System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及医疗信息,具体涉及一种基于医疗大数据的健康监测管理方法。
技术介绍
1、有效的健康管理可以将被动的疾病治疗转化为主动的自我健康监控,通过将物联网及人工智能技术广泛融合并应用于生活中,通过大数据技术可以加速从医学的猜想、发现到医疗实践的转化;随着私密和公开医疗数据的不断增长,大数据技术为人们提供了存储和管理医疗大数据的新途径,并从海量、复杂的数据中挖掘出有价值的信息。这种趋势将促使医疗领域出现更多创新的技术和产品,实现贯穿用户全生命周期的数据采集、监测、并对各项数据指标进行综合智能分析,服务于用户的健康管理,从而提高健康干预与管理能力。
2、然而,目前的健康管理医疗服务系统虽然能够收集和评估个体的健康数据,但由于不同个体的身体状况和生活方式等因素不同,其身体指标的数据趋势也不相同,出现的健康状况也各异。因此,仅使用单一的健康标准对所有个体进行健康评估并提供健康预警并不够个性化和精准化。
技术实现思路
1、为了解决上述技术问题,本专利技术提供一种基于医疗大数据的健康监测管理方法,以解决现有的问题。
2、本专利技术的一种基于医疗大数据的健康监测管理方法采用如下技术方案:
3、本专利技术一个实施例提供了一种基于医疗大数据的健康监测管理方法,该方法包括以下步骤:
4、采集各类健康监测动态信息;将预设时间长度作为一个健康监测区间;
5、对于各类健康监测动态信息,在一个健康监测区间内,将健康监测动态信息的所有数据组成的序列作为
6、将所有健康监测区间的波动特征值组成的序列作为健康监测动态信息的信息特征序列;根据各类健康监测动态信息的信息特征序列中数据突变情况得到各健康监测动态信息的特征突变一致性;根据各健康监测动态信息的特征突变一致性判断目标个体健康状态。
7、优选法,所述健康监测动态信息包括:体质量指数、血压、血糖、心率数据。
8、优选法,所述根据趋势项序列及残差项序列中数据变化得到健康监测区间的波动趋势影响因子,具体包括:
9、计算残差项序列中所有数据的方差,记为第一方差;将残差项序列与趋势项序列中相同时刻的元素相加,获取相加后所有时刻的元素组成的新序列,计算新序列中所有元素的方差,记为第二方差;计算第一方差与第二方差的比值;将自然数1与所述比值的差值绝对值作为健康监测区间的趋势强度;
10、计算所述趋势项序列中所有数据的最大值与最小值的差值;将所述最大值与最小值的差值与趋势强度的乘积作为健康监测区间的波动趋势影响因子。
11、优选法,所述根据周期项序列中数据变化得到健康监测区间的波动周期影响指数,具体包括:
12、通过健康监测区间的趋势强度的获取方式得到第i个健康监测区间的周期强度;计算健康监测区间的波动周期影响指数的表达式为:
13、;
14、式中,表示第i个健康监测区间的波动周期影响指数,表示第i个健康监测区间的健康监测动态信息序列分解得到的周期项序列的第x个周期对应的序列,表示第i个健康监测区间的健康监测动态信息序列分解得到的周期项序列,表示第i个健康监测区间,、分别表示强周期性集合、弱周期性集合,、分别表示最大值函数、最小值函数。
15、优选法,所述强周期性集合、弱周期性集合具体为:
16、将周期强度大于等于预设周期强度阈值的健康监测区间组成的集合作为强周期性集合;将周期强度小于预设周期强度阈值的健康监测区间组成的集合作为弱周期性集合。
17、优选法,所述根据趋势项序列及波动趋势影响因子得到各健康监测区间的趋势分布一致性,具体包括:
18、计算第i个健康监测区间与各健康监测区间的健康监测动态信息序列的趋势项序列之间的皮尔逊相关系数;计算所有健康监测区间的波动趋势影响因子的标准差;计算第i个健康监测区间与各健康监测区间的波动趋势影响因子之间的差值绝对值;计算所述标准差与所述差值绝对值的乘积;计算所述皮尔逊相关系数与所述乘积的比值;将所有所述比值的和值作为第i个健康监测区间的趋势分布一致性。
19、优选法,所述根据强、弱周期性集合中健康监测区间数量及波动周期影响指数得到各健康监测区间的周期强度特征因子,具体表达式为:
20、;
21、式中,表示第t个医疗分析周期内第i个健康监测区间的周期强度特征因子,i表示健康监测区间的序号值,表示以自然常数为底数的指数函数,表示获取集合内元素个数,、分别表示第t个医疗分析周期内的强周期性集合、弱周期性集合,、分别表示第t个医疗分析周期内强、弱周期性集合中健康监测区间的个数,表示第t个医疗分析周期内健康监测区间的个数,表示第t个医疗分析周期内第i个健康监测区间的波动周期影响指数。
22、优选法,所述根据健康监测动态信息序列中数据变化、趋势分布一致性及周期强度特征因子得到各健康监测区间的波动特征值,具体包括:
23、获取各健康监测区间的健康监测动态信息序列中所有元素的均值及标准差;计算所述均值与所述标准差的比值;计算各健康监测区间的趋势分布一致性及周期强度特征因子的乘积;将所述比值与所述乘积的乘积作为各健康监测区间的波动特征值。
24、优选法,所述根据各类健康监测动态信息的信息特征序列中数据突变情况得到各健康监测动态信息的特征突变一致性,具体包括:
25、将各类健康监测动态信息的信息特征序列输入分段线性回归算法,得到各信息特征序列的突变点;将各信息特征序列的所有突变点组成的序列作为突变索引序列;通过动态时间规整算法计算第a类与其他各类健康监测动态信息的突变索引序列之间的dtw距离;将所有所述dtw距离的平均值的归一化值作为第a类健康监测动态信息的特征突变一致性。
26、优选法,所述根据各健康监测动态信息的特征突变一致性判断目标个体健康状态,具体为:
27、将特征突变一致性大于预设突变阈值的各健康监测动态信息均作为潜在风险因素;若潜在风险因素的数量大于预设数量,则目标个体处于不健康状态;反之,目标个体处于健康状态。
28、本专利技术至少具有如下有益效果:
29、本专利技术根据目标个体在健康监测区间的健康监测动态信息数据的变化趋势性、周期性进行分析本文档来自技高网...
【技术保护点】
1.一种基于医疗大数据的健康监测管理方法,其特征在于,该方法包括以下步骤:
2.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述健康监测动态信息包括:体质量指数、血压、血糖、心率数据。
3.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据趋势项序列及残差项序列中数据变化得到健康监测区间的波动趋势影响因子,具体包括:
4.如权利要求3所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据周期项序列中数据变化得到健康监测区间的波动周期影响指数,具体包括:
5.如权利要求4所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述强周期性集合、弱周期性集合具体为:
6.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据趋势项序列及波动趋势影响因子得到各健康监测区间的趋势分布一致性,具体包括:
7.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据强、弱周期性集合中健康监测区间数量及波动周期影响指数得到
8.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据健康监测动态信息序列中数据变化、趋势分布一致性及周期强度特征因子得到各健康监测区间的波动特征值,具体包括:
9.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据各类健康监测动态信息的信息特征序列中数据突变情况得到各健康监测动态信息的特征突变一致性,具体包括:
10.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据各健康监测动态信息的特征突变一致性判断目标个体健康状态,具体为:
...【技术特征摘要】
1.一种基于医疗大数据的健康监测管理方法,其特征在于,该方法包括以下步骤:
2.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述健康监测动态信息包括:体质量指数、血压、血糖、心率数据。
3.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据趋势项序列及残差项序列中数据变化得到健康监测区间的波动趋势影响因子,具体包括:
4.如权利要求3所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据周期项序列中数据变化得到健康监测区间的波动周期影响指数,具体包括:
5.如权利要求4所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述强周期性集合、弱周期性集合具体为:
6.如权利要求1所述的一种基于医疗大数据的健康监测管理方法,其特征在于,所述根据趋势项序列及波动趋势影响因子...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。