵌入映射网络输出。

122：基于第二误差结果，分别对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络的网络参变量进行调节，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络。

上述步骤中，基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，确定当前基础护理评价嵌入映射网络调试的第二误差结果。其中，数据分块向量表征通过上述的辗转实时护理数据嵌入映射网络输出，第二护理评价示例的向量表征通过基础护理评价嵌入映射网络输出。

确定第二误差结果是否小于事先部署的第二预设误差值，如果不小于，则基于第二误差结果调节基础护理评价嵌入映射网络的网络参变量，得到辗转护理评价嵌入映射网络，同时基于第二误差结果得到的第二预设计算结果（通过移动平均值计算得到的结果），调节实时护理评价嵌入映射网络的网络参变量，得到辗转实时护理评价嵌入映射网络。

可选地，步骤121具体可以包括：

1211：获取第二护理数据示例的核心护理要素，并基于核心护理要素包括的数据分块，确定第二护理数据示例的核心护理要素向量表征。

1212：将多个第二护理数据示例的核心护理要素向量表征分别保存至护理数据库。

1213：将第二护理评价示例加载到拟进行调试的基础护理评价嵌入映射网络，得到第二护理评价示例的向量表征。

1214：基于第二护理数据示例的核心护理要素向量表征和第二护理评价示例的向量表征，确定第二护理评价示例和多个第二护理数据示例之间的第二示例关联系数。

1215：基于第二示例关联系数，从多个第二护理数据示例中确定目标护理数据示例，并基于目标护理数据示例和事先部署的已注释护理数据确定当前调试的第二误差结果。

上述过程的目的为确定当前基础护理评价嵌入映射网络调试的第二误差结果，和前述方式对应地，获取第二护理数据示例的核心护理要素，基于核心护理要素所包括的数据分块，得到核心护理要素的向量表征。将核心护理要素的向量表征与第二护理评价示例的向量表征进行关联计算，得到第二示例关联系数，将第二示例关联系数最大的第二护理数据示例确定为目标护理数据示例，基于目标护理数据示例和已注释护理数据确定第二误差。

在本申请实施例的步骤1212中，将多个第二护理数据示例的核心护理要素向量表征分别保存至护理数据库，可以针对核心护理要素的向量表征进行更惊喜得保存，为以后的比较进行预处理，更加方便高效。

可选地，基于第一误差结果，分别对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络的网络参变量进行调节，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络，具体可以包括：基于第一误差结果调节基础护理数据嵌入映射网络的网络参变量，得到辗转护理数据嵌入映射网络；获取辗转护理数据嵌入映射网络辗转重复之前的参变量parameter1（简称P1，后续p2~p4作同样理解）p1和辗转重复之后的参变量p2；基于参变量p1和参变量p2的第二预设计算结果，调节实时护理数据嵌入映射网络的网络参变量，得到辗转实时护理数据嵌入映射网络。

基于第二误差结果，分别对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络的网络参变量进行调节，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络，具体可以包括：基于第二误差结果调节基础护理评价嵌入映射网络的网络参变量，得到辗转护理评价嵌入映射网络；获取辗转护理评价嵌入映射网络辗转重复之前的参变量p3和辗转重复之后的参变量p4；基于参变量p3和参变量p4的第二预设计算结果，调节实时护理评价嵌入映射网络的网络参变量，得到辗转实时护理评价嵌入映射网络。

本申请实施例中，出于优化扰动监督情况中的学习能力的目的，基于实时护理评价嵌入映射网络（Momentum Encoder架构）清理扰动数据对护理评价嵌入映射网络调试时的扰动，其中，实时护理评价嵌入映射网络的网络架构和基础护理评价嵌入映射网络的网络架构是相同的，但实时护理评价嵌入映射网络的调试优化通过移动平均计算进行。对应地，基于实时护理数据嵌入映射网络清理扰动数据对护理数据嵌入映射网络调试时的扰动，其中，实时护理数据嵌入映射网络的网络组成与基础护理数据嵌入映射网络的网络组成相同，实时护理数据嵌入映射网络的调试优化通过移动平均计算进行。例如，网络调试时，对实时护理评价嵌入映射网络和基础护理评价嵌入映射网络，包括针对实时护理数据嵌入映射网络和基础护理数据嵌入映射网络，同时进行调试、更新，其中，实时护理评价嵌入映射网络和实时护理数据嵌入映射网络的更新过程中，通过移动平均计算进行，由前述内容可知，其网络参变量的更新速度是缓慢的，与之不同的是，基础护理数据嵌入映射网络是基于当前加载到数据直接更新的，与过往数据的联系并不紧密。

具体而言，实时护理数据嵌入映射网络通过辗转护理数据嵌入映射网络辗转重复之前的参变量p1和辗转重复之后的参变量p2的加权第一预设计算结果来完成更新。实时护理评价嵌入映射网络通过辗转护理评价嵌入映射网络辗转重复之前的参变量p3和辗转重复之后的参变量p4的加权第一预设计算结果完成更新。基于此，一旦加载到扰动数据，一般的嵌入映射网络将被扰动，调试得到的结果不理想，但是针对实时嵌入映射网络，因为依赖过往网络参数进行参考约束，受到的影响更小，鲁棒性更高。基于两种类型的嵌入映射网络一起进行调试，使得二者调试相辅相成，提高参变量结果优良性地前提下，保证网络调试的效率。

可选地，将多个第二护理数据示例的核心护理要素向量表征分别保存至护理数据库中，具体可以包括：

（1）将每个第二护理数据示例对应的核心护理要素向量表征的向量容量设置为目标容量，将小于目标容量的位置用预设值（例如0）进行补位，并将预设值确定为无效向量表征。

（2）依据核心护理要素编码组对核心护理要素向量表征集合中核心护理要素的性质进行编码。

上述过程中，将每个第二护理数据示例的的核心护理要素向量表征的向量容量设置为目标容量，换言之，每个第二护理数据示例的核心护理要素向量表征的容量大小相同，便于从向量集合中一次挖掘数据。因为第二护理数据示例的数据量不确定，对应的核心护理要素也不确定，那么基于核心护理要素编码组（例如各种记号组成的组）记录核心护理要素向量表征集合中有效的向量表征和无效向量表征（如0、1，0代表无效，1代表有效）。

对于护理数据库，例如核心护理要素最多为10个，如果护理数据集的核心护理要素个数为7，那么护理数据集的核心护理要素向量表征中存储源于实时护理数据嵌入映射网络的7个有效向量表征，其余位置进行补位。

在其他应用场景中，本申请实施例还可以提供拟配对护理评价和参考护理数据集进行对应的过程，其思路和前述基于护理数据集确定目标护理评价的思路可以近似，具体包括：

901：获取拟配对护理评价的向量表征。

902：确定拟配对护理评价的向量表征和事先部署的多个参考护理数据集的向量表征之间的第三关联系数；参考护理数据集的向量表征基于参考护理数据集的核心护理要素的向量表征和核心护理要素在参考护理数据集中的影响系数确定。

903：基于第三关联系数，从多个参考护理数据集中确定目标护理数据集。

上述过程依旧可以基于以上提供的调试完成的护理数据嵌入映射网络和护理评价嵌入映射网络。例如，基于护理评价嵌入映射网络获取拟配对护理评价的向量表征，基于护理数据嵌入映射网络获取参考护理数据集的数据分块的向量表征。再基于数据分块的向量表征和参考护理数据集的向量表征之间的关联系数，得到核心护理要素的向量表征和参考护理数据集的向量表征之间的关联系数，接着将核心护理要素在参考护理数据集中的影响系数进行结合，得到拟配对护理评价的向量表征和多个参考护理数据集的向量表征之间的第三关联系数。从第三关联系数较高的参考护理数据集中确定与拟配对护理评价最为匹配的目标护理数据集。

本申请实施例，通过获取拟配对护理评价的向量表征，确定拟配对护理评价的向量表征和事先部署的多个参考护理数据集的向量表征之间的第三关联系数，参考护理数据集的向量表征基于参考护理数据集的核心护理要素的向量表征和核心护理要素在参考护理数据集中的影响系数确定，基于第三关联系数，从多个参考护理数据集中确定目标护理数据集。依据参考护理数据集中的核心护理要素与拟配对护理评价进行关联，令核心护理要素的护理需求信息和护理评价的内容匹配，更加精细地将护理数据和护理评价进行关联。

根据本申请的另一方面，还提供一种数据处理装置，请参图3，装置900包括：

指令获取模块910，用于接收护理评价指令，并响应于护理评价指令获取护理评价指令携带的编号信息；

数据调取模块920，用于从护理数据库中调取编号信息对应的目标对象护理数据集，目标对象护理数据集包含目标对象在当前评估周期内的护理记录数据；

要素确定模块930，用于获取目标对象护理数据集包括的核心护理要素；

特征挖掘模块940，用于基于护理数据嵌入映射网络挖掘目标对象护理数据集包括的数据分块的向量表征，以及基于护理评价嵌入映射网络挖掘事先部署的多个对比护理评价的向量表征；护理数据嵌入映射网络和护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到；

关联确定模块950，用于基于数据分块的向量表征和多个对比护理评价的向量表征，确定核心护理要素和各个对比护理评价之间的第一关联系数；以及，基于第一关联系数，确定目标对象护理数据集和对比护理评价之间的第二关联系数；

评价确定模块960，用于基于第二关联系数，从多个对比护理评价中确定目标护理评价，目标护理评价用于作为目标对象护理数据集的评价结果。

根据本申请的实施例，还提供了一种电子设备（数据处理系统）、一种可读存储介质和一种计算机程序产品。

请参考图4，为本申请的电子设备1000（即数据处理系统）的结构框图，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元10010。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元10010允许电子设备1000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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1001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。计算单元1001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计算单元、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。计算单元1001执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

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)、复杂可编程逻辑设备(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。用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

在本申请的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)和互联网。计算机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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。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，本申请中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。虽然已经参照附图描述了本申请的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本申请中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本申请之后出现的等同要素进行替换。