CN117093857B - 一种智能戒指测试数据快速处理方法 - Google Patents
一种智能戒指测试数据快速处理方法 Download PDFInfo
- Publication number
- CN117093857B CN117093857B CN202311357005.5A CN202311357005A CN117093857B CN 117093857 B CN117093857 B CN 117093857B CN 202311357005 A CN202311357005 A CN 202311357005A CN 117093857 B CN117093857 B CN 117093857B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- sequence
- interference
- layer
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 147
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 230000035772 mutation Effects 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000002955 isolation Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 19
- 230000033001 locomotion Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及数字数据处理技术领域，提出了一种智能戒指测试数据快速处理方法，包括：获取测试信息矩阵；根据小波分量获取振幅峰值序列，根据数据突变引起的瞬时特征获取瞬时差异变化阈值，根据瞬时差异变化阈值获取突变干扰度，根据突变干扰度以及干扰的复杂性特征获取佩戴测试干扰系数；根据佩戴测试干扰系数之间的差异特征获取测试干扰调节系数，根据测试干扰调节系数获取干扰分割阈值，根据干扰分割阈值获取小波去噪后的测试数据；利用主成分分析算法获取小波去噪后的智能戒指测试数据集，根据智能戒指测试数据集为分析用户健康信息提供准确的测试数据。本发明提高了去噪后的测试数据的准确性，提高了后续对用户健康信息分析的准确性。
Description
技术领域
本发明涉及数字数据处理技术领域，具体涉及一种智能戒指测试数据快速处理方法。
背景技术
随着科学技术的快速发展，智能可穿戴设备的研究和使用得到了快速发展。智能戒指是智能可穿戴设备中的一种，是集合了传感器、计算、通信等多种技术的戒指，可以监测用户的健康状况、运动状态等，在技术不断进步和用户需求不断增加的情况下，智能戒指逐渐成为智能可穿戴设备的一个重要的组成部分。
智能戒指的优势是携带方便、功能稳定、准确，且实时性较好。为了达到上述优势，需要对智能戒指的测试数据进行快速处理，提高智能戒指处理测试数据的效率，快速的反馈智能戒指的监测结果。传统数据去噪算法对智能戒指测试数据的快速处理的精度较低，例如小波去噪算法中输入参数为经验给定，但不同活动场景下获取的测试数据具有不同的特征，导致采用小波去噪算法对智能戒指测试数据的去噪精度较低，智能戒指反馈的检测结果误差较大。
发明内容
本发明提供一种智能戒指测试数据快速处理方法，以解决去噪精度较低的问题，所采用的技术方案具体如下：
本发明一个实施例一种智能戒指测试数据快速处理方法，该方法包括以下步骤：
获取测试数据，利用测试数据构建测试信息矩阵；
利用离散小波去噪算法获取每个维度的时间序列数据的小波分量，根据每层小波分量中的波峰获取每层小波分量的振幅峰值序列；根据每层小波分量的振幅峰值序列获取每层小波分量的瞬时差异变化阈值及干扰度判断序列；根据每个振幅峰值序列及干扰度判断序列获取每层小波分量的突变干扰度；根据每个振幅峰值序列中相邻波峰之间的振幅数据变化获取每层小波分量的佩戴测试干扰系数；
根据每层小波分量的佩戴测试干扰系数之间的差异获取每层小波分量的测试干扰调节系数；根据每层小波分量的测试干扰调节系数获取每层小波分量的干扰分割阈值；根据每层小波分量的干扰分割阈值利用阈值处理技术及小波重构技术获取小波去噪后的测试数据；
利用主成分分析算法获取小波去噪后测试数据的智能戒指测试数据集，根据智能戒指测试数据集为进一步分析用户健康信息提供准确的测试数据。
优选的，所述利用离散小波去噪算法获取每个维度的时间序列数据的小波分量，根据每层小波分量中的波峰获取每层小波分量的振幅峰值序列的方法为：
对于每个维度的时间序列，将时间序列作为离散小波去噪算法的输入，将时间序列的小波分量作为离散小波去噪算法的输出；
对于每个维度的时间序列的每层小波分量，将小波分量中波峰振幅按照频率由小到大的顺序组成的序列作为小波分量的振幅峰值序列。
优选的，所述根据每层小波分量的振幅峰值序列获取每层小波分量的瞬时差异变化阈值及干扰度判断序列的方法为：
对于每个维度的时间序列中的每层小波分量，将小波分量的振幅峰值序列中波峰振幅的最大值与最小值的和作为分子，第一预设参数作为分母，将分子与分母的比值作为小波分量的瞬时差异变化阈值；
将振幅峰值序列中高于瞬时差异变化阈值的波峰幅值组成的序列作为小波分量的干扰度判断序列。
优选的，所述根据每个振幅峰值序列及干扰度判断序列获取每层小波分量的突变干扰度的方法为：
式中，表示小波分量的突变干扰度，/>表示小波分量的振幅峰值序列中数据的数量，/>表示小波分量的干扰度判断序列中数据的数量，/>表示小波分量的振幅峰值序列的变异系数，/>表示小波分量的干扰度判断序列/>中第/>个数据，/>表示小波分量的振幅峰值序列中数据的均值。
优选的，所述根据每个振幅峰值序列中相邻波峰之间的振幅数据变化获取每层小波分量的佩戴测试干扰系数的方法为：
对于每层小波分量的振幅峰值序列，将第一个振幅数据与第一个波峰振幅之间的振幅数据按照频率升序的顺序组成的序列作为第一个振幅数据序列，将任意两个相邻波峰振幅之间的振幅数据按照频率升序的顺序组成的序列作为所述相邻波峰之间的振幅数据序列，将最后一个波峰振幅与最后一个振幅数据之间的振幅数据按照频率升序的顺序组成的序列作为最后一个振幅数据序列；
根据小波分量中振幅数据序列之间的相似性获取小波分量中每个振幅数据序列的突变孤立系数；
对于每层小波分量，获取任意两个相邻振幅数据序列的突变孤立系数之间差值的平方，将所述差值的平方在所有振幅数据序列上的累加作为第一乘积因子；
将小波分量的突变干扰度作为分子，将小波分量中振幅数据序列的数量作为分母，将分子与分母的比值作为第二乘积因子；
将第一乘积因子与第二乘积因子的乘积作为每层小波分量的佩戴测试干扰系数。
优选的，所述根据小波分量中振幅数据序列之间的相似性获取小波分量中每个振幅数据序列的突变孤立系数的方法为：
式中，表示小波分量的第/>个振幅数据序列的突变孤立系数，/>和/>分别表示小波分量的第/>个振幅数据序列和第/>个振幅数据序列，/>表示/>距离函数，表示小波分量的振幅数据序列的数量，/>表示小波分量的第/>个振幅数据序列中最大值和最小值的差值，/>表示小波分量的第/>个振幅数据序列中最大值和最小值的差值。
优选的，所述根据每层小波分量的佩戴测试干扰系数之间的差异获取每层小波分量的测试干扰调节系数的方法为：
对于每个维度的时间序列中每层小波分量，获取小波分量的佩戴测试干扰系数与每层小波分量的佩戴测试干扰系数之间差值的绝对值，将所述差值的绝对值在每个维度小波分量层数上的累加和作为分子；
将每个维度的时间序列的小波分量的层数作为分母，将分子与分母的比值的归一化结果作为小波分量的测试干扰调节系数。
优选的，所述根据每层小波分量的测试干扰调节系数获取每层小波分量的干扰分割阈值的具体方法为：
对于每层小波分量，将测试干扰调节系数与第二预设参数的和作为第三乘积因子；将小波分量作为VisuShrink算法的输入，将VisuShrink算法的输出作为小波分量的阈值；
将第三乘积因子与小波分量的阈值之间的乘积作为小波分量的干扰分割阈值。
优选的，所述根据每层小波分量的干扰分割阈值利用阈值处理技术及小波重构技术获取小波去噪后的测试数据的方法为：
将每层小波分量和干扰分割阈值作为阈值处理算法的输入，采用硬阈值的方式得到每层小波分量阈值处理后的结果；
根据每层小波分量阈值处理后的结果采用小波重构算法获取离散小波去噪后的测试数据。
优选的，所述利用主成分分析算法获取小波去噪后测试数据的智能戒指测试数据集，根据智能戒指测试数据集为进一步分析用户健康信息提供准确的测试数据的方法为：
将离散小波去噪后的测试数据作为主成分分析算法的输入，将主成分分析算法的输出作为智能戒指测试数据集，为分析用户健康信息提供准确的测试数据。
本发明的有益效果是：本发明通过采用小波去噪算法对智能戒指测试数据进行去噪处理，根据环境变化特征分析不同频率小波分量受环境干扰影响的程度，基于环境变化引起的数据突变特征和测试数据中存在干扰信号的复杂特征，计算每层小波分量的佩戴测试干扰系数。基于佩戴测试干扰系数计算干扰分割阈值，其有益效果在于考虑佩戴智能戒指的场景特征计算合适的干扰分割阈值对测试数据进行处理，得到更加准确的测试数据，同时在测试数据去噪处理的基础上进行数据降维，可以快速高效的完成数据预处理，提高后续采用测试数据对用户健康信息进行分析的效率和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种智能戒指测试数据快速处理方法的流程示意图；
图2为本发明一个实施例所提供的一种智能戒指测试数据快速处理方法的具体实施流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1，其示出了本发明一个实施例提供的一种智能戒指测试数据快速处理方法流程图，该方法包括以下步骤：
步骤S001，获取测试数据的测试信息矩阵。
智能戒指是由多个不同型号的传感器获取不同方面的测试数据，具体通过心率传感器、温度传感器、血氧传感器、加速度传感器获取心率数据、体温数据、血氧数据和加速度数据，上述四种数据为同一时间段采集，采集数据序列的长度相同，得到心率数据时间序列、体温数据时间序列、血氧数据时间序列和加速度数据时间序列。本发明中采集时间间隔为1s，采集的每种序列的长度为n，n取经验值500，实施者可以根据实际情况自行决定。根据四种测试数据序列构建测试信息矩阵：
式中，表示心率数据时间序列，/>表示体温数据时间序列，表示血氧数据时间序列，/>表示加速度数据时间序列，/>表示四种数据时间序列构成的测试信息矩阵，/>表示在同一时间段内采集每种数据时间序列的长度。
至此，获取测试数据的测试信息矩阵。
步骤S002，根据小波分量中的波峰振幅获取振幅峰值序列及干扰度判断序列，基于振幅峰值序列及干扰度判断序列获取突变干扰度及佩戴测试干扰系数。
虽然智能戒指设计小巧、佩戴方便且功能较多，但在实际应用过程中会因外界因素的干扰导致采集的测试数据中存在较多噪声，导致对测试数据分析结果误差较大，降低智能戒指的应用价值，例如佩戴方式不正确、环境温度和环境光线等都会使采集的测试数据出现噪声。同时，不同场景下对采集测试数据的影响程度不同，测试数据表现的数据干扰特征不同。
因此，对智能戒指测试数据进行去噪处理时，需考虑不同场景下对测试数据采集产生干扰程度不同，选取合适的去噪方式。在此，采用离散小波去噪算法，设置分解层数为8，小波基函数选取哈尔小波，获取每个维度的时间序列的小波分量，对每个维度的时间序列的小波分量进行分析。需要说明的是，以下是对某个维度的小波分量进行分析，其他维度的小波分量做相同的处理，本发明的具体实施流程图如图2所示。
在智能戒指佩戴过程中身体突然运动会使智能戒指测试数据产生较大误差，导致数据的处理分析不准确，即采集的智能戒指测试数据的噪声含量较大，且在这个过程中产生的噪声信号表现为不连续、突变的特征，根据上述噪声产生的特征进行分析，在不同频率的小波分量中噪声干扰的程度不同，进一步分析在不同频率的小波分量中表现的数据特征。
具体地，获取每层小波分量中的波峰振幅，按频率由小到大的顺序将获取的波峰振幅进行排序,将排序的结果作为振幅峰值序列。根据运动突发性引起的瞬时特征，分析在瞬时特征影响下突变干扰度。首先根据突变特征计算每层小波分量的瞬时差异变化阈值，具体计算公式如下：
式中，和/>分别表示小波分量的振幅峰值序列中的最大值和最小值，/>表示小波分量的瞬时差异变化阈值。
根据瞬时差异变化阈值对振幅峰值序列中的数据进行筛选，获取振幅峰值序列中波峰幅值大于瞬时差异变化阈值的数据，将数据按照随机的顺序构成干扰度判断序列，干扰度判断序列中数据的数量为/>。计算每层小波分量的突变干扰度，具体计算公式如下：
式中，表示小波分量的振幅峰值序列中数据的数量，/>表示小波分量的干扰度判断序列中数据的数量，/>表示小波分量的振幅峰值序列的变异系数，/>表示小波分量的干扰度判断序列/>中第/>个数据，/>表示小波分量的振幅峰值序列中数据的均值，/>表示小波分量的突变干扰度。
若身体突然运动导致智能戒指采集的数据出现误差较大的数据，在不同的小波分量下表现为不连续性特征和突变特征，即计算得到的和/>的值越大，则小波分量的突变干扰度越大。进一步考虑是否为运动状态改变发生的变化，若为突发性身体运动干扰，即计算得到的/>的值越大，则小波分量的突变干扰度越大，表示由于身体突然运动导致智能戒指测试数据的采集过程中出现干扰，即该小波分量下存在干扰影响程度较大。
进一步地，在智能戒指测试数据采集过程中身体运动带来的影响程度不同，而且其中存在其它干扰，例如突发性的运动使智能戒指的佩戴发生变化，或者在智能戒指的测试数据采集过程中存在环境突然改变的情况，因此考虑干扰的复杂性特征，分析不同频率下小波分量的能量变化特征，反映该频率下的噪声干扰的影响特征。
具体地，根据小波分量的振动峰值序列，对于第一个波峰幅值，将波峰幅值之前的幅值按照频率由小到大的顺序组成振幅数据序列；对于任意两个相邻的波峰幅值，将波峰幅值之间的幅值按照频率由小到大的顺序组成振幅数据序列；对于最后一个波峰幅值，将波峰幅值之后的幅值按照频率由小到大的顺序组成振幅数据序列。计算每层小波分量的佩戴测试干扰系数，具体计算公式如下：
式中，和/>分别表示小波分量的第/>个振幅数据序列和第/>个振幅数据序列，表示/>距离函数，/>小波分量的第/>个振幅数据序列中最大值和最小值的差值，/>表示小波分量的第/>个振幅数据序列中最大值和最小值的差值，/>表示小波分量的振幅数据序列的数量，/>表示小波分量的第/>个振幅数据序列的突出孤立系数。/>和/>分别表示小波分量的第/>个振幅数据序列的突出孤立系数和第/>个振幅数据序列的突出孤立系数，/>表示小波分量的突变干扰度，/>表示小波分量的佩戴测试干扰系数。
若佩戴智能戒指测试过程中发生环境突变干扰，则智能戒指测试过程中稳定性下降，测试数据的变化存在间歇性突变特征，即计算得到的的值越大，则得到的/>的值越大。同时，智能戒指测试过程中的复杂干扰特征较为明显，即计算得到的/>的值越大，第一乘积因子/>越大，且突变干扰度/>越大，第二乘积因子/>越大，则计算得到的佩戴测试干扰系数/>的值越大，表示在该频率下小波分量表现的佩戴测试过程中复杂干扰影响程度较大。
步骤S003，根据佩戴测试干扰系数获取测试干扰调节系数，根据测试干扰调节系数获取干扰分割阈值，利用阈值处理技术及小波重构技术获取小波去噪后的测试数据。
进一步地，根据不同频率的小波分量下的佩戴测试干扰系数反映的复杂干扰的影响程度，通过分析小波变量的佩戴测试干扰系数与其它小波分量的偏差计算每层小波分量的测试干扰调节系数，具体的计算公式如下：
式中，表示维度的时间序列的第/>层小波分量的佩戴测试干扰系数，/>表示维度的时间序列的第/>层小波分量的佩戴测试干扰系数，/>表示维度的时间序列中小波分量的层数，/>表示归一化函数，/>表示维度的时间序列的第/>层小波分量的测试干扰调节系数。
若测试干扰集中表现在第层小波分量所在的频率范围内，即计算得到的的值越大，则测试干扰调节系数/>的值越大，表示在第/>层小波分量进行阈值处理时应相对增大阈值，更准确的降低干扰影响。
根据测试干扰调节系数计算每层小波分量的干扰分割阈值，具体计算公式如下：
式中，表示采用VisuShrink算法处理维度的时间序列的第/>层小波分量得到的阈值，/>表示维度的时间序列的第/>层小波分量的测试干扰调节系数，/>表示维度的时间序列的第/>层小波分量的干扰分割阈值。
若层小波分量所在的频率范围内环境干扰影响较为严重，即计算得到的/>的值越大，则最终该小波分量的干扰分割阈值越大，可以更准确的减少干扰影响。VisuShrink算法为公知技术，不做多余赘述。
同理，对每个维度的时间序列采取相同的处理方式得到每个维度的时间序列中每层小波分量的干扰分割阈值。
至此，获取了每个维度的时间序列的小波分量更加准确的干扰分割阈值，输入分解的每层小波分量和其对应的干扰阈值，采用硬阈值的方式得到每层小波分量阈值处理后的结果，根据每层小波分量阈值处理后的结果，采用小波重构算法得到离散小波去噪后的数据。阈值处理和小波重构为公知技术，不做多余赘述。
步骤S004，利用主成分分析算法获取小波去噪后测试数据的智能戒指测试数据集，为分析用户健康信息提供准确的测试数据。
获取测试信息矩阵中每个维度进行小波去噪后的数据，将经过小波去噪处理后的矩阵作为目标测试信息矩阵/>。输入为目标测试信息矩阵/>，采用PCA主成分分析算法进行降维处理，得到降维后的智能戒指测试数据集，PCA主成分分析算法为公知技术，不做多余赘述。
至此，获取了更加准确的智能戒指测试数据集，为进一步分析用户健康信息提供高效准确的数据。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种智能戒指测试数据快速处理方法，其特征在于，该方法包括以下步骤：
获取测试数据，利用测试数据构建测试信息矩阵；
利用离散小波去噪算法获取每个维度的时间序列数据的小波分量，根据每层小波分量中的波峰获取每层小波分量的振幅峰值序列；根据每层小波分量的振幅峰值序列获取每层小波分量的瞬时差异变化阈值及干扰度判断序列；根据每个振幅峰值序列及干扰度判断序列获取每层小波分量的突变干扰度；根据每个振幅峰值序列中相邻波峰之间的振幅数据变化获取每层小波分量的佩戴测试干扰系数；
根据每层小波分量的佩戴测试干扰系数之间的差异获取每层小波分量的测试干扰调节系数；根据每层小波分量的测试干扰调节系数获取每层小波分量的干扰分割阈值；根据每层小波分量的干扰分割阈值利用阈值处理技术及小波重构技术获取小波去噪后的测试数据；
利用主成分分析算法获取小波去噪后测试数据的智能戒指测试数据集，根据智能戒指测试数据集为进一步分析用户健康信息提供准确的测试数据；
所述根据每层小波分量的振幅峰值序列获取每层小波分量的瞬时差异变化阈值及干扰度判断序列的方法为：对于每个维度的时间序列中的每层小波分量，将小波分量的振幅峰值序列中波峰振幅的最大值与最小值的和作为分子，第一预设参数作为分母，将分子与分母的比值作为小波分量的瞬时差异变化阈值；将振幅峰值序列中高于瞬时差异变化阈值的波峰幅值组成的序列作为小波分量的干扰度判断序列；
所述根据每个振幅峰值序列及干扰度判断序列获取每层小波分量的突变干扰度的方法为：
式中，z表示小波分量的突变干扰度，m表示小波分量的振幅峰值序列中数据的数量，v表示小波分量的干扰度判断序列中数据的数量，lB表示小波分量的振幅峰值序列的变异系数，bB',i表示小波分量的干扰度判断序列B'中第i个数据，μ(B)表示小波分量的振幅峰值序列中数据的均值；
所述根据每个振幅峰值序列中相邻波峰之间的振幅数据变化获取每层小波分量的佩戴测试干扰系数的方法为：对于每层小波分量的振幅峰值序列，将第一个振幅数据与第一个波峰振幅之间的振幅数据按照频率升序的顺序组成的序列作为第一个振幅数据序列，将任意两个相邻波峰振幅之间的振幅数据按照频率升序的顺序组成的序列作为所述相邻波峰之间的振幅数据序列，将最后一个波峰振幅与最后一个振幅数据之间的振幅数据按照频率升序的顺序组成的序列作为最后一个振幅数据序列；根据小波分量中振幅数据序列之间的相似性获取小波分量中每个振幅数据序列的突变孤立系数；对于每层小波分量，获取任意两个相邻振幅数据序列的突变孤立系数之间差值的平方，将所述差值的平方在所有振幅数据序列上的累加作为第一乘积因子；将小波分量的突变干扰度作为分子，将小波分量中振幅数据序列的数量作为分母，将分子与分母的比值作为第二乘积因子；将第一乘积因子与第二乘积因子的乘积作为每层小波分量的佩戴测试干扰系数；
所述根据每层小波分量的佩戴测试干扰系数之间的差异获取每层小波分量的测试干扰调节系数的方法为：对于每个维度的时间序列中每层小波分量，获取小波分量的佩戴测试干扰系数与每层小波分量的佩戴测试干扰系数之间差值的绝对值，将所述差值的绝对值在每个维度小波分量层数上的累加和作为分子；将每个维度的时间序列的小波分量的层数作为分母，将分子与分母的比值的归一化结果作为小波分量的测试干扰调节系数；
所述根据每层小波分量的测试干扰调节系数获取每层小波分量的干扰分割阈值的具体方法为：对于每层小波分量，将测试干扰调节系数与第二预设参数的和作为第三乘积因子；将小波分量作为VisuShrink算法的输入，将VisuShrink算法的输出作为小波分量的阈值；将第三乘积因子与小波分量的阈值之间的乘积作为小波分量的干扰分割阈值。
2.根据权利要求1所述的一种智能戒指测试数据快速处理方法，其特征在于，所述利用离散小波去噪算法获取每个维度的时间序列数据的小波分量，根据每层小波分量中的波峰获取每层小波分量的振幅峰值序列的方法为：
对于每个维度的时间序列，将时间序列作为离散小波去噪算法的输入，将时间序列的小波分量作为离散小波去噪算法的输出；
对于每个维度的时间序列的每层小波分量，将小波分量中波峰振幅按照频率由小到大的顺序组成的序列作为小波分量的振幅峰值序列。
3.根据权利要求1所述的一种智能戒指测试数据快速处理方法，其特征在于，所述根据小波分量中振幅数据序列之间的相似性获取小波分量中每个振幅数据序列的突变孤立系数的方法为：
式中，py表示小波分量的第y个振幅数据序列的突变孤立系数，wy和wx分别表示小波分量的第y个振幅数据序列和第x个振幅数据序列，dtw()表示dtw距离函数，m+1表示小波分量的振幅数据序列的数量，δ(wx)表示小波分量的第x个振幅数据序列中最大值和最小值的差值，δ(wy)表示小波分量的第y个振幅数据序列中最大值和最小值的差值。
4.根据权利要求1所述的一种智能戒指测试数据快速处理方法，其特征在于，所述根据每层小波分量的干扰分割阈值利用阈值处理技术及小波重构技术获取小波去噪后的测试数据的方法为：
将每层小波分量和干扰分割阈值作为阈值处理算法的输入，采用硬阈值的方式得到每层小波分量阈值处理后的结果；
根据每层小波分量阈值处理后的结果采用小波重构算法获取离散小波去噪后的测试数据。
5.根据权利要求1所述的一种智能戒指测试数据快速处理方法，其特征在于，所述利用主成分分析算法获取小波去噪后测试数据的智能戒指测试数据集，根据智能戒指测试数据集为进一步分析用户健康信息提供准确的测试数据的方法为：
将离散小波去噪后的测试数据作为主成分分析算法的输入，将主成分分析算法的输出作为智能戒指测试数据集，为分析用户健康信息提供准确的测试数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357005.5A CN117093857B (zh) | 2023-10-19 | 2023-10-19 | 一种智能戒指测试数据快速处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357005.5A CN117093857B (zh) | 2023-10-19 | 2023-10-19 | 一种智能戒指测试数据快速处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117093857A CN117093857A (zh) | 2023-11-21 |
| CN117093857B true CN117093857B (zh) | 2024-02-02 |
Family
ID=88777340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311357005.5A Active CN117093857B (zh) | 2023-10-19 | 2023-10-19 | 一种智能戒指测试数据快速处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093857B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349597B (zh) * | 2023-12-04 | 2024-02-20 | 探博士电气科技(杭州)有限公司 | 一种用于智能数字精确定点仪的智能背景降噪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663695A (zh) * | 2012-03-31 | 2012-09-12 | 重庆大学 | 基于小波变换的dr图像去噪方法及系统 |
| CN103675617A (zh) * | 2013-11-20 | 2014-03-26 | 西安交通大学 | 一种用于高频局部放电信号检测的抗干扰方法 |
| CN114581674A (zh) * | 2022-03-21 | 2022-06-03 | 南京信息工程大学 | 一种基于改进阈值函数的小波去噪方法 |
| WO2023015932A1 (zh) * | 2021-08-11 | 2023-02-16 | 北京荣耀终端有限公司 | 基于深度学习的心率检测方法及可穿戴设备 |
| CN116226691A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市魔样科技有限公司 | 用于手势姿态感知的智能戒指数据处理方法 |
| CN116304549A (zh) * | 2022-12-15 | 2023-06-23 | 上海交通大学 | 一种隧道健康监测数据小波阈值去噪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10891719B2 (en) * | 2016-05-11 | 2021-01-12 | Cornell University | Systems, methods and programs for denoising signals using wavelets |
| WO2021263006A1 (en) * | 2020-06-24 | 2021-12-30 | Cornell University | Wavelet denoising using signal location windowing |
-
2023
- 2023-10-19 CN CN202311357005.5A patent/CN117093857B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663695A (zh) * | 2012-03-31 | 2012-09-12 | 重庆大学 | 基于小波变换的dr图像去噪方法及系统 |
| CN103675617A (zh) * | 2013-11-20 | 2014-03-26 | 西安交通大学 | 一种用于高频局部放电信号检测的抗干扰方法 |
| WO2023015932A1 (zh) * | 2021-08-11 | 2023-02-16 | 北京荣耀终端有限公司 | 基于深度学习的心率检测方法及可穿戴设备 |
| CN114581674A (zh) * | 2022-03-21 | 2022-06-03 | 南京信息工程大学 | 一种基于改进阈值函数的小波去噪方法 |
| CN116304549A (zh) * | 2022-12-15 | 2023-06-23 | 上海交通大学 | 一种隧道健康监测数据小波阈值去噪方法 |
| CN116226691A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市魔样科技有限公司 | 用于手势姿态感知的智能戒指数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117093857A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117093857B (zh) | 一种智能戒指测试数据快速处理方法 | |
| CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
| CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| CN107688553B (zh) | 基于小波变换和逻辑回归算法检测心电波形特征的方法 | |
| Hong et al. | SSDTW: Shape segment dynamic time warping | |
| CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
| CN110338791B (zh) | 基于样本熵和高斯模型的表面肌电信号活动段分割方法 | |
| CN111785286A (zh) | 面向家居cnn分类与特征匹配联合的声纹识别方法 | |
| Su et al. | Human activity recognition using self-powered sensors based on multilayer bi-directional long short-term memory networks | |
| CN111053552A (zh) | 一种基于深度学习的qrs波检测方法 | |
| CN112307996B (zh) | 一种指尖心电身份识别装置及方法 | |
| CN109598216B (zh) | 一种基于卷积的射频指纹特征提取方法 | |
| CN114021275B (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
| CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
| CN112257807B (zh) | 一种基于自适应优化线性邻域集选择的降维方法及系统 | |
| CN116295740A (zh) | 一种基于自适应变分模态分解的信号去噪重构方法 | |
| Pan et al. | Fast fault diagnosis method of rolling bearings based on compression features in multi-sensor redundant observation environment | |
| CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| CN114544868A (zh) | 一种消除干扰气体影响的气体检测方法与系统 | |
| CN113095153A (zh) | 基于深度残差网络的移动终端人类情境识别方法 | |
| CN117743836B (zh) | 一种轴承异常振动监测方法 | |
| CN117807401B (zh) | 基于数据分析的智能穿戴设备的数据处理方法 | |
| CN116595338B (zh) | 基于物联网工程信息采集处理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 518000 1st, 2nd, 4th, 5th and 6th floors of Qiufen (10A) Building, Taihua wutong Industrial Park, Sanwei Community, Hangcheng Street, Bao'an District, Shenzhen, Guangdong Patentee after: Shenzhen Moyang Technology Co.,Ltd. Country or region after: China Address before: 518000 8th and 9th floors of Guizhu (15 #) Building, Taihua wutong Industrial Park, Sanwei Community, Hangcheng Street, Bao'an District, Shenzhen, Guangdong Patentee before: SHENZHEN MOYOUNG TECHNOLOGY CO.,LTD. Country or region before: China |
|
| CP03 | Change of name, title or address |