CN110390565A - 通过ai边缘计算实现智能网关自适应管理的方法及系统 - Google Patents

Abstract

本发明公开了一种通过AI边缘计算实现智能网关自适应管理的方法及系统，所述方法包括：构建人体活动情景画像模型，进行判别内容分层分级，实时获取运动状态的各分层分级的原始数据；获取边缘计算后的情景数据，构建和自适应完善的识别模型，优化智能家居产品运动状态的情景画像模型样本；使用优化的SVM算法并结合不同层级数据对部分画像特征进行精细区分；通过深度学习算法，对多个模型样本进行自学习，优化完善智能家居产品运动状态的情景画像模型。本发明通过终端节点实时采集智能家居设备、人体等运动情况，并建立活动情景画像模型，通过边缘计算实现定期下载用户互联网画像特征模型，通过SVM的有监督学习方式进行模型校验，减少计算量。

Description

通过AI边缘计算实现智能网关自适应管理的方法及系统

技术领域

本发明具体涉及智能家居及设备技术领域，尤其涉及一种通过AI边缘计算实现智能网关自适应管理的方法及系统。

背景技术

一方面，互联网广告行业广告主通常需要从各种互联网渠道收集消费者的信息(例如年龄、地域、收入等)来精准定位目标客户，但是该数据只能基于一个长期特征，例如：根据某人的日常互联网行为画像判断某人是对促销广告敏感的人群，但是，某刻，该个人正好没有空、不方便、心情不佳等状况，在互联网画像对用户当下的实时情境状态无法全面了解下，在不恰当的时间推送可能照成用户的反感，进而影响营销效果和客户感知。

另一方面，可穿戴设备中的手环、手表、拐杖、智能鞋等多为独立的物联网设备，分别能从一定角度获得用户当下动作信息，全面判断用户当下情境状态常常出现误判，智能家居目前用于智能家电、门锁等的管理。

以上两个方面由于获取的信息源不同，往往是由有其传统优势的供应商提供相关数据，缺乏一个交集应用。

智能家庭网关是在家庭场景下能够集成不同家庭应用进行用户画像的入口，如果整合可穿戴设备、智能家居结合用户互联网行为特征进行建模，可以更好的获取用户行为情境的画像。但是，可穿戴设备、智能家居的时序时间信号不断产生，节点计算能力、功耗、时延等为特征建模带来巨大的挑战。

因此，现有技术需要改进。

发明内容

本发明提供一种通过AI边缘计算实现智能网关自适应管理的方法及系统，以解决现有技术中存在的问题，基于本发明实施例的一个方面，公开一种通过AI边缘计算实现智能网关自适应管理的方法，包括：

构建人体活动情景画像模型，将模型进行判别内容分层分级，实时获取智能家居产品运动状态的各分层分级的原始数据；

获取边缘计算后的情景数据，构建和自适应完善的识别模型，并优化智能家居产品运动状态的情景画像模型样本；

使用优化的SVM算法并结合不同层级数据对部分画像特征进行精细区分；

通过深度学习算法，对多个模型样本进行自学习，优化完善智能家居产品运动状态的情景画像模型。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述构建智能家居产品运动状态的情景画像模型，将模型进行判别内容分层分级，实时获取智能家居产品运动状态的各分层分级的原始数据包括：

使用加速度传感器设备进行第一层级运动判断，获取人体运动的x，y，z三个方向上的作用力，所述x代表左右方向作用力，所述y代表前后方向作用力，所述z代表上下法相作用力；

统计各个方向作用力通过轨迹的峰值出现的频率，获取三个方向的作用力的加速度状况；

对采集的三个方向的作用力进行滤波，除去参数采集过程中的电磁干扰信号，获取用户运动各分层分级的原始数据。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述获取边缘计算后的情景数据，构建和自适应完善的识别模型，并优化智能家居产品运动状态的情景画像模型样本包括：

构建角速度信号的向量模型，获取x，y，z三个方向上的输出向量模数据；

对采集到的三个方向上的数据进行小波分解、高频小波系数处理、小波重构操作，将各方向时域数据离散化，将多种频率成分的混合信号分解到不同频段，根据各种子信号在频域上的不同特征按频带处理，获取信噪比高的步态数据；

通过加速度传感器规律进行建模，通过遗传算子操作给出智能家居产品运动状态的识别结果。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述使用优化的SVM算法并结合不同层级数据对部分画像特征进行精细区分包括：

采用小波包分解、差分算法分别从三个方向上的数据提取频域、时域特征，用SVM算法进行识别；

采用模糊C均值算法得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集；

训练分类器，用分类器识别步态样本，得到部分画像特征的精细建模。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述通过深度学习算法，对多个模型样本进行自学习，优化完善智能家居产品运动状态的动情景画像模型包括：

对运动状态进行抽样计算，获取智能家居产品运动状态的的抽样数据；

对未发现的异常样本的特征值使用SVM分类器适应度函数进行计算，通过SVM分类器对样本划分正确率。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述采用模糊C均值算法得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集包括：

对抽样数据进行降维运算；

对降维后的数据进行异常值判别。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述通过分层级计算获取异常行为差异程度包括：

异常行为差异程度采用马氏距离进行计算，u_x为向量X＝{x₁,x₂,...,x_N}X＝{x₁,x₂,...,x_N}点X与Y的马氏距离：

基于本发明实施例的另一个方面，公开一种通过AI边缘计算实现智能网关自适应管理的系统，包括：智能网关、终端节点、云端服务器；

所述终端节点通过有线和/或无线方式与智能网关无线连接，并通过智能网关获取互联网网络服务，所述终端节点设置在家居产品、人体上，用于实时采集智能家居或人体的运动状态信息，所述智能网关通过对运动状态信息的处理，生成相关运动状态图像模型，所述智能网关与云端服务器连接，用于将终端设备的状态信息发送至云端服务器，并由云端服务器提供远端数据服务；

所述终端节点包括：加速度传感器、数据发送单元、主控芯片和电源系统，所述加速度传感器用于实时监测终端节点的运动状况，并通过主控芯片对终端节点的运动参数进行处理后，通过数据发送单元发送至智能网关，所述电源系统用于向所述加速度传感器、数据发送单元和主控芯片供电；

所述智能网关包括：数据接收单元、处理器单元、温湿度传感器单元、通信单元；所述数据接收单元用于接收终端节点发送的终端节点运动数据，并由处理器单元通过对接收的终端节点数据进行处理，生成终端节点的工作状态，温湿度传感器单元与处理器单元连接，用于判断环境温湿度状况，所述通信单元用于将处理器单元生成的终端节点工作状态信息发送至云端服务器。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的系统的另一个实施例中，所述终端节点还包括预处理模块，用于优化的支持向量机分层级结合不同层级数据，定时采集用户佩戴的加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程调用不同传感器功能工作，提取不同的特定特征计算，对不同特征降维取样，减少主控芯片的计算量。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的系统的另一个实施例中，所述终端节点还包括深度学习模块，用于将运动预处理后的数据进行准确性判断，对采集到的用户数据信息进行分析以确定该用户的初级类别。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的系统的另一个实施例中，所述深度学习模块包括：

次级用户信息采集生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面；

次级用户信息采集单元，将人机交互界面提供给用户；

计算单元，利用所述次级用户信息采集单元采集到的用户特征数据和数据库单元存储的特征与事件之间的相关性数据，计算用户特征与事件之间的综合关联值；

用户分类单元，对所述计算单元计算的相关值对用户进行分类；

结果输出单元，输出所述用户分类单元的分类结果。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的系统的另一个实施例中，所述终端节点设置于大门、冰箱、水壶上。

与现有技术相比，本发明具有以下优点：

本发明的通过AI边缘计算实现智能网关自适应管理的方法及系统通过终端节点实时采集智能家居设备、人体等运动情况，并建立活动情景画像模型，智能网关通过边缘计算实现定期下载用户互联网画像特征模型，同时集成节点初级判断的状态信息，结合可穿戴设备提供的实时数据，进行次级建模，根据深度学习算法判断各级忙闲状态，自适应决定计算位置，通过SVM的有监督学习方式进行模型校验，减少计算量，本发明能够有效融合智能家居、可穿戴设备等的运动数据，实现智能监控。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：

