一种基于本体的自动方法，支持健康生活方式管理可观察和可测量数据的逻辑表示:概念验证研究

简介

概述

生活方式疾病是个人、家庭、雇主和政府的经济负担，对穷国和富国都造成金融和生产力风险[1-3.］．导致生活方式疾病的主要危险因素是过量饮酒、不适当的饮食计划、缺乏运动、过量盐摄入、饱和脂肪摄入和吸烟[1-3.］．这些都会导致体重过度增加、血糖升高、高血压、血液中总胆固醇升高和社会孤立。肥胖是最主要的生活方式疾病之一，可导致其他非传染性疾病，如心血管疾病、慢性阻塞性肺病、癌症、II型糖尿病、高血压和抑郁症[1-3.］．电子健康监测越来越受欢迎，为患者和医疗保健提供者提供基于信息和通信技术(ICT)的远程及时护理支持[1-3.］．电子健康虚拟教练推荐系统可以指导人们，并在有足够时间的情况下传达适当的建议，以预防和改善生活方式疾病。它需要从安全的可穿戴传感器、人工交互、反馈和定制的问卷中捕获生理(生命体征，如血压、脉搏、血脂、血糖反应、BMI)、行为(睡眠、饮食、运动)和上下文数据(位置和天气)，以训练一个人工智能(AI)模型，用于行为分析和早期预测健康趋势和风险[4-6］．然而，从异构源收集数据可能会导致数据互操作性、注释和语义化问题。

背景及问题描述

从不同来源(例如，多模态传感器、访谈、问卷)收集的健康和健康数据格式不同，导致了健康信息学中众所周知的问题，这些问题与逻辑数据表示、聚合、数据分析、数据标准化和数据互操作性有关[7，8］．有针对性的个人、习惯、生理、活动和营养数据通常通过安全的可穿戴传感器、人工交互、访谈、基于网络的交互、智能手机应用程序、定制的问卷和一段时间的反馈表来收集。天气应用程序编程接口(api)和外部天气传感器对于收集随时间变化的天气数据非常有用。可穿戴式活动监测器需要通过蓝牙近场通信技术(蓝牙低能量[BLE])连接到个人智能手机[9，10］．该设备可以无缝测量并将高分辨率原始加速度数据和多个活动参数传输到安全存储中，以便与机器智能模块进一步处理数据[11］．使用可穿戴BLE设备进行高端、随时间变化的活动数据收集，对于无所不在的监控来说已经变得可行。一些活动数据，如不磨损时间或密集活动细节，依赖于问卷调查。

生理数据可以是侵入性的(如血糖反应、胆固醇水平)，也可以是非侵入性的(如体重、血压、心率、身体评估数据)。问卷相关的营养数据每天或隔日或每周收集。营养数据的评估有助于确定食物类型、食物量、概念信息(时间/空间)、饮食模式以及酒精或能量饮料的摄入量。一些基线数据(病史、习惯、偏好、个人细节、初始体重和身高、初始血压、初始身体评估数据)在参与者最初招募时或每月收集，用于人口统计或人群聚类或个人目标评估。每个数据都有其单位和范围，遵循基于上下文和领域的标准准则(例如，关于温度的数据适用于范围、含义和上下文不同的健康和环境领域)。因此，每个测量过程都有与逻辑或语义数据表示、正确使用数据和提高数据可重用性相关的独立挑战。数据可用性包括将数据转换为可理解的计算机格式。它创造了一个挑战，系统和句法分析健康和健康数据与其他临床数据的聚合。将体育活动、饮食作为一种护理程序，或调查其如何影响健康结果，涉及对参与者行为水平和生理状况的更详细和多样化的表征[7，8，12，13］．

此外，在电子健康记录中重用参与者的现有生理和行为数据的挑战仍然存在，包括与不透明和语义不一致有关的问题[7，8］．此外，这些健康和健康数据大部分仍隐藏在临床叙述中，表达形式高度可变。在这方面，本体可以提供一个框架，允许上述异构的健康和健康数据通过高级规范进行组织、紧凑、结构化、一致、机器可理解和查询。本体有助于用语义元数据注释不同的健康和健康数据，以提高异构网络之间的互操作性、数据集成、发现和情况感知。eHealth本体可以重用现有的、经过验证的、被广泛接受的本体的概念(例如，语义传感器网络本体[SSN] [14，医学-临床术语系统命名法[SNOMED CT]本体[15])，以增强其词汇量和更好的语义表示。

基于规则的决策支持系统(DSS)可以使用这种eHealth本体模型来测量和预测健康风险，并根据经过验证的临床规则生成有用的个性化建议。如果收集到的健康和健康数据没有使用医疗领域的语义元数据准确地注释，那么DSS可能无法以不正确的推荐计划、目标设置和目标评估的形式向医生和患者或参与者提供准确的决策。决策支持系统决策不准确的主要原因是:知识库设计不当、执行决策支持系统时应用的工具或技术不完善、本体推理引擎相关问题以及推理新知识相关问题。

