CN116204805A - 一种微压氧舱及数据管理系统 - Google Patents
一种微压氧舱及数据管理系统 Download PDFInfo
- Publication number
- CN116204805A CN116204805A CN202310442931.6A CN202310442931A CN116204805A CN 116204805 A CN116204805 A CN 116204805A CN 202310442931 A CN202310442931 A CN 202310442931A CN 116204805 A CN116204805 A CN 116204805A
- Authority
- CN
- China
- Prior art keywords
- fitting
- value
- moment
- air pressure
- difference
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G10/00—Treatment rooms or enclosures for medical purposes
- A61G10/02—Treatment rooms or enclosures for medical purposes with artificial climate; with means to maintain a desired pressure, e.g. for germ-free rooms
- A61G10/023—Rooms for the treatment of patients at over- or under-pressure or at a variable pressure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D16/00—Control of fluid pressure
- G05D16/20—Control of fluid pressure characterised by the use of electric means
- G05D16/2006—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means
- G05D16/2013—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means using throttling means as controlling means
- G05D16/2026—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means using throttling means as controlling means with a plurality of throttling means
Abstract
本发明涉及数据处理技术领域,具体涉及一种微压氧舱及数据管理系统。该系统包括:数据获取模块,用于获取微压氧舱在工作时间段内各时刻的气压值;摆动分析模块,用于获取各时刻的拟合差异,进而获取摆动度;稳定分析模块,用于结合稳定分布时刻的位置、其对应的拟合差值和长程相关性获取时刻稳定度;数据调整模块,用于依据摆动度与时刻稳定度获取调整度对拟合值进行调整得到调整拟合值;微压氧舱气压管理模块,用于根据调整拟合值对微压氧舱内气压变化数据进行管理。本发明中获取调整度结合气压值的变化趋势和摆动趋势,使调整后的拟合值更为接近真实的气压值,提高对未来时刻的气压值预测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种微压氧舱及数据管理系统。
背景技术
微压氧舱是基于高压氧舱、对氧浓度和压力值进行调整后制作的保健产品,通过向舱内不断输入新鲜空气和高浓度氧气,使氧舱内稳定在不超过1.3个大气压的安全特定富氧环境,具有提升机体耐力、强化免疫力等功效。在治疗的过程中,一般根据患者的健康状况和实际状态,确定微压氧舱在治疗时的压力、温度、氧浓度等参数,由人工进行手动控制,但是实际的参数数值与目标参数会存在差异,因此需要一种根据已获取的实际参数数值对未来时刻的参数数值进行预测的方法。
现有技术通过指数平滑法基于历史数据对未来时刻的数据进行预测,一次指数平滑法仅仅考虑数据的静态值,没有所有数据当前的变化趋势;二次指数平滑法在一次指数平滑的基础上再进行二次指数平滑,利用滞后偏差的规律找出曲线的发展方向和发展趋势,即对发展趋势为直线型的指标值预测效果较好,而当指标值的前后变化趋势差异较大即无法保证为直线型时,对指标值的预测效果较差。
发明内容
为了解决指标值的前后变化趋势差异较大,而导致指标值预测不准确的技术问题,本发明的目的在于提供一种微压氧舱及数据管理系统,所采用的技术方案具体如下:
本发明提出了一种微压氧舱及数据管理系统,所述系统包括:
数据获取模块,用于获取微压氧舱在预设工作时间段内各时刻的气压值,所述预设工作时间段的最后一个时刻为当前时刻;
摆动分析模块,用于对所述气压值进行拟合,获取每个时刻气压的拟合值;将预设工作时间段内每个时刻的所述气压值与所述拟合值的差异作为对应时刻的拟合差异;对所述拟合差异进行聚类得到第一簇,结合所述拟合差异、所述第一簇数量与第一簇间所述拟合差异的差异获取摆动度;
稳定分析模块,用于将预设工作时间段内每个时刻的所述气压值与所述拟合值的差值作为拟合差值,获得预设工作时间段内拟合差值序列;根据所述拟合差值筛选出稳定分布时刻,结合所述稳定分布时刻的位置、所述稳定分布时刻对应拟合差值的分布与所述拟合差值序列的长程相关性获取时刻稳定度;
数据调整模块,用于依据所述摆动度与所述时刻稳定度获取调整度;根据当前时刻之前的预设第一数量个时刻的所述拟合差值的正负情况和所述调整度,对当前时刻的所述拟合值进行调整得到调整拟合值;
微压氧舱气压管理模块,用于根据所述调整拟合值对微压氧舱内气压变化数据进行管理。
进一步地,所述拟合值的获取方法,包括:
将所述气压值描绘在二维坐标系中得到标记点;所述二维坐标系的横坐标为气压值获取时刻,纵坐标为气压值;
使用最小二乘法将所有所述标记点与至少两条曲线分别进行拟合,得到每条曲线的拟合优度;将拟合优度最大的曲线上各时刻的值作为对应时刻的所述拟合值;每个时刻均有所述气压值和所述拟合值。
进一步地,所述摆动度的获取方法,包括:
计算每个所述第一簇内所述拟合差异的均值,作为对应第一簇的簇摆动特征值;将所述簇摆动特征值的最大值与最小值的差值与预设常数的和,作为簇类差异值;将所有所述拟合差异的均值作为初始摆动度;
所述簇类差异值、所述第一簇的数量和所述初始摆动度均与所述摆动度为正相关的关系。
进一步地,所述长程相关性的获取方法,包括:
将所述拟合差值序列按照时序倒序排列,获得摆动趋势序列;对所述摆动趋势序列使用DFA去趋势分析,获取Hurst指数;将所述Hurst指数作为所述长程相关性。
进一步地,所述稳定分布时刻的获取方法,包括:
对所述拟合差值进行聚类得到第二簇;计算每个所述第二簇内所述拟合差值的均值的绝对值作为对应第二簇的簇间差值,将最小所述簇间差值对应的第二簇作为目标簇;所述目标簇中的所述拟合差值对应的时刻为所述稳定分布时刻。
进一步地,所述时刻稳定度的获取方法,包括:
统计所述目标簇内拟合差值为正数的数量与负数的数量,分别与目标簇内所有拟合差值的总数量的比值,得到两个稳定比;将较小的所述稳定比所对应的各拟合差值作为目标拟合差值;所述目标拟合差值均为正数或均为负数;
计算当前时刻与每个目标拟合差值对应时刻的差值,作为对应目标拟合差值的时刻距离差异;将所述时刻距离差值的均值作为时刻距离特征值;将所述时刻距离特征值作为分子,当前时刻与所述预设工作时间段的开始时刻之间的差值作为分母得到的比值作为时刻比例值;
将较小的所述稳定比与所述时刻比例值的比值作为稳定可信度;所述长程相关性与所述稳定可信度均与所述时刻稳定度为正相关的关系。
进一步地,所述调整度的获取方法,包括:
对所述摆动度与所述时刻稳定度进行归一化,依次得到归一摆动度和归一稳定度;将所述归一稳定度进行负相关映射,得到时刻稳定权重;将所述归一摆动度与所述时刻稳定权重的乘积作为所述调整度。
进一步地,所述调整拟合值的获取方法,包括:
将当前时刻之前的预设第一数量个时刻的所述拟合差值作为判断拟合差值;所述预设第一数量为奇数;
将小于0的所述判断拟合差值作为过额拟合值,大于0的所述判断拟合差值作为欠缺拟合值;分别统计所述过额拟合值的数量和所述欠缺拟合值的数量;
当所述过额拟合值的数量大于所述欠缺拟合值的数量时,将常数1与所述调整度的差作为调整方向程度;当所述过额拟合值的数量小于所述欠缺拟合值的数量时,将常数1与所述调整度的和作为调整方向程度;
将所述调整方向程度与当前时刻的所述拟合值的乘积作为当前时刻的所述调整拟合值。
进一步地,所述根据所述调整拟合值对微压氧舱内气压变化数据进行管理,包括:
将当前时刻的所述调整拟合值作为对应时刻的二次平滑值;对预设工作时间段内所述气压值使用指数滑动平均法对未来的预设第二数量个时刻的气压进行预测,得到对应时刻的预测气压值;
将相邻时刻之间所述预测气压值的差值作为增压速率;
设置标准气压阈值和增压速率阈值,当预设第二数量个所述预测气压值均小于等于所述标准气压阈值,且所述增压速率小于等于所述增压速率阈值时,则气压值标记为正常;否则,气压值标记为异常。
本发明具有如下有益效果:
本发明实施例中对微压氧舱在预设工作时间段内各时刻的气压值进行拟合,获取每个时刻气压的拟合值,拟合值为该时刻粗略的气压值且与真实的气压值之间存在差异,通过每个时刻的气压值与拟合值的差异获取的拟合差异,反映气压的拟合值相对于真实的气压值的拟合差异程度;第一簇是基于拟合差异进行划分,则第一簇的数量能够反映不同时刻的拟合差异的相差程度,第一簇间拟合差异的差异可以呈现预设工作时间段内每个时刻的拟合差异的变化程度,并结合预设工作时间段内所有拟合差异进行分析,使得获取的摆动度更加准确;由于每个时刻真实的气压值与拟合值的大小不同,则将每个时刻的气压值与拟合值的差值作为拟合差值,获得预设工作时间段内拟合差值序列以获取长程相关性,由于预设工作时间段内时刻越靠后,这些时刻对应的拟合差值的稳定趋势越大,稳定程度较大的拟合差值趋向于0,所以基于拟合差值的大小筛选出稳定分布时刻,通过对稳定分布时刻进行详细分析使时刻稳定度分析更加准确;当各时刻的气压值拟合的效果较好时,预设工作时间段内大部分时刻的拟合值非常接近真实的气压值,这些时刻即稳定分布时刻,稳定分布时刻的位置呈现拟合效果的稳定情况;稳定分布时刻对应拟合差值的分布体现拟合差值的稳定分布情况,长程相关性呈现预设工作时间段内拟合差值变化趋势的增强情况,将上述因素结合分析使时刻稳定性的准确性更高;由于气压值的前后变化趋势差异较大即无法保证为直线型,导致气压值的拟合效果较差,本发明结合了预设工作时间段内的摆动度和时刻稳定度获取调整度,越靠近当前时刻的拟合差值越稳定,对当前时刻气压拟合的影响越大,所以选择靠近当前时刻的拟合差值的正负情况,结合调整度对当前时刻的拟合值进行调整,获取当前时刻的调整拟合值,使调整拟合值更加接近真实的气压值,提高了根据调整拟合值对微压氧舱内气压变化数据进行管理的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1是本发明一个实施例所提供的一种微压氧舱及数据管理系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种建筑吊篮的智能监控系统及监控方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种微压氧舱及数据管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种微压氧舱及数据管理系统的系统框图,该系统包括:数据获取模块101,摆动分析模块102,稳定分析模块103,数据调整模块104,微压氧舱气压管理模块105。
