CN110211692A - 一种数据处理的方法及装置 - Google Patents
一种数据处理的方法及装置 Download PDFInfo
- Publication number
- CN110211692A CN110211692A CN201910472211.8A CN201910472211A CN110211692A CN 110211692 A CN110211692 A CN 110211692A CN 201910472211 A CN201910472211 A CN 201910472211A CN 110211692 A CN110211692 A CN 110211692A
- Authority
- CN
- China
- Prior art keywords
- detection data
- value range
- user
- desired physiological
- physiological feature
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明提供了一种数据处理的方法和装置。所述方法包括：获取用户的历史检测数据；根据所述用户的历史检测数据确定目标生理特征的取值范围；获取所述用户的所述目标生理特征的检测数据；判断所述检测数据是否位于目标生理特征的取值范围中；若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。通过本发明提供的技术方案可准确的判断用户的病情，以便及时采取应对措施。
Description
技术领域
本发明涉及医疗领域，特别涉及一种数据处理的方法及装置。
背景技术
随着科学的发展，越来越多的医疗器械应用于人们的病理诊断中。然后医生会根据医疗数据输出的数据进行分析以确定用户的病症。
可以理解的是，如果医疗器械输出的数据位于正常范围内，就会认为该指标正常，但是每个人的体质不同，有时候即便数据位于正常范围内，但是对于个人来说该数据已经存在较大波动，但是医生确无法根据检测的数据准确判断病症的发展确实，从而无法准确判定病情。
发明内容
本发明实施例提供了数据处理的方法和装置，利用历史检测数据可确定用户准确的目标特征的正常数据，若检测到的检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。通过上述方法可准确的判断用户的病情，以便及时采取应对措施。
本发明第一方面公开了一种数据处理装置，所述方法包括：
获取用户的历史检测数据；
根据所述用户的历史检测数据确定目标生理特征的取值范围；
获取所述用户的所述目标生理特征的检测数据；
判断所述检测数据是否位于目标生理特征的取值范围中；
若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
本发明第二方面公开了一种数据处理装置，所述装置包括：
第一获取单元，用于获取用户的历史检测数据；
确定单元，用于根据所述用户的历史检测数据确定目标生理特征的取值范围；
第二获取单元，用于获取所述用户的所述目标生理特征的检测数据；
判断单元，用于判断所述检测数据是否位于目标生理特征的取值范围中；
输出单元，用于若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
本发明第三方面公开了一种数据处理装置，所述数据处理的装置包括处理器、存储器、通信接口和总线；
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；
所述存储器存储有程序代码；
所述处理器通过读取所述存储器中存储的程序代码来执行与所述程序代码对应的程序，用于执行本发明第一方面公开的数据处理方法。
本发明第死方面公开了一种存储介质，所述存储介质中存储有程序代码，当所述程序代码被执行时，本发明第一方面公开的数据处理的方法会被执行。
可以看出，在本发明实施例的方案中，获取用户的历史检测数据；根据所述用户的历史检测数据确定目标生理特征的取值范围；获取所述用户的所述目标生理特征的检测数据；判断所述检测数据是否位于目标生理特征的取值范围中；若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。通过本发明提供的技术方案可准确的判断用户的病情，以便及时采取应对措施。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种数据处理系统的示意图；
图2为本发明实施例提供的一种数据处理的方法的流程图；
图3为本发明实施例提供的另一种数据处理的方法的示意图；
图4为本发明实施例提供的另一种数据处理的方法的示意图；
图5为本发明实施例提供的一种数据处理装置的逻辑结构图；
图6为本发明实施例提供的另一种数据处理装置的逻辑结构图；
图7为本发明实施例提供的另一种数据处理装置的逻辑结构图；
图8为本发明实施例提供的一种数据处理装置的物理结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分的实施例，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，都应当属于本发明保护的范围。
本发明说明书、权利要求书和附图中出现的术语“第一”、“第二”和“第三”等是用于区别不同的对象，而并非用于描述特定的顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1是本发明一个实施例提供的一种数据处理系统100的示意图。其中，所述数据处理系统包括数据处理装置110，第一数据传感器120,第二数据传感器130以及服务器140。
其中，数据处理装置110可以从服务器140中获取用户的历史检测数据；并根据所述用户的历史检测数据确定目标生理特征的取值范围；数据处理装置110接收至少一个数据传感器反馈的所述用户的所述目标生理特征的检测数据(所述数据传感器可以是第一数据传感器110，可以是第二数据传感器120，当然，也有可能是其他的数据传感器，在此不一一列举)；然后，数据处理装置110判断所述检测数据是否位于目标生理特征的取值范围中；若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。举例来说，该第一数据传感器120可以用于采集所述用户当前的血压值；该第二数据传感器130可以用于采集所述用户当前的血糖值。当然，该数据处理装置110可以同时与多个数据传感器连接，并不限于上述两个数据传感器。
另外，需要指出的是，该服务器140中存储了大量用户的历史检测数据；举例来说，用户每次进行生理特征检测之前，可以先登录该服务器140，那么，数据传感器每次检测的数据都会存储在该服务器中140。当然，用户可以账号密码进行登录，也可以根据生物特征进行登录，比如指纹、虹膜、掌纹等进行登录。
另外，进一步需要指出的是，数据传感器在进行检测到的数据传输时，也会附带以下至少一个参数，比如当前环境的温度，当前的地理位置(比如在哪个城市或者哪个区或者哪个县)，用户的性别，用户的年龄信息等。
另外，可替换的，上述参数信息可以由服务器来获取，比如当服务器140接收到该数据传感器传输的数据时，会获取上述的至少一个参数，将接收到的数据和获取的参数组装成数据记录，将所述数据记录进行存储。
可选的，数据处理装置110根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；根据所述用户的生理特征模型确定目标生理特征的取值范围。
其中，所述预设的机器学习算法可以是监督学习算法那、半监督学习算法、贝叶斯学习算法、神经网络学习算法等等，在此不一一列举。
举例来说，比如血压通常包括低压和高压。低压的正常取值范围为60-90。虽然60-90是正常范围，但是由于每个人的体质、年龄以及所处的环境不同，针对每个人的正常范围又不一样。
比如针对用户A，他的低压的正常范围可能就是63-75。比如用户B，他的低压的正常范围可能是70-78。
另外，需要指出的是，用户的血压也会根据地理位置的不同产生不同的变化，比如在北京的血压和在西藏的血压也会不同。
另外，需要指出的是，用户在零下20度的场景下和零上20度的场景，正常血压的范围也不同。
如下表1所示，血压也会随着人的年龄而变化。
| 年龄 | 收缩压(男) | 舒张压(男) | 收缩压(女) | 舒张压(女) |
| 16-20 | 115 | 73 | 110 | 70 |
| 21-25 | 115 | 73 | 110 | 71 |
| 26-30 | 115 | 75 | 112 | 73 |
| 31-35 | 117 | 76 | 114 | 74 |
| 36-40 | 120 | 80 | 116 | 77 |
| 41-45 | 124 | 81 | 122 | 78 |
| 46-50 | 128 | 82 | 128 | 79 |
| 51-55 | 134 | 84 | 134 | 80 |
| 56-60 | 137 | 84 | 139 | 82 |
| 61-65 | 148 | 86 | 145 | 83 |
另外，还需要指出的是，数据处理装置110根据所述检测数据和目标取值范围输出风险提示报告，包括：确定所述检测数据与目标取值范围的差值；根据所述差值确定病症发展趋势、应对措施以及注意事项；根据所述病症发展趋势、应对措施以及注意事项输出风险提示报告。可以理解的是，差值越大，说明风险越大，比如一个人的血压的低压为67-77，如果现在是65，说明有降低的趋势，如果低压变得越来越低就容易昏厥。
请参阅图2，图2是本发明一个实施例提供的一种数据处理的方法的示意图。其中，如图2所示，本发明的一个实施例提供的一种数据处理的方法，所述方法包括以下内容：
S201、获取用户的历史检测数据；
其中，需要指出的是，本实施例的执行主体可以是上述系统中的数据处理装置110。
举例来说，该数据处理装置可以一个随身携带的穿戴设备，可以是一个医疗器械，可以是一个移动终端，在此不做限制。
S202、根据所述用户的历史检测数据确定目标生理特征的取值范围；
可选的，所述历史检测数据包括地理位置以及与所述地理位置对应的历史检测数据；所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据所述地理位置以及与所述地理位置对应的历史检测数据确定目标生理特征的取值范围。举例来说，该用户的历史检测数据包括很多条记录。可以理解的是每条记录均包括用户的标识，生理特征标识，该生理特征的数值，以及进行检测时的地理位置。数据处理装置会根据地理位置对所述历史检测数据进行聚合，以确定每个地理位置所对应的每个生理特征的数值。举例来说，用户C在北京的血压低压的取值范围为66-77；用户C在哈尔滨的血压低压值的取值范围为63-75；用户C在三亚的血压低压值的取值范围为70-80。当然生理特征还可以是血糖，血小板等。
可选的，所述所述历史检测数据包括温度信息以及与所述温度信息对应的历史检测数据；所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据温度信息以及与所述温度信息对应的历史检测数据确定目标生理特征的取值范围。举例来说，该用户的历史检测数据包括很多条记录。可以理解的是每条记录均包括用户的标识，生理特征标识，该生理特征的数值，以及进行检测时的环境温度。数据处理装置会根据环境温度对所述历史检测数据进行聚合，以确定每个温度所对应的每个生理特征的数值。举例来说，用户C在20度的血压低压的取值范围为66-77；用户C在10度时的血压低压值的取值范围为63-75；用户C在30度的血压低压值的取值范围为70-80。当然生理特征还可以是血糖，血小板等。
可选的，所述所述历史检测数据包括年龄信息以及与所述年龄信息对应的历史检测数据；所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据年龄信息以及与所述年龄信息对应的历史检测数据确定目标生理特征的取值范围。其中，可参考表1所示，可根据年龄对每次检测的数据进行聚类，比如40时低压值为70-80，50岁时血压的低压值为77-85。
可选的，所述所述历史检测数据包括身体状态信息以及与所述身体状态信息对应的历史检测数据；所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据身体状态信息以及与所述身体状态信息对应的历史检测数据确定目标生理特征的取值范围。其中，身体状态可以使静止状态，运动状态等。
另外，需要指出的是，所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；根据所述用户的生理特征模型确定目标生理特征的取值范围。可以理解的是，通过机器学习算法可对数据进行聚类从而获得每个条件下每个生理特征的正常值范围。其中，常见的机器学习算法那包括分类学习算法，神经网络学习算法、监督学习算法等。
S203、获取所述用户的所述目标生理特征的检测数据；
其中，可以理解的是数据处理装置获取的是当前检测的数据。比如是血压数据、血糖数据、白细胞数据、血小板数据等等，在此不一一例举。
S204、判断所述检测数据是否位于目标生理特征的取值范围中；
可以理解的是，数据处理装置可以确定当前的地理位置，确定与当前的地理位置对应的目标生理特征的取值范围。
可以理解的是，数据处理装置可以确定当前的温度，确定与当前的温度对应的目标生理特征的取值范围。
可以理解的是，数据处理装置可以确定当前的用户的年龄，确定与当前的年龄对应的目标生理特征的取值范围。
可以理解的是，数据处理装置可以确定当前的身体状态，确定与当前的身体状态对应的目标生理特征的取值范围。
可以理解的是，数据处理装置也可以是同时确定多个参数(比如，年龄、温度、地理位置、性别以及生理状态等)，然后确定同时与所述多个参数对应的目标生理特征的取值范围。
S205、若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
其中，需要指出的是，所述根据所述检测数据和目标取值范围输出风险提示报告，包括：确定所述检测数据与目标取值范围的差值；根据所述差值确定病症发展趋势、应对措施以及注意事项；根据所述病症发展趋势、应对措施以及注意事项输出风险提示报告。
可以理解的是，差值越大，以为着风险越大，比如白细胞大大超过正常值，则说明书用户的炎症越严重。可以理解的是，数据处理装置可以将生理特征的标识以，检测数据以及差值发送到医疗服务器，由医疗服务器根据接收到的数据进行病理诊断，然后将针对结果、应对措施以及注意事项发送给数据处理装置，进而数据处理装置根据所述病症发展趋势、应对措施以及注意事项输出风险提示报告。
当然，数据处理装置可以根据配置策略将检测结果等信息发送到与所述用户绑定的移动终端上。
可以看出，在本发明实施例的方案中，获取用户的历史检测数据；根据所述用户的历史检测数据确定目标生理特征的取值范围；获取所述用户的所述目标生理特征的检测数据；判断所述检测数据是否位于目标生理特征的取值范围中；若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。通过本发明提供的技术方案可准确的判断用户的病情，以便及时采取应对措施。
请参阅图3，图3是本发明一个实施例提供的另一种数据处理的方法的示意图。其中，如图3所示，本发明的一个实施例提供的另一种数据处理的方法，所述方法包括以下内容：
S301、获取用户的历史检测数据，其中，所述历史检测数据包括地理位置、环境湿度以及与所述地理位置和环境湿度对应的历史检测数据；
S302、根据地理位置、环境湿度以及与所述地理位置和环境湿度对应的历史检测数据确定目标生理特征的取值范围；
举例来说，可以利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；根据所述用户的生理特征模型确定目标生理特征的取值范围。
S303、获取所述用户的所述目标生理特征的检测数据；
S304、判断所述检测数据是否位于目标生理特征的取值范围中；
S305、若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
举例来说，所述根据所述检测数据和目标取值范围输出风险提示报告，包括：确定所述检测数据与目标取值范围的差值；根据所述差值确定病症发展趋势、应对措施以及注意事项；根据所述病症发展趋势、应对措施以及注意事项输出风险提示报告。
其中，需要指出的是，图3所描述的实施例的具体内容可参考图1或图2所对应的实施例的解释。
可以看出，在本发明实施例的方案中，根据地理位置、环境湿度以及与所述地理位置和环境湿度对应的历史检测数据确定目标生理特征的取值范围；可以理解的是，根据上述参数可以更加准确的确定用户的目标生理特征的正常值的范围，后续可以将检测的结果与目标生理特征的正常值的范围进行过比对，从而可以更加准确的确定用户的身体状况。
请参阅图4，图4是本发明一个实施例提供的另一种数据处理的方法的示意图。其中，如图4所示，本发明的一个实施例提供的另一种数据处理的方法，所述方法包括以下内容：
S401、获取用户的历史检测数据，其中，所述历史检测数据包括温度信息、年龄信息以及与所述温度信息和年龄信息对应的历史检测数据；
S402、根据温度信息、年龄信息以及与所述温度信息和年龄信息对应的历史检测数据确定目标生理特征的取值范围；
举例来说，可以利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；根据所述用户的生理特征模型确定目标生理特征的取值范围。
S403、获取所述用户的所述目标生理特征的检测数据；
S404、判断所述检测数据是否位于目标生理特征的取值范围中；
S405、若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
举例来说，所述根据所述检测数据和目标取值范围输出风险提示报告，包括：确定所述检测数据与目标取值范围的差值；根据所述差值确定病症发展趋势、应对措施以及注意事项；根据所述病症发展趋势、应对措施以及注意事项输出风险提示报告。
其中，需要指出的是，图3所描述的实施例的具体内容可参考图1或图2所对应的实施例的解释。
可以看出，在本发明实施例的方案中，根据温度信息、年龄信息以及与所述温度信息和年龄信息对应的历史检测数据确定目标生理特征的取值范围；可以理解的是，根据上述参数可以更加准确的确定用户的目标生理特征的正常值的范围，后续可以将检测的结果与目标生理特征的正常值的范围进行过比对，从而可以更加准确的确定用户的身体状况。
请参阅图5，图5是本发明一个实施例提供的一种数据处理装置的示意图。其中，该数据处理装置包括以下单元：
第一获取单元501，用于获取用户的历史检测数据；
确定单元502，用于根据所述用户的历史检测数据确定目标生理特征的取值范围；
第二获取单元503，用于获取所述用户的所述目标生理特征的检测数据；
判断单元504，用于判断所述检测数据是否位于目标生理特征的取值范围中；
输出单元505，用于若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
其中，上述单元501-505可以用于执行图2所对应的实施例中步骤S101-S105所述的方法，具体描述详见图2所对应的实施例对所述方法的描述，在此不再赘述。
请参阅图6，图6是本发明一个实施例提供的另一种数据处理的装置的示意图。其中，该数据处理的装置包括以下单元：
第一获取单元601，用于获取用户的历史检测数据，其中，所述历史检测数据包括地理位置、环境湿度以及与所述地理位置和环境湿度对应的历史检测数据；
确定单元602，用于根据地理位置、环境湿度以及与所述地理位置和环境湿度对应的历史检测数据确定目标生理特征的取值范围；
举例来说，可以利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；根据所述用户的生理特征模型确定目标生理特征的取值范围。
第二获取单元603，用于获取所述用户的所述目标生理特征的检测数据；
判断单元604，用于判断所述检测数据是否位于目标生理特征的取值范围中；
输出单元605，用于若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
其中，上述单元601-605可以用于执行图3所对应的实施例中步骤S301-S305所述的方法，具体描述详见图3所对应的实施例对所述方法的描述，在此不再赘述。
请参阅图7，图7是本发明一个实施例提供的另一种数据处理的装置的示意图。其中，该数据处理的装置包括以下单元：
第一获取单元601，用于获取用户的历史检测数据，其中，所述历史检测数据包括根据温度信息、年龄信息以及与所述温度信息和年龄信息对应的历史检测数据；
确定单元602，用于根据温度信息、年龄信息以及与所述温度信息和年龄信息对应的历史检测数据确定目标生理特征的取值范围
举例来说，可以利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；根据所述用户的生理特征模型确定目标生理特征的取值范围。
第二获取单元603，用于获取所述用户的所述目标生理特征的检测数据；
判断单元604，用于判断所述检测数据是否位于目标生理特征的取值范围中；
输出单元605，用于若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
其中，上述单元701-705可以用于执行图4所对应的实施例中步骤S401-S406所述的方法，具体描述详见图4所对应的实施例对所述方法的描述，在此不再赘述。
请参阅图8，在本发明的另一个实施例中，提供一种数据处理的装置。其中，该数据处理的装置包括总线801、处理器802、存储器803、通信接口804等硬件。上述图5-图7所示的逻辑单元可通过图8所示的硬件装置实现。
其中，处理器802执行预先存储在存储器803中的服务器程序，该执行过程具体包括：
获取用户的历史检测数据；
根据所述用户的历史检测数据确定目标生理特征的取值范围；
获取所述用户的所述目标生理特征的检测数据；
判断所述检测数据是否位于目标生理特征的取值范围中；
若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
可选的，所述历史检测数据包括地理位置以及与所述地理位置对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据所述地理位置以及与所述地理位置对应的历史检测数据确定目标生理特征的取值范围。
可选的，所述所述历史检测数据包括温度信息以及与所述温度信息对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据温度信息以及与所述温度信息对应的历史检测数据确定目标生理特征的取值范围。
可选的，所述所述历史检测数据包括年龄信息以及与所述年龄信息对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据年龄信息以及与所述年龄信息对应的历史检测数据确定目标生理特征的取值范围。
可选的，所述所述历史检测数据包括身体状态信息以及与所述身体状态信息对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据身体状态信息以及与所述身体状态信息对应的历史检测数据确定目标生理特征的取值范围。
可选的，所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：
利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；
根据所述用户的生理特征模型确定目标生理特征的取值范围。
可选的，所述根据所述检测数据和目标取值范围输出风险提示报告，包括：
确定所述检测数据与目标取值范围的差值；
根据所述差值确定病症发展趋势、应对措施以及注意事项；
根据所述病症发展趋势、应对措施以及注意事项输出风险提示报告。
可以看出，在本发明实施例的方案中，获取用户的历史检测数据；根据所述用户的历史检测数据确定目标生理特征的取值范围；获取所述用户的所述目标生理特征的检测数据；判断所述检测数据是否位于目标生理特征的取值范围中；若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。通过本发明提供的技术方案可准确的判断用户的病情，以便及时采取应对措施。
在本发明的另一个实施例中，公开了一种计算机程序产品，所述计算机程序产品中包含有程序代码；当所述程序代码被运行时，前述方法实施例中的方法会被执行。
在本发明的另一个实施例中，公开了一种芯片，所述芯片中包含有程序代码；当所述程序代码被运行时，前述方法实施例中的方法会被执行。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的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，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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范围。
Claims (10)
1.一种数据处理的方法，其特征在于，所述方法包括：
获取用户的历史检测数据；
根据所述用户的历史检测数据确定目标生理特征的取值范围；
获取所述用户的所述目标生理特征的检测数据；
判断所述检测数据是否位于目标生理特征的取值范围中；
若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
2.根据权利要求1所述的方法，其特征在于，所述历史检测数据包括地理位置以及与所述地理位置对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据所述地理位置以及与所述地理位置对应的历史检测数据确定目标生理特征的取值范围。
3.根据权利要求1所述的方法，其特征在于，所述所述历史检测数据包括温度信息以及与所述温度信息对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据温度信息以及与所述温度信息对应的历史检测数据确定目标生理特征的取值范围。
4.根据权利要求1所述的方法，其特征在于，所述所述历史检测数据包括年龄信息以及与所述年龄信息对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据年龄信息以及与所述年龄信息对应的历史检测数据确定目标生理特征的取值范围。
5.根据权利要求1所述的方法，其特征在于，所述所述历史检测数据包括身体状态信息以及与所述身体状态信息对应的历史检测数据；
所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：根据身体状态信息以及与所述身体状态信息对应的历史检测数据确定目标生理特征的取值范围。
6.根据权利要求1所述的方法，其特征在于，所述根据所述用户的历史检测数据确定目标生理特征的取值范围，包括：
利用预设的机器学习算法对所述用户的历史检测数据进行训练以获取所述用户的生理特征模型；
根据所述用户的生理特征模型确定目标生理特征的取值范围。
7.根据权利要求1至6任一所述的方法，其特征在于，所述根据所述检测数据和目标取值范围输出风险提示报告，包括：
确定所述检测数据与目标取值范围的差值；
根据所述差值确定病症发展趋势、应对措施以及注意事项；
根据所述病症发展趋势、应对措施以及注意事项输出风险提示报告。
8.一种数据处理装置，其特征在于，所述装置包括：
第一获取单元，用于获取用户的历史检测数据；
确定单元，用于根据所述用户的历史检测数据确定目标生理特征的取值范围；
第二获取单元，用于获取所述用户的所述目标生理特征的检测数据；
判断单元，用于判断所述检测数据是否位于目标生理特征的取值范围中；
输出单元，用于若所述检测数据没有位于目标生理特征的取值范围中，则根据所述检测数据和目标取值范围输出风险提示报告。
9.一种数据处理装置，其特征在于，所述数据处理的装置包括处理器、存储器、通信接口和总线；
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；
所述存储器存储有程序代码；
所述处理器通过读取所述存储器中存储的程序代码来执行与所述程序代码对应的程序，用于执行权利要求1至7任一所述的方法。
10.一种存储介质，其特征在于，所述存储介质中存储有程序代码，当所述程序代码被运行时，处理器执行权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910472211.8A CN110211692A (zh) | 2019-05-31 | 2019-05-31 | 一种数据处理的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910472211.8A CN110211692A (zh) | 2019-05-31 | 2019-05-31 | 一种数据处理的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110211692A true CN110211692A (zh) | 2019-09-06 |
Family
ID=67790129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910472211.8A Pending CN110211692A (zh) | 2019-05-31 | 2019-05-31 | 一种数据处理的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110211692A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116967A (zh) * | 2020-09-25 | 2020-12-22 | 苏州市立医院 | 一种提高尿液样本收集效率的信息处理方法和装置 |
| CN112861147A (zh) * | 2021-01-28 | 2021-05-28 | 罗子尧 | 基于区块链和5g的医疗大数据共享和分析管理系统 |
| CN113140313A (zh) * | 2020-01-19 | 2021-07-20 | 浙江爱多特大健康科技有限公司 | 血糖检测数据处理的方法、装置、设备及计算机存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080107121A1 (en) * | 2006-11-07 | 2008-05-08 | National Yang-Ming University | Network roaming and reporting system of physiological parameters and method thereof |
| CN103892795A (zh) * | 2012-12-27 | 2014-07-02 | 北京超思电子技术股份有限公司 | 一种生理参数提示方法及其装置 |
| CN105662356A (zh) * | 2014-11-20 | 2016-06-15 | 中兴通讯股份有限公司 | 一种生理体征监测方法及装置 |
| CN106580253A (zh) * | 2016-12-06 | 2017-04-26 | 湖北大学 | 生理数据采集方法、装置及系统 |
| CN106960530A (zh) * | 2017-03-21 | 2017-07-18 | 广东欧珀移动通信有限公司 | 基于生命体征参数的报警方法、装置及终端 |
| CN106997425A (zh) * | 2017-03-28 | 2017-08-01 | 腾讯科技（深圳）有限公司 | 一种显示生理状态信息的方法、装置和系统 |
| CN109448862A (zh) * | 2018-09-17 | 2019-03-08 | 广州中石科技有限公司 | 一种健康监测预警方法及装置 |
| CN109599178A (zh) * | 2018-11-30 | 2019-04-09 | 苏州麦迪斯顿医疗科技股份有限公司 | 阈值判定模型确定方法、装置、医疗检测设备及存储介质 |
-
2019
- 2019-05-31 CN CN201910472211.8A patent/CN110211692A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080107121A1 (en) * | 2006-11-07 | 2008-05-08 | National Yang-Ming University | Network roaming and reporting system of physiological parameters and method thereof |
| CN103892795A (zh) * | 2012-12-27 | 2014-07-02 | 北京超思电子技术股份有限公司 | 一种生理参数提示方法及其装置 |
| CN105662356A (zh) * | 2014-11-20 | 2016-06-15 | 中兴通讯股份有限公司 | 一种生理体征监测方法及装置 |
| CN106580253A (zh) * | 2016-12-06 | 2017-04-26 | 湖北大学 | 生理数据采集方法、装置及系统 |
| CN106960530A (zh) * | 2017-03-21 | 2017-07-18 | 广东欧珀移动通信有限公司 | 基于生命体征参数的报警方法、装置及终端 |
| CN106997425A (zh) * | 2017-03-28 | 2017-08-01 | 腾讯科技（深圳）有限公司 | 一种显示生理状态信息的方法、装置和系统 |
| CN109448862A (zh) * | 2018-09-17 | 2019-03-08 | 广州中石科技有限公司 | 一种健康监测预警方法及装置 |
| CN109599178A (zh) * | 2018-11-30 | 2019-04-09 | 苏州麦迪斯顿医疗科技股份有限公司 | 阈值判定模型确定方法、装置、医疗检测设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113140313A (zh) * | 2020-01-19 | 2021-07-20 | 浙江爱多特大健康科技有限公司 | 血糖检测数据处理的方法、装置、设备及计算机存储介质 |
| CN112116967A (zh) * | 2020-09-25 | 2020-12-22 | 苏州市立医院 | 一种提高尿液样本收集效率的信息处理方法和装置 |
| CN112861147A (zh) * | 2021-01-28 | 2021-05-28 | 罗子尧 | 基于区块链和5g的医疗大数据共享和分析管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DeGregory et al. | A review of machine learning in obesity | |
| US11017902B2 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
| Din et al. | A decade of Internet of Things: Analysis in the light of healthcare applications | |
| Sevakula et al. | State‐of‐the‐art machine learning techniques aiming to improve patient outcomes pertaining to the cardiovascular system | |
| CN110211692A (zh) | 一种数据处理的方法及装置 | |
| CN108521461A (zh) | 基于边缘计算的健康监测方法、装置、设备及存储介质 | |
| CN103584852A (zh) | 个性化心电图智能辅助诊断装置与方法 | |
| CN108717510A (zh) | 一种通过聚类分析文件异常操作行为的方法、系统及终端 | |
| CN109817339A (zh) | 基于大数据的患者分组方法和装置 | |
| CN107767965B (zh) | 多因素关联比对的健康监测系统及方法 | |
| US20220122735A1 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
| CN110362829A (zh) | 结构化病历数据的质量评估方法、装置及设备 | |
| KR20190000195A (ko) | 신경계 질환 관리를 위한 시스템 및 방법 | |
| CN108231189B (zh) | 基于双深度神经学习网络的数据处理方法和疾病诊断装置 | |
| JP2011203976A (ja) | 診断支援装置 | |
| WO2018060957A1 (en) | System and method for personalized migraine prediction powered by machine learning | |
| US9298269B2 (en) | Identifying movements using a motion sensing device coupled with an associative memory | |
| US11830340B1 (en) | Method and system for secretion analysis embedded in a garment | |
| Liu | A Bayesian deep learning network system based on edge computing | |
| EP3762944A1 (en) | Method and apparatus for monitoring a human or animal subject | |
| CN110175522A (zh) | 考勤方法、系统及相关产品 | |
| CN113990514A (zh) | 医师诊疗行为的异常检测装置、计算机设备及存储介质 | |
| CN114373541A (zh) | 基于分布式的智能中医诊断方法、系统及存储介质 | |
| CN106407732A (zh) | 识别目标对象状态的方法、装置及系统和智能服饰 | |
| CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 |
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: 20190906 |