CN112986503B - 一种量化的病原体微生物安全风险指标的监测系统及方法 - Google Patents
一种量化的病原体微生物安全风险指标的监测系统及方法 Download PDFInfo
- Publication number
- CN112986503B CN112986503B CN202110422156.9A CN202110422156A CN112986503B CN 112986503 B CN112986503 B CN 112986503B CN 202110422156 A CN202110422156 A CN 202110422156A CN 112986503 B CN112986503 B CN 112986503B
- Authority
- CN
- China
- Prior art keywords
- risk
- monitoring
- air
- pathogen microorganism
- pathogen
- 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
Links
- 244000052769 pathogen Species 0.000 title claims abstract description 227
- 230000001717 pathogenic effect Effects 0.000 title claims abstract description 223
- 244000005700 microbiome Species 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011155 quantitative monitoring Methods 0.000 title abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 281
- 239000000809 air pollutant Substances 0.000 claims abstract description 158
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 158
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 238000013179 statistical model Methods 0.000 claims abstract description 69
- 238000010586 diagram Methods 0.000 claims abstract description 50
- 244000000010 microbial pathogen Species 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000012502 risk assessment Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 31
- 239000013618 particulate matter Substances 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000002265 prevention Effects 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 15
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000000443 aerosol Substances 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 9
- 239000000356 contaminant Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 6
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 6
- 230000000813 microbial effect Effects 0.000 claims description 6
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 19
- 208000015181 infectious disease Diseases 0.000 abstract description 10
- 208000035473 Communicable disease Diseases 0.000 abstract description 9
- 239000000969 carrier Substances 0.000 abstract description 5
- 230000001960 triggered effect Effects 0.000 abstract description 5
- 230000005541 medical transmission Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 9
- 238000013499 data model Methods 0.000 description 5
- 238000013079 data visualisation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 244000000022 airborne pathogen Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010460 detection of virus Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000001917 fluorescence detection Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000606161 Chlamydia Species 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000589248 Legionella Species 0.000 description 1
- 208000007764 Legionnaires' Disease Diseases 0.000 description 1
- 241000204031 Mycoplasma Species 0.000 description 1
- 102000029797 Prion Human genes 0.000 description 1
- 108091000054 Prion Proteins 0.000 description 1
- 241000606701 Rickettsia Species 0.000 description 1
- 241000589970 Spirochaetales Species 0.000 description 1
- 241000193998 Streptococcus pneumoniae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 244000000013 helminth Species 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229940031000 streptococcus pneumoniae Drugs 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 241000712461 unidentified influenza virus Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本发明公开了一种量化的病原体微生物安全风险指标的监测系统及方法，空气污染物采集终端周期性地采集基于地理位置的监测点的空气污染物监测数据，并将所述监测数据上报给所述物联网云端平台；所述物联网云端平台利用病原体微生物风险统计模型结合热力图分析所述病原体微生物安全演变趋势，实时预测评估所述监测数据的风险等级；当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。本发明通过物联网将空气质量监测数据与空气污染物作为病原体微生物传播载体相结合，触发监测点的安全风险评估以及响应机制，提升了传染疾病传播控制的智能化决策手段和响应速度。
Description
技术领域
本发明涉及生物安全分析与预测领域，特别涉及一种量化的病原体微生物安全风险指标的监测系统及方法。
背景技术
病原体微生物是指朊毒体、寄生虫（原虫、蠕虫、医学昆虫）、真菌、细菌、螺旋体、支原体、立克次体、衣原体、病毒，这些病微生物通过空气进入人体后，在宿主中生长繁殖、释放毒性物质等引起机体不同程度的病理变化。一般来说，病原体微生物是通过生物气溶胶在空气中传播的，生物气溶胶（bioaerosols）是悬浮在大气中的气溶胶、微生物、微生物副产物和/或花粉组成的集合体。因此，空气中的病原体微生物传播与污染物的严重程度（污染物颗粒浓度）之间存在密切相关性，而对人流密集场所的空气中病原体微生物监测已经成为控制各种传染病传播的重要手段。
然而，目前基于物联网的空气污染物数据监测评估空气质量技术成熟，现有技术未考虑空气质量监测数据对于空气污染物作为病原体微生物传播载体引发生物安全风险评估、预测、以及响应机制，基于物联网大数据建立病原体微生物风险分析模型并驱动病原体微生物检测的技术是仍然缺乏的。
发明内容
有鉴于此，本发明实施例提供的一种量化的病原体微生物安全风险指标的监测系统及方法，以基于物联网空气质量监测数据，对于空气污染物作为病原体微生物传播载体引发的生物安全风险进行评估和预测以及响应机制，提高病原体微生物安全风险决策手段、控制效能和响应速度，同时减轻防疫人员的工作强度。
本发明解决上述技术问题所采用的技术方案如下：
根据本发明的一个方面，提供的一种量化的病原体微生物安全风险指标监测系统空气污染物采集终端、物联网云端平台；其中：
所述空气污染物采集终端，用于周期性地采集基于地理位置的监测点的空气污染物监测数据，并将所述监测数据上报给所述物联网云端平台；
所述物联网云端平台，用于实时接收所述监测数据，并利用病原体微生物风险统计模型结合热力图分析所述病原体微生物安全演变趋势，实时预测评估所述监测数据的安全风险等级；当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。
优选地，所述空气污染物采集终端包括：空气颗粒物检测传感器、空气生物气溶胶检测传感器、位置传感器、处理器、通讯接口；所述空气颗粒物检测传感器、空气生物气溶胶检测传感器、位置传感器分别通过所述通讯接口与处理器进行数据传输；其中：
所述空气颗粒物检测传感器，用于周期性地采集监测点空气中颗粒物的监测数据，并通过通讯接口将所述监测数据传输给所述处理器；
所述空气生物气溶胶检测传感器，用于周期性地采集监测点空气中0.01~10μm不同颗粒尺径液态和固态的生物气溶胶的监测数据，并通过通讯接口将所述监测数据传输给所述处理器；
所述位置传感器，用于采集监测点的位置信息，并通过通讯接口将所述位置信息传输给所述处理器；
所述处理器，用于驱动所述空气颗粒物检测传感器、空气生物气溶胶检测传感器和位置传感器周期性地采集监测点的监测数据，并将所述监测数据封装成预设的数据包格式，并将封装后数据包通过网络传输协议发送给至物联网云端平台。
优选地，所述物联网云端平台还用于训练空气污染物样本数据，建立病原体微生物风险统计模型；还用于接收所述人工检测或者自动检测监测点的病原体微生物的生化检测结果，基于所述监测数据和生化检测结果迭代更新所述病原体微生物风险统计模型。
根据本发明的另一个方面，提供的一种量化的病原体微生物安全风险指标监测方法，包括：
物联网云端平台实时接收空气污染物采集终端上报的基于地理位置的监测点的空气污染物监测数据；
利用病原体微生物风险统计模型结合热力图分析所述病原体微生物安全演变趋势，实时预测评估所述监测数据安全风险等级；
当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。
优选地，所述空气污染物包括直径0.01~10μm不同颗粒尺径液态或固态的生物气溶胶；所述监测数据包括：空气污染物的颗粒类型、尺寸、浓度、场所类型和场所的人流密度。
优选地，所述方法之前还包括训练空气污染物样本数据，建立病原体微生物风险统计模型，具体包括：
采集多个已确定病原体微生物类型的空气污染物的样本数据，构建多元线性回归矩阵，训练所述多元线性回归矩阵确定所述病原体微生物风险统计模型；
所述方法之后还包括：接收所述人工检测或者自动检测监测点的病原微生物的检测结果，基于所述监测数据和生化检测结果迭代更新所述病原体微生物风险统计模型。
优选地，所述多元线性回归矩阵包括：
其中，Ym = βm0 + βm1X1 + βm2X2 + … + βm(p-1)Xp-1 + e
Ym为第m种类型的病原体微生物的检测结果；
X1, X2, …, Xp-1为各种空气污染物的浓度；
βm0, βm1, βm2, …, βm(p-1)为第m种病原体微生物的回归系数；
e 为随机误差项；
n为空气污染物监测样本数量。
优选地，所述利用病原体微生物风险统计模型结合热力图分析所述病原体微生物安全演变趋势，实时预测评估所述监测数据的安全风险等级，包括：
将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子；
依据所述风险决策因子与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的病原体微生物安全风险等级。
优选地，将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子包括通过以下公式计算得到所述风险决策因子σ：
σ=ψ(Y1, Y2, …, Ym, θα, θβ, θγ,)
其中，ψ表示风险评估函数；
Y1,Y2, …, Ym表示实时监测数据依据病原体微生物风险统计模型公式计算出的第1,2，…m种类型的病原体微生物的检测结果；
θα为场所类型风险系数；
θβ为人流密度；
θγ为调整参数。
优选地，依据所述风险决策因子与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的病原体微生物安全风险等级，包括：
依据所述风险决策因子与其对应的空气污染物监测数据的监测点地理位置信息，将所述风险决策因子标记在地理信息系统上得到可视化热力图；
分析所述热力图随时间演变的密度，获得所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级；
将所述风险等级划分为不同的预设风险等级；
将所述风险决策因子按照值域划分为不同的预设风险决策因子范围，将预设风险决策因子范围与所述预设风险等级进行对应，形成风险决策因子与风险等级的对应关系；
根据所述风险决策因子的值域、以及所述风险决策因子与风险等级的对应关系，确定空气污染物的病原体微生物安全风险等级。
优选地，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，包括：
根据热力图随时间演变的密度分析，获得风险等级和演变趋势，形成风险决策依据；
当所述风险等级为高风险时触发风险告警信息；
依据风险等级将所述风险告警信息发送给所述采集终端自动启动监测点的病原体微生物检测；或者将所述风险告警信息发送给相关的卫生防疫机构以提醒人工启动监测点的病原体微生物检测。
与相关技术相比，本发明实施例提供的一种量化的病原体微生物安全风险指标的监测系统及方法，基于现有的空气质量监测系统为基础，通过部署多样性的空气污染物采集终端，周期性地采集基于地理位置的监测点的空气污染物的监测数据，并由物联网云端平台根据所述空气污染物监测数据建立所述空气污染物监测数据指标与检测的病原体微生物的承载量和类型之间的基于物联网的病原体微生物风险统计模型，并基于所述病原体微生物风险统计模型结合热力图分析基于地理位置的空间维度、时间维度上的病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，对风险等级为高风险以上启动检测监测点的病原体微生物，从而基于物联网数据，将空气质量监测与病原体微生物检测通过物联网云端平台连接，依据大数据模型对周期性采样空气污染物监测数据的病原体微生物存在概率预测作为决策因子驱动病原体微生物检测，将扩展现有的空气质量监测数据的使用效能，考虑空气质量监测数据对于空气污染物作为病原体微生物传播载体引发生物安全风险评估和预测以及响应机制，提高病原体微生物安全风险决策手段和控制效能，提升传染疾病传播控制的智能化决策手段和响应速度，同时减轻防疫人员的工作强度。
附图说明
图1为本发明实施例提供的一种基于物联网的量化的病原体微生物安全风险指标监测系统的结构示意图。
图2为本发明实施例提供的一种基于物联网的量化的病原体微生物安全风险指标监测系统中空气污染物采集终端的结构示意图。
图3为本发明实施例提供的一种基于物联网的量化的病原体微生物安全风险指标监测系统基于空气污染物监测数据的病原体微生物风险概率模型和预测示意图。
图4为本发明实施例提供的一种基于物联网的量化的病原体微生物安全风险指标监测系统的结构示意图。
图5为本发明实施例提供的一种基于物联网的量化的病原体微生物安全风险指标监测方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
在一个实施例中，如图1所示，本发明提供一种基于物联网的量化的病原体微生物安全风险指标监测系统，所述量化的病原体微生物安全风险指标监测系统包括：空气污染物采集终端100、物联网云端平台200。
所述空气污染物采集终端100，用于周期性地采集基于地理位置的监测点的空气污染物监测数据105，并通过数据通道103将所述监测数据上报给所述物联网云端平台200。其中，所述空气污染物至少包括以下之一：二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳、臭氧，以及0.01~10μm不同颗粒尺径液态和固态的生物气溶胶。
所述物联网云端平台200，用于实时接收所述空气污染物采集终端100上报的所述监测数据，根据所述空气污染物监测数据建立基于物联网的病原体微生物风险统计模型，并基于所述病原体微生物风险统计模型结合热力图（Heat Map）分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。
在本实施例中，通过以部署多样性的空气污染物采集终端、物联网集中数据监测为基础，通过周期性地采集基于地理位置的监测点的空气污染物的物联网监测数据，并由物联网云端平台根据所述空气污染物监测数据建立所述空气污染物监测数据指标与检测的病原体微生物的承载量和类型之间的基于物联网的病原体微生物风险统计模型，并基于所述病原体微生物风险统计模型结合热力图（Heat Map）分析基于地理位置的空间维度、时间维度上的病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，从而基于物联网数据，将空气质量监测与病原体微生物检测通过物联网云端平台连接，依据大数据模型对周期性采样空气污染物监测数据的病原体微生物存在概率预测作为决策因子驱动病原体微生物检测，将扩展现有的空气质量监测数据的使用效能，考虑空气质量监测数据对于空气污染物作为病原体微生物传播载体引发生物安全风险评估和预测以及响应机制，提高病原体微生物安全风险决策手段和控制效能，提升传染疾病传播控制的智能化决策手段和响应速度，同时减轻防疫人员的工作强度。
在一个实施例中，如图2所示，所述空气污染物采集终端100包括：空气颗粒物检测传感器110、空气生物气溶胶检测传感器120、位置传感器130、处理器140、通讯接口150；所述空气颗粒物检测传感器110、空气生物气溶胶检测传感器120、位置传感器130分别通过所述通讯接口150与处理器140进行数据传输；其中：
所述空气颗粒物检测传感器110，用于周期性地采集监测点空气中颗粒物的监测数据，并通过通讯接口150将所述监测数据传输给所述处理器140；所述颗粒物至少覆盖以下之一：二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳和臭氧。
所述空气生物气溶胶检测传感器120，用于周期性地采集监测点空气中的0.01~10μm不同颗粒尺径液态和固态的生物气溶胶的监测数据，并通过通讯接口150将所述监测数据传输给所述处理器140。
所述位置传感器130，用于采集监测点的位置信息，并通过通讯接口150将所述位置信息传输给所述处理器140。所述监测点的位置信息就是所述空气污染物采集终端100的位置信息。
所述处理器140，用于通过通讯接口150驱动所述空气颗粒物检测传感器110、空气生物气溶胶检测传感器120和位置传感器130周期性地采集监测数据，并分别接收所述空气颗粒物检测传感器110、空气生物气溶胶检测传感器120和位置传感器130传输过来的监测数据，将所述监测数据封装成预设的数据包格式，并将封装后数据包通过网络传输协议160经由无线通信网络170发送给物联网云端平台200。
所述处理器140，还用于配置场所类型、人流密度以及环境温度、湿度数据，并通过数据通道103将上述配置数据上报给所述物联网云端平台200。其中，所述场所类型包括但不限于医院、学校、地铁等。
优选地，所述预设的数据包格式至少包括以下之一数据包格式：JSON格式、XML文本型格式、二进制型格式。
优选地，所述位置传感器130至少包括以下之一类型的位置传感器：GPS、北斗及其它位置定位方式。
优选地，所述网络传输协议160至少包括以下之一：HTTPS、TCP、UDP。
选地，所述无线通信网络170至少包括以下之一：WIFI或4G/5G移动通信网络。
优选地，所述数据通道103为无线通信网络或有线通信网络；其中，所述有线通信网络至少包括以下之一：有线光纤网络、有线以太网络；所述无线通信网络至少包括以下之一：WIFI或4G/5G移动通信网络。
在本实施例中，所述空气污染物采集终端包括空气颗粒物检测传感器、空气生物气溶胶检测传感器、位置传感器周期性监测采集监测数据，通过通讯接口将所述监测数据传输给所述处理器，所述处理器将所述监测数据封装成预设的数据包格式，将封装后数据包通过网络传输协议经由无线通信网络传送至物联网云端平台。其中，所述监测数据包括二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳和臭氧，以及0.01~10μm不同颗粒尺径液态和固态的生物气溶胶的空气污染物的监测数据；并且所述空气污染物采集终端还可以标识采样点的地理位置、场所类型、人流密度以及环境温度、湿度数据，使得采集的空气污染物多样化，满足包括空气污染物的颗粒类型、尺寸、浓度，场所类型以及场所的人流密度等多维度数据要求，为将空气污染物数据指标与病原体微生物的承载量和类型之间建立关联模型提供多维度的数据支撑。
在一个实施例中，如图1所示，所述物联网云端平台200，用于接收所述空气污染物采集终端100上报的所述监测数据，根据所述空气污染物监测数据建立基于物联网的病原体微生物风险统计模型，并基于所述病原体微生物风险统计模型结合热力图（Heat Map）分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。具体用于：所述物联网云端平台实时接收所述空气污染物采集终端100上报的所述监测数据；将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子σ；依据所述风险决策因子σ与其对应的监测点地理位置信息（例如物联网设备GPS坐标、北斗坐标或其它定位信息），结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，病原体微生物的检测结果进一步反馈给所述病原体微生物风险统计模型用于进一步的迭代优化、更新。
其中，如图1和图3所示，所述物联网云端平台200包括：分布式数据库210、物联网云端决策模块220。其中：
所述分布式数据库210，用于存储所述空气污染物采集终端100上报的基于地理位置的监测数据105。
所述物联网云端决策模块220，用于将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子σ，依据所述风险决策因子σ与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，病原体微生物的检测结果进一步反馈给所述病原体微生物风险统计模型用于进一步的迭代优化、更新。
如图3所示，基于包括污染物颗粒类别、颗粒尺径范围、浓度、温度、湿度、场所类别（场所类别可以映射风险权重Wc）、人流密度等多维度监测数据输入X（图3中301），对应的病原体微生物包括流感病毒、冠状病毒、肺炎链球菌、军团菌等检测结果（图3中303）作为目标Y（图3中304）构成数据集，应用回归统计（例如深度神经网络）等方法训练X->Y的相关性预设的病原体微生物风险统计模型（如图3中304），依据病原体微生物风险统计模型304，对监测数据计算出病毒和细菌病原微生物的风险决策因子302。
其中，所述基于物联网的病原体微生物风险统计模型通过以下方式进行建立：
（一）根据空气污染物的监测数据，确定病原体微生物类型。
其中，病原体微生物类型由以下多元线性回归方法统计模型公式401计算确定：
Ym = βm0 + βm1X1 + βm2X2 + … + βm(p-1)Xp-1 + e （公式-401）
其中：
Ym为第m种类型的病原体微生物检测结果，检测样本值：0为阴性，1为阳性；
X1, X2, …, Xp-1为各种空气污染物的浓度；
βm0, βm1, βm2, …, βm(p-1)为第m种病原体微生物的回归系数；
e 为随机误差项，一般 e ∼ (0, 
)，且 E(e
) = 0, i = 1, . . . , p-1。
在本实施例中，应用多元线性回归方法统计模型（公式-401），空气污染物监测数据与对应m种病原体微生物检测结果之间建立相关性，从n个总体监测数据中通过回归算法（包括最小二乘法等）求解出每一组对某一种类的病原体微生物对应的回归系数βm。利用m组回归系数模型计算逐个新的实时空气污染物监测数据对应Ym值，Ym值靠近1表示阳性率高，靠近0表示阴性率高。
（二）采集n个已确定病原体微生物类型的空气污染物的监测样本数据构建多元线性回归矩阵，训练所述多元线性回归矩阵确定所述病原体微生物风险统计模型。
其中，所述病原体微生物风险统计模型由以下公式402来训练确定：
在上述多元线性回归矩阵中：
E
= 0
Var(
) = 
(常数)
Cov(
, 
) = 0, i
j。
所述将所述监测数据输入所述病原体微生物风险统计模型估计出风险决策因子σ，依据所述风险决策因子σ与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，包括：
（一）将监测点的空气污染物的实时监测数据输入所述病原体微生物风险统计模型估计出风险决策因子σ。
其中，所述风险决策因子σ通过以下公式501计算得到：
σ=ψ(Y1, Y2, …, Ym, θα, θβ, θγ,) （公式-501）
其中：
ψ为风险评估函数；
Y1,Y2, …, Ym表示实时监测数据依据病原体微生物风险统计模型公式计算出的第1,2，…m种类型的病原体微生物的检测结果；
θα为场所类型风险系数，通常θα（医院>地铁>学校）；
θβ为人流密度，监测点单位时间内的人流密度，以人数/分钟来进行表述；
θγ为调整参数。
（二）所述依据所述风险决策因子σ与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，包括：
依据所述风险决策因子σ与其对应的空气污染物监测数据的监测点地理位置信息，将所述风险决策因子σ标记在地理信息系统（GIS，Geographic Information System）上得到可视化热力图。
分析所述热力图随时间演变的密度（包括点密度分析和核密度分析），获得所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，并根据所述风险等级确定风险区域等级。其中，所述点密度分析是按照单位面积内不同的风险决策因子σ个数，从而得到不同风险决策因子σ的位置点密度。点密度计算是空间位置某种风险决策因子σ的个数/空间区域面积。本申请以病原体微生物风险统计模型预测的风险决策因子σ作为病原体微生物安全风险量化指标，通过监测点地理位置信息、监测数据时间的热力图的数据可视化，基于热力图密度分析是样方计数法（Quadrate Analysis，简称样方法），根据监测点位置空间对象的平均值/密度随时间演变来计算分析风险扩散的趋势。
将风险等级划分为不同的预设风险等级，所述预设风险等级分为低风险、中度风险、高风险、严重风险。对应地，根据所述风险等级确定风险区域等级也对应分为低风险区域、中度风险区域、高风险区域、严重风险区域。
将所述风险决策因子σ按照值域划分为不同的预设风险决策因子范围，将预设风险决策因子范围与所述预设风险等级进行对应，形成风险决策因子σ与风险等级的对应关系，如下公式502所示：
上述公式502中，风险决策因子σ的取值Luh、Lh、Lm、Ll值分别对应严重风险、高风险、中度风险、低风险。风险值范围对应关系如下：
Luh表示示生物病原体感染和危害风险严重，生物安全风险非常高，应通知卫生防疫相关部门采取相关措施。
Lh表示生物病原体感染和危害风险较高，应加强数据监测频度。
Lm表示存在生物病原体感染和危害风险可能，但生物安全风险处于正常状。
Ll表示生物安全风险处于正常范围。
根据所述风险决策因子σ的值域、以及所述风险决策因子σ与风险等级的对应关系，确定空气污染物的风险等级。
在一个实施例中，如图4所示，所述当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，包括：
所述物联网云端平台200对空气污染物进行实时风险等级评估，确定空气污染物的风险等级。根据热力图随时间演变的密度分析，获得风险等级及其对应的风险区域等级和演变趋势，形成风险决策依据，以启动人工或自动地在监测地点进行病原体微生物生化检测及根据监测结果开展相关的防疫措施。所述风险决策依据是：当空间区域内各监测点计算的风险决策因子σ的数目在升高，且随着时间演变，所述风险决策因子σ在热力图中的点密度也呈现上升，则病原体微生物安全风险越高，当所述风险等级为高风险或以上时，达到设定阈值点，触发病原体微生物安全风险预警，触发风险告警信息，同时依据风险等级设定通过数据通道103将所述风险告警信息通知并驱动所述空气污染物采集终端100自动启动病原体微生物检测，其中，检测手段包括PCR荧光检测等，检测结果通过数据通道103上报至所述物联网云端平台200；和/或，通过数据通道103将风险告警信息通知至相关的卫生防疫机构109，人工启动现场病原体微生物检测111，检测结果通过数据通道103上报至所述物联网云端平台200。
在本实施例中，根据计算得到的Ym值，结合考虑场所类型风险系数θα、监测点人流密度θβ等因素，根据为风险评估函数Ψ（公式-501）估计出风险决策因子σ，根据归一化到[0,1]的σ值域范围，通过风险范围可划分为从高到低的严重风险、高风险、中度风险和低风险等多个等级（公式-502），并根据所述风险等级确定风险区域等级也对应分为低风险区域、中度风险区域、高风险区域、严重风险区域。
本申请以病原体微生物风险统计模型预测的风险决策因子σ作为病原体微生物安全风险量化指标，通过监测点地理位置信息、监测数据时间的热力图的数据可视化，基于热力图密度分析是样方计数法，根据监测点位置空间对象的平均值/密度随时间演变来计算分析风险扩散的趋势。在所述风险决策因子σ落在的区间为高风险或以上时，表明病原体微生物的综合危害程度达到一定程度，应启动人工或自动地在监测点进行病原体微生物生化检测及根据监测结果开展相关的防疫措施，从而扩展现有的空气质量数据的使用效能，提升传染疾病传播控制的智能化决策手段和响应速度，同时减轻防疫人员的工作强度。在本实施例中，通过对多种类、多尺径的空气污染物作为病原体微生物传播载体的关联性，建立病原体微生物风险统计模型，应对物联网场景下的实时数据监测、实时决策响应、结果反馈的生物公共安全闭环机制。
在一个实施例中，可选地，所述物联网云端平台200还包括展示模块（未图示），所述展示模块用于从所述分布式数据库中读取基于地理位置的数据信息，并周期性地展示所述数据信息。
在本实施例中，通过实时接收所述空气污染物采集终端上报的所述监测数据，将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子σ，依据所述风险决策因子σ结合热力图分析基于地理位置的空间维度、时间维度上的病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，对风险等级为高风险以上时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，从而达成由多样化的空气污染物采集、物联网大数据的模型决策分析及病原体微生物检测构成的数据、模型与预测、生化检测的一系统过程，将空气质量监测与病原体微生物检测通过物联网云端平台连接，依据大数据模型对周期性采样空气污染物监测数据的病原体微生物存在概率预测作为决策因子驱动病原体微生物检测，将扩展现有的空气质量监测数据的使用效能，将空气污染物数据指标与病原体微生物的承载量和类型之间建立关联模型，通过人工智能算法建立的病原体微生物风险统计模型预测监测场所的病原体微生物安全风险等级驱动对病毒、病菌等病原体微生物检测，考虑空气质量监测数据对于空气污染物作为病原体微生物传播载体引发生物安全风险评估和预测以及响应机制，提高病原体微生物安全风险决策手段和控制效能，提升传染疾病传播控制的智能化决策手段和响应速度，同时减轻防疫人员的工作强度。
在一个实施例中，如图5所示，本发明提供一种基于物联网的量化的病原体微生物安全风险指标监测方法，应用于一种基于物联网的量化的病原体微生物安全风险指标监测系统，所述量化的病原体微生物安全风险指标监测系统包括：空气污染物采集终端、物联网云端平台；其中，所述检测方法包括：
S1、物联网云端平台实时接收空气污染物采集终端上报的基于地理位置的监测点的空气污染物监测数据；
S2、根据所述空气污染物监测数据建立基于物联网的病原体微生物风险统计模型；
S3、利用所述病原体微生物风险统计模型结合热力图（Heat Map）分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。
在本实施例中，通过以部署多样性的空气污染物采集终端、物联网集中数据监测为基础，通过周期性地采集基于地理位置的监测点的空气污染物监测数据，并由物联网云端平台根据所述空气污染物监测数据建立所述空气污染物监测数据指标与检测的病原体微生物的承载量和类型之间的基于物联网的病原体微生物风险统计模型，并基于所述病原体微生物风险统计模型结合热力图分析基于地理位置的空间维度、时间维度上的病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，对风险等级为高风险以上时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，从而基于物联网数据，将空气质量监测与病原体微生物检测通过物联网云端平台连接，依据大数据模型对周期性采样空气污染物监测数据的病原体微生物存在概率预测作为决策因子驱动病原体微生物检测，将扩展现有的空气质量监测数据的使用效能，考虑空气质量监测数据对于空气污染物作为病原体微生物传播载体引发生物安全风险评估和预测以及响应机制，提高病原体微生物安全风险决策手段和控制效能，提升传染疾病传播控制的智能化决策手段和响应速度，同时减轻防疫人员的工作强度。
在一个实施例中，所述物联网云端平台包括：分布式数据库、物联网云端决策模块。所述分布式数据库，用于存储所述空气污染物采集终端上报的基于地理位置的监测数据。所述物联网云端决策模块，用于将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子σ，依据所述风险决策因子σ结合热力图（Heat Map）分析基于地理位置的空间维度、时间维度上的病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，对风险等级为高风险以上启动检测监测点的病原体微生物，病原体微生物的检测结果进一步反馈给所述病原体微生物风险统计模型用于进一步的迭代优化、更新。
所述空气污染物采集终端包括：空气颗粒物检测传感器、空气生物气溶胶检测传感器、位置传感器、处理器、通讯接口；所述空气颗粒物检测传感器、空气生物气溶胶检测传感器、位置传感器分别通过所述通讯接口与处理器进行数据传输；其中：
在一个实施例中，所述步骤S1中，所述物联网云端平台实时接收空气污染物采集终端上报的基于地理位置的监测点的空气污染物监测数据，包括：
所述空气污染物采集终端周期性地采集基于地理位置的监测点的空气污染物监测数据，并通过数据通道将所述监测数据上报给所述物联网云端平台。其中，所述空气污染物至少包括以下之一：二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳、臭氧，以及0.01~10μm不同颗粒尺径液态和固态的生物气溶胶。具体包括：
所述空气颗粒物检测传感器周期性地采集监测点空气中颗粒物的监测数据，并通过通讯接口将所述监测数据传输给所述处理器；所述颗粒物至少覆盖以下之一：二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳和臭氧。
所述空气生物气溶胶检测传感器周期性地采集监测点空气中的0.01~10μm不同颗粒尺径液态和固态的生物气溶胶的监测数据，并通过通讯接口将所述监测数据传输给所述处理器。
所述位置传感器采集监测点的位置信息，并通过通讯接口将所述位置信息传输给所述处理器。
所述处理器通过通讯接口驱动所述空气颗粒物检测传感器、空气生物气溶胶检测传感器和位置传感器周期性地采集监测数据，并分别接收所述空气颗粒物检测传感器、空气生物气溶胶检测传感器和位置传感器传输过来的监测数据，将所述监测数据封装成预设的数据包格式，并将封装后数据包通过网络传输协议经由无线通信网络发送给物联网云端平台。
所述处理器还配置场所类型、人流密度以及环境温度、湿度数据，并通过数据通道将上述配置数据上报给所述物联网云端平台。其中，所述场所类型包括但不限于医院、学校、地铁等。
在一个实施例中，所述步骤S2中，所述根据所述空气污染物监测数据建立基于物联网的病原体微生物风险统计模型，包括：
S21、根据空气污染物的监测数据，确定病原体微生物类型。
其中，病原体微生物类型由以下多元线性回归方法统计模型公式401计算确定：
Ym = βm0 + βm1X1 + βm2X2 + … + βm(p-1)Xp-1 + e （公式-401）
其中：
Ym为第m种类型的病原体微生物检测结果，检测样本值：0为阴性，1为阳性；
X1, X2, …, Xp-1为各种空气污染物的浓度；
βm0, βm1, βm2, …, βm(p-1)为第m种病原体微生物的回归系数；
e 为随机误差项，一般 e ∼ (0, 
)，且 E(e
) = 0, i = 1, . . . , p-1。
在本实施例中，应用多元线性回归方法统计模型（公式-401），空气污染物监测数据与对应m种病原体微生物检测结果之间建立相关性，从n个总体监测数据中通过回归算法（包括最小二乘法等）求解出每一组对某一种类的病原体微生物对应的回归系数βm。利用m组回归系数模型计算逐个新的实时空气污染物监测数据对应Ym值，Ym值靠近1表示阳性率高，靠近0表示阴性率高。
S22、采集n个已确定病原体微生物类型的空气污染物的监测样本数据构建多元线性回归矩阵，训练所述多元线性回归矩阵确定所述病原体微生物风险统计模型。
其中，所述基于物联网的病原体微生物风险统计模型由以下公式402来训练确定：
在上述多元线性回归矩阵中：
E
= 0
Var(
) = 
(常数)
Cov(
, 
) = 0, i
j。
在一个实施例中，所述步骤S3中，所述利用所述病原体微生物风险统计模型结合热力图（Heat Map）分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，包括：
S31、将监测点的空气污染物的实时监测数据输入所述病原体微生物风险统计模型估计出风险决策因子σ。
其中，所述风险决策因子σ通过以下公式501计算得到：
σ=ψ(Y1, Y2, …, Ym, θα, θβ, θγ,) （公式-501）
其中：
ψ为风险评估函数；
Y1,Y2, …, Ym表示实时监测数据依据病原体微生物风险统计模型公式计算出的第1,2，…m种类型的病原体微生物的检测结果；
θα为场所类型风险系数，通常θα（医院>地铁>学校）；
θβ为人流密度，监测点单位时间内的人流密度，以人数/分钟来进行表述；
θγ为调整参数。
S32、依据所述风险决策因子σ与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，包括：
依据所述风险决策因子σ与其对应的空气污染物监测数据的监测点地理位置信息，将所述风险决策因子σ标记在地理信息系统（GIS，Geographic Information System）上得到可视化热力图。
分析所述热力图随时间演变的密度（包括点密度分析和核密度分析），获得所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，并根据所述风险等级确定风险区域等级。其中，所述点密度分析是按照单位面积内不同的风险决策因子σ个数，从而得到不同风险决策因子σ的位置点密度。点密度计算是空间位置某种风险决策因子σ的个数/空间区域面积。本申请以病原体微生物风险统计模型预测的风险决策因子σ作为病原体微生物安全风险量化指标，通过监测点地理位置信息、监测数据时间的热力图的数据可视化，基于热力图密度分析是样方计数法（Quadrate Analysis，简称样方法），根据监测点位置空间对象的平均值/密度随时间演变来计算分析风险扩散的趋势。
将风险等级划分为不同的预设风险等级，所述预设风险等级分为低风险、中度风险、高风险、严重风险。对应地，根据所述风险等级确定风险区域等级也对应分为低风险区域、中度风险区域、高风险区域、严重风险区域。
将所述风险决策因子σ按照值域划分为不同的预设风险决策因子范围，将预设风险决策因子范围与所述预设风险等级进行对应，形成风险决策因子σ与风险等级的对应关系，如下公式502所示：
上述公式502中，风险决策因子σ的取值Luh、Lh、Lm、Ll值分别对应严重风险、高风险、中度风险、低风险。风险值范围对应关系如下：
Luh表示示生物病原体感染和危害风险严重，生物安全风险非常高，应通知卫生防疫相关部门采取相关措施。
Lh表示生物病原体感染和危害风险较高，应加强数据监测频度。
Lm表示存在生物病原体感染和危害风险可能，但生物安全风险处于正常状。
Ll表示生物安全风险处于正常范围。
根据所述风险决策因子σ的值域、以及所述风险决策因子σ与风险等级的对应关系，确定空气污染物的风险等级。
在一个实施例中，所述步骤A2中，所述对风险等级为高风险以上启动检测，包括：
在一个实施例中，步骤S3中，所述当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，包括：
所述物联网云端平台对空气污染物进行实时风险等级评估，确定空气污染物的风险等级。根据热力图随时间演变的密度分析，获得风险等级及其对应的风险区域等级和演变趋势，形成风险决策依据，以启动人工或自动地在监测地点进行病原体微生物生化检测及根据监测结果开展相关的防疫措施。所述风险决策依据是：当空间区域内各监测点计算的风险决策因子σ的数目在升高，且随着时间演变，所述风险决策因子σ在热力图中的点密度也呈现上升，则病原体微生物安全风险越高，当所述风险等级为高风险或以上时，达到设定阈值点，触发病原体微生物安全风险预警，触发风险告警信息，依据风险等级设定通过数据通道发送所述风险告警信息给所述空气污染物采集终端自动启动监测点的病原体微生物检测，其中，检测手段包括PCR荧光检测等，检测结果通过数据通道上报至所述物联网云端平台，以使所述物联网云端平台根据所述检测结果迭代更新所述预设的风险统计模型；和/或，通过数据通道将所述风险告警信息发送给相关的卫生防疫机构以提醒人工启动监测点的病原体微生物检测，检测结果通过数据通道上报至所述物联网云端平台，以使所述物联网云端平台根据所述检测结果迭代更新所述病原体微生物风险统计模型。
在本实施例中，根据计算得到的Ym值，结合考虑场所类型风险系数θα、监测点人流密度θβ等因素，根据为风险评估函数Ψ（公式-501）估计出风险决策因子σ，根据归一化到[0,1]的σ值域范围，通过风险范围可划分为从高到低的严重风险、高风险、中度风险和低风险等多个等级（公式-502），并根据所述风险等级确定风险区域等级也对应分为低风险区域、中度风险区域、高风险区域、严重风险区域。本申请以病原体微生物风险统计模型预测的风险决策因子σ作为病原体微生物安全风险量化指标，通过监测点地理位置信息、监测数据时间的热力图的数据可视化，基于热力图密度分析是样方计数法，根据监测点位置空间对象的平均值/密度随时间演变来计算分析风险扩散的趋势。在所述风险决策因子σ落在的区间为高风险或以上时，表明病原体微生物的综合危害程度达到一定程度，应启动人工或自动地在监测点进行病原体微生物生化检测及根据监测结果开展相关的防疫措施，从而扩展现有的空气质量数据的使用效能，提升传染疾病传播控制的智能化决策手段和响应速度，同时减轻防疫人员的工作强度。
在本实施例中，通过对多种类、多尺径的空气污染物作为病原体微生物传播载体的关联性，建立病原体微生物风险统计模型，应对物联网场景下的实时数据监测、实时决策响应、结果反馈的生物公共安全闭环机制。
在一个实施例中，所述方法还进一步包括：从分布式数据库中读取基于地理位置的数据信息，并周期性地展示所述数据信息。
在本实施例中，通过实时接收所述空气污染物采集终端上报的所述监测数据，将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子σ，依据所述风险决策因子σ结合热力图分析基于地理位置的空间维度、时间维度上的病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的风险等级，对风险等级为高风险以上启动检测监测点的病原体微生物，从而达成由多样化的空气污染物采集、物联网大数据的模型决策分析及病原体微生物检测构成的数据、模型与预测、生化检测的一系统过程，将空气质量监测与病原体微生物检测通过物联网云端平台连接，依据大数据模型对周期性采样空气污染物监测数据的病原体微生物存在概率预测作为决策因子驱动病原体微生物检测，将扩展现有的空气质量监测数据的使用效能，将空气污染物数据指标与病原体微生物的承载量和类型之间建立关联模型，通过人工智能算法建立的病原体微生物风险统计模型预测监测场所的病原体微生物安全风险等级驱动对病毒、病菌等病原体微生物检测，考虑空气质量监测数据对于空气污染物作为病原体微生物传播载体引发生物安全风险评估和预测以及响应机制，提高病原体微生物安全风险决策手段和控制效能，提升传染疾病传播控制的智能化决策手段和响应速度，同时减轻防疫人员的工作强度。
需要说明的是，上述监测方法实施例与监测系统实施例属于同一构思，其具体实现过程详见监测系统实施例，且监测系统实施例中的技术特征在监测方法实施例中均对应适用，这里不再赘述。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (9)
1.一种量化的病原体微生物安全风险指标监测系统，其特征在于，所述监测系统包括：空气污染物采集终端、物联网云端平台；其中：
所述空气污染物采集终端，用于周期性地采集基于地理位置的监测点的空气污染物监测数据，并将所述监测数据上报给所述物联网云端平台；
所述物联网云端平台，用于实时接收所述监测数据，并利用病原体微生物风险统计模型结合热力图分析所述病原体微生物安全演变趋势，实时预测评估所述监测数据的安全风险等级，包括：将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子；依据所述风险决策因子与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的病原体微生物安全风险等级，包括：依据所述风险决策因子与其对应的空气污染物监测数据的监测点地理位置信息，将所述风险决策因子标记在地理信息系统上得到可视化热力图；分析所述热力图随时间演变的密度，获得所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的病原体微生物安全风险等级；将所述风险等级划分为不同的预设风险等级；将所述风险决策因子按照值域划分为不同的预设风险决策因子范围，将预设风险决策因子范围与所述预设风险等级进行对应，形成风险决策因子与风险等级的对应关系；根据所述风险决策因子的值域以及所述风险决策因子与风险等级的对应关系，确定空气污染物的病原体微生物安全风险等级；当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。
2.如权利要求1所述的量化的病原体微生物安全风险指标监测系统，其特征在于，所述空气污染物采集终端包括：空气颗粒物检测传感器、空气生物气溶胶检测传感器、位置传感器、处理器、通讯接口；所述空气颗粒物检测传感器、空气生物气溶胶检测传感器、位置传感器分别通过所述通讯接口与处理器进行数据传输；其中：
所述空气颗粒物检测传感器，用于周期性地采集监测点空气中颗粒物的监测数据，并通过通讯接口将所述监测数据传输给所述处理器；
所述空气生物气溶胶检测传感器，用于周期性地采集监测点空气中0.01~10μm不同颗粒尺径液态和固态的生物气溶胶的监测数据，并通过通讯接口将所述监测数据传输给所述处理器；
所述位置传感器，用于采集监测点的位置信息，并通过通讯接口将所述位置信息传输给所述处理器；
所述处理器，用于驱动所述空气颗粒物检测传感器、空气生物气溶胶检测传感器和位置传感器周期性地采集监测点的监测数据，并将所述监测数据封装成预设的数据包格式，并将封装后数据包通过网络传输协议发送至物联网云端平台。
3.如权利要求1所述的量化的病原体微生物安全风险指标监测系统，其特征在于，所述物联网云端平台还用于训练空气污染物样本数据，建立病原体微生物风险统计模型；还用于接收所述人工检测或者自动检测监测点的病原体微生物的生化检测结果，基于所述监测数据和生化检测结果迭代更新所述病原体微生物风险统计模型。
4.一种量化的病原体微生物安全风险指标监测方法，使用于量化的病原体微生物安全风险指标监测系统，所述监测系统包括：空气污染物采集终端、物联网云端平台；其特征在于，所述方法包括：
所述空气污染物采集终端周期性地采集基于地理位置的监测点的空气污染物监测数据，并将所述监测数据上报给所述物联网云端平台；
物联网云端平台实时接收空气污染物采集终端上报的基于地理位置的监测点的空气污染物监测数据；
所述物联网云端平台利用病原体微生物风险统计模型结合热力图分析所述病原体微生物安全演变趋势，实时预测评估所述监测数据的安全风险等级，包括：将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子；依据所述风险决策因子与其对应的监测点地理位置信息，结合热力图分析所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的病原体微生物安全风险等级，包括：依据所述风险决策因子与其对应的空气污染物监测数据的监测点地理位置信息，将所述风险决策因子标记在地理信息系统上得到可视化热力图；分析所述热力图随时间演变的密度，获得所述病原体微生物安全演变趋势，实时预测评估空气污染物的风险等级，确定空气污染物的病原体微生物安全风险等级；将所述风险等级划分为不同的预设风险等级；将所述风险决策因子按照值域划分为不同的预设风险决策因子范围，将预设风险决策因子范围与所述预设风险等级进行对应，形成风险决策因子与风险等级的对应关系；根据所述风险决策因子的值域以及所述风险决策因子与风险等级的对应关系，确定空气污染物的病原体微生物安全风险等级；当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测。
5.如权利要求4所述的量化的病原体微生物安全风险指标监测方法，其特征在于，所述空气污染物包括二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳、臭氧，以及直径0.01~10μm不同颗粒尺径液态或固态的生物气溶胶；所述监测数据包括：空气污染物的颗粒类型、尺寸、浓度、场所类型和场所的人流密度。
6.如权利要求4所述的量化的病原体微生物安全风险指标监测方法，其特征在于，所述方法之前还包括训练空气污染物样本数据，建立病原体微生物风险统计模型，具体包括：
采集多个已确定病原体微生物类型的空气污染物的样本数据，构建多元线性回归矩阵，训练所述多元线性回归矩阵确定所述病原体微生物风险统计模型；
所述方法之后还包括：接收所述人工检测或者自动检测监测点的病原微生物的检测结果，基于所述监测数据和生化检测结果迭代更新所述病原体微生物风险统计模型。
7.如权利要求6所述的量化的病原体微生物安全风险指标监测方法，其特征在于，所述多元线性回归矩阵包括：
其中，Ym = βm0 + βm1X1 + βm2X2 + … + βm(p-1)Xp-1 + e
Ym为第m种类型的病原体微生物的检测结果；
X1, X2, …, Xp-1为各种空气污染物的浓度；
βm0, βm1, βm2, …, βm(p-1)为第m种病原体微生物的回归系数；
e 为随机误差项；
n为空气污染物监测样本数量。
8.如权利要求4所述的量化的病原体微生物安全风险指标监测方法，其特征在于，所述将所述监测数据输入病原体微生物风险统计模型估计出风险决策因子包括通过以下公式计算得到所述风险决策因子σ：
σ=ψ(Y1, Y2, …, Ym, θα, θβ, θγ,)
其中，ψ表示风险评估函数；
Y1,Y2, …, Ym表示实时监测数据依据病原体微生物风险统计模型公式计算出的第1,2，…m种类型的病原体微生物的检测结果；
θα为场所类型风险系数；
θβ为人流密度；
θγ为调整参数。
9.如权利要求4所述的量化的病原体微生物安全风险指标监测方法，其特征在于，当风险等级为高风险时，驱动人工或者自动对所述监测点进行病原体微生物生化检测，包括：
根据热力图随时间演变的密度分析，获得风险等级和演变趋势，形成风险决策依据；
当所述风险等级为高风险时触发风险告警信息；
依据风险等级将所述风险告警信息发送给所述采集终端自动启动监测点的病原体微生物检测；或者将所述风险告警信息发送给相关的卫生防疫机构以提醒人工启动监测点的病原体微生物检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422156.9A CN112986503B (zh) | 2021-04-20 | 2021-04-20 | 一种量化的病原体微生物安全风险指标的监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422156.9A CN112986503B (zh) | 2021-04-20 | 2021-04-20 | 一种量化的病原体微生物安全风险指标的监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112986503A CN112986503A (zh) | 2021-06-18 |
| CN112986503B true CN112986503B (zh) | 2021-08-27 |
Family
ID=76341165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110422156.9A Active CN112986503B (zh) | 2021-04-20 | 2021-04-20 | 一种量化的病原体微生物安全风险指标的监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112986503B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048987B (zh) * | 2021-11-04 | 2023-06-27 | 中国动物卫生与流行病学中心 | 一种用于畜禽产品中微生物的风险评估预警方法及系统 |
| CN114857677A (zh) * | 2022-03-01 | 2022-08-05 | 青岛海尔空调器有限总公司 | 用于控制空调的方法及装置、空调 |
| CN115064218B (zh) * | 2022-08-17 | 2022-11-25 | 中国医学科学院北京协和医院 | 一种构建病原微生物数据鉴定平台的方法及装置 |
| CN117077540B (zh) * | 2023-10-12 | 2023-12-22 | 天津大学 | 基于深度学习的生物安全风险指标的监测方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021337B (zh) * | 2017-09-29 | 2021-06-25 | 中国科学院昆明动物研究所 | 一种基于多样性指数和区域范围关系的幂法则标度模型预测微生物群落结构的方法 |
| CN108559702A (zh) * | 2018-04-19 | 2018-09-21 | 深圳达实智能股份有限公司 | 一种智慧医院的空气细菌浓度实时监测控制方法及其系统 |
