CN115274127A - 基于信息技术学与医学融合的医学信息管理方法、装置 - Google Patents
基于信息技术学与医学融合的医学信息管理方法、装置 Download PDFInfo
- Publication number
- CN115274127A CN115274127A CN202211186050.4A CN202211186050A CN115274127A CN 115274127 A CN115274127 A CN 115274127A CN 202211186050 A CN202211186050 A CN 202211186050A CN 115274127 A CN115274127 A CN 115274127A
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- root
- encryption key
- medical information
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 21
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 239000003814 drug Substances 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 41
- 238000004891 communication Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000035 biogenic effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000009509 drug development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于信息技术学与医学融合的医学信息管理方法、装置,包括:计算医学信息数据集映射至高维特征空间中的相关系数矩阵;选取相关系数矩阵计算得到的多个特征根中最大的特征根作为目标特征根,根据目标特征根对应的累计贡献率确定主成分的个数,并将特征根对应的特征向量作为主成分数据,对主成分数据进行加权迭代,得到标准医学数据并进行重加密,将得到的重加密密钥存储至数据块中,直至数据块中重加密密钥的数据量达到预设个数,将数据块的默克尔根存入医学区块链中,将加密医学数据存入分布式数据库。本发明可以解决医学信息管理的效率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于信息技术学与医学融合的医学信息管理方法、装置、设备及计算机可读存储介质。
背景技术
随着互联网的飞速发展和医疗信息化建设的推进,信息的爆炸式增长导致了信息过载,给有效的医学信息获取及医学信息管理带来了挑战。医学信息管理是指是研究医学的管理、过程控制、决策和对医学知识科学分析的科学,它是计算机科学、信息科学与医学的交叉学科,应用性强又不乏自身基础理论的研究。但是由于医学信息都是海量的,因此在会使得医学信息管理的效率较低,故亟待提出一种效率更高的医学信息管理方法。
发明内容
本发明提供一种基于信息技术学与医学融合的医学信息管理方法、装置及计算机可读存储介质,其主要目的在于解决医学信息管理的效率较低的问题。
为实现上述目的,本发明提供的一种基于信息技术学与医学融合的医学信息管理方法,包括:
获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵;
计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率;
根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据,其中,所述预设的重构误差公式为
对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;
将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根;
将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
可选地,所述计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵,包括:
对所述高维特征空间中的所述医学信息数据集进行中心化处理,得到中心数据集;
将所述中心数据集进行转置处理,得到转置数据集,并根将所述中心数据集和所述转置数据集代入至预设的系数矩阵公式中,得到所述医学信息数据集对应的相关系数矩阵。
可选地,所述预设的系数矩阵公式为:
可选地,所述计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,包括:
获取预设的单位矩阵,根据所述单位矩阵和所述相关系数矩阵构建特征多项式;
对所述特征多项式进行矩阵求解,得到一个或者多个特征根;
将所述特征根代入至所述特征多项式中,得到所述特征根对应的特征向量。
可选地,所述计算所述目标特征根对应的累计贡献率,包括:
对多个所述特征根进行求和处理,得到求和特征值;
令所述求和特征值作为分母,所述目标特征根作为分母进行比值处理,得到所述目标特征根对应的累计贡献率。
可选地,所述利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据,包括:
判断所述重构误差值和预设参考值之间的大小;
当所述重构误差值大于或者等于所述预设参考值时,将所述重构误差值对应的主成分数据执行剔除处理,得到标准医学数据;
当所述重构误差值小于所述预设参考值时,将所述重构误差值对应的主成分数据作为标准医学数据。
可选地,所述对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥,包括:
基于预设的加密算法生成临时公钥和临时私钥;
利用所述临时公钥对预获取的本地公钥进行加密,得到加密公钥,利用所述临时私钥对预获取的本地私钥进行加密,得到加密私钥;
将所述加密公钥和所述加密私钥进行相乘,得到加密密钥,利用临时私钥对所述加密密钥进行解密,得到重加密密钥;
利用所述重加密密钥对所述标准医学数据进行加密处理,得到加密医学数据,并将所述重加密密钥作为所述加密医学数据对应的重加密密钥。
可选地,所述计算所述数据块的默克尔根,包括:
提取所述数据块中的第一重加密密钥、第二重加密密钥、第三重加密密钥和第四重加密密钥;
分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值,得到第一哈希值、第二哈希值、第三哈希值和第四哈希值;
计算所述第一哈希值与所述第二哈希值求和后的哈希值,得到第一求和哈希值;
计算所述第三哈希值与所述第四哈希值求和后的哈希值,得到第二求和哈希值;
对所述第一求和哈希值和所述第二求和哈希值进行求和并对求和后的数据进行哈希计算,得到默克尔根。
可选地,所述将所述加密医学数据存入所述分布式数据库之后,所述方法还包括:
当接收到医学信息查询请求时,从所述分布式数据库中检索得到所述医学信息查询请求对应的加密医学信息;
对所述医学信息查询请求对应的加密医学信息进行解密处理,得到查询医学信息。
为了解决上述问题,本发明还提供一种基于信息技术学与医学融合的医学信息管理装置,所述装置包括:
数据筛选模块,用于获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵,计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率,根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据;
重加密模块,用于对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;
密钥存储模块,用于将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根;
数据分布模块,用于将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于信息技术学与医学融合的医学信息管理方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于信息技术学与医学融合的医学信息管理方法。
本发明通过利用核函数将所述医学信息数据集映射至高维特征空间中,并进行主成分数据确定处理和对所述主成分数据进行加权迭代处理,得到标准医学数据,所述标准医学数据是具有代表性的准确数据。对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根,所述重加密处理可以保证数据的安全性。将所述默克尔根存储在医学区块链的不同节点中,可以保证所述默克尔根不被篡改,提升了信息保护的安全性和准确性,而将所述加密医学数据存入至所述分布式数据库,实现医疗数据的共享。避免了将重加密密钥和加密医学数据都存入所述医学区块链中,造成所述医学区块链负担较大的同时,若出现数据泄漏则会将重加密密钥和加密医学数据一同泄漏的情况,将所述重加密密钥和所述加密医学数据进行分别存储,保证了数据的安全性。因此本发明提出的基于信息技术学与医学融合的医学信息管理方法、装置、电子设备及计算机可读存储介质,可以解决医学信息管理的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于信息技术学与医学融合的医学信息管理方法的流程示意图;
图2为本发明一实施例提供的基于信息技术学与医学融合的医学信息管理装置的功能模块图;
图3为本发明一实施例提供的实现所述基于信息技术学与医学融合的医学信息管理方法的电子设备的结构示意图。
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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于信息技术学与医学融合的医学信息管理方法、装置。所述基于信息技术学与医学融合的医学信息管理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述基于信息技术学与医学融合的医学信息管理方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于信息技术学与医学融合的医学信息管理方法的流程示意图。在本实施例中,所述基于信息技术学与医学融合的医学信息管理方法包括:
S1、获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵。
本发明实施例中,所述医学信息数据集中包含多条医学信息数据,所述医学信息数据是指和医学相关的不同类型的数据,例如,病人在就医过程中产生的各种信息,如病人的病情诊断治疗信息,用药信息以及费用信息。临床医疗研究和实验室数据,如疾病研究和实验过程中产生的各个生化信息和影像资料等。也可以是生命科学研究和制药企业数据,如生物基因数据和药物研发所产生的数据。
具体地,所述核函数利用一种非线性映射将原始空间中的变量映射到高维的特征空间中去,利用核函数将所述医学信息数据集映射至高维特征空间中。
其中,核函数的选择对学习模型的性能至关重要,选择一个核函数就相当于定义了一种对输入空间的映射。一般核函数有两种主要类型,分别为局部核函数和全局核函数,所述局部核函数一般在测试样本附件的小领域内对数据点分析有影像,其学习能力强,但泛化性能较弱。全局性核函数相对于局部性核函数而言,其泛化能力较强,学习能力较弱。
进一步地,所述计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵,包括:
对所述高维特征空间中的所述医学信息数据集进行中心化处理,得到中心数据集;
将所述中心数据集进行转置处理,得到转置数据集,并根将所述中心数据集和所述转置数据集代入至预设的系数矩阵公式中,得到所述医学信息数据集对应的相关系数矩阵。
具体地,所述对所述高维特征空间中的所述医学信息数据集进行中心化处理,得到中心数据集,包括:
进一步地,所述预设的系数矩阵公式为:
S2、计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率。
本发明实施例中,所述计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,包括:
获取预设的单位矩阵,根据所述单位矩阵和所述相关系数矩阵构建特征多项式;
对所述特征多项式进行矩阵求解,得到一个或者多个特征根;
将所述特征根代入至所述特征多项式中,得到所述特征根对应的特征向量。
详细地,所述预设的单位矩阵为E,根据所述单元矩阵E和所述相关系数矩阵C构建
特征多项式,其中,即需要计算求得的特征根,将所述特征值代入至所述特征多
项式中,得到所述特征值对应的特征向量。另外,计算得到的特征根也可以为多个,例如、和,选取多个所述特征根中最大的特征根作为目标特征根。
进一步地,所述计算所述目标特征根对应的累计贡献率,包括:
对多个所述特征根进行求和处理,得到求和特征值;
令所述求和特征值作为分母,所述目标特征根作为分母进行比值处理,得到所述目标特征根对应的累计贡献率。
其中,累计贡献率反应了所述目标特征值对应的特征向量中所包含的信息的多少,因此最终所确定的主成分个数需要由累计贡献率确定。一般要求累计贡献率要达到80%~85%以上,才能保证所提取的主成分中包含了绝大部分的信息。
S3、根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据。
本发明实施例中,根据所述累计贡献率确定主成分的个数,一般是指根据所述累计贡献率的倍数作为主成分的个数,倍数可以为十倍,也可以为其他数值,可以根据具体方案确定。
具体地,所述利用预设的重构误差公式计算所述主成分数据对应的重构误差值,包括:
所述预设的重构误差公式为:
进一步地,所述利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据,包括:
判断所述重构误差值和预设参考值之间的大小;
当所述重构误差值大于或者等于所述预设参考值时,将所述重构误差值对应的主成分数据执行剔除处理,得到标准医学数据;
当所述重构误差值小于所述预设参考值时,将所述重构误差值对应的主成分数据作为标准医学数据。
详细地,所述标准医学数据避免了直接获取的医学数据可能冗余的缺点,更加精准。
S4、对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥。
本发明实施例中,所述重加密可以对所述标准医学数据起到保护作用。
具体地,所述对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥,包括:
基于预设的加密算法生成临时公钥和临时私钥;
利用所述临时公钥对预获取的本地公钥进行加密,得到加密公钥,利用所述临时私钥对预获取的本地私钥进行加密,得到加密私钥;
将所述加密公钥和所述加密私钥进行相乘,得到加密密钥,利用临时私钥对所述加密密钥进行解密,得到重加密密钥;
利用所述重加密密钥对所述标准医学数据进行加密处理,得到加密医学数据,并将所述重加密密钥作为所述加密医学数据对应的重加密密钥。
详细地,所述预设的加密算法可以为RSA加密算法。
进一步地,所述基于预设的加密算法生成临时公钥和临时私钥,包括:
例如,随机获取的两个不同的质数61和53,并计算两数的积N=61*53=3233,N的长
度就是密钥长度,其中,3233的二进制是110010100001,一共12位,故密钥为12位。计算φ
(N)=(p-1)(q-1)=60*52=3120,在1到3120上随机选择了一个满足的整
数e为17,选取一个满足的整数d为2753,其中N=3233,e=17,d=2753。故
公钥就是(N,e)=(3233,17),私钥(N,d)=(3233,2753)。
S5、将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根。
本发明实施例中,将所述重加密密钥存储至预设的数据块中,所述数据块用于存储多个重加密密钥,为了提高数据存储的效率,避免存入一个重加密密钥就进行后续处理,规定直至所述数据块中的数据量达到预设个数时,进行后续操作。
具体地,所述计算所述数据块的默克尔根,包括:
提取所述数据块中的第一重加密密钥、第二重加密密钥、第三重加密密钥和第四重加密密钥;
分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值,得到第一哈希值、第二哈希值、第三哈希值和第四哈希值;
计算所述第一哈希值与所述第二哈希值求和后的哈希值,得到第一求和哈希值;
计算所述第三哈希值与所述第四哈希值求和后的哈希值,得到第二求和哈希值;
对所述第一求和哈希值和所述第二求和哈希值进行求和并对求和后的数据进行哈希计算,得到默克尔根。
详细地,利用预设的哈希函数分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值。
例如,提取所述数据块中的第一重加密密钥TxA、第二重加密密钥TxB、第三重加密密钥TxC和第四重加密密钥TxD,利用预设的哈希函数分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值,得到第一哈希值HA、第二哈希值HB、第三哈希值HC和第四哈希值HD,对所述第一哈希值HA与所述第二哈希值HB进行求和得到(HA+HB),并对求和后的数据(HA+HB)进行哈希计算得到第一求和哈希值HAB,对所述第三哈希值HC与所述第四哈希值HD进行求和得到(HC+HD),并对求和后的数据(HC+HD)进行哈希计算得到第二求和哈希值HCD,对第一求和哈希值HAB和第二求和哈希值HCD进行求和并对求和后的数据进行哈希计算,得到默克尔根。
通过计算数据块的默克尔根可以保证数据块中的重加密密钥的防篡改性和安全性。
S6、将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
本发明实施例中,所述预构建的医学区块链就是一个又一个区块组成的链条,每一个区块中保存了一定的信息,它们按照各自产生的时间顺序连接成链条。
具体地,所述将所述加密医学数据存入所述分布式数据库之后,所述方法还包括:
当接收到医学信息查询请求时,从所述分布式数据库中检索得到所述医学信息查询请求对应的加密医学信息;
对所述医学信息查询请求对应的加密医学信息进行解密处理,得到查询医学信息。
详细地,将所述默克尔根存储在医学区块链的不同节点中,可以保证所述默克尔根不被篡改,提升了信息保护的安全性和准确性,而将所述加密医学数据存入至所述分布式数据库,实现医疗数据的共享。避免了将重加密密钥和加密医学数据都存入所述医学区块链中,造成所述医学区块链负担较大的同时,若出现数据泄漏则会将重加密密钥和加密医学数据一同泄漏的情况,将所述重加密密钥和所述加密医学数据进行分别存储,保证了数据的安全性。
本实施例中,通过利用核函数将所述医学信息数据集映射至高维特征空间中,并进行主成分数据确定处理和对所述主成分数据进行加权迭代处理,得到标准医学数据,所述标准医学数据是具有代表性的准确数据。对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根,所述重加密处理可以保证数据的安全性。将所述默克尔根存储在医学区块链的不同节点中,可以保证所述默克尔根不被篡改,提升了信息保护的安全性和准确性,而将所述加密医学数据存入至所述分布式数据库,实现医疗数据的共享。避免了将重加密密钥和加密医学数据都存入所述医学区块链中,造成所述医学区块链负担较大的同时,若出现数据泄漏则会将重加密密钥和加密医学数据一同泄漏的情况,将所述重加密密钥和所述加密医学数据进行分别存储,保证了数据的安全性。
如图2所示,是本发明一实施例提供的基于信息技术学与医学融合的医学信息管理装置的功能模块图。
本发明所述基于信息技术学与医学融合的医学信息管理装置100可以安装于电子设备中。根据实现的功能,所述基于信息技术学与医学融合的医学信息管理装置100可以包括数据筛选模块101、重加密模块102、密钥存储模块103及数据分布模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据筛选模块101,用于获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵,计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率,根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据;
所述重加密模块102,用于对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;
所述密钥存储模块103,用于将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根;
所述数据分布模块104,用于将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
详细地,所述基于信息技术学与医学融合的医学信息管理装置100各模块的具体实施方式如下:
步骤一、获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵。
本发明实施例中,所述医学信息数据集中包含多条医学信息数据,所述医学信息数据是指和医学相关的不同类型的数据,例如,病人在就医过程中产生的各种信息,如病人的病情诊断治疗信息,用药信息以及费用信息。临床医疗研究和实验室数据,如疾病研究和实验过程中产生的各个生化信息和影像资料等。也可以是生命科学研究和制药企业数据,如生物基因数据和药物研发所产生的数据。
具体地,所述核函数利用一种非线性映射将原始空间中的变量映射到高维的特征空间中去,利用核函数将所述医学信息数据集映射至高维特征空间中。
其中,核函数的选择对学习模型的性能至关重要,选择一个核函数就相当于定义了一种对输入空间的映射。一般核函数有两种主要类型,分别为局部核函数和全局核函数,所述局部核函数一般在测试样本附件的小领域内对数据点分析有影像,其学习能力强,但泛化性能较弱。全局性核函数相对于局部性核函数而言,其泛化能力较强,学习能力较弱。
进一步地,所述计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵,包括:
对所述高维特征空间中的所述医学信息数据集进行中心化处理,得到中心数据集;
将所述中心数据集进行转置处理,得到转置数据集,并根将所述中心数据集和所述转置数据集代入至预设的系数矩阵公式中,得到所述医学信息数据集对应的相关系数矩阵。
具体地,所述对所述高维特征空间中的所述医学信息数据集进行中心化处理,得到中心数据集,包括:
进一步地,所述预设的系数矩阵公式为:
步骤二、计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率。
本发明实施例中,所述计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,包括:
获取预设的单位矩阵,根据所述单位矩阵和所述相关系数矩阵构建特征多项式;
对所述特征多项式进行矩阵求解,得到一个或者多个特征根;
将所述特征根代入至所述特征多项式中,得到所述特征根对应的特征向量。
详细地,所述预设的单位矩阵为E,根据所述单元矩阵E和所述相关系数矩阵C构建
特征多项式,其中,即需要计算求得的特征根,将所述特征值代入至所述特征多
项式中,得到所述特征值对应的特征向量。另外,计算得到的特征根也可以为多个,例如、和,选取多个所述特征根中最大的特征根作为目标特征根。
进一步地,所述计算所述目标特征根对应的累计贡献率,包括:
对多个所述特征根进行求和处理,得到求和特征值;
令所述求和特征值作为分母,所述目标特征根作为分母进行比值处理,得到所述目标特征根对应的累计贡献率。
其中,累计贡献率反应了所述目标特征值对应的特征向量中所包含的信息的多少,因此最终所确定的主成分个数需要由累计贡献率确定。一般要求累计贡献率要达到80%~85%以上,才能保证所提取的主成分中包含了绝大部分的信息。
步骤三、根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据。
本发明实施例中,根据所述累计贡献率确定主成分的个数,一般是指根据所述累计贡献率的倍数作为主成分的个数,倍数可以为十倍,也可以为其他数值,可以根据具体方案确定。
具体地,所述利用预设的重构误差公式计算所述主成分数据对应的重构误差值,包括:
所述预设的重构误差公式为:
进一步地,所述利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据,包括:
判断所述重构误差值和预设参考值之间的大小;
当所述重构误差值大于或者等于所述预设参考值时,将所述重构误差值对应的主成分数据执行剔除处理,得到标准医学数据;
当所述重构误差值小于所述预设参考值时,将所述重构误差值对应的主成分数据作为标准医学数据。
详细地,所述标准医学数据避免了直接获取的医学数据可能冗余的缺点,更加精准。
步骤四、对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥。
本发明实施例中,所述重加密可以对所述标准医学数据起到保护作用。
具体地,所述对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥,包括:
基于预设的加密算法生成临时公钥和临时私钥;
利用所述临时公钥对预获取的本地公钥进行加密,得到加密公钥,利用所述临时私钥对预获取的本地私钥进行加密,得到加密私钥;
将所述加密公钥和所述加密私钥进行相乘,得到加密密钥,利用临时私钥对所述加密密钥进行解密,得到重加密密钥;
利用所述重加密密钥对所述标准医学数据进行加密处理,得到加密医学数据,并将所述重加密密钥作为所述加密医学数据对应的重加密密钥。
详细地,所述预设的加密算法可以为RSA加密算法。
进一步地,所述基于预设的加密算法生成临时公钥和临时私钥,包括:
例如,随机获取的两个不同的质数61和53,并计算两数的积N=61*53=3233,N的长
度就是密钥长度,其中,3233的二进制是110010100001,一共12位,故密钥为12位。计算φ
(N)=(p-1)(q-1)=60*52=3120,在1到3120上随机选择了一个满足的整
数e为17,选取一个满足的整数d为2753,其中N=3233,e=17,d=2753。故
公钥就是(N,e)=(3233,17),私钥(N,d)=(3233,2753)。
步骤五、将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根。
本发明实施例中,将所述重加密密钥存储至预设的数据块中,所述数据块用于存储多个重加密密钥,为了提高数据存储的效率,避免存入一个重加密密钥就进行后续处理,规定直至所述数据块中的数据量达到预设个数时,进行后续操作。
具体地,所述计算所述数据块的默克尔根,包括:
提取所述数据块中的第一重加密密钥、第二重加密密钥、第三重加密密钥和第四重加密密钥;
分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值,得到第一哈希值、第二哈希值、第三哈希值和第四哈希值;
计算所述第一哈希值与所述第二哈希值求和后的哈希值,得到第一求和哈希值;
计算所述第三哈希值与所述第四哈希值求和后的哈希值,得到第二求和哈希值;
对所述第一求和哈希值和所述第二求和哈希值进行求和并对求和后的数据进行哈希计算,得到默克尔根。
详细地,利用预设的哈希函数分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值。
例如,提取所述数据块中的第一重加密密钥TxA、第二重加密密钥TxB、第三重加密密钥TxC和第四重加密密钥TxD,利用预设的哈希函数分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值,得到第一哈希值HA、第二哈希值HB、第三哈希值HC和第四哈希值HD,对所述第一哈希值HA与所述第二哈希值HB进行求和得到(HA+HB),并对求和后的数据(HA+HB)进行哈希计算得到第一求和哈希值HAB,对所述第三哈希值HC与所述第四哈希值HD进行求和得到(HC+HD),并对求和后的数据(HC+HD)进行哈希计算得到第二求和哈希值HCD,对第一求和哈希值HAB和第二求和哈希值HCD进行求和并对求和后的数据进行哈希计算,得到默克尔根。
通过计算数据块的默克尔根可以保证数据块中的重加密密钥的防篡改性和安全性。
步骤六、将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
本发明实施例中,所述预构建的医学区块链就是一个又一个区块组成的链条,每一个区块中保存了一定的信息,它们按照各自产生的时间顺序连接成链条。
具体地,所述将所述加密医学数据存入所述分布式数据库之后,所述方法还包括:
当接收到医学信息查询请求时,从所述分布式数据库中检索得到所述医学信息查询请求对应的加密医学信息;
对所述医学信息查询请求对应的加密医学信息进行解密处理,得到查询医学信息。
详细地,将所述默克尔根存储在医学区块链的不同节点中,可以保证所述默克尔根不被篡改,提升了信息保护的安全性和准确性,而将所述加密医学数据存入至所述分布式数据库,实现医疗数据的共享。避免了将重加密密钥和加密医学数据都存入所述医学区块链中,造成所述医学区块链负担较大的同时,若出现数据泄漏则会将重加密密钥和加密医学数据一同泄漏的情况,将所述重加密密钥和所述加密医学数据进行分别存储,保证了数据的安全性。
如图3所示,是本发明一实施例提供的实现基于信息技术学与医学融合的医学信息管理方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于信息技术学与医学融合的医学信息管理程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于信息技术学与医学融合的医学信息管理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于信息技术学与医学融合的医学信息管理程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于信息技术学与医学融合的医学信息管理程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵;
计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率;
根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据;
对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;
将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根;
将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵;
计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率;
根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据;
对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;
将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根;
将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,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等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述方法包括:
获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵;
计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率;
根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据,其中,所述预设的重构误差公式为
对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;
将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根;
将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
2.如权利要求1所述的基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵,包括:
对所述高维特征空间中的所述医学信息数据集进行中心化处理,得到中心数据集;
将所述中心数据集进行转置处理,得到转置数据集,并根将所述中心数据集和所述转置数据集代入至预设的系数矩阵公式中,得到所述医学信息数据集对应的相关系数矩阵。
4.如权利要求1所述的基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,包括:
获取预设的单位矩阵,根据所述单位矩阵和所述相关系数矩阵构建特征多项式;
对所述特征多项式进行矩阵求解,得到一个或者多个特征根;
将所述特征根代入至所述特征多项式中,得到所述特征根对应的特征向量。
5.如权利要求1所述的基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述计算所述目标特征根对应的累计贡献率,包括:
对多个所述特征根进行求和处理,得到求和特征值;
令所述求和特征值作为分母,所述目标特征根作为分母进行比值处理,得到所述目标特征根对应的累计贡献率。
6.如权利要求1所述的基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据,包括:
判断所述重构误差值和预设参考值之间的大小;
当所述重构误差值大于或者等于所述预设参考值时,将所述重构误差值对应的主成分数据执行剔除处理,得到标准医学数据;
当所述重构误差值小于所述预设参考值时,将所述重构误差值对应的主成分数据作为标准医学数据。
7.如权利要求1所述的基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥,包括:
基于预设的加密算法生成临时公钥和临时私钥;
利用所述临时公钥对预获取的本地公钥进行加密,得到加密公钥,利用所述临时私钥对预获取的本地私钥进行加密,得到加密私钥;
将所述加密公钥和所述加密私钥进行相乘,得到加密密钥,利用临时私钥对所述加密密钥进行解密,得到重加密密钥;
利用所述重加密密钥对所述标准医学数据进行加密处理,得到加密医学数据,并将所述重加密密钥作为所述加密医学数据对应的重加密密钥。
8.如权利要求1所述的基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述计算所述数据块的默克尔根,包括:
提取所述数据块中的第一重加密密钥、第二重加密密钥、第三重加密密钥和第四重加密密钥;
分别计算所述第一重加密密钥、所述第二重加密密钥、所述第三重加密密钥和所述第四重加密密钥的哈希值,得到第一哈希值、第二哈希值、第三哈希值和第四哈希值;
计算所述第一哈希值与所述第二哈希值求和后的哈希值,得到第一求和哈希值;
计算所述第三哈希值与所述第四哈希值求和后的哈希值,得到第二求和哈希值;
对所述第一求和哈希值和所述第二求和哈希值进行求和并对求和后的数据进行哈希计算,得到默克尔根。
9.如权利要求1所述的基于信息技术学与医学融合的医学信息管理方法,其特征在于,所述将所述加密医学数据存入所述分布式数据库之后,所述方法还包括:
当接收到医学信息查询请求时,从所述分布式数据库中检索得到所述医学信息查询请求对应的加密医学信息;
对所述医学信息查询请求对应的加密医学信息进行解密处理,得到查询医学信息。
10.一种基于信息技术学与医学融合的医学信息管理装置,其特征在于,所述装置包括:
数据筛选模块,用于获取预设医学数据库中存储的医学信息数据集,利用核函数将所述医学信息数据集映射至高维特征空间中,并计算所述高维特征空间中所述医学信息数据集对应的相关系数矩阵,计算所述相关系数矩阵的特征根及所述特征根对应的特征向量,选取多个所述特征根中最大的特征根作为目标特征根,并计算所述目标特征根对应的累计贡献率,根据所述累计贡献率确定主成分的个数,并将所述特征根对应的特征向量作为主成分数据,利用预设的重构误差公式计算所述主成分数据对应的重构误差值,并利用所述重构误差值对所述主成分数据进行加权迭代处理,得到标准医学数据;
重加密模块,用于对所述标准医学数据进行重加密,得到加密医学数据和所述加密医学数据对应的重加密密钥;
密钥存储模块,用于将所述重加密密钥存储至预设的数据块中,直至所述数据块中所述重加密密钥的数据量达到预设个数时,计算所述数据块的默克尔根;
数据分布模块,用于将所述默克尔根存入至预构建的医学区块链中,并将所述加密医学数据存入所述分布式数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186050.4A CN115274127A (zh) | 2022-09-27 | 2022-09-27 | 基于信息技术学与医学融合的医学信息管理方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186050.4A CN115274127A (zh) | 2022-09-27 | 2022-09-27 | 基于信息技术学与医学融合的医学信息管理方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115274127A true CN115274127A (zh) | 2022-11-01 |
Family
ID=83756511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186050.4A Pending CN115274127A (zh) | 2022-09-27 | 2022-09-27 | 基于信息技术学与医学融合的医学信息管理方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115274127A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035431A (zh) * | 2014-05-22 | 2014-09-10 | 清华大学 | 用于非线性过程监控的核函数参数的获取方法和系统 |
CN104866578A (zh) * | 2015-05-26 | 2015-08-26 | 大连理工大学 | 一种不完整数据混合填充方法 |
CN109409416A (zh) * | 2018-09-29 | 2019-03-01 | 上海联影智能医疗科技有限公司 | 特征向量降维方法和医学图像识别方法、装置及存储介质 |
CN111539482A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于rbf核函数的空间多维风电功率数据降维及重构方法 |
CN112883895A (zh) * | 2021-03-08 | 2021-06-01 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
CN114389889A (zh) * | 2022-01-20 | 2022-04-22 | 广东蓄能发电有限公司 | 基于区块链技术的文件全生命周期管理方法及装置 |
-
2022
- 2022-09-27 CN CN202211186050.4A patent/CN115274127A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035431A (zh) * | 2014-05-22 | 2014-09-10 | 清华大学 | 用于非线性过程监控的核函数参数的获取方法和系统 |
CN104866578A (zh) * | 2015-05-26 | 2015-08-26 | 大连理工大学 | 一种不完整数据混合填充方法 |
CN109409416A (zh) * | 2018-09-29 | 2019-03-01 | 上海联影智能医疗科技有限公司 | 特征向量降维方法和医学图像识别方法、装置及存储介质 |
CN111539482A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于rbf核函数的空间多维风电功率数据降维及重构方法 |
CN112883895A (zh) * | 2021-03-08 | 2021-06-01 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
CN114389889A (zh) * | 2022-01-20 | 2022-04-22 | 广东蓄能发电有限公司 | 基于区块链技术的文件全生命周期管理方法及装置 |
Non-Patent Citations (5)
Title |
---|
邱文彬等: "基于健壮主成分分类器的无监督异常检测方法研究", 《计算机应用》 * |
郑建炜等: "组加权约束的核稀疏表示分类算法", 《计算机研究与发展》 * |
高宏宾等: "基于核主成分分析的数据流降维研究", 《计算机工程与应用》 * |
黄伟等: "一种基于支持向量机的自适应肿瘤分类检测算法", 《生物信息学》 * |
黄紫成: "主成分分析和支持向量机在微阵列数据分析的应用", 《现代计算机(专业版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Blatt et al. | Secure large-scale genome-wide association studies using homomorphic encryption | |
Constable et al. | Privacy-preserving GWAS analysis on federated genomic datasets | |
EP3471335A1 (en) | Prediction model sharing method and prediction model sharing system | |
Blatt et al. | Optimized homomorphic encryption solution for secure genome-wide association studies | |
Chen et al. | Perfectly secure and efficient two-party electronic-health-record linkage | |
CN111932562A (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN113468556A (zh) | 完全策略隐藏的数据访问控制方法及其相关设备 | |
CN112380439A (zh) | 目标物推荐方法、装置、电子设备及计算机可读存储介质 | |
CN112800178A (zh) | 答案生成方法、装置、电子设备及可读存储介质 | |
Qamar | Healthcare data analysis by feature extraction and classification using deep learning with cloud based cyber security | |
Xiang et al. | BMIF: Privacy-preserving blockchain-based medical image fusion | |
CN115374150A (zh) | 字符串数据查询方法、装置、电子设备及存储介质 | |
Gopinathan et al. | Certifying certainty and uncertainty in approximate membership query structures | |
Geva et al. | Collaborative privacy-preserving analysis of oncological data using multiparty homomorphic encryption | |
CN113157864A (zh) | 关键信息提取方法、装置、电子设备及介质 | |
CN112259238A (zh) | 电子设备、疾病类型检测方法、装置及介质 | |
CN115274127A (zh) | 基于信息技术学与医学融合的医学信息管理方法、装置 | |
Goldman et al. | Introduction. Statistical and computational challenges in molecular phylogenetics and evolution | |
CN110660450A (zh) | 一种基于加密基因组数据的安全计数查询与完整性验证装置和方法 | |
De Cristofaro et al. | Privacy-preserving genetic relatedness test | |
Asuncion et al. | Turning privacy leaks into floods: surreptitious discovery of social network friendships and other sensitive binary attribute vectors | |
CN115643090A (zh) | 基于隐私检索的纵向联邦分析方法、装置、设备及介质 | |
Chan et al. | Genotype imputation with homomorphic encryption | |
Zhao et al. | Secure genomic computation through site-wise encryption | |
Huang et al. | Calibrating predictive model estimates in a distributed network of patient 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221101 |
|
RJ01 | Rejection of invention patent application after publication |