WO2021073115A1 - 基于流形空间的数据监测方法、装置及存储介质 - Google Patents

基于流形空间的数据监测方法、装置及存储介质 Download PDF

Info

Publication number
WO2021073115A1
WO2021073115A1 PCT/CN2020/093394 CN2020093394W WO2021073115A1 WO 2021073115 A1 WO2021073115 A1 WO 2021073115A1 CN 2020093394 W CN2020093394 W CN 2020093394W WO 2021073115 A1 WO2021073115 A1 WO 2021073115A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature
data set
data
graph
feature data
Prior art date
Application number
PCT/CN2020/093394
Other languages
English (en)
French (fr)
Inventor
李江
王健宗
彭俊清
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021073115A1 publication Critical patent/WO2021073115A1/zh

Links

Images

Classifications

    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Definitions

  • This application relates to the field of data visualization, and in particular to a data monitoring method, device and storage medium based on manifold space.
  • This application provides a data monitoring method, device and storage medium based on manifold space, which can solve the problem that existing electronic products or APPs in the prior art can only unilaterally feed back a certain physical sign data of the human body, and cannot comprehensively evaluate the health of the human body. The problem of the situation.
  • this application provides a data monitoring method based on manifold space, the method including:
  • body sign data includes the body sign data of various parts of the human body in multiple time intervals
  • the characteristic data set includes healthy samples and test samples;
  • the spatial distribution data of the physical sign data of each part generates multiple preset time period graphs; the spatial distribution data refers to the spatial distribution data of each data point in the body sign data; the length of the preset time period Equal to the time interval; the graph is used to indicate the changing trend of the physical sign data of various parts of the human body following the time interval;
  • the present application provides a device for monitoring health based on a manifold space, which has a function corresponding to the data monitoring method based on a manifold space provided in the above-mentioned first aspect.
  • the function can be realized by hardware, or by hardware executing corresponding software.
  • the hardware or software includes one or more modules corresponding to the above-mentioned functions, and the modules may be software and/or hardware.
  • the device includes:
  • the input and output module is used to obtain a plurality of body sign data, the body sign data includes the body sign data of various parts of the human body in a plurality of time intervals;
  • the processing module is used to extract the features of each item of the body sign data to obtain the time domain feature, frequency domain feature, and time-frequency feature of each item of the body sign data.
  • Features, frequency domain features, and time-frequency features to generate an initial feature data set;
  • the initial feature data set is subjected to dimensionality reduction processing according to a space transformation algorithm to obtain a first feature data set;
  • each feature in the first feature data set Perform fusion processing to obtain a second feature data set, the second feature data set including healthy samples and test samples; map the second feature data set to the coordinate space to obtain the physical signs of each part in the second feature data set
  • the spatial distribution data of the data uses a preset time interval as the division value, and the spatial distribution data of the physical sign data of each part in the second feature data set is generated into a plurality of preset time period graphs;
  • the spatial distribution data Refers to the spatial distribution data of each data point in the body sign data;
  • the length of the preset period is equal to the time interval;
  • the graph is
  • a computer device which includes at least one connected processor, a memory, and a transceiver, wherein the memory is used to store program code, and the processor is used to call the program code in the memory
  • the method includes:
  • body sign data includes the body sign data of various parts of the human body in multiple time intervals
  • the characteristic data set includes healthy samples and test samples;
  • the spatial distribution data of the physical sign data of each part generates multiple preset time period graphs; the spatial distribution data refers to the spatial distribution data of each data point in the body sign data; the length of the preset time period Equal to the time interval; the graph is used to indicate the changing trend of the physical sign data of various parts of the human body following the time interval;
  • the evaluation result is output according to the target curve, and the evaluation result is used to feed back the local features of the human body from multiple aspects.
  • Another aspect of the present application provides a computer storage medium, which includes instructions that when run on a computer, cause the computer to execute a data monitoring method based on a manifold space, the method including:
  • body sign data includes the body sign data of various parts of the human body in multiple time intervals
  • the characteristic data set includes healthy samples and test samples;
  • the spatial distribution data of the physical sign data of each part generates multiple preset time period graphs; the spatial distribution data refers to the spatial distribution data of each data point in the body sign data; the length of the preset time period Equal to the time interval; the graph is used to indicate the changing trend of the physical sign data of various parts of the human body following the time interval;
  • the evaluation result is output according to the target curve graph, and the evaluation result is used to feed back the local features of the human body from multiple aspects.
  • the first graph of this application is a graph in space, therefore, this application uses the Hausdorff algorithm to evaluate the similarity between multiple second graphs and the first graph, and according to the first time period
  • the similarity between the graph and the graph of the second time period generates a target graph. Since the last generated target graph is a graph of similarity changes with the time interval, the true trend of the body sign data changing over time is more accurately presented, and the accuracy is higher.
  • FIG. 1 is a schematic flowchart of a data monitoring method based on a manifold space in an embodiment of this application;
  • FIG. 2 is a schematic diagram of feature space transformation in an embodiment of this application.
  • FIG. 3 is a schematic diagram of the first graph of the embodiment of the application.
  • FIG. 4 is a schematic flowchart of a data monitoring method based on manifold space according to an embodiment of this application;
  • FIG. 5 is a schematic diagram of a structure of a device for monitoring health based on a manifold space in an embodiment of the application
  • FIG. 6 is a schematic diagram of a structure of a computer device in an embodiment of this application.
  • This application provides a data monitoring method, device and storage medium based on manifold space.
  • the manifold space multi-feature fusion method is used to fuse the human body Multiple functions, and analyze the multiple functions of the human body after fusion, so as to obtain a comprehensive evaluation curve of human functions.
  • the method is executed by a health monitoring device that integrates multiple body sign data monitoring functions.
  • the method includes:
  • the physical sign data of the human body includes physical sign data of various parts of the human body in multiple time intervals, for example, heartbeat, pulse, blood pressure, body fat, and weight.
  • the time interval can be minutes, hours, days, weeks, or days.
  • This application does not limit the selection of the time interval, and can be selected according to the actual needs and physical condition of the user.
  • a smart sleeping mattress can be used to collect human health data, such as pulse, heart rate, blood pressure, etc. (sampling frequency once every 2 minutes). This application does not limit the time interval and collection equipment for collecting human body sign data.
  • the time domain features of the body sign data are time domain mean, variance, root square amplitude, kurtosis, margin index, etc.; frequency domain first-order center of gravity, second-order center of gravity, second-order moment, etc., time-frequency domain wavelet packet energy Wait. It can be seen that the initial feature data set in this application is a high-dimensional feature data set.
  • the initial feature data set is N1-dimensional data
  • the spatial transformation algorithm is a manifold learning algorithm
  • the initial feature data set is subjected to dimensionality reduction processing according to the spatial transformation algorithm to obtain the first feature data Set, including:
  • the manifold learning algorithm is used to transform the initial feature data set from an N1-dimensional data space to an N2-dimensional first feature data set; wherein, the first feature data set is N2-dimensional data, N1>k*N2, N1, N2 and k are all positive integers and k>1;
