CN116665839A - 一种基于智能穿戴设备的大数据回归分析方法及系统 - Google Patents
一种基于智能穿戴设备的大数据回归分析方法及系统 Download PDFInfo
- Publication number
- CN116665839A CN116665839A CN202310654979.3A CN202310654979A CN116665839A CN 116665839 A CN116665839 A CN 116665839A CN 202310654979 A CN202310654979 A CN 202310654979A CN 116665839 A CN116665839 A CN 116665839A
- Authority
- CN
- China
- Prior art keywords
- data
- motion
- heat
- supervision
- regression model
- 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 44
- 238000000611 regression analysis Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000012417 linear regression Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims description 71
- 238000007477 logistic regression Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 30
- 239000008280 blood Substances 0.000 claims description 24
- 210000004369 blood Anatomy 0.000 claims description 24
- 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 claims description 22
- 239000008103 glucose Substances 0.000 claims description 22
- 230000000241 respiratory effect Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims 2
- 238000007405 data analysis Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003862 health status Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Cardiology (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Dentistry (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physical Education & Sports Medicine (AREA)
Abstract
本发明提供的基于智能穿戴设备的大数据回归分析方法，获取智能穿戴设备的历史运动数据；根据拟合数据中不同时刻以及对应消耗的热量构建二元组；将二元组导入线性回归模型中，对线性回归模型进行拟合；利用校验数据对拟合后的线性回归模型进行校验；定义校验通过的线性回归模型为运动分析模型；接收运动监管起始时刻和运动监管结束时刻；利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间的计划消耗热量；计算用户在运动监管起始时刻到运动监管结束时刻之间的实际消耗热量；实时将实际消耗热量和计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。该方法提高了智能穿戴设备的数据分析能力以及用户体验感。
Description
技术领域
本发明属于数据分析技术领域，具体涉及一种基于智能穿戴设备的大数据回归分析方法及系统。
背景技术
智能穿戴设备是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备，如手表、手环、眼镜、服饰等。而智能手表是最常见的智能穿戴设备。智能手表具有信息处理能力，例如智能手表具有提醒、导航、校准、交互、蓝牙同步手机打电话、收发短信、运动记录、拍照、音乐播放、录像等一种或者多种功能。
但是现有的智能手表类智能穿戴设备缺乏对采集数据进行大数据分析的功能，例如缺少对采集的运动数据、健康数据进行分析监控的功能，数据分析能力较差，用户体验感稍差。
发明内容
针对现有技术中的缺陷，本发明提供一种基于智能穿戴设备的大数据回归分析方法及系统，提高了智能穿戴设备的数据分析能力以及用户体验感。
第一方面，一种基于智能穿戴设备的大数据回归分析方法，包括：
获取智能穿戴设备的历史运动数据；历史运动数据包括用户在历史采样时间段内每天不同时刻下消耗的热量；
随机抽取部分历史运动数据作为拟合数据，定义剩下的历史运动数据作为校验数据；
根据拟合数据中不同时刻以及对应消耗的热量构建二元组；
将二元组导入线性回归模型中，对线性回归模型进行拟合；
利用校验数据对拟合后的线性回归模型进行校验；
定义校验通过的线性回归模型为运动分析模型；
接收运动监管起始时刻和运动监管结束时刻；
利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间的计划消耗热量；
计算用户在运动监管起始时刻到运动监管结束时刻之间的实际消耗热量；
实时将实际消耗热量和计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。
进一步地，计划消耗热量通过以下方式获得：
利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间消耗的热量，以得到计划消耗热量；
实际消耗热量通过以下方式获得：
当检测到当前时刻进入运动监管起始时刻时，持续实时采集智能穿戴设备记录的用户在当前时刻下实际消耗的热量；对运动监管起始时刻到当前时刻之间采集到的实际消耗的热量进行累加，以得到实际消耗热量；
当检测到当前时刻到达运动监管结束时刻，停止采集实际消耗的热量。
进一步地，还包括：
获取智能穿戴设备的历史健康数据；历史健康数据包括用户在历史采样时间段内不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态；
将不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态导入逻辑回归模型中，对逻辑回归模型进行拟合；
计算拟合后的逻辑回归模型的评估指标；
当评估指标落入拟合指标标准范围内时，定义拟合后的逻辑回归模型为健康分析模型；
将智能穿戴设备当前时刻的血糖数据、呼吸数据和心脏数据导入健康分析模型；
定义健康分析模型输出的健康状态为用户的实时健康状态。
进一步地，评估指标包括召回率、准确率、精确率。
进一步地，在计算拟合后的逻辑回归模型的评估指标之后，还包括：
当评估指标未落入拟合指标标准范围内时，重新对对逻辑回归模型进行拟合。
第二方面，一种基于智能穿戴设备的大数据回归分析系统，包括：
采集单元：用于获取智能穿戴设备的历史运动数据；历史运动数据包括用户在历史采样时间段内每天不同时刻下消耗的热量；
数据预处理单元：用于随机抽取部分历史运动数据作为拟合数据，定义剩下的历史运动数据作为校验数据；根据拟合数据中不同时刻以及对应消耗的热量构建二元组；
回归模型构建单元：用于将二元组导入线性回归模型中，对线性回归模型进行拟合；利用校验数据对拟合后的线性回归模型进行校验；定义校验通过的线性回归模型为运动分析模型；
监管单元：用于接收运动监管起始时刻和运动监管结束时刻；利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间的计划消耗热量；计算用户在运动监管起始时刻到运动监管结束时刻之间的实际消耗热量；实时将实际消耗热量和计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。
进一步地，计划消耗热量通过以下方式获得：
利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间消耗的热量，以得到计划消耗热量；
实际消耗热量通过以下方式获得：
当检测到当前时刻进入运动监管起始时刻时，持续实时采集智能穿戴设备记录的用户在当前时刻下实际消耗的热量；对运动监管起始时刻到当前时刻之间采集到的实际消耗的热量进行累加，以得到实际消耗热量；
当检测到当前时刻到达运动监管结束时刻，停止采集实际消耗的热量。
进一步地，采集单元还用于：获取智能穿戴设备的历史健康数据；历史健康数据包括用户在历史采样时间段内不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态；
回归模型构建单元还用于：将不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态导入逻辑回归模型中，对逻辑回归模型进行拟合；计算拟合后的逻辑回归模型的评估指标；当评估指标落入拟合指标标准范围内时，定义拟合后的逻辑回归模型为健康分析模型；
监管单元还用于：将智能穿戴设备当前时刻的血糖数据、呼吸数据和心脏数据导入健康分析模型；定义健康分析模型输出的健康状态为用户的实时健康状态。
进一步地，评估指标包括召回率、准确率、精确率。
进一步地，回归模型构建单元还用于：当评估指标未落入拟合指标标准范围内时，重新对对逻辑回归模型进行拟合。
由上述技术方案可知，本发明提供的基于智能穿戴设备的大数据回归分析方法及系统，通过用户的历史运动数据训练线性回归模型，得到时间与消耗热量的关系，并利用线性回归模型监督用户的运动量是否达标、进行相应提醒。这样能够对智能穿戴设备的数据进行回归分析，提高了智能穿戴设备的数据分析能力以及用户体验感。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为实施例提供的大数据回归分析方法中运动监管的流程图。
图2为实施例提供的大数据回归分析方法中健康监管的流程图。
图3为实施例提供的大数据回归分析系统的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例：
一种基于智能穿戴设备的大数据回归分析方法，参见图1，包括：
S1：获取智能穿戴设备的历史运动数据；历史运动数据包括用户在历史采样时间段内每天不同时刻下消耗的热量；
S2：随机抽取部分历史运动数据作为拟合数据，定义剩下的历史运动数据作为校验数据；
S3：根据拟合数据中不同时刻以及对应消耗的热量构建二元组；
S4：将二元组导入线性回归模型中，对线性回归模型进行拟合；
S5：利用校验数据对拟合后的线性回归模型进行校验；
S6：定义校验通过的线性回归模型为运动分析模型；
S7：接收运动监管起始时刻和运动监管结束时刻；
S8：利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间的计划消耗热量；
S9：计算用户在运动监管起始时刻到运动监管结束时刻之间的实际消耗热量；
S10：实时将实际消耗热量和计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。
在本实施例中，该大数据回归分析方法主要应用于智能手表中，该方法首先获取智能穿戴设备的历史运动数据，一般的智能手表都具有运动记录功能，例如记录跑步多少分钟，本次运动消耗多少热量等等。所以该方法采集的历史运动数据包括用户在历史采样时间段内每天不同时刻下消耗的热量，例如采集用户历史三天内每天不同时刻下消耗的热量，一般情况下对于有运动习惯的用户而言，都会在相对固定的时间进行运动，例如在早晨、中午午休或下午下班以后进行运动。所以采集到的历史运动数据可能为9点-10点消耗500卡，18点-19点消耗1000卡等等。
在本实施例中，该大数据回归分析方法利用历史运动数据对线性回归模型进行拟合，设置线性回归模型的初始表达式为：Y＝aX+b；X、Y分别为自变量和因变量，a、b为模型参数。该方法抽取部分历史运动数据作为拟合数据，用于拟合线性回归模型。另一部分历史运动数据作为校验数据，用于校验拟合后的线性回归模型。在模型拟合之前，该方法还需要对拟合数据进行预处理，例如根据拟合数据中不同时刻以及对应消耗的热量构建二元组，例如二元组可以表示为：其中Xi可以表示时刻，Yi可以表示热量，反之也成立。接着将二元组导入线性回归模型进行拟合，其中线性回归模型的拟合效果可以通过方差、距离确定。接着利用校验数据对拟合后的线性回归模型进行校验，校验过程可以是将校验数据带入拟合后的模型中，当模型得到的数值和校验数据的差值小于一定范围时，校验通过。此时使用校验通过的线性回归模型分析用户的运动情况。
在本实施例中，该方法具有运动监管功能，即用户可以指定监管时间，当时间到达时，监管用户的实际运动情况是否达到以往的运动情况。监管时间包括运动监管起始时刻和运动监管结束时刻，例如设置运动监管起始时刻为4月1号7点，运动监管结束时刻为4月8号20点。运动分析模型根据用户以往的运动习惯，输出在运动监管起始时刻到运动监管结束时刻之间用户的计划消耗热量，例如运动分析模型输出在4月1号7点-4月8号20点预计消耗10000卡。并从运动监管起始时刻开始记录用户的运动情况，得到运动监管起始时刻到运动监管结束时刻之间的实际消耗热量，最后将实际消耗热量和计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。例如当实际消耗热量远低于计划消耗热量的进度，提醒用户加紧运动。
该基于智能穿戴设备的大数据回归分析方法，通过用户的历史运动数据训练线性回归模型，得到时间与消耗热量的关系，并利用线性回归模型监督用户的运动量是否达标、进行相应提醒。这样能够对智能穿戴设备的数据进行回归分析，提高了智能穿戴设备的数据分析能力以及用户体验感。
进一步地，在一些实施例中，计划消耗热量通过以下方式获得：
利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间消耗的热量，以得到计划消耗热量；
实际消耗热量通过以下方式获得：
当检测到当前时刻进入运动监管起始时刻时，持续实时采集智能穿戴设备记录的用户在当前时刻下实际消耗的热量；对运动监管起始时刻到当前时刻之间采集到的实际消耗的热量进行累加，以得到实际消耗热量；
当检测到当前时刻到达运动监管结束时刻，停止采集实际消耗的热量。
在本实施例中，计划消耗热量为运动分析模型预测的运动监管起始时刻到运动监管结束时刻之间消耗的热量。实际消耗热量是从运动监管起始时刻开始记录来自智能穿戴设备的实际消耗的热量，直到到达运动监管结束时刻才停止采集用户实际消耗的热量。在运动监管起始时刻到运动监管结束时刻之间，实时累计运动监管起始时刻到当前时刻的实际消耗热量，例如假设当前时刻为4月3号12点，则该方法实时累计4月1号7点到4月3号12点之间用户实际消耗热量。
进一步地，在一些实施例中，参见图2，还包括：
S11：获取智能穿戴设备的历史健康数据；历史健康数据包括用户在历史采样时间段内不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态；
S12：将不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态导入逻辑回归模型中，对逻辑回归模型进行拟合；
S13：计算拟合后的逻辑回归模型的评估指标；
S14：当评估指标落入拟合指标标准范围内时，定义拟合后的逻辑回归模型为健康分析模型；
S15：将智能穿戴设备当前时刻的血糖数据、呼吸数据和心脏数据导入健康分析模型；
S16：定义健康分析模型输出的健康状态为用户的实时健康状态。
在本实施例中，该方法还具有健康监管功能。一般的智能手表都具有血糖监测、呼吸次数监测、心跳次数监测功能。所以该方法采集的历史健康数据包括用户在历史采样时间段内不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态；例如采集用户历史三天内每天不同时刻下血糖数据、呼吸数据、心脏数据以及健康状态，健康状态可以由用户手动在智能穿戴设备中记录，例如当用户去医院检查心电图，心电图不健康时，可以在智能穿戴设备中记录健康状态为不健康，对于身体没有异常的情况下记录健康状态为健康。
在本实施例中，该大数据回归分析方法利用历史健康数据对逻辑回归模型进行拟合，其中逻辑回归模型可以在线性回归模型的基础上加sigmoid函数得到。其中逻辑回归模型的拟合效果可以通过评估指标确定。如果当评估指标落入拟合指标标准范围内时，说明拟合效果比较好，定义拟合后的逻辑回归模型为健康分析模型。拟合指标标准范围可以由用户预先设定。
在本实施例中，该方法具有健康监管功能，即根据用户当前的血糖数据、呼吸数据和心脏数据确定用户的实时健康状态，即将当前时刻的血糖数据、呼吸数据和心脏数据导入健康分析模型，将健康分析模型输出的健康状态定义为用户的实时健康状态。
该基于智能穿戴设备的大数据回归分析方法，通过用户的历史健康数据训练逻辑回归模型，得到多个健康因素(血糖数据、呼吸数据和心脏数据)与健康状态的关系，从而预测用户的健康状态。
进一步地，在一些实施例中，评估指标包括召回率、准确率、精确率。
在本实施例中，逻辑回归模型的拟合效果可以由召回率、准确率、精确率进行评估，通过这些评估指标,便可以判断逻辑回归模型在结果预测上的精准度与准确度的高低,以及多少样本是被模型正确或者错误地评估。
进一步地，在一些实施例中，在计算拟合后的逻辑回归模型的评估指标之后，还包括：
当评估指标未落入拟合指标标准范围内时，重新对对逻辑回归模型进行拟合。
在本实施例中，当评估指标未落入拟合指标标准范围内时，说明逻辑回归模型的拟合效果不好，此时可以重新对对逻辑回归模型进行拟合。
一种基于智能穿戴设备的大数据回归分析系统，参见图3，包括：
采集单元1：用于获取智能穿戴设备的历史运动数据；历史运动数据包括用户在历史采样时间段内每天不同时刻下消耗的热量；
数据预处理单元2：用于随机抽取部分历史运动数据作为拟合数据，定义剩下的历史运动数据作为校验数据；根据拟合数据中不同时刻以及对应消耗的热量构建二元组；
回归模型构建单元3：用于将二元组导入线性回归模型中，对线性回归模型进行拟合；利用校验数据对拟合后的线性回归模型进行校验；定义校验通过的线性回归模型为运动分析模型；
监管单元4：用于接收运动监管起始时刻和运动监管结束时刻；利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间的计划消耗热量；计算用户在运动监管起始时刻到运动监管结束时刻之间的实际消耗热量；实时将实际消耗热量和计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。
进一步地，在一些实施例中，计划消耗热量通过以下方式获得：
利用运动分析模型预测运动监管起始时刻到运动监管结束时刻之间消耗的热量，以得到计划消耗热量；
实际消耗热量通过以下方式获得：
当检测到当前时刻进入运动监管起始时刻时，持续实时采集智能穿戴设备记录的用户在当前时刻下实际消耗的热量；对运动监管起始时刻到当前时刻之间采集到的实际消耗的热量进行累加，以得到实际消耗热量；
当检测到当前时刻到达运动监管结束时刻，停止采集实际消耗的热量。
进一步地，在一些实施例中，采集单元1还用于：获取智能穿戴设备的历史健康数据；历史健康数据包括用户在历史采样时间段内不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态；
回归模型构建单元3还用于：将不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态导入逻辑回归模型中，对逻辑回归模型进行拟合；计算拟合后的逻辑回归模型的评估指标；当评估指标落入拟合指标标准范围内时，定义拟合后的逻辑回归模型为健康分析模型；
监管单元4还用于：将智能穿戴设备当前时刻的血糖数据、呼吸数据和心脏数据导入健康分析模型；定义健康分析模型输出的健康状态为用户的实时健康状态。
进一步地，在一些实施例中，评估指标包括召回率、准确率、精确率。
进一步地，在一些实施例中，回归模型构建单元3还用于：当评估指标未落入拟合指标标准范围内时，重新对对逻辑回归模型进行拟合。
本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于智能穿戴设备的大数据回归分析方法，其特征在于，包括：
获取智能穿戴设备的历史运动数据；所述历史运动数据包括用户在历史采样时间段内每天不同时刻下消耗的热量；
随机抽取部分所述历史运动数据作为拟合数据，定义剩下的所述历史运动数据作为校验数据；
根据所述拟合数据中不同时刻以及对应消耗的热量构建二元组；
将所述二元组导入线性回归模型中，对所述线性回归模型进行拟合；
利用所述校验数据对拟合后的线性回归模型进行校验；
定义校验通过的线性回归模型为运动分析模型；
接收运动监管起始时刻和运动监管结束时刻；
利用所述运动分析模型预测所述运动监管起始时刻到所述运动监管结束时刻之间的计划消耗热量；
计算用户在所述运动监管起始时刻到所述运动监管结束时刻之间的实际消耗热量；
实时将所述实际消耗热量和所述计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。
2.根据权利要求1所述基于智能穿戴设备的大数据回归分析方法，其特征在于，所述计划消耗热量通过以下方式获得：
利用所述运动分析模型预测所述运动监管起始时刻到所述运动监管结束时刻之间消耗的热量，以得到所述计划消耗热量；
所述实际消耗热量通过以下方式获得：
当检测到当前时刻进入所述运动监管起始时刻时，持续实时采集所述智能穿戴设备记录的用户在当前时刻下实际消耗的热量；对所述运动监管起始时刻到当前时刻之间采集到的实际消耗的热量进行累加，以得到所述实际消耗热量；
当检测到当前时刻到达所述运动监管结束时刻，停止采集所述实际消耗的热量。
3.根据权利要求1所述基于智能穿戴设备的大数据回归分析方法，其特征在于，还包括：
获取智能穿戴设备的历史健康数据；所述历史健康数据包括用户在所述历史采样时间段内不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态；
将所述不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态导入逻辑回归模型中，对所述逻辑回归模型进行拟合；
计算拟合后的逻辑回归模型的评估指标；
当所述评估指标落入拟合指标标准范围内时，定义所述拟合后的逻辑回归模型为健康分析模型；
将所述智能穿戴设备当前时刻的血糖数据、呼吸数据和心脏数据导入所述健康分析模型；
定义所述健康分析模型输出的健康状态为用户的实时健康状态。
4.根据权利要求3所述基于智能穿戴设备的大数据回归分析方法，其特征在于，所述评估指标包括召回率、准确率、精确率。
5.根据权利要求3所述基于智能穿戴设备的大数据回归分析方法，其特征在于，在所述计算拟合后的逻辑回归模型的评估指标之后，还包括：
当所述评估指标未落入拟合指标标准范围内时，重新对对所述逻辑回归模型进行拟合。
6.一种基于智能穿戴设备的大数据回归分析系统，其特征在于，包括：
采集单元：用于获取智能穿戴设备的历史运动数据；所述历史运动数据包括用户在历史采样时间段内每天不同时刻下消耗的热量；
数据预处理单元：用于随机抽取部分所述历史运动数据作为拟合数据，定义剩下的所述历史运动数据作为校验数据；根据所述拟合数据中不同时刻以及对应消耗的热量构建二元组；
回归模型构建单元：用于将所述二元组导入线性回归模型中，对所述线性回归模型进行拟合；利用所述校验数据对拟合后的线性回归模型进行校验；定义校验通过的线性回归模型为运动分析模型；
监管单元：用于接收运动监管起始时刻和运动监管结束时刻；利用所述运动分析模型预测所述运动监管起始时刻到所述运动监管结束时刻之间的计划消耗热量；计算用户在所述运动监管起始时刻到所述运动监管结束时刻之间的实际消耗热量；实时将所述实际消耗热量和所述计划消耗热量进行对比，根据对比结果生成实时的运动提醒信息。
7.根据权利要求6所述基于智能穿戴设备的大数据回归分析系统，其特征在于，所述计划消耗热量通过以下方式获得：
利用所述运动分析模型预测所述运动监管起始时刻到所述运动监管结束时刻之间消耗的热量，以得到所述计划消耗热量；
所述实际消耗热量通过以下方式获得：
当检测到当前时刻进入所述运动监管起始时刻时，持续实时采集所述智能穿戴设备记录的用户在当前时刻下实际消耗的热量；对所述运动监管起始时刻到当前时刻之间采集到的实际消耗的热量进行累加，以得到所述实际消耗热量；
当检测到当前时刻到达所述运动监管结束时刻，停止采集所述实际消耗的热量。
8.根据权利要求6所述基于智能穿戴设备的大数据回归分析系统，其特征在于，
所述采集单元还用于：获取智能穿戴设备的历史健康数据；所述历史健康数据包括用户在所述历史采样时间段内不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态；
所述回归模型构建单元还用于：将所述不同时刻的血糖数据、呼吸数据、心脏数据以及健康状态导入逻辑回归模型中，对所述逻辑回归模型进行拟合；计算拟合后的逻辑回归模型的评估指标；当所述评估指标落入拟合指标标准范围内时，定义所述拟合后的逻辑回归模型为健康分析模型；
所述监管单元还用于：将所述智能穿戴设备当前时刻的血糖数据、呼吸数据和心脏数据导入所述健康分析模型；定义所述健康分析模型输出的健康状态为用户的实时健康状态。
9.根据权利要求8所述基于智能穿戴设备的大数据回归分析系统，其特征在于，所述评估指标包括召回率、准确率、精确率。
10.根据权利要求8所述基于智能穿戴设备的大数据回归分析系统，其特征在于，所述回归模型构建单元还用于：当所述评估指标未落入拟合指标标准范围内时，重新对对所述逻辑回归模型进行拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310654979.3A CN116665839A (zh) | 2023-06-02 | 2023-06-02 | 一种基于智能穿戴设备的大数据回归分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310654979.3A CN116665839A (zh) | 2023-06-02 | 2023-06-02 | 一种基于智能穿戴设备的大数据回归分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116665839A true CN116665839A (zh) | 2023-08-29 |
Family
ID=87722097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310654979.3A Pending CN116665839A (zh) | 2023-06-02 | 2023-06-02 | 一种基于智能穿戴设备的大数据回归分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665839A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110087137A1 (en) * | 2008-06-16 | 2011-04-14 | Reed Hanoun | Mobile fitness and personal caloric management system |
| CN106897802A (zh) * | 2017-04-07 | 2017-06-27 | 华为技术有限公司 | 数据处理方法、装置和健身机器人 |
| CN112349381A (zh) * | 2020-11-10 | 2021-02-09 | 深圳市爱都科技有限公司 | 卡路里计算方法、装置、可穿戴设备和存储介质 |
| CN112954066A (zh) * | 2021-02-26 | 2021-06-11 | 北京三快在线科技有限公司 | 信息推送方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-06-02 CN CN202310654979.3A patent/CN116665839A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110087137A1 (en) * | 2008-06-16 | 2011-04-14 | Reed Hanoun | Mobile fitness and personal caloric management system |
| CN106897802A (zh) * | 2017-04-07 | 2017-06-27 | 华为技术有限公司 | 数据处理方法、装置和健身机器人 |
| CN112349381A (zh) * | 2020-11-10 | 2021-02-09 | 深圳市爱都科技有限公司 | 卡路里计算方法、装置、可穿戴设备和存储介质 |
| CN112954066A (zh) * | 2021-02-26 | 2021-06-11 | 北京三快在线科技有限公司 | 信息推送方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 徐瑞萍等: "《生物统计学实验指导 SPSS22.0及R语言应用》", 30 June 2020, 西安电子科技大学出版社, pages: 137 - 195 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
| CN108778097A (zh) | 用于评估心力衰竭的装置和方法 | |
| US20110137836A1 (en) | Method and system for generating history of behavior | |
| CN109363659B (zh) | 基于深度学习的心率监控方法、装置及存储介质 | |
| US20160128638A1 (en) | System and method for detecting and quantifying deviations from physiological signals normality | |
| RU2712395C1 (ru) | Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты) | |
| CN110415821B (zh) | 一种基于人体生理数据的健康知识推荐系统及其运行方法 | |
| Sarker et al. | From markers to interventions: The case of just-in-time stress intervention | |
| CN103440421B (zh) | 医学数据处理方法和系统 | |
| Lutze et al. | Personal health assistance for elderly people via smartwatch based motion analysis | |
| CN105816153A (zh) | 一种睡眠监测系统及方法 | |
| KR20190023611A (ko) | 웨어러블 기기 기반 운동 가이드 시스템 | |
| CN107767965A (zh) | 多因素关联比对的健康监测系统及方法 | |
| CN115670419A (zh) | 基于智能手表预测运动信息的数据处理方法及系统 | |
| US20190206566A1 (en) | Movement disorders monitoring and treatment support system for elderly care | |
| CN114098658A (zh) | 一种健康状态的监测方法及装置 | |
| CN107785083A (zh) | 一种用户健康数据采集方法和用户健康监护系统 | |
| CN116665839A (zh) | 一种基于智能穿戴设备的大数据回归分析方法及系统 | |
| CN113903470A (zh) | 一种血液透析后患者的生活智能提醒方法及系统 | |
| CN103186701A (zh) | 一种饮食习惯分析方法、系统和设备 | |
| CN110364240A (zh) | 健康数据监测方法、装置、计算机设备及存储介质 | |
| AU2016200158A1 (en) | System and method for autonomous chronic disease management | |
| Fei et al. | A wearable health monitoring system | |
| CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
| CN113436702A (zh) | 一种基于人工智能的健康分析方法 |
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 |