CN111144503B - 一种平衡能力评价方法及装置 - Google Patents
一种平衡能力评价方法及装置 Download PDFInfo
- Publication number
- CN111144503B CN111144503B CN201911394842.9A CN201911394842A CN111144503B CN 111144503 B CN111144503 B CN 111144503B CN 201911394842 A CN201911394842 A CN 201911394842A CN 111144503 B CN111144503 B CN 111144503B
- Authority
- CN
- China
- Prior art keywords
- classification
- score
- target
- reference value
- probability
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims description 30
- 230000005484 gravity Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种平衡能力评价方法及装置,所述方法包括:获取需要分类的目标数据;将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值;根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分。本发明提高了对分类结果评分的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种平衡能力评价方法及装置。
背景技术
智能化时代的今天,铺天盖地的各类信息让人无所适从,如何从类别信息中分析各类别之间的差异以及对分类结果的评分预测是一个重要且有意义的研究领域。多分类结果的评分预测指的是基于类别数据进行分类的结果,分析不同类别之间关系,并最终预测不同类别的评分区间。
目前评分算法在很多领域中都有广泛的应用,最典型的例子就是推荐系统,它通过预测用户对物品的评分给用户推荐物品,目前这种技术在电商平台被广泛应用。但是目前的评分系统及方法难以对多分类结果进行准确的评分,评分存在失真,在应用过程中使用户体验降低。
发明内容
鉴于上述问题,本发明提出了一种平衡能力评价方法及装置,提高了对分类结果评分的准确性。
第一方面,本申请通过本申请的一实施例提供如下技术方案:
一种平衡能力评价方法,包括:
获取需要分类的目标数据;
将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值;
根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分。
优选地,所述根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值,包括:
从N个所述概率值中确定基准概率;其中,所述基准概率为N个所述概率值中的最大值;
根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值;其中,所述目标类别为所述基准概率对应的所述分类类别,所述目标分数区间为所述基准概率对应的所述分数区间。
优选地,所述根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值,包括:
当所述目标类别的排列位置在N个所述分类类别中的中间时,将所述目标分数区间的中位数确定为所述基准值。
优选地,所述根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值,还包括:
当所述目标类别的排列位置在N个所述分类类别中的较优的端部时,将所述目标分数区间中最大分数确定为所述基准值。
优选地,所述根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值,还包括:
当所述目标类别的排列位置在N个所述分类类别中的较劣的端部时,将所述目标分数区间中最小分数确定为所述基准值。
优选地,所述根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分,包括:
根据计算式对所述基准值进行调整,获得每个分类类别的评分;其中,i、j为排列在第i、j个的分类类别,Si为排列在第i个分类类别的评分,Ci为排列在第i个分类类别的概率值,Cj为排列在第j个分类类别的概率值,Mi为基准值,Vi、Vi′分别为排列在第i个分类类别对应的分数区间的下限与上限。
第二方面,基于同一发明构思,本申请通过本申请的一实施例提供如下技术方案:
一种平衡能力评价装置,包括:
目标数据采集模块,用于获取需要分类的目标数据;
分类模块,用于将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
基准值确定模块,用于根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值;
评分模块,用于根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分。
优选地,所述基准值确定模块,具体用于:
从N个所述概率值中确定基准概率;其中,所述基准概率为N个所述概率值中的最大值;
根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值;其中,所述目标类别为所述基准概率对应的所述分类类别,所述目标分数区间为所述基准概率对应的所述分数区间。
第三方面,基于同一发明构思,本申请通过本申请的一实施例提供如下技术方案:
一种平衡能力评价装置,包括处理器和存储器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时使所述平衡能力评价装置执行第一方面中任一项所述方法的步骤。
第四方面,基于同一发明构思,本申请通过本申请的一实施例提供如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本发明实施例中提供的一种平衡能力评价方法及装置,其中方法通过获取需要分类的目标数据;将目标数据输入预设的分类器中,获得N个分类类别以及目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的分数区间连续;根据N个分类类别、N个分数区间以及N个概率值的大小,确定用于对目标数据评分的基准值;根据N个分数区间和N个概率值对基准值进行调整,获得目标数据的评分。本发明实施例中通过确定基准值,然后综合N个分数区间以及N个概率值对基准值进行调整,即对基准值的调整是考虑了目标数据分类到各个分类类别的概率值。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明第一实施例提供的一种平衡能力评价方法的方法流程图;
图2示出了本发明第二实施例提供的一种平衡能力评价方法的方法流程图;
图3示出了本发明第三实施例提供的一种平衡能力评价装置的功能模块框图;
图4示出了本发明第三实施例提供的一种平衡能力评价装置的功能模块框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
请参见图1,图1示出了本发明第一实施例提供的一种平衡能力评价方法的方法流程图。
所述方法,包括:
步骤S10:获取需要分类的目标数据;
步骤S20:将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
步骤S30:根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值;
步骤S40:根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分。
在本实施例中,通过对目标数据分类得到分数区间后,再次进行评分提高了对目标数据的评分准确性,由此可更加准确的表示对目标数据分类的综合情况。
步骤S10:获取需要分类的目标数据。
在步骤S10中,具体的目标数据为需要进行分类且获取评分的数据,目标数据的类型不作限制。目标数据可为学生的成绩;例如,包括语文、数学、英语、历史、物理等各个科目的分数。目标数据还可为测定人体平衡能力时采集的各个参数;例如,在平衡仪上完成指定动作的情况下,平衡仪测量得到的总移动速率、水平与竖直方向的移动速率、水平与竖直方向上的振幅和覆盖面积指标等。
步骤S20:将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数。
在步骤S20中,分类器为经过训练样本训练过的分类器,其中,可通过sigmoid函数输出各个分类类别的概率,训练样本的数据类型与目标数据的数据类型相同。例如,目标数据为学生个科目的成绩,并且根据各科目的成绩可将学生成绩评价为差、中、良、优四个等级,每个等级对应不同的分数区间,各个分数区间连续,如[50,60),[60,70),[70,85),[85,100]。在训练时,对训练样本进行分类结果标记,然后进行训练。具体的,训练过程为现有的技术手段,不在赘述。
需要说明的是,类别的数量,分数区间的划断方式不做限制。
步骤S30:根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值。
在步骤S30中,确定基准值的一具体方式为:
步骤S31:从N个所述概率值中确定基准概率;其中,所述基准概率为N个所述概率值中的最大值;
在步骤S31中,由于N个概率值中的最大值可表示该最大的概率值对应的分类类别与目标数据最为匹配,因此将其确定为基准概率可使得获得的基准值更加准确。
步骤S32:根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值;其中,所述目标类别为所述基准概率对应的所述分类类别,所述目标分数区间为所述基准概率对应的所述分数区间。
在步骤S32中,进一步的结合了基准概率对应的分类类别的位置来确定最终的基准值,可以起到对最后评分的修正作用,避免评分在两个分类类别的边界处出现模糊和分类不准确的情况。
对于步骤S32,具体有如下的执行方式:
1、当所述目标类别的排列位置在N个所述分类类别中的中间时,将所述目标分数区间的中位数确定为所述基准值。通过采用目标分数区间的中位数作为基准值,可保证在评分时向基准值两侧都有相同的长度可调整,提高评分调整时的准确性。
继续以上述目标数据为学生个科目的成绩的例子进行说明,当目标类别为良或中的时候,对应的分数区间为[60,70)或[70,85);此时,基准值为65或75。
2、当所述目标类别的排列位置在N个所述分类类别中的较优的端部时,将所述目标分数区间中最大分数确定为所述基准值。该情况下,采用最大分数作为基准值,可保证分数向下调整时具有最大的调整空间,免轻易调整到相邻的分类类别的分数区间,提高评分调整的精度。
继续以上述目标数据为学生个科目的成绩的例子进行说明,当目标类别为优的时候,对应的分数区间为[85,100];此时,基准值为100。
3、当所述目标类别的排列位置在N个所述分类类别中的较劣的端部时,将所述目标分数区间中最小分数确定为所述基准值。该情况下,采用最小分数作为基准值,可保证分数向上调整时具有最大的调整空间,免轻易调整到相邻的分类类别的分数区间,提高评分调整的精度。
继续以上述目标数据为学生个科目的成绩的例子进行说明,当目标类别为优的时候,对应的分数区间为[50,60);此时,基准值为50。
步骤S40:根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分。
在步骤S40中,通过采用基准值,并基于基准值进行调整或的评分实现对目标数据的分类结果的评价,可唯一的表示出当前的目标数据所处的分类类别中优劣情况,相对于目标的分数区间来说更加的准确可靠,给用户更加直观的量化评价。具体的,本实施例中的调整方式为:
根据计算式对所述基准值进行调整,获得每个分类类别的评分;其中,i、j为排列在第i、j个的分类类别,Si为排列在第i个分类类别的评分,Ci为排列在第i个分类类别的概率值,Cj为排列在第j个分类类别的概率值,Mi为基准值,Vi、Vi′分别为排列在第i个分类类别对应的分数区间的下限与上限。当∑j>iCj的值越大时,越大,此时说明检测结果较好分数应该更高,因此加上调整项。当∑j<iCj的值越大时,越大,此时说明检测结果较差分数应该降低,因此减去调整项。通过上述方式实现了最终评分的平衡调整,得到的评分可真实精确的表示目标数据的精确分数和分类类别,还可采用最终得到的精确评分对最终的分类类别进行修正。
需要说明的是,在处理批量的目标数据时,每个目标数据均可按照上述步骤S10-S40的方法执行,即可获取到最终对每个目标数据的评分。
本实施例中提供的一种平衡能力评价方法,通过获取需要分类的目标数据;将目标数据输入预设的分类器中,获得N个分类类别以及目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的分数区间连续;根据N个分类类别、N个分数区间以及N个概率值的大小,确定用于对目标数据评分的基准值;根据N个分数区间和N个概率值对基准值进行调整,获得目标数据的评分。本实施例中通过确定基准值,然后综合N个分数区间以及N个概率值对基准值进行调整,即对基准值的调整是考虑了目标数据分类到各个分类类别的概率值。
第二实施例
请参阅图2,在本实施例中还提供了一种平衡能力评价方法,该方法可应用于平衡仪的本地处理器中,也可应用于平衡仪的云端服务器中,不作限制。所述方法包括:
步骤S100:获取平衡仪采集到用户的平衡能力测试数据;所述平衡能力测试数据至少包括速度指标和幅度指标;
步骤S200:将所述平衡能力测试数据输入到预设的分类器中,获得N个分类类别以及所述平衡能力测试数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
步骤S300:根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述平衡能力测试数据评分的基准值;
步骤S400:根据N个所述分数区间和N个所述概率值对所述基准值进行调整,获得所述用户的平衡能力的评分。
在步骤S100中,平衡仪采集到用户的平衡能力测试数据包括但不限于如下的一种或多种:
速度指标,包括:重心总移动速率、X方向移动速率和Y方向移动速率;
幅度指标,包括:X方向振幅和Y方向振幅;
轨迹指标,包括:单位面积的轨迹长度和重心轨迹的最大覆盖面积。
角度指标,包括:重心摆动角度。
进一步的,在需要确定平衡能力测试数据的分类类别,在本实施例中提供一种具体的类别分类方式,使得本实施例的评价方法更加准确。具体在步骤S20之前执行,如下:
步骤S101:获取平衡能力训练样本集。
其中,平衡能力训练样本集可为历史测量出的历史数据。
步骤S102:采用K-Means聚类算法将所述平衡能力训练样本集进行聚类,获得N个分类类别以及所述平衡能力训练样本集中每个样本的分类类别。
其中,在历史数据中选取对应的中心点数据,然后进行聚类即可。具体的,在本实施例中,可聚类出4个分类类别,即N为4。通过聚类获得分类类别,可保证后续采用的各个分类类别的以及各个分类类别的概率值是客观且准确的,提高了对平衡能力测试数据进行评价的准确性。
步骤S103:按照由劣至优对所述N个分类类别标记排列顺序。
例如,当N为4时,可对分类类别进行标定,由劣至优包括:很差、偏差、良好以及优。
步骤S104:根据所述排列顺序对所述N个分类类别分别分配分数区间,获得N个分数区间;其中,相邻的两个分数区间连续。
例如,当N为4时,分数区间由劣至优包括分别划分为:[50,60),[60,70),[70,85),[85,100]。保证两个分数区间的连续,可便于评价平衡能力的评分的调整。
进一步的,将平衡能力训练样本集进行了上述处理后就可进行分类器的训练;具体为:根据所述平衡能力训练样本集以及所述分类类别对分类器进行训练,获得所述预设的分类器。
步骤S200:将所述平衡能力测试数据输入到预设的分类器中,获得N个分类类别以及所述平衡能力测试数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数。
在步骤S200中,分类类别即为在步骤S102中聚类所获得的类别。
对于步骤S200-S400的详细执行过程以及对应的有益效果可参见第一实施例中的阐述,本实施例中不再赘述。本实施例中,继续以上述步骤S100、S101-S104中的实例进说明,如下:
本实施例中,分别为分类类别编号,很差、偏差、良好以及优,对应:1、2、3、4;对应的分数区间为[50,60),[60,70),[70,85),[85,100]。以分类概率Ci最高的分类类别对应的分数值Mi为基准值,结合各个分类类别的概率值的其他类别的概率进行调整,在基准值上进行加减调整来估计最终的评分Si。
当i≠1且i≠4时,Mi为中位数,例如,分类类别中偏差的概率最大,偏差为排列在中间位置的分类类别,此时即i=2,Mi取中位数为65;分类类别中良好的概率最大,良好为排列在中间位置的分类类别,此时即i=3,Mi取中位数为70。当i=1时,Mi为对应分数区间的最小值,例如,分类类别中很差的概率最大,很差排列在分类类别较劣的端部位置,此时即i=1,Mi为50。当i=4时,Mi为对应分数区间的最大值,例如,分类类别中优的概率最大,优排列在分类类别较优一端的端部位置,此时即i=4,Mi为100。
基于此,分别进行4组平衡能力测试数据的评价:
平衡能力测试数据1:
请输入index>>541
predict label:优
true label:优
balance score:90.51751642457596;
平衡能力测试数据2:
请输入index>>1736
predict label:良
true label:偏差
balance score:70.0045713007345;
平衡能力测试数据3:
请输入index>>1736
predict label:良
true label:偏差
balance score:70.0045713007345;
平衡能力测试数据4:
请输入index>>1261
predict label:偏差
true label:偏差
balance score:68.88692388150976。
通过上述4组数据可以看出,采用本方法对用户的平衡能力进行评价时,可准确的量化输出确定的评分,使用户能够直观的了解自身的平衡能力状况。同时,通过平衡能力测试数据3可以看出分类结果与实际的分类类别存在误差,即为真实的分类类别为偏差,预测为良,尽管预测错误了,但是输出的得分约等于70,几乎落在偏差的区间,可见该方法通过基于基准值的调整来获取评价分数,实现对用户平衡能力的评价是更加精确有效的。
综上所述,本实施例通过获取平衡仪采集到用户的平衡能力测试数据;所述平衡能力测试数据至少包括速度指标和幅度指标;将所述平衡能力测试数据输入到预设的分类器中,获得N个分类类别以及所述平衡能力测试数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述平衡能力测试数据评分的基准值;根据N个所述分数区间和N个所述概率值对所述基准值进行调整,获得所述用户的平衡能力的评分。由于在整个评价过程中采用N个分数区间以及对应的N个概率值对基准值进行的综合调整,使得最终的评分是对分类器分类结果的综合考量,并不会单独考虑最值,使得评分的判断精度更高,评价更加准确有效。
第三实施例
基于同一发明构思,本发明第二实施例提供了一种平衡能力评价装置300。图3示出了本发明第二实施例提供的一种平衡能力评价装置300的功能模块框图。
所述装置300,包括:
目标数据采集模块301,用于获取需要分类的目标数据;
分类模块302,用于将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
基准值确定模块303,用于根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值;
评分模块304,用于根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分。
作为一种可选的实施方式,所述所述基准值确定模块303,具体用于:
从N个所述概率值中确定基准概率;其中,所述基准概率为N个所述概率值中的最大值;
根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值;其中,所述目标类别为所述基准概率对应的所述分类类别,所述目标分数区间为所述基准概率对应的所述分数区间。
需要说明的是,本发明实施例所提供的装置300,其具体实现及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
第四实施例
基于同一发明构思,本发明第二实施例提供了一种平衡能力评价装置400。图4示出了本发明第二实施例提供的一种平衡能力评价装置400的功能模块框图
所述装置400,包括:
平衡数据采集模块401,用于获取平衡仪采集到用户的平衡能力测试数据;所述平衡能力测试数据至少包括速度指标和幅度指标;
平衡数据分类模块402,用于将所述平衡能力测试数据输入到预设的分类器中,获得N个分类类别以及所述平衡能力测试数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
基准值获取模块403,用于根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述平衡能力测试数据评分的基准值;
评价模块404,用于根据N个所述分数区间和N个所述概率值对所述基准值进行调整,获得所述用户的平衡能力的评分。
需要说明的是,本发明实施例所提供的装置400,其具体实现及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
另外,基于同一发明构思,在本发明的其他实施例中还提供了可执行上述第一实施例或第二实施例中方法的实体装置,该装置包括处理器和存储器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时实现上述第一实施例或第二实施例中方法的具体步骤。
需要说明的是,本发明实施例所提供的装置中,上述每个步骤的具体实现及产生的技术效果和前述方法实施例相同,为简要描述,本实施例未提及之处可参考前述方法实施例中相应内容。
本发明提供的装置集成的功能模块如果以软件功能模块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,本发明实现上述实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或N个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或N个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成N个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者N个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者N个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在N个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (7)
1.一种平衡能力评价方法,其特征在于,包括:
获取需要分类的目标数据;所述目标数据为平衡仪采集到用户的平衡能力测试数据;所述平衡能力测试数据包括:
速度指标:重心总移动速率、X方向移动速率和Y方向移动速率;幅度指标:X方向振幅和Y方向振幅;轨迹指标:单位面积的轨迹长度和重心轨迹的最大覆盖面积;角度指标:重心摆动角度;
将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值;
根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分;所述目标数据的评分用于表示目标数据所处的分类类别中优劣情况;
所述根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值,包括:
从N个所述概率值中确定基准概率;其中,所述基准概率为N个所述概率值中的最大值;根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值;其中,所述目标类别为所述基准概率对应的所述分类类别,所述目标分数区间为所述基准概率对应的所述分数区间;
所述根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值,包括:
当所述目标类别的排列位置在N个所述分类类别中的中间时,将所述目标分数区间的中位数确定为所述基准值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值,还包括:
当所述目标类别的排列位置在N个所述分类类别中的较优的端部时,将所述目标分数区间中最大分数确定为所述基准值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值,还包括:
当所述目标类别的排列位置在N个所述分类类别中的较劣的端部时,将所述目标分数区间中最小分数确定为所述基准值。
5.一种平衡能力评价装置,其特征在于,包括:
目标数据采集模块,用于获取需要分类的目标数据;所述目标数据为平衡仪采集到用户的平衡能力测试数据;所述平衡能力测试数据包括:
速度指标:重心总移动速率、X方向移动速率和Y方向移动速率;幅度指标:X方向振幅和Y方向振幅;轨迹指标:单位面积的轨迹长度和重心轨迹的最大覆盖面积;角度指标:重心摆动角度;
分类模块,用于将所述目标数据输入预设的分类器中,获得N个分类类别以及所述目标数据分类到每个分类类别的概率值;其中,每个分类类别均对应一个分数区间,相邻的所述分类类别的所述分数区间连续,N为正整数;
基准值确定模块,用于根据所述N个分类类别、N个所述分数区间以及N个所述概率值的大小,确定用于对所述目标数据评分的基准值;
评分模块,用于根据所述N个分数区间和N个所述概率值对所述基准值进行调整,获得所述目标数据的评分;所述目标数据的评分用于表示目标数据所处的分类类别中优劣情况;
所述基准值确定模块,具体用于从N个所述概率值中确定基准概率;其中,所述基准概率为N个所述概率值中的最大值;根据所述基准概率、目标类别在N个所述分类类别中的排列位置,从目标分数区间中确定出所述基准值;其中,所述目标类别为所述基准概率对应的所述分类类别,所述目标分数区间为所述基准概率对应的所述分数区间;
6.一种平衡能力评价装置,其特征在于,包括处理器和存储器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时使所述平衡能力评价装置执行权利要求1-4中任一项所述方法的步骤。
7.一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,该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394842.9A CN111144503B (zh) | 2019-12-30 | 2019-12-30 | 一种平衡能力评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394842.9A CN111144503B (zh) | 2019-12-30 | 2019-12-30 | 一种平衡能力评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144503A CN111144503A (zh) | 2020-05-12 |
CN111144503B true CN111144503B (zh) | 2022-09-27 |
Family
ID=70521925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911394842.9A Active CN111144503B (zh) | 2019-12-30 | 2019-12-30 | 一种平衡能力评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144503B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919172A (zh) * | 2018-12-25 | 2019-06-21 | 华中科技大学鄂州工业技术研究院 | 一种多源异构数据的聚类方法及装置 |
CN110123337A (zh) * | 2019-05-30 | 2019-08-16 | 垒途智能教科技术研究院江苏有限公司 | 一种儿童运动协调能力测评系统及测评方法 |
CN110313036A (zh) * | 2016-11-09 | 2019-10-08 | 国家科学研究中心 | 用于量化平衡的多参数方法 |
CN110384483A (zh) * | 2019-07-23 | 2019-10-29 | 福建中医药大学 | 运动平衡评估方法及计算机终端 |
CN110503155A (zh) * | 2019-08-23 | 2019-11-26 | 腾讯科技(深圳)有限公司 | 一种信息分类的方法及相关装置、服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373267B2 (en) * | 2016-04-29 | 2019-08-06 | Intuit Inc. | User data augmented propensity model for determining a future financial requirement |
-
2019
- 2019-12-30 CN CN201911394842.9A patent/CN111144503B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110313036A (zh) * | 2016-11-09 | 2019-10-08 | 国家科学研究中心 | 用于量化平衡的多参数方法 |
CN109919172A (zh) * | 2018-12-25 | 2019-06-21 | 华中科技大学鄂州工业技术研究院 | 一种多源异构数据的聚类方法及装置 |
CN110123337A (zh) * | 2019-05-30 | 2019-08-16 | 垒途智能教科技术研究院江苏有限公司 | 一种儿童运动协调能力测评系统及测评方法 |
CN110384483A (zh) * | 2019-07-23 | 2019-10-29 | 福建中医药大学 | 运动平衡评估方法及计算机终端 |
CN110503155A (zh) * | 2019-08-23 | 2019-11-26 | 腾讯科技(深圳)有限公司 | 一种信息分类的方法及相关装置、服务器 |
Non-Patent Citations (2)
Title |
---|
The Visualization Decision-making Model of Four Objectives Based on the Balance of Space Vector;Xiaojun Bi等;《2012 4th International Conference on Intelligent Human-Machine Systems and Cybernetics》;20120920;第365-368页 * |
基于体感交互的静态平衡能力测评研究;王晓燕;《中国优秀硕士学位论文全文数据库》;20180215;第1-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111144503A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Janitza et al. | An AUC-based permutation variable importance measure for random forests | |
CN108091372B (zh) | 医疗字段映射校验方法及装置 | |
CN107067025A (zh) | 一种基于主动学习的数据自动标注方法 | |
CN105069470A (zh) | 分类模型训练方法及装置 | |
Barla et al. | Machine learning methods for predictive proteomics | |
CN110084262A (zh) | 用于光谱量化的减少的误报识别 | |
CN115691722B (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
CN111144503B (zh) | 一种平衡能力评价方法及装置 | |
CN116701772B (zh) | 数据推荐方法和装置、计算机可读存储介质、电子设备 | |
CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN115879039A (zh) | 一种支持向量回归结合引力搜索的元素含量定量分析方法 | |
CN110931131B (zh) | 一种平衡能力评价方法及装置 | |
CN114972220B (zh) | 一种图像处理方法、装置、电子设备及可读存储介质 | |
CN113127342B (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
CN113435713B (zh) | 基于gis技术和两模型融合的风险地图编制方法及系统 | |
CN112883284B (zh) | 一种基于网络和数据分析的在线学习系统及测试题推荐方法 | |
US11520831B2 (en) | Accuracy metric for regular expression | |
CN113919510A (zh) | 一种样本特征选择方法、装置、设备及介质 | |
CN116893953B (zh) | 一种基于眼动追踪的界面可用性评估方法和系统 | |
US20190137539A1 (en) | Systems and methods for estimating a condition from sensor data using random forest classification | |
Saulière et al. | Z-scores-based methods and their application to biological monitoring: an example in professional soccer players | |
Nieto Ramos et al. | Bayesian inference for fitting cardiac models to experiments: estimating parameter distributions using Hamiltonian Monte Carlo and approximate Bayesian computation | |
Chen et al. | Is two-point method a valid and reliable method to predict 1RM? A systematic review | |
Molotkov et al. | Detecting biased validation of predictive models in the positive-unlabeled setting: disease gene prioritization case study | |
CN113945724B (zh) | 一种阈下抑郁风险预测装置及其试剂盒和应用 |
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 |