研究目的

通过研究现有的本体模型，我们发现许多本体和规范术语涵盖了肥胖和相关慢性疾病领域的各个方面，但概念分析仍然不完整。在回顾了相关的本体之后，我们提出了一个新创建的基于owl的本体来处理不同的数据输入(物联网传感器、访谈和问卷)，并用语义数据对它们进行注释。提出的本体将支持数据互操作性，在上下文中对收集的健康和健康数据进行逻辑表示，并建立一个基于规则的DSS，用于与肥胖相关的健康风险预测，并随后生成健康生活方式的建议。

我们没有评估建议对参与者的影响，因为我们在模拟环境下执行了完整的场景。尽管如此，我们还是评估了所提出的本体模型的性能。在提出的本体中，我们用语义web语言规则注释每个参与者的数据，并以三存储格式存储生成的OWL文件，以提高可读性(多媒体附件1)．所提出的本体模型允许自动推理，有效的知识表示，平衡复杂性和雄辩性之间的权衡，以及对形式知识的推理。整个研究分为以下两个部分:(1)本体设计与开发;(2)本体验证。本研究针对以下确定的研究问题:

(RQ-1)如何将从传感器、问卷和访谈中接收到的分布式、异构的健康和健康数据注释为有意义的信息，以构建未来的机器学习模型，用于肥胖的健康风险预测?

(RQ-2)如何整合现有IoT和医疗本体，设计和开发针对肥胖研究案例的拟议eHealth本体?

(RQ-3)如何通过基于规则的行为推荐生成来验证所提出的本体?

对于这组语义数据，将被视为断言的真实事实，本文的主要目标是触发形状为(A IMPLIES B)的逻辑规则或以逻辑等效的方式触发规则，即(不是(A)或B)。如果推断出某些特定变量为真，则需要向语义数据来源的用户提供一些建议。

相关工作

本节提供了适用于本研究的现有背景知识。它包括(1)针对慢性疾病、健康监测和基于本体的DSS的现有相关eHealth本体模型的讨论，(2)用于建模传感器数据的物联网领域的本体，以及(3)医疗领域的本体。

现有的电子卫生本体模型

不同研究组在慢性疾病电子健康本体建模、健康监测、基于本体的临床决策支持系统(CDSS)等方面进行了不同的研究。例如，Kim等人[16开发了一个肥胖管理的本体模型，在移动设备领域的护理过程中进行自发的参与者参与和持续的体重监测。肥胖管理的范围包括行为干预、饮食建议和体育活动，为此，研究包括评估数据(BMI、性别和臀-腰围)、代表诊断结果的推断数据、评估(肥胖的原因、行为改变的成功或失败)和实施(教育、建议、干预)。Sojic等[17]用OWL建模了一个肥胖领域特定的本体，以设计推理模式，以针对年龄和性别进行个性化健康状况评估。该本体可以根据个人行为或特征随时间的变化对个人档案进行分类，并自动推断个人健康状况，这对肥胖评估和预防具有重要意义。本体规则采用语义web规则语言(SWRL)编写。金等[18]提出了体育活动本体模型(PACO)，以支持体育活动数据的互操作性。本体在Protégé(版本4.x)中开发，由FaCT++推理器验证其结构一致性。Lasierra等[19基于MAPE (monitor, analyze, plan, and execute)自动化计算范式，开发了一种基于本体的远程监控服务家庭场景信息管理自动化方法。他们提出了另一个三级本体驱动的解决方案[20.(第一阶段:本体设计与实现;第二阶段:应用本体研究个性化问题;第三阶段:软件原型实现)，为家中的慢性患者提供个性化护理。在Protégé-OWL版本4.0.2本体编辑器中使用OWL DL语言设计所提出的本体，并使用FACT++推理器进行验证。本体开发涉及来自不同来源的数据，如临床知识、医疗设备数据和患者上下文数据。姚和库马尔[21]提出了一种新的CONFlexFlow(基于临床上下文的灵活工作流)方法，使用本体建模将灵活和自适应的临床路径纳入CDSS。他们制定了18条SWRL规则，用于心力衰竭的实际解释。该模型通过Protégé版本3.4的颗粒推理插件进行了验证。此外，他们使用Drools框架开发了所提议方法的“概念验证”原型。迟等[22]利用网络本体语言(OWL)和SWRL构建了慢性病饮食咨询系统。KB涉及不同来源的数据和因素的相互作用，如疾病阶段、患者的身体状况、活动水平、食物摄入量和关键营养限制。雷耶姆等[23他提出了一种基于本体的系统(HealthIoT)，用于使用传感器、射频识别设备和执行器进行患者监测。他们声称，从医疗连接设备获得的数据是巨大的，因此缺乏可抑制性和可理解性，并被其他系统和设备操纵。因此，他们提出了一个基于语义规则的本体模型来表示连接的医疗设备及其数据，然后使用拟议的物联网医疗保健系统进行模型评估，该系统在分析患者的生命体征后支持决策。高洛平等[24]提出了一个基于本体的原型CDSS，以根据临床实践指南管理多种慢性疾病患者。KB决策规则基于“如果-那么”规则，遵循临床实践指南和患者观察数据。谢里蒙等[25]提出了一个使用OWL2语言的本体系统(OntoDiabetic)，支持心血管疾病、糖尿病肾病和高血压患者的CDSS，遵循临床指南和“if-then”决策规则。赫里斯托斯科娃等[26]提出了另一种本体驱动的环境智能框架，以支持个性化的医疗检测和警报生成，该框架基于分析从诊断为充血性心力衰竭的患者收集的生命体征。DSS系统可以分类个性化的充血性心力衰竭风险阶段，从而通过环境智能的推理引擎通知患者。Riaño等[27]提出了一种基于本体的CDSS，用于监测和干预慢性病患者，以预防严重疾病，如错误诊断、未发现的合并症、信息缺失和未观察到的相关疾病。Jin和Kim [7]基于SSN概念，使用IETF YANG本体设计并实现了一个eHealth系统。该方法借助互联网和通信技术，协助自动配置电子健康传感器(负责收集体温、血压、肌电图和皮肤电反应)，并查询传感器网络，为拟议的电子健康系统提供语义互操作性支持。提出的eHealth系统由3个主要组件组成:SSN (eHealth传感器、患者、统一资源标识符[URI])、internet (eHealth服务器，KB)和eHealth客户端(患者和专业人员)。提出的语义模型使用“YANG to JSON转换器”将YANG语义模型数据转换为JSON语义模型数据，以实现语义互操作性，然后将其存储到数据库(KB)中。刚古利等[28]提出了一个基于本体的模型来管理eHealth中糖尿病饮食管理的语义互操作性问题。该框架的开发包括对话博弈规则、基于知识库和数据库的决策支持系统、基于决策机制的对话模型、对话博弈语法、决策机制和翻译规则。

物联网领域的本体

本体(29]提供了描述传感器的框架。SSN- xg (W3C语义传感器网络孵化器组)开发了SSN本体来对传感器设备、系统、过程和观测进行建模。SSN用语义元数据(语义传感器网络)注释传感器数据，以提高不同网络之间的互操作性、数据集成、发现和态势感知。传感器模型语言(SensorML)是由开放地理空间联盟(OGC)开发的，它使用XML提供了描述传感器、观测和测量的语法描述。虽然SensorML提供了定义传感器的XML模式，但它缺乏本体语言(如OWL)所提供的可抑制性。30.-32］．语义传感器web是传感器和语义web技术的组合，有助于注释空间、时间和主题语义元数据，以便更艺术地表示传感器数据、高级访问、传感器资源的形式化分析和数据标准化。SSN本体用于描述传感器设备;传感;传感器测量能力;以及传感器观测、过程和系统[30.-32］．SSN允许通过高级规范安装、结构化、管理、查询和控制其网络、传感器设备和数据。传感器标注和语义映射语言提供了基于预定义的基于XML的文档(资源描述框架[RDF])的XML模式，将传感器数据和源传输到SSN本体的实例中，这是通过传感器数据到RDF映射算法自动实现的[33］．“M3本体”(机器对机器)是基于“SenML”协议(设计用于简单的传感器测量)开发的，它是SSN的扩展，使特定领域或跨特定领域应用程序的互操作设计成为语义物联网[13］．AeroDAML、KIM、M3语义注释器、MnM和SemTag是不同的可用语义注释器，用于对应语义模型(DAML、KIMO、M3、Kmi和TAP)的传感器观测[34］．与SSN一样，还有其他基于物联网的上下文本体，如物联网本体、物联网精简版和物联网- o [35］．SCUPA、CoBrA-Ont、CoDAMoS、PalSPOT、交付上下文本体和Fuzzy-Onto是用于活动识别的不同基于物联网的本体[34］．URI、HTTP、HTML5、REST、SOAP、Web Socket、Web feed、MQTT、CoAP、AMQP是一些适用于物联网的标准物联网协议[14，34，36，37］．在本研究中，我们将SSN本体的概念集成到传感器观测模型中。

医学领域的本体

SNOMED CT、第11版国际疾病分类(ICD-11)、统一医学词汇系统(UMLS语义网络)、解剖学基础模型、OpenEHR、基因本体、DOLCE、基本形式本体、Cyc的上层本体、Sowa的顶层本体、GALEN的顶层本体、和逻辑观察标识符名称和代码(LOINC)是引入的生物医学本体，用于提供语义互操作性和与特定生物和医学领域相关的完整知识[38］．大多数实验室和临床系统使用HL7(版本2)协议发送数据，在HL7消息中，LOINC代码表示实验室测试或实验的“问题”，SNOMED CT代码表示“答案”。在这项研究中，我们重新使用SNOMED CT本体来建模基于健康和健康数据的健康状况，并生成建议[8］．SNOMED CT设计于1965年，是由国际卫生术语SDO授权和支持的受控医学词汇。它是一个有组织的清单，广泛的各种临床术语定义的唯一代码(ICD)。它涵盖了广泛的医学术语，用于疾病和发现(观察到什么!)、程序(做了什么!)、事件(发生了什么!)、物质/药物(吃了什么或给了什么!)，以及与医疗数据相关的任何东西。它提供了一种共享语言，支持跨领域和护理站点建立索引、存储、回收和积累临床数据的可靠方式。它是一个完整的多语言临床术语，为临床文件和报告提供了临床内容和清晰度[8，38，39］．

如上所述，大多数研究都使用OWL开发了本体来解决数据互操作性问题。然而，电子健康数据、语义规则、语义注释、临床指南、健康风险预测和个性化推荐生成之间的集成仍然是电子健康中的一个问题。本研究解决了这一问题，并提出了肥胖的原型本体模型作为案例研究，以整合来自异质来源(如传感器、问卷和访谈)的数据，以实现数据互操作性、信息搜索和恢复以及自动干扰。我们将SSN和SNOMED CT本体集成到我们提出的eHealth本体中，因为它们有大量的词汇表、适当性和语义能力，如上所述[40-43］．

方法

本体基础

本体论最初是一门研究存在和存在的哲学学科，后来扩展到信息技术领域。本体是特定领域的形式化模型，包含以下基本元素:个体/对象、类、属性、关系和公理。用面向对象程序设计方法编写的程序的类图[44是本体的可视化表示。本体是一种已经存在了数千年的哲学，它通过重用现有的本体来实现设计的灵活性[45］．它遵循使用OWL、RDF和RDF模式(RDFS)语法的开放世界假设知识表示风格。利用本体模式对其进行优化，利用本体推理器验证其逻辑和结构的一致性。

概述

提出的eHealth本体包括以下步骤:(1)本体设计方法和使用的词汇;(2) Protégé中的本体建模;(三)确定范围;(4)将现有的物联网和医疗本体集成到拟议的本体中，以注释传感器和临床观察结果;(5)本体实现(将概念映射到Protégé中提出的本体类及其属性);(6)规则表达(规则库)和基本SPARQL查询作为本体验证的一部分。我们进一步讨论了基于规则的生活方式建议消息(关于活动和营养)如何按照所提议的eHealth本体模型中的断言层次传递给参与者，如中所述图1．

‎ 查看此图

本体设计方法和使用的术语

本体设计方法可分为以下5类:灵感、归纳、演绎、综合和协作[46］．我们在本体设计和开发中采用了灵感和演绎相结合的方法。这种鼓舞人心的方法帮助我们确定对本体的需求(设计什么?)，并获得专家的意见来创建本体(如何设计?)演绎方法帮助我们采用和调整一般原则，以创建针对肥胖作为研究案例的预期本体。它包括过滤和细化的一般概念，以个性化特定的领域子集(肥胖)。总体方法分为以下5个阶段:在第一阶段，我们进行了系统的文献综述，以了解对本体的需求，以支持健康生活方式管理的可观察和可测量数据的逻辑表示，以肥胖为例进行研究。在第二阶段，我们咨询了具有ICT、电子健康、护理和营养研究背景的专家来设计本体。在第3阶段，我们开发了本体，用语义元数据对健康和健康数据观察进行建模和注释，为健康风险预测创建一个轻量级的、可理解的抽象，以便基于基于规则的决策生成个性化的建议。在阶段4中，我们为SPARQL查询和个性化推荐生成创建了规则(基于规则的演绎)。在第5阶段，我们使用基于规则的决策支持的模拟数据验证了本体。

语义web是W3C推荐的，它允许元数据的规范，允许自动推理[47，48］．与本研究相关的w3c维护规范有XML、URI、RDF、turtle、RDFS、本体web语言(OWL)、SPARQL协议和RDF查询语言(SPARQL)以及SWRL。以下术语与我们的eHealth本体表示和处理相关:命题变量(一个真值的原子名称，可以从一个模型更改到另一个模型)、常量(唯一的命题变量TRUE和FALSE，因此它们的真值不能更改)和运算符(每个逻辑中的逻辑连接器集)。此外，在这种情况下，我们使用操作符(NOT, AND, OR, IMPLIES和EQUIV);量词(给定逻辑中的逻辑量词集;FORALL为全称量词，EXISTS为存在量词);量词子句(由操作符和量词连接在一起的一组命题变量);从句(没有量词的量词从句);公式(由逻辑运算符联系在一起的子句和量化子句的集合);和过程的模型(每个命题变量的一组赋值，这样当简化时，它会将过程引向常量TRUE)。

Protégé， TopBraid Composer ($)， NeOn Toolkit, FOAF editor, WebOnto, OntoEdit, Ontolingua Server, Ontosaurus和WebODE是一些流行的本体编辑器[49］．这些本体编辑器是支持OWL的开源本体开发工具。推理器是使用OWL本体的关键组件。它得到了关于OWL本体建模的概念的新真理。实际上，OWL本体(及其导入闭包)的所有查询都可以使用推理器[50，51］．这就是为什么本体中的知识可能不是显式的，并且需要推理器来推导隐式知识，以便获得正确的查询结果。OWL API包括访问OWL推理器的各种接口。为了通过API访问推理器，推理器实现是必要的。推理器可分为以下几组:OWL DL (Pellet 2.0*， HermiT, FaCT++， RacerPro)， OWL EL [CEL, SHER, snorocket ($)， ELLY]， OWL RL [OWLIM, Jena, Oracle OWL Reasoner ($)]， OWL QL (Owlgres, QuOnto, Quill) [50-57］．在本研究中，我们使用Protégé本体编辑器和HermiT推理器来创建和验证本体的结构。

Apache Jena是一个基于java的框架，用于构建语义web应用程序。它提供了从RDF图中提取数据和写入数据的API。Jena框架包括以下内容:(1)用于解析、创建和搜索XML、N-triple、N3和Turtle格式的RDF模型的RDF API。三元组可以存储在内存或数据库中;(2) ARQ Engine/SPARQL API，这是一个使用SPARQL标准查询和更新RDF模型的查询引擎;(3)元组数据库引擎作为高性能的RDF存储在单机上;(4)本体API，用于处理OWL和RDFS本体;(5) Apache Jena Fuseki，它是SPARQL服务器，支持查询和更新。它与元组数据库紧密集成，以提供一个健壮的事务性持久存储层。框架有内部推理器和一个OWL API [58，59］．在本研究中，我们使用Apache Jena Fuseki进行SPARQL处理与三重数据库。

计算机可理解形式的知识表示在人工智能社区中很受欢迎。用符号表示知识有助于推理和创造新的知识元素。相比之下，知识库是一个用于知识管理的数据库。它为信息的收集、组织、共享、查询和用于推断新信息提供了一种方法。知识工程有助于获取关于某个主题的特定知识，并以可量化的形式表示出来。KB由术语模型或TBox(原子的和复杂的)和断言模型实例或ABox(断言的和推断的)组成。推论语句是断言语句和逻辑规则的逻辑结果[35，60，61］．KB是一对(T, A)，其中T是TBox, A是ABox。本文背后的思想是，TBox概念和关系来自于新创建的本体，ABox是为一些变量赋真值的子句列表。TBox来自于与SSN本体和SNOMED CT本体的集成，以及针对所考虑的推荐测试用例的附加概念。ABox是语义数据，来自不同的数据输入(物联网传感器、访谈和问卷)。知识库的可满足性以及模型输出是通过使用基于超表的[62]推理求解者隐士[55］．整个方法已经用4个生成的测试用例进行了测试，以确保整个机制确实可以将命题变量设置为true，从而在需要时发送相应的推荐消息。

本体建模

在Protégé中，可以用以下两种方式对本体建模:基于框架的和基于OWL的。Protégé框架编辑器在类、属性、关系和类(对象)实例的帮助下，确保遵循开放知识库连接协议进行本体开发。相比之下，Protégé OWL编辑器(在本研究中应用)在类、属性、实例和推理的帮助下实现了语义Web的本体开发。我们已经使用了详细的步骤文本框1使用Protégé OWL编辑器对我们提出的基于OWL的eHealth本体建模。

提议的本体的范围

我们计划将提出的eHealth本体集成到一个模拟的eCoach系统中，该系统用于自动生成基于规则的建议，以激励个人通过早期健康风险预测来管理健康的生活方式。计划中的系统将有两个主要模块，如图2:数据采集模块和数据标注模块。数据收集模块将通过模拟器收集经过识别的习惯、基线、营养、个人、环境、活动和生理数据，如图所示图3．

‎ 查看此图

‎ 查看此图

积累的数据用语义元数据(RDF三元存储图)标注，以turtle格式存储在元组数据库中。DSS、规则库、SPARQL、风险预测和建议生成模块不是核心，它们作为测试引擎用于本体验证。DSS的范围如下:(1)利用预设的SPARQL查询，使用Jena框架定期查询本体[63-65]以评估健康状况;(2)将查询结果映射到“规则库”中预设的临床规则，生成生活方式建议。这项研究涉及4种不同的用户类型:管理员、研究员、参与者和卫生专业人员(例如，护士;图4)．根据挪威研究数据中心的指导方针，没有收集和存储参与者的唯一标识符(如国家标识符)，因此本体论不受个人身份泄露的保护[66］．核心eCoach和DSS概念，健康和健康数据(活动和营养)分析的人工智能集成，通过web应用程序/移动应用程序从实际参与者收集的真实世界数据，现实生活中的个性化推荐生成，目标评估，怀孕，遗传，儿童肥胖和老年人肥胖，这些都超出了本研究的范围。本研究的主要重点是设计和开发一个针对肥胖病例的电子健康本体，并通过人工数据和基于规则的决策支持系统的行为推荐生成来验证它。测试设置的定义规则可能随着上下文的变化而变化，这不是本文的重点。

‎ 查看此图

我们模拟了4名虚拟参与者(2名体重健康[N]和2名超重[O]，年龄在18至40岁之间)的第一天(day- N;n > 0);看到多媒体附件2．我们假设所有的虚拟参与者都来自同一个地区，所以上下文信息是相同的。目标参与者将在“day-(n+1)”进行基于“day-n”数据分析的规则推荐。建议告知个体参与者他们的日常活动(久坐与否)、饮食摄入量和活动/饮食计划。对于膳食评估，我们依赖于每日自我报告的问卷，而不是直接计算基础代谢率的卡路里。基线数据有助于比较(在每个月底，直到过程结束)根据生活方式建议的行为改变是否会导致任何改善或恶化。例如，对于肥胖/超重的人来说，BMI和血压下降，而对于体重健康的人来说，按照行为建议保持安全的BMI和血压，这是保持健康生活方式的一个很好的迹象。我们咨询了5位在ICT、电子健康、护理和营养方面具有研究背景的专家，以模拟活动和营养数据。有关肥胖的资料及指引由世界卫生组织(卫生组织)提供[67]，国家健康与卓越护理研究所(NICE) [68]，以及挪威膳食指南[69］．

SSN本体与SNOMED CT的集成

我们集成了SSN本体[30.，36，70-72]纳入我们提出的eHealth本体，以描述传感器(活动传感器和外部天气传感器)、它们的观测结果以及用于感知单个活动和上下文的方法(图5)．与活动和外部天气相关的观测数据用SSN本体概念和对象属性进行标注。

‎ 查看此图

本体中的概念和对象属性被注释并与“rdfs:label”、“rdfs:isDefinedBy”、“rdfs:seeAlso”、“rdfs:comment”、“dc:source”、“isProxyFor”、“有值”、“由产生”、“有属性”、“hasTimeStamp”、“isRegionFor”、“附加系统”、“在部署中”、“有测量能力”、“检测”、“hasOutput”、“观察”、“实现”、“有部署”、“有操作范围”、“有子系统”、“有生存范围”、“在平台上”、“部署过程部分”连接。“部署在平台上”、“部署在系统上”、“是属性”、“感兴趣的特征”、“观测结果时间”、“观测采样时间”、“观测属性”、“观测质量”、“使用的传感方法”、“包括事件”和“观测对象”。SSN本体是在一个中心本体设计模式的基础上构建的，所谓的刺激-传感器-观察模式用来描述传感器、刺激和观察之间的关系[30.]，同样的概念在我们提出的eHealth本体模型中被重用。SSN本体的视角可以分为以下几个方面:30.]:传感器视角、观察视角、系统视角、特征和属性视角。SSN和DUL本体的名称空间在我们的本体前缀概念和属性中分别被重用为SSN:和DUL:。“PhysicalDeviceThing”(一个类)作为与基于传感器的观察相关的类的超类，是通用本体超类“owl:Thing”的子类。

我们从SNOMED CT中选取了一些概念[73]引入我们提出的本体模型，以定义如何构建和处理关于参与者状态的信息。SNOMED CT本体结合了生命体征、过程、身体测量和观察的分层“is-a”关系和其他相关关系，以描述中所描述的临床属性图6．SNOMED CT简化了对各自疾病、过程、功能、临床状态、测量和生命体征的搜索，每个概念都用一个带有对象属性“hasSCTID”的SCTID或SNOMED CT标识符进行标识(例如，Obese_finding hasSCTID值“414915002”^^xsd:long) [74］．

‎ 查看此图

图7-9描述基于可观察实体的SNOMED CT生命体征(如血压、脉搏)和身体测量(如肥胖或超重)的等级层次，以处理参与者的临床信息[75-79］．可观察实体和临床发现与objectProperty: isFoundBy链接。所提出的本体模型可以扩展到其他临床发现[73，74］．

‎ 查看此图

‎ 查看此图

‎ 查看此图

本体实现

在图10我们描述了我们如何为我们未来的eCoach系统实现所提议的eHealth本体，并使用所需的类、对象属性和数据属性来注释收集到的数据。管理员、卫生专业人员、研究人员和参与者是“人类”类的子类。它们有自己指定的角色、密码和userId，以便在系统中使用以下关联的objectProperties对自己进行授权:hasRole、hasPassword和hasUserId。管理员、卫生专业人员和研究人员有他们的办公室地址(hasOfficeAddress)和个人数据(hasPersonalData)来描述自己。他们的办公地址由电话号码、邮政编码和房间号组成，并分别具有以下关联的数据属性:hasOfficePhone、hasOfficePostCode和hasRoomNo。他们的个人数据包括年龄、名称、电子邮件、名、姓、性别和手机号码，以及相应的数据属性hasAge、hasDesignation、hasEmail、hasFirstName、hasLastName、hasGender和hasMobile。“参与者”是一个重要的类，参与者是系统的核心。参与者拥有他们的健康记录、由训练有素的卫生专业人员通过访谈过程获得的个人数据、状态(活跃/不活跃)和相关对象属性hasHealthRecord、hasInterviewPersonalData、hasStatus和hasReceivedRecommendation的推荐，如所述图11．“ActivityData”、“BaselineData”、“HabitData”、“NutritionData”、“PhysiologicalData”是“ParticipantHealthRecord”类的子类图11．活动数据是一个可观察的实体，计划通过每天的活动传感器(活动次数、步数、睡眠时间、活动持续时间、久坐时间、代谢率、非磨损时间)和问卷调查(高强度活动持续时间和非磨损传感器时间)收集。密集的活动有跑步、举重、骑自行车、游泳和滑雪。根据活动类型，参与者可分为以下4组:久坐、轻度活动、中度活动和活跃。基线数据(血糖、腰臀比、血压、血脂、身高、体重、BMI和身体状况)计划在招募参与者时由训练有素的卫生专业人员收集，并在面试过程后每月收集一次。习惯数据(吸烟、鼻烟和酒精消费)和营养数据(食物和饮料的种类和数量)计划每天通过预先设置的问卷收集。生理数据(脉搏、体重和BMI)计划每天通过活动传感器和预先设置的问卷收集，如图所示图12．健康参与者的个人数据(年龄、性别、教育程度、手机、电子邮件、收入群体、社会参与状态、习惯、睡眠时长和邮编)计划在招募期间由训练有素的卫生专业人员在面试过程后收集。性别、教育、收入范围和社会参与对人口分类至关重要。中描述了与数据收集相关的数据属性图13．

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

中描述了用于参与者数据收集的方法的断言类层次结构图14．每个方法都确保模拟数据序列的集合，并维护中所描述的时间戳图15．背景数据是指计划每天通过传感设备收集的可观测到的与天气有关的数据(天气状况、当前温度、雨预报、雪预报、风暴预报、晴天预报、高低温预报、雾预报)。数据和数据收集方法之间的关系通过objectProperty: hasBeenCollectedBy和has传导by(用于采访)联系起来。

‎ 查看此图

‎ 查看此图

对健康生活方式的行为建议可以分为以下两类:活动(a)和饮食(D)。每一项建议都是个性化的和与之相关的。因此，建议的生成依赖于评估参与者的健康状况(健康风险、生命体征、身体测量数据)和上下文信息。每个生成的推荐都包含一条消息和相应的时间戳(图16)．坏习惯(H)对健康的饮食习惯有重大影响。活动与上下文相关(C)。上下文数据有助于根据第二天的外部天气条件建议参与者计划室内/室外活动。活动的“推荐消息”的数据属性是“hasActivityMessages”和“hasContextualMessages”，而饮食的数据属性是“hasDietaryMessages”和“hasHabitRelatedMessages”。为测试设置(本体验证)确定的推荐消息集在多媒体，并根据积极心理学[79]和劝导[80)的概念。

‎ 查看此图

描述逻辑[35，81]是本体语言的一种形式的知识表示，它在知识表示和结构化知识推理的表达性、复杂性和效率之间提供了很好的平衡。为了确保论文被完全理解，我们有命题变量及其链接的推荐信息。现在，我们需要一组子句，以便某些模型将这些变量赋值为true，从而触发发送推荐。描述逻辑SROIQ [82，83]，该逻辑为OWL2提供了一个形式化的基础，在本文中已被用作进行推理的形式化逻辑(多媒体附件4)．

用于查询、推荐生成和确保可满足性的规则创建

规则由前提(先行词)和结论(前提)组成。中提到的每一种情况多媒体， DSS每天执行SPARQL查询，以确定按照统一建模语言序列图(图17)．中指定的每个预定义语义规则的执行多媒体附件4依赖于SPARQL查询执行，规则是根据临床指南创建的，如中所述多媒体［62，84-92］．在本研究中，将20条语义规则细分为活动级别分类(8)、习惯相关分类(3)、饮食分类(4)、天气级别分类(1)、肥胖级别分类(3)和可满足性分类(1)(请参见多媒体附件4)．此外，除了已经使用的本体(以确保关于参与者是什么、参与者健康记录是什么等方面的一致性)之外，添加的概念和规则相对容易遵循，因此它们也相对容易使用。

‎ 查看此图

与活动、习惯、营养和环境相关的可观察和可测量的参数(如中所述)多媒体附件4)中指定的时间戳上的各个参与者的SPARQL查询，是根据DSS按每日计划时间间隔执行SPARQL查询而获得的多媒体附件6．规则17-19在多媒体附件4将真值赋给变量，以确保与SNOMED CT本体中已经存在的概念保持一致，其中定义了身体测量。我们已经和HermiT确认，有4个特定的案例触发了正确的推荐消息。然而，人们需要确保没有一个变量的组合使得整个公式是不可满足的(即，没有模型可以满足这个过程)。还需要确保一次只能触发一条消息。在这项研究中，我们有一个正式的保证，即2个“一天一次”的消息既不能同时被触发，也不能对每一个可能的变量组合触发，每次都有一个隐士的模型输出。如果我们将前19条规则中使用的不同变量(多媒体附件4)转换为命题变量，我们就会得到一个指数数量的“可能参与者”。确保模型存在的一种正式方法是否定我们所有的规则并确保相同。那么，这个公式确实是不可满足的。由于不能同时触发2条消息，为了满足这一点，我们在建议中使用的变量上添加了一条规则(规则20)，开始为“一天一次”。如果规则20为假，那么整个规则集(被认为是一个大型连接词)将被设置为假。这将导致命题的“不执行”(参见多媒体)，并将帮助我们调试定义的语义规则(规则1-19)多媒体附件4．如果它被设置为true，我们就可以正式保证不会同时触发2条“每天一次”的消息，无论我们在ABox中输入的真值是多少。

结果

验证所提议的eHealth本体的性能和可靠性的测试设置由DSS模块(健康生活方式的健康风险预测和建议生成)、SPARQL和规则库组成。作为本体验证的结果，我们生成了个性化和上下文建议(行为)，遵循语义规则来平衡个人体重变化，采用健康的行为来平衡体育活动、健康习惯和健康饮食之间的权衡，如所述图18．我们执行了中所述的所有语义规则多媒体附件4以SPARQL查询的形式使用Jena ARQ引擎对每个参与者的模拟数据进行查询多媒体附件2．然后，我们确定需要为每个参与者提供哪种类型的推荐信息，以管理他/她的健康生活方式。这些发现在表1．

‎ 查看此图

讨论

主要研究结果

根据表1，“个体_1”和“个体_2”为体重健康的参与者，“个体_3”和“个体4”为超重的参与者，根据他们的每日(“Day-n”)BMI(体重/身高)进行评估²)值。根据图1健康的体重是健康的习惯、健康的饮食和体育锻炼之间的平衡。在“Day-n”(n>0)，“personal_1”一直在进行体力活动，这就是他被鼓励保持相同活动水平的原因(A-4)。相比之下，他表现出对“鼻烟”、甜饮料和油炸/加工食品的上瘾，这可能会增加参与者的负面行为，并增加他的体重。因此，建议他减少烟草消费(H-1)并避免随意食用食品(D-2和D-3)。“Individual_2”的模拟数据表明，她倾向于健康饮食(D-4)，但随着酒精和烟草的消费而增加一些负面行为(H-1, H-2)。她只落后一步就开始运动了(A-3)。因此，医生建议她采取健康的饮食计划，戒烟戒酒，增加活动量，使自己变得活跃起来。" Individual_3 "既不积极锻炼身体，也不坚持健康的习惯或健康的饮食计划。他对酒精、油炸/加工食品、甜饮料、甜食品/奶制品上瘾。他摄入的蔬菜和水果数量不足以维持健康饮食(<400克)。因此，医生建议他减少饮酒(H-1)，养成健康的饮食习惯(D-1, D-2, D-3)，并在充足睡眠的情况下增加体力活动(a -2) (a -5)。 The fabricated data for “Individual_4” has shown that she has an unhealthy diet plan, and she is mostly leading a sedentary lifestyle. Therefore, she has been recommended to stay away from discretionary food items (D-2), to incline on “core-foods” (D-1), and to increase activity level by one step (A-1). The analysis of contextual data reveals that the weather on “Day-(n+1)” is suitable for outdoor activities. The purpose of the individualized recommendation generation is to guide and encourage individual participants to keep up a healthy lifestyle by maintaining a balance between healthy habit, healthy diet, and physical activity. It encourages people with a normal weight to maintain their healthy weight, and those with obesity/overweight to reduce their weight.

基于规则的决策支持生成了个性化和上下文相关的建议(表1)使用SPARQL查询，如图19，基于所提出的本体，不存在“假阳性”情况。使用HermiT推理器在Protégé中测量所提出的本体的推理时间为<30.0秒，没有报告任何不一致。使用“TTL”格式(OWL全格式)的“OWL_MEM_MICRO_RULE_INF”本体规范、“内存中”存储和“使用OWL规则的基于规则的优化推理器”，将本体加载到Jena工作空间后的读取时间大约为2.0-3.5秒。然后，我们分别在<1.5秒、<0.5秒和<3.5秒内使用Jena查询每个语句的本体类、本体、“谓词、主语和对象”。每个本体模型(完整的RDF图)都与文档管理器(默认的全局文档管理器:“OntDocumentManager”)相关，以协助处理和处理本体文档。本体API中表示本体值的所有类都有“OntResource”作为一个通用的超类，它具有属性(versionInfo、comment、label、seeAlso、isDefinedBy、sameAs和differentFrom)和方法(add、set、list、get、has和remove)。我们使用Jena提供的RDF接口的实现，将建模的本体及其实例持久地存储在元组数据库中，并将其加载回去以进一步处理。Jena Fuseki与元组数据库紧密集成，提供了一个健壮的事务性持久存储层(图20)．

在未来的研究中，混合DSS系统(基于规则和数据驱动)和AI算法的融合可以实现推荐过程的自动化。所提出的本体的范围可以通过集成(1)真实的传感器活动设备来增强;(2)参与者情绪评估;(3)通过多次问卷调查(每天、每隔一天和每周)收集详细的营养数据;(4)对推荐信息进行语义标注;(5)在评估每日生成的建议后生成每周建议，然后根据参与者每周的表现对其进行排名;(6)技术支持的服务台管理;(7)基线数据评估;(8)利用机器智能分析健康风险随习惯、饮食和活动的变化趋势;(9)由训练有素的卫生专业人员(护士)进行自动化面谈管理。

‎ 查看此图

‎ 查看此图

结论

在医疗领域，随着物联网领域的研究进展，越来越多的传感器、执行器、移动和基于web的健康监测设备被部署到我们的日常生活中，用于远程健康监测。它产生了大量的个性化健康和健康可观察和可测量的数据，具有隐藏的模式。多通道传感器或设备收集的数据在数据格式、类型和领域上存在显著差异，这可能导致机器理解能力出现问题。因此，从异构源收集的健康和健康数据的语义表示是必要的，而本体就可以达到这一目的。在这项试点研究中，我们提出了一个与SSN和SNOMED CT相关联的eHealth本体模型，以支持收集的可观察和可测量数据的语义表示，以管理以肥胖为重点的健康生活方式作为案例研究。本体用基于owl的web语言以RDF三存储格式表示收集到的数据。利用4个虚拟参与者的模拟数据(如传感器、访谈和问卷)对所提出的本体的性能进行了评估。使用Protégé推理器(HermiT 1.4.3.x)评估了所提议的本体的结构和逻辑一致性。基于规则的DSS已使用所提出的本体模型，通过对预设规则库(在Apache Jena库的帮助下)执行SPARQL查询，生成个性化和上下文相关的建议，以促进肥胖管理的健康生活方式。在未来的研究中，我们将按照纳入和排除标准招募真实的参与者，并为他们提供真实的活动设备来复制整个场景，并评估推荐生成计划的有效性。 The proposed ontology can be extended to annotate observable and measurable data for other related lifestyle diseases, such as diabetes type II, chronic obstructive pulmonary diseases, cardiovascular diseases, and mental health.