CN110415823B - 一种基于机器学习的安全状态数据处理方法及系统 - Google Patents

一种基于机器学习的安全状态数据处理方法及系统 Download PDF

Info

Publication number
CN110415823B
CN110415823B CN201910692800.7A CN201910692800A CN110415823B CN 110415823 B CN110415823 B CN 110415823B CN 201910692800 A CN201910692800 A CN 201910692800A CN 110415823 B CN110415823 B CN 110415823B
Authority
CN
China
Prior art keywords
safety state
data
heart rate
pixel
target image
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.)
Active
Application number
CN201910692800.7A
Other languages
English (en)
Other versions
CN110415823A (zh
Inventor
奉秋林
李海
余金波
曹纲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Sirui Information Technology Co ltd
Original Assignee
Hangzhou Sirui Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Sirui Information Technology Co ltd filed Critical Hangzhou Sirui Information Technology Co ltd
Priority to CN201910692800.7A priority Critical patent/CN110415823B/zh
Publication of CN110415823A publication Critical patent/CN110415823A/zh
Application granted granted Critical
Publication of CN110415823B publication Critical patent/CN110415823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供一种基于机器学习的安全状态数据处理方法及系统，所述方法包括构建安全状态数据库，所述安全状态数据库包括生活环境安全状态数据、生理安全状态数据和基础安全状态数据；实时更新所述生理安全状态数据，根据所述生理安全状态数据和所述基础安全状态数据获取第一安全状态；响应于预设的环境数据采集指令，实时获取用户的当前环境，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，若所述第二安全状态为非安全状态，则将所述第二安全状态中的提醒数据发布至第二智能穿戴终端。本发明具有智能性高、针对性强的显著优势，能够为老年人提供适宜的看护服务，从而减轻社会负担。

Description

一种基于机器学习的安全状态数据处理方法及系统
技术领域
本发明涉及数据处理领域，尤其涉及一种基于机器学习的安全状态数据处理方法及系统。
背景技术
随着生活水平的提高和生活压力的增大，养老问题日益突出，空巢老人和独居老人比例提升，相应的，护理服务的科学化、；规范化和个性化均难以满足养老需求。养老设施智能化水平不足，专业人才的缺乏也使得养老问题日益凸显。
独居老人和空巢老人行动不便，加之就医流程繁琐使得老人的日常看护显得更为重要，如何收集与处理老人健康安全相关的日常数据，并基于所述日常数据为老人提供高质量的看护服务也成为了研究热点。
所幸随着智能穿戴技术、机器学习技术日益发展，为老人提供智能化看护成为可能。
发明内容
为了解决上述技术问题，本发明提供一种基于机器学习的安全状态数据处理方法及系统。
本发明是以如下技术方案实现的：
一种基于机器学习的安全状态数据处理方法，所述方法包括：
构建安全状态数据库，所述安全状态数据库包括生活环境安全状态数据、生理安全状态数据和基础安全状态数据；
响应于预设的生理数据采集指令，实时更新所述生理安全状态数据，根据所述生理安全状态数据和所述基础安全状态数据获取第一安全状态，将所述第一安全状态发布至第一智能穿戴终端，以便于所述第一智能穿戴终端根据所述第一安全状态对用户进行第一安全提醒；
响应于预设的环境数据采集指令，实时获取用户的当前环境，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，若所述第二安全状态为非安全状态，则将所述第二安全状态中的提醒数据发布至第二智能穿戴终端，以便于所述第二智能穿戴终端根据所述提醒数据对用户进行第二安全提醒。
优选的，还包括采集生理数据的步骤，所述采集生理数据，包括：
响应于预设的第一生理数据采集指令，采集心率数据；
若所述心率数据为合法阈值内，则响应于第二生理数据采集指令，采集温度数据、活动状态数据和血压数据，所述第一生理数据采集指令的发布频率高于所述第二生理数据采集指令；
若所述心率数据位于合法阈值之外，则在第一智能穿戴终端创建心率监控对象，所述心率监控对象包括心率元素队列和定时驱动器，所述定时驱动器用于间隔预设时间发布心率采集指令，以便于采集心率数据并将所述心率数据存储入所述心率元素队列。
