CN111243743A - 数据处理方法、装置、设备及计算机可读存储介质 - Google Patents

数据处理方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111243743A
CN111243743A CN202010057407.3A CN202010057407A CN111243743A CN 111243743 A CN111243743 A CN 111243743A CN 202010057407 A CN202010057407 A CN 202010057407A CN 111243743 A CN111243743 A CN 111243743A
Authority
CN
China
Prior art keywords
person
data processing
data
monitoring data
processing method
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
Application number
CN202010057407.3A
Other languages
English (en)
Inventor
林焕彬
李�权
陈天健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010057407.3A priority Critical patent/CN111243743A/zh
Publication of CN111243743A publication Critical patent/CN111243743A/zh
Priority to PCT/CN2020/129252 priority patent/WO2021143337A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种数据处理方法，包括：间隔第一预设时长定时获取各个人员对应的多个维度的监测数据；分别对各个人员对应的各个维度的监测数据进行归一化处理；确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵；基于所述相似度矩阵确定各个人员中的离群人员。本发明还公开了一种数据处理装置、设备及计算机可读存储介质。本发明能够实时监测人员中出现异常的人员，通过从海量数据中挖掘出可能存在的异常点，方便医疗人员实时了解以及持续跟踪人员的状态，以便于分析和挖掘出人员出现异常潜在的原因，以降低体育赛事运动场景中人员异常事件的发生。

Description

数据处理方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、设备及计算机可读存储介质。
背景技术
在体育赛事的运动场景中，由于天气或者道路原因等，难免会出现一些运动员的受伤事件，比如摔倒、猝死、心率骤停、身体不适等等。
目前，大多数是在出现运动员异常事件后，对运动员进行生理指标和运动数据进行收集，然后做出初步的判断。这些方式基本都是使用传统的医疗设备进行分析，并不能做到实时去分析和挖掘出运动员出现异常潜在的原因，而导致体育赛事运动场景中发生的人员异常事件并没有减少。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种数据处理方法、装置、设备及计算机可读存储介质，旨在解决目前难以检测运动员中出现异常的人员的技术问题。
为实现上述目的，本发明提供一种数据处理方法，所述数据处理方法包括以下步骤：
间隔第一预设时长定时获取各个人员对应的多个维度的监测数据；
分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据；
基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵；
基于所述相似度矩阵确定各个人员中的离群人员。
进一步地，所述基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度的步骤包括：
获取各个人员中各个维度的归一化后的监测数据对应的均值，以获得各个人员对应的各个维度的均值；
基于各个人员对应的各个维度的均值，确定各个人员中两两之间的相似度。
进一步地，所述基于所述相似度矩阵确定各个人员中的离群人员的步骤包括：
对所述相似度矩阵进行降维处理，以获得各个人员对应的二维矩阵；
基于所述二维矩阵确定各个人员中的离群人员。
进一步地，所述基于所述二维矩阵确定各个人员中的离群人员的步骤包括：
基于离群点检测算法对所述二维矩阵进行处理，以获得各个人员对应的局部离群因子；
基于所述局部离群因子确定各个人员中的离群人员。
进一步地，所述基于所述相似度矩阵确定各个人员中的离群人员的步骤之后，所述数据处理方法还包括：
基于所述局部离群因子，在二维平面图中展示各个人员的状态图形，其中，所述状态图形的面积与所述局部离群因子一一对应，各个人员中除离群人员之外的其他人员的状态图形的色彩，与所述离群人员的状态图形的色彩不同。
进一步地，所述基于所述局部离群因子，在二维平面图中展示各个人员的状态图形的步骤之后，所述数据处理方法还包括：
在检测到基于各个所述状态图形中的目标状态图形触发的第一显示指令时，获取第一预设时长内所述目标状态图形对应的各个维度的目标监测数据；
基于各个维度的目标监测数据以及各个目标监测数据的时间顺序，在二维平面图中展示各个维度的监测数据曲线。
