CN117158923A - 基于元宇宙的居家养老远程监控方法 - Google Patents
基于元宇宙的居家养老远程监控方法 Download PDFInfo
- Publication number
- CN117158923A CN117158923A CN202310922286.8A CN202310922286A CN117158923A CN 117158923 A CN117158923 A CN 117158923A CN 202310922286 A CN202310922286 A CN 202310922286A CN 117158923 A CN117158923 A CN 117158923A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- monitoring parameter
- classification
- sub
- 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 146
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000036541 health Effects 0.000 claims abstract description 31
- 239000008280 blood Substances 0.000 claims abstract description 25
- 210000004369 blood Anatomy 0.000 claims abstract description 25
- 230000036772 blood pressure Effects 0.000 claims abstract description 25
- 230000036387 respiratory rate Effects 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 109
- 239000011159 matrix material Substances 0.000 claims description 66
- 230000007246 mechanism Effects 0.000 claims description 20
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 19
- 239000008103 glucose Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 5
- 230000036391 respiratory frequency Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000003862 health status Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于元宇宙的居家养老远程监控方法，其在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；采用基于深度学习的人工智能技术，进行老年对象的各个参数数据的时序变化关联性特征分布信息的充分表达，以此准确地进行老年对象的健康预警，以及时发现并预防可能出现的问题和风险，保证居家老年人的健康状况和生活质量。
Description
技术领域
本申请涉及智能化监控技术领域，并且更具体地，涉及一种基于元宇宙的居家养老远程监控方法。
背景技术
随着人口老龄化趋势的加剧和家庭结构变化，居家养老成为了一个日益重要的话题，如何保障老年人健康和生活质量是一个紧迫的问题。然而，照顾老年人的家庭成员或护理工作人员可能受到时间、空间和资源等方面的限制，在他们不在身边时，如何保证老年人的健康和安全是一项挑战。
目前，出现了一些视频监控和传感器监测方式来进行老年人的远程监控。但是，在目前的远程养老监控系统中，数据处理和算法模型的准确性和适用性往往较低，只能进行单方面的数据监测，缺乏有效手段解决复杂的生理数据标准化和分析问题，导致难以对于居家老人的健康状态进行准确预警。
因此，期望一种优化的居家养老远程监控方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于元宇宙的居家养老远程监控方法，其在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；采用基于深度学习的人工智能技术，进行老年对象的各个参数数据的时序变化关联性特征分布信息的充分表达，以此准确地进行老年对象的健康预警，以及时发现并预防可能出现的问题和风险，保证居家老年人的健康状况和生活质量。
第一方面，提供了一种基于元宇宙的居家养老远程监控方法，其包括：
在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；
将所述多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值按照时间维度和样本维度排列为监测参数项输入矩阵；
将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵；
对所述监测参数特征矩阵进行特征矩阵划分以得到多个局部监测参数特征子矩阵；
将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器以得到分类特征向量；
对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示。
在上述基于元宇宙的居家养老远程监控方法中，将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵，包括：所述使用空间注意力机制的卷积层的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积层的最后一层输出的所述特征矩阵为所述监测参数特征矩阵。
在上述基于元宇宙的居家养老远程监控方法中，对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量，包括：以如下因数计算公式来计算多个上下文局部监测参数特征子特征向量中的每个上下文局部监测参数特征子特征向量与所述分类特征向量之间的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数；其中，所述因数计算公式，为：
其中，Vi是所述上下文局部监测参数特征子特征向量中的第i个上下文局部监测参数特征子特征向量，fij分别是所述上下文局部监测参数特征子特征向量中的第i个上下文局部监测参数特征子特征向量的第j个特征值，Vc是所述分类特征向量，fcj是所述分类特征向量的第j个特征值，log为以2为底的对数，且α是加权超参数，wi是多个可转移性感知因数中的第i个可转移性感知因数；基于多个可转移性感知因数，对所述多个上下文局部监测参数特征子特征向量进行加权优化以得到多个优化上下文局部监测参数特征子特征向量；以及，将所述多个优化上下文局部监测参数特征子特征向量进行级联以得到所述优化分类特征向量。
在上述基于元宇宙的居家养老远程监控方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的基于元宇宙的居家养老远程监控方法，其在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；采用基于深度学习的人工智能技术，进行老年对象的各个参数数据的时序变化关联性特征分布信息的充分表达，以此准确地进行老年对象的健康预警，以及时发现并预防可能出现的问题和风险，保证居家老年人的健康状况和生活质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为根据本申请实施例的基于元宇宙的居家养老远程监控方法的场景示意图。
图2为根据本申请实施例的基于元宇宙的居家养老远程监控方法的流程图。
图3为根据本申请实施例的基于元宇宙的居家养老远程监控方法的架构示意图。
图4为根据本申请实施例的基于元宇宙的居家养老远程监控方法中步骤150的子步骤的流程图。
图5为根据本申请实施例的基于元宇宙的居家养老远程监控方法中步骤170的子步骤的流程图。
图6为根据本申请实施例的基于元宇宙的居家养老远程监控系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
图1为根据本申请实施例的基于元宇宙的居家养老远程监控方法的场景示意图。如图1所示，在该应用场景中，首先，在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象(例如，如图1中所示意的M)的心率值(例如，如图1中所示意的C1)、血压值(例如，如图1中所示意的C2)、血糖值(例如，如图1中所示意的C3)和呼吸频率值(例如，如图1中所示意的C4)；然后，将获取的心率值、血压值、血糖值和呼吸频率值输入至部署有基于元宇宙的居家养老远程监控算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于元宇宙的居家养老远程监控算法对所述心率值、所述血压值、所述血糖值和所述呼吸频率值进行处理，以生成用于表示是否产生健康状态预警提示的分类结果。
在本申请的一个实施例中，图2为根据本申请实施例的基于元宇宙的居家养老远程监控方法的流程图。图3为根据本申请实施例的基于元宇宙的居家养老远程监控方法的架构示意图。如图2和图3所示，根据本申请实施例的基于元宇宙的居家养老远程监控方法100，包括：110，在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；120，将所述多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值按照时间维度和样本维度排列为监测参数项输入矩阵；130，将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵；140，对所述监测参数特征矩阵进行特征矩阵划分以得到多个局部监测参数特征子矩阵；150，将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器以得到分类特征向量；160，对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量；以及，170，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示。
具体地，在步骤110中，在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值。如上所述，目前，出现了一些视频监控和传感器监测方式来进行老年人的远程监控。但是，在目前的远程养老监控系统中，数据处理和算法模型的准确性和适用性往往较低，只能进行单方面的数据监测，缺乏有效手段解决复杂的生理数据标准化和分析问题，导致难以对于居家老人的健康状态进行准确预警。因此，期望一种优化的居家养老远程监控方案。
应可以理解，元宇宙是一种虚拟的数字世界，可以让人们通过不同的设备和平台进行沟通、娱乐和创造。基于元宇宙的居家养老远程监控方案能够利用元宇宙技术为老年人提供安全、舒适和有意义的生活方式。特别地，通过元宇宙中的数据分析平台，老年人的家属和医疗专业人员可以实时监测和分析老年人的健康状况和生活质量，以及发现并预防可能出现的问题和风险，以保证居家老年人的安全。
基于此，在本申请的技术方案中，期望对基于在元宇宙的数据分析平台获取的由可穿戴设备采集的老年对象的各个参数数据进行分析，以此来实现老年对象的健康预警。特别地，这里，所述各个参数数据包括但不局限于心率值、血压值、血糖值和呼吸频率值。相应地，考虑到由于所述各个参数数据之间具有着相互的关联关系，并且所述各个参数数据都在时间维度上有着动态性的变化时序关联。因此，在此过程中，难点在于如何进行所述老年对象的各个参数数据的时序变化关联性特征分布信息的充分表达，以此来准确地进行老年对象的健康预警，以及时发现并预防可能出现的问题和风险，保证居家老年人的健康状况和生活质量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘述老年对象的各个参数数据的时序变化关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值。
具体地，在步骤120中，将所述多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值按照时间维度和样本维度排列为监测参数项输入矩阵。接着，考虑到由于所述被监测老年对象的心率值、血压值、血糖值和呼吸频率值之间不仅在时间维度上有着动态性的变化规律，并且各个参数数据之间还具有着时序的协同关联特性。因此，在本申请的技术方案中，为了能够进行所述被监测老年对象的心率值、血压值、血糖值和呼吸频率值的时序协同关联特征提取，以此来进行老年对象的监控状态预警，需要将所述多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值按照时间维度和样本维度排列为监测参数项输入矩阵，以此来整合所述被监测老年对象的心率值、血压值、血糖值和呼吸频率值在时间和样本维度上的分布信息。
具体地，在步骤130中，将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵。然后，使用在隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述监测参数项输入矩阵的特征提取，特别地，考虑到由于所述被监测老年对象的各项生命体征和健康数据是时变的，且量级较大，并且所述被监测老年对象的心率值、血压值、血糖值和呼吸频率值之间在不同的时间维度和不同的样本维度中会呈现出不同程度的参数数据关联特性。
因此，在进行所述被监测老年对象的健康状态监测时，为了能够聚焦于关于老年对象的健康状态重要性程度较高的关联特征信息，以提高对于老年对象健康状态预警的精准度，在本申请的技术方案中，将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层中进行处理，以提取出所述监测参数项输入矩阵中聚焦于老年对象健康状态的重要性程度较高的时序关联特征信息，从而得到监测参数特征矩阵。这样，能够更准确地提取出老年对象的各个生命体征监控数据项中有代表性的特征关联信息，从而更有效地处理老年人的各项生命体征数据，从而得到准确的健康状态预警提示。
其中，将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵，包括：所述使用空间注意力机制的卷积层的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积层的最后一层输出的所述特征矩阵为所述监测参数特征矩阵。
注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地，在步骤140中，对所述监测参数特征矩阵进行特征矩阵划分以得到多个局部监测参数特征子矩阵。进一步地，考虑到由于所述被监测老年对象的心率值、血压值、血糖值和呼吸频率值之间在时序上的关联特征信息在不同的时间维度和不同的样本维度中所呈现出的关联特征不同，并且所述被监测老年对象的各个生命体征参数数据之间的时序关联特征为小尺度的隐含关联特征信息，难以通过传统的卷积神经网络模型进行有效地特征捕捉。
也就是说，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。因此，在本申请的技术方案中，进一步对所述监测参数特征矩阵进行特征矩阵划分以得到多个局部监测参数特征子矩阵
具体地，在步骤150中，将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器以得到分类特征向量。然后，将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器中进行编码，以提取出所述被监测老年对象的各个生命体征参数数据的局部时序关联特征基于全局的上下文语义关联特征信息，从而得到分类特征向量。
图4为根据本申请实施例的基于元宇宙的居家养老远程监控方法中步骤150的子步骤的流程图，如图4所示，将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器以得到分类特征向量，包括：151，将所述局部监测参数特征子特征向量通过基于转换器的上下文编码器以得到多个上下文局部监测参数特征子特征向量；以及，152，将所述多个上下文局部监测参数特征子特征向量进行级联以得到所述分类特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short-Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在步骤160中，对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量。特别地，在本申请的技术方案中，将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层得到所述监测参数特征矩阵时，通过空间注意力机制强化了所述监测参数特征矩阵的局部关联特征空间分布，这也使得对所述监测参数特征矩阵进行特征矩阵划分后，得到的所述多个局部监测参数特征子矩阵之间的特征分布的差异性较大，尽管通过基于转换器的上下文编码器进行了上下文关联编码，但是基于转换器的上下文编码器得到的多个上下文局部监测参数特征子特征向量之间仍存在显著的特征分布显式差异，导致其在级联得到所述分类特征向量时，具有到融合特征域的域转移差异，影响了所述分类特征向量的表达效果。基于此，本申请的申请人对于多个上下文局部监测参数特征子特征向量中的每个上下文局部监测参数特征子特征向量，例如记为Vi，其中i＝1～n，n是所述上下文局部监测参数特征子特征向量的数目，以及级联得到的所述分类特征向量，例如记为Vc，计算其可转移特征的量化的可转移性感知因数。
在本申请一具体示例中，对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量，包括：以如下因数计算公式来计算多个上下文局部监测参数特征子特征向量中的每个上下文局部监测参数特征子特征向量与所述分类特征向量之间的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数；
其中，所述因数计算公式，为：
其中，Vi是所述上下文局部监测参数特征子特征向量中的第i个上下文局部监测参数特征子特征向量，fij分别是所述上下文局部监测参数特征子特征向量中的第i个上下文局部监测参数特征子特征向量的第j个特征值，Vc是所述分类特征向量，fcj是所述分类特征向量的第j个特征值，log为以2为底的对数，且α是加权超参数，wi是多个可转移性感知因数中的第i个可转移性感知因数；基于多个可转移性感知因数，对所述多个上下文局部监测参数特征子特征向量进行加权优化以得到多个优化上下文局部监测参数特征子特征向量；以及，将所述多个优化上下文局部监测参数特征子特征向量进行级联以得到所述优化分类特征向量。
这里，所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到分类目标域的域不确定性，且由于该域不确定性估计可以用于标识已经在域间转移的特征表示，因此通过以该因数来作为权重分别对所述上下文局部监测参数特征子特征向量中的每个进行加权，就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移，从而量化地感知不同特征向量中的可转移特征的可转移性，以实现域间自适应的特征融合，以提升所述分类特征向量的表达效果。
具体地，在步骤170中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示。接着，进一步再将所述分类特征向量通过分类器中进行分类处理，以得到用于表示是否产生健康状态预警提示的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括产生健康状态预警提示(第一标签)，以及，不产生健康状态预警提示(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。
值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否产生健康状态预警提示”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否产生健康状态预警提示的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否产生健康状态预警提示”的语言文本意义。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为是否产生健康状态预警提示的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来进行老年对象的健康检测和预警，从而及时发现并预防可能出现的问题和风险。
图5为根据本申请实施例的基于元宇宙的居家养老远程监控方法中步骤170的子步骤的流程图，如图5所示，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示，包括：171，使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，172，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中，使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果；其中，所述公式为：I＝softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述优化分类特征向量。
综上，基于本申请实施例的基于元宇宙的居家养老远程监控方法100被阐明，其在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；采用基于深度学习的人工智能技术，进行老年对象的各个参数数据的时序变化关联性特征分布信息的充分表达，以此准确地进行老年对象的健康预警，以及时发现并预防可能出现的问题和风险，保证居家老年人的健康状况和生活质量。
在本申请的一个实施例中，图6为根据本申请实施例的基于元宇宙的居家养老远程监控系统的框图。如图6所示，根据本申请实施例的基于元宇宙的居家养老远程监控系统的框图200，包括：数据获取模块210，用于在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；矩阵排列模块220，用于将所述多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值按照时间维度和样本维度排列为监测参数项输入矩阵；空间注意力模块230，用于将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵；特征矩阵划分模块240，用于对所述监测参数特征矩阵进行特征矩阵划分以得到多个局部监测参数特征子矩阵；上下文编码模块250，用于将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器以得到分类特征向量；优化模块260，用于对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量；以及，预警提示生成模块270，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示。
这里，本领域技术人员可以理解，上述基于元宇宙的居家养老远程监控系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于元宇宙的居家养老远程监控方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于元宇宙的居家养老远程监控系统200可以实现在各种终端设备中，例如用于基于元宇宙的居家养老远程监控的服务器等。在一个示例中，根据本申请实施例的基于元宇宙的居家养老远程监控系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于元宇宙的居家养老远程监控系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于元宇宙的居家养老远程监控系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于元宇宙的居家养老远程监控系统200与该终端设备也可以是分立的设备，并且基于元宇宙的居家养老远程监控系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (5)
1.一种基于元宇宙的居家养老远程监控方法，其特征在于，包括：
在元宇宙的数据分析平台获取由可穿戴设备采集的预定时间段内多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值；
将所述多个预定时间点的被监测老年对象的心率值、血压值、血糖值和呼吸频率值按照时间维度和样本维度排列为监测参数项输入矩阵；
将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵；
对所述监测参数特征矩阵进行特征矩阵划分以得到多个局部监测参数特征子矩阵；
将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器以得到分类特征向量；
对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示。
2.根据权利要求1所述的基于元宇宙的居家养老远程监控方法，其特征在于，将所述监测参数项输入矩阵通过使用空间注意力机制的卷积层以得到监测参数特征矩阵，包括：所述使用空间注意力机制的卷积层的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行非线性激活以生成激活特征图；
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；
其中，所述使用空间注意力机制的卷积层的最后一层输出的所述特征矩阵为所述监测参数特征矩阵。
3.根据权利要求2所述的基于元宇宙的居家养老远程监控方法，其特征在于，将所述多个局部监测参数特征子矩阵分别展开为局部监测参数特征子特征向量后通过基于转换器的上下文编码器以得到分类特征向量，包括：
将所述局部监测参数特征子特征向量通过基于转换器的上下文编码器以得到多个上下文局部监测参数特征子特征向量；以及
将所述多个上下文局部监测参数特征子特征向量进行级联以得到所述分类特征向量。
4.根据权利要求3所述的基于元宇宙的居家养老远程监控方法，其特征在于，对所述分类特征向量进行基于可转移特征的量化的可转移性感知因数的优化以得到优化分类特征向量，包括：
以如下因数计算公式来计算多个上下文局部监测参数特征子特征向量中的每个上下文局部监测参数特征子特征向量与所述分类特征向量之间的可转移特征的量化的可转移性感知因数以得到多个可转移性感知因数；
其中，所述因数计算公式，为：
其中，Vi是所述上下文局部监测参数特征子特征向量中的第i个上下文局部监测参数特征子特征向量，fij分别是所述上下文局部监测参数特征子特征向量中的第i个上下文局部监测参数特征子特征向量的第j个特征值，Vc是所述分类特征向量，fcj是所述分类特征向量的第j个特征值，log为以2为底的对数，且α是加权超参数，wi是多个可转移性感知因数中的第i个可转移性感知因数；
基于多个可转移性感知因数，对所述多个上下文局部监测参数特征子特征向量进行加权优化以得到多个优化上下文局部监测参数特征子特征向量；以及
将所述多个优化上下文局部监测参数特征子特征向量进行级联以得到所述优化分类特征向量。
5.根据权利要求4所述的基于元宇宙的居家养老远程监控方法，其特征在于，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生健康状态预警提示，包括：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310922286.8A CN117158923A (zh) | 2023-07-26 | 2023-07-26 | 基于元宇宙的居家养老远程监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310922286.8A CN117158923A (zh) | 2023-07-26 | 2023-07-26 | 基于元宇宙的居家养老远程监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117158923A true CN117158923A (zh) | 2023-12-05 |
Family
ID=88942032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310922286.8A Pending CN117158923A (zh) | 2023-07-26 | 2023-07-26 | 基于元宇宙的居家养老远程监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117158923A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117530684A (zh) * | 2024-01-09 | 2024-02-09 | 深圳市双佳医疗科技有限公司 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
| CN117745395A (zh) * | 2024-02-19 | 2024-03-22 | 西昌学院 | 基于个性化居家养老服务的ai信息推送方法及系统 |
-
2023
- 2023-07-26 CN CN202310922286.8A patent/CN117158923A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117530684A (zh) * | 2024-01-09 | 2024-02-09 | 深圳市双佳医疗科技有限公司 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
| CN117530684B (zh) * | 2024-01-09 | 2024-04-16 | 深圳市双佳医疗科技有限公司 | 一种基于健康大数据的血糖异常检测与预警系统及方法 |
| CN117745395A (zh) * | 2024-02-19 | 2024-03-22 | 西昌学院 | 基于个性化居家养老服务的ai信息推送方法及系统 |
| CN117745395B (zh) * | 2024-02-19 | 2024-05-14 | 西昌学院 | 基于个性化居家养老服务的ai信息推送方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
| CN106897268B (zh) | 文本语义理解方法、装置和系统 | |
| CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
| CN116504382B (zh) | 远程医疗监护系统及其方法 | |
| Norgaard et al. | Synthetic sensor data generation for health applications: A supervised deep learning approach | |
| Ahishali et al. | Advance warning methodologies for covid-19 using chest x-ray images | |
| CN115769228A (zh) | 利用贝叶斯图探索自动构造神经网络架构 | |
| US20140161322A1 (en) | System and method for activity recognition | |
| CN116415654A (zh) | 一种数据处理方法及相关设备 | |
| CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
| CN111784159B (zh) | 一种食品风险追溯信息分级方法和装置 | |
| CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
| CN115859437A (zh) | 基于分布式光纤传感系统的导管架水下应力检测系统 | |
| CN115761900B (zh) | 用于实训基地管理的物联网云平台 | |
| CN116092701B (zh) | 基于健康数据分析管理平台的控制系统及其方法 | |
| CN113011191A (zh) | 一种知识联合抽取模型训练方法 | |
| CN117116498A (zh) | 移动查房数据处理系统及其方法 | |
| CN114722950B (zh) | 一种多模态的多变量时间序列自动分类方法及装置 | |
| CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
| CN115951883A (zh) | 分布式微服务架构的服务组件管理系统及其方法 | |
| CN112905793B (zh) | 一种基于Bilstm+Attention文本分类的案例推荐方法及系统 | |
| CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
| CN116109978A (zh) | 基于自约束动态文本特征的无监督视频描述方法 |
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 |