[发明专利]一种监测方法及装置

权利要求书

1.一种监测方法，其特征在于，所述方法包括：

获取被监测对象的位置信息、体征监测数据和所述位置信息所属空间的环境监测数据；其中，所述位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系，以及所述位置数据所属的空间标识；

根据所述位置信息，获取所述被监测对象的轨迹数据的时序特征和相应的轨迹图像特征；

在根据所述体征监测数据确定体征信息后，根据预设的行为识别模型，对所述时序特征和相应的轨迹图像特征进行识别，确定所述被监测对象的行为类型，所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与相应行为类型的关系输出相应轨迹数据对应对象的行为类型；

根据所述位置信息和所述环境监测数据，确定所述被监测对象所在空间的空间使用信息；

根据所述体征信息、所述行为类型和所述空间使用信息，生成监测结果。

2.如权利要求1所述的方法，其特征在于，根据所述位置信息数据，获取所述被监测对象的当前轨迹数据的时序特征和相应的轨迹图像特征，包括：

采用预设时序特征提取算法，对所述轨迹数据中不同时刻的位置数据进行提取，获取轨迹数据的时序特征；其中，所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角；

采用预设特征转换算法，将所述轨迹数据转换为相应的轨迹图像，并获取所述轨迹图像的轨迹图像特征。

3.如权利要求1所述的方法，其特征在于，所述预设的行为识别模型的训练包括如下步骤：

根据每种行为类型对象的位置信息，获取对应行为类型对象的轨迹数据；其中，所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系，所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据；

获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征；

采用卷积神经网络CNN算法，对所述轨迹图像特征进行运算，得到卷积特征；

采用长短时记忆网络LSTM算法，对所述时序特征进行运算，得到目标时序特征；

采用预设训练算法，对所述卷积特征和所述目标时序特征进行训练，得到行为识别模型；其中，所述行为类型包括徘徊行为、驻留行为和正常行为。

4.如权利要求1所述的方法，其特征在于，所述体征监测数据包括生命体征监测数据和睡眠监测数据；

所述行为类型包括徘徊、跟随、聚集、夜间游走、驻留中的至少一种行为类型。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

若预设的被监测对象的标识对应的空间标识与所述位置数据的空间标识不一致，则确定所述被监测对象的行为类型为进行入其他空间的行为类型。

6.如权利要求1所述的方法，其特征在于，根据所述位置信息和所述环境监测数据，确定所述被监测对象所在空间的空间使用信息，包括：

获取所述位置信息中每个时刻处于相同空间的被监测对象的对象标识数；

根据所述每个时刻存在对象标识数的空间和相应的环境监测数据，确定所述被监测对象所在空间的空间使用信息；其中，所述空间使用信息包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。

7.如权利要求1所述的方法，其特征在于，所述监测结果包括所述被监测对象的对象健康监测结果和所述被监测对象所在空间的空间环境监测结果；

生成所述被监测对象的监测结果之后，所述方法还包括：

向监测对象发送所述监测结果。