CN116895375B - 一种基于数据共享的医疗器械管理追溯方法及系统 - Google Patents
一种基于数据共享的医疗器械管理追溯方法及系统 Download PDFInfo
- Publication number
- CN116895375B CN116895375B CN202311157976.5A CN202311157976A CN116895375B CN 116895375 B CN116895375 B CN 116895375B CN 202311157976 A CN202311157976 A CN 202311157976A CN 116895375 B CN116895375 B CN 116895375B
- Authority
- CN
- China
- Prior art keywords
- data
- medical instrument
- management platform
- sharing
- model
- 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 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 51
- 230000000739 chaotic effect Effects 0.000 claims description 35
- 230000010354 integration Effects 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 2
- 230000006399 behavior Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/67—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 operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H04L67/12—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
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- 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
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
- H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
-
- 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
- H04L9/30—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy
- H04L9/3066—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy involving algebraic varieties, e.g. elliptic or hyper-elliptic curves
-
- 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
本发明涉及医疗器械管理技术领域,尤其是涉及一种基于数据共享的医疗器械管理追溯方法及系统,包括以下步骤:基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据;将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台;根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况;将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控;需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议。本发明提出的共享管理平台可以与需求方进行信息传递和监控。
Description
技术领域
本发明涉及医疗器械管理技术领域,具体来说,涉及一种基于数据共享的医疗器械管理追溯方法及系统。
背景技术
医疗器械是指用于预防、诊断、治疗、缓解疾病或为人体解剖结构提供支持的器械、设备、器具、材料或其他类似物品,用于医疗保健机构、医生诊所、家庭护理以及其他医疗保健环境。
而医疗器械管理追溯是指对医疗器械的生产、流通和使用等环节进行全程可追溯的管理,追踪和记录医疗器械的生产过程、供应链信息、销售和使用情况,以确保医疗器械的质量和安全性,提高管理效率,保障患者的权益。
但是就现在的医疗器械管理追溯的实现来说,医疗器械流通出去分散至各个医疗机构、供应商及物流机构便不属于同一个单位或者组织,而各个单位机构的内部数据多数为保密数据,不能够任意查看管理无法进行数据共享,存在以下几种缺陷:
1)数据不一致性:由于各个单位和机构之间无法共享数据,可能导致医疗器械的数据在不同系统中存在不一致的情况,会为信息交流和统计分析带来困难,也可能导致信息的错误。
2)增加成本和工作量:如果各个单位和机构之间的数据无法共享,将需要额外的人力和资源来进行数据整合和分析,增加了管理的成本和工作量,降低管理效率和响应速度。
3)难以监管和追溯:各个单位和机构的数据无法进行统一管理和共享,将难以对医疗器械的流通和使用情况进行全面监管和追溯,增加监管的难度,导致追溯工作的不完整和延迟。
结合上述问题故认为设计一种能够提高医疗器械数据安全性、追溯性,实现医疗器械数据整合与共享功能的共享管理平台是非常必要的。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于数据共享的医疗器械管理追溯方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于数据共享的医疗器械管理追溯方法,该追溯方法包括以下步骤:
S1、基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据;
S2、将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台;
S3、根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况;
S4、将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控;
S5、需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议,从中提取所需数据。
