CN111883254A - 基于人脸轨迹的精神病患者的危险程度分析方法和系统 - Google Patents

基于人脸轨迹的精神病患者的危险程度分析方法和系统 Download PDF

Info

Publication number
CN111883254A
CN111883254A CN202010700797.1A CN202010700797A CN111883254A CN 111883254 A CN111883254 A CN 111883254A CN 202010700797 A CN202010700797 A CN 202010700797A CN 111883254 A CN111883254 A CN 111883254A
Authority
CN
China
Prior art keywords
face
track
score
model score
patient
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
Application number
CN202010700797.1A
Other languages
English (en)
Inventor
范志建
李仁杰
吴俊�
陈积银
张翔
江文涛
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.)
Lop Xiamen System Integration Co ltd
Ropt Technology Group Co ltd
Original Assignee
Lop Xiamen System Integration Co ltd
Ropt Technology Group 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 Lop Xiamen System Integration Co ltd, Ropt Technology Group Co ltd filed Critical Lop Xiamen System Integration Co ltd
Priority to CN202010700797.1A priority Critical patent/CN111883254A/zh
Publication of CN111883254A publication Critical patent/CN111883254A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明给出了一种基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，包括：获取精神病患者的基本信息，建立基础模型分值；利用人脸识别引擎获取与精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录人脸轨迹集合中与精神病患者在同一抓拍设备上出现的人脸特征，获取精神病患者的同行人员信息；基于人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得精神病患者的人脸活动轨迹模型分值；综合基础模型分值和人脸活动轨迹模型分值获得精神病患者的危险程度分值。利用该方法可以对精神病患者进行危险程度分析，便于对其进行监管。

Description

基于人脸轨迹的精神病患者的危险程度分析方法和系统
技术领域
本发明涉及人脸识别的技术领域，尤其是基于人脸轨迹的精神病患者的危险程度分析方法和系统。
背景技术
随着城市建设的发展，前端摄像头几乎无处不在，人脸识别技术也不断完善，准确性大大的提升，人脸数据已经变成人员轨迹数据中的重要组成部分。为了加强对精神病患者的管控，结合人脸轨迹数据，做一些分析模型，解决对精神病患者管控难的问题。
目前大部分精神病患者都是在家疗养，而且有些并没有监护人照看，这就容易造成患者精神病复发。现阶段缺少对在家疗养的精神病患者的管控措施，对精神病患者的管控措施基本局限于定期安排一些工作人员上门访查，这样的措施严重耗费人力，而且效率过低，另外就是针对医院的一些数据记录进行分析，但也无法全面了解精神病患者的近况，对精神病患者的管控十分不利。
发明内容
为了解决现有技术中对精神病患者的管控难、难以全面了解精神病患者的近况的技术问题，本发明提出了基于人脸轨迹的精神病患者的危险程度分析方法和系统，结合人脸轨迹数据，做出一些分析模型，解决对精神病患者管控难的问题。
在一个方面，本发明提出了基于人脸轨迹的精神病患者的危险程度分析方法，包括以下步骤：
S1：获取精神病患者的基本信息，建立基础模型分值；
S2：利用人脸识别引擎获取与精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录人脸轨迹集合中与精神病患者在同一抓拍设备上出现的人脸特征，获取精神病患者的同行人员信息；
S3：基于人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得精神病患者的人脸活动轨迹模型分值；以及
S4：综合基础模型分值和人脸活动轨迹模型分值获得精神病患者的危险程度分值。
优选的，步骤S1中的基础模型分值的建立具体包括：
响应于精神病患者的性别为男性、年龄介于18-40岁之间、属于重点管控人员或病情期间有暴力倾向，基础模型分值增加。利用一些重点关注人群的条件限定来增加相应危险程度人员的分值，利于进行精神病患者的管控。
优选的，步骤S2中第一阈值设置为85％。凭借第一阈值的设置可以便于获取出精神病患者的人脸轨迹。
进一步优选的，步骤S2中同行人员信息的具体计算方式如下：
对抓拍设备进行分组，对第一时间段内在同一抓拍设备获取的人脸特征两两计算同行一次，下一时间段在相同抓拍设备获取相同的同行人员信息覆盖前一同行次数；
删除人脸轨迹集合中预设时间段中同行次数仅有一次的记录。
优选的，步骤S3中的人脸活动轨迹模型分值具体包括：
在预设时间段T1中，获取人脸轨迹集合中的精神病患者的活动天数，人脸活动轨迹模型分值增加；
响应于人脸轨迹集合中的精神病患者的活动轨迹无同行人员，人脸活动轨迹模型分值增加；
响应于人脸轨迹集合中的精神病患者在人员密集地点出现的天数大于第一天数阈值，人脸活动轨迹模型分值增加；
响应于人脸轨迹集合中的精神病患者在夜晚时段连续出现的天数大于第二天数阈值，人脸活动轨迹模型分值增加。
进一步优选的，第一天数阈值设置为5天，第二天数阈值设置为3天。凭借天数阈值的设置可以判断精神病患者的出行状况。
进一步优选的，同行人员对人脸活动轨迹模型分值增加的计算方式为:N-N1-N2+2*N2，其中，N表示人脸轨迹集合中的轨迹总数，N1表示有同行人员的轨迹数量，N2表示夜晚时段不存在同行人员的轨迹数量。通过同行人员的分值设置可以判断该精神病患者是否独行，以此判断危险程度。
进一步优选的，夜晚时段包括22时至次日凌晨5时。该时段内的活动危险程度更大，以此作为评判条件可以提高分析的准确性。
进一步优选的，步骤S3还包括响应于精神病患者在预设时间段T2内无人脸轨迹记录，人脸活动轨迹模型分值为定值，其中，预设时间段T1为近一个月，预设时间段T2为近三个月。通过不同时间段的设置，可以分析出精神病患者的活动状态，长时间不存在活动记录也设置有相应的分值，避免分析结果的遗漏。
优选的，响应于同行人中亲属的比例大于第一预设比例，人脸活动轨迹模型分值减少。通过随行亲属比例可以减轻该精神病患者的危险程度，设置减分项可以保证分析结果更加客观准确。
优选的，还包括：
响应于精神病患者在时间段内存在救诊或取药的记录、佩戴专用手环，危险程度分值减少。利用精神病患者的取药记录和佩戴相应的手环可以表明该精神病患者处于可控的状态，危险程度降低。
根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有一或多个计算机程序，该一或多个计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面，提出了一种基于人脸轨迹的精神病患者的危险程度分析系统，该系统包括：
基础分值构建单元：配置用于获取精神病患者的基本信息，建立基础模型分值；
同行人员信息获取单元：配置用于利用人脸识别引擎获取与精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录人脸轨迹集合中与精神病患者在同一抓拍设备上出现的人脸特征，获取精神病患者的同行人员信息；
人脸活动轨迹分值计算单元：配置用于基于人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得精神病患者的人脸活动轨迹模型分值；以及；
危险程度分值计算单元：配置用于综合基础模型分值和人脸活动轨迹模型分值获得精神病患者的危险程度分值。
本发明提出了基于人脸轨迹的精神病患者的危险程度分析方法和系统，通过人脸识别技术获取精神病患者的活动轨迹，通过对该精神病患者的基本信息计算出其基础分值模型，通过对该精神病患者的人脸活动轨迹中的出现天数、地点、时间、同行人员数量或状态计算其人脸轨迹模型分值，并通过其他来源的数据例如是否取药记录和是否佩戴专用手环的记录计算其他模型分值对综合危险程度的分值进行补充，以此获得该精神病患者的危险程度得分。基于该危险程度得分可以便于对精神病患者进行管控，解决了对精神病患者管控难的问题。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请的一个实施例的一种基于人脸轨迹的精神病患者的危险程度分析方法的流程图；
图3是本申请的一个实施例的一种基于人脸轨迹的精神病患者的危险程度分析系统的框架图；
图4是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的一种基于人脸轨迹的精神病患者的危险程度分析方法的示例性系统架构100。
如图1所示，系统架构100可以包括数据服务器101，网络102和主服务器103。网络102用以在数据服务器101和主服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
主服务器103可以是提供各种服务的服务器，例如对数据服务器101上传的信息进行处理的数据处理服务器。数据处理服务器可以进行基于人脸轨迹的精神病患者的危险程度分析。
需要说明的是，本申请实施例所提供的基于人脸轨迹的精神病患者的危险程度分析方法一般由主服务器103执行，相应地，基于人脸轨迹的精神病患者的危险程度分析方法的装置一般设置于主服务器103中。
需要说明的是，数据服务器和主服务器可以是硬件，也可以是软件。当为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。
应该理解，图1中的数据服务器、网络和主服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
根据本申请的一个实施例的基于人脸轨迹的精神病患者的危险程度分析方法，图2示出了根据本申请的实施例的基于人脸轨迹的精神病患者的危险程度分析方法的流程图。如图2所示，该方法包括以下步骤：
S201：获取精神病患者的基本信息，建立基础模型分值。基础模型分值具体包括该精神病患者的性别、年龄、民族等属性。
在具体的实施例中，获取该人员的基本信息，并计算基础模型分值S1。如性别、年龄、籍贯、民族等。例如，如果该精神病患者的性别为男性，则加n1分(例如5分)；若为男性，且年龄在a1(18岁)-a2(40岁)之间，则加n2分(例如5分)；若民族为维吾尔族，则加n3分(例如10分)；若该人员为一级重点管控人员或者发病期间有暴力倾向的患者，则加n4分(例如30分)。综上，该精神病患者的基础模型分值为S1＝n1+n2+n3+n4。应当认识到，上述各个分值可以设定为除上述分值外的其他值，具体可以根据实际情况进行制定，以满足不同的评价标准。
S202：利用人脸识别引擎获取与精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录人脸轨迹集合中与精神病患者在同一抓拍设备上出现的人脸特征，获取精神病患者的同行人员信息。利用人脸识别引擎进行精神病患者及其随行人员的人脸轨迹的搜集便于进行后续危险程度的评价。
在具体的实施例中，判断同行人员信息的具体计算方式为：对抓拍设备进行分组，对第一时间段内在同一抓拍设备获取的人脸特征两两计算同行一次，下一时间段在相同抓拍设备获取相同的同行人员信息覆盖前一同行次数；删除人脸轨迹集合中预设时间段中同行次数仅有一次的记录。例如，获取T1到T2时间段T内，相似度大于S的人脸抓拍数据，按设备进行分组，每组内人员两两计算同行一次，下次则从T2到T3时间段计算，且过滤掉上次计算已经记录过的两个人同设备下的同行数据，长久累计。还包括删除机制：删除与该精神病患者的同行人中，数月过后同行次数还是只有1次的同行记录，这样可以解决大部分只是跟该精神病患者路过的人员。
在具体的实施例中，第一阈值设置为85％。第一阈值用于准确识别出该精神病患者以及其同行人员，该阈值的设定可以根据不同的应用场景进行调高或调低，以满足不同应用场景下的使用。
S203：基于人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得精神病患者的人脸活动轨迹模型分值。通过对精神病患者的人脸活动轨迹模型分值计算可以将危险程度量化，直观地获得精神病患者的危险情况。
在具体的实施例中，人脸活动轨迹模型分值的设置规则可以为：在预设时间段T1中，获取人脸轨迹集合中的精神病患者的活动天数，人脸活动轨迹模型分值增加；响应于人脸轨迹集合中的精神病患者的活动轨迹无同行人员，人脸活动轨迹模型分值增加；响应于人脸轨迹集合中的精神病患者在人员密集地点出现的天数大于第一天数阈值，人脸活动轨迹模型分值增加；响应于人脸轨迹集合中的精神病患者在夜晚时段连续出现的天数大于第二天数阈值，人脸活动轨迹模型分值增加。
具体的，例如在预设时间段为最近一个月的记录中，计算人脸活动轨迹集合A中该人员的活动天数，若有b天出现，则加n5分,n5＝b；集合A中的轨迹数量总共有N次，但N1次是有人脸轨迹同行人一起出现，则加(N-N1)分，在(N-N1)中有N2次是夜晚(当日22时至次日凌晨5时)出现，则要计为2*N2分，总分值n6等于(N-N1-N2)+2*N2,最低为0分，最高为h1分(50分)；统计集合A中的出现地点，如果一个月内出现在火车站、汽车站等人员密集的地点出现天数大于5天，则加n7分；统计集合A中的该人员连续夜晚出现的天数分值n8，大于等于3个晚上的即可列入统计范围，如果是截止昨天连续晚上出现，直接加h2分(100分)，代表需要重点关注，其它的则每个晚上加5分；综上，人脸活动轨迹模型分值S2＝n5+n6+n7+n8。同样应当认识到，上述各个分值可以设定为除上述分值外的其他值，具体可以根据实际情况进行制定，以满足不同的评价标准。
若精神病患者在预设时间段T2内无人脸轨迹记录，则人脸活动轨迹模型分值为定值，其中，预设时间段T2可以为近三个月。例如，如果该人员时间段T1(例如近一个月)内无人脸轨迹记录，则获取该人员时间段T2(例如最近3个月)，且相似度在s(例如85％)以上的人脸抓拍轨迹集合B，若集合B为空，则代表该人员长时间未出现，加n9分(20分)；此时人脸活动轨迹模型分值S3＝n9。
在具体的实施例中，还设置有亲属模型分值，具体的，如果有家谱关系数据，分析该人员的同行人中亲属的比例p1，若亲属比例p1大于P1(30％)，则减n10分，n10＝h3(20分)*p1；分析该人员时间段T1(如近一个月)内且相似度大于s(例如85％)的人脸抓拍轨迹集合A与T1时间段(如近一个月)内同行人是亲属的同行次数的比例p2，若p2大于P2(30％)，则减n11分，n11＝h4(20分)*p2；综上，亲属模型分值S4＝-n10-n11。亲属模型分值可以用于判断该精神病患者是否有亲属随行，随行状态下危险程度降低，分值对应降低，可以提高危险程度分析的准确性。
在具体的实施例中，还包括有其他数据来源，例如如果一定时间段(例如3个月)内有医院或者社保的取药数据记录，则减n12分(20分)；如果患者有佩戴专用手环，则减n13分(10分)；综上，其他数据来源分值S5＝-n12-n13。
S204：综合基础模型分值和人脸活动轨迹模型分值获得精神病患者的危险程度分值。利用上述计算获得的危险程度分值，包含了对于精神病患者基础情况的评价以及其人脸活动轨迹的评价，并通过例如亲属模型、其他数据来源的补充使得该危险程度的分值更加合理准确，能够利用上述危险程度的分值对精神病患者进行合理的管控，根据不同等级的分值进行有针对性地监管和预防。
继续参考图3，图3示出了根据本发明的实施例的一种基于人脸轨迹的精神病患者的危险程度分析系统的框架图。该系统具体包括基础分值构建单元301、同行人员信息获取单元302、人脸活动轨迹分值计算单元303和危险程度分值计算单元304。
在具体的实施例中，基础分值构建单元301：配置用于获取精神病患者的基本信息，建立基础模型分值；同行人员信息获取单元302：配置用于利用人脸识别引擎获取与精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录人脸轨迹集合中与精神病患者在同一抓拍设备上出现的人脸特征，获取精神病患者的同行人员信息；人脸活动轨迹分值计算单元303：配置用于基于人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得精神病患者的人脸活动轨迹模型分值；以及；危险程度分值计算单元304：配置用于综合基础模型分值和人脸活动轨迹模型分值获得精神病患者的危险程度分值。
下面参考图4，其示出了适于用来实现本申请实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取精神病患者的基本信息，建立基础模型分值；利用人脸识别引擎获取与精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录人脸轨迹集合中与精神病患者在同一抓拍设备上出现的人脸特征，获取精神病患者的同行人员信息；基于人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得精神病患者的人脸活动轨迹模型分值；综合基础模型分值和人脸活动轨迹模型分值获得精神病患者的危险程度分值。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (13)

1.一种基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，包括：
S1：获取所述精神病患者的基本信息，建立基础模型分值；
S2：利用人脸识别引擎获取与所述精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录所述人脸轨迹集合中与所述精神病患者在同一抓拍设备上出现的人脸特征，获取所述精神病患者的同行人员信息；
S3：基于所述人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得所述精神病患者的人脸活动轨迹模型分值；以及
S4：综合所述基础模型分值和所述人脸活动轨迹模型分值获得所述精神病患者的危险程度分值。
2.根据权利要求1所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述步骤S1中的基础模型分值的建立具体包括：
响应于所述精神病患者的性别为男性、年龄介于18-40岁之间、属于重点管控人员或病情期间有暴力倾向，所述基础模型分值增加。
3.根据权利要求1所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述步骤S2中第一阈值设置为85％。
4.根据权利要求1或3所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述步骤S2中同行人员信息的具体计算方式如下：
对抓拍设备进行分组，对第一时间段内在所述同一抓拍设备获取的人脸特征两两计算同行一次，下一时间段在相同抓拍设备获取相同的同行人员信息覆盖前一同行次数；
删除所述人脸轨迹集合中预设时间段中同行次数仅有一次的记录。
5.根据权利要求1所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述步骤S3中的所述人脸活动轨迹模型分值具体包括：
在预设时间段T1中，获取所述人脸轨迹集合中的所述精神病患者的活动天数，所述人脸活动轨迹模型分值增加；
响应于所述人脸轨迹集合中的所述精神病患者的活动轨迹无同行人员，所述人脸活动轨迹模型分值增加；
响应于所述人脸轨迹集合中的所述精神病患者在人员密集地点出现的天数大于第一天数阈值，所述人脸活动轨迹模型分值增加；
响应于所述人脸轨迹集合中的所述精神病患者在夜晚时段连续出现的天数大于第二天数阈值，所述人脸活动轨迹模型分值增加。
6.根据权利要求5所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述第一天数阈值设置为5天，所述第二天数阈值设置为3天。
7.根据权利要求5所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述同行人员对所述人脸活动轨迹模型分值增加的计算方式为:N-N1-N2+2*N2，其中，N表示所述人脸轨迹集合中的轨迹总数，N1表示有同行人员的轨迹数量，N2表示夜晚时段不存在同行人员的轨迹数量。
8.根据权利要求7所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述夜晚时段包括22时至次日凌晨5时。
9.根据权利要求5所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，所述步骤S3还包括响应于所述精神病患者在预设时间段T2内无人脸轨迹记录，所述人脸活动轨迹模型分值为定值，其中，所述预设时间段T1为近一个月，所述预设时间段T2为近三个月。
10.根据权利要求1所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，响应于所述同行人中亲属的比例大于第一预设比例，所述人脸活动轨迹模型分值减少。
11.根据权利要求1所述的基于人脸轨迹的精神病患者的危险程度分析方法，其特征在于，还包括：
响应于所述精神病患者在时间段内存在救诊或取药的记录、佩戴专用手环，危险程度分值减少。
12.一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施权利要求1至11中任一项所述的方法。
13.一种基于人脸轨迹的精神病患者的危险程度分析系统，其特征在于，所述系统包括：
基础分值构建单元：配置用于获取所述精神病患者的基本信息，建立基础模型分值；
同行人员信息获取单元：配置用于利用人脸识别引擎获取与所述精神病患者的人脸特征相似度大于第一阈值的人脸轨迹集合，并记录所述人脸轨迹集合中与所述精神病患者在同一抓拍设备上出现的人脸特征，获取所述精神病患者的同行人员信息；
人脸活动轨迹分值计算单元：配置用于基于所述人脸轨迹集合中的活动天数、同行人员信息、出现地点以及出现时间计算获得所述精神病患者的人脸活动轨迹模型分值；
以及；
危险程度分值计算单元：配置用于综合所述基础模型分值和所述人脸活动轨迹模型分值获得所述精神病患者的危险程度分值。
CN202010700797.1A 2020-07-20 2020-07-20 基于人脸轨迹的精神病患者的危险程度分析方法和系统 Pending CN111883254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010700797.1A CN111883254A (zh) 2020-07-20 2020-07-20 基于人脸轨迹的精神病患者的危险程度分析方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010700797.1A CN111883254A (zh) 2020-07-20 2020-07-20 基于人脸轨迹的精神病患者的危险程度分析方法和系统

Publications (1)

Publication Number Publication Date
CN111883254A true CN111883254A (zh) 2020-11-03

Family

ID=73154898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010700797.1A Pending CN111883254A (zh) 2020-07-20 2020-07-20 基于人脸轨迹的精神病患者的危险程度分析方法和系统

Country Status (1)

Country Link
CN (1) CN111883254A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800322A (zh) * 2018-12-28 2019-05-24 上海依图网络科技有限公司 一种监控方法及装置
CN109801200A (zh) * 2018-12-03 2019-05-24 国政通科技有限公司 一种分级检测的方法和系统
CN110084103A (zh) * 2019-03-15 2019-08-02 深圳英飞拓科技股份有限公司 一种基于人脸识别技术的同行人分析方法及系统
CN111125382A (zh) * 2018-10-30 2020-05-08 深圳市优必选科技有限公司 人员轨迹实时监测方法及终端设备
CN111160696A (zh) * 2019-11-21 2020-05-15 国政通科技有限公司 一种基于大数据的被检人员分级方法
CN111291216A (zh) * 2020-02-28 2020-06-16 罗普特科技集团股份有限公司 一种基于人脸结构化数据的落脚点分析方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125382A (zh) * 2018-10-30 2020-05-08 深圳市优必选科技有限公司 人员轨迹实时监测方法及终端设备
CN109801200A (zh) * 2018-12-03 2019-05-24 国政通科技有限公司 一种分级检测的方法和系统
CN109800322A (zh) * 2018-12-28 2019-05-24 上海依图网络科技有限公司 一种监控方法及装置
CN110084103A (zh) * 2019-03-15 2019-08-02 深圳英飞拓科技股份有限公司 一种基于人脸识别技术的同行人分析方法及系统
CN111160696A (zh) * 2019-11-21 2020-05-15 国政通科技有限公司 一种基于大数据的被检人员分级方法
CN111291216A (zh) * 2020-02-28 2020-06-16 罗普特科技集团股份有限公司 一种基于人脸结构化数据的落脚点分析方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭李红等: "《实用精神病专科医疗机构服务与管理指南》", 31 January 2015, 科学技术文献出版社 *

Similar Documents

Publication Publication Date Title
Kumar et al. Clouds proportionate medical data stream analytics for internet of things-based healthcare systems
US20190371463A1 (en) Personalized device recommendations for proactive health monitoring and management
US20210358637A1 (en) System and method for detecting adverse medication interactions via a wearable device
US11424028B2 (en) Method and apparatus for pervasive patient monitoring
US20170024523A1 (en) Requirement Forecast for Health Care Services
CA2823571C (en) Clinical quality analytics system
US20170323081A1 (en) Graphical user interfaces recommending care
US11152098B2 (en) System and method for health data management with wearable devices
US20190148024A1 (en) Patient therapy management system that leverages aggregated patient population data
CN112908452A (zh) 事件数据建模
Angelides et al. Wearable data analysis, visualisation and recommendations on the go using android middleware
CN109119155B (zh) 基于深度学习的icu死亡危险性评估系统
US20210296009A1 (en) Machine Logic For Recommending Specialized First Aid Services
CN109994211B (zh) 一种基于ehr数据的慢性肾脏病恶化风险的建模方法
CN111883254A (zh) 基于人脸轨迹的精神病患者的危险程度分析方法和系统
CN116580851A (zh) 一种基于自动化精准行程记录的流行病学调查方法和系统
Li et al. Design and partial implementation of health care system for disease detection and behavior analysis by using DM techniques
WO2023148145A1 (en) System for forecasting a mental state of a subject and method
TWI756992B (zh) 計算活動期間及效率的方法
Ma et al. Health status prediction with local-global heterogeneous behavior graph
US20220139556A1 (en) System and method for determining patient health indicators through machine learning model
Koren et al. Semantic Constraints Specification and Schematron-Based Validation for Internet of Medical Things’ Data
US20190074076A1 (en) Health habit management
Pruinelli et al. A likelihood-based convolution approach to estimate event occurrences in large longitudinal incomplete clinical data
Tago et al. Specifying latent factors with a domain model for personal data analysis

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: 20201103