数据获取模块101,用于获取微压氧舱在预设工作时间段内各时刻的气压值,预设工作时间段的最后一个时刻为当前时刻。
在微压氧舱内设置气压传感器,获取微压氧舱在预设工作时间段内各个时刻的气
压值。本发明实施例中预设工作时间段的开始时刻为微压氧舱开始工作的时刻,当前时刻
为预设工作时间段的最后一个时刻,且预设工作时间段会随着气压传感器的数据采集而不
断变长。在患者进入微压氧舱后开始治疗时,每间隔t分钟获取一次微压氧舱内的气压值,
为保证患者在治疗过程中的舒适性,微压氧舱内的气压值会从大气压强逐渐缓慢上升,当
获取k个气压值时,开始根据这段时间内获取的这些气压值进行分析。本发明实施例中t与k
分别取经验值1与30,实施者可根据实际情况自行设定。预设工作时间段内个时刻的气压值
依次为,其中,为第1时刻的气压值,为第2时刻的气压值,为第k时刻的气
压值;第k时刻即当前时刻。
摆动分析模块102,用于对气压值进行拟合,获取每个时刻气压的拟合值;将预设工作时间段内每个时刻的气压值与拟合值的差异作为对应时刻的拟合差异;对拟合差异进行聚类得到第一簇,结合拟合差异、第一簇数量与第一簇间拟合差异的差异获取摆动度。
为实现根据获取预设工作时间段内的气压值对未来时刻气压的预测,使用指数滑动平均法实现该目的,但是该算法在使用过程中,需要进行二次指数平滑,二次指数平滑值为根据一次指数平滑值的线性计算得到,再以该二次指数平滑值参与预测。当需要预测的数据的发展趋势为直线型时,使用指数滑动平均法的预测效果较好;而为保证患者在治疗中的舒适性,微压氧舱内的气压呈现升高的趋势并不能保证为直线,所以,需要在预测过程中根据往期值的特征获得更为准确的数值替代该二次平滑值,以获得更为准确的预测结果。其中,指数滑动平均法为现有技术,在此不再进行过多赘述。
首先,根据微压氧舱启动工作时气压值的变化特征对气压值进行拟合,根据拟合
结果确定各时刻对应的拟合值。优选地,本发明一个实施例中拟合值的获取方法为:将气压
值描绘在二维坐标系中得到标记点;二维坐标系的横坐标为气压值获取时刻,纵坐标为气
压值;使用最小二乘法将所有标记点与至少两条曲线分别进行拟合,得到每条曲线的拟合
优度;将拟合优度最大的曲线上各时刻的值作为对应时刻的拟合值;每个时刻均有气压值
和拟合值。预设工作时间段内每个时刻对应的拟合值依次为,其中,为第1时
刻的拟合值,为第2时刻的拟合值,为第k时刻的拟合值。其中,最小二乘法为现有技术,
在此不再进行过多赘述。
在本发明实施例中也可选择其他数据拟合方法,例如逐步回归、多项式拟合、对数拟合和伽马拟合等拟合方法,在此不做限定。
通过拟合得到的拟合值是按照时间段内气压值的走势得到的完美拟合结果,但是气压值与拟合值之间往往存在误差,所以需要根据预设工作时间段内气压值的变化特征对拟合值进行调整,将调整后的拟合值作为二次平滑值。
其次,微压氧舱在治疗的过程中缓慢加压,所以工作时间段的各气压值和拟合值
为逐渐增大或者基本保持一致,但拟合值与气压值间往往不存在确定趋势的大小关系,即
部分气压值大于拟合值,另一部分拟合值大于气压值,所以在分析过程中需要考虑两者之
间的大小关系,以免出现正负值相抵消影响分析的结果。因此,计算预设工作时间段内每个
时刻的气压值与拟合值的差异,即将每个时刻的气压值与拟合值的差值绝对值作为对应时
刻的拟合差异,记为ep,且第i时刻的拟合差异,其中,为第i时刻的气压值,为第i时刻的气压的拟合值。当各气压值相对于拟合优度最大曲线的摆动程度越大时,根
据该拟合曲线得到的各时刻气压的拟合值与气压值之间的差距越大,即各时刻的拟合差异越大,则需要对拟合值的调整程度越大。所以,根据每个时刻气压值与拟合值之间的差
异获得摆动度,进而根据摆动度确定对拟合值的调整程度。
为了对每个时刻气压拟合的差异程度进行分析,对工作时间段内每个时刻的拟合
差异进行使用DBSCAN密度聚类算法进行聚类,得到第一簇。其中,本发明实施例设置
DBSCAN密度聚类算法的初始半径为5,邻域内最小样本点数量为3,实施者可根据实际情况
进行自行设定。其中,DBSCAN密度聚类算法为公知技术,在此不作赘述。
第一簇是基于每个时刻的拟合差异大小进行划分,则第一簇数量能够反映不同时刻的拟合差异的相差程度,第一簇间拟合差异的差异可以呈现预设工作时间段内每个时刻的拟合差异的变化程度,并结合预设工作时间段内所有拟合差异进行分析,使得获取的摆动度更加准确。
优选地,摆动度的具体获取方法为:计算每个第一簇内拟合差异的均值,作为对应第一簇的簇摆动特征值;将簇摆动特征值的最大值与最小值的差值与预设常数的和,作为簇类差异值;将所有拟合差异的均值作为初始摆动度;簇类差异值、第一簇的数量和初始摆动度均与摆动度为正相关的关系。摆动度o的计算公式如下:
式中,o为摆动度,为第一簇的簇摆动特征值的最大值,为第一簇的簇摆动特
征值的最小值,n为第一簇的数量,为第i时刻的拟合差异,k为预设工作时间段内时刻的
数量;a为预设常数,经验值为1,作用为防止聚类时仅得到一个第一簇,使第一簇的簇摆动
特征值的最大值与最小值的差为0而无法反映摆动度;为绝对值函数。
需要说明的是,当第一簇的簇摆动特征值的最大值与最小值的差值越大
时,最大拟合差异与最小拟合差异之间的差值越大,说明时间段内对气压值的拟合不稳定,
则摆动度o越大;当第一簇的数量n越大时,说明不同时刻的拟合差异的相差程度较大,则摆
动度o越大;当时间段内每个时刻的拟合差异越大时,使越大,说明在预设工作时
间段内个时刻的拟合差异较为混乱,则摆动度o越大。
稳定分析模块103,用于将预设工作时间段内每个时刻的气压值与拟合值的差值作为拟合差值,获得预设工作时间段内拟合差值序列;根据拟合差值筛选出稳定分布时刻,结合稳定分布时刻的位置、稳定分布时刻对应拟合差值的分布与拟合差值序列的长程相关性获取时刻稳定度。
在根据摆动度对拟合值进行调整时,伴随着时间的推移,预设工作时间段内各时刻的气压值会缓慢接近标准气压阈值并逐渐趋于稳定,所以,当微压氧舱工作的时间越长时,各气压值本身对应的摆动度会逐渐减小。因此,在对当前时刻即第k时刻的拟合值进行调整时,需要考虑距离当前时刻较近的气压值的摆动度趋于稳定的变化趋势。
将预设工作时间段内每个时刻的气压值与拟合值的差值作为对应时刻的拟合差
值,第i时刻的拟合差值,其中,为第i时刻的气压值,为第i时刻的气压的拟
合值。预设工作时间段内每个时刻对应的拟合差值依次为,其中,为第1时刻
的拟合差值,为第2时刻的拟合差值,为第k时刻的拟合差值。
长程相关性能够反映时间序列的变化趋势情况。优选地,长程相关性的获取方法
为:将拟合差值序列按照时序倒序排列,获得摆动趋势序列;对摆动趋势序列使用DFA去趋
势分析,获取Hurst指数;将Hurst指数作为长程相关性。即摆动趋势序列为{}。
在本发明实施例中,对摆动趋势序列使用消除趋势波动分析法(Detrended-Fluctuation-
Analysis,DFA),获取对应的Hurst指数,Hurst指数反映了序列的长程相关性。随着时间的
推移,预设工作时间段内各时刻的拟合差值逐渐减小,由于摆动趋势序列是将拟合差值序
列按照时序倒序排列,则摆动趋势序列中拟合差值逐渐增加,所以摆动趋势序列应具有不
断增强的长程相关性,且Hurst指数的取值范围为,且越靠近第k时刻的拟合差值相
对于越靠近第1时刻的拟合差值越平稳,对应的Hurst指数越大。其中,消除趋势波动分析法
为公知技术,在此不作赘述。
在本发明另一个实施例中可以通过重标极差分析法对摆动趋势序列进行分析,获取摆动趋势序列的长程相关性。
由于预设工作时间段内时刻越靠后,这些时刻对应的拟合差值的稳定趋势越大,稳定程度较大的拟合差值趋向于0,所以基于拟合差值的大小筛选出稳定分布时刻,通过对稳定分布时刻进行详细分析使时刻稳定度分析更加准确。优选地,本发明一个实施例中稳定分布时刻的具体获取方法为:对拟合差值进行聚类得到第二簇;计算每个第二簇内拟合差值的均值的绝对值作为对应第二簇的簇间差值,将最小簇间差值对应的第二簇作为目标簇;目标簇中的拟合差值对应的时刻为稳定分布时刻。
作为一个示例,为了对每个时刻气压的分布情况进行分析,对每个时刻的拟合差值使用DBSCAN密度聚类算法进行聚类,得到第二簇。其中,本发明实施例设置DBSCAN密度聚类算法的初始半径为5,邻域内最小样本点数量为3,实施者可根据实际情况进行自行设定。由于预设工作时间段内时间越靠后,拟合差值的稳定趋势越大,即这些拟合差值越趋近于稳定状态且分布在大于0和小于0两侧的拟合差值越为均匀。因此,选择这些拟合差值进行分析可使时刻稳定度分析更加准确,将第二簇内拟合差值的均值绝对值最小的第二簇作为目标簇,将目标簇中的拟合差值对应的时刻为稳定分布时刻,针对稳定分布时刻的时刻位置和拟合差值进行后续分析。
在本发明另一个实施例中,可以通过对拟合差值设置区间以获取稳定分布时刻。具体方法为:预设工作时间段内各时刻的拟合差值可以为正数,也可以为负数,由于稳定分布时刻对应的拟合差值趋向于0,则可以在0附近设置区间,假设区间为[-0.01,0.01],则当预设工作时间段内某时刻的拟合差值在区间内时,将该时刻作为稳定分布时刻。
当各时刻的气压值拟合的效果较好时,预设工作时间段内大部分时刻的拟合值非常接近真实的气压值,这些时刻即稳定分布时刻,稳定分布时刻的位置呈现拟合效果的稳定情况;稳定分布时刻对应拟合差值的分布体现拟合差值的稳定分布情况,长程相关性呈现预设工作时间段内拟合差值变化趋势的增强情况,将上述因素结合分析使时刻稳定性的准确性更高。
优选地,本发明一个实施例中时刻稳定度的具体获取方法为:统计目标簇内拟合差值为正数的数量与负数的数量,分别与目标簇内所有拟合差值的总数量的比值,得到两个稳定比;将较小的稳定比所对应的各拟合差值作为目标拟合差值;目标拟合差值均为正数或均为负数;计算当前时刻与每个目标拟合差值对应时刻的差值,作为对应目标拟合差值的时刻距离差异;将时刻距离差值的均值作为时刻距离特征值;将时刻距离特征值作为分子,当前时刻与预设工作时间段的开始时刻之间的差值作为分母得到的比值作为时刻比例值;将较小的稳定比与时刻比例值的比值作为稳定可信度;长程相关性与稳定可信度均与时刻稳定度为正相关的关系。
作为一个示例,由于各时刻的气压值与拟合值之间往往存在误差,则拟合差值等于0出现较少,即目标簇内拟合差值基本均不为0,所以对目标簇内不为0的拟合差值分析。分别计算目标簇内拟合差值为正数的数量与负数的数量,在目标簇内包含拟合差值的总数的比值,得到两个稳定比。因为拟合差值在0左右两侧分布,某侧拟合差值的数量越少说明该侧的拟合差值越接近0且较稳定,所以选取目标簇内在0左右某侧数量较少的拟合差值进行分析,因此,将获取较小稳定比的拟合差值作为目标拟合差值,即目标簇内的目标拟合差值均为正数或负数,进行后续分析提高了稳定度分析的准确性。假设目标簇内目标拟合差值对应的时刻分别为预设工作时间段的第9时刻、第11时刻和第k-1时刻,则当前时刻k与上述3个目标拟合差值对应时刻之间的时刻距离差异分别为k-9、k-11和1,将这3个时刻距离差异的均值作为时刻距离特征值;获取当前时刻与开始时刻之间的差值k-1,将时刻距离特征值作为分子,当前时刻与开始时刻之间的差值k-1作为分母得到的比值作为稳定可信度。将稳定可信度与长程相关性的乘积得到时刻稳定度。时刻稳定度s的计算公式如下:
式中,s为时刻稳定度,h为摆动趋势序列的长程相关性,为目标簇内拟合差值为
正数的数量与目标簇内包含拟合差值总数的比值,为目标簇内拟合差值为负数的数量与
目标簇内包含拟合差值总数的比值,d为时刻距离特征值,D为当前时刻与预设工作时间段
的开始时刻之间的差值;min为最小值函数。
需要说明的是,当长程相关性越大,说明摆动趋势序列内拟合差值呈现出趋势不
断增强的状态,则摆动趋势序列内拟合差值相关性越强,使时刻稳定度s越大;当较小的稳
定比越大,说明目标簇内拟合差值为正数的数量与负数的数量基本一致,即两个稳定值趋
向,此时选用较小稳定值对应的目标簇内的拟合差值进行分析;当时刻距离特征值越小,
表明目标簇的各拟合差值对应时刻越接近第k时刻,则时刻稳定度s越大。本发明实施例中
将长程相关性与稳定可信度的乘积作为时刻稳定度,与时刻稳定度均构成正相关的关系;
在本发明另一个实施例中可以将长程相关性与稳定可信度的相加结果作为时刻稳定度,使
得长程相关性与稳定可信度始终均与时刻稳定度构成正相关的关系;在本发明其他实施例
中可选择其他基础数学运算构成正相关关系在此不做限定。
数据调整模块104,用于依据摆动度与时刻稳定度获取调整度;根据当前时刻之前的预设第一数量个时刻的拟合差值的正负情况和调整度,对当前时刻的拟合值进行调整得到调整拟合值。
现有方法对发展趋势为直线型的指标值预测效果较好,而对气压值变化无法保证为直线型的指标值预测效果较差,本发明结合了工作时间段内已获取的气压值的变化趋势和摆动趋势获取调整度;依据调整度与对当前时刻的拟合值进行调整得到调整拟合值。
(1)获取调整度。
优选地,调整度的具体获取方法为:对摆动度与时刻稳定度进行归一化,依次得到归一摆动度和归一稳定度;将归一稳定度进行负相关映射,得到时刻稳定权重;将归一摆动度与时刻稳定权重的乘积作为调整度。需要说明的是,在本发明实施例中使用归一化函数分别对摆动度与时刻稳定度进行归一化处理,在本发明实施例中也可选择其他对摆动度与时刻稳定度进行归一化的方法,例如函数转化、最大最小规范化、Sigmoid函数等归一化方法,在此不做限定。
结合摆动度和时刻稳定度获取调整度,调整度的计算公式如下:
式中,ad为调整度,o为摆动度,s为时刻稳定度;Norm为归一化函数。
需要说明的是,时刻稳定度s反映靠近当前时刻k的其他时刻的拟合差值的稳定程度,稳定程度越大则所需的调整程度越小,调整度ad越小;摆动度o反映预设工作时间段内所有时刻的拟合差异的摆动程度,而时刻稳定度s呈现靠近当前时刻的拟合差值的稳定情况,将归一稳定度负相关映射的结果作为归一摆动度的权重,使摆动度能够体现靠近当前时刻的拟合差值的摆动程度,使得当前时刻的调整程度更加准确。
(2)获取调整拟合值。
优选地,调整拟合值的具体获取方法为:将当前时刻之前的预设第一数量个时刻的拟合差值作为判断拟合差值;预设第一数量为奇数;将小于0的判断拟合差值作为过额拟合值,大于0的判断拟合差值作为欠缺拟合值;分别统计过额拟合值的数量和欠缺拟合值的数量;当过额拟合值的数量大于欠缺拟合值的数量时,将常数1与调整度的差作为调整方向程度;当过额拟合值的数量小于欠缺拟合值的数量时,将常数1与调整度的和作为调整方向程度;将调整方向程度与当前时刻的拟合值的乘积作为当前时刻的调整拟合值。
需要说明的是,越靠近当前时刻k的拟合差值越稳定,对当前时刻气压拟合的影响越大,所以选择靠近当前时刻的预设第一数量个时刻的拟合差值进行分析,使调整方向程度对当前时刻拟合值的调整更加准确。本发明实施例中预设第一数量取经验值11,且需保证预设第一数量为奇数,实施者可以根据实际情况进行自行设定。将当前时刻之前的预设第一数量个时刻的拟合差值作为判断拟合差值,将小于0的判断拟合差值作为过额拟合值,说明该时刻的气压值小于拟合值,将大于0的判断拟合差值作为欠缺拟合值,说明该时刻的气压值小于拟合值,分别统计过额拟合值与欠缺拟合值的数量。由于判断拟合差值的数量为预设第一数量,且预设第一数量保证为奇数,所以过额拟合值的数量与欠缺拟合值的数量不相等。当过额拟合值的数量多于欠缺拟合值的数量时,靠近当前时刻k气压的拟合接大于真实的气压值,表明k时刻的拟合值大于气压值的可能性较大,则需要将拟合值相应程度的调小;同理,当过额拟合值的数量少于欠缺拟合值的数量时,需要将拟合值相应程度的调大,使得对相应时刻气压值拟合的准确性更高。
基于过额拟合值的数量与欠缺拟合值的数量的大小关系确定调整方向,根据调整度和调整方向对当前时刻的拟合值进行相应调整获取调整拟合值。调整拟合值的计算公式如下:
需要说明的是,当过额拟合值的数量多于欠缺拟合值的数量时,靠近当前时刻k的
时刻气压的拟合接大于真实的气压值,表明k时刻的拟合值大于气压值的可能性较大,则需
要将拟合值相应程度的调小,即调整方向为;同理,当过额拟合值的数量少于欠缺拟合
值的数量时,调整方向为;结合调整度和调整方向对当前时刻k的拟合值进行调整,使
得第k时刻的拟合值更加符合气压的真实测量值。
微压氧舱气压管理模块105,用于根据调整拟合值对微压氧舱内气压变化数据进行管理。
在本发明实施例中,将当前时刻的调整拟合值作为对应时刻的二次平滑值;对预设工作时间段内气压值使用指数滑动平均法对未来的预设第二数量个时刻的气压进行预测,得到对应时刻的预测气压值;将相邻时刻之间预测气压值的差值作为增压速率;设置标准气压阈值和增压速率阈值,当预设第二数量个预测气压值均小于等于标准气压阈值,且增压速率小于等于增压速率阈值时,则气压值标记为正常;否则,气压值标记为异常。本发明实施例中标准气压阈值取经验值1.3个大气压,增压速率阈值取经验值0.05MPa/min,预设第二数量取经验值24。实施者可以根据实际情况进行自行设定。
在本发明气压实施例中也可选择其他数据预测算法,例如简易平均法、移动平均法和线性回归法等预测算法,在此不做限定。
至此,本发明完成。
综上所述,在本发明实施例中,数据获取模块,用于获取微压氧舱在工作时间段内各时刻的气压值;摆动分析模块,用于获取各时刻的拟合差异,进而获取摆动度;稳定分析模块,用于结合稳定分布时刻的位置、其对应的拟合差值和长程相关性获取时刻稳定度;数据调整模块,用于依据摆动度与时刻稳定度获取调整度对拟合值进行调整得到调整拟合值;微压氧舱气压管理模块,用于根据调整拟合值对微压氧舱内气压变化数据进行管理。本发明中获取调整度结合气压值的变化趋势和摆动趋势,使调整后的拟合值更为接近真实的气压值,提高对未来时刻的气压值预测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种微压氧舱及数据管理系统,其特征在于,该系统包括:
数据获取模块,用于获取微压氧舱在预设工作时间段内各时刻的气压值,所述预设工作时间段的最后一个时刻为当前时刻;
摆动分析模块,用于对所述气压值进行拟合,获取每个时刻气压的拟合值;将预设工作时间段内每个时刻的所述气压值与所述拟合值的差异作为对应时刻的拟合差异;对所述拟合差异进行聚类得到第一簇,结合所述拟合差异、所述第一簇数量与第一簇间所述拟合差异的差异获取摆动度;
稳定分析模块,用于将预设工作时间段内每个时刻的所述气压值与所述拟合值的差值作为拟合差值,获得预设工作时间段内拟合差值序列;根据所述拟合差值筛选出稳定分布时刻,结合所述稳定分布时刻的位置、所述稳定分布时刻对应拟合差值的分布与所述拟合差值序列的长程相关性获取时刻稳定度;
数据调整模块,用于依据所述摆动度与所述时刻稳定度获取调整度;根据当前时刻之前的预设第一数量个时刻的所述拟合差值的正负情况和所述调整度,对当前时刻的所述拟合值进行调整得到调整拟合值;
微压氧舱气压管理模块,用于根据所述调整拟合值对微压氧舱内气压变化数据进行管理。
2.根据权利要求1所述的一种微压氧舱及数据管理系统,其特征在于,所述拟合值的获取方法,包括:
将所述气压值描绘在二维坐标系中得到标记点;所述二维坐标系的横坐标为气压值获取时刻,纵坐标为气压值;
使用最小二乘法将所有所述标记点与至少两条曲线分别进行拟合,得到每条曲线的拟合优度;将拟合优度最大的曲线上各时刻的值作为对应时刻的所述拟合值;每个时刻均有所述气压值和所述拟合值。
3.根据权利要求1所述的一种微压氧舱及数据管理系统,其特征在于,所述摆动度的获取方法,包括:
计算每个所述第一簇内所述拟合差异的均值,作为对应第一簇的簇摆动特征值;将所述簇摆动特征值的最大值与最小值的差值与预设常数的和,作为簇类差异值;将所有所述拟合差异的均值作为初始摆动度;
所述簇类差异值、所述第一簇的数量和所述初始摆动度均与所述摆动度为正相关的关系。
4.根据权利要求1所述的一种微压氧舱及数据管理系统,其特征在于,所述长程相关性的获取方法,包括:
将所述拟合差值序列按照时序倒序排列,获得摆动趋势序列;对所述摆动趋势序列使用DFA去趋势分析,获取Hurst指数;将所述Hurst指数作为所述长程相关性。
5.根据权利要求1所述的一种微压氧舱及数据管理系统,其特征在于,所述稳定分布时刻的获取方法,包括:
对所述拟合差值进行聚类得到第二簇;计算每个所述第二簇内所述拟合差值的均值的绝对值作为对应第二簇的簇间差值,将最小所述簇间差值对应的第二簇作为目标簇;所述目标簇中的所述拟合差值对应的时刻为所述稳定分布时刻。
6.根据权利要求5所述的一种微压氧舱及数据管理系统,其特征在于,所述时刻稳定度的获取方法,包括:
统计所述目标簇内拟合差值为正数的数量与负数的数量,分别与目标簇内所有拟合差值的总数量的比值,得到两个稳定比;将较小的所述稳定比所对应的各拟合差值作为目标拟合差值;所述目标拟合差值均为正数或均为负数;
计算当前时刻与每个目标拟合差值对应时刻的差值,作为对应目标拟合差值的时刻距离差异;将所述时刻距离差值的均值作为时刻距离特征值;将所述时刻距离特征值作为分子,当前时刻与所述预设工作时间段的开始时刻之间的差值作为分母得到的比值作为时刻比例值;
将较小的所述稳定比与所述时刻比例值的比值作为稳定可信度;所述长程相关性与所述稳定可信度均与所述时刻稳定度为正相关的关系。
7.根据权利要求1所述的一种微压氧舱及数据管理系统,其特征在于,所述调整度的获取方法,包括:
对所述摆动度与所述时刻稳定度进行归一化,依次得到归一摆动度和归一稳定度;将所述归一稳定度进行负相关映射,得到时刻稳定权重;将所述归一摆动度与所述时刻稳定权重的乘积作为所述调整度。
8.根据权利要求1所述的一种微压氧舱及数据管理系统,其特征在于,所述调整拟合值的获取方法,包括:
将当前时刻之前的预设第一数量个时刻的所述拟合差值作为判断拟合差值;所述预设第一数量为奇数;
将小于0的所述判断拟合差值作为过额拟合值,大于0的所述判断拟合差值作为欠缺拟合值;分别统计所述过额拟合值的数量和所述欠缺拟合值的数量;
当所述过额拟合值的数量大于所述欠缺拟合值的数量时,将常数1与所述调整度的差作为调整方向程度;当所述过额拟合值的数量小于所述欠缺拟合值的数量时,将常数1与所述调整度的和作为调整方向程度;
将所述调整方向程度与当前时刻的所述拟合值的乘积作为当前时刻的所述调整拟合值。
9.根据权利要求1所述的一种微压氧舱及数据管理系统,其特征在于,所述根据所述调整拟合值对微压氧舱内气压变化数据进行管理,包括:
将当前时刻的所述调整拟合值作为对应时刻的二次平滑值;对预设工作时间段内所述气压值使用指数滑动平均法对未来的预设第二数量个时刻的气压进行预测,得到对应时刻的预测气压值;
将相邻时刻之间所述预测气压值的差值作为增压速率;
设置标准气压阈值和增压速率阈值,当预设第二数量个所述预测气压值均小于等于所述标准气压阈值,且所述增压速率小于等于所述增压速率阈值时,则气压值标记为正常;否则,气压值标记为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442931.6A CN116204805B (zh) | 2023-04-24 | 2023-04-24 | 一种微压氧舱及数据管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442931.6A CN116204805B (zh) | 2023-04-24 | 2023-04-24 | 一种微压氧舱及数据管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116204805A true CN116204805A (zh) | 2023-06-02 |
CN116204805B CN116204805B (zh) | 2023-07-21 |
Family
ID=86514949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442931.6A Active CN116204805B (zh) | 2023-04-24 | 2023-04-24 | 一种微压氧舱及数据管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204805B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116820056A (zh) * | 2023-08-29 | 2023-09-29 | 青岛义龙包装机械有限公司 | 用于袋式包装机的生产工艺参数处理方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611726B1 (en) * | 1999-09-17 | 2003-08-26 | Carl E. Crosswhite | Method for determining optimal time series forecasting parameters |
US20090129433A1 (en) * | 2007-11-12 | 2009-05-21 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and Device for Temperature Prediction |
US7783510B1 (en) * | 2006-06-23 | 2010-08-24 | Quest Software, Inc. | Computer storage capacity forecasting system using cluster-based seasonality analysis |
US20120092169A1 (en) * | 2009-07-02 | 2012-04-19 | The Regents Of The University Of California | Method of assessing human fall risk using mobile systems |
US20140344226A1 (en) * | 2013-05-14 | 2014-11-20 | Adobe Systems Inc. | Method and apparatus for normalizing and predicting time series data |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
WO2021115116A1 (zh) * | 2019-12-13 | 2021-06-17 | 中兴通讯股份有限公司 | 一种性能指标的预警方法、装置、设备及存储介质 |
WO2021213192A1 (zh) * | 2020-04-22 | 2021-10-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测系统 |
CA3132346A1 (en) * | 2020-09-29 | 2022-03-29 | 10353744 Canada Ltd. | User abnormal behavior recognition method and device and computer readable storage medium |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
-
2023
- 2023-04-24 CN CN202310442931.6A patent/CN116204805B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611726B1 (en) * | 1999-09-17 | 2003-08-26 | Carl E. Crosswhite | Method for determining optimal time series forecasting parameters |
US7783510B1 (en) * | 2006-06-23 | 2010-08-24 | Quest Software, Inc. | Computer storage capacity forecasting system using cluster-based seasonality analysis |
US20090129433A1 (en) * | 2007-11-12 | 2009-05-21 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and Device for Temperature Prediction |
US20120092169A1 (en) * | 2009-07-02 | 2012-04-19 | The Regents Of The University Of California | Method of assessing human fall risk using mobile systems |
US20140344226A1 (en) * | 2013-05-14 | 2014-11-20 | Adobe Systems Inc. | Method and apparatus for normalizing and predicting time series data |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
WO2021115116A1 (zh) * | 2019-12-13 | 2021-06-17 | 中兴通讯股份有限公司 | 一种性能指标的预警方法、装置、设备及存储介质 |
WO2021213192A1 (zh) * | 2020-04-22 | 2021-10-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测系统 |
CA3132346A1 (en) * | 2020-09-29 | 2022-03-29 | 10353744 Canada Ltd. | User abnormal behavior recognition method and device and computer readable storage medium |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
Non-Patent Citations (1)
Title |
---|
孙想;吴保国;吴华瑞;陈诚;: "基于前置平滑的苗圃监测数据多元回归拟合方法", 东北林业大学学报, no. 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116820056A (zh) * | 2023-08-29 | 2023-09-29 | 青岛义龙包装机械有限公司 | 用于袋式包装机的生产工艺参数处理方法 |
CN116820056B (zh) * | 2023-08-29 | 2023-11-14 | 青岛义龙包装机械有限公司 | 用于袋式包装机的生产工艺参数处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116204805B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116204805B (zh) | 一种微压氧舱及数据管理系统 | |
CN115933787B (zh) | 基于室内环境监测的室内多末端智能控制系统 | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
CN116756529B (zh) | 一种吊白块生产设备运行状态检测系统 | |
US9398867B2 (en) | Efficient activity classification from motion inputs | |
CN116611674A (zh) | 一种建筑供给水智能调度运行方法 | |
CN116304779B (zh) | 一种体外循环温度智能测定系统 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
WO2023045425A1 (zh) | 一种透析中低血压事件风险的评估方法和系统 | |
CN114580572B (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
CN117542536B (zh) | 一种基于体检数据的智能护理方法及系统 | |
CN116439694B (zh) | 基于运动模型训练的智能手表动态数据监测方法 | |
CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN109325065A (zh) | 基于动态隐变量模型的多采样率软测量方法 | |
CN116298984A (zh) | 一种锂离子电池容量跳水点和电池衰减程度识别方法 | |
CN113782214B (zh) | 一种具有健康数据分析功能的健康管理方法和系统 | |
CN106647707B (zh) | 一种简易的医疗设备管理控制系统 | |
CN111583990B (zh) | 一种结合稀疏回归和淘汰规则的基因调控网络推断方法 | |
CN114358502A (zh) | 一种基于优化elm的食用油风险评估方法 | |
CN116661522B (zh) | 一种基于数据处理的温变试验箱温度智能调控方法 | |
CN117831744B (zh) | 一种呼吸重症患者远程监控方法及系统 | |
CN110647870A (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
CN110218626A (zh) | 一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法 | |
CN117407728B (zh) | 一种用于干细胞的存储环境实时监测方法及系统 |
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 |