CN112286758A - 信息处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
信息处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112286758A CN112286758A CN202011101839.6A CN202011101839A CN112286758A CN 112286758 A CN112286758 A CN 112286758A CN 202011101839 A CN202011101839 A CN 202011101839A CN 112286758 A CN112286758 A CN 112286758A
- Authority
- CN
- China
- Prior art keywords
- message
- pushed
- data
- monitoring data
- importance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 161
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000005484 gravity Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 101100264195 Caenorhabditis elegans app-1 gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种信息处理方法、装置、电子设备及计算机可读存储介质。该方法,包括:获取可穿戴设备发送的监控数据;根据所述监控数据生成待推送消息;对所述监控数据进行分析,得到所述待推送消息对应的重要程度;根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息。上述信息处理方法、装置、电子设备及计算机可读存储介质,能够摆脱可穿戴设备与目标设备之间的距离、目标设备的数量等限制条件,准确向目标设备推送消息,且推送的消息更为准确、及时。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种信息处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着电子科技技术的快速发展,越来越多轻量化、便携的可穿戴设备出现在市场上。用户通过佩戴可穿戴设备,可通过可穿戴设备实时监测身体活动的各项数据(如运动数据、生理健康数据等),且可通过可穿戴设备实现通信、数据传输等不同的服务。目前可穿戴设备采集的数据仅能反馈到可穿戴设备上,或是反馈到与可穿戴设备建立通信连接(如蓝牙等通信连接)的手机等设备上,消息推送受到限制。
发明内容
本申请实施例公开了一种信息处理方法、装置、电子设备及计算机可读存储介质,能够摆脱可穿戴设备与目标设备之间的距离、目标设备的数量等限制条件,准确向目标设备推送消息,且推送的消息更为准确、及时。
本申请实施例公开了一种信息处理方法,包括:
获取可穿戴设备发送的监控数据;
根据所述监控数据生成待推送消息;
对所述监控数据进行分析,得到所述待推送消息对应的重要程度;
根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息。
本申请实施例公开了一种信息处理装置,包括:
数据获取模块,用于获取可穿戴设备发送的监控数据;
消息生成模块,用于根据所述监控数据生成待推送消息;
分析模块,用于对所述监控数据进行分析,得到所述待推送消息对应的重要程度;
发送模块,用于根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息。
本申请实施例公开了一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现如上所述的方法。
本申请实施例公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
本申请实施例中公开的信息处理方法、装置、电子设备及计算机可读存储介质,获取可穿戴设备发送的监控数据,根据该监控数据生成待推送消息,对该监控数据进行分析,得到该待推送消息对应的重要程度,并根据重要程度向与可穿戴设备对应的目标设备发送待推送消息,不需要可穿戴设备与目标设备建立通信连接即可向目标设备推送消息,能够摆脱可穿戴设备与目标设备之间的距离、目标设备的数量等限制条件,且通过分析监控数据确定待推送消息的重要性,可更加准确、及时地向目标设备推送消息。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中信息处理方法的应用场景图;
图2为一个实施例中信息处理方法的流程图;
图3为一个实施例中对监控数据进行分析,得到待推送消息对应的重要程度的流程图;
图4为一个实施例中得到每个类型的待推送消息对应的重要等级的示意图;
图5A为一个实施例中神经网络的架构图;
图5B为一个实施例中LSTM单元的架构示意图;
图6为另一个实施例中信息处理方法的流程图;
图7为一个实施例中信息处理装置的框图;
图8为一个实施例中电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一通信渠道称为第二通信渠道,且类似地,可将第二通信渠道称为第一通信渠道。第一通信渠道和第二通信渠道两者都是通信渠道,但其不是相同的通信渠道。