图1是本发明的通过AI边缘计算实现智能网关自适应管理的系统的一个实施例的结构示意图。

图2是本发明的通过AI边缘计算实现智能网关自适应管理的方法的一个实施例的流程图。

图3是本发明的通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例的流程图。

图中：1智能网关、11数据接收单元、12处理器单元、13温湿度传感器单元、14通信单元、2终端节点、21加速度传感器、22数据发送单元、23主控芯片、24电源系统、25预处理模块、26深度学习模块、3云端服务器。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术和设备可能不作详细讨论，但在适当情况下，所述技术和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1是本发明的通过AI边缘计算实现智能网关自适应管理的系统的一个实施例的结构示意图，如图1所示，所述通过AI边缘计算实现智能网关自适应管理的系统包括：

智能网关1、终端节点2、云端服务器3；

所述终端节点1通过有线和/或无线方式与智能网关2无线连接，并通过智能网关2获取互联网网络服务，所述终端节点1设置在家居产品、人体上，用于实时采集智能家居或人体的运动状态信息，所述智能网关2通过对运动状态信息的处理，生成相关运动状态图像模型，所述智能网关2与云端服务器3连接，用于将终端设备1的状态信息发送至云端服务器3，并由云端服务器3提供远端数据服务；

所述终端节点1包括：加速度传感器11、数据发送单元12、主控芯片13和电源系统14，所述加速度传感器11用于实时监测终端节点1的运动状况，并通过主控芯片13对终端节点1的运动参数进行处理后，通过数据发送单元12发送至智能网关2，所述电源系统14用于向所述加速度传感器11、数据发送单元12和主控芯片13供电；

所述智能网关2包括：数据接收单元21、处理器单元22、温湿度传感器单元23、通信单元24；所述数据接收单元21用于接收终端节点1发送的终端节点1运动数据，并由处理器单元22通过对接收的终端节点1数据进行处理，生成终端节点1的工作状态，温湿度传感器单元23与处理器单元22连接，用于判断环境温湿度状况，所述通信单元24用于将处理器单元22生成的终端节点1工作状态信息发送至云端服务器3。

在终端节点1中，所述数据发送单元12为Nrf24L01 2.4G无线通信电路，所述主控芯片13为ST低功耗处理器STM8L05，所述电源系统14为CR2032纽扣电池。

在智能网关2中，所述数据接收单元21为Nrf24L01 2.4G无线通信电路，所述处理器单元22为ATMEGA64A处理器，所述通信单元24为SIM800C或AIR208芯片，所述温湿度传感器单元23为DS18B20温度传感器。

在实际的使用中，终端节点1可以是部分贴在家电设备上的节点，用于监控老人日常设备使用情况，以冰箱为例，把终端节点1的贴片贴在冰箱门上，当老人打开冰箱门，终端节点1会自动识别这个结果，然后通过无线方式传递给智能网关2，智能网关2通过无线方式将老人使用冰箱这一事件上传至云端服务器3。

终端节点1也可以贴在老人钥匙扣上，实现一键呼叫，但是此场景限制必须在家里，在智能网关2能通讯的范围内，紧急情况下老人可通过一键呼叫求助平台。

终端节点1贴在老人钥匙扣上可以对老人出门与否判断。

终端节点1还可设置在家中冰箱、钥匙挂坠、血压计、血糖计、药盒、冰箱、电视遥控、摇椅等关爱对象常用设备上，如果长时间未开冰箱、未活动等异常情况出现，终端节点1的嵌入式程序将进行初级运算，智能网关2有智能语音功能，可通过语音功能提醒老人健康生活。

所述终端节点1还包括预处理模块15，用于优化的支持向量机分层级结合不同层级数据，定时采集用户佩戴的终端节点1的加速度传感器11输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程调用不同传感器功能工作，提取不同的特定特征计算，对不同特征降维取样，减少主控芯片13的计算量。

由于处理的数据包括通过终端节点1作为运动采集的使用者人口特征属性、历史个人偏好设定数据、结合物联网体征采集的运动情境数据判断、时段特征信息数据，数据量较大，通过降维、去噪等方式，简化计算量。用优化的支持向量机分层级结合不同层级数据，用于定时采集用户终端节点1的加速度传感器11输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程只调用有限的不同加速度传感器11功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了计算量，通过重点计算验证环节，又保证了正确性；同时将重点验证环节放在智能网关2，其余计算放在终端节点1，有效地平衡了快速反应和计算量的矛盾，既全面采集运动状态的细节特征，计算量和功耗大大减少。

所述终端节点1还包括深度学习模块16，用于将运动预处理后的数据进行准确性判断，对采集到的用户数据信息进行分析以确定该用户的初级类别。

所述深度学习模块16包括：

次级用户信息采集生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面；

次级用户信息采集单元，将人机交互界面提供给用户；

计算单元，利用所述次级用户信息采集单元采集到的用户特征数据和数据库单元存储的特征与事件之间的相关性数据，计算用户特征与事件之间的综合关联值；

用户分类单元，对所述计算单元计算的相关值对用户进行分类；

结果输出单元，输出所述用户分类单元的分类结果。

还包括数据库单元，用于存储特征与事件之间的相关性数据。所述计算单元为分级嵌套计算单元，包括第一级分级嵌套计算单元到第N级分级嵌套计算单元N为大于等于2的自然数。所述数据库单元中存储的特征与事件之间的相关性数据是根据己有的经验数据构建，上述相关性数据不必然是数字，其包括但不限于是比值、百分数、概率。

所述终端节点1设置于大门、冰箱、水壶上。

图2是本发明的通过AI边缘计算实现智能网关自适应管理的方法的一个实施例的流程图，如图2所示，所述通过AI边缘计算实现智能网关自适应管理的方法包括：

10，构建人体活动情景画像模型，将模型进行判别内容分层分级，实时获取智能家居产品运动状态的各分层分级的原始数据；

当首次使用未形成最适合个人的“个体画像活动情境画像模型”时，使用“整体人群活动情境画像模型”，即根据人群整体历史经验，该个体所属于的性别、年体重、学历、历史上网数据等互联网基本信息，给出其“物联网+互联网”可能的社交推荐建议；整体人群活动情境画像模型建立的个体数据量的积累，随着个体数据的增加，进行训练形成，详见后续建模过程。将“物联网+互联网”基于情境化交叉建模，相互校验，是区别于现有常见的互联网建模之处。

针对终端节点1的运动检测和常见行为分析的应用而言，加速度传感器11能很好的区分终端节点1的运动和静止状态，对于相似的运动行为就比较难于区分，特点是区分度大且混淆度也大。终端节点1的角速度可以进行进一步的区分，但是加速度、角速度同时进行计算，运算量大，影响了时效性和电量功耗，故采用分层分级、降维分类、重点校验的方式，兼顾了计算量和准确性。

20，获取边缘计算后的情景数据，构建和自适应完善的识别模型，并优化智能家居产品运动状态的情景画像模型样本；

因每个人都是独特的个体，性格爱好脾气不同、同样一个人也在不同的时段和情境模式下交友需求有所变化等用户画像信息，个人在不同时段情境下均有其在人群中的属性，本方法则根据使用者人口特征属性、历史个人偏好设定数据、结合物联网体征采集的运动情境数据判断、时段特征信息，为每个人建立最适合的社交匹配推荐方案，并对每次社交质量建立评估体系，根据有监督的多层回馈模型，不断反馈修正个体模型，同时个体模型作为该特征画像人群的输入因子，不断优化其对应特征画像模型。从而一方面形成了最适合个人的“个体画像特征调理模型”，又为建立“整体人群活动情境画像模型”提供输入贡献因子。个体特征是个人行为过程中，通过深度学习的时序时间信号的循环神经网络训练完成。将“物联网+互联网”基于情境化交叉建模，相互校验，是区别于现有常见的互联网建模之处。

由于加速度适合用于方向明确的运动判别，而对于设置在人体上的终端节点1而言，无法跌倒检测、运动周期环节、八字脚等判别，则需要使用角速度来判别。

基于运动学算法原理，检测四个步态事项时相：一个步态周期被分成了两个阶段，分别是“支撑阶段”(stance phase)和“摆动阶段”(swing phase)。并且又进一步分为了七个小部分，支撑阶段又分为脚跟接触、脚跟上升、脚趾接触以及脚趾下降四个环节。

比如，对于跌倒检测的判别，适合使用角速度信号向量模，ax、ay、az分别为加速度传感器x、y、z三轴方向输出向量模数据。用w_x、w_y、w_z分别为x、y、z三轴方向输出向量模数据，则：

终端节点1通过建立和自适应完善的识别模型，重点通过加速度传感器11规律进行建模，并通过遗传算子的操作，给出运动状态识别结果，供远程健康大数据分析管理使用。终端节点1会有一些低幅度和快速的抽动状态，或是我们俗称的手抖，或者某个恶作剧用户想通过短时快速反复摇动设备来模拟人走路，这些干扰数据如果不剔除，会影响计步的准确值。

对采集到四个方向数据，进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将各方向时域信号离散化，将多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理；获取信噪比高的步态数据。

小波变换采用硬阈值法，算法公式为：

式中，C_J、K为小波系数，λ为阈值。

跌倒具有大加速度和角速度峰值特征,这是因为摔倒过程中由于和低势物体碰撞产生的SVM峰值比日常活动中步行、上楼梯等大多数一般过程要大。然而人体运动行为过程具有复杂性和随机性,使用单一的加速度相关信息判断人体摔倒行为的发生会带来很大的误判。使用SVMA及SVMW相结合的信息阈值法可以区分跌倒与产生SVM峰值较小的低强度运动。通过对人体摔倒过程及其它日常生活行为过程中实验结果数据SVMA和SVMW进行分析,本文识别跌倒的加速度信号向量模阈值取SVMAT＝20m/s2和角速度信号向量模阈值取SVMWT＝4rad/s。

30，使用优化的SVM算法并结合不同层级数据对部分画像特征进行精细区分；

对于精细区分包括：时域频域特性提取、特性融合识别与建模等步骤。

40，通过深度学习算法，对多个模型样本进行自学习，优化完善智能家居产品运动状态的情景画像模型。

随着样本量的增加，SVM分类器能够自适应不断优化完善：

对运动状态进行抽样计算，在判别时，可能由于其中某个状态标准差偏大，另一个状态标准差偏小，正好相抵，导致未发现异常，故再次进行随机抽样验证。

每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率。

对异常未发现的样本的特征值，使用SVM分类器适应度函数，为SVM分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。

所述构建智能家居产品运动状态的情景画像模型，将模型进行判别内容分层分级，实时获取智能家居产品运动状态的各分层分级的原始数据包括：

使用加速度传感器设备进行第一层级运动判断，获取人体运动的x，y，z三个方向上的作用力，所述x代表左右方向作用力，所述y代表前后方向作用力，所述z代表上下法相作用力；

统计各个方向作用力通过轨迹的峰值出现的频率，获取三个方向的作用力的加速度状况；

对采集的三个方向的作用力进行滤波，除去参数采集过程中的电磁干扰信号，获取用户运动各分层分级的原始数据。

所述获取边缘计算后的情景数据，构建和自适应完善的识别模型，并优化智能家居产品运动状态的情景画像模型样本包括：

构建角速度信号的向量模型，获取x，y，z三个方向上的输出向量模数据；

对采集到的三个方向上的数据进行小波分解、高频小波系数处理、小波重构操作，将各方向时域数据离散化，将多种频率成分的混合信号分解到不同频段，根据各种子信号在频域上的不同特征按频带处理，获取信噪比高的步态数据；

通过加速度传感器规律进行建模，通过遗传算子操作给出智能家居产品运动状态的识别结果。

所述通过分层级计算获取异常行为差异程度包括：

异常行为差异程度采用马氏距离进行计算，u_x为向量X＝{x₁,x₂,...,x_N}X＝{x₁,x₂,...,x_N}点X与Y的马氏距离：

图3是本发明的通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例的流程图，如图3所示，所述使用优化的SVM算法并结合不同层级数据对部分画像特征进行精细区分包括：

101，采用小波包分解、差分算法分别从三个方向上的数据提取频域、时域特征，用SVM算法进行识别；

时域特征提取：将去噪后的作用力中的垂直力曲线用一阶差分法检测前后、垂直方向曲线的波峰点和波谷点，作为作用力曲线的关键点，将垂直方向曲线的波谷点作为作用力曲线的参考点；以垂直方向曲线的关键点的力值及力值出现的时相、相邻关键点作用力变化率和冲量和对应的前后方向曲线上的关键点处的力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)表征全程的步态时域特征；

频域特征提取：波形对齐，作用力先按垂直力曲线上的参考点将作用力自动波形对齐，以提高频域特征对比性和分类能力，先用线性插值算法将作用力维数归一化到同一值通过一阶差分算法搜索出归一化后作用力垂直方向力曲线上的波谷点，将波谷点作为参考点进行参照，用线性插值法将作用力中的左右、前后和垂直方向曲线波形对齐；将去噪后的作用力中的垂直力曲线用一阶差分算法检测出垂直方向的波谷点，作为作用力曲线的参考点；以参考点为基准，用线性插值法对作用力进行波形对齐，得到对齐后的作用力；再用L层小波包分解算法从作用力中提取出全程的步态频域特征。

102，采用模糊C均值算法得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集；

将每次“物联网+互联网”情境下预判推荐，推送给用户进行评分。通过有监督分类算法—以历史最佳数据为监督因子对比，如果高于最高分则置为1，否则置为0，根据用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边项的人机交互界面；

特征融合：先用模糊C均值法从提取的步态频域特征的多个小波包中挑选最小最优小波包集合，再用模糊C均值法基于模糊隶属度排序从挑选出的集合中挑选最小最优小波包分解系数，得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集；

识别建模建立：采用SVM进行步态识别，在公式||W||≤A的约束条件下，采用非线性映射径向基核函数将线性不可分的低维活动映射到线性可分的高维活动。N维活动线性函数的VC维大大减小，使算法具有良好的可扩展性；原问题转化为对偶问题后，算法运算量主要取决于样本中的支持向量数，使算法具有了较低的复杂度。

103，训练分类器，用分类器识别步态样本，得到部分画像特征的精细建模。

先训练分类器，再用分类器识别步态样本。假设步态数据库中已经注册了个人n类步态样本，将样本输入分类器训练，根据输入值判定是1～n中哪一类，如果超出1～n范围，则新注册类别n+1类，然后重新更新分类器。在高维活动中求最优分类面，这种思路能够降低算法的复杂度，但算法的变换过程很复杂，通过对对偶问题中的寻优函数和分类函数仅需要计算训练样本的内积，因此，变换后的高维活动没有必要知道变换形式及过程，仅需要利用原活动函数计算其内积值，因而，将合适的内积函数K(五，X)应用于最优分类面中，非线性变换后就可以实现线性分类，并且计算复杂度反而减少，此时目标函数的对偶问题将由下式表达：

分类函数将变换为：

在的不同状态下，按照上述方法分别建模，形成不同状态的识别模型，这样可以用于不同状态远程健康检测。

式中，F为事件j的多个或全部特征1，2，3，…i之间的综合关联值，rect(i)为矩形函数，i为真时，rect(i)＝1，i为假时，rect(i)＝0。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述通过深度学习算法，对多个模型样本进行自学习，优化完善智能家居产品运动状态的动情景画像模型包括：

对运动状态进行抽样计算，获取智能家居产品运动状态的的抽样数据；

对未发现的异常样本的特征值使用SVM分类器适应度函数进行计算，通过SVM分类器对样本划分正确率。

基于本发明的上述通过AI边缘计算实现智能网关自适应管理的方法的另一个实施例中，所述采用模糊C均值算法得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集包括：

对抽样数据进行降维运算；

对降维后的数据进行异常值判别。

所述对抽样数据进行降维运算包括：

假设a、b、c、d分别为左脚四个区域不同压力值/体重值,对样本人群整体取标准差，N为样本量，先训练分类器，再用分类器识别步态样本。先综合计算某人步态偏离整理人群的程度：见公式(5)，然后将x进行SVM计算，分别计算将数据库中已经注册了个人N类步态样本，将样本输入分类器训练，根据输入值判定是(1，N)中哪一类，如果超出(1，N)范围，则新注册类别N+1类，然后重新更新分类器。

例如：正常人站立和行走时，左、右足底压力峰值压力分布基本相同；而糖尿病患者及临界者，关节活动度变小导致前足/后足压力明显增大，且压力分布不均衡。这样如站立状态，又进一步划分为正常站立和病态站立。

最后分类时采取投票方式决定分类结果。

人群边界中心距特征，边界中心距的定义是边界点到质心的距离。

多维信号，为了消除数据间不同量纲、不同数量级的影响，需要对原始数据进行标准化处理，使其具有可比性，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为1的矩阵X，即：

X＝[X₁,X₂,…X_N]^T＝[X_ij]_NXP (9)

其中，

相关系数矩阵为：

R是实对称矩阵，其中r为相关系数。

累计贡献率：

但累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃。

计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵：

F_(N×M)＝X_N×P·U_P×M

其中,X是原数据矩阵，U是主成分载荷，得分矩阵F即为PCA降维后所得到的最终结果。这样做的方式既使用到了固定工作样本集方法计算速度快的特点，又避免了其当向量的个数超出工作样本集的规模，算法仅优化支持向量中的一部分的存在范围局限性的问题。通过上述方法挑出异常人群，结合大数据进行持续的训练细分：

SVM分类器适应度函数为SVM分类器对样本划分正确率。

利用加速度计的输出数据，采用三条件(加速度幅值、加速度方差、角速度幅值)判断算法，并利用中值滤波的方法，便可有效地判断人体运动的步态，在这里，以状态“0”表示运动，状态“1”表示静止。

条件1(加速度幅值)：加速度计输出合成幅值，处于给定的上下阈值之间，则人体静止。

定义加速度计的输出合成幅值为：

定义给定阈值为：th_amin＝8m/s和th_amax＝11m/s，

并有：

条件2(加速度方差)：加速度计输出的局部方差，低于给定的阈值,则人体静止。定义加速度计输出的局部方差为:

其中，为此区间加速度计合成幅值的输出平均值,其表达式为：

S为半窗口采集数量，通常定义其值为15，定义给定阈值为：

并有：

条件3(角速度幅值)：陀螺仪输出合成幅值,低于给定的阈值，则人体静止。定义陀螺仪输出的合成幅值为:

给定阈值为：th_wmax＝50m/s，并有：

3个条件之间采用“与”逻辑,即只有当3个条件的判断结果都为“1”时才认为步态处于绝对静止状态。再通过中值滤波方法,便可有效地判断连续输出的运动结果,剔除噪点,获得有效、合理的步态检测数据。

用户在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (12)

1.一种通过AI边缘计算实现智能网关自适应管理的方法，其特征在于，包括：

构建人体活动情景画像模型，将模型进行判别内容分层分级，实时获取智能家居产品运动状态的各分层分级的原始数据，通过分层级计算获取异常行为差异程度；

获取边缘计算后的情景数据，构建和自适应完善的识别模型，并优化智能家居产品运动状态的情景画像模型样本；

使用优化的SVM算法并结合不同层级数据对部分画像特征进行精细区分；

通过深度学习算法，对多个模型样本进行自学习，优化完善智能家居产品运动状态的情景画像模型。

2.根据权利要求1所述的方法，其特征在于，所述构建智能家居产品运动状态的情景画像模型，将模型进行判别内容分层分级，实时获取智能家居产品运动状态的各分层分级的原始数据包括：

使用加速度传感器设备进行第一层级运动判断，获取人体运动的x，y，z三个方向上的作用力，所述x代表左右方向作用力，所述y代表前后方向作用力，所述z代表上下法相作用力；

统计各个方向作用力通过轨迹的峰值出现的频率，获取三个方向的作用力的加速度状况；

对采集的三个方向的作用力进行滤波，除去参数采集过程中的电磁干扰信号，获取用户运动各分层分级的原始数据。

3.根据权利要求2所述的方法，其特征在于，所述获取边缘计算后的情景数据，构建和自适应完善的识别模型，并优化智能家居产品运动状态的情景画像模型样本包括：

构建角速度信号的向量模型，获取x，y，z三个方向上的输出向量模数据；

对采集到的三个方向上的数据进行小波分解、高频小波系数处理、小波重构操作，将各方向时域数据离散化，将多种频率成分的混合信号分解到不同频段，根据各种子信号在频域上的不同特征按频带处理，获取信噪比高的步态数据；

通过加速度传感器规律进行建模，通过遗传算子操作给出智能家居产品运动状态的识别结果。

4.根据权利要求2所述的方法，其特征在于，所述使用优化的SVM算法并结合不同层级数据对部分画像特征进行精细区分包括：

采用小波包分解、差分算法分别从三个方向上的数据提取频域、时域特征，用SVM算法进行识别；

采用模糊C均值算法得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集；

训练分类器，用分类器识别步态样本，得到部分画像特征的精细建模。

5.根据权利要求2所述的方法，其特征在于，所述通过深度学习算法，对多个模型样本进行自学习，优化完善智能家居产品运动状态的动情景画像模型包括：

对运动状态进行抽样计算，获取智能家居产品运动状态的的抽样数据；

对未发现的异常样本的特征值使用SVM分类器适应度函数进行计算，通过SVM分类器对样本划分正确率。

6.根据权利要求5所述的方法，其特征在于，所述采用模糊C均值算法得到最小最优步态频域特征子集，再与步态时域特征组合，得到融合后的步态特征集包括：

对抽样数据进行降维运算；

对降维后的数据进行异常值判别。

7.根据权利要求1所述的方法，其特征在于，所述通过分层级计算获取异常行为差异程度包括：

异常行为差异程度采用马氏距离进行计算，u_x为向量X＝{x₁,x₂,...,x_N}X＝{x₁,x₂,...,x_N}点X与Y的马氏距离：

8.一种通过AI边缘计算实现智能网关自适应管理的系统，其特征在于，包括：智能网关、终端节点、云端服务器；

所述终端节点通过有线和/或无线方式与智能网关无线连接，并通过智能网关获取互联网网络服务，所述终端节点设置在家居产品、人体上，用于实时采集智能家居或人体的运动状态信息，所述智能网关通过对运动状态信息的处理，生成相关运动状态图像模型，所述智能网关与云端服务器连接，用于将终端设备的状态信息发送至云端服务器，并由云端服务器提供远端数据服务；

所述终端节点包括：加速度传感器、数据发送单元、主控芯片和电源系统，所述加速度传感器用于实时监测终端节点的运动状况，并通过主控芯片对终端节点的运动参数进行处理后，通过数据发送单元发送至智能网关，所述电源系统用于向所述加速度传感器、数据发送单元和主控芯片供电；

所述智能网关包括：数据接收单元、处理器单元、温湿度传感器单元、通信单元；所述数据接收单元用于接收终端节点发送的终端节点运动数据，并由处理器单元通过对接收的终端节点数据进行处理，生成终端节点的工作状态，温湿度传感器单元与处理器单元连接，用于判断环境温湿度状况，所述通信单元用于将处理器单元生成的终端节点工作状态信息发送至云端服务器。

9.根据权利要求8所述的系统，其特征在于，所述终端节点还包括预处理模块，用于优化的支持向量机分层级结合不同层级数据，定时采集用户佩戴的加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程调用不同传感器功能工作，提取不同的特定特征计算，对不同特征降维取样，减少主控芯片的计算量。

10.根据权利要求8所述的系统，其特征在于，所述终端节点还包括深度学习模块，用于将运动预处理后的数据进行准确性判断，对采集到的用户数据信息进行分析以确定该用户的初级类别。

11.根据权利要求10所述的系统，其特征在于，所述深度学习模块包括：

次级用户信息采集生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面；

次级用户信息采集单元，将人机交互界面提供给用户；

计算单元，利用所述次级用户信息采集单元采集到的用户特征数据和数据库单元存储的特征与事件之间的相关性数据，计算用户特征与事件之间的综合关联值；

用户分类单元，对所述计算单元计算的相关值对用户进行分类；

结果输出单元，输出所述用户分类单元的分类结果。

12.根据权利要求8所述的系统，其特征在于，所述终端节点设置于大门、冰箱、水壶上。