CN105528754A - 一种基于双神经网络行为识别模型的老年人信息服务系统 - Google Patents

Abstract

本发明提供一种基于双神经网络行为识别模型的老年人信息服务系统，该系统包括云服务器和老年人智能手环。其中云服务器用于训练神经网络行为识别模型并通过云服务同步至智能手环端，老年人智能手环用于对老年人的姿态和生理数据进行采集，并根据采集的数据实现对老年人的定位、行为识别、健康分析和危险报警等功能。该系统数据传输量小、易于实现、识别速度快、准确度高，能够为老年人提供高质量的健康和安全信息服务。

Description

一种基于双神经网络行为识别模型的老年人信息服务系统

技术领域

本发明涉及一种老年人信息服务系统，特别涉及一种基于双神经网络行为识别模型的老年人信息服务系统。

背景技术

目前，我国是世界上老年人口最多的国家之一。由于我国的独生子女制度，使得城市的家庭结构由原来几世同堂的大家庭结构转变为现在独立的小家庭模式。老年人思想观念的转变也促使现代老年人日益倾向于不依赖子女而独立生活。在老年人独立生活的模式下，关爱老年人，帮助他们追求更加幸福的晚年生活，是整个社会的责任和义务。

老龄化的飞速发展，使得老年消费群体成为了信息化服务市场中的蓝海。与如此巨大的市场形成鲜明对比的是，目前市场上为老年人提供智能化安全信息服务和健康信息服务的产品并不多见，且大多操作复杂、功能单一、智能化程度低，远远无法满足目前老年消费市场的需求。针对老年人心理生理特点，以智能化和信息化为核心，采用先进的人工智能技术和云计算技术，利用可穿戴式的智能手环对老年人的日常生活行为进行识别和分析，进而为老年人提供智能化安全信息服务和健康信息服务，既具有巨大的市场需求，也具有广阔的发展空间。

然而，目前业界的行为识别产品大多采用简单的特征识别算法，即对采集的数据进行预处理（去噪、滤波等）后，进行特征提取，并通过提取的特征进行判断识别。该方法的判别大多具有孤立性和偶然性。结合时间的连续体征变化规律分析才能帮助个体用户数据和广谱人群进行对比，并建立个体基准规律及时发现异常。神经网络是连续信号分析和识别的最佳模型之一，但因为算法复杂、计算量大，难以直接在手环端实现。同时神经网络的训练基于梯度下降算法，具有收敛缓慢、易陷入局部极值等缺点。

发明内容

本发明的目的在于提供一种基于双神经网络行为识别模型的老年人信息服务系统，该系统中神经网络的训练和识别分别在云服务器端和智能手环端完成，并通过云端实现数据同步，具有数据传输量小、易于实现、识别速度快和准确度高等特点。

为实现上述目标，本发明所采用的技术方案如下：

本发明提供一种基于双神经网络行为识别模型的老年人信息服务系统，包括云服务器和老年人智能手环；

所述的云服务器包括行为分析数据库、云计算平台和母神经网络模块；云服务器中云计算平台分别与行为分析数据库和母神经网络模块连接；

行为分析数据库，用于存储老年人的姿态数据和对应的行为分析和健康分析数据，为神经网络提供训练和测试的样本；母神经网络模块，用于建立神经网络的初始结构模型，并通过样本训练成成熟的老年人行为识别模型；云计算平台，用于提供样本数据预处理、神经网络建模的计算资源；

所述的老年人智能手环包括MCU、GPS模块、RFID模块、3G/4G模块、蓝牙模块、ZigBee模块、6轴陀螺仪和加速度传感器、光电心率传感器、温度传感器、子神经网络模块、外部复位、LED灯、马达和按键；老年人智能手环中MCU通过UART接口与GPS模块、RFID模块、3G/4G模块、蓝牙模块和ZigBee模块连接，通过SPI接口与6轴陀螺仪和加速度传感器、光电心率传感器、温度传感器和子神经网络模块连接，通过GPIO接口与外部复位、LED灯、马达和按键连接；

GPS模块，用于对老年人进行室外定位；RFID模块，用于对老年人进行住宅内定位；3G/4G模块，用于实现智能手环端和云服务器端的数据同步；蓝牙模块，用于实现智能手环端和移动服务端（手机、平板等）的数据交互；ZigBee模块，用于实现智能手环端对其它物联网设备的控制；优选的，所述其它物联网设备包括在老年人家中安装的智能安防系统、智能健康监测系统和智能家居系统等；6轴陀螺仪和加速度传感器，用于采集老年人在日常生活中的行为姿态数据；光电心率传感器，用于采集老年人的心率数据；温度传感器，用于采集老年人的体温数据；子神经网络模块，用于接收云服务器端的神经网络参数并实现智能手环端的神经网络行为识别模型；外部复位，以按键的形式实现对手环的复位；LED灯，用于实现对关键信息的显示和报警；马达，用于实现对关键信息的震动提醒；按键，用于实现对智能手环的基本设定和控制。

本发明还提供一种基于柯西混合蛙跳优化的神经网络训练方法，包括以下步骤：

（1）初始化神经网络，设定网络的输入层、隐含层和输出层的神经元个数，确定适应度函数；

（2）根据神经网络的参数确定混合蛙跳算法中青蛙的维数s，设定种群规模p、模因组个数m、组外迭代次数iter_g和组内迭代次数iter_l，初始化蛙群；

（3）将蛙群中各个青蛙的参数带入神经网络，根据神经网络的输出值和期望输出计算适应度函数并记录每个青蛙的适应度；

（4）评估并保存全局适应度最优的青蛙；

（5）根据蛙群中各个青蛙的适应度重新排序青蛙并按照下式划分模因组：

其中为第i个模因组，蛙群；每个模因组中具有最优和最差适应度的青蛙分别记为和；

（6）各模因组内根据下式进行局部搜索：

其中为[0,1]间的独立随机数，t为迭代次数，和为青蛙允许移动的距离范围；经过更新后，如果得到的青蛙适应度优于，则取代模因组内的，否则使用改进的下式重新执行局部搜索过程：

其中Cauchy为满足柯西分布的随机数；如果仍然没有改进，则随机产生一个新解取代；

（7）当完成局部搜索后,将所有模因组内的青蛙进行全局混洗；

（8）判断是否满足算法的终止条件，如果为否，则跳转至步骤（3），如果为是，则跳转至步骤（9）；

（9）算法终止后所得到的全局最优解为神经网络训练后的参数，神经网络训练完成；将训练后的神经网络通过云端同步至智能手环端的子神经网络模块，得到训练成熟的行为识别模型，并在智能手环端实现对老年人的行为识别与分析。

本发明的有益效果在于：

（1）该基于双神经网络行为识别模型的老年人信息服务系统通过在云服务器端训练神经网络识别模型和智能手环端使用神经网络识别模型的双神经网络结构解决了神经网络在嵌入式设备上的训练建模问题，数据传输量小、易于实现、识别速度快、准确度高。

（2）云服务器上采用专业的老年人行为分析数据库，可针对老年人的姿态数据和生理数据对老年人进行行为分析和健康分析，提升了用户的体验。

（3）采用柯西混合蛙跳优化的神经网络训练方法，能够有效的利用柯西分布的长尾特性获得更大的搜索空间，提高了神经网络的全局搜索能力和收敛速度，增强了神经网络行为识别模型的准确性和泛化能力。

附图说明

图1是本发明基于双神经网络行为识别模型的老年人信息服务系统的结构框图。

图2是本发明基于混合蛙跳优化的神经网络训练方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的实施方式作进一步详细说明：

如图1所示，本发明提供一种基于双神经网络行为识别模型的老年人信息服务系统，包括云服务器和老年人智能手环；所述的云服务器包括行为分析数据库、云计算平台和母神经网络模块；所述的老年人智能手环包括MCU、GPS模块、RFID模块、3G/4G模块、蓝牙模块、ZigBee模块、6轴陀螺仪和加速度传感器、光电心率传感器、温度传感器、子神经网络模块、外部复位、LED灯、马达和按键；云服务器中云计算平台分别与行为分析数据库和母神经网络模块连接；老年人智能手环中MCU通过UART接口与GPS模块、RFID模块、3G/4G模块、蓝牙模块和ZigBee模块连接，通过SPI接口与6轴陀螺仪和加速度传感器、光电心率传感器、温度传感器和子神经网络模块连接，通过GPIO接口与外部复位、LED灯、马达和按键连接。

如图2所示,本发明还提供一种基于柯西混合蛙跳优化的神经网络训练方法，包括以下步骤：

（1）初始化神经网络，设定网络的输入层、隐含层和输出层的神经元个数，确定适应度函数；

（2）根据神经网络的参数确定混合蛙跳算法中青蛙的维数s，设定种群规模p、模因组个数m、组外迭代次数iter_g和组内迭代次数iter_l，初始化蛙群；

（3）将蛙群中各个青蛙的参数带入神经网络，根据神经网络的输出值和期望输出计算适应度函数并记录每个青蛙的适应度；

（4）评估并保存全局适应度最优的青蛙；

（5）根据蛙群中各个青蛙的适应度重新排序青蛙并按照下式划分模因组：

其中为第i个模因组，蛙群；每个模因组中具有最优和最差适应度的青蛙分别记为和；

（6）各模因组内根据下式进行局部搜索：

其中为[0,1]间的独立随机数，t为迭代次数，和为青蛙允许移动的距离范围；经过更新后，如果得到的青蛙适应度优于，则取代模因组内的，否则使用改进的下式重新执行局部搜索过程：

其中Cauchy为满足柯西分布的随机数；如果仍然没有改进，则随机产生一个新解取代；

（7）当完成局部搜索后,将所有模因组内的青蛙进行全局混洗；

（8）判断是否满足算法的终止条件，如果为否，则跳转至步骤（3），如果为是，则跳转至步骤（9）；

（9）算法终止后所得到的全局最优解为神经网络训练后的参数，神经网络训练完成；将训练后的神经网络通过云端同步至智能手环端的子神经网络模块，得到训练成熟的行为识别模型，并在智能手环端实现对老年人的行为识别与分析。

下面以一个具体的实施例来说明该基于双神经网络行为识别模型的老年人信息服务系统的工作过程，详述如下：

本发明实施例中云服务器采用云计算技术，一方面对服务器中的行为分析数据库中的数据进行预处理，并形成用于神经网络训练的样本集；另一方面利用样本集对服务器中的母神经网络模块进行训练，为提高神经网络行为识别模型的全局搜索能力和泛化能力，神经网络在训练时采用基于混合蛙跳优化的神经网络训练方法。云服务器端母神经网络模块训练完成后，通过云端将神经网络模型参数同步至智能手环端。

智能手环由老年人佩戴在手腕上，主要实现定位、姿态与生理数据采集、行为识别、通信和人机交互等五大功能。定位功能通过GPS模块和RFID模块联合实现，其中GPS模块实现老年人在户外的定位，RFID模块实现老年人在住宅内的精确定位；姿态与生理数据采集功能由6轴陀螺仪和加速度传感器、光电心率传感器和温度传感器实现，其中6轴陀螺仪和加速度传感器用于采集老年人在日常生活中的行为姿态数据，光电心率传感器和温度传感器分别用于采集老年人实时的心率和体温数据；通信功能由3G/4G模块、蓝牙模块和ZigBee模块实现，其中3G/4G模块用于实现智能手环端与云服务器端的数据同步，蓝牙模块用于实现智能手环端与移动服务端（例如手机、平板等）的数据交互，ZigBee模块用于实现智能手环端对其它物联网设备的控制；优选的，所述其它物联网设备包括在老年人家中安装的智能安防系统、智能健康监测系统和智能家居系统等；人机交互功能由外部复位、LED灯、马达和按键实现，其中外部复位以按键的形式实现对手环的复位，LED灯用于实现对关键信息的显示和报警，马达用于实现对关键信息的震动提醒，按键用于实现对智能手环的基本设定和控制；行为识别功能由子神经网络模块实现，子神经网络模块用于接收云服务器端的神经网络参数并实现智能手环端的神经网络行为识别模型，当行为识别模型建立好后，子神经网络通过分析采集到的定位数据、姿态与生理数据，对老年人的行为和病理特征进行实时识别与分析：一方面，通过周期性的统计老年人的行为和病理特征，得到老年人的健康分析数据并同步到云端，为老年人的健康管理提供数据支持；另一方面，当神经网络行为识别模型检测到可能存在的危险时（例如突发的病理性跌倒），将会通过手环的马达和LED灯进行报警，同时将报警数据同步到云端，并推送自监护人的手机进行报警。

综上所述，本发明实施例提供了一种双神经网络行为识别模型的老年人信息服务系统，具有以下优点：

（1）该基于双神经网络行为识别模型的老年人信息服务系统通过在云服务器端训练神经网络识别模型和智能手环端使用神经网络识别模型的双神经网络结构解决了神经网络在嵌入式设备上的训练建模问题，数据传输量小、易于实现、识别速度快、准确度高。

（2）云服务器上采用专业的老年人行为分析数据库，可针对老年人的姿态数据和生理数据对老年人进行行为分析和健康分析，提升了用户的体验。

（3）采用柯西混合蛙跳优化的神经网络训练方法，能够有效的利用柯西分布的长尾特性获得更大的搜索空间，提高了神经网络的全局搜索能力和收敛速度，增强了神经网络行为识别模型的准确性和泛化能力。

以上所述仅为本发明的优选实施方式，应当指出，对于本技术领域的技术人员，在不脱离本发明原理的前提下，可对上述技术内容做出若干修改、等同替换或改进，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施方式所做的任何修改、等同替换或改进，均仍属于本发明的保护范围。

Claims (2)

1.本发明提供一种基于双神经网络行为识别模型的老年人信息服务系统，包括云服务器和老年人智能手环；

所述的云服务器包括行为分析数据库、云计算平台和母神经网络模块；云服务器中云计算平台分别与行为分析数据库和母神经网络模块连接；

行为分析数据库，用于存储老年人的姿态数据和对应的行为分析和健康分析数据，为神经网络提供训练和测试的样本；母神经网络模块，用于建立神经网络的初始结构模型，并通过样本训练成成熟的老年人行为识别模型；云计算平台，用于提供样本数据预处理、神经网络建模的计算资源；

所述的老年人智能手环包括MCU、GPS模块、RFID模块、3G/4G模块、蓝牙模块、ZigBee模块、6轴陀螺仪和加速度传感器、光电心率传感器、温度传感器、子神经网络模块、外部复位、LED灯、马达和按键；老年人智能手环中MCU通过UART接口与GPS模块、RFID模块、3G/4G模块、蓝牙模块和ZigBee模块连接，通过SPI接口与6轴陀螺仪和加速度传感器、光电心率传感器、温度传感器和子神经网络模块连接，通过GPIO接口与外部复位、LED灯、马达和按键连接；

GPS模块，用于对老年人进行室外定位；RFID模块，用于对老年人进行住宅内定位；3G/4G模块，用于实现智能手环端和云服务器端的数据同步；蓝牙模块，用于实现智能手环端和移动服务端（手机、平板等）的数据交互；ZigBee模块，用于实现智能手环端对其它物联网设备的控制；优选的，所述其它物联网设备包括在老年人家中安装的智能安防系统、智能健康监测系统和智能家居系统等；6轴陀螺仪和加速度传感器，用于采集老年人在日常生活中的行为姿态数据；光电心率传感器，用于采集老年人的心率数据；温度传感器，用于采集老年人的体温数据；子神经网络模块，用于接收云服务器端的神经网络参数并实现智能手环端的神经网络行为识别模型；外部复位，以按键的形式实现对手环的复位；LED灯，用于实现对关键信息的显示和报警；马达，用于实现对关键信息的震动提醒；按键，用于实现对智能手环的基本设定和控制。

2.本发明还提供一种基于柯西混合蛙跳优化的神经网络训练方法，包括以下步骤：

（1）初始化神经网络，设定网络的输入层、隐含层和输出层的神经元个数，确定适应度函数；

（2）根据神经网络的参数确定混合蛙跳算法中青蛙的维数s，设定种群规模p、模因组个数m、组外迭代次数iter_g和组内迭代次数iter_l，初始化蛙群；

（3）将蛙群中各个青蛙的参数带入神经网络，根据神经网络的输出值和期望输出计算适应度函数并记录每个青蛙的适应度；

（4）评估并保存全局适应度最优的青蛙；

（5）根据蛙群中各个青蛙的适应度重新排序青蛙并按照下式划分模因组：

其中为第i个模因组，蛙群；每个模因组中具有最优和最差适应度的青蛙分别记为和；

（6）各模因组内根据下式进行局部搜索：

其中为[0,1]间的独立随机数，t为迭代次数，和为青蛙允许移动的距离范围；经过更新后，如果得到的青蛙适应度优于，则取代模因组内的，否则使用改进的下式重新执行局部搜索过程：

其中Cauchy为满足柯西分布的随机数；如果仍然没有改进，则随机产生一个新解取代；

（7）当完成局部搜索后,将所有模因组内的青蛙进行全局混洗；

（8）判断是否满足算法的终止条件，如果为否，则跳转至步骤（3），如果为是，则跳转至步骤（9）；

（9）算法终止后所得到的全局最优解为神经网络训练后的参数，神经网络训练完成；将训练后的神经网络通过云端同步至智能手环端的子神经网络模块，得到训练成熟的行为识别模型，并在智能手环端实现对老年人的行为识别与分析。