CN117592090A - 一种护理体检数据智能分析及管理方法 - Google Patents
一种护理体检数据智能分析及管理方法 Download PDFInfo
- Publication number
- CN117592090A CN117592090A CN202410076824.0A CN202410076824A CN117592090A CN 117592090 A CN117592090 A CN 117592090A CN 202410076824 A CN202410076824 A CN 202410076824A CN 117592090 A CN117592090 A CN 117592090A
- Authority
- CN
- China
- Prior art keywords
- data
- plaintext
- target data
- plaintext data
- target
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000007726 management method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06F21/602—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioethics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种护理体检数据智能分析及管理方法,包括:采集护理体检数据;获取目标数据,根据目标数据中的数据值得到明文数据;对明文数据进行划分得到目标数据的明文数据的明文数据段,获取目标数据的周期;根据目标数据的周期、目标数据及目标数据的明文数据中不同明文数据段内的字符,得到目标数据的明文数据中不同明文数据段之间的相似程度;获取轮常量序列;根据周期、相似程度及轮常量序列,得到明文数据段的轮常量;根据轮常量对护理体检数据的每种数据的明文数据中每个明文数据段进行加密。本发明对护理体检数据进行加密时,提升了加密时的安全性和加密效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种护理体检数据智能分析及管理方法。
背景技术
许多医疗机构已经或正在进行数字化转型,将纸质医疗记录转换为电子健康记录,这使得护理体检数据更容易获取、存储和分享,数据的安全尤为重要,加密是一种有效的隐私保护手段,可以确保未经授权的人无法访问敏感患者信息,防止数据在存储过程中被未经授权的访问者窃取或篡改。
传统的AES加密算法对于数据的加密过程中,电子密码本模式(CBC)对于明文数据段相同的数据,其加密结果也会相同,可能导致一些信息泄露和安全性问题,而对于加密块链接模式(CBC)、密码反馈模式(CFB)等模式下而言,其每个密文块的生成都依赖于前一个密文块的输出,这导致了一个串行的依赖关系,因此无法同时处理多个块,进而导致了算法的并行性不佳,导致对护理体检数据进行加密时安全性较低且加密效率不高。
发明内容
为解决上述问题,本发明提供一种护理体检数据智能分析及管理方法。
本发明的一种护理体检数据智能分析及管理方法采用如下技术方案:
本发明一个实施例提供了一种护理体检数据智能分析及管理方法,该方法包括以下步骤:
采集患者的护理体检数据,所述护理体检数据包含若干种数据;
将护理体检数据中的任意一种数据,记为目标数据,所述目标数据包含若干数据值及每个数据值对应的时刻,根据目标数据中的数据值得到目标数据的明文数据;对目标数据的明文数据进行划分得到目标数据的若干明文数据段;
根据目标数据中的时刻得到目标数据的周期;
根据目标数据的周期、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度;
根据AES加密算法的轮常量获取轮常量序列;根据目标数据的周期、不同明文数据段之间的相似程度及轮常量序列,得到目标数据的每个明文数据段在轮常量序列中对应的起始位置的次序值;根据明文数据段在轮常量序列中对应的起始位置的次序值得到目标数据的每个明文数据段的轮常量;根据明文数据段的轮常量对目标数据的每个明文数据段进行加密;
获取护理体检数据中每种数据的明文数据及若干明文数据段,对每种数据的若干明文数据段进行加密。
进一步地,所述根据目标数据中的时刻得到目标数据的周期,包括的具体步骤如下:
若,且目标数据中以第/>个时刻为中心,邻域半径为TH2的时刻范围中每个时刻的数据值大于th1,将第/>个时刻对应的数据点作为目标数据的一个特征点;/>为目标数据中第/>个时刻的数据值,TH2为预设的一个第二数值,th1为预设的一个第一阈值,/>为目标数据中以第/>个时刻为中心,邻域半径为TH2的时刻范围中第/>个时刻的数据值,,且/>;
将目标数据中所有特征点之间的平均距离值,作为目标数据的周期。
