一种基于机器学习的老人安全状态智能评估方法和系统与流程

本发明涉及人工智能领域，具体涉及一种基于机器学习的老人安全状态智能评估方法和系统。

背景技术：

目前全球老龄化的问题日趋严重，老年人与年轻人比例的严重失衡，造成老年人的看护非常困难。在突发情况发生时，老人不能在第一时间被发现进行救治，导致严重的后果。此外，老年人受各种疾病困扰的可能性增大，严重威胁着老年人的身体健康。老人的安全得不到保障，使老年人的晚年生活质量大大降低。

当前对老年人的安全保护措施主要通过对老年人进行监测，以及时发现跌倒、煤气泄漏等意外情况，以为老人提供及时的救治。例如公开号为cn108354610a的发明专利申请公开了一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统，包括以下步骤：1)使用心电传感器采集具有跌倒应激反应以及正常情况下日常行为活动的心电样本数据；2)对样本数据进行预处理；3)提取样本的特征；4)用样本的特征训练分类器；5)实时采集三轴传感器和心电传感器的数据；6)实时预处理并计算三轴传感器的加速度变化速率以及峰值并判断是否超过阈值，如果超过就下一步判断，否则判定为未跌倒；7)提取心电传感器中缓存的前后各10秒的心电数据，经过预处理，提取特征，输入到已训练好的分类器，判断是否具有跌倒状态的心跳应激反应，如果存在判定为跌倒，否则未跌倒。

然而，现有的老人安全保障措施仅能在发生安全问题时进行检测，而不能全面评估老人的安全状态，并对老人的安全状态进行预测，以避免或预防安全问题的发生。

因此，如何实现对老人安全状态的全面评估并提供个性化的预防措施是本领域亟待解决的问题。

技术实现要素：

本发明的目的是针对现有技术的缺陷，提供了一种基于大数据的老人安全状态智能评估方法及系统。利用老人相关信息及环境信息，全面评估老人的安全状态。同时为不同安全状态的老人提供不同的需求服务，大大提高了老人的安全性及老年生活质量。

为了实现以上目的，本发明采用以下技术方案：

一种基于机器学习的老人安全状态智能评估方法，包括步骤：

步骤s1、采集老人信息、环境信息；

步骤s2、基于所述老人信息、环境信息构建特征向量；

步骤s3、通过已训练的机器学习分类模型评估老人的安全状态；

步骤s4、根据所述安全状态为老人推送需求建议。

进一步地，所述安全状态分为第一安全状态、第二安全状态、第三安全状态、第四安全状态，其中第一安全状态表明老人安全性最低，第四安全状态表明老人安全性最高。

进一步地，所述已训练的机器学习分类模型具体构建步骤为：

步骤s31、采集样本信息；

步骤s32、用所述样本信息训练字典并构造样本特征向量；

步骤s33、用所述样本特征向量训练机器学习分类模型。

进一步地，所述步骤s2具体为：

通过训练的字典d，采用omp算法求解以下公式，以构建出特征向量：

其中，y表示采集信息的向量，d为训练字典，x为需要构建的特征向量，t0为设置的阈值。

进一步地，所述步骤s4具体为：当老人处于第一安全状态时，帮老人呼叫救护车、打开排气扇排除燃气，为老人提供及时的帮助；

当老人处于第二安全状态时，提高老人各项指标的检测频率、为老人进行服药提醒；

当老人处于第三安全状态时，提醒老人更换燃气设备、推送疾病及药品相关知识、进行饮食推荐；

当老人处于第四安全状态时，设置关掉燃气阀门、锁好门窗等提醒，同时播放音乐、舞蹈教程。

进一步地，所述步骤s32为：

通过k-svd算法训练的字典d，采用omp算法求解以下公式：

其中，y‘表示采集样本信息的向量矩阵，d为训练字典，x’为需要构建的样本特征向量，t0为设置的阈值。

进一步地，所述老人信息包括基本信息、生活习惯、既往病史、家族史、心率、呼吸率、血氧、人体姿势，环境信息包括烟雾检测、煤气检测。

进一步地，所述机器学习分类模型包括rbf神经网络、朴素贝叶斯、随机森林、决策树。

进一步地，将评估后的数据信息及安全状态作为样本数据，进一步更新并调整模型的参数。

本发明还提出一种基于机器学习的老人安全状态智能评估系统，包括：

信息采集模块，用于采集老人信息、环境信息；

特征向量构建模块，用于基于所述老人信息、环境信息构建特征向量；

评估模块，用于通过已训练的机器学习分类模型评估老人的安全状态；

需求定制模块，用于根据所述安全状态为老人推送需求服务。

本发明提出的基于机器学习的老人安全状态智能评估方法和系统，与现有技术相比，具有如下有益效果：

首先，本发明通过机器学习分类模型，对老人的安全状态进行智能评估和预测，能够更智能地评估老人的安全状态。同时，通过将评估结果作为样本数据不断扩大样本集，提高评估的准确性；

其次，本发明除了采集老人生活习惯、既往病史、家族史等个人基本信息外，还会采集烟雾、煤气等环境信息，通过对可能与老人安全有关因素的全面采集，能够更全面、准确地评估老人的安全状态。

再次，本发明通过将老人的安全状态划分成四个等级，并针对老人的不同安全状态等级提供不同的需求服务。通过对老人安全状态的预测及不断推送的需求服务，能够最大程度地避免老人意外的发生。除了在发生意外时提供紧急救助外，还能预防意外。

最后，对于安全状态好的老人，本发明会提供多种娱乐推送服务，使老人在保障安全的前提下，能丰富业余生活，大大提高了老人的生活质量。

附图说明

图1是实施例一提供的一种基于大数据的老人安全状态智能评估方法流程图；

图2是实施例二提供的一种基于大数据的老人安全状态智能评估系统结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

实施例一

如图1所示，本实施例提出了一种基于机器学习的老人安全状态智能评估方法，包括：

步骤s1、采集老人信息、环境信息；

本发明为了全面评估老人的安全状态，需要采集老人的基本信息、生活习惯、既往病史、家族史等个人基本信息，同时，还需要通过传感器等进行心率、呼吸率、睡眠时的打前时长和翻身次数、体温、血氧、人体姿势等人体数据的检测。此外，老人的安全还与周围环境有很大的关联，可以通过红外检测入室盗窃，传感器进行烟雾检测、煤气检测。

步骤s2、基于所述老人信息、环境信息构建特征向量；

为了进行机器学习，需要将老人信息、环境信息转化为特征向量。本发明调用己训练的字典，通过正交匹配追踪(orthogonalmatchingpursuit，omp)算法构造特征向量。

具体地，通过训练的字典d，采用omp算法求解以下公式，以构建出特征向量：

其中，y表示采集信息的向量，d为训练字典，x为需要构建的特征向量，t0为设置的阈值。

步骤s3、通过已训练的机器学习分类模型评估老人的安全状态；

具体地，训练机器学习分类模型的具体步骤为：

步骤s31、采集样本信息；

为了训练机器学习分类模型，需要采集样本信息，样本信息包括了样本老人信息、环境信息及相应的安全状态。

本发明中，将安全状态划分为四个等级，其中，第一安全状态为老人处于最危险、紧急的安全状态，需要立刻采取相应的救助措施。例如，当检测到老人摔倒、煤气泄漏等情况下，需要立刻对老人进行救助，采取相应的补救措施。

第二安全状态为老人长期处于高危险因素下的安全状态，在第二安全状态下，老人突发意外的可能性较高。例如，老人患有高血压、心脏病等严重疾病。

第三安全状态为老人处于可能风险因素下或低危险因素下的安全状态，在第三安全状态下，如果不加以防范，可能会转化成第二安全状态。例如，老人爱饮酒或者爱吃油腻食物，患有脂肪肝等慢性疾病、煤气管道老化等情形。

第四安全状态为目前老人处于较为安全的状态，无论是身体潜在疾病的发生还是生活环境等，都处于较为理想的状态。在此种状态下，老人患病概率低、突发风险的概率也较低。

步骤s32、用所述样本信息训练字典并构造样本特征向量；

具体地，本发明采用k-svd算法，通过样本信息对字典进行训练，并通过omp算法构造样本特征向量。k-svd算法中，利用样本信息通过反复执行固定字典和更新字典进行优化，训练得到构造特征所需的字典，并采用omp算法求解出样本特征向量。

具体地，构建样本特征向量具体为：通过k-svd算法训练的字典d，采用omp算法求解以下公式：

其中，y‘表示采集样本信息的向量矩阵，d为训练字典，x’为需要构建的样本特征向量，t0为设置的阈值。

步骤s33、用所述样本特征向量训练机器学习分类模型。

具体地，本发明采用rbf神经网络进行训练，在训练过程中不断调整各参数。其中，rbf为：

其中，ri为第i个隐节点的输出，x为输入模式，ci为第i个隐节点高斯函数的中心，表示第i个隐节点的权矢量,为第i个隐节点的归一化参数，nr为隐层的节点数。

本发明不对机器学习分类模型进行限制，还可以采用朴素贝叶斯、随机森林、决策树等。

机器学习分类模型训练完成后，将构建的特征向量作为输入，具体的安全状态作为输出，完成安全状态的评估。

步骤s4、根据所述安全状态为老人推送需求建议。

本发明为老人的不同安全状态定制不同的个性化需求建议。具体为：

当老人处于第一安全状态时，表明老人情况危急，急需帮助，因此，可以通过帮老人呼叫救护车、打开排气扇排除燃气等方式，为老人提供及时的帮助。

当老人处于第二安全状态时，需要密切关注老人的各项身体指标、居住环境等，尽量避免意外的发生。因此，可以提高老人各项指标的检测频率、为老人进行服药提醒等。

当老人处于第三安全状态时，表明老人也存在一定的安全风险，因此，可以提醒老人更换燃气设备、推送疾病及药品相关知识、进行饮食推荐等。

当老人处于第四安全状态时，老人处于较好的身体及环境状态，因为可能老人的需求会更侧重于精神、娱乐方面，且安全相关主要以预防为主。因此，对于处于第四安全状态的老人，可以设置关掉燃气阀门、锁好门窗等提醒，同时播放音乐、舞蹈教程等，使老人长期处于较好的安全状态。

机器学习中，训练的样本越大，训练出的机器学习分类模型性能越好。因此，为了提高训练模型的性能，本发明将评估后的数据信息及安全状态作为样本数据，进一步更新并调整模型的参数。

实施例二

如图2所示，本实施例提出了一种基于机器学习的老人安全状态智能评估系统，包括：

信息采集模块，用于采集老人信息、环境信息；

本发明为了全面评估老人的安全状态，需要采集老人的基本信息、生活习惯、既往病史、家族史等个人基本信息，同时，还需要通过传感器等进行心率、呼吸率、睡眠时的打前时长和翻身次数、体温、血氧、人体姿势等人体数据的检测。此外，老人的安全还与周围环境有很大的关联，可以通过红外检测入室盗窃，传感器进行烟雾检测、煤气检测。

特征向量构建模块，用于基于所述老人信息、环境信息构建特征向量；

为了进行机器学习，需要将老人信息、环境信息转化为特征向量。本发明调用己训练的字典，通过omp算法构造特征向量。

评估模块，用于通过已训练的机器学习分类模型评估老人的安全状态；

具体地，训练机器学习分类模型的具体步骤为：

步骤s31、采集样本信息；

为了训练机器学习分类模型，需要采集样本信息，样本信息包括了样本老人信息、环境信息及相应的安全状态。

本发明中，将安全状态划分为四个等级，其中，第一安全状态为老人处于最危险、紧急的安全状态，需要立刻采取相应的救助措施。例如，当检测到老人摔倒、煤气泄漏等情况下，需要立刻对老人进行救助，采取相应的补救措施。

第二安全状态为老人长期处于高危险因素下的安全状态，在第二安全状态下，老人突发意外的可能性较高。例如，老人患有高血压、心脏病等严重疾病。

第三安全状态为老人处于可能风险因素下或低危险因素下的安全状态，在第三安全状态下，如果不加以防范，可能会转化成第二安全状态。例如，老人爱饮酒或者爱吃油腻食物，患有脂肪肝、煤气管道老化等情形。

第四安全状态为目前老人处于较为安全的状态，无论是身体潜在疾病的发生还是生活环境等，都处于较为理想的状态。在此种状态下，老人患病概率低、突发风险的概率也较低。

步骤s32、用所述样本信息训练字典并构造样本特征向量；

具体地，本发明采用k-svd算法，通过样本信息对字典进行训练，并通过omp算法构造样本特征向量。k-svd算法中，利用样本信息通过反复执行固定字典和更新字典进行优化，训练得到构造特征所需的字典，并采用omp算法求解出样本特征向量。

步骤s33、用所述样本特征向量训练机器学习分类模型。

具体地，本发明采用rbf神经网络进行训练，在训练过程中不断调整各参数。

机器学习分类模型训练完成后，将构建的特征向量作为输入，具体的安全状态作为输出，完成安全状态的评估。

需求定制模块，用于根据所述安全状态为老人推送需求服务。

本发明为老人的不同安全状态定制不同的个性化需求建议。具体为：

当老人处于第一安全状态时，表明老人情况危急，急需帮助，因此，可以通过帮老人呼叫救护车、打开排气扇排除燃气等方式，为老人提供及时的帮助。

当老人处于第二安全状态时，需要密切关注老人的各项身体指标、居住环境等，尽量避免意外的发生。因此，可以提高老人各项指标的检测频率、为老人进行服药提醒等。

当老人处于第三安全状态时，表明老人也存在一定的安全风险，因此，可以提醒老人更换燃气设备、推送疾病及药品相关知识、进行饮食推荐等。

当老人处于第四安全状态时，老人处于较好的身体及环境状态，因为可能老人的需求会更侧重于精神、娱乐方面，且安全相关主要以预防为主。因此，对于处于第四安全状态的老人，可以设置关掉燃气阀门、锁好门窗等提醒，同时播放音乐、舞蹈教程等，使老人长期处于较好的安全状态。

机器学习中，训练的样本越大，训练出的机器学习分类模型性能越好。因此，为了提高训练模型的性能，本发明将评估后的数据信息及安全状态作为样本数据，进一步更新并调整模型的参数。

由此可知，本发明基于大数据的老人安全状态智能评估方法和系统，能够全面、准确地评估老人的安全状态，同时为不同的老人状态推送相应的个性化需求服务，使老人在最大限度保障安全的情况下，提升老人的老年生活质量。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。