CN111766793A - 基于座椅使用习惯的建模方法、装置、设备及存储介质 - Google Patents
基于座椅使用习惯的建模方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111766793A CN111766793A CN202010610488.5A CN202010610488A CN111766793A CN 111766793 A CN111766793 A CN 111766793A CN 202010610488 A CN202010610488 A CN 202010610488A CN 111766793 A CN111766793 A CN 111766793A
- Authority
- CN
- China
- Prior art keywords
- seat
- data
- state
- seat state
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000036541 health Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 19
- 230000003068 static effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本案涉及人工智能领域，应用于智能家居，提供一种基于座椅使用习惯的建模方法、装置、设备及存储介质。本方法包括：获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。此外，本发明还涉及区块链技术，通过同一网络的多个用户使用座椅的实时数据得到的座椅原始数据可存储于区块链中。
Description
技术领域
本发明涉及人工智能领域，应用于智能家居，尤其涉及一种基于座椅使用习惯的建模方法、装置、设备及存储介质。
背景技术
近年来，随着移动互联网的快速发展以及智能硬件、可穿戴设备等物联网设备在人们日常生活中的逐渐普及，智能化的概念受到更多消费者的青睐。作为物联网技术在家庭和生活环境中的一个重要应用，智能家居受到了产业界、学术界的广泛关注。智能家居主要以住宅为平台，通过物联网技术连接家居中的设备，提供家电控制、远程控制、环境监测、危险预警、安全监控等多种智能化家庭服务。在我国，智能家居正处于飞速发展阶段，智能家居生产企业越来越重视对行业市场的研究，特别是截至2019年底，我国60岁及以上老年人口已达2.53亿，占总人口18.1％，其中65岁及以上人口1.76亿，占总人口12.6％，老龄人口数量庞大，养老形式严峻。如何让老人安享晚年同时降低子女的负担，给政府、社会、企业、研究机构带来了严重的挑战。
现有的智能家居系统仍然停留在简单的电器开关控制上，由用户进行主动控制，但其本质仍然是用户主动控制，还不能很好的体现其智能所在，对用户行为的预测不够精确，无法结合用户的具体情况，对老人的日常居家活动监测。
发明内容
本发明提供一种基于座椅使用习惯的建模方法、装置、设备及存储介质，主要目的在于结合用户的具体情况，对用户的日常居家活动进行监测。
本发明第一方面提供了一种基于座椅使用习惯的建模方法，包括：
获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
可选地，在本发明第一方面的第一种实现方式中，在所述通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据之前，还包括：
根据预设座椅状态指数函数，计算所述座椅原始数据的座椅状态指数；
根据所述座椅状态指数，判断所述座椅上是否为目标用户；
若是，则执行通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据的步骤。
可选地，在本发明第一方面的第二种实现方式中，在所述根据所述座椅状态指数，判断所述座椅上是否为目标用户之后，还包括：
根据所述座椅状态指数，确定所述座椅上是否有物体；
若所述座椅状态指数等于预设第一阈值，则确定所述座椅上有物体；
判断所述物体是否为目标用户；
若所述座椅状态指数小于预设第二阈值，则确定所述物体为重物；
若所述座椅状态指数大于预设第二阈值，则确定所述物体为目标用户。
可选地，在本发明第一方面的第三种实现方式中，
所述对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征包括：
获取所述座椅状态数据的时间标签；
根据所述时间标签选取所述座椅状态数据中的目标状态数据；
对所述目标状态数据进行特征提取，得到所述目标状态数据的数据特征。
可选地，在本发明第一方面的第四种实现方式中，在所述通过高斯分布建模对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型之后，还包括：
接收目标用户使用座椅的实时数据；
将所述实时数据输入所述座椅使用习惯模型，得到所述目标用户的健康评估信息，其中，所述健康评估信息包括所述目标用户使用座椅的时长和频率。
本发明第二方面提供了一种基于座椅使用习惯的建模装置，包括：
存储模块，用于获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
第一计算模块，用于通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
特征提取模块，用于对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
学习模块，用于通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
可选地，所述基于座椅使用习惯的建模装置还包括：
第二计算模块，用于根据预设座椅状态指数函数，计算所述座椅原始数据的座椅状态指数；
第一判断模块，用于根据所述座椅状态指数，判断所述座椅上是否为目标用户。
可选地，在本发明第二方面的第一种实现方式中，所述特征提取模块具体用于：
获取所述座椅状态数据的时间标签；
根据所述时间标签选取所述座椅状态数据中的目标状态数据；
对所述目标状态数据进行特征提取，得到所述目标状态数据的数据特征。
可选地，所述基于座椅使用习惯的建模装置还包括：
第一确定模块，用于根据所述座椅状态指数，确定所述座椅上是否有物体；
第二确定模块，用于当所述座椅状态指数等于预设第一阈值时，确定所述座椅上有物体；
第二判断模块，用于判断所述物体是否为目标用户；
第三确定模块，用于当所述座椅状态指数小于预设第二阈值时，确定所述物体为重物；
第四确定模块，用于当所述座椅状态指数大于预设第二阈值时，确定所述物体为目标用户。
可选地，所述基于座椅使用习惯的建模装置还包括：
接收模块，用于接收目标用户使用座椅的实时数据；
输入模块，用于将所述实时数据输入所述座椅使用习惯模型，得到所述目标用户的健康评估信息，其中，所述健康评估信息包括所述目标用户使用座椅的时长和频率。
本发明第三方面提供了一种基于座椅使用习惯的建模设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于座椅使用习惯的建模设备执行上述的基于座椅使用习惯的建模方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于座椅使用习惯的建模方法。
本发明提供的技术方案中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。
附图说明
图1为本发明基于座椅使用习惯的建模方法的第一个实施例示意图；
图2为本发明基于座椅使用习惯的建模方法的第二个实施例示意图；
图3为本发明基于座椅使用习惯的建模方法的第三个实施例示意图；
图4为本发明基于座椅使用习惯的建模方法的第四个实施例示意图；
图5为本发明基于座椅使用习惯的建模方法的第五个实施例示意图；
图6为本发明基于座椅使用习惯的建模装置的第一个实施例示意图；
图7为本发明基于座椅使用习惯的建模装置的第二个实施例示意图；
图8为本发明基于座椅使用习惯的建模设备的一个实施例示意图。
具体实施方式
本发明实施例涉及人工智能，提供了一种基于座椅使用习惯的建模方法、装置、设备及存储介质，本发明的技术方案中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明基于座椅使用习惯的建模方法的第一个实施例包括：
101、获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
本实施例中，获取接入同一网络的多个用户使用座椅的实时数据，并将所述收集到的实时数据存储至数据库，得到很多的历史数据用来进行建模研究，这些数据，又叫做座椅原始数据。比如，座椅是家庭必备物品之一。一般来说，老年人的日常生活中有一部分的活动跟座椅有着密切关系，可以坐着吃饭、坐着打盹、坐着工作、坐着喝茶、坐着看电视、坐着看报等。收集用户日常生活中对座椅使用信息(例如，开始使用时间、结束使用时间)并进行使用习惯建模，一方面可以用来对目标用户，例如，独居老年人的日常居家活动进行监测，能够让子女或者社区中心服务人员实时掌握老年人的居家动态，也能够及时的识别老年人的异常活动(例如，在应该使用座椅的时间没有使用座椅，在不应该使用座椅的时间使用了座椅)并向社区中心服务人员发出提示信息；另一方面，老年人的座椅使用习惯也可用来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据。
102、通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
本实施例中，通过预置的座椅状态变化检测算法，对收集到的座椅原始数据(也就是用户日常使用座椅的数据信息)进行计算，得到座椅状态数据。其中，所述座椅状态变化检测算法又叫“座椅状态检测算法”目的是通过对传感器接收到的数据进行计算，确定座椅的状态。座椅状态变化检测算法的输入信息是n个连续的传感器数据，用元组(d1，d2，d3，...，dn)；输出的信息是座椅前一个状态、当前状态、当前状态的起始时间，用元组(slast，tend，scurrent，tstart)表示。比如，算法输入：(d1，d2，d3，...，dn)，算法输出：(slast，tend，scurrent，tstart)；1.记录算法开始运行的时间：tstart＝time()；2.默认值为0：tend＝0；3.算法开始运行时状态指数默认为0：slast＝0；4.将前一个状态slast以及开始时间tstart存入数据库中；5.计数器count＝0。
算法在进入无限循环(1-5)之前，需要设置一些变量的初值，例如，tstart的初始值为算法开始运行的时间；tend是前一个状态的结束时间，初始值为0；slast的初始值为0，即座椅上无人；计数器count的初始值为0；同时算法在进入无限循环(1-5)之前，也需要通过对数据库的操作，保存前一个状态以及前一个状态的起始时间(4.将前一个状态slast以及开始时间tstart存入数据库中)。比如，现在有t1，t2，t3，t4，t5，t6一共6个时间点。在t1时刻，算法开始运行，此时默认座椅的状态为0。
103、对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
本实施例中，对上个步骤中得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征。特征提取是指从数据中提取有用特征，这些特征主要包括数值特征、类别特征以及其他特征。以数值特征为例，这些特征通常为实数或整数，比如年龄。通过映射的方法，将高维的属性空间压缩为低维的属性空间，得到最小的属性集，使得数据类的概念分布尽可能的接近使用所有属性的原分布。得到数据挖掘结果与所有特征参加的数据挖掘结果相近或完全一致。
特征提取的基本启发式方法包括以下四种：(1).逐步向前选择：该过程由空属性集作为规约集开始，确定原属性集中最好的属性，并将它添加到规约集中。在其后的每一次迭代，将剩下的原属性集中的最好的属性添加到该集合中。(2).逐步向后删除：该过程由整个属性集开始。在每一步中，删除尚在属性集中最差的属性。(3).逐步向前选择和逐步向后删除的组合：可以将逐步向前选择和逐步向后删除相结合，每一步选择一个最好的属性，并在剩余属性中删除一个最差的属性。(4).决策树归纳：决策树归纳构造一个类似于流程图的结构，其中，每个内部(非树叶)结点表示一个属性上的测试，每个分支对应一个测试结果；每个外部(树叶)结点表示一个类预测。在每个结点上，算法选择“最好”的属性，将数据划分成类。比如，我们收集了某数据库中2010年11月4日至2011年6月11日的单人居家行为数据进行了分析实验。实验结果表明单人居家行为具有明显的时间段特性，例如凌晨2:00至中午12：00点、下午13:00至次日凌晨1点两个时间段内均展示出高斯分布特征。我们对收集到的这批数据进行特征提取，得到的数据特征有座椅的使用次数、每次使用座椅的开始时间、每次使用座椅的结束时间、每次使用座椅的持续时间、每个时间段内首次使用座椅的开始时间、每个时间段内首次使用座椅的结束时间、每个时间段内首次使用座椅的持续时间、每个时间段内末次使用座椅的开始时间、每个时间段内末次使用座椅的结束时间、每个时间段内末次使用座椅的持续时间以及相邻两次使用座椅的间隔时间。
104、通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
本实施例中，在设计了11个数据特征之后，基于高斯分布建模，建立老人分时段座椅使用模型。此处以用户凌晨2:00至中午12:00的座椅使用模型为例进行介绍，其余时间段的模型建立方法类似。每个数据特征都可以用高斯分布描述，例如“座椅的使用次数Count_A～N(X，Y)”，其中，X是历史数据(大于21天)中的老人凌晨2:00至中午12：00点座椅使用次数的平均值，Y是是历史数据(大于21天)中的老人凌晨2:00至中午12：00点的座椅使用次数的方差。其他特征的高斯分布描述与之类似。
高斯分布又叫正态分布(Normal distribution)，也称“常态分布”，又名高斯分布(Gaussian distribution)，最早由棣莫弗(Abraham de Moivre)在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。高斯分布曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ＝0,σ＝1时的正态分布是标准正态分布。
本发明实施例中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。需要强调的是，为进一步保证上述接入同一网络的多个用户使用座椅的历史数据的私密和安全性，上述多个用户使用座椅的历史数据还可以存储于一区块链的节点中。
请参阅图2，本发明基于座椅使用习惯的建模方法的第二个实施例包括：
201、获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
202、根据预设座椅状态指数函数，计算所述座椅原始数据的座椅状态指数；
本实施例中，根据预设的座椅状态指数函数，可以计算座椅原始数据的座椅状态指数，根据座椅状态指数可以对座椅的使用状态进行判断。例如，我们都知道，一个人在家里通常有很多的时间是坐着的，并且，不同的人有不同的使用座椅的习惯。使用座椅的时间和频率，对分析老人的行为以及后续的健康状态有着重要的作用。为了能够采集独居老人使用座椅的数据并建立模型为后续异常检测和健康评估提供依据，本发明首先需要解决的一个关键问题是如何识别出座椅的状态，目前已有产品和方法主要通过观测置于座椅下方的压力传感器的读数的变化情况来判断是否有人在使用座椅，例如，用压力传感器的读数变大来表征有人坐在了座椅上，然而这种方法并不能处理当一个静止的重物被放置在座椅上的情况。当一个座椅上有人，而另一个座椅上放置有重物，如果只是通过座椅下方压力传感器读数变大来判断是否有人在使用座椅，则会误判为两把座椅上均有人在使用。为了解决这个问题，本发明首先提出了一个一个座椅状态指数的概念，以表征是否有人坐在座椅上。座椅状态指数用字幕S表示，它由计算公式(1)计算得到：当S＝1时，表示座椅上有人；当S的状态值由1变为0时，表示座椅上无人。
计算公式(1)
其中，threshold是阈值，是一个经验值，由系统所采用的压力传感器的特性决定，需要根据不同的传感器进行系统的初始化设置；p和q分别由j个连续的压力传感器读数(d1，d2，d3，...，dj)根据公式(2)和公式(3)计算得到：
计算公式(2)
计算公式(3)
203、根据所述座椅状态指数，判断所述座椅上是否为目标用户；
本实施例中，根据座椅状态指数的值，判断当前座椅上是否为目标用户。比如，现在有三个场景：场景一，座椅上放置一个静止的重物；场景二，座椅上做了一个静止的人；场景三，座椅上坐了一个人，正在晃动。这三个场景的区别之处在于：即使是静止坐在座椅上的人，在座椅上也很难长时间保持一个完全静止的状态，总会有或多或少的晃动，即使轻微的晃动也会导致压力传感器数值的变化；另外，即使是完全静止，人的心跳和脉搏也会影响压力传感器的读数。此时，分别收集这三个场景中压力传感器接收到的数据，根据计算得到的座椅状态指数的值，判断当前座椅上是否有物体，且此物体为人。
座椅状态变化检测算法又叫“座椅状态检测算法”目的是通过对传感器接收到的数据进行计算，确定座椅的状态。座椅状态变化检测算法的输入信息是n个连续的传感器数据，用元组(d1，d2，d3，...，dn)；输出的信息是座椅前一个状态、当前状态、当前状态的起始时间，用元组(slast，tend，scurrent，tstart)表示。比如，算法输入：(d1，d2，d3，...，dn)，算法输出：(slast，tend，scurrent，tstart)；1.记录算法开始运行的时间：tstart＝time()；2.默认值为0：tend＝0；3.算法开始运行时状态指数默认为0：slast＝0；4.将前一个状态slast以及开始时间tstart存入数据库中；5.计数器count＝0。
204、当所述座椅上为目标用户时，通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
本实施例中，当座椅上存在物体，且此物体为人时，通过预置的状态变化检测算法，对通过座椅传感器收集待的座椅原始数据进行计算，得到与该座椅原述数据对应的座椅状态数据。
205、对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
206、通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
本发明实施例中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。需要强调的是，为进一步保证上述接入同一网络的多个用户使用座椅的历史数据的私密和安全性，上述多个用户使用座椅的历史数据还可以存储于一区块链的节点中。
请参阅图3，本发明基于座椅使用习惯的建模方法的第三个实施例包括：
301、获取接入同一网络的多个用户使用座椅的实时数据，并将实时数据存储至预置数据库，得到座椅原始数据；
302、通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到座椅状态数据；
303、获取座椅状态数据的时间标签；
本实施例中，获取座椅状态数据的时间标签。座椅状态数据的时间标签是指，座椅状态数据对应的具体时间段。例如，用户的居家行为具有明显的时间段特性，所以，可以分别通过不同的时间段的用户使用座椅的历史数据得到的座椅状态数据，来进行建模研究。该时间标签可以是凌晨2:00至中午12：00点，也可以是下午13:00至次日凌晨1点。
304、根据时间标签选取座椅状态数据中的目标状态数据；
本实施例中，根据时间标签，从全部的座椅状态数据选取需要的特定某时间段中的用户使用座椅的目标状态数据。根据收集到的目标状态数据，对这些数据的数据特征进行研究，对用户使用座椅的行为习惯进行建模。比如，用户居家行为具有明显的时间段特性，例如，凌晨2:00至中午12：00、下午13:00至22:30两个时间段内，用户使用座椅的数据均展示出高斯分布特征。所以，可以针对这两个时间段中的任一时间段的座椅状态数据，也就是目标状态数据进行分析，提取目标状态数据的数据特征，并通过高斯分布对用户的行为进行准确的建模。
305、对目标状态数据进行特征提取，得到目标状态数据的数据特征；
本实施例中，对获取到的特定时间段内的目标状态数据进行特征提取，比如，针对不同的时间段提出N个数据特征，用来分时段对用户使用座椅的习惯进行建模。数据特征包括：座椅使用次数、每次座椅使用的开始时间、每次座椅使用的结束时间、每次使用座椅的持续时间、每个时间段内首次使用座椅的开始时间等。通过对特定时间段内目标状态数据的数据特征进行提取，得到目标状态数据的数据特征。
306、通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
本发明实施例中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。需要强调的是，为进一步保证上述接入同一网络的多个用户使用座椅的历史数据的私密和安全性，上述多个用户使用座椅的历史数据还可以存储于一区块链的节点中。
请参阅图4，本发明基于座椅使用习惯的建模方法的第四个实施例包括：
401、获取接入同一网络的多个用户使用座椅的实时数据，并将实时数据存储至预置数据库，得到座椅原始数据；
402、根据预设座椅状态指数函数，计算座椅原始数据的座椅状态指数；
403、根据座椅状态指数，判断座椅上是否为目标用户；
404、根据座椅状态指数，确定座椅上是否有物体；
本实施例中，根据预先设计好的座椅状态指数函数对通过传感器接收的座椅原始数据进行计算，得到座椅状态指数。根据得到的座椅状态指数的值确定座椅上是否有物体，进一步地判断座椅上的物体是否为目标用户。
为了能够采集独居老人使用座椅的数据并建立模型为后续异常检测和健康评估提供依据，本发明首先需要解决的一个关键问题是如何识别出座椅的状态，目前已有产品和方法主要通过观测置于座椅下方的压力传感器的读数的变化情况来判断是否有人在使用座椅，例如，用压力传感器的读数变大来表征有人坐在了座椅上，然而这种方法并不能处理当座椅上放置的物体为重物时的情况。比如说，在一张桌子的左右两侧各有一张座椅，右侧座椅上有人，而左侧座椅上放置有重物，如果只是通过座椅下方的压力传感器读数来判断是否有人(目标用户)使用座椅，则会误判为两把座椅上均有人在使用。为了解决这个问题，我们可以设计一个场景：首先，在每一把座椅下均设置一个压力传感器，第一个座椅上放置重物；第二个座椅上有实验人员且保持静坐状态；第三个座椅上有实验人员且处于非静坐状态；然后分别收集三个座椅的座椅原始数据，并提取所述座椅原始数据的数据特征，可以得到：当物品放置在座椅上时，传感器的读数平稳；当人在座椅上静坐时，传感器的读数有一定的波动，但是这与座椅上放置物品时的读数相比，座椅原始数据的数据波动特征较为明显；当人在座椅上晃动时，座椅原始数据的数据波动特征波动显著，有明显的波峰与波谷。我们可以根据此，提出座椅状态指数这一概念，根据座椅状态指数的值，判断座椅上是否有物体，进一步地，确定该物体是否为目标用户。
405、当座椅状态指数等于预设第一阈值时，确定座椅上有物体；
本实施例中，当座椅状态指数的值大于预设的第一阈值时，我们可以确定座椅上有物体。根据座椅底下放置的传感器接收的数据，也即座椅原始数据，对该数据进行分析，计算所述座椅状态数据对应的座椅状态指数的值，当所述座椅状态指数的值等于预设的某个值，确定座椅上有物体。
406、判断物体是否为目标用户；
本实施例中，根据座椅底下放置的传感器接收的数据，也即座椅原始数据，对该数据进行分析，计算所述座椅状态数据对应的座椅状态指数的值，当所述座椅状态指数的值等于预设的某个值，确定座椅上有物体之后，要来判断该物体是否为目标用户。比如说，当座椅状态指数的值满足预设的某个值时，我们可以确定座椅上有40kg的重物，但是，该重物可以是用户放在座椅上的大米，也可以是用户放在座椅上的孩子，也可能是目标用户本人。所以，此时我们需要对座椅上的物体进行判断，以确定座椅上的物体是否为目标用户。只有当座椅上的物体为目标用户时，收集到的座椅原始数据对用户行为习惯分析建模才是有效数据。
407、当座椅状态指数小于预设第二阈值时，确定物体为重物；
本实施例中，根据座椅底下放置的传感器接收的数据，也即座椅原始数据，对该数据进行分析，计算所述座椅状态数据对应的座椅状态指数的值，当所述座椅状态指数的值等于预设的某个值，确定座椅上有物体。此时，我们要对座椅状态指数的值进行二次判断，当座椅状态指数小于预设第二阈值时，确定物体为重物。比如，两把座椅，一把座椅上放置50kg的大米，一边座椅上有一个50kg睡着的用户，虽然两者都是静止的，人在座椅上很难长时间保持一个完全静止的状态，总会有或多或少的晃动，即使轻微的晃动也会导致压力传感器数值的变化；另外，即使是完全静止，人的心跳和脉搏也会影响压力传感器的读数。所以，当座椅上的物体为重物和座椅上的物体为用户时，座椅状态指数的值是差别很大的。所以，我们可以确定当座椅状态指数小于预设第二阈值时，座椅上的物体为重物。
408、当座椅状态指数大于预设第二阈值时，确定物体为目标用户；
本实施例中，根据座椅底下放置的传感器接收的数据，也即座椅原始数据，对该数据进行分析，计算所述座椅状态数据对应的座椅状态指数的值，当所述座椅状态指数的值等于预设的某个值，确定座椅上有物体。此时，我们要对座椅状态指数的值进行二次判断，当座椅状态指数小于预设第二阈值时，确定物体为重物。比如，三把座椅，一把座椅上放置50kg的大米，一边座椅上有一个50kg睡着的用户，但是第三把座椅上有一个非静止状态的目标用户，前两把座椅上的“重物”两者都是静止的，而第三把座椅上的用户是非静止的，当人在座椅上晃动时，传感器的读数波动显著，座椅原始数据有明显的波峰与波谷，对应的座椅状态指数的值是远大于当目标用户在座椅上静止(睡着)时的座椅状态指数的。所以，当座椅状态指数大于预设第二阈值时，就可以确定座椅上的物体为目标用户。
409、通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到座椅状态数据；
410、对座椅状态数据进行特征提取，得到座椅状态数据的数据特征；
411、通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
在本发明实施例中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。需要强调的是，为进一步保证上述接入同一网络的多个用户使用座椅的历史数据的私密和安全性，上述多个用户使用座椅的历史数据还可以存储于一区块链的节点中。
请参阅图5，本发明基于座椅使用习惯的建模方法的第五个实施例包括：
501、获取接入同一网络的多个用户使用座椅的实时数据，并将实时数据存储至预置数据库，得到座椅原始数据；
502、通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到座椅状态数据；
503、对座椅状态数据进行特征提取，得到座椅状态数据的数据特征；
504、通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型；
505、接收目标用户使用座椅的实时数据；
本实施例中，通过座椅下接入的传感器，接收目标用户在使用座椅时的实时数据，所述实时数据也即用户使用座椅的座椅原始数据。比如，收集目标用户A在6月15号至7月15号一个月内，每天上午9:00到下午20:00使用座椅的实时数据。
506、将实时数据输入座椅使用习惯模型，得到目标用户的健康评估信息，其中，健康评估信息包括目标用户使用座椅的时长和频率。
本实施例中，虽然目标用户使用座椅的习惯也不是一成不变的，但是至少短期内目标用户的座椅使用习惯是相对固定的，可以根据这个短期内相对固定的习惯对目标用户，比如说独居老年人，的异常使用行为进行监测和向社区服务人员发出提醒。将目标用户在某时间段(比如，一天之内)使用座椅的实时数据输入座椅使用习惯模型，得到目标用户的健康评估信息，其中，健康评估信息包括目标用户使用座椅的时长和频率。并根据目标用户使用座椅的时长和频率，来对目标用户的异常行为进行检测，分析目标用户的健康状况，如果有异常行为数据，可以及时向社区服务人员发出提醒。
本实施例在上一实施例基础上，增加座椅使用习惯模型的应用过程，分别接收目标用户使用座椅的实时数据，并将实时数据输入座椅使用习惯模型，得到目标用户的健康评估信息，其中，健康评估信息包括目标用户使用座椅的时长和频率。本方案属于人工智能领域，通过本方案能够推动社会进步和发展，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。需要强调的是，为进一步保证上述接入同一网络的多个用户使用座椅的历史数据的私密和安全性，上述多个用户使用座椅的历史数据还可以存储于一区块链的节点中。
上面对本发明实施例中基于座椅使用习惯的建模方法进行了描述，下面对本发明实施例中基于座椅使用习惯的建模装置进行描述，请参阅图6，本发明基于座椅使用习惯的建模装置的第一个实施例包括：
存储模块601，用于获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
第一计算模块602，用于通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
特征提取模块603，用于对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
学习模块604，用于通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
本发明实施例中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。需要强调的是，为进一步保证上述接入同一网络的多个用户使用座椅的历史数据的私密和安全性，上述多个用户使用座椅的历史数据还可以存储于一区块链的节点中。
请参阅图7，本发明基于座椅使用习惯的建模装置的第二个实施例包括：
存储模块601，用于获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
第一计算模块602，用于通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
特征提取模块603，用于对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
学习模块604，用于通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型；
可选地，所述基于座椅使用习惯的建模装置还包括：
第二计算模块605，用于根据预设座椅状态指数函数，计算所述座椅原始数据的座椅状态指数；
第一判断模块606，用于根据所述座椅状态指数，判断所述座椅上是否为目标用户；
可选地，所述特征提取模块603具体用于：
获取所述座椅状态数据的时间标签；
根据所述时间标签选取所述座椅状态数据中的目标状态数据；
对所述目标状态数据进行特征提取，得到所述目标状态数据的数据特征。
可选地，所述基于座椅使用习惯的建模装置还包括：
第一确定模块607，用于根据所述座椅状态指数，确定所述座椅上是否有物体；
第二确定模块608，用于当所述座椅状态指数等于预设第一阈值时，确定所述座椅上有物体；
第二判断模块609，用于判断所述物体是否为目标用户；
第三确定模块610，用于当所述座椅状态指数小于预设第二阈值时，确定所述物体为重物；
第四确定模块611，用于当所述座椅状态指数大于预设第二阈值时，确定所述物体为目标用户；
可选地，所述基于座椅使用习惯的建模装置还包括：
接收模块612，用于接收目标用户使用座椅的实时数据；
输入模块613，用于将所述实时数据输入所述座椅使用习惯模型，得到所述目标用户的健康评估信息，其中，所述健康评估信息包括所述目标用户使用座椅的时长和频率。
本发明实施例中，通过获取接入同一网络的多个用户使用座椅的实时数据，并存储至预置数据库，得到座椅原始数据；对通过预置座椅状态变化检测算法对座椅原始数据进行计算，得到的座椅状态数据进行特征提取，得到座椅状态数据的数据特征；通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。本方案可应用于人工智能领域中，从而推动社会进步，通过老年人的座椅使用习惯来评估老人的行为能力以及健康状态，为养老服务等级划分提供依据，对智慧养老有重要的意义。需要强调的是，为进一步保证上述接入同一网络的多个用户使用座椅的历史数据的私密和安全性，上述多个用户使用座椅的历史数据还可以存储于一区块链的节点中。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
上面图6和图7从模块化功能实体的角度对本发明实施例中的基于座椅使用习惯的建模装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于座椅使用习惯的建模设备进行详细描述。
图8是本发明实施例提供的一种基于座椅使用习惯的建模设备的结构示意图，该基于座椅使用习惯的建模设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于座椅使用习惯的建模设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在基于座椅使用习惯的建模设备800上执行存储介质830中的一系列指令操作。
基于座椅使用习惯的建模设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图8示出的基于座椅使用习惯的建模设备结构并不构成对基于座椅使用习惯的建模设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于座椅使用习惯的建模方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于座椅使用习惯的建模方法，其特征在于，所述基于座椅使用习惯的建模方法包括：
获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
2.根据权利要求1所述的基于座椅使用习惯的建模方法，其特征在于，在所述通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据之前，还包括：
根据预设座椅状态指数函数，计算所述座椅原始数据的座椅状态指数；
根据所述座椅状态指数，判断所述座椅上是否为目标用户；
若是，则执行通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据的步骤。
3.根据权利要求2所述的基于座椅使用习惯的建模方法，其特征在于，在所述根据所述座椅状态指数，判断所述座椅上是否为目标用户之后，还包括：
根据所述座椅状态指数，确定所述座椅上是否有物体；
若所述座椅状态指数等于预设第一阈值，则确定所述座椅上有物体；
判断所述物体是否为目标用户；
若所述座椅状态指数小于预设第二阈值，则确定所述物体为重物；
若所述座椅状态指数大于预设第二阈值，则确定所述物体为目标用户。
4.根据权利要求1所述的基于座椅使用习惯的建模方法，其特征在于，所述对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征包括：
获取所述座椅状态数据的时间标签；
根据所述时间标签选取所述座椅状态数据中的目标状态数据；
对所述目标状态数据进行特征提取，得到所述目标状态数据的数据特征。
5.根据权利要求1所述的基于座椅使用习惯的建模方法，其特征在于，在所述通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型之后，还包括：
接收目标用户使用座椅的实时数据；
将所述实时数据输入所述座椅使用习惯模型，得到所述目标用户的健康评估信息，其中，所述健康评估信息包括所述目标用户使用座椅的时长和频率。
6.一种基于座椅使用习惯的建模装置，其特征在于，所述装置包括：
存储模块，用于获取接入同一网络的多个用户使用座椅的实时数据，并将所述实时数据存储至预置数据库，得到座椅原始数据；
第一计算模块，用于通过预置座椅状态变化检测算法对所述座椅原始数据进行计算，得到座椅状态数据；
特征提取模块，用于对所述座椅状态数据进行特征提取，得到所述座椅状态数据的数据特征；
学习模块，用于通过高斯分布建立模型，并通过所述模型对所述座椅状态数据的数据特征进行学习，确定对应的座椅使用习惯模型。
7.如权利要求6所述的基于座椅使用习惯的建模装置，其特征在于，所述装置还包括：
第二计算模块，用于根据预设座椅状态指数函数，计算所述座椅原始数据的座椅状态指数；
判断模块，用于根据所述座椅状态指数，判断所述座椅上是否为目标用户。
8.如权利要求6所述的基于座椅使用习惯的建模装置，其特征在于，所述特征提取模块具体用于：
获取所述座椅状态数据的时间标签；
根据所述时间标签选取所述座椅状态数据中的目标状态数据；
对所述目标状态数据进行特征提取，得到所述目标状态数据的数据特征。
9.一种基于座椅使用习惯的建模设备，其特征在于，所述基于座椅使用习惯的建模设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于座椅使用习惯的建模设备执行如权利要求1-5中任一项所述的基于座椅使用习惯的建模方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的基于座椅使用习惯的建模方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010610488.5A CN111766793A (zh) | 2020-06-29 | 2020-06-29 | 基于座椅使用习惯的建模方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010610488.5A CN111766793A (zh) | 2020-06-29 | 2020-06-29 | 基于座椅使用习惯的建模方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111766793A true CN111766793A (zh) | 2020-10-13 |
Family
ID=72724105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010610488.5A Pending CN111766793A (zh) | 2020-06-29 | 2020-06-29 | 基于座椅使用习惯的建模方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111766793A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130110565A (ko) * | 2012-03-29 | 2013-10-10 | 삼성전자주식회사 | 사용자 행동 실시간 인식장치 및 방법 |
| CN106227168A (zh) * | 2016-08-19 | 2016-12-14 | 滁州学院 | 一种基于物联网的智能厨房老人行为活动识别系统 |
| CN107232822A (zh) * | 2016-08-31 | 2017-10-10 | 浙江玛拉蒂智能家具科技有限公司 | 一种基于姿态识别的智能座椅、智能交互系统及方法 |
| CN108614442A (zh) * | 2018-06-07 | 2018-10-02 | 南京林业大学 | 一种智能居家养老服务系统 |
| CN108717678A (zh) * | 2018-05-25 | 2018-10-30 | 青岛联合创智科技有限公司 | 一种智慧养老系统 |
| CN110148464A (zh) * | 2019-05-21 | 2019-08-20 | 中国医学科学院北京协和医院 | 一种居家老年人智能健康管理系统 |
| CN110349373A (zh) * | 2019-07-15 | 2019-10-18 | 滁州学院 | 基于二元传感器的行为识别方法、装置及存储介质 |
| CN110928957A (zh) * | 2018-09-20 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 数据聚类方法及装置 |
| CN111079479A (zh) * | 2018-10-19 | 2020-04-28 | 北京市商汤科技开发有限公司 | 小孩状态分析方法和装置、车辆、电子设备、存储介质 |
-
2020
- 2020-06-29 CN CN202010610488.5A patent/CN111766793A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130110565A (ko) * | 2012-03-29 | 2013-10-10 | 삼성전자주식회사 | 사용자 행동 실시간 인식장치 및 방법 |
| CN106227168A (zh) * | 2016-08-19 | 2016-12-14 | 滁州学院 | 一种基于物联网的智能厨房老人行为活动识别系统 |
| CN107232822A (zh) * | 2016-08-31 | 2017-10-10 | 浙江玛拉蒂智能家具科技有限公司 | 一种基于姿态识别的智能座椅、智能交互系统及方法 |
| CN108717678A (zh) * | 2018-05-25 | 2018-10-30 | 青岛联合创智科技有限公司 | 一种智慧养老系统 |
| CN108614442A (zh) * | 2018-06-07 | 2018-10-02 | 南京林业大学 | 一种智能居家养老服务系统 |
| CN110928957A (zh) * | 2018-09-20 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 数据聚类方法及装置 |
| CN111079479A (zh) * | 2018-10-19 | 2020-04-28 | 北京市商汤科技开发有限公司 | 小孩状态分析方法和装置、车辆、电子设备、存储介质 |
| CN110148464A (zh) * | 2019-05-21 | 2019-08-20 | 中国医学科学院北京协和医院 | 一种居家老年人智能健康管理系统 |
| CN110349373A (zh) * | 2019-07-15 | 2019-10-18 | 滁州学院 | 基于二元传感器的行为识别方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈桂林等: "Latent feature learning for activity recognition using simple sensors in smart homes", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Epskamp et al. | The Gaussian graphical model in cross-sectional and time-series data | |
| Fazakis et al. | Machine learning tools for long-term type 2 diabetes risk prediction | |
| Shpitser | Counterfactual graphical models for longitudinal mediation analysis with unobserved confounding | |
| Chung et al. | Ambient context-based modeling for health risk assessment using deep neural network | |
| Tucker et al. | New Australian population scoring coefficients for the old version of the SF-36 and SF-12 health status questionnaires | |
| Hung et al. | Web usage mining for analysing elder self-care behavior patterns | |
| CN107862022A (zh) | 文化资源推荐系统 | |
| Crawford et al. | Sex, lies and self-reported counts: Bayesian mixture models for heaping in longitudinal count data via birth-death processes | |
| Jung et al. | PHR based life health index mobile service using decision support model | |
| Rghioui et al. | An IoT based diabetic patient monitoring system using machine learning and node MCU | |
| CN110215189A (zh) | 一种基于云平台的大数据智能健康监护系统 | |
| Virone et al. | Modeling and computer simulation of physiological rhythms and behaviors at home for data fusion programs in a telecare system | |
| Dharmik et al. | An IoT framework for healthcare monitoring system | |
| Buddhika et al. | Living on the edge: Data transmission, storage, and analytics in continuous sensing environments | |
| CN113168917A (zh) | 用于基于机器学习实现获取来改进低血糖预测的血糖数据集优化 | |
| CN110473631A (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
| Larcher et al. | Event-driven framework for detecting unusual patterns in AAL environments | |
| CN111766793A (zh) | 基于座椅使用习惯的建模方法、装置、设备及存储介质 | |
| Idris et al. | Big data service engine (bise): Integration of big data technologies for human centric wellness data | |
| Harper | Combining data mining tools with health care models for improved understanding of health processes and resource utilisation. | |
| Burney et al. | Advances in fuzzy rough set theory for temporal databases | |
| Hallgrímsson et al. | Learning individualized cardiovascular responses from large-scale wearable sensors data | |
| Bolleddula et al. | Sensor selection for activity classification at smart home environments | |
| Holt | A chaotic model for tight diabetes control | |
| Spanakis et al. | Utilizing longitudinal data to build decision trees for profile building and predicting eating behavior |
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 |
Application publication date: 20201013 |
|
| RJ01 | Rejection of invention patent application after publication |