CN112274140A - 异常监控方法、装置和系统 - Google Patents
异常监控方法、装置和系统 Download PDFInfo
- Publication number
- CN112274140A CN112274140A CN201910676016.7A CN201910676016A CN112274140A CN 112274140 A CN112274140 A CN 112274140A CN 201910676016 A CN201910676016 A CN 201910676016A CN 112274140 A CN112274140 A CN 112274140A
- Authority
- CN
- China
- Prior art keywords
- ultra
- target
- wideband
- state information
- wideband signal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 59
- 238000013145 classification model Methods 0.000 claims description 42
- 230000005856 abnormality Effects 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 14
- 230000009471 action Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000000474 nursing effect Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 208000020016 psychiatric disease Diseases 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本公开的实施例公开了异常监控方法、装置和系统。该异常监控方法的一具体实施方式包括：接收目标超宽带收发器获取到的目标超宽带信号，其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，目标超宽带收发器设置于目标空间内；基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息；响应于确定物体的状态信息指示目标状态，生成异常信息。该实施方式可以基于超宽带信号，实现对目标空间及其中的物体的异常监控，从而有助于提高异常发现的及时性，有助于确保非目标空间内的监控人员的安全。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及异常监控方法、装置和系统。
背景技术
目前，人们对安全的要求日益提高。为了防止异常情况的发生，往往需要采取一定的措施进行监控，并尽可能在异常发生前进行报警，以提示相关人员及时处理，从而避免异常情况的发生。
例如，在目前许多医疗和养老环境中，具有精神疾病和丧失控制能力的人群，是行业内比较困扰的一类看护人群。由于这类人群没有完全丧失自理能力，但是在家中无法实现良好的照顾，因此，医院和养老院中的护理区会对这类患者特别关注，以防止病患出现砸窗、摔物、击打破坏设施的情况发生。现有技术中，通常采用室外摄像头、行动传感器、人为看护、佩戴穿戴式设备等方式进行监控。
发明内容
本公开提出了异常监控方法、装置和系统。
第一方面，本公开的实施例提供了一种异常监控方法，该方法包括：接收目标超宽带收发器获取到的目标超宽带信号，其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，目标超宽带收发器设置于目标空间内；基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息；响应于确定物体的状态信息指示目标状态，生成异常信息。
在一些实施例中，基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息，包括：提取目标超宽带信号的特征数据；将特征数据输入预先训练的分类模型，获得物体的状态信息，其中，分类模型用于根据物体反射的目标超宽带信号的特征数据，从预先确定的状态信息集合中确定物体的状态信息。
在一些实施例中，分类模型采用如下步骤训练得到：获取训练样本集，其中，训练样本集中的训练样本包括：物体反射的目标超宽带信号的特征数据和物体的状态信息；采用机器学习算法，将训练样本集中的训练样本包括的特征数据作为输入数据，将与输入的特征数据对应的状态信息作为期望输出数据，训练得到分类模型。
在一些实施例中，特征数据包括以下至少一项：信号的频率、信号的强度、信号的振幅、目标超宽带收发器与物体之间的距离。
在一些实施例中，物体包括人，状态信息用于指示人的行为。
在一些实施例中，基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息，包括：基于目标超宽带信号，从预先确定的状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
在一些实施例中，该方法还包括：呈现以下至少一项信息：目标位置信息、异常信息、异常信息对应的状态信息指示的状态的危险程度，其中，目标位置信息用于指示异常信息对应的物体在目标空间中所处的位置。
第二方面，本公开的实施例提供了一种异常监控装置，该装置包括：接收单元，被配置成接收目标超宽带收发器获取到的目标超宽带信号，其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，目标超宽带收发器设置于目标空间内；确定单元，被配置成基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息；生成单元，被配置成响应于确定物体的状态信息指示目标状态，生成异常信息。
在一些实施例中，确定单元包括：提取模块，被配置成提取目标超宽带信号的特征数据；输入模块，被配置成将特征数据输入预先训练的分类模型，获得物体的状态信息，其中，分类模型用于根据物体反射的目标超宽带信号的特征数据，从预先确定的状态信息集合中确定物体的状态信息。
在一些实施例中，分类模型采用如下步骤训练得到：获取训练样本集，其中，训练样本集中的训练样本包括：物体反射的目标超宽带信号的特征数据和物体的状态信息；采用机器学习算法，将训练样本集中的训练样本包括的特征数据作为输入数据，将与输入的特征数据对应的状态信息作为期望输出数据，训练得到分类模型。
在一些实施例中，特征数据包括以下至少一项：信号的频率、信号的强度、信号的振幅、目标超宽带收发器与物体之间的距离。
在一些实施例中，物体包括人，状态信息用于指示人的行为。
在一些实施例中，确定单元包括：确定模块，被配置成基于目标超宽带信号，从预先确定的状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
在一些实施例中，该装置还包括：呈现单元，被配置成呈现以下至少一项信息：目标位置信息、异常信息、异常信息对应的状态信息指示的状态的危险程度，其中，目标位置信息用于指示异常信息对应的物体在目标空间中所处的位置。
第三方面，本公开的实施例提供了一种异常监控系统，该异常监控系统包括超宽带收发器、服务器和终端设备，服务器分别与超宽带收发器和终端设备通信连接，超宽带收发器设置于目标空间内，其中：超宽带收发器，向目标空间发送超宽带信号；获取超宽带信号经位于目标空间内的物体反射的目标超宽带信号；服务器，执行如上述异常监控方法中任一实施例的方法；终端设备，响应于接收到服务器发送的异常信息，输出报警提示信息。
