CN111403050A - 一种基于大数据的城市人口疾病监测系统 - Google Patents
一种基于大数据的城市人口疾病监测系统 Download PDFInfo
- Publication number
- CN111403050A CN111403050A CN202010253204.1A CN202010253204A CN111403050A CN 111403050 A CN111403050 A CN 111403050A CN 202010253204 A CN202010253204 A CN 202010253204A CN 111403050 A CN111403050 A CN 111403050A
- Authority
- CN
- China
- Prior art keywords
- data
- epidemic
- disease monitoring
- population
- module
- 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.)
- Withdrawn
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 132
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 132
- 238000012544 monitoring process Methods 0.000 title claims abstract description 105
- 238000012800 visualization Methods 0.000 claims abstract description 17
- 230000007480 spreading Effects 0.000 claims abstract description 6
- 208000037919 acquired disease Diseases 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 9
- 230000001575 pathological effect Effects 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000003623 enhancer Substances 0.000 claims description 5
- 208000015181 infectious disease Diseases 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000036961 partial effect Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 206010022000 influenza Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 201000006082 Chickenpox Diseases 0.000 description 1
- 201000005505 Measles Diseases 0.000 description 1
- 208000005647 Mumps Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010046980 Varicella Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 208000010805 mumps infectious disease Diseases 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据的城市人口疾病监测系统,包括:地区医疗信息系统,分布在城市的各个行政区中,用于实时获取行政区的流行病监控数据;大数据模块,用于获取城市人口普查数据和历史流行病监控数据;疾病监测模块,用于根据实时获取的流行病监控数据和流行病预测模型预测流行病的传播爆发趋势;可视化模块,用于根据城市行政区划分信息以及城市人口普查数据构建虚拟城市地图,并将获取的各行政区疾病监测数据以及预测的流行病传播爆发趋势信息整合到虚拟城市地图中并进行可视化展示。本发明能够准确预测流行病传播数据,并提高了监测系统对数据展示的多样性。
Description
技术领域
本发明涉及智能交互技术领域,特别是一种基于大数据的城市人口疾病监测系统。
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,针对城市人口流行病的监测系统通常功能较为单一,无法满足现代社会对疾病检测系统的需要。
发明内容
针对上述问题,本发明旨在提供一种基于大数据的城市人口疾病监测系统。
本发明的目的采用以下技术方案来实现:
提出一种基于大数据的城市人口疾病监测系统,包括:地区医疗信息系统、大数据模块、疾病监测模块和可视化模块;其中,
地区医疗信息系统分布在城市的各个行政区中,用于实时获取行政区的流行病监控数据,其中流行病监控数据包括各类流行病的新增患病数;
大数据模块,用于获取城市人口普查数据和历史流行病监控数据,其中人口普查数据包括各行政区的人口普查信息,历史流行病监控数据包括该城市的流行病监控历史数据;
疾病监测模块,用于根据流行病监控历史数据建立流行病预测模型,并根据实时获取的流行病监控数据和流行病预测模型预测流行病的传播爆发趋势;
可视化模块,用于根据城市行政区划分信息以及城市人口普查数据构建虚拟城市地图,并将获取的各行政区疾病监测数据以及预测的流行病传播爆发趋势信息整合到虚拟城市地图中并进行可视化展示。
在一种实施方式中,地区医疗信息系统设置在医疗机构中,当医疗机构中确诊新增流行病患者时,地区医疗信息系统获取该新增流行病患者信息,并将一个时间段内统计的流行病检测数据发送到疾病检测模块。
在一种实施方式中,疾病监测模块中,根据流行病监控历史数据建立流行病预测模型,其中采用的流行病传播模型为:
It=StABtCIt-1
式中,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时刻的人口接触网络,其中人口接触网络表示各人群之间的接触概率。
在一种实施方式中,疾病检测模块中,还包括:根据人口普查数据和流行病监控历史数据构建人口接触网络,包括:将待确定的人口接触网络表示为张量M∈RG的形式,其中人口接触网络的空间模式表示为空间RG的基底人口接触网络的时间模式表示为基底的组合系数W=(w1,...,;
根据历史流行病监控数据以及相关的病理学参数获取动态接触网络时间模式的优化目标函数,并对该优化目标函数进行拟合参数优化,估计出人口接触网络的时间模式 W=(w1,...,wR);
基于获取的人口接触网络的空间模式和时间模式建模最终人口接触网络。
在一种实施方式中,疾病检测模块中,根据历史流行病监控数据以及相关的病理学参数获取动态接触网络时间模式的优化目标函数为:
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;
在一种实施方式中,大数据模块还包括管理单元,管理单元用于对大数据模块中存储的数据进行管理,其中包括对大数据模块中存储的数据进行查询、分类、修改、删除处理。
在一种实施方式中,管理单元还包括身份验证单元,身份验证单元用于获取用户登录信息,并对该用户登录信息进行身份验证,当身份验证通过后获取用户相应的数据库模块管理权限。
在一种实施方式中,身份验证单元进一步包括:
登录信息验证子单元,用于获取用户登录信息,其中包括用户名和用户密码,并对接收的登录信息进行验证,输出登录信息验证结果;
语音验证子单元,用于当登录信息验证结果为正确时进一步获取用户语音信号,并根据获取的用户语音信号与该用户预存的语音信号记性比对,当比对相似度大于设定的阈值时,输出身份验证结果为正确。
在一种实施方式中,语音验证子单元包括:
语音获取子单元,用于获取用户语音信号;
语音增强子单元,用于对获取的用户语音信号进行增强处理,输出增强后的用户语音信号;
语音检测子单元,用于对增强后的用户语音信号进行端点检测,获取该增强后的用户语音信号的有声部分;
语音特征提取子单元,用于对有声部分进行特征提取处理,获取该有声部分的语音特征参数;
语音匹配子单元,用于根据语音特征参数与该用户预存的语音特征参数进行比对,当相似度大于设定的阈值时,输出语音验证结果以及身份验证结果为正确。
本发明的有益效果为:1)本发明系统通过在城市各区域的地区医疗信息系统采集各行政区的流行病监控数据,并发送到监测系统中进行汇总,能够有助于对实时的流行病监控数据进行统计和管理;疾病监测模块根据流行病监控历史数据自适应地建立流行病预测模型,并将实时获取的流行病监控数据输入到流行病预测模型,对城市的流行病传播趋势进行预测,能够有助于对流行病的传播进行提前的估计,进而制定相应的预防措施。可视化模块根据现实的城市划分信息构建虚拟城市地图,并将获取的流行病预测监测数据和预测数据整合到虚拟城市地图中进行可视化展示,提高了监测系统对数据展示的多样性。
2)本发明通过张量模式对人口接触网络进行建模,并根据大数据模块中的数据构建虚拟社会并构建空间基底,同时根据疾病监控数据和病理学参数获取基底的组合系数,对人口接触网络进行建模,能够有效地提高人口接触网络的可靠性和适应性。
3)针对大数据模块中存有隐私信息,因此本发明中还设置有管理人身份验证单元对大数据模块中的数据的访问进行权限管理,并提出结合语音识别的方式对管理员进行身份验证,从而提高了本发明系统中数据的安全性。
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。
附图标记:
地区医疗信息系统1、大数据模块2、疾病监测模块3、可视化模块4。
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,其示出一种基于大数据的城市人口疾病监测系统,包括:地区医疗信息系统1、大数据模块2、疾病监测模块3和可视化模块4;其中,
地区医疗信息系统1分布在城市的各个行政区中,用于实时获取行政区的流行病监控数据,其中流行病监控数据包括各类流行病的新增患病数;
大数据模块2,用于获取城市人口普查数据和历史流行病监控数据,其中人口普查数据包括各行政区的人口普查信息,历史流行病监控数据包括该城市的流行病监控历史数据;
疾病监测模块3,用于根据流行病监控历史数据建立流行病预测模型,并根据实时获取的疾病监测数据和流行病预测模型预测流行病的传播爆发趋势;
可视化模块4,用于根据城市行政区划分信息以及城市人口普查数据构建虚拟城市地图,并将获取的各行政区疾病监测数据以及预测的流行病传播爆发趋势信息整合到虚拟城市地图中并进行可视化展示。
本发明上述实施方式,通过在城市各区域的地区医疗信息系统采集各行政区的流行病监控数据,并发送到监测系统中进行汇总,能够有助于对实时的流行病监控数据进行统计和管理;疾病监测模块根据流行病监控历史数据自适应地建立流行病预测模型,并将实时获取的流行病监控数据输入到流行病预测模型,对城市的流行病传播趋势进行预测,能够有助于对流行病的传播进行提前的估计,进而制定相应的预防措施。可视化模块根据现实的城市划分信息构建虚拟城市地图,并将获取的流行病预测监测数据和预测数据整合到虚拟城市地图中进行可视化展示,提高了监测系统对数据展示的多样性。
在一种实施方式中,可视化模块中构建的虚拟城市地图,其上展示的数据包括,城市各行政区的人口普查数据,各行政区流行病监控数据,各行政区流行病传播预测数据等。
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。
在一种实施方式中,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。
在一种实施方式中,地区医疗信息系统1设置在医疗机构中,当医疗机构中确诊新增流行病患者时,地区医疗信息系统1获取该新增流行病患者信息,并将一个时间段内统计的流行病检测数据发送到疾病检测模块。
在一种实施方式中,疾病监测模块3中,根据流行病监控历史数据建立流行病预测模型,其中采用的流行病传播模型为:
It=StABtCIt-1
式中,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时刻的人口接触网络,其中人口接触网络表示各人群之间的接触概率。
在一种实施方式中,疾病检测模块中,还包括:根据人口普查数据和流行病监控历史数据构建人口接触网络,包括:将待确定的人口接触网络表示为张量M∈RG的形式,其中人口接触网络的空间模式表示为空间RG的基底人口接触网络的时间模式表示为基底的组合系数W=(w1,...,;
根据历史流行病监控数据以及相关的病理学参数获取动态接触网络时间模式的优化目标函数,并对该优化目标函数进行拟合参数优化,估计出人口接触网络的时间模式 W=(w1,...,wR);
基于获取的人口接触网络的空间模式和时间模式建模最终人口接触网络。
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,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:
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,疾病检测模块中,根据历史流行病监控数据以及相关的病理学参数获取动态接触网络时间模式的优化目标函数为:
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;
在一种实施方式中,采用参数优化算法优化上述目标函数,估计出优化参数,,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。
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,大数据模块2还包括管理单元,管理单元用于对大数据模块 2中存储的数据进行管理,其中包括对大数据模块2中存储的数据进行查询、分类、修改、删除处理。
在一种实施方式中,管理单元还包括身份验证单元,身份验证单元用于获取用户登录信息,并对该用户登录信息进行身份验证,当身份验证通过后获取用户相应的数据库模块管理权限。
在一种实施方式中,身份验证单元进一步包括:
登录信息验证子单元,用于获取用户登录信息,其中包括用户名和用户密码,并对接收的登录信息进行验证,输出登录信息验证结果;
语音验证子单元,用于当登录信息验证结果为正确时进一步获取用户语音信号,并根据获取的用户语音信号与该用户预存的语音信号记性比对,当比对相似度大于设定的阈值时,输出身份验证结果为正确。
针对大数据模块中存有隐私信息(如人口普查数据,流行病监控历史数据,获取的流行病监控数据等),因此本发明中还设置有管理人身份验证单元对大数据模块2中的数据的访问进行权限管理,并提出结合语音识别的方式对管理员进行身份验证,从而提高了本发明系统中数据的安全性。
在一种实施方式中,语音验证子单元包括:
语音获取子单元,用于获取用户语音信号;
语音增强子单元,用于对获取的用户语音信号进行增强处理,输出增强后的用户语音信号;
语音检测子单元,用于对增强后的用户语音信号进行端点检测,获取该增强后的用户语音信号的有声部分;
语音特征提取子单元,用于对有声部分进行特征提取处理,获取该有声部分的语音特征参数;
语音匹配子单元,用于根据语音特征参数与该用户预存的语音特征参数进行比对,当相似度大于设定的阈值时,输出语音验证结果以及身份验证结果为正确。
在一种实施方式中,语音增强子单元,对获取的用户语音信号进行增强处理,包括:
对获取的用户语音信号进行提升小波分解,获取不同尺度下的高频小波系数和低频小波系数;
对获取的每个尺度的高频小波系数进行阈值处理,获取阈值处理后的高频小波系数;
根据不同尺度下的阈值处理后的高频小波系数,与低频小波系数进行小波重构,输出增强后的用户语音信号;
其中,对不同尺度的高频小波系数进行阈值处理,采用的改进阈值函数为:
式中,|y(j,k)|表示阈值处理前的第j尺度第k个高频小波系数,W表示设定的阈值,med|y(j)|表示第j尺度下高频小波系数的中值,L表示高频小波系数的长度,α和τ分别表示设定的平滑因子,其中0<α<1,0<τ<1,sgn(·)表示符号函数。
本发明上述实施方式,采用上述的方式对语音信号小波分解后的高频小波系数进行阈值处理,能够自适应地根据高频小波系数的特性,根据设定的阈值调节处理的程度,能够最大限度的保留高频小波系数中包含的特征信息,为后续对用户语音信号做进一步识别处理奠定了基础。
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)
1.一种基于大数据的城市人口疾病监测系统,其特征在于,包括:地区医疗信息系统、大数据模块、疾病监测模块和可视化模块;其中,
所述地区医疗信息系统分布在城市的各个行政区中,用于实时获取行政区的流行病监控数据,其中所述流行病监控数据包括各类流行病的新增患病数;
所述大数据模块,用于获取城市人口普查数据和历史流行病监控数据,其中所述人口普查数据包括各行政区的人口普查信息,所述历史流行病监控数据包括该城市的流行病监控历史数据;
所述疾病监测模块,用于根据所述流行病监控历史数据建立流行病预测模型,并根据所述实时获取的流行病监控数据和流行病预测模型预测流行病的传播爆发趋势;
所述可视化模块,用于根据城市行政区划分信息以及所述城市人口普查数据构建虚拟城市地图,并将所述获取的各行政区疾病监测数据以及预测的流行病传播爆发趋势信息整合到所述虚拟城市地图中并进行可视化展示。
2.根据权利要求1所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述地区医疗信息系统设置在医疗机构中,当医疗机构中确诊新增流行病患者时,所述地区医疗信息系统获取该新增流行病患者信息,并将一个时间段内统计的流行病检测数据发送到所述疾病检测模块。
3.根据权利要求1所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述疾病监测模块中,根据所述流行病监控历史数据建立流行病预测模型,其中采用的流行病传播模型为:
It=StABtCIt-1
式中,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时刻的人口接触网络,其中所述人口接触网络表示各人群之间的接触概率。
4.根据权利要求3所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述疾病检测模块中,还包括:根据所述人口普查数据和流行病监控历史数据构建所述人口接触网络,包括:将待确定的所述人口接触网络表示为张量M∈RG×G×T的形式,其中人口接触网络的空间模式表示为空间RG×G×T的基底人口接触网络的时间模式表示为基底的组合系数W=(w1,…,wR);
根据历史流行病监控数据以及相关的病理学参数获取动态接触网络时间模式的优化目标函数,并对该优化目标函数进行拟合参数优化,估计出人口接触网络的时间模式W=(w1,…,wR);
基于获取的人口接触网络的空间模式和时间模式建模最终人口接触网络。
5.根据权利要求4所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述疾病检测模块中,所述根据历史流行病监控数据以及相关的病理学参数获取动态接触网络时间模式的优化目标函数为:
其中
和满足
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;
6.根据权利要求1所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述大数据模块还包括管理单元,所述管理单元用于对大数据模块中存储的数据进行管理,其中包括对大数据模块中存储的数据进行查询、分类、修改、删除处理。
7.根据权利要求6所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述管理单元还包括身份验证单元,所述身份验证单元用于获取用户登录信息,并对该用户登录信息进行身份验证,当身份验证通过后获取用户相应的数据库模块管理权限。
8.根据权利要求7所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述身份验证单元进一步包括:
登录信息验证子单元,用于获取用户登录信息,其中包括用户名和用户密码,并对接收的登录信息进行验证,输出登录信息验证结果;
语音验证子单元,用于当登录信息验证结果为正确时进一步获取用户语音信号,并根据获取的用户语音信号与该用户预存的语音信号记性比对,当比对相似度大于设定的阈值时,输出身份验证结果为正确。
9.根据权利要求8所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述语音验证子单元包括:
语音获取子单元,用于获取用户语音信号;
语音增强子单元,用于对获取的用户语音信号进行增强处理,输出增强后的用户语音信号;
语音检测子单元,用于对增强后的用户语音信号进行端点检测,获取该增强后的用户语音信号的有声部分;
语音特征提取子单元,用于对所述有声部分进行特征提取处理,获取该有声部分的语音特征参数;
语音匹配子单元,用于根据所述语音特征参数与该用户预存的语音特征参数进行比对,当相似度大于设定的阈值时,输出语音验证结果以及身份验证结果为正确。
10.根据权利要求9所述的一种基于大数据的城市人口疾病监测系统,其特征在于,所述语音增强子单元,对获取的用户语音信号进行增强处理,包括:
1)对获取的用户语音信号进行提升小波分解,获取不同尺度下的高频小波系数和低频小波系数;
2)对获取的每个尺度的高频小波系数进行阈值处理,获取阈值处理后的高频小波系数;
3)根据不同尺度下的阈值处理后的高频小波系数,与低频小波系数进行小波重构,输出增强后的用户语音信号;
其中,对不同尺度的高频小波系数进行阈值处理,采用的改进阈值函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253204.1A CN111403050A (zh) | 2020-04-02 | 2020-04-02 | 一种基于大数据的城市人口疾病监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253204.1A CN111403050A (zh) | 2020-04-02 | 2020-04-02 | 一种基于大数据的城市人口疾病监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111403050A true CN111403050A (zh) | 2020-07-10 |
Family
ID=71431433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010253204.1A Withdrawn CN111403050A (zh) | 2020-04-02 | 2020-04-02 | 一种基于大数据的城市人口疾病监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111403050A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101706A (zh) * | 2020-07-30 | 2020-12-18 | 华南师范大学 | 城市协调发展度的可视化监测方法、装置及设备 |
CN113014643A (zh) * | 2021-02-24 | 2021-06-22 | 南京中兴维先信息技术有限公司 | 一种利用急救大数据的重大突发事件智能监测预警系统 |
CN113611429A (zh) * | 2021-05-12 | 2021-11-05 | 中国人民解放军军事科学院军事医学研究院 | 传染病的传播推演方法、装置及电子设备 |
CN114388137A (zh) * | 2021-12-31 | 2022-04-22 | 中国科学院深圳先进技术研究院 | 城市流感发病趋势预测方法、系统、终端以及存储介质 |
WO2022082993A1 (zh) * | 2020-10-23 | 2022-04-28 | 中国科学院深圳先进技术研究院 | 城市内部传染病时空扩散建模方法及系统 |
US20220406471A1 (en) * | 2021-06-21 | 2022-12-22 | International Business Machines Corporation | Pathogenic vector dynamics based on digital twin |
JP7310987B1 (ja) | 2022-06-22 | 2023-07-19 | 凸版印刷株式会社 | 情報処理サーバ、情報処理システム、情報処理方法、及びプログラム |
-
2020
- 2020-04-02 CN CN202010253204.1A patent/CN111403050A/zh not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101706A (zh) * | 2020-07-30 | 2020-12-18 | 华南师范大学 | 城市协调发展度的可视化监测方法、装置及设备 |
WO2022082993A1 (zh) * | 2020-10-23 | 2022-04-28 | 中国科学院深圳先进技术研究院 | 城市内部传染病时空扩散建模方法及系统 |
CN114496265A (zh) * | 2020-10-23 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 城市内部传染病时空扩散建模方法及系统 |
CN113014643A (zh) * | 2021-02-24 | 2021-06-22 | 南京中兴维先信息技术有限公司 | 一种利用急救大数据的重大突发事件智能监测预警系统 |
CN113611429A (zh) * | 2021-05-12 | 2021-11-05 | 中国人民解放军军事科学院军事医学研究院 | 传染病的传播推演方法、装置及电子设备 |
CN113611429B (zh) * | 2021-05-12 | 2024-06-07 | 中国人民解放军军事科学院军事医学研究院 | 传染病的传播推演方法、装置及电子设备 |
US20220406471A1 (en) * | 2021-06-21 | 2022-12-22 | International Business Machines Corporation | Pathogenic vector dynamics based on digital twin |
CN114388137A (zh) * | 2021-12-31 | 2022-04-22 | 中国科学院深圳先进技术研究院 | 城市流感发病趋势预测方法、系统、终端以及存储介质 |
JP7310987B1 (ja) | 2022-06-22 | 2023-07-19 | 凸版印刷株式会社 | 情報処理サーバ、情報処理システム、情報処理方法、及びプログラム |
JP2024001481A (ja) * | 2022-06-22 | 2024-01-10 | Toppanホールディングス株式会社 | 情報処理サーバ、情報処理システム、情報処理方法、及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111081383A (zh) | 一种基于云计算的流行病监控系统 | |
Ramos et al. | A simple but complex enough θ-SIR type model to be used with COVID-19 real data. Application to the case of Italy | |
Ronchi et al. | New approaches to evacuation modelling for fire safety engineering applications | |
Lukman et al. | COVID-19 prevalence estimation: Four most affected African countries | |
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 | |
CN113052333A (zh) | 基于联邦学习进行数据分析的方法及系统 | |
CN112820415B (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 | |
CN108363783B (zh) | Mac地址与身份信息的绑定方法及装置 | |
CN109829072A (zh) | 构建图谱方法及相关装置 | |
CN115409671B (zh) | 社区居民人口微观数据合成方法、装置、终端及存储介质 | |
Tu et al. | Epidemic contact tracing with campus WiFi network and smartphone-based pedestrian dead reckoning | |
CN111274710B (zh) | 一种基于游戏的核应急疏散出口选择行为模型的构建方法 | |
CN108537920A (zh) | 基于人脸识别的访客监控方法和系统 | |
CN117912717A (zh) | 一种公共卫生预警平台 | |
Gupta et al. | Impact of Weather Predictions on COVID‐19 Infection Rate by Using Deep Learning Models | |
Langerudi et al. | Health and transportation: small scale area association | |
JP2020067720A (ja) | 人属性推定システム、それを利用する情報処理装置及び情報処理方法 | |
CN115293770A (zh) | 一种基于离散信源融合分析技术的无感识别系统与方法 | |
CN113255462A (zh) | 步态评分方法、系统、计算机程序产品及可读存储介质 | |
Guerrieri et al. | Social distance evaluation in transportation systems and other public spaces using deep learning | |
Cristóbal et al. | Using Data Mining to Estimate Patterns of Contagion-Risk Interactions in an Intercity Public Road Transport System | |
CN113327684B (zh) | 基于兵棋推演的疫情模拟方法、装置及计算机可读介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200710 |