CN114081480A - 基于智能穿戴设备的儿童行为异常识别方法及系统 - Google Patents

基于智能穿戴设备的儿童行为异常识别方法及系统 Download PDF

Info

Publication number
CN114081480A
CN114081480A CN202210076309.3A CN202210076309A CN114081480A CN 114081480 A CN114081480 A CN 114081480A CN 202210076309 A CN202210076309 A CN 202210076309A CN 114081480 A CN114081480 A CN 114081480A
Authority
CN
China
Prior art keywords
student
students
activity
difference
data sequence
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
CN202210076309.3A
Other languages
English (en)
Inventor
梁峰喜
张帅
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.)
Jining Snail Software Technology Co ltd
Original Assignee
Jining Snail Software Technology 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 Jining Snail Software Technology Co ltd filed Critical Jining Snail Software Technology Co ltd
Priority to CN202210076309.3A priority Critical patent/CN114081480A/zh
Publication of CN114081480A publication Critical patent/CN114081480A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14507—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood
    • A61B5/14517—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood for sweat
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Child & Adolescent Psychology (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dentistry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Optics & Photonics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于智能穿戴设备的儿童行为异常识别方法及系统。该方法包括：获取教室内每个学生的湿度数据序列以及活动数据序列；根据任意学生的活动数据序列和湿度数据序列获取该学生的活动强度；进一步计算任意两个学生之间的一致性和差异性；获取每个学生在一段时间内的心率波动幅值；根据任意两个学生的心率波动幅值和差异性得到差异距离；根据差异距离对所有学生聚类，根据聚类结果得到儿童的行为是否存在异常。利用该方法能够准确掌握该学生的实时状态，及时发现该学生是否存在异常行为。

Description

基于智能穿戴设备的儿童行为异常识别方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于智能穿戴设备的儿童行为异常识别方法及系统。
背景技术
通过日常生活观察儿童行为是很难准确的判断儿童的行为属于正常行为，还是异常行为。现有的关于儿童行为的评估采用的方法是通过行为问卷的方式进行筛查，然而家长或者教师等所能够提供的仅仅是日常所观察到的表现，该表现也只是对于儿童行为大致评估的结果，停留在表象，并且家长所观察到的现象并非是儿童行为的准确数据，因此仅通过所观察到的行为表象就得出结果往往存在偏颇，而且通过人眼观察的方式不可能做到实时观察，通过该方式无法及时关注到相应的异常行为。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于智能穿戴设备的儿童行为异常识别方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于智能穿戴设备的儿童行为异常识别方法，该方法包括以下步骤：
获取教室内每个学生的湿度数据序列以及活动数据序列；所述湿度数据序列为一段时间内所述学生关键部位的湿度信息；所述活动数据序列为一段时间内所述学生关节部位的活动信息；
获取任意所述学生的所述活动数据序列的均值和方差，计算所述均值和方差的乘积；获取所述学生的所述湿度数据序列中的最大值和最小值的差值，根据所述乘积与所述差值得到所述学生的活动强度；
计算任意两个学生之间的一致性；所述一致性由两个所述学生之间的活动强度、湿度数据序列以及活动数据序列获得；根据所述一致性获取两个所述学生之间的差异性；
获取每个所述学生在一段时间内的心率次数，根据每个所述学生所述心率次数与标准心率次数的差值获取每个所述学生的心率波动幅值；以任意两个所述学生的所述心率波动幅值的差值为权值，根据所述权值与两个所述学生之间的所述差异性的乘积得到两个学生之间的差异距离；
根据所述差异距离对所有所述学生聚类，根据聚类结果得到儿童的行为是否存在异常。
优选的，所述学生关键部位包括左腋下、右腋下、后背、左膝盖内侧、右膝盖内侧、左脚心以及右脚心。
优选的，所述学生关节部位包括左肘关节、右肘关节、左膝关节、右膝关节、左肩关节以及右肩关节。
优选的，所述根据所述乘积与所述差值得到所述学生的活动强度的步骤，包括：
所述活动强度的计算具体为：
Figure 188122DEST_PATH_IMAGE001
其中，
Figure 167579DEST_PATH_IMAGE002
表示第
Figure 416158DEST_PATH_IMAGE003
个学生的活动强度；
Figure 404843DEST_PATH_IMAGE004
表示第
Figure 547111DEST_PATH_IMAGE003
个学生的活动数据序列；
Figure 838415DEST_PATH_IMAGE005
表示第
Figure 934809DEST_PATH_IMAGE003
个学生的活动数据序列的均值；
Figure 602551DEST_PATH_IMAGE006
表示第
Figure 599326DEST_PATH_IMAGE003
个学生的活动数据序列的方差；
Figure 920586DEST_PATH_IMAGE007
表示第
Figure 2811DEST_PATH_IMAGE003
个学生的湿度数据序列；
Figure 943085DEST_PATH_IMAGE008
表示第
Figure 292902DEST_PATH_IMAGE003
个学生的湿度数据序列中的最大值；
Figure 316222DEST_PATH_IMAGE009
表示第
Figure 26689DEST_PATH_IMAGE003
个学生的湿度数据序列中的最小值；
Figure 629708DEST_PATH_IMAGE010
表示自然常数。
优选的，所述一致性由两个所述学生之间的活动强度、湿度数据序列以及活动数据序列获得的步骤，包括：
获取任意两个所述学生对应的活动强度的差值、对应的活动数据序列的均值的差值、对应的活动数据序列的相似度以及对应的湿度数据序列的相似度；
所述一致性与所述活动数据序列的相似度呈正相关关系，与所述湿度数据序列的相似度呈正相关关系，与所述活动强度的差值呈负相关关系，与所述活动数据序列的均值的差值呈负相关关系。
优选的，所述差异性与所述一致性呈负相关关系。
优选的，所述根据聚类结果得到儿童的行为是否存在异常的步骤，包括：
若所述聚类结果存在孤立点，则所述儿童的行为存在异常。
第二方面，本发明另一个实施例提供了一种基于智能穿戴设备的儿童行为异常识别系统，包括存储器、处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法所述的步骤。
