CN107145704B

CN107145704B - 一种面向社区的健康医疗监护、评测系统及其方法

Info

Publication number: CN107145704B
Application number: CN201710186718.8A
Authority: CN
Inventors: 杨刚; 王熙; 千博; 葛兵
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2017-03-27
Filing date: 2017-03-27
Publication date: 2020-11-13
Anticipated expiration: 2037-03-27
Also published as: CN107145704A

Abstract

一种面向社区的健康医疗监护、评测系统及其方法，从数据安全到数据分析方面构建了完整的社区健康医疗监护机制，构建的健康模糊认知图将现有的社区居民各类参数进行整合分析，形成完善的健康影响因子集，加上时间参数的作用，增强了健康预测能力。本发明在社区健康分析领域具有安全、高效、精准的优点，最终形成的数据和结果为健康医疗行业全面精准的健康医疗服务提供保障的同时能够产生良好的经济和社会效益。

Description

一种面向社区的健康医疗监护、评测系统及其方法

技术领域

本发明涉及一种医疗监护及评测系统，具体涉及一种面向社区的健康医疗监护及评测系统。

背景技术

社区医疗（primary care）范围是指一般的医疗保健，即病人在转诊到三甲或专科医院前的一些医疗。社区医疗为提供便利的医疗保健服务，医生的责任是满足绝大部分个人的医疗需求，与病人保持长久的关系，在家庭和社区的具体背景下工作。在大多数国家，社区医疗是病人首先求医之处，是以人群为基础的医疗服务，也是提供连续医疗服务之处，包括治疗慢性病病人、老年病人，需要家庭护理和姑息疗法的病人。社区医疗服务的保障会平衡社会医疗资源供需矛盾。鉴于我国目前国情为将近80%的医疗资源集中在20%的大城市，百姓看病都集中在大医院，导致看病排队时间长，住院床位急缺，挂号难。健全社区医疗网络，使群众小病进社区，大病进医院是解决我国看病难，看病贵的主要手段之一。大病进医院，小病进社区是比较合理的医疗资源配置方式。

我国医疗资源分布不均，人口老龄化问题的加剧和亚健康人群的增多使得急、慢性病的分析预测，监护，急救的需求越来越迫切，健康保障服务也受到广泛关注，随之产生的人体健康监护及评测问题也成为了相关领域的研究热点。

随着数字化建设的不断深入，医院急需一个统一的信息门户平台，可以整合医院信息系统HIS、影像归档和通信系统PACS、检验科信息系统LIS、影像信息系统RIS等业务应用，及协同办公、财务和人力资源等管理应用，可以提供医院管理层、行政人员、医务人员和居民之间的信息互联，可以通过内容发布管理系统实现内、外网的一体化信息发布，让现有的信息、应用和业务系统发挥其最大作用。

作为"十三五"医改计划分级诊疗中的重要一环，社区医疗的成功与否很大程度上决定了我国医改的未来走向。政府希望通过社区医疗的“预判”将更多慢病、小病的病人留在基层，给三甲医院减压。针对现有的社区健康医疗现状，提升社区居民的健康监护水平，提升社区医疗机构的智慧化建设显得越来越重要，同时也吸引了一大批企业和技术的投入。但由于基础条件限制以及技术投入周期较短等因素，目前的社区健康监护机制还是比较薄弱的，还停留在基础体征参数检测上。缺乏周期性的健康监护以及在此基础上的健康分析和健康预测能力。各个社区医疗机构管理独立，对居民的信息保护上缺乏足够的安全意识。同时因为数据独立，导致在居民的大多数健康数据无法在多个系统间相互流通。收集在不同系统的居民的健康数据无法进行关联，产生有效的价值。同时因为目前的医疗诊断，通常是依靠医生对病人的熟知程度和当前的测量数据进行经验判定，对居民的健康缺少宏观的管理和掌握，在一定程度上加重了社区医疗机构的负担，因此社区医疗急需智能的健康分析和健康预判方案。

目前已有的一些健康数据采集终端缺乏统一的管理标准，数据协议也各有不同，导致数据无法进行有效的汇总。大多数健康分析方案都是建立在人体基础体征数据上，通过原始的数据统计方法进行监控及粗略估计，无法进行高效的、全方面的健康分析和疾病预诊。

而在专家构建的基本模型条件下，利用大数据分析技术强大的计算能力全方位地对使用者进行针对性分析，其应用更高效、更精确，且全时段地对各社区居民的健康进行监护及评测，是目前十分符合中国基本国情的，值得深入研究并加以关注的研究方向。

其中FCM模糊认知图简单，直观的图形化表示和快捷的数值推理能力使其在医学，工业过程以及环境监测等领域得到了广泛应用。它是模糊逻辑和神经网络相结合的产物，适用于基于动态数据的非线性系统的描述，预测与控制。由于医疗资源匮乏，医护人员的资源有限，对于中国居民，因其人口众多，很难由医生专家对每名居民构建其健康情况方面的模糊认知图，更不需说能够实时进行健康监护及预测评估了。因此积极采用模糊认知图算法结合大数据分析技术来评估检测居民的健康水平是及其必要的。

发明内容

为了克服上述现有技术的不足，本发明的目的是提出一种面向社区的健康医疗监护及评测系统及基于该系统的一种面向社区的健康医疗监护及评测方法，以解决现有的由于各种功能系统独立工作导致的个人健康数据安全无法得到保证的问题，解决旧有的人工经验进行健康分析导致的分析不够全面、无法进行阶段预测的问题。

为了实现上述目的，本发明采用的技术方案是：

一种面向社区的健康医疗监护及评测系统，包括家庭终端，社区服务器，中央业务服务器集群（中央业务服务器，中央存储服务器），家庭终端通过便携式健康监测设备采集并收集用户健康数据的实时收集，社区医院服务入口通过社区医院平台完成社区居民的历史医疗诊断信息数据的收集，这些数据全部通过移动互联网或有线网络传输至中央业务服务器，中央业务服务器将数据传输至中央存储服务器；同时中央业务服务器会针对用户及社区医院提供的服务包括基础数据查询、用户健康状态分析、用户患病风险评估及预诊，异常预警；面向社区医院的服务，主要包括数据同步、用户健康状态查看、用户健康辅助诊断、异常预警；

所述的家庭终端为用户与中央业务服务器友好交互的平台，它用来实现将实时采集的社区居民的健康数据进行同步传输至中央业务服务器，同时将用户的健康分析结果通过图表视图直观地展示给用户；

所述的社区服务器为社区医院的服务平台，实现将用户的健康历史等数据传输至中央业务服务器，同时能够向中央业务服务器请求用户的健康状态的分析评价信息，同时对中央业务服务器判断的出现异常的用户进行及时的响应；

所述的家庭终端及社区服务器传输给中央业务服务器的社区健康源数据主要包括利用基本的体征传感器如家用医疗设备等收集居民的基础体征数据，居民在社区医院累计的数字病历，社区周边环境数据及与用户健康相关的个人情况调查数据；

所述的家庭终端以及社区服务区与中央业务服务器集群之间的数据传输是通过采用https等安全传输协议来保障传输安全，并对传输数据进行严格的加密过程；

所述的中央业务服务器集群分为中央业务服务器，中央存储服务器，其中，中央存储服务器主要用来存储大量的健康数据，它采用社区作为健康网络中的一个节点的方式，实现健康数据的分布式存储以及分析，其中中央业务服务器主要用于接受数据，对数据进行数据分析及预测的处理，并存储至中央存储服务器中；

所述的数据分析及预测部分包括健康基础分析服务，基于健康模糊认知图（HFCM）的健康指标关系分析以及变化趋势分析；

所述的健康基础分析服务是中央服务集群提供的数据分析及预测部分中最基本的分析服务，它包括健康数据标准检测异常分析；用户在相似群体中的健康数据异常分析；已有疾病的病情分析，根据用户自身健康所关的所有数据随时间变化以及与相似用户群体的健康情况，人体健康数据标准等之间的关系得到的分析结果；

所述的基于健康模糊认知图（HFCM）的健康指标关系分析以及变化趋势分析，是由中央服务集群通过基于模糊认知图FCM的全因素模型法进行居民健康影响因子权重评估以及健康因素变化趋势分析，系统采用的健康影响因子经过专家经验评定、模糊认知图FCM聚类分析两步后得出，而最后由医学专家根据经验和专业知识以及大数据分析计算得到的包含健康影响因子及影响因子之间权重关系的FCM模型即为健康模糊认知图HFCM。

一种面向社区的健康医疗监护及评测方法，所述方法包括下列操作步骤：

1）社区居民通过便携式健康监测设备获取到连续的有效的健康体征数据；

2）便携式设备通过蓝牙4.0以及wifi网络将数据上传至家庭终端，家庭终端中存储有用户的健康历史数据；

3）家庭终端将收集到的居民健康数据通过wifi或移动网络上传至中央业务服务器中；

4）社区医院将社区所有居民身份信息、历史健康信息、居住环境等信息在加密之后通过安全的网络传输协议传输至中央存储服务器中；

5）在中央存储服务器收集到足够的数据时，系统启动健康数据分析服务以分析出具有一般适用性的健康关系图谱，中央业务服务器对所有居民的健康以及生活环境信息通过分类、聚类等方法训练得出具有一定普遍适用性的居民健康分析图谱（HFCM）；

6）中央业务服务器针对现有的健康分析图谱以及居民的当前健康状态为居民提供健康分析和预测服务，当居民的状态出现异常或趋向异常时系统通过居民终端向居民发生警报消息，如果境况较为严重，系统会通过人工干预方式通知相关社区医院进行及时处理；中央业务服务器为用户提供多个层次的健康服务，包括以下步骤组成：

第一步，健康数据标准异常分析服务：

健康数据标准异常分析，指的是系统解析出用户当前上传的健康数据后，根据体征标准指标进行判断是否超出正常范围，如果超出正常范围则进行异常标记，触发报警等其他业务，所述的体征标准指标包括三个标准，包括医学标准指标、居民个人历史健康数据标准指标以及在社区环境一致的群体中的群体历史标准指标，医学指标是指医学规定的各项体征的正常范围指标；居民的个人历史标准指标通过对居民的历史数据进行分析，得出居民健康处于正常状态下体征均值作为个人健康指标；群体历史指标是指外部环境一致情况下，整个聚集群体中健康处于正常状态下的样本的体征均值指标；

第二步，居民健康变化趋势分析服务：

系统根据居民的历史健康数据，分析居民各项指标随时间的变化趋势，系统在获取到居民的最新时刻健康数据的同时，会动态更新变化趋势曲线，并给出预定周期内的预测值，系统根据预定周期内的预测值的变化，并和标准指标进行比较，进而触发报警等其他业务；

第三步，基于健康模糊认知图（HFCM）的健康指标关系分析以及健康整体趋势分析部分：

HFCM健康模糊认知图各个影响因子的权重反应了对居民健康状态产生影响的各个因素的影响作用，通过对这些权重和作用指向的分析，系统可以得出居民各个健康指标分别受到哪些环境或者其他健康指标的作用以及对整体健康状态的影响。系统根据居民具体的的健康指标和相互影响权重，分析出居民当前的健康整体评分，评分直接反应了居民的健康状态。由于居民单一体征的历史数据分析的变化趋势具有一定的局限性，忽视了其他影响因子对特征的作用。结合HFCM健康模糊认知图，假设其他影响因子不变的情况下，分析出体征较为全面的周期变化趋势。F为此体征随着时间变化的最终趋势，f为自身趋势函数，

是指其他影响因子对此体征的影响权重，

是指其他影响因子对此体征的随时间的影响函数；

7）在对社区居民进行健康诊断时，社区医院通过中央业务服务器调用居民的历史健康数据以及相关分析数据对居民进行辅助诊断，并通过中央业务服务器的疾病辅助诊断功能快速的定位和查询相似病例的健康数据和治疗方案；系统进一步提供两种服务，如下：

其一，为基于相似度的居民疾病辅助诊断服务，社区医院进行居民疾病诊断过程中，需要大量的参考案例以及居民的历史数据，系统通过对大量病例的筛选将相似度高的案例提交给社区医院，系统通过无预选中心聚类算法实现社区居民相似度比较，通过对相似病人进一步采用病历相似度筛选机制获取居民的病历以及电子档案，包括以下步骤：

a）居民的健康属性完成对此居民的健康状态分类；

b）根据分类类型，搜索标准的分类案例和解决方案；

c）根据分类的关键词，搜索关键词的相关案例和解决方案；

d）通过用户相似度匹配（特征匹配），筛选出和此居民相似性较高的案例；

e）系统将高相似度案例的历史健康曲线以及历史诊断病例等文件展示给社区医生，医生可以根据这些资料快速的定位问题、解决问题;

其二，为对居民的疾病辅助诊断功能快速的定位和查询相似病例的服务，包括以下步骤：

a）居民通过在终端输入当前自身的健康症状，如发烧、腹痛等；

b)系统获取到居民输入的多种症状，根据症状匹配规则，将疾病库中的若干种疾病的主要症状和居民的当前症状进行匹配，获取到高相似度的疾病列表并根据相似度进行排序；

c）将排序结果反馈给居民终端并进行展示；

d）居民进行查阅，系统根据用户查阅记录记录反馈，优化疾病的反馈排序结果；

8）社区医院通过安全的网络传输通道定时同步中央存储服务器中属于对应社区的居民健康数据，并对社区居民提供更加细化的服务。

所述的社区居民通过便携式设备检测数据，便携式设备（包括血压、血氧、脉搏、体温、身高等测量仪器）通过蓝牙4.0以及wifi网络将数据上传至家庭终端，家庭终端中存储有用户的健康历史数据，家庭终端在系统中指安装Android操作系统的且提供显示、健康数据查看等功能的设备，家庭终端将收集到的居民健康数据通过wifi或移动网络上传至中央存储服务器中，在传输过程中，所有的用户账号数据以及居民的健康数据通过AES数据加密，加密密钥长度为16位，通过设备编号、用户唯一标识、系统随机字符串生成，中央业务服务器在收到用户终端发送上来的数据后，系统进行数据解密操作，获取到用户真实的健康测量数据并进行存储和业务操作。

所述的在系统健康服务的数据准备阶段，社区医院将居民身份信息、历史健康信息、居住环境信息通过系统独特的加密方式进行传输至中央存储服务器，中央系统为独立的社区医院或数据平台开放独立的数据接入通道，系统提供统一的数据格式标准化方案，将多平台的数据进行格式统一处理，具体实施流程，包括以下步骤：

1）系统提供各类数据的标准的数据规范以及标准输入接口，社区医院和数据平台在各个系统内部完成标准格式的转换，之后将符合标准的数据通过指定上传接口进行数据传输；

2）数据平台需要在系统申请数据接入许可协议，获取唯一接入凭证；

3）数据平台在系统上注册加、解密密钥；

4）数据平台通过接入凭证以及加密密钥将自身的格式化数据进行AES加密；

5）系统获取到数据平台数据后判别数据合法性（通过注册的接入凭证的验证）；

6）系统使用数据平台的数据时，需要先将加密好的数据通过该数据平台注册的密钥进行AES解密，还原出原始数据。

所述的中央业务服务器在完成对通过各个社区医院以及数据平台收集上来的数据进行数据清洗和数据整理之后，将数据存储至数据存储服务器，针对数据类型以及数据形式进行区分，数据存储服务采用关系型数据库Mysql、Postgresql存储血压、血氧等关系型数据，采用文件存储服务器存储居民的电子病历和电子档案，为了保证存储服务器的数据安全，所有敏感数据如居民身份信息、部分健康数据等都进行了加密存储，系统采用数据动态加密方式进行数据加密，因为每一个记录都有相应的记录时间，数据会和时间以及系统设置的SECRETKEY进行AES加密，形成耦合的加密数据，在部分字段被盗取的情况下，可以保证原始数据的安全性和隐私性，存储服务中的关系型数据库使用内置AES加密函数AES_ENCRYPT（MySQL）以及pgcrypto（Postgresql）对数据库数据进行加密，加密密钥根据数据表的名称以及系统设置的转化规则生成，具体的转化规则如下：

1）数据表名称 + 6位系统设定固定字符串 + 当前unix时间戳后6位；

2）我们对居民的真实的血压的高压值：120 进行数据库加密，最终数据库中的数据为16位长度的乱码字符串；

3）当业务服务器需要获取此条数据时候，由数据库完成数据的解密操作，并将真实的数据返回。

所述的系统采用FCM（模糊认知图）算法结合大数据分析技术来评估检测居民的健康水平，分为以下步骤：

1）由医学专家根据经验和专业知识构建出健康模糊认知图FCM的基础结构，即筛选出居民健康指标中相互作用的节点，用M1表示；

2）系统根据社区居民的历史健康数据（包括社会属性、个人基础环境（人口学资料）以及个人健康环境）进行关系化、结构化整理形成原始分析数据集M2；

3）采用模糊聚类FCM和无预选中心聚类算法完成对社区居民多属性聚类M3；

4）结合专家预选集M1和M3，选定初始权重，构成基础的健康模糊认知图HFCM（Health Fuzzy Cognitive map）模型；

5）系统对大量居民的健康数据进行基于最小平方技术的模糊认知图权值训练，最终得出模型间各个节点的影响关系和权重。

所述的基于HFCM的居民患病风险评估先将居民的全参数按照属性划分为几个相对独立的方向，分别为人口学属性、生理体征属性、职业属性、社会环境属性包括以下16个影响因子：

1）系统首先根据医学专家经验和其他专业知识构建出FCM认知图的基础结构，即筛选出居民健康指标中相互作用的节点；

2）在居民人口学属性方面，系统选取年龄、性别、身高、文化程度、婚姻状况5个属性作为HFCM基础构成因子；

3）在生理体征属性方面，根据医学专家经验，系统选取血压、血氧、脉搏、呼吸、心率、体温、血氧饱和度（SPO2）7个属性作为HFCM的基础影响因子；

4）在职业属性方面，根据专家经验，系统选取工作属性、工作时常、工作环境、工作年收入4个属性作为HFCM的基础影响因子；

5）在社会环境方面，系统选取社区绿化覆盖率、社区地域气候、社区工业环境3个方面作为HFCM的基础影响因子。

所述的16个影响因子作为HFCM的基础构成元素，也就是认知图中的基础结节点，这16个影响因子相互影响、相互作用，每一个因子都可能对其他的若干因子产生正向或反向作用，而各个作用的强度也不一致，最终这16个影响因子都对居民的健康状态产生影响，在HFCM中，将各个影响因子的影响通过指向来表示，将影响的积极或消极效果通过正负来表示，将每个作用的强度通过权重来表示，形成了完整的健康模糊认知图，在系统采用最小平方法对HFCM模型中的影响因子进行权重训练之前，需要对影响因子的值进行规范处理，将无具体数值表示的因子通过数值映射，转化为标准的数值表达，所述的系统将职业类型、日均工作时常、工作环境三个属性对职业进行数值化映射，将职业类型分类，将类型映射为6位数字编码，将工作时长映射为从00到24的2位数字编码，工作环境映射为0到9的一位数字，数值越大说工作环境越好，系统将社区绿化覆盖率映射为0-9的一位数字，数值越大说明绿化率越高，社区地域气候由两部分组成，一个是气温，一个是湿度。系统将气温进行划分为5个等级，冷、较冷、正常、较热、热，分别用数字-2，-1，0，1，2进行表示；同样的系统将湿度也划分为5个等级，数字表示方式和气温一致。

所述的当系统判断居民的健康状态出现异常时系统通过居民终端向居民发生警报消息，如果境况较为严重，系统会通过人工干预方式通知相关社区医院进行及时处理，如果系统判断居民的健康指标和健康状态趋向异常时，系统将当前状态以及趋势分析结果通过网络发送预警消息至用户终端和相关社区医院。

所述的系统提供居民健康数据的安全访问保护，为防止非法的账号入侵等导致的居民健康数据泄露问题，系统采用OAuth授权机制进行数据、资源的访问管理。即使是社区医院也必须先获取系统分配的临时令牌来进行数据访问，整个访问过程必须处于令牌有效期内。

该发明的有益效果在于：

本发明从数据安全到数据分析方面构建了完整的社区健康医疗监护机制。本发明提出的多数据平台数据传输方案有效了解决了当前医疗协议混乱，各不兼容导致无法统一分析处理的问题。本发明构建的健康模糊认知图将现有的社区居民各类参数进行整合分析，形成完善的健康影响因子集，加上时间参数的作用，增强了健康预测能力。本发明在社区健康分析领域具有安全、高效、精准的优点，最终形成的数据和结果为健康医疗行业全面精准的健康医疗服务提供保障的同时能够产生良好的经济和社会效益。

附图说明

图1是系统的架构示意图；

图2是系统中央业务服务器的结构图示意图；

图3是系统HFCM健康认知图结构原理图；

图4是系统HFCM健康认知图谱示意图；

图5是系统即时授权机制流程图。

具体实施方式

以下结合实施例对本发明进一步叙述。

1）如图1，首先社区居民通过便携式健康监测设备获取到连续的有效的健康体征数据；然后便携式设备通过蓝牙4.0以及wifi网络将数据上传至家庭终端，此时，家庭终端中存储有用户的健康历史数据；而后，家庭终端将收集到的居民健康数据通过AES加密标准进行加密，再通过wifi或移动网络上传至中央业务服务器中。此时完成每日社区居民健康数据的实时同步传递。

2）如图1，社区医院将社区居民的身份信息、历史健康信息、居住环境等敏感数据信息在经过AES数据加密之后，通过HTTPS等安全的网络传输协议传输至中央业务服务器集群；

3）如图2，中央业务服务器对所得到的居民的健康以及生活环境数据信息通过数据格式标准化处理，经过分类、清洗等步骤之后，存储至中央存储服务器中。

4）如图2，当数据分析服务启动之后，中央业务服务器会将中央存储服务器中的数据以及接收到的居民健康数据进行分析。

5）如图3 , 通过模糊聚类等算法结合大数据分析方法训练得出具有一定普遍适用性的社区居民健康模糊认知图图谱，如图4；

6）如图5，用户登录部分采用Oauth即时授权机制，所有的资源请求都通过授权服务器来授权完成，保证了用户资源和用户账号的隔离，保护了用户健康信息的安全。

5）针对单个居民，中央业务服务器会通过现有的健康模糊认知图图谱以及该居民当前的健康状态为居民提供健康分析和预测服务，当该居民的状态出现异常或趋向异常时系统会通过居民终端服务平台向居民发生警报消息，如果境况较为严重，系统会通过人工干预方式通知相关社区医院进行及时处理；

6）在对社区居民进行健康诊断时，其所在社区医院可以通过向中央业务服务器申请调用社区居民的历史健康数据以及相关分析结果数据，将其用于对居民进行辅助诊断，并可以通过中央业务服务器的疾病辅助诊断功能快速的定位和查询相似病例的健康数据和治疗方案；

7）社区医院通过安全的网络传输通道定时同步中央存储服务器中属于对应社区的居民健康数据，然后在对社区居民提供更加细化的服务。

Claims

1.一种面向社区的健康医疗监护及评测系统，包括家庭终端，社区服务器，中央业务服务器，中央存储服务器，其特征在于，家庭终端通过便携式健康监测设备采集并收集用户健康数据的实时数据，社区医院服务入口通过社区医院平台完成社区居民的历史医疗诊断信息数据的收集，这些数据全部通过移动互联网或有线网络传输至中央业务服务器，中央业务服务器数据传输至中央存储服务器；同时中央业务服务器会针对用户及社区医院提供的服务包括基础数据查询、用户健康状态分析、用户患病风险评估及预诊，异常预警；面向社区医院的服务，主要包括数据同步、用户健康状态查看、用户健康辅助诊断、异常预警；

所述的社区服务器为社区医院的服务平台，实现将用户的健康历史数据传输至中央业务服务器，同时能够向中央业务服务器请求用户的健康状态的分析评价信息，同时对中央业务服务器判断的出现异常的用户进行及时的响应；

所述的家庭终端及社区服务器传输给中央业务服务器的社区健康源数据主要包括利用家用医疗设备收集居民的基础体征数据，居民在社区医院累计的数字病历，社区周边环境数据及与用户健康相关的个人情况调查数据；

所述的家庭终端以及社区服务区与中央业务服务器和中央存储服务器构成的中央业务服务器集群之间的数据传输是通过采用https安全传输协议来保障传输安全，并对传输数据进行严格的加密过程；

所述的中央存储服务器主要用来存储大量的健康数据，它采用社区作为健康网络中的一个节点的方式，实现健康数据的分布式存储以及分析，其中中央业务服务器主要用于接受数据，对数据进行数据分析及预测的处理，并存储至中央存储服务器中；

所述的数据分析及预测部分包括健康基础分析服务，基于健康模糊认知图HFCM的健康指标关系分析以及变化趋势分析；

所述的健康基础分析服务是中央服务集群提供的数据分析及预测部分中最基本的分析服务，它包括健康数据标准检测异常分析；用户在相似群体中的健康数据异常分析；已有疾病的病情分析，根据用户自身健康所关的所有数据随时间变化以及与相似用户群体的健康情况，人体健康数据标准之间的关系得到的分析结果；

所述的基于健康模糊认知图HFCM的健康指标关系分析以及变化趋势分析，是由中央服务集群通过基于模糊认知图FCM的全因素模型法进行居民健康影响因子权重评估以及健康因素变化趋势分析，系统采用的健康影响因子经过专家经验评定、模糊认知图FCM聚类分析两步后得出，而最后由医学专家根据经验和专业知识以及大数据分析计算得到的包含健康影响因子及影响因子之间权重关系的FCM模型即为健康模糊认知图HFCM；

其中，中央业务服务器针对现有的健康分析图谱以及居民的当前健康状态为居民提供健康分析和预测服务，当居民的状态出现异常或趋向异常时系统通过居民终端向居民发生警报消息，如果境况较为严重，系统会通过人工干预方式通知相关社区医院进行及时处理；中央业务服务器为用户提供多个层次的健康服务，包括以下步骤组成：

第一步，健康数据标准异常分析服务：

健康数据标准异常分析，指的是系统解析出用户当前上传的健康数据后，根据体征标准指标进行判断是否超出正常范围，如果超出正常范围则进行异常标记，触发报警其他业务，所述的体征标准指标包括三个标准，包括医学标准指标、居民个人历史健康数据标准指标以及在社区环境一致的群体中的群体历史标准指标，医学指标是指医学规定的各项体征的正常范围指标；居民的个人历史标准指标通过对居民的历史数据进行分析，得出居民健康处于正常状态下体征均值作为个人健康指标；群体历史指标是指外部环境一致情况下，整个聚集群体中健康处于正常状态下的样本的体征均值指标；

第二步，居民健康变化趋势分析服务：

系统根据居民的历史健康数据，分析居民各项指标随时间的变化趋势，系统在获取到居民的最新时刻健康数据的同时，会动态更新变化趋势曲线，并给出预定周期内的预测值，系统根据预定周期内的预测值的变化，并和标准指标进行比较，进而触发报警其他业务；

第三步，基于健康模糊认知图(HFCM)的健康指标关系分析以及健康整体趋势分析部分：

HFCM健康模糊认知图各个影响因子的权重反应了对居民健康状态产生影响的各个因素的影响作用，通过对这些权重和作用指向的分析，系统可以得出居民各个健康指标分别受到哪些环境或者其他健康指标的作用以及对整体健康状态的影响，系统根据居民具体的的健康指标和相互影响权重，分析出居民当前的健康整体评分，评分直接反应了居民的健康状态，由于居民单一体征的历史数据分析的变化趋势具有一定的局限性，忽视了其他影响因子对特征的作用，结合HFCM健康模糊认知图，假设其他影响因子不变的情况下，分析出体征较为全面的周期变化趋势，F为此体征随着时间变化的最终趋势，f为自身趋势函数，w_i是指其他影响因子对此体征的影响权重，f_i是指其他影响因子对此体征的随时间的影响函数；

其中，在对社区居民进行健康诊断时，社区医院通过中央业务服务器调用居民的历史健康数据以及相关分析数据对居民进行辅助诊断，并通过中央业务服务器的疾病辅助诊断功能快速的定位和查询相似病例的健康数据和治疗方案；系统进一步提供两种服务，如下：

a)居民的健康属性完成对此居民的健康状态分类；

b)根据分类类型，搜索标准的分类案例和解决方案；

c)根据分类的关键词，搜索关键词的相关案例和解决方案；

d)通过用户特征相似度匹配，筛选出和此居民相似性较高的案例；

e)系统将高相似度案例的历史健康曲线以及历史诊断病例等文件展示给社区医生，医生可以根据这些资料快速的定位问题、解决问题；

a)居民通过在终端输入当前自身的健康症状；

c)将排序结果反馈给居民终端并进行展示；

d)居民进行查阅，系统根据用户查阅记录记录反馈，优化疾病的反馈排序结果；

社区医院通过安全的网络传输通道定时同步中央存储服务器中属于对应社区的居民健康数据，并对社区居民提供更加细化的服务；

其次，系统采用HFCM(模糊认知图)算法结合大数据分析技术来评估检测居民的健康水平，分为以下步骤：

1)由医学专家根据经验和专业知识构建出健康模糊认知图FCM的基础结构，即筛选出居民健康指标中相互作用的节点，用M1表示；

2)系统根据社区居民的历史健康数据，所述历史健康数据包括社会属性、个人基础环境以及个人健康环境进行关系化、结构化整理形成原始分析数据集M2，所述个人基础环境为人口学资料；

3)采用模糊聚类FCM和无预选中心聚类算法完成对社区居民多属性聚类M3；

4)结合专家预选集M1和M3，选定初始权重，构成基础的健康模糊认知图HFCM(HealthFuzzy Cognitive map)模型；

5)系统对大量居民的健康数据进行基于最小平方技术的模糊认知图权值训练，最终得出模型间各个节点的影响关系和权重；

另外，基于HFCM的居民患病风险评估先将居民的全参数按照属性划分为几个相对独立的方向，分别为人口学属性、生理体征属性、职业属性、社会环境属性包括以下19个影响因子：

1)系统首先根据医学专家经验和其他专业知识构建出FCM认知图的基础结构，即筛选出居民健康指标中相互作用的节点；

2)在居民人口学属性方面，系统选取年龄、性别、身高、文化程度、婚姻状况5个属性作为HFCM基础构成因子；

3)在生理体征属性方面，根据医学专家经验，系统选取血压、血氧、脉搏、呼吸、心率、体温、血氧饱和度(SPO2)7个属性作为HFCM的基础影响因子；

4)在职业属性方面，根据专家经验，系统选取工作属性、工作时常、工作环境、工作年收入4个属性作为HFCM的基础影响因子；

5)在社会环境方面，系统选取社区绿化覆盖率、社区地域气候、社区工业环境3个方面作为HFCM的基础影响因子；

所述的19个影响因子作为HFCM的基础构成元素，也就是认知图中的基础结节点，这19个影响因子相互影响、相互作用，每一个因子都可能对其他的若干因子产生正向或反向作用，而各个作用的强度也不一致，最终这19个影响因子都对居民的健康状态产生影响，在HFCM中，将各个影响因子的影响通过指向来表示，将影响的积极或消极效果通过正负来表示，将每个作用的强度通过权重来表示，形成了完整的健康模糊认知图，在系统采用最小平方法对HFCM模型中的影响因子进行权重训练之前，需要对影响因子的值进行规范处理，将无具体数值表示的因子通过数值映射，转化为标准的数值表达，所述的系统将职业类型、日均工作时常、工作环境三个属性对职业进行数值化映射，将职业类型分类，将类型映射为6位数字编码，将工作时长映射为从00到24的2位数字编码，工作环境映射为0到9的一位数字，数值越大说工作环境越好，系统将社区绿化覆盖率映射为0-9的一位数字，数值越大说明绿化率越高，社区地域气候由两部分组成，一个是气温，一个是湿度，系统将气温进行划分为5个等级，冷、较冷、正常、较热、热，分别用数字-2，-1，0，1，2进行表示；同样的系统将湿度也划分为5个等级，数字表示方式和气温一致。