CN115878995B - 一种胸外按压动作规范性判别***及方法 - Google Patents
一种胸外按压动作规范性判别***及方法 Download PDFInfo
- Publication number
- CN115878995B CN115878995B CN202211438599.8A CN202211438599A CN115878995B CN 115878995 B CN115878995 B CN 115878995B CN 202211438599 A CN202211438599 A CN 202211438599A CN 115878995 B CN115878995 B CN 115878995B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- program
- judging
- server
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000006835 compression Effects 0.000 title claims abstract description 26
- 238000007906 compression Methods 0.000 title claims abstract description 26
- 230000009471 action Effects 0.000 title claims abstract description 12
- 238000010606 normalization Methods 0.000 title claims description 12
- 238000012549 training Methods 0.000 claims abstract description 115
- 238000012360 testing method Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000000547 structure data Methods 0.000 claims abstract description 4
- 238000012790 confirmation Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 6
- 238000012850 discrimination method Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于数据处理技术领域,具体涉及一种胸外按压动作规范性判别***及方法,方法包括:客户端生成训练程序,并且对于训练程序的整体或者训练程序的一部分进行加密处理,还把加密后的训练程序发送给服务器;服务器对于加密后的训练程序进行解密处理,同时执行训练程序,并且比较训练程序中的认证数据和自身预先存储的认证数据的一致性;服务器基于训练程序中的训练数据和测试数据生成新的训练数据,根据训练程序中的判别模型的结构数据,训练数据,以及新的训练数据训练完成判别模型,并且加密处理判别模型的参数数据,本发明能够自动实现对于胸外按压动作的规范性判别。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种胸外按压动作规范性判别***及方法。
背景技术
胸外按压被公认为一种有效的抢救措施,对于胸外按压的实际操作过程进行规范性判别在医学急救领域中已经成为重要课题,现有技术在判别胸外按压动作的规范性时,研究人员一般需要采集仿真模拟病人体内的多个传感器的大量传感器数据,以及按压人在进行胸外按压时的大量关节点数据,从而研究人员根据采集到的大量传感器数据和大量关节点数据构建机器学习模型的训练数据集,在构建训练数据集时,研究人员需要依靠人工生成训练数据记录,每个训练数据记录都包括有数据部分和结果部分,当需要生成的训练数据记录的数量较大时,不仅会花费大量的人工成本,而且生成训练数据记录的效率也较低,此外,由于个人计算机的性能限制,研究人员通常会借助远程服务器的存储和计算能力来存储相关数据,以及进行机器学习模型的训练,然而可能会产生数据安全问题,由此,本发明提出一种胸外按压动作规范性判别***及方法来同时解决上述的技术问题。
发明内容
本发明将客户端的训练程序发送给服务器,服务器检查客户端的身份,并且根据训练程序中的训练数据和测试数据生成新的训练数据,以增加训练数据的总数量,同时避免依靠人工生成训练数据,服务器还对于判别模型进行训练,加密处理判别模型的参数数据,客户端检查服务器的身份,使用服务器训练好的判别模型输出判别结果数据,达到确保数据安全的效果。
为了达到上述的发明目的,本发明给出如下所述的一种胸外按压动作规范性判别方法,主要包括以下的步骤:
客户端生成训练程序,所述训练程序中包括认证数据、加密密钥数据、判别模型的结构数据、训练数据、测试数据,并且所述客户端对于所述训练程序的整体或者所述训练程序的一部分进行加密处理,还把加密后的所述训练程序发送给服务器;
所述服务器对于加密后的所述训练程序进行解密处理,同时执行所述训练程序,从所述训练程序中获取和存储加密密钥数据,并且所述服务器比较所述训练程序中的认证数据和自身预先存储的认证数据的一致性,当二者一致时,继续下个步骤,当二者不一致时,结束步骤;
所述服务器基于所述训练程序中的训练数据和测试数据生成新的训练数据,所述服务器根据所述训练程序中的判别模型的结构数据,所述训练数据,以及所述新的训练数据训练完成所述判别模型,同时所述训练程序执行完成,并且使用加密密钥数据对于所述判别模型的参数数据进行加密处理,还删除加密密钥数据。
作为本发明的一种优选技术方案,所述客户端对于所述训练程序进行加密处理时,使用的是所述服务器的公钥数据,所述服务器对于加密后的所述训练程序进行解密处理时,使用的是自身的私钥数据。
作为本发明的一种优选技术方案,在所述服务器使用加密密钥数据对于所述判别模型的参数数据进行加密处理,还删除加密密钥数据之后,包括如下的步骤:
所述服务器生成判别程序,所述判别程序中包括确认数据、加密后的所述判别模型的参数数据、解密密钥数据,并且所述服务器对于所述判别程序的整体或者所述判别程序的一部分进行加密处理,还把加密后的所述判别程序发送给所述客户端;
所述客户端对于加密后的所述判别程序进行解密处理,同时执行所述判别程序,从所述判别程序中获取和存储解密密钥数据,所述客户端还将所述判别程序中的确认数据与自身预先存储的确认数据进行一致性比较,当二者一致时,继续下个步骤,当二者不一致时,结束步骤;
所述客户端使用解密密钥数据解密处理所述判别程序中的加密后的所述判别模型的参数数据,以及取得所述判别模型的输入数据,并且所述客户端通过所述判别模型输出与输入数据相对应的判别结果数据,同时所述判别程序执行完成,还删除解密密钥数据。
作为本发明的一种优选技术方案,所述服务器使用所述客户端的公钥数据加密处理所述判别程序,并且所述客户端使用自身的私钥数据解密处理加密后的所述判别程序。
作为本发明的一种优选技术方案,每个所述训练数据和每个所述测试数据都包括数据部分和结果部分,所述数据部分指的是仿真模拟病人体内的多个传感器的不同传感器数据,以及按压人在进行胸外按压时的不同关节点数据,所述结果部分指的是与所述数据部分相对应的扣分数据。
作为本发明的一种优选技术方案,所述服务器基于所述训练程序中的训练数据和测试数据生成新的训练数据,包括如下的步骤:
所述服务器通过所述训练数据对于所述判别模型进行预训练处理,并且所述服务器将不同所述测试数据的数据部分输入预训练后的所述判别模型,分别得到与不同所述测试数据的数据部分相对应的预测结果部分;
在得到的全部预测结果部分中,分别计算预测结果部分与相应的结果部分之间的误差,同时分别确定与误差大于预设的误差阈值的预测结果部分相对应的所述测试数据;
分别对于确定的不同所述测试数据进行变换处理,并且将变换后的所述测试数据的数据部分输入预训练后的所述判别模型,预训练后的所述判别模型分别输出相应的新的预测结果部分;
在得到的全部新的预测结果部分中,分别计算新的预测结果部分与相应的变换后的结果部分之间的误差,同时分别确定与误差小于等于预设的误差阈值的新的预测结果部分相对应的变换后的所述测试数据,并且对于所述训练数据进行与变换后的所述测试数据相对应的逆变换处理,得到新的训练数据。
作为本发明的一种优选技术方案,所述服务器基于所述训练程序中的训练数据和测试数据生成新的训练数据,还包括如下的步骤:
所述服务器通过所述训练数据对于所述判别模型进行预训练处理,并且所述服务器将不同所述测试数据的数据部分输入预训练后的所述判别模型,分别得到与不同所述测试数据的数据部分相对应的预测结果部分;
在得到的全部预测结果部分中,分别计算预测结果部分与相应的结果部分之间的误差,同时分别确定与误差小于等于预设的误差阈值的预测结果部分相对应的所述测试数据;
分别对于确定的不同所述测试数据进行变换处理,并且将变换后的所述测试数据的数据部分输入预训练后的所述判别模型,预训练后的所述判别模型分别输出相应的新的预测结果部分;
在得到的全部新的预测结果部分中,分别计算新的预测结果部分与相应的变换后的结果部分之间的误差,同时分别确定与误差大于预设的误差阈值的新的预测结果部分相对应的变换后的所述测试数据,并且对于所述训练数据进行与变换后的所述测试数据相对应的变换处理,得到新的训练数据。
本发明还提供一种胸外按压动作规范性判别***,主要包括以下的模块:
客户端模块,用于生成训练程序,对于训练程序进行加密处理,将加密后的训练程序发送给服务器模块,并且用于解密处理加密后的判别程序,对于服务器模块进行身份验证,同时执行判别程序,对于判别程序中的加密后的判别模型的参数数据进行解密处理,使用判别模型输出判别结果数据;
服务器模块,用于解密处理加密后的训练程序,对于客户端模块进行身份验证,同时执行训练程序,并且用于根据训练程序中的训练数据和测试数据生成新的训练数据,解密处理训练程序中的加密后的判别模型的结构数据,使用训练数据和新的训练数据针对判别模型进行训练,还用于生成判别程序以及加密处理判别程序,将加密后的判别程序发送给客户端模块。
与现有技术相比,本发明的有益效果至少如下所述:
本发明解决了现有技术需要依靠人工生成训练数据,当需要生成的训练数据的数量较大时,不仅要花费大量的人工成本,而且生成训练数据的效率也较低的技术问题,本发明的客户端将少量的训练数据和测试数据发送给服务器,服务器能够产生新的训练数据,从而增加训练数据的总数量,本发明还解决了客户端借助服务器资源训练判别模型时,可能会导致的包括判别模型在内的数据的安全性问题,本发明结合加密处理和身份认证确保了数据的安全性。
附图说明
图1为本发明的一种胸外按压动作规范性判别方法的步骤流程图;
图2为本发明的一种胸外按压动作规范性判别***的组成结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
发明人在实际中发现现有技术在判别胸外按压动作的规范性时,研究人员一般需要采集仿真模拟病人体内的多个传感器的传感器数据,以及按压人在进行胸外按压时的关节点数据,从而研究人员根据采集到的传感器数据和关节点数据构建机器学习模型的训练数据集,在构建训练数据集时,研究人员需要依靠人工生成训练数据记录,每个训练数据记录都包括有数据部分和结果部分,当需要生成的训练数据记录的数量较大时,不仅会花费大量的人工成本,而且生成训练数据记录的效率也较低,此外,由于个人计算机的性能限制,研究人员通常会借助远程服务器的存储和计算能力来存储相关数据,以及进行机器学习模型的训练,然而这有可能会产生数据安全的问题。
为了解决上述的技术问题,本发明给出了如图1所示的一种胸外按压动作规范性判别方法,主要通过执行如下的步骤过程来实现:
步骤一、客户端生成训练程序,上述训练程序中包括认证数据、加密密钥数据、判别模型的结构数据、训练数据、测试数据,并且上述客户端对于上述训练程序的整体或者上述训练程序的一部分进行加密处理,还把加密后的上述训练程序发送给服务器;
步骤二、上述服务器对于加密后的上述训练程序进行解密处理,同时执行上述训练程序,从上述训练程序中获取和存储加密密钥数据,并且上述服务器比较上述训练程序中的认证数据和自身预先存储的认证数据的一致性,当二者一致时,继续下个步骤,当二者不一致时,结束步骤;
步骤三、上述服务器基于上述训练程序中的训练数据和测试数据生成新的训练数据,上述服务器根据上述训练程序中的判别模型的结构数据,上述训练数据,以及上述新的训练数据训练完成上述判别模型,同时上述训练程序执行完成,并且使用加密密钥数据对于上述判别模型的参数数据进行加密处理,还删除加密密钥数据。
具体的,在上述步骤一中,客户端编写训练程序,训练程序中包含有多种有用的数据,通过执行训练程序能够训练用来判别胸外按压动作规范性的判别模型,为了提高训练程序的数据安全性,客户端还对训练程序进行加密处理,可以加密处理全部训练程序,也可以只加密处理一部分训练程序,加密处理一部分训练程序花费较少的加密处理时间,客户端将加密后的训练程序发送给服务器,目的是为了利用服务器强大的存储能力和运算能力来训练判别模型,在上述步骤二中,服务器解密处理加密后的训练程序,并且执行训练程序,在执行训练程序时能够读取加密密钥数据,服务器对于加密密钥数据进行存储,还能够读取客户端的认证数据,该认证数据为客户端的物理地址,而服务器事先存储了允许利用其存储资源和计算资源的客户端的物理地址,也即服务器的认证数据,因此通过对比二者的认证数据能够判定客户端的身份是否安全,仅当客户端的身份是安全的时,服务器才开展上述步骤三,在上述步骤三中,服务器又读取客户端的训练数据和测试数据,因为客户端的训练数据和测试数据是依靠人工得到的,所以客户端的训练数据和测试数据的数量一般较少,要想训练得到泛化能力强的判别模型就需要大量的训练数据,由此服务器实现根据客户端的训练数据和测试数据生成新的训练数据,以增加训练数据的总数量,同时对于判别模型进行训练,还加密处理判别模型的参数数据,确保训练完成的判别模型的数据安全。
进一步的,上述客户端对于上述训练程序进行加密处理时,使用的是上述服务器的公钥数据,上述服务器对于加密后的上述训练程序进行解密处理时,使用的是自身的私钥数据。
具体的,客户端在向服务器发送训练程序时,使用服务器的公钥加密处理训练程序,而服务器则使用自己的私钥解密处理加密后的训练程序,考虑到服务器的公钥容易被获得,所以即使客户端拥有服务器的公钥也不能完全判定其身份是安全的,因此在上述步骤二中服务器还验证了客户端的认证数据,也即客户端的物理地址,从而进一步的验证客户端的身份是否安全,进而避免非法客户端使用服务器资源。
进一步的,在上述服务器使用加密密钥数据对于上述判别模型的参数数据进行加密处理,还删除加密密钥数据之后,又包括如下的步骤:
步骤一、上述服务器生成判别程序,上述判别程序中包括确认数据、加密后的上述判别模型的参数数据、解密密钥数据,并且上述服务器对于上述判别程序的整体或者上述判别程序的一部分进行加密处理,还把加密后的上述判别程序发送给上述客户端;
步骤二、上述客户端对于加密后的上述判别程序进行解密处理,同时执行上述判别程序,从上述判别程序中获取和存储解密密钥数据,上述客户端还将上述判别程序中的确认数据与自身预先存储的确认数据进行一致性比较,当二者一致时,继续下个步骤,当二者不一致时,结束步骤;
步骤三、上述客户端使用解密密钥数据解密处理上述判别程序中的加密后的上述判别模型的参数数据,以及取得上述判别模型的输入数据,并且上述客户端通过上述判别模型输出与输入数据相对应的判别结果数据,同时上述判别程序执行完成,还删除解密密钥数据。
具体的,在服务器加密处理训练完成的判别模型的参数数据之后,为了使得客户端能够利用训练完成的判别模型进行胸外按压动作规范性的判别,在上述步骤一中,服务器还生成判别程序,判别程序中同样包含多种有用的数据,其中一种是用于解密处理加密后的判别模型的参数数据的解密密钥数据,服务器同样也对判别程序进行加密处理,把加密后的判别程序发送回客户端,来达到提高判别程序的数据安全性的目的,在上述步骤二中,客户端解密处理加密后的判别程序,同时执行判别程序,从其中提取出解密密钥数据,并且将其中的服务器的确认数据和自己的确认数据进行对比,服务器的确认数据指的是服务器的物理地址,客户端的确认数据指的是事先存储的可以信赖的服务器的物理地址,因此通过比较二者的确认数据,能够验证服务器的身份是否是安全的,只有身份是安全的服务器发送来的判别程序才是可靠的,在上述步骤三中,客户端使用解密密钥数据解密处理加密后的判别模型的参数数据,并且使用训练好的判别模型判别胸外按压动作的规范性。
进一步的,上述服务器使用上述客户端的公钥数据加密处理上述判别程序,并且上述客户端使用自身的私钥数据解密处理加密后的上述判别程序。
具体的,服务器在向客户端发送判别程序时,使用客户端的公钥对于判别程序进行加密处理,而客户端在收到加密后的判别程序时,使用自身的私钥对其进行解密,由于客户端的公钥在一定意义上是公开的,相对其他加密方式的密钥来说较容易取得,就算服务器拥有客户端的公钥,也不能代表服务器的身份是绝对安全的,因此在上述步骤二中,客户端还验证了服务器的确认数据,也即服务器的物理地址,从而进一步的验证服务器的身份是否安全,确保客户端只执行可靠的判别程序,进而也保证判别结果数据是安全的。
进一步的,客户端的每个上述训练数据和每个上述测试数据都包括数据部分和结果部分,上述数据部分指的是仿真模拟病人体内的多个传感器的不同传感器数据,以及按压人在进行胸外按压时的不同关节点数据,上述结果部分指的是与上述数据部分相对应的扣分数据。
具体的,客户端在依靠人工制作少量的训练数据和测试数据之前,需要在仿真模拟病人体内的不同位置设置一定数量的传感器,以在按压人进行胸外按压时采集不同传感器的数据,包括按压深度数据,同时也需要在按压人进行胸外按压时采集按压人的关节点数据,包括肩关节数据、肘关节数据,此后客户端才能基于采集的数据制作少量的训练数据和测试数据,每一个训练数据和测试数据都包含数据部分和结果部分,为了便于理解,举例如一个训练数据的数据部分为斜肩、曲肘、按压深度正确,相对应的结果部分为扣20分。
进一步的,上述服务器基于上述训练程序中的训练数据和测试数据生成新的训练数据,可以通过以下的步骤实现:
步骤一、上述服务器通过上述训练数据对于上述判别模型进行预训练处理,并且上述服务器将不同上述测试数据的数据部分输入预训练后的上述判别模型,分别得到与不同上述测试数据的数据部分相对应的预测结果部分;
步骤二、在得到的全部预测结果部分中,分别计算预测结果部分与相应的结果部分之间的误差,同时分别确定与误差大于预设的误差阈值的预测结果部分相对应的上述测试数据;
步骤三、分别对于确定的不同上述测试数据进行变换处理,并且将变换后的上述测试数据的数据部分输入预训练后的上述判别模型,预训练后的上述判别模型分别输出相应的新的预测结果部分;
步骤四、在得到的全部新的预测结果部分中,分别计算新的预测结果部分与相应的变换后的结果部分之间的误差,同时分别确定与误差小于等于预设的误差阈值的新的预测结果部分相对应的变换后的上述测试数据,并且对于上述训练数据进行与变换后的上述测试数据相对应的逆变换处理,得到新的训练数据。
具体的,为了解决客户端产生的训练数据的数量较少的问题,服务器通过上述步骤一到上述步骤四的方法一来根据客户端的训练数据和测试数据生成新的训练数据,首先服务器使用训练数据对于判别模型进行预训练,并且将不同测试数据的数据部分输入预训练后的判别模型,分别输出相应的预测结果部分,其次分别计算每个预测结果部分和相应的测试数据的结果部分的误差,同时确定那些误差大于误差阈值的预测结果部分,以及这些预测结果部分对应的测试数据,预训练后的判别模型对于这些测试数据的输出结果不好,主要是因为这些测试数据的数据部分和训练数据的数据部分的相似度较低,再次服务器对于这些测试数据进行变换处理,并且再使用预训练后的判别模型输出相应的新的预测结果部分,最后计算每个新的预测结果部分和变换后的这些测试数据的数据部分的误差,同时确定那些误差小于等于误差阈值的新的预测结果部分,还确定这些新的预测结果部分对应的变换后的测试数据,预训练后的判别模型对于这些变换后的测试数据的输出结果较好,是因为这些变换后的测试数据与训练数据的数据部分的相似性较高了,此时应该选取不同的训练数据进行与这些变换后的测试数据相对应的逆变换处理,从而得到新的训练数据,这样做还能够提高判别模型的泛化性能。
进一步的,上述服务器基于上述训练程序中的训练数据和测试数据生成新的训练数据,还可以通过以下的步骤实现:
步骤一、上述服务器通过上述训练数据对于上述判别模型进行预训练处理,并且上述服务器将不同上述测试数据的数据部分输入预训练后的上述判别模型,分别得到与不同上述测试数据的数据部分相对应的预测结果部分;
步骤二、在得到的全部预测结果部分中,分别计算预测结果部分与相应的结果部分之间的误差,同时分别确定与误差小于等于预设的误差阈值的预测结果部分相对应的上述测试数据;
步骤三、分别对于确定的不同上述测试数据进行变换处理,并且将变换后的上述测试数据的数据部分输入预训练后的上述判别模型,预训练后的上述判别模型分别输出相应的新的预测结果部分;
步骤四、在得到的全部新的预测结果部分中,分别计算新的预测结果部分与相应的变换后的结果部分之间的误差,同时分别确定与误差大于预设的误差阈值的新的预测结果部分相对应的变换后的上述测试数据,并且对于上述训练数据进行与变换后的上述测试数据相对应的变换处理,得到新的训练数据。
具体的,为了解决客户端产生的训练数据的数量较少的问题,服务器还可以通过上述步骤一到上述步骤四的方法二来根据客户端的训练数据和测试数据生成新的训练数据,首先上述步骤一和上述方法一中的上述步骤一相同,因此不再赘述,其次在计算每个预测结果部分与相应的测试数据的结果部分的误差之后,寻找的是那些误差小于等于误差阈值的预测结果部分,同时确定这些预测结果部分对应的预测数据,预训练后的判别模型对于这些测试数据的输出结果较好的原因在于,这些测试数据的数据部分跟训练数据的数据部分比较相似,其次上述步骤三和上述方法一中的上述步骤三相同,因此也不再赘述,最后计算每个新的预测结果部分和相应的变换后的这些测试数据的结果部分的误差,并且确定那些误差大于误差阈值的新的预测结果部分,同时确定这些新的预测结果部分对应的那些变换后的测试数据,预训练后的判别模型对于那些变换后的测试数据的输出结果不好的原因在于,变换处理使得那些变换后的测试数据的数据部分跟训练数据的数据部分的相似性变得较低,此时应该选取不同的训练数据分别进行与那些变换后的测试数据相同的变换处理,从而提高判别模型的泛化性能。
其中,上述方法一和上述方法二中的对于测试数据进行的变换处理,具体包括改变数据部分中包含的在仿真模拟病人体内设置的不同传感器的位置,同时包括改变数据部分中包含的按压人的关节点数据所对应的骨架特征,并且包括改变数据部分中包含的按压人的关节点数据的种类,还包括根据对于数据部分所做的改变,调整相应的结果部分。
参考如图2所示,本发明还提供一种胸外按压动作规范性判别***,包括客户端模块和服务器模块,用来实现如以上内容所描述的一种胸外按压动作规范性判别方法,具体的,将各个模块的功能描述如下:
客户端模块,用于生成训练程序,对于训练程序进行加密处理,将加密后的训练程序发送给服务器模块,并且用于解密处理加密后的判别程序,对于服务器模块进行身份验证,同时执行判别程序,对于判别程序中的加密后的判别模型的参数数据进行解密处理,使用判别模型输出判别结果数据。
服务器模块,用于解密处理加密后的训练程序,对于客户端模块进行身份验证,同时执行训练程序,并且用于根据训练程序中的训练数据和测试数据生成新的训练数据,解密处理训练程序中的加密后的判别模型的结构数据,使用训练数据和新的训练数据针对判别模型进行训练,还用于生成判别程序以及加密处理判别程序,将加密后的判别程序发送给客户端模块。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上上述的实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种胸外按压动作规范性判别方法,其特征在于,包括如下的步骤:
客户端生成训练程序,所述训练程序中包括认证数据、加密密钥数据、判别模型的结构数据、训练数据、测试数据,并且所述客户端对于所述训练程序的整体或者所述训练程序的一部分进行加密处理,还把加密后的所述训练程序发送给服务器;
所述服务器对于加密后的所述训练程序进行解密处理,同时执行所述训练程序,从所述训练程序中获取和存储加密密钥数据,并且所述服务器比较所述训练程序中的认证数据和自身预先存储的认证数据的一致性,当二者一致时,继续下个步骤,当二者不一致时,结束步骤;
所述服务器基于所述训练程序中的训练数据和测试数据生成新的训练数据,所述服务器根据所述训练程序中的判别模型的结构数据,所述训练数据,以及所述新的训练数据训练完成判别模型,同时所述训练程序执行完成,并且使用加密密钥数据对于所述判别模型的参数数据进行加密处理,还删除加密密钥数据;
每个所述训练数据和每个所述测试数据都包括数据部分和结果部分,所述数据部分指的是仿真模拟病人体内的多个传感器的不同传感器数据,以及按压人在进行胸外按压时的不同关节点数据,所述结果部分指的是与所述数据部分相对应的扣分数据;
所述服务器基于所述训练程序中的训练数据和测试数据生成新的训练数据,包括如下的步骤:
所述服务器通过所述训练数据对于所述判别模型进行预训练处理,并且所述服务器将不同所述测试数据的数据部分输入预训练后的所述判别模型,分别得到与不同所述测试数据的数据部分相对应的预测结果部分;
在得到的全部预测结果部分中,分别计算预测结果部分与相应的结果部分之间的误差,同时分别确定与误差大于预设的误差阈值的预测结果部分相对应的所述测试数据;
分别对于确定的不同所述测试数据进行变换处理,并且将变换后的所述测试数据的数据部分输入预训练后的所述判别模型,预训练后的所述判别模型分别输出相应的新的预测结果部分;
在得到的全部新的预测结果部分中,分别计算新的预测结果部分与相应的变换后的结果部分之间的误差,同时分别确定与误差小于等于预设的误差阈值的新的预测结果部分相对应的变换后的所述测试数据,并且对于所述训练数据进行与变换后的所述测试数据相对应的逆变换处理,得到新的训练数据。
2.根据权利要求1所述的一种胸外按压动作规范性判别方法,其特征在于,所述客户端对于所述训练程序进行加密处理时,使用的是所述服务器的公钥数据,所述服务器对于加密后的所述训练程序进行解密处理时,使用的是自身的私钥数据。
3.根据权利要求1所述的一种胸外按压动作规范性判别方法,其特征在于,在所述服务器使用加密密钥数据对于所述判别模型的参数数据进行加密处理,还删除加密密钥数据之后,包括如下的步骤:
所述服务器生成判别程序,所述判别程序中包括确认数据、加密后的所述判别模型的参数数据、解密密钥数据,并且所述服务器对于所述判别程序的整体或者所述判别程序的一部分进行加密处理,还把加密后的所述判别程序发送给所述客户端;
所述客户端对于加密后的所述判别程序进行解密处理,同时执行所述判别程序,从所述判别程序中获取和存储解密密钥数据,所述客户端还将所述判别程序中的确认数据与自身预先存储的确认数据进行一致性比较,当二者一致时,继续下个步骤,当二者不一致时,结束步骤;
所述客户端使用解密密钥数据解密处理所述判别程序中的加密后的所述判别模型的参数数据,以及取得所述判别模型的输入数据,并且所述客户端通过所述判别模型输出与输入数据相对应的判别结果数据,同时所述判别程序执行完成,还删除解密密钥数据。
4.根据权利要求3所述的一种胸外按压动作规范性判别方法,其特征在于,所述服务器使用所述客户端的公钥数据加密处理所述判别程序,并且所述客户端使用自身的私钥数据解密处理加密后的所述判别程序。
5.根据权利要求1所述的一种胸外按压动作规范性判别方法,其特征在于,所述服务器基于所述训练程序中的训练数据和测试数据生成新的训练数据,还包括如下的步骤:
所述服务器通过所述训练数据对于所述判别模型进行预训练处理,并且所述服务器将不同所述测试数据的数据部分输入预训练后的所述判别模型,分别得到与不同所述测试数据的数据部分相对应的预测结果部分;
在得到的全部预测结果部分中,分别计算预测结果部分与相应的结果部分之间的误差,同时分别确定与误差小于等于预设的误差阈值的预测结果部分相对应的所述测试数据;
分别对于确定的不同所述测试数据进行变换处理,并且将变换后的所述测试数据的数据部分输入预训练后的所述判别模型,预训练后的所述判别模型分别输出相应的新的预测结果部分;
在得到的全部新的预测结果部分中,分别计算新的预测结果部分与相应的变换后的结果部分之间的误差,同时分别确定与误差大于预设的误差阈值的新的预测结果部分相对应的变换后的所述测试数据,并且对于所述训练数据进行与变换后的所述测试数据相对应的变换处理,得到新的训练数据。
6.一种胸外按压动作规范性判别***,用于实现如权利要求1-5任一项所述的方法,其特征在于,包括如下的模块:
客户端模块,用于生成训练程序,对于训练程序进行加密处理,将加密后的训练程序发送给服务器模块,并且用于解密处理加密后的判别程序,对于服务器模块进行身份验证,同时执行判别程序,对于判别程序中的加密后的判别模型的参数数据进行解密处理,使用判别模型输出判别结果数据;
服务器模块,用于解密处理加密后的训练程序,对于客户端模块进行身份验证,同时执行训练程序,并且用于根据训练程序中的训练数据和测试数据生成新的训练数据,解密处理训练程序中的加密后的判别模型的结构数据,使用训练数据和新的训练数据针对判别模型进行训练,还用于生成判别程序以及加密处理判别程序,将加密后的判别程序发送给客户端模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438599.8A CN115878995B (zh) | 2022-11-17 | 2022-11-17 | 一种胸外按压动作规范性判别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438599.8A CN115878995B (zh) | 2022-11-17 | 2022-11-17 | 一种胸外按压动作规范性判别***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115878995A CN115878995A (zh) | 2023-03-31 |
CN115878995B true CN115878995B (zh) | 2024-04-19 |
Family
ID=85760054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211438599.8A Active CN115878995B (zh) | 2022-11-17 | 2022-11-17 | 一种胸外按压动作规范性判别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878995B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及*** |
CN112580821A (zh) * | 2020-12-10 | 2021-03-30 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法、装置、设备及存储介质 |
CN114817958A (zh) * | 2022-04-24 | 2022-07-29 | 山东云海国创云计算装备产业创新中心有限公司 | 一种基于联邦学习的模型训练方法、装置、设备及介质 |
CN115329387A (zh) * | 2022-10-17 | 2022-11-11 | 中国科学技术大学 | 基于差分隐私置乱模型的联邦协同蒸馏方法及*** |
-
2022
- 2022-11-17 CN CN202211438599.8A patent/CN115878995B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及*** |
CN112580821A (zh) * | 2020-12-10 | 2021-03-30 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法、装置、设备及存储介质 |
CN114817958A (zh) * | 2022-04-24 | 2022-07-29 | 山东云海国创云计算装备产业创新中心有限公司 | 一种基于联邦学习的模型训练方法、装置、设备及介质 |
CN115329387A (zh) * | 2022-10-17 | 2022-11-11 | 中国科学技术大学 | 基于差分隐私置乱模型的联邦协同蒸馏方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115878995A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11108546B2 (en) | Biometric verification of a blockchain database transaction contributor | |
TWI707244B (zh) | 區塊鏈跨鏈的認證方法、系統、伺服器及可讀儲存媒體 | |
US10181952B2 (en) | Encryption using biometric image-based key | |
US9218473B2 (en) | Creation and authentication of biometric information | |
US9935947B1 (en) | Secure and reliable protection and matching of biometric templates across multiple devices using secret sharing | |
EP3037998B1 (en) | Method and system for providing secure and standalone-operable biometric authentication | |
CN106776904A (zh) | 一种不可信云计算环境中支持动态验证的模糊查询加密方法 | |
CN111107094B (zh) | 轻量级地面向医疗物联网的大数据共享*** | |
CN106576046A (zh) | 将元数据与硬件固有属性绑定的***和设备 | |
CN115765965A (zh) | 基于联邦学习和双联盟区块链的医疗数据安全共享方法 | |
CN109887046A (zh) | 图像处理方法、图像验证方法、装置、设备及介质 | |
CN114513311A (zh) | 一种改进消息认证码算法的方法、装置、设备和介质 | |
CN115878995B (zh) | 一种胸外按压动作规范性判别***及方法 | |
Bathalapalli et al. | PUFchain 4.0: Integrating PUF-based TPM in distributed ledger for security-by-design of IoT | |
Gao et al. | NoisFre: Noise-tolerant memory fingerprints from commodity devices for security functions | |
Hamian et al. | Blockchain-based User Re-enrollment for Biometric Authentication Systems | |
CN110659522B (zh) | 存储介质安全认证方法、装置、计算机设备和存储介质 | |
US11711216B1 (en) | Systems and methods for privacy-secured biometric identification and verification | |
CN113505347A (zh) | 应用区块链存储的在线教育资源分享方法及*** | |
US11954191B2 (en) | System and method for performing identity authentication based on de-identified data | |
CN113645183A (zh) | 数据加密传输方法、***、计算机设备及存储介质 | |
CN115933993B (zh) | 一种岩溶裂隙网络型含水介质的防污功能评价***及方法 | |
CN113536287B (zh) | 信息校验方法、***、计算机设备及存储介质 | |
CN117574440B (zh) | 基于多种签名技术的联盟链医疗数据确权溯源方法及*** | |
CN110401535B (zh) | 数字证书生成、安全通信、身份认证方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |