CN111786858B - 诊断异常数据的方法、用户终端设备和云端服务器 - Google Patents
诊断异常数据的方法、用户终端设备和云端服务器 Download PDFInfo
- Publication number
- CN111786858B CN111786858B CN202010641821.9A CN202010641821A CN111786858B CN 111786858 B CN111786858 B CN 111786858B CN 202010641821 A CN202010641821 A CN 202010641821A CN 111786858 B CN111786858 B CN 111786858B
- Authority
- CN
- China
- Prior art keywords
- cloud
- cloud server
- characteristic data
- terminal
- judgment result
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G16H50/30—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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Cardiology (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Alarm Systems (AREA)
Abstract
提供诊断异常数据的方法、用户终端设备和云端服务器,所述用户终端设备包括:报警器;包括一个或更多个传感器的采集器,被配置为采集目标对象的特征数据;以及控制器,被配置为:通过将所述特征数据输入终端侧异常诊断模型,获得终端侧异常判断结果,响应于所述终端侧异常判断结果指示所述特征数据异常,将所述特征数据发送至云端服务器,从所述云端服务器接收诊断信息,以及基于接收的诊断信息更新终端侧多分类模型或所述终端侧异常诊断模型中的至少一个,或者控制所述报警器发出指示所述特征数据异常的报警信号。
Description
技术领域
本发明总体来说涉及计算机技术领域,更具体地讲,涉及一种诊断异常数据的方法、用户终端设备和云端服务器。
背景技术
随着科学技术的不断进步,人工智能被广泛研究和应用。人工智能的核心是机器学习,其是使计算机具有智能的根本途径。机器学习目前应用十分广泛,例如,医学诊断、生物特征识别、数据挖掘、计算机视觉、自然语言处理、搜索引擎、检测信用卡欺诈、语音和手写识别和机器人运用等等。
然而,在机器学习模型被广泛使用过程中,离线训练得出的模型有时难以满足在线提供服务的需求,例如,随着时间的迁移,应用该机器学习模型时面临的预测数据与在开发训练过程中使用的训练数据存在差异,使得预测结果并不准确,因此,往往需要在机器学习模型实际投入使用的过程中不断对其进行更新。然而,目前没有特别好的更新方法,而且进行更新的流程通常是用户手动触发的,更新效率通常较低。此外,在利用机器学习模型对预测数据进行预测时,在至少一些情况下,总会输出一个预测结果,因此可能难以及时有效地筛查出真实的异常预测数据。
发明内容
本发明构思的至少一个示例实施例提供一种诊断异常数据的方法、用户终端设备和云端服务器,以克服现有的数据识别方式无法应对新环境的预测数据的缺陷。
根据本发明构思的至少一些示例实施例,一种用户终端设备包括:报警器;包括一个或更多个传感器的采集器,被配置为采集目标对象的特征数据;以及控制器,被配置为:通过将所述特征数据输入终端侧异常诊断模型,获得终端侧异常判断结果,响应于终端侧异常判断结果指示所述特征数据异常,将所述特征数据发送至云端服务器,从所述云端服务器接收诊断信息,以及基于接收的诊断信息更新终端侧多分类模型或所述终端侧异常诊断模型中的至少一个,或者控制所述报警器发出指示所述特征数据异常的报警信号。
根据本发明构思的至少一些示例实施例,一种诊断异常数据的方法包括:采集目标对象的特征数据;通过将所述特征数据输入终端侧异常诊断模型,获得终端侧异常判断结果;响应于所述终端侧异常判断结果指示所述特征数据异常,将所述特征数据发送至云端服务器;从所述云端服务器接收诊断信息;以及基于诊断信息,更新终端侧多分类模型或所述终端侧异常诊断模型中的至少一个,或者发出指示所述特征数据异常的报警信号。
根据本发明构思的至少一些示例实施例,一种云端服务器包括:存储器,存储计算机可执行指令;以及一个或更多个处理器,被配置为:执行所述计算机可执行指令,以使所述一个或更多个处理器被配置为:从用户终端设备接收目标对象的特征数据,通过将所述特征数据输入云端侧异常诊断模型,获得云端侧异常判断结果,根据所述云端侧异常判断结果获得所述特征数据的诊断信息,以及将所述诊断信息发送至所述用户终端设备。
根据本发明构思的至少一些示例实施例,一种存储有计算机程序的计算机可读存储介质,当所述计算机程序被处理器执行时使得所述处理器执行如上所述的诊断异常数据的方法。
基于根据本发明构思的至少一些示例实施例的诊断异常数据的方法、用户终端设备和云端服务器,可以解决实际场景中目标对象的特征数据发生偏移时,用户终端设备无法快速适配或者无法快速报警的缺陷。
附图说明
通过参考附图详细描述本发明构思的示例实施例,本发明构思的示例实施例的上述和其他特征和优点将变得更加明显。附图旨在描绘本发明构思的示例实施例,并不应被解释为限制权利要求的意图范围。除非明确指出,否则附图不应视为按比例绘制。
图1示出根据本发明构思的至少一些示例实施例的用户终端设备的框图;
图2示出根据本发明构思的至少一些示例实施例的诊断异常数据的方法的流程图;
图3示出根据本发明构思的至少一些示例实施例的云端服务器的框图;
图4示出根据本发明构思的至少一个示例实施例的诊断异常数据的方法的流程图。
具体实施方式
如在本发明构思的领域中的传统,按照功能块、单元和/或模块在附图中描述和示出了实施例。本领域技术人员将理解,这些块、单元和/或模块由可以使用基于半导体的制造技术或其他制造技术来形成的诸如逻辑电路、分立组件、微处理器、硬连线电路、存储器元件、布线连接等的电子(或光学)电路物理地实现。在由微处理器或类似物实现块、单元和/或模块的情况下,它们可以使用软件(例如,微代码)进行编程以执行这里讨论的各种功能,并且可以可选地由固件和/或软件来驱动。可选地,每个块、单元和/或模块可以由专用硬件来实现,或者被实现为执行一些功能的专用硬件和执行其他功能的处理器(例如,一个或更多个编程的微处理器和相关电路)的组合。另外,在不脱离本发明构思的范围的情况下,实施例的每个块、单元和/或模块可以被物理地分离为两个或更多个相互作用和分立的块、单元和/或模块。此外,在不脱离本发明构思的范围的情况下,实施例的块、单元和/或模块可以被物理地组合为更复杂的块、单元和/或模块。
现将详细参照本发明构思的至少一些示例实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明本发明构思的至少一些示例实施例,以便解释本发明。
图1示出根据本发明构思的至少一个示例实施例的用户终端设备的框图。这里,作为示例,所述用户终端设备可以是可穿戴设备、个人计算机、智能手机等具有机器学习功能的电子设备。
如图1所示,根据本发明构思的至少一些示例实施例的用户终端设备100包括:报警器110、通信器120、采集器130和控制器140。
具体说来,通信器120被配置为与云端服务器200进行通信。
采集器130被配置为采集目标对象的特征数据。
例如,采集器130可以采集用于医学诊断的用户的特征数据,诸如心率、血压、血糖浓度、舒张压、年龄等。例如,采集器130可包括硬件,诸如根据已知的可穿戴式监视器(例如,心率/血压/血糖监视器)的一个或更多个传感器,所述可穿戴式监视器包括用于收集各种健康信息的传感器。采集器130还可以采集用于语音识别的用户的音频特征数据(例如,用户的声音)。例如,采集器130可以包括诸如一个或更多个麦克风的音频检测传感器。这里,应理解,采集器130可以采集的目标对象的特征数据不限于上述示例,也可以是目标对象的其他特征数据,本发明在此不做任何限定。现在将讨论控制器140。
根据本发明构思的至少一些示例实施例,控制器140可以是或者包括处理电路。控制器140的处理电路可以包括一个或更多个电路或电路系统(例如,硬件),所述电路或电路系统被具体构造为执行和/或控制由控制器140或者用户终端设备100(或其元件)执行的本公开中描述的一些或全部操作。根据本发明构思的至少一个示例实施例,控制器140的处理电路可以包括存储器和执行计算机可读代码(例如,程序和/或固件)的一个或更多个处理器,所述计算机可读代码存储在存储器中,并且包括用于使所述一个或更多个处理器执行和/或控制由控制器140或者用户终端设备100(或其元件)执行的本公开中描述的一些或全部操作的指令。根据本发明构思的至少一个示例实施例,控制器140的处理电路可以包括例如上述的硬件和执行计算机可读代码的一个或更多个处理器的组合。
根据本发明构思的至少一些示例实施例,控制器140将所述特征数据输入终端侧异常诊断模型,获得终端侧异常判断结果。
作为示例,所述终端侧异常诊断模型可以是二分类器,该二分类器可以基于输入的特征数据判断所述特征数据是否是异常数据,并得到确定所述特征数据是否是异常数据的终端侧异常判断结果。
例如,在实际应用中,所述特征数据能够被判断为异常数据的原因可能有很多,例如,设置在用户终端设备100中的二分类器(即,终端侧异常诊断模型)随着时间的流逝发生了漂移,或者,所述特征数据与在开发训练过程中使用的训练数据可能存在巨大的差异。因此,为了确定该特征数据是否真的异常,用户终端设备100可以将所述特征数据发送到云端服务器200,从而云端服务器200可以确定用户终端设备100将所述特征数据识别为异常的原因。
具体说来,当所述终端侧异常判断结果指示所述特征数据异常时,控制器140可通过控制通信器120将所述特征数据发送至云端服务器200,并且控制器140可通过控制通信器120从云端服务器200接收诊断信息,通过这种方式,用户终端设备100可以使用云端服务器200确定用户终端设备100将所述特征数据解释为异常数据是否准确。
在接收到诊断信息后,控制器140基于所述诊断信息更新终端侧多分类模型和/或所述终端侧异常诊断模型,或者,控制器140基于所述诊断信息控制报警器110发出指示所述特征数据异常的报警信号。
作为示例,所述终端侧多分类模型可以是多分类器,该多分类器可以对所述特征数据进行特征分类。例如,当将所述特征数据输入所述终端侧多分类模型时,所述终端侧多分类模型可以输出所述特征数据所属的类别,例如,所述特征数据为某女性的怀孕次数、血糖浓度、舒张压、家族病史和年龄,将所述特征数据输入所述终端侧多分类模型时,所述终端侧多分类模型可以根据该女性的怀孕次数、血糖浓度、舒张压、家族病史和年龄确定该女性是否具有糖尿病。
具体说来,在一个示例中,如果所述诊断信息指示云端服务器200的云端侧异常判断结果和所述终端侧异常判断结果不同,则控制器140从云端服务器200接收新终端侧多分类模型和新终端侧异常诊断模型(例如,通过控制通信器120从云端服务器200接收新终端侧多分类模型和新终端侧异常诊断模型),并且控制器140将当前终端侧多分类模型更新为所述新终端侧多分类模型以及将当前终端侧异常诊断模型更新为所述新终端侧异常诊断模型。通过这种方式,当前终端侧多分类模型和/或当前终端侧异常诊断模型可被更新,从而终端侧多分类模型和/或终端侧异常诊断模型可适应新环境的目标对象的特征数据。
在另一种情况下,如果所述诊断信息指示云端服务器200的云端侧异常判断结果和所述终端侧异常判断结果相同,则控制器140发出指示所述特征数据异常的警报(例如,通过控制报警器110来发出指示所述特征数据异常的报警信号)。
具体说来,响应于所述诊断信息指示云端服务器200的云端侧异常判断结果和所述终端侧异常判断结果相同,用户终端设备100可确定所述特征数据的确是与以往的目标对象的特征数据差别较大的特征数据,需要引起用户注意,此时,可通过报警器110向用户报警以提示用户特征数据异常,警示用户立即处理。
通过使用根据本发明构思的至少一个示例实施例的用户终端设备,可以解决实际场景中目标对象的特征数据发生偏移时,用户终端设备无法快速适配或者无法快速报警的缺陷。
图2示出根据本发明构思的至少一些示例实施例的诊断异常数据的方法的流程图。
如图2所示,在步骤S110,采集目标对象的特征数据。
例如,可以采集用于医学诊断的用户的心率、血压、血糖浓度、舒张压、年龄等体征特征数据,还可以采集用于语音识别的用户的音频特征数据。这里,应理解,可以采集的目标对象的特征数据不限于上述示例,也可以是目标对象的其他特征数据,本发明在此不做任何限定。
在步骤S120,将所述特征数据输入终端侧异常诊断模型,获得终端侧异常判断结果。
作为示例,所述终端侧异常诊断模型可以是二分类器,该二分类器可以基于输入的特征数据判断所述特征数据是否是异常数据,并得到确定所述特征数据是否是异常数据的终端侧异常判断结果。
具体说来,在实际应用中,所述特征数据被判断为异常数据的原因有很多,例如,设置在用户终端设备100中的二分类器(即,终端侧异常诊断模型)随着时间的流逝发生了漂移,或者,所述特征数据与在开发训练过程中使用的训练数据可能存在巨大的差异。因此,为了确定该特征数据是否真的异常,可以通过云端服务器200来确定由用户终端设备100将所述特征数据识别为异常的原因。
在步骤S130,当所述终端侧异常判断结果指示所述特征数据异常时,将所述特征数据发送至云端服务器200,并从云端服务器200接收诊断信息。例如,用户终端设备100可以响应于终端侧异常判断结果指示所述特征数据异常,将所述特征数据发送到云端服务器200。此外,云端服务器200可以通过向用户终端设备100发送诊断信息来做出响应,并且用户终端设备100可以从云端服务器200接收所述诊断信息。相应地,用户终端设备100可以使用来自云端服务器200的信息来确定用户终端设备100是否准确地将所述特征数据识别为异常。
基于所述诊断信息更新所述终端侧异常诊断模型,或者,基于所述诊断信息发出指示所述特征数据异常的报警信号。作为另一示例,可基于所述诊断信息更新终端侧多分类模型。
作为示例,所述终端侧多分类模型可以是多分类器,该多分类器可以对所述特征数据进行特征分类。例如,当将所述特征数据输入所述终端侧多分类模型时,所述终端侧多分类模型可以输出所述特征数据所属的类别,例如,所述特征数据为某女性的怀孕次数、血糖浓度、舒张压、家族病史和年龄,将所述特征数据输入所述终端侧多分类模型时,所述终端侧多分类模型可以根据该女性的怀孕次数、血糖浓度、舒张压、家族病史和年龄确定该女性是否具有糖尿病。
在步骤S140,确定所述诊断信息是否指示云端服务器200的云端侧异常判断结果和所述终端侧异常判断结果不同。如果所述诊断信息指示云端服务器200的云端侧异常判断结果和所述终端侧异常判断结果不同,则在步骤S150,从云端服务器200接收新终端侧异常诊断模型,将所述终端侧异常诊断模型更新为所述新终端侧异常诊断模型。作为另一示例,可从云端服务器200接收新终端侧多分类模型,并且相应地,将所述终端侧多分类模型更新为所述新终端侧多分类模型。通过这种方式,可以通过对终端侧多分类模型和/或终端侧异常诊断模型进行更新,来使终端侧多分类模型和/或终端侧异常诊断模型适应新环境的目标对象的特征数据。
在另一种情况下,如果所述诊断信息指示云端服务器200的云端侧异常判断结果和所述终端侧异常判断结果相同,则在步骤S160,发出指示所述特征数据异常的报警信号。
具体说来,如果所述诊断信息指示云端服务器200的云端侧异常判断结果和所述终端侧异常判断结果相同,说明所述特征数据的确是与以往的目标对象的特征数据差别较大的特征数据,需要引起用户注意,此时,可向用户报警以提示用户特征数据异常,警示用户立即处理。
通过使用根据本发明构思的至少一个示例实施例的诊断异常数据的方法,可以解决实际场景中目标对象的特征数据发生偏移时,用户终端设备无法快速适配或者无法快速报警的缺陷。
图3示出根据本发明构思的至少一些示例实施例的云端服务器的框图。
如图3所示,所述根据本发明构思的至少一些示例实施例的云端服务器200包括:通信器210和控制器220。
根据本发明构思的至少一些示例实施例,控制器220可以是处理电路或包括处理电路。控制器220的处理电路可以包括一个或更多个电路或电路系统(例如,硬件),所述电路或电路系统被具体构造为执行和/或控制由控制器220或者云端服务器200(或其元件)执行的本公开中描述的一些或全部操作。根据本发明构思的至少一个示例实施例,控制器220的处理电路可以包括存储器和执行计算机可读代码(例如,程序和/或固件)的一个或更多个处理器,所述计算机可读代码存储在存储器中,并且包括用于使所述一个或更多个处理器执行和/或控制由控制器220或者云端服务器200(或其元件)执行的本公开中描述的一些或全部操作的指令。根据本发明构思的至少一个示例实施例,控制器220的处理电路可以包括例如上述硬件与执行计算机可读代码的一个或更多个处理器的组合。
具体说来,控制器220控制通信器210从用户终端设备100接收目标对象的特征数据。
控制器220将所述特征数据输入云端侧异常诊断模型,获得云端侧异常判断结果。
这里,云端侧异常诊断模型可以是二分类器,该二分类器可以基于输入的特征数据判断所述特征数据是否是异常数据,并得到确定所述特征数据是否是异常数据的云端侧异常判断结果。
具体说来,控制器220根据所述云端侧异常判断结果获得所述特征数据的诊断信息,并控制通信器210将所述诊断信息发送至用户终端设备100。这里,诊断信息可指示云端侧异常判断结果和所述终端侧异常判断结果是否相同。
作为示例,在一种情况下,如果所述云端侧异常判断结果指示所述特征数据正常,表明所述云端服务器的云端侧异常判断结果和所述终端侧异常判断结果不同,表明所述特征数据经过更加精确的判断后,证明所述特征数据并非异常数据,而是因为用户终端设备100中的终端侧多分类模型或者终端侧异常诊断模型随着时间的流逝发生了漂移,或者,所述特征数据与终端侧多分类模型或者终端侧异常诊断模型在开发训练过程中使用的训练数据存在巨大的差异导致的,则控制器220将所述特征数据输入云端侧多分类模型,获得云端侧分类结果。
这里,云端侧多分类模型可以包括用于对所述特征数据进行分类的多分类器,这里,应注意,云端服务器200中的云端侧多分类模型的分类的类别数目要远远多于用户终端设备100中的终端侧多分类模型,例如,用户终端设备100中的终端侧多分类模型可以划分出三个类别,云端服务器200中的云端侧多分类模型可以划分出一百个类别,控制器220将所述特征数据输入云端侧多分类模型以获得云端测分类结果。
因此,控制器220可还被配置为将所述云端侧分类结果发送到用户终端设备100(例如,控制通信器210发送所述云端侧分类结果至用户终端设备100)。通过这种方式,用户终端设备100可以将所述特征数据和所述云端侧分类结果作为新的训练数据来训练终端侧多分类模型,将所述特征数据作为新的训练数据来训练终端侧异常诊断模型,以完成终端侧多分类模型和/或终端侧异常诊断模型的更新,以使得终端侧多分类模型和终端侧异常诊断模型可以适应新环境的目标对象的特征数据。
控制器220基于所述特征数据和所述云端侧分类结果对所述云端服务器中的终端侧多分类模型进行训练,获得新终端侧多分类模型。
例如,控制器220将所述特征数据和所述云端侧分类结果添加到用于训练所述终端侧多分类模型的历史数据中,利用该历史数据对所述终端侧多分类模型进行重训练,获得新终端多分类模型。
控制器220还基于所述特征数据和所述云端侧异常判断结果对云端服务器中的终端侧异常诊断模型进行训练,获得新终端侧异常诊断模型。
例如,控制器220将所述特征数据添加到用于训练所述终端侧异常诊断模型的历史数据中,利用该历史数据对终端侧异常诊断模型进行重训练,获得新终端侧异常诊断模型。
控制器220将所述新终端侧多分类模型和所述新终端侧异常诊断模型发送至用户终端设备100。通过这种方式,使得用户终端设备100完成终端侧多分类模型和/或终端侧异常诊断模型的更新,以使得终端侧多分类模型和终端侧异常诊断模型可以适应新环境的目标对象的特征数据。
另一种情况下,如果所述云端侧异常判断结果和所述终端侧异常判断结果相同,则控制通信器210将指示所述特征数据异常的诊断信息发送至用户终端设备100,以表明所述特征数据经过更加精确的判断后,证明所述特征数据为真实的异常数据。
通过使用根据本发明构思的至少一个示例实施例的云端服务器,可以解决实际场景中目标对象的特征数据发生偏移时,用户终端设备无法快速适配或者无法快速报警的缺陷。
图4示出根据本发明构思的至少一个示例实施例的诊断异常数据的方法的流程图。
如图4所示,在步骤S210,从用户终端设备100接收目标对象的特征数据和终端侧分类结果。
在步骤S220,将所述特征数据输入云端侧异常诊断模型,获得云端侧异常判断结果。
这里,云端侧异常诊断模型可以是二分类器,该二分类器可以基于输入的特征数据判断所述特征数据是否是异常数据,并得到确定所述特征数据是否是异常数据的云端侧异常判断结果。
在步骤S230,根据所述云端侧异常判断结果获得所述特征数据的诊断信息,将所述诊断信息发送至用户终端设备100。
作为示例,在一种情况下,如果所述云端侧异常判断结果指示所述特征数据正常,则将所述特征数据输入云端服务器200中包括的云端侧多分类模型,获得云端侧分类结果,基于所述特征数据和所述云端侧分类结果对所述云端服务器中的终端侧多分类模型进行训练,获得新终端侧多分类模型,基于所述特征数据和所述云端侧异常判断结果对云端服务器中的终端侧异常诊断模型进行训练,获得新终端侧异常诊断模型,将所述新终端侧多分类模型和所述新终端侧异常诊断模型发送至所述用户终端设备。
在另一种情况下,如果云端服务器的云端侧异常判断结果和所述终端侧异常判断结果相同,则将指示所述特征数据异常的诊断信息发送至用户终端设备100,以表明所述特征数据经过更加精确的判断后,证明所述特征数据为真实的异常数据。
根据本发明构思的至少一个示例实施例的诊断异常数据的方法,可以解决实际场景中目标对象的特征数据发生偏移时,用户终端设备无法快速适配或者无法快速报警的缺陷。
根据本发明构思的至少一个的示例实施例的诊断异常数据的方法可被实现为存储在计算机可读存储介质中的计算机程序。当所述计算机程序被处理器执行时,使得处理器执行上述根据本发明构思的至少一个示例实施例的诊断异常数据的方法。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
因此,根据本发明构思的至少一些示例实施例的诊断异常数据的方法、用户终端设备和云端服务器可以解决实际场景中目标对象的特征数据发生偏移时,用户终端设备无法快速适配或者无法快速报警的缺陷。
因此,本发明构思的示例实施例已被描述,明显的是,本发明构思的示例实施例可以以多种方式变化。这样的变化不应被认为脱离本发明构思的示例实施例的预期精神和范围,并且对于本领域技术人员明显的所有这样的修改都意图包括在所附权利要求的范围内。
Claims (18)
1.一种用户终端设备,包括:
报警器;
包括一个或更多个传感器的采集器,被配置为采集目标对象的特征数据;以及
控制器,被配置为:
通过将所述特征数据输入终端侧异常诊断模型,获得终端侧异常判断结果,
响应于所述终端侧异常判断结果指示所述特征数据异常,将所述特征数据发送至云端服务器,
从所述云端服务器接收诊断信息,以及
基于接收的诊断信息更新所述终端侧异常诊断模型,或者控制所述报警器发出指示所述特征数据异常的报警信号,
其中,控制器被配置为使得:如果所述诊断信息指示所述云端服务器的云端侧异常判断结果和所述终端侧异常判断结果不同,则所述控制器将所述终端侧异常诊断模型更新为从所述云端服务器接收的新终端侧异常诊断模型。
2.如权利要求1所述的用户终端设备,其中,所述控制器被配置为使得:
如果所述诊断信息指示所述云端服务器的云端侧异常判断结果和所述终端侧异常判断结果相同,则所述控制器控制所述报警器发出指示所述特征数据异常的报警信号。
3.如权利要求2所述的用户终端设备,其中,所述特征数据包括心率、血压和血糖浓度中的至少一项。
4.如权利要求2所述的用户终端设备,其中,所述一个或更多个传感器包括至少一个麦克风,所述特征数据包括用户语音的音频特征数据。
5.如权利要求1所述的用户终端设备,其中,所述特征数据包括心率、血压和血糖浓度中的至少一项。
6.如权利要求1所述的用户终端设备,其中,所述控制器被配置为使得:
如果所述诊断信息指示所述云端服务器的云端侧异常判断结果和所述终端侧异常判断结果不同,则控制器还将终端侧多分类模型更新为从所述云端服务器接收的新终端侧多分类模型。
7.一种云端服务器,包括:
存储器,存储计算机可执行指令;以及
一个或更多个处理器,被配置为:执行所述计算机可执行指令,以使所述一个或更多个处理器被配置为:
从用户终端设备接收目标对象的特征数据,
通过将所述特征数据输入云端侧异常诊断模型,获得云端侧异常判断结果,
根据所述云端侧异常判断结果获得所述特征数据的诊断信息,以及
将所述诊断信息发送至所述用户终端设备;
如果所述云端侧异常判断结果指示所述特征数据正常,则所述一个或更多个处理器基于所述特征数据和所述云端侧异常判断结果对所述云端服务器中的终端侧异常诊断模型进行训练,以获得新终端侧异常诊断模型;以及
将所述新终端侧异常诊断模型发送至所述用户终端设备。
8.如权利要求7所述的云端服务器,其中,所述一个或更多个处理器被配置为:执行所述计算机可执行指令,以使所述一个或更多个处理器被配置为使得:
如果所述云端侧异常判断结果指示所述特征数据正常,则所述一个或更多个处理器将所述特征数据输入云端侧多分类模型,以获得云端侧分类结果,
基于所述特征数据和所述云端侧分类结果对所述云端服务器中的终端侧多分类模型进行训练,以获得新终端侧多分类模型,
将所述新终端侧多分类模型发送至所述用户终端设备。
9.如权利要求8所述的云端服务器,其中,所述特征数据包括心率、血压和血糖浓度中的至少一项。
10.如权利要求7所述的云端服务器,其中,所述特征数据包括心率、血压和血糖浓度中的至少一项。
11.如权利要求7所述的云端服务器,其中,所述特征数据包括用户语音的音频特征数据。
12.一种诊断异常数据的方法,包括:
采集目标对象的特征数据;
通过将所述特征数据输入终端侧异常诊断模型,获得终端侧异常判断结果;
响应于所述终端侧异常判断结果指示所述特征数据异常,将所述特征数据发送至云端服务器;
从所述云端服务器接收诊断信息;以及
基于所述诊断信息,更新所述终端侧异常诊断模型,或者发出指示所述特征数据异常的报警信号,
其中,更新所述终端侧异常诊断模型的步骤包括:
响应于所述诊断信息指示所述云端服务器的云端侧异常判断结果和所述终端侧异常判断结果不同,将所述终端侧异常诊断模型更新为从所述云端服务器接收的新终端侧异常诊断模型。
13.如权利要求12所述的方法,还包括:
响应于所述诊断信息指示所述云端服务器的云端侧异常判断结果和所述终端侧异常判断结果不同,将终端侧多分类模型更新为从所述云端服务器接收的新终端侧多分类模型。
14.如权利要求12所述的方法,其中,发出指示所述特征数据异常的报警信号的步骤包括:
响应于所述诊断信息指示所述云端服务器的云端侧异常判断结果和所述终端侧异常判断结果相同,发出指示所述特征数据异常的报警信号。
15.如权利要求12所述的方法,其中,所述特征数据包括心率、血压和血糖浓度中的至少一项。
16.如权利要求12所述的方法,其中,所述特征数据包括用户语音的音频特征数据。
17.一种存储有计算机程序的计算机可读存储介质,当所述计算机程序被处理器执行时使得所述处理器执行如权利要求12-16中任意一项所述的诊断异常数据的方法。
18.一种诊断异常数据的方法,包括:
从用户终端设备接收目标对象的特征数据和终端侧分类结果;
将所述特征数据输入云端侧异常诊断模型,以获得云端侧异常判断结果;以及
根据所述云端侧异常判断结果获得所述特征数据的诊断信息,并将所述诊断信息发送至所述用户终端设备;
如果所述云端侧异常判断结果指示所述特征数据正常,则将所述特征数据输入云端侧多分类模型,以获得云端侧分类结果,基于所述特征数据和所述云端侧分类结果对云端服务器中的终端侧多分类模型进行训练,以获得新终端侧多分类模型,基于所述特征数据和所述云端侧异常判断结果对云端服务器中的终端侧异常诊断模型进行训练,以获得新终端侧异常诊断模型,将所述新终端侧多分类模型和所述新终端侧异常诊断模型发送至所述用户终端设备。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641821.9A CN111786858B (zh) | 2020-07-06 | 2020-07-06 | 诊断异常数据的方法、用户终端设备和云端服务器 |
US17/010,246 US20220004899A1 (en) | 2020-07-06 | 2020-09-02 | Method for diagnosing exception data, user terminal apparatus and cloud server |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641821.9A CN111786858B (zh) | 2020-07-06 | 2020-07-06 | 诊断异常数据的方法、用户终端设备和云端服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111786858A CN111786858A (zh) | 2020-10-16 |
CN111786858B true CN111786858B (zh) | 2022-04-15 |
Family
ID=72759096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641821.9A Active CN111786858B (zh) | 2020-07-06 | 2020-07-06 | 诊断异常数据的方法、用户终端设备和云端服务器 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220004899A1 (zh) |
CN (1) | CN111786858B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108365982A (zh) * | 2018-02-06 | 2018-08-03 | 北京小米移动软件有限公司 | 设备异常调试方法、装置、设备和存储介质 |
CN109327328A (zh) * | 2018-08-27 | 2019-02-12 | 深圳前海达闼云端智能科技有限公司 | 监管方法、装置、系统、云端服务器及存储介质 |
CN110507315A (zh) * | 2019-09-26 | 2019-11-29 | 杭州电子科技大学 | 一种高效的心电图诊断系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8788577B2 (en) * | 2010-06-22 | 2014-07-22 | Akamai Technologies, Inc. | Method and system for automated analysis and transformation of web pages |
US10226204B2 (en) * | 2016-06-17 | 2019-03-12 | Philips North America Llc | Method for detecting and responding to falls by residents within a facility |
WO2019103620A2 (en) * | 2017-11-21 | 2019-05-31 | Omniscient Medical As | System, sensor and method for monitoring health related aspects of a patient |
-
2020
- 2020-07-06 CN CN202010641821.9A patent/CN111786858B/zh active Active
- 2020-09-02 US US17/010,246 patent/US20220004899A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108365982A (zh) * | 2018-02-06 | 2018-08-03 | 北京小米移动软件有限公司 | 设备异常调试方法、装置、设备和存储介质 |
CN109327328A (zh) * | 2018-08-27 | 2019-02-12 | 深圳前海达闼云端智能科技有限公司 | 监管方法、装置、系统、云端服务器及存储介质 |
CN110507315A (zh) * | 2019-09-26 | 2019-11-29 | 杭州电子科技大学 | 一种高效的心电图诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
US20220004899A1 (en) | 2022-01-06 |
CN111786858A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10594715B2 (en) | Apparatus for detecting anomaly and operating method for the same | |
Fathy et al. | Learning with imbalanced data in smart manufacturing: A comparative analysis | |
US20210306615A1 (en) | Electronic device, and method for displaying three-dimensional image thereof | |
WO2020214683A1 (en) | Computer-implemented natural language understanding of medical reports | |
WO2018169708A1 (en) | Learning efficient object detection models with knowledge distillation | |
US11954150B2 (en) | Electronic device and method for controlling the electronic device thereof | |
US20210173679A1 (en) | Training a machine learning module and updating a rules engine to determine medical best practice recommendations for user entered medical observations | |
US11017619B2 (en) | Techniques to detect vehicle anomalies based on real-time vehicle data collection and processing | |
US11115359B2 (en) | Method and apparatus for importance filtering a plurality of messages | |
US11157723B1 (en) | Facial recognition for drivers | |
CN107767874B (zh) | 一种婴儿啼哭声识别提示方法及系统 | |
CN114494935B (zh) | 视频信息的处理方法、装置、电子设备和介质 | |
CN113574906A (zh) | 信息处理设备、信息处理方法和信息处理程序 | |
EP3523932B1 (en) | Method and apparatus for filtering a plurality of messages | |
CN111786858B (zh) | 诊断异常数据的方法、用户终端设备和云端服务器 | |
EP4401032A1 (en) | Image processing method and device for removing perceptible noise from image | |
CN113052199A (zh) | 病情检测模型的训练方法、装置、设备及计算机存储介质 | |
CN111401454A (zh) | 一种基于迁移学习的少样本目标识别方法 | |
CN113724898B (zh) | 智能问诊方法、装置、设备及存储介质 | |
CN114495292A (zh) | 身份识别方法、装置、设备及可读存储介质 | |
JP2021185465A (ja) | 音響認識システム、音響認識方法 | |
CN117649933B (zh) | 在线问诊辅助方法、装置、电子设备和存储介质 | |
JP7088397B1 (ja) | データ収集システム、データ収集装置、データ取得装置及びデータ収集方法 | |
CN114155589B (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
US20230419962A1 (en) | System and method for speaker verification for voice assistant |
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 |