服务器及使用该服务器的数据搜索方法与流程

本发明是涉及搜索技术，特别是一种服务器和一种使用基于物联网技术的上述服务器的数据搜索方法。

背景技术：

一种搜索引擎用于从网上(例如，英特网)搜索信息。如果用户患有疾病，例如高血压，该用户可以使用搜索引擎找到高血压的原因。然而，该搜索引擎将提供很多网页，其包括许多答案，例如缺乏运动、生活不规律、或不好的饮食习惯，且基于该搜索结果，该用户不能够确定哪个答案是完全相关的。

技术实现要素：

鉴于以上内容，有必要提供一种提供相关解决方案的服务器及使用该服务器的数据搜索方法。

一种服务器，通过一网络连接一第一数据库、一第二数据库、及一传感器，包括：

一非临时存储介质；及

至少一处理器，用于操作存储在该非临时存储介质的执行指令，该指令引发该处理器：

在该服务器接收来自该传感器的感测数据后，将该感测数据存储于该第一数据库；

探测一事件；

分析该事件，以从该事件中获取至少一关键字；

根据该至少一关键字，从该第二数据库搜索网页数据；

分析该网页数据；

从该网页数据获取与该事件对应的至少一因子；

根据该事件及与该事件对应的至少一因子的信息，从该第一数据库获取该感测数据；及

根据该感测数据，验证与该事件对应的至少一因子。

该感测数据与感测参数相关联，该感测参数在该感测数据产生的条件下同时产生。

该感测参数包括该感测数据的记录时间、该传感器的名称、该传感器的互联网协议地址、该传感器的介质访问控制地址、记录该感测数据的位置、负责该传感器的用户名字、以及属于该传感器的部门名称。

根据使用数据融合技术的感测参数存储该感测数据，以产生该多个感测数据的整合来分析该感测数据的变化。

当该传感器感测到异常感测数据时，触发该事件，该异常感测数据为不在该存储介质内存储的一预先设定范围内的感测数据。

该事件的信息包括该事件的时间、产生该异常感测数据的传感器位置、产生该异常感测数据的传感器名称、和/或产生该异常感测数据的负责该传感器的用户名字。

该事件为该服务器接收该用户经由该网络输入的至少一关键字。

还包括提供一解决方案，以解决与该事件相关的至少一因子。

该事件经由一危险水平触发，该危险水平基于一发生频率和一序列模式评估。

一种使用一服务器的数据搜索方法，该传感器通过一网络连接一第一数据库、一第二数据库和一传感器，该数据搜索方法包括如下步骤：

在该服务器接收来自该传感器的感测数据后，将该感测数据存储于该第一数据库；

探测一事件并分析该事件，以从该事件中获取至少一关键字；

从该第二数据库搜索网页数据；分析该网页数据并从该网页数据获取与该事件对应的至少一因子；

从该第一数据库获取该感测数据；

根据该感测数据验证与该事件对应的至少一因子。

该感测数据与感测参数相关联，该感测参数在该感测数据产生的条件下同时产生。

该感测参数包括该感测数据的记录时间、该传感器的名称、该传感器的互联网协议地址、该传感器的介质访问控制地址、记录该感测数据的位置、负责该传感器的用户名字、以及属于该传感器的部门名称。

根据使用数据融合技术的感测参数存储该感测数据，以产生该多个感测数据的整合来分析该感测数据的变化。

当该传感器感测到异常感测数据时，触发该事件，该异常感测数据为不在该存储介质内存储的一预先设定范围内的感测数据。

该事件的信息包括该事件的时间、产生该异常感测数据的传感器位置、产生该异常感测数据的传感器名称、和/或产生该异常感测数据的负责该传感器的用户名字。

该事件是一措施或发生的事情，以接收一客户端输入的至少一关键字，该客户端经由该网络连接该服务器。

还包括提供一解决方案，以解决与该事件相关的至少一因子。

该事件经由一危险水平触发，该危险水平基于一发生频率和一序列模式评估。

相较现有技术，上述服务器，通过感测器探测感测数据，并将感测数据存储至第一数据库，并进一步根据事件相关的关键字从第二数据库搜索网页数据，并从该网页数据获取与该事件对应的至少一因子。根据该事件及该事件对应的至少一因子，从该第一数据库获取该感测数据，并且该服务器可以从该对应的传感器检查该感测数据，以促进该服务器提供与该事件相关的解决方案，并作为有效性的参考，以减少人类认知的偏差及为用户提供早期警报。本发明的数据搜索方法通过使用上述服务器，能够为用户推荐相关的有效的解决方案，以减少人类认知的偏差及为用户提供早期警报。

附图说明

本发明将以例子的方式结合附图进行说明。

图1是本发明一较佳实施例的数据搜索系统的框架图。

图2是本发明一较佳实施例的图1中的服务器的框架图。

图3是本发明一较佳实施例的使用该服务器的数据搜索方法的流程图。

图4是本发明一较佳实施例的将感测数据存储于第一数据库的流程图。

图5是本发明另一较佳实施例的使用该服务器的数据搜索方法的流程图。

图6展示了一较佳实施例的包括健康范围的用户的血糖水平表的示意图。

图7a和图7b展示了一较佳实施例的包括健康范围和危险范围的用户的血糖水平表的示意图。

主要元件符号说明

如下具体实施方式将结合上述附图进一步说明本发明。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了简明清楚地进行说明，在恰当的地方，相同的标号在不同图式中被重复地用于标示对应的或相类似的元件。此外，为了提供对此处所描述实施例全面深入的理解，说明书中会提及许多特定的细节。然而，本领域技术人员可以理解的是此处所记载的实施例也可以不按照这些特定细节进行操作。在其他的一些情况下，为了不使正在被描述的技术特征混淆不清，一些方法、流程及元件并未被详细地描述。图式并不一定需要与实物的尺寸等同。为了更好地说明细节及技术特征，图式中特定部分的展示比例可能会被放大。说明书中的描述不应被认为是对此处所描述的实施例范围的限定。

现对适用于全文的几个定义描述如下。词语“模块”，是指在计算机或固件的逻辑运算、或者是一系列软件指令、作为一种编程语言，例如是java编程，C语言，或他们之间的组合。一或多个软件指令在该模块中可以在固件中实施，例如在可抹除可编程只读存储器(EPROM)中实施。本文所述的模块可以通过软件和/或计算模块实现，并且可以存储于任何类型的非临时性的计算机可读介质或其他存储。一些不限制本实施例的非临时性的计算机可读介质，例如是CD，DVD，蓝光碟，闪存和硬盘驱动器。词语“包括”的意思是“包括，但不限于”，特指开放式的包含关系或者是某个组合、群组、系列等集合概念中的要素。

图1是一较佳实施例的数据搜索系统200的框架图。在本实施例中，该数据搜索系统200包括一网络210、至少一服务器220(例如，如图1所示的一服务器220)、至少一第一数据库230(例如，图1所示的一第一数据库230)、至少一第二数据库240(例如，图1所示的一第二数据库240)、多个传感器250(例如，图1所示的两传感器250)、多个计算装置260(例如，图1所示的两计算装置260)、以及多个客户端270(例如，图1所示的两客户端270)。该至少一服务器220、该至少一第一数据库230、该至少一第二数据库240、该多个传感器250、该多个计算装置260、以及该多个客户端270通过该网络210连接彼此。例如，该客户端270通过该网络210连接该服务器220，因此，该客户端270能够通信连接该服务器220。此外，该至少一服务器220可以被设计为具有云计算能力和容量。该网络210可以是，但不局限于，广域网(WAN)、例如互联网、局域网(LAN)、无线个人区域网(PAN)、无线局域网，无线网状网络，无线城域网，无线广域网，蜂窝网络等等。

使用开放数据库连接(ODBC)或Java数据库连接(JDBC)，例如，该服务器220和该客户端270连接至该第一数据库230和该第二数据库240，该客户端270可以是，但不局限于，一移动电话，一平板计算机，一可佩戴设备，一个人数字助理(PDA)设备，一个人计算机或提供网络连接的功能的任何其他电子设备。

此外，该数据搜索系统200可以整合运行于物联网(IOT)中的一或多个其他系统，例如，一医疗保健系统、一智能家居系统、一环境监测系统、一消防系统等等。该传感器250用于产生感测数据。例如，如果该数据搜索系统200结合该医疗保健系统，该传感器250用于探测一用户的生理数据，并产生感测数据，例如该用户的血压、该用户的血糖水平、该用户的胆固醇水平、该用户的甘油三酯水平或该用户的脑电波水平。鉴于这种情况，该传感器250可以是，但不局限于，一血压计、一血氧计、一脑电图仪，一陀螺仪，一三轴加速度计，一血糖仪等等。如果该数据搜索系统结合该环境监测系统，该传感器用于探测该环境数据，并产生感测数据，例如，但不局限于，温度、湿度，空气压力，空气质量，环境光度等等。鉴于这种情况，该传感器250可以是，但不局限于，一温度计，一湿度计，一气压计，一亮度计等等。如果该数据搜索系统200结合该消防系统，该传感器250用于从一预先设定的空间(例如，一房间)探测特定数据，并产生感测数据，例如烟雾数据。在这种情况下，该传感器250可以是，但不局限于，一烟雾探测器、一温度传感器等等。

该第一数据库230可以用于存储经由该传感器250产生的感测数据，及该第二数据库240可以用于存储来源于互联网的网页数据。该网页数据可以是，但不局限于，多个网页。例如，该网页数据可以是一包含一详细介绍高血压的网页。另外，该网页数据可以与该感测数据相关联。例如，如果该感测数据是该用户的生理数据，该感测数据可以与包含该详细介绍高血压的网页数据相关联。图1展示了该数据搜索系统200的一个实施例，且在其他实施例中，可以包括比图1实施例中更多或更少元件，或者该各种元件具有的不同配置。

图2是图1中的服务器220的较佳实施例的框架图。该服务器220通过该网络210连接该第一数据库230和该第二数据库240。该服务器220包括，但不局限于，一数据搜索单元2200，一存储器2210，及至少一处理器2220。图2展示了该服务器220的一个实施例，且在其他实施例中，可以包括更多或更少展示在本实施例中的元件，或者该各种元件具有的不同配置。

图2是图1中服务器220的示例性实施例的步骤。服务器220通过网络210连接到第一个数据库230和第二数据库240。该服务器220包括，但不限于，一数据搜索单元2200、一存储器2210和至少一处理器2220。图2示出了该服务器220的一个示例，在其他实施例中，可以包括更多或更少展示在本实施例中的元件，或者该各种元件具有的不同配置。

在另一实施例中，该存储器2210可以是一个内部存储器，例如闪存、用于信息临时存储的一随机存取存储器(RAM)、和/或用于信息永久存储的只读存储器(ROM)。该存储器2210还可以是外部存储器，例如一外部硬盘、一存储卡、或任何数据存储介质。该至少一处理器2220可以是一中央处理器(CPU)，一微处理器、或其他执行该服务器220功能的任何数据处理芯片。

此外，该数据搜索单元2200包括，但不局限于，一数据记录模块221、一数据处理模块222、一信息分析模块223、一搜索模块224、一因子分析模块225、及一关联分析模块226。该数据记录模块221、该数据处理模块222、该信息分析模块223、该搜索模块224、该因子分析模块225、及该关联分析模块226可以包括以一或多个计算机可读程序的形式执行计算机化指令，且经由该服务器220的至少一处理器2220执行，该一或多个计算机可读程序可以存储在一非临时计算机可读介质，该非临时计算机可读介质例如是该存储器2210。请参看图3，该数据记录模块221、该数据处理模块222、该信息分析模块223、该搜索模块224、该因子分析模块225、及该关联分析模块226的功能的详细描述参看下面给出的图3所述。

图3展示了使用该服务器的数据搜索方法的一较佳实施例的流程图。在本实施例中，该数据搜索方法300经由该计算机可读程序或计算机化指令执行，且经由该服务器上的至少一处理器执行。

图3显示了一个使用服务器的数据搜索方法300的示例性实施例的流程图。在示例性实施例中，数据搜索的方法300是通过计算机程序或计算机的指令是由服务器上的至少一个处理器执行。

请参看图3，根据该实施例呈现的流程图。该数据搜索方法300经由实施例方式提供，其还有很多方式来实现该方法。下面描述的该数据搜索方法300可以使用该图1至图3展示的结构实现。例如，图1至图3中的各种元件可以被引用，以说明该数据搜索方法300。图3所示的每一步骤代表一或多个程序、方法、或子程序，以实现该数据搜索方法300。此外，该步骤的顺序仅用于说明本发明，并且该步骤的顺序可以改变。在不背离本发明构思和范围的前提下，可以增加额外的步骤或减少步骤。该数据搜索方法300可从该步骤310开始执行。

步骤310，该数据记录模块接收来自该传感器在一时间间隔内(例如，五秒)的感测数据，并且该数据处理模块处理该感测数据和存储该处理的感测数据至该第一数据库。该步骤310的具体步骤请参看图4。在一实施例中，该感测数据与感测参数相关联。该感测参数包括，但不局限于，该感测数据的记录时间、该传感器的名称、该传感器的互联网协议(IP)地址、该传感器的介质访问控制(MAC)地址、该感测数据记录的位置、负责每一传感器的用户名字、以及每一传感器属于的部门名称等等。根据该感测参数将该感测数据存储至该第一数据库。例如，该感测数据经由该感测数据的记录时间存储，且根据该感测数据的记录时间整理该第一数据库。即，用戶可根据该感测参数从该第一数据库中进行该感测数据的搜索。

步骤320，该信息分析模块探测一事件并分析该事件，以从该事件获得至少一关键字。

在至少一实施例中，该事件是由该信息分析模块探测的一措施或是一发生的事情，且该事件在该传感器记录异常感测数据时被触发。在至少一实施例中，当该感测数据不在一预先设定范围内时，该感测数据作为异常感测数据。该预先设定范围是指正常或健康的，且该预先设定范围是经由一医生根据该医生的医学经验或该医学数据(例如，一医学教科书)所主张。例如，假设该感测数据是该用户的生理数据(例如，该用户的血压、该用户的脚步、或该用户的脑电波)，如果该用户的心理数据(例如，该用户的血压)超出一预先设定值(例如，140毫米汞柱的收缩压)，该感测数据被作为异常感测数据。在另一实施例中，假设该感测数据是经由该烟雾探测器探测的烟雾数据，该感测数据被作为异常感测数据。

该至少一关键字是通过该事件的异常感测数据与该服务器中的信息关联起来从而获得。该至少一关键字可以是，但不局限于，负责一传感器的该用户名称，一传感器的名称等等。该至少一关键字可以预先设定于该服务器并与该传感器和/或该用户相关联。因此，如果异常感测数据用该传感器记录，将获得该至少一关键字。例如，该至少一关键字预先设定为“高血压”和“A”，且该关键字“高血压”与该血压计相关联；该关键字“A”与该负责该血压计的该用户名称相关联。如果该异常感测数据用该血压计记录，将获得“高血压”和“A”并作为关键字。此外，该事件的信息还可由该服务器提供，包括该事件的时间、产生该异常感测数据的该传感器的位置、产生该异常感测数据的该传感器的名称、和/或产生该异常感测数据的负责该传感器的该用户名称。此外，更多传感器可以用来测量一用户A的生理数据。例如，该关键字“高体温”或“低体温”和基于一预先设定温度间隔的该体温计相关联，该温度间隔是作为正常的一范围。在另一实施例中，该关键字“高心跳速率”或“低心跳速率”基于一预先设定心跳速率间隔和与心脏探测相关的设备相关联，该心跳速率间隔是作为正常的一范围。该关键字还可以利用设在床上的压力传感器与“睡眠时间”相关。该正常范围可以由该用户确定或基于该用户的连续测量作为该用户特定参数，因为每一用户之间存在个体差异。

在另一实施例中，当该服务器接收经由该用户从该客户端输入关键字时，该事件还可以是经由该信息分析模块探测的一措施或发生的事情。即，如果该用户在该客户端的一接口中输入关键字(例如，“高血压”或“A”)，当该关键字经由该服务器接收时，该事件被触发。鉴于这种情况，该事件的信息可以包括该事件的事件、在该客户端输入该关键字的该用户的一名称等等。

步骤330，根据该至少一关键字，该搜索模块从该第二数据库搜索网页数据。例如，如果以关键字“高血压”用于搜索，包含“高血压”的该网页数据将被搜索到。此外，官方网站可以在搜索过程中处于优先位置。

步骤340，该因子分析模块分析该网页数据，并从该网页数据获得与该事件对应的至少一因子。例如，该因子分析模块分析该网页数据包括该高血压的详细介绍，以获得与该事件相对应的一或多个因子，例如，缺乏锻炼、不规则的生活方式、不良的饮食习惯等等。此外，一个以上的网站可以分析每一事件，以根据各种网页数据的一交集(准确比较)或一并集(模糊比较)获得一或多因子。可替代地，该事件对应的因子可以预先设定至该第二数据库。即，该事件对应的因子可以直接从该第二数据库获得，且该因子分析模块225不需要分析该网页数据。

步骤350，该关联分析模块根据该事件信息和该事件对应的因子从该第一数据库获得感测数据，以及根据该感测数据验证该事件对应的因子。如果该事件的信息包括该用户A，那么根据该事件的信息将获得与该用户A关联的该感测数据，例如该用户A的血压、该用户A的脚步、该用户A的活动、该用户A的脑电波、及该用户A的血糖水平。然后，该关联分析模块根据该感测数据确认该事件先关的因子。例如，如果该事件对应的因子是缺乏锻炼，包括该用户A的脚步和/或活动的感测数据可以确定该用户A是否真的缺乏锻炼。如果该事件对应的因子是不良的饮食习惯，包括在该用户A血液中的葡萄糖的感测数据可以确定该用户A是否真的具有不良的饮食习惯。此外，涉及该探测事件的关键字的不同因子集可以与每一因子对应的感测数据相比较，如果可能，以获得相关度的分数，且为该用户提供可能疾病的分析结果的事件。具体的说，如果一疾病具有与高血压、低体温及高心脏速率因子相关的症状，该服务器可以从该对应的传感器检查该感测数据，以获得一匹配分数进而对可能的疾病分级。此外，该关联分析模块提供一解决方案，以解决每一事件对应的每一因子。例如，如果该用户A真的具有坏的饮食习惯，该解决方案可以提供关于如何为该用户A调整该饮食习惯的一文件。该解决方案可以是激活驱动装置。例如，如果该用户A缺乏睡眠基于该用户A的睡眠时间记录，该驱动装置可以是使灯光变昏暗的一光控制器，以帮助该用户A睡觉。此外，该解决方案可以是，但不局限于，一音频文件、一视频文件、一文本文件或他们之间的组合。例如，该解决方案可以涉及失眠的认知行为治疗、帮助该用户A识别并替换想法和行为的一结构化程序，该想法和行为用促进酣睡的习惯造成或恶化睡眠问题。此外，该第一数据库可以提供一日常睡眠的一时间框架，例如，一或两周，以帮助决定如何最好治疗该用户A的失眠。该生理数据可以继续监测并存储至该第一数据库一段时间，且该生理数据可以合并至该用户的特定数据，该特定数据基于该一段时间的长度按短期、中期及长期存储至该第一数据库，该一段时间例如是一天、一个月或一年。由该服务器推荐的解决方案及该用户选择的方案还可以被存储，并作为一有效性的参考。促进上述描述的该服务器可以减少人类认知的偏差及为该用户提供早期警报。

图4是图3中的步骤310的详细说明，其关于存储感测数据至该第一数据库的一较佳实施例。

步骤311，该数据记录模块接收来自该传感器的感测数据。例如，该数据记录模块可以接收来自该传感器的该用户的生理数据，该传感器例如是一血压计、一血氧计、一计步器、一脑电图仪、一陀螺仪、一加速度计、一血糖仪等等。此外，该数据记录模块可以接收来自该传感器的环境数据，该传感器例如是一温度计、一湿度计、一气压计、一亮度计等等。此外，该数据记录模块可以接受来自该传感器的烟雾数据，该传感器例如是一烟雾探测器等等。

步骤312，该数据记录模块进一步记录与该感测数据关联的传感参数。在该感测数据产生的条件下，同时产生该感测参数。即，该感测参数与该感测数据相关联。例如，该感测参数包括，但不局限于，该感测数据的记录时间、该传感器的名称、该传感器的互联网协议(IP)地址、该传感器的介质访问控制(MAC)地址、该感测数据记录的位置、负责每一传感器的用户名字、以及每一传感器属于的部门名称等等。

步骤313，该数据处理模块根据该感测参数处理该感测数据并存储该处理的感测数据至该第一数据库。在至少一实施例中，该感测数据可以根据感测参数并使用数据融合技术整理。例如，该感测数据可以根据负责每一传感器的用户名称整理。即，在相同位置和从相同传感器获得的不同感测数据处理成该多个感测数据的整合。该多个感测数据的整合可以用于分析该感测数据(例如，该用户的血压值)的变化。例如，包括该用户A的血压的感测数据从一血压计获得，该用户A的血压使用数据融合技术根据一小时、一天、一个月、及一年被存储，以及该用户A的多个血压读数的整合产生。根据该用户A的多个血压读数的整合，可以被分析该用户A的血压在一个小时、一天、及一年内的变化。应该值得注意的是，该数据融合的概念和该多个感测数据的整合甚至可以使用一个以上的传感器。

图5展示了一使用该服务器的数据搜索方法400的一较佳实施例的流程图。该本实施例中，该数据搜索方法400经由计算机可读程序或计算化指令执行并经由该服务器的至少一处理器执行。

参看图5，根据一较佳实施例展示一流程图。该数据搜索方法400经由实施例方式提供，因为还存在很多方式来实现该方法。下面描述的该数据搜索方法400可以使用图1、图2及图5所示的结构来实现，例如，这些图中的各种元件可以引用至该数据搜索方法400中。图5所示的每一步骤代表一或多个程序、方法或子程序，以执行该数据搜索方法400。此外，该步骤的顺序仅用于说明本发明，并且该步骤的顺序可以改变。在不背离本发明构思和范围的前提下，可以增加额外的步骤或减少步骤。该数据搜索方法400可以从该步骤410开始执行。

步骤410，该数据记录模块接收来自该传感器在一时间间隔(例如，5秒)的感测数据，及该数据处理模块处理该感测数据并存储该处理的感测数据至该第一数据库。该步骤410的具体描述可参看如图4所述。在一实施例中，该感测数据与该感测参数相关联。该感测参数包括，但不局限于，该感测数据的记录时间、该传感器的名称、该传感器的互联网协议(IP)地址、该传感器的介质访问控制(MAC)地址、该感测数据记录的位置、负责每一传感器的用户名字、以及每一传感器属于的部门名称等等。根据该感测参数将该感测数据存储至该第一数据库。例如，该感测数据根据该感测数据的记录时间整理，且根据该感测数据的记录时间存储至该第一数据库。即，可根据该感测参数从该第一数据库中对该感测数据进行搜索。

步骤420，该信息分析模块处理先前的感测数据，以获得至少一关键字。

该先前的感测数据可以从该第一数据库的不同时间框架(例如，一星期、一个月、一季度或一年)或其他系统(例如，由一医院提供的一医疗保健系统)获得。该先前的感测数据用于疾病危险评估(DSHA)。该DSHA包括至少两种方法。该DSHA的第一种方法是基于一因子的加权分析(例如，吸烟、缺乏运动等)，该因子涉及一疾病(例如，癌症)。即，该DSHA的第一种方法使用一加权危险评分来表明患有一疾病(例如，癌症)的一危险。该加权危险评分是基于一因子(例如，吸烟、缺乏运动等)和该疾病之间的关系来计算。该DSHA的第二种方法是基于与该疾病相关的至少两因子的一数学分析。即，该DSHA的第二种方法是经由使用统计与概率论在该至少两因子与该疾病之间建立一模式，且该统计与概率论可以是逻辑回归算法或Cox回归算法、或基于模糊数学的神经网络方法。例如，使用该DSHA的第二种方法提供一冠心病的弗明汉(Framingham)危险评分。

一健康范围是在该存储器内预先设定的范围，该存储器用于确定该先前的感测数据。该健康范围是经由一医生确定根据该医生的医学经验或该医学数据(例如，医学教科书)。例如，该先前的感测数据可以包括该名为“A”的用户的四个血糖水平表，如图6所示，该血糖水平表包括健康范围(例如，70mg/dl-120mg/dl)，该健康范围作为该血糖水平的预先设定范围。如果该用户的血糖水平落在一健康范围内，该血糖水平被视为是该正常的先前的感测数据。例如，如图6所示，该用户在第一次体检的第一血糖水平，该用户在第二次体检的第二血糖水平，及该用户在第三次体检的第三血糖水平作为该正常的先前的感测数据，以及该用户在第四次体检的第四血糖水平作为该异常的先前的感测数据。该健康范围还可以经由该用户确定或基于该用户的连续测量作为该用户特定参数，因为每一用户之间存在个体差异。应该值得注意的是，该异常的先前的感测数据可能与一特定疾病(例如，癌症)不相关。

此外，该健康范围包括一上限危险范围和一下限危险范围，且该上限危险范围的下限比该下限危险范围的上限大。例如，如图7a和图7b所示，该上限危险范围接近该健康范围的一上限值(例如，120mg/dl)，且该下限危险范围接近该健康范围的一下限值(例如，70mg/dl)。该安全范围的危险范围还可以经由该医生确定根据该医生的医学经验或该医学数据(例如，医学教科书)。一预先设定的百分比值R用于确定该健康范围的危险范围。建设该R＝30％，且该危险范围包含该健康范围的30％，例如，该上限危险范围可能包含该健康范围的15％，及该下限危险范围包含该健康范围的15％，该健康水平的剩下70％作为该健康范围的一无危险范围。应该值得注意的是，该上限危险范围和该下限危险范围可能不相等。例如，该上限危险范围可以包含该健康范围的10％，及该下限危险范围可包含该健康范围的20％。如果该先前的感测数据落至该健康范围的无危险范围内，该先前的感测数据确定为安全感测数据。如果该先前的感测数据落至该健康范围的危险范围内，该先前的感测数据确定为危险感测数据。

如图7a和图7b所示，一发生频率可以定义为在一时间框架(例如，一星期、一个月、一季度或一年)内，该感测数据是位于该危险范围内的次数，及一序列模式可以被定义为在一时间框架内，该感测数据在该健康范围内的分布特征，且该感测数据与该用户的健康状况相关。

此外，一危险水平可以基于该发生频率和至少一序列模式计算，以预测一事件是否会在未来发生。例如，相较于图7b中的序列模式，图7a中的序列模式在短期内(例如，时段9至11)具有更密集的危险感测数据，因此，引发图7a中的危险水平比图7b中的危险水平更高。应该值得注意的是，该信息分析模块223可删除一些该感测数据在该序列模式中，以更好计算该危险水平及预测是否一事件会发生。

因此，如果该危险水平确定该事件可能在未来的某种程度上发生，那么获得该至少一关键字。该至少一关键字可以是，但不局限于，负责一传感器的该用户名称，该传感器的名称等。更具体地说，该至少一关键字预先设定为“高血压”和“A”，且该关键字“高血压”与该血压计相关联；该关键字“A”与该负责该血压计的该用户名称相关联。如果该异常感测数据用该血压计记录，将获得“高血压”和“A”并作为关键字。如果该危险感测数据来自该血压计记录，将获得“高血压”和“A”，并作为关键字。此外，更多传感器可能用于测量该用户A的生理数据。例如，该关键字“高体温”或“低体温”和基于一预先设定温度间隔的该体温计相关联，该温度间隔是作为正常的一健康范围。在另一实施例中，该关键字“高心跳速率”或“低心跳速率”基于一预先设定心跳速率间隔与心脏探测相关的设备相关联，该心跳速率间隔是作为正常的一健康范围。该关键字还可以用设在床上的压力传感器与“睡眠时间”相关联。

步骤430，根据该至少一关键字，该搜索模块从该第二数据库搜索网页数据。例如，如果以关键字“高血压”用于搜索，将搜到包括“高血压”的网页数据。此外，在搜索过程中官方网站可能优先搜到。

步骤440，该因子分析模块分析该网页数据，并从该网页数据获得与该事件对应的至少一因子。例如，该因子分析模块分析该网页数据包括该高血压的详细介绍，以获得与该事件相对应的一或多个因子，例如，缺乏锻炼、不规则的生活方式、不良的饮食习惯等等。此外，一个以上的网站可以分析每一事件，以根据各种网页数据的一交集(准确比较)或一并集(模糊比较)获得一或多因子。可替代地，该事件对应的因子可以预先设定至该第二数据库。即，该事件对应的因子可以直接从该第二数据库获得，且该因子分析模块225不需要分析该网页数据。

步骤450，该关联分析模块根据该事件信息和该事件对应的因子从该第一数据库获得感测数据，并根据该感测数据验证该事件对应的因子。如果该事件的信息包括该用户A，那么根据该事件的信息将获得与该用户A关联的该感测数据，例如该用户A的血压、该用户A的脚步、该用户A的活动、该用户A的脑电波、及该用户A的血糖水平。然后，该关联分析模块根据该感测数据确认该事件先关的因子。例如，如果该事件对应的因子是缺乏锻炼，包括该用户A的脚步和/或活动的感测数据可以确定该用户A是否真的缺乏锻炼。如果该事件对应的因子是不良的饮食习惯，包括在该用户A血液中的葡萄糖的感测数据可以确定该用户A是否真的具有不良的饮食习惯。此外，涉及该探测事件的关键字的不同因子集可以与每一因子对应的感测数据相比较，如果可能，以获得相关的分数，且为该用户提供可能疾病的分析结果的事件。具体的说，如果一疾病具有与高血压、低体温及高心脏速率因子相关的症状，该服务器可以从该对应的传感器检查该感测数据，以获得一匹配分数进而对可能的疾病分级。此外，该关联分析模块提供一解决方案，以解决每一事件对应的每一因子。例如，如果该用户A真的具有坏的饮食习惯，该解决方案可以提供关于如何为该用户A调整该饮食习惯的一文件。该解决方案可以是激活驱动装置。例如，如果该用户A缺乏睡眠基于该用户A的睡眠时间记录，该驱动装置可以是使灯光变昏暗的一光控制器，以帮助该用户A睡觉。此外，该解决方案可以是，但不局限于，一音频文件、一视频文件、一文本文件或他们之间的组合。例如，该解决方案可以涉及失眠的认知行为治疗、帮助该用户A识别并替换想法、行为和养成促进酣睡的习惯的一结构化程序，该想法和行为可造成或恶化睡眠问题。此外，该第一数据库可以提供一日常睡眠的一时间框架，例如，一或两周，以帮助决定如何最好治疗该用户A的失眠。该生理数据可以继续监测并存储至该第一数据库一段时间，且该生理数据可以合并至该用户的特定数据，该特定数据基于该一段时间的长度按短期、中期及长期存储至该第一数据库，该一段时间例如是一天、一个月或一年。由该服务器推荐的解决方案及该用户选择的方案还可以被存储，并作为一有效性的参考。促进上述描述的该服务器可以减少人类认知的偏差及为该用户提供早期警报。

此外，该数据搜索系统200可以无线连接至少一机器人，且该机器人可以扮演该服务器220的角色。例如，该机器人可以执行该数据记录模块221、该数据处理模块222、该信息分析模块223、该搜索模块224、该因子分析模块225、及该关联分析模块226的计算机化代码，以执行该数据搜索方法300或该数据搜索方法400。此外，该机器人还可以替代该服务器220的部分作用。即，该机器人可以执行该数据搜索方法300或该数据搜索方法400的一或多个步骤。例如，该机器人可以执行该步骤310和步骤320，且仍由该服务器220执行该步骤330至步骤350。或是该机器人执行该步骤410和步骤420，且仍由该服务器220执行该步骤430至步骤450。该机器人可以进一步包括至少一传感器(例如，温度计，湿度计，气压计，或亮度计)，因此该机器人能够探测该环境数据(该环境的温度、该环境的湿度、该环境的空气压力、该环境的空气质量、该环境光度等等等等)。该机器人可以提供相同的该客户端270的功能，例如，将至少一关键字输入至该机器人。综上所述，该机器人可以代替该服务器220、该传感器250及该客户端270的部分作用。该机器人可是是，但不局限于，一可移动机器人，该可移动机器人能够移动至一特定的区域(例如，一用户的房子)。该机器人可以预测该疾病，其根据该感测数据预测该用户将要遭受疾病的折磨。

如上面所显示和描述的实施例仅为举例。许多细节例如其他特征常在本技术领域找到。尽管本技术的许多特征和优点以及本发明的结构和功能的细节已在前面的描述中被阐述，本公开仅仅是说明性的，并且可以改变细节，包括形状和元件排列，在本公开的原理范围内，并且包括通过在权利要求中使用的术语的广义含义建立的全部范围。因此，可以理解，上述实施例可以在权利要求书的范围内进行修改。