一种社区健康医疗数据驾驶舱及其创建方法与流程

1.本发明涉及医疗健康数据整合的技术领域，尤其涉及一种社区健康医疗数据驾驶舱及其创建方法。


背景技术：

2.随着数字互联网的不断发展，数字社区健康战略得到进一步建设，全面推进了医疗信息的进社入户，逐渐建设成为数字信息的数智化平台。
3.建设社区健康医疗数据的驾驶舱是指综合利用人工智能、大数据、区块链、云计算、物联网等技术，建设以社区数智操作系统为代表的社区健康医疗数据基础设施。
4.目前，有关社区健康医疗数据的整合归纳更多的还是集中于将各户信息直接纳入至常规数据系统，后续的统计更多的还是依赖于社区人员的定期整合，有关数字平台的建设暂未实现成熟打通；现有技术中，存在乡村数字基础架构的建设方法，其着眼于saas平台的整体建设，但细分下的智慧医疗方面未得到进一步的展示，具体体现在：一、物联网支撑平台下社区信息丰富纳入，信息的集成分类虽然得到全面展现，但个性化分类未得到解决；二、社区医疗状态的趋势未得到量化展现，无法明晰社区医疗的发展走向。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述现有社区健康医疗数据整合系统存在的问题，提出了本发明。
7.因此，本发明解决的技术问题是：解决现有智慧医疗物联网支撑平台下一方面信息的个性化分类未得到解决，另一方面社区医疗状态的趋势未得到量化展现，无法明晰社区医疗发展走向的问题。
8.为解决上述技术问题，本发明提供如下技术方案：一种社区健康医疗数据驾驶舱，包括用于创建独立界面显示的应用程序、对数据进行整合分析的服务端和用于操作所述应用程序的触屏显示客户端；其中，所述应用程序的信号输入端与所述触屏显示客户端的信号输出端电信号连接，并于信号传输时发送触发指令，所述服务端接收所述触发指令进行数据整合，并将整合完成的数据界面显示于所述应用程序中的数据显示节点中；其中，所述服务端具体包括：采集存储模块，用于采集每一次更新后的医疗数据并存储；特征分类模块，与所述采集存储模块数据连接，获取更新后的医疗数据，并对其进行特征标定；整合模块，与所述特征分类模块数据连接，将特征标定后的医疗数据整合至对应的数据显示节点中。
9.作为本发明所述的社区健康医疗数据驾驶舱的一种优选方案，其中：所述触屏显示客户端与所述应用程序通过超声定向无线一体式连接；其中，所述触屏显示客户端包括有服务器、fpga控制器、超声信号主动发射单元，所述应用程序内嵌设有接收芯片，所述接
收芯片内嵌设有多通道同步接收单元，所述服务器与所述fpga控制器连接，所述fpga控制器的输出端与所述超声信号主动发射单元连接，所述fpga控制器输入端与所述多通道同步接收单元连接；所述超声信号主动发射单元包括d/a转换器、功率放大器、阻抗匹配器和发射换能器，所述fpga控制器依次经d/a转换器、功率放大器、阻抗匹配器与发射换能器连接；所述多通道同步接收单元包括a/d转换器、前置放大器、阻抗变换器和接收换能器，接收换能器依次经阻抗变换器、前置放大器、a/d转换器与所述fpga控制器连接；所述服务器与所述fpga控制器直接通过usb3.0连接。
10.作为本发明所述的社区健康医疗数据驾驶舱的一种优选方案，其中：所述采集存储模块具体包括，采集输入单元，采集每一次更新后的医疗数据，并将其输入至预处理单元内；预处理单元，与所述采集输入单元数据连接，接收医疗数据并进行归一化预处理；特征提取单元，与所述预处理单元数据连接，对预处理后的医疗数据进行特征提取；决策显示单元，与所述特征提取单元数据连接，同步构建决策算法模型，将特征提取后的医疗数据代入所述决策算法模型中，并通过寻优迭代公式寻求算法值最大时的决策值；趋势显示单元，与所述决策显示单元数据连接，实时获取每次更新后的医疗数据的决策值，并将各时段的决策值于基础坐标系下进行展示，获取医疗数据的趋势量度变化，定义决策值越高医疗数据的趋优性越高。
11.作为本发明所述的社区健康医疗数据驾驶舱的一种优选方案，其中：接收医疗数据并进行归一化预处理包括，获取不同特征下的各项医疗数据；依据各项医疗数据对应的选取特征值依次进行缩减预处理，获取缩减后的各项医疗数据；依次对缩减后的各项医疗数据进行归一化处理。
12.作为本发明所述的社区健康医疗数据驾驶舱的一种优选方案，其中：依据如下公式对医疗数据进行缩减预处理，获取缩减后的各项医疗数据，
[0013][0014]
其中，t为获取的医疗数据，t＇为缩减后的各项医疗数据，δ为各项医疗数据t对应的选取特征值。
[0015]
作为本发明所述的社区健康医疗数据驾驶舱的一种优选方案，其中：对预处理后的医疗数据进行特征提取时的提取参考量为，
[0016][0017]
其中，δ＇为进行特征提取时的提取参考量，δ为各项医疗数据t对应的选取特征值。
[0018]
作为本发明所述的社区健康医疗数据驾驶舱的一种优选方案，其中：构建的所述决策算法模型具体为，
[0019]
目标函数j(y)：
[0020]
j(y)＝[e[g(y)}-e{g(y
guass
)}]2[0021]
其中，j为决策值输出函数，y是输出的特征提取值函数量，e{}是期望函数，定义为不同项数据的提取参考量函数，g()是非线性函数，且所述非线性函数为g＝tanh(1.5y)；
[0022]
约束条件：e{}∈{0，1}。
[0023]
为解决上述技术问题，本发明还提供如下技术方案：一种社区健康医疗数据驾驶
舱创建方法，包括以下步骤，创建独立界面显示的应用程序、对数据进行整合分析的服务端和用于操作所述应用程序的触屏显示客户端；所述服务端接收所述应用程序的触发指令，完成双层维度的数据分层处理；将数据分层处理完成的数据界面分别显示于对应所述应用程序中的数据显示节点中。
[0024]
作为本发明所述的社区健康医疗数据驾驶舱创建方法的一种优选方案，其中：所述服务端完成双层维度的数据分层处理包括，采集每一次更新后的医疗数据并存储；获取更新后的医疗数据，并对其进行特征标定；将特征标定后的医疗数据整合至对应的数据显示节点中。
[0025]
作为本发明所述的社区健康医疗数据驾驶舱创建方法的一种优选方案，其中：所述服务端完成双层维度的数据分层处理包括，采集每一次更新后的医疗数据，并将其输入至预处理单元内进行归一化预处理；对预处理后的医疗数据进行特征提取；构建决策算法模型，将特征提取后的医疗数据代入所述决策算法模型中，并通过寻优迭代公式寻求算法值最大时的决策值；实时获取每次更新后的医疗数据的决策值，并将各时段的决策值于基础坐标系下进行展示，获取医疗数据的趋势量度变化。
[0026]
本发明的有益效果：本发明提供一种社区健康医疗数据驾驶舱及其创建方法，通过服务端采集每一次更新后的医疗数据，完成双层维度的数据分层处理，其中一层用于整合显示所有医疗数据，并进行特征标定，将特征标定后的医疗数据整合至对应的数据显示节点中，信息的集成分类得到了全面展现，同时也完成了个性化医疗数据的分类；另外一层数据处理通过对采集后的数据进行归一化缩减预处理，特征提取后通过决策算法模型及寻优迭代公式完成了医疗数据时段发展中的趋势量化展现，明晰了社区医疗状态的发展走向。
附图说明
[0027]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0028]
图1为本发明提供的社区健康医疗数据驾驶舱中涉及的服务端模块示意图。
[0029]
图2为本发明提供的社区健康医疗数据驾驶舱中涉及的触屏显示客户端与应用程序无线连接的结构示意图。
[0030]
图3为本发明提供的社区健康医疗数据驾驶舱中涉及的采集存储模块模块示意图。
[0031]
图4为本发明提供的社区健康医疗数据驾驶舱中涉及的接收医疗数据并进行归一化预处理的方法流程图。
[0032]
图5为本发明提供的社区健康医疗数据驾驶舱创建方法的方法流程图。
[0033]
图6为本发明提供的服务端完成双层维度的数据分层处理的方法流程图。
[0034]
图7为本发明提供的服务端完成双层维度的数据分层处理的又一方法流程图。
[0035]
图8为本发明在数据库运行删减操作时的代码界面运行示意图。
[0036]
图9为本发明提供的稀疏编码线性模型示意图之一。
具体实施方式
[0037]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0038]
目前，有关社区健康医疗数据的整合归纳更多的还是集中于将各户信息直接纳入至常规数据系统，后续的统计更多的还是依赖于社区人员的定期整合，有关数字平台的建设暂未实现成熟打通；现有技术中，存在乡村数字基础架构的建设方法，其着眼于saas平台的整体建设，但细分下的智慧医疗方面未得到进一步的展示，具体体现在：一、物联网支撑平台下社区信息丰富纳入，信息的集成分类虽然得到全面展现，但个性化分类未得到解决；二、社区医疗状态的趋势未得到量化展现，无法明晰社区医疗的发展走向。
[0039]
故此，请参阅图1，本发明提供一种社区健康医疗数据驾驶舱，包括用于创建独立界面显示的应用程序、对数据进行整合分析的服务端和用于操作应用程序的触屏显示客户端；
[0040]
其中，应用程序的信号输入端与触屏显示客户端的信号输出端电信号连接，并于信号传输时发送触发指令，服务端接收触发指令进行数据整合，并将整合完成的数据界面显示于应用程序中的数据显示节点中；
[0041]
需要说明的是，触屏显示客户端发送的触发指令为常规的信号触发指令，数据界面显示于应用程序中的数据显示节点中也为常规的数据显示方式，在此无需多余赘述。
[0042]
其中，服务端具体包括：
[0043]
采集存储模块100，用于采集每一次更新后的医疗数据并存储；
[0044]
特征分类模块200，与采集存储模块100数据连接，获取更新后的医疗数据，并对其进行特征标定；
[0045]
整合模块300，与特征分类模块200数据连接，将特征标定后的医疗数据整合至对应的数据显示节点中。
[0046]
其中，将特征标定后的医疗数据整合至对应的数据显示节点中为常规的数据显示方式，在此无需多余赘述。
[0047]
需要说明的是：请参阅图2，触屏显示客户端与应用程序通过超声定向无线一体式连接；
[0048]
其中，触屏显示客户端包括有服务器、fpga控制器、超声信号主动发射单元，应用程序内嵌设有接收芯片，接收芯片内嵌设有多通道同步接收单元，服务器与fpga控制器连接，fpga控制器的输出端与超声信号主动发射单元连接，fpga控制器输入端与多通道同步接收单元连接；
[0049]
超声信号主动发射单元包括d/a转换器、功率放大器、阻抗匹配器和发射换能器，fpga控制器依次经d/a转换器、功率放大器、阻抗匹配器与发射换能器连接；
[0050]
多通道同步接收单元包括a/d转换器、前置放大器、阻抗变换器和接收换能器，接收换能器依次经阻抗变换器、前置放大器、a/d转换器与fpga控制器连接；
[0051]
服务器与fpga控制器直接通过usb3.0连接，该接口可提供3gbps的传输带宽。
[0052]
其中，发射换能器和接收换能器属于声学信号平台的常规配置，服务器和fpga控
制器均可商购获得，d/a转换器、功率放大器、阻抗匹配器、阻抗变换器、前置放大器和a/d转换器均为常规的电气元件，具体的电路结构均为现有技术，在此不再赘述。
[0053]
服务器是触屏显示客户端的控制中心，其面向用户提供友好的人机界面。用户可以通过服务器编辑发射信号、设定采样率、启动收发，并且提供收发波形的时域滤波、频域分析等功能，波形编辑及其他功能为声学信号平台自带。系统启动工作后，服务器将预设的发射信号实时传输给fpga控制器，由后者驱动d/a转换器输出信号，同时实时获取a/d转换器的接收数据。
[0054]
fpga控制器是整个硬件系统的控制单元，通过usb3.0与服务器连接，所有的a/d和d/a数据都通过fpga进行中转。fpga控制器接收到服务器的启动命令后，同时开启a/d和d/a单元，从而确保两者的同步启动，另外a/d和d/a单元用的是同源时钟，所以两者在工作过程中也是完全同步的。fpga的系统时钟工作在50mhz，因此a/d、d/a各个通道的同步精度可以控制在20ns以内。
[0055]
功率放大器用于将输出信号放大至系统所需的声源级。阻抗匹配器为常规的阻抗匹配电路，主要是提高驱动发射换能器的效率，尽量消除能量反射。阻抗变换器为常规的阻抗变换电路，针对接收换能器的低频高阻抗特性，能够有效提高系统在低频端的响应。前置放大器是一个小信号放大电路，它在对有效信号进行放大的同时，尽可能的移植本底信号。
[0056]
本发明提供的触屏显示客户端与应用程序通过超声定向无线一体式连接方式中集成了声学信号主动发射单元与多通道同步接收单元，实现了发射与接收之间的延时可调，调整的步进在一个样点以内，从而确保了整个系统在各个环节的高度同步。
[0057]
进一步的，参阅图3，采集存储模块100具体包括：
[0058]
采集输入单元，采集每一次更新后的医疗数据，并将其输入至预处理单元内；
[0059]
预处理单元，与采集输入单元数据连接，接收医疗数据并进行归一化预处理；
[0060]
特征提取单元，与预处理单元数据连接，对预处理后的医疗数据进行特征提取；
[0061]
决策显示单元，与特征提取单元数据连接，同步构建决策算法模型，将特征提取后的医疗数据代入决策算法模型中，并通过寻优迭代公式寻求算法值最大时的决策值；
[0062]
趋势显示单元，与决策显示单元数据连接，实时获取每次更新后的医疗数据的决策值，并将各时段的决策值于基础坐标系下进行展示，获取医疗数据的趋势量度变化，定义决策值越高医疗数据的趋优性越高。
[0063]
其中，采集输入单元采用常规的数据输入装置，采集医疗数据后将其输入至mcu预处理单元中进行后续的数据处理。
[0064]
更进一步的，参阅图4，接收医疗数据并进行归一化预处理包括：
[0065]
s1：获取不同特征下的各项医疗数据；
[0066]
s2：依据各项医疗数据对应的选取特征值依次进行缩减预处理，获取缩减后的各项医疗数据；
[0067]
s3：依次对缩减后的各项医疗数据进行归一化处理。
[0068]
需要说明的是，各项医疗数据均有自主的特征，本发明中参照重要特征性对各项医疗数据进行特征赋值，比如重点疾病(甲类)的特征值，非重点疾病(乙类及以下)的特征值，医疗器具储备等级的特征值，医师资源储备等级的特征值。
[0069]
具体的，本发明优选选用如下特征赋值：重点疾病(甲类)的特征值δ为1.2～1.3，
一般选择1.2为后续归一化模型中的最佳选取特征值；非重点疾病(乙类及以下)的特征值选择δ为0.8～1.1，一般选择0.9为后续归一化模型中的最佳选取特征值；医疗器具储备等级的特征值δ为0.5～0.8，一般选择0.6为后续归一化模型中的最佳选取特征值；医师资源储备等级的特征值δ为0.3～0.5，一般选择0.4为后续归一化模型中的最佳选取特征值。
[0070]
其中，考虑到不同医疗数据持续更新纳入后数据量庞大，持续更新情况下里面能够起到代表性作用的数据占据更新节点前后的一部分，为了减轻数据库的运算压力，提高运算效率，增加运算结果的准确性，依据如下公式对各项医疗数据进行缩减预处理，获取缩减后的各项医疗数据：
[0071][0072]
其中，t为获取的医疗数据，t＇为缩减后的各项医疗数据，δ为各项医疗数据t对应的选取特征值。
[0073]
缩减筛选出符合缩减要求的各项医疗数据，当然，筛选完成的各向医疗数据所采用的选取特征值仍旧是前序所选择的选取特征值，本步骤仅仅是完成数据的缩减筛选处理。
[0074]
额外的，参阅图8，为数据库运行相应的删减操作时的代码运行图，数据库进行缩减处理的程序算法为：
[0075]
spring.datasource.url＝jdbc:mysql://localhost:3307/springboot-crud-mysql-vuejs/servertimezone＝utc&usessl＝false
[0076]
spring.datasource.username＝root
[0077]
spring.datasource.password＝(δ,δ＇)
[0078]
spring.datasource.driver-class-name＝com.mysql.jdbc.driver
[0079]
spring.jpa.hibernate.ddl-auto＝create
[0080]
spring.jpa.database-platform＝org.hiberate.dialect.mysql1.2dialect
[0081]
spring.jpa.database-platform＝org.hiberate.dialect.mysql0.9dialect
[0082]
spring.jpa.generate-ddl＝true
[0083]
spring.jpa.show-sql＝true
[0084]
spring.freemarker.suffix＝.html
[0085]
额外的，对缩减后的各项医疗数据进行归一化处理属于现有技术的常规运用，为的是方便后续模型中的赋值计算，归一化的参考标准分别为各项医疗数据所采用的各自选取特征值。
[0086]
更进一步的，采用稀疏编码技术等自编码器技术对调整后的数据进行特征提取。
[0087]
需要说明的是，上述已经对各项医疗数据进行选取特征值的赋值，而后缩减后对其进行特征提取，其中，选取特征值的赋值不同于特征提取步骤，将其分别代入至稀疏编码代价函数模型中，输出特征提取值。
[0088]
具体的，请参阅图9，稀疏编码代价函数模型为：
[0089][0090]
[0091][0092]
其中，x表示各项医疗数据，a表示各项医疗数据选取的选取特征值，y定义为输出的特征提取值，i、j为每一项(分别代表2项数据)医疗数据的排列编号，m、k为每一项(分别代表2项数据)医疗数据的当前排列编号，λ定义为单位1，s为极大值函数，c定义为
㏑
2，αi及φi为第i项(分别代表2项数据)医疗数据的提取参考量；
[0093]
详细的算法为：
[0094]
输入：signal:f(t),dictionaryd.
[0095]
输出：listofcoefficients:(a
n,grn
).
[0096]
初始化：
[0097]
r1——f(t)；
[0098]
n——1；
[0099]
重复：
[0100]
findg
rn
∈dwithmaximuminnerproduct∣＜r
n,grn
＞∣；
[0101]an
——＜r
n,grn
＞；
[0102]rn+1
——r
n-g
rn
；
[0103]
n——n+1；
[0104]
直到达到稀疏停止条件，例如：∣∣rn∣∣＜threshold.
[0105]
进一步的，对预处理后的医疗数据进行特征提取时的提取参考量为：
[0106][0107]
其中，δ＇为进行特征提取时的提取参考量，δ为各项医疗数据t对应的选取特征值。
[0108]
具体的，构建的决策算法模型具体为：
[0109]
目标函数j(y)：
[0110]
j(y)＝[e{g(y)}-e{g(y
guass
)}]2[0111]
其中，j为决策值输出函数，y是输出的特征提取值函数量，e{}是期望函数，定义为不同项数据的提取参考量函数，g()是非线性函数，且非线性函数为g＝tanh(1.5y)；
[0112]
约束条件：e{}∈{0，1}。
[0113]
其中，寻优迭代公式为：
[0114][0115]
式中，x为数据矩阵，z为中心化白化处理后的数据矩阵，w(i)和w(i+1)为迭代前和迭代后的分离矩阵，e{}是期望，g()是非线性函数，且所述非线性函数为g＝tanh(1.5y)，g＇()是非线性函数的导数函数，t为迭代指数。
[0116]
需要说明的是，优选的，可通过构建具有五阶收敛速度的牛顿法，代入修正后的牛顿法，改进迭代公式，从而加快迭代效率。
[0117]
其中，五阶收敛速度的牛顿法如下：
[0118][0119]
将修正后的牛顿法代入，改进迭代公式如下：
[0120][0121]
额外的，参阅图5，本发明还提供一种社区健康医疗数据驾驶舱，创建方法，包括以下步骤：
[0122]
创建独立界面显示的应用程序、对数据进行整合分析的服务端和用于操作所述应用程序的触屏显示客户端；
[0123]
服务端接收应用程序的触发指令，完成双层维度的数据分层处理；
[0124]
将数据分层处理完成的数据界面分别显示于对应应用程序中的数据显示节点中。
[0125]
进一步的，参阅图6，服务端完成双层维度的数据分层处理包括：
[0126]
采集每一次更新后的医疗数据并存储；
[0127]
获取更新后的医疗数据，并对其进行特征标定；
[0128]
将特征标定后的医疗数据整合至对应的数据显示节点中。
[0129]
更进一步的，参阅图7，服务端完成双层维度的数据分层处理还包括：
[0130]
采集每一次更新后的医疗数据，并将其输入至预处理单元内进行归一化预处理；
[0131]
对预处理后的医疗数据进行特征提取；
[0132]
构建决策算法模型，将特征提取后的医疗数据代入决策算法模型中，并通过寻优迭代公式寻求算法值最大时的决策值；
[0133]
实时获取每次更新后的医疗数据的决策值，并将各时段的决策值于基础坐标系下进行展示，获取医疗数据的趋势量度变化。
[0134]
本发明提供一种社区健康医疗数据驾驶舱及其创建方法，通过服务端采集每一次更新后的医疗数据，完成双层维度的数据分层处理，其中一层用于整合显示所有医疗数据，并进行特征标定，将特征标定后的医疗数据整合至对应的数据显示节点中，信息的集成分类得到了全面展现，同时也完成了个性化医疗数据的分类；另外一层数据处理通过对采集后的数据进行归一化缩减预处理，特征提取后通过决策算法模型及寻优迭代公式完成了医疗数据时段发展中的趋势量化展现，明晰了社区医疗状态的发展走向。
[0135]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种社区健康医疗数据驾驶舱，其特征在于：包括用于创建独立界面显示的应用程序、对数据进行整合分析的服务端和用于操作所述应用程序的触屏显示客户端；其中，所述应用程序的信号输入端与所述触屏显示客户端的信号输出端电信号连接，并于信号传输时发送触发指令，所述服务端接收所述触发指令进行数据整合，并将整合完成的数据界面显示于所述应用程序中的数据显示节点中；其中，所述服务端具体包括：采集存储模块(100)，用于采集每一次更新后的医疗数据并存储；特征分类模块(200)，与所述采集存储模块(100)数据连接，获取更新后的医疗数据，并对其进行特征标定；整合模块(300)，与所述特征分类模块(200)数据连接，将特征标定后的医疗数据整合至对应的数据显示节点中。2.根据权利要求1所述的社区健康医疗数据驾驶舱，其特征在于：所述触屏显示客户端与所述应用程序通过超声定向无线一体式连接；其中，所述触屏显示客户端包括有服务器、fpga控制器、超声信号主动发射单元，所述应用程序内嵌设有接收芯片，所述接收芯片内嵌设有多通道同步接收单元，所述服务器与所述fpga控制器连接，所述fpga控制器的输出端与所述超声信号主动发射单元连接，所述fpga控制器输入端与所述多通道同步接收单元连接；所述超声信号主动发射单元包括d/a转换器、功率放大器、阻抗匹配器和发射换能器，所述fpga控制器依次经d/a转换器、功率放大器、阻抗匹配器与发射换能器连接；所述多通道同步接收单元包括a/d转换器、前置放大器、阻抗变换器和接收换能器，接收换能器依次经阻抗变换器、前置放大器、a/d转换器与所述fpga控制器连接；所述服务器与所述fpga控制器直接通过usb3.0连接。3.根据权利要求2所述的社区健康医疗数据驾驶舱，其特征在于：所述采集存储模块(100)具体包括，采集输入单元，采集每一次更新后的医疗数据，并将其输入至预处理单元内；预处理单元，与所述采集输入单元数据连接，接收医疗数据并进行归一化预处理；特征提取单元，与所述预处理单元数据连接，对预处理后的医疗数据进行特征提取；决策显示单元，与所述特征提取单元数据连接，同步构建决策算法模型，将特征提取后的医疗数据代入所述决策算法模型中，并通过寻优迭代公式寻求算法值最大时的决策值；趋势显示单元，与所述决策显示单元数据连接，实时获取每次更新后的医疗数据的决策值，并将各时段的决策值于基础坐标系下进行展示，获取医疗数据的趋势量度变化，定义决策值越高医疗数据的趋优性越高。4.根据权利要求3所述的社区健康医疗数据驾驶舱，其特征在于：接收医疗数据并进行归一化预处理包括，获取不同特征下的各项医疗数据；依据各项医疗数据对应的选取特征值依次进行缩减预处理，获取缩减后的各项医疗数据；依次对缩减后的各项医疗数据进行归一化处理。5.根据权利要求4所述的社区健康医疗数据驾驶舱，其特征在于：依据如下公式对医疗
数据进行缩减预处理，获取缩减后的各项医疗数据，其中，t为获取的医疗数据，t＇为缩减后的各项医疗数据，δ为各项医疗数据t对应的选取特征值。6.根据权利要求5所述的社区健康医疗数据驾驶舱，其特征在于：对预处理后的医疗数据进行特征提取时的提取参考量为，其中，δ＇为进行特征提取时的提取参考量，δ为各项医疗数据t对应的选取特征值。7.根据权利要求6所述的社区健康医疗数据驾驶舱，其特征在于：构建的所述决策算法模型具体为，目标函数j(y)：j(y)＝[e{g(y)}-e{g(y
guass
)}]2其中，j为决策值输出函数，y是输出的特征提取值函数量，e{}是期望函数，定义为不同项数据的提取参考量函数，g()是非线性函数，且所述非线性函数为g＝tanh(1.5y)；约束条件：e{}∈{0,1}。8.一种应用上述权利要求1～7任一项所述的社区健康医疗数据驾驶舱创建方法，其特征在于：包括以下步骤，创建独立界面显示的应用程序、对数据进行整合分析的服务端和用于操作所述应用程序的触屏显示客户端；所述服务端接收所述应用程序的触发指令，完成双层维度的数据分层处理；将数据分层处理完成的数据界面分别显示于对应所述应用程序中的数据显示节点中。9.根据权利要求8所述的社区健康医疗数据驾驶舱创建方法，其特征在于：所述服务端完成双层维度的数据分层处理包括，采集每一次更新后的医疗数据并存储；获取更新后的医疗数据，并对其进行特征标定；将特征标定后的医疗数据整合至对应的数据显示节点中。10.根据权利要求8所述的社区健康医疗数据驾驶舱创建方法，其特征在于：所述服务端完成双层维度的数据分层处理包括，采集每一次更新后的医疗数据，并将其输入至预处理单元内进行归一化预处理；对预处理后的医疗数据进行特征提取；构建决策算法模型，将特征提取后的医疗数据代入所述决策算法模型中，并通过寻优迭代公式寻求算法值最大时的决策值；实时获取每次更新后的医疗数据的决策值，并将各时段的决策值于基础坐标系下进行展示，获取医疗数据的趋势量度变化。

技术总结
本发明公开了本发明提供一种社区健康医疗数据驾驶舱及其创建方法，通过服务端采集每一次更新后的医疗数据，完成双层维度的数据分层处理，其中一层用于整合显示所有医疗数据，并进行特征标定，将特征标定后的医疗数据整合至对应的数据显示节点中，信息的集成分类得到了全面展现，同时也完成了个性化医疗数据的分类；另外一层数据处理通过对采集后的数据进行归一化缩减预处理，特征提取后通过决策算法模型及寻优迭代公式完成了医疗数据时段发展中的趋势量化展现，明晰了社区医疗状态的发展走向。向。向。


技术研发人员：王洪伟 罗小峰 吴鸣
受保护的技术使用者：中浙信科技咨询有限公司
技术研发日：2023.02.27
技术公布日：2023/7/12