[发明专利]智能监控看护方法、系统和电子设备

权利要求书

1.一种智能监控看护方法，其特征在于，包括：

训练阶段，包括：

将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；

将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；

将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；

将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及

基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3×3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵；以及

推断阶段，包括：

将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；

将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；

将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及

将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。

2.根据权利要求1所述的智能监控看护方法，其中，将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵，包括：

将同一预定时间点采样获得的所述各项内因指标数据和所述各项外因指标数据按照样本维度排列为行向量，其中，在所述行向量中所述各项内因指标数据和所述各项外因指标数据被打散；以及

将各个预定时间点的所述行向量按照时间维度排列为所述输入矩阵。

3.根据权利要求2所述的智能监控看护方法，其中，将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，包括：

使用所述卷积神经网络的第一子结构的各层在层的正向传递中对输入数据进行基于第一卷积核的卷积处理、池化处理和激活处理以由所述第一子结构生成第一子特征图，其中，所述第一子结构的第一层的输入为所述输入矩阵；

使用所述卷积神经网络的第二子结构的各层在层的正向传递中对输入数据进行基于第二卷积核的卷积处理、池化处理和激活处理以由所述第二子结构的最后一层输出第二子特征图，其中，所述第二子结构的第一层的输入为所述第一子结构的第一层的输出；以及

使用所述卷积神经网络的特征融合模块将所述第一子特征图与所述第二子特征图进行相乘以获得所述解码特征图。

4.根据权利要求3所述的智能监控看护方法，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸，所述第一子结构的层数与所述第二子结构的层数之差为2。

5.根据权利要求4所述的智能监控看护方法，其中，将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值，包括：

将所述解码特征图通过所述解码器进行解码回归以获得解码值；以及

计算所述解码值与真实值之间的均方差作为所述解码损失函数值。