CN115148379A - 利用边缘计算实现独居老人智能健康监护的系统及方法 - Google Patents

利用边缘计算实现独居老人智能健康监护的系统及方法 Download PDF

Info

Publication number
CN115148379A
CN115148379A CN202210634304.8A CN202210634304A CN115148379A CN 115148379 A CN115148379 A CN 115148379A CN 202210634304 A CN202210634304 A CN 202210634304A CN 115148379 A CN115148379 A CN 115148379A
Authority
CN
China
Prior art keywords
layer
model
data
training
monitoring
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
CN202210634304.8A
Other languages
English (en)
Other versions
CN115148379B (zh
Inventor
王瑞锦
宋晓童
何玉萍
黄兆康
赖金山
邓浩然
张传鹏
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210634304.8A priority Critical patent/CN115148379B/zh
Priority claimed from CN202210634304.8A external-priority patent/CN115148379B/zh
Publication of CN115148379A publication Critical patent/CN115148379A/zh
Application granted granted Critical
Publication of CN115148379B publication Critical patent/CN115148379B/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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种利用边缘计算实现独居老人智能健康监护的系统，系统框架上包括用户层、展现层、云数据中心层、边缘服务器层、数据预处理层和设备感知层。本发明系统中各个部分相互配合，实现了健康监护便捷化、辅助诊断准确化、紧急通知迅速化、隐私保护全面化、辅助功能贴心化的目的，最大程度的提升了智慧医疗的效率、准确率和安全性，成为守护在独居老人或患者身边的智慧医生。将本发明系统部署到实际应用场景中，不仅能够时刻守护独居老人的身体健康，帮助老人进行疾病自检，为老人的健康与生活质量提供支持和保障，还能有效降低老人的受伤概率，降低家庭和社会负担，助力现代化国家建设。

Description

利用边缘计算实现独居老人智能健康监护的系统及方法
技术领域
本发明涉及智慧医疗技术领域，具体涉及的是一种利用边缘计算实现独居老人智能健康监护的系统及方法。
背景技术
随着老年人口不断增多，独居老人的健康监护和疾病诊疗成为难题。例如老人在家摔倒或突发心脏病时无法得到及时救助、老人行动不便无法及时到医院检查是否患有糖尿病等疾病。
独居老人常因行动不便、医院距离远、无人陪同、挂号难等原因无法及时进行健康状况检查，导致老人的一些疾病如糖尿病不能得到较早的预防和治疗，出现检查时已无能为力的情况。以上种种因素将严重影响老人的身心健康，增加老人的恐惧心理，降低老人的生活质量，也增加了家庭和社会的负担。
然而，在实际中结合智慧医疗进行老人的实时监控和线上诊断过程中，往往会遇到以下三大问题：
第一，老人出现意外情况无法快速准确通知家属。老人摔倒或心脏病发作具有很大的不确定性，受老人的身体状况、居住条件、心情状态等多个因素影响，大部分老人出现意外情况后往往无法及时联系家属寻求支援，甚至失去意识。且老人大多身体素质较差，出现意外时更应争分夺秒地进行救助。
第二，线上智能诊断准确率低，普适性较差。线上智能诊断需要相应的深度学习判断模型，而模型的训练需要大量的医疗数据。但由于医疗数据具有敏感性，各地区、各医院的数据相对独立，形成了“数据孤岛”的现象。每个地区或医院的模型只能用自己的数据训练，只适用于本地区，造成线上智能诊断准确率低、普适性较差。
第三，健康监护和辅助诊断过程存在隐私泄露的风险。老人的体征数据往往是隐私敏感且不可共享的，但在利用智慧医疗相关技术进行监护和诊断过程中，老人的体征数据会上传给第三方处理，在通信、计算和存储等阶段，都存在用户数据被恶意利用或用作利益交换等侵犯用户隐私的风险。
针对以上问题，我们需要一套专门针对类似老人居家发生意外的、能实时监控身体状况并及时通知家属、可以供用户进行疾病自检的系统，为发生意外老人的及时援助和用户的疾病自检提供有效且有力的技术保障，更好地为发生意外老人和家属提供服务，从而提升老人的健康水平和生活质量。
发明内容
本发明的目的在于提供一种利用边缘计算实现独居老人智能健康监护的系统及方法，将其运用于智慧医疗场景中，可以有效解决老人摔倒无法及时得到救助、无法及时诊断病情等问题。
为实现上述目的，本发明采用的技术方案如下：
一种利用边缘计算实现独居老人智能健康监护的系统，包括用户层、展现层、云数据中心层、边缘服务器层、数据预处理层和设备感知层，其中：
设备感知层，用于为整个系统提供与老人相关的体征监测数据；
数据预处理层，用于从设备感知层收集老人体征数据，并进行预处理和前几层模型的训练，然后将输出结果加密后发送给医院私有服务器；
边缘服务器层，由各个医院私有服务器组成；在模型训练过程中，边远服务器主要用于接收云数据中心层发送的初始模型以及从数据预处理层收集预处理数据，然后完成剩下模型的训练，并将模型权重加上高斯噪声后上传至云端；在监护和诊断的过程中，边远服务器用于监护及诊断结果的计算，并将结果反馈给用户和云端；
云数据中心层，用于部署联邦学习应用、发布模型训练任务、收集和聚合来自各医院私有服务器的模型参数，以及进行集群状态的监控和移动设备的管理、备份训练和监测诊断数据；
展现层，用于向用户提供系统操作渠道，包含Web端和/或APP端；
用户层，分为用户和管理员两类，并赋予相应的系统操作权限。
具体地，所述设备感知层包括用于采集老人身体加速度的三轴加速度计、用于监控老人活动画面的相机以及用于探测老人心电图的智能手环，分别为防老人摔倒监测和心率异常监测提供数据支持。
具体地，所述展现层为Web端时，包括集群可视化监控模块、任务中心模块和模型管理模块，其中：集群监控模块具有集群状态和应用部署两个功能点；任务中心模块具有实时统计、任务进展和任务发布三个功能点；模型管理模块具有模型列表和模型创建两个功能点。
当所述展现层为APP端时，包括监护和诊断模块、设备连接模块、个人中心模块和体征报告模块，其中：监护和诊断模块具有健康监护和辅助诊断两个功能点；设备连接模块具有设备添加和设备概览两个功能点；个人中心模块具有信息管理、紧急呼救和隐私管理三个功能点；体征报告模块具有实时体征和诊断报告两个功能点。
