基于边缘计算的医疗数据处理方法和系统与流程

1.本发明涉及计算机应用技术领域，特别涉及一种基于边缘计算的医疗数据处理方法和系统。


背景技术：

2.基于人工智能所进行的各类别识别，一直以来都是各应用场景下解决大量数据分类的重要工具。例如，在图像、自然语言处理等应用场景中，对大量数据实现的大规模分类，以此来快速准确的获得相关的分类预测结果，加速所在应用场景的功能实现。
3.但在一些特别的应用场景之下，人工智能所执行的各种计算，存在着困难，例如，人工智能 医疗场景。
4.医疗场景中人工智能的应用难以识别用户之间的个体差异，无法对用户的医疗数据基于个体差异以及环境、生活方式等因素进行差异化处理，进而造成人工智能在医疗场景下的应用存在不准确的缺陷。
5.因此，如何面向用户的医疗数据实现差异化的人工智能评估，进而对大量的用户实现系统化的健康状态评估，是人工智能在医疗场景的应用中亟待需要实现的。


技术实现要素：

6.为了解决相关技术中医疗数据的评估在人工智能的实现中无差异化处理所带来的不准确的技术问题，本发明提供一种基于边缘计算的医疗数据处理方法和系统。
7.一种基于边缘计算的医疗数据处理方法，所述方法区分地域为用户部署边缘节点，所述边缘节点部署智能评估模型，所述智能评估模型经所对应地域的医疗数据训练得到；
8.所述方法包括：
9.将所述用户的外部访问连接至所适用地域的边缘节点，所述边缘节点获得所述用户的医疗数据；
10.通过所述边缘节点对所述医疗数据提取特征数据；
11.对所述特征数据，经所述边缘节点上部署的智能评估模型执行用户所属健康状态评估。
12.在一个示例性实施例中，所述将所述用户的外部访问连接至所适用的边缘节点，所述边缘节点获得所述用户的医疗数据，包括：
13.通过用户所适用地域确定对应的容器或虚拟机，所述容器或虚拟机分散部署于不同地域且用于运行所述地域的边缘节点；
14.将所述用户的外部访问连接至确定的所述容器或虚拟机，通过所述容器或虚拟机为用户连接至运行的边缘节点；
15.所述边缘节点获得用户发送的医疗数据。
16.在一个示例性实施例中，所述方法还为所述边缘节点的集中控制部署中心节点，
所述方法包括：
17.通过所述中心节点监测所述边缘节点相关的资源使用率；
18.根据监测得到的所述资源使用率，所述中心节点控制执行所对应地域之上的边缘节点调度。
19.在一个示例性实施例中，所述医疗数据包括脉搏波信号，所述通过所述边缘节点对所述医疗数据提取特征数据，包括：
20.分割所述医疗数据中的脉搏波信号得到心跳数据；
21.对所述心跳数据分别提取特征值，提取的所述特征值在维度上包括心跳最大值、心跳最小值、重搏波波峰、重搏波峰的宽度；
22.对提取的特征值，按所对应的维度分别执行平均计算得到用户所有心跳对应的特征数据。
23.在一个示例性实施例中，所述分割所述医疗数据中的脉搏波信号得到心跳数据，包括：
24.计算所述脉搏波信号的纵向平均值；
25.在所述脉搏波信号查找峰值不小于纵向平均值的波峰，取相邻波峰之间的数据为一次心跳数据。
26.在一个示例性实施例中，所述重搏波波峰所对应维度上，所述对所述心跳数据分别提取特征值的步骤包括：
27.对所述心跳数据中的后一半数据，遍历查找峰值最大的波峰；
28.如果查找得到峰值最大的波峰，则将所述峰值最大的波峰置为重搏波波峰；
29.如果未查找得到峰值最大的波峰，则将所述后一半数据的中间点作为重搏波波峰。
30.在一个示例性实施例中，所述重搏波波峰的宽度所对应维度上，所述对所述心跳数据分别提取特征值的步骤包括：
31.根据得到的重搏波波峰，获得所对应重搏波波峰的宽度，所述重搏波波峰为所述后一半数据的中间点时所述宽度记为0。
32.在一个示例性实施例中，所述方法还包括：
33.所述边缘节点在进入空闲状态时提取存储的医疗数据，存储的所述医疗数据是对应地域且标记的模型训练数据；
34.通过提取的所述医疗数据训练所述边缘节点上部署的智能评估模型。
35.在一个示例性实施例中，所述边缘节点上部署的智能评估模型，是对相应中心节点的预训练模型适用所在地域医疗数据训练得到的；
36.所述方法还包括：
37.所述边缘节点接收所述中心节点下发的预训练模型数据，以部署预训练模型；
38.通过所在地域医疗设备上传的医疗数据，对所述预训练模型执行训练，获得所述边缘节点上部署的智能评估模型。
39.在一个示例性实施例中，所述系统区分地域为用户部署边缘节点，所述边缘节点部署智能评估模型，所述智能评估模型经所对应地域的医疗数据训练得到；
40.所述系统包括：
41.访问处理模块，用于将所述用户的外部访问连接至所适用地域的缘节点，所述边缘节点获得所述用户的医疗数据；
42.特征提取模块，用于通过所述边缘节点对所述医疗数据提取特征数据；
43.评估模块，用于对所述特征数据，经所述边缘节点上部署的智能评估模型执行用户所属健康状态评估。
44.一种机器设备，包括：
45.处理器；以及
46.存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行实现如前所述的方法。
47.本发明的实施例提供的技术方案可以包括以下有益效果：
48.人工智能应用的医疗场景中，首先区分地域来为用户部署边缘节点，且对边缘节点部署智能评估模型，智能评估模型经所对应地域的医疗数据训练得到，在此部署之下，面向边缘节点，用户发起的外部访问将连接至所适用地域的边缘节点，该边缘节点将获得用户的医疗数据，对此医疗数据提取特征数据之后，即可通过适用于所在地域的智能评估模型执行用户所属健康状态评估，由于该智能评估模型是经由所在地域的医疗数据训练所得到的，因此，能够对用户的医疗数据进行差异化处理，识别所存在的差异，进而提升评估的准确性，能够面向各区域用户实现系统而准确的医疗数据评估。
49.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
50.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
51.图1是根据本发明所涉及的实施环境的示意图；
52.图2是根据一示例性实施例示出的一种装置的框图；
53.图3是根据一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图；
54.图4是根据一示例性实施例示出的对步骤310进行描述的流程图；
55.图5是根据另一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图；
56.图6是根据一示例性实施例示出的对图3的步骤330进行描述的流程图；
57.图7是根据一示例性实施例示出的对图6的步骤331进行描述的流程图；
58.图8是根据一示例性实施例示出的脉搏波信号示意图；
59.图9是根据图6对应实施例示出的对步骤332进行描述的流程图；
60.图10是根据另一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图；
61.图11是根据另一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图；
62.图12是根据一示例性实施例示出的边缘节点和中心节点的系统实现架构图；
63.图13是根据一示例性实施例示出的服务端和客户端架构示意图；
64.图14是根据一示例性实施例示出的一种基于边缘计算的医疗数据处理系统的框图。
具体实施方式
65.这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
66.图1是本发明所涉及实施环境的示意图。在一个示例性实施例中，该实施环境包括按地域分别部署的若干边缘节点110、访问边缘节点110以请求执行健康状态评估的用户客户端130、对接边缘节点110的管理客户端150以及区别于边缘节点的中心节点170。
67.通过按地域部署的边缘节点110，用户经用户客户端130请求边缘节点110对自身医疗数据进行健康状态评估。对于部署于边缘节点110的智能评估模型，在管理客户端150的控制下获得所在地域的大量医疗数据，以此来对中心节点170所下发的模型执行训练获得智能评估模型。
68.在此基础之上，中心节点170也将对区分地域部署的边缘节点110执行监测和控制，以保障边缘节点110的动态调度。
69.由此，本发明提供了一种实体医疗数据评估系统，其至少包括：
70.支撑实现边缘节点和中心节点的计算设备；
71.以及用户客户端运行的用户终端、管理客户端运行的管理设备。该实体医疗数据评估系统通过边缘节点、中心节点的实现，在用户终端和管理设备的配合下，实现如下所述的方法实施例。
72.图2是根据一示例实施例示出的一种装置的框图。例如，装置可以是图1所示实施环境中实现边缘节点和/或中心节点的服务器。
73.该服务器200的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，服务器200包括：电源210、接口230、至少一存储介质250、以及至少一中央处理器(cpu，central processing units)270。
74.其中，电源210用于为服务器200上的各硬件设备提供工作电压。
75.接口230包括至少一有线或无线网络接口231、至少一串并转换接口233、至少一输入输出接口235以及至少一usb接口237等，用于与外部设备通信。
76.存储介质250作为资源存储的载体，可以是随机存储介质、磁盘或者光盘等，其上所存储的资源包括操作系统251、应用程序253及数据255等，存储方式可以是短暂存储或者永久存储。其中，操作系统251用于管理与控制服务器200上的各硬件设备以及应用程序253，以实现中央处理器270对海量数据255的计算与处理，其可以是windows servertm、mac os xtm、unixtm、linuxtm、freebsdtm等。应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图2中未示出)，每个模块都可以分别包含有对服务器200的一系列操作指令。数据255可以是存储于磁盘中的照片、图片等等。
77.中央处理器270可以包括一个或多个以上的处理器，并设置为通过总线与存储介
质250通信，用于运算与处理存储介质250中的海量数据255。
78.如上面所详细描述的，适用本技术的服务器200将通过中央处理器270读取存储介质250中存储的一系列操作指令的形式来进行音频的识别。
79.图3是根据一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图。在一个示例性实施例中，该基于边缘计算的医疗数据处理方法，如图3所示，至少包括以下步骤。
80.在步骤310中，将用户的外部访问连接至所适用地域的边缘节点，该边缘节点获得用户的医疗数据。
81.在步骤330中，通过边缘节点对医疗数据提取特征数据。
82.在步骤350中，对特征数据，经边缘节点上部署的智能评估模型执行用户所属健康状态评估。
83.其中，边缘节点区分地域进行部署，并且每一边缘节点都部署了智能评估模型，该智能评估模型经所对应地域的医疗数据训练得到。
84.示例性的，面向于用户，按照不同地域分散部署若干边缘节点，边缘节点用于为所在地域的用户提供人工智能算法所实现的健康状态评估服务。应当说明的，对于边缘节点，其可配置于分散在各地的服务器资源实现，也可通过其它计算设备实现。在中心节点的控制之下，分布于同一地域的若干边缘节点，可配置于同一服务器之上，也可分别配置于不同服务器之上，此将根据资源利用情况进行动态调度。
85.与之相对应的，边缘节点可以自由选择服务器之上不同的虚拟机或者容器运行。换而言之，通过在服务器配置虚拟机或容器，而在虚拟机或容器实现边缘节点，进而在虚拟机或者容器所构造的环境中运行边缘节点所提供的健康评估服务。
86.至此，以容器为例进行说明。一个容器或者多个容器所形成的容器组部署到单个服务器上，每一容器都运行一边缘节点，通过将边缘节点所实现的人工智能应用开放为网络服务的方式，为用户提供能够实现健康状态评估的网络服务。
87.应当理解的，边缘节点以何种方式，即容器或虚拟机的方式，不做限制。一服务器上能够部署容器组，亦能够部署容器和虚拟机的组合，并且通过共享服务器资源的简单高效的方式组合完成所在地域的医疗数据处理。
88.通过边缘节点的地域化部署，对于用户所实现的医疗数据处理而言，提供了本地化的应用程序组件，进而对所进行的本地信息收集，即所在地域采集的医疗数据执行本地化的处理。
89.具体而言，边缘节点上用以处理医疗数据的智能评估模型，是用以处理医疗数据的神经网络算法。正如前述所描述的，智能评估模型是经所对应地域的医疗数据训练得到，因此能够适应于该地域医疗数据所存在的差异，进而适于该差异完成所接收医疗数据的处理，相对于不分地域所训练得到的智能评估模型，更具准确性。
90.因此，在边缘节点以及其上所部署智能评估模型的作用下，为用户区别地域实现了不同地域之下医疗数据的差异化处理，面向所有地域系统化实现医疗数据处理的同时，也保障了地域所带来的个性化，进而能够准确评估不同地域之下用户的健康状况，使得人工智能将得以准确可靠的应用于医疗场景。
91.分散部署于各地的边缘节点，面向用户实现了一个处理医疗数据的内部系统，相
对而言，外部的用户将通过其用户客户端请求内部系统中的一边缘节点执行所采集医疗数据的处理。
92.在上述步骤310至步骤330的执行中，用户为自身医疗数据访问对边缘节点提供的健康评估服务发起访问，对此外部访问，将连接至用户所在地域的边缘节点，该边缘节点随着用户的访问而获得医疗数据。
93.用户的医疗数据，是对用户自身采集所得，在一个示例性实施例中，医疗数据可由外接的医疗设备采集得到。用户客户端连接外接的医疗设备，医疗设备对用户采集所得到的医疗数据，被传送至用户客户端，并经由用户客户端向所在地域边缘节点发起访问。
94.用户所在地域的边缘节点获得用户的医疗数据之后，对医疗数据提取特征数据。示例性的，医疗数据包括脉搏波信号、心率和血压等数据，所提取的特征数据将从若干维度描述用户的一次心跳过程。
95.所提取的特征数据，通过边缘节点上部署的智能评估模型为用户进行健康状态评估。
96.如上所述的示例性实施例，由若干边缘节点对医疗数据执行边缘计算，医疗数据不再通过网络集中到一特定服务器进行处理，有效避免了高延迟、网络不稳定和计算能力瓶颈等问题。
97.如上所述的示例性实施例，区分地域进行了边缘节点的部署，并且也按地域输入医疗数据进行了边缘节点上部署的智能评估模型的训练，因此，智能评估模型是适应于所在地域产生的医疗数据的。
98.应当理解的，在世界的不同地域，人类由黑、白、黄等多个人种组成，并且即便是对于同一人种，其相对于不同区域仍然有着或大或小的差异，例如，有的人生活在平原区域，有的人生活在高山区域，而有的区域中的人以食肉为主，有的区域中的人以食用谷物为主，由此，不同的人种、环境和生活方式等因素造成了区域性的身体差异，而相应边缘节点上的智能评估模型能够很好的识别差异，并体现于所得到的健康状态评估结果之上，从而对于所系统实现的医疗数据处理而言，评估性能得到全面提升。
99.至此，也应当补充说明的是，对于如上所述示例性实施例涉及的医疗数据，分为两大类，一是用户为评估健康状态而上传的医疗数据，二是用于模型训练所采集的大量医疗数据。正如前述所指出的，用户的医疗数据，用户客户端所连接外接医疗设备提供的；用于模型训练所采集的大量医疗数据，则是管理客户端所批量导入的，此医疗数据一方面描述了所对应用户的心跳状况，另一方面还包含着医生的诊断结果，因此，将作为边缘节点提取特征数据和所对应标签的数据来源，为边缘节点上模型训练的进行提供适配于地域的训练数据和测试数据。
100.图4是根据一示例性实施例示出的对步骤310进行描述的流程图。在一个示例性实施例中，如图4所示的，该步骤310包括：
101.在步骤311中，通过用户所适用地域确定对应的容器或虚拟机，容器或虚拟机分散部署于不同地域且用于运行该地域的边缘节点。
102.在步骤313中，将用户的外部访问连接至确定的容器或虚拟机，通过容器或虚拟机为用户连接至运行的边缘节点。
103.在步骤315中，边缘节点获得用户发送的医疗数据。
104.示例性的，边缘节点运行于容器或者虚拟机构造的环境中，容器或虚拟机则被动态配置于服务器之上，进而得以分布于不同地域。
105.换而言之，不同地域，在该地域服务器资源的支持下，都有着对应的容器或虚拟机，以供运行边缘节点。对请求执行健康状态评估的用户，将按其所在地域确定对应的容器或者虚拟机，将用户的外部访问连接到确定的容器或虚拟机，以此来完成边缘节点的连接。在用户与边缘节点的连接下，将用户的医疗数据传输给边缘节点，以便边缘节点对用户的医疗数据执行本地化的处理。
106.在此示例性实施例中，通过容器或者虚拟机的方式动态实现了边缘节点的配置，为用户基于地域所进行的访问提供连接实现。
107.图5是根据另一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图。在此示例性实施例中，为边缘节点的集中控制部署了中心节点，该基于边缘计算的医疗数据处理方法还包括如下步骤。
108.在步骤510中，通过中心节点监测边缘节点相关的资源使用率。
109.在步骤530中，根据监测得到的资源使用率，中心节点控制执行所对应地域之上的边缘节点调度。
110.区别于分地域部署的边缘节点，中心节点用于对边缘节点实施监测和控制。示例性的，中心节点亦可运行于容器或者虚拟机中。
111.边缘节点相关的资源使用率，用于描述边缘节点以及边缘节点所在服务器的资源使用情况，例如，边缘节点的运行情况，边缘节点所在服务器的cpu使用率、内存使用率等。中心节点可根据监测所得到的资源使用率，为指定地域增加边缘节点和或服务器，也可根据监测所得删除某个边缘节点，释放所在的服务器资源，进而实现对边缘节点的控制。
112.面向于所部署的地域，中心节点控制执行每一地域边缘节点的调度，该调度包括边缘节点，或者边缘节点与所在服务器的增加与删除，除此之外，还包括对指定边缘节点的运行情况查询，配置的修改。例如，查询边缘节点所在服务器的cpu使用率、内存使用率等；增加服务器的cpu；减少服务器的内存等。
113.具体的，为指定地域增加边缘节点的实现，包括：对此指定地域部署的服务器资源，申请一台服务器，并在申请的服务器中配置容器或虚拟机，以使于在容器或者虚拟机中配置和运行边缘节点。
114.对于删除某一指定边缘节点的操作，可以包括：归还申请占用的服务器，并删除其上配置的边缘节点，从而释放服务器资源。
115.在如上所述的示例性实施例中，中心节点将为各地域边缘节点的部署执行动态调度，从而使得各地域所运行的边缘节点适应于所在地域的访问情况。
116.图6是根据一示例性实施例示出的对图3的步骤330进行描述的流程图。在一个示例性实施例中，医疗数据包括脉搏波信号，该步骤330包括：
117.在步骤331中，分割医疗数据中的脉搏波信号得到心跳数据。
118.在步骤332中，对心跳数据分别提取特征值，提取的特征值在维度上包括心跳最大值、心跳最小值、重搏波波峰以及重搏波峰的宽度。
119.在步骤333中，对提取的特征值，按所对应的维度分别执行平均计算得到用户所有心跳对应的特征数据。
120.其中，分割脉搏波信号而得到的心跳数据，用于描述一次心跳过程，由于每一个心跳信号的强度和时间都不一样，其所对应波形甚至会因为心血管疾病等因素而发生特殊的形变，所以需要分割脉搏波信号而获得心跳数据。
121.脉搏波信号的分割，将以其纵向平均值为依据获得心跳信号所对应的心跳数据。
122.具体的，图7是根据一示例性实施例示出的对图6的步骤331进行描述的流程图。在一个示例性实施例中，如图7所示，该步骤331包括：
123.在步骤601中，计算脉搏波信号的纵向平均值。
124.在步骤603中，在脉搏波信号查找峰值不小于纵向平均值的波峰，取相邻波峰之间纵向坐标最小值与下一组相邻波峰之间纵向坐标最小值所对应的数据为一次心跳数据。
125.在此脉搏波信号的分割中，首先计算整个脉搏波信号纵坐标的平均值，得到脉搏波信号的纵向平均值，记作y-average。
126.对脉搏波信号查找峰值大于或者等于y-average的波峰，正如图8所示出的，该波峰所对应横坐标依次记录为p1、p2、p3、p4
……
，从而得到波峰序列[p1、p2、p3、p4
……
]；对于相邻波峰，例如p1和p2之间，p2和p3之间，脉搏波信号波形都在纵坐标上有着最小值，纵向坐标最小值所对应横向坐标记为v，由此即可从脉搏波信号上得到横坐标序列[v1，v2，v3......]，取相邻两个横向坐标之间，例如，v1和v2之间，v2和v3之间的数据为一次心跳数据。
[0127]
以此类推，即可达成脉搏波信号的分割，获得若干心跳数据。
[0128]
完成了脉搏波信号的分割之后，即可对分割得到的心跳数据提取特征值，即按照心跳最大值、心跳最小值、重搏波波峰以及重搏波峰的宽度等若干个维度对心跳数据提取特征值，从而得到不同维度在每一心跳数据中的特征值。
[0129]
至此，执行步骤333，对每一维度，都进行特征值的平均计算以此来得到用户所有心跳对应的特征数据，该特征数据将用于在智能评估模型的神经网络算法中描述用户的心跳情况。
[0130]
进一步的，图9是根据图6对应实施例示出的对步骤332进行描述的流程图。在一个示例性实施例中。对于特征值的提取，在重搏波波峰所对应的维度上，如图9所示的，步骤332包括：
[0131]
在步骤701中，对心跳数据中的后一半数据，遍历查找峰值最大的波峰。
[0132]
在步骤703中，如果查找得到峰值最大的波峰，则将峰值最大的波峰置为重搏波波峰。
[0133]
在步骤705中，如果未查找得到峰值最大的波峰，则将后一半数据的中间点作为重搏波波峰。
[0134]
为确定脉搏波信号中的重搏波波峰，在单个心跳数据中，首先取出后一半数据，例如，如果一次心跳数据由100个采样点组成，则后一半数据则是后50个采样点所对应的数据。
[0135]
对取出的后一半数据进行遍历，以查找峰值最大的波峰，如果存在峰值最大的波峰，则将此波峰置为重搏波波峰；如果并未查找到峰值最大的波峰，则将中间点置为重搏波波峰。
[0136]
与之相对应的，对于重搏波波峰的宽度，如果并没有查找到峰值最大的波峰而只
能以中间点为重搏波波峰，则将重搏波波峰的宽度记为0。
[0137]
图10是根据另一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图。在另一个示例性实施例中，如图10所示，该基于边缘计算的医疗数据处理方法还包括：
[0138]
在步骤810中，边缘节点在进入空闲状态时提取存储的医疗数据，存储的医疗数据是对应地域且标记的模型训练数据。
[0139]
在步骤830中，通过提取的医疗数据训练边缘节点上部署的智能评估模型。
[0140]
边缘节点监测自身所相关的资源使用率，例如，cpu使用率，内存使用率等，当资源使用率达到设定的阈值时，认为进入空闲状态。
[0141]
此时，边缘节点将提取存储的医疗数据来对自身部署的智能评估模型进行训练，以使得智能评估模型的输出更为精准可靠。
[0142]
可以理解的，存储的医疗数据可以是管理客户端预先批量导入的并提取特征值和标记的数据，存储的医疗数据必然是产生于所在地域的。具体的，通过运维人员在管理客户端的操控，向管理客户端批量导入医疗数据，该医疗数据包括通过医疗设备采集所得的本地化信息(各种医疗检查数据，如脉搏波信号数据)以及诊断结果。
[0143]
管理客户端通过预先配置的脚本识别批量导入的医疗数据，并过滤无效数据，整理成统一的格式，从而获得格式统一可供识别的医疗数据。所预先配置的脚本自动处理不同格式的医疗数据，例如，文本、图片和excel表格等。至此，便在管理客户端完成医疗数据的批量导入和整理。
[0144]
管理客户端将医疗数据发送给所属地域的边缘节点，边缘节点对医疗数据执行特征值提取和标记，以备后续模型训练之用。
[0145]
具体的，边缘节点对医疗数据提取特征数据，并根据医疗数据中的诊断结果生成标记特征数据的标签，特征数据和标记的标签共同构成边缘节点中可供存储的医疗数据，进而存储于边缘节点。由此可见，存储于边缘节点的医疗数据，实质为标记数据，即对应于地域且标记的模型训练数据。
[0146]
进入空闲状态的边缘节点提取自身存储的医疗数据，以此医疗数据为输入进行智能评估模型的训练。
[0147]
对于边缘节点所存储的医疗数据，其也将备份于中心节点，以便于边缘节点异常之时创建新的边缘节点。
[0148]
通过此示例性实施例，将使得边缘节点的运行能够兼顾医疗数据的处理和模型训练的，在保证了边缘节点正常工作的同时，也不断推进了边缘节点执行健康状态评估的准确性。
[0149]
进一步的，边缘节点上部署的智能评估模型，是对相应中心节点的预训练模型适用所在地域医疗数据训练得到的。图11是根据另一示例性实施例示出的一种基于边缘计算的医疗数据处理方法的流程图。在此示例性实施例中，如图11所示的，该基于边缘计算的医疗数据处理方法还包括：
[0150]
在步骤910中，边缘节点接收中心节点下发的预训练模型数据，以部署预训练模型。
[0151]
在步骤930中，通过所在地域医疗设备上传的医疗数据，对预训练模型执行训练，
获得边缘节点上部署的智能评估模型。
[0152]
边缘节点是区分地域动态部署的，中心节点作为控制中心对边缘节点实施控制，因此对于新增边缘节点，中心节点通过下发预训练模型数据的方式在新增边缘节点快速完成智能评估模型，以便于新增边缘节点能够快速用于用户健康状态评估。
[0153]
预训练模型数据，是中心节点基于大量医疗数据训练所得。训练所使用的大量医疗数据不分地域，因此，预训练模型不用于用户的健康状态评估，仅用于加快边缘节点的模型训练速度，即边缘节点基于中心节点部署的预训练模型可以更快的训练得到适应自己地域的智能评估模型。
[0154]
预训练模型数据用于控制特征数据向所属健康状态评估结果的映射，通过特征数据对所标记的标签之间的映射关系所得到。对于边缘节点而言，预训练模型数据是其智能评估模型进行训练的初始值，仅需要在此基础上通过所在地域医疗数据的继续训练。
[0155]
因为地域影响，不同边缘节点所经训练之后对预训练模型数据的调整各不相同，从而适应于地域所造成的差异性，增强所得到智能评估模型对地域影响的敏感性。
[0156]
示例性的，对于中心节点所进行的模型预训练，所使用的医疗数据，分为两大类，一类用于训练，另一类则用于测试。因此，对特征数据进行标记了的医疗数据，将执行分组，以将医疗数据分成训练组和测试组。训练组用于模型的训练，测试组用于验证模型的有效性。
[0157]
对于医疗数据的分组，可通过随机分组或者抽值分组实现。具体的，医疗数据随机分组的执行过程包括：按照训练组和测试组之间的设定比例，将医疗数据随机分成训练组和测试组。例如，按照8：2的比例随机分成训练组和测试组。示例性的，对于医疗数据中标记特征数据的标签，其可分为健康和不健康两种类型的标签。随机分组的进行，使得每个分组是否包含所有类型的标签变得不可控。
[0158]
抽值分组的执行过程包括：按照标签类型，以及训练组和测试组之间的设定比例，抽取医疗数据形成训练组和测试组，训练组和测试组都包含所有类型标签的医疗数据。中心节点将根据实际需要执行医疗数据的分组。
[0159]
通过如上所述的示例性实施例，以地域为区分，分别处理相对应地域的医疗数据，以此来构建边缘节点以及边缘节点上的智能评估模型，也以此来处理用户请求评估健康状态的医疗数据，准确率得到极大提高。
[0160]
如上所述的示例性实施例，以预训练的方式将大为提高模型训练的速度，并且在系统运行前期，所能够采集得到的医疗数据量较小的情况下，也能够快速搭建可供用户使用的边缘节点以及其上部署的智能评估模型，并且在边缘节点的作用下，使得数据处理不再集中，进而降低了中心式数据处理的瞬时压力以及网络抖动带来的缺点，也有效避免出现高延迟、网络不稳定和计算能力瓶颈的问题。
[0161]
通过如上所述的示例性实施例，将边缘节点配置于靠近用户，亦可称之为数据源的地方，从而适配于地域为用户实现健康状态评估。
[0162]
现以边缘节点和中心节点的系统实现架构角度，结合上述方法进行阐述。
[0163]
众多边缘节点分散在各地的服务器资源之上，中心节点作为控制中心，通过所实现的边缘计算系统，对边缘节点实施管理。
[0164]
具体如图12示出的，边缘计算系统通过开放的api接口管理边缘节点。此边缘节
点，将运行虚拟机或者容器中，虚拟机或者容器配置于地域1、地域2、
……
的服务器资源。
[0165]
针对于每一地域，如地域1、地域2，边缘计算系统都通过api接口监测其服务器资源使用情况，以来为每一地域动态的执行边缘节点的“增删查改”控制。
[0166]
具体的，中心节点所实施的控制包括：
[0167]
(1)对指定地域增加边缘节点，即从边缘计算系统申请一台服务器，在此服务器中部署边缘节点；
[0168]
(2)删除指定的边缘节点，即向边缘计算系统归还被指定删除边缘节点所在的服务器，并删除该边缘节点；
[0169]
(3)修改指定边缘节点的配置，例如，增加所在服务器的cpu，减少内存等；
[0170]
(4)查询边缘节点的运行情况，例如，查看服务器的cpu使用率，内存使用率等。
[0171]
进一步的，在此边缘节点和中心节点的实现下，图13是根据一示例性实施例示出的服务端和客户端架构示意图。至此，如图13所示出的，整个系统架构将分为服务端和客户端，其中，服务端包括中心节点和边缘节点，客户端则包括用户客户端和管理客户端。
[0172]
中心节点面向多个边缘节点实施控制和数据交互，用户客户端向所在地域边缘节点请求进行健康状态评估，管理客户端则作为控制边缘节点的运行和系统参数配置。
[0173]
具体的，中心节点执行模型预训练和系统控制。所执行的模型预训练，包括医疗数据的分组、模型训练过程的执行以及所得到预训练模型的测试。管理客户端批量导入医疗数据并进行格式的统一化处理之后，发送给边缘节点，边缘节点提取特征数据且根据诊断结果生成标签之后，将医疗数据处理为标记数据的形式，以转发给中心节点，供中心节点的模型训练过程使用。中心节点所进行的模型预训练，是使用神经网络算法对训练组的医疗数据进行训练的过程，示例性的，此过程所用的激活函数可以是relu函数，学习比率可设为0.01，神经刚给的层数设为4层，每层包含12个神经元，在使用测试组进行验证时，准确率大于95％时停止训练，得到模型。
[0174]
用户客户端可以部署在用户的个人电脑或者智能手机上，用于执行数据采集、传输和显示。通过连接外接的医疗设备，例如光电容积脉搏波仪器，用户客户端收集到用户请求进行健康状态评估所使用的医疗数据，将此医疗数据统一编码和加密后，向边缘节点发起访问。
[0175]
管理客户端亦可配置在个人电脑上，以便于进行系统配置、批量导入数据和查看系统运行情况等。
[0176]
至此，在中心节点、管理客户端的支持下，即可在边缘节点实现适用于所在地域的智能评估模型，用户客户端向所在地域边缘节点发起的外部访问，便基于智能评估模型触发进行用户的健康状况评估。
[0177]
下述为本发明装置实施例，用于执行本发明上述基于边缘计算的医疗数据处理方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明基于边缘计算的医疗数据处理方法实施例。
[0178]
图14是根据一示例性实施例示出的一种基于边缘计算的医疗数据处理系统的框图。在一个示例性实施例中，区分地域为用户部署边缘节点，边缘节点部署智能评估模型，该智能评估模型经所对应地域的医疗数据训练得到，如图14所示，该基于边缘计算的医疗数据处理系统包括访问处理模块1010、特征提取模块1030和评估模块1050。
[0179]
访问处理模块1010，用于将所述用户的外部访问连接至所适用地域的缘节点，所述边缘节点获得所述用户的医疗数据；
[0180]
特征提取模块1030，用于通过所述边缘节点对所述医疗数据提取特征数据；
[0181]
评估模块1050，用于对所述特征数据，经所述边缘节点上部署的智能评估模型执行用户所属健康状态评估。
[0182]
可选的，本发明还提供一种机器设备，该机器设备可以用于图1所示实施环境中，执行图3、图4、图5、图6、图7、图9、图10和图11任一所示的方法的全部或者部分步骤。所述装置包括：
[0183]
处理器；
[0184]
用于存储处理器可执行指令的存储器；
[0185]
其中，所述处理器被配置为执行实现前述所指的方法。
[0186]
该实施例中的装置的处理器执行操作的具体方式已经在有关前述实施例中执行了详细描述，此处将不做详细阐述说明。
[0187]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。