CN116184849A - 一种生物体监测管理方法和系统 - Google Patents
一种生物体监测管理方法和系统 Download PDFInfo
- Publication number
- CN116184849A CN116184849A CN202211604940.2A CN202211604940A CN116184849A CN 116184849 A CN116184849 A CN 116184849A CN 202211604940 A CN202211604940 A CN 202211604940A CN 116184849 A CN116184849 A CN 116184849A
- Authority
- CN
- China
- Prior art keywords
- signal
- organism
- target room
- room
- biological species
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000007726 management method Methods 0.000 title description 40
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 60
- 230000008859 change Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 241000894007 species Species 0.000 description 74
- 238000009826 distribution Methods 0.000 description 39
- 239000013598 vector Substances 0.000 description 32
- 239000011159 matrix material Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 241000699666 Mus <mouse, genus> Species 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005562 fading Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 241000271566 Aves Species 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
- H04L12/2816—Controlling appliance services of a home automation network by calling their functionalities
- H04L12/282—Controlling appliance services of a home automation network by calling their functionalities based on user interaction within the home
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本说明书实施例提供了一种生物体监测管理方法和系统,所述生物体监测管理方法包括:基于目标房间中至少一个终端设备获取至少一个发射源发射的至少一个第一信号;从至少一个第一信号中提取至少一个第二信号;基于至少一个第二信号,确定目标房间内是否存在生物体;响应于目标房间内存在生物体,基于至少一个第二信号,确定生物体的生物种类;基于生物种类,确定对目标房间的管理方案。
Description
技术领域
本说明书涉及房间管理领域,特别涉及一种生物体监测管理方法和系统。
背景技术
现有的生物体监测在实际应用中,往往需要摄像头、红外传感等的硬件方面支持,设备安装及布线成本较高,且由于隐私因素等原因,限制了其在例如酒店房间管理中的应用。并且,现有技术中,当房间内的人员存在服务需求时,通常需要主动打电话给商家发起服务请求,降低了服务效率;若商家主动电话问询或敲门问询顾客是否需要服务,则可能会存在顾客不在房间的情况,从而造成服务人员精力和时间上的浪费,甚至会对顾客造成打扰,降低顾客入住体验。
因此,需要提供了一种生物体监测管理方法和系统,实现更加高效精确、低成本的生物体监测管理,以避免服务人员浪费,提高服务质量和效率,从而提升顾客体验。
发明内容
本说明书实施例之一提供一种生物体监测管理方法。所述生物体监测管理方法包括:基于目标房间中至少一个终端设备获取至少一个发射源发射的至少一个第一信号;从所述至少一个第一信号中提取至少一个第二信号;基于所述至少一个第二信号,确定所述目标房间内是否存在生物体;响应于所述目标房间内存在所述生物体,基于所述至少一个第二信号,确定所述生物体的生物种类;基于所述生物种类,确定对所述目标房间的管理方案。
本说明书实施例之一提供一种生物体监测管理系统,包括:获取模块,用于基于目标房间中至少一个终端设备获取至少一个发射源发射的至少一个第一信号;提取模块,用于从所述至少一个第一信号中提取至少一个第二信号;确定模块,用于基于所述至少一个第二信号,确定所述目标房间内是否存在生物体;响应于所述目标房间内存在所述生物体,基于所述至少一个第二信号,确定所述生物体的生物种类;基于所述生物种类,确定对所述目标房间的管理方案。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述生物体监测管理方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的生物体监测管理系统的应用场景示意图;
图2是根据本说明书一些实施例所示的生物体监测管理系统的示例性模块图;
图3是根据本说明书一些实施例所示的生物体监测管理方法的示例性流程图;
图4A是根据本说明书一些实施例所示的第一预测模型的示例性示意图;
图4B是根据本说明书一些实施例所示的第二预测模型的示例性示意图;
图5是根据本说明书一些实施例所示的第三预测模型的示例性示意图;
图6是根据本说明书一些实施例所示的第四预测模型的示例性示意图;
图7是根据本说明书一些实施例所示的第五预测模型的示例性示意图;
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的生物体监测管理系统的应用场景示意图。
在一些实施例中,生物体监测管理系统的应用场景可以用于生物体监测的各类场所,例如,公寓、房屋或酒店房间的服务管理、门店监控、入侵检测、老人看护、智能购物等。生物体监测管理系统可以通过实施本申请中披露的生物体监测管理方法来实现生物体监测和管理。
在一些实施例中,如图1所示,生物体监测管理系统100可以包括发射源110、生物体120、终端设备130、处理设备140、网络150、存储设备160。
发射源110可以是用于发射信号的设备。例如,发射源110可以用于发射第一信号。在一些实施例中,信号可以包括Wi-Fi信号等。在一些实施例中,发射源110可以包括Wi-Fi信号放大器、路由器等。在一些实施例中,一个区域中可以包括多个发射源,多个发射源可以布置在区域中的多个位置处。例如,商店中的前台、仓库等位置处可以分别布置一个发射源。
