基于兽医口腔护理健康测试生成健康报告的系统和方法

相关申请的交叉引用

本申请要求于2021年11月12日提交的、美国专利申请号63/278,689的优先权，其全部内容通过引用并入本文。

技术领域

本公开的各种实施例通常涉及用于生成与宠物口腔健康相关的语句(statement)的系统和方法，并且更具体地，涉及使用解释逻辑或机器学习技术分析具有基因测试结果的宠物数据以生成宠物口腔健康报告的语句的系统、计算机实施的方法和非暂时性计算机可读介质。

背景技术

通过定期拜访兽医来评估宠物的口腔健康以及因宠物口腔卫生不良而导致的疾病(例如牙龈病、牙周病)，并在必要时进行治疗。然而，由于宠物主人不经常去看兽医、口腔护理不当以及缺乏有关宠物牙齿健康的知识，宠物的牙周病症状经常得不到治疗。未能解决牙周病的症状会增加病情恶化的可能性。

此外，尽管牙周病是宠物的第一大健康问题，但其诊断率仍然很低。尽管如此，通过早期发现和适当的口腔护理和/或治疗，宠物的牙周病是可以预防的。因此，需要一种系统和方法来分析宠物的综合数据集，以评估宠物的牙周病状况，并根据分析为宠物主人和兽医生成口腔健康报告。

本文提供的背景描述旨在概括呈现本公开内容的上下文。除非本文另有说明，本节所述材料并非本申请的权利要求的现有技术，也不因包含在本节中而被承认其为现有技术或现有技术的建议。

发明内容

根据本公开的某些方面，公开了计算机实施的方法、系统和非暂时性计算机可读介质，用于分析与宠物相关联的基因测试结果的宠物数据、基于分析确定结果值、以及确定与结果值相关联的一个或多个结果语句。本公开的计算机实施的方法、系统和非暂时性计算机可读介质还可以基于一个或多个结果语句生成一个或多个健康报告。

在一个方面，示例性的计算机实施的方法可以包括由一个或多个第一处理器从一个或多个数据源接收与实体相关联的宠物数据，以及由一个或多个第一处理器从基因测试结果数据库接收基因测试结果。该方法还可以包括由一个或多个第一处理器使用解释逻辑数据结构分析从一个或多个数据源接收的宠物数据和从基因测试结果数据库接收的基因测试结果数据。后续步骤可以包括：由一个或多个第一处理器基于分析确定与宠物数据和基因测试结果数据相关联的结果值；由一个或多个第一处理器确定与结果值相关联的一个或多个结果语句；以及由一个或多个第一处理器基于一个或多个结果语句生成一个或多个健康报告。

在一些实施例中，解释逻辑数据结构可以包括多个结果值、以及与每个结果值相关联的结果语句的组合。解释逻辑数据结构可以为多个结果值中的每一个定义基因测试结果范围、牙周病风险范围和口臭状况。在至少一个示例中，结果语句的组合中的每一个可以包括诊断或口腔护理建议中的至少一个。在一些示例中，一份或多份健康报告包括宠物主人报告和/或兽医报告。

在另一个方面，示例性系统可以包括基因测试结果数据库和解释逻辑数据结构。该系统还可以包括牙周病风险确定组件。牙周病风险确定组件可以由一个或多个第一处理器执行。所述牙周病风险确定组件可以被配置为从数据库或一个或多个用户设备接收一个或多个牙周病属性，并基于分析确定牙周病风险水平。牙周病风险确定组件还可以被配置为基于确定的牙周病风险水平生成牙周病风险数据。

本公开的示例性系统还可以包括由一个或多个第二处理器执行的分析模块。分析模块可以被配置为从一个或多个数据源接收与实体相关联的宠物数据，其中宠物数据至少包括来自牙周病风险确定组件的牙周病风险数据。分析模块可以被配置为从基因测试结果数据库接收基因测试结果。分析模块还可以被配置为使用解释逻辑数据结构分析从一个或多个数据源接收的宠物数据与从基因测试结果数据库接收的基因测试结果，并基于分析确定与宠物数据和基因测试结果相关联的结果值。

在另一方面，示例性的非暂时性计算机可读介质存储可由一个或多个处理器执行的指令。当由一个或多个处理器执行时，示例性的非暂时性计算机可读介质所存储的指令可以使得一个或多个处理器从一个或多个数据源接收与实体相关联的宠物数据、和从基因测试结果数据库接收基因测试结果数据。指令还可以使得一个或多个处理器使用解释逻辑数据结构来分析从一个或多个数据源接收的宠物数据和从基因测试结果数据库接收的基因测试结果数据。指令可以使得一个或多个处理器基于分析确定与宠物数据和基因测试结果数据相关联的结果值，并确定与结果值相关联的一个或多个结果。存储的指令还可以使得一个或多个处理器基于一个或多个结果语句生成一个或多个健康报告。

应当理解，上述一般描述和以下详细描述仅是示例性的和解释性的，并不限制所要求的公开实施例。

附图说明

附图包含在本说明书中并构成本说明书的一部分，示出了各种示例性实施例，并且与说明书一起用于解释所公开的实施例的原理。

图1示出了根据一个或多个实施例的用于分析与宠物相关联的数据的示例性系统的框图。

图2示出了根据一个或多个实施例的用于生成牙周病(Periodontal Disease，PD)风险数据的示例性过程的流程图。

图3示出了根据一个或多个实施例的用于基于与宠物相关联的数据确定一个或多个结果语句的示例性解释逻辑数据结构。

图4示出了根据一个或多个实施例的、使用解释逻辑数据结构和从各种源接收的宠物数据由分析模块执行的示例性步骤的流程图。

图5示出了根据一个或多个实施例的训练机器学习模型以基于与宠物相关联的数据确定分类的示例性方法的流程图。

图6示出了根据一个或多个实施例的使用机器学习模型以基于与宠物相关联的数据确定一个或多个结果语句的示例性方法的流程图。

图7示出了可以执行本文所提出的技术的计算机系统的实现。

具体实施方式

本公开的各种实施例通常涉及与宠物口腔健康有关的语句，例如基于分析的宠物元数据和基因测试结果数据的语句。更具体地说，本公开的各种实施例涉及使用解释逻辑数据结构或机器学习技术分析宠物数据和基因测试结果以生成宠物口腔健康报告的语句的系统、计算机实施的方法和非暂时性计算机可读介质。在优选实施例中，使用解释逻辑数据结构或机器学习技术分析由定量聚合酶链式反应(qPCR)基因测试得出的qPCR结果与宠物数据，以生成宠物口腔健康报告的语句。

如上所述，尽管牙周病可以预防，但它在宠物中仍然很普遍，通常是由于口腔卫生不良以及未能检测和/或治疗疾病的早期症状造成的。在某些情况下，兽医可能无法在早期阶段正确诊断和治疗牙周病，而宠物主人可能未能采取或维持适当的预防措施。评估宠物口腔健康的方法多种多样，包括但不限于视觉检查、口腔测试和预测模型。然而，以前的方法采用单一的方法，无法评估导致牙周病的所有可能因素并提出相应的建议。

