CN108597616A - 疾病异常数据检测方法及装置、计算机装置及存储介质 - Google Patents
疾病异常数据检测方法及装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN108597616A CN108597616A CN201810321852.9A CN201810321852A CN108597616A CN 108597616 A CN108597616 A CN 108597616A CN 201810321852 A CN201810321852 A CN 201810321852A CN 108597616 A CN108597616 A CN 108597616A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- time point
- exceptional value
- time
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种疾病异常数据检测方法,所述方法包括:获取时间点0到时间点t的疾病监测数据,构成时间序列数据;选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值和标准差;根据每个时间点i对应的时间窗内疾病监测数据的均值和标准差,计算所述时间点i对应的疾病监测数据的moving‑zscore值,得到mz列表;根据所述mz列表确定所述时间序列数据的异常值阈值;若时间点i对应的疾病监测数据的moving‑zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据为异常值。本发明还提供一种疾病异常数据检测装置、计算机装置及可读存储介质。本发明可以实现高效准确的疾病监测数据异常检测。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种疾病异常数据检测方法及装置、计算机装置和计算机可读存储介质。
背景技术
随着全球经济一体化进程的加快,经济与交流活动增加,人群流动日益频繁,为疾病的传播与爆发提供了有利环境,公共卫生健康问题越来越严峻。同时,社会与自然环境也发生着变化,环境污染、自然灾害等影响公众健康事件的增多也增加了突发公共卫生事件爆发的可能性。
如何检测出疾病异常数据,以便能够早期识别到疾病流行或爆发的突发公共卫生事件,尽早采取相应的控制措施,将突发公共卫生事件造成的损失降到最低,成为亟待解决的问题。
现有的异常检测方法,例如zscore异常检测方法、格拉布斯(Grubbs)异常检测方法都要求数据满足正态分布,而实际上很多时候无法满足这个要求。对于传统的四分位法,会用到所有的数据,而过去久远的数据对当前数据的参考价值低,结果更容易出现偏差。
发明内容
鉴于以上内容,有必要提出一种疾病异常数据检测方法及装置、计算机装置和计算机可读存储介质,其可以实现高效准确的疾病监测数据异常检测。
本申请的第一方面提供一种疾病异常数据检测方法,所述方法包括:
获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];
选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t;
根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi,得到mz列表 [mzw,mzw+1,mzw+2,…,mzt],其中
根据所述mz列表确定所述时间序列数据X的异常值阈值;
判断时间点i对应的疾病监测数据xi的moving-zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
另一种可能的实现方式中,所述根据所述mz列表确定所述时间序列数据 X的异常值阈值包括:
计算所述mz列表的预设分位数或预设百分位数,将所述预设分位数或预设百分位数作为所述异常值阈值;或者
计算所述mz列表的平均数,将所述平均数作为所述异常值阈值。
另一种可能的实现方式中,所述方法还包括:
获取其他的疾病异常数据检测方法对所述时间序列数据进行检测得到的异常值;
将所述疾病异常数据检测方法得到的异常值与所述其他的疾病异常数据检测方法得到的异常值进行比较;
根据所述疾病异常数据检测方法得到的异常值与所述其他的疾病异常数据检测方法得到的异常值的比较结果得到最终的异常值。
另一种可能的实现方式中,所述方法还包括:
分别对地区和地区下属医院进行疾病异常数据检测,得到针对地区的地区异常值和针对地区下属医院的地区下属医院异常值;
比较所述地区异常值和所述地区下属医院异常值,根据所述地区异常值和所述地区下属医院异常值的比较结果得到最终的异常值。
另一种可能的实现方式中,所述疾病监测数据包括疾病的就诊数、就诊率、发病数、发病率。
另一种可能的实现方式中,所述获取时间点0到时间点t的疾病监测数据包括:
在预设区域建立由多个监测点组成的疾病监测网络,从所述监测点获取所述疾病监测数据。
另一种可能的实现方式中,所述监测点包括满足预设人数或规模的医疗机构、学校和幼托机构、药店。
本申请的第二方面提供一种疾病异常数据检测装置,所述装置包括:
获取单元,用于获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];
计算单元,用于选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t;
所述计算单元,还用于根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值 mzi,得到mz列表[mzw,mzw+1,mzw+2,…,mzt],其中
确定单元,用于根据所述mz列表确定所述时间序列数据X的异常值阈值;
判断单元,用于判断时间点i对应的疾病监测数据xi的moving-zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
本申请的第三方面提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序以实现所述疾病异常数据检测方法。
本申请的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述疾病异常数据检测方法。
本发明获取时间点0到时间点t的疾病监测数据,构成时间序列数据X, X=[x0,x1,x2,…,xt];选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t;根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi,得到mz列表 [mzw,mzw+1,mzw+2,…,mzt];根据所述mz列表确定所述时间序列数据X的异常值阈值;判断时间点i对应的疾病监测数据xi的moving-zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
本发明引入了时间窗,将最具有参考价值的历史邻近数据分布来作为参考,检测结果更加合理。由于时间窗内数据量较少,导致时间窗内的数据很难满足正态分布,因而不能采用传统的zscore方法检测疾病监测数据中的异常值。本发明计算多个疾病监测数据的moving-zscore值,保证了数量足够大,能够满足正态分布的条件,然后再根据所有moving-zscore值确定异常值阈值,从而检测出疾病监测数据中的异常值。因此,本发明对于疾病监测数据的异常检测具有更高的可适用性,实现了高效准确的疾病监测数据异常检测。
附图说明
图1是本发明实施例一提供的疾病异常数据检测方法的流程图。
图2是本发明实施例二提供的疾病异常数据检测装置的结构图。
图3是本发明实施例四提供的计算机装置的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
优选地,本发明的疾病异常数据检测方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路 (Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field- Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的疾病异常数据检测方法的流程图。所述疾病异常数据检测方法应用于计算机装置。所述疾病异常数据检测方法检测疾病监测数据中的异常值,以便能够早期识别到疾病流行或爆发的突发公共卫生事件,尽早采取相应的控制措施,将突发公共卫生事件造成的损失降到最低。
如图1所示,所述疾病异常数据检测方法具体包括以下步骤:
步骤101,获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt]。
所述疾病监测数据可以包括流感、手足口病、麻疹、流行性腮腺炎等疾病的监测数据。
可以在预设区域(例如省市、地区)建立由多个监测点组成的疾病监测网络,从所述监测点获取所述疾病监测数据。可以选择医疗机构、学校和幼托机构、药店等作为监测点,分别对相应的目标人群进行疾病监测及数据采集。可以选择满足预设条件的场所作为监测点。所述预设条件可以包括人数、规模等。例如,选择学生人数达到预设数量的学校和幼托机构作为监控点。又如,选择规模(例如以日营业额统计)达到预设规模的药店作为监控点。再如,选择规模(例如以日就医人数统计)达到预设规模的医院作为监控点。
不同时间的疾病监测数据构成疾病监测的时间序列数据。例如,可以将以日为单位采集到的疾病监测数据构成疾病监测的时间序列数据。或者,可以将以周为单位采集到的疾病监测数据构成疾病监测的时间序列数据。
医疗机构(主要包括医院)是最能捕捉疾病早期暴发预兆的场所,是开展疾病监测的首选。可以根据病人就诊情况,获取疾病监测数据。
一部分疾病人会自行去药店购药来缓解早期症状,因此,可以根据药店的药品销售情况,获取疾病监测数据。
儿童和青少年是疾病的高危人群以及疾病传播过程中的重要环节,也应该加强对该人群的监测。学校和幼托机构是监测儿童和青少年疾病发病情况的较佳场所。可以根据学校和幼托机构的儿童和青少年的请假情况,获得疾病监测数据。
因此,本发明中主要选择医疗机构、学校和幼托机构、药店这三类场所进行疾病监测数据的采集。当然,上述对数据源的选择,并不能限制在另外的实施方案中增加或替换其他重点关注人群或场所作为监测的数据源。例如,可以将宾馆纳入疾病监测范围,获取宾馆入住人员的疾病监测数据。
根据需要,可以取任意一类监控点(例如医疗机构)采集的疾病监测数据构成疾病监测的时间序列数据。例如,可以取医院采集的疾病监测数据构成疾病监测的时间序列数据。或者,可以结合多类监控点采集的疾病监测数据构成疾病监测的时间序列数据。例如,可以以医院采集的疾病监测数据为主,以药店参加的疾病监测数据作为补充,构成疾病监测的时间序列数据。
疾病监测数据可以包括疾病的就诊数、就诊率、发病数、发病率等患病数据。例如,可以从医疗机构(例如医院)获取疾病(例如流感)的每日就诊数,将疾病(例如流感)的每日就诊数作为疾病监测数据。又如,可以从学校获取学生的疾病(例如流感)的每日发病数,将疾病(例如流感)的每日发病数作为疾病监测数据。
需要说明的是,时间点0和时间点t表示时间序列数据的起始时间和终止时间,并非对时间序列数据时间上的限定。可以将任意时间点作为时间点 0。
步骤102,选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t。
时间窗为给定时间点之前邻近的一段时间。例如,设时间窗大小w为4,给定时间点为t=10,时间窗就是t=6到t=9这段时间;给定时间点为t=11,时间窗就是t=7到t=11这段时间;依此类推。
时间窗大小w是可调参数,可以根据实际情况进行调节。
在一实施例中,所述疾病监测数据为每日的疾病监测数据(例如疾病的每日就诊数),所述时间窗大小w可以取为7(即一周)。
在另一实施例中,所述疾病监测数据为每周的疾病监测数据(例如疾病的每周就诊数),所述时间窗大小w可以取为3(即三周)。
步骤103,根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi, 得到mz列表[mzw,mzw+1,mzw+2,…,mzt],其中
步骤102-103从时间点w开始计算各个时间点对应的时间窗内疾病监测数据的均值和标准差,以及从时间点w开始计算各个时间点对应的疾病监测数据的moving-zscore值。这是因为从t=0到t=w-1这段时间内得到的时间窗的长度小于w,没有足够的w个疾病监测数据来计算疾病监测数据的均值和标准差。
步骤104,根据所述mz列表确定所述时间序列数据X的异常值阈值。
可以计算所述mz列表的预设分位数或预设百分位数,将所述预设分位数或预设百分位数作为所述异常值阈值。例如,计算mz列表的第0.997分位数,将mz列表的第0.997分位数作为异常值阈值。又如,计算mz列表的第 0.5分位数(即中位数),将mz列表的第0.5分位数(即中位数)作为异常值阈值。
或者,可以计算mz列表的平均数,将所述平均数作为异常值阈值。
步骤105,判断时间点i对应的疾病监测数据xi的moving-zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
例如,异常值阈值为12,时间点9对应的疾病监测数据x9的moving- zscore值为13,大于所述异常值阈值,则疾病监测数据x9为异常值。
举例说明:
29个连续时间点的疾病监测数据为:
[3,3,4,5,4,6,7,6,7,8,9,8,17,8,7,9,10,11,12,12,13,12,14,14,15,16,16,17,16]。
取时间窗大小w=4,也就是从第5个数4开始计算moving-zscore值,对于第5个数,其时间窗内的数为[3,3,4,5],均值为3.75,标准差为0.829,则 moving-zscore值为(4-3.75)/0.829=0.302(四舍五入保留小数点后三位)。
按照同样的方法,依次计算出第5个数后面所有的moving-zscore值,得到mz列表:
[0.302,2.828,2.713,0.447,1.147,3.0,2.828,0.447,12.728,0.662,0.927,0.246,0.063,2.236,1.859,1.342,2.110,0.0,4.041,1.508,2.110,2.065,1.508,2.111,0.0]。
再取mz列表的0.995分位数作为异常值阈值,得到11.685。
列表中只有12.728是大于这个异常值阈值的,12.728对应的疾病监测数据17,所以17就是异常值。
实施例一的疾病异常数据检测方法获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i= w,w+1,…,t;根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi,得到mz列表[mzw,mzw+1,mzw+2,…,mzt];根据所述mz列表确定所述时间序列数据X的异常值阈值;判断时间点i对应的疾病监测数据xi的moving- zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的 moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
实施例一引入了时间窗,将最具有参考价值的历史邻近数据分布来作为参考,检测结果更加合理。由于时间窗内数据量较少,导致时间窗内的数据很难满足正态分布,因而不能采用传统的zscore方法检测疾病监测数据中的异常值。实施例一计算多个疾病监测数据的moving-zscore值,保证了数量足够大,能够满足正态分布的条件,然后再根据所有moving-zscore值确定异常值阈值,从而检测出疾病监测数据中的异常值。因此,实施例一对于疾病监测数据的异常检测具有更高的可适用性,实现了高效准确的疾病监测数据异常检测。
在另一实施例中,可以结合其他的疾病异常数据检测方法(不同于实施例一的疾病异常数据检测方法)进行疾病异常数据检测。具体地,还可以包括以下步骤:获取其他的疾病异常数据检测方法对所述时间序列数据进行检测得到的异常值;将实施例一的疾病异常数据检测方法得到的异常值与其他的疾病异常数据检测方法得到的异常值进行比较;根据实施例一的疾病异常数据检测方法得到的异常值与其他的疾病异常数据检测方法得到的异常值的比较结果得到最终的异常值。其他的疾病异常数据检测方法可以包括一种,也可以包括多种。每种其他的疾病异常数据检测方法可以得到一组对应的异常值。
例如,采用实施例一的疾病异常数据检测方法对疾病监测的时间序列数据进行疾病异常数据检测得到第一异常值,采用与实施例一的疾病异常数据检测方法不同的第二疾病异常数据检测方法(例如Grubbs检测方法)对所述疾病监测的时间序列数据进行疾病异常数据检测得到第二异常值,比较所述第一异常值和所述到第二异常值得到最终的异常值。若所述第一异常值和所述到第二异常值一致,则以所述第一异常值/到第二异常值作为最终的异常值;否则,若所述第一异常值和所述到第二异常值不一致,则舍弃所述第一异常值与所述第二异常值。
又如,采用实施例一的疾病异常数据检测方法对疾病监测的时间序列数据进行疾病异常数据检测得到第一异常值,采用与实施例一的疾病异常数据检测方法不同的第二疾病异常数据检测方法(例如Grubbs检测方法)对所述疾病监测的时间序列数据进行疾病异常数据检测得到第二异常值,采用与实施例一的疾病异常数据检测方法不同的第三疾病异常数据检测方法(例如贝叶斯检测方法)对所述疾病监测的时间序列数据进行疾病异常数据检测得到第三异常值,比较所述第一异常值、所述第二异常值和所述第三异常值得到最终的异常值。若所述第一异常值、所述第二异常值和所述第三异常值中至少两个异常值一致,则以一致的异常值作为最终的异常值。
在实施例一的疾病异常数据检测方法的基础上,结合其他的疾病异常数据检测方法进行疾病异常数据检测,可以获得更加准确的疾病异常数据检测结果。
在另一实施例中,可以采用实施例一的疾病异常数据检测方法分别对地区和地区下属医院进行疾病异常数据检测,得到针对地区的检测结果(即地区异常值)和针对地区下属医院的检测结果(即地区下属医院异常值),比较所述地区异常值和所述地区下属医院异常值,根据所述地区异常值和所述地区下属医院异常值的比较结果得到最终的异常值。若针对地区的检测结果和针对地区下属医院的检测结果一致,则以针对地区的检测结果/针对地区下属医院的检测结果作为最终的检测结果;否则,若针对地区的检测结果和针对地区下属医院的检测结果不一致,则舍弃所述针对地区的检测结果和针对地区下属医院的检测结果。
其中,对地区进行疾病异常数据检测是根据所述地区的疾病监测的时间序列数据(例如地区的疾控部门从各个地区下属医院收集到的疾病监测数据) 得到地区异常值,对地区下属医院进行疾病异常数据检测是根据所述地区下属医院的疾病监测的时间序列数据得到所述地区下属医院的异常值。
具体来说,按照实施例一的疾病异常数据检测方法,从地区某时间段内的疾病监测数据(例如病例数)中找出异常值,从该地区下属医院同样时间段内的疾病监测数据中找出异常值,取两个维度的交集来作为最终的检测结果。
例如,地区在2014-3-3,2014-3-4,2014-3-5,2014-3-6病例数分别为 160,250,170,180,该地区下属医院(例如该地区下该疾病累计就诊次数最多的医院)在这段时间的病例数分别为130,180,125,140。从地区病例数分布来看,在2014-3-4这天出现了异常病例数,同时下属医院在这天也出现了异常病例数,所以综合判定在这天出现了疾病就诊异常的现象。
又如,地区在2014-3-3,2014-3-4,2014-3-5,2014-3-6病例数分别为 160,210,170,180,该地区下属医院(例如该地区下该疾病累计就诊次数最多的医院)在这段时间病例数分别为130,140,125,140。从地区病例数分布来看,在2014-3-4这天出现了异常病例数,但是下属医院在这天并未出现异常病例数。这是由于地区下有很多家医院,地区在这一天的就诊病例数是由下属所有的医院的病例数的总和,部分医院在这一天有一个小幅度的增长,在医院维度上并不是异常,但是所有的小幅度增长后的总和在地区维度上就表现为异常了。
采用实施例一的疾病异常数据检测方法分别对地区和地区下属医院进行疾病异常数据检测,根据针对地区的检测结果和针对地区下属医院的检测结果得到最终的检测结果,可以获得更加准确的疾病异常数据检测结果。
实施例二
图2为本发明实施例二提供的疾病异常数据检测装置的结构图。如图2 所示,所述疾病异常数据检测装置10可以包括:获取单元201、计算单元 202、确定单元203、判断单元204。
获取单元201,用于获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt]。
所述疾病监测数据可以包括流感、手足口病、麻疹、流行性腮腺炎等疾病的监测数据。
可以在预设区域(例如省市、地区)建立由多个监测点组成的疾病监测网络,从所述监测点获取所述疾病监测数据,由所述疾病监测数据构成构成疾病监测的时间序列数据。可以选择医疗机构、学校和幼托机构、药店等作为监测点,分别对相应的目标人群进行疾病监测及数据采集。可以选择满足预设条件的场所作为监测点。所述预设条件可以包括人数、规模等。例如,选择学生人数达到预设数量的学校和幼托机构作为监控点。又如,选择规模 (例如以日营业额统计)达到预设规模的药店作为监控点。再如,选择规模 (例如以日就医人数统计)达到预设规模的医院作为监控点。
不同时间的疾病监测数据构成疾病监测的时间序列数据。例如,可以将以日为单位采集到的疾病监测数据构成疾病监测的时间序列数据。或者,可以将以周为单位采集到的疾病监测数据构成疾病监测的时间序列数据。
医疗机构(主要包括医院)是最能捕捉疾病早期暴发预兆的场所,是开展疾病监测的首选。可以根据病人就诊情况,获取疾病监测数据。
一部分疾病人会自行去药店购药来缓解早期症状,因此,可以根据药店的药品销售情况,获取疾病监测数据。
儿童和青少年是疾病的高危人群以及疾病传播过程中的重要环节,也应该加强对该人群的监测。学校和幼托机构是监测儿童和青少年疾病发病情况的较佳场所。可以根据学校和幼托机构的儿童和青少年的请假情况,获得疾病监测数据。
因此,本发明中主要选择医疗机构、学校和幼托机构、药店这三类场所进行疾病监测数据的采集。当然,上述对数据源的选择,并不能限制在另外的实施方案中增加或替换其他重点关注人群或场所作为监测的数据源。例如,可以将宾馆纳入疾病监测范围,获取宾馆入住人员的疾病监测数据。
根据需要,可以取任意一类监控点(例如医疗机构)采集的疾病监测数据构成疾病监测的时间序列数据。例如,可以取医院采集的疾病监测数据构成疾病监测的时间序列数据。或者,可以结合多类监控点采集的疾病监测数据构成疾病监测的时间序列数据。例如,可以以医院采集的疾病监测数据为主,以药店参加的疾病监测数据作为补充,构成疾病监测的时间序列数据。
疾病监测数据可以包括疾病的就诊数、就诊率、发病数、发病率等患病数据。例如,可以从医疗机构(例如医院)获取疾病(例如流感)的每日就诊数,将疾病(例如流感)的每日就诊数作为疾病监测数据。又如,可以从学校获取学生的疾病(例如流感)的每日发病数,将疾病(例如流感)的每日发病数作为疾病监测数据。
需要说明的是,时间点0和时间点t表示时间序列数据的起始时间和终止时间,并非对时间序列数据时间上的限定。可以将任意时间点作为时间点 0。
计算单元202,用于选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t。
时间窗为给定时间点之前邻近的一段时间。例如,设时间窗大小w为4,给定时间点为t=10,时间窗就是t=6到t=9这段时间;给定时间点为t=11,时间窗就是t=7到t=11这段时间;依此类推。
时间窗大小w是可调参数,可以根据实际情况进行调节。
在一实施例中,所述疾病监测数据为每日的疾病监测数据(例如疾病的每日就诊数),所述时间窗大小w可以取为7(即一周)。
在另一实施例中,所述疾病监测数据为每周的疾病监测数据(例如疾病的每周就诊数),所述时间窗大小w可以取为3(即三周)。
计算单元202,还用于根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore 值mzi,得到mz列表[mzw,mzw+1,mzw+2,…,mzt],其中
计算单元202从时间点w开始计算各个时间点对应的时间窗内疾病监测数据的均值和标准差,以及从时间点w开始计算各个时间点对应的疾病监测数据的moving-zscore值。这是因为从t=0到t=w-1这段时间内得到的时间窗的长度小于w,没有足够的w个疾病监测数据来计算疾病监测数据的均值和标准差。
确定单元203,用于根据所述mz列表确定所述时间序列数据X的异常值阈值。
可以计算所述mz列表的预设分位数或预设百分位数,将所述预设分位数或预设百分位数作为所述异常值阈值。例如,计算mz列表的第0.997分位数,将mz列表的第0.997分位数作为异常值阈值。又如,计算mz列表的第 0.5分位数(即中位数),将mz列表的第0.5分位数(即中位数)作为异常值阈值。
或者,可以计算mz列表的平均数,将所述平均数作为异常值阈值。
判断单元204,用于判断时间点i对应的疾病监测数据xi的moving-zscore 值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving- zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
例如,异常值阈值为12,时间点9对应的疾病监测数据x9的moving- zscore值为13,大于所述异常值阈值,则疾病监测数据x9为异常值。
举例说明:
29个连续时间点的疾病监测数据为:
[3,3,4,5,4,6,7,6,7,8,9,8,17,8,7,9,10,11,12,12,13,12,14,14,15,16,16,17,16]。
取时间窗大小w=4,也就是从第5个数4开始计算moving-zscore值,对于第5个数,其时间窗内的数为[3,3,4,5],均值为3.75,标准差为0.829,则moving-zscore值为(4-3.75)/0.829=0.302(四舍五入保留小数点后三位)。
按照同样的方法,依次计算出第5个数后面所有的moving-zscore值,得到mz列表:
[0.302,2.828,2.713,0.447,1.147,3.0,2.828,0.447,12.728,0.662,0.927,0.246,0.063,2.236,1.859,1.342,2.110,0.0,4.041,1.508,2.110,2.065,1.508,2.111,0.0]。
再取mz列表的0.995分位数作为异常值阈值,得到11.685。
列表中只有12.728是大于这个异常值阈值的,12.728对应的疾病监测数据17,所以17就是异常值。
实施例二的疾病异常数据检测装置获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i= w,w+1,…,t;根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi,得到mz列表[mzw,mzw+1,mzw+2,…,mzt];根据所述mz列表确定所述时间序列数据X的异常值阈值;判断时间点i对应的疾病监测数据xi的moving- zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的 moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
实施例二引入了时间窗,将最具有参考价值的历史邻近数据分布来作为参考,检测结果更加合理。由于时间窗内数据量较少,导致时间窗内的数据很难满足正态分布,因而不能采用传统的zscore方法检测疾病监测数据中的异常值。实施例二计算多个疾病监测数据的moving-zscore值,保证了数量足够大,能够满足正态分布的条件,然后再根据所有moving-zscore值确定异常值阈值,从而检测出疾病监测数据中的异常值。因此,实施例二对于疾病监测数据的异常检测具有更高的可适用性,实现了高效准确的疾病监测数据异常检测。
在另一实施例中,可以结合其他的疾病异常数据检测装置(其他的疾病异常数据检测装置采用不同于实施例一的疾病异常数据检测方法)进行疾病异常数据检测。具体地,实施例二的疾病异常数据检测装置还可以包括:检测单元,用于获取其他的疾病异常数据检测装置对所述时间序列数据进行检测得到的异常值;比较单元,用于将实施例二的疾病异常数据检测装置得到的异常值与所述其他的疾病异常数据检测装置得到的异常值进行比较,根据实施例二的疾病异常数据检测装置得到的异常值与所述其他的疾病异常数据检测装置得到的异常值的比较结果得到最终的异常值。
例如,采用实施例二的疾病异常数据检测装置对疾病监测的时间序列数据进行疾病异常数据检测得到第一异常值,采用其他的疾病异常数据检测装置对所述疾病监测的时间序列数据进行疾病异常数据检测得到第二异常值,比较所述第一异常值和所述到第二异常值得到最终的异常值。若所述第一异常值和所述到第二异常值一致,则以所述第一异常值/到第二异常值作为最终的异常值;否则,若所述第一异常值和所述到第二异常值不一致,则舍弃所述第一异常值与所述第二异常值。
又如,采用实施例二的疾病异常数据检测装置对疾病监测的时间序列数据进行疾病异常数据检测得到第一异常值,采用第二疾病异常数据检测装置 (该第二疾病异常数据检测装置例如采用Grubbs检测方法)对所述疾病监测的时间序列数据进行疾病异常数据检测得到第二异常值,采用第三疾病异常数据检测装置(该第三疾病异常数据检测装置例如采用叶斯检测方法)对所述疾病监测的时间序列数据进行疾病异常数据检测得到第三异常值,比较所述第一异常值、所述第二异常值和所述第三异常值得到最终的异常值。若所述第一异常值、所述第二异常值和所述第三异常值中至少两个异常值一致,则以一致的异常值作为最终的异常值。
在实施例一的疾病异常数据检测装置的基础上,结合其他的疾病异常数据检测装置进行疾病异常数据检测,可以获得更加准确的疾病异常数据检测结果。
在另一实施例中,可以采用实施例二的疾病异常数据检测装置分别对地区和地区下属医院进行疾病异常数据检测,得到针对地区的检测结果(即地区异常值)和针对地区下属医院的检测结果(即地区下属医院异常值),比较所述地区异常值和所述地区下属医院异常值,根据所述地区异常值和所述地区下属医院异常值的比较结果得到最终的异常值。若针对地区的检测结果和针对地区下属医院的检测结果一致,则以针对地区的检测结果/针对地区下属医院的检测结果作为最终的检测结果;否则,若针对地区的检测结果和针对地区下属医院的检测结果不一致,则舍弃所述针对地区的检测结果和针对地区下属医院的检测结果。
其中,对地区进行疾病异常数据检测是根据所述地区的疾病监测的时间序列数据(例如地区的疾控部门从各个地区下属医院收集到的疾病监测数据) 得到地区异常值,对地区下属医院进行疾病异常数据检测是根据所述地区下属医院的疾病监测的时间序列数据得到所述地区下属医院的异常值。
具体来说,实施例二的疾病异常数据检测装置从地区某时间段内的疾病监测数据(例如病例数)中找出异常值,从该地区下属医院同样时间段内的疾病监测数据中找出异常值,取两个维度的交集来作为最终的检测结果。
例如,地区在2014-3-3,2014-3-4,2014-3-5,2014-3-6病例数分别为 160,250,170,180,该地区下属医院(例如该地区下该疾病累计就诊次数最多的医院)在这段时间的病例数分别为130,180,125,140。从地区病例数分布来看,在2014-3-4这天出现了异常病例数,同时下属医院在这天也出现了异常病例数,所以综合判定在这天出现了疾病就诊异常的现象。
又如,地区在2014-3-3,2014-3-4,2014-3-5,2014-3-6病例数分别为 160,210,170,180,该地区下属医院(例如该地区下该疾病累计就诊次数最多的医院)在这段时间病例数分别为130,140,125,140。从地区病例数分布来看,在2014-3-4这天出现了异常病例数,但是下属医院在这天并未出现异常病例数。这是由于地区下有很多家医院,地区在这一天的就诊病例数是由下属所有的医院的病例数的总和,部分医院在这一天有一个小幅度的增长,在医院维度上并不是异常,但是所有的小幅度增长后的总和在地区维度上就表现为异常了。
采用实施例二的疾病异常数据检测装置分别对地区和地区下属医院进行疾病异常数据检测,根据针对地区的检测结果和针对地区下属医院的检测结果得到最终的检测结果,可以获得更加准确的疾病异常数据检测结果。
实施例三
本实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述疾病异常数据检测方法实施例中的步骤,例如图1所示的步骤101-105:
步骤101,获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];
步骤102,选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t;
步骤103,根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi, 得到mz列表[mzw,mzw+1,mzw+2,…,mzt];
步骤104,根据所述mz列表确定所述时间序列数据X的异常值阈值;
步骤105,判断时间点i对应的疾病监测数据xi的moving-zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
或者,该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能,例如图2中的单元201-204:
获取单元201,用于获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];
计算单元202,用于选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t;
所述计算单元202,还用于根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore 值mzi,得到mz列表[mzw,mzw+1,mzw+2,…,mzt],其中
确定单元203,用于根据所述mz列表确定所述时间序列数据X的异常值阈值;
判断单元204,用于判断时间点i对应的疾病监测数据xi的moving-zscore 值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving- zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
实施例四
图3为本发明实施例四提供的计算机装置的示意图。所述计算机装置1 包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30 上运行的计算机程序40,例如疾病异常数据检测程序。所述处理器30执行所述计算机程序40时实现上述疾病异常数据检测方法实施例中的步骤,例如图1所示的步骤101-105。或者,所述处理器30执行所述计算机程序40时实现上述装置实施例中各模块/单元的功能,例如图2中的单元201-204。
示例性的,所述计算机程序40可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如,所述计算机程序40可以被分割成图2中的获取单元201、计算单元202、确定单元203、判断单元204,各单元具体功能参见实施例二。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图3仅仅是计算机装置1的示例,并不构成对计算机装置1的限定,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,例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),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30也可以是任何常规的处理器等,所述处理器30是所述计算机装置1的控制中心,利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元,所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/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,也可以通过计算机程序来指令相关的硬件来完成,所述的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,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应该理解到,所揭露的计算机装置和方法,可以通过其它的方式实现。例如,以上所描述的计算机装置实施例仅仅是示意性的,例如,所述单元的划分,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。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,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相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种疾病异常数据检测方法,其特征在于,所述方法包括:
获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];
选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t;
根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi,得到mz列表[mzw,mzw+1,mzw+2,…,mzt],其中
根据所述mz列表确定所述时间序列数据X的异常值阈值;
判断时间点i对应的疾病监测数据xi的moving-zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
2.如权利要求1所述的方法,其特征在于,所述根据所述mz列表确定所述时间序列数据X的异常值阈值包括:
计算所述mz列表的预设分位数或预设百分位数,将所述预设分位数或预设百分位数作为所述异常值阈值;或者
计算所述mz列表的平均数,将所述平均数作为所述异常值阈值。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取其他的疾病异常数据检测方法对所述时间序列数据进行检测得到的异常值;
将所述疾病异常数据检测方法得到的异常值与所述其他的疾病异常数据检测方法得到的异常值进行比较;
根据所述疾病异常数据检测方法得到的异常值与所述其他的疾病异常数据检测方法得到的异常值的比较结果得到最终的异常值。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
分别对地区和地区下属医院进行疾病异常数据检测,得到针对地区的地区异常值和针对地区下属医院的地区下属医院异常值;
比较所述地区异常值和所述地区下属医院异常值,根据所述地区异常值和所述地区下属医院异常值的比较结果得到最终的异常值。
5.如权利要求1-4中任一项所述的方法,其特征在于,所述疾病监测数据包括疾病的就诊数、就诊率、发病数、发病率。
6.如权利要求1-4中任一项所述的方法,其特征在于,所述获取时间点0到时间点t的疾病监测数据包括:
在预设区域建立由多个监测点组成的疾病监测网络,从所述监测点获取所述疾病监测数据。
7.如权利要求6所述的方法,其特征在于,所述监测点包括满足预设人数或规模的医疗机构、学校和幼托机构、药店。
8.一种疾病异常数据检测装置,其特征在于,所述装置包括:
获取单元,用于获取时间点0到时间点t的疾病监测数据,构成时间序列数据X,X=[x0,x1,x2,…,xt];
计算单元,用于选取时间窗大小w,针对时间点w至时间点t中的每个时间点i,计算所述时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,所述时间点i对应的时间窗的大小为w,i=w,w+1,…,t;
所述计算单元,还用于根据每个时间点i对应的时间窗内疾病监测数据的均值μi和标准差σi,计算所述时间点i对应的疾病监测数据xi的moving-zscore值mzi,得到mz列表[mzw,mzw+1,mzw+2,…,mzt],其中
确定单元,用于根据所述mz列表确定所述时间序列数据X的异常值阈值;
判断单元,用于判断时间点i对应的疾病监测数据xi的moving-zscore值是否大于所述异常值阈值,若时间点i对应的疾病监测数据xi的moving-zscore值大于所述异常值阈值,则所述时间点i对应的疾病监测数据xi为异常值。
9.一种计算机装置,其特征在于:所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-7中任一项所述疾病异常数据检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,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1-7中任一项所述疾病异常数据检测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810321852.9A CN108597616A (zh) | 2018-04-11 | 2018-04-11 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
SG11202008183UA SG11202008183UA (en) | 2018-04-11 | 2018-08-09 | Disease abnormal data detection method, device, computing device, and storage medium |
PCT/CN2018/099610 WO2019196279A1 (zh) | 2018-04-11 | 2018-08-09 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810321852.9A CN108597616A (zh) | 2018-04-11 | 2018-04-11 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108597616A true CN108597616A (zh) | 2018-09-28 |
Family
ID=63621736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810321852.9A Pending CN108597616A (zh) | 2018-04-11 | 2018-04-11 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN108597616A (zh) |
SG (1) | SG11202008183UA (zh) |
WO (1) | WO2019196279A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110299208A (zh) * | 2019-05-22 | 2019-10-01 | 平安科技(深圳)有限公司 | 疾病监测数据异常检测方法、系统、设备及存储介质 |
CN112152833A (zh) * | 2019-06-29 | 2020-12-29 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
CN112152834A (zh) * | 2019-06-29 | 2020-12-29 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130798A (zh) * | 2011-03-25 | 2011-07-20 | 中国电子科技集团公司第三十研究所 | 一种分布式网络多维流量异常检测方法和装置 |
CN106055885A (zh) * | 2016-05-26 | 2016-10-26 | 哈尔滨工业大学 | 基于过采样投影近似基追踪无人机飞行数据异常检测方法 |
CN106296435A (zh) * | 2016-08-18 | 2017-01-04 | 西安科技大学 | 一种矿井瓦斯监测异常数据识别方法 |
CN106657038A (zh) * | 2016-12-08 | 2017-05-10 | 西安交通大学 | 一种基于对称度Sketch的网络流量异常检测与定位方法 |
CN106685750A (zh) * | 2015-11-11 | 2017-05-17 | 华为技术有限公司 | 系统异常检测方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102805620B (zh) * | 2012-08-16 | 2014-03-05 | 深圳邦健生物医疗设备股份有限公司 | 一种房颤检测方法和装置 |
CN104027100A (zh) * | 2014-06-12 | 2014-09-10 | 山东中弘信息科技有限公司 | 一种基于最近历史值的血压异常数据处理方法 |
CN104523265B (zh) * | 2014-12-31 | 2017-04-12 | 广州视源电子科技股份有限公司 | 异常心电数据的判断方法和装置 |
CN106371939B (zh) * | 2016-09-12 | 2019-03-22 | 山东大学 | 一种时序数据异常检测方法及其系统 |
-
2018
- 2018-04-11 CN CN201810321852.9A patent/CN108597616A/zh active Pending
- 2018-08-09 SG SG11202008183UA patent/SG11202008183UA/en unknown
- 2018-08-09 WO PCT/CN2018/099610 patent/WO2019196279A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130798A (zh) * | 2011-03-25 | 2011-07-20 | 中国电子科技集团公司第三十研究所 | 一种分布式网络多维流量异常检测方法和装置 |
CN106685750A (zh) * | 2015-11-11 | 2017-05-17 | 华为技术有限公司 | 系统异常检测方法和装置 |
CN106055885A (zh) * | 2016-05-26 | 2016-10-26 | 哈尔滨工业大学 | 基于过采样投影近似基追踪无人机飞行数据异常检测方法 |
CN106296435A (zh) * | 2016-08-18 | 2017-01-04 | 西安科技大学 | 一种矿井瓦斯监测异常数据识别方法 |
CN106657038A (zh) * | 2016-12-08 | 2017-05-10 | 西安交通大学 | 一种基于对称度Sketch的网络流量异常检测与定位方法 |
Non-Patent Citations (1)
Title |
---|
李南忘: "基于数据挖掘方法通过简约参数建立水质异常检测及污染物识别系统的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110299208A (zh) * | 2019-05-22 | 2019-10-01 | 平安科技(深圳)有限公司 | 疾病监测数据异常检测方法、系统、设备及存储介质 |
CN112152833A (zh) * | 2019-06-29 | 2020-12-29 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
CN112152834A (zh) * | 2019-06-29 | 2020-12-29 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
CN112152833B (zh) * | 2019-06-29 | 2023-06-06 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
CN112152834B (zh) * | 2019-06-29 | 2023-06-06 | 北京金山云网络技术有限公司 | 一种网络异常报警方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019196279A1 (zh) | 2019-10-17 |
SG11202008183UA (en) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210202103A1 (en) | Modeling and simulation of current and future health states | |
US20210005324A1 (en) | Methods and systems for a health monitoring command center and workforce advisor | |
CN108320810A (zh) | 疾病异常数据检测方法及装置、计算机装置及存储介质 | |
Guthrie et al. | High risk prescribing in primary care patients particularly vulnerable to adverse drug events: cross sectional population database analysis in Scottish general practice | |
CN106796707B (zh) | 慢性疾病发现和管理系统 | |
US11120906B2 (en) | System for improving patient medical treatment plan compliance | |
CN108597617A (zh) | 流行病分级预测方法及装置、计算机装置和可读存储介质 | |
Carter et al. | Medication information seeking behavior of patients who use multiple medicines: how does it affect adherence? | |
McIntosh et al. | Economic evaluation of an intensive home visiting programme for vulnerable families: a cost-effectiveness analysis of a public health intervention | |
CN108597616A (zh) | 疾病异常数据检测方法及装置、计算机装置及存储介质 | |
Sadak et al. | Measuring caregiver activation for health care: Validation of PBH-LCI: D | |
CN109543918A (zh) | 数据预测方法、装置、计算机装置和计算机可读存储介质 | |
Steele et al. | Home-based comprehensive medication reviews: Pharmacist's impact on drug therapy problems in geriatric patients | |
CN108630321A (zh) | 流行病预测方法、计算机装置及计算机可读存储介质 | |
US20200219610A1 (en) | System and method for providing prediction models for predicting a health determinant category contribution in savings generated by a clinical program | |
van Manen et al. | Signal detection methodologies to support effective safety management | |
Nimesh et al. | Pharmacovigilance: an overview | |
De Muth | Preparing for the first meeting with a statistician | |
Yasui et al. | Familial relative risk estimates for use in epidemiologic analyses | |
Margolis et al. | Psychometric evaluation of the medication adherence report scale in caregivers of low-income, urban, African American children with poorly controlled asthma | |
Peltonen et al. | Front-line physicians' satisfaction with information systems in hospitals | |
Tang | Motion image detection algorithm for juvenile obesity based on video surveillance and internet of things | |
Nugraha et al. | Advanced Data Instrumentation for Stunting Analysis in Physical-Cyber Architecture | |
Srinivasan | Inverted Simulations Demonstrating Strong Ecological Fallacies in Cohort Studies | |
Rezaei-Darzi et al. | Evaluating equality in prescribing Novel Oral Anticoagulants (NOACs) in England: The protocol of a Bayesian small area analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |