CN116467612A - 一种基于人工智能的医学检测液体的挥发性有机物数据处理系统 - Google Patents
一种基于人工智能的医学检测液体的挥发性有机物数据处理系统 Download PDFInfo
- Publication number
- CN116467612A CN116467612A CN202310232685.1A CN202310232685A CN116467612A CN 116467612 A CN116467612 A CN 116467612A CN 202310232685 A CN202310232685 A CN 202310232685A CN 116467612 A CN116467612 A CN 116467612A
- Authority
- CN
- China
- Prior art keywords
- data
- sampling
- volatile organic
- algorithm
- module
- 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
- 239000012855 volatile organic compound Substances 0.000 title claims abstract description 55
- 239000007788 liquid Substances 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 title claims abstract description 13
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 19
- 238000001179 sorption measurement Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 9
- 241000282672 Ateles sp. Species 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- BCGWQEUPMDMJNV-UHFFFAOYSA-N imipramine Chemical compound C1CC2=CC=CC=C2N(CCCN(C)C)C2=CC=CC=C21 BCGWQEUPMDMJNV-UHFFFAOYSA-N 0.000 claims description 3
- 238000010339 medical test Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 3
- 101100390778 Drosophila melanogaster Fitm2 gene Proteins 0.000 description 2
- XYFCBTPGUUZFHI-UHFFFAOYSA-N Phosphine Chemical compound P XYFCBTPGUUZFHI-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010015946 Eye irritation Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010073310 Occupational exposures Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 231100000013 eye irritation Toxicity 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000017 mucous membrane irritation Toxicity 0.000 description 1
- 231100000675 occupational exposure Toxicity 0.000 description 1
- 231100000616 occupational exposure limit Toxicity 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229910000073 phosphorus hydride Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- 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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electrochemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，包括挥发性有机物采样模块，数据库模块，特征提取模块和成分分析模块，当开始检测时，会产生挥发性有机物，通过挥发性有机物采样模块对数据进行采样，采样后的数据保存到数据库模块，根据数据库模块的采样样本，通过特征提取模块对数据样本进行特征提取，最后通过成分分析模块分析处理因检测而产生的挥发性有机物。本发明的有益效果：根据检测时产生的挥发性有机物，利用算法分析其成分，能够为医疗提前布置好清理措施，具有环境友好性。
Description
技术领域
本公开内容涉及用于一种数据处理分析系统，更具体地，本公开内容涉及一种基于人工智能的医学检测液体的挥发性有机物数据处理系统。
背景技术
当医疗现场空气中有挥发性有机物时，特别是易挥发的医学检测液体，可能会引起人体不良综合征，暴露人员会产生粘膜刺激、眼睛刺激、头痛、注意力丧失等不适症状，引起异味投诉和抱怨。人体通过嗅觉感知挥发性有机物是不良建筑综合征的重要原因之一。在塑料颗粒处理小试验区局部通风改善过程中，发现挥发性有机物没有参考浓度限值，无法定义工程改善前后的测量指标。同时，虽然工作场所的其他细菌、磷化氢等化学因素浓度达到职业暴露限值，但医学院区研究生附近的员工仍对工作场所的气味表示不满。目前，挥发性有机物职业暴露评价尚未广泛开展。工作场所发现挥发性有机物没有权威的暴露限值，也没有法定的职业暴露限值。
发明内容
针对上述问题，本发明旨在提供一种基于人工智能的医学检测液体的挥发性有机物数据处理系统。
本发明创造的目的通过以下技术方案实现：
一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，各模块依次线性连接，包括、挥发性有机物采样模块、数据库模块、特征提取模块和成分分析模块，当开始检测时，会产生挥发性有机物，通过挥发性有机物采样模块对挥发性有机物数据进行采样，采样手段包括吸附管采样和罐采样，挥发性有机物采样模块在采样的过程中，需要记录的参数包括质谱图、气相色谱图、峰面积、峰高度，同时还需要记录样本参数的有效性，采用K-means++算法将样本参数的有效性进行聚类，定义有效性指标的集合为I，指标种类总数为q，记为I＝{I1,I2,…,Iq}，假设Ii∈I，且每个有效性指标都是有界的，其约束函数集定义为C，从有效性指标的集合I中随机抽取K个有效性指标作为初始均值向量，计算其余有效性指标与各均值向量的距离，假设随机抽取的指标为Ia，Ib，有Ia∈I，Ib∈I，对于有界的有效性指标的集合结合ML-CL算法辅助搜索聚类，定义ML为约束指定两个实例必须在同一个集群中，此时有CL为约束指定两个实例不在同一个集群中，此时有针对ML检验：如果存在/>计算第i个有效性指标距两个初始均值向量的欧氏距离为：/>和/>接着更新有效性指标作Knew＝(K-C)∪(C∪Ii)，若不存在则随机抽取其他的有效性指标，指导选出最小的欧氏距离所对应的有效性指标I*，计算I`*＝round(sigmoid(I*))得到有效性指标的值，其中round()为四舍五入计算，有效性的取值为0或1，当有效性取值为1时，说明该样本参数符合数据库存储规范，当有效性为0时，说明该样本参数不符合数据库存储规范，将上述记录的参数数据发送至数据库模块，采样后的数据保存到数据库模块，根据数据库模块的采样样本，通过特征提取模块对数据样本进行特征提取，最后通过成分分析模块分析处理因检测而产生的挥发性有机物。
进一步的，所述开始检测时，会产生挥发性有机物，通过挥发性有机物采样模块对挥发性有机物数据进行采样，采样手段包括吸附管采样和罐采样；
吸附管采样包括使用经过老化的吸附管，确认好的采样点位，连接收集仪器进行采集；
罐采样包括使用清洁好的采样罐，在定好的采样点位，根据预期需要，选择瞬时采样或者恒流采样。
进一步的，使用吸附管采样时，根据评价标准实行连续一小时采样或者在一小时内等时间间隔采样，使用罐采样时，瞬时采样实行一小时内等时间间隔采样，恒流采样实行连续一小时采样。
进一步的，所述数据库模块，用于接收挥发性有机物采样模块采集到的数据样本，包括气象参数和样本参数，以字典的格式进行存储，包含键和键值，记为{Key：Value}，其中Key为键，Value为键值，每一次检测后采集到的数据样本均保存在新建字典中，并以检测设备发送至数据库模块的时间戳来命名，以此区分信息的采集时间。
进一步的，对于数据库模块接收到的异常样本数据，包括重复、缺省、错误三类情况，如果数据库模块接收的挥发性有机物数据重复，数据库模块将相应键和键值位置标绿，以此来提醒数据员重复数据无需额外占用内存，可以执行删除操作；如果数据库模块接收的挥发性有机物数据缺省，数据库模块将相应键和键值位置标黄，以此来警告数据员该项数据因故障没有采集到，如果数据库模块接收的挥发性有机物数据错误，数据库模块将相应键和键值位置标红，将发出警报，即数据库模块将相应键和键值位置标红并连续闪烁，数据员需核实该数据的正确性，其正确性区间为[T1,T2]，如超出正确性区间，删除该键和键值，当数据员修正上述三种情况，数据库模块会更行数据。
进一步的，数据库模块还具有加密保护的功能，采用ESKEA算法对数据进行加密保护，ESKEA算法首先使用聚合加密CE算法来执行数据的块级重复数据消除，以检查数据的CSP重复副本，然后，使用ESKEA算法进行数据安全存储加密，ESKEA算法采用基于高级加密标准AES的对称密钥加密算法，随机选择OSK提高AES算法的效率，在ESKEA中，蜘蛛猴优化算法SMOA用于密钥的最优选择，SMOA算法的最佳密钥选择阶段定义如下：LL阶段在[Z/2，2×Z]的范围内，其中，Z为群的大小，GL阶段为d×W，d为表示维度空间，W为群的数目，扰动率在[0.1,0.9]范围内，然后，在第d维空间中，初始化候选解，将SMOA算法中在范围[1，n-1]中的N-1个素数作为候选解决方案，并如下初始化：SM(n)＝{SM(1，d)，AM(2，d)，...，SM(n，d)}，其中，SM(1，d)为第1个候选解，SM(2，d)为第2个候选解，SM(n，d)为第n个候选解，适合性通过评估每个解决方案的适合性，选择最佳解决方案，在该方法中，根据解决方案的吞吐量为OSK选择指定适应度函数，明文大小和加密时间之间的比率定义为解决方案的吞吐量，通过下式计算：其中，第k个解决方案吞吐量由Tk(t)表示，通过下式计算解的适应度函数：Fitk(t)＝Max(Tk(t))，具有最优适应度的解为最优解，首先，是LL阶段的SM的新位置计算，具体如下式：/> 其中，u1为[0，1]的随机数，u2为[-1,1]的随机数，LL(k，d)为局部第k个领导人的第d维位置，M(n，d)为随机从第n组的第d维中选择的SM，PR为控制扰动次数的扰动速率，然后，是GL阶段确定SM的新位置，通过下式计算：SM(m+1，d)＝SM(m，d)+u1×(GL(d)-SM(m，d))+u2×(SM(n，d)-SM(m，d))，其中，GL(d)为全局领导者在第d维度中的角色，根据概率的追求值，SMs会改变他们的位置，利用适应度函数，以更好解决方案更新SM的位置，概率度量Prm计算如下：其中，Fitm为第m个SM的适应度值，max-Fit为适应度的最大值，然后使用OSK，输入CEK被加密并输出密码密钥CK进行对称加密，具体如下式：ESK(CEK，OSK)→CK，使用OSK解密加密的CEK并输出原始CEK进行对称解密，具体如下式：DSK(CK，OSK)→CEK，然后基于块级重复数据消除进行融合加密CE，密钥生成在该密钥生成算法中，生成一个CEK，块散列值将被映射到CEK，加密过程、数据块B和CEK作为加密算法的输入，最后该加密算法输出密码块CB，即ECE(B，CEK)→CB，在该解密过程中，加密数据块B和CEK被视为解密算法的输入，最后该解密算法输出原始数据块B，即DCE(CB，CEK)→B，标签生成在该标签生成算法中，将为密码块CB的每个数据块生成一个标签T，基于块大小、块中的单词数和单词大小，计算标签值，通过包括该标签值、DPID和块编号，为密码块CB生成最终标签T，即T(CB)←H(CB，CEK)，实现ESKEA算法对数据的加密保护。
进一步的，所述特征提取模块用于接收数据库模块中的正确数据，从而提取质谱图、气相色谱图、峰面积、峰高度作为训练集，发送至成分分析模块。
本发明的有益效果：本实施例所提出的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，能够在检测时对空气进行采样，采样手段包括吸附管采样和罐采样，能够适应于干燥或潮湿的场景，为了分析采集样本数据，采样后的数据保存到数据库模块，根据数据库模块的采样样本，通过特征提取模块对数据样本进行特征提取根据检测时产生的挥发性有机物，利用算法分析其成分，能够为医疗提前布置好清理措施，具有环境友好性。采用ESKEA算法对数据库进行加密保护，利用蜘蛛猴优化算法进行改进，创新之处在于蜘蛛猴优化算法的最佳密钥选择阶段采用了LL阶段和GL阶段，其中LL阶段在[Z/2,2×Z]的范围内，GL阶段为d×W，扰动率在[0.1,0.9]范围内，并且根据解决方案的吞吐量为OSK选择指定适应度函数，利用适应度函数以更好的解决方案更新SM的位置，并利用概率度量Prm计算SM的概率，使其改变位置，提高密码学中的安全性和效率，所有数据均可追溯，有效提高信息数据安全智能保护系统的工作效果，为信息数据安全智能保护系统提供更为全面、准确地技术支撑，为安全、科学、高效的信息数据安全智能保护系统提供更好的决策支持。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，各模块依次线性连接，包括、挥发性有机物采样模块、数据库模块、特征提取模块和成分分析模块，当开始检测时，会产生挥发性有机物，通过挥发性有机物采样模块对挥发性有机物数据进行采样，采样手段包括吸附管采样和罐采样，挥发性有机物采样模块在采样的过程中，需要记录的参数包括质谱图、气相色谱图、峰面积、峰高度，同时还需要记录样本参数的有效性，采用K-means++算法将样本参数的有效性进行聚类，定义有效性指标的集合为I，指标种类总数为q，记为I＝{I1,I2,…,Iq}，假设Ii∈I，且每个有效性指标都是有界的，其约束函数集定义为C，从有效性指标的集合I中随机抽取K个有效性指标作为初始均值向量，计算其余有效性指标与各均值向量的距离，假设随机抽取的指标为Ia，Ib，有Ia∈I，Ib∈I，对于有界的有效性指标的集合结合ML-CL算法辅助搜索聚类，定义ML为约束指定两个实例必须在同一个集群中，此时有CL为约束指定两个实例不在同一个集群中，此时有针对ML检验：如果存在/>计算第i个有效性指标距两个初始均值向量的欧氏距离为：/>和/>接着更新有效性指标作Knew＝(K-C)U(CUIi)，若不存在则随机抽取其他的有效性指标，指导选出最小的欧氏距离所对应的有效性指标I*，计算I`*＝round(sigmoid(I*))得到有效性指标的值，其中round()为四舍五入计算，有效性的取值为0或1，当有效性取值为1时，说明该样本参数符合数据库存储规范，当有效性为0时，说明该样本参数不符合数据库存储规范，将上述记录的参数数据发送至数据库模块，采样后的数据保存到数据库模块，根据数据库模块的采样样本，通过特征提取模块对数据样本进行特征提取，成分分析模块采用结合了最小二乘法的RBL神经网络对挥发性有机物成分进行分析和识别，并通过结合了拉格朗日乘子法与耦合技术的KVM算法进一步降低识别误差，最后通过成分分析模块分析处理因检测而产生的挥发性有机物。
优选的，所述开始检测时，会产生挥发性有机物，通过挥发性有机物采样模块对挥发性有机物数据进行采样，采样手段包括吸附管采样和罐采样；
吸附管采样包括使用经过老化的吸附管，确认好的采样点位，连接收集仪器进行采集；
罐采样包括使用清洁好的采样罐，在定好的采样点位，根据预期需要，选择瞬时采样或者恒流采样。
优选的，本实施例在湿度较低的环境下使用流量为10-200毫升/分钟，一般采集体积约2000毫升气体，本实施例在湿度较高的环境下使用流量为8-160毫升/分钟，一般采集体积约1600毫升气体，罐采样包括使用清洁好的采样罐，在定好的采样点位，根据预期需要，选择瞬时采样或者恒流采样。
优选的，使用吸附管采样时，可根据评价标准实行连续一小时采样或者在一小时内等时间间隔采样，使用罐采样时，瞬时采样实行一小时内等时间间隔采样，恒流采样实行连续一小时采样。
优选的，所述数据库模块，用于接收挥发性有机物采样模块采集到的数据样本，包括气象参数和样本参数，以字典的格式进行存储，包含键和键值，记为{Key：Value}，其中Key为键，Value为键值，每一次检测后采集到的数据样本均保存在新建字典中，并以检测设备发送至数据库模块的时间戳来命名，以此区分信息的采集时间。
优选的，对于数据库模块采集到的异常样本数据，包括重复、缺省、错误三类情况，如果数据库模块采集的挥发性有机物数据重复，数据库模块将相应键和键值位置标绿，以此来提醒数据员重复数据无需额外占用内存，可以执行删除操作；如果数据库模块采集的挥发性有机物数据缺省，数据库模块将相应键和键值位置标黄，以此来警告数据员该项数据因故障没有采集到，如果数据库模块接收的挥发性有机物数据错误，数据库模块将相应键和键值位置标红，将发出警报，即数据库模块将相应键和键值位置标红并连续闪烁，数据员需核实该数据的正确性，其正确性区间为[T1，T2]，如超出正确性区间，删除该键和键值，当数据员修正上述三种情况，数据库模块会更行数据。
优选的，数据库模块还具有加密保护的功能，采用ESKEA算法对数据进行加密保护，ESKEA算法首先使用聚合加密CE算法来执行数据的块级重复数据消除，以检查数据的CSP重复副本，然后，使用ESKEA算法进行数据安全存储加密，ESKEA算法采用基于高级加密标准AES的对称密钥加密算法，随机选择OSK提高AES算法的效率，在ESKEA中，蜘蛛猴优化算法SMOA用于密钥的最优选择，SMOA算法的最佳密钥选择阶段定义如下：LL阶段在[Z/2，2×Z]的范围内，其中，Z为群的大小，GL阶段为d×W，d为表示维度空间，W为群的数目，扰动率在[0.1,0.9]范围内，然后，在第d维空间中，初始化候选解，将SMOA算法中在范围[1，n-1]中的N一1个素数作为候选解决方案，并如下初始化：SM(n)＝{SM(1，d)，AM(2，d)，...，SM(n，d)}，其中，SM(1，d)为第1个候选解，SM(2，d)为第2个候选解，SM(n，d)为第n个候选解，适合性通过评估每个解决方案的适合性，选择最佳解决方案，在该方法中，根据解决方案的吞吐量为OSK选择指定适应度函数，明文大小和加密时间之间的比率定义为解决方案的吞吐量，通过下式计算：其中，第k个解决方案吞吐量由Tk(t)表示，通过下式计算解的适应度函数：Fitk(t)＝Max(Tk(t))，具有最优适应度的解为最优解，首先，是LL阶段的SM的新位置计算，具体如下式：/> 其中，u1为[0，1]的随机数，u2为[-1,1]的随机数，LL(k，d)为局部第k个领导人的第d维位置，M(n，d)为随机从第n组的第d维中选择的SM，PR为控制扰动次数的扰动速率，然后，是GL阶段确定SM的新位置，通过下式计算：SM(m+1，d)＝SM(m，d)+u1×(GL(d)-SM(m，d))+u2×(SM(n，d)-SM(m，d))，其中，GL(d)为全局领导者在第d维度中的角色，根据概率的追求值，SMs会改变他们的位置，利用适应度函数，以更好解决方案更新SM的位置，概率度量Prm计算如下：其中，Fitm为第m个SM的适应度值，max-Fit为适应度的最大值，然后使用OSK，输入CEK被加密并输出密码密钥CK进行对称加密，具体如下式：ESK(CEK，OSK)→CK，使用OSK解密加密的CEK并输出原始CEK进行对称解密，具体如下式：DSK(CK，OSK)→CEK，然后基于块级重复数据消除进行融合加密CE，密钥生成在该密钥生成算法中，生成一个CEK，块散列值将被映射到CEK，加密过程、数据块B和CEK作为加密算法的输入，最后该加密算法输出密码块CB，即ECE(B，CEK)→CB，在该解密过程中，加密数据块B和CEK被视为解密算法的输入，最后该解密算法输出原始数据块B，即DCE(CB，CEK)→B，标签生成在该标签生成算法中，将为密码块CB的每个数据块生成一个标签T，基于块大小、块中的单词数和单词大小，计算标签值，通过包括该标签值、DPID和块编号，为密码块CB生成最终标签T，即T(CB)←H(CB，CEK)，实现ESKEA算法对数据的加密保护。
优选的，所述特征提取模块，接收数据库模块正确的信息，提取质谱图、气相色谱图、峰面积、峰高度作为训练集，发送至成分分析模块。
本发明的有益效果：本实施例所提出的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，能够在检测时对空气进行采样，采样手段包括吸附管采样和罐采样，能够适应于干燥或潮湿的场景，为了分析采集样本数据，采样后的数据保存到数据库模块，根据数据库模块的采样样本，通过特征提取模块对数据样本进行特征提取根据检测时产生的挥发性有机物，利用算法分析其成分，能够为医疗提前布置好清理措施，具有环境友好性。采用ESKEA算法对数据库进行加密保护，利用蜘蛛猴优化算法进行改进，创新之处在于蜘蛛猴优化算法的最佳密钥选择阶段采用了LL阶段和GL阶段，其中LL阶段在[Z/2,2×Z]的范围内，GL阶段为d×W，扰动率在[0.1，0.9]范围内，并且根据解决方案的吞吐量为OSK选择指定适应度函数，利用适应度函数以更好的解决方案更新SM的位置，并利用概率度量Prm计算SM的概率，使其改变位置，提高密码学中的安全性和效率，所有数据均可追溯，有效提高信息数据安全智能保护系统的工作效果，为信息数据安全智能保护系统提供更为全面、准确地技术支撑，为安全、科学、高效的信息数据安全智能保护系统提供更好的决策支持。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，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者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，各模块依次线性连接，包括挥发性有机物采样模块、数据库模块、特征提取模块和成分分析模块，当开始检测时，会产生挥发性有机物，通过挥发性有机物采样模块对挥发性有机物数据进行采样，采样手段包括吸附管采样和罐采样，挥发性有机物采样模块在采样的过程中，需要记录的参数包括质谱图、气相色谱图、峰面积、峰高度，同时还需要记录样本参数的有效性，采用K-means++算法将样本参数的有效性进行聚类，定义有效性指标的集合为I，指标种类总数为q，记为I＝{I1,I2,…,Iq}，假设Ii∈I，且每个有效性指标都是有界的，其约束函数集定义为C，从有效性指标的集合I中随机抽取K个有效性指标作为初始均值向量，计算其余有效性指标与各均值向量的距离，假设随机抽取的指标为Ia，Ib，有Ia∈I，Ib∈I，对于有界的有效性指标的集合结合ML-CL算法辅助搜索聚类，定义ML为约束指定两个实例必须在同一个集群中，此时有CL为约束指定两个实例不在同一个集群中，此时有针对ML检验：如果存在/>计算第i个有效性指标距两个初始均值向量的欧氏距离为：/>和/>接着更新有效性指标作Knew＝(K-C)∪(C∪Ii)，若不存在则随机抽取其他的有效性指标，指导选出最小的欧氏距离所对应的有效性指标I*，计算I`*＝round(sigmoid(I*))得到有效性指标的值，其中round()为四舍五入计算，有效性的取值为0或1，当有效性取值为1时，说明该样本参数符合数据库存储规范，当有效性为0时，说明该样本参数不符合数据库存储规范，将上述记录的参数数据发送至数据库模块，采样后的数据保存到数据库模块，根据数据库模块的采样样本，通过特征提取模块对数据样本进行特征提取，最后通过成分分析模块分析处理因检测而产生的挥发性有机物。
2.根据权利要求1所述的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，所述开始检测时，会产生挥发性有机物，通过挥发性有机物采样模块对挥发性有机物数据进行采样，采样手段包括吸附管采样和罐采样；
吸附管采样包括使用经过老化的吸附管，确认好的采样点位，连接收集仪器进行采集；
罐采样包括使用清洁好的采样罐，在定好的采样点位，根据预期需要，选择瞬时采样或者恒流采样。
3.根据权利要求1所述的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，使用吸附管采样时，根据评价标准实行连续一小时采样或者在一小时内等时间间隔采样，使用罐采样时，瞬时采样实行一小时内等时间间隔采样，恒流采样实行连续一小时采样。
4.根据权利要求1所述的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，所述数据库模块，用于接收挥发性有机物采样模块采集到的数据样本，包括气象参数和样本参数，以字典的格式进行存储，包含键和键值，记为{Key：Value}，其中Key为键，Value为键值，每一次检测后采集到的数据样本均保存在新建字典中，并以检测设备发送至数据库模块的时间戳来命名，以此区分信息的采集时间。
5.根据权利要求4所述的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，对于数据库模块接收到的异常样本数据，包括重复、缺省、错误三类情况，如果数据库模块接收的挥发性有机物数据重复，数据库模块将相应键和键值位置标绿，以此来提醒数据员重复数据无需额外占用内存，可以执行删除操作；如果数据库模块接收的挥发性有机物数据缺省，数据库模块将相应键和键值位置标黄，以此来警告数据员该项数据因故障没有采集到，如果数据库模块接收的挥发性有机物数据错误，数据库模块将相应键和键值位置标红，将发出警报，即数据库模块将相应键和键值位置标红并连续闪烁，数据员需核实该数据的正确性，其正确性区间为[T1,T2]，如超出正确性区间，删除该键和键值，当数据员修正上述三种情况，数据库模块会更行数据。
6.根据权利要求5所述的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，数据库模块还具有加密保护的功能，采用ESKEA算法对数据进行加密保护，ESKEA算法首先使用聚合加密CE算法来执行数据的块级重复数据消除，以检查数据的CSP重复副本，然后，使用ESKEA算法进行数据安全存储加密，ESKEA算法采用基于高级加密标准AES的对称密钥加密算法，随机选择OSK提高AES算法的效率，在ESKEA中，蜘蛛猴优化算法SMOA用于密钥的最优选择，SMOA算法的最佳密钥选择阶段定义如下：LL阶段在[Z/2,2×Z]的范围内，其中，Z为群的大小，GL阶段为d×W，d为表示维度空间，W为群的数目，扰动率在[0.1,0.9]范围内，然后，在第d维空间中，初始化候选解，将SMOA算法中在范围[1,n-1]中的N-1个素数作为候选解决方案，并如下初始化：SM(n)＝{SM(1,d),AM(2,d),…,SM(n,d)}，其中，SM(1,d)为第1个候选解，SM(2,d)为第2个候选解，SM(n,d)为第n个候选解，适合性通过评估每个解决方案的适合性，选择最佳解决方案，在该方法中，根据解决方案的吞吐量为OSK选择指定适应度函数，明文大小和加密时间之间的比率定义为解决方案的吞吐量，通过下式计算：其中，第k个解决方案吞吐量由Tk(t)表示，通过下式计算解的适应度函数：Fitk(t)＝Max(Tk(t))，具有最优适应度的解为最优解，首先，是LL阶段的SM的新位置计算，具体如下式：/> 其中，u1为[0,1]的随机数，u2为[-1,1]的随机数，LL(k,d)为局部第k个领导人的第d维位置，M(n,d)为随机从第n组的第d维中选择的SM，PR为控制扰动次数的扰动速率，然后，是GL阶段确定SM的新位置，通过下式计算：SM(m+1,d)＝SM(m,d)+u1×(GL(d)-SM(m,d))+u2×(SM(n,d)-SM(m,d))，其中，GL(d)为全局领导者在第d维度中的角色，根据概率的追求值，SMs会改变他们的位置，利用适应度函数，以更好解决方案更新SM的位置，概率度量Prm计算如下：其中，Fitm为第m个SM的适应度值，max-Fit为适应度的最大值，然后使用OSK，输入CEK被加密并输出密码密钥CK进行对称加密，具体如下式：ESK(CEK,OSK)→CK，使用OSK解密加密的CEK并输出原始CEK进行对称解密，具体如下式：DSK(CK,OSK)→CEK，然后基于块级重复数据消除进行融合加密CE，密钥生成在该密钥生成算法中，生成一个CEK，块散列值将被映射到CEK，加密过程、数据块B和CEK作为加密算法的输入，最后该加密算法输出密码块CB，即ECE(B,CEK)→CB，在该解密过程中，加密数据块B和CEK被视为解密算法的输入，最后该解密算法输出原始数据块B，即DCE(CB,CEK)→B，标签生成在该标签生成算法中，将为密码块CB的每个数据块生成一个标签T，基于块大小、块中的单词数和单词大小，计算标签值，通过包括该标签值、DPID和块编号，为密码块CB生成最终标签T，即T(CB)←H(CB,CEK)，实现ESKEA算法对数据的加密保护。
7.根据权利要求1所述的一种基于人工智能的医学检测液体的挥发性有机物数据处理系统，其特征在于，所述特征提取模块用于接收数据库模块中的正确数据，从而提取质谱图、气相色谱图、峰面积、峰高度作为训练集，发送至成分分析模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310232685.1A CN116467612A (zh) | 2023-03-11 | 2023-03-11 | 一种基于人工智能的医学检测液体的挥发性有机物数据处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310232685.1A CN116467612A (zh) | 2023-03-11 | 2023-03-11 | 一种基于人工智能的医学检测液体的挥发性有机物数据处理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116467612A true CN116467612A (zh) | 2023-07-21 |
Family
ID=87172496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310232685.1A Pending CN116467612A (zh) | 2023-03-11 | 2023-03-11 | 一种基于人工智能的医学检测液体的挥发性有机物数据处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116467612A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973495A (zh) * | 2023-09-21 | 2023-10-31 | 山东鲁地源天然药物有限公司 | 基于气相色谱仪的中药饮片检测数据分析管理系统 |
| CN117556740A (zh) * | 2024-01-10 | 2024-02-13 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种喷射冷却液滴飞行路径计算方法 |
-
2023
- 2023-03-11 CN CN202310232685.1A patent/CN116467612A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973495A (zh) * | 2023-09-21 | 2023-10-31 | 山东鲁地源天然药物有限公司 | 基于气相色谱仪的中药饮片检测数据分析管理系统 |
| CN116973495B (zh) * | 2023-09-21 | 2023-12-15 | 山东鲁地源天然药物有限公司 | 基于气相色谱仪的中药饮片检测数据分析管理系统 |
| CN117556740A (zh) * | 2024-01-10 | 2024-02-13 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种喷射冷却液滴飞行路径计算方法 |
| CN117556740B (zh) * | 2024-01-10 | 2024-03-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种喷射冷却液滴飞行路径计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116467612A (zh) | 一种基于人工智能的医学检测液体的挥发性有机物数据处理系统 | |
| CN108833360B (zh) | 一种基于机器学习的恶意加密流量识别方法 | |
| CN106528597A (zh) | 兴趣点的标注方法以及装置 | |
| CN112712209B (zh) | 水库入库流量预测方法、装置、计算机设备及存储介质 | |
| CN104778230B (zh) | 一种视频数据切分模型的训练、视频数据切分方法和装置 | |
| CN107343223A (zh) | 视频片段的识别方法和装置 | |
| CN105069434A (zh) | 一种视频中人体动作行为识别方法 | |
| CN116135797B (zh) | 污水处理智能控制系统 | |
| CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及系统 | |
| CN105893352A (zh) | 一种基于社交网络大数据的空气质量预警和监测分析系统 | |
| Zheng et al. | Time-of-recording estimation for audio recordings | |
| CN109121133B (zh) | 一种位置隐私保护方法及装置 | |
| CN117521116B (zh) | 一种大语言模型隐私信息保护方法 | |
| CN107133689B (zh) | 一种位置标记方法 | |
| CN103366753A (zh) | 一种相同码率下的mp3音频双压缩检测方法 | |
| CN112615714B (zh) | 侧信道分析方法、装置、设备及存储介质 | |
| CN113794687A (zh) | 基于深度学习的恶意加密流量检测方法及装置 | |
| CN110060472A (zh) | 道路交通事件定位方法、系统、可读存储介质和设备 | |
| CN117318980A (zh) | 一种面向小样本场景的自监督学习恶意流量检测方法 | |
| CN115409154A (zh) | 一种融合元学习和预训练的概念漂移主动检测方法 | |
| CN109726258A (zh) | 一种基于关联规则的路径生成方法和系统 | |
| CN115081014A (zh) | 一种基于联邦学习的目标检测标签自动标注方法 | |
| CN112598178A (zh) | 一种基于贝叶斯框架下的大气污染物浓度预测方法 | |
| CN114189364A (zh) | 一种基于马尔科夫链的网络节点路径还原和预测的方法 | |
| CN113191196A (zh) | 一种新型智能安防系统中的轨迹分析方法及系统 |
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 |