CN118098484A - 一种基于大数据的医疗信息共享方法 - Google Patents
一种基于大数据的医疗信息共享方法 Download PDFInfo
- Publication number
- CN118098484A CN118098484A CN202410523775.0A CN202410523775A CN118098484A CN 118098484 A CN118098484 A CN 118098484A CN 202410523775 A CN202410523775 A CN 202410523775A CN 118098484 A CN118098484 A CN 118098484A
- Authority
- CN
- China
- Prior art keywords
- electrocardio
- signal
- detail
- frequency
- difference
- 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 42
- 238000012512 characterization method Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 68
- 239000013598 vector Substances 0.000 claims description 47
- 238000001228 spectrum Methods 0.000 claims description 43
- 230000014759 maintenance of location Effects 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- UXFQFBNBSPQBJW-UHFFFAOYSA-N 2-amino-2-methylpropane-1,3-diol Chemical compound OCC(N)(C)CO UXFQFBNBSPQBJW-UHFFFAOYSA-N 0.000 description 2
- 101150035093 AMPD gene Proteins 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及医疗数据传输技术领域,具体涉及一种基于大数据的医疗信息共享方法,包括:采集患者心电信号,确定心电细节信号,基于心电细节信号与患者心电信号频率分布的差异性、整体信号强度的差异性以及波形差异获取心电细节表征指数、签名嵌入保持系数,确定心电细节保持信号,获取最佳隐写细节信号,将最佳隐写细节信号进行压缩传输,实现对医疗信息的共享。本申请旨在解决传统的心电图隐写术未考虑到医疗信息中有效信息的分布情况,对所有心电图数据进行统一的隐写破坏了心电图数据中有效信息的问题,提高了医疗信息共享的准确性。
Description
技术领域
本申请涉及医疗数据传输技术领域,具体涉及一种基于大数据的医疗信息共享方法。
背景技术
心电图作为现代医学的一种重要诊断数据,其需要在患者、医务人员、科研人员之间进行数据共享。在对心电图进行共享时,由于数据量较大,且是患者的个人隐私数据,在医疗系统中进行共享时需要注意传输的安全,避免数据泄露。
隐写术是将信息隐藏在另一条消息或实物中以避免被发现的一种方法,为避免患者个人隐私数据的泄露,通常会采用隐写术对心电图数据进行数字签名,这样在心电图数据发生泄漏时能够进行快速溯源发现安全漏洞,达到数据安全共享的目的。传统的心电图隐写术采用的是基于频域的隐写方法,相比于基于时域的隐写方法有数据失真度小,抗攻击能力强等优点。通过遗传算法进行迭代,每次迭代选取心电图数据的部分信息进行隐写,并对隐写前后数据的失真程度进行评估,进而获取最佳的隐写方案。
但是传统的心电图隐写术未考虑到医疗信息中有效信息的分布情况,对所有心电图数据进行统一的隐写,破坏了心电图数据中的有效信息,进而导致医疗数据共享后的数据接收方对患者的病情诊断产生误判,为医疗信息的共享带来潜在的风险。
发明内容
为了解决上述技术问题,本申请提供一种基于大数据的医疗信息共享方法,以解决现有的问题。
本申请的一种基于大数据的医疗信息共享方法采用如下技术方案:
本申请一个实施例提供了一种基于大数据的医疗信息共享方法,该方法包括以下步骤:
采集患者心电信号,获取待嵌入数字签名;将患者心电信号分解为多个心电细节信号;
基于各心电细节信号与患者心电信号的频率分布差异获取各心电细节信号的心电细节表征指数;基于各心电细节信号与患者心电信号的整体信号强度的差异性以及波形差异获取各心电细节信号在各采样时刻的签名嵌入保持系数;
根据每个心电细节信号的心电细节表征指数以及在所有采样时刻的签名嵌入保持系数获取各心电细节保持信号;根据所述待嵌入数字签名以及每个心电细节信号的所有心电细节保持信号获取各心电细节信号的最佳个体向量;
根据所述最佳个体向量以及心电细节保持信号获取各心电细节信号的最佳隐写细节信号,对最佳隐写细节信号进行压缩传输,完成医疗信息共享。
可选的,所述获取各心电细节信号的心电细节表征指数,包括的具体方法为:
根据患者心电信号以及心电细节信号获取心电图频谱、中心频率;根据各心电细节信号以及患者心电信号的心电图频谱、中心频率获取各心电细节信号的心电频率强度差异指数;
