CN110379511B - 一种关于体质监测数据的分析及预警方法 - Google Patents

一种关于体质监测数据的分析及预警方法 Download PDF

Info

Publication number
CN110379511B
CN110379511B CN201910447338.4A CN201910447338A CN110379511B CN 110379511 B CN110379511 B CN 110379511B CN 201910447338 A CN201910447338 A CN 201910447338A CN 110379511 B CN110379511 B CN 110379511B
Authority
CN
China
Prior art keywords
data
order
difference
test item
test
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.)
Active
Application number
CN201910447338.4A
Other languages
English (en)
Other versions
CN110379511A (zh
Inventor
夏茂
顾磊
徐鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kangsui Hospital Investment Management Co.,Ltd.
Original Assignee
Kangsui Hospital Investment Management Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kangsui Hospital Investment Management Co ltd filed Critical Kangsui Hospital Investment Management Co ltd
Priority to CN201910447338.4A priority Critical patent/CN110379511B/zh
Publication of CN110379511A publication Critical patent/CN110379511A/zh
Application granted granted Critical
Publication of CN110379511B publication Critical patent/CN110379511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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

Landscapes

  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

本发明公开了一种关于体质监测数据的分析及预警方法,通过将监测人员的体测数据与以往周期年限的体测数据进行对比分析,计算出历史比对奇异度;以及通过将该监测人员的体测数据与其他同年龄同性别的监测人员的体测数据进行对比分析,计算出样本比对奇异度;通过设定历史比对奇异度阈值和样本比对奇异度阈值的方式对该监测人员的体测数据进行判断并发出预警。本发明的目的在于能够对体测数据的合理性进行判断,并对不合理的体测数据产生预警信息,以警示工作人员进行进一步的确认,一定程度上,能够监测测试者的身体状态,以防发生病变;能够防止测试者在体测时的作弊;能够有效的降低由于测试设备的故障导致体测数据错误的情况。

Description

一种关于体质监测数据的分析及预警方法
技术领域
本发明涉及体质监测领域,尤其是一种关于体质监测数据的分析及预警方法。
背景技术
随着社会经济的发展,人民对健康认识的提高,以及国际形势的变化,国家对整体国民体质的增强已经提升到战略性的高度;同时,越来越多的单位为了更好的了解掌握员工的身体素质,提出健康运动建议,建设企业运动文化,也开始对员工进行定期的体质检测。
在这个大背景下,市场上有很多的体质监测系统以及体测设备,能够有效的获取测试人员的关于各项测试的体测数据。市场现有的体测监测系统和方法,并没有提出对体测数据的合理性进行分析,然而,体测数据不合理的原因一般包括:由于体测时测试者作弊或他人顶替测试,使得体测数据显现出异常;由于测试设备发生故障,使得体测数据显现出异常;由于测试者身体发生明显好转或者病变,使得体测数据显现出异常;综合原因使得体测数据显现出异常。
因此,对体测数据的合理性分析也是体测监测中很重要的一部分。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种关于体质监测数据的分析及预警方法,能够对体测数据的合理性进行判断,并对不合理的体测数据产生预警信息,以警示工作人员进行进一步的确认,一定程度上,能够监测测试者的身体状态,以防发生病变;能够防止测试者在体测时的作弊;能够有效的降低由于测试设备的故障导致体测数据错误的情况。
为实现上述目的,本发明采用以下技术方案,包括:
一种关于体质监测数据的分析及预警方法,包括以下步骤:
S1,在第t个周期的体测过程中,年龄为h、性别为*的监测对象进行第i个测试项目的体测后,得到该监测对象在第t个周期的关于第i个测试项目的体质监测数据即体测数据xi(t);其中,*表示男性或女性;i=1,2,…,I,i表示第i个测试项目,体测共包括I个测试项目;
S2,将该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)与该监测对象在此第t个周期之前的n个周期的关于第i个测试项目的体测数据进行对比分析,并计算得到关于xi(t)的历史比对奇异度Indi1
将该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)与其他的年龄同样为h、性别同样为*的M个监测对象的关于第i个测试项目的体测数据进行对比分析,并计算得到关于xi(t)的样本比对奇异度Indi2
S3,每个测试项目均设有对应的历史比对奇异度阈值Ti1和样本比对奇异度阈值Ti2
若Indi1>Ti1,则对该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)发出预警;
若Indi2>Ti2,则对该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)发出预警。
步骤S2中,该监测对象在此第t个周期之前的n个周期的关于第i个测试项目的体测数据分别为xi(t-1),xi(t-2),xi(t-3),…xi(t-n),即该监测对象分别在第t-1、t-2、t-3、…t-n个周期的关于第i个测试项目的体测数据分别为:xi(t-1),xi(t-2),xi(t-3),…xi(t-n);
关于xi(t)的历史比对奇异度Indi1的具体计算方式,包括以下步骤:
S211,根据该监测对象在第t个周期以及之前的n个周期的关于第i个测试项目的体测数据xi(t),xi(t-1),xi(t-2),xi(t-3),…xi(t-n),分别计算1阶至n-1阶的各阶的差值;其中,
1阶的差值为Sk[1],k[1]-1,k[1]=t,t-1,t-2,…t-n+1,依次为:
St,t-1=xi(t)-xi(t-1),St-1,t-2=xi(t-1)-xi(t-2)…St-n+1,t-n=xi(t-n+1)-xi(t-n);
2阶的差值为Sk[2],k[2]-2,k[2]=t,t-1,t-2,…t-n+2,依次为:
St,t-2=xi(t)-xi(t-2),St-1,t-3=xi(t-1)-xi(t-3)…St-n+2,t-n=xi(t-n+2)-xi(t-n);
3阶差值为Sk[3],k[3]-3,k[3]=t,t-1,t-2,…t-n+3,依次为:
St,t-3=xi(t)-xi(t-3),St-1,t-4=xi(t-1)-xi(t-4)…St-n+3,t-n=xi(t-n+3)-xi(t-n);
依次类推,
n-1阶差值为Sk[n-1],k[n-1]-n+1,k[n-1]=t,t-1,依次为:
St,t-n+1=xi(t)-xi(t-n+1),St-1,t-n=xi(t-1)-xi(t-n);
S212,从各阶的差值中,分别找出各阶的特殊差值,并根据各阶的特殊差值构造出各阶的特殊差值集合,其中,
1阶的特殊差值集合A1为:
A1={k[1]||St,t-1|>a1,i|Sk[1],k[1]-1|,k[1]=t-1,t-2,…t-n+1};
2阶的特殊差值集合A2为:
A2={k[2]||St,t-2|>a2,i|Sk[2],k[2]-2|,k[2]=t-1,t-2,…t-n+2};
3阶的特殊差值集合A3为:
A3={k[3]||St,t-3|>a3,i|Sk[3],k[3]-3|,k[3]=t-1,t-2,…t-n+3};
依次类推,
n-1阶的特殊差值集合An-1为:
An-1={k[n-1]||St,t-n+1|>an-1,i|Sk[n-1],k[n-1]-n+1|,k[n-1]=t-1};
其中,a1,i,a2,i,a3,i…an-1,i分别为设定的第i个测试项目的1阶至n-1阶的各阶的特殊差值灵敏度系数;
S213,分别统计出各阶的特殊差值集合Al中的元素总个数Card Al;其中,l表示l阶,l=1,2,3…n-1;Card Al表示l阶的特殊差值集合中的元素总个数;
S214,计算历史比对奇异度Indi1,计算方式如下所示:
Figure GDA0003322547950000031
步骤S2中,关于xi(t)的样本比对奇异度Indi2的具体计算方式,包括以下步骤:
S221,设定第i个测试项目的正常波动门限εi,并结合该监测对象在前一个周期即第t-1个周期的关于第i个测试项目的体测数据xi(t-1),构造波动区间为[xi(t-1)-εi,xi(t-1)+εi];
S222,从其他的年龄同样为h、性别同样为*的M个监测对象的关于第i个测试项目的体测数据中,筛选出体测数据属于该波动区间[xi(t-1)-εi,xi(t-1)+εi]中的m个体测数据,此m个体测数据分别为xi 1,xi 2,xi 3,…xi m;根据此m个体测数据构造出样本集合{xi j|j=1,2,3…m};
S223,统计出样本集合{xi j|j=1,2,3…m}的中位数Qi、平均数Zi,以及R个众数Yr i;其中,r表示第r个众数,r=1,2…R;
S224,分别计算样本集合中各体测数据xi j与中位数Qi的差值,分别为:
qi j=xi j-Qi,j=1,2,3…m;
分别计算样本集合中各体测数据xi j与平均数Zi的差值,分别为:
zi j=xi j-Zi,j=1,2,3…m;
分别计算样本集合中各体测数据xi j与各个众数Yr i的差值,分别为:
yr i j=xi j-Yr i,j=1,2,3…m;r=1,2…R;
S225,计算该监测对象的体测数据xi(t)与中位数Qi的差值,为qi=xi(t)-Qi
计算该监测对象的体测数据xi(t)与平均数Zi的差值,为zi=xi(t)-Zi
分别计算该监测对象的体测数据xi(t)与各个众数Yr i的差值,分别为:yr i=xi(t)-Yr i;r=1,2…R;
S226,分别构造中位数Qi、平均数Zi,以及各个众数Yr i的特殊差值集合,其中,
中位数Xi的特殊差值集合BQ为:BQ={j|sgnqi=sgnqi j,|qi|>bQ,i|qi j|,j=1,2,3…m};
平均数Zi的特殊差值集合BZ为:BZ={j|sgnzi=sgnzi j,|zi|>bZ,i|zi j|,j=1,2,3…m};
各个众数Yr i的特殊差值集合Br Y,分别为:
Br Y={j|sgnyi=sgnyi j,|yi|>br Y,i|yi j|,j=1,2,3…m};r=1,2…R;
其中,bQ,i,bZ,i分别为设定的第i个测试项目的中位数Qi和平均数Zi的特殊差值灵敏度系数,br Y,i,r=1,2…R分别为设定的第i个测试项目的各个众数Yr i的特殊差值灵敏度系数;
其中,sgn为符号函数,且对于实数a,sgn函数的定义为:
Figure GDA0003322547950000051
S227,统计出中位数Qi、平均数Zi的特殊差值集合BQ、BZ的元素总个数分别为CardBQ、Card BZ,以及统计出各个众数Yr i的特殊差值集合Br Y的元素总个数分别为Card Br Y,r=1,2…R;
S228,计算样本比对奇异度Indi2,计算方式如下所示:
Figure GDA0003322547950000052
所述周期为按年划分,即一年为一个周期;且n≥10。
本发明的优点在于:
本发明通过将监测人员的体测数据与以往周期年限的体测数据进行对比分析,以及通过将监测人员的体测数据与其他同年龄同性别的监测人员的体测数据进行对比分析,并计算出历史比对奇异度和样本比对奇异度,目的在于能够对体测数据的合理性进行判断,并对不合理的体测数据产生预警信息,以警示工作人员进行进一步的确认。
体测数据不合理的原因一般包括:由于体测时测试者作弊或他人顶替测试,使得体测数据显现出异常;由于测试设备发生故障,使得体测数据显现出异常;由于测试者身体发生明显好转或者病变,使得体测数据显现出异常;综合原因使得体测数据显现出异常;
因此,本发明对于体测数据异常的预警,一定程度上,能够防止测试者在体测时的作弊;能够有效的降低由于测试设备的故障导致体测数据错误的情况;能够监测测试者的身体状态,以防发生病变。
附图说明
图1为本发明的一种关于体质监测数据的分析及预警方法的方法流程图。
图2为本发明的关于历史比对奇异度计算的方法流程图。
图3为本发明的关于样本比对奇异度计算的方法流程图。
具体实施方式
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、完整地描述,显然,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。
由图1所示,一种关于体质监测数据的分析及预警方法,其特征在于,包括以下步骤:
S1,在第t个周期的体测过程中,年龄为h、性别为*的监测对象进行第i个测试项目的体测后,得到该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t);其中,*表示男性或女性;i=1,2,…,I,i表示第i个测试项目,体测共包括I个测试项目。
S2,将该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)与该监测对象在此第t个周期之前的n个周期的关于第i个测试项目的体测数据进行对比分析,并计算得到关于xi(t)的历史比对奇异度Indi1
将该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)与其他的年龄同样为h、性别同样为*的M个监测对象的关于第i个测试项目的体测数据进行对比分析,并计算得到关于xi(t)的样本比对奇异度Indi2
S3,每个测试项目均设有对应的历史比对奇异度阈值Ti1和样本比对奇异度阈值Ti2
若Indi1>Ti1,则对该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)发出预警;
若Indi2>Ti2,则对该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)发出预警。
步骤S2中,该监测对象在此第t个周期之前的n个周期的关于第i个测试项目的体测数据分别为xi(t-1),xi(t-2),xi(t-3),…xi(t-n),即该监测对象p分别在第t-1、t-2、t-3、…t-n个周期的关于第i个测试项目的体测数据分别为:xi(t-1),xi(t-2),xi(t-3),…xi(t-n);
由图2所示,步骤S2中,关于xi(t)的历史比对奇异度Indi1的具体计算方式,包括以下步骤:
S211,根据该监测对象在第t个周期以及之前的n个周期的关于第i个测试项目的体测数据xi(t),xi(t-1),xi(t-2),xi(t-3),…xi(t-n),分别计算1阶至n-1阶的各阶的差值;其中,
1阶的差值为Sk[1],k[1]-1,k[1]=t,t-1,t-2,…t-n+1,依次为:
St,t-1=xi(t)-xi(t-1),St-1,t-2=xi(t-1)-xi(t-2)…St-n+1,t-n=xi(t-n+1)-xi(t-n);
2阶的差值为Sk[2],k[2]-2,k[2]=t,t-1,t-2,…t-n+2,依次为:
St,t-2=xi(t)-xi(t-2),St-1,t-3=xi(t-1)-xi(t-3)…St-n+2,t-n=xi(t-n+2)-xi(t-n);
3阶差值为Sk[3],k[3]-3,k[3]=t,t-1,t-2,…t-n+3,依次为:
St,t-3=xi(t)-xi(t-3),St-1,t-4=xi(t-1)-xi(t-4)…St-n+3,t-n=xi(t-n+3)-xi(t-n);
依次类推,
n-1阶差值为Sk[n-1],k[n-1]-n+1,k[n-1]=t,t-1,依次为:
St,t-n+1=xi(t)-xi(t-n+1),St-1,t-n=xi(t-1)-xi(t-n);
S212,从各阶的差值中,分别找出各阶的特殊差值,并根据各阶的特殊差值构造出各阶的特殊差值集合,其中,
1阶的特殊差值集合A1为:
A1={k[1]||St,t-1|>a1,i|Sk[1],k[1]-1|,k[1]=t-1,t-2,…t-n+1};
2阶的特殊差值集合A2为:
A2={k[2]||St,t-2|>a2,i|Sk[2],k[2]-2|,k[2]=t-1,t-2,…t-n+2};
3阶的特殊差值集合A3为:
A3={k[3]||St,t-3|>a3,i|Sk[3],k[3]-3|,k[3]=t-1,t-2,…t-n+3};
依次类推,
n-1阶的特殊差值集合An-1为:
An-1={k[n-1]||St,t-n+1|>an-1,i|Sk[n-1],k[n-1]-n+1|,k[n-1]=t-1};
其中,a1,i,a2,i,a3,i…an-1,i分别为设定的第i个测试项目的1阶至n-1阶的各阶的特殊差值灵敏度系数;
S213,分别统计出各阶的特殊差值集合Al中的元素总个数Card Al;其中,l表示l阶,l=1,2,3…n-1;Card Al表示l阶的特殊差值集合中的元素总个数;
S214,计算历史比对奇异度Indi1,计算方式如下所示:
Figure GDA0003322547950000081
由图3所示,步骤S2中,关于xi(t)的样本比对奇异度Indi2的具体计算方式,包括以下步骤:
S221,设定第i个测试项目的正常波动门限εi,并结合该监测对象在前一个周期即第t-1个周期的关于第i个测试项目的体测数据xi(t-1),构造波动区间为[xi(t-1)-εi,xi(t-1)+εi];
S222,从其他的年龄同样为h、性别同样为*的M个监测对象的关于第i个测试项目的体测数据中,筛选出体测数据属于该波动区间[xi(t-1)-εi,xi(t-1)+εi]中的m个体测数据,此m个体测数据分别为xi 1,xi 2,xi 3,…xi m;根据此m个体测数据构造出样本集合{xi j|j=1,2,3…m};
S223,统计出样本集合{xi j|j=1,2,3…m}的中位数Qi、平均数Zi,以及R个众数Yr i;其中,r表示第r个众数,r=1,2…R;
S224,分别计算样本集合中各体测数据xi j与中位数Qi的差值,分别为:
qi j=xi j-Qi,j=1,2,3…m;
分别计算样本集合中各体测数据xi j与平均数Zi的差值,分别为:
zi j=xi j-Zi,j=1,2,3…m;
分别计算样本集合中各体测数据xi j与各个众数Yr i的差值,分别为:
yr i j=xi j-Yr i,j=1,2,3…m;r=1,2…R;
S225,计算该监测对象的体测数据xi(t)与中位数Qi的差值,为qi=xi(t)-Qi
计算该监测对象的体测数据xi(t)与平均数Zi的差值,为zi=xi(t)-Zi
分别计算该监测对象的体测数据xi(t)与各个众数Yr i的差值,分别为:yr i=xi(t)-Yr i;r=1,2…R;
S226,分别构造中位数Qi、平均数Zi,以及各个众数Yr i的特殊差值集合,其中,
中位数Xi的特殊差值集合BQ为:BQ={j|sgnqi=sgnqi j,|qi|>bQ,i|qi j|,j=1,2,3…m};
平均数Zi的特殊差值集合BZ为:BZ={j|sgnzi=sgnzi j,|zi|>bZ,i|zi j|,j=1,2,3…m};
各个众数Yr i的特殊差值集合Br Y,分别为:
Br Y={j|sgnyi=sgnyi j,|yi|>br Y,i|yi j|,j=1,2,3…m};r=1,2…R;
其中,bQ,i,bZ,i分别为设定的第i个测试项目的中位数Qi和平均数Zi的特殊差值灵敏度系数,br Y,i,r=1,2…R分别为设定的第i个测试项目的各个众数Yr i的特殊差值灵敏度系数;
其中,sgn为符号函数,且对于实数a,sgn函数的定义为:
Figure GDA0003322547950000091
S227,统计出中位数Qi、平均数Zi的特殊差值集合BQ、BZ的元素总个数分别为CardBQ、Card BZ,以及统计出各个众数Yr i的特殊差值集合Br Y的元素总个数分别为Card Br Y,r=1,2…R;
S228,计算样本比对奇异度Indi2,计算方式如下所示:
Figure GDA0003322547950000092
步骤S3中,在实际处理时,可对该监测对象在第t个周期的关于各个测试项目的体测数据xi(t)的历史比对奇异度Indi1和样本比对奇异度Indi2构造奇异度矩阵Ind,Ind=[Indi1,Indi2],i=1,2,…,I;
即,
Figure GDA0003322547950000093
以方便对该监测对象的体测数据进行异常分析和预警。
实施例一:
本实施例中,所述周期以年划分,即一年为一个周期;且要求且n≥10。
本实施例中,体测共包括10个测试项目,且i=1,2,3,…10分别表示为身高测试、体重测试、肺活量测试、台阶测试、握力测试、俯卧撑测试、纵跳测试、体前屈测试、反应时测试、闭眼单脚站立测试。
本实施例中,各项测试的1阶至n-1阶的各阶的特殊差值灵敏度系数a1,i,a2,i,a3,i…an-1,i均设为1;各项测试的中位数Qi、平均数Zi的特殊差值灵敏度系数bQ,i,bZ,i均设为1,以及各项测试的各个众数Yr i的特殊差值灵敏度系数br Y,i,r=1,2…R均设为1;各项测试的正常波动门限εi,i=1,2,3,…10依次为:ε1=2,ε2=2,ε3=10,ε4=1,ε5=0.5,ε6=1,ε7=0.5,ε8=0.2,ε9=0.02,ε10=5。
本实施例中,各个测试项目的历史比对奇异度阈值即Ti1,i=1,2,3…10均设定为80%;各个测试项目的样本比对奇异度阈值即Ti2,i=1,2,3…10均设定为80%。
现有某男性测试者即监测对象进行2018年的体测,且该男性测试者在2018年的年龄为33岁,数据库中存储有该男性测试者自2006年到2018年的每年体测的关于各个测试项目的体测数据,具体如下表1所示:
Figure GDA0003322547950000101
表1
根据表1中的数据并按照本发明的步骤计算得到:
该男性测试者在2018年体测中的关于各个测试项目的体测数据的历史比对奇异度即Indi1,i=1,2,3…10分别为100%,29%,59%,49%,100%,59%,40%,47%,26%,100%。
数据库中还存储有同样为33岁的其他男性测试者的关于各个测试项目的体测数据,根据数据中的33岁的其他男性测试者的关于各个测试项目的体测数据按照本发明的步骤计算得到:
该男性测试者在2018年体测中的关于各个测试项目的体测数据的样本比对奇异度即Indi2,i=1,2,3…10分别为42%,29%,59%,49%,100%,59%,40%,47%,26%,100%。
经判断后可知:该男性测试者在2018年的体测中,关于第1个测试项目即身高测试的体测数据的历史比对奇异度Ind11大于身高测试的历史比对奇异度阈值T11,关于第5个测试项目即握力测试的体测数据的历史比对奇异度Ind51大于握力测试的历史比对奇异度阈值T51,关于第5个测试项目即握力测试的体测数据的样本比对奇异度Ind52大于握力测试的样本比对奇异度阈值T52
因此,对该男性测试者的身高测试的体测数据和握力测试的体测数据发出预警。
该男性测试者在2018年即33岁,其身高测试的体测数据即身高值为171.3cm,但其前12年的身高值稳定在170.5cm左右,从身高发展规律角度而言,2018年的身高测试的体测数据具有不合理性,而该不合理的原因可能为测量设备故障、测量方法不尽合理、测试者为他人顶替等;具体为何原因,需要进一步的确认。
该男性测试者在2018年即33岁时,其握力测试的体测数据即握力值为89.4kg,但其前12年的握力值稳定在47kg左右,从握力发展规律角度而言,2018年的握力测试的体测数据具有不合理性,而该不合理的原因可能为测量设备故障、测量方法不尽合理、测试者为他人顶替等,但也不排除该男性测试者通过日常训练、测试时发挥超常等原因;具体为何原因,需进一步确认。
该男性测试者在2018年即33岁时,其闭眼单脚站测试的体测数据即闭眼单脚站立时间为182s,而其前11年的闭眼单脚站立时间稳定在50s~90s内,从闭眼单脚站发展规律角度而言,2018年的闭眼单脚站测试的体测数据具有不合理性,而该不合理的原因可能为测量设备故障、测量方法不尽合理、测试者为他人顶替等,但也不排除该男性测试者通过日常训练、测试时发挥超常等原因;具体为何原因,需进一步确认。
本发明的目的在于能够对体测数据进行分析计算,判断不合理的体测数据,并对不合理的体测数据产生预警信息,以提示工作人员进行进一步的确认。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。

Claims (4)

1.一种关于体质监测数据的分析及预警方法,其特征在于,包括以下步骤:
S1,在第t个周期的体测过程中,年龄为h、性别为*的监测对象进行第i个测试项目的体测后,得到该监测对象在第t个周期的关于第i个测试项目的体质监测数据即体测数据xi(t);其中,*表示男性或女性;i=1,2,…,I,i表示第i个测试项目,体测共包括I个测试项目;
S2,将该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)与该监测对象在此第t个周期之前的n个周期的关于第i个测试项目的体测数据进行对比分析,并计算得到关于xi(t)的历史比对奇异度Indi1
将该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)与其他的年龄同样为h、性别同样为*的M个监测对象的关于第i个测试项目的体测数据进行对比分析,并计算得到关于xi(t)的样本比对奇异度Indi2
S3,每个测试项目均设有对应的历史比对奇异度阈值Ti1和样本比对奇异度阈值Ti2
若Indi1>Ti1,则对该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)发出预警;
若Indi2>Ti2,则对该监测对象在第t个周期的关于第i个测试项目的体测数据xi(t)发出预警。
2.根据权利要求1所述的一种关于体质监测数据的分析及预警方法,其特征在于,步骤S2中,该监测对象在此第t个周期之前的n个周期的关于第i个测试项目的体测数据分别为xi(t-1),xi(t-2),xi(t-3),…xi(t-n),即该监测对象分别在第t-1、t-2、t-3、…t-n个周期的关于第i个测试项目的体测数据分别为:xi(t-1),xi(t-2),xi(t-3),…xi(t-n);
关于xi(t)的历史比对奇异度Indi1的具体计算方式,包括以下步骤:
S211,根据该监测对象在第t个周期以及之前的n个周期的关于第i个测试项目的体测数据xi(t),xi(t-1),xi(t-2),xi(t-3),…xi(t-n),分别计算1阶至n-1阶的各阶的差值;其中,
1阶的差值为Sk[1],k[1]-1,k[1]=t,t-1,t-2,…t-n+1,依次为:
St,t-1=xi(t)-xi(t-1),St-1,t-2=xi(t-1)-xi(t-2)…St-n+1,t-n=xi(t-n+1)-xi(t-n);
2阶的差值为Sk[2],k[2]-2,k[2]=t,t-1,t-2,…t-n+2,依次为:
St,t-2=xi(t)-xi(t-2),St-1,t-3=xi(t-1)-xi(t-3)…St-n+2,t-n=xi(t-n+2)-xi(t-n);
3阶差值为Sk[3],k[3]-3,k[3]=t,t-1,t-2,…t-n+3,依次为:
St,t-3=xi(t)-xi(t-3),St-1,t-4=xi(t-1)-xi(t-4)…St-n+3,t-n=xi(t-n+3)-xi(t-n);
依次类推,
n-1阶差值为Sk[n-1],k[n-1]-n+1,k[n-1]=t,t-1,依次为:
St,t-n+1=xi(t)-xi(t-n+1),St-1,t-n=xi(t-1)-xi(t-n);
S212,从各阶的差值中,分别找出各阶的特殊差值,并根据各阶的特殊差值构造出各阶的特殊差值集合,其中,
1阶的特殊差值集合A1为:
A1={k[1]||St,t-1|>a1,i|Sk[1],k[1]-1|,k[1]=t-1,t-2,…t-n+1};
2阶的特殊差值集合A2为:
A2={k[2]||St,t-2|>a2,i|Sk[2],k[2]-2|,k[2]=t-1,t-2,…t-n+2};
3阶的特殊差值集合A3为:
A3={k[3]||St,t-3|>a3,i|Sk[3],k[3]-3|,k[3]=t-1,t-2,…t-n+3};
依次类推,
n-1阶的特殊差值集合An-1为:
An-1={k[n-1]||St,t-n+1|>an-1,i|Sk[n-1],k[n-1]-n+1|,k[n-1]=t-1};
其中,a1,i,a2,i,a3,i…an-1,i分别为设定的第i个测试项目的1阶至n-1阶的各阶的特殊差值灵敏度系数;
S213,分别统计出各阶的特殊差值集合Al中的元素总个数CardAl;其中,l表示l阶,l=1,2,3…n-1;CardAl表示l阶的特殊差值集合中的元素总个数;
S214,计算历史比对奇异度Indi1,计算方式如下所示:
Figure FDA0003322547940000031
3.根据权利要求1所述的一种关于体质监测数据的分析及预警方法,其特征在于,步骤S2中,关于xi(t)的样本比对奇异度Indi2的具体计算方式,包括以下步骤:
S221,设定第i个测试项目的正常波动门限εi,并结合该监测对象在前一个周期即第t-1个周期的关于第i个测试项目的体测数据xi(t-1),构造波动区间为[xi(t-1)-εi,xi(t-1)+εi];
S222,从其他的年龄同样为h、性别同样为*的M个监测对象的关于第i个测试项目的体测数据中,筛选出体测数据属于该波动区间[xi(t-1)-εi,xi(t-1)+εi]中的m个体测数据,此m个体测数据分别为xi 1,xi 2,xi 3,…xi m;根据此m个体测数据构造出样本集合{xi j|j=1,2,3…m};
S223,统计出样本集合{xi j|j=1,2,3…m}的中位数Qi、平均数Zi,以及R个众数Yr i;其中,r表示第r个众数,r=1,2…R;
S224,分别计算样本集合中各体测数据xi j与中位数Qi的差值,分别为:
qi j=xi j-Qi,j=1,2,3…m;
分别计算样本集合中各体测数据xi j与平均数Zi的差值,分别为:
zi j=xi j-Zi,j=1,2,3…m;
分别计算样本集合中各体测数据xi j与各个众数Yr i的差值,分别为:
yr i j=xi j-Yr i,j=1,2,3…m;r=1,2…R;
S225,计算该监测对象的体测数据xi(t)与中位数Qi的差值,为qi=xi(t)-Qi
计算该监测对象的体测数据xi(t)与平均数Zi的差值,为zi=xi(t)-Zi
分别计算该监测对象的体测数据xi(t)与各个众数Yr i的差值,分别为:yr i=xi(t)-Yr i;r=1,2…R;
S226,分别构造中位数Qi、平均数Zi,以及各个众数Yr i的特殊差值集合,其中,
中位数Xi的特殊差值集合BQ为:BQ={j|sgnqi=sgnqi j,|qi|>bQ,i|qi j|,j=1,2,3…m};
平均数Zi的特殊差值集合BZ为:BZ={j|sgnzi=sgnzi j,|zi|>bZ,i|zi j|,j=1,2,3…m};
各个众数Yr i的特殊差值集合Br Y,分别为:
Br Y={j|sgnyi=sgnyi j,|yi|>br Y,i|yi j|,j=1,2,3…m};r=1,2…R;
其中,bQ,i,bZ,i分别为设定的第i个测试项目的中位数Qi和平均数Zi的特殊差值灵敏度系数,br Y,i,r=1,2…R分别为设定的第i个测试项目的各个众数Yr i的特殊差值灵敏度系数;
其中,sgn为符号函数,且对于实数a,sgn函数的定义为:
Figure FDA0003322547940000041
S227,统计出中位数Qi、平均数Zi的特殊差值集合BQ、BZ的元素总个数分别为CardBQ、CardBZ,以及统计出各个众数Yr i的特殊差值集合Br Y的元素总个数分别为CardBr Y,r=1,2…R;
S228,计算样本比对奇异度Indi2,计算方式如下所示:
Figure FDA0003322547940000042
4.根据权利要求1所述的一种关于体质监测数据的分析及预警方法,其特征在于,所述周期为按年划分,即一年为一个周期;且n≥10。
CN201910447338.4A 2019-05-27 2019-05-27 一种关于体质监测数据的分析及预警方法 Active CN110379511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910447338.4A CN110379511B (zh) 2019-05-27 2019-05-27 一种关于体质监测数据的分析及预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910447338.4A CN110379511B (zh) 2019-05-27 2019-05-27 一种关于体质监测数据的分析及预警方法

Publications (2)

Publication Number Publication Date
CN110379511A CN110379511A (zh) 2019-10-25
CN110379511B true CN110379511B (zh) 2022-03-11

Family

ID=68248736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910447338.4A Active CN110379511B (zh) 2019-05-27 2019-05-27 一种关于体质监测数据的分析及预警方法

Country Status (1)

Country Link
CN (1) CN110379511B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101895920A (zh) * 2009-05-18 2010-11-24 中兴通讯股份有限公司 一种网元间测量报告上报方法及系统
CN104834828A (zh) * 2015-05-26 2015-08-12 重庆大学 基于ds证据理论-神经网络算法老人生理异常诊断方法
CN106324669A (zh) * 2016-08-22 2017-01-11 中国石油大学(华东) 一种地震勘探数据中各阶表层多次波分离方法
CN108387587A (zh) * 2018-01-22 2018-08-10 京东方科技集团股份有限公司 缺陷检测方法及缺陷检测设备
CN108872687A (zh) * 2018-04-27 2018-11-23 中颖电子股份有限公司 一种斩波的检测方法
CN109542740A (zh) * 2017-09-22 2019-03-29 阿里巴巴集团控股有限公司 异常检测方法及装置
CN109620262A (zh) * 2018-12-12 2019-04-16 华南理工大学 一种基于可穿戴手环的情绪识别系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4384895B2 (ja) * 2003-11-14 2009-12-16 フィールファイン株式会社 年齢アセスメント装置及び年齢アセスメント方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101895920A (zh) * 2009-05-18 2010-11-24 中兴通讯股份有限公司 一种网元间测量报告上报方法及系统
CN104834828A (zh) * 2015-05-26 2015-08-12 重庆大学 基于ds证据理论-神经网络算法老人生理异常诊断方法
CN106324669A (zh) * 2016-08-22 2017-01-11 中国石油大学(华东) 一种地震勘探数据中各阶表层多次波分离方法
CN109542740A (zh) * 2017-09-22 2019-03-29 阿里巴巴集团控股有限公司 异常检测方法及装置
CN108387587A (zh) * 2018-01-22 2018-08-10 京东方科技集团股份有限公司 缺陷检测方法及缺陷检测设备
CN108872687A (zh) * 2018-04-27 2018-11-23 中颖电子股份有限公司 一种斩波的检测方法
CN109620262A (zh) * 2018-12-12 2019-04-16 华南理工大学 一种基于可穿戴手环的情绪识别系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
青年男性裤装上裆长的影响因素;王永波 等;《纺织学报》;20180930;第39卷(第9期);全文 *

Also Published As

Publication number Publication date
CN110379511A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
Theilla et al. Validation of GLIM malnutrition criteria for diagnosis of malnutrition in ICU patients: an observational study
Van Der Elst et al. Detecting the significance of changes in performance on the Stroop Color-Word Test, Rey's Verbal Learning Test, and the Letter Digit Substitution Test: the regression-based change approach
Malo et al. Do subjects investigated for occupational asthma through serial peak expiratory flow measurements falsify their results?
Sánchez-Oliva et al. Lifestyle clusters in school-aged youth and longitudinal associations with fatness: The UP&DOWN study
Fuller et al. King-Devick concussion test performs poorly as a screening tool in elite rugby union players: a prospective cohort study of two screening tests versus a clinical reference standard
Fontaine et al. Artificial intelligence to evaluate postoperative pain based on facial expression recognition
CN116344050B (zh) 一种基于多维度健康管理模型的评测方法
Napoli et al. Uncertainty in heart rate complexity metrics caused by R-peak perturbations
Henriksen et al. Polar vantage and oura physical activity and sleep trackers: validation and comparison study
CN111513726A (zh) 一种基于iht动态性能评估ams风险的系统
Schuster et al. Measuring physical activity in pregnancy using questionnaires: a meta-analysis
WO2008138219A1 (fr) Unification et normalisation de valeur de référence de plage normale et de valeur de mesure réelle de rapport de détection ou de laboratoire en médecine clinique
CN107506606A (zh) 常见疾病风险预测方法及系统
Wang et al. Heart-rate analysis of healthy and insomnia groups with detrended fractal dimension feature in edge
CN110379511B (zh) 一种关于体质监测数据的分析及预警方法
Roy et al. Exploratory analysis of concussion recovery trajectories using multi-modal assessments and serum biomarkers
Mozumdar et al. Correction equations to adjust self-reported height and weight for obesity estimates among college students
CN110710956A (zh) 一种昏迷患者的预后评估方法和评估系统
CN114864086A (zh) 一种基于肺功能报告模板的疾病预测方法
Potancok et al. How to measure benefits of non-standard healthcare systems
Heimendinger et al. Growth changes: Measuring the effect of an intervention
CN114723494A (zh) 问卷处理结果的有效性判断方法、装置、设备及存储介质
CN114203307A (zh) 一种受试者分配方法、系统及电子设备
CN112768066A (zh) 一种神经外科患者综合诊疗方法及系统
CN111261264A (zh) 一种智能体质测试设备、方法及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220221

Address after: Room 1707, building 4, yard 18, Suzhou street, Haidian District, Beijing 100080

Applicant after: Kangsui Hospital Investment Management Co.,Ltd.

Address before: 230088 tower a, Huabang World Trade Center, 190 Qianshan Road, Hefei, Anhui

Applicant before: Xia Mao

GR01 Patent grant
GR01 Patent grant