生物体120可以是一切有生命的个体或物体。在一些实施例中,生物体120可以包括老鼠120-1、人120-2等或其任意组合。在一些实施例中,生物体120还可以包括其他生物,例如猫,狗,鸟,蛇等。
终端设备130是指可以接收发射源110发射的信号的一个或多个设备。例如,终端设备130可以接收发射源110发射的第一信号。在一些实施例中,终端设备130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、台式计算机130-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中,移动设备130-1可包括可穿戴设备和智慧移动装置等或其任意组合。在一些实施例中,智能移动装置可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、手持终端(POS)等或其任意组合。在一些实施例中,终端设备130还可以包括智能家电(图中未示出)。例如,智能冰箱,智能洗衣机、智能空调、智能音响、智能投影机等具有无线信号传输功能的设备。
需要说明的是,上述示例仅用于说明所述终端设备130范围的广泛性而非对其范围的限制。
处理设备140可以用于处理与生物体监测管理系统100有关的信息和/数据。处理设备140可以基于这些数据、信息和/或处理结果执行程序指令,以执行一个或多个本说明书中描述的功能。在一些实施例中,处理设备140可以经由网络150获取终端设备130发送的信息和/或数据。例如,处理设备140可以通过网络150获取终端设备130所接收的第一信号。又如,处理设备140可以对第一信号进行处理,提取第二信号。
在一些实施例中,处理设备140可以包含一个或多个子处理设备(例如,单核处理设备或多核多芯处理设备)。在一些实施例中,处理设备140可以是单个服务器或服务器组。服务器组可以是经由接入点连接到网络150的集中式服务器组,或者经由一个或一个以上的接入点分别连接到网络150的分布式服务器组。
网络150可以连接系统的各组成部分和/或连接系统与外部资源部分。网络150可以使得各组成部分之间,以及与系统之外其他部分之间可以进行通讯,促进数据和/或信息的交换。在一些实施例中,生物体监测管理系统100中的一个或多个组件(例如,终端设备130和处理设备140)之间可以通过网络150交换信息和/或数据。例如,终端设备130可以通过网络140将第一信号发送至处理设备140。
在一些实施例中,网络150可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中,网络150可以包括一个或以上网络接入点。例如,网络150可以包括有线或无线网络接入点,例如基站和/或网络交换点,通过这些进出生物体监测管理系统100的一个或多个组件可连接到网络150上以交换数据和/或信息。
存储设备160可以用于存储数据和/或指令。在一些实施例中,存储设备160可以存储终端设备130获取的信息和/或数据。例如,存储设备160可以存储从终端设备130获取的第一信号。在一些实施例中,存储设备160可以存储处理设备140用来执行或使用以完成本说明书中描述的示例性生物体监测管理方法的数据和/或指令。存储设备160可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备160可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。在一些实施例中,所述存储设备160可在云平台上实现。
应当注意应用场景仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括存储设备。又例如,应用场景可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的生物体监测管理系统的示例性模块图。在一些实施例中,生物体监测管理系统200可以包括获取模块210、提取模块220和确定模块230。
获取模块210用于基于目标房间中至少一个终端设备获取至少一个发射源发射的至少一个第一信号。
提取模块220用于从至少一个第一信号中提取至少一个第二信号。
更多关于第一信号和第二信号的说明可以参见图3及其相关描述。
确定模块230用于基于至少一个第二信号,确定目标房间内是否存在生物体;响应于目标房间内存在所述生物体,基于至少一个第二信号,确定生物体的生物种类;基于生物种类,确定对目标房间的管理方案。
在一些实施例中,为基于至少一个第二信号,确定目标房间内是否存在生物体,确定模块230用于基于至少一个第二信号的信号变化率,确定目标房间内是否存在生物体。更多关于确定是否存在生物体的说明可以参见图3及其相关描述。
在一些实施例中,为响应于目标房间内存在生物体,基于至少一个第二信号,确定生物体的生物种类,确定模块230用于通过机器学习模型对至少一个第二信号进行处理,确定生物种类。更多关于基于机器学习模型确定生物种类的说明可以参见图4A、图4B、图5、图6、图7及其相关描述。
需要注意的是,以上对于生物体监测管理系统200及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的获取模块210、提取模块220和确定模块230可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的生物体监测管理方法的示例性流程图。过程300可以由生物体监测管理系统100或生物体监测管理系统200执行。例如,过程200可以以指令的形式存储在存储介质(例如,存储设备160)中,处理设备140和/或图2中的模块可以执行该指令,并且在执行指令时,处理设备140和/或模块可以被配置为执行过程300。以下所示过程的操作仅出于说明的目的。在一些实施例中,过程300可以利用未描述的一个或以上附加操作和/或没有所讨论的一个或以上操作来完成。另外,图3中示出的和下面描述的过程300的操作的顺序不是限制性的。
S310,基于目标房间中至少一个终端设备获取至少一个发射源发射的至少一个第一信号。在一些实施例中,S310可以由获取模块210执行。
目标房间是用户需要进行生物体监测的空间。例如,目标房间可以是住宅房间、酒店房间、商店等。
第一信号可以指由目标房间中的发射源发射出的信号。例如,第一信号可以是目标房间中的路由器发射的Wi-Fi信号。每个第一信号中可以包括多个子载波。例如,第一信号A可以表示为A=[A1,A2,A3,…,An],其中,n为子载波数量,每一个Ai(i∈[1,n])表示一个子载波的振幅和相位。
在一些实施例中,第一信号可以是存在路径损耗的信号。由于传播路径、收发距离(发射源与终端设备之间的距离)不同,信号的路径损耗不同,相应的,不同终端设备接收到的第一信号不同。
在一些实施例中,第一信号可以由目标房间内的至少一个终端设备接收得到。例如,第一信号可以由目标房间内的台式计算机接收得到。又例如,第一信号可以由目标房间内的智慧音响接收得到。目标房间内的每个终端设备可以接收得到一个第一信号。在一些实施例中,获取模块210可以与目标房间中的至少一个终端设备中的每一个终端设备进行通信,以获取每一个终端设备接收得到的第一信号。例如,获取模块210可以经由网络150获取终端设备130接收得到的第一信号。
S320,从至少一个第一信号中提取至少一个第二信号。在一些实施例中,S320可以由提取模块220执行。
第二信号可以指第一信号在传播过程中经过多径衰落后得到的信号。例如,第二信号可以是第一信号中由于遇到障碍物而发生衰减(例如,信号发生衍射、反射、散射)得到的部分信号。
在一些实施例中,第二信号可以包括信道状态信息(channel stateinformation,CSI)信号,用于描述信号通道中反射、衍射、散射多种效应等信号衰落的联合影响。完整的CSI信号可以通过三个维度描述:时间、载频、空间,分别对应着信道随不同时间、载频、空间分布所经历的信号变化。也就是说,完整的CSI信号可以用三维的信号矩阵来表示。对于一个固定位置的终端设备来说,CSI信号可以看做二维的矩阵,对应着无线信道随不同时间、载频所经历的变化。信号衰落(例如,包括路径损耗和多径衰落)可以由信号的振幅、相位等进行反映。
在一些实施例中,提取模块220可以通过多种方式获取第二信号。
例如,提取模块220可以基于至少一个第一信号,通过信道冲击响应(ChannelImpulse Response,CIR)来提取至少一个第二信号。示例性的信道冲击响应可以用以下公式(1)表示:
H(k)=||H(k)||ej∠H(k) (1)
其中,H(k)表示第k个子载波的信道状态信息CSI,||H(k)||表示第k个子载波的振幅,∠Hk)表示第k个子载波的相位,j为系数。
又例如,提取模块220可以基于至少一个第一信号在发射端(即发射源)和接收端(即终端设备)的关系式,从至少一个第一信号中提取至少一个第二信号。示例性的第一信号在发射端(即发射源)和接收端(即终端设备)的关系式可以如下公式(2)所示:
Y=HX+N (2)
其中,Y为终端设备的信号向量,X为发射源的信号向量,H表示CSI信号的信号矩阵,N为高斯白噪声。也就是说,通过将终端设备的信号向量、发射源的信号向量和高斯白噪声代入上述公式(2),可以从第一信号中提取第二信号。其中,信号向量可以基于第一信号的振幅特征和相位特征进行构建。
在一些实施例中,提取模块220可以从每个终端设备接收到的第一信号中提取一个第二信号,得到至少一个第二信号。
在一些实施例中,提取模块220还可以对提取的第二信号进行低通滤波处理,降低环境噪原始噪声,提升第二信号的清晰度和稳定性。
S330,基于至少一个第二信号,确定目标房间内是否存在生物体。在一些实施例中,S330可以由确定模块230执行。
在一些实施例中,确定模块230可以通过预设规则,基于至少一个第二信号,确定目标房间内是否存在生物体。在一些实施例中,示例性的预设规则可以是:对第二信号采用主成分分析(Principal Component Analysis,PCA)方法予以降维降噪处理,得到第二信号的特征数据;然后,基于第二信号的特征数据与参考向量库进行匹配,确定与第二信号的特征数据匹配度最高的参考向量,并将参考向量对应的是否存在生物体的参考结果确定为目标房间内是否存在生物体的最终结果。其中,参考向量库中包括多个信号对应特征数据的参考向量以及参考向量对应的参考结果(即是否存在生物体的结果)。参考向量库可以基于历史数据预先设置。
在一些实施例中,确定模块230可以基于至少一个第二信号的信号变化率,确定目标房间内是否存在生物体。
第二信号的信号变化率可以用于反映第二信号在单位时间内的波动水平。例如,第二信号的信号变化率可以为10%。又例如,第二信号的信号变化率包括(ΔC1,ΔC2,ΔC3),其中,ΔC1为第二信号C1的信号变化率,ΔC2为第二信号C2的信号变化率,ΔC3为第二信号C3的信号变化率。
在一些实施例中,确定模块230可以通过多种方式确定第二信号的信号变化率。例如,可以通过以下公式(3)确定第二信号的信号变化率:
其中,k为第二信号的信号变化率,t1为先发生的时间(第一时间),t2为位于第一时间后的任意时间(第二时间),表示第一时间与第二时间的信号差值。其中,第一时间与第二时间的信号差值可以包括第二信号在第一时间的振幅与第二信号在第二时间的振幅的差值,或第二信号在第一时间的相位特征与第二信号在第二时间的相位特征的差值。时间间隔为第一时间与第二时间之间的时间间隔。第一时间和第二时间的时间间隔可以是系统默认值,也可以通过人为设定。
在一些实施例中,第二信号的信号变化率可以反比于第二信号在第一时间的信号矩阵(后续称为第一信号矩阵)与第二信号在第二时间的信号矩阵(后续称为第二信号矩阵)之间的矩阵相似度。例如,矩阵相似度越高,第二信号的信号变化率越小。其中,矩阵相似度可以通过多种方式确定。例如,可以通过相似度计算模型确定矩阵相似度。示例性地,可以利用相似度计算模型分别对第一信号矩阵和第二信号矩阵进行处理,确定二者的矩阵相似度。
在一些实施例中,确定模块230可以基于至少一个第二信号的信号变化率之和,确定目标房间内是否存在生物体。例如,确定模块230可以确定至少一个第二信号中每个第二信号的信号变化率,确定至少一个第二信号的信号变化率之和,以及根据信号变化率之和与变化率阈值的关系,确定目标房间内是否存在生物体。例如,若变化率之和超过变化率阈值20%,可以确定目标房间内存在生物体。在一些实施例中,确定模块230可以通过为不同第二信号的信号变化率设置权重,基于权重对至少一个第二信号中每个第二信号的信号变化率进行加权求和,确定至少一个第二信号的信号变化率之和。其中,不同第二信号的信号变化率对应的权重可以根据对应终端设备的受环境干扰程度进行人工设置。例如,靠窗边的终端设备可能受风吹影响大,更容易受到环境干扰,则从该终端设备接收的第一信号中提取的第二信号的信号变化率的权重可以较低(例如,设为0.3);非窗边的终端设备的受环境干扰程度更小,则从该终端设备接收的第一信号中提取的第二信号的信号变化率的权重可以较高(例如,设为0.7)。
本说明书一个或多个实施例中,通过信号变化率之和综合判断目标房间内的是否存在生物体,可以排除环境影响对单个信号变化率造成影响;根据终端设备所在位置的受环境干扰程度,为不同位置的终端设备设置权重,可以进一步使得生物体识别结果更加准确。
在一些实施例中,确定模块230还可以基于第二信号与标准信号的信号差异确定目标房间内是否存在生物体。
标准信号可以指从空房间(即不包含任何生物体的房间)中终端设备接收的第一信号中提取出的第二信号。每个目标房间可以对应一个标准信号。例如,对于目标房间A,可以在目标房间A中不存在任何生物体时,从目标房间A中的终端设备A中接收的第一信号中提取第二信号,得到目标房间A对应的标准信号。
在一些实施例中,信号差异可以包括信号的相位差和振幅差。例如,相位差可以是2°,振幅差可以是20A。
在一些实施例中,确定模块230可以基于至少一个第二信号与标准信号的信号差异与差异阈值的关系,确定目标房间内是否存在生物体。当信号差异大于差异阈值时,确定模块230可以确定目标房间内存在生物体。其中,差异阈值可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定,本说明书对此不做限制。
本说明书一个或多个实施例中,通过第二信号与标准信号的信号差异来确定目标房间内存在生物体,可以避免生物体在房间静止不动时无法识别的问题,可以进一步提高生物体监测的准确度和灵敏度。
S340,响应于目标房间内存在生物体,基于至少一个第二信号,确定生物体的生物种类。在一些实施例中,步骤S340可以由确定模块230执行。
在一些实施例中,生物体的生物种类可以包括但不限于人,老鼠,猫,狗,鸟,蛇等。
在一些实施例中,确定模块230可以通过历史第二信号的信号变化率对应的历史生物种类和/或历史第二信号和标准信号的信号差异对应的历史生物种类确定当前生物体的生物种类。例如,假设历史第二信号的信号变化率为25%-30%时,对应的生物种类为老鼠,则当前第二信号的信号变化率值为26%时,可以确定当前生物体的生物种类为老鼠。又例如,历史第二信号和标准信号的相位差异在2°-5°时对应的生物种类为人,则根据当前第二信号和标准信号的相位差异为4°,可以确定当前生物体的生物种类为人。
在一些实施例中,响应于目标房间内存在生物体,确定模块230可以通过机器学习模型对至少一个第二信号进行处理,确定生物种类。关于基于机器学习模型确定生物种类的更多内容可以参见后文的内容。
S350,基于生物种类,确定对目标房间的管理方案。在一些实施例中,S350可以由确定模块230执行。
对目标房间的管理方案是指对目标房间采取的行动措施。例如,主动电话问询房间人员是否需要服务等。
在一些实施例中,确定模块230可以通过多种方式,基于生物种类,确定对目标房间的管理方案。例如,在目标房间为酒店房间时,若确定模块230可以识别出生物体的生物种类为人,则询问是否需要提供房间清洁或用餐服务;在目标房间为商店时,若确定模块230识别出生物体的生物种类为老鼠,则对商店进行驱鼠管理,若确定模块230识别出生物体的生物种类为猫,则不做处理。
本说明书实施例中对确定管理方案的描述仅出于说明的目的,不旨在限制本说明书的范围。还可以通过其他方式对目标房间的管理方案。例如,上述生物体监测管理系统还可以包括图像识别模块,通过图像识别模块识别的生物体进一步确定是否要对目标房间实施管理方案。
本说明书的一些实施例中,通过基于目标房间中终端设备接收到的信号来确定目标房间中是否存在生物体以及确定生物种类,可以根据生物种类确定对目标房间的管理方案,实现更加高效精确、低成本的生物体监测管理,同时可以根据生物种类确定对应的管理方案,为对应目标房间提供针对性的处理服务。
图4A是根据本说明书一些实施例所示的第一预测模型的示例性示意图。
在一些实施例中,确定模块230可以基于第一预测模型对至少一个第二信号的信号变化率、至少一个终端设备的第一位置分布以及至少一个发射源的第二位置分布进行处理,确定生物种类。更多关于第二信号的信号变化率的说明可以参见图2及其相关描述。
第一位置分布是至少一个终端设备相对于目标房间的位置分布。例如,第一位置分布可以表示为[R1(x1,y1,z1),R2(x2,y2,z2),R3(x3,y3,z3)]。其中,(x1,y1,z1)为终端设备R1的位置坐标,(x2,y2,z2)为终端设备R2的位置坐标,(x3,y3,z3)为终端设备R3的位置坐标。
第二位置分布是至少一个发射源相对于目标房间的位置分布。例如,第二位置分布可以表示为[T1(x1’,y1’,z1’),T2(x2’,y2’,z2’),T3(x3’,y3’,z3’)]。其中,(x1’,y1’,z1’)为发射源T1的位置坐标,(x2’,y2’,z2’)为发射源T2的位置坐标,(x3’,y3’,z3’)为发射源T3的位置坐标。
至少一个终端设备的第一位置分布和至少一个发射源的第二位置分布可以通过多种方式获取。例如,获取位置分布的方法可以包括但不限于邻近探测法、质心定位法、多边定位法。作为示例,可以基于多个第二信号,通过质心定位法确定房间的中心作为坐标原点,基于坐标原点和多个第二信号,通过确定邻近探测法确定终端设备和发射源相对于房间的位置分布。
第一预测模型可以是用于确定生物种类的机器学习模型。例如,第一预测模型的类型可以是循环神经网络(Recurrent Neural Network,RNN)模型、深度神经网络(DeepNeural Network,DNN)模型、卷积神经网络(Convolutional Neural Network,CNN)模型等。
在一些实施例中,如图4A所示,第一预测模型420的输入可以包括至少一个第二信号的信号变化率410-1、至少一个终端设备的第一位置分布410-2以及至少一个发射源的第二位置分布410-3,输出可以是生物体的生物种类430。在一些实施例中,第一预测模型的输出还可以是生物种类的字母代号,例如,输出P代表生物种类为人,输出M代表生物种类为老鼠。在一些实施例中,第一预测模型的输出还可以包括生物种类。例如,第一预测模型的输出可以是([M,2],[P,3]),表示目标房间中检测到两只老鼠和三个人。
在一些实施例中,如图4A所示,第一预测模型420的输入还包括位置特征410-4。
位置特征可以反映出各个发射源和终端设备以及房间内物品的位置关系。例如,位置特征可以是“桌子靠窗”,“终端设备A靠近桌子”等。位置特征可以基于人工提前记录得到。
在一些实施例中,第一预测模型420可以通过大量带有第一标签的第一训练样本440-1训练获得。示例性的训练过程包括:将带有第一标签的第一训练样本440-1输入初始第一预测模型440-2,通过第一标签和初始第一预测模型440-2的结果构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新初始真实度评估模型的参数。当满足预设条件时模型训练完成,得到训练好的真实度评估模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第一训练样本可以是样本第二信号的信号变化率、多个样本终端设备的样本第一位置分布、多个样本发射源的样本第二位置分布、样本位置特征。其中,多个样本终端设备与多个样本发射源位于同一样本房间中。第一标签可以包括与样本第二信号的信号变化率、多个样本终端设备的样本第一位置分布、多个样本发射源的样本第二位置分布、样本位置特征对应的样本房间中实际的生物种类。
在一些实施例中,可以通过在不同样本房间用仿真模型模拟样本生物体的移动来获取第一训练样本及第一标签。其中,样本房间中包括多个样本终端设备和多个样本发射源,多个样本终端设备的第一位置分布和多个样本发射源的第二位置分布可以人为预设确定。例如,可以根据老鼠的轮廓、高度、体积等制作老鼠的等比例仿真模型,通过遥控该等比例仿真模型在不同样本房间中进行移动,移动方式可以包括随机移动或沿各个路径移动等。当该等比例仿真模型在某一样本房间中移动时,获取第二信号并确定第二信号的信号变化率,将获取到的第二信号的信号变化率、多个样本终端设备的第一位置分布和多个样本发射源的第二位置分布作为第一训练样本,将生物种类为老鼠作为该第一训练样本的第一标签。
在一些实施例中,还可以通过真人进行仿真实验获取第一训练样本及第一标签。例如,可以让一定数量的人在不同样本房间中进行移动。当一定数量的人在某一样本房间中移动时,获取第二信号并确定第二信号的信号变化率,将获取到的第二信号的信号变化率、多个样本终端设备的第一位置分布和多个样本发射源的第二位置分布作为第一训练样本,将生物种类为人作为该第一训练样本的第一标签。
在一些实施例中,还可以在样本房间不包含任何生物体时,获取第二信号并确定第二信号的信号变化率,将获取到的第二信号的信号变化率、多个样本终端设备的第一位置分布和多个样本发射源的第二位置分布作为第一训练样本,将生物种类为0作为该第一训练样本的第一标签。相应的,第一预测模型可以用于确定目标房间中是否存在生物体。例如,当模型输出为0时,可以确定目标房间中不存在生物体;当模型输出为M时,可以确定目标房间中存在生物体,且生物种类为老鼠。
本说明书一个或多个实施例,通过机器学习模型对房间中检测的第二信号的信号变化率、房间中终端设备和发射源分别的位置分布进行处理,有利于快速、准确地确定生物种类。同时,通过不同仿真的方式获取机器学习模型的训练样本,对不同生物种类可以针对性采取不同方式获取训练样本,使得训练样本种类更加丰富,为获取训练样本提供了灵活地选择,通过获取大量的训练样本,可以使得模型训练结果更准确。
图4B是根据本说明书一些实施例所示的第二预测模型的示例性示意图。
在一些实施例中,确定模块230可以基于第二预测模型对至少一个第二信号、至少一个标准信号、至少一个终端设备的第一位置分布以及至少一个发射源的第二位置分布进行处理,确定生物种类。更多关于第二信号和标准信号的说明可以参见图2及其相关描述。更多关于第一位置分布和第二位置分布的说明可以参见图4A及其相关描述。
第二预测模型可以是用于确定生物种类的机器学习模型。例如,第二预测模型的类型可以是RNN模型、DNN模型、CNN模型等。
在一些实施例中,如图4B所示,第二预测模型460的输入可以是至少一个第二信号450-1、至少一个标准信号450-2、至少一个终端设备的第一位置分布450-3、至少一个发射源的第二位置分布450-4,输出可以是生物体的生物种类470。其中,每个第二信号可以对应一个标准信号。与第一预测模型类似,第二预测模型的输出还可以是生物种类的字母代号,例如,输出P代表生物种类为人,输出M代表生物种类为老鼠。
在一些实施例中,如图4B所示,第二预测模型460的输入还包括位置特征450-5。更多关于位置特征的说明可以参见图4A及其相关描述。
在一些实施例中,第二预测模型460可以通过大量带有第二标签的第二训练样本480-1训练获得。示例性的训练过程包括:将带有第二标签的第二训练样本480-1输入初始第二预测模型480-2,通过第二标签和初始第二预测模型480-2的结果构建损失函数,基于损失函数通过梯度下降或其他方法迭代更新初始真实度评估模型的参数。当满足预设条件时模型训练完成,得到训练好的真实度评估模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第二训练样本可以包括样本第二信号、与样本第二信号对应的样本标准信号、多个样本终端设备的样本第一位置分布、多个样本发射源的样本第二位置分布、样本位置特征。第二标签可以包括与样本第二信号、样本标准信号、多个样本终端设备的样本第一位置分布、多个样本发射源的样本第二位置分布、样本位置特征对应的样本房间中实际的生物种类。
在一些实施例中,可以通过在不同样本房间用仿真模型模拟样本生物体的移动来获取第二训练样本及第二标签。第二训练样本及第二标签的获取方式与第一训练样本及第一标签的获取方式类似,更多说明可以参见图4A及其相关描述,在此不再赘述。
本说明书一个或多个实施例,通过机器学习模型对房间中检测的第二信号、第二信号对应的标准信号、房间中终端设备和发射源分别的位置分布,以及位置特征进行处理,有利于快速、准确地确定生物种类。
图5是根据本说明书一些实施例所示的第三预测模型的示例性示意图。
在不同的生物体监测应用场景中,不同目标房间的终端设备有时是一个,有时是多个。在一些实施例中,响应于终端设备为单个时,确定模块230可以确定单个终端设备所接收至少一个第二信号的微分序列;以及,基于第三预测模型对该微分序列进行处理,确定生物种类。
第二信号的微分序列是由第二信号在多个第一时间与第二时间对应的信号差值组成的序列。关于第一时间和第二时间的说明可以参见图2。例如,第二信号的微分序列可以表示为(ΔφT2-T1,ΔφT3-T2,……)。其中,T2与T1中T2为第二时间、T1为第一时间,T2与T3中T3为第二时间、T2为第一时间,ΔφT2-T1表示第二信号在T1时刻与T2时刻时的信号差值,ΔφT3-T2表示第二信号在T2时刻与T3时刻时的信号差值,以此类推。在一些实施例中,微分序列可以是多维序列,例如,一个维度可以用于表示信号的振幅差,一个维度可以表示信号的相位差等。
第三预测模型可以是用于确定生物种类的又一机器学习模型。例如,第三预测模型的类型可以是CNN模型、RNN模型、DNN模型等。
在一些实施例中,如图5所示,第三预测模型520的输入包括微分序列510,输出包括生物种类530。在一些实施例中,如图5所示,第三预测模型520的输入还可以包括目标房间的房间类型540和房间布局550。
在一些实施例中,目标房间的房间类型可以包括但不限于酒店房间、商店、仓库、饭店等。在一些实施例中,目标房间的房间布局可以包括房间的占地面积大小、层高、房间内的空间占用情况、房间内物品大小、摆放、材质等方面等房间特征。目标房间的房间类型和房间布局可以由人为输入确定。例如,可以人工输入目标房间A的房间类型为酒店房间,房间布局为小户型、占地面积大小为15m2、高3.5m、房间内包括一张靠窗的桌子,床,衣柜,电视等。
在一些实施例中,第三预测模型可以包括多个处理层。例如,如图5所示,第三预测模型520可以包括第一嵌入层521和第一预测层523。
第一嵌入层可以是用于对第二信号的微分序列进行处理,确定第一特征向量的机器学习模型。例如,第一嵌入层可以是CNN模型。如图5所示,第一嵌入层521的输入可以包括第二信号的微分序列510,输出可以是第一特征向量522。例如,第二信号的微分序列可以为([2,2],[3,2],[3,2],[3,2]),表示第二信号在T1时刻与T2时刻(T1与T2的时间间隔为2mins)的信号差值为2°,第二信号在T2时刻与T3时刻(T2与T3的时间间隔为2mins)的信号差值为3°,第二信号在T3时刻与T4时刻(T3与T4的时间间隔为2mins)的信号差值为3°,第二信号在T4时刻与T5时刻(T3与T5的时间间隔为2mins)的信号差值为3°。
第一特征向量可用于以数字方式描述一组特征。该组特征可以是第二信号的可测量属性或特征。例如,第一特征向量可以表示为I=(3,2,1),表示第二信号第一时间和第二时间的时间间隔内1秒内,振幅变化为3dB,相位变化为2°。在一些实施例中,第一特征向量可以表示为一行向量或者一列向量。第一特征向量可以对应于N维坐标系。N维坐标系可以与第二信号的N个信号特征相关。
第一预测层可以是用于对第二信号的第一特征向量进行处理,确定生物种类的机器学习模型。例如,第一预测层可以是NN模型。如图5所示,第一预测层523的输入可以包括第一嵌入层521输出的第一特征向量522,输出可以包括生物体的生物种类530。在一些实施例中,第一预测层523的输入还可以包括目标房间的房间类型540和目标房间的房间布局550。
在一些实施例中,第一嵌入层的输出可以作为第一预测层的输入,第一嵌入层和第一预测层可以联合训练获取。
在一些实施例中,联合训练的第三训练样本可以包括样本第二信号的微分序列、样本房间的房间类型和样本房间的布局,第三标签可以包括与样本第二信号的微分序列、样本目标房间的房间类型和房间布局对应的样本房间中实际的生物种类。在一些实施例中,可以通过在不同样本房间用仿真模型模拟样本生物体的移动来获取第三训练样本及第三标签。第三训练样本及第三标签的获取方式与第一训练样本及第一标签的获取方式类似,更多说明可以参见图4A及其相关描述,在此不再赘述。
示例性的训练过程包括:将样本第二信号的微分序列输入初始第一嵌入层,得到初始第一嵌入层输出的第一特征向量;将第一特征向量作为训练样本数据,和样本房间的房间类型和样本房间的房间布局输入第一预测模型,得到第一预测模型输出的生物种类。基于第三标签和第一预测模型输出的生物种类构建损失函数,同步更新初始第一嵌入层和初始第一预测层的参数,直到训练的中间第一嵌入层和中间第一预测层满足预设条件,得到训练好的第一嵌入层和第一预测层。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
本说明一些实施例中,在有单个终端设备接收信号时,基于第三预测模型的第一嵌入层对第二信号的微分序列、目标房间的房间类型和房间布局进行处理,确定生物种类,充分考虑了目标房间的类型、空间内的物品信息等对生物种类预测的影响,可以使得预测的生物种类更加准确。通过上述训练方式获得第三预测模型的参数,在一些情况下有利于解决单独训练第一嵌入层时难以获得标签的问题,还可以使第一嵌入层能较好地得到反映第二信号的特征。
图6是根据本说明书一些实施例所示的第四预测模型的示例性示意图。
在一些实施例中,响应于终端设备为多个时,确定模块230可以分别确定多个终端设备所接收的至少一个第二信号的微分序列,得到多个微分序列;基于第四预测模型对多个微分序列进行处理,确定生物种类。更多关于微分序列的说明可以参见图5及其相关描述。
第四预测模型可以是用于确定生物种类的又一机器学习模型。例如,第四预测模型的类型可以是RNN模型、DNN模型、CNN模型等。
在一些实施例中,如图6所示,第四预测模型620的输入包括多个微分序列610,输出包括生物种类630。在一些实施例中,如图6所示,第四预测模型620的输入还可以包括目标房间的房间类型640、房间布局650以及至少一个终端设备的相对位置关系660。更多关于目标房间的房间类型、房间布局的说明可以参见图5及其相关描述。
在一些实施例中,至少一个终端设备的相对位置关系可以包括至少一个终端设备与发射源之间的距离,至少一个终端设备距地面的高度,至少一个终端设备距离遮挡物的位置关系等。在一些实施例中,至少一个终端设备的相对位置关系可以通过终端设备第一位置分布和发射源的第二位置分布确定。示例性地,终端设备A、B、C的第一位置分布可以表示为[A(2,8,10),B(1,4,5),C(3,5,8)],发射源D的第二位置分布可以表示为(3,5,8),则可以基于至少一个终端设备的第一位置分布和发射源的第二位置分布计算出终端设备A与发射源D的距离为等。
在一些实施例中,第四预测模型可以包括多个处理层。例如,如图6所示,第四预测模型620可以包括第二嵌入层621和第二预测层623。
第二嵌入层可以是用于对多个第二信号的多个微分序列进行处理,确定第二特征向量的机器学习模型。例如,第二嵌入层可以是CNN模型。如图6所示,第二嵌入层621的输入可以包括多个微分序列610,输出可以是第二特征向量622。
第二特征向量与第一特征向量类似,更多内容可以参见图5及其相关描述。
第二预测层可以是用于对第二特征向量进行处理,确定生物种类的机器学习模型。例如,第二预测层可以是NN或GNN模型中的一种。如图6所示,第二预测层623的输入可以包括第二嵌入层621输出的第二特征向量622,输出可以包括生物体的生物种类630。在一些实施例中,第二预测层623的输入还可以包括目标房间的房间类型640、目标房间的房间布局650以及至少一个终端设备的相对位置关系660。
在一些实施例中,第二嵌入层的输出可以作为第二预测层的输入,第二嵌入层和第二预测层可以联合训练获取。
在一些实施例中,联合训练的第四训练样本可以包括多个样本第二信号的微分序列、样本目标房间的房间类型和房间布局、样本终端设备的相对位置关系,第四训练样本的第四标签可以包括与多个样本第二信号的微分序列、样本目标房间的房间类型和房间布局、样本终端设备的相对位置关系对应的样本房间中实际的生物种类。在一些实施例中,可以通过在不同样本房间用仿真模型模拟样本生物体的移动来获取第四训练样本及第四标签。第四训练样本及第四标签的获取方式与第一训练样本及第一标签的获取方式类似,更多说明可以参见图4A及其相关描述,在此不再赘述。
示例性的训练过程包括:将多个样本第二信号的微分序列输入初始第二嵌入层,得到初始第二嵌入层输出的第二特征向量;将第二特征向量作为训练样本数据,和样本房间的房间类型、样本房间的房间布局以及样本终端设备的相对位置关系输入第二预测模型,得到第二预测模型输出的生物种类。基于第四标签和第二预测模型输出的生物种类构建损失函数,同步更新初始第二嵌入层和初始第二预测层的参数,直到训练的中间第二嵌入层和中间第二预测层满足预设条件,得到训练好的第二嵌入层和第二预测层。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值。
本说明一些实施例中,在有多个终端设备接收信号时,基于第四预测模型的第二嵌入层对多个第二信号的微分序列、目标房间的房间类型和房间布局以及至少一个终端设备的相对位置关系进行处理,可以根据多个终端设备接收的信号确定生物种类,使得预测的生物种类更加准确。同时,通过上述训练方式获得第四预测模型的参数,在一些情况下有利于解决单独训练第二嵌入层时难以获得标签的问题,还可以使第二嵌入层能较好地得到反映多个第二信号的特征。
图7是根据本说明书一些实施例所示的信号图谱和第五预测模型的示例性示意图。
在一些实施例中,确定模块230可以基于目标房间、至少一个终端设备和至少一个发射源的相关信息构建信号图谱;基于第五预测模型对至少一个第二信号和构建的信号图谱进行处理,确定生物种类。
信号图谱是指用于反映目标房间中各个终端设备与发射源之间信号传输关系的图谱。图谱是由节点和边组成的数据结构,边连接节点,节点和边可以具有属性。
在一些实施例中,信号图谱的节点可以与目标房间内的终端设备或发射源对应。节点属性可以反映对应终端设备或发射源的相关特征。在一些实施例中,信号图谱的节点可以包括两类,如图7所示,信号图谱710的节点可以包括信号发射节点720和信号接收节点730。信号发射节点720可以包括节点A、节点B、节点C。信号接收节点730可以包括节点A’、节点B’、节点C’。
在一些实施例中,信号发射节点的节点属性可以包括发射源的发射功率、发射频率、发射位置(例如,可以以三维坐标进行表示)等。信号发射节点的节点属性可以由三维向量表示。例如,信号发射节点的节点属性可以为(a,b,c),其中,a表示发射功率、b表示发射频率、c表示发射位置。
在一些实施例中,信号接收节点的节点属性可以包括终端设备接收到的第二信号以及终端设备的接收位置(例如,可以以三维坐标进行表示)。
信号图谱的边表示信号发射节点与信号接收节点之间的信号传输关系。也就是说,边存在于信号发射节点与信号接收节点之间,如图7所示,信号发射节点720中节点C与信号接收节点730中节点C’存在边740,信号发射节点720中节点B与信号接收节点730中节点B’存在边740等。在一些实施例中,边的属性可以包括处于该条边上的房间中各物体的三维坐标、材质和体积、以及该边的长度(即对应信号发射节点到信号接收节点的距离)。
第五预测模型可以是用于确定生物种类的又一机器学习模型。例如,第五预测模型的类型可以是GNN模型等。第五预测模型也可以是其他图模型,例如图卷积神经网络模型(GCNN),或者在图神经网络模型中增加其他处理层、修改其处理方法等。
在一些实施例中,如图7所示,第五预测模型750的输入包括信号图谱710,输出为生物体的生物种类790。在一些实施例中,如图7所示,第五预测模型750的输入还可以包括目标房间的房间类型760、目标房间的房间布局770以及第二信号780。其中是GNN中的边输出对应目标房间中生物体的生物种类。
第五预测模型可以由相同或不同的处理设备基于训练数据训练获得。训练数据包括第五训练样本以及第五标签。例如,第五训练样本可以是基于历史数据确定的多个样本目标房间的样本信号图谱、样本目标房间的样本房间布局、样本房间类型以及样本第二信号,样本信号图谱的节点及其属性、边及其属性与上述说明类似,标签可以为与样本信号图谱、样本房间布局、样本房间类型以及历史样本第二信号对应的样本目标房间中实际的生物种类。第五标签可以基于人工标注获得。在一些实施例中,可以通过在不同样本房间用仿真模型模拟样本生物体的移动来获取第五训练样本及第五标签。第五训练样本及第五标签的获取方式与第一训练样本及第一标签的获取方式类似,更多说明可以参见图4A及其相关描述,在此不再赘述。
在一些实施例中,第五预测模型可以包括多个处理层。例如,如图7所示,第五预测模型750可以包括房间特征层751、分布特征层753和种类确定层755。房间特征层751用于对目标房间的房间类型760和房间布局770进行处理,确定房间特征752;分布特征层753用于对信号图谱710和房间特征层751输出的房间特征752进行处理,确定位置特征754;种类确定层755用于对至少一个第二信号780和分布特征层753输出的位置特征754进行处理,确定生物种类790。
房间特征层可以是用于确定目标房间的房间特征的机器学习模型。例如,房间特征层可以是CNN模型等。如图7所示,房间特征层751的输入可以包括房间类型760和房间布局770,输出可以包括房间特征752。
房间特征是与房间相关的信息。例如,房间特征可以包括房间的占地面积、形状以及室内空间占用情况等。房间特征可以用特征向量来表示。例如,可以用A表示房间类型为酒店房间、B表示房间类型为仓库…,用具体的数值表示房间的占地面积,用1表示房间形状为正方体、用2表示房间为长方体,…,用百分数表示室内空间占用情况等。示例性的房间特征为(A,20,2,20%)时,表示房间为酒店房间、占地面积为2015m2,形状为长方体,室内空间占用情况为20%。
分布特征层可以是用于确定目标房间的分布特征的机器学习模型。例如,分布特征层可以是GNN模型等。如图7所示,分布特征层753的输入可以包括房间特征层751输出的房间特征752和信号图谱710,输出可以包括分布特征754。
分布特征可以反映出各个发射源和终端设备以及房间内物品的位置关系。例如,分布特征可以是“桌子靠窗”等。分布特征可以用特征向量来表示。例如,可以用a表示“桌子靠窗”、用b表示“电视机靠墙”等。示例性的分布特征为([a,0.1],[b,0.2])时,表示桌子靠窗10cm,电视机靠墙20cm。
种类确定层可以是用于确定生物体的生物种类的机器学习模型。例如,种类确定层可以是DNN模型。例如,种类确定层755的输入可以包括第二信号780和分布特征层753输出的分布特征754,输出可以包括生物种类790。
在一些实施例中,房间特征层的输出可以作为分布特征层的输入,分布特征层的输出可以作为种类预测层的输入,房间特征层、分布特征层和种类预测层可以联合训练获取。
在一些实施例中,第五预测模型可以通过多个有第五标签的第五训练样本,进行联合训练得到。联合训练的过程与第四预测模型的联合训练过程类似,在此不再赘述。
本说明书一些实施例中,通过信号图谱结合机器学习模型确定生物的生物种类,能够对房间特征、房间中各物品的分布特征进行深度提取,结合了目标房间的多重信息的计算,使得最后得到的生物种类的可靠性更高。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种生物体监测管理方法,其特征在于,包括:
基于目标房间中至少一个终端设备获取至少一个发射源发射的至少一个第一信号;
从所述至少一个第一信号中提取至少一个第二信号;
基于所述至少一个第二信号,确定所述目标房间内是否存在生物体;
响应于所述目标房间内存在所述生物体,
基于所述至少一个第二信号,确定所述生物体的生物种类;
基于所述生物种类,确定对所述目标房间的管理方案。
2.根据权利要求1所述的方法,其特征在于,所述基于所述至少一个第二信号,确定目标房间内是否存在生物体,包括:
基于所述至少一个第二信号的信号变化率,确定所述目标房间内是否存在所述生物体。
3.根据权利要求2所述的方法,其特征在于,所述响应于所述目标房间内存在所述生物体,基于所述至少一个第二信号,确定所述生物体的生物种类,包括:
通过机器学习模型对所述至少一个第二信号进行处理,确定所述生物种类。
4.根据权利要求3所述的方法,其特征在于,所述机器学习模型的训练样本通过在不同样本房间用仿真模型模拟样本生物体的移动来获取。
5.根据权利要求3所述的方法,所述通过机器学习模型对所述至少一个第二信号进行处理,确定所述生物种类,包括:
基于所述目标房间、所述至少一个终端设备和所述至少一个发射源的相关信息构建信号图谱;
基于第五预测模型对所述至少一个第二信号和所述信号图谱进行处理,确定所述生物种类,所述第五预测模型为机器学习模型。
6.一种生物体监测管理系统,其特征在于,包括:
获取模块,用于基于目标房间中至少一个终端设备获取至少一个发射源发射的至少一个第一信号;
提取模块,用于从所述至少一个第一信号中提取至少一个第二信号;
确定模块,用于
基于所述至少一个第二信号,确定所述目标房间内是否存在生物体;
响应于所述目标房间内存在所述生物体,
基于所述至少一个第二信号,确定所述生物体的生物种类;
基于所述生物种类,确定对所述目标房间的管理方案。
7.根据权利要求6所述的系统,其特征在于,为基于所述至少一个第二信号,确定目标房间内是否存在生物体,所述确定模块用于:
基于所述至少一个第二信号的信号变化率,确定所述目标房间内是否存在所述生物体。
8.根据权利要求7所述的系统,其特征在于,为响应于所述目标房间内存在所述生物体,基于所述至少一个第二信号,确定所述生物体的生物种类,所述确定模块用于:
通过机器学习模型对所述至少一个第二信号进行处理,确定所述生物种类。
9.根据权利要求8所述的系统,其特征在于,为通过机器学习模型对所述至少一个第二信号进行处理,确定所述生物种类,所述确定模块用于:
基于所述目标房间、所述至少一个终端设备和所述至少一个发射源的相关信息构建信号图谱;
基于第五预测模型对所述至少一个第二信号和所述信号图谱进行处理,确定所述生物种类,所述第五预测模型为机器学习模型。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604940.2A CN116184849A (zh) | 2022-12-14 | 2022-12-14 | 一种生物体监测管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604940.2A CN116184849A (zh) | 2022-12-14 | 2022-12-14 | 一种生物体监测管理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116184849A true CN116184849A (zh) | 2023-05-30 |
Family
ID=86451383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211604940.2A Pending CN116184849A (zh) | 2022-12-14 | 2022-12-14 | 一种生物体监测管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184849A (zh) |
-
2022
- 2022-12-14 CN CN202211604940.2A patent/CN116184849A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Motamedi et al. | Localization of RFID-equipped assets during the operation phase of facilities | |
CA2907723C (en) | Scalable real-time location detection based on overlapping neural networks | |
JP5515647B2 (ja) | 測位装置 | |
Bulten et al. | Human SLAM, indoor localisation of devices and users | |
Adege et al. | An indoor and outdoor positioning using a hybrid of support vector machine and deep neural network algorithms | |
US11428773B2 (en) | Systems and methods to determine room occupancy | |
JP4677060B1 (ja) | 位置校正情報収集装置、位置校正情報収集方法、及び位置校正情報収集プログラム | |
CN102572390A (zh) | 对监视对象者的行动进行监视的装置以及方法 | |
KR20120019435A (ko) | 핑거프린팅을 이용한 위치 탐지 시스템 및 방법 | |
KR101760741B1 (ko) | 비콘을 이용한 사업장 내 위치 추정 방법 및 이를 통한 위치 기반 서비스 제공 시스템 및 방법 | |
Joseph et al. | Indoor positioning using WiFi fingerprint | |
Farid et al. | Hybrid Indoor‐Based WLAN‐WSN Localization Scheme for Improving Accuracy Based on Artificial Neural Network | |
JP2019174164A (ja) | 物体認識情報及び受信電磁波情報に係るモデルを用いて端末位置を推定する装置、プログラム及び方法 | |
Daníş et al. | Adaptive sequential Monte Carlo filter for indoor positioning and tracking with bluetooth low energy beacons | |
Arsan et al. | A Clustering‐Based Approach for Improving the Accuracy of UWB Sensor‐Based Indoor Positioning System | |
Kerdjidj et al. | Uncovering the potential of indoor localization: Role of deep and transfer learning | |
Hernandez et al. | Hierarchical Approach to Enhancing Topology-based WiFi Indoor Localization in Large Environments. | |
Gomes et al. | Sliding Window, Hierarchical Classification, Regression, and Genetic Algorithm for RFID Indoor Positioning Systems | |
CN116184849A (zh) | 一种生物体监测管理方法和系统 | |
Wietrzykowski et al. | Adopting the FAB-MAP algorithm for indoor localization with WiFi fingerprints | |
Sansano-Sansano et al. | Multimodal Sensor Data Integration for Indoor Positioning in Ambient‐Assisted Living Environments | |
US10012729B2 (en) | Tracking subjects using ranging sensors | |
US20200279318A1 (en) | Automated Product Localization Through Mobile Data Analysis | |
EP4334739A1 (en) | Determining locations of mobile devices from wireless signals | |
Fraccaro et al. | Development and preliminary evaluation of a method for passive, privacy-aware home care monitoring based on 2D LiDAR data |
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 | ||
CB02 | Change of applicant information |
Address after: Room 10g27, No. 2299, Yan'an west road, Changning District, Shanghai 200336 Applicant after: Xingrong (Shanghai) Information Technology Co.,Ltd. Address before: Room 10g27, No. 2299, Yan'an west road, Changning District, Shanghai 200336 Applicant before: SHANGHAI XINGRONG INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |