CN109147939A - 一种用于疾病控制的抽样装置及抽样方法 - Google Patents

Abstract

本发明属于疾病控制技术领域，公开了一种用于疾病控制的抽样装置及抽样方法，所述用于疾病控制的抽样装置包括：抽样数据采集模块、数据传输模块、主控模块、疾病概率计算模块、预警模块、数据存储模块、显示模块。本发明通过数据采集模块基于分布式网络依靠各个检测节点的特点高效的传输各个检测节点的疾病抽样数据，提高抽样数据的处理速度；通过疾病概率计算模块采集的数据搭建模型，无需通过体检化验的方式检测疾病概率，对疾病概率的检测效率较高，而且疾病概率检测的成本也较低；同时，通过预警模块引入权重的方式，可以实现采用定量数值表征各个规则集对于特定疾病诊断的重要性，能够达到“精准病例提示”或者“精准预警”。

Description

一种用于疾病控制的抽样装置及抽样方法

技术领域

本发明属于疾病控制技术领域，尤其涉及一种用于疾病控制的抽样装置及抽样方法。

背景技术

疾病是一个极其复杂的过程，许多情况下，从健康到疾病是一个由量变到质变的过程。当外界致病因素作用于细胞，达到一定强度或持续一定时间，也就是说，致病因素有了一定量的积累就会引起细胞的损伤，这个被损伤的细胞出现功能、代谢、形态结构紊乱。现代医学对人体的各种生物参数(包括智能)都进行了测量，其数值大体上服从统计学中的常态分布规律，即可以计算出一个均值和95％健康个体的所在范围。习惯上称这个范围为"正常"，超出这个范围，过高或过低，便是"不正常",疾病便属于不正常的范围。在许多情况下，这一定义是适用的，如伤寒可以表现为一定时间内体温和血中"伤寒血凝素"(抗体)的增高。但是，正常人的个体差异和生物变异很大，有时这一定义就不适用。如正常人心脏的大小有一定范围，许多疾病可以造成心脏扩大,但对于运动员来说，超过正常大小的心脏伴有心动过缓(慢至每分钟40次左右)并非病态；这种偏离正常值属于个体差异。在精神方面，智商大大超过同龄人的是天才，而不是病人。也有人从功能或适应能力来定义疾病，认为功能受损和与环境的协调能力遭到破坏才是疾病的表现，这样可以避免把正常人的个体差异和生物变异误划为疾病。缺氧时才出现症状的镰状细胞性贫血，就表现为适应能力的缺陷。对许多精神病人，特别需要考察其与环境的协调能力。但是适应功能的不良并不一定是疾病，如一个长期缺乏体力活动的脑力工作者不能适应常人能够胜任的体力活动，稍有劳累就腰酸背痛，这不一定是有病。因此有人建议在健康与疾病之间增加一个"无病状态"。然而，现有的疾病控制的抽样装置数据采集效率低；疾病概率检测方式，既无法快速对疾病概率进行检测，而且疾病概率检测的成本也较高；同时，现有技术缺少根据多个检验结果对疾病诊断的自动化手段，仍需人工对多个检验项目进行分析后才能对某种疾病的进行诊断，不能及时获取疾病警示信息。

综上所述，现有技术存在的问题是：现有的疾病控制的抽样装置数据采集效率低；疾病概率检测方式，既无法快速对疾病概率进行检测，而且疾病概率检测的成本也较高；同时，现有技术缺少根据多个检验结果对疾病诊断的自动化手段，仍需人工对多个检验项目进行分析后才能对某种疾病的进行诊断，不能及时获取疾病警示信息。

发明内容

针对现有技术存在的问题，本发明提供了一种用于疾病控制的抽样装置及抽样方法。

本发明是这样实现的，一种用于疾病控制的抽样方法，所述用于疾病控制的抽样方法包括：

步骤一，通过抽样数据采集模块利用分布式网络采集疾病抽样数据；

步骤二，估计无线信号的能量，通过数据传输模块利用数据线或无线信号将采集的数据发送到主控模块；

所述估计无线信号的能量模型为：

无线传感器网络异构节点在某时刻的剩余能量由该节点上一时刻剩余能量Q、损耗能量Q_Loss、补充能量Q_r组成；

Q(t+Δt)＝Q(t)-Q_Loss(t)+Q_r(Δt)；

其中，Q(t+Δt)代表节点在t+Δt时刻的剩余电量，Q(t)代表节点在t时刻的剩余电量，Q_Loss(t)表示节点在Δt时间间隔内的能量消耗，模型中太阳能的节点为电池节点Q_r(Δt)＝0；

无线网络节点总能量为Q_sum，其中Q₁是无线通信模块消耗的能量，Q₂是处理器模块及传感器模块能量消耗，其中Q₂在整个能量消耗中近似为固定值，γ是常量系数：

无线信号的传感器节点工作时无线通信模块消耗能量由接收和发射两部分能耗组成：

Q₁＝Q_se+Q_re；

传感器节点将信息量为n个bit单位的信息量传送到距离d处时，无线信号发射能耗Q_se和接收能耗Q_re分别为：

Q_se＝nQ_e+nd^k+μg(h，s，σ)

Q_re＝nQ_e+τg(h，s，σ)；

其中，k为路径损耗指数，Q_se是发射端发射n个bit的能量消耗，Q_re是接收端接收n个bit的能量消耗，g(h，s，r)为当前环境因子函数与作物高度h，无线信号发射面积s，无线信号发射密度σ，令则：

无线网络节点t时刻的能量损耗为：

步骤三，通过主控模块通过疾病概率计算模块利用数据处理程序对采集的抽样数据进行演绎计算出疾病发生概率数据；

步骤四，通过预警模块利用报警器根据采集的疾病概率计算进行预警警示；

步骤五，采用基于密钥分离的改进的Amazon云数据安全存储方案的存储模型数据存储，数据存储模块利用存储器将采集的疾病抽样数据及疾病概率数据进行存储；

所述采用基于密钥分离的改进的Amazon云数据安全存储方案的存储模型数据存储具体包括：

(1)客户向云服务器递交数据加解密申请；

(2)云服务器在验证客户的加解密申请后，向虚拟密钥管理服务器发出数据加密指令；

(3)虚拟管理服务器收到“数据加密指令”后，需要向客户请求用于生成加解密密钥的主密钥；

(4)客户在收到虚拟管理服务器的“主密钥请求”后，先对服务器请求进行验证，在验证后向虚拟管理服务器发送其请求的主密钥K；

(5)虚拟管理服务器在接收客户发来的主密钥K后，先利用密钥生成算法生成加解密密钥K′，然后将加解密密钥发送给存储服务器：

K′←E(k，k)；

(6)存储服务器在接收到加解密密钥K′，即可对待加密数据进行加密，在完成加密后向虚拟管理服务器返回确认信息，数据加解密数学公式如下：

C_m←E_K′(M)；

(7)虚拟密钥管理服务器在接收到确认信息后，也生成一个响应确认信息，返回给云服务器；

(8)云服务器在接收到确认信息后，即可确定加密申请已处理，便向客户发送确认信息；

步骤六，通过显示模块利用显示器显示疾病抽样数据及疾病概率数据。

进一步，所述抽样数据采集模块采集方法如下：

首先，建立分布式网络，所述分布式网络包括多个疾病抽样检测节点；

其次，设置各个疾病抽样检测节点检测数据的采集优先级；

然后，根据第二优先级设定各个疾病抽样检测节点的传输顺序；

最后，根据采集优先级和传输顺序，通过所述分布式网络采集并发送各疾病抽样检测节点的环境数据、身份数据和疾病数据到服务器。

进一步，所述疾病概率计算模块计算方法如下：

(1)采集用户关联的各个数据，并对采集的各个数据进行特征处理；

(2)根据特征处理后的各个数据构造多维度数据集；

(3)对所述多维度数据集进行随机抽样，以划分出测试集和训练集；

(4)基于所述训练集搭建模型，得到回归决策树；

(5)根据所述测试集对所述回归决策树进行测试，以计算用户的疾病概率。

进一步，所述对采集的各个数据进行特征处理的步骤包括：

对采集的各个数据进行特征分析，以确定各个数据的特征类型；

在数据为缺失值数据时，对缺失值数据进行均值插补处理或多重插补处理；

在数据为异常值数据时，对异常值数据进行筛选，以筛选出异常值小于预设阈值的数据，并将筛选出的数据作为缺失值数据进行处理；

所述均值插补处理的方式包括：采用平均值进行插补处理，或采用众数进行插补处理。

所述根据特征处理后的各个数据构造多维度数据集的步骤包括：

确定特征处理后的各个数据对应的特征饱和度；

根据特征饱和度对各个数据进行筛选，以筛选出特征饱和度达到预设饱和度的各个数据；

根据筛选出的各个数据构造多维度数据集；

所述权重获取模块中规则集在所述疾病指示模板中的权重系数根据预设的规则集之间的重要程度，并通过序关系分析法计算得到；

所述规则集之间的重要程度由以下方式进行表征：

当其中一规则集相对另一规则集相同重要时，则两者的权重系数比为1；

当其中一规则集相对另一规则集稍微重要时，则两者的权重系数比为1.2；

当其中一规则集相对另一规则集明显重要时，则两者的权重系数比为1.4；

当其中一规则集相对另一规则集强烈重要时，则两者的权重系数比为1.6；

所述疾病指示模板中包括n个规则集，n>1；每一所述规则集在所述疾病指示模板中的权重系数通过以下方式计算得到：

获取各个规则集的序关系，并根据所述序关系对所述规则集进行依次排列；

计算规则集序列中的第n个规则集的权重系数，根据各个规则集之间的权重系数比计算其他规则集的权重系数；

所述通过以下公式计算所述疾病指示模板的n个规则集中第n个规则集的权重系数：

ω_n＝1/[1+(r₁r₂…r_n-1+r₂r₃…r_n-1+…+r_n-1)]；

其中，ω_n为所述疾病指示模板的n个规则集中第n个规则集的权重系数，r₁为第一个规则集和第二个规则集的权重系数比，r₂为第二个规则集和第三个规则集的权重系数比，r_n-1为第n-1个规则集和第n个规则集的权重系数比。

本发明的另一目的在于提供一种应用所述用于疾病控制的抽样方法的用于疾病控制的抽样装置，所述用于疾病控制的抽样装置包括：

抽样数据采集模块、数据传输模块、主控模块、疾病概率计算模块、预警模块、数据存储模块、显示模块；

抽样数据采集模块，与主控模块连接，用于通过分布式网络采集疾病抽样数据；

数据传输模块，与主控模块连接，用于通过数据线或无线信号将采集的数据发送到主控模块；

主控模块，与抽样数据采集模块、数据传输模块、疾病概率计算模块、预警模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；

疾病概率计算模块，与主控模块连接，用于通过数据处理程序对采集的抽样数据进行演绎计算出疾病发生概率数据；

预警模块，与主控模块连接，用于通过报警器根据采集的疾病概率计算进行预警警示；

数据存储模块，与主控模块连接，用于通过存储器将采集的疾病抽样数据及疾病概率数据进行存储；

显示模块，与主控模块连接，用于通过显示器显示疾病抽样数据及疾病概率数据。

本发明的另一目的在于提供一种实施所述用于疾病控制的抽样方法的信息数据处理终端。

本发明的优点及积极效果为：通过数据采集模块基于分布式网络依靠各个检测节点的特点高效的传输各个检测节点的疾病抽样数据，提高抽样数据的处理速度；通过疾病概率计算模块先采集用户关联的各个数据，然后对采集的各个数据进行特征处理，再根据特征处理后的各个数据构造多维度数据集，并对所述多维度数据集进行随机抽样，以划分出测试集和训练集，基于所述训练集搭建模型，得到回归决策树，最终根据所述测试集对所述回归决策树进行测试，以计算用户的疾病概率。本方案通过采集的数据搭建模型，最终根据搭建的所述模型计算用户的疾病概率，无需通过体检化验的方式检测疾病概率，对疾病概率的检测效率较高，而且疾病概率检测的成本也较低；同时，通过预警模块先获取若干检验项目对规则的调用结果，然后触发相应的疾病指示模板，判断所述若干检验项目对该疾病指示模板中各个规则集的调用权重的加权和，则当该加权和大于预设的阈值时，则在预设位置进行所述疾病指示模板的病例的预警显示。本发明通过引入权重的方式，可以实现采用定量数值表征各个规则集对于特定疾病诊断的重要性，能够达到“精准病例提示”或者“精准预警”。

附图说明

图1是本发明实施提供的用于疾病控制的抽样方法流程图。

图2是本发明实施提供的用于疾病控制的抽样装置结构框图。

图2中：1、抽样数据采集模块；2、数据传输模块；3、主控模块；4、疾病概率计算模块；5、预警模块；6、数据存储模块；7、显示模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明提供的一种用于疾病控制的抽样方法包括以下步骤：

步骤S101，通过抽样数据采集模块利用分布式网络采集疾病抽样数据；

步骤S102，通过数据传输模块利用数据线或无线信号将采集的数据发送到主控模块；

步骤S103，通过主控模块通过疾病概率计算模块利用数据处理程序对采集的抽样数据进行演绎计算出疾病发生概率数据；

步骤S104，通过预警模块利用报警器根据采集的疾病概率计算进行预警警示；

步骤S105，通过数据存储模块利用存储器将采集的疾病抽样数据及疾病概率数据进行存储；

步骤S106，通过显示模块利用显示器显示疾病抽样数据及疾病概率数据。

估计无线信号的能量，通过数据传输模块利用数据线或无线信号将采集的数据发送到主控模块；

所述估计无线信号的能量模型为：

无线传感器网络异构节点在某时刻的剩余能量由该节点上一时刻剩余能量Q、损耗能量Q_Loss、补充能量Q_r组成；

Q(t+Δt)＝Q(t)-Q_Loss(t)+Q_r(Δt)；

其中，Q(t+Δt)代表节点在t+Δt时刻的剩余电量，Q(t)代表节点在t时刻的剩余电量，Q_Loss(t)表示节点在Δt时间间隔内的能量消耗，模型中太阳能的节点为电池节点Q_r(Δt)＝0；

无线网络节点总能量为Q_sum，其中Q₁是无线通信模块消耗的能量，Q₂是处理器模块及传感器模块能量消耗，其中Q₂在整个能量消耗中近似为固定值，γ是常量系数：

无线信号的传感器节点工作时无线通信模块消耗能量由接收和发射两部分能耗组成：

Q₁＝Q_se+Q_re；

传感器节点将信息量为n个bit单位的信息量传送到距离d处时，无线信号发射能耗Q_se和接收能耗Q_re分别为：

Q_se＝nQ_e+nd^k+μg(h，s，σ)

Q_re＝nQ_e+τg(h，s，σ)；

其中，k为路径损耗指数，Q_se是发射端发射n个bit的能量消耗，Q_re是接收端接收n个bit的能量消耗，g(h，s，r)为当前环境因子函数与作物高度h，无线信号发射面积s，无线信号发射密度σ，令则：

无线网络节点t时刻的能量损耗为：

采用基于密钥分离的改进的Amazon云数据安全存储方案的存储模型数据存储，数据存储模块利用存储器将采集的疾病抽样数据及疾病概率数据进行存储；

所述采用基于密钥分离的改进的Amazon云数据安全存储方案的存储模型数据存储具体包括：

(1)客户向云服务器递交数据加解密申请；

(2)云服务器在验证客户的加解密申请后，向虚拟密钥管理服务器发出数据加密指令；

(3)虚拟管理服务器收到“数据加密指令”后，需要向客户请求用于生成加解密密钥的主密钥；

(4)客户在收到虚拟管理服务器的“主密钥请求”后，先对服务器请求进行验证，在验证后向虚拟管理服务器发送其请求的主密钥K；

(5)虚拟管理服务器在接收客户发来的主密钥K后，先利用密钥生成算法生成加解密密钥K′，然后将加解密密钥发送给存储服务器：

K′←E(K，k)；

(6)存储服务器在接收到加解密密钥K′，即可对待加密数据进行加密，在完成加密后向虚拟管理服务器返回确认信息，数据加解密数学公式如下：

C_m←E_K′(M)；

(7)虚拟密钥管理服务器在接收到确认信息后，也生成一个响应确认信息，返回给云服务器；

(8)云服务器在接收到确认信息后，即可确定加密申请已处理，便向客户发送确认信息。

如图2所示，本发明提供的用于疾病控制的抽样装置包括：抽样数据采集模块1、数据传输模块2、主控模块3、疾病概率计算模块4、预警模块5、数据存储模块6、显示模块7。

抽样数据采集模块1，与主控模块3连接，用于通过分布式网络采集疾病抽样数据；

数据传输模块2，与主控模块3连接，用于通过数据线或无线信号将采集的数据发送到主控模块3；

主控模块3，与抽样数据采集模块1、数据传输模块2、疾病概率计算模块4、预警模块5、数据存储模块6、显示模块7连接，用于通过单片机控制各个模块正常工作；

疾病概率计算模块4，与主控模块3连接，用于通过数据处理程序对采集的抽样数据进行演绎计算出疾病发生概率数据；

预警模块5，与主控模块3连接，用于通过报警器根据采集的疾病概率计算进行预警警示；

数据存储模块6，与主控模块3连接，用于通过存储器将采集的疾病抽样数据及疾病概率数据进行存储；

显示模块7，与主控模块3连接，用于通过显示器显示疾病抽样数据及疾病概率数据。

本发明提供的抽样数据采集模块1采集方法如下：

首先，建立分布式网络，所述分布式网络包括多个疾病抽样检测节点；

其次，设置各个疾病抽样检测节点检测数据的采集优先级；

然后，根据第二优先级设定各个疾病抽样检测节点的传输顺序；

最后，根据采集优先级和传输顺序，通过所述分布式网络采集并发送各疾病抽样检测节点的环境数据、身份数据和疾病数据到服务器。

本发明提供的疾病概率计算模块4计算方法如下：

(1)采集用户关联的各个数据，并对采集的各个数据进行特征处理；

(2)根据特征处理后的各个数据构造多维度数据集；

(3)对所述多维度数据集进行随机抽样，以划分出测试集和训练集；

(4)基于所述训练集搭建模型，得到回归决策树；

(5)根据所述测试集对所述回归决策树进行测试，以计算用户的疾病概率。

本发明提供的对采集的各个数据进行特征处理的步骤包括：

对采集的各个数据进行特征分析，以确定各个数据的特征类型；

在数据为缺失值数据时，对缺失值数据进行均值插补处理或多重插补处理；

在数据为异常值数据时，对异常值数据进行筛选，以筛选出异常值小于预设阈值的数据，并将筛选出的数据作为缺失值数据进行处理。

本发明提供的均值插补处理的方式包括：采用平均值进行插补处理，或采用众数进行插补处理。

本发明提供的根据特征处理后的各个数据构造多维度数据集的步骤包括：

确定特征处理后的各个数据对应的特征饱和度；

根据特征饱和度对各个数据进行筛选，以筛选出特征饱和度达到预设饱和度的各个数据；

根据筛选出的各个数据构造多维度数据集。

本发明提供的预警模块5包括审核模块、结果获取模块、权重获取模块、计算模块；

审核模块，用于响应于对若干检验项目的检测结果的审核指令，根据所述检验项目的检测结果，调用规则库中的规则对所述检验项目的检测结果进行审核，并标记所述检验项目为已审核项目；其中，所述规则库包括若干规则，所述规则用于审核所述检验项目的检测结果是否异常；

结果获取模块，用于根据每一所述已审核项目的审核结果，获取每一所述已审核项目对所述规则库中每一所述规则的调用结果；其中，所述规则的调用结果包括未触发、已触发未违背和已违背；

权重获取模块，用于响应于疾病指示指令，根据若干已审核项目对所述规则库中每一所述规则的调用结果，触发相应的疾病指示模板，计算所述若干检验项目对所述疾病指示模板中每一规则集的调用权重；其中，所述疾病指示模板包括若干规则集，所述规则集包括若干规则；

计算模块，用于计算对所述疾病指示模板中全部规则集的调用权重的加权和，当计算得到的所述调用权重的和大于预设的阈值时，则在预设位置进行所述疾病指示模板的病例的预警显示。

本发明提供的权重获取模块中规则集在所述疾病指示模板中的权重系数根据预设的规则集之间的重要程度，并通过序关系分析法计算得到。

本发明提供的规则集之间的重要程度由以下方式进行表征：

当其中一规则集相对另一规则集相同重要时，则两者的权重系数比为1；

当其中一规则集相对另一规则集稍微重要时，则两者的权重系数比为1.2；

当其中一规则集相对另一规则集明显重要时，则两者的权重系数比为1.4；

当其中一规则集相对另一规则集强烈重要时，则两者的权重系数比为1.6。

本发明提供的疾病指示模板中包括n个规则集，n>1；每一所述规则集在所述疾病指示模板中的权重系数通过以下方式计算得到：

获取各个规则集的序关系，并根据所述序关系对所述规则集进行依次排列；

计算规则集序列中的第n个规则集的权重系数，根据各个规则集之间的权重系数比计算其他规则集的权重系数。

本发明提供的通过以下公式计算所述疾病指示模板的n个规则集中第n个规则集的权重系数：

ω_n＝1/[1+(r₁r₂…r_n-1+r₂r₃…r_n-1+…+r_n-1)]

其中，ω_n为所述疾病指示模板的n个规则集中第n个规则集的权重系数，r₁为第一个规则集和第二个规则集的权重系数比，r₂为第二个规则集和第三个规则集的权重系数比，r_n-1为第n-1个规则集和第n个规则集的权重系数比。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于疾病控制的抽样方法，其特征在于，所述用于疾病控制的抽样方法包括：

步骤一，通过抽样数据采集模块利用分布式网络采集疾病抽样数据；

步骤二，估计无线信号的能量，通过数据传输模块利用数据线或无线信号将采集的数据发送到主控模块；

所述估计无线信号的能量模型为：

无线传感器网络异构节点在某时刻的剩余能量由该节点上一时刻剩余能量Q、损耗能量Q_Loss、补充能量Q_r组成；

Q(t+Δt)＝Q(t)-Q_Loss(t)+Q_r(Δt)；

其中，Q(t+Δt)代表节点在t+Δt时刻的剩余电量，Q(t)代表节点在t时刻的剩余电量，Q_Loss(t)表示节点在Δt时间间隔内的能量消耗，模型中太阳能的节点为电池节点Q_r(Δt)＝0；

无线网络节点总能量为Q_sum，其中Q₁是无线通信模块消耗的能量，Q₂是处理器模块及传感器模块能量消耗，其中Q₂在整个能量消耗中近似为固定值，γ是常量系数：

无线信号的传感器节点工作时无线通信模块消耗能量由接收和发射两部分能耗组成：

Q₁＝Q_se+Q_re；

传感器节点将信息量为n个bit单位的信息量传送到距离d处时，无线信号发射能耗Q_se和接收能耗Q_re分别为：

Q_se＝nQ_e+nd^k+μg(h，s，σ)

Q_re＝nQ_e+τg(h，s，σ)；

其中，k为路径损耗指数，Q_se是发射端发射n个bit的能量消耗，Q_re是接收端接收n个bit的能量消耗，g(h，s，r)为当前环境因子函数与作物高度h，无线信号发射面积s，无线信号发射密度σ，令则：

无线网络节点t时刻的能量损耗为：

步骤三，通过主控模块通过疾病概率计算模块利用数据处理程序对采集的抽样数据进行演绎计算出疾病发生概率数据；

步骤四，通过预警模块利用报警器根据采集的疾病概率计算进行预警警示；

步骤五，采用基于密钥分离的改进的Amazon云数据安全存储方案的存储模型数据存储，数据存储模块利用存储器将采集的疾病抽样数据及疾病概率数据进行存储；

所述采用基于密钥分离的改进的Amazon云数据安全存储方案的存储模型数据存储具体包括：

(1)客户向云服务器递交数据加解密申请；

(2)云服务器在验证客户的加解密申请后，向虚拟密钥管理服务器发出数据加密指令；

(3)虚拟管理服务器收到“数据加密指令”后，需要向客户请求用于生成加解密密钥的主密钥；

(4)客户在收到虚拟管理服务器的“主密钥请求”后，先对服务器请求进行验证，在验证后向虚拟管理服务器发送其请求的主密钥K；

(5)虚拟管理服务器在接收客户发来的主密钥K后，先利用密钥生成算法生成加解密密钥K′，然后将加解密密钥发送给存储服务器：

K′←E(K，k)；

(6)存储服务器在接收到加解密密钥K′，即可对待加密数据进行加密，在完成加密后向虚拟管理服务器返回确认信息，数据加解密数学公式如下：

C_m←E_K′(M)；

(7)虚拟密钥管理服务器在接收到确认信息后，也生成一个响应确认信息，返回给云服务器；

(8)云服务器在接收到确认信息后，即可确定加密申请已处理，便向客户发送确认信息；

步骤六，通过显示模块利用显示器显示疾病抽样数据及疾病概率数据。

2.如权利要求1所述的用于疾病控制的抽样方法，其特征在于，所述抽样数据采集模块采集方法如下：

首先，建立分布式网络，所述分布式网络包括多个疾病抽样检测节点；

其次，设置各个疾病抽样检测节点检测数据的采集优先级；

然后，根据第二优先级设定各个疾病抽样检测节点的传输顺序；

最后，根据采集优先级和传输顺序，通过所述分布式网络采集并发送各疾病抽样检测节点的环境数据、身份数据和疾病数据到服务器。

3.如权利要求2所述的用于疾病控制的抽样方法，其特征在于，所述疾病概率计算模块计算方法如下：

(1)采集用户关联的各个数据，并对采集的各个数据进行特征处理；

(2)根据特征处理后的各个数据构造多维度数据集；

(3)对所述多维度数据集进行随机抽样，以划分出测试集和训练集；

(4)基于所述训练集搭建模型，得到回归决策树；

(5)根据所述测试集对所述回归决策树进行测试，以计算用户的疾病概率。

4.如权利要求1所述的用于疾病控制的抽样方法，其特征在于，所述对采集的各个数据进行特征处理的步骤包括：

对采集的各个数据进行特征分析，以确定各个数据的特征类型；

在数据为缺失值数据时，对缺失值数据进行均值插补处理或多重插补处理；

在数据为异常值数据时，对异常值数据进行筛选，以筛选出异常值小于预设阈值的数据，并将筛选出的数据作为缺失值数据进行处理；

所述均值插补处理的方式包括：采用平均值进行插补处理，或采用众数进行插补处理；

所述根据特征处理后的各个数据构造多维度数据集的步骤包括：

确定特征处理后的各个数据对应的特征饱和度；

根据特征饱和度对各个数据进行筛选，以筛选出特征饱和度达到预设饱和度的各个数据；

根据筛选出的各个数据构造多维度数据集；

所述权重获取模块中规则集在所述疾病指示模板中的权重系数根据预设的规则集之间的重要程度，并通过序关系分析法计算得到；

所述规则集之间的重要程度由以下方式进行表征：

当其中一规则集相对另一规则集相同重要时，则两者的权重系数比为1；

当其中一规则集相对另一规则集稍微重要时，则两者的权重系数比为1.2；

当其中一规则集相对另一规则集明显重要时，则两者的权重系数比为1.4；

当其中一规则集相对另一规则集强烈重要时，则两者的权重系数比为1.6；

所述疾病指示模板中包括n个规则集，n>1；每一所述规则集在所述疾病指示模板中的权重系数通过以下方式计算得到：

获取各个规则集的序关系，并根据所述序关系对所述规则集进行依次排列；

计算规则集序列中的第n个规则集的权重系数，根据各个规则集之间的权重系数比计算其他规则集的权重系数；

所述通过以下公式计算所述疾病指示模板的n个规则集中第n个规则集的权重系数：

ω_n＝1/[1+(r₁r₂…r_n-1+r₂r₃…r_n-1+…+r_n-1)]；

其中，ω_n为所述疾病指示模板的n个规则集中第n个规则集的权重系数，r₁为第一个规则集和第二个规则集的权重系数比，r₂为第二个规则集和第三个规则集的权重系数比，r_n-1为第n-1个规则集和第n个规则集的权重系数比。

5.一种应用权利要求1所述用于疾病控制的抽样方法的用于疾病控制的抽样装置，其特征在于，所述用于疾病控制的抽样装置包括：

抽样数据采集模块、数据传输模块、主控模块、疾病概率计算模块、预警模块、数据存储模块、显示模块；

抽样数据采集模块，与主控模块连接，用于通过分布式网络采集疾病抽样数据；

数据传输模块，与主控模块连接，用于通过数据线或无线信号将采集的数据发送到主控模块；

主控模块，与抽样数据采集模块、数据传输模块、疾病概率计算模块、预警模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；

疾病概率计算模块，与主控模块连接，用于通过数据处理程序对采集的抽样数据进行演绎计算出疾病发生概率数据；

预警模块，与主控模块连接，用于通过报警器根据采集的疾病概率计算进行预警警示；

数据存储模块，与主控模块连接，用于通过存储器将采集的疾病抽样数据及疾病概率数据进行存储；

显示模块，与主控模块连接，用于通过显示器显示疾病抽样数据及疾病概率数据。

6.一种实施权利要求1～4任意一项所述用于疾病控制的抽样方法的信息数据处理终端。