CN113143260B

CN113143260B - 一种独居人员在床状态识别方法

Info

Publication number: CN113143260B
Application number: CN202110367549.4A
Authority: CN
Inventors: 翁文勇; 陈峥; 陆胤; 沈海燕
Original assignee: Zhejiang Youlin Network Technology Co ltd
Current assignee: Zhejiang Youlin Network Technology Co ltd
Priority date: 2021-04-06
Filing date: 2021-04-06
Publication date: 2022-03-15
Anticipated expiration: 2041-04-06
Also published as: CN113143260A

Abstract

本发明公开了一种独居人员在床状态识别方法，通过在床沿安装带物联网功能的振动传感器，定时向服务器发送数据，服务器端软件通过震动模式识别判断床位中是否有人及人员的活动状态。其步骤如下：(1)通过振动传感器采集床位振动幅度数据，并通过物联网上传到服务器；(2)将振动时序数据进行时间片划分；(3)计算时间片对应的振动幅度表征向量；(4)人员在床状态判别：根据步骤(3)所得的振动幅度向量对人员每个时间片的在床状态进行判别。(5)统计步骤(4)获得的每个时间片的人员在床状态，得到整个时间段内人员在床状态。

Description

一种独居人员在床状态识别方法

技术领域

本发明涉及智能家居领域，尤其涉及一种独居人员在床状态识别方法。

背景技术

随着社会老龄化的日趋严重，独居人员的数量也逐年攀升，判断人员是否安全在家也成为了社区工作者的重要日常工作；人员在床状态识别装置是协助社区工作者高效完成该项工作的有效手段；目前，通过微波、视觉智能等方式可实现人员在家状态的识别，但因其成本较高，供电安全，隐私保护等问题，无法规模化推广。

发明内容

本发明的目的在于针对现有技术的不足，提供一种独居人员在床状态识别方法，本发明通过采集床位实时振动数据，通过预设的人员在床状态类别进行分类评价，实现人员在床状态的判别。

本发明采用的技术方案是：一种独居人员在床状态识别方法，包括以下步骤：

(1)通过振动传感器采集床位振动幅度数据，并通过物联网上传到服务器。

(2)将振动时序数据进行时间片划分：根据振动幅度数据，计算各个时序点位的差异值，得到振动时序数据，将振动时序数据划分为不超过30分钟的不等长时间片。

(3)计算时间片对应的振动幅度表征向量：对步骤(2)处理后的时间片提取最大振动幅度、最小振动幅度，平均振动幅度和振动幅度标准差，得到振动幅度表征向量。

(4)人员在床状态判别：根据步骤(3)所得的振动幅度向量对人员每个时间片的在床状态进行判别。(5)统计步骤4获得的每个时间片的人员在床状态，得到整个时间段内人员在床状态。

进一步地，所述步骤(1)中，振动传感器每分钟采样点不少于12个；分辨率不小于256级，超过256级的传感器，将数据投影到256级即可；所述物联网包括Lora、NB、蓝牙、zigbee等物联网络。

进一步地，所述步骤(2)中，所述将振动时序数据划分为不超过30分钟的不等长时间片通过以下方法实现：

(2.1)待分片时间段定义为上一次数据处理的最后一个时间片到时间序列的末尾；整体时长不小于2小时，如果时长不足应往前再取时间片段加入计算。

(2.2)通过差异指数寻找分片边界点。即，计算时间序列中每个点的差异指数，将差异指数超过床位差异指数阈值的点位标定为时间序列边界，计算过程如下：

首先计算时间序列中每个点的区域平均振动幅度RV_i：

RV_i＝(Z_i-10+Z_i-9+...+Z_i+Z_i+1+...+Z_i+10)/21,Z_i为各时间序列的振动幅度值，如果不足21个值，则按实际数量计算。

然后计算每个点位的差异指数C_i：

C_i＝Z_i-Z_i-1,如果前一个时间点不存在，则C_i值取0；

如果C_i>F,其中F为该床位的差异指数阈值，则该时间点为分片边界点，F值根据该床位的历史情况和床类别定期计算获得，算法如下：

F₀＝t*X，F₀表示该床位的初始差异指数阈值；X为基准差异指数；t为床类型系数；

F＝a*t*X，a为用于调节人员居住的周围环境差异和行为差异的系数，其计算方法为：a＝上一月度所有时序点差异指数平均值/F₀：

(2.3)对于时间片时长超过30分钟的，通过插值将时间片切为不超过30分钟的多个时间片。

进一步地，X取值12.3。

进一步地，所述步骤(3)中，振动幅度表征向量为Q_i(avg,sd,_min20,_max20,_max5)，avg为取出各时间片内振动幅度的平均值、sd为标准差、_min20为振动幅度最小的20％时序振幅均值、_max20为振动幅度最大的20％时序振幅均值、_max5为振动幅度最大的连续5个时序点振幅均值。

进一步地，所述步骤(4)包括以下子步骤：

(4.1)判断_max20<＝favg*t，favg为均值阈值，favg的取值范围为17-19；如果不等式成立，则判定为“空床”，即整体振动幅度较小的时间片认为无人在床，轻微的振动一般由周围环境引起；如果不等式不成立，则进入下一步；

(4.2)判断_max20>＝fmax*t，fmax为最大振幅阈值，fmax的取值范围为125-140，如果不等式成立，则判定为“重/中度活动”，即整体振动幅度较大的时间片认为人员在床上的活动幅度较大，如果不等式不成立，则进入下一步；

(4.3)判断_max20<fmin*t and(sd<fsd or_max20-_min20<fdiff*t)，fmin为最小振幅阈值，fmin的取值范围为70-78，fdiff为最大差异阈值，fdiff的取值范围为20-25，fsd为标准差阈值，fsd的取值范围为2.5-3.2，如果逻辑表达式成立，判别为“睡眠”状态，即振动幅度较稳定且幅度不大的时间片认为人员正在睡眠；如果表达式不成立，则标定为“轻度活动”状态；

(4.4)对于已标定为“睡眠”和“轻度活动”状态的时间片，且_max5>fmax*t时，将该时段标定为存在“突变”状态。

进一步地，所述均值阈值favg的取值优选为18.2，所述最大差异阈值fdiff的取值优选为23.4，所述最大振幅阈值fmax的取值优选为132，所述最小振幅阈值fmin的取值优选为74，所述标准差阈值fsd的取值优选为2.98。

进一步地，所述步骤5中，得到的整个时间段内人员在床状态包括；

(a)整个晚上空床；

(b)前半夜人员在床，后半夜长时间不在床；

(c)人员起夜次数突然变多；

(d)睡眠期间“重/中度”活动时长较长。

本发明的有益效果是：本发明可根据床位振动强度判别人员在床状态，从而实现低成本、无打扰、无隐私侵犯地人员在床状态识别，便于规模化推广。

附图说明

图1一种独居人员在床状态识别方法的流程图；

图2基于时间片振动幅度表征向量的人员在床状态标定算法流程图。

具体实施方式

下面结合具体实施方式和附图对本发明作进一步说明。判别方法包括如下步骤(如图1-2所示)：1、通过振动传感器采集床位振动幅度数据，并通过物联网上传到服务器。包括以下步骤：

振动传感器是用于检测冲击力或者加速度的传感器，通常使用的是加上应力就会产生电荷的压电器件；按功能可分为：相对式、惯性式；按机电变换原理可分为：电动式、压电式、电涡流式、电感式、电容式、电阻式、光电式等。本项发明对振动传感器的类型无要求，只要满足如下性能指标的振动传感器都可选用：每分钟采样点不少于12个；分辨率不小于256级，超过256级的传感器，将数据投影到256级即可；支持但不限于Lora、NB、蓝牙、zigbee等物联网络。

振动传感器贴于床靠背后面或床沿等即可，同时应记录床类型(见表2)。

2、将振动时序数据进行时间片划分：

振动传感器采集数据的每分钟不少于12个值(0～255，值越大振动幅度越大)，每15分钟向平台上传一次数据，形成振动幅度序列，即每次上传数据量>＝180，如下表所示：

表1：原始时间序列

时间(分)	振动幅度序列
		2021-02-10 12:10	201,203,166,90,19,88,133,202,121,211,207,180
2021-02-10 12:11	166,203,112,82,98,23,44,88,124,143,122,101
		...	说明：每分钟12个值，每个值为5秒内50个采集点的平均值

获得振动幅度序列后，对振动时序数据进行时间片划分，方法如下：

(2.1)待分片时间段定义为上一次数据处理的最后一个时间片到时间序列的末尾，考虑到连续性，要求整体时长不小于2小时，如果时长不足应往前再取时间片段加入计算。

(2.2)通过差异指数寻找分片边界点。即计算时间序列中每个点的差异指数，将差异指数超过床位差异指数阈值的点位标定为时间序列边界，计算过程如下：

首先计算时间序列中每个点的区域平均振动幅度RV_i：

然后计算每个点位的差异指数C_i：

C_i＝Z_i-Z_i-1,如果前一个时间点不存在，则C_i值取0

如果C_i>F(F为该床位的差异指数阈值)，则该时间点为分片边界点。其中F值根据该床位的历史情况和床类别定期计算获得，算法如下：

F₀＝t*X，F₀表示该床位的初始差异指数阈值；X为基准差异指数，根据历史经验判断，目前取值12.3；t为床类型系数，目前分四类，默认取值如下表所示，可根据实际情况调整t值，如下表2所示。

表2：床类型系数

代码	床类型	t值	说明
				1	较软	0.55	乳胶垫等
2	软	0.65	席梦思床垫等
				3	较硬	0.8	棕垫等
4	硬	1	硬板床等

F＝a*t*X，F每月计算一次，a用于调节人员居住的周围环境差异和行为差异，其计算方法为：a＝上一月度所有时序点差异指数平均值/F₀

3、计算时间片对应的振动幅度表征向量：对步骤(2)处理后的时间片提取最大振动幅度、最小振动幅度、平均振动幅度和振动幅度标准差，得到振动幅度表征向量；

计算时间片振动幅度标定向量Q_i(avg,sd,_min20,_max20,_max5)，avg为取出各时间片内振动幅度的平均值、sd为标准差、_min20为振动幅度最小的20％时序振幅均值、_max20为振动幅度最大的20％时序振幅均值、_max5为振动幅度最大的连续5个时序点振幅均值。

4、人员在床状态判别：根据步骤(3)所得的振动幅度向量对人员在床状态进行判别。

对前述算法标定的时间片段进行分析，以标定用户的具体在床状态。为此，本发明定义了人员在床的几种状态，如下表3所示。

表3：人员在床状态分类

另外，根据对历史数据的分析，本发明定义了几个标定常量，如下表4所示：

表4：标定常量表

根据时间片的Q_i向量判别人员的在床状态，计算过程如下：

第一步，判断_max20<＝favg*t，如果不等式成立，则判定为“空床”，即整体振动幅度较小的时间片认为无人在床，轻微的振动一般由周围环境引起；如果不等式不成立，则进入下一步；

第二步：判断_max20>＝fmax*t，如果不等式成立，则判定为“重/中度活动”，即整体振动幅度较大的时间片认为人员在床上的活动幅度较大，如果不等式不成立，则进入下一步；

第三步：判断_max20<fmin*t and(sd<fsd or_max20-_min20<fdiff*t)，如果逻辑表达式成立，判别为“睡眠”状态，即振动幅度较稳定且幅度不大的时间片认为人员正在睡眠；如果表达式不成立，则标定为“轻度活动”状态；

第四步：对于已标定为“睡眠”和“轻度活动”状态的时间片，且_max5>fmax*t时，将该时段标定为存在“突变”状态。

5、统计步骤(4)获得的每个时间片的人员在床状态，得到整个时间段内人员在床状态。并指定预警机制。分析结果，可进行人员睡眠统计，如：将标定为“睡眠”的时间片时长累加即可获得日睡眠时长；统计标定为“睡眠”且存在“突变”的时间片个数即可获知人员的起夜次数。

在统计数据的基础上，可针对不同情况进行报警，包括但不限于：

(5.1)整个晚上空床，社区工作者应上面查看人员是否出现意外；

(5.2)前半夜人员在床，后半夜长时间不在床，应考虑人员是否在起夜后出现意外；

(5.3)人员起夜次数突然变多，应考虑人员身体状态是否出现问题；

(5.4)睡眠期间“重/中度”活动时长较长，应考虑人员身体状态是否出现问题。

本发明判别人员在床状态的判别仅依赖振动传感器数据，且灵敏性要求不高，可最大限度控制单个器件成本，适合大规模部署应用。本发明设计了一种时间片内整体振动幅度的标定方法，充分考虑了时间片内不同时序点的差异和体现主要特征的大幅振动情况，有利于去除干扰数据，提高判别算法准确度；本发明设计了一种根据时间片振幅统计数判别人员在床状态的方法，并通过大量数据分析标定了阈值，可较为准确的分析出人员在床状态，计算复杂度可控。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims

1.一种独居人员在床状态识别方法，其特征在于，包括以下步骤：

步骤（1）通过振动传感器采集床位振动幅度数据，并通过物联网上传到服务器；

步骤（2）将振动时序数据进行时间片划分：根据振动幅度数据，计算各个时序点位的差异值，得到振动时序数据，将振动时序数据划分为不超过30分钟的不等长时间片；

所述将振动时序数据划分为不超过30分钟的不等长时间片通过以下方法实现：

（2.1）待分片时间段定义为上一次数据处理的最后一个时间片到时间序列的末尾；整体时长不小于2小时，如果时长不足应往前再取时间片段加入计算；

（2.2）通过差异指数寻找分片边界点；即，计算时间序列中每个点的差异指数，将差异指数超过床位差异指数阈值的点位标定为时间序列边界，计算过程如下：

首先计算时间序列中每个点的区域平均振动幅度RV_i：

RV_i=(Z_i-10+Z_i-9+...+Z_i+Z_i+1+...+Z_i+10)/21 , Z_i为各时间序列的振动幅度值，如果不足21个值，则按实际数量计算；

然后计算每个点位的差异指数C_i：

C_i= Z_i - Z_i-1, 如果前一个时间点不存在，则C_i值取0；

如果C_i> F ,其中F为该床位的差异指数阈值，则该时间点为分片边界点，F值根据该床位的历史情况和床类别定期计算获得，算法如下：

F₀ = t*X，F₀表示该床位的初始差异指数阈值；X为基准差异指数；t为床类型系数；当t取0.55时，所述床类型为乳胶垫；当t取0.65时，所述床类型为席梦思床垫；当t取0.8时，所述床类型为棕垫；当t取1时，所述床类型为硬板床；

F= a*t*X，a为用于调节人员居住的周围环境差异和行为差异的系数，其计算方法为：a=上一月度所有时序点差异指数平均值 / F₀：

（2.3）对于时间片时长超过30分钟的，通过插值将时间片切为不超过30分钟的多个时间片；

步骤（3）计算时间片对应的振动幅度表征向量：对步骤（2）处理后的时间片提取最大振动幅度、最小振动幅度、平均振动幅度和振动幅度标准差，得到振动幅度表征向量；

步骤（4）人员在床状态判别：根据步骤（3）所得的振动幅度表征向量对人员每个时间片的在床状态进行判别；

步骤（5）统计步骤（4）获得的每个时间片的人员在床状态，得到整个时间段内人员在床状态。

2.根据权利要求1所述的人员在床状态识别方法，其特征在于，所述步骤（1）中，振动传感器每分钟采样点不少于12个；分辨率不小于256级，超过256级的传感器，将数据投影到256级即可；所述物联网包括Lora、NB、蓝牙、zigbee等物联网络。

3.根据权利要求1所述的人员在床状态识别方法，其特征在于，X取值12.3。

4.根据权利要求1所述的人员在床状态识别方法，其特征在于，所述步骤（3）中，振动幅度表征向量为Q _i(avg ,sd,_min20,_max20,_max5)，avg为取出各时间片内振动幅度的平均值、sd为标准差、_min20为振动幅度最小的20%时序振幅均值、_max20为振动幅度最大的20%时序振幅均值、_max5为振动幅度最大的连续5个时序点振幅均值。

5.根据权利要求1所述的人员在床状态识别方法，其特征在于，所述步骤（4）包括以下子步骤：

（4.1）判断_max20 <= favg * t，favg为均值阈值，favg的取值范围为17-19；如果不等式成立，则判定为“空床”，即整体振动幅度较小的时间片认为无人在床，轻微的振动一般由周围环境引起；如果不等式不成立，则进入下一步；

（4.2）判断_max20 >= fmax * t，fmax为最大振幅阈值，fmax的取值范围为125-140，如果不等式成立，则判定为“重/中度活动”，即整体振动幅度较大的时间片认为人员在床上的活动幅度较大，如果不等式不成立，则进入下一步；

（4.3）判断_max20 < fmin*t and (sd < fsd or _max20 - _min20 < fdiff*t) ，fmin为最小振幅阈值，fmin的取值范围为70-78，fdiff为最大差异阈值，fdiff的取值范围为20-25，fsd为标准差阈值，fsd的取值范围为2.5-3.2，如果逻辑表达式成立，判别为“睡眠”状态，即振动幅度较稳定且幅度不大的时间片认为人员正在睡眠；如果表达式不成立，则标定为“轻度活动”状态；

（4.4）对于已标定为“睡眠”和“轻度活动”状态的时间片，且_max5 > fmax*t时，将该时间片标定为存在“突变”状态；所述“突变”状态为人员上下床过程。

6.根据权利要求5所述的人员在床状态识别方法，其特征在于，所述均值阈值favg的取值优选为18.2，所述最大差异阈值fdiff的取值优选为23.4，所述最大振幅阈值fmax的取值优选为132，所述最小振幅阈值fmin的取值优选为74，所述标准差阈值fsd的取值优选为2.98。

7.根据权利要求1所述的人员在床状态识别方法，其特征在于，所述步骤（5）中，得到的整个时间段内人员在床状态包括；

（a）整个晚上空床；

（b）前半夜人员在床，后半夜长时间不在床；

（c）人员起夜次数突然变多；

（d）睡眠期间“重/中度”活动时长较长。