因此，本公开的实施例旨在通过结合环境/外部因素(例如，口腔微生物组、口腔护理常规)和生物因素(例如，年龄、体重、牙周病的迹象)来分析宠物的口腔健康，然后将分析结果综合成基于宠物主人和兽医的分析结果的语句，来解决、缓解或纠正上述问题。本公开的系统和方法可以通过从各种源接收与宠物相关联的数据来解决上述问题，包括从宠物收集的口腔样本的基因测试的基因测试结果和根据用户(例如，宠物主人和/或兽医)输入数据确定的牙周病风险数据。本公开的基因测试结果可以通过定量聚合酶链式反应(qPCR)测试、测序(例如，高通量测序、纳米孔测序和单分子实时测序)或其他用于确定基因序列或遗传性状的手段获得。一旦接收到数据(包括与口臭相关的附加数据)，分析模块就可以使用解释逻辑数据结构来分析该数据。解释逻辑数据结构可用于将基因测试结果、牙周病风险数据和口臭数据与结果值关联起来。然后可以使用来自解释逻辑数据结构的结果值来基于结果值确定一个或多个结果语句。本公开允许基于通过分析基因测试结果和与宠物相关联的各种其他类型的生物和/或环境数据而确定的结果值，将提供诊断和/或口腔护理建议的语句包含在宠物主人和/或兽医报告中。

本公开提供了系统、方法、非暂时性计算机可读介质和/或设备，其被配置为接收和分析宠物的生物和环境数据(例如，牙周病风险数据和口臭数据)以及宠物的基因测试结果(例如，定量聚合酶链式反应(qPCR)结果)，基于分析确定结果值，基于确定的结果值确定一个或多个结果语句，并且基于一个或多个结果语句生成一个或多个健康报告。以下实施例描述了用于基于从分析的宠物数据确定的结果值生成与宠物口腔健康相关的一个或多个语句的系统、计算机实施的方法和非暂时性计算机可读介质。

具体而言，可以使用解释逻辑数据结构利用来自宠物的测试结果来分析与宠物相关联的数据。宠物数据可以包括先前根据宠物的牙周病风险属性确定的牙周病风险数据和口臭数据。测试结果可以包括通过基因测试获得的基因测试结果。在优选实施例中，基因测试结果可以包括对从宠物采集的口腔样本进行定量聚合酶链式反应测试获得的qPCR结果。解释逻辑数据结构可以包含基因测试(例如，qPCR)结果范围、牙周病风险范围和口臭状况、以及与基因测试(例如，qPCR)结果范围、牙周病风险范围和口臭状况的各种组合相关联的结果值。解释逻辑数据结构还可以包括与每个结果值相关联的结果语句。

解释逻辑数据结构用于将宠物数据(例如，宠物的生物数据)，包括牙周病风险数据和口臭数据，以及宠物的基因测试结果与各自的解释逻辑数据结构类别(例如，基因测试结果范围、牙周病风险范围和口臭状况)进行比较，并确定相关联的结果值。结果值可用于确定与结果值相关联的一个或多个语句。每个语句均可归类为宠物主人健康报告或兽医健康报告的语句。这些语句可以至少包括针对宠物主人和/或兽医健康报告的诊断或口腔护理建议。

在本公开的至少一个实施例中，机器学习模型可以确定与宠物口腔健康相关的一个或多个结果语句。可以训练机器学习模型，以基于样本宠物数据和宠物的样本基因测试结果生成分类。然后，可以使用经训练的机器学习模型来分析特定宠物的宠物数据和基因测试结果，基于准备好的宠物数据和基因测试结果确定宠物的分类，并根据分类确定一个或多个结果语句。一个或多个结果语句可以包括如上所述的宠物主人和/或兽医健康报告的语句。

下文中使用的术语可以以最广泛合理的方式进行解释，尽管这些术语与本公开的某些具体示例的详细描述结合使用。事实上，某些术语甚至会在下文中加以强调；然而，本具体实施方式部分将对任何旨在以任何限制性方式进行解释的术语进行公开和具体的定义。上述一般描述和以下详细描述均仅是示例性和解释性的，并且不限制所要求保护的特征。

在本文的详细描述中，对“实施例”、“一实施例”、“一个非限制性实施例”、“在各种实施例中”等的引用是指所描述的实施例可以包括特定的特征、结构、或特性，但是每个实施例不一定都包括这些特定的特征、结构或特性。此外，这些短语并不一定指代相同的实施例。此外，当结合实施例描述特定的特征、结构或特性时，无论是否被明确地描述，都认为结合其他实施例来影响这样的特征、结构或特性是在本领域技术人员的知识范围内的。在阅读了本说明书之后，相关领域的技术人员将清楚如何在可替代的实施例中实现本公开。

一般而言，术语至少可以部分地通过上下文中的使用来理解。例如，本文所使用的诸如“和”、“或”或“和/或”之类的术语可以包括多种含义，其可以至少部分地取决于使用这些术语的上下文。通常，“或”如果用于关联列表，例如诸如A、B或C，则旨在表示A、B和C(此处以包含性含义使用)以及A、B或C(此处以排他性含义使用)。另外，至少部分地取决于上下文，本文所使用的术语“一个或多个”可用于描述单数意义上的任何特征、结构或特性，或者可用于描述复数意义上的特征、结构或特性的组合。类似地，至少部分取决于上下文，诸如“一”、“一个”或“该”之类的术语也可以被理解为表达单数用法或表达复数用法。另外，同样至少部分地取决于上下文，术语“基于”可以被理解为不一定旨在表达一组排他性的因素，而是可以允许存在不一定明确描述的额外因素。

如本文所使用的，术语“包括(comprises)”、“包括(comprising)”、“包含(includes)”、“包含(including)”或其任何其他变体旨在涵盖非排他性的包括，使得包含一系列要素的过程、方法、制品或装置不仅包括那些要素，还可以包括未明确列出的或此类过程、方法、制品或装置固有的其他要素。

根据本公开内容使用的术语“宠物”和“家养宠物”可以指但不限于驯养的或驯服的动物，例如狗、猫、兔子、马等。

术语“宠物主人”例如可以包括但不限于拥有宠物和/或为宠物提供食物和住所的任何个人、组织和/或人员集合。例如，“宠物主人”可以包括宠物收养者、宠物看护者、宠物护理员和动物收容所。

术语“兽医”例如可以包括但不限于为宠物提供医疗护理的任何个人、组织和/或人员集合。例如，“兽医”可以包括兽医技术员、兽医人员和执业兽医。

术语“犬科动物”和“狗”例如可以包括但不限于公认的狗品种(其中一些可以进一步细分)。例如，公认的犬种可以包括阿富汗猎犬、艾尔谷犬(airedale)、秋田犬、阿拉斯加雪橇犬、巴塞特猎犬(basset hound)、比格犬、比利时牧羊犬、寻血猎犬、边境牧羊犬、边境梗犬、猎狼犬(borzoi)、拳狮犬(boxer)、斗牛犬、牛头挭、凯恩梗(cairn terrier)、吉娃娃、松狮犬、可卡犬、柯利牧羊犬(collie)、柯基犬、腊肠犬、达尔马提亚犬、杜宾犬、英国塞特犬、猎狐挭、德国牧羊犬、金毛猎犬、大丹犬、灰狗、布鲁塞尔格林芬犬、爱尔兰塞特犬、爱尔兰猎狼犬、查理士王小猎犬、拉布拉多寻回犬、拉萨阿普索犬、獒犬、纽芬兰犬、英国古代牧羊犬、蝴蝶犬、京巴犬(Pekingese)、指示犬(pointer)、博美犬、贵宾犬、哈巴狗、罗特韦尔犬(rottweiler)、圣伯纳犬、萨路基犬、萨摩耶犬、雪纳瑞犬、苏格兰梗、设德兰牧羊犬、西子犬(shih tzu)、西伯利亚哈士奇犬、斯凯梗、史宾格犬、西高地梗、惠比特犬、约克夏梗等。

术语“设备”和“用户设备”例如可以包括但不限于由中央处理单元(CPU)控制的用于输入信息或数据并显示用户界面的任何电子设备。用户设备可以诸如经由有线或无线网络来发送或接收信号，或者可以处理或存储信号，诸如在作为物理存储器状态的存储器中。本公开中使用的设备或用户设备可以包括：台式计算机；移动计算机(例如平板电脑、膝上型电脑或笔记本电脑)；智能手机；可穿戴计算设备(例如智能手表)等，与图7所示的计算设备一致。

如本文所用，术语“宠物数据”或“宠物元数据”例如可以包括但不限于生物数据，例如，宠物的某些生物信息或属性(至少包括其品种、年龄、大小、体重、身体状况、头部形状(例如，头骨形状)、预测大小类别、预测成年体重和/或与牙龈或牙周病的常见症状相关的口腔健康数据)中的任何一个或其组合。与牙龈或牙周病的常见症状相关的口腔健康数据可以包括牙龈出血、牙龈发炎(即发红)、牙龈肿胀(如浮肿)、牙垢、牙菌斑、牙周附着丧失(如牙周袋、牙龈萎缩、根分叉暴露)、牙齿脱落或缺失、牙槽骨流失、胃敏感和/或口臭、和/或牙龈炎或牙周病病史。其他口腔健康数据可以包括牙菌斑的细菌组成。宠物数据还可以包括环境数据(例如外部因素)。环境数据可以包括有关宠物口腔护理常规的信息，例如刷牙频率和/或使用牙齿护理产品、漱口水、口腔凝胶和咀嚼玩具。其他环境数据可以包括宠物行为(例如，饮食习惯和用爪子抓脸)的变化，这可表明患有牙龈或牙周病。此外，例如，宠物数据可以包括与上面讨论的生物信息、环境/外部因素和属性有关的问题的答案，但不限于这些问题。就当前披露的目的而言，某些其他类型的生物信息(例如基因测试结果)将不会被称为宠物数据或宠物元数据。

如本文所用，术语“牙周病属性”可以包括例如宠物的属性或特征，其可能或多或少地导致宠物患牙周病的倾向。牙周病属性的示例包括但不限于品种、年龄、大小、体重、身体状况、头部形状(例如，头骨形状)、预测大小类别、预测成年体重、牙菌斑/牙垢的数量以及牙菌斑的细菌组成。

术语“口腔样本”例如可以包括但不限于牙菌斑、唾液或从宠物口腔收集的口腔液样本。

术语“基因测试(genetic test)”和“基因测试(genetic testing)”例如可以包括但不限于定量聚合酶链式反应(qPCR)、环介导等温扩增、高通量测序、纳米孔DNA测序、单分子实时测序、下一代测序、Illumina测序或用于确定基因序列和/或遗传性状的其他方法。

如本文所使用的，“解释逻辑数据结构”通常包含数据结构(例如表)，其包含与多个结果值相关联的数据。“解释逻辑数据结构”在本文中也可以称为“解释逻辑数据表”。解释逻辑数据表可以包括一个表格，该表格显示每个可能的输入组合、以及取决于输入组合的结果输出。输出可以包括成果或结果值、以及与这些值相关联的成果或结果语句。

如本文所用，“机器学习模型”通常包含指令、数据和/或配置为接收输入并对输入应用权重、偏差、分类或分析中的一个或多个以生成输出的模型。输出可以包括例如输入的分类、基于输入的分析、与输入相关联的设计、过程、预测或建议、或任何其他合适类型的输出。机器学习模型通常使用训练数据(例如经验数据和/或输入数据样本)进行训练，这些数据被输入到模型中以建立、调整或修改模型的一个或多个方面，例如权重、偏差、用于形成分类或聚类的标准等。机器学习模型的各个方面可以经由网络(例如，神经网络)或任何合适的配置对输入进行线性、并行操作。

机器学习模型的执行可以包括部署一种或多种机器学习技术，例如线性回归、逻辑回归、随机森林、梯度增强机(Gradient Boosted Machine，GBM)、深度学习和/或深度神经网络。可以采用监督和/或无监督训练。例如，监督学习可以包括提供训练数据、以及与训练数据相对应的标签，例如作为基准真相。无监督方法可以包括聚类、分类等。可以使用任何合适类型的训练，例如随机训练、梯度提升训练、随机种子训练、递归训练、历时训练或批量训练等。

术语“诊断”例如可以包括但不限于对疾病的识别和/或鉴定、对疾病进程的预测、以及针对与疾病相关联的风险水平(例如，低风险、中风险、高风险)的结论。

下面参考方法、过程、设备和装置的框图和操作图示来描述某些非限制性实施例。应当理解，框图或操作图示中的每个方框、以及框图或操作图示中的方框的组合可以通过模拟或数字硬件和计算机程序指令来实现。这些计算机程序指令可以被提供给通用计算机的处理器以改变其功能(如本文详述的)、专用计算机、ASIC或其他可编程数据处理装置，使得经由计算机的处理器或其他可编程数据处理装置而执行的指令实现在框图或操作框或方框中指定的功能/动作。在一些替代实现中，方框中提到的功能/动作可以不按操作图示中提到的顺序出现。例如，取决于所涉及的功能/动作，连续显示的两个方框实际上可以基本上同时执行，或者所述方框有时可以按相反的顺序执行。

在某些非限制性实施例中，术语“服务器”应当被理解为指代提供处理、数据库和通信设施的服务点。作为示例而非限制，术语“服务器”可以指代具有相关联的通信、数据存储以及数据库设施的单个物理处理器，也可以指代网络化或集群化的处理器复合体，例如弹性计算机集群，相关网络和存储设备，以及支持服务器所提供服务的操作软件和一个或多个数据库系统和应用软件。服务器例如可以是基于云的服务器、云计算平台或虚拟机。服务器在配置或功能上可以有很大差异，但通常服务器可以包括一个或多个中央处理单元和存储器。服务器还可以包括一个或多个大容量存储设备、一个或多个电源、一个或多个有线或无线网络接口、一个或多个输入/输出接口、或者一个或多个操作系统，例如WindowsServer、Mac OS X、Unix、Linux、FreeBSD等。

对于一些非限制性实施例，“网络”应当被理解为指代可以耦合设备以便可以交换通信的网络，诸如服务器和用户设备或其他类型的设备之间交换通信，例如包括在经由无线网络耦合的无线设备之间交换通信。网络例如还可以包括大容量存储，例如网络附加存储(Network Attached Storage，NAS)、存储区域网络(Storage Area Network，SAN)或其他形式的计算机或机器可读介质。网络可以包括互联网、一个或多个局域网(LAN)、一个或多个广域网(WAN)、有线类型连接、无线类型连接、蜂窝或其任意组合。同样，子网络可以采用不同的架构，也可以遵从或兼容不同的协议，可以在更大的网络内交互操作。例如，各种类型的设备可用于为不同的架构或协议提供可交互操作的能力。作为一个说明性示例，路由器可以在原本分离且独立的LAN之间提供链路。

此外，设备或用户设备(例如计算设备或其他相关电子设备)例如可以远程耦合到网络，例如经由有线或无线线路或链路。

在某些非限制性实施例中，“无线网络”应当被理解为将用户设备与网络耦合。无线网络实际上可以包括任何类型的无线通信机制，通过该无线通信机制可以在设备之间、在网络之间或网络内等等传送信号。无线网络可以采用独立的自组织网络、网状网络、无线陆地区域网络(WLAN)、蜂窝网络等。无线网络可以被配置为包括通过无线电链路等耦合的终端、网关、路由器等的系统，其可以自由地、随机地移动，或任意地组织自身，使得网络拓扑可以发生变化，有时甚至是快速变化。

无线网络还可以采用多种网络接入技术，包括Wi-Fi、长期演进(LTE)、WLAN、无线路由器(Wireless Router，WR)网状网络或第二代、第三代、第四代、第五代(2G、3G、4G、或5G)蜂窝技术等。网络接入技术可以允许设备的广域覆盖，例如具有不同移动性的用户设备。

现在参考附图，图1示出了用于分析与宠物相关联的数据的系统100的示例性实施例。一般来说，系统100可以包括宠物信息数据库110、PD风险确定组件120、分析模块130、解释逻辑数据结构140、基因测试结果服务器150、健康报告160、档案170和云平台180。

系统100可在云平台180上实现，从而允许在云环境中的宠物信息数据库110、PD风险确定组件120、分析模块130、解释逻辑数据结构140、基因测试结果服务器150、健康报告160和档案170之间传输或共享数据。

宠物信息数据库110包括存储器112。宠物信息数据库110中的存储器112可以包含与宠物相关联的宠物数据(例如，生物数据和环境数据)。一个或多个用户可以经由一个或多个用户设备通过服务器访问宠物信息数据库110。一个或多个用户可以包括宠物主人和兽医。一个或多个用户可以使用一个或多个用户设备来输入与宠物相关联的宠物数据。用户设备可以是与图7所示的计算设备一致的设备，例如台式计算机、平板电脑、笔记本电脑、智能手机、智能手表等。

与宠物相关联的并且由一个或多个用户输入到宠物信息数据库110中的宠物数据可以包括宠物的以下一个或多个属性：品种、年龄、大小、体重、身体状况、头部形状(例如，头骨形状)、预测大小类别、预测成年体重、牙菌斑/牙垢的数量、以及牙菌斑的细菌组成。附加宠物数据可以由一个或多个用户输入并存储在宠物信息数据库110中，可以包括与牙周病的常见症状有关的口腔健康数据和与宠物的口腔护理常规有关的信息。例如，一个或多个用户可以输入有关宠物是否牙龈肿胀、发炎、发红和/或出血、行为变化(例如，饮食习惯改变或用爪子抓脸)、胃敏感、口臭、牙齿脱落、牙周附着丧失、牙槽骨丢失、牙菌斑或牙垢堆积的信息，以及刷牙和使用牙齿护理品、漱口水和/或口腔凝胶的频率。与宠物相关联的宠物数据可以存储在宠物信息数据库110的存储器112中。

在一些实施例中，宠物主人和兽医都可以在宠物信息数据库110中输入与宠物相关联的宠物数据。在其他实施例中，仅宠物主人和兽医中的一个可以在宠物信息数据库110中输入与宠物相关联的宠物数据。在至少一些实施例中，可以提示一个或多个用户在宠物信息数据库110中输入宠物的以下属性中的至少两个：品种、年龄、大小、体重、身体状况、头部形状(例如，头骨形状)、预测大小类别、预测成年体重、牙菌斑/牙垢的数量以及牙菌斑的细菌组成。在一些示例中，可以提示一个或多个用户在宠物信息数据库110中输入不存在或存在口臭状况。

宠物信息数据库110可以将与宠物相关联的宠物数据传输到PD风险确定组件120。宠物信息数据库110还可以将与宠物相关联的宠物数据传输到分析模块130。在一些实施例中，宠物信息数据库110还可以从分析模块130接收数据，例如与宠物口腔健康相关的一个或多个结果语句。

PD风险确定组件120可以从如上所述的宠物信息数据库110接收与宠物相关联的宠物数据。PD风险确定组件120可以部署在应用程序编程接口(API)中。PD风险确定组件120还可以将牙周病风险数据传输到分析模块130。下文将参考图2进一步提供PD风险确定组件120的更详细描述。本文所述的PD风险确定组件120也可以用于系统100之外的其他应用程序(例如，网站)。

基因测试结果服务器150包括存储器152。用户可以经由用户设备将基因测试结果输入到基因测试结果服务器150上，基因测试结果来自对从宠物采集的口腔样本进行的基因测试(例如，定量聚合酶链反应(qPCR)测试)而获得。例如，用户可以将宠物的基因测试结果输入为0至1之间的数值。可替代地，用户可以基于二进制数据(即微生物(例如，细菌)的存在或不存在)输入宠物的基因测试结果。基因测试结果可以存储在存储器152中。基因测试结果服务器150可以将基因测试结果传输到分析模块130。

分析模块130可以从系统100中的一个或多个数据源接收与宠物相关联的宠物数据，并从基因测试结果服务器150接收与宠物相关联的基因测试结果数据。例如，分析模块130可以直接从宠物信息数据库110以及从PD风险确定组件120接收与宠物相关联的宠物数据。在一些实施例中，与宠物相关联的精选宠物数据可以从宠物信息数据库110传输到PD风险确定组件120进行分析，并且基于分析生成的牙周病风险数据可以传输到分析模块130。在一些实施例中，某些类型的宠物数据(例如口臭数据)可以直接从宠物信息数据库110传输到分析模块130，而无需首先传输到PD风险确定组件120。

分析模块130可以使用解释逻辑数据结构140来分析接收到的宠物数据和基因测试结果。下文将参考图3进一步提供解释逻辑数据结构140的更详细描述。分析模块130可以使用解释逻辑数据结构140基于对宠物的宠物数据与宠物的基因测试结果的分析来确定与宠物口腔健康相关联的一个或多个语句，并且可以生成包含一个或多个语句的健康报告160。健康报告160可以包括宠物主人报告162和/或兽医报告164。分析模块130还可以将生成的一个或多个语句传输/存储到档案170。档案170可以将从分析模块130接收的已分析数据存储在存储器172中。此外，下面将参考图4进一步提供分析模块130的更详细描述。

值得注意的是，尽管系统100描绘了用于存储基因测试结果的基因测试结果服务器150，但该系统可以包括服务器和存储器，用于存储对从宠物收集的口腔样本进行的任何实验室测试所获得的结果。在一些实施例中，服务器和存储器可以包含对从宠物收集的生物样本(除口腔样本(例如唾液或牙菌斑)之外，例如血液、粪便、尿液、头发和组织)进行的测试结果。在优选实施例中，该系统可以包括服务器和从宠物采集的口腔样本(例如唾液或牙菌斑)的定量聚合酶链反应(qPCR)测试获得的存储结果。

还应当注意，尽管系统100描述了分析模块130使用解释逻辑数据结构140，但是在一些实施例中，分析模块130可以使用机器学习模型。在这些实施例中，经训练的机器学习模型可以由分析模块130存储和使用。下面参考图5和图6进一步提供机器学习的更详细描述。

图2描绘了示出由PD风险确定组件120执行的、用于生成牙周病(PD)风险数据的示例性过程200的流程图。在步骤202中，PD风险确定组件120可以从数据库或者从一个或多个用户设备接收一个或多个牙周病属性。例如，PD风险确定组件120可以从宠物信息数据库110接收宠物的一个或多个牙周病属性。PD风险确定组件120可以接收并分析的示例性宠物牙周病属性包括：品种、年龄、大小、体重、身体状况、头部形状(例如，头骨形状)、预测大小类别、预测成年体重、牙菌斑/牙垢的数量、牙菌斑的细菌组成、以及与牙龈或牙周病的常见症状相关的口腔健康数据，例如牙龈出血、牙龈肿胀、饮食习惯改变、胃敏感、牙龈炎或牙周病病史等。一些牙周病属性，例如年龄和体重，可以由宠物主人提供；而其他牙周病属性，例如预测大小类别、牙菌斑/牙垢的数量以及牙菌斑的细菌组成，可以由兽医提供。在一些实施例中，PD风险确定组件120可以从一个或多个用户设备接收一个或多个牙周病属性。例如，PD风险确定组件120可以提示一个或多个用户(例如，宠物主人、兽医)经由在一个或多个用户设备上呈现的用户界面输入一个或多个牙周病属性。

在步骤204中，PD风险确定组件120可以分析在步骤202中接收的一个或多个牙周病属性。在步骤206中，PD风险确定组件120可以基于步骤204的分析来确定风险水平。在一些实施例中，PD风险确定组件120可以使用模型来运行，该模型基于与牙周病风险水平相关联的多个宠物属性而构建。PD风险确定组件120的模型中可以使用的一些宠物属性包括但不限于牙菌斑和/或牙垢的数量、体重、品种、大小和年龄组。例如，某些品种的狗可能比其他品种更容易患牙周病，因此患牙周病的风险更高。

在一个示例中，当PD风险确定组件120接收宠物品种有关的数据时，在步骤204中分析该品种，并根据品种属性为宠物分配患牙周病的概率。然而，如上所述，应该理解PD风险确定组件120可以考虑多种属性的组合来确定牙周病的概率。概率可以是0到1之间的数字。在步骤206中，PD风险确定组件120可以将步骤204中分析的牙周病概率与风险水平相关联。示例性风险水平包括高、中、低。例如，低风险水平可以与0.33或更低的概率相关。中风险水平可以与大于0.33且小于0.67的概率相关。高风险水平可以与0.67或更大的概率相关。

在步骤208中，PD风险确定组件120可以基于在步骤206中确定的牙周病风险水平生成牙周病风险数据。例如，如果为宠物接收的一个或多个宠物属性与中风险水平相关，则在步骤208中生成的牙周病风险数据将基于中风险水平并归类为“中”。如果为宠物接收的一个或多个宠物属性与低风险水平相关，则在步骤208中生成的牙周病风险数据将基于低风险水平并归类为“低”。如果为宠物接收的一个或多个宠物属性与高风险水平相关，则在步骤208中生成的牙周病风险数据将基于高风险水平并归类为“高”。在步骤210中，PD风险确定组件120可以将宠物的牙周病风险数据传输到分析模块130。

图3示出了示例性解释逻辑数据表300，其可用于解释逻辑数据结构140。示例性解释逻辑数据表300基于定量聚合酶链式反应(qPCR)测试结果和其中使用qPCR测试作为对从宠物采集的口腔样本进行的基因测试的实施例。例如，表300包含多个结果值、qPCR结果、牙周病风险类别、口臭数据、与宠物主人健康报告的结果值相关联的结果语句以及与兽医健康报告的结果值相关联的结果语句的列。“结果值”列包含多个结果值，范围从1到12。每个结果值都与一个qPCR结果、一个牙周病风险、一个口臭状况、一个宠物主人健康报告的结果语句以及一个兽医健康报告的结果语句相关联。表300显示，结果值1对应于高qPCR结果(其中该值大于0.33)、高牙周病风险、不存在口臭状况(即无口臭)、宠物主人健康报告的语句1和兽医健康报告的语句13。用户(例如，管理员)可以使用用户设备添加、更新和/或删除解释逻辑数据结构140(例如，解释逻辑数据表300)。在一个实施例中，存储解释逻辑数据结构140的计算设备可以被配置为在用户设备上提供用户界面，允许用户使用用户设备创建、修改或删除一个或多个解释逻辑数据结构140。

在对从宠物采集的口腔样本进行qPCR测试以外的基因测试的示例中，解释逻辑数据结构140可以基于从所执行的特定基因测试获得的测试结果。例如，当例如使用高通量测序或纳米孔测序等基因测试时，可以基于高通量测序或纳米孔测序结果创建类似于解释逻辑数据300的解释逻辑数据表。

分析模块130可以使用可以基于表300的解释逻辑数据结构140来分析与宠物相关联的宠物数据，包括牙周病风险数据、口臭数据以及与宠物相关联的qPCR结果。表300可用于将分析模块130接收的与宠物相关联的qPCR结果、牙周病风险数据和口臭数据与表中各个类别的范围和/或状况进行比较，以确定相应的结果值。如上所述，根据300，从宠物接收的数据对应于qPCR结果大于0.33(高)、牙周病高风险且无口臭状况，将获得结果值1。表300将结果值1与(结果)语句1和(结果)语句13相关联。语句1和/或语句13分别对应于宠物主人健康报告的语句和兽医健康报告的语句。

图4描绘了可由分析模块130执行的过程400，其使用解释逻辑数据结构140和从各种源接收的宠物数据。在步骤402中，分析模块130从一个或多个数据源接收与宠物相关联的宠物数据。在一些实施例中，分析模块130从宠物信息数据库110接收与宠物相关联的宠物数据，并从PD风险确定组件120接收与宠物相关联的牙周病风险数据。在一个实施例中，直接从宠物信息数据库110接收的宠物数据可以包括口臭数据。如上所述，由PD风险确定组件120生成的与宠物相关联的牙周病风险数据可以基于PD风险确定组件120从宠物信息数据库110接收的与宠物相关联的某些宠物数据(例如，一个或多个牙周病属性)。由分析模块130接收的与宠物相关联的宠物数据可以包括与高、中或低的评级或水平相关联的牙周病风险数据，以及与不存在或存在状况相关联的口臭数据。

在步骤404中，分析模块130从基因测试结果数据库接收与宠物相关联的基因测试结果数据。例如，分析模块130可以从基因测试结果服务器150的存储器152接收与宠物相关联的基因测试结果数据。与宠物相关联的基因测试结果数据可以以0至1之间的数值形式被接收。

在步骤406中，分析模块130使用解释逻辑数据结构140分析宠物数据和与宠物相关联的基因测试结果数据。在一些实施例中，解释逻辑数据表300用于解释逻辑数据结构140。分析模块130可以将接收到的宠物的基因测试结果数据、牙周病风险数据和口臭数据与解释逻辑数据表300中相应类别的范围和/或状况进行比较。在步骤408中，分析模块130基于步骤406的分析确定结果值。

在确定结果值之后，在步骤410中，分析模块130使用解释逻辑数据结构(例如，解释逻辑数据表300)来确定与结果值相关联的一个或多个结果语句。在步骤412中，分析模块130基于一个或多个结果语句生成一个或多个健康报告160。

在本公开的示例性实施例中，宠物主人或宠物兽医可以收集宠物的口腔样本进行定量聚合酶链反应(qPCR)测试。可以在实验室中对口腔样本进行qPCR检测，并且可以基于生物标记物种类与总细菌负荷的相对丰度，为宠物获得的qPCR结果赋予0到1之间的数值。例如，宠物的qPCR结果可以是0.40。可替代地，可以为原始qPCR值提供0到1范围之外的不同数值尺度，其中原始qPCR值不限于0到1之间。用户(例如实验室员工)可以经由用户设备访问基因测试(qPCR)结果服务器150，并且可以经由用户设备输入与宠物相关联的基因测试(qPCR)结果数据。基因测试(qPCR)结果服务器150可以将与宠物相关联的基因测试(qPCR)结果数据传输到分析模块130。在从宠物采集口腔样本并进行测试之前或之后，宠物主人和/或兽医可以经由他们各自的用户设备访问宠物信息数据库110，并且可以输入与宠物相关联的宠物数据。例如，宠物主人可以输入宠物的年龄，以及宠物的口腔护理常规中不使用任何牙齿护理产品。兽医可以输入宠物的体重和当前的口臭状况。宠物信息数据库110可以存储与宠物相关联的宠物数据。

在一个实施例中，宠物信息数据库110可以将某些宠物数据(例如宠物的口臭状况)直接传输到分析模块130。PD风险确定组件120可以从宠物信息数据库110接收与宠物(牙周病属性)相关联的其他类型宠物数据，例如年龄和体重。PD风险确定组件120可以分析宠物的牙周病属性(例如，年龄和体重)，并可以基于该分析分配患上牙周病的概率(介于0和1之间)。该概率可与高、中、低风险类别相关。在PD风险确定组件120基于概率大于0.33且小于0.67确定中风险水平的情况下，PD风险确定组件120可以基于中风险水平生成与宠物相关联的牙周病风险数据。

在一个实施例中，分析模块130可以接收与宠物相关联的牙周病风险数据、与宠物相关联的口臭数据以及与宠物相关联的基因测试(例如，qPCR)结果数据。分析模块130可以使用解释逻辑数据结构140来分析接收到的数据。在一个示例中，解释逻辑数据结构140可用于确定qPCR结果0.40、牙周病中风险、口臭状况为存在、与结果值8相关。解释逻辑数据结构140将来自宠物主人健康报告类别的结果语句8和来自兽医健康报告类别的结果语句20与结果值8相关联。根据该示例，当确定结果值为8时，分析模块130可以基于结果语句8生成宠物主人报告162和/或基于结果语句20生成兽医报告164。

每个结果语句可以包含诊断和口腔护理建议中的至少一个。因此，基于结果语句的宠物主人报告162和/或基于结果语句的兽医报告164可以包含诊断和口腔护理建议中的至少一个。在示例性实施例中，宠物主人报告162可以包含与结果语句8相关联的诊断和口腔护理建议中的至少一个，并且兽医报告164可以包含与结果语句20相关联的诊断和口腔护理建议中的至少一个。

包含至少一种诊断的示例性健康报告可以解释宠物患牙龈病的风险是高、中还是低。当宠物患牙龈或牙周病的风险为高或中时，健康报告还可以提供预测疾病进展的其他信息。在生成兽医报告的一些实施例中，兽医报告可以仅包含与诊断有关的信息。在其他实施例中，除了诊断之外，兽医报告还可以包含为兽医推荐的治疗计划。

包含至少一个口腔护理建议的示例性健康报告可提供推荐的口腔护理常规或计划。例如，报告可以建议增加刷牙次数和使用牙齿护理品/咀嚼物、漱口水/凝胶和水添加剂。该报告可以为宠物提供推荐饮食以及安排下次去看兽医的建议日期。该报告还可以提供有关宠物拥有健康牙齿饮食益处的信息和统计数据。如果诊断出宠物患牙周病的风险为高，报告会建议宠物立即去看兽医。

图5描绘了根据本公开的一个方面的训练机器学习模型以确定与宠物相关联的牙周病风险分类的示例性方法的流程图。示例性方法500基于定量聚合酶链式反应(qPCR)测试结果和实施例，其中qPCR测试用作对从宠物采集的口腔样本进行的基因测试。方法500可以由分析模块130或系统100中的另一合适的组件执行，以训练机器学习模型来基于与宠物相关联的数据确定分类。例如，方法500可以使用宠物数据和qPCR结果训练机器学习模型。根据本公开的机器学习模型可以进行训练，以做出与牙周病风险分类确定有关的预测。在步骤502中，机器学习模型可以接收与宠物相关联的样本宠物数据和样本qPCR结果。样本宠物数据和样本qPCR结果可以来自如上所述的各种源。每组与宠物相关联的样本宠物数据和样本qPCR结果都可以用适当的分类(例如，解释逻辑数据结构140中包含的结果值)进行“标记”。在步骤504中，可以“准备”样本宠物数据和样本qPCR结果用于模型训练。在步骤506中，可以使用准备好的样本宠物数据和样本qPCR结果来训练机器学习模型以确定分类。换句话说，准备好的样本宠物数据和样本qPCR结果可以“输入”到机器学习模型中，让模型调整各种参数以得出相应的分类。机器学习模型也可以使用人工审核员的反馈进行调整。在步骤508中，可以存储经训练的机器学习模型。例如，经训练的机器学习模型可以存储在系统100中的分析模块130、档案170的存储器172、和/或系统100中经由网络连接的任何合适的存储器中。

图6描绘了根据一个或多个实施例的基于与宠物相关联的数据、使用机器学习模型以确定一个或多个结果语句的示例性方法的流程图。方法600可以在系统100中执行，以代替或补充使用解释逻辑数据结构140。如上所述，分析模块130或系统100中的任何合适组件可以被配置为使用机器学习模型。示例性方法600基于定量聚合酶链式反应(qPCR)测试结果和实施例，其中qPCR测试用作对从宠物采集的口腔样本进行的基因测试。

在步骤602中，可以接收与宠物相关联的宠物数据和与宠物相关联的qPCR结果。在分析模块130使用机器学习模型的实施例中，机器学习模型可以通过分析模块130接收与宠物相关联的宠物数据和与宠物相关联的qPCR结果。例如，可以从宠物信息数据库110和PD风险确定组件120接收与宠物相关联的宠物数据。可以从基因测试结果服务器150接收与宠物相关联的qPCR结果。

在步骤604中，机器学习模型准备宠物数据和qPCR结果，类似于上面参考图5讨论的准备过程。准备好的数据可以是机器学习模型可以使用的格式。在步骤606中，经训练的机器学习模型可以基于准备的或分析的与宠物相关联的宠物数据以及与宠物相关联的qPCR结果来确定宠物的分类。经训练的机器学习模型(先前根据样本宠物数据和样本qPCR结果进行过训练)可以被配置为准确确定宠物的分类(例如结果值)。

确定的分类将基于宠物数据(例如，牙周病风险数据和口臭状况)和接收到的宠物qPCR结果。在步骤608中，机器学习模型可以基于在步骤606中确定的分类确定一个或多个结果语句。在步骤608中确定的一个或多个结果语句可以与图3所示的解释逻辑数据结构140的结果语句相同。例如，当方法600中的机器学习模型接收到宠物的qPCR结果在小于0.33的范围内，并且该宠物的生物数据符合低牙周病风险且无口臭时，在确定分类(例如，结果值为6)后，机器学习模型可以根据分类确定结果语句6和结果语句18。结果语句6用于为宠物主人生成宠物健康报告，结果语句18用于为兽医生成宠物健康报告。

一旦在步骤608中确定了一个或多个结果语句，分析模块130(其可被配置为具有机器学习模型组件)就可以生成如上所述的宠物主人报告162和兽医报告164。

机器学习模型过程500和600也可以用于除qPCR结果之外的基因测试结果。例如，方法500可以使用宠物数据、以及从其他基因测试方法(例如，高通量测序)获得的基因测试结果来训练机器学习模型，并且方法600可以使用经训练的机器学习模型基于准备好的宠物数据、以及从其他基因测试方法(例如，高通量测序)获得的基因测试结果确定宠物的分类。

类似于图5和图6中所示的机器学习模型过程也可以合并到除分析模块130之外的系统100的其他组件中。在本公开的一些示例中，PD风险确定组件120还可以使用机器学习模型来确定牙周病风险水平。例如，PD风险确定组件120使用的机器学习模型可以通过类似于方法500的过程进行训练。PD风险确定组件使用的训练机器学习模型的过程可以包括：接收宠物的牙周病属性数据样本、准备牙周病属性数据样本、使用准备的牙周病属性数据样本训练机器学习模型以确定分类，以及存储经训练的机器学习模型。宠物的牙周病样本数据可以从多种源获得。

PD风险确定组件120所使用的机器学习模型可以根据与方法600类似的过程进行操作。在准备好数据后，机器学习模型可以从一个或多个数据源接收与宠物相关联的一个或多个牙周病属性数据。例如，机器学习模型可以从宠物信息数据库110接收与宠物相关联的一个或多个牙周病属性数据。可以通过经训练的机器学习模型分析与宠物相关联的一个或多个牙周病属性数据，以确定宠物的分类。最后，机器学习模型或利用机器学习模型的PD风险确定组件120可以基于分类确定牙周病(PD)风险水平。

图7示出了可以执行本文所提出的技术的计算机系统的实现。计算机系统700可以包括一组指令，该指令可以被执行以使计算机系统700执行本文所公开的一种或多种方法或基于计算机的功能。计算机系统700可以作为独立设备运行，或者可以例如使用网络连接到其他计算机系统或外围设备。

在网络部署中，计算机系统700可以作为服务器运行，或者在服务器-客户端用户网络环境中作为客户端用户计算机运行，或者在对等(或分布式)网络环境中作为对等计算机系统运行。计算机系统700还可以实现为或并入各种设备，例如个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动设备、掌上电脑、笔记本电脑、台式电脑、通信设备、无线电话、固定电话、控制系统、照相机、扫描仪、传真机、打印机、寻呼机、个人可信设备、网络设备、网络路由器、交换机或网桥，或者任何其他能够执行一组指令(顺序或其他)的机器，这些指令指定该机器要采取的操作。在特定的实现中，计算机系统700可以使用提供语音、视频或数据通信的电子设备来实现。此外，虽然示出了单个计算机系统700，但术语“系统”还应理解为包括单独或联合执行一组或多组指令以执行一个或多个计算机功能的任何系统或子系统的集合。

如图7所示，计算机系统700可以包括处理器702，例如中央处理单元(CPU)、图形处理单元(GPU)或两者。处理器702可以是各种系统中的组件。例如，处理器702可以是标准个人计算机或工作站的一部分。处理器702可以是一个或多个通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列、服务器、网络、数字电路、模拟电路及其组合、或者其他现在已知或以后开发的用于分析和处理数据的设备。处理器702可以执行软件程序，例如手动生成的(即，编程的)代码。

计算机系统700可以包括能够经由总线708通信的存储器704。存储器704可以是主存储器，也可以是静态存储器或动态存储器。存储器704可以包括但不限于计算机可读存储介质，例如各种类型的易失性存储介质和非易失性存储介质，包括但不限于随机存取存储器、只读存储器、可编程只读存储器、电可编程只读存储器、电可擦除只读存储器、闪存、磁带或磁盘、光学介质等。在一个实现中，存储器704包括处理器702的缓存或随机存取存储器。在可替代的实现中，存储器704与处理器702分离，例如处理器的缓存内存、系统内存或其他存储器。存储器704可以是用于存储数据的外部存储设备或数据库。示例包括硬盘、光盘(“CD”)、数字视频光盘(“DVD”)、存储卡、记忆棒、软盘、通用串行总线(“USB”)存储设备或任何其他用于存储数据的设备。存储器704用于存储处理器702可执行的指令。图中所示或本文所述的功能、动作或任务可以由编程处理器702执行存储在存储器704中的指令来执行。这些功能、动作或任务与特定类型的指令集、存储介质、处理器或处理策略无关，可以由软件、硬件、集成电路、固件、微代码等单独或组合执行。同样，处理策略可以包括多处理、多任务、并行处理等。

如图所示，计算机系统700还可以包括显示单元710，例如液晶显示器(LCD)、有机发光二极管(OLED)、平板显示器、固态显示器、阴极射线管(CRT)、投影仪、打印机或其他现在已知或后来开发的显示设备，用于输出确定的信息。显示器710可以作为用户查看处理器702运行情况的接口，或者具体地作为与存储在存储器704或驱动单元706中的软件的接口。

附加地或可替代地，计算机系统700可以包括输入设备712，其被配置为允许用户与系统700的任何组件进行交互。输入设备712可以是数字键盘、键盘或光标控制设备(例如鼠标、操纵杆、触摸屏显示器、遥控器或任何其他可与计算机系统700交互的设备)。

计算机系统700还可以或可替代地包括磁盘或光驱单元706。磁盘驱动单元706可以包括计算机可读介质722，其中可以嵌入一组或多组指令724(例如软件)。此外，指令724可以体现本文所述的一种或多种方法或逻辑。指令724在由计算机系统700执行期间可以完全或部分驻留在存储器704内和/或处理器702内。存储器704和处理器702还可以包括如上所述的计算机可读介质。

在一些系统中，计算机可读介质722包括指令724或响应于传播信号来接收并执行指令724，使得连接到网络750的设备可以通过网络750通信语音、视频、音频、图像或任何其他数据。此外，可以经由通信端口或接口720、和/或使用总线708在网络750上传输或接收指令724。通信端口或接口720可以是处理器702的一部分，也可以是单独的组件。通信端口720可以通过软件来创建，也可以是硬件中的物理连接。通信端口720可以被配置为与网络750、外部介质、显示器710、或系统700中的任何其他组件或其组合连接。与网络750的连接可以是物理连接，例如有线以太网连接，或者可以如下所述以无线方式建立。同样，与系统700的其他组件的附加连接可以是物理连接，也可以是无线建立的。网络750也可以直接连接到总线708。

虽然计算机可读介质722被示为单一介质，但是术语“计算机可读介质”可以包括单一介质或多种介质，例如集中式或分布式数据库，和/或存储一组或多组指令的相关缓存和服务器。术语“计算机可读介质”还可以包括能够存储、编码或携带一组指令以供处理器执行或使得计算机系统执行本文公开的一种或多种方法或操作的任何介质。计算机可读介质722可以是非暂态的，并且可以是有形的。

计算机可读介质722可以包括固态存储器，例如存储卡、或容纳一个或多个非易失性只读存储器的其他封装。计算机可读介质722可以是随机存取存储器或者其他易失性可重写存储器。附加地或可替代地，计算机可读介质722可以包括磁光或光学介质，例如磁盘或磁带或其他存储设备，以捕获载波信号，例如通过传输介质传输的信号。电子邮件或其他自包含信息档案或档案集的数字文件附件可被视为有形存储介质的分发介质。因此，本公开被认为包括其中可以存储数据或指令的计算机可读介质、或分发介质以及其他等效物和后续介质中的一种或多种。

在可替代的实现中，可以构建专用硬件实现，例如专用集成电路、可编程逻辑阵列和其他硬件设备，以实现本文描述的一种或多种方法。可以包括各种实现的设备和系统的应用程序可以广泛地包括各种电子和计算机系统。本文描述的一个或多个实现可以使用两个或多个特定的互连硬件模块或设备来实现功能，这些模块或设备具有可以在模块之间或通过模块进行通信的相关控制和数据信号，或者作为专用集成电路的一部分。因此，本系统涵盖软件、固件和硬件实现。

计算机系统700可以连接到一个或多个网络750。网络750可以定义一个或多个网络，包括有线或无线网络。无线网络可以是蜂窝电话网络、802.11、802.16、802.20或WiMax网络。此外，这种网络可以包括公共网络(例如互联网)、专用网络(例如内联网)或其组合，并且可以利用现有或以后开发的各种网络协议，包括但不限于基于TCP/IP的网络协议。网络750可以包括广域网(WAN)，例如互联网、局域网(LAN)、校园网、城域网、直接连接(例如通过通用串行总线(USB)端口)或任何其他可以允许数据通信的网络。网络750可以被配置为将一个计算设备耦合到另一个计算设备，以实现设备之间的数据通信。网络750通常可以采用任何形式的机器可读介质来将信息从一个设备传输到另一个设备。网络750可以包括在计算设备之间传播信息的通信方法。网络750可以被划分为子网络。子网络可以允许与其连接的所有其他组件的访问，或者子网络可以限制组件之间的访问。网络750可以被视为公共或专用网络连接，并且可以包括例如虚拟专用网络或在公共互联网上采用的加密或其他安全机制等。

根据本公开的各种实现方式，本文中描述的方法可以通过计算机系统可执行的软件程序来实现。此外，在示例性、非限制性实现方式中，实现方式可以包括分布式处理、组件/对象分布式处理和并行处理。可替代地，可以构建虚拟计算机系统处理来实现本文所述的一种或多种方法或功能。

尽管本说明书描述了可以在特定实现中参考特定标准和协议实现的组件和功能，但是本公开不限于这些标准和协议。例如，互联网和其他分组交换网络传输标准(如TCP/IP、UDP/IP、HTML、HTTP)代表了技术现状的示例。这些标准会定期被功能基本相同、速度更快或效率更高的同类标准所取代。因此，与本文所公开的标准和协议具有相同或相似功能的替代标准和协议被视为其等效物。

应当理解，在一个实施例中，所讨论的方法的步骤是由处理(即，计算机)系统的适当处理器(或多个处理器)执行存储在存储器中的指令(计算机可读代码)来执行的。还应当理解，所公开的实施例不限于任何特定的实现或编程技术，并且所公开的实施例可以使用用于实现本文所述功能的任何适当技术来实现。所公开的实施例不限于任何特定的编程语言或操作系统。

应当理解，在本发明的示例性实施例的上述描述中，本发明的各种特征有时被组合在单个实施例、附图或其描述中，以便简化公开并帮助理解一个或多个不同的发明方面。然而，这种公开方法不应被解释为反映了一种意图，即所要求保护的发明需要比每个权利要求中明确叙述的更多特征。相反，正如以下权利要求书所反映的那样，创造性方面在于少于前述所公开的单一实施例的所有特征。因此，具体实施方式之后的权利要求特此明确地并入本具体实施方式中，其中每个权利要求本身均作为本发明的单独实施例。

此外，尽管本文描述的一些实施例包括其他实施例中的某些特征而不包括其他特征，但是不同实施例的特征的组合意在本发明的范围之内，并形成不同的实施例，这一点本领域技术人员可以理解。例如，在以下权利要求中，任何要求保护的实施例都可以以任意组合使用。

因此，虽然已经描述了某些实施例，但是本领域技术人员将认识到，可以对其进行其它和进一步的修改而不脱离本发明的精神，并且旨在要求所有此类改变和修改都落入本发明的范围。例如，可以在框图中添加或删除功能，功能框之间也可以交换操作。在本发明的范围内，所描述的方法可以添加或删除步骤。

上面公开的主题应被认为是说明性的，而非限制性的，并且所附的权利要求旨在涵盖落入本公开的真实精神和范围内的所有此类修改、增强和其他实现。因此，在法律允许的最大范围内，本公开的范围应由下列权利要求及其等效物的最广泛允许的解释来确定，而不应受到前述详细描述的限制或制约。尽管已经描述了本公开的各种实现方式，但对于本领域的普通技术人员来说，在本公开的范围内显然还有更多的实现方式是可能的。因此，除了根据所附权利要求书及其等效内容之外，本公开不受限制。