优选的，若所述心率元素队列中的当前状态中的最后一个元素位于合法阈值内或所述心率元素队列的元素个数达到预设第一阈值，则所述心率监控对象将所述心率元素队列中的元素上报至云端，在所述第一智能穿戴终端销毁所述心率监控对象；
若所述心率元素队列中的元素个数超过预设第二阈值，则所述第一智能穿戴终端采集温度数据和活动状态数据，并将所述心率元素队列中元素的特征值、温度数据和活动状态数据传输至云端，以便于所述云端根据所述心率元素队列中元素的特征值、温度数据、活动状态数据和用户对应的基础安全状态数据获取第一安全状态。
优选的，所述根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，包括：
获取当前环境的图片，对所述当前环境的图片划分至少一个待识别区间，每个所述待识别区间中只有一个待识别物体；
根据所述待识别区间对所述当前环境的图片进行分割，以得到至少一个目标图像，每个目标图像对应一个待识别区间；
基于动态更新的机器学习模型对各个目标图像进行识别以得到每个目标图像对应的识别结果，所述机器学习模型用于输出所述目标图像对应的至少一个标签，每个标签对应一个轮廓描述；
提取再识别图像，所述再识别图像为对应的识别结果中的标签数量大于一个的目标图像；
提取再识别图像的光滑轮廓，根据所述光滑轮廓和所述再识别图像对应的识别结果中的各个标签的轮廓描述确定所述再识别结果对应的标签；
根据各个目标图像指向的标签获取第二安全状态。
优选的，所述根据各个目标图像指向的标签获取第二安全状态，包括：
根据所述生活环境安全状态数据获取第一敏感标签集；
根据用户的基础安全状态数据和/或第一安全状态获取第二敏感标签集；
提取各个目标图像指向的标签中被第一敏感标签集或第二敏感标签集命中的目标标签；
若目标标签数量不为0，则判定所述第二安全状态为非安全状态；根据目标标签生成第二安全状态的提醒数据。
一种基于机器学习的安全状态数据处理系统，所述系统包括：
安全状态数据库构建模块，用于构建安全状态数据库，所述安全状态数据库包括生活环境安全状态数据、生理安全状态数据和基础安全状态数据；
第一安全状态获取模块，用于响应于预设的生理数据采集指令，实时更新所述生理安全状态数据，根据所述生理安全状态数据和所述基础安全状态数据获取第一安全状态，将所述第一安全状态发布至第一智能穿戴终端，以便于所述第一智能穿戴终端根据所述第一安全状态对用户进行第一安全提醒；
第二安全状态获取模块，用于响应于预设的环境数据采集指令，实时获取用户的当前环境，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，若所述第二安全状态为非安全状态，则将所述第二安全状态中的提醒数据发布至第二智能穿戴终端，以便于所述第二智能穿戴终端根据所述提醒数据对用户进行第二安全提醒。
优选的，还包括生理数据采集模块，所述生理数据采集模块包括：
心率数据采集单元，用于响应于预设的第一生理数据采集指令，采集心率数据；
第二生理数据采集单元，用于若所述心率数据为合法阈值内，则响应于第二生理数据采集指令，采集温度数据、活动状态数据和血压数据，所述第一生理数据采集指令的发布频率高于所述第二生理数据采集指令；
心率监控对象生成单元，用于若所述心率数据位于合法阈值之外，则在第一智能穿戴终端创建心率监控对象，所述心率监控对象包括心率元素队列和定时驱动器，所述定时驱动器用于间隔预设时间发布心率采集指令，以便于采集心率数据并将所述心率数据存储入所述心率元素队列。
优选的，心率监控对象控制单元，用于若所述心率元素队列中的当前状态中的最后一个元素位于合法阈值内或所述心率元素队列的元素个数达到预设第一阈值，则所述心率监控对象将所述心率元素队列中的元素上报至云端，在所述第一智能穿戴终端销毁所述心率监控对象；
心率监控对象控制单元，还用于若所述心率元素队列中的元素个数超过预设第二阈值，则所述第一智能穿戴终端采集温度数据和活动状态数据，并将所述心率元素队列中元素的特征值、温度数据和活动状态数据传输至云端，以便于所述云端根据所述心率元素队列中元素的特征值、温度数据、活动状态数据和用户对应的基础安全状态数据获取第一安全状态。
优选的，所述第二安全状态获取模块，包括：
图片获取单元，用于获取当前环境的图片，对所述当前环境的图片划分至少一个待识别区间，每个所述待识别区间中只有一个待识别物体；
分割单元，用于根据所述待识别区间对所述当前环境的图片进行分割，以得到至少一个目标图像，每个目标图像对应一个待识别区间；
机器识别单元，用于基于动态更新的机器学习模型对各个目标图像进行识别以得到每个目标图像对应的识别结果，所述机器学习模型用于输出所述目标图像对应的至少一个标签，每个标签对应一个轮廓描述；
再识别图像提取单元，用于提取再识别图像，所述再识别图像为对应的识别结果中的标签数量大于一个的目标图像；
轮廓识别单元，用于提取再识别图像的光滑轮廓，根据所述光滑轮廓和所述再识别图像对应的识别结果中的各个标签的轮廓描述确定所述再识别结果对应的标签；
第二安全状态获取单元，用于根据各个目标图像指向的标签获取第二安全状态。
优选的，所述第二安全状态获取单元，包括：
第一敏感标签集单元，用于根据所述生活环境安全状态数据获取第一敏感标签集；
第二敏感标签集单元，用于根据用户的基础安全状态数据和/或第一安全状态获取第二敏感标签集；
目标标签获取单元，用于提取各个目标图像指向的标签中被第一敏感标签集或第二敏感标签集命中的目标标签；
第二安全状态提醒单元，用于若目标标签数量不为0，则判定所述第二安全状态为非安全状态；根据目标标签生成第二安全状态的提醒数据。
本发明的有益效果是：
一种基于机器学习的安全状态数据处理方法及系统，可以充分根据生活环境安全状态数据、生理安全状态数据和基础安全状态数据，全面对用户的生理指标以及所在环境进行分析，并根据分析结果进行提醒，从而实现一种全方位的实时的看护，具有智能性高、针对性强的显著优势，能够为老年人提供适宜的看护服务，从而减轻社会负担。
附图说明
图1是本实施例提供的一种基于机器学习的安全状态数据处理方法流程图；
图2是本实施例提供的生理安全状态数据采集方法流程图；
图3是本实施例提供的穿根据所述生活环境安全状态数据和所述当前环境获取第二安全状态流程图；
图4是本实施例提供的一种光滑轮廓获取方法流程图；
图5是本实施例提供的获取所述目标图像中的边缘轮廓以及构成所述边缘轮廓的边缘像素流程图；
图6是本实施例提供的提取所述边缘像素中的锯齿像素流程图；
图7是本实施例提供的根据各个目标图像指向的标签获取第二安全状态流程图；
图8是本实施例提供的一种基于机器学习的安全状态数据处理系统框图；
图9是本实施例提供的生理数据采集模块框图；
图10是本实施例提供的第二安全状态获取模框图。
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，下面将结合附图对本发明作进一步地详细描述。
实施例1：
本发明实施例公开一种基于机器学习的安全状态数据处理方法，如图1所示，所述方法包括：
S101.构建安全状态数据库，所述安全状态数据库包括生活环境安全状态数据、生理安全状态数据和基础安全状态数据。
具体地，所述生活环境安全状态数据、生理安全状态数据和基础安全状态数据可以分别使用三个子数据库进行管理，所述安全状态数据库设置在云端。
所述生活安全环境状态数据用于为用户全面评估用户当前生活环境的安全状态。具体地，包括生活中常见的物品的特征信息和用于进行物品识别的机器模型，所述机器模型基于所述特征信息对用于当前所处的环境中的各个物品进行识别以便于评估用户当前所处的环境的安全情况。
所述生理安全状态数据包括终端采集的用户的基本生理参数数据，所述基本生理参数数据包括心率、脉搏、血压、体温和活动状态等等。
所述基础安全状态数据包括用户的基础信息，所述基础信息包括用户的标识、性别、年龄和既往病史。
S103.响应于预设的生理数据采集指令，实时更新所述生理安全状态数据，根据所述生理安全状态数据和所述基础安全状态数据获取第一安全状态，将所述第一安全状态发布至第一智能穿戴终端，以便于所述第一智能穿戴终端根据所述第一安全状态对用户进行第一安全提醒。
具体地，可以通过用户佩戴的第一智能穿戴终端获取生理安全状态数据。所述云端向所述第一智能穿戴终端发布数据采集指令，以便于驱动所述第一智能穿戴终端采集生理安全状态数据。
本发明实施例公开一种生理安全状态数据采集方法，考虑到老年人这一特殊群体存在心脏问题的概率较大和采集的便利性，所述生理安全状态数据以心率作为强采集指标，根据心率的采集结果驱动其它生理指标的采集，如图2所示，所述生理安全状态数据采集方法包括：
S1031.响应于预设的第一生理数据采集指令，采集心率数据。
S1033.若所述心率数据为合法阈值内，则响应于第二生理数据采集指令，采集温度数据、活动状态数据和血压数据，所述第一生理数据采集指令的发布频率高于所述第二生理数据采集指令。
本发明实施例中第一生理数据采集指令的频率远高于第二生理数据采集指令，优选的，其频率可以为第二生理数据采集指令的5倍以上。通过控制第一生理数据采集指令和第二生理数据采集指令的发布频率，防止对用户进行过多的骚扰，同时还能够及时掌握用户的安全状态。
S1035.若所述心率数据位于合法阈值之外，则在第一智能穿戴终端创建心率监控对象，所述心率监控对象包括心率元素队列和定时驱动器，所述定时驱动器用于间隔预设时间发布心率采集指令，以便于采集心率数据并将所述心率数据存储入所述心率元素队列。
具体地，若所述心率元素队列中的当前状态中的最后一个元素位于合法阈值内或所述心率元素队列的元素个数达到预设第一阈值，则所述心率监控对象将所述心率元素队列中的元素上报至云端，在所述第一智能穿戴终端端销毁所述心率监控对象。
若所述心率元素队列中的元素个数超过预设第二阈值，则所述第一智能穿戴终端采集温度数据和活动状态数据，并将所述心率元素队列中元素的特征值、温度数据和活动状态数据传输至云端，以便于所述云端根据所述心率元素队列中元素的特征值、温度数据、活动状态数据和用户对应的基础安全状态数据获取第一安全状态，具体地，可以包括：
(1)若所述心率元素队列中元素的特征值和温度数据满足第一预设条件，则判定第一安全状态为敏感状态。
比如，温度和所述心率元素队列中元素的特征值均高于其对应的阈值，则用户很可能处于某种敏感状态，需要提醒用户采取必要措施进行干预。即提醒用户其当前处于敏感状态，请注意身体。
(2)若所述心率元素队列中元素的特征值和活动状态数据满足第二预设条件，并且所述心率元素队列中元素的特征值和温度数据不满足第一预设条件，则判定所述第二安全状态为非敏感状态。
比如，若所述特征值和温度数据均高于其对应的阈值，则用户很可能正在发烧比如，若温度正常，心率偏高，且处于运动状态，则很可能是运动引起的心率提升，其对应于非敏感状态。本发明实施例均使用常识进行第一安全状态的判断，并不涉及任何疾病的判断，因此，第一安全状态只能够作为提醒和参考，而不具备任何医学指示意义。
(3)若所述心率元素队列中元素的特征值和活动状态数据不满足第二预设条件，并且所述心率元素队列中元素的特征值和温度数据不满足第一预设条件，则根据所述心率元素队列中元素的特征值和用户对应的基础安全状态数据获取第一安全状态。
比如，若所述心率元素队列中元素的特征值低于医学低值，并且用户对应的基础安全状态数据提示用户换用心动过缓，则调用心动过缓患者的心率阈值，若所述心率元素队列中元素的特征值位于所述心动过缓患者的心率阈值区间之外，则判定所述第一安全状态为敏感状态。
具体地，本发明实施例心率元素队列中元素的特征值可以为心率元素队列中元素的平均值、加权平均值等统计值。
S105.响应于预设的环境数据采集指令，实时获取用户的当前环境，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，若所述第二安全状态为非安全状态，则将所述第二安全状态中的提醒数据发布至第二智能穿戴终端，以便于所述第二智能穿戴终端根据所述提醒数据对用户进行第二安全提醒。
对于部分身体感官不灵敏的老人，本发明实施例可以通过云端与摄像头的交互起到电子眼作用，从而提醒老人的看护人员老人的当前活动区间内哪些位置上存在有安全隐患的物品，或者提醒老人的看护人员哪些位置上存在不宜食用的食物。
具体地，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，如图3所示，所述方法包括：
S1051.获取当前环境的图片，对所述当前环境的图片划分至少一个待识别区间，每个所述待识别区间中只有一个待识别物体。
具体地，所述当前环境的图片中可以包括多个待识别物体，而对于多个待识别物体可以对于多个待识别区间中的待识别物体分别进行识别。
S1053.根据所述待识别区间对所述当前环境的图片进行分割，以得到至少一个目标图像，每个目标图像对应一个待识别区间。
S1055.基于动态更新的机器学习模型对各个目标图像进行识别以得到每个目标图像对应的识别结果，所述机器学习模型用于输出所述目标图像对应的至少一个标签，每个标签对应一个轮廓描述。
本发明实施例中所述机器学习模型用于为输入的目标图像打标签，以便于最终确定目标图像所对应的唯一标签。所述机器学习模型中的标签为多级标签，所述多级标签可以标识一个分类结果。比如一级标签为水果，其下设的二级标签包括香蕉、苹果、水蜜桃等等。再比如一级标签为生活用例，其下设的二级标签包括刀具、茶具等等。
每个标签对应一个轮廓描述，所述轮廓描述用于在再识别步骤中在所述机器学习模型输出多于一个标签的场景中进一步确定目标图像所对应的唯一标签。本发明实施例提供所述轮廓描述一种可行的实施方式：
所述轮廓描述包括外轮廓描述和内轮廓描述，所述外轮廓描述包括外轮廓形状描述信息和所述外轮廓贴合度，所述外轮廓贴合度用于描述所述外轮廓与所述外轮廓的最小外接矩形的贴合程度，可以用所述外轮廓与所述外轮廓的最小外接矩形的面积比或周长比表征。
所述内轮廓描述包括内轮廓数量和内轮廓描述子集，所述内轮廓描述子集的数量与所述内轮廓数量一一对应，一个所述内轮廓描述子集描述一个内轮廓。若所述内轮廓数量为0或不确定时，所述内轮廓描述子集数量为0。
每个内轮廓描述子集可以与所述外轮廓描述相同或不同，其用于描述内轮廓形状和所述内轮廓贴合度。
以苹果为例，其内轮廓数量为0；以香蕉或葡萄为例，其内轮廓数量不定；以甜甜圈为例，其内轮数量为1。
本发明轮廓描述用于在机器学习模型输出结果的基础上进一步确定目标图形对应的标签。现有技术中机器学习模型的精准度与其训练集和模型建模结果有关，机器学习模型通过捕捉图片的宏观综合特征而进行判断，难以对图像的某个特征进行深入的学习，因此存在一定的误输出难识别的概率，而难以被机器学习模型准确判断的目标图像可以从其轮廓角度被进一步识别，从而得到更为准确的识别结果。
本发明实施例中在轮廓对于图片识别的影响方面进行深入研究，从而弥补机器学习难以对具体特征进行深入关注的不足，将其与机器学习模型的输出结果互为补充，从而得到更为准确的识别结果，并且得到的识别结果还可以进一步用于提升机器模型的精准度，增加机器模型本身对于轮廓特征的关注。
S1057.提取再识别图像，所述再识别图像为对应的识别结果中的标签数量大于一个的目标图像。
S1059.提取再识别图像的光滑轮廓，根据所述光滑轮廓和所述再识别图像对应的识别结果中的各个标签的轮廓描述确定所述再识别结果对应的标签。
进一步地，还包括将所述再识别对象和所述标签作为训练数据更新所述机器学习模型。
本发明实施例中通过对于轮廓这一特征进行深入研究以达到与机器学习互补不足的效果，因此，本发明实施例提供一种光滑轮廓获取方法，如图4所示，所述光滑轮廓获取方法包括：
S1.获取所述目标图像中的边缘轮廓以及构成所述边缘轮廓的边缘像素。
具体地，所述获取所述目标图像中的边缘轮廓以及构成所述边缘轮廓的边缘像素如图5所示，包括：
S11.生成所述目标图像对应的灰度图。
S13.获取所述目标图像中各个像素点的灰度。
S15.根据所述各个像素点的灰度计算每个像素点的灰度跳跃指数。
具体地，所述像素点的灰度跳跃指数根据下述公式计算得到
Figure BDA0002148409930000111
其中，gmax为像素点的相邻像素点中与所述像素点灰度差异最大的像素点与所述像素点的灰度差值，gmin为像素点的相邻像素点中与所述像素点灰度差异最小的像素点与所述像素点的灰度差值。
S17.将灰度跳跃指数达到预设要求的像素点确定为边缘像素点。
S3.提取所述边缘像素中的锯齿像素。
具体地，所述提取所述边缘像素中的锯齿像素如图6所示，包括：
S31.获取各个边缘像素中每个边缘像素的灰度延伸方向，所述灰度延伸方向为所述边缘像素与参考像素之间连线构成所在方向，所述参考像素为与所述边缘像素灰度差最大的相关像素，所述相关像素为与所述边缘像素相邻的像素。
S33.提取所述边缘像素的灰度延伸方向上的N个像素，若所述N个像素满足锯齿条件，则判定所述边缘像素为锯齿像素，所述锯齿条件包括：第T-1个像素的灰度与第T个像素的灰度的差值大于第T预设阈值，其中当T为0时，第T-1个像素为所述边缘像素。
S5.根据所述锯齿像素对所述边缘轮廓进行去锯齿处理以得到光滑轮廓。
S10511.根据各个目标图像指向的标签获取第二安全状态。
具体地，所述根据各个目标图像指向的标签获取第二安全状态，如图7所示，包括：
S10.根据所述生活环境安全状态数据获取第一敏感标签集。
具体地，对于老人而言，其活动范围内不应该出现刀具、打火机等危险物品，因此，可以将这类物品对应的标签纳入第一敏感标签集。
S20.根据用户的基础安全状态数据和/或第一安全状态获取第二敏感标签集。
具体地，可以为每个老人存储其对应的基础安全状态数据，比如老人的既往病史，并因此得到第二敏感标签集。比如，若老人有糖尿病史，则其活动范围内不应该出现糖果、高糖分的水果，若老人当前处于敏感状态，则其活动范围不应该出现烟类、酒类和海鲜类。可以将上述物品纳入第二敏感标签。
S30.提取各个目标图像指向的标签中被第一敏感标签集或第二敏感标签集命中的目标标签。
S50.若目标标签数量不为0，则判定所述第二安全状态为非安全状态；根据目标标签生成第二安全状态的提醒数据。
具体地，所述第二安全状态的提醒数据中包括目标标签指向的物体及所述物体所在的位置。
本发明实施例公开的一种基于机器学习的安全状态数据处理方法，可以充分根据生活环境安全状态数据、生理安全状态数据和基础安全状态数据，全面对用户的生理指标以及所在环境进行分析，并根据分析结果进行提醒，从而实现一种全方位的实时的看护，具有智能性高、针对性强的显著优势，能够为老年人提供适宜的看护服务，从而减轻社会负担。
本发明实施例还公开一种基于机器学习的安全状态数据处理系统，如图8所示，所述系统包括：
安全状态数据库构建模块201，用于构建安全状态数据库，所述安全状态数据库包括生活环境安全状态数据、生理安全状态数据和基础安全状态数据；
第一安全状态获取模块203，用于响应于预设的生理数据采集指令，实时更新所述生理安全状态数据，根据所述生理安全状态数据和所述基础安全状态数据获取第一安全状态，将所述第一安全状态发布至第一智能穿戴终端，以便于所述第一智能穿戴终端根据所述第一安全状态对用户进行第一安全提醒；
第二安全状态获取模块205，用于响应于预设的环境数据采集指令，实时获取用户的当前环境，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，若所述第二安全状态为非安全状态，则将所述第二安全状态中的提醒数据发布至第二智能穿戴终端，以便于所述第二智能穿戴终端根据所述提醒数据对用户进行第二安全提醒。
生理数据采集模块207，如图9所示，所述生理数据采集模块207包括：
心率数据采集单元2071，用于响应于预设的第一生理数据采集指令，采集心率数据；
第二生理数据采集单元2073，用于若所述心率数据为合法阈值内，则响应于第二生理数据采集指令，采集温度数据、活动状态数据和血压数据，所述第一生理数据采集指令的发布频率高于所述第二生理数据采集指令；
心率监控对象生成单元2075，用于若所述心率数据位于合法阈值之外，则在第一智能穿戴终端创建心率监控对象，所述心率监控对象包括心率元素队列和定时驱动器，所述定时驱动器用于间隔预设时间发布心率采集指令，以便于采集心率数据并将所述心率数据存储入所述心率元素队列。
心率监控对象控制单元2077，用于若所述心率元素队列中的当前状态中的最后一个元素位于合法阈值内或所述心率元素队列的元素个数达到预设第一阈值，则所述心率监控对象将所述心率元素队列中的元素上报至云端，在所述第一智能穿戴终端销毁所述心率监控对象；
心率监控对象控制单元2077，还用于若所述心率元素队列中的元素个数超过预设第二阈值，则所述第一智能穿戴终端采集温度数据和活动状态数据，并将所述心率元素队列中元素的特征值、温度数据和活动状态数据传输至云端，以便于所述云端根据所述心率元素队列中元素的特征值、温度数据、活动状态数据和用户对应的基础安全状态数据获取第一安全状态。
如图10所示，所述第二安全状态获取模块205，包括：
图片获取单元2051，用于获取当前环境的图片，对所述当前环境的图片划分至少一个待识别区间，每个所述待识别区间中只有一个待识别物体；
分割单元2053，用于根据所述待识别区间对所述当前环境的图片进行分割，以得到至少一个目标图像，每个目标图像对应一个待识别区间；
机器识别单元2055，用于基于动态更新的机器学习模型对各个目标图像进行识别以得到每个目标图像对应的识别结果，所述机器学习模型用于输出所述目标图像对应的至少一个标签，每个标签对应一个轮廓描述；
再识别图像提取单元2057，用于提取再识别图像，所述再识别图像为对应的识别结果中的标签数量大于一个的目标图像；
轮廓识别单元2059，用于提取再识别图像的光滑轮廓，根据所述光滑轮廓和所述再识别图像对应的识别结果中的各个标签的轮廓描述确定所述再识别结果对应的标签；
第二安全状态获取单元20511，用于根据各个目标图像指向的标签获取第二安全状态。
具体地，所述第二安全状态获取单元20511，包括：
第一敏感标签集单元，用于根据所述生活环境安全状态数据获取第一敏感标签集；
第二敏感标签集单元，用于根据用户的基础安全状态数据和/或第一安全状态获取第二敏感标签集；
目标标签获取单元，用于提取各个目标图像指向的标签中被第一敏感标签集或第二敏感标签集命中的目标标签；
第二安全状态提醒单元，用于若目标标签数量不为0，则判定所述第二安全状态为非安全状态；根据目标标签生成第二安全状态的提醒数据。
本发明实施例公开的一种基于机器学习的安全状态数据处理方法系统与方法实施例基于相同的发明构思。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于机器学习的安全状态数据处理方法，其特征在于，所述方法包括：
