[发明专利]空气污染物对呼吸道疾病病患人数影响的评估方法有效
申请号: | 201810332947.0 | 申请日: | 2018-04-13 |
公开(公告)号: | CN108550400B | 公开(公告)日: | 2022-02-22 |
发明(设计)人: | 曲建明;傅彦;高辉;范计朋;张楠;陈万顺;马雄飞;李烘;连秋雨 | 申请(专利权)人: | 成都金盘电子科大多媒体技术有限公司 |
主分类号: | G16H50/50 | 分类号: | G16H50/50;G16H50/30;G06Q10/04;G06F17/18 |
代理公司: | 成都金英专利代理事务所(普通合伙) 51218 | 代理人: | 袁英 |
地址: | 610056 四川省成都市*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 空气 污染物 呼吸道疾病 病患 人数 影响 评估 方法 | ||
1.空气污染物对呼吸道疾病病患人数影响的评估方法,其特征在于,包括以下步骤:
S1.数据标准化处理:对每日呼吸道疾病住院人数以及空气污染物指标数据进行统计;
S2.聚合处理:根据不同的时间粒度对每日呼吸道疾病住院人数以及空气污染物指标数据进行聚合,寻找变量间的强相关性,得出最佳聚合天数,并根据所述最佳聚合天数对不同空气污染物进行聚合;
所述S2包括如下步骤:
S21.根据不同的时间粒度m对每日呼吸道疾病住院人数Yt以及单一的空气污染物指标数据Xt进行聚合:
Yt=Yt-1+Yt-2+…+Yt-m,
Xt=Xt-1+Xt-2+…+Xt-m,
S22.使用皮尔森相关系数衡量每日呼吸道疾病住院人数Yt以及空气污染物指标数据Xt之间的强相关性,皮尔森相关系数r公式如下:
其中,为某种聚合后的空气污染物指标数据的历史均值,为呼吸道疾病住院人数均值,n为序列总长度;
S23.通过r确定最佳聚合天数M:
S24.依次寻找出不同空气污染物的最佳聚合天数并进行聚合操作;
S3.时延处理:对聚合后不同的空气污染物指标序列遍历不同时延下与呼吸道疾病住院人数之间的相关系数,从而得到不同空气污染物对呼吸道疾病住院人数的影响周期,并根据所述影响周期对所述聚合后的不同的空气污染物指标序列进行时延操作;
S4.回归模型预测:根据所述时延操作后的空气污染物指标序列,运用贝叶斯岭回归模型对未来呼吸道疾病住院人数进行预测;
S5.多因子相关性计算:将预测序列和真实呼吸道疾病住院人数序列计算相关性,得到空气污染物指标和呼吸道疾病住院人数之间的相关程度。
2.根据权利要求1所述的空气污染物对呼吸道疾病病患人数影响的评估方法,其特征在于,所述S1包括如下步骤:
S11.在电子病历上根据ICD-10疾病编码挑选出所研究的呼吸道疾病类型;
S12.统计每日该呼吸道疾病的住院人数;
S13.通过网络爬虫爬取空气污染物数据。
3.根据权利要求1所述的空气污染物对呼吸道疾病病患人数影响的评估方法,其特征在于,所述S3包括如下步骤:
S31.对聚合后单一的空气污染物指标序列Xt进行时延移位处理:
Xt=Xt-d
其中,d为时延天数,d=0,1,2,3…;
S32.计算每日呼吸道疾病住院人数Yt以及空气污染物指标数据Xt之间的最佳相关性系数R,以此确定不同空气污染物对呼吸道疾病住院人数的影响周期D,公式如下:
S33.依次寻找出不同空气污染物的最强的影响周期,并进行时延操作。
4.根据权利要求1所述的空气污染物对呼吸道疾病病患人数影响的评估方法,其特征在于,所述S4包括:
根据贝叶斯岭回归模型作为该组合模型,通过贝叶斯岭回归预测呼吸道疾病住院人数序列Yt,假设Yt关于服从高斯分布:
概率模型的先验参数ω服从球型高斯分布:
其中,为通过贝叶斯回归拟合的多种空气污染物指标数据的组合特征值,ω为权重参数向量,α-1为对应的多种空气污染物指标数据的集合的方差,β-1为ω的高斯分布的方差。
5.根据权利要求1所述的空气污染物对呼吸道疾病病患人数影响的评估方法,其特征在于,所述S5包括:从所述S4中得出预测的呼吸道疾病住院人数序列后,计算预测序列和真实序列之间的相关系数,得到空气污染物指标和呼吸道疾病住院人数之间的相关程度,相关系数绝对值越大,相关程度越强,从而对空气污染物和呼吸道疾病病患人数影响进行评估。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于成都金盘电子科大多媒体技术有限公司,未经成都金盘电子科大多媒体技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810332947.0/1.html,转载请声明来源钻瓜专利网。