CN113827233A - 用户特征值检测方法及装置、存储介质及电子设备 - Google Patents
用户特征值检测方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113827233A CN113827233A CN202010589867.0A CN202010589867A CN113827233A CN 113827233 A CN113827233 A CN 113827233A CN 202010589867 A CN202010589867 A CN 202010589867A CN 113827233 A CN113827233 A CN 113827233A
- Authority
- CN
- China
- Prior art keywords
- data
- current
- user
- value
- characteristic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 100
- 238000004364 calculation method Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 2
- 239000008280 blood Substances 0.000 description 34
- 210000004369 blood Anatomy 0.000 description 34
- 239000008103 glucose Substances 0.000 description 23
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 22
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013186 photoplethysmography Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000197727 Euscorpius alpha Species 0.000 description 1
- 108010064719 Oxyhemoglobins Proteins 0.000 description 1
- 241000282941 Rangifer tarandus Species 0.000 description 1
- 108010046685 Rho Factor Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- GZCGUPFRVQAUEE-SLPGGIOYSA-N aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O GZCGUPFRVQAUEE-SLPGGIOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
-
- 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
- A61B5/14503—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 invasive, e.g. introduced into the body by a catheter or needle or using implanted sensors
-
- 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
- A61B5/14532—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 glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
- A61B2560/0228—Operational features of calibration, e.g. protocols for calibrating sensors using calibration standards
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Emergency Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Hematology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开涉及信息检测技术领域,具体涉及一种用户特征值检测方法及装置、计算机可读存储介质及电子设备,装置包括获取模块、训练模块、匹配模块以及计算模块,其中,获取模块用于获取至少一个用户多次录入的标准特征值和检测特征数据构成用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合;训练模块用于利用训练数据训练各用户的数据计算模型;匹配模块用于获取目标用户的当前特征数据,并根据当前特征数据和检测特征数据集合确定目标用户的数据计算模型;计算模块用于利用当前特征数据和目标用户的数据计算模型计算目标用户的用户特征值。本公开实施例的技术方案减低了检测成本。
Description
技术领域
本公开涉及信息检测技术领域,具体而言,涉及一种用户特征值检测方法及装置、计算机可读存储介质及电子设备。
背景技术
糖尿病是造成死亡、疾病负担及医疗卫生经济负担的重要原因,血糖管理是糖尿病管理的关键因素,血糖检测则是血糖管理的关键,因此,无创血糖检测检测的技术就变得较为重要。
现有技术中的无创血糖检测方法中,一个设备仅允许一个用户使用,导致检测成本较大。
因此,有必要设计一种新的用户特征值检测方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用户特征值检测方法及装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服相关技术中一个设备仅允许一个用户使用,导致检测成本较大的不足。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供了一种用户特征值检测装置,包括:
获取模块,用于获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合;
训练模块,用于利用所述训练数据训练各所述用户的数据计算模型;
匹配模块,用于获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型;
计算模块,用于利用所述当前特征数据和所述目标用户的数据计算模型计算所述目标用户的用户特征值。
在本公开的一种示例性实施例中,所述装置还包括:
判断模块,若所述用户特征值不在预设范围内,则获取目标用户的当前标准特征值;
第一更新模块,若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
在本公开的一种示例性实施例中,所述装置还包括:
检测模块,以预设时间为间隔获取所述目标用户的当前标准特征值;
第二更新模块,若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
在本公开的一种示例性实施例中,利用当前特征数据和所述当前标准特征值更新所述训练数据,包括:
分别计算目标用户的当前特征数据与所述目标用户对应的多个检测特征数据的相关度,并将最大值作为目标相关度;
若所述目标相关度大于等于第一预设阈值,则利用所述当前特征数据替换与当前特征数据匹配的所述检测特征数据;
利用所述当前标准特征值替换与所述当前特征数据匹配的所述标准特征值。
在本公开的一种示例性实施例中,所述利用当前特征数据和所述当前标准特征值更新所述训练数据,还包括:
若所述目标相关度小于所述第一预设阈值,将所述当前特征数据和所述当前标准特征值添加到所述训练数据中,并删除目标用户最先录入的一组标准特征值和检测特征数据。
在本公开的一种示例性实施例中,利用所述训练数据训练所述用户的数据计算模型,包括:
利用所述训练数据对所述数据计算模型中参数进行更新。
在本公开的一种示例性实施例中,获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据匹配所述数据计算模型,包括:
检测所述目标用户的当前特征数据,并分别计算所述当前特征数据与多个检测特征数据集合之间的相关系数;
将所述相关系数大于等于第二预设阈值的所述检测特征数据对应的数学计算模型确定为所述目标用户的数据计算模型。
在本公开的一种示例性实施例中,分别计算所述当前特征数据与多组所述检测特征数据集合之间的相关系数,包括:
计算当前特征数据与一个所述检测特征数据集合中各个检测特征数据的相关度,计算多个相关度的平均值得到所述相关系数;
遍历多组所述检测特征数据集合,完成对所述相关系数的计算。
根据本公开的一个方面,提供一种用户特征值检测方法,包括:
获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合;
利用所述训练数据训练各所述用户的数据计算模型;
获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型;
利用所述当前特征数据和所述目标用户的数据计算模型计算所述目标用户的用户特征值。
在本公开的一种示例性实施例中,所述方法还包括:
若所述用户特征值不在预设范围内,则获取目标用户的当前标准特征值;
若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
在本公开的一种示例性实施例中,所述方法还包括:
以预设时间为间隔获取所述目标用户的当前标准特征值;
若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
在本公开的一种示例性实施例中,利用当前特征数据和所述当前标准特征值更新所述训练数据,包括:
分别计算目标用户的当前特征数据与所述目标用户对应的多个检测特征数据的相关度,并将最大值作为目标相关度;
若所述目标相关度大于等于第一预设阈值,则利用所述当前特征数据替换与当前特征数据匹配的所述检测特征数据;
利用所述当前标准特征值替换与所述当前特征数据匹配的所述标准特征值。
在本公开的一种示例性实施例中,所述利用当前特征数据和所述当前标准特征值更新所述训练数据,还包括:
若所述目标相关度小于所述第一预设阈值;
将所述当前特征数据和所述当前标准特征值添加到所述训练数据中,并删除目标用户最先录入的一组标准特征值和检测特征数据。
在本公开的一种示例性实施例中,利用所述训练数据训练所述用户的数据计算模型,包括:
利用所述训练数据对所述数据计算模型中参数进行更新。
在本公开的一种示例性实施例中,获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据匹配所述数据计算模型,包括:
检测所述目标用户的当前特征数据,并分别计算所述当前特征数据与多个检测特征数据集合之间的相关系数;
将所述相关系数大于等于第二预设阈值的所述检测特征数据对应的数学计算模型确定为所述目标用户的数据计算模型。
在本公开的一种示例性实施例中,分别计算所述当前特征数据与多组所述检测特征数据集合之间的相关系数,包括:
计算当前特征数据与一个所述检测特征数据集合中各个检测特征数据的相关度,计算多个相关度的平均值得到所述相关系数;
遍历多组所述检测特征数据集合,完成对所述相关系数的计算。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任意一项所述的用户特征值检测方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述任意一项所述的用户特征值检测方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开的一种实施例所提供的用户特征值检测装置中,通过获取模块获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合,并完成对每个用户对应的计算模型的训练,匹配模块和计算模块获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型并计算得到目标用户的用户特征值,相较于现有技术,一方面,可以录入多个用户的训练数据,并完成对多个用户的计算模型的训练,使得设备能够供多个用户使用,节约了检测成本,另一方面,可以直接由用户的当前特征数据完成登录并得到目标用户的数据计算模型完成计算,无需再次开发其他的登录程序,节约了计算资源,同时用户无需经过繁琐的登录,直接可以获取用户对应的数据计算模型来完成用户特征值的获取,增强了用户体验,加快了检测效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1示意性示出本公开示例性实施例中一种用户特征值检测装置的组成示意图;
图2示意性示出本公开示例性实施例中PPG信号波形分析示意图;
图3示意性示出本公开示例性实施例中对训练数据进行更新的流程图;
图4示意性示出本公开示例性实施例中用户特征值检测方法的流程图;
图5示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机***的结构示意图;
图6示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参照附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
糖尿病是造成死亡、疾病负担及医疗卫生经济负担的重要原因,我国是世界上糖尿病患病人数最多的国家。糖尿病目前尚无办法根治,一旦患病即需要终生治疗,且并发症多、治疗费用高。为提升糖尿病患者的生活质量,延长患者生存时间,有必要对患者进行长期、深度的支持和干预。
其中,血糖管理是糖尿病管理的关键因素。影响血糖的因素主要有饮食***等。相关技术中的血糖检测设备仅有基于近红外的光电容积脉搏波检测技术真正实现无创血糖检测,在正式检测前,需要有很长一段时间进行有创检测训练设备中内置的数据计算模型,一旦模型成熟则设备只能检测唯一受试者的血糖,且一段时间后又需要重复标定。这种设备出于集成化考虑,成本很高。
在本示例性实施例中,基于上述缺点,本公开首先提供了一种用户特征值检测装置,可以应用于对用户的特征值进行检测,例如检测用户的血糖、血压等。参照图1所示,所述用户特征值检测装置100包括:获取模块110,训练模块120,匹配模块130,和计算模块140。
其中,所述获取模块110可以用于获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合;所述训练模块120可以用于利用所述训练数据训练各所述用户的数据计算模型;匹配模块130可以用于获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型;计算模块140可以用于利用所述当前特征数据和所述目标用户的数据计算模型计算所述目标用户的用户特征值。
根据本示例性实施例中所提供的用户特征值检测装置中,相较于现有技术,一方面,可以录入多个用户的训练数据,并完成对多个用户的计算模型的训练,使得设备能够供多个用户使用,节约了检测成本,另一方面,可以直接由用户的当前特征数据完成登录并得到目标用户的数据计算模型完成计算,无需再次开发其他的登录程序,节约了计算资源,同时用户无需经过繁琐的登录,直接可以获取用户对应的数据计算模型来完成用户特征值的获取,增强了用户体验,加快了检测效率。
下面,将结合附图及实施例对本示例性实施例中的用户特征值检测装置的各个模块进行更详细的说明。
获取模块110可以用于获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据。
在本公开的一种示例实施方式中,标准特征值可以是血糖值、血压值、血脂等,在本示例实施方式中不做具体限定。
下面以上述标准特征值为血糖值为例记性详细说明,
在本公开的一种示例实施方式中,无创血糖测量可以是基于光电容积脉搏波(PPG)的血糖检测,可以通过多路LED照射指尖,利用光电传感器采集经组织吸收的光信号,波形如图2所示,提取信号特征,基于Lambert-Beer定律,计算血糖值。
基于Lambert-Beer定律,吸光度可以表示为如下公式:
在仅有一个光电传感接收器的情况下,充分考虑PPG信号的交直流关系,在波长固定入射光照射下接收器检测到的PPG信号存在最大值Imax和最小值Imin,如图2所示。交流部分产生的主要原因是动脉脉动部分对光的吸收,分析此处的即:
通过选取合适的光源波长,使得主吸光物质为血糖及功能性血红蛋白(氧合血红蛋白、还原血红蛋白),则建立多路方程可计算出血糖浓度Cglucose,即应用于血糖测量的数据计算模型如下:
其中,α1,…,α6,β为定值,与用户检测位置的生理环境有关,故在使用前需要采集有创血糖值即标准特征值与检测特征数据的 反推出数据计算模型中的参数α1,…,α6,β,然后采用训练完成后的数据计算模型计算血糖值。由于接收器需要完成对多路光的感应,需接受范围广、分辨率高,硬件成本较高,且相关技术中的数据处理、存储模式使得单设备只支持一人使用,导致检测成本较高。
在本示例实施方式中,可以获取至少一个用户多次录入的标准特征值和检测特征数据构成训练数据,即每一个用户都需要多次录入标准特征值和标准特征值对应的检测特征数据,每一个用户的训练数据包括标准特征值集合和检测特征数据集合,其中标准特征值集合中包括多个标准特征值,且检测特征数据集合中包括数量于标准特征值相同的检测特征数据,其中检测特征数据和标准特征值一一对应。
具体而言,以测量血糖为例进行详细说明,每一个用户可以多次录入有创血糖值即标准特征值,以及对应的无创检测特征值即上述检测特征数据形成训练数据集其中 表示有创检测血糖值,即标准特征值,其中L、N均正整数。
训练模块120可以用于利用所述训练数据训练各所述用户的数据计算模型。
在本公开的一种示例实施方式中,可以利用上述得到的训练数据训练上述数据计算模型,其中训练数据计算模型如下:
其中,α1,…,α6,β为定值,与用户检测位置的生理环境有关,在对上述数据计算模型进行训练时,使用需要采集有创血糖值即标准特征值与检测特征数据的反推出数据计算模型中的参数,即α1,…,α6,β,将推出的参数替换原有数据计算模型中的参数完成对上述数据计算模型的训练。
在本示例实施方式中,每一个用户对应一个数据计算模型,即上述对数据计算模型进行训练时,分别利用每一个用户的训练数据训练该用户对应的数据计算模型,并确定各个数据计算模型与用户之间的对应关系。
在本示例实施方式中,在完成对用户的数据技术模型的训练之后,可以生成每一个用户对应的数据档案,数据档案可以包括训练数据Ψ和特征值预测集Θ=[θ1,θ2,…,θM],其中其中,表示检测特征值,M为正整数。
匹配模块130可以用于获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型;
在本公开的一种示例实施方式中,可以首先检测目标用户的当前特征数据,具体可以为分别计算当前特征数据与多个检测特征数据集合之间的相关系数,具体而言,计算当前特征数据与其中人一个检测特征数据结合中各个检测特征集合的相关度,并计算多个相关度的平均值得到行数相关系数。
在本示例实施方式中,利用当前特征数据分别所有用户的训练数据Ψ的前L行进行相关度分析,即与检测特征数据进行相关度分析得到相关系数,即计算当前特征数据与用户的多个检测特征数据之间的相关度,并计算平均值得到相关系数,当上述相关系数大于等于第二预设阈值时,确定用户登录,即将相关系数大于等于第二预设阈值的所述检测特征数据对应的数据计算模型确定为所述目标用户的数据计算模型。即确定目标用户的数据计算模型中的α1,…,α6,β的值。
计算模块140可以用于利用所述当前特征数据和所述目标用户的数据计算模型计算所述目标用户的用户特征值。
在本公开的一种示例实施方式中,将目标用户的当前检测数据代入上述匹配模块130确定的数据计算模型中,即可得到目标用户的用户特征值。
在本示例实施方式中,可以将用户特征值与当前特征数据进行存储,可以为后续的检测提供对比,或者是在用户后续的特征数据与当前检测数据相同时,可以直接调取使用,无需再次进行计算过程。
在本公开的一种示例实施方式中,本公开用户特征值检测装置还可以包括判断模块和第一更新模块,判断模块用于判断用户特征值是否在预设范围内,其中预设范围可以根据用户特征值的具体形式以及用户的身体状况进行自定义,例如,用户特征值为用户血糖值时,预设范围可以为大于等于3.9毫摩尔/升且小于等于6.1毫摩尔/升,即用户血糖值过高或过低,存在风险;在本示例实施方式中不多上述预设范围做具体限定。
当目标用户特征值不在上述预设范围时,参照图3所示,可以首先执行步骤S310,获取当前标准特征值,具体而言,首先获取目标用户的当前标准特征值,然后执行步骤S320,判断当前标准特征值与用户特征值差值的大小,若差值的绝对值大于等于预设值,则执行步骤S340到步骤S370,利用当前特征数据和当前标准特征值更新训练数据,对目标用户的数据计算模型进行重新训练。若差值的绝对值小于预设值,则执行步骤S330,则判定用户特征值检测准确,无需对训练数据进行更新。
在本示例实施方式中,当用户特征值为用户血糖值时,当需要获取上述目标用户的标准特征值时,可以执行步骤S340,可以判断用户特征值和标准特征值之间差值的绝对值,即采用本方案的装置采集的无创血糖值与采用有创检测检测到的血糖值之间的差值的绝对值,并判断绝对值与预设值的大小,预设值可以是1mmol/L、2mmol/L等,也可以根据需求进行自定义,在本示例实施方式中不做具体限定。在另一种示例实施方式中,还可以利用过上述确定的特征值预测集来进行判断,首先可以标记目标用户的特征值预测集单元其中,Q大于等于1限于等于M,并记录有创检测结果,即当前标准特征值若则认为受试者的生理环境出现变化,需要更新训练数据并更新数据计算模型,否则认为误差可被接受,不需要目标用户的数据计算模型进行重新训练。
在本公开的另一种示例实施方式中,可以设定一预设时间,以预设时间为间隔获取用户的当前标注特征值,在获取标准特征值后,可以判断用户特征值和标准特征值之间差值的绝对值,即采用本方案的装置采集的无创血糖值与采用有创检测检测到的血糖值之间的差值的绝对值,并判断绝对值与预设值的大小,预设值可以是1mmol/L、2mmol/L等,也可以根据需求进行自定义,在本示例实施方式中不做具体限定;预设时间可以是5天、6天等可以根据用户的不同进行自定义,在本示例实施方式中不做具体限定。在另一种示例实施方式中,还可以利用过上述确定的特征值预测集来进行判断,首先可以标记目标用户的特征值预测集单元并记录有创检测结果,即当前标准特征值若则认为受试者的生理环境出现变化,需要更新训练数据并更新数据计算模型,否则认为误差可被接受,不需要目标用户的数据计算模型进行重新训练。
在本公开的一种示例实施方式中,在需要数据模型的训练数据进行更新时,可以首先判断目标的当前特征数据与用户训练数据中的多个检测数据之间的相关度,把获取多个相关度之中的最大值作为目标相关度,然后执行步骤S340,计算目标相关度与第一预设阈值之间的大小关系,若目标相关度大于等于第一预设阈值,则执行步骤S360,利用当前特征数据替换与当前特征数据匹配的所述检测特征数据;利用当前标准特征值替换与所述当前特征数据匹配的所述标准特征值。若目标相关度限于等于第一预设阈值,则执行步骤S350,,将当前特征数据和当前标准特征值添加到训练数据中,并删除目标用户最先录入的一组标准特征值和检测特征数据,,最后执行步骤S370,利用更新后的驯鹿按数据完成对数据计算模型的再次训练。
在本示例实施方式中,第一预设阈值可以是0.8,也可以是0.9、0.85等,在本示例实施方式中不做具体限定。
具体而言,可以首先判断无创检测参数向量,即当前特征数据在已有训练数据中是否有相关度大于等于第一预设与追的检测特征数据。若在训练数据Ψ中存在检测特征数据与当前特征数据的相关度大于等于0.8,则将替换若不存在则按照录入时间去除掉训练数据Ψ的第一个检测特征数据余下检测特征数据左移,将当前特征数据代替进入训练数据,然后利用新的训练数据训练目标用户的数据计算模型。
本公开还提供一种新的用户特征值检测,参照图4所示,上述的用户特征值检测方法可以包括以下步骤:
S410,获取事件发生区域范围内用户的特征信息;
S420,根据所述特征信息将与所述事件适配的用户作为目标用户;
S430,确定所述目标用户与各所述事件参与主体之间的关联关系,并根据所述关联关系计算各所述事件参与主体的目标用户的权重;
S440,根据所述权重确定在所述事件发生区播放的视频。
由于本公开的示例实施例的用户特征值检测装置的各个功能模块与上述用户特征值检测方法的示例实施例的步骤对应,因此对于本公开方法实施例中未披露的细节,请参照本公开上述的用户特征值检测方法的实施例。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述用户特征值检测的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为***、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“***”。
下面参照图5来描述根据本公开的这种实施例的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同***组件(包括存储单元520和处理单元510)的总线530、显示单元540。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如,所述处理单元510可以执行如图4中所示的步骤S410:获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合;S420:利用所述训练数据训练各所述用户的数据计算模型;S430:获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型;S440:利用所述当前特征数据和所述目标用户的数据计算模型计算所述目标用户的用户特征值。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524,这样的程序模块525包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
参照图6,描述了根据本公开的实施例的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (18)
1.一种用户特征值检测装置,其特征在于,包括:
获取模块,用于获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合;
训练模块,用于利用所述训练数据训练各所述用户的数据计算模型;
匹配模块,用于获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型;
计算模块,用于利用所述当前特征数据和所述目标用户的数据计算模型计算所述目标用户的用户特征值。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括:
判断模块,若所述用户特征值不在预设范围内,则获取目标用户的当前标准特征值;
第一更新模块,若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
3.根据权利要求1所述的装置,其特征在于,所述装置还包括:
检测模块,以预设时间为间隔获取所述目标用户的当前标准特征值;
第二更新模块,若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
4.根据权利要求2或3所述的装置,其特征在于,利用当前特征数据和所述当前标准特征值更新所述训练数据,包括:
分别计算目标用户的当前特征数据与所述目标用户对应的多个检测特征数据的相关度,并将最大值作为目标相关度;
若所述目标相关度大于等于第一预设阈值,则利用所述当前特征数据替换与当前特征数据匹配的所述检测特征数据;
利用所述当前标准特征值替换与所述当前特征数据匹配的所述标准特征值。
5.根据权利要求4所述的装置,其特征在于,所述利用当前特征数据和所述当前标准特征值更新所述训练数据,还包括:
若所述目标相关度小于所述第一预设阈值,则将所述当前特征数据和所述当前标准特征值添加到所述训练数据中,并删除目标用户最先录入的一组标准特征值和检测特征数据。
6.根据权利要求1所述的装置,其特征在于,利用所述训练数据训练所述用户的数据计算模型,包括:
利用所述训练数据对所述数据计算模型中参数进行更新。
7.根据权利要求1所述的装置,其特征在于,获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据匹配所述数据计算模型,包括:
检测所述目标用户的当前特征数据,并分别计算所述当前特征数据与多个检测特征数据集合之间的相关系数;
将所述相关系数大于等于第二预设阈值的所述检测特征数据对应的数学计算模型确定为所述目标用户的数据计算模型。
8.根据权利要求7所述的装置,其特征在于,分别计算所述当前特征数据与多组所述检测特征数据集合之间的相关系数,包括:
计算当前特征数据与一个所述检测特征数据集合中各个检测特征数据的相关度,计算多个相关度的平均值得到所述相关系数;
遍历多组所述检测特征数据集合,完成对所述相关系数的计算。
9.一种用户特征值检测方法,其特征在于,包括:
获取至少一个用户多次录入的标准特征值和检测特征数据构成所述用户的训练数据,其中每一个用户的训练数据中包括标准特征值集合和检测特征数据集合;
利用所述训练数据训练各所述用户的数据计算模型;
获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据集合确定所述目标用户的数据计算模型;
利用所述当前特征数据和所述目标用户的数据计算模型计算所述目标用户的用户特征值。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
若所述用户特征值不在预设范围内,则获取目标用户的当前标准特征值;
若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
11.根据权利要求9所述的方法,其特征在于,所述方法还包括:
以预设时间为间隔获取所述目标用户的当前标准特征值;
若所述用户特征值与所述当前标准特征值差值大于预设值,则利用当前特征数据和所述当前标准特征值更新所述训练数据。
12.根据权利要求10或11所述的方法,其特征在于,利用当前特征数据和所述当前标准特征值更新所述训练数据,包括:
分别计算目标用户的当前特征数据与所述目标用户对应的多个检测特征数据的相关度,并将最大值作为目标相关度;
若所述目标相关度大于等于第一预设阈值,则利用所述当前特征数据替换与当前特征数据匹配的所述检测特征数据;
利用所述当前标准特征值替换与所述当前特征数据匹配的所述标准特征值。
13.根据权利要求12所述的方法,其特征在于,所述利用当前特征数据和所述当前标准特征值更新所述训练数据,还包括:
若所述目标相关度小于所述第一预设阈值,将所述当前特征数据和所述当前标准特征值添加到所述训练数据中,并删除目标用户最先录入的一组标准特征值和检测特征数据。
14.根据权利要求9所述的方法,其特征在于,利用所述训练数据训练所述用户的数据计算模型,包括:
利用所述训练数据对所述数据计算模型中参数进行更新。
15.根据权利要求9所述的方法,其特征在于,获取目标用户的当前特征数据,并根据所述当前特征数据和所述检测特征数据匹配所述数据计算模型,包括:
检测所述目标用户的当前特征数据,并分别计算所述当前特征数据与多个检测特征数据集合之间的相关系数;
将所述相关系数大于等于第二预设阈值的所述检测特征数据对应的数学计算模型确定为所述目标用户的数据计算模型。
16.根据权利要求15所述的方法,其特征在于,分别计算所述当前特征数据与多组所述检测特征数据集合之间的相关系数,包括:
计算当前特征数据与一个所述检测特征数据集合中各个检测特征数据的相关度,计算多个相关度的平均值得到所述相关系数;
遍历多组所述检测特征数据集合,完成对所述相关系数的计算。
17.一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,所述程序被处理器执行时实现如权利要求9至16中任一项所述的用户特征值检测方法。
18.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求9至16中任一项所述的用户特征值检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589867.0A CN113827233A (zh) | 2020-06-24 | 2020-06-24 | 用户特征值检测方法及装置、存储介质及电子设备 |
PCT/CN2021/094904 WO2021258937A1 (zh) | 2020-06-24 | 2021-05-20 | 用户特征值检测方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589867.0A CN113827233A (zh) | 2020-06-24 | 2020-06-24 | 用户特征值检测方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113827233A true CN113827233A (zh) | 2021-12-24 |
Family
ID=78964616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010589867.0A Pending CN113827233A (zh) | 2020-06-24 | 2020-06-24 | 用户特征值检测方法及装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113827233A (zh) |
WO (1) | WO2021258937A1 (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103654760A (zh) * | 2012-09-10 | 2014-03-26 | 焦文华 | 无创颅内压测量方法及应用该方法的无创颅内压分析仪 |
CN106650784A (zh) * | 2016-11-04 | 2017-05-10 | 许继集团有限公司 | 一种基于特征聚类比较的光伏电站功率预测方法及装置 |
US20170358093A1 (en) * | 2016-06-08 | 2017-12-14 | Axis Ab | Method and apparatus for updating a background model |
CN108197664A (zh) * | 2018-01-24 | 2018-06-22 | 北京墨丘科技有限公司 | 模型获取方法、装置、电子设备及计算机可读存储介质 |
CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技(深圳)有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
CN110705598A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 智能模型管理方法、装置、计算机设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8366627B2 (en) * | 2008-09-10 | 2013-02-05 | Massachusetts Institute Of Technology | Systems, devices and methods for noninvasive or minimally-invasive estimation of intracranial pressure and cerebrovascular autoregulation |
CN101627905B (zh) * | 2009-07-30 | 2011-08-31 | 季忠 | 一种颅内压无创综合监测分析方法及装置 |
CN102429651B (zh) * | 2011-08-15 | 2013-10-30 | 重庆大学 | 基于多参数的颅内压无创检测方法及装置 |
US20150133798A1 (en) * | 2013-11-13 | 2015-05-14 | The Regents Of The University Of California | Methods for noninvasive intracranial pressure calibration without the need for invasive icp |
CN103610456B (zh) * | 2013-12-08 | 2015-06-10 | 季忠 | 基于生理信号特征参数的颅脑压力无创监测分析*** |
CN108498089B (zh) * | 2018-05-08 | 2022-03-25 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
CN109758160B (zh) * | 2019-01-11 | 2021-07-20 | 南京邮电大学 | 一种基于lstm-rnn模型的无创血糖预测方法 |
-
2020
- 2020-06-24 CN CN202010589867.0A patent/CN113827233A/zh active Pending
-
2021
- 2021-05-20 WO PCT/CN2021/094904 patent/WO2021258937A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103654760A (zh) * | 2012-09-10 | 2014-03-26 | 焦文华 | 无创颅内压测量方法及应用该方法的无创颅内压分析仪 |
US20170358093A1 (en) * | 2016-06-08 | 2017-12-14 | Axis Ab | Method and apparatus for updating a background model |
CN106650784A (zh) * | 2016-11-04 | 2017-05-10 | 许继集团有限公司 | 一种基于特征聚类比较的光伏电站功率预测方法及装置 |
CN108197664A (zh) * | 2018-01-24 | 2018-06-22 | 北京墨丘科技有限公司 | 模型获取方法、装置、电子设备及计算机可读存储介质 |
CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技(深圳)有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
CN110705598A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 智能模型管理方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021258937A1 (zh) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11963799B2 (en) | Systems and methods for non-invasive blood pressure measurement | |
Monte-Moreno | Non-invasive estimate of blood glucose and blood pressure from a photoplethysmograph by means of machine learning techniques | |
US20230181069A1 (en) | Systems and Methods for Biological Metrics Measurement | |
Goh et al. | Robust PPG motion artifact detection using a 1-D convolution neural network | |
Liu et al. | MetaPhys: few-shot adaptation for non-contact physiological measurement | |
Huang et al. | MLP-BP: A novel framework for cuffless blood pressure measurement with PPG and ECG signals based on MLP-Mixer neural networks | |
US20100274102A1 (en) | Processing Physiological Sensor Data Using a Physiological Model Combined with a Probabilistic Processor | |
KR20160094265A (ko) | 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법 | |
US20210076953A1 (en) | Methods and systems for pulse transit time determination | |
Roy et al. | On-device reliability assessment and prediction of missing photoplethysmographic data using deep neural networks | |
US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
González et al. | A benchmark for machine-learning based non-invasive blood pressure estimation using photoplethysmogram | |
Dhyani et al. | Arrhythmia disease classification utilizing ResRNN | |
CN110623678A (zh) | 一种血糖测量装置及其数据处理方法、存储介质 | |
Chu et al. | Non-invasive arterial blood pressure measurement and SpO2 estimation using PPG signal: A deep learning framework | |
Prabha et al. | Intelligent estimation of blood glucose level using wristband PPG signal and physiological parameters | |
Kumar et al. | A novel CS-NET architecture based on the unification of CNN, SVM and super-resolution spectrogram to monitor and classify blood pressure using photoplethysmography | |
CN117672443A (zh) | 体检数据分析方法、装置、电子设备及存储介质 | |
CN113827233A (zh) | 用户特征值检测方法及装置、存储介质及电子设备 | |
Sivanjaneyulu et al. | Cnn based ppg signal quality assessment using raw ppg signal for energy-efficient ppg analysis devices in internet of medical things | |
Gecili et al. | Functional data analysis and prediction tools for continuous glucose-monitoring studies | |
KR20230044160A (ko) | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 | |
WO2023095171A1 (en) | Non-invasive sensor fusion and ai technology for human vital measurement | |
Zhang et al. | Cascade forest regression algorithm for non-invasive blood pressure estimation using PPG signals | |
Raj et al. | Smart automated heart health monitoring using photoplethysmography signal classification |
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 |