CN116682543B - 一种区域康复信息的共享方法及系统 - Google Patents
一种区域康复信息的共享方法及系统 Download PDFInfo
- Publication number
- CN116682543B CN116682543B CN202310971367.7A CN202310971367A CN116682543B CN 116682543 B CN116682543 B CN 116682543B CN 202310971367 A CN202310971367 A CN 202310971367A CN 116682543 B CN116682543 B CN 116682543B
- Authority
- CN
- China
- Prior art keywords
- data
- rehabilitation
- processing
- generate
- biological
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 277
- 238000004364 calculation method Methods 0.000 claims abstract description 143
- 239000012634 fragment Substances 0.000 claims abstract description 99
- 238000004806 packaging method and process Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims description 92
- 230000000739 chaotic effect Effects 0.000 claims description 83
- 239000011159 matrix material Substances 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 26
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000003786 synthesis reaction Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 11
- 238000011282 treatment Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 10
- 238000000746 purification Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 41
- 238000011084 recovery Methods 0.000 description 27
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003012 network analysis Methods 0.000 description 4
- 230000035790 physiological processes and functions Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003183 myoelectrical effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- 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
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/098—Distributed learning, e.g. federated 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3218—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using proof of knowledge, e.g. Fiat-Shamir, GQ, Schnorr, ornon-interactive zero-knowledge proofs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
Abstract
本发明涉及数据处理技术领域,尤其是涉及一种区域康复信息的共享方法及系统。所述方法包括以下步骤:利用生物传感器对康复者进行生物指标采集及加密混沌化处理及区块链交易数据封装处理,生成康复生物链交易单元数据,基于康复生物链交易单元数据进行边缘计算优化处理及雾计算分布式共享处理,生成康复雾计算数据分片,对康复雾计算数据分片进行联邦学习数据增强处理及康复智能上下文感知处理,生成智能康复上下文数据包。本发明通过将数据分布式存储在不同的雾计算节点中,形成去中心化的数据共享网络,极大地提高了数据的可访问性和共享性,各个合法的康复相关用户或系统能够根据访问权限获取所需的数据片段,促进了信息的共享和协作。
Description
技术领域
本发明涉及数据处理技术领域,尤其是涉及一种区域康复信息的共享方法及系统。
背景技术
数据处理技术包括数据采集、存储、处理和分析等方面的技术。这些技术可以用于从不同的康复数据源中获取数据,并对其进行处理和分析,以提取有用的信息和知识。为了实现康复信息的共享和交流,需要制定统一的数据标准和格式,以便不同系统和应用之间的数据交互。通过标准化的康复数据格式,可以实现不同系统之间的数据集成和共享。在康复信息共享过程中,数据的一致性和准确性是关键因素。由于数据可能来自不同的来源和系统,存在数据冗余、数据错误和数据更新滞后等问。
发明内容
本发明提供一种区域康复信息的共享方法及系统,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种区域康复信息的共享方法,所述方法包括以下步骤:
步骤S1:利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵;
步骤S2:对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据;
步骤S3:基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据;
步骤S4:对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片;
步骤S5:对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体;
步骤S6:根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
本发明提供了一种区域康复信息的共享方法,利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵,将多个生物传感器采集到的数据整合为高维融合数据集。这种数据融合可以综合不同生物信号的信息,提供更全面和准确的数据基础,为康复过程的分析、评估和决策提供更有益的信息,将多个生物传感器采集到的数据整合为高维融合数据集。这种数据融合可以综合不同生物信号的信息,提供更全面和准确的数据基础,为康复过程的分析、评估和决策提供更有益的信息,对生物相位空间图谱数据进行特征学习和表征学习。深度稀疏自动编码器能够学习生物相位空间图谱数据的稀疏特征表示,提取具有代表性的生物特征,进一步减少数据维度并提高数据表征能力。对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据,通过零知识完整性验证处理,康复混沌生物数据矩阵的完整性得到验证,并生成完整性验证标记数据。这有效防止数据被篡改、损坏或未经授权的访问,确保康复数据的完整性和可靠性,通过对混沌数据默克尔化树的智能合约编码及触发处理,康复数据与智能合约相结合,实现了自动化的数据处理和执行。智能合约编码可以定义康复数据的校验逻辑和交互规则,提高了数据处理的效率和准确性。基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据,通过分布式计算和边缘计算优化处理,将计算任务分散到各个边缘计算节点上进行处理。这样的优化能够提高计算效率和响应速度,减少中心节点的负载压力,更快地获得处理结果。对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片,通过将数据分布式存储在不同的雾计算节点中,形成去中心化的数据共享网络。这种分布式数据共享与访问机制极大地提高了数据的可访问性和共享性,各个合法的康复相关用户或系统能够根据访问权限获取所需的数据片段,促进了信息的共享和协作。对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体,通过联邦学习模型参数的聚合,综合了分布式节点上的知识和信息,生成更准确和全面的模型参数。这样的聚合能够提升模型的泛化能力,使其能够更好地适应新的康复数据样本。根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包,通过考虑节点关联的邻居节点的特征值、关联边的权重等作为上下文信息,智能康复上下文数据包体现了康复数据中的上下文关联性。这有助于揭示康复数据中的潜在关系和模式,帮助康复专业人员更好地理解和分析康复过程中的因果关系、依赖关系。
优选地,步骤S1包括以下步骤:
步骤S11:利用生物传感器对康复者进行多模态生物传感采集处理,生成生物信号高维融合数据集;
步骤S12:基于生物信号高维融合数据集进行时间序列相位空间重构处理,生成生物相位空间图谱数据;
步骤S13:对生物相位空间图谱数据进行深度稀疏自动编码处理,生成稀疏生物特征向量数据;
步骤S14:根据稀疏生物特征向量数据进行混沌加密及矩阵构建处理,生成康复混沌生物数据矩阵。
本发明通过利用生物传感器对康复者进行多模态生物传感采集处理,生成生物信号高维融合数据集,通过同时采集多种生物信号,可以全面感知康复者的生理状态和变化趋势,包括心率、肌电活动、体温等多个方面,从而提供更全面、多角度的康复评估,能够实时监测康复者的生物信号,并将其转化为数字数据。这种实时监测能够及时捕捉到康复者生理状态的变化。基于生物信号高维融合数据集进行时间序列相位空间重构处理,生成生物相位空间图谱数据,相位空间重构扩展了对生物信号的理解,提供了更多维度的数据表达方式,使得生物信号的特征更加丰富和多样化,生物相位空间图谱数据包含了信号在相位空间中的分布、形态和演化特征,丰富了对康复过程中生物信息的理解和分析。对生物相位空间图谱数据进行深度稀疏自动编码处理,生成稀疏生物特征向量数据,引入稀疏性约束可以使得编码后的特征向量具有较少的非零元素,减少特征的冗余性,从而提高数据的紧凑性和表征能力,深度稀疏自动编码器具有较强的自适应能力,能够根据不同的生物相位空间图谱数据自动学习到适应性较好的稀疏特征表示,提高了算法的适用性和泛化能力。根据稀疏生物特征向量数据进行混沌加密及矩阵构建处理,生成康复混沌生物数据矩阵,混沌算法通过迭代过程引入非线性变换,将稀疏生物特征向量数据转换为康复混沌生物数据矩阵。这种非线性变换可以提供更高的数据变换复杂度,使得加密后的数据更难以被逆向推导和恢复原始信息,从而有效抵御各种攻击手段,混沌加密算法的参数设置和初始值选择可以调整,通过合理调整这些参数,可以灵活控制加密过程的复杂程度和数据保护水平。这种灵活性和可调性使得加密方案能够适应不同安全需求的康复数据共享场景,提供定制化的数据保护方案。
优选地,步骤S2的具体步骤为:
步骤S21:对康复混沌生物数据矩阵进行零知识完整性验证处理,生成完整性验证标记数据;
步骤S22:对完整性验证标记数据进行计算,构建混沌数据默克尔化树;
步骤S23:对混沌数据默克尔化树进行智能合约编码及触发处理,生成混沌数据智能合约;
步骤S24:对混沌数据智能合约进行区块链数据封装与时间戳签署处理,生成康复生物链交易单元数据。
本发明通过对康复混沌生物数据矩阵进行零知识完整性验证处理,生成完整性验证标记数据,通过Schnorr协议的运算性质和验证过程,确保康复混沌生物数据矩阵在传输和处理过程中的完整性。这意味着任何对数据进行篡改或损坏的行为都将在验证过程中被检测到,从而保护数据的完整。对混沌数据默克尔化树进行智能合约编码及触发处理,生成混沌数据智能合约,通过设置智能合约编码与触发算法的参数,包括合约语法、触发条件等,可以灵活地调整合约的行为。这样,对于不同的康复数据情况,可以根据需求定制智能合约的执行规则,提升处理的适应性和个性化。对混沌数据智能合约进行区块链数据封装与时间戳签署处理,生成康复生物链交易单元数据,通过区块链的时间戳功能,为交易单元添加时间信息,记录交易的发生时间。这使得康复生物链交易单元数据具有可追溯性,有助于分析和回溯康复过程中的各个阶段,区块链网络提供了高效的数据交互方式。将混沌数据智能合约封装为交易单元后,可以通过区块链网络的广播机制快速传播数据,实现数据的实时共享和交流,加快康复数据的处理和决策过程。
优选地,步骤S3包括以下步骤:
步骤S31:对康复生物链交易单元数据进行数据净化与降维处理,生成净化康复生物链交易数据;
步骤S32:对净化康复生物链交易数据进行计算,生成分布式康复生物链子数据集;
步骤S33:对分布式康复生物链子数据集进行异构边缘计算优化处理,生成优化边缘计算模型权重数据;
步骤S34:基于优化边缘计算模型权重数据进行数据载体聚合封装处理,生成优化生物链交易载体数据。
本发明通过对康复生物链交易单元数据进行数据净化与降维处理,生成净化康复生物链交易数据,去除噪声、异常值和缺失值,确保数据准确性和完整性,整合不同来源的数据,消除重复和冗余,提高数据一致性,规范化和归一化处理,使得数据具有可比性和一致性,方便进行数据分析和比较。对分布式康复生物链子数据集进行异构边缘计算优化处理,生成优化边缘计算模型权重数据,通过将康复数据分发到各个边缘计算节点,可以充分利用分布式计算资源,将数据处理任务并行化和分解,加快数据处理速度,提高康复数据处理的效率,每个边缘计算节点可以根据本地数据进行训练和优化,无需频繁与中心节点进行通信,具备独立决策能力和自主性,减少对中心节点的依赖,提高系统的鲁棒性和可靠性。基于优化边缘计算模型权重数据进行数据载体聚合封装处理,生成优化生物链交易载体数据,优化边缘计算模型权重数据的聚合封装使得优化生物链交易载体数据能够灵活适应不同的康复场景和需求。通过根据实际情况选择合适的聚合算法和参数设置,能够实现对数据的动态调整和优化,确保生成的优化生物链交易载体数据具有适应性和灵活性,通过聚合封装优化边缘计算模型权重数据和相关数据,实现了数据的综合利用和整合。这种综合性能提升体现在多个方面,如数据的冗余消除、信息的丰富度增加、模型的准确性提高。
优选地,步骤S4包括以下步骤:
步骤S41:对优化生物链交易载体数据进行雾计算资源调度处理,生成雾计算节点分配方案数据;
步骤S42:基于雾计算节点分配方案数据进行分布式数据切片与加密处理,生成加密后雾计算数据片段;
步骤S43:根据加密后雾计算数据片段进行分布式数据共享与访问处理,生成康复雾计算数据分片。
本发明通过对优化生物链交易载体数据进行雾计算资源调度处理,生成雾计算节点分配方案数据,通过雾计算资源调度处理,将优化生物链交易载体数据分配到适合的雾计算节点上进行处理和存储。能够最大限度地利用雾计算节点的计算和存储能力,提高资源利用效率,避免资源的浪费和闲置。基于雾计算节点分配方案数据进行分布式数据切片与加密处理,生成加密后雾计算数据片段,通过将原始数据按照预定的切片方式进行分割,可以实现数据的分布式存储和处理。能够提高数据的处理效率和并行计算能力,避免单一节点的性能瓶颈,进一步优化康复数据处理过程。根据加密后雾计算数据片段进行分布式数据共享与访问处理,生成康复雾计算数据分片,采用分布式数据共享与访问协议(如分布式哈希表协议),使康复相关的用户或系统能够根据合法的访问权限获取所需的加密后的雾计算数据片段。这样,数据的访问和获取变得更加灵活和便捷,有助于提高康复数据的可访问性,通过将加密后的雾计算数据片段分布式存储在不同的雾计算节点中,形成一个去中心化的数据共享网络。这种网络结构能够有效应对节点故障、网络拥塞等问题,提高数据的可靠性和稳定性。
优选地,步骤S5的具体步骤为:
步骤S51:对康复雾计算数据分片进行分布式数据特征提取处理,生成分布式康复数据特征集;
步骤S52:根据分布式康复数据特征集进行联邦学习模型训练处理,生成联邦学习模型参数;
步骤S53:对联邦学习模型参数进行数据增强与合成处理,生成增强合成康复数据分片;
步骤S54:基于增强合成康复数据分片进行联邦康复数据融合处理,生成联邦康复数据融合体。
本发明通过对康复雾计算数据分片进行分布式数据特征提取处理,生成分布式康复数据特征集,采用循环神经网络作为特征提取算法的基础,充分利用其对序列数据的建模能力。相比传统的特征提取方法,循环神经网络可以捕捉到数据中的时间依赖性和序列关系,从而提取出更具代表性和丰富性的康复数据特征。根据分布式康复数据特征集进行联邦学习模型训练处理,生成联邦学习模型参数,通过联邦学习算法,利用分布式康复数据特征集在各个雾计算节点上进行模型训练,避免了集中式数据训练的瓶颈问题。每个雾计算节点独立训练模型参数,加快了训练速度,并提高了计算资源的利用率。对联邦学习模型参数进行数据增强与合成处理,生成增强合成康复数据分片,通过随机选择数据增强算法和参数,实现对联邦学习模型参数的多样增强,生成多个增强后的数据片段,使康复数据分片呈现出多样的特征和表现形式,增加了康复数据的多样性。基于增强合成康复数据分片进行联邦康复数据融合处理,生成联邦康复数据融合体,在联邦康复数据融合过程中,不同分布式康复节点可能具有不同的康复数据分布。通过联邦融合算法的迭代过程,康复数据的全局特征融合可以平衡各个分布式节点的数据分布,使得融合后的康复数据具有更好的数据平衡性和代表性,分布式康复节点在接收到全局融合特征向量后进行本地特征融合。这种迭代式的联邦融合过程可以提升康复数据的融合效果和精度,使得联邦康复数据融合体更加全面和准确。
优选地,步骤S6的具体步骤为:
步骤S61:对联邦康复数据融合体进行分散隐私保护通信处理,生成隐私康复数据片段;
步骤S62:基于隐私康复数据片段进行智能特征提取处理,生成智能康复数据特征集;
步骤S63:对智能康复数据特征集进行上下文感知挖掘处理,生成智能康复上下文关联图谱;
步骤S64:对智能康复上下文关联图谱进行智能康复上下文数据包生成处理,生成智能康复上下文数据包。
本发明通过对联邦康复数据融合体进行分散隐私保护通信处理,生成隐私康复数据片段,在分散隐私保护通信处理过程中,确保每个生成的隐私康复数据片段中包含的数据量足够保持数据的统计特性。通过差分隐私的随机化和扰动技术,使得数据片段中的个体信息变得模糊化,同时保持了整体数据的重要统计特性,有利于后续的数据分析和挖掘。基于隐私康复数据片段进行智能特征提取处理,生成智能康复数据特征集,通过PCA算法,对康复数据片段进行特征提取,将高维度的康复数据转换为具有更高表达能力和区分度的低维特征集。这样可以有效地减少数据的冗余性,提取出康复数据中最具代表性和相关性的特征,从而更好地捕捉康复过程中的关键信息,利用快速傅里叶变换(FFT)算法计算频谱能量等特征,可以更好地捕捉康复数据的时频特征,如频域的能量分布和频率变化趋势。这使得康复数据特征集在时域和频域上都能提供丰富的信息,从而更全面地描述康复过程的动态变化。对智能康复数据特征集进行上下文感知挖掘处理,生成智能康复上下文关联图谱,通过复杂网络分析方法,对智能康复上下文关联图谱进行分析,可以揭示康复数据特征之间的关联模式、群组结构和重要特征,提供深度的康复数据洞察,将康复数据特征集转化为智能康复上下文关联图谱,充分挖掘康复数据中的上下文关系,为康复过程提供更丰富的信息。对智能康复上下文关联图谱进行智能康复上下文数据包生成处理,生成智能康复上下文数据包,通过考虑节点关联的邻居节点的特征值、关联边的权重等作为上下文信息,智能康复上下文数据包体现了康复数据中的上下文关联性。这有助于揭示康复数据中的潜在关系和模式,帮助康复专业人员更好地理解和分析康复过程中的因果关系、依赖关系。
在本说明书的一个实施例提供了一种区域康复信息的共享系统,包括:
数据处理与分析模块,从医院数据库中获取康复数据,并进行感知融合深度学习分析处理,生成康复动作关键点图数据;
生物传感器数据采集与处理模块,利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵;
区块链交易数据封装处理模块,对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据;
边缘计算优化处理模块,基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据;
雾计算分布式共享处理模块,对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片;
数据增强与智能上下文感知模块,对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体。根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
本发明提供了一种区域康复信息的共享系统,该系统能够实现本发明所述任意一种区域康复信息的共享方法,实现数据的获取、运算、生成。利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵,对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据,基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据,对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片,对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体,根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
本发明结合多学科多类型模型,提出一种区域康复信息的共享方法,通过将数据分布式存储在不同的雾计算节点中,形成去中心化的数据共享网络,极大地提高了数据的可访问性和共享性,各个合法的康复相关用户或系统能够根据访问权限获取所需的数据片段,促进了信息的共享和协作。
附图说明
图1为本发明一种区域康复信息的共享方法的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图;
图4为步骤S3的详细实施步骤流程示意图;
图5为步骤S4的详细实施步骤流程示意图;
图6为步骤S5的详细实施步骤流程示意图;
图7为步骤S6的详细实施步骤流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种区域康复信息的共享方法及系统。所述区域康复信息的共享方法及系统的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络传输设备等可看作本申请的通用计算节点。所述数据处理平台包括但不限于:音频管理系统、图像管理系统、信息管理系统至少一种。
请参阅图1至图7,本发明提供了一种区域康复信息的共享方法,所述方法包括以下步骤:
步骤S1:利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵;
步骤S2:对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据;
步骤S3:基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据;
步骤S4:对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片;
步骤S5:对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体;
步骤S6:根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
本发明提供了一种区域康复信息的共享方法,利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵,将多个生物传感器采集到的数据整合为高维融合数据集。这种数据融合可以综合不同生物信号的信息,提供更全面和准确的数据基础,为康复过程的分析、评估和决策提供更有益的信息,将多个生物传感器采集到的数据整合为高维融合数据集。这种数据融合可以综合不同生物信号的信息,提供更全面和准确的数据基础,为康复过程的分析、评估和决策提供更有益的信息,对生物相位空间图谱数据进行特征学习和表征学习。深度稀疏自动编码器能够学习生物相位空间图谱数据的稀疏特征表示,提取具有代表性的生物特征,进一步减少数据维度并提高数据表征能力。对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据,通过零知识完整性验证处理,康复混沌生物数据矩阵的完整性得到验证,并生成完整性验证标记数据。这有效防止数据被篡改、损坏或未经授权的访问,确保康复数据的完整性和可靠性,通过对混沌数据默克尔化树的智能合约编码及触发处理,康复数据与智能合约相结合,实现了自动化的数据处理和执行。智能合约编码可以定义康复数据的校验逻辑和交互规则,提高了数据处理的效率和准确性。基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据,通过分布式计算和边缘计算优化处理,将计算任务分散到各个边缘计算节点上进行处理。这样的优化能够提高计算效率和响应速度,减少中心节点的负载压力,更快地获得处理结果。对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片,通过将数据分布式存储在不同的雾计算节点中,形成去中心化的数据共享网络。这种分布式数据共享与访问机制极大地提高了数据的可访问性和共享性,各个合法的康复相关用户或系统能够根据访问权限获取所需的数据片段,促进了信息的共享和协作。对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体,通过联邦学习模型参数的聚合,综合了分布式节点上的知识和信息,生成更准确和全面的模型参数。这样的聚合能够提升模型的泛化能力,使其能够更好地适应新的康复数据样本。根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包,通过考虑节点关联的邻居节点的特征值、关联边的权重等作为上下文信息,智能康复上下文数据包体现了康复数据中的上下文关联性。这有助于揭示康复数据中的潜在关系和模式,帮助康复专业人员更好地理解和分析康复过程中的因果关系、依赖关系。
本发明实施例中,参考图1所述,为本发明一种区域康复信息的共享方法的步骤流程示意图,在本实例中,所述区域康复信息的共享方法包括以下步骤:
步骤S1:利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵;
在本发明实施例中,利用生物传感器对康复者进行多模态生物传感采集处理,生成生物信号高维融合数据集,基于生物信号高维融合数据集进行时间序列相位空间重构处理,生成生物相位空间图谱数据,对生物相位空间图谱数据进行深度稀疏自动编码处理,生成稀疏生物特征向量数据,根据稀疏生物特征向量数据进行混沌加密及矩阵构建处理,生成康复混沌生物数据矩阵。
步骤S2:对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据;
本发明实施例中,对康复混沌生物数据矩阵进行零知识完整性验证处理,生成完整性验证标记数据,利用时间感知混沌哈希默克尔化函数对完整性验证标记数据进行计算,构建混沌数据默克尔化树,对混沌数据默克尔化树进行智能合约编码及触发处理,生成混沌数据智能合约,对混沌数据智能合约进行区块链数据封装与时间戳签署处理,生成康复生物链交易单元数据。
步骤S3:基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据;
本发明实施例中,对康复生物链交易单元数据进行数据净化与降维处理,生成净化康复生物链交易数据,利用异构数据分割函数对净化康复生物链交易数据进行计算,生成分布式康复生物链子数据集,对分布式康复生物链子数据集进行异构边缘计算优化处理,生成优化边缘计算模型权重数据,基于优化边缘计算模型权重数据进行数据载体聚合封装处理,生成优化生物链交易载体数据。
步骤S4:对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片;
本发明实施例中,对优化生物链交易载体数据进行雾计算资源调度处理,生成雾计算节点分配方案数据,基于雾计算节点分配方案数据进行分布式数据切片与加密处理,生成加密后雾计算数据片段,根据加密后雾计算数据片段进行分布式数据共享与访问处理,生成康复雾计算数据分片。
步骤S5:对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体。
本发明实施例中,对康复雾计算数据分片进行分布式数据特征提取处理,生成分布式康复数据特征集,根据分布式康复数据特征集进行联邦学习模型训练处理,生成联邦学习模型参数,对联邦学习模型参数进行数据增强与合成处理,生成增强合成康复数据分片,基于增强合成康复数据分片进行联邦康复数据融合处理,生成联邦康复数据融合体。
步骤S6:根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
本发明实施例中,对联邦康复数据融合体进行分散隐私保护通信处理,生成隐私康复数据片段,基于隐私康复数据片段进行智能特征提取处理,生成智能康复数据特征集,对智能康复数据特征集进行上下文感知挖掘处理,生成智能康复上下文关联图谱,对智能康复上下文关联图谱进行智能康复上下文数据包生成处理,生成智能康复上下文数据包。
优选地,步骤S1包括以下步骤;
步骤S11:利用生物传感器对康复者进行多模态生物传感采集处理,生成生物信号高维融合数据集;
步骤S12:基于生物信号高维融合数据集进行时间序列相位空间重构处理,生成生物相位空间图谱数据;
步骤S13:对生物相位空间图谱数据进行深度稀疏自动编码处理,生成稀疏生物特征向量数据;
步骤S14:根据稀疏生物特征向量数据进行混沌加密及矩阵构建处理,生成康复混沌生物数据矩阵。
本发明通过利用生物传感器对康复者进行多模态生物传感采集处理,生成生物信号高维融合数据集,通过同时采集多种生物信号,可以全面感知康复者的生理状态和变化趋势,包括心率、肌电活动、体温等多个方面,从而提供更全面、多角度的康复评估,能够实时监测康复者的生物信号,并将其转化为数字数据。这种实时监测能够及时捕捉到康复者生理状态的变化。基于生物信号高维融合数据集进行时间序列相位空间重构处理,生成生物相位空间图谱数据,相位空间重构扩展了对生物信号的理解,提供了更多维度的数据表达方式,使得生物信号的特征更加丰富和多样化,生物相位空间图谱数据包含了信号在相位空间中的分布、形态和演化特征,丰富了对康复过程中生物信息的理解和分析。对生物相位空间图谱数据进行深度稀疏自动编码处理,生成稀疏生物特征向量数据,引入稀疏性约束可以使得编码后的特征向量具有较少的非零元素,减少特征的冗余性,从而提高数据的紧凑性和表征能力,深度稀疏自动编码器具有较强的自适应能力,能够根据不同的生物相位空间图谱数据自动学习到适应性较好的稀疏特征表示,提高了算法的适用性和泛化能力。根据稀疏生物特征向量数据进行混沌加密及矩阵构建处理,生成康复混沌生物数据矩阵,混沌算法通过迭代过程引入非线性变换,将稀疏生物特征向量数据转换为康复混沌生物数据矩阵。这种非线性变换可以提供更高的数据变换复杂度,使得加密后的数据更难以被逆向推导和恢复原始信息,从而有效抵御各种攻击手段,混沌加密算法的参数设置和初始值选择可以调整,通过合理调整这些参数,可以灵活控制加密过程的复杂程度和数据保护水平。这种灵活性和可调性使得加密方案能够适应不同安全需求的康复数据共享场景,提供定制化的数据保护方案。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:利用生物传感器对康复者进行多模态生物传感采集处理,生成生物信号高维融合数据集;
本发明实例中,在康复者身上安装多个生物传感器,如心率传感器、肌电传感器、体温传感器等,用于采集不同生物信号,通过传感器,获取康复者的生物信号数据,并进行预处理,包括滤波、降噪、归一化等操作,将不同传感器采集到的生物信号进行融合处理,将各个信号源的数据整合成一个高维融合数据集,对融合后的数据进行特征提取和降维处理,利用逻辑回归算法提取出具有代表性的生物特征。根据特征提取结果生成生物信号高维融合数据集。
步骤S12:基于生物信号高维融合数据集进行时间序列相位空间重构处理,生成生物相位空间图谱数据;
本发明实施例中,根据具体应用场景和数据特征,选择相位空间重构算法中的Takens定理,针对选定的相位空间重构算法,设置参数,包括延迟时间、嵌入维度和时间延迟的选择。Takens定理将高维时间序列数据通过延迟嵌入的方式映射到相位空间,设置延迟时间和嵌入维度,根据延迟时间和嵌入维度构建延迟向量,即将原始时间序列数据按照一定的延迟时间和嵌入维度进行重排,形成一组延迟向量,根据构建的延迟向量,生成相位空间重构的数据集,根据相位空间重构的结果,得到一组相位空间中的点集或向量,将这些点集或向量组织成生物相位空间图谱数据。
步骤S13:对生物相位空间图谱数据进行深度稀疏自动编码处理,生成稀疏生物特征向量数据;
本发明实施例中,基于生物相位空间图谱数据,应用深度学习中的稀疏自动编码技术进行特征学习和表征学习,构建深度神经网络模型,包括编码器和解码器,用于学习生物相位空间图谱数据的稀疏特征表示,在编码阶段,通过多层神经网络对生物相位空间图谱数据进行编码,将其映射到低维稀疏特征空间,在解码阶段,通过解码器将低维稀疏特征重构为原始的生物相位空间图谱数据,以实现数据的重建和还原。迭代训练深度稀疏自动编码器,优化网络参数,从而生成稀疏生物特征向量数据。
步骤S14:根据稀疏生物特征向量数据进行混沌加密及矩阵构建处理,生成康复混沌生物数据矩阵。
本发明实施例中,选择混沌算法中的Logistic映射,混沌算法能够生成具有复杂动态特性和高度不确定性的序列,设置混沌算法的参数,例如迭代次数、初始值,运行混沌算法,生成一组混沌序列,将稀疏生物特征向量数据转换为矩阵形式。矩阵的行表示不同的康复者样本,列表示不同的特征,将混沌序列与生物数据矩阵的特定位置进行异或运算,将混沌序列与生物数据矩阵的特定位置进行异或运算,将混沌序列作为矩阵的一部分,并与生物数据进行拼接,从而生成康复混沌生物数据矩阵,将康复混沌生物数据矩阵作为明文数据,应用混沌加密算法进行加密,根据混沌加密算法的具体实现方式,将混沌序列与康复混沌生物数据矩阵进行混淆、置乱、扩散等操作,以达到加密的目的。
优选地,步骤S2包括以下步骤:
步骤S21:对康复混沌生物数据矩阵进行零知识完整性验证处理,生成完整性验证标记数据;
步骤S22:对完整性验证标记数据进行计算,构建混沌数据默克尔化树;
步骤S23:对混沌数据默克尔化树进行智能合约编码及触发处理,生成混沌数据智能合约;
步骤S24:对混沌数据智能合约进行区块链数据封装与时间戳签署处理,生成康复生物链交易单元数据。
本发明通过对康复混沌生物数据矩阵进行零知识完整性验证处理,生成完整性验证标记数据,通过Schnorr协议的运算性质和验证过程,确保康复混沌生物数据矩阵在传输和处理过程中的完整性。这意味着任何对数据进行篡改或损坏的行为都将在验证过程中被检测到,从而保护数据的完整。对混沌数据默克尔化树进行智能合约编码及触发处理,生成混沌数据智能合约,通过设置智能合约编码与触发算法的参数,包括合约语法、触发条件等,可以灵活地调整合约的行为。这样,对于不同的康复数据情况,可以根据需求定制智能合约的执行规则,提升处理的适应性和个性化。对混沌数据智能合约进行区块链数据封装与时间戳签署处理,生成康复生物链交易单元数据,通过区块链的时间戳功能,为交易单元添加时间信息,记录交易的发生时间。这使得康复生物链交易单元数据具有可追溯性,有助于分析和回溯康复过程中的各个阶段,区块链网络提供了高效的数据交互方式。将混沌数据智能合约封装为交易单元后,可以通过区块链网络的广播机制快速传播数据,实现数据的实时共享和交流,加快康复数据的处理和决策过程。
作为本发明的一个实例,参考图3所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:对康复混沌生物数据矩阵进行零知识完整性验证处理,生成完整性验证标记数据;
本发明实施例中,选择零知识完整性验证算法中的Schnorr协议,设置零知识完整性验证算法的参数,包括安全参数、精度要求等,将康复混沌生物数据矩阵作为输入,利用零知识完整性验证算法进行处理,在零知识证明的过程中,验证者只需要知道验证结果的正确性,而不需要了解原始数据的具体内容,生成完整性验证标记数据。
步骤S22:对完整性验证标记数据进行计算,构建混沌数据默克尔化树;
步骤S23:对混沌数据默克尔化树进行智能合约编码及触发处理,生成混沌数据智能合约;
本发明实施例中,选择适合的智能合约编码与触发算法,如Solidity语言和Web3.js,将业务逻辑编写为智能合约,并通过触发机制实现自动化执行,设置智能合约编码与触发算法的参数,包括合约语法、触发条件,编写智能合约代码,包括数据校验、交互逻辑,将混沌数据默克尔化树作为输入,通过智能合约编码与触发算法进行处理,生成混沌数据智能合约,触发混沌数据智能合约,根据合约中设定的条件和事件,执行相应的操作。
步骤S24:对混沌数据智能合约进行区块链数据封装与时间戳签署处理,生成康复生物链交易单元数据。
本发明实施例中,选择区块链数据封装与时间戳签署算法,如以太坊区块链和比特币区块链。将数据封装为交易单元,并通过区块链的时间戳功能为交易单元添加时间信息。设置区块链数据封装与时间戳签署算法的参数,包括区块链网络选择,将混沌数据智能合约作为输入,通过区块链数据封装与时间戳签署算法进行处理,使用区块链网络提供的API,将混沌数据智能合约封装为交易单元,在交易单元中添加时间戳信息,记录交易的发生时间,对交易单元进行数字签名处理,确保交易的真实性和完整性,将签名后的交易单元广播到区块链网络中,进行区块链数据封装,区块链网络将交易单元添加到区块中,并通过共识算法确保交易的可信性,区块链网络为每个区块生成一个唯一的区块哈希值,作为区块的标识符,从而生成康复生物链交易单元数据, 康复生物链交易单元数据由区块哈希值、交易单元内容和时间戳等信息组成。
优选地,步骤S3包括以下步骤:
步骤S31:对康复生物链交易单元数据进行数据净化与降维处理,生成净化康复生物链交易数据;
步骤S32:对净化康复生物链交易数据进行计算,生成分布式康复生物链子数据集;
步骤S33:对分布式康复生物链子数据集进行异构边缘计算优化处理,生成优化边缘计算模型权重数据;
步骤S34:基于优化边缘计算模型权重数据进行数据载体聚合封装处理,生成优化生物链交易载体数据。
本发明通过对康复生物链交易单元数据进行数据净化与降维处理,生成净化康复生物链交易数据,去除噪声、异常值和缺失值,确保数据准确性和完整性,整合不同来源的数据,消除重复和冗余,提高数据一致性,规范化和归一化处理,使得数据具有可比性和一致性,方便进行数据分析和比较。对分布式康复生物链子数据集进行异构边缘计算优化处理,生成优化边缘计算模型权重数据,通过将康复数据分发到各个边缘计算节点,可以充分利用分布式计算资源,将数据处理任务并行化和分解,加快数据处理速度,提高康复数据处理的效率,每个边缘计算节点可以根据本地数据进行训练和优化,无需频繁与中心节点进行通信,具备独立决策能力和自主性,减少对中心节点的依赖,提高系统的鲁棒性和可靠性。基于优化边缘计算模型权重数据进行数据载体聚合封装处理,生成优化生物链交易载体数据,优化边缘计算模型权重数据的聚合封装使得优化生物链交易载体数据能够灵活适应不同的康复场景和需求。通过根据实际情况选择合适的聚合算法和参数设置,能够实现对数据的动态调整和优化,确保生成的优化生物链交易载体数据具有适应性和灵活性,通过聚合封装优化边缘计算模型权重数据和相关数据,实现了数据的综合利用和整合。这种综合性能提升体现在多个方面,如数据的冗余消除、信息的丰富度增加、模型的准确性提高。
作为本发明的一个实例,参考图4所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:对康复生物链交易单元数据进行数据净化与降维处理,生成净化康复生物链交易数据;
本发明实施例中,获取康复生物链交易单元数据,对获取的数据进行数据净化处理,去除数据中的噪声、异常值和缺失值,确保数据的准确性和完整性,将不同来源的数据整合到一个统一的数据集中,消除重复和冗余,对数据进行规范化、归一化等处理,使其具有可比性和一致性,应用因子分析降维算法将高维数据转换为低维表示,经过数据净化与降维处理后,得到净化康复生物链交易数据。
步骤S32:对净化康复生物链交易数据进行计算,生成分布式康复生物链子数据集;
步骤S33:对分布式康复生物链子数据集进行异构边缘计算优化处理,生成优化边缘计算模型权重数据;
本发明实施例中,将分布式康复生物链子数据集分发到各个边缘计算节点,在每个边缘计算节点上,应用异构边缘计算优化算法对本地数据进行处理,应用决策树机器学习算法对数据进行训练,构建边缘计算模型,运用粒子群算法对边缘计算模型进行参数调优,对优化后的边缘计算模型进行评估,包括准确率、召回率、F1值等指标,根据模型的性能评估结果,计算每个边缘计算节点的权重,将各个边缘计算节点的权重数据汇总到中心节点,在中心节点上进行权重融合和整合处理,将各个节点的权重数据进行融合,得到最终的优化边缘计算模型权重数据。
步骤S34:基于优化边缘计算模型权重数据进行数据载体聚合封装处理,生成优化生物链交易载体数据;
本发明实施例中,将优化边缘计算模型权重数据与其他相关数据(如康复者信息、康复活动记录等)进行聚合封装。应用数据载体聚合封装算法(基于加权平均、特征融合等算法),将优化边缘计算模型权重数据和相关数据结合起来,从而生成优化生物链交易载体数据。
优选地,步骤S4包括以下步骤:
步骤S41:对优化生物链交易载体数据进行雾计算资源调度处理,生成雾计算节点分配方案数据;
步骤S42:基于雾计算节点分配方案数据进行分布式数据切片与加密处理,生成加密后雾计算数据片段;
步骤S43:根据加密后雾计算数据片段进行分布式数据共享与访问处理,生成康复雾计算数据分片。
本发明通过对优化生物链交易载体数据进行雾计算资源调度处理,生成雾计算节点分配方案数据,通过雾计算资源调度处理,将优化生物链交易载体数据分配到适合的雾计算节点上进行处理和存储。能够最大限度地利用雾计算节点的计算和存储能力,提高资源利用效率,避免资源的浪费和闲置。基于雾计算节点分配方案数据进行分布式数据切片与加密处理,生成加密后雾计算数据片段,通过将原始数据按照预定的切片方式进行分割,可以实现数据的分布式存储和处理。能够提高数据的处理效率和并行计算能力,避免单一节点的性能瓶颈,进一步优化康复数据处理过程。根据加密后雾计算数据片段进行分布式数据共享与访问处理,生成康复雾计算数据分片,采用分布式数据共享与访问协议(如分布式哈希表协议),使康复相关的用户或系统能够根据合法的访问权限获取所需的加密后的雾计算数据片段。这样,数据的访问和获取变得更加灵活和便捷,有助于提高康复数据的可访问性,通过将加密后的雾计算数据片段分布式存储在不同的雾计算节点中,形成一个去中心化的数据共享网络。这种网络结构能够有效应对节点故障、网络拥塞等问题,提高数据的可靠性和稳定性。
作为本发明的一个实例,参考图5所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:对优化生物链交易载体数据进行雾计算资源调度处理,生成雾计算节点分配方案数据;
本发明实施例中,在优化生物链交易载体数据中,选择一组需要进行雾计算资源调度处理的数据,针对选定的数据,进行雾计算资源调度处理。该处理过程旨在确定适合的雾计算节点用于数据处理和存储,使用雾计算资源调度算法,例如最优节点选择算法或负载均衡算法,对待处理数据进行分析和计算,根据算法的输出结果,生成雾计算节点分配方案数据。
步骤S42:基于雾计算节点分配方案数据进行分布式数据切片与加密处理,生成加密后雾计算数据片段;
本发明实施例中,根据雾计算节点分配方案数据,对原始数据进行分布式数据切片处理。将数据按照预定的切片方式分割成多个数据片段,对每个数据片段进行加密处理,以增强数据的安全性和保密性,使用AES算法进行加密操作,从而生成加密后雾计算数据片段。
步骤S43:根据加密后雾计算数据片段进行分布式数据共享与访问处理,生成康复雾计算数据分片。
本发明实施例中,将加密后的雾计算数据片段分布式存储在不同的雾计算节点中,形成一个去中心化的数据共享网络,设计分布式数据共享与访问协议(分布式哈希表协议),以确保数据的安全和可访问性。康复相关的用户或系统可以通过合法的访问权限,根据需要获取加密后的雾计算数据片段。可以使用密钥解密相应的数据片段,根据访问的结果,生成康复雾计算数据分片。
优选地,步骤S5包括以下步骤:
步骤S51:对康复雾计算数据分片进行分布式数据特征提取处理,生成分布式康复数据特征集;
步骤S52:根据分布式康复数据特征集进行联邦学习模型训练处理,生成联邦学习模型参数;
步骤S53:对联邦学习模型参数进行数据增强与合成处理,生成增强合成康复数据分片;
步骤S54:基于增强合成康复数据分片进行联邦康复数据融合处理,生成联邦康复数据融合体。
本发明通过对康复雾计算数据分片进行分布式数据特征提取处理,生成分布式康复数据特征集,采用循环神经网络作为特征提取算法的基础,充分利用其对序列数据的建模能力。相比传统的特征提取方法,循环神经网络可以捕捉到数据中的时间依赖性和序列关系,从而提取出更具代表性和丰富性的康复数据特征。根据分布式康复数据特征集进行联邦学习模型训练处理,生成联邦学习模型参数,通过联邦学习算法,利用分布式康复数据特征集在各个雾计算节点上进行模型训练,避免了集中式数据训练的瓶颈问题。每个雾计算节点独立训练模型参数,加快了训练速度,并提高了计算资源的利用率。对联邦学习模型参数进行数据增强与合成处理,生成增强合成康复数据分片,通过随机选择数据增强算法和参数,实现对联邦学习模型参数的多样增强,生成多个增强后的数据片段,使康复数据分片呈现出多样的特征和表现形式,增加了康复数据的多样性。基于增强合成康复数据分片进行联邦康复数据融合处理,生成联邦康复数据融合体,在联邦康复数据融合过程中,不同分布式康复节点可能具有不同的康复数据分布。通过联邦融合算法的迭代过程,康复数据的全局特征融合可以平衡各个分布式节点的数据分布,使得融合后的康复数据具有更好的数据平衡性和代表性,分布式康复节点在接收到全局融合特征向量后进行本地特征融合。这种迭代式的联邦融合过程可以提升康复数据的融合效果和精度,使得联邦康复数据融合体更加全面和准确。
作为本发明的一个实例,参考图6所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:对康复雾计算数据分片进行分布式数据特征提取处理,生成分布式康复数据特征集;
本发明实施例中,在康复雾计算系统中,将康复数据按照一定的规则进行分片,使得每个雾计算节点拥有一部分康复数据分片,利用循环神经网络构建分布式数据特征提取算法,根据具体应用场景和数据特点,设置算法的参数,如网络结构、卷积核大小、隐藏层节点数等。将康复数据分片输入到分布式数据特征提取算法中,经过前向传播,算法对数据进行处理,提取关键特征,得到每个雾计算节点上的康复数据分片的特征表示,将每个雾计算节点上的康复数据特征进行压缩和编码,将编码后的特征通过网络传输等方式发送到中央节点或中央服务器,在中央节点或中央服务器上进行数据汇总和整合,得到分布式康复数据特征集。
步骤S52:根据分布式康复数据特征集进行联邦学习模型训练处理,生成联邦学习模型参数;
本发明实施例中,选择适合的联邦学习算法,如联邦平均(FedAvg)算法,设置算法的参数,如学习率、轮数、聚合方式等,在联邦学习的每个雾计算节点上,初始化模型参数。可以使用预训练模型作为初始参数,也可以随机初始化,将本地的分布式康复数据特征集输入到联邦学习模型中,经过反向传播和优化算法,更新模型参数,重复以上步骤,直到达到一定的训练轮数或收敛条件,根据各个雾计算节点的训练结果,利用加权平均算法进行模型参数的聚合,从而生成联邦学习模型参数。
步骤S53:对联邦学习模型参数进行数据增强与合成处理,生成增强合成康复数据分片。
本发明实施例中,在增强合成康复数据分片的过程中,选择适合的数据增强算法。包括图像增强、音频增强、文本增强等。根据具体需求设置算法的参数,如增强方式、增强程度等。随机选择一种数据增强算法和对应的参数,将联邦学习模型参数输入选定的数据增强算法,对联邦学习模型参数进行增强处理,生成增强后的数据片段,将增强后的数据片段保存为增强合成康复数据分片。
步骤S54:基于增强合成康复数据分片进行联邦康复数据融合处理,生成联邦康复数据融合体。
本发明实施例中,对每个增强合成康复数据分片进行特征提取,得到分片特征向量,利用分片特征向量进行局部特征融合,得到分片级别的融合特征向量,构建多层级联邦结构,包括中央节点和多个分布式康复节点,将分片级别的融合特征向量发送给中央节点,中央节点利用联邦融合算法FedProx,对接收到的特征向量进行全局特征融合,得到全局级别的融合特征向量,中央节点将全局融合特征向量发送回各个分布式康复节点,各个分布式康复节点利用接收到的全局融合特征向量,结合本地数据进行进一步的本地特征融合,得到本地级别的融合特征向量,重复执行层级联邦融合过程,直至达到一定的收敛条件,每轮迭代中,中央节点更新全局融合特征向量,分布式康复节点更新本地融合特征向量,将最终收敛的全局融合特征向量作为联邦康复数据融合体。
优选地,步骤S6的具体步骤为:
步骤S61:对联邦康复数据融合体进行分散隐私保护通信处理,生成隐私康复数据片段;
步骤S62:基于隐私康复数据片段进行智能特征提取处理,生成智能康复数据特征集;
步骤S63:对智能康复数据特征集进行上下文感知挖掘处理,生成智能康复上下文关联图谱;
步骤S64:对智能康复上下文关联图谱进行智能康复上下文数据包生成处理,生成智能康复上下文数据包。
本发明通过对联邦康复数据融合体进行分散隐私保护通信处理,生成隐私康复数据片段,在分散隐私保护通信处理过程中,确保每个生成的隐私康复数据片段中包含的数据量足够保持数据的统计特性。通过差分隐私的随机化和扰动技术,使得数据片段中的个体信息变得模糊化,同时保持了整体数据的重要统计特性,有利于后续的数据分析和挖掘。基于隐私康复数据片段进行智能特征提取处理,生成智能康复数据特征集,通过PCA算法,对康复数据片段进行特征提取,将高维度的康复数据转换为具有更高表达能力和区分度的低维特征集。这样可以有效地减少数据的冗余性,提取出康复数据中最具代表性和相关性的特征,从而更好地捕捉康复过程中的关键信息,利用快速傅里叶变换(FFT)算法计算频谱能量等特征,可以更好地捕捉康复数据的时频特征,如频域的能量分布和频率变化趋势。这使得康复数据特征集在时域和频域上都能提供丰富的信息,从而更全面地描述康复过程的动态变化。对智能康复数据特征集进行上下文感知挖掘处理,生成智能康复上下文关联图谱,通过复杂网络分析方法,对智能康复上下文关联图谱进行分析,可以揭示康复数据特征之间的关联模式、群组结构和重要特征,提供深度的康复数据洞察,将康复数据特征集转化为智能康复上下文关联图谱,充分挖掘康复数据中的上下文关系,为康复过程提供更丰富的信息。对智能康复上下文关联图谱进行智能康复上下文数据包生成处理,生成智能康复上下文数据包,通过考虑节点关联的邻居节点的特征值、关联边的权重等作为上下文信息,智能康复上下文数据包体现了康复数据中的上下文关联性。这有助于揭示康复数据中的潜在关系和模式,帮助康复专业人员更好地理解和分析康复过程中的因果关系、依赖关系。
作为本发明的一个实例,参考图7所示,为图1中步骤S6的详细实施步骤流程示意图,在本实例中所述步骤S6包括:
步骤S61:对联邦康复数据融合体进行分散隐私保护通信处理,生成隐私康复数据片段;
本发明实施例中,选择差分隐私的分散隐私保护通信方法,在数据传输和处理过程中保护个体数据的隐私,将联邦康复数据融合体划分为多个数据片段,确保每个数据片段中包含的数据量足够保持数据的统计特性,同时避免过度暴露个体信息,对每个数据片段进行分散隐私保护处理,确保在数据传输和处理过程中,不会泄露敏感信息,对保护后的隐私康复数据片段进行加密,以进一步保护数据的机密性,从而生成隐私康复数据片段。
步骤S62:基于隐私康复数据片段进行智能特征提取处理,生成智能康复数据特征集;
本发明实施例中,对于每个隐私康复数据片段,选择基于PCA的智能特征提取算法,从康复数据片段中学习得到有代表性的特征,对隐私康复数据片段进行数据预处理。包括去除噪声、标准化、降采样等,使用快速傅里叶变换(FFT)算法计算频谱能量等特,对提取的特征进行选择或转换,以减少冗余信息或增强特征的表达能力,将每个隐私康复数据片段提取得到的特征组合成智能康复数据特征集。
步骤S63:对智能康复数据特征集进行上下文感知挖掘处理,生成智能康复上下文关联图谱;
本发明实施例中,构建智能康复数据特征集的关联矩阵。使用欧式距离方法将智能康复数据特征集中的特征进行相似性度量,得到特征之间的关联度,基于关联矩阵,进行上下文感知挖掘。使用图论或网络分析方法,构建智能康复上下文关联图谱。每个特征对应图谱中的一个节点,特征之间的关联度对应节点之间的边。根据关联度的阈值设定,可以确定是否保留较高关联度的边,使用复杂网络分析算法中的中心性分析发进行图结构的分析和挖掘,探索图谱中的重要特征、特征之间的群组结构和关联模式,基于上下文感知挖掘的结果,生成智能康复上下文关联图谱。
步骤S64:对智能康复上下文关联图谱进行智能康复上下文数据包生成处理,生成智能康复上下文数据包。
本发明实施例中,遍历智能康复上下文关联图谱的节点。对于每个节点,表示一个特征或特征集合,该特征在康复上下文中具有关联性,对于每个节点,根据其关联的邻居节点,构建上下文信息。考虑采用邻居节点的特征值、关联边的权重等作为上下文信息,将节点和其对应的上下文信息组合成一个数据包,对每个数据包进行标识和索引。可以为每个数据包分配一个唯一的标识符,从而生成智能康复上下文数据包。
在本说明书的一个实施例提供了一种区域康复信息的共享系统,包括:
数据处理与分析模块,从医院数据库中获取康复数据,并进行感知融合深度学习分析处理,生成康复动作关键点图数据;
生物传感器数据采集与处理模块,利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵;
区块链交易数据封装处理模块,对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据;
边缘计算优化处理模块,基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据;
雾计算分布式共享处理模块,对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片;
数据增强与智能上下文感知模块,对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体。根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
本发明提供了一种区域康复信息的共享系统,该系统能够实现本发明所述任意一种区域康复信息的共享方法,实现数据的获取、运算、生成。利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵,对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据,基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据,对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片,对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体,根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
本发明结合多学科多类型模型,提出一种区域康复信息的共享方法,通过将数据分布式存储在不同的雾计算节点中,形成去中心化的数据共享网络,极大地提高了数据的可访问性和共享性,各个合法的康复相关用户或系统能够根据访问权限获取所需的数据片段,促进了信息的共享和协作。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (2)
1.一种区域康复信息的共享方法,其特征在于,包括以下步骤:
步骤S1:利用生物传感器对康复者进行生物指标采集并同时对采集后数据进行加密混沌化处理,生成康复混沌生物数据矩阵;
步骤S2:对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据;
步骤S3:基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据;
步骤S4:对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片;
步骤S5:对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体;
步骤S6:根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包;
其中,步骤S1具体步骤包括:
步骤S11:利用生物传感器对康复者进行多模态生物传感采集处理,生成生物信号高维融合数据集;
步骤S12:基于生物信号高维融合数据集进行时间序列相位空间重构处理,生成生物相位空间图谱数据;
步骤S13:对生物相位空间图谱数据进行深度稀疏自动编码处理,生成稀疏生物特征向量数据;
步骤S14:根据稀疏生物特征向量数据进行混沌加密及矩阵构建处理,生成康复混沌生物数据矩阵;
其中,步骤S2具体步骤包括;
步骤S21:对康复混沌生物数据矩阵进行零知识完整性验证处理,生成完整性验证标记数据;
步骤S22:对完整性验证标记数据进行计算,构建混沌数据默克尔化树;
步骤S23:对混沌数据默克尔化树进行智能合约编码及触发处理,生成混沌数据智能合约;
步骤S24:对混沌数据智能合约进行区块链数据封装与时间戳签署处理,生成康复生物链交易单元数据;
其中,步骤S3具体步骤包括:
步骤S31:对康复生物链交易单元数据进行数据净化与降维处理,生成净化康复生物链交易数据;
步骤S32:对净化康复生物链交易数据进行计算,生成分布式康复生物链子数据集;
步骤S33:对分布式康复生物链子数据集进行异构边缘计算优化处理,生成优化边缘计算模型权重数据;
步骤S34:基于优化边缘计算模型权重数据进行数据载体聚合封装处理,生成优化生物链交易载体数据;
其中,步骤S4具体步骤包括:
步骤S41:对优化生物链交易载体数据进行雾计算资源调度处理,生成雾计算节点分配方案数据;
步骤S42:基于雾计算节点分配方案数据进行分布式数据切片与加密处理,生成加密后雾计算数据片段;
步骤S43:根据加密后雾计算数据片段进行分布式数据共享与访问处理,生成康复雾计算数据分片;
其中,步骤S5具体步骤包括:
步骤S51:对康复雾计算数据分片进行分布式数据特征提取处理,生成分布式康复数据特征集;
步骤S52:根据分布式康复数据特征集进行联邦学习模型训练处理,生成联邦学习模型参数;
步骤S53:对联邦学习模型参数进行数据增强与合成处理,生成增强合成康复数据分片;
步骤S54:基于增强合成康复数据分片进行联邦康复数据融合处理,生成联邦康复数据融合体
其中,步骤S6具体步骤包括:
步骤S61:对联邦康复数据融合体进行分散隐私保护通信处理,生成隐私康复数据片段;
步骤S62:基于隐私康复数据片段进行智能特征提取处理,生成智能康复数据特征集;
步骤S63:对智能康复数据特征集进行上下文感知挖掘处理,生成智能康复上下文关联图谱;
步骤S64:对智能康复上下文关联图谱进行智能康复上下文数据包生成处理,生成智能康复上下文数据包。
2.一种区域康复信息的共享系统,其特征在于,用于执行如权利要求1所述的区域康复信息的共享方法,所述区域康复信息的共享系统包括:
数据处理与分析模块,从医院数据库中获取康复数据,并进行感知融合深度学习分析处理,生成康复动作关键点图数据;
生物传感器数据采集与处理模块,利用生物传感器对康复者进行生物指标采集,并进行加密混沌化处理,生成康复混沌生物数据矩阵;
区块链交易数据封装处理模块,对康复混沌生物数据矩阵进行区块链交易数据封装处理,生成康复生物链交易单元数据;
边缘计算优化处理模块,基于康复生物链交易单元数据进行边缘计算优化处理,生成优化生物链交易载体数据;
雾计算分布式共享处理模块,对优化生物链交易载体数据进行雾计算分布式共享处理,生成康复雾计算数据分片;
数据增强与智能上下文感知模块,对康复雾计算数据分片进行联邦学习数据增强处理,生成联邦康复数据融合体,根据联邦康复数据融合体进行康复智能上下文感知处理,生成智能康复上下文数据包。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971367.7A CN116682543B (zh) | 2023-08-03 | 2023-08-03 | 一种区域康复信息的共享方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971367.7A CN116682543B (zh) | 2023-08-03 | 2023-08-03 | 一种区域康复信息的共享方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116682543A CN116682543A (zh) | 2023-09-01 |
CN116682543B true CN116682543B (zh) | 2023-11-10 |
Family
ID=87785933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310971367.7A Active CN116682543B (zh) | 2023-08-03 | 2023-08-03 | 一种区域康复信息的共享方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682543B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436768A (zh) * | 2023-12-19 | 2024-01-23 | 湖南三湘银行股份有限公司 | 一种基于数据治理的统一监管指标方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279687A (zh) * | 2013-06-21 | 2013-09-04 | 镇江冈山电子有限公司 | 一种基于上下文感知的个性化健康服务系统 |
CN108597599A (zh) * | 2018-04-28 | 2018-09-28 | 厦门理工学院 | 一种基于云雾资源低延迟调度的健康监护系统及方法 |
CN110807051A (zh) * | 2019-10-31 | 2020-02-18 | 太原科技大学 | 一种基于云平台的上下文感知实时推荐服务的方法 |
CN111180061A (zh) * | 2019-12-09 | 2020-05-19 | 广东工业大学 | 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 福州数据技术研究院有限公司 | 一种基于区块链和联邦学习的医疗数据安全共享方法 |
CN112162959A (zh) * | 2020-10-15 | 2021-01-01 | 深圳技术大学 | 一种医疗数据共享方法及装置 |
CN112910840A (zh) * | 2021-01-14 | 2021-06-04 | 重庆邮电大学 | 一种基于联盟区块链的医疗数据存储共享方法及系统 |
CN113536382A (zh) * | 2021-08-09 | 2021-10-22 | 北京理工大学 | 利用联邦学习基于区块链的医疗数据共享隐私保护方法 |
CN113906445A (zh) * | 2019-06-11 | 2022-01-07 | 国际商业机器公司 | 上下文感知数据挖掘 |
CN114090510A (zh) * | 2021-11-24 | 2022-02-25 | 长春大学 | 基于区块链的数字医疗信息存储及共享架构的构建方法 |
CN114912631A (zh) * | 2022-04-14 | 2022-08-16 | 西安交通大学 | 一种基于区块链医疗数据共享的联邦学习方法 |
WO2023035065A1 (en) * | 2021-09-07 | 2023-03-16 | Jalalzai Mohammad | Methods and systems for fast consensus within distributed ledgers |
CN116029333A (zh) * | 2023-01-04 | 2023-04-28 | 飞矩科技(上海)有限公司 | 一种面向分布式系统自适应的多目标肌电模式识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3661415A4 (en) * | 2017-08-04 | 2021-04-21 | Bendfeldt, Hannes | ADAPTIVE INTERFACE FOR SCREEN-BASED INTERACTIONS |
EP4247243A1 (en) * | 2020-11-20 | 2023-09-27 | Poltorak Technologies, LLC | Multiple partially redundant biometric sensing devices |
-
2023
- 2023-08-03 CN CN202310971367.7A patent/CN116682543B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279687A (zh) * | 2013-06-21 | 2013-09-04 | 镇江冈山电子有限公司 | 一种基于上下文感知的个性化健康服务系统 |
CN108597599A (zh) * | 2018-04-28 | 2018-09-28 | 厦门理工学院 | 一种基于云雾资源低延迟调度的健康监护系统及方法 |
CN113906445A (zh) * | 2019-06-11 | 2022-01-07 | 国际商业机器公司 | 上下文感知数据挖掘 |
CN110807051A (zh) * | 2019-10-31 | 2020-02-18 | 太原科技大学 | 一种基于云平台的上下文感知实时推荐服务的方法 |
CN111180061A (zh) * | 2019-12-09 | 2020-05-19 | 广东工业大学 | 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 福州数据技术研究院有限公司 | 一种基于区块链和联邦学习的医疗数据安全共享方法 |
CN112162959A (zh) * | 2020-10-15 | 2021-01-01 | 深圳技术大学 | 一种医疗数据共享方法及装置 |
CN112910840A (zh) * | 2021-01-14 | 2021-06-04 | 重庆邮电大学 | 一种基于联盟区块链的医疗数据存储共享方法及系统 |
CN113536382A (zh) * | 2021-08-09 | 2021-10-22 | 北京理工大学 | 利用联邦学习基于区块链的医疗数据共享隐私保护方法 |
WO2023035065A1 (en) * | 2021-09-07 | 2023-03-16 | Jalalzai Mohammad | Methods and systems for fast consensus within distributed ledgers |
CN114090510A (zh) * | 2021-11-24 | 2022-02-25 | 长春大学 | 基于区块链的数字医疗信息存储及共享架构的构建方法 |
CN114912631A (zh) * | 2022-04-14 | 2022-08-16 | 西安交通大学 | 一种基于区块链医疗数据共享的联邦学习方法 |
CN116029333A (zh) * | 2023-01-04 | 2023-04-28 | 飞矩科技(上海)有限公司 | 一种面向分布式系统自适应的多目标肌电模式识别方法 |
Non-Patent Citations (7)
Title |
---|
Federated-Learning Based Privacy Preservation and Fraud-Enabled Blockchain IoMT System for Healthcare;Lakhan, A;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;第27卷(第2期);全文 * |
刘姝辰.《计算机网络技术研究》.中国商务出版社,2019,第106页. * |
基于区块链技术的区域医疗数据安全共享问题研究;卫荣;《中国卫生信息管理杂志》;第17卷(第2期);摘要,第1节 * |
杜廷海.《中医助您心脏康复 8ESC法》.河南科学技术出版社,2021,第87-88页. * |
杜廷海.《中医助您心脏康复 8ESC法》.河南科学技术出版社,2021,第87-89页. * |
边缘计算环境下基于区块链和联邦学习医疗健康数据共享模型;邢丹;《医学信息学杂志》;第42卷(第2期);全文 * |
鲁远耀.《深度学习架构与实践》.机械工业出版社,2021,第52页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116682543A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220230071A1 (en) | Method and device for constructing decision tree | |
CN108683669B (zh) | 数据验证方法和安全多方计算系统 | |
Li et al. | DCT-GAN: dilated convolutional transformer-based GAN for time series anomaly detection | |
Sgueglia et al. | A systematic literature review of IoT time series anomaly detection solutions | |
Maza et al. | Feature selection algorithms in intrusion detection system: A survey | |
CN116682543B (zh) | 一种区域康复信息的共享方法及系统 | |
TW202137072A (zh) | 建構與操作人工循環神經網路之方法 | |
Del Rio et al. | New characteristic relations in type-II intermittency | |
Scicchitano et al. | A deep learning approach for detecting security attacks on blockchain | |
CN106375339A (zh) | 基于事件滑动窗口的攻击模式检测方法 | |
CN110011990B (zh) | 内网安全威胁智能分析方法 | |
CN114372296B (zh) | 一种基于区块链的用户行为数据审计方法及系统 | |
CN111538741B (zh) | 一种面向警情大数据的深度学习分析方法及系统 | |
CN103023927A (zh) | 一种稀疏表达下的基于非负矩阵分解的入侵检测方法及系统 | |
CN113779355B (zh) | 基于区块链的网络谣言溯源取证方法及系统 | |
Kinsner | Is entropy suitable to characterize data and signals for cognitive informatics? | |
Ezeme et al. | Design and development of AD-CGAN: Conditional generative adversarial networks for anomaly detection | |
CN115951883A (zh) | 分布式微服务架构的服务组件管理系统及其方法 | |
Wang et al. | MADDC: Multi-scale anomaly detection, diagnosis and correction for discrete event logs | |
CN113362852A (zh) | 一种用户属性识别方法和装置 | |
Xu et al. | KDDT: Knowledge Distillation-Empowered Digital Twin for Anomaly Detection | |
Yeckle et al. | An evaluation of selection method in the classification of scada datasets based on the characteristics of the data and priority of performance | |
Jaenisch et al. | Data Modeling of network dynamics | |
Engler | Characterization of normality of chaotic systems including prediction and detection of anomalies | |
de Oliveira et al. | Time Series Compression for IoT: A Systematic Literature Review |
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 |