CN106781245A - 基于可穿戴设备的服刑人员斗殴预警的方法与系统 - Google Patents
基于可穿戴设备的服刑人员斗殴预警的方法与系统 Download PDFInfo
- Publication number
- CN106781245A CN106781245A CN201611108349.2A CN201611108349A CN106781245A CN 106781245 A CN106781245 A CN 106781245A CN 201611108349 A CN201611108349 A CN 201611108349A CN 106781245 A CN106781245 A CN 106781245A
- Authority
- CN
- China
- Prior art keywords
- individual
- data
- individuals
- fighting
- abnormal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000036387 respiratory rate Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 2
- 235000013372 meat Nutrition 0.000 claims 1
- 238000012546 transfer Methods 0.000 abstract description 2
- 241001269238 Data Species 0.000 abstract 3
- 230000003542 behavioural effect Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 36
- 230000033001 locomotion Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computer Security & Cryptography (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pulmonology (AREA)
- Pathology (AREA)
- Emergency Management (AREA)
- Heart & Thoracic Surgery (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于可穿戴设备的服刑人员斗殴预警的方法与系统;通过穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据;实时判断个体生理数据、个体行为数据是否超出设定阈值范围;当数据发生异常时对个体进行标记;判断被标记的个体设定距离范围内的其他个体的数量,计算被标记个体与周围其他个体之间的距离;当被标记个体设定距离范围内有其他个体时,分析其他个体的生理数据和其他个体的行为数据;对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理,打架斗殴可能性较大时,标记异常并发出警告;根据异常个体位置,调动异常个体位置附近的摄像头对异常个体进行监控,管理员根据监控进行确认。
Description
技术领域
本发明涉及基于可穿戴设备的服刑人员斗殴预警的方法与系统。
背景技术
斗殴是指是指双方或多方通过实施暴力击打以达到制服对方的行为,监狱作为看守犯罪人员的刑罚执行机关,狱内环境较为压抑,且服刑人员本身素质较低,所以狱内服刑人员打架斗殴一直以来都是狱内常见违规现象,但一直没有得到有效控制。同时,服刑人员的打架斗殴也是狱内非正常死亡主要原因。
随着社会的发展,狱内服刑人员的斗殴监管愈发受到司法部门及社会各界的重视,但由于监狱内服刑人员过多,干警过少,在有限的人力上很难做到实时、全面、准确的监管,因此,狱内斗殴事件屡禁不止,成为监狱安全管理的一大隐患。
随着物联网时代的到来,各监狱先后引入先进的智能监狱管理系统,其中可穿戴设备是该系统中的一大组成部分。但是目前的基于物联网的可穿戴设备没有相应的斗殴预警解决方案,因此,基于可穿戴设备的服刑人员斗殴预警方法还有待开发。
发明内容
本发明的目的就是为了解决上述问题,提供一种基于可穿戴设备的服刑人员斗殴预警的方法与系统,通过个体行为数据的判断,可以客观准确的预测服刑人员的斗殴行为,大大降低了管理人员的工作强度,减少了人员上的资源浪费,同时为大批量服刑人员的斗殴预警做到了技术支持,大大提高了监狱智能化管理水平。
为了实现上述目的,本发明采用如下技术方案:
一种基于可穿戴设备的服刑人员斗殴预警的方法,包括:
步骤(1):通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据;
步骤(2):实时判断个体生理数据是否超出设定阈值范围,实时判断个体行为数据是否超出设定阈值范围;
步骤(3):当个体生理数据或个体行为数据发生异常时对个体进行标记;
步骤(4):判断被标记的个体设定距离范围内的其他个体的数量,计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离;
步骤(5):当被标记个体设定距离范围内有其他个体时,进一步分析其他个体的生理数据和其他个体的行为数据;
步骤(6):对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理,打架斗殴可能性较大时,标记异常并发出警告;
步骤(7):根据异常个体位置,调动异常个体位置附近的摄像头对异常个体进行监控,管理员根据监控进行确认。
步骤(1)中所述个体位置数据格式为:【个体ID,位置,时间】;所述个体生理数据包括:心率、呼吸频率、血压;所述个体行为数据主要为个体三轴加速度数据。
步骤(2)中个体生理数据的设定阈值范围:正常成人心率约为60~100次/分钟,呼吸频率为12~20次/分钟,血压则根据个体体检数据为准。
步骤(4):服刑人员由于场所的特殊性,大家斗殴基本为肉搏,所以当出现斗殴现象时,参与个体之间距离应该较近,此步骤是判断是否构成斗殴的必要条件。
步骤(5):通过分析两个个体的生理、行为数据,来增加判断的准确性。
步骤(6)生理数据与数据库记载的生理阈值范围进行比较,行为数据通过算法进行训练分析。
所述个体行为数据的判断步骤为:
步骤(201):定义观察状态集合和隐藏状态集合;
所述观察状态集合包括三轴加速度传感器采集的加速度数据,根据不同运动时的加速度,采用f1、f2和f3三个阈值对观察值进行划分;
其中,X为三轴加速度传感器X轴方向上的采样数据,Y为三轴加速度传感器Y轴方向上的采样数据,Z为三轴加速度传感器Z轴方向上的采样数据;通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态;
步骤(202):根据已经定义的观察状态集合和隐藏状态集合,建立模型;
λ=(S,V,A,B,π);(1.1)
其中,
S={S1,S2,…,SN}表示隐藏状态集合,N为正整数;N表示隐藏状态的总数;
V={V1,V2,…,VM}表示观察状态集合,M为正整数;
A=[aij]表示状态i到j的转移概率,其中aij=P(qi+j=j|qi=i),1≤i≤N且1≤j≤N。
B={bj(k)}表示观察值的概率分布,其中bj(k)=P(Vk|j),1≤k≤M且1≤j≤N,bj(k)表示在状态j时观察值为Vk的概率;
π={πi}为初始状态概率分布,πi=P(q1=i)表示时刻为1时状态为i的频率。
步骤(203):使用多向算法对模型进行训练;
步骤(204):利用训练好的模型对实际观察状态数据进行判断,从而得到个体行为数据是否超出设定阈值范围的结论。
所述步骤(203)的步骤如下:
设ai(i)=P(V1,V2,…,Vi,qi=i|λ)为多向变量,含义为在给定的λ,时刻t的状态为i,部分观察序列为V1,V2,…,Vi的概率。
若πi表示初始状态为i的概率,bi(Vi)表示状态为i时观察值为Vi的概率,则有ai(i)=πibi(Vi),1≤i≤N,N为隐藏状态总数。
递推计算ai(i),直到观察序列结束为止,最后将所有状态的累计输出概率叠加得到P(V|λ)。
所述步骤(203)算法的公式表达如下:
初始化
ai(i)=πibi(Vi),1≤i≤N;(1.4)
迭代计算
终止计算
其中,aij表示状态i到j的转移概率;P(V|λ)就是在给定λ的条件下,观察序列的概率。P(V|λ)的值越大,则表示采集数据集合与已知正常数据集合情况相似,反之,则为疑似异常行为样本。
阈值的大小根据实际情况确定,根据正常人斗殴时运动剧烈程度、身体姿态、运动方向等因素,将阈值设为f1=20,f2=3.8和f3=1。
通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态,所述若干个观察状态爱包括躺卧V1、坐V2、站立V3、行走V4、奔跑V5、跳跃V6、蹲V7七个状态;表示加速度信号最大值和最小值之差;
所述隐藏状态集合,包括:躺卧S1、坐S2、站立S3、行走S4、站立-坐S5、坐-站立S6、坐-躺卧S7、躺卧-坐S8、站立-行走S9和行走-站立S10。
一种基于可穿戴设备的服刑人员斗殴预警的系统,包括:
数据采集单元:通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据;
实时判断单元:实时判断个体生理数据是否超出设定阈值范围,实时判断个体行为数据是否超出设定阈值范围;
异常个体标记单元:当个体生理数据或个体行为数据发生异常时对个体进行标记;
周围个体距离计算单元:判断被标记的个体设定距离范围内的其他个体的数量,计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离;
分析单元:当被标记个体设定距离范围内有其他个体时,进一步分析其他个体的生理数据和其他个体的行为数据;
警告发出单元:对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理,打架斗殴可能性较大时,标记异常并发出警告;
监控单元:根据异常个体位置,调动异常个体位置附近的摄像头对异常个体进行监控,管理员根据监控进行确认。
本发明的有益效果:
1、本发明的斗殴预警通过可穿戴设备上的传感器判断是否发生斗殴行为,而不是通过视频监控分析人为主观判断,传感器包括:血压传感器、脉搏传感器、呼吸频率传感器、三轴加速度传感器。其中,利用三轴加速度传感器来辅助检测是否有斗殴行为,在国内尚属首例。且利用三轴加速度传感器的采集数据,能够更加精准确定服刑人员的行为动作变化情况;
2、定位数据判断是否有多个个体聚集,这是判断是否产生斗殴的必要条件,也是本发明主要创新点之一;
3、行为数据的判断是本发明的主要创新点,现有技术都没有类似方法。通过对定位和生理数据的辅助判断,再通过行为数据分析可以准确确认是否产生斗殴行为,极大的增加了预警的准确性;根据定位数据、生理数据、行为数据三项全部满足的情况下,才发出警告并调动相应位置视频人工确认。能够有效避免误判误报警现象;
4、通过个体行为数据的判断,可以客观准确的预测服刑人员的斗殴行为,大大降低了管理人员的工作强度,减少了人员上的资源浪费,同时为大批量服刑人员的斗殴预警做到了技术支持,大大提高了监狱智能化管理水平。
附图说明
图1为采用阈值划分观察状态空间;
图2为本发明的主要流程图;
图3为本发明的可穿戴设备的内部连接示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,通过f1,f2和f3三个阈值将所有观察值划分为V1,V2,…,V7 7个状态,步骤如下:
步骤(11):判断小于f1是否成立,若否,则观察值为V7;若是,则进入步骤(12);
步骤(12):判断Y轴数据是否小于f2,若是就进入步骤(13),若否进入步骤(14);
步骤(13):判断X轴数据是否小于f3,若是,则观察值为V1;若否,则观察值为V2;
步骤(14):判断Z轴数据是否小于f3,若是,则进入步骤(15);若否进入步骤(16);
步骤(15):判断X轴数据是否小于f3,若是,则观察值为V3;若否,则观察值为V4;
步骤(16):判断X轴数据是否小于f3,若是,则观察值为V5;若否,则观察值为V6。
如图2所示,一种基于可穿戴设备的服刑人员斗殴预警的方法,包括:
步骤(1):通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据;
步骤(2):实时判断个体生理数据是否超出设定阈值范围,实时判断个体行为数据是否超出设定阈值范围;
步骤(3):当个体生理数据或个体行为数据发生异常时对个体进行标记;
步骤(4):判断被标记的个体设定距离范围内的其他个体的数量,计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离;
步骤(5):当被标记个体设定距离范围内有其他个体时,进一步分析其他个体的生理数据和其他个体的行为数据;
步骤(6):对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理,打架斗殴可能性较大时,标记异常并发出警告;
步骤(7):根据异常个体位置,调动异常个体位置附近的摄像头对异常个体进行监控,管理员根据监控进行确认。
如图3所示,可穿戴设备为手环或者腰带,包括:
射频发送模块,所述射频发送模块分别与加速度传感器、心率传感器、呼吸传感器和血压传感器连接;
所述射频发送模块,与监控终端的射频接收模块通信;射频接收单元与数据分析处理单元连接,数据分析处理单元与报警单元连接。
针对狱内服刑人员斗殴预警的方法与系统,鉴于斗殴这一异常行为的特殊性,本发明提出一种基于运动剧烈程度、身体姿态、运动方向的疑似跌倒判断检测的方法,可以高效、准确检测服刑人员斗殴行为。
本方法具体步骤如下:
λ=(S,V,A,B,π)式1.1
其中,S={S1,S2,…,SN}表示隐藏状态集合,V={V1,V2,…,VM}表示观察状态集合。A=[aij]表示状态转移概率,其中aij=P(qi+j=j|qi=i),1≤i≤N且1≤j≤N。B={bj(k)}表示观察值的概率分布,其中bj(k)=P(Vk|j),1≤k≤M且1≤j≤N,bj(k)表示在状态j时观察值为Vk的概率。π={πi}为初始状态概率分布,πi=P(q1=i)表示时刻为1时状态为i的频率。
对于数据样本集,由于异常样本作为观察序列出现的概率较低,通过阈值判断可以将异常行为和日常行为区分开来。
在对样本集进行训练之前需要定位观察状态空间和隐藏状态空间。观察状态空间由加速度数据决定,根据不同运动时的加速度信号特点,采用3个阈值对观察值范围进行划分。
在图1中,X,Y,Z如式1.2和1.3所示,X,Y,Z分别为传感器三轴采样数据,通过f1,f2和f3三个阈值将所有观察值划分为V1,V2,…,V7 7个状态。阈值需要根据具体情况确定,根据正常人斗殴时运动剧烈程度、身体姿态、运动方向等因素,将阈值设为f1=20,f2=3.8和f3=1。
根据服刑人员活动特点,利用其在狱内较为常见的行为样本训练,包括躺卧(S1)、坐(S2)、站立(S3)、行走(S4)、以及他们之间的相互转移,站立-坐(S5)、坐-站立(S6)、坐-躺卧(S7)、躺卧-坐(S8)、站立-行走(S9)、行走-站立(S10)共10种行为隐藏状态。对观察状态空间和隐藏空间定义完成后,使用多向算法对参数进行训练。
多向算法通过设定一个累计输出概率,减少了重复计算。具体步骤如下:
设ai(i)=P(V1,V2,…,Vi,qi=i|λ)为多向变量,其含义为在给定的λ,时刻t的状态为i,部分观察序列为V1,V2,…,Vi的概率。
若πi表示初始状态为i的概率,bi(Vi)表示状态为i时观察值为Vi的概率,则有ai(i)=πibi(Vi),1≤i≤N,N为隐藏状态总数。
递推计算ai(i),直到观察序列结束为止,最后将所有状态的累计输出概率叠加得到P(V|λ)。
算法公式表达如下:
初始化
ai(i)=πibi(Vi),1≤i≤N式1.4
迭代计算
终止计算
式1.5中aij表示状态i到j的转移概率。P(V|λ)就是在给定λ的条件下,观察序列的概率。概率越大,则表示与样本集情况相似,反之,则可能为异常行为样本,然后进一步通过三轴加速度数据判断异常行为。
以判断跌倒为例:
设A∈{X,Y,Z},A表示三轴加速度传感器对应轴的第i个采样点,则对应轴与重力G方向的夹角
其中重力G可通过人体静止时三轴的合成加速度得出。为了避免跌倒后由于身体再次运动导致角度变化较大,选择加速度时间序列不能太长,在此选取疑似跌倒样本后32个采样点计算反映轴角度,将其平均值作为身体倾角φ。
式中为第i个样本点的反映轴与水平方向夹角,k为样本点个数,这里k=32。当Φ为虚数时,Yi>G,说明人体处于运动状态,与跌倒后的躺卧状态不符,此时该样本也排除在意外跌倒样本之外。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,包括:
步骤(1):通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据;
步骤(2):实时判断个体生理数据是否超出设定阈值范围,实时判断个体行为数据是否超出设定阈值范围;
步骤(3):当个体生理数据或个体行为数据发生异常时对个体进行标记;
步骤(4):判断被标记的个体设定距离范围内的其他个体的数量,计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离;
步骤(5):当被标记个体设定距离范围内有其他个体时,进一步分析其他个体的生理数据和其他个体的行为数据;
步骤(6):对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理,打架斗殴可能性较大时,标记异常并发出警告;
步骤(7):根据异常个体位置,调动异常个体位置附近的摄像头对异常个体进行监控,管理员根据监控进行确认。
2.如权利要求1所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
所述个体行为数据的判断步骤为:
步骤(201):定义观察状态集合和隐藏状态集合;
步骤(202):根据已经定义的观察状态集合和隐藏状态集合,建立模型;
步骤(203):使用多向算法对模型进行训练;
步骤(204):利用训练好的模型对实际观察状态数据进行判断,从而得到个体行为数据是否超出设定阈值范围的结论。
3.如权利要求2所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
所述观察状态集合包括三轴加速度传感器采集的加速度数据,根据不同运动时的加速度,采用f1、f2和f3三个阈值对观察值进行划分;
其中,X为三轴加速度传感器X轴方向上的采样数据,Y为三轴加速度传感器Y轴方向上的采样数据,Z为三轴加速度传感器Z轴方向上的采样数据;通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态。
4.如权利要求3所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
所述步骤(202)的模型如下:
λ=(S,V,A,B,π);(1.1)
其中,
S={S1,S2,…,SN}表示隐藏状态集合,N为正整数;N表示隐藏状态的总数;
V={V1,V2,…,VM}表示观察状态集合,M为正整数;
A=[aij]表示状态i到j的转移概率,其中aij=P(qi+j=j|qi=i),1≤i≤N且1≤j≤N;
B={bj(k)}表示观察值的概率分布,其中bj(k)=P(Vk|j),1≤k≤M且1≤j≤N,bj(k)表示在状态j时观察值为Vk的概率;
π={πi}为初始状态概率分布,πi=P(q1=i)表示时刻为1时状态为i的频率。
5.如权利要求2所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
所述步骤(203)的步骤如下:
设ai(i)=P(V1,V2,…,Vi,qi=i|λ)为多向变量,含义为在给定的λ,时刻t的状态为i,部分观察序列为V1,V2,…,Vi的概率;
若πi表示初始状态为i的概率,bi(Vi)表示状态为i时观察值为Vi的概率,则有ai(i)=πibi(Vi),1≤i≤N,N为隐藏状态总数;
递推计算ai(i),直到观察序列结束为止,最后将所有状态的累计输出概率叠加得到P(V|λ)。
6.如权利要求5所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
所述步骤(203)算法的公式表达如下:
初始化
ai(i)=πibi(Vi),1≤i≤N;(1.4)
迭代计算
终止计算
其中,aij表示状态i到j的转移概率;P(V|λ)就是在给定λ的条件下,观察序列的概率;P(V|λ)的值越大,则表示采集数据集合与已知正常数据集合情况相似,反之,则为疑似异常行为样本。
7.如权利要求3所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态的步骤如下:
步骤(11):判断小于f1是否成立,若否,则观察值为V7;若是,则进入步骤(12);
步骤(12):判断Y轴数据是否小于f2,若是就进入步骤(13),若否进入步骤(14);
步骤(13):判断X轴数据是否小于f3,若是,则观察值为V1;若否,则观察值为V2;
步骤(14):判断Z轴数据是否小于f3,若是,则进入步骤(15);若否进入步骤(16);
步骤(15):判断X轴数据是否小于f3,若是,则观察值为V3;若否,则观察值为V4;
步骤(16):判断X轴数据是否小于f3,若是,则观察值为V5;若否,则观察值为V6。
8.如权利要求1所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
可穿戴设备为手环或者腰带,包括:
射频发送模块,所述射频发送模块分别与加速度传感器、心率传感器、呼吸传感器和血压传感器连接;
所述射频发送模块,与监控终端的射频接收模块通信;射频接收单元与数据分析处理单元连接,数据分析处理单元与报警单元连接。
9.如权利要求1所述的一种基于可穿戴设备的服刑人员斗殴预警的方法,其特征是,
步骤(1)中所述个体位置数据格式为:【个体ID,位置,时间】;所述个体生理数据包括:心率、呼吸频率、血压;所述个体行为数据主要为个体三轴加速度数据;
步骤(2)中个体生理数据的设定阈值范围:正常成人心率约为60~100次/分钟,呼吸频率为12~20次/分钟,血压则根据个体体检数据为准;
步骤(4):服刑人员由于场所的特殊性,大家斗殴基本为肉搏,所以当出现斗殴现象时,参与个体之间距离应该较近,步骤(4)是判断是否构成斗殴的必要条件;
步骤(5):通过分析两个个体的生理、行为数据,来增加判断的准确性;
步骤(6)生理数据与数据库记载的生理阈值范围进行比较,行为数据通过算法进行训练分析。
10.一种基于可穿戴设备的服刑人员斗殴预警的系统,其特征是,包括:
数据采集单元:通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据;
实时判断单元:实时判断个体生理数据是否超出设定阈值范围,实时判断个体行为数据是否超出设定阈值范围;
异常个体标记单元:当个体生理数据或个体行为数据发生异常时对个体进行标记;
周围个体距离计算单元:判断被标记的个体设定距离范围内的其他个体的数量,计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离;
分析单元:当被标记个体设定距离范围内有其他个体时,进一步分析其他个体的生理数据和其他个体的行为数据;
警告发出单元:对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理,打架斗殴可能性较大时,标记异常并发出警告;
监控单元:根据异常个体位置,调动异常个体位置附近的摄像头对异常个体进行监控,管理员根据监控进行确认。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611108349.2A CN106781245B (zh) | 2016-12-06 | 2016-12-06 | 基于可穿戴设备的服刑人员斗殴预警的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611108349.2A CN106781245B (zh) | 2016-12-06 | 2016-12-06 | 基于可穿戴设备的服刑人员斗殴预警的方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106781245A true CN106781245A (zh) | 2017-05-31 |
CN106781245B CN106781245B (zh) | 2018-09-18 |
Family
ID=58878977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611108349.2A Active CN106781245B (zh) | 2016-12-06 | 2016-12-06 | 基于可穿戴设备的服刑人员斗殴预警的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106781245B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712375A (zh) * | 2018-12-29 | 2019-05-03 | 杭州平普智能科技有限公司 | 一种用于特定人员的监控管理方法及装置 |
CN110415152A (zh) * | 2019-07-29 | 2019-11-05 | 哈尔滨工业大学 | 一种安全监控系统 |
WO2023040764A1 (en) * | 2021-09-14 | 2023-03-23 | International Business Machines Corporation | Dynamic geofencing-enabled physiological risk monitoring system in physical and mixed reality environments |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6639516B1 (en) * | 2002-05-14 | 2003-10-28 | Shaun Michael Copley | Personal tracking device |
CN201903945U (zh) * | 2010-12-15 | 2011-07-20 | 王曙光 | 一种用于服刑人员的监控装置 |
CN203179055U (zh) * | 2013-03-24 | 2013-09-04 | 成都携恩科技有限公司 | 具有主动报警功能的监狱管理用腕带式标签 |
CN203288035U (zh) * | 2013-05-31 | 2013-11-13 | 武汉云泉科技有限公司 | 一种基于佩戴式传感器的异常行为分析预警系统 |
CN204695501U (zh) * | 2015-06-30 | 2015-10-07 | 哈尔滨华夏矿安科技有限公司 | 一种监狱犯人行为采集装置 |
-
2016
- 2016-12-06 CN CN201611108349.2A patent/CN106781245B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6639516B1 (en) * | 2002-05-14 | 2003-10-28 | Shaun Michael Copley | Personal tracking device |
CN201903945U (zh) * | 2010-12-15 | 2011-07-20 | 王曙光 | 一种用于服刑人员的监控装置 |
CN203179055U (zh) * | 2013-03-24 | 2013-09-04 | 成都携恩科技有限公司 | 具有主动报警功能的监狱管理用腕带式标签 |
CN203288035U (zh) * | 2013-05-31 | 2013-11-13 | 武汉云泉科技有限公司 | 一种基于佩戴式传感器的异常行为分析预警系统 |
CN204695501U (zh) * | 2015-06-30 | 2015-10-07 | 哈尔滨华夏矿安科技有限公司 | 一种监狱犯人行为采集装置 |
Non-Patent Citations (1)
Title |
---|
王洪斌: "基于三轴加速度传感器的人体行为识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712375A (zh) * | 2018-12-29 | 2019-05-03 | 杭州平普智能科技有限公司 | 一种用于特定人员的监控管理方法及装置 |
CN110415152A (zh) * | 2019-07-29 | 2019-11-05 | 哈尔滨工业大学 | 一种安全监控系统 |
WO2023040764A1 (en) * | 2021-09-14 | 2023-03-23 | International Business Machines Corporation | Dynamic geofencing-enabled physiological risk monitoring system in physical and mixed reality environments |
Also Published As
Publication number | Publication date |
---|---|
CN106781245B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mubashir et al. | A survey on fall detection: Principles and approaches | |
Tzeng et al. | Design of fall detection system with floor pressure and infrared image | |
WO2019169864A1 (zh) | 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统 | |
CN105708470B (zh) | 基于多普勒探测器与传感器联合的跌倒检测系统和方法 | |
Prateek et al. | Modeling, detecting, and tracking freezing of gait in Parkinson disease using inertial sensors | |
CN110192862A (zh) | 一种基于雷达的非接触式人体呼吸检测方法及装置 | |
CN105051799A (zh) | 用于检测跌倒的方法和跌倒检测器 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN106781245B (zh) | 基于可穿戴设备的服刑人员斗殴预警的方法与系统 | |
CN114895301B (zh) | 一种毫米波雷达和视频辅助的室内跌倒检测方法及装置 | |
Nizam et al. | A study on human fall detection systems: Daily activity classification and sensing techniques | |
CN109887238A (zh) | 一种基于视觉和人工智能的跌倒检测系统及检测报警方法 | |
Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
CN108417264A (zh) | 一种远程监护急救系统 | |
Wu et al. | A multi-sensor fall detection system based on multivariate statistical process analysis | |
Miller et al. | Smart homes that detect sneeze, cough, and face touching | |
CN112998689A (zh) | 非接触式多人实时呼吸状况评估系统、设备和存储介质 | |
Ren et al. | Chameleon: personalised and adaptive fall detection of elderly people in home-based environments | |
Dinh et al. | A new real-time fall detection approach using fuzzy logic and a neural network | |
Sung et al. | Shiver motion and core body temperature classification for wearable soldier health monitoring systems | |
CN109325474A (zh) | 一种对需特别看护人员的异常状态检测方法 | |
Poorani et al. | Sensor based decision making inference system for remote health monitoring | |
Pogorelc et al. | Medically driven data mining application: Recognition of health problems from gait patterns of elderly | |
Tasoulis et al. | Statistical data mining of streaming motion data for fall detection in assistive environments | |
Pogorelc et al. | Discovery of gait anomalies from motion sensor data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Prisoner fighting early-warning method and prisoner fighting early-warning system based on wearable device Effective date of registration: 20190912 Granted publication date: 20180918 Pledgee: Qilu bank Limited by Share Ltd Ji'nan high tech branch Pledgor: Shandong Han Yue intelligent Polytron Technologies Inc Registration number: Y2019370000039 |