CN106407732A - 识别目标对象状态的方法、装置及系统和智能服饰 - Google Patents

Abstract

本发明公开了一种识别目标对象状态的方法、装置及系统和智能服饰。其中，该方法包括：处理器对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型；处理器接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据的具有相同的数据类型；处理器根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数；处理器根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发。本发明解决了无法准确识别目标对象实时状态的技术问题。

Description

识别目标对象状态的方法、装置及系统和智能服饰

技术领域

本发明涉及医疗领域，具体而言，涉及一种识别目标对象状态的方法、装置及系统和智能服饰。

背景技术

在医疗卫生领域内，对于一些状态起伏较大，发作时需要医护人员积极采取措施，并控制患者行为的疾病，如精神异常、赌瘾或者吸毒者，发作时患者比较痛苦，并且往往给患者造成较大的创伤。

以毒瘾患者为例，常见的戒毒方法有自然戒毒，药物戒毒和非药戒毒，还有一些非常规的戒毒方法，如催眠和神经摘除等。上述方法都存在着一些缺点，常规戒毒方法戒除时间长，不彻底容易复发，患者比较痛苦。神经摘除方法尚不成熟，风险很大，大部分患者摘除神经后会导致神经异常，容易引发法律纠纷。部分机构对毒瘾发作只能通过相应的医疗设备来进行预判，很不方便，无法准确的获取毒瘾患者的实时状态。因而，只能在患者病情发作才采取补救的措施，这样对患者造成较大的创伤。

针对上述无法准确识别目标对象实时状态的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种识别目标对象状态的方法、装置及系统和智能服饰，以至少解决无法准确识别目标对象实时状态的技术问题。

根据本发明实施例的一个方面，提供了一种识别目标对象状态的方法，包括：处理器对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型；处理器接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据的具有相同的数据类型；处理器根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数；处理器根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发。

进一步地，在处理器接收采集器采集到的目标对象的实时状态数据之前，方法还包括：采集器按照第一预设规则对采集到的实时状态数据进行数据处理；采集器通过第一无线通信模块，将经过数据处理的实时状态数据发送至处理器。

进一步地，在处理器根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数之前，方法包括：处理器按照第二预设规则对实时状态数据进行数据处理。

进一步地，采集器包括至少一个传感器，传感器用于采集目标对象的实时状态数据和/或训练数据，其中传感器为柔性织物传感器。

进一步地，在处理器根据特征参数确定目标对象的实时状态之后，方法还包括：根据目标对象的实时状态查找预存的推送信息；将推送信息和/或特征参数以图形用户界面的方式进行显示。

进一步地，在实时状态为可能病发或病发时，在处理器根据特征参数确定目标对象的实时状态之后，方法还包括：采集目标对象的位置信息；将位置信息和/或实时状态发送至目标终端。

根据本发明实施例的另一个方面，还提供了一种识别目标对象状态的装置，该装置包括：生成模块，用于对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型；接收模块，用于接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型；分析模块，用于根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数；确定模块，用于根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发。

根据本发明实施例的又一个方面，还提供了一种识别目标对象状态的系统，该系统包括：采集器，用于采集目标对象的训练数据以及实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型；处理器，与采集器连接，用于根据训练数据执行分类器算法，生成目标对象的分类模型，并根据分类模型对实时状态数据进行分析，得到目标对象的特征参数，并根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发。

进一步地，采集器包括至少一个传感器，传感器用于采集目标对象的实时状态数据和/或训练数据，其中，传感器为柔性织物传感器。

根据本发明实施例的再一个方面，还提供了一种智能服饰，该智能服饰包括上述任意一个识别目标对象状态的系统。

在本发明实施例中，通过采用处理器对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型；处理器接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型；处理器根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数；处理器根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发，从而达到了准确识别目标对象实时状态的目的，进而解决了无法准确识别目标对象实时状态的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例一的一种可选的识别目标对象状态的方法的流程图；

图2是根据本发明实施例一的一种可选的智能服饰的示意图；

图3是根据本发明实施例二的一种可选的识别目标对象状态的装置的示意图；

图4是根据本发明实施例三的一种可选的识别目标对象状态的系统的结构图；

图5是根据本发明实施例四的一种可选的智能服饰的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

本发明实施例提供了一种识别目标对象状态的方法。图1是根据本发明实施例一的一种可选的识别目标对象状态的方法的流程图。如图1所示，该方法可以包括：

步骤S102，处理器对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型。

具体地，训练数据可以是由采集器采集得到的，训练数据中可以包括正样本以及负样本，以毒瘾患者为例，训练数据中可以包含患者正常时的数据、患者病发时的数据等。在训练数据上执行分类器算法，可以生成分类模型。

需要说明的是，训练数据可以是经过数据处理之后的数据，经过数据处理，训练数据形成一系列的数据标签，不同数据类型的训练数据具有不同的数据标签，数据标签可以用于构建分类模型使用。

此处还需要说明的是，数据类型、某一种数据类型下的训练数据越多得到的分析模型越精确。

步骤S104，处理器接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型。

具体地，采集器可以包含一个或者多个传感器，用于采集一种数据类型或者多个数据类型的数据。传感器采集实时状态数据可以是实时采集，也可以是按照预设的时间间隔采集，预设的时间间隔可以是5分钟、10分钟等。数据类型可以是目标对象的体表温度、心率、呼吸频率或者运动状态等，数据类型可以是一种也可以是多种，其中，传感器可以是柔性织物传感器，可以置于服饰内。

此处需要说明的是，采集器可以包含第一无线通信模块，处理器中可以包含第二无线通信模块，处理器接收采集器采集到的至少三种实时状态数据，可以通过上述第一无线通讯模块与第二无线通信模块进行传输，避免了以有线方式进行传输时需要布线的繁琐工作，节约了人力、空间资源，并且在处理器、采集器与其他设备相连接时，具有更好的系统扩展性。

此处还需要说明的是处理器可以设置于移动终端或者PC终端。

步骤S106，处理器根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数。

具体地，处理器将上述步骤S102获得的分类模型进行保存，通过将实时状态数据输入分类模型，从而得到目标对象的特征参数。特征参数可以是病发的时间、频率，对于毒瘾患者来说，特征参数还可以是发作过程中的特定特征，或者毒瘾发作之后患者的特定特征等。

例如，目标对象的体表温度通过温度传感器来进行测量，通过分类模型可以区分患者体温正常与否。可以通过柔性织物传感器采集的目标对象的实时状态数据，可以得到患者的呼吸频率，心率等数据，然后通过分类模型，可以将异常的呼吸频率和心率筛选出来。可以通过三轴加速度传感器来检测患者的运动特征，通过分类模型，区分正常的运动特征与异常的运动特征。针对上述体表温度、呼吸频率、心率、运动特征等状态参数，可以分别或者结合进行考量，得到目标对象的特征参数。

步骤S108，处理器根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发。

具体地，实时状态可以根据实际需要进行设置，如实时状态还可以包括病发结束观察期等。通过上述步骤S106生成的特征参数，与目标对象的不同实时状态具有对应关系，通过特征参数可以确定目标对象的实时状态。

本发明实施例中，通过上述步骤S102至步骤S108，采用处理器对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型；处理器接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型；处理器根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数；处理器根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发的方法，解决了无法准确识别目标对象实时状态的问题。

可选地，在步骤S104，处理器接收采集器采集到的目标对象的实时状态数据之前，该方法还可以包括：

步骤S1031，采集器按照第一预设规则对采集到的实时状态数据进行数据处理。

具体地，第一预设规则可以是预先设定的，可以是对采集器采集到的原始数据进行数据处理的步骤，数据处理的方法可以是如下任意一种或者多种：数据清理，数据集成，数据变换，数据归约等。数据清理包括填写缺失数据，删除重复数据，清除异常数据点等；数据集成包括将相同的数据源统一起来，建立相应的关系型数据库；数据变换对数据进行平滑处理，规范化等；数据归约可以用来得到数据集的归约表示，它小得多，但仍然接近于保持原数据的完整性，并且归约后结果与归约前结果相同或几乎相同。

其中，数据规约可以通过sigmoid函数进行：y＝k/(1+e^-x)，y为数据规约后的实时状态数据的值，x为原始数据的值，e为常数，k为自然数，将原始数据归一到(0，k)来进行处理。

步骤S1033，采集器通过第一无线通信模块，将经过数据处理的实时状态数据发送至处理器。

具体地，通过上述步骤S1031和步骤S1033，采集器可以对传感器采集到的原始数据进行数据处理，提高了实时状态数据的准确性，提高了识别目标对象实时状态的准确率，也可以减少采集器与处理器之间数据传输量，达到提高数据传输效率、节约资源的目的。同时也可以为后续数据分析等过程做好准备，提高识别目标对象实时状态的效率。

可选地，在步骤S106，处理器根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数之前，该方法还可以包括：

步骤S105，处理器按照第二预设规则对实时状态数据进行数据处理。

具体地，实时状态数据可以包括多种类型的数据，按照第二预设规则对实时状态数据进行处理，可以是对实时状态数据进行分类，例如，温度传感器采集到的目标对象的体表温度，其数据格式可以包括采集时间，数据标签，体表温度等。对数据进行分类,可以采用贝叶斯算法、邻近算法(KNN)以及支持向量机算法(SVM)等，以贝叶斯算法为例，具体公式如下：

其中，A为先验事件，B_i为第i个影响事件A发生的因素，n为影响A事件的因素的个数。

可选地，采集器包括至少一个传感器，传感器用于采集目标对象的实时状态数据和/或训练数据，其中传感器为柔性织物传感器。

具体地，采集器可以包括一个或者多个传感器。以采集器包括三个传感器为例，三个传感器可以采集到目标对象的3种类型的实时状态数据，可以是一个用于测量目标对象运动状态的三轴加速度传感器，一个用于测量目标对象心率的第一柔性织物传感器，以及一个用于测量目标对象体表温度的第二柔性织物传感器。

需要说明的是，本实施例中可以选择增加柔性织物传感器的个数，可以扩大数据采集的区域，同时增加数据采集的数量，数据量越大，得到目标对象的实时状态数据的数据量也会增加，精度也会提高。

可选地，在步骤S108，处理器根据特征参数确定目标对象的实时状态之后，该方法还可以包括：

步骤S1091，根据目标对象的实时状态查找预存的推送信息。

具体地，推送信息可以是预先设置的信息，针对目标对象的不同的实时状态，具有不同的推送信息，不同的实时状态与推送信息之间具有相应的关联关系。

步骤S1093，将推送信息和/或特征参数以图形用户界面的方式进行显示。

具体地，将推送信息和/或特征参数以GUI的形式直观的呈现出来。

以毒瘾患者为例，推送信息为针对目标对象的不同实时状态，预先设置的应对的方法，在实时状态为可能病发时，推送信息可以是为毒瘾患者制定的心理放松训练方法。或者在实时状态为可能病发时，推送信息可以是提醒毒瘾患者服用某种药物的提示信息等。

可选地，在实时状态为可能病发或病发时，在步骤S108，处理器根据特征参数确定目标对象的实时状态之后，该方法还可以包括：

步骤S1101，采集目标对象的位置信息。

具体地，系统中还可以包括定位模块，在目标对象可能病发或者病发时，采集目标对象的位置信息，其中，位置信息可以是GPS定位信息。

步骤S1103，将位置信息和/或实时状态发送至目标终端。

具体地，目标终端可以是移动终端或者PC端，以毒瘾患者为例，在毒瘾患者病发或者可能病发的情况下，将毒瘾患者的位置信息发送给目标终端，目标终端可以是毒瘾患者家属或者医护人员的手机，可以是医院的某台计算机。在目标对象病发或者可能病发的情况，目标对象的位置信息发送给目标终端，可以使相关人员第一时间了解目标对象的实时状态，提前做好应对措施，对于医护人员来说，也可以第一时间准备相应的治疗预案。了解目标对象的位置信息，也可以在患者无法自行就医的情况下，为相关人员提供信息，避免延误救治的时机。

下面以毒瘾患者为例，结合上述实施例一对本申请提供的方案进行详细描述，具体的实施方式可以包括以下内容。

制作智能服饰，图2是根据本发明实施例一的一种可选的智能服饰的示意图，如图2所示，该智能服饰包括，第一柔性织物传感器1，第二柔性织物传感器2，数据采集模块3，电池4，柔性电连线5，第一柔性织物传感器1、第二柔性织物传感器2按照图2的位置植入服饰中，同时将数据采集模块3按照图2的位置布置，上述元器件之间的连接导线可以是柔性织物可拉升电联器件，选取的服饰的材料的劲度系数要高于柔性织物传感器的劲度系数，第一柔性织物传感器1可以分布在智能服饰的胸部位置，第二柔性织物传感器2可以分布在智能服饰腹部的位置。

数据采集模块3含有PCB板，包含的主要器件有三轴加速度传感器，数据采集卡，无线传输模块和柔性织物传感器接入件等，当第一柔性织物传感器1，第二柔性织物传感器2发生弹性形变时，进行数据采集，同时采集三轴加速度传感器的数据，还可以通过MCU中的固件程序完成数据的初步处理，再通过无线传输设备传输，传输到处理器上。

处理器(可以位于移动端和/或PC端)可以包括具有数据处理功能的APP软件、无线传输模块，可以对数据进行处理，统计和分析，通过相应的机器学习算法，挖掘有效信息，得到患者的毒瘾发作特征，时间，环境等，根据这些信息能够预测患者发作时间特征，提前采取相应措施；患者也能够自己了解自己的病情，并自己进行相应的个性化训练达到戒毒的目的。

实施例二

根据本发明实施例，还提供了一种用于识别目标对象状态的装置实施例，如图2所示，该装置包括：

生成模块40，用于对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型。

具体地，训练数据可以是由采集器采集得到的，训练数据中可以包括正样本以及负样本，以毒瘾患者为例，训练数据中可以包含患者正常时的数据、患者病发时的数据等。在训练数据上执行分类器算法，可以生成分类模型。

需要说明的是，训练数据可以是经过数据处理之后的数据，经过数据处理，训练数据形成一系列的数据标签，不同数据类型的训练数据具有不同的数据标签，数据标签用于构建分类模型使用。

此处还需要说明的是，数据类型、某一种数据类型下的训练数据越多得到的分析模型越精确。

接收模块42，用于接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型。

具体地，采集器可以包含一个或者多个传感器，用于采集一种数据类型或者多个数据类型的数据。传感器采集实时状态数据可以是实时采集，也可以是按照预设的时间间隔采集，预设的时间间隔可以是5分钟、10分钟等。数据类型可以是目标对象的体表温度、心率、呼吸频率或者运动状态等，数据类型可以是一种也可以是多种，其中，传感器可以是柔性织物传感器，可以置于服饰内。

此处需要说明的是，采集器可以包含第一无线通信模块，处理器中可以包含第二无线通信模块，处理器接收采集器采集到的至少三种实时状态数据，可以通过上述第一无线通讯模块与第二无线通信模块进行传输，避免了以有线方式进行传输时需要布线的繁琐工作，节约了人力、空间资源，并且在处理器、采集器与其他设备相连接时，具有更好的系统扩展性。

此处还需要说明的是处理器可以设置于移动终端或者PC终端。

分析模块44，用于根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数。

具体地，将分类模型进行保存，通过将实时状态数据输入分类模型，从而得到目标对象的特征参数。特征参数可以是病发的时间、频率，对于毒瘾患者来说，特征参数还可以是发作过程中的特定特征，或者毒瘾发作之后患者的特定特征等。

例如，目标对象的体表温度通过温度传感器来进行测量，通过分类模型可以区分患者体温正常与否。可以通过柔性织物传感器采集的目标对象的实时状态数据，可以得到患者的呼吸频率，心率等数据，然后通过分类模型，可以将异常的呼吸频率和心率筛选出来。可以通过三轴加速度传感器来检测患者的运动特征，通过分类模型，区分正常的运动特征与异常的运动特征。针对上述体表温度、呼吸频率、心率、运动特征等状态参数，可以分别或者结合进行考量，得到目标对象的特征参数。

确定模块46，用于根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发。

具体地，实时状态可以根据实际需要进行设置，如实时状态还可以包括病发结束观察期等。特征参数与目标对象的不同实时状态具有对应关系，通过特征参数可以确定目标对象的实时状态。

本发明实施例中，通过生成模块40，用于对目标对象的训练数据执行分类器算法，生成目标对象的分类模型，其中，训练数据包括至少一种数据类型；接收模块42，用于接收采集器采集到的目标对象的实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型；分析模块44，用于根据分类模型，对实时状态数据进行分析，得到目标对象的特征参数；确定模块46，用于根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发，解决了无法准确识别目标对象实时状态的问题。

可选地，装置还可以包括：

第一处理模块，用于按照第一预设规则对采集到的实时状态数据进行数据处理；

第一发送模块，用于采集器通过第一无线通信模块，将经过数据处理的实时状态数据发送至处理器。

可选地，装置还可以包括：

第二处理模块，用于第二预设规则对实时状态数据进行数据处理。

可选地，采集器可以包括至少一个传感器，传感器用于采集目标对象的实时状态数据和/或训练数据，其中传感器为柔性织物传感器。

可选地，装置还可以包括：

查找模块，用于根据目标对象的实时状态查找预存的推送信息。

第一推送模块，用于将推送信息和/或特征参数以图形用户界面的方式进行显示。

可选地，在实时状态为可能病发或病发时，装置还可以包括：

定位模块，用于采集目标对象的位置信息。

第二推送模块，用于将位置信息和/或实时状态发送至目标终端。

实施例三

本发明实施例提供了一种识别目标对象状态的系统实施例，如图4所示，该系统包括：

采集器20，用于采集目标对象的训练数据以及实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型。

具体地，训练数据可以是由采集器采集得到的，训练数据中可以包括正样本以及负样本，以毒瘾患者为例，训练数据中可以包含患者正常时的数据、患者病发时的数据等。训练数据可以是经过数据处理之后的数据，经过数据处理，训练数据形成一系列的数据标签，不同数据类型的训练数据具有不同的数据标签，数据标签可以用于构建分类模型使用。

此处需要说明的是，数据类型、某一种数据类型下的训练数据越多得到的分析模型越精确。

具体地，采集器可以包含一个或者多个传感器，用于采集一种数据类型或者多个数据类型的数据。传感器采集实时状态数据可以是实时采集，也可以是按照预设的时间间隔采集，预设的时间间隔可以是5分钟、10分钟等。数据类型可以是目标对象的体表温度、心率、呼吸频率或者运动状态。

处理器30，与采集器20连接，用于根据训练数据执行分类器算法，生成目标对象的分类模型，并根据分类模型对实时状态数据进行分析，得到目标对象的特征参数，并根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发。

具体地，采集器可以包含第一无线通信模块，处理器中可以包含第二无线通信模块，处理器接收采集器采集到的至少三种实时状态数据，可以通过上述第一无线通讯模块与第二无线通信模块进行传输，避免了以有线方式进行传输时需要布线的繁琐工作，节约了人力、空间资源，并且在处理器、采集器与其他设备相连接时，具有更好的系统扩展性。

需要说明的是，处理器可以设置于移动终端或者PC终端，处理器可以将获得的分类模型进行保存，通过将实时状态数据输入分类模型，从而得到目标对象的特征参数。特征参数可以是病发的时间、频率，对于毒瘾患者来说，特征参数还可以是发作过程中的特定特征，或者毒瘾发作之后患者的特定特征等。

例如，目标对象的体表温度通过温度传感器来进行测量，通过分类模型可以区分患者体温正常与否。可以通过柔性织物传感器采集的目标对象的实时状态数据，可以得到患者的呼吸频率，心率等数据，然后通过分类模型，可以将异常的呼吸频率和心率筛选出来。可以通过三轴加速度传感器来检测患者的运动特征，通过分类模型，区分正常的运动特征与异常的运动特征。针对上述体表温度、呼吸频率、心率、运动特征等状态参数，可以分别或者结合进行考量，得到目标对象的特征参数。

具体地，实时状态可以根据实际需要进行设置，如实时状态还可以包括病发结束观察期等。特征参数与目标对象的不同实时状态具有对应关系，通过特征参数可以确定目标对象的实时状态。

本发明实施例通过上述采集器20，用于采集目标对象的训练数据以及实时状态数据，其中，实时状态数据包括至少一种数据类型，训练数据与实时状态数据具有相同的数据类型；处理器30，与采集器20连接，用于根据训练数据执行分类器算法，生成目标对象的分类模型，并根据分类模型对实时状态数据进行分析，得到目标对象的特征参数，并根据特征参数确定目标对象的实时状态，其中，实时状态至少包括如下类型：正常、可能病发、病发，解决了无法准确识别目标对象实时状态的问题。

可选地，采集器20可以包括至少一个传感器，传感器用于采集目标对象的实时状态数据和/或训练数据，其中，该传感器为柔性织物传感器。

具体地，传感器可以是柔性织物传感器，可以置于服饰内。

实施例四

本发明还提供了一种智能服饰，该智能服饰包括上述实施例三中任一个识别目标对象状态的系统。

图5是根据本发明实施例四的一种可选的智能服饰的示意图。如图5所示，该智能服饰包括：第三柔性织物传感器A,第四柔性织物传感器B,第五柔性织物传感器C,第六柔性织物传感器D,温度传感器E,三轴加速度传感器F,数据采集器G,柔性电连线H。

具体地，数据采集器G可以是采集器，图5在图2的基础上进行了扩展，增加了柔性织物传感器的个数，增加柔性织物传感器的个数可以扩大数据采集的区域，同时增加数据采集的数量，数据量越大，得到患者的特征数也会增加，精度也会提高。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种识别目标对象状态的方法，其特征在于，包括：

处理器对目标对象的训练数据执行分类器算法，生成所述目标对象的分类模型，其中，所述训练数据包括至少一种数据类型；

所述处理器接收采集器采集到的所述目标对象的实时状态数据，其中，所述实时状态数据包括至少一种数据类型，所述训练数据与所述实时状态数据具有相同的数据类型；

所述处理器根据所述分类模型，对所述实时状态数据进行分析，得到所述目标对象的特征参数；

所述处理器根据所述特征参数确定所述目标对象的实时状态，其中，所述实时状态至少包括如下类型：正常、可能病发、病发。

2.根据权利要求1所述的方法，其特征在于，在所述处理器接收采集器采集到的所述目标对象的实时状态数据之前，所述方法还包括：

所述采集器按照第一预设规则对采集到的所述实时状态数据进行数据处理；

所述采集器通过第一无线通信模块，将经过所述数据处理的实时状态数据发送至所述处理器。

3.根据权利要求1所述的方法，其特征在于，在所述处理器根据所述分类模型，对所述实时状态数据进行分析，得到所述目标对象的特征参数之前，所述方法包括：

所述处理器按照第二预设规则对所述实时状态数据进行数据处理。

4.根据权利要求1所述的方法，其特征在于，所述采集器包括至少一个传感器，所述传感器用于采集所述目标对象的实时状态数据和/或训练数据，其中所述传感器为柔性织物传感器。

5.根据权利要求1所述的方法，其特征在于，在所述处理器根据所述特征参数确定所述目标对象的实时状态之后，所述方法还包括：

根据所述目标对象的实时状态查找预存的推送信息；

将所述推送信息和/或所述特征参数以图形用户界面的方式进行显示。

6.根据权利要求1所述的方法，其特征在于，在所述实时状态为可能病发或病发时，在所述处理器根据所述特征参数确定所述目标对象的实时状态之后，所述方法还包括：

采集所述目标对象的位置信息；

将所述位置信息和/或所述实时状态发送至目标终端。

7.一种识别目标对象状态的装置，其特征在于，包括：

生成模块，用于对目标对象的训练数据执行分类器算法，生成所述目标对象的分类模型，其中，所述训练数据包括至少一种数据类型；

接收模块，用于接收采集器采集到的所述目标对象的实时状态数据，其中，所述实时状态数据包括至少一种数据类型，所述训练数据与所述实时状态数据具有相同的数据类型；

分析模块，用于根据所述分类模型，对所述实时状态数据进行分析，得到所述目标对象的特征参数；

确定模块，用于根据所述特征参数确定所述目标对象的实时状态，其中，所述实时状态至少包括如下类型：正常、可能病发、病发。

8.一种识别目标对象状态的系统，其特征在于，包括：

采集器，用于采集目标对象的训练数据以及实时状态数据，其中，所述实时状态数据包括至少一种数据类型，所述训练数据与所述实时状态数据的具有相同的数据类型；

处理器，与所述采集器连接，用于根据所述训练数据执行分类器算法，生成所述目标对象的分类模型，并根据所述分类模型对所述实时状态数据进行分析，得到所述目标对象的特征参数，并根据所述特征参数确定所述目标对象的实时状态，其中，所述实时状态至少包括如下类型：正常、可能病发、病发。

9.根据权利要求8所述的系统，其特征在于，所述采集器包括至少一个传感器，所述传感器用于采集所述目标对象的实时状态数据和/或训练数据，其中，所述传感器为柔性织物传感器。

10.一种智能服饰，其特征在于，所述智能服饰包括权利要求8至9中任一项所述的识别目标对象状态的系统。