一种吃饭行为识别方法、装置及家庭网关制造方法及图纸

本发明专利技术公开了一种吃饭行为识别方法、装置及家庭网关，其方法包括：获取用于表示用户行为的多维特征向量；计算多维特征向量与不同的行为聚类中心的距离；其中，行为聚类是对多个历史多维特征向量样本聚类得到的；当多维特征向量与吃饭行为聚类中心的距离最短时，确定用户行为是吃饭行为并记录。本发明专利技术通过对用户行为的历史数据进行聚类，得到不同的用户行为聚类作为用户行为的参考数据，以根据与各行为聚类中心的距离来自动识别新的一天中用户的吃饭行为，充分考虑了用户不同的生活习惯，保证了参考数据的可靠性，而且无需对用户进行监督避免了用户隐私泄露的问题。

Method, device and home gateway for identifying eating behavior

The invention discloses an eating behavior recognition method and device and home gateway, the method comprises the following steps: acquiring multidimensional feature vector for user behavior; computation of multidimensional feature vector and the behavior of different clustering center distance; the behavior of clustering is more historical multi dimension feature vector clustering; when multiple features vector and eating behavior clustering center distance in the short term, to determine the user behavior is eating behavior and record. The invention of clustering by using historical data on user behavior, user behavior clustering different user behavior as reference data, based on the automatic recognition of a new day in the customer and each cluster center distance to the behavior of eating behavior, give full consideration to the different user habits, to ensure the reliability of reference data, and without the need for user supervision to avoid the problem of user privacy.

【技术实现步骤摘要】
一种吃饭行为识别方法、装置及家庭网关
本专利技术涉及家庭智能化领域，尤其涉及一种吃饭行为识别方法、装置及家庭网关。
技术介绍
随着物联网技术的发展，家庭智能化越来越受到用户的青睐，尤其是独居老人更需要通过家庭智能化来监控其日常生活行为。例如吃饭行为，现有技术中常采用被动红外(PIR，Passiveinfrareddetectors)传感器或摄像头等装置对用户行为进行识别，并通过预设规则判断，例如：PIR传感器检测到用户进入厨房则判断其行为为做饭，或者图像视频识别技术直接识别出用户做饭或吃饭等行为动作。但是，由于不同用户的生活习惯可能存在较大差异，相同的规则不能适应所有用户，这就导致PIR传感器识别存在较大误差，识别结果不够准确；而图像视频识别技术虽能够直接识别用户行为，但存在隐私暴露的问题，且只能识别固定区域内的行为。
技术实现思路
本专利技术提供了一种吃饭行为识别方法、装置及家庭网关，解决了现有技术中用户吃饭行为识别方法中误判率高和隐私安全性差的问题。依据本专利技术的一个方面，提供了一种吃饭行为识别方法，包括：获取用于表示用户行为的多维特征向量；计算多维特征向量与不同的行为聚类中心的距离；其中，行为聚类是对多个历史多维特征向量样本聚类得到的；当多维特征向量与吃饭行为聚类中心的距离最短时，确定用户行为是吃饭行为并记录。其中，获取用于表示用户行为的多维特征向量的步骤包括：获取PIR传感器采集到的用于标识用户行为的多维特征向量。其中，多维特征向量包括：冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。其中，在计算多维特征向量与不同的行为聚类中心的距离的步骤之前，还包括：对多个历史多维特征向量样本进行聚类计算，得到不同的行为聚类。其中，对多个历史多维特征向量样本进行聚类计算，得到不同的行为聚类的步骤包括：获取最近前N天的历史多维特征向量样本，其中，N为正整数；采用K-means聚类算法对历史多维特征向量样本进行聚类计算，得到不同的行为聚类。其中，采用K-means聚类算法对历史多维特征向量样本进行聚类计算，得到不同的行为聚类的步骤包括：采用K-means聚类算法对历史多维特征向量样本进行聚类计算，得到不同的样本类目；计算相同样本类目下的多维特征向量样本之间的欧式距离；根据欧式距离的和与样本类目数目之间的关系，确定样本类目的最优数目以及对应样本类目的行为聚类。其中，在对多个历史多维特征向量样本进行聚类计算，得到不同的行为聚类的步骤之后，还包括：对多维特征向量中一个特定的特征维度按照预设规则排序，得到一排序结果；根据排序结果，确定行为聚类中的吃饭行为聚类。依据本专利技术的再一个方面，还提供了一种吃饭行为识别装置，包括：获取模块，用于获取用于表示用户行为的多维特征向量；第一计算模块，用于计算多维特征向量与不同的行为聚类中心的距离；其中，行为聚类是对多个历史多维特征向量样本聚类得到的；第一处理模块，用于当多维特征向量与吃饭行为聚类中心的距离最短时，确定用户行为是吃饭行为并记录。其中，获取模块包括：第一获取单元，用于获取PIR传感器采集到的用于标识用户行为的多维特征向量。其中，多维特征向量包括：冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。其中，该吃饭行为识别装置还包括：第二计算模块，用于对多个历史多维特征向量样本进行聚类计算，得到不同的行为聚类。其中，第二计算模块包括：第二获取单元，用于获取最近前N天的历史多维特征向量样本，其中，N为正整数；计算单元，用于采用K-means聚类算法对历史多维特征向量样本进行聚类计算，得到不同的行为聚类。其中，计算单元包括：第一计算子单元，用于采用K-means聚类算法对历史多维特征向量样本进行聚类计算，得到不同的样本类目；第二计算子单元，用于计算相同样本类目下的历史多维特征向量样本之间的欧式距离；处理子单元，用于根据欧式距离的和与样本类目数目之间的关系，确定样本类目的最优数目以及对应样本类目的行为聚类。其中，该吃饭行为识别装置还包括：排序模块，用于对多维特征向量中一个特定的特征维度按照预设规则排序，得到一排序结果；第二处理模块，用于根据排序结果，确定行为聚类中的吃饭行为聚类。依据本专利技术的再一个方面，还提供了一种家庭网关，包括如上所述的吃饭行为识别装置。本专利技术的实施例的有益效果是：通过对用户行为的历史数据进行聚类，得到不同的用户行为聚类作为用户行为的参考数据，以根据与各行为聚类中心的距离来自动识别新的一天中用户的吃饭行为，充分考虑了用户不同的生活习惯，保证了参考数据的可靠性，而且无需对用户进行监督避免了用户隐私泄露的问题。附图说明图1表示本专利技术的吃饭行为识别方法的流程示意图；图2表示本专利技术的吃饭行为识别装置的结构示意图；图3表示家庭智能化系统的组网示意图。具体实施方式下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。实施例一如图1所示，本专利技术的实施例提供了一种吃饭行为识别方法，具体包括：步骤S101：获取用于表示用户行为的多维特征向量。其中，该多维特征向量包括多个表征用户行为的特征维度，其中，不同的特征维度表示不同的用户行为特征。例如：第一特征维度表征用户停留时间、第二特征维度表征用户出入某一房间的次数。该多维特征向量具体可用多维向量表示亦可以采用列表形式表示，本实施例并不对该多维特征向量的表示形式以及包含几个特征维度做具体限定。步骤S102：计算多维特征向量与不同的行为聚类中心的距离。这里，行为聚类是对多个历史多维特征向量样本聚类得到的。其中，这里所说的历史多维特征向量样本与获取到的多维特征向量的特征维度相同，即历史多维特征向量样本可表征用户的历史行为，通过对多个历史多维特征向量样本进行聚类得到的行为聚类，可较为准确地总结用户的行为规律，因此行为聚类能够在一定程度上表征用户行为，因此可用于作为用户行为识别的参考数据。其中，通过对多个历史多维特征向量样本进行聚类可得到不同的行为聚类，例如：运动行为聚类、休息行为聚类、吃饭行为聚类、异常行为聚类等，具体地，历史多维特征向量样本中的特征维度不同，聚类得到的行为聚类的类型不同，本实施例仅以吃饭行为进行说明，因此本实施例中的历史多维特征向量样本中的特征维度均与吃饭行为相关。步骤S103：当多维特征向量与吃饭行为聚类中心的距离最短时，确定用户行为是吃饭行为并记录。其中，对与吃饭行为相关的历史多维特征向量样本进行聚类能够得到吃饭行为聚类，以及非吃饭行为聚类。当获取到的多维特征向量与吃饭行为聚类的中心的距离最短时，确定用户行为是吃饭行为并记录，当获取到的多维特征向量与非吃饭行为聚类的中心的距离最短时，确定用户行为不是吃饭行为并记录，便于用户后续查询记录，以了解某一天是否吃饭或未吃饭。通过对用户行为的历史数据进行聚类，得到不同的用户行为聚类作为用户行为的参考数据，以根据与各行本文档来自技高网...

【技术保护点】
一种吃饭行为识别方法，其特征在于，包括：获取用于表示用户行为的多维特征向量；计算所述多维特征向量与不同的行为聚类中心的距离；其中，所述行为聚类是对多个历史多维特征向量样本聚类得到的；当所述多维特征向量与吃饭行为聚类中心的距离最短时，确定所述用户行为是吃饭行为并记录。

【技术特征摘要】
1.一种吃饭行为识别方法，其特征在于，包括：获取用于表示用户行为的多维特征向量；计算所述多维特征向量与不同的行为聚类中心的距离；其中，所述行为聚类是对多个历史多维特征向量样本聚类得到的；当所述多维特征向量与吃饭行为聚类中心的距离最短时，确定所述用户行为是吃饭行为并记录。2.根据权利要求1所述的吃饭行为识别方法，其特征在于，获取用于表示用户行为的多维特征向量的步骤包括：获取PIR传感器采集到的用于标识用户行为的多维特征向量。3.根据权利要求1所述的吃饭行为识别方法，其特征在于，所述多维特征向量包括：冰箱振动传感器触发次数、厨房停留总时间、厨房进入次数、入户门开启次数、厨房单次停留时间最大值和饭厅停留时间最大值中的至少两个特征维度。4.根据权利要求3所述的吃饭行为识别方法，其特征在于，在计算所述多维特征向量与不同的行为聚类中心的距离的步骤之前，还包括：对多个历史多维特征向量样本进行聚类计算，得到不同的行为聚类。5.根据权利要求4所述的吃饭行为识别方法，其特征在于，对多个历史多维特征向量样本进行聚类计算，得到不同的行为聚类的步骤包括：获取最近前N天的历史多维特征向量样本，其中，N为正整数；采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算，得到不同的行为聚类。6.根据权利要求5所述的吃饭行为识别方法，其特征在于，采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算，得到不同的行为聚类的步骤包括：采用K-means聚类算法对所述历史多维特征向量样本进行聚类计算，得到不同的样本类目；计算相同样本类目下的历史多维特征向量样本之间的欧式距离；根据所述欧式距离的和与样本类目数目之间的关系，确定样本类目的最优数目以及对应样本类目的行为聚类。7.根据权利要求6所述的吃饭行为识别方法，其特征在于，在对多个历史多维特征向量样本进行聚类计算，得到不同的行为聚类的步骤之后，还包括：对所述多维特征向量中一个特定的特征维度按照预设规则排序，得到一排序结果；根据所述排序结果，确定所述行为聚类中的吃饭行为聚类。8.一种吃饭行...

【专利技术属性】
技术研发人员：万鸿俊，余智欣，谢美，
申请(专利权)人：中国移动通信集团公司，
类型：发明
国别省市：北京,11