CN111600922B - 基于调节比例的请求发送方法、装置和计算机设备 - Google Patents
基于调节比例的请求发送方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111600922B CN111600922B CN202010219115.5A CN202010219115A CN111600922B CN 111600922 B CN111600922 B CN 111600922B CN 202010219115 A CN202010219115 A CN 202010219115A CN 111600922 B CN111600922 B CN 111600922B
- Authority
- CN
- China
- Prior art keywords
- physiological
- pressure value
- preset
- requests
- ratio
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请揭示了一种基于调节比例的请求发送方法、装置、计算机设备和存储介质，所述方法包括：采集所述穿戴设备的穿戴者的第一生理特征数据；计算出第一生理压力值；获取预设的智能审核终端的第一机器特征数据，计算出第一机器压力值；将第一生理压力值与第一机器压力值输入比例预测模型中，得到调节比例；获取新增的多个审核请求，并划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于调节比例；将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。从而实现了平衡压力，提高体系(由穿戴者与智能审核终端共同构成)的稳定性。
Description
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于调节比例的请求发送方法、装置、计算机设备和存储介质。
背景技术
远程审核是利用网络对审核请求进行审核的方式，例如包括智能远程审核(即AI审核)。虽然智能远程审核能够完成多数远程审核的工作，但仍无法处理一些复杂的状况，传统方案是设置远程人工审核以处理这些复杂的状况。因此，传统方案中的智能远程审核要先对所有的请求先进行审核，再将无法处理的请求转至远程人工审核，造成了智能远程审核的压力与远程人工审核的压力不均衡的状况(例如智能远程审核的压力过大，而远程人工审核的压力过小)，因此远程审核的效率较低，并且稳定性较差。
发明内容
本申请的主要目的为提供一种基于调节比例的请求发送方法、装置、计算机设备和存储介质，旨在实现平衡压力，提高体系(由穿戴者与智能审核终端共同构成)的稳定性。
为了实现上述发明目的，本申请提出一种基于调节比例的请求发送方法，包括以下步骤：
利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据；
根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值；
获取预设的智能审核终端的第一机器特征数据，并根据预设的机器压力计算方法，利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值；
将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；
将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。
进一步地，所述穿戴设备包括摄像头，所述利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据的步骤,包括：
利用所述摄像头采集所述穿戴设备的穿戴者在不同时间点的多张瞳孔图片；
所述根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值的步骤,包括：
分别将所述多张瞳孔图片与预设的标准聚焦瞳孔图片进行对比，得到与所述多张瞳孔图片分别对应的多个对比结果，其中所述对比结果包括相似或者不相似；
根据公式：
计算出所述穿戴者的第一生理压力值A，其中L、k均为预设的参数，B1为相似的对比结果的数量，B2为不相似的对比结果的数量。
进一步地，所述穿戴者有多个，所述根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值的步骤,包括：
将多个穿戴者的第一生理特征数据分别映射为高维空间的多个坐标点；
根据预设的聚类算法，计算出所述多个坐标点的聚类中心；
获取预设的标准生理数据，并将所述标准生理数据映射为所述高维空间中的压力原点；
获取所述聚类中心与所述压力原点之间的距离，并将所述距离作为第一生理压力值。
进一步地，所述将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例的步骤之前，包括：
获取预先收集的预设数量的样本数据，并将样本数据划分为训练数据和验证数据，其中样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
利用所述训练数据，对预设的神经网络模型进行训练，以得到中间模型；
利用所述验证数据对所述中间模型进行验证，从而得到验证结果，并判断所述验证结果是否为验证通过；
若所述验证结果为验证通过，则将所述中间模型作为比例预测模型。
进一步地，所述将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端的步骤之后，包括：
利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第二生理特征数据；
、根据预设的生理压力计算方法，利用所述第二生理特征数据，计算出所述穿戴者的第二生理压力值；
获取智能审核终端的第二机器特征数据，并根据预设的机器压力计算方法，利用所述第二机器特征数据，计算出所述智能审核终端的第二机器压力值；
计算所述第二生理压力值除以所述第二机器压力值的第二比值，以及计算所述第一生理压力值除以所述第一机器压力值的第一比值，并判断所述第二比值相对于所述第一比值是否更趋近于1；
若所述第二比值相对于所述第一比值并不更趋近于1，则生成重训练指令，以对所述比例预测模型进行重新训练。
本申请提供一种基于调节比例的请求发送装置，包括：
第一生理特征采集单元，用于利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据；
第一生理压力计算单元，用于根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值；
第一机器压力计算单元，用于获取预设的智能审核终端的第一机器特征数据，并根据预设的机器压力计算方法，利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值；
调节比例获取单元，用于将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
请求划分单元，用于获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；
请求发送单元，用于将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于调节比例的请求发送方法、装置、计算机设备和存储介质，采集所述穿戴设备的穿戴者的第一生理特征数据；计算出所述穿戴者的第一生理压力值；获取预设的智能审核终端的第一机器特征数据，计算出所述智能审核终端的第一机器压力值；将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到调节比例；获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。从而实现了平衡压力，提高体系(由穿戴者与智能审核终端共同构成)的稳定性。
附图说明
图1为本申请一实施例的基于调节比例的请求发送方法的流程示意图；
图2为本申请一实施例的基于调节比例的请求发送装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于调节比例的请求发送方法，包括以下步骤：
S1、利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据；
S2、根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值；
S3、获取预设的智能审核终端的第一机器特征数据，并根据预设的机器压力计算方法，利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值；
S4、将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
S5、获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；
S6、将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。
本申请通过对远程审核人员与智能审核终端进行综合分析，以得到恰当的调节比例，并根据该调节比例分发审核请求，从而使智能远程审核的压力与远程人工审核的压力均衡，以提高整体的远程审核的效率。
其中，本申请的执行主体可为任意执行主体，在此以服务器为例进行示意说明。本申请可应用于任意可行场景，例如：银行远程审核的场景，在此场景中，穿戴设备的穿戴者为银行的远程审核人员，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值，能够反应远程审核人员的工作压力状况，再利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值，从而能够获知远程审核的两种主体：银行的远程审核人员和银行的智能审核终端的压力状况，以此作为审核请求分配的依据。具体的流程例如为：银行柜员审核客户的要求，判断是否应发起远程审核请求；若是，则应多个客户的要求，发起多个远程审核请求；服务器接收多个远程审核请求，并分别分配给银行的远程审核人员与智能审核终端(依据步骤S1-S4得到的调节比例进行分配)。其中，远程审核终端(或称虚拟AI柜员)，获取银行柜台对应终端发送的资料(例如OCR影像)，并利用OCR识别等技术对资料进行审核；若审核通过，则给予远程授权；若未通过，则将该远程审核请求交由远程审核人员再次审核。远程审核人员对分配的审核请求或远程审核终端推送的远程审核请求进行审核，若审核通过则给予远程授权；若不通过，则要求补充资料或者拒绝授权。
如上述步骤S1所述，利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据。其中所述穿戴设备可为任意可行设备，例如为智能手环、智能脚环、智能挂饰、智能眼镜等等。所述穿戴设备的穿戴者为远程审核人员。第一生理特征数据例如为心跳数据、眨眼频率数据、呼吸频率数据、体温数据等，因为人类在压力状态下与非压力状态下的生理特征有明显差异，因此可用第一生理特征数据来反应穿戴者的压力程度。其中所述穿戴者可为一个或多个(本申请中所述的多个均指两个以上)，所述第一生理特征数据可为一种或多种。
如上述步骤S2所述，根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值。其中所述预设的生理压力计算方法可为任意可行方法，例如为：获取穿戴者的标准生理数值，再获取所述第一生理特征数据与所述标准生理数值的差值绝对值除以所述标准生理数值的商值，再将所述商值记为所述第一生理压力值。
如上述步骤S3所述，获取预设的智能审核终端的第一机器特征数据，并根据预设的机器压力计算方法，利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值。其中所述第一机器特征数据可为任意能够反应智能审核终端运行压力的数据，例如为流量数据、接收到的审核请求数量、对应的硬件设备的耗电量等等。所述预设的机器压力计算方法可为任意可行方法，例如为：获取标准机器数据，再获取所述第一机器特征数据与所述标准机器数据的差值绝对值除以所述标准机器数据的商值，再将所述商值记为所述第一机器特征数据。其中所述智能审核终端可为一个或多个，所述第一机器特征数据可为一种或多种。
如上述步骤S4所述，将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例。由于所述比例预测模型利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例，因此所述比例预测模型胜任调节比例预测工作。其中所述调节比例是指人工审核合适承当的请求数量比去智能审核合适承当的请求数量的比例。由于本申请的比例预测模型采用的样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例，而不涉及复杂的原始数据，因此其训练的速度得到了大幅提高。
如上述步骤S5所述，获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例。其中划分审核请求的方式可为任意可行方式，例如为按所述调节比例随机划分为多个第一请求和多个第二请求；或者，先将所述多个审核请求分为多个类别，再对每个类别均按所述调节比例进行划分多个第一子请求和多个第二子请求，再将所有的第一子请求汇总为第一请求，将所有的第二子请求汇总为第二请求。
如上述步骤S6所述，将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。由于所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例，因此作为远程审核人员的所述穿戴者承担的审核压力与所述智能审核终端承担的审核压力相应，以达到压力均衡的效果，从而提高了整体远程审核的效率。
在一个实施方式中，所述穿戴设备包括摄像头，所述利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据的步骤S1,包括：
S101、利用所述摄像头采集所述穿戴设备的穿戴者在不同时间点的多张瞳孔图片；
所述根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值的步骤S2,包括：
S201、分别将所述多张瞳孔图片与预设的标准聚焦瞳孔图片进行对比，得到与所述多张瞳孔图片分别对应的多个对比结果，其中所述对比结果包括相似或者不相似；
S202、根据公式：
计算出所述穿戴者的第一生理压力值A，其中L、k均为预设的参数，B1为相似的对比结果的数量，B2为不相似的对比结果的数量。
如上所述，实现了利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值。瞳孔是否聚焦，对于在终端前工作的人员来说，是有效反应其注意力集中程度的。当瞳孔聚焦时，表明注意力集中，此时处于工作状态，在此状态下压力将持续提高；当瞳孔未聚焦时，表明注意力不集中，此时处于失神状态，在此状态下压力将持续降低。据此，本申请以瞳孔是否聚焦来进行动态生成生理压力值，以利于穿戴者控制工作节奏，提高总体效率。其中，将所述多张瞳孔图片与预设的标准聚焦瞳孔图片进行对比的方式，可采用任意可行的图片对比方法。所述标准聚焦瞳孔图片例如为预先采集的所述穿戴者在注意力集中时的瞳孔图片。再根据公式：
计算出所述穿戴者的第一生理压力值A。从而提高生成第一生理压力值的准确性，并有利于总体效率的提高。
在一个实施方式中，所述穿戴者有多个，所述根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值的步骤S2,包括：
S211、将多个穿戴者的第一生理特征数据分别映射为高维空间的多个坐标点；
S212、根据预设的聚类算法，计算出所述多个坐标点的聚类中心；
S213、获取预设的标准生理数据，并将所述标准生理数据映射为所述高维空间中的压力原点；
S214、获取所述聚类中心与所述压力原点之间的距离，并将所述距离作为第一生理压力值。
如上所述，实现了利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值。本申请在穿戴者有多个的情况下，采用了利用高维空间计算生理压力值的方法。其中，由于同类人群的标准生理数据是差异不大的，因此本申请在穿戴者为多个时，采用无需个体的标准生理数据的方式，实现了更快计算出第一生理压力值。其中，坐标点的映射方法例如为，将每个穿戴者的所有第一生理特征数据映射为多个数值，再将映射得到的多个数值组合高维空间中的坐标点。所述聚类算法可为任意可行算法，例如为K均值聚类算法等。得到的聚类中心即反应了所述多个穿戴者构成的群体的压力程度。而所述压力原点是所述标准生理数据的映射得到的，因此所述压力原点代表了无压力状态。因此，获取所述聚类中心与所述压力原点之间的距离，并将所述距离作为多个所述穿戴者的第一生理压力值。从而实现了准确且快速地计算第一生理压力值。
在一个实施方式中，所述将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例的步骤S4之前，包括：
S31、获取预先收集的预设数量的样本数据，并将样本数据划分为训练数据和验证数据，其中样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
S32、利用所述训练数据，对预设的神经网络模型进行训练，以得到中间模型；
S33、利用所述验证数据对所述中间模型进行验证，从而得到验证结果，并判断所述验证结果是否为验证通过；
S34、若所述验证结果为验证通过，则将所述中间模型作为比例预测模型。
如上所述，实现了获取比例预测模型。其中神经网络模型可为任意可行模型，例如为VGG-F模型、ResNet50模型、Xception模型等等。样本数据的划分，例如为，将调节比例数值大于预设的比例阈值的样本数据划分为验证数据，而将调节比例数值不大于预设的比例阈值的样本数据划分为训练数据，从而使所述中间模型优选适应小数值的调节比例的预测，这与现实中需要进行细微调节而非剧烈调节的状况相吻合，从而使训练得到的模型更能满足实际使用需要。其中，训练过程可采用任意可行方法，例如采用随机梯度下降法，所述随机梯度下降法指随机选取部分训练数据进行训练，以减小训练的次数，从而提高训练速度。再利用所述验证数据对所述中间模型进行验证，若所述验证结果为验证通过，则将所述中间模型作为比例预测模型。从而得到了能胜任调节比例预测的模型。
