CN106021852A - 基于密度聚类算法的血糖数据异常值计算方法和装置 - Google Patents

Abstract

本发明公开了一种基于密度聚类算法的血糖数据异常值计算方法，所述方法包括：从存储器中的非结构化文本信息中提取存储的血糖数据；对所述血糖数据根据密度进行聚类；获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；提取所述异常因子的值，计算所述异常数据占血糖数据的概率。通过该方法，可以快速有效的确定血糖测试数据中的异常数据。

Description

基于密度聚类算法的血糖数据异常值计算方法和装置

技术领域

本发明涉及血糖仪领域，尤其涉及基于密码聚类算法的血糖数据异常值计算方法和装置。

背景技术

血糖仪又称血糖计，是一种测试血糖水平的电子仪器。血糖仪从工作原理上分为光电型和电极型两种。一般现在的血糖仪装置都将测试后的数据上传到手机的血糖APP中，例如糖护士，并在显示界面上对用户测试血糖后的数据进行展示。

然而，现在的血糖仪测试数据常常出现异常数据，对此，并没有对血糖仪测试数据异常值进行计算的方法。

发明内容

基于此，本发明提供了一种基于密度聚类算法的血糖数据异常值计算方法。

一种基于密度聚类算法的血糖数据异常值计算方法，所述方法包括：

从存储器中的非结构化文本信息中提取存储的血糖数据；

对所述血糖数据根据密度进行聚类；

获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；

提取所述异常因子的值，计算所述异常数据占血糖数据的概率。

在本发明的实施例中，所述对所述血糖数据根据密度进行聚类的步骤包括：

积累一小段时间内的血糖数据，并对所述血糖数据进行正态分布处理；

在所述正态分布处理后的血糖数据中确定中心极大值；

对尚未加入此类的数据点A，比较与中心极大值的距离是否大于给定阈值B，若是，则加入此类，否则创建一个新类；

处理完这一小段数据后，对新到来的一个数据点进行相应的处理，确定其类别；

直到没有数据到来为止，输出聚类结果。

在本发明实施例中，所述获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据包括：

汇总所述聚类结果的所有数据，并对所述聚类结果的所有数据进行蜂窝型的局部划分，划分后的局部数据区域包括A1、A2、A3、A4.....An；

对所述局部数据区域中的数据进行判断，若所述数据中的与中心极大值的距离大于给定阈值B的占比大于三分之二，则确定该局部数据区域An为对象局部异常因子；

根据所述对象局部异常因子确定异常数据。

在本发明实施例中，所述方法还包括：

基于不同数据类型，对所述异常数据进行分类；

对分类后的异常数据进行输出。

在本发明的实施例中，所述方法还包括：

将所述异常数据和正常数据根据不同映射表的映射。

一种基于密度聚类算法的血糖数据异常值计算装置，所述装置包括：

提取模块，用于从存储器中的非结构化文本信息中提取存储的血糖数据；

聚类模块，用于对所述血糖数据根据密度进行聚类；

获取模块，用于获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；

计算模块，用于提取所述异常因子的值，计算所述异常数据占血糖数据的概率。

在本发明的实施例中，所述聚类模块包括：

正态分布处理单元，用于积累一小段时间内的血糖数据，并对所述血糖数据进行正态分布处理；

确定单元，用于在所述正态分布处理后的血糖数据中确定中心极大值；

比较单元，用于对尚未加入此类的数据点A，比较与中心极大值的距离是否大于给定阈值B，若是，则加入此类，否则创建一个新类；

处理单元，处理完这一小段数据后，对新到来的一个数据点进行相应的处理，确定其类别；

输出单元，直到没有数据到来为止，输出聚类结果。

在本发明的实施例中，所述获取模块包括：

汇总单元，用于汇总所述聚类结果的所有数据，并对所述聚类结果的所有数据进行蜂窝型的局部划分，划分后的局部数据区域包括A1、A2、A3、A4.....An；

判断单元，用于对所述局部数据区域中的数据进行判断，若所述数据中的与中心极大值的距离大于给定阈值B的占比大于三分之二，则确定该局部数据区域An为对象局部异常因子；

确定单元，用于根据所述对象局部异常因子确定异常数据。

在本发明的实施例中，所述装置还包括：

分类单元，用于基于不同数据类型，对所述异常数据进行分类；

输出对分类后的异常数据进行输出。

在本发明的实施例中，所述装置还包括：

映射模块，用于将异常数据和正常数据根据不同映射表进行映射。

有益效果：

一种基于密度聚类算法的血糖数据异常值计算方法，所述方法包括：从存储器中的非结构化文本信息中提取存储的血糖数据；对所述血糖数据根据密度进行聚类；获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；提取所述异常因子的值，计算所述异常数据占血糖数据的概率。通过该方法，可以快速有效的确定血糖测试数据中的异常数据。

附图说明

图1为本发明一种基于密度聚类算法的血糖数据异常值获取方法的流程图。

图2为本发明一种基于密度聚类算法的血糖数据异常值获取装置的框图。

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。

请参照图1，本发明的一种基于密度聚类算法的血糖数据异常值计算方法，所述方法包括：

S101：从存储器中的非结构化文本信息中提取存储的血糖数据；

当然，在本发明的实施例中，除了从存储器中的非结构化文本信息中提取存储的血糖数据，还可从语音信息或者图片信息中提取血糖数据，所述血糖数据可以以二元参数的方式存储在存储器的数据库中，也可以以多维参数的方式存储在存储器的数据库中。

S102：对所述血糖数据根据密度进行聚类；

在本发明的实施例中，在对所述血糖数据根据密度进行聚类之前/之后，还可对血糖数据进行分割。

S103：获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；

在本发明实施例中，该局部异常因子可为血糖数据中的异常的数据参数，或者血糖数据中的异常的调用函数。

S104：提取所述异常因子的值，并计算所述异常数据占血糖数据的概率。

在本发明实施例中，计算所述异常数据占血糖数据的概率可以通过统计所有异常数据的数目已经统计标本中血糖数据的数目，从而统计血糖数据中异常数据的占比。

在本发明实施例中，所述对所述血糖数据根据密度进行聚类的步骤包括：

积累一小段时间内的血糖数据，并对所述血糖数据进行正态分布处理；

在所述正态分布处理后的血糖数据中确定中心极大值；

对尚未加入此类的数据点A，比较与中心极大值的距离是否大于给定阈值B，若是，则加入此类，否则创建一个新类；

处理完这一小段数据后，对新到来的一个数据点进行相应的处理，确定其类别；

直到没有数据到来为止，输出聚类结果。

在本发明实施例中，所述获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据包括：

汇总所述聚类结果的所有数据，并对所述聚类结果的所有数据进行蜂窝型的局部划分，划分后的局部数据区域包括A1、A2、A3、A4.....An；

对所述局部数据区域中的数据进行判断，若所述数据中的与中心极大值的距离大于给定阈值B的占比大于三分之二，则确定该局部数据区域An为对象局部异常因子；

根据所述对象局部异常因子确定异常数据。

在本发明实施例中，所述方法还包括：

基于不同的数据类型，对所述异常数据进行分类；

对分类后的异常数据进行输出。

在该实施例中，需要说明的是，数据类型包括浮点型、字符型、指针类型、整数型，其精度可为单精度、或者双精度、或者其他。在此时我们创建一个标准的数据类型对照库，若返回的数据中的数据类型不满足我们的标准的数据类型对照库，则对该异常数据进行过滤，若返回的数据中的数据类型满足我们的标准的数据类型对照库，则对该异常数据进行筛选，并将筛选后的该异常数据进行输出。

在本发明实施例中，所述方法还包括：

将所述异常数据和正常数据根据不同映射表的映射。

本发明的一种基于密度聚类算法的血糖数据异常值计算方法，所述方法包括：从存储器中的非结构化文本信息中提取存储的血糖数据；对所述血糖数据根据密度进行聚类；获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；提取所述异常因子的值，计算所述异常数据占血糖数据的概率。通过该方法，可以快速有效的确定血糖测试数据中的异常数据。

请参照图2的一种基于密度聚类算法的血糖数据异常值计算装置，所述装置包括：

提取模块100，用于从存储器中的非结构化文本信息中提取存储的血糖数据；

在本发明的实施例中，除了从存储器中的非结构化文本信息中提取存储的血糖数据，还可从语音信息或者图片信息中提取血糖数据，所述血糖数据可以以二元参数的方式存储在存储器的数据库中，也可以以多维参数的方式存储在存储器的数据库中。

聚类模块200，用于对所述血糖数据根据密度进行聚类；

在本发明的实施例中，在对所述血糖数据根据密度进行聚类之前/之后，还可对血糖数据进行分割。

获取模块300，用于获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；

在本发明实施例中，该局部异常因子可为血糖数据中的异常的数据参数，或者血糖数据中的异常的调用函数。

计算模块400，用于提取所述异常因子的值，计算所述异常数据占血糖数据的概率。

在本发明实施例中，计算所述异常数据占血糖数据的概率可以通过统计所有异常数据的数目已经统计标本中血糖数据的数目，从而统计血糖数据中异常数据的占比。

在本发明实施例中，所述聚类模块包括：

正态分布处理单元，用于积累一小段时间内的血糖数据，并对所述血糖数据进行正态分布处理；

确定单元，用于在所述正态分布处理后的血糖数据中确定中心极大值；

比较单元，用于对尚未加入此类的数据点A，比较与中心极大值的距离是否大于给定阈值B，若是，则加入此类，否则创建一个新类；

处理单元，处理完这一小段数据后，对新到来的一个数据点进行相应的处理，确定其类别；

输出单元，直到没有数据到来为止，输出聚类结果。

在本发明的一个实施例中，所述获取模块包括：

汇总单元，用于汇总所述聚类结果的所有数据，并对所述聚类结果的所有数据进行蜂窝型的局部划分，划分后的局部数据区域包括A1、A2、A3、A4.....An；

判断单元，用于对所述局部数据区域中的数据进行判断，若所述数据中的与中心极大值的距离大于给定阈值B的占比大于三分之二，则确定该局部数据区域An为对象局部异常因子；

确定单元，用于根据所述对象局部异常因子确定异常数据。

在本发明的另一个实施例中，所述装置还包括：

分类单元，用于基于不同数据类型，对所述异常数据进行分类；

输出对分类后的异常数据进行输出。

在本发明实施例中，所述装置还包括：

映射模块，用于将异常数据和正常数据根据不同映射表进行映射。

本发明的一种基于密度聚类算法的血糖数据异常值计算装置，提取模块，用于从存储器中的非结构化文本信息中提取存储的血糖数据；聚类模块，用于对所述血糖数据根据密度进行聚类；获取模块，用于获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；计算模块，用于提取所述异常因子的值，计算所述异常数据占血糖数据的概率。通过该装置，可以快速有效的确定血糖测试数据中的异常数据。

本发明还公开了一种基于密度聚类算法的血糖数据异常值计算的终端，该系统包括上述的一种基于密度聚了算法的血糖数据异常值计算装置。

在一个实施例中，提供了一种基于密度聚类算法的血糖数据异常值计算的终端101，包括通过系统总线连接的处理器、非易失性存储介质、内存储器、网络接口、显示屏以及输入装置。其中处理器具有计算功能和控制终端101工作的功能，该处理器被配置为执行一种共享资源处理方法。非易失性存储介质包括磁存储介质、光存储介质和闪存式存储介质中的至少一种，非易失性存储介质存储有操作系统和共享资源处理装置。该共享资源处理装置用于实现一种共享资源处理方法。网络接口用于连接到网络与社交应用服务器103通信。显示屏包括液晶显示屏、柔性显示屏和电子墨水显示屏中的至少一种。输入装置包括物理按钮、轨迹球、触控板以及与显示屏重叠的触控层中的至少一种，其中触控层与显示屏组合形成触控屏。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该可以理解到，所揭露移动终端和选取网络的方法，可以通过其他的方式实现。例如，以上所描述的移动终端实施例仅仅是示意性的，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以使电性，机械或其他的形式。

所述作为分离部件说明的单元可以使或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个芯片单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元上。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器或者网络设备等）或处理器（processor）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘各种可以存储程序代码的介质。

应当理解，本发明的实施方式的各部分可以用硬件、软件、固件或他们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一个实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现；具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）。

以上对本发明运行原理进行了详细介绍，上述运行原理的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于密度聚类算法的血糖数据异常值计算方法，其特征在于，所述方法包括：

从存储器中的非结构化文本信息中提取存储的血糖数据；

对所述血糖数据根据密度进行聚类；

获取通过密度聚类后的所述血糖数据中的对象局部异常因子来确定异常数据；

提取所述异常因子的值，并计算所述异常数据占血糖数据的概率。

2.根据权利要求1所述的一种基于密度聚类算法的血糖数据异常值计算方法，其特征在于，所述对所述血糖数据根据密度进行聚类的步骤包括：

积累一小段时间内的血糖数据，并对所述血糖数据进行正态分布处理；

在所述正态分布处理后的血糖数据中确定中心极大值；

对尚未加入此类的数据点A，比较与中心极大值的距离是否大于给定阈值B，若是，则加入此类，否则创建一个新类；

处理完这一小段数据后，对新到来的一个数据点进行相应的处理，确定其类别；

直到没有数据到来为止，输出聚类结果。

3.根据权利要求2所述的一种基于密度聚类算法的血糖数据异常值计算方法，其特征在于，所述获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据包括：

汇总所述聚类结果的所有数据，并对所述聚类结果的所有数据进行蜂窝型的局部划分，划分后的局部数据区域包括A1、A2、A3、A4.....An；

对所述局部数据区域中的数据进行判断，若所述数据中的与中心极大值的距离大于给定阈值B的占比大于三分之二，则确定该局部数据区域An为对象局部异常因子；

根据所述对象局部异常因子确定异常数据。

4.根据权利要求3所述的一种基于密度聚类算法的血糖数据异常值计算方法，其特征在于，所述方法还包括：

基于不同的数据类型，对所述异常数据进行分类；

对分类后的异常数据进行输出。

5.根据权利要求4所述的一种基于密度聚类算法的血糖数据异常值计算方法，其特征在于，所述方法还包括：

将所述异常数据和正常数据根据不同映射表进行映射。

6.一种基于密度聚类算法的血糖数据异常值计算装置，其特征在于，所述装置包括：

提取模块，用于从存储器中的非结构化文本信息中提取存储的血糖数据；

聚类模块，用于对所述血糖数据根据密度进行聚类；

获取模块，用于获取所述通过密度聚类后的血糖数据中的对象局部异常因子来确定异常数据；

计算模块，用于提取所述异常因子的值，计算所述异常数据占血糖数据的概率。

7.根据权利要求6所述的一种基于密度聚类算法的血糖数据异常值计算装置，其特征在于，所述聚类模块包括：

正态分布处理单元，用于积累一小段时间内的血糖数据，并对所述血糖数据进行正态分布处理；

确定单元，用于在所述正态分布处理后的血糖数据中确定中心极大值；

比较单元，用于对尚未加入此类的数据点A，比较与中心极大值的距离是否大于给定阈值B，若是，则加入此类，否则创建一个新类；

处理单元，处理完这一小段数据后，对新到来的一个数据点进行相应的处理，确定其类别；

输出单元，直到没有数据到来为止，输出聚类结果。

8.根据权利要求7所述的一种基于密度聚类算法的血糖数据异常值计算装置，其特征在于，所述获取模块包括：

汇总单元，用于汇总所述聚类结果的所有数据，并对所述聚类结果的所有数据进行蜂窝型的局部划分，划分后的局部数据区域包括A1、A2、A3、A4.....An；

判断单元，用于对所述局部数据区域中的数据进行判断，若所述数据中的与中心极大值的距离大于给定阈值B的占比大于三分之二，则确定该局部数据区域An为对象局部异常因子；

确定单元，用于根据所述对象局部异常因子确定异常数据。

9.根据权利要求8所述的一种基于密度聚类算法的血糖数据异常值计算装置，其特征在于，所述装置还包括：

分类单元，用于基于不同数据类型，对所述异常数据进行分类；

输出对分类后的异常数据进行输出。

10.根据权利要求9所述的一种基于密度聚类算法的血糖数据异常值计算装置，其特征在于，所述装置还包括：

映射模块，用于将异常数据和正常数据根据不同映射表进行映射。