CN112075930A

CN112075930A - 基于散点图的分析预警装置、方法、系统和电子设备

Info

Publication number: CN112075930A
Application number: CN202011095243.XA
Authority: CN
Inventors: 王帮德; 高飞; 郑博林; 张园; 赵向东
Original assignee: Wuhan Jiule Technology Co ltd
Current assignee: Wuhan Jiule Technology Co ltd
Priority date: 2020-10-14
Filing date: 2020-10-14
Publication date: 2020-12-15
Anticipated expiration: 2040-10-14
Also published as: CN112075930B

Abstract

本申请提供一种基于散点图的分析预警装置、方法、系统和电子设备，处理模块可对检测时段内获得的脉搏波数据进行处理，得到对应的PPI数据序列，构建模块可根据PPI数据序列构建对应的散点图，计算模块可计算散点图中的散点在设定象限内的分布概率数据，预警模块可将分布概率数据导入至预先构建的预警模型，得到脉搏波数据对应的预警结果。该方案中，由于构建的散点图主要体现出数据的分布情况，而与检测时段内的具体参数无关，因此，基于散点图进行预警分析可不受检测时段长短的影响，可适用于任意检测时段内的数据的预警分析。

Description

基于散点图的分析预警装置、方法、系统和电子设备

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种基于散点图的分析预警装置、方法、系统和电子设备。

背景技术

随着经济的飞速发展，人们在日益丰富的物质生活之外也更加关心自己的身体健康，使用可穿戴设备监测自身生命体征指标，如心率、血氧饱和浓度等，已经成为新的趋势。目前在针对例如心血管疾病预警分析的可穿戴设备还比较少，在使用上也存在很多局限。目前临床上一般通过心电信号检测获得心率变异性分析结果进而完成心血管疾病的预警，但是这种方式需要人们去往医院完成相应检测，十分不便。

此外，现有技术中也出现了使用心电描记术的技术来完成心率变异性分析的方式，但这是一种主动式检测方案，需要用户用手或其他肢体穿过可穿戴设备形成电信号通路才能进行检测。而最近出现的使用光电容积脉搏波描记法不需要形成电路通路，即无需人主动配置就可不间断地进行数据采集进而基于采集的数据进行监测并分析预警。

但是，目前对使用光电容积脉搏波描记法采集的数据的分析方式还局限于线性处理方式，即时域方法和频域方法，这种方式存在一个共性的缺陷，即针对不同时程的数据处理难以有统一确定正常和异常的划分区间段。现有处理方式中，是基于采集的数据并构建相应的模型参数进行预警分析，其中，模型参数与需要处理的数据的时程有关，因此，难以适用于不同时程下的数据的分析，存在适应性弱的问题。

发明内容

本申请的目的包括，例如，提供了一种基于散点图的分析预警装置、方法、系统和电子设备，其能够不受检测时程长短的影响，可适用于任意检测时程内的数据的预警分析。

本申请的实施例可以这样实现：

第一方面，本申请实施例提供一种基于散点图的分析预警装置，应用于服务器，所述基于散点图的分析预警装置包括：

处理模块，用于对检测时段内获得的脉搏波数据进行处理，得到所述脉搏波数据对应的相邻P波峰值间的时间间隔PPI数据序列；

构建模块，用于根据所述PPI数据序列构建对应的散点图；

计算模块，用于计算所述散点图中的散点在设定象限内的分布概率数据；

预警模块，用于将所述分布概率数据导入至预先构建的预警模型，得到所述脉搏波数据对应的预警结果。

在可选的实施方式中，所述计算模块用于通过以下方式计算得到分布概率数据：

在设定象限内，以单位转动角度为步进进行多次转动，并获得所述散点图中每次转动形成的区域内散点的分布信息，直至总的转动角度达到设定角度时，获得所述散点图中散点的分布概率数据。

针对所述散点图中包含的各个散点，根据所述散点的位置信息、原点及横坐标，获得所述散点的夹角；

在设定象限内，以单位转动角度为步进进行多次转动，并根据各所述散点的夹角获得每次转动形成的区域内的散点，直至总的转动角度达到设定角度时，根据各所述区域内的散点获得分布概率数据。

