【技术实现步骤摘要】
本专利技术总的来说涉及巡房监测。具体而言，本专利技术涉及一种基于蓝牙信标和机器学习的智能巡房监测方法及系统。
技术介绍
1、随着老龄化社会的来临，养老院作为特殊的社会服务机构，其服务质量和管理效率日益受到重视。特别是在巡房监测方面，需要确保每个住户都能得到适时适度的关注和服务。传统的人工巡房监测存在着效率低下、信息不透明的问题，而市场上现有的巡房监测方法存在着监测精度低、无法监测替代巡房、系统部署复杂、成本高等问题。
2、现有的养老院巡房监测方法多依赖于人工记录监测或是巡房人员携带一个定制的设备，在指定的位置通过设备和部署在周围环境中的定位识别设备通信完成打卡，基于设备签到一类技术的巡房监测方法，但是这些方法往往存在明显的局限性。手工记录虽然简单，但耗时耗力，容易出错，并且缺乏记录的透明度，不易于数据整合和历史追踪。而设备打卡签到等类似技术虽然实现了一定程度的自动化，但受制于地理空间布局，设备信号范围有限，导致监测数据不准确，精度低；对于复杂和大面积的空间布局，系统部署、调试将更为复杂，精度更难以保证，成本也会更高；另外也难以对巡房人员轨迹做到追踪、难以检测代替他人巡房的行为。
3、具体来说，现有的巡房监测方法仍存在以下问题：
4、(1)人工监测缺乏记录的透明度。监测护理人员是否准时巡房需要另一位工作人员的核实，很难提供完整透明的记录，记录的真实性依赖于监测人员的诚实和细心。
5、(2)无法监测替代巡房行为。巡房人员如果使用他人的设备替代他人巡房签到，现有的系统无法识别。因为大多现
6、(3)系统部署复杂.市场上现有基于设备签到这种方案实现的监测系统涉及到复杂的系统部署和维护。一般需要在每个房间部署定位识别设备，部署设备数量大，会根据需要部署的区域面积成比倍增。因为需要部署在房间的这些设备必须能够正常通信，所以布局需要精心规划以覆盖全部关键巡检区域。另外巡房人员也需要随身携带定制的签到打卡设备，这些设备通常是专门设计的，与现有的智能设备(如智能手机和平板电脑)兼容性较差，使用时需要专门的技术培训，需要专业知识来设置和保养，这些都极大增加了系统部署的复杂性。
7、(4)巡房判定不够智能准确。现有的巡房监测系统是通过判定巡房人员是否在巡房区域完成打卡签到动作来实现的，如果工作人员巡房后忘记打卡则系统判定工作人员没有完成巡房任务，从而导致误判。如果巡房人员没有真正的巡房，只是打卡签到，系统也会认为巡房人员完成巡房。
8、(5)定位精度低。在现有巡房监测系统中，定位精度通常局限于设备的有效覆盖范围，加上不同区域空间环境条件各异、物理障碍物、信号干扰等，这就导致定位精度准确度很难得到保证。
9、(6)成本较高。市场上现有基于设备签到这种方案实现的监测系统需要部署的设备比较多，包括每个房间的定位设备和人员使用的签到设备等，这些设备还需要日常维护保养，另外还需要额外的系统集成开发成本，这种部署复杂、部署设备多的系统会导致高额的成本。
技术实现思路
1、为至少部分解决现有技术中的上述问题，本专利技术提出一种基于蓝牙信标和机器学习的智能巡房监测方法，包括下列步骤：
2、在巡房区域内布置蓝牙信标设备；
3、提供工作人员的身份识别模型；
4、提供巡房区域的房间指纹定位模型；
5、提供工作人员设备，所述工作人员设备上设有用于巡房监测的应用程序；
6、在工作人员携带工作人员设备进行巡房时，由所述应用程序在寻访过程中扫描蓝牙信标信号并记录蓝牙信标的id及接收信号强度指示值，并且记录工作人员的行走模式及手势数据；
7、由所述身份识别模型根据工作人员的行走模式及手势数据对工作人员的身份进行识别；以及
8、由所述房间指纹定位模型根据蓝牙信标的id及接收信号强度指示值确定工作人员在巡房过程中的位置数据。在本专利技术一个实施例中规定，构造身份识别模型包括下列步骤：
9、采集步态数据，其中使用传感器记录工作人员在一段时间内的步态数据，将采集到的步态数据表示为时间序列g＝{g1，g2，...，gt}，其中gt表示第t个时间点的步态数据；
10、采集手势数据，其中使用传感器记录工作人员在一段时间内的手势数据，将采集到的手势数据表示为时间序列m＝{m1，m2，...，mt}，其中mt表示第t个时间点的手势数据；
11、对采集到的步态数据进行预处理，其中包括去除噪声以及归一化处理，预处理后的步态数据表示为下式：
12、
13、对采集到的手势数据进行预处理，其中包括去除噪声以及归一化处理，预处理后的手势数据表示为下式：
14、
15、使用时序模型从预处理后的步态数据中提取时序特征，将步态特征表示为下式：
16、
17、使用时序模型从预处理后的手势数据提取时序特征，将手势特征表示为下式：
18、
19、为每个工作人员的步态和手势数据标注对应的身份标签，身份标签集合表示为{1，2，...，k}，其中k表示工作人员的数量；
20、将步态特征与手势特征进行融合，其中使用特征融合方法将两个特征向量连接起来，表示为f＝{f1，f2，...，ft}；以及
21、使用机器学习算法对融合后的特征以及身份标签进行训练，将训练得到的身份识别模型表示为mid。
22、在本专利技术一个实施例中规定，提供巡房区域的房间指纹定位模型包括下列步骤：
23、收集n个房间内多个位置处蓝牙信标的接收信号强度指示值，其中每个房间收集m个位置的强度指示值，以x(i，j)表示第i个房间的第j个位置的信号强度值；
24、对收集到的强度指示值进行预处理，其中包括去除异常值以及归一化处理，归一化处理表示为下式：
25、
26、其中，xnorm(i，j)表示归一化后的第i个房间的第j个位置的信号强度值，min(x)和max(x)分别表示矩阵x中的最小值和最大值。
27、使用主成分分析对预处理后的数据进行降维以提取特征矩阵，其中以y(i，j)表示第i个房间的第j个位置的降维后的特征矩阵；以及
28、使用支持向量机算法对提取的特征矩阵y进行训练，其中将输入的特征矩阵y与对应的房间编号进行关联以构造指纹定位模型，支持向量机算法的优化问题表示为下式：
29、
30、subject toyi(wtxi+b)≥1-ξi，ξi≥0
31、其中，w表示超平面的法向量，b表示超平面的截距，c表示正则化参数，xii表示松弛变量，n表示样本数量，yi表示样本的房间编号，xi表示样本的特征向量。
32、在本专利技术一个实施例中规定，构造巡房区域的房间指纹定位模型还包括：
本文档来自技高网...
【技术保护点】
1.一种基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，提供身份识别模型包括下列步骤：
3.根据权利要求1所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，提供巡房区域的房间指纹定位模型包括下列步骤：
4.根据权利要求3所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，构造巡房区域的房间指纹定位模型还包括：
5.根据权利要求2所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，由所述身份识别模型根据工作人员的行走模式及手势数据对工作人员的身份进行识别包括：
6.根据权利要求1所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，还包括：
7.一种基于蓝牙信标和机器学习的智能巡房监测系统，其特征在于，包括：
8.一种计算机可读存储介质，其上存储有机器可读指令，其特征在于，所述机器可读指令在被处理器执行时执行根据权利要求1-6之一所述的方法的步骤。
9.一种
...【技术特征摘要】
1.一种基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，提供身份识别模型包括下列步骤：
3.根据权利要求1所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，提供巡房区域的房间指纹定位模型包括下列步骤：
4.根据权利要求3所述的基于蓝牙信标和机器学习的智能巡房监测方法，其特征在于，构造巡房区域的房间指纹定位模型还包括：
5.根据权利要求2所述的基于蓝牙信...
【专利技术属性】
技术研发人员：袁翔，吴海斌，江增世，刘怡珺，张瑞，朱文锋，
申请(专利权)人：福寿康智慧医疗养老服务上海有限公司，
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。