  • the aforementioned initial feature data set is a high-dimensional feature data set, and there is a relatively strong correlation between the high-dimensional feature data sets and there is a large amount of redundant information in the high-dimensional feature data set, which will reduce the efficiency of subsequent algorithms. Therefore, it is necessary to convert the high-dimensional initial feature data set to the low-dimensional manifold space (ie, the first feature data set), and the effective information amount of each feature data in the initial feature data set can be retained to the greatest extent without distortion.
  • the manifold learning algorithm is a relatively classic and effective feature space conversion algorithm.
  • the manifold is a basic concept in differential geometry topology. It is expressed as a local Euclidean topological space, and its goal is to sample data from high dimensions. Recover the low-dimensional manifold structure in the middle, and solve the corresponding embedding mapping, find the essence of things from the observation data samples, and discover the internal laws of the data.
  • Figure 2 is a schematic diagram of a feature space transformation of manifold learning.
  • the manifold learning algorithm can be a Laplace feature map (LE), which can obtain the low-dimensional manifold of the original high-dimensional data while maintaining strong robustness to discrete points.
  • L Laplace feature map
  • the basic idea is based on the theory of graphs. It is believed that points that are close in high-dimensional space should be kept close in low-dimensional space. It is a typical nonlinear manifold learning method. Therefore, this application chooses Laplace feature mapping is a spatial conversion algorithm.
  • the second characteristic data set includes healthy samples and test samples.
  • the fusion processing of each feature in the first feature data set to obtain the second feature data set includes:
  • a feature fusion algorithm is used to perform data fusion, feature fusion, and decision fusion on each feature in the first feature data set.
  • Data fusion refers to performing feature extraction and pattern recognition on each feature in the first feature data set, and organically synthesize each feature or attribute description of the pattern recognition to obtain a target representation or target estimation.
  • Feature fusion means to classify, aggregate and synthesize the features in the first feature data set according to feature information to generate multiple feature vectors, and then use the feature-level fusion method to fuse the multiple feature vectors to obtain The feature vector of is used for attribute description.
  • Decision fusion refers to performing feature extraction on each feature in the first feature data set, performing attribute description on each extracted feature, fusing the attribute of each feature, and fusing the attribute description of each feature.
  • This application fuses body sign data from different sources to eliminate redundancy; the obtained second feature data set after fusion is convenient for subsequent analysis and processing.
  • the feature fusion algorithm includes an algorithm based on Bayesian decision theory, an algorithm based on sparse representation theory, and an algorithm based on deep learning theory.
  • x) represents the posterior probability of class kk, k ⁇ 1,2,...,c ⁇
  • the spatial distribution data of the physical sign data of each part in the data set generates multiple preset time period graphs.
  • the spatial distribution data refers to the spatial distribution data of each data point in the body sign data.
  • the length of the preset time period is equal to the time interval.
  • the graph is used to show the changing trend of the physical sign data of various parts of the human body following the time interval.
  • Each time interval corresponds to a graph.
  • the end time of the first time period is earlier than the start time of the second time period.
  • the first period is 2-1
  • the second period is any day after 2-1.
  • the start time and end time of each second period are different.
  • the calculation of the similarity between the graph of the first period and the graph of the second period according to the Hausdorff algorithm is based on the difference between the graph of the first period and the graph of the second period
  • the similarity of generates a target curve graph of the similarity varying with the time interval, including:
  • the first body sign data of the first time period Determining the first body sign data of the first time period from the second characteristic data set at the time interval, where the first time period refers to the first body sign data with the earliest monitoring time of the second characteristic data set; The difference between the monitoring start time of the first body sign data and the monitoring end time of the first body sign data is the time interval;
  • the target graph is generated according to the similarity between the graphs of each time period.
  • h(A,B) max a ⁇ A ⁇ minb ⁇ B ⁇ d(a,b) ⁇
  • a and b are points in set A and set B, respectively, and d(a, b) represents the Euclidean distance (Euclidean distance) between a and b.
  • the Hausdorff distance h(A, B) measures the maximum degree of mismatch between two point sets (that is, between the set A and the set B). The smaller the distance, the The degree of matching between the set A and the set B is higher.
  • the separately calculating the similarity between the multiple graphs of the second time period and the first graph includes:
  • h(A,B) max a ⁇ A ⁇ minb ⁇ B ⁇ d(a,b) ⁇
  • h(A, B) refers to the Hausdorff distance
  • a and b are points in the set A and the set B respectively
  • d(a, b) represents the Euclidean distance between a and b
  • the h(A, B) measures the maximum degree of mismatch between the set A and the set B.
  • the similarity between the graph of each subsequent day and the graph of the first day is obtained, and the similarity over time (ie, day) is obtained.
  • the similarity over time ie, day
  • FIG. 3 A schematic diagram of the first graph shown in FIG. 3, wherein the main curve refers to the first graph in the first time period.
  • the master curve is a self-consistent smooth curve passing through the "center" of the data, and is a branch of manifold learning. Its theoretical basis is to find the non-Euclidean low-dimensional manifold embedded in the high-dimensional space through optimization, which is the generalization of principal component analysis in nonlinearity.
  • the master curve can truly reflect the shape of the data distribution, that is, the data is the "cloud" of the curve, and the master curve is the "skeleton" of the data.
  • Fig. 3 it is a schematic diagram of the comparison between the master curve of the two-dimensional plane spatial data distribution and the first principal component.
  • the evaluation result is used to feed back local features of the human body from multiple aspects, for example, feed back local features such as pulse and blood pressure. It can be seen that the evaluation results obtained in this application can integrate multiple functions of the human body, which is convenient for medical staff to intuitively and specifically understand and analyze multiple functions of the human body, without the need to separately output the results of a single human function health monitoring device Collect and analyze separately to improve efficiency. This application does not limit the output destination of the evaluation results.
  • the first graph of this application is a graph in space, therefore, this application uses the Hausdorff algorithm to evaluate the similarity between multiple second graphs and the first graph, and according to the first time period
  • the similarity between the graph and the graph of the second time period generates a target graph. Since the last generated target graph is a graph of similarity varying with the time interval, it more accurately presents the true trend of health changes over time, with higher accuracy, and a more intuitive presentation of the trend of health changes, and Comprehensively evaluate the health of the human body.
  • the APP collects the user's human body characteristic data, and discovers effective data samples from the human body characteristic data. Perform feature extraction on the data sample to obtain the original feature set.
  • the original feature set is a high -dimensional feature set M D
  • the M D is processed by dimensionality reduction (XXXX, LE) to obtain a low-dimensional spatial feature set with From Extract the master curve f 0 from The main curve f 1 (t) is extracted in, and the similarity between f 0 and f 1 (t) is calculated to obtain the evaluation curve Dist(t) as shown in the last step in Figure 4.
  • the above describes a data monitoring method based on the manifold space in the present application, and the following describes the device for performing the above-mentioned health monitoring based on the manifold space.
  • a schematic structural diagram of a device 50 for monitoring health based on a manifold space can be applied to assess the health state of the human body.
  • the device 50 in the embodiment of the present application can implement the steps corresponding to the data monitoring method based on the manifold space executed in the embodiment corresponding to FIG. 1 above.
  • the functions implemented by the device 50 can be implemented by hardware, or can be implemented by hardware executing corresponding software.
  • the hardware or software includes one or more modules corresponding to the above-mentioned functions, and the modules may be software and/or hardware.
