CN116680637A - 社区居家老年人传感数据分析模型的构建方法及装置 - Google Patents
社区居家老年人传感数据分析模型的构建方法及装置 Download PDFInfo
- Publication number
- CN116680637A CN116680637A CN202310961272.7A CN202310961272A CN116680637A CN 116680637 A CN116680637 A CN 116680637A CN 202310961272 A CN202310961272 A CN 202310961272A CN 116680637 A CN116680637 A CN 116680637A
- Authority
- CN
- China
- Prior art keywords
- preset
- determining
- health data
- target
- feature
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 82
- 238000010276 construction Methods 0.000 title claims description 12
- 230000036541 health Effects 0.000 claims abstract description 176
- 239000013598 vector Substances 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 94
- 238000003066 decision tree Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 28
- 240000000594 Heliconia bihai Species 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 72
- 239000004973 liquid crystal related substance Substances 0.000 description 52
- 230000008569 process Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 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 2
- 241000270666 Testudines Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 241000286209 Phasianidae Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008260 defense mechanism Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种社区居家老年人传感数据分析模型的构建方法及装置,涉及数据分析技术领域,包括:获取预先构建的健康数据集;其中,健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的;对健康数据集进行特征选择,确定维度特征向量;对维度特征向量进行特征提取,确定目标特征参数;将目标特征参数输入至预先设置的分类器中,对分类器进行分类训练,以确定健康数据分析模型;其中,分类器为基于随机森林算法和负反馈策略构建的,健康数据分析模型用于对健康数据进行分析。本发明可以减少人工干预和主观性误差,提高数据分析的准确性和可靠性。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种社区居家老年人传感数据分析模型的构建方法及装置。
背景技术
随着全球人口老龄化的不断加剧,老年人健康问题成为了一个重要的社会关注点。老年人的健康状况评估对于提供及时干预、改善生活质量和预防疾病具有重要意义。传统的老年人健康评估方法主要依赖于专业医疗机构和人工判断。这种方法存在一些问题,包括评估周期长、成本高、主观性强等。由于老年人健康状况的多样性和复杂性,传统方法难以满足实时、准确和个性化的评估需求。因此,为了解决这些问题,开发一种基于机器学习和人工智能的自动化健康状况评估方法变得十分必要。目前,机器学习和人工智能技术具有处理大规模数据、挖掘潜在模式和构建预测模型的能力,可以为老年人健康评估提供有效的工具和方法。
目前存在一种健康大数据的健康物联网平台及其管理方法,对不同人员的健康参数数据进行监测,根据所监测的参数数据以及年龄参数,选取不同的适配数据包,再通过分析处理,获取不同监测人员的健康评分。此外,还有一种基于大数据的健康监测分析方法及系统,通过将用户的就诊信息和电子穿戴设备的实时健康监测数据相结合,将相应数据库输入健康监测模型,根据健康监测模型,获取状态偏离度;以状态偏离度,生成预警信息,对目标用户进行健康预警提醒。然而,上述方案分别直接使用采集到的数据,这些数据样本存在样本不充分、样本不平衡等情况,对此,无法准确进行健康分析。
发明内容
有鉴于此,本发明的目的在于提供一种社区居家老年人传感数据分析模型的构建方法及装置,可以减少人工干预和主观性误差,提高评估的准确性和可靠性。
第一方面,本发明实施例提供了一种社区居家老年人传感数据分析模型的构建方法,该构建方法包括:获取预先构建的健康数据集;其中,健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的,原始数据集包括多条健康数据,每条健康数据带有预先确定的风险类别标签;对健康数据集进行特征选择,确定满足预设维度目标的维度特征向量;对维度特征向量进行特征提取,确定目标特征参数;将目标特征参数输入至预先设置的分类器中,对分类器进行分类训练,确定预测分类结果,并将预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型;其中,分类器为基于随机森林算法和负反馈策略构建的,健康数据分析模型用于对健康数据进行分析。
本发明实施例带来了以下有益效果:本发明提供的一种社区居家老年人传感数据分析模型的构建方法及装置,通过收集健康数据,并进行数据扩充得到健康数据集,之后进行特征选择、特征提取及分类器训练后构建健康数据分析模型,从而可以根据待评估的健康数据对用户的健康状况进行评估,可以减少人工干预和主观性误差,提高评估的准确性和可靠性,从而可以改善老年人的生活质量、预防疾病和提供及时的医疗干预。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种社区居家老年人传感数据分析模型的构建方法的流程图;
图2为本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建方法的流程图;
图3为本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建方法的流程图;
图4为本发明实施例提供的一种社区居家老年人传感数据分析方法的流程图;
图5为本发明实施例提供的一种社区居家老年人传感数据分析模型的构建装置的结构示意图;
图6为本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建装置的结构示意图;
图7为本发明实施例提供的一种社区居家老年人传感数据分析装置的结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着全球人口老龄化的不断加剧,老年人健康问题成为了一个重要的社会关注点。老年人的健康状况评估对于提供及时干预、改善生活质量和预防疾病具有重要意义。传统的老年人健康评估方法主要依赖于专业医疗机构和人工判断。这种方法存在一些问题,包括评估周期长、成本高、主观性强等。由于老年人健康状况的多样性和复杂性,传统方法难以满足实时、准确和个性化的评估需求。因此,为了解决这些问题,开发一种基于机器学习和人工智能的自动化健康状况评估方法变得十分必要。机器学习和人工智能技术具有处理大规模数据、挖掘潜在模式和构建预测模型的能力,可以为老年人健康评估提供有效的工具和方法。
目前存在一种健康大数据的健康物联网平台及其管理方法,对不同人员的健康参数数据进行监测,根据所监测的参数数据以及年龄参数,选取不同的适配数据包,再通过分析处理,获取不同监测人员的健康评分。此外,还有一种基于大数据的健康监测分析方法及系统,通过将用户的就诊信息和电子穿戴设备的实时健康监测数据相结合,将相应数据库输入健康监测模型,根据健康监测模型,获取状态偏离度;以状态偏离度,生成预警信息,对目标用户进行健康预警提醒。然而,上述方案分别直接使用采集到的数据,这些数据样本存在样本不充分、样本不平衡等情况,对此,无法准确进行健康分析。基于此,本发明实施例提出了一种综合应用多种技术手段的健康状况评估方法。通过收集社区居家老人的健康数据,并借助数据预处理、特征选择、特征提取和分类器构建等关键技术,将机器学习和人工智能应用于老年人健康评估中。通过对大量健康数据的分析和挖掘,能够自动提取关键特征并构建分类器模型,以对老年人的健康状况进行评估和预测。
其中,本发明实施例提供的一种社区居家老年人传感数据分析模型的构建方法及装置,为基于机器学习和人工智能的方法,可以减少人工干预和主观性误差,提高评估的准确性和可靠性。为便于对本实施例进行理解,首先对本发明实施例所公开的一种社区居家老年人传感数据分析模型的构建方法进行详细介绍,图1示出了本发明实施例提供的一种社区居家老年人传感数据分析模型的构建方法的流程图,如图1所示,该社区居家老年人传感数据分析模型的构建方法包括以下步骤:
步骤S102,获取预先构建的健康数据集。
本发明实施例在于构建健康数据分析模型,该模型用于对健康数据进度分析,其中,该健康数据可以来自于目标人群,如,卧病在床的人群、居家修养的人群、居家老人等,其中,本发明实施例用于对居家老人的健康数据进行分析。
在具体实现时,需要先进行数据采集和标注。其中,本发明实施例的数据来源包括以下途径:1、生物传感器采集信息:社区居家老人通过佩戴生物传感器设备(如智能手环、血压计、血糖仪等)收集生理指标数据。2、移动设备采集信息:通过社区居家老人使用的移动设备(如智能手机、平板电脑)上的健康应用程序收集活动数据、睡眠数据等。3、医疗设备采集信息:通过与医疗机构合作,获取社区居家老人在社区医院或诊所中的医疗设备生成的数据。4、社区居家老人个人信息:包括社区居家老人的年龄、性别、身高、体重等个人特征信息。5、社区居家老人社交环境:包括社区居家老人的社交活动频率、家庭支持情况等社交因素。6社区居家老人医疗历史:包括社区居家老人的既往疾病史、用药情况等医疗背景信息。上述数据包括以下多种格式:1、数值型数据:例如血压、心率、血糖等连续性数值数据。2、文本数据:例如用户的日记、症状描述等自由文本数据。基于这两种格式的数据,本发明实施例还对两种数据进行进一步处理。具体的,对于数值型数据,将其归一化到[0,1]的范围区间内。以一个具体实例进行介绍,设一个数值,通过以下的公式进行归一化:
其中,为归一化的数值,/>和/>分别是数据集中数值型数据的最小值和最大值,/>为归一化后的数值。对于文本数据,使用词向量(Word Embeddings)的技术进行向量化转换。以一个具体实例进行介绍,设一个句子aS,包含了单词。每个单词都通过一个预训练的词向量模型得到一个向量,如/>。然后,通过取平均值的方式,得到整个句子的向量表示。具体的公式如下:
其中,为句子aS的向量表示,/>为句子aS中单词的数量,/>为单词/>的向量表示。进一步地,将归一化后的数值型数据和向量化后的文本数据进行连接,组成新的特征向量表示。以一个具体实例进行介绍,设第/>类分类标签所对应的数据的特征向量矩阵为/>,公式如下:
其中,为第/>类分类标签所对应的数据的特征向量矩阵,/>为第/>类分类标签所对应的数据的特征向量矩阵中第/>个样本的第/>个特征,/>为特征参数矢量的总数目,/>为特征向量的总维数。用/>来表示第1类分类标签所对应的数据的第/>维特征向量集合,则向量/>;用/>来表示第2类分类标签所对应的数据的第/>维特征向量的集合,则向量/>;以此类推。
进一步地,对数据进行标注。本发明对社区居家老人的健康状况进行评估,数据的标注类别包括健康风险级别低风险、健康风险级别低风险中风险、健康风险级别低风险高风险。其中,健康风险级别低风险对应标签0,健康风险级别低风险中风险对应标签1,健康风险级别低风险高风险对应标签2。特别的,该数据类别与标注方式仅为一个具体实例,本发明实施例不限制该评估的类别与类别数量。其中,本发明实施例的健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的。原始数据集包括多条健康数据,每条健康数据带有预先确定的风险类别标签。其中,仅通过采集的数据进行模型训练可能出现样本类别不平衡的情况,样本类别不平衡现象指的是在数据集中不同类别的样本数量存在显著差异的情况,如,某个类别的样本数量远远少于其他类别,这就导致了类别不平衡。基于此,本发明实施例在对原始数据集进行数据扩充后,得到用于模型训练的健康数据集。
步骤S104,对健康数据集进行特征选择,确定满足预设维度目标的维度特征向量。
步骤S106,对维度特征向量进行特征提取,确定目标特征参数。
健康数据集中的数据多样,并非每条健康数据均是质量较好的数据,对此,本发明实施例对健康数据集中的数据进行特征选择和特征提取,将最终确定的目标特征参数用于分类训练。
步骤S108,将目标特征参数输入至预先设置的分类器中,对分类器进行分类训练,确定预测分类结果,并将预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型。
本发明实施例的分类器为基于随机森林算法和负反馈策略构建的,健康数据分析模型用于对健康数据进行分析。其中,随机森林分类器是一种集成学习方法,它由多个决策树组成,每棵决策树都对输入数据进行分类,并且最终的分类结果由所有决策树的分类结果进行投票决定。对于一棵决策树,它的分类结果/>可以用如下公式表示:
其中,为决策树/>的分类结果,/>为数据/>的可能预测类别,/>为决策树的输入数据,/>表示决策树/>将输入数据/>分类为类别/>的概率,/>表示对于类别/>寻找使得函数/>取得最大值的自变量的取值函数。随机森林的分类结果由所有决策树的分类结果进行投票决定,即随机森林的分类结果为决策树分类结果中决策树数量占比最多的对应类别。本发明实施例引入负反馈策略构建随机森林。对于随机森林算法的每棵决策树/>,不仅考虑其输入数据/>分类为类别/>的概率/>,也考虑它将输入数据/>分类为其他类别的概率。通过引入负反馈策略,如果一棵决策树将输入数据/>错误地分类为其他类别的概率很高,那么它对最终分类结果的贡献就会减小,从而提高随机森林分类器的泛化能力和健壮性。
本发明实施例提供的一种社区居家老年人传感数据分析模型的构建方法,通过收集健康数据,并对数据进行扩充得到健康数据集后进行特征选择、特征提取及分类器训练,从而构建健康数据分析模型。此时可以根据待评估的健康数据对用户(如老年人)的健康状况进行评估,可以减少人工干预和主观性误差,提高评估的准确性和可靠性,从而可以改善老年人的生活质量、预防疾病和提供及时的医疗干预。
进一步的,在上述实施例的基础上,本发明实施例还提供了另一种社区居家老年人传感数据分析模型的构建方法,该方法主要针对健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的进行说明。传统的样本扩充方法通常只能进行简单的几何变换,如旋转、平移和缩放等。这种方法无法生成具有高级多样性和真实性的新样本,限制了模型的泛化能力和学习能力。
在社区居家老人健康数据处理和分析应用中,可以预见的是,数据的样本数量通常存在样本类别不平衡现象,样本类别不平衡现象指的是在训练数据集中不同类别的样本数量存在显著差异的情况。具体而言,某个类别的样本数量远远少于其他类别,这就导致了类别不平衡。对此,本发明实施例提出一种基于改进生成对抗网络的样本扩充算法,通过结合生成对抗网络和免疫算法的特点,实现对样本的扩充。具体的,对抗网络包括生成器和判别器;生成对抗网络主要由两部分构成:生成器(Generator, G)和判别器(Discriminator,D)。生成器(G):生成器是一个网络,它的目标是生成尽可能接近真实数据分布的数据。生成器接收一个随机噪声向量作为输入,经过一系列的操作(比如全连接层,卷积层,激活函数等),输出一个生成的数据。生成对抗网络希望这个生成的数据能够“欺骗”判别器,使得判别器将其判断为真实的数据。判别器(D):判别器是一个二分类网络,它的目标是尽可能准确地区分出输入数据是真实的还是生成的。判别器接收一个数据(可能是真实的,也可能是生成的)作为输入,经过一系列的操作(比如全连接层,卷积层,激活函数等),输出一个介于0到1之间的值,表示这个数据来自真实数据的概率。
在本发明实施例中,改进的生成对抗网络算法将生成对抗网络的生成器视为一个“病毒”,试图复制和生成与真实数据相似的数据;将免疫算法视为一个“防御机制”,通过学习和适应生成器的行为,以改进和更新对真实数据的复制策略。图2示出了本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建方法的流程图,如图2所示,该社区居家老年人传感数据分析模型的构建方法包括以下步骤:
步骤S202,基于原始数据集的每条健康数据对应的风险类别标签,确定原始数据集对应的待扩充风险类别。
首先,设需要生成样本的类别为社区居家老人健康数据处理和分析任务中数量较少的训练样本类别,数量较少的判断方式由人为判断,即根据认为经验确定哪些类别需要进行样本扩充。
步骤S204,将待扩充风险类别对应的健康数据作为噪声,输入至对抗网络的生成器中,通过生成器的目标函数生成初始扩充样本。
之后,将待扩充风险类别对应的健康数据进行定义,设需要进行样本扩充的真实数据样本集为:,其中/>是一个/>维的向量。之后,初始化一个生成器/>和一个判别器/>,其中/>是随机噪声,也即上述待扩充风险类别对应的健康数据,/>和/>是生成器和判别器的参数。生成对抗网络的训练目标是让生成器/>生成的数据尽可能地骗过判别器/>,即最大化/>对生成数据的错误判断,具体公式如下:
其中,b为来自真实数据集的样本;b/>为随机噪声向量,是生成器的输入。是真实数据的分布,/>表示b/>服从分布/>,/>是随机噪声的分布,/>表示/>服从分布/>。/>为期望值。表示对于所有来自真实数据分布/>的样本/>,计算/>的期望值;/>表示对于所有来自机噪声分布的样本/>,计算/>的期望值。/>表示输入为/>时,判别器的输出结果。/>表示输入为/>时,生成器生成的样本。/>表示输入为时,判别器的输出结果。
步骤S206,通过预设的免疫算法对初始扩充样本进行初始判别,并在初始扩充样本满足预设的初始判别指标时,将初始扩充样本和初始扩充样本对应的健康数据输入至判别器中,通过判别器对初始扩充样本进行样本判别,得到判别结果。
在每个训练步骤中,将生成的样本和真实样本集/>一起输入到免疫算法中。免疫算法的目标是找出生成样本和真实样本在特征空间上的差异,并更新生成器的参数/>以减小这种差异,可以称为免疫更新。在具体实现时,通过预设的免疫算法对初始扩充样本进行初始判别的步骤包括:通过预设的免疫算法,确定初始扩充样本对应于原始数据集中的健康数据的欧几里得距离。根据欧几里得距离,确定初始扩充样本对应于健康数据的差异指标。其中,本发明实施例采用的免疫算法为负选择算法,通过计算生成样本和真实样本的欧几里得距离来找出差异,可以表示为:
其中,为生成样本和真实样本的差异指标,/>为真实样本,/>表示欧几里得范数。进一步地,判断差异指标是否满足预设的指标阈值。如果否,对生成器的参数进行初始更新,并基于差异指标调整输入至生成器的噪声,执行通过生成器的目标函数生成初始扩充样本的步骤。如果是,确定初始扩充样本满足预设的初始判别指标。具体的,如果/>大于预设的阈值,则更新/>,更新方式为:
其中,为学习率,/>为/>关于/>的梯度,/>为更新前的生成器的参数,是更新后的生成器的参数,/>为生成样本和真实样本的差异指标。其中,动态调整噪声的步骤为:根据生成样本和真实样本的差异指标/>的反馈,动态调整输入到生成器的噪声。定义一个调整函数/>来根据差异指标/>调整噪声/>的强度,可以表示为:
上述函数中,为调整前的输入到生成器的噪声,/>为调整后的输入到生成器的噪声,/>为噪声调整函数。具体的,噪声调整函数/>定义为:
其中,是一个阈值,由人为设置;/>和/>是正的调整系数,由人为设置。当时,认为生成的样本与真实样本距离过大,需要增大噪声的强度,调整函数会输出正值,/>会增大;反之,如果/>,调整函数会输出负值,/>会减小。该策略认为如果生成样本和真实样本的距离过大,那么应增加噪声的强度,使得生成器能够更大范围地探索样本空间;反之,如果距离过小,说明生成器的输出过于集中,应减小噪声的强度,使得输出更加分散。更新/>的公式中,其学习率/>也适应性动态调整。具体的,对于学习率/>,期望当生成器的性能提升较快(或较慢)时,应减小(或增大)学习率。根据生成样本和真实样本的差异指标/>的反馈,本发明实施例提出一种动态调整学习率的策略,具体的,定义一个函数/>来根据距离/>调整学习率/>,可以表示为:
其中,为调整后的学习率,/>为调整前的学习率。/>为学习率调整函数,定义为:
其中,,表示当前距离与上一次距离的差值,/>是一个固定的比例系数,由人为设置。当/>时,认为生成器的性能在提升,应该减小学习率,/>会输出/>,/>会减小;反之,如果/>,/>会输出/>,/>会增大。自适应学习率调整策略可以使生成器在训练过程中更加稳定,防止学习率过大导致的震荡或学习率过小导致的训练过慢问题。
进一步的,当初始扩充样本满足预设的初始判别指标时,将初始扩充样本和初始扩充样本对应的健康数据输入至判别器中,通过判别器对初始扩充样本进行样本判别,得到判别结果。其中,在传统的生成对抗网络训练中,判别器D和生成器G的优化通常是相互独立的,本发明实施例引入一种新的判别器反馈调整策略,允许生成器G根据判别器D的反馈来动态调整其参数。具体的,定义一个反馈函数来根据判别器D对于生成样本的判断结果来调整生成器G的参数/>:
其中,为更新前生成器的参数,/>为更新后生成器的参数,/>为调整后的学习率,/>可以定义为:
其中,是一个固定的调整系数,由人为设置。/>表示输入为/>时,判别器的输出结果。
步骤S208,根据判别结果指示的判别阈值,对生成器的参数进行参数更新,并执行通过生成器的目标函数生成初始扩充样本的步骤。
当时,说明判别器D将生成样本/>判断为真实样本,则认为生成器G的性能较好,表明生成器即将收敛,因此需要降低生成器的学习速度,避免过拟合,即对/>的系数减小;反之,如果/>,说明判别器D将生成样本/>判断为假样本,则认为生成器G的性能较差,需要增加学习速度,即对/>的系数增大。基于此,判别器反馈调整策略可以使生成器G更加直接地获得判别器D的反馈,使生成器G的学习过程更加精细和高效,从而提高样本生成的质量和效率。
步骤S210,直到生成初始扩充样本对应的生成条件满足预设的迭代条件时,将当前初始扩充样本和原始数据集确定为健康数据集。
重复步骤S206-S208的步骤,直到迭代次数达到人为设置的最大迭代次数阈值,训练结束。当生成对抗网络训练完成后,通过向生成器输入新的随机噪声,生成新的样本。生成的样本可以作为原始样本的扩充。也即,完成对原始数据集的扩充,得到本发明实施例的健康数据集。
本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建方法,提出了一种改进的样本扩充方法,采用基于生成对抗网络的样本扩充方法,通过生成多样性和真实性的合成样本,增加了训练数据的多样性和数量。这有助于提高模型的泛化能力、学习能力和稳定性,降低过拟合风险。其中,传统的样本扩充方法如数据旋转、平移和缩放等只能对样本进行简单的几何变换,而本发明实施例的方法更加高级和灵活。具体的样本扩充方法是基于生成对抗网络(GAN)的。GAN模型由生成器和判别器组成,通过对抗训练的方式,生成器逐渐学习生成与真实样本相似的合成样本,而判别器则努力区分真实样本和合成样本。通过不断迭代训练,生成器可以生成具有多样性和真实性的新样本。通过基于生成对抗网络的训练,能够增加训练样本的多样性和数量,提高模型的泛化能力、学习能力和稳定性。
进一步的,在上述实施例的基础上,本发明实施例还提供了另一种社区居家老年人传感数据分析模型的构建方法,图3示出了本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建方法的流程图,如图3所示,该方法包括:
步骤S302,获取预先构建的健康数据集。
步骤S304,对健康数据集进行特征选择,确定满足预设维度目标的维度特征向量。
本发明实施例通过对健康数据集进行特征选择、特征提取及分类器训练后,构建健康数据分析模型,其中,传统的特征选择方法可能只考虑了特征的相关性或信息增益等指标,而未能综合考虑特征子集的代表性和区分度。这导致选取的特征子集可能存在冗余或噪声特征,影响模型的准确性和可解释性。其中,本发明实施例的健康数据集的每条健康数据分别包括多个特征向量;特征向量对应有特征维度;本发明提出一种基于多目标优化的特征选择算法,在进行特征选择时,将考虑两个目标:一个是特征子集的预测性能,另一个是特征子集的简洁性。通过这种方式,可以平衡获得更高预测性能和更小特征子集的需求。在具体实现时,通过下述步骤S20-S26进行特征选择:
步骤S20,确定健康数据的每个特征向量分别对应的选择变量。
设健康数据集均包含N个特征向量,设有一个N维特征向量,其中每一个特征/>对应一个二进制选择变量,即如果/>,则选择特征/>;如果/>,则不选择特征/>。
步骤S21,根据选择变量和预设的特征重要性权重,从每个特征维度的特征向量中选择预设数量的目标特征向量。
在具体实现时,定义两个目标函数,预测性能函数和简洁性函数。其中,通过简洁性函数选择目标特征向量。具体的,简洁性函数用特征数量表示,可以表示为:
上述函数中,是简洁性函数,/>为特征向量的总维数。/>为特征重要性权重,通过随机森林进行特征重要性计算得到。
步骤S22,根据预设的权重调整参数,以及通过交叉验证确定的初始误差,计算预设数量的目标特征向量对应的预测误差。
在具体实现时,通过预测性能函数计算目标特征向量的预测误差,其中,预测性能函数用预测误差表示。其中,是特征选择向量。预测误差通过交叉验证得到,可以表示为:
其中,是预测误差函数,/>是交叉验证的折数,/>是第/>折的预测误差。其中,预测误差由预设的随机森林归分类器得到。/>是权重的调整参数。/>为特征重要性权重,通过随机森林进行特征重要性计算得到。/>为特征向量的总维数。权重的调整参数/>通过自适应调整得到。
步骤S23,判断预测误差是否满足预设的误差阈值;
步骤S24,如果否,更新每个特征向量分别对应的选择变量,并执行根据选择变量和预设的特征重要性权重,从每个特征维度的特征向量中选择预设数量的目标特征向量的步骤;
步骤S25,如果是,判断目标特征向量的数量是否满足预设的数量阈值。
步骤S26,如果预测误差满足预设的误差阈值,且,目标特征向量的数量满足预设的数量阈值,则将当前预设数量的目标特征向量确定为维度特征向量。
本发明实施例将这两个目标函数进行多目标优化,目标是最小化预测误差和特征数量。采用帕累托前沿来找到两个目标之间的最优权衡。帕累托前沿中的解都是非劣解,也就是说,无法找到另一个解,使得至少一个目标得到改进而其他目标不变差。基于此,特征选择完成后,得到的特征数量为。在具体实现时,定义一个衡量优化过程的指标/>。/>是当前迭代与上次迭代的预测误差的改善程度,计算公式如下:/>
其中,为改善指标,/>是当前迭代后的特征选择向量,/>是上次迭代后的特征选择向量。/>是当前迭代的预测误差,/>是上次迭代的预测误差。在第1次迭代时,/>由人为设置,在随后的迭代过程中通过改善指标/>调整,更新方式如下:
其中,是改善调整学习率,由人为设置,用于控制/>更新的速度。/>为改善指标,/>为当前迭代的权重的调整参数,/>为下次迭代的权重的调整参数。当预测误差满足预设的误差阈值,且,目标特征向量的数量满足预设的数量阈值,则将当前预设数量的目标特征向量确定为维度特征向量。
步骤S306,将维度特征向量输入至预设的神经网络中,通过神经网络层对维度特征向量进行计算,确定初始输出结果。
特征选择完成后,对特征选择后的样本进行特征提取操作。传统的特征提取方法可能缺乏批量归一化和稀疏约束的引入,导致特征提取的性能有限。缺乏标准化操作和稀疏约束可能导致特征表示的冗余和重叠,降低特征的区分性。
本发明实施例通过神经网络进行特征提取,其中,神经网络包括多个神经网络层,具体的,该神经网络的结构为全连接的神经网络,层数为3层,第1层神经元个数为个,第2层神经元的个数为/>个,第3层神经元的个数为/>个,且/>由人为设置。以一个具体实例进行介绍,对于其中一层神经网络,设输入为/>,神经元数量为/>。传统的神经网络层输入输出的计算公式为:
其中,为该层神经网络的输出,/>为该层神经网络的输入,/>是输入层到该层的权重参数,/>是该层的偏置参数,/>是RELU激活函数。进一步地,对于每一层神经网络的输出,本发明实施例引入批量归一化来提升特征提取的性能。具体的,以一个具体实例进行介绍,对于其中一层神经网络,线性变换的输出为/>,该输出为上述初始输出结果。
步骤S308,对初始输出结果进行标准化操作,得到标准化结果。
传统的特征提取会直接将这个输出送入激活函数。而引入了批量归一化后,需先对这个输出进行标准化操作,可以表示为:
其中,为该层神经网络的输出,也即标准化结果,/>和/>分别代表了/>在当前的最小样本输入批次上的均值和方差,/>是一个小常数防止分母为0。
步骤S310,将标准化结果送入神经网络中,根据神经网络的激活函数,以及预先确定的稀疏约束参数,确定预设的神经网络层对应的目标输出结果。
在具体实现时,将标准化后的(也即标准化结果)送入RELU激活函数,即表示为。其中,为了使特征更具区分性,提高特征提取的效果,本发明实施例引入了稀疏约束。即在神经网络的每一层添加一个稀疏约束项,使得大部分神经元的激活值为0,只有少部分神经元的激活值为非零,这样可以使得特征更具区分性。具体的,添加稀疏约束后,隐藏层的计算公式变为:
其中,为添加稀疏约束后地该层神经网络的输出,为每层神经网络层的目标输出结果。/>是稀疏约束参数。/>代表L1范数,用于计算稀疏度。稀疏约束参数/>为动态自适应确定。具体的,设置一个初始值和一个最大值,然后根据迭代次数的增加,逐渐增加稀疏约束参数和稀疏约束权重。可以表示为:
其中,为在第/>次迭代中的稀疏约束参数,/>为稀疏约束参数的初始值,为每次迭代增加的量,/>为迭代次数。在这个设置下,稀疏约束参数和稀疏约束权重在早期迭代中较小,不会阻止神经网络学习有效的特征;在后期迭代中,稀疏约束参数和稀疏约束权重逐渐增大,能够更好地提取稀疏特征。
步骤S312,通过神经网络的损失函数对目标输出结果进行损失计算,确定损失结果,并在损失结果满足预设的损失阈值时,将目标输出结果确定为目标特征参数。
本发明实施例的神经网络的损失函数根据稀疏约束参数确定,所添加约束项会导致损失函数的形式发生变化,损失函数可以表示为:
其中,为3层特征提取神经网络的损失函数,/>为最后一层神经网络的理论输出,/>为最后一层神经网络的实际输出,该实际输出包括上述目标输出结果。/>为稀疏约束的权重,由人为设置。其中,本发明实施例的预设的神经网络通过改进的火鸟优化算法对初始神经网络进行参数优化得到,具体的,上述3层特征提取的神经网络也即初始神经网络,本发明采用改进的火鸟优化算法对初始神经网络进行参数优化。火鸟优化算法是一种自然启发式的全局优化方法,灵感来源于火鸟的繁殖行为。在原始的火鸟优化算法中,火鸟的搜索行为完全随机,容易陷入局部最优解,因此进行了改进,引入了自适应策略。具体的,利用改进的火鸟优化算法对上述神经网络的优化步骤如下:
1)基于初始神经网络的参数向量生成火鸟群。
其中,上述神经网络相当于初始神经网络,初始神经网络包括多个参数向量;该步骤在于对初始神经网络的参数进行初始化,其中,生成一个火鸟群,每个火鸟代表一个可能的解,每个解对应一套神经网络的参数,即每个解对应3层特征提取神经网络的一个参数向量。进一步地,对每个火鸟的位置和速度随机初始化。通过自适应的适应度函数计算每个火鸟的适应度值。具体的,自适应的适应度函数通过预设的自适应调节参数和初始神经网络的损失函数确定;自适应调节参数根据初始神经网络的损失函数值调整。在具体实现时,计算每个火鸟的适应度,适应度函数是用来评估解的质量,在神经网络的训练过程中,通常使用损失函数作为适应度函数,本发明实施例为保证模型在训练过程中能够较快收敛,提出一种自适应的适应度函数,计算方式可以表示为:
其中,为初始神经网络的损失函数,/>表示模型的复杂度,用于防止过拟合,通过计算模型的参数的L1范数来衡量;/>为自适应调节参数,用于平衡损失函数和模型复杂度的权重。具体的,将/>定义为模型参数的L1范数,即:
其中,为模型参数的L1范数,/>表示神经网络中的权重参数矩阵,/>为第/>个权重参数,/>代表L1范数。进一步地,自适应调节参数/>能够根据训练过程自适应地调整,将使得模型更加灵活,更好地适应不同的数据集和任务。具体的,根据模型的训练过程,动态地调整/>值的方式可以表示为:
其中,是一个调节因子,可以通过实验来设定。/>表示神经网络在当前迭代的损失函数值,/>为模型参数的L1范数。当损失函数值/>较大时,模型的主要任务是降低损失函数,因此会增大损失函数在适应度函数中的权重,即降低/>的值;反之,当损失函数值/>较小时,模型的主要任务是控制模型的复杂度,因此会增大模型复杂度在适应度函数中的权重,即增大/>的值。适应度函数的改进不仅考虑了模型的预测性能,也考虑了模型的复杂度和特征的稀疏性,而且/>的值能够根据训练过程自适应地调整,使得模型更加灵活,更好地适应不同的数据集和任务。
2)更新火鸟的速度和位置,并执行通过自适应的适应度函数计算每个火鸟的适应度的步骤,得到新的适应度值。
3)判断新的适应度值是否优于适应度值,如果是,将新的适应度值对应的火鸟的位置确定为目标位置,如果否,执行更新火鸟的速度和位置的步骤;直到火鸟的速度和位置的更新条件满足预设的条件阈值时,将当前目标位置指示的参数向量确定为初始神经网络的使用参数,并将包括使用参数的初始神经网络,确定为神经网络。
在具体实现时,对每个火鸟,更新其速度和位置。更新速度的方式可以表示为:
/>
其中,和/>为两个中间参数变量,/>为更新后的火鸟速度,/>为更新前的火鸟速度。/>为火鸟惯性权重,/>和/>是学习因子,均由人为设置。/>和/>是随机数,/>是第/>个火鸟的历史最优位置,/>是火鸟的全局最优位置。更新位置的方式可以表示为:
其中,为更新后的火鸟位置,/>为更新前的火鸟位置,/>为更新后的火鸟速度。如果某个火鸟的新位置对应的适应度优于当前的最优解,那么更新最优解。如果达到最大迭代次数,则结束算法迭代,即代表初始神经网络训练完成。其中,最大迭代次数由人为设置。
其中,本发明实施例基于改进火鸟优化算法的神经网络特征提取方法:通过改进火鸟优化算法,结合全连接神经网络,实现了对数据特征的提取。该方法利用火鸟优化算法对神经网络参数进行优化,提高了特征提取的效果和性能。此外,在神经网络的特征提取过程中,引入了稀疏约束和批量归一化技术。稀疏约束使得大部分神经元的激活值为零,只有少部分神经元的激活值为非零,增加了特征的区分性。批量归一化能够提升特征提取的性能,通过标准化操作和激活函数的结合,增强了神经网络的表达能力。
步骤S314,通过随机森林算法的每棵决策树对目标特征参数进行分类,确定目标特征参数对应的目标分类类别。
在特征提取后,将得到的特征(目标特征参数)输入到分类器算法中进行分类器的训练。传统的随机森林分类算法可能未考虑决策树将输入数据分类为其他类别的概率,导致无法有效减少分类错误率。分类器的训练和优化方法可能缺乏梯度提升和负反馈策略的引入,限制了分类器的泛化能力和健壮性。在本发明实施例中,分类器算法为改进的随机森林分类算法。其中,随机森林分类器是一种集成学习方法,它由多个决策树组成,每棵决策树都对输入数据进行分类,并且最终的分类结果由所有决策树的分类结果进行投票决定。对于一棵决策树,它的分类结果/>可以用如下公式表示:
上述公式中,为决策树/>的分类结果,/>为数据/>的可能预测类别,/>为决策树/>的输入数据,/>表示决策树/>将输入数据/>分类为类别/>的概率,表示对于类别/>寻找使得函数/>取得最大值的自变量的取值函数。随机森林的分类结果由所有决策树的分类结果进行投票决定,即随机森林的分类结果为决策树分类结果中决策树数量占比最多的对应类别。对应的,该类别也即确定的目标分类类别。
步骤S316,获取目标分类类别的对应的预测类别概率,以及非目标分类类别对应的负反馈概率。
本发明实施例引入负反馈策略构建随机森林。对于每棵决策树,不仅考虑其输入数据/>分类为类别/>的概率/>,也考虑它将输入数据/>分类为其他类别的概率。定义决策树/>将输入数据/>分类为类别/>的负反馈概率/>,可以表示为:
其中,表示决策树/>将输入数据/>分类为类别/>的负反馈概率,表示决策树/>将输入数据/>分类为类别/>的概率。
步骤S318,通过预设的取值函数,对预测类别概率和负反馈概率进行取值计算,并将取值计算的结果确定为预测分类结果。
其中,改进的随机森林分类器的分类结果可以表示为:
上述公式中,是一个控制负反馈强度的参数,/>为改进的随机森林分类器的分类结果,也即上述预测分类结果。/>表示对于类别/>寻找使得函数取得最大值的自变量的取值函数。/>为改进的随机森林的输入数据,/>为数据/>的可能预测类别,/>为第/>个决策树,/>表示决策树/>将输入数据/>分类为类别/>的概率,/>表示决策树/>将输入数据/>分类为类别/>的负反馈概率。
步骤S320,将预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型。
本发明实施例通过引入负反馈策略,如果一棵决策树将输入数据错误地分类为其他类别的概率很高,那么它对最终分类结果的贡献就会减小,从而提高随机森林分类器的泛化能力和健壮性。基于此,本发明实施例通过判断预测分类结果是否在正确分类的概率范围内,如果是,则可以将该分类器作为健康数据分析模型。
进一步地,在训练改进的随机森林分类器时,本发明实施例可以使用梯度提升方法优化上述公式中的,以达到最佳的分类效果。梯度提升方法是一种解决回归和分类问题的机器学习技术,它通过对弱预测模型(比如决策树)的集成产生预测模型。同时,可以通过交叉验证选择最佳的决策树数量和决策树深度。分类器训练完成,得到健康数据分析模型后,利用收集到的社区居家老人的健康数据可以对社区居家老人的健康状况进行评估,以改善老年人的生活质量、预防疾病和提供及时的医疗干预。
本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建方法,通过收集健康数据,并借助数据预处理、特征选择、特征提取和分类器构建等关键技术,将机器学习和人工智能应用于老年人健康评估中。其中,采用了基于相关性分析、信息增益、卡方检验等方法进行特征选择。与传统的特征选择方法相比,本发明实施例考虑了特征子集的代表性和区分度,能够选择更具有意义的特征子集。通过特征选择,可以减少冗余和噪声特征的影响,提高模型的准确性和可解释性。
此外,还提出了一种基于改进火鸟优化算法的神经网络特征提取方法。通过引入批量归一化和稀疏约束,可以提高特征提取的性能和效果。批量归一化可以标准化神经网络层的输出,使得特征更具有区分性。稀疏约束可以使得大部分神经元的激活值为0,只有少部分神经元的激活值为非零,从而进一步提高特征的区分性。通过改进火鸟优化算法对神经网络的参数进行优化,可以获得更好的特征表示能力。故,通过基于改进火鸟优化算法的神经网络特征提取方法,可以克服传统优化算法的局部最优解问题,并且能够更快地找到最优的神经网络参数,从而实现更有效的特征提取。
进一步的,还采用了改进的随机森林分类算法作为分类器算法。引入了负反馈策略,考虑决策树将输入数据分类为其他类别的概率。通过梯度提升方法优化分类器算法,选择最佳的决策树数量和深度。这样可以提高随机森林分类器的泛化能力和健壮性,减少分类错误率。综上,本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建方法通过对大量健康数据的分析和挖掘,能够自动提取关键特征并构建分类器模型,以对老年人的健康状况进行评估和预测。这种基于机器学习和人工智能的方法可以减少人工干预和主观性误差,提高评估的准确性和可靠性。
进一步的,本发明实施例还提供一种社区居家老年人传感数据分析方法,图4示出了本发明实施例提供的一种社区居家老年人传感数据分析方法的流程图,如图4所示,该方法包括以下步骤:
步骤S402,采集目标用户的待评估数据。
步骤S404,从待评估数据中确定维度特征向量对应的目标特征向量,并从目标特征向量中确定目标特征参数对应的待评估特征参数。
对应的,通过上述步骤S304-S312确定维度特征向量和目标特征参数后,在对健康数据进行分析时,可以直接按照相应的维度特征向量、目标特征参数确定目标特征向量和待评估特征参数,之后使用预先构建的健康数据分析模型对待评估特征参数进行分类,从而对健康数据进行分析。健康数据分析模型为基于上述社区居家老年人传感数据分析模型的构建方法构建得到的。
步骤S406,将待评估数据的待评估特征参数输入至预先构建的健康数据分析模型中,通过健康数据分析模型对待评估数据的待评估特征参数进行数据分类,得到分类结果。
通过步骤S302-S320构建的健康数据分析模型可以对输入的数据进行精准分类,从而可以确定采集的带评估数据的分类结果,从而进行健康分析。
步骤S408,根据分类结果,对待评估数据进行健康分析。
本发明实施例提供的一种社区居家老年人传感数据分析方法,与上述实施例提供的一种社区居家老年人传感数据分析模型的构建方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步的,本发明实施例还提供一种社区居家老年人传感数据分析模型的构建装置,图5示出了本发明实施例提供的一种社区居家老年人传感数据分析模型的构建装置的结构示意图,如图5所示,该构建装置包括:
样本获取模块100,用于获取预先构建的健康数据集。其中,健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的,原始数据集包括多条健康数据,每条健康数据带有预先确定的风险类别标签;
特征选择模块200,用于对健康数据集进行特征选择,确定满足预设维度目标的维度特征向量。
特征提取模块300,用于对维度特征向量进行特征提取,确定目标特征参数。
训练模块400,用于将目标特征参数输入至预先设置的分类器中,对分类器进行分类训练,确定预测分类结果,并将预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型。其中,分类器为基于随机森林算法和负反馈策略构建的,健康数据分析模型用于对健康数据进行分析。
本发明实施例提供的一种社区居家老年人传感数据分析模型的构建装置,与上述实施例提供的一种社区居家老年人传感数据分析模型的构建方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步的,本发明实施例还提供了另一种社区居家老年人传感数据分析模型的构建装置,其中,对抗网络包括生成器和判别器;图6示出了本发明实施例提供的另一种社区居家老年人传感数据分析模型的构建装置的结构示意图,如图6所示,该装置还包括扩充模块500,用于基于原始数据集的每条健康数据对应的风险类别标签,确定原始数据集对应的待扩充风险类别;将待扩充风险类别对应的健康数据作为噪声,输入至对抗网络的生成器中,通过生成器的目标函数生成初始扩充样本;通过预设的免疫算法对初始扩充样本进行初始判别,并在初始扩充样本满足预设的初始判别指标时,将初始扩充样本和初始扩充样本对应的健康数据输入至判别器中,通过判别器对初始扩充样本进行样本判别,得到判别结果;根据判别结果指示的判别阈值,对生成器的参数进行参数更新,并执行通过生成器的目标函数生成初始扩充样本的步骤;直到生成初始扩充样本对应的生成条件满足预设的迭代条件时,将当前初始扩充样本和原始数据集确定为健康数据集。
上述扩充模块500,还用于通过预设的免疫算法,确定初始扩充样本对应于原始数据集中的健康数据的欧几里得距离;根据欧几里得距离,确定初始扩充样本对应于健康数据的差异指标;判断差异指标是否满足预设的指标阈值;如果否,对生成器的参数进行初始更新,并基于差异指标调整输入至生成器的噪声,执行通过生成器的目标函数生成初始扩充样本的步骤;如果是,确定初始扩充样本满足预设的初始判别指标。
健康数据集的每条健康数据分别包括多个特征向量;特征向量对应有特征维度;特征选择模块200,还用于确定健康数据的每个特征向量分别对应的选择变量;根据选择变量和预设的特征重要性权重,从每个特征维度的特征向量中选择预设数量的目标特征向量;根据预设的权重调整参数,以及通过交叉验证确定的初始误差,计算预设数量的目标特征向量对应的预测误差;判断预测误差是否满足预设的误差阈值;如果否,更新每个特征向量分别对应的选择变量,并执行根据选择变量和预设的特征重要性权重,从每个特征维度的特征向量中选择预设数量的目标特征向量的步骤;如果是,判断目标特征向量的数量是否满足预设的数量阈值;如果预测误差满足预设的误差阈值,且,目标特征向量的数量满足预设的数量阈值,则将当前预设数量的目标特征向量确定为维度特征向量。
特征提取模块300,还用于将维度特征向量输入至预设的神经网络中,通过神经网络层对维度特征向量进行计算,确定初始输出结果;其中,神经网络包括多个神经网络层;对初始输出结果进行标准化操作,得到标准化结果;将标准化结果送入神经网络中,根据神经网络的激活函数,以及预先确定的稀疏约束参数,确定预设的神经网络层对应的目标输出结果;通过神经网络的损失函数对目标输出结果进行损失计算,确定损失结果,并在损失结果满足预设的损失阈值时,将目标输出结果确定为目标特征参数;神经网络的损失函数根据稀疏约束参数确定。
进一步的,预设的神经网络通过改进的火鸟优化算法对初始神经网络进行参数优化得到;该装置还包括参数优化模块600,用于基于初始神经网络的参数向量生成火鸟群;初始神经网络包括多个参数向量;通过自适应的适应度函数计算每个火鸟的适应度值;自适应的适应度函数通过预设的自适应调节参数和初始神经网络的损失函数确定;自适应调节参数根据初始神经网络的损失函数值调整;更新火鸟的速度和位置,并执行通过自适应的适应度函数计算每个火鸟的适应度的步骤,得到新的适应度值;判断新的适应度值是否优于适应度值,如果是,将新的适应度值对应的火鸟的位置确定为目标位置,如果否,执行更新火鸟的速度和位置的步骤;直到火鸟的速度和位置的更新条件满足预设的条件阈值时,将当前目标位置指示的参数向量确定为初始神经网络的使用参数,并将包括使用参数的初始神经网络,确定为神经网络。
上述训练模块400,还用于通过随机森林算法的每棵决策树对目标特征参数进行分类,确定目标特征参数对应的目标分类类别;获取目标分类类别的对应的预测类别概率,以及非目标分类类别对应的负反馈概率;通过预设的取值函数,对预测类别概率和负反馈概率进行取值计算,并将取值计算的结果确定为预测分类结果。
进一步地,在上述方法实施例的基础上,本发明实施例还提供一种社区居家老年人传感数据分析装置,图7示出了本发明实施例提供的一种社区居家老年人传感数据分析装置的结构示意图,如图7所示,该分析装置包括:数据采集模块10,用于采集目标用户的待评估数据。参数确定模块20,用于从待评估数据中确定维度特征向量对应的目标特征向量,并从目标特征向量中确定目标特征参数对应的待评估特征参数。执行模块30,用于将待评估数据的待评估特征参数输入至预先构建的健康数据分析模型中,通过健康数据分析模型对待评估数据的待评估特征参数进行数据分类,得到分类结果。其中,健康数据分析模型为基于上述社区居家老年人传感数据分析模型的构建方法构建得到的。输出模块40,用于根据分类结果,对待评估数据进行健康分析。
本发明实施例提供的一种社区居家老年人传感数据分析装置,与上述实施例提供的一种社区居家老年人传感数据分析模型的构建方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述图1至图4任一所示的方法的步骤。本发明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上存储有计算机程序,计算机程序被处理器运行时执行上述图1至图4任一所示的方法的步骤。本发明实施例还提供了一种电子设备的结构示意图,如图8所示,为该电子设备的结构示意图,其中,该电子设备包括处理器81和存储器80,该存储器80存储有能够被该处理器81执行的计算机可执行指令,该处理器81执行该计算机可执行指令以实现上述图1至图4任一所示的方法。
在图8示出的实施方式中,该电子设备还包括总线82和通信接口83,其中,处理器81、通信接口83和存储器80通过总线82连接。其中,存储器80可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线82可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等,还可以是AMBA(Advanced MicrocontrollerBus Architecture,片上总线的标准)总线,其中,AMBA定义了三种总线,包括APB(AdvancedPeripheral Bus)总线、AHB(Advanced High-performance Bus)总线和AXI(AdvancedeXtensible Interface)总线。总线82可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器81可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器81中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器81可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器81读取存储器中的信息,结合其硬件完成前述图1至图4任一所示的方法。
本发明实施例所提供的一种社区居家老年人传感数据分析模型的构建方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。所述功能如果以软件功能单元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,本发明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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括: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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种社区居家老年人传感数据分析模型的构建方法,其特征在于,所述构建方法包括:
获取预先构建的健康数据集;其中,所述健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的,所述原始数据集包括多条健康数据,每条所述健康数据带有预先确定的风险类别标签;
对所述健康数据集进行特征选择,确定满足预设维度目标的维度特征向量;
对所述维度特征向量进行特征提取,确定目标特征参数;
将所述目标特征参数输入至预先设置的分类器中,对所述分类器进行分类训练,确定预测分类结果,并将所述预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型;其中,所述分类器为基于随机森林算法和负反馈策略构建的,所述健康数据分析模型用于对健康数据进行分析。
2.根据权利要求1所述的方法,其特征在于,所述对抗网络包括生成器和判别器;
对抗网络对原始数据集进行扩充得到所述健康数据集的步骤,包括:
基于所述原始数据集的每条健康数据对应的风险类别标签,确定所述原始数据集对应的待扩充风险类别;
将所述待扩充风险类别对应的健康数据作为噪声,输入至所述对抗网络的生成器中,通过所述生成器的目标函数生成初始扩充样本;
通过预设的免疫算法对所述初始扩充样本进行初始判别,并在所述初始扩充样本满足预设的初始判别指标时,将所述初始扩充样本和所述初始扩充样本对应的健康数据输入至所述判别器中,通过所述判别器对所述初始扩充样本进行样本判别,得到判别结果;
根据所述判别结果指示的判别阈值,对所述生成器的参数进行参数更新,并执行通过所述生成器的目标函数生成初始扩充样本的步骤;
直到生成所述初始扩充样本对应的生成条件满足预设的迭代条件时,将当前初始扩充样本和所述原始数据集确定为所述健康数据集。
3.根据权利要求2所述的方法,其特征在于,通过预设的免疫算法对所述初始扩充样本进行初始判别的步骤,包括:
通过预设的免疫算法,确定所述初始扩充样本对应于所述原始数据集中的所述健康数据的欧几里得距离;
根据所述欧几里得距离,确定所述初始扩充样本对应于所述健康数据的差异指标;
判断所述差异指标是否满足预设的指标阈值;
如果否,对所述生成器的参数进行初始更新,并基于所述差异指标调整输入至所述生成器的噪声,执行通过所述生成器的目标函数生成初始扩充样本的步骤;
如果是,确定所述初始扩充样本满足预设的初始判别指标。
4.根据权利要求1所述的方法,其特征在于,所述健康数据集的每条所述健康数据分别包括多个特征向量;所述特征向量对应有特征维度;
对所述健康数据集进行特征选择,确定满足预设维度目标的维度特征向量的步骤,包括:
确定所述健康数据的每个特征向量分别对应的选择变量;
根据所述选择变量和预设的特征重要性权重,从每个特征维度的特征向量中选择预设数量的目标特征向量;
根据预设的权重调整参数,以及通过交叉验证确定的初始误差,计算预设数量的所述目标特征向量对应的预测误差;
判断所述预测误差是否满足预设的误差阈值;
如果否,更新每个特征向量分别对应的选择变量,并执行根据所述选择变量和预设的特征重要性权重,从每个特征维度的特征向量中选择预设数量的目标特征向量的步骤;
如果是,判断所述目标特征向量的数量是否满足预设的数量阈值;
如果所述预测误差满足预设的误差阈值,且,所述目标特征向量的数量满足预设的数量阈值,则将当前预设数量的目标特征向量确定为所述维度特征向量。
5.根据权利要求1所述的方法,其特征在于,对所述维度特征向量进行特征提取,确定目标特征参数的步骤,包括:
将所述维度特征向量输入至预设的神经网络中,通过所述神经网络层对所述维度特征向量进行计算,确定初始输出结果;其中,所述神经网络包括多个神经网络层;
对所述初始输出结果进行标准化操作,得到标准化结果;
将所述标准化结果送入所述神经网络中,根据所述神经网络的激活函数,以及预先确定的稀疏约束参数,确定预设的神经网络层对应的目标输出结果;
通过所述神经网络的损失函数对所述目标输出结果进行损失计算,确定损失结果,并在所述损失结果满足预设的损失阈值时,将所述目标输出结果确定为所述目标特征参数;所述神经网络的损失函数根据所述稀疏约束参数确定。
6.根据权利要求5所述的方法,其特征在于,预设的神经网络通过改进的火鸟优化算法对初始神经网络进行参数优化得到;所述方法还包括:
基于初始神经网络的参数向量生成火鸟群;所述初始神经网络包括多个参数向量;
通过自适应的适应度函数计算每个火鸟的适应度值;所述自适应的适应度函数通过预设的自适应调节参数和所述初始神经网络的损失函数确定;所述自适应调节参数根据所述初始神经网络的损失函数值调整;
更新所述火鸟的速度和位置,并执行通过自适应的适应度函数计算每个所述火鸟的适应度的步骤,得到新的适应度值;
判断所述新的适应度值是否优于所述适应度值,如果是,将新的适应度值对应的火鸟的位置确定为目标位置,如果否,执行更新所述火鸟的速度和位置的步骤;
直到所述火鸟的速度和位置的更新条件满足预设的条件阈值时,将当前目标位置指示的参数向量确定为所述初始神经网络的使用参数,并将包括所述使用参数的所述初始神经网络,确定为所述神经网络。
7.根据权利要求1所述的方法,其特征在于,将所述目标特征参数输入至预先设置的分类器中,对所述分类器进行分类训练,确定预测分类结果的步骤,包括:
通过所述随机森林算法的每棵决策树对所述目标特征参数进行分类,确定所述目标特征参数对应的目标分类类别;
获取所述目标分类类别的对应的预测类别概率,以及非目标分类类别对应的负反馈概率;
通过预设的取值函数,对所述预测类别概率和所述负反馈概率进行取值计算,并将所述取值计算的结果确定为所述预测分类结果。
8.一种社区居家老年人传感数据分析方法,其特征在于,所述方法包括:
采集目标用户的待评估数据;
从所述待评估数据中确定所述维度特征向量对应的目标特征向量,并从所述目标特征向量中确定所述目标特征参数对应的待评估特征参数;
将所述待评估数据的待评估特征参数输入至预先构建的健康数据分析模型中,通过所述健康数据分析模型对所述待评估数据的待评估特征参数进行数据分类,得到分类结果;
其中,所述健康数据分析模型为基于权利要求1~7任一项所述的社区居家老年人传感数据分析模型的构建方法构建得到的;
根据所述分类结果,对所述待评估数据进行健康分析。
9.一种社区居家老年人传感数据分析模型的构建装置,其特征在于,所述构建装置包括:
样本获取模块,用于获取预先构建的健康数据集;其中,所述健康数据集为经过预先设置的对抗网络对原始数据集进行扩充得到的,所述原始数据集包括多条健康数据,每条所述健康数据带有预先确定的风险类别标签;
特征选择模块,用于对所述健康数据集进行特征选择,确定满足预设维度目标的维度特征向量;
特征提取模块,用于对所述维度特征向量进行特征提取,确定目标特征参数;
训练模块,用于将所述目标特征参数输入至预先设置的分类器中,对所述分类器进行分类训练,确定预测分类结果,并将所述预测分类结果满足预设分类阈值时的分类器确定为健康数据分析模型;其中,所述分类器为基于随机森林算法和负反馈策略构建的,所述健康数据分析模型用于对健康数据进行分析。
10.一种社区居家老年人传感数据分析装置,其特征在于,所述分析装置包括:
数据采集模块,用于采集目标用户的待评估数据;
参数确定模块,用于从所述待评估数据中确定所述维度特征向量对应的目标特征向量,并从所述目标特征向量中确定所述目标特征参数对应的待评估特征参数;
执行模块,用于将所述待评估数据的待评估特征参数输入至预先构建的健康数据分析模型中,通过所述健康数据分析模型对所述待评估数据的待评估特征参数进行数据分类,得到分类结果;
其中,所述健康数据分析模型为基于权利要求1~7任一项所述的社区居家老年人传感数据分析模型的构建方法构建得到的;
输出模块,用于根据所述分类结果,对所述待评估数据进行健康分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961272.7A CN116680637B (zh) | 2023-08-02 | 2023-08-02 | 社区居家老年人传感数据分析模型的构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961272.7A CN116680637B (zh) | 2023-08-02 | 2023-08-02 | 社区居家老年人传感数据分析模型的构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680637A true CN116680637A (zh) | 2023-09-01 |
CN116680637B CN116680637B (zh) | 2023-11-03 |
Family
ID=87785854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310961272.7A Active CN116680637B (zh) | 2023-08-02 | 2023-08-02 | 社区居家老年人传感数据分析模型的构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680637B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913541A (zh) * | 2023-09-12 | 2023-10-20 | 万链指数(青岛)信息科技有限公司 | 基于物联网的健康数据共享方法及系统 |
CN116934385A (zh) * | 2023-09-15 | 2023-10-24 | 山东理工昊明新能源有限公司 | 用户流失预测模型的构建方法、用户流失预测方法及装置 |
CN117077041A (zh) * | 2023-10-16 | 2023-11-17 | 社区魔方(湖南)数字科技有限公司 | 基于物联网的智慧社区管理方法及系统 |
CN117216644A (zh) * | 2023-11-09 | 2023-12-12 | 北京世纪慈海科技有限公司 | 基于电数字数据处理的人体姿态识别方法及装置 |
CN117272029A (zh) * | 2023-11-20 | 2023-12-22 | 北京世纪慈海科技有限公司 | 基于大数据处理的老人安全监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334869A (zh) * | 2019-08-15 | 2019-10-15 | 重庆大学 | 一种基于动态群优化算法的红树林生态健康预测训练方法 |
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
US20210236044A1 (en) * | 2020-02-03 | 2021-08-05 | nQ Medical, Inc. | Methods and Apparatus for Assessment of Health Condition or Functional State from Keystroke Data |
CN114176549A (zh) * | 2021-12-23 | 2022-03-15 | 杭州电子科技大学 | 基于生成式对抗网络的胎心率信号数据增强方法和装置 |
CN114974570A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学 | 基于机器学习的老年人营养健康状态评估与风险预测系统 |
WO2022227042A1 (zh) * | 2021-04-30 | 2022-11-03 | 京东方科技集团股份有限公司 | 体型识别方法、健康评估获取方法、装置、设备 |
CN115983374A (zh) * | 2022-12-30 | 2023-04-18 | 广东电网有限责任公司中山供电局 | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 |
-
2023
- 2023-08-02 CN CN202310961272.7A patent/CN116680637B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
CN110334869A (zh) * | 2019-08-15 | 2019-10-15 | 重庆大学 | 一种基于动态群优化算法的红树林生态健康预测训练方法 |
US20210236044A1 (en) * | 2020-02-03 | 2021-08-05 | nQ Medical, Inc. | Methods and Apparatus for Assessment of Health Condition or Functional State from Keystroke Data |
WO2022227042A1 (zh) * | 2021-04-30 | 2022-11-03 | 京东方科技集团股份有限公司 | 体型识别方法、健康评估获取方法、装置、设备 |
CN114176549A (zh) * | 2021-12-23 | 2022-03-15 | 杭州电子科技大学 | 基于生成式对抗网络的胎心率信号数据增强方法和装置 |
CN114974570A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学 | 基于机器学习的老年人营养健康状态评估与风险预测系统 |
CN115983374A (zh) * | 2022-12-30 | 2023-04-18 | 广东电网有限责任公司中山供电局 | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 |
Non-Patent Citations (3)
Title |
---|
FEN WANG, ET AL: "Kernel-based Sampling of Graph Signals via Graph Sampling Expansion Theorem", 2022 7TH INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING (ICSIP) * |
杨懿男;齐林海;王红;苏林萍;: "基于生成对抗网络的小样本数据生成技术研究", 电力建设, no. 05 * |
龙怡霖;蔡骋;: "基于遥感的随机森林农田水肥等级分级算法", 计算机应用与软件, no. 08 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913541A (zh) * | 2023-09-12 | 2023-10-20 | 万链指数(青岛)信息科技有限公司 | 基于物联网的健康数据共享方法及系统 |
CN116934385A (zh) * | 2023-09-15 | 2023-10-24 | 山东理工昊明新能源有限公司 | 用户流失预测模型的构建方法、用户流失预测方法及装置 |
CN116934385B (zh) * | 2023-09-15 | 2024-01-19 | 山东理工昊明新能源有限公司 | 用户流失预测模型的构建方法、用户流失预测方法及装置 |
CN117077041A (zh) * | 2023-10-16 | 2023-11-17 | 社区魔方(湖南)数字科技有限公司 | 基于物联网的智慧社区管理方法及系统 |
CN117077041B (zh) * | 2023-10-16 | 2023-12-26 | 社区魔方(湖南)数字科技有限公司 | 基于物联网的智慧社区管理方法及系统 |
CN117216644A (zh) * | 2023-11-09 | 2023-12-12 | 北京世纪慈海科技有限公司 | 基于电数字数据处理的人体姿态识别方法及装置 |
CN117216644B (zh) * | 2023-11-09 | 2024-02-02 | 北京世纪慈海科技有限公司 | 基于电数字数据处理的人体姿态识别方法及装置 |
CN117272029A (zh) * | 2023-11-20 | 2023-12-22 | 北京世纪慈海科技有限公司 | 基于大数据处理的老人安全监测方法及装置 |
CN117272029B (zh) * | 2023-11-20 | 2024-03-01 | 北京世纪慈海科技有限公司 | 基于大数据处理的老人安全监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116680637B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116680637B (zh) | 社区居家老年人传感数据分析模型的构建方法及装置 | |
Li et al. | Research on orthopedic auxiliary classification and prediction model based on XGBoost algorithm | |
Reddy et al. | An efficient system for heart disease prediction using hybrid OFBAT with rule-based fuzzy logic model | |
Paul et al. | Genetic algorithm based fuzzy decision support system for the diagnosis of heart disease | |
US8738534B2 (en) | Method for providing with a score an object, and decision-support system | |
Ghorbani et al. | A new hybrid predictive model to predict the early mortality risk in intensive care units on a highly imbalanced dataset | |
CN113259331B (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
CN116910493B (zh) | 基于多源特征提取的设备故障诊断模型的构建方法及装置 | |
US20210023331A1 (en) | Computer architecture for identifying sleep stages | |
CN117648643B (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
CN106202952A (zh) | 一种基于机器学习的帕金森疾病诊断方法 | |
CN116881832B (zh) | 旋转机械设备故障诊断模型的构建方法及装置 | |
CN112215259B (zh) | 基因选择方法和装置 | |
Zhu et al. | A GMDH-based fuzzy modeling approach for constructing TS model | |
CN116805533A (zh) | 一种基于数据收集与模拟的脑出血手术风险预测系统 | |
CN112885334A (zh) | 基于多模态特征的疾病认知系统、设备、存储介质 | |
CN112631898A (zh) | 基于cnn-svm的软件缺陷预测方法 | |
CN117874639B (zh) | 基于人工智能的机械设备寿命预测方法及装置 | |
Manrique et al. | Evolutionary system for automatically constructing and adapting radial basis function networks | |
Nilashi et al. | Electroencephalography (EEG) eye state classification using learning vector quantization and bagged trees | |
CN117892182A (zh) | 基于人工智能的索具耐用性测试方法及装置 | |
Luca et al. | Point process models for novelty detection on spatial point patterns and their extremes | |
Chang et al. | An Efficient Hybrid Classifier for Cancer Detection. | |
Shirwaikar et al. | Supervised learning techniques for analysis of neonatal data | |
Numan et al. | Prediction of Lung Cancer Using Artificial Neural Network |
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 |