【技术实现步骤摘要】
本专利技术涉及智慧医疗，特别涉及一种基于同态加密的医疗数据推理预测方法及相关设备。
技术介绍
1、随着物联网医疗技术和密码学技术的进步，远程医疗服务变得更加普及，这带来了新的患者隐私和数据安全挑战。而边缘侧的卷积神经网络因其出色的性能和可扩展性已成为先进机器学习的基础，但直接在明文中处理卷积神经网络推理存在隐私和推理效率问题。因此同态加密提供了一种替代方案，可以在加密数据上进行推理，无需暴露任何原始信息，采用同态加密的卷积神经网络能够直接在加密数据上进行计算，带来诸如单轮通信、带宽降低和非交互式计算等优势。
2、在远程医疗应用中，这些基于同态加密的模型对特定医疗数据集的依赖，进一步阻碍了标准化和通用适用网络架构的发展。不同医疗机构可能会采集和使用不同类型的病患数据，这给模型的通用性带来了挑战。此外，同态加密卷积神经网络中不同模型层之间的计算差异性也带来了巨大挑战，特别是在对加密的医疗数据执行同态计算时，同态加密的固有特性进一步加剧了这些挑战，因为他会带来巨大的计算和内存负担，这导致即使是基本的医疗诊断或预测操作，也需要大量的计算资源分配，从而限制了这种方法在边缘设备或计算资源有限，以及时间要求紧迫的远程医疗场景中的实际应用。例如，在患者家中部署的智能设备可能无法承担复杂的同态计算开销，从而影响远程诊疗的实时性。
技术实现思路
1、本专利技术提供了一种基于同态加密的医疗数据推理预测方法及相关设备，其目的是为了通过提升推理速度来提升远程医疗服务的实时性。
2、为
3、获取目标患者的原始远程医疗数据，并通过同态加密对原始远程医疗数据进行加密，得到加密后的远程医疗数据；
4、将加密后的远程医疗数据输入推理预测模型进行推理预测，得到目标患者的医疗预测结果；医疗预测结果包括一个或多个生理指标数据；
5、推理预测模型由对通过多项式加速算法优化后的卷积神经网络模型进行训练得到的。
6、进一步来说，获取目标患者的原始远程医疗数据，并通过同态加密对原始远程医疗数据进行加密，得到加密后的远程医疗数据，包括：
7、通过采集设备获取目标患者的原始远程医疗数据；
8、对原始远程医疗数据进行预处理，得到预处理后的远程医疗数据；
9、通过同态加密对预处理后的远程医疗数据进行加密，得到加密后的远程医疗数据。
10、进一步来说，将加密后的远程医疗数据输入推理预测模型进行推理预测，包括：
11、选择初始化卷积神经网络模型，初始化卷积神经网络模型包括依次连接的输入层、卷积层、池化层和全连接层；
12、通过多项式加速算法对初始化卷积神经网络模型进行优化，得到优化后的卷积神经网络模型；
13、对优化后的卷积神经网络模型进行训练，得到推理预测模型；
14、将加密后的远程医疗数据输入推理预测模型进行推理预测。
15、进一步来说，通过多项式加速算法对初始化卷积神经网络模型进行优化，包括：
16、对初始化卷积神经网络模型的输入层进行优化，以使输入层并行处理输入的加密后的远程医疗数据；
17、通过为每个同态加密操作类型分配各自的实现策略，以对初始化卷积神经网络模型的数据处理过程进行优化；
18、通过图像处理器的寄存器存储模型参数并利用图像处理器的共享内存进行数据交换和传输，以对初始化卷积神经网络模型的数据结构进行优化。
19、进一步来说，对初始化卷积神经网络模型的输入层进行优化，包括：
20、在初始化卷积神经网络模型的输入层中为多个加密后的远程医疗数据分配线程块，并对线程块进行并行处理。
21、进一步来说，实现策略包括空间操作和非空间操作；
22、对于空间操作，用于在加密后的远程医疗数据的空间域上提取局部特征图和边缘特征图；
23、对于非空间操作，用于对局部特征图和边缘特征图进行非线性变换，提取一维特征向量。
24、进一步来说，在加密后的远程医疗数据的空间域上提取局部特征图和边缘特征图，包括：
25、将经过并行处理后的远程医疗数据输入卷积层，卷积层通过二维卷积核在加密后的远程医疗数据的空间域上滑动进行特征提取，得到局部特征图；
26、将局部特征图输入池化层，池化层在加密后的远程医疗数据的空间域上对局部特征图进行降采样，得到边缘特征图。
27、本专利技术还提供了一种基于同态加密的医疗数据推理预测装置，包括：
28、获取模块，用于获取目标患者的原始远程医疗数据，并通过同态加密对原始远程医疗数据进行加密，得到加密后的远程医疗数据；
29、推理预测模块，用于将加密后的远程医疗数据输入推理预测模型进行推理预测，得到目标患者的医疗预测结果；所述医疗预测结果包括一个或多个生理指标数据；
30、推理预测模型由对通过多项式加速算法优化后的卷积神经网络模型进行训练得到的。
31、本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现基于同态加密的医疗数据推理预测方法。
32、本专利技术还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现基于同态加密的医疗数据推理预测方法。
33、本专利技术的上述方案有如下的有益效果：
34、本专利技术通过同态加密对获取的目标患者的原始远程医疗数据进行加密，得到加密后的远程医疗数据；将加密后的远程医疗数据输入推理预测模型进行推理预测，得到目标患者的医疗预测结果；推理预测模型由对通过多项式加速算法优化后的卷积神经网络模型进行训练得到的；与现有技术相比，本专利技术利用同态加密技术确保目标患者的原始远程医疗数据始终处于加密状态，有效的保护了个人隐私，同时利用多项式加速算法对卷积神经网络模型进行优化，提升了模型对远程医疗数据的推理速度，进而提升了远程医疗服务的实时性。
35、本专利技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种基于同态加密的医疗数据推理预测方法，其特征在于，包括：
2.根据权利要求1所述的基于同态加密的医疗数据推理预测方法，其特征在于，获取目标患者的原始远程医疗数据，并通过同态加密对所述原始远程医疗数据进行加密，得到加密后的远程医疗数据，包括：
3.根据权利要求2所述的基于同态加密的医疗数据推理预测方法，其特征在于，将所述加密后的远程医疗数据输入推理预测模型进行推理预测，包括：
4.根据权利要求3所述的基于同态加密的医疗数据推理预测方法，其特征在于，通过多项式加速算法对所述初始化卷积神经网络模型进行优化，包括：
5.根据权利要求4所述的基于同态加密的医疗数据推理预测方法，其特征在于，对所述初始化卷积神经网络模型的输入层进行优化，包括：
6.根据权利要求4所述的基于同态加密的医疗数据推理预测方法，其特征在于，所述实现策略包括空间操作和非空间操作；
7.根据权利要求6所述的基于同态加密的医疗数据推理预测方法，其特征在于，在加密后的远程医疗数据的空间域上提取局部特征图和边缘特征图，包括：
8.一种基于
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于同态加密的医疗数据推理预测方法。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于同态加密的医疗数据推理预测方法。
...【技术特征摘要】
1.一种基于同态加密的医疗数据推理预测方法，其特征在于，包括：
2.根据权利要求1所述的基于同态加密的医疗数据推理预测方法，其特征在于，获取目标患者的原始远程医疗数据，并通过同态加密对所述原始远程医疗数据进行加密，得到加密后的远程医疗数据，包括：
3.根据权利要求2所述的基于同态加密的医疗数据推理预测方法，其特征在于，将所述加密后的远程医疗数据输入推理预测模型进行推理预测，包括：
4.根据权利要求3所述的基于同态加密的医疗数据推理预测方法，其特征在于，通过多项式加速算法对所述初始化卷积神经网络模型进行优化，包括：
5.根据权利要求4所述的基于同态加密的医疗数据推理预测方法，其特征在于，对所述初始化卷积神经网络模型的输入层进行优化，包括：
6.根据权利要求4所述...
【专利技术属性】
技术研发人员：周士兵，
申请(专利权)人：湖南国科微电子股份有限公司，
类型：发明
国别省市：
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。