【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种用户健康数据获取异常的处理方法及相关设备。
技术介绍
1、现如今绝大多数人都非常关心自身的身体健康情况，许多人会采取定期体检的方式来了解自身的健康情况；但是许多身体问题都是在不知不觉中慢慢显现的，虽然定期体检能够检查出相应的身体问题，但是定期体检的时效性还是较差，无法及时发现身体问题。
2、随着科技的进步，越来越多的人会选择使用可佩戴的健康检测设备，比如健康监测手环等，能够准确监测心率、血压和睡眠质量等健康指标，同时还具有运动追踪功能，能够记录用户的步数、卡路里和运动轨迹等，还能提供了全面的健康监测功能心率监测、睡眠监测、血氧饱和度监测等，同时还具备运动追踪功能和智能提醒功能，能够帮助用户更好地管理自己的健康和生活。
3、但是，现有技术中，用户往往会因为各种原因，比如忘记打开健康检测功能、网络连接意外断开而不知情或者是设备已经没电关机而没有察觉，导致在设备发送异常时用户无法及时获取自身的健康状态，并且缺少自动处理设备异常的方法。
4、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种用户健康数据获取异常的处理方法、系统、终端及计算机可读存储介质，旨在解决现有技术中用户往往会因为各种原因而无法通过健康检测设备及时获取自身的健康状态，导致用户无法及时了解自身健康状况的问题。
2、为实现上述目的，本专利技术提供一种用户健康数据获取异常的处理方法，所述一种用户健康数据获取
3、从历史记录中获取多个历史异常设备的历史运行情况以及每个所述历史运行情况对应的异常处理措施，根据所述历史运行情况以及所述历史运行情况对应的异常处理措施得到数据集；
4、建立神经网络回归模型，根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型。
5、获取多个健康采集设备采集的用户健康数据，若存在健康采集设备的用户健康数据未被获取的情况，则将无法获取用户健康数据的健康采集设备标记为异常设备，并获取所述异常设备的用户历史健康数据；
6、根据所述用户历史健康数据获取所述异常设备采集健康数据的常用采集时间范围和常用采集地址，并通过所述异常设备或者未发生异常的健康采集设备获取当前时间和当前地址；
7、将所述当前时间与所述常用采集时间范围进行对比，将所述当前地址与所述常用采集地址进行对比，若所述当前时间在所述常用采集时间范围之中，且所述当前地址在所述常用采集地址范围之中，则将所述异常设备表示为目标异常设备；
8、获取所述目标异常设备的运行情况，将所述运行情况输入到所述目标网络模型中进行预测，输出所述运行情况对应的异常处理措施，向所述目标异常设备发送所述异常处理措施，以控制所述目标异常设备采取所述异常处理措施。
9、可选地，所述的用户健康数据获取异常的处理方法，其中，所述神经网络回归模型包括：特征提取器、对比学习分支和回归学习分支；
10、所述特征提取器包括特征提取骨干网络和自适应平均池化层，所述对比学习分支包括一系列的全连接层和l2范数标准化层，所述回归学习分支包括所述一系列的全连接层。
11、可选地，所述的用户健康数据获取异常的处理方法，其中，所述建立神经网络回归模型，根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型，具体包括：
12、将所述数据集按照预设比例分为训练集、验证集和测试集；
13、基于预训练的模型对所述特征提取骨干网络进行权重加载，并将所述特征提取骨干网络的通道数与所述数据集中的历史内脏组织图像的通道数设为一致，得到初始化后的特征提取骨干网络；
14、将所述训练集输入到初始化后的特征提取骨干网络中进行特征提取，得到维度向量，将所述维度向量输入到所述对比学习分支中，在一系列的全连接层中进行线性映射，将线性映射后的维度向量通过所述l2范数标准化层进行标准化，得到预设维度的对比特征；
15、将所述维度向量输入到所述回归学习分支中，通过一系列的全连接层进行回归任务的输出，得到模型的预测值，根据所述对比特征计算所述对比学习分支的损失函数，根据所述预测值计算所述回归学习分支的损失函数；
16、根据所述对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数，直至所述总损失函数达到预设的收敛条件；
17、使用所述验证集调整训练后的神经网络回归模型的参数，并对训练后的神经网络回归模型的能力进行评估得到评估结果，若所述评估结果符合预设要求，则得到所述目标网络模型。
18、可选地，所述的用户健康数据获取异常的处理方法，其中，所述用户历史健康数据包括：用户各项健康指标信息、所述用户各项健康指标信息对应的常用采集时间和所述用户各项健康指标信息对应的采集地址。
19、可选地，所述的用户健康数据获取异常的处理方法，其中，所述根据所述用户历史健康数据获取所述异常设备采集健康数据的常用采集时间范围和常用采集地址，具体包括：
20、根据所述用户历史健康数据获取所述用户各项健康指标信息对应的采集时间和采集地址；
21、选择第一预设数量的采集时间，将所述采集时间转化为时间段，将所述时间段出现的频率由高到低进行排序，确定采集频率最高的三个时间段，融合三个所述时间段作为所述常用采集时间范围；
22、选择第二预设数量的采集地址，将所述采集地址出现的频率由高到低进行排序，确定采集频率最高的三个地址，将三个所述地址作为所述常用采集地址。
23、可选地，所述的用户健康数据获取异常的处理方法，其中，所述获取所述目标异常设备的运行情况，具体包括：
24、发送控制指令给所述目标异常设备，接收所述目标异常设备返回的所述目标异常设备的运行情况；
25、其中，所述运行情况包括：健康数据采集功能关闭、网络连接断开和健康采集设备已关机。
26、可选地，所述的用户健康数据获取异常的处理方法，其中，所述异常处理措施包括：第一异常处理措施、第二异常处理措施和第三异常处理措施；
27、其中，所述第一异常处理措施为控制所述目标异常设备自动打开健康数据采集功能；
28、所述第二异常处理措施为控制所述目标异常设备重新建立所述目标异常设备与健康采集程序应用的连接；
29、所述第三异常处理措施为控制所述健康采集程序应用发送提示信号，提醒用户将所述目标异常设备开机。
30、此外，为实现上述目的，本专利技术还提供一种用户健康数据获取异常的处理系统，其中，所述用户健康数据获取异常的处理系统包括：
31、异常设备获取模块，用于获取多个健康采集设备采集的用户健康数据，若存在健康采集设备的用户健康数据未被获取的情况，则将无法获取用户健康数据的健康采集设备标记为异常设备，并获取所述异常设备的用户历史健康数据；...
【技术保护点】
1.一种用户健康数据获取异常的处理方法，其特征在于，所述的用户健康数据获取异常的处理方法包括：
2.根据权利要求1所述的用户健康数据获取异常的处理方法，其特征在于，所述神经网络回归模型包括：特征提取器、对比学习分支和回归学习分支；
3.根据权利要求2所述的用户健康数据获取异常的处理方法，其特征在于，所述建立神经网络回归模型，根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型，具体包括：
4.根据权利要求1所述的用户健康数据获取异常的处理方法，其特征在于，所述用户历史健康数据包括：用户各项健康指标信息、所述用户各项健康指标信息对应的常用采集时间和所述用户各项健康指标信息对应的采集地址。
5.根据权利要求4所述的用户健康数据获取异常的处理方法，其特征在于，所述根据所述用户历史健康数据获取所述异常设备采集健康数据的常用采集时间范围和常用采集地址，具体包括：
6.根据权利要求5所述的用户健康数据获取异常的处理方法，其特征在于，所述获取所述目标异常设备的运行情况，具体包括：
7.根据权利要求6所述的用户健康
8.一种用户健康数据获取异常的处理系统，其特征在于，所述用户健康数据获取异常的处理系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户健康数据获取异常的处理程序，所述用户健康数据获取异常的处理程序被所述处理器执行时实现如权利要求1-7任一项所述的用户健康数据获取异常的处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有用户健康数据获取异常的处理程序，所述用户健康数据获取异常的处理程序被处理器执行时实现如权利要求1-7任一项所述的用户健康数据获取异常的处理方法的步骤。
...【技术特征摘要】
1.一种用户健康数据获取异常的处理方法，其特征在于，所述的用户健康数据获取异常的处理方法包括：
2.根据权利要求1所述的用户健康数据获取异常的处理方法，其特征在于，所述神经网络回归模型包括：特征提取器、对比学习分支和回归学习分支；
3.根据权利要求2所述的用户健康数据获取异常的处理方法，其特征在于，所述建立神经网络回归模型，根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型，具体包括：
4.根据权利要求1所述的用户健康数据获取异常的处理方法，其特征在于，所述用户历史健康数据包括：用户各项健康指标信息、所述用户各项健康指标信息对应的常用采集时间和所述用户各项健康指标信息对应的采集地址。
5.根据权利要求4所述的用户健康数据获取异常的处理方法，其特征在于，所述根据所述用户历史健康数据获取所述异常设备采集健康数据的常用采集时间范围和常用采集地址，具体包括：
6.根据权利要求5所述...
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。