CN116386878A - 用于职业健康智能管理平台的处理方法及系统 - Google Patents

用于职业健康智能管理平台的处理方法及系统 Download PDF

Info

Publication number
CN116386878A
CN116386878A CN202310642712.2A CN202310642712A CN116386878A CN 116386878 A CN116386878 A CN 116386878A CN 202310642712 A CN202310642712 A CN 202310642712A CN 116386878 A CN116386878 A CN 116386878A
Authority
CN
China
Prior art keywords
supervision
attribute
health
preset
data
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
CN202310642712.2A
Other languages
English (en)
Other versions
CN116386878B (zh
Inventor
沙飞
孙红兵
吴芸
朱亚滨
王强
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.)
Zhongweixin Software Co ltd
Original Assignee
Nanjing Zhongweixin Software Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Zhongweixin Software Technology Co ltd filed Critical Nanjing Zhongweixin Software Technology Co ltd
Priority to CN202310642712.2A priority Critical patent/CN116386878B/zh
Publication of CN116386878A publication Critical patent/CN116386878A/zh
Application granted granted Critical
Publication of CN116386878B publication Critical patent/CN116386878B/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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Debugging And Monitoring (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请提供了一种用于职业健康智能管理平台的处理方法及系统，获取用户指定的监管层级以及监管层级对应的职业健康数据；根据监管层级对应的至少一个预设分类属性以及预设分类属性的取值范围，将职业健康数据划分为多个被监监管群组；利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对；利用预设距离模型，计算每个属性特征与正向目标值的第一距离，以及每个属性特征与负向目标值的第二距离；利用预设评价模型，根据各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度；利用预设图表模型，将每个健康度以及职业健康数据构建并输出职业健康监管图表。

Description

用于职业健康智能管理平台的处理方法及系统
技术领域
本申请涉及职业健康监管技术领域，尤其涉及一种用于职业健康智能管理平台的处理方法及系统。
背景技术
目前职业健康监管主要还是采用传统的统计方法，对一个地区的一个或多个具备职业健康风险的岗位进行统计调查，然后将其输入对应的数据库中，再利用训练好的分析模型进行职业健康分析。
上述现有的职业健康监管方法存在监管数据零散，不能有效整合，监管手段单一，缺乏层次化等技术问题。
发明内容
本申请提供一种用于职业健康智能管理平台的处理方法，以解决职业健康监管面临的监管数据零散，不能有效整合，监管手段单一，缺乏层次化的技术问题。
第一个方面，本申请提供一种用于职业健康智能管理平台的处理方法，包括：
获取用户指定的监管层级以及监管层级对应的职业健康数据，监管层级的类型包括：底层、中间层和顶层，并且底层对应的第一监管范围包含在中间层对应的第二监管范围内，中间层对应的第二监管范围包含在顶层对应的第三监管范围内；
根据监管层级对应的至少一个预设分类属性以及预设分类属性的取值范围，将职业健康数据划分为多个被监监管群组；
利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对，目标特征值对包括正向目标值和负向目标值；
利用预设距离模型，计算每个属性特征与正向目标值的第一距离，以及每个属性特征与负向目标值的第二距离；
利用预设评价模型，根据每个被监管群组中的各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度，健康度用于表征监管对象在职业健康保护上的良好程度；
利用预设图表模型，将每个健康度以及职业健康数据构建成一个或多个职业健康监管图表，并输出各个职业健康监管图表。
在一种可能的设计中，利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对，包括：
利用预设整理模型，根据监管层级，确定每个被监管群组对应的第一职业健康数据的数据整理结构；
根据数据整理结构对第一职业健康数据进行同趋势化转换，得到同趋化数据，同趋化数据中不同监管对象对应的同一属性特征的取值越大或越小时，属性特征所表征的职业健康属性越好；
利用预设特征提取模型，根据同趋化数据，提取每个属性特征对应的至少一个目标特征值对。
在一种可能的设计中，数据整理结构包括：第一数据类型，第一数据类型用于表征属性特征的取值越接近目标值越好；
根据数据整理结构对第一职业健康数据进行同趋势化转换，得到同趋化数据，包括：
判断第一职业健康数据中是否存在属于第一数据类型的第一属性特征；
若存在，则计算各个第一属性特征与对应的目标值之间的差值，并根据预设筛选模型，从各个差值中筛选出第一参考值：
根据第一参考值、目标值以及第一属性特征对第一属性特征进行同趋势化转换，确定同趋化数据中与第一属性特征对应的第一同趋化数据。
在一种可能的设计中，根据第一参考值、目标值以及第一属性特征对第一属性特征进行同趋势化转换，确定同趋化数据中与第一属性特征对应的第一同趋化数据，包括：
Figure SMS_1
，
其中，
Figure SMS_2
为比例系数或权重系数，D为第一参考值，/>
Figure SMS_3
为第一属性特征，/>
Figure SMS_4
为目标值。
在一种可能的设计中，计算各个第一属性特征与对应的目标值之间的差值，并根据预设筛选模型，从各个差值中筛选出第一参考值，包括：
Figure SMS_5
，
其中，D为第一参考值，
Figure SMS_6
为第一属性特征，/>
Figure SMS_7
为目标值。
在一种可能的设计中，利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对，包括：
将每个属性特征中的最大值作为正向目标值；
将每个属性特征中的最小值作为负向目标值。
在一种可能的设计中，利用预设评价模型，根据每个被监管群组中的各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度，包括：
计算第一距离和第二距离的比值，并根据比值确定健康度。
在一种可能的设计中，计算第一距离和第二距离的比值，并根据比值确定健康度，包括：
Figure SMS_8
，
其中，
Figure SMS_9
为健康度，/>
Figure SMS_10
为第一距离，/>
Figure SMS_11
为第二距离，A、B、C为预设调整参数。
第二方面，本申请提供一种用于职业健康智能管理平台的处理系统，包括：
获取模块，用于获取用户指定的监管层级以及监管层级对应的职业健康数据，监管层级的类型包括：底层、中间层和顶层，并且底层对应的第一监管范围包含在中间层对应的第二监管范围内，中间层对应的第二监管范围包含在顶层对应的第三监管范围内；
处理模块，用于：
根据监管层级对应的至少一个预设分类属性以及预设分类属性的取值范围，将职业健康数据划分为多个被监监管群组；
利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对，目标特征值对包括正向目标值和负向目标值；
利用预设距离模型，计算每个属性特征与正向目标值的第一距离，以及每个属性特征与负向目标值的第二距离；
利用预设评价模型，根据每个被监管群组中的各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度，健康度用于表征监管对象在职业健康保护上的良好程度；
利用预设图表模型，将每个健康度以及职业健康数据构建成一个或多个职业健康监管图表，并输出各个职业健康监管图表。
第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；
存储器存储计算机执行指令；
处理器执行存储器存储的计算机执行指令，以实现第一方面所提供的任意一种可能的用于职业健康智能管理平台的处理方法。
第四方面，本申请提供一种存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现第一方面所提供的任意一种可能的用于职业健康智能管理平台的处理方法。
第五方面，本申请还提供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第一方面所提供的任意一种可能的用于职业健康智能管理平台的处理方法。
本申请提供了一种用于职业健康智能管理平台的处理方法。通过获取用户指定的监管层级以及监管层级对应的职业健康数据；根据监管层级对应的至少一个预设分类属性以及预设分类属性的取值范围，将职业健康数据划分为多个被监监管群组；利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对；利用预设距离模型，计算每个属性特征与正向目标值的第一距离，以及每个属性特征与负向目标值的第二距离；利用预设评价模型，根据各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度；利用预设图表模型，将每个健康度以及职业健康数据构建并输出职业健康监管图表。解决了职业健康监管面临的监管数据零散，不能有效整合，监管手段单一，缺乏层次化的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种用于职业健康智能管理平台的处理方法的流程示意图；
图2为本申请实施例提供的图1中步骤S103的一种可能的实施方式的流程示意图；
图3为本申请实施例提供的一种用于职业健康智能管理平台的处理系统的结构示意图；
图4为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，包括但不限于对多个实施例的组合，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本申请实施例提供的一种用于职业健康智能管理平台的处理方法的流程示意图。如图1所示，该方法的具体步骤包括：
S101、获取用户指定的监管层级以及监管层级对应的职业健康数据。
在本步骤中，监管层级的类型包括：底层、中间层和顶层，并且底层对应的第一监管范围包含在中间层对应的第二监管范围内，中间层对应的第二监管范围包含在顶层对应的第三监管范围内。
不同的监管层级其对应的监管范围不同，例如：底层可以为劳动者层级，其对应的第一监管范围代表一个或多个劳动者，即底层的监管对象是劳动者，对应的，劳动者层级的职业健康数据则包含劳动者的个人信息以及各项生理检查数据。中间层可以为企业层级，其对应的第二监管范围代表一个或多个企业，即中间层的监管对象是企业，对应的，企业层级的职业健康数据包括：企业中的劳动者的职业健康相关信息，企业对于各个具备危害职业健康的岗位的监管信息。顶层可以为地区层级，其对应的第三监管范围代表一个或多个地区，即顶层的监管对象是地区，每个地区包含了政府或监管机构、企业以及企业中的劳动者，因此，地区层级的职业健康数据包括：每个企业对于职业健康的监管信息、每个企业中劳动者的职业健康相关信息以及政府或监管机构对于职业健康的监管规范等等。
S102、根据监管层级对应的至少一个预设分类属性以及预设分类属性的取值范围，将职业健康数据划分为多个被监监管群组。
在本步骤中，考虑到不同监管层级所对应的监管对象或者监管范围的变化，并且在同一个监管层级中监管对象的个体性差异会对职业健康数据的分析产生干扰。因此，需要为监管层级对应的监管对象或监管范围进行进一步细分，比如，对于底层为劳动者层级来说，监管对象是一个个劳动者，而这些劳动者所从事的岗位、所处企业、年龄等就会对其职业健康数据产生不同的影响，为了使得对职业健康数据的分析和监管更精确化，就需要将上述的属性特征设置为预设分类属性。例如，将20-30岁的劳动者划分为一个被监管群组，或者将同一个类型的企业如水泥生产企业的劳动者划分为同一个被监管群组，再或者，将相同的工作岗位，如油漆喷涂岗位划分为同一个被监管群组。
需要说明的是，预设分类属性以及预设分类属性的取值范围的设定可以根据实际应用场景进行选择，本申请不再赘述。
值得注意的是，本申请通过进一步细化被监管群组，解决了现有的职业健康监管管理粒度较粗，无法有效排除干扰信息，信息提取的准确度较低的技术问题。
S103、利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对。
在本步骤中，目标特征值对包括：正向目标值和负向目标值。正向目标值是指当属性特征的取值越接近某一取值时所代表的意义越好，相反的，负向目标值是指当属性特征的取值越接近某一取值时所代表的意义越差。
在本实施例中，通过图2来介绍本步骤的一种可能的实时方式。
图2为本申请实施例提供的图1中步骤S103的一种可能的实施方式的流程示意图。如图2所示，在本步骤中，具体实现方式包括：
S1031、利用预设整理模型，根据监管层级，确定每个被监管群组对应的第一职业健康数据的数据整理结构。
在本步骤中，不同的监管层级对应不同的数据整理结构，例如当底层为劳动者层级时，劳动者相关的职业健康数据，如生理健康数据、年体检次数、健康疗养数据等，需要统一整理为对应的数据表单，或者数据矩阵，而有些属性特征是取值越大越好，有些是越小越好，有些是落在预设区间内较好。这就需要把属性特征进行归类，对不同类型的数据，采用不同的整理方式，而不同监管层级可能涉及到一种或多种数据类型，这样就形成了不同的数据整理结构。
在本实施例中，数据整理结构包括：第一数据类型，该第一数据类型用于表征属性特征的取值越接近目标值越好。
S1032、根据数据整理结构对第一职业健康数据进行同趋势化转换，得到同趋化数据。
值得注意的是，同趋化数据中不同监管对象对应的同一属性特征的取值越大或越小时，属性特征所表征的职业健康属性越好。因为数据整理结构中的数据类型并不都是取值越大或越小越好，但是从数据分析的角度，为了能够得到准确的职业健康监管的效果，需要把数据转换成具有相同趋势的形式，同时也能够提高运算效率。
在本步骤种，具体实施方式包括：
1、判断第一职业健康数据中是否存在属于第一数据类型的第一属性特征；
2、若存在，则计算各个第一属性特征与对应的目标值之间的差值，并根据预设筛选模型，从各个差值中筛选出第一参考值：
3、根据第一参考值、目标值以及第一属性特征对第一属性特征进行同趋势化转换，确定同趋化数据中与第一属性特征对应的第一同趋化数据。
可选的，对于第2步，可以通过公式（1）来得到：
Figure SMS_12
（1）
其中，D为第一参考值，
Figure SMS_13
为第一属性特征，/>
Figure SMS_14
为目标值。
对于第3步，可以根据公式（2）来计算具体的每个第一同趋化数据：
Figure SMS_15
（2）
其中，
Figure SMS_16
为比例系数或权重系数，D为第一参考值，/>
Figure SMS_17
为第一属性特征，/>
Figure SMS_18
为目标值。
S1033、利用预设特征提取模型，根据同趋化数据，提取每个属性特征对应的至少一个目标特征值对。
在一种可能的设计中，预设特征提取模型包括k-means聚类模型，正向目标值和负向目标值为根据每个被监管群组中每个属性特征而确定的两个聚类中心。
在又一种可能的设计中，确定目标特征值对包括：
将每个所述属性特征中的最大值作为所述正向目标值；
将每个所述属性特征中的最小值作为所述负向目标值。
S104、利用预设距离模型，计算每个属性特征与正向目标值的第一距离，以及每个属性特征与负向目标值的第二距离。
在本步骤中，预设距离模型包括：欧式距离模型、闵可夫斯基距离模型、汉明距离模型、切比雪夫距离模型中的一种或多种。
S105、利用预设评价模型，根据每个被监管群组中的各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度。
在本步骤中，健康度用于表征监管对象在职业健康保护上的良好程度。具体的，可以通过计算第一距离和第二距离的比值，并根据比值确定健康度。
在本实施例中可以通过公式（3）计算得到：
Figure SMS_19
（3）
其中，
Figure SMS_20
为健康度，/>
Figure SMS_21
为第一距离，/>
Figure SMS_22
为第二距离，A、B、C为预设调整参数。
S106、利用预设图表模型，将每个健康度以及职业健康数据构建成一个或多个职业健康监管图表，并输出各个职业健康监管图表。
在本步骤中，经过上述各个步骤之后，得到了监管层级中每个监管对象所对应的健康度。从而将监管对象的职业健康状况进行了数字化，这样对于就能够清晰反馈劳动者、企业和各级监管机构在职业健康监管上的各项措施是否有效，通过构建职业健康监管图表能够直观地，层级化地反馈给各个监管机构或者政府部门或者企业，为制定后续的职业健康监管政策提供数据支持。
本实施例提供了一种用于职业健康智能管理平台的处理方法，通过获取用户指定的监管层级以及监管层级对应的职业健康数据；根据监管层级对应的至少一个预设分类属性以及预设分类属性的取值范围，将职业健康数据划分为多个被监监管群组；利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对；利用预设距离模型，计算每个属性特征与正向目标值的第一距离，以及每个属性特征与负向目标值的第二距离；利用预设评价模型，根据各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度；利用预设图表模型，将每个健康度以及职业健康数据构建并输出职业健康监管图表。解决了职业健康监管面临的监管数据零散，不能有效整合，监管手段单一，缺乏层次化的技术问题。
图3为本申请实施例提供的一种用于职业健康智能管理平台的处理系统的结构示意图。该数据处理系统300可以通过软件、硬件或者两者的结合实现。
如图3所示，该用于职业健康智能管理平台的处理系统300包括：
获取模块301，用于获取用户指定的监管层级以及监管层级对应的职业健康数据，监管层级的类型包括：底层、中间层和顶层，并且底层对应的第一监管范围包含在中间层对应的第二监管范围内，中间层对应的第二监管范围包含在顶层对应的第三监管范围内；
处理模块302，用于：
根据监管层级对应的至少一个预设分类属性以及预设分类属性的取值范围，将职业健康数据划分为多个被监监管群组；
利用预设特征提取模型，根据每个被监管群组中的每个属性特征，确定每个被监管群组中每个属性特征对应的至少一个目标特征值对，目标特征值对包括正向目标值和负向目标值；
利用预设距离模型，计算每个属性特征与正向目标值的第一距离，以及每个属性特征与负向目标值的第二距离；
利用预设评价模型，根据每个被监管群组中的各个监管对象所对应的第一距离和第二距离，确定每个监管对象的健康度，健康度用于表征监管对象在职业健康保护上的良好程度；
利用预设图表模型，将每个健康度以及职业健康数据构建成一个或多个职业健康监管图表，并输出各个职业健康监管图表。
在一种可能的设计中，处理模块302，用于：
利用预设整理模型，根据监管层级，确定每个被监管群组对应的第一职业健康数据的数据整理结构；
根据数据整理结构对第一职业健康数据进行同趋势化转换，得到同趋化数据，同趋化数据中不同监管对象对应的同一属性特征的取值越大或越小时，属性特征所表征的职业健康属性越好；
利用预设特征提取模型，根据同趋化数据，提取每个属性特征对应的至少一个目标特征值对。
在一种可能的设计中，数据整理结构包括：第一数据类型，第一数据类型用于表征属性特征的取值越接近目标值越好；
处理模块302，用于：
判断第一职业健康数据中是否存在属于第一数据类型的第一属性特征；
若存在，则计算各个第一属性特征与对应的目标值之间的差值，并根据预设筛选模型，从各个差值中筛选出第一参考值：
根据第一参考值、目标值以及第一属性特征对第一属性特征进行同趋势化转换，确定同趋化数据中与第一属性特征对应的第一同趋化数据。
在一种可能的设计中，处理模块302，用于根据第一参考值、目标值以及第一属性特征对第一属性特征进行同趋势化转换，确定同趋化数据中与第一属性特征对应的第一同趋化数据，包括：
Figure SMS_23
，
其中，
Figure SMS_24
为比例系数或权重系数，D为第一参考值，/>
Figure SMS_25
为第一属性特征，/>
Figure SMS_26
为目标值。
在一种可能的设计中，处理模块302，用于计算各个第一属性特征与对应的目标值之间的差值，并根据预设筛选模型，从各个差值中筛选出第一参考值，包括：
Figure SMS_27
，
其中，D为第一参考值，
Figure SMS_28
为第一属性特征，/>
Figure SMS_29
为目标值。
在一种可能的设计中，处理模块302，用于：
将每个属性特征中的最大值作为正向目标值；
将每个属性特征中的最小值作为负向目标值。
在一种可能的设计中，处理模块302，用于计算第一距离和第二距离的比值，并根据比值确定健康度。
在一种可能的设计中，处理模块302，用于计算第一距离和第二距离的比值，并根据比值确定健康度，包括：
Figure SMS_30
，
其中，
Figure SMS_31
为健康度，/>
Figure SMS_32
为第一距离，/>
Figure SMS_33
为第二距离，A、B、C为预设调整参数。
值得说明的是，图3所示实施例提供的系统，可以执行上述任一方法实施例中所提供的方法，其具体实现原理、技术特征、专业名词解释以及技术效果类似，在此不再赘述。
图4为本申请实施例提供的一种电子设备的结构示意图。如图4所示，该电子设备400，可以包括：至少一个处理器401和存储器402。图4示出的是以一个处理器为例的装置。
存储器402，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器402可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
处理器401用于执行存储器402存储的计算机执行指令，以实现以上各方法实施例所述的方法。
其中，处理器401可能是一个中央处理器（central processing unit，简称为CPU），或者是特定集成电路（application specific integrated circuit，简称为ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地，存储器402既可以是独立的，也可以跟处理器401集成在一起。当所述存储器402是独立于处理器401之外的器件时，所述电子设备400，还可以包括：
总线403，用于连接所述处理器401以及所述存储器402。总线可以是工业标准体系结构（industry standard architecture，简称为ISA）总线、外部设备互连（peripheralcomponent，PCI）总线或扩展工业标准体系结构（extended industry standardarchitecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器402和处理器401集成在一块芯片上实现，则存储器402和处理器401可以通过内部接口完成通信。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器（read-only memory ，ROM）、随机存取存储器（randomaccess memory，RAM）、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述各方法实施例中的方法。
本申请实施例还提供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上述各方法实施例中的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由本申请的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种用于职业健康智能管理平台的处理方法，其特征在于，包括：
获取用户指定的监管层级以及所述监管层级对应的职业健康数据，所述监管层级的类型包括：底层、中间层和顶层，并且所述底层对应的第一监管范围包含在所述中间层对应的第二监管范围内，所述中间层对应的所述第二监管范围包含在所述顶层对应的第三监管范围内；
根据所述监管层级对应的至少一个预设分类属性以及所述预设分类属性的取值范围，将所述职业健康数据划分为多个被监监管群组；
利用预设特征提取模型，根据每个所述被监管群组中的每个属性特征，确定每个所述被监管群组中每个所述属性特征对应的至少一个目标特征值对，所述目标特征值对包括正向目标值和负向目标值；
利用预设距离模型，计算每个所述属性特征与所述正向目标值的第一距离，以及每个所述属性特征与负向目标值的第二距离；
利用预设评价模型，根据每个所述被监管群组中的各个监管对象所对应的所述第一距离和所述第二距离，确定每个所述监管对象的健康度，所述健康度用于表征所述监管对象在职业健康保护上的良好程度；
利用预设图表模型，将每个所述健康度以及所述职业健康数据构建成一个或多个职业健康监管图表，并输出各个所述职业健康监管图表。
2.根据权利要求1所述的用于职业健康智能管理平台的处理方法，其特征在于，所述利用预设特征提取模型，根据每个所述被监管群组中的每个属性特征，确定每个所述被监管群组中每个所述属性特征对应的至少一个目标特征值对，包括：
利用预设整理模型，根据所述监管层级，确定每个所述被监管群组对应的第一职业健康数据的数据整理结构；
根据所述数据整理结构对所述第一职业健康数据进行同趋势化转换，得到同趋化数据，所述同趋化数据中不同监管对象对应的同一所述属性特征的取值越大或越小时，所述属性特征所表征的职业健康属性越好；
利用所述预设特征提取模型，根据所述同趋化数据，提取每个所述属性特征对应的至少一个所述目标特征值对。
3.根据权利要求2所述的用于职业健康智能管理平台的处理方法，其特征在于，所述数据整理结构包括：第一数据类型，所述第一数据类型用于表征所述属性特征的取值越接近目标值越好；
所述根据所述数据整理结构对所述第一职业健康数据进行同趋势化转换，得到同趋化数据，包括：
判断所述第一职业健康数据中是否存在属于所述第一数据类型的第一属性特征；
若存在，则计算各个所述第一属性特征与对应的所述目标值之间的差值，并根据预设筛选模型，从各个所述差值中筛选出第一参考值：
根据所述第一参考值、所述目标值以及所述第一属性特征对所述第一属性特征进行同趋势化转换，确定所述同趋化数据中与所述第一属性特征对应的第一同趋化数据。
4.根据权利要求3所述的用于职业健康智能管理平台的处理方法，其特征在于，所述根据所述第一参考值、所述目标值以及所述第一属性特征对所述第一属性特征进行同趋势化转换，确定所述同趋化数据中与所述第一属性特征对应的第一同趋化数据，包括：
Figure QLYQS_1
其中，
Figure QLYQS_2
为比例系数或权重系数，D为所述第一参考值，/>
Figure QLYQS_3
为所述第一属性特征，/>
Figure QLYQS_4
为所述目标值。
5.根据权利要求3所述的用于职业健康智能管理平台的处理方法，其特征在于，所述计算各个所述第一属性特征与对应的所述目标值之间的差值，并根据预设筛选模型，从各个所述差值中筛选出第一参考值，包括：
Figure QLYQS_5
其中，D为所述第一参考值，
Figure QLYQS_6
为所述第一属性特征，/>
Figure QLYQS_7
为所述目标值。
6.根据权利要求1所述的用于职业健康智能管理平台的处理方法，其特征在于，所述利用预设特征提取模型，根据每个所述被监管群组中的每个属性特征，确定每个所述被监管群组中每个所述属性特征对应的至少一个目标特征值对，包括：
将每个所述属性特征中的最大值作为所述正向目标值；
将每个所述属性特征中的最小值作为所述负向目标值。
7.根据权利要求1-6中任意一项所述的用于职业健康智能管理平台的处理方法，其特征在于，所述利用预设评价模型，根据每个所述被监管群组中的各个监管对象所对应的所述第一距离和所述第二距离，确定每个所述监管对象的健康度，包括：
计算所述第一距离和所述第二距离的比值，并根据所述比值确定所述健康度。
8.根据权利要求7所述的用于职业健康智能管理平台的处理方法，其特征在于，所述计算所述第一距离和所述第二距离的比值，并根据所述比值确定所述健康度，包括：
Figure QLYQS_8
其中，
Figure QLYQS_9
为所述健康度，/>
Figure QLYQS_10
为所述第一距离，/>
Figure QLYQS_11
为所述第二距离，A、B、C为预设调整参数。
9.一种用于职业健康智能管理平台的处理系统，其特征在于，包括：
获取模块，用于获取用户指定的监管层级以及所述监管层级对应的职业健康数据，所述监管层级的类型包括：底层、中间层和顶层，并且所述底层对应的第一监管范围包含在所述中间层对应的第二监管范围内，所述中间层对应的所述第二监管范围包含在所述顶层对应的第三监管范围内；
处理模块，用于：
根据所述监管层级对应的至少一个预设分类属性以及所述预设分类属性的取值范围，将所述职业健康数据划分为多个被监监管群组；
利用预设特征提取模型，根据每个所述被监管群组中的每个属性特征，确定每个所述被监管群组中每个所述属性特征对应的至少一个目标特征值对，所述目标特征值对包括正向目标值和负向目标值；
利用预设距离模型，计算每个所述属性特征与所述正向目标值的第一距离，以及每个所述属性特征与负向目标值的第二距离；
利用预设评价模型，根据每个所述被监管群组中的各个监管对象所对应的所述第一距离和所述第二距离，确定每个所述监管对象的健康度，所述健康度用于表征所述监管对象在职业健康保护上的良好程度；
利用预设图表模型，将每个所述健康度以及所述职业健康数据构建成一个或多个职业健康监管图表，并输出各个所述职业健康监管图表。
10.一种电子设备，其特征在于，包括：处理器以及存储器；
所述存储器，用于存储所述处理器的计算机程序；
所述处理器配置为经由执行所述计算机程序来执行权利要求1至8任一项所述的数据处理方法。
CN202310642712.2A 2023-06-01 2023-06-01 用于职业健康智能管理平台的处理方法及系统 Active CN116386878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310642712.2A CN116386878B (zh) 2023-06-01 2023-06-01 用于职业健康智能管理平台的处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310642712.2A CN116386878B (zh) 2023-06-01 2023-06-01 用于职业健康智能管理平台的处理方法及系统

Publications (2)

Publication Number Publication Date
CN116386878A true CN116386878A (zh) 2023-07-04
CN116386878B CN116386878B (zh) 2023-08-08

Family

ID=86961911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310642712.2A Active CN116386878B (zh) 2023-06-01 2023-06-01 用于职业健康智能管理平台的处理方法及系统

Country Status (1)

Country Link
CN (1) CN116386878B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150112706A1 (en) * 2013-10-17 2015-04-23 Ovuline, Inc. System and Methods for Personal health Analytics Technical Field
CN110739082A (zh) * 2019-10-15 2020-01-31 广东电网有限责任公司 一种职业健康风险管控措施评估方法及相关装置
US20210295735A1 (en) * 2020-03-13 2021-09-23 Tata Consultancy Services Limited System and method of determining personalized wellness measures associated with plurality of dimensions
CN113782217A (zh) * 2021-09-16 2021-12-10 工银科技有限公司 人体健康状况分级方法及装置
CN115862864A (zh) * 2022-12-06 2023-03-28 中国辐射防护研究院 一种职业健康智能管理平台系统及方法
CN116110580A (zh) * 2023-01-19 2023-05-12 江苏雷奥生物科技有限公司 一种基于大数据的医疗健康管理系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150112706A1 (en) * 2013-10-17 2015-04-23 Ovuline, Inc. System and Methods for Personal health Analytics Technical Field
CN110739082A (zh) * 2019-10-15 2020-01-31 广东电网有限责任公司 一种职业健康风险管控措施评估方法及相关装置
US20210295735A1 (en) * 2020-03-13 2021-09-23 Tata Consultancy Services Limited System and method of determining personalized wellness measures associated with plurality of dimensions
CN113782217A (zh) * 2021-09-16 2021-12-10 工银科技有限公司 人体健康状况分级方法及装置
CN115862864A (zh) * 2022-12-06 2023-03-28 中国辐射防护研究院 一种职业健康智能管理平台系统及方法
CN116110580A (zh) * 2023-01-19 2023-05-12 江苏雷奥生物科技有限公司 一种基于大数据的医疗健康管理系统及方法

Also Published As

Publication number Publication date
CN116386878B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN107679946B (zh) 基金产品推荐方法、装置、终端设备及存储介质
US20190197057A1 (en) A classification method and a classification device for service data
CN109992578B (zh) 基于无监督学习的反欺诈方法、装置、计算机设备及存储介质
CN115730605B (zh) 基于多维信息的数据分析方法
CN112365070A (zh) 一种电力负荷预测方法、装置、设备及可读存储介质
CN110378389A (zh) 一种Adaboost分类器计算机创建装置
CN116386878B (zh) 用于职业健康智能管理平台的处理方法及系统
CN113554350A (zh) 活跃度评估方法、装置、电子设备及计算机可读存储介质
CN111325572B (zh) 一种数据处理方法及装置
CN113792084A (zh) 数据热度的分析方法、装置、设备及存储介质
CN111460293A (zh) 信息推送方法、装置及计算机可读存储介质
CN110674104A (zh) 特征组合筛选方法、装置、计算机设备及存储介质
US20200000413A1 (en) Method and system for automated diagnostics of none-infectious illnesses
CN108961071A (zh) 自动预测组合业务收益的方法及终端设备
CN112598228B (zh) 企业竞争力的分析方法、装置、设备及存储介质
CN110377592B (zh) 定量变量到虚拟变量的数据预处理方法、装置及终端设备
CN109086207B (zh) 页面响应故障分析方法、计算机可读存储介质及终端设备
JP2023519292A (ja) モデリング方法及び装置
CN113822464A (zh) 用户信息的处理方法及装置、电子设备、存储介质
CN113220551A (zh) 指标趋势预测及预警方法、装置、电子设备及存储介质
CN110837459A (zh) 一种基于大数据的运行绩效分析方法及系统
CN116342300B (zh) 一种保险理赔人员特征分析方法、装置和设备
CN110879723B (zh) 基于Pareto最优集的软件服务价值的客观评测方法及装置
JP7302439B2 (ja) システム分析方法、およびシステム分析プログラム
CN107944463A (zh) 一种动态网络微状态检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 214000, Floor 20, Office Area, Yinhua Financial Building, Licheng Road 18, Wuxi Economic Development Zone, Wuxi City, Jiangsu Province

Patentee after: Zhongweixin Software Co.,Ltd.

Address before: 7th Floor, Building 02, R&D Headquarters Park, Nanjing Xincheng Science and Technology Park, No. 68 Olympic Sports Street, Jianye District, Nanjing City, Jiangsu Province 210000

Patentee before: Nanjing zhongweixin Software Technology Co.,Ltd.