CN112233747A - 一种基于个人数字孪生网络数据分析方法及系统 - Google Patents

一种基于个人数字孪生网络数据分析方法及系统 Download PDF

Info

Publication number
CN112233747A
CN112233747A CN202011279411.0A CN202011279411A CN112233747A CN 112233747 A CN112233747 A CN 112233747A CN 202011279411 A CN202011279411 A CN 202011279411A CN 112233747 A CN112233747 A CN 112233747A
Authority
CN
China
Prior art keywords
data
personal
physiological
real
physiological data
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
Application number
CN202011279411.0A
Other languages
English (en)
Inventor
李健强
赖峥嵘
曾毅
刘元
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.)
Guangdong Communications and Networks Institute
Original Assignee
Guangdong Communications and Networks Institute
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 Guangdong Communications and Networks Institute filed Critical Guangdong Communications and Networks Institute
Priority to CN202011279411.0A priority Critical patent/CN112233747A/zh
Publication of CN112233747A publication Critical patent/CN112233747A/zh
Pending legal-status Critical Current

Links

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于个人数字孪生网络数据分析方法，所述方法应用于数字孪生网络系统，所述系统包括边缘服务器、个人健康服务器和电子医疗记录系统，所述方法包括：通过组合模式构建个人生命周期生理数据结构存储至个人健康服务器；获取个人实时生理数据，以键值时间戳的格式存储至边缘服务器；对所述个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型；将所述用于与电子医疗记录系统联调的学习模型与所述个人健康服务器通过API接口建立关联关系。由此能够将个人日常生理数据进行抽取、结构化转换和持久化保存，对每个人的生命周期内的各人体部位健康状态进行人工智能分析及结合医院电子病历系统为医生提供最优建议，给出数字孪生在新一代通信网络中的医疗行业创新应用方法。

Description

一种基于个人数字孪生网络数据分析方法及系统
技术领域
本发明涉及医疗通信技术领域，尤其涉及一种基于个人数字孪生网络数据分析方法及系统。
背景技术
数字孪生在6G通信网络的应用现已处于起步阶段，主要集中在工业、能源、运输等产业。其实现原理主要是通过实时传感器上报数据并输入到实体虚拟模型中进行数字化显示。
但是，数字孪生在医疗行业应用还处于在各医院信息系统保存电子病历的简单阶段，并未充分结合并发挥新一代通信网络的实时性及带宽多样化的优势。
发明内容
本发明所要解决的技术问题在于，提供一种基于个人数字孪生网络数据分析方法及系统，能够将个人日常生理数据进行抽取、结构化转换和持久化保存，对每个人的生命周期内的各人体部位健康状态进行人工智能分析及结合医院电子病历系统为医生提供最优建议，有利于医生给出数字孪生在新一代通信网络中的医疗行业创新应用方法。
为了解决上述技术问题，本发明第一方面公开了基于个人数字孪生网络数据分析方法，所述方法应用于数字孪生网络系统，所述系统包括边缘服务器、个人健康服务器和电子医疗记录系统，所述方法包括：通过组合模式构建个人生命周期生理数据结构存储至个人健康服务器；获取个人实时生理数据，以键值时间戳的格式存储至边缘服务器；对所述个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型；将所述用于与电子医疗记录系统联调的学习模型与所述个人健康服务器通过API接口建立关联关系。
在一些实施方式中，个人生命周期生理数据包括具有相同生命周期的个人实时数据、器官生理状态数据和人物特征数据，所述通过组合模式构建个人生命周期生理数据的结构存储至个人健康服务器，包括：将所述器官生理状态数据与人物特征数据进行组合，其中，人物特征数据至少包括DNA数据、指纹数据和瞳孔数据的一种或多种的组合；通过所述个人实时数据包含的器官名称，关联同一个人生命周期生理数据中的器官生理状态数据。
在一些实施方式中，边缘服务器包括MongoDB数据库，所述获取个人实时生理数据，以键值时间戳的格式存储至边缘服务器，包括：通过智能穿戴设备获取个人实时生理数据；将所述个人实时生理数据以年-月-日-小时的键值时间戳格式，存储至MongoDB数据库中。
在一些实施方式中，该方法还包括：根据健康状态分级标签对所述器官生理状态数据进行分类；将分类后的器官生理状态信息存储至所述个人生命周期生理数据中。
在一些实施方式中，该方法还包括：根据预置的存储周期对每一器官生理状态数据进行正态分布统计生成概率值； 将所述存储周期中的最大概率值作为当前存储周期的历史数据进行保存。
根据本发明的第二个方面，提供了一种基于个人数字孪生网络数据存储系统，所述系统包括：智能穿戴设备，用于获取个人实时生理数据；边缘服务器，用于将所述个人实时生理数据以键值时间戳的格式存储；个人健康服务器，用于通过组合模式构建个人生命周期生理数据结构；模型训练模块，用于对所述个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型；调用模块，用于将所述用于与电子医疗记录系统联调的学习模型与所述个人健康服务器通过API接口建立关联关系。
在一些实施方式中，个人生命周期生理数据包括具有相同生命周期的个人实时数据、器官生理状态数据和人物特征数据，所述个人健康服务器实现为：将所述器官生理状态数据与人物特征数据进行组合，其中，人物特征数据至少包括DNA数据、指纹数据和瞳孔数据的一种或多种的组合；通过所述个人实时数据包含的器官名称，关联同一个人生命周期生理数据中的器官生理状态数据。
在一些实施方式中，边缘服务器包括MongoDB数据库，所述边缘服务器实现为：将所述个人实时生理数据以年-月-日-小时的键值时间戳格式，存储至MongoDB数据库中。
根据本发明的第三个方面，提供了一种利用上述的基于个人数字孪生网络数据存储系统进行个人健康服务器调用的方法，所述方法包括：接收调用个人健康诊断指令，获取与所述个人健康诊断指令关联的个人数字孪生网络数据存储系统的API接口；获取与选择的个人ID对应的器官名称；获取与选择的时间段戳关联的个人实时生理数据；通过所述个人实时生理数据获取个人健康服务器。
根据本发明的第三个方面，提供了一种基于个人数字孪生网络数据存储装置，所述装置包括： 存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如上述的基于个人数字孪生网络数据分析方法。
与现有技术相比，本发明的有益效果在于：
实施本发明能够充分挖掘医疗数据与个人日常海量生理数据的价值，通过将个人日常生理数据进行抽取、结构化转换和持久化保存，对每个人的生命周期内的各人体部位健康状态进行人工智能分析及结合医院EMR系统为医生提供最优建议，给出数字孪生在新一代通信网络中的医疗行业创新应用方法。当医生需要对个人进行健康诊断时，结合电子病历系统系统，通过个人健康服务器上的开放API对个人历史健康状态值进行访问，帮助医生能准确分析个人平时健康状态并结合个人当前状态进行疾病判断，提高诊断效率及准确率。
