一种健康监测系统技术方案

本发明专利技术提供了一种健康监测系统，涉及医疗管理领域，健康监测系统包括：获取单元，获取单元用于获取当前数据和原始模型，原始模型用于存储不同站点的本地数据，且原始模型通过系统区块链获得；判断单元，判断单元用于根据当前数据和原始模型判断是否更新模型；处理单元，处理单元用于，当需要更新模型时，对原始模型内不同站点的本地数据分别进行初始模型训练，得到目标站点和临时模型；利用目标站点内的本地数据对目标模型进行后续模型训练，并判断后续模型训练是否满足预设停止标准；根据判断的结果，得到健康监测模型，其中，健康监测模型用于根据当前数据评估健康状况。本发明专利技术减小了健康监测系统运行时的吞吐量和数据存储负担。康监测系统运行时的吞吐量和数据存储负担。康监测系统运行时的吞吐量和数据存储负担。

【技术实现步骤摘要】
一种健康监测系统


[0001]本专利技术涉及医疗管理领域，具体而言，涉及一种健康监测系统。

技术介绍

[0002]现今，随着信息技术的快速发展，生活水平的提高，人们越来越关注自身的健康状况，越来越多的医院正加速实施基于信息化平台、HMS系统的建设，以提高医院的服务水平与核心竞争力，其中，HMS(Health ManagementSystem)系统是健康监测系统，是一个包括远距离健康信息收集、健康信息检查和病人
‑
专家持续通信的综合框架。
[0003]现有的HMS系统已经使用区块链技术与机器学习相结合来提高数据安全性和系统效率，由于现有健康监测系统是通过利用所有站点的本地数据在公共区块链中对模型进行训练，所以在运行过程中系统吞吐量过大，同时在训练过程中，系统需对所有参与训练的站点的本地数据进行维护，使系统数据存储负担过重。

技术实现思路

[0004]本专利技术解决的问题是如何解决健康监测系统运行过程中的系统吞吐量过大，及数据存储负担过重的问题。
[0005]为解决上述问题，本专利技术提供一种健康监测系统，包括：
[0006]获取单元，所述获取单元用于获取当前数据和原始模型，所述原始模型用于存储不同站点的本地数据，且所述原始模型通过系统区块链获得；
[0007]判断单元，所述判断单元用于根据所述当前数据和所述原始模型判断是否更新模型；
[0008]处理单元，所述处理单元用于，
[0009]当需要更新模型时，对所述原始模型内不同站点的本地数据分别进行初始模型训练，得到目标站点和临时模型；利用所述目标站点内的本地数据对所述临时模型进行后续模型训练，并判断后续模型训练是否满足预设停止标准；根据判断的结果，得到健康监测模型，
[0010]其中，所述健康监测模型用于根据所述当前数据评估健康状况。
[0011]可选地，所述处理单元还用于当不需要更新模型时，将所述原始模型确定为所述健康监测模型。
[0012]可选地，所述当前数据包括识别数据，所述处理单元还用于在所述获取单元获取所述识别数据之后，对所述识别数据进行加密。
[0013]可选地，所述对所述原始模型内不同站点的本地数据分别进行初始模型训练，得到目标站点和临时模型，具体包括：
[0014]对所述原始模型内不同站点的本地数据分别进行初始模型训练，得到不同的所述站点的当前模型和当前广播错误率，所述当前模型用于存储所述初始模型训练后的本地数据；
[0015]比较不同的所述站点的当前广播错误率，得到目标站点和临时模型，所述临时模型用于存储所述目标站点的本地数据。
[0016]可选地，所述比较不同的所述站点的当前广播错误率，得到目标站点和临时模型，具体包括：
[0017]若当前站点的所述当前广播错误率最小，所述当前站点为所述目标站点，所述当前站点的当前模型为所述临时模型。
[0018]可选地，所述利用所述目标站点的本地数据对所述临时模型进行后续模型训练，还包括：
[0019]利用所述目标站点的本地数据对所述临时模型进行训练，得到所述目标模型和所述目标广播错误率。
[0020]可选地，所述预设停止标准包括：
[0021]所述目标站点的目标广播误差率大于所有非目标站点的临时广播误差率，
[0022]或所述后续模型训练的时间大于等于预设时间，
[0023]或所述后续模型训练的迭代次数大于等于预设次数。
[0024]可选地，所述根据判断的结果，得到健康监测模型，具体包括：
[0025]当所述后续模型训练满足所述预设停止标准时，所述目标模型为所述健康监测模型；
[0026]当所述后续模型训练不满足所述预设停止标准时，继续对所述目标模型进行训练，直至满足所述预设停止标准，得到最新训练后的目标模型为所述健康监测模型。
[0027]可选地，当所述目标站点的目标广播误差率大于所有非目标站点的临时广播误差率时，所述目标模型为所述健康监测模型，具体包括：
[0028]根据所有非目标站点的本地数据和所述目标模型，得到所有所述非目标站点的临时广播错误率；
[0029]当所述目标广播错误率大于所有所述临时广播错误率时，所述目标模型为所述健康监测模型。
[0030]可选地，所述根据所有非目标站点的本地数据和所述目标模型，得到所有所述非目标站点的临时广播错误率，具体包括：
[0031]通过所有所述非目标站点的本地数据分别对所述目标模型进行测试，得到所有所述非目标站点对应的临时广播错误率。
[0032]本专利技术所述的健康监测系统相对于现有技术的优势在于：本专利技术提供一种健康监测系统，通过对所述原始模型内不同站点的本地数据分别进行初始模型训练，得到目标站点和临时模型，然后利用目标站点内的本地数据对临时模型后续模型训练，相对于现有技术中利用所有站点的数据进行模型训练，很大程度的减小了健康系统运行时的系统吞吐量，同时站点只需要维护本地的存储数据，不需要维护所有其他网络的存储数据，大大减轻了数据存储的负担。
附图说明
[0033]图1为本专利技术实施例中健康监测系统的结构图；
[0034]图2为本专利技术实施例中健康监测系统拓扑结构图；
[0035]图3为本专利技术实施例中健康监测系统的数据共享的算法示意图；
[0036]图4为本专利技术实施例中健康监测系统的ModelChain训练模型的算法示意图；
[0037]图5为本专利技术实施例中健康监测系统的用于计算站点连接的算法示意图；
[0038]图6为本专利技术实施例中健康监测系统中处理单元的结构图；
[0039]图7为本专利技术实施例中模型训练过程中KNN的模型精度示意图；
[0040]图8为本专利技术实施例中不同机器学习算法的模型准确率示意图；
[0041]图9为本专利技术实施例中不同规模的网络上的系统吞吐量示意图；
[0042]图10为本专利技术实施例中不同规模的网络上的平均延迟示意图；
[0043]图11为本专利技术实施例中不同块大小上的系统吞吐量示意图；
[0044]图12为本专利技术实施例中不同块大小的平均延迟示意图；
[0045]图13为本专利技术实施例中不同链码上的系统吞吐量示意图；
[0046]图14为本专利技术实施例中不同链码上的平均延迟示意图。
具体实施方式
[0047]下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。
[0048]在本申请实施例的描述中，术语“一些实施例”的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0049]如图1所示，在一个实施例中，提供了一种健康监测系统。该健康监测系统包括：
[0050]获取单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种健康监测系统，其特征在于，包括：获取单元，所述获取单元用于获取当前数据和原始模型，所述原始模型用于存储不同站点的本地数据，且所述原始模型通过系统区块链获得；判断单元，所述判断单元用于根据所述当前数据和所述原始模型判断是否更新模型；处理单元，所述处理单元用于，当需要更新模型时，对所述原始模型内不同站点的本地数据分别进行初始模型训练，得到目标站点和临时模型；利用所述目标站点内的本地数据对所述临时模型进行后续模型训练，并判断后续模型训练是否满足预设停止标准；根据判断的结果，得到健康监测模型，其中，所述健康监测模型用于根据所述当前数据评估健康状况。2.根据权利要求1所述的健康监测系统，其特征在于，所述处理单元还用于当不需要更新模型时，将所述原始模型确定为所述健康监测模型。3.根据权利要求1所述的健康监测系统，其特征在于，所述当前数据包括识别数据，所述处理单元还用于在所述获取单元获取所述识别数据之后，对所述识别数据进行加密。4.根据权利要求1所述的健康监测系统，其特征在于，所述对所述原始模型内不同站点的本地数据分别进行初始模型训练，得到目标站点和临时模型，具体包括：对所述原始模型内不同站点的本地数据分别进行初始模型训练，得到不同的所述站点的当前模型和当前广播错误率，所述当前模型用于存储所述初始模型训练后的本地数据；比较不同的所述站点的当前广播错误率，得到目标站点和临时模型，所述临时模型用于存储所述目标站点的本地数据。5.根据权利要求4所述的健康监测系统，其特征在于，所述比较不同的所述站点的当前广播错误率，得到目标站点和临时模型，具体包括：若当前站点的所述当前广播错误率最小，所述当前站...

【专利技术属性】
技术研发人员：普什彭杜，
申请(专利权)人：宁波诺丁汉大学，
类型：发明
国别省市：