一种基于自学习算法的预警系统及移动终端的制作方法
【技术领域】
[0001] 本发明设及智能预警应用领域，尤其设及一种基于自学习算法的预警系统及移动 终端。
【背景技术】
[0002] 阿尔茨海默病(AD)是一种起病隐匿的进行性发展的神经系统退行性疾病。临床上 W记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍W及人格和行为改变等全面 性痴呆表现为特征。目前社会中存在年轻人无暇顾家而忽略家里有上了年纪且具有痴呆风 险的老人的现象，而一旦对老人的痴呆预警工作不加 W重视的话，极有可能会造成老人丢 失甚至造成生命危险的严重后果，并且错失及时给老人治疗的黄金时间。
[0003] 现有技术中不存在对老年痴呆进行预警的装置或者方法，不能很好地预防患有老 年痴呆风险的老人病情突患而失去认知能力和执行能力，也不能很好地保护老人在第一时 间了解自身痴呆病情W作出及时有效的抵御，让年轻人在第一时间关注具有痴呆风险的老 人并保护老人不受人身伤害。
【发明内容】
[0004] 为克服现有技术的不足，本发明的目的是:提供一种具有基于自学习算法的预警 系统的移动终端，具有便于携带、重量轻、体积小、成本低等优点，适用于存在潜在痴呆风险 的老年人群。
[000引为了解决【背景技术】中的技术问题，本发明提供了一种基于自学习算法的预警系 统，包括W下模块：
[0006] 数据采集模块，用于采集预警对象的行为数据；
[0007] 自学习模块，用于将所述数据采集模块采集的数据作训练处理，输出训练结果；
[0008] 预警模块，用于根据所述训练结果，确定预警范围，判断预警对象的行为数据是否 超出所述预警范围。
[0009 ]进一步地，所述自学习模块包括W下模块：
[0010]数据预处理模块，用于对所采集的数据通过预处理操作得到训练集数据；
[0011 ]预测模块，用于得到所述训练集数据的最优状态序列及状态预测序列；
[001引预测值输出模块，用于根据概率密度函数计算出状态预测序列的观测值序列，并 输出训练结果。
[0013] 优选地，所述预测模块包括Hmm预测模块和Markov链加权预测模块。
[0014] 具体地，所述Hmm预测模块为隐马尔可夫模型HMM，所述HMM模型为五元组（Ωχ, Ω〇， A，B，3i)，其中，Ωχ为状态有限集合，Ω ο为观察值的有限集合，A为转移概率，Β为输出概率，31 为初始状态分布，令λ = {A，Β，31}为给定ΗΜΜ模型的参数，σ = {〇1，……，化}为观察值序列，
[0015] 所述Hmm预测模块用于计算给定模型的某个观测值序列的概率ρ(〇| λ)，用于计算 给定模型和观察值序列的可能性最大的状态序列，及用于对给定的一个观察值序列，调整 参数λ，使得观察值出现的概率P( ο I λ)最大。
[0016] 进一步地，所述预测值输出模块包括最大概率自回归预测模型，定义如下：
其中α和0i(i = l，2,……，m)为HMM对应的回归系数，P为模型 阶数，ε是方差为σ2的零均值随机扰动项。
[0017] 具体地，所述Markov链加权预测模块用于对所得预测时刻的状态概率分布，利用 公式A
胃^ i ^ N对同一状态的个预测概率分布进行加权，作为时 亥Ijt的预测概率，其中K为最大阶数，rk为k(l含k含K)阶相关系数，t为预测时刻，
1 < k < K，为各阶自相关系数规范化的权重。
[001引优选地，所述最大概率自回归预测模型中，令S={si，l，2,……，N}为HMM模型的N 状态空间，记任一时刻t时系统所处的状态为qt，所述qt属于S，bi(X)、b2(X)、……、扣(X)分别 对应N个状态的观测值概率分布，且B = {bj (X)，j = 1，2，……，N}满足心b/X) dX=1，其中， Ω j表示第j状态的观察概率空间。
[0019] 进一步地，所述HMM模型包括隐藏层和可观测层，
[0020] 所述隐藏层为由Markov链构成的有限状态机，其中，Si为正常态，S2为系统性能退 化的中间态，S3为故障态，每个状态均具有状态转移概率，对于一个N状态系统，可由初始概 率分布矢量n=(3ii)i*N和一个aijN阶转移矩阵A来描述，其中3ii = P(qi = Si)，i = l，2,……，N; aij = P(qt+i = Si |qt = sj)，i，j = l，2,......，N，分别用来描述系统在初始时刻出于各状态的概 率分布和系统各状态之间的转移概率，所述隐藏层输出Markov链状态序列；
[0021] 所述可观测层为一个随机过程，Ci、C2、C3为输出的预测元，所述可观测层输出一组 用于识别和预测的时间序列，所述时间序列的输出由观测概率分布密度B来描述。
[0022] 具体地，所述数据采集模块为GI^数据采集装置，所述采集预警对象的行为数据为 GPS数据采集装置采集的预警对象的路径信息。
[0023] 本发明还提供了一种移动终端，包括如上所述的基于自学习算法的预警系统。
[0024] 本发明提出的基于自学习算法的预警系统具有W下优点：
[0025] ①迎合了现阶段社会中因年轻人多忙于外出打工赚钱无暇顾及独居老人而时常 造成老人因逐渐痴呆而走失走丢的普遍现象，提出一种基于自学习算法的手机端老人痴呆 预警系统，实用性强，既减小了忙碌年轻人的家庭忧屯、负担，又减小了老人因逐渐痴呆而走 失走丢的风险；
[0026] ②因老人大都年迈无力，故需选择体积小、重量轻的设备；因需记录路径，故应携 带GPS装置；因目的是针对老人痴呆的预警、减小老人独自外出走丢的风险，故所需设备需 便携移动，本发明中所采用的智能手机使上述问题迎刃而解；
[0027] ③针对本发明需要，所采用算法必须具备很好的自学习能力，而本发明中所采用 的隐马尔可夫模型很好得适应了运种需求，使实现效果比较理想，满足了人们对算法精确 度的需求。
【附图说明】
[0028] 为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要 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发明的一些实施例，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W根据运些附图获得其 它附图。
[0029] 图1为本发明实施例提供的基于自学习算法的预警系统的框图；
[0030] 图2为预测模型的隐马尔可夫结构示意图；
[0031 ]图3为数据采集的作业流程图。
【具体实施方式】
[0032] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其 他实施例，都属于本发明保护的范围。
[0033] 实施例1:图1是本发明实施例提供的基于自学习算法的预警系统的框图，从图中 可W看出，本实施例提供的基于自学习算法的预警系统包括数据采集模块，用于采集预警 对象的行为数据；自学习模块，用于将所述数据采集模块采集的数据作训练处理，输出训练 结果；W及预警模块，用于根据所述训练结果，确定预警范围，判断预警对象的行为数据是 否超出所述预警范围，若超出，则判定所述预警对象存在风险并对其进行预警操作，具体分 为，所述数据采集模块中的移动模块10UGPS数据采集模块102,自学习模块中的数据预处 理模块103、Hmm预测模型104、最优状态序列生成模块105、Markov链加权预测模块106、最大 概率自回归预测模型107和预测值输出模块108,预警模块中判断预警模块109。
[0034] 所述数据采集模块包括移动模块101和GPS数据采集模块102,主要负责在人体移 动过程中的原始数据收集，移动模块101将人体作为已预置既定算法的手机端移动源，装置 佩戴在人身上，其移动是通过老人的行走完成的;GPS数据采集模块102在老人携带设备行 走期间，利用预置在手机中的GPS定位系统采集行走过程中的相关数据，并将其作为后续模 块的原始数据。
[0035] 所述自学习模块，首先在数据预处理模块对所采集的原始数据通过预处理操作作 为训练集，W用于Hmm预测模型得出最优状态序列，进行Markov链加权预测之后获得状态预 测序列，再由观察值的概率密度函数计算出观测值序列，从而得到训练结果，自学习模块中 的"学习"指机器学习中的学习，可定义如下:对于某类任务T和性能度量P，如果一个计算机 程序在T上WP衡量的性能随着经验E而自我完善，那么我们称运个计算机程序在从经验E中 学习，自学习模块主要通过机器学习中隐马尔可夫化MM)原理对仪器经过路程通过一段时 间的自学习来确定常走路线（即预警范围），W是否经常走出范围回不到家作为判断有无痴 呆风险的依据，具体如下：
[0036] 数据预处理模块103主要采用基线向量解算方法，经处理后得到的数据矩阵可适 用于后续模块。
[0037] 血m预测模块104中的马尔可夫模型是数学中具有马尔可夫性质的离散时间随机 过程，是用于描述随机过程统计特征的概率模型，一个隐马尔可夫模型化MM)是一个五元 组：（0、，0〇,4,8,31)，其中0、为状态有限集合，0〇为观察值的有限集合，4为转移概率，8为 输出概率，31为初始状态分布。若令λ = {A，B，31}为给定HMM的参数，σ = {〇1，……，Οτ}为观察值 序列，则本模块主要解决的问题有Ξ个：（1)评估问题:对于给定模型，求某个观测值序列的 概率ρ(ο I λ)，（2)解码问题:对于给定模型和观察值序列，求可能性最大的状态序列;学习问 题:对于给定的一个观察值序列，调整参数λ，使得观察值出现的概率ρ(〇|λ)最大，所述Hmm 预测模块104的结果为后续最优状态序列生成模块105和Markov链加权预测模块106做准 备。
[0038] 所述最优状态序列生成模块105训练过程中要得到的数据类型要根据变化依情况 而定，要得到连续输出模型(输出矩阵变为某种概率分布)还是多阶转移矩阵要明确，W确 定并生成最优状态序列。
[0039] Markov链加权预测模块106利用相关的多步长转移概率作出的加权概率分布对系 统状态进行预测，各阶（各个步长）自相关系数反映了不同步长的时间序列相关关系的强 弱，具体公式如下：
1 y如，其中K为最大阶数，rk为k(l非< K)阶相关系数，t为预测时刻，