2025年大學(xué)《數(shù)據(jù)計(jì)算及應(yīng)用》專業(yè)題庫——數(shù)據(jù)采集與處理技術(shù)在健康管理中的應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、填空題1.利用可穿戴設(shè)備持續(xù)監(jiān)測(cè)用戶的心率、步數(shù)等活動(dòng)數(shù)據(jù)，屬于健康數(shù)據(jù)采集中的______采集方式。2.在處理來自不同健康A(chǔ)PP的用戶數(shù)據(jù)時(shí)，需要將分散的數(shù)據(jù)整合在一起，這一過程稱為______。3.健康數(shù)據(jù)中經(jīng)常出現(xiàn)用戶忘記填寫血壓值的情況，處理這類缺失值的一種簡單方法是采用______。4.為了消除不同健康指標(biāo)（如血糖、血壓）量綱的影響，使其具有可比性，常用的預(yù)處理技術(shù)是______。5.在預(yù)測(cè)用戶未來某月是否患上流感方面，可以使用機(jī)器學(xué)習(xí)中的______算法。6.分析用戶長期運(yùn)動(dòng)數(shù)據(jù)，發(fā)現(xiàn)每周跑步次數(shù)與體重指數(shù)（BMI）之間存在負(fù)相關(guān)關(guān)系，這種分析方法屬于______。7.為了保護(hù)用戶隱私，在分析聚合后的健康數(shù)據(jù)時(shí)，常采用______等技術(shù)來匿名化處理。8.評(píng)估一個(gè)用于預(yù)測(cè)糖尿病風(fēng)險(xiǎn)的分類模型性能時(shí)，除了準(zhǔn)確率，常用的指標(biāo)還有______和F1分?jǐn)?shù)。9.從海量電子病歷（EHR）數(shù)據(jù)中挖掘患者用藥習(xí)慣與特定副作用關(guān)聯(lián)性，屬于數(shù)據(jù)挖掘中的______。10.將用戶的健康數(shù)據(jù)存儲(chǔ)在云端，并利用遠(yuǎn)程服務(wù)器進(jìn)行復(fù)雜的統(tǒng)計(jì)分析，體現(xiàn)了______技術(shù)在健康管理中的應(yīng)用。二、簡答題1.簡述使用問卷調(diào)查作為健康數(shù)據(jù)采集方法的主要優(yōu)缺點(diǎn)。2.描述在整合來自智能手環(huán)和手機(jī)GPS的健康活動(dòng)數(shù)據(jù)時(shí)，可能遇到的數(shù)據(jù)沖突類型，并提出至少兩種解決思路。3.解釋什么是時(shí)間序列數(shù)據(jù)，并列舉至少兩種在健康領(lǐng)域分析時(shí)間序列數(shù)據(jù)（如心率變異性HRV）的常用方法及其意義。4.簡述利用數(shù)據(jù)聚類分析技術(shù)對(duì)健康管理APP用戶進(jìn)行分群的可能應(yīng)用場景。5.結(jié)合健康管理的特點(diǎn)，論述在應(yīng)用數(shù)據(jù)采集與處理技術(shù)時(shí)，必須考慮的倫理和隱私保護(hù)問題。三、應(yīng)用題1.某健康管理平臺(tái)收集了用戶的每日步數(shù)、睡眠時(shí)長和自我報(bào)告的情緒評(píng)分?jǐn)?shù)據(jù)。假設(shè)需要構(gòu)建一個(gè)模型來預(yù)測(cè)用戶第二天是否會(huì)感到“非常疲憊”（設(shè)為正類），請(qǐng)簡述從數(shù)據(jù)準(zhǔn)備到模型評(píng)估的整個(gè)流程，包括至少三個(gè)關(guān)鍵步驟及其目的。在模型評(píng)估時(shí)，如果發(fā)現(xiàn)模型對(duì)“不疲憊”的預(yù)測(cè)準(zhǔn)確率很高，但對(duì)“非常疲憊”的預(yù)測(cè)召回率低，這將意味著什么？并提出至少一種可能改進(jìn)的方向。2.假設(shè)你負(fù)責(zé)分析一項(xiàng)利用可穿戴設(shè)備監(jiān)測(cè)高血壓患者日常活動(dòng)量的健康管理項(xiàng)目。請(qǐng)?jiān)O(shè)計(jì)一個(gè)數(shù)據(jù)處理與分析的基本框架，說明需要采集哪些關(guān)鍵數(shù)據(jù)，進(jìn)行哪些核心處理步驟（如數(shù)據(jù)清洗、特征工程），以及可以選擇哪些分析方法來評(píng)估活動(dòng)量對(duì)血壓控制的影響，并說明選擇這些方法的原因。試卷答案一、填空題1.傳感器2.數(shù)據(jù)集成3.均值/中位數(shù)/眾數(shù)填充（任選其一即可）4.數(shù)據(jù)標(biāo)準(zhǔn)化/歸一化（任選其一即可）5.分類6.關(guān)聯(lián)規(guī)則挖掘7.數(shù)據(jù)匿名化/差分隱私（任選其一即可）8.召回率9.關(guān)聯(lián)規(guī)則挖掘10.云計(jì)算二、簡答題1.優(yōu)點(diǎn)：成本相對(duì)較低、易于實(shí)施、可收集用戶主觀感受和認(rèn)知等信息。缺點(diǎn)：數(shù)據(jù)質(zhì)量依賴用戶主觀性和依從性、可能存在社會(huì)期許效應(yīng)或回憶偏差、難以獲取生理生化等客觀數(shù)據(jù)、可能涉及隱私敏感問題導(dǎo)致回答不實(shí)。2.數(shù)據(jù)沖突類型：時(shí)間戳不一致、活動(dòng)類型沖突（如手環(huán)記錄為跑步，手機(jī)GPS記錄為步行）、數(shù)據(jù)量級(jí)差異大、數(shù)據(jù)缺失不匹配。解決思路：*時(shí)間對(duì)齊：以精度更高的設(shè)備（如GPS定位）的時(shí)間戳為基準(zhǔn)，對(duì)另一設(shè)備數(shù)據(jù)進(jìn)行時(shí)間調(diào)整或?qū)R。*數(shù)據(jù)融合與校準(zhǔn)：結(jié)合兩種設(shè)備數(shù)據(jù)，通過算法（如卡爾曼濾波）融合得到更精確的活動(dòng)信息；或根據(jù)歷史數(shù)據(jù)建立校準(zhǔn)模型，消除量級(jí)差異。3.時(shí)間序列數(shù)據(jù)：指按時(shí)間順序排列的觀測(cè)值序列，如每日血壓測(cè)量值、每小時(shí)心率數(shù)據(jù)等。分析方法及其意義：*趨勢(shì)分析：描述數(shù)據(jù)隨時(shí)間變化的長期方向（如體重變化趨勢(shì)），有助于識(shí)別健康改善或惡化過程。*周期性分析：識(shí)別數(shù)據(jù)中的重復(fù)模式（如晝夜節(jié)律、月經(jīng)周期），對(duì)理解生理節(jié)律、疾病發(fā)作規(guī)律有幫助。*（可選）頻域分析（如FFT）：提取數(shù)據(jù)中的高頻波動(dòng)信息（如心率變異性HRV中的高頻成分反映交感神經(jīng)活性），用于評(píng)估自主神經(jīng)功能狀態(tài)。4.應(yīng)用場景：*用戶畫像：根據(jù)用戶的運(yùn)動(dòng)習(xí)慣、作息、健康指標(biāo)等將用戶分群，實(shí)現(xiàn)個(gè)性化健康管理方案推薦。*風(fēng)險(xiǎn)分層：基于用戶特征將人群分為不同風(fēng)險(xiǎn)等級(jí)（如高血壓風(fēng)險(xiǎn)、糖尿病風(fēng)險(xiǎn)），以便進(jìn)行差異化干預(yù)。*行為模式識(shí)別：識(shí)別不同用戶群體的典型行為模式，用于設(shè)計(jì)更有針對(duì)性的健康促進(jìn)活動(dòng)。5.倫理和隱私保護(hù)問題：*知情同意：必須明確告知數(shù)據(jù)用途、存儲(chǔ)方式，并獲得用戶自愿同意。*數(shù)據(jù)安全：采取技術(shù)措施（如加密、訪問控制）防止數(shù)據(jù)泄露、濫用或被非法訪問。*數(shù)據(jù)最小化：只收集實(shí)現(xiàn)健康管理目標(biāo)所必需的最少數(shù)據(jù)。*匿名化與去標(biāo)識(shí)化：在進(jìn)行分析和共享時(shí)，盡可能消除可識(shí)別個(gè)人身份的信息。*公平性與偏見：確保算法和模型不因種族、性別等因素產(chǎn)生歧視性結(jié)果。三、應(yīng)用題1.數(shù)據(jù)處理與分析流程：*數(shù)據(jù)清洗與整合：清理缺失值（如用均值/中位數(shù)填充步數(shù)和睡眠數(shù)據(jù)）、處理異常值（如極不合理的步數(shù)或睡眠時(shí)長）、標(biāo)準(zhǔn)化情緒評(píng)分等，并將來自不同來源的數(shù)據(jù)整合到一起，按用戶和時(shí)間對(duì)齊。**目的：*確保數(shù)據(jù)質(zhì)量，為后續(xù)分析提供可靠基礎(chǔ)。*特征工程：從原始數(shù)據(jù)中提取或構(gòu)造有助于預(yù)測(cè)的特征。例如，計(jì)算平均每日步數(shù)、平均睡眠時(shí)長、步數(shù)/睡眠時(shí)長比值、情緒評(píng)分的波動(dòng)性等。**目的：*提高模型的預(yù)測(cè)能力。*模型選擇與訓(xùn)練：選擇合適的分類算法（如邏輯回歸、支持向量機(jī)、隨機(jī)森林），使用標(biāo)記好的數(shù)據(jù)（用戶是否感到“非常疲憊”）進(jìn)行模型訓(xùn)練。**目的：*建立預(yù)測(cè)模型。*模型評(píng)估：使用未參與訓(xùn)練的測(cè)試數(shù)據(jù)評(píng)估模型性能，重點(diǎn)關(guān)注對(duì)“非常疲憊”的預(yù)測(cè)能力，特別是召回率（Recall=真正例/(真正例+假負(fù)例)），即能正確識(shí)別出所有實(shí)際“非常疲憊”用戶的比例。**目的：*評(píng)價(jià)模型在真實(shí)場景下的有效性和可靠性。模型評(píng)估問題分析：召回率低意味著模型漏報(bào)了大量實(shí)際“非常疲憊”的用戶。這可能導(dǎo)致這些高風(fēng)險(xiǎn)用戶未能得到及時(shí)的關(guān)注和干預(yù)，影響健康管理效果。改進(jìn)方向：*調(diào)整模型閾值：降低分類閾值，使更多潛在的正例被預(yù)測(cè)為正類。*特征工程優(yōu)化：構(gòu)造更能區(qū)分“非常疲憊”狀態(tài)的新特征（如情緒評(píng)分的下降趨勢(shì)、活動(dòng)量銳減等）。*嘗試其他模型：使用對(duì)少數(shù)類樣本更敏感的算法（如XGBoost、LightGBM，或?qū)ｉT處理不平衡數(shù)據(jù)的技術(shù)）。*數(shù)據(jù)增強(qiáng)：如果正類樣本（感到“非常疲憊”的用戶數(shù)據(jù)）過少，可以嘗試生成合成數(shù)據(jù)或收集更多此類數(shù)據(jù)。2.數(shù)據(jù)處理與分析框架：*關(guān)鍵數(shù)據(jù)采集：*活動(dòng)數(shù)據(jù)：來自可穿戴設(shè)備的步數(shù)、距離、運(yùn)動(dòng)類型（跑步、走路等）、活動(dòng)強(qiáng)度（心率區(qū)間）、睡眠階段（深睡、淺睡、REM）。*生理數(shù)據(jù)：用戶在固定時(shí)間點(diǎn)測(cè)量的收縮壓、舒張壓。*（可選）問卷數(shù)據(jù)：用戶自我感覺的疲勞程度、服藥情況、飲食記錄等。*（可選）基礎(chǔ)信息：年齡、性別、診斷信息、用藥歷史等。*核心處理步驟：*數(shù)據(jù)清洗：處理設(shè)備記錄中的異常值（如瞬間心率極高或極低）、處理生理測(cè)量數(shù)據(jù)中的錯(cuò)誤讀數(shù)、處理時(shí)間戳錯(cuò)亂問題、對(duì)缺失數(shù)據(jù)進(jìn)行插補(bǔ)（如使用前后數(shù)據(jù)平均）。*數(shù)據(jù)對(duì)齊與整合：將設(shè)備連續(xù)活動(dòng)數(shù)據(jù)按時(shí)間粒度（如每小時(shí)、每天）匯總，與每日的血壓測(cè)量值、問卷數(shù)據(jù)等進(jìn)行匹配。*特征工程：計(jì)算日平均步數(shù)、日均活動(dòng)強(qiáng)度、久坐時(shí)間比例、血壓波動(dòng)性指標(biāo)（如日間最大差值）、睡眠質(zhì)量指標(biāo)（如深睡占比）等。*分析方法選擇與理由：*描述性統(tǒng)計(jì)：計(jì)算用戶群體在干預(yù)前后的活動(dòng)量、血壓水平等指標(biāo)的均值、標(biāo)準(zhǔn)差等，直觀展示變化趨勢(shì)。**理由：*提供基本概覽，判斷干預(yù)效果。*相關(guān)性分析：分析活動(dòng)量指標(biāo)（如日均步數(shù)）與血壓水平（如平均收縮壓）之間的相關(guān)關(guān)系。**理由：*探索活動(dòng)量與血壓控制之間的初步聯(lián)系。*（可選）回歸分析：建立模型，評(píng)估調(diào)整后的活動(dòng)水平（如增加每日步數(shù)）對(duì)降低血壓（如收縮壓/舒張壓）的獨(dú)立影響，控制其他混雜因素（如年齡、性別、基線血壓）。**理由：*更精確地量