在可选的实施方式中，所述计算模块用于通过以下方式根据各所述区域内的散点获得分布概率数据：

针对各所述区域，获得所述区域内的散点占所述散点图包含的所有散点的占比；

根据各所述区域对应的占比获得所述散点图的分布概率数据。

在可选的实施方式中，所述构建模块用于通过以下方式构建得到所述散点图：

根据所述PPI数据序列构建对应的庞加莱散点图和差分庞加莱散点图。

计算所述庞加莱散点图中的散点在第一设定象限内的第一分布概率数据；

计算所述差分庞加莱散点图中的散点在第二设定象限内的第二分布概率数据。

在可选的实施方式中，所述装置还包括过滤模块，所述过滤模块用于：

查找出所述PPI数据序列中数值超过预设范围的PPI数据；

将查找出的PPI数据从所述PPI数据序列中滤除。

第二方面，本申请实施例提供一种基于散点图的分析预警方法，应用于服务器，所述方法包括：

对检测时段内获得的脉搏波数据进行处理，得到所述脉搏波数据对应的相邻P波峰值间的时间间隔PPI数据序列；

根据所述PPI数据序列构建对应的散点图；

计算所述散点图中的散点在设定象限内的分布概率数据；

将所述分布概率数据导入至预先构建的预警模型，得到所述脉搏波数据对应的预警结果。

第三方面，本申请实施例提供一种基于散点图的分析预警系统，包括通信连接的服务器和可穿戴设备；

所述可穿戴设备用于在检测时段内获得脉搏波数据，并将所述脉搏波数据发送至所述服务器；

所述服务器用于对所述脉搏波数据进行处理，得到所述脉搏波数据对应的相邻P波峰值间的时间间隔PPI数据序列，并根据所述PPI数据序列构建对应的散点图；

所述服务器还用于计算所述散点图中的散点在设定象限内的分布概率数据，将所述分布概率数据导入至预先构建的预警模型，得到所述脉搏波数据对应的预警结果。

第四方面，本申请实施例提供一种电子设备，包括一个或多个存储介质和一个或多个与存储介质通信的处理器，一个或多个存储介质存储有处理器可执行的机器可执行指令，所述机器可执行指令对应于前述实施方式任意一项所述的基于散点图的分析预警装置。

本申请实施例的有益效果包括，例如：

本申请实施例提供一种基于散点图的分析预警装置、方法、系统和电子设备，处理模块可对检测时段内获得的脉搏波数据进行处理，得到对应的PPI数据序列，构建模块可根据PPI数据序列构建对应的散点图，计算模块可计算散点图中的散点在设定象限内的分布概率数据，预警模块可将分布概率数据导入至预先构建的预警模型，得到脉搏波数据对应的预警结果。该方案中，由于构建的散点图主要体现出数据的分布情况，而与检测时段内的具体参数无关，因此，基于散点图进行预警分析可不受检测时段长短的影响，可适用于任意检测时段内的数据的预警分析。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的基于散点图的分析预警系统的结构框图；

图2为本申请实施例提供的基于散点图的分析预警装置的功能模块框图；

图3(a)为本申请实施例提供的RRI数据和PPI数据的单独的曲线示意图；

图3(b)为本申请实施例提供的RRI数据和PPI数据的比对示意图；

图4为本申请实施例提供的庞加莱散点图SD1、SD2参数示意图；

图5为本申请实施例提供的庞加莱散点图的几何特征示意图；

图6为本申请实施例提供的庞加莱散点图的示意图；

图7为本申请实施例提供的差分庞加莱散点图的示意图；

图8为本申请实施例提供的庞加莱散点图的分布概率数据曲线示意图；

图9为本申请实施例提供的差分庞加莱散点图的分布概率数据曲线示意图；

图10为本申请实施例提供的基于散点图的分析预警方法的流程示意图；

图11为本申请实施例提供的电子设备的结构框图。

图标：10-服务器；100-基于散点图的分析预警装置；101-处理模块；102-构建模块；103-计算模块；104-预警模块；110-存储介质；120-处理器；130-通信接口；20-可穿戴设备；30-移动终端。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。

请参阅图1，为本申请实施例提供的一种基于散点图的分析预警系统的结构框图，该预警系统包括相互通信连接的服务器10和可穿戴设备20。该可穿戴设备20可以是多种不同类型的设备中的任意一种，例如可以是佩戴于手腕处的可穿戴设备20、佩戴于脚腕处的可穿戴设备20、或者是配置于脖子处的可穿戴设备20等。而服务器10可以是单独的服务器10，也可以是包含多台服务器10的服务器集群。服务器10和可穿戴设备20之间通信连接，以进行数据和命令的交互。

可穿戴设备20可采集佩戴有该可穿戴设备20的用户的生命体征参数，例如脉搏波数据。可穿戴设备20可将采集到的脉搏波数据发送至服务器10，服务器10可通过对脉搏波数据进行一系列的分析处理，以判断脉搏波数据是否存在异常，基于得到的预警结果实现预警提示。

服务器10可将得到的预警结果反馈至可穿戴设备20，从而通过可穿戴设备20将预警结果告知用户。

此外，本实施例所提供的基于散点图的分析预警系统还可包括移动终端30，移动终端30可与服务器10通信连接。该移动终端30可以是智能手机、平板电脑等设备。该移动终端30可为佩戴可穿戴设备20的用户所持的移动终端30，也可以是除佩戴可穿戴设备20的用户之外的其他用户所持的移动终端30，例如该其他用户可以是佩戴可穿戴设备20的用户的家人、朋友、或紧急联系人等。

服务器10在得到的预警结果表征用户的脉搏波数据存在异常时，可以将预警结果推送至上述的可穿戴设备20、佩戴可穿戴设备20的用户的移动终端30、其他用户的移动终端30中的至少一个，以达到及时告警，避免危急情况发生的现象。

本实施例中，在进行预警结果的推送时，可以通过利用短信的方式进行推送，或者也可以通过电话语音的方式进行推送，具体地本实施例不作限制。

请参阅图2，在上述基础上，本申请实施例还提供一种基于散点图的分析预警装置100，该基于散点图的分析预警装置100应用于上述的服务器10，服务器10在运行该基于散点图的分析预警装置100时，可以实现相应的预警方法，该基于散点图的分析预警装置100包括处理模块101、构建模块102、计算模块103和预警模块104。以下将对基于散点图的分析预警装置100包括的各个模块进行详细介绍。

本实施例中，可穿戴设备20可在检测时段内采集用户的脉搏波数据，并将采集的脉搏波数据发送至服务器10。服务器10接收到可穿戴设备20发送的脉搏波数据后，通过处理模块101对该检测时段内获得的脉搏波数据进行处理，得到脉搏波数据对应的相邻P波峰值间的时间间隔PPI数据序列。

针对脉搏波数据进行预警分析时，依据的信息可以是对应的心电图波形中相邻R波峰对应的时间间隔RRI信息，根据分析可知，光电脉搏波信号波形中的相邻P波峰间的时间间隔PPI与RRI具有相当一致性，如图3(a)和图3(b)中所示，其中，图3(a)的上方图形为心电图波形中关于RRI数据的波形图，图3(a)的下方图形为光电脉搏波信号波形中关于PPI数据的波形图。而图3(b)中的波形图为PPI和RRI数据的比较示意图。

因此，本实施例中，为了降低数据量和计算量，通过对获得的脉搏波数据进行分析处理，从而得到PPI数据序列，基于PPI数据序列进行后续的预警分析处理。如此，在保障数据的有效性的基础上了，可达到降低数据量和计算量的目的。

在一种可能的实施方式中，基于获得的脉搏波数据进行处理获得对应的PPI数据的处理过程也可在可穿戴设备20中执行，可穿戴设备20在处理得到PPI数据序列后，再将PPI数据序列发送至服务器10，以便于服务器10进行后续的分析处理。

得到的PPI数据序列包含有多个PPI数据，各个PPI数据即表征在检测时段内获得的光电脉搏波信号波形中的相邻P波峰对应的时间间隔。为了避免由于在进行数据采集的过程中可能出现的异常情况从而导致数据的突变，而对预警结果造成影响，因此，在本实施例中，基于散点图的分析预警装置100还可包括过滤模块。

该过滤模块可以用于查找出PPI数据序列中数值超过预设范围的PPI数据，这类数据即可能是由于采集异常所产生的突变数据，因此，可将查找出的PPI数据从PPI数据序列中滤除。

本实施例中，通过提取光电脉搏波信号波形中的PPI数据的方式，以PPI数据的变化表征光电脉搏波信号波形的变化，可以在保障所依赖的数据的有效性的基础上，降低后续数据处理量。

为了体现出在检测时段内PPI数据序列的分布情况，基于分布情况进行数据是否异常的检测，因此，在本实施例中，可通过构建模块102根据得到的PPI数据序列构建对应的散点图，而计算模块103可以用于计算散点图中的散点在设定象限内的分布概率数据。

得到的分布概率数据即可表征散点图中各个散点在坐标系中的各个区域的分布情况，基于散点的分布情况进行预警分析，可以避免受限于不同检测时段长短的不同，因而需要对应的不同参数进行分析的问题。

常用的用于如心率变异性的非线性指标主要包括定量指标庞加莱散点图的SD1、SD2参数，如图4中所示，以及定性指标庞加莱散点图的几何特征，如图5中所示。其中，SD1、SD2参数分别表示散点图所形成的类似椭圆形状的曲线的半长轴和半短轴。但是这两项指标较为抽象，难以细致微观地表现数据异形水平，进而不能较为准确地进行风险预警。

因此，本实施例中，在上述得到散点图的分布概率数据的基础上，预警模块104可用于将分布概率数据导入至预先构建的预警模型，得到脉搏波数据对应的预警结果。

本实施例中，基于散点图的分析预警装置100还可包括模型建立模块，该模型建立模块可用于预先进行预警模型的建立。其中，模型建立模块可预先采集多个数据样本，该数据样本中包括正样本和负样本，其中，正样本即为存在异常的脉搏波数据，而负样本为正常的脉搏波数据。各个数据样本标记有样本标签，用于表征该数据样本为正样本还是负样本。

模型建立模块可对各个数据样本按上述处理方式进行处理，以得到各个数据样本对应的分布概率数据，将分布概率数据导入至构建的神经网络模型中，输出各个数据样本的数据标签。通过对比数据标签和样本标签，从而对神经网络模型的参数进行调整后继续进行模型训练，在满足预设要求时可得到预警模型。其中，该预设要求可以是如构建的损失函数值下降至收敛时，或者是训练时长达到最大时长上限时等。

本实施例中，上述神经网络模型可以是卷积神经网络、循环神经网络等，在实施时，为了提高得到的预警模型的预警准确性，可加入判别器，以与神经网络模型构建对抗网络，从而监督神经网络模型的训练，以提高预警模型的预警准确度。

在本实施例中，构建模块102所构建的散点图可包括庞加莱散点图和差分庞加莱散点图，分别如图6和图7中所示。如此，结合庞加莱散点图和差分庞家莱散点图可进一步提高数据的全面性，有利于提高预警准确度。

在此情形下，计算模块103在进行上述的分布概率数据的计算时，则可以分别计算庞加莱散点图中的散点在第一设定象限内的第一分布概率数据，以及计算差分庞加莱散点图中的散点在第二设定象限内的第二分布概率数据。

可选地，计算模块103在进行散点图的分布概率数据的计算时，在设定象限内，以单位转动角度为步进进行多次转动，并获得散点图中每次转动形成的区域内散点的分布信息，直至中的转动角度达到设定角度时，获得散点图中散点的分布概率数据。

在本实施例中，针对庞加莱散点图，上述的设定象限可为一个象限，即第一设定象限可为一个象限。庞加莱散点图所在的坐标系中，坐标系的原点可在庞加莱散点图的左下角处，以图形的左侧边缘为纵坐标轴、以图形的下边缘为横坐标轴，如图6中所示。该设定象限即为坐标系中的第一象限，设定角度即为90度。

在进行分布概率数据计算时，可每次转动一度，并获得每转动一度时所形成的夹角区域内的散点分布信息，直至转动完成90度之后，获得庞加莱散点图的分布概率数据。

此外，针对获得的差分庞加莱散点图，上述的设定象限可为四个象限，即第二设定象限为四个象限。差分庞加莱散点图所在的坐标系中，坐标系原点可在差分庞加莱散点图的中间点，通过横坐标轴和纵坐标轴将差分庞加莱散点图划分为四个区域，如图7中所示。上述的设定象限即为坐标系中的第一象限至第四象限，设定角度即为360度。

同样地，针对差分庞加莱散点图，在进行分布概率数据计算时，可每次转动一度，并获得每转动一度时所形成的夹角区域内的散点分布信息，直至转动完成360度之后，获得差分庞加莱散点图的分布概率数据。

本实施例中，计算模块103在进行上述的分布概率数据的计算时，可以预先针对散点图中包含的各个散点，根据散点的位置信息、原点及横坐标，获得散点的夹角。

本实施例中，可通过以下公式计算得到各个散点的夹角：

其中，

表示散点的夹角，x和y分别表示散点在坐标系中的横坐标和纵坐标。

在得到散点图中各个散点的夹角大小的基础上，则在设定象限内，以单位转动角度为步进进行多次转动，并根据各个散点的夹角获得每次转动形成的区域内的散点，直至中的转动角度达到设定角度时，根据各个区域内的散点获得分布概率数据。

本实施例中，针对庞加莱散点图则可以得到一个1度*90的散点分布概率曲线，针对差分庞加莱散点图，则可以得到一个1度*360的散点分布概率曲线。

本实施例中，计算模块103在根据各个区域内的散点获得分布概率数据时，可以针对每次转动后所形成的区域，获得该区域内的散点占散点图中包含的所有散点的占比，再根据各个区域对应的占比获得散点图像的分布概率数据。例如，获得各个区域内的散点的数量，并获得散点图包含的所有散点的总数量，例如各个区域内的散点的数量除以散点的总数量，则得到对应区域内的散点的占比，根据所有区域各自对应的占比，得到整个散点图的分布概率数据。

请参阅图8和图9，其中，图8中所示为庞加莱散点图对应的分布概率数据曲线，其中，该曲线的横坐标为转动角度，即90度，纵坐标表示每个转动角度所对应的区域内的散点的占比信息。图9中所示为差分庞加莱散点图对应的分布概率数据曲线，其中，该曲线的横坐标为转动角度，即360度，纵坐标表示每个转动角度对应的区域内的散点的占比信息。

通过上述过程则可以得到庞加莱散点图对应的第一分布概率数据，以及差分庞加莱散点图对应的第二分布概率数据。可将第一分布概率数据和第二分布概率数据导入至上述预先构建的预警模型中。预警模型基于第一分布概率数据和第二分布概率数据，输出对应的预警结果，以实现预警提示的目的。

本实施例所提供的预警方案，采用非线性的分析方式，基于PPI数据序列构建散点图，并获得散点图中的散点的分布概率数据，基于分布概率数据利用预先建立的预警模型实现基于脉搏波数据的预警提示。由于采用散点图，包括庞加莱散点图和差分庞加莱散点图的方式，可以基于数据的分布情况来进行数据的分析，避免受限于检测时段的长短引起的参数变化因而难以适应于不同检测时程的预警分析的问题。该方案可适用于任意检测时程内的数据的分析处理。此外，该方案中还采用了深度学习技术，通过构建基于神经网络的预警模型，从而可以提高预警的准确性。

此外，本申请实施例还提供了一种基于散点图的分析预警方法，该预警方法应用于上述服务器10。图10中所示为本申请实施例提供的基于散点图的分析预警方法的流程示意图，应当理解，在其它实施例中，本实施例的基于散点图的分析预警方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该基于散点图的分析预警方法的实现步骤介绍如下。

步骤S110，对检测时段内获得的脉搏波数据进行处理，得到所述脉搏波数据对应的相邻P波峰值间的时间间隔PPI数据序列。

步骤S120，根据所述PPI数据序列构建对应的散点图。

步骤S130，计算所述散点图中的散点在设定象限内的分布概率数据。

步骤S140，将所述分布概率数据导入至预先构建的预警模型，得到所述脉搏波数据对应的预警结果。

本实施例中所提供的基于散点图的分析预警方法中的各个步骤，可通过上述的基于散点图的分析预警装置100包括的处理模块101、构建模块102、计算模块103和预警模块104来实现，本实施例中对分析预警方法的实现过程中未详尽之处，可参见上述对于基于散点图的分析预警装置100的相关介绍，本实施例在此不作赘述。

此外，本申请实施例还提供一种电子设备，该电子设备可为上述的服务器10，请参阅图11，为本申请实施例提供的电子设备的示例性组件示意图。该电子设备可包括存储介质110、处理器120、基于散点图的分析预警装置100及通信接口130。本实施例中，存储介质110与处理器120均位于电子设备中且二者分离设置。然而，应当理解的是，存储介质110也可以是独立于电子设备之外，且可以由处理器120通过总线接口来访问。可替换地，存储介质110也可以集成到处理器120中，例如，可以是高速缓存和/或通用寄存器。

基于散点图的分析预警装置100可以理解为上述电子设备，或电子设备的处理器120，也可以理解为独立于上述电子设备或处理器120之外的在电子设备控制下实现上述基于散点图的分析预警方法的软件功能模块。

进一步地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有机器可执行指令，机器可执行指令可对应于上述基于散点图的分析预警装置100，该机器可执行指令被执行时实现上述实施例提供的基于散点图的分析预警方法。

具体地，该计算机可读存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该计算机可读存储介质上的计算机程序被运行时，能够执行上述基于散点图的分析预警方法。关于计算机可读存储介质中的及其可执行指令被运行时，所涉及的过程，可以参照上述方法实施例中的相关说明，这里不再详述。

综上所述，本申请实施例提供的基于散点图的分析预警装置100、方法、系统和电子设备，处理模块101可对检测时段内获得的脉搏波数据进行处理，得到对应的PPI数据序列，构建模块102可根据PPI数据序列构建对应的散点图，计算模块103可计算散点图中的散点在设定象限内的分布概率数据，预警模块104可将分布概率数据导入至预先构建的预警模型，得到脉搏波数据对应的预警结果。该方案中，由于构建的散点图主要体现出数据的分布情况，而与检测时段内的具体参数无关，因此，基于散点图进行预警分析可不受检测时段长短的影响，可适用于任意检测时段内的数据的预警分析。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备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而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种基于散点图的分析预警装置，其特征在于，应用于服务器，所述基于散点图的分析预警装置包括：

构建模块，用于根据所述PPI数据序列构建对应的散点图；

2.根据权利要求1所述的基于散点图的分析预警装置，其特征在于，所述计算模块用于通过以下方式计算得到分布概率数据：

3.根据权利要求2所述的基于散点图的分析预警装置，其特征在于，所述计算模块用于通过以下方式计算得到分布概率数据：

4.根据权利要求3所述的基于散点图的分析预警装置，其特征在于，所述计算模块用于通过以下方式根据各所述区域内的散点获得分布概率数据：

5.根据权利要求1所述的基于散点图的分析预警装置，其特征在于，所述构建模块用于通过以下方式构建得到所述散点图：

6.根据权利要求5所述的基于散点图的分析预警装置，其特征在于，所述计算模块用于通过以下方式计算得到分布概率数据：

7.根据权利要求1所述的基于散点图的分析预警装置，其特征在于，所述装置还包括过滤模块，所述过滤模块用于：

查找出所述PPI数据序列中数值超过预设范围的PPI数据；

将查找出的PPI数据从所述PPI数据序列中滤除。

8.一种基于散点图的分析预警方法，其特征在于，应用于服务器，所述方法包括：

根据所述PPI数据序列构建对应的散点图；

计算所述散点图中的散点在设定象限内的分布概率数据；

9.一种基于散点图的分析预警系统，其特征在于，包括通信连接的服务器和可穿戴设备；

10.一种电子设备，其特征在于，包括一个或多个存储介质和一个或多个与存储介质通信的处理器，一个或多个存储介质存储有处理器可执行的机器可执行指令，所述机器可执行指令对应于权利要求1-7任意一项所述的基于散点图的分析预警装置。