[發(fā)明專利]一種新冠疫情背景下的廣域健康知識獲取方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210013011.8
• 申請日: 2022-01-06
• 公開（公告）號: CN114530221A
• 公開（公告）日: 2022-05-24
• 發(fā)明（設計）人: 徐揚;邵建博;賀宏鋼;陳蕓;張珊珊;徐夢涵;劉佳;劉東蘇
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G16H10/60
• 分類號: G16H10/60;G16H50/30;G06F40/295;G06N5/02
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 李霞

本發(fā)明屬于數字信息傳輸技術領域，公開了一種新冠疫情背景下的廣域健康知識獲取方法及系統(tǒng)，由1個醫(yī)療管理機構HCO和N個數據收集區(qū)域組成；每個數據收集區(qū)域由一個集成邊緣AI的局部數據管理者LDM和多個穿戴可穿戴設備的公民組成；其中，令表示LDMs的集合，LDM i管理M_i個裝備可穿戴設備的公民，其中表示公民集合。本發(fā)明的廣域健康知識獲取方法同時考慮了知識生成過程和知識交易過程，并在不完全信息情況下推導出了知識交易機制的閉合表達式。本發(fā)明的激勵機制深刻分析了各實體之間的經濟互動，并顯式給出了每個實體的最優(yōu)策略。此外，本發(fā)明通過大量的數值仿真結果驗證了理論結果的正確性。

技術領域

本發(fā)明屬于數字信息傳輸技術領域，尤其涉及一種新冠疫情背景下的廣域健康知識獲取方法及系統(tǒng)。

背景技術

目前，在新冠疫情期間收集健康數據對人們生命安全和國家穩(wěn)定有重大意義。自疫情爆發(fā)以來，可穿戴設備被廣泛用來收集公民健康數據(心跳、步數等)。例如，WHOOPStrap 3.0是一款可穿戴腕帶，可以實時收集并監(jiān)督心肺數據的變化，并通過藍牙將其發(fā)送到公民手機中。穿戴了Estimote公司研發(fā)的可穿戴設備，公民就能夠實時更新其健康狀態(tài)，并將數據與一個中央實體共享。Patch 1AX生物傳感器能夠測量體溫、呼吸頻率、心電圖和心率，并通過藍牙將健康數據傳輸到公民手機。所有這些傳感器和其他可穿戴設備可都被用于應對COVID-19疫情。然而，人們在提供其健康數據方面總是表現的猶豫不決，缺少動力。因此，應設計一種復雜詳盡的激勵機制。

市場經濟模型(Market economy models)已經被廣泛用來設計激勵機制。現有工作大多集中于數據交易和數據共享中，使用的方法包括博弈論、拍賣、行為經濟學、技術經濟學、算法博弈論、多臂老虎機等。然而，由于網絡資源有限，大量傳輸數據是不現實的。近年來興起的“知識即服務(Knowledge-as-a-Service)”能夠很好的解決這一問題，即，將數據提煉成知識再進行交易。有關知識交易的機制設計大多使用非合作博弈理論，這假定博弈參與人具有完全信息，這在現實中幾乎是不可能的。此外，現存有關知識交易的研究沒有考慮到知識生成的過程。因此，亟需設計一種新冠疫情背景下的廣域健康知識獲取方法及系統(tǒng)，以彌補現有技術的缺陷。

通過上述分析，現有技術存在的問題及缺陷為：現有技術沒有同時考慮知識生成過程和知識交易過程，沒有考慮不完全信息的情況，且現有工作大多集中于數據交易和數據共享中，由于網絡資源有限，大量傳輸數據是不現實的。

解決以上問題及缺陷的難度為：需要設計一套集合知識生成和知識交易的多層、多實體、多目標框架，要準確分析各層各實體之間的經濟互動；不完全信息意味著參與者要在不完全了解對手信息的情況下制定自己的最優(yōu)決策，這是博弈研究的一個難點。

解決以上問題及缺陷的意義為：讓本發(fā)明提出的框架更貼合實際情況，能夠為現實生活中類似的系統(tǒng)或架構提供理論指導。

發(fā)明內容

針對現有技術存在的問題，本發(fā)明提供了一種新冠疫情背景下的廣域健康知識獲取方法及系統(tǒng)，尤其涉及一種新冠疫情背景下基于區(qū)塊鏈的廣域健康知識獲取方法及系統(tǒng)。

本發(fā)明是這樣實現的，一種新冠疫情背景下的廣域健康知識獲取方法，其特征在于，所述新冠疫情背景下的廣域健康知識獲取方法包括：

假定HCO需要宏觀的公民健康知識，LDM能夠在微觀層面收集公民數據并將其訓練為知識，公民是原始數據的提供者，所述新冠疫情背景下的廣域健康知識獲取方法包括知識生成階段和知識交易階段；

在知識生成階段，HCO向多個LDM發(fā)布一系列知識獲取任務，在LDM選擇接受某個任務后，將向感知區(qū)域內的公民發(fā)布數據收集需求，收集到數據后，LDM通過邊緣AI算法將數據訓練為知識；在知識交易階段，LDMs將知識有償的賣給HCO；所述邊緣AI算法包括深度強化學習DRL和支持向量機SVM。

進一步，所述新冠疫情背景下的廣域健康知識獲取方法還包括：