CN108735302A - 健康数据处理的方法及终端设备 - Google Patents
健康数据处理的方法及终端设备 Download PDFInfo
- Publication number
- CN108735302A CN108735302A CN201810497226.5A CN201810497226A CN108735302A CN 108735302 A CN108735302 A CN 108735302A CN 201810497226 A CN201810497226 A CN 201810497226A CN 108735302 A CN108735302 A CN 108735302A
- Authority
- CN
- China
- Prior art keywords
- data
- primary data
- matrix
- data matrix
- health
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及健康分析技术领域,公开了一种健康数据处理的方法及终端设备,包括获取初始数据矩阵,初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数;对初始数据矩阵进行模糊聚类分析,将初始数据矩阵中的数据分为C类数据;根据C类数据中的亚健康症状表现程度值,将C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。本发明技术方案通过对大量样本数据进行模糊聚类分析,为亚健康症状所发生的生理系统提供健康指导信息。
Description
技术领域
本发明涉及健康分析技术领域,特别是涉及一种健康数据处理的方法及终端设备。
背景技术
随着社会的进步和科技的发展,人们越来越关注自身的健康。1948年,世界卫生组织提出了健康的新概念,健康不仅仅是不生病,而且是身体上、心理上和社会适应上的完好状态。但是现实当中往往存在这样的现象,身体感觉各种不适,如睡眠不好、疼痛等,但仪器检查和生化检验等不能发现任何器质性病变。20世纪80年代,前苏联学者N-布赫曼教授提出一个概念:亚健康状态,它是一种介于健康与疾病的中间状态。
世界卫生组织的一项全球性调查结果表明,75%的人处于亚健康状态,由于亚健康状态病因的不确定性、症状的隐蔽性、发生的广泛性等严重威胁着人类健康,对亚健康的研究越来越得到重视。引发亚健康状态的原因有多种,包括社会因素、心理学因素、环境因素、生活方式以及行为因素、饮食结构因素以及人际关系因素等等。
由于亚健康的临床表现多样,没有特质性指标性质,当一个人存在亚健康症状时,无法判断其发生亚健康的生理系统。
发明内容
本发明要解决的技术问题是针对上述现有技术无法判断亚健康所发生的生理系统的问题,提供一种健康数据处理的方法及终端设备。
为解决上述技术问题,本发明所采取的技术方案是:
本发明实施例的第一方面提供了一种健康数据处理的方法,该方法包括:
获取初始数据矩阵,所述初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数;
对所述初始数据矩阵进行模糊聚类分析,将所述初始数据矩阵中的数据分为C类数据;
根据所述C类数据中的亚健康症状表现程度值,将所述C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。
进一步的,所述生理系统包括运动系统、消化系统、呼吸系统、泌尿系统、生殖系统、内分泌系统、神经系统、血液循环系统和免疫系统,且1<C≤9。
进一步的,对所述初始数据矩阵进行模糊聚类分析之前,该方法还包括:
对所述初始数据矩阵中的每一行数据进行归一化处理,使得所述初始数据矩阵中的每一行数据的和为1。
进一步的,该方法还包括:
获取被测对象的m种亚健康症状表现程度值;
根据被测对象的m种亚健康症状表现程度值,和C个生理系统组,获取被测对象发生亚健康所对应的生理系统。
进一步的,该方法还包括:
根据所述被测对象的m种亚健康症状表现程度值,判断所述被测对象的体质类型,其中,所述体质类型包括和平质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质。
本发明实施例的第二方面提供了一种健康数据处理的装置,该装置包括:第一获取单元,分类单元和第二获取单元;
第一获取单元,用于获取初始数据矩阵,所述初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数;
分类单元,用于对所述初始数据矩阵进行模糊聚类分析,将所述初始数据矩阵中的数据分为C类数据;
第二获取单元,用于第二获取单元,用于根据所述C类数据中的亚健康症状表现程度值,将所述C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。
进一步的,所述生理系统包括运动系统、消化系统、呼吸系统、泌尿系统、生殖系统、内分泌系统、神经系统、血液循环系统和免疫系统,且1<C≤9。
进一步的,该装置还包括处理单元;
处理单元,用于对所述初始数据矩阵中的每一行数据进行归一化处理,使得所述初始数据矩阵中的每一行数据的和为1。
本发明实施例的第三方面提供了一种健康数据处理的终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现上述第一方面中任一种健康数据处理的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,其特征在于,计算机程序被处理器执行时实现上述第一方面中任一种健康数据处理的方法的步骤。
本发明技术方案通过对大量样本数据进行模糊聚类分析,精准定位被测对象的亚健康所对应的生理系统,为被测对象提供健康指导信息。
附图说明
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。
图1是本发明实施例提供的一种健康数据处理的方法流程图;
图2是本发明实施例提供的一种健康数据处理的装置示意图;
图3是本发明实施例提供的一种健康数据处理的终端设备示意图。
具体实施方式
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。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
本发明实施例提供了一种健康数据处理的方法,结合图1,该方法包括:
S101,获取初始数据矩阵,初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数。
人体可分为九大生理系统,包括运动系统,消化系统,呼吸系统,泌尿系统,生殖系统,内分泌系统,神经系统,血液循环系统,免疫系统。当被测对象出现某一种或几种亚健康症状时,无法判断亚健康症状所对应的生理系统,如体虚无力,该症状可能发生于运动系统,也可能发生于神经系统、免疫系统或其他系统,如注意力不集中,该症状可能发生于神经系统、血液循环系统或其他系统,在这种情况下,仅根据被测对象的亚健康症状,无法精准判断亚健康发生的生理系统,为后续被测对象的诊断和治疗造成了很大的障碍。
为解决这一问题,本发明实施例提供了一种健康数据处理的方法,可选的,获取一个样本数据,在本发明实施例中可称为初始数据矩阵。例如,从1000例体检信息中获得273例样本数据,这273个被测对象的亚健康发生的生理系统不能明确。
针对273个被测对象,选取15种主要的亚健康症状,例如,这15种亚健康症状分别为体虚无力、喜静懒言、注意力不集中、皮肤干燥、健忘、嗜睡懒床、反应速度慢、眼睛干涩、腰膝酸软、失眠多梦、掉头发、面部油腻、口干喝水多、心烦意乱、急躁发怒。
并对这273个被测对象的15亚健康症状表现程度值进行初始化,可选的,亚健康症状表现程度值为[0,1]中的任意值。
优选的,可根据亚健康症状表现程度进行如下5个等级的取值设定:
得到下表:
根据该表获得初始数据矩阵:
初始数据矩阵为n行m列的矩阵,包含n个被测对象的m种亚健康症状表现程度值,在本例中,初始数据矩阵为273行15列的矩阵,包含273个被测对象的15种亚健康症状表现程度值。
S102,对初始数据矩阵进行模糊聚类分析,将初始数据矩阵中的数据分为C类数据。
优选的,在对初始数据矩阵进行模糊聚类分析之前,对初始数据矩阵中的每一行数据进行归一化处理,使得初始数据矩阵中的每一行数据的和为1.
以步骤S101示例中的初始数据矩阵的第一行数据为例,原数据为:
1 | 0 | 0.75 | 0.25 | 0 | 0 | 0.75 | 0 | 1 | 0 | 0 | 0.25 | 0.75 | 0 | 1 |
对该行数据求和得到5.75,该行数据每一个数据值除以5.75得到归一化后的数据值:
0.174 | 0 | 0.130 | 0.043 | 0 | 0 | 0.130 | 0 | 0.174 | 0 | 0 | 0.043 | 0.130 | 0 | 0.174 |
根据这种方法对初始数据矩阵中的每一行进行归一化处理,得到归一化后的初始数据矩阵。
对归一化后的初始数据矩阵进行模糊聚类分析,将初始数据矩阵的数据分为C类。
具体的,采用如下方法进行模糊聚类分析:
确定目标函数点到聚类中心的加权距离和J:
其中,m为模糊化程度的参数。
uik指元素k对类别i的隶属程度,并且某一个元素对所有类别的隶属程度的值加起来等于1,即约束条件为:
dik的平方:元素k与中心点i之间的欧氏距离。
dik 2=|xk-vi|2
根据聚类原则,类内相似度最大,类间相似度最小。为了使得模糊聚类的目标函数到达最优解,即点到中心的加权距离之和最小,即目标函数取得最小值。
为了求解有约束条件下的目标函数的极值,利用拉格朗日乘子法,构造新的函数,即:
其中λ为拉格朗日乘子。
F对λ,uik、vj求偏导数,在极值点时分别为0,有最优化条件如下:
要得到F极值,uik、vj应满足如下条件:
S103,根据C类数据中的亚健康症状表现程度值,将C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。
由于人体的生理系统包括运动系统,消化系统,呼吸系统,泌尿系统,生殖系统,内分泌系统,神经系统,血液循环系统和免疫系统9大类,因此,在步骤S102中,1<C≤9,可根据样本人群种类、样本数量等因素根据实际需要将初始数据矩阵分为1-9类,并将C类数据中的每一类数据分别对应一种生理系统,即,通过对C类中的每一类数据进行医学分析,使得每一类数据对应一种生理系统。
举例来说,对步骤S101和S102得到的归一化后的初始数据矩阵,即样本矩阵进行模糊聚类分析,将初始数据矩阵分为6个大类,经过对这6个大类中的数据,即亚健康症状种类和亚健康症状表现程度值,进行医学分析与判断,这6类分别对应的生理系统为:
消化系统,对应的亚健康症状为皮肤干燥、面部油腻、
呼吸系统,对应的亚健康症状为喜静懒言;
运动系统,对应的亚健康症状为眼睛干涩、嗜睡懒床;
泌尿系统,对应的亚健康症状为口干喝水多、腰膝酸软、失眠多梦;
神经系统,对应的亚健康症状为注意力不集中、健忘、心烦意乱、急躁发怒;
血液循环系统,对应的亚健康症状为体虚无力、反应速度慢、掉头发。
基于上述分析,将初始数据矩阵分为6个生理系统组,及消化系统组、呼吸系统组、运动系统组,泌尿系统组、神经系统组和血液循环系统组。
优选的,针对不同的人群建立不同的初始数据矩阵,如老年人人群,学生人群,从事体力劳动者人群,办公室工作者人群等。对不同的人群所对应的初始数据矩阵,分别通过步骤S101-S103健康数据处理,当被测对象存在亚健康症状时,首先定位该被测对象属于哪一类人群,调取针对该人群通过步骤S101-S103获取的健康指导信息,并获取被测对象的m种亚健康症状表现程度值;根据被测对象的m种亚健康症状表现程度值,和该人群所对应的指导信息中的C个生理系统组,获取所述被测对象发生亚健康所对应的生理系统。
可选的,根据被测对象的m种亚健康症状表现程度值,还可以判断所述被测对象的体质类型,其中,体质类型包括和平质,气虚质,阳虚质,阴虚质,痰湿质,湿热质,血瘀质,气郁质,特禀质,根据被测对象的m种亚健康症状表现程度值,可以判断被测对象为上述体质中的哪一种体质。
本发明实施例提供了一种健康数据处理的方法,该方法包括:获取初始数据矩阵,初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数;对初始数据矩阵进行模糊聚类分析,将初始数据矩阵中的数据分为C类数据;根据C类数据中的亚健康症状表现程度值,将C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。通过对大量样本数据进行模糊聚类分析,为亚健康症状所发生的生理系统提供健康指导信息。
