一种行为监测识别方法和交互反馈系统

1.本发明涉及智能监测技术领域，尤其涉及一种行为监测识别方法和交互反馈系统。


背景技术：

2.随着经济不断发展，人们生活水平逐渐提高，但人们睡眠质量却日益下降，因此人们对自身睡眠情况重视程度也在逐步提高。对睡眠过程中行为的监测可以直接反映出个人的睡眠状态，但市面缺乏相应的对睡眠过程中的行为记录与分析的设备。
3.另一方面，在医疗养护领域，如何实现对卧床病人进行全天候卧床行为监测，以加强对病人的看护，减少压疮等疾病产生，也是十分棘手的问题。
4.因此，研发一种卧床行为分析的方法和终端变得越来越迫切。


技术实现要素：

5.本发明旨在提供一种行为监测识别方法和交互反馈系统。本发明中，该行为监测识别方法中通过获取某个瞬时的压力数据，而后即可通过压力识别模型识别出该瞬时下用户的姿势。最后分析某连续时间段内的姿势变化频次和姿势的变化集中时间段，以及某一姿势的保持时间段以及保持时间总长，即可得到用户睡眠过程中的行为。该方法可用于对健康人群的睡眠状态监测以作为改善睡眠质量的参考。同时，该方法也可用于医疗养护领域，对卧床病人进行全天候卧床行为监测，以加强对病人的看护，以及作为优化调整治疗方案的参考。本发明中的交互反馈系统相当于一种智能床，其可智能记录和分析用户卧躺后的行为，以为改善睡眠质量的参考。
6.本发明采用的技术方案是：一种行为监测识别方法，所述方法包括以下步骤：步骤s1，建立压力识别模型；步骤s2，获取用户卧躺后t时刻的瞬时压力数据pr
t
，得到瞬时压力矩阵｛pr
t
｝；步骤s3，将所述瞬时压力矩阵｛pr
t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t
；所述瞬时姿势po
t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s4，获取用户连续下一t+t时刻的瞬时压力数据pr
t+t
，得到瞬时压力矩阵｛pr
t+t
｝；步骤s5，将所述瞬时压力矩阵｛pr
t+t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t+t
；所述瞬时姿势po
t+t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s6，重复所述步骤s2和所述步骤s3，得到连续下一t+nt时刻的瞬时压力数据pr
t+nt、
瞬时压力矩阵｛pr
t+nt
｝以及瞬时姿势po
t+nt
；所述瞬时姿势po
t+nt
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；
步骤s7，对连续的t时刻至t+nt时刻内，识别得到的所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬时姿势po
t+nt
进行分析，即可得到用户在nt时间段内，姿势的变化频率和姿势的变化集中时间段，以及某一具体姿势的保持时间段和保持时间总长，得到时长行为数据。
7.进一步地，所述方法还包括以下步骤：步骤s8，建立行为数据和行为模式之间的映射关系，所述行为模式包括深度睡眠、浅度睡眠、清醒和焦虑；步骤s9，调用所述时长行为数据，分析得到用户的具体行为。
8.进一步地，所述方法还包括以下步骤：步骤s10，在连续的t时刻至t+nt时刻内，对用户进行生理监测，得到生理数据；基于所述生理数据、所述时长行为数据以及所述映射关系，分析得到用户的具体行为。
9.进一步地，所述方法还包括以下步骤：步骤s11，基于所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
，分别形成压力中心位置点c
t
、压力中心位置点c
t+t
以及压力中心位置点c
t+nt
，所述压力中心位置点c
t
、所述压力中心位置点c
t+t
以及所述压力中心位置点c
t+nt
的连线构成运动轨迹，基于所述运动轨迹、所述时长行为数据以及床的边界尺寸，判断用户是否有跌落风险。
10.进一步地，所述步骤s11中，若判断用户有跌落风险，则发出示警信息。
11.进一步地，所述步骤s1中，建立压力识别模型的具体过程包括：步骤s101，识别不同用户卧床后不同姿势下的初始压力数据pr0；步骤s102，对初始压力数据pr0根据不同姿势进行分类；步骤s103，将分类后的初始压力数据pr0依据数据量按照预设比例分为训练集、测试集和验证集，送入卷积神经网络训练得到多个模型，保留识别精度最高的模型为压力识别模型。
12.进一步地，所述步骤s102中，对压力数据根据不同姿势进行分类前，先对初始压力数据pr0进行归一化处理；所述步骤s2至所述步骤s6中，在分别得到所述瞬时压力矩阵｛pr
t
｝、所述瞬时压力矩阵｛pr
t+t
｝以及所述瞬时压力矩阵｛pr
t+nt
｝前，先分别对所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
进行归一化处理。
13.交互反馈系统，所述系统包括：床本体；若干压力传感器，若干所述压力传感器设置在所述床本体上，用于采集在连续的t时刻、t+t时刻以及t+nt时刻，用户卧躺于所述床本体上的瞬时压力数据pr
t
、瞬时压力数据pr
t+t
以及瞬时压力数据pr
t+nt
；数据分析处理模块，所述数据分析处理模块内置时钟单元，并可构建或者调用压力识别模型；所述数据分析处理模块可分别对所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
分析处理形成压力矩阵｛pr
t
｝、压力矩阵｛pr
t+t
｝以及压力矩阵｛pr
t+nt
｝；同时，所述数据分析处理模块还可基于所述压力矩阵｛pr
t
｝、所述压力矩阵｛pr
t+t
｝以及所述压力矩阵｛pr
t+nt
｝，通过所述压力识别模型识别得到瞬时姿势po
t
、瞬时姿势
po
t+t
以及瞬时姿势po
t+nt
，所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬时姿势po
t+nt
分别为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；并且，所述数据分析处理模块对连续的t时刻至t+nt时刻内，识别得到的所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬时姿势po
t+nt
进行分析，即可得到用户在nt时间段内，姿势的变化频率和姿势的变化集中时间段，以及某一具体姿势的保持时间段和保持时间总长，得到时长行为数据；数据储存模块，所述数据储存模块用于储存所述压力识别模型、所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
、所述瞬时压力数据pr
t+nt
、压力矩阵｛pr
t
｝、压力矩阵｛pr
t+t
｝、压力矩阵｛pr
t+nt
｝、所述瞬时姿势po
t
、所述瞬时姿势po
t+t
、所述瞬时姿势po
t+nt
和所述时长行为数据；数据传输模块，所述数据传输模块与所述压力传感器、所述数据分析处理模块和所述数据储存模块连接，以实现有线通讯或者无线通讯。
14.进一步地，所述系统还包括：显示模块，所述显示模块用于显示用户行为判定结果，所述判定结果由所述数据分析处理模块调用行为数据和行为模式之间的映射关系，基于所述时长行为数据判定得到。
15.进一步地，所述系统还包括：生理监测模块，所述生理监测模块用于对用户进行生理监测，得到生理数据，并由所述数据分析处理模块基于所述生理数据、所述时长行为数据以及所述映射关系，分析得到用户的具体行为；和/或，示警模块，所述示警模块用于用户存在跌落风险时，进行示警；用户是否存在跌落风险的判定由所述数据分析处理模块对所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
分别处理得到压力中心位置点c
t
、压力中心位置点c
t+t
以及压力中心位置点c
t+nt
，然后将所述压力中心位置点c
t
、所述压力中心位置点c
t+t
以及所述压力中心位置点c
t+nt
的连线构成运动轨迹，并基于所述运动轨迹、所述时长行为数据以及床的边界尺寸判定得到。
16.本发明的有益效果是：为实现用户卧床过程中的行为记录与分析，本发明提供了一种行为监测识别方法和交互反馈系统。该行为监测识别方法包括以下步骤：步骤s1，建立压力识别模型；步骤s2，获取用户卧躺后t时刻的瞬时压力数据pr
t
，得到瞬时压力矩阵｛pr
t
｝；步骤s3，将所述瞬时压力矩阵｛pr
t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t
；所述瞬时姿势po
t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s4，获取用户连续下一t+t时刻的瞬时压力数据pr
t+t
，得到瞬时压力矩阵｛pr
t+t
｝；步骤s5，将所述瞬时压力矩阵｛pr
t+t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t+t
，所述瞬时姿势po
t+t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s6，重复所述步骤s2和所述步骤s3，得到连续下一t+nt时刻的瞬时压力数据pr
