本申请涉及计算机技术领域，公开了一种日常行为检测方法、装置、设备。该方法通过获取待检测用户的日常行为数据；根据所述日常行为数据得到与日常行为数据对应的局部特征信号，根据所述局部特征信号得到与所述日常行为数据对应的全局特征信号；根据所述局部特征信号和所述全局特征信号，得到对应的融合特征；将所述融合特征输入至预设的日常行为检测模型，输出所述待检测用户的日常行为。本申请能够更好的将局部特征信号的连续性和全局特征信号的全局性进行融合，从而能够更准确的识别出用户的日常行为。另外，识别用户日常行为的过程不需要将特定的传感器安装在特定的位置，因此本申请提供的实施方式适用范围更广，具有较强的适用性。适用性。适用性。
【技术实现步骤摘要】
日常行为检测方法、装置、设备和计算机存储介质
[0001]本申请涉及计算机
，尤其涉及一种日常行为检测方法、装置、设备和计算机存储介质。
技术介绍
[0002]如今人口老龄化已经成为一种普遍现象，如何更好的照顾老人的健康成为当今社会需要重点关注的问题，及时了解老人的日常行为对于照顾老人健康有重要的作用。
[0003]目前针对人们日常行为的识别，大致可以包括基于视频的行为识别、基于环境交互式传感器的行为识别等。基于视频的行为识别主要是通过热像机和深度相机分析视频或图像中的人的行为特征来进行行为识别。通常基于视频的行为识别的效果非常显著，对老年人起到了监督保护的作用，但是这种方式存在侵犯个人隐私的问题，而且在光线条件变化的环境中，基于视频的行为识别往往效果不是十分理想。基于环境交互式传感器的行为识别，主要是传感器通过嵌入在智能家居的屋顶、地板、物体上来追踪和定位用户的位置，与用户进行交互，收集用户行为的信息，该方法被广泛应用于智能家居环境和行为识别项目，但这种方式受到区域的限制，适用范围较窄。因此，如何提高日常行为检测的准确率和适用范围成为了
人员重要的研究课题。
技术实现思路
[0004]本申请实施方式主要解决的技术问题是如何提高日常行为检测的准确率和适用性。
[0005]为解决上述技术问题，本申请实施方式采用的一个技术方案是：提供一种日常行为检测方法，包括：获取待检测用户的日常行为数据；根据所述日常行为数据，得到与所述日常行为数据对应的局部特征信号，并根据所述局部特征信号得到与所述日常行为数据对应的全局特征信号；根据所述局部特征信号和所述全局特征信号，得到对应的融合特征；将所述融合特征输入至预设的日常行为检测模型，输出所述待检测用户的日常行为。
[0006]可选地，在执行所述获取待检测用户的日常行为数据的步骤之后，所述方法还包括：预处理所述日常行为数据；所述预处理所述日常行为数据包括：将所述日常行为数据进行同频处理，以使所述日常行为数据的数据采集频率在预设频率范围内；将所述日常行为数据进行同步处理，以使不同传感器采集的所述日常行为数据的时间戳差值在预设时间范围内。
[0007]可选地，所述根据所述日常行为数据，得到与所述日常行为数据对应的局部特征信号包括：根据所述日常行为数据获取所述待检测用户的角速度和加速度；获取所述角速度和所述加速度对应的检测时刻，并构成时间序列信号，所述时间序列信号为所述局部特征信号。
[0008]可选地，所述根据所述局部特征信号获得与所述日常行为数据对应的全局特征信号包括：将所述时间序列信号对应的数据进行归一化处理；将所述归一化处理的时间序列
信号的数据转换成极坐标形式数据；将所述极坐标形式数据转换为保留时间特征的二维图像。
[0009]可选地，所述根据所述局部特征信号和所述全局特征信号，得到对应的融合特征包括：基于多层感知机的原理对所述局部特征信号进行特征提取，以获得所述局部特征信号对应的特征；基于卷积神经网络的原理对所述全局特征信号进行特征提取，以获得所述全局特征信号对应的特征；融合处理所述局部特征信号对应的特征和所述全局特征信号对应的特征，以获得融合特征。
[0010]可选地，所述将所述融合特征输入至预设的日常行为检测模型，输出所述待检测用户的日常行为，包括：根据所述融合特征和预设的日常行为检测模型获得所述待检测用户属于各个日常行为类别的预测概率，并将最大预测概率对应的日常行为类别作为所述待检测用户的日常行为检测结果。
[0011]可选地，在执行将所述融合特征输入至预设的日常行为检测模型的步骤之前，还包括：获取所述预设的日常行为检测模型；所述获取所述预设的日常行为检测模型包括：采样用户的日常行为数据；预处理所述日常行为数据，以获得预处理后的样本数据；获取所述样本数据的局部特征信号，并根据所述局部特征信号获取所述样本数据的全局特征信号；基于所述局部特征信号提取所述样本数据的第一特征，并基于所述全局特征信号提取所述样本数据的第二特征；根据所述第一特征和所述第二特征，获得所述样本数据对应的融合特征；输入所述第一特征、所述第二特征和所述融合特征至预设分类器，输出对应的日常行为识别结果；基于所述日常行为识别结果构建多层次损失函数；根据所述多层次损失函数的结果优化训练所述日常行为检测模型，以获得使所述损失函数最小化时对应的模型参数，并根据所述模型参数确定所述日常行为检测模型。
[0012]可选地，所述基于所述日常行为识别结果构建多层次损失函数包括：
[0013]构建如下公式对应的损失函数，所述公式为：
[0014][0015]L表示损失函数，M表示总的样本数，表示所述多层感知机预测第j个样本为第i类的概率，T
ij
表示第j个样本为第i类对应的真实标签，表示所述卷积神经网络预测第j个样本为第i类的概率，表示根据所述融合处理后所述融合特征预测第j个样本为第i类的概率。
[0016]为解决上述技术问题，本申请实施方式采用的另一个技术方案是：提供一种日常行为检测装置，包括：第一数据获取模块，用于获取待检测用户的日常行为数据；第二数据获取模块，用于根据所述日常行为数据，得到与所述日常行为数据对应的局部特征信号，并根据所述局部特征信号得到与所述日常行为数据对应的全局特征信号；融合特征获取模块，用于根据所述局部特征信号和所述全局特征信号，得到对应的融合特征；日常行为检测模块，用于将所述融合特征输入至预设的日常行为检测模型，输出所述待检测用户的日常行为。
[0017]为解决上述技术问题，本申请实施方式采用的又一个技术方案是：提供一种日常行为检测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其
中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
[0018]为解决上述技术问题，本申请实施方式采用的还一个技术方案是：提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，当所述计算机可执行指令被日常行为检测设备执行时，使所述日常行为检测设备执行如上所述的方法。
[0019]本申请实施例提供了一种日常行为检测方法、装置、设备以及计算机存储介质，通过获取待检测用户的日常行为数据，根据该日常行为数据获得该日常行为数据对应的局部特征信号，并根据该局部特征信号获得该日常行为数据对应的全局特征信号，再获取局部特征信号和全局特征信号对应的融合特征，最后基于该融合特征和预设的日常行为检测模型对待检测用户的日常行为进行检测。本申请实施例提供的方案通过对局部特征信号和全局特征信号进行特征提取和融合，能够更好的将局部特征信号的连续性和全局特征信号的全局性进行融合，从而能够更准确的识别出用户的日常行为。另外，识别用户日常行为的过程不需要将特定的传感器安装在特定的位置，因此本申请提供的实施方式适用范围更广，具有较强的适用性。
附图说明
[0020]一个或多个实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种日常行为检测方法，其特征在于，包括：获取待检测用户的日常行为数据；根据所述日常行为数据，得到与所述日常行为数据对应的局部特征信号，并根据所述局部特征信号得到与所述日常行为数据对应的全局特征信号；根据所述局部特征信号和所述全局特征信号，得到对应的融合特征；将所述融合特征输入至预设的日常行为检测模型，输出所述待检测用户的日常行为。2.根据权利要求1所述的方法，其特征在于，在执行所述获取待检测用户的日常行为数据的步骤之后，所述方法还包括：预处理所述日常行为数据；所述预处理所述日常行为数据包括：将所述日常行为数据进行同频处理，以使所述日常行为数据的数据采集频率在预设频率范围内；将所述日常行为数据进行同步处理，以使不同传感器采集的所述日常行为数据的时间戳差值在预设时间范围内。3.根据权利要求1所述的方法，其特征在于，所述根据所述日常行为数据，得到与所述日常行为数据对应的局部特征信号包括：根据所述日常行为数据获取所述待检测用户的角速度和加速度；获取所述角速度和所述加速度对应的检测时刻，并构成时间序列信号，所述时间序列信号为所述局部特征信号。4.根据权利要求3所述的方法，其特征在于，所述根据所述局部特征信号得到与所述日常行为数据对应的全局特征信号包括：将所述时间序列信号对应的数据进行归一化处理；将所述归一化处理的时间序列信号的数据转换成极坐标形式数据；将所述极坐标形式数据转换为保留时间特征的二维图像。5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述局部特征信号和所述全局特征信号，得到对应的融合特征包括：基于多层感知机的原理对所述局部特征信号进行特征提取，以获得所述局部特征信号对应的特征；基于卷积神经网络的原理对所述全局特征信号进行特征提取，以获得所述全局特征信号对应的特征；融合处理所述局部特征信号对应的特征和所述全局特征信号对应的特征，以获得融合特征。6.根据权利要求5所述的方法，其特征在于，所述将所述融合特征输入至预设的日常行为检测模型，输出所述待检测用户的日常行为，包括：根据所述融合特征和预设的日常行为检测模型获得所述待检测用户属于各个日常行为类别的预测概率，并将最大预测概率对应的日常行为类别作为所述待检测用户的日常行为检测结果。7.根据权利要求6所述的方法，其特征在于，在执行将所述融合特征输入至预设的日常行为检测模型的步骤之前...
【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。