将每个心电细节信号与患者心电信号的中心频率的差值绝对值记为中频差异;将所述心电频率强度差异指数与所述中频差异之和乘以对应心电细节信号的心电图频谱中所有频率的信号强度的信息熵,作为心电频率差异系数;
各心电细节信号的心电细节表征指数与所述心电频率差异系数成负相关关系。
可选的,所述获取心电图频谱、中心频率,包括的具体方法为:
对患者心电信号进行频域转换,输出心电图频谱,对心电图频谱进行归一化处理作为调整心电图频谱,将调整心电图频谱中每个频率的信号强度作为每个频率的权重,将调整心电图频谱中所有频率的加权和作为患者心电信号的中心频率;
对于每个心电细节信号,采用与患者心电信号的心电图频谱、中心频率相同的获取方法得到每个心电细节信号的心电图频谱、中心频率。
可选的,所述获取各心电细节信号的心电频率强度差异指数,包括的具体方法为:
在每个心电细节信号的心电图频谱中,将每个频率与中心频率的差值绝对值记为频率远心距,将每个频率的信息量与所述频率远心距的比值记为频率置信权重,将每个频率与患者心电信号的心电图频谱中相同频率的信号强度的差值绝对值记为频率强度差异;
将所述频率强度差异与所述频率置信权重的乘积作为每个频率的频率强度置信差异;
各心电细节信号的心电频率强度差异指数与所述频率强度置信差异成正相关关系。
可选的,所述获取各心电细节信号在各采样时刻的签名嵌入保持系数,包括:
基于各心电细节信号与患者心电信号的整体信号强度的差异性获取各心电细节信号的幅度增益系数;
对于各采样时刻,将每个心电细节信号与患者心电信号在相同采样时刻的二阶导数的差值绝对值记为波形凹凸差异;
将任一心电细节信号在每个采样时刻的信号强度与所述任一心电细节信号的幅度增益系数的比值记为调整细节信号幅度,将所述调整细节信号幅度与患者心电信号在相同采样时刻的信号强度的差值绝对值记为信号强度差异;
所述波形凹凸差异、所述信号强度差异均与所述任一心电细节信号在各采样时刻的签名嵌入保持系数成正相关关系。
可选的,所述获取各心电细节信号的幅度增益系数,包括的具体方法为:
分别计算患者心电信号与各心电细节信号,在每个采样时刻的信号强度与预设调参因子的和值,记为患者心电信号与各心电细节信号在每个采样时刻的非零信号强度;
将心电细节信号与患者心电信号在各采样时刻的非零信号强度的比值的绝对值作为心电细节信号在各采样时刻的信号强度相对差异;
将每个心电细节信号在所有采样时刻的信号强度相对差异记为每个心电细节信号的幅度增益系数。
可选的,所述获取各心电细节保持信号,包括:
将每个心电细节信号在所有采样时刻的签名嵌入保持系数组成签名嵌入保持序列,获取签名嵌入保持序列中所有极大值点,将签名嵌入保持序列中每个极大值点与相邻的下一个极大值点的中点作为保持中断点,以每个心电细节信号中的保持中断点为划分点,将每个心电细节信号划分为多个心电细节保持信号。
可选的,所述获取各心电细节信号的最佳个体向量,包括的具体方法为:
将每个心电细节信号的所有的心电细节保持信号作为遗传算法的输入,随机初始化预设数量个个体向量;
基于每个个体向量中每个元素对应的心电细节保持信号的隐写结果以及在各采样时刻的签名嵌入保持系数计算各个体向量的心电数据隐写失真度;
将每个心电细节信号的各个体向量的心电数据隐写失真度作为遗传算法的适应度函数,输出每个心电细节信号的最佳个体向量。
可选的,所述计算各个体向量的心电数据隐写失真度,包括的具体方法为:
将每个心电细节保持信号以及待嵌入数字签名作为隐写算法的输入,输出细节保持隐写信号,将每个心电细节保持信号与对应的细节保持隐写信号在相同采样时刻的信号强度的差值绝对值记为每个心电细节保持信号在每个采样时刻的隐写信号偏差,将每个心电细节保持信号在每个采样时刻的隐写信号偏差与签名嵌入保持系数的比值作为单时刻隐写失真系数,将每个心电细节保持信号在所有采样时刻的单时刻隐写失真系数之和作为每个心电细节保持信号的隐写失真指数;
将每个个体向量中的任一元素值与所述任一元素对应的心电细节保持信号的隐写失真指数的乘积作为所述任一元素的隐写效果失真度,每个个体向量的心电数据隐写失真度与每个个体向量中每个元素的隐写效果失真度成正相关关系。
可选的,所述获取各心电细节信号的最佳隐写细节信号,对最佳隐写细节信号进行压缩传输,完成医疗信息共享,包括的具体方法为:
将每个心电细节信号的最佳个体向量中值为1的元素替换为对应的细节保持隐写信号,将最佳个体向量中值为0的元素替换为对应的心电细节保持信号,作为每个心电细节信号的最佳隐写细节信号;
采用压缩算法将所有心电细节信号的最佳隐写细节信号进行压缩,得到医疗信息压缩数据,利用医疗信息压缩数据进行传输。
本申请的有益效果是:先根据患者心电信号获取心电细节信号,然后基于每个心电细节信号与患者心电信号的整体信号强度的差异性以及波形差异获取签名嵌入保持系数,反映了在各个采样时刻写入数字签名对病患的心电信息的影响程度,用以确定初始对每个心电细节信号分割的个数,初步获取心电细节保持信号,再基于每个心电细节信号与患者心电信号的频率分布差异获取心电细节表征指数,反映了各心电细节信号对病患的心电信息表征程度,用以确定对每个心电细节信号的分割个数进行进一步削减的个数,结合每个心电细节保持信号的长度以及在所有采样时刻的签名嵌入保持系数确定信号合并指数,对信号合并指数较高的心电细节保持信号与相邻的心电细节保持信号进行合并,提高了对每个心电细节信号进行分割的可靠性;将将每个心电细节信号的所有的心电细节保持信号作为遗传算法的输入,避免了直接将每个心电细节信号作为遗传算法的输入导致计算量庞大的问题;基于每个心电细节保持信号隐写前后的差异计算心电数据隐写失真度,获取最佳隐写细节信号,仅选取部分心电细节保持信号进行隐写,避免了对患者心电信号中有效信息的破坏;将最佳隐写细节信号进行压缩传输,实现对医疗信息的共享,保证了对医疗信息共享的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例所提供的一种基于大数据的医疗信息共享方法流程示意图;
图2为患者心电信号的示意图;
图3为对患者心电信号进行第一层小波分解得到的心电细节信号的示意图;
图4为对患者心电信号进行第二层小波分解得到的心电细节信号的示意图;
图5为对患者心电信号进行第三层小波分解得到的心电细节信号的示意图;
图6为患者心电信号的心电图频谱;
图7为患者心电信号在每个采样时刻的二阶导数;
图8为最佳隐写细节信号的获取示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,其示出了本申请一个实施例所提供的一种基于大数据的医疗信息共享方法流程图,该方法包括以下步骤:
步骤S001、采集患者心电信号,获取待嵌入数字签名。
对于患者心电信号的采集,在本申请的一些实施例中,采集过程如下:
使用心电图采集设备获取患者心电信号,患者心电信号为一个长度为N的向量,本实施例采用常规心电图机作为心电图采集设备,实施者也可根据实际情况选取心电监护仪、动态心电记录仪等其它心电图采集设备,将待嵌入的数字签名作为高纳德随机置乱算法的输入,输出待嵌入数字签名。
其中,高纳德随机置乱算法为公知技术,本实施例在此不做赘述。本实施例中选取患者心电信号的采集日期作为数字签名,患者心电信号的长度N取值为10000,心电图采集设备的采样间隔为1ms。对于心电图采集设备的采样间隔、患者心电信号长度的设定、数字签名的选取以及随机置乱算法的选取,作为其他实施方式,实施者可自行选取,本实施例对此不做特殊限制。
在本申请的一个实施例中,患者心电信号的示意图如图2所示,需要说明的是,为了便于理解,仅选取患者心电信号的部分信号作为示意。
步骤S002、根据患者心电信号获取心电细节信号,基于每个心电细节信号与患者心电信号的频率分布差异获取心电细节表征指数。
本实施例主要对基于频域的隐写方法进行改进,首先使用基于Haar小波的小波分解算法将患者心电信号分解为多个心电细节信号,再对患者心电信号进行频域转换,输出心电图频谱,对心电图频谱进行归一化处理作为调整心电图频谱,将调整心电图频谱中每个频率的信号强度作为每个频率的权重,将调整心电图频谱中所有频率的加权和作为患者心电信号的中心频率。
其中,小波分解算法、频域转换以及归一化处理为公知技术,本实施例对必要参数小波分解层数M取值为5,作为其他实施方式,实施者可自行选取。作为本申请的一个实施例,采用快速傅里叶变换算法进行频域转换,作为其他实施方式,实施者可自行选取,本实施例对此不做特殊限制。
在本申请的一个实施例中,对患者心电信号进行第一层小波分解得到的心电细节信号的示意图如图3所示,对患者心电信号进行第二层小波分解得到的心电细节信号的示意图如图4所示,对患者心电信号进行第三层小波分解得到的心电细节信号的示意图如图5所示,患者心电信号的心电图频谱如图6所示,需要理解的是,图3、图4、图5所示的心电细节信号均由图1所示的患者心电信号分解得到,图6所示的心电图频谱由图1所示的患者心电信号进行快速傅里叶变换得到。
每个心电细节信号与患者心电信号的心电图频谱、中心频率的获取方法是相同的。
为了提高隐写术的抗攻击能力,在使用隐写术为患者心电信号加入数字签名时,会同时对每个心电细节信号中嵌入多个数字签名,因此,对包含病患信息量不同的心电细节信号嵌入不同个数的数字签名能够在提高共享医疗信息安全性的同时尽可能地保留病患的有效信息,以提高诊治的效率。
计算每个心电细节信号的心电图频谱中所有频率的信号强度的信息熵以及每个心电细节信号的心电图频谱中每个频率的信息量,在每个心电细节信号的心电图频谱中,将每个频率与中心频率的差值绝对值记为频率远心距,将每个频率的信息量与所述频率远心距的比值记为频率置信权重,将每个频率与患者心电信号的心电图频谱中相同频率的信号强度的差值绝对值记为频率强度差异,将所述频率强度差异与所述频率置信权重的乘积作为每个频率的频率强度置信差异。
各心电细节信号的心电频率强度差异指数与所述频率强度置信差异成正相关关系,作为本申请的一个实施例,各心电细节信号的心电频率强度差异指数为各心电细节信号的心电图频谱中所有频率的频率强度置信差异之和。
需要说明的是,当心电细节信号与患者心电信号的心电图频谱在各频率处的信号强度的差异越大时,该心电细节信号的心电频率强度差异指数值越大,当心电细节信号的心电图频谱的某一频率的信息量越小、该频率与中心频率的差值的绝对值越大时,说明该频率包含的病患的有效信息越少,且越不可能是重要频率成分,在对心电细节信号与患者心电信号的频率的差异性进行评估时应该赋予该频率较小的权重。
进一步的,将每个心电细节信号与患者心电信号的中心频率的差值绝对值记为中频差异,将所述心电频率强度差异指数与所述中频差异之和乘以对应心电细节信号的心电图频谱中所有频率的信号强度的信息熵,作为心电频率差异系数。
各心电细节信号的心电细节表征指数与所述心电频率差异系数成负相关关系,作为本申请的一个实施例,将以自然常数为底数、以所述心电频率差异系数的相反数为指数的指数函数的计算结果记为每个心电细节信号的心电细节表征指数。
需要说明的是,当心电细节信号的心电图频谱中所有频率的信号强度的信息熵越大时,说明该心电细节信号的频率分布越混乱,心电细节信号的周期性特征越不明显,包含的病患的有效信息越少,心电细节表征指数值越小;当心电细节信号与患者心电信号的中心频率的差异越大、心电频率强度差异指数越大时,说明该心电细节信号和心电图数据的频率分布差异越明显,心电细节表征指数值越小。
当心电细节信号的心电细节表征指数值越大时,说明该心电细节信号越能代表患者的心电信息,越应该对其进行更低强度的隐写以尽可能保留患者的心电信息。
步骤S003、根据患者心电信号以及心电细节信号获取幅度增益系数,结合患者心电信号与心电细节信号的波形差异获取签名嵌入保持系数。
由于医生在观察心电图数据时,主要观察心电图的频率、波峰波谷的位置、幅度以及波形的凹凸情况,心电细节表征指数反映了心电细节信号与患者心电信号的频率分布的相似程度,为了对患者心电信号的凹凸特点进行分析,计算患者心电信号以及每个心电细节信号在每个采样时刻的二阶导数。
在本申请的一个实施例中,患者心电信号在每个采样时刻的二阶导数如图7所示,需要说明的是,图7中横轴为采样时刻,纵轴为二阶导数。
分别计算患者心电信号与各心电细节信号,在每个采样时刻的信号强度与调参因子的和值,记为患者心电信号与各心电细节信号在每个采样时刻的非零信号强度,将心电细节信号与患者心电信号在各采样时刻的非零信号强度的比值的绝对值作为心电细节信号在各采样时刻的信号强度相对差异,将每个心电细节信号在所有采样时刻的信号强度相对差异记为每个心电细节信号的幅度增益系数。
需要说明的是,调参因子为人为预设的数值,目的为防止分母为0,本实施例中调参因子取值为1。在比较心电细节信号和患者心电信号的波形差异时,由于小波分解出的心电细节信号和患者心电信号会在整体幅度上出现差异,为了消除整体幅度的差异仅考虑波形的差异,对幅度增益系数较大的心电细节信号进行相同倍数的缩小、对幅度增益系数较小的心电细节信号进行相同倍数的放大以消除由此造成的误差。
对于各采样时刻,将每个心电细节信号与患者心电信号在相同采样时刻的二阶导数的差值绝对值记为波形凹凸差异。
将任一心电细节信号在每个采样时刻的信号强度与所述任一心电细节信号的幅度增益系数的比值记为调整细节信号幅度,将所述调整细节信号幅度与患者心电信号在相同采样时刻的信号强度的差值绝对值记为信号强度差异。
所述波形凹凸差异、所述信号强度差异均与所述任一心电细节信号在各采样时刻的签名嵌入保持系数成正相关关系,作为本申请的一个实施例,所述任一心电细节信号在各采样时刻的签名嵌入保持系数为所述波形凹凸差异与所述信号强度差异的乘积。
需要说明的是,当患者心电信号和心电细节信号在每个采样时刻的信号强度、二阶导数相差越大时,说明心电细节信号在该采样时刻与患者心电信号的波形差异越大,包含的判断病患生理状态的信息越少,在心电细节信号的该采样时刻处写入数字签名对病患的心电信息的影响程度越小,签名嵌入保持系数值越大。
步骤S004、根据每个心电细节信号的心电细节表征指数以及在所有采样时刻的签名嵌入保持系数获取心电细节保持信号。
需要说明的是,采用遗传算法进行迭代能够获取每个心电细节信号的签名嵌入位置,进而实现对每个心电细节信号的隐写,但是由于心电细节信号较长,若直接使用遗传算法获取每个心电细节信号的签名嵌入位置并进行隐写,计算量庞大,为了减少计算的复杂度,将每个心电细节信号划分为多个心电细节保持信号。
具体的,将每个心电细节信号在所有采样时刻的签名嵌入保持系数按照获取的时间顺序升序排列,构建签名嵌入保持序列,采用AMPD峰值检测算法获取签名嵌入保持序列中的所有极大值点,将签名嵌入保持序列中每个极大值点与相邻的下一个极大值点的中点作为保持中断点,以每个心电细节信号中的保持中断点为划分点,将每个心电细节信号划分为多个心电细节保持信号。
需要说明的是,AMPD峰值检测算法为公知技术,本实施例在此不做赘述,对于峰值检测算法的选取,作为其他实施方式,实施者可自行选取,本实施例对此不做特殊限制。
进一步的,将每个心电细节信号的长度与心电细节表征指数的乘积的向下取整值作为分割精细指数,当心电细节表征指数越大时,说明该心电细节信号包含的病患的心电信息越多,越应该进行较细粒度的分割,以尽可能地仅对包含病患有效信息较少的心电细节信号进行隐写,避免病患心电信息的丢失,分割精细指数值越大;当心电细节表征指数越小时,说明该心电细节信号包含的病患的有效信息越少,越应该将心电细节保持信号进行合并以降低遗传算法的计算复杂度,分割精细指数值越小。
进一步的,选取分割精细指数与心电细节保持信号的个数之间的最小值作为应该对心电细节信号进行分割的最佳分割个数,将心电细节保持信号的个数与最佳分割个数的差值作为细粒度消减指数。
需要说明的是,当心电细节保持信号的个数与最佳分割个数的差值越大时,说明越应该对心电细节保持信号的个数进行削减以减小后续计算的复杂度,细粒度消减指数值越大。
进一步需要说明的是,由于每个心电细节信号中相邻的极大值点之间的距离可能较短、特征较为相似,为了进一步降低遗传算法的计算复杂度,需要先筛选出能够进行合并的心电细节保持信号。