在一些实施例中，异常监控系统还包括电源模块，其中：电源模块与超宽带收发器电连接；电源模块用于为超宽带收发器供电。
在一些实施例中，超宽带收发器包括基站和与基站电连接的天线，天线用于控制超宽带收发器发送的超宽带信号的辐射距离。
在一些实施例中，超宽带收发器发送的超宽带信号的辐射距离范围包括50米。
在一些实施例中，异常监控系统还包括网络模块，其中：网络模块与超宽带收发器电连接；网络模块用于提供超宽带收发器与服务器之间的通信连接。
在一些实施例中，异常监控系统包括的超宽带收发器的数量大于等于4。
第四方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述异常监控方法中任一实施例的方法。
第五方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述异常监控方法中任一实施例的方法。
本公开的实施例提供的异常监控方法、装置和系统，通过接收目标超宽带收发器获取到的目标超宽带信号，其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，目标超宽带收发器设置于目标空间内，然后，基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息，最后，响应于确定物体的状态信息指示目标状态，生成异常信息，由此可以基于超宽带信号，实现对目标空间及其中的物体的异常监控，从而有助于提高异常发现的及时性，有助于确保非目标空间内的监控人员的安全。
附图说明
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，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的异常监控方法的一个实施例的流程图；
图3是根据本公开的异常监控方法的一个应用场景的示意图；
图4是根据本公开的异常监控方法的又一个实施例的流程图；
图5是根据本公开的异常监控装置的一个实施例的结构示意图；
图6是根据本公开的异常监控系统的一个实施例的交互过程示意图；
图7是适于用来实现本公开的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公开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，本公开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公开。
图1示出了可以应用本公开的实施例的异常监控方法、异常监控装置或异常监控系统的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括服务器101，终端设备103，超宽带收发器105和网络102、104。网络102用以在服务器101和终端设备103之间提供通信链路的介质。网络104用以在服务器101和超宽带收发器104之间提供通信链路的介质。网络102、104可以分别包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户(例如负责对目标空间及其中的物体进行监控的人员)可以使用终端设备103通过网络102与服务器101交互，以接收数据(例如异常信息)等。终端设备103上可以安装有各种客户端应用，例如异常监控软件、视频播放软件、新闻资讯类应用、图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备103可以是硬件，也可以是软件。当终端设备103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备103为软件时，可以安装在上述所列举的电子设备中。其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。在此不做具体限定。
超宽带收发器105可以是具有超宽带信号发射和接收功能的装置。实践中，超宽带收发器105可以向其所在的空间内发射超宽带信号，以及接收经位于上述空间内的物体进行反射后的超宽带信号。在超宽带收发器105接收到超宽带信号之后，其可以通过网络104向服务器101发送其所接收到的超宽带信号。
服务器101可以是提供各种服务的服务器，例如对超宽带收发器105发送的超宽带信号进行处理(例如特征数据提取)的后台服务器。后台服务器可以基于超宽带信号，确定上述空间内的物体是否发生异常。可选的，服务器101还可以在物体发生异常的情况下向终端设备102发送控制信息，以指示终端设备103输出报警提示信息。作为示例，服务器101可以是云端服务器，也可以是物理服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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。当服务器为软件时，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。在此不做具体限定。
还需要说明的是，本公开的实施例所提供的异常监控方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，异常监控装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
应该理解，图1中的终端设备、网络和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、超宽带收发器、网络和服务器。当异常监控方法运行于其上的电子设备在执行该方法的过程中，需要与4个超宽带收发器进行数据传输时，该系统架构可以仅包括异常监控方法运行于其上的电子设备(例如服务器)和4个超宽带收发器。
继续参考图2，示出了根据本公开的异常监控方法的一个实施例的流程200。该异常监控方法，包括以下步骤：
步骤201，接收目标超宽带收发器获取到的目标超宽带信号。
在本实施例中，异常监控方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收目标超宽带收发器获取到的目标超宽带信号。
其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号。目标超宽带收发器可以是设置于目标空间内的一个或多个超宽带收发器。该目标超宽带收发器可以向上述目标空间发送超宽带信号，以及接收上述目标空间内的物体反射的超宽带信号(即上述目标超宽带信号)。该目标超宽带收发器可以与上述执行主体通信连接。
上述目标空间可以是待对其中的物体或者其自身进行监控的空间。该目标空间内可以包括各种物体，例如，桌子、椅子、用于展览的作品等。
作为示例，上述目标空间可以是医院神经科的病房。该病房内可以住有患有精神疾病或丧失控制能力的人群。在此情况下，上述目标空间内的物体可以是如上所描述的患有精神疾病或丧失控制能力的人群，可选的，上述目标空间内的物体也可以包括病房内所包括的床、门、窗、桌子、椅子、地板等等。
作为又一示例，上述目标空间还可以是展览馆、游泳池、监狱等需要对其进行监控的场所。
步骤202，基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息。
在本实施例中，基于上述步骤201接收到的目标超宽带信号，上述执行主体可以从预先确定的状态信息集合中，确定上述目标空间内的物体的状态信息。其中，上述状态信息可以用于指示物体的状态。作为示例，当上述物体是人时，用于指示该物体的状态可以包括以下任一项：走动、拿起物品、踢踹、磕碰、摔倒、击打物品(例如桌子、玻璃等等)。当上述物体是桌子时，用于指示该物体的状态可以包括以下任一项：正常放置、被击打等等。
在这里，上述预先确定的状态信息集合可以是针对一个或多个物体而预先确定的。作为示例，上述预先确定的状态信息集合可以是针对丧失控制能力这类人群确定的、用于指示如下状态的信息的集合：走动、拿起物品、踢踹、磕碰、摔倒。可选的，上述预先确定的状态信息集合也可以是针对房间内的门、窗、桌子、椅子等多个物体确定的、用于指示如下状态的信息的集合：正常、异常。其中，“异常”可以用于指示门、窗、桌子、椅子等物体被击打等状态。
步骤203，响应于确定物体的状态信息指示目标状态，生成异常信息。
在本实施例中，在确定物体的状态信息指示目标状态的情况下，上述执行主体还可以生成异常信息。其中，目标状态可以是上述预先确定的状态信息集合中的一个或多个状态信息所指示的状态。作为示例，目标状态可以为预先确定的异常状态(例如击打、摔倒等)。上述异常信息可以是用于指示物体的状态信息指示目标状态的信息。
可以理解，上述执行主体生成异常信息可以指示目标空间内的物体的状态信息指示目标状态。由此，本公开的上述实施例提供的方法可以基于超宽带信号，实现对目标空间及其中的物体的异常监控，从而有助于提高异常发现的及时性，进而有助于确保非目标空间内的监控人员的安全。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式，来执行上述步骤202：
步骤一，提取目标超宽带信号的特征数据。其中，上述特征数据可以是用于表征所提取的目标超宽带信号的特征的数据。
在本实施例的一些可选的实现方式中，特征数据包括以下至少一项：信号的频率、信号的强度、信号的振幅、目标超宽带收发器与物体之间的距离。
步骤二，将特征数据输入预先训练的分类模型，获得物体的状态信息。其中，分类模型用于根据物体反射的目标超宽带信号的特征数据，从上述预先确定的状态信息集合中确定物体的状态信息。
作为示例，上述分类模型可以是存储有物体反射的目标超宽带信号的特征数据和物体的状态信息的二维表或数据库。
在本实施例的一些可选的实现方式中，上述分类模型采用如下步骤训练得到：
首先，获取训练样本集。其中，训练样本集中的训练样本包括：物体反射的目标超宽带信号的特征数据和物体的状态信息。
然后，采用机器学习算法，将训练样本集中的训练样本包括的特征数据作为输入数据，将与输入的特征数据对应的状态信息作为期望输出数据，训练得到分类模型。
具体地，上述执行主体或者与上述执行主体通信连接的电子设备可以将训练样本集中的训练样本包括的特征数据作为初始模型的输入数据，将与输入的特征数据对应的状态信息作为初始模型的期望输出数据，对初始模型进行训练。从而将满足预先确定的训练结束条件的初始模型确定为训练得到的分类模型。
在这里，当初始模型不满足上述训练结束条件时，可以采用反向传播法、梯度下降法等算法对初始模型的参数进行调整，以使经过参数调整后的初始模型满足上述训练结束条件。
其中，上述可以包括输入层、卷积层、池化层、全连接层、输出层等模型结构。作为示例，初始模型可以是卷积神经网络。上述训练结束条件可以包括但不限于以下至少一项：训练次数超过预设次数，训练时长超过预设时长，基于预先确定的损失函数计算得到的损失函数值小于预设阈值。
可以理解，本可选的实现方式可以基于机器学习算法训练得到的分类模型，从预先确定的状态信息集合中确定上述目标空间内的物体的状态信息。由此，可以提高状态信息确定的准确度。进而，通过后续步骤203，可以使得异常误报(例如在物体的状态信息并非指示目标状态的情况下，生成异常信息)的概率降低。
在本实施例的一些可选的实现方式中，上述目标空间内的物体包括人，状态信息用于指示人的行为。
可以理解，当上述目标空间内的物体包括人，状态信息用于指示人的行为时，本可选的实现方式可以实现对目标空间内的人的行为的监控。从而可以应用于对具有精神疾病和丧失控制能力的人群进行看护的场景中。相对于现有的看护方式，本可选的实现方式无需被看护者佩戴设备即可实现看护。由此，避免了设备被佩戴而产生的设备破坏等情况的发生，降低了看护成本。此外，本可选的实现方式相对于现有的采用传感器进行监护的方式，可以降低成本和设备损坏的概率。相对于现有的采用摄像头进行监护的方式，本可选的实现方式可以保护被看护者的隐私，看护区域覆盖范围更广。并且，在生成异常信息之后，可以通过报警等方式提示相关人员抵达目标空间进行现场查看，有助于避免危险行为的发生。
在本实施例的一些可选的实现方式中，在上述目标空间内的物体包括人，并且，状态信息用于指示人的行为的情况下，上述执行主体也可以采用如下方式来执行步骤202：
基于目标超宽带信号，从预先确定的状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
可以理解，由于超宽带信号(包括目标超宽带信号)通常用于物体定位，因而，上述执行主体可以对不同高度的物体所反射的目标超宽带信号进行区分，由此可以基于目标超宽带信号，从状态信息集合中确定用于指示人的上半身的行为的状态信息，或者，从状态信息集合中确定用于指示人的下半身的行为的状态信息。作为示例，上述执行主体可以首先从目标超宽带信号中，提取上半身或下半身的行为对应的超宽带信号，进而基于所提取出的超宽带信号，从状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。可选的，上述执行主体还可以首先确定目标超宽带信号属于上半身还是下半身的行为反射的超宽带信号，进而，从状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
在本实施例的一些可选的实现方式中，上述执行主体可以采用滤波等方式，对目标超宽带信号中的微弱信号进行滤除，以提高异常监控的准确度。
需要说明的是，人的行为有很多种，在监控区域(即上述目标空间)内，所有行为都会反射超宽带信号。因此，区分用于指示人的上半身或下半身的行为的状态信息，进而根据上半身或下半身的行为的状态信息分别确定上半身或下半身的行为是否异常，可以进一步提高异常监控的准确度。例如，人的行为可以包括：走动，拿起物品等。这些行为都会在目标空间内将超宽带信号反射回去。基于返回的超宽带信号，上述执行主体可以区分出不同高度的人体(例如上半身和下半身)的移动情况。
这里，对于下半身的行为的频率和强度与上半身可能会有不同。一般情况，走动和奔跑带来的频率会具有规律性。此外，为了区分跑与踢的动作，在上述执行主体接收到目标超宽带信号后，可以判断目标超宽带信号的频率。跑步对超宽带信号的频率所产生的影响来自地面与脚面接触，因此，其频率较小。而踢物体时，由于腿部是悬空的，因此频率会偏大。另外，被踢物体也会反射不同频率的目标超宽带信号，由此，可以区分踢和跑等动作。
此外，对于上半身可以对头部和手臂的行为进行监控。实践中，可以基于动作重复进行判断，例如，对于单一高强度的动作反射的目标超宽带信号，可以不判定为异常，而预定时间段内打击3次以上则判定为异常。这里，还可以对被打击的物体反射的目标超宽带信号进行判定。当行为是单向行为(例如，快速拿起物体或身体移动)，则判定为正常状态。而当产生双向震动波时则判定为异常状态。其中，双向震动波可以在预设时间段内向其他物体施加大于预设大小的力等情况下产生。
作为示例，在区分出上半身和下半身返回的目标超宽带信号之后，上述执行主体可以将上半身返回的目标超宽带信号的特征数据输入至预先训练的第一分类模型，从而从预先确定的第一状态信息集合中，确定上半身的状态信息。或者，将下半身返回的目标超宽带信号的特征数据输入至预先训练的第二分类模型，从而从预先确定的第二状态信息集合中，确定下半身的状态信息。
