CN113128572B - 基于概率分布的运动处方有效性范围计算方法 - Google Patents

基于概率分布的运动处方有效性范围计算方法 Download PDF

Info

Publication number
CN113128572B
CN113128572B CN202110343541.4A CN202110343541A CN113128572B CN 113128572 B CN113128572 B CN 113128572B CN 202110343541 A CN202110343541 A CN 202110343541A CN 113128572 B CN113128572 B CN 113128572B
Authority
CN
China
Prior art keywords
prescription
user
range
calculating
users
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
Application number
CN202110343541.4A
Other languages
English (en)
Other versions
CN113128572A (zh
Inventor
王磊
徐消波
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110343541.4A priority Critical patent/CN113128572B/zh
Publication of CN113128572A publication Critical patent/CN113128572A/zh
Application granted granted Critical
Publication of CN113128572B publication Critical patent/CN113128572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于概率分布的运动处方有效性范围计算方法，具体按照如下步骤实施：步骤1，整理用户数据库中的数据，提取用户属性；步骤2，根据步骤1中整理出来的用户数据，使用自编码器的K‑means算法对用户进行聚类；步骤3，选择某一个运动处方，根据步骤2中对用户的聚类结果，将所选择的运动处方进行归类；步骤4，根据步骤3在对处方进行分类之后，整理出此类别中所有使用过此处方的用户数据；步骤5，利用概率分布计算运动处方强度、时长、频率以及对处方的满意度评分的分布区间；步骤6，计算运动处方的有效范围。本发明基于概率分布的运动处方有效性范围计算方法，解决了现有技术中存在的运动处方有效性无法量化计算的问题。

Description

基于概率分布的运动处方有效性范围计算方法
技术领域
本发明属于运动处方有效性计算方法技术领域，涉及一种基于概率分布的运动处方有效性范围计算方法。
背景技术
运动处方有效性的计算在运动处方的生成以及参数的调整方面发挥了很大的作用，在参数的调整方面运动处方有效性的范围可以作为参数确定的一个标准和大致方向，并且在后续的运动计划的生成方面也是一个参数的量化指标。
然而现在并没有关于运动处方有效性范围的具体计算方法，传统上的判断处方是否有效仅仅是根据使用者的主观判断，并没有提出方法去做到量化计算。
发明内容
本发明的目的是提供一种基于概率分布的运动处方有效性范围计算方法，解决了现有技术中存在的运动处方有效性无法量化计算的问题。
本发明所采用的技术方案是，基于概率分布的运动处方有效性范围计算方法，具体按照如下步骤实施：
步骤1，整理用户数据库中的数据，提取用户属性；
步骤2，根据步骤1中整理出来的用户数据，使用融合自编码器的K-means算法对用户进行聚类；
步骤3，选择某一个运动处方，根据步骤2中对用户的聚类结果，将所选择的运动处方进行归类；
步骤4，根据步骤3在对处方进行分类之后，整理出此类别中所有使用过此处方的用户数据；
步骤5，利用概率分布计算运动处方中强度、时长、频率以及对处方的满意度评分的分布区间；
步骤6，计算运动处方的有效范围。
本发明的特征还在于，
步骤1具体为：
步骤1.1，根据用户数据库中的数据整理用户属性，用户属性主要包括姓名、性别、年龄、身高、体重、身体各个组成成分比重、所使用运动处方名称、处方强度、处方频率、处方时长、处方满意度；
步骤1.2，对整理出来的用户数据存入数据表中，对每个属性都进行归一化处理，其中，姓名用整数类型的id值表示；姓别用0和1表示，0表示男，1表示女；年龄用整数表示；身高用整数表示；体重用浮点数表示；肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水用浮点数表示；运动处方名称用整数类型的id表示；处方强度用浮点数表示；处方频率用浮点数表示；处方时长用浮点数表示；处方满意度用浮点数表示；然后使用函数对每一个属性值进行归一化处理，其中x′是归一化之后在[0,1]范围之内的值，x为需要被归一化的值，min是数据表中同一列中的最小值，max为数据表中同一列中的最大值。
步骤1.1中身体各个组成成分包括肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水。
步骤2具体为：
步骤2.1，定义用户属性矩阵U∈Rm×n，其中，m表示用户的数量，n表示用户的属性个数；
步骤2.2，将用户属性矩阵输入到自编码器的编码器中，得到降维后的用户特征矩阵Y，其中，其中，Kt是自编码器第t个全连接层的输出，Wt是自编码器第t个全连接层的权重向量，Zt是自编码器第t个全连接层的偏置向量，其中，φ(·)是激活函数，φ1(x)＝Relu(x)＝max(0,x)，/>
步骤2.3，使用步骤2.2得到的降维后的用户特征矩阵Y输入到解码器进行重构用户的特征矩阵U′∈Rm×n，重构的用户特征矩阵U′具体为：U′＝φ2(K5·W6+Z6)，其中，K5＝φ1(K4·W5+Z5)，K4＝φ1(Y·W4+Z4)，其中，Kt是自编码器第t个全连接层的输出，Wt是自编码器第t个全连接层的权重向量，Zt是自编码器第t个全连接层的偏置向量；
步骤2.4，过损失函数计算重构误差，损失函数为：
其中Y为降维后的用户特征矩阵，U′为重构的用户特征矩阵，i表示第i行，j表示第j列；
当重构误差不超过0.5则得出降维后的用户特征矩阵Y，进入下一步，如果误差大于0.5则返回步骤2.2和步骤2.3中进行神经网络学习，然后再次计算重构误差，直到重构误差不超过0.5的要求进行下一步；
步骤2.5，将步骤2.4得出的降维后的用户特征矩阵Y∈Rm×n输入K-means模型中进行聚类，聚类的类别值为K，通过计算各用户距离质心点的距离来进行聚类各用户结点到其所属类的质心聚类公式如下：
其中，质心点是K-means算法本身随机选择K个用户作为质心点，L2为用户i到质心c的距离，ki(j)表示用户i的第j个属性，Cc(j)表示质心c的第j个属性。
步骤3具体为：
步骤3.1，根据运动处方名称去已经分类的用户数据中进行查找，并记录下每个类中使用此处方的用户个数；
步骤3.2，根据使用处方的用户个数对K个别进行排序，使用此处方名称的用户数最多的类则为此处方名称的所处类，如果出现两个类相等的状况，则说明此处方同时适用于两个类，则把两个类的用户数据归为一起，然后再进行下一步。
步骤4具体为：
根据步骤3把每个处方名称进行归类之后，然后整理出每个处方名称对应的类中的所有使用此处方名称的用户，从这些用户数据中提取整理出有关此处方名称相对应的属性值，主要包含的对应属性值有：处方强度Q、处方时长T、处方频率P、处方强度满意度Gq、处方时长满意度Gt、处方频率满意度Gp。
步骤5具体为：
步骤5.1，分别计算每一个处方名称所对应属性的期望值μ和标准差σ；
步骤5.2，设定处方强度Q的取值范围为其中期望值μp和标准差σp分别为步骤5.1计算的每一个处方名称所对应属性对应的期望值μ和标准差σ，然后把此范围内的所有用户的满意度值提取出来，然后利用Pandas数据分析包的mean()函数计算其平均值G1，同理得到处方时长T对应的满意度G2，处方频率P对应的满意度G3；
步骤5.3，定义处方强度Q的范围的最小值为Qmin＝μq-σq，最大值为Qmax＝μq+σq；处方时长T的范围的最小值为Tmin＝μt-σt，最大值为Tmax＝μt+σt；处方频率P的范围的最小值为Pmin＝μp-σp，最大值为Pmax＝μp+σp。
步骤6具体为：定义运动处方的有效性为E，有效性范围的最小值为Emin，最大值为Emax，有效性E的范围是[Emin,Emax]，则具体计算方法为：
最终，运动处方的有效性范围得以求出为[Emin,Emax]。
本发明的有益效果是：
本发明是基于概率分布的思想，然后加入融合自编码器的K-means聚类算法，先对使用运动处方的用户进行聚类分析，然后按着不同类型的用户去计算同类别中运动处方的有效性，使之计算出的有效性范围值更具有针对性。最终得出的运动处方有效性范围值能够通过量化后的具体数值来表示，能够更加直观的去判断一个运动处方的有效性。
附图说明
图1是本发明基于概率分布的运动处方有效性范围计算方法的流程图；
图2是本发明基于概率分布的运动处方有效性范围计算方法中自编码器的K-means聚类模型流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于概率分布的运动处方有效性范围计算方法，如图1所示，具体按照如下步骤实施：
步骤1，整理用户数据库中的数据，提取用户属性；具体为：
步骤1.1，根据用户数据库中的数据整理用户属性，用户属性主要包括姓名、性别、年龄、身高、体重、身体各个组成成分比重、所使用运动处方名称、处方强度、处方频率、处方时长、处方满意度，其中身体各个组成成分包括肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水；
步骤1.2，对整理出来的用户数据存入数据表中，对每个属性都进行归一化处理，其中，姓名用整数类型的id值表示；姓别用0和1表示，0表示男，1表示女；年龄用整数表示；身高用整数表示；体重用浮点数表示；肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水用浮点数表示；运动处方名称用整数类型的id表示；处方强度用浮点数表示；处方频率用浮点数表示；处方时长用浮点数表示；处方满意度用浮点数表示；然后使用函数对每一个属性值进行归一化处理，其中x′是归一化之后在[0,1]范围之内的值，x为需要被归一化的值，min是数据表中同一列中的最小值，max为数据表中同一列中的最大值。
步骤2，根据步骤1中整理出来的用户数据，使用融合自编码器的K-means算法对用户进行聚类；具体为：
步骤2.1，定义用户属性矩阵U∈Rm×n，其中，m表示用户的数量，n表示用户的属性个数；
步骤2.2，将用户属性矩阵输入到自编码器的编码器中，自编码器是一种神经网络分为编码器和解码器两个部分，得到降维后的用户特征矩阵Y，Y＝φ2(K2·W3+Z3)，其中，其中，Kt是自编码器第t个全连接层的输出，Wt是自编码器第t个全连接层的权重向量，Zt是自编码器第t个全连接层的偏置向量，其中，φ(·)是激活函数，φ1(x)＝Relu(x)＝max(0,x)，/>
步骤2.3，使用步骤2.2得到的降维后的用户特征矩阵Y输入到解码器进行重构用户的特征矩阵U′∈Rm×n，重构的用户特征矩阵U′具体为：U′＝φ2(K5·W6+Z6)，其中，K5＝φ1(K4·W5+Z5)，K4＝φ1(Y·W4+Z4)，其中，Kt是自编码器第t个全连接层的输出，Wt是自编码器第t个全连接层的权重向量，Zt是自编码器第t个全连接层的偏置向量；
步骤2.4，过损失函数计算重构误差，损失函数为：
其中Y为降维后的用户特征矩阵，U′为重构的用户特征矩阵，i表示第i行，j表示第j列；
当重构误差不超过0.5则得出降维后的用户特征矩阵Y，进入下一步，如果误差大于0.5则返回步骤2.2和步骤2.3中进行神经网络学习，然后再次计算重构误差，直到重构误差不超过0.5的要求进行下一步；
步骤2.5，将步骤2.4得出的降维后的用户特征矩阵Y∈Rm×n输入K-means模型中进行聚类，如图2所示，聚类的类别值为K，通过计算各用户距离质心点的距离来进行聚类各用户结点到其所属类的质心聚类公式如下：
其中，质心点是K-means算法本身随机选择K个用户作为质心点，L2为用户i到质心c的距离，ki(j)表示用户i的第j个属性，Cc(j)表示质心c的第j个属性；
步骤3，选择某一个运动处方，根据步骤2中对用户的聚类结果，将所选择的运动处方进行归类；具体为：
步骤3.1，根据运动处方名称去已经分类的用户数据中进行查找，并记录下每个类中使用此处方的用户个数；
步骤3.2，根据使用处方的用户个数对K个别进行排序，使用此处方名称的用户数最多的类则为此处方名称的所处类，如果出现两个类相等的状况，则说明此处方同时适用于两个类，则把两个类的用户数据归为一起，然后再进行下一步；
步骤4，根据步骤3在对处方进行分类之后，整理出此类别中所有使用过此处方的用户数据；具体为：
根据步骤3把每个处方名称进行归类之后，然后整理出每个处方名称对应的类中的所有使用此处方名称的用户，从这些用户数据中提取整理出有关此处方名称相对应的属性值，主要包含的对应属性值有：处方强度Q、处方时长T、处方频率P、处方强度满意度Gq、处方时长满意度Gt、处方频率满意度Gp；
步骤5，利用概率分布计算运动处方中强度、时长、频率以及对处方的满意度评分的分布区间；具体为：
步骤5.1，分别计算每一个处方名称所对应属性的期望值μ和标准差σ；
步骤5.2，设定处方强度Q的取值范围为其中期望值μp和标准差σp分别为步骤5.1计算的每一个处方名称所对应属性对应的期望值μ和标准差σ，然后把此范围内的所有用户的满意度值提取出来，然后利用Pandas数据分析包的mean()函数计算其平均值G1，同理得到处方时长T对应的满意度G2，处方频率P对应的满意度G3；
步骤5.3，定义处方强度Q的范围的最小值为Qmin＝μq-σq，最大值为Qmax＝μq+σq；处方时长T的范围的最小值为Tmin＝μt-σt，最大值为Tmax＝μt+σt；处方频率P的范围的最小值为Pmin＝μp-σp，最大值为Pmax＝μp+σp；
步骤6，计算运动处方的有效范围，具体为：定义运动处方的有效性为E，有效性范围的最小值为Emin，最大值为Emax，有效性E的范围是[Emin,Emax]，则具体计算方法为：
最终，运动处方的有效性范围得以求出为[Emin,Emax]。
本发明通过使用融合自编码器的K-means聚类方法，首先将用户进行聚类，融入自编码器将用户的高维特征向量进行降维，解决了K-means算法在高维数据的情况下数据点的距离倾向于彼此接近导致数据点之间关系被弱化从而使得聚类效果变差的问题。然后根据聚类的结果进行计算运动处方的有效性范围，聚类之后使得处方有效性的计算更加有针对性。使用概率分布的方法计算处方的主要属性值的概率计算，使得范围更加缩小并且适用大多数用户，最终使用三个参数来计算处方的有效性范围，使得处方的有效性衡量变得更加具体化，统一化，而不再是同时使用多个参数去衡量此处方是否有效以及同时确定多个参数的范围值。

Claims (3)

1.基于概率分布的运动处方有效性范围计算方法，其特征在于，具体按照如下步骤实施：
步骤1，整理用户数据库中的数据，提取用户属性；
步骤2，根据步骤1中整理出来的用户数据，使用融合自编码器的K-means算法对用户进行聚类；具体为：
步骤2.1，定义用户属性矩阵U∈Rm×n，其中，m表示用户的数量，n表示用户的属性个数；
步骤2.2，将用户属性矩阵输入到自编码器的编码器中，得到降维后的用户特征矩阵Y，其中，其中，Kt是自编码器第t个全连接层的输出，Wt是自编码器第t个全连接层的权重向量，Zt是自编码器第t个全连接层的偏置向量，其中，φ(·)是激活函数，φ1(x)＝Relu(x)＝max(0,x)，/>
步骤2.3，使用步骤2.2得到的降维后的用户特征矩阵Y输入到解码器进行重构用户的特征矩阵U′∈Rm×n，重构的用户特征矩阵U′具体为：U′＝φ2(K5·W6+Z6)，其中，K5＝φ1(K4·W5+Z5)，K4＝φ1(Y·W4+Z4)，其中，Kt是自编码器第t个全连接层的输出，Wt是自编码器第t个全连接层的权重向量，Zt是自编码器第t个全连接层的偏置向量；
步骤2.4，过损失函数计算重构误差，损失函数为：
其中Y为降维后的用户特征矩阵，U′为重构的用户特征矩阵，i表示第i行，j表示第j列；
当重构误差不超过0.5则得出降维后的用户特征矩阵Y，进入下一步，如果误差大于0.5则返回步骤2.2和步骤2.3中进行神经网络学习，然后再次计算重构误差，直到重构误差不超过0.5的要求进行下一步；
步骤2.5，将步骤2.4得出的降维后的用户特征矩阵Y∈Rm×n输入K-means模型中进行聚类，聚类的类别值为K，通过计算各用户距离质心点的距离来进行聚类各用户结点到其所属类的质心聚类公式如下：
其中，质心点是K-means算法本身随机选择K个用户作为质心点，L2为用户i到质心c的距离，ki(j)表示用户i的第j个属性，Cc(j)表示质心c的第j个属性；
步骤3，选择某一个运动处方，根据步骤2中对用户的聚类结果，将所选择的运动处方进行归类；具体为：
步骤3.1，根据运动处方名称去已经分类的用户数据中进行查找，并记录下每个类中使用此处方的用户个数；
步骤3.2，根据使用处方的用户个数对K个别进行排序，使用此处方名称的用户数最多的类则为此处方名称的所处类，如果出现两个类相等的状况，则说明此处方同时适用于两个类，则把两个类的用户数据归为一起，然后再进行下一步；
步骤4，根据步骤3在对处方进行分类之后，整理出此类别中所有使用过此处方的用户数据；具体为：
根据步骤3把每个处方名称进行归类之后，然后整理出每个处方名称对应的类中的所有使用此处方名称的用户，从这些用户数据中提取整理出有关此处方名称相对应的属性值，主要包含的对应属性值有：处方强度Q、处方时长T、处方频率P、处方强度满意度Gq、处方时长满意度Gt、处方频率满意度Gp；
步骤5，利用概率分布计算运动处方中强度、时长、频率以及对处方的满意度评分的分布区间；具体为：
步骤5.1，分别计算每一个处方名称所对应属性的期望值μ和标准差σ；
步骤5.2，设定处方强度Q的取值范围为其中期望值μp和标准差σp分别为步骤5.1计算的每一个处方名称所对应属性对应的期望值μ和标准差σ，然后把此范围内的所有用户的满意度值提取出来，然后利用Pandas数据分析包的mean()函数计算其平均值G1，同理得到处方时长T对应的满意度G2，处方频率P对应的满意度G3；
步骤5.3，定义处方强度Q的范围的最小值为Qmin＝μq-σq，最大值为Qmax＝μq+σq；处方时长T的范围的最小值为Tmin＝μt-σt，最大值为Tmax＝μt+σt；处方频率P的范围的最小值为Pmin＝μp-σp，最大值为Pmax＝μp+σp；
步骤6，计算运动处方的有效范围；具体为：定义运动处方的有效性为E，有效性范围的最小值为Emin，最大值为Emax，有效性E的范围是[Emin,Emax]，则具体计算方法为：
最终，运动处方的有效性范围得以求出为[Emin,Emax]。
2.根据权利要求1所述的基于概率分布的运动处方有效性范围计算方法，其特征在于，所述步骤1具体为：
步骤1.1，根据用户数据库中的数据整理用户属性，用户属性主要包括姓名、性别、年龄、身高、体重、身体各个组成成分比重、所使用运动处方名称、处方强度、处方频率、处方时长、处方满意度；
步骤1.2，对整理出来的用户数据存入数据表中，对每个属性都进行归一化处理，其中，姓名用整数类型的id值表示；姓别用0和1表示，0表示男，1表示女；年龄用整数表示；身高用整数表示；体重用浮点数表示；肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水用浮点数表示；运动处方名称用整数类型的id表示；处方强度用浮点数表示；处方频率用浮点数表示；处方时长用浮点数表示；处方满意度用浮点数表示；然后使用函数对每一个属性值进行归一化处理，其中x′是归一化之后在[0,1]范围之内的值，x为需要被归一化的值，min是数据表中同一列中的最小值，max为数据表中同一列中的最大值。
3.根据权利要求2所述的基于概率分布的运动处方有效性范围计算方法，其特征在于，所述步骤1.1中身体各个组成成分包括肌肉重、骨矿盐含量、瘦体重、脂肪重、脂肪百分比、总水。
CN202110343541.4A 2021-03-30 2021-03-30 基于概率分布的运动处方有效性范围计算方法 Active CN113128572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110343541.4A CN113128572B (zh) 2021-03-30 2021-03-30 基于概率分布的运动处方有效性范围计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110343541.4A CN113128572B (zh) 2021-03-30 2021-03-30 基于概率分布的运动处方有效性范围计算方法

Publications (2)

Publication Number Publication Date
CN113128572A CN113128572A (zh) 2021-07-16
CN113128572B true CN113128572B (zh) 2024-03-19

Family

ID=76775043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110343541.4A Active CN113128572B (zh) 2021-03-30 2021-03-30 基于概率分布的运动处方有效性范围计算方法

Country Status (1)

Country Link
CN (1) CN113128572B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3188111A1 (en) * 2015-12-28 2017-07-05 Deutsche Telekom AG A method for extracting latent context patterns from sensors
CN107679558A (zh) * 2017-09-19 2018-02-09 电子科技大学 一种基于度量学习的用户轨迹相似性度量方法
CN109829018A (zh) * 2019-01-28 2019-05-31 华南理工大学 一种基于深度学习的移动客户超细分方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874412B2 (en) * 2008-11-07 2014-10-28 The Board Of Trustees Of The Leland Stanford Junior University Method for discovering relationships in data by dynamic quantum clustering

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3188111A1 (en) * 2015-12-28 2017-07-05 Deutsche Telekom AG A method for extracting latent context patterns from sensors
CN107679558A (zh) * 2017-09-19 2018-02-09 电子科技大学 一种基于度量学习的用户轨迹相似性度量方法
CN109829018A (zh) * 2019-01-28 2019-05-31 华南理工大学 一种基于深度学习的移动客户超细分方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李文 ; 曾祥健 ; 李梦 ; 喻鹏 ; .基于对称KL距离的用户行为时序聚类方法.电子与信息学报.2018,(第10期),全文. *
赵俊杰 ; 王平 ; .一种面向于混合属性数据的聚类改进算法及其在客户细分中的应用.南昌大学学报(工科版).2017,(03),全文. *

Also Published As

Publication number Publication date
CN113128572A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN110443798B (zh) 一种基于磁共振图像的自闭症检测方法、装置及系统
US7362892B2 (en) Self-optimizing classifier
CN111000553B (zh) 一种基于投票集成学习的心电数据智能分类方法
CN108847279B (zh) 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统
CN112749281B (zh) 一种融合服务协作关系的Restful类型Web服务聚类方法
CN110826618A (zh) 一种基于随机森林的个人信用风险评估方法
CN104881852B (zh) 基于免疫克隆和模糊核聚类的图像分割方法
CN101339619B (zh) 用于模式分类的动态特征选择方法
CN115048988A (zh) 基于高斯混合模型的不平衡数据集分类融合方法
CN110334777A (zh) 一种加权多视角无监督属性选择方法
CN113239199B (zh) 一种基于多方数据集的信用分类方法
CN106503146A (zh) 计算机文本的特征选择方法、分类特征选择方法及系统
CN113128572B (zh) 基于概率分布的运动处方有效性范围计算方法
CN111709441B (zh) 基于改进特征子集区分度的行为识别特征选择方法
CN109344331A (zh) 一种基于在线社会网络的用户情感分析方法
CN111709460A (zh) 基于相关系数的互信息特征选择方法
CN110287992A (zh) 基于大数据的农业特征信息提取方法
CN111221915A (zh) 基于CWK-means的在线学习资源质量分析方法
CN115098699A (zh) 一种基于知识图谱嵌入模型的链路预测方法
CN112463894B (zh) 一种基于条件互信息和交互信息的多标签特征选择方法
CN109241448B (zh) 一种针对科技情报的个性化推荐方法
CN111127184B (zh) 一种分布式组合信用评估方法
CN114999628A (zh) 一种利用机器学习寻找退行性膝骨关节炎显著性特征方法
CN113849654A (zh) 一种基于对比学习聚类的文本清洗方法及系统
CN108733824B (zh) 考虑专家知识的交互式主题建模方法及装置

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