一种面向边缘计算的类型化医疗资源处理系统设计方法与流程

本发明是一种面向边缘计算的类型化医疗资源处理系统设计方法，从优化物联网边缘设备的资源优化存储、处理和传输等角度出发，解决解决边缘计算环境下海量类型化医疗资源在有限带宽条件下的传输优化问题。属于边缘计算与软件工程交叉领域。
背景技术：
：物联网应用的大规模发展促进了边缘设备的存储、计算和通信能力的增强，例如资源在边缘设备的高效存储、语义整合和平行处理等。医疗系统(healthsystem)是组织提供卫生保健服务的人员，机构和资源以满足目标人群的健康需求。世界各地有各种各样的卫生系统，有许多国家的历史和组织结构。各国必须根据其需要和资源设计和开发卫生系统，但实际上在所有卫生系统中都有共同的要素。医疗保健计划经常被描述为进化而不是革命。云计算企业专注于他们的核心业务，而不是花费大量资源去完善电脑基础设施。然而，把所有的任务都集中到云端在一些方面是不必要的，例如，监测心率的终端移动设备能够在本地执行简单的诊断任务。解决云端资源分配的优化分解方法能够满足用户需求并对云服务商产生效率。将普遍的云计算模型应用大移动云计算环境是一个构建资源需求的非常好的方法。但是在有限的带宽资源下上传所有的资源并解决他们的存储和计算这依然是一个挑战。雾计算提供了许多新应用的关键优势，例如实时性处理，快速低投入的规模和本地内容等。感知技术是物联网传感器技术的关键技术之一，能够为物联网提供原始的信号。边缘计算将计算任务推向网络的边缘以优化云计算系统，从而均衡网络负载并保证实时性和可靠性。目前，物联网的传输网络的带宽资源是有限的，资源的实时传输通常难以保障，大规模异构的资源请求导致了网络负载的不均衡。因此，本发明提出一种面向边缘计算的类型化医疗资源处理系统旨在提升物联网边缘设备的服务质量。关键在于转换资源类型和合理化利用带宽资源，通过优化资源的存储、处理和传输，实现在有限网络带宽下的动态资源分配，提高资源的使用效率和保持均衡的资源负载。并根据用户价值需求，在可接受的响应时间和访存带宽限制下优化资源处理和存储所需的计算代价和空间代价，使系统保持一种比较稳定的状态。知识图谱已经成为用带有标记的有向图的形式来表示知识的强大工具，并能赋予文本信息语义。知识图谱是通过结点的形式将项目、实体或用户表示出来，通过边的形式将彼此相互作用的结点链接起来构造的图形，结点之间的边可以表示任何语义关系。知识图谱的构建按照知识获取的过程分为信息抽取、知识融合和知识加工三个层次，定义知识图谱是一个具有属性的实体通过关系链接而成的网状知识库，其研究价值在于能以最小的代价将互联网中积累的信息组织成可被利用的知识，从而通过推理实现概念检索和图形化知识展示。数据是通过观察数字或其他基本个体项目得到的。信息通过数据和数据组合的背景传达，适用于分析和解释。知识是从积累的信息中获得的一般理解和经验，根据知识能推测出新的背景。技术实现要素：技术问题：本发明的目的是提供一种面向边缘计算的类型化医疗资源的处理系统设计方法，从资源优化存储、处理和传输的角度出发，提升医疗资源处理系统中的物联网边缘设备服务质量(qos)。随着应用物联网的分布式医疗设备生成的类型化医疗资源tmr(typedmedicalresources)海量出现，用户要求资源的高效存储和处理，同时目前有限的带宽下资源的传输是一个巨大的挑战，医疗资源的实时传输在医疗系统中非常重要。传统的方式不考虑资源类型转换，传输信道的优化受到限制。技术问题：为了解决这一问题，本发明基于数据图谱、信息图谱和知识图谱三层资源处理架构，提出在处理资源时改变资源类型(rt)，并在传输时合理化利用带宽资源以均衡资源负载。通过用户投入和对应的效益比决定最终的资源方案，以使系统保持相对稳定的状态。对于资源的处理，本发明基于对现有知识图谱(knowledgegraph)概念的拓展提出了一种三层可自动抽象调整的解决架构。这个架构包括：数据图谱(datagraphdik)、信息图谱(informationgraphdik)和知识图谱(knowledgegraphdik)(我们定义数据图谱为datagraphdik，信息图谱为informationgraphdik，知识图谱为knowledgegraphdik)等三个层面。在这个架构上进行资源的转换、存储、分析和处理。体系结构图1给出了一种面向边缘计算的类型化医疗资源处理系统的服务框架，图2给出了面向边缘计算的类型化医疗资源处理系统的一个节点子系统结构，图3给出了一种面向边缘计算的类型化医疗资源处理系统工作的流程图。表1所示为对datadik、intormationdik和knowledgedik等形态的资源以及对应图谱层次的介绍。表2所示单位tmr类型转换的规模增量，表3所示为tmr单位资源的存储代价、处理代价和传输代价。下面我们给出datagraphdik、informationgraphdik和knowledgegraphdik的具体说明。我们定义datagraphdik为datagraphdik:＝collection{array,list,stack,queue,tree,graph}.datagraphdik是各种数据结构包括数组(array)、链表(list)、栈(stack)、队列(queue)、树(tree)和图(graph)等的集合(collection)。datagraphdik只能对图谱上表示的datadik进行静态分析，无法分析和预测datadik的动态变化。我们定义informationgraphdik为informationgraphdik:＝combination{relateddatadik}。informationgraphdik是相互关联的datadik(relateddatadik)的组合(combination)，informationdik是通过datadik和datadik组合之后的上下文传达的，经过概念映射和相关关系组合之后的适合分析和解释的信息。在informationgraphdik上进行数据清洗，消除冗余数据。我们定义knowledgegraphdik为knowledgegraphdik:＝collection{statisticrules}。knowledgegraphdik实质是语义网络和由informationdik总结出的统计规则(statisticrules)的集合(collection)。knowledgegraphdik蕴含丰富的语义关系，在knowledgegraphdik上能通过信息推理和实体链接提高knowledgegraphdik的边密度和结点密度，knowledgegraphdik的无结构特性使得其自身可以无缝链接。信息推理需要有相关关系规则的支持，这些规则可以由人手动构建，但往往耗时费力，得到复杂关系中的所有推理规则更加困难。使用路径排序算法将每个不同的关系路径作为一维特征，通过在knowledgegraphdik中构建大量的关系路径来构建关系分类的特征向量和关系分类器来提取关系。本发明将类型化医疗资源定义为tmr:＝{tmrd,tmri,tmrk}，其中tmr资源实例有资源规模(rs)和资源类型两种属性(rt)。将资源规模定义为rs:＝{rsd,rsi,rsk},将资源类型定义为rt:＝{rtd,rti,rtk}。表1.资源类型的的解释表2.单位tmr类型转换的规模增量datadikinformationdikknowledgedikdatadikδrsd-dδrsd-iδrsd-kinformationdikδrsi-dδrsi-iδrsi-kknowledgedikδrsk-dδrsk-iδrsk-k表3.单位tmr的处理代价、存储代价和传输代价datadikinformationdikknowledgedik存储代价stctmrstctmrdstctmristctmrk处理代价prctmrprctmrdprctmriptctmrk传输代价trctmrtrctmrdtrctmritrctmrk对一种面向边缘计算的类型化医疗资源处理系统设计方法进行模块介绍：(1)类型化医疗资源采集终端群(mrcg)：由部署的物联网节点群组成，每一个节点是用于处理类型化医疗资源的物联网边缘设备，其中一个节点子系统的终端结构是由传感器(心率、心电和肌肉电等传感器)、处理器(树莓派和arduino)和传输设备(wifi和sim800模块)组成。静态对象将由wifi传输资源，动态对象由sim800传输资源，对于便携式终端采用蓝牙技术与手机终端配合远程传输资源。资源村存储、处理和传输方案采用本方法提出的优化方案；(2)节点设备的上位机分析软件(matlab)：matlab提供了丰富的函数库，已实现必要的本地诊断计算任务，用于分析和处理心电波并给出诊断结果，提供相关算法。处理优化使用本方法提出的资源处理优化方案；(3)资源可视化模块(d3.js)：针对类型化的医疗资源，我们搭建了服务器，本地或云端可视化展示健康状态数据、信息和知识；(4)提供一个节点子系统的系统服务：在此节点上，子系统提供心率诊断、心电诊断、肌肉疾病诊断和自动报警服务。诊断在本地处理器和上位机matlab软件上分析和处理。对于本地的诊断提供本地报警服务，云端数据中心的诊断提供远程报警服务。有益效果：本发明提出了一种资源优化存储、处理和传输方法，并根据该方法设计出了一种面向边缘计算的类型化医疗资源处理系统设计方法，该方法具有如下优点：1)对资源类型的划分将资源划分为datadik、informationdik和knowledgedik，便于挖掘资源之间的联系，从datadik经过抽象得到informationdik、knowledgedik，从knowledgedik进行推理得到datadik、informationdik；2)允许跨层存储资源仅仅通过资源类型无法判断出资源应存储在哪一类型图谱上，本发明提出资源存储代价和搜索代价的计算，根据存储代价和计算代价确定资源的存储位置；3)存储代价和计算代价协同调整基于datagraphdik，informationgraphdik和knowledgegraphdik的代价计算的分类型资源存储方法，提出在不同图谱上存储代价和计算代价的衡量，通过参数化存储过程和搜索过程，当带宽资源重要时，确定最小的存储代价，当计算资源重要时，确定计算代价最小，实现对不同类型资源的合理组织和存储，花费最合理的存储代价和搜索代价；4)合理化利用带宽资源建立节点间网络资源限制利用模型，控制有限带宽下的资源无节制传输，均衡资源负载，提升了资源的整体传输效率；5)报警规则可自动跟新经过初始制定报警规则后，报警规则集合由类型化医疗资源动态映射的数据、信息和知识自动更新报警规则集合；6)提供本地计算服务物联网医疗系统应用中，为了提升物联网边缘设备的服务质量(qos)，本发明提供了网络边缘的医疗诊断计算，在系统的部分节点上根据移动或静态对象提供心率、心电图、肌肉电等基础诊断计算。复杂任务将传输至云端数据中心处理。附图说明图1是一种面向边缘计算的类型化医疗资源处理系统的服务框架；图2是一种面向边缘计算的类型化医疗资源处理系统的一个节点子系统硬件结构；图3是一种面向边缘计算的类型化医疗资源处理系统设计方法的具体方法流程。具体实施方式一种面向边缘计算的类型化医疗资源处理系统设计方法，从优化物联网边缘设备的资源优化存储、处理和传输等角度出发，解决边缘计算环境下海量类型化医疗资源在有限带宽条件下的传输优化问题。关键在于转化医疗资源的类型，同时建立带宽资源利用限制模型，以均衡网络负载，具体实时方式如下：步骤1)对应于图3中的001，部署系统节点群，并在节点上部署底层传感器采集类型化的医疗资源tmr(数据、信息和知识等形式存在的医疗资源)。系统的资源采集部分是可进行大量计算的类型化医疗资源采集终端群tmrg，本发明提供的一个节点子系统上(如图2)部署了心率传感器、心电传感器和肌肉电传感器；步骤2)对应于图3中的操作002，从9种tmr的资源组合情{tmrd,tmri,tmrk}中并依次取其中一种资源组合情形。资源组合情形如下：tmrd＝{datadik|informationdik|knowledgedik}tmri＝{datadik|informationdik|knowledgedik}tmrk＝{datadik|informationdik|knowledgedik}；步骤3)对应于图3中的操作003，转换tmr的资源类型，根据公示(1)和(2)计算存储代价(stctmr)和处理代价(prctmr)：prctmr＝∑prttmri*μrsi+rsi，i，j∈{d，i，k}(1)stctmr＝∑stctmcd*rsd+ctmri*rsd+stctmrk*rsk，i，j∈{d，i，k}(2)步骤4)对应于图3中的操作004，建立网络资源利用限制模型，并根据公示(3)和(4)计算带宽空闲率(irban)和带宽使用均衡度(bebuse)bebuse＝e(irban2)-([e(irban)]2)(4)其中bij表示从节点i到节点j的链路的带宽，fij表示链路上的流量，l表示平均分组长度。根据公示(5)和(6)计算在节点i上资源转发的等待时间(tnfwai)包括转发等待率(frwait)和等待均衡度(bewequ)：bewequ＝e(frwait2)-([e(frwait)]2)(6)其中ni表示第i个节点需转发的资源的平均分组个数，hi表示节点i的缓冲区长度。根据公式(7)计算网络资源限制利用的目标函数：f＝αbebuse+βbewequ，α+β＝1(7)其中，分别表示带宽使用均衡度和等待均衡度的权重系数，可通过数据训练得出。f的值越小，表示网络流量分布越均衡；步骤5)对应于图3中的操作005，根据公式(8)计算不同资源处理和传输方案的用户所需投入：其中表示资源存储代价所需单位投入，表示单位资源传输代价所需单位投入，表示资源元素类型转换所需单位投入；步骤6)对应于图3中的操作006，根据公式(9)计算对应的效益比(re)：步骤7)对应于图3中的操作007，获取用户可接受投入范围{ivuserd,ivuseru}和预期效益比r0。步骤8)对应于图3中的操作008，判断每种可行方案的用户投入和效益比与预期的大小：ivuserd≤ivuseri≤ivuseru&ri>r0；步骤9)对应于图3中的操作009，若符合008的条件，则更新用户投入和效益比为当前用户投入和效益比；步骤10)对应于图3中的操作010，根据当前的ivuser0和r0调整tmr和aac。其中acc为报警规则及集合；步骤11)对应于图3中的操作011，经过调整后的tmr与报警规则集合aac进行匹配，aac的资源集合是通过将医疗健康规则映射到数据、信息和知识等资源上，并通过自学习更新规则集合，也可以在特例情况下有人工设置，判断tmr与报警规则集合aac是否匹配，若出现了不匹配的资源则表示超出健康状态阈值，比如在心电分析时心电波形出现了异常，此时的心电健康状态资源将与报警安全规则集合不匹配；步骤13)对应于图3中的操作013，若不匹配则启动报警系统，本地报警系统由本地医疗设备诊断发出，云端报警系统则是通过在数据中心产生报警后将报警信号远程传输至本地设备，并且报警后系统将定位报警位置，反馈具体报警的原因及相关资源。当前第1页12