体征信息识别引擎数学模型.docVIP

体征信息识别引擎数学模型 科普：从OCR看模式识别开发要点 /s/blog_59191ea60100w5hy.html 体征信息识别引擎解决的是传统开发模式下应用少（每种应用都是随设备定制，成本高）、挑选余地小，同时应用开发者难以获得用户的问题。 定义： 素材：数字化的信息，以OCR来说，电脑中各种字体下字符组成的图片。 切片：把素材切割成片段，使每个片段对应到单一表现，比如说OCR素材切割到每个字符，语音切割到单词或字或音节。 片段：切片的结果。 表现：人识别的现象。 周期：以波形描述的信号中两个波峰间隔为一个周期。 函数：最利于片段压缩的片段局部描述，合适的函数可以使片段获得最优压缩比。以OCR来说，就是字符打格子切分的线段。 特征：函数组成片段的组织方式，以OCR来说，就是（函数、位址）、（函数2、位址2）的排列组合。 应用：对识别对象进行处理后与特征库比对以进行识别并在识别后输出结果或给出进一步动作。 原始数据层：采集用户体征信息，并以原始数据形式提供给检波层，比如脉象仪提供的是纵轴方向为血管粗细、横轴为时间轴的波形图给检波层。原始数据层涉及硬件，不同硬件可能输出相同原始数据，就像电阻屏和电容屏都可以提供触摸轨迹给系统一样。 检波层：对原始数据进行整理，比如脉象仪的原始数据既可以简单滤波得到心率，也可以根据已有知识，找特定波形分布情况，提供给应用层。检波层既涉及对原始数据的整理，也涉及根据新诊断方法的发明而需要定义新的检波格式，需要与应用开发者合作。 应用层：根据检波层提供的数据，进行计算，识别用户身体状况。 检波层与应用层边界模糊，应用开发者可能为方便计算某个现象而新增函数与特征定义，有的“现象”可能被放置在检波层方便其他应用分享。 由于传感器多种多样，信号用途也多种多样，因此以往的模式识别开发，都是需要针对每一种场景，做单独的开发，比如说同样是触摸屏，电阻屏只提供轨迹信号，而电磁屏/笔可以提供压感信号，当产品需要同时为用户提供手写识别和笔触/压感识别时，需要手写识别团队和笔触识别团队都介入。体征信息识别引擎的意义，在于需要为很多传感器接入系统并自动支持很多应用开发的今天，重组开发流程，大大降低开发工作量。 传统模式下： 如图所示，传统模式下应用与产品绑定，用户选择面狭窄，只有预计需求很大的应用才会被开发出来。 如果有了体征信息识别引擎，检波层暴露给网络，则大不相同： 这样情况下，用户可以在所使用设备可以输出应用所要求数据情况下订购应用，识别自己想了解的健康信息。比如说心率带和多普勒腕带都可以输出心率这个特征，可能老人健康监护需要心率、体温、运动三个特征，而同时可以提供这三个特征信息的设备很多，用户可以根据自己喜欢的去选择。一个设备采集的数据可以用于几十万种应用的计算，很多计算不是为了确切的病症，而是为了让用户决定下一步行为。这样的同一套数据上可以方便地开发无数应用的引擎，对医疗健康电子市场将是颠覆性的。 传感器组1 传感器组2 传感器组3 传感器组4 传感器组5 检波层 特征 特征 特征 特征 特征 特征 特征 特征 特征 特征 特征 特征 特征 应用商开发应用列表 用户选择 用户选择应用列表 应用的计算及输出 成功部署 获取数据