CN110928916B - 基于流形空间的数据监测方法、装置及存储介质 - Google Patents
基于流形空间的数据监测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110928916B CN110928916B CN201910991167.1A CN201910991167A CN110928916B CN 110928916 B CN110928916 B CN 110928916B CN 201910991167 A CN201910991167 A CN 201910991167A CN 110928916 B CN110928916 B CN 110928916B
- Authority
- CN
- China
- Prior art keywords
- feature
- data set
- data
- human body
- graph
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本申请涉及数据可视化领域,提供基于流形空间的数据监测方法、装置及存储介质,方法包括:从各项人体体征数据提取时域特征、频域特征和时频特征生成初始特征数据集;根据空间变换算法将初始特征数据集进行降维得到第一特征数据集;将第一特征数据集进行融合处理得到的第二特征数据集映射到坐标空间,得到各个部位的体征数据的空间分布数据,将各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图;根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度,根据该相似度生成目标曲线图;根据目标曲线图输出用于从多个方面反馈人体的局部特征的评估结果。
Description
技术领域
本申请涉及数据可视化领域,尤其涉及一种基于流形空间的数据监测方法、装置及存储介质。
背景技术
目前,人们采用各种电子产品以及APP来监测自身健康。这些电子产品或者应用(application,APP)可以收集人体体征数据,例如脉搏、血压、呼吸、心跳、或者睡眠状况等体征数据,并对这些体征数据分别进行分析,然后根据分析的结果绘制各项体征数据对应的示意图,人们通过观看各项体征数据对应的示意图即可直观地、大概地了解自身的身体机能。
虽然这些电子产品或APP能够辅助人类了解自身机能,但是,由于这些电子产品或APP都只能专用于单项或少许几项的体征数据的监测,所以人们需要购买不同的电子产品或APP分别监测各项体征数据,然后分别进行分析和输出各项体征数据的健康状况。一方面,使用不便且增加成本;另一方面,目前的电子产品或APP只能单方面反馈人体的某个体征数据,比如心跳、脉搏、血压、体脂和体重等。
发明内容
本申请提供了一种基于流形空间的数据监测方法、装置及存储介质,能够解决现有技术中现有电子产品或APP只能单方面反馈人体的某个体征数据,无法综合评判人体的健康状况的问题。
第一方面,本申请提供一种基于流形空间的数据监测方法,所述方法包括:
获取多项人体体征数据,所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据;
对各项所述人体体征数据进行特征提取,分别得到各项所述人体体征数据的时域特征、频域特征和时频特征,将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集;
根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集;将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,所述第二特征数据集包括健康样本和测试样本;
将所述第二特征数据集映射到坐标空间,得到所述第二特征数据集中各个部位的体征数据的空间分布数据,以预设的时间间隔为分度值,将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图;所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据;所述预设的时段的长度与所述时间间隔相等;所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势;
根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,所述第一时段的结束时刻早于所述第二时段的起始时刻;
根据所述目标曲线图评估人体的健康状态,并输出评估结果,所述评估结果用于从多个方面反馈人体的局部特征。
一种可能的设计中,所述初始特征数据集为N1维数据,所述空间变换算法为流形学习算法;所述根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集,包括:
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集;其中,所述第一特征数据集为N2维数据,N1>k*N2,N1、N2和k均为正整数且k>1;
计算与所述第一特征数据集对应的嵌入映射;
根据所述嵌入映射从所述第一特征数据集中发掘事物本质,以及对所述第一特征数据集进行特征分析,以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
一种可能的设计中,所述将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,包括:
采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别,将提取的各项特征或模式识别的属性说明进行有机合成,得到一个目标表示或目标估计;
按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合,产生多个特征矢量,以及采用基于特征级融合方式融合所述多个特征矢量,对融合得到的特征矢量进行属性说明;
以及对所述第一特征数据集中的各项特征进行特征提取,对提取的各项特征进行属性说明,采用决策融合方式融合各项特征的属性,并融合各项特征的属性说明,以将来源不同的人体体征数据融合到一起,最终得到所述第二特征数据集。
一种可能的设计中,所述特征融合算法包括基于贝叶斯决策理论的算法,已知模式空间Ω包含c种模式,记为:Ω={ω1,…,ωc},未知样本x由N维实值特征组成,记为x=[x1,x2,…,xN],根据最小错误率的贝叶斯决策理论,若将样本分为第j类,则第j类是指在已知样本x条件下后验概率最大的模式类,所述采用决策融合方式融合各项特征的属性,包括:
采用下述公式融合各项特征的属性:
If F(ωj)=max,P(ωk|x),x→ωj
其中,P(ωk|x)P(ωk|x)表示第kk类的后验概率,k∈{1,2,…,c}。
一种可能的设计中,所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,包括:
以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据,所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据;所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔;
确定所述第一人体体征数据对应的空间分布数据;
确定所述第一人体体征数据对应的空间分布数据的第一曲线图;
以所述第一曲线图为参考,分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度;
按照各时段的先后顺序,根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
一种可能的设计中,所述分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度,包括:
将所述第二时段的曲线图设为集合A,所述集合A={a1,…,ap},以及将第一曲线图设为集合B;
计算所述集合B={b1,…,bq},则这两个点集合之间的Hausdorff距离;所述Hausdorff距离的一种表示方式为:
h(A,B)=max a∈A{minb∈B{d(a,b)}}
其中,h(A,B)是指所述Hausdorff距离,a,b分别是为所述集合A与所述集合B中的点,d(a,b)表示a与b之间的欧式距离,所述h(A,B)度量了两个点集间的最大不匹配程度。
第二方面,本申请提供一种基于流形空间监测健康的装置,具有实现对应于上述第一方面提供的基于流形空间的数据监测方法的功能。所述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,所述模块可以是软件和/或硬件。
一种可能的设计中,所述装置包括:
输入输出模块,用于获取多项人体体征数据,所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据;
处理模块,用于对各项所述人体体征数据进行特征提取,分别得到各项所述人体体征数据的时域特征、频域特征和时频特征,将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集;根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集;将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,所述第二特征数据集包括健康样本和测试样本;将所述第二特征数据集映射到坐标空间,得到所述第二特征数据集中各个部位的体征数据的空间分布数据,以预设的时间间隔为分度值,将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图;所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据;所述预设的时段的长度与所述时间间隔相等;所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势;根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,所述第一时段的结束时刻早于所述第二时段的起始时刻;根据所述目标曲线图评估人体的健康状态,并通过所述输入输出模块输出评估结果,所述评估结果用于从多个方面反馈人体的局部特征。
一种可能的设计中,所述初始特征数据集为N1维数据,所述空间变换算法为流形学习算法;所述处理模块具体用于:
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集;其中,所述第一特征数据集为N2维数据,N1>k*N2,N1、N2和k均为正整数且k>1;
计算与所述第一特征数据集对应的嵌入映射;
根据所述嵌入映射从所述第一特征数据集中发掘事物本质,以及对所述第一特征数据集进行特征分析,以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
一种可能的设计中,所述处理模块具体用于:
采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别,将提取的各项特征或模式识别的属性说明进行有机合成,得到一个目标表示或目标估计;
按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合,产生多个特征矢量,以及采用基于特征级融合方式融合所述多个特征矢量,对融合得到的特征矢量进行属性说明;
以及对所述第一特征数据集中的各项特征进行特征提取,对提取的各项特征进行属性说明,采用决策融合方式融合各项特征的属性,并融合各项特征的属性说明,以将来源不同的人体体征数据融合到一起,最终得到所述第二特征数据集。
一种可能的设计中,所述特征融合算法包括基于贝叶斯决策理论的算法,已知模式空间Ω包含c种模式,记为:Ω={ω1,…,ωc},未知样本x由N维实值特征组成,记为x=[x1,x2,…,xN],根据最小错误率的贝叶斯决策理论,若将样本分为第j类,则第j类是指在已知样本x条件下后验概率最大的模式类,所述处理模块具体用于:
采用下述公式融合各项特征的属性:
If F(ωj)=max,P(ωk|x),x→ωj
其中,P(ωk|x)P(ωk|x)表示第kk类的后验概率,k∈{1,2,…,c}。
一种可能的设计中,所述处理模块具体用于:
以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据,所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据;所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔;
确定所述第一人体体征数据对应的空间分布数据;
确定所述第一人体体征数据对应的空间分布数据的第一曲线图;
以所述第一曲线图为参考,分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度;
按照各时段的先后顺序,根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
一种可能的设计中,所述处理模块具体用于:
将所述第二时段的曲线图设为集合A,所述集合A={a1,…,ap},以及将第一曲线图设为集合B,所述集合B={b1,…,bq};
计算所述集合A与所述集合B之间的Hausdorff距离;所述Hausdorff距离的一种表示方式为:
h(A,B)=max a∈A{minb∈B{d(a,b)}}
其中,h(A,B)是指所述Hausdorff距离,a,b分别是为所述集合A与所述集合B中的点,d(a,b)表示a与b之间的欧式距离,所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
本申请又一方面提供了一种计算机设备,其包括至少一个连接的处理器、存储器和收发器,其中,所述存储器用于存储程序代码,所述处理器用于调用所述存储器中的程序代码来执行上述第一方面所述的方法。
本申请又一方面提供了一种计算机存储介质,其包括指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
相较于现有技术,本申请提供的方案中,通过特征融合、确定数据点的空间分布数据,得到第一时段的第一曲线图后,按照时间间隔和预设的时段分别提取其它主成分的数据的空间分布数据对应的曲线图。在评估人体特征数据随时间变化时,转化为多个第二时段的曲线图与第一曲线图之间的相似度,由于Hausdorff算法是定义于图形上且本质上用于评估两幅曲线图的相似度,本申请的第一曲线图是空间中的一个图形,因此,本申请使用Hausdorff算法评估多个第二曲线图与第一曲线图之间的相似度,并根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成目标曲线图。由于最后生成的目标曲线图是相似度随所述时间间隔变化的曲线图,所以更加准确的呈现人体体征数据随着时间变化的真实趋势,准确性更高。
附图说明
图1为本申请实施例中基于流形空间的数据监测方法的一种流程示意图;
图2为本申请实施例中特征空间变换的一种示意图;
图3为本申请实施例第一曲线图的一种示意图;
图4为本申请实施例基于流形空间的数据监测方法的一种流程示意图;
图5为本申请实施例中基于流形空间监测健康的装置的一种结构示意图;
图6为本申请实施例中计算机设备的一种结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行。
本申请提供一种基于流形空间的数据监测方法、装置及存储介质,通过结合现有的健康监测的产品以及APP产品,根据采集到的人体机能信息,采用流形空间多特征融合方法融合人体多项机能,并分析融合后的人体多项机能,以此得出人体机能的综合评价曲线。
参照图1,以下介绍本申请实施例中的一种基于流形空间的数据监测方法,本方法由健康监测装置执行,该健康监测装置集成多个人体体征数据的监测功能。所述方法包括:
101、获取多项人体体征数据。
其中,所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据,例如,心跳、脉搏、血压、体脂和体重等。所述时间间隔可为分钟、小时、天、周或日,本申请不对时间间隔的选取作限定,可根据用户的实际需求和身体状态来选取。例如,可使用智能睡眠床垫采集人体健康数据,比如脉搏、心率、血压等(采样频率2分钟一次)。本申请不对不对阿采集人体体征数据的时间间隔和采集设备作限定。
102、对各项所述人体体征数据进行特征提取,分别得到各项所述人体体征数据的时域特征、频域特征和时频特征,将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集。
其中,人体体征数据的时域特征为时域均值、方差、方根幅值、峭度、裕度指标等;频域一阶重心、二阶重心、二阶矩等、时频域小波包能量等。由此可见,本申请中的初始特征数据集为高维特征数据集。
103、根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集。
一些实施方式中,所述初始特征数据集为N1维数据,所述空间变换算法为流形学习算法;所述根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集,包括:
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集;其中,所述第一特征数据集为N2维数据,N1>k*N2,N1、N2和k均为正整数且k>1;
计算与所述第一特征数据集对应的嵌入映射;
根据所述嵌入映射从所述第一特征数据集中发掘事物本质,以及对所述第一特征数据集进行特征分析,以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
上述初始特征数据集为高维特征数据集,而高维特征数据集之间存在比较强的相关性且高维特征数据集中存在大量的冗余信息,都会降低后续的算法效率。因此,需要将高维的初始特征数据集转换到低维流形空间(即第一特征数据集),且能最大程度不失真地保留初始特征数据集中各项特征数据的有效信息量。
其中,流形学习算法是就是一种比较经典有效的特征空间转换算法,流形是微分几何拓扑学中的基本概念,其表示为一个局部欧几里拓扑空间,其目标在于从高维采样数据中恢复低维流形结构,并求解出相应的嵌入映射,从观测数据样本中找寻事物本质、发现数据内在规律。
如图2为流形学习的一种特征空间变换示意图。流形学习算法可为拉普拉斯特征映射(LE),可以在获得原始高维数据的低维流形的基础上,同时也能对离散点保持较强的鲁棒性。其基本思想建立在图谱理论上,认为在高维空间中距离较近的点,在低维空间中也应该保持距离较近,是一种典型的非线性流形学习方法,因此,本申请选择拉普拉斯特征映射为空间转换算法。
104、将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集。
其中,所述第二特征数据集包括健康样本和测试样本。
一些实施方式中,所述将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,包括:
采用特征融合算法分别将所述第一特征数据集中的各项特征进行数据融合、特征融合和决策融合。
数据融合是指对所述第一特征数据集中的各项特征进行特征提取和模式识别,将提取的各项特征或模式识别的属性说明进行有机合成,得到一个目标表示或目标估计。
特征融合是指按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合,产生多个特征矢量,再采用基于特征级融合方法融合所述多个特征矢量,对融合得到的特征矢量进行属性说明。
决策融合是指对所述第一特征数据集中的各项特征进行特征提取,对提取的各项特征进行属性说明,融合各项特征的属性,并融合各项特征的属性说明。
本申请将来源不同的人体体征数据融合到一起,去冗余;得到的融合后的第二特征数据集便于后续分析和处理。
其中,所述特征融合算法包括基于贝叶斯决策理论的算法、基于稀疏表示理论的算法和基于深度学习理论算法。以基于贝叶斯理论的特征融合算法为例,已知模式空间Ω包含c种模式,记为:Ω={ω1,…,ωc},未知样本x由N维实值特征组成,记为x=[x1,x2,…,xN],根据最小错误率的贝叶斯决策理论,若将样本分为第j类,则第j类是指在已知样本x条件下后验概率最大的模式类,该决策过程可以表示为:
If F(ωj)=max,P(ωk|x),x→ωj
其中,P(ωk|x)P(ωk|x)表示第kk类的后验概率,k∈{1,2,…,c}
105、将所述第二特征数据集映射到坐标空间,得到所述第二特征数据集中各个部位的体征数据的空间分布数据,以预设的时间间隔为分度值,将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图。
其中,空间分布数据是指人体体征数据中的各数据点在空间上的分布数据。
所述预设的时段的长度与所述时间间隔相等。
所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势。每个时间间隔对应一个曲线图。
106、根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图。
其中,所述第一时段的结束时刻早于所述第二时段的起始时刻。例如,第一时段为2-1日,第二时段为2-1日之后的任意一日。每个第二时段的起始时刻和结束时刻均不同。
一些实施方式中,所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,包括:
以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据,所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据;所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔;
确定所述第一人体体征数据对应的空间分布数据;
确定所述第一人体体征数据对应的空间分布数据的第一曲线图;
以所述第一曲线图为参考,分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度;
按照各时段的先后顺序,根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
其中,Hausdorff算法用于描述两组点集之间相似程度的一种量度,它是两个点集之间距离的一种定义形式:假设有两组集合A={a1,…,ap},B={b1,…,b q},则这两个点集合之间的Hausdorff距离定义为:
h(A,B)=max a∈A{minb∈B{d(a,b)}}
其中,a,b分别是集合A与集合B中的点,d(a,b)表示a与b之间的欧式距离(Euclidean距离)。由该Hausdorff距离公式可知,Hausdorff距离h(A,B)度量了两个点集间(即所述集合A和所述集合B之间)的最大不匹配程度,距离越小,则表示所述集合A和所述集合B之间的匹配程度越高。
具体来说,所述分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度,包括:
将所述第二时段的曲线图设为集合A,所述集合A={a1,…,ap},以及将第一曲线图设为集合B,所述集合B={b1,…,bq};
计算所述集合A和所述集合B之间的Hausdorff距离;所述Hausdorff距离的一种表示方式为:
h(A,B)=max a∈A{minb∈B{d(a,b)}}
其中,h(A,B)是指所述Hausdorff距离,a,b分别是为所述集合A与所述集合B中的点,d(a,b)表示a与b之间的欧式距离,所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
例如,以第1天的健康数据为参照(作为健康数据样本),求取后面每一天的曲线图与第1天的曲线图之间的相似度,即得到相似度随时间(即天)的变化关系。
如图3所示的第一曲线图的一种示意图,其中,主曲线是指第一时段的第一曲线图。主曲线是一条通过数据“中心”的自相合光滑曲线,是流形学习的一个分支。其理论基础是通过优化寻找出嵌入到高维空间的非欧氏低维流形,是主成分分析在非线性上的推广。主曲线可以真实反映数据分布的形态,即数据是该曲线的“云”,而主曲线是数据的“骨架”。如图3所示,是二维平面空间数据分布主曲线与第一主成分的对比示意图。
107、根据所述目标曲线图评估人体的健康状态,并输出评估结果。
其中,所述评估结果用于从多个方面反馈人体的局部特征,比如反馈脉搏、血压等局部特征。可见,本申请得到的所述评估结果可融合人体多项机能,便于医护人员直观地,有针对性地了解和分析人体的多项机能,无需分别对单一人体机能的健康状态监测装置输出的结果分别进行收集和分析,从而提高效率。本申请不对评估结果的输出去向作限定。
可见,与现有机制相比,本申请实施例中,通过特征融合、确定数据点的空间分布数据,得到第一时段的第一曲线图后,按照时间间隔和预设的时段分别提取其它主成分的数据的空间分布数据对应的曲线图。在评估人体特征数据随时间变化时,转化为多个第二时段的曲线图与第一曲线图之间的相似度,由于Hausdorff算法是定义于图形上且本质上用于评估两幅曲线图的相似度,本申请的第一曲线图是空间中的一个图形,因此,本申请使用Hausdorff算法评估多个第二曲线图与第一曲线图之间的相似度,并根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成目标曲线图。由于最后生成的目标曲线图是相似度随所述时间间隔变化的曲线图,所以更加准确的呈现健康随着时间变化的真实趋势,准确性更高,也更直观的呈现健康的变化趋势,以及综合评判人体的健康状态。
为便于理解,下面以具体的应用场景为例说明基于流形空间的数据监测方法,如图4所示,APP采集用户的人体特征数据,从该人体特征数据中发掘有效的数据样本,对所述数据样本进行特征提取,得到原始特征集。该原始特征集为高维特征集MD,对该MD进行降维(XXXX,LE)处理,得到低维空间特征集和从中提取主曲线f0,以及从中提取主曲线f1(t),计算f0和f1(t)之间的相似度,得到如图4中最后一步中所示的评估曲线Dist(t)。
上述图1至图4中任一所对应的实施例或实施方式中所提及的技术特征也同样适用于本申请中的图5和图6所对应的实施例,后续类似之处不再赘述。
以上对本申请中一种基于流形空间的数据监测方法进行说明,以下对执行上述基于流形空间监测健康的装置进行描述。
如图5所示的一种基于流形空间监测健康的装置50的结构示意图,其可应用于评估人体的健康状态。本申请实施例中的装置50能够实现对应于上述图1所对应的实施例中所执行的基于流形空间的数据监测方法的步骤。装置50实现的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,所述模块可以是软件和/或硬件。所述装置50可包括输入输出模块501和处理模块502,所述处理模块502和输入输出模块501的功能实现可参考图1所对应的实施例中所执行的操作,此处不作赘述。所述处理模块502可用于控制所述输入输出模块501的获取、输出等操作。
一些实施方式中,所述输入输出模块501可用于获取多项人体体征数据,所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据;
所述处理模块502用于对各项所述人体体征数据进行特征提取,分别得到各项所述人体体征数据的时域特征、频域特征和时频特征,将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集;根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集;将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,所述第二特征数据集包括健康样本和测试样本;将所述第二特征数据集映射到坐标空间,得到所述第二特征数据集中各个部位的体征数据的空间分布数据,以预设的时间间隔为分度值,将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图;所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据;所述预设的时段的长度与所述时间间隔相等;所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势;根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,所述第一时段的结束时刻早于所述第二时段的起始时刻;根据所述目标曲线图评估人体的健康状态,并通过所述输入输出模块501输出评估结果,所述评估结果用于从多个方面反馈人体的局部特征。
与现有机制相比,本申请实施例中,所述处理模块502通过特征融合、确定数据点的空间分布数据,得到第一时段的第一曲线图后,按照时间间隔和预设的时段分别提取其它主成分的数据的空间分布数据对应的曲线图。在评估人体特征数据随时间变化时,转化为多个第二时段的曲线图与第一曲线图之间的相似度,由于Hausdorff算法是定义于图形上且本质上用于评估两幅曲线图的相似度,本申请的第一曲线图是空间中的一个图形,因此,本申请使用Hausdorff算法评估多个第二曲线图与第一曲线图之间的相似度,并根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成目标曲线图。由于最后生成的目标曲线图是相似度随所述时间间隔变化的曲线图,所以更加准确的呈现健康随着时间变化的真实趋势,准确性更高,也更直观的呈现健康的变化趋势。
一些实施方式中,所述初始特征数据集为N1维数据,所述空间变换算法为流形学习算法;所述处理模块502具体用于:
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集;其中,所述第一特征数据集为N2维数据,N1>k*N2,N1、N2和k均为正整数且k>1;
计算与所述第一特征数据集对应的嵌入映射;
根据所述嵌入映射从所述第一特征数据集中发掘事物本质,以及对所述第一特征数据集进行特征分析,以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
一些实施方式中,所述处理模块502具体用于:
采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别,将提取的各项特征或模式识别的属性说明进行有机合成,得到一个目标表示或目标估计;
按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合,产生多个特征矢量,以及采用基于特征级融合方式融合所述多个特征矢量,对融合得到的特征矢量进行属性说明;
以及对所述第一特征数据集中的各项特征进行特征提取,对提取的各项特征进行属性说明,采用决策融合方式融合各项特征的属性,并融合各项特征的属性说明,以将来源不同的人体体征数据融合到一起,最终得到所述第二特征数据集。
一些实施方式中,所述特征融合算法包括基于贝叶斯决策理论的算法,已知模式空间Ω包含c种模式,记为:Ω={ω1,…,ωc},未知样本x由N维实值特征组成,记为x=[x1,x2,…,xN],根据最小错误率的贝叶斯决策理论,若将样本分为第j类,则第j类是指在已知样本x条件下后验概率最大的模式类,所述处理模块502具体用于:
采用下述公式融合各项特征的属性:
If F(ωj)=max,P(ωk|x),x→ωj
其中,P(ωk|x)P(ωk|x)表示第kk类的后验概率,k∈{1,2,…,c}。
一些实施方式中,所述处理模块502具体用于:
以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据,所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据;所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔;
确定所述第一人体体征数据对应的空间分布数据;
确定所述第一人体体征数据对应的空间分布数据的第一曲线图;
以所述第一曲线图为参考,分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度;
按照各时段的先后顺序,根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
一些实施方式中,所述处理模块502具体用于:
将所述第二时段的曲线图设为集合A,所述集合A={a1,…,ap},以及将第一曲线图设为集合B,所述集合B={b1,…,bq};
计算所述集合A和所述集合B之间的Hausdorff距离;所述Hausdorff距离的一种表示方式为:
h(A,B)=max a∈A{minb∈B{d(a,b)}}
其中,h(A,B)是指所述Hausdorff距离,a,b分别是为所述集合A与所述集合B中的点,d(a,b)表示a与b之间的欧式距离,所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
图5中所示的输入输出模块501对应的实体设备为图6所示的输入输出单元,该输入输出单元能够实现获取模块1部分或全部的功能,或者实现与获取模块201相同或相似的功能。
图5中所示的处理模块502对应的实体设备为图6所示的处理器,该处理器能够实现处理模块502部分或全部的功能,或者实现与处理模块502相同或相似的功能。
上面从模块化功能实体的角度分别介绍了本申请实施例中的基于流形空间监测健康的装置50,以下从硬件角度介绍一种计算机设备,如图6所示,其包括:处理器、存储器、输入输出单元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。例如,该计算机程序可以为图1所对应的实施例中基于流形空间的数据监测方法对应的程序。例如,当计算机设备实现如图5所示的装置50的功能时,所述处理器执行所述计算机程序时实现上述图5所对应的实施例中由装置50执行的基于流形空间的数据监测方法中的各步骤;或者,所述处理器执行所述计算机程序时实现上述图5所对应的实施例的装置50中各模块的功能。又例如,该计算机程序可以为图1所对应的实施例中基于流形空间的数据监测方法对应的程序。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个主曲线部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机设备的各种功能。所述存储器可主要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系统、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;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述输入输出单元也可以用输入单元和输出单元代替,可以为相同或者不同的物理实体。为相同的物理实体时,可以统称为输入输出单元。该输入输出单元收发器可以为收发器。
所述存储器可以集成在所述处理器中,也可以与所述处理器分开设置。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分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(如ROM/RAM)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本申请的保护之内。
Claims (10)
1.一种基于流形空间的数据监测方法,其特征在于,所述方法包括:
获取多项人体体征数据,所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据;
对各项所述人体体征数据进行特征提取,分别得到各项所述人体体征数据的时域特征、频域特征和时频特征,将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集;
根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集;将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,所述第二特征数据集包括健康样本和测试样本;
将所述第二特征数据集映射到坐标空间,得到所述第二特征数据集中各个部位的体征数据的空间分布数据,以预设的时间间隔为分度值,将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图;所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据;所述预设的时段的长度与所述时间间隔相等;所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势;
根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,所述第一时段的结束时刻早于所述第二时段的起始时刻;
根据所述目标曲线图输出评估结果,所述评估结果用于从多个方面反馈人体的局部特征。
2.根据权利要求1所述的方法,其特征在于,所述初始特征数据集为N1维数据,所述空间变换算法为流形学习算法;所述根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集,包括:
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集;其中,所述第一特征数据集为N2维数据,N1>k*N2,N1、N2和k均为正整数且k>1;
计算与所述第一特征数据集对应的嵌入映射;
根据所述嵌入映射对所述第一特征数据集进行特征分析,以从所述第一特征数据集中获取所述第一特征数据集的内在规律。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,包括:
采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别,将提取的各项特征或模式识别的属性说明进行有机合成,得到一个目标表示或目标估计;
按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合,产生多个特征矢量,以及采用基于特征级融合方式融合所述多个特征矢量,对融合得到的特征矢量进行属性说明;
以及对所述第一特征数据集中的各项特征进行特征提取,对提取的各项特征进行属性说明,采用决策融合方式融合各项特征的属性,并融合各项特征的属性说明,以将来源不同的人体体征数据融合到一起,最终得到所述第二特征数据集。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,包括:
以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据,所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据;所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔;
确定所述第一人体体征数据对应的空间分布数据;
确定所述第一人体体征数据对应的空间分布数据的第一曲线图;
以所述第一曲线图为参考,分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度;
按照各时段的先后顺序,根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
7.一种基于流形空间监测健康的装置,其特征在于,所述装置包括:
输入输出模块,用于获取多项人体体征数据,所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据;
处理模块,用于对各项所述人体体征数据进行特征提取,分别得到各项所述人体体征数据的时域特征、频域特征和时频特征,将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集;根据空间变换算法将所述初始特征数据集进行降维处理,得到第一特征数据集;将所述第一特征数据集中的各项特征进行融合处理,得到第二特征数据集,所述第二特征数据集包括健康样本和测试样本;将所述第二特征数据集映射到坐标空间,得到所述第二特征数据集中各个部位的体征数据的空间分布数据,以预设的时间间隔为分度值,将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图;所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据;所述预设的时段的长度与所述时间间隔相等;所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势;根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度,根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图,所述第一时段的结束时刻早于所述第二时段的起始时刻;根据所述目标曲线图评估人体的健康状态,并通过所述输入输出模块输出评估结果,所述评估结果用于从多个方面反馈人体的局部特征。
8.根据权利要求7所述的装置,其特征在于,所述初始特征数据集为N1维数据,所述空间变换算法为流形学习算法;所述处理模块具体用于:
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集;其中,所述第一特征数据集为N2维数据,N1>k*N2,N1、N2和k均为正整数且k>1;
计算与所述第一特征数据集对应的嵌入映射;
根据所述嵌入映射从所述第一特征数据集中发掘事物本质,以及对所述第一特征数据集进行特征分析,以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
9.一种计算机设备,其特征在于,所述设备包括:
至少一个处理器、存储器和输入输出单元器;
其中,所述存储器用于存储程序代码,所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1-6中任一项所述的方法。
10.一种计算机存储介质,其特征在于,其包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991167.1A CN110928916B (zh) | 2019-10-18 | 2019-10-18 | 基于流形空间的数据监测方法、装置及存储介质 |
PCT/CN2020/093394 WO2021073115A1 (zh) | 2019-10-18 | 2020-05-29 | 基于流形空间的数据监测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991167.1A CN110928916B (zh) | 2019-10-18 | 2019-10-18 | 基于流形空间的数据监测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110928916A CN110928916A (zh) | 2020-03-27 |
CN110928916B true CN110928916B (zh) | 2022-03-25 |
Family
ID=69849128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910991167.1A Active CN110928916B (zh) | 2019-10-18 | 2019-10-18 | 基于流形空间的数据监测方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110928916B (zh) |
WO (1) | WO2021073115A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928916B (zh) * | 2019-10-18 | 2022-03-25 | 平安科技(深圳)有限公司 | 基于流形空间的数据监测方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064821A (zh) * | 2012-12-26 | 2013-04-24 | 中国科学技术大学 | 一种动态信号分析方法及装置 |
CN103177114A (zh) * | 2013-04-02 | 2013-06-26 | 浙江大学 | 基于鉴别流形的跨数据域的转移学习分类方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN108805088A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态情绪识别系统的生理信号分析子系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110251493A1 (en) * | 2010-03-22 | 2011-10-13 | Massachusetts Institute Of Technology | Method and system for measurement of physiological parameters |
CN102973253B (zh) * | 2012-10-31 | 2015-04-29 | 北京大学 | 一种利用视觉信息监测人体生理指标的方法和系统 |
CN109784498A (zh) * | 2019-01-23 | 2019-05-21 | 中山大学 | 基于核空间的流形学习非线性逼近的算法 |
CN110928916B (zh) * | 2019-10-18 | 2022-03-25 | 平安科技(深圳)有限公司 | 基于流形空间的数据监测方法、装置及存储介质 |
-
2019
- 2019-10-18 CN CN201910991167.1A patent/CN110928916B/zh active Active
-
2020
- 2020-05-29 WO PCT/CN2020/093394 patent/WO2021073115A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064821A (zh) * | 2012-12-26 | 2013-04-24 | 中国科学技术大学 | 一种动态信号分析方法及装置 |
CN103177114A (zh) * | 2013-04-02 | 2013-06-26 | 浙江大学 | 基于鉴别流形的跨数据域的转移学习分类方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN108805088A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态情绪识别系统的生理信号分析子系统 |
Non-Patent Citations (1)
Title |
---|
一种基于非线性特征提取的数据降维算法;侯远韶;《平顶山学院学报》;20161025(第05期);参考正文第70页至第73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110928916A (zh) | 2020-03-27 |
WO2021073115A1 (zh) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheraghian et al. | Zero-shot learning on 3d point cloud objects and beyond | |
Nie et al. | Clique-graph matching by preserving global & local structure | |
Chowdhury et al. | On applicability of tunable filter bank based feature for ear biometrics: a study from constrained to unconstrained | |
Tan et al. | Time series classification for varying length series | |
CN104392250A (zh) | 一种基于MapReduce的图像分类方法 | |
Wang et al. | A novel heart rate robust method for short-term electrocardiogram biometric identification | |
Girault et al. | Semi-supervised learning for graph to signal mapping: A graph signal wiener filter interpretation | |
Huang et al. | Sparse representation-based heartbeat classification using independent component analysis | |
KR101977231B1 (ko) | 커뮤니티 검출 방법 및 커뮤니티 검출 프레임워크 장치 | |
Shekhar et al. | Joint sparsity-based robust multimodal biometrics recognition | |
Maiorino et al. | Multifractal characterization of protein contact networks | |
CN111954250A (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN110928916B (zh) | 基于流形空间的数据监测方法、装置及存储介质 | |
CN111177436A (zh) | 一种人脸特征检索方法、装置及设备 | |
Marchese et al. | Topological learning for acoustic signal identification | |
CN102609733B (zh) | 海量人脸库应用环境下的人脸快速识别方法 | |
CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
Wang et al. | Sparse representation of local spatial-temporal features with dimensionality reduction for motion recognition | |
Kar et al. | A hybrid feature descriptor with Jaya optimised least squares SVM for facial expression recognition | |
Chen et al. | HTsort: Enabling fast and accurate spike sorting on multi-electrode arrays | |
CN115631371A (zh) | 一种脑电信号核心网络的提取方法 | |
Xu et al. | Individual identification of electronic equipment based on electromagnetic fingerprint characteristics | |
Ganesan et al. | A deep learning approach to fault detection in a satellite power system using Gramian angular field | |
Zareei et al. | Impact of compression ratio and reconstruction methods on ecg classification for e-health gadgets: A preliminary study | |
Zhai et al. | ECG security identification system on the Zynq SoC platform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40023083 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |