[发明专利]智能监控看护方法、系统和电子设备

说明书

本申请公开了一种智能监控看护方法、系统和电子设备，其通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。这样，能够准确有效地对老年人看护的安全异常数据进行智能预警。

技术领域

本申请涉及智能监控的领域，且更为具体地，涉及一种智能监控看护方法、系统和电子设备。

背景技术

我国正迈入老龄化阶段,独居老人日益增多,老年人看护成为社会关注的一个重要问题,建立老年人智能看护系统具有实际应用价值与社会效益。

目前，由于很多因素都会影响到老年人的健康看护，例如老年人室内环境参数、火灾信息、行为信息等，而仅单独依靠某一单一数据信息进行预警会导致安全预警的准确性和时效性难以保证。因此，为了准确有效地对安全的异常数据进行智能预警，以对看护的老年人的安全性进行保障，期望提供一种智能监控看护方案。

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智能监控看护方法、系统和电子设备，其通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。这样，能够准确有效地对老年人看护的安全异常数据进行智能预警。

根据本申请的一个方面，提供了一种智能监控看护方法，其包括：

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；