CN112837799A - 基于区块链的远程互联网大数据智慧医疗系统 - Google Patents

基于区块链的远程互联网大数据智慧医疗系统 Download PDF

Info

Publication number
CN112837799A
CN112837799A CN202110125345.XA CN202110125345A CN112837799A CN 112837799 A CN112837799 A CN 112837799A CN 202110125345 A CN202110125345 A CN 202110125345A CN 112837799 A CN112837799 A CN 112837799A
Authority
CN
China
Prior art keywords
data
class
vital sign
clustered
big
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.)
Granted
Application number
CN202110125345.XA
Other languages
English (en)
Other versions
CN112837799B (zh
Inventor
曹茂诚
王洪平
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 Deao Smart Medical Technology Co ltd
Original Assignee
Guangdong Deao Smart Medical 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 Guangdong Deao Smart Medical Technology Co ltd filed Critical Guangdong Deao Smart Medical Technology Co ltd
Priority to CN202111167554.7A priority Critical patent/CN113889252B/zh
Priority to CN202110125345.XA priority patent/CN112837799B/zh
Publication of CN112837799A publication Critical patent/CN112837799A/zh
Application granted granted Critical
Publication of CN112837799B publication Critical patent/CN112837799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H40/60—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 for the operation of medical equipment or devices
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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

Abstract

基于区块链的远程互联网大数据智慧医疗系统，包括生命体征采集模块、医疗大数据获取模块、区块链存储模块和智慧医疗终端，根据医疗大数据获取模块收集的生命体征大数据建立根据生命体征数据对身体状态进行评估的健康评估模型，将生命体征采集模块采集到的患者的生命体征数据输入到健康评估模型中，从而评估患者的身体状态是健康还是危险，并在危险时进行预警。本发明的有益效果：实现了远程对患者的身体状态进行统一监护，并当患者的身体状态出现危险时，能够及时的进行预警。

Description

基于区块链的远程互联网大数据智慧医疗系统
技术领域
本发明创造涉及智慧医疗领域，具体涉及一种基于区块链的远程互联网大数据智慧医疗系统。
背景技术
随着人们健康意识的增强和社会老龄化，医院的患者越来越多，加之人们维权意识的增强，护士普遍感到工作压力大和工作任务繁重，一个病人从入院到出院所需的各项处理90％由护士完成；90.42％的护士每周工作时间超过40小时，74.2％的护士有夜班情况，由于护理院护工缺口大，导致招工门槛不断降低，目前普遍存在学历低，缺乏专业护理技能的情况，在繁重的工作压力下，责任心欠缺或职业懈怠导致单纯依靠人力24小时连续看护的难度非常大。
针对上述情况，为减少护士的工作量，本发明提供一种基于区块链的远程互联网大数据智慧医疗系统，根据生命体征大数据建立根据生命体征数据对患者的健康状态进行评估的健康评估模型，能够实现远程对患者进行统一监护，从而减少了医护人员的工作量的同时，在患者身体状态出现危险时，能够及时发现并进行预警。
发明内容
针对上述问题，本发明旨在提供一种基于区块链的远程互联网大数据智慧医疗系统。
本发明创造的目的通过以下技术方案实现：
基于区块链的远程互联网大数据智慧医疗系统，包括生命体征采集模块、医疗大数据获取模块、区块链存储模块和智慧医疗终端，所述生命体征采集模块和患者的床位号进行绑定，用于采集患者的生命体征数据，并将采集的生命体征数据和患者的床位号通过互联网传输至智慧医疗终端，所述医疗大数据获取模块用于收集生命体征大数据，并将收集的生命体征大数据传输至区块链存储模块进行存储，所述智慧医疗终端包括大数据处理单元、生命体征分析单元、智能预警单元、患者信息收录单元和人机交互单元，智慧医疗终端从区块链存储模块中调取所述生命体征大数据，并将调取的生命体征大数据输入至大数据处理单元进行处理，所述生命体征分析单元根据处理后的生命体征大数据建立根据生命体征数据对患者的身体状态进行评估的健康评估模型，将接收到的患者的生命体征数据输入到健康评估模型中，从而评估患者的身体状态是健康还是危险，当评估患者的身体状态为危险时令智能预警单元进行预警，所述患者信息收录单元用于记录患者的基础信息、患者的生命体征数据和评估所得的患者的身体状态，医护人员可以通过在人机交互单元中输入患者的基础信息查询患者的生命体征数据和患者的身体状态。
优选地，所述生命体征分析单元采用支持向量机建立根据生命体征数据进行身体状态评估的健康评估模型，采用大数据处理单元处理后的生命体征大数据作为训练和测试所述支持向量机的样本集。
优选地，所述患者的基础信息包括患者的姓名、年龄和床位号。
优选地，所述大数据处理单元用于对生命体征大数据进行聚类，并在聚类的过程中去除所述生命体征大数据中的噪声数据，确定生命体征大数据聚类所得的各个类集合对应的身体状态的标签，在支持向量机的训练过程中，将生命体征大数据的类集合作为支持向量机的输入值，将类集合所对应的身体状态的标签作为支持向量机的输出值。
优选地，所述身体状态的标签包括健康和危险。
优选地，所述大数据处理单元用于对生命体征大数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据，具体包括：
(1)在生命体征大数据中选取类中心；
(2)根据选取的类中心对生命体征大数据中的数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据。
优选地，采用下列方式在所述生命体征大数据中选取类中心：
设Y表示生命体征大数据组成的集合，yi表示集合Y中的第i个数据，定义s(yi)表示数据yi在集合Y中的全局相似系数，且
Figure BDA0002923805680000021
其中，yj表示集合Y中的第j个数据，M(Y)表示集合Y中的数据个数；设U(yi)表示数据yi的邻域数据集合，给定正整数M，采用下列方式在集合Y中选取M个数据加入到集合U(yi)中：
设yi(1)表示集合Y中距离数据yi第一近的数据，ω(yi(1))表示数据yi(1)的局部区域，且ω(yi(1))为以数据
Figure BDA0002923805680000022
为中心、以|yi(1)-yi|为边长的正方体区域，将数据yi(1)加入到集合U(yi)中，并在局部区域ω(yi(1))外的数据中确定距离数据yi第一近的数据，将该数据记为yi(2)，设ω(yi(2))表示数据yi(2)的局部区域，且ω(yi(2))为以数据
Figure BDA0002923805680000023
为中心、以|yi(2)-yi|为边长的正方体区域，将数据yi(2)加入到集合U(yi)中，继续在局部区域ω(yi(1))和局部区域ω(yi(2))外的数据中确定距离数据yi第一近的数据，将该数据记为yi(3)，设ω(yi(3))表示数据yi(3)的局部区域，且ω(yi(3))为以数据
Figure BDA0002923805680000031
为中心、以|yi(3)-yi|为边长的正方体区域，将数据yi(3)加入到集合U(yi)中，并继续按照上述方法确定数据加入到集合U(yi)中，直到集合U(yi)中的数据个数等于M时，则停止向集合U(yi)中加入数据；
采用下列公式在集合Y中筛选出可作为类中心的候选数据：
Figure BDA0002923805680000032
式中，f(yi)表示数据yi在集合Y中的类中心属性值，yi(l)表示集合U(yi)中的第l个数据，s(yi(l))表示数据yi(l)在集合Y中的全局相似系数，ρ(yi(l)，yi)表示数据yi(l)相较于数据yi的距离权值，且
Figure BDA0002923805680000033
当数据yi的类中心属性值
Figure BDA0002923805680000034
时，则将数据yi视为类中心的候选数据，且判定所述类中心的候选数据为非噪声数据；当数据yi的类中心属性值
Figure BDA0002923805680000035
时，则将数据yi视为未聚类数据；
设L(Y)表示集合Y中视为类中心的候选数据组成的集合，在集合L(Y)中选取类中心，并根据选取的类中心对集合L(Y)中的候选数据进行聚类，具体包括：
选取集合L(Y)中具有最大全局相似系数的候选数据为第一个类中心，将所述第一个类中心记为c1，类中心c1所在的类集合记为C1，将类中心c1在集合L(Y)中删除，并采用下列步骤在当前集合L(Y)中筛选出属于类集合C1的其他候选数据，具体为：
步骤(1)：设lk(1)表示第1次筛选时集合L(Y)中的第k个候选数据，定义G(lk(1)，C1)表示候选数据lk(1)和类集合C1之间的聚类函数，且G(lk(1)，C1)的表达式为：
G(lk(1)，C1)＝θ(lk(1)，C1)*|s(lk(1))-s(c1)|
式中，θ(lk(1)，C1)表示判断函数，设N(lk(1))表示在集合Y中选取的距离候选数据lk(1)最近的M个数据组成的邻域集合，m(lk(1)，C1)表示邻域集合N(lk(1))中存在的属于类集合C1的数据个数，当m(lk(1)，C1)≠0时，θ(lk(1)，C1)＝1，当m(lk(1)，C1)＝0时，θ(lk(1)，C1)＝0，s(c1)表示类中心c1在集合Y中的全局相似系数，s(lk(1))表示候选数据lk(1)在集合Y中的全局相似系数；
当
Figure BDA0002923805680000041
时，则判定候选数据lk(1)为类集合C1中的数据，将候选数据lk(1)加入到类集合C1中，并将候选数据lk(1)在集合L(Y)中删除，当G(lk(1)，C1)＝0或者
Figure BDA0002923805680000042
时，则将候选数据lk(1)在集合L(Y)中保留；
步骤(2)，设lK(2)表示第2次筛选时当前集合L(Y)中的第K个候选数据，定义G(lK(2)，C1)表示候选数据lK(2)和类集合C1之间的聚类函数，且G(lK(2)，C1)的表达式为：
Figure BDA0002923805680000043
其中，θ(lK(2)，C1)表示判断函数，设N(lK(2))表示在集合Y中选取距离候选数据lK(2)最近的M个数据组成的邻域集合，m(lK(2)，C1)表示邻域集合N(lK(2))中存在的属于类集合C1的数据个数，当m(lK(2)，C1)≠0时，θ(lK(2)，C1)＝1，当m(lK(2)，C1)＝0时，θ(lK(2)，C1)＝0，s(lK(2))表示候选数据lK(2)在集合Y中的全局相似系数，y1，z表示类集合C1中的第z个数据，ρ(y1，z，lK(2))表示数据y1，z相较于候选数据lK(2)的距离权值，且
Figure BDA0002923805680000044
Figure BDA0002923805680000045
s(y1，z)表示数据y1，z在集合Y中的全局相似系数；
当
Figure BDA0002923805680000046
时，则判定候选数据lK(2)为类集合C1中的数据，将候选数据lK(2)加入到类集合C1中，并将候选数据lK(2)在集合L(Y)中删除，当G(lK(2)，C1)＝0或者
Figure BDA0002923805680000047
时，则将候选数据lK(2)在集合L(Y)中保留；
当第二次筛选时在集合L(Y)中筛选出属于类集合C1的数据时，则继续按照步骤(2)中的方法在集合L(Y)中进行第三次筛选，直到在当前筛选次数时没有在集合L(Y)中筛选出属于类集合C1的数据时即停止在集合L(Y)中进行下一次的筛选；
继续选取当前集合L(Y)中具有最大全局相似系数的候选数据为第二个类中心，将所述第二个类中心记为c2，所述类中心c2所在的类集合记为C2，将类中心c2在集合L(Y)中删除，并采用上述步骤在当前集合L(Y)中筛选出属于类集合C2的其他候选数据；筛选完成后，将类集合C2中的候选数据在当前集合L(Y)中删除；
重复上述方法直到当前集合L(Y)中剩余的候选数据个数为0时，即完成了在生命体征大数据中选取类中心，并完成了对所述生命体征大数据的初步聚类。
优选地，根据选取的类中心对所述生命体征大数据中的数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据，具体为：
根据选取的类中心和初步聚类结果对集合Y中剩余的未聚类数据进行聚类，设D(Y)表示集合Y中未聚类数据组成的集合，da表示集合D(Y)中的第a个未聚类数据，N(da)表示集合Y中距离未聚类数据da最近的M个数据组成的邻域集合，定义h(da)表示未聚类数据da在集合D(Y)中的聚类优先级，且
Figure BDA0002923805680000051
其中，m(da)表示邻域集合N(da)中已聚类数据的个数，s(da)表示未聚类数据da在集合Y中的全局相似系数；
对此时集合D(Y)中具有最大聚类优先级的未聚类数据进行优先聚类，设de表示集合D(Y)中的第e个未聚类数据，且
Figure BDA0002923805680000052
N(de)表示集合Y中距离未聚类数据de最近的M个数据组成的邻域集合，m(de)表示集合N(de)中已聚类数据的个数；
当m(de)＝0时，则判定集合D(Y)中的未聚类数据均为噪声数据，并将所述噪声数据从D(Y)中都删除；
当m(de)≠0时，设Je，p表示集合N(de)中的第p个已聚类数据，将已聚类数据Je，p所在的类集合表示为Ce，p，定义J(de，Ce，p)为未聚类数据de和类集合Ce，p之间的分布检测系数，则J(de，Ce，p)的计算公式为：
Figure BDA0002923805680000053
式中，Me，p表示集合N(de)中存在的属于类集合Ce，p的已聚类数据的个数，N′(Je，p)表示类集合Ce，p中距离已聚类数据Je，p最近的M个已聚类数据组成的集合，Je，p，q表示集合N′(Je，p)中的第q个已聚类数据，Je，v表示集合N(de)中的第v个已聚类数据，且Je，v为类集合Ce，p中的数据，N′(Je，v)表示类集合Ce，p中距离已聚类数据Je，v最近的M个已聚类数据组成的集合，Je，v，b表示集合N′(Je，v)中的第b个已聚类数据；
设M(de)表示集合N(de)中的已聚类数据所处的不同类集合的个数，Ce，n表示数据de和所述M(de)个类集合之间拥有最小分布检测系数的类集合，即
Figure BDA0002923805680000054
当未聚类数据de和类集合Ce，n之间满足：
Figure BDA0002923805680000061
时，则将未聚类数据de加入到类集合Ce，n中，并将未聚类数据de在集合D(Y)中删除，判定未聚类数据de为非噪声数据，当未聚类数据de和类集合Ce，n之间满足：
Figure BDA0002923805680000062
Figure BDA0002923805680000063
时，则认定未聚类数据de为噪声数据，将未聚类数据de在集合D(Y)中删除，其中，s(de)表示未聚类数据de在集合Y中的全局相似系数，ye，n，r表示类集合Ce，n中的第r个数据，s(ye，n，r)表示数据ye，n，r在集合Y中的全局相似系数，ρ(ye，n，r，de)表示数据ye，n，r相较于未聚类数据de的距离权值，且
Figure BDA0002923805680000064
按照上述方法重新在当前集合D(Y)中选取具有最大聚类优先级的数据进行优先聚类，直到集合D(Y)中的未聚类数据个数为0时，则停止聚类。
本发明创造的有益效果：根据生命体征大数据建立根据患者的生命体征数据对患者的身体状态进行评估的健康评估模型，实现了远程对患者的身体状态进行统一监护，从而减轻了医护人员的工作量，并且能够在患者的身体状态处于危险时及时发现，从而提高了施救效率；采用大数据处理单元对生命体征大数据进行处理，并利用处理后的生命体征大数据对支持向量机进行训练，从而建立根据生命体征数据对患者的身体状态进行评估的健康评估模型，在利用生命体征大数据对支持向量机进行训练之前，先对生命体征大数据进行聚类处理，并在聚类处理的过程中去除生命体征大数据中的噪声数据，从而避免噪声数据对支持向量机的评估准确度的影响，采用聚类所得的类集合作为训练支持向量机的输入值，能够显著减少训练所需的时间并且提高了支持向量的性能；在对生命体征大数据的聚类过程中，提出一种新的类中心的选取方式，能够适应不同密度类和不同尺寸类的类中心的选取，具有较高的类中心的选取精度；提出了一种根据选取的类中心对生命体征大数据进行聚类的方法，能够在对大数据进行有效聚类的同时，避免噪声数据对聚类结果的影响，使得聚类结果具有较高的准确度。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，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是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的基于区块链的远程互联网大数据智慧医疗系统，包括生命体征采集模块、医疗大数据获取模块、区块链存储模块和智慧医疗终端，所述生命体征采集模块和患者的床位号进行绑定，用于采集患者的生命体征数据，并将采集的生命体征数据和患者的床位号通过互联网传输至智慧医疗终端，所述医疗大数据获取模块用于收集生命体征大数据，并将收集的生命体征大数据传输至区块链存储模块进行存储，所述智慧医疗终端包括大数据处理单元、生命体征分析单元、智能预警单元、患者信息收录单元和人机交互单元，智慧医疗终端从区块链存储模块中调取所述生命体征大数据，并将调取的生命体征大数据输入至大数据处理单元进行处理，所述生命体征分析单元根据处理后的生命体征大数据建立根据生命体征数据对患者的身体状态进行评估的健康评估模型，将接收到的患者的生命体征数据输入到健康评估模型中，从而评估患者的身体状态是健康还是危险，当评估患者的身体状态为危险时令智能预警单元进行预警，所述患者信息收录单元用于记录患者的基础信息、患者的生命体征数据和评估所得的患者的身体状态，医护人员可以通过在人机交互单元中输入患者的基础信息查询患者的生命体征数据和患者的身体状态。
优选地，所述生命体征分析单元采用支持向量机建立根据生命体征数据进行身体状态评估的健康评估模型，采用大数据处理单元处理后的生命体征大数据作为训练和测试所述支持向量机的样本集。
优选地，所述患者的基础信息包括患者的姓名、年龄和床位号。
本优选实施例提供一种远程的智慧医疗系统，根据生命体征大数据建立根据患者的生命体征数据对患者的身体状态进行评估的健康评估模型，实现了远程对患者的身体状态进行统一监护，从而减轻了医护人员的工作量，并且能够在患者的身体状态处于危险时及时发现，从而提高了施救效率。
优选地，所述大数据处理单元用于对生命体征大数据进行聚类，并在聚类的过程中去除所述生命体征大数据中的噪声数据，确定生命体征大数据聚类所得的各个类集合对应的身体状态的标签，在支持向量机的训练过程中，将生命体征大数据的类集合作为支持向量机的输入值，将类集合所对应的身体状态的标签作为支持向量机的输出值。
优选地，所述身体状态的标签包括健康和危险。
本优选实施例采用大数据处理单元对生命体征大数据进行处理，并利用处理后的生命体征大数据对支持向量机进行训练，从而建立根据生命体征数据对患者的身体状态进行评估的健康评估模型，在利用生命体征大数据对支持向量机进行训练之前，先对生命体征大数据进行聚类处理，并在聚类处理的过程中去除生命体征大数据中的噪声数据，从而避免噪声数据对支持向量机的评估准确度的影响，采用聚类所得的类集合作为训练支持向量机的输入值，能够显著减少训练所需的时间并且提高了支持向量的性能。
优选地，所述大数据处理单元用于对生命体征大数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据，具体包括：
(1)在生命体征大数据中选取类中心；
(2)根据选取的类中心对生命体征大数据中的数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据。
优选地，采用下列方式在所述生命体征大数据中选取类中心：
设Y表示生命体征大数据组成的集合，yi表示集合Y中的第i个数据，定义s(yi)表示数据yi在集合Y中的全局相似系数，且
Figure BDA0002923805680000081
其中，yj表示集合Y中的第j个数据，M(Y)表示集合Y中的数据个数；设U(yi)表示数据yi的邻域数据集合，给定正整数M，M的值可以取5，采用下列方式在集合Y中选取M个数据加入到集合U(yi)中：
设yi(1)表示集合Y中距离数据yi第一近的数据，ω(yi(1))表示数据yi(1)的局部区域，且ω(yi(1))为以数据
Figure BDA0002923805680000082
为中心、以|yi(1)-yi|为边长的正方体区域，将数据yi(1)加入到集合U(yi)中，并在局部区域ω(yi(1))外的数据中确定距离数据yi第一近的数据，将该数据记为yi(2)，设ω(yi(2))表示数据yi(2)的局部区域，且ω(yi(2))为以数据
Figure BDA0002923805680000083
为中心、以|yi(2)-yi|为边长的正方体区域，将数据yi(2)加入到集合U(yi)中，继续在局部区域ω(yi(1))和局部区域ω(yi(2))外的数据中确定距离数据yi第一近的数据，将该数据记为yi(3)，设ω(yi(3))表示数据yi(3)的局部区域，且ω(yi(3))为以数据
Figure BDA0002923805680000084
为中心、以|yi(3)-yi|为边长的正方体区域，将数据yi(3)加入到集合U(yi)中，并继续按照上述方法确定数据加入到集合U(yi)中，直到集合U(yi)中的数据个数等于M时，则停止向集合U(yi)中加入数据；
采用下列公式在集合Y中筛选出可作为类中心的候选数据：
Figure BDA0002923805680000091
式中，f(yi)表示数据yi在集合Y中的类中心属性值，yi(l)表示集合U(yi)中的第l个数据，s(yi(l))表示数据yi(l)在集合Y中的全局相似系数，ρ(yi(l)，yi)表示数据yi(l)相较于数据yi的距离权值，且
Figure BDA0002923805680000092
当数据yi的类中心属性值
Figure BDA0002923805680000093
时，则将数据yi视为类中心的候选数据，且判定所述类中心的候选数据为非噪声数据；当数据yi的类中心属性值
Figure BDA0002923805680000094
时，则将数据yi视为未聚类数据；
设L(Y)表示集合Y中视为类中心的候选数据组成的集合，在集合L(Y)中选取类中心，并根据选取的类中心对集合L(Y)中的数据进行聚类，具体包括：
选取集合L(Y)中具有最大全局相似系数的候选数据为第一个类中心，将所述第一个类中心记为c1，类中心c1所在的类集合记为C1，将类中心c1在集合L(Y)中删除，并采用下列步骤在当前集合L(Y)中筛选出属于类集合C1中的候选数据，具体为：
步骤(1)：设lk(1)表示第1次筛选时集合L(Y)中的第k个候选数据，定义G(lk(1)，C1)表示候选数据lk(1)和类集合C1之间的聚类函数，且G(lk(1)，C1)的表达式为：
G(lk(1)，C1)＝θ(lk(1)，C1)*|s(c1)-s(lk(1))|
式中，θ(lk(1)，C1)表示判断函数，设N(lk(1))表示在集合Y中选取的距离候选数据lk(1)最近的M个数据组成的邻域集合，m(lk(1)，C1)表示邻域集合N(lk(1))中存在的属于类集合C1的数据个数，当m(lk(1)，C1)≠0时，θ(lk(1)，C1)＝1，当m(lk(1)，C1)＝0时，θ(lk(1)，C1)＝0，s(c1)表示类中心c1在集合Y中的全局相似系数，s(lk(1))表示候选数据lk(1)在集合Y中的全局相似系数；
当
Figure BDA0002923805680000095
时，则判定候选数据lk(1)为类集合C1中的数据，将候选数据lk(1)加入到类集合C1中，并将候选数据lk(1)在集合L(Y)中删除，当G(lk(1)，C1)＝0或者
Figure BDA0002923805680000096
时，则将候选数据lk(1)在集合L(Y)中保留；
步骤(2)，设lK(2)表示第2次筛选时当前集合L(Y)中的第K个候选数据，定义G(lK(2)，C1)表示候选数据lK(2)和类集合C1之间的聚类函数，且G(lK(2)，C1)的表达式为：
Figure BDA0002923805680000101
其中，θ(lK(2)，C1)表示判断函数，设N(lK(2))表示在集合Y中选取距离候选数据lK(2)最近的M个数据组成的邻域集合，m(lK(2)，C1)表示邻域集合N(lK(2))中存在的属于类集合C1的数据个数，当m(lK(2)，C1)≠0时，θ(lK(2)，C1)＝1，当m(lK(2)，C1)＝0时，θ(lK(2)，C1)＝0，s(lK(2))表示候选数据lK(2)在集合Y中的全局相似系数，y1，z表示类集合C1中的第z个数据，ρ(y1，z，lK(2))表示数据y1，z相较于候选数据lK(2)的距离权值，且
Figure BDA0002923805680000102
Figure BDA0002923805680000103
s(y1，z)表示数据y1，z在集合Y中的全局相似系数；
当
Figure BDA0002923805680000104
时，则判定候选数据lK(2)为类集合C1中的数据，将候选数据lK(2)加入到类集合C1中，并将候选数据lK(2)在集合L(Y)中删除，当G(lK(2)，C1)＝0或者
Figure BDA0002923805680000105
时，则将候选数据lK(2)在集合L(Y)中保留；
当第二次筛选时在集合L(Y)中筛选出属于类集合C1的数据时，则继续按照步骤(2)中的方法在集合L(Y)中进行第三次筛选，直到在当前筛选次数时没有在集合L(Y)中筛选出属于类集合C1的数据时即停止在集合L(Y)中进行下一次的筛选；
继续选取当前集合L(Y)中具有最大全局相似系数的候选数据为第二个类中心，将所述第二个类中心记为c2，所述类中心c2所在的类集合记为C2，将类中心c2在集合L(Y)中删除，并采用上述步骤在当前集合L(Y)中筛选出属于类集合C2中的候选数据；筛选完成后，将类集合C2中的候选数据在当前集合L(Y)中删除；
重复上述方法直到当前集合L(Y)中剩余的候选数据个数为0时，即完成了在生命体征大数据中选取类中心，并完成了对所述生命体征大数据的初步聚类。
本优选实施例用于在生命体征大数据中选取类中心，从而根据选取的类中心对生命体征大数据进行聚类。在对大数据进行聚类时，类中心的选取直接影响着后期聚类结果的准确度和聚类的效率，也决定着噪声数据检测的准确度；传统的类中心的选取方式多数容易受到类密度、类尺寸的影响，从而容易选取出高密度类、具有较小尺寸类的类中心而忽略低密度类或者具有较大尺寸类的类中心，从而影响最终的聚类效果，针对上述现象，本优选实施例提出的在生命体征大数据中筛选出可作为类中心的候选数据的方式能够有效的筛选出不同密度、不同尺寸类的类中心，即提出的类中心的筛选方式不受类密度和类尺寸的影响，对于低密度类或者具有较大尺寸的类具有相同的类中心的检测精度，因为本优选实施例的类中心的筛选方式是通过计算所述数据的全局相似系数和其邻域数据的全局相似系数的加权均值之间的绝对差值来衡量所述数据的中心属性，数据的全局相似系数能够有效的衡量所述数据在生命体征大数据中的分布特性，邻域数据集合中邻域数据的选取方式能够保证所述数据在选取的邻域数据中的中心性，避免选取的邻域数据都处于所述数据一边的现象，再根据所述数据的全局相似系数和其邻域数据的全局相似系数的加权均值之间的绝对差值来衡量所述数据的中心属性，当所述数据处于类中心或类中心附近时，无论其处于何种密度或尺寸的类中，其全局相似系数和选取的邻域数据的全局相似系数都具有较大的相似性，因此，通过计算所述数据和其邻域数据之间全局相似系数的相似性能够有效的判断所述数据的中心属性，并且不受类密度或者类尺寸的影响，从而提高较小密度或者较大尺寸类的类中心的检测精度；按照上述方法能够有效的筛选出生命体征大数据中处于类中心或者类中心附近的数据，继续采用本优选实施例提出的类中心的选取方式，能够有效的选取类中心的同时，将类中心附近的数据聚类到其所对应的类集合中，即完成了生命体征大数据的初步聚类，为接下来的聚类和噪声检测奠定了基础。
优选地，根据选取的类中心对所述生命体征大数据中的数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据，具体为：
根据选取的类中心和初步聚类结果对集合Y中剩余的未聚类数据进行聚类，设D(Y)表示集合Y中未聚类数据组成的集合，da表示集合D(Y)中的第a个未聚类数据，N(da)表示集合Y中距离未聚类数据da最近的M个数据组成的邻域集合，定义h(da)表示未聚类数据da在集合D(Y)中的聚类优先级，且
Figure BDA0002923805680000111
其中，m(da)表示邻域集合N(da)中已聚类数据的个数，s(da)表示未聚类数据da在集合Y中的全局相似系数；
对此时集合D(Y)中具有最大聚类优先级的未聚类数据进行优先聚类，设de表示集合D(Y)中的第e个未聚类数据，且
Figure BDA0002923805680000112
N(de)表示集合Y中距离未聚类数据de最近的M个数据组成的邻域集合，m(de)表示集合N(de)中已聚类数据的个数；
当m(de)＝0时，则判定集合D(Y)中的未聚类数据均为噪声数据，并将所述噪声数据从D(Y)中都删除；
当m(de)≠0时，设Je，p表示集合N(de)中的第p个已聚类数据，将已聚类数据Je，p所在的类集合表示为Ce，p，定义J(de，Ce，p)为未聚类数据de和类集合Ce，p之间的分布检测系数，则J(de，Ce，p)的计算公式为：
Figure BDA0002923805680000121
式中，Me，p表示集合N(de)中存在的属于类集合Ce，p的已聚类数据的个数，N′(Je，p)表示类集合Ce，p中距离已聚类数据Je，p最近的M个已聚类数据组成的集合，Je，p，q表示集合N′(Je，p)中的第q个已聚类数据，Je，v表示集合N(de)中的第v个已聚类数据，且Je，v为类集合Ce，p中的数据，N′(Je，v)表示类集合Ce，p中距离已聚类数据Je，v最近的M个已聚类数据组成的集合，Je，v，b表示集合N′(Je，v)中的第b个已聚类数据；
设M(de)表示集合N(de)中的已聚类数据所处的不同类集合的个数，Ce，n表示数据de和所述M(de)个类集合之间拥有最小分布检测系数的类集合，即
Figure BDA0002923805680000122
当未聚类数据de和类集合Ce，n之间满足：
Figure BDA0002923805680000123
时，则将未聚类数据de加入到类集合Ce，n中，并将未聚类数据de在集合D(Y)中删除，判定未聚类数据de为非噪声数据，当未聚类数据de和类集合Ce，n之间满足：
Figure BDA0002923805680000124
Figure BDA0002923805680000125
时，则认定未聚类数据de为噪声数据，将未聚类数据de在集合D(Y)中删除，其中，s(de)表示未聚类数据de在集合Y中的全局相似系数，ye，n，r表示类集合Ce，n中的第r个数据，s(ye，n，r)表示数据ye，n，r在集合Y中的全局相似系数，ρ(ye，n，r，de)表示数据ye，n，r相较于未聚类数据de的距离权值，且
Figure BDA0002923805680000126
按照上述方法重新在当前集合D(Y)中选取具有最大聚类优先级的数据进行优先聚类，直到集合D(Y)中的未聚类数据个数为0时，则停止聚类。
本优选实施例用于根据选取的类中心和初步聚类结果对生命体征大数据中的未聚类数据进行聚类，并去除所述生命体征大数据中的噪声数据，对未聚类数据定义聚类优先级，所述聚类优先级综合考虑了未聚类数据的全局相似系数和其邻域集合中的已聚类数据个数，当所述未聚类数据拥有较大的全局相似系数并且其邻域集合中拥有较多的已聚类数据时，其具有较大概率为类集合中的数据，因此采用迭代的方式在未聚类数据集合中选取具有最大聚类优先级的未聚类数据进行聚类，能够保证优先对未聚类数据中的非噪声数据进行聚类，并且为接下来的未聚类数据的聚类奠定基础的同时，能够避免噪声数据对聚类结果的影响；在对具有最大聚类优先级的未聚类数据进行聚类时，当此时的最大聚类优先级为0时，则判定生命体征大数据中剩余的未聚类数据均为噪声数据，当此时的最大聚类优先级不为0时，则定义分布检测系数用于衡量所述未聚类数据和其邻域集合中已聚类数据所处类集合之间的分布相似性，定义的分布检测系数通过计算邻域集合中已聚类数据和其所在类集合中M个较近的已聚类数据之间的平均距离来衡量待检测类集合中数据的分布特性，通过计算所述未聚类数据和其邻域集合中已聚类数据之间的距离来衡量所述数据和待检测类集合中数据之间的分布特性，最后将这两者之间的分布特性进行比较，和未聚类数据的分布特性最为相似的类集合具有最大概率为未聚类数据所属于的类集合，因此，选取和未聚类数据之间具有最小分布检测系数值的类集合进行检测，在检测过程中，通过比较未聚类数据和待检测类集合中的数据的全局相似系数之间的相似性来判断所述未聚类数据是否为该类集合的数据，从而能够有效的对未聚类数据进行聚类，并且能够有效的检测出未聚类数据中的噪声数据。
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理解，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 (8)

1.基于区块链的远程互联网大数据智慧医疗系统，其特征是，包括生命体征采集模块、医疗大数据获取模块、区块链存储模块和智慧医疗终端，所述生命体征采集模块和患者的床位号进行绑定，用于采集患者的生命体征数据，并将采集的生命体征数据和患者的床位号通过互联网传输至智慧医疗终端，所述医疗大数据获取模块用于收集生命体征大数据，并将收集的生命体征大数据传输至区块链存储模块进行存储，所述智慧医疗终端包括大数据处理单元、生命体征分析单元、智能预警单元、患者信息收录单元和人机交互单元，智慧医疗终端从区块链存储模块中调取所述生命体征大数据，并将调取的生命体征大数据输入至大数据处理单元进行处理，所述生命体征分析单元根据处理后的生命体征大数据建立根据生命体征数据对患者的身体状态进行评估的健康评估模型，将接收到的患者的生命体征数据输入到健康评估模型中，从而评估患者的身体状态是健康还是危险，当评估患者的身体状态为危险时令智能预警单元进行预警，所述患者信息收录单元用于记录患者的基础信息、患者的生命体征数据和评估所得的患者的身体状态，医护人员可以通过在人机交互单元中输入患者的基础信息查询患者的生命体征数据和患者的身体状态。
2.根据权利要求1所述的基于区块链的远程互联网大数据智慧医疗系统，其特征是，所述生命体征分析单元采用支持向量机建立根据生命体征数据进行身体状态评估的健康评估模型，采用大数据处理单元处理后的生命体征大数据作为训练和测试所述支持向量机的样本集。
3.根据权利要求2所述的基于区块链的远程互联网大数据智慧医疗系统，其特征是，患者的基础信息包括患者的姓名、年龄和床位号。
4.根据权利要求3所述的基于区块链的远程互联网大数据智慧医疗系统，其特征是，大数据处理单元用于对生命体征大数据进行聚类，并在聚类的过程中去除所述生命体征大数据中的噪声数据，确定对生命体征大数据聚类所得的各个类集合对应的身体状态的标签，在支持向量机的训练过程中，将生命体征大数据的类集合作为支持向量机的输入值，将类集合所对应的身体状态的标签作为支持向量机的输出值。
5.根据权利要求4所述的基于区块链的远程互联网大数据智慧医疗系统，其特征是，所述身体状态的标签包括健康和危险。
6.根据权利要求5所述的基于区块链的远程互联网大数据智慧医疗系统，其特征是，大数据处理单元用于对生命体征大数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据，具体包括：
(1)在生命体征大数据中选取类中心；
(2)根据选取的类中心对生命体征大数据中的数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据。
7.根据权利要求6所述的基于区块链的远程互联网大数据智慧医疗系统，其特征是，采用下列方式在所述生命体征大数据中选取类中心：
设Y表示生命体征大数据组成的集合，yi表示集合Y中的第i个数据，定义s(yi)表示数据yi在集合Y中的全局相似系数，且
Figure FDA0002923805670000021
其中，yj表示集合Y中的第j个数据，M(Y)表示集合Y中的数据个数；设U(yi)表示数据yi的邻域数据集合，给定正整数M，采用下列方式在集合Y中选取M个数据加入到集合U(yi)中：
设yi(1)表示集合Y中距离数据yi第一近的数据，ω(yi(1))表示数据yi(1)的局部区域，且ω(yi(1))为以数据
Figure FDA0002923805670000022
为中心、以|yi(1)-yi|为边长的正方体区域，将数据yi(1)加入到集合U(yi)中，并在局部区域ω(yi(1))外的数据中确定距离数据yi第一近的数据，将该数据记为yi(2)，设ω(yi(2))表示数据yi(2)的局部区域，且ω(yi(2))为以数据
Figure FDA0002923805670000023
为中心、以|yi(2)-yi|为边长的正方体区域，将数据yi(2)加入到集合U(yi)中，继续在局部区域ω(yi(1))和局部区域ω(yi(2))外的数据中确定距离数据yi第一近的数据，将该数据记为yi(3)，设ω(yi(3))表示数据yi(3)的局部区域，且ω(yi(3))为以数据
Figure FDA0002923805670000024
为中心、以|yi(3)-yi|为边长的正方体区域，将数据yi(3)加入到集合U(yi)中，并继续按照上述方法确定数据加入到集合U(yi)中，直到集合U(yi)中的数据个数等于M时，则停止向集合U(yi)中加入数据；
采用下列公式在集合Y中筛选出可作为类中心的候选数据：
Figure FDA0002923805670000025
式中，f(yi)表示数据yi在集合Y中的类中心属性值，yi(l)表示集合U(yi)中的第l个数据，s(yi(l))表示数据yi(l)在集合Y中的全局相似系数，ρ(yi(l)，yi)表示数据yi(l)相较于数据yi的距离权值，且
Figure FDA0002923805670000026
当数据yi的类中心属性值
Figure FDA0002923805670000027
时，则将数据yi视为类中心的候选数据，且判定所述数据yi为非噪声数据；当数据yi的类中心属性值
Figure FDA0002923805670000031
时，则将数据yi视为未聚类数据；
设L(Y)表示集合Y中视为类中心的候选数据组成的集合，在集合L(Y)中选取类中心，并根据选取的类中心对集合L(Y)中的候选数据进行聚类，具体包括：
选取集合L(Y)中具有最大全局相似系数的候选数据为第一个类中心，将所述第一个类中心记为c1，类中心c1所在的类集合记为C1，将类中心c1在集合L(Y)中删除，并采用下列步骤在当前集合L(Y)中筛选出属于类集合C1的其他候选数据，具体为：
步骤(1)：设lk(1)表示第1次筛选时集合L(Y)中的第k个候选数据，定义G(lk(1)，C1)表示候选数据lk(1)和类集合C1之间的聚类函数，且G(lk(1)，C1)的表达式为：
G(lk(1)，C1)＝θ(lk(1)，C1)*|s(lk(1))-s(c1)|
式中，θ(lk(1)，C1)表示判断函数，设N(lk(1))表示在集合Y中选取的距离候选数据lk(1)最近的M个数据组成的邻域集合，m(lk(1)，C1)表示邻域集合N(lk(1))中存在的属于类集合C1的数据个数，当m(lk(1)，C1)≠0时，θ(lk(1)，C1)＝1，当m(lk(1)，C1)＝0时，θ(lk(1)，C1)＝0，s(c1)表示类中心c1在集合Y中的全局相似系数，s(lk(1))表示候选数据lk(1)在集合Y中的全局相似系数；
当
Figure FDA0002923805670000032
时，则判定候选数据lk(1)为类集合C1中的数据，将候选数据lk(1)加入到类集合C1中，并将候选数据lk(1)在集合L(Y)中删除，当G(lk(1)，C1)＝0或者
Figure FDA0002923805670000033
时，则将候选数据lk(1)在集合L(Y)中保留；
步骤(2)，设lK(2)表示第2次筛选时当前集合L(Y)中的第K个候选数据，定义G(lK(2)，C1)表示候选数据lK(2)和类集合C1之间的聚类函数，且G(lK(2)，C1)的表达式为：
Figure FDA0002923805670000034
其中，θ(lK(2)，C1)表示判断函数，设N(lK(2))表示在集合Y中选取距离候选数据lK(2)最近的M个数据组成的邻域集合，m(lK(2)，C1)表示邻域集合N(lK(2))中存在的属于类集合C1的数据个数，当m(lK(2)，C1)≠0时，θ(lK(2)，C1)＝1，当m(lK(2)，C1)＝0时，θ(lK(2)，C1)＝0，s(lK(2))表示候选数据lK(2)在集合Y中的全局相似系数，y1，z表示类集合C1中的第z个数据，ρ(y1，z，lK(2))表示数据y1，z相较于候选数据lK(2)的距离权值，且
Figure FDA0002923805670000035
Figure FDA0002923805670000041
s(y1，z)表示数据y1，z在集合Y中的全局相似系数；
当
Figure FDA0002923805670000042
时，则判定候选数据lK(2)为类集合C1中的数据，将候选数据lK(2)加入到类集合C1中，并将候选数据lK(2)在集合L(Y)中删除，当G(lK(2)，C1)＝0或者
Figure FDA0002923805670000043
时，则将候选数据lK(2)在集合L(Y)中保留；
当第二次筛选时在集合L(Y)中筛选出属于类集合C1的数据时，则继续按照步骤(2)中的方法在集合L(Y)中进行第三次筛选，直到在当前筛选次数时没有在集合L(Y)中筛选出属于类集合C1的数据时即停止在集合L(Y)中进行下一次的筛选；
继续选取当前集合L(y)中具有最大全局相似系数的候选数据为第二个类中心，将所述第二个类中心记为c2，所述类中心c2所在的类集合记为C2，将类中心c2在集合L(Y)中删除，并采用上述步骤在当前集合L(Y)中筛选出属于类集合C2的其他候选数据；筛选完成后，将类集合C2中的候选数据在当前集合L(Y)中删除；
重复上述方法直到当前集合L(Y)中剩余的候选数据个数为0时，即完成了在生命体征大数据中选取类中心，并完成了对所述生命体征大数据的初步聚类。
8.根据权利要求7所述的基于区块链的远程互联网大数据智慧医疗系统，其特征是，根据选取的类中心对所述生命体征大数据中的数据进行聚类，并在聚类的过程中去除生命体征大数据中的噪声数据，具体为：
根据选取的类中心和初步聚类结果对集合Y中剩余的未聚类数据进行聚类，设D(Y)表示集合Y中未聚类数据组成的集合，da表示集合D(Y)中的第a个未聚类数据，N(da)表示集合Y中距离未聚类数据da最近的M个数据组成的邻域集合，定义h(da)表示未聚类数据da在集合D(Y)中的聚类优先级，且
Figure FDA0002923805670000044
其中，m(da)表示邻域集合N(da)中已聚类数据的个数，s(da)表示未聚类数据da在集合Y中的全局相似系数；
对此时集合D(Y)中具有最大聚类优先级的未聚类数据进行优先聚类，设de表示集合D(Y)中的第e个未聚类数据，且
Figure FDA0002923805670000045
N(de)表示集合Y中距离未聚类数据de最近的M个数据组成的邻域集合，m(de)表示集合N(de)中已聚类数据的个数；
当m(de)＝0时，则判定集合D(Y)中的未聚类数据均为噪声数据，并将所述噪声数据从D(Y)中都删除；
当m(de)≠0时，设Je，p表示集合N(de)中的第p个已聚类数据，将已聚类数据Je，p所在的类集合表示为Ce，p，定义J(de，Ce，p)为未聚类数据de和类集合Ce，p之间的分布检测系数，则J(de，Ce，p)的计算公式为：
Figure FDA0002923805670000051
式中，Me，p表示集合N(de)中存在的属于类集合Ce，p的已聚类数据的个数，N′(Je，p)表示类集合Ce，p中距离已聚类数据Je，p最近的M个已聚类数据组成的集合，Je，p，q表示集合N′(Je，p)中的第q个已聚类数据，Je，v表示集合N(de)中的第v个已聚类数据，且je，v为类集合Ce，p中的数据，N′(Je，v)表示类集合Ce，p中距离已聚类数据Je，v最近的M个已聚类数据组成的集合，Je，v，b表示集合N′(Je，v)中的第b个已聚类数据；
设M(de)表示集合N(de)中的已聚类数据所处的不同类集合的个数，Ce，n表示数据de和所述M(de)个类集合之间拥有最小分布检测系数的类集合，即
Figure FDA0002923805670000052
当未聚类数据de和类集合Ce，n之间满足：
Figure FDA0002923805670000053
时，则将未聚类数据de加入到类集合Ce，n中，并将未聚类数据de在集合D(Y)中删除，判定未聚类数据de为非噪声数据，当未聚类数据de和类集合Ce，n之间满足：
Figure FDA0002923805670000054
Figure FDA0002923805670000055
时，则认定未聚类数据de为噪声数据，将未聚类数据de在集合D(Y)中删除，其中，s(de)表示未聚类数据de在集合Y中的全局相似系数，ye，n，r表示类集合Ce，n中的第r个数据，s(ye，n，r)表示数据ye，n，r在集合Y中的全局相似系数，ρ(ye，n，r，de)表示数据ye，n，r相较于未聚类数据de的距离权值，且
Figure FDA0002923805670000056
按照上述方法重新在当前集合D(Y)中选取具有最大聚类优先级的数据进行优先聚类，直到集合D(Y)中的未聚类数据个数为0时，则停止聚类。
CN202110125345.XA 2021-01-29 2021-01-29 基于区块链的远程互联网大数据智慧医疗系统 Active CN112837799B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111167554.7A CN113889252B (zh) 2021-01-29 2021-01-29 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统
CN202110125345.XA CN112837799B (zh) 2021-01-29 2021-01-29 基于区块链的远程互联网大数据智慧医疗系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110125345.XA CN112837799B (zh) 2021-01-29 2021-01-29 基于区块链的远程互联网大数据智慧医疗系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202111167554.7A Division CN113889252B (zh) 2021-01-29 2021-01-29 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统

Publications (2)

Publication Number Publication Date
CN112837799A true CN112837799A (zh) 2021-05-25
CN112837799B CN112837799B (zh) 2021-10-15

Family

ID=75931006

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111167554.7A Active CN113889252B (zh) 2021-01-29 2021-01-29 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统
CN202110125345.XA Active CN112837799B (zh) 2021-01-29 2021-01-29 基于区块链的远程互联网大数据智慧医疗系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111167554.7A Active CN113889252B (zh) 2021-01-29 2021-01-29 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统

Country Status (1)

Country Link
CN (2) CN113889252B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240501A (zh) * 2021-06-16 2021-08-10 王健英 基于算法、区块链和大数据的人工智能电商推荐系统
CN114203312A (zh) * 2021-11-12 2022-03-18 姜德秋 结合大数据智慧医疗的数字化医疗服务分析方法及服务器

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI804448B (zh) * 2022-11-04 2023-06-01 國立陽明交通大學 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170300646A1 (en) * 2016-04-19 2017-10-19 Conduent Business Services, Llc Forecasting a patient vital measurement for healthcare analytics
CN108806791A (zh) * 2018-08-02 2018-11-13 深圳汇通智能化科技有限公司 健康监测护理医疗系统
CN110890146A (zh) * 2019-11-04 2020-03-17 广东德澳智慧医疗科技有限公司 一种用于智慧病房的床旁智能交互系统
CN111863232A (zh) * 2020-08-06 2020-10-30 罗春华 基于区块链和医学影像的远程疾病智能诊断系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825056B (zh) * 2016-03-16 2018-03-23 苏州德品医疗科技股份有限公司 一种智慧病区信息中心系统
CN109469919B (zh) * 2018-11-12 2020-07-28 南京工程学院 一种基于权重聚类的电站空预器堵灰监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170300646A1 (en) * 2016-04-19 2017-10-19 Conduent Business Services, Llc Forecasting a patient vital measurement for healthcare analytics
CN108806791A (zh) * 2018-08-02 2018-11-13 深圳汇通智能化科技有限公司 健康监测护理医疗系统
CN110890146A (zh) * 2019-11-04 2020-03-17 广东德澳智慧医疗科技有限公司 一种用于智慧病房的床旁智能交互系统
CN111863232A (zh) * 2020-08-06 2020-10-30 罗春华 基于区块链和医学影像的远程疾病智能诊断系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240501A (zh) * 2021-06-16 2021-08-10 王健英 基于算法、区块链和大数据的人工智能电商推荐系统
CN114203312A (zh) * 2021-11-12 2022-03-18 姜德秋 结合大数据智慧医疗的数字化医疗服务分析方法及服务器
CN114203312B (zh) * 2021-11-12 2022-12-16 蓝气球(北京)医学研究有限公司 结合大数据智慧医疗的数字化医疗服务分析方法及服务器

Also Published As

Publication number Publication date
CN112837799B (zh) 2021-10-15
CN113889252A (zh) 2022-01-04
CN113889252B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN112837799B (zh) 基于区块链的远程互联网大数据智慧医疗系统
CN112107752B (zh) 血压预测方法与使用该方法的电子装置
CN105675038A (zh) 一种仪表的故障预测装置
CN110739076A (zh) 一种医疗人工智能公共训练平台
CN107145715B (zh) 一种基于推举算法的临床医学智能判别装置
CN111081379A (zh) 一种疾病概率决策方法及其系统
CN105611872A (zh) 用于评估多通道ecg信号的装置和方法
CN113643306A (zh) 一种染色体散型图像自动分割方法
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN113539473A (zh) 一种仅使用血常规检验数据诊断布氏杆菌病的方法及系统
US6941288B2 (en) Online learning method in a decision system
CN116189909B (zh) 基于推举算法的临床医学判别方法及系统
CN115831219A (zh) 一种质量预测方法、装置、设备及存储介质
CN110223743A (zh) 一种针对肺癌诊断记录的结构化处理方法和系统
CN106709522B (zh) 一种基于改进模糊三角数的高压电缆施工缺陷分级方法
CN104268566A (zh) 淋巴结疾病智能诊断系统中的数据处理方法
CN115346598A (zh) 一种慢性肾脏病遗传基因风险筛查系统
CN114496196A (zh) 医疗实验室临床生化检验自动审核系统
CN114242239B (zh) 一种vte风险监测及结果质控系统
CN112365992A (zh) 一种基于nrs-lda的医疗体检数据识别分析方法
CN110569277A (zh) 一种配置数据信息自动识别与归类方法及系统
CN111297348A (zh) 心电图分析结果的生成方法、心电图机及存储介质
US20230050245A1 (en) Methods and systems for determining and displaying patient readmission risk
CN116189896B (zh) 一种基于云端的糖尿病健康数据预警方法及系统
CN112274119B (zh) 一种基于神经网络的脉搏波模型预测方法

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