公开/公告号CN114969820A
专利类型发明专利
公开/公告日2022-08-30
原文格式PDF
申请/专利权人 安徽理工大学环境友好材料与职业健康研究院(芜湖);安徽理工大学;
申请/专利号CN202210620754.1
申请日2022-06-01
分类号G06F21/62(2013.01);G06F21/60(2013.01);G06Q50/26(2012.01);G16H50/30(2018.01);H04L9/00(2022.01);H04L67/12(2022.01);
代理机构合肥昊晟德专利代理事务所(普通合伙) 34153;
代理人何梓秋
地址 241003 安徽省芜湖市弋江区中山南路芜湖科技产业园
入库时间 2023-06-19 16:33:23
法律状态公告日
法律状态信息
法律状态
2022-09-16
实质审查的生效 IPC(主分类):G06F21/62 专利申请号:2022106207541 申请日:20220601
实质审查的生效
技术领域
本发明涉及职业健康数据管理技术领域,具体涉及一种基于职业健康医疗大数据的管理平台。
背景技术
职业健康的主要工作内容就是研究人类从事各种职业劳动过程中的卫生与健康问题,它以职工的健康在职业活动过程中免受有害因素侵害为目的,其中包括劳动环境对劳动者健康的影响以及防止职业性危害的对策。
更为重要的是,职业健康数据的采集、存储、管理、计算、分析却没有随着互联网、云计算、大数据、人工智能技术的飞速发展而发展。一些学者于2020年对国家级、省级和部分中央企业的职业健康信息系统进行统计,各类职业健康信息系统57个,包括4个国家级系统、44个省级系统和9个行业系统。由此可见,我国职业健康信息化建设突出存在分散建设、分别建设等问题,相关系统间缺乏有效的数据联通共享、数据分析与挖掘、智能计算等。此外,在隐私保护方面,职业健康数据涉及用户敏感信息,一般的职业健康管理平台可能会导致敏感信息泄露的风险;在大数据医疗信息处理方面,存在着性能差、成本高、难扩容等诸多问题;在模型算法和应用规划方面,没有充分利用多方职业健康数据和建设完整的职业健康模型算法库,导致效率不高,误差率偏大。也没有应用层完整的功能规划设计。
传统职业健康数据管理平台存在以下缺点:1)不能充分利用多方数据。分散建设,造成信息孤岛;2)用户敏感信息存在安全隐患,难以规避的各个环节中,可能发生隐私泄露问题; 3)大部分采用关系型数据库和自建机房部署应用服务器完成数据分析和可视化,在大数据集分析的情况下,性能可能无法满足计算需求,从而导致建设成本进一步增加且扩容不便。4) 不能综合多种数据来源,进行模型建模优化。5)未能建成统一优化的职业健康算法模型库。 6)未能对应用层进行完整的功能规划设计。为此,提出一种基于职业健康医疗大数据的管理平台。
发明内容
本发明所要解决的技术问题在于:如何解决传统职业健康数据管理平台存在的上述问题,提供了一种基于职业健康医疗大数据的管理平台。
本发明是通过以下技术方案解决上述技术问题的,本发明包括:混合云构建模块、隐私保护模块、联邦学习模块、算法模型库模块、应用模块;
混合云构建模块,用于对公有云、私有云进行整合,构建混合云;
隐私保护模块,用于引入多种隐私保护方案;
联邦学习模块,用于采用联邦学习实现对职业健康模型的训练;
算法模型库模块,用于提供职业健康监测模型、职业健康预测模型、职业健康综合评分模型、职业健康警戒线识别模型、人工智能算法库;
应用模块,用于依托多源数据建模分析,以多种形式实现职业健康可视化。
更进一步地,所述混合云构建模块包括私有云整合单元、公有云搭建单元、混合云网络构建单元;所述私有云整合单元用于根据模型建设数据需求及规划选定数据方私有云,然后确定各模型所需数据资源、传输方式、模型参数信息,所述公有云搭建单元用于搭建公有云平台以实现各私有云数据方非隐私数据备份、基于Hadoop大数据平台的分析以及基于联邦学习的模型调参优化,所述混合云网络构建单元用于打通私有云与公有云之间的网络连接,构建多个私有云和公有云之间的连接,从而实现私有云非隐私数据备份、私有云Hadoop租户、资源分配、私有云定制化计算、联合模型联邦学习的功能;所述公有云即中央服务器。
更进一步地,所述隐私保护模块包括差分隐私单元、同态加密单元、协作训练单元;所述差分隐私单元用于在将私有云参与者共享的参数发送至中央服务器之前,通过差分隐私保护随机机制在参数中添加噪声,使得恶意参与者无法使用共享全局模型的参数来推断其他私有云参与者的信息;所述同态加密单元用于在将私有云参与者的训练参数发送到中央服务器之前,使用同态加密技术对其进行加密,所述协作训练单元用于使私有云参与者不将其本地训练后产生的职业健康完整参数集上传中央服务器,也不将整个职业健康全局模型更新至本地,而是有选择地上传与下载,根据情况确定共享的职业健康参数数量。
更进一步地,在所述联邦学习模块中,联邦学习的过程包括以下步骤:
S1:由中央服务器生成公钥、私钥,并下发公钥给私有云参与者各自从中央服务器下载最新模型;
S2:每个私有云参与者利用本地数据训练模型,加密梯度与损失上传给中央服务器,利用中央服务器聚合各用户的梯度更新模型参数;
S3:中央服务器返回更新后的模型给各私有云参与者;
S4:各私有云参与者更新各自模型。
更进一步地,所述职业健康监测模型用于通过对存在职业疾病风险人群,通过定期的工作环境评估、生理指标监测、健康情况预测实现对用户职业健康的监测,对出现相关指标异常的情况,上报监管部门、工厂、个人。
更进一步地,所述职业健康预测模型用于通过多源数据的整合,并利用历史职业健康数据,收集年龄、性别、BMI、职业、行业属性、职业健康风险级别、工作年限、职业病类型、当前病情风险等级等信息,建立职业健康预测模型,实现对职业健康问题的预测。
更进一步地,所述职业健康综合评分模型用于根据存在职业疾病风险的可能性以及生理状况,对个人进行职业健康的综合评分,所述评分结果用于展示出个人、工厂、区域的总体职业健康风险状况。
更进一步地,所述职业健康警戒线识别模型用于建立职业健康评级标准,识别出安全、低风险、中风险、高风险等职业健康标准体系。
更进一步地,所述人工智能算法库用于根据私有云参与者实际情况,定制化分析模型,满足各自分析建模需求。
更进一步地,所述应用模块包括基础功能单元、监控预警单元、维系优化单元、专题分析、呈现单元;所述基础功能单元用于进行用户职业健康度测评、低健康度原因追溯定位,实现基础功能职业健康问题可视化,所述监控预警单元用于通过职业健康监测模型和职业健康警戒线识别模型,对存在风险的人群进行预警,对存在风险隐患的工厂进行监测和监督;所述维系优化单元用于进行用户职业健康跟踪、职业健康优化工作,所述专题分析用于进行职业病专题、行政区域健康度专题分析工作,所述呈现单元用于通过可视化途径和终端展示方式对职业健康进行可视化展示。
本发明相比现有技术具有以下优点:该基于职业健康医疗大数据的管理平台,采用了混合云搭建方式,通过中央服务器将各私有云连接到同一网络,解决了数据源单一不足的问题;采用了联邦学习的方式,通过参数传递进行模型训练,并通过差分隐私、同态加密、协作训练方式对隐私信息进行保护;采用了部署公有云Hadoop大数据集群的方式,可以实现私有云用户非敏感数据存储,数据分析等功能,缓解了用户存储和计算的压力;可以通过获取的多源数据,实现智能分析和模型算法库的建立;并基于多场景下,不同的应用和可视化需求,构建应用模块,提供包括基础功能、监控预警、维系优化、专题分析、呈现的应用层功能模块。
附图说明
图1是本发明实施例中基于职业健康医疗大数据的智能管理平台的整体架构示意图;
图2是本发明实施例中基于职业健康医疗大数据的智能管理平台的实现流程图;
图3是本发明实施例中混合云构建流程示意图。
图4是本发明实施例中联邦学习系统架构示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种技术方案:一种基于职业健康医疗大数据的智能管理平台,主要包括混合云构建模块、隐私保护模块、联邦学习模块、算法模型库模块、应用模块。如图2所示,为本智能管理平台中各模块的实现流程图。本发明的目的是利用联邦学习、混合云、Hadoop集群、人工智能算法等技术构建安全、互联、高效、低成本、多模型、高精度、应用广的职业健康医疗大数据的智能管理平台。
下面对本发明中各模块进行说明:
1)、混合云构建模块
现有职业健康医疗大数据平台多是分散建设,各数据方维护自身的私有数据,各个平台之间无法进行信息交互,构成多个信息孤岛。此外,随着大数据时代的到来,数据呈指数级增长。一方面,面对数据的高速增长,需要及时对硬件进行扩容,满足数据存储需要。另一方面,需要利用大数据分析的手段,完成大数据潜在价值的挖掘,实现多场景下对医疗数据的统计、分析、预测能力,用来改善医疗服务水平。此外,私有数据源单一,模型结果泛化能力不足,因此需要借助外部数据进行模型参数优化。综上,可对公有云、私有云进行整合,构建混合云,用以解决上述问题,混合云构建过程见图3,具体过程如下:
①整合私有云
职业健康医疗大数据智能管理平台的算法模型库的搭建依靠各数据方提供的数据及参数进行模型训练,因此需要对参与模型训练的数据私有方进行数据整合,构建数据方私有云。主要数据方包含各个政府监管机构、医院、体检中心、企业、工厂等。根据模型建设数据需求及后期规划选定数据方私有云,然后确定各模型所需数据资源、传输方式、模型参数等信息详情。此外,确定需要备份、分析的非敏感信息,定期上传至中央服务器的大数据平台之上,实现基础的数据存储和数据分析能力,从而缓解本地私有云存储和计算压力。
②搭建公有云
公有云为图3的中央服务器,主要承担数据备份、智能计算、联邦学习的功能。由于公有云扩容方便、存储低廉和平台集成性能好,便于对数据的整体进行统一管理和安全防护,因此搭建公有云平台以实现各私有云数据方非隐私数据备份、基于Hadoop大数据平台的智能分析以及基于联邦学习的模型调参优化。
③构建混合云网络
打通私有云与公有云之间的网络连接,构建多个私有云和公有云之间的连接,从而实现私有云非隐私数据备份、私有云Hadoop租户、资源分配、私有云定制化智能计算、联合模型联邦学习的功能。
2)、隐私保护模块
由于职业健康数据涉及到用户隐私信息,基于联邦学习的特点,私有云用户只共享参数模型而不共享数据,从而保障了私有云用户的数据信息不被泄露。然而通过私有云用户的模型参数仍有可能推测出用户的性别、职业、地理位置等信息。因此为防止私有云用户通过共享参数恶意反推其他用户敏感信息,基于职业健康医疗大数据的智能管理平台引入多种隐私保护技术,确保职业健康的数据不会泄露。
具体地,包括以下多种隐私保护技术:
①差分隐私
基于差分隐私的解决方法。该方法主要针对恶意私有云数据方想推导其他参与者隐私信息,在将私有云参与者共享的参数发送至中央服务器之前,通过高斯机制等差分隐私保护随机机制在参数中添加噪声,使得恶意参与者无法使用共享全局模型的参数来推断其他私有云参与者的信息。
②同态加密
基于同态加密的解决方法。该方法在将私有云参与者的训练参数发送到中央服务器之前,使用同态加密技术对其进行加密。在不影响数据计算和模型参数预测的同时,可以有效保障用户职业健康隐私不被泄露。
③协作训练
基于协作训练解决方法。私有云参与者不将其本地训练后产生的职业健康完整参数集上传中央服务器,也不将整个职业健康全局模型更新至本地,而是有选择地上传与下载,根据情况确定共享的职业健康参数数量。
3)、联邦学习模块
为在保障职业健康多源数据用户隐私的同时,模型精度又不受影响。采用联邦学习实现对职业健康模型的训练。基于职业健康医疗大数据的智能管理平台的联邦学习系统架构图如图4所示,具体过程如下:
①、由中央服务器生成公钥、私钥,并下发公钥给私有云参与者各自从中央服务器下载最新模型;
②、每个私有云参与者利用本地数据训练模型,加密梯度与损失上传给中央服务器,中央服务器聚合各用户的梯度更新模型参数;
③、中央服务器返回更新后的模型给各私有云参与者;
④、各私有云参与者更新各自模型。
通过以上联邦学习训练,即可在保护隐私的同时,利用多源数据进行职业健康模型训练,从而输出职业健康模型,构建算法模型库。
4)、算法模型库模块
算法模型库模块用于提供以下各个模型或算法库,完成相应的功能;
职业健康监测模型
职业健康监测模型主要通过对存在职业疾病风险人群,通过定期的工作环境评估、生理指标监测、健康情况预测实现对用户职业健康的监测,对出现相关指标异常的情况,及时上报监管部门、工厂、个人,分别可以起到早期的监管、治理、预防作用。
职业健康预测模型
职业健康预测模型主要是通过多源数据的整合,借助历史职业健康数据,收集年龄、性别、 BMI、职业、行业属性、职业健康风险级别、工作年限、职业病类型、当前病情风险等级等信息,建立职业健康预测模型,实现对职业健康问题的精准预测,提前预防,以降低工人群体工作过程中带来的职业健康风险。
职业健康综合评分模型
职业健康综合评分模型主要根据存在职业疾病风险的可能性以及生理状况等因素,对个人进行职业健康的综合评分,该评分结果可以清晰展示出个人、工厂、区域的总体职业健康风险状况。可针对职业健康综合评分低的个人进行原因纠查,对职业健康综合评分低的工厂进行问题纠察整改,对职业健康综合评分低的区域,对监管部门或者区域企业进行整体考核。从而从多方面来提升用户职业健康的水平。
职业健康警戒线识别模型
建立职业健康评级标准,识别出安全、低风险、中风险、高风险等职业健康标准体系,对职业健康处于中高警戒的人群,进行及时预警,原因溯源,降低患上职业病或者病情加重的风险。
人工智能算法库
人工智能算法库旨在建立除以上四种的算法模型,可根据私有云参与者实际情况,定制化分析模型,以满足各自分析建模需求。并以此作为基点,针对有价值的模型,对职业健康人工智能算法库进行进一步的扩充。
5)、应用模块
基于职业健康医疗大数据的智能管理平台,依托多源数据建模分析,提供功能包括基础功能、监控预警、维系优化、专题分析、呈现模块,以多种形式实现职业健康可视化功能。
具体说明如下:
①基础功能
基础功能模块包含用户职业健康度测评、低健康度原因追溯定位等,实现基础功能职业健康问题可视化。
②监控预警
健康预警模块,包含用户职业健康监测、用户职业健康预警等。主要通过职业健康监测模型和职业健康警戒线识别模型,对存在风险人群进行及时的预警,对存在风险隐患的工厂进行监测和监督。
③维系优化
维系优化模块,包含用户职业健康跟踪、职业健康优化等。私有云数据方为对职工、病患等提供人文关怀和优质的客户服务,关注客户职业健康,通过走访、问询等多方面对员工或客户进行关怀,以提升职业健康整体水平及增强员工归属感和医疗机构客户粘性。
④专题分析
专题分析模块,包含职业病专题、行政区域健康度专题等。通过对职业性尘肺病及其他呼吸系统疾病、职业性皮肤病、职业性眼病、职业性耳鼻喉口腔疾病、职业性化学中毒、物理因素所致职业病、职业性放射性疾病、职业性传染病、职业性肿瘤等职业疾病进行分类,从整体、部分进行统计分析。结合GIS信息,按行政区域实现多维度可视化,并满足区域下钻,多维度分析的能力。
⑤呈现
呈现模块,包含表格、图形、地图等可视化途径和PC、APP、大屏、微信等终端展示方式。从而实现多场景化展示职业健康可视化平台,该呈现模块有效支持了核心技术和理论可行性的有效性验证和示范应用推广。
综上所述,上述实施例的基于职业健康医疗大数据的智能管理平台,针对不能充分利用多方数据,分散建设问题,采用了混合云搭建方式,通过中央服务器将各私有云连接到同一网络,解决了数据源单一不足的问题;针对用户敏感信息存在安全隐患,难以规避的各个环节中,可能发生隐私泄露问题,采用了联邦学习的方式,通过参数传递进行模型训练,并通过差分隐私、同态加密、协作训练方式对隐私信息进行保护;针对私有云用户大数据分析情况下,资源不足,扩容不便的情况,采用了部署公有云Hadoop大数据集群的方式,可以实现私有云用户非敏感数据存储,数据分析等功能,缓解了用户存储和计算的压力;针对传统的职业健康平台不能有效引入多方数据进行算法模型库的建立和优化,基于职业医疗大数据的智能管理平台可以通过获取的多源数据,实现智能分析和模型算法库的建立;并基于多场景下,不同的应用和可视化需求,构建应用模块,提供包括基础功能、监控预警、维系优化、专题分析、呈现的应用层功能模块。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
机译: 基于单一服务提供促进平台的预防性医疗服务,健康保险,医疗保险,人寿保险,其目的是设计“ 360度自愿(或提供)统一的社会保障和健康保护系统”(VSSHPS)以及创新的实用模型退休金或养老金计划与支付服务选项(例如用于银行和金融机构的借记卡,信用卡,预付卡或数字钱包)协同集成的技术,方法,手段和流程,程序和工业应用,平台(以及许多其他可能的组合术语),也称为“可持续健康保险和社会保障投资平台”(或“ SHAPASS”),并且也以“ That”缩写。
机译: 在(ERP / EMRSE)企业资源计划电子医疗记录软件环境中集成的全球个人医疗记录时间表中管理有关医生-患者沟通,护理互动,健康指标,客户供应商关系管理平台和个人健康历史的个人健康记录信息本地化医疗数据生态系统
机译: 支付服务选项可协同用于医疗服务,健康或综合预防一种实用性,方法,模式,过程,程序和工业应用的创新技术,生产公众,人寿保险和退休金或养老金计划,例如借记卡,信用卡,预付卡或存储体或金融机构的数字钱包根据一次性产品传达便利平台的一个目标,并创建“统一的360度安培”(或捐赠)自愿;计划中的医疗保健,并且(VSSHPS)可以(在许多其他可能的组合术语中)提及以“可持续的健康保证和安培”;社会保障投资平台(也称为“ SHASSIP”,并进一步简称“ SECQUED”用硬币字标记