【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种通过电参量特征及算法识别独居老人安全行为的方法和系统。
技术介绍
1、由于家庭观念的转变，家庭规模出现逐渐缩小状态，加上独生子女核心化家庭结构的逐渐成熟，这都必然导致“空巢现象”凸显，独居老人会越来越多。日益普遍的“421”家庭结构使得基本依靠子女照顾赡养的传统居家养老方式遇到困难。
2、对于这些独居老人来说，安全行为仅通过安装摄像机、监视器是无法真正做到对老人的安全监控。
3、现有技术中，针对独居老人的健康行为监测的手段之一是依靠各种孤立的传感设备，如手环、血压仪等，无法全面系统对老人安全行为进行有效的监控。
4、另一个独居老人安全监测的研究方向就是提供分析独居老人日常用电量的变化情况，建立用电习惯模型，一旦偏离习惯发出预警信息；然而这种方法仅能根据用电回路功率变化进行数据建模，因其建模对象仅为电能，元素过于简单造成习惯模型可靠度较差。所以现有技术中的方法中仅仅能简单采用传感监测设备或粗糙用电习惯建模，前者只能被动的接收，后者因模型太粗糙导致错误报警，对于使用这些产品的独居老人或其子女来说存在巨大的安全隐患问题，
技术实现思路
1、本专利技术的目的是提供一种通过电参量特征及算法识别独居老人安全行为的方法和系统，能够提高独居老人的安全行为识别的准确率，降低安全隐患。
2、本专利技术采用的技术方案为：
3、一种通过电参量特征及算法识别独居老人安全行为的方法，包括
4、如下步骤：
5、步骤1：用户通过终端app输入行为习惯信息和居家养老设备采集的生活习惯信息，建立基础日常安全行为模型；
6、步骤2：采集独居老人日常行为特征信息，若与基础日常行为模型匹配度高，满足要求,则进行步骤5，否则，进行下一步；
7、步骤3：确认是否存在异常行为信息，若是，则告警，退出或等待下一次采集返回步骤2，否则，基于采集的特征信息调整基础日常行为模型,进行步骤5；
8、步骤4：采集居家养老日常特征信息，若与基础日常行为模型特征匹配度不满足要求，系统会向子女版app和父母版app推送异常信息，经确认后，若为真实异常信息，则告警推送即可；若为非真实异常信息，则提取当前行为特征信息并作为新的特征信息补充到基础日常行为习惯模型和日常行为特征信息对应的判据，具体的操作与步骤3中所述调整方法一致；
9、步骤5：判断是否达到日常行为模型学习门槛，若是，则输出基础日常安全行为习惯新模型，否则，返回步骤2。
10、所述步骤1中，基础日常安全行为模型包含三类特征向量库，具体包含多组电参量特征向量、多组出入门次数和时间特征向量、多组起夜次数和时间特征向量；其中电参量特征向量由独居场所用电回路采集提供，具体是居家老人使用厨房类电器和使用时间特征值向量、卫浴类电器和使用时间特征值向量；出入次数特征向量由独居场所入户门监测设备提供，具体是智能门磁采集出入次数和时间特征值向量；起夜次数和时间特征向量由独居场所卧室监测设备提供，具体是智能床垫采集的起夜次数和时间特征向量。
11、所述的步骤2中采集独居老人日常行为特征信息，具体地，独居老人日常行为特征信息包含有三类向量，包括日常电参量特征向量、日常出入门次数和时间特征向量和日常起夜次数和时间特征向量。
12、所述步骤1中行为基础日常安全行为习惯信息中电参量特征向量d包含有使用电器特征向量，具体的，向量d中含有有功功率差值△p、功率因数值变化值△cos、变化电流变异程度cv、变化电流三次谐波h3、五次谐波h5、7次谐波h7、变化电流波峰系数kf的特征值；
13、出门、进门和其对应的时间构成特征向量c包含有出门c-c和c-j和对对应的c-tc和c-tj特征值，其中出门标记为1，进门标记为0，c-tc和c-tj落在6:00-22:00时段内标记为1，其余时段标记为0；
14、起夜次数和时间特征向量q包含有起夜次数q-s和起夜时间q-t特征值，其中起夜时间落在22：00-6:00时段标记为1，落在其余时段标记为0。
15、所述步骤2中的独居老人基础日常行为特征信息包含的三类特征向量与步骤1的数据结构和数据内容保持一致，仅特征值存在差别；具体的，电参量特征向量dr包含使用电器向量dr，具体的，dr向量中含有有功功率差值△pr、功率因数值变化值△cosr、变化电流变异程度cvr、变化电流三次谐波h3r、五次谐波h5r、7次谐波h7r、变化电流波峰系数kfr特征值；出门、进门和其对应的时间构成特征向量cr包含有出门cr-c和cr-j和其对应的出入门时间cr-tc和crtj特征值，其中出门标记为1，进门标记为0,cr-tc落在6:00-22:00时段内标记为1，其余时段标记为0。起夜次数和时间特征向量qr包含有起夜次数qr-s和起夜时间qr-t特征值，其中起夜次数大于等于2次标定为1，起夜次数小于2次标定为0，起夜时间落在22：00-6:00时段标记为1，落在其余时段标记为0。
16、所述的步骤2中满足匹配要求具体包括如下步骤：
17、日常行为特征信息中的三类特征向量和行为习惯信息中的三类特征向量分别计算余弦相似度cs-d，cs-c，cs-q计算如公式1、公式2、公式3所示。
18、向量d＝[△p，△cos，cv，h3，h5，h7，kf，]
19、向量dr＝[△pr，△cosr，cvr，h3r，h5r，h7r，kfr，]
20、
21、向量c＝[c-c，c-tc，c-j，c-tj]
22、向量cr＝[cr-c，cr-tc，cr-j，cr-tj]
23、
24、向量q＝[q-s，q-t]
25、向量qr＝[qr-s，qr-t]
26、
27、进一步的，cs-d、cs-c和cs-q为余弦相似度，取值范围[0,1]，若与基础日常行为习惯模型匹配度高，对应余弦相似度匹配度阈值v-d、v-c和v-q，其中v-d取0.95，v-c取0.9，v-q取0.96，满足匹配度要求，具体是cs-d大于等于v-d，cs-c大于等于v-c，cs-q大于等于v-q,则进行步骤5，否则，进行下一步。
28、所述步骤3中确认异常行为是由本专利技术所述终端app中的子女版app和父母版app操作完成的，若收到异常行为告警时，子女通过子女版app远程确认后，若是，则进行步骤5，否则，退出等待下一次日常监测采集任务。
29、所述步骤3中所述的调整日常行为习惯模型具体包括如下几种情况：
30、情况1，余弦相似度cs-d大于等于v-d、cs-c大于等于v-c、cs-q小于v-q，则调整基础日常安全行为习惯模型中的起夜特征向量q和日常行为特征信息中向量qr中的时间段范围，如调整前起夜时间段为22：00-6:00，发生了余弦相似度阈值不满足cs-q大于等于v-q，提取该条日常行为特征本文档来自技高网...
【技术保护点】
1.一种通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：包括
2.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤1中，基础日常安全行为模型包含三类特征向量库，具体包含多组电参量特征向量、多组出入门次数和时间特征向量、多组起夜次数和时间特征向量；其中电参量特征向量由独居场所用电回路采集提供，具体是居家老人使用厨房类电器和使用时间特征值向量、卫浴类电器和使用时间特征值向量；出入次数特征向量由独居场所入户门监测设备提供，具体是智能门磁采集出入次数和时间特征值向量；起夜次数和时间特征向量由独居场所卧室监测设备提供，具体是智能床垫采集的起夜次数和时间特征向量。
3.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述的步骤2中采集独居老人日常行为特征信息，具体地，独居老人日常行为特征信息包含有三类向量，包括日常电参量特征向量、日常出入门次数和时间特征向量和日常起夜次数和时间特征向量。
4.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所
5.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤2中的独居老人基础日常行为特征信息包含的三类特征向量与步骤1的数据结构和数据内容保持一致，仅特征值存在差别；具体的，电参量特征向量Dr包含使用电器向量Dr，具体的，Dr向量中含有有功功率差值△Pr、功率因数值变化值△cosr、变化电流变异程度CVr、变化电流三次谐波H3r、五次谐波H5r、7次谐波H7r、变化电流波峰系数kfr特征值；出门、进门和其对应的时间构成特征向量Cr包含有出门Cr-c和Cr-j和其对应的出入门时间Cr-Tc和CrTj特征值，其中出门标记为1，进门标记为0,Cr-Tc落在6:00-22:00时段内标记为1，其余时段标记为0。起夜次数和时间特征向量Qr包含有起夜次数Qr-S和起夜时间Qr-T特征值，其中起夜次数大于等于2次标定为1，起夜次数小于2次标定为0，起夜时间落在22：00-6:00时段标记为1，落在其余时段标记为0。
6.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述的步骤2中满足匹配要求具体包括如下步骤：
7.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤3中确认异常行为是由本专利技术所述终端APP中的子女版APP和父母版APP操作完成的，若收到异常行为告警时，子女通过子女版APP远程确认后，若是，则进行步骤5，否则，退出等待下一次日常监测采集任务。
8.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤3中所述的调整日常行为习惯模型具体包括如下几种情况：
9.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤5中日常行为模型学习门槛包含子女端APP设备为父母设定的行为模型学习时长，具体是系统默认行为模型学习时长为一周；若在子女端APP设备为父母设定的行为模型学习时长内未检测到基础日常行为习惯模型调整学习，则输出日常行为模型，否则，返回步骤2，在学习期间基础日常行为习惯模型一直适用于学习于居家养老安全守护。
10.一种优化电参量特征及算法识别独居老人安全行为的系统，其特征在于：包括：
...【技术特征摘要】
1.一种通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：包括
2.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤1中，基础日常安全行为模型包含三类特征向量库，具体包含多组电参量特征向量、多组出入门次数和时间特征向量、多组起夜次数和时间特征向量；其中电参量特征向量由独居场所用电回路采集提供，具体是居家老人使用厨房类电器和使用时间特征值向量、卫浴类电器和使用时间特征值向量；出入次数特征向量由独居场所入户门监测设备提供，具体是智能门磁采集出入次数和时间特征值向量；起夜次数和时间特征向量由独居场所卧室监测设备提供，具体是智能床垫采集的起夜次数和时间特征向量。
3.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述的步骤2中采集独居老人日常行为特征信息，具体地，独居老人日常行为特征信息包含有三类向量，包括日常电参量特征向量、日常出入门次数和时间特征向量和日常起夜次数和时间特征向量。
4.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤1中行为基础日常安全行为习惯信息中电参量特征向量d包含有使用电器特征向量，具体的，向量d中含有有功功率差值△p、功率因数值变化值△cos、变化电流变异程度cv、变化电流三次谐波h3、五次谐波h5、7次谐波h7、变化电流波峰系数kf的特征值；
5.根据权利要求1所述的通过电参量特征及算法识别独居老人安全行为的方法，其特征在于：所述步骤2中的独居老人基础日常行为特征信息包含的三类特征向量与步骤1的数据结构和数据内容保持一致，仅特征值存在差别；具体的，电参量特征向量dr包含使用电器向量dr，具体的，dr向量中含有有功功率差值△pr、功率因数值变化值△cosr、变化电流变异程度cvr、变化...
【专利技术属性】
技术研发人员：谢永涛，叶继明，张玉，高旭东，赵东，袁显文，韩浩然，周杰，
申请(专利权)人：河南力安测控科技有限公司，
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。