CN104537273B - 一种溺水模式智能推理系统及方法 - Google Patents
一种溺水模式智能推理系统及方法 Download PDFInfo
- Publication number
- CN104537273B CN104537273B CN201510031264.8A CN201510031264A CN104537273B CN 104537273 B CN104537273 B CN 104537273B CN 201510031264 A CN201510031264 A CN 201510031264A CN 104537273 B CN104537273 B CN 104537273B
- Authority
- CN
- China
- Prior art keywords
- grader
- receiver
- disaggregated model
- treatment device
- comprehensive treatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 18
- 230000009182 swimming Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 206010013647 Drowning Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种溺水模式智能推理系统及方法，所述系统包括终端及服务器，所述终端连接服务器，所述服务器包括接收器、分类器及综合处理器，其中，所述分类器分别连接接收器及综合处理器，所述接收器连接综合处理器。所述接收器，用于接收终端发送的数据信息后，转发给分类器及综合处理器。所述分类器，用于对所述接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。所述综合处理器，用于根据接收器提供的数据及分类器的分类模型，对所述分类模型细化处理后，返回给分类器。
Description
技术领域
本发明属于人工智能领域，具体涉及一种涉及大数据处理与机器学习相关内容的溺水模式智能推理系统及方法。
背景技术
目前，在监控和处理游泳时可能发生的溺水问题时，主要依赖于救生员的现场监视，对游泳者的溺水状况完全依赖于救生员的肉眼观察判断。这种判断方式对救生员的注意力集中度和观察判断力提出了比较高的要求，即使是熟练的救生员也难免有疏忽错漏之处。一旦因为救生员的疏忽而发生意外，很容易造成难以挽回的损失。
因此，针对这类问题，在相关的智能游泳平台上使用一种利用传感器数据智能、准确、快速地判断游泳者溺水状况的推理引擎十分必要。本发明提供一种溺水模式智能推理系统及方法，以解决上述问题。
本发明将涉及到以下技术，首先作出相应说明。
大数据，或称巨量数据、海量数据，是由数量巨大、结构复杂、类型众多数据构成的数据集合，是基于云计算的数据处理与应用模式,通过数据的集成共享，交叉复用形成的智力资源和知识服务能力。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。在本发明中在机器学习的分类器选择中使用决策树作为主要处理方法。
决策树是一个预测模型。其代表对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。
群智分析技术，在分类问题时使用多个分类器(即：决策树)，再将结果进行综合，从而得出比单一分类器精度高很多、性能更稳定的分析结果。
在线分析技术，允许智能推理引擎不断读取新的溺水数据，从而不断对群智决策树分类器模型进行参数的微调，实现不断提高分类精度的目的。
发明内容
本发明提供一种溺水模式智能推理系统，包括终端及服务器，所述终端连接服务器，所述服务器包括接收器、分类器及综合处理器，其中，所述分类器分别连接接收器及综合处理器，所述接收器连接综合处理器。所述接收器，用于接收终端发送的数据信息后，转发给分类器及综合处理器。所述分类器，用于对所述接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。所述综合处理器，用于根据接收器提供的数据及分类器的分类模型，对所述分类模型细化处理后，返回给分类器。
优选的，所述终端为游泳手环，由用户游泳时佩带。
本发明还提供一种溺水模式智能推理方法，包括以下步骤。
S1、接收器接收终端发送的用户状态数据及环境数据，并转发给分类器及综合处理器。
S2、所述分类器对接收器发送的数据进行训练分析，得到分类模型，并根据所述分类模型判断用户是否溺水。
S3、综合处理器根据接收器提供的数据，及分类器的分类模型，对所述分类模型细化处理后并返回给分类器，分类器重复步骤S2。
优选的，在步骤S2中，所述分类器采用机器学习方法对数据进行训练分析，并采用决策树进行归纳推理得到分类模型。
优选的，在步骤S3中，综合处理器建立多个独立的决策树，对分类模型进行参数的微调。
根据本发明提供的溺水模式智能推理系统及方法，在系统服务器中设置接收器、分类器及综合处理器，所述接收器接收终端发送的数据信息后转发给分类器及综合处理器，分类器对接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。同时综合处理器根据接收器提供的数据及分类器的分类模型，对分类模型细化处理后返回给分类器。如此，不断提高分类精度，有效达到防止溺水的状况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。
图1是本发明较佳实施例提供的溺水模式智能推理系统示意图；
图2是本发明较佳实施例提供的溺水模式智能推理方法流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1是本发明较佳实施例提供的溺水模式智能推理系统示意图。如图1所示，本发明较佳实施例提供的溺水模式智能推理系统包括终端1及服务器2，所述终端1连接服务器2，所述服务器2包括接收器21、分类器22及综合处理器23，其中，所述分类器22分别连接接收器21及综合处理器23，所述接收器21连接综合处理器23。所述接收器21，用于接收终端发送的数据信息后，转发给分类器22及综合处理器23。所述分类器22，用于对所述接收器21发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。所述综合处理器23，用于根据接收器21提供的数据，及分类器22的分类模型，对所述分类模型细化处理后，返回给分类器22。
具体地，本实施例中所述的服务器为云平台服务器，能够存储少量数据，并完成整个系统所有智能信息处理功能。
所述终端为游泳手环，由用户游泳时佩带。所述游泳手环内置传感器，用于采集环境水压，环境水温，游泳者的实时运动模式，游泳者心跳血压及其他相应健康参数等数据信息，发送给服务器。此外，每个游泳手环内包含其所有者的信息，包括上述的实时信息外还有游泳者的身高、体重等基本信息，均本保存在服务器中。
所述服务器为远端服务器，与游泳手环通过无线方式通信。
图2是本发明较佳实施例提供的溺水模式智能推理系统工作流程图。如图2所示，本发明较佳实施例提供的溺水模式智能推理系统工作流程包括以下步骤。
S1、接收器接收终端发送的用户状态数据及环境数据，并转发给分类器及综合处理器。
于此，所述用户状态数据包括游泳者的实时运动模式、游泳者心跳血压及其他相应健康参数，所述环境数据包括环境水压及环境水温。
S2、所述分类器对接收器发送的数据进行训练分析，得到分类模型，并根据所述分类模型判断用户是否溺水。
具体而言，所述分类器采用机器学习方法对数据进行训练分析，机器学习的要点在于训练集和推理算法的选取。本发明采用决策树进行归纳推理得到分类模型，服务器实时更新用户所在游泳环境的水压、水温及实时运动模式(即：加速度)作为属性(attribute)，运用该决策树判断溺水状况。其中，训练集是由一个个案例组成，每一个训练案例可分为正例和反例。溺水的一个正例由“游泳者处于溺水状态”和“游泳者溺水时的各项参数(环境参数和游泳者自身身体状态参数)”配对组成；溺水的一个反例由“游泳者没有处于溺水状态”和“游泳者当时的各项参数(环境参数和游泳者自身身体状态参数)”配对组成。管理员可以设定一个参数，使得游泳手环以固定的频率(如该手环用户的累积游泳时间每达到一个小时)向服务器发送训练案例，从而不断增加服务器中的数据(即：训练案例)。
S3、综合处理器根据接收器提供的数据，及分类器的分类模型，对所述分类模型细化处理后并返回给分类器，分类器重复步骤S2。
本步骤中，综合处理器建立多个独立的决策树，对分类模型进行参数的微调。具体地，服务器在分类问题时使用多个决策树分类器，再将结果进行综合，从而得出比单一决策树分类器精度高很多、性能更稳定的分析结果。
同时，服务器还通过不断读取新的溺水数据，从而不断对分类器模型进行参数的微调，实现不断提高分类精度的目的。随着服务器中的数据的增加，由于训练集的增加，预测精度也随着不断提高。经过一段时间后即可逼近真实状况，有效判断游泳者是否处于溺水状态。
综上所述，根据本发明较佳实施例提供的溺水模式智能推理系统及方法，运用大数据、机器学习、群智分析技术和在线分析技术，可以智能有效的判断游泳者的溺水状况，节省了救生员的观察成本，避免了因救生员的观察误差而引起的溺水事件。此外，随着本系统的不断使用，服务器中的数据量会越来越大，而溺水模式智能推理系统也会随着数据增大而不断学习进步变得越来越精确。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种溺水模式智能推理系统，其特征在于，包括终端及服务器，所述终端连接服务器，所述服务器包括接收器、分类器及综合处理器，其中，所述分类器分别连接接收器及综合处理器，所述接收器连接综合处理器，
所述接收器，用于接收终端发送的数据信息后，转发给分类器及综合处理器；
所述分类器，用于采用机器学习方法对所述接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水；
所述训练分析为采用决策树进行归纳推理得到分类模型，服务器实时更新用户所在游泳环境的水压、水温及实时运动模式作为属性，运用该决策树判断溺水状况；
所述综合处理器，用于根据接收器提供的数据，及分类器的分类模型，建立多个独立的决策树对所述分类模型细化处理后，返回给分类器。
2.根据权利要求1所述的智能推理系统，其特征在于，所述终端为游泳手环，由用户游泳时佩带。
3.一种使用权利要求1至2任一项所述系统的溺水模式智能推理方法，其特征在于，包括以下步骤：
S1、接收器接收终端发送的用户状态数据及环境数据，并转发给分类器及综合处理器；
S2、所述分类器采用机器学习方法对接收器发送的数据进行训练分析，采用决策树进行归纳推理得到分类模型，并根据所述分类模型判断用户是否溺水；
所述训练分析为采用决策树进行归纳推理得到分类模型，服务器实时更新用户所在游泳环境的水压、水温及实时运动模式作为属性，运用该决策树判断溺水状况
S3、综合处理器根据接收器提供的数据，及分类器的分类模型，对所述分类模型细化处理后并返回给分类器，分类器重复步骤S2。
4.根据权利要求3所述的方法，其特征在于，在步骤S3中，综合处理器建立多个独立的决策树，对分类模型进行参数的微调。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510031264.8A CN104537273B (zh) | 2015-01-21 | 2015-01-21 | 一种溺水模式智能推理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510031264.8A CN104537273B (zh) | 2015-01-21 | 2015-01-21 | 一种溺水模式智能推理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104537273A CN104537273A (zh) | 2015-04-22 |
| CN104537273B true CN104537273B (zh) | 2017-08-25 |
Family
ID=52852799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510031264.8A Expired - Fee Related CN104537273B (zh) | 2015-01-21 | 2015-01-21 | 一种溺水模式智能推理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104537273B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881959B (zh) * | 2015-06-03 | 2017-03-01 | 京东方科技集团股份有限公司 | 一种检测溺水的方法和检测溺水的装置 |
| CN108663686A (zh) * | 2018-04-17 | 2018-10-16 | 中国计量大学 | 一种基于激光雷达的游泳池溺水监控装置及方法 |
| CN110032359B (zh) * | 2019-02-03 | 2021-06-11 | 清华大学 | 用于3d应用的模型获取方法及装置、介质及计算设备 |
| CN110793539A (zh) * | 2019-11-12 | 2020-02-14 | 浙江大学城市学院 | 基于运动分量阈值和机器学习的溺水检测方法和系统 |
| CN112927477A (zh) * | 2021-03-11 | 2021-06-08 | 浙江工业大学 | 一种多维度的游泳馆溺水预警方法、系统及电子设备 |
| CN113516828B (zh) * | 2021-09-15 | 2022-01-07 | 深圳市信润富联数字科技有限公司 | 溺水监测方法、装置、设备与计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021136A (zh) * | 2012-12-24 | 2013-04-03 | 电子科技大学 | 一种基于物联网的游泳池溺水监控系统及监控方法 |
| CN103295366A (zh) * | 2013-04-18 | 2013-09-11 | 浙江大学城市学院 | 一种基于体感的溺水报警装置及其方法 |
| CN204480252U (zh) * | 2015-01-21 | 2015-07-15 | 苏州大学 | 一种溺水模式智能推理系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050132305A1 (en) * | 2003-12-12 | 2005-06-16 | Guichard Robert D. | Electronic information access systems, methods for creation and related commercial models |
| GB0907361D0 (en) * | 2009-04-29 | 2009-06-10 | Lok8U Ltd | A tracking and communications device |
-
2015
- 2015-01-21 CN CN201510031264.8A patent/CN104537273B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021136A (zh) * | 2012-12-24 | 2013-04-03 | 电子科技大学 | 一种基于物联网的游泳池溺水监控系统及监控方法 |
| CN103295366A (zh) * | 2013-04-18 | 2013-09-11 | 浙江大学城市学院 | 一种基于体感的溺水报警装置及其方法 |
| CN204480252U (zh) * | 2015-01-21 | 2015-07-15 | 苏州大学 | 一种溺水模式智能推理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 上海市青少年运动伤害流行现况与风险评估;尹明敏;《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》;20120115(第01期);前言，正文第14-15页，第38-40页，第53-54页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104537273A (zh) | 2015-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104537273B (zh) | 一种溺水模式智能推理系统及方法 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
| CN105469376B (zh) | 确定图片相似度的方法和装置 | |
| WO2022105714A1 (zh) | 数据处理方法、机器学习的训练方法及相关装置、设备 | |
| CN109583322A (zh) | 一种人脸识别深度网络训练方法和系统 | |
| CN109325547A (zh) | 非机动车图像多标签分类方法、系统、设备及存储介质 | |
| CN110532996A (zh) | 视频分类的方法、信息处理的方法以及服务器 | |
| CN107092894A (zh) | 一种基于lstm模型的运动行为识别方法 | |
| CN106469302A (zh) | 一种基于人工神经网络的人脸肤质检测方法 | |
| CN108961675A (zh) | 基于卷积神经网络的跌倒检测方法 | |
| CN105512676A (zh) | 一种智能终端上的食物识别方法 | |
| CN110135476A (zh) | 一种个人安全装备的检测方法、装置、设备及系统 | |
| CN111597870B (zh) | 一种基于注意力机制与多任务学习的人体属性识别方法 | |
| CN106326857A (zh) | 基于人脸图像的性别识别方法及装置 | |
| CN109815826A (zh) | 人脸属性模型的生成方法及装置 | |
| CN111339818B (zh) | 一种人脸多属性识别系统 | |
| CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| CN109117781A (zh) | 多属性识别模型的建立方法、装置及多属性识别方法 | |
| CN110222634A (zh) | 一种基于卷积神经网络的人体姿态识别方法 | |
| CN107169106A (zh) | 视频检索方法、装置、存储介质及处理器 | |
| CN109344920A (zh) | 顾客属性预测方法、存储介质、系统及设备 | |
| CN109255296A (zh) | 一种基于深度卷积神经网络的日常人体行为识别方法 | |
| KR102593835B1 (ko) | 휴리스틱 가우스 클라우드 변환에 기반하는 얼굴인식 기술 | |
| CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |