CN108198628B - 一种基于运动手环大数据分析的流行性疾病传播分析方法 - Google Patents

一种基于运动手环大数据分析的流行性疾病传播分析方法 Download PDF

Info

Publication number
CN108198628B
CN108198628B CN201711482736.7A CN201711482736A CN108198628B CN 108198628 B CN108198628 B CN 108198628B CN 201711482736 A CN201711482736 A CN 201711482736A CN 108198628 B CN108198628 B CN 108198628B
Authority
CN
China
Prior art keywords
ill
record
day
wst
ave
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711482736.7A
Other languages
English (en)
Other versions
CN108198628A (zh
Inventor
张吕峥
高春蓉
余小益
方敏
方宝林
朱旭东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pioneering Huikang Technology Co ltd
Original Assignee
Pioneering Huikang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Pioneering Huikang Technology Co ltd filed Critical Pioneering Huikang Technology Co ltd
Priority to CN201711482736.7A priority Critical patent/CN108198628B/zh
Publication of CN108198628A publication Critical patent/CN108198628A/zh
Application granted granted Critical
Publication of CN108198628B publication Critical patent/CN108198628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于运动手环大数据分析的流行性疾病传播分析方法。本发明步骤如下:步骤1.计算编号为i的人员运动信息的平均值;步骤2.计算编号为i的人员运动信息的方差;步骤3、判定健康状况;步骤4.计算每天的病人数和新增的病人数;步骤5、采用均线系统判断疾病开始流行是否开始流行;步骤6.计算每个病人的感染率λ,从疾病爆发期开始计算。本发明综合考虑了每日的平均心率、行走步数和累计运动时间3个因素,识别人员的健康状况;然后对每天的患病人数进行监控可以在疾病刚开始流行的初期发出预警,同时挖掘出基本传播模型中的重要参数λ值,从而使基本模型可以对传播进行更为精确的预测、分析和控制。

