[发明专利]健康数据的去隐私化处理方法及系统

说明书

本申请提供一种健康数据的去隐私化处理方法及系统，方法包括：获取健康数据；判断获取的健康数据是结构化数据还是非结构化数据；对于非结构化数据，分别提取非结构化数据中的英文与数字类数据以及中文字符类数据；对非结构化数据中的中文字符类数据进行维特比分词，得到中文字符的分词结果；对非结构化数据中的中文字符类数据的分词结果进行维特比分类，得到结构化数据；对获取的结构化数据和处理得到的结构化数据进行去隐私化处理；输出经过掩码与转码后的去隐私化健康数据。本申请通过分词和分类处理将非结构化数据转换成结构化数据，通过对结构化数据进行敏感信息标记和脱敏处理，能够使健康数据在公开时不暴露隐私信息。

技术领域

本申请属于信息安全技术领域，具体涉及一种健康数据的去隐私化处理方法及系统。

背景技术

随着大数据技术的发展，信息的商品化特性逐渐增强。个人健康数据是个人隐私的一部分，其通常包含以下信息：姓名、医院名、药品名、机构名、身份证号、手机号和地址等。由于基于群体的健康数据分析有着相当高的潜在价值，例如，可以在获得许可的前提下有针对性地进行推送服务、商品等商业操作，因此，在保证个人私密信息不泄露的前提下公开个人健康数据是非常有必要的。然而，现有技术中只能通过对结构化数据进行脱敏处理来保证个人信息的私密性。其中的结构化数据指的是已经明确知道数据类别的数据。例如，一条结构化数据在数据库中的词条标识为：姓名，值为：张某某。现有技术中可以通过词条标识匹配对词条标识的值进行脱敏处理，具体的脱敏方式为：将敏感词条标识的值掩码或删除。现有技术并不能对非结构化数据进行脱敏处理，而且也不能解决信息脱敏后的回溯问题。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供了一种健康数据的去隐私化处理方法及系统。

根据本申请实施例的第一方面，本申请提供了一种健康数据的去隐私化处理方法，其包括以下步骤：

获取健康数据；

判断获取的健康数据是结构化数据还是非结构化数据；

对于非结构化数据，分别提取非结构化数据中的英文与数字类数据以及中文字符类数据；

对非结构化数据中的中文字符类数据进行维特比分词，得到中文字符的分词结果；

对非结构化数据中的中文字符类数据的分词结果进行维特比分类，得到结构化数据；

对获取的结构化数据和处理得到的结构化数据进行去隐私化处理；

输出经过掩码与转码后的去隐私化健康数据。

进一步地，所述步骤分别提取非结构化数据中的英文与数字类数据以及中文字符类数据采用正则表达式进行提取，所述英文与数字类数据包括身份证号、手机号和地址号，所述中文字符类数据包括姓名、病名、医院名、机构名和地址。

进一步地，所述步骤对非结构化数据中的中文字符类数据进行维特比分词的过程为：

根据中文字符分词的观测概率和分词的初始概率，计算第一个中文字符的分词概率，采用以下公式：

式中，φ₁表示第一个中文字符的分词概率；p_i,k表示中文字符分词的观测概率，具体地，表示第k个字符分别为词头B、词身M、词尾E和其他O的概率；s_i表示分词的初始概率；

根据第一个中文字符的分词概率对应得到第一个中文字符对应的分词结果，第一个中文字符对应的分词结果为词头B、词身M、词尾E和其他O中的一种；

根据上一个中文字符的分词概率、分词转换概率和中文字符分词的观测概率，计算得到剩余字符的分词概率，采用以下公式循环迭代，顺次计算剩余各字符的分词概率；