CN113782217A - 人体健康状况分级方法及装置 - Google Patents
人体健康状况分级方法及装置 Download PDFInfo
- Publication number
- CN113782217A CN113782217A CN202111086934.8A CN202111086934A CN113782217A CN 113782217 A CN113782217 A CN 113782217A CN 202111086934 A CN202111086934 A CN 202111086934A CN 113782217 A CN113782217 A CN 113782217A
- Authority
- CN
- China
- Prior art keywords
- clustering
- cluster
- body mass
- mass index
- grading
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 abstract description 15
- 230000003862 health status Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 4
- 208000008589 Obesity Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000020824 obesity Nutrition 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010033307 Overweight Diseases 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 208000001022 morbid obesity Diseases 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种人体健康状况分级方法及装置,可用于金融领域或其他领域,所述人体健康状况分级方法,包括:获取目标人群的年龄数据和身体质量指数;根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类;根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。本申请能够提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种人体健康状况分级方法及装置。
背景技术
身体质量指数(Body Mass Index,简称BMI),是与体内脂肪总量密切相关的指标,主要反映全身性超重和肥胖。BMI指数等于体重(KG)除以身高(M)的平方,即BMI=公斤/㎡。
目前,通常认为,若身体质量指数<18.5,则人体健康状况为:偏瘦;若身体质量指数处于18.5至23.9,则人体健康状况为:正常;若身体质量指数≥24,则人体健康状况为:超重;若身体质量指数处于24至26.9,则人体健康状况为:偏胖;若身体质量指数27至29.9,则人体健康状况为:肥胖;若身体质量指数≥30,则人体健康状况为:重度肥胖;若身体质量指数≥40,则人体健康状况为:极重度肥胖。
但在实际中,不同的人群的身体质量指标相同,身体健康状况不一定相同,仅通过身体质量指数,难以全面且准确地评价人体的健康状况。
发明内容
针对现有技术中的问题,本申请提出了一种人体健康状况分级方法及装置,能够提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康。
为了解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种人体健康状况分级方法,包括:
获取目标人群的年龄数据和身体质量指数;
根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类;
根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
进一步地,所述聚类模型为基于MeanShift算法预先训练得到的。
进一步地,在所述根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类之后,还包括:
若聚类结果中的簇个数大于簇个数阈值,则获取每个簇的聚类中心点、年龄均值和身体质量指数均值;
输出显示每个簇的聚类中心点、年龄均值和身体质量指数均值。
进一步地,在所述根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类之后,还包括:
将所述聚类结果以聚类图谱的形式输出显示;
其中,所述聚类图谱中的点表示目标人群中的人员,两点之间的连接线表示人员到其所在的簇的聚类中心之间的距离。
第二方面,本申请提供一种人体健康状况分级装置,包括:
获取模块,用于获取目标人群的年龄数据和身体质量指数;
聚类模块,用于根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类;
分级模块,用于根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
进一步地,所述聚类模型为基于MeanShift算法预先训练得到的。
进一步地,所述的人体健康状况分级装置,还包括:
判断模块,用于若聚类结果中的簇个数大于簇个数阈值,则获取每个簇的聚类中心点、年龄均值和身体质量指数均值;
输出模块,用于输出显示每个簇的聚类中心点、年龄均值和身体质量指数均值。
进一步地,所述的人体健康状况分级装置,还包括:
图谱输出模块,用于将所述聚类结果以聚类图谱的形式输出显示;
其中,所述聚类图谱中的点表示目标人群中的人员,两点之间的连接线表示人员到其所在的簇的聚类中心之间的距离。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的人体健康状况分级方法。
第四方面,本申请一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现所述的人体健康状况分级方法。
由上述技术方案可知,本申请提供一种人体健康状况分级方法及装置。其中,该方法包括:获取目标人群的年龄数据和身体质量指数;根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类;根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级,能够提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康;具体地,通过对目标人群聚类,能够便于接下来更加精准且有效地为各类人群提供相应的运动指导方案;能够提高人体健康状况评价的智能化程度,节省人力成本,能够在保证人体健康状况评价的准确性的基础上,提高评价的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1是本申请实施例中的人体健康状况分级方法的流程示意图;
图2是本申请一种举例中的聚类图谱示意图;
图3是本申请另一实施例中的人体健康状况分级方法的流程示意图;
图4是本申请实施例中人体健康状况分级装置的结构示意图;
图5是本申请另一实施例中人体健康状况分级装置的结构示意图;
图6为本申请实施例的电子设备的系统构成示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做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。
目前,在评价人体健康状况时,通常是基于身体质量指数,评价体内脂肪总量;但在实际中,一般60岁以下的人群保持在BMI介于18.5~23.9,脂肪水平为正常范围;60岁后的人群BMI介于24~29.9之间,脂肪水平为正常范围。因此,仅通过身体质量指数评价人体健康状况,存在准确性较低的问题。
基于此,为了提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康,本申请实施例提供一种人体健康状况分级装置,该装置可以是一服务器或客户端设备,所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。
在实际应用中,进行人体健康状况分级的部分可以在如上述内容所述的服务器侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
需要说明的是,本申请公开的人体健康状况分级方法及装置可用于金融技术领域,也可用于除金融技术领域之外的任意领域,本申请公开的人体健康状况分级方法及装置的应用领域不做限定。
具体通过下述各个实施例进行说明。
为了提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康,本实施例提供一种执行主体是人体健康状况分级装置的人体健康状况分级方法,该人体健康状况分级装置包括但不限于服务器,如图1所示,该方法具体包含有如下内容:
步骤100:获取目标人群的年龄数据和身体质量指数。
具体地,可以获取目标人群中的每个人员各自的年龄数据和身体质量指数,BMI=公斤/㎡;目标人群可以根据实际需要进行设置,本申请对此不作限定,例如,某单位的在职员工、某地区住户和某省高校15至25周岁青少年等。
步骤200:根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类。
具体地,可以在对数据进行标准化处理后,应用聚类算法对年龄和BMI数据进行聚类分析,然后输出结果;本算法可以在python下独立运行。
步骤300:根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
具体地,可以通过聚类将目标人群划分为多组,每组对应一类人群;可以将所述聚类结果输出显示;接收用户在前端返回的各类人群各自对应的身体健康状况等级;可以根据每类人群各自对应的身体健康状况等级,评价该类人群的身体健康状况,例如,身体健康等级越高表明该类人群的健康状况越好,便于接下来更加精准且有效地为各类人群提供相应的运动指导方案。
为了进一步说明本方案,本申请提供一种人体健康状况分级方法的应用实例,具体包含有:
S1:从Excel中提取原始数据,如"D:\\python_test\\AP_TEST\\data.csv",进行数据加载,选择两个列'年龄'和'BMI'进行数据分析。
S2:定义一个函数来完成聚类分析(主程序)。
S3:定义两个参数:一个用于聚类算法,一个用于原始数据;采用MeanShift算法进行聚类分析,用平均值填充原始数据的缺失值,标准化原始数据,调用MeanShift算法,用MeanShift算法进行带宽计算,使用MeanShift算法训练数据,获取聚类簇的标签、聚类中心和簇编号,打印簇编号和轮廓系数,轮廓系数值越大,说明聚类的相对效果越好,得到的分类结果越合理,评估聚类的性能。
S4:输出聚类结果并优化可视化结果,用聚类图谱描述聚类结果,每个聚类簇对应一种颜色,用大圆圈表示该聚类簇的中心。
优化可视化结果,应用两层嵌套循环,第一层循环画出每个聚类簇的分布,第二层循环在第一层循环画出每个聚类簇分布的基础上,进一步画出每个聚类簇中所有的点到聚类中心的连接线。
具体地,第一个“for循环”,用于获取当前聚类标签,获取当前聚类的中心,绘制当前聚类的点,绘制当前聚类的中心点,第二个“for循环”用于可视化每个聚类的结果,绘制规则点和中心点之间的连接线。
S5:打印分析报告,在完成聚类的分析和结果的输出之后,计算并输出符合条件的结果的详细报表。打印每个群集的案例数、带标签的原始数据、原始数据的群集中心和每个聚类的平均值。
在一种举例中,获得聚类结果的代码片段如下所示:
#Call the main programme for application
dt=original_data[['AGE','BMI']]#Loading data
cluster_demo_(0.20,dt)#Run the programme
其中,本代码是API调用代码,首先将用于分析的“age”and“BMI”原始数据赋值给指定的“dt”变量,然后调用事先编译好的名为“cluster_demo_”的聚类程序,该程序是应用python函数编写的,其中有两个函数参数,一个是“qtl”,用于传递MeanShift聚类算法的核心参数“quantile”,该参数决定了聚类的颗粒度,另一个参数是“orgnl_data”,用于传输指定分析的原始数据,该参数为“cluster_demo_”编写的特定参数。例如,运行:cluster_demo_(0.20,dt),通过传递qtl=0.20和orgnl_data=dt,“cluster_demo”将自动运行对原始数据的聚类分析,并输出MeanShift算法基于quantile=0.20的聚类结果。
所述聚类结果可以如下所示:
簇个数:3(分3类);
轮廓系数(Silhouette scores):0.333(轮廓系数,表示聚类的精度,在0-1之间);0b(第一类的聚类中心点为):[0.39636291 0.05364562];1g(第二类的聚类中心点为):[-1.26511222 1.56014565];2r(第三类的聚类中心点为):[-0.549044492.8840063],如图2所示,可以得到聚类图谱,可以应用三种颜色代表3个类别,3个大圆圈代表三个聚类的中心点。
详细分析报告可以包含原始数据、聚类中心值、以及每个聚类中的年龄数据和身体质量指数的均值。
每个聚类里的案例数:({0:82,1:19,2:3})。
原始数据可以如表1所示:
表1
年龄 | BMI | Class(每个案例具体的分类) | |
0 | 45 | 24.203000 | 0 |
1 | 58 | 24.892167 | 0 |
2 | 65 | 23.233000 | 0 |
3 | 62 | 29.843000 | 0 |
4 | 42 | 27.217000 | 1 |
…… | …… | …… | …… |
99 | 65 | 30.471000 | 0 |
100 | 37 | 30.104000 | 1 |
101 | 58 | 21.094000 | 0 |
102 | 76 | 27.888000 | 0 |
103 | 63 | 30.488000 | 0 |
每个聚类中心点的年龄和BMI值可以如表2所示:
表2
聚类ID | 年龄 | BMI | Class |
0 | 45 | 24.203000 | 0 |
1 | 58 | 24.892167 | 1 |
2 | 65 | 23.233000 | 2 |
每个聚类的年龄和BMI的平均值可以如表3所示:
表3
Class | 年龄 | BMI |
0 | 59.768293 | 23.675098 |
1 | 35.631579 | 28.527491 |
2 | 44.666667 | 35.135000 |
为了进一步提高聚类模型的可靠性,进而应用可靠的聚类模型提高身体健康状况分级的准确性,所述聚类模型可以为基于MeanShift算法预先训练得到的。
具体地,MeanShift算法为SCIKIT-Learn的机器学习聚类算法中的一种,属于非监督算法,可以进行主动式的自我学习和训练。
为了更适应实际应用场合的应用合理性和实现可视化分类评价,参见图3,在本申请一个实施例中,在步骤200之后,还包括:
步骤400:若聚类结果中的簇个数大于簇个数阈值,则获取每个簇的聚类中心点、年龄均值和身体质量指数均值。
具体地,所述聚类中心点可以相当于本聚类内的标准值。
步骤500:输出显示每个簇的聚类中心点、年龄均值和身体质量指数均值。
举例来说,若簇个数大于等于3,可以输出聚类分析报告,该聚类分析报告可以包含有:原始数据、聚类中心值、以及每个簇中的年龄数据和身体质量指数的均值。
为了提高聚类结果的可视化程度,对聚类结果进行可视化展现,在本申请一个实施例中,在步骤200之后,还包括:
步骤600:将所述聚类结果以聚类图谱的形式输出显示;其中,所述聚类图谱中的点表示目标人群中的人员,两点之间的连接线表示人员到其所在的簇的聚类中心之间的距离。
具体地,可以通过应用所述聚类图谱度量本聚类内的每个个案与标准值的差异有多大,从而给每个个案一个精准评价。
从软件层面来说,为了提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康,本申请提供一种用于实现所述人体健康状况分级方法中全部或部分内容的人体健康状况分级装置的实施例,参见图4,所述人体健康状况分级装置具体包含有如下内容:
获取模块01,用于获取目标人群的年龄数据和身体质量指数。
聚类模块02,用于根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类。
分级模块03,用于根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
具体地,所述聚类模型可以为基于MeanShift算法预先训练得到的。
参见图5,在本申请一个实施例中,所述的人体健康状况分级装置,还包括:
判断模块04,用于若聚类结果中的簇个数大于簇个数阈值,则获取每个簇的聚类中心点、年龄均值和身体质量指数均值。
输出模块05,用于输出显示每个簇的聚类中心点、年龄均值和身体质量指数均值。
在本申请一个实施例中,所述的人体健康状况分级装置,还包括:
图谱输出模块,用于将所述聚类结果以聚类图谱的形式输出显示。
其中,所述聚类图谱中的点表示目标人群中的人员,两点之间的连接线表示人员到其所在的簇的聚类中心之间的距离。
本说明书提供的人体健康状况分级装置的实施例具体可以用于执行上述人体健康状况分级方法的实施例的处理流程,其功能在此不再赘述,可以参照上述人体健康状况分级方法实施例的详细描述。
由上述描述可知,本申请提供的人体健康状况分级方法及装置,能够提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康;具体地,能够提高人体健康状况评价的智能化程度,节省人力成本,能够在保证人体健康状况评价的准确性的基础上,提高评价的效率。
从硬件层面来说,为了提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康,本申请提供一种用于实现所述人体健康状况分级方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述人体健康状况分级装置以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述人体健康状况分级方法的实施例及用于实现所述人体健康状况分级装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图6为本申请实施例的电子设备9600的系统构成的示意框图。如图6所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图6是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在本申请一个或多个实施例中,人体健康状况分级功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤100:获取目标人群的年龄数据和身体质量指数。
步骤200:根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类。
步骤300:根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
从上述描述可知,本申请的实施例提供的电子设备,能够提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康。
在另一个实施方式中,人体健康状况分级装置可以与中央处理器9100分开配置,例如可以将人体健康状况分级装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现人体健康状况分级功能。
如图6所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图6中所示的所有部件;此外,电子设备9600还可以包括图6中没有示出的部件,可以参考现有技术。
如图6所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
上述描述可知,本申请的实施例提供的电子设备,能够提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康。
本申请的实施例还提供能够实现上述实施例中的人体健康状况分级方法中全部步骤的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计算机程序,该计算机程序被处理器执行时实现上述实施例中的人体健康状况分级方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标人群的年龄数据和身体质量指数。
步骤200:根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类。
步骤300:根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够提高人体健康状况评价的准确性,以便及时干预和指导,保证人员的健康。
本申请中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种人体健康状况分级方法,其特征在于,包括:
获取目标人群的年龄数据和身体质量指数;
根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类;
根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
2.根据权利要求1所述的人体健康状况分级方法,其特征在于,所述聚类模型为基于MeanShift算法预先训练得到的。
3.根据权利要求1所述的人体健康状况分级方法,其特征在于,在所述根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类之后,还包括:
若聚类结果中的簇个数大于簇个数阈值,则获取每个簇的聚类中心点、年龄均值和身体质量指数均值;
输出显示每个簇的聚类中心点、年龄均值和身体质量指数均值。
4.根据权利要求1所述的人体健康状况分级方法,其特征在于,在所述根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类之后,还包括:
将所述聚类结果以聚类图谱的形式输出显示;
其中,所述聚类图谱中的点表示目标人群中的人员,两点之间的连接线表示人员到其所在的簇的聚类中心之间的距离。
5.一种人体健康状况分级装置,其特征在于,包括:
获取模块,用于获取目标人群的年龄数据和身体质量指数;
聚类模块,用于根据所述年龄数据、身体质量指数和预设的聚类模型,对所述目标人群进行聚类;
分级模块,用于根据所述目标人群的聚类结果,确定各类人群各自对应的身体健康状况等级。
6.根据权利要求5所述的人体健康状况分级装置,其特征在于,所述聚类模型为基于MeanShift算法预先训练得到的。
7.根据权利要求5所述的人体健康状况分级装置,其特征在于,还包括:
判断模块,用于若聚类结果中的簇个数大于簇个数阈值,则获取每个簇的聚类中心点、年龄均值和身体质量指数均值;
输出模块,用于输出显示每个簇的聚类中心点、年龄均值和身体质量指数均值。
8.根据权利要求5所述的人体健康状况分级装置,其特征在于,还包括:
图谱输出模块,用于将所述聚类结果以聚类图谱的形式输出显示;
其中,所述聚类图谱中的点表示目标人群中的人员,两点之间的连接线表示人员到其所在的簇的聚类中心之间的距离。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的人体健康状况分级方法。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1至4任一项所述的人体健康状况分级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111086934.8A CN113782217A (zh) | 2021-09-16 | 2021-09-16 | 人体健康状况分级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111086934.8A CN113782217A (zh) | 2021-09-16 | 2021-09-16 | 人体健康状况分级方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113782217A true CN113782217A (zh) | 2021-12-10 |
Family
ID=78851386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111086934.8A Pending CN113782217A (zh) | 2021-09-16 | 2021-09-16 | 人体健康状况分级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113782217A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386878A (zh) * | 2023-06-01 | 2023-07-04 | 南京中卫信软件科技股份有限公司 | 用于职业健康智能管理平台的处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107658023A (zh) * | 2017-09-25 | 2018-02-02 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质和电子设备 |
CN109192314A (zh) * | 2018-08-27 | 2019-01-11 | 山东大学 | 一种基于多示例学习的颈椎健康评分装置及其应用 |
CN111767469A (zh) * | 2020-06-17 | 2020-10-13 | 中国建设银行股份有限公司 | 一种养老服务推荐方法和装置 |
-
2021
- 2021-09-16 CN CN202111086934.8A patent/CN113782217A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107658023A (zh) * | 2017-09-25 | 2018-02-02 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质和电子设备 |
CN109192314A (zh) * | 2018-08-27 | 2019-01-11 | 山东大学 | 一种基于多示例学习的颈椎健康评分装置及其应用 |
CN111767469A (zh) * | 2020-06-17 | 2020-10-13 | 中国建设银行股份有限公司 | 一种养老服务推荐方法和装置 |
Non-Patent Citations (1)
Title |
---|
梅子行等: "《智能风控 Python金融风险管理与评分卡建模》", 机械工业出版社, pages: 111 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386878A (zh) * | 2023-06-01 | 2023-07-04 | 南京中卫信软件科技股份有限公司 | 用于职业健康智能管理平台的处理方法及系统 |
CN116386878B (zh) * | 2023-06-01 | 2023-08-08 | 南京中卫信软件科技股份有限公司 | 用于职业健康智能管理平台的处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861569A (zh) | 产品信息推荐方法及装置 | |
CN108681970A (zh) | 基于大数据的理财产品推送方法、系统及计算机存储介质 | |
WO2021164317A1 (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
CN112785086A (zh) | 信贷逾期风险预测方法及装置 | |
CN110097451B (zh) | 一种银行业务的监控方法及装置 | |
CN111967971B (zh) | 银行客户数据处理方法及装置 | |
CN112346936A (zh) | 应用故障根因定位方法及系统 | |
CN111932267A (zh) | 企业金融服务风险预测方法及装置 | |
CN112232947A (zh) | 贷中风险预测方法及装置 | |
CN112767167A (zh) | 一种基于集成学习的投资交易风险趋势预测方法及装置 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN115907143A (zh) | 车辆动态响应的预测方法及装置 | |
CN112035325A (zh) | 文本机器人自动监控方法及装置 | |
CN113782217A (zh) | 人体健康状况分级方法及装置 | |
CN109993562B (zh) | 一种满意度仿真方法、装置及终端设备 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN110399409B (zh) | 交易异常监测方法及装置 | |
EP4149111A1 (en) | Method for determining video coding test sequence, related apparatus and computer program product | |
CN111598597A (zh) | 用于发送信息的方法和装置 | |
CN111984842B (zh) | 银行客户数据处理方法及装置 | |
CN115423031A (zh) | 一种模型训练的方法以及相关装置 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN114971240A (zh) | 一种阅读行为风险评估处理方法及装置 | |
CN114840421A (zh) | 日志数据处理方法及装置 | |
CN114339252A (zh) | 一种数据压缩方法及装置 |
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 |