图1为一个实施例中信息处理方法的应用场景图。如图1所示,可穿戴设备10可与电子设备20建立通信连接,电子设备20可与目标设备30建立通信连接。电子设备20可以是终端设备,也可以是服务器,其中,终端设备可包括但不限于手机、平板电板、PC(PersonalComputer,个人计算机)、车载终端等,服务器可以是能够提供计算或应用服务的计算机设备,该服务器可以是单一的服务器,也可以是服务器集群。可穿戴设备10可包括但不限于智能手表、智能手环、智能眼镜等设备,目标设备30可以是与可穿戴设备10具有对应关系的终端设备,目标设备30可包括但不限于手机、平板电板、PC(Personal Computer,个人计算机)、车载终端等终端设备。需要说明的是,本申请实施例对可穿戴设备10、电子设备20及目标设备30不进行限定。
可穿戴设备10可对用户的生理健康状态、运动状态、应用使用情况及地理位置等进行监控,并采集监控数据。可穿戴设备10可将采集的监控数据发送至电子设备20。电子设备20可获取可穿戴设备10发送的监控数据,并根据该监控数据生成待推送消息。电子设备20可对待推送消息进行分析,得到生成的待推送消息对应的重要程度。电子设备20在确定待推送消息对应的重要程度后,可基于该重要程度,向与可穿戴设备10对应的目标设备30发送该待推送消息。
如图2所示,在一个实施例中,提供一种信息处理方法,可应用于上述的电子设备20,该方法可包括以下步骤:
步骤210,获取可穿戴设备发送的监控数据。
在一些实施例中,可穿戴设备可对用户的生理状态、运动状态、可穿戴设备的应用使用情况、地理位置及设备状态等中的一种或多种进行监控,采集得到监控数据,该监控数据可包括用户的生理健康数据、运动数据、可穿戴设备的应用使用数据、位置数据及设备状态数据等中的一种或多种,但不限于此。
可选地,生理健康数据可用于描述用户的生理健康状态,生理健康数据可包括但不限于人体心率、人体脂肪率、血氧含量等。可穿戴设备上可设置有各式的生理检测传感器,例如心率传感器、体脂传感器、血氧含量传感器等,通过各式的生理检测传感器可采集用户的生理健康数据。
运动数据可包括但不限于固定时长内(例如1天内、12小时内等)的行走步数、跑步里程、消耗卡路里等数据。可穿戴设备上可设置有加速度传感器、重力传感器等,可通过加速度传感器、重力传感器等检测用户的运动状态。可获取加速度传感器、重力传感器等采集的加速度数据、重力数据等,根据加速度数据、重力数据等确定可穿戴设备的加速度变化及重力变化。若可穿戴设备的加速度变化及重力变化符合预设的步行状态/跑步状态对应的变化条件,则可确定用户正处于步行状态/跑步状态。再根据加速度传感器、重力传感器等采集的加速度数据、重力数据等生成相应的运动数据。
应用使用数据可指的是用户在可穿戴设备上使用的应用程序的数据。应用使用数据可包括但不限于使用的应用类型、每次的使用时长、使用频率等。可穿戴设备可记录每次运行的应用程序的应用标识、运行开始时刻及运行结束时刻等应用运行数据,并对记录的应用运行数据进行统计,以得到应用使用数据。
位置数据指的是可穿戴设备的定位信息,位置数据可包括但不限于可穿戴设备的经纬度信息、室内位置信息等,其中,经纬度信息可通过可穿戴设备上设置的GPS(GlobalPositioning System,全球定位***)芯片获取,室内位置信息可采用WiFi(WirelessFidelity,无线保真)室内定位技术、蓝牙信标定位技术等获取,室内位置信息可包括楼层数、具体的室内区域、房间等信息。
设备状态数据可用于描述可穿戴设备的状态,设备状态数据可包括但不限于佩戴状态、硬件正常/异常状态、电量状态等。
在一些实施例中,可穿戴设备根据采集到的生理健康数据、运动数据、可穿戴设备的应用使用数据、位置数据及设备状态数据等,也可生成相应的推送信息并输出。例如,可穿戴设备根据采集的运动数据生成运动推送信息,或是根据位置数据生成位置推送信息等。可同时采集用户对该推送信息的行为数据,例如,用户对该推送信息是否进行了确认操作、取消操作、查看操作,或是无操作等,并向电子设备发送包含该行为数据的监控数据。
可穿戴设备可将采集的监控数据发送到电子设备。在一些实施例中,可穿戴设备可每隔预设时长向电子设备发送该预设时长内采集的监控数据,例如,可每隔2小时、5小时等发送监控数据。在另一些实施例中,可穿戴设备也可对采集的监控数据进行分析,判断采集的监控数据是否出现异常,当采集的监控数据出现异常时,可将出现异常的监控数据发送至电子设备。例如,可穿戴设备采集用户的人体心率,当检测到人体心率大于设定的心率阈值时,即确定人体心率发生异常,可将出现异常的人体心率发送至电子设备。能够及时向电子设备发送出现异常的监控数据,电子设备根据该异常的监控数据能够及时推送提醒异常的消息,可提高消息推送的及时性。
步骤220,根据监控数据生成待推送消息。
待推送消息可以是与监控数据相关的需要向终端设备推送的信息,可包括但不限于提示信息、广告信息、新闻信息、资讯信息等,其中,提示信息可包括多种提示功能的信息,例如,提示异常的信息(如提示人体心率异常、可穿戴设备的硬件异常、地理位置异常等),提示运动数据的信息(如提示1天内走的步数、跑步里程、消耗卡路里或运动排名等),提示可穿戴设备上接收的通讯信息(如语言信息、短信等)。待推送消息可包括但不限于文字信息、视频信息、语音信息及图片信息等。
电子设备获取可穿戴设备发送的监控数据后,可对监控数据进行分析,并生成相应的待推送信息。示例性地,可分析监控数据,并判断监控数据中是否发生异常,若检测到监控数据中存在异常,则可根据存在异常的监控数据生成提示信息,并将该提示信息作为待推送消息。例如,可分析可穿戴设备的位置信息,当检测到该位置信息不处于预设的正常地理范围内时,则可生成位置异常的提示信息。
在一些实施例中,电子设备也可通过分析监控数据,得到用户的行为习惯特征,并根据该行为习惯特征生成待推送消息。例如,分析监控数据,统计到用户在过去一段时间内使用可穿戴设备的音乐应用的频率较高,则可生成推送音乐资讯的信息,或是生成推送音乐歌单的信息等。可以理解的是,上述生成待推送消息的几种方式仅用于说明本申请实施例,并不用于限定生成待推送消息的具体方式。
步骤230,对监控数据进行分析,得到待推送消息对应的重要程度。
重要程度可用于表示待推送消息的重要性以及紧急程度,重要程度越高,可说明待推送消息的重要性越强,紧急程度越高。在一些实施例中,可对监控数据进行分析,得到分析结果,该分析结果可包括监控数据的类型、是否出现异常、用户行为(如上述中的确认操作、取消操作、查看操作及无操作等)等内容,并根据该分析结果确定待推送消息对应的重要程度。可选地,不同类型的监控数据对应的重要程度可不同,例如,用户的生理健康数据对应的重要程度可高于运动数据对应的重要程度,运动数据对应的重要程度可高于应用使用数据对应的重要程度等。出现异常的监控数据对应的重要程度可高于正常的监控数据对应的重要程度等。不同用户行为对应的重要程度出可不同,例如,查看操作及确认操作对应的重要程度可高于取消操作及无操作对应的重要程度等。
可为分析结果中包含的各项内容分配不同的权重,并将分析结果中包含的各项内容转换为重要分数数值,再根据对应的权重进行加权和计算,得到监控数据对应的分数,该分数可用于表示待推送消息对应的重要程度,分数越高,重要程度可越高等。
进一步地,也可根据待推送消息的消息属性辅助确定待推送消息对应的重要程度。待推送消息的消息属性可包括待推送消息的消息类型、待推送消息的内容等,消息类型可包括提示消息、广告消息、资讯消息等,其中,提示消息的重要程度可最高,广告消息的重要程度可最低,进一步地,提示消息中,提示生理健康异常、提示位置异常等的重要程度可高于普通的提示信息。
需要说明的是,步骤230也可在步骤220之前执行,电子设备可先对监控数据分析得到重要程度后,再生成待推送消息。
步骤240,根据重要程度向与可穿戴设备对应的目标设备发送待推送消息。
电子设备可获取与可穿戴设备绑定的各个终端设备,电子设备可存储有各个可穿戴设备的设备标识与其他终端设备的设备标识之间的绑定关系,该设备标识可以是MAC(Media Access Control,媒体介入控制)地址、设备编号等中的任一种。可获取发送该监控数据的可穿戴设备的第一设备标识,并根据该第一设备标识查找与该第一设备标识具有绑定关系的第二设备标识,该具有绑定关系的第二设备标识即为与可穿戴设备绑定的终端设备的设备标识。可从该绑定的终端设备中选取目标设备,该目标设备的数量可为一个或多个,一个可穿戴设备可同时绑定多个终端设备,电子设备可同时向多个目标设备发送待推送信息。
在一些实施例中,不同重要程度的待推送消息可对应不同的消息推送规则,该消息推送规则可包括推送的目标设备数量、发送待推送消息的通信渠道、推送时间、待推送消息在目标设备上的提示方式等。可根据与待推送消息的重要程度对应的推送规则,向与可穿戴设备对应的目标设备发送待推送消息。以推送时间为例,对于重要程度较高的待推送消息,可及时向目标设备发送,对于重要程度较低的待推送消息,可在固定时间向目标设备发送,或是间隔一定时长发送,可防止出现待推送消息过多造成用户不良观感的情况。
在一些实施例中,不同重要程度的待推送消息在目标设备上的提示方式可不同。步骤240可包括:根据待推送消息的重要程度确定提示方式,并根据该提示方式生成提示指令,向与可穿戴设备对应的目标设备发送待推送消息及提示指令,提示指令用于指示目标设备按照提示方式对待推送消息进行提示。
提示方式可包括弹窗提示、震动提示、响铃提示、目标设备下默认设置的信息提示方式等。重要程度越高,可对应提醒效果越强的提示方式。作为一种实施方式,待推送消息要的重要程级可通过重要等级进行划分,可预先设置多个重要等级,重要等级越高,可表示重要程度越高。例如,重要等级可包括超级重要、次重要、普通重要、轻重要等4个等级,其中,该4个重要等级对应的重要程度的顺序为超级重要>次重要>普通重要>轻重要。超级重要对应的提示方式可为震动提示+响铃提示,次重要对应的提示方式可为震动提示,普通重要对应的提示方式可为目标设备下默认设置的信息提示方式,轻重要对应的提示方式可为弹窗提示等,但不限于此。
目标设备在接收到待推送消息及指示指令后,可输出该待推送消息,并根据该指示指令确定提示方式,可按照该提示方式对输出的待推送信息进行提示。可根据待推送消息的重要程度选择合适的提示方式进行提示,对于重要程度高的消息,能够及时提醒目标设备的用户进行查看,防止用户错过重要消息,而对于重要程度低的消息,则不会对目标设备的用户产生较大的影响,使得消息提醒更加灵活、方便,贴合用户的不同需求。
在本申请实施例中,获取可穿戴设备发送的监控数据,根据该监控数据生成待推送消息,对该监控数据进行分析,得到该待推送消息对应的重要程度,并根据重要程度向与可穿戴设备对应的目标设备发送待推送消息,不需要可穿戴设备与目标设备建立通信连接即可向目标设备推送消息,能够摆脱可穿戴设备与目标设备之间的距离、目标设备的数量等限制条件,且通过分析监控数据确定待推送消息的重要性,可更加准确、及时地向目标设备推送消息。
如图3所示,在一个实施例中,步骤对监控数据进行分析,得到待推送消息对应的重要程度,可包括以下步骤:
步骤302,提取监控数据的数据特征。
数据特征可用于描述监控数据所表达的真实信息。可选地,可穿戴设备发送的监控数据中可包括有多条可穿戴设备在不同采集时刻采集的监控信息,多条监控信息可按照采集时刻的先后顺序依次进行排列,可逐一分析各条监控信息,并滤除其中无效的监控信息,再提取滤除了无效的监控信息的监控数据的数据特征。其中,无效的监控信息可指的是满足无效条件的监控信息,无效条件可根据实际需求进行设置,不同可穿戴设备设置的无效条件可不相同。
示例性地,以可穿戴设备的应用使用数据为例,可获取可穿戴设备在一定时间段内运行应用的多条运行记录,例如,在12:00~12:30运行音乐应用A,在13:12~13:25运行社交应用B等。可将该多条运行记录中,运行时长不大于设定时长的运行记录作为无效监控信息滤除掉,例如,运行时长不大于5分钟的运行记录滤除掉。先对无效的监控信息进行滤除,再提取数据特征,可使得提取的数据特征更为准确。
在一些实施例中,由于可穿戴设备采集的监控数据是自然语言,为了更好地对监控数据进行分析,则可生成监控数据对应的特征向量。可选地,可通过Word2vec等模型将监控数据中的每条监控信息映射到一个向量,该映射的向量即为监控信息的特征,可得到具有多维度的embedding嵌入式特征向量,该embedding嵌入式特征向量可用于作为监控数据的数据特征,embedding嵌入式特征向量中每个维度的向量可用于表示一条监控信息。进一步地,由于监控数据中的监控信息按照采集时刻的先后顺序依次进行排列,因此生成的embedding嵌入式特征向量中每个维度的向量具有一定的时序关系。
步骤304,通过训练得到的神经网络对数据特征进行分析,得到待推送消息对应的重要等级。
在本申请实施例中,神经网络可以是循环神经网络(Recurrent Neural Network,RNN)、LSTM(Long Short-Term Memory,长短期记忆)神经网络、GRU(Gated RecurrentNeural,门控递归循环)神经网络等,但不限于此。该神经网络可通过大量的可穿戴设备的监控样本数据训练得到,每份监控样本数据可标记有对应的重要等级,在进行训练时,可将监控样本数据及标记的重要等级输入待训练的神经网络中,由该待训练的神经网络对监控样本数据进行分析,输出预估的重要等级。可根据预估的重要等级与标记的重要等级之间的距离不断对神经网络的参数进行调整,直至预估的重要等级与标记的重要等级之间的距离满足期望值,则神经网络训练完成。
在一些实施例中,在将监控样本数据输入待训练的神经网络之前,也可通过Word2vec等模型将监控样本数据映射成多维度的embedding嵌入式特征样本向量,再将该多维度的embedding嵌入式特征样本向量输入待训练的神经网络中,对待训练的神经网络进行训练。
在一些实施例中,电子设备在获取可穿戴设备发送的监控数据之后,可对该监控数据进行分类,得到N个类型的监控数据,其中,N可为正整数。该N个类型的监控数据可包括以下一种或多种数据:用户的生理健康数据、用户的运动数据、可穿戴设备的应用使用数据、可穿戴设备的位置数据及可穿戴设备的设备状态数据等。在对监控数据进行分类后,可根据每个类型的监控数据生成每个类型对应的待推送消息,例如,可根据用户的生理健康数据生成生理健康提示消息,可根据用户的运动数据生成运动提示消息,可根据可穿戴设备的应用使用数据生成应用资讯推送消息,或是娱乐推送消息、广告消息等,在此不作限定。
针对每个类型的监控数据,电子设备可提取每个类型的监控数据的数据特征,得到每个类型的监控数据对应的特征向量。可通过训练得到的神经网络对每个类型的监控数据进行分析,得到每个类型的待推送消息对应的重要等级。
图4为一个实施例中得到每个类型的待推送消息对应的重要等级的示意图。如图4所示,电子设备对可穿戴设备的监控数据进行分类,得到不同类型的监控数据(如图4中的生理健康数据、运动数据、应用使用数据……等)。针对每个类型的监控数据,可提取每个类型的监控数据的数据特征,并输入到神经网络中,神经网络可对输入的数据特征进行分析,并输出重要等级(如图4中的超级重要、次重要、普通重要或轻重要),该重要等级即可用于表示输入的类型对应的待推送消息的重要程度。可以理解地,重要等级也可采用其它方式进行表示,例如用数字1~4进行表示,或是用字母A~D进行表示等,在此不作限定。
示例性地,以第一类型的监控数据为例,该第一类型可为N个类型中的任一类型。第一类型的监控数据可包括按照采集时刻的先后顺序依次进行排列的监控信息。可通过Word2vec等模型将第一类型的监控数据中包含的每条监控信息映射到一个向量,再根据每条监控信息映射的向量形成多维的第一特征向量。该第一特征向量包含的每个维度的向量可用于表示每条监控信息的特征。
举例进行说明,监控数据可包括应用使用数据,应用使用数据中可包括在一定时间段内的不同时刻运行的多条应用记录,可获取每条应用记录中记录的应用标识,并按照运行的先后顺序依次进行排列,例如,可穿戴设备一定时间段内按照运行的先后顺序的应用标识包括APP_2,APP_1、APP_0。可将获取的各个应用标识映射成向量,其中,APP_2映射成[2,1,2]、APP_1映射成[1,2,2]、APP_0映射成[2,1,1]。则可将映射得到的3个向量进行组合,形成应用使用数据对应的特征向量为其中,该特征向量的每个维度的向量用于表示每条应用记录的特征。
需要说明的是,对于某些类型的监控数据,其采用的数据即为数字,例如采集的人类心率数据,记录的是每次检测到的人类心率,可将每次采集的数值映射到固定数值区间范围内,例如[0,1]等范围内,再根据映射得到的数值组合生成特征向量。
在得到第一类型的监控数据的第一特征向量后,可将第一特征向量输入训练得到的神经网络中,通过神经网络中的神经元对第一特征向量进行循环处理,并输出第一类型的待推送消息对应的重要等级。
示例性地,图5A为一个实施例中神经网络的架构图。如图5A所示,该神经网络可包括循环单元A,该循环单元A可以是LSTM单元、GRU单元等。Xt为在T时刻输入到神经网络的数据,ht则表示循环单元A在T时刻输出的数据。针对第一类型的第一特征向量,第一特征向量包括多维的向量,由于监控数据中包含的监控信息是按照采集时刻依次排列的,因此,第一特征向量中的每个向量具有一定的时序,可按照第一特征向量中各维向量的顺序,依次将每维向量作为循环单元A在不同时刻的输入。循环单元A可根据当前时刻输入的向量、上一时刻循环单元A输出的数据等得到当前时刻输出的数据,并将当前时刻输出的数据输入下一时刻的循环单元A中。以此过程进行循环,直至当前时刻输入的向量为第一特征向量中的最后一维向量,则神经网络可根据各个时刻输出的数据进行分类,得到相应的重要等级。
以特征向量为进行说明,其中,向量[2,1,2]可作为X0,在T0时刻输入到循环单元A,得到T0时刻的输出h0,向量[1,2,2]可作为X1,在T1时刻输入到循环单元A,循环单元A根据X1及T0时刻的输出h0,得到T1时刻的输出h1,向量[2,1,1]可作为X2,在T2时刻输入到循环单元A,循环单元A根据X2及T1时刻的输出h1,得到T2时刻的输出h2。可根据h0、h1、h2进行分类,得到相应的重要等级。
以循环单元A为LSTM单元为例,图5B为一个实施例中LSTM单元的架构示意图。如图5B所示,LSTM单元可包括遗忘层、输入层及输出层。其中,遗忘层用于对上一时刻LSTM单元的输出数据ht-1及当前时刻的输入数据Xt进行过滤,筛选掉不重要信息,遗忘层可通过激活函数σ得到用于表示遗忘状态的数字,并将该数字输字传递到用于表示上一单元状态的Ct-1中。输入层则可从上一时刻LSTM单元的输出数据ht-1及当前时刻的输入数据Xt中选择重要的信息,并根据选择的信息将单元状态从Ct-1更新为Ct。输出层则可通过激活函数tanh对更新的单元状态进行处理,得到当前时刻的输出结果ht,再将当前时刻的输出结果ht和单元状态Ct传递到下一时刻的LSTM单元中。
在本申请实施例中,可通过训练得到的神经网络对监控数据进行分析,得到待推送消息对应的重要等级,可提高重要性分析的准确性,能够更加准确地向目标设备推送消息。且针对不同类型的监控数据,可分别进行重要性分析,使得到的重要等级更具有针对性,贴合可穿戴设备的多种不同监控场景的信息推送需求。且进一步地,采用带有时序信息的循环神经网络对监控数据进行分析,与可穿戴设备采集的监控数据更为贴合,提高分析的准确性,使推送的消息更为准确、及时。
如图6所示,在一个实施例中,提供另一个信息处理方法,可应用于上述的电子设备。该方法可包括以下步骤:
步骤602,获取可穿戴设备发送的监控数据。
步骤604,根据监控数据生成待推送消息。
步骤606,提取监控数据的数据特征。
步骤608,通过训练得到的神经网络对数据特征进行分析,得到待推送消息对应的重要等级。
步骤602~608的描述可参照上述各实施例的相关描述,在此不再一一赘述。
在一些实施例中,电子设备在得到待推送消息对应的重要程度后,可获取与可穿戴设备绑定的至少一个终端设备,并根据该重要程度从绑定的终端设备中确定至少一个目标设备,并向目标设备发送待推送消息。待推送消息对应的重要程度不同,选择发送待推送消息的目标设备可不同。
可选地,不同重要程度对应的目标设备数量可不同,目标设备数量可与重要程度呈正相关关系,重要程度越高,确定的目标设备数量可越多,能够保证推送消息被及时获知。
可选地,也可设置不同重要级别对应的设备标识。例如,重要级别高的待推送消息,对应的目标设备可为可穿戴设备绑定的用户家人(如父母等)的终端设备,重要级别低的待推送消息,对应的目标设备可为可穿戴设备的用户自己的手机等设备。进一步地,还可结合待推送消息的内容等选择目标设备,例如,待推送消息为涉及用户生命安全的提示信息,则可在向绑定的家人的终端设备发送待推送消息的同时,向绑定的医疗终端等发送待推送消息。能够满足不同的消息推送场景,保证推送消息的准确性与及时性,更加贴合用户需求。
在一些实施例中,电子设备可通过与重要程度对应的通信渠道,向与可穿戴设备对应的目标设备发送待推送消息。步骤通过与重要程度对应的通信渠道,向与可穿戴设备对应的目标设备发送待推送消息可包括步骤610~612。
步骤610,通过第一通信渠道向与可穿戴设备对应的目标设备发送待推送消息。
在一些实施例中,第一通信渠道可为TCP(Transmission Control Protocol,传输控制协议)通信渠道。目标设备上可安装有应用程序,该应用程序可包括接收电子设备发送的与可穿戴设备相关的待推送消息的SDK(Software Development Kit,软件开发工具包)。目标设备上的应用程序可通过该SDK与电子设备(如服务器等)建立TCP连接,电子设备可通过TCP连接向目标设备发送待推送消息。
进一步地,为了保证待推送消息的稳定传输,电子设备在与目标设备建立TCP连接后,可采用长连接方式向目标设备发送待推送消息,在建立TCP连接的过程中可连续发送多个数据包,在未发送数据包时,电子设备可向目标设备发送心跳包,使得TCP连接能够维持,而不会断开。
步骤612,若未接收到目标设备返回的针对待推送消息的反馈信息,且重要程度属于目标重要程度,则通过第二通信渠道向与目标设备发送待推送消息。
在目标设备接收到电子设备通过TCP连接发送的待推送消息后,可向电子设备返回反馈信息,电子设备若接收到该反馈信息,则可确定目标设备已接收到待推送消息。若电子设备未接收到目标设备返回的反馈信息,可判定目标设备未接收到该待推送消息。电子设备可判断该待推送消息的重要程度是否属于目标重要程度,其中,该目标重要程度可大于重要阈值。例如,若重要程度按照百分比数值进行表示,则可判断待推送消息的重要程度是否大于80%,若重要程度按照重要等级表示,则可判断该待推送消息的重要程度是否为超级重要等,但不限于此。
若待推送消息的重要程度属于目标重要程度,可说明该待推送消息很重要,需要及时地发送到目标设备。电子设备可通过第二通信渠道向与目标设备发送待推送消息,其中,第二通信渠道的数据传输稳定性可高于第一通信渠道的数据传输稳定性。可选地,该第二通信渠道可为运营商通信渠道,由于运营商通信渠道的稳定性高于TCP通信渠道,因此可保证待推送消息能够及时发送到目标设备。
在本申请实施例中,结合两种不同的通信渠道向目标设备发送待推送消息,可保证重要的推送消息能够及时发送到目标设备,提高了推送消息的及时性。
如图7所示,在一个实施例中,提供一种信息处理装置700,可适用于上述的电子设备。信息处理装置700可包括数据获取模块710、消息生成模块720、分析模块730及发送模块740。
数据获取模块710,用于获取可穿戴设备发送的监控数据。
消息生成模块720,用于根据监控数据生成待推送消息。
分析模块730,用于对监控数据进行分析,得到待推送消息对应的重要程度。
发送模块740,用于根据重要程度向与可穿戴设备对应的目标设备发送待推送消息。
在一个实施例中,发送模块740,包括提示单元及发送单元。
提示单元,用于根据重要程度确定提示方式,并根据提示方式生成提示指令。
发送单元,用于向与可穿戴设备对应的目标设备发送待推送消息及提示指令,提示指令用于指示目标设备按照提示方式对待推送消息进行提示。
在本申请实施例中,获取可穿戴设备发送的监控数据,根据该监控数据生成待推送消息,对该监控数据进行分析,得到该待推送消息对应的重要程度,并根据重要程度向与可穿戴设备对应的目标设备发送待推送消息,不需要可穿戴设备与目标设备建立通信连接即可向目标设备推送消息,能够摆脱可穿戴设备与目标设备之间的距离、目标设备的数量等限制条件,且通过分析监控数据确定待推送消息的重要性,可更加准确、及时地向目标设备推送消息。
在一个实施例中,分析模块730,包括特征提取单元及分析单元。
特征提取单元,用于提取监控数据的数据特征。
分析单元,用于通过训练得到的神经网络对数据特征进行分析,得到待推送消息对应的重要等级,神经网络是通过可穿戴设备的监控样本数据训练得到的,监控样本数据标记有对应的重要等级。
在一个实施例中,上述信息处理装置700除了包括数据获取模块710、消息生成模块720、分析模块730及发送模块740,还包括分类模块。
分类模块,用于对监控数据进行分类,得到N个类型的监控数据,N为正整数。
消息生成模块720,还用于根据每个类型的监控数据生成每个类型对应的待推送消息。
特征提取单元,还用于提取每个类型的监控数据的数据特征,得到每个类型的监控数据对应的特征向量。
分析单元,还用于将第一类型的监控数据对应的第一特征向量输入训练得到的神经网络中,通过神经网络中的神经元对第一特征向量进行循环处理,并输出第一类型的待推送消息对应的重要等级,第一类型为N个类型中的任一类型。
在一个实施例中,N个类型的监控数据包括以下一种或多种数据:用户的生理健康数据、用户的运动数据、可穿戴设备的应用使用数据、可穿戴设备的位置数据及可穿戴设备的设备状态数据。
在本申请实施例中,可通过训练得到的神经网络对监控数据进行分析,得到待推送消息对应的重要等级,可提高重要性分析的准确性,能够更加准确地向目标设备推送消息。且针对不同类型的监控数据,可分别进行重要性分析,使得到的重要等级更具有针对性,贴合可穿戴设备的多种不同监控场景的信息推送需求。且进一步地,采用带有时序信息的循环神经网络对监控数据进行分析,与可穿戴设备采集的监控数据更为贴合,提高分析的准确性,使推送的消息更为准确、及时。
在一个实施例中,发送模块740,还用于获取与可穿戴设备绑定的至少一个终端设备,根据重要程度从终端设备中确定至少一个目标设备,并向目标设备发送待推送消息。
在一个实施例中,发送模块740,还用于通过与重要程度对应的通信渠道,向与可穿戴设备对应的目标设备发送待推送消息。
在一个实施例中,发送模块740,还用于通过第一通信渠道向与可穿戴设备对应的目标设备发送待推送消息,以及用于若未接收到目标设备返回的针对待推送消息的反馈信息,且重要程度属于目标重要程度,则通过第二通信渠道向与目标设备发送待推送消息,其中,目标重要程度大于重要阈值。
在本申请实施例中,结合两种不同的通信渠道向目标设备发送待推送消息,可保证重要的推送消息能够及时发送到目标设备,提高了推送消息的及时性。
图8为一个实施例中电子设备的结构框图。电子设备可以是服务器或服务器集群等,也可以是智能手机、平板电脑等终端设备。如图8所示,电子设备800可以包括一个或多个如下部件:处理器810、与处理器810耦合的存储器820,其中存储器820可存储有一个或多个计算机程序,一个或多个计算机程序可以被配置为由一个或多个处理器810执行,以执行如上述各实施例所描述的方法。
处理器810可以包括一个或者多个处理核。处理器810利用各种接口和线路连接整个电子设备800内的各个部分,通过运行或执行存储在存储器820内的指令、程序、代码集或指令集,以及调用存储在存储器820内的数据,执行电子设备800的各种功能和处理数据。可选地,处理器810可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器810可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器810中,单独通过一块通信芯片进行实现。
存储器820可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器820可用于存储指令、程序、代码、代码集或指令集。存储器820可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储电子设备800在使用中所创建的数据等。
可以理解地,电子设备800可包括比上述结构框图中更多或更少的结构元件,例如,包括输入装置、通信模块等,还可在此不进行限定。
本申请实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序被处理器执行时实现如上述各实施例描述的方法。
本申请实施例公开一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可被处理器执行时实现如上述各实施例描述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等。
如此处所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在本申请的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本申请的各个实施例上述方法的部分或全部步骤。
以上对本申请实施例公开的一种信息处理方法、装置、电子设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种信息处理方法,其特征在于,包括:
获取可穿戴设备发送的监控数据;
根据所述监控数据生成待推送消息;
对所述监控数据进行分析,得到所述待推送消息对应的重要程度;
根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息,包括:
根据所述重要程度确定提示方式,并根据所述提示方式生成提示指令;
向与所述可穿戴设备对应的目标设备发送所述待推送消息及所述提示指令,所述提示指令用于指示所述目标设备按照所述提示方式对所述待推送消息进行提示。
3.根据权利要求1所述的方法,其特征在于,所述根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息,包括:
通过与所述重要程度对应的通信渠道,向与所述可穿戴设备对应的目标设备发送所述待推送消息。
4.根据权利要求3所述的方法,其特征在于,所述通过与所述重要程度对应的通信渠道,向与所述可穿戴设备对应的目标设备发送所述待推送消息,包括:
通过第一通信渠道向与所述可穿戴设备对应的目标设备发送所述待推送消息;
若未接收到所述目标设备返回的针对所述待推送消息的反馈信息,且所述重要程度属于目标重要程度,则通过第二通信渠道向与所述目标设备发送所述待推送消息,其中,所述目标重要程度大于重要阈值。
5.根据权利要求1至4任一所述的方法,其特征在于,所述对所述监控数据进行分析,得到所述待推送消息对应的重要程度,包括:
提取所述监控数据的数据特征;
通过训练得到的神经网络对所述数据特征进行分析,得到所述待推送消息对应的重要等级,所述神经网络是通过可穿戴设备的监控样本数据训练得到的,所述监控样本数据标记有对应的重要等级。
6.根据权利要求5所述的方法,其特征在于,在所述获取可穿戴设备发送的监控数据之后,所述方法还包括:
对所述监控数据进行分类,得到N个类型的监控数据,所述N为正整数;
所述根据所述监控数据生成待推送消息,包括:
根据每个类型的监控数据生成每个类型对应的待推送消息。
7.根据权利要求6所述的方法,其特征在于,所述提取所述监控数据的数据特征,包括:
提取每个类型的监控数据的数据特征,得到所述每个类型的监控数据对应的特征向量;
所述通过训练得到的神经网络对所述数据特征进行分析,得到所述待推送消息对应的重要等级,包括:
将第一类型的监控数据对应的第一特征向量输入训练得到的神经网络中,通过所述神经网络中的神经元对所述第一特征向量进行循环处理,并输出所述第一类型的待推送消息对应的重要等级,所述第一类型为所述N个类型中的任一类型。
8.根据权利要求6或7所述的方法,其特征在于,所述N个类型的监控数据包括以下一种或多种数据:用户的生理健康数据、所述用户的运动数据、所述可穿戴设备的应用使用数据、所述可穿戴设备的位置数据及所述可穿戴设备的设备状态数据。
9.根据权利要求1至4任一所述的方法,其特征在于,所述根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息,包括:
获取与所述可穿戴设备绑定的至少一个终端设备;
根据所述重要程度从所述终端设备中确定至少一个目标设备,并向所述目标设备发送所述待推送消息。
10.一种信息处理装置,其特征在于,包括:
数据获取模块,用于获取可穿戴设备发送的监控数据;
消息生成模块,用于根据所述监控数据生成待推送消息;
分析模块,用于对所述监控数据进行分析,得到所述待推送消息对应的重要程度;
发送模块,用于根据所述重要程度向与所述可穿戴设备对应的目标设备发送所述待推送消息。
11.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1至9任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101839.6A CN112286758A (zh) | 2020-10-14 | 2020-10-14 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101839.6A CN112286758A (zh) | 2020-10-14 | 2020-10-14 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112286758A true CN112286758A (zh) | 2021-01-29 |
Family
ID=74497088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011101839.6A Pending CN112286758A (zh) | 2020-10-14 | 2020-10-14 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112286758A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465572A (zh) * | 2021-02-03 | 2021-03-09 | 广州宜推网络科技有限公司 | 一种基于大数据的广告推送监测*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761426A (zh) * | 2016-04-14 | 2016-07-13 | 北京小米移动软件有限公司 | 安全报警方法及装置 |
CN107852420A (zh) * | 2016-06-16 | 2018-03-27 | 华为技术有限公司 | 可穿戴设备与移动终端之间通信的方法和装置 |
CN108986398A (zh) * | 2018-06-29 | 2018-12-11 | 拉卡拉支付股份有限公司 | 可穿戴设备报警方法、装置、电子设备及存储介质 |
CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技(深圳)有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
CN110169091A (zh) * | 2017-12-01 | 2019-08-23 | 华为技术有限公司 | 一种通信的方法、可穿戴设备、移动终端及*** |
CN111493849A (zh) * | 2020-04-28 | 2020-08-07 | Oppo(重庆)智能科技有限公司 | 健康监控方法及相关装置 |
CN111724569A (zh) * | 2019-03-20 | 2020-09-29 | 北京小米移动软件有限公司 | 报警方法、装置和存储介质 |
-
2020
- 2020-10-14 CN CN202011101839.6A patent/CN112286758A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761426A (zh) * | 2016-04-14 | 2016-07-13 | 北京小米移动软件有限公司 | 安全报警方法及装置 |
CN107852420A (zh) * | 2016-06-16 | 2018-03-27 | 华为技术有限公司 | 可穿戴设备与移动终端之间通信的方法和装置 |
CN110169091A (zh) * | 2017-12-01 | 2019-08-23 | 华为技术有限公司 | 一种通信的方法、可穿戴设备、移动终端及*** |
CN108986398A (zh) * | 2018-06-29 | 2018-12-11 | 拉卡拉支付股份有限公司 | 可穿戴设备报警方法、装置、电子设备及存储介质 |
CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技(深圳)有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
CN111724569A (zh) * | 2019-03-20 | 2020-09-29 | 北京小米移动软件有限公司 | 报警方法、装置和存储介质 |
CN111493849A (zh) * | 2020-04-28 | 2020-08-07 | Oppo(重庆)智能科技有限公司 | 健康监控方法及相关装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465572A (zh) * | 2021-02-03 | 2021-03-09 | 广州宜推网络科技有限公司 | 一种基于大数据的广告推送监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103650035B (zh) | 经由社交图谱、语音模型和用户情境识别接近移动装置用户的人 | |
Vaizman et al. | Context recognition in-the-wild: Unified model for multi-modal sensors and multi-label classification | |
Pielot et al. | When attention is not scarce-detecting boredom from mobile phone usage | |
CN106956271B (zh) | 预测情感状态的方法和机器人 | |
LiKamWa et al. | Moodscope: Building a mood sensor from smartphone usage patterns | |
CN107567628B (zh) | 用于使用针对增强型决策树桩的因果分析来识别和响应非良性行为的方法和*** | |
US10909462B2 (en) | Multi-dimensional sensor data based human behaviour determination system and method | |
US10791072B2 (en) | Generating conversations for behavior encouragement | |
JP5953673B2 (ja) | 行動識別装置、行動識別方法、及びプログラム | |
CN106155198B (zh) | 穿戴式电子设备、非暂态计算机可读存储介质和方法 | |
CN104145272A (zh) | 使用生理数据确定社会情绪 | |
US11127501B2 (en) | Systems and methods for health monitoring | |
KR20190047648A (ko) | 행동에 대한 피드백을 제공하는 웨어러블 디바이스 및 방법 | |
CN111475855B (zh) | 实现隐私保护的数据处理方法及装置 | |
CN106231996A (zh) | 用于提供对个体健康的指示的***和方法 | |
KR101706474B1 (ko) | 스마트폰 이용행태 수집 가공 시스템 | |
US20190008466A1 (en) | Life log utilization system, life log utilization method, and recording medium | |
Malik | Bias and beyond in digital trace data. | |
RU2712120C2 (ru) | Планирование взаимодействия с субъектом | |
CN112286758A (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
CN110309470A (zh) | 一种基于空气成像的虚拟新闻主播***及其实现方法 | |
CN105303039A (zh) | 一种基于加速度传感器的行为分析*** | |
CN108765011A (zh) | 建立用户画像和建立状态信息分析模型的方法和装置 | |
Kim et al. | Advances and challenges in sensor-based research in mobility, health, and place | |
Pingle | Evaluation of mental stress using predictive analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |