CN113822181B - 一种基于肢体活跃度的行为心理异常检测方法 - Google Patents
一种基于肢体活跃度的行为心理异常检测方法 Download PDFInfo
- Publication number
- CN113822181B CN113822181B CN202111050931.9A CN202111050931A CN113822181B CN 113822181 B CN113822181 B CN 113822181B CN 202111050931 A CN202111050931 A CN 202111050931A CN 113822181 B CN113822181 B CN 113822181B
- Authority
- CN
- China
- Prior art keywords
- predicted
- data
- activity
- model
- body activity
- 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.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000003542 behavioural effect Effects 0.000 title claims abstract description 14
- 230000037081 physical activity Effects 0.000 claims abstract description 131
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000008451 emotion Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于肢体活跃度的行为心理异常检测方法,属于计算机视觉技术领域,包括采集待预测个体在时间段T内的视频数据;基于时间段T内的视频数据,计算整段视频数据的身体活跃度,将待预测个体ID、时间段T以及对应的身体活跃度组成待预测数据项;将待预测数据项作为预先构建的身体活跃度异常等级预测模型,预测所述待预测个体的身体活跃度异常等级。本发明以人体关键点识别深度学习模型为基础,对所需要监测的人员进行长时间观测,建立身体活跃度异常等级预测模型,对需要监测人员以后的行为进行监测,根据模型判断哪些行为存在异常,达到提前预警、防止危害发生的目的。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种基于肢体活跃度的行为心理异常检测方法。
背景技术
心理健康是指心理的各个方面及活动过程处于一种良好或正常的状态,是现代人健康不可分割的重要方面。而心理异常则是一种精神疾病,可根据不同的标准或其严重程度分类,严重的心理异常若不及时进行针对性治疗,可能会危及到个人健康乃至社会的安全,因此需要对存在心理异常的个体进行心理异常状况检测,达到提前预警、防止危害发生的目的。
发明内容
本发明的目的在于克服现有技术存在的缺陷,提高个体心理异常情况检测的准确性。
为实现以上目的,本发明采用一种基于肢体活跃度的行为心理异常检测方法,包括:
采集待预测个体在时间段T内的视频数据;
基于时间段T内的视频数据,计算整段视频数据的身体活跃度,将待预测个体ID、时间段T以及对应的身体活跃度组成待预测数据项;
将待预测数据项作为预先构建的身体活跃度异常等级预测模型,预测所述待预测个体的身体活跃度异常等级。
进一步地,所述时间段T内的基于视频数据,计算整段视频数据的身体活跃度,将待预测个体ID、时间段T以及对应的身体活跃度组成待预测数据项,包括:
基于所述时段段T内的视频素具,采用pose检测算法,将所述待预测个体关键点坐标转化为向量,分别计算鼻子、四肢向量的变化模长,组成身体活跃度向量;
对所述时间段T内的视频数据对应的身体活跃度向量计算平均值,作为该段视频数据对应的身体活跃度;
将所述待预测个体ID、时间段T以及对应的身体活跃度组成所述待预测数据项。
进一步地,所述身体活跃度异常等级预测模型包括多维高斯模型、孤立森林模型和PCA模型中的至少一个。
进一步地,所述多维高斯模型对所述待预测数据项进行处理过程包括:
对于所述待预测数据项,通过以下公式计算得到概率密度函数值ρ(x):
其中,x为所述待预测数据项,Σ为协方差矩阵,μ为5维度均值,m为样本数量;
将所述概率密度函数值ρ(x)与阈值ε1进行比较,判断所述待预测个体的身体活跃度异常等级u1;
所述孤立森林模型对所述待预测数据项进行处理的过程包括:
根据所述待预测数据项,综合所述孤立森林模型每棵树的计算结果,计算异常得分s1:
其中,x为所述待预测数据项,h(x)为x在每棵树的高度,c(n)为所述孤立森林模型构建时给定样本数n路径的平均长度值;
将异常得分s1与阈值ε2进行比较,判断所述待预测个体的身体活跃度异常等级u2。
进一步地,利用所述PCA模型对所述待预测数据项进行处理的过程包括:
基于重构方式的所述PCA模型对所述待预测数据项进行处理,判断所述待预测数据项的身体活跃度异常等级
基于偏离方式的所述PCA模型对所述待预测数据项进行处理,判断所述待预测数据项的身体活跃度异常等级
根据所述待预测数据项的身体活跃度异常等级和所述待预测数据项的身体活跃度异常等级/>计算所述待预测个体的身体活跃度异常等级u3。
进一步地,在所述身体活跃度异常等级预测模型包括多维高斯模型、孤立森林模型和PCA模型中的至少两个时,所述将待预测数据项作为预先构建的身体活跃度异常等级预测模型,预测所述待预测个体的身体活跃度异常等级,包括:
将所述待预测数据项分别作为所述多维高斯模型、孤立森林模型和PCA模型中的至少两个模型的输入,模型输出对应的身体活跃度异常等级预测结果;
将各模型输出的身体活跃度异常等级预测结果结合各模型对应的权重,得到所述待预测个体的身体活跃度异常等级。
进一步地,在所述将待预测数据项作为预先构建的身体活跃度异常等级预测模型,预测所述待预测个体的身体活跃度异常等级之前,还包括:
采集多个时间段内样本对象的视频数据,并将每个时间段对应的视频数据和人脸坐标保存至数据库;
采用pose检测算法,将样本对象的关键点坐标转化为向量,分别计算鼻子、四肢向量的变化模长,组成5维身体活跃度向量;
对每一时间段内的视频数据对应的5维身体活跃度向量计算平均值,作为该段视频数据对应的身体活跃度;
将所述待预测个体ID、时间段以及该时间段对应的5维身体活跃度,组成每一样本对象的身体活跃度分布数据;
根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型。
进一步地,所述根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型,包括:根据所述每一样本对象的身体活跃度分布数据,构建多维高斯模型,具体为:
将所述样本对象的身体活跃度分布数据进行数学变换,使其满足近似符合正态分布;
计算所有所述身体活跃度分布数据的5维度均值μ以及协方差矩阵Σ1:
其中,u=(u1,u2,...u5),
基于5维度均值μ以及协方差矩阵Σ1,构建所述多维高斯模型。
进一步地,所述根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型,包括:根据所述每一样本对象的身体活跃度分布数据,构建孤立森林模型,具体为:
对所述样本对象的身体活跃度分布数据进行预处理,作为所述孤立森林模型的训练数据;
从所述训练数据中随机选择v个点作为子样本,放入一颗孤立树的根节点,随机指定一个维度在其最大值与最小值之间产生一个切割点p;
切割点p将当前节点数据空间划分为两个子空间,当前维度下小于p的点放在当前节点的左分支,大于p的点放在当前节点的右分支;
在节点的左右分支节点递归进行2-3,直到无法再继续划分为止;
不断进行2-4,直到获得t个孤立树,在获得t个孤立树后,结束单棵树的训练,构建得到所述孤立森林模型。
进一步地,所述根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型,包括:根据所述每一样本对象的身体活跃度分布数据,构建PCA模型,具体为:
对所述样本对象的身体活跃度分布数据进行预处理,并计算X的协方差矩阵Σ2:
其中,m为样本数量,XΤ表示X的转置,X表示m×5的矩阵;
求出协方差矩阵Σ2的特征值λ1,λ2,...,λ5以及特征向量e1,e2,...,e5,按照特征值从大到小,将对应的特征向量从左到右进行排序,前k个特征向量形成矩阵Pk,后(5-k)个特征向量形成矩阵Pr,0≤k≤5;
计算所述样本对象的身体活跃度分布数据经过降维后的新数据集为Pk的转置。
与现有技术相比,本发明存在以下技术效果:本发明以人体关键点识别深度学习模型为基础,对所需要监测的人员进行长时间观测,建立身体活跃度异常等级预测模型,对需要监测人员以后的行为进行监测,根据模型判断哪些行为存在异常,达到提前预警、防止危害发生的目的。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是一种基于肢体活跃度的行为心理异常检测方法的流程图;
图2是身体活跃度计算原理图;
图3是身体活跃度异常等级预测模型构建流程图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1所示,本实施例公开了一种基于肢体活跃度的行为心理异常检测方法,包括如下步骤S1至S3:
S1、采集待预测个体在时间段T内的视频数据;
S2、基于时间段T内的视频数据,计算整段视频数据的身体活跃度,将待预测个体ID、时间段T以及对应的身体活跃度组成待预测数据项;
S3、将待预测数据项作为预先构建的身体活跃度异常等级预测模型,预测所述待预测个体的身体活跃度异常等级。
需要说明的是,本实施例公开的行为心理异常检测方法可以帮助监控人员便利地跟踪个体身体活跃度出现异常的情况,并且可以根据出现异常的等级和次数给予监控者对应的干预方案,可有效预防诸如暴力事件等情况的出现。
作为进一步优选的技术方案,上述步骤S2:基于时间段T内的视频数据,计算整段视频数据的身体活跃度,将待预测个体ID、时间段T以及对应的身体活跃度组成待预测数据项,具体包括如下细分步骤S21至S23:
S21、基于所述时段段T内的视频素具,采用pose检测算法,将所述待预测个体关键点坐标转化为向量,分别计算鼻子、四肢向量的变化模长,组成身体活跃度向量;
S22、对所述时间段T内的视频数据对应的身体活跃度向量计算平均值,作为该段视频数据对应的身体活跃度;
S23、将所述待预测个体ID、时间段T以及对应的身体活跃度组成所述待预测数据项。
如图2所示,图例人物的左手胳膊为a向量,下一帧左手胳膊为b向量,计算出位移向量的模长作为一个身体活跃度。
作为进一步优选的技术方案,所述身体活跃度异常等级预测模型包括多维高斯模型、孤立森林模型和PCA模型中的至少一个。
作为进一步优选的技术方案,如图3所示,在上述步骤S3:将待预测数据项作为预先构建的身体活跃度异常等级预测模型,预测所述待预测个体的身体活跃度异常等级之前,还包括:构建所述身体活跃度异常等级预测模型,具体包括:
采集多个时间段内样本对象的视频数据,并将每个时间段对应的视频数据和人脸坐标保存至数据库;
采用pose检测算法,将样本对象的关键点坐标转化为向量,分别计算鼻子、四肢向量的变化模长,组成5维身体活跃度向量;
对每一时间段内的视频数据对应的5维身体活跃度向量计算平均值,作为该段视频数据对应的身体活跃度;
将所述待预测个体ID、时间段以及该时间段对应的5维身体活跃度,组成每一样本对象的身体活跃度分布数据;
根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型。
需要说明的是,本实施例利用监控摄像头中出现样本对象后,调用人脸检测算法,对目标进行身份识别,如果目标匹配,就录制一段视频,把视频和人脸坐标保存到数据库中。
具体来说,身体活跃度异常等级预测模型的构建过程包括:
(1)构建多维高斯模型:
将所述每一样本对象在数据表中的全部训练数据项进行数学变换,使其满足近似符合正态分布;
计算所有所述样本对象在数据表中的全部训练数据项的5维度均值μ以及协方差矩阵Σ1:
其中,u=(u1,u2,...u5),m表示样本数量;
基于所述每一样本对象对应的5维度均值μ以及协方差矩阵Σ1,构建所述每一样本对象对应的多维高斯模型为:
其中,x为待预测数据项,m为样本数量。
需要说明的是,使用多维高斯分布模型对采集到的所有表情概率分布数据进行群体常模构建,基于整体的情绪分布划分每个身体活跃度异常等级的阈值ε1,并且之后根据新数据动态调节阈值,即阈值为动态判断,将所有样本计算的概率密度函数分布从左到右的方式按照从小到大进行排列,取在百分之1.5位置的概率密度函数为异常阈值ε1。
(2)构建孤立森林模型:
对所述每一样本对象在数据表中的全部训练数据项进行去除脏数据、将X去均值化、方差归一化等预处理,作为所述孤立森林模型的训练数据;
从所述训练数据中随机选择v个点作为子样本,放入一颗孤立树的根节点,随机指定一个维度在其最大值与最小值之间产生一个切割点p;
切割点p将当前节点数据空间划分为两个子空间,当前维度下小于p的点放在当前节点的左分支,大于p的点放在当前节点的右分支;
在节点的左右分支节点递归进行2-3,直到无法再继续划分为止;
不断进行2-4,直到获得t个孤立树,在获得t个孤立树后,结束单棵树的训练,构建得到所述孤立森林模型。
(3)构建PCA模型:
对所述每一样本对象在数据表中的全部训练数据项进行去除脏数据、将X去均值化、方差归一化等预处理,并计算X的协方差矩阵Σ2:
其中,m为样本数量,XΤ表示X的转置,X表示m×5的矩阵;
求出协方差矩阵Σ2的特征值λ1,λ2,...,λ5以及特征向量e1,e2,...,e5,按照特征值从大到小,将对应的特征向量从左到右进行排序,前k个特征向量形成矩阵Pk(principlecomponent,主成分),后(5-k)个特征向量形成矩阵Pr(residual subspace,残差子空间),0≤k≤5;
计算所述每一样本对象在数据表中的全部训练数据项经过降维后的新数据集为Pk的转置。
作为进一步优选的技术方案,本实施例在建模之前,还包括:
判断数据表中的全部训练数据数目是否符合建模要求;
若是,则进行模型构建;
若否,不进行该个体的模型构建。
作为进一步优选的技术方案,在所述身体活跃度异常等级预测模型包括多维高斯模型、孤立森林模型和PCA模型中的至少两个时,所述将待预测数据项作为预先构建的身体活跃度异常等级预测模型,预测所述待预测个体的身体活跃度异常等级,包括:
将所述待预测数据项分别作为所述多维高斯模型、孤立森林模型和PCA模型中的至少两个模型的输入,模型输出对应的身体活跃度异常等级预测结果;
将各模型输出的身体活跃度异常等级预测结果结合各模型对应的权重,得到所述待预测个体的身体活跃度异常等级。
比如,对于第一多维高斯分布异常检测模型,输出为该模型预测的异常等级u1(0或1),0表示正常,1表示异常;对于孤立森林模型,输出为该模型预测的异常等u2(0或1),0表示正常,1表示异常;对于PCA模型,输出为该模型预测的异常等级u3(0或1),0表示正常,1表示异常;将所有模型判断的异常等级进行叠加,得到最后的异常等级。需要说明的是,本实施例通过赋予多个有效的情绪异常检测模型不同的权重,结合判断个体的异常等级,提高了个体身体活跃度异常等级判断的准确性。
作为进一步优选的技术方案,所述多维高斯模型对所述待预测数据项进行处理过程包括:
对于所述待预测数据项,通过以下公式计算得到概率密度函数值ρ(x):
其中,x为待预测数据项,Σ1为协方差矩阵,μ为5维度均值,n为样本数量;
将所述概率密度函数值ρ(x)与阈值ε1进行比较,判断所述待预测个体的身体活跃度异常等级u1;
所述孤立森林模型对所述待预测数据项进行处理的过程包括:
根据所述待预测数据项,综合所述孤立森林模型每棵树的计算结果,计算异常得分s1:
其中,x为所述待预测数据项,h(x)为x在每棵树的高度,c(n)为所述孤立森林模型构建时给定样本数n路径的平均长度值;
将异常得分s1与阈值ε2进行比较,判断所述待预测个体的身体活跃度异常等级u2。
需要说明的是,将所有样本计算异常得分s1按照从小到大进行排列,取在百分之1.5位置的得分为异常阈值ε2。
作为进一步优选的技术方案,利用所述PCA模型对所述待预测数据项进行处理的过程包括:
当需要预测的新数据在残差子空间的投影长度很长,大于设置的阈值后则判断该数据为异常数据,即基于重构方式的所述PCA模型对所述待预测数据项进行处理,判断所述待预测数据项的身体活跃度异常等级具体为:
基于所述待预测数据项,计算其残差子空间上的投影长度为||xr||,其中xr表示投影向量,x表示待预测数据项;
将投影长度与设置的阈值ε3比较,判断所述待预测个体身体活跃度异常等级
需要说明的是,将所有样本计算的投影长度按照从小到大进行排列,取在百分之1.5位置的得分为异常阈值ε3。
因PCA提取了数据的主要特征成分,当待测数据项无法被重构,则说明这个数据主要特征与大部分数据不一致,就是异常数据,即基于偏离方式的所述PCA模型对所述待预测数据项进行处理,判断所述待预测数据项的身体活跃度异常等级具体为:
基于所述待预测数据,利用如下公式计算其异常得分s2:
其中,X'=(Pk·YΤ)Τ,x表示待测数据项,λi和λj表示协方差矩阵Σ2的特征值;
将异常得分s2与设置的阈值ε4比较,判断所述待预测个体身体活跃度异常等级
将所述待预测数据项的情绪异常等级和所述待预测数据项的情绪异常等级/>叠加,得到所述待预测个体的情绪异常等级u3。
需要说明的是,将所有样本计算异常得分s2按照从小到大进行排列,取在百分之1.5位置的得分为异常阈值ε4。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于肢体活跃度的行为心理异常检测方法,其特征在于,包括:
S1、采集待预测个体在时间段T内的视频数据;
S2、基于时间段T内的视频数据,计算整段视频数据的身体活跃度,将待预测个体ID、时间段T以及对应的身体活跃度组成待预测数据项,具体为:
基于所述时段段T内的视频素具,采用pose检测算法,将所述待预测个体关键点坐标转化为向量,分别计算鼻子、四肢向量的变化模长,组成身体活跃度向量;
对所述时间段T内的视频数据对应的身体活跃度向量计算平均值,作为该段视频数据对应的身体活跃度;
将所述待预测个体ID、时间段T以及对应的身体活跃度组成所述待预测数据项;
S3、将待预测数据项作为预先构建的身体活跃度异常等级预测模型的输入,预测所述待预测个体的身体活跃度异常等级。
2.如权利要求1所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,所述身体活跃度异常等级预测模型包括多维高斯模型、孤立森林模型和PCA模型中的至少一个。
3.如权利要求2所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,所述多维高斯模型对所述待预测数据项进行处理过程包括:
对于所述待预测数据项,通过以下公式计算得到概率密度函数值ρ(x):
其中,x为所述待预测数据项,Σ1为协方差矩阵,μ为5维度均值,m为样本数量;
将所述概率密度函数值ρ(x)与阈值ε1进行比较,判断所述待预测个体的身体活跃度异常等级u1;
所述孤立森林模型对所述待预测数据项进行处理的过程包括:
根据所述待预测数据项,综合所述孤立森林模型每棵树的计算结果,计算异常得分s1:
其中,x为所述待预测数据项,h(x)为x在每棵树的高度,c(n)为所述孤立森林模型构建时给定样本数n路径的平均长度值;
将异常得分s1与阈值ε2进行比较,判断所述待预测个体的身体活跃度异常等级u2。
4.如权利要求2所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,利用所述PCA模型对所述待预测数据项进行处理的过程包括:
基于重构方式的所述PCA模型对所述待预测数据项进行处理,判断所述待预测数据项的身体活跃度异常等级
基于偏离方式的所述PCA模型对所述待预测数据项进行处理,判断所述待预测数据项的身体活跃度异常等级
根据所述待预测数据项的身体活跃度异常等级和所述待预测数据项的身体活跃度异常等级/>计算所述待预测个体的身体活跃度异常等级u3。
5.如权利要求2所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,在所述身体活跃度异常等级预测模型包括多维高斯模型、孤立森林模型和PCA模型中的至少两个时,所述将待预测数据项作为预先构建的身体活跃度异常等级预测模型的输入,预测所述待预测个体的身体活跃度异常等级,包括:
将所述待预测数据项分别作为所述多维高斯模型、孤立森林模型和PCA模型中的至少两个模型的输入,模型输出对应的身体活跃度异常等级预测结果;
将各模型输出的身体活跃度异常等级预测结果进行叠加,得到所述待预测个体的身体活跃度异常等级。
6.如权利要求1~5任一项所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,在所述将待预测数据项作为预先构建的身体活跃度异常等级预测模型的输入,预测所述待预测个体的身体活跃度异常等级之前,还包括:
采集多个时间段内样本对象的视频数据,并将每个时间段对应的视频数据和人脸坐标保存至数据库;
采用pose检测算法,将样本对象的关键点坐标转化为向量,分别计算鼻子、四肢向量的变化模长,组成5维身体活跃度向量;
对每一时间段内的视频数据对应的5维身体活跃度向量计算平均值,作为该段视频数据对应的身体活跃度;
将所述待预测个体ID、时间段以及该时间段对应的5维身体活跃度,组成每一样本对象的身体活跃度分布数据;
根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型。
7.如权利要求6所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,所述根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型,包括:根据所述每一样本对象的身体活跃度分布数据,构建多维高斯模型,具体为:
将所述样本对象的身体活跃度分布数据进行数学变换,使其满足近似符合正态分布;
计算所有所述身体活跃度分布数据的5维度均值μ以及协方差矩阵Σ1:
其中,m表示为用于构建所述多维高斯模型的样本数量;
基于5维度均值μ以及协方差矩阵Σ1,构建所述多维高斯模型。
8.如权利要求6所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,所述根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型,包括:根据所述每一样本对象的身体活跃度分布数据,构建孤立森林模型,具体为:
(1)对所述样本对象的身体活跃度分布数据进行预处理,作为所述孤立森林模型的训练数据;
(2)从所述训练数据中随机选择v个点作为子样本,放入一颗孤立树的根节点,随机指定一个维度在其最大值与最小值之间产生一个切割点p;
(3)切割点p将当前节点数据空间划分为两个子空间,当前维度下小于p的点放在当前节点的左分支,大于p的点放在当前节点的右分支;
(4)在节点的左右分支节点递归进行(2)-(3),直到无法再继续划分为止;
(5)不断进行(2)-(4),直到获得t个孤立树,在获得t个孤立树后,结束单棵树的训练,构建得到所述孤立森林模型。
9.如权利要求6所述的基于肢体活跃度的行为心理异常检测方法,其特征在于,所述根据每一样本对象的身体活跃度分布数据,构建所述身体活跃度异常等级预测模型,包括:根据所述每一样本对象的身体活跃度分布数据,构建PCA模型,具体为:
对所述样本对象的身体活跃度分布数据X进行预处理,并计算X的协方差矩阵Σ2:
其中,m为样本数量,XΤ表示X的转置,X表示m×5的矩阵;
求出协方差矩阵Σ2的特征值λ1,λ2,...,λ5以及特征向量e1,e2,...,e5,按照特征值从大到小,将对应的特征向量从左到右进行排序,前k个特征向量形成矩阵Pk,后(5-k)个特征向量形成矩阵Pr,0≤k≤5;
计算所述样本对象的身体活跃度分布数据经过降维后的新数据集 为Pk的转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050931.9A CN113822181B (zh) | 2021-09-08 | 2021-09-08 | 一种基于肢体活跃度的行为心理异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050931.9A CN113822181B (zh) | 2021-09-08 | 2021-09-08 | 一种基于肢体活跃度的行为心理异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822181A CN113822181A (zh) | 2021-12-21 |
CN113822181B true CN113822181B (zh) | 2024-05-24 |
Family
ID=78914234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111050931.9A Active CN113822181B (zh) | 2021-09-08 | 2021-09-08 | 一种基于肢体活跃度的行为心理异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822181B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310188A (zh) * | 2012-03-06 | 2013-09-18 | 三星电子株式会社 | 用于姿态识别的方法和设备 |
CN107169426A (zh) * | 2017-04-27 | 2017-09-15 | 广东工业大学 | 一种基于深度神经网络的人群情绪异常检测和定位方法 |
WO2017206005A1 (zh) * | 2016-05-30 | 2017-12-07 | 中国石油大学(华东) | 一种基于光流检测和身体部分模型的多人姿态识别系统 |
CN110826358A (zh) * | 2018-08-08 | 2020-02-21 | 杭州海康威视数字技术股份有限公司 | 动物情绪的识别方法、装置及存储介质 |
CN113128383A (zh) * | 2021-04-07 | 2021-07-16 | 杭州海宴科技有限公司 | 一种校园学生欺凌行为的识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8253564B2 (en) * | 2009-02-19 | 2012-08-28 | Panasonic Corporation | Predicting a future location of a moving object observed by a surveillance device |
US10826932B2 (en) * | 2018-08-22 | 2020-11-03 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
US20240177536A9 (en) * | 2018-09-30 | 2024-05-30 | Strong Force Tp Portfolio 2022, Llc | Intelligent transportation systems including digital twin interface for a passenger vehicle |
-
2021
- 2021-09-08 CN CN202111050931.9A patent/CN113822181B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310188A (zh) * | 2012-03-06 | 2013-09-18 | 三星电子株式会社 | 用于姿态识别的方法和设备 |
WO2017206005A1 (zh) * | 2016-05-30 | 2017-12-07 | 中国石油大学(华东) | 一种基于光流检测和身体部分模型的多人姿态识别系统 |
CN107169426A (zh) * | 2017-04-27 | 2017-09-15 | 广东工业大学 | 一种基于深度神经网络的人群情绪异常检测和定位方法 |
CN110826358A (zh) * | 2018-08-08 | 2020-02-21 | 杭州海康威视数字技术股份有限公司 | 动物情绪的识别方法、装置及存储介质 |
CN113128383A (zh) * | 2021-04-07 | 2021-07-16 | 杭州海宴科技有限公司 | 一种校园学生欺凌行为的识别方法 |
Non-Patent Citations (1)
Title |
---|
视频监控环境下行人异常识别方法研究;王家鹏;张著洪;;贵州大学学报(自然科学版)(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113822181A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
US20210153807A1 (en) | Method, Computing Device And Wearable Device For Sleep Stage Detection | |
CN110367991B (zh) | 一种老年人跌倒风险评估方法 | |
CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
CN115736902A (zh) | 一种基于智能穿戴设备的施工人员管理系统 | |
CN108647707A (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN116269355B (zh) | 一种基于人物姿态识别的安全监测系统 | |
CN108523873B (zh) | 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法 | |
CN113611414B (zh) | 急性高原病动态监测与性能评价方法及系统 | |
Maftukhaturrizqoh et al. | Drowsiness detection using radial basis function network with electrocardiographic RR interval statistical feature | |
Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
CN113822181B (zh) | 一种基于肢体活跃度的行为心理异常检测方法 | |
CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
CN117643461A (zh) | 基于人工智能的心率智能监测系统及方法 | |
CN112155520A (zh) | 基于体温数据的监测装置及方法、电子设备、存储介质 | |
Saraswat et al. | Classification of ECG signals using cross-recurrence quantification analysis and probabilistic neural network classifier for ventricular tachycardia patients | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
CN114783552A (zh) | 操作人员岗前疲劳检测方法和系统 | |
Utkarsh et al. | Classification of atrial arrhythmias using neural networks | |
CN113111918A (zh) | 基于异常样本检测和多维信息输出的脑卒中风险筛查方法 | |
Sun et al. | A method for prediction of acute hypotensive episodes in ICU via PSO and K-means | |
Prakash et al. | Heart Attack Detection using Machine Learning | |
Chashmi et al. | An automatic ECG arrhythmia diagnosis system using support vector machines optimised with GOA and entropy-based feature selection procedure | |
CN113822184A (zh) | 一种基于表情识别的无感情绪异常检测方法 | |
JP7431414B2 (ja) | 熱中症発症検知装置 |
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 |