本发明属于对异常情况进行监测的信号装置技术领域，具体涉及一种智能儿童安全及步态健康监护系统及其监护方法。
背景技术：
随着无线通信技术和物联网技术的发展，安全监控的应用越来越广泛。特别是针对特殊群体比如儿童和老人的安全监控已经有不少产品面世。现有的这类产品主要采用GPS/LBS，即卫星定位和基站的智能模式定位技术，监护人可以通过上网或者手机等移动终端查看儿童的实时信息，以确定是否处于安全的区域；一旦被监护人离开指定的安全区域监控装置就会将信息发送给监护人，甚至还可以包括一些紧急救援，比如有危险或者异常发生时，可以按紧急呼救键并拨打预先设定的手机号。
现有专利文献中，专利号为CN201520711591.3、名称为“一种儿童老人智能救助的随身穿戴设备”的实用新型公开了一种儿童老人智能救助的随身穿戴设备，其包括佩戴于老人或儿童身上的穿戴饰件，具有接收、发送、管理功能的云端和移动终端，其中，穿戴饰件包括有一级采集传感器、二级采集传感器和中控器，一级采集感应器包括有重力平衡传感器或噪音传感器，一级采集感应器通过模数转换模块与中控器连接，中控器与二级采集感应器双向连接，所述中控器还依次与云端、移动终端连接，中控器包括有定位追踪器。该实用新型可以针对儿童和老人的异常的举动或周围环境，触发对老人和儿童身处的环境或身体进行判断，是否处于危险状态，通知家长或监护人。但该随身穿戴设备的缺点是侧重于对老年人的保护，可以采集体温、血压和摔倒等参数，对于儿童的跑步、跳跃、被陌生人抱起、溺水等常见于儿童的危险无法进行有效监控。而且，上述现有技术中公开的监护装置都缺乏学习功能，无法做到基于已有的数据实现系统的改进。
在机器学习中，卷积神经网络是一种深度前馈人工神经网络，已成功地应用于图像识别。卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。其中，LSTM(Long Short-Term Memory)算法作为深度学习方法的一种，是一种特定形式的RNN(Recurrent neural network，循环神经网络)，属于时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，LSTM已经在诸多领域有了多种应用，例如语言翻译、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等任务。
将卷积神经网络和LSTM算法用于儿童的健康状态和发育状态的跟踪和判断，目前还没有公开的披露。
技术实现要素：
本发明针对上述现有技术中存在的问题提出一种智能儿童安全及步态健康监护系统及其监护方法，可以解决以下问题，包括但不限于对于某些儿童无法判别的威胁或异常情况或者儿童不会自主的呼救，监护人不能在第一时间知道危险的发生从而采取措施，以及在户外运动的情况下，儿童在有家长陪护时注意力转移以及手机在包里的情况，对于来自周围外界的某些潜在威胁，比如陌生人抱起的恶意举动，摔倒、溺水等，无法第一时间及时做出反应和防护。
为达到上述目的，本发明提出的技术方案为一种智能儿童安全及步态健康监护系统，包括供儿童穿着的监护鞋和监护人使用的智能终端设备。所述监护鞋内置压力感应、定位系统、陀螺仪、语音输入和湿度传感装置，系统还包含云端分析处理系统，云端分析处理系统对监护鞋内置装置采集的数据进行分析处理，然后传递给监护人使用的智能终端设备。
作为优选，上述智能终端设备包括智能手表、移动终端(手机)、家庭智能报警音箱。
进一步，上述监护鞋内置装置采集的数据可以实现电子围栏、儿童步态分析、腿部骨骼发育分析、危险声音的判断、跌倒、被抱起及落水的监测功能。
作为优选，系统在监测到儿童处于跌倒、被抱起及落水状态时通过震动或警报音向监护人发出警报。
本发明还进一步提出一种利用上述智能儿童安全及步态健康监护系统进行儿童步态健康监护的方法，具体包括以下步骤：
(1)智能儿童安全及步态健康监护系统通过监护鞋的内置装置采集儿童对鞋底的压力图谱数据；
(2)将上述采集的数据上传至云端分析处理系统；
(3)云端分析处理系统采用深度卷积神经网络分析处理上述压力图谱数据，并结合前期训练得到的儿童步态健康数据进行对比，判断儿童步态健康状态；
(4)云端分析处理系统利用基于时间序列的LSTM深度学习网络，对不同时间状态的足部压力进行分析，对儿童发育状态是否良好进行判断；
(5)将上述儿童发育状态信息反馈给用户，让用户打分；
(6)根据用户反馈信息对卷积神经网络和LSTM深度学习网络进行微调，以期得出更为精确的分析结果；
(7)不断重复迭代上述过程，直至结果稳定，过程结束。
进一步，作为优选，上述步骤3中所述健康状态包括判断是否X型、O型腿，脚掌用力情况。
作为优选，上述步骤4中所述儿童发育状态包括体重、走路姿态。
与现有技术相比，本发明的有益效果在于：
1，本发明通过对儿童穿戴者的脚底压力、声音，湿度，位置等参数进行实时监测，并将监测到的数据通过云端分析处理系统进行分析和判断，生成电子围栏、电子轨迹、压力图谱，进而判断儿童处于静态、走路状态、跑步状态、跳跃状态、深水区水中蹬腿动作状态、跌倒状态、被抱起状态、鞋被脱掉，丢失等状态，并在出现儿童状态异常时，及时向监护人发送警报，以及时实施救助。
2，云端分析处理系统采用深度卷积神经网络分析处理采集压力图谱数据，并结合前期训练得到的儿童步态健康数据进行对比，判断儿童步态健康状态，以及利用基于时间序列的LSTM深度学习网络，可以对不同时间状态的足部压力进行分析，对儿童发育状态是否良好进行判断，这样可以充分发挥大数据的优势，提高判断的准确度。
3，通过根据用户反馈信息对卷积神经网络和LSTM深度学习网络进行微调，可以得出更为精确的分析结果。
附图说明
图1是智能儿童安全及步态健康监护系统的系统结构图。
图2是利用智能儿童安全及步态健康监护系统进行儿童步态健康监护的方法步骤图。
图3是VGGNet网络结构与改进后的结构对比图。
图4是ResNet残差网络单元示意图。
图5是特征提取网络中Block的详细结构图。
具体实施方式
现结合附图对本发明的具体实施方式作进一步的说明。
本发明智能儿童安全及步态健康监护系统的结构如图1所示，供儿童穿着的监护鞋里面内置多种传感器，包括压力感应、定位系统、陀螺仪、语音输入和湿度传感装置，这些传感器在鞋体上合理分布，尽量避免过于集中布置，以防止相互干扰。压力感应传感器可采用超薄超软薄膜压力传感器，比如RFP-603-10kg薄膜式压力传感器，运动与定位传感器可采用IMU-惯性测量单元BMI055，陀螺仪可采用三轴MEMS陀螺仪传感器。语音输入传感器可以采用高感度麦克风传感器模块或高灵敏声音控制板模块，湿度传感器只要满足±5％RH的精度即可。
监护人使用的智能终端设备包括各种可以搭载计算机应用程序app的智能穿戴设备，比如智能手表、移动终端(手机)、家庭智能报警音箱等。
系统基于监护鞋内置装置采集的数据可以实现电子围栏、儿童步态分析、腿部骨骼发育分析、危险声音的判断、跌倒、被抱起及落水的监测功能。
对儿童而言危险系数较高的状态包括跌倒(容易发生骨折)、被陌生人抱起(被拐卖可能性)及落水(溺水)，因此系统在监测到儿童处于上述状态之一时需要通过震动或警报音向监护人发出警报。
上述传感器采集数据通过4G网络传输到云端的分析处理系统，云端分析处理系统对监护鞋内置装置采集的数据进行分析处理，然后传递给监护人使用的智能终端设备。云端是安装在服务器上的GPU集群应用系统。
利用智能儿童安全及步态健康监护系统进行儿童步态健康监护的方法的步骤如图2所示：
1，通过监护鞋的内置装置采集儿童对鞋底的压力图谱数据；
2，通过4G网络上传至云端分析处理系统；
3，云端分析处理系统采用深度卷积神经网络分析处理压力图谱数据，结合前期训练得到的儿童步态健康数据进行对比，判断儿童步态健康状态。
深度学习和传统的模式识别方法最大的区别在于它能从大数据中自动学习到数据的特征，而传统的模式识别方法主要利用的是人工设计的特征。在过去的几十年中人工设计的特征处于主导地位。它主要依靠设计者的先验知识，依赖于手动调整参数，并且人工设计的参数较少，很难利用大量的数据。深度学习能够从海量的数据中自动学习特征，这其中可以包含成千上万个参数，并且只需手动设置较少的参数，便能取得较好的结果。这是由于深度学习通过大量数据的训练得到多层神经网络，组合低层特征形成更加抽象的高层特征表示，从而发现数据的分布式特征表示。
本发明中采用的特征提取网络主要思路来源于VGGNet和ResNet。VGGNet由牛津大学计算机视觉组提出的深度卷积网络，通过反复堆叠3x3卷积层和2x2最大池化层，成功构建了16-19层的深度卷积网络，取得ILSVRC 2014比赛分类第2名和定位第1名的成绩。除此之外，网络的扩展能力非常强，迁移到其他的结构中泛化性能较好，是比较常见的特征提取网络。VGG-16网络结构如图3(a)所示。虽然VGGNet在分类网络中取得了不错的效果，由于分类任务输入是整张图片，通过深度卷积网络通过提取图片内容的特征将其分类，由于图片的特征区域明显且占整个图片的比重较大，所以对整个图片提取特征并不断抽象能够取得较好的结果。但是在特定目标识别任务中(X型腿O型腿)，虽然特征网络目的也是为了能够提取到整个图像的特征，但是由于网络中的卷积和池化操作，使得原本在图片中占据空间比较少的目标区域在卷积和池化的过程中越来越小，最终难以提取到特征。
Kaiming He等人提出的ResNet深度残差网络在保证网络精度的前提下将网络的深度训练达到了152层，后来又提升到1000层的深度。在深度残差网络中作者使用了短连接操作，具体结构如图4所示。在下图结构中，输入为X，经过两层操作输出为F(x)，通过短连接将整个模块的输出定义为F(X)+X，即该模块不仅输出前向计算后的特征图，还将输入特征图加入到输出中，模块同时输出抽象特征和粗糙特征。除此之外，在进行反向传播的过程中，由于短连接的存在，使得梯度能够直接返回到输入处，这能够有效地较少过深网络中的梯度消失问题。
但是残差网络由于网络结构复杂，难以训练，占据大量的计算资源，在实际中很难应用。因此，在本发明中根据残差网络的思想改进VGGNet，尤其是使用了短连接的操作。而在本发明中的短连接操作主要有两个作用：
(1)提高训练速度。在训练过程中由于短连接的存在，减轻了梯度消失问题，梯度能够在网络中快速传播，而本发明的实验也证明了改进后的网络相比于原始网络训练速度更快。
(2)将原始特征和抽象特征相结合。在过程中，特征提取并不是提取整个图像的特征，重点在于目标区域的特征表示。由于目标区域经过卷积池化操作尺寸迅速减小，使得最终的特征表示并不准确，所以本发明将原始特征和抽象特征相融合，解决了目标区域尺寸减少带来的特征表征不充分的问题。
本发明提出的网络如图3(b)所示。本发明的特征提取网络主要分为两个部分：主干网络和分支网络。主干网络类似于VGGNet，通过级联卷积提取特征。其中与VGGNet不同的是，主干网络中并没有使用池化层，而是使用步长为2的3x3卷积替代，这是由于池化对整个区域的特征进行不可逆操作，并在池化的过程中损失很多信息，尤其是目标区域较小的情况下，池化操作对目标区域和背景区域进行统一操作，使得很小的目标区域更加小，在后续的卷积操作中更加难以提取特征。
除此之外，主干网络中还添加了1x1卷积操作，这是为了对输入的特征图进行通道的融合并减少通道的数量，从而减少计算量。在主干网络中，卷积被封装成Block模块，一方面是为了网络的简洁，另一方面是为了将特征复用的思想用于网络局部特征提取。Block具体结构如图5所示。分支网络由池化操作和1x1卷积操作组成，池化操作是为了统一特征图的大小，1x1卷积操作是为了减少输入特征的通道数目，从而减少下一步卷积的计算量。
为了更有效地评价儿童危险等级状态，特对传感器采集的数据进行儿童危险等级评分(1～5)。本发明通过四层全连接网络对视频进行评分，训练输入为一小段时间陀螺仪信息、GPS信息、湿度传感器信息，输出为视频评分(1～5分)，过程如下：
(1)数据归一化
在这个步骤中，通过最大值归一化到0～1之间。
(2)训练网络
本发明通过四层全连接网络对视频进行评分，具体是输入一小段时间陀螺仪信息、GPS信息、湿度传感器信息，输出5种类别，分别对应评分1-5。设置迭代次数为500次，batch size为16，学习率为0.001，验证集为10％。500次迭代后，网络收敛，训练集准确率达到92％，测试集准确率达到91％。
4，利用基于时间序列的LSTM(Long Short-Term Memory)深度学习网络，对不同时间状态的足部压力进行分析，对儿童发育状态是否良好进行判断。
本发明中我们可以通过深度卷积神经网络判断儿童是否是O型腿或者X型腿。但深度卷积神经网络无法预测即将发展成O型腿或者X型腿等不良发育，以及儿童在一个时间段里面是否发育良好。我们首先使用深度卷积神经网络(CNN)作为特征提取器，假设CNN提取的特征维度为N(这个特征就是步骤3中网络最后的全连接层)。然后对于K时间段的压力图谱，就构成了时序长度为K的N维特征序列。然后将这个序列作为LSTM的输入，得到的LSTM的输出依旧是一个长度为K的序列(维度应该是动作类别的数目)。然后通过训练，判别该时间序列K的儿童步态是否发育良好。
5，将上述儿童发育状态信息反馈给用户，用户打分；
6，根据用户反馈信息对卷积神经网络和LSTM深度学习网络进行微调，以期得出更为精确的分析结果；
7，不断重复迭代上述过程，直至结果稳定，过程结束。
需要说明的是，本发明所提供的上述实施例仅具有示意性，不具有限定本发明的具体实施的范围的作用。本发明的保护范围应包括那些对于本领域的普通技术人员来说显而易见的变换或替代方案。