基于上述系统，本发明基于一个总的发明构思，还采用如下两种利用边缘计算实现独居老人智能健康监护的实现方案：
方案一(模型训练+健康监护)
其包括以下步骤：
S1、模型训练
S101、数据预处理层从设备感知层收集老人体征数据，并进行预处理和前几层模型的训练，然后将输出结果加密后发送给边缘服务器层；
S102、边缘服务器层接收云数据中心层发送的初始模型，并从数据预处理层收集预处理数据，解密后开始训练剩下的神经网络，得到一个局部模型；
S103、求取局部模型梯度值，并将局部模型梯度值传至数据预处理层，实现数据预处理层前几层模型的更新；
S104、利用局部模型梯度值更新局部模型参数；
S105、对更新后的局部模型参数添加高斯噪声；
S106、各边缘服务器层将添加了噪声的局部模型参数发送到云数据中心层；
S107、云数据中心层收到各个各边缘服务器层的局部模型参数后，对其进行聚合并获得全局模型参数；
S108、在全局模型参数中添加高斯噪声，并更新全局模型参数；
S109、云数据中心层将更新后的全局模型参数下发给边缘服务器层进行下一轮次的训练，直到模型收敛或达到迭代次数为止；
S2、健康监护：边缘服务器层接收数据预处理层传送的预处理数据，解密后使用训练好的模型计算结果，并将结果发布至用户层和云端，由云数据中心层备份，若计算结果为老人体征正常，则不做处理；反之，则由云数据中心层立即通知紧急联系人。
方案二(模型训练+辅助诊断)
其包括以下步骤：
S1、模型训练
S101、数据预处理层从设备感知层收集老人体征数据，并进行预处理和前几层模型的训练，然后将输出结果加密后发送给边缘服务器层；
S102、边缘服务器层接收云数据中心层发送的初始模型，并从数据预处理层收集预处理数据，解密后开始训练剩下的神经网络，得到一个局部模型；
S103、求取局部模型梯度值，并将局部模型梯度值传至数据预处理层，实现数据预处理层前几层模型的更新；
S104、利用局部模型梯度值更新局部模型参数；
S105、对更新后的局部模型参数添加高斯噪声；
S106、各边缘服务器层将添加了噪声的局部模型参数发送到云数据中心层；
S107、云数据中心层收到各个各边缘服务器层的局部模型参数后，对其进行聚合并获得全局模型参数；
S108、在全局模型参数中添加高斯噪声，并更新全局模型参数；
S109、云数据中心层将更新后的全局模型参数下发给边缘服务器层进行下一轮次的训练，直到模型收敛或达到迭代次数为止；
S2、辅助诊断：边缘服务器层接收数据预处理层传送的预处理数据，解密后使用训练好的模型计算结果，并将结果发布至用户层和云端，由云数据中心层备份。
具体地，在上述方案一、二中，步骤S103中，对于第j个边缘服务器层，其第t轮训练得到的局部模型梯度值为：
Figure RE-GDA0003747457990000041
式中，ω表示权重参数，ωt是第j个边缘服务器层第t轮训练后得到的权重参数；N是上传到边缘服务器层的终端总数；Loss是损失函数，且
Figure RE-GDA0003747457990000042
其中，Di是第i个数据预处理层的训练集，且Di＝{x1，x2，x3…xn}，
Figure RE-GDA0003747457990000043
是输入数据xn后得到的模型输出；Li是第i个数据预处理层的标签集；
并且，得到局部模型梯度值
Figure RE-GDA0003747457990000044
后，计算Loss值对
Figure RE-GDA0003747457990000045
的导数
Figure RE-GDA0003747457990000046
并反馈给第i个数据预处理层，第i个数据预处理层按照如下公式对本地神经网络参数ωc进行更新：
Figure RE-GDA0003747457990000047
式中，η是学习率。
具体地，在上述方案一、二中，步骤S104中，采用以下公式更新局部模型参数
Figure RE-GDA0003747457990000048
Figure RE-GDA0003747457990000049
具体地，在上述方案一、二中，步骤S105中，采用以下公式添加高斯噪声：
Figure RE-GDA00037474579900000410
式中，N(0,σ2C2I)是一个归一化分布，其均值为0；σ是高斯噪声标准差，且
Figure RE-GDA00037474579900000411
其中，∈代表隐私预算，δ代表置信度参数，Δf代表全局敏感度，I代表与模型参数同维数的单位向量。
具体地，在上述方案一、二中，步骤S108中，采用以下公式添加高斯噪声并更新全局模型参数：
Figure RE-GDA0003747457990000051
其中，σ1是高斯噪声标准差，且
Figure RE-GDA0003747457990000052
与现有技术相比，本发明具有以下有益效果：
(1)本发明设计了一套针对独居老人的智能健康监护系统，其通过搭建一个轻量级的边缘智能协同联邦学习平台，然后结合边缘计算和联邦学习相关知识，可以为健康监护和辅助诊断提供轻量级、低时延、高效率的平台支持。
(2)本发明通过基于端-边-云分层的联邦学习方案来训练模型，巧妙分配模型训练任务，在获得高准确率模型的同时可以保证用户体征数据不出本地。同时，通过面向边云模型传输的隐私保护方案(采用高斯机制来扰乱信息实现差分隐私)，具备了可量化的隐私预算和用户敏感数据隐藏的特点。如此一来，本发明在保证全局模型参数尽可能准确的情况下做到了反馈时的隐私保护，不仅从根源上确保了通信过程不泄露隐私数据(数据不出本地)，而且很好地抵抗了外部攻击者推理攻击等安全威胁，充分保护了用户隐私。
(3)本发明在展现层还通过搭建Web端和APP端，不仅方便管理人员查看云边端集群状态，并进行任务和模型的管理，而且也能使用户在手机或平板设备上方便快捷地享受健康监护和辅助诊断的服务。
(4)本发明通过软硬件的有效结合，实现了健康监护便捷化、辅助诊疗准确化、紧急通知迅速化、隐私保护全面化、辅助功能贴心化的目的，最大程度上提升了智慧医疗的效率、准确率和隐私安全性，充分满足了独居老人的健康状况智能监护需求，对我国具有广泛的应用前景和价值。
附图说明
图1为本发明-实施例的系统框架示意图。
图2为本发明-实施例中的神经网络模型示意图。
图3为本发明-实施例中，CPU处理时间、模型训练总时间以及虚拟内存占用和能耗示意图。
图4为本发明-实施例中的模型准确率示意图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明，本发明的实施包含但不限于以下实施例。
实施例
本实施例提供了一种基于边缘计算的适用于独居老人的智能健康监护系统，旨在有效解决老人居家发生意外的痛点问题和慢性病高速增长问题，助力现代化国家的医疗建设。如图 1所示，本实施例在系统框架上，主要包括用户层、展现层、云数据中心层、边缘服务器层、数据预处理层和设备感知层，下面对上述部分的功能进行一一解释。
设备感知层主要负责为整个系统提供数据。它是最接近患者的层，由多个移动医疗设备组成，根据具体的移动医疗设备，可以采用不同的技术(有线或无线)来获取和调度数据。本实施例中的设备感知层主要由感知用户身体加速度的三轴加速度计、监控用户活动画面的相机以及探测用户心电图的智能手环组成，分别为防摔倒监测和心率异常监测提供数据支持。另外，该层的传感器一般不具有数据预处理或计算的功能，只能进行数据的收集和发送。
数据预处理层主要由用户的手机、平板等便携移动设备组成，主要负责从设备感知层收集患者体征数据，进行预处理和前几层模型的训练，随后将输出结果加密后发送给医院私有服务器；另外，手机还可以实时展示体征数据、反馈监测和诊断结果、形成体征报告以及紧急情况处理。
边缘服务器层主要由各个医院的私有服务器组成，如社区医院和心脏病医院，分布在多个地点，为所在地区的公民提供服务。每家医院都有多个专用服务器来处理和分析医疗数据。与移动设备相比，医院私有服务器配备了相对强大的计算资源。在模型训练过程中，边缘服务器主要负责接收云数据中心发送的初始模型，从数据预处理层收集预处理数据，完成剩下模型的训练(即：数据预处理层负责前n层的神经网络训练，边缘服务器层则负责m-n层的神经网络训练，且m-n>n)，并将模型权重加上噪声后上传至云端。在监护和诊断的过程中，边缘服务器负责监护及诊断结果的计算，并将结果反馈给用户和云端，满足监测场景中对低时延的要求。
云数据中心层是一个集中平台，主要负责部署联邦学习应用、发布模型训练任务、收集和聚合来自各医院私有服务器的模型参数、进行集群状态的监控和移动设备的管理、备份训练和监测诊断的数据等。与医院私有服务器相比，云数据中心的安全防护要强得多，服务器数量更多，可以提供强大的计算和存储能力，但是它通常远离用户，使得与移动医疗设备的直接通信既耗时又耗能。
展现层用于向用户提供系统操作渠道，包含Web端和/或APP端。
用户层分为用户和管理员两类，并赋予相应的系统操作权限。本实施例中，老人或患者在首次使用系统及进行健康监护时，需要填写个人基本信息，绑定至少一位紧急联系人信息，并连接相应移动医疗设备；用户App端的加入由管理员控制，但老人或患者的体征数据是否共享由自己决定，管理员无权强制让用户的设备参与模型训练。
本实施例所设计的智能健康监护系统，在实现流程上，主要涉及模型训练、健康监护和辅助诊断三大流程，应用于系统管理、用户健康监护和辅助诊断场景。其中，模型训练是健康监护和辅助诊断的基础，只有经过模型训练后的健康监护或辅助诊断，才是有价值的参考。
下面对本实施例的流程进行介绍。
1、模型训练
其主要流程为：
(1)数据预处理层从设备感知层收集老人体征数据，并进行预处理和前几层模型的训练，然后将输出结果加密后发送给医院私有服务器。
(2)边缘服务器层接收云数据中心层发送的初始模型，并从数据预处理层收集预处理数据，解密后开始训练剩下的神经网络，得到一个局部模型。
(3)求取局部模型梯度值，并将局部模型梯度值传至数据预处理层，实现数据预处理层前几层模型的更新。本实施例中，对于第j个边缘服务器层，其第t轮训练得到的局部模型梯度值为：
Figure RE-GDA0003747457990000071
式中，ω表示权重参数，ωt是第j个边缘服务器层第t轮训练后得到的权重参数；N是上传到边缘服务器层的终端总数；Loss是损失函数，且
Figure RE-GDA0003747457990000072
其中，Di是第i个数据预处理层的训练集，且Di＝{x1，x2，x3…xn}，
Figure RE-GDA0003747457990000073
是输入数据xn后得到的模型输出；Li是第i个数据预处理层的标签集。
并且，得到局部模型梯度值
Figure RE-GDA0003747457990000074
后，计算Loss值对
Figure RE-GDA0003747457990000075
的导数
Figure RE-GDA0003747457990000076
并反馈给第i个数据预处理层，第i个数据预处理层按照如下公式对本地神经网络参数ωc进行更新：
Figure RE-GDA0003747457990000077
式中，η是学习率。
(4)利用局部模型梯度值更新局部模型参数。本实施例中，采用以下公式更新局部模型参数
Figure RE-GDA0003747457990000078
Figure RE-GDA0003747457990000079
(5)对更新后的局部模型参数添加高斯噪声。本实施例中，采用以下公式添加高斯噪声：
Figure RE-GDA00037474579900000710
式中，N(0,σ2C2I)是一个归一化分布，其均值为0；σ是高斯噪声标准差，且
Figure RE-GDA00037474579900000711
其中，∈代表隐私预算，δ代表置信度参数，Δf代表全局敏感度，I代表与模型参数同维数的单位向量。
上述公式中，∈、δ、Δf的理论分析如下：
给定一个数据集D和相邻数据集D′,对于查询函数f，如果满足以下式子，则f满足差分隐私：
Pr[f(D)∈R]≤exp(∈)*Pr[f(D)∈R]+δ
其中，∈越大代表数据可用性越高，∈越小代表隐私保护程度越高，相应地，添加的噪声越大，当∈为0时，代表没有添加差分隐私；在严格差分隐私中，δ为0，当δ>0时，为近似差分隐私。
隐私预算∈控制着函数f的隐私级别，对于一个查询集合S＝{f1,f2,f3,...,fn},如果每个查询函数对不相交的子集提供∈i的差分隐私，则对于任何一个子集，查询集合S提供 {max(∈1,∈2,...,∈i)}的差分隐私。对于一个数据集D,若查询集合S中的查询函数对其满足顺序查询时的∈-差分隐私，则查询集合S提供n*∈的差分隐私[14]。
拉普拉斯机制：给定一个数据集D和查询函数f,则提供差分隐私的机制M满足：
Figure RE-GDA0003747457990000081
其中Δf的计算公式如下：
Δf＝max||f(D)-f(D′)||
代表相邻两个数据集查询结果差值的一范数的最大值。
指数机制：指数机制多用于非数值型查询，给定一个数据集D，其输出结果为R,给定评分函数q(D,R)，其敏感度计算如下：
Δq＝||q(D,R)-q(D′,R)||
指数机制以
Figure RE-GDA0003747457990000082
的概率输出结果R。
高斯机制：相较于拉普拉斯机制，高斯机制的使用更为广泛，因为它实现的是近似的差分隐私，高斯机制下的敏感度计算如下：
Δf＝max||f(D)-f(D′)||2
与拉普拉斯机制相对，高斯机制使用二范数作为敏感度，实现机制如下
M(D)＝f(D)+Y
其中，Y是添加的噪声，对于任意置信度参数δ，方差
Figure RE-GDA0003747457990000083
Y服从N～(0,σ2)。
(6)各边缘服务器层将添加了噪声的局部模型参数发送到云数据中心层。
(7)云数据中心层收到各个各边缘服务器层的局部模型参数后，对其进行聚合并获得全局模型参数。
(8)在全局模型参数中添加高斯噪声，并更新全局模型参数。本实施例中，采用以下公式添加高斯噪声并更新全局模型参数：
Figure RE-GDA0003747457990000091
其中，σ1是高斯噪声标准差，且
Figure RE-GDA0003747457990000092
(9)云数据中心层将更新后的全局模型参数下发给边缘服务器层进行下一轮次的训练，直到模型收敛或达到迭代次数为止。
本实施例中，管理员可选择所添加的初始模型，指定要求的准确率，开始在集群中训练模型，训练过程若放在前台运行，则可以看到训练过程中集群各节点之间的数据传输情况；也可以选择在后台训练，管理员可继续进行其他的操作。后台训练的模型也能看到其实时训练报告，也可终止一些训练效果差，占用资源多的模型，等待更多节点加入后再做训练。
2、健康监护
其主要流程为：
(1)用户手机(数据预处理层)连接移动医疗设备(设备感知层)，并确认是否满足监护要求，是，则开启实时数据监测；否，泽要求添加紧急联系人；用户也可以通过微信小程序添加紧急联系人后连接移动医疗设备；
(2)开启实时数据监测后，移动医疗设备将体征数据实时传送至用户手机上的客户端程序，客户端程序同时将数据传送至医院私有服务器上(边缘服务器层)；
(3)医院私有服务器接收数据预处理层传送的预处理数据，解密后使用训练好的模型计算结果，并将结果发布至用户层和云端，由云数据中心层备份，若计算结果为老人体征正常，则不做处理；反之，则由云数据中心层立即通知紧急联系人。
本实施例中，用户输入账号和密码登录，先进入个人中心填写紧急联系人的电话，并通过短信验证码的方式进行验证，保证老人或患者摔倒后能够最快的联系上家属。
紧急联系人确定后，用户设备和移动医疗设备进行连接，首先打开蓝牙探测周围的移动医疗设备，然后在探测到的列表中选择连接所需设备，若要进行防摔倒监护，则需要连接加速度计和相机；若要进行心率异常监护，则要连接心率探测设备(心电图等)；确保连接的设备能够正常收集和发送数据，为监护工作提供数据来源。
设备连接完成后，用户可开启防摔倒或心率异常监护，在开启健康监护之前，用户可在个人中心设置是否愿意在隐私保护的条件下共享自己的体征数据。移动医疗设备收集的实时数据如用户手腕加速度值、从相机拍摄视频中获取的RGB图像、心率等会在App端进行预处理，然后发送给附近医院私有服务器的深度学习模型中进行计算，实时数据和反馈结果会更新在体征报告中，若监测到摔倒或心率异常情况，会以短信、微信消息等方式立即通知紧急联系人，若10分钟内未恢复正常状态，则会立即拨打120急救电话。
3、辅助诊断
其主要流程为：
(1)用户通过微信小程序填写辅助诊断问卷，然后提交至医院私有服务器上；
(2)医院私有服务器接收数据预处理层传送的预处理数据，解密后使用训练好的模型计算结果，并将结果发布至用户层和云端，由云数据中心层备份。
以糖尿病诊断为例，本实施例中，在进行糖尿病早期风险预测前，用户可在个人中心设置是否愿意在隐私保护的条件下共享自己的体征数据。随后进入早期糖尿病风险评估，填写问卷上一系列有关糖尿病如年龄、性别、是否脱发、是否有精神性多饮症等问题，为了确保问卷填写的准确性，对于一些不常见的状况如特应性皮炎、精神性多饮症这些症状给出详细解释，可点击问题旁边的问号进行了解，确保用户给出准确的判断。用户填写问卷并提交之后，这些数据会在App端进行预处理后交给医院私有服务器，得出的结果将反馈给用户并生成本次诊断的报告，用户既可查看当前的诊断报告，也可以查看历史诊断报告。
下面针对展现层的应用情况进行介绍。本实施例中，展现层分为Web端和APP端：
Web端
本实施例中的Web端为管理员操作端，主要分为集群监控、任务中心和模型管理三大模块，主要用户为系统管理员。集群监控模块具有集群状态和应用部署两个功能点；任务中心模块具有实时统计、任务进展和任务发布三个功能点；模型管理模块具有模型列表和模型创建两个功能点。下面一一对上述功能的特点进行阐述。
(1)集群状态：展示当前集群中云数据中心、医院私有服务器、移动医疗设备的个数、状态、IP地址、CPU和内存使用等信息，进行移动医疗设备的删除和状态的更改等操作，实现设备层面的管理。
(2)应用部署：查看当前集群中部署的应用和应用相关的容器组。展示应用和容器组的其他信息，如状态、创建时间、所在节点、配置文件等。通过应用部署模块，管理员可以看到KubeFL平台的相关部署应用。
(3)实时统计：统计当前已训练的模型、正在训练的模型、准备训练的模型，管理员还可以通过实时统计直观的看到当前集群中节点的实时状态和节点之间的联系。
(4)任务进展：管理员可查看正在进行模型训练以及正在执行健康监护和辅助诊断的任务列表。对于正在进行模型训练的任务，可查看其实时报告，包括模型名称和版本、准确率随训练轮数变化曲线、参与训练的移动医疗设备、训练当前最高准确率等信息，也可以提前结束该模型训练。对于正在执行健康监护和辅助诊断的任务，可查看任务名称、任务执行情况、任务类型、任务执行结果等，也可以提前结束任务或删除已完成的任务。
(5)任务发布：通过指定初始模型、需参与移动医疗设备个数、模型准确率要求进行训练任务的发布，在开始训练后可查看集群进行智能协同联邦学习的过程。
(6)模型列表：可查看当前所有模型的编号、名称、版本、类型、状态。训练报告，可以执行删除列表中的模型等操作。
(7)模型创建：通过填入模型名称、模型版本、模型描述，选择模型类型，上传模型初始参数文件等步骤，实现初始模型的创建。新创建的模型会出现在模型列表中，状态为准备训练。
APP端
本实施例中的App端主要分为个人中心模块、设备连接模块、监护和诊疗模块、体征报告模块，其中：监护和诊断模块具有健康监护和辅助诊断两个功能点；设备连接模块具有设备添加和设备概览两个功能点；个人中心模块具有信息管理、紧急呼救和隐私管理三个功能点；体征报告模块具有实时体征和诊断报告两个功能点。下面对上述功能的特点进行阐述。
(1)信息管理：管理用户的个人基础信息，如姓名、头像、电话号码等。
(2)紧急联系人管理：添加和删除紧急联系人的联系方式，可添加任意个数的紧急联系人，通过短信验证码确定紧急联系人电话号码的有效性。
(3)隐私管理：可选择是否共享健康监护和辅助诊断中自己的体征数据，可根据个人情况自行设置，选择不共享的用户不会参与模型训练。
(4)设备概览：可查看当前所连接到的移动医疗设备，可以主动断开连接。
(5)设备添加：可探测周围是否有移动医疗设备，探测完成后可在探测到的移动医疗设备列表中选择想要连接的设备，进行设备的添加。
(6)健康监护：满足两大需求：防摔倒监护和心率异常监护。分别利用移动医疗设备(加速度计或心电图等)收集的数据对用户的体征进行实时的评估，在评估结果显示用户摔倒或心率异常时，及时向紧急联系人发信息通知。
(7)辅助诊疗：提供早期糖尿病风险预估问卷给用户填写，对于问卷中一些不常见的症状给出通俗易懂的解释。用户填写完成后，快速处理问卷数据并将结果和报告反馈给用户。
(8)实时体征：若用户已开启防摔倒监护和心率异常监护，则该模块需显示用户加速度及心率随时间的变换曲线，并且显示实时更新的监护结果(是否摔倒、心率是否异常)。
(9)诊断报告：显示用户进行辅助诊断的报告列表，每当用户进行一次早期糖尿病预测诊断，就会出现一个诊断报告，包含诊断的时间、问卷填写情况表和诊断结果。
下面针对本实施例系统所用数据库进行介绍。
系统采用MySQL关系型数据库存储数据。共包含5张数据库表：模型表(tb_model)、训练任务表(tb_train_task)、监护任务表(tb_monitor_task)、用户表(tb_user)和管理员表 (tb_admin)。
1、通用字段
由于本系统是分布式架构，为了方便对业务数据的状态进行跟踪，在每个数据库表中都包含了4个相同的字段：创建时间、创建人、更新时间和更新人。结合系统输出的日志和这 4个公共字段，我们可以对系统的错误做到准确的跟踪，便于排查错误。4个公共字段的详细设计如表1所示：
表1四个公共字段设计
字段 列名 类型 是否必须 备注
创建时间 create_time DATETIME 是
创建人 create_by VARchar(63) 是
更新时间 update_time DATETIME 是
更新人 update_by VARchar(63) 是
2、模型
模型表以模型编号为主键，记录了模型的相关信息，包括：模型名称、模型版本、模型文件路径、模型类型和模型状态。
模型表详细设计如表2所示：
表2模型表(tb_model)
Figure RE-GDA0003747457990000121
3、训练任务
训练任务表以任务编号为主键，模型id为外键，记录了系统管理员所创建的模型训练任务的相关训练信息，如训练状态、参与训练的设备及个数、训练轮数、目标准确率、准确率列表和损失率列表。
其中，参与训练的设备列表、准确率列表和损失率列表均包含有多个字段，因此采用json 字符串的形式，以长文本的格式存储在数据库中。
训练任务表的详细设计如表3所示：
表3训练任务表(tb_train_task)
字段 列名 类型 是否必须 备注
任务编号 id BIGINT 是 主键
管理员id admin_id INT 是 外键
模型id model_id BIGINT 是 外键
训练状态 status VARchar(63) 否
参与训练的设备个数 device_num INT 是
参与训练的设备 device_list TEXT 是 json格式列表
训练轮数 training_num INT 否
目标准确率 target_acc DOUBLE 是
准确率列表 acc TEXT 否 json格式列表
损失率列表 loss TEXT 否 json格式列表
4、监护任务
监护任务表以任务编号为主键，模型id为外键，记录了用户创建的监护任务的相关信息。包括：任务来源、是否实时监测、任务状态以及用户反馈信息。
监测任务表的详细设计如表4所示：
表4监测任务表(tb_monitor_task)
字段 列名 类型 是否必须 备注
任务编号 id BIGINT 是 主键
用户id user_id INT 是 外键
模型id model_id BIGINT 是 外键
任务来源 source VARchar(63) 是
是否实时监测 is_real_time TINYINT 是 0-是，1-否
任务状态 status TINYINT 是 0-正在运行，1-终止
反馈信息 info TEXT 否
5、用户
用户表以用户id为主键，记录了用户的基本信息。包括用于登录的用户名和密码信息，用户姓名、性别等基本信息，以及用于在监测到情况时的紧急联系人联系方式信息。
其中，一个用户的紧急联系人可能有多个，因此采用json字符串的形式，以长文本的格式存储在数据库中。
用户表的详细设计如表5所示：
表5用户表(tb_user)
字段 列名 类型 是否必须 备注
用户id id INT 是 主键
用户名 username VARchar(63) 是
密码 password VARchar(127) 是
姓名 name VARchar(15) 是
性别 gender TINYINT 否 0-女，1-男
电话 phone char(11) 否
紧急联系人 emergency_contact VARchar(255) 否 json格式
6、平台管理员
平台管理员以管理员id为主键，用于存储能够访问后台管理系统的管理员的相关信息与权限信息。其中，账号和密码用于管理员登录后台管理系统，角色和权限则用于控制不同的管理员拥有不同的权限。如超级管理员能够添加新的管理员并为管理员授予权限，普通管理员仅可查看系统的相关信息而无更改权限等。
平台管理员表的详细设计如表6所示：
表6管理员表(tb_admin)
字段 列名 类型 是否必须 备注
管理员id id INT 是 主键
账号 account VARchar(63) 是
密码 password VARchar(127) 是
角色 role VARchar(63) 是
权限 permission VARchar(127) 是
下面以实验的方式验证本实施例所采用的模型训练方式。
数据集：克利夫兰心脏病(UCI库)数据集，包含303个观察值、13个特征和1个目标属性，目标变量包括侵入性冠状动脉造影的结果，它代表患者是否存在冠状动脉疾病，0代表不存在克利夫兰心脏病，标签1-4代表存在克利夫兰心脏病。
模型结构：我们利用图2所示的一个神经网络模型来分析样本。该模型由一个输入层、一个输出层和六个全连接层和相应的激活层组成。这些全连接层的单元分别为64、128、256、 512、128和1。前五个激活函数设置为ReLU，最后一个激活函数设置为Sigmoid。模型训练中的损失函数是二元交叉熵。模型编译环境为Pytorch。
实验：为了评估本实施例采用的模型在资源消耗和模型训练准确率方面的表现，本实施例进行了一系列实验如下：
1)资源消耗：首先比较在卸载不同层数时移动医疗设备上的资源消耗，具体来说，我们测量了CPU处理时间、模型训练总时间以及虚拟内存占用和能耗，结果如图3所示。
根据图3可知，随着卸载医院私有服务器的层数的增加，可以观察到训练过程中移动医疗设备上的CPU处理时间的内存消耗逐渐减少，模型训练的总时间和能耗也随之下降。原因是医院私有服务器配备了比移动设备更充足的计算资源，将任务卸载到医院私有服务器上可以减少设备上的消耗；另外，当仅卸载一层时，训练时间和能耗比不卸载的解决方案还要出乎意料得大。这是因为最后一层的参数较多，会导致大量的数据通信。通信时间大于医院私有服务器计算节省的时间。当卸载0层的时候，代表了传统的联邦学习方法，移动医疗设备负责整个模型训练任务。当卸载的层数达到6时，意味着移动医疗设备直接将用户的私有数据发送到医院私有服务器进行模型训练，虽然可以最大限度地节省设备上的资源，但这种方式缺乏隐私保护。
因此，考虑到隐私和资源消耗，我们选择在设备上只保留一层全连接层，其余五层卸载到服务器。与传统方法相比，其CPU处理时间、虚拟内存占用、总训练时间和能耗分别降低79.23％、21.61％、54.43％和54.1％。
2)模型准确率：我们进一步测试和分析模型在联邦学习模式下的性能。选择Accuracy 作为评估指标，纵坐标指不同准确率的频率，如图4所示。
可以看出，集中学习模式具有最优且非常稳定的模型性能，平均准确率在0.95，但这种模式在私人场景中是不切实际的。在单机学习方面，平均准确率为0.75，性能随数据分布波动很大，这种模式在当前的医疗保健网络中被广泛使用，但数据利用率并不理想。联邦学习位于第二，平均准确度为0.91，性能接近集中学习，也非常稳定，并且可以满足用户的隐私需求。
由实验可知，本实施例采用的模型训练方式不仅可以有效地降低CPU处理时间、虚拟内存占用、总训练时间等资源消耗，而且准确率仅略低于集中学习模式，并远远超过单机学习模式，证明了该训练方式的优势。
综上，本发明具有以下特点和贡献：
1、集群管理方便高效。本发明中，管理员只需登录系统平台即可查看集群监控大屏，随时查看设备状态，随时发布训练任务或查看任务进度，还可以查看模型列表，界面划分细致，操作方便高效。
2、健康监护方便高效。用户只需登记紧急联系人信息并用手机连接所需的移动医疗设备，即可开始健康监护过程，可穿戴设备实时收集老人的身体加速度，并使用边缘智能协同的计算模式进行数据的快速处理，实时体征数据和结果会显示在掌上慧医App中，手机仿佛是老人的医生，守护在老人身边，当老人摔倒时能迅速做出判断并通知联系人，避免错过最佳救援时机。
3、辅助诊断方便高效。用户无需前往医院，只需在手机上填写问卷即可在较短的时间内在手机上看到疾病预测报告，达到了掌上就医的效果。
4、智能化监护和诊断：本发明中的健康监护和辅助诊断功能基于系统平台使用深度学习以及联邦学习技术训练好的模型，通过向训练好的模型输入用户体征数据得到结果，整个计算过程无需人的参与，实现了自动化和智能化。
5、精准体征识别：采用基于端-边-云分层的联邦学习方案来训练模型，为神经网络训练提供大量数据，且模型隔一段时间会在新数据上再次训练以提高性能，使得健康监护和辅助诊断所使用的模型能够维持非常高的准确率，确保对老人摔倒、心率异常的识别结果以及诸如糖尿病等疾病的早期风险预测的结果精准度。经测试，本发明综合识别成功率高达95％。
6、智能通知决策：本发明系统在检测到老人摔倒或心率异常后会在第一时间向所有紧急联系人发送信息。若老人的体征未恢复正常，则立即拨打120，启用手机定位功能，发送位置信息给急救人员。
7、具有隐私保护特性的模型训练过程。首先，本发明平台上集群节点之间通信使用的是 HTTPS加密协议，且移动医疗设备的加入需要通过系统平台基于键值对的识别和验证，保证系统的安全。其次，本发明所采用的基于端-边-云分层的联邦学习训练模型原始数据不出本地的原则，在根源上减轻了用户隐私泄露的风险。最后，在模型上传云数据中心和下发边缘服务器过程中使用差分隐私，使攻击者无法通过推理攻击获得训练的详细数据，模型的隐私安全得到保证。
8、隐私保护的医疗服务。在移动医疗设备用户向医院私有服务器传输需要计算的预处理体征数据时，会使用非对称加密算法进行加密；在云数据中心备份模型训练以及监护和诊断信息时，会采用国密算法SM4进行加密存储。
上述实施例仅为本发明的优选实施方式，不应当用于限制本发明的保护范围，凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims (10)

1.一种利用边缘计算实现独居老人智能健康监护的系统，其特征在于，包括用户层、展现层、云数据中心层、边缘服务器层、数据预处理层和设备感知层，其中：
设备感知层，用于为整个系统提供与老人相关的体征监测数据；
数据预处理层，用于从设备感知层收集老人体征数据，并进行预处理和前几层模型的训练，然后将输出结果加密后发送给医院私有服务器；
边缘服务器层，由各个医院私有服务器组成；在模型训练过程中，边远服务器主要用于接收云数据中心层发送的初始模型以及从数据预处理层收集预处理数据，然后完成剩下模型的训练，并将模型权重加上高斯噪声后上传至云端；在监护和诊断的过程中，边远服务器用于监护及诊断结果的计算，并将结果反馈给用户和云端；
云数据中心层，用于部署联邦学习应用、发布模型训练任务、收集和聚合来自各医院私有服务器的模型参数，以及进行集群状态的监控和移动设备的管理、备份训练和监测诊断数据；
展现层，用于向用户提供系统操作渠道，包含Web端和/或APP端；
用户层，分为用户和管理员两类，并赋予相应的系统操作权限。
2.根据权利要求1所述的利用边缘计算实现独居老人智能健康监护的系统，其特征在于，所述设备感知层包括用于采集老人身体加速度的三轴加速度计、用于监控老人活动画面的相机以及用于探测老人心电图的智能手环，分别为防老人摔倒监测和心率异常监测提供数据支持。
3.根据权利要求1所述的利用边缘计算实现独居老人智能健康监护的系统，其特征在于，所述展现层为Web端时，包括集群可视化监控模块、任务中心模块和模型管理模块，其中：集群监控模块具有集群状态和应用部署两个功能点；任务中心模块具有实时统计、任务进展和任务发布三个功能点；模型管理模块具有模型列表和模型创建两个功能点。
4.根据权利要求1～3任一项所述的利用边缘计算实现独居老人智能健康监护的系统，其特征在于，所述展现层为APP端时，包括监护和诊断模块、设备连接模块、个人中心模块和体征报告模块，其中：监护和诊断模块具有健康监护和辅助诊断两个功能点；设备连接模块具有设备添加和设备概览两个功能点；个人中心模块具有信息管理、紧急呼救和隐私管理三个功能点；体征报告模块具有实时体征和诊断报告两个功能点。
5.权利要求1～4任一项所述的系统的实现方法，其特征在于，包括以下步骤：
S1、模型训练
S101、数据预处理层从设备感知层收集老人体征数据，并进行预处理和前几层模型的训练，然后将输出结果加密后发送给边缘服务器层；
S102、边缘服务器层接收云数据中心层发送的初始模型，并从数据预处理层收集预处理数据，解密后开始训练剩下的神经网络，得到一个局部模型；
S103、求取局部模型梯度值，并将局部模型梯度值传至数据预处理层，实现数据预处理层前几层模型的更新；
S104、利用局部模型梯度值更新局部模型参数；
S105、对更新后的局部模型参数添加高斯噪声；
S106、各边缘服务器层将添加了噪声的局部模型参数发送到云数据中心层；
S107、云数据中心层收到各个各边缘服务器层的局部模型参数后，对其进行聚合并获得全局模型参数；
S108、在全局模型参数中添加高斯噪声，并更新全局模型参数；
S109、云数据中心层将更新后的全局模型参数下发给边缘服务器层进行下一轮次的训练，直到模型收敛或达到迭代次数为止；
S2、健康监护：边缘服务器层接收数据预处理层传送的预处理数据，解密后使用训练好的模型计算结果，并将结果发布至用户层和云端，由云数据中心层备份，若计算结果为老人体征正常，则不做处理；反之，则由云数据中心层立即通知紧急联系人。
6.权利要求1～4任一项所述的实现方法，其特征在于，包括以下步骤：
S1、模型训练
S101、数据预处理层从设备感知层收集老人体征数据，并进行预处理和前几层模型的训练，然后将输出结果加密后发送给边缘服务器层；
S102、边缘服务器层接收云数据中心层发送的初始模型，并从数据预处理层收集预处理数据，解密后开始训练剩下的神经网络，得到一个局部模型；
S103、求取局部模型梯度值，并将局部模型梯度值传至数据预处理层，实现数据预处理层前几层模型的更新；
S104、利用局部模型梯度值更新局部模型参数；
S105、对更新后的局部模型参数添加高斯噪声；
S106、各边缘服务器层将添加了噪声的局部模型参数发送到云数据中心层；
S107、云数据中心层收到各个各边缘服务器层的局部模型参数后，对其进行聚合并获得全局模型参数；
S108、在全局模型参数中添加高斯噪声，并更新全局模型参数；
S109、云数据中心层将更新后的全局模型参数下发给边缘服务器层进行下一轮次的训练，直到模型收敛或达到迭代次数为止；
S2、辅助诊断：边缘服务器层接收数据预处理层传送的预处理数据，解密后使用训练好的模型计算结果，并将结果发布至用户层和云端，由云数据中心层备份。
7.根据权利要求5或6所述的实现方法，其特征在于，所述步骤S103中，对于第j个边缘服务器层，其第t轮训练得到的局部模型梯度值为：
Figure FDA0003679877820000031
式中，ω表示权重参数，ωt是第j个边缘服务器层第t轮训练后得到的权重参数；N是上传到边缘服务器层的终端总数；Loss是损失函数，且
Figure FDA0003679877820000032
其中，Di是第i个数据预处理层的训练集，且Di＝{x1，x2，x3...xn}，
Figure FDA0003679877820000033
是输入数据xn后得到的模型输出；Li是第i个数据预处理层的标签集；
并且，得到局部模型梯度值
Figure FDA0003679877820000034
后，计算Loss值对
Figure FDA00036798778200000313
的导数
Figure FDA0003679877820000035
并反馈给第i个数据预处理层，第i个数据预处理层按照如下公式对本地神经网络参数ωc进行更新：
Figure FDA0003679877820000036
式中，η是学习率。
8.根据权利要求7所述的实现方法，其特征在于，所述步骤S104中，采用以下公式更新局部模型参数
Figure FDA0003679877820000037
Figure FDA0003679877820000038
9.根据权利要求8所述的实现方法，其特征在于，所述步骤S105中，采用以下公式添加高斯噪声：
Figure FDA0003679877820000039
式中，N(0，σ2C2I)是一个归一化分布，其均值为0；σ是高斯噪声标准差，且
Figure FDA00036798778200000310
其中，∈代表隐私预算，δ代表置信度参数，Δf代表全局敏感度，I代表与模型参数同维数的单位向量。
10.根据权利要求7～9任一项所述的实现方法，其特征在于，所述步骤S108中，采用以下公式添加高斯噪声并更新全局模型参数：
Figure FDA00036798778200000311
其中，σ1是高斯噪声标准差，且
Figure FDA00036798778200000312
CN202210634304.8A 2022-06-06 利用边缘计算实现独居老人智能健康监护的系统及方法 Active CN115148379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210634304.8A CN115148379B (zh) 2022-06-06 利用边缘计算实现独居老人智能健康监护的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210634304.8A CN115148379B (zh) 2022-06-06 利用边缘计算实现独居老人智能健康监护的系统及方法

Publications (2)

Publication Number Publication Date
CN115148379A true CN115148379A (zh) 2022-10-04
CN115148379B CN115148379B (zh) 2024-05-31

Family

ID=

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116344023A (zh) * 2023-03-17 2023-06-27 浙江普康智慧养老产业科技有限公司 一种基于智慧养老医疗的远程监护系统
CN116436711A (zh) * 2023-06-15 2023-07-14 深圳开鸿数字产业发展有限公司 数据安全处理方法、装置、系统及存储介质
CN116827686A (zh) * 2023-08-28 2023-09-29 晨越建设项目管理集团股份有限公司 一种基于云-边协同的智慧社区系统数据异常检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145704A (zh) * 2017-03-27 2017-09-08 西安电子科技大学 一种面向社区的健康医疗监护、评测系统及其方法
US20190088373A1 (en) * 2017-09-15 2019-03-21 Alberto Sarmentero Automated Assistant For Remote Patient Tracking, Diagnosing, Alerting, And Prevention Of Heart Diseases, Cardio Warning Service/System
US20200293887A1 (en) * 2019-03-11 2020-09-17 doc.ai, Inc. System and Method with Federated Learning Model for Medical Research Applications
CN113723220A (zh) * 2021-08-11 2021-11-30 电子科技大学 基于大数据联邦学习架构下的深度伪造溯源系统
CN113947156A (zh) * 2021-10-22 2022-01-18 河南大学 一种健康群智感知系统及其成本优化的联邦学习方法
CN114530245A (zh) * 2022-02-25 2022-05-24 山东浪潮科学研究院有限公司 一种基于边缘计算和联邦学习的云边协调医疗系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145704A (zh) * 2017-03-27 2017-09-08 西安电子科技大学 一种面向社区的健康医疗监护、评测系统及其方法
US20190088373A1 (en) * 2017-09-15 2019-03-21 Alberto Sarmentero Automated Assistant For Remote Patient Tracking, Diagnosing, Alerting, And Prevention Of Heart Diseases, Cardio Warning Service/System
US20200293887A1 (en) * 2019-03-11 2020-09-17 doc.ai, Inc. System and Method with Federated Learning Model for Medical Research Applications
CN113723220A (zh) * 2021-08-11 2021-11-30 电子科技大学 基于大数据联邦学习架构下的深度伪造溯源系统
CN113947156A (zh) * 2021-10-22 2022-01-18 河南大学 一种健康群智感知系统及其成本优化的联邦学习方法
CN114530245A (zh) * 2022-02-25 2022-05-24 山东浪潮科学研究院有限公司 一种基于边缘计算和联邦学习的云边协调医疗系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Q. WU: "FedHome: Cloud-Edge Based Personalized Federated Learning for In-Home Health Monitoring", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》, vol. 21, no. 8, 16 December 2020 (2020-12-16), pages 2818 - 2832 *
R. WANG: "Privacy-Preserving Federated Learning for Internet of Medical Things Under Edge Computing", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》, vol. 27, no. 2, 8 March 2022 (2022-03-08), pages 854 - 865 *
YETING GUO: "FEEL: A Federated Edge Learning System for Efficient and Privacy-Preserving Mobile Healthcare", 《ICPP \'20: PROCEEDINGS OF THE 49TH INTERNATIONAL CONFERENCE ON PARALLEL PROCESSING》, 17 August 2020 (2020-08-17), pages 1 - 11, XP058885779, DOI: 10.1145/3404397.3404410 *
邢丹: "边缘计算环境下基于区块链和联邦学习的医疗健康数据共享模型", 医学信息学杂志, vol. 42, no. 02, 25 February 2021 (2021-02-25), pages 33 - 37 *
高胜: "一种基于区块链的隐私保护异步联邦学习", 《 中国科学:信息科学》, vol. 51, no. 10, 4 October 2021 (2021-10-04), pages 1755 - 1774 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116344023A (zh) * 2023-03-17 2023-06-27 浙江普康智慧养老产业科技有限公司 一种基于智慧养老医疗的远程监护系统
CN116344023B (zh) * 2023-03-17 2023-11-14 浙江普康智慧养老产业科技有限公司 一种基于智慧养老医疗的远程监护系统
CN116436711A (zh) * 2023-06-15 2023-07-14 深圳开鸿数字产业发展有限公司 数据安全处理方法、装置、系统及存储介质
CN116436711B (zh) * 2023-06-15 2023-09-08 深圳开鸿数字产业发展有限公司 数据安全处理方法、装置、系统及存储介质
CN116827686A (zh) * 2023-08-28 2023-09-29 晨越建设项目管理集团股份有限公司 一种基于云-边协同的智慧社区系统数据异常检测方法
CN116827686B (zh) * 2023-08-28 2023-11-17 晨越建设项目管理集团股份有限公司 一种基于云-边协同的智慧社区系统数据异常检测方法

Similar Documents

Publication Publication Date Title
Curtis et al. SMART—an integrated wireless system for monitoring unattended patients
CN103605911A (zh) 一种基于物联网的社区智能医护系统控制方法
Sailunaz et al. CMED: Cloud based medical system framework for rural health monitoring in developing countries
US20220020487A1 (en) Processing of Portable Device Data
US20160314185A1 (en) Identifying events from aggregated device sensed physical data
CN112509655B (zh) 一种基于区块链的智能医疗数据采集系统
US11862308B2 (en) Methods and systems for analyzing accessing of medical data
Awotunde et al. Artificial intelligence and an edge-IoMT-based system for combating COVID-19 pandemic
CN115148379B (zh) 利用边缘计算实现独居老人智能健康监护的系统及方法
CN115148379A (zh) 利用边缘计算实现独居老人智能健康监护的系统及方法
KR102407214B1 (ko) 노인치매 예방 및 인지건강 증진을 위한 키오스크형 노인상태관리 방법 및 시스템
Mahalakshmi et al. Preventing COVID-19 Using Edge Intelligence in Internet of Medical Things
Krishnasamy et al. An innovative outcome of internet of things and artificial intelligence in remote centered healthcare application schemes
US11791029B2 (en) Methods and systems for analyzing accessing of drug dispensing systems
KR102385895B1 (ko) 노인상태관리 방법 및 시스템
Navya et al. Cloud based applications for health monitoring systems using wearable sensors
US20230238140A1 (en) Addiction treatment and management
Mukherjee et al. Mobile Technologies in Healthcare: Approaches and Architecture.
Demirbaga et al. Tc-cps newsletter
Mishra Internet of Things for Health Care and Health Monitoring
Zhou et al. The Overall Design of Digital Medical System under the Network Environment
Klaas Monitoring outpatients in palliative care through wearable devices
CA3140861A1 (en) Methods and systems for analyzing accessing of drug dispensing systems
CN117976122A (zh) 基于云计算的智慧医疗管理方法、装置和电子设备
CN116848584A (zh) 启用ai的医疗保健服务访问

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