CN113555132A - 多源数据处理方法、电子设备和计算机可读存储介质 - Google Patents
多源数据处理方法、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113555132A CN113555132A CN202010330890.8A CN202010330890A CN113555132A CN 113555132 A CN113555132 A CN 113555132A CN 202010330890 A CN202010330890 A CN 202010330890A CN 113555132 A CN113555132 A CN 113555132A
- Authority
- CN
- China
- Prior art keywords
- data
- physiological data
- physiological
- data segment
- segment
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 88
- 238000011156 evaluation Methods 0.000 claims description 77
- 230000004927 fusion Effects 0.000 claims description 48
- 238000007405 data analysis Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000008280 blood Substances 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 230000036760 body temperature Effects 0.000 claims description 9
- 230000036387 respiratory rate Effects 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 45
- 238000004891 communication Methods 0.000 description 35
- 230000006854 communication Effects 0.000 description 35
- 230000006870 function Effects 0.000 description 28
- 238000012545 processing Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 14
- 238000010295 mobile communication Methods 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 10
- 230000001360 synchronised effect Effects 0.000 description 10
- 230000036541 health Effects 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 239000012634 fragment Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6804—Garments; Clothes
- A61B5/6805—Vests
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种多源数据处理方法、电子设备和计算机可读存储介质,方法包括:获取第一电子设备采集的第一生理数据和第二电子设备采集的第二生理数据;确定相似度满足预设条件的第一目标数据片段和第二目标数据片段,该第一目标数据片段是从第一生理数据中截取的预设时间长度的信号片段,该第二目标数据片段是从第二生理数据中截取的预设时间长度的信号片段;根据第一目标数据片段对应的时间戳信息和第二目标数据片段对应的时间戳信息,确定第一电子设备和第二电子设备之间的时间偏差;根据时间偏差,对第一生理数据和第二生理数据进行数据对齐操作。本申请实施例不用预先记录电子设备之间的时间偏差,也能将多源数据进行对齐。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种多源数据处理方法、电子设备和计算机可读存储介质。
背景技术
多源数据是指存在多个数据源的数据,即同一个数据对象存在多个数据源。例如,来源于多个不同网络设备的日志数据,来源于多个健康监测设备的同一个人的生理数据。
一般情况下,通过数据时间戳表征数据产生时间,而数据的时间戳是跟设备时间是保持一致的。但是,不同电子设备的时钟经常会出现偏差,即同一个时刻,不同电子设备上的时间会存在偏差。例如,同一个时刻,手机和电脑的时钟会存在几秒到几十秒的偏差。因此,在对多源数据进行数据融合之前,一般需要根据不同电子设备之间的时间偏差进行多源数据对齐,然后再进行数据融合。
目前,多源数据对齐需要先记录两个电子设备的时间差,再根据预先记录的时间差进行数据对齐。例如,主站和各个子站需要预先进行网络对时,记录子站和主站之间的时间差。对于没有预先记录时间差的数据无法进行对齐,另外,电子设备之间的时间差并不是恒定不变的,也会随之时间的变化而变化,故需要不断地更新预先记录的时间差。
发明内容
本申请提供一种多源数据处理方法、电子设备和计算机可读存储介质,以解决现有多源数据对齐方案中需要预先记录设备间的时间差才能进行数据对齐的问题。
第一方面,本申请实施例提供一种多源数据处理方法,该方法首先获取第一电子设备采集的第一生理数据和第二电子设备采集的第二生理数据,其中,上述第一生理数据和第二生理数据均包括用于表征数据产生时间的时间戳信息,而第一生理数据和第二生理数据是同一个生理参数在预设时间段内的数据;然后,确定相似度满足预设条件的第一目标数据片段和第二目标数据片段,该第一目标数据片段是从第一生理数据中截取的预设时间长度的信号片段,该第二目标数据片段是从第二生理数据中截取的预设时间长度的信号片段;接着,根据第一目标数据片段对应的时间戳信息和第二目标数据片段对应的时间戳信息,确定第一电子设备和第二电子设备之间的时间偏差;最后,根据时间偏差,对第一生理数据和第二生理数据进行数据对齐操作。
可以看出,本申请实施例提供的多源数据处理方法基于每个个体的生理学参数随时间变化的唯一性,通过从第一生理数据和第二生理数据中确定出相似度满足预设条件的第一目标数据片段和第二目标数据片段,根据这两个目标数据片段的时间戳信息得到两个电子设备之间的时间偏差,再根据时间偏差进行数据对齐,不用预先记录两个电子设备之间的时间偏差,也能将多源数据进行对齐,保证了对于时间依赖性很强的且没有预先记录设备时间偏差的数据也能正常使用。
作为示例而非限定,上述生理参数为心率,此时,第一生理数据可以是智能手环采集的心率数据,第二生理数据可以是多导睡眠监测设备(Polysomnography,PSG)采集的心率数据。一般情况下,每个时刻同一个人的心率数据是唯一的,在不考虑采集精度和设备间时间偏差等原因,智能手环和PSG采集到的心率数据和对应的时间戳是一样的。但是,不同电子设备之间由于采集精度和设备间时间偏差等原因,采集到的心率数据和对应的时间戳可能不完全相同。虽然每个智能手环和PSG设备的采集精度和设备时间是不相同,但是可以根据心率数据的相似度来找出同一个时刻(非智能手环和PSG设备的设备时间)的心率数据,即当相似度满足预设条件时的第一目标数据片段和第二目标数据片段是同一时刻对应的心率数据。然后再根据这两个第一目标数据片段和第二目标数据片段的时间戳,得到智能手环和PSG设备的时间偏差。
例如,第一目标数据片段对应的时间戳信息为10s~15s,第二目标数据片段对应的时间戳信息为12s~17s,此时,智能手环和PSG设备之间的时间偏差为2s。
在第一方面的一种可能的实现方式中,确定相似度满足预设条件的第一目标数据片段和第二目标数据片段可以包括但不限于以下两种方式。
第一种方式:
分别在第一生理数据中设置预设时间长度的第一时间滑动窗口和在第二生理数据中设置预设时间长度的第二时间滑动窗口;
计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标;
根据相似度评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件;
若相似度满足预设条件,将第一数据片段作为第一目标数据片段,第二数据片段作为第二目标数据片段;
若相似度不满足预设条件,滑动其中一个时间滑动窗口后,返回计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标,根据相似度评估指标确定第一数据片段和第二数据片段之间的相似度是否满足预设条件的步骤,直到遍历完第一生理数据和第二生理数据或者找到相似度满足预设条件的数据片段为止;
第二种方式:
从第一生理数据中截取预设时间长度的至少一个第一数据片段,从第二生理数据中截取预设时间长度的至少一个第二数据片段;
分别计算每个第一数据片段和每个第二数据片段之间的相似性评估指标;
根据相似性评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件;
将相似度满足预设条件对应的第一数据片段作为第一目标数据片段,对应的第二数据片段作为第二目标数据片段。
需要指出的是,在计算第一数据片段和第二数据片段之间的相似度评估指标时,可以先对第一数据片段和第二数据片段先进行数据预处理,例如,滤波和傅里叶变换等,再根据预处理之后的数据片段计算相似度评估指标;也可以先对第一数据片段和第二数据片段进行数据预处理,生成第一数据片段对应的第一曲线和第二数据片段对应的第二曲线,再计算第一曲线和第二曲线之间的相似度评估指标。第一曲线和第二曲线均为生理参数随着原设备的时间变化的曲线,例如,第一曲线是心率随着第一电子设备的时间变化的曲线。
该相似度评估指标是指用于评估设两个数据片段之间的相似性高低的指标,包括但不限于相关系数,欧氏距离、曼哈顿距离等距离度量指标中的一种或多种。
进一步地,若相似度评估指标包括相关系数和距离度量指标,距离度量指标用于表征样本间距离,例如,欧氏距离和曼哈顿距离等;
此时,根据相似性度量指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件的过程可以包括:
若第一数据片段和第二数据片段之间的相关系数大于第一预设阈值,且距离度量指标小于第二预设阈值,确定第一数据片段和第二数据片段之间的相似度满足预设条件;
若第一数据片段和第二数据片段之间的相关系数小于或等于第一预设阈值,和/或距离度量指标大于或等于第二预设阈值,确定第一数据片段和第二数据片段之间的相似度不满足预设条件。
在第一方面的一种可能的实现方式中,还可以通过能不能找到相似度满足预设条件的两个目标数据片段来确定第一生理数据和第二生理数据是否来源于同一个个体。即上述方法还可以包括:若存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据属于同一个个体;若不存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据不属于同一个个体。
举例来说,第一生理数据是智能手环采集的心率数据,第二生理数据是PSG设备采集的心率数据,若能找到相似度满足预设条件的两个目标数据片段,则认为智能手环和PSG设备采集的是同一个个人的心率数据。反之,认为智能手环和PSG设备采集的两个人的心率数据。
需要指出的是,在该实现方式中,在计算第一生理数据和第二生理数据之间的时间偏差之前,假设两个生理数据是来源于同一个个体。在不能找到相似度满足预设条件的两个目标数据片段时认为两个生理数据不是来源于同一个个体。
在另一些实施例中,可以先确定出两个生理数据是否来源于同一个个体,若两个生理数据来源于同一个个体,再计算两个设备之间的时间偏差。
也就是说,在第一方面的一种可能的实现方式中,在确定相似度满足预设条件的第一目标数据片段和第二目标数据片段之前,上述方法可以还包括:
计算第一生理数据和第二生理数据中重叠时间段对应的数据的相似度度量特征;
提取第一生理数据和第二生理数据的线性特征、非线性特征和离散型特征;
根据相似度度量特征、线性特征、非线性特征和离散型特征进行线性回归分析,得到第一生理数据和第二生理数据的差异性评估结果;
若差异性评估结果小于第三预设阈值,确定第一生理数据和第二生理数据属于同一个个体;
若差异性评估结果大于第三预设阈值,确定第一生理数据和第二生理数据不属于同一个个体。
在该实现方式中,不仅计算两个生理数据之间的相似度度量特征,还引入了数据的线性、非线性和离散型特征等。然后,再通过对这些特征进行线性回归分析,得到用于评估两个生理数据的差异性大小的评估结果,若差异性较大,则认为两个数据不属于同一个个体,反之,差异性较小,则认为两个数据属于同一个个体。该相似度度量特征可以包括但不限于欧氏距离等,该线性相关特征可以包括但不限于向量长度指标(vector lengthindex,VLI)和向量角度指标(vector angle index,VAI)等,该离散型特征包括但不限于数据的整体方差和均值等。
在第一方面的一种可能的实现方式中,若确定出第一生理数据和第二生理数据属于同一个个体,可以对两个生理数据进行数据融合,得到数据融合后的生理数据。也就是说,在根据时间偏差,对第一生理数据和第二生理数据进行数据对齐操作之后,方法还包括:对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据。
需要指出的是,若需要对多个生理数据进行数据对齐和数据融合操作,可以根据上述数据对齐方案,先进行两两数据对齐。再将所有生理数据进行数据对齐之后,再将多个生理数据进行数据融合,得到融合后的生理数据。
数据融合的过程可以是:通过数据质量比对,保留数据质量较高的数据片段;而对于一些缺少的数据段,可以使用其它生理数据的相应时间段的数据段进行多源补偿。具体地,在第一方面的一种可能的实现方式中,对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据可以包括:通过数据质量评价指标对第一生理数据和第二生理数据进行质量对比,获得相同时间段内质量较高的第三数据段;若第一生理数据和第二生理数据中的其中一个生理数据存在缺失的数据段,获得另外一个生理数据中相应时间段对应的第四数据段,按照时间顺序将第三数据段和第四数据段进行合并,得到融合后的生理数据。
上述数据质量评价指标可以包括但不限于数据的完整性、一致性、准确性和冗余性等。另外,也可以通过数据可用性和数据量等来评价数据质量。
在第一方面的一种可能的实现方式中,在得到融合后的生理数据之后,还可以生成对应的生理数据分析报告,进一步地,还可以将该生理数据分析报告显示给用户终端。也就是说,在得到融合后的生理数据之后,上述方法还可以包括:根据融合后的生理数据,生成对应的生理数据分析报告。
举例来说,第一生理数据是智能手环采集的心率数据,第二生理数据是PSG设备采集的心率数据,智能手环和PSG设备采集的心率数据均传输到用户手机。用户手机可以再将智能手环和PSG设备采集的心率数据进行数据对齐后,再进行数据融合,然后根据数据融合后的心率数据生成心率数据分析报告,并将该报告显示给用户。
在第一方面的一种可能的实现方式中,在进行数据对齐之后,数据融合之前,还可以根据数据对齐之后的生理数据进行二次相似度匹配,再根据相似度匹配结果来选择生成一份生理数据分析报告,还是多份生理数据分析报告。也就是说,在对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据之前,上述方法还可以包括:
对数据对齐后的第一生理数据和第二生理数据进行相似度计算,得到目标相似度;
若目标相似度大于第四预设阈值,进入对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据的步骤;
若目标相似度小于第四预设阈值,分别生成第一生理数据的生理数据分析报告和第二生理数据的生理分析报告。
在该实现方式中,对数据对齐之后的生理数据进行二次相似度匹配,可以进一步提高数据融合和所生成的数据分析报告的准确性。
在第一方面的一种可能的实现方式中,生理参数为心率、呼吸率、体温或血氧。
第二方面,本申请实施例提供一种多源数据处理装置,该装置可以包括:
生理数据获取模块,用于获取第一电子设备采集的第一生理数据和第二电子设备采集的第二生理数据,第一生理数据和第二生理数据均包括用于表征数据产生时间的时间戳信息,第一生理数据和第二生理数据是同一个生理参数在预设时间段内的数据;
目标数据片段确定模块,用于确定相似度满足预设条件的第一目标数据片段和第二目标数据片段,第一目标数据片段是从第一生理数据中截取的预设时间长度的信号片段,第二目标数据片段是从第二生理数据中截取的预设时间长度的信号片段;
设备间时间偏差确定模块,用于根据第一目标数据片段对应的时间戳信息和第二目标数据片段对应的时间戳信息,确定第一电子设备和第二电子设备之间的时间偏差;
数据对齐模块,用于根据时间偏差,对第一生理数据和第二生理数据进行数据对齐操作。
在第二方面的一种可能的实现方式中,目标数据片段确定模块具体用于:
分别在第一生理数据中设置预设时间长度的第一时间滑动窗口和在第二生理数据中设置预设时间长度的第二时间滑动窗口;
计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标;
根据相似度评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件;
若相似度满足预设条件,将第一数据片段作为第一目标数据片段,第二数据片段作为第二目标数据片段;
若相似度不满足预设条件,滑动其中一个时间滑动窗口后,返回计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标,根据相似度评估指标确定第一数据片段和第二数据片段之间的相似度是否满足预设条件的步骤,直到遍历完第一生理数据和第二生理数据或者找到相似度满足预设条件的数据片段为止;
或者,
从第一生理数据中截取预设时间长度的至少一个第一数据片段,从第二生理数据中截取预设时间长度的至少一个第二数据片段;
分别计算每个第一数据片段和每个第二数据片段之间的相似性评估指标;
根据相似性评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件;
将相似度满足预设条件对应的第一数据片段作为第一目标数据片段,对应的第二数据片段作为第二目标数据片段。
在第二方面的一种可能的实现方式中,若相似度评估指标包括相关系数和距离度量指标,距离度量指标用于表征样本间距离;
目标数据片段确定模块具体用于:
若第一数据片段和第二数据片段之间的相关系数大于第一预设阈值,且距离度量指标小于第二预设阈值,确定第一数据片段和第二数据片段之间的相似度满足预设条件;
若第一数据片段和第二数据片段之间的相关系数小于或等于第一预设阈值,和/或距离度量指标大于或等于第二预设阈值,确定第一数据片段和第二数据片段之间的相似度不满足预设条件。
在第二方面的一种可能的实现方式中,该装置还可以包括:
第一判断模块,用于若存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据属于同一个个体;若不存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据不属于同一个个体。
在第二方面的一种可能的实现方式中,该装置还可以包括:
第二判断模块,用于计算第一生理数据和第二生理数据中重叠时间段对应的数据的相似度度量特征;提取第一生理数据和第二生理数据的线性特征、非线性特征和离散型特征;根据相似度度量特征、线性特征、非线性特征和离散型特征进行线性回归分析,得到第一生理数据和第二生理数据的差异性评估结果;若差异性评估结果小于第三预设阈值,确定第一生理数据和第二生理数据属于同一个个体;若差异性评估结果大于第三预设阈值,确定第一生理数据和第二生理数据不属于同一个个体。
在第二方面的一种可能的实现方式中,若确定出第一生理数据和第二生理数据属于同一个个体,该装置还可以包括:
数据融合模块,用于对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据。
在第二方面的一种可能的实现方式中,数据融合模块具体用于:
通过数据质量评价指标对第一生理数据和第二生理数据进行质量对比,获得相同时间段内质量较高的第三数据段;
若第一生理数据和第二生理数据中的其中一个生理数据存在缺失的数据段,获得另外一个生理数据中相应时间段对应的第四数据段,
按照时间顺序将第三数据段和第四数据段进行合并,得到融合后的生理数据。
在第二方面的一种可能的实现方式中,该装置还可以包括:
报告生成模块,用于根据融合后的生理数据,生成对应的生理数据分析报告。
在第二方面的一种可能的实现方式中,该装置还可以包括:
二次相似度匹配模块,用于对数据对齐后的第一生理数据和第二生理数据进行相似度计算,得到目标相似度;若目标相似度大于第四预设阈值,进入对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据的步骤;若目标相似度小于第四预设阈值,分别生成第一生理数据的生理数据分析报告和第二生理数据的生理分析报告。
在第二方面的一种可能的实现方式中,生理参数可以为但不限于心率、呼吸率、体温或血氧等。
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。
第五方面,本申请实施例提供一种芯片***,所述芯片***包括处理器,所述处理器与存储器耦合,所述处理器执行存储器中存储的计算机程序,以实现如上述第一方面任一项所述的方法。所述芯片***可以为单个芯片,或者多个芯片组成的芯片模组。
第六方面,本申请实施例提供一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项所述的方法。
可以理解的是,上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
图1为本申请实施例提供的一种可能的场景示意图;
图2为本申请实施例提供的另一种可能的场景示意图;
图3为本申请实施例提供的一种多源数据处理方法的一种流程示意框图;
图4为本申请实施例提供的相似度匹配过程的流程示意框图;
图5为本申请实施例提供的多源数据处理方法的又一种流程示意框图;
图6(a)为本申请实施例提供的S1(t)的示意图;
图6(b)为本申请实施例提供的S2(t)的示意图;
图7为本申请实施例提供的信号未对齐时的示意图;
图8为本申请实施例提供的信号对齐时的示意图;
图9为本申请实施例提供的多源数据处理方法的一种示意图
图10为本申请实施例提供的多源数据处理装置的结构框图;
图11为本申请实施例提供的电子设备的硬件结构示意框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。
下面首先对本申请实施例可能涉及的***架构和可能涉及的场景进行示例性说明。
参见图1示出的一种可能的场景示意图,如图1所示,电子设备11和多个具备生理数据采集功能的电子设备12通信连接。电子设备11可以是但不限于手机、平板或者电脑等。而电子设备12是指具备生理数据采集功能的电子设备,该电子设备12的数量可以是任意的。生理数据可以包括但不限于人体的心率、体温、呼吸率和血氧中的一种或多种,即电子设备12可以采集心率、体温、呼吸率和血氧中的一种或多种数据。电子设备12可以是可穿戴式设备,例如,智能手环;也可以是非可穿戴式设备,例如,PSG设备。作为示例而非限定,电子设备12可以包括但不限于智能手环、PSG设备、智能手表和可穿戴衣物中的一种或多种,可穿戴衣物可以例如为设置有心率采集传感器和血氧采集传感器的背心。
作为示例而非限定,图1中示出的电子设备11为手机,电子设备12包括智能手环和PSG设备。此时,智能手环和PSG设备具备心率采集、体温采集、呼吸率采集和血氧采集等功能,智能手环和PSG设备还可以对用户的睡眠质量进行监测等。智能手环和PSG设备采集的生理数据可以通过短距离无线通信方式传输至手机,手机接收到智能手环和PSG设备传输的生理数据,对生理数据进行相应处理。该短距离无线通信方式可以是但不限于蓝牙、低功耗蓝牙、红外和Wi-Fi点对点等。当然,在其它一些情况下,PSG设备也可以通过无线路由器将所采集的生理数据传输至手机,比如,在智能家居场景下,PSG设备和手机均与家中的无线路由器连接,PSG设备可以将采集的生理数据通过无线路由器转发给手机。也就是说,在不同应用场景下,电子设备11和电子设备12之间的通信方式可能会有所不同。
智能手环和PSG设备均有各自对应的设备时间,且一般情况下智能手环和PSG设备各自的设备时间并不是完全同步的。比如,同一个时刻,智能手环上的设备时间为2020年1月1号12时00分30秒,而PSG设备上的设备时间为2020年1月1号12时00分35秒。也就是说,不同电子设备上的时间是不同步的。另外,随着时间的推移,不同电子设备之间的时间偏差也不是固定不变的。比如,当前时刻,智能手环和PSG设备之间的时间偏差是5s;由于智能手环和PSG设备上的时钟精度不一样,随着时间地不断推移,智能手环和PSG设备的时间累积偏差也不一样,在3个月后,智能手环和PSG设备之间的时间偏差变为7s。
智能手环和PSG设备在采集生理数据时,会根据自身的设备时间为生理数据设置一个时间戳,该时间戳用于表征该生理数据的产生时间。时间戳一般是一串字符序列,用于唯一地标识某一个时刻的时间。例如,2020年1月1日14时54分28秒所对应的时间戳为1577861668。即如果智能手环在自身设备时间为2020年1月1日14时54分28秒所产生的生理数据,为该生理数据打上的时间戳为1577861668。
由于智能手环和PSG设备的设备时间是不同步的,对于同一时刻的生理数据的时间戳是不一致的。因此,手机在接收到智能手环和PSG设备采集的生理数据时,需要先确定出智能手环和PSG设备之间的时间偏差。然后手机再根据设备之间的时间偏差,将两个设备所采集的生理数据的时间戳调整至同步,以将两个设备之间的生理数据进行数据对齐,最后可以根据数据对齐之后的生理数据进行数据融合等操作。
基于个体生理数据随时间变化的唯一性,可以根据生理数据的相似度高低,从两个设备的生理数据中找出同一个时刻(该时刻不是设备时间)的数据片段,然后再根据该时刻的生理数据对应的时间戳,确定两个设备之间的时间偏差。
举例来说,生理数据为心率数据,对于同一个个体来说,同一个时刻(该时刻不是设备时间)的心率数据是一样的。换句话说,如果不考虑设备之间的时间偏差和采集精度差异等因素,即假设智能手环和PSG设备的时间同步,且采集精度也是一样的,智能手环和PSG设备采集的心率数据是一样的,即此时心率数据随着原始设备(例如智能手环和PSG设备)的设备时间变化的曲线是一样的。但是,实际应用中,设备之间的时间会存在偏差,不是同步的,且采集精度也会有高低之分,所以会导致智能手环和PSG设备采集到的心率数据是不一样的,即心率数据随着原始设备的设备时间变化的曲线是不一样的。
电子设备之间的时间不同步可能会导致同一时刻的心率数据所对应的时间戳不相同,例如,实际时刻为12时12分30秒,此时,智能手环上的设备时间为12时12分35秒,故在该实际时刻下的智能手环采集的心率数据对应的时间戳信息为12时12分35秒。而PSG设备上的设备时间为12时12分33秒,故在该实际时刻下的PSG设备采集的心率数据对应的时间戳信息为12时12分33秒。实际上,智能手环上12时12分35秒对应的心率数据和PSG设备上12时12分33秒对应的心率数据是同一个时刻的心率数据,但由于两个设备之间的时间偏差,导致同一个时刻的心率数据对应的时间戳是不一样的,或者说,两个设备的时间戳相同时,心率数据不是同一时刻的数据。
而电子设备之间的采集精度高低可能会导致即使是同一个实际时刻的心率数据,智能手环和PSG设备所采集的心率数据也不是完全相同的。虽然由于采集精度的影响,智能手环和PSG设备所采集的同一个时刻的心率数据也不是完全相同的,但是,两个设备所采集的同一个时刻的心率数据的相似度是满足一定的条件的。
基于此,可以先根据两个设备所采集的心率数据的相似度高低,找到同一个实际时刻范围的心率数据片段,然后再基于上文提及的设备间的时间偏差,即根据两个数据片段的时间戳来确定出两个设备之间的时间偏差。比如,根据相似度高低,找到的两个心率数据分别为:智能手环上12时12分33秒~12时12分38秒的心率数据,以及PSG设备上12时12分35秒~12时12分40秒的心率数据。然后,可以根据这两个心率数据片段中的任意一个数据,来得到智能手环和PSG设备之间的时间偏差。具体地,智能手环上12时12分38秒的心率数据和PSG设备上12时12分40秒的心率数据是同一个实际时刻的心率数据,故可以得到智能手环和PSG设备之间的时间偏差为2s。
需要说明的是,如果需要确定出多个电子设备12之间的时间偏差时,可以依次按照上文提及的方式进行两两计算,直到确定出多个电子设备之间的时间偏差。比如,电子设备12包括智能手环、PSG设备和智能手表时,先确定智能手环和PSG设备之间的时间偏差,再确定智能手环或者PSG设备与智能手表之间的时间偏差,从而得到智能手环、PSG设备和智能手表三者之间的时间偏差。
另外,还需要指出的是,上文所列举的时间数值和时间戳信息等仅仅是为了描述方便和计算方便,并不是对具体的时间数值和时间戳等进行限定。
手机依据上述原理和过程确定出智能手环和PSG设备之间的时间偏差之后,可以再根据该时间偏差将两个设备采集的生理数据进行数据对齐,以将两个生理数据的时间戳调整至同步。
此外,手机从两个设备的生理数据中找相似度满足预设条件的数据片段时,可以根据是否能找到相似度满足预设条件的两个数据片段,来确定这两个设备采集的生理数据是否来源于同一个个体。具体地,当找不到相似度满足预设条件的数据片段时,则认为智能手环采集的生理数据和PSG设备采集的生理数据不是同一个人的。反之,当能找到相似度满足预设条件的数据片段,则认为智能手环采集的生理数据和PSG设备采集的生理数据是同一个人的。
手机将智能手环和PSG设备采集的生理数据进行数据对齐之后,如果智能手环和PSG设备采集的生理数据是同一个人的,则将智能手环采集的生理数据和PSG设备采集的生理数据进行数据融合,得到融合后的生理数据,再根据融合后的生理数据生成对应的数据分析报告,并将该数据分析报告显示给用户。而如果智能手环和PSG设备采集的生理数据不是同一个人的,则可以分别生成两份数据分析报告。
需要指出的是,在上述根据能否找到满足预设条件的数据片段来确定两个设备所采集的生理数据是否属于同一个体的方案中,需要预先假设两个设备采集的生理数据是属于同一个个体的。而在另一些实施例中,也可以先确定出两个设备采集的生理数据是否属于同一个个体,在确定属于同一个个体之后,再从两个设备的生理数据中满足相似度满足预设条件的两个数据片段。此时,可以根据两个设备采集的生理数据的相似度度量特征、线性特征、非线性特征和离散型特征等,进行线性回归分析,得到差异化评估结果。如果两个生理数据之间的差异化小于预设阈值,则认为两个设备采集的生理数据来源于同一个个体,反之,如果差异化大于预设阈值,则认为两个设备采集的生理数据不是来源于同一个个体。
手机将智能手环和PSG设备采集的生理数据进行数据对齐和数据融合等操作之后,可以再生成生理数据分析报告,将该报告显示给用户。例如,智能手环和PSG设备采集的是心率数据,手机最终可以显示该心率数据随时间变化的曲线,以及该心率数据对应的分析报告。
至此,基于图1,以手机、智能手环和PSG设备作为示例,介绍了手机、智能手环和PSG设备之间的生理数据处理过程。
而在具体应用中,电子设备11还可以为电脑或者平板等,而电子设备12还可以包括可穿戴衣物和智能手表等。如果需要确定三个以上的电子设备采集的生理数据的时间偏差时,可以根据上文提及的过程进行两两计算,得到三个以上的电子设备之间的时间偏差。此外,不同电子设备采集的生理数据是同一个生理参数的数据,该生理参数可以是心率、体温、呼吸率或者血氧。例如,智能手环和PSG设备所采集的生理数据均为心率数据。
在上述图1对应的场景中,智能手环和PSG等设备采集的生理数据通过短距离无线通信技术传输至用户终端,或者通过无线路由器传输至用户终端。在另一些场景下,智能手环和PSG等设备采集的生理数据可以上传至云端服务器,由云端服务器对生理数据进行数据对齐和数据融合等操作,下面将通过图2示出的另一种可能的场景示意图进行示例性介绍。
如图2所示,云端服务器21可以通过互联网等方式与电子设备22通信连接,而电子设备22可以通过短距离无线通信方式与电子设备23通信连接。例如,电子设备22可以为手机,电子设备23可以包括但不限于可穿戴设备和非可穿戴设备,这些设备均具备健康或者生理参数检测功能。作为示例而非限定,电子设备23包括智能手环和PSG设备。此时,智能手环和PSG等设备可以先将所采集的生理数据传输至手机,再由手机将这些生理数据传输至云端服务器。
在其它一些情况下,云端服务器21也可以直接与电子设备23通信连接。例如,在智能家居场景下,智能手环和PSG设备均可以与无线路由器连接,智能手环和PSG设备所采集的生理数据可以通过无线路由器上传至云端服务器。
需要指出的是,随着全场景的应用,每个用户可能会有多种形态的终端设备,多源数据和多源数据融合的场景也会越来越多。在一些场景下,如果不对多源数据进行数据对齐,而是直接对来源于多个设备的数据进行数据融合,多源数据的有益效果可能会相互抵消,导致后续特征提取、模型建立和模型预测等都会与实际情况存在严重偏差。
在移动健康领域,健康监测设备越来越智能化,智能穿戴设备越来越普及,用户可以使用穿戴式设备和家用健康监测设备采集人体生理参数。此时,用户可能需要查看多个个体的生理参数,例如,某个用户需要关注多个家人的身体健康情况,这种情况下,每个家人的生理数据可能都需要传输至该用户的手机,或者传输至云端服务器,由云端服务器对多个家人的生理数据进行处理后再推送至用户手机。又或者,同一个用户可能使用多个不同的穿戴式设备监测自身的人体生理参数。这些情况下,均需要识别生理数据是否来源于同一个个体,对多源数据进行数据对齐、数据融合等操作。
需要说明的是,上述图1和图2仅仅是一些可能涉及的***架构和可能涉及的场景,具体应用中,本申请实施例的多源数据处理方案还可以应用于其它***架构和场景。
在介绍完本申请实施例可能涉及的***架构和可能涉及的场景之后,下面将对本申请实施例提供的方案进行详细阐述。
参见图3示出的一种多源数据处理方法的一种流程示意框图,该方法可以包括以下步骤:
步骤S301、获取第一电子设备采集的第一生理数据和第二电子设备采集的第二生理数据,其中,上述第一生理数据和第二生理数据均包括用于表征数据产生时间的时间戳信息,而第一生理数据和第二生理数据是同一个生理参数在预设时间段内的数据。
具体地,第三电子设备获取第一电子设备采集的第一生理数据和第二电子设备采集的第二生理数据。该第三电子设备可以是用户终端,例如,该第三电子设备为手机,第一电子设备为智能手环,第二电子设备为PSG设备;也可以是云端服务器,或者是其他终端设备。
第一生理数据和第二生理数据均携带有时间戳信息,该时间戳信息可以表征生理数据的产生时间,一般情况下,每一个数据均对应一个时间戳信息。该时间戳信息与原始设备的时间保持一致,即第一生理数据中的每个数据的时间戳信息与第一电子设备的设备时间保持一致,第二生理数据中的每个数据的时间戳信息与第二电子设备的设备时间保持一致。
本申请实施例中,该时间戳信息可以具体表现为时间戳,即每个数据均携带有时间戳;也可以具体表现为可以表征时间戳的信息,即每个数据所携带不是时间戳,而是可以用于推测出数据产生时间的信息,即可以用于推测出时间戳的信息。在此不对时间戳信息的具体表现形式进行限定。
第一生理数据和第二生理数据是同一个生理参数在一定时间段内的数据,该生理参数可以是心率、血氧、体温或者呼吸率等。例如,第一生理数据和第二生理数据均为心率数据,且第一生理数据和第二生理数据是9时30分~10时00分这个时间段内的心率数据。
另外,生理数据的采集方法可以是任意的,具体来说,电子设备采集生理数据的方法包括但不限于光学、电学、磁场和成像等。
步骤S302、确定相似度满足预设条件的第一目标数据片段和第二目标数据片段,该第一目标数据片段是从第一生理数据中截取的预设时间长度的信号片段,该第二目标数据片段是从第二生理数据中截取的预设时间长度的信号片段。
需要说明的是,第一目标数据片段和第二目标数据片段均是预设时间长度的数据片段,该预设时间长度可以根据实际需要进行设定。一般情况下,该预设时间长度的数值决定了用于进行相似度匹配的数据片段的长度,为了使得用于进行匹配度评估的指标有一定的区分度,用于相似度匹配的数据片段的长度需要适中,故预设时间长度的数值需要适中。也就是说,所截取或选取的数据片段不宜过长,也不宜过短。例如,当第一生理数据和第二生理数据均为心率数据,正常人的心率一般在60~120Hz。若以瞬时心率(beat-to-beat的心率)的生理数据进行相似度匹配,此时,预设时间长度以120~200s为佳,具体长度还可以结合心率预测准确度和心率变化程度来确定。
根据生理数据的相似度,从第一生理数据中找出第一目标数据片段,从第二生理数据中找出第二目标数据片段。第一目标数据片段和第二目标数据片段的相似度满足预设条件,该预设条件根据用于相似度评估指标的不同,也可能会有相应地不同。作为示例而非限定,若相似度评估指标包括相关系数和欧氏距离,此时,该预设条件为相关系数大于阈值且欧氏距离小于阈值。
具体应用中,相似度匹配的过程可以具备表现为多种形式,即确定相似度满足预设条件的第一目标数据片段和第二目标数据片段的过程可以表现为多种形式。下面将示例性地介绍两种方式。
第一种方式:
参见图4示出的相似度匹配过程的流程示意框图,该相似度匹配的过程可以包括以下步骤:
步骤S401、分别在第一生理数据中设置预设时间长度的第一时间滑动窗口和在第二生理数据中设置预设时间长度的第二时间滑动窗口。
步骤S402、计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标。
需要说明的是,该相似度评估指标可以包括但不限于相关系数、欧氏距离、曼哈顿聚类和切比雪夫距离中的一种或多种,即可以通过一种或多种相似度评估指标来进行相似度匹配,来评估两个数据片段的匹配度。例如,相似度评估指标包括相关系数和欧氏距离时,计算两个滑动窗口内的数据片段之间的相关系数和欧氏距离。相关系数和欧氏距离的计算过程在此不再赘述。
在计算数据片段的相似度评估指标时,可以直接基于数据来计算;也可以先将数据转换成曲线后,再计算曲线之间的相似度评估指标。具体地,可以先对第一数据片段和第二数据片段进行滤波和傅里叶变换,得到第一数据片段对应的第一曲线和第二数据片段对应的第二曲线,第一曲线和第二曲线均是生理参数随着原始设备时间变换的曲线。最后,计算第一曲线和第二曲线的相似度评估指标,以得到第一数据片段和第二数据片段的相似度评估指标。
步骤S403、根据相似度评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件。若相似度满足预设条件,进入步骤S404;反之,若相似度不满足预设条件,则进入步骤S405。
作为示例而非限定,若相似度评估指标包括相关系数和距离度量指标,距离度量指标用于表征样本间距离,例如,欧氏距离和曼哈顿距离等;
此时,根据相似性评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件的过程可以包括:若第一数据片段和第二数据片段之间的相关系数大于第一预设阈值,且距离度量指标小于第二预设阈值,可以确定第一数据片段和第二数据片段之间的相似度满足预设条件;若第一数据片段和第二数据片段之间的相关系数小于或等于第一预设阈值,或距离度量指标大于或等于第二预设阈值,亦或者,相关系数小于或等于第一预设阈值且距离度量指标大于或等于第二预设阈值,可以确定第一数据片段和第二数据片段之间的相似度不满足预设条件。
当然,在其它一些实施例中,除了可以根据距离度量指标来评估数据片段之间的相似度之外,还可以通过幅值的大小来评估。此时,若两个数据片段的相关系数大于一定阈值,且两个数据片段之间的幅值差小于一定阈值时,也可以认为两个数据片段的相似度满足预设条件。
步骤S404、将第一数据片段作为第一目标数据片段,第二数据片段作为第二目标数据片段。
步骤S405、若没有遍历完第一生理数据和第二生理数据,滑动其中一个时间滑动窗口后,返回上述步骤S402和S403,直到遍历完第一生理数据和第二生理数据或者找到相似度满足预设条件的数据片段为止。
一般情况下,第一时间滑动窗口和第二时间滑动窗口一开始是同一时间段的窗口,即先判断同一时间段的两个数据片段的相似度是否满足预设条件。如果不满足,则先固定一个滑动窗口不变,以一定的滑动步长来滑动另一个滑动窗口,并在滑动的过程中计算两个滑动窗口对应的两个数据片段的相似度,根据该相似度来寻找第一目标数据片段和第二目标数据片段。通过固定一个滑动窗口不变,滑动另一个滑动窗口,以遍历其中一个生理数据。如果遍历完其中一个生理数据仍然没有找相似度满足预设条件的第一目标数据片段和第二目标数据片段,则改变之前固定的滑动窗口,具体可以以一定滑动步长来滑动之前固定的滑动窗口,滑动一次之后,再不断滑动另一个滑动窗口,依此不断重复,直到两个生理数据均遍历完成或者找到相似度满足预设条件的第一目标数据片段和第二目标数据片段。
如果遍历完两个生理数据之后,仍然没有找到满足预设条件的第一目标数据片段和第二目标数据片段,则认为两个生理数据中不存在第一目标数据片段和第二目标数据片段,此时,可以判定这两个生理数据不是同属于一个个体。
特殊情况下,第一时间滑动窗口和第二时间滑动窗口一开始也可以不是同一个时间段的窗口。
例如,预设时间长度为5s,即第一时间滑动窗口和第二时间滑动窗口对应的数据片段的时间长度为5s。获取到第一生理数据和第二生理数据是0~100s的数据。第一时间滑动窗口对应的数据片段为第一生理数据中10s~15s的数据,第二时间滑动窗口对应的数据片段为第二生理数据中10s~15s的数据,即一开始两个时间滑动窗口对应同一个时间段的数据片段。先计算10s~15s两个时间滑动窗口对应的数据片段的相似度评估指标,判断着两个数据片段的相似度是否满足预设条件。如果不满足,则需要固定其中一个滑动窗口,滑动另一个滑动窗口,此时,可以固定第一生理数据对应的滑动窗口,滑动第二生理数据的滑动窗口。也就是说,第一生理数据中用于进行相似度匹配的数据片段仍然是10s~15s对应的数据片段,而第二时间滑动窗口对应的数据片段会不断地改变。
以滑动步长为2s为例,固定第一时间滑动窗口,将第二时间滑动窗口往前滑动一步,滑动之后的第二时间滑动窗口对应的数据片段为12s~17s的数据。然后,确定第一生理数据中10s~15s的数据和第二生理数据中12s~17s的数据的相似度是否满足预设条件。如果不满足,则继续滑动第二时间滑动窗口。再将第二时间滑动窗口往前滑动一步,滑动之后的第二时间滑动窗口对应的数据为14s~19s的数据。接着,确定第一生理数据中10s~15s的数据和第二生理数据中14s~19s的数据的相似度是否满足预设条件。如果还不满足,继续滑动第二时间滑动窗口,重复上述过程。
如果遍历完第二生理数据之后,仍然没有找到相似度满足预设条件的第一目标数据片段和第二目标数据片段。此时,可以改变第一时间滑动窗口后,再依次滑动第二时间滑动窗口。以第一时间滑动窗口的滑动步长为1s为例,将第一时间滑动窗口滑动一步后,第一时间滑动窗口对应的数据片段为第一生理数据中11s~16s的数据。然后,确定滑动之后的第一时间滑动窗口对应的数据片段和第二时间滑动窗口对应的数据片段的相似度度是否满足预设条件。如果不满足,则固定第一时间滑动窗口不变,不断地滑动第二时间滑动窗口,重复上述过程。
依此类推,不断地改变第一时间滑动窗口,直到遍历完第一生理数据。第一生理数据和第二生理数据均遍历完成后,如果还找不到相似度满足预设条件的两个数据片段,则可以认为这两个生理数据不属于同一个个体。在此过程中,如果能找到相似度满足预设条件的两个数据片段,则将这两个数据作为第一目标数据片段和第二目标数据片段。
需要说明的是,上文提及的预设时间长度、滑动步长和生理数据的时间长度等均是为了举例方便。实际应用中,这些数值并不受上文提及的数值影响。
此外,上文提及的相似度匹配过程中,除了可以基于生理数据来进行匹配,也可以基于生理数据对应的曲线来进行匹配,即先将生理数据转换成对应的曲线,再基于曲线进行相似度匹配,找到相似度满足预设条件的第一目标数据片段和第二目标数据片段。
还需要指出的是,时间滑动窗口的滑动步长可以是固定的,也可以是不固定的。当每个时间滑动窗口对应的滑动步长固定,如果基于当前滑动步长没有找到满足相似度满足预设条件的两个数据片段,可以改变当前滑动步长,再进行一次相似度匹配过程。例如,当前滑动步长为2s,改变后的滑动步长为1s。滑动步长的具体数值可以根据实际应用需要进行设定。
在上述第一种方式中,基于两个预设时间长度的时间滑动窗口来进行相似度匹配,在其它实现方式中,也可以不用基于时间滑动窗口来寻找相似度满足预设条件的两个数据片段。下面将对第二种方式进行介绍。
第二种方式:
在实现方式中,确定相似度满足预设条件的第一目标数据片段和第二目标数据片段的过程可以包括以下步骤:
第一步、从第一生理数据中截取预设时间长度的至少一个第一数据片段,从第二生理数据中截取预设时间长度的至少一个第二数据片段。
第二步、分别计算每个第一数据片段和每个第二数据片段之间的相似性评估指标。
第三步、根据相似性评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件。
第四步、将相似度满足预设条件对应的第一数据片段作为第一目标数据片段,对应的第二数据片段作为第二目标数据片段。
具体地,分别从第一生理数据中截取预设时间长度的多个第一数据片段,从第二生理数据中截取预设时间长度的多个第一数据片段。然后再计算第一数据片段和第二数据片段之间的相似度评估指标,根据相似度评估指标找到相似度满足预设条件的两个数据片段。
例如,预设时间长度为10s,第一生理数据和第二生理数据是0s~100s的数据。从第一生理数据中截取多个第一数据片段,该第一数据片段示例性包括:1s~11s的数据片段、2s~12s的数据片段、3s~13s的数据片段、5s~15s的数据片段、20s~30s的数据片段、85s~95s的数据片段等。从第二生理数据中截取多个第二数据片段,该第二数据片段示例性包括:1s~11s的数据片段、2s~12s的数据片段、3s~13s的数据片段、4s~14s的数据片段、20s~30s的数据片段、80s~90s的数据片段等。然后,分别计算每一个第一数据片段和每一个第二数据片段的相似度评估指标。再根据相似度评估指标找出第一目标数据片段和第二目标数据片段。
需要指出的是,在计算第一数据片段和第二数据片段之间的相似度评估指标时,可以先对第一数据片段和第二数据片段先进行数据预处理,例如,滤波和傅里叶变换等,再根据预处理之后的数据片段计算相似度评估指标;也可以先对第一数据片段和第二数据片段进行数据预处理,生成第一数据片段对应的第一曲线和第二数据片段对应的第二曲线,再计算第一曲线和第二曲线之间的相似度评估指标。第一曲线和第二曲线均是生理参数随着原设备的时间变化的曲线,例如,第一曲线是心率随着第一电子设备的时间变化的曲线。
该相似度评估指标是指用于评估设两个数据片段之间的相似性高低的指标,包括但不限于相关系数,欧氏距离、曼哈顿距离等距离度量指标中的一种或多种。
在其他一些实施例中,确定相似度满足预设条件的第一目标数据片段和第二目标数据片段的过程还可以具体表现为其它形式,在此不作限定。
在确定出相似度满足预设条件的第一目标数据片段和第二目标数据片段之后,可以根据这两个数据片段的时间戳信息来得到两个设备之间的时间偏差。
步骤S303、根据第一目标数据片段对应的时间戳信息和第二目标数据片段对应的时间戳信息,确定第一电子设备和第二电子设备之间的时间偏差。
可以理解的是,每个数据均存在对应的时间戳信息,第一目标数据片段和第二目标数据片段内均包括多个数据。基于此,可以将第一目标数据片段和第二目标数据片段对齐之后,再根据某一个时间点的数据来计算两个设备的时间片段。
例如,第一目标数据片段是第一生理数据中10s~20s的时间段对应的数据,第二目标数据片段是第二生理数据中14s~24s的时间段对应的数据。以第一目标数据片段中10s对应的数据和第二生理数据中14s对应的数据为例,此时认为这两个数据是同一个时刻的生理数据,而一个的时间是10s,另一个的时间是14s,是因为两个设备的时间存在偏差,且偏差为4s。这样,可以得到第一电子设备和第二电子设备的时间偏差为4s。
步骤S304、根据时间偏差,对第一生理数据和第二生理数据进行数据对齐操作。
具体地,在确定出第一电子设备和第二电子设备之间的时间偏差之后,可以基于该时间偏差,将两个设备的生理数据的时间戳调整至同步,以使两个生理数据对齐。
由上可见,基于每个个体的生理学参数随时间变化的唯一性,通过从第一生理数据和第二生理数据中确定出相似度满足预设条件的第一目标数据片段和第二目标数据片段,根据这两个目标数据片段的时间戳信息得到两个电子设备之间的时间偏差,再根据时间偏差进行数据对齐,不用预先记录两个电子设备之间的时间偏差,也能将多源数据进行对齐,保证了对于时间依赖性很强且没有预先记录设备时间偏差的数据也能正常使用,从而提高了数据的利用率,降低了数据采集成本和时间,减少了产品开发的周期和成本。
比如,在现有技术中,如果没有预先记录设备时间偏差,电子设备采集的多源数据无法进行数据对齐,进而使得这些数据变成不可用的数据。而通过本申请实施例的方案,即使没有预先记录设备时间偏差,也可以根据数据的相似度高低来确定时间偏差,从而进行数据对齐,进而使得这些数据仍然是可用的数据。这样,提高了数据利用率,降低了数据采集成本和时间。
需要指出的是,如果需要进行多个设备的数据对齐操作,可以依次进行上文提及的两个设备之间的多源数据处理过程,以实现多个设备的数据对齐。
另外,还需要指出的是,不同设备采集的生理数据可以是同源的,例如,都是心电图(ECG);也可以不是同源的,例如,一个设备是光电容积图(PPG),另一个设备是心电图(ECG)。且采集的可以是同一部位,也可以是不同部位。
在上述根据相似度寻找满足预设条件的第一目标数据片段和第二目标数据片段的过程中,如果能找到相似度满足预设条件的第一目标数据片段和第二目标数据片段,除了可以根据第一目标数据片段和第二目标数据片段确定两个设备的时间偏差之外,还可以判定这两个生理数据是来源于同一个个体。而如果遍历完两个生理数据仍然找不到相似度满足预设条件的第一目标数据片段和第二目标数据片段,则可以判定这两个生理数据不是来源于同一个个体。
也就是说,在一些实施例中,上述方法还可以包括:若存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据属于同一个个体;若不存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据不属于同一个个体。
举例来说,第一生理数据是智能手环采集的心率数据,第二生理数据是PSG设备采集的心率数据,若能找到相似度满足预设条件的两个目标数据片段,则认为智能手环和PSG设备采集的是同一个个人的心率数据。反之,认为智能手环和PSG设备采集的两个人的心率数据。
除了可以根据上文提及的方式来确定两个生理数据是否是来源于同一个个体之外,还可以通过其它方式来确定两个生理数据是否来源于同一个个体。
在另一些实施例中,也可以先确定出两个生理数据是否来源于同一个个体,若两个生理数据来源于同一个个体,再计算两个设备之间的时间偏差。也就是说,在确定相似度满足预设条件的第一目标数据片段和第二目标数据片段之前,上述方法可以还包括以下步骤:
第一步、计算第一生理数据和第二生理数据中重叠时间段对应的数据的相似度度量特征。该相似度度量特征可以包括但不限于欧氏距离和曼哈顿距离。
第二步、提取第一生理数据和第二生理数据的线性特征、非线性特征和离散型特征。该现象特征包括VLI和VAI等。离散型特征包括方差和均值等。
第三步、根据相似度度量特征、线性特征、非线性特征和离散型特征进行线性回归分析,得到第一生理数据和第二生理数据的差异性评估结果。
具体应用中,可以使用线性回归模型来对两个数据的差异性大小进行评估。
第四步、若差异性评估结果小于第三预设阈值,确定第一生理数据和第二生理数据属于同一个个体;
第五步、若差异性评估结果大于第三预设阈值,确定第一生理数据和第二生理数据不属于同一个个体。
需要说明的是,上述第三预设阈值可以根据实际需要进行设定,在此不作限定。
具体来说,不仅计算两个生理数据之间的相似度度量特征,还引入了数据的线性、非线性和离散型特征等。然后,再通过对这些特征进行线性回归分析,得到用于评估两个生理数据的差异性大小的评估结果,若差异性较大,则认为两个数据不属于同一个个体,反之,差异性较小,则认为两个数据属于同一个个体。
需要指出的是,上文示例性地提供了两种确定生理数据是否来源于同一个个体的方式,第一种依托于根据相似度寻找满足预设条件的第一目标数据片段和第二目标数据片段的过程,基于能否找到两个目标数据片段来确定数据是否来源于同一个个体。第二种是基于数据的各种特征来评估两个数据之间的差异性,根据差异性大小来确定数据是否来源于同一个个体。第一种方式是在进行相似度匹配过程之前,先假设这两个生理数据是同一个体,该方式先进行相似度匹配,然后再确定两个生理数据是否来源于同一个个体。而第二种方式是在相似度匹配之前,先确定两个生理数据是否来源于同一个个体,在确定两个生理数据来源于同一个个体之后,再进行相似度匹配。
值得指出的是,上文提及的用于确定出两个或者多个生理数据是否来源于同一个个体的方式还可以应用于智慧全场景中的身份识别。具体来说,在全场景中,每个人都可能有多个不同终端设备,且不同的终端设备可能并不是只有一个用户使用,故需要确定终端设备所传输的数据是哪个用户的数据。基于此,可以通过上文提及的方式,确定终端设备所传输或者所采集的数据是哪个用户的数据,从而实现全场景的身份识别。
在确定出多个生理数据是来源于同一个个体,且对多个生理数据进行数据对齐之后,可以对多个生理数据进行数据融合,得到融合的生理数据。进一步地,在得到融合的生理数据后,还可以根据融合的生理数据生成对应的数据分析报告。下面将对此过程进行介绍。
在一些实施例中,在根据时间偏差,对第一生理数据和第二生理数据进行数据对齐操作之后,还可以对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据。
需要指出的是,若需要对多个生理数据进行数据对齐和数据融合操作,可以根据上述数据对齐方案,先进行两两数据对齐。然后,将所有生理数据进行数据对齐之后,再将多个生理数据进行数据融合,得到融合后的生理数据。
数据融合的过程可以包括:数据质量比对过程和缺失数据补偿过程。通过质量比对保留数据质量较高的数据片段。而对于一些缺少的数据段,可以使用其它生理数据的相应时间段的数据段进行多源补偿。
具体地,先通过数据质量评价指标对第一生理数据和第二生理数据进行质量对比,获得相同时间段内质量较高的第三数据段。即选取两个生理数据中质量较高的数据段。
该数据质量评价指标可以包括但不限于数据的完整性、一致性、准确性和冗余性等。另外,也可以通过数据可用性和数据量等来评价数据质量。比如,对于某一个时间段,第一生理数据存在数据段A,第二生理数据存在数据段B。通过数据质量评价指标,评价数据段A和数据段B的质量高低,如果数据段A的质量高于数据段B,则保留数据段A,即将数据段A作为该融合的生理数据中某一个时间段的数据。反之,如果数据段A的质量低于数据段B,则保留数据段B。依此过程,得到第一生理数据和第二生理数据中数据质量较高的数据片段。
然后,如果第一生理数据和第二生理数据中的其中一个生理数据存在缺失的数据段,则可以获得另外一个生理数据中相应时间段对应的第四数据段。例如,在某一个时间段,第一生理数据中存在该时间段对应的数据段C,但是第二生理数据中不存在该时间段对应的数据段,即第二生理数据中该时间段的数据是缺少的。此时,可以使用第一生理数据中该时间段对应的数据段C作为融合的生理数据中该时间段的数据。
最后,按照时间顺序将第三数据段和第四数据段进行合并,得到融合后的生理数据。
可以理解的是,当生理数据是三个或者更多时,其融合过程与两个生理数据的融合过程类似,在此不再赘述。
在将多个生理数据进行数据融合,得到融合的生理数据之后,还可以根据融合后的生理数据,生成对应的生理数据分析报告。
举例来说,第一生理数据是智能手环采集的心率数据,第二生理数据是PSG设备采集的心率数据,智能手环和PSG设备采集的心率数据均传输到用户手机。用户手机可以将智能手环和PSG设备采集的心率数据进行数据对齐,再进行数据融合,然后根据数据融合后的心率数据生成心率数据分析报告,并将该报告显示给用户。
在一些实施例中,在进行数据对齐之后,数据融合之前,还可以根据数据对齐之后的生理数据进行二次相似度匹配,再根据相似度匹配结果来选择生成一份生理数据分析报告,还是多份生理数据分析报告。
具体地,在对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据之前,对数据对齐后的第一生理数据和第二生理数据进行相似度计算,得到目标相似度。该目标相似度可以是通过欧氏距离来评估。
具体应用中,基于数据对齐之后的两个生理数据的重叠时间段内的数据,计算得到欧氏距离。
然后,判断目标相似度是否大于第四预设阈值,若目标相似度大于第四预设阈值,进入对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据的步骤,即将多个生理数据进行数据融合,然后,再根据融合的生理数据生成生理数据分析报告。反之,如果目标相似度小于第四预设阈值,则分别生成第一生理数据的生理数据分析报告和第二生理数据的生理分析报告。也就是说,如果目标相似度小于第四预设阈值,则认为第一生理数据和第二生理数据不是同一个个体的数据,或者第一生理数据和第二生理数据的数据质量较差,此时,不进行数据融合过程,分别生成第一生理数据和第二生理数据的生理数据分析报告。
需要指出的是,对数据对齐之后的生理数据进行二次相似度匹配,可以进一步提高数据融合和所生成的数据分析报告的准确性。
在上文提及的技术方案中,可以根据相似度匹配结果来确定多个生理数据是否来源于同一个个体,也可以在相似度匹配之前确定多个生理数据是否来源于同一个个体。具体应用中,这两种方案的整体数据处理过程可能会稍有不同。下面将分别对这两种情况进行介绍。
第一种情况
以两个设备采集的生理数据为例,先假设两个设备采集的生理数据是来源于同一个个体,然后进行相似度匹配,如果能找到相似度满足预设条件的第一目标数据片段和第二目标数据片段,则判定两个生理数据是来源于同一个个体,反之,则不是来源于同一个个体。
具体地,参见图5示出的多源数据处理方法的又一种流程示意框图,该过程可以包括以下步骤:
步骤S501、分别接收两个电子设备所采集的生理信号,分别记为S1(t)和S2(t)。
例如,一个电子设备是智能手环,另一个电子设备是PSG设备,智能手环和PSG设备将采集的心率信号发送至手机。
作为示例,参见图6示出的S1(t)和S2(t)的示意图,其中,图6(a)为S1(t)的示意图,横轴是时间,竖轴是心率,图6(b)为S2(t)的示意图,横轴是时间,竖轴是心率。图6(a)是ECG心电信号,图6(b)是PPG心电信号。
可以理解的是,S1(t)和S2(t)均是时间序列数据,即各个设备采集的生理信号随着时间变化而变化。且各个生理信号的时间戳和原始设备的时间保持一致。且所采集的是同一个生理参数的信号。
步骤S502、分别从S1(t)和S2(t)中截取一小段信号,记为D1(t)和D2(t)。
需要说明的是,D1(t)和D2(t)的长度是相同的,具体可以通过设置预设时间长度来确定所截取的信号片段的长短。一般情况下,所截取的信号长度需要适中,不能过长也不能过短。
作为示例,参见图6,图6(a)中的D1和图6(b)中的D2对应的数据即为所截取的信号片段。
步骤S503、对D1(t)和D2(t)进行滤波和傅里叶变换等预处理操作,得到两个信号片段对应的曲线。
可以理解的是,该曲线是某一个共同生理参数(例如心率)的生理信号在截取时间内随时间变化的曲线。
步骤S504、计算D1(t)和D2(t)对应的曲线的匹配度。
步骤S505、根据匹配度判断截取时间内的信号是否能对齐。
具体地,上述曲线匹配度的评估指标是相似度评估指标,即使用曲线的相似度评估指标来评估曲线的匹配度。例如,可以使用相关系数、欧氏距离和曼哈顿距离的一种或多种来评估曲线的匹配度。
以欧氏距离和相关系数来评估曲线匹配度为例,如果欧氏距离小于设定的阈值,且相关系数大于设定的阈值,则认为两个信号对齐,即能找到满足预设条件的第一目标数据片段和第二目标数据片段。反之,如果欧氏距离大于设定的阈值,或者相关系数小于设定的阈值,亦或者,欧氏距离大于设定的阈值且相关系数小于设定阈值,认为两个信号对齐,即找不到满足预设条件的第一目标数据片段和第二目标数据片段。
将两个信号对齐时的两个信号片段作为上文提及的第一目标数据片段和第二目标数据片段。
此时,需要根据曲线匹配度来找出信号对齐时的两个信号片段。该过程与上文提及的相似度匹配过程类似,即与上文确定相似度满足预设条件的第一目标数据片段和第二目标数据片段的过程类似。
具体地,若D1(t)和D2(t)对应的两个信号没有对齐,即这两个信号片段不满足预设条件,则固定一个片段,滑动另一个信号片段的时间戳,重复步骤S502~S505,直到找到信号对齐时的两个信号片段。如果已经遍历完另一个信号片段对应的生理信号,仍然没有找到信号对齐的两个信号片段,则改变之前固定的信号片段,滑动另一个信号片段的时间戳,重复步骤S502~S505,直到找到信号对齐的信号片段。
如果遍历完两个生理信号,仍然没有找到信号对齐的信号片段,则认为两个生理信号不是同一个个体的生理数据,反之,如果可以找到,则认为两个生理信号时同一个个体的生理信号。
例如,参见图6,保持图6(a)中的D1不变,改变图6(b)中的D2,每滑动一次D2,则计算一次D1和D2之间的相似度评估指标,确定D1和D2是否满足预设条件。如果不能满足,继续滑动D2,直到遍历完S2(t)。如果遍历完S2(t)仍然没有找打满足预设条件的D1和D2,则滑动D1,然后继续滑动D2,重复上述过程,直到遍历完S1(t),或者,找到满足预设条件的两个信号片段。
步骤S506、若截取时间内的信号能对齐,确定S1(t)和S2(t)来源于同一个个体,并根据D1(t)和D2(t)的时间戳计算两个生理信号的时间戳偏差。
步骤S507、若截取时间内的信号不能对齐,确定是否遍历完两个生理信号,如果没有遍历完,则返回步骤S502,继续寻找信号对齐时的两个信号片段。如果遍历完成,进入步骤S508。
例如,参见图7示出的信号未对齐时的示意图。一条曲线是手环设备的PPG瞬时心率曲线,另一条曲线是PSG设备的ECG瞬时心率曲线。这两个信号片段的相关系数为0.79328,即corrcoef=0.79328。预先设定的相关系数阈值为0.85,这两个信号片段的相关系数小于设定的相关系数阈值,则认为这两个信号片段截取时间内没有对齐,即这两个信号片段的相似度不满足预设条件。此时,这两个信号的时间戳偏差为661.2s,即timediff-t1-t2=661.2s。
参见图8示出的信号对齐时的示意图,如图8所示,其横轴为时间,竖轴为瞬时心率。一条曲线是手环设备的PPG瞬时心率曲线,另一条曲线是PSG设备的ECG瞬时心率曲线。这两个信号片段的相关系数为0.9964,即corrcoef=0.9964。预先设定的相关系数阈值为0.85,这两个信号片段的相关系数大于设定的相关系数阈值,则认为这两个信号片段在截取时间内信号对齐,即这两个信号片段的相似度满足预设条件。此时,这两个信号的时间戳偏差为-9.8s,即timediff-t1-t2=-9.8s。也就是说,手环设备和PSG设备之间的时间偏差为-9.8s。确定出手环设备和PGS设备之间的时间偏差之后,可以根据该时间偏差调整对应生理数据的时间戳,以将两个设备的生理数据进行数据对齐。
步骤S508、确定S1(t)和S2(t)不是来源于同一个个体,无法计算两个生理信号的时间戳偏差。
在计算出两个电子设备的时间偏差之后,可以使用该时间偏差对两个生理信号进行数据对齐,将两个生理信号的时间多调整至同步。
在进行数据对齐操作之后,可以再进行数据融合,生成生理数据分析报告等操作。
第二种情况
在这种情况下,先确定多个生理数据是否来源于同一个个体,如果是同一个个体,则进行相似度匹配,得到两个设备的时间戳偏差,再根据时间戳偏差进行数据对齐,数据融合,生成数据分析报告等操作。
具体地,参见图9示出的多源数据处理方法的一种示意图,如图9所示,首先,提取多个生理数据的欧氏距离、VLI、VAI、均值和方差等特征。然后,根据这些特征进行线性回归分析,得到一个线性回归分析结果。该线性回归分析结果用于评估数据之间的差异化大小。如果差异化小于阈值A,则认为多个生理数据是同一个个体的数据,反之,如果差异化大于阈值A,则认为多个生理数据不是同一个个体的数据。
确定多个生理数据是同一个个体的数据之后,可以对通过相似度匹配,确定多个设备的时间戳偏差。确定设备间的是时间戳偏差的过程可以参见上文第一种情况的过程和上文确定满足预设条件的第一目标数据片段和第二目标数据片段对应的内容,在此不再赘述。
计算得到设备间的时间偏差之后,将多个生理数据进行数据对齐。然后再基于数据对齐后的生理数据,计算欧氏距离,根据欧氏距离进行二次相似度匹配。如果欧氏距离小于阈值B,则进行数据融合操作,再基于融合的生理数据生成融合报告。如果欧氏距离大于阈值B,则认为多个生理数据不是同一个个体数据或者多个生理数据的数据质量较差,不进行数据融合,生成多份数据分析报告,每一个生理数据对应一份报告。
需要指出的是,上述数据融合过程可以参见上文提及的数据融合过程,在此不再赘述。
需要说明的是,上述第一种情况和第二种情况中一些细节和相关介绍可以参见上文相应内容,在此不再赘述。
对应于上文实施例的多源数据处理方法,图10示出了本申请实施例提供的多源数据处理装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图10,该装置可以包括:
生理数据获取模块101,用于获取第一电子设备采集的第一生理数据和第二电子设备采集的第二生理数据,第一生理数据和第二生理数据均包括用于表征数据产生时间的时间戳信息,第一生理数据和第二生理数据是同一个生理参数在预设时间段内的数据;
目标数据片段确定模块102,用于确定相似度满足预设条件的第一目标数据片段和第二目标数据片段,第一目标数据片段是从第一生理数据中截取的预设时间长度的信号片段,第二目标数据片段是从第二生理数据中截取的预设时间长度的信号片段;
设备间时间偏差确定模块103,用于根据第一目标数据片段对应的时间戳信息和第二目标数据片段对应的时间戳信息,确定第一电子设备和第二电子设备之间的时间偏差;
数据对齐模块104,用于根据时间偏差,对第一生理数据和第二生理数据进行数据对齐操作。
在一些实施例中,上述目标数据片段确定模块可以具体用于:分别在第一生理数据中设置预设时间长度的第一时间滑动窗口和在第二生理数据中设置预设时间长度的第二时间滑动窗口;计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标;根据相似度评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件;若相似度满足预设条件,将第一数据片段作为第一目标数据片段,第二数据片段作为第二目标数据片段;若相似度不满足预设条件,滑动其中一个时间滑动窗口后,返回计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标,根据相似度评估指标确定第一数据片段和第二数据片段之间的相似度是否满足预设条件的步骤,直到遍历完第一生理数据和第二生理数据或者找到相似度满足预设条件的数据片段为止;
或者,从第一生理数据中截取预设时间长度的至少一个第一数据片段,从第二生理数据中截取预设时间长度的至少一个第二数据片段;分别计算每个第一数据片段和每个第二数据片段之间的相似性评估指标;根据相似性评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足预设条件;将相似度满足预设条件对应的第一数据片段作为第一目标数据片段,对应的第二数据片段作为第二目标数据片段。
在一些实施例中,若相似度评估指标包括相关系数和距离度量指标,距离度量指标用于表征样本间距离。上述目标数据片段确定模块可以具体用于:若第一数据片段和第二数据片段之间的相关系数大于第一预设阈值,且距离度量指标小于第二预设阈值,确定第一数据片段和第二数据片段之间的相似度满足预设条件;若第一数据片段和第二数据片段之间的相关系数小于或等于第一预设阈值,和/或距离度量指标大于或等于第二预设阈值,确定第一数据片段和第二数据片段之间的相似度不满足预设条件。
在一些实施例中,该装置还可以包括:第一判断模块,用于若存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据属于同一个个体;若不存在相似度满足预设条件的第一目标数据片段和第二目标数据片段,确定第一生理数据和第二生理数据不属于同一个个体。
在一些实施例中,该装置还可以包括:第二判断模块,用于计算第一生理数据和第二生理数据中重叠时间段对应的数据的相似度度量特征;提取第一生理数据和第二生理数据的线性特征、非线性特征和离散型特征;根据相似度度量特征、线性特征、非线性特征和离散型特征进行线性回归分析,得到第一生理数据和第二生理数据的差异性评估结果;若差异性评估结果小于第三预设阈值,确定第一生理数据和第二生理数据属于同一个个体;若差异性评估结果大于第三预设阈值,确定第一生理数据和第二生理数据不属于同一个个体。
在一些实施例中,若确定出第一生理数据和第二生理数据属于同一个个体,该装置还可以包括:数据融合模块,用于对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据。
在一些实施例中,上述数据融合模块可以具体用于:通过数据质量评价指标对第一生理数据和第二生理数据进行质量对比,获得相同时间段内质量较高的第三数据段;若第一生理数据和第二生理数据中的其中一个生理数据存在缺失的数据段,获得另外一个生理数据中相应时间段对应的第四数据段,按照时间顺序将第三数据段和第四数据段进行合并,得到融合后的生理数据。
在一些实施例中,该装置还可以包括:报告生成模块,用于根据融合后的生理数据,生成对应的生理数据分析报告。
在一些实施例中,该装置还可以包括:二次相似度匹配模块,用于对数据对齐后的第一生理数据和第二生理数据进行相似度计算,得到目标相似度;若目标相似度大于第四预设阈值,进入对第一生理数据和第二生理数据进行数据融合,得到融合后的生理数据的步骤;若目标相似度小于第四预设阈值,分别生成第一生理数据的生理数据分析报告和第二生理数据的生理分析报告。
在一些实施例中,生理参数可以为但不限于心率、呼吸率、体温或血氧等。
上述多源数据处理装置具有实现上述多源数据处理方法的功能,该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现,硬件或软件包括一个或多个与上述功能相对应的模块,模块可以是软件和/或硬件。
需要说明的是,上述装置/模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
本申请实施例中,用于采集用户生理数据的电子设备的类型可以是任意的,其可以是可穿戴式设备,也可以是家用健康监测设备等。作为示例而非限定,当为可穿戴设备时,该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能,如智能手表或智能眼镜等,以及只专注于某一类应用功能,需要和其它设备如智能手机配合使用,如各类进行体征监测的智能手环、智能首饰等。当然,该可穿戴设备具备生理数据采集功能。
而用于获取各个设备采集的生理数据,并对这些数据进行多源数据处理操作,诸如确定设备间时间偏差、数据对齐、数据融合和生成数据报告等的电子设备可以是指具有数据处理功能的任意类型的设备。例如,其可以是手机、电脑、平板和云端服务器。
作为示例而非限定,如图11所示,电子设备100可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriberidentification module,SIM)卡接口195等。其中传感器模块180可以包括压力传感器180A,陀螺仪传感器180B,气压传感器180C,磁传感器180D,加速度传感器180E,距离传感器180F,接近光传感器180G,指纹传感器180H,温度传感器180J,触摸传感器180K,环境光传感器180L,骨传导传感器180M等。
可以理解的是,本申请实施例示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中,电子设备100可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
其中,控制器可以是电子设备100的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了***的效率。
在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuitsound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。
I2C接口是一种双向同步串行总线,包括一根串行数据线(serial data line,SDA)和一根串行时钟线(derail clock line,SCL)。在一些实施例中,处理器110可以包含多组I2C总线。处理器110可以通过不同的I2C总线接口分别耦合触摸传感器180K,充电器,闪光灯,摄像头193等。例如:处理器110可以通过I2C接口耦合触摸传感器180K,使处理器110与触摸传感器180K通过I2C总线接口通信,实现电子设备100的触摸功能。
I2S接口可以用于音频通信。在一些实施例中,处理器110可以包含多组I2S总线。处理器110可以通过I2S总线与音频模块170耦合,实现处理器110与音频模块170之间的通信。
PCM接口也可以用于音频通信,将模拟信号抽样,量化和编码。在一些实施例中,音频模块170与无线通信模块160可以通过PCM总线接口耦合。所述I2S接口和所述PCM接口都可以用于音频通信。
UART接口是一种通用串行数据总线,用于异步通信。该总线可以为双向通信总线。它将要传输的数据在串行通信与并行通信之间转换。在一些实施例中,UART接口通常被用于连接处理器110与无线通信模块160。例如:处理器110通过UART接口与无线通信模块160中的蓝牙模块通信,实现蓝牙功能。
MIPI接口可以被用于连接处理器110与显示屏194,摄像头193等***器件。MIPI接口包括摄像头串行接口(camera serial interface,CSI),显示屏串行接口(displayserial interface,DSI)等。在一些实施例中,处理器110和摄像头193通过CSI接口通信,实现电子设备100的拍摄功能。处理器110和显示屏194通过DSI接口通信,实现电子设备100的显示功能。
GPIO接口可以通过软件配置。GPIO接口可以被配置为控制信号,也可被配置为数据信号。在一些实施例中,GPIO接口可以用于连接处理器110与摄像头193,显示屏194,无线通信模块160,音频模块170,传感器模块180等。GPIO接口还可以被配置为I2C接口,I2S接口,UART接口,MIPI接口等。
USB接口130是符合USB标准规范的接口,具体可以是Mini USB接口,Micro USB接口,USB Type C接口等。USB接口130可以用于连接充电器为电子设备100充电,也可以用于电子设备100与***设备之间传输数据。也可以用于连接耳机,通过耳机播放音频。该接口还可以用于连接其他电子设备,例如AR设备等。
可以理解的是,本申请实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对电子设备100的结构限定。在本申请另一些实施例中,电子设备100也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。在一些有线充电的实施例中,充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中,充电管理模块140可以通过电子设备100的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为电子设备供电。
电源管理模块141用于连接电池142,充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理器110,内部存储器121,外部存储器,显示屏194,摄像头193,和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量,电池循环次数,电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块141也可以设置于处理器110中。在另一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
电子设备100的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。电子设备100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块150可以提供应用在电子设备100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过音频设备(不限于扬声器170A,受话器170B等)输出声音信号,或通过显示屏194显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器110,与移动通信模块150或其他功能模块设置在同一个器件中。
无线通信模块160可以提供应用在电子设备100上的包括无线局域网(wirelesslocal area networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星***(global navigation satellite system,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。
在一些实施例中,电子设备100的天线1和移动通信模块150耦合,天线2和无线通信模块160耦合,使得电子设备100可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯***(global system for mobile communications,GSM),通用分组无线服务(general packet radio service,GPRS),码分多址接入(codedivision multiple access,CDMA),宽带码分多址(wideband code division multipleaccess,WCDMA),时分码分多址(time-division code division multiple access,TD-SCDMA),长期演进(long term evolution,LTE),BT,GNSS,WLAN,NFC,FM,和/或IR技术等。所述GNSS可以包括全球卫星定位***(global positioning system,GPS),全球导航卫星***(global navigation satellite system,GLONASS),北斗卫星导航***(beidounavigation satellite system,BDS),准天顶卫星***(quasi-zenith satellitesystem,QZSS)和/或星基增强***(satellite based augmentation systems,SBAS)。
电子设备100通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,电子设备100可以包括1个或N个显示屏194,N为大于1的正整数。
电子设备100可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,电子设备100可以包括1个或N个摄像头193,N为大于1的正整数。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当电子设备100在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。电子设备100可以支持一种或多种视频编解码器。这样,电子设备100可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)1,MPEG2,MPEG3,MPEG4等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现电子设备100的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展电子设备100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令,从而执行电子设备100的各种功能应用以及数据处理。内部存储器121可以包括存储程序区和存储数据区。其中,存储程序区可存储操作***,至少一个功能所需的应用程序(比如声音播放功能,图像播放功能等)等。存储数据区可存储电子设备100使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。
电子设备100可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中,音频模块170可以设置于处理器110中,或将音频模块170的部分功能模块设置于处理器110中。
扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。电子设备100可以通过扬声器170A收听音乐,或收听免提通话。
受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。当电子设备100接听电话或语音信息时,可以通过将受话器170B靠近人耳接听语音。
麦克风170C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。当拨打电话或发送语音信息时,用户可以通过人嘴靠近麦克风170C发声,将声音信号输入到麦克风170C。电子设备100可以设置至少一个麦克风170C。在另一些实施例中,电子设备100可以设置两个麦克风170C,除了采集声音信号,还可以实现降噪功能。在另一些实施例中,电子设备100还可以设置三个,四个或更多麦克风170C,实现采集声音信号,降噪,还可以识别声音来源,实现定向录音功能等。
耳机接口170D用于连接有线耳机。耳机接口170D可以是USB接口130,也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform,OMTP)标准接口,美国蜂窝电信工业协会(cellular telecommunications industry association of the USA,CTIA)标准接口。
压力传感器180A用于感受压力信号,可以将压力信号转换成电信号。在一些实施例中,压力传感器180A可以设置于显示屏194。压力传感器180A的种类很多,如电阻式压力传感器,电感式压力传感器,电容式压力传感器等。电容式压力传感器可以是包括至少两个具有导电材料的平行板。当有力作用于压力传感器180A,电极之间的电容改变。电子设备100根据电容的变化确定压力的强度。当有触摸操作作用于显示屏194,电子设备100根据压力传感器180A检测所述触摸操作强度。电子设备100也可以根据压力传感器180A的检测信号计算触摸的位置。在一些实施例中,作用于相同触摸位置,但不同触摸操作强度的触摸操作,可以对应不同的操作指令。例如:当有触摸操作强度小于第一压力阈值的触摸操作作用于短消息应用图标时,执行查看短消息的指令。当有触摸操作强度大于或等于第一压力阈值的触摸操作作用于短消息应用图标时,执行新建短消息的指令。
陀螺仪传感器180B可以用于确定电子设备100的运动姿态。在一些实施例中,可以通过陀螺仪传感器180B确定电子设备100围绕三个轴(即,x,y和z轴)的角速度。陀螺仪传感器180B可以用于拍摄防抖。示例性的,当按下快门,陀螺仪传感器180B检测电子设备100抖动的角度,根据角度计算出镜头模组需要补偿的距离,让镜头通过反向运动抵消电子设备100的抖动,实现防抖。陀螺仪传感器180B还可以用于导航,体感游戏场景。
气压传感器180C用于测量气压。在一些实施例中,电子设备100通过气压传感器180C测得的气压值计算海拔高度,辅助定位和导航。
磁传感器180D包括霍尔传感器。电子设备100可以利用磁传感器180D检测翻盖皮套的开合。在一些实施例中,当电子设备100是翻盖机时,电子设备100可以根据磁传感器180D检测翻盖的开合。进而根据检测到的皮套的开合状态或翻盖的开合状态,设置翻盖自动解锁等特性。
加速度传感器180E可检测电子设备100在各个方向上(一般为三轴)加速度的大小。当电子设备100静止时可检测出重力的大小及方向。还可以用于识别电子设备姿态,应用于横竖屏切换,计步器等应用。
距离传感器180F,用于测量距离。电子设备100可以通过红外或激光测量距离。在一些实施例中,拍摄场景,电子设备100可以利用距离传感器180F测距以实现快速对焦。
接近光传感器180G可以包括例如发光二极管(LED)和光检测器,例如光电二极管。发光二极管可以是红外发光二极管。电子设备100通过发光二极管向外发射红外光。电子设备100使用光电二极管检测来自附近物体的红外反射光。当检测到充分的反射光时,可以确定电子设备100附近有物体。当检测到不充分的反射光时,电子设备100可以确定电子设备100附近没有物体。电子设备100可以利用接近光传感器180G检测用户手持电子设备100贴近耳朵通话,以便自动熄灭屏幕达到省电的目的。接近光传感器180G也可用于皮套模式,口袋模式自动解锁与锁屏。
环境光传感器180L用于感知环境光亮度。电子设备100可以根据感知的环境光亮度自适应调节显示屏194亮度。环境光传感器180L也可用于拍照时自动调节白平衡。环境光传感器180L还可以与接近光传感器180G配合,检测电子设备100是否在口袋里,以防误触。
指纹传感器180H用于采集指纹。电子设备100可以利用采集的指纹特性实现指纹解锁,访问应用锁,指纹拍照,指纹接听来电等。
温度传感器180J用于检测温度。在一些实施例中,电子设备100利用温度传感器180J检测的温度,执行温度处理策略。例如,当温度传感器180J上报的温度超过阈值,电子设备100执行降低位于温度传感器180J附近的处理器的性能,以便降低功耗实施热保护。在另一些实施例中,当温度低于另一阈值时,电子设备100对电池142加热,以避免低温导致电子设备100异常关机。在其他一些实施例中,当温度低于又一阈值时,电子设备100对电池142的输出电压执行升压,以避免低温导致的异常关机。
触摸传感器180K,也称“触控面板”。触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,也称“触控屏”。触摸传感器180K用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器180K也可以设置于电子设备100的表面,与显示屏194所处的位置不同。
骨传导传感器180M可以获取振动信号。在一些实施例中,骨传导传感器180M可以获取人体声部振动骨块的振动信号。骨传导传感器180M也可以接触人体脉搏,接收血压跳动信号。在一些实施例中,骨传导传感器180M也可以设置于耳机中,结合成骨传导耳机。音频模块170可以基于所述骨传导传感器180M获取的声部振动骨块的振动信号,解析出语音信号,实现语音功能。应用处理器可以基于所述骨传导传感器180M获取的血压跳动信号解析心率信息,实现心率检测功能。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。电子设备100可以接收按键输入,产生与电子设备100的用户设置以及功能控制有关的键信号输入。
马达191可以产生振动提示。马达191可以用于来电振动提示,也可以用于触摸振动反馈。例如,作用于不同应用(例如拍照,音频播放等)的触摸操作,可以对应不同的振动反馈效果。作用于显示屏194不同区域的触摸操作,马达191也可对应不同的振动反馈效果。不同的应用场景(例如:时间提醒,接收信息,闹钟,游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。
指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过***SIM卡接口195,或从SIM卡接口195拔出,实现和电子设备100的接触和分离。电子设备100可以支持1个或N个SIM卡接口,N为大于1的正整数。SIM卡接口195可以支持Nano SIM卡,Micro SIM卡,SIM卡等。同一个SIM卡接口195可以同时***多张卡。所述多张卡的类型可以相同,也可以不同。SIM卡接口195也可以兼容不同类型的SIM卡。SIM卡接口195也可以兼容外部存储卡。电子设备100通过SIM卡和网络交互,实现通话以及数据通信等功能。在一些实施例中,电子设备100采用eSIM,即:嵌入式SIM卡。eSIM卡可以嵌在电子设备100中,不能和电子设备100分离。
电子设备100的软件***可以采用分层架构,事件驱动架构,微核架构,微服务架构,或云架构。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例还提供一种芯片***,所述芯片***包括处理器,所述处理器与存储器耦合,所述处理器执行存储器中存储的计算机程序,以实现如上述第一方面任一项所述的方法。所述芯片***可以为单个芯片,或者多个芯片组成的芯片模组。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,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。此外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
最后应说明的是:以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种多源数据处理方法,其特征在于,包括:
获取第一电子设备采集的第一生理数据和第二电子设备采集的第二生理数据,所述第一生理数据和所述第二生理数据均包括用于表征数据产生时间的时间戳信息,所述第一生理数据和所述第二生理数据是同一个生理参数在预设时间段内的数据;
确定相似度满足预设条件的第一目标数据片段和第二目标数据片段,所述第一目标数据片段是从所述第一生理数据中截取的预设时间长度的信号片段,所述第二目标数据片段是从所述第二生理数据中截取的所述预设时间长度的信号片段;
根据所述第一目标数据片段对应的时间戳信息和所述第二目标数据片段对应的时间戳信息,确定所述第一电子设备和所述第二电子设备之间的时间偏差;
根据所述时间偏差,对所述第一生理数据和所述第二生理数据进行数据对齐操作。
2.如权利要求1所述的方法,其特征在于,确定相似度满足预设条件的第一目标数据片段和第二目标数据片段,包括:
分别在所述第一生理数据中设置所述预设时间长度的第一时间滑动窗口和在所述第二生理数据中设置所述预设时间长度的第二时间滑动窗口;
计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标;
根据所述相似度评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足所述预设条件;
若相似度满足所述预设条件,将第一数据片段作为所述第一目标数据片段,第二数据片段作为所述第二目标数据片段;
若相似度不满足所述预设条件,滑动其中一个时间滑动窗口后,返回所述计算第一时间滑动窗口对应的第一数据片段和第二时间滑动窗口对应的第二数据片段之间的相似度评估指标,根据相似度评估指标确定第一数据片段和第二数据片段之间的相似度是否满足所述预设条件的步骤,直到遍历完所述第一生理数据和所述第二生理数据或者找到相似度满足所述预设条件的数据片段为止;
或者,
从所述第一生理数据中截取所述预设时间长度的至少一个第一数据片段,从所述第二生理数据中截取所述预设时间长度的至少一个第二数据片段;
分别计算每个所述第一数据片段和每个所述第二数据片段之间的相似性评估指标;
根据相似性评估指标,确定第一数据片段和第二数据片段之间的相似度是否满足所述预设条件;
将相似度满足所述预设条件对应的第一数据片段作为所述第一目标数据片段,对应的第二数据片段作为所述第二目标数据片段。
3.如权利要求2所述的方法,其特征在于,所述相似度评估指标包括相关系数和距离度量指标,所述距离度量指标用于表征样本间距离;
根据相似性度量指标,确定第一数据片段和第二数据片段之间的相似度是否满足所述预设条件,包括:
若第一数据片段和第二数据片段之间的相关系数大于第一预设阈值,且距离度量指标小于第二预设阈值,确定第一数据片段和第二数据片段之间的相似度满足所述预设条件;
若第一数据片段和第二数据片段之间的相关系数小于或等于所述第一预设阈值,和/或距离度量指标大于或等于所述第二预设阈值,确定第一数据片段和第二数据片段之间的相似度不满足所述预设条件。
4.如权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
若存在相似度满足所述预设条件的第一目标数据片段和第二目标数据片段,确定所述第一生理数据和所述第二生理数据属于同一个个体;
若不存在相似度满足所述预设条件的第一目标数据片段和第二目标数据片段,确定所述第一生理数据和所述第二生理数据不属于同一个个体。
5.如权利要求1所述的方法,其特征在于,在确定相似度满足预设条件的第一目标数据片段和第二目标数据片段之前,所述方法还包括:
计算所述第一生理数据和所述第二生理数据中重叠时间段对应的数据的相似度度量特征;
提取所述第一生理数据和所述第二生理数据的线性特征、非线性特征和离散型特征;
根据所述相似度度量特征、所述线性特征、所述非线性特征和所述离散型特征进行线性回归分析,得到所述第一生理数据和所述第二生理数据的差异性评估结果;
若所述差异性评估结果小于第三预设阈值,确定所述第一生理数据和所述第二生理数据属于同一个个体;
若所述差异性评估结果大于第三预设阈值,确定所述第一生理数据和所述第二生理数据不属于同一个个体。
6.如权利要求4或5所述的方法,其特征在于,若确定出所述第一生理数据和所述第二生理数据属于同一个个体,在根据所述时间偏差,对所述第一生理数据和所述第二生理数据进行数据对齐操作之后,所述方法还包括:
对所述第一生理数据和所述第二生理数据进行数据融合,得到融合后的生理数据。
7.如权利要求6所述的方法,其特征在于,对所述第一生理数据和所述第二生理数据进行数据融合,得到融合后的生理数据,包括:
通过数据质量评价指标对所述第一生理数据和所述第二生理数据进行质量对比,获得相同时间段内质量较高的第三数据段;
若所述第一生理数据和所述第二生理数据中的其中一个生理数据存在缺失的数据段,获得另外一个生理数据中相应时间段对应的第四数据段,
按照时间顺序将所述第三数据段和所述第四数据段进行合并,得到融合后的生理数据。
8.如权利要求6所述的方法,其特征在于,在得到融合后的生理数据之后,所述方法还包括:
根据融合后的生理数据,生成对应的生理数据分析报告。
9.如权利要求6所述的方法,其特征在于,在对所述第一生理数据和所述第二生理数据进行数据融合,得到融合后的生理数据之前,所述方法还包括:
对数据对齐后的第一生理数据和第二生理数据进行相似度计算,得到目标相似度;
若所述目标相似度大于第四预设阈值,进入所述对所述第一生理数据和所述第二生理数据进行数据融合,得到融合后的生理数据的步骤;
若所述目标相似度小于所述第四预设阈值,分别生成所述第一生理数据的生理数据分析报告和所述第二生理数据的生理分析报告。
10.如权利要求1所述的方法,其特征在于,所述生理参数为心率、呼吸率、体温或血氧。
11.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至10任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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10任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330890.8A CN113555132A (zh) | 2020-04-24 | 2020-04-24 | 多源数据处理方法、电子设备和计算机可读存储介质 |
PCT/CN2021/084390 WO2021213165A1 (zh) | 2020-04-24 | 2021-03-31 | 多源数据处理方法、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330890.8A CN113555132A (zh) | 2020-04-24 | 2020-04-24 | 多源数据处理方法、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113555132A true CN113555132A (zh) | 2021-10-26 |
Family
ID=78129577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010330890.8A Pending CN113555132A (zh) | 2020-04-24 | 2020-04-24 | 多源数据处理方法、电子设备和计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113555132A (zh) |
WO (1) | WO2021213165A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145759A (zh) * | 2021-11-11 | 2022-03-08 | 歌尔股份有限公司 | 肌电信号的补偿方法、装置、肌电检测设备及存储介质 |
CN114246572A (zh) * | 2021-11-30 | 2022-03-29 | 歌尔科技有限公司 | 一种耳机 |
CN115049015A (zh) * | 2022-07-14 | 2022-09-13 | 北京中科心研科技有限公司 | 时序数据的滑窗后对齐方法、装置及设备和存储介质 |
CN115736915A (zh) * | 2022-11-21 | 2023-03-07 | 大连理工大学 | 基于多源信息融合的患者体能评估方法 |
CN117643461A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于人工智能的心率智能监测***及方法 |
WO2024066962A1 (zh) * | 2022-09-28 | 2024-04-04 | 华为技术有限公司 | 呼吸健康检测方法及可穿戴电子设备 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034290B (zh) * | 2022-05-17 | 2023-02-03 | 医声医事(北京)科技有限公司 | 一种多源数据的动态融合***、方法、设备及介质 |
CN116725484B (zh) * | 2022-09-09 | 2024-04-16 | 荣耀终端有限公司 | 基于可穿戴设备的生理检测方法及可穿戴设备 |
CN116077050B (zh) * | 2023-01-30 | 2024-07-19 | 青岛海尔科技有限公司 | 呼吸诊断方法、装置、存储介质及电子装置 |
CN117898692B (zh) * | 2024-03-20 | 2024-05-14 | 河北网新数字技术股份有限公司 | 一种用于心率监测***的数据处理方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056026A (zh) * | 2009-11-06 | 2011-05-11 | ***通信集团设计院有限公司 | 音视频同步检测方法及其***、语音检测方法及其*** |
CN105898502A (zh) * | 2016-04-11 | 2016-08-24 | 深圳Tcl新技术有限公司 | 音视频同步播放的方法及装置 |
CN105930631A (zh) * | 2015-02-27 | 2016-09-07 | 三星电子株式会社 | 用于测量生物信号的方法及其可穿戴电子设备 |
CN106293033A (zh) * | 2015-06-09 | 2017-01-04 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN106529596A (zh) * | 2016-11-11 | 2017-03-22 | 国网上海市电力公司 | 一种基于可穿戴设备的室内、室外场景识别方法 |
US20170220854A1 (en) * | 2016-01-29 | 2017-08-03 | Conduent Business Services, Llc | Temporal fusion of multimodal data from multiple data acquisition systems to automatically recognize and classify an action |
US20170224285A1 (en) * | 2016-09-12 | 2017-08-10 | Genomi-K S.A.P.I. De C.V. | Method to obtain and validate physiological data |
US20170249280A1 (en) * | 2015-07-01 | 2017-08-31 | Anhui Huami Information Technology Co.,Ltd. | Data Statistics For Wearable Device |
CN108472489A (zh) * | 2016-01-08 | 2018-08-31 | 心脏起搏器股份公司 | 使生理数据的多个源同步 |
CN108701495A (zh) * | 2016-02-19 | 2018-10-23 | 三星电子株式会社 | 用于整合和提供从多个设备收集的数据的方法以及用于实现该方法的电子设备 |
CN108833085A (zh) * | 2018-04-04 | 2018-11-16 | 深圳大学 | 一种基于心跳信号的可穿戴智能设备配对方法及*** |
CN109933294A (zh) * | 2019-03-26 | 2019-06-25 | 努比亚技术有限公司 | 数据处理方法、装置、可穿戴设备及存储介质 |
CN110047587A (zh) * | 2018-09-29 | 2019-07-23 | 苏州爱医斯坦智能科技有限公司 | 一种医疗数据采集方法、装置、设备及存储介质 |
CN110298409A (zh) * | 2019-07-03 | 2019-10-01 | 广东电网有限责任公司 | 面向电力可穿戴设备的多源数据融合方法 |
CN110623652A (zh) * | 2019-09-17 | 2019-12-31 | 华为技术有限公司 | 数据显示方法及电子设备 |
US10575131B1 (en) * | 2019-05-30 | 2020-02-25 | Snap Inc. | Wearable device location accuracy systems |
WO2020039226A1 (en) * | 2018-08-18 | 2020-02-27 | Smartcardia Sa | Method for synchronization of a multitude of wearable devices |
CN110879806A (zh) * | 2019-11-25 | 2020-03-13 | 北京优奥创思科技发展有限公司 | 一种数据融合的方法、装置、设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5891307B2 (ja) * | 2012-09-03 | 2016-03-22 | 株式会社日立製作所 | 生体信号計測装置、および、生体信号計測システム |
CN103607269B (zh) * | 2013-12-02 | 2016-05-25 | 常州博睿康科技有限公司 | 一种脑电装置及精确无线事件同步方法 |
CN107874756A (zh) * | 2017-11-21 | 2018-04-06 | 博睿康科技(常州)股份有限公司 | 脑电采集***和视频采集***的精确同步方法 |
CN110636321A (zh) * | 2019-09-30 | 2019-12-31 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、***、移动终端及存储介质 |
-
2020
- 2020-04-24 CN CN202010330890.8A patent/CN113555132A/zh active Pending
-
2021
- 2021-03-31 WO PCT/CN2021/084390 patent/WO2021213165A1/zh active Application Filing
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056026A (zh) * | 2009-11-06 | 2011-05-11 | ***通信集团设计院有限公司 | 音视频同步检测方法及其***、语音检测方法及其*** |
CN105930631A (zh) * | 2015-02-27 | 2016-09-07 | 三星电子株式会社 | 用于测量生物信号的方法及其可穿戴电子设备 |
CN106293033A (zh) * | 2015-06-09 | 2017-01-04 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
US20170249280A1 (en) * | 2015-07-01 | 2017-08-31 | Anhui Huami Information Technology Co.,Ltd. | Data Statistics For Wearable Device |
CN108472489A (zh) * | 2016-01-08 | 2018-08-31 | 心脏起搏器股份公司 | 使生理数据的多个源同步 |
US20170220854A1 (en) * | 2016-01-29 | 2017-08-03 | Conduent Business Services, Llc | Temporal fusion of multimodal data from multiple data acquisition systems to automatically recognize and classify an action |
CN108701495A (zh) * | 2016-02-19 | 2018-10-23 | 三星电子株式会社 | 用于整合和提供从多个设备收集的数据的方法以及用于实现该方法的电子设备 |
CN105898502A (zh) * | 2016-04-11 | 2016-08-24 | 深圳Tcl新技术有限公司 | 音视频同步播放的方法及装置 |
US20170224285A1 (en) * | 2016-09-12 | 2017-08-10 | Genomi-K S.A.P.I. De C.V. | Method to obtain and validate physiological data |
CN106529596A (zh) * | 2016-11-11 | 2017-03-22 | 国网上海市电力公司 | 一种基于可穿戴设备的室内、室外场景识别方法 |
CN108833085A (zh) * | 2018-04-04 | 2018-11-16 | 深圳大学 | 一种基于心跳信号的可穿戴智能设备配对方法及*** |
WO2020039226A1 (en) * | 2018-08-18 | 2020-02-27 | Smartcardia Sa | Method for synchronization of a multitude of wearable devices |
CN110047587A (zh) * | 2018-09-29 | 2019-07-23 | 苏州爱医斯坦智能科技有限公司 | 一种医疗数据采集方法、装置、设备及存储介质 |
CN109933294A (zh) * | 2019-03-26 | 2019-06-25 | 努比亚技术有限公司 | 数据处理方法、装置、可穿戴设备及存储介质 |
US10575131B1 (en) * | 2019-05-30 | 2020-02-25 | Snap Inc. | Wearable device location accuracy systems |
CN110298409A (zh) * | 2019-07-03 | 2019-10-01 | 广东电网有限责任公司 | 面向电力可穿戴设备的多源数据融合方法 |
CN110623652A (zh) * | 2019-09-17 | 2019-12-31 | 华为技术有限公司 | 数据显示方法及电子设备 |
CN110879806A (zh) * | 2019-11-25 | 2020-03-13 | 北京优奥创思科技发展有限公司 | 一种数据融合的方法、装置、设备和存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145759A (zh) * | 2021-11-11 | 2022-03-08 | 歌尔股份有限公司 | 肌电信号的补偿方法、装置、肌电检测设备及存储介质 |
CN114145759B (zh) * | 2021-11-11 | 2024-05-14 | 歌尔股份有限公司 | 肌电信号的补偿方法、装置、肌电检测设备及存储介质 |
CN114246572A (zh) * | 2021-11-30 | 2022-03-29 | 歌尔科技有限公司 | 一种耳机 |
CN114246572B (zh) * | 2021-11-30 | 2024-07-02 | 歌尔科技有限公司 | 一种耳机 |
CN115049015A (zh) * | 2022-07-14 | 2022-09-13 | 北京中科心研科技有限公司 | 时序数据的滑窗后对齐方法、装置及设备和存储介质 |
CN115049015B (zh) * | 2022-07-14 | 2023-04-18 | 北京中科心研科技有限公司 | 时序数据的滑窗后对齐方法、装置及设备和存储介质 |
WO2024066962A1 (zh) * | 2022-09-28 | 2024-04-04 | 华为技术有限公司 | 呼吸健康检测方法及可穿戴电子设备 |
CN115736915A (zh) * | 2022-11-21 | 2023-03-07 | 大连理工大学 | 基于多源信息融合的患者体能评估方法 |
CN115736915B (zh) * | 2022-11-21 | 2024-04-26 | 大连理工大学 | 基于多源信息融合的患者体能评估方法 |
CN117643461A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于人工智能的心率智能监测***及方法 |
CN117643461B (zh) * | 2024-01-30 | 2024-04-02 | 吉林大学 | 基于人工智能的心率智能监测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021213165A1 (zh) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113555132A (zh) | 多源数据处理方法、电子设备和计算机可读存储介质 | |
CN113395382B (zh) | 一种设备间数据交互的方法及相关设备 | |
CN111030990B (zh) | 一种建立通信连接的方法及客户端、服务端 | |
CN113552937B (zh) | 显示控制方法和可穿戴设备 | |
CN113892920B (zh) | 可穿戴设备的佩戴检测方法、装置及电子设备 | |
CN111552451A (zh) | 显示控制方法及装置、计算机可读介质及终端设备 | |
CN112651510A (zh) | 模型更新方法、工作节点及模型更新*** | |
CN114257920B (zh) | 一种音频播放方法、***和电子设备 | |
CN114095602B (zh) | 索引显示方法、电子设备及计算机可读存储介质 | |
CN113467735A (zh) | 图像调整方法、电子设备及存储介质 | |
CN115665632B (zh) | 音频电路、相关装置和控制方法 | |
CN115412678B (zh) | 曝光处理方法、装置及电子设备 | |
CN113129916A (zh) | 一种音频采集方法、***及相关装置 | |
CN113518189A (zh) | 拍摄方法、***、电子设备及存储介质 | |
CN113509145B (zh) | 睡眠风险监测方法、电子设备及存储介质 | |
CN114466238B (zh) | 帧解复用方法、电子设备及存储介质 | |
WO2021204036A1 (zh) | 睡眠风险监测方法、电子设备及存储介质 | |
CN115393676A (zh) | 手势控制优化方法、装置、终端和存储介质 | |
CN111460942A (zh) | 接近检测方法及装置、计算机可读介质及终端设备 | |
CN114064571A (zh) | 一种确定文件存储位置的方法、装置及终端 | |
CN116087930B (zh) | 音频测距方法、设备、存储介质和程序产品 | |
CN113749611B (zh) | 数据测量方法及相关装置 | |
CN113359120B (zh) | 用户活动距离的测量方法、设备和电子设备 | |
WO2023030067A1 (zh) | 遥控方法、遥控设备和被控制设备 | |
CN111026285B (zh) | 一种调节压力阈值的方法及电子设备 |
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 |