CN114512211A - 一种基于时序数据库的认知训练策略生成方法及系统 - Google Patents

一种基于时序数据库的认知训练策略生成方法及系统 Download PDF

Info

Publication number
CN114512211A
CN114512211A CN202210285110.1A CN202210285110A CN114512211A CN 114512211 A CN114512211 A CN 114512211A CN 202210285110 A CN202210285110 A CN 202210285110A CN 114512211 A CN114512211 A CN 114512211A
Authority
CN
China
Prior art keywords
list
behavior
rehabilitation
user
sensor
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
CN202210285110.1A
Other languages
English (en)
Inventor
杨矫云
安宁
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210285110.1A priority Critical patent/CN114512211A/zh
Publication of CN114512211A publication Critical patent/CN114512211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及一种基于时序数据库的认知训练策略生成系统，包括不少于一个能够采集使用者不同动作信息的传感器，并为所有传感器配置至少一个服务器，服务器配置为按照至少构建用于表述传感器的基础信息的传感器设备信息表和用于传感器采集的信息内容的传感器数据信息表的方式完成信息数据集的构建；本发明还涉及一种基于时序数据库的认知训练策略生成方法，包括以下步骤：构建预测行为列表、兴趣列表、生活习惯列表、康复措施列表；基于预测行为列表、兴趣列表、生活习惯列表与康复措施列表之间的关联度分析结果，将具体的康复措施列表中的康复措施按照插入预测行为列表中的方式构建行为指导列表。

Description

一种基于时序数据库的认知训练策略生成方法及系统
本分案申请的原始基础是申请号为201910421470.8，申请日为2019 年5月20日，发明名称为“一种用于认知预警的时序数据库的构建方法”的专利申请。
技术领域
本发明涉及数据库构建技术领域，尤其涉及一种基于时序数据库的认知训练策略生成方法及系统。
背景技术
现有技术中如“基于室内轨迹分析的老人行为识别方法”杨帅，《中国优秀硕士学位论文全文数据库信息科技辑》，第2-11，26-39页，公开了一种基于室内轨迹分析来对老人行为进行识别的方法，其构建了基于独居老人轨迹分析模型，其中包括用户行为模型、室内关键点模型、行为时同模型；提出基于轨迹分割的行为轨迹分析方法，将采集到的行为轨迹中包含的关键驻留时间进行分割，识别出轨迹中包含的真实停留点，并以真实停留点作为行为开始或结束的位置标志；基于行为轨迹中的位置数据、时间数据分别建立位置行为关联模板、时间行为关联模板及前继关键点关联模板。提出基于模板匹配的行为识别方法，利用行为轨迹数据中当前位置、时间、前继关键点权重大小的不同，与日常行为依次建立关联关系；分析行为轨迹出现概率与用户行为习惯的关联关系，并将在正常行为轨迹序列中未出现的行为定义为异常行为。其数据库的构建方式是基于用户运动时所经历的关键点数据及起始时间数据，将行为轨迹按照时间先后顺序转换为一系列的关键点集合进行表示的，该技术方案的实质是基于行为发生过程的时间段的模块划分。基于该数据库的构建基础，异常行为的判断方式也只能是“用户在此区域驻留时长超过正常值”，而对于交叉行为之间的异常判断则无法进行实现。
此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于发明人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
如本文所用的词语“模块”描述任一种硬件、软件或软硬件组合，其能够执行与“模块”相关联的功能。
针对现有技术之不足，本发明提供一种用于认知预警的时序数据库的构建方法，通过采集使用者的实时动作信息并对其进行整合以构成信息数据集，所述构建方法还包括如下步骤：按照对所述信息数据集执行向更高层次的分类以获取若干个分类数据的方式构建专家知识数据库；基于所述分类数据而执行行为预测分类器的构建以对未来设定时刻所发生的行为进行预测；针对预测获取的行为进行评分处理，在评分下降超过设定阈值的情况下生成预警信息。
根据一种优选实施方式，所述评分处理至少包括如下步骤：选择日常触发最多的n项行为作为标准任务X＝(X1，X2，...，Xn)；测试完成该n项任务的时间作为该项行为的标准时间T并表示为T＝(T1，T2，...，Tn)；确定使用者完成标准任务所需的时间t＝(t1，t2，...，tn)、使用者完成标准任务的任务完成度α＝(α1，α2，...，αn)，并根据每项标准任务的重要性确定其各自的权重 w＝(w1，w2，...，wn)；建立认知能力的评分公式
Figure BDA0003556835250000021
并根据所述评分公式确定使用者认知能力的评分。
根据一种优选实施方式，所述信息数据集的构建至少包括如下步骤：在使用者的活动空间中设置若干个能够采集使用者不同动作信息的传感器，并为所有传感器配置至少一个服务器；所述服务器配置为按照至少构建用于表述传感器的基础信息的传感器设备信息表和用于表述传感器采集的信息内容的传感器数据信息表的方式完成所述信息数据集的构建。
根据一种优选实施方式，所述专家知识数据库的构建至少包括如下步骤：基于基本生活行为、传感器以及传感器属性之间的关联性完成信息数据集的分类以构建至少包括行为名称、行为定义、触发物品、触发传感器、触发时间和位置的传感器行为表，其中：基于所述传感器行为表能够按照将基本生活行为分解至具体的动作、动作所触发的物品和物品所关联的传感器的方式将基本生活行为限定至其能够触发的若干个传感器。
根据一种优选实施方式，在生成预警信息的情况下，基于预测获取的行为生成康复训练策略，生成所述康复训练策略至少包括如下步骤：构建预测行为列表、兴趣列表、生活习惯列表、康复措施列表；基于预测行为列表、兴趣列表、生活习惯列表与康复措施列表之间的关联度分析结果，将具体的康复措施列表中的康复措施按照插入预测行为列表中的方式构建行为指导列表。
根据一种优选实施方式，生成所述康复训练策略还包括如下步骤：在设定时间周期，按照插入彼此不同的康复措施的方式构建若干个彼此不同的行为指导列表；在所述设定时间周期内，配置语音交互器或显示器以指导使用者按照交替执行行为指导列表的方式完成认知康复训练。
根据一种优选实施方式，构建所述行为指导列表至少包括如下步骤：对所述康复措施列表和所述生活习惯列表进行第一级关联分析以筛出不符合要求的康复措施，从而生成第一康复措施列表；对所述第一康复措施列表和所述兴趣列表进行第二级关联分析以最大程度的满足使用者的兴趣爱好，从而生成第二康复措施列表；对第二康复措施列表与预测行为列表进行第三级关联分析，并将第二康复措施列表中的康复措施插入预测行为列表中以形成行为指导列表。
根据一种优选实施方式，所述康复措施列表由能够抑制使用者的认知能力降低的若干个行为措施构成，其中，服务器能够通过自定义或联网获取的方式建立康复措施列表。
根据一种优选实施方式，所述行为预测分类器能够基于隐马尔科夫模型进行构建，其中：能够通过定义矩阵A的第i行第j列的元素值由第i个状态qi转移到第j个状态qj的概率aij＝P(qj|qi)，并定义矩阵B的第k行第j 列的值在状态为qj时观察到数据k的概率bj(k)＝P(k|qj)的方式构建隐马尔科夫模型λ＝(A，B，π)；能够通过使用预先收集的传感器数据对所述隐马尔科夫模型进行训练。
根据一种优选实施方式，针对设定时间周期内收集到的传感器数据使用训练完成的隐马尔科夫模型进行行为预测，其中：在使用所述隐马尔科夫模型进行行为预测时，将传感器数据O＝(o0，o1，...，oT-1)作为观察序列，将行为I＝(i0，i1，...，iT-1)作为隐变量。
本发明的有益技术效果：本发明通过建立隐式感知环境，采集到使用者的日常生活数据，建立行为模型，可满足长期的隐式的数据采集，减少对使用者日常生活的打扰，获得长期稳定数据，并由此建立起行为模型。通过日常生活数据长期有效的监测进行认知能力的评估，减少人工主观判断的失误。同时通过实时监测和预测，对认知能力评分，在认知下降的过程中就提供预警。
附图说明
图1是本发明优选的时序数据库的构建方法的流程示意图；和
图2是本发明优选的各模块的模块化连接关系示意图。
附图标记列表
1：传感器 2：服务器 3：语音交互器
4：显示器
具体实施方式
下面结合附图进行详细说明。
实施例1
如图1和图2所示，本发明提供一种用于认知预警的时序数据库的构建方法，至少包括如下步骤：
S1：采集使用者的实时动作信息并对其进行整合以构成信息数据集。
具体的，在使用者的活动空间中设置若干个能够采集使用者不同动作信息的传感器1，并为传感器1配置至少一个服务器2，使得服务器2至少能够对传感器1采集的实时动作信息进行存储。例如，服务器2可以是云端服务器，传感器1可以通过无线连接的方式与服务器2进行通信连接。活动空间是指使用者的生活空间。例如，当使用者在自己的房屋内居住生活时，活动空间便是房屋所构成的生活空间。当使用者在医院的看护病房时，活动空间便是看护病房。优选的，为了便于对使用者的不同动作信息进行采集，可以按照表1所示的方式在例如是房屋内布置不同的传感器。
表1
Figure BDA0003556835250000051
优选的，服务器2配置按照至少构建传感器设备信息表和传感器数据信息表的方式完成信息数据集的构建。传感器设备信息表用于表述传感器的基础信息。基础信息至少包括传感器名称、MAC地址、作用描述、传感器类型、数据单位和安装位置。传感器数据信息表用于表述传感器采集的信息内容。信息内容至少包括传感器设备、数据内容和上传时间。例如，为了对使用者在居家环境中的例如是厨具使用的实时动作信息进行采集，可以在厨房灶台上设置火焰传感器。火焰传感器可以是远红外火焰传感器或者紫外火焰传感器。此时，MAC地址作为传感器的唯一标识，其用于对不同的传感器进行区分，不同的传感器具有不同的MAC地址。传感器名称为火焰传感器。作用描述为判断是否使用燃气。传感器类型为传感器的种类。数据单位为检测出获得的数据信号的单位。例如，传感器为火焰传感器时，其可以采集火焰所释放的波长，进而数据单位为纳米。安装位置为厨房灶台。传感器设备为传感器的具体型号。数据内容至少包括燃气的开启时间、燃气的关闭时间和燃气产生红外光的强度。上传时间是指火焰传感器将其采集的实时动作信息上传至服务器的时间。例如，当传感器被触发而执行数据采集时便实时将采集的数据上传至服务器以进行统一存储。服务器能够根据上传时间，定期将数据进行归档存储和数据处理。例如，服务器能够在每天的晚上十二点定时对数据进行归档，以完成当日收集数据的打包存储。同时，数据按照二进制的方式存入数据库中。即对于门磁开关传感器、火焰传感器、激光传感器、水流量传感器、微动开关传感器、压力传感器和智能开关，当传感器采集的数据的数值大于零时，存储为1，否则存储为0。针对温度传感器和湿度传感器，存储前将传感器数值除以传感器测量范围中的最大温度值或最大湿度值，并将得到的处于0和1之间的数值存储至数据库中。
S2：按照对信息数据集执行向更高层次的分类以获取若干分类数据的方式构建专家知识数据库。通过专家知识提供对于传感器与行为之间关系的先验知识以增加行为预测的精准度，进而能够增加认知预警的精准度。执行更高层次的分类是指将数据进行进一步细分，使得能够将行为与传感器进行关联。
具体的，基于基本生活行为、传感器以及传感器属性之间的关联性完成分类以构建专家知识数据库。专家知识数据库至少具有传感器行为表。传感器行为表至少包括行为名称、行为定义、触发物品、触发传感器、触发时间和位置。通过对日常生活中的基本生活行为进行定义，可以将基本生活行为分解至具体的动作、动作所触发的物品、物品所关联的传感器。通过将行为限定至其可能触发的若干个传感器，能够有效提高行为预测的准确率。例如，当使用者需要离开家外出时，可以将行为名称定义为离开家。使用者离开家至少需要完成大门的开启和大门的关闭操作，进而可以将行为定义为打开大门、关闭大门和无室内行为触发。即当服务器通过传感器采集的数据分析得到使用者依次执行了打开大门和关闭大门，并且无其他室内行为触发时则预测使用者处于离开家的状态。此时触发物品是大门。触发传感器是安装在大门上的门磁开关传感器。触发时间不作限定，即使用者在任何时间段执行离开家的行为均属于正常。位置是指行为发生的地址，例如可以将离开家的位置定义为客厅。优选的，基于不同行为与不同传感器之间的关联性能够构建如表2所示的包含若干个不同行为名称的传感器行为表。通过构建传感器行为表能够明确不同的行为与传感器之间的多对多关系。即一个完整的行为需要有多个子行为共同构成，从而能够触发不同的传感器。例如，如表2中所示的准备早餐的行为，其需要完成冰箱操作、煤气灶操作和微波炉操作方可完成，其中会触发冰箱的门磁开关传感器、煤气灶的火焰传感器以及微波炉的门磁开关传感器。优选的，传感器行为表中的每一行数据均可以作为一项分类数据。优选的，属性至少包括传感器的安装位置、绑定的物品和触发的时间。
表2
Figure BDA0003556835250000071
Figure BDA0003556835250000081
S3：基于分类数据执行行为预测分类器的构建以对未来设定时刻所发生的行为进行预测。
具体的，行为预测分类器可以基于隐马尔科夫模型进行构建。例如，针对传感器数据和行为中隐含的时序性，使用隐马尔科夫模型来根据传感器数据对未来某个时刻发生的行为进行预测。隐马尔科夫模型引入一个隐含变量，并认为数据中状态的改变是由且仅由前一个时间点的隐含变量和此隐含变量造成的，但此隐含变量并不能被观察者直接观察得到。在隐马尔科夫模型中，由隐含变量之间的转移矩阵、初始状态概率矩阵和隐变量对应行为的发射矩阵解出要预测的时间点的行为。在使用隐马尔科夫模型进行行为预测时，将行为看作是传感器的隐变量，传感器数据是可观察到的而行为数据是隐藏的。
优选的，针对设定时间周期内收集到的传感器数据使用训练完成的隐马尔科夫模型进行行为预测。例如可以通过使用预先收集的传感器数据对隐马尔科夫模型进行训练，并以24小时为周期对该日收集到的传感器数据使用训练完成的隐马尔科夫模型进行行为预测。具体的，隐马尔科夫模型训练和预测至少包括如下步骤：
A1：定义矩阵A的第i行第j列的元素值由第i个状态qi转移到第j个状态qj的概率aij＝P(qj|qi)。定义矩阵B的第k行第j列的值在状态为qj时，观察到数据k的概率bj(k)＝P(k|qj)。至此，隐马尔科夫模型λ＝(A，B，π)构建完成。
A2：在构建的隐马尔科夫模型中A和B均属于未知参数，需要使用维特比算法解隐马尔科夫模型。具体的，维特比算法需要最大化的是给定观察数据后隐变量序列的概率maxP(I/O)。维特比算法定义为
Figure BDA0003556835250000091
基于维特比算法定义的公式可以得到递推公式
Figure BDA0003556835250000092
，其中，定义
Figure BDA0003556835250000101
进而维特比算法的流程为：
输入：模型λ＝(A，B，π)，观察数据序列O＝(o0，o1，...，oT-1)。
输出：隐变量序列I＝(i0，i1，...，iT-1)。
初始化局部状态：
δ0＝πibi(o0)，i＝0，1，...，N-1
Ψ0(i)＝0，i＝0，1，...，N-1
进行动态规划递推t＝1，2，...，T-1时刻的局部状态：
Figure BDA0003556835250000102
Figure BDA0003556835250000103
计算时刻T最大的ΨT(i)，此时ΨT(i)即为t＝T时刻最有可能出现的隐变量状态
Figure BDA0003556835250000104
利用Ψ(i)回溯得到I＝(i0，i1，...，iT-1)：
it＝Ψt+1(it+1)
在使用隐马尔科夫模型进行预测时，将传感器数据O＝(o0，o1，...，oT-1)看作是观察序列，将行为I＝(i0，i1，...，iT-1)看作是隐变量。使用维特比算法即可求得每个时刻对应的行为。
优选的，为了便于理解，将上述过程中所涉及的参数的具体含义进行定义。T表示数据序列长度。A表示状态(隐变量)之间的转移矩阵。B表示发射矩阵。π表示初始状态概率矩阵。N表示隐变量取值的数量。 Q＝{q0，q1，...，qN-1}表示隐变量可能的值集合。I＝(i0，i1，...，iT-1)表示隐变量序列。O＝(o0，o1，...，oT-1)表示观察到的数据序列。
S4：针对预测获取的行为进行评分处理，在评分下降超过设定阈值的情况下生成预警信息。认知能力的下降在日常生活中表现为行为的错误，在完成某项活动的时候跳过或者执行不正确的重要步骤，使得该项活动失去原本实现的意义。例如，行为的错误可能包括忘记关闭煤气、保持冰箱门长时间的打开、花费很长的时间来完成某项简单的工作。通过将认知能力用分数标准化，用以量化活动完成的质量。根据每日评分信息，当用户的认知能力评分下降超过例如是10％的阈值时便产生警报信息。
具体的，对行为进行评分处理至少包括如下步骤：
B1：选择日常触发最多n项行为作为标准任务X＝(X1，X2，...，Xn)。
B2：测试得到一般人完成该n项任务的时间作为该项行为的标准时间T，表示为T＝(T1，T2，...，Tn)。
B3：确定使用者完成标准任务所需的时间t＝(t1，t2，...，tn)、使用者完成标准任务的任务完成度α＝(α1，α2，...，αn)，并根据每项标准任务的重要性确定其各自的权重w＝(w1，w2，...，wn)。
具体的，标准任务的任务完成度可以通过实际完成的子任务数量与子任务数量的总数的比值进行确定。例如，如表2中所示的洗碗行为，其一共包含5个子任务，即打开水阀、关闭水阀、打开和关闭水阀若干次、打开碗柜和关闭碗柜。当使用者完成其中的3个子任务时，针对洗碗行为的任务完成度为(3/5)*100％＝60％。
优选的，标准任务的重要性由任务出现的频率进行划分。例如，将标准任务的重要性划分为三个等级。第一等级的权重制定为0.5，第二等级的权重制定为0.3，第三等级的权重制定为0.2。对数据库中的不同行为的发生次数进行统计计算，每日发生超过3次的行为划分为第一等级。发生1～3次的行为划分为第二等级。小于1次的行为划分为第三等级。
B4：建立认知能力的评分公式
Figure BDA0003556835250000111
基于认知能力的评分公式能够计算用户认知能力的评分。
实施例2
本实施例是对实施例1的进一步改进，重复的内容不再赘述。
优选的，在生成预警信息的情况下，基于预测获取的行为生成康复训练策略。生成康复训练策略至少包括如下步骤：
C1：构建预测行为列表、兴趣列表、生活习惯列表、康复措施列表。
具体的，预测行为列表是指由隐马尔科夫模型预测产生的未来每个时刻能够大概率产生的具体行为所构成的列表，其可以按照时序的方式进行构建。即预测行为按照时间先后顺序进行排列。
优选的，兴趣列表是指由使用者的兴趣事项构成的具体行为列表。例如，使用者可以具有但不限于听歌、跳舞、听戏曲、唱戏曲等多种不同的兴趣爱好。使用者或者其陪护人员可以通过外接输入终端将使用者的兴趣事项录入服务器中。例如，服务器2可以配置有例如是键盘或语音录入设备的外接输入终端，使用者本人或者是使用者的子女等陪护人员可以通过外接输入终端将使用者的兴趣事项输入服务器中以构建兴趣列表。
优选的，生活习惯列表是指根据传感器采集到的数据分析得到的使用者在设定时间段内执行的具体行为。具体的，可以对24小时内采集得到的所有传感器数据进行分析以确定使用者在不同时间段内执行的具体行为。例如，针对例如是老年人的使用对象，其早上7点起床，起床后第一件事为上厕所，之后进行洗漱。从而可以按照将时间和具体行为进行关联的方式获取使用者的生活习惯列表。生活习惯列表的部分内容可以如表3所示。优选的，能够按照定期更新的方式对使用者的生活习惯列表进行调整。例如，在夏季和冬季中，使用者由于气候原因会导致其例如是起床时间产生变化，从而需要对生活习惯列表进行定期更新。
表3
序号 时间 具体行为
1 7：00～7：10 起床
2 7：10～7：30 上厕所
3 7：30～7：50 洗漱
4 7：50～8：30 准备早餐
5 8：30～9：00 吃早餐
优选的，康复措施列表由能够抑制使用者的认知能力降低的若干个行为措施构成。服务器可以通过自定义、联网获取的方式建立康复措施列表。具体的，服务器可以与例如是医院专家系统建立访问关系，从而能够从医院专家系统中获取抑制认知能力降低的行为措施。一般的，医院专家系统具有专家知识数据库，其中存储有关于不同病症的有效缓解措施。例如，针对老年痴呆症，专家知识数据库中能够记载例如是进行手指锻炼、提高饮食质量、改善情绪等能够有效改善或预防老年痴呆症的措施。服务器2与医院专家系统建立访问关系后便可以直接将其记载的措施纳入康复措施列表中。优选的，服务器还可以通过外接输入的方式对康复措施列表进行自定义。例如，使用者在经医生的专业诊断后，医生会根据使用者的实际情况为其制定具体的行为措施，进而使用者本人或者其看护人员可以通过外接输入的方式将医生给出的行为措施输入康复措施列表中。
C2：基于预测行为列表、兴趣列表、生活习惯列表与康复措施列表之间的关联度分析结果，将具体的康复措施列表中的康复措施按照随机插入预测行为列表中的方式构建行为指导列表。
具体的，服务器配置为对康复措施列表与生活习惯列表进行第一级关联分析以筛出不符合要求的康复措施，从而生成第一康复措施列表。服务器能够基于生活习惯列表确定使用者的生活状态特征。生活状态特征主要用于确定使用者不能够执行的行为。例如，生活习惯列表中会记载使用者在夜间具有做祷告的生活习惯。结合布置在房间内的例如是语音传感器或图像传感器能够对祷告的内容进行确定，从而分析得出使用者具有关于某个宗教的宗教信仰。服务器随后能够通过外界输入或者联网的方式获取关于该宗教的禁忌事项，从而将康复措施列表中的与禁忌事项相关的康复措施删除。服务器可以搭载例如是灰色关联度分析算法、FP-Growth算法或Apriori算法等关联分析算法以实现康复措施列表与生活习惯列表的第一级关联分析。
优选的，服务器还配置为对第一康复措施列表与兴趣列表进行第二级关联分析以最大程度的满足使用者的兴趣爱好。第一康复措施列表中的康复措施可能存在与使用者的兴趣爱好完全冲突的情况。例如，康复措施可能包括执行跑步或广场舞等运动以加强运动。使用者可能由于肥胖或腿脚不便等原因导致其无法或无意愿执行运动相关的康复措施，此时服务器便可以将第一康复措施列表中与兴趣列表相冲突的康复措施进行删除以形成第二康复措施列表。服务器也可以根据例如是灰色关联度分析算法、FP-Growth算法或Apriori算法等关联分析算法以实现第一康复措施列表与兴趣列表的第二级关联分析。
优选的，服务器还配置为对第二康复措施列表与预测行为列表进行第三级关联分析，并将第二康复措施列表中的康复措施插入预测行为列表中以形成行为指导列表。康复措施需要基于预测行为列表中的具体行为的发生时间、发生地点和行为属性确定是否存在执行冲突。具体的，可以将行为属性划分为肢体限制类、注意力集中类和无限制类，其中，肢体限制类表示具体行为需要使用者四肢才能完成。例如，上厕所需要暂时占用使用者的双手以解开裤子，并需要持续占用使用者的双腿。还例如在准备早餐过程中，需要长时间频繁的暂用使用者的双手进行操作，并偶尔需要暂用使用者的双腿进行走动以变换位置，从而实现物品的取放。注意力集中类表明具体行为需要使用者高度集中注意力，不能受到外界的过度干扰。例如，使用者在进行祷告时应尽量避免外界声音的干扰。无限制类表明使用者处于放松休闲状态，其可以随时调整状态以执行任何其所需完成的事项。例如，使用者在看电视时，只需通过遥控器将电视开启后便可以全程躺卧或坐立于沙发上，此时其处于放松休闲状态，其注意力并不需要高度集中并且四肢也处于未被占用的状态，使得其可以随时处理其余事项。优选的，服务器也可以根据例如是灰色关联度分析算法、FP-Growth算法或Apriori算法等关联分析算法以实现第二康复措施列表与预测行为列表的第三级关联分析。例如，针对早上7点起床后执行上厕所的具体行为，该具体行为的发生时间是早上7点，发生地点是卫生间。行为属性为肢体限制类。针对播放音乐或戏曲的康复措施，由于发生地点属于使用者的私人空间，根据关联分析算法可以确定发生地点与播放音乐或戏曲的不会发生冲突。发生时间属于较早的时间段，使用者周边的例如是邻居可能还处于睡眠状态，因此根据关联度分析算法可以确定发生时间与播放音乐或戏曲存在一定的冲突，但可以通过降低音量将冲突进行削弱。播放音乐或戏曲的康复措施并不会占用使用者的注意力或肢体，根据关联度分析算法可以确定其与行为属性之间不会发生冲突。最终服务器可以控制卫生间中的例如是播放器按照人类正常说话的音量大小(即20分贝～50 分贝)的方式执行播放音乐或戏曲的康复措施。
C3：在设定时间周期，按照插入彼此不同的康复措施的方式构建若干个彼此不同的行为指导列表。
具体的，可以在一周内，以天为单位，每一天均构建一个行为指导列表，使得每一天的行为指导列表均不同。行为指导列表的不同体现为在相同时间段执行的康复措施彼此不同。例如，在第一天的早上七点可以为使用者插入播放音乐的康复训练措施。在第二天的早上可以为使用者插入播放早间新闻的康复训练措施。
C4：在设定时间周期内，配置语音交互器3或显示器4以指导使用者按照交替执行行为指导列表的方式完成认知康复训练。
具体的，使用者的居住空间中可以设置有若干个语音交互器或若干个显示器。例如，在客厅、卧室和卫生间中均可以设置语音交互器和显示器。语音交互器能够向使用者播放语音并且能够接收使用者输入的语音信号，从而便于服务器判断使用者的反馈内容。语音交互器和显示器均连接至服务器，以使得服务器能够对每一个语音交互器和显示器进行控制。通过语音交互器可以按照语音播报的方式指导使用者执行康复措施，或者通过显示器可以直观地教导使用者执行康复措施。
优选的，以一周为时间周期，可以形成7份彼此不同的行为指导列表。交替执行行为列表是指在第一天执行第一份行为指导列表，在第二天执行第二份行为指导列表，依次类推，在第七天执行第七份行为指导列表，从而使得使用者在一周内每天的康复训练内容均不同，能够避免使用者产生厌倦，进而有效提高康复训练效果。
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。

Claims (10)

1.一种基于时序数据库的认知训练策略生成系统，其特征在于，包括不少于一个能够采集使用者不同动作信息的传感器(1)，并为所有传感器(1)配置至少一个服务器(2)，其中，
所述服务器(2)配置为按照至少构建用于表述传感器的基础信息的传感器设备信息表和用于表述传感器采集的信息内容的传感器数据信息表的方式完成所述信息数据集的构建，并且所述服务器(2)能够根据上传时间，定期将数据进行归档存储和数据处理。
2.根据权利要求1所述的一种基于时序数据库的认知训练策略生成系统，其特征在于，所述服务器(2)能够通过自定义或联网获取的方式建立康复措施列表，当所述传感器被触发而执行数据采集时便实时将采集的数据上传至所述服务器(2)以进行统一存储。
3.根据权利要求1或2所述的一种基于时序数据库的认知训练策略生成系统，其特征在于，所述服务器(2)能够配置有键盘或语音录入设备的外接输入终端，使用者本人或者是使用者的子女等陪护人员能够通过外接输入终端将使用者的兴趣事项输入服务器中以构建兴趣列表。
4.根据权利要求1～3任一项所述的一种基于时序数据库的认知训练策略生成系统，其特征在于，所述服务器(2)能够基于生活习惯列表确定使用者的生活状态特征。
5.一种基于时序数据库的认知训练策略生成方法，其特征在于，包括以下步骤：构建预测行为列表、兴趣列表、生活习惯列表、康复措施列表；基于预测行为列表、兴趣列表、生活习惯列表与康复措施列表之间的关联度分析结果，将具体的康复措施列表中的康复措施按照插入预测行为列表中的方式构建行为指导列表。
6.根据权利要求5所述的一种基于时序数据库的认知训练策略生成方法，其特征在于，还包括以下步骤：在设定时间周期，按照插入彼此不同的康复措施的方式构建若干个彼此不同的行为指导列表；
在所述设定时间周期内，配置语音交互器(3)或显示器(4)以指导使用者按照交替执行行为指导列表的方式完成认知康复训练。
7.根据权利要求5或6任一项所述的一种基于时序数据库的认知训练策略生成方法，其特征在于，所述行为指导列表的建立包括以下步骤：对所述康复措施列表和所述生活习惯列表进行第一级关联分析以筛出不符合要求的康复措施，从而生成第一康复措施列表。
8.根据权利要求5～7任一项所述的一种基于时序数据库的认知训练策略生成方法，其特征在于，所述行为指导列表的建立还包括以下步骤：对所述第一康复措施列表和所述兴趣列表进行第二级关联分析以最大程度的满足使用者的兴趣爱好，从而生成第二康复措施列表。
9.根据权利要求5～8任一项所述的一种基于时序数据库的认知训练策略生成方法，其特征在于，所述行为指导列表的建立还包括以下步骤：对第二康复措施列表与预测行为列表进行第三级关联分析，并将第二康复措施列表中的康复措施插入预测行为列表中以形成行为指导列表。
10.根据权利要求5～9任一项所述的一种基于时序数据库的认知训练策略生成方法，其特征在于，所述康复措施需要基于预测行为列表中的具体行为的发生时间、发生地点和行为属性确定是否存在执行冲突。
CN202210285110.1A 2019-05-20 2019-05-20 一种基于时序数据库的认知训练策略生成方法及系统 Pending CN114512211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210285110.1A CN114512211A (zh) 2019-05-20 2019-05-20 一种基于时序数据库的认知训练策略生成方法及系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910421470.8A CN110136795B (zh) 2019-05-20 2019-05-20 一种用于认知预警的时序数据库的构建方法
CN202210285110.1A CN114512211A (zh) 2019-05-20 2019-05-20 一种基于时序数据库的认知训练策略生成方法及系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201910421470.8A Division CN110136795B (zh) 2019-05-20 2019-05-20 一种用于认知预警的时序数据库的构建方法

Publications (1)

Publication Number Publication Date
CN114512211A true CN114512211A (zh) 2022-05-17

Family

ID=67571839

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202210308288.3A Pending CN114664405A (zh) 2019-05-20 2019-05-20 一种基于时序数据库的认知预警系统及方法
CN201910421470.8A Active CN110136795B (zh) 2019-05-20 2019-05-20 一种用于认知预警的时序数据库的构建方法
CN202210285110.1A Pending CN114512211A (zh) 2019-05-20 2019-05-20 一种基于时序数据库的认知训练策略生成方法及系统

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202210308288.3A Pending CN114664405A (zh) 2019-05-20 2019-05-20 一种基于时序数据库的认知预警系统及方法
CN201910421470.8A Active CN110136795B (zh) 2019-05-20 2019-05-20 一种用于认知预警的时序数据库的构建方法

Country Status (1)

Country Link
CN (3) CN114664405A (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400284B (zh) * 2020-03-20 2023-09-12 广州咨元信息科技有限公司 一种基于性能数据建立动态异常探测模型的方法
JP2022039511A (ja) * 2020-08-28 2022-03-10 日立グローバルライフソリューションズ株式会社 見守り装置、見守り方法及び見守りプログラム
CN115040086A (zh) * 2021-06-11 2022-09-13 合肥工业大学 一种基于数字生物标志物的数据处理系统及方法
CN116168805B (zh) * 2023-01-20 2023-08-01 北京瑞帆科技有限公司 一种用于认知训练的思维训练装置及认知训练系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1322477C (zh) * 2004-03-25 2007-06-20 浙江工业大学 独居老人家庭安保装置
US20180254096A1 (en) * 2015-09-15 2018-09-06 Commonwealth Scientific And Industrial Research Organisation Activity capability monitoring
CN107886103B (zh) * 2016-09-29 2023-12-08 日本电气株式会社 用于识别行为模式的方法、设备和系统
US20180151254A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute High-speed similar case search method and device through reduction of large scale multi-dimensional time series health data to multiple dimensions
CN109473173B (zh) * 2018-09-30 2021-04-13 华中科技大学 一种基于视频的老年人认知功能缺陷评估系统及装置
CN109545330A (zh) * 2018-11-30 2019-03-29 北京京师脑力科技有限公司 一种提高执行功能的认知训练方法及系统

Also Published As

Publication number Publication date
CN110136795A (zh) 2019-08-16
CN114664405A (zh) 2022-06-24
CN110136795B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN110136795B (zh) 一种用于认知预警的时序数据库的构建方法
US11050577B2 (en) Automatically learning and controlling connected devices
US20240118720A1 (en) Home and building automation system
Barger et al. Health-status monitoring through analysis of behavioral patterns
JP3996428B2 (ja) 異常検知装置及び異常検知システム
Tapia et al. Activity recognition in the home using simple and ubiquitous sensors
Rashidi et al. Discovering activities to recognize and track in a smart environment
Intille et al. Activity recognition in the home using simple and ubiquitous sensors
US20200019887A1 (en) Data-driven activity prediction
Kormányos et al. Multilevel simulation of daily activities: Why and how?
US20130238538A1 (en) Systems and Methods for Adaptive Smart Environment Automation
Wang et al. sMRT: Multi-resident tracking in smart homes with sensor vectorization
CN107992003A (zh) 用户行为预测方法及装置
CN107431649A (zh) 针对智能住家的住户策略的生成和实现
Bacciu et al. Smart environments and context-awareness for lifestyle management in a healthy active ageing framework
CN110991478A (zh) 热舒适感模型建立方法和用户偏好温度的设定方法及系统
Pazhoumand-Dar et al. Detecting deviations from activities of daily living routines using kinect depth maps and power consumption data
Bruckner Probabilistic models in building automation: recognizing scenarios with statistical methods
Robben et al. Longitudinal residential ambient monitoring: Correlating sensor data to functional health status
Culmone et al. Human activity recognition using a semantic ontology-based framework
Elfaham et al. A fuzzy based verification agent for the Persim human activity simulator in ambient intelligent environments
Saralegui et al. Taking advantage of an existing indoor climate monitorization for measuring occupancy
Keyvanpour et al. Augmented feature-state sensors in human activity recognition
Casagrande Sensor event and activity prediction using binary sensors in real homes with older adults
Duchene et al. An hybrid refinement methodology for multivariate simulation in home health telecare

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