t+nt、
瞬时压力矩阵｛pr
t+nt
｝以及瞬时姿势po
t+nt
；所述瞬时姿势po
t+nt
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s7，对连续的t时刻至t+nt时刻内，识别得到的所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬
时姿势po
t+nt
进行分析，即可得到用户在nt时间段内，姿势的变化频率和姿势的变化集中时间段，以及某一具体姿势的保持时间段和保持时间总长，得到时长行为数据。该交互反馈系统包括床本体、压力传感器、数据分析处理模块、数据储存模块和数据传输模块。本发明中，行为监测识别方法通过获取某个瞬时的压力数据，而后即可通过压力识别模型识别出该瞬时下用户的姿势。最后分析某连续时间段内的姿势变化频次和姿势的变化集中时间段，以及某一姿势的保持时间段和保持时间总长，即可得到用户睡眠过程中的行为。该方法可用于医疗养护领域，对卧床病人进行全天候卧床行为监测，以加强对病人的看护，以及作为优化调整治疗方案的参考。该方法也可用于健康人群的睡眠状态监测以作为改善睡眠质量的参考。同时，本发明中的交互反馈系统相当于一种智能床，其可智能记录和分析用户卧躺后的行为，可实现用户行为监测识别，以为改善睡眠质量的参考。
附图说明
17.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或有现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技术的一些实施例，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。
18.图1为实施例1中，行为监测识别方法的流程示意图。
19.图2为实施例2中，交互反馈系统的逻辑组成示意图。
20.图3为实施例2中，测试流程示意图。
具体实施方式
21.在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
22.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
23.下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。
24.下面结合附图对发明的实施例进行详细说明。
25.一种行为监测识别方法，其实施流程如附图1中所示。所述方法包括以下步骤：步骤s1，建立压力识别模型。
26.步骤s2，获取用户卧躺后t时刻的瞬时压力数据pr
t
，得到瞬时压力矩阵｛pr
t
｝。
27.瞬时压力数据pr
t
可以采用压力薄膜传感器获得，每个压力薄膜传感器具有多个采集点，由此瞬时压力数据pr
t
的形式可以表示为：｛第一采集点压力，第二采集点压力，
······
，第n采集点压力，
····
，最
后一采集点压力｝。
28.通过数据分析处理模块将瞬时压力数据pr
t
转化成二维矩阵形式，如32*32矩阵、96*160矩阵。该矩阵形式可以根据使用需求自由确定。
29.步骤s3，将所述瞬时压力矩阵｛pr
t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t
；所述瞬时姿势po
t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种。
30.其中，正方向即为用户头部在床头位置，脚部在床尾位置。而反方向即为用户头部在床尾位置，脚部在床头位置。
31.压力识别模型接收瞬时压力矩阵｛pr
t
｝，通过卷积神经网络将压力矩阵映射成相应瞬时姿势，并将该瞬时姿势po
t
附加检测时间点保存于数据储存模块中。
32.步骤s4，获取用户连续下一t+t时刻的瞬时压力数据pr
t+t
，得到瞬时压力矩阵｛pr
t+t
｝。
33.步骤s5，将所述瞬时压力矩阵｛pr
t+t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t+t
；所述瞬时姿势po
t+t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种。
34.步骤s6，重复所述步骤s2和所述步骤s3，得到连续下一t+nt时刻的瞬时压力数据pr
t+nt、
瞬时压力矩阵｛pr
t+nt
｝以及瞬时姿势po
t+nt
；所述瞬时姿势po
t+nt
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种。
35.步骤s7，对连续的t时刻至t+nt时刻内，识别得到的所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬时姿势po
t+nt
进行分析，即可得到用户在nt时间段内，姿势的变化频率和姿势的变化集中时间段，以及某一具体姿势的保持时间段和保持时间总长，得到时长行为数据。
36.以上技术方案的技术效果是：为实现用户睡眠过程中的行为记录与分析，本实施例提供了一种行为监测识别方法和交互反馈系统。该行为监测识别方法包括以下步骤：步骤s1，建立压力识别模型；步骤s2，获取用户卧躺后t时刻的瞬时压力数据pr
t
，得到瞬时压力矩阵｛pr
t
｝；步骤s3，将所述瞬时压力矩阵｛pr
t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t
；所述瞬时姿势po
t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s4，获取用户连续下一t+t时刻的瞬时压力数据pr
t+t
，得到瞬时压力矩阵｛pr
t+t
｝；步骤s5，将所述瞬时压力矩阵｛pr
t+t
｝导入所述压力识别模型中，识别得到瞬时姿势po
t+t
；所述瞬时姿势po
t+t
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s6，重复所述步骤s2和所述步骤s3，得到连续下一t+nt时刻的瞬时压力数据pr
t+nt、
瞬时压力矩阵｛pr
t+nt
｝以及瞬时姿势po
t+nt
；所述瞬时姿势po
t+nt
为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种；步骤s7，对连续的t时刻至t+nt时刻内，识别得到的所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬时姿势po
t+nt
进行分析，即可得到用户在nt时间段内，姿势的变化频率，以及某一具体姿势的保持时间段和保持时间总长，得到时长行为数据。本实施例中，行为监测识别方法中通过获取某个瞬时的压力数据，而后即可通过压力识别模型识别出该瞬时下用户的姿势。最后分析某连续时间段内的姿势变化频次和姿势的变化集中时间段，以及某一姿势的保持时间段和保持时间总长，即可得到用户睡眠过程中的行为。
该方法可用于医疗养护领域，对卧床病人进行全天候卧床行为监测，以加强对病人的看护，以及作为优化调整治疗方案的参考。该方法也可用于健康人群的睡眠状态监测以作为改善睡眠质量的参考。
37.进一步地，本实施例中，所述方法还包括以下步骤：步骤s8，建立行为数据和行为模式之间的映射关系，所述行为模式包括深度睡眠、浅度睡眠、清醒和焦虑；步骤s9，调用所述时长行为数据，分析得到用户的具体行为。
38.映射关系例如：在采用的一定时间间隔内姿势（例如仰卧）变化次数为0，则定义该用户行为为深度睡眠；若相应时间内姿势变化次数多，单一姿势持续时间短，则定义该用户行为为焦虑。
39.进一步地，本实施例中，所述方法还包括以下步骤：步骤s10，在连续的t时刻至t+nt时刻内，对用户进行生理监测，得到生理数据；基于所述生理数据、所述时长行为数据以及所述映射关系，分析得到用户的具体行为。
40.其中，生理数据比如：血压、呼吸频率、体温等。本实例中通过用户的生理数据、行为数据与行为模式等多源数据联合标定用户状态，更可提高监测准确度。
41.比如，若相应时间内姿势变化次数多，单一姿势持续时间短，同时用户的心跳不规律，则定义该用户行为为焦虑。
42.进一步地，所述方法还包括以下步骤：步骤s11，基于所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
，分别形成压力中心位置点c
t
、压力中心位置点c
t+t
以及压力中心位置点c
t+nt
，所述压力中心位置点c
t
、所述压力中心位置点c
t+t
以及所述压力中心位置点c
t+nt
的连线构成运动轨迹，基于所述运动轨迹、所述时长行为数据以及床的边界尺寸，判断用户是否有跌落风险。
43.进一步地，所述步骤s11中，若判断用户有跌落风险，则发出示警信息。
44.进一步地，所述步骤s1中，建立压力识别模型的具体过程包括：步骤s101，识别不同用户卧床后不同姿势下的初始压力数据pr0；步骤s102，对初始压力数据pr0根据不同姿势进行分类；步骤s103，将分类后的初始压力数据pr0依据数据量按照预设比例比如8：1：1分为训练集、测试集和验证集，送入卷积神经网络训练得到多个模型；根据数据量设置最佳迭代次数，保留识别精度最高的模型为压力识别模型。
45.进一步地，所述步骤s102中，对压力数据根据不同姿势进行分类前，先对初始压力数据pr0进行归一化处理；所述步骤s2至所述步骤s6中，在分别得到所述瞬时压力矩阵｛pr
t
｝、所述瞬时压力矩阵｛pr
t+t
｝以及所述瞬时压力矩阵｛pr
t+nt
｝前，先分别对所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
进行归一化处理。
46.本实施例中，采用归一化处理时，先选获取采集点压力值中的最大值，将其设置为255，其他采集点压力值按同比例缩小，则压力统一到0~255范围。本实施例中，通过归一化处理，利于后期进行模式识别与演示。同时，本实施例中，将压力数据转化为图像数据，也消除了用户之间体重的差异带来的影响。
47.实施例2本实施例中提供一种交互反馈系统，如附图2所示。所述系统包括床本体100、压力传感器200、数据分析处理模块300、数据储存模块400和数据传输模块500。
48.具体的，床本体100，其由床架，床垫等组成。
49.若干压力传感器200，其设置在所述床本体100上，用于采集在连续的t时刻、t+t时刻以及t+nt时刻，用户卧躺于所述床本体上的瞬时压力数据pr
t
、瞬时压力数据pr
t+t
以及瞬时压力数据pr
t+nt
。该压力传感器200可以采用薄膜压力传感器，其尺寸根据床本体100的作出相应变化。同时，薄膜压力传感器可以安装在床垫的下方。
50.数据分析处理模块300，其内置时钟单元，并可构建或者调用压力识别模型，即为gpu终端。所述数据分析处理模块300可对所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
分析处理形成压力矩阵｛pr
t
｝、压力矩阵｛pr
t+t
｝以及压力矩阵｛pr
t+nt
｝。同时，所述数据分析处理模块300还分别可基于所述压力矩阵｛pr
t
｝、所述压力矩阵｛pr
t+t
｝以及所述压力矩阵｛pr
t+nt
｝，通过所述压力识别模型识别得到瞬时姿势po
t
、瞬时姿势po
t+t
和瞬时姿势po
t+nt
，所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬时姿势po
t+nt
分别为正方向下的左侧卧、右侧卧、仰卧、俯卧，以及反方向下的左侧卧、右侧卧、仰卧、俯卧中的一种。并且，所述据分析处理模块300对连续的t时刻至t+nt时刻内，识别得到的所述瞬时姿势po
t
、所述瞬时姿势po
t+t
以及所述瞬时姿势po
t+nt
进行分析，即可得到用户在nt时间段内，姿势的变化频率和姿势的变化集中时间段，以及某一具体姿势的保持时间段和保持时间总长，得到时长行为数据。
51.数据储存模块400，其用于储存所述压力识别模型、所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
、所述瞬时压力数据pr
t+nt
、压力矩阵｛pr
t
｝、压力矩阵｛pr
t+t
｝、压力矩阵｛pr
t+nt
｝、所述瞬时姿势po
t
、所述瞬时姿势po
t+t
、所述瞬时姿势po
t+nt
和所述时长行为数据。
52.数据传输模块500，其与所述压力传感器200、所述数据分析处理模块300和所述数据储存模块400连接，以实现有线通讯或者无线通讯。
53.以上技术方案的有益效果是：本实施例中提供一种交互反馈系统，相当于一种智能床。所述系统包括床本体、压力传感器、数据分析处理模块、数据储存模块和数据传输模块。本实施例中交互反馈系统，通过获取某个瞬时的压力数据，而后即可通过压力识别模型识别出该瞬时下用户的姿势。最后分析某连续时间段内的姿势变化频次和姿势的变化集中时间段，以及某一姿势的保持时间段和保持时间总长，即可得到用户睡眠过程中的行为，以此可用于对健康人群的睡眠监测以作为改善睡眠质量的参考。同时，该交互反馈系统也可用于医疗养护领域，对卧床病人进行全天候卧床行为监测，以加强对病人的看护，以及作为优化调整治疗方案的参考。
54.进一步地，本实施例中，所述系统还包括：显示模块600，其用于显示用户行为判定结果，即实现交互反馈系统可进行相应的识别和演示。所述判定结果由所述数据分析处理模块300调用行为数据和行为模式之间的映射关系，基于所述时长行为数据判定得到。
55.进一步地，本实施例中，所述系统还包括：生理监测模块700，其用于对用户进行生理监测，得到生理数据，并由所述数据分析处理模块300基于所述生理数据、所述时长行为数据以及所述映射关系，分析得到用户的
具体行为。生理监测模块700可以是心电监护仪、血压血氧监护仪、氨气传感器和湿度传感器等中的一种或者多种组合。
56.比如，氨气传感器和湿度传感器来测量使用者二便状态，血压、血氧、心率和体温传感器测量使用者基本生理参数，进而结合使用者各项数据建立个人健康档案，记录养护过程。进一步的，可以形成一种快速制定养护方案的方法，在有新的使用者时，可以根据积累的个人健康档案调取相似度最高的案例，以此辅助医师/护理师进行诊断决策。
57.和/或，示警模块800，其用于用户存在跌落风险时，进行示警。用户是否存在跌落风险的判定由所述数据分析处理模块300对所述瞬时压力数据pr
t
、所述瞬时压力数据pr
t+t
以及所述瞬时压力数据pr
t+nt
，分别处理得到压力中心位置点c
t
、压力中心位置点c
t+t
以及压力中心位置点c
t+nt
，然后将所述压力中心位置点c
t
、所述压力中心位置点c
t+t
以及所述压力中心位置点c
t+nt
的连线构成运动轨迹，并基于所述运动轨迹、所述时长行为数据以及床的边界尺寸判定得到。示警模块800可以蜂鸣器、报警灯等。
58.下面以一个具体的示例来说明，测试流程如附图3所示。
59.测试人员在测试时间内按照正向平躺、右侧身躺、左侧身躺、起身坐起、在两个姿态交换间的瞬时状态等五个阶段的姿势变化顺序在交互反馈系统上进行测试，每种姿势均保持一分钟，实验设备记录测试人员基于时间序列下的每一个压力采集周期的姿势。为方便计算实验结果，将上文定义的其中姿势赋予简单代号：平躺、左躺、右躺、坐起、瞬时状态，按照顺序分别定义为1、2、3、4、#。
60.监测姿势保持时间和记录姿势更改频率的测试中，所记录的基于时间序列的姿势数据转化成了基于时间的数字代号序列（目的是为了更好的书面表达）。每组数列代表的是某位测试人员在某次测试的测试时间内的姿势变化情况：数字的更改即为姿势发生改变，数字的重复即为姿势依旧在保持。姿势更改频率可以由数字变化次数得出；姿势保持时间可由数字连续次数乘以采样频率进行确定，姿势更改频率记录如下表1所示。其中英文字母代表不同测试人员，表中一至十为测试次数，*号表示该测试人员为被护理的病人。
61.表1 行为实验结果
ꢀꢀꢀꢀꢀꢀꢀꢀ
abcde*一1-3-1-2-11-3-1-2-11-3-1-2-11-3-1-2-11-3-1-2-1二1-2-1-1-1-1-1-1-1-1-1-1-11-3-1-2-1-11-3-1-2-1-11-4-1-2-1-2-1-11-3-1-2-1-2三1-3-1-2-1-11-2-1-31-3-1-2-1-31-3-1-2-1-41-3-1-2-1-1四1-3-1-2-1-11-3-1-2-1-61-3-1-2-1-31-3-1-2-1-41-3-1-2-1-1五1-3-1-2-1-11-3-1-2-1-61-3-1-2-1-31-2-1-1-1-41-3-1-2-1-3六1-3-1-2-1-11-3-1-6-1-2-1-1-1-1-1-11-3-1-2-1-31-1-1-3-1-21-1-1-1-1-1-1-1-1-#-1-1-1-1-1-#-1-1-1-1-1七1-3-1-2-1-41-3-1-2-1-11-3-1-2-1-41-3-5-1-4-1-31-3-1-2-1-3八1-3-1-2-1-41-3-1-2-1-11-3-1-2-1-11-3-1-2-1-61-3-1-2-1-1九1-3-1-2-1-41-3-1-2-1-11-3-1-2-1-15-1-2-1-61-3-1-2-1-1十1-3-1-2-1-41-3-1-2-1-11-3-1-2-1-11-3-1-2-1-61-3-1-4
以a（一）为例，其姿势为1-3-1-2-1，则表示在测试时间内，a测试员第一次测试时，姿势先由平躺，变为右躺，又变为平躺，继续变为左侧躺，最后以平躺姿势结束测试。可以判定该测试人员在第一次测试时，姿势变化较多，结合当前时间（晚上23:58分），则可推断出测试者在行为上辗转反侧，在此时难以入睡，可能存在焦虑现象。
62.以a（二）为例，其姿势为1-2-1-1-1-1-1-1-1-1-1-1-1，则表示在测试时间内，a测试员在第二次测试时，姿势先由平躺，转向了左侧躺，最后又进入平躺，并持续相当长的时间，且以平躺姿势结束测试。可以判定该测试人员在进行第二次测试时，姿势变化较少，结
合当前时间，可以推断出测试者在行为上较为平静，身体状态较为良好，能够及时入睡。
63.以e*（六）为例，其姿势为1-1-1-1-1-1-1-1-1-#-1-1-1-1-1-#-1-1-1-1-1，则表示在e测试员进行测试时，姿势先经历了长时间的平躺，进而存在两次瞬时状态，最后又以平躺姿态结束测试。可以判定该测试员一直处于平躺的状态，但中间有两次想要翻身的行为，但是最终翻身失败。
64.此外，还可以监控使用者单个姿势的保持时间，根据设定阈值（比如2个小时），进行卧床人员的行为判定，若两个小时内使用者都没有姿势变化的行为，则需提醒看护人员，该使用者需要借助外力进行翻身，防止压疮的产生。