【技术实现步骤摘要】
本申请涉及异常数据预警，具体涉及基于机器学习的智能戒指异常健康数据预警方法。
技术介绍
1、随着人们对生活质量及健康的日益关注，便捷且精准的健康管理解决方案需求不断增加。尤其在慢性病管理、疾病预防以及提升健康素养等方面，实时监测和早期干预变得越来越重要。预防医学理念强调疾病的预防优于治疗，利用智能戒指等设备提前发现健康隐患，能够有效减少严重疾病的发生，减轻医疗系统的压力，同时节省社会资源。近年来，可穿戴设备技术取得了飞速进步，智能戒指作为小巧而功能强大的可穿戴设备，其内置的微型传感器能够实时、连续地收集人体生理数据，为实现健康监测提供了硬件基础。
2、在使用孤立森林算法对多维数据进行异常检测时，由于每次构建的数据空间都是随机选取一个维度，建完树后仍然有大量的维度信息没有被使用，导致算法可靠性降低。而高维空间还可能存在大量噪音维度或无关维度，影响树的构建，进而可能导致最终获取的异常检测结果并不可靠。
技术实现思路
1、为了解决上述技术问题，本专利技术提供基于机器学习的智能戒指异常健康数据预警方法，以解决现有的问题。
2、本专利技术的基于机器学习的智能戒指异常健康数据预警方法采用如下技术方案：
3、本专利技术一个实施例提供了基于机器学习的智能戒指异常健康数据预警方法，该方法包括以下步骤：
4、采集用户健康数据，包括各项特征值以及人为标注的用户健康异常指数；
5、根据各用户健康异常指数以及特征值获取各异常指数聚类簇内每个特征的各
6、根据异常指数聚类簇内每个特征与用户健康异常指数之间的相关性以及特征值差异构建异常指数聚类簇内任意两个特征之间的相关性；根据异常指数聚类簇内所有任意两个特征之间的相关性以及每个特征与用户健康异常指数之间的相关性，构建异常指数聚类簇内每个特征的特征重要性；基于特征之间的特征重要性的趋势分布相似情况构建每个特征的特征修正因子；根据每个特征与用户健康异常指数之间的整体相关性、特征重要性以及特征修正因子构建每个特征的显著性；
7、基于显著性获取关键特征项，采用异常检测算法评估用户健康异常情况。
8、优选的，所述根据各用户健康异常指数以及特征值获取各异常指数聚类簇内每个特征的各特征聚类簇，包括：
9、对所有用户的用户健康异常指数采用聚类算法获取各聚类簇，记为各异常指数聚类簇；
10、将各异常指数聚类簇内每个特征在所有用户的特征值进行聚类得到各聚类簇，记为各异常指数聚类簇内每个特征的各特征聚类簇。
11、优选的，所述根据异常指数聚类簇内每个特征的特征聚类簇构建异常指数聚类簇内每个特征的混乱因子，包括：
12、对于异常指数聚类簇内每个特征的特征聚类簇，获取任意两个特征聚类簇之间的元素数量的差值绝对值、所有元素平均特征值的差值绝对值；
13、获取异常指数聚类簇内每个特征的特征聚类簇数量；计算异常指数聚类簇内每个特征中所有任意两个特征聚类簇之间的，元素数量的差值绝对值与所有元素平均特征值的差值绝对值的乘积的和值，将所述和值与所述特征聚类簇数量的乘积作为异常指数聚类簇内每个特征的混乱因子。
14、优选的，所述根据异常指数聚类簇内每个特征与整体特征之间的数据差异以及混乱因子构建异常指数聚类簇内每个特征与用户健康异常指数之间的相关性，包括：
15、对于异常指数聚类簇内各用户，计算各用户在每个特征的特征值与各用户的用户健康异常指数的比值；计算所有用户在每个特征的平均特征值与所有用户的用户健康异常指数均值的比值；
16、获取异常指数聚类簇内每个特征的混乱因子；将异常指数聚类簇内所有用户的两个比值之间的差值绝对值的和值，乘以所述混乱因子得到异常指数聚类簇内每个特征与用户健康异常指数之间的相关性。
17、优选的，所述根据不同异常指数聚类簇内每个特征与用户健康异常指数之间的相关性获取每个特征与用户健康异常指数之间的整体相关性，包括：
18、计算所有异常指数聚类簇在每个特征与用户健康异常指数之间的相关性的和值的归一化值，将数字1与所述归一化值的差值作为每个特征与用户健康异常指数之间的整体相关性。
19、优选的，所述根据异常指数聚类簇内每个特征与用户健康异常指数之间的相关性以及特征值差异构建异常指数聚类簇内任意两个特征之间的相关性，表达式为：
20、
21、其中，表示异常指数聚类簇i内特征o与特征s之间的相关性，exp()表示以自然常数为底数的指数函数， 、分别表示异常指数聚类簇i内特征o、特征s与用户健康异常指数之间的相关性，表示异常指数聚类簇i内的元素数量，、分别表示异常指数聚类簇i内第j个用户的特征o、特征s的特征值，、分别表示异常指数聚类簇i内所有用户的特征o、特征s的平均特征值。
22、优选的，所述根据异常指数聚类簇内所有任意两个特征之间的相关性以及每个特征与用户健康异常指数之间的相关性，构建异常指数聚类簇内每个特征的特征重要性，包括：
23、对于异常指数聚类簇内的每个特征，计算异常指数聚类簇内每个特征与剩余所有特征之间的相关性的和值；将所述和值与异常指数聚类簇内每个特征与用户健康异常指数之间的相关性的比值，作为异常指数聚类簇内每个特征的特征重要性。
24、优选的，所述基于特征之间的特征重要性的趋势分布相似情况构建每个特征的特征修正因子，包括：
25、基于每个特征在各异常指数聚类簇内的特征重要性组成每个特征的特征曲线图；
26、计算每个特征与其他所有特征的特征曲线图拟合后的曲线之间的相似度的和值，将数字1与所述和值的归一化值的差值作为每个特征的特征修正因子；所述相似度通过形状上下文算法计算得到。
27、优选的，所述根据每个特征与用户健康异常指数之间的整体相关性、特征重要性以及特征修正因子构建每个特征的显著性，包括：
28、计算每个特征的特征修正因子与数字1的和值；获取每个特征在所有异常指数聚类簇内的特征重要性均值；将所述和值、所述特征重要性均值以及每个特征与用户健康异常指数之间的整体相关性的乘积，作为每个特征的显著性。
29、优选的，所述基于显著性获取关键特征项，采用异常检测算法评估用户健康异常，包括：
30、将所有特征的显著性作为大津阈值法的输入，得到大津阈值，将大于大津阈值的显著性对应的特征作为关键特征项；
31、对各用户的所有关键特征项的特征数据采用孤立森林算法，获取各用户的异常分数；对大于预设阈值的异常分数的用户进行健康预警。
本文档来自技高网...【技术保护点】
1.基于机器学习的智能戒指异常健康数据预警方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据各用户健康异常指数以及特征值获取各异常指数聚类簇内每个特征的各特征聚类簇，包括：
3.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据异常指数聚类簇内每个特征的特征聚类簇构建异常指数聚类簇内每个特征的混乱因子，包括：
4.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据异常指数聚类簇内每个特征与整体特征之间的数据差异以及混乱因子构建异常指数聚类簇内每个特征与用户健康异常指数之间的相关性，包括：
5.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据不同异常指数聚类簇内每个特征与用户健康异常指数之间的相关性获取每个特征与用户健康异常指数之间的整体相关性，包括：
6.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据异常指数聚类簇
7.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据异常指数聚类簇内所有任意两个特征之间的相关性以及每个特征与用户健康异常指数之间的相关性，构建异常指数聚类簇内每个特征的特征重要性，包括：
8.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述基于特征之间的特征重要性的趋势分布相似情况构建每个特征的特征修正因子，包括：
9.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据每个特征与用户健康异常指数之间的整体相关性、特征重要性以及特征修正因子构建每个特征的显著性，包括：
10.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述基于显著性获取关键特征项，采用异常检测算法评估用户健康异常，包括：
...【技术特征摘要】
1.基于机器学习的智能戒指异常健康数据预警方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据各用户健康异常指数以及特征值获取各异常指数聚类簇内每个特征的各特征聚类簇，包括：
3.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据异常指数聚类簇内每个特征的特征聚类簇构建异常指数聚类簇内每个特征的混乱因子，包括：
4.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据异常指数聚类簇内每个特征与整体特征之间的数据差异以及混乱因子构建异常指数聚类簇内每个特征与用户健康异常指数之间的相关性，包括：
5.如权利要求1所述的基于机器学习的智能戒指异常健康数据预警方法，其特征在于，所述根据不同异常指数聚类簇内每个特征与用户健康异常指数之间的相关性获取每个特征与用户健康异常指数之间的整体相关性，包括：
6.如权利要求1所述的基于机器学习的智能戒指...
【专利技术属性】
技术研发人员：邓白涛，
申请(专利权)人：深圳市魔样科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。