[發(fā)明專利]基于邊緣計(jì)算的醫(yī)療數(shù)據(jù)處理方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210105099.6
• 申請(qǐng)日: 2022-01-28
• 公開（公告）號(hào): CN114519303A
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 鄭穎;李祥;張聞濤;孟俊;郭廣躍
• 申請(qǐng)（專利權(quán)）人: 童心堂健康科技（北京）有限公司;華潤生命科學(xué)集團(tuán)有限公司
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06F119/02
• 代理公司: 深圳市隆天聯(lián)鼎知識(shí)產(chǎn)權(quán)代理有限公司 44232
• 代理人: 葉虹

本發(fā)明揭示了一種基于邊緣計(jì)算的醫(yī)療數(shù)據(jù)處理方法和系統(tǒng)。所述方法區(qū)分地域?yàn)橛脩舨渴疬吘壒?jié)點(diǎn)，邊緣節(jié)點(diǎn)部署智能評(píng)估模型，智能評(píng)估模型經(jīng)所對(duì)應(yīng)地域的醫(yī)療數(shù)據(jù)訓(xùn)練得到；所述方法包括：將用戶的外部訪問連接至所適用地域的邊緣節(jié)點(diǎn)，邊緣節(jié)點(diǎn)獲得用戶的醫(yī)療數(shù)據(jù)；通過邊緣節(jié)點(diǎn)對(duì)醫(yī)療數(shù)據(jù)提取特征數(shù)據(jù)；對(duì)特征數(shù)據(jù)，經(jīng)邊緣節(jié)點(diǎn)上部署的智能評(píng)估模型執(zhí)行用戶所屬健康狀態(tài)評(píng)估；由于該智能評(píng)估模型是經(jīng)由所在地域的醫(yī)療數(shù)據(jù)訓(xùn)練所得到的，因此，能夠?qū)τ脩舻尼t(yī)療數(shù)據(jù)進(jìn)行差異化處理，識(shí)別所存在的差異，進(jìn)而提升評(píng)估的準(zhǔn)確性，能夠面向各區(qū)域用戶實(shí)現(xiàn)系統(tǒng)而準(zhǔn)確的醫(yī)療數(shù)據(jù)評(píng)估。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域，特別涉及一種基于邊緣計(jì)算的醫(yī)療數(shù)據(jù)處理方法和系統(tǒng)。

背景技術(shù)

基于人工智能所進(jìn)行的各類別識(shí)別，一直以來都是各應(yīng)用場(chǎng)景下解決大量數(shù)據(jù)分類的重要工具。例如，在圖像、自然語言處理等應(yīng)用場(chǎng)景中，對(duì)大量數(shù)據(jù)實(shí)現(xiàn)的大規(guī)模分類，以此來快速準(zhǔn)確的獲得相關(guān)的分類預(yù)測(cè)結(jié)果，加速所在應(yīng)用場(chǎng)景的功能實(shí)現(xiàn)。

但在一些特別的應(yīng)用場(chǎng)景之下，人工智能所執(zhí)行的各種計(jì)算，存在著困難，例如，人工智能+醫(yī)療場(chǎng)景。

醫(yī)療場(chǎng)景中人工智能的應(yīng)用難以識(shí)別用戶之間的個(gè)體差異，無法對(duì)用戶的醫(yī)療數(shù)據(jù)基于個(gè)體差異以及環(huán)境、生活方式等因素進(jìn)行差異化處理，進(jìn)而造成人工智能在醫(yī)療場(chǎng)景下的應(yīng)用存在不準(zhǔn)確的缺陷。

因此，如何面向用戶的醫(yī)療數(shù)據(jù)實(shí)現(xiàn)差異化的人工智能評(píng)估，進(jìn)而對(duì)大量的用戶實(shí)現(xiàn)系統(tǒng)化的健康狀態(tài)評(píng)估，是人工智能在醫(yī)療場(chǎng)景的應(yīng)用中亟待需要實(shí)現(xiàn)的。

發(fā)明內(nèi)容

為了解決相關(guān)技術(shù)中醫(yī)療數(shù)據(jù)的評(píng)估在人工智能的實(shí)現(xiàn)中無差異化處理所帶來的不準(zhǔn)確的技術(shù)問題，本發(fā)明提供一種基于邊緣計(jì)算的醫(yī)療數(shù)據(jù)處理方法和系統(tǒng)。

一種基于邊緣計(jì)算的醫(yī)療數(shù)據(jù)處理方法，所述方法區(qū)分地域?yàn)橛脩舨渴疬吘壒?jié)點(diǎn)，所述邊緣節(jié)點(diǎn)部署智能評(píng)估模型，所述智能評(píng)估模型經(jīng)所對(duì)應(yīng)地域的醫(yī)療數(shù)據(jù)訓(xùn)練得到；

所述方法包括：

將所述用戶的外部訪問連接至所適用地域的邊緣節(jié)點(diǎn)，所述邊緣節(jié)點(diǎn)獲得所述用戶的醫(yī)療數(shù)據(jù)；

通過所述邊緣節(jié)點(diǎn)對(duì)所述醫(yī)療數(shù)據(jù)提取特征數(shù)據(jù)；

對(duì)所述特征數(shù)據(jù)，經(jīng)所述邊緣節(jié)點(diǎn)上部署的智能評(píng)估模型執(zhí)行用戶所屬健康狀態(tài)評(píng)估。

在一個(gè)示例性實(shí)施例中，所述將所述用戶的外部訪問連接至所適用的邊緣節(jié)點(diǎn)，所述邊緣節(jié)點(diǎn)獲得所述用戶的醫(yī)療數(shù)據(jù)，包括：

通過用戶所適用地域確定對(duì)應(yīng)的容器或虛擬機(jī)，所述容器或虛擬機(jī)分散部署于不同地域且用于運(yùn)行所述地域的邊緣節(jié)點(diǎn)；

將所述用戶的外部訪問連接至確定的所述容器或虛擬機(jī)，通過所述容器或虛擬機(jī)為用戶連接至運(yùn)行的邊緣節(jié)點(diǎn)；

所述邊緣節(jié)點(diǎn)獲得用戶發(fā)送的醫(yī)療數(shù)據(jù)。

在一個(gè)示例性實(shí)施例中，所述方法還為所述邊緣節(jié)點(diǎn)的集中控制部署中心節(jié)點(diǎn)，所述方法包括：

通過所述中心節(jié)點(diǎn)監(jiān)測(cè)所述邊緣節(jié)點(diǎn)相關(guān)的資源使用率；

根據(jù)監(jiān)測(cè)得到的所述資源使用率，所述中心節(jié)點(diǎn)控制執(zhí)行所對(duì)應(yīng)地域之上的邊緣節(jié)點(diǎn)調(diào)度。

在一個(gè)示例性實(shí)施例中，所述醫(yī)療數(shù)據(jù)包括脈搏波信號(hào)，所述通過所述邊緣節(jié)點(diǎn)對(duì)所述醫(yī)療數(shù)據(jù)提取特征數(shù)據(jù)，包括：

分割所述醫(yī)療數(shù)據(jù)中的脈搏波信號(hào)得到心跳數(shù)據(jù)；

對(duì)所述心跳數(shù)據(jù)分別提取特征值，提取的所述特征值在維度上包括心跳最大值、心跳最小值、重搏波波峰、重搏波峰的寬度；

對(duì)提取的特征值，按所對(duì)應(yīng)的維度分別執(zhí)行平均計(jì)算得到用戶所有心跳對(duì)應(yīng)的特征數(shù)據(jù)。