附图说明
图1为本发明实施例公开的一种基于个人数字孪生网络数据分析方法的流程示意图；
图2为本发明实施例公开的又一种基于个人数字孪生网络数据存储的流程的框架示意图；
图3为本发明实施例公开的又一种基于个人数字孪生网络数据分析方法中的应用框架示意图；
图4为本发明实施例公开的一种基于个人数字孪生网络数据分析方法的正态分布示意图；
图5为本发明实施例公开的一种基于个人数字孪生网络数据存储系统框图；
图6为本发明实施例公开的一种利用基于个人数字孪生网络数据存储系统的方法流程示意图；
图7是本发明实施例公开的一种基于个人数字孪生网络数据存储的交互装置结构示意图。
具体实施方式
为了更好地理解和实施，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。
本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
本发明实施例公开了一种基于个人数字孪生网络数据分析方法及系统，能够充分挖掘医疗数据与个人日常海量生理数据的价值，通过将个人日常生理数据进行抽取、结构化转换和持久化保存，对每个人的生命周期内的各人体部位健康状态进行人工智能分析及结合医院EMR系统为医生提供最优建议，给出数字孪生在新一代通信网络中的医疗行业创新应用方法。当医生需要对个人进行健康诊断时，结合电子病历系统系统，通过个人健康服务器上的开放API对个人历史健康状态值进行访问，帮助医生能准确分析个人平时健康状态并结合个人当前状态进行疾病判断，提高诊断效率及准确率。
实施例一
请参阅图1，图1为本发明实施例公开的一种基于个人数字孪生网络数据分析方法的流程示意图。其中，该基于个人数字孪生网络数据分析方法可以应用于数字孪生网络系统，该系统包括边缘服务器、个人健康服务器和电子医疗记录系统系统，对于该数字孪生网络系统本发明实施例不做限制。
如图1所示，该基于个人数字孪生网络数据分析方法可以包括以下操作：
101、通过组合模式构建个人生命周期生理数据结构存储至个人健康服务器。
因为在现有的医疗行业的电子医疗记录系统中，存在着严重的数据孤岛问题，未能充分挖掘医疗数据与个人日常海量生理数据的价值。
为此，本申请的主要构思是将个人日常的实时数据进行数据抽取，转换及合并分析等操作，建立属于个人的生命周期内的生理数据仓库。
其中，个人生命周期生理数据包括具有相同生命周期的个人实时数据、器官生理状态数据和人物特征数据首先，将器官生理状态数据与人物特征数据进行组合，其中，人物特征数据至少包括DNA数据、指纹数据和瞳孔数据的一种或多种的组合，在其他实施方式中，人物特征数据还可以实现为其他体现个人独特的特征数据。器官生理数据是指的每一个个人所包含的对应器官的数据。进一步地，通过个人实时数据包含的器官名称，关联同一个人生命周期生理数据中的器官生理状态数据。例如，如图3所示，对于个人生命周期生理数据的结构，通过组合（Composition）模式实现，其中，需要说明的是，组合中的整体和部分拥有相同的生命周期。示例性地，Person object为一个人周期生理数据事件，其下属包含有多个器官生理状态数据organ objects，并且，多个器官生理状态数据organ objects下属包含有多个对应的个人实时生理数据sensor objects。 其中，Person object、organobjects和sensor objects俊通过个人特征数据进行关联。示例性地，在该个人周期生理数据时间下，基类Basic作为个人特征数据组合了DNA类。在其他优选实施方式中，为以后的个人特征数据进行扩展提供支持，例如引入新的基类：瞳孔、指纹作为基类。可以通过下述JSON数据格式进行实现：
" 2020-8-12-12pm": [
{
"Personal id":"01",
“Organ”:[
{
“heart”:
[
“status”: 9,
“sensor 1”: 90,
“sensor 2”: 100,
],
},
{
“lung”:
[
“status”: 8,
“sensor 1”: 90,
“sensor 2”: 100,
],
}
]
},
{
"Personal id":"02",
“Organ”:[
{
“heart”:
[
“status”: 9,
“sensor 1”: 90,
“sensor 2”: 100,
],
},
{
“lung”:
[
“status”: 8,
“sensor 1”: 110,
“sensor 2”: 120,
],
}
]
}
102、获取个人实时生理数据，以键值时间戳的格式存储至边缘服务器。
在具有搭建成型的个人生命周期生理数据结构，就可以将个人实时生理数据进行采集和录入。
由于个人实时生理数据具有数据量大、时间连续性长、只读不可修改等大数据特征，所以采用MongoDB数据库进行保存，从而保证后续的模型训练的有效性及数据读取查询的实时性。
首先，通过智能穿戴设备获取个人实时生理数据，该智能穿戴设备可以采用现有的具有多位传感器的智能设备实现，获取的个人实时生理数据包括心率、血压、体温等，其他可以获取诸如此类的个人实时生理数据的智能设备也可以作为本实施例的一种实现方式。
进一步地，为了快速且准确的定位到个人生命周期生理数据中，将个人实时数据的存储格式设置为通过键值时间戳的方式进行保存。示例性地，以时间（年-月-日-小时）为ID，存储至包括有对应的个人生命周期生理数据的MongoDB数据库中。
作为一种优选实施方式，根据健康状态分级标签对器官生理状态数据，Organobject进行分类，其中，Organ object的健康状态分级标签（0-10），再将分类后的器官生理状态信息存储至对应的个人生命周期生理数据中，以便于后续的训练模型进行训练。
作为另一种优选实施方式，由于需要采集个人生命周期内的各器官部位的生理数据量大，所以对每一器官生理状态数据如图4所示，根据每月的数据进行正态分布统计N(x;μ,σ)，取概率最大值为当月的历史数据保存或(μ-σ,μ+σ)区间值进行保存，在其他实施方式中，也可以根据需求设置统计周期。从而方便追溯原始数据。
103、对个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型。
对于根据个人实时生理数据进行训练的依据可以根据现有的人工智能数据处理平台集成的AI模型进行实现，例如，根据逻辑回归、贝叶斯分类等。示例性地，如图2所示，在边缘服务器上对个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型再进行定时训练，并把优化后的模型参数上传到个人健康服务器上，使最优化模型能在未来进行健康状态预测。
其中，人工智能训练模型时，会根据个人实时生理数据对应的ID，获取其包含的所有个人生命周期数据；在边缘服务器上人工智能模型使用预配置的模型组合进行训练，示例性地，可通过分布式的人工智能训练模型作为训练依据，在其他实施方式中，还可以通过集中式的人工智能训练模型作为训练依据。示例性地，Organ status标签值为预测值，Organ sensor各传感器数据作为n维空间特征值进行分类机器学习，完成训练后边缘服务器得到优化参数并上传到对应的个人健康服务器，由此为未来预测健康状态提供优化模型，该优化的人工智能模型可供EMR系统通过对应的API接口调用。
104、将用于与电子医疗记录系统联调的学习模型与个人健康服务器通过API接口建立关联关系。
根据本实施例提供的方法，能够充分挖掘医疗数据与个人日常海量生理数据的价值，通过将个人日常生理数据进行抽取、结构化转换和持久化保存，对每个人的生命周期内的各人体部位健康状态进行人工智能分析及结合医院EMR系统为医生提供最优建议，给出数字孪生在新一代通信网络中的医疗行业创新应用方法。当医生需要对个人进行健康诊断时，结合电子病历系统系统，通过个人健康服务器上的开放API对个人历史健康状态值进行访问，帮助医生能准确分析个人平时健康状态并结合个人当前状态进行疾病判断，提高诊断效率及准确率。
实施例二
请参阅图5，图5为本发明实施例公开的一种基于个人数字孪生网络数据存储系统框图。如图5所示，该基于个人数字孪生网络数据存储系统包括：
智能穿戴设备1，用于获取个人实时生理数据；
边缘服务器2，用于将个人实时生理数据以键值时间戳的格式存储。
个人健康服务器3，用于通过组合模式构建个人生命周期生理数据结构。
模型训练模块4，用于对个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型。
调用模块5，用于将用于与电子医疗记录系统联调的学习模型与个人健康服务器通过API接口建立关联关系。
其中，个人生命周期生理数据包括具有相同生命周期的个人实时数据、器官生理状态数据和人物特征数据，个人健康服务器3实现为：将器官生理状态数据与人物特征数据进行组合，其中，人物特征数据至少包括DNA数据、指纹数据和瞳孔数据的一种或多种的组合。通过个人实时数据包含的器官名称，关联同一个人生命周期生理数据中的器官生理状态数据。
因为在现有的医疗行业的电子医疗记录系统中，存在着严重的数据孤岛问题，未能充分挖掘医疗数据与个人日常海量生理数据的价值。
为此，本申请的主要构思是将个人日常的实时数据进行数据抽取，转换及合并分析等操作，建立属于个人的生命周期内的生理数据仓库。