进一步的,所述基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据包括以下步骤:
S11、根据医疗器械管理的属性选择平台搭建联盟链网络架构与共识方法;
S12、基于上述架构设计包含医疗器械唯一标识符、生产信息、使用记录及检验报告的数据结构;
S13、将RFID电子标签安装至医疗器械上,当其进入磁场时,电子标签与阅读器之间通讯连接,识别并与存储医疗器械相关的信息;
S14、电子标签向阅读器发送存储在芯片中的产品信息,其中,产品信息包括医疗器械唯一标识符、生产信息、使用记录及检验报告;
S15、阅读器接收产品信息并进行分析和解码,并将处理完成的信息进行合并。
进一步的,所述将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台包括以下步骤:
S21、通过SCE-SVM算法将医疗数据依据多数类与少数类两组节点比例进行划分,并对多数类进行聚类;
S22、对聚类完成的节点进行划分形成多数类子集,将多数类子集与少数类节点合并形成多个节点训练子集;
S23、根据上述步骤得到的训练子集在数据节点中构建训练学习模型,在共享管理平台处对模型参数进行聚合,得到整合模型;
S24、基于Chen-混沌系统与椭圆加密算法将整合模型中的医疗器械数据存储至共享管理平台处。
进一步的,所述根据上述步骤得到的训练子集在数据节点中构建训练学习模型,在共享管理平台处对模型参数进行聚合,得到整合模型包括以下步骤:
S231、共享管理平台处基于神经网络的整合模型协调设计针对医疗器械的整合模型;
S232、对参与训练的训练子集进行数据预处理,将数据通过one-hot编码方式数值化进行标准化处理生成二维矩阵数据;
S233、将整合模型下发至数据节点间进行模型训练;
S234、训练子集使用其持有的医疗器械数据在本地训练网络模型,其中每组网络模型由15个输入神经元、30个输出神经元及1个隐藏层组成;
S235、共享管理平台处收集本地模型,并对节点间本地模型的协方差矩阵进行偏差评估,衡量节点间模型的相关性,重新分配模型聚合参数,生成新的整合模型;
S236、共享管理平台处与数据节点进行多轮交互,直至整合模型收敛完成学习模型的构建。
进一步的,所述共享管理平台处与数据节点进行多轮交互,直至整合模型收敛完成学习模型的构建中的整合计算公式为:
式中,表示n组本地模型参数的权重;
表示数据节点中根据训练子集训练后的本地模型参数;
n表示训练子集中含有的产品信息的数量;
t表示交互的次数。
进一步的,所述基于Chen-混沌系统与椭圆加密算法将整合模型中的医疗器械数据存储至共享管理平台处包括以下步骤:
S241、将整合模型中的医疗器械数据依照行与列分解为4个分量分别为左上分量、右上分量、左下分量及右下分量,并取出整合模型的左上分量;
S242、基于Chen-混沌系统取定参数进入混沌状态,并给定初始条件产生包含x、y及z的混沌波形;
S243、设定阈值生成x波形的二进制混沌序列,其中混沌序列为密钥序列,同理生成y及z的二进制混沌序列;
S244、将左上分量的每个数据值转换为8位二进制数,将二进制混沌序列和每组数据值的8位二进制数进行混沌序列加密,形成混沌加密小波分量完成第一次加密;
S245、选定椭圆曲线参数通过计算公式生成椭圆曲线有限域点集,将混沌加密小波分量的每个数据值进行编码映射,转换为椭圆曲线有限域的点;
S246、根据椭圆加密算法形成左上分量的加密样式,完成第二次加密;
S247、结合除左上分量的3个分量,经过逆LWT变换,重构出整合模型的加密数据,并上传至共享管理平台处进行存储;
S248、在存储至共享管理平台处后进行解密,将医疗器械数据存储至共享管理平台处,并建立连接接口。
进一步的,所述在存储至共享管理平台处后进行解密,将医疗器械数据存储至共享管理平台处,并建立连接接口包括以下步骤:
S2481、将加密数据进行LWT变换,分解出4个分量;
S2482、取出加密数据的左上分量,并对其经过椭圆算法解密,形成解密数据完成第一次解密;
S2483、针对Chen-混沌系统给定的初始条件设定阈值产生混沌序列;
S2484、将第一次解密数据利用混沌序列解密,解密出原始左上分量,完成第二次解密;
S2485、利用逆LWT变换,还原出原始整合模型中的医疗器械数据;
S2489、将还原的医疗器械数据即医疗器械数据存储至共享管理平台处,并建立共享管理平台与设备的连接接口。
进一步的,所述根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况包括步骤:
S31、根据共享管理平台内的医疗器械数据确定存在的异常情况,包括未经授权的访问、登录异常及数据异常中的至少一种;
S32、针对每种异常情况设计触发条件,并根据触发条件确定风险监测体系;
S33、采用熵权法对风险监测体系进行赋权,并计算其指标权重和得分;
S34、根据得分由高至底排序划分综合风险等级,根据等级确定监管等级采取对应的监管周期与措施;
S35、根据风险等级对医疗器械共享管理平台内的异常情况进行监测预警;
S36、当监测过程中满足触发条件,共享管理平台发出警报并做出相应的措施。
进一步的,所述采用熵权法对风险监测体系进行赋权,并计算其指标权重和得分包括以下步骤:
S321、将风险监测体系与对应的监测的医疗器械数据构建成矩阵,其中行代表监测指标体系指标,列代表监测数据;
S322、对评价矩阵进行标准化与无量纲化处理,并进行赋权;
S323、根据标准化的矩阵计算指标的熵值与权重;
S324、根据指标的权重,计算监测数据的指标得分。
根据本发明的另一个方面,还提供了一种基于数据共享的医疗器械管理追溯系统,该追溯系统包括:搭建采集模块、存储设计模块、监测模块、连接模块及应用模块;
其中,所述搭建采集模块与所述存储设计模块,所述存储设计模块与所述监测模块连接,所述监测模块与所述连接模块连接,所述连接模块与所述应用模块连接;
所述搭建采集模块,用于基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据;
所述存储设计模块,用于将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台;
所述监测模块,用于根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况;
所述连接模块,用于将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控;
所述应用模块,用于需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议,从中提取所需数据。
本发明的有益效果为:
1、本发明先收集医疗器械数据并将医疗数据在本地进行训练后进行聚合形成整合模型输入至共享管理平台,可以确保数据的完整性和准确性,在本地训练的过程中,可以对数据进行处理,使得最终的整合模型更加可靠和可用,同时将本地训练的模型进行整合输入至共享管理平台,可以减少数据传输量,本地训练和整合数据后,将整合模型输入至共享管理平台,可以实现快速的响应和分析,整合模型已经将数据进行了预处理和聚合,可以更快地提供结果和洞察,并支持共享管理平台快速做出决策和行动,总的来说,通过先收集医疗器械数据并在本地进行训练后形成整合模型输入至共享管理平台,可以提高数据的完整性、安全性和定制性,同时减少数据传输量,加快响应速度,为共享管理平台提供更可靠和高效的数据支持。
2、本发明通过运用区块链的分布式特性搭建医疗器械共享管理平台,确保数据的安全性和完整性,同时将医疗器械数据拆分至不同的数据节点,并通过整合模型存储在共享管理平台中,可以实现对数据的整合和统一管理,通过建立事件触发机制与共享管理平台进行交互,实现了对医疗器械共享管理平台中的异常情况进行监测和预警,并通过建立连接和交互,共享管理平台可以与需求方进行实时信息传递和状态监控。
3、本发明在将医疗器械数据传输至共享管理平台时应用Chen-混沌系统及椭圆加密算法,通过使用这两种加密方法,可以确保传输的数据在传输过程中保持机密性,提供更高的安全性、保密性和抗干扰性,并且能够在数据传输过程中高效地进行加密和解密操作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于数据共享的医疗器械管理追溯方法流程图;
图2是根据本发明实施例的一种基于数据共享的医疗器械管理追溯系统原理框图。
图中:
1、搭建采集模块;2、存储设计模块;3、监测模块;4、连接模块;5、应用模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
根据本发明的实施例,提供了一种基于数据共享的医疗器械管理追溯方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于数据共享的医疗器械管理追溯方法,该追溯方法包括以下步骤:
S1、基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据。
在一个实施例中,所述基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据包括以下步骤:
S11、根据医疗器械管理的属性选择平台搭建联盟链网络架构与共识方法;
S12、基于上述架构设计包含医疗器械唯一标识符、生产信息、使用记录及检验报告的数据结构;
S13、将RFID电子标签安装至医疗器械上,当其进入磁场时,电子标签与阅读器之间通讯连接,识别并与存储医疗器械相关的信息;
具体的,RFID(Radio Frequency Identification)是一种无线通信技术,用于通过无线电信号识别和跟踪物体,它由一个RFID电子标签和一个RFID读写器组成。
RFID电子标签通常由一个芯片和一个天线组成,芯片存储着唯一的标识码和其他相关数据,而天线用于与读写器进行通信。
RFID阅读器用于读取RFID电子标签上存储的信息。阅读器通过无线电信号与电子标签进行通信,并读取电子标签上的数据,阅读器可以通过连接到计算机或其他系统,将读取到的数据传输到后台系统进行处理和管理。
S14、电子标签向阅读器发送存储在芯片中的产品信息,其中,产品信息包括医疗器械唯一标识符、生产信息、使用记录及检验报告;
S15、阅读器接收产品信息并进行分析和解码,并将处理完成的信息进行合并。
S2、将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台。
在一个实施例中,所述将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台包括以下步骤:
S21、通过SCE-SVM算法将医疗数据依据多数类与少数类两组节点比例进行划分,并对多数类进行聚类;
具体的,SCE-SVM(Semi-Constrained Evolutionary Support Vector Machine)是一种基于进化计算的半监督支持向量机(SVM)算法,在传统的SVM中,通常使用带标签的训练数据进行模型训练,而无标签的数据不会被充分利用。而SCE-SVM算法通过结合进化计算和半监督学习的思想,尝试在半监督学习中更好地利用无标签数据。
在传统的SVM中,通常使用带标签的训练数据进行模型训练,而无标签的数据不会被充分利用,而SCE-SVM算法通过结合进化计算和半监督学习的思想,在半监督学习中更好地利用无标签数据。
S22、对聚类完成的节点进行划分形成多数类子集,将多数类子集与少数类节点合并形成多个节点训练子集;
S23、根据上述步骤得到的训练子集在数据节点中构建训练学习模型,在共享管理平台处对模型参数进行聚合,得到整合模型。
具体的,所述根据上述步骤得到的训练子集在数据节点中构建训练学习模型,在共享管理平台处对模型参数进行聚合,得到整合模型包括以下步骤:
S231、共享管理平台处基于神经网络的整合模型协调设计针对医疗器械的整合模型;
S232、对参与训练的训练子集进行数据预处理,将数据通过one-hot编码方式数值化进行标准化处理生成二维矩阵数据;
具体的,One-hot编码是一种常用的数据编码方式,主要用于将离散的分类变量转换为机器学习算法可以处理的数值表示。
S233、将整合模型下发至数据节点间进行模型训练;
S234、训练子集使用其持有的医疗器械数据在本地训练网络模型,其中每组网络模型由15个输入神经元、30个输出神经元及1个隐藏层组成;
S235、共享管理平台处收集本地模型,并对节点间本地模型的协方差矩阵进行偏差评估,衡量节点间模型的相关性,重新分配模型聚合参数,生成新的整合模型。
具体的,所述共享管理平台处收集本地模型,并对节点间本地模型的协方差矩阵进行偏差评估,衡量节点间模型的相关性,重新分配模型聚合参数,生成新的整合模型包括以下步骤:
共享管理平台处收集训练完成的本地模型,获得其模型参数并计算其均值;
采用节点关联度的聚合策略计算备选数据节点的模型参数与均值的协方差矩阵得到衡量参数;
基于统计学的偏差定义正则化参数设计本地模型的聚合权重;
本地模型进行聚合生成新的整合模型,并判断模型是否收敛;
若整合模型未收敛则再次发送至训练子集间进行训练,若整合模型达到收敛条件,则将整合模型作为最终模型进行输出,并使用相应的医疗器械数据进行检测。
共享管理平台处与数据节点进行多轮交互,直至整合模型收敛完成学习模型的构建。
其中,所述共享管理平台处与数据节点进行多轮交互,直至整合模型收敛完成学习模型的构建中的整合计算公式为:
式中,表示n组本地模型参数的权重;
表示数据节点中根据训练子集训练后的本地模型参数;
n表示训练子集中含有的产品信息的数量;
t表示交互的次数。
其中,本地模型参数的权重的计算公式为:
式中,表示根据统计学的偏差定义正则化得到的参数;
t表示交互的次数;
i表示训练子集的数量。
S24、基于Chen-混沌系统与椭圆加密算法将整合模型中的医疗器械数据存储至共享管理平台处。
具体的,Chen-混沌系统和椭圆加密算法是两个独立的概念,它们分别属于混沌系统和密码学的领域。
Chen-混沌系统是一种基于非线性动力学的混沌系统模型,通过非线性微分方程描述系统的演化过程,具有复杂的、不可预测的行为,混沌系统在信息安全、加密和通信领域有着广泛的应用,可以用于生成随机数、加密密钥以及保护通信数据等。
椭圆加密算法(Elliptic Curve Cryptography,简称ECC)是一种基于椭圆曲线数学问题的公钥加密算法,与传统的RSA算法相比,ECC在相同的安全性水平下,使用更短的密钥长度,提供更快的计算速度和更低的资源消耗。因此,ECC在信息安全领域被广泛应用于加密通信、数字签名、身份认证等方面。
具体的,所述基于Chen-混沌系统与椭圆加密算法将整合模型中的医疗器械数据存储至共享管理平台处包括以下步骤:
S241、将整合模型中的医疗器械数据依照行与列分解为4个分量分别为左上分量、右上分量、左下分量及右下分量,并取出整合模型的左上分量;
S242、基于Chen-混沌系统取定参数进入混沌状态,并给定初始条件产生包含x、y及z的混沌波形;
S243、设定阈值生成x波形的二进制混沌序列,其中混沌序列为密钥序列,同理生成y及z的二进制混沌序列;
S244、将左上分量的每个数据值转换为8位二进制数,将二进制混沌序列和每组数据值的8位二进制数进行混沌序列加密,形成混沌加密小波分量完成第一次加密;
S245、选定椭圆曲线参数通过计算公式生成椭圆曲线有限域点集,将混沌加密小波分量的每个数据值进行编码映射,转换为椭圆曲线有限域的点;
S246、根据椭圆加密算法形成左上分量的加密样式,完成第二次加密;
S247、结合除左上分量的3个分量,经过逆LWT变换,重构出整合模型的加密数据,并上传至共享管理平台处进行存储;
S248、在存储至共享管理平台处后进行解密,将医疗器械数据存储至共享管理平台处,并建立连接接口。
其中,所述在存储至共享管理平台处后进行解密,将医疗器械数据存储至共享管理平台处,并建立连接接口包括以下步骤:
S2481、将加密数据进行LWT变换,分解出4个分量;
具体的,LWT(Local Walsh-Hadamard Transform)变换是一种变换技术用于对信号数据进行变换和分析,LWT变换是基于Walsh-Hadamard变换的一种局部变换方法,LWT变换可用于多个领域,例如图像压缩、特征提取和数据处理等。
S2482、取出加密数据的左上分量,并对其经过椭圆算法解密,形成解密数据完成第一次解密;
S2483、针对Chen-混沌系统给定的初始条件设定阈值产生混沌序列;
S2484、将第一次解密数据利用混沌序列解密,解密出原始左上分量,完成第二次解密;
S2485、利用逆LWT变换,还原出原始整合模型中的医疗器械数据;
S2489、将还原的医疗器械数据即医疗器械数据存储至共享管理平台处,并建立共享管理平台与设备的连接接口。
S3、根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况。
在一个实施例中,所述根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况包括步骤:
S31、根据共享管理平台内的医疗器械数据确定存在的异常情况,包括未经授权的访问、登录异常及数据异常中的至少一种;
S32、针对每种异常情况设计触发条件,并根据触发条件确定风险监测体系;
S33、采用熵权法对风险监测体系进行赋权,并计算其指标权重和得分。
具体的,所述采用熵权法对风险监测体系进行赋权,并计算其指标权重和得分包括以下步骤:
S321、将风险监测体系与对应的监测的医疗器械数据构建成矩阵,其中行代表监测指标体系指标,列代表监测数据;
S322、对评价矩阵进行标准化与无量纲化处理,并进行赋权;
S323、根据标准化的矩阵计算指标的熵值与权重;
S324、根据指标的权重,计算监测数据的指标得分。
S34、根据得分由高至底排序划分综合风险等级,根据等级确定监管等级采取对应的监管周期与措施;
S35、根据风险等级对医疗器械共享管理平台内的异常情况进行监测预警;
S36、当监测过程中满足触发条件,共享管理平台发出警报并做出相应的措施。
具体如下:
异常登录活动:
触发条件:多次失败的登录尝试、异地登录、非授权的用户登录。
相应的措施:系统记录登录活动并进行实时监测,当触发条件满足时,系统立即发送警报通知管理员,并采取相应的安全措施,如锁定账户、要求重新验证身份等。
异常访问行为:
触发条件:用户访问未授权的资源、访问敏感数据、异常的数据下载行为等。
相应的措施:系统对用户的访问行为进行实时监测和分析,当触发条件满足时,系统发送警报通知管理员,并采取进一步的审查措施,如审查日志、追踪请求源等。
数据泄露威胁:
触发条件:大量敏感数据的下载、异常的数据传输行为、异常的数据访问模式等。
相应的措施:系统实时监测数据传输和访问行为,当触发条件满足时,系统自动触发警报并通知管理员,同时采取阻止或限制数据传输的措施,以保护敏感数据的安全。
系统漏洞利用:
触发条件:异常的系统行为、未授权的系统配置变更、异常的系统负载等。
相应的措施:系统监测系统的运行状态和配置变化,当触发条件满足时,系统发送警报通知管理员,并进行漏洞扫描、修复漏洞、加强系统安全等措施。
非法访问尝试:
触发条件:黑客入侵尝试、恶意攻击、拒绝服务攻击等。
相应的措施:系统监测网络流量、入侵检测系统和防火墙日志等,当触发条件满足时,系统立即发出警报通知管理员,并采取封锁IP、增强网络安全防护等措施。
S4、将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控。
在一个实施例中,所述将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控包括以下步骤:
将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控通常包括以下步骤:
设计预警机制与共享管理平台之间的接口和通信协议,包括确定数据传输格式、通信方式(如HTTP、WebSocket等)、接口地址等。
预警机制通过网络与共享管理平台建立连接,通过使用共享管理平台提供的接入点(IP地址和端口号)来建立TCP/IP连接,或者使用其他通信中间件实现。
预警机制需要提供合法的凭据,以便共享管理平台验证其身份并授权其访问权限。
预警机制可以向共享管理平台发送实时的预警信息,可以通过发送HTTP请求、使用消息队列等方式实现,预警信息可以包括警报类型、紧急程度、位置信息、时间戳等。
共享管理平台可以接收预警机制发送的信息,并进行状态监控,涉及对接收到的信息进行解析、处理和存储,以便后续的分析和响应。
共享管理平台可以根据接收到的预警信息,及时采取相应的措施进行处理,包括发送通知给相关人员、触发警报、更新系统状态等。
S5、需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议,从中提取所需数据。
在一个实施例中,所述需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议,从中提取所需数据包括以下步骤:
共享管理平台设计一组数据资源目录,列出可供共享的数据源,需求方需要仔细研究数据资源目录,了解可用的数据源类型、数据内容和数据质量等信息。
需求方需要明确自身的需求和目标,确定需要从共享管理平台提取哪些数据,涉及到特定的数据类型、时间范围、数据粒度等要求。
需求方可以与共享管理平台进行联系,表达对特定数据源的需求,需求方和共享管理平台之间需要进行协商,达成共享协议,协议应明确数据的共享方式、使用权限、访问频率、数据保密要求等。
根据共享协议,需求方可以开始向共享管理平台提取所需的数据,涉及到使用API接口、下载数据文件、订阅数据推送等方式。
数据提取完成,需求方可以将数据用于自身的分析、决策和应用中,在使用过程中,需求方应遵守共享协议中约定的规定,确保数据的安全和合规性。
如图2所示,根据本发明的另一个实施例,还提供了一种基于数据共享的医疗器械管理追溯系统,该追溯系统包括:搭建采集模块1、存储设计模块2、监测模块3、连接模块4及应用模块5;
其中,所述搭建采集模块1与所述存储设计模块2,所述存储设计模块2与所述监测模块3连接,所述监测模块3与所述连接模块4连接,所述连接模块4与所述应用模块5连接;
所述搭建采集模块1,用于基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据;
所述存储设计模块2,用于将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台;
所述监测模块3,用于根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况;
所述连接模块4,用于将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控;
所述应用模块5,用于需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议,从中提取所需数据。
综上所述,借助于本发明的上述技术方案,本发明先收集医疗器械数据并将医疗数据在本地进行训练后进行聚合形成整合模型输入至共享管理平台,可以确保数据的完整性和准确性,在本地训练的过程中,可以对数据进行处理,使得最终的整合模型更加可靠和可用,同时将本地训练的模型进行整合输入至共享管理平台,可以减少数据传输量,本地训练和整合数据后,将整合模型输入至共享管理平台,可以实现快速的响应和分析,整合模型已经将数据进行了预处理和聚合,可以更快地提供结果和洞察,并支持共享管理平台快速做出决策和行动,总的来说,通过先收集医疗器械数据并在本地进行训练后形成整合模型输入至共享管理平台,可以提高数据的完整性、安全性和定制性,同时减少数据传输量,加快响应速度,为共享管理平台提供更可靠和高效的数据支持。本发明通过运用区块链的分布式特性搭建医疗器械共享管理平台,确保数据的安全性和完整性,同时将医疗器械数据拆分至不同的数据节点,并通过整合模型存储在共享管理平台中,可以实现对数据的整合和统一管理,通过建立事件触发机制与共享管理平台进行交互,实现了对医疗器械共享管理平台中的异常情况进行监测和预警,并通过建立连接和交互,共享管理平台可以与需求方进行实时信息传递和状态监控。本发明在将医疗器械数据传输至共享管理平台时应用Chen-混沌系统及椭圆加密算法,通过使用这两种加密方法,可以确保传输的数据在传输过程中保持机密性,提供更高的安全性、保密性和抗干扰性,并且能够在数据传输过程中高效地进行加密和解密操作。
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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于数据共享的医疗器械管理追溯方法,其特征在于,该追溯方法包括以下步骤:
S1、基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据;
S2、将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台;
S3、根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况;
S4、将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控;
S5、需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议,从中提取所需数据;
所述将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台包括以下步骤:
S21、通过SCE-SVM算法将医疗数据依据多数类与少数类两组节点比例进行划分,并对多数类进行聚类;
S22、对聚类完成的节点进行划分形成多数类子集,将多数类子集与少数类节点合并形成多个节点训练子集;
S23、根据上述步骤得到的训练子集在数据节点中构建训练学习模型,在共享管理平台处对模型参数进行聚合,得到整合模型;
S24、基于Chen-混沌系统与椭圆加密算法将整合模型中的医疗器械数据存储至共享管理平台处;
所述根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况包括步骤:
S31、根据共享管理平台内的医疗器械数据确定存在的异常情况,包括未经授权的访问、登录异常及数据异常中的至少一种;
S32、针对每种异常情况设计触发条件,并根据触发条件确定风险监测体系;
S33、采用熵权法对风险监测体系进行赋权,并计算其指标权重和得分;
S34、根据得分由高至底排序划分综合风险等级,根据等级确定监管等级采取对应的监管周期与措施;
S35、根据风险等级对医疗器械共享管理平台内的异常情况进行监测预警;
S36、当监测过程中满足触发条件,共享管理平台发出警报并做出相应的措施。
2.根据权利要求1所述的一种基于数据共享的医疗器械管理追溯方法,其特征在于,所述基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据包括以下步骤:
S11、根据医疗器械管理的属性选择平台搭建联盟链网络架构与共识方法;
S12、基于上述架构设计包含医疗器械唯一标识符、生产信息、使用记录及检验报告的数据结构;
S13、将RFID电子标签安装至医疗器械上,当其进入磁场时,电子标签与阅读器之间通讯连接,识别并与存储医疗器械相关的信息;
S14、电子标签向阅读器发送存储在芯片中的产品信息,其中,产品信息包括医疗器械唯一标识符、生产信息、使用记录及检验报告;
S15、阅读器接收产品信息并进行分析和解码,并将处理完成的信息进行合并。
3.根据权利要求2所述的一种基于数据共享的医疗器械管理追溯方法,其特征在于,所述根据上述步骤得到的训练子集在数据节点中构建训练学习模型,在共享管理平台处对模型参数进行聚合,得到整合模型包括以下步骤:
S231、共享管理平台处基于神经网络的整合模型协调设计针对医疗器械的整合模型;
S232、对参与训练的训练子集进行数据预处理,将数据通过one-hot编码方式数值化进行标准化处理生成二维矩阵数据;
S233、将整合模型下发至数据节点间进行模型训练;
S234、训练子集使用其持有的医疗器械数据在本地训练网络模型,其中每组网络模型由15个输入神经元、30个输出神经元及1个隐藏层组成;
S235、共享管理平台处收集本地模型,并对节点间本地模型的协方差矩阵进行偏差评估,衡量节点间模型的相关性,重新分配模型聚合参数,生成新的整合模型;
S236、共享管理平台处与数据节点进行多轮交互,直至整合模型收敛完成学习模型的构建。
4.根据权利要求3所述的一种基于数据共享的医疗器械管理追溯方法,其特征在于,所述共享管理平台处与数据节点进行多轮交互,直至整合模型收敛完成学习模型的构建中的整合计算公式为:
式中,表示n组本地模型参数的权重;
表示数据节点中根据训练子集训练后的本地模型参数;
n表示训练子集中含有的产品信息的数量;
t表示交互的次数。
5.根据权利要求4所述的一种基于数据共享的医疗器械管理追溯方法,其特征在于,所述基于Chen-混沌系统与椭圆加密算法将整合模型中的医疗器械数据存储至共享管理平台处包括以下步骤:
S241、将整合模型中的医疗器械数据依照行与列分解为4个分量分别为左上分量、右上分量、左下分量及右下分量,并取出整合模型的左上分量;
S242、基于Chen-混沌系统取定参数进入混沌状态,并给定初始条件产生包含x、y及z的混沌波形;
S243、设定阈值生成x波形的二进制混沌序列,其中混沌序列为密钥序列,同理生成y及z的二进制混沌序列;
S244、将左上分量的每个数据值转换为8位二进制数,将二进制混沌序列和每组数据值的8位二进制数进行混沌序列加密,形成混沌加密小波分量完成第一次加密;
S245、选定椭圆曲线参数通过计算公式生成椭圆曲线有限域点集,将混沌加密小波分量的每个数据值进行编码映射,转换为椭圆曲线有限域的点;
S246、根据椭圆加密算法形成左上分量的加密样式,完成第二次加密;
S247、结合除左上分量的3个分量,经过逆LWT变换,重构出整合模型的加密数据,并上传至共享管理平台处进行存储;
S248、在存储至共享管理平台处后进行解密,将医疗器械数据存储至共享管理平台处,并建立连接接口。
6.根据权利要求5所述的一种基于数据共享的医疗器械管理追溯方法,其特征在于,所述在存储至共享管理平台处后进行解密,将医疗器械数据存储至共享管理平台处,并建立连接接口包括以下步骤:
S2481、将加密数据进行LWT变换,分解出4个分量;
S2482、取出加密数据的左上分量,并对其经过椭圆算法解密,形成解密数据完成第一次解密;
S2483、针对Chen-混沌系统给定的初始条件设定阈值产生混沌序列;
S2484、将第一次解密数据利用混沌序列解密,解密出原始左上分量,完成第二次解密;
S2485、利用逆LWT变换,还原出原始整合模型中的医疗器械数据;
S2489、将还原的医疗器械数据即医疗器械数据存储至共享管理平台处,并建立共享管理平台与设备的连接接口。
7.根据权利要求1所述的一种基于数据共享的医疗器械管理追溯方法,其特征在于,所述采用熵权法对风险监测体系进行赋权,并计算其指标权重和得分包括以下步骤:
S321、将风险监测体系与对应的监测的医疗器械数据构建成矩阵,其中行代表监测指标体系指标,列代表监测数据;
S322、对评价矩阵进行标准化与无量纲化处理,并进行赋权;
S323、根据标准化的矩阵计算指标的熵值与权重;
S324、根据指标的权重,计算监测数据的指标得分。
8.一种基于数据共享的医疗器械管理追溯系统,用于实现权利要求1-7中任一项所述基于数据共享的医疗器械管理追溯方法,其特征在于,该追溯系统包括:搭建采集模块、存储设计模块、监测模块、连接模块及应用模块;
其中,所述搭建采集模块与所述存储设计模块,所述存储设计模块与所述监测模块连接,所述监测模块与所述连接模块连接,所述连接模块与所述应用模块连接;
所述搭建采集模块,用于基于区块链技术搭建医疗器械数据共享管理平台,并通过RFID技术获取医疗器械追溯所需的相关数据;
所述存储设计模块,用于将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台;
所述监测模块,用于根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况;
所述连接模块,用于将触发机制与共享管理平台之间建立连接和交互,进行实时信息传递和状态监控;
所述应用模块,用于需求方根据共享管理平台上的数据资源和自身需求确定数据源,并与共享管理平台达成共享协议,从中提取所需数据;
所述将医疗器械数据拆分至不同的数据节点结合生成整合模型,并通过椭圆加密算法将模型包含的医疗器械数据传输至共享管理平台包括:
通过SCE-SVM算法将医疗数据依据多数类与少数类两组节点比例进行划分,并对多数类进行聚类;
对聚类完成的节点进行划分形成多数类子集,将多数类子集与少数类节点合并形成多个节点训练子集;
根据上述步骤得到的训练子集在数据节点中构建训练学习模型,在共享管理平台处对模型参数进行聚合,得到整合模型;
基于Chen-混沌系统与椭圆加密算法将整合模型中的医疗器械数据存储至共享管理平台处;
所述根据共享管理平台情况建立事件触发机制,监测数据共享过程中的异常情况包括:
根据共享管理平台内的医疗器械数据确定存在的异常情况,包括未经授权的访问、登录异常及数据异常中的至少一种;
针对每种异常情况设计触发条件,并根据触发条件确定风险监测体系;
采用熵权法对风险监测体系进行赋权,并计算其指标权重和得分;
根据得分由高至底排序划分综合风险等级,根据等级确定监管等级采取对应的监管周期与措施;
根据风险等级对医疗器械共享管理平台内的异常情况进行监测预警;
当监测过程中满足触发条件,共享管理平台发出警报并做出相应的措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157976.5A CN116895375B (zh) | 2023-09-08 | 2023-09-08 | 一种基于数据共享的医疗器械管理追溯方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157976.5A CN116895375B (zh) | 2023-09-08 | 2023-09-08 | 一种基于数据共享的医疗器械管理追溯方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116895375A CN116895375A (zh) | 2023-10-17 |
CN116895375B true CN116895375B (zh) | 2023-12-01 |
Family
ID=88315222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311157976.5A Active CN116895375B (zh) | 2023-09-08 | 2023-09-08 | 一种基于数据共享的医疗器械管理追溯方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116895375B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291750B (zh) * | 2023-11-27 | 2024-02-06 | 平利县女娲茗鼎农业科技有限公司 | 基于区块链的兽医用废弃物溯源管理方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105391800A (zh) * | 2015-12-11 | 2016-03-09 | 四川信息职业技术学院 | 基于“互联网+”医疗设备故障自检与修复系统 |
CN106027663A (zh) * | 2016-06-29 | 2016-10-12 | 上海吉功信息技术有限公司 | 基于医疗系统数据共享系统的icu护理监控系统 |
CN108053880A (zh) * | 2018-01-11 | 2018-05-18 | 深圳市云护宝计算机技术有限公司 | 基于智能物联网互联的医疗信息共享管理平台及管理方法 |
WO2020127361A1 (fr) * | 2018-12-21 | 2020-06-25 | Worldline | Plateforme et procédé de traçabilité de données et utilisation dans un environnement distribué et ouvert au partage pair à pair |
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 |
CN112349404A (zh) * | 2020-11-03 | 2021-02-09 | 中国人民解放军总医院 | 基于云-边-端架构的多中心医疗设备大数据云平台 |
CN112382376A (zh) * | 2020-12-03 | 2021-02-19 | 上海计算机软件技术开发中心 | 基于区块链的医疗器械管理追溯系统 |
CN113315752A (zh) * | 2021-04-22 | 2021-08-27 | 阚中强 | 基于区块链的智慧医疗攻击追溯方法及医疗大数据系统 |
CN114338045A (zh) * | 2022-01-14 | 2022-04-12 | 中国人民解放军战略支援部队信息工程大学 | 基于区块链和联邦学习的情报数据可验证性安全共享方法及系统 |
CN114629653A (zh) * | 2022-02-18 | 2022-06-14 | 江南大学附属医院 | 基于区块链的医疗影像共享方法及系统 |
CN115733681A (zh) * | 2022-11-14 | 2023-03-03 | 贵州商学院 | 一种防止数据丢失的数据安全管理平台 |
CN116189874A (zh) * | 2023-03-03 | 2023-05-30 | 海南大学 | 一种基于联邦学习和联盟链的远程医疗系统数据共享方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10542046B2 (en) * | 2018-06-07 | 2020-01-21 | Unifyvault LLC | Systems and methods for blockchain security data intelligence |
-
2023
- 2023-09-08 CN CN202311157976.5A patent/CN116895375B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105391800A (zh) * | 2015-12-11 | 2016-03-09 | 四川信息职业技术学院 | 基于“互联网+”医疗设备故障自检与修复系统 |
CN106027663A (zh) * | 2016-06-29 | 2016-10-12 | 上海吉功信息技术有限公司 | 基于医疗系统数据共享系统的icu护理监控系统 |
CN108053880A (zh) * | 2018-01-11 | 2018-05-18 | 深圳市云护宝计算机技术有限公司 | 基于智能物联网互联的医疗信息共享管理平台及管理方法 |
WO2020127361A1 (fr) * | 2018-12-21 | 2020-06-25 | Worldline | Plateforme et procédé de traçabilité de données et utilisation dans un environnement distribué et ouvert au partage pair à pair |
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 |
CN112349404A (zh) * | 2020-11-03 | 2021-02-09 | 中国人民解放军总医院 | 基于云-边-端架构的多中心医疗设备大数据云平台 |
CN112382376A (zh) * | 2020-12-03 | 2021-02-19 | 上海计算机软件技术开发中心 | 基于区块链的医疗器械管理追溯系统 |
CN113315752A (zh) * | 2021-04-22 | 2021-08-27 | 阚中强 | 基于区块链的智慧医疗攻击追溯方法及医疗大数据系统 |
CN114338045A (zh) * | 2022-01-14 | 2022-04-12 | 中国人民解放军战略支援部队信息工程大学 | 基于区块链和联邦学习的情报数据可验证性安全共享方法及系统 |
CN114629653A (zh) * | 2022-02-18 | 2022-06-14 | 江南大学附属医院 | 基于区块链的医疗影像共享方法及系统 |
CN115733681A (zh) * | 2022-11-14 | 2023-03-03 | 贵州商学院 | 一种防止数据丢失的数据安全管理平台 |
CN116189874A (zh) * | 2023-03-03 | 2023-05-30 | 海南大学 | 一种基于联邦学习和联盟链的远程医疗系统数据共享方法 |
Non-Patent Citations (2)
Title |
---|
Evaluation oftheuniquedeviceidentification system andanapproachformedical devicetracking;TuncayBayrak 等;Health Policy and Technology;第234–241页 * |
基于区块链技术的中医药大数据共享平台的研究与设计;王甜宇 等;电脑编程技巧与维护;第110-112、164页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116895375A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | RETRACTED ARTICLE: Information security model of block chain based on intrusion sensing in the IoT environment | |
Kumar et al. | A blockchain-orchestrated deep learning approach for secure data transmission in IoT-enabled healthcare system | |
Deebak et al. | Privacy-preserving in smart contracts using blockchain and artificial intelligence for cyber risk measurements | |
CN108964926B (zh) | 一种用户信任协商建立方法、用户行为数据存储方法及介质 | |
Lin et al. | Internet of things intrusion detection model and algorithm based on cloud computing and multi-feature extraction extreme learning machine | |
CN116895375B (zh) | 一种基于数据共享的医疗器械管理追溯方法及系统 | |
Liu et al. | A privacy-preserving resource trading scheme for Cloud Manufacturing with edge-PLCs in IIoT | |
Unal et al. | Machine learning for the security of healthcare systems based on Internet of Things and edge computing | |
Huang et al. | An improved federated learning approach enhanced internet of health things framework for private decentralized distributed data | |
Bhardwaj et al. | Crypto-preserving investigation framework for deep learning based malware attack detection for network forensics | |
Sánchez et al. | Studying the robustness of anti-adversarial federated learning models detecting cyberattacks in iot spectrum sensors | |
Sönmez et al. | Anomaly detection using data mining methods in it systems: a decision support application | |
Srivastava et al. | An effective computational technique for taxonomic position of security vulnerability in software development | |
Kumar et al. | Privacy preservation and security challenges: a new frontier multimodal machine learning research | |
Zhang et al. | Aegis: a trusted, automatic and accurate verification framework for vertical federated learning | |
Muthukumar et al. | Optimizing Heterogeneity in IoT Infra Using Federated Learning and Blockchain-based Security Strategies | |
Chaudhary et al. | Generative Edge Intelligence for Securing IoT-assisted Smart Grid against Cyber-Threats. | |
Tiwari et al. | An intelligent healthcare framework for data security based on blockchain and internet of things | |
Aljabri et al. | Intrusion detection in cyber-physical system using rsa blockchain technology | |
CN113923036A (zh) | 一种持续免疫安全系统的区块链信息管理方法及装置 | |
Namakshenas | Web3. 0 Security: Privacy Enhancing and Anonym Auditing in Blockchain-based Structures | |
Ksibi et al. | IoMT Security Model based on Machine Learning and Risk Assessment Techniques | |
Quasim et al. | Blockchain-based Secure health records in the healthcare industry | |
Ahmadi et al. | Privacy-preserving cloud computing: ecosystem, life cycle, layered architecture and future roadmap | |
Mishra et al. | Cogni-Sec: A secure cognitive enabled distributed reinforcement learning model for medical cyber–physical system |
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 |