进一步地，所述基于所述局部离群因子，在二维平面图中展示各个人员的状态图形的步骤之后，所述数据处理方法还包括：
基于所述离群人员，更新各个人员对应的异常次数；
在所述二维平面图的第一预设区域，显示当前已出现异常的人员的标识信息以及对应的异常次数。
进一步地，所述分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据的步骤之后，所述数据处理方法还包括：
基于第二预设时长对归一化后的监测数据进行拆分，以获得各个人员对应的多组子监测数据，其中，所述第一预设时长为所述第二预设时长的整数倍，所述子监测数据包括多个维度的数据；
分别将各个人员对应的子监测数据中，各个维度的数据相加，以获得各个人员对应的综合分值；
在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值。
进一步地，所述在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值的步骤之后，所述数据处理方法还包括：
基于第三预设时长，在所述第二预设区域中显示多个盒须图，其中，所述第三预设时长为所述第二预设时长的整数倍，且所述第一预设时长为所述第三预设时长的整数倍；
在检测到多个盒须图中的目标盒须图触发的第二显示指令时，获取所述目标盒须图对应的时刻之前，各个人员的综合分值的最大分值、最小分值以及分值均值；
显示获取到的所述最大分值、最小分值以及分值均值。
进一步地，所述在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值的步骤之后，所述数据处理方法还包括：
确定各个人员对应的归一化后的监测数据中，是否存在各个维度的归一化数据处于对应的预设范围内的目标归一化数据；
若存在，则获取目标归一化数据对应的采集时刻以及目标人员；
基于所述采集时刻，在所述目标人员对应的折线图中显示预设图形。
此外，为实现上述目的，本发明还提供一种数据处理装置，所述数据处理装置包括：
第一获取模块，用于间隔第一预设时长定时获取各个人员对应的多个维度的监测数据；
第二获取模块，用于分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据；
第一确定模块，用于基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵；
第二确定模块，用于基于所述相似度矩阵确定各个人员中的离群人员。
此外，为实现上述目的，本发明还提供一种数据处理设备，所述数据处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据处理程序，所述数据处理程序被所述处理器执行时实现前述的数据处理方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现前述的数据处理方法的步骤。
本发明通过间隔第一预设时长定时获取各个人员对应的多个维度的监测数据，接着分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据，而后基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵，最后基于所述相似度矩阵确定各个人员中的离群人员，能够实时监测人员中出现异常的人员，通过从海量数据中挖掘出可能存在的异常点(离群人员)，方便医疗人员实时了解以及持续跟踪人员的状态，以便于分析和挖掘出人员出现异常潜在的原因，以降低体育赛事运动场景中人员异常事件的发生。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的数据处理设备的结构示意图；
图2为本发明数据处理方法第一实施例的流程示意图；
图3为本发明数据处理方法一实施例中的显示场景示意图；
图4为本发明数据处理方法另一实施例中的显示场景示意图；
图5为本发明数据处理方法又一实施例中的显示场景示意图；
图6为本发明数据处理装置一实施例的功能模块示意图。
本发明目的的实现、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仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的数据处理设备的结构示意图。
本发明实施例数据处理设备可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该数据处理设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，数据处理设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解，图1中示出的数据处理设备结构并不构成对数据处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据处理程序。
在图1所示的数据处理设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的数据处理程序。
在本实施例中，数据处理设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的数据处理程序，其中，处理器1001调用存储器1005中存储的数据处理程序时，并执行下述数据处理方法中的操作。
本发明还提供一种数据处理方法，参照图2，图2为本发明数据处理方法第一实施例的流程示意图。
本实施例中，该数据处理方法可应用于大型体育赛事的场景中，也可以应用于其他领域类似的场景中，例如，马拉松场景中。
该数据处理方法包括：
步骤S110，间隔第一预设时长定时获取各个人员对应的多个维度的监测数据；
本实施例中，各个运动员(人员)均佩戴手环等可穿戴设备，该可穿戴设备可采集运动员多个维度的数据，并实时或定时(间隔第一预设时长)将采集到的数据上传至数据处理装置或数据处理设备，多个维度的监测数据包括运动员当前所处位置的经纬度信息、当前时刻、当前心率、当前速度、当前配速、当前距离、当前步频等数据中的至少3种。
各个人员对应的多个维度的监测数据是指每一个人员在第一预设时长内每一个维度的数据。
步骤S120，分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据；
本实施例中，在获取到各个人员对应的多个维度的监测数据时，分别对每一个人员的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据，即得到每一个人员的各个维度归一化后的数据，具体地，可采用的是min-max归一化算法，将不同维度的数据归一化到(0，1)范围内。
步骤S130，基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵；
本实施例中，在得到归一化后的监测数据后，根据每一个人员的各个维度归一化后的数据，确定各个人员中两两之间的相似度，即各个人员中任意两个人员之间的相似度，根据得到的相似度生成各个人员对应的相似度矩阵，其中，每一个人员对应的相似度矩阵中的元素为该人员与其他任一人员的相似度。
步骤S140，基于所述相似度矩阵确定各个人员中的离群人员。
本实施例中，在获取到各个人员对应的相似度矩阵时，基于相似度矩阵确定各个人员中的离群人员，具体地，采用离群点检测算法对相似度矩阵进行处理，得到相似度矩阵对应的离群矩阵(离群点)，该离群矩阵所对应的人员即为离群人员。
本实施例的技术方案，可以自动的从海量数据中挖掘出可能存在的异常点(离群人员)，方便医疗人员实时了解以及持续跟踪人员的状态，并可以找到监测数据中被忽略的信息或者征兆，并形成新的知识经验，以便后续预防类似事件再次发生。
本实施例提出的数据处理方法，通过间隔第一预设时长定时获取各个人员对应的多个维度的监测数据，接着分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据，而后基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵，最后基于所述相似度矩阵确定各个人员中的离群人员，能够实时监测人员中出现异常的人员，通过从海量数据中挖掘出可能存在的异常点(离群人员)，方便医疗人员实时了解以及持续跟踪人员的状态，以便于分析和挖掘出人员出现异常潜在的原因，以降低体育赛事运动场景中人员异常事件的发生。
基于第一实施例，提出本发明数据处理方法的第二实施例，在本实施例中，步骤S120包括：
步骤S121，获取各个人员中各个维度的归一化后的监测数据对应的均值，以获得各个人员对应的各个维度的均值；
步骤S122，基于各个人员对应的各个维度的均值，确定各个人员中两两之间的相似度。
本实施例中，在得到归一化后的监测数据后，根据每一个人员的各个维度归一化后的数据，计算各个人员中各个维度的归一化后的监测数据对应的均值，即每一个人员对应的每一个维度的归一化后的监测数据的均值，得到各个人员对应的各个维度的均值，以得到各个人员对应的各个维度的简要数据特征。
而后，基于各个人员对应的各个维度的均值，确定各个人员中两两之间的相似度，具体地，采用Canberra Distance距离公式计算每两个人员之间在所有维度上的相似度，即各个人员中任意两个人员之间的相似度，例如，按照预设的顺序基于各个人员对应的各个维度的均值，生成均值向量，根据各个人员的均值向量采用Canberra Distance距离公式计算每两个人员之间在所有维度上的相似度。
本实施例提出的数据处理方法，通过获取各个人员中各个维度的归一化后的监测数据对应的均值，以获得各个人员对应的各个维度的均值；接着基于各个人员对应的各个维度的均值，确定各个人员中两两之间的相似度，能够根据各个人员对应的各个维度的均值准确得到各个人员中两两之间的相似度，提高了相似度矩阵的准确性以及数据处理效率，进而提高离群人员检测的准确性。
基于第一实施例，提出本发明数据处理方法的第三实施例，在本实施例中，步骤S140包括：
步骤S141，对所述相似度矩阵进行降维处理，以获得各个人员对应的二维矩阵；
步骤S142，基于所述二维矩阵确定各个人员中的离群人员。
本实施例中，由于人员数量较大，因此相似度矩阵的维数也较大，为便于处理，先对相似度矩阵进行降维处理，以获得各个人员对应的二维矩阵，具体地，可采用T-SNE算法对相似度矩阵进行降维处理，其中，T-SNE算法是一种用于降维的机器学习方法，其能够识别相关联的模式，t-SNE算法主要的优势就是保持局部结构的能力，也就是说，高维数据空间中距离相近的点投影到低维中仍然相近。
本实施例提出的数据处理方法，通过对所述相似度矩阵进行降维处理，以获得各个人员对应的二维矩阵；接着基于所述二维矩阵确定各个人员中的离群人员，通过对相似度矩阵进行降维处理，以提高数据处理效率，进而提高离群人员检测的效率。
基于第三实施例，提出本发明数据处理方法的第四实施例，在本实施例中，步骤S142包括：
步骤S1421，基于离群点检测算法对所述二维矩阵进行处理，以获得各个人员对应的局部离群因子；
步骤S1422，基于所述局部离群因子确定各个人员中的离群人员。
本实施例中，在获取到各个人员对应的二维矩阵，分别采用离群点检测算法对各个二维矩阵进行处理，以获得各个人员对应的局部离群因子。具体地，可采用LOF离群点检测算法对各个二维矩阵进行处理，LOF离群点检测算法是基于密度的算法，其最核心的部分是关于数据点密度的刻画，一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度。局部离群因子越大于1，则该点所在位置的密度越小于其周围样本所在位置的密度，这个点就越有可能是异常点。因此，各个人员对应的局部离群因子中大于1的局部离群因子所对应的人员为离群人员。
进一步地，在一实施例中，步骤S140之后，该数据处理方法还包括：
步骤S150，基于所述局部离群因子，在二维平面图中展示各个人员的状态图形，其中，所述状态图形的面积与所述局部离群因子一一对应，各个人员中除离群人员之外的其他人员的状态图形的色彩，与所述离群人员的状态图形的色彩不同。
本实施例中，以二维矩阵的两个维度作为二维平面图的坐标轴，根据各个人员的二维矩阵，在二维平面图中展示各个人员的状态图形，状态图形的面积与所述局部离群因子一一对应，例如，参照图3，状态图形为圆点，局部离群因子越大，圆点的半径越大，并且，黑色的圆点为各个人员中除离群人员之外的其他人员(正常人员)的状态图形，灰色圆点为离群人员的状态图形，当然也可以采用比较显著的颜色例如红色作为离群人员的状态图形的色彩。其中，图3中的ppi为当前心率，pace为当前配速，distance为当前距离，speed为当前速度。
本实施例提出的数据处理方法，通过基于离群点检测算法对所述二维矩阵进行处理，以获得各个人员对应的局部离群因子；接着基于所述局部离群因子确定各个人员中的离群人员，能够根据局部离群因子准确确定离群人员，进而提高离群人员检测的准确性。
基于第四实施例，提出本发明数据处理方法的第五实施例，在本实施例中，步骤S150之后，该数据处理方法还包括：
步骤S160，在检测到基于各个所述状态图形中的目标状态图形触发的第一显示指令时，获取第一预设时长内所述目标状态图形对应的各个维度的目标监测数据；
步骤S170，基于各个维度的目标监测数据以及各个目标监测数据的时间顺序，在二维平面图中展示各个维度的监测数据曲线。
本实施例中，可通过双击、单击等操作、或者光标悬浮在某个状态图形时触发第一显示指令，在检测到基于各个所述状态图形中的目标状态图形触发的第一显示指令时，获取第一预设时长内所述目标状态图形对应的各个维度的目标监测数据，而后基于各个维度的目标监测数据以及各个目标监测数据的时间顺序，在二维平面图中展示各个维度的监测数据曲线，以便于医疗人员实时查看离群人员的监测数据。参照图3，图3中状态图形附近的曲线为某一人员的监测数据曲线。
本实施例提出的数据处理方法，通过在检测到基于各个所述状态图形中的目标状态图形触发的第一显示指令时，获取第一预设时长内所述目标状态图形对应的各个维度的目标监测数据；接着基于各个维度的目标监测数据以及各个目标监测数据的时间顺序，在二维平面图中展示各个维度的监测数据曲线，以便于医疗人员实时查看离群人员的监测数据。
基于第四实施例，提出本发明数据处理方法的第六实施例，在本实施例中，步骤S150之后，该数据处理方法还包括：
步骤S180，基于所述离群人员，更新各个人员对应的异常次数；
步骤S190，在所述二维平面图的第一预设区域，显示当前已出现异常的人员的标识信息以及对应的异常次数。
本实施例中，在每一次确定离群人员之后，均累计各个人员的异常次数，即各个人员被检测为离群人员的次数，并在二维平面图的第一预设区域，显示当前已出现异常的人员的标识信息以及已出现异常的人员的异常次数，参照图4，图4中状态图形的下方为第一预设区域，在第一预设区域一一展示已出现异常的人员的标识信息，若一个人员在多个时间段重复出现了异常，则其对应的异常次数大于1，可在标识信息的右上角的数字来标识该人员的异常次数，该数字可以采用红色显示。
本实施例提出的数据处理方法，通过基于所述离群人员，更新各个人员对应的异常次数；接着在所述二维平面图的第一预设区域，显示当前已出现异常的人员的标识信息以及对应的异常次数，以便于医疗人员对该人员进行持续监测和诊断，降低出现人员的受伤事件的概率。
基于上述各个实施例，提出本发明数据处理方法的第六实施例，在本实施例中，步骤S120之后，该数据处理方法还包括：
步骤S200，基于第二预设时长对归一化后的监测数据进行拆分，以获得各个人员对应的多组子监测数据，其中，所述第一预设时长为所述第二预设时长的整数倍，所述子监测数据包括多个维度的数据；
步骤S210，分别将各个人员对应的子监测数据中，各个维度的数据相加，以获得各个人员对应的综合分值；
步骤S220，在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值。
本实施例中，在获取到归一化后的监测数据时，按照第二预设时长对归一化后的监测数据进行拆分，得到各个人员对应的多组子监测数据，该子监测数据包括第二预设时长内多个维度的数据，即将各个人员归一化后的监测数据进行分段，得到多段时长相同的数据即子监测数据。第二预设时长可根据第一预设时长进行合理设置，例如，第一预设时长为2分钟时，第二预设时长可设置为5S。
而后，分别将各个人员对应的子监测数据中，各个维度的数据相加，以获得各个人员对应的多个综合分值，对于每一个人员的每一个子监测数据，将该子监测数据中各个维度的数据相加，得到一个综合分值，综合分值的数量与每一个人员的子监测数据的数量相同。
在得到各个人员对应的综合分值时，在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值，具体地，在第二预设区域按照时间顺序显示各个人员对应的综合分值，并将各个人员所对应的各个综合分值进行连线，形成折线图，参照图3以及图5，其中，图3的上方区域为第二预设区域，图5为第二预设区域。
进一步地，在一实施例中，步骤S220之后，该数据处理方法还包括：
步骤a，基于第三预设时长，在所述第二预设区域中显示多个盒须图，其中，所述第三预设时长为所述第二预设时长的整数倍，且所述第一预设时长为所述第三预设时长的整数倍；
步骤b，在检测到多个盒须图中的目标盒须图触发的第二显示指令时，获取所述目标盒须图对应的时刻之前，各个人员的综合分值的最大分值、最小分值以及分值均值；
步骤c，显示获取到的所述最大分值、最小分值以及分值均值。
其中，盒须图是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名，可通过能盒须图显示一组数据的最大值、最小值、中位数、及上下四分位数。第三预设时长可进行合理设置，例如，第一预设时长为2分钟，第二预设时长为5S时，第三预设时长可设置为20S。
本实施例中，基于第三预设时长，在所述第二预设区域中显示多个盒须图，具体地，参照图3以及图5，每隔20秒在第二预设区域中绘制一个盒须图，医疗人员可通过单击、双击等操作触发第二显示指令，在检测到第二显示指令时，先根据第二显示指令确定多个盒须图中的目标盒须图，即触发该第二显示指令的盒须图，并获取目标盒须图对应的时刻之前，各个人员的综合分值的最大分值、最小分值以及分值均值，而后显示获取到的所述最大分值、最小分值以及分值均值，以便于查看所有人员综合分数最大分值，最小分值，分值均值等的分布情况，进行多个时间点数据的横向比较。
进一步地，又一实施例中，步骤S220之后，该数据处理方法还包括：
步骤d，确定各个人员对应的归一化后的监测数据中，是否存在各个维度的归一化数据处于对应的预设范围内的目标归一化数据；
步骤e，若存在，则获取目标归一化数据对应的采集时刻以及目标人员；
步骤f，基于所述采集时刻，在所述目标人员对应的折线图中显示预设图形。
本实施例中，可预先设置各个维度的预设范围，处于该预设范围内的数据为异常数据，在得到各个人员对应的归一化后的监测数据时，确定各个人员对应的归一化后的监测数据中，是否存在各个维度的归一化数据处于对应的预设范围内的目标归一化数据，该目标归一化数据中的各个维度数据均处于对应维度的预设范围内，若存在，则获取目标归一化数据对应的采集时刻以及目标人员，并根据采集时刻，在目标人员对应的折线图中显示预设图形，例如，在折线图中中显示圆点，以便于查看单个时刻的数据异常的人员数据。
本实施例提出的数据处理方法，通过基于第二预设时长对归一化后的监测数据进行拆分，以获得各个人员对应的多组子监测数据，接着分别将各个人员对应的子监测数据中，各个维度的数据相加，以获得各个人员对应的综合分值；而后在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值，便于医疗人员通过折线图查看人员的状态，以便于医疗人员对该人员进行持续监测和诊断，降低出现人员的受伤事件的概率。
本发明实施例还提供一种数据处理装置，参照图6，所述数据处理装置包括：
第一获取模块110，用于间隔第一预设时长定时获取各个人员对应的多个维度的监测数据；
第二获取模块120，用于分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据；
第一确定模块130，用于基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵；
第二确定模块140，用于基于所述相似度矩阵确定各个人员中的离群人员。
进一步地，第一确定模块130还用于：
获取各个人员中各个维度的归一化后的监测数据对应的均值，以获得各个人员对应的各个维度的均值；
基于各个人员对应的各个维度的均值，确定各个人员中两两之间的相似度。
进一步地，第二确定模块140还用于：
对所述相似度矩阵进行降维处理，以获得各个人员对应的二维矩阵；
基于所述二维矩阵确定各个人员中的离群人员。
进一步地，第二确定模块140还用于：
基于离群点检测算法对所述二维矩阵进行处理，以获得各个人员对应的局部离群因子；
基于所述局部离群因子确定各个人员中的离群人员。
进一步地，所述数据处理装置还包括：
基于所述局部离群因子，在二维平面图中展示各个人员的状态图形，其中，所述状态图形的面积与所述局部离群因子一一对应，各个人员中除离群人员之外的其他人员的状态图形的色彩，与所述离群人员的状态图形的色彩不同。
进一步地，所述数据处理装置还包括：
在检测到基于各个所述状态图形中的目标状态图形触发的第一显示指令时，获取第一预设时长内所述目标状态图形对应的各个维度的目标监测数据；
基于各个维度的目标监测数据以及各个目标监测数据的时间顺序，在二维平面图中展示各个维度的监测数据曲线。
进一步地，所述数据处理装置还包括：
基于所述离群人员，更新各个人员对应的异常次数；
在所述二维平面图的第一预设区域，显示当前已出现异常的人员的标识信息以及对应的异常次数。
进一步地，所述数据处理装置还包括：
基于第二预设时长对归一化后的监测数据进行拆分，以获得各个人员对应的多组子监测数据，其中，所述第一预设时长为所述第二预设时长的整数倍，所述子监测数据包括多个维度的数据；
分别将各个人员对应的子监测数据中，各个维度的数据相加，以获得各个人员对应的综合分值；
在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值。
进一步地，所述数据处理装置还包括：
基于第三预设时长，在所述第二预设区域中显示多个盒须图，其中，所述第三预设时长为所述第二预设时长的整数倍，且所述第一预设时长为所述第三预设时长的整数倍；
在检测到多个盒须图中的目标盒须图触发的第二显示指令时，获取所述目标盒须图对应的时刻之前，各个人员的综合分值的最大分值、最小分值以及分值均值；
显示获取到的所述最大分值、最小分值以及分值均值。
进一步地，所述数据处理装置还包括：
确定各个人员对应的归一化后的监测数据中，是否存在各个维度的归一化数据处于对应的预设范围内的目标归一化数据；
若存在，则获取目标归一化数据对应的采集时刻以及目标人员；
基于所述采集时刻，在所述目标人员对应的折线图中显示预设图形。
上述各程序模块所执行的方法可参照本发明数据处理方法各个实施例，此处不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质。
所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现如上所述的数据处理方法的步骤。
其中，在所述处理器上运行的数据处理程序被执行时所实现的方法可参照本发明数据处理方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (13)

1.一种数据处理方法，其特征在于，所述数据处理方法包括以下步骤：
间隔第一预设时长定时获取各个人员对应的多个维度的监测数据；
分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据；
基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵；
基于所述相似度矩阵确定各个人员中的离群人员。
2.如权利要求1所述的数据处理方法，其特征在于，所述基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度的步骤包括：
获取各个人员中各个维度的归一化后的监测数据对应的均值，以获得各个人员对应的各个维度的均值；
基于各个人员对应的各个维度的均值，确定各个人员中两两之间的相似度。
3.如权利要求1所述的数据处理方法，其特征在于，所述基于所述相似度矩阵确定各个人员中的离群人员的步骤包括：
对所述相似度矩阵进行降维处理，以获得各个人员对应的二维矩阵；
基于所述二维矩阵确定各个人员中的离群人员。
4.如权利要求3所述的数据处理方法，其特征在于，所述基于所述二维矩阵确定各个人员中的离群人员的步骤包括：
基于离群点检测算法对所述二维矩阵进行处理，以获得各个人员对应的局部离群因子；
基于所述局部离群因子确定各个人员中的离群人员。
5.如权利要求4所述的数据处理方法，其特征在于，所述基于所述相似度矩阵确定各个人员中的离群人员的步骤之后，所述数据处理方法还包括：
基于所述局部离群因子，在二维平面图中展示各个人员的状态图形，其中，所述状态图形的面积与所述局部离群因子一一对应，各个人员中除离群人员之外的其他人员的状态图形的色彩，与所述离群人员的状态图形的色彩不同。
6.如权利要求5所述的数据处理方法，其特征在于，所述基于所述局部离群因子，在二维平面图中展示各个人员的状态图形的步骤之后，所述数据处理方法还包括：
在检测到基于各个所述状态图形中的目标状态图形触发的第一显示指令时，获取第一预设时长内所述目标状态图形对应的各个维度的目标监测数据；
基于各个维度的目标监测数据以及各个目标监测数据的时间顺序，在二维平面图中展示各个维度的监测数据曲线。
7.如权利要求5所述的数据处理方法，其特征在于，所述基于所述局部离群因子，在二维平面图中展示各个人员的状态图形的步骤之后，所述数据处理方法还包括：
基于所述离群人员，更新各个人员对应的异常次数；
在所述二维平面图的第一预设区域，显示当前已出现异常的人员的标识信息以及对应的异常次数。
8.如权利要求1至7任一项所述的数据处理方法，其特征在于，所述分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据的步骤之后，所述数据处理方法还包括：
基于第二预设时长对归一化后的监测数据进行拆分，以获得各个人员对应的多组子监测数据，其中，所述第一预设时长为所述第二预设时长的整数倍，所述子监测数据包括多个维度的数据；
分别将各个人员对应的子监测数据中，各个维度的数据相加，以获得各个人员对应的综合分值；
在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值。
9.如权利要求8所述的数据处理方法，其特征在于，所述在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值的步骤之后，所述数据处理方法还包括：
基于第三预设时长，在所述第二预设区域中显示多个盒须图，其中，所述第三预设时长为所述第二预设时长的整数倍，且所述第一预设时长为所述第三预设时长的整数倍；
在检测到多个盒须图中的目标盒须图触发的第二显示指令时，获取所述目标盒须图对应的时刻之前，各个人员的综合分值的最大分值、最小分值以及分值均值；
显示获取到的所述最大分值、最小分值以及分值均值。
10.如权利要求8所述的数据处理方法，其特征在于，所述在二维平面图的第二预设区域，按照综合分值的时间顺序，分别通过折线图显示各个人员对应的综合分值的步骤之后，所述数据处理方法还包括：
确定各个人员对应的归一化后的监测数据中，是否存在各个维度的归一化数据处于对应的预设范围内的目标归一化数据；
若存在，则获取目标归一化数据对应的采集时刻以及目标人员；
基于所述采集时刻，在所述目标人员对应的折线图中显示预设图形。
11.一种数据处理装置，其特征在于，所述数据处理装置包括：
第一获取模块，用于间隔第一预设时长定时获取各个人员对应的多个维度的监测数据；
第二获取模块，用于分别对各个人员对应的各个维度的监测数据进行归一化处理，以获得归一化后的监测数据；
第一确定模块，用于基于各个人员中各个维度的归一化后的监测数据，确定各个人员中两两之间的相似度，并基于所述相似度确定各个人员对应的相似度矩阵；
第二确定模块，用于基于所述相似度矩阵确定各个人员中的离群人员。
12.一种数据处理设备，其特征在于，所述数据处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据处理程序，所述数据处理程序被所述处理器执行时实现如权利要求1至10中任一项所述的数据处理方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现如权利要求1至10中任一项所述的数据处理方法的步骤。
CN202010057407.3A 2020-01-17 2020-01-17 数据处理方法、装置、设备及计算机可读存储介质 Pending CN111243743A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010057407.3A CN111243743A (zh) 2020-01-17 2020-01-17 数据处理方法、装置、设备及计算机可读存储介质
PCT/CN2020/129252 WO2021143337A1 (zh) 2020-01-17 2020-11-17 数据处理方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010057407.3A CN111243743A (zh) 2020-01-17 2020-01-17 数据处理方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111243743A true CN111243743A (zh) 2020-06-05

Family

ID=70876215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010057407.3A Pending CN111243743A (zh) 2020-01-17 2020-01-17 数据处理方法、装置、设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN111243743A (zh)
WO (1) WO2021143337A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021143337A1 (zh) * 2020-01-17 2021-07-22 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN114253168A (zh) * 2020-09-22 2022-03-29 南亚科技股份有限公司 机台监控系统与机台监控方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933210B (zh) * 2023-09-15 2023-11-24 山东荷唯美食品有限公司 基于多维传感器的食品加工灌装设备监测方法及系统
CN116992391B (zh) * 2023-09-27 2023-12-15 青岛冠宝林活性炭有限公司 一种硬碳工艺环保监测数据采集处理方法
CN117422345B (zh) * 2023-12-18 2024-03-12 泰安金冠宏食品科技有限公司 一种油渣分离质量评估方法及系统
CN117892248B (zh) * 2024-03-15 2024-05-28 山东鲁新国合节能环保科技有限公司 一种烧结烟气内循环过程中异常数据监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093703A (zh) * 2016-06-07 2016-11-09 湖南大学 一种智能配电网故障的辨识与定位方法
CN106124929A (zh) * 2016-06-30 2016-11-16 湖南大学 一种配电网物理故障与信息故障辨识方法
CN107562778A (zh) * 2017-07-21 2018-01-09 哈尔滨工程大学 一种基于偏离特征的离群点挖掘方法
CN109582741A (zh) * 2018-11-15 2019-04-05 阿里巴巴集团控股有限公司 特征数据处理方法和装置
CN110119493A (zh) * 2019-04-09 2019-08-13 浙江大学 一种基于压缩pmu数据和局部离群因子的电力系统事件感知方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5533894B2 (ja) * 2011-05-17 2014-06-25 株式会社豊田中央研究所 外れ値検出装置、外れ値検出方法、プログラム及び車両故障診断システム
CN104714964B (zh) * 2013-12-13 2018-03-23 中国移动通信集团公司 一种生理数据离群检测方法及装置
CN111243743A (zh) * 2020-01-17 2020-06-05 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN111242695A (zh) * 2020-01-17 2020-06-05 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093703A (zh) * 2016-06-07 2016-11-09 湖南大学 一种智能配电网故障的辨识与定位方法
CN106124929A (zh) * 2016-06-30 2016-11-16 湖南大学 一种配电网物理故障与信息故障辨识方法
CN107562778A (zh) * 2017-07-21 2018-01-09 哈尔滨工程大学 一种基于偏离特征的离群点挖掘方法
CN109582741A (zh) * 2018-11-15 2019-04-05 阿里巴巴集团控股有限公司 特征数据处理方法和装置
CN110119493A (zh) * 2019-04-09 2019-08-13 浙江大学 一种基于压缩pmu数据和局部离群因子的电力系统事件感知方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021143337A1 (zh) * 2020-01-17 2021-07-22 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN114253168A (zh) * 2020-09-22 2022-03-29 南亚科技股份有限公司 机台监控系统与机台监控方法

Also Published As

Publication number Publication date
WO2021143337A1 (zh) 2021-07-22

Similar Documents

Publication Publication Date Title
CN111243743A (zh) 数据处理方法、装置、设备及计算机可读存储介质
US11275932B2 (en) Human body attribute recognition method, apparatus, and device and medium
CN109947793B (zh) 伴随关系的分析方法、装置和存储介质
JP5301973B2 (ja) 犯罪防止装置およびプログラム
CN109583278B (zh) 人脸识别报警的方法、装置、系统及计算机设备
US9833196B2 (en) Apparatus, system, and method for detecting activities and anomalies in time series data
US9710761B2 (en) Method and apparatus for detection and prediction of events based on changes in behavior
CN113347387B (zh) 影像监视系统和影像监视方法
US20150100355A1 (en) Method and apparatus for identifying early status
CN111860430B (zh) 打架行为的识别方法和装置、存储介质及电子装置
CN110503082B (zh) 一种基于深度学习的模型训练方法以及相关装置
US11317870B1 (en) System and method for health assessment on smartphones
CN110751809A (zh) 施工安全监控方法及相关产品
JP7075460B2 (ja) 情報認識システムおよびその方法
WO2021036634A1 (zh) 故障检测方法及相关产品
CN103106394A (zh) 一种视频监控中的人体行为识别方法
Mohan et al. Non-invasive technique for real-time myocardial infarction detection using faster R-CNN
CN118053261A (zh) 用于智慧校园的防欺凌预警方法、装置、设备及介质
CN114373142A (zh) 基于深度学习的行人跌倒检测方法
CN113384267A (zh) 一种跌倒实时检测方法、系统、终端设备及存储介质
CN114463779A (zh) 吸烟识别方法、装置、设备及存储介质
CN116071784A (zh) 人员违规行为识别方法、装置、设备和存储介质
US11954955B2 (en) Method and system for collecting and monitoring vehicle status information
US11749021B2 (en) Retrieval device, control method, and non-transitory storage medium
CN110458459B (zh) 交通数据的可视化分析方法、装置、设备及可读存储介质

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