其中，个人生命周期生理数据包括具有相同生命周期的个人实时数据、器官生理状态数据和人物特征数据首先，将器官生理状态数据与人物特征数据进行组合，其中，人物特征数据至少包括DNA数据、指纹数据和瞳孔数据的一种或多种的组合，在其他实施方式中，人物特征数据还可以实现为其他体现个人独特的特征数据。器官生理数据是指的每一个个人所包含的对应器官的数据。进一步地，通过个人实时数据包含的器官名称，关联同一个人生命周期生理数据中的器官生理状态数据。例如，如图3所示，对于个人生命周期生理数据的结构，通过组合（Composition）模式实现，其中，需要说明的是，组合中的整体和部分拥有相同的生命周期。示例性地，Person object为一个人周期生理数据事件，其下属包含有多个器官生理状态数据organ objects，并且，多个器官生理状态数据organ objects下属包含有多个对应的个人实时生理数据sensor objects。 其中，Person object、organobjects和sensor objects俊通过个人特征数据进行关联。示例性地，在该个人周期生理数据时间下，基类Basic作为个人特征数据组合了DNA类。在其他优选实施方式中，为以后的个人特征数据进行扩展提供支持，例如引入新的基类：瞳孔、指纹作为基类。
边缘服务器2包括MongoDB数据库，边缘服务器2实现为：将个人实时生理数据以年-月-日-小时的键值时间戳格式，存储至MongoDB数据库中。
在具有搭建成型的个人生命周期生理数据结构，就可以将个人实时生理数据进行采集和录入。
由于个人实时生理数据具有数据量大、时间连续性长、只读不可修改等大数据特征，所以采用MongoDB数据库进行保存，从而保证后续的模型训练的有效性及数据读取查询的实时性。
首先，通过智能穿戴设备获取个人实时生理数据，该智能穿戴设备可以采用现有的具有多位传感器的智能设备实现，获取的个人实时生理数据包括心率、血压、体温等，其他可以获取诸如此类的个人实时生理数据的智能设备也可以作为本实施例的一种实现方式。
进一步地，为了快速且准确的定位到个人生命周期生理数据中，将个人实时数据的存储格式设置为通过键值时间戳的方式进行保存。示例性地，以时间（年-月-日-小时）为ID，存储至包括有对应的个人生命周期生理数据的MongoDB数据库中。
对于根据个人实时生理数据进行训练的依据可以根据现有的人工智能数据处理平台集成的AI模型进行实现，例如，根据逻辑回归、贝叶斯分类等。示例性地，在边缘服务器上对个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型再进行定时训练，并把优化后的模型参数上传到个人健康服务器上，使最优化模型能在未来进行健康状态预测。
根据本实施例提供的系统，能够提高医疗数据与个人日常海量生理数据的价值，通过将个人日常生理数据进行抽取、结构化转换和持久化保存，对每个人的生命周期内的各人体部位健康状态进行人工智能分析及结合医院EMR系统为医生提供最优建议，给出数字孪生在新一代通信网络中的医疗行业创新应用方法。当医生需要对个人进行健康诊断时，结合电子病历系统系统，通过个人健康服务器上的开放API对个人历史健康状态值进行访问，帮助医生能准确分析个人平时健康状态并结合个人当前状态进行疾病判断，提高诊断效率及准确率。
实施例三
请参阅图6，图6为本发明实施例公开的一种利用该基于个人数字孪生网络数据存储系统进行个人健康服务器调用方法的流程示意图。其中，该基于个人数字孪生网络数据分析方法可以应用于数字孪生网络系统，该系统包括边缘服务器、个人健康服务器和电子医疗记录系统系统，对于该数字孪生网络系统本发明实施例不做限制。
该利用上述的基于个人数字孪生网络数据存储系统进行的方法包括：
201、接收调用个人健康诊断指令，获取与个人健康诊断指令关联的个人数字孪生网络数据存储系统的API接口。
其中，调用个人健康诊断指令由医生发出，包含有医生想要选择该用户即固定的个人ID，接通其所选定的个人生命周期生理数据对应的API接口。
202、获取与选择的个人ID对应的器官名称。
通过该个人生命周期生理数据对应的API接口，获取具体的器官名称。
203、获取与选择的时间段戳关联的个人实时生理数据。
通过具体的器官名称获取关联的个人实时生理数据。其中，该时间段戳由医生进行主动选择。
204、通过个人实时生理数据获取个人健康服务器。
根据本实施例提供的方法能通过将个人日常健康实时监控非结构化数据进行结构化转换持续保存处理，进行个人健康状态预测，为医生使用EMR系统时对个人诊断提出最优化建议。
实施例四
请参阅图7，图7是本发明实施例公开的一种基于个人数字孪生网络数据存储装置的结构示意图。其中，图7所描述的装置可以应用在系统，对于该基于个人数字孪生网络数据存储的应用系统本发明实施例不做限制。如图7所示，该装置可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，用于执行实施例一所描述的基于个人数字孪生网络数据分析。
实施例五
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的基于个人数字孪生网络数据分析方法。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一中所描述的基于个人数字孪生网络数据分析方法。
以上所描述的的实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于个人数字孪生网络数据分析方法系统所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种基于个人数字孪生网络数据分析方法，其特征在于，所述方法应用于数字孪生网络系统，所述系统包括边缘服务器、个人健康服务器和电子医疗记录系统，所述方法包括：
通过组合模式构建个人生命周期生理数据结构存储至个人健康服务器；
获取个人实时生理数据，以键值时间戳的格式存储至边缘服务器；
对所述个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型；
将所述用于与电子医疗记录系统联调的学习模型与所述个人健康服务器通过API接口建立关联关系。
2.根据权利要求1所述的基于个人数字孪生网络数据分析方法，其特征在于，所述个人生命周期生理数据包括具有相同生命周期的个人实时数据、器官生理状态数据和人物特征数据，所述通过组合模式构建个人生命周期生理数据的结构存储至个人健康服务器，包括：
将所述器官生理状态数据与人物特征数据进行组合，其中，人物特征数据至少包括DNA数据、指纹数据和瞳孔数据的一种或多种的组合；
通过所述个人实时数据包含的器官名称，关联同一个人生命周期生理数据中的器官生理状态数据。
3.根据权利要求2所述的基于个人数字孪生网络数据分析方法，其特征在于，所述边缘服务器包括MongoDB数据库，所述获取个人实时生理数据，以键值时间戳的格式存储至边缘服务器，包括：通过智能穿戴设备获取个人实时生理数据；
将所述个人实时生理数据以年-月-日-小时的键值时间戳格式，存储至MongoDB数据库中。
4.根据权利要求3所述的基于个人数字孪生网络数据分析方法，其特征在于，所述方法还包括：
根据健康状态分级标签对所述器官生理状态数据进行分类；
将分类后的器官生理状态信息存储至所述个人生命周期生理数据中。
5.根据权利要求1-4任一项所述的基于个人数字孪生网络数据分析方法，其特征在于，所述方法还包括：
根据预置的存储周期对每一器官生理状态数据进行正态分布统计生成概率值；
将所述存储周期中的最大概率值作为当前存储周期的历史数据进行保存。
6.一种基于个人数字孪生网络数据存储系统，其特征在于，所述系统包括：
智能穿戴设备，用于获取个人实时生理数据；
边缘服务器，用于将所述个人实时生理数据以键值时间戳的格式存储；
个人健康服务器，用于通过组合模式构建个人生命周期生理数据结构；
模型训练模块，用于对所述个人实时生理数据进行训练生成用于与电子医疗记录系统联调的学习模型；
调用模块，用于将所述用于与电子医疗记录系统联调的学习模型与所述个人健康服务器通过API接口建立关联关系。
7.根据权利要求6所述的基于个人数字孪生网络数据存储系统，其特征在于，所述个人生命周期生理数据包括具有相同生命周期的个人实时数据、器官生理状态数据和人物特征数据，
所述个人健康服务器实现为：将所述器官生理状态数据与人物特征数据进行组合，其中，人物特征数据至少包括DNA数据、指纹数据和瞳孔数据的一种或多种的组合；通过所述个人实时数据包含的器官名称，关联同一个人生命周期生理数据中的器官生理状态数据。
8.根据权利要求7所述的基于个人数字孪生网络数据存储系统，其特征在于，所述边缘服务器包括MongoDB数据库，所述边缘服务器实现为：
将所述个人实时生理数据以年-月-日-小时的键值时间戳格式，存储至MongoDB数据库中。
9.一种利用如权利要求6-8任一项所述的基于个人数字孪生网络数据存储系统进行个人健康服务器调用的方法，其特征在于，所述方法包括：接收调用个人健康诊断指令，获取与所述个人健康诊断指令关联的个人数字孪生网络数据存储系统的API接口；
获取与选择的个人ID对应的器官名称；
获取与选择的时间段戳关联的个人实时生理数据；
通过所述个人实时生理数据获取个人健康服务器。
10.基于个人数字孪生网络数据存储装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-5任一项所述的基于个人数字孪生网络数据分析方法。
CN202011279411.0A 2020-11-16 2020-11-16 一种基于个人数字孪生网络数据分析方法及系统 Pending CN112233747A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011279411.0A CN112233747A (zh) 2020-11-16 2020-11-16 一种基于个人数字孪生网络数据分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011279411.0A CN112233747A (zh) 2020-11-16 2020-11-16 一种基于个人数字孪生网络数据分析方法及系统

Publications (1)

Publication Number Publication Date
CN112233747A true CN112233747A (zh) 2021-01-15

Family

ID=74123479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011279411.0A Pending CN112233747A (zh) 2020-11-16 2020-11-16 一种基于个人数字孪生网络数据分析方法及系统

Country Status (1)

Country Link
CN (1) CN112233747A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114864088A (zh) * 2022-04-26 2022-08-05 福建福寿康宁科技有限公司 一种基于医疗健康的数字孪生建立方法、装置和存储介质
WO2023207793A1 (zh) * 2022-04-26 2023-11-02 吴运良 用于健康决策的人机交互方法、设备和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1790344A (zh) * 2004-12-15 2006-06-21 北京交通大学 一种城市道路交通流数据抽样存储方法与装置
CN105512985A (zh) * 2015-12-29 2016-04-20 杭州邦泰科技有限公司 基于openEHR标准的糖尿病电子病历数据存储方法
CN107526935A (zh) * 2017-09-08 2017-12-29 新屿信息科技（上海）有限公司 一种数据统计方法及装置
CN110415831A (zh) * 2019-07-18 2019-11-05 天宜(天津)信息科技有限公司 一种医疗大数据云服务分析平台
CN110709938A (zh) * 2017-06-28 2020-01-17 通用电气公司 用于生成患者数字孪生的方法和系统
CN111163002A (zh) * 2019-12-31 2020-05-15 广州智光电气股份有限公司 一种基于容器的边缘网关系统和能源数据处理方法
CN111522846A (zh) * 2020-04-09 2020-08-11 浙江邦盛科技有限公司 一种基于时序中间态数据结构的数据聚合方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1790344A (zh) * 2004-12-15 2006-06-21 北京交通大学 一种城市道路交通流数据抽样存储方法与装置
CN105512985A (zh) * 2015-12-29 2016-04-20 杭州邦泰科技有限公司 基于openEHR标准的糖尿病电子病历数据存储方法
CN110709938A (zh) * 2017-06-28 2020-01-17 通用电气公司 用于生成患者数字孪生的方法和系统
CN107526935A (zh) * 2017-09-08 2017-12-29 新屿信息科技（上海）有限公司 一种数据统计方法及装置
CN110415831A (zh) * 2019-07-18 2019-11-05 天宜(天津)信息科技有限公司 一种医疗大数据云服务分析平台
CN111163002A (zh) * 2019-12-31 2020-05-15 广州智光电气股份有限公司 一种基于容器的边缘网关系统和能源数据处理方法
CN111522846A (zh) * 2020-04-09 2020-08-11 浙江邦盛科技有限公司 一种基于时序中间态数据结构的数据聚合方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114864088A (zh) * 2022-04-26 2022-08-05 福建福寿康宁科技有限公司 一种基于医疗健康的数字孪生建立方法、装置和存储介质
WO2023207793A1 (zh) * 2022-04-26 2023-11-02 吴运良 用于健康决策的人机交互方法、设备和系统

Similar Documents

Publication Publication Date Title
Ambekar et al. Disease risk prediction by using convolutional neural network
CN108899064A (zh) 电子病历生成方法、装置、计算机设备和存储介质
Sakib et al. A proof-of-concept of ultra-edge smart IoT sensor: A continuous and lightweight arrhythmia monitoring approach
CN112133445A (zh) 一种心血管疾病管理服务方法和系统
CN112132624A (zh) 医疗理赔数据预测系统
CN108461110A (zh) 医疗信息处理方法、装置及设备
CN109036545A (zh) 医疗信息处理方法、装置、计算机设备和存储介质
CN109785918B (zh) 一种应用于临床科研的数据采集系统及方法
CN112233747A (zh) 一种基于个人数字孪生网络数据分析方法及系统
CN110115563A (zh) 一种中医证型预测系统
Moses et al. A survey of data mining algorithms used in cardiovascular disease diagnosis from multi-lead ECG data
CN116110577B (zh) 一种基于大数据的健康监测分析方法及系统
CN110580942A (zh) 一种新型体检报告生成方法、装置、介质及终端设备
CN111785366A (zh) 患者治疗方案的确定方法、装置及计算机设备
CN116343980B (zh) 一种基于智慧医疗复诊随访数据处理方法及系统
CN114864088B (zh) 一种基于医疗健康的数字孪生建立方法、装置和存储介质
CN113744845A (zh) 基于人工智能的医学影像处理方法、装置、设备及介质
CN115938600A (zh) 一种基于关联分析的心理健康状态预测方法与系统
Kozak et al. Digital transformation in medicine: from formalized medical documents to information technologies of digital medicine
CN116543917A (zh) 一种针对异构时间序列数据的信息挖掘方法
CN110786847B (zh) 心电信号的建库方法和分析方法
CN116958948A (zh) 毛发管理方法、系统、计算机设备及存储介质
CN113693610B (zh) 少导联心电数据处理方法、装置、存储介质及计算机设备
Alkhafaji et al. Clean medical data and predict heart disease
Parimala et al. Diabetes Prediction using Machine Learning

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: 20210115

RJ01 Rejection of invention patent application after publication