专利汇可以提供一种生活规律异常的检测方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种生活规律异常的检测方法,该方法采集正常的 训练数据 ,并根据训练数据获取各种类型数据的取值范围,然后通过 服务器 随机产生各类位于取值范围内数据以形成随机向量。然后再通过计算训练数据与随机向量的欧氏距离,并获取欧式距离的最大和最小值,进而产生检测器,再利用检测器检测采集的新数据是否异常,进而判断监测人的生活规律是否出现异常。该生活规律异常的检测方法能够更宏观、更全面的监测使用者的生活规律异常情况,尤其适合生活规律性强的老年人使用。该生活规律异常的检测方法无需使用视频监控技术,既提高了监测的实时有效性,还减少了设备成本。,下面是一种生活规律异常的检测方法专利的具体信息内容。
1.一种生活规律异常的检测方法,其特征在于包括如下步骤:
(1)、进行训练数据采集,即采集时间数据,同时采集监测人的位置数据、活动类型分类数据、运动参数、体征参数,进而形成训练数据组TR=[T,L,C,S,B],然后对训练数据进行标记以供使用;
其中,T为时间数据,T=[T1,T2,T3,…,Ti],其中i为自然数;
L为监测人的位置数据,L=[L1,L2,L3,…,Li],其中i为自然数;
C为活动类型分类数据,C=[C1,C2,C3,…,Ci],其中i为自然数;
S为运动参数,S=[S1,S2,S3,…,Si],其中i为自然数;
B为体征参数,B=[B1,B2,B3,…,Bi],其中i为自然数;
则训练数据组中的各训练向量可以表示为TRa=[Ta,La,Ca,Sa,Ba],其中a为自然数,1≤a≤i;
(2)、将训练数据组传送至服务器内并存储在数据库中;
(3)、计算训练数据组中各个维度数据的最大值和最小值,以形成各维数据的范围数据组TL={TE,LE,CE,SE,BE};
其中,TE为时间数据的取值范围,TE=(MAX[T1,T2,T3,…,Ti],MIN[T1,T2,T3,…,Ti]);
LE为检测人的位置数据的取值范围,LE=(MAX[L1,L2,L3,…,Li],MIN[L1,L2,L3,…,Li]);
CE为活动类型分类数据的取值范围,CE=(MAX[C1,C2,C3,…,Ci],MIN[C1,C2,C3,…,Ci]);
SE为运动参数的取值范围,SE=(MAX[S1,S2,S3,…,Si],MIN[S1,S2,S3,…,Si]);
BE为体征参数的取值范围,BE=(MAX[B1,B2,B3,…,Bi],MIN[B1,B2,B3,…,Bi]);
(4)、服务器接收设备采集的新数据,进而构成监测人的新状态数据组N=[TN,LN,CN,SN,BN],其中TN为新采集的时间数据,LN为新采集的位置数据,CN为新采集的活动类型的分类数据,SN为新采集的运动参数,BN新采集的体征参数;
(5)、服务器自动产生一个随机向量R=[X1,X2,X3,X4,X5,],其中X1∈TE,X2∈LE,X3∈CE,X4∈SE,X5∈BE;
(6)、计算训练数据组TR中各训练向量TRa与随机向量R之间的欧式距离,进而获取第一欧式距离数组EDR=[EDR1,EDR 2,EDR 3,…,EDRi],获取第一欧式距离数组EDR中的最大距离值selfmax和最小距离值selfmin;
(7)、生成一个检测器D,所述检测器对应的数据包D={R,selfmax,selfmin,LA},将检测器D加入到检测器集合Detectors中;
其中,LA表示检测器D对应的生命周期值,LA的初始值为2*单位增加量LA0;
(8)、判断检测器集合Detectors中是否具有指定数量j个检测器;
如果否,则循环进行步骤(4)至步骤(7),直至产生指定数量j个检测器,检测器集合Detectors=[D1,D2,D3,…,Db,…,Dj],其中b、j为自然数,1≤b≤j;
Db={Rb,selfmaxb,selfminb,LAb};
Rb表示检测器Db的数据包中对应的随机向量;
Selfmaxb表示随机向量Rb与各训练向量间的欧式距离的最大值;
Selfminb表示随机向量Rb与各训练向量间的欧式距离的最小值;
LAb表示检测器Db对应的生命周期值;
如果是,则执行步骤(9);
(9)、在检测器集合Detectors中选择一个检测器Db,1≤b≤j,计算最新采集的新状态数据组N=[TN,LN,CN,SN,BN]与检测器Db中随机向量Rb之间的欧式距离EDb,分别比较EDb与检测器Db中Selfmaxb的大小,以及EDb与检测器Db中Selfminb的大小;
(10)、如果EDb>Selfmaxb,或者EDb<Selfminb,则表示检测器Db检测到监测人的生活规律出现异常,相应的服务器向客户端发出报警,并返回步骤(4),同时LAb的值更新为LAb+LA0;
如果Selfminb≤EDb≤Selfmaxb,则表示检测器Db检测的结果为监测人的生活规律处于正常范围,然后返回步骤(9)进行循环检测;
(11)、如果检测器集合Detectors中所有的检测器都不能检测到监测人的生活规律异常的情况,则将检测器集合Detectors中所有的检测器对应的生命周期值减去LA0,此时,生命周期值为0的检测器则检测器集合Detectors中剔除;
(12)、返回步骤(4)。
2.根据权利要求1所述的生活规律异常的检测方法,其特征在于:所述检测器的数据包中还包括检测器的接近程度值J,即检测器数据包D={R,selfmax,selfmin,LA,J},J的初始值为设定的整数值J0;相应地,检测器集合Detectors中Db={Rb,selfmaxb,selfminb,LAb,Jb},Jb表示检测器Db对应的接近程度值;
任一检测器Db(1≤b≤j)的接近程度值Jb=MIN[selfmaxb-EDb,EDb-selfmin];
建立父代优势检测器集合Parents=[D1,D2,D3,…,Dm,…,Dn],m、n为自然数,1≤m≤n,父代优势检测器集合Parents的初始集合为初始形成的检测器集合Detectors;
在步骤(11)中,当检测器集合Detectors中所有的检测器都不能检测到监测人的生活规律异常的情况时,还增加设置有优化的检测方法,所述优化的检测方法包括如下步骤:
(11.1)、自父代优势检测器集合Parents中取接近程度值最小的一检测器Dm,对检测器Dm中的随机向量Rm=[X1m,X2m,X3m,X4m,X5m,]中的随机一维值进行改变以获取新的随机向量RNm=[XN1m,XN2m,XN3m,XN4m,XN5m,],得到一个临时的检测器CD={RNm,selfmaxm,selfminm,LAm,Jm};
其中X1m∈TE,X2m∈LE,X3m∈CE,X4m∈SE,X5m∈BE;
XN1m∈TE,XN2m∈LE,XN3m∈CE,XN4m∈SE,XN5m∈BE;
循环进行该步骤从而繁殖产生j个临时检测器,该j个临时检测器存储在临时检测器集合Childen中;
(11.2)、自临时检测器集合Childen中取出一个临时检测器CDc,CDc中对应的随机向量为RNmc,其中c为自然数,1≤c≤j;
(11.3)、计算训练数据组TR中各训练向量TRa与随机向量RNmc之间的欧式距离,进而获取第二欧式距离数组EDC=[EDC1,EDC 2,EDC 3,…,EDCi],获取第二欧式距离数组DR中的最大距离值c-selfmax和最小距离值c-selfmin;
(11.4)、生成一个新代检测器ND,该新代检测器对应的数据包ND={RNmc,c-selfmax,c-selfmin,NLA,NJ},其中NLA表示新代检测器ND对应的生命周期值,NLA的初始值为2*单位增加量LA0,NJ表示新代检测器的接近程度值,NJ的初始值为设定的整数值J0;
将新代检测器ND加入到新代检测器集合NewDetectors;
(11.5)、循环步骤(11.2)至(11.4)直至历遍检测器集合Childen所有的临时检测器,则NewDetectors=[D1,D2,D3,…,Dd,…,Dj],其中d为自然数,1≤d≤j;
Dd={RNmcd,c-selfmaxd,c-selfmin d,NLAd,NJd};
RNmcd表示新代检测器Dd的数据包中对应的随机向量;
c-selfmaxd表示随机向量RNmcd与各训练向量间的欧式距离的最大值;
c-selfmin d表示随机向量RNmcd与各训练向量间的欧式距离的最小值;
NLAd表示新代检测器Dd对应的生命周期值;
NJd表示新代检测器Dd的接近程度值;
(11.6)、自新代检测器集合NewDetectors中取一个新代检测器NDd,其中d为自然数,1≤d≤j,计算最新采集的新状态数据组N=[TN,LN,CN,SN,BN]与新代检测器NDd中随机向量RNmcd之间的欧式距离NEDd,分别比较NEDd与检测器NDd中c-selfmaxd的大小,以及NEDd与检测器Db中c-selfmin d的大小;
(11.7)、如果NEDd>c-selfmaxd,或者NEDd<c-selfmind,则表示新代检测器NDd检测到监测人的生活规律出现异常,相应的服务器向客户端发出报警,把NDd加入检测器集合Detectors,并执行步骤(12),同时NLAd的值更新为NLAd+LA0;
如果c-selfmind≤NEDd≤c-selfmaxd,则表示新代检测器NDd检测的结果为监测人的生活规律处于正常范围,然后返回步骤(11.6)进行循环检测;
同时计算新代检测器NDd相应的接近程度值NJd,NJd=MIN[c-selfmaxd-NEDd,NEDd-c-selfmin d];
(11.8)、如果新代检测器集合NewDetectors中所有的检测器都不能检测到监测人的生活规律异常的情况,则从新代检测器集合NewDetectors和父代优势检测器集合Parents的所有检测器中取出接近程度值最小的前j个检测器,作为新的父代优势检测器集合Parents,清空新代检测器集合NewDetectors中所有的检测器;
返回步骤(11.1),循环检测Count次,Count为优化的检测方法的设定循环检测次数,如果仍然未检测到监测人的生活规律异常情况,则可识别为监测人的生活规律正常,然后执行步骤(12)。
3.根据权利要求1或2所述的生活规律异常的检测方法,其特征在于:所述时间数据包括日期、时、分数据。
4.根据权利要求1或2所述的生活规律异常的检测方法,其特征在于:所述位置数据包括室内位置数据和室外位置数据;
通过室内WiFi定位方法采集室内位置数据,通过GPS定位方法采集室外位置数据。
5.根据权利要求1或2所述的生活规律异常的检测方法,其特征在于:所述运动参数包括运动方向数据和运动速度数据,所述活动类型分类数据包括静止、走、跑、驾驶的分类数据。
6.根据权利要求1或2所述的生活规律异常的检测方法,其特征在于:所述体征参数包括血氧饱和度数据、脉搏数据、体温数据。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于指脉搏波与“寸口”脉搏波相关性的中医智能指环 | 2020-05-15 | 410 |
一种血氧供给检测方法 | 2020-05-15 | 286 |
双波长光电容积脉搏波特征量的动脉血氧饱和度计算方法 | 2020-05-12 | 342 |
一种血氧测量方法及装置 | 2020-05-16 | 491 |
血氧饱和度模拟仪校准装置 | 2020-05-15 | 293 |
一种血氧饱和度检测方法及系统 | 2020-05-14 | 554 |
一种血氧饱和度检测方法及系统 | 2020-05-14 | 527 |
一种血氧饱和度检测方法 | 2020-05-14 | 655 |
一种柔性连续脉搏血氧饱和度监测器 | 2020-05-11 | 472 |
一种一次性脉搏血氧饱和度传感器 | 2020-05-13 | 711 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。