一种数据分析方法、装置及电子设备与流程

1.本发明涉及数据处理和分析领域，更具体的说，涉及一种数据分析方法、装置及电子设备。


背景技术：

2.情绪是综合了人的感觉、思想和行为的一种状态，在人与人的交流中发挥着重要作用。在人们的日常工作和生活中，情绪的作用无处不在。如在医疗护理中，如果能够知道患者的情绪状态，就可以根据患者的情绪做出不同的护理措施，以提高护理质量。
3.具体的，焦虑抑郁情绪是心理健康问题，近年来出现焦虑抑郁症的各个年龄段的人群成快速增长趋势，所以社会对人们的心理健康越来越重视。特别是因为疫情原因，大量人需要居家隔离，隔离期间可能使公众出现不同程度的焦虑或者广泛性焦虑，如果焦虑情绪无法及时缓解，则容易发展为抑郁等严重不良结局。所以疫情暴发期间全国各个卫生机构都投入了心理咨询师和精神科医师进行表征情绪数据的分析，或者在网上或电台开设心理健康疏导服务，尽量减少到医院引起的交叉感染风险。
4.目前，在进行表征情绪的数据分析时，主要是采用人工分析用户填写的量表的方式得到分析结果。此种数据分析方式效率和准确度较低，无法满足数据分析需求。


技术实现要素：

5.有鉴于此，本发明提供一种数据分析方法、装置及电子设备，以解决对表征情绪的数据进行分析时的效率和准确度较低，无法满足数据分析需求的问题。
6.为解决上述技术问题，本发明采用了如下技术方案：一种数据分析方法，包括：获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据；调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果；所述预设数据分析模型基于训练数据训练得到；所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签；所述数据分析结果用于表征情绪状态；在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。
7.可选地，获取目标用户的初始心律数据，包括：获取预设存储位置存储的初始心律数据集合；所述初始心律数据集合包括多个用户佩戴的智能穿戴设备采集并上传的初始心律数据以及所述初始心律数据对应的用户信息；获取目标用户的目标用户信息，并从所述初始心律数据集合中按照所述初始心律
数据对应的用户信息，筛选出所述目标用户信息对应的初始心律数据。
8.可选地，对所述初始心律数据进行预设数据处理操作，得到目标心律数据，包括：对所述初始心律数据进行数据清洗、数据排序以及数据降采样操作，得到待处理心律数据；按照预设数据处理方式，确定与所述待处理心律数据对应的目标心律数据。
9.可选地，按照预设数据处理方式，确定与所述待处理心律数据对应的目标心律数据，包括：将所述待处理心律数据作为目标心律数据；或，提取所述待处理心律数据的时域特征信息和频域特征信息；将所述待处理心律数据、所述时域特征信息和所述频域特征信息顺序组合得到目标心律数据。
10.可选地，所述预设数据分析模型的生成过程包括：获取长时程时序排列的初始数据样本，并对所述初始数据样本进行预设数据处理操作，得到心律数据样本；获取所述初始数据样本的数据分析结果标签，并作为所述心律数据样本的数据分析结果标签；使用所述心律数据样本以及所述心律数据样本对应的数据分析结果标签，对预设数据分析模型进行训练，直至满足预设训练停止条件时停止。
11.可选地，在调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果后，还包括：获取所述目标用户的连续预设个数的数据分析结果；确定数据分析结果为预设数据分析结果的个数，并计算所述个数与所述数据分析结果的总个数的比值；将所述比值所在的预设比值区间对应的数据分析结果，作为所述目标用户的数据分析校正结果。
12.一种数据分析装置，包括：数据处理模块，用于获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据；数据分析模块，用于调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果；所述预设数据分析模型基于训练数据训练得到；所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签；所述数据分析结果用于表征情绪状态；数据输出模块，用于在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。
13.可选地，所述数据处理模块包括：集合获取子模块，用于获取预设存储位置存储的初始心律数据集合；所述初始心律数据集合包括多个用户佩戴的智能穿戴设备采集并上传的初始心律数据以及所述初始心律数据对应的用户信息；
数据筛选子模块，用于获取目标用户的目标用户信息，并从所述初始心律数据集合中按照所述初始心律数据对应的用户信息，筛选出所述目标用户信息对应的初始心律数据。
14.可选地，所述数据处理模块包括：数据处理子模块，用于对所述初始心律数据进行数据清洗、数据排序以及数据降采样操作，得到待处理心律数据，按照预设数据处理方式，确定与所述待处理心律数据对应的目标心律数据。
15.一种电子设备，包括：存储器和处理器；其中，所述存储器用于存储程序；处理器调用程序并用于执行上述的数据分析方法。
16.相较于现有技术，本发明具有以下有益效果：本发明提供了一种数据分析方法、装置及电子设备，本发明中，获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据，调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果，所述数据分析结果用于表征情绪状态。由于所述预设数据分析模型基于大量的训练数据训练得到，所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签，则预设数据分析模型能够准确地识别出目标用户的表征情绪状态的数据分析结果，满足对表征情绪的数据的分析准确度和效率需求。此外，本发明还能够在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。即本发明支持数据查询，且在查询时，会将对应的数据分析关联信息发送给用户，以提高用户体验。进而，通过本发明中的数据分析方法、装置及电子设备，可以将本发明的数据分析结果，辅助进行情绪状态的识别。
附图说明
17.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的前提下，还可以根据提供的附图获得其他的附图。
18.图1为本发明实施例提供的一种数据分析方法的方法流程图；图2为本发明实施例提供的另一种数据分析方法的方法流程图；图3为本发明实施例提供的再一种数据分析方法的方法流程图；图4为本发明实施例提供的又一种数据分析方法的方法流程图；图5为本发明实施例提供的一种数据分析装置的结构示意图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
20.情绪是综合了人的感觉、思想和行为的一种状态，在人与人的交流中发挥着重要作用。在人们的日常工作和生活中，情绪的作用无处不在。如在医疗护理中，如果能够知道患者的情绪状态，就可以根据患者的情绪做出不同的护理措施，以提高护理质量。
21.目前，在进行表征情绪的数据分析时，主要是采用人工分析用户填写的量表的方式得到分析结果。此种数据分析方式效率和准确度较低，无法满足数据分析需求。
22.在对表征情绪的数据进行分析，如对焦虑抑郁情绪数据进行分析时，可以采用人工分析用户填写的量表的方式，量表可以是宗式抑郁自评量表（sds）、汉密尔顿抑郁量表（hrsd）、抑郁量表（phq-9）、汉密尔顿焦虑量表（hama）、广泛性焦虑量表（gad-7）、宗式焦虑自评量表（sas）等十几种量表，针对老年人还有老年人抑郁量表（gds），医生需要根据受试者不同状态进行分类，然后不同受试者填写不同的量表，填写量表的整个过程需要耗费很长时间，并且需要医生指导。此外，量表的回答受制于受试者的依从性和真实性，结果的主观偏性比较强，进而使得对焦虑抑郁情绪数据分析的准确度低。
23.为了提高焦虑抑郁情绪识别数据分析准确度，可以采用受试者的图像和音频进行识别，但是涉及受试者隐私保护，图像和音频数据采集困难普及性差，同时医生标注数据难等缺点，虽取得了一些效果，但进展缓慢。
24.hrv为心率变异性缩写，hrv是一个观察了解身体变化的很好指标，心率变异（hrv）代表了这样一种量化标测，即通过测量连续正常r-r间期变化的变异性hrv来反映心率变化程度、规律，心率变异是指人体心脏搏动周期存在微小变异，近年来hrv作为一种无创检测心脏功能的手段获得广泛应用，hrv信号蕴涵了有关心血管系统的神经及体液调节的大量信息，通过对心率数据的分析，可以得到许多自主神经系统方面的信息，提取这些信息可定量评估心脏交感神经的紧张性、均衡性及其对心血管系统活动的影响。
25.目前医学上基于hrv主要研究与自主神经密切相关的疾病，如糖尿病性神经病变、心脑血管疾病、动脉硬化、神经衰弱、心力衰竭、失眠、抑郁、焦虑等等，研究主要计算时域、频域、非线性动力学特征指标，时域包括：sdnn（24hrr间期标准差）、sdann（24h每5minrr间期平均值的标准差）、rmssd（24h相邻rr间期差值的均方根）、pnn50（nn50除以总的nn间期个数），频域包括：ulf（超高频率功率）、vlf（超低频率功率）、lf（低频功率）、hf（高频功率）、lf/hf（平衡比）等指标，利用上述指标对抑郁症、广泛性焦虑症也有一些探索性研究，主要是人工分析hrv的时域、频域、非线性动力学特征指标等，进行焦虑抑郁情绪数据的分析。
26.但是这种方式，容易受到人工主观因素的影响，焦虑抑郁数据分析的准确度较低。
27.为此，本发明实施例提供了一种数据分析方法、装置及电子设备，本发明中，获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据，调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果，所述数据分析结果用于表征情绪状态。由于所述预设数据分析模型基于大量的训练数据训练得到，所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签，则预设数据分析模型能够准确地识别出目标用户的表征情绪状态的数据分析结果，满足对表征情绪的数据的分析准确度和效率需求。此外，本发明还能够在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据
分析关联信息至所述终端。即本发明支持数据查询，且在查询时，会将对应的数据分析关联信息发送给用户，以提高用户体验。
28.在上述内容的基础上，本发明的另一实施例提供了一种数据分析方法，参照图1，可以包括：s11、获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据。
29.本实施例中，初始心律数据可以是hrv数据，可以通过用户佩戴手表采集得到。
30.本实施例中的初始心律数据是长时程时序信号，具体是指超过24小时的连续时间序列rr间期心跳信号。本实施例中，采用长时程时序信号进行预测，优势要大于短时程的时序信号预测，因为短时间监测只能监测到短时间内的数据，不能确定哪个时段出现异常，长时程的数据可以捕捉到24小时内异常的波段。
31.在实际应用中，获取目标用户的初始心律数据，可以包括：1）获取预设存储位置存储的初始心律数据集合。
32.所述初始心律数据集合包括多个用户佩戴的智能穿戴设备采集并上传的初始心律数据以及所述初始心律数据对应的用户信息。
33.具体的，用户在手表端注册用户信息（如用户id号、手机号等），然后用户按照要求佩戴手表，手表会自动实时上传初始心律数据至手表云端数据库，用户使用手机软件app登陆已经在手表端注册的用户名，即可察看到当前和历史的hrv数据，具体为脉搏波rr间期数据。
34.由于会有较多用户上传初始心律数据，所以，手表端用户注册id后，手表采集的数据会自动上传手表云端数据库，云端数据库存储初始心律数据集合，所述初始心律数据集合包括多个用户佩戴的智能穿戴设备采集并上传的初始心律数据以及所述初始心律数据对应的用户信息。智能穿戴设备为上述的手表。
35.2）获取目标用户的目标用户信息，并从所述初始心律数据集合中按照所述初始心律数据对应的用户信息，筛选出所述目标用户信息对应的初始心律数据。
36.本实施例中，获取目标用户的目标用户信息，如获取用户id号和手机号，然后从所述初始心律数据集合中按照所述初始心律数据对应的用户信息，筛选出所述目标用户信息对应的初始心律数据。
37.在采集得到目标用户的初始心律数据之后，对所述初始心律数据进行预设数据处理操作，得到目标心律数据。
38.具体的，参照图2，对所述初始心律数据进行预设数据处理操作，得到目标心律数据，包括：s21、对所述初始心律数据进行数据清洗、数据排序以及数据降采样操作，得到待处理心律数据。
39.对脉搏波rr间期数据进行数据脱敏，也即为数据清洗操作，对一些重要数据，如手机号等进行脱敏操作。然后按0:00时-24:00时的序列重排数据，保证数据的规整性。
40.此后进行数据降采样操作。手表的采样频率是100hz，24小时大概70000-100000个心跳数，采样步长10个心跳，正常的24小数数据获得7000-10000个数据点。这7000-10000个数据点即为待处理心律数据。
41.s22、按照预设数据处理方式，确定与所述待处理心律数据对应的目标心律数据。
42.具体的，可以直接将所述待处理心律数据作为目标心律数据。此外，为了提高数据的可靠性，还可以提取所述待处理心律数据的时域特征信息和频域特征信息。其中，时域特征信息包括：sdnn（24hrr间期标准差）、sdann（24h每5minrr间期平均值的标准差）、rmssd（24h相邻rr间期差值的均方根）、pnn50（nn50除以总的nn间期个数）。
43.频域特征信息包括：ulf（超高频率功率）、vlf（超低频率功率）、lf（低频功率）、hf（高频功率）、lf/hf（平衡比）等指标。
44.然后将所述待处理心律数据、所述时域特征信息和所述频域特征信息顺序组合得到目标心律数据。
45.此种方式得到的数据进行模型训练，使得模型既能够学习整体数据，还能够重点学习时域特征信息和所述频域特征信息。
46.s12、调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果。
47.本实施例中，所述预设数据分析模型基于训练数据训练得到；所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签；所述数据分析结果用于表征情绪状态。情绪状态可以是焦虑抑郁情绪或非焦虑抑郁情绪。
48.在实际应用中，预设数据分析模型预先生成，参照图3，所述预设数据分析模型的生成过程包括：s31、获取长时程时序排列的初始数据样本，并对所述初始数据样本进行预设数据处理操作，得到心律数据样本。
49.本实施例中的模型生成过程包括两个阶段，第一阶段是模型数据获取阶段，数据主要来源于中国中医科学研究院门诊部，数据采集时间主要集中在疫情期间，为了减少来医院引发交叉感染的风险，采用发放手表给患者的方式，采集得到91例抑郁症焦虑症患者325条数据，数据采集分布如表1所示，其中，97%数据采集集中在2020年7月至2021年1月期间。同时采集191例正常人400条数据。本实施例中采集的是数据均为长时程时序排列的初始数据样本。
50.表1
采集时间2018.012020.072020.082020.092020.102020.122021.012021.042021.05采集数量13742629211981
从手表端云端获取上述数据后，这些数据作为初始数据样本，然后对所述初始数据样本进行预设数据处理操作，得到心律数据样本。
51.预设数据处理操作的具体过程参照上述相应过程。
52.s32、获取所述初始数据样本的数据分析结果标签，并作为所述心律数据样本的数据分析结果标签。
53.步骤s32即为模型生成的第一阶段。在获取到上述的心律数据样本之后，还需要确定心律数据样本的数据分析结果标签。若是心律数据样本对应的初始数据样本是郁症焦虑症患者的数据，则初始数据样本的数据分析结果标签为焦虑抑郁情绪，此时将心律数据样
本的数据分析结果标签也设置为焦虑抑郁情绪。
54.若是心律数据样本对应的初始数据样本是正常人的数据，则初始数据样本的数据分析结果标签为非焦虑抑郁情绪，此时将心律数据样本的数据分析结果标签也设置为非焦虑抑郁情绪。
55.s33、使用所述心律数据样本以及所述心律数据样本对应的数据分析结果标签，对预设数据分析模型进行训练，直至满足预设训练停止条件时停止。
56.步骤s33即为模型生成的第二阶段。本实施例中的预设数据分析模型可以是采用时间序列随机森林分类算法训练二分类模型，随机森林分类算法的原理是根据森林中所有树分支的多数票进行分类，在多数票决策中，预测结果是由最多树分枝预测的类别结果决定的。时间序列森林是一种可解释性的模型，可以从时间序列林中提取时间特征重要性。
57.时间序列随机森林分类器首先将序列数据分为随机间隔、随机起始位置、随机长度，从每段中提取特征，然后利用特征训练决策树，不断分裂树节点，直到叶子都包含最小样本数，每个树都会找到最佳特征。具体的，训练过程为：1）将序列分为随机间隔，随机起始位置和随机长度；2）从每个间隔中提取特征（均值、标准差、斜率）到单个特征向量中；3）在提取的特征上训练决策树。
58.重复步骤1-3，直到建立了所需要的树的个数或时间耗尽为止，此时满足预设训练停止条件，停止训练。
59.在训练时，可按照训练与测试的7：3比例进行了长时程时间序列随机森林分类模型的训练测试，训练模型采用十折交叉验证方法，经过试验测试，抑郁焦虑数据分析准确率达到90%，非焦虑抑郁的数据分析的准确率87%，远超问卷方案的准确率。
60.预设数据分析模型生成后，将其部署到云端服务器。在用户佩戴手表数据定期上传数据，累计采集24小时的数据后，云端服务器根据用户信息，如用户id号和手机号，从手表云端数据库获取数据，然后调用预设数据分析模型对采集的数据进行处理，得到数据分析结果，数据分析结果用于表征情绪状态，数据分析结果的具体内容为焦虑抑郁情绪或非焦虑抑郁情绪。此外，还可给出焦虑抑郁分数。
61.本实施例中的预设数据分析模型，还可以采用其他机器学习的方法，如逻辑回归、时间序列的k最近邻等。
62.s13、在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。
63.本实施例中，预设数据分析结果可以表征具有焦虑抑郁情绪症的数据。在所述数据分析结果为预设数据分析结果的情况下，说明该用户已经具有焦虑抑郁情绪。此时，获取数据分析关联信息，数据分析关联信息可以是抑郁症焦虑症的系列健康调理方案，具体参照表2。
64.表2
目标用户可以随时登陆手机app，查询自己的情绪分析结果。手机app需要注册用户手机号，该手机号与手表绑定手机号为同一个，受试者带手表超过24小时后，即可察看预测结果。
65.此时，云端服务器接收到所述目标用户的终端发送的数据查询请求，输出所述数据分析结果以及所述数据分析关联信息至所述终端。即本实施例中，在用户具有焦虑抑郁情绪时，除了将数据分析结果发送给用户之外，还会将相关的健康调理方案发送给用户，以使用户及时了解如何消除焦虑抑郁情绪。
66.在实际应用中，可能受到突发情况，如生病等情况，导致用户情绪波动较大，进而使得某一数据的情绪识别结果不能代表用户的长时间情绪状态。如，某一用户的情绪一直较稳定，但是由于生病，使得情绪波动较大，易发脾气等。
67.为了能够确定用户的长时间情绪状态，本实施例中，参照图4，在调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果后，还包括：s41、获取所述目标用户的连续预设个数的数据分析结果。
68.本实施例中的连续预设个数可以是连续一周，即连续7个数据分析结果。
69.s42、确定数据分析结果为预设数据分析结果的个数，并计算所述个数与所述数据分析结果的总个数的比值。
70.即本实施例中，从所有的数据分析结果中，筛选出预设数据分析结果，并统计预设数据分析结果的个数，然后计算所述个数与所述数据分析结果的总个数的比值。
71.s43、将所述比值所在的预设比值区间对应的数据分析结果，作为所述目标用户的数据分析校正结果。
72.具体的，可以预先设置预设比值区间对应的数据分析结果，如：预设比值区间为0.8-1，数据分析结果为焦虑抑郁情绪；预设比值区间为0.5-0.8，数据分析结果为中度焦虑抑郁情绪；预设比值区间为0.3-0.5，数据分析结果为轻度焦虑抑郁情绪；预设比值区间为0-0.3，数据分析结果为非焦虑抑郁情绪。
73.在确定出比值后，确定比值所在的预设比值区间，然后将该预设比值区间对应的数据分析结果，作为所述目标用户的数据分析校正结果。通过此步骤，可以确定出用户的长期情绪状态。
74.利用本方案中的数据分析结果，即可辅助识别情绪状态，在日常生活状态下即可辅助预测受试者的情绪状态。
75.本实施例中，获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据，调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果，所述数据分析结果用于表征情绪状态。由于所述预设数据分析模型基于大量的训练数据训练得到，所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签，则预设数据分析模型能够准确地识别出目标用户的表征情绪状态的数据分析结果，满足对表征情绪的数据的分析准确度和效率需求。此外，本发明还能够在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。即本发明支持数据查询，且在查询时，会将对应的数据分析关联信息发送给用户，以提高用户体验。
76.此外，用户只需要带监测手表，不影响24小时正常生活，手表系统自动把心率数据上传到云端；云端服务器根据用户的长时程时序的心率数据进行预处理后分析，给出预测抑郁焦虑程度，很好保护了用户的隐私性。
77.此外，本发明利用长时程时序信号数据进行基于机器学习模型的分类预测，替代了受试者填写问卷量表或者是音视频监测，数据更客观化，。
78.此外，本发明根据受试者数据预测到的结果，给出个性化的健康调理方案。
79.此外，使用本发明可以辅助自测是否有焦虑抑郁的倾向，如果有可以按照系统提供的健康管理方案进行自我调节，能缓解情绪压力，这样也缓解的社会压力。
80.可选地，在上述数据分析方法的实施例的基础上，本发明的另一实施例提供了一种数据分析装置，参照图5，包括：数据处理模块11，用于获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据；数据分析模块12，用于调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果；所述预设数据分析模型基于训练数据训练得到；所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标
签；所述数据分析结果用于表征情绪状态；数据输出模块13，用于在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。
81.进一步，所述数据处理模块包括：集合获取子模块，用于获取预设存储位置存储的初始心律数据集合；所述初始心律数据集合包括多个用户佩戴的智能穿戴设备采集并上传的初始心律数据以及所述初始心律数据对应的用户信息；数据筛选子模块，用于获取目标用户的目标用户信息，并从所述初始心律数据集合中按照所述初始心律数据对应的用户信息，筛选出所述目标用户信息对应的初始心律数据。
82.进一步，所述数据处理模块包括：数据处理子模块，用于对所述初始心律数据进行数据清洗、数据排序以及数据降采样操作，得到待处理心律数据，按照预设数据处理方式，确定与所述待处理心律数据对应的目标心律数据。
83.进一步，数据处理子模块用于按照预设数据处理方式，确定与所述待处理心律数据对应的目标心律数据时，具体用于：将所述待处理心律数据作为目标心律数据；或，提取所述待处理心律数据的时域特征信息和频域特征信息，将所述待处理心律数据、所述时域特征信息和所述频域特征信息顺序组合得到目标心律数据。
84.进一步，还包括模型生成模块，包括：样本获取子模块，用于获取长时程时序排列的初始数据样本，并对所述初始数据样本进行预设数据处理操作，得到心律数据样本；标签获取子模块，用于获取所述初始数据样本的数据分析结果标签，并作为所述心律数据样本的数据分析结果标签；训练子模块，用于使用所述心律数据样本以及所述心律数据样本对应的数据分析结果标签，对预设数据分析模型进行训练，直至满足预设训练停止条件时停止。
85.进一步，还包括：结果获取模块，用于获取所述目标用户的连续预设个数的数据分析结果；比值计算模块，用于确定数据分析结果为预设数据分析结果的个数，并计算所述个数与所述数据分析结果的总个数的比值；结果校正模块，用于将所述比值所在的预设比值区间对应的数据分析结果，作为所述目标用户的数据分析校正结果。
86.本实施例中，获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据，调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果，所述数据分析结果用于表征情绪状态。由于所述预设数据分析模型基于大量的训练数据训练得到，所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签，则预设数据分析模型能够准确地识别出目标用户的表征情绪状态的数据分析结果，满足对表征情绪的数据的分析准确度和效率
需求。此外，本发明还能够在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。即本发明支持数据查询，且在查询时，会将对应的数据分析关联信息发送给用户，以提高用户体验。
87.需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
88.可选地，在上述数据分析方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；其中，所述存储器用于存储程序；处理器调用程序并用于执行上述的数据分析方法。
89.本实施例中，获取目标用户的初始心律数据，并对所述初始心律数据进行预设数据处理操作，得到目标心律数据，调用预设数据分析模型对所述目标心律数据进行数据处理，以得到所述目标心律数据对应的数据分析结果，所述数据分析结果用于表征情绪状态。由于所述预设数据分析模型基于大量的训练数据训练得到，所述训练数据包括心律数据样本以及所述心律数据样本对应的数据分析结果标签，则预设数据分析模型能够准确地识别出目标用户的表征情绪状态的数据分析结果，满足对表征情绪的数据的分析准确度和效率需求。此外，本发明还能够在所述数据分析结果为预设数据分析结果的情况下，获取数据分析关联信息，并在接收到所述目标用户的终端发送的数据查询请求的情况下，输出所述数据分析结果以及所述数据分析关联信息至所述终端。即本发明支持数据查询，且在查询时，会将对应的数据分析关联信息发送给用户，以提高用户体验。
90.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。