具体的,将每个心电细节保持信号在所有采样时刻的签名嵌入保持系数的平均值作为每个心电细节保持信号的嵌入保持度,将每个心电细节信号的各心电细节保持信号与相邻的下一个心电细节保持信号的嵌入保持度的差值的绝对值作为每个心电细节信号的各心电细节保持信号的邻域嵌入差异,将每个心电细节信号的各心电细节保持信号与相邻的下一个心电细节保持信号的长度之和作为每个心电细节信号的各心电细节保持信号的合并长度。
所述邻域嵌入差异、所述合并长度均与每个心电细节信号的各心电细节保持信号的信号合并指数与成负相关关系,作为本申请的一个实施例,将以自然常数为底数、以所述邻域嵌入差异与所述合并长度的乘积的相反数为指数的指数函数的计算结果记为每个心电细节信号的各心电细节保持信号的信号合并指数。
当每个心电细节保持信号与相邻的下一个心电细节保持信号的签名嵌入保持系数的平均值的差异越小、同时该心电细节保持信号与相邻的下一个心电细节保持信号的长度均较短时,说明该心电细节保持信号与相邻的下一个心电细节保持信号的特征越相似,越应该将该心电细节保持信号与相邻的下一个心电细节保持信号进行合并以降低遗传算法的计算复杂度,信号合并指数值越大。
将每个心电细节信号的所有心电细节保持信号按照信号合并指数进行排序,将前个信号合并指数对应的心电细节保持信号作为待合并信号,将每个待合并信号与其相邻的下一个心电细节保持信号进行合并,其中,/>为该心电细节信号的细粒度消减指数。
步骤S005、根据待嵌入数字签名以及每个心电细节信号的所有心电细节保持信号获取最佳隐写细节信号,将最佳隐写细节信号进行压缩传输,实现对医疗信息的共享。
为了达到最佳的隐写效果,将每个心电细节信号的所有的心电细节保持信号作为遗传算法的输入,随机初始化个个体向量,每个个体向量中的每个元素对应一个心电细节保持信号,每个个体向量中每个元素的取值为0或1,对于各个体向量,计算每个个体向量的心电数据隐写失真度,将心电数据隐写失真度作为遗传算法的适应度函数,即将所有个体向量的心电数据隐写失真度升序排列,将前/>个个体向量作为精英个体,迭代生成新的个个体向量,并按照上述方法获取精英个体,达到迭代次数之后,将精英个体中心电数据隐写失真度最小的个体向量作为最佳个体向量。
其中,为种群数量,/>为精英个体数,应当理解的是,种群数量、精英个体数均为人为预设的数值,本实施例中对必要参数种群数量取值为15,精英个体数取值为3,变异率取值为0.05,交叉率取值为0.3,迭代次数取值为50。
将每个心电细节保持信号以及待嵌入数字签名作为隐写算法的输入,输出细节保持隐写信号,将每个心电细节保持信号与对应的细节保持隐写信号在相同采样时刻的信号强度的差值绝对值记为每个心电细节保持信号在每个采样时刻的隐写信号偏差,将每个心电细节保持信号在每个采样时刻的隐写信号偏差与签名嵌入保持系数的比值作为单时刻隐写失真系数,将每个心电细节保持信号在所有采样时刻的单时刻隐写失真系数之和作为每个心电细节保持信号的隐写失真指数。
需要说明的是,心电细节保持信号与对应的细节保持隐写信号的长度相等,隐写算法为公知技术,本实施例在此不做赘述。
将每个个体向量中的任一元素值与所述任一元素对应的心电细节保持信号的隐写失真指数的乘积作为所述任一元素的隐写效果失真度,每个个体向量的心电数据隐写失真度与每个个体向量中每个元素的隐写效果失真度成正相关关系。作为本申请的一个实施例,将每个个体向量中所有元素的隐写效果失真度之和作为每个个体向量的心电数据隐写失真度。
需要说明的是,当心电细节保持信号在各采样时刻的签名嵌入保持系数越大、与对应的细节保持隐写信号在各采样时刻的信号强度的差异越小时,说明在该心电细节保持信号的各采样时刻处写入数字签名对病患的心电信息的影响程度越小,对该心电细节保持信号进行隐写之后的失真程度越小,心电数据隐写失真度值越小。
进一步,将每个心电细节信号的最佳个体向量中值为1的元素替换为对应的细节保持隐写信号,将最佳个体向量中值为0的元素替换为对应的心电细节保持信号,作为每个心电细节信号的最佳隐写细节信号。
在本申请的一个实施例中,最佳隐写细节信号的获取示意图如图8所示。
采用LZ77压缩算法将所有心电细节信号的最佳隐写细节信号进行压缩,输出医疗信息压缩数据,将医疗信息压缩数据传输至数据接收方,数据接收方先通过解压缩算法将医疗信息压缩数据进行解压缩,再通过隐写算法的逆运算获取患者心电信号,实现对医疗信息的共享。
需要说明的是,数据接收方包括但不限于患者、医务人员、科研人员,LZ77压缩算法、解压缩算法以及隐写算法的逆运算为公知技术,本实施例在此不做赘述,对于压缩算法的选取,作为其他实施方式,实施者可自行选取,本实施例对此不做特殊限制。
应当理解的是,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定,本申请不做特殊限制;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于大数据的医疗信息共享方法,其特征在于,该方法包括以下步骤:
采集患者心电信号,获取待嵌入数字签名;将患者心电信号分解为多个心电细节信号;
基于各心电细节信号与患者心电信号的频率分布差异获取各心电细节信号的心电细节表征指数;基于各心电细节信号与患者心电信号的整体信号强度的差异性以及波形差异获取各心电细节信号在各采样时刻的签名嵌入保持系数;
根据每个心电细节信号的心电细节表征指数以及在所有采样时刻的签名嵌入保持系数获取各心电细节保持信号;根据所述待嵌入数字签名以及每个心电细节信号的所有心电细节保持信号获取各心电细节信号的最佳个体向量;
根据所述最佳个体向量以及心电细节保持信号获取各心电细节信号的最佳隐写细节信号,对最佳隐写细节信号进行压缩传输,完成医疗信息共享。
2.根据权利要求1所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取各心电细节信号的心电细节表征指数,包括的具体方法为:
根据患者心电信号以及心电细节信号获取心电图频谱、中心频率;根据各心电细节信号以及患者心电信号的心电图频谱、中心频率获取各心电细节信号的心电频率强度差异指数;
将每个心电细节信号与患者心电信号的中心频率的差值绝对值记为中频差异;将所述心电频率强度差异指数与所述中频差异之和乘以对应心电细节信号的心电图频谱中所有频率的信号强度的信息熵,作为心电频率差异系数;
各心电细节信号的心电细节表征指数与所述心电频率差异系数成负相关关系。
3.根据权利要求2所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取心电图频谱、中心频率,包括的具体方法为:
对患者心电信号进行频域转换,输出心电图频谱,对心电图频谱进行归一化处理作为调整心电图频谱,将调整心电图频谱中每个频率的信号强度作为每个频率的权重,将调整心电图频谱中所有频率的加权和作为患者心电信号的中心频率;
对于每个心电细节信号,采用与患者心电信号的心电图频谱、中心频率相同的获取方法得到每个心电细节信号的心电图频谱、中心频率。
4.根据权利要求2所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取各心电细节信号的心电频率强度差异指数,包括的具体方法为:
在每个心电细节信号的心电图频谱中,将每个频率与中心频率的差值绝对值记为频率远心距,将每个频率的信息量与所述频率远心距的比值记为频率置信权重,将每个频率与患者心电信号的心电图频谱中相同频率的信号强度的差值绝对值记为频率强度差异;
将所述频率强度差异与所述频率置信权重的乘积作为每个频率的频率强度置信差异;
各心电细节信号的心电频率强度差异指数与所述频率强度置信差异成正相关关系。
5.根据权利要求1所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取各心电细节信号在各采样时刻的签名嵌入保持系数,包括:
基于各心电细节信号与患者心电信号的整体信号强度的差异性获取各心电细节信号的幅度增益系数;
对于各采样时刻,将每个心电细节信号与患者心电信号在相同采样时刻的二阶导数的差值绝对值记为波形凹凸差异;
将任一心电细节信号在每个采样时刻的信号强度与所述任一心电细节信号的幅度增益系数的比值记为调整细节信号幅度,将所述调整细节信号幅度与患者心电信号在相同采样时刻的信号强度的差值绝对值记为信号强度差异;
所述波形凹凸差异、所述信号强度差异均与所述任一心电细节信号在各采样时刻的签名嵌入保持系数成正相关关系。
6.根据权利要求5所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取各心电细节信号的幅度增益系数,包括的具体方法为:
分别计算患者心电信号与各心电细节信号,在每个采样时刻的信号强度与预设调参因子的和值,记为患者心电信号与各心电细节信号在每个采样时刻的非零信号强度;
将心电细节信号与患者心电信号在各采样时刻的非零信号强度的比值的绝对值作为心电细节信号在各采样时刻的信号强度相对差异;
将每个心电细节信号在所有采样时刻的信号强度相对差异记为每个心电细节信号的幅度增益系数。
7.根据权利要求1所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取各心电细节保持信号,包括:
将每个心电细节信号在所有采样时刻的签名嵌入保持系数组成签名嵌入保持序列,获取签名嵌入保持序列中所有极大值点,将签名嵌入保持序列中每个极大值点与相邻的下一个极大值点的中点作为保持中断点,以每个心电细节信号中的保持中断点为划分点,将每个心电细节信号划分为多个心电细节保持信号。
8.根据权利要求1所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取各心电细节信号的最佳个体向量,包括的具体方法为:
将每个心电细节信号的所有的心电细节保持信号作为遗传算法的输入,随机初始化预设数量个个体向量;
基于每个个体向量中每个元素对应的心电细节保持信号的隐写结果以及在各采样时刻的签名嵌入保持系数计算各个体向量的心电数据隐写失真度;
将每个心电细节信号的各个体向量的心电数据隐写失真度作为遗传算法的适应度函数,输出每个心电细节信号的最佳个体向量。
9.根据权利要求8所述的一种基于大数据的医疗信息共享方法,其特征在于,所述计算各个体向量的心电数据隐写失真度,包括的具体方法为:
将每个心电细节保持信号以及待嵌入数字签名作为隐写算法的输入,输出细节保持隐写信号,将每个心电细节保持信号与对应的细节保持隐写信号在相同采样时刻的信号强度的差值绝对值记为每个心电细节保持信号在每个采样时刻的隐写信号偏差,将每个心电细节保持信号在每个采样时刻的隐写信号偏差与签名嵌入保持系数的比值作为单时刻隐写失真系数,将每个心电细节保持信号在所有采样时刻的单时刻隐写失真系数之和作为每个心电细节保持信号的隐写失真指数;
将每个个体向量中的任一元素值与所述任一元素对应的心电细节保持信号的隐写失真指数的乘积作为所述任一元素的隐写效果失真度,每个个体向量的心电数据隐写失真度与每个个体向量中每个元素的隐写效果失真度成正相关关系。
10.根据权利要求9所述的一种基于大数据的医疗信息共享方法,其特征在于,所述获取各心电细节信号的最佳隐写细节信号,对最佳隐写细节信号进行压缩传输,完成医疗信息共享,包括的具体方法为:
将每个心电细节信号的最佳个体向量中值为1的元素替换为对应的细节保持隐写信号,将最佳个体向量中值为0的元素替换为对应的心电细节保持信号,作为每个心电细节信号的最佳隐写细节信号;
采用压缩算法将所有心电细节信号的最佳隐写细节信号进行压缩,得到医疗信息压缩数据,利用医疗信息压缩数据进行传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410523775.0A CN118098484B (zh) | 2024-04-29 | 2024-04-29 | 一种基于大数据的医疗信息共享方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410523775.0A CN118098484B (zh) | 2024-04-29 | 2024-04-29 | 一种基于大数据的医疗信息共享方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118098484A true CN118098484A (zh) | 2024-05-28 |
CN118098484B CN118098484B (zh) | 2024-07-02 |
Family
ID=91144392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410523775.0A Active CN118098484B (zh) | 2024-04-29 | 2024-04-29 | 一种基于大数据的医疗信息共享方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118098484B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327413A (zh) * | 2016-08-10 | 2017-01-11 | 深圳大学 | 一种基于频域分析的图像隐写方法及系统 |
CN110784288A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大学 | 心电信号实时无损压缩方法和系统 |
CN113946844A (zh) * | 2021-09-29 | 2022-01-18 | 暨南大学 | 一种基于格理论的最小失真信息隐藏方法、系统及介质 |
CN116405201A (zh) * | 2023-03-23 | 2023-07-07 | 中国地质大学(武汉) | 基于ceemd与卷积纠错码的心电信号动态隐写方法和系统 |
CN117503153A (zh) * | 2024-01-05 | 2024-02-06 | 北华大学 | 基于人工智能的患者术后康复评价方法 |
-
2024
- 2024-04-29 CN CN202410523775.0A patent/CN118098484B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327413A (zh) * | 2016-08-10 | 2017-01-11 | 深圳大学 | 一种基于频域分析的图像隐写方法及系统 |
CN110784288A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大学 | 心电信号实时无损压缩方法和系统 |
CN113946844A (zh) * | 2021-09-29 | 2022-01-18 | 暨南大学 | 一种基于格理论的最小失真信息隐藏方法、系统及介质 |
CN116405201A (zh) * | 2023-03-23 | 2023-07-07 | 中国地质大学(武汉) | 基于ceemd与卷积纠错码的心电信号动态隐写方法和系统 |
CN117503153A (zh) * | 2024-01-05 | 2024-02-06 | 北华大学 | 基于人工智能的患者术后康复评价方法 |
Non-Patent Citations (2)
Title |
---|
SHUO-TSUNG CHEN 等: ""Patient Confidential Data Hiding and Transmission System Using Amplitude Quantization in the Frequency Domain of ECG Signals"", 《SENSORS》, vol. 23, 15 November 2023 (2023-11-15), pages 1 - 13 * |
贾凤: ""基于隐写技术的心电数据访问控制研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 07, 15 July 2021 (2021-07-15), pages 054 - 24 * |
Also Published As
Publication number | Publication date |
---|---|
CN118098484B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nazari et al. | Variational mode extraction: A new efficient method to derive respiratory signals from ECG | |
Tan et al. | A novel Blaschke unwinding adaptive-Fourier-decomposition-based signal compression algorithm with application on ECG signals | |
Alfaouri et al. | ECG signal denoising by wavelet transform thresholding | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
CN104887263B (zh) | 一种基于心音多维特征提取的身份识别算法及其系统 | |
Maalej et al. | On the wavelet-based compressibility of continuous-time sampled ECG signal for e-health applications | |
Chowdhury et al. | Automatic phonocardiography analysis using discrete wavelet transform | |
CN118098484B (zh) | 一种基于大数据的医疗信息共享方法 | |
Dias et al. | Compressive sensing of electrocardiogram | |
CN111915538B (zh) | 一种用于数字血管减影的图像增强方法及系统 | |
Sahu et al. | Unequal steganography with unequal error protection for wireless physiological signal transmission | |
CN117243583A (zh) | 一种基于eemd-dfa-tfpf的心冲击信号降噪方法 | |
Soni et al. | A morphologically robust chaotic map based approach to embed patient’s confidential data securely in non-QRS regions of ECG signal | |
Pallavi et al. | Study and analysis of ECG compression algorithms | |
Kanhe et al. | Wavelet-based compression of ECG signals | |
Kumari et al. | Analysis of ECG data compression techniques | |
Gürkan et al. | Modeling of electrocardiogram signals using predefined signature and envelope vector sets | |
Mir et al. | Adaptive data analysis methods for biomedical signal processing applications | |
Birajdar et al. | Secure and robust ECG steganography using fractional fourier transform | |
Kheder et al. | Heart rate variability analysis using threshold of wavelet package coefficients | |
CN116491894B (zh) | 基于欧拉影像放大算法的帕金森病症识别方法 | |
Pandhe et al. | Review and enhancement of ECG data compression and reconstruction method for portable devices | |
Wang et al. | A novel lossless ecg compression algorithm for active implants | |
Shalini et al. | An Efficient Scheme for Compression of Electro Cardiac Signal using Divide and Conquer Algorithm | |
Anderson et al. | Gabor function based medical image compression |
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 |