进一步的,结合图2,本发明实施例还提供了一种健康数据处理的装置,该装置包括:
第一获取单元21,分类单元22和第二获取单元23;
第一获取单元21,用于获取初始数据矩阵,所述初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数;
分类单元22,用于对所述初始数据矩阵进行模糊聚类分析,将所述初始数据矩阵中的数据分为C类数据;
第二获取单元23,用于根据所述C类数据中的亚健康症状表现程度值,将所述C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。
进一步的,生理系统包括运动系统,消化系统,呼吸系统,泌尿系统,生殖系统,内分泌系统,神经系统,血液循环系统,免疫系统,1<C≤9。
优选的,亚健康症状表现程度值为[0,1]中的任意值。
进一步的,结合图2,该装置还包括处理单元24;
处理单元24,用于对所述初始数据矩阵中的每一行数据进行归一化处理,使得所述初始数据矩阵中的每一行数据的和为1。
进一步的,结合图2,该装置还包括第三获取单元25和第四获取单元26,
第三获取单元25,用于获取被测对象的m种亚健康症状表现程度值,
第四获取单元26,用于根据所述被测对象的m种亚健康症状表现程度值,和所述C个生理系统组,获取所述被测对象发生亚健康所对应的生理系统。
进一步的,结合图2,该装置还包括判断单元27,
判断单元27,用于根据被测对象的m种亚健康症状表现程度值,判断被测对象的体质类型,其中,体质类型为和平质,气虚质,阳虚质,阴虚质,痰湿质,湿热质,血瘀质,气郁质,特禀质中的一种。
本发明实施例提供了一种健康数据处理的装置,该装置通过聚类模糊算法,对某一特定人群的初始数据矩阵进行模糊聚类分析,为明确该人群亚健康症状对应的生理系统提供健康指导信息。
图3是本发明实施例提供的一种健康数据处理的终端设备的示意图。如图3所示,该实施例的一种健康数据处理的终端设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32,例如一种健康数据处理的程序。所述处理器30执行所述计算机程序32时实现上述各个健康数据处理的方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各单元的功能,例如图2所示模块21至27的功能。
示例性的,所述计算机程序32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31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32在健康数据处理的终端设备3中的执行过程。
所述一种健康数据处理的终端设备3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。所述一种健康数据处理的终端设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是一种健康数据处理的终端设备3的示例,并不构成对一种健康数据处理的终端设备3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,例如所述一种健康数据处理的终端设备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也可以是任何常规的处理器等。
所述存储器31可以是所述一种健康数据处理的终端设备3的内部存储单元,例如一种健康数据处理的终端设备3的硬盘或内存。所述存储器31也可以是所述一种健康数据处理的终端设备3的外部存储设备,例如所述一种健康数据处理的终端设备3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,所述存储器31还可以既包括所述一种健康数据处理的终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述一种健康数据处理的终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
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,即将所述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,并不用于限制本申请的保护范围。上述系统中单元、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。
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。
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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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。
所述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。
另外,在本发明各个实施例中的各功能单元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。
所述集成的模块/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。
以上所述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。
Claims (10)
1.一种健康数据处理的方法,其特征在,该方法包括:
获取初始数据矩阵,所述初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数;
对所述初始数据矩阵进行模糊聚类分析,将所述初始数据矩阵中的数据分为C类数据;
根据所述C类数据中的亚健康症状表现程度值,将所述C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。
2.根据权利要求1所述的方法,其特征在于,所述生理系统包括运动系统、消化系统、呼吸系统、泌尿系统、生殖系统、内分泌系统、神经系统、血液循环系统和免疫系统,且1<C≤9。
3.根据权利要求1所述的方法,其特征在于,对所述初始数据矩阵进行模糊聚类分析之前,该方法还包括:
对所述初始数据矩阵中的每一行数据进行归一化处理,使得所述初始数据矩阵中的每一行数据的和为1。
4.根据权利要求1-3任一项所述的方法,其特征在于,该方法还包括:
获取被测对象的m种亚健康症状表现程度值;
根据所述被测对象的m种亚健康症状表现程度值,和所述C个生理系统组,获取所述被测对象发生亚健康所对应的生理系统。
5.根据权利要求4所述的方法,其特征在于,该方法还包括:
根据所述被测对象的m种亚健康症状表现程度值,判断所述被测对象的体质类型,其中,所述体质类型为和平质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质和特禀质中的一种。
6.一种健康数据处理的装置,其特征在于,该装置包括:第一获取单元,分类单元和第二获取单元;
所述第一获取单元,用于获取初始数据矩阵,所述初始数据矩阵为n行m列的矩阵,包含n个对象的m种亚健康症状表现程度值,其中,n和m均为正整数;
所述分类单元,用于对所述初始数据矩阵进行模糊聚类分析,将所述初始数据矩阵中的数据分为C类数据;
所述第二获取单元,用于根据所述C类数据中的亚健康症状表现程度值,将所述C类数据中的每一类数据分别对应一种生理系统,获得C个生理系统组。
7.根据权利要求6所述的装置,其特征在于,所述生理系统包括运动系统、消化系统、呼吸系统、泌尿系统、生殖系统、内分泌系统、神经系统、血液循环系统和免疫系统,且1<C≤9。
8.根据权利要求6或7所述的装置,其特征在于,该装置还包括处理单元;
所述处理单元,用于对所述初始数据矩阵中的每一行数据进行归一化处理,使得所述初始数据矩阵中的每一行数据的和为1。
9.一种健康数据处理的终端设备,包括存储器、处理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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
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5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497226.5A CN108735302A (zh) | 2018-05-22 | 2018-05-22 | 健康数据处理的方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497226.5A CN108735302A (zh) | 2018-05-22 | 2018-05-22 | 健康数据处理的方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108735302A true CN108735302A (zh) | 2018-11-02 |
Family
ID=63934956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810497226.5A Pending CN108735302A (zh) | 2018-05-22 | 2018-05-22 | 健康数据处理的方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108735302A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111966220A (zh) * | 2020-08-03 | 2020-11-20 | 刘亮 | 一种基于眼动数据的管制员情景意识水平分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087680A (zh) * | 2010-11-19 | 2011-06-08 | 陈博 | 创意性生命健康状态集成评价系统 |
CN204302976U (zh) * | 2014-03-21 | 2015-04-29 | 徐飞龙 | 人体疾病风险预警系统 |
CN106934199A (zh) * | 2015-12-31 | 2017-07-07 | 深圳先进技术研究院 | 一种心理压力评估方法及装置 |
-
2018
- 2018-05-22 CN CN201810497226.5A patent/CN108735302A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087680A (zh) * | 2010-11-19 | 2011-06-08 | 陈博 | 创意性生命健康状态集成评价系统 |
CN204302976U (zh) * | 2014-03-21 | 2015-04-29 | 徐飞龙 | 人体疾病风险预警系统 |
CN106934199A (zh) * | 2015-12-31 | 2017-07-07 | 深圳先进技术研究院 | 一种心理压力评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
曲淼 等: "中医心系亚健康状态调查研究", 《中国中医基础医学杂志》 * |
罗劲娜 等: "亚健康状态的辨识与分类研究进展", 《中国中医药现代远程教育》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111966220A (zh) * | 2020-08-03 | 2020-11-20 | 刘亮 | 一种基于眼动数据的管制员情景意识水平分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Estrela et al. | Health 4.0: applications, management, technologies and review | |
DeGregory et al. | A review of machine learning in obesity | |
Yu et al. | AI-based stroke disease prediction system using real-time electromyography signals | |
Kamadi et al. | A computational intelligence technique for the effective diagnosis of diabetic patients using principal component analysis (PCA) and modified fuzzy SLIQ decision tree approach | |
Yahya et al. | Classification of motor functions from electroencephalogram (EEG) signals based on an integrated method comprised of common spatial pattern and wavelet transform framework | |
Poon et al. | A novel approach in discovering significant interactions from TCM patient prescription data | |
Başçiftçi et al. | An expert system design to diagnose cancer by using a new method reduced rule base | |
WO2020004391A1 (ja) | 漢方薬処方用の情報処理システム、情報処理方法、及びプログラム | |
Manoharan et al. | A machine learning algorithm for classification of mental tasks | |
Zhongxin et al. | Feature selection algorithm based on mutual information and lasso for microarray data | |
Zheng et al. | A novel consciousness emotion recognition method using ERP components and MMSE | |
Xiong et al. | CEEMDAN-IMFx-PCA-CICA: an improved single-channel blind source separation in multimedia environment for motion artifact reduction in ambulatory ECG | |
Luo et al. | EEG feature extraction based on a bilevel network: Minimum spanning tree and regional network | |
Sam et al. | The Effectiveness of IoT Based Wearable Devices and Potential Cybersecurity Risks: A Systematic Literature Review from the Last Decade | |
Hu et al. | Learning optimal time-frequency-spatial features by the cissa-csp method for motor imagery eeg classification | |
CN110444254A (zh) | 一种菌群标记物的检测方法、检测系统及终端 | |
CN108735302A (zh) | 健康数据处理的方法及终端设备 | |
Liao et al. | Convolutional herbal prescription building method from multi-scale facial features | |
Omidvarnia et al. | On the spatial distribution of temporal complexity in resting state and task functional MRI | |
Kumar et al. | Deep learning for healthcare biometrics | |
Wirawan et al. | Continuous Capsule Network Method for Improving Electroencephalogram-Based Emotion Recognition | |
Chen et al. | Novel joint algorithm based on EEG in complex scenarios | |
Ortega-Rodríguez et al. | Selection of the Minimum Number of EEG Sensors to Guarantee Biometric Identification of Individuals | |
Awotunde et al. | An Enhanced Medical Diagnosis System for Malaria and Typhoid Fever Using Genetic Neuro-Fuzzy System | |
Verma et al. | Prospects and Difficulties of Artificial Intelligence (AI) Implementations in Naturopathy |
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: 20181102 |