本发明具有如下有益效果：本发明实施例通过获取教室内每个学生的湿度数据序列以及活动数据序列，根据每个学生的湿度数据序列和活动数据序列得到每个学生的活动强度，活动强度越大，说明该学生活动越频繁；进一步根据每个学生的活动强度以及自身数据获取对应每个学生之间的一致性，根据一致性得到每两个学生之间的差异性；根据每个学生自身的心率波动幅值和差异性获取每两个学生之间的差异距离，进而根据每两个学生之间的差异距离对教室内所有学生进行聚类，若聚类结果存在孤立点，则表示学生存在异常行为。利用该方法能够准确掌握某一个学生的实时行为状态，根据该学生与其他学生之间的数据特征及时发现该学生是否存在异常行为。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于智能穿戴设备的儿童行为异常识别方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于智能穿戴设备的儿童行为异常识别方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例为了解决现有的通过人眼对儿童行为是否存在异常的观察效率低以及发现不及时的问题，本发明实施例通过获取教室内每个学生的湿度数据序列以及活动数据序列，从而得到每个学生的活动强度，进一步获取教室内每个学生之间的差异性；根据每个学生自身的心率波动幅值和差异性获取每两个学生之间的差异距离，进而对教室内所有学生进行聚类，若聚类结果存在孤立点，则表示学生存在异常行为。利用该方法能够准确掌握该学生的实时状态，及时发现该学生是否存在异常行为。
下面结合附图具体的说明本发明所提供的一种基于智能穿戴设备的儿童行为异常识别方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于智能穿戴设备的儿童行为异常识别方法流程图，该方法包括以下步骤：
步骤S100，获取教室内每个学生的湿度数据序列以及活动数据序列；湿度数据序列为一段时间内学生关键部位的湿度信息；活动数据序列为一段时间内学生关节部位的活动信息。
行为异常的儿童可能会在课堂上频繁的动来动去，因此基于每个学生身体的活动情况对学生的状态进行分析。
基于智能穿戴设备采集每个学生容易出汗的关键部位的湿度信息，本发明实施例中设置智能穿戴设备湿度传感器分别位于每个学生身体的左腋下、右腋下、后背、左膝盖内侧、右膝盖内侧、左脚心以及右脚心等七个关键部位，湿度传感器能够实时获取这七个关键部位的湿度信息。
作为优选，本发明实施例中设置该湿度传感器的数据每3秒更新一次，每个智能穿戴设备都可以记录一定时长内的湿度变化数据，本发明实施例设置一分钟为一个时间段，采集每个学生一分钟内的湿度数据序列，该湿度数据序列包括七个关键部位在一分钟内的湿度信息，即该湿度数据序列内包含140个元素。
进一步的，由于学生的活动极易引起关节部位的衣服弯曲变形，因此基于智能穿戴设备采集每个学生关节部位的活动状况。本发明实施例中设置智能穿戴设备互感位置传感器分别位于每个学生身体的左肘关节、右肘关节、左膝关节、右膝关节、左肩关节以及右肩关节等六个关节部位，互感位置传感器能够实时获取这六个关节部位的活动信息。
作为优选，本发明实施例中设置该互感位置传感器的数据每1秒更新一次，每个智能穿戴设备都可以记录一定时长的关节活动数据，基于与上述获取湿度数据序列相同的方法，以一分钟为一个时间段，采集每个学生一分钟内的活动数据序列，该活动数据序列包括六个关节部位在一分钟内的活动信息，即该活动数据序列内包含360个元素。
需要说明的是，本发明实施例中记录的数据是不断更新的，即以一分钟为固定长度，以当前时间的一分钟获取的最新数据为准，从而根据智能穿戴设备获取每个学生实时的活动情况。
步骤S200，获取任意学生的活动数据序列的均值和方差，计算均值和方差的乘积；获取学生的湿度数据序列中的最大值和最小值的差值，根据乘积与差值得到学生的活动强度。
由步骤S100中获取到每个学生在一分钟内的湿度数据序列和活动数据序列，以每个学生的湿度数据和活动数据计算该学生对应的活动强度。
首先，获取每个学生的活动数据序列的均值和方差，活动数据序列的均值越大，说明此时的关节活动越大，该学生的活动越频繁；活动数据序列的方差越大，说明此时的关节活动特征越明显，关节活动特征越明显则认为注意力越不集中。
其次，选取该学生湿度数据序列中的最大值和最小值，计算该最大值和最小值之间的差值，差值越大，说明学生可能存在较大的出汗量，活动的越频繁。
当关节活动特征越明显，湿度差值越大时，当前的活动强度越大，因此根据关节活动数据和湿度数据得到的活动强度为：
Figure 742021DEST_PATH_IMAGE001
其中，
Figure 405083DEST_PATH_IMAGE002
表示第
Figure 228945DEST_PATH_IMAGE003
个学生的活动强度；
Figure 511022DEST_PATH_IMAGE004
表示第
Figure 602475DEST_PATH_IMAGE003
个学生的活动数据序列；
Figure 702018DEST_PATH_IMAGE005
表示第
Figure 121498DEST_PATH_IMAGE003
个学生的活动数据序列的均值；
Figure 597478DEST_PATH_IMAGE006
表示第
Figure 153225DEST_PATH_IMAGE003
个学生的活动数据序列的方差；
Figure 945642DEST_PATH_IMAGE007
表示第
Figure 977052DEST_PATH_IMAGE003
个学生的湿度数据序列；
Figure 866510DEST_PATH_IMAGE008
表示第
Figure 666976DEST_PATH_IMAGE003
个学生的湿度数据序列中的最大值；
Figure 249267DEST_PATH_IMAGE009
表示第
Figure 502394DEST_PATH_IMAGE003
个学生的湿度数据序列中的最小值；
Figure 821642DEST_PATH_IMAGE010
表示自然常数。
步骤S300，计算任意两个学生之间的一致性；一致性由两个学生之间的活动强度、湿度数据序列以及活动数据序列获得；根据一致性获取两个学生之间的差异性。
在实际上课过程中，每个学生的注意力和行为不会存在过大的偏差，计算教室中所有学生之间的行为状态的一致性，进一步根据学生之间的一致性得到每两个学生之间的差异性。
获取任意两个学生对应的活动强度的差值、对应的活动数据序列的均值的差值、对应的活动数据序列的相似度以及对应的湿度数据序列的相似度；一致性与活动数据序列的相似度呈正相关关系，与湿度数据序列的相似度呈正相关关系，与活动强度的差值呈负相关关系，与活动数据序列的均值的差值呈负相关关系。
具体的，获取每两个学生之间一致性的计算方法为：
Figure DEST_PATH_IMAGE011
其中，
Figure 945456DEST_PATH_IMAGE012
表示第
Figure 433069DEST_PATH_IMAGE013
个学生与第
Figure 921295DEST_PATH_IMAGE014
个学生之间的一致性；
Figure 542769DEST_PATH_IMAGE015
表示第
Figure 927614DEST_PATH_IMAGE013
个学生的湿度数据序列；
Figure 212227DEST_PATH_IMAGE016
表示第
Figure 580891DEST_PATH_IMAGE014
个学生的湿度数据序列；
Figure 474898DEST_PATH_IMAGE017
表示第
Figure 104462DEST_PATH_IMAGE013
个学生的湿度数据序列与第
Figure 792933DEST_PATH_IMAGE014
个学生的湿度数据序列之间的余弦相似度；
Figure 648893DEST_PATH_IMAGE018
表示第
Figure 845126DEST_PATH_IMAGE013
个学生的活动强度；
Figure 204563DEST_PATH_IMAGE019
表示第
Figure 595093DEST_PATH_IMAGE014
个学生的活动强度；
Figure 672771DEST_PATH_IMAGE020
表示第
Figure 174159DEST_PATH_IMAGE013
个学生的活动强度与第
Figure 778316DEST_PATH_IMAGE014
个学生的活动强度之间的差值的绝对值；
Figure 215113DEST_PATH_IMAGE021
表示第
Figure 140606DEST_PATH_IMAGE013
个学生的活动数据序列；
Figure 321052DEST_PATH_IMAGE022
表示第
Figure 514136DEST_PATH_IMAGE014
个学生的活动数据序列；
Figure 246468DEST_PATH_IMAGE023
表示第
Figure 298738DEST_PATH_IMAGE013
个学生的活动数据序列与第
Figure 876350DEST_PATH_IMAGE014
个学生的活动数据序列之间的相似度；
Figure 330465DEST_PATH_IMAGE024
表示第
Figure 732234DEST_PATH_IMAGE013
个学生的活动数据序列的均值；
Figure 130854DEST_PATH_IMAGE025
表示第
Figure 653103DEST_PATH_IMAGE014
个学生的活动数据序列的均值。
进一步的，差异性与一致性呈负相关关系，根据每两个学生之间的一致性获取该两个学生之间的差异性为：
Figure 86358DEST_PATH_IMAGE026
其中，
Figure 35859DEST_PATH_IMAGE012
表示第
Figure 656197DEST_PATH_IMAGE013
个学生与第
Figure 982136DEST_PATH_IMAGE014
个学生之间的一致性；
Figure DEST_PATH_IMAGE027
表示第
Figure 99259DEST_PATH_IMAGE013
个学生与第
Figure 219661DEST_PATH_IMAGE014
个学生之间的差异性。
步骤S400，获取每个学生在一段时间内的心率次数，根据每个学生心率次数与标准心率次数的差值获取每个学生的心率波动幅值；以任意两个学生的心率波动幅值的差值为权值，根据权值与两个学生之间的差异性的乘积得到两个学生之间的差异距离。
当儿童活动频繁且情绪不稳定时，此时儿童的行为是被情绪支配的结果，属于行为异常的状态的可能性比较高，因此将每个学生的心率特征作为评价指标，进一步对学生的状态进行分析。基于智能穿戴设备的运动手环采集每个学生的心率数据，经过一段时间的检测，获取正常状态下每个学生在一分钟内的平均心率。
当儿童的情绪不稳定时，心率情况也出现较大波动，相比于正常状态下每分钟的心率会存在较大的差异，因此计算每个学生当前一分钟内的心率波动幅值为：
Figure 858453DEST_PATH_IMAGE028
其中，
Figure 456925DEST_PATH_IMAGE029
表示第
Figure 333614DEST_PATH_IMAGE003
个学生的心率波动幅值；
Figure 248087DEST_PATH_IMAGE030
表示第
Figure 983962DEST_PATH_IMAGE003
个学生在一分钟内的心率次数；
Figure 776337DEST_PATH_IMAGE031
表示该学生在正常状态下一分钟内的平均心率次数。
进一步的，根据每两个学生对应的心率波动幅值以及差异性获取该两个学生之间的差异距离为：
Figure 507533DEST_PATH_IMAGE032
其中，
Figure 235317DEST_PATH_IMAGE033
表示第
Figure 583122DEST_PATH_IMAGE034
个学生与第
Figure DEST_PATH_IMAGE035
个学生之间的差异距离；
Figure 618336DEST_PATH_IMAGE036
表示第
Figure 610563DEST_PATH_IMAGE034
个学生的心率波动幅值；
Figure 633883DEST_PATH_IMAGE037
表示第
Figure 937825DEST_PATH_IMAGE035
个学生的心率波动幅值；
Figure 947370DEST_PATH_IMAGE038
表示第
Figure 184316DEST_PATH_IMAGE034
个学生的心率波动幅值与第
Figure 988324DEST_PATH_IMAGE035
个学生的心率波动幅值的差值的绝对值；
Figure 543677DEST_PATH_IMAGE027
表示第
Figure 91333DEST_PATH_IMAGE013
个学生与第
Figure 182785DEST_PATH_IMAGE014
个学生之间的差异性。
以此类推，获取一个教室内所有学生之间的差异距离。
步骤S500，根据差异距离对所有学生聚类，根据聚类结果得到儿童的行为是否存在异常。
由步骤S400中获取到所有学生之间的差异距离，根据所有学生之间的差异距离对学生进行聚类，当儿童处于正常状态时，该多儿童会与其他正常学生划分到同一个簇，当该儿童存在行为异常时，则会将该儿童孤立出来单独分为一簇，因此根据分类结果对儿童的行为状态进行判断。
作为优选，本发明实施例中利用DBSCAN算法进行聚类，构建训练模型获取该DBSCAN算法中合适的邻域参数，具体过程为：
（1） 输入的数据集为一个教室内所有学生之间的差异距离的集合；
（2） 搜索半径从0开始递增，每次步长增加0.1，直至找出输出结果为多个簇和唯一一个孤立点时的搜索半径。
（3） 输出为根据搜索半径划分的多个簇和一个孤立点；
基于合适的邻域参数对一个教室中所有学生进行聚类，本发明实施例中将MinPts值设置为2，意味着至少有差异距离相近的两个学生才会被划分进一个簇内，若最终的聚类结果中不存在被孤立的学生，则说明该教室内该学生的数据特征与正常学生一致，表明该学生当前特征正常；若最终的聚类结果中存在被孤立的学生，则说明该教室内该学生的行为存在异常。
综上所述，本发明实施例通过获取教室内每个学生的湿度数据序列以及活动数据序列，从而得到每个学生的活动强度，当活动强度越大时，说明该学生当前的活动越频繁，进一步根据每个学生对应的活动强度、湿度数据序列和活动数据序列获取教室内每个学生之间的一致性，根据每个学生之间的一致性获取该学生之间的差异性；获取每个学生自身的心率波动幅值，根据心率波动幅值和差异性获取每两个学生之间的差异距离，根据该差异距离对教室内所有学生进行聚类，若聚类结果存在孤立点，则表示学生的行为异常。利用该方法能够准确掌握该学生的实时状态，及时发现该学生的异常行为。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于智能穿戴设备的儿童行为异常识别系统，该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于智能穿戴设备的儿童行为异常识别方法实施例中的步骤，例如图1所示的步骤。该一种基于智能穿戴设备的儿童行为异常识别方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (8)

1.一种基于智能穿戴设备的儿童行为异常识别方法，其特征在于，该方法包括以下步骤：
获取教室内每个学生的湿度数据序列以及活动数据序列；所述湿度数据序列为一段时间内所述学生关键部位的湿度信息；所述活动数据序列为一段时间内所述学生关节部位的活动信息；
获取任意所述学生的所述活动数据序列的均值和方差，计算所述均值和方差的乘积；获取所述学生的所述湿度数据序列中的最大值和最小值的差值，根据所述乘积与所述差值得到所述学生的活动强度；
计算任意两个学生之间的一致性；所述一致性由两个所述学生之间的活动强度、湿度数据序列以及活动数据序列获得；根据所述一致性获取两个所述学生之间的差异性；
获取每个所述学生在一段时间内的心率次数，根据每个所述学生所述心率次数与标准心率次数的差值获取每个所述学生的心率波动幅值；以任意两个所述学生的所述心率波动幅值的差值为权值，根据所述权值与两个所述学生之间的所述差异性的乘积得到两个学生之间的差异距离；
根据所述差异距离对所有所述学生聚类，根据聚类结果得到儿童的行为是否存在异常。
2.根据权利要求1所述的方法，其特征在于，所述学生关键部位包括左腋下、右腋下、后背、左膝盖内侧、右膝盖内侧、左脚心以及右脚心。
3.根据权利要求1所述的方法，其特征在于，所述学生关节部位包括左肘关节、右肘关节、左膝关节、右膝关节、左肩关节以及右肩关节。
4.根据权利要求1所述的方法，其特征在于，所述根据所述乘积与所述差值得到所述学生的活动强度的步骤，包括：
所述活动强度的计算具体为：
Figure 973964DEST_PATH_IMAGE001
其中，
Figure 393444DEST_PATH_IMAGE002
表示第
Figure 338266DEST_PATH_IMAGE003
个学生的活动强度；
Figure 18646DEST_PATH_IMAGE004
表示第
Figure 56134DEST_PATH_IMAGE003
个学生的活动数据序列；
Figure 556386DEST_PATH_IMAGE005
表示第
Figure 773741DEST_PATH_IMAGE003
个学生的活动数据序列的均值；
Figure 574206DEST_PATH_IMAGE006
表示第
Figure 890918DEST_PATH_IMAGE003
个学生的活动数据序列的方差；
Figure 642580DEST_PATH_IMAGE007
表示第
Figure 335730DEST_PATH_IMAGE003
个学生的湿度数据序列；
Figure 256281DEST_PATH_IMAGE008
表示第
Figure 868528DEST_PATH_IMAGE003
个学生的湿度数据序列中的最大值；
Figure 77792DEST_PATH_IMAGE009
表示第
Figure 138415DEST_PATH_IMAGE003
个学生的湿度数据序列中的最小值；
Figure 444631DEST_PATH_IMAGE010
表示自然常数。
5.根据权利要求1所述的方法，其特征在于，所述一致性由两个所述学生之间的活动强度、湿度数据序列以及活动数据序列获得的步骤，包括：
获取任意两个所述学生对应的活动强度的差值、对应的活动数据序列的均值的差值、对应的活动数据序列的相似度以及对应的湿度数据序列的相似度；
所述一致性与所述活动数据序列的相似度呈正相关关系，与所述湿度数据序列的相似度呈正相关关系，与所述活动强度的差值呈负相关关系，与所述活动数据序列的均值的差值呈负相关关系。
6.根据权利要求1所述的方法，其特征在于，所述差异性与所述一致性呈负相关关系。
7.根据权利要求1所述的方法，其特征在于，所述根据聚类结果得到儿童的行为是否存在异常的步骤，包括：
若所述聚类结果存在孤立点，则所述儿童的行为存在异常。
8.一种基于智能穿戴设备的儿童行为异常识别系统，包括存储器、处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1
Figure 227779DEST_PATH_IMAGE011
7任意一项方法所述的步骤。
CN202210076309.3A 2022-01-24 2022-01-24 基于智能穿戴设备的儿童行为异常识别方法及系统 Pending CN114081480A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210076309.3A CN114081480A (zh) 2022-01-24 2022-01-24 基于智能穿戴设备的儿童行为异常识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210076309.3A CN114081480A (zh) 2022-01-24 2022-01-24 基于智能穿戴设备的儿童行为异常识别方法及系统

Publications (1)

Publication Number Publication Date
CN114081480A true CN114081480A (zh) 2022-02-25

Family

ID=80309223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210076309.3A Pending CN114081480A (zh) 2022-01-24 2022-01-24 基于智能穿戴设备的儿童行为异常识别方法及系统

Country Status (1)

Country Link
CN (1) CN114081480A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114646664A (zh) * 2022-05-20 2022-06-21 领合(南通)新型建材科技有限公司 新型复合门窗型材隔热性能质量监测方法与系统
CN115130932A (zh) * 2022-08-31 2022-09-30 中国医学科学院阜外医院 一种课堂活动数字化评估方法
CN115496169A (zh) * 2022-11-17 2022-12-20 西安科技大学 基于5g和人工智能的不安全行为识别系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114646664A (zh) * 2022-05-20 2022-06-21 领合(南通)新型建材科技有限公司 新型复合门窗型材隔热性能质量监测方法与系统
CN114646664B (zh) * 2022-05-20 2022-08-12 领合(南通)新型建材科技有限公司 新型复合门窗型材隔热性能质量监测方法与系统
CN115130932A (zh) * 2022-08-31 2022-09-30 中国医学科学院阜外医院 一种课堂活动数字化评估方法
CN115496169A (zh) * 2022-11-17 2022-12-20 西安科技大学 基于5g和人工智能的不安全行为识别系统
CN115496169B (zh) * 2022-11-17 2023-04-07 西安科技大学 基于5g和人工智能的不安全行为识别系统

Similar Documents

Publication Publication Date Title
CN114081480A (zh) 基于智能穿戴设备的儿童行为异常识别方法及系统
Ramdhani et al. Optimizing clinical assessments in Parkinson's disease through the use of wearable sensors and data driven modeling
Zubair et al. Human activity recognition using wearable accelerometer sensors
JP7070255B2 (ja) 異常判別プログラム、異常判別方法および異常判別装置
Fahim et al. EFM: evolutionary fuzzy model for dynamic activities recognition using a smartphone accelerometer
Held et al. Extracting fuzzy rules from polysomnographic recordings for infant sleep classification
Sikder et al. Log-sum distance measures and its application to human-activity monitoring and recognition using data from motion sensors
Copetti et al. A decision-making mechanism for context inference in pervasive healthcare environments
CN114224343B (zh) 认知障碍检测方法、装置、设备及存储介质
Alam et al. Human emotion recognition models using machine learning techniques
Folgado et al. Explainability meets uncertainty quantification: Insights from feature-based model fusion on multimodal time series
Yang et al. Empirical evaluation of data augmentations for biobehavioral time series data with deep learning
Dubey et al. Gait based vertical ground reaction force analysis for Parkinson’s disease diagnosis using self organizing map
Mani et al. Smart suspenders with sensors and machine learning for human activity monitoring
Dasey et al. Detection of multiple sclerosis with visual evoked potentials-an unsupervised computational intelligence system
Jaiswal et al. Unobtrusive smart-watch based approach for assessing mental workload
Surapaneni et al. Graph Signal Processing Based Classification of Noisy and Clean PPG Signals Using Machine Learning Classifiers for Intelligent Health Monitor
KR20220005945A (ko) 얼굴 표정에 관한 데이터 세트를 생성하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
Mani et al. Evaluation of a Combined Conductive Fabric-Based Suspender System and Machine Learning Approach for Human Activity Recognition
Tian et al. A novel selective ensemble learning method for smartphone sensor-based human activity recognition based on hybrid diversity enhancement and improved binary glowworm swarm optimization
Le Boosting Transformer's Robustness and Efficacy in PPG Signal Artifact Detection with Self-Supervised Learning
Ribeiro et al. On the use of inertial sensors and machine learning for automatic recognition of fainting and epileptic seizure
Bobić Decision support system for assessment of patients with neurodegenerative disorders
Swetha et al. Pain assessment model using facial recognition
Jayawickrama et al. A Comparative Study of Clustering Humans Based on Their Stress Level

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: 20220225