其中，上述第一分类模型可以是采用机器学习算法，基于第一训练样本集训练得到的模型。其中，上述第一训练样本集中的训练样本可以包括：上半身返回的目标超宽带信号的特征数据和上半身的状态信息。可选的，第一分类模型也可以是关联存储有上半身返回的目标超宽带信号的特征数据和上半身的状态信息的二维表或数据库。第一状态信息集合可以是预先针对上半身的动作确定的状态信息的集合。例如，第一状态信息集合可以是“打、敲、撞”。
上述第二分类模型可以是采用机器学习算法，基于第二训练样本集训练得到的模型。其中，上述第二训练样本集中的训练样本可以包括：下半身返回的目标超宽带信号的特征数据和下半身的状态信息。可选的，第二分类模型也可以是关联存储有下半身返回的目标超宽带信号的特征数据和下半身的状态信息的二维表或数据库。第二状态信息集合可以是预先针对下半身的动作确定的状态信息的集合。例如，第二状态信息集合可以是“踢、走动、奔跑”。
在本实施例的一些可选的实现方式中，上述执行主体还可以呈现以下至少一项信息：目标位置信息、上述异常信息、上述异常信息对应的状态信息指示的状态的危险程度。其中，目标位置信息用于指示异常信息对应的物体在目标空间中所处的位置。
在这里，异常信息对应的物体，即状态信息指示目标状态的物体。异常信息对应的状态信息，即指示目标状态的状态信息。上述危险程度可以是针对各个状态信息预先设置的。危险程度可以采用数字表征。数值越大的数字可以表征危险程度越危险，或者，数值越小的数字可以表征危险程度越危险。可选的，危险程度可以采用文字表征。例如，危险程度可以为“高”、“中”、“低”，表征危险程度依次降低。
上述执行主体可以对上述目标位置信息采用二维或三维建筑信息模型化(Building Information Modeling，BIM)图的形式进行呈现，以供监控人员进行查看。
可以理解，当上述执行主体呈现目标位置信息时，监控人员可以获得物体在目标空间中所处的位置，从而及时抵达上述位置进行相应处理，以避免异常情况的发生。当上述执行主体呈现异常信息时，监控人员可以确定此时目标空间内物体的状态信息指示目标状态。当上述执行主体呈现上述危险程度时，监控人员可以获知此时目标空间内物体的状态信息指示的状态的危险程度，进而确定是否抵达上述目标空间进行处理。
继续参见图3，图3是根据本实施例的异常监控方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先接收目标超宽带收发器302、303、304、305分别获取到的目标超宽带信号306、307、308、309。其中，目标超宽带信号306、307、308、309是经位于目标空间31内的物体反射的超宽带信号。目标超宽带收发器302、303、304、305设置于目标空间31内。然后，服务器301基于目标超宽带信号306、307、308、309，从预先确定的状态信息集合中确定物体的状态信息310(图示中状态信息310为“状态信息：破坏设施”)，例如，将目标超宽带信号306、307、308、309的特征数据输入至预先训练的分类模型，从而获得物体的状态信息310。最后，服务器301在确定物体的状态信息指示目标状态的情况下，生成异常信息312。这里，如图示中的标号311所示，目标状态为“破坏设施”。
进一步参考图4，其示出了异常监控方法的又一个实施例的流程400。该异常监控方法的流程400，包括以下步骤：
步骤401，接收目标超宽带收发器获取到的目标超宽带信号。
在本实施例中，异常监控方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收目标超宽带收发器获取到的目标超宽带信号。
其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号。目标超宽带收发器可以是设置于目标空间内的一个或多个超宽带收发器。该目标超宽带收发器可以向上述目标空间发送超宽带信号，以及接收上述目标空间内的物体反射的超宽带信号(即上述目标超宽带信号)。该目标超宽带收发器可以与上述执行主体通信连接。
上述目标空间可以是待对其中的物体或者其自身进行监控的空间。该目标空间内可以包括各种物体，例如，桌子、椅子、用于展览的作品等。
在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。
步骤402，提取目标超宽带信号的特征数据。
在本实施例中，上述执行主体可以提取目标超宽带信号的特征数据。其中，特征数据包括以下至少一项：信号的频率、信号的强度、信号的振幅、目标超宽带收发器与物体之间的距离。
步骤403，将特征数据输入预先训练的分类模型，从预先确定的状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
在本实施例中，上述执行主体可以将步骤402提取的特征数据输入预先训练的分类模型，从预先确定的状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
其中，步骤403中的分类模型可以包括第一子分类模型和第二子分类模型。
上述第一子分类模型可以是采用机器学习算法，基于第一训练样本集训练得到的模型。其中，上述第一训练样本集中的训练样本可以包括：上半身返回的目标超宽带信号的特征数据和上半身的状态信息。可选的，第一子分类模型也可以是关联存储有上半身返回的目标超宽带信号的特征数据和上半身的状态信息的二维表或数据库。第一状态信息集合可以是预先针对上半身的动作确定的状态信息的集合。例如，第一状态信息集合可以是“打、敲、撞”。
上述第二子分类模型可以是采用机器学习算法，基于第二训练样本集训练得到的模型。其中，上述第二训练样本集中的训练样本可以包括：下半身返回的目标超宽带信号的特征数据和下半身的状态信息。可选的，第二子分类模型也可以是关联存储有下半身返回的目标超宽带信号的特征数据和下半身的状态信息的二维表或数据库。第二状态信息集合可以是预先针对下半身的动作确定的状态信息的集合。例如，第二状态信息集合可以是“踢、走动、奔跑”。
步骤404，响应于确定物体的状态信息指示目标状态，生成异常信息。
在本实施例中，步骤404与图2对应实施例中的步骤203基本一致，这里不再赘述。
步骤405，呈现目标位置信息、异常信息和异常信息对应的状态信息指示的状态的危险程度。
在本实施例中，上述执行主体还可以呈现目标位置信息、异常信息和异常信息对应的状态信息指示的状态的危险程度。其中，目标位置信息用于指示异常信息对应的物体在目标空间中所处的位置。
在这里，异常信息对应的物体，即状态信息指示目标状态的物体。异常信息对应的状态信息，即指示目标状态的状态信息。上述危险程度可以是针对各个状态信息预先设置的。危险程度可以采用数字表征。数值越大的数字可以表征危险程度越危险，或者，数值越小的数字可以表征危险程度越危险，可选的，危险程度可以采用文字表征。例如，危险程度可以为“高”、“中”、“低”，表征危险程度依次降低。
需要说明的是，除上面所记载的内容外，本实施例还可以包括与图2对应的实施例相同或类似的特征、效果，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的异常监控方法的流程400突出了呈现目标位置信息、异常信息和危险程度的步骤。由此，本实施例描述的方案可以使得监控人员获知物体在目标空间中所处的位置、目标空间内物体的状态信息何时指示目标状态，以及目标空间内物体的状态信息指示的状态的危险程度，由此监控人员可以及时抵达上述位置进行相应处理，以避免异常情况的发生。
进一步参考图5，作为对上述图2所示方法的实现，本公开提供了一种异常监控装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征，以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的异常监控装置500包括：接收单元501、确定单元502和生成单元503。其中，接收单元501被配置成接收目标超宽带收发器获取到的目标超宽带信号，其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，目标超宽带收发器设置于目标空间内；确定单元502被配置成基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息；生成单元503被配置成响应于确定物体的状态信息指示目标状态，生成异常信息。
在本实施例中，异常监控装置500的接收单元501可以通过有线连接方式或者无线连接方式接收目标超宽带收发器获取到的目标超宽带信号。
其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号。目标超宽带收发器可以是设置于目标空间内的一个或多个超宽带收发器。该目标超宽带收发器可以向上述目标空间发送超宽带信号，以及接收上述目标空间内的物体反射的超宽带信号(即上述目标超宽带信号)。该目标超宽带收发器可以与上述装置500通信连接。
上述目标空间可以是待对其中的物体或者其自身进行监控的空间。该目标空间内可以包括各种物体，例如，桌子、椅子、用于展览的作品等。
在本实施例中，基于接收单元501接收的目标超宽带信号，上述确定单元502可以从预先确定的状态信息集合中确定物体的状态信息。从预先确定的状态信息集合中，确定上述目标空间内的物体的状态信息。其中，上述状态信息可以用于指示物体的状态。作为示例，当上述物体是人时，用于指示该物体的状态可以包括以下任一项：走动、拿起物品、踢踹、磕碰、摔倒、击打物品(例如桌子、玻璃等等)。当上述物体是桌子时，用于指示该物体的状态可以包括以下任一项：正常放置、被击打等等。
在本实施例中，在确定物体的状态信息指示目标状态的情况下，上述生成单元503可以生成异常信息。其中，目标状态可以是上述预先确定的状态信息集合中的一个或多个状态信息所指示的状态。作为示例，目标状态可以为预先确定的异常状态(例如击打、摔倒等)。上述异常信息可以是用于指示物体的状态信息指示目标状态的信息。
在本实施例的一些可选的实现方式中，确定单元502可以包括：提取模块(图中未示出)被配置成提取目标超宽带信号的特征数据。输入模块(图中未示出)被配置成将特征数据输入预先训练的分类模型，获得物体的状态信息、其中，分类模型用于根据物体反射的目标超宽带信号的特征数据，从预先确定的状态信息集合中确定物体的状态信息。
在本实施例的一些可选的实现方式中，分类模型采用如下步骤训练得到：
首先，获取训练样本集。其中，训练样本集中的训练样本包括：物体反射的目标超宽带信号的特征数据和物体的状态信息。
然后，采用机器学习算法，将训练样本集中的训练样本包括的特征数据作为输入数据，将与输入的特征数据对应的状态信息作为期望输出数据，训练得到分类模型。
在本实施例的一些可选的实现方式中，特征数据包括以下至少一项：信号的频率、信号的强度、信号的振幅、目标超宽带收发器与物体之间的距离。
在本实施例的一些可选的实现方式中，物体包括人，状态信息用于指示人的行为。
在本实施例的一些可选的实现方式中，确定单元502包括：确定模块(图中未示出)被配置成基于目标超宽带信号，从预先确定的状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
在本实施例的一些可选的实现方式中，该装置500还包括：呈现单元(图中未示出)被配置成呈现以下至少一项信息：目标位置信息、异常信息、异常信息对应的状态信息指示的状态的危险程度，其中，目标位置信息用于指示异常信息对应的物体在目标空间中所处的位置。
本公开的上述实施例提供的异常监控装置，通过接收单元501接收目标超宽带收发器获取到的目标超宽带信号，其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，目标超宽带收发器设置于目标空间内，然后，确定单元502基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息，最后，响应于确定物体的状态信息指示目标状态，生成单元503生成异常信息，由此，本公开的上述实施例提供的异常监控装置可以基于超宽带信号，实现对目标空间及其中的物体的异常监控，从而有助于提高异常发现的及时性，进而有助于确保非目标空间内的监控人员的安全。
接下来请参考图6，其示出了根据本公开的一个实施例的异常监控系统的一个实施例的交互过程示意图。
本公开的实施例的异常监控系统包括超宽带收发器、服务器和终端设备，服务器分别与超宽带收发器和终端设备通信连接，超宽带收发器设置于目标空间内，其中：超宽带收发器可以：向目标空间发送超宽带信号；获取超宽带信号经位于目标空间内的物体反射的目标超宽带信号；服务器可以执行如上述异常监控方法中任一实施例的方法；终端设备可以：响应于接收到服务器发送的异常信息，输出报警提示信息。
如图6所示，在步骤601中，超宽带收发器向目标空间发送超宽带信号。
在本实施例中，超宽带收发器可以向目标空间发送超宽带信号。
其中，上述目标空间可以是待对其中的物体或者其自身进行监控的空间。该目标空间内可以包括各种物体，例如，桌子、椅子、用于展览的作品等。该目标空间内可以设置有一个或多个(例如3个)超宽带收发器。该目标超宽带收发器可以向上述目标空间发送超宽带信号。
在步骤602中，超宽带收发器获取超宽带信号经位于目标空间内的物体反射的目标超宽带信号。
在本实施例中，上述超宽带收发器可以获取步骤601中所发送的超宽带信号经位于上述目标空间内的物体反射的目标超宽带信号。其中，目标超宽带信号可以是经位于上述目标空间内的物体反射的超宽带信号。
在步骤603中，超宽带收发器向服务器发送目标超宽带信号。
在本实施例中，超宽带收发器可以向服务器发送步骤602中获取到的目标超宽带信号。
在步骤604中，服务器基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息。
在本实施例中，服务器可以基于步骤603中服务器发送的目标超宽带信号，从预先确定的状态信息集合中确定上述目标空间内的物体的状态信息。
在这里，上述预先确定的状态信息集合可以是针对一个或多个物体而预先确定的。作为示例，上述预先确定的状态信息集合可以是针对丧失控制能力这类人群确定的、用于指示如下状态的信息的集合：走动、拿起物品、踢踹、磕碰、摔倒。可选的，上述预先确定的状态信息集合也可以是针对房间内的门、窗、桌子、椅子等多个物体确定的、用于指示如下状态的信息的集合：正常、异常。其中，“异常”可以用于指示门、窗、桌子、椅子等物体被击打等状态。
在步骤605中，服务器响应于确定物体的状态信息指示目标状态，生成异常信息。
在本实施例中，服务器在确定物体的状态信息指示目标状态的情况下，可以生成异常信息。其中，目标状态可以是上述预先确定的状态信息集合中的一个或多个状态信息所指示的状态。作为示例，目标状态可以为预先确定的异常状态(例如击打、摔倒等)。上述异常信息可以是用于指示物体的状态信息指示目标状态的信息。
在步骤606中，服务器向终端设备发送异常信息。
在本实施例中，服务器可以向终端设备发送步骤605中所生成的异常信息。
在步骤607中，终端设备输出报警提示信息。
在本实施例中，在终端设备接收到上述异常信息的情况下，终端设备可以输出报警提示信息。其中，报警提示信息可以是图像，也可以是音频。
在本实施例的一些可选的实现方式中，上述异常信息可以包括危险程度值。其中，危险程度值越大，可以表征目标空间中的物体的状态(例如人的行为)越危险。由此，上述终端设备可以在危险程度值大于预设的危险程度阈值的情况下，输出报警提示信息。
这里，上述危险程度阈值可以是固定不变的，也可以是监控人员根据经验和实际情况自行设置的。由此，可以确保上述异常监控系统适用于不同的使用场景。进而，有助于上述异常监控系统在异常行为发生时，危险发生前进行报警。由此避免了危险情况的发生。
在本实施例的一些可选的实现方式中，异常监控系统还包括电源模块。其中，电源模块与超宽带收发器电连接。电源模块用于为超宽带收发器供电。
在这里，上述电源模块可以包括以下接口中的任一项或多项：有源以太网(POE，Power Over Ethernet)接口、直流电源接口、交流电源接口。由此，通过电源模块包括的接口，超宽带收发器可以获得电能，从而确保超宽带收发器的长时间使用。
在本实施例的一些可选的实现方式中，超宽带收发器包括基站和与基站电连接的天线，天线用于控制超宽带收发器发送的超宽带信号的辐射距离。
实践中，超宽带收发器发送超宽带信号的功率可以通过上述天线进行调节，功率越大，发送的超宽带信号的辐射距离范围越广。在本实施例的一些可选的实现方式中，通过调节天线，单个超宽带收发器的辐射距离最多可以达到100米。
在本实施例的一些可选的实现方式中，超宽带收发器发送的超宽带信号的辐射距离范围包括50米。
在本实施例的一些可选的实现方式中，异常监控系统还包括网络模块。其中，网络模块与超宽带收发器电连接。网络模块用于提供超宽带收发器与服务器之间的通信连接。
在这里，上述网络模块可以支持3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中，异常监控系统包括的超宽带收发器的数量大于等于4。
可以理解，通常情况下，异常监控系统包括的超宽带收发器的数量越多，上述异常监控系统对异常情况的监控的准确度越高。
需要说明的是，由于单个超宽带收发器发送的超宽带信号所覆盖的空间有限，因而，实践中，往往在目标空间内分散设置各个超宽带收发器，以便超宽带收发器获取到经位于目标空间内的物体反射的、各个方向的目标超宽带信号，进而提高对目标空间内的异常情况的监控的准确度。
应当理解，目标空间内、处于超宽带信号所覆盖的范围内的物体的状态(例如人的行为)均可受到异常监控系统的监控。此外，每个超宽带收发器可以接收到异常监控系统包括的各个超宽带收发器发送的超宽带信号经目标空间内的物体反射的目标超宽带信号，每个超宽带收发器接收到的目标超宽带信号可以是各个超宽带收发器发送的超宽带信号经目标空间内的物体反射的超宽带信号的叠加信号。
还需要说明的是，除图6中所示出的服务器所执行的各个步骤之外，该服务器也可以执行如上述异常监控方法中任一实施例的方法，以及产生相同的有益效果。在此不再赘述。
作为示例，服务器可以采用如下步骤来执行上述步骤604：
步骤一，提取目标超宽带信号的特征数据。其中，上述特征数据可以是用于表征所提取的目标超宽带信号的特征的数据。其中，特征数据包括以下至少一项：信号的频率、信号的强度、信号的振幅、目标超宽带收发器与物体之间的距离。
步骤二，将特征数据输入预先训练的分类模型，获得物体的状态信息。其中，分类模型用于根据物体反射的目标超宽带信号的特征数据，从上述预先确定的状态信息集合中确定物体的状态信息。上述分类模型可以是采用机器学习算法，基于训练样本集训练得到的模型。其中，训练样本集中的训练样本包括：物体反射的目标超宽带信号的特征数据和物体的状态信息。
本公开的上述实施例提供的异常监控系统包括超宽带收发器、服务器和终端设备，服务器分别与超宽带收发器和终端设备通信连接，超宽带收发器设置于目标空间内。其中：超宽带收发器，向目标空间发送超宽带信号；获取超宽带信号经位于目标空间内的物体反射的目标超宽带信号。服务器，执行如上述异常监控方法中任一实施例的方法。终端设备，响应于接收到服务器发送的异常信息，输出报警提示信息。由此，通过本公开的上述实施例提供的异常监控系统，可以减少被监控者(例如具有精神疾病和丧失控制能力的人群)由于异常行为造成的自身或物品伤害等情况发生的概率。相对于现有的监控报警系统，采用上述本公开的上述实施例提供的异常监控系统可以降低人力、部署和使用成本。被监控者无需佩戴设备，即可实现监护，从而一定程度上避免了监控报警系统被破坏的可能性。此外，上述监控报警系统还可以确保非视频监控区人员的安全。
下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例所述的计算机可读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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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介质，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述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：接收目标超宽带收发器获取到的目标超宽带信号，其中，目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，目标超宽带收发器设置于目标空间内；基于目标超宽带信号，从预先确定的状态信息集合中确定物体的状态信息；响应于确定物体的状态信息指示目标状态，生成异常信息。
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公开的实施例的操作的计算机程序代码，所述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，图示了按照本公开各种实施例的系统、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。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、确定单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收目标超宽带收发器获取到的目标超宽带信号的单元”。
以上描述仅为本公开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，本公开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。例如上述特征与本公开中公开的(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 (16)
1.一种异常监控方法，包括：
接收目标超宽带收发器获取到的目标超宽带信号，其中，所述目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，所述目标超宽带收发器设置于所述目标空间内；
基于所述目标超宽带信号，从预先确定的状态信息集合中确定所述物体的状态信息；
响应于确定所述物体的状态信息指示目标状态，生成异常信息。
2.根据权利要求1所述的方法，其中，所述基于所述目标超宽带信号，从预先确定的状态信息集合中确定所述物体的状态信息，包括：
提取所述目标超宽带信号的特征数据；
将所述特征数据输入预先训练的分类模型，获得所述物体的状态信息，其中，所述分类模型用于根据物体反射的目标超宽带信号的特征数据，从预先确定的状态信息集合中确定物体的状态信息。
3.根据权利要求2所述的方法，其中，所述分类模型采用如下步骤训练得到：
获取训练样本集，其中，所述训练样本集中的训练样本包括：物体反射的目标超宽带信号的特征数据和物体的状态信息；
采用机器学习算法，将所述训练样本集中的训练样本包括的特征数据作为输入数据，将与输入的特征数据对应的状态信息作为期望输出数据，训练得到分类模型。
4.根据权利要求2所述的方法，其中，所述特征数据包括以下至少一项：信号的频率、信号的强度、信号的振幅、所述目标超宽带收发器与所述物体之间的距离。
5.根据权利要求1-4之一所述的方法，其中，所述物体包括人，所述状态信息用于指示人的行为。
6.根据权利要求5所述的方法，其中，所述基于所述目标超宽带信号，从预先确定的状态信息集合中确定所述物体的状态信息，包括：
基于所述目标超宽带信号，从预先确定的状态信息集合中确定用于指示人的上半身或下半身的行为的状态信息。
7.根据权利要求1-4之一所述的方法，其中，所述方法还包括：
呈现以下至少一项信息：目标位置信息、所述异常信息、所述异常信息对应的状态信息指示的状态的危险程度，其中，所述目标位置信息用于指示所述异常信息对应的物体在所述目标空间中所处的位置。
8.一种异常监控装置，其中，所述装置包括：
接收单元，被配置成接收目标超宽带收发器获取到的目标超宽带信号，其中，所述目标超宽带信号是经位于目标空间内的物体反射的超宽带信号，所述目标超宽带收发器设置于所述目标空间内；
确定单元，被配置成基于所述目标超宽带信号，从预先确定的状态信息集合中确定所述物体的状态信息；
生成单元，被配置成响应于确定所述物体的状态信息指示目标状态，生成异常信息。
9.一种异常监控系统，所述异常监控系统包括超宽带收发器、服务器和终端设备，所述服务器分别与所述超宽带收发器和所述终端设备通信连接，所述超宽带收发器设置于目标空间内，其中：
所述超宽带收发器，向所述目标空间发送超宽带信号；获取超宽带信号经位于所述目标空间内的物体反射的目标超宽带信号；
所述服务器，执行如权利要求1-7任一项所述的异常监控方法；
所述终端设备，响应于接收到所述服务器发送的异常信息，输出报警提示信息。
10.根据权利要求9所述的异常监控系统，其中，所述异常监控系统还包括电源模块，其中：
所述电源模块与所述超宽带收发器电连接；
所述电源模块用于为所述超宽带收发器供电。
11.根据权利要求9所述的异常监控系统，其中，所述超宽带收发器包括基站和与所述基站电连接的天线，所述天线用于控制所述超宽带收发器发送的超宽带信号的辐射距离。
12.根据权利要求9所述的异常监控系统，其中，所述超宽带收发器发送的超宽带信号的辐射距离范围包括50米。
13.根据权利要求9-12之一所述的异常监控系统，其中，所述异常监控系统还包括网络模块，其中：
所述网络模块与所述超宽带收发器电连接；
所述网络模块用于提供所述超宽带收发器与所述服务器之间的通信连接。
14.根据权利要求9-12之一所述的异常监控系统，其中，所述异常监控系统包括的超宽带收发器的数量大于等于4。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676016.7A CN112274140A (zh) | 2019-07-25 | 2019-07-25 | 异常监控方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676016.7A CN112274140A (zh) | 2019-07-25 | 2019-07-25 | 异常监控方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112274140A true CN112274140A (zh) | 2021-01-29 |
Family
ID=74418862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910676016.7A Pending CN112274140A (zh) | 2019-07-25 | 2019-07-25 | 异常监控方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112274140A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023116317A1 (zh) * | 2021-12-22 | 2023-06-29 | 华为技术有限公司 | 远距离感知的方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160259037A1 (en) * | 2015-03-03 | 2016-09-08 | Nvidia Corporation | Radar based user interface |
| CN107014375A (zh) * | 2017-02-22 | 2017-08-04 | 上海谦尊升网络科技有限公司 | 超低部署的室内定位系统及方法 |
| US20180322351A1 (en) * | 2016-11-21 | 2018-11-08 | George Shaker | System and method for sensing with millimeter waves |
| CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
| CN109239707A (zh) * | 2018-08-27 | 2019-01-18 | 成都工业学院 | 行为状态检测设备及方法 |
| CN109507653A (zh) * | 2018-10-22 | 2019-03-22 | 中国人民解放军第四军医大学 | 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法 |
| CN110045348A (zh) * | 2019-05-05 | 2019-07-23 | 应急管理部上海消防研究所 | 一种基于改进卷积神经网络的人体运动状态分类方法 |
| CN111738060A (zh) * | 2020-05-07 | 2020-10-02 | 复旦大学 | 基于毫米波雷达的人体步态识别系统 |
-
2019
- 2019-07-25 CN CN201910676016.7A patent/CN112274140A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160259037A1 (en) * | 2015-03-03 | 2016-09-08 | Nvidia Corporation | Radar based user interface |
| US20180322351A1 (en) * | 2016-11-21 | 2018-11-08 | George Shaker | System and method for sensing with millimeter waves |
| CN107014375A (zh) * | 2017-02-22 | 2017-08-04 | 上海谦尊升网络科技有限公司 | 超低部署的室内定位系统及方法 |
| CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
| CN109239707A (zh) * | 2018-08-27 | 2019-01-18 | 成都工业学院 | 行为状态检测设备及方法 |
| CN109507653A (zh) * | 2018-10-22 | 2019-03-22 | 中国人民解放军第四军医大学 | 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法 |
| CN110045348A (zh) * | 2019-05-05 | 2019-07-23 | 应急管理部上海消防研究所 | 一种基于改进卷积神经网络的人体运动状态分类方法 |
| CN111738060A (zh) * | 2020-05-07 | 2020-10-02 | 复旦大学 | 基于毫米波雷达的人体步态识别系统 |
Non-Patent Citations (2)
| Title |
|---|
| RIOS JESUS JAVIER: "Application of Linear Predictive Coding for Human Activity Classification Based on Micro-Doppler Signatures", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 22, no. 10, pages 1831 - 1834, XP011548152, DOI: 10.1109/LGRS.2014.2311819 * |
| YOUNGWOOK KIM: "Human Detection and Activity Classification Based on Micro-Doppler Signatures Using Deep Convolutional Neural Networks", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 13, no. 1, pages 8 - 12, XP011592233, DOI: 10.1109/LGRS.2015.2491329 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023116317A1 (zh) * | 2021-12-22 | 2023-06-29 | 华为技术有限公司 | 远距离感知的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11580845B2 (en) | Method and system for situational awareness for emergency response | |
| KR102478783B1 (ko) | 탐색 정보 제공 방법 및 장치 | |
| US10426358B2 (en) | Internet of things (IoT) personal tracking apparatus, system, and method | |
| US9892311B2 (en) | Detecting unauthorized visitors | |
| Lee et al. | An intelligent emergency response system: preliminary development and testing of automated fall detection | |
| US20190327124A1 (en) | Method, apparatus, and system for object tracking and sensing using broadcasting | |
| US20190178980A1 (en) | Method, apparatus, server and system for real-time vital sign detection and monitoring | |
| US20190166030A1 (en) | Method, apparatus, server and system for vital sign detection and monitoring | |
| US10489649B2 (en) | Drone data locker system | |
| Lam et al. | Activity tracking and monitoring of patients with alzheimer’s disease | |
| JP7438653B2 (ja) | 感情情報管理サーバ装置、感情情報管理方法、プログラム及び情報通信システム | |
| Yi et al. | Home interactive elderly care two-way video healthcare system design | |
| Amir et al. | Real-time threshold-based fall detection system using wearable IoT | |
| CN112274140A (zh) | 异常监控方法、装置和系统 | |
| Garrido et al. | Automatic detection of falls and fainting | |
| KR101766438B1 (ko) | 이상 활동 탐지를 위한 이동 단말기 및 이를 포함하는 그룹 내 구성원들의 관리 지원 시스템 | |
| Tabbakha et al. | Elderly action recognition system with location and motion data | |
| JP2020052748A (ja) | サーバ装置、情報処理方法、プログラム、端末装置及び情報通信システム | |
| KR102553745B1 (ko) | 음성멘트를 이용한 긴급알림 서비스 제공 시스템 | |
| TWI656502B (zh) | 隨身安全照護方法、裝置及系統 | |
| Kaudki et al. | IOT enabled human fall detection using accelerometer and RFID technology | |
| Krooneman | Designing a fall detection system for elderly | |
| Perakovic et al. | Information and Communication System for informing Users in Traffic Environment–SaforA | |
| Brezmes et al. | User activity monitoring using conventional cell phones | |
| CN111428540A (zh) | 输出信息的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 601, 6 / F, building 2, yard 18, Kechuang 11th Street, Daxing District, Beijing Applicant after: Jingdong Technology Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, yard 18, Kechuang 11th Street, Daxing District, Beijing Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address after: 601, 6 / F, building 2, yard 18, Kechuang 11th Street, Daxing District, Beijing Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address before: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |