[发明专利]一种用于校园疫情防控监测预警的数据分析方法

权利要求书

1.一种用于校园疫情防控监测预警的数据分析方法，其特征在于：包括以下步骤：

S1:首先通过校园疫情防控平台手机端“健康上报”或者校园温感系统或者附近疫情及同程查询软件收集数据；

S2：对S1收集到的异常数据进行跟踪监测；

S3：对S2检测到的数据进行时空分析及早期预警统计，时空分析及早期预警统计的方法为贝叶斯时空分析法或者隐马尔科夫多源监测数据法。

2.根据权利要求1所述的一种用于校园疫情防控监测预警的数据分析方法，其特征在于：所述的步骤S1中通过校园疫情防控平台手机端“健康上报”功能，收集到的数据包括两类，一类是健康数据，即说明身体情况良好，另一类是身体异常数据，包括：有咳嗽、无力、发热、腹泻等症状，有发热症状的需要填报体温范围；通过温感系统直接获取的体温数据，一类是正常范围内的数据；另一类是温度高于37.2℃的数据；通过附近疫情及同程查询软件比对分析后的过滤数据。

3.根据权利要求1所述的一种用于校园疫情防控监测预警的数据分析方法，其特征在于：所述的步骤S2中监测的方法包括以下步骤：

S2.1：返校前

通过“健康上报”功能，对身体异常的学生、教职工进行跟踪监测；

通过地域划分监测，对疫情高风险地区籍学生/教师、中风险地区籍学生/教师、有特定日期以后中高风险旅居史的学生、教职工进行跟踪监测；

通过“附近疫情”“同程查询”集成软件对在同小区、同楼栋、同班次交通工具有疑似接触史学生、教职工进行跟踪监测；

S2.2：返校中

通过“同程查询”集成软件对同班次交通工具有疑似接触史人员进行跟踪监测；

入校时，进行测温，温度异常者进行隔离并跟踪监测；

对按批次入校学生14天异常预警未解除的学生进行隔离并跟踪监测；

S2.3：返校后

通过“健康上报”功能，对身体异常的学生、教职工进行跟踪监测；

通过每日红外自动感温系统测得的体温异常的学生进行跟踪监测；

对入校后有充分理由请假出校的学生，返回后进行跟踪监测。

4.根据权利要求1所述的一种用于校园疫情防控监测预警的数据分析方法，其特征在于：步骤S3中所述的贝叶斯时空分析法包括以下步骤：

S3.1：通过S1所述的方法收集数据；

S3.2：指标选择；根据不同症候群的目标进行防控，整理各类症候群发生的影响因素，考虑变量间的依赖关系，相关数据的可获得性和可量化性等，选取适宜的模型指标；

S3.3：网络结构学习：利用历史数据，结合先验知识，确定合适的贝叶斯网络拓扑结构，根据实际的情况选择基于统计测试的方法或者基于搜索记分的方法，方法选定后建立的模型节点分为以下四部分：

S3.3.1.全局节点G，即学校全人群特征；

S3.3.2.界面节点I，包括校园疫情防控扩散的时间和地点；

S3.3.3.个体网络P，每个子网络对应一个个体，包括人口学信息、临床症候群等，其拓扑网络结构由专家判断确定；

S3.3.4.人群证据节点O，包括健康打卡数据异常、温感系统测温异常、同程查询并列、附近疫情同单元、楼栋；

S3.4：网络参数确定：在给定贝叶斯网络拓扑结构的情况下，确定各节点处的条件概率密度，贝叶斯网络的参数学习通过专家知识和训练样本学习来确定，然后采用参数估计方法进行参数估计，当验概率超过界值时表示一次暴发，所述的参数估计法包括：极大似然估计、极大后验概率或期望极大化算法；

S3.5：网络结构和参数的优化；采用曲线衡量模型的假阳性率，计算校园疫情防控出现暴发时间和模型预警时间的差值，并通过评价结果对模型结构进行优化。

5.根据权利要求1所述的一种用于校园疫情防控监测预警的数据分析方法，其特征在于：步骤S3中所述的隐马尔科夫多源监测数据法包括以下步骤：

S5.1：模型训练:即模型参数估计问题，就是对于初始模型和给定用于训练的观测序列调整模型的参数，使其能够最好拟合观测数据，可通过期望最大化算法或非监督学习算法算法进行；

S5.2：模型评价；给定模型参数,计算观测序列的似然度,即计算似然值或对数似然值，用于表示参数拟合数据的准确程度，通过前向-后向算法进行；所述的步骤S5.1、步骤S5.2需反复进行，选择似然值或对数似然值最大的参数作为最终模型参数；

S5.2：隐状态估计；给定模型参数和观测数据，基于某种最优准则估计最可能的隐状态序列,即估计出产生观测序列的最可能路径，可通过维特比算法进行估计。