CN116665914A - 一种基于健康管理的老人监控方法及系统 - Google Patents
一种基于健康管理的老人监控方法及系统 Download PDFInfo
- Publication number
- CN116665914A CN116665914A CN202310955812.0A CN202310955812A CN116665914A CN 116665914 A CN116665914 A CN 116665914A CN 202310955812 A CN202310955812 A CN 202310955812A CN 116665914 A CN116665914 A CN 116665914A
- Authority
- CN
- China
- Prior art keywords
- data
- original
- health data
- network
- query result
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 264
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 101
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000035945 sensitivity Effects 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000002131 composite material Substances 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
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
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于健康管理的老人监控方法及系统。通过健康数据监控设备采集目标老人的健康数据并存入数据库，从数据库中获取历史原始健康数据，并根据这些数据构建健康数据合成器，合成器由生成器网络和判别器网络组成，使用生成器网络和判别器网络进行对抗训练，生成器网络通过输入第一随机噪声向量并映射为合成数据，判别器网络对原始健康数据和合成数据进行分类判断，并计算分类误差，通过最小化生成器网络的对抗损失和判别器网络的分类误差，不断调整网络参数，使合成数据逼近原始健康数据，提高合成数据的逼真性和质量，随机生成第二随机噪声向量，并通过健康数据合成器生成实时合成数据，根据实时合成数据对老人健康状况进行实时监控。
Description
技术领域
本发明属于监控技术领域，尤其涉及一种基于健康管理的老人监控方法及系统。
背景技术
老人们随着年龄的变大，生理机能的减弱，自理能力越来越差，很可能出现一些突发疾病而子女不在身边的情况，导致耽误最佳救治时间，因此，实时监控家中老人已逐渐成为很多子女的必要需求。然而，目前很多老人对于个人隐私的关注度越来越高，他们担心自己的隐私会被侵犯，可能不愿意接受一些健康监控设备的监控。
通常健康监控设备采集的原始健康数据确实会包含一些敏感隐私信息，如个人身份、疾病诊断等信息。对一些隐私需求较高的用户，对其原始健康数据直接进行监测分析必然不妥，很有可能会造成用户隐私的泄露，这样不仅给用户带来困扰，由于隐私法规或数据所有权等原因，还会使得健康数据的共享受到极大的限制。
发明内容
本发明提供一种基于健康管理的老人监控方法及系统，旨在解决上述背景技术提到的问题。
本发明是这样实现的，提供一种基于健康管理的老人监控方法，在目标老人身上安装或配戴健康数据监控设备，步骤包括：
通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中；
从数据库获取目标老人的历史的原始健康数据，并根据历史的原始健康数据构建健康数据合成器，具体包括：
随机生成一预设维度的第一随机噪声向量，将第一随机噪声向量输入生成器网络，并通过生成器网络的线性变换及非线性激活对第一随机噪声向量进行前向传播以将噪声向量映射为合成数据，合成数据G(a)=max(0，W1*a+b1)，其中，a为第一噪声向量，W1为生成器网络的权重，b1为生成器网络的偏置，
将历史的原始健康数据或合成数据作为输入数据输入判别器网络，通过判别器网络的神经网络层对输入数据进行特征提取以得到输入特征向量，对输入特征向量进行加权和计算得到z=W2*x+b2，其中，z为加权和计算结果，x为输入特征向量，W2为权重矩阵，b2为偏置项，并通过判别器网络的激活函数将加权和计算结果映射到一个概率分布以得到分类结果，分类结果D（z）=1/（1+e-z），其中，分类结果在0到1之间，
根据判别器网络对历史的原始健康数据的分类结果及判别器网络对合成数据的分类结果计算判别器网络的分类误差，判别器网络的分类误差LD=LDreal+LDfake，LDreal=-log(D(z))，LDfake=-log(1-D(G(a)))，其中，D(z)为判别器网络对历史的原始健康数据的分类结果，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对判别器网络的参数进行调整以使判别器网络的分类误差减小，
根据判别器网络对合成数据的分类结果计算生成器网络的分类误差，生成器网络的对抗损失LG=-log(D(G(a)))，其中，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对生成器网络的参数进行调整以使生成器网络的对抗损失减小，
不断最小化生成器网络的对抗损失以使合成数据的特性逼近原始健康数据的特性，及不断最小化判别器网络的分类误差以使判别器网络更好地区分原始健康数据和合成数据以提高合成数据的逼真性，并构建得到健康数据合成器；
随机生成一预设维度的第二随机噪声向量，将第二随机噪声向量输入健康数据合成器中，并通过健康数据合成器对第二随机噪声向量进行前向传播以将第二随机噪声向量转化为实时合成数据；
优化模块：用于根据实时采集的原始健康数据及实时合成数据持续实时优化健康数据合成器的生成器网络和判别器网络；
根据实时合成数据对目标老人的健康状况进行实时监控。
更进一步的，所述通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中的步骤后还包括：
接收到查询指令；
对查询用户进行身份验证，若身份验证通过，判断查询用户是否拥有与查询指令对应查询数据的访问权限；
若查询用户拥有与查询指令对应查询数据的访问权限，则根据查询指令对数据库中的原始健康数据执行相应的查询操作并获取原始查询结果，查询操作包括数据筛选、数据聚合、数据统计或数据计算；
对原始查询结果中的敏感属性进行标记，并根据敏感属性的标记对原始查询结果的潜在隐私风险的等级进行评估；
根据原始查询结果的潜在隐私风险的等级对原始查询结果的隐私预算进行计算；
根据与原始查询结果对应的查询操作的查询范围内的敏感属性的值对原始查询结果的敏感度进行计算；
根据原始查询结果的隐私预算及敏感度并应用拉普拉斯机制对原始查询结果进行加噪处理以得到目标查询结果。
更进一步的，所述对原始查询结果中的敏感属性进行标记，并根据敏感属性的标记对原始查询结果的潜在隐私风险的等级进行评估的步骤包括：
对原始查询结果中的每个敏感属性打上唯一标识符，敏感属性包括个人身份信息、医疗标识符、联系信息、医疗记录和生物特征信息；
对原始查询结果中的唯一标识符的数量进行统计；
根据原始查询结果中的唯一标识符的数量对原始查询结果的潜在隐私风险的等级进行划分。
更进一步的，所述根据与原始查询结果对应的查询操作的查询范围内的敏感属性的值对原始查询结果的敏感度进行计算的步骤包括：
对原始查询结果中的每个敏感属性的敏感度进行计算，敏感属性的敏感度=|属性最大值-属性最小值|，其中，属性最大值为在与原始查询结果对应的查询操作的查询范围内的相应敏感属性的最大值，属性最小值为在与原始查询结果对应的查询操作的查询范围内的相应敏感属性的最小值；
将所有敏感属性中敏感度最大的值定为原始查询结果的敏感度。
更进一步的，所述根据原始查询结果的潜在隐私风险的等级对原始查询结果的隐私预算进行计算的步骤包括：
根据原始查询结果的潜在隐私风险的等级确定原始查询结果的隐私预算，原始查询结果的隐私预算ε=k/ε0，其中，k为原始查询结果的预算系数，根据原始查询结果的潜在隐私风险的等级进行调整，ε0为原始查询结果的初始隐私预算。
更进一步的，所述根据原始查询结果的隐私预算及敏感度并应用拉普拉斯机制对原始查询结果进行加噪处理以得到目标查询结果的步骤包括：
根据原始查询结果的隐私预算及敏感度计算拉普拉斯噪声的尺度参数，尺度参数γ=p/ε，其中，p为原始查询结果的敏感度，ε为原始查询结果的隐私预算；
根据拉普拉斯噪声的尺度参数对拉普拉斯噪声进行计算并对原始查询结果加入拉普拉斯噪声以得到目标查询结果，拉普拉斯噪声noise=Laplace(0，γ)，其中，Laplace(0，γ)表示均值为0，尺度参数为γ的拉普拉斯分布，加噪后的目标查询结果为=原始查询结果+ noise。
本发明还提供一种基于健康管理的老人监控系统，用于执行基于健康管理的老人监控方法，在目标老人身上安装或配戴健康数据监控设备，包括：
采集模块：用于通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中；
合成器构建模块：用于从数据库获取目标老人的历史的原始健康数据，并根据历史的原始健康数据构建健康数据合成器，具体包括：
随机生成一预设维度的第一随机噪声向量，将第一随机噪声向量输入生成器网络，并通过生成器网络的线性变换及非线性激活对第一随机噪声向量进行前向传播以将噪声向量映射为合成数据，合成数据G(a)=max(0，W1*a+b1)，其中，a为第一噪声向量，W1为生成器网络的权重，b1为生成器网络的偏置，
将历史的原始健康数据或合成数据作为输入数据输入判别器网络，通过判别器网络的神经网络层对输入数据进行特征提取以得到输入特征向量，对输入特征向量进行加权和计算得到z=W2*x+b2，其中，z为加权和计算结果，x为输入特征向量，W2为权重矩阵，b2为偏置项，并通过判别器网络的激活函数将加权和计算结果映射到一个概率分布以得到分类结果，分类结果D（z）=1/（1+e-z），其中，分类结果在0到1之间，
根据判别器网络对历史的原始健康数据的分类结果及判别器网络对合成数据的分类结果计算判别器网络的分类误差，判别器网络的分类误差LD=LDreal+LDfake，LDreal=-log(D(z))，LDfake=-log(1-D(G(a)))，其中，D(z)为判别器网络对历史的原始健康数据的分类结果，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对判别器网络的参数进行调整以使判别器网络的分类误差减小，
根据判别器网络对合成数据的分类结果计算生成器网络的分类误差，生成器网络的对抗损失LG=-log(D(G(a)))，其中，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对生成器网络的参数进行调整以使生成器网络的对抗损失减小，
不断最小化生成器网络的对抗损失以使合成数据的特性逼近原始健康数据的特性，及不断最小化判别器网络的分类误差以使判别器网络更好地区分原始健康数据和合成数据以提高合成数据的逼真性，并构建得到健康数据合成器；
健康数据合成模块：用于随机生成一预设维度的第二随机噪声向量，将第二随机噪声向量输入健康数据合成器中，并通过健康数据合成器对第二随机噪声向量进行前向传播以将第二随机噪声向量转化为实时合成数据；
优化模块：用于优化模块：用于根据实时采集的原始健康数据及实时合成数据持续实时优化健康数据合成器的生成器网络和判别器网络；
监测模块：用于根据实时合成数据对目标老人的健康状况进行实时监控。
本发明的有益效果在于，与现有技术相比，本发明通过使用健康数据合成器生成的合成数据进行健康监测和分析，可以有效保护个人隐私。合成数据是通过生成对抗网络生成的，不涉及真实个体的敏感信息，因此可以用于替代原始健康数据进行监测分析，而无需直接监测暴露真实数据。生成的合成数据不包含真实个体的敏感信息，且具有与真实数据类似的分布特征，可以用于数据分析和挖掘。通过使用合成数据进行健康监测和分析，可以保护个人隐私并遵守隐私法规，减少潜在的数据泄露和滥用风险；
健康数据合成器包括生成器网络和判别器网络，生成器网络的目标是生成合成数据，接收随机噪声向量作为输入后，通过一系列的神经网络层进行前向传播，最终生成合成数据样本，生成器网络的设计和训练过程旨在使其能够学习并模拟历史原始健康数据的分布特征，通过不断调整生成器网络的参数，可以使其生成的合成数据更加接近原始健康数据的特征，进而构建得到健康数据合成器；
判别器网络的目标是区分真实健康数据和合成健康数据，在接收输入数据（历史原始健康数据或合成健康数据）后，通过一系列的神经网络层进行特征提取和分类判断。判别器网络的训练过程中，通过与生成器网络进行对抗训练，不断调整判别器网络的参数及生成器网络的参数，以提高判别器网络对原始健康数据和合成数据的分类准确性，及使生成器网络生成的合成数据更加接近原始健康数据的特征；
通过生成器网络和判别器网络的相互对抗训练，最终得到的合成健康数据能够在很大程度上反映实际健康数据的特征分布。生成器网络通过学习历史原始健康数据的分布特征，生成接近真实数据的合成数据；而判别器网络通过与生成器网络的对抗学习，提高对真实数据和合成数据的区分能力。这种相互影响和对抗的训练过程使得生成器网络能够逐渐改进生成的合成数据的质量和逼真性，从而能够生成更能反映实际健康特征的合成健康数据，以构建得到性能良好的健康数据合成器；
通过实时原始健康数据及实时合成数据对构建得到的健康数据合成器进行不断优化，使得健康数据合成器生成的实时合成数据能够更接近实时原始数据的特征，进而通过监控实时合成数据可以在保证目标老人健康数据隐私安全的同时，实现对目标老人的健康的实时监控。
附图说明
图1是本发明提供的基于健康管理的老人监控方法的流程示意图；
图2是本发明提供的基于健康管理的老人监控系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
实施例一
参考图1，实施例一提供一种基于健康管理的老人监控方法，在目标老人身上安装或配戴健康数据监控设备，包括步骤S101~ S105：
S101，通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中。
需要说明的是，通过健康数据监控设备对目标老人的健康数据进行实时采集，包括生理参数、活动情况和睡眠状态等。对采集到的原始健康数据进行预处理，以提高数据的质量和准确性。将经过清洗、去噪和异常值处理后的健康数据存储至数据库中，以便后续的数据查询、分析和应用。
S102，从数据库获取目标老人的历史的原始健康数据，并根据历史的原始健康数据构建健康数据合成器，具体包括：
随机生成一预设维度的第一随机噪声向量，将第一随机噪声向量输入生成器网络，并通过生成器网络的线性变换及非线性激活对第一随机噪声向量进行前向传播以将噪声向量映射为合成数据，合成数据G(a)=max(0，W1*a+b1)，其中，a为第一噪声向量，W1为生成器网络的权重，b1为生成器网络的偏置，
将历史的原始健康数据或合成数据作为输入数据输入判别器网络，通过判别器网络的神经网络层对输入数据进行特征提取以得到输入特征向量，对输入特征向量进行加权和计算得到z=W2*x+b2，其中，z为加权和计算结果，x为输入特征向量，W2为权重矩阵，b2为偏置项，并通过判别器网络的激活函数将加权和计算结果映射到一个概率分布以得到分类结果，分类结果D（z）=1/（1+e-z），其中，分类结果在0到1之间，以表示输入数据被判别为真实数据的概率，
根据判别器网络对历史的原始健康数据的分类结果及判别器网络对合成数据的分类结果计算判别器网络的分类误差，判别器网络的分类误差LD=LDreal+LDfake，LDreal=-log(D(z))，LDfake=-log(1-D(G(a)))，其中，D(z)为判别器网络对历史的原始健康数据的分类结果，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对判别器网络的参数进行调整以使判别器网络的分类误差减小，
根据判别器网络对合成数据的分类结果计算生成器网络的分类误差，生成器网络的对抗损失LG=-log(D(G(a)))，其中，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对生成器网络的参数进行调整以使生成器网络的对抗损失减小，
不断最小化生成器网络的对抗损失以使合成数据的特性逼近原始健康数据的特性，及不断最小化判别器网络的分类误差以使判别器网络更好地区分原始健康数据和合成数据以提高合成数据的逼真性，并构建得到健康数据合成器。
需要说明的是，通过生成器网络，输入一个预设维度的随机噪声向量a，经过线性变换和非线性激活函数的处理，将噪声向量映射为合成数据G(a)。生成器网络的权重W1和偏置b1用于调整生成器网络的输出，以使合成数据逼近原始健康数据的特征。
原始健康数据或合成数据作为输入，通过判别器网络的神经网络层提取输入数据的特征向量x，通过加权和计算得到z，然后通过激活函数将加权和计算结果映射为一个概率分布，表示输入数据被判别为真实数据的概率。
根据判别器网络对原始健康数据和合成数据的分类结果，计算判别器网络的分类误差LD，分类误差由两部分组成，即对真实数据的分类误差LDreal和对合成数据的分类误差LDfake，通过调整判别器网络的参数，使分类误差减小，以提高判别器网络对真实数据和合成数据的区分能力。
根据判别器网络对合成数据的分类结果，计算生成器网络的对抗损失LG，对抗损失用于衡量生成器网络生成的合成数据与原始健康数据之间的差异，通过最小化对抗损失，使得生成器网络的参数得到调整，以使合成数据更接近真实数据，并构建得到性能良好的健康数据合成器。
通过最小化生成器网络的对抗损失和判别器网络的分类误差，不断调整生成器网络和判别器网络的参数，以实现合成数据的逼近和真实数据的区分能力的提高。
S103，随机生成一预设维度的第二随机噪声向量，将第二随机噪声向量输入健康数据合成器中，并通过健康数据合成器对第二随机噪声向量进行前向传播以将第二随机噪声向量转化为实时合成数据。
具体步骤为：将第二随机噪声向量输入健康数据合成器的生成器网络，并通过生成器网络的线性变换及非线性激活对第一随机噪声向量进行前向传播以将噪声向量映射为实时合成数据，实时合成数据G(d)=max(0，W1*d+b1)，其中，d为第二噪声向量，W1为生成器网络的权重，b1为生成器网络的偏置。
需要说明的是，通过经实时原始健康数据持续优化的健康数据合成器，能够生成与实时原始健康数据的特征类似度高的合成数据，以替代原始健康数据监测使用，从而达到实时监控的目的。
S104，根据实时采集的原始健康数据及实时合成数据持续实时优化健康数据合成器的生成器网络和判别器网络。
具体步骤为：将实时采集的原始健康数据或实时合成数据作为输入数据输入健康数据合成器的判别器网络，通过判别器网络的神经网络层对输入数据进行特征提取以得到实时输入特征向量，对实时输入特征向量进行加权和计算得到z1=W2*y+b2，其中，z1为加权和计算结果，y为实时输入特征向量，W2为权重矩阵，b2为偏置项，并通过判别器网络的激活函数将加权和计算结果映射到一个概率分布以得到分类结果，分类结果D（z1）=1/（1+e-z1），其中，分类结果在0到1之间，以表示输入数据被判别为真实数据的概率。
再根据判别器网络对实时采集的原始健康数据的分类结果及判别器网络对实时合成数据的分类结果计算判别器网络的实时分类误差，判别器网络的实时分类误差LD1=LDreal-1+LDfake-1，LDreal-1=-log(D(z1))，LDfake-1=-log(1-D(G(d)))，其中，D(z1)为判别器网络对原始健康数据的实时分类结果，D(G(d))为判别器网络对合成数据的实时分类结果，G(d)为实时合成数据，d为第二随机噪声向量，并对判别器网络的参数进行调整以保证判别器网络的分类误差不会加大，将分类误差尽可能最小化。
根据判别器网络对实时合成数据的实时分类结果计算生成器网络的实时分类误差，生成器网络的实时对抗损失LG1=-log(D(G(d)))，其中，D(G(d))为判别器网络对实时合成数据的实时分类结果，G(d)为实时合成数据，d为第二随机噪声向量，并对生成器网络的参数进行调整以保证生成器网络的对抗损失不会加大，将对抗损失尽可能最小化。
需要说明的是，在通过历史的原始健康数据训练得到健康数据合成器后，还通过实时采集的原始健康数据及实时合成数据对健康数据合成器进行持续实时优化。通过不断优化合成器，可以生成更多样化、更丰富的合成健康数据，这些合成数据可以用于模拟不同情境下的健康数据变化，扩大数据样本的多样性，提高数据集的覆盖能力，有助于提高健康数据合成器的性能和准确度，同时减少模型对有限原始数据的过拟合风险。
持续实时优化的健康数据合成器能够生成高质量、逼真性较高的合成数据，可以提高健康数据分析的可信度和可靠性。
S105，根据实时合成数据对目标老人的健康状况进行实时监控。
本发明通过使用健康数据合成器生成的合成数据进行健康监测和分析，可以有效保护个人隐私。合成数据是通过生成对抗网络生成的，不涉及真实个体的敏感信息，因此可以用于替代原始健康数据进行监测分析，而无需直接监测暴露真实数据。生成的合成数据不包含真实个体的敏感信息，且具有与真实数据类似的分布特征，可以用于数据分析和挖掘。通过使用合成数据进行健康监测和分析，可以保护个人隐私并遵守隐私法规，减少潜在的数据泄露和滥用风险；
健康数据合成器包括生成器网络和判别器网络，生成器网络的目标是生成合成数据，接收随机噪声向量作为输入后，通过一系列的神经网络层进行前向传播，最终生成合成数据样本，生成器网络的设计和训练过程旨在使其能够学习并模拟历史原始健康数据的分布特征，通过不断调整生成器网络的参数，可以使其生成的合成数据更加接近原始健康数据的特征，进而构建得到健康数据合成器；
判别器网络的目标是区分真实健康数据和合成健康数据，在接收输入数据（历史原始健康数据或合成健康数据）后，通过一系列的神经网络层进行特征提取和分类判断。判别器网络的训练过程中，通过与生成器网络进行对抗训练，不断调整判别器网络的参数及生成器网络的参数，以提高判别器网络对原始健康数据和合成数据的分类准确性，及使生成器网络生成的合成数据更加接近原始健康数据的特征；
通过生成器网络和判别器网络的相互对抗训练，最终得到的合成健康数据能够在很大程度上反映实际健康数据的特征分布。生成器网络通过学习历史原始健康数据的分布特征，生成接近真实数据的合成数据；而判别器网络通过与生成器网络的对抗学习，提高对真实数据和合成数据的区分能力。这种相互影响和对抗的训练过程使得生成器网络能够逐渐改进生成的合成数据的质量和逼真性，从而能够生成更能反映实际健康特征的合成健康数据，以构建得到性能良好的健康数据合成器；
通过实时原始健康数据及实时合成数据对构建得到的健康数据合成器进行不断优化，使得健康数据合成器生成的实时合成数据能够更接近实时原始数据的特征，进而通过监控实时合成数据可以在保证目标老人健康数据隐私安全的同时，实现对目标老人的健康的实时监控。
实施例二
所述通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中的步骤后还包括：
接收到查询指令；
对查询用户进行身份验证，若身份验证通过，判断查询用户是否拥有与查询指令对应查询数据的访问权限；
若查询用户拥有与查询指令对应查询数据的访问权限，则根据查询指令对数据库中的原始健康数据执行相应的查询操作并获取原始查询结果，查询操作包括数据筛选、数据聚合、数据统计或数据计算；
对原始查询结果中的敏感属性进行标记，并根据敏感属性的标记对原始查询结果的潜在隐私风险的等级进行评估；
根据原始查询结果的潜在隐私风险的等级对原始查询结果的隐私预算进行计算；
根据与原始查询结果对应的查询操作的查询范围内的敏感属性的值对原始查询结果的敏感度进行计算；
根据原始查询结果的隐私预算及敏感度并应用拉普拉斯机制对原始查询结果进行加噪处理以得到目标查询结果。
需要说明的是，为了减少老人的原始健康数据在查询时候的泄露风险，在对老人的健康数据进行查询时，系统应用了多种隐私保护措施，如身份验证、访问权限控制和加噪处理，通过身份验证和访问权限控制，确保只有授权用户才能查询老人的健康数据，从而保护数据的机密性。而加噪处理则通过引入噪声，模糊原始查询结果，进而保护了原始查询结果中敏感信息的隐私，避免对敏感信息的泄露和滥用，且在保护隐私的前提下提供一定程度的数据准确性和可用性，使目标查询结果仍然具备一定的分析和决策价值。
通过对原始查询结果中的敏感属性进行标记，并根据标记对潜在隐私风险进行评估，这种细粒度的敏感属性标记和风险评估有助于更准确地判断查询结果的隐私风险程度，并为后续的隐私预算计算和加噪处理提供依据。通过根据潜在隐私风险等级计算隐私预算，实现对查询结果的精细化隐私控制。采用拉普拉斯机制对查询结果进行加噪处理，通过添加合理的噪声，保护了查询结果的隐私，同时尽可能保持查询结果的有用性和准确性。
更进一步，所述对原始查询结果中的敏感属性进行标记，并根据敏感属性的标记对原始查询结果的潜在隐私风险的等级进行评估的步骤包括：
对原始查询结果中的每个敏感属性打上唯一标识符，敏感属性包括个人身份信息、医疗标识符、联系信息、医疗记录和生物特征信息；
对原始查询结果中的唯一标识符的数量进行统计；
根据原始查询结果中的唯一标识符的数量对原始查询结果的潜在隐私风险的等级进行划分。
需要说明的是，对原始查询结果中的多个敏感属性进行了细粒度的标记，包括个人身份信息、医疗标识符、联系信息、医疗记录和生物特征信息等，通过为每个敏感属性打上唯一标识符，可以在保护敏感信息的同时，保持数据的可识别性，为后续的隐私风险评估提供准确的数据基础。采用原始查询结果中唯一标识符的数量作为评估潜在隐私风险等级的依据，这种评估方法可以通过简单统计标识符的数量来推测查询结果中敏感信息的泄露程度，较少的唯一标识符数量可能表示较低的隐私风险，而较多的唯一标识符数量则可能意味着较高的隐私风险。根据唯一标识符的数量对原始查询结果的潜在隐私风险等级进行划分，通过设定不同的标识符数量阈值，可以将查询结果划分为不同的风险等级，例如低风险、中风险和高风险等级，这种定量的划分方法有助于客观评估查询结果的隐私风险，并为后续的隐私预算计算和隐私保护措施提供指导。
个人身份信息包括个人的姓名、出生日期、身份证号码、护照号码等可以直接识别个体身份的信息，医疗标识符是医疗系统中用于识别个人的唯一标识符，如医院分配的病人ID、医保号、社保号等，联系信息包括个人的电话号码、电子邮件地址、住址等可以用于与个体联系的信息，医疗记录可能包含特定疾病或病症的描述、诊断结果、药物处方等敏感信息，这些信息可能需要与特定个体关联，生物特征信息，如指纹、面部照片、DNA序列等可以用于唯一识别个体的生物特征信息。
更进一步，所述根据与原始查询结果对应的查询操作的查询范围内的敏感属性的值对原始查询结果的敏感度进行计算的步骤包括：
对原始查询结果中的每个敏感属性的敏感度进行计算，敏感属性的敏感度=|属性最大值-属性最小值|，其中，属性最大值为在与原始查询结果对应的查询操作的查询范围内的相应敏感属性的最大值，属性最小值为在与原始查询结果对应的查询操作的查询范围内的相应敏感属性的最小值；
将所有敏感属性中敏感度最大的值定为原始查询结果的敏感度。
需要说明的是，针对原始查询结果中的每个敏感属性的敏感度，通过属性的最大值和最小值之差进行计算，这种计算方式对每个敏感属性进行了独立的敏感度评估，能够更准确地反映每个敏感属性在查询操作的查询范围内的敏感程度。而只计算查询范围内敏感属性的最大值和最小值，这样可以避免不相关属性对敏感度的影响，专注于查询操作所涉及的敏感属性的敏感度计算。将所有敏感属性中的敏感度最大值确定为原始查询结果的敏感度，简化了敏感度的计算的同时能够提取出对查询结果敏感度最高的属性，作为整体查询结果的敏感度评估标准。
更进一步，所述根据原始查询结果的潜在隐私风险的等级对原始查询结果的隐私预算进行计算的步骤包括：
根据原始查询结果的潜在隐私风险的等级确定原始查询结果的隐私预算，原始查询结果的隐私预算ε=k/ε0，其中，k为原始查询结果的预算系数，根据原始查询结果的潜在隐私风险的等级进行调整，ε0为原始查询结果的初始隐私预算。
需要说明的是，可以根据潜在隐私风险等级的不同对隐私预算进行灵活的调整，使得隐私预算能够根据风险程度进行自适应的分配，提高了隐私保护的精确性。
更进一步，所述根据原始查询结果的隐私预算及敏感度并应用拉普拉斯机制对原始查询结果进行加噪处理以得到目标查询结果的步骤包括：
根据原始查询结果的隐私预算及敏感度计算拉普拉斯噪声的尺度参数，尺度参数γ=p/ε，其中，p为原始查询结果的敏感度，ε为原始查询结果的隐私预算；
根据拉普拉斯噪声的尺度参数对拉普拉斯噪声进行计算并对原始查询结果加入拉普拉斯噪声以得到目标查询结果，拉普拉斯噪声noise=Laplace(0，γ)，其中，Laplace(0，γ)表示均值为0，尺度参数为γ的拉普拉斯分布，加噪后的目标查询结果为=原始查询结果+ noise。
需要说明的是，在计算拉普拉斯噪声时，考虑了原始查询结果的隐私预算和敏感度两个因素，这样综合考虑了隐私预算和敏感度对加噪处理的影响，使得加入的噪声能够在较大程度上控制隐私泄露的风险。采用拉普拉斯噪声作为加噪的方式，拉普拉斯噪声是一种具有轻尾分布的随机噪声，可以提供差分隐私的保护效果，将生成噪声加到原始查询结果中得到的目标查询结果，这种加噪方式在保护数据隐私的同时能够尽可能地保持查询结果的实用性。
实施例三
参考图2，实施例三提供一种基于健康管理的老人监控系统，在目标老人身上安装或配戴健康数据监控设备，包括：
采集模块：用于通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中；
合成器构建模块：用于从数据库获取目标老人的历史的原始健康数据，并根据历史的原始健康数据构建健康数据合成器，具体包括：
随机生成一预设维度的第一随机噪声向量，将第一随机噪声向量输入生成器网络，并通过生成器网络的线性变换及非线性激活对第一随机噪声向量进行前向传播以将噪声向量映射为合成数据，合成数据G(a)=max(0，W1*a+b1)，其中，a为第一噪声向量，W1为生成器网络的权重，b1为生成器网络的偏置，
将历史的原始健康数据或合成数据作为输入数据输入判别器网络，通过判别器网络的神经网络层对输入数据进行特征提取以得到输入特征向量，对输入特征向量进行加权和计算得到z=W2*x+b2，其中，z为加权和计算结果，x为输入特征向量，W2为权重矩阵，b2为偏置项，并通过判别器网络的激活函数将加权和计算结果映射到一个概率分布以得到分类结果，分类结果D（z）=1/（1+e-z），其中，分类结果在0到1之间，
根据判别器网络对历史的原始健康数据的分类结果及判别器网络对合成数据的分类结果计算判别器网络的分类误差，判别器网络的分类误差LD=LDreal+LDfake，LDreal=-log(D(z))，LDfake=-log(1-D(G(a)))，其中，D(z)为判别器网络对历史的原始健康数据的分类结果，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对判别器网络的参数进行调整以使判别器网络的分类误差减小，
根据判别器网络对合成数据的分类结果计算生成器网络的分类误差，生成器网络的对抗损失LG=-log(D(G(a)))，其中，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对生成器网络的参数进行调整以使生成器网络的对抗损失减小，
不断最小化生成器网络的对抗损失以使合成数据的特性逼近原始健康数据的特性，及不断最小化判别器网络的分类误差以使判别器网络更好地区分原始健康数据和合成数据以提高合成数据的逼真性，并构建得到健康数据合成器；
健康数据合成模块：用于随机生成一预设维度的第二随机噪声向量，将第二随机噪声向量输入健康数据合成器中，并通过健康数据合成器对第二随机噪声向量进行前向传播以将第二随机噪声向量转化为实时合成数据；
优化模块：用于根据实时采集的原始健康数据及实时合成数据持续实时优化健康数据合成器的生成器网络和判别器网络；
监测模块：用于根据实时合成数据对目标老人的健康状况进行实时监控。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于健康管理的老人监控方法，其特征在于，在目标老人身上安装或配戴健康数据监控设备，步骤包括：
通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中；
从数据库获取目标老人的历史的原始健康数据，并根据历史的原始健康数据构建健康数据合成器，具体包括：
随机生成一预设维度的第一随机噪声向量，将第一随机噪声向量输入生成器网络，并通过生成器网络的线性变换及非线性激活对第一随机噪声向量进行前向传播以将噪声向量映射为合成数据，合成数据G(a)=max(0，W1*a+b1)，其中，a为第一噪声向量，W1为生成器网络的权重，b1为生成器网络的偏置，
将历史的原始健康数据或合成数据作为输入数据输入判别器网络，通过判别器网络的神经网络层对输入数据进行特征提取以得到输入特征向量，对输入特征向量进行加权和计算得到z=W2*x+b2，其中，z为加权和计算结果，x为输入特征向量，W2为权重矩阵，b2为偏置项，并通过判别器网络的激活函数将加权和计算结果映射到一个概率分布以得到分类结果，分类结果D（z）=1/（1+e-z），其中，分类结果在0到1之间，
根据判别器网络对历史的原始健康数据的分类结果及判别器网络对合成数据的分类结果计算判别器网络的分类误差，判别器网络的分类误差LD=LDreal+LDfake，LDreal=-log(D(z))，LDfake=-log(1-D(G(a)))，其中，D(z)为判别器网络对历史的原始健康数据的分类结果，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对判别器网络的参数进行调整以使判别器网络的分类误差减小，
根据判别器网络对合成数据的分类结果计算生成器网络的分类误差，生成器网络的对抗损失LG=-log(D(G(a)))，其中，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对生成器网络的参数进行调整以使生成器网络的对抗损失减小，
不断最小化生成器网络的对抗损失以使合成数据的特性逼近原始健康数据的特性，及不断最小化判别器网络的分类误差以使判别器网络更好地区分原始健康数据和合成数据以提高合成数据的逼真性，并构建得到健康数据合成器；
随机生成一预设维度的第二随机噪声向量，将第二随机噪声向量输入健康数据合成器中，并通过健康数据合成器对第二随机噪声向量进行前向传播以将第二随机噪声向量转化为实时合成数据；
根据实时采集的原始健康数据及实时合成数据持续实时优化健康数据合成器的生成器网络和判别器网络；
根据实时合成数据对目标老人的健康状况进行实时监控。
2.根据权利要求1所述的基于健康管理的老人监控方法，其特征在于，所述通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中的步骤后还包括：
接收到查询指令；
对查询用户进行身份验证，若身份验证通过，判断查询用户是否拥有与查询指令对应查询数据的访问权限；
若查询用户拥有与查询指令对应查询数据的访问权限，则根据查询指令对数据库中的原始健康数据执行相应的查询操作并获取原始查询结果，查询操作包括数据筛选、数据聚合、数据统计或数据计算；
对原始查询结果中的敏感属性进行标记，并根据敏感属性的标记对原始查询结果的潜在隐私风险的等级进行评估；
根据原始查询结果的潜在隐私风险的等级对原始查询结果的隐私预算进行计算；
根据与原始查询结果对应的查询操作的查询范围内的敏感属性的值对原始查询结果的敏感度进行计算；
根据原始查询结果的隐私预算及敏感度并应用拉普拉斯机制对原始查询结果进行加噪处理以得到目标查询结果。
3.根据权利要求2所述的基于健康管理的老人监控方法，其特征在于，所述对原始查询结果中的敏感属性进行标记，并根据敏感属性的标记对原始查询结果的潜在隐私风险的等级进行评估的步骤包括：
对原始查询结果中的每个敏感属性打上唯一标识符，敏感属性包括个人身份信息、医疗标识符、联系信息、医疗记录和生物特征信息；
对原始查询结果中的唯一标识符的数量进行统计；
根据原始查询结果中的唯一标识符的数量对原始查询结果的潜在隐私风险的等级进行划分。
4.根据权利要求2所述的基于健康管理的老人监控方法，其特征在于，所述根据与原始查询结果对应的查询操作的查询范围内的敏感属性的值对原始查询结果的敏感度进行计算的步骤包括：
对原始查询结果中的每个敏感属性的敏感度进行计算，敏感属性的敏感度=|属性最大值-属性最小值|，其中，属性最大值为在与原始查询结果对应的查询操作的查询范围内的相应敏感属性的最大值，属性最小值为在与原始查询结果对应的查询操作的查询范围内的相应敏感属性的最小值；
将所有敏感属性中敏感度最大的值定为原始查询结果的敏感度。
5.根据权利要求2所述的基于健康管理的老人监控方法，其特征在于，所述根据原始查询结果的潜在隐私风险的等级对原始查询结果的隐私预算进行计算的步骤包括：
根据原始查询结果的潜在隐私风险的等级确定原始查询结果的隐私预算，原始查询结果的隐私预算ε=k/ε0，其中，k为原始查询结果的预算系数，根据原始查询结果的潜在隐私风险的等级进行调整，ε0为原始查询结果的初始隐私预算。
6.根据权利要求4或5所述的基于健康管理的老人监控方法，其特征在于，所述根据原始查询结果的隐私预算及敏感度并应用拉普拉斯机制对原始查询结果进行加噪处理以得到目标查询结果的步骤包括：
根据原始查询结果的隐私预算及敏感度计算拉普拉斯噪声的尺度参数，尺度参数γ=p/ε，其中，p为原始查询结果的敏感度，ε为原始查询结果的隐私预算；
根据拉普拉斯噪声的尺度参数对拉普拉斯噪声进行计算并对原始查询结果加入拉普拉斯噪声以得到目标查询结果，拉普拉斯噪声noise=Laplace(0，γ)，其中，Laplace(0，γ)表示均值为0，尺度参数为γ的拉普拉斯分布，加噪后的目标查询结果为=原始查询结果+noise。
7.一种基于健康管理的老人监控系统，其特征在于，在目标老人身上安装或配戴健康数据监控设备，包括：
采集模块：用于通过健康数据监控设备采集目标老人的健康数据，设为原始健康数据，对原始健康数据进行清洗、去噪及去异常值的预处理，并将预处理后的原始健康数据存储至数据库中；
合成器构建模块：用于从数据库获取目标老人的历史的原始健康数据，并根据历史的原始健康数据构建健康数据合成器，具体包括：
随机生成一预设维度的第一随机噪声向量，将第一随机噪声向量输入生成器网络，并通过生成器网络的线性变换及非线性激活对第一随机噪声向量进行前向传播以将噪声向量映射为合成数据，合成数据G(a)=max(0，W1*a+b1)，其中，a为第一噪声向量，W1为生成器网络的权重，b1为生成器网络的偏置，
将历史的原始健康数据或合成数据作为输入数据输入判别器网络，通过判别器网络的神经网络层对输入数据进行特征提取以得到输入特征向量，对输入特征向量进行加权和计算得到z=W2*x+b2，其中，z为加权和计算结果，x为输入特征向量，W2为权重矩阵，b2为偏置项，并通过判别器网络的激活函数将加权和计算结果映射到一个概率分布以得到分类结果，分类结果D（z）=1/（1+e-z），其中，分类结果在0到1之间，
根据判别器网络对历史的原始健康数据的分类结果及判别器网络对合成数据的分类结果计算判别器网络的分类误差，判别器网络的分类误差LD=LDreal+LDfake，LDreal=-log(D(z))，LDfake=-log(1-D(G(a)))，其中，D(z)为判别器网络对历史的原始健康数据的分类结果，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对判别器网络的参数进行调整以使判别器网络的分类误差减小，
根据判别器网络对合成数据的分类结果计算生成器网络的分类误差，生成器网络的对抗损失LG=-log(D(G(a)))，其中，D(G(a))为判别器网络对合成数据的分类结果，G(a)为合成数据，a为第一随机噪声向量，并对生成器网络的参数进行调整以使生成器网络的对抗损失减小，
不断最小化生成器网络的对抗损失以使合成数据的特性逼近原始健康数据的特性，及不断最小化判别器网络的分类误差以使判别器网络更好地区分原始健康数据和合成数据以提高合成数据的逼真性，并构建得到健康数据合成器；
健康数据合成模块：用于随机生成一预设维度的第二随机噪声向量，将第二随机噪声向量输入健康数据合成器中，并通过健康数据合成器对第二随机噪声向量进行前向传播以将第二随机噪声向量转化为实时合成数据；
优化模块：用于根据实时采集的原始健康数据及实时合成数据持续实时优化健康数据合成器的生成器网络和判别器网络；
监测模块：用于根据实时合成数据对目标老人的健康状况进行实时监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310955812.0A CN116665914B (zh) | 2023-08-01 | 2023-08-01 | 一种基于健康管理的老人监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310955812.0A CN116665914B (zh) | 2023-08-01 | 2023-08-01 | 一种基于健康管理的老人监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116665914A true CN116665914A (zh) | 2023-08-29 |
| CN116665914B CN116665914B (zh) | 2023-12-08 |
Family
ID=87721040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310955812.0A Active CN116665914B (zh) | 2023-08-01 | 2023-08-01 | 一种基于健康管理的老人监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665914B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107368752A (zh) * | 2017-07-25 | 2017-11-21 | 北京工商大学 | 一种基于生成式对抗网络的深度差分隐私保护方法 |
| CN112424779A (zh) * | 2018-07-13 | 2021-02-26 | 映佳控制公司 | 为给定任务生成合成匿名数据的方法和系统 |
| US20210342453A1 (en) * | 2020-04-29 | 2021-11-04 | Robert Bosch Gmbh | Private model utility by minimizing expected loss under noise |
| CN114329549A (zh) * | 2021-12-28 | 2022-04-12 | 上海交通大学 | 一种基于生成对抗网络的图像隐私保护方法及系统 |
| CN116128148A (zh) * | 2023-02-28 | 2023-05-16 | 广东电网有限责任公司 | 光伏电站出力预测网络训练方法、预测方法、装置及设备 |
-
2023
- 2023-08-01 CN CN202310955812.0A patent/CN116665914B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107368752A (zh) * | 2017-07-25 | 2017-11-21 | 北京工商大学 | 一种基于生成式对抗网络的深度差分隐私保护方法 |
| CN112424779A (zh) * | 2018-07-13 | 2021-02-26 | 映佳控制公司 | 为给定任务生成合成匿名数据的方法和系统 |
| US20210342453A1 (en) * | 2020-04-29 | 2021-11-04 | Robert Bosch Gmbh | Private model utility by minimizing expected loss under noise |
| CN114329549A (zh) * | 2021-12-28 | 2022-04-12 | 上海交通大学 | 一种基于生成对抗网络的图像隐私保护方法及系统 |
| CN116128148A (zh) * | 2023-02-28 | 2023-05-16 | 广东电网有限责任公司 | 光伏电站出力预测网络训练方法、预测方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116665914B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Buolamwini | Gender shades: intersectional phenotypic and demographic evaluation of face datasets and gender classifiers | |
| Ferrer et al. | Bias and discrimination in AI: a cross-disciplinary perspective | |
| CN107909299B (zh) | 人伤理赔数据风险检测方法和系统 | |
| CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
| Park et al. | Reliable and trustworthy machine learning for health using dataset shift detection | |
| CN113657548A (zh) | 医保异常检测方法、装置、计算机设备及存储介质 | |
| CN112200684B (zh) | 一种检测医保欺诈的方法、系统及存储介质 | |
| CN117521117B (zh) | 一种医疗数据应用安全与隐私保护方法及系统 | |
| Noiret et al. | Bias and fairness in computer vision applications of the criminal justice system | |
| Min | ARTIFICIAL INTELLIGENCE AND BIAS: CHALLENGES, IMPLICATIONS, AND REMEDIES. | |
| Nalluri et al. | Building prediction models and discovering important factors of health insurance fraud using machine learning methods | |
| Li et al. | When more data lead us astray: Active data acquisition in the presence of label bias | |
| Shanmuga Sundari et al. | Neurological disease prediction using impaired gait analysis for foot position in cerebellar ataxia by ensemble approach | |
| CN116665914B (zh) | 一种基于健康管理的老人监控方法及系统 | |
| CN116308748A (zh) | 一种基于知识图谱的用户欺诈行为判断系统 | |
| CN114820550B (zh) | 基于区块链和医学影像的疾病预测系统 | |
| JP6861051B2 (ja) | リスク算出装置、リスク算出装置を搭載するリスク判定装置及びリスク算出方法 | |
| Goethals et al. | Resource-constrained Fairness | |
| Leevy et al. | One-Class Classifier Performance: Comparing Majority versus Minority Class Training | |
| Ferdowsi et al. | Responsible AI for Cardiovascular Disease Detection: Towards a Privacy-Preserving and Interpretable Model | |
| Sandhya et al. | An optimized elman neural network for contactless palm-vein recognition framework | |
| Riadi et al. | Optimization of Population Document Services in Villages using Naive Bayes and k-NN Method | |
| Manure et al. | Bias and Fairness | |
| Awotunde et al. | Diagnosis Expert System on Breast Cancer Using Fuzzy Logic and Clustering Technique | |
| CN109389489B (zh) | 欺诈行为的识别方法、计算机可读存储介质及终端设备 |
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 |