  • the device 50 may include an input/output module 501 and a processing module 502.
  • the processing module 502 can be used to control the acquisition and output operations of the input and output module 501.
  • the input and output module 501 can be used to obtain multiple body sign data, and the body sign data includes the body sign data of various parts of the human body in multiple time intervals;
  • the processing module 502 is configured to perform feature extraction on each item of the human body sign data to obtain the time domain feature, frequency domain feature, and time-frequency feature of each item of the body sign data.
  • Time-domain features, frequency-domain features, and time-frequency features to generate an initial feature data set; according to a spatial transformation algorithm, the initial feature data set is subjected to dimensionality reduction processing to obtain a first feature data set; each of the first feature data set is Item features are fused to obtain a second feature data set, the second feature data set includes a healthy sample and a test sample; the second feature data set is mapped to the coordinate space, and each part of the second feature data set is obtained
  • the spatial distribution data of the physical sign data of, using a preset time interval as the division value, and the spatial distribution data of the physical sign data of each part in the second feature data set is generated into a plurality of preset time period graphs; the space The distribution data refers to the spatial distribution data of each data point in the body sign data; the length of the preset period is
  • the processing module 502 determines the spatial distribution data of the data points through feature fusion, and obtains the first graph of the first time period, respectively, according to the time interval and the preset time period. Extract the graphs corresponding to the spatial distribution data of the data of other principal components.
  • the first graph of this application is a graph in space, therefore, this application uses the Hausdorff algorithm to evaluate the similarity between multiple second graphs and the first graph, and according to the first time period
  • the similarity between the graph and the graph of the second time period generates a target graph. Since the last generated target graph is a graph of similarity changes with the time interval, the true trend of health changes over time is more accurately presented, the accuracy is higher, and the trend of health changes is more intuitive.
  • the initial feature data set is N1-dimensional data
  • the spatial transformation algorithm is a manifold learning algorithm
  • the processing module 502 is specifically configured to:
  • the manifold learning algorithm is used to transform the initial feature data set from an N1-dimensional data space to an N2-dimensional first feature data set; wherein, the first feature data set is N2-dimensional data, N1>k*N2, N1, N2 and k are all positive integers and k>1;
  • processing module 502 is specifically configured to:
  • each feature in the first feature data set is classified, aggregated, and integrated to generate multiple feature vectors, and the feature-level fusion method is adopted to fuse the multiple feature vectors, and the feature vectors obtained by the fusion are performed Property description;
  • the feature fusion algorithm includes an algorithm based on Bayesian decision theory.
  • Value feature composition, denoted as x [x1,x2,...,xN], according to the Bayesian decision theory of minimum error rate, if the sample is divided into the jth category, the jth category refers to the condition of the known sample x
  • the processing module 502 is specifically configured to:
  • x) represents the posterior probability of the kk-th class, k ⁇ 1,2,...,c ⁇ .
  • processing module 502 is specifically configured to:
  • the first body sign data of the first time period Determining the first body sign data of the first time period from the second characteristic data set at the time interval, where the first time period refers to the first body sign data with the earliest monitoring time of the second characteristic data set; The difference between the monitoring start time of the first body sign data and the monitoring end time of the first body sign data is the time interval;
  • the target graph is generated according to the similarity between the graphs of each time period.
  • processing module 502 is specifically configured to:
  • h(A,B) max a ⁇ A ⁇ minb ⁇ B ⁇ d(a,b) ⁇
  • h(A, B) refers to the Hausdorff distance
  • a and b are points in the set A and the set B respectively
  • d(a, b) represents the Euclidean distance between a and b
  • the h(A, B) measures the maximum degree of mismatch between the set A and the set B.
  • the physical device corresponding to the input output module 501 shown in FIG. 5 is the input output unit shown in FIG. 6, which can realize part or all of the functions of the acquisition module 1, or realize the same or similar functions as the acquisition module 201 .
  • the physical device corresponding to the processing module 502 shown in FIG. 5 is the processor shown in FIG. 6, and the processor can implement part or all of the functions of the processing module 502 or implement the same or similar functions as the processing module 502.
  • the above describes the device 50 for monitoring health based on the manifold space in the embodiments of the present application from the perspective of modular functional entities.
  • the following describes a computer device from the perspective of hardware, as shown in FIG. 6, which includes: a processor, a memory , An input and output unit, and a computer program stored in the memory and running on the processor.
  • the computer program may be a program corresponding to the data monitoring method based on manifold space in the embodiment corresponding to FIG. 1.
  • the processor executes the computer program to implement the manifold space-based data monitoring performed by the apparatus 50 in the embodiment corresponding to FIG.
  • the computer program may be a program corresponding to the data monitoring method based on manifold space in the embodiment corresponding to FIG. 1.
  • the so-called processor can be a central processing unit (Central Processing Unit, CPU), other general-purpose processors, digital signal processors (Digital Signal Processor, DSP), application specific integrated circuits (Application Specific Integrated Circuit, ASIC), off-the-shelf Field-Programmable Gate Array (FPGA) or other programmable logic devices, discrete gates or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor can be a microprocessor or the processor can also be any conventional processor, etc.
  • the processor is the control center of the computer equipment, and uses various interfaces and lines to connect the main curve parts of the entire computer equipment. .
  • the memory may be used to store the computer program and/or module, and the processor implements the computer by running or executing the computer program and/or module stored in the memory and calling data stored in the memory.
  • the memory may mainly include a storage program area and a storage data area.
  • the storage program area may store an operating system, an application program required by at least one function (such as a sound playback function, an image playback function, etc.), etc.; the storage data area may store Data created based on the use of mobile phones (such as audio data, video data, etc.), etc.
  • the memory can include high-speed random access memory, and can also include non-volatile memory, such as hard disks, memory, plug-in hard disks, smart media cards (SMC), and secure digital (SD) cards.
  • non-volatile memory such as hard disks, memory, plug-in hard disks, smart media cards (SMC), and secure digital (SD) cards.
  • Flash Card at least one magnetic disk storage device, flash memory device, or other volatile solid-state storage device.
  • the input and output units can also be replaced by input units and output units, and they can be the same or different physical entities. When they are the same physical entity, they can be collectively referred to as input and output units.
  • the transceiver of the input and output unit may be a transceiver.
  • the memory may be integrated in the processor, or may be provided separately from the processor.
  • the method of the above embodiments can be implemented by means of software plus the necessary general hardware platform. Of course, it can also be implemented by hardware, but in many cases the former is better. ⁇ Based on this understanding, the essence of the technical solution of this application or the part that contributes to the existing technology can be embodied in the form of a software product, and the computer software product is stored in a computer-readable storage medium (such as ROM/RAM)
  • the computer-readable storage medium may be non-volatile or volatile, and includes a number of instructions to enable a terminal (which may be a mobile phone, a computer, a server, or a network device, etc.) to execute the various embodiments described in this application. Methods.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Fuzzy Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种数据监测方法、装置及存储介质，方法包括：从各项人体体征数据提取时域特征、频域特征和时频特征生成初始特征数据集；根据空间变换算法将初始特征数据集进行降维得到第一特征数据集；将第一特征数据集进行融合处理得到的第二特征数据集映射到坐标空间，得到各个部位的体征数据的空间分布数据，将各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据该相似度生成目标曲线图；根据目标曲线图输出用于从多个方面反馈人体的局部特征的评估结果。

Description

基于流形空间的数据监测方法、装置及存储介质
本申请要求于2019年10月18日提交中国专利局、申请号为201910991167.1，发明名称为“基于流形空间的数据监测方法、装置及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及数据可视化领域，尤其涉及一种基于流形空间的数据监测方法、装置及存储介质。
背景技术
目前，人们采用各种电子产品以及APP来监测自身健康。这些电子产品或者应用(application，APP)可以收集人体体征数据，例如脉搏、血压、呼吸、心跳、或者睡眠状况等体征数据，并对这些体征数据分别进行分析，然后根据分析的结果绘制各项体征数据对应的示意图，人们通过观看各项体征数据对应的示意图即可直观地、大概地了解自身的身体机能。
虽然这些电子产品或APP能够辅助人类了解自身机能，但是，发明人意识到由于这些电子产品或APP都只能专用于单项或少许几项的体征数据的监测，所以人们需要购买不同的电子产品或APP分别监测各项体征数据，然后分别进行分析和输出各项体征数据的健康状况。一方面，使用不便且增加成本；另一方面，目前的电子产品或APP只能单方面反馈人体的某个体征数据，比如心跳、脉搏、血压、体脂和体重等。
技术问题
本申请提供了一种基于流形空间的数据监测方法、装置及存储介质，能够解决现有技术中现有电子产品或APP只能单方面反馈人体的某个体征数据，无法综合评判人体的健康状况的问题。
技术解决方案
第一方面，本申请提供一种基于流形空间的数据监测方法，所述方法包括：
获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；
根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；
将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；
根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；
根据所述目标曲线图评估人体的健康状态，并输出评估结果，所述评估结果用于从多 个方面反馈人体的局部特征。
第二方面，本申请提供一种基于流形空间监测健康的装置，具有实现对应于上述第一方面提供的基于流形空间的数据监测方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一种可能的设计中，所述装置包括：
输入输出模块，用于获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
处理模块，用于对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；根据所述目标曲线图评估人体的健康状态，并通过所述输入输出模块输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
本申请又一方面提供了一种计算机设备，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行基于流形空间的数据监测方法，所述方法包括：
获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；
根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；
将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；
根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；
根据所述目标曲线图输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
本申请又一方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行基于流形空间的数据监测方法，所述方法包括：
获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体 征数据；
对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；
根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；
将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；
根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；
根据目标曲线图输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
有益效果
相较于现有技术，本申请提供的方案中，通过特征融合、确定数据点的空间分布数据，得到第一时段的第一曲线图后，按照时间间隔和预设的时段分别提取其它主成分的数据的空间分布数据对应的曲线图。在评估人体特征数据随时间变化时，转化为多个第二时段的曲线图与第一曲线图之间的相似度，由于Hausdorff算法是定义于图形上且本质上用于评估两幅曲线图的相似度，本申请的第一曲线图是空间中的一个图形，因此，本申请使用Hausdorff算法评估多个第二曲线图与第一曲线图之间的相似度，并根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成目标曲线图。由于最后生成的目标曲线图是相似度随所述时间间隔变化的曲线图，所以更加准确的呈现人体体征数据随着时间变化的真实趋势，准确性更高。
附图说明
图1为本申请实施例中基于流形空间的数据监测方法的一种流程示意图；
图2为本申请实施例中特征空间变换的一种示意图；
图3为本申请实施例第一曲线图的一种示意图；
图4为本申请实施例基于流形空间的数据监测方法的一种流程示意图；
图5为本申请实施例中基于流形空间监测健康的装置的一种结构示意图；
图6为本申请实施例中计算机设备的一种结构示意图。
本发明的最佳实施方式
本申请提供一种基于流形空间的数据监测方法、装置及存储介质，通过结合现有的健康监测的产品以及APP产品，根据采集到的人体机能信息，采用流形空间多特征融合方法融合人体多项机能，并分析融合后的人体多项机能，以此得出人体机能的综合评价曲线。
参照图1，以下介绍本申请实施例中的一种基于流形空间的数据监测方法，本方法由健康监测装置执行，该健康监测装置集成多个人体体征数据的监测功能。所述方法包括：
101、获取多项人体体征数据。
其中，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据，例如，心跳、脉搏、血压、体脂和体重等。所述时间间隔可为分钟、小时、天、周或日，本申请不对时间间隔的选取作限定，可根据用户的实际需求和身体状态来选取。例如，可使用智能睡眠床垫采集人体健康数据，比如脉搏、心率、血压等(采样频率2分钟一次)。本申请不对不对阿采集人体体征数据的时间间隔和采集设备作限定。
102、对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集。
其中，人体体征数据的时域特征为时域均值、方差、方根幅值、峭度、裕度指标等；频域一阶重心、二阶重心、二阶矩等、时频域小波包能量等。由此可见，本申请中的初始特征数据集为高维特征数据集。
103、根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集。
一些实施方式中，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集，包括：
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；
计算与所述第一特征数据集对应的嵌入映射；
根据所述嵌入映射从所述第一特征数据集中发掘事物本质，以及对所述第一特征数据集进行特征分析，以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
上述初始特征数据集为高维特征数据集，而高维特征数据集之间存在比较强的相关性且高维特征数据集中存在大量的冗余信息，都会降低后续的算法效率。因此，需要将高维的初始特征数据集转换到低维流形空间(即第一特征数据集)，且能最大程度不失真地保留初始特征数据集中各项特征数据的有效信息量。
其中，流形学习算法是就是一种比较经典有效的特征空间转换算法，流形是微分几何拓扑学中的基本概念，其表示为一个局部欧几里拓扑空间，其目标在于从高维采样数据中恢复低维流形结构，并求解出相应的嵌入映射，从观测数据样本中找寻事物本质、发现数据内在规律。
如图2为流形学习的一种特征空间变换示意图。流形学习算法可为拉普拉斯特征映射(LE)，可以在获得原始高维数据的低维流形的基础上，同时也能对离散点保持较强的鲁棒性。其基本思想建立在图谱理论上，认为在高维空间中距离较近的点，在低维空间中也应该保持距离较近，是一种典型的非线性流形学习方法，因此，本申请选择拉普拉斯特征映射为空间转换算法。
104、将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集。
其中，所述第二特征数据集包括健康样本和测试样本。
一些实施方式中，所述将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，包括：
采用特征融合算法分别将所述第一特征数据集中的各项特征进行数据融合、特征融合和决策融合。
数据融合是指对所述第一特征数据集中的各项特征进行特征提取和模式识别，将提取的各项特征或模式识别的属性说明进行有机合成，得到一个目标表示或目标估计。
特征融合是指按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合，产生多个特征矢量，再采用基于特征级融合方法融合所述多个特征矢量，对融合得到的特征矢量进行属性说明。
决策融合是指对所述第一特征数据集中的各项特征进行特征提取，对提取的各项特征进行属性说明，融合各项特征的属性，并融合各项特征的属性说明。
本申请将来源不同的人体体征数据融合到一起，去冗余；得到的融合后的第二特征数据集便于后续分析和处理。
其中，所述特征融合算法包括基于贝叶斯决策理论的算法、基于稀疏表示理论的算法和基于深度学习理论算法。以基于贝叶斯理论的特征融合算法为例，已知模式空间Ω包含 c种模式，记为:Ω＝{ω1,…,ωc}，未知样本x由N维实值特征组成，记为x＝[x1,x2,…,xN]，根据最小错误率的贝叶斯决策理论，若将样本分为第j类，则第j类是指在已知样本x条件下后验概率最大的模式类，该决策过程可以表示为：
If F(ωj)＝max，P(ωk|x)，x→ωj
其中，P(ωk|x)P(ωk|x)表示第kk类的后验概率，k∈{1,2,…,c}
105、将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图。
其中，空间分布数据是指人体体征数据中的各数据点在空间上的分布数据。
所述预设的时段的长度与所述时间间隔相等。
所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势。每个时间间隔对应一个曲线图。
106、根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图。
其中，所述第一时段的结束时刻早于所述第二时段的起始时刻。例如，第一时段为2-1日，第二时段为2-1日之后的任意一日。每个第二时段的起始时刻和结束时刻均不同。
一些实施方式中，所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，包括：
以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据，所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据；所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔；
确定所述第一人体体征数据对应的空间分布数据；
确定所述第一人体体征数据对应的空间分布数据的第一曲线图；
以所述第一曲线图为参考，分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度；
按照各时段的先后顺序，根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
其中，Hausdorff算法用于描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式:假设有两组集合A＝{a1,…,ap},B＝{b1,…,bq},则这两个点集合之间的Hausdorff距离定义为：
h(A，B)＝max a∈A{minb∈B{d(a,b)}}
其中,a,b分别是集合A与集合B中的点，d(a,b)表示a与b之间的欧式距离(Euclidean距离)。由该Hausdorff距离公式可知，Hausdorff距离h(A,B)度量了两个点集间(即所述集合A和所述集合B之间)的最大不匹配程度，距离越小，则表示所述集合A和所述集合B之间的匹配程度越高。
具体来说，所述分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度，包括：
将所述第二时段的曲线图设为集合A，所述集合A＝{a1,…,ap},以及将第一曲线图设为集合B，所述集合B＝{b1,…,bq}；
计算所述集合A和所述集合B之间的Hausdorff距离；所述Hausdorff距离的一种表示方式为：
h(A，B)＝max a∈A{minb∈B{d(a,b)}}
其中,h(A,B)是指所述Hausdorff距离，a,b分别是为所述集合A与所述集合B中的点，d(a,b)表示a与b之间的欧式距离，所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
例如，以第1天的健康数据为参照(作为健康数据样本)，求取后面每一天的曲线图与第1天的曲线图之间的相似度，即得到相似度随时间(即天)的变化关系。
如图3所示的第一曲线图的一种示意图，其中，主曲线是指第一时段的第一曲线图。主曲线是一条通过数据“中心”的自相合光滑曲线，是流形学习的一个分支。其理论基础是通过优化寻找出嵌入到高维空间的非欧氏低维流形，是主成分分析在非线性上的推广。主曲线可以真实反映数据分布的形态，即数据是该曲线的“云”，而主曲线是数据的“骨架”。如图3所示，是二维平面空间数据分布主曲线与第一主成分的对比示意图。
107、根据所述目标曲线图评估人体的健康状态，并输出评估结果。
其中，所述评估结果用于从多个方面反馈人体的局部特征，比如反馈脉搏、血压等局部特征。可见，本申请得到的所述评估结果可融合人体多项机能，便于医护人员直观地，有针对性地了解和分析人体的多项机能，无需分别对单一人体机能的健康状态监测装置输出的结果分别进行收集和分析，从而提高效率。本申请不对评估结果的输出去向作限定。
可见，与现有机制相比，本申请实施例中，通过特征融合、确定数据点的空间分布数据，得到第一时段的第一曲线图后，按照时间间隔和预设的时段分别提取其它主成分的数据的空间分布数据对应的曲线图。在评估人体特征数据随时间变化时，转化为多个第二时段的曲线图与第一曲线图之间的相似度，由于Hausdorff算法是定义于图形上且本质上用于评估两幅曲线图的相似度，本申请的第一曲线图是空间中的一个图形，因此，本申请使用Hausdorff算法评估多个第二曲线图与第一曲线图之间的相似度，并根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成目标曲线图。由于最后生成的目标曲线图是相似度随所述时间间隔变化的曲线图，所以更加准确的呈现健康随着时间变化的真实趋势，准确性更高，也更直观的呈现健康的变化趋势，以及综合评判人体的健康状态。
为便于理解，下面以具体的应用场景为例说明基于流形空间的数据监测方法，如图4所示，APP采集用户的人体特征数据，从该人体特征数据中发掘有效的数据样本，对所述数据样本进行特征提取，得到原始特征集。该原始特征集为高维特征集M D，对该M D进行降维(XXXX，LE)处理，得到低维空间特征集
Figure PCTCN2020093394-appb-000001
和
Figure PCTCN2020093394-appb-000002
从
Figure PCTCN2020093394-appb-000003
中提取主曲线f 0，以及从
Figure PCTCN2020093394-appb-000004
中提取主曲线f 1(t)，计算f 0和f 1(t)之间的相似度，得到如图4中最后一步中所示的评估曲线Dist(t)。
上述图1至图4中任一所对应的实施例或实施方式中所提及的技术特征也同样适用于本申请中的图5和图6所对应的实施例，后续类似之处不再赘述。
以上对本申请中一种基于流形空间的数据监测方法进行说明，以下对执行上述基于流形空间监测健康的装置进行描述。
如图5所示的一种基于流形空间监测健康的装置50的结构示意图，其可应用于评估人体的健康状态。本申请实施例中的装置50能够实现对应于上述图1所对应的实施例中所执行的基于流形空间的数据监测方法的步骤。装置50实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述装置50可包括输入输出模块501和处理模块502，所述处理模块502和输入输出模块501的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。所述处理模块502可用于控制所述输入输出模块501的获取、输出等操作。
一些实施方式中，所述输入输出模块501可用于获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
所述处理模块502用于对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到 第二特征数据集，所述第二特征数据集包括健康样本和测试样本；将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；根据所述目标曲线图评估人体的健康状态，并通过所述输入输出模块501输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
与现有机制相比，本申请实施例中，所述处理模块502通过特征融合、确定数据点的空间分布数据，得到第一时段的第一曲线图后，按照时间间隔和预设的时段分别提取其它主成分的数据的空间分布数据对应的曲线图。在评估人体特征数据随时间变化时，转化为多个第二时段的曲线图与第一曲线图之间的相似度，由于Hausdorff算法是定义于图形上且本质上用于评估两幅曲线图的相似度，本申请的第一曲线图是空间中的一个图形，因此，本申请使用Hausdorff算法评估多个第二曲线图与第一曲线图之间的相似度，并根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成目标曲线图。由于最后生成的目标曲线图是相似度随所述时间间隔变化的曲线图，所以更加准确的呈现健康随着时间变化的真实趋势，准确性更高，也更直观的呈现健康的变化趋势。
一些实施方式中，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述处理模块502具体用于：
采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；
计算与所述第一特征数据集对应的嵌入映射；
根据所述嵌入映射从所述第一特征数据集中发掘事物本质，以及对所述第一特征数据集进行特征分析，以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
一些实施方式中，所述处理模块502具体用于：
采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别，将提取的各项特征或模式识别的属性说明进行有机合成，得到一个目标表示或目标估计；
按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合，产生多个特征矢量，以及采用基于特征级融合方式融合所述多个特征矢量，对融合得到的特征矢量进行属性说明；
以及对所述第一特征数据集中的各项特征进行特征提取，对提取的各项特征进行属性说明，采用决策融合方式融合各项特征的属性，并融合各项特征的属性说明，以将来源不同的人体体征数据融合到一起，最终得到所述第二特征数据集。
一些实施方式中，所述特征融合算法包括基于贝叶斯决策理论的算法，已知模式空间Ω包含c种模式，记为:Ω＝{ω1,…,ωc}，未知样本x由N维实值特征组成，记为x＝[x1,x2,…,xN]，根据最小错误率的贝叶斯决策理论，若将样本分为第j类，则第j类是指在已知样本x条件下后验概率最大的模式类，所述处理模块502具体用于：
采用下述公式融合各项特征的属性：
If F(ωj)＝max，P(ωk|x)，x→ωj
其中，P(ωk|x)P(ωk|x)表示第kk类的后验概率，k∈{1,2,…,c}。
一些实施方式中，所述处理模块502具体用于：
以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据，所 述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据；所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔；
确定所述第一人体体征数据对应的空间分布数据；
确定所述第一人体体征数据对应的空间分布数据的第一曲线图；
以所述第一曲线图为参考，分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度；
按照各时段的先后顺序，根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
一些实施方式中，所述处理模块502具体用于：
将所述第二时段的曲线图设为集合A，所述集合A＝{a1,…,ap},以及将第一曲线图设为集合B，所述集合B＝{b1,…,bq}；
计算所述集合A和所述集合B之间的Hausdorff距离；所述Hausdorff距离的一种表示方式为：
h(A，B)＝max a∈A{minb∈B{d(a,b)}}
其中,h(A,B)是指所述Hausdorff距离，a,b分别是为所述集合A与所述集合B中的点，d(a,b)表示a与b之间的欧式距离，所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
图5中所示的输入输出模块501对应的实体设备为图6所示的输入输出单元，该输入输出单元能够实现获取模块1部分或全部的功能，或者实现与获取模块201相同或相似的功能。
图5中所示的处理模块502对应的实体设备为图6所示的处理器，该处理器能够实现处理模块502部分或全部的功能，或者实现与处理模块502相同或相似的功能。
上面从模块化功能实体的角度分别介绍了本申请实施例中的基于流形空间监测健康的装置50，以下从硬件角度介绍一种计算机设备，如图6所示，其包括：处理器、存储器、输入输出单元以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如，该计算机程序可以为图1所对应的实施例中基于流形空间的数据监测方法对应的程序。例如，当计算机设备实现如图5所示的装置50的功能时，所述处理器执行所述计算机程序时实现上述图5所对应的实施例中由装置50执行的基于流形空间的数据监测方法中的各步骤；或者，所述处理器执行所述计算机程序时实现上述图5所对应的实施例的装置50中各模块的功能。又例如，该计算机程序可以为图1所对应的实施例中基于流形空间的数据监测方法对应的程序。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个主曲线部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述输入输出单元也可以用输入单元和输出单元代替，可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为输入输出单元。该输入输出单元收发器可以为收发 器。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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计算机可读存储介质(如ROM/RAM)中，计算机可读存储介质可以是非易失性，也可以是易失性，包括若干指令用以使得一台终端(可以是手机，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的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。

Claims (20)

  1. 一种基于流形空间的数据监测方法，其中，所述方法包括：
    获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
    对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；
    根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；
    将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；
    根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；
    根据所述目标曲线图输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
  2. 根据权利要求1所述的方法，其中，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集，包括：
    采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；
    计算与所述第一特征数据集对应的嵌入映射；
    根据所述嵌入映射对所述第一特征数据集进行特征分析，以从所述第一特征数据集中获取所述第一特征数据集的内在规律。
  3. 根据权利要求2所述的方法，其中，所述将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，包括：
    采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别，将提取的各项特征或模式识别的属性说明进行有机合成，得到一个目标表示或目标估计；
    按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合，产生多个特征矢量，以及采用基于特征级融合方式融合所述多个特征矢量，对融合得到的特征矢量进行属性说明；
    以及对所述第一特征数据集中的各项特征进行特征提取，对提取的各项特征进行属性说明，采用决策融合方式融合各项特征的属性，并融合各项特征的属性说明，以将来源不同的人体体征数据融合到一起，最终得到所述第二特征数据集。
  4. 根据权利要求3所述的方法，其中，所述特征融合算法包括基于贝叶斯决策理论的算法，已知模式空间Ω包含c种模式，记为:Ω＝{ω1,…,ωc}，未知样本x由N维实值特征组成，记为x＝[x1,x2,…,xN]，根据最小错误率的贝叶斯决策理论，若将样本分为第j类，则第j类是指在已知样本x条件下后验概率最大的模式类，所述采用决策融合方式融合各项特征的属性，包括：
    采用下述公式融合各项特征的属性：
    If F(ωj)＝max，P(ωk|x)，x→ωj
    其中，P(ωk|x)P(ωk|x)表示第k类的后验概率，k∈{1,2,…,c}。
  5. 根据权利要求1-4中任一项所述的方法，其中，所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，包括：
    以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据，所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据；所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔；
    确定所述第一人体体征数据对应的空间分布数据；
    确定所述第一人体体征数据对应的空间分布数据的第一曲线图；
    以所述第一曲线图为参考，分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度；
    按照各时段的先后顺序，根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
  6. 根据权利要求5所述的方法，其中，所述分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度，包括：
    将所述第二时段的曲线图设为集合A，所述集合A＝{a1,…,ap},以及将第一曲线图设为集合B，所述集合B＝{b1,…,bq}；
    计算所述集合A与所述集合B之间的Hausdorff距离；所述Hausdorff距离的一种表示方式为：
    h(A，B)＝max a∈A{minb∈B{d(a,b)}}
    其中,h(A,B)是指所述Hausdorff距离，a,b分别是为所述集合A与所述集合B中的点，d(a,b)表示a与b之间的欧式距离，所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
  7. 一种基于流形空间监测健康的装置，其中，所述装置包括：
    输入输出模块，用于获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
    处理模块，用于对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；根据所述目标曲线图评估人体的健康状态，并通过所述输入输出模块输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
  8. 根据权利要求7所述的装置，其中，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述处理模块具体用于：
    采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；
    计算与所述第一特征数据集对应的嵌入映射；
    根据所述嵌入映射从所述第一特征数据集中发掘事物本质，以及对所述第一特征数据集进行特征分析，以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。
  9. 一种计算机设备，其中，所述设备包括：
    至少一个处理器、存储器和输入输出单元器；
    其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行基于流形空间的数据监测方法，其中，所述方法包括：
    获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
    对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；
    根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；
    将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；
    根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；
    根据所述目标曲线图输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
  10. 根据权利要求9所述的计算机设备，其中，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集，包括：
    采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；
    计算与所述第一特征数据集对应的嵌入映射；
    根据所述嵌入映射对所述第一特征数据集进行特征分析，以从所述第一特征数据集中获取所述第一特征数据集的内在规律。
  11. 根据权利要求10所述的计算机设备，其中，所述将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，包括：
    采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别，将提取的各项特征或模式识别的属性说明进行有机合成，得到一个目标表示或目标估计；
    按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合，产生多个特征矢量，以及采用基于特征级融合方式融合所述多个特征矢量，对融合得到的特征矢量进行属性说明；
    以及对所述第一特征数据集中的各项特征进行特征提取，对提取的各项特征进行属性说明，采用决策融合方式融合各项特征的属性，并融合各项特征的属性说明，以将来源不同的人体体征数据融合到一起，最终得到所述第二特征数据集。
  12. 根据权利要求11所述的计算机设备，其中，所述特征融合算法包括基于贝叶斯 决策理论的算法，已知模式空间Ω包含c种模式，记为:Ω＝{ω1,…,ωc}，未知样本x由N维实值特征组成，记为x＝[x1,x2,…,xN]，根据最小错误率的贝叶斯决策理论，若将样本分为第j类，则第j类是指在已知样本x条件下后验概率最大的模式类，所述采用决策融合方式融合各项特征的属性，包括：
    采用下述公式融合各项特征的属性：
    If F(ωj)＝max，P(ωk|x)，x→ωj
    其中，P(ωk|x)P(ωk|x)表示第k类的后验概率，k∈{1,2,…,c}。
  13. 根据权利要求9-12中任一项所述的计算机设备，其中，所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，包括：
    以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据，所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据；所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔；
    确定所述第一人体体征数据对应的空间分布数据；
    确定所述第一人体体征数据对应的空间分布数据的第一曲线图；
    以所述第一曲线图为参考，分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度；
    按照各时段的先后顺序，根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
  14. 根据权利要求13所述的计算机设备，其中，所述分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度，包括：
    将所述第二时段的曲线图设为集合A，所述集合A＝{a1,…,ap},以及将第一曲线图设为集合B，所述集合B＝{b1,…,bq}；
    计算所述集合A与所述集合B之间的Hausdorff距离；所述Hausdorff距离的一种表示方式为：
    h(A，B)＝max a∈A{minb∈B{d(a,b)}}
    其中,h(A,B)是指所述Hausdorff距离，a,b分别是为所述集合A与所述集合B中的点，d(a,b)表示a与b之间的欧式距离，所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
  15. 一种计算机存储介质，其中，其包括指令，当其在计算机上运行时，使得计算机执行基于流形空间的数据监测方法，所述方法包括：
    获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；
    对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；
    根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；
    将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；
    根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；
    根据所述目标曲线图输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。
  16. 根据权利要求15所述的计算机存储介质，其中，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集，包括：
    采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；
    计算与所述第一特征数据集对应的嵌入映射；
    根据所述嵌入映射对所述第一特征数据集进行特征分析，以从所述第一特征数据集中获取所述第一特征数据集的内在规律。
  17. 根据权利要求16所述的计算机存储介质，其中，所述将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，包括：
    采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别，将提取的各项特征或模式识别的属性说明进行有机合成，得到一个目标表示或目标估计；
    按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合，产生多个特征矢量，以及采用基于特征级融合方式融合所述多个特征矢量，对融合得到的特征矢量进行属性说明；
    以及对所述第一特征数据集中的各项特征进行特征提取，对提取的各项特征进行属性说明，采用决策融合方式融合各项特征的属性，并融合各项特征的属性说明，以将来源不同的人体体征数据融合到一起，最终得到所述第二特征数据集。
  18. 根据权利要求17所述的计算机存储介质，其中，所述特征融合算法包括基于贝叶斯决策理论的算法，已知模式空间Ω包含c种模式，记为:Ω＝{ω1,…,ωc}，未知样本x由N维实值特征组成，记为x＝[x1,x2,…,xN]，根据最小错误率的贝叶斯决策理论，若将样本分为第j类，则第j类是指在已知样本x条件下后验概率最大的模式类，所述采用决策融合方式融合各项特征的属性，包括：
    采用下述公式融合各项特征的属性：
    If F(ωj)＝max，P(ωk|x)，x→ωj
    其中，P(ωk|x)P(ωk|x)表示第k类的后验概率，k∈{1,2,…,c}。
  19. 根据权利要求15-18中任一项所述的计算机存储介质，其中，所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，包括：
    以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据，所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据；所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔；
    确定所述第一人体体征数据对应的空间分布数据；
    确定所述第一人体体征数据对应的空间分布数据的第一曲线图；
    以所述第一曲线图为参考，分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度；
    按照各时段的先后顺序，根据所述各时段的曲线图之间的相似度生成所述目标曲线图。
  20. 根据权利要求19所述的计算机存储介质，其中，所述分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度，包括：
    将所述第二时段的曲线图设为集合A，所述集合A＝{a1,…,ap},以及将第一曲线图设为集合B，所述集合B＝{b1,…,bq}；
    计算所述集合A与所述集合B之间的Hausdorff距离；所述Hausdorff距离的一种表示方式为：
    h(A，B)＝max a∈A{minb∈B{d(a,b)}}
    其中,h(A,B)是指所述Hausdorff距离，a,b分别是为所述集合A与所述集合B中的点，d(a,b)表示a与b之间的欧式距离，所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。
PCT/CN2020/093394 2019-10-18 2020-05-29 基于流形空间的数据监测方法、装置及存储介质 WO2021073115A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910991167.1 2019-10-18
CN201910991167.1A CN110928916B (zh) 2019-10-18 2019-10-18 基于流形空间的数据监测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
WO2021073115A1 true WO2021073115A1 (zh) 2021-04-22

Family

ID=69849128

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/093394 WO2021073115A1 (zh) 2019-10-18 2020-05-29 基于流形空间的数据监测方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN110928916B (zh)
WO (1) WO2021073115A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110928916B (zh) * 2019-10-18 2022-03-25 平安科技（深圳）有限公司 基于流形空间的数据监测方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110251493A1 (en) * 2010-03-22 2011-10-13 Massachusetts Institute Of Technology Method and system for measurement of physiological parameters
CN102973253A (zh) * 2012-10-31 2013-03-20 北京大学 一种利用视觉信息监测人体生理指标的方法和系统
CN103064821A (zh) * 2012-12-26 2013-04-24 中国科学技术大学 一种动态信号分析方法及装置
CN110928916A (zh) * 2019-10-18 2020-03-27 平安科技（深圳）有限公司 基于流形空间的数据监测方法、装置及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177114B (zh) * 2013-04-02 2016-01-27 浙江大学 基于鉴别流形的跨数据域的转移学习分类方法
CN104586387B (zh) * 2015-01-19 2017-02-01 秦皇岛市惠斯安普医学系统股份有限公司 一种时、频、空域多参数脑电特征提取与融合方法
CN108805088B (zh) * 2018-06-14 2021-05-28 南京云思创智信息科技有限公司 基于多模态情绪识别系统的生理信号分析子系统
CN109784498A (zh) * 2019-01-23 2019-05-21 中山大学 基于核空间的流形学习非线性逼近的算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110251493A1 (en) * 2010-03-22 2011-10-13 Massachusetts Institute Of Technology Method and system for measurement of physiological parameters
CN102973253A (zh) * 2012-10-31 2013-03-20 北京大学 一种利用视觉信息监测人体生理指标的方法和系统
CN103064821A (zh) * 2012-12-26 2013-04-24 中国科学技术大学 一种动态信号分析方法及装置
CN110928916A (zh) * 2019-10-18 2020-03-27 平安科技（深圳）有限公司 基于流形空间的数据监测方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIN WANG, BOHAI WO, QIU GUAN, SHENGYONG CHEN: "Human action recognition based on manifold learning", JOURNAL OF IMAGE AND GRAPHICS, ZHONGGUO TUXIANG TUXING XUEHUI, CN, vol. 19, no. 6, 1 June 2014 (2014-06-01), CN, pages 914 - 925, XP055802455, ISSN: 1006-8961 *

Also Published As

Publication number Publication date
CN110928916A (zh) 2020-03-27
CN110928916B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
Varatharajan et al. RETRACTED ARTICLE: A big data classification approach using LDA with an enhanced SVM method for ECG signals in cloud computing
Siuly et al. Discriminating the brain activities for brain–computer interface applications through the optimal allocation-based approach
Sahoo et al. ECG beat classification using empirical mode decomposition and mixture of features
KR20170091963A (ko) 근전도 신호를 이용한 동작 분류 방법 및 장치
JP2023547028A (ja) 顔画像品質評価方法及び装置、コンピュータ機器並びにコンピュータプログラム
WO2021031817A1 (zh) 情绪识别方法、装置、计算机装置及存储介质
Olszewski et al. Asymmetric clustering using the alpha–beta divergence
CN114863225A (zh) 图像处理模型训练方法、生成方法、装置、设备及介质
WO2021073115A1 (zh) 基于流形空间的数据监测方法、装置及存储介质
Sriperumbudur et al. Density estimation in infinite dimensional exponential families
Lan et al. An integrated scattering feature with application to medical image retrieval
CN112869717A (zh) 一种基于bl-cnn的脉搏特征识别分类系统及方法
Azevedo et al. A deep spatiotemporal graph learning architecture for brain connectivity analysis
Sabeenian et al. Transfer learning-based electrocardiogram classification using wavelet scattered features
CN114692682A (zh) 一种基于图嵌入表示的运动想象分类方法及系统
Xu et al. Regression with comparisons: Escaping the curse of dimensionality with ordinal information
Olszewski K-means clustering of asymmetric data
CN112446307B (zh) 基于局部约束的非负矩阵分解的心电身份识别方法及系统
Dauwels et al. Quantifying statistical interdependence by message passing on graphs—part II: multidimensional point processes
CN108510080A (zh) 一种基于dwh模型对多关系型数据的多角度度量学习方法
Juhl et al. Implicit neural distance representation for unsupervised and supervised classification of complex anatomies
Li et al. Low-dimensional feature fusion strategy for overlapping neuron spike sorting
Yu et al. ECG identification based on PCA-RPROP
CN114548262A (zh) 一种情感计算中多模态生理信号的特征级融合方法
Lei et al. EEG mental recognition based on RKHS learning and source dictionary regularized RKHS subspace learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20876516

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20876516

Country of ref document: EP

Kind code of ref document: A1