Description

一种基于运动手环大数据分析的流行性疾病传播分析方法
技术领域
本发明涉及一种基于运动手环大数据分析的流行性疾病传播分析方法。
背景技术
流行性疾病是指由各种致病性微生物或病原体引起的具有传染性的疾病,由于传染病具有传播的特性,因此,是危害人类身体健康,威胁人类生命安全的重要疾病。流行性疾病传播途径通常有粪口传播(多见于寄生虫性传染病)、血液传播、母婴垂直传播、性传播、飞沫传播、皮肤面膜接触传播等等。
由于人们不可能做流行性疾病的传播实验以获取数据,从医疗卫生部门获取的资料也是不完全和不充分的,因此对流行性疾病的传播进行建模和分析是一个尚需解决的重要问题。
流行性疾病的传播问题和自然科学中一些有确定规律的问题不同,不能对它做出恰当的假设来建立完善的模型,只能先做出最简单的假设和模型,得出结果,然后针对不合理和不完善的地方进行补充和改进。
现有主流流行性疾病传播模型的基础是SI模型,其模型描述如下:
假设条件:
1.地区总人数为N,且保持不变
2.该地区人群分为易感者和已感者两种,简称为健康人和病人。当t时刻时这两类人占人群总人口的比例为s(t)和i(t)
3.每个病人每天有效接触的平均人数为常数λ,成为日接触率。当病人跟健康人有效接触时,健康人受感染变成病人。
4.初始时刻的病人数量为i(0)。
建模:
根据假设,每个病人每天可以使λ*s(t)个健康人变成病人。病人数为N*i(t)。所以每天被传染的人数为λ*N*s(t)*i(t)。
Figure BDA0001534200440000011
Figure BDA0001534200440000021
可以得到t时刻的病人数为:
Figure BDA0001534200440000022
由公式(1)可以得到任意一个时刻t时的病人数量和新增数量,从而对该地区的流行性疾病的传播进行预测、分析和控制。
然而对这个基本模型的使用存在着以下问题:
1.缺乏实时精确的病人数据进行分析和监控。
2.对爆发初期无法进行预警,容易错过最佳控制时间窗口
3.重要参数λ为经验值或者较为粗糙的门诊统计值,影响了模型的精度。
另一方面,全球可穿戴设备出货量在2017年第一季度达到2200万台。绝大部分可穿戴设备具有采集心率、计步、运动状态识别、GPS定位等数据的功能。对这些数据的采集,可以对人群的健康状况进行评估分析,从而对流行性疾病的传播模型进行优化,形成新的更为准确的模型。
发明内容
本发明的目的是针对现在技术的不足,提供一种基于运动手环大数据分析的流行性疾病传播分析方法。
本发明的核心思想是,通过分析可穿戴设备采集的人群体征和运动位置信息建模,对流行性疾病的传播进行监控并预警。其需要解决的关键问题和创新之处为:
1.使用可穿戴设备采集的体征和位置信息判断人群的体征指标、运动习惯、生活习惯的改变,从而在流行性疾病爆发区域用来判断人群的患病状况。
2.使用数据挖掘方法对流行性疾病初早期突破爆发边界条件的情况进行识别。
3.通过数据挖掘精确的基本传播模型重要参数--日接触率λ。
表1.人员运动信息记录总表
Figure BDA0001534200440000031
表2.人员运动信息日记录表record
日平均基础心率r(次/分钟) 68
日行走步数s(步) 7685
日累计运动状态持续时间st(分钟) 46
步骤1.计算编号为i的人员运动信息的平均值,具体如下:
步骤1-1.初始化日期j=sd,sd为起始记录日期,最新的记录日期为ed。初始化工作日基础心率和行走步数wr=0,ws=0;初始化法定节假日基础心率和行走步数hr=0,hs=0。初始化累计运动时间变量wst=0。初始化sd日到ed日的工作日天数为wd,初始化sd日到ed日的法定工作日天数为hd。
步骤1-2.在表1中获取第i号人员的j日的记录record(i,j)。
步骤1-3.wst=wst+record(i,j).st
步骤1-4.如果sd日为法定节假日,wr=wr+record(i,j).r,ws=ws+record(i,j).s
步骤1-5.如果sd日为工作日,hr=hr+record(i,j).r,hs=hs+record(i,j).s
步骤1-6.如果j<ed,则j++,跳转到步骤2。
步骤1-7.wr=wr/wd;ws=ws/wd;
hr=hr/hd;hs=hs/hd;
wst=wst*7/(ed-sd+1)。
步骤2.计算编号为i的人员运动信息的方差,具体如下:
步骤2-1.初始化日期j为第i号人员记录中第一个星期一的日期,sd为起始记录日期,最新的记录日期为ed。初始化工作日基础心率和行走步数的方差v_wr=0,v_ws=0;初始化法定节假日基础心率和行走步数的方差v_hr=0,v_hs=0。初始化周累计运动时间变量和周累计运动时间方差w_wst=0,v_wst=0。
步骤2-2.在表1中获取记录record(i,j)。
步骤2-3.w_wst=w_wst+record(i,j).st
步骤2-4.如果j日为星期天,则v_wst=v_wst+(w_wst-wst)^2,初始化w_wst=0。
步骤2-5.如果j日为法定节假日,v_wr=v_wr+(wr-record(i,j).r)^2,v_ws=v_ws+(ws-record(i,j).s)^2。
步骤2-6.如果j日为工作日,v_hr=v_hr+(hr-record(i,j).r)^2,v_hs=v_hs+(hs-record(i,j).s)^2
步骤2-7.如果j<ed,则j++,跳转到步骤2-2。
步骤2-8.v_wr=sqrt(v_wr/m);v_ws=sqrt(v_ws/m);
v_hr=sqrt(v_hr/m);v_hs=sqrt(v_hs/m);
v_wst=sqrt(v_wst*7/m),其中,m表示表1中每个人员记录运动信息的天数。
步骤3、判定健康状况,具体判定如下:
步骤3-1.初始化健康状况表H[n][ed-sd+1],对健康状况表H的每一个元素H[i][j]都赋值为0,表示第i号人员在j+sd日为健康状态,其中,i大于等于1,小于等于n;j大于等于1,小于等于ed-sd+1;
步骤3-2.初始化i=1;
步骤3-3.如果i>n,跳转到步骤3-15;
步骤3-4.初始化j=1;
步骤3-5.如果j>ed-sd+1,跳转到步骤3-14;
步骤3-6.如果j<7,跳转到步骤3-14;
步骤3-7.如果H[i][j-1]等于1,跳转到步骤3-13;
步骤3-8.如果record(i,j).r-wr<3*v_wr且record(i,j).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-9.如果record(i,j-1).r-wr<3*v_wr且record(i,j-1).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-10.如果record(i,j-2).r-wr<3*v_wr且record(i,j-2).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-11.如果record(i,j-6)+...+record(i,j)-wst小于3*v_wst,跳转到步骤3-14;
步骤3-12.H[i][j]=1。跳转到步骤3-14;
步骤3-13.如果record(i,j).r-wr、record(i,j-1)-wr和record(i,j-2)-wr均小于3*v_wr,则H[i][j]=0。
步骤3-14.j++,跳转到步骤3-5。
步骤3-15.i++,跳转到步骤3-3。
所述的发病的判断条件为:d日基础心率、行走步数与均值之差大于3倍方差,且连续3日满足该条件,到d日为止的7日内周累计运动时间与均值的差大于3倍方差;痊愈的判断条件为:基础心率连续3天小于3倍方差。
步骤4.计算每天的病人数和新增的病人数,具体如下:
步骤4-1.初始化数组:每天的病人人数数组ill[ed-sd+1]、每天新增病人人数数组newill[ed-sd+1],并对数组ill[ed-sd+1]和newill[ed-sd+1]中的每个元素均赋值为0;
步骤4-2.初始化j=3;
步骤4-3.如果j>ed-sd+1,则跳转到步骤4-10;
步骤4-4.初始化i=1
步骤4-5.如果i>n,则跳转到步骤4-9;
步骤4-6.如果H[i][j-1]==0且H[i][j]==1,则newill[j]=newill[j]+1;
步骤4-7.如果H[i][j]==1,则ill[j]=ill[j]+1;
步骤4-8.i++,跳转到步骤4-5;
步骤4-9.j++,跳转到步骤4-3;
步骤4-10.结束。
步骤5、采用均线系统判断疾病开始流行是否开始流行,具体判断如下:
步骤5-1.初始化j=20;
步骤5-2.如果j>ed-sd+1,则跳转到5-8;
步骤5-3.ill_ave_5=ill[j-4]+ill[j-3]+...+ill[j]
步骤5-4.ill_ave_10=ill[j-9]+ill[j-8]+...+ill[j]
步骤5-5.ill_ave_20=ill[j-19]+ill[j-18]+...+ill[j]
步骤5-6.如果ill_ave_5>ill_ave_10>ill_ave_20,且ill_ave_5-ill_ave_10>ill_ave_20,则预警疾病流行,跳转到5-8。
步骤5-7.j++,跳转到5-2;
步骤5-8.结束。
其中,ill_ave_5表示5日平均病人数,ill_ave_10表示10日平均病人数,ill_ave_20表示20日平均病人数,当5日平均病人数>10日平均病人数>20日平均病人数,且5日平均病人数-10日平均病人数>20日平均病人数,认为疾病开始爆发。
步骤6.计算每个病人的感染率λ,从疾病爆发期开始计算。λ*s(t)表示每天每个病人导致的新增病人数,可以用新增病人数除以前一天的健康人数就可以得到λ。由于背景中所述基础模型简单假设λ为常数,因此在传播周期的后半段产生较大的误差,因此本发明只对传播周期的前半段计算得到λ。前半段和后半段的分界线定义为以下条件之一:病人数开始大于总人数的一半,或者5日平均病人数从上升转为下降。
步骤6-1.初始化λ=0;
步骤6-2.如果j>ed-sd+1,跳转到步骤6-9;
步骤6-3.如果ill[j]>n/2,跳转到步骤6-9;
步骤6-4.ill_ave_5=ill[j-4]+ill[j-3]+...+ill[j]
步骤6-5.last_ill_ave_5=ill[j-5]+ill[j-3]+...+ill[j-1],last_ill_ave_5表示前一天的5日平均病人数;
步骤6-6.如果ill_ave_5>last_ill_ave_5,则跳转到步骤6-9;
步骤6-7.λ=λ+newill[j]/(n-ill[j-1]);
步骤6-8.j++,跳转到步骤6-2;
步骤6-9.λ=λ/j,返回λ,结束。
本发明有益效果如下:
本发明方法针对流行性疾病的传播问题,提出一种基于运动手环大数据的分析方法,综合考虑了每日的平均心率、行走步数和累计运动时间3个因素,识别人员的健康状况;然后对每天的患病人数进行监控可以在疾病刚开始流行的初期发出预警,同时挖掘出基本传播模型中的重要参数λ值,从而使基本模型可以对传播进行更为精确的预测、分析和控制。
具体实施方式
下面结合实施例对本发明作进一步说明。
一种基于运动手环大数据分析的流行性疾病传播分析方法。通过分析可穿戴设备采集的人群体征和运动位置信息建模,对流行性疾病的传播进行监控并预警。其具体的实现方式如下:
定义表1和表2,分别用来表示人员运动信息记录总表和人员运动信息日记录表record。
表1.人员运动信息记录总表
Figure BDA0001534200440000071
表2.人员运动信息日记录表record
日平均基础心率r(次/分钟) 68
日行走步数s(步) 7685
日累计运动状态持续时间st(分钟) 46
步骤1.计算编号为i的人员运动信息的平均值,具体如下:
步骤1-1.初始化日期j=sd,sd为起始记录日期,最新的记录日期为ed。初始化工作日基础心率和行走步数wr=0,ws=0;初始化法定节假日基础心率和行走步数hr=0,hs=0。初始化累计运动时间变量wst=0。初始化sd日到ed日的工作日天数为wd,初始化sd日到ed日的法定工作日天数为hd。
步骤1-2.在表1中获取第i号人员的j日的记录record(i,j)。
步骡1-3.wst=wst+record(i,j).st
步骤1-4.如果sd日为法定节假日,wr=wr+record(i,j).r,ws=ws+record(i,j).s
步骤1-5.如果sd日为工作日,hr=hr+record(i,j).r,hs=hs+record(i,j).s
步骤1-6.如果j<ed,则j++,跳转到步骤2。
步骤1-7.wr=wr/wd;ws=ws/wd;
hr=hr/hd;hs=hs/hd;
wst=wst*7/(ed-sd+1)。
步骤2.计算编号为i的人员运动信息的方差,具体如下:
步骤2-1.初始化日期j为第i号人员记录中第一个星期一的日期,sd为起始记录日期,最新的记录日期为ed。初始化工作日基础心率和行走步数的方差v_wr=0,v_ws=0;初始化法定节假日基础心率和行走步数的方差v_hr=0,v_hs=0。初始化周累计运动时间变量和周累计运动时间方差w_wst=0,v_wst=0。
步骤2-2.在表1中获取记录record(i,j)。
步骤2-3.w_wst=w_wst+record(i,j).st
步骤2-4.如果j日为星期天,则v_wst=v_wst+(w_wst-wst)^2,初始化w_wst=0。
步骤2-5.如果j日为法定节假日,v_wr=v_wr+(wr-record(i,j).r)^2,v_ws=v_ws+(ws-record(i,j).s)^2。
步骤2-6.如果j日为工作日,v_hr=v_hr+(hr-record(i,j).r)^2,v_hs=v_hs+(hs-record(i,j).s)^2
步骤2-7.如果j<ed,则j++,跳转到步骤2-2。
步骤2-8.v_wr=sqrt(v_wr/m);v_ws=sqrt(v_ws/m);
v_hr=sqrt(v_hr/m);v_hs=sqrt(v_hs/m);
v_wst=sqrt(v_wst*7/m),其中,m表示表1中每个人员记录运动信息的天数。
步骤3、判定健康状况,具体判定如下:
步骤3-1.初始化健康状况表H[n][ed-sd+1],对健康状况表H的每一个元素H[i][j]都赋值为0,表示第i号人员在j+sd日为健康状态,其中,i大于等于1,小于等于n;j大于等于1,小于等于ed-sd+1;
步骤3-2.初始化i=1;
步骤3-3.如果i>n,跳转到步骤3-15;
步骤3-4.初始化j=1;
步骤3-5.如果j>ed-sd+1,跳转到步骤3-14;
步骤3-6.如果j<7,跳转到步骤3-14;
步骤3-7.如果H[i][j-1]等于1,跳转到步骤3-13;
步骤3-8.如果record(i,j).r-wr<3*v_wr且record(i,j).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-9.如果record(i,j-1).r-wr<3*v_wr且record(i,j-1).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-10.如果record(i,j-2).r-wr<3*v_wr且record(i,j-2).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-11.如果record(i,j-6)+...+record(i,j)-wst小于3*v_wst,跳转到步骤3-14;
步骤3-12.H[i][j]=1。跳转到步骤3-14;
步骤3-13.如果record(i,j).r-wr、record(i,j-1)-wr和record(i,j-2)-wr均小于3*v_wr,则H[i][j]=0。
步骤3-14.j++,跳转到步骤3-5。
步骤3-15.i++,跳转到步骤3-3。
所述的发病的判断条件为:d日基础心率、行走步数与均值之差大于3倍方差,且连续3日满足该条件,到d日为止的7日内周累计运动时间与均值的差大于3倍方差;痊愈的判断条件为:基础心率连续3天小于3倍方差。
步骤4.计算每天的病人数和新增的病人数,具体如下:
步骤4-1.初始化数组:每天的病人人数数组ill[ed-sd+1]、每天新增病人人数数组newill[ed-sd+1],并对数组ill[ed-sd+1]和newill[ed-sd+1]中的每个元素均赋值为0;
步骤4-2.初始化j=3;
步骤4-3.如果j>ed-sd+1,则跳转到步骤4-10;
步骤4-4.初始化i=1
步骤4-5.如果i>n,则跳转到步骤4-9;
步骤4-6.如果H[i][j-1]==0且H[i][j]==1,则newill[j]=newill[j]+1;
步骤4-7.如果H[i][j]==1,则ill[j]=ill[j]+1;
步骤4-8.i++,跳转到步骤4-5;
步骤4-9.j++,跳转到步骤4-3;
步骤4-10.结束。
步骤5、采用均线系统判断疾病开始流行是否开始流行,具体判断如下:
步骤5-1.初始化j=20;
步骤5-2.如果j>ed-sd+1,则跳转到5-8;
步骤5-3.ill_ave_5=ill[j-4]+ill[j-3]+...+ill[j]
步骤5-4.ill_ave_10=ill[j-9]+ill[j-8]+...+ill[j]
步骤5-5.ill_ave_20=ill[j-19]+ill[j-18]+...+ill[j]
步骤5-6.如果ill_ave_5>ill_ave_10>ill_ave_20,且ill_ave_5-ill_ave_10>ill_ave_20,则预警疾病流行,跳转到5-8。
步骤5-7.j++,跳转到5-2;
步骤5-8.结束。
其中,ill_ave_5表示5日平均病人数,ill_ave_10表示10日平均病人数,ill_ave_20表示20日平均病人数,当5日平均病人数>10日平均病人数>20日平均病人数,且5日平均病人数-10日平均病人数>20日平均病人数,认为疾病开始爆发。
步骤6.计算每个病人的感染率λ,从疾病爆发期开始计算。λ*s(t)表示每天每个病人导致的新增病人数,可以用新增病人数除以前一天的健康人数就可以得到λ。由于背景中所述基础模型简单假设λ为常数,因此在传播周期的后半段产生较大的误差,因此本发明只对传播周期的前半段计算得到λ。前半段和后半段的分界线定义为以下条件之一:病人数开始大于总人数的一半,或者5日平均病人数从上升转为下降。
步骤6-1.初始化λ=0;
步骤6-2.如果j>ed-sd+1,跳转到步骤6-9;
步骤6-3.如果ill[j]>n/2,跳转到步骤6-9;
步骤6-4.ill_ave_5=ill[j-4]+ill[j-3]+...+ill[j]
步骤6-5.last_ill_ave_5=ill[j-5]+ill[j-3]+...+ill[j-1],last_ill_ave_5表示前一天的5日平均病人数;
步骤6-6.如果ill_ave_5>last_ill_ave_5,则跳转到步骤6-9;
步骤6-7.λ=λ+newill[j]/(n-ill[j-1]);
步骤6-8.j++,跳转到步骤6-2;
步骤6-9.λ=λ/j,返回λ,结束。
本发明的核心思想是,通过分析可穿戴设备采集的人群体征和运动位置信息建模,对流行性疾病的传播进行监控并预警。其需要解决的关键问题和创新之处为:
4.使用可穿戴设备采集的体征和位置信息判断人群的体征指标、运动习惯、生活习惯的改变,从而在流行性疾病爆发区域用来判断人群的患病状况。
5.使用数据挖掘方法对流行性疾病初早期突破爆发边界条件的情况进行识别。
6.通过数据挖掘精确的基本传播模型重要参数--日接触率λ。

Claims (5)

1.一种基于运动手环大数据分析的流行性疾病传播分析方法,其特征在于包括如下步骤:
步骤1.计算编号为i的人员运动信息的平均值;
步骤2.计算编号为i的人员运动信息的方差;
步骤3.判定健康状况;
步骤4.计算每天的病人数和新增的病人数;
步骤5.采用均线系统判断疾病是否开始流行;
步骤6.计算每个病人的感染率λ,从疾病爆发期开始计算;
步骤1所述的计算编号为i的人员运动信息的平均值,具体如下:
步骤1-1.初始化日期j=sd,sd为起始记录日期,最新的记录日期为ed;初始化工作日基础心率和行走步数wr=0,ws=0;初始化法定节假日基础心率和行走步数hr=0,hs=0;初始化累计运动时间变量wst=0;初始化sd日到ed日的工作日天数为wd,初始化sd日到ed日的法定工作日天数为hd;
步骤1-2.在表1中获取第i号人员的j日的记录record(i,j);
步骤1-3.wst=wst+record(i,j).st
步骤1-4.如果sd日为法定节假日,wr=wr+record(i,j).r,ws=ws+record(i,j).s
步骤1-5.如果sd日为工作日,hr=hr+record(i,j).r,hs=hs+record(i,j).s
步骤1-6.如果j<ed,则j++,跳转到步骤2;
步骤1-7.wr=wr/wd;ws=ws/wd;
hr=hr/hd;hs=hs/hd;
wst=wst*7/(ed-sd+1);
步骤2.计算编号为i的人员运动信息的方差,具体如下:
步骤2-1.初始化日期j为第i号人员记录中第一个星期一的日期,sd为起始记录日期,最新的记录日期为ed;初始化工作日基础心率和行走步数的方差v_wr=0,v_ws=0;初始化法定节假日基础心率和行走步数的方差v_hr=0,v_hs=0;初始化周累计运动时间变量和周累计运动时间方差w_wst=0,v_wst=0;
步骤2-2.在表1中获取记录record(i,j);
步骤2-3.w_wst=w_wst+record(i,j).st;
步骤2-4.如果j日为星期天,则v_wst=v_wst+(w_wst-wst)^2,初始化w_wst=0;
步骤2-5.如果j日为法定节假日,v_wr=v_wr+(wr-record(i,j).r)^2,v_ws=v_ws+(ws-record(i,j).s)^2;
步骤2-6.如果j日为工作日,v_hr=v_hr+(hr-record(i,j).r)^2,v_hs=v_hs+(hs-record(i,j).s)^2;
步骤2-7.如果j<ed,则j++,跳转到步骤2-2;
步骤2-8.v_wr=sqrt(v_wr/m);v_ws=sqrt(v_ws/m);
v_hr=sqrt(v_hr/m);v_hs=sqrt(v_hs/m);
v_wst=sqrt(v_wst*7/m),其中,m表示表1中每个人员记录运动信息的天数;
表1.人员运动信息记录总表
Figure FDA0003066526150000021
表2.人员运动信息日记录表record
日平均基础心率r(次/分钟) 68 日行<u>走步数</u>s(步) 7685 日累计运动状态持续时间<u>st</u>(分钟) 46
2.根据权利要求1所述的一种基于运动手环大数据分析的流行性疾病传播分析方法,其特征在于步骤3所述的判定健康状况,具体判定如下:
步骤3-1.初始化健康状况表H[n][ed-sd+1],对健康状况表H的每一个元素H[i][j]都赋值为0,表示第i号人员在j+sd日为健康状态,其中,i大于等于1,小于等于n;j大于等于1,小于等于ed-sd+1;
步骤3-2.初始化i=1;
步骤3-3.如果i>n,跳转到步骤3-15;
步骤3-4.初始化j=1;
步骤3-5.如果j>ed-sd+1,跳转到步骤3-14;
步骤3-6.如果j<7,跳转到步骤3-14;
步骤3-7.如果H[i][j-1]等于1,跳转到步骤3-13;
步骤3-8.如果record(i,j).r-wr<3*v_wr且record(i,j).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-9.如果record(i,j-1).r-wr<3*v_wr且record(i,j-1).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-10.如果record(i,j-2).r-wr<3*v_wr且record(i,j-2).s-ws<3*v_ws,跳转到步骤3-14;
步骤3-11.如果record(i,j-6)+...+record(i,j)-wst小于3*v_wst,跳转到步骤3-14;
步骤3-12.H[i][j]=1;跳转到步骤3-14;
步骤3-13.如果record(i,j).r-wr、record(i,j-1)-wr和record(i,j-2)-wr均小于3*v_wr,则H[i][j]=0;
步骤3-14.j++,跳转到步骤3-5;
步骤3-15.i++,跳转到步骤3-3;
所述的发病的判断条件为:d日基础心率、行走步数与均值之差大于3倍方差,且连续3日满足该条件,到d日为止的7日内周累计运动时间与均值的差大于3倍方差;痊愈的判断条件为:基础心率连续3天小于3倍方差。
3.根据权利要求2所述的一种基于运动手环大数据分析的流行性疾病传播分析方法,其特征在于步骤4所述的计算每天的病人数和新增的病人数,具体如下:
步骤4-1.初始化数组:每天的病人人数数组ill[ed-sd+1]、每天新增病人人数数组newill[ed-sd+1],并对数组ill[ed-sd+1]和newill[ed-sd+1]中的每个元素均赋值为0;
步骤4-2.初始化j=3;
步骤4-3.如果j>ed-sd+1,则跳转到步骤4-10;
步骤4-4.初始化i=1;
步骤4-5.如果i>n,则跳转到步骤4-9;
步骤4-6.如果H[i][j-1]==0且H[i][j]==1,则newill[j]=newill[j]+1;
步骤4-7.如果H[i][j]==1,则ill[j]=ill[j]+1;
步骤4-8.i++,跳转到步骤4-5;
步骤4-9.j++,跳转到步骤4-3;
步骤4-10.结束。
4.根据权利要求3所述的一种基于运动手环大数据分析的流行性疾病传播分析方法,其特征在于步骤5所述的采用均线系统判断疾病开始流行是否开始流行,具体判断如下:
步骤5-1.初始化j=20;
步骤5-2.如果j>ed-sd+1,则跳转到5-8;
步骤5-3.ill_ave_5=ill[j-4]+ill[j-3]+...+ill[j];
步骤5-4.ill_ave_10=ill[j-9]+ill[j-8]+...+ill[j];
步骤5-5.ill_ave_20=ill[j-19]+ill[j-18]+...+ill[j];
步骤5-6.如果ill_ave_5>ill_ave_10>ill_ave_20,且ill_ave_5-ill_ave_10>ill_ave_20,则预警疾病流行,跳转到5-8;
步骤5-7.j++,跳转到5-2;
步骤5-8.结束;
其中,ill_ave_5表示5日平均病人数,ill_ave_10表示10日平均病人数,ill_ave_20表示20日平均病人数,当5日平均病人数>10日平均病人数>20日平均病人数,且5日平均病人数-10日平均病人数>20日平均病人数,认为疾病开始爆发。
5.根据权利要求4所述的一种基于运动手环大数据分析的流行性疾病传播分析方法,其特征在于步骤6所述的计算每个病人的感染率λ,具体实现如下:
步骤6-1.初始化λ=0;
步骤6-2.如果j>ed-sd+1,跳转到步骤6-9;
步骤6-3.如果ill[j]>n/2,跳转到步骤6-9;
步骤6-4.ill_ave_5=ill[j-4]+ill[j-3]+...+ill[j]
步骤6-5.last_ill_ave_5=ill[j-5]+ill[j-3]+...+ill[j-1],last_ill_ave_5表示前一天的5日平均病人数;
步骤6-6.如果ill_ave_5>last_ill_ave_5,则跳转到步骤6-9;
步骤6-7.λ=λ+newill[j]/(n-ill[j-1]);
步骤6-8.j++,跳转到步骤6-2;
步骤6-9.λ=λ/j,返回λ,结束。
CN201711482736.7A 2017-12-29 2017-12-29 一种基于运动手环大数据分析的流行性疾病传播分析方法 Active CN108198628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711482736.7A CN108198628B (zh) 2017-12-29 2017-12-29 一种基于运动手环大数据分析的流行性疾病传播分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711482736.7A CN108198628B (zh) 2017-12-29 2017-12-29 一种基于运动手环大数据分析的流行性疾病传播分析方法

Publications (2)

Publication Number Publication Date
CN108198628A CN108198628A (zh) 2018-06-22
CN108198628B true CN108198628B (zh) 2021-10-22

Family

ID=62586958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711482736.7A Active CN108198628B (zh) 2017-12-29 2017-12-29 一种基于运动手环大数据分析的流行性疾病传播分析方法

Country Status (1)

Country Link
CN (1) CN108198628B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
CN105678104A (zh) * 2016-04-06 2016-06-15 电子科技大学成都研究院 一种基于Cox回归模型的老人健康数据分析方法
CN106295179A (zh) * 2016-08-10 2017-01-04 广东工业大学 一种流行性感冒预测方法及装置
CN106943130A (zh) * 2017-03-24 2017-07-14 滁州恒盛农业科技有限公司 一种动物健康监测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4105571B2 (ja) * 2003-03-19 2008-06-25 富士フイルム株式会社 医療ネットワークサーバ及び医療ネットワークシステム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
CN105678104A (zh) * 2016-04-06 2016-06-15 电子科技大学成都研究院 一种基于Cox回归模型的老人健康数据分析方法
CN106295179A (zh) * 2016-08-10 2017-01-04 广东工业大学 一种流行性感冒预测方法及装置
CN106943130A (zh) * 2017-03-24 2017-07-14 滁州恒盛农业科技有限公司 一种动物健康监测系统

Also Published As

Publication number Publication date
CN108198628A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
Moon et al. Gait variability in people with neurological disorders: A systematic review and meta-analysis
US8823526B2 (en) Method of assessing human fall risk using mobile systems
CN106388771B (zh) 一种自动检测人体生理状态的方法及运动手环
US20230085511A1 (en) Method and system for heterogeneous event detection
JP6727473B1 (ja) 関心健康領域の健康度と予防的介入行動のそれぞれとの関連性を評価する方法、装置、及びプログラム
JP5428039B2 (ja) 目標運動量達成予測システム及びセンサデバイス
JP6709154B2 (ja) 人間の現在の概日リズムを計算するための装置、方法、システム、および当該方法を実行するためにコンピュータプログラム
AU2008288697A1 (en) Body movement analysis method and apparatus
EP2403407A1 (de) VERFAHREN ZUR DETEKTION EINER AUßERGEWÖHNLICHEN SITUATION
WO2010112007A2 (de) Erfassung von bewegungen mit feedback
WO2009114755A2 (en) Methods for diagnosing or treating sleep apnea
CN113057627A (zh) 基于弱足cop特征的步态特征提取方法及跌倒风险判别系统
CN113362965A (zh) 用于医院病原菌耐药性监测系统及方法
Vanmechelen et al. Assessment of movement disorders using wearable sensors during upper limb tasks: A scoping review
CN104586402A (zh) 一种人体活动的特征提取方法
CN108198628B (zh) 一种基于运动手环大数据分析的流行性疾病传播分析方法
Kalron et al. The walking speed reserve in low disabled people with multiple sclerosis: Does it provide greater insight in detecting mobility deficits and risk of falling than preferred and fast walking speeds?
IL299011A (en) Method and device for motion analysis
Mancinelli et al. A novel sensorized shoe system to classify gait severity in children with cerebral palsy
KR20140016559A (ko) 시계열 데이터 모델링 기반의 질환 상태 모니터링 장치 및 방법
EP3234827B1 (en) Monitoring the exposure of a patient to an environmental factor
Taylor et al. Context focused older adult mobility and gait assessment
RU2739204C1 (ru) Устройство и способы мониторинга прогрессирования потери поля зрения пользователя
SankarPandi et al. Predicting disability levels of community dwelling older individuals using single wrist mounted accelerometer
CN117292505B (zh) 基于数据处理的智慧交通疲劳驾驶监控系统及监控方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 310051 Fifth Floor of Pioneering Intelligence Building, No. 92 Yueda Lane, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Pioneering Huikang Technology Co.,Ltd.

Address before: 310013 fifth floor, Chuangye wisdom building, No. 92 Yueda lane, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province

Applicant before: B-SOFT Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant