CN114446427B - 电子设备及健康数据归属识别方法 - Google Patents
电子设备及健康数据归属识别方法 Download PDFInfo
- Publication number
- CN114446427B CN114446427B CN202111620906.XA CN202111620906A CN114446427B CN 114446427 B CN114446427 B CN 114446427B CN 202111620906 A CN202111620906 A CN 202111620906A CN 114446427 B CN114446427 B CN 114446427B
- Authority
- CN
- China
- Prior art keywords
- health data
- target
- value
- weight
- fusion
- 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
- 230000036541 health Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 137
- 230000004927 fusion Effects 0.000 claims description 107
- 230000008569 process Effects 0.000 claims description 15
- 238000013523 data management Methods 0.000 claims description 3
- 230000037396 body weight Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明是关于一种电子设备及健康数据归属识别方法，涉及家庭健康管理技术领域，本发明包括：根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；若多个所述预测区间均包括目标健康数据，则按照预设的步长，向下调整置信度，并根据调整后的置信度和多个历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括目标健康数据；若每个家庭成员的预测区间均不包括目标健康数据，则按照预设的步长，向上调整置信度；确定目标健康数据属于目标预测区间对应的家庭成员。由于本发明能够自动确定出目标健康数据属于哪个预测区间对应的家庭成员，简化了用户操作。
Description
技术领域
本发明涉及家庭健康管理技术领域，尤其涉及一种电子设备及健康数据归属识别方法。
背景技术
随着智能健康家居产品的普及，越来越多的家庭采购相应产品用于监测家庭成员的身体健康。但随之而来的一系列问题也在慢慢显现。最常见也是最影响用户体验的问题就是，由于智能健康家居产品往往是一机多用，家庭成员之间共享设备，例如，家庭A中用户甲用智能血压计测量了血压数据，此时若用户甲不在控制页面选择该测量数据属于甲，系统很难判断该数据属于甲还是其他用户。目前需要用户自己区分测量的健康数据归属的家庭成员，导致用户操作比较繁琐。
发明内容
本发明提供一种电子设备及健康数据归属识别方法，能够通过家庭成员的历史健康数据进行预测区间，确定健康数据归属哪个预测区间，从而无需用户自己进行区分，简化了用户操作。
第一方面，本发明实施例提供的一种用于进行家庭健康数据管理的电子设备，包括：接收单元和处理器；
所述接收单元，用于接收待识别的目标健康数据；
所述处理器，用于根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；其中，所述目标数据类型为待识别的目标健康数据的数据类型；所述置信度为每个家庭成员的多个历史健康数据在对应的预测区间内的概率；
若多个所述预测区间均包括所述目标健康数据，则按照预设的步长，向下调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
若每个家庭成员的预测区间均不包括所述目标健康数据，则按照预设的步长，向上调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
确定所述目标健康数据属于所述目标预测区间对应的家庭成员。
上述电子设备，能够通过预设的置信度和家庭成员的历史健康数据，确定多个预测区间，找到仅有一个目标预测区间包括目标健康数据，这样确定目标健康数据属于目标预测区间对应的家庭成员，从而能够无需人工辅助，自动确定健康数据归属哪个预测区间，简化了用户操作。
在一种可能的实现方式中，所述处理器，具体用于：
将预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定多个预测区间；
其中，所述回归模型的训练过程，包括：
将样本集作为输入，将样本集对应的预测区间作为所述回归模型的输出，对所述回归模型进行多次训练；
其中，针对任意一个训练周期，将所述任意一个训练周期后的梯度值和所述任意一个训练周期后的所述回归模型的参数发送给服务器；
接收所述服务器发送的融合梯度值和融合参数，其中，所述融合梯度值为所述服务器根据接收到的多个电子设备的梯度值进行融合后得到的；所述融合参数为所述服务器根据融合后的梯度值和接收到的多个电子设备发送的参数进行融合得到的；
根据所述融合梯度值更新所述任意一个训练周期后的梯度值；并根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数。
上述电子设备，能够通过回归模型确定多个预测区间，并在训练过程中，将梯度值和回归模型的参数发送给服务器，服务器综合多个电子设备的梯度值和参数，再反馈给电子设备，从而使得电子设备能够综合其他电子设备的梯度值和参数，提高了回归模型的鲁棒性。
在一种可能的实现方式中，所述处理器，具体用于：
根据利用第一权值加权所述融合梯度值得到的值，利用第二权值加权所述任意一个训练周期后的梯度值得到的值，更新所述任意一个训练周期后的梯度值；
其中，若所述任意一个训练周期后的梯度值的绝对值不小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述融合梯度值之间的比值，作为所述第二权值，将第一阈值和所述第二权值之间的差值作为所述第一权值；
若所述任意一个训练周期后的梯度值的绝对值小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述任意一个训练周期后的梯度值之间的比值，作为所述第二权值，将第二阈值和所述第二权值之间的差值作为所述第一权值。
上述电子设备，能够通过对融合梯度值和任意一个训练周期后的梯度值加权更新任意一个训练周期后的梯度值，从而综合其他设备的梯度值，从而提高了训练的回归模型的鲁棒性。
在一种可能的实现方式中，所述处理器，具体用于：
根据利用第三权重加权目标差值后得到的值，以及利用第四权重加权所述融合参数后得到的值，得到下一个训练周期所述回归模型的初始的参数；其中，第三阈值和所述第三权重之间的差值作为所述第四权重；
所述目标差值为所述任意一个训练周期后的所述回归模型的参数，与利用第五权重加权更新后的梯度值之间的差值。
上述电子设备，能够通过任意一个训练周期后的回归模型的参数、更新后的梯度值，融合参数确定下一个训练周期所述回归模型的初始的参数，这样该参数能够融合其他设备的参数，即综合了其他设备的训练结果，从而提高了训练的回归模型的鲁棒性。
在一种可能的实现方式中，所述处理器，还用于：
确定调整所述置信度的次数不超过预设次数；
若调整所述置信度的次数超过预设次数，则根据所述目标健康数据和所述家庭中的每个家庭成员的信息，生成选择页面；
确定所述目标健康数据属于用户在所述选择页面中选择的家庭成员。
上述电子设备，能够需要确定调整置信度的次数，并在置信度调整次数超过预设次数后，由用户选择目标健康数据的归属，避免无止境调整置信度，提高了处理速度。
第二方面，本发明实施例提供的一种健康数据归属识别方法，应用于用于进行家庭健康数据管理的电子设备，包括：
根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；其中，所述目标数据类型为待识别的目标健康数据的数据类型；所述置信度为每个家庭成员的多个历史健康数据在对应的预测区间内的概率；
若多个所述预测区间均包括所述目标健康数据，则按照预设的步长，向下调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
若每个家庭成员的预测区间均不包括所述目标健康数据，则按照预设的步长，向上调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
确定所述目标健康数据属于所述目标预测区间对应的家庭成员。
在一种可能的实现方式中，根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间，包括：
将预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定多个预测区间；
其中，所述回归模型的训练过程，包括：
将样本集作为输入，将样本集对应的预测区间作为所述回归模型的输出，对所述回归模型进行多次训练；
其中，针对任意一个训练周期，将所述任意一个训练周期后的梯度值和所述任意一个训练周期后的所述回归模型的参数发送给服务器；
接收所述服务器发送的融合梯度值和融合参数，其中，所述融合梯度值为所述服务器根据接收到的多个电子设备的梯度值进行融合后得到的；所述融合参数为所述服务器根据融合后的梯度值和接收到的多个电子设备发送的参数进行融合得到的；
根据所述融合梯度值更新所述任意一个训练周期后的梯度值；并根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数。
在一种可能的实现方式中，根据所述融合梯度值更新所述任意一个训练周期后的梯度值，包括：
根据利用第一权值加权所述融合梯度值得到的值，利用第二权值加权所述任意一个训练周期后的梯度值得到的值，更新所述任意一个训练周期后的梯度值；
其中，若所述任意一个训练周期后的梯度值的绝对值不小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述融合梯度值之间的比值，作为所述第二权值，将第一阈值和所述第二权值之间的差值作为所述第一权值；
若所述任意一个训练周期后的梯度值的绝对值小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述任意一个训练周期后的梯度值之间的比值，作为所述第二权值，将第二阈值和所述第二权值之间的差值作为所述第一权值。
在一种可能的实现方式中，根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数，包括：
根据利用第三权重加权目标差值后得到的值，以及利用第四权重加权所述融合参数后得到的值，得到下一个训练周期所述回归模型的初始的参数；其中，第三阈值和所述第三权重之间的差值作为所述第四权重；
所述目标差值为所述任意一个训练周期后的所述回归模型的参数，与利用第五权重加权更新后的梯度值之间的差值。
在一种可能的实现方式中，调整所述置信度之前，所述方法还包括：
确定调整所述置信度的次数不超过预设次数；
若调整所述置信度的次数超过预设次数，则根据所述目标健康数据和所述家庭中的每个家庭成员的信息，生成选择页面；
确定所述目标健康数据属于用户在所述选择页面中选择的家庭成员。
第三方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第二方面所述的健康数据归属识别方法的步骤。
另外，第二方面至第三方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理，并不构成对本发明的不当限定。
图1是本发明实施例提供的一种健康数据归属识别的系统的示意图；
图2是本发明实施例提供的一种健康数据归属识别方法的流程图；
图3是本发明实施例提供的一种回归模型训练过程的示意图；
图4是本发明实施例提供的一种电子设备的结构图。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是，以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
目前健康设备在家庭中检测健康数据时，往往很难判断该数据的归属，对此，本发明提出了一种电子设备及健康数据归属识别方法，这样能够通过预测每个家庭成员对应的预测区间，找到健康数据归属哪个预测区间，从而无需用户自己进行区分，简化了用户操作。
示例性的，当家庭成员包括用户a、用户b，结合图1所示，体重计103、血压计102、血糖计101与电子设备100连接，当体重计103检测到体重后，根据预设的置信度以及用户a属于目标数据类型的多个历史健康数据，确定用户a的预测区间；根据预设的置信度以及用户b属于目标数据类型的多个历史健康数据，确定用户b的预测区间；判断体重属于用户a的预测区间还是用户b的预测区间；如果体重不属于用户a的预测区间且不属于用户b的预测区间，则按照预设的步长，向上调整置信度，也就是说增大预测区间，直到确定出仅有一个目标预测区间包括体重；如果属于用户a的预测区间且属于用户b的预测区间，按照预设的步长，向下调整置信度，也就说减小预测区间，直到确定出仅有一个目标预测区间包括体重；如果目标预测区间为用户b的预测区间，则体重属于用户b，如果目标预测区间为用户a的预测区间，则体重属于用户a。
依次类推，血压计102、血糖计101测出的健康数据。
以下结合附图进行具体介绍。
结合图2所示，本发明实施例提供了一种健康数据归属识别方法，包括：
S200：根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；
其中，目标数据类型为待识别的目标健康数据的数据类型；置信度为每个家庭成员的多个历史健康数据在对应的预测区间内的概率；
其中，待识别的目标健康数据的获取方式为：
接收健康设备发送的目标健康数据；或
接收用户输入的目标健康数据。
结合图1所示，如果体重计103检测到体重之后，发送给电子设备；如果血压计102检测到体重之后，发送给电子设备；如果血糖计101检测到体重之后，发送给电子设备。
电子设备包括显示器以及输入单元，电子设备的显示器显示体重、血压、血糖等，用户通过输入单元输入体重、血压、血糖等，这样电子设备即可获取目标健康数据。
其中，多个预测区间可以通过回归模型确定的，即将预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定多个预测区间；
例如，家庭成员包括用户a、用户b，将预设的置信度以及用户a的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定用户a的预测区间；将预设的置信度以及用户b的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定用户b的预测区间。
S201：若多个预测区间均包括目标健康数据，则按照预设的步长，向下调整置信度，并根据调整后的置信度和多个历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括目标健康数据；
详细来说，多个预测区间均包括目标健康数据，也就是预测区间范围比较大，那么按照预设的步长，向下调整置信度，从而使得预测区间范围比较小，直到调整到仅有一个预测区间包括目标健康数据为止。
例如，预设步长为0.5％，目标健康数据的数据类型为体重；预设的置信度为95％，确定出的预测区间为(YAL,YAH)和(YBL,YBH)，若体重数据落入多人区间内，如落入(YAL,YAH)和(YBL,YBH)之间内，则下调置信度至94.5％，计算新置信度下的预测区间(YAL0.9,45,YAH0.945)和(YBL0.945,YBH0.945)，直至可以区分，如在置信度90％时，目标健康数据落入(YAL0.90,YAH0.90)，而不属于区间(YBL0.90,YBH0.90)，那么停止下调置信度，(YAL0.90,YAH0.90)为用户a的预测区间，那么目标健康数据为用户a。
S202：若每个家庭成员的预测区间均不包括目标健康数据，则按照预设的步长，向上调整置信度，并根据调整后的置信度和多个历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括目标健康数据；
详细来说，多个预测区间均不包括目标健康数据，也就是预测区间范围比较小，那么按照预设的步长，向上调整置信度，从而使得预测区间范围比较大，直到调整到仅有一个预测区间包括目标健康数据为止。
S203：确定目标健康数据属于目标预测区间对应的家庭成员。
其中，回归模型的训练过程，包括：
将样本集作为输入，将样本集对应的预测区间作为回归模型的输出，对回归模型进行多次训练；
其中，针对任意一个训练周期，将任意一个训练周期后的梯度值和任意一个训练周期后的回归模型的参数发送给服务器；
接收服务器发送的融合梯度值和融合参数，其中，融合梯度值为服务器根据接收到的多个电子设备的梯度值进行融合后得到的；融合参数为服务器根据融合后的梯度值和接收到的多个电子设备发送的参数进行融合得到的；
根据融合梯度值更新任意一个训练周期后的梯度值；并根据融合参数和更新后的梯度值，得到下一个训练周期回归模型的初始的参数。
其中，根据融合梯度值更新任意一个训练周期后的梯度值，包括：
根据利用第一权值加权融合梯度值得到的值，利用第二权值加权任意一个训练周期后的梯度值得到的值，更新任意一个训练周期后的梯度值；
其中，若任意一个训练周期后的梯度值的绝对值不小于融合梯度值的绝对值，则将融合梯度值和任意一个训练周期后的梯度值之和，与融合梯度值之间的比值，作为第二权值，将第一阈值和第二权值之间的差值作为第一权值；
若任意一个训练周期后的梯度值的绝对值小于融合梯度值的绝对值，则将融合梯度值和任意一个训练周期后的梯度值之和，与任意一个训练周期后的梯度值之间的比值，作为第二权值，将第二阈值和第二权值之间的差值作为第一权值。
其中，根据融合参数和更新后的梯度值，得到下一个训练周期回归模型的初始的参数，包括：
根据利用第三权重加权目标差值后得到的值，以及利用第四权重加权融合参数后得到的值，得到下一个训练周期回归模型的初始的参数；其中，第三阈值和第三权重之间的差值作为第四权重；
目标差值为任意一个训练周期后的回归模型的参数，与利用第五权重加权更新后的梯度值之间的差值。
结合图3所示，电子设备在训练回归模型时，采用服务器300进行融合。
对于一次进行融合的过程涉及联邦学习的预测算法模型训练过程，本发明的应用场景是家庭场景，并以家庭为每个回归模型训练、使用单位进行。且处于对数据保护的角度，只传递接收各训练单位的模型梯度。由于不同数据量及不同数据贡献的模型梯度下降速度不同。
对于每个家庭而言，家庭中的健康设备检测到的健康数据发送给电子设备100，电子设备100为了能够保证数据安全可以先进行数据加密，进行保存，然后采用加密后的数据进行模型训练，然后，训练时采用服务器进行融合。
以下步骤为联邦学习的一次训练周期完成后的过程：
电子设备100使用历史收集的数据，对回归模型进行训练，在一次训练周期完成后，计算本轮回归模型的参数梯度gti。
服务器300接收多个电子设备100训练的梯度{gti}，其中，i＝1,..,n n表示参与训练的单位(家庭用户)数量；即电子设备的数量；
服务器300本轮训练的模型梯度其中，gtmin表示多个电子设备中发送的梯度的最小梯度，gtmax表示多个电子设备中发送的梯度的最大梯度。
服务器300本轮训练的模型参数为Wti+1＝Wti-α*gt，其中超参数α是学习率，需要自行统一设定。Wti为电子设备i发送的本轮训练的参数；Wti+1为融合后的电子设备i的参数。
也就是说，上述公式为计算每个电子设备融合后的参数。
服务器300融合后将融合后的参数Wt+1和模型梯度gt回传至各个电子设备中。
传递回来的全局参数gt是融合其他模型梯度后的结果，是为防止模型因训练样本少造成模型欠拟合的必要操作，另为了突出本地模型与其他训练端的模型差异，电子设备在接收到服务器300反馈的融合参数Wt+1和融合梯度值gt；
计算本地融合梯度，gti融合＝α1*gti+α2*gt，其中，α1+α2＝1。
其中，gti为电子设备本次训练后的梯度值，gti融合为更新后的梯度值；
其中，上述介绍的第二权值为α1，第一权重为α2；第一阈值和第二阈值均为1。
计算下一个训练周期所述回归模型的初始的参数的公式为：
Wti+1＝β*(Wti-α*gti融合)+(1-β)Wt+1
其中，超参数α是学习率，该步骤中β系数为人为设定的模型参数融合超参数，主要目的是防止模型欠拟合。
上述介绍的第三权重为β，第四权重为1-β。
每个电子设备按照上述过程进行多轮训练周期的训练，直到电子设备中损失函数最小，即训练结束。
需要说明的是，第一，模型训练过程非实时运行，只需定期更新模型重训练即可，第二，此处模型未指明具体算法模型，这是因为，由于不同设备测量的结果所属的数据类型不一致，如体脂秤测量的体重是一个连续型的数据，而如家用智能某检测仪，监测结果是阴或阳性这类的二值性数据。对于不同的数据类型使用不同的模型进行预测是由于数据决定，显然本处不适合指明具体算法。
其中，调整置信度之前，所述方法还包括：
确定调整置信度的次数不超过预设次数；
若调整置信度的次数超过预设次数，则根据目标健康数据和家庭中的每个家庭成员的信息，生成选择页面；
确定目标健康数据属于用户在选择页面中选择的家庭成员。
详细来说，无论是向上调整置信度，还是向下调整置信度，都会统计调整置信度的次数，然后判断置信度的次数是否超过预设次数，如果不超过预设次数，那么继续调整置信度；如果超过预设次数，则根据目标健康数据和家庭中的每个家庭成员的信息，生成选择页面，例如，家庭成员包括用户a和用户b，那么选择页面中包括用户a，用户b，如果用户选择用户b，那么确定目标健康数据属于用户b。
基于上述介绍的健康数据归属识别方法，本发明实施例还提供一种健康数据归属识别装置，包括；
预测模块，用于根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；其中，所述目标数据类型为待识别的目标健康数据的数据类型；所述置信度为每个家庭成员的多个历史健康数据在对应的预测区间内的概率；
确定模块，用于若多个所述预测区间均包括所述目标健康数据，则按照预设的步长，向下调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
若每个家庭成员的预测区间均不包括所述目标健康数据，则按照预设的步长，向上调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
确定所述目标健康数据属于所述目标预测区间对应的家庭成员。
可选的，预测模块，具体用于：
将预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定多个预测区间；
其中，所述回归模型的训练过程，包括：
将样本集作为输入，将样本集对应的预测区间作为所述回归模型的输出，对所述回归模型进行多次训练；
其中，针对任意一个训练周期，将所述任意一个训练周期后的梯度值和所述任意一个训练周期后的所述回归模型的参数发送给服务器；
接收所述服务器发送的融合梯度值和融合参数，其中，所述融合梯度值为所述服务器根据接收到的多个电子设备的梯度值进行融合后得到的；所述融合参数为所述服务器根据融合后的梯度值和接收到的多个电子设备发送的参数进行融合得到的；
根据所述融合梯度值更新所述任意一个训练周期后的梯度值；并根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数。
可选的，预测模块，具体用于：
根据利用第一权值加权所述融合梯度值得到的值，利用第二权值加权所述任意一个训练周期后的梯度值得到的值，更新所述任意一个训练周期后的梯度值；
其中，若所述任意一个训练周期后的梯度值的绝对值不小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述融合梯度值之间的比值，作为所述第二权值，将第一阈值和所述第二权值之间的差值作为所述第一权值；
若所述任意一个训练周期后的梯度值的绝对值小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述任意一个训练周期后的梯度值之间的比值，作为所述第二权值，将第二阈值和所述第二权值之间的差值作为所述第一权值。
可选的，预测模块，具体用于：
根据利用第三权重加权目标差值后得到的值，以及利用第四权重加权所述融合参数后得到的值，得到下一个训练周期所述回归模型的初始的参数；其中，第三阈值和所述第三权重之间的差值作为所述第四权重；
所述目标差值为所述任意一个训练周期后的所述回归模型的参数，与利用第五权重加权更新后的梯度值之间的差值。
可选的，所述确定模块，还用于：
确定调整所述置信度的次数不超过预设次数；
若调整所述置信度的次数超过预设次数，则根据所述目标健康数据和所述家庭中的每个家庭成员的信息，生成选择页面；
确定所述目标健康数据属于用户在所述选择页面中选择的家庭成员。
本发明实施例提供了一种用于进行家庭健康数据管理的电子设备，包括：接收单元和处理器；
所述接收单元，用于接收待识别的目标健康数据；
所述处理器，用于根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；其中，所述目标数据类型为待识别的目标健康数据的数据类型；所述置信度为每个家庭成员的多个历史健康数据在对应的预测区间内的概率；
若多个所述预测区间均包括所述目标健康数据，则按照预设的步长，向下调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
若每个家庭成员的预测区间均不包括所述目标健康数据，则按照预设的步长，向上调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
确定所述目标健康数据属于所述目标预测区间对应的家庭成员。
可选的，所述处理器，具体用于：
将预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定多个预测区间；
其中，所述回归模型的训练过程，包括：
将样本集作为输入，将样本集对应的预测区间作为所述回归模型的输出，对所述回归模型进行多次训练；
其中，针对任意一个训练周期，将所述任意一个训练周期后的梯度值和所述任意一个训练周期后的所述回归模型的参数发送给服务器；
接收所述服务器发送的融合梯度值和融合参数，其中，所述融合梯度值为所述服务器根据接收到的多个电子设备的梯度值进行融合后得到的；所述融合参数为所述服务器根据融合后的梯度值和接收到的多个电子设备发送的参数进行融合得到的；
根据所述融合梯度值更新所述任意一个训练周期后的梯度值；并根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数。
可选的，所述处理器，具体用于：
根据利用第一权值加权所述融合梯度值得到的值，利用第二权值加权所述任意一个训练周期后的梯度值得到的值，更新所述任意一个训练周期后的梯度值；
其中，若所述任意一个训练周期后的梯度值的绝对值不小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述融合梯度值之间的比值，作为所述第二权值，将第一阈值和所述第二权值之间的差值作为所述第一权值；
若所述任意一个训练周期后的梯度值的绝对值小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述任意一个训练周期后的梯度值之间的比值，作为所述第二权值，将第二阈值和所述第二权值之间的差值作为所述第一权值。
可选的，所述处理器，具体用于：
根据利用第三权重加权目标差值后得到的值，以及利用第四权重加权所述融合参数后得到的值，得到下一个训练周期所述回归模型的初始的参数；其中，第三阈值和所述第三权重之间的差值作为所述第四权重；
所述目标差值为所述任意一个训练周期后的所述回归模型的参数，与利用第五权重加权更新后的梯度值之间的差值。
可选的，所述处理器，还用于：
确定调整所述置信度的次数不超过预设次数；
若调整所述置信度的次数超过预设次数，则根据所述目标健康数据和所述家庭中的每个家庭成员的信息，生成选择页面；
确定所述目标健康数据属于用户在所述选择页面中选择的家庭成员。
示例性的，图4示出了电子设备100的结构示意图。
下面以电子设备100为例对实施例进行具体说明。应该理解的是，图4所示电子设备100仅是一个范例，并且电子设备100可以具有比图4中所示的更多的或者更少的部件，可以组合两个或多个的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
图4中示例性示出了根据示例性实施例中电子设备100的硬件配置框图。如图4所示，电子设备100包括：存储器410、显示单元420、无线保真(Wireless Fidelity，Wi-Fi)模块430、处理器440、蓝牙模块450、以及电源460等部件。
存储器410可用于存储软件程序及数据。处理器440通过运行存储在存储器410的软件程序或数据，从而执行电子设备100的各种功能以及数据处理。存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器410存储有使得电子设备100能运行的操作系统。本申请中存储器410可以存储操作系统及各种应用程序，还可以存储执行本申请实施例所述方法的代码。
显示单元420可用于接收输入的数字或字符信息，产生与电子设备100的用户设置以及功能控制有关的信号输入，具体地，显示单元420可以包括设置在电子设备100正面的触摸屏421，可收集用户在其上或附近的触摸操作，例如点击按钮，拖动滚动框等。
显示单元420还可用于显示由用户输入的信息或提供给用户的信息以及显示单元的各种菜单的图形用户界面(graphical user interface，GUI)。具体地，显示单元420可以包括设置在电子设备100正面的显示屏422。其中，显示屏422可以采用液晶显示器、发光二极管等形式来配置。显示单元420可以用于显示本申请中所述的各种图形用户界面。
其中，触摸屏421可以覆盖在显示屏422之上，也可以将触摸屏421与显示屏422集成而实现电子设备100的输入和输出功能，集成后可以简称触摸显示屏。本申请中显示单元420可以显示应用程序以及对应的操作步骤。
Wi-Fi属于短距离无线传输技术，电子设备100可以通过Wi-Fi模块430帮助用户收发电子邮件、浏览网页和访问流媒体等，它为用户提供了无线的宽带互联网访问。
处理器440是电子设备100的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器410内的软件程序，以及调用存储在存储器410内的数据，执行电子设备100的各种功能和处理数据。在一些实施例中，处理器440可包括一个或多个处理单元；处理器440还可以集成应用处理器和基带处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，基带处理器主要处理无线通信。可以理解的是，上述基带处理器也可以不集成到处理器440中。本申请中处理器440可以运行操作系统、应用程序、用户界面显示及触控响应，以及本申请实施例所述的处理方法。另外，处理器440与显示单元420耦接。
蓝牙模块450，用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如，电子设备100可以通过蓝牙模块450与同样具备蓝牙模块的健康检测设备建立蓝牙连接，这样健康检测设备能够将检测到的目标健康数据通过蓝牙模块发送给电子设备100。
电子设备100还包括给各个部件供电的电源460(比如电池)。电源可以通过电源管理系统与处理器440逻辑相连，从而通过电源管理系统实现管理充电、放电以及功耗等功能。电子设备100还可配置有电源按钮，用于终端的开机和关机，以及锁屏等功能。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成健康数据归属识别方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明实施例还提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本发明实施例上述任意一项健康数据归属识别方法。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种用于进行家庭健康数据管理的电子设备，其特征在于，包括：接收单元和处理器；
所述接收单元，用于接收待识别的目标健康数据；
所述处理器，用于根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；其中，所述目标数据类型为待识别的目标健康数据的数据类型；所述置信度为每个家庭成员的多个历史健康数据在对应的预测区间内的概率；
若多个所述预测区间均包括所述目标健康数据，则按照预设的步长，向下调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
若每个家庭成员的预测区间均不包括所述目标健康数据，则按照预设的步长，向上调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
确定所述目标健康数据属于所述目标预测区间对应的家庭成员；
将预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定多个预测区间；
其中，所述回归模型的训练过程，包括：
将样本集作为输入，将样本集对应的预测区间作为所述回归模型的输出，对所述回归模型进行多次训练；
其中，针对任意一个训练周期，将所述任意一个训练周期后的梯度值和所述任意一个训练周期后的所述回归模型的参数发送给服务器；
接收所述服务器发送的融合梯度值和融合参数，其中，所述融合梯度值为所述服务器根据接收到的多个电子设备的梯度值进行融合后得到的；所述融合参数为所述服务器根据融合后的梯度值和接收到的多个电子设备发送的参数进行融合得到的；
根据所述融合梯度值更新所述任意一个训练周期后的梯度值；并根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数。
2.根据权利要求1所述的电子设备，其特征在于，所述处理器，具体用于：
根据利用第一权值加权所述融合梯度值得到的值，利用第二权值加权所述任意一个训练周期后的梯度值得到的值，更新所述任意一个训练周期后的梯度值；
其中，若所述任意一个训练周期后的梯度值的绝对值不小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述融合梯度值之间的比值，作为所述第二权值，将第一阈值和所述第二权值之间的差值作为所述第一权值；
若所述任意一个训练周期后的梯度值的绝对值小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述任意一个训练周期后的梯度值之间的比值，作为所述第二权值，将第二阈值和所述第二权值之间的差值作为所述第一权值。
3.根据权利要求1所述的电子设备，其特征在于，所述处理器，具体用于：
根据利用第三权重加权目标差值后得到的值，以及利用第四权重加权所述融合参数后得到的值，得到下一个训练周期所述回归模型的初始的参数；其中，第三阈值和所述第三权重之间的差值作为所述第四权重；
所述目标差值为所述任意一个训练周期后的所述回归模型的参数，与利用第五权重加权更新后的梯度值之间的差值。
4.根据权利要求1～3任一项所述的电子设备，其特征在于，所述处理器，还用于：
确定调整所述置信度的次数不超过预设次数；
若调整所述置信度的次数超过预设次数，则根据所述目标健康数据和所述家庭中的每个家庭成员的信息，生成选择页面；
确定所述目标健康数据属于用户在所述选择页面中选择的家庭成员。
5.一种健康数据归属识别方法，其特征在于，应用于用于进行家庭健康数据管理的电子设备，包括：
根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间；其中，所述目标数据类型为待识别的目标健康数据的数据类型；所述置信度为每个家庭成员的多个历史健康数据在对应的预测区间内的概率；
若多个所述预测区间均包括所述目标健康数据，则按照预设的步长，向下调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
若每个家庭成员的预测区间均不包括所述目标健康数据，则按照预设的步长，向上调整所述置信度，并根据调整后的置信度和多个所述历史健康数据，确定每个家庭成员新的预测区间，直到确定出仅有一个目标预测区间包括所述目标健康数据；
确定所述目标健康数据属于所述目标预测区间对应的家庭成员；
根据预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据，确定多个预测区间，包括：
将预设的置信度以及家庭中每个家庭成员属于目标数据类型的多个历史健康数据作为回归模型的输入，通过所述回归模型，确定多个预测区间；
其中，所述回归模型的训练过程，包括：
将样本集作为输入，将样本集对应的预测区间作为所述回归模型的输出，对所述回归模型进行多次训练；
其中，针对任意一个训练周期，将所述任意一个训练周期后的梯度值和所述任意一个训练周期后的所述回归模型的参数发送给服务器；
接收所述服务器发送的融合梯度值和融合参数，其中，所述融合梯度值为所述服务器根据接收到的多个电子设备的梯度值进行融合后得到的；所述融合参数为所述服务器根据融合后的梯度值和接收到的多个电子设备发送的参数进行融合得到的；
根据所述融合梯度值更新所述任意一个训练周期后的梯度值；并根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数。
6.根据权利要求5所述的健康数据归属识别方法，其特征在于，根据所述融合梯度值更新所述任意一个训练周期后的梯度值，包括：
根据利用第一权值加权所述融合梯度值得到的值，利用第二权值加权所述任意一个训练周期后的梯度值得到的值，更新所述任意一个训练周期后的梯度值；
其中，若所述任意一个训练周期后的梯度值的绝对值不小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述融合梯度值之间的比值，作为所述第二权值，将第一阈值和所述第二权值之间的差值作为所述第一权值；
若所述任意一个训练周期后的梯度值的绝对值小于所述融合梯度值的绝对值，则将所述融合梯度值和所述任意一个训练周期后的梯度值之和，与所述任意一个训练周期后的梯度值之间的比值，作为所述第二权值，将第二阈值和所述第二权值之间的差值作为所述第一权值。
7.根据权利要求5所述的健康数据归属识别方法，其特征在于，根据融合参数和更新后的梯度值，得到下一个训练周期所述回归模型的初始的参数，包括：
根据利用第三权重加权目标差值后得到的值，以及利用第四权重加权所述融合参数后得到的值，得到下一个训练周期所述回归模型的初始的参数；其中，第三阈值和所述第三权重之间的差值作为所述第四权重；
所述目标差值为所述任意一个训练周期后的所述回归模型的参数，与利用第五权重加权更新后的梯度值之间的差值。
8.根据权利要求5～7任一项所述的健康数据归属识别方法，其特征在于，调整所述置信度之前，所述方法还包括：
确定调整所述置信度的次数不超过预设次数；
若调整所述置信度的次数超过预设次数，则根据所述目标健康数据和所述家庭中的每个家庭成员的信息，生成选择页面；
确定所述目标健康数据属于用户在所述选择页面中选择的家庭成员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111620906.XA CN114446427B (zh) | 2021-12-28 | 2021-12-28 | 电子设备及健康数据归属识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111620906.XA CN114446427B (zh) | 2021-12-28 | 2021-12-28 | 电子设备及健康数据归属识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114446427A CN114446427A (zh) | 2022-05-06 |
| CN114446427B true CN114446427B (zh) | 2024-08-23 |
Family
ID=81366074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111620906.XA Active CN114446427B (zh) | 2021-12-28 | 2021-12-28 | 电子设备及健康数据归属识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114446427B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115236613B (zh) * | 2022-06-22 | 2024-07-23 | 海信集团控股股份有限公司 | 电子设备及室内雷达标定方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113628704A (zh) * | 2021-07-22 | 2021-11-09 | 海信集团控股股份有限公司 | 一种健康数据存储的方法及设备 |
| CN113658217A (zh) * | 2021-07-14 | 2021-11-16 | 南京邮电大学 | 一种自适应目标跟踪方法、装置及存储介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509014A (zh) * | 2011-11-08 | 2012-06-20 | 复旦大学 | 一种可用户自识别的无线家庭健康系统及其识别方法 |
| EP2884888A4 (en) * | 2012-08-16 | 2016-04-20 | Ginger Io Inc | METHOD FOR MODELING BEHAVIORAL AND HEALTH CHANGES |
| CN103263259A (zh) * | 2013-05-29 | 2013-08-28 | 江苏中康软件有限责任公司 | 具有身份识别功能的gprs血压计 |
| CN104457955B (zh) * | 2014-11-13 | 2017-10-20 | 小米科技有限责任公司 | 体重信息获取方法、装置及系统 |
| CN105488348A (zh) * | 2015-11-30 | 2016-04-13 | 小米科技有限责任公司 | 提供健康数据的方法、装置及系统 |
| US20180012237A1 (en) * | 2016-07-07 | 2018-01-11 | International Business Machines Corporation | Inferring user demographics through categorization of social media data |
| CN106658564B (zh) * | 2016-11-17 | 2019-10-25 | 广州杰赛科技股份有限公司 | 一种家庭用户的识别方法及装置 |
| CN106971084B (zh) * | 2017-05-11 | 2023-08-29 | 深圳市永盟智能信息系统有限公司 | 一种家庭健康管理系统及方法 |
| CN111192684A (zh) * | 2019-11-25 | 2020-05-22 | 泰康保险集团股份有限公司 | 一种健康数据处理的方法及装置、电子设备、存储介质 |
| CN113065058A (zh) * | 2020-01-02 | 2021-07-02 | 中国移动通信集团广东有限公司 | 家庭成员识别的方法及装置、电子设备和可读存储介质 |
| CN112926690B (zh) * | 2021-03-31 | 2023-09-01 | 北京奇艺世纪科技有限公司 | 数据处理方法、装置、设备及存储介质 |
-
2021
- 2021-12-28 CN CN202111620906.XA patent/CN114446427B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658217A (zh) * | 2021-07-14 | 2021-11-16 | 南京邮电大学 | 一种自适应目标跟踪方法、装置及存储介质 |
| CN113628704A (zh) * | 2021-07-22 | 2021-11-09 | 海信集团控股股份有限公司 | 一种健康数据存储的方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114446427A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107166735B (zh) | 热水器以及热水器混合水温的控制方法、装置和设备 | |
| JP5961670B2 (ja) | 学習装置、学習方法及び学習プログラム | |
| CN104376039A (zh) | 一种推送网络内容的方法、装置及系统 | |
| JP2010204966A (ja) | サンプリング装置、サンプリング方法、サンプリングプログラム、クラス判別装置およびクラス判別システム。 | |
| CN115599640B (zh) | 异常供应端告警方法、电子设备和介质 | |
| US8559728B2 (en) | Image processing apparatus and image processing method for evaluating a plurality of image recognition processing units | |
| EP3671441A1 (en) | Application management method and apparatus, storage medium, and electronic device | |
| CN106874416A (zh) | 排行榜单生成方法及排行榜单生成装置 | |
| CN114446427B (zh) | 电子设备及健康数据归属识别方法 | |
| CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
| CN107305611A (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
| Zhang et al. | IgS-wBSRM: A time-aware Web Service QoS monitoring approach in dynamic environments | |
| KR20200085491A (ko) | 신경망 기반 센서 이상 감지를 위한 서비스 제공 시스템 및 방법, 그리고 컴퓨터 프로그램이 기록된 비휘발성 기록매체 | |
| CN108805332B (zh) | 一种特征评估方法和装置 | |
| CN116047930A (zh) | 一种基于多端交互的可视化智能家居控制系统和控制方法 | |
| WO2019062404A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
| CN113626734B (zh) | 用户行为引导方法、装置、电子设备及存储介质 | |
| CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
| CN111177564B (zh) | 一种产品推荐方法及装置 | |
| CN110007940B (zh) | 灰度发布的验证方法、系统、服务器及可读存储介质 | |
| CN106570194A (zh) | 一种数据更新方法以及装置 | |
| CN113947938B (zh) | 基于人工智能的探测方法及相关产品 | |
| CN107887033B (zh) | 为终端预传输数据的方法、装置及服务器 | |
| CN110502715B (zh) | 点击概率的预测方法及装置 | |
| CN117331796A (zh) | 代码采纳率获取方法、装置、电子设备及存储介质 |
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 |