CN117271711A - 一种基于相似度计算的医疗病例检索方法与系统 - Google Patents
一种基于相似度计算的医疗病例检索方法与系统 Download PDFInfo
- Publication number
- CN117271711A CN117271711A CN202311551251.4A CN202311551251A CN117271711A CN 117271711 A CN117271711 A CN 117271711A CN 202311551251 A CN202311551251 A CN 202311551251A CN 117271711 A CN117271711 A CN 117271711A
- Authority
- CN
- China
- Prior art keywords
- data
- points
- medical case
- retrieval
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/322—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于相似度计算的医疗病例检索方法与系统,属于信息检索技术领域。其中,该方法包括:对医疗病例数据序列进行趋势相同点合并得到特征点。对特征点添加噪声和非线性估计,得到重建数据序列。计算重建数据序列的均值点与其他数据点的距离,得到聚类中心和聚类范围,进一步得到R树模型,对R树模型进行数据加密得到密文数据集。将用户检索需求文本输入BERT模型并进行特征提取得到检索特征向量,根据检索特征向量生成查询陷门,计算查询陷门和密文数据集的相似度得到加密数据。对加密数据进行解密,将所述医疗病例输出至客户端。提高了构建R树模型的效率和检索的效率,保护了患者和医护人员的隐私安全。
Description
技术领域
本发明属于信息检索技术领域,具体涉及一种基于相似度计算的医疗病例检索方法与系统。
背景技术
随着越来越多的人工智能、传感技术等高科技技术融入到医疗行业中,智慧医疗应运而生。智慧医疗,即利用最先进的物联网技术建立以健康档案为中心的区域医疗信息平台,通过患者与医疗设备、医护人员、医疗机构之间的互动,使医疗服务真正智能化。
纵观国内外对信息检索方法的研究发现更多的是通过数据挖掘对检索算法进行改进,利用人工智能构建模型对数据进行智能分类和预测,从而提高系统的检索效率。但是在实际的应用中也发现使用数据挖掘技术的索引需要根据实际情况选择合适的聚类方式,才能使索引效果达到最佳。
此外,传统的检索一般基于明文的检索,然而直接把明文数据或索引上传到云端容易导致医务人员和数据的隐私被披露。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种基于相似度计算的医疗病例检索方法与系统。第一方面,本发明提供的方法可以通过以下方案实现:
S1:获取医疗病例数据序列,所述医疗病例数据序列包括参数序列和时间序列,对所述医疗病例数据序列进行趋势相同点合并得到特征点;
S2:对所述特征点添加噪声得到模糊特征点,对所述模糊特征点进行非线性估计,得到重建数据序列;
S3:计算所述重建数据序列的均值点,计算所述均值点与其他数据点的距离,得到聚类中心和聚类范围,根据所述聚类中心和所述聚类范围得到R树模型,对所述R树模型进行数据加密得到密文数据集;
S4:获取用户检索需求文本,将所述用户检索需求文本输入BERT模型得到检索句向量,对所述检索句向量进行特征提取得到检索特征向量,根据所述检索特征向量生成查询陷门,计算所述查询陷门和所述密文数据集的相似度得到加密数据;
S5:对所述加密数据进行解密得到医疗病例,将所述医疗病例输出至客户端。
具体地,S1的具体实现方法包括:
S101:获取所述医疗病例数据序列,计算所述参数序列在对应长度的时间序列处的一阶微分,得到趋势特征点;
S102:将所述趋势特征点对应的参数序列按照时间序列的升序排列,计算所述趋势特征点对应的参数序列中相邻点的时间距离,将所述时间距离相同的参数序列进行合并,得到所述特征点。
具体地,S2的具体实现方法包括:
S201:计算所述特征点的时间间距,计算公式为:,其中,/>为相邻的特征点的时间序列,a为预定的时间计算参数;
S202:根据所述时间间距对所述特征点分配隐私权重,对所述隐私权重和所述特征点进行拉普拉斯计算,得到所述模糊特征点;
S203:根据所述模糊特征点和所述时间间距生成偏向曲线,所述偏向曲线的生成函数为:,其中,/>和/>为相邻的所述模糊特征点,/>为预设的坡度参数,在所述偏向曲线中根据所述时间序列取点得到所述重建数据序列。
具体地,S3的具体实现方法包括:
S301:计算所述重建数据序列的均值点,计算所述均值点与其他数据点的距离,计算公式为:,其中,r为所述均值点,c为所述其他数据点,d为数据空间的维度;
S302:将所述距离与距离标准进行比较,当所述距离小于所述距离标准时,所述其他数据点在所述均值点的聚类范围内,所述均值点为所述距离范围的聚类中心,所述距离标准为,其中,m为所述重建数据序列中的数据点数量,D为所述数据空间的范围,所述聚类中心和所述聚类范围构成所述R树模型,所述R树模型包括索引和数据;
S303:使用主密钥为所述索引进行加密,使用次密钥对所述数据进行加密,得到所述密文数据集。
具体地,S4中的根据所述检索特征向量生成查询陷门的具体实现方法包括:
对所述检索特征向量的维度进行维度扩展得到高维检索向量,将所述高维检索向量乘以随机数,满足/>,得到随机高维向量,根据所述随机高维向量更称所述查询陷门,所述查询陷门为:/>,其中,/>为所述主密钥,/>为所述次密钥。
第二方面,本发明还提供了一种基于相似度计算的医疗病例检索系统,包括以下模块:
数据采集模块,用于采集所述医疗病例数据序列,对所述医疗病例数据序列进行数据校验和格式转换;
检索模型构建模块,用于对所述医疗病例数据序列进行处理得到所述得到所述重建数据序列,计算所述重建数据序列的均值点与其他数据点的距离,得到所述聚类中心和所述聚类范围,根据所述聚类中心和所述聚类范围得到所述R树模型;
用户检索客户端,用于获取所述用户检索需求文本,将所述用户检索需求文本输入BERT模型得到检索句向量,对所述检索句向量进行特征提取得到检索特征向量,根据所述检索特征向量生成查询陷门,展示所述医疗病例;
数据库,对所述R树模型进行数据加密得到所述密文数据集,存储所述密文数据集,计算所述查询陷门和所述密文数据集的相似度得到所述加密数据,对所述加密数据进行解密得到所述医疗病例。
本发明的有益效果为:
(1)通过先计算聚类中心,再计算聚类范围的方法,提高了构建R树模型的效率,R树模型可以有效的提高检索的效率;
(2)通过对R树模型进行加密,在检索时使用查询陷门进行密文检索,保护了患者和医护人员的隐私安全。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明中的基于相似度计算的医疗病例检索方法的流程示意图;
图2为本发明中的基于相似度计算的医疗病例检索系统的结构框图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
请参阅图1,一种基于相似度计算的医疗病例检索方法的流程示意图,包括以下步骤:
S1:获取医疗病例数据序列,所述医疗病例数据序列包括参数序列和时间序列,对所述医疗病例数据序列进行趋势相同点合并得到特征点;
S2:对所述特征点添加噪声得到模糊特征点,对所述模糊特征点进行非线性估计,得到重建数据序列;
S3:计算所述重建数据序列的均值点,计算所述均值点与其他数据点的距离,得到聚类中心和聚类范围,根据所述聚类中心和所述聚类范围得到R树模型,对所述R树模型进行数据加密得到密文数据集;
S4:获取用户检索需求文本,将所述用户检索需求文本输入BERT模型得到检索句向量,对所述检索句向量进行特征提取得到检索特征向量,根据所述检索特征向量生成查询陷门,计算所述查询陷门和所述密文数据集的相似度得到加密数据;
S5:对所述加密数据进行解密得到医疗病例,将所述医疗病例输出至客户端。
在本实施例中,S1的具体实现方法包括:
获取所述医疗病例数据序列,计算所述参数序列在对应长度的时间序列处的一阶微分,通过计算序列的一阶微分,可以将处于增加或减少周期的点与处于恒定周期的点区分开来。
此阶段的目标是查找检索出的序列中的特征点,所以只需要关注处于增加或减少周期的点。然而,给定长度为n的序列si,满足上面要求的点的数量仍然是巨大的。因此,需要将所述趋势特征点对应的参数序列按照时间序列的升序排列,计算所述趋势特征点对应的参数序列中相邻点的时间距离,将所述时间距离相同的参数序列进行合并,得到所述特征点。
在本实施例中,S2的具体实现方法包括:
计算所述特征点的时间间距,计算公式为:,其中,为相邻的特征点的时间序列,a为预定的时间计算参数。根据所述时间间距对所述特征点分配隐私权重,敏感点的时间尺度越大,其所分配的隐私预算就越多。将隐私预算划分为较小的隐私预算后,下一步就是根据每个较小的隐私预算生成一组噪声敏感点,对所述隐私权重和所述特征点进行拉普拉斯计算,得到所述模糊特征点。
根据所述模糊特征点和所述时间间距生成偏向曲线,所述偏向曲线的生成函数为:,其中,/>和/>为相邻的所述模糊特征点,为预设的坡度参数,在所述偏向曲线中根据所述时间序列取点得到所述重建数据序列。
在本实施例中,S3的具体实现方法为:
选择聚类中心时,首先获取类中数据的均值点,然后计算该均值点与其他数据间的距离,计算公式为:,其中,r为所述均值点,c为所述其他数据点,d为数据空间的维度。
将所述距离与距离标准进行比较,当所述距离小于所述距离标准时,所述其他数据点在所述均值点的聚类范围内,所述均值点为所述距离范围的聚类中心,所述距离标准为,其中,m为所述重建数据序列中的数据点数量,D为所述数据空间的范围,所述聚类中心和所述聚类范围构成所述R树模型,所述R树模型包括索引和数据。
使用主密钥为所述索引进行加密,使用次密钥对所述数据进行加密,得到所述密文数据集。
在本实施例中,S4中的根据所述检索特征向量生成查询陷门的具体实现方法包括:
对所述检索特征向量的维度进行维度扩展得到高维检索向量,将所述高维检索向量乘以随机数,满足/>,得到随机高维向量,根据所述随机高维向量更称所述查询陷门,所述查询陷门为:/>,其中,/>为所述主密钥,/>为所述次密钥。
另一方面,如图2所示,本发明的实施例还包括一种基于相似度计算的医疗病例检索系统,具体包括以下模块:
数据采集模块,用于采集所述医疗病例数据序列,对所述医疗病例数据序列进行数据校验和格式转换;
检索模型构建模块,用于对所述医疗病例数据序列进行处理得到所述得到所述重建数据序列,计算所述重建数据序列的均值点与其他数据点的距离,得到所述聚类中心和所述聚类范围,根据所述聚类中心和所述聚类范围得到所述R树模型;
用户检索客户端,用于获取所述用户检索需求文本,将所述用户检索需求文本输入BERT模型得到检索句向量,对所述检索句向量进行特征提取得到检索特征向量,根据所述检索特征向量生成查询陷门,展示所述医疗病例;
数据库,对所述R树模型进行数据加密得到所述密文数据集,存储所述密文数据集,计算所述查询陷门和所述密文数据集的相似度得到所述加密数据,对所述加密数据进行解密得到所述医疗病例。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于相似度计算的医疗病例检索方法,其特征在于,包括如下步骤:
S1:获取医疗病例数据序列,所述医疗病例数据序列包括参数序列和时间序列,对所述医疗病例数据序列进行趋势相同点合并得到特征点;
S2:对所述特征点添加噪声得到模糊特征点,对所述模糊特征点进行非线性估计,得到重建数据序列;
S3:计算所述重建数据序列的均值点,计算所述均值点与其他数据点的距离,得到聚类中心和聚类范围,根据所述聚类中心和所述聚类范围得到R树模型,对所述R树模型进行数据加密得到密文数据集;
S4:获取用户检索需求文本,将所述用户检索需求文本输入BERT模型得到检索句向量,对所述检索句向量进行特征提取得到检索特征向量,根据所述检索特征向量生成查询陷门,计算所述查询陷门和所述密文数据集的相似度得到加密数据;
S5:对所述加密数据进行解密得到医疗病例,将所述医疗病例输出至客户端。
2.根据权利要求1所述的方法,其特征在于,所述S1的具体实现方法包括:
S101:获取所述医疗病例数据序列,计算所述参数序列在对应长度的时间序列处的一阶微分,得到趋势特征点;
S102:将所述趋势特征点对应的参数序列按照时间序列的升序排列,计算所述趋势特征点对应的参数序列中相邻点的时间距离,将所述时间距离相同的参数序列进行合并,得到所述特征点。
3.根据权利要求1所述的方法,其特征在于,所述S2的具体实现方法包括:
S201:计算所述特征点的时间间距,计算公式为:,其中,为相邻的特征点的时间序列,a为预定的时间计算参数;
S202:根据所述时间间距对所述特征点分配隐私权重,对所述隐私权重和所述特征点进行拉普拉斯计算,得到所述模糊特征点;
S203:根据所述模糊特征点和所述时间间距生成偏向曲线,所述偏向曲线的生成函数为:,其中,/>和/>为相邻的所述模糊特征点,/>为预设的坡度参数,在所述偏向曲线中根据所述时间序列取点得到所述重建数据序列。
4.根据权利要求1所述的方法,其特征在于,所述S3的具体实现方法包括:
S301:计算所述重建数据序列的均值点,计算所述均值点与其他数据点的距离,计算公式为:,其中,r为所述均值点,c为所述其他数据点,d为数据空间的维度;
S302:将所述距离与距离标准进行比较,当所述距离小于所述距离标准时,所述其他数据点在所述均值点的聚类范围内,所述均值点为所述聚类范围的聚类中心,所述距离标准为,其中,m为所述重建数据序列中的数据点数量,D为所述数据空间的范围,所述聚类中心和所述聚类范围构成所述R树模型,所述R树模型包括索引和数据;
S303:使用主密钥为所述索引进行加密,使用次密钥对所述数据进行加密,得到所述密文数据集。
5.根据权利要求4所述的方法,其特征在于,所述S4中的根据所述检索特征向量生成查询陷门的具体实现方法包括:
对所述检索特征向量的维度进行维度扩展得到高维检索向量,将所述高维检索向量乘以随机数,满足/>,得到随机高维向量,根据所述随机高维向量更称所述查询陷门,所述查询陷门为:/>,其中,/>为所述主密钥,/>为所述次密钥。
6.一种基于相似度计算的医疗病例检索系统,使用如权利要求1-5所述的方法运行,其特征在于,包括以下模块:
数据采集模块,用于采集所述医疗病例数据序列,对所述医疗病例数据序列进行数据校验和格式转换;
检索模型构建模块,用于对所述医疗病例数据序列进行处理得到所述重建数据序列,计算所述重建数据序列的均值点与其他数据点的距离,得到所述聚类中心和所述聚类范围,根据所述聚类中心和所述聚类范围得到所述R树模型;
用户检索客户端,用于获取所述用户检索需求文本,将所述用户检索需求文本输入BERT模型得到检索句向量,对所述检索句向量进行特征提取得到检索特征向量,根据所述检索特征向量生成查询陷门,展示所述医疗病例;
数据库,对所述R树模型进行数据加密得到所述密文数据集,存储所述密文数据集,计算所述查询陷门和所述密文数据集的相似度得到所述加密数据,对所述加密数据进行解密得到所述医疗病例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311551251.4A CN117271711A (zh) | 2023-11-21 | 2023-11-21 | 一种基于相似度计算的医疗病例检索方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311551251.4A CN117271711A (zh) | 2023-11-21 | 2023-11-21 | 一种基于相似度计算的医疗病例检索方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117271711A true CN117271711A (zh) | 2023-12-22 |
Family
ID=89216341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311551251.4A Pending CN117271711A (zh) | 2023-11-21 | 2023-11-21 | 一种基于相似度计算的医疗病例检索方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271711A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107634829A (zh) * | 2017-09-12 | 2018-01-26 | 南京理工大学 | 基于属性的可搜索加密电子病历系统及加密方法 |
CN109885640A (zh) * | 2019-01-08 | 2019-06-14 | 南京邮电大学 | 一种基于α叉索引树的多关键词密文排序检索方法 |
CN110138561A (zh) * | 2019-03-22 | 2019-08-16 | 西安电子科技大学 | 基于cp-abe自动校正的高效密文检索方法、云计算服务系统 |
CN112214489A (zh) * | 2020-10-12 | 2021-01-12 | 汪秀英 | 一种医疗数据检索方法及系统 |
CN115174072A (zh) * | 2022-07-15 | 2022-10-11 | 杭州师范大学 | 一种保护隐私的医疗信息相似范围查询方法 |
CN115422432A (zh) * | 2022-09-01 | 2022-12-02 | 重庆邮电大学 | 一种面向海量高维医疗数据的动态可搜索加密方法 |
CN116522019A (zh) * | 2023-05-31 | 2023-08-01 | 西安电子科技大学 | 一种前向安全的时空数据检索方法、系统、设备及介质 |
-
2023
- 2023-11-21 CN CN202311551251.4A patent/CN117271711A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107634829A (zh) * | 2017-09-12 | 2018-01-26 | 南京理工大学 | 基于属性的可搜索加密电子病历系统及加密方法 |
CN109885640A (zh) * | 2019-01-08 | 2019-06-14 | 南京邮电大学 | 一种基于α叉索引树的多关键词密文排序检索方法 |
CN110138561A (zh) * | 2019-03-22 | 2019-08-16 | 西安电子科技大学 | 基于cp-abe自动校正的高效密文检索方法、云计算服务系统 |
CN112214489A (zh) * | 2020-10-12 | 2021-01-12 | 汪秀英 | 一种医疗数据检索方法及系统 |
CN115174072A (zh) * | 2022-07-15 | 2022-10-11 | 杭州师范大学 | 一种保护隐私的医疗信息相似范围查询方法 |
CN115422432A (zh) * | 2022-09-01 | 2022-12-02 | 重庆邮电大学 | 一种面向海量高维医疗数据的动态可搜索加密方法 |
CN116522019A (zh) * | 2023-05-31 | 2023-08-01 | 西安电子科技大学 | 一种前向安全的时空数据检索方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
王鑫露: ""医疗大数据的信息检索及其隐私保护方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 7 - 53 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3012754B1 (en) | Searchable symmetric encryption processing system | |
Lockhart et al. | Limitations with activity recognition methodology & data sets | |
CN109885640B (zh) | 一种基于α叉索引树的多关键词密文排序检索方法 | |
WO2019050624A1 (en) | PROCESSING COMPUTER JOURNAL MESSAGES FOR VISUALIZATION AND RECOVERY | |
JP6398724B2 (ja) | 情報処理装置、および、情報処理方法 | |
WO2020003626A1 (ja) | 設計案生成装置 | |
CN111353173B (zh) | 一种使用图差分隐私模型的敏感标签轨迹数据发布方法 | |
CN109829320B (zh) | 一种信息的处理方法和装置 | |
CN111026788A (zh) | 一种混合云中基于同态加密的多关键词密文排序检索方法 | |
CN110246572A (zh) | 一种基于词向量的医疗分诊方法及系统 | |
CN117271711A (zh) | 一种基于相似度计算的医疗病例检索方法与系统 | |
CN105719189A (zh) | 一种社交网络中有效提高标签多样性的标签推荐方法 | |
KR20130114294A (ko) | 유전 정보 관리 장치 및 방법 | |
Chen et al. | Periodic pattern mining based on GPS trajectories | |
CN114138860A (zh) | 基于Spark并行频繁项集挖掘方法 | |
CN103279578A (zh) | 一种基于上下文空间的视频检索方法 | |
Ku et al. | Geo-Store: A framework for supporting semantics-enabled location-based services | |
Park et al. | A continuous query index for processing queries on RFID data stream | |
Jamthe et al. | Harnessing big data for wireless body area network applications | |
Chen et al. | Mining individual mobility patterns based on location history | |
CN113722752B (zh) | 基于lfp树与代理向量的轨迹隐私数据发布方法、装置及系统 | |
CN117521118B (zh) | 一种医疗数据可搜索加密隐私保护及系统 | |
CN113409951B (zh) | 疫苗接种比例的计算方法及装置、存储介质、电子设备 | |
Zhao et al. | A Review of Cuckoo Filters for Privacy Protection and Their Applications | |
Boukerche et al. | A new representation structure for mining association rules from wireless sensor networks |
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 |