CN117150562B - 基于区块链的血糖监测方法、装置、设备及存储介质 - Google Patents
基于区块链的血糖监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117150562B CN117150562B CN202311402327.7A CN202311402327A CN117150562B CN 117150562 B CN117150562 B CN 117150562B CN 202311402327 A CN202311402327 A CN 202311402327A CN 117150562 B CN117150562 B CN 117150562B
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- data
- encryption
- medical
- blockchain
- 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
- 239000008280 blood Substances 0.000 title claims abstract description 229
- 210000004369 blood Anatomy 0.000 title claims abstract description 229
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 215
- 239000008103 glucose Substances 0.000 title claims abstract description 215
- 238000012544 monitoring process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000036541 health Effects 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 238000012795 verification Methods 0.000 claims abstract description 61
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y30/00—IoT infrastructure
- G16Y30/10—Security thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于区块链的血糖监测方法、装置、设备及存储介质。所述方法包括：采集用户的医疗健康数据；利用密钥序列对智能合约认证通过后的医疗健康数据进行分层加密上传到区块链，生成区块链上的多层加密数据；利用用户的医疗数据共享权限，根据医疗健康数据对应的验证标签从区块链中提取血糖相关数据类型的待分析医疗数据；利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测得到加密血糖分析结果；利用预构建的代理解密服务对所述加密血糖分析结果进行解密操作得到血糖分析结果。本发明可以通过分层加密、区块链与同态加密机器学习结合的方式在医疗数据共享的情况下保护用户数据隐私。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于区块链的血糖监测方法、装置、设备及计算机可读存储介质。
背景技术
糖尿病是一种慢性疾病，需要长时间观察与治疗。出于用户疾病隐私保密与医院竞争等原因，用户长时间、复杂的医疗数据会保存在特定平台中不对外共享，只在用户授予的权限的时间内使用与分析。
如今，患者的医疗数据不共享会导致因数据缺少，造成医疗模型构建缓慢、准确性降低，而共享则会对用户疾病隐私造成影响。
发明内容
本发明提供一种基于区块链的血糖监测方法、装置、设备及存储介质，其主要目的在于通过分层加密、区块链与同态加密机器学习结合的方式，在医疗数据共享的情况下保护用户数据隐私。
为实现上述目的，本发明提供的一种基于区块链的血糖监测方法，包括：
采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签；
获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，得到区块链上的多层加密数据；
获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据；
利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果；
利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
可选的，所述利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果，包括：
利用所述同态加密血糖监测模型中的同态加密输入层对所述待分析医疗数据进行同态加密，得到同态加密数据；
利用所述同态加密血糖监测模型中的特征提取网络对所述同态加密数据进行量化操作，得到量化结果，并对所述量化结果进行特征提取操作，得到同态加密医疗特征；
利用所述同态加密血糖监测模型中的血糖分析网络对所述同态加密医疗特征进行全连接分类判断，得到加密血糖分析结果。
可选的，所述利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测之前，所述方法还包括：
获取预构建的同态加密血糖监测模型及血糖分析样本集合，根据预设的加密算法集合对所述血糖分析样本集合中各个血糖分析样本进行随机算法加密操作，得到加密血糖样本集合，并根据预设的比例系数将所述加密血糖样本集合随机分配为训练集及测试集；
依次从所述训练集中提取一个目标加密血糖样本，导入所述同态加密血糖监测模型中，得到加密模型预测结果；
利用交叉熵损失算法，对所述目标加密血糖样本对应的加密标签与所述加密模型预测结果进行损失计算，得到加密损失值，并根据梯度下降方法，最小化所述加密损失值，得到所述加密损失值最小时的加密模型参数，并根据所述加密模型参数对所述同态加密血糖监测模型进行网络逆向参数更新操作，得到更新同态加密血糖监测模型；
判断所述训练集中各个加密血糖样本是否全部参与训练过程；
当所述训练集中存在未参与训练过程的加密血糖样本时，返回上述依次从所述训练集中提取一个目标加密血糖样本的操作步骤，对所述更新同态加密血糖监测模型进行迭代优化；
当所述训练集中各个加密血糖样本全部参与训练过程时，利用所述测试集对所述更新同态加密血糖监测模型进行测试，得到测试准确率；
判断所述测试准确率是否大于预设的合格阈值；
当所述测试准确率小于或等于所述合格阈值时，返回上述根据预设的比例系数将所述加密血糖样本集合随机分配为训练集及测试集的步骤，利用更新后的训练集及测试集，对所述更新同态加密血糖监测模型进行优化训练；
当所述测试准确率大于所述合格阈值时，停止训练过程，得到训练完成的同态加密血糖监测模型。
可选的，所述利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签，包括：
利用所述智能合约对所述医疗健康数据中的各字段进行文本识别，并根据文本识别结果，构建键值对数据；
利用所述智能合约中预设的数据标准表格，查询所述键值对数据中各个键字段对应的标准类型及标准数值范围；
根据所述标准类型及标准数值范围，对各个所述键字段下的数据进行基于数据类型及正确性的验证操作，并根据智能合约验证结果对所述医疗健康数据配置验证标签，且将智能合约验证通过的所述医疗健康数据判定为认证医疗数据。
可选的，所述利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，包括：
利用所述代理解密服务，对所述用户医疗数据共享权限进行基于合法性及有效性的校验操作；
当校验通过后，对所述医疗数据共享权限发送至预构建的分层加密服务；
当所述分层加密服务对所述医疗数据共享权限认证通过后，获取所述分层加密服务反馈的最终层密钥。
可选的，所述获取包含预设数量密钥的密钥序列，包括：
利用密钥生成算法随机生成目标数量的密钥；
对所述目标数量的密钥进行排序，得到密钥序列。
可选的，所述采集用户的医疗健康数据，包括：
利用预构建的传感器集群，获取用户的身体健康初始数据；
利用预设的通信服务，将所述身体健康初始数据传输至预构建的雾节点中；
利用所述雾节点对所述身体健康初始数据进行数据清洗，得到干净数据；
根据预设时间频率，对各个所述雾节点中的干净数据进行集合提取，得到用户在预设时间段内的医疗健康数据。
为了解决上述问题，本发明还提供一种基于区块链的血糖监测装置，所述装置包括：
医疗数据采集认证模块，用于采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签；
区块链分层加密存储模块，用于获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，得到区块链上的多层加密数据；
血糖相关数据提取模块，用于获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据；
同态加密智能分析血糖模块，用于利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果；
代理解密血糖分析结果模块，用于利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于区块链的血糖监测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于区块链的血糖监测方法。
本发明实施例中通过区块链存储的方式保证医疗健康数据的安全性与共享性；而通过分层加密保证数据可以保证从区块链提取出来的医疗健康数据，只用于后续的同态加密血糖监测模型中，而不会直接被解密，从而提高医疗健康数据的隐私性；此外，本方案中同态加密血糖监测模型采用了同态加密算法与训练样本加密的方式，保证模型中的网络参数及输出结果都是加密状态，提高计算过程中的数据安全性，而且所述同态加密血糖监测模型能够通过神经网络技术进行医疗数据分析，提高血糖监测的准确性及分析效率。因此，本发明实施例提供的一种基于区块链的血糖监测方法、装置、设备及存储介质，能够在于通过分层加密、区块链与同态加密机器学习结合的方式，在医疗数据共享的情况下保护用户数据隐私。
附图说明
图1为本发明一实施例提供的基于区块链的血糖监测方法的流程示意图；
图2为本发明一实施例提供的基于区块链的血糖监测方法中同态加密血糖监测模型的训练步骤的详细流程示意图；
图3为本发明一实施例提供的基于区块链的血糖监测方法中代理解密服务的实施步骤的详细流程示意图；
图4为本发明一实施例提供的基于区块链的血糖监测装置的功能模块图；
图5为本发明一实施例提供的实现所述基于区块链的血糖监测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于区块链的血糖监测方法。本申请实施例中，所述基于区块链的血糖监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于区块链的血糖监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于区块链的血糖监测方法的流程示意图。在本实施例中，所述基于区块链的血糖监测方法包括：
S1、采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签。
本发明实施例中，所述医疗健康数据中除了自测尿含糖、血压、血糖、用药情况等信息外，还包括健康体检记录、体育活动信息、睡眠质量等信息。
本发明实施例中各种医疗健康数据来源广泛，因此，采用雾计算的数据采集方式进行，其中，所述雾计算是一种分布式计算模型，它将计算和存储资源放置在靠近数据源的边缘设备上，例如雾节点，可以减少数据传输的延迟和带宽消耗，并提供更快的响应时间。
详细的，本发明实施例中，所述采集用户的医疗健康数据，包括：
利用预构建的传感器集群，获取用户的身体健康初始数据；
利用预设的通信服务，将所述身体健康初始数据传输至预构建的雾节点中；
利用所述雾节点对所述身体健康初始数据进行数据清洗，得到干净数据；
根据预设时间频率，对各个所述雾节点中的干净数据进行集合提取，得到用户在预设时间段内的医疗健康数据。
其中，所述传感器集群可以包括医疗数据手动输入设备、睡眠监测设备、血压智能检测设备、第三方医疗数据汇集设备、心率监测器、血压计、血糖仪等等。
本发明实施例通过雾节点对实时数据进行阶段性、分布式的存储，并对采集到的数据进行基于滤波、去噪、数据校正等预处理操作，从而完成数据格式化，提高数据可用性，最终汇集得到可用的医疗健康数据，便于上传区块链。
进一步的，本发明在将医疗健康数据上传区块链时，需要通过智能合约对医疗健康数据进行验证，从而保证不同医疗数据能够科学合理地存储在区块链的不同区域中，以便后续医疗智能模型能够从区块链中有目的地提取想要的数据。
详细的，本发明实施例中，所述利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签，包括：
利用所述智能合约对所述医疗健康数据中的各字段进行文本识别，并根据文本识别结果，构建键值对数据；
利用所述智能合约中预设的数据标准表格，查询所述键值对数据中各个键字段对应的标准类型及标准数值范围；
根据所述标准类型及标准数值范围，对各个所述键字段下的数据进行基于数据类型及正确性的验证操作，并根据智能合约验证结果对所述医疗健康数据配置验证标签，且将智能合约验证通过的所述医疗健康数据判定为认证医疗数据。
本发明实施例中需要根据医疗数据的存储经验进行智能合约设计，例如，可以定义一个字段为"血压"，数据类型为整数，而不是字符串，并设置一个验证函数来检查数据是否在合理范围内。本发明实施例可以对将智能合约验证通过的医疗健康数据判定为认证医疗数据，不通过的数据被退回给用户端进行提示，而且通过的各个认证医疗数据可以根据数据类型配置验证标签。
此外，本发明实施例中为了保证验证过程数据隐私性，智能合约的验证操作采用同态加密计算进行。
其中，所述同态加密技术是一种常用的加密方法，允许在加密状态下对数据进行计算，而无需解密数据，这意味着，即使在加密的情况下，我们仍然可以对数据进行操作和计算，而不会暴露其明文内容。
本发明实施例中通过智能合约的验证操作对各个医疗健康数据配置的验证标签，除了可以在区块链中对数据进行分块存储，还能方便外部平台进行数据提取。
S2、获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，生成区块链上的多层加密数据。
详细的，本发明实施例中，所述获取包含预设数量密钥的密钥序列，包括：
利用密钥生成算法随机生成目标数量的密钥；
对所述目标数量的密钥进行排序，得到密钥序列。
具体的，本发明实施例中，所述目标数量可以被设置为3，最外层密钥可以发送给被授权的医疗分析平台，用于对同态加密计算结果进行解密。因为当医疗分析平台只有第三层密钥之时，却无法将从区块链中获取的数据进行完全解密。但如果只使用两层加密，当第一层密钥被破解后，攻击者就可以直接解密第二层加密数据，从而获取到数据。此外太多层加密计算会增加计算复杂性。因此，在保证数据安全性和计算效率的情况下，本发明实施例采用三层加密方式。
本发明实施例中可以通过密钥生成算法来随机生成三个密钥，其中需要注意密钥在不同层次的加密顺序，因此，本发明实施例事先将各个密钥进行排序存储，得到密钥序列。
具体的，本发明实施例中先将原始数据使用密钥 A 进行一次加密，得到加密数据A，然后使用密钥 B 对加密数据 A 进行第二次加密，得到加密数据 B。最后，使用密钥 C对加密数据 B 进行第三次加密，得到最终的多层加密数据。
S3、获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据。
本发明实施例中，根据用户的医疗数据共享权限，第三方医疗平台可以访问区块链中的认证医疗数据，并根据所述认证医疗数据对应的验证标签，提取在权限之内的一些关于血糖方面指标的数据，得到待分析医疗数据。
S4、利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果。
其中，所述同态加密血糖监测模型是指在血糖监测模型中嵌入同态加密算法的模型。
详细的，本发明实施例中，所述利用利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果，包括：
利用所述同态加密血糖监测模型中的同态加密输入层对所述待分析医疗数据进行同态加密，得到同态加密数据；
利用所述同态加密血糖监测模型中的特征提取网络对所述同态加密数据进行量化操作，得到量化结果，并对所述量化结果进行特征提取操作，得到同态加密医疗特征；
利用所述同态加密血糖监测模型中的血糖分析网络对所述同态加密医疗特征进行全连接分类判断，得到加密血糖分析结果。
本发明实施例中首选对所述多层加密数据进行同态加密，得到同态加密数据。然后通过独热编码算法等向量编码算法对数据进行量化操作，得到量化结果。然后利用特征提取网络中的卷积层、池化层及扁平化层对所述量化结果进行特征提取及降维操作，得到同态加密医疗特征。然后利用血糖分析网络中的全连接层对各个同态加密医疗特征进行组合、分类，得到加密血糖分析结果。其中，所述卷积层用于进行特征提取，而池化层与扁平化层用于对提取到的特征进行降维操作。
进一步的，参考图2所示，本发明实施例中，所述利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测之前，所述方法还包括：
S401、获取预构建的同态加密血糖监测模型及血糖分析样本集合，根据预设的加密算法集合对所述血糖分析样本集合中各个血糖分析样本进行随机算法加密操作，得到加密血糖样本集合，并根据预设的比例系数将所述加密血糖样本集合随机分配为训练集及测试集；
S402、依次从所述训练集中提取一个目标加密血糖样本，导入所述同态加密血糖监测模型中，得到加密模型预测结果；
S403、利用交叉熵损失算法，对所述目标加密血糖样本对应的加密标签与所述加密模型预测结果进行损失计算，得到加密损失值，并根据梯度下降方法，最小化所述加密损失值，得到所述加密损失值最小时的加密模型参数，并根据所述加密模型参数对所述同态加密血糖监测模型进行网络逆向参数更新操作，得到更新同态加密血糖监测模型；
S404、判断所述训练集中各个加密血糖样本是否全部参与训练过程；
当所述训练集中存在未参与训练过程的加密血糖样本时，则返回上述S402的操作步骤，对所述更新同态加密血糖监测模型进行迭代优化；
当所述训练集中各个加密血糖样本全部参与训练过程时，S405、利用所述测试集对所述更新同态加密血糖监测模型进行测试，得到测试准确率；
S406、判断所述测试准确率是否大于预设的合格阈值；
当所述测试准确率小于或等于所述合格阈值时，返回上述S401的步骤，利用更新后的训练集及测试集，对所述更新同态加密血糖监测模型进行优化训练；
当所述测试准确率大于所述合格阈值时，S407、停止训练过程，得到训练完成的同态加密血糖监测模型。
本发明实施例中所述同态加密血糖监测模型的训练方式与传统神经网络模型训练过程相近，都采用交叉熵计算与梯度下降方法，只是训练样本变成加密状态的样本，且各个训练样本的加密方式不同。本发明采用常见集中加密方式组合得到加密算法集合，用于随机挑选加密算法进行样本加密。
本发明实施例中由于各个训练样本是加密的，根据同态加密技术，所以训练过程中的训练参数与预测结果都是加密的。但因为不同样本加密方式不同因此导致损失值的量级可能不同，因此无法参考损失值收敛性对模型进行把控。因此，本发明实施例采用测试集的方式对模型泛化能力进行评估，当模型的测试准确率达到预设的合格阈值例如95%，则训练过程通过，否则重新打乱训练集、测试集样本进行重新训练。
S5、利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
本发明实施例中所述代理解密服务用于获取密钥序列中的最终层密钥，并利用所述最终层密钥对加密血糖分析结果进行解密。
详细的，参考图3所示，本发明实施例中，所述利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，包括：
S51、利用所述代理解密服务，对所述用户医疗数据共享权限进行基于合法性及有效性的校验操作；
S52、判断所述校验结果是否通过；
当校验通过后，S53、对所述医疗数据共享权限发送至预构建的分层加密服务；
当校验不通过时，S54、生成报警信息；
S55、判断所述分层加密服务对所述医疗数据共享权限认证是否通过；
当所述分层加密服务对所述医疗数据共享权限认证未通过后，返回S54，生成报警信息；
当所述分层加密服务对所述医疗数据共享权限认证通过后，S56、获取所述分层加密服务反馈的最终层密钥。
本发明实施例利用代理解密服务首先对用户提供的医疗数据共享权限进行合法性及有效性的校验操作，校验通过后，将所述医疗数据共享权限打包发送给分层加密服务，所述分层加密服务验证医疗数据共享权限通过后，可以将最终层，即第三层的加密密钥发送给代理解密服务。
然后代理解密服务可以根据最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
本发明实施例中通过区块链存储的方式保证医疗健康数据的安全性与共享性；而通过分层加密保证数据可以保证从区块链提取出来的医疗健康数据，只用于后续的同态加密血糖监测模型中，而不会直接被解密，从而提高医疗健康数据的隐私性；此外，本方案中同态加密血糖监测模型采用了同态加密算法与训练样本加密的方式，保证模型中的网络参数及输出结果都是加密状态，提高计算过程中的数据安全性，而且所述同态加密血糖监测模型能够通过神经网络技术进行医疗数据分析，提高血糖监测的准确性及分析效率。因此，本发明实施例提供的一种基于区块链的血糖监测方法，能够在于通过分层加密、区块链与同态加密机器学习结合的方式，在医疗数据共享的情况下保护用户数据隐私。
如图4所示，是本发明一实施例提供的基于区块链的血糖监测装置的功能模块图。
本发明所述基于区块链的血糖监测装置100可以安装于电子设备中。根据实现的功能，所述基于区块链的血糖监测装置100可以包括医疗数据采集认证模块101、区块链分层加密存储模块102、血糖相关数据提取模块103、同态加密智能分析血糖模块104及代理解密血糖分析结果模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述医疗数据采集认证模块101，用于采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签；
所述区块链分层加密存储模块102，用于获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，生成区块链上的多层加密数据；
所述血糖相关数据提取模块103，用于获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据；
所述同态加密智能分析血糖模块104，用于利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果；
所述代理解密血糖分析结果模块105，用于利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
详细地，本申请实施例中所述基于区块链的血糖监测装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于区块链的血糖监测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于区块链的血糖监测方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于区块链的血糖监测程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于区块链的血糖监测程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于区块链的血糖监测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于区块链的血糖监测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签；
获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，生成区块链上的多层加密数据；
获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据；
利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果；
利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签；
获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，生成区块链上的多层加密数据；
获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据；
利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果；
利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于区块链的血糖监测方法，其特征在于，所述方法包括：
采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签；
获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，生成区块链上的多层加密数据，其中，所述多层加密是利用所述密钥序列中不同的密钥对所述认证医疗数据前一次加密的结果进行再次加密；
获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据；利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果，其中，所述同态加密血糖监测模型是通过对根据预设的加密算法集合对血糖分析样本集合中各个血糖分析样本进行随机算法加密操作，得到的加密血糖样本集合进行预训练得到；
利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
2.如权利要求1所述的基于区块链的血糖监测方法，其特征在于，所述利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果，包括：
利用所述同态加密血糖监测模型中的同态加密输入层对所述待分析医疗数据进行同态加密，得到同态加密数据；
利用所述同态加密血糖监测模型中的特征提取网络对所述同态加密数据进行量化操作，得到量化结果，并对所述量化结果进行特征提取操作，得到同态加密医疗特征；
利用所述同态加密血糖监测模型中的血糖分析网络对所述同态加密医疗特征进行全连接分类判断，得到加密血糖分析结果。
3.如权利要求1所述的基于区块链的血糖监测方法，其特征在于，所述利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测之前，所述方法还包括：
获取预构建的同态加密血糖监测模型及血糖分析样本集合，根据预设的加密算法集合对所述血糖分析样本集合中各个血糖分析样本进行随机算法加密操作，得到加密血糖样本集合，并根据预设的比例系数将所述加密血糖样本集合随机分配为训练集及测试集；
依次从所述训练集中提取一个目标加密血糖样本，导入所述同态加密血糖监测模型中，得到加密模型预测结果；
利用交叉熵损失算法，对所述目标加密血糖样本对应的加密标签与所述加密模型预测结果进行损失计算，得到加密损失值，并根据梯度下降方法，最小化所述加密损失值，得到所述加密损失值最小时的加密模型参数，并根据所述加密模型参数对所述同态加密血糖监测模型进行网络逆向参数更新操作，得到更新同态加密血糖监测模型；
判断所述训练集中各个加密血糖样本是否全部参与训练过程；
当所述训练集中存在未参与训练过程的加密血糖样本时，返回上述依次从所述训练集中提取一个目标加密血糖样本的操作步骤，对所述更新同态加密血糖监测模型进行迭代优化；
当所述训练集中各个加密血糖样本全部参与训练过程时，利用所述测试集对所述更新同态加密血糖监测模型进行测试，得到测试准确率；
判断所述测试准确率是否大于预设的合格阈值；
当所述测试准确率小于或等于所述合格阈值时，返回上述根据预设的比例系数将所述加密血糖样本集合随机分配为训练集及测试集的步骤，利用更新后的训练集及测试集，对所述更新同态加密血糖监测模型进行优化训练；
当所述测试准确率大于所述合格阈值时，停止训练过程，得到训练完成的同态加密血糖监测模型。
4.如权利要求1所述的基于区块链的血糖监测方法，其特征在于，所述利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签，包括：
利用所述智能合约对所述医疗健康数据中的各字段进行文本识别，并根据文本识别结果，构建键值对数据；
利用所述智能合约中预设的数据标准表格，查询所述键值对数据中各个键字段对应的标准类型及标准数值范围；
根据所述标准类型及标准数值范围，对各个所述键字段下的数据进行基于数据类型及正确性的验证操作，并根据智能合约验证结果对所述医疗健康数据配置验证标签，且将智能合约验证通过的所述医疗健康数据判定为认证医疗数据。
5.如权利要求1所述的基于区块链的血糖监测方法，其特征在于，所述利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，包括：
利用所述代理解密服务，对所述用户医疗数据共享权限进行基于合法性及有效性的校验操作；
当校验通过后，对所述医疗数据共享权限发送至预构建的分层加密服务；
当所述分层加密服务对所述医疗数据共享权限认证通过后，获取所述分层加密服务反馈的最终层密钥。
6.如权利要求1所述的基于区块链的血糖监测方法，其特征在于，所述获取包含预设数量密钥的密钥序列，包括：
利用密钥生成算法随机生成目标数量的密钥；
对所述目标数量的密钥进行排序，得到密钥序列。
7.如权利要求1所述的基于区块链的血糖监测方法，其特征在于，所述采集用户的医疗健康数据，包括：
利用预构建的传感器集群，获取用户的身体健康初始数据；
利用预设的通信服务，将所述身体健康初始数据传输至预构建的雾节点中；
利用所述雾节点对所述身体健康初始数据进行数据清洗，得到干净数据；
根据预设时间频率，对各个所述雾节点中的干净数据进行集合提取，得到用户在预设时间段内的医疗健康数据。
8.一种基于区块链的血糖监测装置，其特征在于，所述装置包括：
医疗数据采集认证模块，用于采集用户的医疗健康数据，并利用预设的智能合约对所述医疗健康数据进行基于数据类型及正确性的验证操作，得到所述医疗健康数据对应的认证医疗数据及验证标签；
区块链分层加密存储模块，用于获取包含预设数量密钥的密钥序列，并利用所述密钥序列对所述认证医疗数据进行分层加密上传到区块链，生成区块链上的多层加密数据，其中，所述多层加密是利用所述密钥序列中不同的密钥对所述认证医疗数据前一次加密的结果进行再次加密；
血糖相关数据提取模块，用于获取用户的医疗数据共享权限，并利用所述医疗数据共享权限，根据所述认证医疗数据对应的验证标签，从区块链中提取血糖相关数据类型的待分析医疗数据；
同态加密智能分析血糖模块，用于利用预训练的同态加密血糖监测模型对所述待分析医疗数据进行同态加密血糖风险监测，得到加密血糖分析结果，其中，所述同态加密血糖监测模型是通过对根据预设的加密算法集合对血糖分析样本集合中各个血糖分析样本进行随机算法加密操作，得到的加密血糖样本集合进行预训练得到；
代理解密血糖分析结果模块，用于利用预构建的代理解密服务，根据所述医疗数据共享权限，获取所述密钥序列中的最终层密钥，并利用所述最终层密钥对所述加密血糖分析结果进行解密操作，得到血糖分析结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于区块链的血糖监测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于区块链的血糖监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311402327.7A CN117150562B (zh) | 2023-10-27 | 2023-10-27 | 基于区块链的血糖监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311402327.7A CN117150562B (zh) | 2023-10-27 | 2023-10-27 | 基于区块链的血糖监测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150562A CN117150562A (zh) | 2023-12-01 |
| CN117150562B true CN117150562B (zh) | 2024-03-29 |
Family
ID=88908355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311402327.7A Active CN117150562B (zh) | 2023-10-27 | 2023-10-27 | 基于区块链的血糖监测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150562B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113990482A (zh) * | 2021-09-30 | 2022-01-28 | 北京国电通网络技术有限公司 | 健康数据处理系统及方法 |
| CN116825264A (zh) * | 2023-08-30 | 2023-09-29 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 基于互联网的妇产科信息处理方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023129983A1 (en) * | 2021-12-29 | 2023-07-06 | AiOnco, Inc. | Processing encrypted data for artificial intelligence-based analysis |
-
2023
- 2023-10-27 CN CN202311402327.7A patent/CN117150562B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113990482A (zh) * | 2021-09-30 | 2022-01-28 | 北京国电通网络技术有限公司 | 健康数据处理系统及方法 |
| CN116825264A (zh) * | 2023-08-30 | 2023-09-29 | 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） | 基于互联网的妇产科信息处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150562A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghazal | Internet of things with artificial intelligence for health care security | |
| Połap et al. | Agent architecture of an intelligent medical system based on federated learning and blockchain technology | |
| EP2365458B1 (en) | A computer implemented method for determining the presence of a disease in a patient | |
| CN107426170A (zh) | 一种基于区块链的数据处理方法及设备 | |
| CN109314641A (zh) | 用于核实同态加密数据并对其执行操作的系统和方法 | |
| CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
| CN110875093A (zh) | 治疗方案的处理方法、装置、设备及存储介质 | |
| CN112465819B (zh) | 图像异常区域检测方法、装置、电子设备及存储介质 | |
| EP3534287A1 (en) | Inserting a further data block into a first ledger | |
| CN112509655B (zh) | 一种基于区块链的智能医疗数据采集系统 | |
| CN113990482A (zh) | 健康数据处理系统及方法 | |
| Al-Safi et al. | Patient privacy in smart cities by blockchain technology and feature selection with Harris Hawks Optimization (HHO) algorithm and machine learning | |
| CN112435755A (zh) | 疾病分析方法、装置、电子设备及存储介质 | |
| CN111696663A (zh) | 疾病风险的分析方法、装置、电子设备及计算机存储介质 | |
| Rao et al. | Detection of MRI Medical MRI Images of Brain Tumors Using Deep Learning & Secure the Transfer of Medical Images Using Blockchain | |
| Jersak et al. | A systematic review on mobile health care | |
| Logeshwaran et al. | Implementation of Cloud Computing and Monte Carlo Simulation in the Healthcare Telemetry Applications | |
| Bhatia | An AI-enabled secure framework for enhanced elder healthcare | |
| CN117150562B (zh) | 基于区块链的血糖监测方法、装置、设备及存储介质 | |
| CN112259238A (zh) | 电子设备、疾病类型检测方法、装置及介质 | |
| CN104919450A (zh) | 用于令多站点性能测量匿名并且用于控制对匿名数据的动作以及重新识别的方法和系统 | |
| CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
| CN116340918A (zh) | 全密文人脸比对方法、装置、设备及存储介质 | |
| CN111833078A (zh) | 基于区块链的推荐方法、装置、介质及电子设备 | |
| Kohno et al. | Medical healthcare network platform and big data analysis based on integrated ICT and data science with regulatory science |
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 |