【AI大模型】在健康睡眠监测中的深度融合与实践案例

在这里插入图片描述

文章目录

    • 1. 应用方案
    • 2. 技术实现
      • 2.1 数据采集与预处理
      • 2.2 构建与训练模型
      • 2.3 个性化建议生成
    • 3. 优化策略
    • 4. 应用示例：多模态数据融合与实时监测
      • 4.1 数据采集
      • 4.2 实时监测与反馈
    • 5. 深入分析模型选择和优化
      • 5.1 LSTM模型的优势和优化策略
      • 5.2 CNN模型的优势和优化策略
      • 5.3 Transformer模型的优势和优化策略
    • 6. 数据隐私与安全策略
    • 7. 深入探讨未来发展方向
      • 7.1. 多模态数据融合
      • 7.2. 自适应学习
      • 7.3. 跨平台集成
    • 8. 深度学习模型优化
    • 9. 总结

随着穿戴设备的普及和AI技术的发展，利用AI大模型在睡眠监测中的应用成为可能。这种深度融合应用能够提供更准确、更个性化的睡眠分析与建议，帮助用户更好地管理睡眠健康。以下是AI大模型在穿戴设备睡眠监测中的应用方案、技术实现和优化策略。

1. 应用方案

  1. 多模态数据融合：

    • 生理数据：心率、呼吸率、体温等。
    • 环境数据：光照、噪音、温度等。
    • 行为数据：运动数据、睡眠姿势等。

  2. 高级数据分析：

    • 睡眠阶段分类：利用深度学习模型对数据进行分析，分类出浅睡、深睡、REM睡眠等阶段。
    • 异常检测：检测睡眠呼吸暂停、失眠等异常情况。

  3. 个性化建议：

    • 基于用户的历史数据和模型分析结果，提供个性化的睡眠改善建议。

  4. 实时监测与反馈：

    • 实时监测用户睡眠状态，及时提供反馈和建议。

2. 技术实现

2.1 数据采集与预处理

首先，需要从穿戴设备中获取各类数据，并进行预处理。

import numpy as np
import pandas as pd

# 模拟数据采集
heart_rate_data = np.random.normal(60, 5, 1000)
respiration_rate_data = np.random.normal(16, 2, 1000)
temperature_data = np.random.normal(36.5, 0.5, 1000)
movement_data = np.random.normal(0, 1, 1000)  # 假设为运动强度数据

# 创建DataFrame
data = pd.DataFrame({
    'heart_rate': heart_rate_data,
    'respiration_rate': respiration_rate_data,
    'temperature': temperature_data,
    'movement': movement_data
})

# 数据预处理
def preprocess_data(data):
    # 归一化处理
    data_normalized = (data - data.mean()) / data.std()
    return data_normalized

data_preprocessed = preprocess_data(data)

2.2 构建与训练模型

利用深度学习模型（如LSTM）对预处理后的数据进行训练，识别睡眠阶段。

from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout

# 构建LSTM模型
model = Sequential()
model.add(LSTM(64, return_sequences=True, input_shape=(None, 4)))  # 输入为4维数据
model.add(Dropout(0.2))
model.add(LSTM(64, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(3, activation='softmax'))  # 输出为3类：浅睡、深睡、REM

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 模拟训练数据
X_train = np.expand_dims(data_preprocessed.values, axis=0)
y_train = np.random.randint(0, 3, (1, 1000))  # 假设标签数据

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)

2.3 个性化建议生成

根据模型输出的睡眠阶段和用户历史数据，生成个性化的睡眠建议。

def generate_sleep_advice(sleep_data):
    # 分析睡眠数据
    deep_sleep_ratio = np.sum(sleep_data == 1) / len(sleep_data)
    rem_sleep_ratio = np.sum(sleep_data == 2) / len(sleep_data)

    advice = "您的睡眠分析结果如下：\n"
    advice += f"深睡比例: {deep_sleep_ratio:.2f}\n"
    advice += f"REM睡眠比例: {rem_sleep_ratio:.2f}\n"

    if deep_sleep_ratio < 0.2:
        advice += "建议增加深睡时间，保持规律的作息，避免在睡前使用电子设备。\n"
    if rem_sleep_ratio < 0.2:
        advice += "建议改善睡眠质量，尝试放松训练，如冥想或听轻音乐。\n"

    return advice

# 模拟生成睡眠阶段数据
predicted_sleep_stages = model.predict(X_train)[0]
advice = generate_sleep_advice(predicted_sleep_stages)
print(advice)

3. 优化策略

  1. 模型优化与压缩：

    • 使用模型量化和剪枝技术，减少模型的计算量和内存占用，以适应穿戴设备的资源限制。

  2. 个性化与自适应学习：

    • 根据用户的历史数据和反馈，不断调整和优化模型，提高个性化分析的准确性。

  3. 实时性与延迟优化：

    • 通过边缘计算和高效的数据处理技术，减少数据传输和处理的延迟，提升实时监测的效果。

  4. 数据隐私与安全：

    • 采用数据加密和隐私保护技术，确保用户数据的安全性和隐私性。

4. 应用示例：多模态数据融合与实时监测

4.1 数据采集

# 模拟实时数据采集
def collect_real_time_data():
    heart_rate = np.random.normal(60, 5)
    respiration_rate = np.random.normal(16, 2)
    temperature = np.random.normal(36.5, 0.5)
    movement = np.random.normal(0, 1)
    return np.array([heart_rate, respiration_rate, temperature, movement])

# 模拟实时数据采集
real_time_data = collect_real_time_data()
print("实时数据采集:", real_time_data)

4.2 实时监测与反馈

# 实时监测和睡眠阶段预测
def real_time_sleep_monitor(model):
    data_window = []

    while True:
        new_data = collect_real_time_data()
        data_window.append(new_data)
        if len(data_window) > 100:
            data_window.pop(0)  # 保持固定窗口大小

        if len(data_window) == 100:
            data_window_array = np.expand_dims(np.array(data_window), axis=0)
            sleep_stage = model.predict(data_window_array)
            print(f"当前睡眠阶段: {np.argmax(sleep_stage)}")

            # 提供实时反馈
            if np.argmax(sleep_stage) == 2:  # 假设2代表深睡
                print("进入深睡状态，请保持安静环境。")
            elif np.argmax(sleep_stage) == 0:  # 假设0代表浅睡
                print("浅睡状态，建议放松。")
        
        time.sleep(1)  # 模拟每秒采集一次数据

# 启动实时监测
# real_time_sleep_monitor(model)

5. 深入分析模型选择和优化

5.1 LSTM模型的优势和优化策略

优势：

  • LSTM擅长处理时间序列数据，能够记住长期依赖关系，适合用于分析连续的生理数据，如心率和呼吸率。
  • 在睡眠监测中，LSTM能够准确捕捉不同睡眠阶段的特征。

优化策略：

  • 减小模型大小：通过剪枝和量化技术减少模型参数数量，减小模型大小，适应穿戴设备的计算资源限制。
  • 改进架构：采用双向LSTM（BiLSTM）或多层LSTM结构，提升模型的表达能力和准确性。
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout, Bidirectional

def build_optimized_lstm_model(input_shape):
    model = Sequential()
    model.add(Bidirectional(LSTM(64, return_sequences=True), input_shape=input_shape))
    model.add(Dropout(0.2))
    model.add(Bidirectional(LSTM(64, return_sequences=False)))
    model.add(Dropout(0.2))
    model.add(Dense(3, activation='softmax'))

    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
    return model

input_shape = (None, 4)  # 4个特征：心率、呼吸率、体温、运动
optimized_model = build_optimized_lstm_model(input_shape)

5.2 CNN模型的优势和优化策略

优势：

  • CNN能够高效地提取局部特征，适用于检测睡眠数据中的特定模式，如呼吸暂停和心率变化。
  • CNN的参数共享机制减少了模型参数量，提升计算效率。

优化策略：

  • 卷积核优化：通过实验选择最优的卷积核大小和池化策略，提高特征提取能力。
  • 深层网络：构建更深的卷积网络（如ResNet、DenseNet），提升模型的表达能力和准确性。
from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

def build_optimized_cnn_model(input_shape):
    model = Sequential()
    model.add(Conv1D(64, kernel_size=3, activation='relu', input_shape=input_shape))
    model.add(MaxPooling1D(pool_size=2))
    model.add(Conv1D(128, kernel_size=3, activation='relu'))
    model.add(MaxPooling1D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(3, activation='softmax'))

    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
    return model

input_shape = (100, 4)  # 100个时间步，4个特征
optimized_cnn_model = build_optimized_cnn_model(input_shape)

5.3 Transformer模型的优势和优化策略

优势：

  • Transformer模型擅长捕捉长时间序列中的复杂依赖关系，适用于分析多模态生理数据。
  • 多头注意力机制能够同时关注不同时间步的特征，提高模型的表达能力。

优化策略：

  • 多头注意力机制优化：调整注意力头的数量和尺寸，找到最佳配置，提升模型性能。
  • 层次优化：通过实验选择最优的Transformer层数和平行化策略，提高模型的效率和准确性。
from keras.models import Model
from keras.layers import Input, Dense, MultiHeadAttention, LayerNormalization, Dropout

def build_optimized_transformer_model(input_shape, num_heads=4, ff_dim=64):
    inputs = Input(shape=input_shape)
    attention_output = MultiHeadAttention(num_heads=num_heads, key_dim=ff_dim)(inputs, inputs)
    attention_output = LayerNormalization(epsilon=1e-6)(attention_output)
    ffn_output = Dense(ff_dim, activation='relu')(attention_output)
    ffn_output = Dense(input_shape[-1])(ffn_output)
    outputs = LayerNormalization(epsilon=1e-6)(ffn_output)
    model = Model(inputs, outputs)
    model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])
    return model

input_shape = (100, 4)
optimized_transformer_model = build_optimized_transformer_model(input_shape)

6. 数据隐私与安全策略

在使用穿戴设备监测用户睡眠数据时，确保数据的隐私与安全至关重要。以下是一些关键策略：

  1. 数据加密：在数据传输和存储过程中，使用加密技术保护数据安全。
from cryptography.fernet import Fernet

# 生成密钥
key = Fernet.generate_key()
cipher_suite = Fernet(key)

# 加密数据
data = b"Sensitive user data"
encrypted_data = cipher_suite.encrypt(data)

# 解密数据
decrypted_data = cipher_suite.decrypt(encrypted_data)
  1. 数据匿名化：在数据处理和分析过程中，去除或模糊化用户身份信息，保护用户隐私。
import pandas as pd

# 模拟用户数据
data = pd.DataFrame({
    'user_id': ['user1', 'user2', 'user3'],
    'heart_rate': [70, 65, 80],
    'sleep_stage': ['deep', 'light', 'REM']
})

# 匿名化处理
data['user_id'] = data['user_id'].apply(lambda x: 'user_' + str(hash(x)))
print(data)
  1. 访问控制：限制对数据的访问权限，确保只有授权人员和系统能够访问用户数据。
from flask import Flask, request, jsonify
from functools import wraps

app = Flask(__name__)

# 模拟用户数据存储
user_data = {
    'user_1': {'heart_rate': 70, 'sleep_stage': 'deep'},
    'user_2': {'heart_rate': 65, 'sleep_stage': 'light'}
}

# 模拟访问控制
def requires_auth(f):
    @wraps(f)
    def decorated(*args, **kwargs):
        auth = request.headers.get('Authorization')
        if auth != 'Bearer secret-token':
            return jsonify({"message": "Unauthorized"}), 403
        return f(*args, **kwargs)
    return decorated

@app.route('/api/data', methods=['GET'])
@requires_auth
def get_data():
    user_id = request.args.get('user_id')
    return jsonify(user_data.get(user_id, {"message": "User not found"}))

if __name__ == '__main__':
    app.run()

7. 深入探讨未来发展方向

7.1. 多模态数据融合

现状与挑战：
当前的穿戴设备主要依赖心率、呼吸率、体温和运动数据进行睡眠监测。虽然这些数据已经能够提供较为全面的睡眠分析，但仍存在一些局限，如对睡眠环境的考虑不足、对其他生理信号（如脑电波）的利用较少。

未来发展：
未来的穿戴设备可以通过集成更多类型的传感器，实现多模态数据融合。这不仅包括更多的生理数据（如皮肤电反应、血氧饱和度），还可以包含环境数据（如噪音、光照、温度）和行为数据（如作息时间、日常活动）。通过这些数据的综合分析，能够更准确地判断用户的睡眠质量，并提供更加个性化的建议。

示例：

# 模拟多模态数据采集
def collect_multimodal_data():
    heart_rate = np.random.normal(60, 5)
    respiration_rate = np.random.normal(16, 2)
    temperature = np.random.normal(36.5, 0.5)
    movement = np.random.normal(0, 1)
    skin_conductance = np.random.normal(5, 1)  # 皮肤电反应
    blood_oxygen = np.random.normal(98, 1)  # 血氧饱和度
    noise_level = np.random.normal(30, 5)  # 噪音水平
    return np.array([heart_rate, respiration_rate, temperature, movement, skin_conductance, blood_oxygen, noise_level])

# 模拟数据采集
multimodal_data = collect_multimodal_data()
print("多模态数据采集:", multimodal_data)

7.2. 自适应学习

现状与挑战：
目前的模型通常基于固定的数据集进行训练，模型更新和优化需要重新训练并部署。用户的个体差异和动态变化难以实时反映到模型中。

未来发展：
通过自适应学习，可以实现模型的持续优化和个性化调整。自适应学习包括在线学习和增量学习，能够在接收到新的数据和用户反馈后，自动调整模型参数，提升模型的准确性和个性化程度。

示例：

from sklearn.linear_model import SGDClassifier
import numpy as np

# 模拟数据
X_train = np.random.rand(100, 7)  # 7个特征
y_train = np.random.randint(0, 3, 100)  # 3个睡眠阶段

# 初始训练
model = SGDClassifier()
model.fit(X_train, y_train)

# 模拟新的数据
X_new = np.random.rand(10, 7)
y_new = np.random.randint(0, 3, 10)

# 在线学习更新模型
model.partial_fit(X_new, y_new)

7.3. 跨平台集成

现状与挑战：
当前的穿戴设备和睡眠监测系统多为独立运行，缺乏与其他健康管理系统的集成。用户需要分别查看和管理不同平台的数据，不利于全面的健康管理。

未来发展：
通过跨平台集成，可以实现不同健康数据的互通和综合分析。例如，将睡眠数据与日常活动、饮食、心理状态等数据进行关联分析，提供更全面的健康管理服务。跨平台集成还可以实现数据的共享和协同，提高健康管理的整体效果。

示例：

from flask import Flask, request, jsonify

app = Flask(__name__)

# 模拟多平台数据
sleep_data = {
    'user_1': {'heart_rate': 70, 'sleep_stage': 'deep'},
    'user_2': {'heart_rate': 65, 'sleep_stage': 'light'}
}

activity_data = {
    'user_1': {'steps': 10000, 'calories_burned': 500},
    'user_2': {'steps': 8000, 'calories_burned': 400}
}

# 跨平台数据集成
@app.route('/api/health_data', methods=['GET'])
def get_health_data():
    user_id = request.args.get('user_id')
    if user_id in sleep_data and user_id in activity_data:
        combined_data = {**sleep_data[user_id], **activity_data[user_id]}
        return jsonify(combined_data)
    else:
        return jsonify({"message": "User not found"}), 404

if __name__ == '__main__':
    app.run()

8. 深度学习模型优化

现状与挑战：
深度学习模型通常计算量大，资源消耗高，难以在资源受限的穿戴设备上高效运行。

未来发展：
通过模型压缩、知识蒸馏等技术，减少模型的计算复杂度和存储需求。此外，使用边缘计算，将部分计算任务下放到设备端，提高实时性和响应速度。

模型压缩和知识蒸馏示例：

from tensorflow_model_optimization.sparsity import keras as sparsity
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 构建一个简单的神经网络模型
def build_model():
    model = Sequential([
        Dense(128, activation='relu', input_shape=(7,)),
        Dense(64, activation='relu'),
        Dense(3, activation='softmax')
    ])
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
    return model

model = build_model()

# 使用模型剪枝技术
pruning_schedule = sparsity.PolynomialDecay(initial_sparsity=0.30, final_sparsity=0.70, begin_step=1000, end_step=2000)
model_for_pruning = sparsity.prune_low_magnitude(model, pruning_schedule=pruning_schedule)

model_for_pruning.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model_for_pruning.summary()

9. 总结

1、通过AI大模型与穿戴设备的深度融合，可以实现更加智能和个性化的睡眠监测与管理。多模态数据融合、实时监测与反馈、个性化建议生成等技术的应用，能够帮助用户更好地理解和改善自己的睡眠质量。未来，随着技术的不断进步，这种智能化的睡眠监测系统将会越来越普及，为用户提供更全面的健康管理服务。

2、通过详细分析AI大模型在穿戴设备睡眠监测中的技术架构、模型选择、数据处理、实时性要求和隐私保护，可以更好地理解其深度融合应用。选择适合的模型并进行优化，确保数据隐私和安全，是实现智能化睡眠监测系统的关键。未来，随着技术的不断进步，这种智能化的睡眠监测系统将会越来越普及，为用户提供更全面和个性化的健康管理服务。

3、AI大模型在穿戴设备睡眠监测中的深度融合应用，是通过多模态数据融合、自适应学习、跨平台集成以及模型优化等多种技术的综合应用，来实现更加智能和个性化的睡眠管理。未来，随着技术的不断进步和数据的积累，这种智能化的睡眠监测系统将会越来越普及，为用户提供更全面、更科学的健康管理服务。

欢迎点赞|关注|收藏|评论，您的肯定是我创作的动力

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/723608.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

DeepSpeed Pipeline并行

DeepSpeed Pipeline并行

DeepSpeed为了克服一般Pipeline并行的forward时weights,和backward时计算梯度的weights, 二者不相同的问题&#xff0c;退而求其次&#xff0c;牺牲性能&#xff0c;采用gradient-accumulate方式&#xff0c;backward时只累积梯度至local&#xff0c;并不更新weights&#xff1…
阅读更多...
手机录屏声音怎么录？2个小妙招教会你

手机录屏声音怎么录？2个小妙招教会你

手机录制好的视频怎么没有声音&#xff1f;你是否也遇到了这个难题&#xff1f;在日常生活中&#xff0c;手机录屏功能已经成为我们生活和工作中的得力助手。而录屏的声音&#xff0c;作为录屏功能的重要组成部分&#xff0c;更是为我们的录制体验增添了不少色彩。那么&#xf…
阅读更多...
如何提升外链网站的收录率？

如何提升外链网站的收录率？

要提高外链网站的收录率&#xff0c;要明确的一点是&#xff0c;被收录的外链才能发挥最大的作用&#xff0c;因此&#xff0c;提升收录率是首要任务。一个有效的方法是使用GPC爬虫池&#xff0c;这样可以大幅度提高谷歌蜘蛛对众多外链网站页面的抓取频率 通过GPC爬虫池的引导…
阅读更多...
基于CLIP 建模用于假图像检测探索与应用

基于CLIP 建模用于假图像检测探索与应用

概述 论文地址&#xff1a;https://arxiv.org/pdf/2402.12927 源码地址&#xff1a;https://github.com/sohailahmedkhan/CLIPping-the-Deception 本研究探讨了如何使用 CLIP 这一图像和语言的多模态底层模型来检测伪造图像。这项研究的一个重要创新点是&#xff0c;它建立了…
阅读更多...
Linux C编译器从零开发三

Linux C编译器从零开发三

AST语法树 BNF抽象 expr equality equality relational ("" relational | "!" relational)* relational add ("<" add | "<" add | ">" add | ">" add)* add mul ("" …
阅读更多...
2024年光电信息、光学工程与机器视觉国际学术会议(OIOEMV 2024)

2024年光电信息、光学工程与机器视觉国际学术会议(OIOEMV 2024)

2024年光电信息、光学工程与机器视觉国际学术会议(OIOEMV 2024) 2024 International Conference on Optoelectronic Information, Optical Engineering and Machine Vision 会议地点&#xff1a;厦门&#xff0c;中国 网址&#xff1a;www.oioemv.com 邮箱: oioemvsub-conf…
阅读更多...
如何在前端项目中用字体图标替换图片，方便减小打包体积和统一切换颜色

如何在前端项目中用字体图标替换图片，方便减小打包体积和统一切换颜色

1.进入阿里妈妈矢量图标图库 地址&#xff1a;阿里妈妈矢量图 2.搜索自己想要的图标 3.添加自己想要的图标 4.把刚才选的图标&#xff0c;添加到自己要下载的项目 5.把项目下载到本地 6.引入iconfont.css 在div上增加对应的类名就可以啦 下载的所有类名都在下面的demo_index…
阅读更多...
校园学生选课系统

校园学生选课系统

摘 要 如今&#xff0c;随着互联网技术的不断推进与发展&#xff0c;信息技术已经在各行各业得到了应用。当前&#xff0c;高等院校也应该紧跟时代步伐&#xff0c;紧紧地依靠技术的发展&#xff0c;在信息化技术的服务和应用的基础上&#xff0c;对高校教育环节中存在的问题进…
阅读更多...
跟张良均老师学大数据人工智能|企业项目试岗实训开营

跟张良均老师学大数据人工智能|企业项目试岗实训开营

我国高校毕业生数量连年快速增长&#xff0c;从2021年的909万人到2022年的1076万人&#xff0c;再到2023年的1158万人&#xff0c;预计到2024年将达到1187万人&#xff0c;2024年高校毕业生数量再创新高。 当年高校毕业生人数不等于进入劳动力市场的高校毕业生人数&#x…
阅读更多...
TSINGSEE青犀云边端技术如何助力视频监控实现高效管理与安全监控

TSINGSEE青犀云边端技术如何助力视频监控实现高效管理与安全监控

随着信息技术的飞速发展&#xff0c;视频监控作为维护公共安全的重要手段&#xff0c;正逐渐融入人们的日常生活。在这个大数据、云计算、物联网等技术深度融合的时代&#xff0c;云边端技术作为一种新兴的技术架构&#xff0c;为视频监控带来了前所未有的变革与机遇。本文将以…
阅读更多...
OSPF和RIP的路由引入（华为）

OSPF和RIP的路由引入（华为）

#交换设备 OSPF和RIP的路由引入 不同的网络会根据自身的实际情况来选用路由协议。比如有些网络规模很小&#xff0c;为了管理简单&#xff0c;部署了 RIP; 而有些网络很复杂&#xff0c;可以部署 OSPF。不同路由协议之间不能直接共享各自的路由信息&#xff0c;需要依靠配置路…
阅读更多...
SSM小区车辆信息管理系统-计算机毕业设计源码06111

SSM小区车辆信息管理系统-计算机毕业设计源码06111

摘 要 科技进步的飞速发展引起人们日常生活的巨大变化&#xff0c;电子信息技术的飞速发展使得电子信息技术的各个领域的应用水平得到普及和应用。信息时代的到来已成为不可阻挡的时尚潮流&#xff0c;人类发展的历史正进入一个新时代。在现实运用中&#xff0c;应用软件的工作…
阅读更多...
【广度优先搜索 深度优先搜索 图论】854. 相似度为 K 的字符串

【广度优先搜索 深度优先搜索 图论】854. 相似度为 K 的字符串

本文涉及知识点 广度优先搜索 深度优先搜索 图论 图论知识汇总 LeetCode 854. 相似度为 K 的字符串 对于某些非负整数 k &#xff0c;如果交换 s1 中两个字母的位置恰好 k 次&#xff0c;能够使结果字符串等于 s2 &#xff0c;则认为字符串 s1 和 s2 的 相似度为 k 。 给你…
阅读更多...
自学网络安全 or Web安全，一般人我还是劝你算了吧

自学网络安全 or Web安全，一般人我还是劝你算了吧

由于我之前写了不少网络安全技术相关的文章&#xff0c;不少读者朋友知道我是从事网络安全相关的工作&#xff0c;于是经常有人私信问我&#xff1a; 我刚入门网络安全&#xff0c;该怎么学&#xff1f; 要学哪些东西&#xff1f; 有哪些方向&#xff1f; 怎么选&#xff1f;…
阅读更多...
报表工具数据源的取数处理方式大对比

报表工具数据源的取数处理方式大对比

根据报表的需求&#xff0c;很多报表中的指标数据需要进行预处理&#xff0c;以满足快速抽取和展示的需要。对于帆软报表类似的产品&#xff0c;一般通过建立视图、合并数据表&#xff0c;形成直接应用于模板设计的数据集&#xff0c;报表直接和数据集进行交互、关联。当用户发…
阅读更多...
解锁TikTok数据潜力——高效获取TikTok视频评论回复数据接口

解锁TikTok数据潜力——高效获取TikTok视频评论回复数据接口

一、引言 在社交媒体蓬勃发展的今天&#xff0c;TikTok已成为全球范围内备受欢迎的短视频平台。为了帮助企业、个人和开发者更好地利用TikTok数据&#xff0c;我们推出了一款全新的接口服务&#xff0c;专注于高效获取TikTok视频评论回复数据。 二、核心功能介绍 高效获取评论…
阅读更多...
swagger下载文件名中文乱码、swagger导出文件名乱码、swagger文件导出名称乱码、解决swagger中文下载乱码bug

swagger下载文件名中文乱码、swagger导出文件名乱码、swagger文件导出名称乱码、解决swagger中文下载乱码bug

文章目录 一、场景描述&#xff1a;swagger导出文件名称乱码二、乱码原因三、解决方法3.1、方法一、在浏览器中输入地址下载3.2、方法二、swagger升级为2.10.0及以上 四、可能遇到的问题4.1、DocumentationPluginsManager.java:152 一、场景描述&#xff1a;swagger导出文件名称…
阅读更多...
如何做好媒体邀约宣发

如何做好媒体邀约宣发

传媒如春雨&#xff0c;润物细无声&#xff0c;大家好&#xff0c;我是51媒体网胡老师。 如何做好媒体邀约&#xff1a;7个步骤&#xff0c;3个注意点&#xff0c;1个提醒。 一&#xff0c;媒体邀约七步走 明确活动的目的&#xff1a;首先&#xff0c;明确媒体邀约宣发的目标…
阅读更多...
小白跟做江科大32单片机之定时器输出比较

小白跟做江科大32单片机之定时器输出比较

原理部分 背景 GPIO口是数字输出端口&#xff0c;只能输出1和0。但是通过PWM&#xff0c;可以使其控制LED呼吸灯亮灭的程度 1.通过CNT和CCR进行比较&#xff0c;可以输出一定频率和占空比的PWM波形 2.通用定时器有4个CCR&#xff0c;可同时输出4路PWM波形&#xff0c;但只有…
阅读更多...
vue-json-viewer组件 copyable失效，页面并不现实copy按钮

vue-json-viewer组件 copyable失效，页面并不现实copy按钮

<json-viewer :value"props.row.param_detail.query" :expand-depth"10" copyable> </json-viewer> 官方文档中&#xff0c;说明&#xff0c;只要在json-viewer中加入 copyable属性&#xff0c;即可实现copy功能&#xff0c;如下图&#xff1…
阅读更多...
最新文章

Copyright @ 2022~2023