智能监控看护方法、系统和电子设备技术方案

本申请公开了一种智能监控看护方法、系统和电子设备，其通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。这样，能够准确有效地对老年人看护的安全异常数据进行智能预警。据进行智能预警。据进行智能预警。

【技术实现步骤摘要】
智能监控看护方法、系统和电子设备


[0001]本申请涉及智能监控的领域，且更为具体地，涉及一种智能监控看护方法、系统和电子设备。

技术介绍

[0002]我国正迈入老龄化阶段,独居老人日益增多,老年人看护成为社会关注的一个重要问题,建立老年人智能看护系统具有实际应用价值与社会效益。
[0003]目前，由于很多因素都会影响到老年人的健康看护，例如老年人室内环境参数、火灾信息、行为信息等，而仅单独依靠某一单一数据信息进行预警会导致安全预警的准确性和时效性难以保证。因此，为了准确有效地对安全的异常数据进行智能预警，以对看护的老年人的安全性进行保障，期望提供一种智能监控看护方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能监控看护方法、系统和电子设备，其通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。这样，能够准确有效地对老年人看护的安全异常数据进行智能预警。
[0005]根据本申请的一个方面，提供了一种智能监控看护方法，其包括：训练阶段，包括：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在
每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵；以及推断阶段，包括：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。
[0006]根据本申请的另一方面，提供了一种智能监控看护系统，其包括：训练模块，包括：数据采样单元，用于将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；排列单元，用于将采样获得的所述数据采样单元获得的所述各项内因指标数据和所述数据采样单元获得的所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；解码特征图生成单元，用于将所述排列单元获得的所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；解码损失函数值计算单元，用于将所述解码特征图生成单元获得的所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及训练单元，用于基于所述解码损失函数值计算单元获得的所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以
及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵；以及推断模块，包括：数据获取单元，用于将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；输入矩阵构造单元，用于将采样获得的所述数据获取单元获得的所述各项内因指标数据和所述数据获取单元获得的所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；卷积神经网络处理单元，用于将所述输入矩阵构造单元获得的所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及解码值生成单元，用于将所述卷积神经网络处理单元获得的所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。
[0007]根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能监控看护方法。
[0008]根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能监控看护方法。
[0009]与现有技术相比，本申请提供了一种智能监控看护方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能监控看护方法，其特征在于，包括：训练阶段，包括：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵；以及推断阶段，包括：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。2.根据权利要求1所述的智能监控看护方法，其中，将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵，包括：将同一预定时间点采样获得的所述各项内因指标数据和所述各项外因指标数据按照样本维度排列为行向量，其中，在所述行向量中所述各项内因指标数据和所述各项外因指标数据被打散；以及将各个预定时间点的所述行向量按照时间维度排列为所述输入矩阵。3.根据权利要求2所述的智能监控看护方法，其中，将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，包括：
使用所述卷积神经网络的第一子结构的各层在层的正向传递中对输入数据进行基于第一卷积核的卷积处理、池化处理和激活处理以由所述第一子结构生成第一子特征图，其中，所述第一子结构的第一层的输入为所述输入矩阵；使用所述卷积神经网络的第二子结构的各层在层的正向传递中对输入数据进行基于第二卷积核的卷积处理、池化处理和激活处理以由所述第二子结构的最后一层输出第二子特征图，其中，所述第二子结构的第一层的输入为所述第一子结构的第一层的输出；以及使用所述卷积神经网络的特征融合模块将所述第一子特征图与所述第二子特征图进行相乘以获得所述解码特征图。4.根据权利要求3所述的智能监控看护方法，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸，所述第一子结构的层数与所述第二子结构的层数之差为2。5.根据权利要求4所述的智能监控看护方法，其中，将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值，包括：将所述解码特征图通过所述解码器进行解码回归以获得解码值；以及计算所述解码值与真实值之间的均方差作为所述解码损失函数值。6.根据权利要求...

【专利技术属性】
技术研发人员：张文平，白维朝，
申请(专利权)人：深圳市经纬纵横科技有限公司，
类型：发明
国别省市：