CN112269907B - 一种物联网健康大数据的处理方法 - Google Patents

一种物联网健康大数据的处理方法 Download PDF

Info

Publication number
CN112269907B
CN112269907B CN202011201941.3A CN202011201941A CN112269907B CN 112269907 B CN112269907 B CN 112269907B CN 202011201941 A CN202011201941 A CN 202011201941A CN 112269907 B CN112269907 B CN 112269907B
Authority
CN
China
Prior art keywords
internet
things
big data
data
health
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
CN202011201941.3A
Other languages
English (en)
Other versions
CN112269907A (zh
Inventor
刘瑞景
罗远哲
李玉琼
薛瑞亭
任光远
刘志明
吕雪萍
冯建业
陈思杰
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.)
Shandong Wanlihong Information Technology Co ltd
Original Assignee
Shandong Wanlihong Information Technology 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 Shandong Wanlihong Information Technology Co ltd filed Critical Shandong Wanlihong Information Technology Co ltd
Priority to CN202011201941.3A priority Critical patent/CN112269907B/zh
Publication of CN112269907A publication Critical patent/CN112269907A/zh
Application granted granted Critical
Publication of CN112269907B publication Critical patent/CN112269907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了物联网健康大数据的处理方法，包括以下步骤，首先确定物联网健康医疗大数据的安全数据格式要求，接着对采集到的数据由分级引擎模块进行风险分级处理，然后采用神经网络特征提取并学习的分类算法同时引入AdaBoost集成学习方法神经网络特征提取到的物联网健康大数据态势点集进行迭代优化，生成物联网健康大数据网络态势模型。本数据模型更加精确，大大促进了物联网医疗健康大数据态势预测、风险排查、治理，隐私数据安全采用风险分级管控模式可以更好的对隐私数据进行等级保护，可以辅助安全相关部门及早做好应对措施。

Description

一种物联网健康大数据的处理方法
技术领域
本发明涉及物联网健康大数据安全领域，具体地，涉及一种物联网健康大数据的处理方法。
背景技术
近来年，大数据在健康领域的不断应用和发展，已为广大群众提供了优质、便捷的服务，也为健康领域的科技发展带来动力。目前健康医疗大数据平台汇集了医疗服务、疾病防治、妇幼健康、人口家庭、电子健康档案、家医签约服务、行业监管等方面的数据资源，主要包括门诊住院信息，住院病案信息，人口个案信息，电子健康档案，电子健康卡注册使用信息，数据量都达到了万亿条以上，健康医疗大数据资源体系已初具规模。
目前的医疗健康大数据安全方面采用加密、数据库审计、防篡改等技术，网络安全方面通过等级保护实现基本安全，但是隐私数据安全还是没有一个妥善的机制。
采用神经网络特征提取并学习的分类算法同时引入AdaBoost集成学习方法神经网络特征提取到的物联网健康大数据态势点集进行迭代优化，生成物联网健康大数据网络态势模型，并通过安全风险分级管理机制和风险排查治理机制相结合的模式对物联网医疗健康大数据网络安全领域可实现高精准的等级保护，隐私数据安全也能及早预测和及时治理。
发明内容
为了解决如何对物联网健康大数据多种数据样本进行安全风险管理、风险态势预测、排查、治理的问题，本发明提供一种物联网健康大数据的处理方法。
根据本发明实施例的物联网健康大数据的处理方法，包括如下步骤：
S1、确定物联网健康医疗大数据的安全数据格式要求，采用数据采集模块收集物联网健康医疗大数据，采用统一格式对通信通道中被篡改以及丢失的数据等异常数据进行数据采集和预处理后统一编码；
S2、对步骤S1采集到的数据由分级引擎模块进行风险分级处理，分级方法为对在节点采集到的数据进行特征提取，并利用不同的特征子集对物联网健康大数据样本进行分类；
S3、采用神经网络特征提取并学习的分类算法同时引入AdaBoost集成学习方法神经网络特征提取到的物联网健康大数据态势点集进行迭代优化，生成物联网健康大数据网络态势模型。
根据本发明的一些实施例，在所述步骤S2，通过安全风险分级管理机制和风险排查治理机制相结合的模式对物联网医疗健康大数据网络安全领域实现高精准的等级保护。
根据本发明的一些实施例，在所述步骤S2包括如下具体步骤：
S21、对物联网健康大数据集采用规范化矢量表示，即，V(d)＝{d1，w1(d)，d2，w2(d)，...，dn，wn(d)}，其中，dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，权值累计为1；
S22、对物联网健康大数据集进行评价函数构建。
根据本发明的一些实施例，在所述步骤S22包括如下具体步骤：
S221、假设有n个评价对象，m个数据指标；
S222、建立评价对象因素指标集U＝{u1,u2,…,un}；
S223、建立评价集V＝{v1,v2,…,vm}；
S224、建立单因素评价，即建立一个从U到F(V)的映射；
γ：→F(V)
Figure BDA0002755651460000031
由γ可以诱导出基本关系，得到相关矩阵:
Figure BDA0002755651460000032
R为单因素评价矩阵；
S225、确定评价函数，
设A＝(a1,…,am)表示各因素权重，则评价函数为：
Figure BDA0002755651460000033
采用算子(·，+)计算，
Figure BDA0002755651460000034
且
Figure BDA0002755651460000035
对向量(b1,…bm)去模糊化，m个评价依次记为1，2，…，m，整体评价分数为：
Figure BDA0002755651460000036
根据本发明的一些实施例，在所述步骤S3中，分类算法采用神经网络对物联网健康大数据进行特征学习的方法，建立物联网健康大数据网络态势初始模型，再采用AdaBoost集成学习方法对初始模型进行迭代优化，并对异常数据进行排查，形成物联网健康大数据网络态势模型。
根据本发明的一些实施例，在所述步骤S3中，所述机器学习采用神经网络对物联网健康大数据进行特征学习的过程由正向传播和误差反向传播两个环节组成，所述正向传播是利用t时期的数据特征值与t-1时期的数据特征值的差值(变化率)和t时期的数据特征值与t-1时期的时间间隔组成的向量作为输入，经网络连接权值和偏差的求和计算传递到隐含层，并通过传递函数计算得到隐含层的输出，然后传送到输出层；所述反向传播是将误差信号按原来连接通路反向计算，调整各层神经元之间的连接权值和偏差以提高准确性。
根据本发明的一些实施例，在所述步骤S3包括如下具体步骤：
S31、假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，其中xm为特征样本，ym表示不同的风险问题分类，各个样本初始权重d1,d2,…dm均设置为
Figure BDA0002755651460000041
算法的最大迭代次数为T，初始迭代次数为1；
S32、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S33、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S34、计算并保存第t次的物联网健康大数据网络态势模型ht的权重ωt，根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型：
Figure BDA0002755651460000042
根据本发明的一些实施例，在所述步骤S1中，所述数据采集模块包括数据过滤模块和数据预处理模块，所述数据采集模块用于筛除物联网健康医疗大数据中的错误数据和无效数据。
根据本发明的一些实施例，在所述步骤S2中，采用分级引擎模块对物联网健康医疗大数据的特征进行提取、分类和分级，所述分级引擎模块包括特征提取模块和分级模型模块。
根据本发明实施例的物联网健康大数据的处理方法，数据模型更加精确，运用神经网络模式处理数据，大大促进了物联网医疗健康大数据态势预测、风险排查、治理，隐私数据安全采用风险分级管控模式可以更好的对隐私数据进行等级保护，可以辅助安全相关部门及早做好应对措施。
附图说明
图1为本发明实施例的物联网健康大数据的处理方法的流程图。
图2为本发明实施例的物联网健康大数据的处理方法的结构示意图。
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。
下面参照图1描述根据本发明实施例的物联网健康大数据的处理方法。
根据本发明实施例的物联网健康大数据的处理方法，包括如下步骤：
S1、确定物联网健康医疗大数据的安全数据格式要求，采用数据采集模块收集物联网健康医疗大数据，采用统一格式对通信通道中被篡改以及丢失的数据等异常数据进行数据采集和预处理后统一编码；其中，物联网健康医疗大数据包括：患者的住院信息、住院病案信息、人口个案信息、电子健康档案和电子健康卡注册使用信息等，这些信息都记录在各大医院、社区等的服务器数据库，网络协议/网络IP地址以及连接方式等也都不尽相同，健康数据的显示/存储方式主要有电子文档、图像、纸质文件、不同尺寸/材质的影像图片等，针对不同的数据类型进行风险分级，产生不同的分类，并定期进行风险排查的方式进行漏洞扫描，降低预测误差，保证数据安全可靠。
S2、对步骤S1采集到的数据由分级引擎模块进行风险分级处理，分级方法为对在节点采集到的数据进行特征提取，并利用不同的特征子集对物联网健康大数据样本进行分类；
S3、采用神经网络特征提取并学习的分类算法同时引入AdaBoost集成学习方法神经网络特征提取到的物联网健康大数据态势点集进行迭代优化，生成物联网健康大数据网络态势模型。
根据本发明的一些实施例，在所述步骤S2，通过安全风险分级管理机制和风险排查治理机制相结合的模式对物联网医疗健康大数据网络安全领域实现高精准的等级保护，由此可以提升数据的保护效果，防止数据被篡改、丢失或是泄漏。
根据本发明的一些实施例，在所述步骤S2包括如下具体步骤：
S21、对物联网健康大数据集采用规范化矢量表示，即，V(d)＝{d1，w1(d)，d2，w2(d)，...，dn，wn(d)}，其中，dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，权值累计为1；
S22、对物联网健康大数据集进行评价函数构建。
根据本发明的一些实施例，在所述步骤S22包括如下具体步骤：
S221、假设有n个评价对象，m个数据指标；
S222、建立评价对象因素指标集U＝{u1,u2,…,un}；
S223、建立评价集V＝{v1,v2,…,vm}；
S224、建立单因素评价，即建立一个从U到F(V)的映射；
γ：→F(V)
Figure BDA0002755651460000061
由γ可以诱导出基本关系，得到相关矩阵:
Figure BDA0002755651460000071
R为单因素评价矩阵；
S225、确定评价函数，
设A＝(a1,…,am)表示各因素权重，则评价函数为：
Figure BDA0002755651460000072
采用算子(·，+)计算，
Figure BDA0002755651460000073
且
Figure BDA0002755651460000074
对向量(b1,…bm)去模糊化，m个评价依次记为1，2，…，m，整体评价分数为：
Figure BDA0002755651460000075
根据本发明的一些实施例，在所述步骤S3中，分类算法采用神经网络对物联网健康大数据进行特征学习的方法，建立物联网健康大数据网络态势初始模型，再采用AdaBoost集成学习方法对初始模型进行迭代优化，并对异常数据进行排查，形成物联网健康大数据网络态势模型，神经网络特征学习和AdaBoost集成学习的相结合，可以提升态势模型的学习能力和效果，进而提升数据模型的准确度和模拟的真实性。
根据本发明的一些实施例，在所述步骤S3中，所述机器学习采用神经网络对物联网健康大数据进行特征学习的过程由正向传播和误差反向传播两个环节组成，所述正向传播是利用t时期的数据特征值与t-1时期的数据特征值的差值(变化率)和t时期的数据特征值与t-1时期的时间间隔组成的向量作为输入，经网络连接权值和偏差的求和计算传递到隐含层，并通过传递函数计算得到隐含层的输出，然后传送到输出层；所述反向传播是将误差信号按原来连接通路反向计算，调整各层神经元之间的连接权值和偏差以提高准确性。
根据本发明的一些实施例，在所述步骤S3包括如下具体步骤：
S31、假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，其中xm为特征样本，ym表示不同的风险问题分类，各个样本初始权重d1,d2,…dm均设置为
Figure BDA0002755651460000081
算法的最大迭代次数为T，初始迭代次数为1；
S32、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S33、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S34、计算并保存第t次的物联网健康大数据网络态势模型ht的权重ωt，根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型：
Figure BDA0002755651460000082
根据本发明的一些实施例，在所述步骤S1中，不同数据类型的实时网络数据流(包括MAC层、网络层、传输层、应用层)，由数据采集模块进行收集进入，所述数据采集模块包括数据过滤模块和数据预处理模块，所述数据采集模块用于筛除物联网健康医疗大数据中的错误数据和无效数据。
根据本发明的一些实施例，在所述步骤S2中，采用分级引擎模块对物联网健康医疗大数据的特征进行提取、分类和分级，所述分级引擎模块包括特征提取模块和分级模型模块。
具体而言，对步骤S1采集到的数据由分级引擎模块进行风险分级处理，分级引擎模块由两个小模块组成，分别是特征提取模块和分级模型模块。
根据本发明的一些实施例，在所述步骤S3中,评价函数的权重来自于外部攻击，权重最高；通信节点的数据量大小，权重按大小分配；通信交叉点越多，权重越大。
方法是：对在节点采集到的数据进行特征提取，并利用不同的特征子集对物联网健康大数据样本进行分类，具体包括如下步骤：
对物联网健康大数据集采用规范化矢量表示，
即V(d)＝{d1，w1(d),d2，w2(d),...,dn，wn(d)}，其中dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，
权重的评价函数如下：
(1)外部攻击，权重最高；
(2)通信节点的数据量大小，权重按大小分配；
(3)通信交叉点越多，权重越大。
在所述步骤S2中，对物联网健康大数据集进行评价函数构建，评价函数过程如下：
S221、假设有n个评价对象，m个数据指标；
S222、建立评价对象因素指标集U＝{u1,u2,…,un}；
S223、建立评价集V＝{v1,v2,…,vm}；
S24、建立单因素评价，即建立一个从U到F(V)的映射；
γ：→F(V)
Figure BDA0002755651460000091
由γ可以诱导出基本关系，得到相关矩阵:
Figure BDA0002755651460000101
R为单因素评价矩阵；
S225、确定评价函数，
设A＝(a1,…,am)表示各因素权重，则评价函数为：
Figure BDA0002755651460000102
采用算子(·，+)计算，
Figure BDA0002755651460000103
且
Figure BDA0002755651460000104
对向量(b1,…bm)去模糊化，m个评价依次记为1，2，…，m，整体评价分数为：
Figure BDA0002755651460000105
根据本发明的一些实施例，在所述步骤S3中,分类算法采用神经网络对物联网健康大数据进行特征学习的方法，建立物联网健康大数据网络态势初始模型，再采用AdaBoost集成学习方法，对这个初始模型进行迭代优化，也就是进行异常数据的排查，形成物联网健康大数据网络态势模型，其中，机器学习主要包括以下步骤：首先确定网络层数，接着选取节点数，接着选择隐含神经元数目，最后设计算法。
所述机器学习采用神经网络对物联网健康大数据进行特征学习的过程由正向传播和误差反向传播两个环节组成，所述正向传播是利用t时期的数据特征值与t-1时期的数据特征值的差值(也就是变化率)和t时期的数据特征值与t-1时期的时间间隔组成的向量作为输入，经网络连接权值和偏差的求和计算传递到隐含层，并通过传递函数计算得到隐含层的输出，然后传送到输出层；所述反向传播是将误差信号按原来连接通路反向计算，调整各层神经元之间的连接权值和偏差以提高准确性，体步骤如下：
S31、假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，
Figure BDA0002755651460000111
S32、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S33、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S34、计算并保存第t次的物联网健康大数据网络态势模型ht的权重ωt，根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型：
Figure BDA0002755651460000112
以此，可以根据现有数据以及新增数据进行风险排查迭代模拟，提前将影响到物联网医疗健康大数据安全的各项安全隐患设置防护措施，降低风险。
根据本发明实施例的物联网健康大数据的处理方法，数据模型更加精确，运用神经网络模式处理数据，大大促进了物联网医疗健康大数据态势预测、风险排查、治理，隐私数据安全采用风险分级管控模式可以更好的对隐私数据进行等级保护，可以辅助安全相关部门及早做好应对措施。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种物联网健康大数据的处理方法，其特征在于，包括以下步骤：
S1、确定物联网健康医疗大数据的安全数据格式要求，采用数据采集模块收集物联网健康医疗大数据，采用统一格式对通信通道中被篡改以及丢失的异常数据进行数据采集和预处理后统一编码；
S2、对步骤S1采集到的数据由分级引擎模块进行风险分级处理，分级方法为对在节点采集到的数据进行特征提取，并利用不同的特征子集对物联网健康大数据样本进行分类；
S3、采用神经网络特征提取并学习的分类算法同时引入AdaBoost集成学习方法对神经网络特征提取到的物联网健康大数据态势点集进行迭代优化，生成物联网健康大数据网络态势模型；
在所述步骤S3中，分类算法采用神经网络对物联网健康大数据进行特征学习的方法，建立物联网健康大数据网络态势初始模型，再采用AdaBoost集成学习方法对初始模型进行迭代优化，并对异常数据进行排查，形成物联网健康大数据网络态势模型；机器学习采用神经网络对物联网健康大数据进行特征学习的过程由正向传播和误差反向传播两个环节组成，所述正向传播是利用t时期的数据特征值与t-1时期的数据特征值的差值和t时期的数据特征值与t-1时期的时间间隔组成的向量作为输入，经网络连接权值和偏差的求和计算传递到隐含层，并通过传递函数计算得到隐含层的输出，然后传送到输出层；所述反向传播是将误差信号按原来连接通路反向计算，调整各层神经元之间的连接权值和偏差以提高准确性。
2.根据权利要求1所述物联网健康大数据的处理方法，其特征在于，在所述步骤S2，通过安全风险分级管理机制和风险排查治理机制相结合的模式对物联网医疗健康大数据网络安全领域实现高精准的等级保护。
3.根据权利要求2所述物联网健康大数据的处理方法，其特征在于，在所述步骤S2包括如下具体步骤：
S21、对物联网健康大数据集采用规范化矢量表示，即，V(d)＝{d1，w1(d)，d2，w2(d)，...，dn，wn(d)}，其中，dn为物联网健康大数据集D中的一条数据，wn(d)为dn在D中的权值，权值累计为1；
S22、对物联网健康大数据集进行评价函数构建。
4.根据权利要求3所述物联网健康大数据的处理方法，其特征在于，在所述步骤S22包括如下具体步骤：
S221、假设有n个评价对象，m个数据指标；
S222、建立评价对象因素指标集U＝{u1,u2,…,un}；
S223、建立评价集V＝{v1,v2,…,vm}；
S224、建立单因素评价，即建立一个从U到F(V)的映射；
γ：→F(V)
Figure FDA0003172297160000021
由γ可以诱导出基本关系，得到相关矩阵:
Figure FDA0003172297160000022
R为单因素评价矩阵；
S225、确定评价函数，
设A＝(a1,…,am)表示各因素权重，则评价函数为：
Figure FDA0003172297160000023
采用算子(·，+)计算，
Figure FDA0003172297160000031
且
Figure FDA0003172297160000032
对向量(b1,…bm)去模糊化，m个评价依次记为1，2，…，m，整体评价分数为：
Figure FDA0003172297160000033
5.根据权利要求1所述物联网健康大数据的处理方法，其特征在于，在所述步骤S3包括如下具体步骤：
S31、假设m个初始学习的特征样本集为：s＝{(x1,y1),(x2,x2),…(xm,ym)}，其中xm为特征样本，ym表示不同的风险问题分类，各个样本初始权重d1,d2,…dm均设置为
Figure FDA0003172297160000034
算法的最大迭代次数为T，初始迭代次数为1；
S32、针对m个训练集，通过AdaBoost集成学习方法对神经网络的连接点权重值进行优化，得到最优的连接点的权重值；
S33、利用优化后的神经网络对m个训练集进行训练，获得第t次的物联网健康大数据网络态势模型ht；
S34、计算并保存第t次的物联网健康大数据网络态势模型ht的权重ωt，根据物联网健康大数据网络态势模型ht，对m个训练集的预测误差绝对值和小于设定值或达到最大迭代次数，得到最终的物联网健康大数据网络态势模型：
Figure FDA0003172297160000035
6.根据权利要求1所述物联网健康大数据的处理方法，其特征在于，在所述步骤S1中，所述数据采集模块包括数据过滤模块和数据预处理模块，所述数据采集模块用于筛除物联网健康医疗大数据中的错误数据和无效数据。
7.根据权利要求1所述物联网健康大数据的处理方法，其特征在于，在所述步骤S2中，采用分级引擎模块对物联网健康医疗大数据的特征进行提取、分类和分级，所述分级引擎模块包括特征提取模块和分级模型模块。
CN202011201941.3A 2020-11-02 2020-11-02 一种物联网健康大数据的处理方法 Active CN112269907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011201941.3A CN112269907B (zh) 2020-11-02 2020-11-02 一种物联网健康大数据的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011201941.3A CN112269907B (zh) 2020-11-02 2020-11-02 一种物联网健康大数据的处理方法

Publications (2)

Publication Number Publication Date
CN112269907A CN112269907A (zh) 2021-01-26
CN112269907B true CN112269907B (zh) 2021-09-03

Family

ID=74344659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011201941.3A Active CN112269907B (zh) 2020-11-02 2020-11-02 一种物联网健康大数据的处理方法

Country Status (1)

Country Link
CN (1) CN112269907B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708941B (zh) * 2022-06-07 2022-09-02 南京云联数科科技有限公司 一种基于健康数据的管理方法及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239970A (zh) * 2014-09-04 2014-12-24 国家电网公司 一种基于Adaboost的输电线舞动风险预警方法
WO2015105239A1 (ko) * 2014-01-13 2015-07-16 삼성테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
CN107817404A (zh) * 2017-11-18 2018-03-20 广西电网有限责任公司电力科学研究院 一种便携式计量自动化终端故障诊断装置及其诊断方法
US10169683B2 (en) * 2015-08-28 2019-01-01 Thomson Licensing Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium
CN109346141A (zh) * 2018-10-31 2019-02-15 山东万里红信息技术有限公司 一种便携式健康风险评估系统
CN109738438A (zh) * 2018-12-29 2019-05-10 扬州大学 一种小麦叶片衰老程度快速测量方法
CN109918505A (zh) * 2019-02-26 2019-06-21 西安电子科技大学 一种基于文本处理的网络安全事件可视化方法
CN110321521A (zh) * 2018-03-28 2019-10-11 泰雷兹公司 评估追踪系统对要求的集合的符合性的方法和相关装置
CN111083172A (zh) * 2019-12-31 2020-04-28 厦门耐特源码信息科技有限公司 一种基于数据包分析的链路通信监控视图构建方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540451A (zh) * 2018-03-13 2018-09-14 北京理工大学 一种用机器学习技术对网络攻击行为进行分类检测的方法
CN108985455A (zh) * 2018-07-09 2018-12-11 肖朝晖 一种计算机应用神经网络预测方法及系统
CN109545385A (zh) * 2018-11-30 2019-03-29 周立广 一种基于物联网的医疗大数据分析处理系统及其方法
CN110659722B (zh) * 2019-08-30 2023-07-18 江苏大学 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法
CN111128380A (zh) * 2019-12-24 2020-05-08 郑州科技学院 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015105239A1 (ko) * 2014-01-13 2015-07-16 삼성테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
CN104239970A (zh) * 2014-09-04 2014-12-24 国家电网公司 一种基于Adaboost的输电线舞动风险预警方法
US10169683B2 (en) * 2015-08-28 2019-01-01 Thomson Licensing Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium
CN107817404A (zh) * 2017-11-18 2018-03-20 广西电网有限责任公司电力科学研究院 一种便携式计量自动化终端故障诊断装置及其诊断方法
CN110321521A (zh) * 2018-03-28 2019-10-11 泰雷兹公司 评估追踪系统对要求的集合的符合性的方法和相关装置
CN109346141A (zh) * 2018-10-31 2019-02-15 山东万里红信息技术有限公司 一种便携式健康风险评估系统
CN109738438A (zh) * 2018-12-29 2019-05-10 扬州大学 一种小麦叶片衰老程度快速测量方法
CN109918505A (zh) * 2019-02-26 2019-06-21 西安电子科技大学 一种基于文本处理的网络安全事件可视化方法
CN111083172A (zh) * 2019-12-31 2020-04-28 厦门耐特源码信息科技有限公司 一种基于数据包分析的链路通信监控视图构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Qazi Sami ul Haq 等.Neural network based adaboosting approach for hyperspectral data classification.《Proceedings of 2011 International Conference on Computer Science and Network Technology》.2011,241-245. *
基于AdaBoost的潜射防鱼雷诱饵干扰效果预测研究;范学满 等;《指挥控制与仿真》;20190621;第41卷(第3期);52-56 *
基于数据挖掘的现场作业风险态势评估方法;蒋毅 等;《计算机与现代化》;20200415(第296期);78-84 *

Also Published As

Publication number Publication date
CN112269907A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
Mobiny et al. Dropconnect is effective in modeling uncertainty of bayesian deep networks
CN111737551B (zh) 一种基于异构图注意力神经网络的暗网线索检测方法
CN112884551B (zh) 一种基于近邻用户和评论信息的商品推荐方法
CN111310063A (zh) 基于神经网络的记忆感知门控因子分解机物品推荐方法
CN111292195A (zh) 风险账户的识别方法及装置
CN112115967B (zh) 一种基于数据保护的图像增量学习方法
CN112784913A (zh) 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置
CN113254652B (zh) 一种基于超图注意力网络的社交媒体贴文真实性检测方法
CN115983984A (zh) 一种多模型融合的客户风险评级方法
CN112269907B (zh) 一种物联网健康大数据的处理方法
Lu et al. Steganalysis of content-adaptive steganography based on massive datasets pre-classification and feature selection
CN116680343A (zh) 基于融合多模态信息的实体和关系表示的链接预测方法
CN116206327A (zh) 一种基于在线知识蒸馏的图像分类方法
CN117690178B (zh) 一种基于计算机视觉的人脸图像识别方法与系统
CN113361928B (zh) 一种基于异构图注意力网络的众包任务推荐方法
CN112270362A (zh) 一种物联网健康大数据态势感知方法
CN113361590A (zh) 基于多元时间序列的特征融合方法
CN112035607A (zh) 基于mg-lstm的引文差异匹配方法、装置及存储介质
CN116416478B (zh) 一种基于图结构数据特征的生物信息学分类模型
CN117557843A (zh) 一种基于半监督学习的流量识别方法及系统
CN113254580A (zh) 一种特殊群体搜索方法及系统
CN111737688A (zh) 基于用户画像的攻击防御系统
Zhong A convolutional neural network based online teaching method using edge-cloud computing platform
CN116257786A (zh) 一种基于多元时序图结构的异步时间序列分类方法
CN115620342A (zh) 跨模态行人重识别方法、系统及计算机

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method for processing health big data in the Internet of Things

Effective date of registration: 20220907

Granted publication date: 20210903

Pledgee: Qilu bank Limited by Share Ltd. Ji'nan West Station Branch

Pledgor: SHANDONG WANLIHONG INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2022370000115

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230926

Granted publication date: 20210903

Pledgee: Qilu bank Limited by Share Ltd. Ji'nan West Station Branch

Pledgor: SHANDONG WANLIHONG INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2022370000115

PC01 Cancellation of the registration of the contract for pledge of patent right