一种基于区块链的数据处理方法及系统与流程

1.本技术涉及健康数据的领域，尤其是涉及一种基于区块链的数据处理方法及系统。


背景技术：

2.cn201910820637.8公开了一种数据处理方法、装置、电子设备及可读存储介质，所述方法为：获取用户的多个健康程度反映项目，所述健康程度反映项目用于反映用户的健康程度；从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目，所述表征用户的健康程度异常的健康程度反映项目记为风险因数项；对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率；根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值；根据所述多个健康缺陷中的每个健康缺陷的风险值，对所述多个健康缺陷进行排序，生成与所述多个健康缺陷的排序对应的健康干预方案。
3.该数据处理方法、装置、电子设备及可读存储介质具有以下优点：与现有的技术相比，充分对健康程度反映项目进行了分析和处理，健康程度反映项目可以包括现有技术中的活动参数，改善了现有技术未充分利用用户的活动参数的问题但是，该数据处理方法、装置、电子设备及可读存储介质也具有以下缺点：大量数据导致数据计算时间较大，造成数据计算成本的增加；未能够识别亚健康状态，对潜在健康风险未作考虑。
4.因此，需要一种能够筛选数据和识别潜在健康风险的方法。


技术实现要素：

5.为了解决数据处理量较大、未能识别潜在健康风险的问题，本技术提供一种基于区块链的数据处理方法及系统。
6.本技术提供一种基于区块链的数据处理方法，包括以下步骤：步骤s1，获取多类型健康数据，并作出身份标识和时间标记，将各类型健康数据时间和身份对应，形成原始数据库；步骤s2，数据相关性分析，将各类型数据分别对应，形成数据项目相关性数据库；步骤s3，个体健康数据分析，由身份标识提取相关数据，并根据相关性程度筛选出相关性高的健康数据；对筛选出的相关性较高的健康数据进行着重分析，并判断个人健康水平；步骤s4，群体健康数据分析，根据步骤s3分析所得数据，对区域内群体疾病防疫情况进行总结，判断群体健康水平。
7.所述步骤s1包括：步骤s11，收集病历数据，对研究人群中不同人员历史病历进行收集，根据不同种类疾病的历史发生情况对应时间和身份标记；步骤s12，收集体检数据，对
研究人群中不同人员历史体检数据进行收集，并根据步骤s11中不同种类疾病发生的时间和身份标记，将体检数据与病历数据进行时间和身份对应；步骤s13，收集身体数据，通过可穿戴设备对研究人群中不同人员历史身体数据进行收集，并根据步骤s11中不同种类疾病发生的时间和身份标记，将身体数据与病历数据进行时间和身份对应；步骤s14，特殊数据标记，将步骤s11中不同人员的某种类疾病发生时刻进行标记，并标记出对应时间的体检数据和身体数据。
8.所述步骤s2包括：步骤s21，数据安全级别确定，根据当地医疗机构95%医学参考值，比对各项目数据与95%医学参考值的偏离情况，判定各项目数据是否正常；步骤s22，数据项目相关性确定，根据数据项目的异常情况，将某被研究人员某种类疾病发生时各数据项目异常情况对照，再将不同研究人员某种类疾病发生时各数据项目异常情况对照，总结该种类疾病与各数据项目的对应关系；步骤s23，重复步骤s21-步骤s22，总结出不同种类疾病与各数据项目的对应关系，并以此形成相关性数据库。
9.所述步骤s21包括：步骤s211,体检数据安全级别确定；步骤s212,身体数据安全级别确定；所述步骤s211中，若某项目体检数据超出95%医学参考值范围，则安全级别为0；若某项目体检数据在95%医学参考值范围，但计算所得趋势值将要超出95%医学参考值范围，则安全级别为1；若某项目体检数据在95%医学参考值范围内，且计算所得趋势值也在95%医学参考值范围内，则安全级别为2；所述体检数据趋势值计算方法为：，其中s’表示为体检数据趋势值；s
t
表示为待评价周期的体检数据值；s
t-1
表示为待评价周期的前一周期的体检数据值；所述步骤s212中，若某项目体检数据超出95%医学参考值范围，则安全级别为0；若某项目体检数据在95%医学参考值范围内，但计算所得趋势值将要超出95%医学参考值范围，则安全级别为1；若某项目体检数据在95%医学参考值范围内，且计算所得趋势值也在95%医学参考值范围内，则安全级别为2；所述身体数据趋势值计算方法为：,其中，其中w’表示为体检数据趋势值；w
t
表示为待评价周期的体检数据值；s
t-3
表示为待评价周期的前第三个周期的体检数据值。
10.通过采用上述技术方案，对不同健康状态进行级别区分，提高了健康状态的直观程度，并考虑了健康数据的变化趋势以及发生异常的可能性，提高了对健康状态识别的预见性。
11.所述步骤s23中，相关性判断方法为：
,,其中，p（a,b）表示为疾病种类a与体检数据项目b的相关指数,p（a,b）为正值则疾病种类a与体检数据项目b正相关，p（a,b）为负值则疾病种类a与体检数据项目b负相关；p（a,b）的绝对值越大，则疾病种类a与体检数据项目b的相关性越高；p（a,b）的绝对值越小，则疾病种类a与体检数据项目b的相关性越低；p（a,c）表示为疾病a与身体数据项目c的相关指数，p（a,c）为正值则疾病种类a与身体数据项目正相关，p（a,c）为负值则疾病种类a与身体数据项目负相关；p（a,c）的绝对值越大，则疾病种类a与身体数据项目c的相关性越高；p（a,c）的绝对值越小，则疾病种类a与身体数据项目c的相关性越低；xi表示为编号为i的人发生某种类疾病的发生参数，该种类疾病发生时xi为0,该种类疾病未发生时xi为1；yi表示为编号为i的人某项目体检数据的安全级别；zi表示为编号为i的人某项目身体数据的安全级别。
12.通过采用上述技术方案，可得到不同健康数据对不同种类疾病的相关程度，提供了数据筛选的依据，形成数据相关性数据库，提高了对健康数据的分析能力。
13.所述步骤s3包括：步骤s31，相关数据筛选，将所述步骤s2中某种类疾病对应相关指数低于设定值的数据项目数据剔除，与该种类疾病对应相关指数高于设定值的数据项目数据筛选出来；步骤s32，异常数据筛选，将步骤s31中筛选所得数据中，在安全级别为2的数据项目剔除，安全级别小于2的数据项目筛选出来；步骤s33，判断健康情况，根据筛选出的实际数值计算各种类疾病的发生指数，判断个人健康状况：若任意种类疾病的发生指数均低于设定值，则判断该人员健康状况良好，若存在某种类疾病的发生指数超过设定值，则判断该人员健康状况不佳；所述各种类疾病的发生指数的计算方法为：，其中，εa表示为某人员对疾病种类a的发生指数，若εa超出设定值，则该人员容易发
生疾病a，若εa低于设定值，则该人员不易发生疾病a；j表示为经步骤s31和步骤s32筛选所得的体检数据和身体数据项目汇总编号；m表示为经步骤s31和步骤s32筛选所得的体检数据和身体数据项目汇总数量；pj表示为疾病种类a与编号为j的体检数据或身体数据项目的相关指数；dj表示为编号为j的体检数据或身体数据的安全级别。
14.通过采用上述技术方案，可分析个人对某疾病的发生可能性，具有一定的预见性，提高了个人对健康状况查看的直观程度。
15.所述步骤s4中，群体健康的分析方法为：，其中，λa表示为研究人群对疾病种类a的群体防疫指数，λ的值越大则研究人群对疾病种类a的群体防疫水平越差，λ的值越小则研究人群对疾病种类a的群体防疫水平越好；i表示为被研究人员编号；n表示为被研究人员数量；ε
ai
表示为编号为i的人员对疾病种类a的发生指数。
16.通过采用上述技术方案，可分析区域内人群对某疾病的防疫水平，具有一定的预见性，提高了对区域内健康整体水平的评估能力。
17.一种基于区块链的数据处理系统,包括：处理器、存储器、原始数据库、项目相关性数据库、身份标记模块、时间标记模块、数据异常判定模块、数据项目相关性判定模块、数据筛选模块、个人数据分析模块、群体数据分析模块；所述原始数据库，设置在存储器内，用于储存收集所得的历史病历数据、历史体检数据和历史身体数据；所述项目相关性数据库，设置在存储器内，用于储存不同项目数据与不同种类疾病的对应相关指数数据；所述数据异常判定模块，运行在所述处理器上，用于判定各项目数据对%医学参考值的偏离情况；所述数据项目相关性判定模块，运行在所述处理器上，用于判定各计算同项目数据与不同种类疾病的对应相关程度，根据算法计算对应相关指数，并将数据上传至项目相关性数据库。
18.所述数据筛选模块，运行在所述处理器上，用于按指定规则筛选原始数据库中大量数据。
19.所述个人数据分析模块，运行在所述处理器上，用于接收数据异常判定模块的判定结果和项目相关性数据库的相关性数据，根据算法分析个人健康状况；所述群体健康分析模块，运行在所述处理器上，用于接收原始数据库中的所有人群数据、项目相关性数据库中的相关性数据、数据异常判定模块的判定结果，根据算法分析群体健康状况。
20.综上所述，本技术包括以下有益技术效果：1.通过对不同健康状态进行级别区分，提高了健康状态的直观程度，并考虑了健康数据的变化趋势以及发生异常的可能性，提高了对健康状态识别的预见性；
2.通过对不同健康数据对不同种类疾病的相关程度分析，提供了数据筛选的依据，形成数据相关性数据库，减少了数据分析的计算量，降低了数据计算成本；3.分析了个人对某疾病的发生可能性，提高了个人对健康状况查看的直观程度；分析了区域内人群对某疾病的防疫水平，提高了对区域内健康整体水平的评估能力。
附图说明
21.图1是本技术实施例的一种基于区块链的数据处理方法的步骤图；图2是本技术实施例的一种基于区块链的数据处理方法的结构图。
22.附图标记说明：处理器1、存储器2、原始数据库21、项目相关性数据库22、身份标记模块3、时间标记模块4、数据异常判定模块5、数据项目相关判定模块6、数据筛选模块7、个人数据分析模块8、群体数据分析模块9。
具体实施方式
23.下面对照附图，通过对实施例的描述，本技术的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。为方便说明，本技术提及方向以附图所示方向为准。
24.参照图1-图2所示，一种基于区块链的数据处理方法，包括以下步骤：步骤s1，获取多类型健康数据，并作出身份标识和时间标记，将各类型健康数据时间和身份对应，形成原始数据库21；步骤s2，数据相关性分析，将各类型数据分别对应，形成数据项目相关性数据库22；步骤s3，个体健康数据分析，由身份标识提取相关数据，并根据相关性程度筛选出相关性高的健康数据；对筛选出的相关性较高的健康数据进行着重分析，并判断个人健康水平；步骤s4，群体健康数据分析，根据步骤s3分析所得数据，对区域内群体疾病防疫情况进行总结，判断群体健康水平。
25.所述步骤s1包括：步骤s11，收集病历数据，对研究人群中不同人员历史病历进行收集，根据不同种类疾病的历史发生情况对应时间和身份标记；步骤s12，收集体检数据，对研究人群中不同人员历史体检数据进行收集，并根据步骤s11中不同种类疾病发生的时间和身份标记，将体检数据与病历数据进行时间和身份对应；步骤s13，收集身体数据，通过可穿戴设备对研究人群中不同人员历史身体数据进行收集，并根据步骤s11中不同种类疾病发生的时间和身份标记，将身体数据与病历数据进行时间和身份对应；步骤s14，特殊数据标记，将步骤s11中不同人员的某种类疾病发生时刻进行标记，并标记出对应时间的体检数据和身体数据。
26.所述步骤s2包括：步骤s21，数据安全级别确定，根据当地医疗机构95%医学参考值，比对各项目数据与95%医学参考值的偏离情况，判定各项目数据是否正常；步骤s22，数据项目相关性确定，根据数据项目的异常情况，将某被研究人员某种类疾病发生时各数据
项目异常情况对照，再将不同研究人员某种类疾病发生时各数据项目异常情况对照，总结该种类疾病与各数据项目的对应关系；步骤s23，重复步骤s21-步骤s22，总结出不同种类疾病与各数据项目的对应关系，并以此形成相关性数据库。
27.所述步骤s21包括：步骤s211,体检数据安全级别确定；步骤s212,身体数据安全级别确定；所述步骤s211中，若某项目体检数据超出95%医学参考值范围，则安全级别为0；若某项目体检数据在95%医学参考值范围，但计算所得趋势值将要超出95%医学参考值范围，则安全级别为1；若某项目体检数据在95%医学参考值范围内，且计算所得趋势值也在95%医学参考值范围内，则安全级别为2；所述体检数据趋势值计算方法为：，其中s’表示为体检数据趋势值；s
t
表示为待评价周期的体检数据值；s
t-1
表示为待评价周期的前一周期的体检数据值；所述步骤s212中，若某项目体检数据超出95%医学参考值范围，则安全级别为0；若某项目体检数据在95%医学参考值范围内，但计算所得趋势值将要超出95%医学参考值范围，则安全级别为1；若某项目体检数据在95%医学参考值范围内，且计算所得趋势值也在95%医学参考值范围内，则安全级别为2；所述身体数据趋势值计算方法为：,其中，其中w’表示为体检数据趋势值；w
t
表示为待评价周期的体检数据值；s
t-3
表示为待评价周期的前第三个周期的体检数据值。
28.所述步骤s23中，相关性判断方法为：,,其中，p（a,b）表示为疾病种类a与体检数据项目b的相关指数,p（a,b）为正值则疾病种类a与体检数据项目b正相关，p（a,b）为负值则疾病种类a与体检数据项目b负相关；p（a,b）的绝对值越大，则疾病种类a与体检数据项目b的相关性越高；p（a,b）的绝对值越小，
则疾病种类a与体检数据项目b的相关性越低；p（a,c）表示为疾病a与身体数据项目c的相关指数，p（a,c）为正值则疾病种类a与身体数据项目正相关，p（a,c）为负值则疾病种类a与身体数据项目负相关；p（a,c）的绝对值越大，则疾病种类a与身体数据项目c的相关性越高；p（a,c）的绝对值越小，则疾病种类a与身体数据项目c的相关性越低；i表示为被研究人员编号；n表示为被研究人员数量；xi表示为编号为i的人发生某种类疾病的发生参数，该种类疾病发生时xi为0,该种类疾病未发生时xi为1；yi表示为编号为i的人某项目体检数据的安全级别；zi表示为编号为i的人某项目身体数据的安全级别。
29.所述步骤s3包括：步骤s31，相关数据筛选，将所述步骤s2中某种类疾病对应相关指数低于设定值的数据项目数据剔除，与该种类疾病对应相关指数高于设定值的数据项目数据筛选出来；步骤s32，异常数据筛选，将步骤s31中筛选所得数据中，在安全级别为2的数据项目剔除，安全级别小于2的数据项目筛选出来；步骤s33，判断健康情况，根据筛选出的实际数值计算各种类疾病的发生指数，判断个人健康状况：若任意种类疾病的发生指数均低于设定值，则判断该人员健康状况良好，若存在某种类疾病的发生指数超过设定值，则判断该人员健康状况不佳；所述各种类疾病的发生指数的计算方法为：，其中，εa表示为某人员对疾病种类a的发生指数，若εa超出设定值，则该人员容易发生疾病a，若εa低于设定值，则该人员不易发生疾病a；j表示为经步骤s31和步骤s32筛选所得的体检数据和身体数据项目汇总编号；m表示为经步骤s31和步骤s32筛选所得的体检数据和身体数据项目汇总数量；pj表示为疾病种类a与编号为j的体检数据或身体数据项目的相关指数；dj表示为编号为j的体检数据或身体数据的安全级别。
30.所述步骤s4中，群体健康的分析方法为：，其中，λa表示为研究人群对疾病种类a的群体防疫指数，λ的值越大则研究人群对疾病种类a的群体防疫水平越差，λ的值越小则研究人群对疾病种类a的群体防疫水平越好；i表示为被研究人员编号；n表示为被研究人员数量；ε
ai
表示为编号为i的人员对疾病种类a的发生指数。
31.一种基于区块链的数据处理系统,包括：处理器1、存储器1、原始数据库21、项目相关性数据库22、身份标记模块3、时间标记模块4、数据异常判定模块5、数据项目相关性判定模块6、数据筛选模块7、个人数据分析模块8、群体数据分析模块9；所述原始数据库21，设置在存储器1内，用于储存收集所得的历史病历数据、历史体检数据和历史身体数据；所述项目相关性数据库22，设置在存储器1内，用于储存不同项目数据与不同种类
疾病的对应相关指数数据；所述数据异常判定模块5，运行在所述处理器1上，用于判定各项目数据对95%医学参考值的偏离情况；所述数据项目相关性判定模块6，运行在所述处理器1上，用于判定各计算同项目数据与不同种类疾病的对应相关程度，根据算法计算对应相关指数，并将数据上传至项目相关性数据库22。
32.所述数据筛选模块7，运行在所述处理器1上，用于按指定规则筛选原始数据库21中大量数据。
33.所述个人数据分析模块8，运行在所述处理器1上，用于接收数据异常判定模块5的判定结果和项目相关性数据库22的相关性数据，根据算法分析个人健康状况；所述群体健康分析模块，运行在所述处理器1上，用于接收原始数据库21中的所有人群数据、项目相关性数据库22中的相关性数据、数据异常判定模块5的判定结果，根据算法分析群体健康状况。
34.本技术实施例，一种基于区块链的数据处理方法及系统的工作原理为：通过对不同健康状态进行级别区分，提高了健康状态的直观程度，并考虑了健康数据的变化趋势以及发生异常的可能性，提高了对健康状态识别的预见性；通过对不同健康数据对不同种类疾病的相关程度分析，提供了数据筛选的依据，形成数据相关性数据库，减少了数据分析的计算量，降低了数据计算成本。
35.本技术实施例中，通过分析个人对某疾病的发生可能性，具有一定的预见性，提高了个人对健康状况查看的直观程度；通过分析区域内人群对某疾病的防疫水平，具有一定的预见性，提高了对区域内健康整体水平的评估能力。
36.以上示意性地对本发明及其实施方式进行了描述，该描述没有限制性，附图所示的也只是本发明的实施方式之一，实际的结构并不局限与此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不创造性地设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。