CN117373600A - 一种医疗检测车数据优化存储方法 - Google Patents
一种医疗检测车数据优化存储方法 Download PDFInfo
- Publication number
- CN117373600A CN117373600A CN202311641113.5A CN202311641113A CN117373600A CN 117373600 A CN117373600 A CN 117373600A CN 202311641113 A CN202311641113 A CN 202311641113A CN 117373600 A CN117373600 A CN 117373600A
- Authority
- CN
- China
- Prior art keywords
- data
- body temperature
- temperature index
- index data
- observed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000036760 body temperature Effects 0.000 claims abstract description 201
- 230000005856 abnormality Effects 0.000 claims abstract description 27
- 230000006835 compression Effects 0.000 claims abstract description 16
- 238000007906 compression Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000010339 medical test Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种医疗检测车数据优化存储方法,包括:采集体温指标数据;获取体温指标数据的波动中心和波动幅值,根据体温指标数据的波动中心和波动幅值得到体温指标数据中每个数据的异常程度;获取体温指标数据中的待观测数据和对应的样本数据,根据每个待观测数据对应的样本数据得到每个待观测数据的走势异常因子,得到体温指标数据中每个数据的走势异常因子,得到体温指标数据中每个数据的重要程度;根据体温指标数据中每个数据的重要程度得到体温指标数据中所有的自适应步长,根据自适应步长对体温指标数据进行编码压缩存储。本发明对体温指标数据进行分析,提高了对数据的重要程度判断的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种医疗检测车数据优化存储方法。
背景技术
医疗检测车是一种高效便捷地进行医疗检测的方式,在进行医疗检测的过程中会产生很多医疗检测数据用于监测患者的健康状况,医疗检测数据量大且在医疗检测车上不易存储,故需要一套针对医疗检测车数据的优化存储方法。
现有技术通过差分编码对患者医疗检测数据中各项指标进行压缩,传统的差分编码采用全局固定的步长对数据计算差分值,来对数据进行编码存储,然而患者的各项医疗检测数据指标往往在较小范围内波动,并不是所有数据都需要进行无损压缩完全保留,对其进行过于详细地记录会使一些不重要的数据也需要较长地编码进行表示,降低压缩效果。
发明内容
本发明提供一种医疗检测车数据优化存储方法,以解决现有的问题。
本发明的一种医疗检测车数据优化存储方法采用如下技术方案:
本发明一个实施例提供了一种医疗检测车数据优化存储方法,该方法包括以下步骤:
使用医疗检测车采集患者的体温指标数据;
获取体温指标数据的波动中心和波动幅值,根据体温指标数据的波动中心和波动幅值得到体温指标数据中每个数据的异常程度;
获取体温指标数据中的待观测数据,获取每个待观测数据对应的样本数据,根据每个待观测数据对应的样本数据得到每个待观测数据的走势异常因子;
根据待观测数据的走势异常因子得到体温指标数据中每个数据的走势异常因子,根据体温指标数据中每个数据的异常程度和走势异常因子得到体温指标数据中每个数据的重要程度;
根据体温指标数据中每个数据的重要程度得到体温指标数据中所有的自适应步长,根据自适应步长对体温指标数据进行编码压缩存储。
进一步地,所述波动中心的具体获取步骤如下:
依据体温指标数据中数据之间的差异使用密度聚类算法对体温指标数据进行聚类,得到体温指标数据的各个类别,选取包含数据个数最多的一个类别的聚类中心作为体温指标数据的波动中心。
进一步地,所述波动幅值的具体获取步骤如下:
获取包含数据个数最多的一个类别的数据个数与体温指标数据的总数据个数的比值记为R;
以体温指标数据的波动中心作为体温指标数据的中心点,以步长为1向左右两边
同时移动延伸,得到波动范围区间,计算波动范围区间中的个数与体温指标数据的总数据
个数的比值,记为,表示向左和向右同时移动i个步长的区间中的数据个数与体温指标数
据的总数据个数的比值;
在步长增加1迭代的过程中,当第一次出现时,则停止步长增加的迭代,此时
将波动范围区间中体温指标数据的中心点的左侧或者右侧的数据个数作为体温指标数据
的波动幅值。
进一步地,所述体温指标数据中每个数据的异常程度的计算公式为:
式中,表示体温指标数据的波动幅值,表示体温指标数据的波动中心的数据值,表示体温指标数据中的第t个数据,表示体温指标数据中的第t个数据的异常程度,表
示绝对值符号。
进一步地,所述获取体温指标数据中的待观测数据,获取每个待观测数据对应的样本数据,包括的具体步骤如下:
将体温指标数据中的第T+1个数据到最后一个数据记为体温指标数据的待观测数据,将任意一个待观测数据和任意一个待观测数据的前T个数据记为任意一个待观测数据对应的样本数据;其中,T为预设阈值。
进一步地,所述每个待观测数据的走势异常因子的计算公式为:
式中,表示体温指标数据中第k个待观测数据对应的样本数据中后一个数据大
于前一个数据的数据个数,表示体温指标数据中第k个待观测数据对应的样本数据中后
一个数据小于前一个数据的数据个数,表示体温指标数据中第k个待观测数据对应的样
本数据中最大值与最小值的差异,差异表示差值的绝对值,表示体温指标数据中第k个待
观测数据,表示体温指标数据中第k个待观测数据对应的样本数据中第一个数据的数据
值,表示绝对值符号,表示取最大值函数,表示取最小值函数,表示体温指标
数据中第k个待观测数据的走势异常因子。
进一步地,所述根据待观测数据的走势异常因子得到体温指标数据中每个数据的走势异常因子,包括的具体步骤如下:
将体温指标数据中每个待观测数据的走势异常因子直接作为每个待观测数据位置处的数据的走势异常因子,将体温指标数据中的前T个数据的走势异常因子记为1,则得到体温指标数据中每个数据的走势异常因子。
进一步地,所述体温指标数据中每个数据的重要程度的计算公式为:
式中,表示体温指标数据中的第t个数据的异常程度,表示体温指标数据中第
t个数据的走势异常因子,表示体温指标数据中的第t个数据的重要程度,表示线性
归一化函数。
进一步地,所述根据体温指标数据中每个数据的重要程度得到体温指标数据中所有的自适应步长,包括的具体步骤如下:
从第一个数据开始,将第一个数据的重要程度记为第一个数据的步长贡献,将第一个数据的步长贡献与1的差值的绝对值作为第一个数据的步长差异度,对第一数据的步长贡献和第二个数据的重要程度进行累加,得到第二数据的步长贡献,将第二个数据的步长贡献与1的差值的绝对值作为第二个数据的步长差异度;
然后判断第一个数据的步长差异度与第二个数据的步长差异度的大小,当第二个数据的步长差异度大于第一个数据的步长差异度时,则将第一个数据与第二个数据进行划分,即将第一个数据的长度作为一个步长;当第二个数据的步长差异度小于等于第一个数据的步长差异度时,则继续对第二数据的步长贡献和第三数据的重要程度进行累加,得到第三数据的步长贡献,将第三个数据的步长贡献与1的差值的绝对值作为第三个数据的步长差异度;
然后判断第二个数据的步长差异度与第三个数据的步长差异度的大小,当第三个数据的步长差异度大于第二个数据的步长差异度时,则将第二个数据与第三个数据进行划分,即将第一个数据和第二个数据的长度作为一个步长,当第三个数据的步长差异度小于等于第二个数据的步长差异度时,则继续进行累加,直到划分出一个步长为止;
以此类推,划分出体温指标数据中所有的自适应步长。
进一步地,所述根据自适应步长对体温指标数据进行编码压缩存储,包括的具体步骤如下:
根据体温指标数据中所有的自适应步长通过差分编码对体温指标数据进行编码压缩存储。
本发明的技术方案的有益效果是:本发明通过对体温指标数据进行分析,获取体温指标数据的波动中心和波动幅值,根据体温指标数据的波动中心和波动幅值得到体温指标数据中每个数据的异常程度,提高了对体温指标数据中每个数据异常检测的准确性;再根据每个数据对应的样本数据得到每个数据的走势异常因子,然后根据每个数据的异常程度和体温指标数据中每个数据的走势异常因子得到体温指标数据中每个数据的重要程度,通过使用数据的走势异常因子对数据的异常程度修正,提高了对数据的重要程度判断的准确性,根据数据的重要程度获取各项指标数据中所有的自适应步长,提高了压缩存储效果。
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,下面将对实施例或现有技术描述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为本发明一种医疗检测车数据优化存储方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成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,对依据本发明提出的一种医疗检测车数据优化存储方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种医疗检测车数据优化存储方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种医疗检测车数据优化存储方法的步骤流程图,该方法包括以下步骤:
步骤S001:使用医疗检测车采集患者的指标数据。
需要说明的是,采集患者的指标数据主要是为了对患者进行健康状况监测,故需要对患者的指标数据进行长时间的检测,将采集到的数据按照患者和各项指标数据进行分类存储,对于同一患者,将对其采集的不同项数据分别进行存储。
具体地,使用医疗检测车以三个小时为间隔采集一周内的各项指标数据,其中,各项指标包括血压、血糖和体温等。在本实施例中,以体温指标数据为例进行说明压缩存储过程,其余指标数据的压缩存储过程都和体温指标数据的压缩存储过程一样。
至此,得到各项指标数据,其中,各项指标数据中包含体温指标数据、血压指标数据和血糖指标数据等;本实施例以体温指标数据为例进行说明。
步骤S002:获取体温指标数据的波动中心和波动幅值,根据体温指标数据的波动中心和波动幅值得到体温指标数据中每个数据的异常程度。
需要说明的是,对于不同的患者,身体状况良好和常年患病的人,其每一项指标数据的波动范围是不同的,故根据患者历史数据中同一项数据的波动范围获取该名患者的常规波动范围,处于常规波动范围的数据说明患者该项指标数据没有发生改变或只有较小的改变,对于不影响患者身体状况的指标数据变化不必重点关注,可以适当进行有损压缩。
(1)获取体温指标数据的波动中心和波动幅值。
进一步需要说明的是,对于一名患者,其医疗检测的体温指标数据大部分时间的波动程度较小且处于一个范围,偶尔出现异常值是超出范围之外的,故可根据历史数据中数据波动范围的聚集程度获取数据的波动中心,为了获取数据的波动范围,则需要根据体温指标数据的波动中心周围数据获取波动幅值,以此来确定出数据的波动范围。
具体地,依据体温指标数据中数据之间的差异使用密度聚类算法对体温指标数据
进行聚类,得到体温指标数据的各个类别,选取包含数据个数最多的一个类别的聚类中心
作为体温指标数据的波动中心,将体温指标数据的波动中心记为,表示体温指标数据的波
动中心的数据值;获取包含数据个数最多的一个类别的数据个数与体温指标数据的总数据
个数的比值记为R。其中,密度聚类算法为公知技术,此处不再进行赘述。其中数据之间的差
异表示每两个数据差值的绝对值。
以体温指标数据的波动中心作为体温指标数据的中心点,以步长为1向左右两边
同时移动延伸,得到一个区间,将其记为波动范围区间,其中得到的区间为左闭右闭,且区
间是左右对称的。计算波动范围区间中的个数与体温指标数据的总数据个数的比值,记为
,表示向左和向右同时移动i个步长的区间中的数据个数与体温指标数据的总数据个数的
比值。
在步长增加1迭代的过程中,当第一次出现时,则停止步长增加的迭代,此时
将波动范围区间中体温指标数据的中心点的左侧或者右侧的数据个数作为体温指标数据
的波动幅值,将体温指标数据的波动幅值记为,表示体温指标数据的波动幅值。
(2)根据体温指标数据的波动中心和波动幅值得到体温指标数据中每个数据的异常程度。
需要说明的是,由于正常情况下的数据都是在一个范围进行波动的,所以根据体温指标数据的波动中心和波动幅值来获得体温指标数据中每个数据的异常程度,然后根据体温指标数据中每个数据的异常程度来判断数据是否为异常数据。
具体地,根据体温指标数据的波动中心和波动幅值得到体温指标数据中每个数据的异常程度,用公式表示为:
式中,表示体温指标数据的波动幅值,表示体温指标数据的波动中心的数据值,表示体温指标数据中的第t个数据,表示体温指标数据中的第t个数据的异常程度,表
示绝对值符号。
其中,表示体温指标数据中第t个数据和体温指标数据的波动中心的数据
值之间的差异,该差异越大,表示数据越异常,其中差异表示差值的绝对值。对于体温指标
数据,如果数据超出波动范围,其很可能为异常数据,则通过每个数据与波动中心的数据值
之间的差异进行计算,根据各项指标数据的波动情况能够更加准确地获取每个数据的异常
程度。
至此,得到体温指标数据中每个数据的异常程度。
步骤S003:获取体温指标数据中的待观测数据,获取每个待观测数据对应的样本数据,根据每个待观测数据对应的样本数据得到每个待观测数据的走势异常因子。
需要说明的是,对于体温指标数据,如果在连续几次测量之间的变化都比较大或者连续几次测量结果都显示同样的变化趋势,说明体温指标数据中很大可能有异常数据,即体温指标数据中的一些数据超出波动范围,则需要对此时的指标数据加以注意。因此对体温指标数据中每个数据前面的数据进行分析来判断数据的趋势走向。
(1)获取体温指标数据中的待观测数据,获取每个待观测数据对应的样本数据。
进一步需要说明的是,由于要根据体温指标数据中前面的一些数据的趋势走向来判断每个数据是否即将超出波动范围,因此获取每个数据的前面几个数据来分析该数据是否为异常数据。
具体地,预设一个阈值T,其中本实施例以T=10为例进行叙述,本实施例不进行具体限定,其中T可根据具体实施情况而定。将体温指标数据中的第T+1个数据到最后一个数据记为体温指标数据的待观测数据,将任意一个待观测数据和任意一个待观测数据的前T个数据记为任意一个待观测数据对应的样本数据。
(2)根据每个待观测数据对应的样本数据得到每个待观测数据的走势异常因子。
需要说明的是,为了分析每个待观测数据的趋势走向,则根据每个待观测数据对应的样本数据中相邻数据的变化情况来分析,当相邻数据的增加的个数和减少的个数相差不多,则表明样本数据没有太大的趋势走向;再根据每个待观测数据对应的样本数据中第一个数据和最后一个数据之间的差异、最大值数据和最小值数据的差异来分析每个待观测数据对应的样本数据的趋势走向,当其中第一个数据和最后一个数据之间的差异越大、最大值数据和最小值数据的差异越大,表示样本数据中数据波动明显,有一定的趋势走向,当第一个数据和最后一个数据之间的差异与最大值数据和最小值数据的差异改变情况相同,则表明样本数据有明显的趋势走向。
具体地,统计每个待观测数据对应的样本数据中后一个数据大于前一个数据的数
据个数,记为,表示体温指标数据中第k个待观测数据对应的样本数据中后一个数据大于
前一个数据的数据个数;再统计每个待观测数据对应的样本数据中后一个数据小于前一个
数据的数据个数,记为,表示体温指标数据中第k个待观测数据对应的样本数据中后一个
数据小于前一个数据的数据个数;再获取每个待观测数据对应的样本数据中最大值与最小
值的差异,也为极差。
则根据每个待观测数据对应的样本数据中相邻数据的改变情况和样本数据中最大值和最小值的差异得到每个待观测数据的走势异常因子,用公式表示为:
式中,表示体温指标数据中第k个待观测数据对应的样本数据中后一个数据大
于前一个数据的数据个数,表示体温指标数据中第k个待观测数据对应的样本数据中后
一个数据小于前一个数据的数据个数,表示体温指标数据中第k个待观测数据对应的样
本数据中最大值与最小值的差异,差异表示差值的绝对值,表示体温指标数据中第k个待
观测数据,表示体温指标数据中第k个待观测数据对应的样本数据中第一个数据的数据
值,表示绝对值符号,表示取最大值函数,表示取最小值函数,表示体温指标
数据中第k个待观测数据的走势异常因子。
其中,表示样本数据中递增数据和递减数据个数中最大值和最小值的比
值,该比值越大说明该样本数据中数据增加和减少次数之间的差距较大,该数据附近更可
能呈现一定的单调性,公式中在分子和分母上分别加一以避免出现分母或分子为零的情
况。而在医疗检测数据中,如果患者的体温指标数据在短时间内出现单调性说明患者体温
指标很可能即将超标,需要重点关注。公式后半部分通过量化的方式衡量数据的异
常走势情况,体温指标数据中第k个待观测数据对应的样本数据中第一个和最后一个数据
差的绝对值反映了该样本数据内数据发生了变化的幅度,获取样本数据的极差与该值的比
值,当比值为一时,说明该样本数据中第一个和最后一个数据的数据差值等于样本数据的
极差,认为样本数据中数据波动出现了不可控情况,该比值越大,说明样本数据中数据波动
处于可控范围。
至此,得到每个待观测数据的走势异常因子。
步骤S004:根据待观测数据的走势异常因子得到体温指标数据中每个数据的走势异常因子,根据体温指标数据中每个数据的异常程度和走势异常因子得到体温指标数据中每个数据的重要程度。
需要说明的是,由于在获取每个待观测数据的走势异常因子时,是根据前面数据的变化情况获取的,如果只根据每个数据的前几个数据分析得到的走势异常因子,此时就表现出局部性,如果只根据走势异常因子作为每个数据的异常情况去分析获取自适应步长时,显然不太合适,因为每个数据的异常情况不仅要根据前几个数据的趋势来分析,还要结合每个数据周围几个数据的波动情况来分析;因此需要每个数据的异常程度对每个数据的走势异常因子进行修正,得到每个数据的重要程度,用每个数据的重要程度来判断数据的异常情况。
具体地,将体温指标数据中每个待观测数据的走势异常因子直接作为每个待观测数据位置处的数据的走势异常因子,将体温指标数据中的前T个数据的走势异常因子记为1,则得到体温指标数据中每个数据的走势异常因子。
根据体温指标数据中每个数据的异常程度和体温指标数据中每个数据的走势异常因子得到体温指标数据中每个数据的重要程度,用公式表示为:
式中,表示体温指标数据中的第t个数据的异常程度,表示体温指标数据中第
t个数据的走势异常因子,表示体温指标数据中的第t个数据的重要程度,表示线性
归一化函数。
其中,在医疗检测的数据中,数据相比于平常的波动范围异常程度越大,越有可能是出现病变的部分,需要对这样的数据进行更加准确的记录。同样的,如果多次记录数据的走势出现可能偏离正常范围的走势变化时,说明患者的体温指标数据出现异常变化,认为异常变化的数据重要程度更高。
至此,得到体温指标数据中的每个数据的重要程度。
步骤S005:根据体温指标数据中每个数据的重要程度得到体温指标数据中所有的自适应步长,根据自适应步长对体温指标数据进行编码压缩存储。
获取体温指标数据的自适应步长的获取过程为:
从第一个数据开始,将第一个数据的重要程度记为第一个数据的步长贡献,将第一个数据的步长贡献与1的差值的绝对值作为第一个数据的步长差异度,对第一数据的步长贡献和第二个数据的重要程度进行累加,得到第二数据的步长贡献,将第二个数据的步长贡献与1的差值的绝对值作为第二个数据的步长差异度;
然后判断第一个数据的步长差异度与第二个数据的步长差异度的大小,当第二个数据的步长差异度大于第一个数据的步长差异度时,则将第一个数据与第二个数据进行划分,即将第一个数据的长度作为一个步长;当第二个数据的步长差异度小于等于第一个数据的步长差异度时,则继续对第二数据的步长贡献和第三数据的重要程度进行累加,得到第三数据的步长贡献,将第三个数据的步长贡献与1的差值的绝对值作为第三个数据的步长差异度;
然后判断第二个数据的步长差异度与第三个数据的步长差异度的大小,当第三个数据的步长差异度大于第二个数据的步长差异度时,则将第二个数据与第三个数据进行划分,即将第一个数据和第二个数据的长度作为一个步长,当第三个数据的步长差异度小于等于第二个数据的步长差异度时,则继续进行累加,直到划分出一个步长为止。
以此类推,划分出体温指标数据中所有的自适应步长。
至此,得到体温指标数据中所有的自适应步长。
最后根据体温指标数据中所有的自适应步长通过差分编码对体温指标数据进行编码压缩存储。
至此,本实施例完成。
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 (10)
1.一种医疗检测车数据优化存储方法,其特征在于,该方法包括以下步骤:
使用医疗检测车采集患者的体温指标数据;
获取体温指标数据的波动中心和波动幅值,根据体温指标数据的波动中心和波动幅值得到体温指标数据中每个数据的异常程度;
获取体温指标数据中的待观测数据,获取每个待观测数据对应的样本数据,根据每个待观测数据对应的样本数据得到每个待观测数据的走势异常因子;
根据待观测数据的走势异常因子得到体温指标数据中每个数据的走势异常因子,根据体温指标数据中每个数据的异常程度和走势异常因子得到体温指标数据中每个数据的重要程度;
根据体温指标数据中每个数据的重要程度得到体温指标数据中所有的自适应步长,根据自适应步长对体温指标数据进行编码压缩存储。
2.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述波动中心的具体获取步骤如下:
依据体温指标数据中数据之间的差异使用密度聚类算法对体温指标数据进行聚类,得到体温指标数据的各个类别,选取包含数据个数最多的一个类别的聚类中心作为体温指标数据的波动中心。
3.根据权利要求2所述一种医疗检测车数据优化存储方法,其特征在于,所述波动幅值的具体获取步骤如下:
获取包含数据个数最多的一个类别的数据个数与体温指标数据的总数据个数的比值记为R;
以体温指标数据的波动中心作为体温指标数据的中心点,以步长为1向左右两边同时移动延伸,得到波动范围区间,计算波动范围区间中的个数与体温指标数据的总数据个数的比值,记为,表示向左和向右同时移动i个步长的区间中的数据个数与体温指标数据的总数据个数的比值;
在步长增加1迭代的过程中,当第一次出现时,则停止步长增加的迭代,此时将波动范围区间中体温指标数据的中心点的左侧或者右侧的数据个数作为体温指标数据的波动幅值。
4.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述体温指标数据中每个数据的异常程度的计算公式为:
式中,表示体温指标数据的波动幅值,/>表示体温指标数据的波动中心的数据值,/>表示体温指标数据中的第t个数据,/>表示体温指标数据中的第t个数据的异常程度,/>表示绝对值符号。
5.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述获取体温指标数据中的待观测数据,获取每个待观测数据对应的样本数据,包括的具体步骤如下:
将体温指标数据中的第T+1个数据到最后一个数据记为体温指标数据的待观测数据,将任意一个待观测数据和任意一个待观测数据的前T个数据记为任意一个待观测数据对应的样本数据;其中,T为预设阈值。
6.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述每个待观测数据的走势异常因子的计算公式为:
式中,表示体温指标数据中第k个待观测数据对应的样本数据中后一个数据大于前一个数据的数据个数,/>表示体温指标数据中第k个待观测数据对应的样本数据中后一个数据小于前一个数据的数据个数,/>表示体温指标数据中第k个待观测数据对应的样本数据中最大值与最小值的差异,差异表示差值的绝对值,/>表示体温指标数据中第k个待观测数据,/>表示体温指标数据中第k个待观测数据对应的样本数据中第一个数据的数据值,/>表示绝对值符号,/>表示取最大值函数,/>表示取最小值函数,/>表示体温指标数据中第k个待观测数据的走势异常因子。
7.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述根据待观测数据的走势异常因子得到体温指标数据中每个数据的走势异常因子,包括的具体步骤如下:
将体温指标数据中每个待观测数据的走势异常因子直接作为每个待观测数据位置处的数据的走势异常因子,将体温指标数据中的前T个数据的走势异常因子记为1,则得到体温指标数据中每个数据的走势异常因子。
8.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述体温指标数据中每个数据的重要程度的计算公式为:
式中,表示体温指标数据中的第t个数据的异常程度,/>表示体温指标数据中第t个数据的走势异常因子,/>表示体温指标数据中的第t个数据的重要程度,/>表示线性归一化函数。
9.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述根据体温指标数据中每个数据的重要程度得到体温指标数据中所有的自适应步长,包括的具体步骤如下:
从第一个数据开始,将第一个数据的重要程度记为第一个数据的步长贡献,将第一个数据的步长贡献与1的差值的绝对值作为第一个数据的步长差异度,对第一数据的步长贡献和第二个数据的重要程度进行累加,得到第二数据的步长贡献,将第二个数据的步长贡献与1的差值的绝对值作为第二个数据的步长差异度;
然后判断第一个数据的步长差异度与第二个数据的步长差异度的大小,当第二个数据的步长差异度大于第一个数据的步长差异度时,则将第一个数据与第二个数据进行划分,即将第一个数据的长度作为一个步长;当第二个数据的步长差异度小于等于第一个数据的步长差异度时,则继续对第二数据的步长贡献和第三数据的重要程度进行累加,得到第三数据的步长贡献,将第三个数据的步长贡献与1的差值的绝对值作为第三个数据的步长差异度;
然后判断第二个数据的步长差异度与第三个数据的步长差异度的大小,当第三个数据的步长差异度大于第二个数据的步长差异度时,则将第二个数据与第三个数据进行划分,即将第一个数据和第二个数据的长度作为一个步长,当第三个数据的步长差异度小于等于第二个数据的步长差异度时,则继续进行累加,直到划分出一个步长为止;
以此类推,划分出体温指标数据中所有的自适应步长。
10.根据权利要求1所述一种医疗检测车数据优化存储方法,其特征在于,所述根据自适应步长对体温指标数据进行编码压缩存储,包括的具体步骤如下:
根据体温指标数据中所有的自适应步长通过差分编码对体温指标数据进行编码压缩存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641113.5A CN117373600B (zh) | 2023-12-04 | 2023-12-04 | 一种医疗检测车数据优化存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641113.5A CN117373600B (zh) | 2023-12-04 | 2023-12-04 | 一种医疗检测车数据优化存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117373600A true CN117373600A (zh) | 2024-01-09 |
CN117373600B CN117373600B (zh) | 2024-02-20 |
Family
ID=89396874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311641113.5A Active CN117373600B (zh) | 2023-12-04 | 2023-12-04 | 一种医疗检测车数据优化存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117373600B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117857648A (zh) * | 2024-03-04 | 2024-04-09 | 广东华宸建设工程质量检测有限公司 | 基于大数据的建设工程管理云服务器通信方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198281A (zh) * | 2019-05-13 | 2019-09-03 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 |
CN115396518A (zh) * | 2022-10-31 | 2022-11-25 | 广东睿江云计算股份有限公司 | 一种自适应的数据同步方法以及系统 |
CN115543941A (zh) * | 2022-12-01 | 2022-12-30 | 成都实时技术股份有限公司 | 一种数据存储优化处理方法 |
CN116563168A (zh) * | 2023-06-02 | 2023-08-08 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘数据实时采集存储方法及系统 |
CN117076171A (zh) * | 2023-08-11 | 2023-11-17 | 国网上海市电力公司 | 一种面向多元时序数据的异常检测及定位方法及装置 |
-
2023
- 2023-12-04 CN CN202311641113.5A patent/CN117373600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198281A (zh) * | 2019-05-13 | 2019-09-03 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 |
CN115396518A (zh) * | 2022-10-31 | 2022-11-25 | 广东睿江云计算股份有限公司 | 一种自适应的数据同步方法以及系统 |
CN115543941A (zh) * | 2022-12-01 | 2022-12-30 | 成都实时技术股份有限公司 | 一种数据存储优化处理方法 |
CN116563168A (zh) * | 2023-06-02 | 2023-08-08 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘数据实时采集存储方法及系统 |
CN117076171A (zh) * | 2023-08-11 | 2023-11-17 | 国网上海市电力公司 | 一种面向多元时序数据的异常检测及定位方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117857648A (zh) * | 2024-03-04 | 2024-04-09 | 广东华宸建设工程质量检测有限公司 | 基于大数据的建设工程管理云服务器通信方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117373600B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117373600B (zh) | 一种医疗检测车数据优化存储方法 | |
EP2715467A1 (en) | System monitor and method of system monitoring | |
CN111493828A (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
WO2019153578A1 (zh) | 一种基于心电信号的无创血糖检测方法及系统 | |
CN109564586A (zh) | 系统监测器及系统监测方法 | |
CN117167903B (zh) | 基于人工智能的暖通设备异物故障检测方法 | |
CN116821809A (zh) | 基于人工智能的生命体征数据采集系统 | |
CN117150217A (zh) | 一种基于大数据的数据压缩处理方法 | |
CN111557661A (zh) | 心电信号处理方法及装置 | |
CN117476247B (zh) | 一种疾病多模态数据智能分析方法 | |
CN116631563B (zh) | 一种医药行业大数据存储及智能匹配方法 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
CN117368744A (zh) | 一种户用储能电池在线评估方法 | |
CN114707608A (zh) | 医疗质控数据处理方法、装置、设备、介质及程序产品 | |
CN110176968B (zh) | 一种用于WiFi人体行为识别中的跳变现象纠正方法 | |
CN117113107B (zh) | 一种转子压铸异常误差数据处理方法 | |
CN114073495B (zh) | 一种基于信息相似度的睡眠呼吸暂停检测方法及装置 | |
CN117713505B (zh) | 一种开关电源高边电流检测方法及系统 | |
CN118053531A (zh) | 一种医学检验临床数据智能管理方法及系统 | |
CN117313014B (zh) | 一种窑炉运转能耗异常数据实时监测预警方法 | |
CN117390379B (zh) | 在线信号测量装置、信号特征的置信度测量装置 | |
CN117155402B (zh) | 基于rpa技术的公卫健康智能体检服务系统 | |
CN117250520B (zh) | 一种大型电池储能电站安全性分析评价方法及系统 | |
CN117874685B (zh) | 一种直流变频电动半球阀的压力数据异常预警方法 | |
CN117473351B (zh) | 基于物联网的电源信息远程传输系统 |
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 |