CN116596385A - 飞行员适航评估方法、装置、存储介质及电子设备 - Google Patents
飞行员适航评估方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116596385A CN116596385A CN202310568738.7A CN202310568738A CN116596385A CN 116596385 A CN116596385 A CN 116596385A CN 202310568738 A CN202310568738 A CN 202310568738A CN 116596385 A CN116596385 A CN 116596385A
- Authority
- CN
- China
- Prior art keywords
- pilot
- social
- activity
- index
- target
- 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 57
- 230000000694 effects Effects 0.000 claims abstract description 117
- 230000037081 physical activity Effects 0.000 claims abstract description 115
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 29
- 230000033001 locomotion Effects 0.000 claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims description 100
- 230000001133 acceleration Effects 0.000 claims description 28
- 230000003860 sleep quality Effects 0.000 claims description 24
- 230000003993 interaction Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000012911 target assessment Methods 0.000 claims description 4
- 230000000386 athletic effect Effects 0.000 claims description 3
- 230000006996 mental state Effects 0.000 claims description 2
- 230000002996 emotional effect Effects 0.000 description 12
- 230000008451 emotion Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010399 physical interaction Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Psychiatry (AREA)
- Marketing (AREA)
- Social Psychology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Game Theory and Decision Science (AREA)
- Psychology (AREA)
- Educational Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Developmental Disabilities (AREA)
Abstract
本申请提供的飞行员适航评估方法、装置、存储介质及电子设备,涉及大数据领域。其中,电子设备获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,将以上指标输入预先训练的状态评估模型,得到状态评估模型输出的飞行员的目标心理状态以及目标生理状态;根据目标心理状态以及目标生理状态,确定飞行员的适航评估结果。由于考虑了规则性指标、包括飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标的社交活动指标,包括飞行员身体活动的运动分散性指标以及运动规律性指标的身体活动指标,因此,提高了评估飞行员的适航评估结果时的准确性。
Description
技术领域
本申请涉及大数据领域,具体而言,涉及一种飞行员适航评估方法、装置、存储介质及电子设备。
背景技术
飞行员作为一种特殊职业,需要飞行员具有良好的心理品质,特别是通航飞行任务具有任务类型多样,飞行环境复杂,飞行器自动化程度低等挑战,容易导致飞行事故,并成为了通航发展的重要瓶颈。因此,通过多种手段加强对飞行员的飞行适宜情况进行评估,确保任务执飞人员具备健康的身体情况、良好的心理状态,这对促进通航飞行安全管理具有重要的现实意义。
由于传统的基于自我报告和手动评估的方式依赖参与者主观感受,使得过程耗时且结果不可靠;更为重要的是传统方法主要用于构建静态的飞行员性格画像,而飞行适宜情况依赖飞行员实时的生理和心理状况,这两者是根据个人当前所处环境动态变化的。
虽然已有利用通话、短信、应用程序使用和位置数据来进行情绪和人格的特质预测的相关方案,但研究发现,此类方案存在预测结果准确性不足的问题。
发明内容
为了克服现有技术中的至少一个不足,本申请提供一种飞行员适航评估方法、装置、存储介质及电子设备,具体包括:
第一方面,本申请提供一种飞行员适航评估方法,所述方法包括:
获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,其中,所述社交活动指标包括所述飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标,所述身体活动指标包括飞行员身体活动的运动分散性指标以及运动规律性指标;
将所述规则性指标、所述社交活动指标与所述身体活动指标输入预先训练的状态评估模型,得到所述状态评估模型输出的所述飞行员的目标心理状态以及目标生理状态;
根据所述目标心理状态以及目标生理状态,确定所述飞行员的适航评估结果。
结合第一方面的可选实施方式,所述目标评估周期包括多个采样周期,所述获取飞行员的社交活动指标,包括:
获取所述飞行员的社交次数集,其中,所述社交次数集包括所述飞行员在每个采样周期内的社交次数;
根据所述社交次数集,获得所述社交活动的标准差以及方差;
将所述社交活动的标准差,作为所述飞行员社交活动的社交分散性指标;
将所述社交活动的方差,作为所述飞行员社交活动的社交规律性指标。
结合第一方面的可选实施方式,所述获取飞行员的社交活动指标,包括:
获取所述飞行员在所述目标评估周期内与至少一个联系人之间的联系次数;
根据所述飞行员与至少一个联系人之间的联系次数,获得所述飞行员的交互熵,其中,所述交互熵的表达式为:
式中,S表示所述交互熵,Fi表示所述目标飞行人员与第i个联系人之间的联系次数,N表示所述至少一个联系人的数量;
将所述交互熵,作为所述飞行员的社交多样性指标。
结合第一方面的可选实施方式,所述目标评估周期包括多个子周期,每个子周期包括多个采样周期;所述获取飞行员的规则性指标,包括:
对于每个子周期,通过以下表达式计算所述飞行员在所述子周期内的规则性指标:
式中,表示所述飞行员的规则性指标,T表示所述子周期内的所述多个采样周期的数量,/>表示所述飞行员在第t个采样周期内归一化的社交次数,/>表示所述飞行员在第t个采样周期内归一化的身体活动强度。
结合第一方面的可选实施方式,所述目标评估周期内包括多个采样周期,所述获取飞行员的身体活动指标,包括:
获取所述飞行员的身体活动强度集,其中,所述身体活动集包括每个采样周期内的身体活动强度;
根据所述身体活动强度集,获得身体活动的标准差以及方差;
将所述身体活动的标准差,作为所述飞行员身体活动的运动分散性指标;
将所述身体活动的方差,作为所述飞行员身体活动的运动规律性指标。
结合第一方面的可选实施方式,所述获取所述飞行员的身体活动强度集,包括:
对于每个采样周期,获取所述飞行员在所述采样周期内采样的活动加速度、睡眠质量以及心率;
根据所述飞行员在所述采样周期内采样的活动加速度、睡眠质量以及心率,获得所述飞行员在所述采样周期内的身体活动强度,其中,所述身体活动强度的表达式为:
式中,MAD表示所述飞行员的身体活动强度,ri1表示所述飞行员在所述采样周期内的第i个采样时刻的加速度;表示所述采样周期内全部加速度的平均加速度;ri2表示所述飞行员在所述采样周期内的第i个采样时刻的睡眠质量,/>表示所述采样周期内全部睡眠质量的平均睡眠质量;ri3表示所述飞行员在所述采样周期内的第i个采样时刻的心率,/>表示所述采样周期内全部心率的平均心率,N表示所述采样周期内的采样次数。
结合第一方面的可选实施方式,根据所述目标心理状态以及目标生理状态,确定所述飞行员的适航评估结果,包括:
将所述目标心理状态以及目标生理状态与多个适航等级的标准进行匹配,确定所述飞行员相匹配的目标适航等级。
本本申请还提供一种飞行员适航评估装置,所述装置包括:
活动指标模块,用于获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,其中,所述社交活动指标包括所述飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标,所述身体活动指标包括飞行员身体活动的运动分散性指标以及运动规律性指标;
状态评估模块,用于将所述规则性指标、所述社交活动指标与所述身体活动指标输入预先训练的状态评估模型,得到所述状态评估模型输出的所述飞行员的目标心理状态以及目标生理状态;
适航评估模块,用于根据所述目标心理状态以及目标生理状态,确定所述飞行员的适航评估结果。
结合第二方面的可选实施方式,所述目标评估周期包括多个采样周期,所述活动指标模块还用于:
获取所述飞行员的社交次数集,其中,所述社交次数集包括所述飞行员在每个采样周期内的社交次数;
根据所述社交次数集,获得所述社交活动的标准差以及方差;
将所述社交活动的标准差,作为所述飞行员社交活动的社交分散性指标;
将所述社交活动的方差,作为所述飞行员社交活动的社交规律性指标。
结合第二方面的可选实施方式,所述活动指标模块还用于:
获取所述飞行员在所述目标评估周期内与至少一个联系人之间的联系次数;
根据所述飞行员与至少一个联系人之间的联系次数,获得所述飞行员的交互熵,其中,所述交互熵的表达式为:
式中,S表示所述交互熵,Fi表示所述目标飞行人员与第i个联系人之间的联系次数,N表示所述至少一个联系人的数量;
将所述交互熵,作为所述飞行员的社交多样性指标。
结合第二方面的可选实施方式,所述目标评估周期包括多个子周期,每个子周期包括多个采样周期;所述活动指标模块还用于:
对于每个子周期,通过以下表达式计算所述飞行员在所述子周期内的规则性指标:
式中,表示所述飞行员的规则性指标,T表示所述子周期内的所述多个采样周期的数量,/>表示所述飞行员在第t个采样周期内归一化的社交次数,/>表示所述飞行员在第t个采样周期内归一化的身体活动强度。
结合第二方面的可选实施方式,所述目标评估周期内包括多个采样周期,所述活动指标模块还用于:
根据所述身体活动强度集,获得身体活动的标准差以及方差;
将所述身体活动的标准差,作为所述飞行员身体活动的运动分散性指标;
将所述身体活动的方差,作为所述飞行员身体活动的运动规律性指标。
结合第二方面的可选实施方式,所述活动指标模块还用于:
对于每个采样周期,获取所述飞行员在所述采样周期内采样的活动加速度、睡眠质量以及心率;
根据所述飞行员在所述采样周期内采样的活动加速度、睡眠质量以及心率,获得所述飞行员在所述采样周期内的身体活动强度,其中,所述身体活动强度的表达式为:
式中,MAD表示所述飞行员的身体活动强度,ri1表示所述飞行员在所述采样周期内的第i个采样时刻的加速度;表示所述采样周期内全部加速度的平均加速度;ri2表示所述飞行员在所述采样周期内的第i个采样时刻的睡眠质量,/>表示所述采样周期内全部睡眠质量的平均睡眠质量;ri3表示所述飞行员在所述采样周期内的第i个采样时刻的心率,/>表示所述采样周期内全部心率的平均心率,N表示所述采样周期内的采样次数。
结合第二方面的可选实施方式,所述适航评估模块还用于:
将所述目标心理状态以及目标生理状态与多个适航等级的标准进行匹配,确定所述飞行员相匹配的目标适航等级。
第三方面,本申请还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述的飞行员适航评估方法。
第四方面,本申请还提供一种电子设备,所述电子设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述的飞行员适航评估方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请提供的飞行员适航评估方法、装置、存储介质及电子设备中,电子设备获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,将社交活动指标、身体活动指标以及规则性指标输入预先训练的状态评估模型,得到状态评估模型输出的飞行员的目标心理状态以及目标生理状态;根据目标心理状态以及目标生理状态,确定飞行员的适航评估结果。由于考虑了规则性指标、包括飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标的社交活动指标,包括飞行员身体活动的运动分散性指标以及运动规律性指标的身体活动指标,因此,提高了评估飞行员的适航评估结果时的准确性。
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模型训练过程示意图;
图2为本申请实施例提供的方法流程示意图;
图3为本申请实施例提供的装置结构示意图;
图4为本申请实施例提供的电子设备结构示意图。
图标:101-活动指标模块;102-状态评估模块;103-适航评估模块;201-存储器;202-处理器;203-通信单元;204-系统总线。
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,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。此外,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。
基于以上声明,研究发现,利用通话、短信、应用程序使用和位置数据来进行情绪和人格的特质预测的相关方案,没有考虑到社交活动以及身体活动的多样性、分散性和规律性,也忽略了生理和心理指标与所从事的职业的密切相关,这对于直接使用这类相关方案评估飞行员的适航评估结果时,存在预测结果准确性不足的问题。
需要注意的是,以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在发明创造过程中对本申请做出的贡献,而不应当理解为本领域技术人员所公知的技术内容。
鉴于此,本实施例提供一种飞行员适航评估方法。该方法中,电子设备获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,将社交活动指标、身体活动指标以及规则性指标输入预先训练的状态评估模型,得到状态评估模型输出的飞行员的目标心理状态以及目标生理状态;根据目标心理状态以及目标生理状态,确定飞行员的适航评估结果。由于考虑了规则性指标、包括飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标的社交活动指标,包括飞行员身体活动的运动分散性指标以及运动规律性指标的身体活动指标,因此,提高了评估飞行员的适航评估结果时的准确性。
应理解的是,实施该方法的电子设备可以是,但不限于,移动终端、平板计算机、膝上型计算机、台式计算机以及服务器等。当电子设备为服务器时,该服务器可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器可以是分布式系统)。在一些实施例中,服务器相对于用户终端,可以是本地的、也可以是远程的。在一些实施例中,服务器可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(Community Cloud)、分布式云、跨云(Inter-Cloud)、多云(Multi-Cloud)等,或者它们的任意组合。在一些实施例中,服务器可以在具有一个或多个组件的电子设备上实现。下面以服务器为例,对该方法的各个步骤进行详细阐述。
其中,该状态评估模型可以通过基于SVR或者神经网络的初始模型进行训练获得。为使本实施例提供的方案更加清楚,先对状态评估模型的训练过程进行示例性说明。如图1所示,将初始模型表示为M,将训练得到的状态评估模型表示为M*。
该服务器获取样本飞行员的历史身体活动以及历史社交活动产生的原始活动数据以及原始社交数据。示例性的,原始社交数据可以包括原始通话信息数据(电话、短信),服务器根据接收和发送的电话和短信日志,将数据表示为N×N×T1的三维矩阵X1,其中,N表示样本飞行员的数量,T1表示历史社交活动对应的天数。基于这些历史社交数据,服务器将原始社交数据转换为样本社交活动指标。
原始活动数据包括原始加速度数据、原始睡眠质量数据以及原始心率数据。对于原始加速度数据,服务器可以据根据将加速度计的原始三轴测量值表示为N×T2×3的三维矩阵X2,其中,N表示样本飞行员的数量,T2表示加速度计采样时的数据步长;
对于原始睡眠质量数据,服务器可以将数据表示为N×T3的二维矩阵X3,其中,N表示样本飞行员的数量,T3表示睡眠质量传感器采样时的数据步长。
对于原始心率数据,服务器可以将数据表示为N×T4的二维矩阵X4,其中,N表示样本飞行员的数量,T4表示心率传感器采样时数据步长。基于这些原始活动数据,服务器将原始活动数据转换为样本身体活动指标。
然后,将构建的初始模型表示为M;最后,基于调研和/或访问得到的样本飞行员的真实状态作为监督信息,将样本身体活动指标与样本社交活动指标输入初始模型M进行训练,得到满足训练条件的状态评估模型M*。
基于训练出的状态评估模型M*,将飞行员实时采集的目标身体活动数据以及目标社交活动数据转换为社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标输入状态评估模型M*,得到该飞行员的目标心理状态以及目标生理状态;最终,根据目标心理状态以及目标生理状态,确定飞行员的适航评估结果。
其中,假定该初始模型为基于SVR的模型,对此,本实施例中该模型的核函数为:
该模型的函数表达式为:
上述表达式中,将全部的样本社交活动指标以及样本身体活动指标作为样本指标,其中,m表示全部样本飞行员的样本指标,mi表示样本指标中的第i个样本飞行员的指标,α与α*分别为拉格朗日乘子,N为样本飞行员的数量,σ为预设的参数,ω与b表示训练学习过程中需要学习的参数。
为了最小化训练阶段的误差,通过最小化目标函数进行优化:
式中,ω表示可学习参数,为松弛变量,C为惩罚参数,N为样本飞行员的数量。应理解的是,SVR使得函数的间隔要求变得放松,即允许一些样本不再间隔带内,因此,间隔两侧的松弛程度有可能不同,继而存在有两个松弛变量。
下面结合图2对状态评估模型M*使用过程进行详细阐述。但应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。如图2所示,该方法包括:
S101,获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标。
其中,目标评估周期可以是,但不限于,1个星期、1个月、1个季度等,对此,本实施例不做具体限定,本方案实际实施时可以根据实际情况进行适当调整。当目标评估周期为1个星期时,表示每个星期需要评估一次飞行员的适航评估结果。
而本实施例中的社交活动指标包括飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标。社交活动指标通过飞行员的目标社交活动数据进行统计分析得到,该目标社交活动数据包括通话记录以及短信记录。
而身体活动指标包括飞行员身体活动的运动分散性指标以及运动规律性指标。身体活动指标通过对飞行员的目标身体活动数据分析获得,目标身体活动数据包括活动加速度、睡眠质量以及心率等。
为使得本实施例提供的方案更加清楚,下面对S101的具体实施例进行详细介绍。在进行介绍之前,先就下面将要涉及到的概念进行说明,本实施例中的目标评估周期,可以根据需要划分为多个子周期,而每个子周期又可以划分为多个采样周期。示例性,假定目标评估周期为1个星期,则可以将1个星期中的每一天划分为一个子周期,将每一天划分为24个采样周期(24小时)。当然,还可以将1个星期划分为工作日为一个子周期,双休为1个子周期;每个工作日划分为24个采样周期,双休中的每一天划分为24个采样周期。
1)社交分散性指标、社交规律性指标
S101-1,获取飞行员的社交次数集。
其中,社交次数集包括飞行员在每个采样周期内的社交次数。
S101-2,根据社交次数集,获得社交活动的标准差以及方差。
其中,社交活动的标准差与方差各自的数量可以是多个。示例性的,将1个星期划分为工作日为一个子周期,双休为1个子周期时,则工作日的社交次数可以得到相应的标准差以方差,双休的社交次数可以得到相应标准差以及方差。
S101-3,将社交活动的标准差,作为飞行员社交活动的社交分散性指标。
S101-4,将社交活动的方差,作为飞行员社交活动的社交规律性指标。
上述社交分散性指标反映了飞行员社交次数的波动情况,而社交规律性指标反映了飞行员社交活动的规律程度。
2)社交多样性指标
S101-5,服务器获取飞行员在目标评估周期内与至少一个联系人之间的联系次数。
S101-6,根据飞行员与至少一个联系人之间的联系次数,获得飞行员的交互熵。
其中,交互熵的表达式为:
式中,S表示交互熵,Fi表示目标飞行人员与第i个联系人之间的联系次数,N表示至少一个联系人的数量。
S101-7,将交互熵,作为飞行员的社交多样性指标。
3)规则性指标
目标评估周期包括多个子周期,每个子周期包括多个采样周期;获取飞行员的规则性指标,包括:
对于每个子周期,通过以下表达式计算飞行员在子周期内的规则性指标:
式中,表示飞行员的规则性指标,T表示多个采样周期的数量,/>表示飞行员在第t个采样周期内归一化的社交次数,/>表示飞行员在第t个采样周期内归一化的身体活动强度。
也即是说,目标评估周期划分为多个子周期后,每个子周期都对应有规则性指标。示例性的,继续假定目标评估周期为1个星期,1星期中的每一天为一个子周期,则上述表达式中的T=24,将每个采样周期内的社交次数以及身体互动强度归一化为[-1,1]的范围,代入上述表达式计算出飞行员在该子周期内的规则性指标。
4)运动分散性指标、运动规律性指标
S101-8,获取飞行员的身体活动强度集。
其中,身体活动集包括每个统采样周期的身体活动强度。可选实施方式中,对于每个采样周期,服务器可以获取飞行员在采样周期的活动加速度、睡眠质量以及心率;并根据飞行员在采样周期的活动加速度、睡眠质量以及心率,获得飞行员在采样周期的身体活动强度,其中,身体活动强度的表达式为:
式中,MAD表示飞行员的身体活动强度,ri1表示飞行员在采样周期内的第i个采样时刻的加速度;表示采样周期内全部加速度的平均加速度;ri2表示飞行员在采样周期内的第i个采样时刻的睡眠质量,/>表示采样周期内全部睡眠质量的平均睡眠质量;ri3表示飞行员在采样周期内的第i个采样时刻的心率,/>表示采样周期内全部心率的平均心率,N表示采样周期内的采样次数。
对于上述活动加速度,本实施例中通过加速度计获得飞行员在多个方向的加速度,将多个方向加速度合成为飞行员的活动加速度。示例性的,假定第i个采样周期,加速度计测得的三轴测量值分表表示为xi,yi,zi,则可以通过以下表达式获得合成的活动加速度ri:
S101-9,根据身体活动强度集,获得身体活动的标准差以及方差。
其中,身体活动的标准差与方差各自的数量可以是多个。示例性的,将1个星期划分为工作日为一个子周期,双休为1个子周期时,则工作日的活动强度可以得到相应的标准差以方差,双休的活动强度可以得到相应标准差以及方差。
S101-10,将身体活动的标准差,作为飞行员身体活动的运动分散性指标。
S101-11,将身体活动的方差,作为飞行员身体活动的运动规律性指标。
上述运动分散性指标反映了飞行员身体活动的波动情况,而运动规律性指标反映了飞行员身体活动的规律程度。
此外,为了进一步提高对飞行员适航状态的评估精度,上述社交活动指标还可以包括基础社交活动指标以及基础身体活动指标。其中,基础身体活动指标包括平均身体活动强度;而基础社交活动指标则包括平均社交事件间隔时间、采样周期内的间隔时间、采样周期内与联系人交互的比率以及回应率、采样周期内的响应延迟、采样周期中白天的社交占比、采样周期内发起社交活动的占比。
上述实施例中介绍了社交活动性指标以及身体活动性指标,继续参见图2,该方法还包括:
S102,将规则性指标、社交活动指标与身体活动指标输入预先训练的状态评估模型,得到状态评估模型输出的飞行员的目标心理状态以及目标生理状态。
S103,根据目标心理状态以及目标生理状态,确定飞行员的适航评估结果。
可选实施方式中,服务器可以将目标心理状态以及目标生理状态与多个适航等级的标准进行匹配,确定飞行员相匹配的目标适航等级。
示例性的,本实施假定生理状态包括身体状况好、身体状况一般以及身体状况差;而心理状态包括情绪开朗、情绪一般以及情绪低迷。将上述生理状态与心理状态进行两两组合可以得到以下9组生理/心理组合:
(1)身体状况好/情绪开朗、(2)身体状况好/情绪一般、(3)身体状况好/情绪低迷、(4)身体状况一般/情绪开朗、(5)身体状况一般/情绪正常、(6)身体状况一般/情绪低迷、(7)身体状况差/情绪开朗、(8)身体状况差/情绪一般、(9)身体状况差/情绪低迷。
然后,将上述9组生理/心理组合划分为3个适航等级,分别为:
适航性好,即可执飞任务(身体状况好/情绪正常);
适航性不确定,即需介入评估(身体状况好/情绪一般、身体状况一般/情绪开朗、身体状况一般/情绪正常);
不适航,即停飞任务(身体状况好/情绪低迷、身体状况一般/情绪低迷、身体状况差/情绪开朗、身体状况差/情绪一般、身体状况差/情绪低迷);
继续假定飞行员的目标生理状态为身体状况一般,目标心理状态为情绪开朗,则该飞行员的目标适航等级为适航性不确定,此时,可对该飞行员做进一步地介入评估。
基于上述关于飞行员适航评估方法,在相同的发明构思下,本实施例还提供一种飞行员适航评估装置,该适航评估装置包括至少一个可以软件形式存储于存储器201或固化在电子设备中的软件功能模块。电子设备中的处理器202用于执行存储器201中存储的可执行模块。例如,适航评估装置所包括的软件功能模块及计算机程序等。请参照图3,从功能上划分,适航评估装置可以包括:
活动指标模块101,用于获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,其中,社交活动指标包括飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标,身体活动指标包括飞行员身体活动的运动分散性指标以及运动规律性指标;
状态评估模块102,用于将规则性指标、社交活动指标与身体活动指标输入预先训练的状态评估模型,得到状态评估模型输出的飞行员的目标心理状态以及目标生理状态;
适航评估模块103,用于根据目标心理状态以及目标生理状态,确定飞行员的适航评估结果。
对于上述模块,在本实施例中,该活动指标模块101用于实现图2中的步骤S101,该状态评估模块102用于实现图2中的步骤S102,该适航评估模块103用于实现图2中的步骤S103;关于以上模块的详细描述可以参见对应步骤的具体实施方式。当然,由于与飞行员适航评估方法具有相同的发明构思,因此,上述活动指标模块101、状态评估模块102以及适航评估模块103还可以用于实现该方法的其他步骤或者子步骤,对此,本实施例不再进行赘述。
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。
还应理解的是,以上实施方式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,服务器,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。
因此,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时,实现本实施例提供的飞行员适航评估方法。其中,该计算机可读存储介质可以是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。
本实施例还提供的一种电子设备,如图4所示,该电子设备可包括处理器202及存储器201。并且,存储器201存储有计算机程序,处理器通过读取并执行存储器201中与以上实施方式对应的计算机程序,实现本实施例所提供的飞行员适航评估方法。
继续参见图4,该电子设备还包括有通信单元203。该存储器201、处理器202以及通信单元203各元件相互之间通过系统总线204直接或间接地电性连接,以实现数据的传输或交互。
其中,该存储器201可以是基于任何电子、磁性、光学或其它物理原理的信息记录装置,用于记录执行指令、数据等。在一些实施方式中,该存储器201可以是,但不限于,易失存储器、非易失性存储器、存储驱动器等。
在一些实施方式中,该易失存储器可以是随机存取存储器(Random AccessMemory,RAM);在一些实施方式中,该非易失性存储器可以是只读存储器(Read OnlyMemory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)、闪存等;在一些实施方式中,该存储驱动器可以是磁盘驱动器、固态硬盘、任何类型的存储盘(如光盘、DVD等),或者类似的存储介质,或者它们的组合等。
该通信单元203用于通过网络收发数据。在一些实施方式中,该网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络可以包括一个或多个网络接入点。例如,网络可以包括有线或无线网络接入点,例如基站和/或网络交换节点,服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
该处理器202可能是一种集成电路芯片,具有信号的处理能力,并且,该处理器可以包括一个或多个处理核(例如,单核处理器或多核处理器)。仅作为举例,上述处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital SignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
最后,应该理解到的是,在上述实施方式中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。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种飞行员适航评估方法,其特征在于,所述方法包括:
获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,其中,所述社交活动指标包括所述飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标,所述身体活动指标包括飞行员身体活动的运动分散性指标以及运动规律性指标;
将所述规则性指标、所述社交活动指标与所述身体活动指标输入预先训练的状态评估模型,得到所述状态评估模型输出的所述飞行员的目标心理状态以及目标生理状态;
根据所述目标心理状态以及目标生理状态,确定所述飞行员的适航评估结果。
2.根据权利要求1所述的飞行员适航评估方法,其特征在于,所述目标评估周期包括多个采样周期,所述获取飞行员的社交活动指标,包括:
获取所述飞行员的社交次数集,其中,所述社交次数集包括所述飞行员在每个采样周期内的社交次数;
根据所述社交次数集,获得所述社交活动的标准差以及方差;
将所述社交活动的标准差,作为所述飞行员社交活动的社交分散性指标;
将所述社交活动的方差,作为所述飞行员社交活动的社交规律性指标。
3.根据权利要求1所述的飞行员适航评估方法,其特征在于,所述获取飞行员的社交活动指标,包括:
获取所述飞行员在所述目标评估周期内与至少一个联系人之间的联系次数;
根据所述飞行员与至少一个联系人之间的联系次数,获得所述飞行员的交互熵,其中,所述交互熵的表达式为:
式中,S表示所述交互熵,Fi表示所述目标飞行人员与第i个联系人之间的联系次数,N表示所述至少一个联系人的数量;
将所述交互熵,作为所述飞行员的社交多样性指标。
4.根据权利要求1所述的飞行员适航评估方法,其特征在于,所述目标评估周期包括多个子周期,每个子周期包括多个采样周期;所述获取飞行员的规则性指标,包括:
对于每个子周期,通过以下表达式计算所述飞行员在所述子周期内的规则性指标:
式中,表示所述飞行员的规则性指标,T表示所述多个采样周期的数量,/>表示所述飞行员在第t个采样周期内归一化的社交次数,/>表示所述飞行员在第t个采样周期内归一化的身体活动强度。
5.根据权利要求1所述的飞行员适航评估方法,其特征在于,所述目标评估周期内包括多个采样周期,所述获取飞行员的身体活动指标,包括:
获取所述飞行员的身体活动强度集,其中,所述身体活动集包括每个采样周期内的身体活动强度;
根据所述身体活动强度集,获得身体活动的标准差以及方差;
将所述身体活动的标准差,作为所述飞行员身体活动的运动分散性指标;
将所述身体活动的方差,作为所述飞行员身体活动的运动规律性指标。
6.根据权利要求5所述的飞行员适航评估方法,其特征在于,所述获取所述飞行员的身体活动强度集,包括:
对于每个采样周期,获取所述飞行员在所述采样周期内采样的活动加速度、睡眠质量以及心率;
根据所述飞行员在所述采样周期内采样的活动加速度、睡眠质量以及心率,获得所述飞行员在所述采样周期内的身体活动强度,其中,所述身体活动强度的表达式为:
式中,MAD表示所述飞行员的身体活动强度,ri1表示所述飞行员在所述采样周期内的第i个采样时刻的加速度;表示所述采样周期内全部加速度的平均加速度;ri2表示所述飞行员在所述采样周期内的第i个采样时刻的睡眠质量,/>表示所述采样周期内全部睡眠质量的平均睡眠质量;ri3表示所述飞行员在所述采样周期内的第i个采样时刻的心率,/>表示所述采样周期内全部心率的平均心率,N表示所述采样周期内的采样次数。
7.根据权利要求6所述的飞行员适航评估方法,其特征在于,根据所述目标心理状态以及目标生理状态,确定所述飞行员的适航评估结果,包括:
将所述目标心理状态以及目标生理状态与多个适航等级的标准进行匹配,确定所述飞行员相匹配的目标适航等级。
8.一种飞行员适航评估装置,其特征在于,所述装置包括:
活动指标模块,用于获取飞行员在目标评估周期内的社交活动指标、身体活动指标以及表征社交活动与身体活动之间关联性的规则性指标,其中,所述社交活动指标包括所述飞行员社交活动的社交分散性指标、社交多样性指标以及社交规律性指标,所述身体活动指标包括飞行员身体活动的运动分散性指标以及运动规律性指标;
状态评估模块,用于将所述规则性指标、所述社交活动指标与所述身体活动指标输入预先训练的状态评估模型,得到所述状态评估模型输出的所述飞行员的目标心理状态以及目标生理状态;
适航评估模块,用于根据所述目标心理状态以及目标生理状态,确定所述飞行员的适航评估结果。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-7任意一项所述的飞行员适航评估方法。
10.一种电子设备,其特征在于,所述电子设备包括处理器以及存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1-7任意一项所述的飞行员适航评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568738.7A CN116596385A (zh) | 2023-05-17 | 2023-05-17 | 飞行员适航评估方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310568738.7A CN116596385A (zh) | 2023-05-17 | 2023-05-17 | 飞行员适航评估方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596385A true CN116596385A (zh) | 2023-08-15 |
Family
ID=87593337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310568738.7A Pending CN116596385A (zh) | 2023-05-17 | 2023-05-17 | 飞行员适航评估方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596385A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711627A (zh) * | 2024-02-06 | 2024-03-15 | 中国民用航空飞行学院 | 民航飞行学员飞行训练过程健康风险预测处置方法及系统 |
CN117727449A (zh) * | 2024-02-07 | 2024-03-19 | 中国民用航空飞行学院 | 一种民航飞行员健康飞行时间的评估方法 |
-
2023
- 2023-05-17 CN CN202310568738.7A patent/CN116596385A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711627A (zh) * | 2024-02-06 | 2024-03-15 | 中国民用航空飞行学院 | 民航飞行学员飞行训练过程健康风险预测处置方法及系统 |
CN117727449A (zh) * | 2024-02-07 | 2024-03-19 | 中国民用航空飞行学院 | 一种民航飞行员健康飞行时间的评估方法 |
CN117727449B (zh) * | 2024-02-07 | 2024-05-17 | 中国民用航空飞行学院 | 一种民航飞行员健康飞行时间的评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596385A (zh) | 飞行员适航评估方法、装置、存储介质及电子设备 | |
CN112673378B (zh) | 推断器生成装置、监视装置、推断器生成方法以及推断器生成程序 | |
JP7162550B2 (ja) | モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN112365171B (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
Ayoub et al. | Predicting driver takeover time in conditionally automated driving | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN113557536B (zh) | 学习系统、数据生成装置、数据生成方法及存储介质 | |
Mehrotra et al. | Designing effective movement digital biomarkers for unobtrusive emotional state mobile monitoring | |
EP4083873A1 (en) | Analysis device, analysis method, and analysis program | |
CN113469300A (zh) | 设备状态检测方法及相关装置 | |
CN111401388A (zh) | 数据挖掘方法、装置、服务器及可读存储介质 | |
CN113094284A (zh) | 应用故障检测方法及装置 | |
CN113450572B (zh) | 一种交通状态估计方法、装置、设备及可读存储介质 | |
US10929767B2 (en) | Method for complex events detection using hidden markov models | |
CN105940435A (zh) | 测量并诊断城市环境中的噪音 | |
Berkolaiko et al. | Intermediate wave function statistics | |
US20200402658A1 (en) | User-aware explanation selection for machine learning systems | |
Vásquez‐Restrepo et al. | Deconstructing the dimensions of alpha diversity in squamate reptiles (Reptilia: Squamata) across the Americas | |
CN115690544B (zh) | 多任务学习方法及装置、电子设备和介质 | |
CN115881228B (zh) | 一种基于人工智能的基因检测数据清洗方法及系统 | |
Sato et al. | Probabilistic graphic models applied to identification of diseases | |
US20210158179A1 (en) | Dynamic recommendation system for correlated metrics and key performance indicators | |
Fitzpatrick | Kelly on Ockham’s razor and truth-finding efficiency | |
US20220000415A1 (en) | Epileptic seizure predicting device, method for analyzing electrocardiographic index data, seizure predicting computer program, model constructing device, model constructing method, and model constructing computer program |
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 |