数据类型的变异检测方法、装置、计算机设备及介质与流程

1.本发明涉及数字医疗技术领域，尤其涉及一种数据类型的变异检测方法、装置、计算机设备及介质。


背景技术：

2.随着人工智能技术的发展，基于人工智能模型的数据类型识别任务已广泛应用于数字医疗平台中，数字医疗平台可以支持疾病辅助诊断、健康管理、远程会诊等功能，提高医疗机构的效率，方便居民就医。
3.数据类型识别任务在数字医疗平台内可以应用于病毒携带信息分类场景等，从而准确对病毒携带信息进行分类，例如新冠毒株的分类等，然而，用于数据类型识别的智能模型目前仅能够为输入数据预测最可能属于的数据类别，而如果输入数据存在变异的情况，则仍需要通过人工观察分析的方式进行检测。
4.但是，人工观察分析的方式会消耗较大的人力资源，而且检测的效率较低，难以及时生成检测信息以起到预警作用，而且在对隐私性要求较高的场景中，智能模型往往无法获得较为完备的训练数据，导致基于智能模型的数据类型识别的准确率较低，从而使得在变异检测时缺乏足够可信的参考数据，数据类型变异检测的效率和准确率较低。因此，如何提高数据类型变异检测的准确率和效率成为亟待解决的问题。


技术实现要素：

5.有鉴于此，本发明实施例提供了一种数据类型的变异检测方法、装置、计算机设备及介质，以解决数据类型变异检测的效率和准确率较低的问题。
6.第一方面，本发明实施例提供一种数据类型的变异检测方法，所述变异检测方法包括：
7.将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端，n为大于零的整数；
8.接收所述服务端发送的更新分类模型，所述更新分类模型为所述服务端根据各个客户端提供的所有第一检测数据及其对应的数据类型，对所述基础分类模型进行更新得到的；
9.将在第二目标时间段获取的至少两个第二检测数据分别输入所述更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率；
10.计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵；
11.在所述第二信息熵与所述第一信息熵的差值大于预设的信息熵阈值时，计算所有分类概率的方差，若所述方差大于预设的方差阈值，生成预警信息，所述预警信息用于表达所述第二检测数据的类型发生变异。
12.第二方面，本发明实施例提供一种数据类型的变异检测装置，所述变异检测装置
包括：
13.数据发送模块，用于将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端，n为大于零的整数；
14.模型接收模块，用于接收所述服务端发送的更新分类模型，所述更新分类模型为所述服务端根据各个客户端提供的所有第一检测数据及其对应的数据类型，对所述基础分类模型进行更新得到的；
15.类别预测模块，用于将在第二目标时间段获取的至少两个第二检测数据分别输入所述更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率；
16.信息熵计算模块，用于计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵；
17.变异预警模块，用于在所述第二信息熵与所述第一信息熵的差值大于预设的信息熵阈值时，计算所有分类概率的方差，若所述方差大于预设的方差阈值，生成预警信息，所述预警信息用于表达所述第二检测数据的类型发生变异。
18.第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的变异检测方法。
19.第四方面，本发明实施例提供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程序，所述计算机程序被处理器执行时实现如第一方面所述的变异检测方法。
20.本发明实施例与现有技术相比存在的有益效果是：
21.将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端，接收服务端发送的更新分类模型，更新分类模型为服务端根据各个客户端提供的所有第一检测数据及其对应的数据类型，对基础分类模型进行更新得到的，将在第二目标时间段获取的至少两个第二检测数据分别输入更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率，计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵，在第二信息熵与第一信息熵的差值大于预设的信息熵阈值时，计算所有分类概率的方差，若方差大于预设的方差阈值，生成预警信息，预警信息用于表达第二检测数据的类型发生变异，通过服务端联合多个客户端的数据进行模型更新，使得更新分类模型的分类准确率较高，根据信息熵比对，确定客户端本地检测数据出现异常情况，便于及时发现变异的数据类型并预警，从而提高了数据类型变异检测的准确率和效率，使得在医疗场景下及时检测出变异的病毒携带信息，提高数字医疗平台的可靠性。