在一个实施方式中，所述将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端的步骤S6之后，包括：
S61、利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第二生理特征数据；
S62、根据预设的生理压力计算方法，利用所述第二生理特征数据，计算出所述穿戴者的第二生理压力值；
S63、获取智能审核终端的第二机器特征数据，并根据预设的机器压力计算方法，利用所述第二机器特征数据，计算出所述智能审核终端的第二机器压力值；
S64、计算所述第二生理压力值除以所述第二机器压力值的第二比值，以及计算所述第一生理压力值除以所述第一机器压力值的第一比值，并判断所述第二比值相对于所述第一比值是否更趋近于1；
S65、若所述第二比值相对于所述第一比值并不更趋近于1，则生成重训练指令，以对所述比例预测模型进行重新训练。
如上所述，实现了生成重训练指令，以对所述比例预测模型进行重新训练，从而对调节比例进行反馈。本申请根据调节比例，以将多个审核请求划分为多个第一请求和多个第二请求，目的在于使穿戴者的生理压力与智能审核终端的机器压力相均衡。因此，本申请还进行了第二生理压力值的计算，第二机器压力值的计算，所述第二比值和第一比值的对比，以确认在根据调节比例划分审核请求后，是否的确达到了压力均衡状态。若所述第二比值相对于所述第一比值更趋近于1，则表明相对于原状态，压力更均衡，因此对审核请求的划分是有助于整体效率的提升。反之，若所述第二比值相对于所述第一比值并不更趋近于1，表明所述调节比例有误，因此生成重训练指令，以对所述比例预测模型进行重新训练。
本申请的基于调节比例的请求发送方法，采集所述穿戴设备的穿戴者的第一生理特征数据；计算出所述穿戴者的第一生理压力值；获取预设的智能审核终端的第一机器特征数据，计算出所述智能审核终端的第一机器压力值；将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到调节比例；获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。从而实现了平衡压力，提高体系(由穿戴者与智能审核终端共同构成)的稳定性。
参照图2，本申请实施例提供一种基于调节比例的请求发送装置，包括：
第一生理特征采集单元10，用于利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据；
第一生理压力计算单元20，用于根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值；
第一机器压力计算单元30，用于获取预设的智能审核终端的第一机器特征数据，并根据预设的机器压力计算方法，利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值；
调节比例获取单元40，用于将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
请求划分单元50，用于获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；
请求发送单元60，用于将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。
其中上述单元分别用于执行的操作与前述实施方式的基于调节比例的请求发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述穿戴设备包括摄像头，所述第一生理特征采集单元10,包括：
瞳孔图片采集子单元，用于利用所述摄像头采集所述穿戴设备的穿戴者在不同时间点的多张瞳孔图片；
所述第一生理压力计算单元20,包括：
瞳孔图片对比子单元，用于分别将所述多张瞳孔图片与预设的标准聚焦瞳孔图片进行对比，得到与所述多张瞳孔图片分别对应的多个对比结果，其中所述对比结果包括相似或者不相似；
第一生理压力计算子单元，用于根据公式：
计算出所述穿戴者的第一生理压力值A，其中L、k均为预设的参数，B1为相似的对比结果的数量，B2为不相似的对比结果的数量。
其中上述子单元分别用于执行的操作与前述实施方式的基于调节比例的请求发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述穿戴者有多个，所述第一生理压力计算单元20,包括：
坐标点映射子单元，用于将多个穿戴者的第一生理特征数据分别映射为高维空间的多个坐标点；
聚类中心计算子单元，用于根据预设的聚类算法，计算出所述多个坐标点的聚类中心；
压力原点映射子单元，用于获取预设的标准生理数据，并将所述标准生理数据映射为所述高维空间中的压力原点；
距离获取子单元，用于获取所述聚类中心与所述压力原点之间的距离，并将所述距离作为第一生理压力值。
其中上述子单元分别用于执行的操作与前述实施方式的基于调节比例的请求发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
样本数据划分单元，用于获取预先收集的预设数量的样本数据，并将样本数据划分为训练数据和验证数据，其中样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
模型训练单元，用于利用所述训练数据，对预设的神经网络模型进行训练，以得到中间模型；
模型验证单元，用于利用所述验证数据对所述中间模型进行验证，从而得到验证结果，并判断所述验证结果是否为验证通过；
模型标记单元，用于若所述验证结果为验证通过，则将所述中间模型作为比例预测模型。
其中上述单元分别用于执行的操作与前述实施方式的基于调节比例的请求发送方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
第二生理特征采集单元，用于利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第二生理特征数据；
第二生理压力计算单元，用于根据预设的生理压力计算方法，利用所述第二生理特征数据，计算出所述穿戴者的第二生理压力值；
第二机器压力计算单元，用于获取智能审核终端的第二机器特征数据，并根据预设的机器压力计算方法，利用所述第二机器特征数据，计算出所述智能审核终端的第二机器压力值；
比值判断单元，用于计算所述第二生理压力值除以所述第二机器压力值的第二比值，以及计算所述第一生理压力值除以所述第一机器压力值的第一比值，并判断所述第二比值相对于所述第一比值是否更趋近于1；
重训练指令生成单元，用于若所述第二比值相对于所述第一比值并不更趋近于1，则生成重训练指令，以对所述比例预测模型进行重新训练。
其中上述单元分别用于执行的操作与前述实施方式的基于调节比例的请求发送方法的步骤一一对应,在此不再赘述。
本申请的基于调节比例的请求发送装置，采集所述穿戴设备的穿戴者的第一生理特征数据；计算出所述穿戴者的第一生理压力值；获取预设的智能审核终端的第一机器特征数据，计算出所述智能审核终端的第一机器压力值；将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到调节比例；获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。从而实现了平衡压力，提高体系(由穿戴者与智能审核终端共同构成)的稳定性。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于调节比例的请求发送方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于调节比例的请求发送方法。
上述处理器执行上述基于调节比例的请求发送方法，其中所述方法包括的步骤分别与执行前述实施方式的基于调节比例的请求发送方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，采集所述穿戴设备的穿戴者的第一生理特征数据；计算出所述穿戴者的第一生理压力值；获取预设的智能审核终端的第一机器特征数据，计算出所述智能审核终端的第一机器压力值；将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到调节比例；获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。从而实现了平衡压力，提高体系(由穿戴者与智能审核终端共同构成)的稳定性。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于调节比例的请求发送方法，其中所述方法包括的步骤分别与执行前述实施方式的基于调节比例的请求发送方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，采集所述穿戴设备的穿戴者的第一生理特征数据；计算出所述穿戴者的第一生理压力值；获取预设的智能审核终端的第一机器特征数据，计算出所述智能审核终端的第一机器压力值；将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到调节比例；获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端。从而实现了平衡压力，提高体系(由穿戴者与智能审核终端共同构成)的稳定性。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和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。非易失性存储器可以包括只读存储器(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)、双速据率SDRAM(SSRSDRAM)、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。
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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，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，均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种基于调节比例的请求发送方法，其特征在于，包括：
利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据；
根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值；
获取预设的智能审核终端的第一机器特征数据，并根据预设的机器压力计算方法，利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值；
将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；
将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端；
利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第二生理特征数据；
根据预设的生理压力计算方法，利用所述第二生理特征数据，计算出所述穿戴者的第二生理压力值；
获取智能审核终端的第二机器特征数据，并根据预设的机器压力计算方法，利用所述第二机器特征数据，计算出所述智能审核终端的第二机器压力值；
计算所述第二生理压力值除以所述第二机器压力值的第二比值，以及计算所述第一生理压力值除以所述第一机器压力值的第一比值，并判断所述第二比值相对于所述第一比值是否更趋近于1；
若所述第二比值相对于所述第一比值并不更趋近于1，则生成重训练指令，以对所述比例预测模型进行重新训练。
2.根据权利要求1所述的基于调节比例的请求发送方法，其特征在于，所述穿戴设备包括摄像头，所述利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据的步骤,包括：
利用所述摄像头采集所述穿戴设备的穿戴者在不同时间点的多张瞳孔图片；
所述根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值的步骤,包括：
分别将所述多张瞳孔图片与预设的标准聚焦瞳孔图片进行对比，得到与所述多张瞳孔图片分别对应的多个对比结果，其中所述对比结果包括相似或者不相似；
根据公式：
，计算出所述穿戴者的第一生理压力值A，其中L、k均为预设的参数，B1为相似的对比结果的数量，B2为不相似的对比结果的数量。
3.根据权利要求1所述的基于调节比例的请求发送方法，其特征在于，所述穿戴者有多个，所述根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值的步骤,包括：
将多个穿戴者的第一生理特征数据分别映射为高维空间的多个坐标点；
根据预设的聚类算法，计算出所述多个坐标点的聚类中心；
获取预设的标准生理数据，并将所述标准生理数据映射为所述高维空间中的压力原点；
获取所述聚类中心与所述压力原点之间的距离，并将所述距离作为第一生理压力值。
4.根据权利要求1所述的基于调节比例的请求发送方法，其特征在于，所述将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例的步骤之前，包括：
获取预先收集的预设数量的样本数据，并将样本数据划分为训练数据和验证数据，其中样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
利用所述训练数据，对预设的神经网络模型进行训练，以得到中间模型；
利用所述验证数据对所述中间模型进行验证，从而得到验证结果，并判断所述验证结果是否为验证通过；
若所述验证结果为验证通过，则将所述中间模型作为比例预测模型。
5.一种基于调节比例的请求发送装置，其特征在于，包括：
第一生理特征采集单元，用于利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第一生理特征数据；
第一生理压力计算单元，用于根据预设的生理压力计算方法，利用所述第一生理特征数据，计算出所述穿戴者的第一生理压力值；
第一机器压力计算单元，用于获取预设的智能审核终端的第一机器特征数据，并根据预设的机器压力计算方法，利用所述第一机器特征数据，计算出所述智能审核终端的第一机器压力值；
调节比例获取单元，用于将所述第一生理压力值与所述第一机器压力值输入预设的比例预测模型中，得到所述比例预测模型输出的调节比例；其中所述比例预测模型基于神经网络模型，利用预先收集的样本数据训练而成，所述样本数据包括训练用生理压力值、训练用机器压力值和预先标注的调节比例；
请求划分单元，用于获取新增的多个审核请求，并将所述多个审核请求划分为多个第一请求和多个第二请求，其中所述多个第一请求的数量除以所述多个第二请求的数量的比值等于所述调节比例；
请求发送单元，用于将所述多个第一请求发送给所述穿戴者对应的终端，并将所述多个第二请求发送给所述智能审核终端；
第二生理特征采集单元，用于利用预设的穿戴设备，采集所述穿戴设备的穿戴者的第二生理特征数据；
第二生理压力计算单元，用于根据预设的生理压力计算方法，利用所述第二生理特征数据，计算出所述穿戴者的第二生理压力值；
第二机器压力计算单元，用于获取智能审核终端的第二机器特征数据，并根据预设的机器压力计算方法，利用所述第二机器特征数据，计算出所述智能审核终端的第二机器压力值；
比值判断单元，用于计算所述第二生理压力值除以所述第二机器压力值的第二比值，以及计算所述第一生理压力值除以所述第一机器压力值的第一比值，并判断所述第二比值相对于所述第一比值是否更趋近于1；
重训练指令生成单元，用于若所述第二比值相对于所述第一比值并不更趋近于1，则生成重训练指令，以对所述比例预测模型进行重新训练。
6.根据权利要求5所述的基于调节比例的请求发送装置，其特征在于，所述穿戴设备包括摄像头，所述第一生理特征采集单元,包括：
瞳孔图片采集子单元，用于利用所述摄像头采集所述穿戴设备的穿戴者在不同时间点的多张瞳孔图片；
所述第一生理压力计算单元,包括：
瞳孔图片对比子单元，用于分别将所述多张瞳孔图片与预设的标准聚焦瞳孔图片进行对比，得到与所述多张瞳孔图片分别对应的多个对比结果，其中所述对比结果包括相似或者不相似；
第一生理压力值计算子单元，用于根据公式：
，计算出所述穿戴者的第一生理压力值A，其中L、k均为预设的参数，B1为相似的对比结果的数量，B2为不相似的对比结果的数量。
7.根据权利要求5所述的基于调节比例的请求发送装置，其特征在于，所述穿戴者有多个，所述第一生理压力计算单元,包括：
坐标点映射子单元，用于将多个穿戴者的第一生理特征数据分别映射为高维空间的多个坐标点；
聚类中心计算子单元，用于根据预设的聚类算法，计算出所述多个坐标点的聚类中心；
压力原点映射子单元，用于获取预设的标准生理数据，并将所述标准生理数据映射为所述高维空间中的压力原点；
距离获取子单元，用于获取所述聚类中心与所述压力原点之间的距离，并将所述距离作为第一生理压力值。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010219115.5A CN111600922B (zh) | 2020-03-25 | 2020-03-25 | 基于调节比例的请求发送方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010219115.5A CN111600922B (zh) | 2020-03-25 | 2020-03-25 | 基于调节比例的请求发送方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111600922A CN111600922A (zh) | 2020-08-28 |
| CN111600922B true CN111600922B (zh) | 2023-08-15 |
Family
ID=72185538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010219115.5A Active CN111600922B (zh) | 2020-03-25 | 2020-03-25 | 基于调节比例的请求发送方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111600922B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447366A (zh) * | 2015-08-07 | 2017-02-22 | 百度在线网络技术（北京）有限公司 | 多媒体广告的审核方法、广告审核模型的训练方法及装置 |
| CN110333778A (zh) * | 2019-05-30 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 基于微表情识别的审批指令生成方法、装置和计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190354852A1 (en) * | 2018-05-17 | 2019-11-21 | Advanced Micro Devices, Inc. | Stress indicators associated with instances of input data for training neural networks |
-
2020
- 2020-03-25 CN CN202010219115.5A patent/CN111600922B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447366A (zh) * | 2015-08-07 | 2017-02-22 | 百度在线网络技术（北京）有限公司 | 多媒体广告的审核方法、广告审核模型的训练方法及装置 |
| CN110333778A (zh) * | 2019-05-30 | 2019-10-15 | 深圳壹账通智能科技有限公司 | 基于微表情识别的审批指令生成方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111600922A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109345374B (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
| RU2696336C1 (ru) | Способ и устройство для аутентификации личности посредством объединения множества биологических характеристик | |
| CN109842611B (zh) | 身份验证方法、装置、计算机设备和存储介质 | |
| EP1388805B1 (en) | Apparatus and method for retrieving face images using combined components descriptors | |
| Jäger et al. | Deep eyedentification: Biometric identification using micro-movements of the eye | |
| KR102267319B1 (ko) | 피부 타입에 맞는 화장품을 추천하는 장치 및 방법 | |
| CN112151141A (zh) | 医疗数据处理方法、装置、计算机设备和存储介质 | |
| CN112287244A (zh) | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 | |
| CN110111136B (zh) | 视频数据处理方法、装置、计算机设备和存储介质 | |
| CN112613515A (zh) | 语义分割方法、装置、计算机设备和存储介质 | |
| Jiang et al. | On predicting visual comfort of stereoscopic images: A learning to rank based approach | |
| CN110931090A (zh) | 疾病数据处理方法、装置、计算机设备和存储介质 | |
| Ouarda et al. | MLP Neural Network for face recognition based on Gabor Features and Dimensionality Reduction techniques | |
| WO2022121217A1 (zh) | 额度预测方法、设备及计算机可读存储介质 | |
| CN115803673A (zh) | 用于选择眼镜架的方法和设备 | |
| CN111631682A (zh) | 基于去趋势分析的生理特征集成方法、装置和计算机设备 | |
| CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
| CN111600922B (zh) | 基于调节比例的请求发送方法、装置和计算机设备 | |
| CN112613445B (zh) | 人脸图像生成方法、装置、计算机设备和存储介质 | |
| KR20220000851A (ko) | 딥러닝 기술을 활용한 피부과 시술 추천 시스템 및 방법 | |
| CN116453200B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN111063359B (zh) | 电话回访有效性判别方法、装置、计算机设备和介质 | |
| Bailenson et al. | Examining virtual busts: Are photogrammetrically generated head models effective for person identification? | |
| CN106980818A (zh) | 一种用于人脸图像的个性化预处理方法、系统及其终端 | |
| CN113256422B (zh) | 分仓账户识别方法、装置、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |