CN108256540A - 一种信息处理方法及系统 - Google Patents
一种信息处理方法及系统 Download PDFInfo
- Publication number
- CN108256540A CN108256540A CN201611237787.9A CN201611237787A CN108256540A CN 108256540 A CN108256540 A CN 108256540A CN 201611237787 A CN201611237787 A CN 201611237787A CN 108256540 A CN108256540 A CN 108256540A
- Authority
- CN
- China
- Prior art keywords
- state
- target object
- feature vector
- model
- behavior
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例公开了一种信息处理方法,所述方法包括:获取到待检测特征向量;所述待检测特征向量表征目标对象在第一时刻下的行为特征;获取对目标对象的行为特征进行判定的至少一个状态模型,并利用所述至少一个状态模型,确定出所述待检测特征向量所对应的目标状态;所述目标状态表征所述目标对象在所述第一时刻下的行为状态;获取对所述目标对象的行为特征进行分析的至少一个分析模型,利用所述至少一个分析模型,并基于所述目标状态对所述待检测特征向量进行分析,以便于基于分析结果确定出所述目标对象在所述第一时刻下的行为特征是否异常。本发明实施例还公开了一种信息处理系统。
Description
技术领域
本发明涉及信息处理技术,尤其涉及一种信息处理方法及系统。
背景技术
目前,目标对象的行为检测方法主要包括如下两种:第一,无线传感网络与射频识别(RFID)技术相结合的居家目标对象监控系统,在家庭环境内部署各类传感器,通过各类传感器激活频率,判断目标对象行为;第二,目标对象随身佩戴人体姿态检测器、健康特征采集器及信号传输装置、定位系统、自动报警装置以及信号处理系统等多个部分组成的设备。通过该设备,采集目标对象的姿势、位置及状态。但是,现有的检测方法均存在缺点,即:第一,仅通过传感器触发频率来检测目标对象状态,准确度低。第二,通过目标对象佩戴感应设备检测,会增加目标对象的身体负重,一旦目标对象脱去设备,则无法采集目标对象信息。
发明内容
为解决现有存在的技术问题,本发明实施例提供了一种信息处理方法及系统,能至少解决现有技术中存在的上述问题。
本发明实施例的技术方案是这样实现的:
本发明实施例第一方面提供了一种信息处理方法,所述方法包括:
获取到待检测特征向量;所述待检测特征向量表征目标对象在第一时刻下的行为特征;
获取对目标对象的行为特征进行判定的至少一个状态模型,并利用所述至少一个状态模型,确定出所述待检测特征向量所对应的目标状态;所述目标状态表征所述目标对象在所述第一时刻下的行为状态;
获取对所述目标对象的行为特征进行分析的至少一个分析模型,利用所述至少一个分析模型,并基于所述目标状态对所述待检测特征向量进行分析,以便于基于分析结果确定出所述目标对象在所述第一时刻下的行为特征是否异常。
上述方案中,所述方法包括:
获取表征第一对象在不同时刻下的行为特征的至少两个第一特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
基于所述至少两个第一特征向量的行为状态,对所述至少两个第一特征向量进行分类处理,得到至少一组向量集合;所述向量集合中包含有至少一个所述第一特征向量;其中,每一所述向量集合对应一种行为状态;
利用每一所述向量集合,确定出至少一个状态模型,以便于利用所述状态模型所述目标对象所属的行为状态。
上述方案中,所述方法包括:
获取表征第一对象在不同时刻下以及在不同行为状态下的行为特征的至少两个第二特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
利用所述至少两个第二特征向量确定出所述第一对象在不同行为状态下所对应的至少一个标准特征值;
利用确定出的至少一个标准特征值,确定出至少一个分析模型,以便于利用所述分析模型确定出所述目标对象的行为特征是否异常。
上述方案中,所述方法还包括:
获取预设范围内的至少一个传感器所对应的感应数据;
利用所述至少一个传感器所对应的感应数据确定出第一对象对应的特征向量;所述特征向量为第一特征向量或第二特征向量。
上述方案中,所述方法还包括:
获取所述至少一个传感器所对应的位置信息;
基于位置信息确定出基于所述传感器的感应数据而得到的特征向量所对应的行为状态。
本发明实施例第二方面提供了一种信息处理系统,所述系统包括:
检测单元,用于获取到待检测特征向量;所述待检测特征向量表征目标对象在第一时刻下的行为特征;
处理单元,用于获取对目标对象的行为特征进行判定的至少一个状态模型,并利用所述至少一个状态模型,确定出所述待检测特征向量所对应的目标状态;所述目标状态表征所述目标对象在所述第一时刻下的行为状态;还用于获取对所述目标对象的行为特征进行分析的至少一个分析模型,利用所述至少一个分析模型,并基于所述目标状态对所述待检测特征向量进行分析,以便于基于分析结果确定出所述目标对象在所述第一时刻下的行为特征是否异常。
上述方案中,所述检测单元,还用于获取表征第一对象在不同时刻下的行为特征的至少两个第一特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
所述处理单元,还用于基于所述至少两个第一特征向量的行为状态,对所述至少两个第一特征向量进行分类处理,得到至少一组向量集合;所述向量集合中包含有至少一个所述第一特征向量;其中,每一所述向量集合对应一种行为状态;还用于利用每一所述向量集合,确定出至少一个状态模型,以便于利用所述状态模型所述目标对象所属的行为状态。
上述方案中,所述检测单元,还用于获取表征第一对象在不同时刻下以及在不同行为状态下的行为特征的至少两个第二特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
所述处理单元,还用于利用所述至少两个第二特征向量确定出所述第一对象在不同行为状态下所对应的至少一个标准特征值,并利用确定出的至少一个标准特征值,确定出至少一个分析模型,以便于利用所述分析模型确定出所述目标对象的行为特征是否异常。
上述方案中,所述检测单元,还用于获取预设范围内的至少一个传感器所对应的感应数据,并利用所述至少一个传感器所对应的感应数据确定出第一对象对应的特征向量;所述特征向量为第一特征向量或第二特征向量。
上述方案中,所述检测单元,还用于获取所述至少一个传感器所对应的位置信息;
所述处理单元,还用于基于位置信息确定出基于所述传感器的感应数据而得到的特征向量所对应的行为状态。
本发明实施例所述的信息处理方法及系统,能够在不给目标对象添加负担的基础上,且在保护目标对象的隐私的基础上,实现对目标对象的行为特征的预测,提升了用户体验。
附图说明
图1为发明实施例信息处理方法的实现流程示意图;
图2为本发明实施例传感器在家居环境中的分布示意图;
图3为本发明实施例信息处理系统的组成结构示意图一;
图4为本发明实施例老人状态预测的流程示意图;
图5为本发明实施例信息处理系统的组成结构示意图二。
具体实施方式
为了能够更加详尽地了解本发明的特点与技术内容,下面结合附图对本发明的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本发明。
实施例一
本实施例提供了一种信息处理方法;所述方法可以具体应用于信息处理系统中;具体地,以本实施例所述方法和系统应用于老人行为检测场景为例,对本发明实施例做进一步详细说明;具体地,图1为本发明实施例信息处理方法的实现流程示意图;如图1所示,所述方法包括:
步骤101:获取到待检测特征向量;所述待检测特征向量表征目标对象在第一时刻下的行为特征;
步骤102:获取对目标对象的行为特征进行判定的至少一个状态模型,并利用所述至少一个状态模型,确定出所述待检测特征向量所对应的目标状态;所述目标状态表征所述目标对象在所述第一时刻下的行为状态;
步骤103:获取对所述目标对象的行为特征进行分析的至少一个分析模型,利用所述至少一个分析模型,并基于所述目标状态对所述待检测特征向量进行分析,以便于基于分析结果确定出所述目标对象在所述第一时刻下的行为特征是否异常。
本实施例所述的特征向量均是基于传感器的感应数据确定出的。例如,获取预设范围内的至少一个传感器所对应的感应数据;利用所述至少一个传感器所对应的感应数据确定出第一对象对应的特征向量;所述特征向量为第一特征向量或第二特征向量。
在一具体实施例中,所述系统在利用所述状态模型以及所述分析模型之前,需要建立模型;具体地,
建立状态模型的步骤包括:获取表征第一对象在不同时刻下的行为特征的至少两个第一特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
基于所述至少两个第一特征向量的行为状态,对所述至少两个第一特征向量进行分类处理,得到至少一组向量集合;所述向量集合中包含有至少一个所述第一特征向量;其中,每一所述向量集合对应一种行为状态;
利用每一所述向量集合,确定出至少一个状态模型,以便于利用所述状态模型所述目标对象所属的行为状态。
这里,在实际应用中,所述系统可以根据传感器所处的位置,来确定对象的行为状态,具体地,获取所述至少一个传感器所对应的位置信息;基于位置信息确定出基于所述传感器的感应数据而得到的特征向量所对应的行为状态。
进一步地,建立分析模型的步骤包括:获取表征第一对象在不同时刻下以及在不同行为状态下的行为特征的至少两个第二特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
利用所述至少两个第二特征向量确定出所述第一对象在不同行为状态下所对应的至少一个标准特征值;
利用确定出的至少一个标准特征值,确定出至少一个分析模型,以便于利用所述分析模型确定出所述目标对象的行为特征是否异常。
以检测目标老人在家居环境中的行为状态为例,对本实施例做进一步详细说明;
具体地,本实施例所述的系统各种可以具体包括多个在不同位置设置的传感器;例如,对家居环境按功能进行划分,如厨房、餐厅、卫生间和卧室等,这里,由于不同的区域对应的功能不同,老人所处的状态也不同,所以将老人在室内的正常饮食起居行为划分为F个场景,也即F个行为状态;例如,可以划分为吃饭、睡觉、洗漱、休闲和外出五个行为状态。
进一步地,本实施例可以在不同区域中部署PIR(被动红外探测器)、门磁和震动传感器,例如,如图2所示,PIR1至PIR7放置于厨房、餐厅、客厅、卧室和卫生间,用于采集老人的行为及位置信息;门磁D1和D2放置于进出入户门和冰箱门上,用于采集老人外出及做饭行为信息;震动传感器S1放置于燃气灶、水龙头等开关上,用于采集老人开关家庭设备行为信息。这里,在实际应用中,本实施例所述的传感器可根据家庭实际需要而任意部署。
在一具体实施例中,如图3所示,本实施例所述的系统可以具体包括家庭监控终端、家庭网关和行为分析平台;其中,
所述家庭监控终端,主要包括PIR、门磁和震动传感器,用于采集老人行为数据,并将数据上报给家庭网关。
所述家庭网关,负责将家庭监控终端上报的数据发送至行为分析平台。
所述行为分析平台,主要包括六个模块,分别为传感器数据收集模块、传感器数据预处理分析模块、传感器数据行为类型判断模块、传感器行为数据训练模块、行为数据分析模块、历史记录模块和通信模块。进一步地,各模块主要功能如下:
一、所述传感器数据收集模块,用于获取家庭网关上报的老人行为数据序列,并将其提交给传感器数据预处理分析模块;具体地,以时间间隔T为采集单位,采集到的传感器数据表示格式为:{采集时间戳,[传感器1ID,状态,启动时间],[传感器2ID,状态,启动时间],……,[传感器N ID,状态,启动时间]}。其中,所述N为大于等于1的正整数;采集时间戳为数据采集时间。这里,传感器ID是识别传感器的唯一标识。所述状态用于判定传感器是否处于正常开启状态,如用1和0表示,1表示启动,0表示关闭,对于PIR,一旦采集到感应数据,则状态位必为1;对于门磁,门开启的状态为1,关闭的状态为0;对于震动传感器,开启状态为1,关闭为0。所述启动时间为传感器感应启动时间。如,在单位时间T内采集到的传感器数据为:式(1)--{t,[PIR1,1,t1],[PIR2,1,t2],[PIR3,1,t3],[D2,1,t4],[PIR2,1,t5],[PIR3,1,t6]}。
二、所述传感器数据预处理分析模块,用于接收传感器数据收集模块发送来的数据后,对数据进行处理分析。这里,由于采集周期T时间内采集到的传感器数据信息较多,所以需要对数据进行预处理,进而得到老人在T时间内的行为特征向量。例如,在T时间内,由于在不同场景下,老人行为活动可能会经过不同类别的传感器,在不同传感器感应范围内驻留的时间不同,经过各传感器的频率也不同,所以可以选取T时间内,每个PIR感应总时长、出现频率,每个门磁触发频率,每个震动传感器触发频率作为老人行为状态特征向量,如所述老人行为状态特征向量表示为:
{t,TPIR传感器1,TPIR传感器2,……,TPIR传感器N,FPIR传感器1,FPIR传感器2,……,FPIR传感器N,D门磁1,D门磁2,……,D门磁N,S震动传感器1,S震动传感器2,……,S震动传感器N}。
这里,不传感器对应的N不同,也就是说,不同传感器的部署个数可以不同;在一具体示例中,所述式(1)可以具体表示为:
式2--{t,TPIR1,TPIR2,TPIR3,TPIR4,TPIR5,TPIR6,TPIR7,FPIR1,FPIR2,FPIR3,FPIR4,FPIR5,FPIR6,FPIR7,D1,D2,S1}。其中,各元素的具体含义如下表所示。
表1老人行为状态特征向量参数
三、所述传感器数据行为类型判断模块,主要功能包括:
老人状态预测算法:采用K-means聚类方法将老人行为状态特征向量进行聚类。聚类算法的训练样本矩阵为X=[x1,x2,…,xn]T,n为训练样本个数,样本点xk(k=1,2,…,n)为老人行为状态特征向量,具体为一个1×s维的向量,s表示该样本点的特征维数(如,具体为式2所表示的具体维度)。将训练样本划分为F个类别,由ci(i=1,2,…,F)表示,则聚类中心为c1,c2,…,cF,F的数字根据室内划分场景数而定(如,本实施例设置F=5为例)。重复下面过程直到函数收敛;具体地,
对于每个老人行为状态特征向量xi,计算其应该属于的状态类:
对于每一个老人状态类j,重新计算该类的质心:
重复迭代上述两步,直到质心不变或者变化很小为止,此时获得老人F个状态的可观察序列,这里,所述可观察序列由老人行为状态特征向量组成。
四、传感器行为数据训练模块
用Baum-Welch算法训练所述传感器数据行为类型判断模块得到的可观察序列,进而得到老人状态的隐马尔可夫模型,即HMM模型;具体建模过程如下:
步骤一:HMM模型定义
HMM模型可以通过以下参数进行描述:λ={N,M,A,B,π},简记为λ=(A,B,π)。各参数意义如表2所示。
表2HMM模型参数
步骤二:HMM模型设计
老人行为状态数N,也即场景数F;这里,老人的状态不能直接被观察到,即为隐状态;例如,老人行为状态数具体为5,即分别为吃饭、睡觉、洗漱、休闲和外出状态。
每个老人行为状态对应的观察事件数M:虽然老人的行为状态不能被直接观察到,但可以通过观测到的老人行为状态特征向量来判断。例如,在一具体实施例中,可以选取的观察数据为式2所示的老人行为状态特征向量,则M=17。
状态转移矩阵A:表示吃饭、睡觉、洗漱、休闲和外出5个隐状态相互间的转移概率组成的矩阵。
观察事件概率分布矩阵B:老人行为状态特征向量参数组成的观察值概率矩阵。
初始状态矢量π:老人某个状态的初始概率矩阵。
步骤三:HMM模型训练;
建立预测模型,例如,本实施例基于场景数F数建立出与场景数,也即与老人行为状态数相对应的模型,即包括:吃饭状态预测模型、睡觉状态预测模型、洗漱状态预测模型、休闲状态预测模型和外出状态预测模型;具体地,将样本序列记为O=(o1,o2,…,oT),老人状态HMM模型训练过程如下:
模型初始化:初始化的参数模型λ0=(A0,B0,π0);
基于初始参数λ0和观察序列O,训练新的模型参数训练过程如下:
定义变量ξt(i,j),示在已知老人行为观察序列O=(o1,o2,…,oT)和模型参数λ=(A,B,π)的条件下,在时间t状态为i,在时间t+1状态为j的概率,表示为:ξt(i,j)=p(qt=i,qt+1=j|O,λ);
定义变量γt(i),表示在给定O和λ的情况下,t时刻状态为Si的概率。
定义向前变量αt(i)和向后变量βt(i);其中,αt(i)=P(o1o2…ot,qt=Si|λ),表征模型λ下,到时刻t为止,部分给定老人行为观察序列o1o2…ot,且在t时刻状态为Si的概率。βt(i)=P(ot+1ot+2…oT|qt=Si,λ),表征模型λ下,在t时刻状态为Si且t时刻后产生部分观察序列ot+1ot+2…oT的概率。进一步地,
这里,迭代计算老人状态模型λ参数,t=1时刻老人状态为Si的概率=γ1(i);
其中,初始化的参数模型λ0=(A0,B0,π0)和观察序列样本O=(o1,o2,…,oT)代入迭代公式,能够等到一组新的参数终止迭代,保存模型参数;这里,当满足条件时停止迭代,此时得到老人行为状态的HMM模型的极大似然解。
通过以上方法即可获得老人不同行为状态的训练模型,例如,本实施例可获得老人吃饭、睡觉、洗漱、休闲和外出五种行为状态模型λ,分别为λe、λs、λw、λem、λo。当确定出五种行为状态模型λ后即可根据如图4所示的步骤对老人行为进行判定。
五、行为数据分析模块,主要功能包括:
(1)老人异常行为检测机制,具体地,当获取到老人行为数据序列,也即基于老人行为状态特征向量确定出老人行为时,首先要判断老人状态是否异常。在一具体实施例中,可以从三个角度定义老人异常行为:驻留时间、外出情况、异常行为顺序。其中,通过下述三个模型来判断老人状态是否异常;
驻留状态模型;每一个行为可根据其特性得到驻留时间,当驻留时间比正常持续时间长很多时,则老人行为发生异常。根据PIR传感器采集的老人行为数据,获取老人在厨房、餐厅、卫生间、客厅等不同房间内的驻留时间。对每个房间的驻留时间采用正态分布拟合,为每个房间选取置信区间,计算其驻留时间的告警门限值W。当老人驻留的时间超过告警门限值时,则老人行为发生异常。
外出情况判断模型;外出次数过多、外出或回家时间过晚均属于老人行为异常情况。根据入户门门磁采集的老人外出、回家行为数据,对老人外出频率、最晚外出或回家时间进行正态分布拟合,选取置信区间,计算外出频率、最晚外出或回家时间的告警门限值G。
异常行为顺序;行为活动的顺序和根据老人状态HMM模型产生的预测值相差很大,或者实际的行为活动出现的概率很小。如,夜晚老人出现吃饭或休闲娱乐行为。
(2)老人状态判断;步骤如下:
步骤一:获取传感器数据序列及已预处理过的老人行为状态特征向量,形成观察序列O;
步骤二:根据获取的传感器数据,判断老人在某一房间是否发生驻留时间异常或外出异常;如发生异常,则产生老人状态异常告警;如无异常,则执行步骤三;
步骤三:将观察序列O代入每个老人行为状态模型,计算每个模型产生当前观察序列的概率P(O|λ),将概率最大值与阈值δ阈值进行比较,若概率最大值大于阈值,则概率值最大的行为状态模型便是当前老人行为状态,如图4所示;若概率最大值小于阈值δ阈值,则老人行为状态出现异常,产生异常状态告警。
六、历史数据记录模块,用于记录传感器数据、老人行为状态特征向量参数、驻留时间、频率等数据信息。
七、通信模块,用于将老人行为状态、异常告警信息推送至其他终端或平台。
这样,通过将老人在室内的正常活动划分为多个状态,对传感器采集到的老人行为数据进行预处理,获取老人行为特征向量,并根据已划分的老人活动状态,对老人行为特征向量进行聚类,利用Baum-Welch算法训练老人状态样本集,进而得到老人状态的HMM(隐性马尔科夫模型)模型,将老人行为特征向量序列代入到已训练好的模型中,即可判断出老人状态;进而通过对老人活动时间、地点、顺序的分布进行分析,检测判断出的老人状态是否异常的老人异常状态检测机制,完成对老人行为状态的预测过程。这里,由于本实施例是通过在房间内部署PIR、门磁和震动传感器来采集到的老人行为数据的,所以,老人无需携带任何可穿戴设备,同时,也保护了老人的隐私,因此,与现有行为检测方法相比,本发明实施例所述的方法在不给目标对象添加负担的基础上,且在保护目标对象的隐私的基础上,实现了对目标对象的行为特征的预测,提升了用户体验。而且,由于本实施例采集的数据不是图像数据,所以,与现有采集图像数据进行预测的方式相比,能够降低预测的运算量,降低预测成本。
在本申请所提供的实施例一中,应该理解到,所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。基于此,本发明实施例还提供了另外一种划分及组合方式,如下述实施例二所述,通过下述实施例二所述的系统,也能够实现本发明实施例所述的信息处理方法。
实施例二
本实施例提供了一种信息处理系统,如图5所示,所述系统包括:
检测单元51,用于获取到待检测特征向量;所述待检测特征向量表征目标对象在第一时刻下的行为特征;
处理单元52,用于获取对目标对象的行为特征进行判定的至少一个状态模型,并利用所述至少一个状态模型,确定出所述待检测特征向量所对应的目标状态;所述目标状态表征所述目标对象在所述第一时刻下的行为状态;还用于获取对所述目标对象的行为特征进行分析的至少一个分析模型,利用所述至少一个分析模型,并基于所述目标状态对所述待检测特征向量进行分析,以便于基于分析结果确定出所述目标对象在所述第一时刻下的行为特征是否异常。
在一具体实施例中,所述检测单元51,还用于获取表征第一对象在不同时刻下的行为特征的至少两个第一特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
所述处理单元52,还用于基于所述至少两个第一特征向量的行为状态,对所述至少两个第一特征向量进行分类处理,得到至少一组向量集合;所述向量集合中包含有至少一个所述第一特征向量;其中,每一所述向量集合对应一种行为状态;还用于利用每一所述向量集合,确定出至少一个状态模型,以便于利用所述状态模型所述目标对象所属的行为状态。
在另一具体实施例中,所述检测单元51,还用于获取表征第一对象在不同时刻下以及在不同行为状态下的行为特征的至少两个第二特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
所述处理单元52,还用于利用所述至少两个第二特征向量确定出所述第一对象在不同行为状态下所对应的至少一个标准特征值,并利用确定出的至少一个标准特征值,确定出至少一个分析模型,以便于利用所述分析模型确定出所述目标对象的行为特征是否异常。
在另一具体实施例中,所述检测单元51,还用于获取预设范围内的至少一个传感器所对应的感应数据,并利用所述至少一个传感器所对应的感应数据确定出第一对象对应的特征向量;所述特征向量为第一特征向量或第二特征向量。
在另一具体实施例中,所述检测单元51,还用于获取所述至少一个传感器所对应的位置信息;
所述处理单元52,还用于基于位置信息确定出基于所述传感器的感应数据而得到的特征向量所对应的行为状态。
这里需要指出的是:以上系统实施例项的描述,与上述方法描述是类似的,具有同方法实施例相同的有益效果,因此不做赘述。对于本发明系统实施例中未披露的技术细节,本领域的技术人员请参照本发明方法实施例的描述而理解,为节约篇幅,这里不再赘述。
在本申请所提供的实施例一中,应该理解到,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,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。基于此,本发明实施例还提供了另外一种划分及组合方式,如下述实施例二所述,通过下述实施例二所述的装置,实现本发明实施例所述的自动化检测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明实施例的实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明实施例原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明实施例的保护范围。
Claims (10)
1.一种信息处理方法,其特征在于,所述方法包括:
获取到待检测特征向量;所述待检测特征向量表征目标对象在第一时刻下的行为特征;
获取对目标对象的行为特征进行判定的至少一个状态模型,并利用所述至少一个状态模型,确定出所述待检测特征向量所对应的目标状态;所述目标状态表征所述目标对象在所述第一时刻下的行为状态;
获取对所述目标对象的行为特征进行分析的至少一个分析模型,利用所述至少一个分析模型,并基于所述目标状态对所述待检测特征向量进行分析,以便于基于分析结果确定出所述目标对象在所述第一时刻下的行为特征是否异常。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取表征第一对象在不同时刻下的行为特征的至少两个第一特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
基于所述至少两个第一特征向量的行为状态,对所述至少两个第一特征向量进行分类处理,得到至少一组向量集合;所述向量集合中包含有至少一个所述第一特征向量;其中,每一所述向量集合对应一种行为状态;
利用每一所述向量集合,确定出至少一个状态模型,以便于利用所述状态模型所述目标对象所属的行为状态。
3.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取表征第一对象在不同时刻下以及在不同行为状态下的行为特征的至少两个第二特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
利用所述至少两个第二特征向量确定出所述第一对象在不同行为状态下所对应的至少一个标准特征值;
利用确定出的至少一个标准特征值,确定出至少一个分析模型,以便于利用所述分析模型确定出所述目标对象的行为特征是否异常。
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
获取预设范围内的至少一个传感器所对应的感应数据;
利用所述至少一个传感器所对应的感应数据确定出第一对象对应的特征向量;所述特征向量为第一特征向量或第二特征向量。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述至少一个传感器所对应的位置信息;
基于位置信息确定出基于所述传感器的感应数据而得到的特征向量所对应的行为状态。
6.一种信息处理系统,其特征在于,所述系统包括:
检测单元,用于获取到待检测特征向量;所述待检测特征向量表征目标对象在第一时刻下的行为特征;
处理单元,用于获取对目标对象的行为特征进行判定的至少一个状态模型,并利用所述至少一个状态模型,确定出所述待检测特征向量所对应的目标状态;所述目标状态表征所述目标对象在所述第一时刻下的行为状态;还用于获取对所述目标对象的行为特征进行分析的至少一个分析模型,利用所述至少一个分析模型,并基于所述目标状态对所述待检测特征向量进行分析,以便于基于分析结果确定出所述目标对象在所述第一时刻下的行为特征是否异常。
7.根据权利要求6所述的系统,其特征在于,所述检测单元,还用于获取表征第一对象在不同时刻下的行为特征的至少两个第一特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
所述处理单元,还用于基于所述至少两个第一特征向量的行为状态,对所述至少两个第一特征向量进行分类处理,得到至少一组向量集合;所述向量集合中包含有至少一个所述第一特征向量;其中,每一所述向量集合对应一种行为状态;还用于利用每一所述向量集合,确定出至少一个状态模型,以便于利用所述状态模型所述目标对象所属的行为状态。
8.根据权利要求6所述的系统,其特征在于,所述检测单元,还用于获取表征第一对象在不同时刻下以及在不同行为状态下的行为特征的至少两个第二特征向量;其中,所述第一对象与所述目标对象相同或者不相同;
所述处理单元,还用于利用所述至少两个第二特征向量确定出所述第一对象在不同行为状态下所对应的至少一个标准特征值,并利用确定出的至少一个标准特征值,确定出至少一个分析模型,以便于利用所述分析模型确定出所述目标对象的行为特征是否异常。
9.根据权利要求7或8所述的系统,其特征在于,所述检测单元,还用于获取预设范围内的至少一个传感器所对应的感应数据,并利用所述至少一个传感器所对应的感应数据确定出第一对象对应的特征向量;所述特征向量为第一特征向量或第二特征向量。
10.根据权利要求9所述的系统,其特征在于,所述检测单元,还用于获取所述至少一个传感器所对应的位置信息;
所述处理单元,还用于基于位置信息确定出基于所述传感器的感应数据而得到的特征向量所对应的行为状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611237787.9A CN108256540A (zh) | 2016-12-28 | 2016-12-28 | 一种信息处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611237787.9A CN108256540A (zh) | 2016-12-28 | 2016-12-28 | 一种信息处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256540A true CN108256540A (zh) | 2018-07-06 |
Family
ID=62719731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611237787.9A Pending CN108256540A (zh) | 2016-12-28 | 2016-12-28 | 一种信息处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256540A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166624A (zh) * | 2018-09-21 | 2019-01-08 | 广州杰赛科技股份有限公司 | 一种行为分析方法、装置、服务器、系统及存储介质 |
CN111568427A (zh) * | 2020-04-07 | 2020-08-25 | 来邦养老科技有限公司 | 老人活动状态监测系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615186A (zh) * | 2009-07-28 | 2009-12-30 | 东北大学 | 一种基于隐马尔科夫理论的bbs用户异常行为审计方法 |
CN101923662A (zh) * | 2009-06-11 | 2010-12-22 | 索尼公司 | 信息处理设备、信息处理方法以及程序 |
CN205123923U (zh) * | 2015-11-20 | 2016-03-30 | 杭州电子科技大学 | 一种多信息融合的老人监护系统设备 |
CN105718857A (zh) * | 2016-01-13 | 2016-06-29 | 兴唐通信科技有限公司 | 一种人体异常行为检测方法及系统 |
CN105894420A (zh) * | 2016-04-15 | 2016-08-24 | 项小东 | 一种基于云计算的居家老人起居、饮食状况信息提取分析的方法和装置 |
-
2016
- 2016-12-28 CN CN201611237787.9A patent/CN108256540A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923662A (zh) * | 2009-06-11 | 2010-12-22 | 索尼公司 | 信息处理设备、信息处理方法以及程序 |
CN101615186A (zh) * | 2009-07-28 | 2009-12-30 | 东北大学 | 一种基于隐马尔科夫理论的bbs用户异常行为审计方法 |
CN205123923U (zh) * | 2015-11-20 | 2016-03-30 | 杭州电子科技大学 | 一种多信息融合的老人监护系统设备 |
CN105718857A (zh) * | 2016-01-13 | 2016-06-29 | 兴唐通信科技有限公司 | 一种人体异常行为检测方法及系统 |
CN105894420A (zh) * | 2016-04-15 | 2016-08-24 | 项小东 | 一种基于云计算的居家老人起居、饮食状况信息提取分析的方法和装置 |
Non-Patent Citations (1)
Title |
---|
刘翔: "基于HMM模型的老年人出行异常检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166624A (zh) * | 2018-09-21 | 2019-01-08 | 广州杰赛科技股份有限公司 | 一种行为分析方法、装置、服务器、系统及存储介质 |
CN111568427A (zh) * | 2020-04-07 | 2020-08-25 | 来邦养老科技有限公司 | 老人活动状态监测系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Wearable sensor-based behavioral anomaly detection in smart assisted living systems | |
Deep et al. | A survey on anomalous behavior detection for elderly care using dense-sensing networks | |
Van Kasteren et al. | An activity monitoring system for elderly care using generative and discriminative models | |
JP5143212B2 (ja) | 確率分布関数を用いて行動をモデル化するための方法及び装置 | |
CN103839373B (zh) | 一种突发异常事件智能识别报警装置及报警系统 | |
Liu et al. | Recognizing complex activities by a probabilistic interval-based model | |
US7369680B2 (en) | Method and apparatus for detecting an event based on patterns of behavior | |
CN103109244B (zh) | 用于物体跟踪和识别的方法和装置 | |
JP2005531845A5 (zh) | ||
Wang et al. | sMRT: Multi-resident tracking in smart homes with sensor vectorization | |
Venkat et al. | Robust gait recognition by learning and exploiting sub-gait characteristics | |
JP6591232B2 (ja) | 連想メモリによって分類されたフレームを使用して位置に対する計量値を取得すること | |
Hillyard et al. | Never use labels: Signal strength-based Bayesian device-free localization in changing environments | |
Amayri et al. | Bayesian network and Hidden Markov Model for estimating occupancy from measurements and knowledge | |
Wu et al. | A multi-sensor fall detection system based on multivariate statistical process analysis | |
CN108256540A (zh) | 一种信息处理方法及系统 | |
CN106913313A (zh) | 一种睡眠监测方法及系统 | |
Sim et al. | Improving the accuracy of erroneous-plan recognition system for Activities of Daily Living | |
Pazhoumand-Dar | FAME-ADL: A data-driven fuzzy approach for monitoring the ADLs of elderly people using Kinect depth maps | |
CN114972727A (zh) | 用于多模态神经符号场景理解的系统和方法 | |
US11550276B1 (en) | Activity classification based on multi-sensor input | |
Amayri et al. | Estimating occupancy from measurement and knowledge with Bayesian networks | |
Naeem et al. | A comparison of two hidden markov approaches to task identification in the home environment | |
Zouba et al. | Multi-sensors analysis for everyday activity monitoring | |
JP2007279887A (ja) | 特異パターン検出システム、モデル学習装置、特異パターン検出装置、特異パターン検出方法、及び、コンピュータプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |