一种基于机器学习的穿戴数据处理方法和装置制造方法及图纸

本申请实施例提供一种基于机器学习的穿戴数据处理方法和装置，其中，该基于机器学习的穿戴数据处理方法包括获取所述可穿戴设备发送的穿戴数据和第一穿戴状态信息，该第一穿戴状态信息是所述可穿戴设备基于所述穿戴数据进行状态识别得到的；基于预设的状态预测模型以及所述穿戴数据对所述可穿戴设备的穿戴状态进行分析得到第二穿戴状态信息；判断所述第二穿戴状态信息与所述第一穿戴状态信息是否一致，若不一致，则根据所述第二穿戴状态信息对所述第一穿戴状态信息进行校正。本申请能够有效确保穿戴状态的识别准确性。

A Wearable Data Processing Method and Device Based on Machine Learning

【技术实现步骤摘要】
一种基于机器学习的穿戴数据处理方法和装置
本申请涉及可穿戴设备
，具体而言，涉及一种基于机器学习的穿戴数据处理方法和装置。
技术介绍
对可穿戴设备而言，穿戴状态识别结果的准确性对后续的数据处理(如睡眠分析、预警提醒、体能分析、健康分析等)均起到了至关重要的作用，但是由于可穿戴设备的存储能力以及数据处理能力有限，导致其无法基于穿戴数据进行准确的数据分析和穿戴状态识别。
技术实现思路
为了至少克服现有技术中的上述不足，本申请的目的之一在于提供一种基于机器学习的穿戴数据处理方法和装置，以解决上述问题。一方面，本申请实施例提供一种基于机器学习的穿戴数据处理方法，应用于与可穿戴设备通信连接的服务器，所述方法包括：获取所述可穿戴设备发送的穿戴数据和第一穿戴状态信息，该第一穿戴状态信息是所述可穿戴设备基于所述穿戴数据进行状态识别得到的；基于预设的状态预测模型以及所述穿戴数据对所述可穿戴设备的穿戴状态进行分析得到第二穿戴状态信息；判断所述第二穿戴状态信息与所述第一穿戴状态信息是否一致，若不一致，则根据所述第二穿戴状态信息对所述第一穿戴状态信息进行校正。在本申请实施例的选择中，根据所述第二穿戴状态信息对所述第一穿戴状态信息进行校正的步骤，包括：根据所述第二穿戴状态信息生成状态更新指令并发送给所述可穿戴设备以使得所述可穿戴设备根据所述第二穿戴状态信息进行状态显示；或者，根据所述第二穿戴状态信息对接收到的所述第一穿戴状态信息进行更改，并将更改后的第一穿戴状态信息与所述穿戴数据进行对应保存。在本申请实施例的选择中，所述状态预测模型的获取步骤，包括：获取与所述可穿戴设备对应的历史穿戴数据形成历史数据集；对所述历史数据集中的各数据进行特征挖掘以得到数据特征；基于所述历史数据集和所述数据特征构造形成构造数据，并对所述历史数据集和所述构造数据进行整合、归一化处理；从整合、归一化处理后的历史数据集以及构造数据中选取满足预设准确率的数据作为训练样本形成训练数据集，利用所述训练数据集对预设的机器学习模型进行训练以得到所述状态预测模型。在本申请实施例的选择中，基于所述历史数据集和所述数据特征构造形成构造数据的步骤，包括：对所述历史数据集中的数据进行划分形成多个子数据集；提取多个所述子数据集中的时序特征作为所述数据特征，并根据所述时序特征和所述多个子数据集构造形成构造数据。在本申请实施例的选择中，所述状态预测模型的获取步骤，还包括：获取测试样本集；利用所述测试样本集中的各测试样本对训练得到的状态预测模型进行测试以得到与各所述测试样本对应的待评估状态信息；根据与所述测试样本集对应的预设状态信息以及所述待评估状态信息计算所述预测模型的预测准确率；若所述预测模型的预测准确性小于预设值，则重新对所述机器学习模型进行训练，直到所述状态预测模型的预测准确性不小于所述预设值时停止模型训练。在本申请实施例的选择中，所述方法还包括：确定待分析指标，并根据所述第二穿戴状态信息判断所述穿戴数据是否满足所述待分析指标的分析需求；若所述穿戴数据不满足所述待分析指标的分析需求，则根据所述待分析指标对应的分析需求以及所述第二穿戴状态信息生成状态校正指令并发送给所述可穿戴设备以获取满足所述待分析指标的分析需求的穿戴数据。在本申请实施例的选择中，所述方法还包括：若所述穿戴数据满足所述待分析指标的分析需求，则基于所述穿戴数据进行所述待分析指标的分析。在本申请实施例的选择中，所述待分析指标包括心率指标、血压指标、睡眠指标或健康指标中的一种或多种。另一方面，本申请实施例还提供一种基于机器学习的穿戴数据处理装置，应用于与可穿戴设备通信连接的服务器，所述装置包括：数据获取模块，用于获取所述可穿戴设备发送的穿戴数据以及基于该穿戴数据进行状态识别得到的第一穿戴状态信息；状态分析模块，用于基于预设的状态预测模型以及所述穿戴数据对所述可穿戴设备的穿戴状态进行分析得到第二穿戴状态信息；状态判断模块，用于判断所述第二穿戴状态信息与所述第一穿戴状态信息是否一致，若不一致，则根据所述第二穿戴状态信息对所述第一穿戴状态信息进行校正。在本申请实施例的选择中，所述状态判断模块还可以用于根据所述第二穿戴状态信息生成状态更新指令并发送给所述可穿戴设备以使得所述可穿戴设备根据所述第二穿戴状态信息进行状态显示；或者，根据所述第二穿戴状态信息对接收到的所述第一穿戴状态信息进行更改，并将更改后的第一穿戴状态信息与所述穿戴数据进行对应保存。在本申请实施例提供的一种基于机器学习的穿戴数据的处理方法和装置中，服务器可基于机器学习的方式对可穿戴设备发送的穿戴数据进行穿戴状态的识别，并在识别出来的穿戴状态与可穿戴设备自身识别的穿戴状态不一致时进行状态校正，能够有效确保穿戴状态的识别准确性。此外，本申请还进一步基于校正后的穿戴状态对待分析指标进行分析，能够有效确保分析结果的准确性。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的服务器的硬件结构示意图。图2为本申请实施例提供的基于机器学习的穿戴数据处理方法的流程示意图。图3为本申请实施例提供的状态预测模型的训练流程示意图。图4为本申请实施例提供的状态预测模型的测试流程示意图。图5为本申请实施例提供的基于机器学习的穿戴数据处理方法的另一流程示意图。图6为本申请实施例提供的基于机器学习的穿戴数据处理装置的方框结构示意图。图标：10-服务器；100-处理器；200-机器可读存储介质；300-系统总线；400-基于机器学习的穿戴数据处理装置；410-数据获取模块；420-状态分析模块；430-状态判断模块。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。请参阅图1，为应用本申请实施例提供的基于机器学习的穿戴数据处理方法和装置的服务器10的硬件结构示意图，所述服务器10可以是但不限于电脑、移动上网设备等具有处理功能的电子设备等，以实现对穿戴数据的接收、处理、状态预测模型的训练、穿戴状态的预测分析、校正等。实际实施时，所述服务器10可包括如图1所示的处理器100及机器可读存储介质200，所述处理器100与所述机器可读存储介质200之间可经由系统总线300通信，其中，所述机器可读存储介质200中可存储有机器可执行指令，并通过执行机器可读存储介质200中与本文档来自技高网...

【技术保护点】
1.一种基于机器学习的穿戴数据处理方法，其特征在于，应用于与可穿戴设备通信连接的服务器，所述方法包括：获取所述可穿戴设备发送的穿戴数据和第一穿戴状态信息，该第一穿戴状态信息是所述可穿戴设备基于所述穿戴数据进行状态识别得到的；基于预设的状态预测模型以及所述穿戴数据对所述可穿戴设备的穿戴状态进行分析得到第二穿戴状态信息；判断所述第二穿戴状态信息与所述第一穿戴状态信息是否一致，若不一致，则根据所述第二穿戴状态信息对所述第一穿戴状态信息进行校正。

【技术特征摘要】
1.一种基于机器学习的穿戴数据处理方法，其特征在于，应用于与可穿戴设备通信连接的服务器，所述方法包括：获取所述可穿戴设备发送的穿戴数据和第一穿戴状态信息，该第一穿戴状态信息是所述可穿戴设备基于所述穿戴数据进行状态识别得到的；基于预设的状态预测模型以及所述穿戴数据对所述可穿戴设备的穿戴状态进行分析得到第二穿戴状态信息；判断所述第二穿戴状态信息与所述第一穿戴状态信息是否一致，若不一致，则根据所述第二穿戴状态信息对所述第一穿戴状态信息进行校正。2.根据权利要求1所述的基于机器学习的穿戴数据处理方法，其特征在于，根据所述第二穿戴状态信息对所述第一穿戴状态信息进行校正的步骤，包括：根据所述第二穿戴状态信息生成状态更新指令并发送给所述可穿戴设备以使得所述可穿戴设备根据所述第二穿戴状态信息进行状态显示；或者，根据所述第二穿戴状态信息对接收到的所述第一穿戴状态信息进行更改，并将更改后的第一穿戴状态信息与所述穿戴数据进行对应保存。3.根据权利要求1所述的基于机器学习的穿戴数据处理方法，其特征在于，所述状态预测模型的获取步骤，包括：获取与所述可穿戴设备对应的历史穿戴数据形成历史数据集；对所述历史数据集中的各数据进行特征挖掘以得到数据特征；基于所述历史数据集和所述数据特征构造形成构造数据，并对所述历史数据集和所述构造数据进行整合、归一化处理；从整合、归一化处理后的历史数据集以及构造数据中选取满足预设准确率的数据作为训练样本形成训练数据集，利用所述训练数据集对预设的机器学习模型进行训练以得到所述状态预测模型。4.根据权利要求3所述的基于机器学习的穿戴数据处理方法，其特征在于，基于所述历史数据集和所述数据特征构造形成构造数据的步骤，包括：对所述历史数据集中的数据进行划分形成多个子数据集；提取多个所述子数据集中的时序特征作为所述数据特征，并根据所述时序特征和所述多个子数据集构造形成构造数据。5.根据权利要求3所述的基于机器学习的穿戴数据处理方法，其特征在于，所述状态预测模型的获取步骤，还包括：获取测试样本集；利用所述测试样本集中的各测试样本对训练得到的状态预测...

【专利技术属性】
技术研发人员：王帮德，何毅，高飞，王涛，张园，赵向东，
申请(专利权)人：武汉久乐科技有限公司，
类型：发明
国别省市：湖北,42