| 标题 | 基于大数据环境的健康监测管理系统的研究与设计 |
| 范文 | 摘要：医疗健康问题与我们每个人息息相关，随着互联网+的推进和发展，智慧医疗也越来越贴近我们的生活。该文提出一种基于MapReduce的Apriori优化算法，并设计了基于大数据环境健康监测管理系统。 关键词：大数据；健康计划；数据分析 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）24-0081-02 随着经济的飞速发展，我国的健康管理事业也在不断进步。随着人们物质生活水平不断提高，中老年疾病在不断地向年轻化发展，而且爆发率也在不断增长，如何控制，防范已经成为我国的公共卫生管理事业中一个重点的研究方向。传统的公共卫生健康管理模式已经不能适应新时代新需求。随着互联网、大数据、智能化等技术的出现，利用基于大数据环境下的健康管理系统，通过合理饮食、适度用药、适量运动和调整生活习惯等来控制医疗费用，保证个人健康利益，已经成为健康医学的一项重要课题[1]。本项目可以利用大数据分析的方法通过对多次体检结果数据、生命体征的监控数据及生物医学指标变化情况进行分析，来评价个体的健康状况，给出合理建议，以低廉的预防费用获得超值的健康回报。从而科学地提高个人乃至整个家庭的生活质量，达到减轻社会、政府的公共医疗卫生管理负担的目的。 1 大数据环境下健康监测管理系统面临的挑战 目前，在医疗健康领域，大数据的开放共享面临着挑战。通过相关部门的不懈努力，到2018年底，我国将实现跨部门的、可共享的医疗健康大数据平台。就目前看来，数据的组织形式、数据格式等都缺乏统一的、规范化的标准，这使医疗健康数据共享平台中的数据接入问题亟待解决。 医疗健康大数据的安全保护问题也是我们必须面对的。使用者的数据涉及个人隐私，如果不做好安全保护工作，必将会引起抗拒心理。因此，在构建健康管理监测系统时必须做好各种安全防范措施，这样才能让使用者在共享数据时安心、放心。有了海量的数据，并对其进行科学合理的使用，对推动我国的公共卫生事业的发展也是大有裨益的。 2 系统需求分析 整个系统包括：基本信息管理、个人健康信息管理、体检信息管理、健康计划管理、统计分析和大数据分析等几个模块。根据实际需求，健康监控管理系统的主要流程如下图1所示： 在大数据环境下的健康监测管理系统可以有效预防疾病的发生，提高人们的生活质量。通过日常健康数据和体检数据的积累，可以充分了解个人的健康状况，结合现有的医学领域的数据模型，对数据进行分析，可以及时掌控导致疾病产生的危险因素，达到及早预防，有效地减少疾病发生的效果。患者还可将自身的健康情况数据上传到云平台，社区卫生部门、医疗机构就可以通过健康管理数据的云平台获得使用者的健康数据信息，再利用分析结果给出合理的建议。针对潜伏期长、风险性较高的患者，可进行长期跟踪、检测，做到风险预警，及时为患者提供全方位的、智能化的健康管理和医疗服务。大数据环境下的健康监测管理系统降低了对疾病监控的难度，通过本系统，各级医疗机构可以不受时间、空间、地域限制，可及时地对患者的健康状况进行风险评估，还可借助互联网社交平台，可通过电话、短信等多种方式对患者进行实时的健康指导。通过本系统的使用还可调动使用者的主观积极性，降低或尽量避免个人慢性疾病的发生，从而以低廉的预防费用获得超值的健康回报，提高了个人家庭的生活质量，也减轻了社会公共事业医疗卫生管理部门的负担。 3 大数据环境下健康监测管理系统主要功能设计 该系统提供了个人健康信息管理、健康计划管理、体检信息管理、定时复查提醒以及大数据分析等功能。在此主要介绍个人监测数据管理、大数据分析模块。 3.1 个人健康信息管理 个人健康信息中，体重、血压、心律等体测数据是需要实时监测的，尤其是对已有症状的患者或老年人。可该系统通过对大量体测数据进行分析和挖掘，不仅可分析出使用者目前的身体状况，及发展趋势还可以获得一些决策信息用于今后的治疗和防治。用户也可通过实时查看健康信息和系统所给的健康计划，来得知自己最近的身体状况，结合实际情况调整作息、饮食、用药等，对身体进行一定的控制，或者及時去医院就诊 个人监测数据的获得主要是利用各种医疗传感技术，血压计、体温计等，获得原始的健康数据，再通过成熟的无线传输技术将数据传输到平台进行存储、处理。处理后的数据信息可以直观地通过网页为用户显示，并可打印输出，或用微信、QQ等平台分享。 3.2 大数据分析 该模块是健康监测管理系统的核心模块，本系统在进行关联挖掘时，采用了基于MapReduce改进后的Apriori算法。在此，我们利用MapReduce可自动分割大数据的特性，首先，将大数据切割成小的数据块，再分别发送给各个结点。而每个Map的输出结果作为某一项集的局部支持度，成为Reduce端的输入，然后在Reduce中进行汇总，成为全局支持度，并与所设最小支持度相对比，最后找出频繁项集。 我们将该系统采用的基于MapReduce的Apriori算法调用Hadoop平台进行了数据处理。首先，将原始的数据库分成多个子集，并采用了并行处理的方法进行数据处理。其次，将每一个事务转换成布尔矩阵。传统Apriori算法在生成候选项集时，每一次都要对整个数据库进行扫描，耗时、耗力。而改进后的算法只需对数据库进行一次扫描，就可将每个事务转换成需要的布尔矩阵。利用布尔矩阵，连接步和剪枝步的过程都简化了很多。因此，改进后的，基于MapReduce的Apriori算法在对海量数据分析的时候，可大大地提高频繁项集的搜索速度，提高系统的效率。 4 总结 随着互联网+的推进和发展，智慧医疗也越来越受到国家的关注。大数据处理技术与传统医学相结合，可以为用户提供有效、快速的健康数据分析服务，提供可靠的、科学的健康计划。本系统针对健康数据，进行了相关的大数据处理。采用改进的基于MapReduce的Apriori算法，找出频繁项集，并用Hadoop平台进行了分布式处理。在Hadoop和HBase实验室硬件环境下，完成了平台的软件实现，达到了用户基本要求。平台的功能仍处于试验阶段，功能不够完善，今后随着健康数据的不断增加和用户的需求，我们将不断改进和完善系统功能。 参考文献： [1] 邹北骥. 大数据分析及其在医疗领域中的应用[J]. 计算机教育，2014（7）. [2] 富野.健康计划管理系统的设计与实现[D].北京：北京邮电大学，2009. 【通联编辑：梁书】 |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。