CN109326359A - 一种基于时间序列的边境地区症状预警方法 - Google Patents
一种基于时间序列的边境地区症状预警方法 Download PDFInfo
- Publication number
- CN109326359A CN109326359A CN201810561252.XA CN201810561252A CN109326359A CN 109326359 A CN109326359 A CN 109326359A CN 201810561252 A CN201810561252 A CN 201810561252A CN 109326359 A CN109326359 A CN 109326359A
- Authority
- CN
- China
- Prior art keywords
- early warning
- symptom
- data
- current predictive
- time series
- 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
- 208000024891 symptom Diseases 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 10
- 239000006185 dispersion Substances 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000035824 paresthesia Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于时间序列的边境地区症状预警方法，区域症状预警就是领域。本发明从基层机构获取症状数据；筛选合适的机构；对收集到的数据进行处理并建立数据库进行存储；依照时间序列，对数据进行合并，获取区域总量；以当前预测时间的前一周的数据为基础数据，获取平均症状数；获取相对于平均症状数的当前预测时间的离散程度；根据平均症状数与离散程度，计算出当前预测时间的预警程度值Q1；与阈值相比较，判定是否提取信息；第二次数据预警处理，根据平均症状数与离散程度，计算出当前预测时间的预警程度值Q2；与阈值相比较，判定是否提取信息；使用第二次的预警数据，计算出警示性预警值Q3；判断是否需要警示预警。
Description
技术领域
本发明涉及一种基于时间序列的边境地区症状预警方法，区域症状预警就是领域。
背景技术
边境地区人口流动性比较大，因国际边境贸易的特殊性，边境人口可以轻松的往返两国，这就给一些疾病的防御带来了困难。
现有的防御预警措施集中在边境疫情监测站，主要针对的是入关人员的体征特征，但是对于边境往返便利的常住人口将失去作用，不能够实时的对症状做出预警。
发明内容
本发明要解决的技术问题是提供一种基于时间序列的边境地区症状预警方法，能够更加方便和准确的去进行针对性的人员实施疫情防御工作，用以解决上述问题。
本发明的技术方案是：一种基于时间序列的边境地区症状预警方法，从边境地区获取基层机构的症状数据，比如：医院就诊人员的症状，边境学校学生缺勤原因，边境流动人口检疫站的症状检测数据等，从中选取符合数据收集特点的机构，移除不符合要求的机构点，确保数据的合理性和实时性。
对收集到的基层机构的症状数据之后，建立数据库，对相关数据进行分类储存。
对于数据库中的症状数据进行处理，按照时间序列，将区域数据进行合并，得到以时间序列为标准的区域症状总量；以当前预测时间为起点，获取一周前的数据为基准数据的情况下的区域平均症状数；计算时间序列中，相对于区域平均症状数的离散程度值；根据平均症状数和离散程度，计算出当前预测时间的预警程度值。
预警程度值与经验预警阈值进行对比，当预警程度值小于经验预警阈值时，放弃此次预警；当预警程度值大于经验预警阈值时，提取预警信息；进行第二次数据预警处理，获取当前预测时间区域症状数去除相邻两天数据后，前一周的区域平均症状数，获取时间序列中间，相对于区域平均症状数的当前预测时间区域症状总量的离散程度；用当前预测时间点的预警程度值与之前设定的经验阈值进行比对，当预警程度值小于经验预警阈值时，放弃此次预警；当预警程度值大于经验预警阈值时，提取预警信息。
根据第二次预警处理的数据，使用前两次的时间序列上的预警程度值的叠加结果，得到一个最高灵敏度的警示性预警值，与阈值进行比对，当小于阈值时，放弃此次预警；当大于阈值时，提取预警信息；将所有提取出来的预警信息进行可视化处理，使用时间序列折线图和二维表格进行展示，已直观的确定预警未知，进行实际的区域性定点人工排查。
具体步骤为：
第一步：从边境基层机构获取症状数据，机构包括学校，医院，边境检验站等会发生病情症状的机构；
第二步：对初步收集上来的数据进行处理，从中筛选出上报数据合适的机构，将不合适的机构从症状收集环节移除，已确保数据的合理性和真实性；
第三步：按照时间序列，对数据库中的数据进行合并，得到以时间序列为标准的区域症状总量C；
第四步：以当前预测时间为基准，以前一周的各时间段的区域症状综合为基础数据，获取其区域平均症状数N1；
第五步：获取时间序列中，相对于区域平均症状数的当前预测时间区域症状总量的离散程度M1；
第六步：根据区域平均症状数和离散程度，计算出当前预测时间点的预警程度值Q1；
第七步：用当前预测时间点的预警程度值Q1与之前设定的经验阈值QL1进行比对，当Q1＜QL1时，放弃此次预警；当Q1＞QL1时，提取预警信息；
第八步：第二次数据预警处理，获取当前预测时间区域症状数去除相邻两天数据后，前一周的区域平均症状数N2；
第九步：获取时间序列中，相对于区域平均症状数的当前预测时间区域症状总量的离散程度M2；
第十步：用当前预测时间点的预警程度值Q2与之前设定的经验阈值QL2进行比对，当Q2＜QL2时，放弃此次预警；当Q2＞QL2时，提取预警信息；
第十一步：根据第二次预警处理的数据，使用前两次的时间序列上的预警程度值Q2的叠加结果，得到一个最高灵敏度的警示性预警值Q3，与阈值QL3进行比对，当Q3＜QL3时，放弃此次预警；当Q3＞QL3时，提取预警信息；
第十二步：将所有提取出来的预警信息进行可视化处理，使用时间序列折线图和二维表格进行展示，已直观的确定预警未知，进行实际的区域性定点人工排查。
本发明的有益效果是：
1、本发明是通过基层的症状数据，实施的监控症状信息，同时，能够按照时间序列对数据进行处理分析，得到预警程度值，通过对经验阈值的对比，确认是否预警。
2、本发明提高了对于边境地区的症状检测的实时性和合理性，能够对于将要发生的症状爆发性问题做到提早预警的，通过可视化的方式，标注区域性预警未知，让防御工作人员能够更加具有针对性的去处理疫情问题，具有高效性和实时性，符合当边境地区的症状检测的实际使用要求。
附图说明
图1是本发明流程图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示，一种基于时间序列的边境地区症状预警方法，具体为：
第一步、从边境基层机构获取症状数据，数据类型包含：边境医疗机构的就诊信息，患者(细化到每一个患者)的症状情况等；边境学校的缺勤情况，主要包含学校的在校生总的缺勤的情况，细化到每一例；边境国境检测点，对每一个入境人员的发热信息作为一个症状特征，凡是出现发热症状的进行统计。
第二步、从所有上报数据的机构中进行筛选，筛选出有效的上报机构，有效特征为：有稳定的上报时间，有一定的上报症状的基数，去除掉长时间不上报的较小的基层机构，比如基层的小诊所，其在一个月的时间周期或半年乃至一年的时间周期中，只有少数几条的数据上报，则可认为这种机构为无效机构，可从基层机构的筛选过程中去除此类机构。
第三步、对上报的数据进行处理，按照时间序列的方式，对区域的症状数进行汇总处理，如表1所示，在第一天中，所有的上报数据为3420，这个数据表示，第一天中，某一区域的所有基层机构的上报症状总数为3420例；依次以时间序列为基准，计算出第二天的区域症状总量，记录在表中，由表1可知，第二天的区域症状总量为2690例。最终得出一周的以时间序列为基础的区域症状总量(C)。
第四步、以当前预测时间为基准，以前一周的各时间段的区域症状综合为基础数据，获取其区域平均症状数N1，其计算方式为：
以表1数据为例，表2中时间序列8的平均症状数为
即得到表2中的序列8的平均症状数2578.57；依次类推，计算出基于时间序列的平均症状数。
表1
表2
第五步、获取时间序列中，相对于区域平均症状数的当前预测时间区域症状总量的离散程度M1，其计算方式为：
以表2中数据为例，计算时间序列8的离散程度：使用时间序列1-7的区域症状总量数，分别与区域平均症状数2578.57相减后，求平方数，最后相加后开根号，得到当前时间序列的离散程度：483.54。
第六步、根据区域平均症状数和离散程度，计算出当前预测时间点的预警程度值Q1，其计算方式为：
以表2中数据为例：计算时间序列8的预警程度值，使用当前区域症状总量：2280，减去区域平均症状数：2578.57，除以离散程度：483.54，最终得到预警程度值：-0.61。即
第七步、将预警程度值与经验阈值进行对比，用当前预测时间点的预警程度值Q1与之前设定的经验阈值QL1进行比对，当Q1＜QL1时，放弃此次预警；当Q1＞QL1时，提取预警信息；以表2为例：预警程度值为-0.61小于经验阈值3，所以提取否为参数0。
第八步、进行第二次数据预警处理，获取当前预测时间区域症状数去除相邻两天数据后，前一周的区域平均症状数N2；其计算方式为：
以表3为例：计算时间序列10的平均症状数，去除前两天的数据，对去除后的上一周的数据进行处理，即基础数据为时间序列1-7，其平均症状数为即得到表3中的序列10的平均症状数2578.57；依次类推，计算出基于时间序列的平均症状数。
表3
第九步、获取时间序列中，相对于区域平均症状数的当前预测时间区域症状总量的离散程度M1，其计算方式为：
以表3中数据为例，计算时间序列10的离散程度：使用时间序列1-7的区域症状总量数，分别与区域平均症状数2578.57相减后，求平方数，最后相加后开根号，得到当前时间序列的离散程度：483.54。
第十步、根据区域平均症状数和离散程度，计算出当前预测时间点的预警程度值Q1，其计算方式为：
以表3中数据为例：计算时间序列10的预警程度值，使用当前区域症状总量：2130，减去区域平均症状数：2578.57，除以离散程度：483.54，最终得到预警程度值：-0.92。即
第十一步、将预警程度值与经验阈值进行对比，用当前预测时间点的预警程度值Q2与之前设定的经验阈值QL2进行比对，当Q2＜QL2时，放弃此次预警；当Q2＞QL2时，提取预警信息；以表3为例：预警程度值为-0.92小于经验阈值3，所以提取否为参数0。
第十二步、根据第二次预警处理的数据，使用前两次的时间序列上的预警程度值Q2的叠加结果，得到一个最高灵敏度的警示性预警值Q3，与阈值QL3进行比对，当Q3＜QL3时，放弃此次预警；当Q3＞QL3时，提取预警信息；以表4为例：时间序列12的警示性预警值由Q2(10-12)相加得到，即Q3(12)＝-0.92-0.55-2.04＝-0.51。
第十二步：将所有提取出来的预警信息进行可视化处理，使用时间序列折线图和二维表格进行展示，已直观的确定预警未知，进行实际的区域性定点人工排查。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于时间序列的边境地区症状预警方法，其特征在于：
第一步：从边境基层机构获取症状数据；
第二步：对收集上来的数据进行处理，从中筛选出上报数据合适的机构，将不合适的机构从症状收集环节移除；
第三步：按照时间序列，对数据库中的数据进行合并，得到以时间序列为标准的区域症状总量C；
第四步：以当前预测时间为基准，以前一周的各时间段的区域症状综合为基础数据，获取其区域平均症状数N1；
第五步：获取时间序列中，相对于区域平均症状数的当前预测时间区域症状总量的离散程度M1；
第六步：根据区域平均症状数和离散程度，计算出当前预测时间点的预警程度值Q1；
第七步：用当前预测时间点的预警程度值Q1与之前设定的经验阈值QL1进行比对，当Q1＜QL1时，放弃此次预警；当Q1＞QL1时，提取预警信息；
第八步：第二次数据预警处理，获取当前预测时间区域症状数去除相邻两天数据后，前一周的区域平均症状数N2；
第九步：获取时间序列中，相对于区域平均症状数的当前预测时间区域症状总量的离散程度M2；
第十步：用当前预测时间点的预警程度值Q2与之前设定的经验阈值QL2进行比对，当Q2＜QL2时，放弃此次预警；当Q2＞QL2时，提取预警信息；
第十一步：根据第二次预警处理的数据，使用前两次的时间序列上的预警程度值Q2的叠加结果，得到一个最高灵敏度的警示性预警值Q3，与阈值QL3进行比对，当Q3＜QL3时，放弃此次预警；当Q3＞QL3时，提取预警信息；
第十二步：将所有提取出来的预警信息进行可视化处理，使用时间序列折线图和二维表格进行展示，已直观的确定预警未知，进行实际的区域性定点人工排查。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810561252.XA CN109326359A (zh) | 2018-06-04 | 2018-06-04 | 一种基于时间序列的边境地区症状预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810561252.XA CN109326359A (zh) | 2018-06-04 | 2018-06-04 | 一种基于时间序列的边境地区症状预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109326359A true CN109326359A (zh) | 2019-02-12 |
Family
ID=65263073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810561252.XA Pending CN109326359A (zh) | 2018-06-04 | 2018-06-04 | 一种基于时间序列的边境地区症状预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109326359A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894309A (zh) * | 2009-11-05 | 2010-11-24 | 南京医科大学 | 传染病疫情预测预警方法 |
| US20120035429A1 (en) * | 2007-10-01 | 2012-02-09 | Purdue Research Foundation Office Of Technology Commercialization | Animal symptom visual analytics |
| CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
| CN107256230A (zh) * | 2017-05-03 | 2017-10-17 | 昆明理工大学 | 一种基于多元化地理信息点的融合方法 |
| CN107330283A (zh) * | 2017-07-06 | 2017-11-07 | 江苏省疾病预防控制中心 | 一种预警方法及装置 |
-
2018
- 2018-06-04 CN CN201810561252.XA patent/CN109326359A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120035429A1 (en) * | 2007-10-01 | 2012-02-09 | Purdue Research Foundation Office Of Technology Commercialization | Animal symptom visual analytics |
| CN101894309A (zh) * | 2009-11-05 | 2010-11-24 | 南京医科大学 | 传染病疫情预测预警方法 |
| CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
| CN107256230A (zh) * | 2017-05-03 | 2017-10-17 | 昆明理工大学 | 一种基于多元化地理信息点的融合方法 |
| CN107330283A (zh) * | 2017-07-06 | 2017-11-07 | 江苏省疾病预防控制中心 | 一种预警方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| 王思嘉等: "湖北省潜江市手足口病疫情不同预警模型效果比较" * |
| 王思嘉等: "湖北省潜江市手足口病疫情不同预警模型效果比较", 中国公共卫生, vol. 33, no. 12, pages 1760 - 1763 * |
| 章凡: "边境地区症状监测预警系统的研究与实现" * |
| 章凡;宋耀莲;张雅;李宇昊;: "云南边境地区疾病症状监测预警系统的研究与实现", no. 11 * |
| 袁东方: "传染病预警模型研究进展", 浙江预防医学, vol. 24, no. 8, pages 16 - 23 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154134B (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
| CN106780475B (zh) | 一种基于病理组织切片图像组织区域的图像处理装置 | |
| CN104665849B (zh) | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 | |
| Veluchamy et al. | Feature extraction and classification of blood cells using artificial neural network | |
| CN103745210A (zh) | 一种白细胞分类方法及装置 | |
| CN110032985A (zh) | 一种血细胞自动检测识别方法 | |
| CN108030494A (zh) | 基于交叉验证的心电信号错误标记训练样本识别方法 | |
| CN105893980A (zh) | 一种注意力专注度评价方法及系统 | |
| CN113378831B (zh) | 一种小鼠胚胎器官识别与评分方法与系统 | |
| CN110097969A (zh) | 一种诊断报告的分析方法、装置及设备 | |
| CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
| CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN103745239A (zh) | 一种基于卫星遥感技术的森林资源测量方法 | |
| CN110379504A (zh) | 一种肺结核的智能筛查和上报方法及系统 | |
| CN104809472A (zh) | 一种基于svm的食物分类识别方法 | |
| CN103394472A (zh) | 一种基于机器视觉的绿化马铃薯检测分级方法 | |
| CN109326359A (zh) | 一种基于时间序列的边境地区症状预警方法 | |
| WO2024169163A1 (zh) | 一种眼象数据的处理方法、系统、存储介质及电子设备 | |
| CN111667472A (zh) | 骨髓细胞形态学人工智能分析方法 | |
| CN106372425A (zh) | 一种基于症状比例r值的症状监测预警方法 | |
| Patil et al. | Analysis and study of cataract detection techniques | |
| Rao et al. | Detection of Epithelial Giant Cells in Nasal Aspirate Cytological Smears Using Deep Learning and Computer Vision Techniques: an Approach for Early Diagnosis of Measles Disease. | |
| CN110084217A (zh) | 基于MOD-Net网络的眼动参数监测的疲劳检测方法 | |
| CN108564016A (zh) | 一种基于计算机视觉的au分类系统及方法 | |
| CN106618483A (zh) | 基于生理状态应激变异的检测方法及系统和应用 |
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: 20190212 |