CN204480252U - 一种溺水模式智能推理系统 - Google Patents

Abstract

本实用新型提供一种溺水模式智能推理系统，所述系统包括终端及服务器，所述终端连接服务器，所述服务器包括接收器、分类器及综合处理器，其中，所述分类器分别连接接收器及综合处理器，所述接收器连接综合处理器。所述接收器，用于接收终端发送的数据信息后，转发给分类器及综合处理器。所述分类器，用于对所述接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。所述综合处理器，用于根据接收器提供的数据及分类器的分类模型，对所述分类模型细化处理后，返回给分类器。

Description

一种溺水模式智能推理系统

技术领域

本实用新型属于人工智能领域，具体涉及一种涉及大数据处理与机器学习相关内容的溺水模式智能推理系统。

背景技术

目前，在监控和处理游泳时可能发生的溺水问题时，主要依赖于救生员的现场监视，对游泳者的溺水状况完全依赖于救生员的肉眼观察判断。这种判断方式对救生员的注意力集中度和观察判断力提出了比较高的要求，即使是熟练的救生员也难免有疏忽错漏之处。一旦因为救生员的疏忽而发生意外，很容易造成难以挽回的损失。

因此，针对这类问题，在相关的智能游泳平台上使用一种利用传感器数据智能、准确、快速地判断游泳者溺水状况的推理引擎十分必要。本实用新型提供一种溺水模式智能推理系统，以解决上述问题。

本实用新型将涉及到以下技术，首先作出相应说明。

大数据，或称巨量数据、海量数据，是由数量巨大、结构复杂、类型众多数据构成的数据集合，是基于云计算的数据处理与应用模式,通过数据的集成共享，交叉复用形成的智力资源和知识服务能力。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。在本实用新型中在机器学习的分类器选择中使用决策树作为主要处理方法。

决策树是一个预测模型。其代表对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。

群智分析技术，在分类问题时使用多个分类器(即：决策树)，再将结果进行综合，从而得出比单一分类器精度高很多、性能更稳定的分析结果。

在线分析技术，允许智能推理引擎不断读取新的溺水数据，从而不断对群智决策树分类器模型进行参数的微调，实现不断提高分类精度的目的。

实用新型内容

本实用新型提供一种溺水模式智能推理系统，包括终端及服务器，所述终端连接服务器，所述服务器包括接收器、分类器及综合处理器，其中，所述分类器分别连接接收器及综合处理器，所述接收器连接综合处理器。所述接收器，用于接收终端发送的数据信息后，转发给分类器及综合处理器。所述分类器，用于对所述接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。所述综合处理器，用于根据接收器提供的数据及分类器的分类模型，对所述分类模型细化处理后，返回给分类器。

优选的，所述终端为游泳手环，由用户游泳时佩带。

根据本实用新型提供的溺水模式智能推理系统，在系统服务器中设置接收器、分类器及综合处理器，所述接收器接收终端发送的数据信息后转发给分类器及综合处理器，分类器对接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。同时综合处理器根据接收器提供的数据及分类器的分类模型，对分类模型细化处理后返回给分类器。如此，不断提高分类精度，有效达到防止溺水的状况。

附图说明

为了更清楚地说明本实用新型实施例或现有技术中的技术方案，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实用新型的一些实施例，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是本实用新型较佳实施例提供的溺水模式智能推理系统示意图；

图2是本实用新型较佳实施例提供的溺水模式智能推理系统工作流程图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本实用新型。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

图1是本实用新型较佳实施例提供的溺水模式智能推理系统示意图。如图1所示，本实用新型较佳实施例提供的溺水模式智能推理系统包括终端1及服务器2，所述终端1连接服务器2，所述服务器2包括接收器21、分类器22及综合处理器23，其中，所述分类器22分别连接接收器21及综合处理器23，所述接收器21连接综合处理器23。所述接收器21，用于接收终端发送的数据信息后，转发给分类器22及综合处理器23。所述分类器22，用于对所述接收器21发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水。所述综合处理器23，用于根据接收器21提供的数据，及分类器22的分类模型，对所述分类模型细化处理后，返回给分类器22。

具体地，本实施例中所述的服务器为云平台服务器，能够存储少量数据，并完成整个系统所有智能信息处理功能。

所述终端为游泳手环，由用户游泳时佩带。所述游泳手环内置传感器，用于采集环境水压，环境水温，游泳者的实时运动模式，游泳者心跳血压及其他相应健康参数等数据信息，发送给服务器。此外，每个游泳手环内包含其所有者的信息，包括上述的实时信息外还有游泳者的身高、体重等基本信息，均本保存在服务器中。

所述服务器为远端服务器，与游泳手环通过无线方式通信。

图2是本实用新型较佳实施例提供的溺水模式智能推理系统工作流程图。如图2所示，本实用新型较佳实施例提供的溺水模式智能推理系统工作流程包括以下步骤。

S1、接收器接收终端发送的用户状态数据及环境数据，并转发给分类器及综合处理器。

于此，所述用户状态数据包括游泳者的实时运动模式、游泳者心跳血压及其他相应健康参数，所述环境数据包括环境水压及环境水温。

S2、所述分类器对接收器发送的数据进行训练分析，得到分类模型，并根据所述分类模型判断用户是否溺水。

具体而言，所述分类器采用机器学习方法对数据进行训练分析，机器学习的要点在于训练集和推理算法的选取。本实用新型采用决策树进行归纳推理得到分类模型，服务器实时更新用户所在游泳环境的水压、水温及实时运动模式(即：加速度)作为属性(attribute)，运用该决策树判断溺水状况。其中，训练集是由一个个案例组成，每一个训练案例可分为正例和反例。溺水的一个正例由“游泳者处于溺水状态”和“游泳者溺水时的各项参数(环境参数和游泳者自身身体状态参数)”配对组成；溺水的一个反例由“游泳者没有处于溺水状态”和“游泳者当时的各项参数(环境参数和游泳者自身身体状态参数)”配对组成。管理员可以设定一个参数，使得游泳手环以固定的频率(如该手环用户的累积游泳时间每达到一个小时)向服务器发送训练案例，从而不断增加服务器中的数据(即：训练案例)。

S3、综合处理器根据接收器提供的数据，及分类器的分类模型，对所述分类模型细化处理后并返回给分类器，分类器重复步骤S2。

本步骤中，综合处理器建立多个独立的决策树，对分类模型进行参数的微调。具体地，服务器在分类问题时使用多个决策树分类器，再将结果进行综合，从而得出比单一决策树分类器精度高很多、性能更稳定的分析结果。

同时，服务器还通过不断读取新的溺水数据，从而不断对分类器模型进行参数的微调，实现不断提高分类精度的目的。随着服务器中的数据的增加，由于训练集的增加，预测精度也随着不断提高。经过一段时间后即可逼近真实状况，有效判断游泳者是否处于溺水状态。

综上所述，根据本实用新型较佳实施例提供的溺水模式智能推理系统，运用大数据、机器学习、群智分析技术和在线分析技术，可以智能有效的判断游泳者的溺水状况，节省了救生员的观察成本，避免了因救生员的观察误差而引起的溺水事件。此外，随着本系统的不断使用，服务器中的数据量会越来越大，而溺水模式智能推理系统也会随着数据增大而不断学习进步变得越来越精确。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本实用新型。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本实用新型的精神或范围的情况下，在其它实施例中实现。因此，本实用新型将不会被限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种溺水模式智能推理系统，其特征在于，包括终端及服务器，所述终端连接服务器，所述服务器包括接收器、分类器及综合处理器，其中，所述分类器分别连接接收器及综合处理器，所述接收器连接综合处理器，

所述接收器，用于接收终端发送的数据信息后，转发给分类器及综合处理器；

所述分类器，用于对所述接收器发送的数据信息进行训练分析得到分类模型，并根据所述分类模型判断用户是否溺水；

所述综合处理器，用于根据接收器提供的数据，及分类器的分类模型，对所述分类模型细化处理后，返回给分类器。

2.根据权利要求1所述的智能推理系统，其特征在于，所述终端为游泳手环，由用户游泳时佩带。