附图说明
22.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性的前提下，还可以根据这些附图获得其他的附图。
23.图1是本发明实施例一提供的一种数据类型的变异检测方法的一应用环境示意
图；
24.图2是本发明实施例一提供的一种数据类型的变异检测方法的流程示意图；
25.图3是本发明实施例二提供的一种数据类型的变异检测装置的结构示意图；
26.图4是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
27.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
28.应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
29.还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
30.如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0031]
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0032]
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0033]
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0034]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0035]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0036]
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
[0037]
本发明实施例一提供的一种数据类型的变异检测方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、云端终端设备、个人数字助理(personal digital assistant，pda)等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0038]
客户端和服务端可以部署于数字医疗平台中，数字医疗平台可以支持疾病辅助诊断、健康管理、远程会诊等功能，从而提高医疗机构的效率，方便居民就医，客户端可以提供数据类型的变异检测任务，以在医疗场景下进行如病毒携带信息、毒株类型等出现变异时的及时检测，提高数据类型检测的效率。
[0039]
参见图2，是本发明实施例一提供的一种数据类型的变异检测方法的流程示意图，上述变异检测方法可以应用于图1中的客户端，客户端隶属于联合系统，联合系统可以包括服务端和多个客户端，客户端对应的计算机设备与服务端通信，以将客户端本地的第一检测数据及其对应的数据类型发送至服务端，以为服务端对基础分类模型的训练提供训练数据，客户端对应的计算机设备接收服务端发送的更新分类模型，更新分类模型可以是指更新好的分类模型。如图2所示，该变异检测方法可以包括以下步骤：
[0040]
步骤s201，将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端。
[0041]
其中，第一目标时间段可以用于确定采集数据的时间段，n为大于零的整数，第一检测数据可以是指将要作为训练数据的检测数据，第一检测数据对应的数据类型可以是指第一检测数据所属的数据类别，本实施例中以病毒携带信息类别为例，具体地，以新冠病毒的毒株类型作为第一检测数据所属的数据类别，毒株类型可以包括阿尔法、贝塔、德尔塔、奥密克戎等毒株类型，相应地，此时第一检测数据可以为新冠病毒的核酸检测数据。
[0042]
服务端可以是指联合系统中的中心服务端，在联合系统中，该中心服务端分别与多个客户端通信，但多个客户端两两之间并不进行通信，以保证本地数据的隐私性，基础分类模型可以是指待更新的分类模型，待更新的分类模型可以是已经预训练好的分类模型。
[0043]
具体地，在本实施例中，服务端应当是可信服务端，也即每个客户端都可以信任服务端能够保护其本地数据的隐私。
[0044]
每个客户端在本地进行数据采集时，可以采用相同的第一目标时间段，例如，可以以天作为数据采集的单位，则第一目标时间段可以是每天的0时至24时。
[0045]
在一种实施方式中，各个客户端所采用的第一目标时间段可以各不相同，例如客户端a的第一目标时间段为每天的0时至24时，客户端b的第一目标时间段为每周的周一和周二等，但需要说明的是，无论第一目标时间段是否相同，各个客户端均应当在服务端设置的接收时限之前将采集到的数据发送给服务端，例如，接收时限可以设置为每周的周五。
[0046]
上述将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端的步骤，能够以多客户端的形式向服务端发送本地数据，从而为服务端进行基础分类模型的训练提供足够丰富的数据，提高训练好的更新分类模型的分类准确率，同时能够有效保护本地数据的隐私性。
[0047]
步骤s202，接收服务端发送的更新分类模型。
[0048]
其中，更新分类模型为服务端根据各个客户端提供的所有第一检测数据及其对应的数据类型，对基础分类模型进行更新得到的。
[0049]
具体地，服务端以一个接收到的第一检测数据及其对应的数据类型作为一组训练样本及其标签，联合所有组训练样本及其标签，对服务端部署的基础分类模型进行训练，训练所采用的损失函数可以是交叉熵损失函数，需要说明的是，基础分类模型可以是指预训练好的分类模型，也即在服务端每次更新时，均以该预训练好的分类模型作为基础分类模型。
[0050]
在一种实施方式中，服务端可以将上次更新好的分类模型作为基础分类模型，此时每次更新时均能够保留一部分已学习到的知识，同时学习到该次更新时所有组训练样本及标签的知识。
[0051]
在一种实施方式中，还可以通过客户端对搭载于客户端本地的分类模型进行训练，客户端本地的分类模型可以是预训练好的分类模型或者上一次更新时由服务器发送的更新分类模型，客户端以本地的所有第一检测数据及其对应的数据类型，作为本地训练样本及其对应的标签，对本地的分类模型进行训练，训练损失函数仍可以采用交叉熵损失函数，在本地的分类模型训练完成后，客户端直接将本地的分类模型的模型参数发送给服务端，服务端整合多个客户端提供的本地分类模型的模型参数，得到更新分类模型的模型参数，再将更新分类模型的模型参数分发至每个客户端，从而进一步提升了客户端本地数据的隐私性，也即仅有客户端本地能够得知本地数据的具体内容，其他客户端以及服务端均无法获取到本地数据的具体内容，但服务端所提供的更新分类模型的模型参数能够学习到多个客户端本地数据的知识。
[0052]
可选的是，对基础分类模型进行更新包括：
[0053]
获取基础分类模型的基础模型参数；
[0054]
根据各个客户端提供的所有第一检测数据及其对应的数据类型，对基础模型参数进行更新，得到更新模型参数；
[0055]
将基础模型参数和更新模型参数相加，确定相加结果为目标模型参数，根据目标模型参数对基础分类模型进行配置，得到更新分类模型。
[0056]
其中，基础模型参数可以是指基础分类模型的模型参数，更新模型参数可以用于表征基于各个客户端提供的所有第一检测数据及其对应的数据类型学习到的知识，目标模型参数可以用于配置分类模型以得到更新分类模型。
[0057]
具体地，基础模型参数和更新模型参数的计算方式还可以包括均值计算、加权求和计算、加权均值计算等，以计算结果作为目标模型参数。
[0058]
服务端在采用目标模型参数对基础分类进行配置后，需要将目标模型参数分发给每个客户端，以供客户端进行本地分类模型的配置。
[0059]
可选的是，根据各个客户端提供的所有第一检测数据及其对应的数据类型，对基础模型参数进行更新，得到更新模型参数包括：
[0060]
统计所有客户端提供的所有第一检测数据的总数量，针对任一个客户端，根据客户端提供的所有第一检测数据及其对应的数据类型，对基础模型参数进行更新，得到第一子模型参数；
[0061]
统计客户端提供的所有第一检测数据的第一数量，以第一数量和总数量作比，得到客户端对应的参考权重；
[0062]
将第一子模型参数和参考权重相乘，确定相乘结果为加权子模型参数；
[0063]
遍历所有客户端，得到对应客户端的加权子模型参数，将所有加权子模型参数相加，确定相加结果为更新模型参数。
[0064]
其中，总数量可以是指服务端在更新时间段内接收到的所有第一检测数据的数量总和，更新时间段可以是指服务端在上一次更新时刻到当前更新时刻之间的时间范围。
[0065]
第一子模型参数可以是指基于单个客户端提供的数据对基础模型参数进行更新后的结果，第一数量可以是指单个客户端在更新时间段内提供的第一检测数据的数量总和，参考权重可以用于表征单个客户端对于用于更新的数据量的贡献程度，加权子模型参数可以用于表征第一子模型参数结合对应客户端的贡献程度后的修正子模型参数。
[0066]
具体地，参考权重越大，说明对应的客户端为当前更新提供了越多的数据，相应地，根据该客户端提供的数据学习到的知识在对分类模型进行更新时，也应当具有更大的影响力，因此，以参考权重和对应客户端的第一子模型参数的乘积作为加权子模型参数，需要说明的是，所有加权子模型的参数计算方式还可以包括均值计算等。
[0067]
上述接收服务端发送的更新分类模型的步骤，能够使客户端获取到服务端进行联邦学习后的更新分类模型，从而为每个客户端部署泛化能力更强，准确率更高的分类模型，提高了后续类型预测的准确率。
[0068]
步骤s203，将在第二目标时间段获取的至少两个第二检测数据分别输入更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率。
[0069]
其中，第二目标时间段也可以用于确定采集数据的时间段，但需要说明的是，第二目标时间段的起始时刻应当晚于第一目标时间段的终止时刻，也即，在第二目标时间段采集到的所有第二检测数据均采用更新分类模型进行类别预测，第二检测数据可以是指客户端在第二目标时间段采集到的本地检测数据，预测类型可以是指对应第二检测数据的由更新分类模型的预测结果，分类概率可以是指对应第二检测数据属于预测类型的概率，预测类型可以属于任一数据类型。
[0070]
可选的是，将在第二目标时间段获取的至少两个第二检测数据分别输入更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率包括：
[0071]
针对任一个第二检测数据，将第二检测数据输入更新分类模型中进行类别预测，输出第二检测数据分别对应m个预设类型的预测概率，m为大于零的整数；
[0072]
确定所有预测概率中的最大值为第二检测数据的分类概率，以分类概率对应的预设类型作为第二检测数据的预测类型；
[0073]
遍历所有第二检测数据，得到对应第二检测数据的预测类型及其分类概率。
[0074]
其中，预设类型可以与数据类型相对应，也即一个预设类型有相对应的一个数据类型，m可以用于表示所有数据类型的数量。
[0075]
具体地，更新分类模型预测输入的第二检测数据分别属于不同预设类型的预测值，对单个第二检测数据输出的m个预测值，分别通过归一化指数函数进行归一化处理，确定归一化结果为每个预设类型对应第二检测数据的预测概率，需要说明的是，所有预设类型对应第二检测数据的预测概率之和为1。
[0076]
若一个预测概率是所有预测概率中的最大值，则说明输入的第二检测数据属于该预测概率对应的预设类型的可能性最大，以最大值作为该第二检测数据的分类概率。
[0077]
步骤s204，计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵。
[0078]
其中，第一信息熵可以用于表征所有第一检测数据对应数据类型的不确定性，第二信息熵可以用于表征所有第二检测数据对应预测类型的不确定性。
[0079]
可选的是，计算所有数据类型的信息熵，得到第一信息熵包括：
[0080]
在n个第一检测数据中，统计分别属于每个数据类型的第一检测数据的数量，以对应数据类型的数量和n作比，确定比值为对应数据类型的第一参考概率；
[0081]
根据所有数据类型对应的第一参考概率和信息熵函数，计算得到第一信息熵。
[0082]
其中，第一参考概率可以用于表征任一个第一检测数据属于对应数据类型的概率，该概率为统计概率，也即可以理解为，从所有第一检测数据中任选一个第一检测数据，该第一检测数据属于对应的数据类型的概率。
[0083]
具体地，第一信息熵的计算公式可以表示为：
[0084][0085]
其中，h(x)可以是指所有第一检测数据对应数据类型的第一信息熵，xm可以是指第m个数据类型，m为数据类型的总数量，p(xm)可以是指第m个数据类型的第一参考概率。
[0086]
可选的是，计算所有预测类型的信息熵，得到第二信息熵包括：
[0087]
在所有第二检测数据中，统计分别属于每个预测类型的第二检测数据的数量，以对应预测类型的数量和所有第二检测数据的总数量作比，确定比值为对应预测类型的第二参考概率；
[0088]
根据所有预测类型对应的第二参考概率和信息熵函数，计算得到第二信息熵。
[0089]
其中，第二参考概率可以用于表征任一个第二检测数据属于对应预测类型的概率，该概率也为统计概率，也即可以理解为，从所有第二检测数据中任选一个第二检测数据，该第二检测数据属于对应的预测类型的概率。
[0090]
具体地，第一信息熵的计算公式可以表示为：
[0091][0092]
其中，h(y)可以是指所有第二检测数据对应预测类型的第二信息熵，ym可以是指第m个预测类型，预测类型的总数量与数据类型的总数量相同，也为m，p(ym)可以是指第m个预测类型的第二参考概率。
[0093]
上述计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵的步骤，通过信息熵对所有第一检测数据对应数据类型的不确定程度和所有第二检测数据对应预测类型的不确定程度进行表征，使得不确定程度的变化能够量化，便于后续基于第一信息熵和第二信息熵分析本地数据发生变异，提高数据类型变异检测的准确率。
[0094]
步骤s205，在第二信息熵与第一信息熵的差值大于预设的信息熵阈值时，计算所有分类概率的方差，若方差大于预设的方差阈值，生成预警信息。
[0095]
其中，预警信息用于表达第二检测数据的类型发生变异，方差可以表征所有分类概率的稳定程度，信息熵阈值可以用于判断信息熵是否出现较大幅度的变化，该较大幅度的变化通常是由于出现数据类型异常，而导致某一数据类型下的检测数据异常增多，方差阈值可以用于判断分类概率互相之间的偏差是否过大，分类概率互相之间的偏差通常是由于部分检测数据的分类概率较小造成的，而分类概率较小说明分类模型在训练时可能未学习到此类检测数据的知识，仅是由于分类任务的限制，将其分配至对应的预测类型。
[0096]
具体地，在计算第二信息熵与第一信息熵的差值之后，可以对差值进行绝对值计算，将绝对值计算结果与预设的信息熵阈值比较，若绝对值计算结果大于预设的信息熵阈值，本实施例中，信息熵阈值可以设置为0.2，实施者可根据实际情况调整该信息熵阈值，说明客户端本地采集到的检测数据包含的信息量出现大幅度变化，该大幅度变化的原因在于，在符合原有分布的第一检测数据之外，还存在其他第一检测数据，而这些其他第一检测数据并未在分类模型中存在对应的数据类型，导致分类模型在执行分类任务时，将这些其他第一检测数据错误分类到已知的数据类型中，导致信息熵出现大幅度变化。
[0097]
计算所有分类概率的方差，将方差与方差阈值进行比较的过程，可以认为是核验步骤，也即，通过第二信息熵与第一信息熵的差值和预设的信息熵阈值的比较结果，确定可能存在数据类型异常情况，通过方差与方差阈值进行比较的过程，进一步确定是否属于数据类型异常情况。
[0098]
由于更新分类模型是动态更新的，默认更新分类模型能够及时学习到检测数据的知识，也即对于已知数据类型的检测数据，更新分类模型能够输出接近于1的分类概率，而如果出现异常数据类型的检测数据，更新分类模型仍能够输出分类概率，但此时分类概率会较小，例如分类概率为0.5，此时，异常数据类型的检测数据仅是相较于其他数据类型更可能属于预测类型，因此，可以根据分类概率的方差来确定是否存在此类检测数据。
[0099]
可选的是，在检测到第二信息熵与第一信息熵的差值大于预设的信息熵阈值之后，还包括：
[0100]
针对任一个数据类型，获取属于数据类型的所有第一检测数据在n个第一检测数据中的占比，得到第一比值；
[0101]
获取属于与数据类型相同的预测类型的各个第二检测数据在所有第二检测数据中的占比，得到第二比值；
[0102]
以第二比值和第一比值的差值作为数据类型的新增比例，遍历所有数据类型，得到对应数据类型的新增比例，确定新增比例的最大值对应的数据类型为目标类型；
[0103]
相应地，计算所有分类概率的方差，若方差大于预设的方差阈值，生成预警信息包括：
[0104]
计算属于目标类型的所有第二检测数据对应的分类概率的方差，若方差大于预设的方差阈值，生成预警信息。
[0105]
其中，第一比值可以用于表征属于对应数据类型的第一检测数据在所有第一检测数据中的比重，第一比值可以用于表征属于对应预测类型的第二检测数据在所有第二检测数据中的比重。
[0106]
新增比例可以用于表征对应数据类型的检测数据量的变化程度，目标类型可以是指最可能包含异常检测数据的数据类型。
[0107]
具体地，新增比例的最大值对应的数据类型即为所对应检测数据量变化程度最大的数据类型，该数据类型更可能包含异常数据类型的检测数据。
[0108]
在一种实施方式中，也可以确定新增比例最大的前k个数据类型为目标类型，分别计算每个目标类型对应的方差，再与方差阈值比较，从而避免遗漏，本实施例中，方差阈值可以设置为5。
[0109]
相应地，在确定目标类型之后，仅通过目标类型对应的分类概率的方差变化，即可检测到是否存在异常数据类型的检测数据，从而能够有效减少计算量，提高计算效率和检测效率。
[0110]
本实施例中，通过服务端联合多个客户端的数据进行模型更新，使得更新分类模型的分类准确率较高，根据信息熵比对，确定客户端本地检测数据出现异常情况，便于及时发现变异的数据类型并预警，从而提高了数据类型变异检测的准确率和效率，使得在医疗场景下及时检测出变异的病毒携带信息，提高数字医疗平台的可靠性。
[0111]
对应于上文实施例的数据类型的变异检测方法，图3示出了本发明实施例二提供的数据类型的变异检测装置的结构框图，上述变异检测装置应用于客户端，客户端隶属于联合系统，联合系统可以包括服务端和多个客户端，客户端对应的计算机设备与服务端通信，以将客户端本地的第一检测数据及其对应的数据类型发送至服务端，以为服务端对基础分类模型的训练提供训练数据，客户端对应的计算机设备接收服务端发送的更新分类模型，更新分类模型可以是指更新好的分类模型。为了便于说明，仅示出了与本发明实施例相关的部分。
[0112]
参见图3，该变异检测装置包括：
[0113]
数据发送模块31，用于将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端，n为大于零的整数；
[0114]
模型接收模块32，用于接收服务端发送的更新分类模型，更新分类模型为服务端根据各个客户端提供的所有第一检测数据及其对应的数据类型，对基础分类模型进行更新得到的；
[0115]
类别预测模块33，用于将在第二目标时间段获取的至少两个第二检测数据分别输入更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率；
[0116]
信息熵计算模块34，用于计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵；
[0117]
变异预警模块35，用于在第二信息熵与第一信息熵的差值大于预设的信息熵阈值时，计算所有分类概率的方差，若方差大于预设的方差阈值，生成预警信息，预警信息用于表达第二检测数据的类型发生变异。
[0118]
可选的是，上述变异检测装置还包括：
[0119]
参数获取模块，用于获取基础分类模型的基础模型参数；
[0120]
模型更新模块，用于根据各个客户端提供的所有第一检测数据及其对应的数据类型，对基础模型参数进行更新，得到更新模型参数；
[0121]
参数配置模块，用于将基础模型参数和更新模型参数相加，确定相加结果为目标
模型参数，根据目标模型参数对基础分类模型进行配置，得到更新分类模型。
[0122]
可选的是，上述模型更新模块包括：
[0123]
子参数获取单元，用于统计所有客户端提供的所有第一检测数据的总数量，针对任一个客户端，根据客户端提供的所有第一检测数据及其对应的数据类型，对基础模型参数进行更新，得到第一子模型参数；
[0124]
权重计算单元，用于统计客户端提供的所有第一检测数据的第一数量，以第一数量和总数量作比，得到客户端对应的参考权重；
[0125]
参数加权单元，用于将第一子模型参数和参考权重相乘，确定相乘结果为加权子模型参数；
[0126]
参数确定单元，用于遍历所有客户端，得到对应客户端的加权子模型参数，将所有加权子模型参数相加，确定相加结果为更新模型参数。
[0127]
可选的是，上述类别预测模块33包括：
[0128]
概率预测单元，用于针对任一个第二检测数据，将第二检测数据输入更新分类模型中进行类别预测，输出第二检测数据分别对应m个预设类型的预测概率，m为大于零的整数；
[0129]
类型确定单元，用于确定所有预测概率中的最大值为第二检测数据的分类概率，以分类概率对应的预设类型作为第二检测数据的预测类型；
[0130]
数据遍历单元，用于遍历所有第二检测数据，得到对应第二检测数据的预测类型及其分类概率。
[0131]
可选的是，上述信息熵计算模块34包括：
[0132]
第一概率计算单元，用于在n个第一检测数据中，统计分别属于每个数据类型的第一检测数据的数量，以对应数据类型的数量和n作比，确定比值为对应数据类型的第一参考概率；
[0133]
第一信息熵计算单元，用于根据所有数据类型对应的第一参考概率和信息熵函数，计算得到第一信息熵。
[0134]
可选的是，上述信息熵计算模块34包括：
[0135]
第二概率计算单元，用于在所有第二检测数据中，统计分别属于每个预测类型的第二检测数据的数量，以对应预测类型的数量和所有第二检测数据的总数量作比，确定比值为对应预测类型的第二参考概率；
[0136]
第二信息熵计算单元，用于根据所有预测类型对应的第二参考概率和信息熵函数，计算得到第二信息熵。
[0137]
可选的是，上述变异检测装置还包括：
[0138]
第一比值计算模块，用于针对任一个数据类型，获取属于数据类型的所有第一检测数据在n个第一检测数据中的占比，得到第一比值；
[0139]
第二比值计算模块，用于获取属于与数据类型相同的预测类型的各个第二检测数据在所有第二检测数据中的占比，得到第二比值；
[0140]
目标类型确定模块，用于以第二比值和第一比值的差值作为数据类型的新增比例，遍历所有数据类型，得到对应数据类型的新增比例，确定新增比例的最大值对应的数据类型为目标类型；
[0141]
相应地，上述变异预警模块35包括：
[0142]
方差计算单元，用于计算属于目标类型的所有第二检测数据对应的分类概率的方差，若方差大于预设的方差阈值，生成预警信息。
[0143]
需要说明的是，上述模块、单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0144]
图4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示，该实施例的计算机设备包括：至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个变异检测方法实施例中的步骤。
[0145]
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
[0146]
所称处理器可以是cpu，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0147]
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0148]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的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。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机
程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0149]
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
[0150]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0151]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0152]
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0153]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
[0154]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种数据类型的变异检测方法，其特征在于，方法用于联合系统中的客户端，所述联合系统还包括服务端，所述变异检测方法包括：将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端，n为大于零的整数；接收所述服务端发送的更新分类模型，所述更新分类模型为所述服务端根据各个客户端提供的所有第一检测数据及其对应的数据类型，对所述基础分类模型进行更新得到的；将在第二目标时间段获取的至少两个第二检测数据分别输入所述更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率；计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵；在所述第二信息熵与所述第一信息熵的差值大于预设的信息熵阈值时，计算所有分类概率的方差，若所述方差大于预设的方差阈值，生成预警信息，所述预警信息用于表达所述第二检测数据的类型发生变异。2.根据权利要求1所述的变异检测方法，其特征在于，所述对所述基础分类模型进行更新包括：获取所述基础分类模型的基础模型参数；根据所述各个客户端提供的所有第一检测数据及其对应的数据类型，对所述基础模型参数进行更新，得到更新模型参数；将所述基础模型参数和所述更新模型参数相加，确定相加结果为目标模型参数，根据所述目标模型参数对所述基础分类模型进行配置，得到所述更新分类模型。3.根据权利要求2所述的变异检测方法，其特征在于，所述根据所述各个客户端提供的所有第一检测数据及其对应的数据类型，对所述基础模型参数进行更新，得到更新模型参数包括：统计所有客户端提供的所有第一检测数据的总数量，针对任一个客户端，根据所述客户端提供的所有第一检测数据及其对应的数据类型，对所述基础模型参数进行更新，得到第一子模型参数；统计所述客户端提供的所有第一检测数据的第一数量，以所述第一数量和所述总数量作比，得到所述客户端对应的参考权重；将所述第一子模型参数和所述参考权重相乘，确定相乘结果为加权子模型参数；遍历所有客户端，得到对应客户端的加权子模型参数，将所有加权子模型参数相加，确定相加结果为所述更新模型参数。4.根据权利要求1所述的变异检测方法，其特征在于，所述将在第二目标时间段获取的至少两个第二检测数据分别输入所述更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率包括：针对任一个第二检测数据，将所述第二检测数据输入所述更新分类模型中进行类别预测，输出所述第二检测数据分别对应m个预设类型的预测概率，m为大于零的整数；确定所有预测概率中的最大值为所述第二检测数据的分类概率，以所述分类概率对应的预设类型作为所述第二检测数据的预测类型；遍历所有第二检测数据，得到所述对应第二检测数据的预测类型及其分类概率。
5.根据权利要求1所述的变异检测方法，其特征在于，所述计算所有数据类型的信息熵，得到第一信息熵包括：在所述n个第一检测数据中，统计分别属于每个数据类型的第一检测数据的数量，以对应数据类型的数量和n作比，确定比值为对应数据类型的第一参考概率；根据所有数据类型对应的第一参考概率和信息熵函数，计算得到所述第一信息熵。6.根据权利要求1所述的变异检测方法，其特征在于，所述计算所有预测类型的信息熵，得到第二信息熵包括：在所有第二检测数据中，统计分别属于每个预测类型的第二检测数据的数量，以对应预测类型的数量和所有第二检测数据的总数量作比，确定比值为对应预测类型的第二参考概率；根据所有预测类型对应的第二参考概率和信息熵函数，计算得到所述第二信息熵。7.根据权利要求1至6任一项所述的变异检测方法，其特征在于，在检测到所述第二信息熵与所述第一信息熵的差值大于预设的信息熵阈值之后，还包括：针对任一个数据类型，获取属于所述数据类型的所有第一检测数据在所述n个第一检测数据中的占比，得到第一比值；获取属于与所述数据类型相同的预测类型的各个第二检测数据在所有第二检测数据中的占比，得到第二比值；以所述第二比值和所述第一比值的差值作为所述数据类型的新增比例，遍历所有数据类型，得到对应数据类型的新增比例，确定新增比例的最大值对应的数据类型为目标类型；相应地，所述计算所有分类概率的方差，若所述方差大于预设的方差阈值，生成预警信息包括：计算属于所述目标类型的所有第二检测数据对应的分类概率的方差，若所述方差大于预设的方差阈值，生成所述预警信息。8.一种数据类型的变异检测装置，其特征在于，所述变异检测装置包括：数据发送模块，用于将在第一目标时间段获取的n个第一检测数据及其对应的数据类型发送至包含有基础分类模型的服务端，n为大于零的整数；模型接收模块，用于接收所述服务端发送的更新分类模型，所述更新分类模型为所述服务端根据各个客户端提供的所有第一检测数据及其对应的数据类型，对所述基础分类模型进行更新得到的；类别预测模块，用于将在第二目标时间段获取的至少两个第二检测数据分别输入所述更新分类模型中进行类别预测，输出对应第二检测数据的预测类型及其分类概率；信息熵计算模块，用于计算所有数据类型的信息熵，得到第一信息熵，计算所有预测类型的信息熵，得到第二信息熵；变异预警模块，用于在所述第二信息熵与所述第一信息熵的差值大于预设的信息熵阈值时，计算所有分类概率的方差，若所述方差大于预设的方差阈值，生成预警信息，所述预警信息用于表达所述第二检测数据的类型发生变异。9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的变异检测方法。
10.一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任一项所述的变异检测方法。

技术总结
本发明涉及数字医疗技术领域，尤其涉及一种数据类型的变异检测方法、装置、计算机设备及介质。该方法将N个第一检测数据及其对应的数据类型发送至服务端，接收服务端发送的更新分类模型，将第二检测数据输入更新分类模型中，输出预测类型及其分类概率，计算所有数据类型的第一信息熵，计算所有预测类型的第二信息熵，在第二信息熵与第一信息熵的差值大于信息熵阈值时，计算所有分类概率的方差，若方差大于方差阈值，生成预警信息，使更新分类模型的分类准确率较高，便于及时发现变异的数据类型并预警，从而提高数据类型变异检测的准确率和效率，使得在医疗场景下及时检测出变异的病毒携带信息，提高数字医疗平台的可靠性。提高数字医疗平台的可靠性。提高数字医疗平台的可靠性。


技术研发人员：瞿晓阳 王健宗 刘承昊
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.15
技术公布日：2023/8/31