| CN110732206B (zh) * | 2018-07-20 | 2022-07-12 | 研能科技股份有限公司 | 具气体监测的行动装置 |
| CN208594293U (zh) * | 2018-07-23 | 2019-03-12 | 惠州方舟检测技术有限公司 | 一种公共场所空气检测仪 |
| CN109055479A (zh) * | 2018-09-10 | 2018-12-21 | 山东省科学院生态研究所 | 一种地形逆温区域灰霾空气污染程度检测预警方法 |
| CN110118857A (zh) * | 2019-05-24 | 2019-08-13 | 福建中烟工业有限责任公司 | 卷烟微生物引入风险的检测方法和降低引入风险的方法 |
| CN110118711B (zh) * | 2019-06-11 | 2019-12-31 | 江苏钛科圈物联网科技有限公司 | 基于物联网的室内空气含菌量实时检测与分析方法、系统 |
| CN112085241B (zh) * | 2019-06-12 | 2024-03-22 | 江苏汇环环保科技有限公司 | 一种基于机器学习的环境大数据分析和决策平台 |
| CN112578079A (zh) * | 2019-09-27 | 2021-03-30 | 研能科技股份有限公司 | 人工智能物联网处理空气品质系统 |
| CN111768873A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学（武汉） | 一种covid-19实时风险预测方法 |
| CN111861350A (zh) * | 2020-08-04 | 2020-10-30 | 祝振英 | 一种基于大数据的生鲜冷链运输商品品质监测预警管理系统 |
| CN111861349A (zh) * | 2020-08-04 | 2020-10-30 | 陈汉元 | 一种基于大数据的食品冷藏冷冻仓储智能监测管理系统 |
| CN112164471B (zh) * | 2020-09-17 | 2022-05-24 | 吉林大学 | 基于分类回归模型的新冠疫情综合评估方法 |
-
2021
- 2021-04-20 CN CN202110422156.9A patent/CN112986503B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112986503A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112986503B (zh) | 一种量化的病原体微生物安全风险指标的监测系统及方法 | |
| CN201876447U (zh) | 移动式有毒有害气体环境应急检测系统 | |
| Mehta et al. | Cloud enabled air quality detection, analysis and prediction-a smart city application for smart health | |
| CN103245757A (zh) | 气体环境应急检测系统 | |
| CN101140288B (zh) | 中央空调风管空气质量远程分析系统及其方法 | |
| KR101517332B1 (ko) | 공기정보 제공 시스템 | |
| CN207319409U (zh) | 一种环境质量检测及报警系统 | |
| CN108597618B (zh) | 一种具有自动学习功能的流感预测摄像机 | |
| De Medeiros et al. | An IoT-based air quality monitoring platform | |
| CN110751451A (zh) | 一种实验室大数据管理系统 | |
| KR102238123B1 (ko) | 비교분석을 이용한 공기질 데이터 통계 서비스 제공 시스템 | |
| CN202486118U (zh) | 气体环境应急检测系统 | |
| CN113655175A (zh) | 一种网格化空气监测方法、系统、计算机设备及存储介质 | |
| JP2021092385A (ja) | 環境監視システムおよび環境監視プログラムおよび環境監視記録媒体および環境監視装置 | |
| US7880878B2 (en) | Particle counting and DNA uptake system and method for detection, assessment and further analysis of threats due to nebulized biological agents | |
| KR20200128226A (ko) | 미세먼지 농도 예측 시스템 | |
| CN201716285U (zh) | 环境空气质量监测系统 | |
| KR102240397B1 (ko) | 실시간 차량용 악취 측정 장치를 이용한 악취 추적 시스템 | |
| Kalaivani et al. | Air quality prediction and monitoring using machine learning algorithm based iot sensor-a researcher's perspective | |
| CN113485218A (zh) | 一种基于5g的智慧物联监管平台 | |
| CN108848171A (zh) | 一种基于物联网的空气质量态势感知系统及方法 | |
| CN114646735A (zh) | 一种空气中二氧化碳浓度监测系统 | |
| Thalluri et al. | Artificial intelligence enabled smart city IoT system using edge computing | |
| CN114781892A (zh) | 一种环境质量评价方法、系统、装置及电子设备 | |
| WO2021112318A1 (ko) | 공조시설 내 미생물에 의한 질병 전파 모니터링 시스템 및 방법 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 518000, Unit 207, Building B, 2nd Floor, Libaoyi Biotechnology Building, No. 25 Shihua Road, Fubao Community, Futian District, Shenzhen City, Guangdong Province, China Patentee after: Shenzhen Ruhan Technology Co.,Ltd. Address before: 518000 room 801, building 1, Changfu Jinmao building, south of Shihua Road, Fubao community, Fubao street, Futian District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Ruhan Gene Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Quantitative Monitoring System and Method for Microbial Safety Risk Indicators of Pathogens Effective date of registration: 20231219 Granted publication date: 20210827 Pledgee: Shenzhen Rural Commercial Bank Co.,Ltd. Futian Sub branch Pledgor: Shenzhen Ruhan Technology Co.,Ltd. Registration number: Y2023980072695 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |