CN115797868A - 一种监测对象的行为预警方法、系统、装置和介质 - Google Patents
一种监测对象的行为预警方法、系统、装置和介质 Download PDFInfo
- Publication number
- CN115797868A CN115797868A CN202211598375.3A CN202211598375A CN115797868A CN 115797868 A CN115797868 A CN 115797868A CN 202211598375 A CN202211598375 A CN 202211598375A CN 115797868 A CN115797868 A CN 115797868A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- behavior
- early warning
- coefficient
- monitoring data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本说明书提供一种监测对象的行为预警方法、系统、装置和介质,该方法包括:获取采集装置采集的监测数据,监测数据包括图像数据和声音数据中至少一种;基于监测数据,确定是否存在监测对象;响应于存在,基于监测数据获取监测对象的行为特征和监测对象所处的环境特征;基于行为特征和环境特征确定预警系数;响应于预警系数满足预设条件,发出预警通知。
Description
交叉引用
本申请请求2022年8月26日提交的中国申请202211035476.X的优先权,全部内容通过引用并入本文。
技术领域
本说明书涉及行为监测技术领域,特别涉及一种监测对象的行为预警方法、系统、装置和介质。
背景技术
随着社会经济发展和居民生活水平的提高,人口老龄化问题将愈发突出。当前,我国已经进入老龄化社会且呈现加速发展态势,独居老人的陪护问题日渐成为人们关注的焦点之一。除老人以外,对于行动不便的残疾人及病人等群体也需要花费一定的医疗资源及人力成本方可实现良好的看护照料效果。因此,如何针对老人、残疾人及病人或其他行动不便的监测对象进行及时有效的看护,是一个亟待解决问题。
因此,需要一种适用性较强的行为预警方法,以实现对有需要的群体进行智能化看护,满足在复杂多变环境中的使用需要,提高行为预警的准确度。
发明内容
本说明书一个或多个实施例提供一种监测对象的行为预警方法,所述方法包括:获取采集装置采集的监测数据,监测数据包括图像数据和声音数据中至少一种;基于监测数据,确定是否存在监测对象;响应于存在,基于监测数据获取监测对象的行为特征和监测对象所处的环境特征;基于行为特征和环境特征确定预警系数;响应于预警系数满足预设条件,发出预警通知。
本说明书一个或多个实施例提供一种监测对象的行为预警系统,系统包括:第一获取模块,用于获取采集装置采集的监测数据,监测数据包括图像数据和声音数据中至少一种;第一确定模块,用于基于监测数据,确定是否存在监测对象;第二获取模块,用于响应于存在监测对象,基于监测数据获取监测对象的行为特征和监测对象所处的环境特征;第二确定模块,用于基于行为特征和环境特征确定预警系数;预警模块,用于响应于预警系数满足预设条件,发出预警通知。
本说明书一个或多个实施例提供一种监测对象的行为预警装置,包括处理器,所述处理器用于执行一种监测对象的行为预警方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行一种监测对象的行为预警方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的监测对象的行为预警系统的示例性模块图;
图2是根据本说明书一些实施例所示的监测对象的行为预警方法的示例性流程图;
图3是根据本说明书一些实施例所示的对象识别模型的示例性示意图;
图4是根据本说明书一些实施例所示的行为识别模型和环境识别模型的示例性示意图;
图5是根据本说明书一些实施例所示的确定预警系数方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的监测对象的行为预警系统的示例性模块图。如图1所示,监测对象的行为预警系统100可以包括第一获取模块110、第一确定模块120、第二获取模块130、第二确定模块140和预警模块150。
第一获取模块110可以用于获取采集装置采集的监测数据,监测数据包括图像数据和声音数据中至少一种。关于相关术语以及获取方法的更多说明,参见图2及其相关描述。
第一确定模块120可以用于基于监测数据,确定是否存在监测对象。关于相关术语以及获取方法的更多说明,参见图2及其相关描述。
第二获取模块130可以用于响应于存在监测对象,基于监测数据获取监测对象的行为特征和监测对象所处的环境特征。关于相关术语以及获取方法的更多说明,参见图2及其相关描述。
第二确定模块140可以用于基于行为特征和环境特征确定预警系数。关于相关术语以及获取方法的更多说明,参见图2及其相关描述。
预警模块150可以用于响应于预警系数满足预设条件,发出预警通知。关于相关术语以及获取方法的更多说明,参见图2及其相关描述。
在一些实施例中,图1中披露的第一获取模块、第一确定模块、第二获取模块、第二确定模块和预警模块可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的监测对象的行为预警方法的示例性流程图。在一些实施例中,该流程可以由监测对象的行为预警系统100执行。如图2所示,流程200可以包括以下步骤:
步骤210,获取采集装置采集的监测数据,监测数据包括图像数据和声音数据中至少一种。
采集装置可以包括用于获取监测数据的装置。采集装置可以包括各种采集图像数据和/或声音数据的装置和/或设备。例如,采集装置可以包括但不限于照相机、摄像机和摄像头等摄像装置。又例如,采集装置可以包括但不限于声音传感器和麦克风等。
摄像装置可以为各种获取图像的设备,包括但不限于监控器、摄像头和/或摄像机等。在一些实施例中,摄像装置可以获取包含有监测对象动作信息的图像。例如,获取老人滑倒动作的图像等。在一些实施例中,摄像装置可以通过各种可行的方式获取图像,包括但不限于连续获取、定时获取等。在一些实施例中,摄像装置可以有多个,多个摄像装置可以放置不同位置,以同时获取不同角度的图像信息。
监测数据是基于采集装置获取的数据,监测数据可以包括但不限于图像数据和声音数据。例如,图像数据可以包括但不限于图片、视频或录像等。又例如,声音数据可以包括但不限于语音、物体声音或设备声音等。
在一些实施例中,可以通过多种采集装置获取监测数据。例如,可以通过被放置在房间内多个角落的摄像头来获取不同角度和方向的图像数据;又例如,可以通过被安置在不同房间的声音传感器,获取不同区域的声音数据。关于采集装置的更多说明,可参见图1及其相关描述。
步骤220,基于监测数据,确定是否存在监测对象。
监测对象可以指需要监测其行为是否需要预警的目标对象。例如,监测对象可以包括但不限于老人、残疾人等,行动不便或生活不能自理的人等。
在一些实施例中,可以通过分析监测数据中的图像数据和声音数据,来确定是否存在监测对象。例如,可以预先确定一个或多个需要监测行为的目标对象作为监测对象,当基于采集装置获取的图像数据中包括该目标对象时,或者当声音数据中包括该目标对象的声音时,则确定存在监测对象。关于基于图像数据确定是否存在监测对象的更多说明,参见本说明书其他部分的内容(如,图3及其相关描述)。
在一些实施例中,目标对象的声音可以包括该目标对象的语音或特定物体的声音。例如,目标对象的声音可以为该目标对象说话或咳嗽的声音。又例如,目标对象的声音可以包括该目标对象所携带手机的铃声等。
监测对象可以包括年龄大于一定数值的人、病人和/或活动不便的人。例如,监测对象可以包括但不限于年龄大于60岁的人;又例如,监测对象可以是腿脚不灵活的残疾人等。
在一些实施例中,可以利用监测模型,确定监测对象,其中监测模型可以包括特征提取层和输出层。例如,监测模型可以包括卷积神经网络模型、深度神经网络模型、循环神经网络模型或其他自定义的模型结构等中的任意一种或组合。
在一些实施例中,特征提取层的输入可以包括摄像装置获取的图像数据,其输出可以包括识别特征。例如,识别特征可以包括但不限于皮肤皱纹、行走速率、驼背程度、头发颜色以及外置物等,其中,外置物可以包括拐杖、轮椅和/或石膏绷带等。
在一些实施例中,输出层的输入可以包括识别特征,其输出可以包括图像数据中的监测对象的数量,示例地,当输出为0时,可以表示图像数据中没有监测对象。
在一些实施例中,监测模型的特征提取层以及输出层的参数可以通过利用多组带有标签的训练样本进行训练得到。训练样本可以包括样本图像数据,训练样本的标签可以包括样本图像数据中的监测对象及其数量。训练样本可以基于历史数据获取,训练样本的标签可以通过人工对样本图像数据进行标注获取。将多组带有标签的训练样本输入初始监测模型,基于初始监测模型的输出和标签构建损失函数,基于损失函数迭代更新初始监测模型的参数,直至损失函数满足预设条件。例如,损失函数收敛,或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成,得到训练好的监测模型。其中,监测模型和训练好的初始监测模型具备相同的模型结构。应当理解的是,在对监测模型进行上述训练时,监测模型可以基于标签学习如何辨别样本图像数据中的监测对象,进一步的确定出监测对象数量保证模型训练的准确度。
在一些实施例中,特征提取层的输出可以为输出层的输入,特征提取层和输出层可以通过联合训练得到。例如,向特征提取层输入训练样本数据,即样本图像信息,得到特征提取层输出的识别特征;然后将识别特征作为训练样本数据输入输出层,得到输出层输出的监测对象数量,使用样本监测对象数量对输出层的输出进行验证;利用神经网络模型的反向传播特性,得到特征提取层输出的识别特征的验证数据,使用该识别特征的验证数据作为标签对特征提取层进行训练,直至获取训练好的特征提取层和输出层。
又例如,将样本图像数据输入初始特征提取层,将样本识别特征输入初始输出层,基于标签和初始输出层预测的结果构造损失函数,并同时更新初始特征提取层和初始输出层的参数,直到训练的特征提取层和输出层满足预设条件,获取训练好的特征提取层和输出层,进而获取训练好的监测模型。在一些实施例中,迭代更新模型参数的方法可以包括随机梯度下降等常规的模型训练方法。
在本说明书一些实施例中,基于监测模型可以比较准确和快速地确定图像数据里是否包含监测对象以及其数量,从而可以及时进行分析处理,满足用户需求,提高预警效率。
在一些实施例中,还可以利用声音识别模型对声音数据处理,确定是否存在监测对象,其中,声音识别模型可以包括声音特征提取层和判断层。声音识别模型、声音特征提取层和判断层可以为卷积神经网络或深度神经网络或其组合得到的模型等。
在一些实施例中,声音特征提取层的输入可以包括声音数据,其输出可以包括声音特征;判断层的输入可以包括声音特征,其输出可以包括是否存在监测对象。例如,当判断层判断存在监测对象的概率大于一个概率阈值时,则输出存在监测对象,其中,概率阈值可以是人工预设的数值,例如90%。
声音特征可以指基于声音数据提取的信号特征。例如,声音特征可以包括但不限于语音信号向量或物体声波信号向量等;又例如,声音特征可以包括基于声音数据转换得出的能量特征或频谱特征等;又例如,声音特征还可以包括但不限于语音所对应人的性别和/或年龄等。
在一些实施例中,声音特征提取层可以通过建立判断模型,对声音特征提取层进行训练获得。判断模型可以包括两个嵌入层和一个判断层。两个嵌入层为嵌入层1和嵌入层2,可以具有相同的初始参数,且参数共享,在训练中进行参数迭代更新时,两个嵌入层的参数可以同步更新。判断模型的训练样本数据可以为多个相同分类,其中,分类可以为是监测对象的声音和不是监测对象的声音;训练标签可以指训练样本是否为同一分类。
将两个相同分类的训练样本数据分别输入至嵌入层1和嵌入层2,然后将嵌入层1和嵌入层2分别输出的嵌入特征1和嵌入特征2输入判断层,基于判断层输出的预测结果与标签构建损失函数,以更新两个嵌入层和判断层模型的参数,得到训练好的判断模型,进而得到训练好的声音特征提取层。
在一些实施例中,声音特征提取层的输出可以作为判断层的输入,声音特征提取层和判断层可以通过联合训练得到。
在一些实施例中,联合训练的样本数据可以包括样本声音数据,标签可以为是否存在监测对象,例如,存在则标签为1,不存在则为0。样本数据可以基于历史数据获取,标签可以通过人工标注确定。将样本声音数据输入声音特征提取层,获取其输出的声音特征;将声音特征提取层输出的声音特征作为训练样本数据输入判断层,得到判断层输出的存在监测对象的概率。基于标签与判断层的输出结果构造损失函数,同步更新判断层和声音特征提取层;通过参数更新,得到训练好的声音特征提取层和判断层。
在本说明书一些实施例中,通过使用声音识别模型对声音数据进行分析,可以比较快速准确地判断是否存在监测对象,满足使用要求。
在一些实施例中,可以在第一次使用监测对象的行为预警系统100时,将监测对象的声音录入系统,以便后续进行识别和检测。
在一些实施例中,声音识别模型还可以基于声音特征提取层输出的声音特征,基于该声音特征确定声音所属对象的年龄,响应于年龄大于预设的年龄阈值时,将该声音所属的对象确定为监测对象。
在一些实施例中,声音识别模型还可以包括等级确定层,等级确定层的输入可以包括声音特征提取层输出的声音特征,等级确定层的输出为监测等级。其中,声音特征可以包括但不限于能量特征、频谱特征、年龄和/或性别等。等级确定层可以为卷积神经网络或深度神经网络或其组合得到的模型等。
监测等级可以指对监测对象进行监测的级别。例如,监测等级可以用数字1~9表示,其中,数字越大表示监测等级越高。可以理解的是,监测对象对应的监测等级越高,表示监测对象更需要被频繁地监测,且监测频率越高。
在一些实施例中,当判断层输出结果为不存在监测对象时,则等级确定层输出结果为0。
在一些实施例中,等级确定层可以通过对多个带有标签的训练样本进行训练得到。其中,训练样本可以包括样本声音特征,标签可以为监测等级。训练样本及标签可以基于历史数据获取。例如,可以将多个带有标签的训练样本输入初始等级确定层,基于标签和初始等级确定层的输出结果构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新初始等级确定层的参数。当满足预设条件时模型训练完成,得到训练好的等级确定层。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,声音特征提取层的输出可以作为等级确定层的输入,声音特征提取层和等级确定层可以通过联合训练得到。
在一些实施例中,联合训练的样本数据可以包括样本声音数据,标签可以为样本监测等级。样本数据可以基于历史数据获取,标签可以通过人工标注确定。关于联合训练的更多说明,可以参见声音特征提取层和判断层的联合训练内容。
在本说明书一些实施例中,通过在声音识别模型中加入的等级确定层,通过确定监测等级,可以有针对性地对不同监测对象实施不同的监测方案,以满足用户需求,提高监测效率。
步骤230,响应于存在,基于监测数据获取监测对象的行为特征和监测对象所处的环境特征。
行为特征可以指与监测对象所做的行为信息有关的特征。例如,行为特征可以包括但不限于动作、表情等基于行为信息提取的特征。
环境特征可以指监测对象所处环境的环境信息有关的特征。例如,环境特征可以包括但不限于环境类型和环境空间大小等基于环境信息提取的特征。
行为信息可以指基于图像数据确定的监测对象的行为数据。例如,行为信息可以包括监测对象的动作信息和面部信息,其中,动作信息可以包括但不限于走动、抽动、颤抖、捂胸口等,面部信息可以包括但不限于痛苦表情、张大口和/或面部扭曲等。
环境信息可以指基于图像数据确定的监测对象周围的环境数据。例如,环境信息可以包括室内环境、室外环境、厨房环境和/或卧室环境等。
在一些实施例中,可以基于特征模型确定行为信息和环境信息。例如,特征模型可以包括卷积神经网络模型、深度神经网络模型、循环神经网络模型或其他自定义的模型结构等中的任意一种或组合。
特征模型的输入可以包括摄像装置获取的图像数据,其输出可以包括行为信息和环境信息。
在一些实施例中,特征模型可以基于对监测模型中的特征提取层进行训练来获取。关于特征模型如何训练的更多说明,参见监测模型关于模型训练的相关内容。
在一些实施例中,可以通过对监测数据中的图像数据和/或声音数据进行分析,来获取行为特征和环境特征。关于如何获取行为特征和环境特征的更多说明,参见本说明书其他部分的内容(如,图4及其相关内容)。
步骤240,基于行为特征和环境特征确定预警系数。
预警系数可以指与行为预警有关的系数。例如,预警系数可以为预先设定的,根据监测对象所处环境不同和行为不同而变更的危险系数。可以理解的是,预警系数可以是衡量监测对象是否可能发生危险的量化指标,当预警系数较大时,监测对象可能会处于危险状况之中。
在一些实施例中,可以通过对行为特征和环境特征进行分析,确定预警系数。例如,可以预先针对不同的行为特征和环境特征设定不同的预警系数,然后通过查表或预设规则进行匹配的方式,确定监测对象对应的预警系数。例如,可以根据当前的行为特征和环境特征建立待匹配向量,然后基于预先确定的不同的行为特征和环境特征建立参考向量并形成参考数据库。参考数据库中包括多个参考向量,以及参考向量对应的预警系数。可以通过分别计算待匹配向量与参考向量之间的距离,确定待匹配向量对应的预警系数。例如,将与待匹配向量之间的距离满足预设条件的参考向量作为目标向量,将目标向量对应的预警系数作为待匹配向量对应的预警系数。预设条件可以根据情况设定。例如,预设条件可以是向量距离最小或向量距离小于距离阈值等。
预警系数可以指与监测对象护理风险大小有关的预警数值,可以理解地,预警系数越大,监测对象发生危险的可能性越大。
在一些实施例中,可以分别对不同的行为信息和环境信息,赋予不同的预警权重,其中,预警权重可以用来反映不同行为信息和环境信息潜在的危险程度,可以理解地,预警权重越大,危险程度越高。
在一些实施例中,可以利用权重模型确定预警权重,其中权重模型可以包括第一提取层、第二提取层、行为权重输出层以及环境权重输出层。例如,权重模型的第一提取层、第二提取层、行为权重输出层以及环境权重输出层可以包括卷积神经网络模型、深度神经网络模型、循环神经网络模型或其他自定义的模型结构等中的任意一种或组合。
在一些实施例中,第一提取层的输入可以包括行为信息,其输出可以包括行为特征;第二提取层的输入可以包括环境信息,其输出可以包括环境特征;行为权重输出层的输入可以包括行为特征和环境特征,其输出可以包括行为权重;环境权重输出层的输入可以包括环境特征和行为特征,其输出可以包括环境权重。
在一些实施例中,权重模型的第一提取层、第二提取层、行为权重输出层以及环境权重输出层的参数可以分别通过联合训练得到。其中,权重模型联合训练的样本数据可以包括样本行为信息和样本环境信息,标签可以分别为样本行为权重和样本环境权重。关于联合训练的更多说明,参见监测模型关于模型训练的相关内容。
在一些实施例中,可以利用多种可行的方法,基于行为信息、环境信息以及行为权重和环境权重,确定预警系数。例如,可以根据实际情况,利用数学函数计算预警系数,通过对分别对不同行为信息和环境信息赋予不同的行为危险系数或环境危险系数,则计算出的预警系数可以等于:行为危险系数*行为权重+环境危险系数*环境权重。
在本说明书一些实施例中,通过分别对不同行为信息和环境信息赋予不同的预警权重,进而确定不同环境下的监测对象的不同危险程度,确定结果充分考虑了环境因素的影响,比较符合实际,能够满足用户需求。
关于如何确定预警系数的更多说明,参见图5及其相关描述。
可以理解的是,同一行为特征如果对应不同的环境特征,其预警系数可能不同。关于如何确定预警系数的更多说明,可参见本说明书其他部分的内容。
步骤250,响应于预警系数满足预设条件,发出预警通知。
预设条件可以是预警系数大于等于预警阈值,预警阈值可以与环境特征有关。在一些实施例中,可以针对不同的环境特征设定不同的预警阈值。例如,可以设定厨房的预警阈值小于卧室的预警阈值。可以理解的是,环境危险程度较小时,预警阈值可以设定一个较大值。关于预警阈值的更多说明,可参见图4及其相关描述。
通过规定一个符合实际的预警阈值,当预警系数大于等于预警阈值时就发出预警通知,能够满足用户需求,减少误报或错报现象的发生。
在一些实施例中,预设条件可以是预警系数大于等于阈值。
例如,预先设定的阈值为0.55,当预警系数大于等于0.55时,判断其满足预设条件。
在一些实施例中,不同的环境信息,其对应的阈值可以不同。阈值可以根据环境的危险程度和监测对象所处的时间及频率设置。例如,卧室对应的阈值可以为0.88,而楼梯口对应的阈值可以为0.34。
本说明书一些实施例中,通过对不同环境设置不同的阈值,充分考虑了不同环境的危险程度,进而可以比较准确地确定监测对象的护理风险大小,比较符合实际情况需要。
预警通知可以是关于监测对象可能处于危险状况的通知。在一些实施例中,当预警系数满足预设条件时,可以由处理器发出预警通知。例如,处理器可以发出语音、视频和/或文字预警通知。该预警通知可以为现场语音提示,也可以被发送至该监测对象的紧急联系人的终端设备。
在本说明书一些实施例中,通过对采集装置获取的监测数据进行分析处理,确定监测对象以及其预警系数,并决定是否发出预警通知,可以在综合考虑图像数据、声音数据以及不同环境特征影响的情况下,确定比较合理且符合实际情况的监测对象危险程度,以便及时做出处理,准确度较高,在一定程度上减少了误报预警的发生。
应当注意的是,上述有关流程200的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的对象识别模型的示例性示意图。
在一些实施例中,可以利用对象识别模型对监测数据进行处理,确定监测对象的数量。可以理解的是,当确定的监测对象数量为0时,表示不存在监测对象。对象识别模型可以为卷积神经网络、循环神经网络或深度神经网络或其组合得到的模型等。关于监测数据和监测对象的更多说明,可参见图2及其相关描述。
在一些实施例中,采集装置的采样率和/或对象识别模型的识别频率可以与监测等级相关。
采样率可以指采集装置获取监测数据的频率。例如,采样率可以是3次/分钟。
识别频率可以指对象识别模型对监测数据进行分析的频率。例如,识别频率可以是5次/分钟。
当监测等级较高时,采集装置的采样率和/或对象识别模型的识别频率也可以随之提高,以满足用户不同的监测需求,提高行为监测预警的效率。
在一些实施例中,采集装置的采样率和/或对象识别模型的识别频率还可以与声音识别模型输出结果有关。例如,当对象识别模型输出结果为监测对象数量大于等于1个,但声音识别模型输出结果为没有监测对象时,可以适当提高采集装置的采样率和/或对象识别模型的识别频率;又例如,当对象识别模型输出结果为监测对象数量为0个,但声音识别模型输出结果为有监测对象时,可以提高采集装置的采样率和/或对象识别模型的识别频率。通过动态调整采集装置的采样率和/或对象识别模型的识别频率,以保证行为监测和预警的准确性。
