CN111081383A - 一种基于云计算的流行病监控系统 - Google Patents
一种基于云计算的流行病监控系统 Download PDFInfo
- Publication number
- CN111081383A CN111081383A CN202010067449.5A CN202010067449A CN111081383A CN 111081383 A CN111081383 A CN 111081383A CN 202010067449 A CN202010067449 A CN 202010067449A CN 111081383 A CN111081383 A CN 111081383A
- Authority
- CN
- China
- Prior art keywords
- epidemic
- epidemic disease
- monitoring data
- contact network
- subgraph
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 100
- 201000010099 disease Diseases 0.000 title claims abstract description 97
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 97
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000001575 pathological effect Effects 0.000 claims description 5
- 208000015181 infectious disease Diseases 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 206010022000 influenza Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 201000006082 Chickenpox Diseases 0.000 description 2
- 201000005505 Measles Diseases 0.000 description 2
- 208000005647 Mumps Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 206010046980 Varicella Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000010805 mumps infectious disease Diseases 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2291—User-Defined Types; Storage management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于云计算的流行病监控系统，包括：医疗信息系统和云平台系统，医疗信息系统，用于获取实时登记的流行病监控数据，并传输至云平台系统；云平台系统，用于接收流行病监控数据，根据该流行病监控数据建立流行病传播模型，并根据流行病传播模型模拟流行病的传播爆发趋势，根据模拟结果计算流行病预警信息。本发明能够实现对流行病信息实时采集的基础上，还能够对流行病的爆发趋势实现实时预测，有助于疾病管理部门第一时间掌握可能存在的流行病爆发危险，提前做好相应的预防措施。间接提高了流行病监控的效果和可靠程度。
Description
技术领域
本发明涉及云平台疾病监控领域，特别是一种基于云计算的流行病监控系统。
背景技术
流行性传染病(简称流行病)的每次爆发都会给人类社会带来巨大损失。对流行病的研究能够有助于对流行病进行防控，同时对流行病的爆发进行预警等，有效的流行病监控能够降低流行病爆发带来的影响。
现有技术中，对流行病的监控手段通常是采用人工调查或者通过医院等提供流行病监控信息，再由专门的疾病监控部门进行汇总和分析，实现对流行病的监控。但是，现有技术中的流行病监控过程需要投入大量人力，而且实时性不高，不能满足现代社会对流行病监控的需要。
发明内容
针对上述问题，本发明旨在提供一种基于云计算的流行病监控系统。
本发明的目的采用以下技术方案来实现：
提出一种基于云计算的流行病监控系统，包括：医疗信息系统和云平台系统，
医疗信息系统，用于获取实时登记的流行病监控数据，并传输至云平台系统；
云平台系统，用于接收流行病监控数据，根据该流行病监控数据建立流行病传播模型，并根据流行病传播模型模拟流行病的传播爆发趋势，根据模拟结果计算流行病预警信息。
在一种实施方式中，流行病监控数据包括一种或多种流行病的监控数据，其中流行病的种类包括各种流感、流感并发症、水痘、麻疹、流行性腮腺炎和侵入性肺炎等；每条监控数据包括新增病例的感染时间、地点、年龄和性别等信息。
在一种实施方式中，云平台系统包括数据接收模块、流行病传播模型建立模块、预测分析模块；
数据接收模块用于接收由医疗信息系统发送的流行病监控数据，其中流行病监控数据包括一种或多种流行病的监控数据，其中包括各种流行病在不同时间节点的新增病例数；
流行病传播模型建立模块用于根据流行病监控数据建立基于动态人口接触网络的流行病传播模型，或者根据新接收的流行病监控数据对流行病传播模型进行更新；
预测分析模块，用于根据流行病传播模型对流行病传播爆发趋势进行预测，并对预测结果进行分析，输出分析结果。
在一种实施方式中，流行病传播模型建立模块包括：
接触网络建模单元，用于根据接收的流行病监控数据建立/更新动态人口接触网络；
传播模型建模单元，基于动态人口接触网络以及流行病监控数据，构建针对不同流行病的传播模型。
在一种实施方式中，接触网络建模单元，包括：
将待确定的动态人口接触网络表示为张量M∈RG×G×T的形式，其中动态人口接触网络的空间模式表示为空间RG×G×T的基底
动态人口接触网络的时间模式表示为基底的组合系数W(w1,…,wR)；
基于人口普查数据构建包含多个场景的虚拟社会，并基于虚拟场景计算各个场景中各虚拟个体之间的接触概率，构成动态人口接触网络的空间模式
根据一种或多种流行病监控数据以及相关的病理学参数，结合动态人口接触网络构建用于获取动态接触网络时间模式的优化目标函数，对该优化目标函数进行拟合参数优化，估计出动态人口接触网络的时间模式W＝(w1,…,wR)；
基于获取的动态人口接触网络的空间模式和时间模式建模最终动态人口接触网络；
在一种实施方式中，云平台系统还包括数据库模块，数据库模块存储人口普查数据，供接触网络建模单元调用。
在一种实施方式中，数据库模块还包括管理模块，管理模块用于对数据库模块中的人口普查数据进行管理；
其中管理模块还包括身份验证单元，身份验证单元用于对管理员身份信息进行验证，在通过验证后允许登录管理模块及访问数据库模块。
在一种实施方式中，身份验证单元还包括人脸识别单元，人脸识别单元用于接收由管理终端采集的人脸图像信息，并根据接收的人脸图像信息与数据库中预存的管理员人脸图像信息进行比对，当比对相似度大于设定的阈值时，输出验证通过结果。
本发明的有益效果为：1)本发明通过构建基于云平台系统的流行病监控系统，能够通过云平台直接接收由医疗信息系统中实施登记的流行病监控数据，并对流行病监控数据进行实时分析，通过基于流行病监控数更新疾病传播模型，并自适应采用该疾病传播模型模拟流行病的传播爆发趋势，获取流行病预警信息。能够实现对流行病信息实时采集的基础上，还能够对流行病的爆发趋势实现实时预测，有助于疾病管理部门第一时间掌握可能存在的流行病爆发危险，提前做好相应的预防措施。间接提高了流行病监控的效果和可靠程度。
2)本发明云平台系统中的流行病传播模型建立模块，能够根据一种或多种流行病监控数据，基于动态人口接触网络的流行病传播模型，从而再根据建立的流行病传播模型对多种流行病的传播爆发趋势进行预测，通过少量数据实现覆盖面全的流行病传播爆发去测，提高了流行病监控的适应性。
3)其中，本发明中还设置有数据库获取人口普查数据，其中用于构建流行病传播模型的动态人口网络基于实际的人口普查数据进行构建，能够构建根据贴合实际情况的动态人口接触网络，间接提高了流行病传播模型构建的可靠性。
4)针对数据库模块中存储有人口普查数据和流行病监控数据，为了保证数据的保密性，本发明进一步在数据库模块中设置有基于人脸图像验证的管理员身份验证单元，能够避免数据库模块中涉及隐私的数据泄露，提高了本发明系统的数据安全性。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图；
图2为本发明流行病传播模型建立模块的框架结构图；
图3为本发明数据库模块的框架结构图。
附图标记：
医疗信息系统1、云平台系统2、数据接收模块21、流行病传播模型建立模块22、预测分析模块23、数据库模块24、接触网络建模单元221、传播模型建模单元222、管理模块241、身份验证单元242、接收单元244、预处理单元245、分割单元246、特征提取单元247、比对单元248
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，其示出一种基于云计算的流行病监控系统，包括：医疗信息系统1和云平台系统2，
医疗信息系统1，用于获取实时登记的流行病监控数据，并传输至云平台系统2；
云平台系统2，用于接收流行病监控数据，根据该流行病监控数据建立流行病传播模型，并根据流行病传播模型模拟流行病的传播爆发趋势，根据模拟结果计算流行病预警信息。
在一种场景中，流行病监控数据包括一种或多种流行病的监控数据，其中流行病的种类包括各种流感、流感并发症、水痘、麻疹、流行性腮腺炎和侵入性肺炎等；每条监控数据包括新增病例的感染时间、地点、年龄和性别等信息。
上述实施方式中，通过构建基于云平台系统2的流行病监控系统，能够通过云平台直接接收由医疗信息系统1中实施登记的流行病监控数据，并对流行病监控数据进行实时分析，通过基于流行病监控数更新疾病传播模型，并自适应采用该疾病传播模型模拟流行病的传播爆发趋势，获取流行病预警信息。能够实现对流行病信息实时采集的基础上，还能够对流行病的爆发趋势实现实时预测，有助于疾病管理部门第一时间掌握可能存在的流行病爆发危险，提前做好相应的预防措施。间接提高了流行病监控的效果和可靠程度。
在一种实施方式中，云平台系统2包括数据接收模块21、流行病传播模型建立模块22、预测分析模块23；
数据接收模块21用于接收由医疗信息系统1发送的流行病监控数据，其中流行病监控数据包括一种或多种流行病的监控数据，其中包括各种流行病在不同时间节点的新增病例数；
流行病传播模型建立模块22用于根据流行病监控数据建立基于动态人口接触网络的流行病传播模型，或者根据新接收的流行病监控数据对流行病传播模型进行更新；
预测分析模块23，用于根据流行病传播模型对流行病传播爆发趋势进行预测，并对预测结果进行分析，输出分析结果。
上述实施方式中，能够根据一种或多种流行病监控数据，基于动态人口接触网络的流行病传播模型，从而再根据建立的流行病传播模型对多种流行病的传播爆发趋势进行预测，通过少量数据实现覆盖面全的流行病传播爆发去测，提高了流行病监控的适应性。
在一种实施方式中，参见图2，流行病传播模型建立模块22包括：
接触网络建模单元221，用于根据接收的流行病监控数据建立/更新动态人口接触网络；
传播模型建模单元222，基于动态人口接触网络以及流行病监控数据，构建针对不同流行病的传播模型。
在一种实施方式中，接触网络建模单元221，包括：
将待确定的动态人口接触网络表示为张量M∈RG×G×T的形式，其中动态人口接触网络的空间模式表示为空间RG×G×T的基底
动态人口接触网络的时间模式表示为基底的组合系数W＝(w1,…,wR)；
基于人口普查数据构建包含多个场景的虚拟社会，并基于虚拟场景计算各个场景中各虚拟个体之间的接触概率，构成动态人口接触网络的空间模式
根据一种或多种流行病监控数据以及相关的病理学参数，结合动态人口接触网络构建用于获取动态接触网络时间模式的优化目标函数，对该优化目标函数进行拟合参数优化，估计出动态人口接触网络的时间模式W＝(w1,…,wR)；
基于获取的动态人口接触网络的空间模式和时间模式建模最终动态人口接触网络。
在一种场景中，对张量M进行演化，能够准确模拟动态大规模人口接触网络。
在一种实施方式中，云平台系统2还包括数据库模块24，数据库模块24存储人口普查数据，供接触网络建模单元221调用。
同时，数据库模块24中也用于存储从医疗信息系统接收的流行病监控数据。
在一种场景中，动态人口接触网络的空间模式的构建方法，包括：
基于人口普查数据、公交信息卡数据、社区医院/诊所统计信息、无线传感器等多源数据，构建各个场景基底的接触结构。其中采用的人口普查数据主要包括如下信息：1)地理信息，包括行政区划分，家庭、学校、工作单位等的地理分布；2)人口统计信息，包括人口数、人口分布、年龄分布、性别比例等；3)家庭信息，包括家庭数量、组成、大小、户主信息等；4)就业信息，包括就业率、行业数量、行业分类、行业人数分布、工作区域分布等；5)教育信息，包括学校类型、学校数量、入学率、学校分布等。
首先构建一个虚拟社会，其中包含家庭、学校、工作、通勤、医院、公共场所等虚拟场景，然后计算各个亚人口之间在各个虚拟场景中的交互概率作为他们在不同场景下的接触概率。
虚拟行政区。根据人口普查数据中的行政区域划分和各个行政区内的人口统计数据，建立虚拟行政区，为每个虚拟行政区分配相应数量的虚拟个体；根据各个行政区性别比例和年龄分布数据，为各虚拟行政区中的虚拟个体指定性别和年龄。
虚拟家庭。根据各行政区家庭户数统计数量为每个虚拟行政区分配相应数量的家庭。根据户主年龄分布、家庭成员数量和家庭组成结构等统计数量将每个虚拟个体分配到不同的虚拟家庭中。
虚拟校园。根据各行政区包含学校数量和种类的统计数据，为每个虚拟行政区分配相应数量和种类的学校。根据学校类型、人数、位置及就读率等统计数据为每个适龄虚拟个体分配就读学校。
虚拟工作场所。依据各行政区的就业率数据将适龄虚拟个体指定为就业或赋闲状态。根据工作区域与生活区域的联合分布数据为就业个体分配虚拟工作区域，根据行业类型和个体年龄的联合分布数据为就业个体指定虚拟工作类型。
虚拟通勤轨迹。根据交信息卡数据，从中得到每张交通信息卡的移动路线，进而根据交通信息卡的注册资料，为每个虚拟个体构造出相应的虚拟通勤轨迹。
虚拟社区医院和诊所。根据各行政区社区医院和诊所基本统计信息(如位置分布、客户年龄分布等信息)，将各虚拟行政区中的个体分配到不同的虚拟医院和诊所中。
通过以上步骤，构建包含行政区、家庭、校园、工作场所、通勤轨迹、社会医院6个基本社会场景的虚拟社会。其中，虚拟社会中每个个体被指定了年龄、性别、学校、职业、通勤、社会医院等与接触行为相关的基本特征。
其中采用复合人口模型表示不同场景下的接触结构。依据个体年龄，每5岁一组，将0到85岁的个体划分为17个年龄组中，将85岁以上的个体划分到第18个年龄组中。将每个场景的群体接触结构建模为一个18×18的二位矩阵，描述不同年龄组之间的接触概率。其中不同场景内各年龄组之间的接触概率由以下函数获得：
式中，
表示年龄组u和年龄组v之间的接触概率，nu,nv分别表示场景r中年龄组u和年龄组v中的人数，对于年龄组u中的个体i，
表示i所在的场景r中的总人数，
表示i所在场景r中年龄组v中的人数。
在一种实施方式中，云平台系统还与公交信息卡采集系统、医院信息采集系统以及人口普查数据库连接，其中，公交信息卡采集系统用于获取公交信息卡数据；医院信息采集系统用于获取医院中的人群接触数据；人口普查数据库用于获取人口普查数据。
在一种实施方式中，接触网络建模单元221中，根据一种或多种流行病监控数据以及相关的病理学参数，结合动态人口接触网络构建用于获取动态接触网络时间模式的优化目标函数；其中构建的优化目标函数包括：
其中
U和V满足
式中，N表示流行病监控数据中的流行病种类数，T表示流行病监控数据所对应时间窗的长度，
表示流行病监控数据中第i种流行病在t时刻不同年龄组的新增病例数，P表示总人口数，Ai和Ci分别表示第i种流行病中两个基本的流行病学参数，分别表示未感染者的易感程度和已感染者的感染能力，Ur和Vr表示虚拟场景r下的特征矩阵，其中
Ur和Vr∈RG，即
和
表示各虚拟场景的特征矩阵；
表示t'时刻虚拟场景r下的接触强度变化量，其中
为对wr的系数表示，
wr(t)表示t时刻r场景内的接触强度；
表示人口接触结构的时间模式的系数表示矩阵，Ω1,…,ΩR表示基底矩阵
中具有数据项的位置，ε表示松弛参数，
表示r场景下年龄组u和年龄组v之间的接触概率；
采用参数优化算法优化上述目标函数，估计出优化参数U，V，
并将获取的
作为动态人口接触网络的时间模式。
在一种实施方式中，接触网络建模单元221中，采用参数优化算法优化上述目标函数，估计出优化参数U，V，
包括：
根据动态人口接触网络时间模式的优化目标函数以及约束条件构造一个Lagrange方程：
式中，L表示构造的Lagrange方程，αr表示针对不同场景下特征向量的约束系数，γ和ρ约束条件的约束系数；
采用Lasso稀疏优化技术针对上述Lagrange方程构造优化算法；在该优化过程中，需要计算L关于各变量的偏导数
和
而在计算上述偏导数时，需要计算流行病模型集合F中各个流行病模型关于它们的偏导数
和
令
是各流行病模型集合F基于U，V，
所产生的模拟数据。在计算偏导数
和
会用到
的值，于是这些偏导数可以表示成与
有关的形式：
基于以上分析，可得到一个基于流行病模型的双重迭代稀疏优化算法。在一重迭代中，基于当前的参数U，V，
模拟N种流行病爆发，产生模拟数据
在另一重迭代中，基于新产生的模拟数据
计算L关于各变量的偏导数
和
进而采用Lasso技术处理L以更新参数U，V，
重复执行以上过程直到收敛。获取最终输出的优化参数
上述优化参数算法具有更好的收敛性，能够提高获取优化参数
的可靠性。
进一步地，根据获取的动态人口接触网络的空间模式和时间模式构建动态人口接触网络M。
在一种实施方式中，流行病传播模型建立模块22中的传播模型建模单元222，基于动态人口接触网络以及流行病监控数据，构建针对不同流行病的传播模型，进一步包括：
其中采用的流行病传播模型为：
It＝KtIt-1＝StABtCIt-1
式中，向量It表示t时刻各个年龄组的新增病例数，K表示再生矩阵，向量It和对角矩阵St分别表示t时刻的感染人数和尚未被感染的易感人数。矩阵A和C表示两个基本的流行病学参数，分别表示未感染者的易感程度和已感染者的感染能力。Bt表示t时刻的接触矩阵，表示接触网络中各群体之间的接触概率，其中所述接触矩阵与动态人口接触网络M对应。
采用不同流行病的流行病学参数，结合动态人口接触网络M，以上述流行病传播模型为基础，构建针对不同种类流行病的流行病传播模型，通过模型能够对不同种类流行病的传播爆发趋势进行预测。
在一种实施方式中，参见图3，数据库模块24还包括管理模块241，管理模块241用于对数据库模块24中的人口普查数据进行管理；
其中管理模块241还包括身份验证单元242，身份验证单元242用于对管理员身份信息进行验证，在通过验证后允许登录管理模块241及访问数据库模块24。
在一种实施方式中，身份验证单元242还包括人脸识别单元243，人脸识别单元243用于接收由管理终端采集的人脸图像信息，并根据接收的人脸图像信息与数据库中预存的管理员人脸图像信息进行比对，当比对相似度大于设定的阈值时，输出验证通过结果。
在一种实施方式中，人脸识别单元243包括：
接收单元244，用于接收由管理终端采集的人脸图像；
预处理单元245，用于对人脸图像进行增强去噪处理，输出预处理后的人脸图像；
分割单元246，用于对预处理后的人脸图像进行边缘检测并分割出图像中的人脸区域；
特征提取单元247，用于对人脸区域进行特征提取处理，输出人脸特征参数；
比对单元248，用于根据人脸特征参数与数据库中预存的管理员人脸特征参数进行比对，当相似度大于设定的阈值时，输出验证通过结果。
上述实施方式中，针对数据库模块24中存储有人口普查数据和流行病监控数据，为了保证数据的保密性，本发明进一步在数据库模块24中设置有基于人脸图像验证的管理员身份验证单元242，能够避免数据库模块24中涉及隐私的数据泄露，提高了本发明系统的数据安全性。
在一种实施方式中，预处理单元245，进一步包括：
将接收的人脸图像进由RGB颜色空间转换到HSV空间，分别获取人脸图像的色调分量子图H，饱和度分量子图S和明度分量子图V；
对获取的明度分量子图V进行L个维度的Retinex分解，其中每个维度下采用不同的尺度参数对明度分量子图V进行Retinex分解，获取不同维度下的Retinex分解的反射子图；
其中采用的Retinex分解函数为：
log Ri(x,y)＝log V(x,y)-log(Fi(x,y)*V(x,y))
式中，Ri(x,y)表示第i个维度下的反射子图Ri中像素点(x,y)的反射值，i＝1,2,…,L，V(x,y)表示明度分量子图中像素点(x,y)的明度，Fi(x,y)表示第i个维度下的Retinex分解核函数，“*”表示卷积处理，其中
ci表示第i个维度下Retinex分解尺度参数，其中ci＝-0.26i3+7.37i2+8.16i-13.68；
采用设定的小波基和分解层数对各反射子图Ri进行小波分解，获取各反射子图Ri的高频分量和低频分量；
将各反射子图得到低频分量和高频分量取最大值后进行小波重构，获取增强处理后的明度分量子图V′；
根据色调分量子图H，饱和度分量子图S和增强处理后的明度分量子图V′进行重构，输出增强处理后的人脸图像。
在基于管理员人脸图像的身份验证中，针对管理终端获取的人脸图像通常亮度不能得到保证，而人脸图像的亮度是造成身份信息误判最关键的因素之一；因此，上述实施方式中，首先将人脸图像转换到HSV空间中，然后对明度分量子图进行专门性的增强处理，在获取明度分量子图后，通过采用不同尺度参数进行Retinex分解，获取多个反射子图；同时分别对反射子图进行小波分解，在各反射子图分解得到的高频分量和低频分量中，分别选取最大值的高频分量和低频分量进行重构出增强后的明度分量子图，并进一步重构出增强后的人脸图像，上述增强处理能够有效地增加了图像中细节信息的表现能力，从而增加了人脸图像对亮度的适应性。
在一种实施方式中，预处理单元245中，还包括：
对各反射子图小波分解获取的高频分量进行阈值处理，其中采用的阈值函数为：
式中，wl,j,k表示第l个反射子图的第j层第k个高频分量，
表示阈值处理后的第l个反射子图的第j层第k个高频分量，η和δ表示设定的平滑调节系数，Z表示设定的阈值，J表示小波分解的层数；
将各反射子图得到低频分量和阈值处理后的高频分量取最大值后进行小波重构，获取增强处理后的明度分量子图V′。
针对人脸图像中可能存在的脉冲噪声点的影响，从而影响人脸图像身份验证的准确性。本发明上述实施方式中，在对不同反射子图进行小波分解之后，还进一步对获取的高频分量进行阈值处理，进一步去除高频分量中包含的噪声影响。其中采用上述阈值函数，能够根据小波分解的层数自适应地调节阈值处理强度，从而避免了传统阈值函数中“过处理”的情况，进一步提高了人脸图像的增强效果。
在一种实施方式中，其中阈值Z由如下函数获得：
式中，Z(j)表示对第j层高频分量进行阈值处理时采用的阈值，C表示第j层高频分量的长度，wl,j表示第l个反射子图的第j层高频分量的标准方差。
上述实施方式中，针对不同的小波分解层数自适应地对阈值进行设置，能够进一步提高对高频分量阈值处理的适应性。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种基于云计算的流行病监控系统，其特征在于，包括：医疗信息系统和云平台系统，
医疗信息系统，用于获取实时登记的流行病监控数据，并传输至所述云平台系统；
云平台系统，用于接收所述流行病监控数据，根据该流行病监控数据建立流行病传播模型，并根据所述流行病传播模型模拟流行病的传播爆发趋势，根据模拟结果计算流行病预警信息。
2.根据权利要求1所述的一种基于云计算的流行病监控系统，其特征在于，
所述云平台系统包括数据接收模块、流行病传播模型建立模块、预测分析模块；
所述数据接收模块用于接收由所述医疗信息系统发送的流行病监控数据，其中所述流行病监控数据包括一种或多种流行病的监控数据，其中包括各种流行病在不同时间节点的新增病例数；
所述流行病传播模型建立模块用于根据所述流行病监控数据建立基于动态人口接触网络的流行病传播模型，或者根据新接收的所述流行病监控数据对流行病传播模型进行更新；
所述预测分析模块，用于根据所述流行病传播模型对流行病传播爆发趋势进行预测，并对预测结果进行分析，输出分析结果。
3.根据权利要求2所述的一种基于云计算的流行病监控系统，其特征在于，所述流行病传播模型建立模块包括：
接触网络建模单元，用于根据接收的流行病监控数据建立/更新所述动态人口接触网络；
传播模型建模单元，基于所述动态人口接触网络以及所述流行病监控数据，构建针对不同流行病的传播模型。
4.根据权利要求3所述的一种基于云计算的流行病监控系统，其特征在于，所述接触网络建模单元，包括：
将待确定的动态人口接触网络表示为张量M∈RG×G×T的形式，其中动态人口接触网络的空间模式表示为空间RG×G×T的基底
动态人口接触网络的时间模式表示为基底的组合系数W＝(w1,…,wR)；
基于人口普查数据构建包含多个场景的虚拟社会，并基于所述虚拟场景计算各个场景中各虚拟个体之间的接触概率，构成所述动态人口接触网络的空间模式
根据一种或多种流行病监控数据以及相关的病理学参数，结合动态人口接触网络构建用于获取动态接触网络时间模式的优化目标函数，对该优化目标函数进行拟合参数优化，估计出所述动态人口接触网络的时间模式W＝(w1,…,wR)；
基于获取的所述动态人口接触网络的空间模式和时间模式建模最终动态人口接触网络；
以及
所述云平台系统还包括数据库模块，所述数据库模块存储所述人口普查数据，供所述接触网络建模单元调用。
5.根据权利要求4所述的一种基于云计算的流行病监控系统，其特征在于，所述接触网络建模单元中，根据一种或多种流行病监控数据以及相关的病理学参数，结合动态人口接触网络构建用于获取动态接触网络时间模式的优化目标函数；其中构建的优化目标函数包括：
其中
U和V满足
式中，N表示流行病监控数据中的流行病种类数，T表示流行病监控数据所对应时间窗的长度，
表示流行病监控数据中第i种流行病在t时刻不同年龄组的新增病例数，P表示总人口数，Ai和Ci分别表示第i种流行病中两个基本的流行病学参数，分别表示未感染者的易感程度和已感染者的感染能力，Ur和Vr表示虚拟场景r下的特征矩阵，其中
Ur和Vr∈RG，即
和
表示各虚拟场景的特征矩阵；
表示t'时刻虚拟场景r下的接触强度变化量，其中
为对wr的系数表示，
wr(t)表示t时刻r场景内的接触强度；
表示人口接触结构的时间模式的系数表示矩阵，Ω1,…,ΩR表示基底矩阵
中具有数据项的位置，ε表示松弛参数，
表示r场景下年龄组u和年龄组v之间的接触概率；
采用参数优化算法优化上述目标函数，估计出优化参数U，V，
并将获取的
作为所述动态人口接触网络的时间模式。
6.根据权利要求4所述的一种基于云计算的流行病监控系统，其特征在于，所述数据库模块还包括管理模块，所述管理模块用于对数据库模块中的人口普查数据进行管理；
其中所述管理模块还包括身份验证单元，所述身份验证单元用于对管理员身份信息进行验证，在通过验证后允许登录所述管理模块及访问所述数据库模块。
7.根据权利要求6所述的一种基于云计算的流行病监控系统，其特征在于，所述身份验证单元还包括人脸识别单元，所述人脸识别单元用于接收由管理终端采集的人脸图像信息，并根据接收的人脸图像信息与数据库中预存的管理员人脸图像信息进行比对，当比对相似度大于设定的阈值时，输出验证通过结果。
8.根据权利要求7所述的一种基于云计算的流行病监控系统，其特征在于，所述人脸识别单元包括：
接收单元，用于接收由管理终端采集的人脸图像；
预处理单元，用于对所述人脸图像进行增强去噪处理，输出预处理后的人脸图像；
分割单元，用于对预处理后的人脸图像进行边缘检测并分割出图像中的人脸区域；
特征提取单元，用于对人脸区域进行特征提取处理，输出人脸特征参数；
比对单元，用于根据所述人脸特征参数与数据库中预存的管理员人脸特征参数进行比对，当相似度大于设定的阈值时，输出验证通过结果。
9.根据权利要求8所述的一种基于云计算的流行病监控系统，其特征在于，所述预处理单元，进一步包括：
将所述接收的人脸图像进由RGB颜色空间转换到HSV空间，分别获取人脸图像的色调分量子图H，饱和度分量子图S和明度分量子图V；
对获取的明度分量子图V进行L个维度的Retinex分解，其中每个维度下采用不同的尺度参数对明度分量子图V进行Retinex分解，获取不同维度下的Retinex分解的反射子图；
其中采用的Retinex分解函数为：
log Ri(x,y)＝log V(x,y)-log(Fi(x,y)*V(x,y))
式中，Ri(x,y)表示第i个维度下的反射子图Ri中像素点(x,y)的反射值，i＝1,2,…,L，V(x,y)表示明度分量子图中像素点(x,y)的明度，Fi(x,y)表示第i个维度下的Retinex分解核函数，“*”表示卷积处理，其中
ci表示第i个维度下Retinex分解尺度参数，其中ci＝-0.26i3+7.37i2+8.16i-13.68；
采用设定的小波基和分解层数对各反射子图Ri进行小波分解，获取各反射子图Ri的高频分量和低频分量；
将各反射子图得到低频分量和高频分量取最大值后进行小波重构，获取增强处理后的明度分量子图V′；
根据色调分量子图H，饱和度分量子图S和增强处理后的明度分量子图V′进行重构，输出增强处理后的人脸图像。
10.根据权利要求9所述的一种基于云计算的流行病监控系统，其特征在于，所述预处理单元中，还包括：
对各反射子图小波分解获取的高频分量进行阈值处理，其中采用的阈值函数为：
式中，wl,j,k表示第l个反射子图的第j层第k个高频分量，
表示阈值处理后的第l个反射子图的第j层第k个高频分量，η和δ表示设定的平滑调节系数，Z表示设定的阈值，J表示小波分解的层数；
将各反射子图得到低频分量和阈值处理后的高频分量取最大值后进行小波重构，获取增强处理后的明度分量子图V′。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010067449.5A CN111081383A (zh) | 2020-01-20 | 2020-01-20 | 一种基于云计算的流行病监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010067449.5A CN111081383A (zh) | 2020-01-20 | 2020-01-20 | 一种基于云计算的流行病监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111081383A true CN111081383A (zh) | 2020-04-28 |
Family
ID=70323972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010067449.5A Pending CN111081383A (zh) | 2020-01-20 | 2020-01-20 | 一种基于云计算的流行病监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111081383A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111885181A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技（深圳）有限公司 | 监控数据上报方法、装置、计算机设备及存储介质 |
| CN112037930A (zh) * | 2020-11-02 | 2020-12-04 | 平安科技（深圳）有限公司 | 一种传染病预测设备、方法、装置及存储介质 |
| CN112992372A (zh) * | 2021-03-09 | 2021-06-18 | 深圳前海微众银行股份有限公司 | 疫情风险监测方法、装置、设备、存储介质及程序产品 |
| CN113362962A (zh) * | 2021-06-07 | 2021-09-07 | 中国疾病预防控制中心病毒病预防控制所 | 一种流行病学数据集成系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140236613A1 (en) * | 2013-02-15 | 2014-08-21 | Battelle Memorial Institute | Use of web-based symptom checker data to predict incidence of a disease or disorder |
| CN105335604A (zh) * | 2015-08-31 | 2016-02-17 | 吉林大学 | 面向流行病防控的人口动态接触结构建模与发现方法 |
| CN107092876A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 基于Retinex与S‑SIFT特征结合的低照度车型识别方法 |
| CN107967578A (zh) * | 2017-12-28 | 2018-04-27 | 重庆厚盾安全技术有限公司 | 智慧城市公共安全大数据预警平台 |
| CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
| CN109508526A (zh) * | 2018-12-13 | 2019-03-22 | 广州益牛科技有限公司 | 一种基于人脸识别的计算机解锁装置 |
| CN110600139A (zh) * | 2019-10-25 | 2019-12-20 | 甘肃大禹九洲空间信息科技有限公司 | 一种基于gis的区域性人口传染病预警方法 |
-
2020
- 2020-01-20 CN CN202010067449.5A patent/CN111081383A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140236613A1 (en) * | 2013-02-15 | 2014-08-21 | Battelle Memorial Institute | Use of web-based symptom checker data to predict incidence of a disease or disorder |
| CN105335604A (zh) * | 2015-08-31 | 2016-02-17 | 吉林大学 | 面向流行病防控的人口动态接触结构建模与发现方法 |
| CN107092876A (zh) * | 2017-04-12 | 2017-08-25 | 湖南源信光电科技股份有限公司 | 基于Retinex与S‑SIFT特征结合的低照度车型识别方法 |
| CN107967578A (zh) * | 2017-12-28 | 2018-04-27 | 重庆厚盾安全技术有限公司 | 智慧城市公共安全大数据预警平台 |
| CN108417274A (zh) * | 2018-03-06 | 2018-08-17 | 东南大学 | 流行病预测方法、系统及设备 |
| CN109508526A (zh) * | 2018-12-13 | 2019-03-22 | 广州益牛科技有限公司 | 一种基于人脸识别的计算机解锁装置 |
| CN110600139A (zh) * | 2019-10-25 | 2019-12-20 | 甘肃大禹九洲空间信息科技有限公司 | 一种基于gis的区域性人口传染病预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张国伟: "基于小波变换的图像去噪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 郝凡凡，吴粉侠: "基于提升小波和直方图均衡化的MSR Retinex多参数融合方法的真彩色图像增强", 《无线互联科技》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111885181A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技（深圳）有限公司 | 监控数据上报方法、装置、计算机设备及存储介质 |
| CN111885181B (zh) * | 2020-07-28 | 2023-02-28 | 平安科技（深圳）有限公司 | 监控数据上报方法、装置、计算机设备及存储介质 |
| CN112037930A (zh) * | 2020-11-02 | 2020-12-04 | 平安科技（深圳）有限公司 | 一种传染病预测设备、方法、装置及存储介质 |
| CN112037930B (zh) * | 2020-11-02 | 2021-02-05 | 平安科技（深圳）有限公司 | 一种传染病预测设备、方法、装置及存储介质 |
| CN112992372A (zh) * | 2021-03-09 | 2021-06-18 | 深圳前海微众银行股份有限公司 | 疫情风险监测方法、装置、设备、存储介质及程序产品 |
| CN113362962A (zh) * | 2021-06-07 | 2021-09-07 | 中国疾病预防控制中心病毒病预防控制所 | 一种流行病学数据集成系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111081383A (zh) | 一种基于云计算的流行病监控系统 | |
| CN111403050A (zh) | 一种基于大数据的城市人口疾病监测系统 | |
| CN111145917B (zh) | 一种面向流行病防控的大规模人口接触网络建模方法 | |
| Centorrino et al. | Managing crowded museums: Visitors flow measurement, analysis, modeling, and optimization | |
| Mansour et al. | Unsupervised deep learning based variational autoencoder model for COVID-19 diagnosis and classification | |
| CN110163078A (zh) | 活体检测方法、装置及应用活体检测方法的服务系统 | |
| CN111063449A (zh) | 一种基于大数据的流行病预测防控系统 | |
| Lanitis et al. | Modeling the process of ageing in face images | |
| Vitale et al. | Analysis on the building of training dataset for deep learning SAR despeckling | |
| CN112651342B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| JP2023504662A (ja) | 脳機能地図を描画するための方法およびシステム | |
| CN109829072A (zh) | 构建图谱方法及相关装置 | |
| WO2022178946A1 (zh) | 黑色素瘤图像识别方法、装置、计算机设备及存储介质 | |
| Wang et al. | Predicting the epidemics trend of COVID-19 using epidemiological-based generative adversarial networks | |
| JP2023551514A (ja) | 生成的モデル予測における欠落している共変量からの不確実性を考慮する方法およびシステム | |
| CN113793196A (zh) | 一种基于云计算的电医生售电管理系统 | |
| CN110597628A (zh) | 模型分发方法、装置、计算机可读介质及电子设备 | |
| CN112580902B (zh) | 对象数据处理方法、装置、计算机设备和存储介质 | |
| CN109948439A (zh) | 一种活体检测方法、系统及终端设备 | |
| Anderson et al. | Bayesian cluster detection via adjacency modelling | |
| Lanitis et al. | Towards automatic face identification robust to ageing variation | |
| CN112820415A (zh) | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 | |
| CN114782998A (zh) | 骨架关节点增强的异常行为识别方法、系统、设备及介质 | |
| Zhang et al. | Learning from multiple annotators for medical image segmentation | |
| CN111275059B (zh) | 一种图像处理方法、装置和计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
| RJ01 | Rejection of invention patent application after publication |