CN113516828A - 溺水监测方法、装置、设备与计算机可读存储介质 - Google Patents
溺水监测方法、装置、设备与计算机可读存储介质 Download PDFInfo
- Publication number
- CN113516828A CN113516828A CN202111078002.9A CN202111078002A CN113516828A CN 113516828 A CN113516828 A CN 113516828A CN 202111078002 A CN202111078002 A CN 202111078002A CN 113516828 A CN113516828 A CN 113516828A
- Authority
- CN
- China
- Prior art keywords
- drowning
- user
- sample signal
- signal
- model
- 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.)
- Granted
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
- G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种溺水监测方法、装置、设备与计算机可读存储介质,该方法包括:根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援;本发明通过将传感器采集的数据输入溺水模型中,并通过溺水模型确定用户是否溺水,若确定用户溺水,则发出报警信号,以使用户得到及时救援,通过溺水模型确定用户是否溺水,提高了溺水判断的准确率。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及溺水监测方法、装置、设备与计算机可读存储介质。
背景技术
目前监测是否有人溺水主要是通过救生员的观察以及通过溺水检测设备进行简单的判断,通过救生员的观察很难确保在第一时间发现有人溺水,容易错失最佳救援时机,通过溺水检测设备进行简单的判断,很容易造成误判,并且判断溺水的准确率不高,因此,如何提高判断溺水的准确率,并在溺水的第一时间通知救援人员,是急需解决的问题。
发明内容
本发明的主要目的在于提出一种溺水监测方法、装置、设备与计算机可读存储介质,旨在解决如何提高判断溺水的准确率,并在溺水的第一时间通知救援人员的问题。
为实现上述目的,本发明提供一种溺水监测方法,所述溺水监测方法包括如下步骤:
根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;
若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援。
优选地,根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水的步骤之前,所述溺水监测方法还包括:
获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器;
通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型。
优选地,通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合的步骤包括:
通过所述云端服务器对所述环境样本信号进行第一滤波操作,并提取经过第一滤波操作的环境样本信号的第一时域特征和第一频域特征;
通过所述云端服务器对所述生物样本信号进行第二滤波操作,并提取经过第二滤波操作的生物样本信号的第二时域特征、第二频域特征和非平稳特征;
基于所述第一时域特征、所述第一频域特征、所述第二时域特征、所述第二频域特征和所述非平稳特征,得到样本信号特征集合。
优选地,根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型的步骤包括:
获取所述生物样本信号中的生物特征,根据所述生物特征,将所述第二时域特征、所述第二频域特征和所述非平稳特征进行分类;
将分类后的所述第二时域特征、所述第二频域特征和所述非平稳特征结合所述第一时域特征和所述第一频域特征,进行模型训练,以得到溺水模型。
优选地,通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合进行模型训练,以得到溺水模型的步骤之后,所述溺水监测方法还包括:
通过所述云端服务器对所述溺水模型进行验证,得到验证结果,并判断所述验证结果是否满足预设条件;
若所述验证结果满足预设条件,则将所述溺水模型下发到边缘端;
若所述验证结果不满足预设条件,则执行步骤:获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器。
优选地,若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援的步骤之后,所述溺水监测方法还包括:
若监测到所述用户脱离溺水状态时,停止发出所述报警信号,并将所述用户溺水时的环境信号和生物信号发送到云端服务器。
优选地,若监测到所述用户脱离溺水状态时,停止发出所述报警信号,并将所述用户溺水时的环境信号和生物信号发送到云端服务器的步骤之后,所述溺水监测方法还包括:
通过所述云端服务器,根据所述环境信号和所述生物信号对所述溺水模型进行训练,并判断训练后的溺水模型是否满足预设更新条件;
若训练后的溺水模型满足所述预设更新条件,则根据训练后的溺水模型对边缘端的溺水模型进行更新。
此外,为实现上述目的,本发明还提供一种溺水监测装置,所述溺水监测装置包括:
确定模块,用于根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;
报警模块,用于若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援。
进一步地,所述确定模块还包括训练模块。所述训练模块用于:
获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器;
通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型。
进一步地,所述训练模块还用于:
通过所述云端服务器对所述环境样本信号进行第一滤波操作,并提取经过第一滤波操作的环境样本信号的第一时域特征和第一频域特征;
通过所述云端服务器对所述生物样本信号进行第二滤波操作,并提取经过第二滤波操作的生物样本信号的第二时域特征、第二频域特征和非平稳特征;
基于所述第一时域特征、所述第一频域特征、所述第二时域特征、所述第二频域特征和所述非平稳特征,得到样本信号特征集合。
进一步地,所述训练模块还用于:
获取所述生物样本信号中的生物特征,根据所述生物特征,将所述第二时域特征、所述第二频域特征和所述非平稳特征进行分类;
将分类后的所述第二时域特征、所述第二频域特征和所述非平稳特征结合所述第一时域特征和所述第一频域特征,进行模型训练,以得到溺水模型。
进一步地,所述训练模块还包括验证模块,所述验证模块用于:
通过所述云端服务器对所述溺水模型进行验证,得到验证结果,并判断所述验证结果是否满足预设条件;
若所述验证结果满足预设条件,则将所述溺水模型下发到边缘端;
若所述验证结果不满足预设条件,则执行步骤:获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器。
进一步地,所述报警模块还包括发送模块,所述发送模块用于:
若监测到所述用户脱离溺水状态时,停止发出所述报警信号,并将所述用户溺水时的环境信号和生物信号发送到云端服务器。
进一步地,所述报警模块还包括更新模块,所述更新模块用于:
通过所述云端服务器,根据所述环境信号和所述生物信号对所述溺水模型进行训练,并判断训练后的溺水模型是否满足预设更新条件;
若训练后的溺水模型满足所述预设更新条件,则根据训练后的溺水模型对边缘端的溺水模型进行更新。
此外,为实现上述目的,本发明还提供一种溺水监测设备,所述溺水监测设备包括:传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的溺水监测程序,所述溺水监测程序被所述处理器执行时实现如上所述的溺水监测方法的步骤。
此外,为实现上述目的,本发明还提供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溺水监测程序,所述溺水监测程序被处理器执行时实现如上所述的溺水监测方法的步骤。
本发明提出的溺水监测方法,根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援;本发明通过将传感器采集的数据输入溺水模型中,并通过溺水模型确定用户是否溺水,若确定用户溺水,则发出报警信号,以使用户得到及时救援,通过溺水模型确定用户是否溺水,提高了溺水判断的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明溺水监测方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例设备可以是PC机或服务器设备。
如图1所示,该设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对设备的限定,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。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及溺水监测程序。
其中,操作系统是管理和控制便携溺水监测设备与软件资源的程序,支持网络通信模块、用户接口模块、溺水监测程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1004;用户接口模块用于管理和控制用户接口1003。
在图1所示的溺水监测设备中,所述溺水监测设备通过处理器1001调用存储器1005中存储的溺水监测程序,并执行下述溺水监测方法各个实施例中的操作。
基于上述硬件结构,提出本发明溺水监测方法实施例。
参照图2,图2为本发明溺水监测方法第一实施例的流程示意图,所述方法包括:
步骤S10,根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;
步骤S20,若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援。
本实施例溺水监测方法运用于可穿戴智能设备中,该可穿戴智能设备可以是智能手环、智能手表、智能手机等,该可穿戴智能设备包括但不限于传感器和边缘推理分析芯片,可穿戴智能设备能与云端服务器进行通信;为了方便描述,以智能手环为例进行描述;智能手环根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,该数据包括环境信号和生物信号,并将采集到的用户周围的环境信号和用户自身的生物信号输入溺水模型中,通过溺水模型对环境信号和生物信号进行分析判断,以确定用户是否溺水;若智能手环确定用户溺水,则发出报警信号,以使得用户得到及时救援;若智能手环确定用户没有溺水,则继续通过传感器采集用户周围的环境信号和用户的生物信号,持续监测用户是否溺水;需要说明的是,预设时间周期是相关研发人员在智能手环中提前设定的,一般为每0.5秒为一个时间周期;溺水模型是通过云端服务器训练后得到的,并通过云端服务器下发到智能手环或其他可穿戴智能设备中的。
本实施例的溺水监测方法,根据预设时间周期,将通过传感器采集的数据输入溺水模型中,并通过溺水模型确定用户是否溺水;若确定用户溺水,则发出报警信号,以使用户得到及时救援;本发明通过将传感器采集的数据输入溺水模型中,并通过溺水模型确定用户是否溺水,若确定用户溺水,则发出报警信号,以使用户得到及时救援,通过溺水模型确定用户是否溺水,提高了溺水判断的准确率。
以下将对各个步骤进行详细说明:
步骤S10,根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;
在本实施例中,智能手环根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,该数据包括环境信号和生物信号,并将通过传感器采集的用户周围的环境信号和用户的生物信号输入溺水模型中,通过溺水模型对环境信号和生物信号进行分析处理,以确定用户是否溺水;在一实施例中,智能手环中的传感器包括但不限于:加速度传感器、陀螺仪传感器、皮肤温度传感器、皮肤电导传感器、血氧传感器、心率监控传感器、环境温度传感器和压力传感器,预设时间周期为0.5秒,智能手环每0.5秒通过传感器采集用户周围的环境信号和用户的生物信号,输入溺水模型中,其中,环境信号包括:通过环境温度传感器采集的用户周围的空气温度信号和通过压力传感器采集的用户周围的压力信号,生物信号包括:通过加速度传感器采集的用户的加速度信号、通过陀螺仪传感器采集的用户的身体动作信号、通过皮肤温度传感器采集的用户的皮肤温度信号、通过皮肤电导传感器采集的用户的情绪变化信号、通过血氧传感器采集的用户的血液中氧分压信号和通过信号心率监控传感器采集的用户的心跳频率变化信号,将上述得到的所有环境信号和生物信号输入溺水模型中,以确定用户是否溺水。
步骤S20,若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援。
在本实施例中,若智能手环通过溺水模型确定用户溺水,则发出报警信号,并同时将用户溺水的紧急消息发送到云端服务器,使得云端服务器进行报警,使得用户得到及时的救援;在一实施例中,智能手环将环境信号和生物信号输入溺水模型中,溺水模型输出溺水信号,智能手环便可确定用户溺水,此时智能手环通过蜂鸣器发出警报声,使得周围的人能听到,同时将溺水信号、用户的溺水地点以及用户的溺水时间等发送到云端服务器,通过云端服务器通知救援人员,使得救援人员确定用户的位置,并对溺水用户进行救援;需要说明的是,若智能手环确定用户没有溺水,则继续按照预设周期,通过传感器采集用户周围的环境信号和用户的生物信号。
在另一实施例中,在游泳馆或水上乐园的场景中,用户佩戴的智能手环可与游泳馆或水上乐园的服务器进行连接,在智能手环确定用户溺水时,将用户溺水的地点以及用户溺水的时间发送到游泳馆或水上乐园的服务器上,游泳馆或水上乐园的救生员可通过相关的移动设备或PC设备得知用户溺水,及时对用户进行救援,避免了救生员无法第一时间发现溺水人员的情况发生。
具体地,步骤S20之后还包括:
步骤a,若监测到所述用户脱离溺水状态时,停止发出所述报警信号,并将所述用户溺水时的环境信号和生物信号发送到云端服务器。
在该步骤中,智能手环若监测到用户脱离溺水状态时,停止发出报警信号,并将用户溺水时用户周围的环境信号和用户自身的生物信号发送到云端服务器;在一实施例中,智能手环将通过环境温度传感器采集的用户周围的空气温度信号和通过压力传感器采集的用户周围的压力信号、通过加速度传感器采集的用户的加速度信号、通过陀螺仪传感器采集的用户的身体动作信号、通过皮肤温度传感器采集的用户的皮肤温度信号、通过皮肤电导传感器采集的用户的情绪变化信号、通过血氧传感器采集的用户的血液中氧分压信号和通过信号心率监控传感器采集的用户的心跳频率变化信号输入溺水模型中,确定用户处于非溺水状态时,停止通过蜂鸣器发出警报声,并将用户脱离溺水状态的信息发送到云端服务器,以通知相关救援人员用户已经脱离溺水的危险,并将用户溺水时的环境信号和生物信号发送到云端服务器,以便于收集真实的数据,对溺水模型进行进一步的训练,提高溺水模型判断溺水的准确率。需要说明的是,智能手环还能通过传感器采集的数据判断脱离溺水危险的用户是否需要其他例如救助,例如用户脱离溺水的危险,但由于溺水导致用户体温过低,智能手环可通过扬声器告知救援人员用户当前的身体状态为体温过低,以便于救援人员针对性地对用户进行专业的救助。
步骤b,通过所述云端服务器,根据所述环境信号和所述生物信号对所述溺水模型进行训练,并判断训练后的溺水模型是否满足预设更新条件;
在该步骤中,智能手环将用户溺水时周围的环境信号和用户自身的生物信号发送到云端服务器后,云端服务器根据环境信号和生物信号对所述溺水模型进行训练,并判断训练后的溺水模型是否满足预设更新条件,在一实施例中,云端服务器接收到用户溺水时周围的环境信号和用户自身的生物信号时,可选地直接根据当前接收到的环境信号和生物信号对溺水模型进行训练,可选地,先将接收到用户溺水时周围的环境信号和用户自身的生物信号进行储存,在接收到预设数量的不同用户溺水时周围的环境信号和用户自身的生物信号后,根据所有的环境信号和生物信号对溺水模型进行训练,对溺水模型训练完毕后,判断训练后的溺水模型是否满足预设更新条件;需要说明的是,预设更新条件是通过相关研发人员设定的,可根据溺水模型的实际情况对预设更新条件进行相应的调整。
步骤c,若训练后的溺水模型满足所述预设更新条件,则根据训练后的溺水模型对边缘端的溺水模型进行更新。
在该步骤中,云端服务器若确定训练后的溺水模型满足预设更新条件,则根据训练后的溺水模型,对智能手环中的溺水模型进行更新,如:云端服务器将训练后的溺水模型直接发送到智能手环,智能手环直接将训练后的溺水模型替代原本的溺水模型,已完成对溺水模型的更新。
本实施例的智能手环根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,该数据包括环境信号和生物信号,并将采集到的用户周围的环境信号和用户自身的生物信号输入溺水模型中,通过溺水模型对环境信号和生物信号进行分析判断,以确定用户是否溺水;若智能手环确定用户溺水,则发出报警信号,以使得用户得到及时救援;若智能手环确定用户没有溺水,则继续通过传感器采集用户周围的环境信号和用户的生物信号,持续监测用户是否溺水;通过采集用户周围的环境信号和用户自身的生物信号,输入溺水模型判断用户是否溺水,提高溺水判断的准确率,当确定用户溺水时,发出报警信号,使得用户得到及时救援。
进一步地,基于本发明溺水监测方法第一实施例,提出本发明溺水监测方法第二实施例。
溺水监测方法的第二实施例与溺水监测方法的第一实施例的区别在于,在步骤S10之前,溺水监测方法还包括:
步骤d,获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器;
步骤e,通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型。
在本实施例中,智能手环获取用户周围的环境样本信号和用户自身的生物样本信号,并将环境样本信号和生物样本信号发送到云端服务器,云端服务器对接收到的环境样本信号和生物样本信号进行滤波操作和特征提取操作,以得到样本信号特征集合,并根据样本信号特征集合和生物样本信号进行模型训练,以得到溺水模型。
以下对各个步骤进行详细说明:
步骤d,获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器;
在该步骤中,智能手环获取佩戴用户周围的环境样本信号和用户自身的生物样本信号,并将环境样本信号和生物样本信号发送到云端服务器;在一实施例中,智能手环通过环境温度传感器采集的用户周围的空气温度信号和通过压力传感器采集的用户周围的压力信号,得到环境样本信号,通过加速度传感器采集的用户的加速度信号、通过陀螺仪传感器采集的用户的身体动作信号、通过皮肤温度传感器采集的用户的皮肤温度信号、通过皮肤电导传感器采集的用户的情绪变化信号、通过血氧传感器采集的用户的血液中氧分压信号和通过信号心率监控传感器采集的用户的心跳频率变化信号,得到生物样本信号,通过大数据获取大量智能手环对应的环境样本信号和生物样本信号,并将所有的环境样本信号和所有的生物样本信号发送到云端服务器。
步骤e,通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型。
在该步骤中,云端服务器在接收到环境样本信号和生物样本信号后,对环境样本信号和生物样本信号进行预设操作,得到样本信号特征集合,并根据样本信号特征集合和生物样本信号进行模型训练,得到溺水模型,在一实施例中,云端服务器对环境样本信号进行滤波操作和特征提取操作,得到环境样本信号特征,对生物样本信号进行滤波操作、特征提取操作和分类操作,得到生物样本信号特征,根据环境样本信号特征和生物样本信号特征得到样本信号特征集合,并根据生物样本信号中的生物特征对生物样本信号对应的生物样本信号特征进行分类,再根据样本信号特征集合中的环境样本信号特征和分类后的生物样本信号特征进行模型训练,得到溺水模型。
具体地,通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作的步骤包括:
步骤f,通过所述云端服务器对所述环境样本信号进行第一滤波操作,并提取经过第一滤波操作的环境样本信号的第一时域特征和第一频域特征;
在该步骤中,云端服务器在接收到环境样本信号后,对环境样本信号进行第一滤波操作,其中第一滤波操作可以包括低通滤波、带通滤波和高通滤波,具体根据环境样本信号确定,将环境样本信号中的干扰信号滤除,得到干净的环境样本信号,以便于后续的特征提取,云端服务器得到干净的环境样本信号后,对环境样本信号进行特征提取操作,提取环境样本信号的第一时域特征,包括:通过环境温度传感器采集的用户周围的空气温度信号和通过压力传感器采集的用户周围的压力信号的均值、标准偏差、峰度、峰峰值、波峰因数和均方根等,从环境样本信号的频域提取第一频域特征,包括:通过环境温度传感器采集的用户周围的空气温度信号和通过压力传感器采集的用户周围的压力信号的特征频率峰值或频带、幅度、相位中的能量。
步骤g,通过所述云端服务器对所述生物样本信号进行第二滤波操作,并提取经过第二滤波操作的生物样本信号的第二时域特征、第二频域特征和非平稳特征。
在该步骤中,云端服务器在接收到生物样本信号后,对生物样本信号进行第二滤波操作,其中第二滤波操作可以包括低通滤波、带通滤波和高通滤波,具体根据生物样本信号确定,将生物样本信号中的干扰信号滤除,得到干净的生物样本信号,以便于后续的特征提取,云端服务器得到干净的生物样本信号后,对生物样本信号进行特征提取操作,提取包括通过加速度传感器采集的用户的加速度信号、通过陀螺仪传感器采集的用户的身体动作信号、通过皮肤温度传感器采集的用户的皮肤温度信号、通过皮肤电导传感器采集的用户的情绪变化信号、通过血氧传感器采集的用户的血液中氧分压信号和通过信号心率监控传感器采集的用户的心跳频率变化信号的第二时域特征,包括:均值、标准偏差、峰度、峰峰值、波峰因数和均方根等,以及第二频域特征,包括:特征频率峰值或频带、幅度、相位中的能量;考虑到生物样本信号的非平稳性,对于生物样本信号的时频域,从加速度信号、身体动作信号、情绪变化信号、血液中氧分压信号和心跳频率变化信号等动态信号中提取统计矩和基于小波的特征,以捕捉训练过程中上述动态信号的非平稳特征。
步骤h,基于所述第一时域特征、所述第一频域特征、所述第二时域特征、所述第二频域特征和所述非平稳特征,得到样本信号特征集合。
在该步骤中,云端服务器基于环境样本信号对应的第一时域特征和第一频域特征,以及生物样本信号中的第二时域特征、第二频域特征和非平稳特征,得到样本信号特征集合。
具体地,根据样本信号特征集合进行模型训练,以得到溺水模型的步骤包括:
步骤i,获取所述生物样本信号中的生物特征,根据所述生物特征,将所述第二时域特征、所述第二频域特征和所述非平稳特征进行分类;
在该步骤中,云端服务器获取生物样本信号中的生物特征,并根据生物特征,将从生物样本信号中提取的第二时域特征、第二频域特征和非平稳特征进行分类,在一实施例中,不同的用户会有不同的生物特征,生物特征包括不同的身体特征(如体重、身高、年龄、性别等)和不同的异常性状表现(如缺血性脑卒中、出血性脑卒中、短暂性脑缺血等),不同的生物特征会对传感器采集的加速度信号、身体动作信号、皮肤温度信号、情绪变化信号、血液中氧分压信号和心跳频率变化信号具有影响,因此,需要将在具有相同生物特征的用户采集的生物样本信号对应的第二时域特征、第二频域特征和非平稳特征进行分类,例如:将在体重为80千克到85千克的用户采集的生物样本信号对应的第二时域特征、第二频域特征和非平稳特征分为一类,将在患有短暂性脑缺血的用户采集的生物样本信号对应的第二时域特征、第二频域特征和非平稳特征分为一类;需要说明的是,当某个用户存在多个不同的生物特征,在其身上采集的生物样本信号对应的第二时域特征、第二频域特征和非平稳特征会被分为多类。
步骤j,将分类后的所述第二时域特征、所述第二频域特征和所述非平稳特征结合所述第一时域特征和所述第一频域特征,进行模型训练,以得到溺水模型。
在该步骤中,云端服务器根据分类后的生物样本信号对应的第二时域特征、第二频域特征和非平稳特征结合环境样本信号对应的第一时域特征和所述第一频域特征进行模型训练,主要采用长短记忆神经网络LSTM、自组织图谱SOM与支持向量机SVM进行溺水模型的建构,最终得到溺水模型。需要说明的是,长短时记忆神经网络(Long Short-termMemory Networks,LSTM)是一种循环神经网络特殊的类型,可以学习长期依赖信息;一个基于竞争性学习无监督系统,其中输出神经元之间竞争激活,结果是在任意时间只有一个神经元被激活。这个激活的神经元被称为胜者神经元(winner-takes-all neuron),这种竞争可以通过在神经元之间具有横向抑制连接(负反馈路径)来实现,其结果是神经元被迫对自身进行重新组合,这样的系统我们称之为自组织图谱SOM(Self Organizing Map,SOM);支持向量机SVM(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)。
具体地,得到溺水模型的步骤之后还包括:
步骤k,通过所述云端服务器对所述溺水模型进行验证,得到验证结果,并判断所述验证结果是否满足预设条件;
在该步骤中,云端服务器对得到的溺水模型进行验证,通常通过五折交叉检验的方式,对溺水模型进行验证,得到验证结果,并判断验证结果是否满足预设条件;需要说明的是,预设条件是由相关研发人员提前设定的,用于判断溺水模型是否可以下发到边缘端。
步骤l,若所述验证结果满足预设条件,则将所述溺水模型下发到边缘端;
在该步骤中,云端服务器若判断得到验证结果满足预设条件,则将溺水模型下发到边缘端,如:预设条件为溺水模型的溺水判断准确率得到80%,若得到的验证结果中溺水模型的溺水判断准确率大于80%,云端服务器则确定验证结果满足预设条件,并将溺水模型下发到边缘端,边缘端可为可穿戴设备中用于分析传感器采集的信号的芯片。
步骤n,若所述验证结果不满足预设条件,则执行步骤:获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器。
在该步骤中,云端服务器若判断得到验证结果不满足预设条件,则继续通过智能手环等智能可穿戴设备,获取环境样本信号和生物样本信号,并将环境样本信号和生物样本信号发送到云端服务器,重新对溺水模型进行训练,或通过五折交叉检验的方式对溺水模型进行优化,直到溺水模型的验证结果满足预设条件。
本实施例的智能手环获取用户周围的环境样本信号和用户自身的生物样本信号,并将环境样本信号和生物样本信号发送到云端服务器,云端服务器对接收到的环境样本信号和生物样本信号进行滤波操作和特征提取操作,以得到样本信号特征集合,并根据样本信号特征集合和生物样本信号进行模型训练,以得到溺水模型,有助于提高溺水判断的准确率。
本发明还提供一种溺水监测装置。本发明溺水监测装置包括:
确定模块,用于根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;
报警模块,用于若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援。
进一步地,所述确定模块还包括训练模块。所述训练模块用于:
获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器;
通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型。
进一步地,所述训练模块还用于:
通过所述云端服务器对所述环境样本信号进行第一滤波操作,并提取经过第一滤波操作的环境样本信号的第一时域特征和第一频域特征;
通过所述云端服务器对所述生物样本信号进行第二滤波操作,并提取经过第二滤波操作的生物样本信号的第二时域特征、第二频域特征和非平稳特征;
基于所述第一时域特征、所述第一频域特征、所述第二时域特征、所述第二频域特征和所述非平稳特征,得到样本信号特征集合。
进一步地,所述训练模块还用于:
获取所述生物样本信号中的生物特征,根据所述生物特征,将所述第二时域特征、所述第二频域特征和所述非平稳特征进行分类;
将分类后的所述第二时域特征、所述第二频域特征和所述非平稳特征结合所述第一时域特征和所述第一频域特征,进行模型训练,以得到溺水模型。
进一步地,所述训练模块还包括验证模块,所述验证模块用于:
通过所述云端服务器对所述溺水模型进行验证,得到验证结果,并判断所述验证结果是否满足预设条件;
若所述验证结果满足预设条件,则将所述溺水模型下发到边缘端;
若所述验证结果不满足预设条件,则执行步骤:获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器。
进一步地,所述报警模块还包括发送模块,所述发送模块用于:
若监测到所述用户脱离溺水状态时,停止发出所述报警信号,并将所述用户溺水时的环境信号和生物信号发送到云端服务器。
进一步地,所述报警模块还包括更新模块,所述更新模块用于:
通过所述云端服务器,根据所述环境信号和所述生物信号对所述溺水模型进行训练,并判断训练后的溺水模型是否满足预设更新条件;
若训练后的溺水模型满足所述预设更新条件,则根据训练后的溺水模型对边缘端的溺水模型进行更新。
本发明还提供一种溺水监测设备。
溺水监测设备包括:传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的溺水监测程序,所述溺水监测程序被所述处理器执行时实现如上所述的溺水监测方法的步骤。
其中,在所述处理器上运行的溺水监测程序被执行时所实现的方法可参照本发明溺水监测方法各个实施例,此处不再赘述。
本发明还提供一种计算机可读存储介质。
计算机可读存储介质上存储有溺水监测程序,所述溺水监测程序被处理器执行时实现如上所述的溺水监测方法的步骤。
其中,在所述处理器上运行的溺水监测程序被执行时所实现的方法可参照本发明溺水监测方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书与附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种溺水监测方法,其特征在于,所述溺水监测方法包括如下步骤:
根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;
若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援。
2.如权利要求1所述的溺水监测方法,其特征在于,所述根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水的步骤之前,所述溺水监测方法还包括:
获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器;
通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型。
3.如权利要求2所述的溺水监测方法,其特征在于,所述通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合的步骤包括:
通过所述云端服务器对所述环境样本信号进行第一滤波操作,并提取经过第一滤波操作的环境样本信号的第一时域特征和第一频域特征;
通过所述云端服务器对所述生物样本信号进行第二滤波操作,并提取经过第二滤波操作的生物样本信号的第二时域特征、第二频域特征和非平稳特征;
基于所述第一时域特征、所述第一频域特征、所述第二时域特征、所述第二频域特征和所述非平稳特征,得到样本信号特征集合。
4.如权利要求3所述的溺水监测方法,其特征在于,所述根据所述样本信号特征集合和所述生物样本信号进行模型训练,以得到溺水模型的步骤包括:
获取所述生物样本信号中的生物特征,根据所述生物特征,将所述第二时域特征、所述第二频域特征和所述非平稳特征进行分类;
将分类后的所述第二时域特征、所述第二频域特征和所述非平稳特征结合所述第一时域特征和所述第一频域特征,进行模型训练,以得到溺水模型。
5.如权利要求2中所述的溺水监测方法,其特征在于,所述通过所述云端服务器对所述环境样本信号和所述生物样本信号进行预设操作,以得到样本信号特征集合,并根据所述样本信号特征集合进行模型训练,以得到溺水模型的步骤之后,所述溺水监测方法还包括:
通过所述云端服务器对所述溺水模型进行验证,得到验证结果,并判断所述验证结果是否满足预设条件;
若所述验证结果满足预设条件,则将所述溺水模型下发到边缘端;
若所述验证结果不满足预设条件,则执行步骤:获取环境样本信号和生物样本信号,并将所述环境样本信号和所述生物样本信号发送到云端服务器。
6.如权利要求1所述的溺水监测方法,其特征在于,所述若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援的步骤之后,所述溺水监测方法还包括:
若监测到所述用户脱离溺水状态时,停止发出所述报警信号,并将所述用户溺水时的环境信号和生物信号发送到云端服务器。
7.如权利要求6所述的溺水监测方法,其特征在于,所述若监测到所述用户脱离溺水状态时,停止发出所述报警信号,并将所述用户溺水时的环境信号和生物信号发送到云端服务器的步骤之后,所述溺水监测方法还包括:
通过所述云端服务器,根据所述环境信号和所述生物信号对所述溺水模型进行训练,并判断训练后的溺水模型是否满足预设更新条件;
若训练后的溺水模型满足所述预设更新条件,则根据训练后的溺水模型对边缘端的溺水模型进行更新。
8.一种溺水监测装置,其特征在于,所述溺水监测装置包括:
确定模块,用于根据预设时间周期,通过传感器采集用户所处环境以及用户自身的数据,并将所述数据输入溺水模型中,以确定用户是否溺水;
报警模块,用于若确定所述用户溺水,则发出报警信号,以使所述用户得到及时救援。
9.一种溺水监测设备,其特征在于,所述溺水监测设备包括:传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的溺水监测程序,所述溺水监测程序被所述处理器执行时实现如权利要求1至7中任一项所述的溺水监测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有溺水监测程序,所述溺水监测程序被处理器执行时实现如权利要求1至7中任一项所述的溺水监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078002.9A CN113516828B (zh) | 2021-09-15 | 2021-09-15 | 溺水监测方法、装置、设备与计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111078002.9A CN113516828B (zh) | 2021-09-15 | 2021-09-15 | 溺水监测方法、装置、设备与计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516828A true CN113516828A (zh) | 2021-10-19 |
CN113516828B CN113516828B (zh) | 2022-01-07 |
Family
ID=78063305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111078002.9A Active CN113516828B (zh) | 2021-09-15 | 2021-09-15 | 溺水监测方法、装置、设备与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516828B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386334A (zh) * | 2022-01-19 | 2022-04-22 | 浙江大学 | 一种基于分布式水文径流模拟替代模型的径流滚动预报方法 |
CN114582091A (zh) * | 2022-03-11 | 2022-06-03 | 佛山市高明粤华卫生洁具有限公司 | 基于泳池安全的智能监控预警系统 |
CN115100285A (zh) * | 2022-08-25 | 2022-09-23 | 深圳市信润富联数字科技有限公司 | 风电传感器安装方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104433009A (zh) * | 2014-12-19 | 2015-03-25 | 苏州大学 | 基于rssi无线定位技术的智能游泳手环 |
CN104537273A (zh) * | 2015-01-21 | 2015-04-22 | 苏州大学 | 一种溺水模式智能推理系统及方法 |
CN104524747A (zh) * | 2014-12-19 | 2015-04-22 | 苏州大学 | 基于物联网和人工智能的智能游泳系统 |
WO2017130187A1 (en) * | 2016-01-26 | 2017-08-03 | Coral Detection Systems Ltd. | Methods and systems for drowning detection |
CN111902848A (zh) * | 2017-12-05 | 2020-11-06 | 苏森斯有限公司 | 用于溺水检测的系统和方法 |
CN111950437A (zh) * | 2020-08-07 | 2020-11-17 | 平安科技(深圳)有限公司 | 基于深度学习模型的步态识别方法、装置和计算机设备 |
-
2021
- 2021-09-15 CN CN202111078002.9A patent/CN113516828B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104433009A (zh) * | 2014-12-19 | 2015-03-25 | 苏州大学 | 基于rssi无线定位技术的智能游泳手环 |
CN104524747A (zh) * | 2014-12-19 | 2015-04-22 | 苏州大学 | 基于物联网和人工智能的智能游泳系统 |
CN104537273A (zh) * | 2015-01-21 | 2015-04-22 | 苏州大学 | 一种溺水模式智能推理系统及方法 |
WO2017130187A1 (en) * | 2016-01-26 | 2017-08-03 | Coral Detection Systems Ltd. | Methods and systems for drowning detection |
CN111902848A (zh) * | 2017-12-05 | 2020-11-06 | 苏森斯有限公司 | 用于溺水检测的系统和方法 |
CN111950437A (zh) * | 2020-08-07 | 2020-11-17 | 平安科技(深圳)有限公司 | 基于深度学习模型的步态识别方法、装置和计算机设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386334A (zh) * | 2022-01-19 | 2022-04-22 | 浙江大学 | 一种基于分布式水文径流模拟替代模型的径流滚动预报方法 |
CN114582091A (zh) * | 2022-03-11 | 2022-06-03 | 佛山市高明粤华卫生洁具有限公司 | 基于泳池安全的智能监控预警系统 |
CN115100285A (zh) * | 2022-08-25 | 2022-09-23 | 深圳市信润富联数字科技有限公司 | 风电传感器安装方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113516828B (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516828B (zh) | 溺水监测方法、装置、设备与计算机可读存储介质 | |
EP3558101B1 (en) | Methods and systems for determining abnormal cardiac activity | |
CN109407504B (zh) | 一种基于智能手表的人身安全检测系统及方法 | |
EP2515760B1 (en) | Affective well-being supervision system and method | |
CN109363659B (zh) | 基于深度学习的心率监控方法、装置及存储介质 | |
CN106997243B (zh) | 基于智能机器人的演讲场景监控方法及装置 | |
CN108960022B (zh) | 一种情绪识别方法及其装置 | |
KR101320545B1 (ko) | 맥파측정 및 낙상감지 장치 및 방법 | |
US20180206774A1 (en) | Wearable devices for assisting parkinson's disease patients | |
CN205050303U (zh) | 一种智能人体瘫倒监测装置 | |
CN108109331A (zh) | 监控方法及监控系统 | |
CN107049308B (zh) | 一种基于深度神经网络的意念控制系统 | |
US20180249967A1 (en) | Devices, systems, and associated methods for evaluating a potential stroke condition in a subject | |
CN110881987B (zh) | 一种基于可穿戴设备的老年人情绪监测系统 | |
CN107669266A (zh) | 一种动物脑电分析系统 | |
CN110610754A (zh) | 一种沉浸式可穿戴诊断与治疗装置 | |
CN110916653B (zh) | 一种头戴式提醒癫痫患者的预警装置 | |
CN110660492A (zh) | 动态生理参数监测方法、系统、监测设备及介质 | |
KR102539796B1 (ko) | 수면다원검사 및 인공지능을 이용한 수면 분석 시스템 및 방법 | |
CN115271002B (zh) | 识别方法、急救决策方法、介质及生命健康智能监护系统 | |
CN115905920A (zh) | 训练睡眠检测模型的方法、睡眠检测方法及相关装置 | |
CN110090029A (zh) | 情绪测量系统、智能手环和便携终端 | |
Antunes et al. | An intelligent system to detect drowsiness at the wheel | |
CN114452133A (zh) | 一种基于分级监护模式的护理方法及护理系统 | |
Nissimagoudar et al. | Driver alertness detection using CNN-BiLSTM and implementation on ARM-based SBC |
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 |