CN116884649B - 一种用于监测用户安全的控制系统 - Google Patents
一种用于监测用户安全的控制系统 Download PDFInfo
- Publication number
- CN116884649B CN116884649B CN202311141089.9A CN202311141089A CN116884649B CN 116884649 B CN116884649 B CN 116884649B CN 202311141089 A CN202311141089 A CN 202311141089A CN 116884649 B CN116884649 B CN 116884649B
- Authority
- CN
- China
- Prior art keywords
- user
- identified
- preset
- abnormal
- text
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 33
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 25
- 230000006399 behavior Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及控制技术领域,尤其涉及一种用于监测用户安全的控制系统,系统包括:M个可穿戴的目标传感器和控制器,其中,所述控制器包括预设异常用户的安全状态数据列表、处理器和存储有计算机程序的存储器,当处理器执行计算机程序时,实现如下步骤:通过所述目标传感器监测到待识别用户的安全状态数据;根据待识别用户的安全状态数据,确定出待识别用户的当前安全状态;根据待识别用户的当前安全状态,发送控制指令至每一所述目标传感器,以使得根据控制指令控制每一所述目标传感器对待识别用户调整安全监测策略;实现自动化实现判别待识别用户的当前安全状态,减少人工看管的时间。
Description
技术领域
本发明涉及控制技术领域,特别是涉及一种用于监测用户安全的控制系统。
背景技术
现有技术中,相似人群是常用的广告投放手段,分析现有用户的属性和行为,找到与现有用户特征相似的人群,并进行精准投放,也可将相似人群的判断方法用于判断具有某些特定行为倾向的用户。对于有生理上或心理上某些特定行为倾向的用户,通常采用人工看管的方式,浪费时间且不能时时刻刻进行看管,因此,如何高效、自动化判断出具有特定倾向的用户为异常用户尤为重要。
发明内容
针对上述技术问题,本发明采用的技术方案为:
一种用于监测用户安全的控制系统,所述系统包括:M个可穿戴的目标传感器和控制器,其中,M≥1,所述控制器包括预设异常用户的安全状态数据列表、处理器和存储有计算机程序的存储器,当处理器执行计算机程序时,实现如下步骤:
S1、通过所述目标传感器监测到待识别用户的安全状态数据;
S2、根据待识别用户的安全状态数据,确定出待识别用户的当前安全状态;
S3、根据待识别用户的当前安全状态,发送控制指令至每一所述目标传感器,以使得根据控制指令控制每一所述目标传感器对待识别用户调整安全监测策略。
本发明至少具有以下有益效果:
综上,通过所述目标传感器监测到待识别用户的安全状态数据,根据待识别用户的安全状态数据,确定出待识别用户的当前安全状态,根据待识别用户的当前安全状态,发送控制指令至每一所述目标传感器,以使得根据控制指令控制每一所述目标传感器对待识别用户调整安全监测策略,实现自动化判别待识别用户的当前安全状态,并根据控制指令调整安全监测策略,减少人工看管的时间。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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用户来讲,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为本发明实施例提供的一种用于监测用户安全的控制系统执行计算机程序的流程图。
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,本领域技术人员在没有作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。
本发明实施例提供一种用于监测用户安全的控制系统,所述系统包括:M个可穿戴的目标传感器和控制器,其中,M≥1,所述控制器包括预设异常用户的安全状态数据列表、处理器和存储有计算机程序的存储器。
具体的,所述目标传感器用于采集待识别用户的N种特定行为相关参数、生理参数并发送至处理器,且至少一种所述特定行为相关参数用于判断所述待识别用户发生对应预设异常行为的分值,N≥1。例如,所述特定行为相关参数为左手臂和右手臂之间的交叉距离。
优选的,M=2;待识别用户将两个目标传感器佩戴于左手手腕和右手手腕,用于采集待识别用户的信息。例如,所述可穿戴的目标传感器为手环。
当处理器执行计算机程序时,实现如下步骤:
S1、通过所述目标传感器监测到待识别用户的安全状态数据;
S2、根据待识别用户的安全状态数据,确定出待识别用户的当前安全状态;
S3、根据待识别用户的当前安全状态,发送控制指令至每一所述目标传感器,以使得根据控制指令控制每一所述目标传感器对待识别用户调整安全监测策略。
具体的,当待识别用户的当前安全状态为“非安全状态”时,发送控制指令至每一所述目标传感器,使得每一所述目标传感器根据控制指令对待识别用户调整安全监测策略,例如,将目标传感器的采集时间间隔变短;在本发明另一实施例中,调整安全检测策略为采集待识别用户的除安全状态数据的其它数据。
综上,通过所述目标传感器监测到待识别用户的安全状态数据,根据待识别用户的安全状态数据,确定出待识别用户的当前安全状态,根据待识别用户的当前安全状态,发送控制指令至每一所述目标传感器,以使得根据控制指令控制每一所述目标传感器对待识别用户调整安全监测策略,实现自动化实现判别待识别用户的当前安全状态,并根据控制指令调整安全检测策略,减少人工看管的时间。
具体的,预设异常用户的安全状态数据列表A={A1,A2,…,Ai,…,Am},第i个预设异常用户的安全状态数据Ai=[Ai1,Ai2,Ai3],Ai1为第一历史时间周期R内第i个预设异常用户的异常行为向量,Ai2为第一历史时间周期R内第i个预设异常用户的文本信息向量,Ai3为第一历史时间周期R内第i个预设异常用户的生理参数向量,i的取值范围是1到m,m是预设异常用户的数量;
其中,Ai1=[Ai11,Ai12,…,Ai1j,…,Ai1n],Ai1j是第i个预设异常用户的第j个预设异常行为的分值,j的取值范围是1到n,n是预设异常行为的数量。
具体的,所述特定行为相关参数至少包括:是否发生特定行为、特性行为是否发生于特定时间段、特定行为的发生频率,通过将采集的至少一种特定行为相关参数输入相应目标行为检测模型,获取待识别用户在第一预设时间周期T内发生对应预设异常行为的分值。具体的,所述特定时间段可根据实际需求设定,例如无人看护的时间段。
具体的,通过训练用历史异常用户数据输入神经网络模型,对神经网络模型进行训练,得到目标神经网络模型,其中,训练用历史异常用户数据包括训练用历史异常用户的异常行为向量和训练用历史异常用户的异常行为向量对应的分值。
Ai2=[Ai21,Ai22,…,Ai2r,…,Ai2s],Ai2r是采集的第i个预设异常用户的第r个文本的分值,r的取值范围是1到s,s是采集的文本数量,所述文本基于固定文本模板生成。
具体的,第r个文本的分值至少基于以下参数获取:文本关键词的词频、文本关键词的色彩、文本是否发生拐点,其中,所述文本关键词是文本经过目标文本关键词提取算法获取的关键词,文本发生拐点指的是文本关键词的词频和色彩发生趋势变化的时间点。例如,目标文本关键词提取模型为基于统计特征的关键词提取算法。
Ai3=[Ai31,Ai32,…,Ai3g,…,Ai3z],Ai3g是第g次采集第i个预设异常用户的生理参数的分值,g的取值范围是1到z,z是采集第i个预设异常用户的生理参数次数。
具体的,第g次生理参数的维度至少包括:心率、运动值。
进一步的,S1包括如下步骤:
S100,基于目标传感器,获取待识别用户在第一预设时间周期T内的异常行为向量B=[B1,B2,…,Bj,…,Bn],Bj是待识别用户的第j个预设异常行为的分值,其中,第一预设时间周期T的长度和第一历史时间周期R的长度相同。
S110,基于目标传感器,获取待识别用户在第一预设时间周期T内的文本信息向量C=[C1,C2,…,Cr,…,Cs],Cr是待识别用户的第r个文本的分值。
具体的,所述文本的分值在0到1之间。
S130,基于目标传感器,获取待识别用户在第一预设时间周期T内的生理参数向量D=[D1,D2,…,Dg,…,Dz],Dg是待识别用户第g次采集的生理参数的分值。
可以理解为:通过采集待识别用户的心率、运动值等生理参数维度,得到待识别用户对应的生理参数的分值,所述生理参数的分值为0到1之间。
具体的,本领域技术用户知晓,现有技术中任何一种基于多个维度进行打分得到分值的方法均属于本发明保护范围,例如使用分段函数的方法。
S140,基于B、C和D,获取待识别用户的安全状态数据E=[B,C,D]。
进一步的,S2包括如下步骤:
S200,获取待识别用户的安全状态数据E和预设异常用户的安全状态数据A1到Am的相似度的平均值F0;
S210,若平均值F0大于预设相似阈值F1,将待识别用户认定为非安全状态;否则,将待识别用户认定为安全状态。
综上,获取待识别用户在第一预设时间周期内的行为列表、文本信息向量、生理参数向量,将第一预设时间周期内的行为列表、文本信息向量、生理参数向量作为待识别用户在该预设时间周期的安全状态数据,将待识别用户的安全状态数据和预设异常用户的安全状态数据的相似度的平均值,若该平均值大于预设相似阈值,将待识别用户认定为非安全状态,本发明通过多个维度进行和预设异常用户相似度的比较,进而确定出待识别用户是否处于安全状态,实现自动判断的同时减少人工看管的时间,并且更加敏锐的察觉到待识别用户的状态变化。
在本发明另一实施例中,S2还包括如下步骤:
S020,获取预设异常用户的加权安全状态数据WA={WA1,WA2,…,WAi,…,WAm},第i个异常用户的加权安全状态数据WAi=[w1×Ai1,w2×Ai2,w3×Ai3],其中,w1+w2+w3=1,w1为第一预设权重值,w2为第二预设权重值,w3为第三预设权重值
具体的,w1>w3,且w2>w3。可以理解为:预设异常行为和文本信息的权重大于生理参数的权重,因为待识别用户在紧张、兴奋、被吓到等很多情况下都会出现生理参数的变化,生理参数的变化受到的影响较多,并且受到的影响不容易控制,因此,预设异常行为和文本信息的权重均大于生理参数的权重。
S021,获取待识别用户的加权安全状态数据WE=[w1×B,w2×C,w3×D];
S022,获取待识别用户的加权安全状态数据WE和预设异常用户的加权安全状态数据WA1到WAm的相似度的平均值F2,若平均值F2大于加权预设相似阈值F3,将待识别用户认定非安全状态;否则,将待识别用户认定为安全状态。
综上,通过获取预设异常用户的加权安全状态数据和待识别用户的加权安全状态数据,获取预设异常用户的加权安全状态数据和待识别用户的加权安全状态数据的相似度的平均值,若该相似度的平均值大于加权预设相似阈值,将待识别用户认定为非安全状态,通过对待识别用户的向量的异常行为向量、文本信息向量、生理参数向量设置不同的权重,更加准确的获取待识别用户和预设异常用户的相似度,从而更加准确的判断待识别用户是否处于安全状态。
具体的,获取w1、w2、w3包括如下步骤:
S011,初始化w3,其中,0<w3<0.3。
S012,获取第二预设时间周期内计算用异常用户的安全状态数据列表H={H1,H2,…,Ht,…,Hk},Ht={Ht1,Ht2},Ht1是第t个计算用异常用户的异常行为向量,Ht2是第t个计算用异常用户的文本信息向量,Ht是第t个计算用异常用户的安全状态数据,t的取值范围是1到k,k是计算用异常用户的数量。
S013,获取H1到Hk的异常行为向量的波动值FH1,获取H1到Hk的文本信息向量的波动值FH2。
S014,获取FH1/FH2=y,并基于y,获取w1和w2,其中,w1=y·(1-w3)/(y+1),w2=(1-w3)/(y+1)。
在本发明一个实施例中,计算用异常用户的安全状态数据列表H={H1,H2,H3},H1={H11,H12},H2={H21,H22},H3={H31,H32},EH1=(H11+H21+H31)/3,FH1=1/3×[(H11-EH1)2+(H21-EH1)2+(H31-EH1)2];EH2=(H12+H22+H32),FH2=1/3×[(H12-EH2)2+(H22-EH2)2+(H32-EH2)2];[(H11-EH1)2+(H21-EH1)2+(H31-EH1)2]/[(H12-EH2)2+(H22-EH2)2+(H32-EH2)2]=y,即[(H11-EH1)2+(H21-EH1)2+(H31-EH1)2]/[(H12-EH2)2+(H22-EH2)2+(H32-EH2)2]=w1/w2。
S015,若w1<w3,交换w1和w3的值,否则,执行S016。
S016,若w2<w3,交换w2和w3的值。
基于S011到S016,初始化w3,基于计算用异常用户的安全状态数据的文本信息向量和异常行为向量的波动值,基于波动值,获取w1和w2,若w1或w2小于w3,则和w3进行交换,通过计算用异常用户的安全状态数据的文本信息向量和异常行为向量获取波动值,使得第一预设权重值、第二预设权重值、第三预设权重值更加准确。
具体的,本发明还包括通过如下步骤获取拐点:
S001,获取第t个固定文本模板Jt的待识别用户的文本信息SCt={SCt1,SCt2,…,SCtx,…,SCtq},SCtx是第t个模板下待识别用户的第x个文本信息,x的取值范围是1到q,q是C中第t个模板下采集的文本信息的数量。
S002,获取文本关键词的词频。
具体的,文本关键词的词频是文本关键词的TF-IDF值。
S003,将文本信息SCtx输入目标文本语义检测模型,获取文本关键词的色彩值。
具体的,本领域技术用户知晓,现有技术中任何一种可以用于检测文本语义色彩的模型均属于别发明保护范围,此处不再赘述。所述文本关键词的色彩值是文本关键词的消极程度。
S004,将文本关键词的词频和色彩值进行归一化处理,获取归一化后的词频和归一化后的色彩值。
S005,基于归一化后的词频和归一化后的色彩值,获取文本总值Qtx。
S006,将Qtx按照发生时间进行排序,获取拐点,所述拐点是文本总值从上升到下降或从下降到上升的时间点。
综上,获取第t个模板Jt的待识别用户的文本信息,并获取SCtx中文本关键词的词频和色彩值,进行归一化处理,获取待识别用户的每个文本信息的文本总值,将文本总值按照时间顺序进行排序,从而获取拐点。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术用户应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术用户还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明开的范围由所附权利要求来限定。
Claims (1)
1.一种用于监测用户安全的控制系统,其特征在于,所述系统包括:M个可穿戴的目标传感器和控制器,其中,M≥1,所述控制器包括预设异常用户的安全状态数据列表、处理器和存储有计算机程序的存储器,当处理器执行计算机程序时,实现如下步骤:
S1、通过所述目标传感器监测到待识别用户的安全状态数据;
其中,所述目标传感器用于采集待识别用户的N种特定行为相关参数、生理参数并发送至处理器,且至少一种所述特定行为相关参数用于判断所述待识别用户发生对应预设异常行为的分值,N≥1;
所述特定行为相关参数至少包括:是否发生特定行为、特性行为是否发生于特定时间段、特定行为的发生频率,通过将采集的至少一种特定行为相关参数输入相应目标行为检测模型,获取待识别用户在第一预设时间周期T内发生对应预设异常行为的分值;
具体的,S1包括如下步骤:
S100,基于目标传感器,获取待识别用户在第一预设时间周期T内的异常行为向量B=[B1,B2,…,Bj,…,Bn],Bj是待识别用户的第j个预设异常行为的分值,其中,第一预设时间周期T的长度和第一历史时间周期R的长度相同;
S110,基于目标传感器,获取待识别用户在第一预设时间周期T内的文本信息向量C=[C1,C2,…,Cr,…,Cs],Cr是待识别用户的第r个文本的分值;
S130,基于目标传感器,获取待识别用户在第一预设时间周期T内的生理参数向量D=[D1,D2,…,Dg,…,Dz],Dg是待识别用户第g次采集的生理参数的分值;
S140,基于B、C和D,获取待识别用户的安全状态数据E=[B,C,D];
其中,第r个文本的分值至少基于以下参数获取:文本关键词的词频、文本关键词的色彩、文本是否发生拐点,其中,所述文本关键词是文本经过目标文本关键词提取算法获取的关键词,文本发生拐点指的是文本关键词的词频和色彩发生趋势变化的时间点;
具体的,还包括通过如下步骤获取拐点:
S001,获取第t个固定文本模板Jt的待识别用户的文本信息SCt={SCt1,SCt2,…,SCtx,…,SCtq},SCtx是第t个模板下待识别用户的第x个文本信息,x的取值范围是1到q,q是C中第t个模板下采集的文本信息的数量;
S002,获取文本关键词的词频;
S003,将文本信息SCtx输入目标文本语义检测模型,获取文本关键词的色彩值;
S004,将文本关键词的词频和色彩值进行归一化处理,获取归一化后的词频和归一化后的色彩值;
S005,基于归一化后的词频和归一化后的色彩值,获取文本总值Qtx;
S006,将Qtx按照发生时间进行排序,获取拐点,所述拐点是文本总值从上升到下降或从下降到上升的时间点;
S2、根据待识别用户的安全状态数据,确定出待识别用户的当前安全状态;
具体的,S2包括如下步骤:
S200,获取待识别用户的安全状态数据E和预设异常用户的安全状态数据A1到Am的相似度的平均值F0;
S210,若平均值F0大于预设相似阈值F1,将待识别用户认定为非安全状态;否则,将待识别用户认定为安全状态;
S2还包括如下步骤:
S020,获取预设异常用户的加权安全状态数据WA={WA1,WA2,…,WAi,…,WAm},第i个异常用户的加权安全状态数据WAi=[w1×Ai1,w2×Ai2,w3×Ai3],其中,w1+w2+w3=1,w1为第一预设权重值,w2为第二预设权重值,w3为第三预设权重值
S021,获取待识别用户的加权安全状态数据WE=[w1×B,w2×C,w3×D];
S022,获取待识别用户的加权安全状态数据WE和预设异常用户的加权安全状态数据WA1到WAm的相似度的平均值F2,若平均值F2大于加权预设相似阈值F3,将待识别用户认定为非安全状态;否则,将待识别用户认定为安全状态;
其中,获取w1、w2、w3包括如下步骤:
S011,初始化w3,其中,0<w3<0.3;
S012,获取第二预设时间周期内计算用异常用户的安全状态数据列表H={H1,H2,…,Ht,…,Hk},Ht={Ht1,Ht2},Ht1是第t个计算用异常用户的异常行为向量,Ht2是第t个计算用异常用户的文本信息向量,Ht是第t个计算用异常用户的安全状态数据,t的取值范围是1到k,k是计算用异常用户的数量;
S013,获取H1到Hk的异常行为向量的波动值FH1,获取H1到Hk的文本信息向量的波动值FH2;
S014,获取FH1/FH2=y,并基于y,获取w1和w2,其中,w1=y·(1-w3)/(y+1),w2=(1-w3)/(y+1);
S015,若w1<w3,交换w1和w3的值,否则,执行S016;
S016,若w2<w3,交换w2和w3的值;
S3、根据待识别用户的当前安全状态,发送控制指令至每一所述目标传感器,以使得根据控制指令控制每一所述目标传感器对待识别用户调整安全监测策略;
具体的,预设异常用户的安全状态数据列表A={A1,A2,…,Ai,…,Am},第i个预设异常用户的安全状态数据Ai=[Ai1,Ai2,Ai3],Ai1为第一历史时间周期R内第i个预设异常用户的异常行为向量,Ai2为第一历史时间周期R内第i个预设异常用户的文本信息向量,Ai3为第一历史时间周期R内第i个预设异常用户的生理参数向量,i的取值范围是1到m,m是预设异常用户的数量;
其中,Ai1=[Ai11,Ai12,…,Ai1j,…,Ai1n],Ai1j是第i个预设异常用户的第j个预设异常行为的分值,j的取值范围是1到n,n是预设异常行为的数量;
Ai2=[Ai21,Ai22,…,Ai2r,…,Ai2s],Ai2r是采集的第i个预设异常用户的第r个文本的分值,r的取值范围是1到s,s是采集的文本数量,所述文本基于固定文本模板生成;
Ai3=[Ai31,Ai32,…,Ai3g,…,Ai3z],Ai3g是第g次采集第i个预设异常用户的生理参数的分值,g的取值范围是1到z,z是采集第i个预设异常用户的生理参数次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141089.9A CN116884649B (zh) | 2023-09-06 | 2023-09-06 | 一种用于监测用户安全的控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141089.9A CN116884649B (zh) | 2023-09-06 | 2023-09-06 | 一种用于监测用户安全的控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116884649A CN116884649A (zh) | 2023-10-13 |
CN116884649B true CN116884649B (zh) | 2023-11-17 |
Family
ID=88271896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311141089.9A Active CN116884649B (zh) | 2023-09-06 | 2023-09-06 | 一种用于监测用户安全的控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116884649B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001096986A2 (en) * | 2000-06-16 | 2001-12-20 | Bodymedia, Inc. | System for monitoring health, wellness and fitness |
CA2792621A1 (en) * | 2011-10-21 | 2013-04-21 | University Health Network | Emergency detection and response system and method |
CN107491642A (zh) * | 2017-08-17 | 2017-12-19 | 深圳先进技术研究院 | 用户的安全保护方法、装置、设备以及存储介质 |
WO2018152365A1 (en) * | 2017-02-15 | 2018-08-23 | New Sun Technologies, Inc. | Activity monitoring system |
CN109686447A (zh) * | 2019-01-28 | 2019-04-26 | 远光软件股份有限公司 | 一种基于人工智能的员工状态监测系统 |
CN111881007A (zh) * | 2019-10-11 | 2020-11-03 | 马上消费金融股份有限公司 | 操作行为判断方法、装置、设备及计算机可读存储介质 |
CN114419528A (zh) * | 2022-04-01 | 2022-04-29 | 浙江口碑网络技术有限公司 | 异常识别方法、装置、计算机设备及计算机可读存储介质 |
CA3201216A1 (en) * | 2020-12-04 | 2022-06-09 | Deepak Arora | Smart wearable personal safety devices and related systems and methods |
CN114694168A (zh) * | 2020-12-31 | 2022-07-01 | 伊姆西Ip控股有限责任公司 | 用于监测用户的方法、设备和计算机程序产品 |
CN115100560A (zh) * | 2022-05-27 | 2022-09-23 | 中国科学院半导体研究所 | 用户不良状态的监测方法、装置、设备及计算机存储介质 |
CN115497159A (zh) * | 2022-09-14 | 2022-12-20 | 平安银行股份有限公司 | 人体异常状态检测方法、装置、计算机设备及存储介质 |
CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技(深圳)股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230179955A1 (en) * | 2016-12-15 | 2023-06-08 | Conquer Your Addiction Llc | Dynamic and adaptive systems and methods for rewarding and/or disincentivizing behaviors |
US20220192556A1 (en) * | 2020-12-21 | 2022-06-23 | Cerner Innovation, Inc. | Predictive, diagnostic and therapeutic applications of wearables for mental health |
-
2023
- 2023-09-06 CN CN202311141089.9A patent/CN116884649B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001096986A2 (en) * | 2000-06-16 | 2001-12-20 | Bodymedia, Inc. | System for monitoring health, wellness and fitness |
CA2792621A1 (en) * | 2011-10-21 | 2013-04-21 | University Health Network | Emergency detection and response system and method |
WO2018152365A1 (en) * | 2017-02-15 | 2018-08-23 | New Sun Technologies, Inc. | Activity monitoring system |
CN107491642A (zh) * | 2017-08-17 | 2017-12-19 | 深圳先进技术研究院 | 用户的安全保护方法、装置、设备以及存储介质 |
CN109686447A (zh) * | 2019-01-28 | 2019-04-26 | 远光软件股份有限公司 | 一种基于人工智能的员工状态监测系统 |
CN111881007A (zh) * | 2019-10-11 | 2020-11-03 | 马上消费金融股份有限公司 | 操作行为判断方法、装置、设备及计算机可读存储介质 |
CA3201216A1 (en) * | 2020-12-04 | 2022-06-09 | Deepak Arora | Smart wearable personal safety devices and related systems and methods |
CN114694168A (zh) * | 2020-12-31 | 2022-07-01 | 伊姆西Ip控股有限责任公司 | 用于监测用户的方法、设备和计算机程序产品 |
CN114419528A (zh) * | 2022-04-01 | 2022-04-29 | 浙江口碑网络技术有限公司 | 异常识别方法、装置、计算机设备及计算机可读存储介质 |
CN115100560A (zh) * | 2022-05-27 | 2022-09-23 | 中国科学院半导体研究所 | 用户不良状态的监测方法、装置、设备及计算机存储介质 |
CN115497159A (zh) * | 2022-09-14 | 2022-12-20 | 平安银行股份有限公司 | 人体异常状态检测方法、装置、计算机设备及存储介质 |
CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技(深圳)股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
Non-Patent Citations (4)
Title |
---|
Yuchae Jung ; Yongik Yoon.Prediction model for mental and physical health condition using risk ratio EM.《2015 International Conference on Information Networking (ICOIN)》.2015,439-443. * |
基于可穿戴式生理指标采集与大数据分析的健康管理新方法研究;陈小勇; 杨博雄; 赵帅; 孙鹏; 肖衡; 李社蕾; 梁志勇; 甘林;《循证护理》;第9卷(第5期);843-852 * |
基于智慧家居感知数据的老人日常行为识别与异常检测;池志攀;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第2期);C038-1675 * |
基于深度学习的云计算系统异常检测方法;任明;宋云奎;;计算机技术与发展;第29卷(第05期);54-57 * |
Also Published As
Publication number | Publication date |
---|---|
CN116884649A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3929824A2 (en) | Robust multimodal sensor fusion for autonomous driving vehicles | |
CN109345515B (zh) | 样本标签置信度计算方法、装置、设备及模型训练方法 | |
CN111898758A (zh) | 一种用户异常行为识别方法、装置及计算机可读存储介质 | |
CN108758994A (zh) | 空调的控制方法和装置、存储介质及处理器 | |
US10610109B2 (en) | Emotion representative image to derive health rating | |
US20210067558A1 (en) | Node classification in dynamic networks using graph factorization | |
CN112116025A (zh) | 用户分类模型的训练方法、装置、电子设备及存储介质 | |
CN111652138B (zh) | 戴口罩人脸识别方法、装置、设备及存储介质 | |
CN114463830B (zh) | 亲缘关系判定方法、装置、电子设备及存储介质 | |
CN116884649B (zh) | 一种用于监测用户安全的控制系统 | |
CN112115184A (zh) | 时间序列数据的检测方法、装置、计算机设备及存储介质 | |
CN113156908B (zh) | 一种机理与数据联融合的多工况工业过程监测方法和系统 | |
KR102317358B1 (ko) | 임베딩 및 적응형 클러스터링 기반 지식 그래프의 오류 트리플 검출 방법 및 장치 | |
JP7554650B2 (ja) | 機械学習装置、及び、環境調整装置 | |
Suman et al. | Toward personalization of user preferences in partially observable smart home environments | |
Chen et al. | Towards a hybrid expert system based on sleep event’s threshold dependencies for automated personalized sleep staging by combining symbolic fusion and differential evolution algorithm | |
CN116931419A (zh) | 应用于智能设备控制的环境舒适模型自动构建方法及装置 | |
Madhuravani et al. | Prediction exploration for coronary heart disease aid of machine learning | |
CN112420208B (zh) | 一种医护人员疫情防护监测方法及系统 | |
CN112487980B (zh) | 基于微表情治疗方法、装置、系统与计算机可读存储介质 | |
CN110911012B (zh) | 基于效用模型的个性化诊疗方法的确定方法及系统 | |
CN113505859A (zh) | 模型训练方法及装置、图像识别方法及装置 | |
KR102233157B1 (ko) | 딥러닝 기반의 재실자 포즈 분류를 이용한 재실자 활동량 산출 방법 및 시스템 | |
CN116959078B (zh) | 疲劳检测模型的构建方法、疲劳检测方法及其装置 | |
CN117297557B (zh) | 一种确定区域状态参数的方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |