一种生活规律异常的检测方法
【专利摘要】本发明涉及一种生活规律异常的检测方法，该方法采集正常的训练数据，并根据训练数据获取各种类型数据的取值范围，然后通过服务器随机产生各类位于取值范围内数据以形成随机向量。然后再通过计算训练数据与随机向量的欧氏距离，并获取欧式距离的最大和最小值，进而产生检测器，再利用检测器检测采集的新数据是否异常，进而判断监测人的生活规律是否出现异常。该生活规律异常的检测方法能够更宏观、更全面的监测使用者的生活规律异常情况，尤其适合生活规律性强的老年人使用。该生活规律异常的检测方法无需使用视频监控技术，既提高了监测的实时有效性，还减少了设备成本。
【专利说明】
一种生活规律异常的检测方法
技术领域
[0001]本发明涉及一种计算机辅助系统技术领域，尤其涉及一种用于老人生活规律异常情况的检测方法。【背景技术】
[0002]当今中国进入了人口老龄化社会，随着社会老龄化的进程，对老人的照顾问题已经成为亟待解决的社会问题。由于老年人生活较有规律，当偏离生活规律时，则往往存在身体不舒服或其他意外情况。此时有必要提醒其亲人给以必要的关怀，避免情况恶化。
[0003]现有各种老年人关怀系统解决方案中，有基于视频监控或无线传感网的方案，如授权公告号为CN204990604(申请号为201520616749.9)的中国实用新型专利《家庭安防和居家养老监控报警系统》，其中公开的技术方案即使用了视频监控设备、健康数据监测设备、安防监测设备、智能网关和客户终端等，该系统在发现异常情况时，能够自动进行报警。 但是这种类型的方案存在布局繁琐、成本高等特点，很难普及使用。还有基于穿戴设备的方案，如授权公告号为CN205031234(申请号为201520692943.5)的中国实用新型专利《一种用于老人的可测体温的智能心率手环》，其中公开的手环中内置有脉搏检测传感器、温度传感器，能够对老人心率和体温的异常情况进行报警。这种类型的方案中由于安装传感器的限制，功能相对单一，对异常情况的全面监测效果不够理想。
【发明内容】
[0004]本发明所要解决的技术问题是针对上述现有技术提供一种能够全面、准确的实现对老人异常情况的监测且成本低的生活规律异常的检测方法。
[0005]本发明解决上述问题所采用的技术方案为:一种生活规律异常的检测方法，其特征在于包括如下步骤:
[0006](1)、进行训练数据采集，即采集时间数据，同时采集监测人的位置数据、活动类型分类数据、运动参数、体征参数，进而形成训练数据组TR=[T，L，C，S，B]，然后对训练数据进行标记以供使用；
[0007]其中，T为时间数据，丁=[1'1，1'2，1'3，‘"，1^]，其中1为自然数；
[0008]L为监测人的位置数据，LzaiLs;，…，U]，其中i为自然数；
[0009] C为活动类型分类数据，…，Q]，其中i为自然数；
[0010]S为运动参数，SzESiSlSs，…，Si]，其中i为自然数；
[0011]B为体征参数，B = [ Bi，B2，B3，…，Bi ]，其中i为自然数；[〇〇12]则训练数据组中的各训练向量可以表示为TRa = [Ta，La，Ca，Sa，Ba]，其中a为自然数，Ka<i;[〇〇13](2)、将训练数据组传送至服务器内并存储在数据库中；
[0014](3)、计算训练数据组中各个维度数据的最大值和最小值，以形成各维数据的范围数据组 TL={TE，LE，CE，SE，BE};
[0015]其中，TE为时间数据的取值范围，TE^MAXtm，!^，…，TiLMINtThThTs，…， Til)；
[0016]LE为检测人的位置数据的取值范围，LE = (MAX [ U，L2，L3，…，Li ]，MIN[ U，L2，L3,…，Li]);[〇〇17]CE为活动类型分类数据的取值范围，CE^MAXtChChCv'CiLMINtChC%C3,…，Ci]);
[0018]SE 为运动参数的取值范围，SE^MAXtShSiSs，…，SiLMINtSiShSs，…，Si]);
[0019]BE为体征参数的取值范围，BE = (MAX[Bi，B2，B3，…，Bi ]，MIN[Bi，B2，B3，…，Bi ]);
[0020](4)、服务器接收设备采集的新数据，进而构成监测人的新状态数据组N=[Tn，Ln， &々，]，其中1^为新采集的时间数据，1^为新采集的位置数据，&为新采集的活动类型的分类数据，SN为新采集的运动参数，Bn新采集的体征参数；
[0021]^、服务器自动产生一个随机向量尺二⑴上力力义丄其中父^了已上^!^^ GCE,X4GSE,X5GBE；
[0022](6)、计算训练数据组TR中各训练向量TRa与随机向量R之间的欧式距离，进而获取第一欧式距离数组EDR= [EDRi，EDR2，EDR3，…，EDRi]，获取第一欧式距离数组EDR中的最大距离值selfmax和最小距离值selfmin;
[0023](7)、生成一个检测器D，所述检测器对应的数据包D= {R, selfmax，selfmin，LA}， 将检测器D加入到检测器集合Detectors中；[〇〇24]其中，LA表示检测器D对应的生命周期值，LA的初始值为2*单位增加量LAo;
[0025](8)、判断检测器集合Detectors中是否具有指定数量j个检测器；
[0026]如果否，则循环进行步骤(4)至步骤(7)，直至产生指定数量j个检测器，检测器集合Detectors = [Di，D2，D3,…，Db,…，Dj]，其中b、j为自然数，Kb彡 j;
[0027]Db= {Rb,selfmaxb,selfminb,LAb}；[〇〇28]Rb表示检测器Db的数据包中对应的随机向量；[〇〇29]Se lfmaa表示随机向量Rb与各训练向量间的欧式距离的最大值；[〇〇3〇]Selfminb表示随机向量Rb与各训练向量间的欧式距离的最小值；
[0031]LAb表示检测器Db对应的生命周期值；[〇〇32]如果是，则执行步骤(9);[0〇33](9)、在检测器集合Detectors中选择一个检测器Db，Kb彡j，计算最新采集的新状态数据组N= [ Tn，Ln，CN，SN，Bn]与检测器Db中随机向量Rb之间的欧式距离EDb，分别比较EDb 与检测器Db中Selfmaxb的大小，以及EDb与检测器Db中Selfminb的大小；[〇〇34](10)、如果EDb>Selfmaxb，或者EDb<Selfminb，则表示检测器Db检测到监测人的生活规律出现异常，相应的服务器向客户端发出报警，并返回步骤(4)，同时LAb的值更新为LAb +LAo ；[OO35]如果Selfminb<EDb<Selfmaxb，则表示检测器Db检测的结果为监测人的生活规律处于正常范围，然后返回步骤(9)进行循环检测；[〇〇36](11)、如果检测器集合Detectors中所有的检测器都不能检测到监测人的生活规律异常的情况，则将检测器集合Detectors中所有的检测器对应的生命周期值减去LAo,此时，生命周期值为〇的检测器则检测器集合Detectors中剔除；
[0037](I2)、返回步骤(4)。
[0038]为了优化检测结果，所述检测器的数据包中还包括检测器的接近程度值J，即检测器数据包D= {R，selfmax，selfmin，LA，J}，J的初始值为设定的整数值Jo;相应地，检测器集合Detectors中Db = {Rb，seIfmaxb，selfminb，LAb，Jb}，Jb表示检测器Db对应的接近程度值；
[0039]任一检测器 Db(l 彡 b彡 j)的接近程度值 Jb=MIN[selfmaxb-EDb，EDb-selfmin];
[0040]建立父代优势检测器集合?3代]^8 = [〇1，〇2,〇3，."，0111，."，011]，111、11为自然数，1彡111 父代优势检测器集合Parents的初始集合为初始形成的检测器集合Detectors;
[0041]在步骤(11)中，当检测器集合Detectors中所有的检测器都不能检测到监测人的生活规律异常的情况时，还增加设置有优化的检测方法，所述优化的检测方法包括如下步骤:
[0042](11.1)、自父代优势检测器集合Parents中取接近程度值最小的一检测器Dm，对检测器Dm中的随机向量Rm= [Xlm，X2m，X3m，X*，X5m，]中的随机一维值进行改变以获取新的随机向量RNm = [XNlm，XN2m，XN3m，XN4m，XN5m，]，得到一个临时的检测器CD = {RNm，se 1 fmaxm，S6lfininm, LAm , Jm}；
[0043]其中 Xlm G TE，X2m G LE，X3m G CE，X4m G SE，X5m G BE;
[0044]XNlm G TE，XN2m G LE，XN3m G CE，XN4m G SE，XN5m G BE;
[0045]循环进行该步骤从而繁殖产生j个临时检测器，该j个临时检测器存储在临时检测器集合Childen中；
[0046](11.2)、自临时检测器集合Childen中取出一个临时检测器⑶⑶c中对应的随机向量为RNmc，其中c为自然数，l?j;[〇〇47](11.3)、计算训练数据组TR中各训练向量TRa与随机向量RNmc之间的欧式距离，进而获取第二欧式距离数组EDC= [ED&，EDC2，EDC3，…，EDCi]，获取第二欧式距离数组DR中的最大距离值c-selfmax和最小距离值c-selfmin;[〇〇48](11.4)、生成一个新代检测器ND，该新代检测器对应的数据包觀={1?‘。，(3-se 1 fmax，c-se 1 fmin，NLA，NJ}，其中NLA表示新代检测器ND对应的生命周期值，NLA的初始值为2*单位增加量LA〇，NJ表示新代检测器的接近程度值，NJ的初始值为设定的整数值Jo; [〇〇49]将新代检测器ND加入到新代检测器集合NewDetectors;[〇〇5〇](11.5)、循环步骤(11.2)至(11.4)直至历遍检测器集合Childen所有的临时检测器，则如《06七6(31:(^8 = [〇1，〇2,〇3，."，〇〇1，."，〇」]，其中(1为自然数，1<(1<」；[0051 ] Dd= {RNmcd，c-selfmaxd，c-selfmind，NLAd，NJd};[〇〇52]RNmcd表示新代检测器Dd的数据包中对应的随机向量；[〇〇53]c-selfmaxd表示随机向量RNmcd与各训练向量间的欧式距离的最大值；[〇〇54]c-selfmind表示随机向量RNmcd与各训练向量间的欧式距离的最小值；[〇〇55]NLAd表示新代检测器Dd对应的生命周期值；[〇〇56]NJd表示新代检测器Dd的接近程度值；[〇〇57](11 ? 6)、自新代检测器集合NewDetectors中取一个新代检测器NDd，其中d为自然数，1彡d彡j，计算最新采集的新状态数据组N= [Tn，Ln，CN，SN，Bn]与新代检测器NDd中随机向量RNmcd之间的欧式距离NEDd，分别比较NEDd与检测器NDd中c-se 1 fmaxd的大小，以及NEDd与检测器Db中c-selfmind的大小；
[0058](11.7)、如果呢0<]>(3-861；1^^(]，或者呢0(]<(3-861；1^1；[11(]，则表示新代检测器冊(]检测到监测人的生活规律出现异常，把NDd加入检测器集合Detectors，相应的服务器向客户端发出报警，并执行步骤(12)，同时NLAd的值更新为NLAd+LAo;
[0059]如果〇-861:1；'111；[11〇^呢0〇^〇-861；1；'1]^1〇1，则表示新代检测器勵〇1检测的结果为监测人的生活规律处于正常范围，然后返回步骤(11.6)进行循环检测；
[0060]同时计算新代检测器NDd相应的接近程度值NJd，NJd = MIN[c-selfmaxd-NEDd，NEDd-c-selfmind]；[〇〇61] (11.8)、如果新代检测器集合如細的6(^〇^中所有的检测器都不能检测到监测人的生活规律异常的情况，则从新代检测器集合NewDetectors和父代优势检测器集合 Parents的所有检测器中取出接近程度值最小的前j个检测器，作为新的父代优势检测器集合Parents，清空新代检测器集合NewDetectors中所有的检测器；
[0062]返回步骤(11.1)，循环检测Count次，Count为优化的检测方法的设定循环检测次数，如果仍然未检测到监测人的生活规律异常情况，则可识别为监测人的生活规律正常，然后执行步骤(12)。[〇〇63]优选地，所述时间数据包括日期、时、分数据。
[0064]优选地，所述位置数据包括室内位置数据和室外位置数据；[〇〇65]通过室内WiFi定位方法采集室内位置数据，通过GPS定位方法采集室外位置数据。
[0066]优选地，:所述运动参数包括运动方向数据和运动速度数据，所述活动类型分类数据包括静止、走、跑、驾驶的分类数据。
[0067]优选地，所述体征参数包括血氧饱和度数据、脉搏数据、体温数据。
[0068]与现有技术相比，本发明的优点在于:该生活规律异常的检测方法能够更宏观、更全面的监测使用者的生活规律异常情况，尤其适合生活规律性强的老年人使用。该生活规律异常的检测方法无需使用视频监控技术，既提高了监测的实时有效性，还减少了设备成本。【附图说明】
[0069]图1为本发明实施例中生活规律异常的检测方法的流程图。【具体实施方式】
[0070]以下结合附图实施例对本发明作进一步详细描述。
[0071]如图1所示，本实施例中的生活规律异常的检测方法，包括如下步骤:
[0072](1)、进行训练数据采集，即采集时间数据，同时采集监测人的位置数据、活动类型分类数据、运动参数、体征参数，进而形成训练数据组TR=[T，L，C，S，B]，然后对训练数据进行标记以供使用；
[0073]其中，T为时间数据，1=[1'1，1'2，1'3，‘"，1\]，其中1为自然数；[〇〇74]L为监测人的位置数据，1^=[1^丄2丄3,…，U]，其中i为自然数；
[0075]C为活动类型分类数据，C=[&，C2，C3,…，G]，其中i为自然数；
[0076]S为运动参数，…，Si]，其中i为自然数；
[0077] B为体征参数，B = [ Bi，B2，B3，…，Bi ]，其中i为自然数；
[0078]贝IJ训练数据组中的各训练向量可以表示为TRa = [Ta，La，Ca，Sa，Ba]，其中a为自然数，Ka<i〇[0079 ]本实施例中采集的时间数据包括日期、时、分数据。
[0080]本实施例中采集的位置数据包括室内位置数据和室外位置数据，其中室内位置数据通过室内WiFi定位方法采集，室外位置数据则通过GPS定位方法采集。[0081 ]本实施例中的运动参数包括运动方向数据和运动速度数据，活动类型分类数据包括静止、走、跑、驾驶的分类数据。
[0082]本实施例中的体征参数包括血氧饱和度数据、脉搏数据、体温数据。[〇〇83] (2 )、将训练数据组传送至服务器内并存储在数据库中。
[0084] (3)、计算训练数据组中各个维度数据的最大值和最小值，以形成各维数据的范围数据组 TL={TE，LE，CE，SE，BE};
[0085]其中，TE 为时间数据的取值范围，TE=(MAX[T1，T2，T3，".，Ti]，MIN[T1，T2，T3，?， Til)；
[0086] LE为检测人的位置数据的取值范围，LE = (MAX [ U，L2，L3，…，Li ]，MIN[ U，L2，L3,…，Li]);
[0087] CE为活动类型分类数据的取值范围，C3,…，Ci]);
[0088] SE为运动参数的取值范围，SE = (MAX[ Si，S2，S3，…，Si]，MIN[ Si，S2，S3，…，Si]); [〇〇89] BE为体征参数的取值范围，BE = (MAX[Bi，B2，B3，…，Bi ]，MIN[Bi，B2，B3，…，Bi ])。
[0090] (4)、服务器接收设备采集的新数据，进而构成监测人的新状态数据组N=[Tn，Ln， &々，]，其中1^为新采集的时间数据，1^为新采集的位置数据，&为新采集的活动类型的分类数据，SN为新采集的运动参数，Bn新采集的体征参数。
[0091]^、服务器自动产生一个随机向量尺二⑴上力力义丄其中父^了已上^!^^ GCE，X4GSE，X5GBE。[〇〇92] (6)、计算训练数据组TR中各训练向量TRa与随机向量R之间的欧式距离，进而获取第一欧式距离数组EDR= [EDRi，EDR2，EDR3，…，EDRi]，获取第一欧式距离数组EDR中的最大距离值selfmax和最小距离值selfmin。
[0093](7)、生成一个检测器0，所述检测器对应的数据包0={1?，861加&1，861加111，1^，J }，将检测器D加入到检测器集合Detectors中。[〇〇94]其中，LA表示检测器D对应的生命周期值，LA的初始值为2*单位增加量LAo;J表示检测器的D接近程度值，J的初始值为设定的整数值Jo;[〇〇95] (8)、判断检测器集合Detectors中是否具有指定数量j个检测器；
[0096] 如果否，则循环进行步骤(4)至步骤(7)，直至产生指定数量j个检测器，检测器集合 Detectors = [Di，D2，D3,…，Db,…，Dj]，其中b、j为自然数，Kb彡 j;
[0097]Db= {Rb,selfmaxb,selfminb,LAb, Jb}；[〇〇98] Rb表示检测器Db的数据包中对应的随机向量；[〇〇99] Se lfmaa表示随机向量Rb与各训练向量间的欧式距离的最大值；[〇1〇〇] Selfminb表示随机向量Rb与各训练向量间的欧式距离的最小值；
[0101] LAb表示检测器Db对应的生命周期值；
[0102]Jb表示检测器Db对应的接近程度值；
[0103]任一检测器〇1)(1〇3^^)的接近程度值九=]/[預[861；1^&-￡〇1)，￡〇1)-861；1^1；[11];
[0104]如果是，则执行步骤(9);
[0105]建立父代优势检测器集合?3代]^8=[〇1，〇2,〇3，."，0111，."，011]，111、11为自然数，1彡111 <n，父代优势检测器集合Parents的初始集合为初始形成的检测器集合Detectors。[〇1〇6](9)、在检测器集合Detectors中选择一个检测器Db，Kb彡j，计算最新采集的新状态数据组N= [ Tn，Ln，CN，SN，Bn]与检测器Db中随机向量Rb之间的欧式距离EDb，分别比较EDb 与检测器Db中Selfmaxb的大小，以及EDb与检测器Db中Selfminb的大小；[〇1〇7](10)、如果EDb>Selfmaxb，或者EDb<Selfminb，则表示检测器Db检测到监测人的生活规律出现异常，相应的服务器向客户端发出报警，并返回步骤(4)，同时LAb的值更新为LAb +LAo ；[〇1〇8]如果Selfminb<EDb<Selfmaxb，则表示检测器Db检测的结果为监测人的生活规律处于正常范围，然后返回步骤(9)进行循环检测。
[0109](11)、如果检测器集合Detectors中所有的检测器都不能检测到监测人的生活规律异常的情况，则将检测器集合Detectors中所有的检测器对应的生命周期值减去LAo,此时，生命周期值为〇的检测器则检测器集合Detectors中剔除；
[0110]当检测器集合Detectors中所有的检测器都不能检测到监测人的生活规律异常的情况时，还增加设置有优化的检测方法，所述优化的检测方法包括如下步骤:
[0111](11.1 )、自父代优势检测器集合Parents中取接近程度值最小的一检测器Dm，对检测器Dm中的随机向量Rm= [Xlm，X2m，X3m，X*，X5m，]中的随机一维值进行改变以获取新的随机向量RNm = [XNlm，XN2m，XN3m，XN4m，XN5m，]，得到一个临时的检测器CD = {RNm，se 1 fmaxm，S6lfininm, LAm , Jm}；
[0112]其中 XlmGTE，X2mGLE，X3mGCE，X4mGSE，X5mGBE;
[0113] XNlm G TE，XN2m G LE，XN3m G CE，XN4m G SE，XN5m G BE;
[0114]循环进行该步骤从而繁殖产生j个临时检测器，该j个临时检测器存储在临时检测器集合Childen中；
[0115](11.2)、自临时检测器集合Childen中取出一个临时检测器⑶⑶冲对应的随机向量为RNmc，其中c为自然数，l?j;
[0116](11.3)、计算训练数据组TR中各训练向量TRa与随机向量RNmc之间的欧式距离，进而获取第二欧式距离数组EDC= [ED&，EDC2，EDC3，…，EDCi]，获取第二欧式距离数组DR中的最大距离值c-selfmax和最小距离值c-selfmin;
[0117](11.4)、生成一个新代检测器觀，该新代检测器对应的数据包觀={1?‘。，(3-se 1 fmax，c-se 1 fmin，NLA，NJ}，其中NLA表示新代检测器ND对应的生命周期值，NLA的初始值为2*单位增加量LA〇，NJ表示新代检测器的接近程度值，NJ的初始值为设定的整数值Jo;
[0118]将新代检测器ND加入到新代检测器集合NewDetectors;
[0119](11.5)、循环步骤(11.2)至(11.4)直至历遍检测器集合Childen所有的临时检测器，则如《06七6(31:(^8 = [〇1，〇2,〇3，."，〇〇1，."，〇」]，其中(1为自然数，1<(1<」；
[0120]Dd= {RNmcd，c-selfmaxd，c-selfmind，NLAd，NJd};[0121 ]RNKd表示新代检测器Dd的数据包中对应的随机向量；
[0122]c-selfmaxd表示随机向量RNmcd与各训练向量间的欧式距离的最大值；
[0123]c-selfmind表示随机向量RNmcd与各训练向量间的欧式距离的最小值；
[0124]NLAd表示新代检测器Dd对应的生命周期值；
[0125]NJd表示新代检测器Dd的接近程度值；
[0126](11 ? 6)、自新代检测器集合NewDetectors中取一个新代检测器NDd，其中d为自然数，1彡d彡j，计算最新采集的新状态数据组N= [Tn，Ln，CN，SN，Bn]与新代检测器NDd中随机向量RNmcd之间的欧式距离NEDd，分别比较NEDd与检测器NDd中c-se 1 fmaxd的大小，以及NEDd与检测器Db中c-selfmind的大小；
[0127](11.7)、如果呢0<]>(3-861；1^^(]，或者呢0(]<(3-861；1^1；[11(]，则表示新代检测器冊(]检测到监测人的生活规律出现异常，相应的服务器向客户端发出报警，把NDd加入检测器集合 Detectors，并执行步骤(12)，同时NLAd的值更新为NLAd+LAo;[〇128] 如果〇-861:1；'111；[11〇^呢0〇^〇-861；1；'1]^1〇1，则表示新代检测器勵〇1检测的结果为监测人的生活规律处于正常范围，然后返回步骤(11.6)进行循环检测；
[0129]同时计算新代检测器NDd相应的接近程度值NJd，NJd = MIN[c-selfmaxd-NEDd，NEDd_c-selfmind]；[〇13〇] (11.8)、如果新代检测器集合如細的6(^〇^中所有的检测器都不能检测到监测人的生活规律异常的情况，则从新代检测器集合NewDetectors和父代优势检测器集合 Parents的所有检测器中取出接近程度值最小的前j个检测器，作为新的父代优势检测器集合Parents，清空新代检测器集合NewDetectors中所有的检测器；
[0131]返回步骤(11.1)，循环检测Count次，Count为优化的检测方法的设定循环检测次数，如果仍然未检测到监测人的生活规律异常情况，则可识别为监测人的生活规律正常，然后执行步骤(12)。
[0132](12)、返回步骤(4)。
【主权项】
1.一种生活规律异常的检测方法，其特征在于包括如下步骤:(1)、进行训练数据采集，即采集时间数据，同时采集监测人的位置数据、活动类型分类 数据、运动参数、体征参数，进而形成训练数据组TR=[T，L，C，S，B]，然后对训练数据进行标 记以供使用；其中，T为时间数据，1=[1'1，1'2，1'3，一，1\]，其中1为自然数；L为监测人的位置数据，1=[11丄2丄3，?丄1]，其中1为自然数；C为活动类型分类数据，0=[&，&，(:3，?，(:1]，其中1为自然数；S为运动参数，SKS^S^Ss，…，Si]，其中i为自然数；B为体征参数，B= [Bi，B2，B3，…，Bi]，其中i为自然数；贝帽丨练数据组中的各训练向量可以表示为TRa = [Ta，La，Ca，Sa，Ba]，其中a为自然数，1彡 a^i ；(2)、将训练数据组传送至服务器内并存储在数据库中；(3)、计算训练数据组中各个维度数据的最大值和最小值，以形成各维数据的范围数据 组11={1￡，1^，〇￡，5￡，8￡};其中，TE为时间数据的取值范围，TEzCMAXETiI^Ts，…，TiLMINETiI^TvJi]);LE为检测人的位置数据的取值范围，LE^MAXahLhU，…，LiLMINahU，!^，…， U]);CE为活动类型分类数据的取值范围，CE^MAXtChChCs，…，CiLMINtChCiCs，…， C,])；SE为运动参数的取值范围，SE= (MAXR，S2，S3，…，Si] WIN%，S2，S3，…，Si]);BE为体征参数的取值范围，BE = (MAX[，B2，B3，…，Bi ]，MINtBi，B2，B3，…，Bi ]);(4)、服务器接收设备采集的新数据，进而构成监测人的新状态数据组N=[Tn，Ln，Cn，Sn， Bn]，其中Tn为新采集的时间数据，Ln为新采集的位置数据，Cn为新采集的活动类型的分类数 据，SN为新采集的运动参数，Bn新采集的体征参数；(5)、服务器自动产生一个随机向量1?=[父1，父2，父3，父4，父5，]，其中父1￡了￡山￡1^，父3￡〇￡， X4GSE,X5GBE；(6)、计算训练数据组TR中各训练向量TRa与随机向量R之间的欧式距离，进而获取第一 欧式距离数组EDR= [EDRi，EDR 2，EDR 3，…，EDRi ]，获取第一欧式距离数组EDR中的最大距 离值selfmax和最小距离值selfmin;(7)、生成一个检测器0，所述检测器对应的数据包0={1?，861加&1，861加111，1^}，将检 测器D加入到检测器集合Detectors中；其中，LA表示检测器D对应的生命周期值，LA的初始值为2*单位增加量LAo;(8)、判断检测器集合Detectors中是否具有指定数量j个检测器；如果否，则循环进行步骤(4)至步骤(7)，直至产生指定数量j个检测器，检测器集合 Detectors = [Di，D2，D3,…，Db,…，Dj]，其中b、j为自然数，Kb彡 j;Db= {Rb,selfmaxb,selfminb,LAb}；Rb表示检测器Db的数据包中对应的随机向量；Selfmaxb表示随机向量Rb与各训练向量间的欧式距离的最大值；Selfminb表示随机向量Rb与各训练向量间的欧式距离的最小值；LAb表示检测器Db对应的生命周期值；如果是，则执行步骤(9);(9) 、在检测器集合Detectors中选择一个检测器Db，，计算最新采集的新状态数 据组N= [ Tn，Ln，CN，SN，Bn]与检测器Db中随机向量Rb之间的欧式距离EDb，分别比较EDb与检测 器Db中Selfmaxb的大小，以及EDb与检测器Db中Selfminb的大小；(10)、如果EDb>Selfmaxb，或者EDb<Selfminb，则表示检测器Db检测到监测人的生活规 律出现异常，相应的服务器向客户端发出报警，并返回步骤(4)，同时LAb的值更新为LAb+ LAo；如果Selfminb彡EDb彡Selfmaxb，贝表示检测器Db检测的结果为监测人的生活规律处于 正常范围，然后返回步骤(9)进行循环检测；(11)、如果检测器集合Detectors中所有的检测器都不能检测到监测人的生活规律异 常的情况，则将检测器集合Detectors中所有的检测器对应的生命周期值减去LAo,此时，生 命周期值为〇的检测器则检测器集合Detectors中剔除；(12)、返回步骤(4)。2.根据权利要求1所述的生活规律异常的检测方法，其特征在于:所述检测器的数据包 中还包括检测器的接近程度值J，即检测器数据包D={R，Selfmax，selfmin，LA，J}，^^I^ 值为设定的整数值Jo;相应地，检测器集合Detectors中Db= {Rb，selfmaxb，selfminb，LAb， Jb}，Jb表示检测器Db对应的接近程度值；任一检测器〇1)(1〇3^^)的接近程度值1 = ]/[預[861；1；'1]^11)-￡〇1)，￡〇1)-861；1；'111；[11];建立父代优势检测器集合?3代]^8=[〇1，〇2,〇3，."，0111，."，011]，111、11为自然数，1彡111彡11， 父代优势检测器集合Parents的初始集合为初始形成的检测器集合Detectors;在步骤(11)中，当检测器集合Detectors中所有的检测器都不能检测到监测人的生活 规律异常的情况时，还增加设置有优化的检测方法，所述优化的检测方法包括如下步骤:(11.1 )、自父代优势检测器集合Parents中取接近程度值最小的一检测器Dm，对检测器 Dm中的随机向量Rm= [Xlm，X2m，X3m，X4m，X5m，]中的随机一维值进行改变以获取新的随机向量 RNm=[XNlm，XN2m，XN3m，XN4m，XN5m，]，得到一个临时的检测器CD={RNm，SelfmaXm，Selfminm， LAm,Jm}；其中 XlmGTE，X2mGLE，X3mGCE，X4mGSE，X5mGBE;XNlm G TE，XN2m G LE，XN3m G CE，XN4m G SE，XN5m G BE;循环进行该步骤从而繁殖产生j个临时检测器，该j个临时检测器存储在临时检测器集 合 Childen 中；(11.2 )、自临时检测器集合Chi 1 den中取出一个临时检测器⑶c，⑶c中对应的随机向量 为RNmc，其中c为自然数，l?j;(11.3)、计算训练数据组TR中各训练向量TRa与随机向量RNmc2间的欧式距离，进而获 取第二欧式距离数组EDC^EDChEDC 2，EDC 3,…，EDCi]，获取第二欧式距离数组DR中的最 大距离值c-selfmax和最小距离值c-selfmin;(11.4)、生成一个新代检测器冊，该新代检测器对应的数据包冊={1^。，(3-%1￡11^，(3-861伽丨11，14，即}，其中14表示新代检测器冊对应的生命周期值，14的初始值为2*单位增 加量LA〇，NJ表示新代检测器的接近程度值，NJ的初始值为设定的整数值Jo;将新代检测器ND加入到新代检测器集合NewDetectors;(11.5)、循环步骤(11.2)至(11.4)直至历遍检测器集合Childen所有的临时检测器，则 NewDetectors = [Di，D2，D3,…，Dd,…，Dj]，其中d为自然数，j ;Dd= {RNmcd，c-selfmaxd，c-selfmin d，NLAd，NJd};RNmcd表示新代检测器Dd的数据包中对应的随机向量；c-se If maxd表示随机向量RNKd与各训练向量间的欧式距离的最大值；c-selfmin d表示随机向量RNmcd与各训练向量间的欧式距离的最小值；NLAd表示新代检测器Dd对应的生命周期值；NJd表示新代检测器Dd的接近程度值；(11.6)、自新代检测器集合NewDetectors中取一个新代检测器NDd，其中d为自然数，1彡 d彡j，计算最新采集的新状态数据组N= [Tn，Ln，CN，SN，Bn]与新代检测器NDd中随机向量RNmcd 之间的欧式距离NEDd，分别比较NEDd与检测器NDd中c-selfmaxd的大小，以及NEDd与检测器Db 中c-selfmin d的大小；(11.7)、如果NEDd>c_selfmaxd，或者NEDd<c_selfmind，则表示新代检测器NDd检测到 监测人的生活规律出现异常，相应的服务器向客户端发出报警，把NDd加入检测器集合 Detectors，并执行步骤(12)，同时NLAd的值更新为NLAd+LAo;如果c-se lfmind<NEDd< c-selfmaxd，则表示新代检测器NDd检测的结果为监测人的生 活规律处于正常范围，然后返回步骤(11.6)进行循环检测；同时计算新代检测器NDd相应的接近程度值NJhr^^MINtc-selfmaxd-NEDdJEDd-c-selfmin a]；(11.8)、如果新代检测器集合如《0的6(^〇^中所有的检测器都不能检测到监测人的生 活规律异常的情况，则从新代检测器集合NewDetectors和父代优势检测器集合Parents的 所有检测器中取出接近程度值最小的前j个检测器，作为新的父代优势检测器集合 Parents，清空新代检测器集合NewDetectors中所有的检测器；返回步骤(11.1)，循环检测Count次，Count为优化的检测方法的设定循环检测次数，如 果仍然未检测到监测人的生活规律异常情况，则可识别为监测人的生活规律正常，然后执 行步骤(12)。3.根据权利要求1或2所述的生活规律异常的检测方法，其特征在于:所述时间数据包 括日期、时、分数据。4.根据权利要求1或2所述的生活规律异常的检测方法，其特征在于:所述位置数据包 括室内位置数据和室外位置数据；通过室内WiFi定位方法采集室内位置数据，通过GPS定位方法采集室外位置数据。5.根据权利要求1或2所述的生活规律异常的检测方法，其特征在于:所述运动参数包 括运动方向数据和运动速度数据，所述活动类型分类数据包括静止、走、跑、驾驶的分类数 据。6.根据权利要求1或2所述的生活规律异常的检测方法，其特征在于:所述体征参数包 括血氧饱和度数据、脉搏数据、体温数据。
【文档编号】G06F19/00GK106021877SQ201610310530
【公开日】2016年10月12日
【申请日】2016年5月11日
【发明人】陈军敢, 张少中, 朱仲杰, 王遵义
【申请人】浙江万里学院