CN104965996B - 一种基于贝叶斯公式的年长者生活状态监测推理方法 - Google Patents
一种基于贝叶斯公式的年长者生活状态监测推理方法 Download PDFInfo
- Publication number
- CN104965996B CN104965996B CN201510438039.6A CN201510438039A CN104965996B CN 104965996 B CN104965996 B CN 104965996B CN 201510438039 A CN201510438039 A CN 201510438039A CN 104965996 B CN104965996 B CN 104965996B
- Authority
- CN
- China
- Prior art keywords
- event
- sensor
- older
- animation
- probability
- 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
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于贝叶斯公式的年长者生活状态监测推理方法,所述方法以贝叶斯公式为基础,通过专家系统里的反应年长者生活状态的各事件的初始先验概率、各事件发生且触发传感器的条件概率和各事件未发生却触发传感器的条件概率,以及传感器的触发信号,计算反应年长者生活状态的事件发生的后验几率,从而减低传感器系统不确定行,提高判断的准确率,使判断的准确率达到95%以上。
Description
技术领域
本发明涉及一种年长者生活状态监测人工智能推理方法,具体是一种基于贝叶斯公式的年长者生活状态监测推理方法,属于人工智能领域。
背景技术
无人陪伴的居家养老的年长者若有不适、发生摔倒等突发事件将处于危险中。为了应对这些危险,国内外进行了大量的研究,出现了大量的成果,包括论文、专利和产品。这些成果集中为1、传感器侦测系统,通过安装在年长者居室内的传感器判定年长者的状态和行为;2、可穿戴和可植入式医疗检测系统,可将年长者的脉搏、血压、心电、呼吸、血氧等参数上传至医疗监护中心;3、摔倒侦测系统,一旦发生摔倒,可向医疗监护系统报警;4、按钮求助系统,年长者在需要时可按按钮向医疗监护系统求助;5、视频监控系统,可直接将居室内部影像传输到医疗监护终端;6、以医疗监护为目的的辅助和互动机器人陪伴。这些方法很有效。存在的问题是1、隐私权保护问题;2、年长者的舒适感以及年长者的接受程度;3、传感器反映年长者状态的不确定性、结论的判读方法及其准确性。
上述现有技术中,传感器侦测系统因传感器信号包含不确定性,难以保证结论的可信度。例如将翻身、看表、去卫生间等动作触发传感器错误地判定为已经起床等。有的传感器侦测系统有粗略的推理能力,可在24小时内判断年长者是否有动作。可穿戴医疗检测系统存在舒适性问题,这些系统穿戴在身上甚至植入体内会影响年长者的行动。尤其夏日穿戴比较单薄的时候、洗澡的时候会感到不方便。另外这些信息需要专业护理人员随时判读,因此这种系统通常用于危重病人,健康和亚健康的年长者难以接受。摔倒是导致年长者死亡的主要危险。已有成果用超声波技术或雷达技术追踪年长者,一旦发现异常,可向医疗监控系统报警。这要求各个房间都要安装探测装置,而且侦测内容单一,区分被动摔倒和主动卧床有困难。按钮求助系统结构简单,但要求年长者意识清楚,有行为能力,且有求助的意愿。按钮求助系统无法防止自杀,也无法区分无意求助和已无行为能力没能求助两种情况。视频监控系统有隐私许可问题、持续占据大量网络带宽、需要专门人员持续监看判读等问题。以医疗监护为目的的辅助和互动机器人是重要发展方向,其问题是发展水平不一,年长者的经济负担能力不一,部分年长者承担不起。
发明内容
本发明要解决的技术问题是提供一种基于贝叶斯公式的年长者生活状态监测推理方法,可以显著降低传感器侦测系统的不确定性,提高判断的准确率。
为了解决所述技术问题,本发明采用的技术方案是:一种基于贝叶斯公式的年长者生活状态监测推理方法,包括传感器系统、专家系统、推理机和结论判定模块,所述传感器系统包括多个用于采集年长者生活状态信息的传感器,所述专家系统提供的反应年长者生活状态的各事件的初始先验概率、各事件发生且触发传感器的条件概率和各事件未发生却触发传感器的条件概率,所述推理机用于计算反应年长者生活状态的各事件的后验几率,所述结论判定模块用于判断反应年长者生活状态的各事件是否发生,所述方法包括以下步骤:
S01:传感器系统采集反应年长者生活状态的各事件的信息,并将其作为触发信号送入推理机;
S02:设定反应年长者生活状态的各事件发生的可信度判据和事件没有发生的可信度判据;
S03:根据专家系统提供的反应年长者生活状态的各事件的初始先验概率PHj、各事件发生且触发传感器的条件概率PSHij和各事件未发生却触发传感器的条件概率PSNHij,计算各事件的初始先验几率:
各事件对各传感器的充分性似然值为:
各事件发生但未触发各传感器的充分性似然值为:
PSH0j为各事件发生却并未触发任何传感器的条件概率,PSNH0j为各事件未发生也并未触发任何传感器的条件概率,
其中i为传感器编号,j为反映年长者生活状态的事件的编号,i为[0,8]之间的整数,j为[1,8]之间的整数;i=0代表没有任何传感器,i=1~8代表相应传感器的编号;
S04:推理机收到来自传感器的触发信号,根据贝叶斯公式,按周期计算各个事件发生的后验概率:
OHj(k+1)=LSij×OHj(k),0≤i≤8,1≤j≤8,k=0,1,…;···············④
k为推理步数,LSij为j事件对传感器i的充分性似然值,由专家系统中的数据推得;OHj(k)为j事件第k步的先验几率,当k=0时,
OHj(0)为j事件的初始先验几率,由专家系统的数据推得;
当k≠0时,OHj(k)取上一步计算出来的后验几率;
S05:比较后验几率和可信度判据,判断事件有无发生。
进一步的,为了方便计算,使运算步骤简单,对公式①②③④分别取对数,得到:
LOHj(k+1)=log[OHj(k)×LSij]=LOHj(k)+LLSij,0≤i≤8,1≤j≤8。
进一步的,还包括自学习模块,自学习模块根据判断结果,修正先验概率,当得出正确结论时,将向上修正专家系统中的初始先验概率,并以0.95为极限;当判定结论出错时,将向下修正初始先验概率,并以0.1为极限。
进一步的,所述推理机的推理周期为1分钟。
进一步的,所述专家系统提供的年长者已经起床、已经早餐、已经午餐、已经午间休息、已经午睡起床、已经晚餐、已经就寝、已经出门的时间的初始先验概率、发生上述事件触发传感器的条件概率和上述事件没有发生却触发各传感器的条件概率,这些数据由统计得出。具体为:起床、早餐、午餐、午间休息、晚餐、就寝、出门的初始先验概率为:PH1=0.5,PH2=0.5,PH3=0.5,PH4=0.5,PH5=0.5,PH6=0.5,PH7=0.5,PH8=0.5。
各事件发生且触发各传感器的条件概率如表1:
表1:各事件发生且触发各传感器的条件概率
各事件没有发生却触发了各传感器的条件概率如表2:
表2:各事件没有发生却触发了各传感器的条件概率
进一步的,所述传感器系统包括卧室热释电传感器、中厅热释电传感器、厨房热释电传感器、门磁开关、自来水流量传感器、照明电流传感器、煤气流量传感器和求助按钮。
已经起床、已经早餐、已经午餐、已经午睡起床、已经晚餐的事件发生的可信度判据统一取Crit95=0.95;已经午间休息、已经就寝、已经出门的事件的可信度判据统一取Crit05=0.05;事件没有发生的可信度统一取Crit50=0.5。
本发明的有益效果:本发明以贝叶斯公式为基础计算反应年长者生活状态的各事件的后验概率,即监测推理反应年长者生活状态的事件发生的几率,可以显著降低传感器系统采集信息的不稳定性,提高判断的准确率,使准确率达95%以上。
附图说明
图1为本发明的流程图;
图2为本发明的实施图;
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明和限定。
一种基于贝叶斯公式的年长者生活状态监测推理方法,包括传感器系统、专家系统、推理机、结论判定模块和自学习模块,所述传感器系统包括用来采集年长者生活状态信息的卧室热释电传感器、中厅热释电传感器、厨房热释电传感器、门磁开关、自来水流量传感器、照明电流传感器、煤气流量传感器和求助按钮;所述专家系统提供的年长者已经起床、已经早餐、已经午餐、已经午间休息、已经午睡起床、已经晚餐、已经就寝、已经出门的事件的初始先验概率,发生上述事件触发传感器的条件概率和未发生上述事件却触发传感器的条件概率;所述推理机是以贝叶斯公式为基础的计算机迭代方法,用于计算反应年长者生活状态事件的后验几率。在事先确定的时间段中,一旦有传感器被触发,推理机将按周期计算累计后验几率,并由结论判定模块判定反映年长者生活状态的事件已经发生,并记录事件发生的时间。所述自学习模块将根据判断的正确性对所述专家系统进行修正,使判断的准确性不断改善。
如图1所示,本基于贝叶斯公式的年长者生活状态监测推理方法的具体步骤为:
S01:传感器系统采集反应年长者生活状态的各事件的信息,并将其作为触发信号送入推理机;
S02:设定反应年长者生活状态的各事件发生的可信度判据和事件没有发生的可信度判据;已经起床、已经早餐、已经午餐、已经午睡起床、已经晚餐事件发生的可信度判据统一取Crit95=0.95。已经午间休息、已经就寝、已经出门事件的可信度判据统一取Crit05=0.05。事件没有发生的可信度统一取Crit50=0.5。
S03:专家系统提供的起床、早餐、午餐、午间休息、午睡起床、晚餐、就寝、出门这些反应年长者生活状态的事件的初始先验概率分别为PH1=0.5,PH2=0.5,PH3=0.5,PH4=0.5,PH5=0.5,PH6=0.5,PH7=0.5,PH8=0.5。
上述事件发生且触发各传感器的条件概率如下表:
表1:各事件发生且触发各传感器的条件概率
上述事件没有发生却触发了各传感器的条件概率如下表:
表2:各事件没有发生却触发了各传感器的条件概率
计算各事件的初始先验几率,事件的初始先验几率与初始先验概率的关系如下式:
其对数为:
各个事件对各传感器和继电器的充分性似然值由下式求出:
其对数为:
各种事件发生但没有触发任何传感器的条件概率及充分性似然值,
由人工智能理论可知,各事件发生却并未触发任何传感器的条件概率为:
例如年长者已经起床了,但却并未触动任何传感器的条件概率:
PSH01=1-max(0.95,0.8,0.6,0.1,0.5,0.5,0.2,0.5)=0.05
各事件未发生,也未触发任何传感器的条件概率为:
例如年长者并未起床,也未触动各个传感器的条件概率:
PSNH01=1-max(0.6,0.4,0.2,0.1,0.2,0.3,0.1,0.1)=0.4
因此,各事件发生但未触发各传感器的充分性似然值为:
其对数:
S04:推理机进行推理,在事先确定的时间段中,一旦有传感器被触发,推理机将按周期计算累计后验几率,本实施例中,所述推理周期为1分钟。
OHj(k+1)=LSij×OHj(k),0≤i≤8,1≤j≤8,k=0,1,…
取对数:
LOHj(k+1)=log[OHj(k)×LSij]=LOHj(k)+LLSij,0≤i≤8,1≤j≤8。
k为推理步数,LSij为j事件对传感器i的充分性似然值,由专家系统中的数据推得;OH j(k)为j事件第k步的先验几率,当k=0时,
OHj(0)为j事件的初始先验几率,由专家系统的数据推得;
当k≠0时,OHj(k)取上一步计算出来的后验几率。
在此推理过程中,如果在周期性(典型值为每分钟一次)的迭代推理过程中有传感器被触发,亦即i=1,2,…,8,那么后验几率将不断增加,直到超过高阈值;如果没有任何传感器被触发,亦即i=0,则后验几率将逐次减小,直到低于低阈值。
S05:结论判定,每次推理结束后,立刻对后验几率进行判定。若后验几率超出高阈值Crit95,则可得出该事件已经发生并结束本次推理。若后延几率达不到Crit95,但也不低于低阈值Crit50,则等待下一周期的传感器信号。若低于Crit50,则判定该事件没有发生,本次推理结束,等待重新启动下一次推理。如果在事先规定的时间段(如3小时)中始终没有肯定的结论,则判定事件没有发生并结束该次推理。
S06:自学习模块,在每次推理结束之后,如果判断结果是正确的,将按下式修正先验概率
PH(1+1)=0.9×PH(1)+0.095
经多次学习,先验概率将从初始值0.5向0.95逼近,最终,一次信号就可断定事件已经发生。如果判断结果是错误的,例如当“出门”事件发生时,“起床”事件必然已经发生。如果“起床”事件判断为“未发生”,结果必然是错误的。此时将按下式修正先验概率
PH(1+1)=0.9×PH(1)+0.01
每次发生误判,将向下修改先验概率,其极限为0.1。这样就需要更多次的信号累计,才能判定结果。
如图2所示,传感器系统的传感器分别安装在年长者住处的各个房间,并且传感器与家庭主机。当年长者有所行动时,会触发这些传感器,但是传感器被触发其反映的是年长者的那类行动则存在着不确定性。该方法接受来自各个房间中的热释电传感器、求助按钮、门磁开关、自来水流量继电器、照明电流继电器、煤气流量继电器的信号,据此信号在95%的可信度上推断居家养老的年长者是否已经起床、早餐、午餐、午间休息、晚餐、就寝和出门。判定结果通过网络发送到护理中心的服务器上,若某年长者有违反生活规律的行为,出门未归的情况、活动量显著减少、资源消耗量显著减少以及求助按钮被按下等情况,服务器将根据状况的严重程度提出建议、发出警告,以便护理人员可以据此通过电话与年长者联系、驱车探望、及时治疗和营救。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于贝叶斯公式的年长者生活状态监测推理方法,其特征在于:包括传感器系统、专家系统、推理机和结论判定模块,所述传感器系统包括多个用于采集年长者生活状态信息的传感器,所述专家系统提供反应年长者生活状态的各事件的初始先验概率、各事件发生且触发传感器的条件概率和各事件未发生却触发传感器的条件概率,所述推理机用于计算反应年长者生活状态的各事件的后验几率,所述结论判定模块用于判断反应年长者生活状态的各事件是否发生,所述方法包括以下步骤:
S01:传感器系统采集反应年长者生活状态的各事件的信息,并将其作为触发信号送入推理机;
S02:设定反应年长者生活状态的各事件发生的可信度判据和事件没有发生的可信度判据;
S03:根据专家系统提供的反应年长者生活状态的各事件的初始先验概率PHj、各事件发生且触发传感器的条件概率PSHij和各事件未发生却触发传感器的条件概率PSNHij,计算以下各值:
各事件的初始先验几率:
各事件对各传感器的充分性似然值为:
各事件发生但未触发各传感器的充分性似然值为:
PSH0j为各事件发生却并未触发任何传感器的条件概率,1≤j≤8;
PSNH0j为各事件未发生也并未触发任何传感器的条件概率,1≤j≤8;
其中i为传感器编号,j为反映年长者生活状态的事件的编号,i为[0,8]之间的整数,j为[1,8]之间的整数;i=0代表没有任何传感器,i=1~8代表相应传感器的编号;
S04:推理机收到来自传感器i的触发信号,根据贝叶斯公式,按周期计算各个事件发生的后验几率:
OHj(k+1)=LSij×OHj(k),0≤i≤8,1≤j≤8,k=0,1,…;············④
k为推理步数,LSij为j事件对传感器i的充分性似然值,由专家系统中的数据推得;OH j(k)为j事件第k步的先验几率,当k=0时,
OHj(0)为j事件的初始先验几率,由专家系统的数据推得;
当k≠0时,OHj(k)取上一步计算出来的后验几率;
S05:比较后验几率和可信度判据,判断事件有无发生。
2.根据权利要求1所述的基于贝叶斯公式的年长者生活状态监测推理方法,其特征在于:对公式①②③④分别取对数,得到:
LOHj(k+1)=log[OHj(k)×LSij]=LOHj(k)+LLSij,0≤i≤8,1≤j≤8,k=0,1,…。
3.根据权利要求1或2所述的基于贝叶斯公式的年长者生活状态监测推理方法,其特征在于:还包括自学习模块,自学习模块根据判断结果,修正先验概率。
4.根据权利要求3所述的基于贝叶斯公式的年长者生活状态监测推理方法,其特征在于:所述推理机的推理周期为1分钟。
5.根据权利要求4所述的基于贝叶斯公式的年长者生活状态监测推理方法,其特征在于:所述专家系统提供年长者已经起床、已经早餐、已经午餐、已经午间休息、已经午睡起床、已经晚餐、已经就寝、已经出门的时间的初始先验概率、发生上述事件触发各传感器的条件概率和上述事件未发生却触发各传感器的条件概率。
6.根据权利要求5所述的基于贝叶斯公式的年长者生活状态监测推理方法,其特征在于:所述传感器系统包括卧室热释电传感器、中厅热释电传感器、厨房热释电传感器、门磁开关、自来水流量传感器、照明电流传感器、煤气流量传感器和求助按钮。
7.根据权利要求6所述的基于贝叶斯公式的年长者生活状态监测推理方法,其特征在于:已经起床、已经早餐、已经午餐、已经午睡起床、已经晚餐的事件发生的可信度判据统一取Crit95=0.95;已经午间休息、已经就寝、已经出门的事件的可信度判据统一取Crit05=0.05,事件没有发生的可信度统一取Crit50=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510438039.6A CN104965996B (zh) | 2015-07-23 | 2015-07-23 | 一种基于贝叶斯公式的年长者生活状态监测推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510438039.6A CN104965996B (zh) | 2015-07-23 | 2015-07-23 | 一种基于贝叶斯公式的年长者生活状态监测推理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104965996A CN104965996A (zh) | 2015-10-07 |
CN104965996B true CN104965996B (zh) | 2017-09-29 |
Family
ID=54220034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510438039.6A Expired - Fee Related CN104965996B (zh) | 2015-07-23 | 2015-07-23 | 一种基于贝叶斯公式的年长者生活状态监测推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104965996B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105476640A (zh) * | 2015-12-21 | 2016-04-13 | 青岛中科慧康科技有限公司 | 智能手表健康安全检测算法 |
CN107255969B (zh) * | 2017-06-28 | 2019-10-18 | 重庆柚瓣家科技有限公司 | 养老机器人用监管系统 |
CN107329445B (zh) * | 2017-06-28 | 2020-09-08 | 重庆柚瓣家科技有限公司 | 机器人行为准则智能监管的方法 |
DE102018121349A1 (de) * | 2018-08-31 | 2020-03-05 | B. Braun Avitum Ag | Selbstlernender Eingabefilter für Medizingeräte |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736607A (zh) * | 2012-07-06 | 2012-10-17 | 重庆邮电大学 | 基于数据融合的家居安全健康远程监测系统 |
EP2660745A2 (en) * | 2012-05-01 | 2013-11-06 | Bernie Almosni | Mental health digital behavior monitoring system and method |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3467857B2 (ja) * | 1994-09-01 | 2003-11-17 | 松下電工株式会社 | 生活情報異常監視システム |
JP2003272068A (ja) * | 2002-03-14 | 2003-09-26 | Nippon Telegr & Teleph Corp <Ntt> | 体調検知方法、装置、プログラム、および該プログラムを記録した記録媒体 |
-
2015
- 2015-07-23 CN CN201510438039.6A patent/CN104965996B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2660745A2 (en) * | 2012-05-01 | 2013-11-06 | Bernie Almosni | Mental health digital behavior monitoring system and method |
CN102736607A (zh) * | 2012-07-06 | 2012-10-17 | 重庆邮电大学 | 基于数据融合的家居安全健康远程监测系统 |
Non-Patent Citations (1)
Title |
---|
《重庆市老年公寓老年人心理健康问题及其干预》;张皑频;《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》;20100615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104965996A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11369321B2 (en) | Monitoring and tracking system, method, article and device | |
CN104965996B (zh) | 一种基于贝叶斯公式的年长者生活状态监测推理方法 | |
Hoque et al. | Holmes: A comprehensive anomaly detection system for daily in-home activities | |
CN107092806A (zh) | 一种面向老人家居智能化的信息融合与预警方法 | |
Shin et al. | Detection of abnormal living patterns for elderly living alone using support vector data description | |
EP2929476B1 (en) | A method and system to reduce the nuisance alarm load in the clinical setting | |
WO2014063518A1 (zh) | 远程家庭保健系统 | |
Zhao et al. | Detecting abnormal patterns of daily activities for the elderly living alone | |
Dalal et al. | A Rule-Based Approach to the Analysis of Elders' Activity Data: Detection of Health and Possible Emergency Conditions. | |
KR101993649B1 (ko) | 가우시안 분포를 이용한 생활패턴 규칙성 산출 방법 및 그 장치 | |
Walsh et al. | Inferring health metrics from ambient smart home data | |
WO2013023067A2 (en) | Monitoring and tracking system, method, article and device | |
KR102188981B1 (ko) | 스마트 고독사 방지 시스템 및 그 방법 | |
CN116976834B (zh) | 一种基于SaaS云服务的智慧养老服务平台 | |
CN109567770A (zh) | 一种人体健康监测方法及系统 | |
Li et al. | Health activities monitoring and warning system for geriatric daily living in extra care homes | |
Wong et al. | Probabilistic detection of vital sign abnormality with Gaussian process regression | |
CN113671489A (zh) | 状态提醒方法及装置、电子设备和计算机可读存储介质 | |
Mocanu et al. | A multi-agent supervising system for smart environments | |
CN111671397A (zh) | 一种基于睡眠监测的健康管理系统及方法 | |
Aissani et al. | Smart Home Danger Prediction System to ensure People with Alzheimer's Disease Safety | |
EP4038595A1 (en) | System and method for monitoring an individual | |
Civitarese | Behavioral monitoring in smart-home environments for health-care applications | |
Al_Zuhairi et al. | Intelligent mobile cloud platform for monitoring patients of covid-19 in their home-quarantines | |
JP7219531B1 (ja) | 体調管理システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
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: 20170929 Termination date: 20190723 |
|
CF01 | Termination of patent right due to non-payment of annual fee |