基于大数据处理的老人安全监测方法及装置制造方法及图纸

本发明专利技术提供一种基于大数据处理的老人安全监测方法及装置，涉及电数字数据处理技术领域，包括：获取预先采集的电数字监测数据；基于电数字监测数据构建属性向量，并提取属性向量的特征向量；将特征向量输入至预先构建的安全监测模型中，以对特征向量进行分类处理，得到特征向量对应的安全等级；根据安全等级对目标对象的安全状态进行监测

【技术实现步骤摘要】
基于大数据处理的老人安全监测方法及装置


[0001]本专利技术涉及电数字数据处理
，尤其涉及一种基于大数据处理的老人安全监测方法及装置
。

技术介绍

[0002]随着各种传感器的普及，通过传感器进行电数字数据采集进而产生了大量的数据，这些数据为监测和预警提供了丰富的原材料，但如何从这些庞大的数据中提取有价值的信息，以及如何高效地处理这些电数字数据，成为了一个核心问题
。
传统的电数字数据处理方法主要依赖于固定的规则和算法，这些方法可能会受到限制
。
首先，由于电数字数据处理任务的复杂性和多变性，简单的规则和算法难以准确识别出到异常或危险的老人状态
。
其次，随着数据量的增加，传统的电数字数据处理方式可能会遇到性能瓶颈，导致处理速度变慢，不能及时响应
。
此外，真实场景下的电数字数据可能包含大量的噪声和冗余信息，这使得数据预处理变得更为困难
。
[0003]而对于一些特定的任务，真实的数据样本可能非常稀少，这导致了数据不平衡问题，使得模型在训练时可能会偏向于数据量较大的类别
。
再者，采集的电数字数据来源于多种传感器和设备，如声纹传感器
、
红外传感器
、
压力传感器等
。
这些数据的格式
、
频率和质量都可能有所不同，如何有效地整合和融合这些电数字数据，提高数据的全面性和准确性，也是一个亟待解决的问题
。
[0004]现有技术提出一种数据处理方法
、
装置
、
电子设备及计算机可读介质，根据目标数据的时间信息确定关联记录，以进一步根据关联记录确定目标指标，能够根据目标指标挖掘各个对象之间的引流关系，以确定目标数据为引流数据或非引流数据，避免由于引流造成的数据统计指标偏高
。
该方案可以避免模型训练偏向于数据量较大的类别，但是，现有技术可能主要依赖于梯度下降或其变种进行网络参数优化
。
这些传统方法容易陷入局部最优解，并且可能需要更多的训练时间
。
此外，现有的分类器可能基于常规的神经网络架构，没有考虑到动态权重分配和压缩感知的特性，导致在处理复杂的老人电数字监测数据时分类准确率可能不高
。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于大数据处理的老人安全监测方法及装置，能够对电数字监测数据表征的安全状况进行实时监控和准确分类，及时发现异常情况并作出预警和干预，大大提高了目标对象居家安全的保障
。
[0006]第一方面，本专利技术实施例提供了一种基于大数据处理的老人安全监测方法，该方法包括：获取预先采集的电数字监测数据，电数字监测数据包括预设传感器对目标对象采集的电数字信号数据；基于电数字监测数据构建属性向量，并提取属性向量的特征向量；将特征向量输入至预先构建的安全监测模型中，以对特征向量进行分类处理，得到特征向量对应的安全等级；其中，安全监测模型基于预设的非梯度下降驱动优化算法和预设的基于
压缩感知的高阶神经网络构建，且，通过预设的电数字监测数据样本集训练得到；电数字监测数据样本集包括用于表征老人日常状态的训练样本数据，以及训练样本数据携带的样本标签； 根据安全等级对目标对象的安全状态进行监测
。
[0007]第二方面，本专利技术实施例还提供一种基于大数据处理的老人安全监测装置，该装置包括：数据获取模块，用于获取预先采集的电数字监测数据，电数字监测数据包括预设传感器对目标对象采集的电数字信号数据；数据处理模块，用于基于电数字监测数据构建属性向量，并提取属性向量的特征向量；执行模块，用于将特征向量输入至预先构建的安全监测模型中，以对特征向量进行分类处理，得到特征向量对应的安全等级；其中，安全监测模型基于预设的非梯度下降驱动优化算法和预设的基于压缩感知的高阶神经网络构建，且，通过预设的电数字监测数据样本集训练得到；电数字监测数据样本集包括用于表征老人日常状态的训练样本数据，以及训练样本数据携带的样本标签；输出模块，用于根据安全等级对目标对象的安全状态进行监测
。
[0008]本专利技术实施例包括以下有益效果
:
本专利技术实施例提供一种基于大数据处理的老人安全监测方法及装置，使用预先构建的安全监测模型对目标对象的电数字监测数据的特征向量进行分类，得到对应的安全等级
。
基于安全等级，能够有效地对目标对象的安全状况进行实时监控和分类，从而达到及时预警和干预的目的
。
其中，安全监测模型基于预设的非梯度下降驱动优化算法和预设的基于压缩感知的高阶神经网络构建，非梯度下降驱动优化算法和基于压缩感知的高阶神经网络均有助于提高网络的训练效率和分类准确性
。
非梯度下降驱动的神经网络优化算法受启发于量子微扰理论，通过在网络参数上施加微扰来调整网络参数，而非传统的梯度下降法，能够避免陷入局部最优解的问题
。
改进的高阶神经网络分类器建立在基于压缩感知的高阶神经网络上，结合了重启策略的改进和动态权重分配机制，使得网络在不同训练阶段更关注某些关键特征，提高分类准确率
。
进一步地，通过上述方法构建的模型对电数字监测数据进行分类，能够对电数字监测数据表征的安全状况进行实时监控和分类，及时发现异常情况并作出预警和干预，大大提高了目标对象居家安全的保障
。
[0009]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解
。
本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得
。
为使本专利技术的上述目的
、
特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下
。
附图说明
[0010]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0011]图1为本专利技术实施例提供的一种基于大数据处理的老人安全监测方法的流程图；图2为本专利技术实施例提供的另一种基于大数据处理的老人安全监测方法的流程图；图3为本专利技术实施例提供的一种基于大数据处理的老人安全监测装置的结构示意
图；图4为本专利技术实施例提供的另一种基于大数据处理的老人安全监测装置的结构示意图；图5为本专利技术实施例提供的一种电子设备的结构示意图
。
具体实施方式
[0012]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效
...

【技术保护点】

【技术特征摘要】
1.
一种基于大数据处理的老人安全监测方法，其特征在于，所述方法包括：获取预先采集的电数字监测数据，所述电数字监测数据包括预设传感器对目标对象采集的电数字信号数据；基于所述电数字监测数据构建属性向量，并提取所述属性向量的特征向量；将所述特征向量输入至预先构建的安全监测模型中，以对所述特征向量进行分类处理，得到所述特征向量对应的安全等级；其中，所述安全监测模型基于预设的非梯度下降驱动优化算法和预设的基于压缩感知的高阶神经网络构建，且，通过预设的电数字监测数据样本集训练得到；所述电数字监测数据样本集包括用于表征老人日常状态的训练样本数据，以及所述训练样本数据携带的样本标签；根据所述安全等级对所述目标对象的安全状态进行监测
。2.
根据权利要求1所述的方法，其特征在于，所述安全监测模型的构建方法，包括：获取预先构建的电数字监测数据样本集；基于预设的非梯度下降驱动优化算法对所述电数字监测数据样本集进行特征提取，构建训练样本集；通过所述训练样本集对预设的分类器进行训练，并基于训练好的分类器构建安全监测模型；所述分类器包括基于压缩感知的高阶神经网络
。3.
根据权利要求2所述的方法，其特征在于，基于预设的非梯度下降驱动优化算法对所述电数字监测数据样本集进行特征提取，构建训练样本集的步骤，包括：将所述电数字监测数据样本集输入至预设的神经网络中，确定初始提取参数；所述神经网络包括多个层次和预设强度的微扰；计算所述初始提取参数对应的函数损失值，并根据所述函数损失值，评估包括当前微扰的神经网络的网络性能；基于所述网络性能对所述微扰进行调整，并执行确定初始提取参数的步骤；直到所述网络性能满足预设的优化条件，将当前神经网络对应的初始提取参数确定为目标特征参数，并基于所述目标特征参数构建训练样本集
。4.
根据权利要求3所述的方法，其特征在于，所述微扰包括预设的融合权重，所述融合权重包括预设的自适应调整因子
。5.
根据权利要求2所述的方法，其特征在于，通过所述训练样本集对预设的分类器进行训练，并基于训练好的分类器构建安全监测模型的步骤，包括：将所述训练样本集输入至预设的分类器中，使用所述分类器当前的网络参数和所述训练样本集进行前馈运算，确定初始输出；确定所述初始输出对应的损失值；所述损失值根据预设的正则化项确定；根据所述损失值对所述网络参数进行更新，并对更新的网络参数指示的...

【专利技术属性】
技术研发人员：王潇，徐翊瑄，苏倩雯，谷丛，曹晓桐，王超，张承富，
申请(专利权)人：北京世纪慈海科技有限公司，
类型：发明
国别省市：