CN115470986A - 一种行为监测预防系统及方法 - Google Patents

一种行为监测预防系统及方法 Download PDF

Info

Publication number
CN115470986A
CN115470986A CN202211114388.9A CN202211114388A CN115470986A CN 115470986 A CN115470986 A CN 115470986A CN 202211114388 A CN202211114388 A CN 202211114388A CN 115470986 A CN115470986 A CN 115470986A
Authority
CN
China
Prior art keywords
image
data
behavior
module
target
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
CN202211114388.9A
Other languages
English (en)
Inventor
赵伯言
王文思
吉彦平
马一鸣
魏韵璋
赵燕冉
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.)
Beijing University of Technology
Original Assignee
Beijing 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202211114388.9A priority Critical patent/CN115470986A/zh
Publication of CN115470986A publication Critical patent/CN115470986A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种行为监测预防系统及方法，包括：根据不同行为、场景、对象对监测预防系统进行定制化设计调整，基于监测预防设备系统采集被监督者的行为学数据并将行为学数据上传至云端系统平台；云端系统平台根据行为学数据，通过行为习惯预测管理算法，对被监督者的行为习惯进行风险评估预测，获得预测结果；将预测结果参数拟合及多次迭代学习，生成最终的评估结果，并将评估结果发送至智能终端。本发明能够弥补目前通过监督者进行人工导引造成的导引效率低和导引覆盖面范围小的弊端，不仅提高了导引效率，还避免了导引范围遗漏，提升了对行为习惯的导引水平，减轻了监督者的引导负担。

Description

一种行为监测预防系统及方法
技术领域
本发明属于行为监测预防领域，特别是涉及一种行为监测预防系统及方法。
背景技术
人们不会天生就拥有好的行为习惯，好的行为习惯都是在别人良好的导引下逐渐形成的。对于学生来说，良好的学习行为习惯直接关系着学生综合素质的提升以及影响着学生今后的终身发展，其中学习行为习惯包括课堂学习行为习惯、课下学习行为习惯、自习学习行为习惯等。一个习惯的培养并非一朝一夕便可以完成的，它需要经过长期、反复地坚持，最后才能成为一个不易抛弃的真正的习惯。研究表明培养一个习惯需要三个月的时间，但是习惯培养的第一个月是最重要的。
传统的行为监测预防方法有监督式、半监督式和自我监督式。监督式是指完全由监督者对被监督者进行行为习惯的完全管理，多用于被监督者有行为功能障碍的情况；半监督式是指监督者对被监督者的行为习惯养成起到督促和提醒的作用，结合被监督者的自我管理完成习惯的养着；自我监督式则是完全有被监督者个体对自己的行为进行约束和管理，达到习惯养成的目的。
目前对被监督者行为习惯的导引通常是由监督者人工进行操作，具体为监督者在习惯养成过程中对被监督者的行为习惯进行观察，并识别到存在不良习惯行为的被监督者，进而对其进行导引。但是被监督者个人的人工导引能力有限等外界因素会导致导引效率低、导引覆盖面范围小和难以持续导引，进而使得导引效果不佳。尤其是针对于少年儿童，其具备极强的模仿能力、好奇心和自控能力较弱，家长和老师稍不注意就会养成不良习惯，产生不良后果，而目前对少儿不良习惯的发现，大多是家长或老师在该习惯形成后才能发现，不能进行及时有效的引导、纠正。
发明内容
为解决上述问题，本发明提供了如下方案：一种行为监测预防系统及方法，包括：
单片机控制模块，用于产生控制信号对行为监测预防系统进行逻辑控制；
行为数据获取模块，与所述单片机控制模块连接，用于采集行为学数据并将所述行为学数据上传至云端系统平台；
云端系统平台，与所述行为数据获取模块连接，用于根据所述行为学数据，通过行为习惯预测管理算法，对被监督者的行为习惯进行风险评估预测，获得预测结果；将预测结果参数拟合及多次迭代学习，生成最终的评估结果，并将所述评估结果发送至智能终端。
优选地，所述行为监测预防系统还包括，
外围电路驱动模块，与所述单片机控制模块连接，用于通过驱动电路对行为数据获取模块进行硬件驱动和控制；
电源供电模块，与所述单片机控制模块连接，用于对行为监测预防系统供电。
优选地，所述行为数据获取模块还包括，
多模态信息采集模块，与所述外围电路驱动模块连接，用于通过多模态传感器进行环境目标数据的采集并存储在片上系统的非易失性存储介质中；
图像处理识别模块，分别与所述外围电路驱动模块、多模态信息采集模块连接，用于实时对环境目标数据中的环境目标图像信息进行图像识别，通过嵌入式神经网络模型对目标环境进行识别和分类，并将匹配值最高的识别结果储存在片上系统的非易失性存储介质中；
无线数据传输模块，分别与所述外围电路驱动模块、图像处理识别模块、云端系统平台连接，用于片上系统与所述云端系统平台之间的数据传输。
优选地，所述多模态信息采集模块的多模态传感器至少包括图像传感器、测距传感器、光强传感器以及电子时钟，用于对应获取环境目标图像、环境目标距离、环境目标光照强度以及环境目标标准时间。
优选地，所述多模态信息采集模块包括信息采集单元、信息分类单元、信息筛选单元；
所述信息采集单元用于将采集的环境目标数据通过信息处理算法进行分类整理；
所述信息分类单元用于将分类整理后的信息根据采集点的时间标记和数据段的一致性进行筛选和剔除。
优选地，所述图像处理识别模块包括图像压缩单元、图像分割单元、图像识别单元、图像存储单元；
所述图像压缩单元用于对所述环境目标数据进行处理，获得环境目标图像，并对所述环境目标图像进行大码率压缩；
所述图像分割单元用于对所述压缩图像进行图像分割，获得分割图像；
所述图像识别单元用于对所述分割图像进行深度学习图像识别算法的并行运算，对环境目标进行图像识别和逻辑区分，获得匹配概率最大的识别结果；
所述图像存储单元用于将压缩图像和匹配概率最大的识别结果存储在片上系统的非易失性存储介质中。
一种行为监测预防方法，包括：
根据不同行为、场景、对象对监测预防系统进行定制化设计调整，基于监测预防设备系统采集被监督者的行为学数据并将所述行为学数据上传至云端系统平台；
云端系统平台根据所述行为学数据，通过行为习惯预测管理算法，对被监督者的行为习惯进行风险评估预测，获得预测结果；将预测结果参数拟合及多次迭代学习，生成最终的评估结果，并将所述评估结果发送至智能终端。
优选地，基于监测预防设备系统采集被监督者的行为学数据并将所述行为学数据上传至云端系统平台的过程包括，
基于监测预防设备系统，通过外围电路驱动模块对多模态信息采集模块进行硬件驱动和控制，多模态信息采集模块通过多模态传感器进行环境目标数据的采集并存储在片上系统的非易失性存储介质中；
通过图像处理识别模块实时对环境目标数据中的环境目标图像信息进行图像识别，通过嵌入式神经网络模型对目标环境进行识别和分类，并将匹配值最高的识别结果储存在片上系统的非易失性存储介质中；
将环境目标数据与匹配值最高的识别结果进行数据打包，通过无线数据传输模块将数据包发送至云端系统平台。
优选地，多模态信息采集模块进行环境目标数据的采集以及图像处理识别模块对环境目标图像信息进行图像识别，获得匹配值最高的识别结果的过程包括，
多模态信息采集模块通过信息采集单元采集环境目标数据并通过信息处理算法进行分类整理，然后将分类整理后的信息根据采集点的时间标记和数据段的一致性进行筛选和剔除，获得目标环境目标数据并发送至图像处理识别模块；
所述图像处理识别模块对所述目标环境目标数据进行处理，获得环境目标图像，并对所述环境目标图像进行大码率压缩；然后对所述压缩图像进行图像分割，获得分割图像；再对所述分割图像进行深度学习图像识别算法的并行运算，对环境目标进行图像识别和逻辑区分，获得匹配概率最大的识别结果；将压缩图像和匹配概率最大的识别结果存储在片上系统的非易失性存储介质中。
本发明公开了以下技术效果：
本发明提供的一种行为监测预防系统及方法，通过嵌入式片上系统单元和云计算单元的结合，为人行为习惯预测和管理探索了一个新的渠道。该系统可针对不同行为、不同场景、不同对象进行定制化设计，能够实现快速开发、快速部署、环境可控、数据可控。在另一方面，本发明的图像识别算法针对行为习惯场景进行优化，通过深度学习和DSP图像处理将识别精准度提高到百分之九十八以上，并且针对嵌入式场景进行了功耗方面的优化，对算法模型进行压缩，保证嵌入式片上系统单元的长时间续航水平。另外，本发明针对行为习惯的预测和管理构建了一套风险评估算法，统一了评价体系的一致性，在传统机器学习关联分析算法的基础上进行优化，针对不同行为习惯构建拟合参数模型，对行为学研究具有重要意义。
本发明通过穿戴式的嵌入式终端对被监督者进行一对一的行为习惯导引，大大弥补了目前通过监督者进行人工导引造成的导引效率低和导引覆盖面范围小的弊端，不仅提高了导引效率，还避免了导引范围遗漏，具有智能化程度高和实用性强的特点，一方面提升了对行为习惯的导引水平，另一方面也减轻了监督者的引导负担。
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，下面将对实施例中所需要使用的附图作简单地介绍，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他的附图。
图1为本发明实施例的系统结构示意图；
图2为本发明实施例的驱动模块的电路图；
图3为本发明实施例的图像处理识别模块的电路图；
图4为本发明实施例的多模态信息采集模块的电路图；
图5为本发明实施例的无线数据传输模块的电路图；
图6为本发明实施例的电源模块的电路图；
图7为本发明实施例的方法软件程序流程图；
图8为本发明实施例的方法流程图；
图9为本发明实施例的用于近视眼防治的方法流程图；
图10为本发明实施例的目视目标信息采集和识别的电子设备装置图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种行为监测预防系统，该系统包括片上系统单元和云端系统单元两部分。其中片上系统单元包括单片机控制模块、外围电路驱动模块、图像处理识别模块、多模态信息采集模块、无线数据传输模块和电源供电模块；云端系统单元是在计算机平台运行一套行为习惯预测管理算法，并将结果转发至智能终端(如手机、电脑等)。
通过控制算法来对外围电路驱动模块、图像处理识别模块、多模态信息采集模块和无线数据传输模块进行系统级的逻辑控制。
本发明的驱动模块参考图2所示，驱动模块通过控制输入输出接口驱动外围多模态信息传感器，包括图像传感器、测距传感器、光强传感器以及电子时钟。本发明的驱动模块从嵌入式单片机系统出发，采用MicroPython计算机编程语言对输入输出设备的驱动程序进行优化，对于单片机有限的输入输出通道采用时分复用的方式进行了通道的扩展，使得在片上资源有限的情况下实现了对多传感器的同时驱动。
本发明的图像处理识别模块如图3所示，通过驱动模块对连接于输入输出接口的图像传感器进行驱动，将1080p的环境目标图像以640×640分辨率进行大码率压缩并存储在片上系统的非易失性存储介质中，之后单片机控制模块会使单片机的中央处理器调用图像处理识别模块的DSP图像处理单元对640×640分辨率的图形进行图像分割，并针对分割后的每一部分进行深度学习图像识别算法的并行运算，对环境目标进行图像识别和逻辑区分，将匹配概率最大的识别结果存入片上系统的非易失性存储介质中。
随着卷积神经网络、计算机能力及计算机视觉等方向的发展，基于深度学习的图像识别已经在精度和实时性方面，远远赶超传统图像。传统方法中特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，并且可以是端到端的。本发明的图像识别算法基于Keras模型进行改良，并采用MicroPython计算机语言进行重构，在降低嵌入式微处理器系统功耗的同时提高模型识别精度。
本发明的多模态信息采集模块参考图4所示，该模块通过片上系统总线对驱动电路控制的多模态传感器(包括图像传感器、测距传感器、光强传感器以及电子时钟)进行数据的采集并存储在片上系统的非易失性存储介质中，通过信息处理算法对采集的信息进行分类整理，对采集的信息根据采集点的时间标记和数据段的一致性进行筛选和剔除，最终将数据打包，通过无线数据传输模块发送至云端系统单元。本发明的多模态信息采集模块基于多传感器数据融合技术，比单一传感器信息在容错性、互补性、实时性、经济性等方面有长足的提高，尤其是针对行为习惯预测管理的随机性应用场景，在数据分析的可靠性和针对性方面提高显著。
本发明的无线数据传输模块参考图5所示，该模块基于4G网络来进行通信，支持TD-LTE和FDD-LTE等LTE网络制式，具有通信速度快、网络频谱宽、通信灵活等特点。本发明无线数据传输模块将射频、基带集成在一块PCB小板，通过单片机控制电路驱动基带芯片完成无线接收、发射、基带信号处理功能，从而将片上系统单元的数据包发送至服务器终端。
本发明的电源供电模块参考图6所示，电源供电模块采用板载电源模块对整个系统进行有效供电。单片机板载1个外部电源输入口(DC_IN)，采用标准的直流电源插座，板载了DC-DC芯片(LM26420X)，用于给开发板提供高效、稳定的5V电源。同时，由于开发板采用了DC-DC芯片，所以开发板的供电范围十分宽泛，输出范围在DC6～16V的基本都可以供电，通过DC-DC芯片驱动图像处理识别模块、多模态信息采集模块和无线数据传输模块的多个传感器和收发单元，保证了系统的稳定与高效。
本发明的云端系统单元在计算机平台运行一套行为习惯预测管理算法，该算法通过对片上系统的多模态感知信息和图像识别结果进行机器学习，对被监督者的行为习惯数据关联分析，进行风险评估预测，并将预测结果参数拟合及多次迭代学习，生成最终的评估结果。本发明的行为习惯预测管理算法基于机器学习技术，机器学习具有很好的处理非线性分类问题的能力，基于机器学习的预测评估模式能有效提高预测结果的精确度与适用性。
本发明还提供了一种行为监测预防方法，具体工作运行流程如图7-8，包括以下步骤：
步骤一：根据行为管理需要，被监督者佩戴可穿戴式行为监测设备。
步骤二：启动行为监测设备片上系统单元。
步骤三：启动远程云端系统单元，准备接收来自片上系统单元的数据。
步骤四：可穿戴式行为监测设备片上单元对被监督者受监督环境进行多模态数据采集，包括环境目标图像、环境目标距离、环境目标光照强度、环境目标标准时间等，并将以上数据存储在片上系统的非易失性存储介质中。
步骤五：图像处理识别模块实时对采集的目标环境图像信息进行图像识别，通过优化的低功耗嵌入式神经网络模型对目标环境进行识别和分类，并将匹配值最高的识别结果储存在片上系统的非易失性存储介质中。
步骤六：在片上系统单元中将步骤四、五储存的数据进行打包，并通过无线数据传输模块将数据包发送至云端系统单元。
步骤七：云端系统单元调用行为习惯预测管理算法，通过对片上系统的多模态感知信息和图像识别结果进行机器学习，对被监督者的行为习惯进行风险评估预测，并将预测结果参数拟合及多次迭代学习，生成最终的评估结果并发送至客户的智能提醒终端(如手机、电脑等)。
本发明以人工智能技术和集成电路技术为背景，通过图像、距离、光照、时钟多种传感器对被监督者的受监督环境进行多模态感知和采集，同时通过特定的图像识别和DSP算法对受监督环境中的影响因素进行识别，之后将采集和识别的信息进行汇总上传，由服务器运行基于机器学习技术的风险评估算法对被监督者的行为习惯进行评定，并将评定结果和数据库中匹配到的科学指导下发到客户端，在智能终端设备上进行显示，从而达到被监督者行为习惯监测、预防和监督管理的目的，最终实现好习惯的养成和特定危害事件的预防。
实施例1
根据本发明实施例，具体提供了一种用于近视眼防治的行为监测预防方法，如图9所示，该方法包括：
S1101，根据近视眼预防需要，患者佩戴可穿戴式行为习惯预测管理嵌入式设备。
S1102，可穿戴式行为习惯预测管理设备片上单元对患者日常用眼环境进行多模态数据采集，包括目视目标图像、目视目标距离、目视环境光照强度、用眼时间等，并将以上数据存储在片上系统的非易失性存储介质中。
S1103，图像处理识别模块实时对采集的目视目标图像信息进行图像识别，通过优化的低功耗嵌入式神经网络模型对目标环境进行识别和分类，并将匹配值最高的识别结果储存在片上系统的非易失性存储介质中。
S1104，在片上系统单元中将S802、S803储存的数据进行打包，并通过无线数据传输模块将数据包发送至云端系统单元。
S1105，云端系统单元调用用眼习惯预测管理算法，通过对片上系统的多模态感知信息和图像识别结果进行机器学习，对患者的用眼习惯进行风险评估预测，并将预测结果参数拟合及多次迭代学习，生成最终的评估结果并发送至客户的智能提醒终端(如手机、电脑等)科学匹配用眼建议。
实施例2
根据本发明实施例，还提供一种用于对目视目标进行信息采集和识别的行为监测预防装置，如图10所示，该装置包括：
单片机控制单元S1201，用于产生控制信号输出至驱动单元。
驱动单元S1202，通过驱动电路对多模态信息采集单元进行硬件驱动和控制。
多模态信息采集单元S1203，通过片上系统总线对驱动电路控制的多模态传感器(包括图像传感器、测距传感器、光强传感器以及电子时钟)进行目视目标数据的采集并存储在片上系统的非易失性存储介质中。
图像处理识别单元S1204，调用图像处理识别模块的DSP图像处理单元对目视目标图形进行图像分割，并针对分割后的每一部分进行深度学习图像识别算法的并行运算，对环境目标进行图像识别和逻辑区分，将匹配概率最大的识别结果存入片上系统的非易失性存储介质中。
可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。
实施例3
根据本发明实施例，还提供了一种行为监测预防系统方法及其电子设备用于生物体用眼习惯行为学研究。包括：
1)单片机控制模块通过控制算法来对外围电路驱动模块、图像处理识别模块、多模态信息采集模块和无线数据传输模块进行系统级的逻辑控制。
2)驱动模块通过控制输入输出接口驱动外围多模态信息传感器，包括图像传感器、测距传感器、光强传感器以及电子时钟，用来采集行为学数据并上传至云端系统平台。
3)云端系统单元是在计算机平台运行一套行为习惯预测管理算法，该算法通过对片上系统的多模态感知信息和图像识别结果进行机器学习，对被监督者的行为习惯进行风险评估预测，并将预测结果参数拟合及多次迭代学习，生成最终的评估结果。
可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。
实施例4
根据本发明实施例，提供了一种行为监测预防系统方法和电子设备及集成电路设计，有如下：
1)单片机控制模块电路设计；
2)电源模块电路设计；
3)驱动模块电路设计；
4)无线数据传输模块电路设计；
5)多模态信息采集模块电路设计；
6)图像处理识别模块电路设计；
7)各个模块电路的整个集成设计。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种行为监测预防系统，其特征在于，包括：
单片机控制模块，用于产生控制信号对行为监测预防系统进行逻辑控制；
行为数据获取模块，与所述单片机控制模块连接，用于采集行为学数据并将所述行为学数据上传至云端系统平台；
云端系统平台，与所述行为数据获取模块连接，用于根据所述行为学数据，通过行为习惯预测管理算法，对被监督者的行为习惯进行风险评估预测，获得预测结果；将预测结果参数拟合及多次迭代学习，生成最终的评估结果，并将所述评估结果发送至智能终端。
2.根据权利要求1所述的行为监测预防系统，其特征在于，
所述行为监测预防系统还包括，
外围电路驱动模块，与所述单片机控制模块连接，用于通过驱动电路对行为数据获取模块进行硬件驱动和控制；
电源供电模块，与所述单片机控制模块连接，用于对行为监测预防系统供电。
3.根据权利要求2所述的行为监测预防系统，其特征在于，
所述行为数据获取模块还包括，
多模态信息采集模块，与所述外围电路驱动模块连接，用于通过多模态传感器进行环境目标数据的采集并存储在片上系统的非易失性存储介质中；
图像处理识别模块，分别与所述外围电路驱动模块、多模态信息采集模块连接，用于实时对环境目标数据中的环境目标图像信息进行图像识别，通过嵌入式神经网络模型对目标环境进行识别和分类，并将匹配值最高的识别结果储存在片上系统的非易失性存储介质中；
无线数据传输模块，分别与所述外围电路驱动模块、图像处理识别模块、云端系统平台连接，用于片上系统与所述云端系统平台之间的数据传输。
4.根据权利要求3所述的行为监测预防系统，其特征在于，
所述多模态信息采集模块的多模态传感器至少包括图像传感器、测距传感器、光强传感器以及电子时钟，用于对应获取环境目标图像、环境目标距离、环境目标光照强度以及环境目标标准时间。
5.根据权利要求3所述的行为监测预防系统，其特征在于，
所述多模态信息采集模块包括信息采集单元、信息分类单元、信息筛选单元；
所述信息采集单元用于将采集的环境目标数据通过信息处理算法进行分类整理；
所述信息分类单元用于将分类整理后的信息根据采集点的时间标记和数据段的一致性进行筛选和剔除。
6.根据权利要求3所述的行为监测预防系统，其特征在于，
所述图像处理识别模块包括图像压缩单元、图像分割单元、图像识别单元、图像存储单元；
所述图像压缩单元用于对所述环境目标数据进行处理，获得环境目标图像，并对所述环境目标图像进行大码率压缩；
所述图像分割单元用于对所述压缩图像进行图像分割，获得分割图像；
所述图像识别单元用于对所述分割图像进行深度学习图像识别算法的并行运算，对环境目标进行图像识别和逻辑区分，获得匹配概率最大的识别结果；
所述图像存储单元用于将压缩图像和匹配概率最大的识别结果存储在片上系统的非易失性存储介质中。
7.一种行为监测预防方法，其特征在于，包括：
根据不同行为、场景、对象对监测预防系统进行定制化设计调整，基于监测预防设备系统采集被监督者的行为学数据并将所述行为学数据上传至云端系统平台；
云端系统平台根据所述行为学数据，通过行为习惯预测管理算法，对被监督者的行为习惯进行风险评估预测，获得预测结果；将预测结果参数拟合及多次迭代学习，生成最终的评估结果，并将所述评估结果发送至智能终端。
8.根据权利要求7所述的行为监测预防方法，其特征在于，
基于监测预防设备系统采集被监督者的行为学数据并将所述行为学数据上传至云端系统平台的过程包括，
基于监测预防设备系统，通过外围电路驱动模块对多模态信息采集模块进行硬件驱动和控制，多模态信息采集模块通过多模态传感器进行环境目标数据的采集并存储在片上系统的非易失性存储介质中；
通过图像处理识别模块实时对环境目标数据中的环境目标图像信息进行图像识别，通过嵌入式神经网络模型对目标环境进行识别和分类，并将匹配值最高的识别结果储存在片上系统的非易失性存储介质中；
将环境目标数据与匹配值最高的识别结果进行数据打包，通过无线数据传输模块将数据包发送至云端系统平台。
9.根据权利要求8所述的行为监测预防方法，其特征在于，
多模态信息采集模块进行环境目标数据的采集以及图像处理识别模块对环境目标图像信息进行图像识别，获得匹配值最高的识别结果的过程包括，
多模态信息采集模块通过信息采集单元采集环境目标数据并通过信息处理算法进行分类整理，然后将分类整理后的信息根据采集点的时间标记和数据段的一致性进行筛选和剔除，获得目标环境目标数据并发送至图像处理识别模块；
所述图像处理识别模块对所述目标环境目标数据进行处理，获得环境目标图像，并对所述环境目标图像进行大码率压缩；然后对所述压缩图像进行图像分割，获得分割图像；再对所述分割图像进行深度学习图像识别算法的并行运算，对环境目标进行图像识别和逻辑区分，获得匹配概率最大的识别结果；将压缩图像和匹配概率最大的识别结果存储在片上系统的非易失性存储介质中。
CN202211114388.9A 2022-09-14 2022-09-14 一种行为监测预防系统及方法 Pending CN115470986A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211114388.9A CN115470986A (zh) 2022-09-14 2022-09-14 一种行为监测预防系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211114388.9A CN115470986A (zh) 2022-09-14 2022-09-14 一种行为监测预防系统及方法

Publications (1)

Publication Number Publication Date
CN115470986A true CN115470986A (zh) 2022-12-13

Family

ID=84371393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211114388.9A Pending CN115470986A (zh) 2022-09-14 2022-09-14 一种行为监测预防系统及方法

Country Status (1)

Country Link
CN (1) CN115470986A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353452A (zh) * 2020-03-06 2020-06-30 国网湖南省电力有限公司 一种基于rgb图像的行为识别方法、装置、介质及设备
CN113143273A (zh) * 2021-03-23 2021-07-23 陕西师范大学 一种在线视频学习中学习者注意状态智能检测系统及方法
CN113177870A (zh) * 2021-05-24 2021-07-27 苏州荣学网络科技有限公司 一种基于ai分析反馈的少儿习惯培养和深化系统及方法
CN113221784A (zh) * 2021-05-20 2021-08-06 杭州麦淘淘科技有限公司 一种基于多模态的学生学习状态分析方法及装置
US20210319251A1 (en) * 2020-10-19 2021-10-14 Beijing Baidu Netcom Science Technology Co., Ltd. Method for processing multimodal images, apparatus, device and storage medium
CN114708537A (zh) * 2022-04-08 2022-07-05 云南大学 一种基于多视角的复杂场所异常行为分析系统及分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353452A (zh) * 2020-03-06 2020-06-30 国网湖南省电力有限公司 一种基于rgb图像的行为识别方法、装置、介质及设备
US20210319251A1 (en) * 2020-10-19 2021-10-14 Beijing Baidu Netcom Science Technology Co., Ltd. Method for processing multimodal images, apparatus, device and storage medium
CN113143273A (zh) * 2021-03-23 2021-07-23 陕西师范大学 一种在线视频学习中学习者注意状态智能检测系统及方法
CN113221784A (zh) * 2021-05-20 2021-08-06 杭州麦淘淘科技有限公司 一种基于多模态的学生学习状态分析方法及装置
CN113177870A (zh) * 2021-05-24 2021-07-27 苏州荣学网络科技有限公司 一种基于ai分析反馈的少儿习惯培养和深化系统及方法
CN114708537A (zh) * 2022-04-08 2022-07-05 云南大学 一种基于多视角的复杂场所异常行为分析系统及分析方法

Similar Documents

Publication Publication Date Title
CN109101933A (zh) 一种基于人工智能的情绪行为可视化分析方法
CN108093030B (zh) 一种基于云服务器的人工智能模型部署方法
CN108053700A (zh) 一种人工智能教学辅助系统
CN106104218A (zh) 植物监测仪、信息生成方法、装置及植物监测系统
CN107133611B (zh) 一种课堂学生点头率识别与统计方法及装置
CN106055894A (zh) 一种基于人工智能的行为分析方法和系统
CN111767849A (zh) 农作物病虫害识别方法、设备及存储介质
CN111243742B (zh) 一种能够分析儿童用眼习惯的智能眼镜
CN109951363A (zh) 数据处理方法、装置及系统
CN113143273B (zh) 一种在线视频学习中学习者注意状态智能检测系统及方法
CN106774861B (zh) 智能设备及行为数据纠正方法和装置
CN109359610A (zh) 构建cnn-gb模型的方法及系统、数据特征分类方法
CN103169471A (zh) 一种便携式脑电检测系统
CN113222170B (zh) 一种用于物联网ai协同服务平台的智能算法和模型
CN107341866A (zh) 基于物联网的适于人脸、人眼识别的行车记录仪
KR20190106946A (ko) 지능형 디바이스 및 그 제어 방법
CN110174948B (zh) 一种基于小波神经网络的语言智能辅助学习系统与方法
CN113349188B (zh) 一种基于云端杀草谱的草坪及牧草精准除草方法
CN111178263A (zh) 一种实时表情分析方法及其装置
CN114093000A (zh) 课堂提示信息的显示方法及装置
CN112714411B (zh) 具有可移动节点的农业监测装置
CN107610260B (zh) 一种基于机器视觉的智能考勤系统及考勤方法
CN115470986A (zh) 一种行为监测预防系统及方法
CN106110629B (zh) 一种智能训练管理系统
CN116958744A (zh) 矿用ai模型的图像交互方法、装置、设备及其介质

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