构建安全状态数据库，所述安全状态数据库包括生活环境安全状态数据、生理安全状态数据和基础安全状态数据；
响应于预设的生理数据采集指令，实时更新所述生理安全状态数据，根据所述生理安全状态数据和所述基础安全状态数据获取第一安全状态，将所述第一安全状态发布至第一智能穿戴终端，以便于所述第一智能穿戴终端根据所述第一安全状态对用户进行第一安全提醒；
响应于预设的环境数据采集指令，实时获取用户的当前环境，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，若所述第二安全状态为非安全状态，则将所述第二安全状态中的提醒数据发布至第二智能穿戴终端，以便于所述第二智能穿戴终端根据所述提醒数据对用户进行第二安全提醒；
所述根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，包括：
获取当前环境的图片，对所述当前环境的图片划分至少一个待识别区间，每个所述待识别区间中只有一个待识别物体；
根据所述待识别区间对所述当前环境的图片进行分割，以得到至少一个目标图像，每个目标图像对应一个待识别区间；
基于动态更新的机器学习模型对各个目标图像进行识别以得到每个目标图像对应的识别结果，所述机器学习模型用于输出所述目标图像对应的至少一个标签，每个标签对应一个轮廓描述；所述机器学习模型用于为输入的目标图像打标签，以便于最终确定目标图像所对应的唯一标签；所述机器学习模型中的标签为多级标签；每个标签对应一个轮廓描述，所述轮廓描述用于在再识别步骤中在所述机器学习模型输出多于一个标签的场景中进一步确定目标图像所对应的唯一标签；所述轮廓描述包括外轮廓描述和内轮廓描述，所述外轮廓描述包括外轮廓形状描述信息和所述外轮廓贴合度，所述外轮廓贴合度用于描述所述外轮廓与所述外轮廓的最小外接矩形的贴合程度；所述内轮廓描述包括内轮廓数量和内轮廓描述子集，所述内轮廓描述子集的数量与所述内轮廓数量一一对应，一个所述内轮廓描述子集描述一个内轮廓；
提取再识别图像，所述再识别图像为对应的识别结果中的标签数量大于一个的目标图像；
提取再识别图像的光滑轮廓，根据所述光滑轮廓和所述再识别图像对应的识别结果中的各个标签的轮廓描述确定所述再识别图像对应的识别结果对应的标签；
根据各个目标图像指向的标签获取第二安全状态；
所述光滑轮廓获取方法包括：
获取所述目标图像中的边缘轮廓以及构成所述边缘轮廓的边缘像素；其中，所述获取所述目标图像中的边缘轮廓以及构成所述边缘轮廓的边缘像素，包括：生成所述目标图像对应的灰度图；获取所述目标图像中各个像素点的灰度；根据所述各个像素点的灰度计算每个像素点的灰度跳跃指数；所述像素点的灰度跳跃指数根据下述公式计算得到
Figure FDA0002482718800000021
其中，gmax为像素点的相邻像素点中与所述像素点灰度差异最大的像素点与所述像素点的灰度差值，gmin为像素点的相邻像素点中与所述像素点灰度差异最小的像素点与所述像素点的灰度差值；将灰度跳跃指数达到预设要求的像素点确定为边缘像素点；
提取所述边缘像素中的锯齿像素，其中，所述提取所述边缘像素中的锯齿像素，包括：获取各个边缘像素中每个边缘像素的灰度延伸方向，所述灰度延伸方向为所述边缘像素与参考像素之间连线构成所在方向，所述参考像素为与所述边缘像素灰度差最大的相关像素，所述相关像素为与所述边缘像素相邻的像素；提取所述边缘像素的灰度延伸方向上的N个像素，若所述N个像素满足锯齿条件，则判定所述边缘像素为锯齿像素，所述锯齿条件包括：第T-1个像素的灰度与第T个像素的灰度的差值大于第T预设阈值，其中当T为0时，第T-1个像素为所述边缘像素；
根据所述锯齿像素对所述边缘轮廓进行去锯齿处理以得到光滑轮廓。
2.根据权利要求1所述的一种基于机器学习的安全状态数据处理方法，其特征在于，还包括采集生理数据的步骤，所述采集生理数据，包括：
响应于预设的第一生理数据采集指令，采集心率数据；
若所述心率数据为合法阈值内，则响应于第二生理数据采集指令，采集温度数据、活动状态数据和血压数据，所述第一生理数据采集指令的发布频率高于所述第二生理数据采集指令；
若所述心率数据位于合法阈值之外，则在第一智能穿戴终端创建心率监控对象，所述心率监控对象包括心率元素队列和定时驱动器，所述定时驱动器用于间隔预设时间发布心率采集指令，以便于采集心率数据并将所述心率数据存储入所述心率元素队列。
3.根据权利要求2所述的一种基于机器学习的安全状态数据处理方法，其特征在于：
若所述心率元素队列中的当前状态中的最后一个元素位于合法阈值内或所述心率元素队列的元素个数达到预设第一阈值，则所述心率监控对象将所述心率元素队列中的元素上报至云端，在所述第一智能穿戴终端销毁所述心率监控对象；
若所述心率元素队列中的元素个数超过预设第二阈值，则所述第一智能穿戴终端采集温度数据和活动状态数据，并将所述心率元素队列中元素的特征值、温度数据和活动状态数据传输至云端，以便于所述云端根据所述心率元素队列中元素的特征值、温度数据、活动状态数据和用户对应的基础安全状态数据获取第一安全状态。
4.根据权利要求1所述的一种基于机器学习的安全状态数据处理方法，其特征在于，所述根据各个目标图像指向的标签获取第二安全状态，包括：
根据所述生活环境安全状态数据获取第一敏感标签集；
根据用户的基础安全状态数据和/或第一安全状态获取第二敏感标签集；
提取各个目标图像指向的标签中被第一敏感标签集或第二敏感标签集命中的目标标签；
若目标标签数量不为0，则判定所述第二安全状态为非安全状态；根据目标标签生成第二安全状态的提醒数据。
5.一种基于机器学习的安全状态数据处理系统，其特征在于，所述系统包括：
安全状态数据库构建模块，用于构建安全状态数据库，所述安全状态数据库包括生活环境安全状态数据、生理安全状态数据和基础安全状态数据；
第一安全状态获取模块，用于响应于预设的生理数据采集指令，实时更新所述生理安全状态数据，根据所述生理安全状态数据和所述基础安全状态数据获取第一安全状态，将所述第一安全状态发布至第一智能穿戴终端，以便于所述第一智能穿戴终端根据所述第一安全状态对用户进行第一安全提醒；
第二安全状态获取模块，用于响应于预设的环境数据采集指令，实时获取用户的当前环境，根据所述生活环境安全状态数据和所述当前环境获取第二安全状态，若所述第二安全状态为非安全状态，则将所述第二安全状态中的提醒数据发布至第二智能穿戴终端，以便于所述第二智能穿戴终端根据所述提醒数据对用户进行第二安全提醒；
所述第二安全状态获取模块具体用于：
获取当前环境的图片，对所述当前环境的图片划分至少一个待识别区间，每个所述待识别区间中只有一个待识别物体；
根据所述待识别区间对所述当前环境的图片进行分割，以得到至少一个目标图像，每个目标图像对应一个待识别区间；
基于动态更新的机器学习模型对各个目标图像进行识别以得到每个目标图像对应的识别结果，所述机器学习模型用于输出所述目标图像对应的至少一个标签，每个标签对应一个轮廓描述；所述机器学习模型用于为输入的目标图像打标签，以便于最终确定目标图像所对应的唯一标签；所述机器学习模型中的标签为多级标签；每个标签对应一个轮廓描述，所述轮廓描述用于在再识别步骤中在所述机器学习模型输出多于一个标签的场景中进一步确定目标图像所对应的唯一标签；所述轮廓描述包括外轮廓描述和内轮廓描述，所述外轮廓描述包括外轮廓形状描述信息和所述外轮廓贴合度，所述外轮廓贴合度用于描述所述外轮廓与所述外轮廓的最小外接矩形的贴合程度；所述内轮廓描述包括内轮廓数量和内轮廓描述子集，所述内轮廓描述子集的数量与所述内轮廓数量一一对应，一个所述内轮廓描述子集描述一个内轮廓；
提取再识别图像，所述再识别图像为对应的识别结果中的标签数量大于一个的目标图像；
提取再识别图像的光滑轮廓，根据所述光滑轮廓和所述再识别图像对应的识别结果中的各个标签的轮廓描述确定所述再识别图像对应的识别结果对应的标签；
根据各个目标图像指向的标签获取第二安全状态；
所述光滑轮廓获取方法包括：
获取所述目标图像中的边缘轮廓以及构成所述边缘轮廓的边缘像素；其中，所述获取所述目标图像中的边缘轮廓以及构成所述边缘轮廓的边缘像素，包括：生成所述目标图像对应的灰度图；获取所述目标图像中各个像素点的灰度；根据所述各个像素点的灰度计算每个像素点的灰度跳跃指数；所述像素点的灰度跳跃指数根据下述公式计算得到
Figure FDA0002482718800000041
其中，gmax为像素点的相邻像素点中与所述像素点灰度差异最大的像素点与所述像素点的灰度差值，gmin为像素点的相邻像素点中与所述像素点灰度差异最小的像素点与所述像素点的灰度差值；将灰度跳跃指数达到预设要求的像素点确定为边缘像素点；
提取所述边缘像素中的锯齿像素，其中，所述提取所述边缘像素中的锯齿像素，包括：获取各个边缘像素中每个边缘像素的灰度延伸方向，所述灰度延伸方向为所述边缘像素与参考像素之间连线构成所在方向，所述参考像素为与所述边缘像素灰度差最大的相关像素，所述相关像素为与所述边缘像素相邻的像素；提取所述边缘像素的灰度延伸方向上的N个像素，若所述N个像素满足锯齿条件，则判定所述边缘像素为锯齿像素，所述锯齿条件包括：第T-1个像素的灰度与第T个像素的灰度的差值大于第T预设阈值，其中当T为0时，第T-1个像素为所述边缘像素；
根据所述锯齿像素对所述边缘轮廓进行去锯齿处理以得到光滑轮廓。
6.根据权利要求5所述的一种基于机器学习的安全状态数据处理系统，其特征在于，还包括生理数据采集模块，所述生理数据采集模块包括：
心率数据采集单元，用于响应于预设的第一生理数据采集指令，采集心率数据；
第二生理数据采集单元，用于若所述心率数据为合法阈值内，则响应于第二生理数据采集指令，采集温度数据、活动状态数据和血压数据，所述第一生理数据采集指令的发布频率高于所述第二生理数据采集指令；
心率监控对象生成单元，用于若所述心率数据位于合法阈值之外，则在第一智能穿戴终端创建心率监控对象，所述心率监控对象包括心率元素队列和定时驱动器，所述定时驱动器用于间隔预设时间发布心率采集指令，以便于采集心率数据并将所述心率数据存储入所述心率元素队列。
7.根据权利要求6所述的一种基于机器学习的安全状态数据处理系统，其特征在于：
心率监控对象控制单元，用于若所述心率元素队列中的当前状态中的最后一个元素位于合法阈值内或所述心率元素队列的元素个数达到预设第一阈值，则所述心率监控对象将所述心率元素队列中的元素上报至云端，在所述第一智能穿戴终端销毁所述心率监控对象；
心率监控对象控制单元，还用于若所述心率元素队列中的元素个数超过预设第二阈值，则所述第一智能穿戴终端采集温度数据和活动状态数据，并将所述心率元素队列中元素的特征值、温度数据和活动状态数据传输至云端，以便于所述云端根据所述心率元素队列中元素的特征值、温度数据、活动状态数据和用户对应的基础安全状态数据获取第一安全状态。
8.根据权利要求5所述的一种基于机器学习的安全状态数据处理系统，其特征在于，所述第二安全状态获取单元，包括：
第一敏感标签集单元，用于根据所述生活环境安全状态数据获取第一敏感标签集；
第二敏感标签集单元，用于根据用户的基础安全状态数据和/或第一安全状态获取第二敏感标签集；
目标标签获取单元，用于提取各个目标图像指向的标签中被第一敏感标签集或第二敏感标签集命中的目标标签；
第二安全状态提醒单元，用于若目标标签数量不为0，则判定所述第二安全状态为非安全状态；根据目标标签生成第二安全状态的提醒数据。
CN201910692800.7A 2019-07-30 2019-07-30 一种基于机器学习的安全状态数据处理方法及系统 Active CN110415823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910692800.7A CN110415823B (zh) 2019-07-30 2019-07-30 一种基于机器学习的安全状态数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910692800.7A CN110415823B (zh) 2019-07-30 2019-07-30 一种基于机器学习的安全状态数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN110415823A CN110415823A (zh) 2019-11-05
CN110415823B true CN110415823B (zh) 2020-08-04

Family

ID=68364021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910692800.7A Active CN110415823B (zh) 2019-07-30 2019-07-30 一种基于机器学习的安全状态数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN110415823B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778312B (zh) * 2012-10-24 2017-05-10 中兴通讯股份有限公司 远程家庭保健系统
CN103517042B (zh) * 2013-10-17 2016-06-29 吉林大学 一种养老院老人危险行为监测方法
CN105072252A (zh) * 2015-07-08 2015-11-18 广东欧珀移动通信有限公司 数据分享方法和相关装置及数据分享系统
WO2018165868A1 (zh) * 2017-03-14 2018-09-20 深圳中兴力维技术有限公司 监测方法和监测装置

Also Published As

Publication number Publication date
CN110415823A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
Zamzmi et al. An approach for automated multimodal analysis of infants' pain
CN110944577B (zh) 一种血氧饱和度的检测方法与系统
Rouast et al. Learning deep representations for video-based intake gesture detection
CN106407715A (zh) 一种智能服务机器人健康辨识系统及方法
CN107847156A (zh) 用于心血管疾病评估和管理的方法和系统
CN110584601B (zh) 一种老人认知功能监测和评估系统
CN110197235B (zh) 一种基于独特性注意力机制的人体活动识别方法
CN113257440A (zh) 一种基于病患视频识别的icu智能看护系统
CN110706822B (zh) 基于逻辑回归模型和决策树模型的健康管理方法
CN115670419A (zh) 基于智能手表预测运动信息的数据处理方法及系统
CN113057599A (zh) 一种快速评估疼痛的机器
CN115662631A (zh) 基于ai智能判别的养老院管理系统
CN107516019A (zh) 无创健康预测系统及方法
CN109674474B (zh) 睡眠呼吸暂停识别方法、设备及计算机可读介质
CN115024725A (zh) 融合心理状态多参数检测的肿瘤治疗辅助决策系统
CN110415823B (zh) 一种基于机器学习的安全状态数据处理方法及系统
CN109620263B (zh) 一种企事业单位上岗人员体征安全分析方法
Di Lascio et al. Automatic recognition of flow during work activities using context and physiological signals
CN116570246A (zh) 一种癫痫监测及远程报警系统
Lee et al. FIT-EVE&ADAM: Estimation of velocity & energy for automated diet activity monitoring
CN110710956A (zh) 一种昏迷患者的预后评估方法和评估系统
CN114521900B (zh) 一种基于迁移学习心律失常分类识别的方法
Wong et al. Probabilistic detection of vital sign abnormality with Gaussian process regression
CN113349746A (zh) 一种生命体征监测报警系统
CN113593702A (zh) 宠物健康预警诊疗系统

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