如图3所示,对象识别模型320可以包括图像特征提取层321和识别层322。其中,图像特征提取层321和识别层322可以为卷积神经网络、循环神经网络或深度神经网络或其组合得到的模型等。
在流程300中,图像特征提取层321的输入可以包括图像数据310,其输出可以包括图像特征330;识别层322的输入可以包括图像特征330,其输出可以包括监测对象数量340。关于图像数据的更多说明,可参见图2及其相关描述。
图像特征330可以指与图像数据有关的特征向量。例如,图像特征330可以是矩阵形式,矩阵中的每一个元素可以表征对应图像位置的灰度值。又例如,图像特征330可以包括但不限于皮肤皱纹、行走速率、驼背程度、头发颜色以及外置物等特征,其中,外置物可以包括拐杖或轮椅等。
在一些实施例中,在一些实施例中,图像特征提取层可以通过建立判别模型,对图像特征提取层进行训练获得。判别模型可以包括两个嵌入层和一个判断层。两个嵌入层为嵌入层3和嵌入层4,可以具有相同的初始参数,且参数共享,在训练中进行参数迭代更新时,两个嵌入层的参数可以同步更新。判别模型的训练样本数据可以为多个相同分类,其中,分类可以为是图像中监测对象的数量,如,0个、1个或3个等;训练标签可以指训练样本是否为同一分类。
将两个相同分类的训练样本数据分别输入至嵌入层3和嵌入层4,然后将嵌入层3和嵌入层4分别输出的嵌入特征3和嵌入特征4输入判别层,基于判别层输出的预测结果与标签构建损失函数,以更新两个嵌入层和判别层模型的参数,得到训练好的判别模型,进而得到训练好的图像特征提取层。
在一些实施例中,图像特征提取层321的输入可以作为识别层322的输出,图像特征提取层321和识别层322可以通过联合训练得到。
在一些实施例中,联合训练的样本数据包括样本图像数据,标签为样本监测对象数量。样本数据可以基于历史数据获取,标签可以通过人工标注确定。
将样本图像数据输入图像特征提取层321,得到图像特征提取层321输出的图像特征;将图像特征作为训练样本数据输入识别层322,得到识别层322输出的监测对象数量。基于样本监测对象数量和识别层322输出的监测对象数量构建损失函数,同步更新图像特征提取层321和识别层322。通过参数更新,得到训练好的图像特征提取层321和识别层322。
在本说明书一些实施例中,通过使用训练好地对象识别模型对图像数据进行分析处理,可以比较快速准确地确定监测对象的数量,以便进一步进行分析。
图4是根据本说明书一些实施例所示的行为识别模型和环境识别模型的示例性示意图。
在一些实施例中,可以利用行为识别模型对监测数据进行处理获取行为特征,以及利用环境识别模型对监测数据进行处理获取环境特征。行为识别模型和环境识别模型可以为卷积神经网络、循环神经网络或深度神经网络或其组合得到的模型等。关于行为特征和环境特征的更多说明,参见图2及其相关描述。
如图4所示,行为识别模型430可以包括图像特征提取层321和行为确定层432;环境识别模型440可以包括图像特征提取层321和环境确定层441。行为确定层432和环境确定层441可以为卷积神经网络、循环神经网络或深度神经网络或其组合得到的模型等。关于图像特征提取层321的更多说明,可参见图3及其相关描述。
在一些实施例中,行为识别模型430和环境识别模型440还可以包括声音特征提取层431。关于声音特征提取层431的更多说明,可参见本说明书图2关于声音识别模型的相关内容。
在流程400中,图像特征提取层321的输入可以包括图像数据310,其输出可以包括图像特征330;声音特征提取层431的输入包括声音数据410,其输出可以包括声音特征450;行为确定层432和环境确定层441的输入可以包括图像特征330和声音特征450,行为确定层432的输出可以包括行为特征460,环境确定层441的输出可以包括环境特征470。关于相关特征的更多说明,可参见本说明书其他部分的内容(如,图2或图3及其相关描述)。
在一些实施例中,声音数据410可以包括但不限于监测对象的声音数据和/或环境声音数据。例如,声音数据410可以包括但不限于监测对象的语音信息、物体掉落声音和/或电器开关声音等。
在一些实施例中,环境特征470还可以与预警系数对应的预设条件有关。例如,预设条件中的预警阈值可以基于环境特征470确定,不同的环境特征470可以对应不同的预警阈值。关于预警阈值的更多说明,可参见图2及其相关描述。
在一些实施例中,图像特征提取层321和声音特征提取层431的输出可以分别作为行为确定层432和环境确定层441的输入,图像特征提取层321、声音特征提取层431以及行为确定层432和环境确定层441可以通过联合训练获得。关于联合训练的更多说明,可参见本说明书其他部分的内容(如,图3及其相关描述)。
在一些实施例中,声音特征提取层431可以通过对对多个带有标签的训练样本进行训练得到。其中,训练样本可以包括多个预设的不同类型的声音数据,如撞击声、摔倒声、爆炸声、喊叫声等声音数据。标签可以为声音特征。关于模型训练的更多内容,可参见等级确定层的模型训练内容。
在本说明书一些实施例中,通过使用训练好的行为识别模型和环境识别模型对图像数据和声音数据进行处理,可以比较快速准确地获取行为特征和环境特征,以便及时进行进一步分析处理。此外,通过使用前述实施例中已经建立和训练好的图像特征提取层和声音特征提取层作为模型的一部分,可以提高模型建立和训练的效率,减少模型训练成本。
图5是根据本说明书一些实施例所示的确定预警系数方法的示例性流程图。在一些实施例中,该流程可以由监测对象的行为预警系统100执行。如图5所示,流程500可以包括以下步骤:
步骤510,基于行为特征和环境特征,确定行为特征对应的第一危险系数和环境特征对应的第二危险系数。
关于行为特征和环境特征的更多说明,可参见本说明书其他部分的内容(如,图4及其相关描述)。
第一危险系数可以指与监测对象的行为特征有关的系数。例如,第一危险系数可以用数字表示,如1.2等。可以理解的是,第一危险系数越大,监测对象行为的危险程度越高。
第二危险系数可以指与监测对象所处的环境特征有关的系数。例如,第二危险系数可以用数字表示,如1.5等。可以理解的是,第二危险系数越大,监测对象所处环境的危险程度越高。
在一些实施例中,第一危险系数和第二危险系数的确定,可以同时受到不同行为特征和环境特征的影响。例如,对于监测对象的跌倒行为,如果是跌倒在床上,危险性可能比较小,则可以确定一个较小的第一危险系数;如果是跌倒在厨房或楼梯口,危险性可能比较大,则可以确定一个较大的第一危险系数。又例如,对于监测对象的行走行为,如果是在厨房走动,危险性可能较小,则可以确定一个较小的第一危险系数;如果是在床上走动,危险性可能较大,则可以确定一个较大的第一危险系数。又例如,对于包括厨房的环境特征,如果监测对象在厨房静坐,危险性可能较小,则可以确定一个较小的第二危险系数;如果监测对象在厨房使用刀具,危险性可能较大,则可以确定一个较大的第二危险系数。
在一些实施例中,可以通过查表、统计分析或建模等方法,确定第一危险系数和第二危险系数。例如,可以根据不同的行为特征和环境特征或其组合,预先设定其对应的第一危险系数和第二危险系数并建立数据表,通过查询数据表的方式,可以快速地确定当前行为特征和环境特征对应的第一危险系数和第二危险系数。
在一些实施例中,还可以使用系数模型对行为特征和环境特征进行分析,确定第一危险系数和第二危险系数。系数模型可以为卷积神经网络、循环神经网络或深度神经网络或其组合得到的模型等。
在一些实施例中,系数模型可以包括第一确定层和第二确定层。其中,第一确定层和第二确定层可以为卷积神经网络、循环神经网络或深度神经网络或其组合得到的模型等。
第一确定层的输入可以包括行为特征和环境特征,其输出可以包括第一危险系数;第二确定层的输入可以包括环境特征和行为特征,其输出可以包括第二危险系数。
在一些实施例中,第一确定层和第二确定层可以分别通过对多个带有标签的训练样本进行训练得到。其中,训练样本可以包括样本行为特征和样本环境特征或其组合等,标签可以为人工设定的,样本行为特征和样本环境特征或其组合对应的第一危险系数或第二危险系数。训练样本及标签可以基于历史数据确定。例如,可以将多个带有标签的训练样本输入初始第一确定层或初始第二确定层,基于标签和初始第一确定层或初始第二确定层的输出结果构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新初始第一确定层或初始第二确定层的参数。当满足预设条件时模型训练完成,得到训练好的第一确定层和/或第二确定层。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在系数模型中,可以基于实际输入的行为特征和环境特征与上述样本行为特征和环境特征的相似度大小,系数模型计算并输出两个权重数据。可以理解的是,相似度越高,则系数模型输出的结果越接近样本行为特征和样本环境特征作为系数模型输入时的输出结果。
在本说明书一些实施例中,通过使用训练好的系数模型对行为特征和环境特征进行分析,可以比较快速准确地分别确定第一危险系数和第二危险系数,以便及时进行进一步分析,提高数据分析处理效率。
步骤520,对第一危险系数和第二危险系数进行融合,确定预警系数。
关于预警系数的更多说明,参见本说明书其他部分的内容(如,图2及其相关描述)。
融合可以指基于第一危险系数和第二危险系数,按预设方法进行计算的过程。预设方法可以包括多种,例如,加权求和等。
在一些实施例中,加权求和可以指分别预先确定两个不同的权重因子α和β,然后预警系数可以为:第一危险系数*α+第二危险系数*β。其中,α和β的大小可以分别与监测对象的行为或所处环境的危险程度确定。例如,可以根据监测对象不同的行为,如行走、静坐或摔倒等,分别确定行走对应的α值为0.4,静坐对应的α值为0.2,摔倒对应的α值为0.85等;又例如,可以根据监测对象所处的不同环境,如卧室、厨房或走廊等,分别确定卧室对应的β值为0.3,厨房对应的β值为0.85,走廊对应的β值为0.5等。
在一些实施例中,融合还可以包括对声音危险系数、第一危险系数和第二危险系数三者,按预设方法进行计算的过程。预设方法可以包括多种,例如,加权求和等。
声音危险系数可以指与监测对象声音有关的系数。例如,声音危险系数可以用数字表示,如1.2等。又例如,可以根据不同的声音特征类型,预先设定不同的声音危险系数,如,可以预先设定尖叫声的声音危险系数为0.9,可以预先设定哭声的声音危险系数为0.85,可以预先设定笑声和说话声的声音预警系数为0等。关于声音特征的更多说明,可参见本说明书图2及其相关描述。
在一些实施例中,预警系数还可以表示为:第一危险系数*α+第二危险系数*β+声音危险系数。例如,监测对象在卧室中摔倒,且发出尖叫声,通过系数模型确定的第一危险系数和第二危险系数分别为0.7和0.3,α和β分别为0.85和0.3,声音危险系数为0.9,则可以得出预警系数为0.7*0.85+0.3*0.3+0.9=1.585。
通过考虑声音危险系数作为确定预警系数的因素,可以使预警系数的确定更准确,且符合实际情况,充分满足使用需求。
在一些实施例中,采集装置的采样率和图像识别模型的识别频率还可以与预警系数有关,如,预警系数越大,则采集装置的采样率和图像识别模型的识别频率越高。采集装置的采样率和图像识别模型的识别频率与预警系数大小关联,可以使采集装置的采样率和图像识别模型的识别频率更符合实际,且能够根据实际情况变化及时做出调整,以满足使用需求。
关于采集装置的采样率和图像识别模型的识别频率的更多说明,参见本说明书其他部分的内容(如,图3及其相关描述)。
在本说明书一些实施例中,通过根据不同的行为特征和环境特征确定不同的第一危险系数和第二危险系数,并通过融合的方法进一步确定预警系数,以便在监测对象的行为和/或所处环境达到一定危险程度后发出预警,以满足用户安全需求。此外,通过将不同行为和/或环境的危险程度以量化值的形式表示,能够比较准确地评估监测对象是否处于或即将处于危险,且具有较高的准确度,能够在一定程度上避免误判现象的发生。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种监测对象的行为预警方法,其特征在于,所述方法包括:
获取采集装置采集的监测数据,所述监测数据包括图像数据和声音数据中至少一种;
基于所述监测数据,确定是否存在监测对象;
响应于存在,基于所述监测数据获取所述监测对象的行为特征和所述监测对象所处的环境特征;
基于所述行为特征和所述环境特征确定预警系数;
响应于所述预警系数满足预设条件,发出预警通知。
2.根据权利要求1所述的方法,其特征在于,所述基于所述监测数据,确定是否存在监测对象包括:
基于对象识别模型对所述监测数据进行处理,确定所述监测对象的数量,所述对象识别模型为机器学习模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述监测数据获取所述监测对象的行为特征和所述监测对象所处的环境特征包括:
基于行为识别模型对所述监测数据进行处理,确定所述行为特征;
基于环境识别模型对所述监测数据进行处理,确定所述环境特征;
所述行为识别模型和所述环境识别模型为机器学习模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述行为特征和所述环境特征确定预警系数包括:
基于所述行为特征和所述环境特征,确定所述行为特征对应的第一危险系数和所述环境特征对应的第二危险系数;
对所述第一危险系数和所述第二危险系数进行融合,确定所述预警系数。
5.一种监测对象的行为预警系统,其特征在于,所述系统包括:
第一获取模块,用于获取采集装置采集的监测数据,所述监测数据包括图像数据和声音数据中至少一种;
第一确定模块,用于基于所述监测数据,确定是否存在监测对象;
第二获取模块,用于响应于存在所述监测对象,基于所述监测数据获取所述监测对象的行为特征和所述监测对象所处的环境特征;
第二确定模块,用于基于所述行为特征和所述环境特征确定预警系数;
预警模块,用于响应于所述预警系数满足预设条件,发出预警通知。
6.根据权利要求5所述的系统,其特征在于,所述第一确定模块进一步用于:
基于对象识别模型对所述监测数据进行处理,确定所述监测对象的数量,所述对象识别模型为机器学习模型。
7.根据权利要求5所述的系统,其特征在于,所述第二获取模块进一步用于:
基于行为识别模型对所述监测数据进行处理,确定所述行为特征;
基于环境识别模型对所述监测数据进行处理,确定所述环境特征;
所述行为识别模型和所述环境识别模型为机器学习模型。
8.根据权利要求7所述的系统,其特征在于,所述第二确定模块进一步用于:
基于所述行为特征和所述环境特征,确定所述行为特征对应的第一危险系数和所述环境特征对应的第二危险系数;
对所述第一危险系数和所述第二危险系数进行融合,确定所述预警系数。
9.一种监测对象的行为预警装置,包括处理器,所述处理器用于执行权利要求1~4中任一项所述的监测对象的行为预警方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4任一项所述的监测对象的行为预警方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211035476X | 2022-08-26 | ||
CN202211035476 | 2022-08-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797868A true CN115797868A (zh) | 2023-03-14 |
Family
ID=85419741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211598375.3A Pending CN115797868A (zh) | 2022-08-26 | 2022-12-14 | 一种监测对象的行为预警方法、系统、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797868A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405771A (zh) * | 2023-06-08 | 2023-07-07 | 深圳市华卓智能科技有限公司 | 一种用于平板电脑的智能音视频采集方法和系统 |
CN116503335A (zh) * | 2023-03-31 | 2023-07-28 | 江苏省秦淮河水利工程管理处 | 一种水生物监测系统、方法、装置和存储介质 |
CN116991108A (zh) * | 2023-09-25 | 2023-11-03 | 四川公路桥梁建设集团有限公司 | 一种架桥机智慧管控方法、系统、装置及存储介质 |
CN117130016A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市麦微智能电子有限公司 | 基于北斗卫星的人身安全监测系统、方法、装置及介质 |
-
2022
- 2022-12-14 CN CN202211598375.3A patent/CN115797868A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503335A (zh) * | 2023-03-31 | 2023-07-28 | 江苏省秦淮河水利工程管理处 | 一种水生物监测系统、方法、装置和存储介质 |
CN116503335B (zh) * | 2023-03-31 | 2024-02-20 | 江苏省秦淮河水利工程管理处 | 一种水生物监测系统、方法、装置和存储介质 |
CN116405771A (zh) * | 2023-06-08 | 2023-07-07 | 深圳市华卓智能科技有限公司 | 一种用于平板电脑的智能音视频采集方法和系统 |
CN116405771B (zh) * | 2023-06-08 | 2023-09-05 | 深圳市华卓智能科技有限公司 | 一种用于平板电脑的智能音视频采集方法和系统 |
CN116991108A (zh) * | 2023-09-25 | 2023-11-03 | 四川公路桥梁建设集团有限公司 | 一种架桥机智慧管控方法、系统、装置及存储介质 |
CN116991108B (zh) * | 2023-09-25 | 2023-12-12 | 四川公路桥梁建设集团有限公司 | 一种架桥机智慧管控方法、系统、装置及存储介质 |
CN117130016A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市麦微智能电子有限公司 | 基于北斗卫星的人身安全监测系统、方法、装置及介质 |
CN117130016B (zh) * | 2023-10-26 | 2024-02-06 | 深圳市麦微智能电子有限公司 | 基于北斗卫星的人身安全监测系统、方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797868A (zh) | 一种监测对象的行为预警方法、系统、装置和介质 | |
Deep et al. | A survey on anomalous behavior detection for elderly care using dense-sensing networks | |
US20190216333A1 (en) | Thermal face image use for health estimation | |
Feng et al. | Deep learning for posture analysis in fall detection | |
CN112364696B (zh) | 一种利用家庭监控视频提高家庭安全的方法及系统 | |
US20190108841A1 (en) | Virtual health assistant for promotion of well-being and independent living | |
US20200035261A1 (en) | Sound detection | |
CN109492595B (zh) | 适用于固定群体的行为预测方法和系统 | |
Tasoulis et al. | Statistical data mining of streaming motion data for activity and fall recognition in assistive environments | |
WO2019137538A1 (en) | Emotion representative image to derive health rating | |
CN111227789A (zh) | 人体健康监护方法和装置 | |
CN110480656B (zh) | 一种陪护机器人、陪护机器人控制方法及装置 | |
KR101584685B1 (ko) | 시청 데이터를 이용한 기억 보조 방법 | |
CN112135568B (zh) | 信息处理装置、信息处理方法和程序 | |
Warunsin et al. | Wristband fall detection system using deep learning | |
CN110738120B (zh) | 环境数据调整方法及装置、电子设备及介质 | |
JP2004157614A (ja) | 行動分析装置 | |
CN110473616B (zh) | 一种语音信号处理方法、装置及系统 | |
CN118299013A (zh) | 基于ai的医养一体化数据管理方法及系统 | |
JP2019197509A (ja) | 介護ロボット、介護ロボット制御方法及び介護ロボット制御プログラム | |
Mithil et al. | An interactive voice controlled humanoid smart home prototype using concepts of natural language processing and machine learning | |
CN114830257A (zh) | 咳嗽检测系统和方法 | |
Pham et al. | A proposal model using deep learning model integrated with knowledge graph for monitoring human behavior in forest protection | |
WO2023286105A1 (ja) | 情報処理装置、情報処理システム、情報処理プログラム、及び情報処理方法 | |
CN113566395B (zh) | 空调器及其控制方法及装置、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |