居家养老智慧管理平台及其方法技术

本申请涉及智能监测领域，其具体地公开了一种居家养老智慧管理平台及其方法，其通过基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，提高了对于老人身体状态监测的准确性，最后，得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果，进而保障独居老人的生命和健康。保障独居老人的生命和健康。保障独居老人的生命和健康。

【技术实现步骤摘要】
居家养老智慧管理平台及其方法


[0001]本申请涉及智能监测领域，且更为具体地，涉及一种居家养老智慧管理平台及其方法。

技术介绍

[0002]随着我国经济的迅速发展，社会老龄化程度日益加深，空巢老人越来越多，已经成为一个不容忽视的社会问题，当子女由于工作，学习，结婚等原因离家后，独守的老人其心里和生理均得不到关注，从而产生一系列问题。很多新闻报道，空巢老人由于突发高血压或心脏病猝死家中，而子女却不知晓，就是因为子女无法实时知道老人的身体状况，因为子女时间也比较少，不可能天天陪伴在侧，实时掌握老人身体状况，才导致了这种情况的出现，由于缺少子女或医护人员现场监护，独居家中的老人容易因跌倒得不到及时发现和救治。
[0003]随着云计算、大数据、物联网等技术的快速发展，以数据技术为支撑的智能化生活也开始融入人们的日常生活。因此，期待一种居家养老智能管理方案，其能够对独居家中的老人的身体状态进行实时监控并在监测到身体状况异常时产生预警提示。

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居家养老智慧管理平台及其方法，其通过基于老人的心率值和血压值的多尺度邻域特征来提取出不同时间周期内的动态关联特征，并且在构建两者的关联特征矩阵进行分类时，进一步对所述分类特征图进行相位感知的按位置聚合，从而以多层感知的形式来补偿对于向量进行无位置属性的实值分类任务时可能导致的分类准确性下降问题，提高了对于老人身体状态监测的准确性，最后，得到用于表示是否产生预警提示信号至所述被监测老年人的家人的分类结果，进而保障独居老人的生命和健康。
[0005]根据本申请的一个方面，提供了一种居家养老智慧管理平台，其包括：
[0006]监测数据采集模块，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；
[0007]监测数据时序特征提取模块，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；
[0008]关联模块，用于对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率
‑
血压关联特征矩阵；
[0009]关联特征提取模块，用于将所述心率
‑
血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；
[0010]特征分布校正模块，用于对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及
[0011]预警模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。
[0012]在上述居家养老智慧管理平台中，所述监测数据时序特征提取模块，包括：第一尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度心率特征向量和第一尺度血压特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度心率特征向量和第二尺度血压特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度时序特征级联单元，用于将所述第一尺度心率特征向量和第一尺度血压特征向量与第二尺度心率特征向量和第二尺度血压特征向量分别进行级联以得到所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量。
[0013]在上述居家养老智慧管理平台中，所述关联模块，进一步用于：以如下公式对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到所述心率
‑
血压关联特征矩阵；
[0014]其中，所述公式为：
[0015][0016]其中表示向量相乘，V1表示所述多尺度邻域心率特征向量，表示所述多尺度邻域心率特征向量的转置向量，V2表示所述多尺度邻域血压特征向量，M表示所述心率
‑
血压关联特征矩阵。
[0017]在上述居家养老智慧管理平台中，所述关联特征提取模块，进一步用于：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述心率
‑
血压关联特征矩阵。
[0018]在上述居家养老智慧管理平台中，所述特征分布校正模块，进一步用于：以如下公式对所述分类特征图进行相位感知的按位置聚合以得到所述校正后分类特征图；
[0019]其中，所述公式为：
[0020][0021]其中F表示所述分类特征图，表示所述分类特征图的全局均值的倒数，F
′
表示所述校正后分类特征图，
⊙
表示按位置点乘。
[0022]在上述居家养老智慧管理平台中，所述预警模块，进一步用于：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成所述分类结果，其中，所述公式为：
[0023]softmax{(W
n
，B
n
)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述校正后
分类特征图投影为向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表示各层全连接层的偏置矩阵。
[0024]根据本申请的另一方面，提供了一种居家养老智慧管理方法，其包括：
[0025]获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；
[0026]将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；
[0027]对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率
‑
血压关联特征矩阵；
[0028]将所述心率
‑
血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；
[0029]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种居家养老智慧管理平台，其特征在于，包括：监测数据采集模块，用于获取由被佩戴于被监测老年人的智能手环采集的所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值；监测数据时序特征提取模块，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后通过多尺度邻域特征提取模块以得到多尺度邻域心率特征向量和多尺度邻域血压特征向量；关联模块，用于对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到心率
‑
血压关联特征矩阵；关联特征提取模块，用于将所述心率
‑
血压关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到分类特征图；特征分布校正模块，用于对所述分类特征图进行相位感知的按位置聚合以得到校正后分类特征图，其中，所述相位感知的按位置聚合基于所述分类特征图中所有位置的特征值集合的全局均值的倒数来进行；以及预警模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生预警提示信号至所述被监测老年人的家人。2.根据权利要求1所述的居家养老智慧管理平台，其特征在于，所述监测数据时序特征提取模块，包括：第一尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度心率特征向量和第一尺度血压特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度时序特征提取单元，用于将所述被监测老年人在预定时间段内多个预定时间点的心率值和血压值分别按照时间维度排列为心率输入向量和血压输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度心率特征向量和第二尺度血压特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度时序特征级联单元，用于将所述第一尺度心率特征向量和第一尺度血压特征向量与第二尺度心率特征向量和第二尺度血压特征向量分别进行级联以得到所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量。3.根据权利要求2所述的居家养老智慧管理平台，其特征在于，所述关联模块，进一步用于：以如下公式对所述多尺度邻域心率特征向量和所述多尺度邻域血压特征向量进行关联编码以得到所述心率
‑
血压关联特征矩阵；其中，所述公式为：其中表示向量相乘，V1表示所述多尺度邻域心率特征向量，表示所述多尺度邻域心率特征向量的转置向量，V2表示所述多尺度邻域血压特征向量，M表示所述心率
‑
血压关联特征矩阵。4.根据权利要求3所述的居家养老智慧管理平台，其特征在于，所述关联特征提取模
块，进一步用于：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述心率
‑
血压关联特征矩阵。5.根据权利要求4所述的居家养老智慧管理平台，其特征在于，所述特征分布校正模块，进一步用于：以如下公式对所述分类特征图进行相位感知的按位置聚合以得到所述校正后分类特征图；其中，所述公式为：其中F表示所述分类特征图，表示所述分类特征图的全局均值的倒数，F'表示所述校正后分类特征图，

【专利技术属性】
技术研发人员：吴斌，周海有，
申请(专利权)人：杭州聚医智联科技有限公司，
类型：发明
国别省市：