一种基于健康大数据的个性化预警模型的制作方法

1.本发明涉及预警模型技术领域，尤其涉及一种基于健康大数据的个性化预警模型。


背景技术：

2.随着社会发展水平的不断提升，人们越来越关注生命健康问题。尤其是现代生活压力大，各种慢性病的诱发风险与日俱增。据相关数据显示，70％国人有过劳死危险，76％的白领处于亚健康状态，20％国人患慢性病，慢性病死亡率占86％。传统的健康管理模式，已经不能满足人们对健康管理的需求。现在医疗大数据平台，利用云计算、大数据以及人工智能等先进技术，不断探索新的健康管理模式，为用户提供专业的个性化健康管理服务。而健康管理的优势在于，用户可以通过数据直观地了解身体健康状况，及时发现健康危险因素。可以做到早发现早预防，合理改善自身生活方式，选择恰当的医疗方式，避免小病变大病，有效控制慢性病的发展，大大降低日后的医疗费用支出。
3.但是目前现有的预警模型技术仍存在模型构建过程固定，且构建的模型缺少个性化，导致构建的预警模型对于健康问题预测的准确率较低，用户使用感较差的问题，因此，我们提出一种基于健康大数据的个性化预警模型用于解决上述问题。


技术实现要素：

4.本发明的目的是为了解决目前现有的预警模型技术仍存在模型构建过程固定，且构建的模型缺少个性化，导致构建的预警模型对于健康问题预测的准确率较低，用户使用感较差等问题，而提出的一种基于健康大数据的个性化预警模型。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种基于健康大数据的个性化预警模型，包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，所述建立模块与信息获取模块连接，所述信息获取模块与筛选模块连接，所述筛选模块与个性化信息获取模块连接，所述个性化信息获取模块与信息分类模块连接，所述信息分类模块与编码标记模块连接，所述编码标记模块与构建模块连接，所述构建模块分别与训练模块、计算模块、健康预警模块连接，所述训练模块与计算模块连接，所述健康预警模块与处理模块连接；
7.优选的，所述建立模块用于建立专用健康大数据库，所述信息获取模块用于获取健康网站、医院、用户以及搜索引擎的数据连接权限，并通过权限获取健康信息，所述筛选模块用于对获取的健康信息进行筛选，所述个性化信息获取模块用于获取用户个性化信息，所述信息分类模块用于对用户健康信息进行分类，所述编码标记模块用于对获取的信息进行编码标记，所述构建模块用于构建预警模型框架以及个性化预警模型，所述训练模块用于对构建的预警模型框架进行训练，所述计算模块用于对训练结果进行计算，所述健康预警模块用于随用户健康进行预警，所诉处理模块用于对预警结果进行处理；
8.其构建方法包括以下步骤：
9.s1：建立数据库：由专业人员建立专用健康大数据库；
10.s2：获取信息：由计算机通过连接权限获取用户个性化信息；
11.s3：构建个性化预警模型：由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型；
12.s4：健康预警：通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理；
13.优选的，所述s1中，由专业人员建立专用健康大数据库，其中建立专用健康大数据库前由专业人员获取健康网站、医院、用户以及搜索引擎的数据连接权限，通过连接权限对健康网站、医院以及搜索引擎的全部健康信息进行获取，并将获取的健康信息进行筛选，其中所述筛选过程包括数据对比和数据过滤，且进行筛选时先通过计算机对获取的数据进行比对，通过对比结果进行判断，通判断结果进行处理，其中对比结果显示获取的数据存在相同数据则由计算机进行随机选择保存一个数据，并对其余相同数据进行删除，对比结果显示获取的数据存在相似数据则由计算机对所述数据进行全面搜索，通过全面搜索结果对数据进行判断，通过判断结果进行处理，其中全面对比结果显示所述数据相似度高于65％则判断为相同数据，全面对比结果显示所述数据相似度不高于65％则判断为不同数据，且判断结果为相同数据则由计算机进行随机选择保存一个数据，判断结果为不相同数据则由计算机对所述数据进行过滤，其中进行过滤时采用计算机对数据进行一对一识别，通过一对一识别判断数据是否为完整数据，并通过判断结果进行多，其中判断结果显示数据为完整数据则将数据进行存储，判断结果显示数据为不完整数据则由计算机将所述数据进行删除；
14.优选的，所述s2中，由计算机通过连接权限获取用户个性化信息，其中进行信息获取时先由计算机从表达用户个性化的文件中获取用户的健康信息兴趣区域，其中所述文件包括用户主动填写的健康需求信息、个人简介信息、用户提交的健康指标数据以及用户体检数据，其中所述健康需求信息为用户对健康预警范围的要求，所述个人简介信息需包括用户的作息规律、工作方式、饮食习惯以及现存健康问题信息，所述健康指标数据为用户的身体机能数据，所述用户体检数据包括用户的历史体检数据、历史用药数据以及医院记录数据，同时通过计算机监控用户对于健康信息的搜索浏览过程，并由计算机通过监控过程分析用户对于健康信息的浏览偏好，健康信息网站根据用户的浏览偏好进行健康信息推荐，并由计算机通过用户对推荐信息的浏览行为推断用户的健康预防偏好，其中所述个性化信息获取过程采用web挖掘技术，通过感知用户的反应，分析用户行为的意图获取用户感兴趣的健康信息以及对所述信息的感性程度；
15.优选的，所述s3中，由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型，其中进行编码前由专业人员先对用户健康信息进行分类，其中进行分类时由专业人员选取同类信息的相同属性及特征作为编码标记，并将分类结果输入计算机，计算机通过接收到的编码标记进行预警模型框架构建，并将构建的预警模型框架进行训练，通过训练结果进行准确率计算，通过计算结果进行判断，通过判断结果进行处理，其中计算结果显示预测准确率大于96％则判断为模型框架成熟，计算结果显示预测准确率不大于96％则判断为模型框架未成熟，且判断结果显示模型框架成熟则通过所述预警模型框架构
建个性化预警模型，判断结果显示模型框架未成熟则由专业人员继续进行训练，并通过训练结果进行计算，通过计算结果进行判断、处理，直至计算结果显示准确率大于96％则停止训练，并进行个性化预警模型构建，所述个性化模型构建是通过计算机获取用户健康信息，并由计算机对获取的用户健康信息数据进行分类，通过分类将信息数据进行编码标记，其中进行分类时采用的编码标记与预警模型框架含有的编码标记相同，信息数据进行编码标记后通过预警模型框架将信息数据自动补填进所述预警模型框架中对应编码标记的存储位置构建个性化健康预警模型，同时由专业人员通过ai深度学习技术对所述个性化健康预警模型的构建过程进行学习；
16.优选的，所述s4中，通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理，其中进行健康预测时由计算机通过建立的健康大数据库获取用户健康信息数据以及用户个性化文件，通过获取的信息对用户健康情况进行分析，并通过分析结果获取用户的健康数据变化规律，同时由计算机通过搜索引擎对健康网站进行职业病检索，其中进行职业病检索时检索内容包括职业病类型、职业病病因以及职业病形成过程，通过检索结果对医院进行数据检索，并通过数据检索结果对所述职业病的形成因素及形成过程进行分析，将分析结果与用户作息规律、工作方式、饮食习惯以及现存健康问题进行对比预测用户的未来健康问题，并将预测结果通过获取的用户健康预防偏好以及健康需求信息进行处理，其中用户设置健康需求信息则由计算机根据用户设置的健康预警范围进行警报标记，用户未设置健康需求信息则由计算机将预测结果显示在5年内出现的健康问题进行警报标记，对显示在5年后出现的健康问题进行信息打包，由计算机将拥有警报标记的健康问题发送至用户浏览的健康网站首页，并将其余健康问题信息打包发送至用户邮箱，其中所述拥有警报标记的健康问题在健康网站首页采用弹窗形式存在，用户需通过阅读取消弹窗，且用户进行阅读时由计算机进行时长计时，通过计时结果进行判断，通过判断结果进行处理，其中计时时长不超过3min则判断为未读，计时时长超过3min则判断为已读，且判断结果为未读则所述弹窗无法取消，判断结果为已读则由计算机自动取消所述弹窗，并将弹窗信息打包发送至用户邮箱，同时根据用户的健康浏览偏好将健康网站的信息更换为与预测出的健康问题相关的网页信息，且计算机对医院进行数据检索时根据获取的职业病信息对所述职业病的解决方法进行获取，并通过预测出的用户未来健康问题提取对应的解决方法，由计算机将提取出的解决方法进行单独打包发送至用户邮箱，其中所述解决方法包括预测出的全部健康问题的解决方法。
17.与现有技术相比，本发明的有益效果是：
18.1、通过构建健康预警模型框架，并对用户进行个性化信息获取，通过获取的信息与健康预警模型框架共同构建个性化预警模型，提高了健康问题预测准确率，同时个性化预警模型为一对一预警模型，提高了用户对于预警模型的使用感。
19.本发明的目的是通过构建健康预警模型框架，并对用户进行个性化信息获取，通过获取的信息与健康预警模型框架共同构建个性化预警模型，提高了健康问题预测准确率，同时个性化预警模型为一对一预警模型，提高了用户对于预警模型的使用感。
附图说明
20.图1为本发明提出的一种基于健康大数据的个性化预警模型的结构图；
21.图2为本发明提出的一种基于健康大数据的个性化预警模型的模型构建流程图。
具体实施方式
22.下面将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实施例，而不是全部的实施例。
23.实施例一
24.参照图1，一种基于健康大数据的个性化预警模型，包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，所述建立模块与信息获取模块连接，所述信息获取模块与筛选模块连接，所述筛选模块与个性化信息获取模块连接，所述个性化信息获取模块与信息分类模块连接，所述信息分类模块与编码标记模块连接，所述编码标记模块与构建模块连接，所述构建模块分别与训练模块、计算模块、健康预警模块连接，所述训练模块与计算模块连接，所述健康预警模块与处理模块连接，所述建立模块用于建立专用健康大数据库，所述信息获取模块用于获取健康网站、医院、用户以及搜索引擎的数据连接权限，并通过权限获取健康信息，所述筛选模块用于对获取的健康信息进行筛选，所述个性化信息获取模块用于获取用户个性化信息，所述信息分类模块用于对用户健康信息进行分类，所述编码标记模块用于对获取的信息进行编码标记，所述构建模块用于构建预警模型框架以及个性化预警模型，所述训练模块用于对构建的预警模型框架进行训练，所述计算模块用于对训练结果进行计算，所述健康预警模块用于随用户健康进行预警，所诉处理模块用于对预警结果进行处理；
25.参照图2，其构建方法包括以下步骤：
26.s1：建立数据库：由专业人员建立专用健康大数据库，其中建立专用健康大数据库前由专业人员获取健康网站、医院、用户以及搜索引擎的数据连接权限，通过连接权限对健康网站、医院以及搜索引擎的全部健康信息进行获取，并将获取的健康信息进行筛选，其中所述筛选过程包括数据对比和数据过滤，且进行筛选时先通过计算机对获取的数据进行比对，通过对比结果进行判断，通判断结果进行处理，其中对比结果显示获取的数据存在相同数据则由计算机进行随机选择保存一个数据，并对其余相同数据进行删除，对比结果显示获取的数据存在相似数据则由计算机对所述数据进行全面搜索，通过全面搜索结果对数据进行判断，通过判断结果进行处理，其中全面对比结果显示所述数据相似度高于65％则判断为相同数据，全面对比结果显示所述数据相似度不高于65％则判断为不同数据，且判断结果为相同数据则由计算机进行随机选择保存一个数据，判断结果为不相同数据则由计算机对所述数据进行过滤，其中进行过滤时采用计算机对数据进行一对一识别，通过一对一识别判断数据是否为完整数据，并通过判断结果进行多，其中判断结果显示数据为完整数据则将数据进行存储，判断结果显示数据为不完整数据则由计算机将所述数据进行删除；
27.s2：获取信息：由计算机通过连接权限获取用户个性化信息，其中进行信息获取时先由计算机从表达用户个性化的文件中获取用户的健康信息兴趣区域，其中所述文件包括用户主动填写的健康需求信息、个人简介信息、用户提交的健康指标数据以及用户体检数据，其中所述健康需求信息为用户对健康预警范围的要求，所述个人简介信息需包括用户的作息规律、工作方式、饮食习惯以及现存健康问题信息，所述健康指标数据为用户的身体
机能数据，所述用户体检数据包括用户的历史体检数据、历史用药数据以及医院记录数据，同时通过计算机监控用户对于健康信息的搜索浏览过程，并由计算机通过监控过程分析用户对于健康信息的浏览偏好，健康信息网站根据用户的浏览偏好进行健康信息推荐，并由计算机通过用户对推荐信息的浏览行为推断用户的健康预防偏好，其中所述个性化信息获取过程采用web挖掘技术，通过感知用户的反应，分析用户行为的意图获取用户感兴趣的健康信息以及对所述信息的感性程度；
28.s3：构建个性化预警模型：由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型，其中进行编码前由专业人员先对用户健康信息进行分类，其中进行分类时由专业人员选取同类信息的相同属性及特征作为编码标记，并将分类结果输入计算机，计算机通过接收到的编码标记进行预警模型框架构建，并将构建的预警模型框架进行训练，通过训练结果进行准确率计算，通过计算结果进行判断，通过判断结果进行处理，其中计算结果显示预测准确率大于96％则判断为模型框架成熟，计算结果显示预测准确率不大于96％则判断为模型框架未成熟，且判断结果显示模型框架成熟则通过所述预警模型框架构建个性化预警模型，判断结果显示模型框架未成熟则由专业人员继续进行训练，并通过训练结果进行计算，通过计算结果进行判断、处理，直至计算结果显示准确率大于96％则停止训练，并进行个性化预警模型构建，所述个性化模型构建是通过计算机获取用户健康信息，并由计算机对获取的用户健康信息数据进行分类，通过分类将信息数据进行编码标记，其中进行分类时采用的编码标记与预警模型框架含有的编码标记相同，信息数据进行编码标记后通过预警模型框架将信息数据自动补填进所述预警模型框架中对应编码标记的存储位置构建个性化健康预警模型，同时由专业人员通过ai深度学习技术对所述个性化健康预警模型的构建过程进行学习；
29.s4：健康预警：通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理，其中进行健康预测时由计算机通过建立的健康大数据库获取用户健康信息数据以及用户个性化文件，通过获取的信息对用户健康情况进行分析，并通过分析结果获取用户的健康数据变化规律，同时由计算机通过搜索引擎对健康网站进行职业病检索，其中进行职业病检索时检索内容包括职业病类型、职业病病因以及职业病形成过程，通过检索结果对医院进行数据检索，并通过数据检索结果对所述职业病的形成因素及形成过程进行分析，将分析结果与用户作息规律、工作方式、饮食习惯以及现存健康问题进行对比预测用户的未来健康问题，并将预测结果通过获取的用户健康预防偏好以及健康需求信息进行处理，其中用户设置健康需求信息则由计算机根据用户设置的健康预警范围进行警报标记，用户未设置健康需求信息则由计算机将预测结果显示在5年内出现的健康问题进行警报标记，对显示在5年后出现的健康问题进行信息打包，由计算机将拥有警报标记的健康问题发送至用户浏览的健康网站首页，并将其余健康问题信息打包发送至用户邮箱，其中所述拥有警报标记的健康问题在健康网站首页采用弹窗形式存在，用户需通过阅读取消弹窗，且用户进行阅读时由计算机进行时长计时，通过计时结果进行判断，通过判断结果进行处理，其中计时时长不超过3min则判断为未读，计时时长超过3min则判断为已读，且判断结果为未读则所述弹窗无法取消，判断结果为已读则由计算机自动取消所述弹窗，并将弹窗信息打包发送至用户邮箱，同时根据用户的健康浏览偏好将健康网站的信息更换为与预测出的健康问题相关的网页信息，且计算机对医院进行数据检索时根据获取的职业病信息对所述职业
病的解决方法进行获取，并通过预测出的用户未来健康问题提取对应的解决方法，由计算机将提取出的解决方法进行单独打包发送至用户邮箱，其中所述解决方法包括预测出的全部健康问题的解决方法。
30.实施例二
31.参照图1，一种基于健康大数据的个性化预警模型，包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，所述建立模块与信息获取模块连接，所述信息获取模块与筛选模块连接，所述筛选模块与个性化信息获取模块连接，所述个性化信息获取模块与信息分类模块连接，所述信息分类模块与编码标记模块连接，所述编码标记模块与构建模块连接，所述构建模块分别与训练模块、计算模块、健康预警模块连接，所述训练模块与计算模块连接，所述健康预警模块与处理模块连接，所述建立模块用于建立专用健康大数据库，所述信息获取模块用于获取健康网站、医院、用户以及搜索引擎的数据连接权限，并通过权限获取健康信息，所述筛选模块用于对获取的健康信息进行筛选，所述个性化信息获取模块用于获取用户个性化信息，所述信息分类模块用于对用户健康信息进行分类，所述编码标记模块用于对获取的信息进行编码标记，所述构建模块用于构建预警模型框架以及个性化预警模型，所述训练模块用于对构建的预警模型框架进行训练，所述计算模块用于对训练结果进行计算，所述健康预警模块用于随用户健康进行预警，所诉处理模块用于对预警结果进行处理；
32.参照图2，其构建方法包括以下步骤：
33.s1：建立数据库：由专业人员建立专用健康大数据库，其中建立专用健康大数据库前由专业人员获取健康网站、医院、用户以及搜索引擎的数据连接权限，通过连接权限对健康网站、医院以及搜索引擎的全部健康信息进行获取，并将获取的健康信息进行筛选，其中所述筛选过程包括数据对比和数据过滤，且进行筛选时先通过计算机对获取的数据进行比对，通过对比结果进行判断，通判断结果进行处理，其中对比结果显示获取的数据存在相同数据则由计算机进行随机选择保存一个数据，并对其余相同数据进行删除，对比结果显示获取的数据存在相似数据则由计算机对所述数据进行全面搜索，通过全面搜索结果对数据进行判断，通过判断结果进行处理；
34.s2：获取信息：由计算机通过连接权限获取用户个性化信息，其中进行信息获取时先由计算机从表达用户个性化的文件中获取用户的健康信息兴趣区域，其中所述文件包括用户主动填写的健康需求信息、个人简介信息、用户提交的健康指标数据以及用户体检数据，其中所述健康需求信息为用户对健康预警范围的要求，所述个人简介信息需包括用户的作息规律、工作方式、饮食习惯以及现存健康问题信息，所述健康指标数据为用户的身体机能数据，所述用户体检数据包括用户的历史体检数据、历史用药数据以及医院记录数据，同时通过计算机监控用户对于健康信息的搜索浏览过程，并由计算机通过监控过程分析用户对于健康信息的浏览偏好，健康信息网站根据用户的浏览偏好进行健康信息推荐，并由计算机通过用户对推荐信息的浏览行为推断用户的健康预防偏好，其中所述个性化信息获取过程采用web挖掘技术，通过感知用户的反应，分析用户行为的意图获取用户感兴趣的健康信息以及对所述信息的感性程度；
35.s3：构建个性化预警模型：由计算机将获取的信息进行编码标记，并通过编码标记
构建个性化预警模型，其中进行编码前由专业人员先对用户健康信息进行分类，其中进行分类时由专业人员选取同类信息的相同属性及特征作为编码标记，并将分类结果输入计算机，计算机通过接收到的编码标记进行预警模型框架构建，并将构建的预警模型框架进行训练，通过训练结果进行准确率计算，通过计算结果进行判断，通过判断结果进行处理，其中计算结果显示预测准确率大于96％则判断为模型框架成熟，计算结果显示预测准确率不大于96％则判断为模型框架未成熟，且判断结果显示模型框架成熟则通过所述预警模型框架构建个性化预警模型，判断结果显示模型框架未成熟则由专业人员继续进行训练，并通过训练结果进行计算，通过计算结果进行判断、处理，直至计算结果显示准确率大于96％则停止训练，并进行个性化预警模型构建，所述个性化模型构建是通过计算机获取用户健康信息，并由计算机对获取的用户健康信息数据进行分类，通过分类将信息数据进行编码标记，其中进行分类时采用的编码标记与预警模型框架含有的编码标记相同，信息数据进行编码标记后通过预警模型框架将信息数据自动补填进所述预警模型框架中对应编码标记的存储位置构建个性化健康预警模型，同时由专业人员通过ai深度学习技术对所述个性化健康预警模型的构建过程进行学习；
36.s4：健康预警：通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理，其中进行健康预测时由计算机通过建立的健康大数据库获取用户健康信息数据以及用户个性化文件，通过获取的信息对用户健康情况进行分析，并通过分析结果获取用户的健康数据变化规律，同时由计算机通过搜索引擎对健康网站进行职业病检索，其中进行职业病检索时检索内容包括职业病类型、职业病病因以及职业病形成过程，通过检索结果对医院进行数据检索，并通过数据检索结果对所述职业病的形成因素及形成过程进行分析，将分析结果与用户作息规律、工作方式、饮食习惯以及现存健康问题进行对比预测用户的未来健康问题，并将预测结果通过获取的用户健康预防偏好以及健康需求信息进行处理，其中用户设置健康需求信息则由计算机根据用户设置的健康预警范围进行警报标记，用户未设置健康需求信息则由计算机将预测结果显示在5年内出现的健康问题进行警报标记，对显示在5年后出现的健康问题进行信息打包，由计算机将拥有警报标记的健康问题发送至用户浏览的健康网站首页，并将其余健康问题信息打包发送至用户邮箱，其中所述拥有警报标记的健康问题在健康网站首页采用弹窗形式存在，用户需通过阅读取消弹窗，且用户进行阅读时由计算机进行时长计时，通过计时结果进行判断，通过判断结果进行处理，其中计时时长不超过3min则判断为未读，计时时长超过3min则判断为已读，且判断结果为未读则所述弹窗无法取消，判断结果为已读则由计算机自动取消所述弹窗，并将弹窗信息打包发送至用户邮箱，同时根据用户的健康浏览偏好将健康网站的信息更换为与预测出的健康问题相关的网页信息，且计算机对医院进行数据检索时根据获取的职业病信息对所述职业病的解决方法进行获取，并通过预测出的用户未来健康问题提取对应的解决方法，由计算机将提取出的解决方法进行单独打包发送至用户邮箱，其中所述解决方法包括预测出的全部健康问题的解决方法。
37.实施例三
38.参照图1，一种基于健康大数据的个性化预警模型，包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，所述建立模块与信息获取模块连接，所述信息获取模块与
筛选模块连接，所述筛选模块与个性化信息获取模块连接，所述个性化信息获取模块与信息分类模块连接，所述信息分类模块与编码标记模块连接，所述编码标记模块与构建模块连接，所述构建模块分别与训练模块、计算模块、健康预警模块连接，所述训练模块与计算模块连接，所述健康预警模块与处理模块连接，所述建立模块用于建立专用健康大数据库，所述信息获取模块用于获取健康网站、医院、用户以及搜索引擎的数据连接权限，并通过权限获取健康信息，所述筛选模块用于对获取的健康信息进行筛选，所述个性化信息获取模块用于获取用户个性化信息，所述信息分类模块用于对用户健康信息进行分类，所述编码标记模块用于对获取的信息进行编码标记，所述构建模块用于构建预警模型框架以及个性化预警模型，所述训练模块用于对构建的预警模型框架进行训练，所述计算模块用于对训练结果进行计算，所述健康预警模块用于随用户健康进行预警，所诉处理模块用于对预警结果进行处理；
39.参照图2，其构建方法包括以下步骤：
40.s1：建立数据库：由专业人员建立专用健康大数据库，其中建立专用健康大数据库前由专业人员获取健康网站、医院、用户以及搜索引擎的数据连接权限，通过连接权限对健康网站、医院以及搜索引擎的全部健康信息进行获取，并将获取的健康信息进行筛选，其中所述筛选过程包括数据对比和数据过滤，且进行筛选时先通过计算机对获取的数据进行比对，通过对比结果进行判断，通判断结果进行处理，其中对比结果显示获取的数据存在相同数据则由计算机进行随机选择保存一个数据，并对其余相同数据进行删除，对比结果显示获取的数据存在相似数据则由计算机对所述数据进行全面搜索，通过全面搜索结果对数据进行判断，通过判断结果进行处理，其中全面对比结果显示所述数据相似度高于65％则判断为相同数据，全面对比结果显示所述数据相似度不高于65％则判断为不同数据，且判断结果为相同数据则由计算机进行随机选择保存一个数据，判断结果为不相同数据则由计算机对所述数据进行过滤，其中进行过滤时采用计算机对数据进行一对一识别，通过一对一识别判断数据是否为完整数据，并通过判断结果进行多，其中判断结果显示数据为完整数据则将数据进行存储，判断结果显示数据为不完整数据则由计算机将所述数据进行删除；
41.s2：获取信息：由计算机通过连接权限获取用户个性化信息，其中进行信息获取时先由计算机从表达用户个性化的文件中获取用户的健康信息兴趣区域，其中所述文件包括用户主动填写的健康需求信息、个人简介信息、用户提交的健康指标数据以及用户体检数据，并由计算机通过监控过程分析用户对于健康信息的浏览偏好，健康信息网站根据用户的浏览偏好进行健康信息推荐，并由计算机通过用户对推荐信息的浏览行为推断用户的健康预防偏好，其中所述个性化信息获取过程采用web挖掘技术，通过感知用户的反应，分析用户行为的意图获取用户感兴趣的健康信息以及对所述信息的感性程度；
42.s3：构建个性化预警模型：由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型，其中进行编码前由专业人员先对用户健康信息进行分类，其中进行分类时由专业人员选取同类信息的相同属性及特征作为编码标记，并将分类结果输入计算机，计算机通过接收到的编码标记进行预警模型框架构建，并将构建的预警模型框架进行训练，通过训练结果进行准确率计算，通过计算结果进行判断，通过判断结果进行处理，其中计算结果显示预测准确率大于96％则判断为模型框架成熟，计算结果显示预测准确率不大于96％则判断为模型框架未成熟，且判断结果显示模型框架成熟则通过所述预警模型框
架构建个性化预警模型，判断结果显示模型框架未成熟则由专业人员继续进行训练，并通过训练结果进行计算，通过计算结果进行判断、处理，直至计算结果显示准确率大于96％则停止训练，并进行个性化预警模型构建，所述个性化模型构建是通过计算机获取用户健康信息，并由计算机对获取的用户健康信息数据进行分类，通过分类将信息数据进行编码标记，其中进行分类时采用的编码标记与预警模型框架含有的编码标记相同，信息数据进行编码标记后通过预警模型框架将信息数据自动补填进所述预警模型框架中对应编码标记的存储位置构建个性化健康预警模型，同时由专业人员通过ai深度学习技术对所述个性化健康预警模型的构建过程进行学习；
43.s4：健康预警：通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理，其中进行健康预测时由计算机通过建立的健康大数据库获取用户健康信息数据以及用户个性化文件，通过获取的信息对用户健康情况进行分析，并通过分析结果获取用户的健康数据变化规律，同时由计算机通过搜索引擎对健康网站进行职业病检索，其中进行职业病检索时检索内容包括职业病类型、职业病病因以及职业病形成过程，通过检索结果对医院进行数据检索，并通过数据检索结果对所述职业病的形成因素及形成过程进行分析，将分析结果与用户作息规律、工作方式、饮食习惯以及现存健康问题进行对比预测用户的未来健康问题，并将预测结果通过获取的用户健康预防偏好以及健康需求信息进行处理，其中用户设置健康需求信息则由计算机根据用户设置的健康预警范围进行警报标记，用户未设置健康需求信息则由计算机将预测结果显示在5年内出现的健康问题进行警报标记，对显示在5年后出现的健康问题进行信息打包，由计算机将拥有警报标记的健康问题发送至用户浏览的健康网站首页，并将其余健康问题信息打包发送至用户邮箱，其中所述拥有警报标记的健康问题在健康网站首页采用弹窗形式存在，用户需通过阅读取消弹窗，且用户进行阅读时由计算机进行时长计时，通过计时结果进行判断，通过判断结果进行处理，其中计时时长不超过3min则判断为未读，计时时长超过3min则判断为已读，且判断结果为未读则所述弹窗无法取消，判断结果为已读则由计算机自动取消所述弹窗，并将弹窗信息打包发送至用户邮箱，同时根据用户的健康浏览偏好将健康网站的信息更换为与预测出的健康问题相关的网页信息，且计算机对医院进行数据检索时根据获取的职业病信息对所述职业病的解决方法进行获取，并通过预测出的用户未来健康问题提取对应的解决方法，由计算机将提取出的解决方法进行单独打包发送至用户邮箱，其中所述解决方法包括预测出的全部健康问题的解决方法。
44.实施例四
45.参照图1，一种基于健康大数据的个性化预警模型，包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，所述建立模块与信息获取模块连接，所述信息获取模块与筛选模块连接，所述筛选模块与个性化信息获取模块连接，所述个性化信息获取模块与信息分类模块连接，所述信息分类模块与编码标记模块连接，所述编码标记模块与构建模块连接，所述构建模块分别与训练模块、计算模块、健康预警模块连接，所述训练模块与计算模块连接，所述健康预警模块与处理模块连接，所述建立模块用于建立专用健康大数据库，所述信息获取模块用于获取健康网站、医院、用户以及搜索引擎的数据连接权限，并通过权限获取健康信息，所述筛选模块用于对获取的健康信息进行筛选，所述个性化信息获取模
块用于获取用户个性化信息，所述信息分类模块用于对用户健康信息进行分类，所述编码标记模块用于对获取的信息进行编码标记，所述构建模块用于构建预警模型框架以及个性化预警模型，所述训练模块用于对构建的预警模型框架进行训练，所述计算模块用于对训练结果进行计算，所述健康预警模块用于随用户健康进行预警，所诉处理模块用于对预警结果进行处理；
46.参照图2，其构建方法包括以下步骤：
47.s1：建立数据库：由专业人员建立专用健康大数据库，其中建立专用健康大数据库前由专业人员获取健康网站、医院、用户以及搜索引擎的数据连接权限，通过连接权限对健康网站、医院以及搜索引擎的全部健康信息进行获取，并将获取的健康信息进行筛选，其中所述筛选过程包括数据对比和数据过滤，且进行筛选时先通过计算机对获取的数据进行比对，通过对比结果进行判断，通判断结果进行处理，其中对比结果显示获取的数据存在相同数据则由计算机进行随机选择保存一个数据，并对其余相同数据进行删除，对比结果显示获取的数据存在相似数据则由计算机对所述数据进行全面搜索，通过全面搜索结果对数据进行判断，通过判断结果进行处理，其中全面对比结果显示所述数据相似度高于65％则判断为相同数据，全面对比结果显示所述数据相似度不高于65％则判断为不同数据，且判断结果为相同数据则由计算机进行随机选择保存一个数据，判断结果为不相同数据则由计算机对所述数据进行过滤，其中进行过滤时采用计算机对数据进行一对一识别，通过一对一识别判断数据是否为完整数据，并通过判断结果进行多，其中判断结果显示数据为完整数据则将数据进行存储，判断结果显示数据为不完整数据则由计算机将所述数据进行删除；
48.s2：获取信息：由计算机通过连接权限获取用户个性化信息，其中进行信息获取时先由计算机从表达用户个性化的文件中获取用户的健康信息兴趣区域，其中所述文件包括用户主动填写的健康需求信息、个人简介信息、用户提交的健康指标数据以及用户体检数据，其中所述健康需求信息为用户对健康预警范围的要求，所述个人简介信息需包括用户的作息规律、工作方式、饮食习惯以及现存健康问题信息，所述健康指标数据为用户的身体机能数据，所述用户体检数据包括用户的历史体检数据、历史用药数据以及医院记录数据，同时通过计算机监控用户对于健康信息的搜索浏览过程，并由计算机通过监控过程分析用户对于健康信息的浏览偏好，健康信息网站根据用户的浏览偏好进行健康信息推荐，并由计算机通过用户对推荐信息的浏览行为推断用户的健康预防偏好，其中所述个性化信息获取过程采用web挖掘技术，通过感知用户的反应，分析用户行为的意图获取用户感兴趣的健康信息以及对所述信息的感性程度；
49.s3：构建个性化预警模型：由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型，其中进行编码前由专业人员先对用户健康信息进行分类，其中进行分类时由专业人员选取同类信息的相同属性及特征作为编码标记，并将分类结果输入计算机，计算机通过接收到的编码标记进行预警模型框架构建，并将构建的预警模型框架进行训练，通过训练结果进行准确率计算，通过计算结果进行判断，通过判断结果进行处理，信息数据进行编码标记后通过预警模型框架将信息数据自动补填进所述预警模型框架中对应编码标记的存储位置构建个性化健康预警模型，同时由专业人员通过ai深度学习技术对所述个性化健康预警模型的构建过程进行学习；
50.s4：健康预警：通过个性化预警模型对用户进行健康预警，并通过预警结果进行处
理，其中进行健康预测时由计算机通过建立的健康大数据库获取用户健康信息数据以及用户个性化文件，通过获取的信息对用户健康情况进行分析，并通过分析结果获取用户的健康数据变化规律，同时由计算机通过搜索引擎对健康网站进行职业病检索，其中进行职业病检索时检索内容包括职业病类型、职业病病因以及职业病形成过程，通过检索结果对医院进行数据检索，并通过数据检索结果对所述职业病的形成因素及形成过程进行分析，将分析结果与用户作息规律、工作方式、饮食习惯以及现存健康问题进行对比预测用户的未来健康问题，并将预测结果通过获取的用户健康预防偏好以及健康需求信息进行处理，其中用户设置健康需求信息则由计算机根据用户设置的健康预警范围进行警报标记，用户未设置健康需求信息则由计算机将预测结果显示在5年内出现的健康问题进行警报标记，对显示在5年后出现的健康问题进行信息打包，由计算机将拥有警报标记的健康问题发送至用户浏览的健康网站首页，并将其余健康问题信息打包发送至用户邮箱，其中所述拥有警报标记的健康问题在健康网站首页采用弹窗形式存在，用户需通过阅读取消弹窗，且用户进行阅读时由计算机进行时长计时，通过计时结果进行判断，通过判断结果进行处理，其中计时时长不超过3min则判断为未读，计时时长超过3min则判断为已读，且判断结果为未读则所述弹窗无法取消，判断结果为已读则由计算机自动取消所述弹窗，并将弹窗信息打包发送至用户邮箱，同时根据用户的健康浏览偏好将健康网站的信息更换为与预测出的健康问题相关的网页信息，且计算机对医院进行数据检索时根据获取的职业病信息对所述职业病的解决方法进行获取，并通过预测出的用户未来健康问题提取对应的解决方法，由计算机将提取出的解决方法进行单独打包发送至用户邮箱，其中所述解决方法包括预测出的全部健康问题的解决方法。
51.实施例五
52.参照图1，一种基于健康大数据的个性化预警模型，包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，所述建立模块与信息获取模块连接，所述信息获取模块与筛选模块连接，所述筛选模块与个性化信息获取模块连接，所述个性化信息获取模块与信息分类模块连接，所述信息分类模块与编码标记模块连接，所述编码标记模块与构建模块连接，所述构建模块分别与训练模块、计算模块、健康预警模块连接，所述训练模块与计算模块连接，所述健康预警模块与处理模块连接，所述建立模块用于建立专用健康大数据库，所述信息获取模块用于获取健康网站、医院、用户以及搜索引擎的数据连接权限，并通过权限获取健康信息，所述筛选模块用于对获取的健康信息进行筛选，所述个性化信息获取模块用于获取用户个性化信息，所述信息分类模块用于对用户健康信息进行分类，所述编码标记模块用于对获取的信息进行编码标记，所述构建模块用于构建预警模型框架以及个性化预警模型，所述训练模块用于对构建的预警模型框架进行训练，所述计算模块用于对训练结果进行计算，所述健康预警模块用于随用户健康进行预警，所诉处理模块用于对预警结果进行处理；
53.参照图2，其构建方法包括以下步骤：
54.s1：建立数据库：由专业人员建立专用健康大数据库，其中建立专用健康大数据库前由专业人员获取健康网站、医院、用户以及搜索引擎的数据连接权限，通过连接权限对健康网站、医院以及搜索引擎的全部健康信息进行获取，并将获取的健康信息进行筛选，其中
所述筛选过程包括数据对比和数据过滤，且进行筛选时先通过计算机对获取的数据进行比对，通过对比结果进行判断，通判断结果进行处理，其中对比结果显示获取的数据存在相同数据则由计算机进行随机选择保存一个数据，并对其余相同数据进行删除，对比结果显示获取的数据存在相似数据则由计算机对所述数据进行全面搜索，通过全面搜索结果对数据进行判断，通过判断结果进行处理，其中全面对比结果显示所述数据相似度高于65％则判断为相同数据，全面对比结果显示所述数据相似度不高于65％则判断为不同数据，且判断结果为相同数据则由计算机进行随机选择保存一个数据，判断结果为不相同数据则由计算机对所述数据进行过滤，其中进行过滤时采用计算机对数据进行一对一识别，通过一对一识别判断数据是否为完整数据，并通过判断结果进行多，其中判断结果显示数据为完整数据则将数据进行存储，判断结果显示数据为不完整数据则由计算机将所述数据进行删除；
55.s2：获取信息：由计算机通过连接权限获取用户个性化信息，其中进行信息获取时先由计算机从表达用户个性化的文件中获取用户的健康信息兴趣区域，其中所述文件包括用户主动填写的健康需求信息、个人简介信息、用户提交的健康指标数据以及用户体检数据，其中所述健康需求信息为用户对健康预警范围的要求，所述个人简介信息需包括用户的作息规律、工作方式、饮食习惯以及现存健康问题信息，所述健康指标数据为用户的身体机能数据，所述用户体检数据包括用户的历史体检数据、历史用药数据以及医院记录数据，同时通过计算机监控用户对于健康信息的搜索浏览过程，并由计算机通过监控过程分析用户对于健康信息的浏览偏好，健康信息网站根据用户的浏览偏好进行健康信息推荐，并由计算机通过用户对推荐信息的浏览行为推断用户的健康预防偏好，其中所述个性化信息获取过程采用web挖掘技术，通过感知用户的反应，分析用户行为的意图获取用户感兴趣的健康信息以及对所述信息的感性程度；
56.s3：构建个性化预警模型：由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型，其中进行编码前由专业人员先对用户健康信息进行分类，其中进行分类时由专业人员选取同类信息的相同属性及特征作为编码标记，并将分类结果输入计算机，计算机通过接收到的编码标记进行预警模型框架构建，并将构建的预警模型框架进行训练，通过训练结果进行准确率计算，通过计算结果进行判断，通过判断结果进行处理，其中计算结果显示预测准确率大于96％则判断为模型框架成熟，计算结果显示预测准确率不大于96％则判断为模型框架未成熟，且判断结果显示模型框架成熟则通过所述预警模型框架构建个性化预警模型，判断结果显示模型框架未成熟则由专业人员继续进行训练，并通过训练结果进行计算，通过计算结果进行判断、处理，直至计算结果显示准确率大于96％则停止训练，并进行个性化预警模型构建，所述个性化模型构建是通过计算机获取用户健康信息，并由计算机对获取的用户健康信息数据进行分类，通过分类将信息数据进行编码标记，其中进行分类时采用的编码标记与预警模型框架含有的编码标记相同，信息数据进行编码标记后通过预警模型框架将信息数据自动补填进所述预警模型框架中对应编码标记的存储位置构建个性化健康预警模型，同时由专业人员通过ai深度学习技术对所述个性化健康预警模型的构建过程进行学习；
57.s4：健康预警：通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理，其中进行健康预测时由计算机通过建立的健康大数据库获取用户健康信息数据以及用户个性化文件，通过获取的信息对用户健康情况进行分析，并通过分析结果获取用户的健
康数据变化规律，同时由计算机通过搜索引擎对健康网站进行职业病检索，其中进行职业病检索时检索内容包括职业病类型、职业病病因以及职业病形成过程，通过检索结果对医院进行数据检索，并通过数据检索结果对所述职业病的形成因素及形成过程进行分析，将分析结果与用户作息规律、工作方式、饮食习惯以及现存健康问题进行对比预测用户的未来健康问题，并将预测结果通过获取的用户健康预防偏好以及健康需求信息进行处理，其中用户设置健康需求信息则由计算机根据用户设置的健康预警范围进行警报标记，用户未设置健康需求信息则由计算机将预测结果显示在5年内出现的健康问题进行警报标记，对显示在5年后出现的健康问题进行信息打包，由计算机将拥有警报标记的健康问题发送至用户浏览的健康网站首页，并将其余健康问题信息打包发送至用户邮箱，其中所述拥有警报标记的健康问题在健康网站首页采用弹窗形式存在，用户需通过阅读取消弹窗。
58.将实施例一、实施例二、实施例三、实施例四和实施例五中一种基于健康大数据的个性化预警模型进行试验，得出结果如下：
[0059][0060]
实施例一、实施例二、实施例三、实施例四和实施例五制得的基于健康大数据的个性化预警模型对比现有模型健康问题预测准确率有了显著提高，且实施例一为最佳实施例。
[0061]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于健康大数据的个性化预警模型，包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，其特征在于，所述建立模块与信息获取模块连接，所述信息获取模块与筛选模块连接，所述筛选模块与个性化信息获取模块连接，所述个性化信息获取模块与信息分类模块连接，所述信息分类模块与编码标记模块连接，所述编码标记模块与构建模块连接，所述构建模块分别与训练模块、计算模块、健康预警模块连接，所述训练模块与计算模块连接，所述健康预警模块与处理模块连接。2.根据权利要求1所述的一种基于健康大数据的个性化预警模型，其特征在于，所述建立模块用于建立专用健康大数据库，所述信息获取模块用于获取健康网站、医院、用户以及搜索引擎的数据连接权限，并通过权限获取健康信息，所述筛选模块用于对获取的健康信息进行筛选，所述个性化信息获取模块用于获取用户个性化信息，所述信息分类模块用于对用户健康信息进行分类，所述编码标记模块用于对获取的信息进行编码标记，所述构建模块用于构建预警模型框架以及个性化预警模型，所述训练模块用于对构建的预警模型框架进行训练，所述计算模块用于对训练结果进行计算，所述健康预警模块用于随用户健康进行预警，所诉处理模块用于对预警结果进行处理。3.根据权利要求1所述的一种基于健康大数据的个性化预警模型，其特征在于，其构建方法包括以下步骤：s1：建立数据库：由专业人员建立专用健康大数据库；s2：获取信息：由计算机通过连接权限获取用户个性化信息；s3：构建个性化预警模型：由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型；s4：健康预警：通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理。4.根据权利要求3所述的一种基于健康大数据的个性化预警模型，其特征在于，所述s1中，由专业人员建立专用健康大数据库，其中建立专用健康大数据库前由专业人员获取健康网站、医院、用户以及搜索引擎的数据连接权限，通过连接权限对健康网站、医院以及搜索引擎的全部健康信息进行获取，并将获取的健康信息进行筛选，其中所述筛选过程包括数据对比和数据过滤，且进行筛选时先通过计算机对获取的数据进行比对，通过对比结果进行判断，通判断结果进行处理，其中对比结果显示获取的数据存在相同数据则由计算机进行随机选择保存一个数据，并对其余相同数据进行删除，对比结果显示获取的数据存在相似数据则由计算机对所述数据进行全面搜索，通过全面搜索结果对数据进行判断，通过判断结果进行处理，其中全面对比结果显示所述数据相似度高于65％则判断为相同数据，全面对比结果显示所述数据相似度不高于65％则判断为不同数据，且判断结果为相同数据则由计算机进行随机选择保存一个数据，判断结果为不相同数据则由计算机对所述数据进行过滤，其中进行过滤时采用计算机对数据进行一对一识别，通过一对一识别判断数据是否为完整数据，并通过判断结果进行多，其中判断结果显示数据为完整数据则将数据进行存储，判断结果显示数据为不完整数据则由计算机将所述数据进行删除。5.根据权利要求3所述的一种基于健康大数据的个性化预警模型，其特征在于，所述s2中，由计算机通过连接权限获取用户个性化信息，其中进行信息获取时先由计算机从表达用户个性化的文件中获取用户的健康信息兴趣区域，其中所述文件包括用户主动填写的健
康需求信息、个人简介信息、用户提交的健康指标数据以及用户体检数据，其中所述健康需求信息为用户对健康预警范围的要求，所述个人简介信息需包括用户的作息规律、工作方式、饮食习惯以及现存健康问题信息，所述健康指标数据为用户的身体机能数据，所述用户体检数据包括用户的历史体检数据、历史用药数据以及医院记录数据，同时通过计算机监控用户对于健康信息的搜索浏览过程，并由计算机通过监控过程分析用户对于健康信息的浏览偏好，健康信息网站根据用户的浏览偏好进行健康信息推荐，并由计算机通过用户对推荐信息的浏览行为推断用户的健康预防偏好，其中所述个性化信息获取过程采用web挖掘技术，通过感知用户的反应，分析用户行为的意图获取用户感兴趣的健康信息以及对所述信息的感性程度。6.根据权利要求3所述的一种基于健康大数据的个性化预警模型，其特征在于，所述s3中，由计算机将获取的信息进行编码标记，并通过编码标记构建个性化预警模型，其中进行编码前由专业人员先对用户健康信息进行分类，其中进行分类时由专业人员选取同类信息的相同属性及特征作为编码标记，并将分类结果输入计算机，计算机通过接收到的编码标记进行预警模型框架构建，并将构建的预警模型框架进行训练，通过训练结果进行准确率计算，通过计算结果进行判断，通过判断结果进行处理，其中计算结果显示预测准确率大于96％则判断为模型框架成熟，计算结果显示预测准确率不大于96％则判断为模型框架未成熟，且判断结果显示模型框架成熟则通过所述预警模型框架构建个性化预警模型，判断结果显示模型框架未成熟则由专业人员继续进行训练，并通过训练结果进行计算，通过计算结果进行判断、处理，直至计算结果显示准确率大于96％则停止训练，并进行个性化预警模型构建。7.根据权利要求6所述的一种基于健康大数据的个性化预警模型，其特征在于，所述个性化模型构建是通过计算机获取用户健康信息，并由计算机对获取的用户健康信息数据进行分类，通过分类将信息数据进行编码标记，其中进行分类时采用的编码标记与预警模型框架含有的编码标记相同，信息数据进行编码标记后通过预警模型框架将信息数据自动补填进所述预警模型框架中对应编码标记的存储位置构建个性化健康预警模型，同时由专业人员通过ai深度学习技术对所述个性化健康预警模型的构建过程进行学习。8.根据权利要求3所述的一种基于健康大数据的个性化预警模型，其特征在于，所述s4中，通过个性化预警模型对用户进行健康预警，并通过预警结果进行处理，其中进行健康预测时由计算机通过建立的健康大数据库获取用户健康信息数据以及用户个性化文件，通过获取的信息对用户健康情况进行分析，并通过分析结果获取用户的健康数据变化规律，同时由计算机通过搜索引擎对健康网站进行职业病检索，其中进行职业病检索时检索内容包括职业病类型、职业病病因以及职业病形成过程，通过检索结果对医院进行数据检索，并通过数据检索结果对所述职业病的形成因素及形成过程进行分析，将分析结果与用户作息规律、工作方式、饮食习惯以及现存健康问题进行对比预测用户的未来健康问题，并将预测结果通过获取的用户健康预防偏好以及健康需求信息进行处理，其中用户设置健康需求信息则由计算机根据用户设置的健康预警范围进行警报标记，用户未设置健康需求信息则由计算机将预测结果显示在5年内出现的健康问题进行警报标记，对显示在5年后出现的健康问题进行信息打包，由计算机将拥有警报标记的健康问题发送至用户浏览的健康网站首页，并将其余健康问题信息打包发送至用户邮箱，其中所述拥有警报标记的健康问题在健康网
站首页采用弹窗形式存在，用户需通过阅读取消弹窗，且用户进行阅读时由计算机进行时长计时，通过计时结果进行判断，通过判断结果进行处理，其中计时时长不超过3min则判断为未读，计时时长超过3min则判断为已读，且判断结果为未读则所述弹窗无法取消，判断结果为已读则由计算机自动取消所述弹窗，并将弹窗信息打包发送至用户邮箱，同时根据用户的健康浏览偏好将健康网站的信息更换为与预测出的健康问题相关的网页信息。9.根据权利要求8所述的一种基于健康大数据的个性化预警模型，其特征在于，计算机对医院进行数据检索时根据获取的职业病信息对所述职业病的解决方法进行获取，并通过预测出的用户未来健康问题提取对应的解决方法，由计算机将提取出的解决方法进行单独打包发送至用户邮箱，其中所述解决方法包括预测出的全部健康问题的解决方法。

技术总结
本发明涉及预警模型技术领域，尤其涉及一种基于健康大数据的个性化预警模型，针对当前现有的预警模型技术仍存在模型构建过程固定，且构建的模型缺少个性化，导致构建的预警模型对于健康问题预测的准确率较低，用户使用感较差的问题，现提出如下方案，其中包括建立模块、信息获取模块、筛选模块、个性化信息获取模块、信息分类模块、编码标记模块、构建模块、训练模块、计算模块、健康预警模块、处理模块，本发明的目的是通过构建健康预警模型框架，并对用户进行个性化信息获取，通过获取的信息与健康预警模型框架共同构建个性化预警模型，提高了健康问题预测准确率，同时个性化预警模型为一对一预警模型，提高了用户对于预警模型的使用感。感。感。


技术研发人员：于修和
受保护的技术使用者：坤智数康科技(苏州)有限公司
技术研发日：2022.10.14
技术公布日：2023/5/30