CN114822849B - 基于数字孪生的数据监测方法、装置、设备和存储介质 - Google Patents

基于数字孪生的数据监测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114822849B
CN114822849B CN202210483969.3A CN202210483969A CN114822849B CN 114822849 B CN114822849 B CN 114822849B CN 202210483969 A CN202210483969 A CN 202210483969A CN 114822849 B CN114822849 B CN 114822849B
Authority
CN
China
Prior art keywords
data
monitoring
model
monitoring data
condition
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
CN202210483969.3A
Other languages
English (en)
Other versions
CN114822849A (zh
Inventor
顾大勇
王莹
黄海彬
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.)
Shenzhen Second Peoples Hospital
Original Assignee
Shenzhen Second Peoples Hospital
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 Shenzhen Second Peoples Hospital filed Critical Shenzhen Second Peoples Hospital
Priority to CN202210483969.3A priority Critical patent/CN114822849B/zh
Priority to PCT/CN2022/096644 priority patent/WO2023212994A1/zh
Publication of CN114822849A publication Critical patent/CN114822849A/zh
Application granted granted Critical
Publication of CN114822849B publication Critical patent/CN114822849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及一种基于数字孪生的数据监测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取与人体健康相关的监测数据；按照数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型；在候选监测条件中，选取每个所述数据集合对应的目标监测条件；判断所述数据集合中的监测数据是否满足所述目标监测条件，得到判断结果，并将所述判断结果反馈至终端进行显示。采用本方法能够提高数据监测的效率。

Description

基于数字孪生的数据监测方法、装置、设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于数字孪生的数据监测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着社会经济发展以及科技进步，人们越来越重视身体健康，怎样对与人体健康相关的数据进行监测成为重要的问题，传统技术中，人工对相关数据进行监测和分析，需要花费大量时间对监测数据进行分析研究，不能及时发现人体的健康风险，监测效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高监测效率的基于数字孪生的数据监测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于数字孪生的数据监测方法。所述方法包括：
获取与人体健康相关的监测数据；
按照数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型；
在候选监测条件中，选取每个所述数据集合对应的目标监测条件；
判断所述数据集合中的监测数据是否满足所述目标监测条件，得到判断结果，并将所述判断结果反馈至终端进行显示。
第二方面，本申请还提供了一种基于数字孪生的数据监测装置。所述装置包括：
获取模块，用于获取与人体健康相关的监测数据；
分类模块，用于按照数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型；
选取模块，用于在候选监测条件中，选取每个所述数据集合对应的目标监测条件；
判断模块，用于判断所述数据集合中的监测数据是否满足所述目标监测条件，得到判断结果，并将所述判断结果反馈至终端进行显示。
在一个实施例中，所述获取模块，还用于：
通过数据集成获取与人体健康相关的原始监测数据；
对所述原始监测数据进行数据清洗，得到清洗后的所述原始监测数据；
对清洗后的所述原始监测数据进行数据开发，得到开发数据；
将清洗后的所述原始监测数据和所述开发数据组成所述监测数据。
在一个实施例中，所述判断结果包括满足、不满足和无法判断；所述判断模块，还用于：
当所述判断结果为满足或者不满足时，将所述判断结果反馈至终端，以使所述终端对所述判断结果进行显示；
当所述判断结果为无法判断时，优化所述数字孪生模型，并在对所述数字孪生模型进行优化后返回所述按照数字孪生模型对所述监测数据进行分类的步骤进行迭代，直到得到的所述判断结果为满足或者不满足。
在一个实施例中，所述判断模块，还用于：
从首个所述目标监测条件开始，依次通过每个所述目标监测条件对所述监测数据进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个所述目标监测条件进行判断的判断结果。
在一个实施例中，所述判断模块，还用于：
通过预测模型对所述数据集合中的监测数据进行评分，得到分值；
当所述分值大于或等于预设分值时，确定所述监测数据满足所述目标监测条件，得到判断结果为满足；
当所述分值小于所述预设分值时，确定所述监测数据不满足所述目标监测条件，得到所述判断结果为不满足。
在一个实施例中，所述目标监测条件中包括至少两个监测子条件；所述判断模块，还用于：
根据各所述监测子条件对所述数据集合中的监测数据进行评分，得到分值；
对所述分值进行加权求和，得到总分值；
当所述总分值大于或等于预设值时，确定所述监测数据满足所述目标监测条件；
当所述总分值小于所述预设值时，确定所述监测数据不满足所述目标监测条件。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取与人体健康相关的监测数据；
按照数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型；
在候选监测条件中，选取每个所述数据集合对应的目标监测条件；
判断所述数据集合中的监测数据是否满足所述目标监测条件，得到判断结果，并将所述判断结果反馈至终端进行显示。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取与人体健康相关的监测数据；
按照数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型；
在候选监测条件中，选取每个所述数据集合对应的目标监测条件；
判断所述数据集合中的监测数据是否满足所述目标监测条件，得到判断结果，并将所述判断结果反馈至终端进行显示。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取与人体健康相关的监测数据；
按照数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型；
在候选监测条件中，选取每个所述数据集合对应的目标监测条件；
判断所述数据集合中的监测数据是否满足所述目标监测条件，得到判断结果，并将所述判断结果反馈至终端进行显示。
上述基于数字孪生的数据监测方法、装置、计算机设备、存储介质和计算机程序产品，获取与人体健康相关的监测数据，按照对人体进行建模所形成的数字孪生模型对监测数据进行分类，得到至少两个数据集合。在候选监测条件中，选取每个数据集合对应的目标监测条件。判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。从而可以通过设置的监测条件自动对监测数据进行判断，相比于人工对监测数据进行分析判断，提高了监测效率。此外，通过按照数字孪生模型对监测数据进行分类，并针对分类所得的每一数据集合有针对性的选取目标监测条件进行监测，提高了判断结果的准确性。
附图说明
图1为一个实施例中基于数字孪生的数据监测方法的应用环境图；
图2为一个实施例中基于数字孪生的数据监测方法的流程示意图；
图3为一个实施例中获取监测数据方法的流程示意图；
图4为另一个实施例中基于数字孪生的数据监测方法的流程示意图；
图5为一个实施例中数字孪生体的示意图；
图6为又一个实施例中基于数字孪生的数据监测方法的流程示意图；
图7为一个实施例中基于数字孪生的数据监测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于数字孪生的数据监测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取与人体健康相关的监测数据；按照数字孪生模型对监测数据进行分类，得到至少两个数据集合；数字孪生模型是对人体进行建模所形成的模型；在候选监测条件中，选取每个数据集合对应的目标监测条件；判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于数字孪生的数据监测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取与人体健康相关的监测数据。
其中，监测数据是对人体进行监测所获取的数据，包括通过可穿戴设备采集的数据、人体行为数据、诊疗过程中产生的数据、医学检验数据或者诊断数据等。通过可穿戴设备采集的数据可以包括心率、血压、血氧饱和度等。人体行为数据包括人体机能数据、运动数据、诊疗数据、饮食数据、情绪数据等。医学检验数据和诊断数据是从LIS(LaboratoryInformation Management System，实验室信息管理系统)或者HIS(Hospital InformationSystem，医院信息系统)获取的数据。
在一个实施例中，服务器可以从数据库获取监测数据，或者服务器也可以通过socket(套接字)通信接口获取监测数据，或者服务器也可以通过文件共享服务获取监测数据。
S204，按照数字孪生模型对监测数据进行分类，得到至少两个数据集合；数字孪生模型是对人体进行建模所形成的模型。
其中，数字孪生模型是对人体进行建模所形成的模型，包括几何模型、物理模型、生理模型、行为模型和规则模型等。几何模型是根据人体外观的几何特征或内部器官的几何特征进行建模形成的模型。人体外观的几何特征包括身高、肩宽、前臂长、大腿长、小腿长、头围、面部尺寸等。人体内部器官的几何特征包括心脏大小(例如18×4.5×3.8cm)、心脏重量、心脏左右心房壁厚度、左心室壁厚度、三尖瓣周径、肺动脉瓣周径、二尖瓣周径、肾脏大小、肾脏重量、肾脏皮质厚度等。生理模型是根据人体的生理特征进行建模形成的模型。人体生理特征包括细胞形态、血常规、尿常规或者基因序列、蛋白质组成等。物理模型是根据人体物理特征进行建模形成的模型。人体物理特征包括神经特征、血管特征、肌肉特征或者骨骼特征等，例如，视力、听力、浅反射、深反射、血压、心跳、脉搏、体温、骨密度、年龄、性别、骨骼肌数据、体脂肪、肺活量等。行为模型是根据人体行为特征进行建模形成的模型。人体行为特征包括机能特征、运动特征、饮食特征或者情绪特征等。规则模型是根据预测人体是否产生疾病的规则进行建模形成的模型，包括疾病预测模型、阈值管理模型或者数理统计模型等。疾病预测模型可以是根据人体生病时的特征样本进行训练所得的机器学习模型或者深度学习模型。阈值管理模型可以是用于给出告警阈值的模型，例如，阈值管理模型中包括两个阈值，当监测数据(例如，人体的体重值)超过阈值1时，确定人体具有一级健康风险，当监测数据超过阈值2时，确定人体具有二级健康风险。数理统计模型是用于给出对监测数据进行统计分析算法的模型。由于判断人体是否有健康风险时，可能需要根据人体在某个时间段内的特征进行判断，数理统计模型给出对监测数据进行统计分析的算法，从而可以根据数理统计模型给出的算法对人体在某个时间段内的监测数据进行统计分析，得到统计结果，根据统计结果判断监测数据是否满足监测条件。
服务器按照数字孪生模型对监测数据进行分类，例如，服务器将与生理模型表征的人体特征相关的监测数据划分为与生理模型对应的数据集合，将与物理模型表征的人体特征相关的监测数据划分为与物理模型对应的数据集合，将与几何模型表征的人体特征相关的监测数据划分为与几何模型对应的数据集合等。
在一个实施例中，服务器可以通过关系型数据表构建数字孪生模型，数字孪生模型可以是几何模型、物理模型、生理模型和行为模型等。例如，服务器可以用数据表中的各字段分别表示几何模型表征的特征(例如，身高、肩宽等)，形成几何模型；又例如，服务器可以用数据表中的各字段分别表示生理模型表征的特征(例如，蛋白质组成、血常规等)，形成生理模型。
S206，在候选监测条件中，选取每个数据集合对应的目标监测条件。
其中，候选监测条件是用于对人体是否具有健康风险进行监测的条件。例如，候选监测条件可以是血压高于预设值，或者也可以是体重超过预设值，或者也可以是心率高于预设值等。目标监测条件是从候选监测条件中选取的一个或多个监测条件，例如，服务器针对几何模型对应的数据集合，选取的目标监测条件可以是体重条件，体重条件可以是体重超过预设体重值，或者体重条件也可以是BMI(Body Mass Index，体重)指数在预设指数值范围内等。
S208，判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。
服务器判断数据集合中的监测数据是否满足目标监测条件，例如，服务器根据人体A的体重监测数据判断人体A的体重是否达到预设体重值。判断结果可以为“是”或者“否”，判断结果也可以为“满足”或“不满足”等。服务器获取判断结果，并将判断结果反馈至终端进行显示。终端可以是被监测的人体穿戴的可穿戴设备，或者也可以是医院的诊疗系统的终端。例如，判断结果为满足监测条件1，服务器将该判断结果反馈至诊疗系统的终端进行显示。
上述实施例中，获取与人体健康相关的监测数据，按照对人体进行建模所形成的数字孪生模型对监测数据进行分类，得到至少两个数据集合。在候选监测条件中，选取每个数据集合对应的目标监测条件。判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。从而可以通过设置的监测条件自动对监测数据进行判断，相比于人工对监测数据进行分析判断，提高了监测效率。并且，通过按照数字孪生模型对监测数据进行分类，并针对分类所得的每一数据集合有针对性的选取目标监测条件进行监测，提高了判断结果的准确性。
在一个实施例中，如图3所示，S202具体包括如下步骤：
S302，通过数据集成获取与人体健康相关的原始监测数据。
其中，数据集成是把不同来源、格式、特点和性质的数据在逻辑上或物理上有机地集中在一起。数据集成方法包括联邦式集成方法、基于中间件模型的集成方法或者基于数据仓库的集成方法等。原始监测数据为未经清洗的监测数据，其中可能包括重复的或者错误的数据。
S304，对原始监测数据进行数据清洗，得到清洗后的原始监测数据。
其中，数据清洗用于去除原始监测数据中的重复、错误数据。例如，如果数字孪生模型中字段A的第三行数据和字段A的第四行数据相同，则确定第四行数据为重复数据，服务器将第四行数据删除，以进行数据清洗。又例如，如果几何模型中的身高字段的值为180cm，而腿长字段的值为20cm，则腿长字段的值为错误数据，服务器对腿长字段进行数据清洗。
在一个实施例中，S304具体包括：服务器通过运行SQL(Structured QueryLanguage，结构化查询语言)脚本对原始监测数据进行数据清洗，得到清洗后的原始监测数据。
S306，对清洗后的原始监测数据进行数据开发，得到开发数据。
其中，数据开发是对数据进行处理以生成新的数据的过程。处理过程包括计算、插入、合并或者拆分等。例如，对A数据字段和B数据字段进行数据开发可以是将A数据字段的值和B数据字段的值相加，得到C数据字段的值，所得到的C数据字段为开发数据。又例如，对A数据字段进行数据开发可以将A数据字段拆分为A1和A2两个数据字段，所得到的A1数据字段和A2数据字段为开发数据。
S308，将清洗后的原始监测数据和开发数据组成监测数据。
服务器将清洗后的原始监测数据和开发数据合并在一起，组成监测数据，使所得到的监测数据更加全面。
上述实施例中，服务器通过数据集成获取与人体健康相关的原始监测数据，并对原始监测数据进行数据清洗，从而可以去除重复和错误的数据，提高了判断结果的准确性。然后对清洗后的原始监测数据进行数据开发，得到开发数据，从而使监测数据更加全面，进一步提高了判断结果的准确性。
在一个实施例中，S208具体包括：从首个目标监测条件开始，依次通过每个目标监测条件对监测数据进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个目标监测条件进行判断的判断结果。
服务器首先通过首个目标监测条件对监测数据进行判断，如果判断结果为满足，则将判断结果反馈到终端进行显示，如果判断结果为不满足，则通过下一个目标监测条件对监测数据进行判断，依次类推，直到得到的判断结果为满足，或者直到得到通过最后一个目标监测条件进行判断的判断结果。服务器自动通过多个目标监测条件对监测数据进行判断，可以实现对监测数据的系统性监测，提高了监测的全面性。
在一个实施例中，判断结果包括满足、不满足和无法判断；S208之后还包括：当判断结果为满足或者不满足时，将判断结果反馈至终端，以使终端对判断结果进行显示；当判断结果为无法判断时，优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。
其中，当判断结果为无法判断时，优化数字孪生模型。例如，几何模型中包括身高、肩宽、头围、大腿长和小腿长五个数据字段，则与几何模型对应的数据集合中的监测数据不包括体重值，若目标监测条件为体重是否达到预设体重值，则无法判断监测数据是否满足该目标监测条件，所得到的判断结果为“无法判断”，此时在几何模型中添加体重数据字段以对几何模型进行优化。然后，根据优化后的几何模型重新对监测数据进行分类，所得到的数据集合中将包括体重数据字段，从而可以判断体重值是否达到预设体重值，得到判断结果。
在一个实施例中，如图4所示，目标监测条件为多个，服务器从首个目标监测条件开始，依次通过每个目标监测条件对监测数据进行判断，如果通过某个目标监测条件(例如，目标监测条件3)所得的判断结果为满足，则将判断结果反馈至终端进行显示；如果通过该目标监测条件所得的判断结果为不满足，则通过下一个目标监测条件对监测数据进行判断；如果通过所有目标监测条件所得的判断结果均为无法判断，则优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。
上述实施例中，当判断结果为满足或者不满足时，服务器将判断结果反馈至终端，以使终端对判断结果进行显示；当判断结果为无法判断时，服务器优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。从而可以通过不断优化数字孪生模型，使判断结果更加准确的反映人体的健康状况，提高了判断结果的准确性。
在一个实施例中，S208具体包括：通过预测模型对数据集合中的监测数据进行评分，得到分值；当分值大于或等于预设分值时，确定监测数据满足目标监测条件，得到判断结果为满足；当分值小于预设分值时，确定监测数据不满足目标监测条件，得到判断结果为不满足。
其中，预测模型是用于对监测数据进行评分的机器学习模型，可以是CNN(Convolutional Neural Networks，卷积神经网络)模型、DNN(Deep Neural Networks，深度神经网络)模型、ResNet(Residual Net，残差卷积神经网络)模型等。服务器将监测数据输入预测模型，通过预测模型对监测数据进行评分，得到分值，分值越高表示人体的健康风险越高。服务器可以设置目标监测条件为分值大于或等于预设分值，当分值大于或等于预设分值时，得到判断结果为满足；当分值小于预设分值时，得到判断结果为不满足。
上述实施例中，服务器通过预测模型对数据集合中的监测数据进行评分，得到分值；当分值大于或等于预设分值时，确定监测数据满足目标监测条件，得到判断结果为满足；当分值小于预设分值时，确定监测数据不满足目标监测条件，得到判断结果为不满足。从而服务器可以通过预测模型自动对监测数据进行评分，并根据评分得到判断结果，相比于人工对监测数据进行分析判断，提高了监测效率。
在一个实施例中，目标监测条件中包括至少两个监测子条件；S208具体包括：根据各监测子条件对数据集合中的监测数据进行评分，得到分值；对分值进行加权求和，得到总分值；当总分值大于或等于预设值时，确定监测数据满足目标监测条件；当总分值小于预设值时，确定监测数据不满足目标监测条件。
服务器根据各监测子条件对数据集合中的监测数据进行评分，得到分值。例如目标监测条件中包括三个监测子条件，三个监测子条件对应的权重值分别为0.2、0.3、0.5。服务器通过第一个监测子条件对监测数据进行评分，得到分值为30，通过第二个监测子条件对监测数据进行评分，得到分值为50，通过第三个监测子条件对监测数据进行评分，得到分值为45。服务器对各分值进行加权求和，得到总分值为0.2×30+0.3×50+0.5×45＝43.5。当总分值大于或等于预设值时，确定监测数据满足目标监测条件；当分值小于预设值时，确定监测数据不满足目标监测条件。
上述实施例中，服务器根据各监测子条件对数据集合中的监测数据进行评分，得到分值；对分值进行加权求和，得到总分值；当总分值大于或等于预设值时，确定监测数据满足目标监测条件；当总分值小于预设值时，确定监测数据不满足目标监测条件。从而服务器可以根据多个监测子条件对监测数据进行综合判断，提高了判断结果的准确性。
在一个实施例中，如图5所示，数字孪生空间中包括多个数字孪生体，数字孪生体中的数据集成单元获取监控单元采集的各物理实体(人体)健康相关的原始监测数据，并将原始监测数据存储在各物理实体对应的物理空间。监控单元采集的原始监测数据包括可穿戴设备数据、第三方数据、诊疗过程数据、个人行为数据、LIS和HIS中的数据等。数字孪生体对原始监测数据进行数据清洗，并对清洗后的原始监测数据进行数据开发，得到开发数据。服务器将清洗后的原始监测数据和开发数据组成监测数据，并按照物理模型、几何模型、行为模型、生理模型和规则模型等对监测数据进行分类，得到物理模型数据集、几何模型数据集、行为模型数据集、生理模型数据集和规则模型数据集等。数字孪生体在候选监测条件中，选取每个数据集合对应的目标监测条件，判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。数字孪生体通过数据交换单元与其他数字孪生体进行安全可控的数据交换，通过服务单元向物理实体提供服务。数字孪生体中的数据安全单元用于进行数据安全管理，保障数字孪生体中数据的安全。
在一个实施例中，如图6所示，基于数字孪生的数据监测方法包括如下步骤：
S602，通过数据集成获取与人体健康相关的原始监测数据。
S604，对原始监测数据进行数据清洗，得到清洗后的原始监测数据。
S606，对清洗后的原始监测数据进行数据开发，得到开发数据。
S608，将清洗后的原始监测数据和开发数据组成监测数据。
S610，按照数字孪生模型对监测数据进行分类，得到至少两个数据集合；数字孪生模型是对人体进行建模所形成的模型。
S612，在候选监测条件中，选取每个数据集合对应的目标监测条件。
S614，从首个目标监测条件开始，依次通过每个目标监测条件对监测数据进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个目标监测条件进行判断的判断结果。
S616，当判断结果为满足或者不满足时，将判断结果反馈至终端，以使终端对判断结果进行显示。
S618，当判断结果为无法判断时，优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。
上述S602至S618的具体内容可以参考上文所述的具体实现过程。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于数字孪生的数据监测方法的基于数字孪生的数据监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于数字孪生的数据监测装置实施例中的具体限定可以参见上文中对于基于数字孪生的数据监测方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种基于数字孪生的数据监测装置，包括：获取模块702、分类模块704、选取模块706和判断模块708，其中：
获取模块702，用于获取与人体健康相关的监测数据；
分类模块704，用于按照数字孪生模型对监测数据进行分类，得到至少两个数据集合；数字孪生模型是对人体进行建模所形成的模型；
选取模块706，用于在候选监测条件中，选取每个数据集合对应的目标监测条件；
判断模块708，用于判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。
上述实施例中，获取与人体健康相关的监测数据，按照对人体进行建模所形成的数字孪生模型对监测数据进行分类，得到至少两个数据集合。在候选监测条件中，选取每个数据集合对应的目标监测条件。判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。从而可以通过设置的监测条件自动对监测数据进行判断，相比于人工对监测数据进行分析判断，提高了监测效率。并且，通过按照数字孪生模型对监测数据进行分类，并针对分类所得的每一数据集合有针对性的选取目标监测条件进行监测，提高了判断结果的准确性。
在一个实施例中，获取模块702，还用于：
通过数据集成获取与人体健康相关的原始监测数据；
对原始监测数据进行数据清洗，得到清洗后的原始监测数据；
对清洗后的原始监测数据进行数据开发，得到开发数据；
将清洗后的原始监测数据和开发数据组成监测数据。
在一个实施例中，判断结果包括满足、不满足和无法判断；判断模块708还用于：
当判断结果为满足或者不满足时，将判断结果反馈至终端，以使终端对判断结果进行显示；
当判断结果为无法判断时，优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。
在一个实施例中，判断模块708，还用于：
从首个目标监测条件开始，依次通过每个目标监测条件对监测数据进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个目标监测条件进行判断的判断结果。
在一个实施例中，判断模块708，还用于：
通过预测模型对数据集合中的监测数据进行评分，得到分值；
当分值大于或等于预设分值时，确定监测数据满足目标监测条件，得到判断结果为满足；
当分值小于预设分值时，确定监测数据不满足目标监测条件，得到判断结果为不满足。
在一个实施例中，目标监测条件中包括至少两个监测子条件；判断模块708，还用于：
根据各监测子条件对数据集合中的监测数据进行评分，得到分值；
对分值进行加权求和，得到总分值；
当总分值大于或等于预设值时，确定监测数据满足目标监测条件；
当总分值小于预设值时，确定监测数据不满足目标监测条件。
上述基于数字孪生的数据监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于数字孪生的数据监测方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取与人体健康相关的监测数据；按照数字孪生模型对监测数据进行分类，得到至少两个数据集合；数字孪生模型是对人体进行建模所形成的模型；在候选监测条件中，选取每个数据集合对应的目标监测条件；判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过数据集成获取与人体健康相关的原始监测数据；对原始监测数据进行数据清洗，得到清洗后的原始监测数据；对清洗后的原始监测数据进行数据开发，得到开发数据；将清洗后的原始监测数据和开发数据组成监测数据。
在一个实施例中，判断结果包括满足、不满足和无法判断；处理器执行计算机程序时还实现以下步骤：当判断结果为满足或者不满足时，将判断结果反馈至终端，以使终端对判断结果进行显示；当判断结果为无法判断时，优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从首个目标监测条件开始，依次通过每个目标监测条件对监测数据进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个目标监测条件进行判断的判断结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过预测模型对数据集合中的监测数据进行评分，得到分值；当分值大于或等于预设分值时，确定监测数据满足目标监测条件，得到判断结果为满足；当分值小于预设分值时，确定监测数据不满足目标监测条件，得到判断结果为不满足。
在一个实施例中，目标监测条件中包括至少两个监测子条件；处理器执行计算机程序时还实现以下步骤：根据各监测子条件对数据集合中的监测数据进行评分，得到分值；对分值进行加权求和，得到总分值；当总分值大于或等于预设值时，确定监测数据满足目标监测条件；当总分值小于预设值时，确定监测数据不满足目标监测条件。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取与人体健康相关的监测数据；按照数字孪生模型对监测数据进行分类，得到至少两个数据集合；数字孪生模型是对人体进行建模所形成的模型；在候选监测条件中，选取每个数据集合对应的目标监测条件；判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过数据集成获取与人体健康相关的原始监测数据；对原始监测数据进行数据清洗，得到清洗后的原始监测数据；对清洗后的原始监测数据进行数据开发，得到开发数据；将清洗后的原始监测数据和开发数据组成监测数据。
在一个实施例中，判断结果包括满足、不满足和无法判断；计算机程序被处理器执行时还实现以下步骤：当判断结果为满足或者不满足时，将判断结果反馈至终端，以使终端对判断结果进行显示；当判断结果为无法判断时，优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从首个目标监测条件开始，依次通过每个目标监测条件对监测数据进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个目标监测条件进行判断的判断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过预测模型对数据集合中的监测数据进行评分，得到分值；当分值大于或等于预设分值时，确定监测数据满足目标监测条件，得到判断结果为满足；当分值小于预设分值时，确定监测数据不满足目标监测条件，得到判断结果为不满足。
在一个实施例中，目标监测条件中包括至少两个监测子条件；计算机程序被处理器执行时还实现以下步骤：根据各监测子条件对数据集合中的监测数据进行评分，得到分值；对分值进行加权求和，得到总分值；当总分值大于或等于预设值时，确定监测数据满足目标监测条件；当总分值小于预设值时，确定监测数据不满足目标监测条件。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取与人体健康相关的监测数据；按照数字孪生模型对监测数据进行分类，得到至少两个数据集合；数字孪生模型是对人体进行建模所形成的模型；在候选监测条件中，选取每个数据集合对应的目标监测条件；判断数据集合中的监测数据是否满足目标监测条件，得到判断结果，并将判断结果反馈至终端进行显示。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过数据集成获取与人体健康相关的原始监测数据；对原始监测数据进行数据清洗，得到清洗后的原始监测数据；对清洗后的原始监测数据进行数据开发，得到开发数据；将清洗后的原始监测数据和开发数据组成监测数据。
在一个实施例中，判断结果包括满足、不满足和无法判断；计算机程序被处理器执行时还实现以下步骤：当判断结果为满足或者不满足时，将判断结果反馈至终端，以使终端对判断结果进行显示；当判断结果为无法判断时，优化数字孪生模型，并在对数字孪生模型进行优化后返回按照数字孪生模型对监测数据进行分类的步骤进行迭代，直到得到的判断结果为满足或者不满足。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从首个目标监测条件开始，依次通过每个目标监测条件对监测数据进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个目标监测条件进行判断的判断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过预测模型对数据集合中的监测数据进行评分，得到分值；当分值大于或等于预设分值时，确定监测数据满足目标监测条件，得到判断结果为满足；当分值小于预设分值时，确定监测数据不满足目标监测条件，得到判断结果为不满足。
在一个实施例中，目标监测条件中包括至少两个监测子条件；计算机程序被处理器执行时还实现以下步骤：根据各监测子条件对数据集合中的监测数据进行评分，得到分值；对分值进行加权求和，得到总分值；当总分值大于或等于预设值时，确定监测数据满足目标监测条件；当总分值小于预设值时，确定监测数据不满足目标监测条件。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于数字孪生的数据监测方法，其特征在于，所述方法包括：
获取与人体健康相关的监测数据；所述获取与人体健康相关的监测数据包括：通过数据集成获取与人体健康相关的原始监测数据，对所述原始监测数据进行数据清洗，并对清洗后的所述原始监测数据进行计算、插入、合并或者拆分处理，得到开发数据；将清洗后的所述原始监测数据和所述开发数据组成所述监测数据；
按照通过关系型数据表构建的数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型，包括物理模型、几何模型、行为模型、生理模型和规则模型；所述行为模型是根据人体行为特征进行建模形成的模型；所述规则模型是根据预测人体是否产生疾病的规则进行建模形成的模型，包括疾病预测模型、阈值管理模型或者数理统计模型；所述数据集合包括物理模型数据集、几何模型数据集、行为模型数据集、生理模型数据集和规则模型数据集；
通过数理统计模型分别对多个所述数据集合中的监测数据进行统计分析，得到各所述数据集合中监测数据对应的统计结果；
在候选监测条件中，选取每个所述数据集合对应的目标监测条件；
从首个所述目标监测条件开始，依次通过每个所述目标监测条件对所述数据集合中监测数据对应的统计结果进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个所述目标监测条件进行判断的判断结果；
所述通过每个所述目标监测条件对所述数据集合中监测数据对应的统计结果进行判断包括：若所述目标监测条件中包括至少两个监测子条件，根据各所述监测子条件对所述数据集合中的监测数据对应的统计结果进行评分，得到分值；对所述分值进行加权求和，得到总分值；当所述总分值大于或等于预设值时，得到所述统计结果满足所述目标监测条件的判断结果；当所述总分值小于所述预设值时，得到所述统计结果不满足所述目标监测条件的判断结果；所述预设值为通过阈值管理模型得到的告警阈值；
当所述判断结果为无法判断时，优化所述数字孪生模型，并在对所述数字孪生模型进行优化后返回按照数字孪生模型对所述监测数据进行分类的步骤进行迭代，直到得到的所述判断结果为满足或者不满足；
所述优化所述数字孪生模型包括：在所述数字孪生模型的几何模型中，依据所述目标监测条件添加相应数据字段。
2.根据权利要求1所述的方法，其特征在于，所述判断结果包括满足、不满足和无法判断；所述方法还包括：
当所述判断结果为满足或者不满足时，将所述判断结果反馈至终端，以使所述终端对所述判断结果进行显示。
3.根据权利要求1所述的方法，其特征在于，所述获取与人体健康相关的监测数据包括：
从数据库获取监测数据；或者，
通过通信接口获取所述监测数据；或者，
通过文件共享服务器获取所述监测数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过预测模型对所述数据集合中的监测数据进行评分，得到分值；
当所述分值大于或等于预设分值时，确定所述监测数据满足所述目标监测条件，得到判断结果为满足；
当所述分值小于所述预设分值时，确定所述监测数据不满足所述目标监测条件，得到所述判断结果为不满足。
5.根据权利要求1所述的方法，其特征在于，所述监测数据包括通过可穿戴设备采集的数据、人体行为数据、诊疗过程中产生的数据、医学检验数据或者诊断数据。
6.一种基于数字孪生的数据监测装置，其特征在于，所述装置包括：
获取模块，用于获取与人体健康相关的监测数据；所述获取与人体健康相关的监测数据包括：通过数据集成获取与人体健康相关的原始监测数据，对所述原始监测数据进行数据清洗，并对清洗后的所述原始监测数据进行计算、插入、合并或者拆分处理，得到开发数据；将清洗后的所述原始监测数据和所述开发数据组成所述监测数据；
分类模块，用于按照通过关系型数据表构建的数字孪生模型对所述监测数据进行分类，得到至少两个数据集合；所述数字孪生模型是对人体进行建模所形成的模型，包括物理模型、几何模型、行为模型、生理模型和规则模型；所述行为模型是根据人体行为特征进行建模形成的模型；所述规则模型是根据预测人体是否产生疾病的规则进行建模形成的模型，包括疾病预测模型、阈值管理模型或者数理统计模型；所述数据集合包括物理模型数据集、几何模型数据集、行为模型数据集、生理模型数据集和规则模型数据集；通过数理统计模型分别对多个所述数据集合中的监测数据进行统计分析，得到各所述数据集合中监测数据对应的统计结果；
选取模块，用于在候选监测条件中，选取每个所述数据集合对应的目标监测条件；
判断模块，用于从首个所述目标监测条件开始，依次通过每个所述目标监测条件对所述数据集合中监测数据对应的统计结果进行判断，直到得到的判断结果为满足，或者直到得到通过最后一个所述目标监测条件进行判断的判断结果；
若所述目标监测条件中包括至少两个监测子条件，根据各所述监测子条件对所述数据集合中的监测数据对应的统计结果进行评分，得到分值；对所述分值进行加权求和，得到总分值；当所述总分值大于或等于预设值时，得到所述统计结果满足所述目标监测条件的判断结果；当所述总分值小于所述预设值时，得到所述统计结果不满足所述目标监测条件的判断结果；所述预设值为通过阈值管理模型得到的告警阈值；
所述判断模块，还用于当所述判断结果为无法判断时，优化所述数字孪生模型，并在对所述数字孪生模型进行优化后返回按照数字孪生模型对所述监测数据进行分类的步骤进行迭代，直到得到的所述判断结果为满足或者不满足；所述优化所述数字孪生模型包括：在所述数字孪生模型的几何模型中，依据所述目标监测条件添加相应数据字段。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202210483969.3A 2022-05-06 2022-05-06 基于数字孪生的数据监测方法、装置、设备和存储介质 Active CN114822849B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210483969.3A CN114822849B (zh) 2022-05-06 2022-05-06 基于数字孪生的数据监测方法、装置、设备和存储介质
PCT/CN2022/096644 WO2023212994A1 (zh) 2022-05-06 2022-06-01 基于数字孪生的数据监测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210483969.3A CN114822849B (zh) 2022-05-06 2022-05-06 基于数字孪生的数据监测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114822849A CN114822849A (zh) 2022-07-29
CN114822849B true CN114822849B (zh) 2023-09-05

Family

ID=82511793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210483969.3A Active CN114822849B (zh) 2022-05-06 2022-05-06 基于数字孪生的数据监测方法、装置、设备和存储介质

Country Status (2)

Country Link
CN (1) CN114822849B (zh)
WO (1) WO2023212994A1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110600132A (zh) * 2019-08-31 2019-12-20 深圳市广宁股份有限公司 基于振动检测的数字孪生智能健康预测方法及装置
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
CN113035353A (zh) * 2021-01-30 2021-06-25 周浩 一种数字孪生健康管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503338B (zh) * 2019-08-26 2022-07-15 江苏方天电力技术有限公司 一种泛在电力物联网监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110600132A (zh) * 2019-08-31 2019-12-20 深圳市广宁股份有限公司 基于振动检测的数字孪生智能健康预测方法及装置
WO2021036635A1 (zh) * 2019-08-31 2021-03-04 深圳市广宁股份有限公司 基于振动检测的数字孪生智能健康预测方法及装置
CN113035353A (zh) * 2021-01-30 2021-06-25 周浩 一种数字孪生健康管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李国琛.数字孪生与医疗.《数字孪生技术与应用》.湖南大学出版社,2020,第171页. *

Also Published As

Publication number Publication date
WO2023212994A1 (zh) 2023-11-09
CN114822849A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Hassantabar et al. CovidDeep: SARS-CoV-2/COVID-19 test based on wearable medical sensors and efficient neural networks
Ambekar et al. Disease risk prediction by using convolutional neural network
David et al. HEART DISEASE PREDICTION USING DATA MINING TECHNIQUES.
Bashir et al. BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting
CN111180068A (zh) 一种基于多任务学习模型的慢病预测系统
Karthiga et al. Early prediction of heart disease using decision tree algorithm
CN111612278A (zh) 生命状态预测方法、装置、电子设备及存储介质
CN111387938B (zh) 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统
Popkes et al. Interpretable outcome prediction with sparse Bayesian neural networks in intensive care
CN112052874A (zh) 一种基于生成对抗网络的生理数据分类方法及系统
CN114822849B (zh) 基于数字孪生的数据监测方法、装置、设备和存储介质
Mehrankia et al. Prediction of heart attacks using biological signals based on recurrent GMDH neural network
Ambrews et al. Ensemble based machine learning model for heart disease prediction
Umamaheswari et al. Prediction of myocardial infarction using K-medoid clustering algorithm
Miao et al. Cardiovascular Disease Prediction Based on Soft Voting Ensemble Model
CN116994699B (zh) 基于深度学习的文拉法辛剂量个体化推荐方法及装置
Oliveira et al. Towards an intelligent systems to predict nosocomial infections in intensive care
Vijayakumar et al. An Intelligent stacking Ensemble-Based Machine Learning Model for Heart abnormality
Sathiya Rani et al. A remote healthcare monitoring system for faster identification of cardiac abnormalities from compressed ECG using advanced data mining approach
CN111048192B (zh) 一种基于移动终端的用于医联体内的产学研管理方法
Bindushree et al. A review on using various DM techniques for evaluation of performance and analysis of heart disease prediction
CN116994700B (zh) 基于深度学习的喹硫平剂量个体化推荐方法及装置
Kour et al. An Advance Approach for Diabetes Detection by Implementing Machine Learning Algorithms
Ruchitha et al. Machine Learning Approaches for Stroke Detection and SMOTE for Imbalanced Data
Kavitha et al. An Efficient Boruta-Based Feature Selection and Classification of Gene Expression Data

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