进一步地,所述根据目标数据的周期、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度,包括的具体步骤如下:
式中,为目标数据的第/>个明文数据段和第/>个明文数据段之间的距离权重,为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为取绝对值,/>为目标数据的周期,/>为求余函数,/>为以自然常数为底的指数函数;
根据距离权重、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度。
进一步地,所述得到目标数据的不同明文数据段之间的相似程度,包括的具体步骤如下:
式中,为目标数据的明文数据中第/>个明文数据段和第/>个明文数据段之间的距离权重,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,为取绝对值,/>为防止分母为0的超参数,/>为明文数据段内字符的个数,/>为目标数据的第/>个明文数据段和第/>个明文数据段之间的相似程度。
进一步地,所述根据AES加密算法的轮常量获取轮常量序列,包括的具体步骤如下:
将AES加密算法中轮常量的最后一个常量元素,记为TS,将TS值的二倍作为TS之后的一个常量元素,记为TS+1,将TS+1值的二倍作为TS+1之后的一个常量元素,记为TS+2,以此类推,直至AES加密算法中轮常量的常量元素的个数为k倍的,得到的序列记为轮常量序列,/>为明文数据段内字符的个数,k为预设的超参数,在获取TS之后的常量元素时,若常量元素大于或等于/>时,将该常量元素与/>进行异或运算得到的结果,作为该常量元素之后的一个常量元素,/>表示10进制的128,/>为预设的一个常量元素,/>表示10进制的27。
进一步地,所述得到目标数据的每个明文数据段在轮常量序列中对应的起始位置的次序值,包括的具体步骤如下:
式中,为目标数据的第/>个明文数据段和第/>个明文数据段之间的相似程度,/>为在目标数据的明文数据中第/>个明文数据段左侧选取的明文数据段的个数,/>为预设的超参数,/>为目标数据的第/>个明文数据段在轮常量序列中对应的起始位置的次序值,且有/>,/>为归一化函数,/>为向上取整函数,/>为目标数据的明文数据中第/>个明文数据段在轮常量序列中对应的起始位置的次序值。
进一步地,所述在目标数据的明文数据中第个明文数据段左侧选取的明文数据段的个数的具体方法如下:
式中,为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为目标数据的周期,/>为明文数据段内字符的个数,/>为目标数据的明文数据中第/>个明文数据段的次序值;/>为在目标数据的明文数据中第/>个明文数据段左侧选取的明文数据段的个数。
进一步地,所述根据明文数据段在轮常量序列中对应的起始位置的次序值得到目标数据的每个明文数据段的轮常量,包括的具体步骤如下:
对于目标数据的任意一个明文数据段,从该明文数据段在轮常量序列中对应的起始位置开始,获取10个连续的常量元素,作为该明文数据段的轮常量。
进一步地,所述对目标数据的明文数据进行划分得到目标数据的若干明文数据段,包括的具体步骤如下:
从目标数据的明文数据的第一个字符开始,每隔TH1个字符划分为一个明文数据段,TH1为预设的一个第一数值。
进一步地,所述根据目标数据中的数据值得到目标数据的明文数据,包括的具体步骤如下:
将目标数据中所有数据值按照时序顺序进行排列,得到的序列,记为目标数据的明文数据。
本发明的技术方案的有益效果是:本发明在采集到患者的护理体检数据后,通过对护理体检数据中的任意一种数据即目标数据的明文数据进行分段,获取目标数据的若干特征点,进而得到目标数据的周期,通过不同明文数据段之间的距离权重和明文数据段内的字符得到明文数据中不同明文数据段之间的相似程度,进而对AES加密算法的轮常量进行扩展得到轮常量序列,使得后续相似明文数据段的轮常量在轮常量序列中进行选取时不同,减少明文数据中的周期性质特征,提高目标数据的明文数据的加密安全性,同时避免了CBC等加密模式下加密并行性不良的问题,在获取明文数据段的轮常量时通过自适应获取每个明文数据段在轮常量序列中对应的起始位置,进而放大相似明文数据段对应密文之间的差异,而后通过对护理体检数据进行加密,达到了提升加密时的安全性和加密效率的目的,进而通过加密存储实现护理体检数据的智能分析及管理。
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为本发明一个实施例所提供的一种护理体检数据智能分析及管理方法的步骤流程图。
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护理体检数据智能分析及管理方法,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,一个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护理体检数据智能分析及管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种护理体检数据智能分析及管理方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集患者的护理体检数据。
具体的,获取任意一个患者最近24小时的护理体检数据,护体体检数据包括:患者的血压数据、体温数据及心电数据;需要说明的是,血压数据、体温数据及心电数据的数据总长度相同,即24个小时,每种数据都是二维时序数据,每种数据都包含若干数据点,每个数据点对应一个时间和数据值,每种数据的采集频率都为每个时刻一个数据值,本实施例中每个时刻具体为1分钟,即血压数据中每1分钟对应一个血压值,体温数据中每1分钟对应一个温度值,心电数据中每1分钟对应一个心电值。
至此,得到患者的护理体检数据。
步骤S002、将护理体检数据中的任意一种数据,记为目标数据,根据目标数据中的数据值得到目标数据的明文数据;对目标数据的明文数据进行划分得到目标数据的若干明文数据段。
需要说明的是,根据所得数据进行分段补齐等操作;由于护理体检数据中会存在部分数据有一定的周期性特征,例如心电数据,其中不仅仅存在周期性特征,且在相近的分段中对应位置相似程度也可能较高,基于这类型数据进行分析,在传统的AES加密算法的基础上,考虑对传统算法中的轮常量进行继续扩张,而后利用不同位置的轮常量子列作为不同分段对应的轮常量,使得相似程度较高的数据段对应密文的差异性得以放大,以提高加密结果的安全性。
具体的,将护理体检数据中的任意一种数据,记为目标数据,根据目标数据中的数据值得到目标数据的明文数据,具体如下:
将目标数据中所有数据值按照时序顺序进行排列,得到的序列,记为目标数据的明文数据。
进一步地,对目标数据的明文数据进行划分得到目标数据的若干明文数据段,具体如下:
从目标数据的明文数据的第一个字符开始,每隔TH1个字符划分为一个明文数据段,TH1为预设的一个第一数值,本实施例以TH1=16进行叙述;需要说明的是,本实施例中一个字符具体为任意一种数据中的任意一个数据值,例如心电数据中任意一个心电值即为一个字符,若划分到最后不足TH1时进行补0操作,使得最后一个明文数据段的长度也为TH1。
至此,得到若干明文数据段。
步骤S003、根据目标数据中的时刻得到目标数据的周期。
需要说明的是,在对数据进行加密之前,首先分析明文数据的周期性趋势,以在后续加密过程中,针对性的对满足周期性规律的数据段,采用不同的扩展密钥进行加密,以下周期性的计算针对所获取明文数据进行讨论,考虑所获取护理体检数据的特征,例如心电数据,会周期性的出现局部极大值点,故选取数据中的部分特征点进行周期性的判断。
具体的,根据目标数据中的时刻得到目标数据的若干特征点,具体如下:
若,且目标数据中以第/>个时刻为中心,邻域半径为TH2的时刻范围中每个时刻的数据值大于th1,将第/>个时刻对应的数据点作为目标数据的一个特征点;/>为目标数据中第/>个时刻的数据值,TH2为预设的一个第二数值,th1为预设的一个第一阈值,/>为目标数据中以第/>个时刻为中心,邻域半径为TH2的时刻范围中第/>个时刻的数据值,,且且/>,本实施例以TH2=7,th1=0.12进行叙述;需要说明的是,若目标数据中第/>个时刻在目标数据的左右两侧,则邻域半径为TH2的时刻范围会超过目标数据的范围,此时本实施例采用二次线性插值的方法将超出目标数据范围的数据值进行插值填充。
需要说明的是,在获取各个局部最大值点之后即若干特征点,为了避免部分噪声点以及数据值较小的点对于周期性的判断造成影响,需要进行进一步的筛选,去除部分点邻域内数据变化较小的点,此时得到的极大值点有较大概率是由数据的波动情况引起的,可以更好的体现数据的周期性特征。
具体的,根据目标数据的若干特征点得到目标数据的周期,具体如下:
将目标数据中所有特征点之间的平均距离值,作为目标数据的周期。
至此,得到目标数据的周期。
步骤S004、根据目标数据的周期、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度。
需要说明的是,在得到了所得目标数据的周期之后,为了使得加密后的数据对于其周期性的掩盖更好,应当对分段位置之差为周期的整数倍的明文数据段,选取更加不相似的扩展密钥进行加密,故在进行相似程度的量化时,不仅仅考虑两个分段对应数据之间的相似性,且利用两个分段对应位置之差与周期的关系进行修正,进而得到更加精确的相似程度。
具体的,根据目标数据的周期、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的距离权重,具体如下:
式中,为目标数据的第/>个明文数据段和第/>个明文数据段之间的距离权重,为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,第/>个明文数据段不同于第/>个明文数据段,/>为取绝对值,/>为目标数据的周期,/>为求余函数,用于获取/>的余数,/>为以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系,U为模型的输入,实施者可根据具体实施情况设置反比例函数。需要说明的是,为便于理解字符在目标数据的明文数据的次序,这里进行举例说明,若第/>个明文数据段内第/>个字符为目标数据的明文数据中第100个字符,则第/>个明文数据段内第/>个字符在目标数据的明文数据的次序值即为100。
进一步地,根据距离权重、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度,具体如下:
式中,为目标数据的明文数据中第/>个明文数据段和第/>个明文数据段之间的距离权重,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,为取绝对值,/>为防止分母为0的超参数,本实施例以/>进行叙述,/>为明文数据段内字符的个数,/>为目标数据的第/>个明文数据段和第/>个明文数据段之间的相似程度。
需要说明的是,通过计算两个明文数据段对应位置数据大小之差,求其倒数和作为两个明文数据段之间的相似程度;而若出现两不同的明文数据段对应位置之差除以周期的余数较小,则两明文数据段的位置处于周期位置上的概率较高,应当对这两个分块对应的相似程度放大,故利用余数的归一化结果作为权重系数对上述相似程度进行改进。
至此,得到目标数据的明文数据中不同明文数据段之间的相似程度。
步骤S005、根据AES加密算法的轮常量获取轮常量序列;根据目标数据的周期、不同明文数据段之间的相似程度及轮常量序列,得到目标数据的每个明文数据段的轮常量;对护理体检数据的每种数据的每个明文数据段进行加密。
需要说明的是,在传统的AES加密算法中,各个明文数据段对应密钥若相同,则其对应的扩展密钥也相同,为了使得相同明文数据段在同一密钥下的加密结果差异性较大,考虑对相似程度较高的明文数据段进行分析,在对明文数据段进行加密之前,考虑其与之前多个明文数据段之间的相似程度,通过改进各明文数据段对应轮常量取值的方式,进一步放大待分析明文数据段加密结果与之前相似明文数据段加密结果之间的差异性。
具体的,根据AES加密算法的轮常量获取轮常量序列,具体如下:
将AES加密算法中轮常量的最后一个常量元素,记为TS,将TS值的二倍作为TS之后的一个常量元素,记为TS+1,将TS+1值的二倍作为TS+1之后的一个常量元素,记为TS+2,以此类推,直至AES加密算法中轮常量的常量元素的个数为k倍的,得到的序列记为轮常量序列,/>为明文数据段内字符的个数,k为预设的超参数,本实施例以k=5进行叙述,在获取TS之后的常量元素时,若常量元素大于或等于/>时,将该常量元素与/>进行异或运算得到的结果,作为该常量元素之后的一个常量元素,/>表示10进制的128,/>为预设的一个常量元素,/>表示10进制的27。需要说明的是,将常量元素与/>进行异或运算为现有方法,本实施例不再赘述。
需要说明的是,传统的轮常量为:
其中,表示紧随其后的数值是十六进制的,其中每个常量元素的值为上一个常量元素值的2倍,本实施例在传统的轮常量的基础上,继续向后延伸常量元素,直至常量元素的个数为k倍的/>,用于后续确定每个明文数据段对应的轮常量。
进一步地,根据目标数据的周期、不同明文数据段之间的相似程度及轮常量序列,得到目标数据的每个明文数据段在轮常量序列中对应的起始位置的次序值,具体如下:
式中,为目标数据的第/>个明文数据段和第/>个明文数据段之间的相似程度,/>为在目标数据的明文数据中第/>个明文数据段左侧选取的明文数据段的个数,/>为预设的超参数,/>为目标数据的第/>个明文数据段在轮常量序列中对应的起始位置的次序值,且有/>,即目标数据的明文数据中第/>个明文数据段在轮常量序列中对应的起始位置的次序值为1,/>为线性归一化函数,归一化的对象为第/>个明文数据段和第/>个明文数据段之前选取的每个明文数据段之间的相似程度,/>为向上取整函数,/>为目标数据的明文数据中第/>个明文数据段在轮常量序列中对应的起始位置的次序值。
其中,在目标数据的明文数据中第个明文数据段左侧选取的明文数据段的个数的具体获取方法如下:
式中,为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为预设的超参数,/>为目标数据的周期,/>为明文数据段内字符的个数,/>为向上取整函数,/>为目标数据的明文数据中第/>个明文数据段的次序值,需要说明的是,为便于理解第/>个明文数据段的次序值,这里进行举例说明,若中第/>个明文数据段在目标数据的明文数据中为第100个明文数据段,则第/>个明文数据段的次序值即为100;/>为在目标数据的明文数据中第/>个明文数据段左侧选取的明文数据段的个数。
需要说明的是,根据上述相似程度的度量,分别判断各明文数据段与其之前多个明文数据段之间的相似程度大小,其对应的轮常量取值应当在与其相似程度较高的明文数据段的基础上,继续向后取值,故利用各明文数据段对应的轮常量起始位置加一个超参数为基准,利用相似程度的归一化结果对其进行加权平均,在进行取整运算后,即可得到该明文数据段对应轮常量在上述轮常量序列中的取值位置即起始位置。
进一步地,根据明文数据段在轮常量序列中对应的起始位置的次序值得到目标数据的每个明文数据段的轮常量,具体如下:
对于目标数据的任意一个明文数据段,从该明文数据段在轮常量序列中对应的起始位置开始,获取10个连续的常量元素,作为该明文数据段的轮常量。需要说明的是,每个轮常量都包含10个常量元素,10个常量元素包括起始位置的常量元素。
进一步地,根据明文数据段的轮常量对目标数据的每个明文数据段进行加密,具体如下:
将目标数据的明文数据中每个明文数据段的轮常量输入到AES算法中,输出得到目标数据的明文数据中每个明文数据段的扩展密钥;将目标数据的明文数据中每个明文数据段的扩展密钥输入到AES算法中,完成对目标数据的明文数据中每个明文数据段的加密。
需要说明的是,明文相近的明文数据段对应的扩展密钥相差较大,放大了相似明文数据段下的密文差异,将目标数据的明文数据中每个明文数据段的轮常量输入到AES算法中,输出得到目标数据的明文数据中每个明文数据段的扩展密钥,将目标数据的明文数据中每个明文数据段的扩展密钥输入到AES算法中,完成对目标数据的明文数据中每个明文数据段的加密为AES算法的现有方法;后续解密通过每个明文数据段对应的轮常量可进行解密,具体为AES算法的现有方法,本实施例不再赘述。
进一步地,获取护理体检数据中每种数据的明文数据及若干明文数据段,对每种数据的若干明文数据段进行加密,则通过对护理体检数据的分析,通过加密存储实现管理。需要说明的是,对护理体检数据的每种数据的明文数据中每个明文数据段进行加密和对目标数据的明文数据中每个明文数据段进行加密的方法相同,本实施例不再赘述。
通过以上步骤,完成一种护理体检数据智能分析及管理方法。
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)
1.一种护理体检数据智能分析及管理方法,其特征在于,该方法包括以下步骤:
采集患者的护理体检数据,所述护理体检数据包含若干种数据;
将护理体检数据中的任意一种数据,记为目标数据,所述目标数据包含若干数据值及每个数据值对应的时刻,根据目标数据中的数据值得到目标数据的明文数据;对目标数据的明文数据进行划分得到目标数据的若干明文数据段;
根据目标数据中的时刻得到目标数据的周期;
根据目标数据的周期、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度;
根据AES加密算法的轮常量获取轮常量序列;根据目标数据的周期、不同明文数据段之间的相似程度及轮常量序列,得到目标数据的每个明文数据段在轮常量序列中对应的起始位置的次序值;根据明文数据段在轮常量序列中对应的起始位置的次序值得到目标数据的每个明文数据段的轮常量;根据明文数据段的轮常量对目标数据的每个明文数据段进行加密;
获取护理体检数据中每种数据的明文数据及若干明文数据段,对每种数据的若干明文数据段进行加密。
2.根据权利要求1所述一种护理体检数据智能分析及管理方法,其特征在于,所述根据目标数据中的时刻得到目标数据的周期,包括的具体步骤如下:
若,且目标数据中以第/>个时刻为中心,邻域半径为TH2的时刻范围中每个时刻的数据值大于th1,将第/>个时刻对应的数据点作为目标数据的一个特征点;/>为目标数据中第/>个时刻的数据值,TH2为预设的一个第二数值,th1为预设的一个第一阈值,/>为目标数据中以第/>个时刻为中心,邻域半径为TH2的时刻范围中第/>个时刻的数据值,,且/>;
将目标数据中所有特征点之间的平均距离值,作为目标数据的周期。
3.根据权利要求1所述一种护理体检数据智能分析及管理方法,其特征在于,所述根据目标数据的周期、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度,包括的具体步骤如下:
式中,为目标数据的第/>个明文数据段和第/>个明文数据段之间的距离权重,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为取绝对值,/>为目标数据的周期,/>为求余函数,/>为以自然常数为底的指数函数;
根据距离权重、目标数据及目标数据的不同明文数据段内的字符,得到目标数据的不同明文数据段之间的相似程度。
4.根据权利要求3所述一种护理体检数据智能分析及管理方法,其特征在于,所述得到目标数据的不同明文数据段之间的相似程度,包括的具体步骤如下:
式中,为目标数据的明文数据中第/>个明文数据段和第/>个明文数据段之间的距离权重,/>为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为取绝对值,/>为防止分母为0的超参数,/>为明文数据段内字符的个数,/>为目标数据的第/>个明文数据段和第/>个明文数据段之间的相似程度。
5.根据权利要求1所述一种护理体检数据智能分析及管理方法,其特征在于,所述根据AES加密算法的轮常量获取轮常量序列,包括的具体步骤如下:
将AES加密算法中轮常量的最后一个常量元素,记为TS,将TS值的二倍作为TS之后的一个常量元素,记为TS+1,将TS+1值的二倍作为TS+1之后的一个常量元素,记为TS+2,以此类推,直至AES加密算法中轮常量的常量元素的个数为k倍的,得到的序列记为轮常量序列,为明文数据段内字符的个数,k为预设的超参数,在获取TS之后的常量元素时,若常量元素大于或等于/>时,将该常量元素与/>进行异或运算得到的结果,作为该常量元素之后的一个常量元素,/>表示10进制的128,/>为预设的一个常量元素,/>表示10进制的27。
6.根据权利要求1所述一种护理体检数据智能分析及管理方法,其特征在于,所述得到目标数据的每个明文数据段在轮常量序列中对应的起始位置的次序值,包括的具体步骤如下:
式中,为目标数据的第/>个明文数据段和第/>个明文数据段之间的相似程度,/>为在目标数据的明文数据中第/>个明文数据段左侧选取的明文数据段的个数,/>为预设的超参数,/>为目标数据的第/>个明文数据段在轮常量序列中对应的起始位置的次序值,且有/>,/>为归一化函数,/>为向上取整函数,/>为目标数据的明文数据中第/>个明文数据段在轮常量序列中对应的起始位置的次序值。
7.根据权利要求6所述一种护理体检数据智能分析及管理方法,其特征在于,所述在目标数据的明文数据中第个明文数据段左侧选取的明文数据段的个数的具体方法如下:
式中,为目标数据的第/>个明文数据段内第/>个字符在目标数据的明文数据中的次序值,/>为目标数据的周期,/>为明文数据段内字符的个数,/>为目标数据的明文数据中第/>个明文数据段的次序值;/>为在目标数据的明文数据中第/>个明文数据段左侧选取的明文数据段的个数。
8.根据权利要求1所述一种护理体检数据智能分析及管理方法,其特征在于,所述根据明文数据段在轮常量序列中对应的起始位置的次序值得到目标数据的每个明文数据段的轮常量,包括的具体步骤如下:
对于目标数据的任意一个明文数据段,从该明文数据段在轮常量序列中对应的起始位置开始,获取10个连续的常量元素,作为该明文数据段的轮常量。
9.根据权利要求1所述一种护理体检数据智能分析及管理方法,其特征在于,所述对目标数据的明文数据进行划分得到目标数据的若干明文数据段,包括的具体步骤如下:
从目标数据的明文数据的第一个字符开始,每隔TH1个字符划分为一个明文数据段,TH1为预设的一个第一数值。
10.根据权利要求1所述一种护理体检数据智能分析及管理方法,其特征在于,所述根据目标数据中的数据值得到目标数据的明文数据,包括的具体步骤如下:
将目标数据中所有数据值按照时序顺序进行排列,得到的序列,记为目标数据的明文数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076824.0A CN117592090B (zh) | 2024-01-19 | 2024-01-19 | 一种护理体检数据智能分析及管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076824.0A CN117592090B (zh) | 2024-01-19 | 2024-01-19 | 一种护理体检数据智能分析及管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592090A true CN117592090A (zh) | 2024-02-23 |
CN117592090B CN117592090B (zh) | 2024-05-17 |
Family
ID=89922370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410076824.0A Active CN117592090B (zh) | 2024-01-19 | 2024-01-19 | 一种护理体检数据智能分析及管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592090B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010033656A1 (en) * | 2000-01-31 | 2001-10-25 | Vdg, Inc. | Block encryption method and schemes for data confidentiality and integrity protection |
CN107147616A (zh) * | 2017-03-31 | 2017-09-08 | 武汉斗鱼网络科技有限公司 | 数据加密方法及装置 |
WO2018196634A1 (zh) * | 2017-04-26 | 2018-11-01 | 吉林大学珠海学院 | 基于多密钥流密码的顺序加密方法 |
CN113645615A (zh) * | 2021-08-12 | 2021-11-12 | 衡阳师范学院 | 轻量级分组密码加密及解密方法 |
CN115643003A (zh) * | 2022-12-23 | 2023-01-24 | 飞腾信息技术有限公司 | 用于侧信道分析的方法及装置 |
CN116959657A (zh) * | 2023-09-18 | 2023-10-27 | 苏州绿华科技有限公司 | 一种医疗大数据安全管理系统 |
CN117134885A (zh) * | 2023-08-04 | 2023-11-28 | 航天恒星科技有限公司 | 一种兼容sm4密码算法的可调分组密码实现方法 |
CN117336018A (zh) * | 2023-09-08 | 2024-01-02 | 深圳融昕医疗科技有限公司 | 生理体征监测数据的加密解密方法与装置 |
-
2024
- 2024-01-19 CN CN202410076824.0A patent/CN117592090B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010033656A1 (en) * | 2000-01-31 | 2001-10-25 | Vdg, Inc. | Block encryption method and schemes for data confidentiality and integrity protection |
CN107147616A (zh) * | 2017-03-31 | 2017-09-08 | 武汉斗鱼网络科技有限公司 | 数据加密方法及装置 |
WO2018196634A1 (zh) * | 2017-04-26 | 2018-11-01 | 吉林大学珠海学院 | 基于多密钥流密码的顺序加密方法 |
CN113645615A (zh) * | 2021-08-12 | 2021-11-12 | 衡阳师范学院 | 轻量级分组密码加密及解密方法 |
CN115643003A (zh) * | 2022-12-23 | 2023-01-24 | 飞腾信息技术有限公司 | 用于侧信道分析的方法及装置 |
CN117134885A (zh) * | 2023-08-04 | 2023-11-28 | 航天恒星科技有限公司 | 一种兼容sm4密码算法的可调分组密码实现方法 |
CN117336018A (zh) * | 2023-09-08 | 2024-01-02 | 深圳融昕医疗科技有限公司 | 生理体征监测数据的加密解密方法与装置 |
CN116959657A (zh) * | 2023-09-18 | 2023-10-27 | 苏州绿华科技有限公司 | 一种医疗大数据安全管理系统 |
Non-Patent Citations (2)
Title |
---|
刘海峰;陶建萍;: "基于改进AES的一次一密加密算法的实现", 科学技术与工程, no. 13, 8 May 2019 (2019-05-08) * |
张相依: "基于大数据的用电信息隐私保护研究", 《硕士电子期刊》, 15 April 2019 (2019-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117592090B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibaida et al. | Wavelet-based ECG steganography for protecting patient confidential information in point-of-care systems | |
Lim et al. | An efficient dynamic reliability-dependent bit allocation for biometric discretization | |
Moosavi et al. | Low-latency approach for secure ECG feature based cryptographic key generation | |
Pandey et al. | A joint application of optimal threshold based discrete cosine transform and ASCII encoding for ECG data compression with its inherent encryption | |
Nandi et al. | Cellular automata based encrypted ECG-hash code generation: an application in inter human biometric authentication system | |
Pandey et al. | A novel fused coupled chaotic map based confidential data embedding-then-encryption of electrocardiogram signal | |
Hamed et al. | Hybrid technique for steganography-based on DNA with n-bits binary coding rule | |
Asaker et al. | A novel cancellable Iris template generation based on salting approach | |
CN116056073A (zh) | 一种多用途医疗仪检测数据处理系统 | |
CN117592090B (zh) | 一种护理体检数据智能分析及管理方法 | |
CN116959657B (zh) | 一种医疗大数据安全管理系统 | |
CN108334577A (zh) | 一种安全多方数值型记录匹配方法 | |
CN110659535B (zh) | 一种基于指纹识别的私钥生成方法及系统 | |
Bhalerao et al. | Reversible ecg data hiding: Analysis and comparison of ann, regression svm and random forest regression | |
Sufi et al. | A new feature detection mechanism and its application in secured ECG transmission with noise masking | |
Soni et al. | A morphologically robust chaotic map based approach to embed patient’s confidential data securely in non-QRS regions of ECG signal | |
Soni et al. | AFD and chaotic map‐based integrated approach for ECG compression, steganography and encryption in E‐healthcare paradigm | |
Jati et al. | An efficient secure ECG compression based on 2D-SPIHT and SIT algorithm | |
Nguyen et al. | Emotional influences on cryptographic key generation systems using EEG signals | |
Duy et al. | Adaptive steganography technique to secure patient confidential information using ECG signal | |
Bhattacherjee et al. | A Brief Survey of Steganographic methods for ECG Signal | |
Sekar et al. | Secure IoT-enabled sharing of digital medical records: An integrated approach with reversible data hiding, symmetric cryptosystem, and IPFS | |
Gopalakrishnan et al. | Cloud Security System for ECG Transmission and Monitoring Based on Chaotic Logistic Maps | |
Augustyniak | Time-frequency integration of variable-bandwidth signals and supplementary data packets | |
Nguyen et al. | A Study on Combing EEG signals and Crytography for Bitcoin security |
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 |