一种智能人体成分秤的数据修正方法与流程

本发明涉及数据修正技术领域，具体指一种智能人体成分秤的数据修正方法。

背景技术：

目前在智能人体成分秤的使用过程中由于使用者不当的使用以及使用者脚底部皮肤干燥等原因，会产生体重变化，这种变化很小，一般小于2千克，但是身体其他成分数据变化较大，一般体脂率变化会出现超过2.5％的异常数据情况。为解决上述问题，智能人体成分秤针对这一问题，设定了内部程序，1分钟内如果体重变化很小，其变化小于0.1千克，所测的成分数据不变，从而使获得的数据变得相对稳定。

但是上述方案仍然存在很大的缺陷，其只考虑在极短时间内，体重变化很小的情况，而正常的成年人在一天之内的体重变化最大能达到2kg，大部分异常数据的情况都不能得到有效的解决。

技术实现要素：

本发明根据现有技术的不足，提出一种智能人体成分秤的数据修正方法，对智能人体成分秤测量出的数据进行修正，从而使得获得的数据在长时间状态下更加稳定，更加有效。

为了解决上述技术问题，本发明的技术方案为：

一种智能人体成分秤的数据修正方法，步骤包括：

s201、通过智能人体成分秤获取客户的新数据；

s202、判断是否有上一条的正常数据；

s203、通过步骤s202判断上一条数据有正常数据，进一步判断这条新数据是否满足于上条数据的体重变化在2公斤以内并且体脂率变化超过2.5％；

s204、通过步骤s202判断上一条数据没有正常数据，进一步判断这条新数据是否是异常数据；

s205、通过步骤s203判断这条新数据是满足于上条数据的体重变化在2公斤以内并且体脂率变化超过2.5％，则按照经验修正系数修改这条数据；

s206、通过步骤s205对数据进行修正，并对修正后的数据进行保存，退出算法；

s207、通过步骤s204判断新数据是异常数据则标记异常提示用户异常数据。

作为优选，通过步骤s203判断这条新数据不满足于上条数据的体重变化在2公斤以内并且体脂率变化超过2.5％，则重复步骤s204。

作为优选，通过步骤s204判断新数据不是异常数据后，对新数据进行保存，推出算法。

作为优选，所述步骤s205中经验修正的公式为：

修正后的体脂率＝上一条数据的体脂率+经验修正系数m*(本条新数据的体重–上一条数据的体重)。

本发明具有以下的特点和有益效果：

采用上述技术方案中，对客户数据在体重变化很小和体脂率变化不稳定的情况得到有效的解决，通过对存在的这些异常数据进行修正，修正后的体脂率数据变化相对稳定，全部异常数据得到处理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种智能人体成分秤的数据修正方法实施例的流程示意图；

图2为男性体脂率-身高体重指数图；

图3为女性体脂率-身高体重指数图；

图4为体脂率变化—体重变化图；

图5为修正前体重和体脂率数据图；

图6为修正后体重和体脂率数据图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了一种智能人体成分秤的数据修正方法，如图1所示，步骤包括：

s201、通过智能人体成分秤获取客户的新数据；

s202、判断是否有上一条的正常数据，通过图2和图3判断上一条的数据是否正常；

s203、通过步骤s202判断上一条数据有正常数据，进一步判断这条新数据是否满足于上条数据的体重变化在2公斤以内并且体脂率变化超过2.5％；

s204、通过步骤s202判断上一条数据没有正常数据，进一步判断这条新数据是否是异常数据；

s205、通过步骤s203判断这条新数据是满足于上条数据的体重变化在2公斤以内并且体脂率变化超过2.5％，则按照经验修正系数修改这条数据；

s206、通过步骤s205对数据进行修正，并对修正后的数据进行保存，退出算法；

s207、通过步骤s204判断新数据是异常数据则标记异常提示用户异常数据。

进一步的，通过步骤s203判断这条新数据不满足于上条数据的体重变化在2公斤以内并且体脂率变化超过2.5％，则重复步骤s204。

进一步的，通过步骤s204判断新数据不是异常数据后，对新数据进行保存，推出算法。

其中，所述步骤s205中经验修正的公式为：

修正后的体脂率＝上一条数据的体脂率+经验修正系数m*(本条新数据的体重–上一条数据的体重)。

上述公式中，经验修正系数m为图4中线条的斜率。其中，图4为体脂率变化—体重变化图，本图以体脂率变化和体重变化关系为例说明经验修正系数的计算，横坐标是体重变化，纵坐标是体脂率变化，线条为用线性回归算法计算的回归拟合线，其斜率即代表经验修正系数。

根据上述方法中，首先对于人的bmi(身高体重指数)的正常数据的体脂率范围，因为大部分人的测量数据都是准确的，如图2和图3所示，大部分数据集中在围绕回归线(粗线)上下的的一个范围内，因此我们首先用线性回归算法算出回归线的参数。

其中图2为男性体脂率—身高体重指数图，抽样了4万条不同男性的身体成分数据，横坐标是身高体重指数，纵坐标是体脂率，2条粗线代表通过机器学习算法得到的体脂率正常范围，细线是回归拟合线；

图3为女性体脂率—身高体重指数图，抽样了7万条不同女性客户的身体成分数据，横坐标是身高体重指数，纵坐标是体脂率，2条粗线代表通过机器学习算法得到的体脂率正常范围，细线是回归拟合线；

体脂率y＝截距a+斜率b*身高体重指数x，以线性回归方程的截距和斜率为基础，给定范围参数c和斜率系数d，假设正常范围为直线y＝a-c+b*(1-d)*x和y＝a+c+b*(1-d)*x之间的范围(如图2和图3中的细线所示)，我们设定通过直线范围内的数据点占所有数据点的比例为p，通过对c在区间[0，0.1]和d在区间[-0.5，0.5]，我们以0.01为步长，计算从c＝0和d＝-0.5开始，计算在区间内符合情况的所有d和c的值对应的的p值和函数j＝c-p的值，通过计算得到j最小值对应的d和c，确定参数值。设计使得j最小的意义在于在正常范围的界限和通过正常数据的比例之间达到一个平衡。

然后对于计算出人体其他成分变化相对体重变化的经验修正系数，如图4所示，体脂率的变化和体重的变化基本线性相关，因此我们利用线性回归算法，求出使得残差平方和最小的线性回归方程，

体脂率变化deltay＝经验修正系数m*体重变化deltax

其中经验修正系数m即为方程的斜率。

可知，步骤s202通过上述方法判断上一条的数据是否正常。

通过上述方法，对客户数据在体重变化很小和体脂率变化不稳定的情况得到有效的解决。以图5未修正之前的数据和图6修正之后的数据为例，未修正之前在体重每天变化很小的情况下(在86kg—88kg之间)，体脂率变化很大，通过正常单位的检验，可以知道10个数据中有3个数据是异常数据(图5中体脂率30％多的数据)，通过对这些异常数据的修正，修正后的体脂率数据变化相对稳定，全部异常数据得到处理。

其中，图5为修正前体重和体脂率数据图，横坐标是采集数据的时间，大方连线代表体脂率，小方连线代表体重，左坐标轴是体重，右坐标轴是体脂率；

图6为修正后体重和体脂率数据图，横坐标是采集数据的时间，大方连线代表体脂率，小方连线代表体重，左坐标轴是体重，右坐标轴是体脂率。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。