基于深度学习的监护方法及相关产品与流程

本申请涉及机器人及物联网技术领域，具体涉及一种基于深度学的监护方法及相关产品。

背景技术

目前，许多国家人口结构的老龄化日趋严重，而且，随着生活节奏的加快，对于老年人的陪护将是一个非常难于解决的问题。对于老年人的陪护需要投入大量的人力资源，而且需要比较高的医疗条件以及专业性的陪护要求。因此，机器人家庭医生的出现就可以使老年人得到专业又贴心的照顾，无论是健康方面还是情感方面。但是，目前的一些机器人家庭医生对老人生理状况的分析比较单一，难以全方面的照顾老人，诊断效率低下，耽误老人的监护和治疗。

技术实现要素：

本申请实施例提供了一种基于深度学习的监护方法及相关产品，以期通过获取老人的多个信息，确定老人的生理状态，对老人实现针对性的监护。

第一方面，本申请实施例提供一种基于深度学习的监护方法，包括：

获取面部图像、语音信息和生理数据；

处理所述面部图像得到第一目标数据，处理所述语音信息得到第二目标数据，处理所述生理数据得到第三目标数据；

将所述第一目标数据、所述第二目标数据和所述第三目标数据输入到对应的预设网络模型执行正向运算得到输出结果，根据所述输出结果确定生理状态；

根据所述生理状态确定对应的监护策略。

第二方面，本申请实施例提供一种基于深度学习的智能监护装置，所述智能监护装置包括：云处理器、本地终端和可穿戴设备，所述本地终端包括：摄像头、音频采集器、应用处理器ap、收发器；

所述摄像头，用于采集面部图像；

所述音频采集器，用于采集语音信息；

所述可穿戴设备，用于采集生理数据；

所述收发器，用于接收所述面部图像、语音信息和生理数据；

所述ap，用于处理所述处理所述面部图像得到第一目标数据，处理所述语音信息得到第二目标数据，处理所述生理数据得到第三目标数据；

所述收发器，用于传输所述第一目标数据、第二目标数据和第三目标数据至所述云处理器；

所述云处理器，用于将所述第一目标数据、所述第二目标数据和所述第三目标数据输入到对应的预设网络模型执行正向运算得到输出结果，根据所述输出结果确定生理状态；

所述云处理器，用于根据所述生理状态确定对应的监护策略。

第三方面，本申请实施例提供一种智能监护装置，包括一个或多个处理器、一个或多个存储器、一个或多个收发器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。

第四方面，本申请实施例提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如第一方面所述的方法。

第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。

实施本申请实施例，具有如下有益效果：

可以看出，本申请中先获取面部图像、语音信息和生理数据，然后对面部图像、语音信息和生理数据进行预处理得到目标数据，将目标数据输入网络模型确定用户的生理状态，根据生理状态确定用户的监护策略，通过将多参数输入到人工智能来确定用户的生理状态，提高了确定生理状态的准确性，制定对应的监护策略，实现了针对性的监护，并且通过人工智能来判断生理状态的效率高。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

图1是一种智能监护的场景示意图；

图2是本申请实施例提供的一种基于深度学习的智能监护方法的流程示意图；

图2a是本申请实施例提供的一种生成第一目标数据的流程示意图；

图2b是本申请实施例提供的一种将第一目标数据组成输入数据矩阵的示意图；

图3是本申请实施例提供的另一种基于深度学习的智能监护方法的流程示意图；

图4是本申请实施例公开的一种智能监护装置的结构示意图；

图5是本申请实施例公开的一种智能监护装置的功能单元组成框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请中的本地终端可以包括智能手机(如android手机、ios手机、windowsphone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(mid，mobileinternetdevices)或穿戴式设备等，上述电子装置仅是举例，而非穷举，包含但不限于上述电子装置，为了描述的方便，下面实施例中将上述电子装置称为用户设备(userequipment，ue)。当然在实际应用中，上述用户设备也不限于上述变现形式，例如还可以包括：智能车载终端、计算机设备等等。

本申请实施例中提到的本地终端可以为接收指令的机器人，其中，该机器人可以具有完整人形，也可以为抱枕形式的机器人，具体来讲，不限定机器人的大小和类型，下面提到本地终端均为此处提到的机器人，下面不再叙述。

随着人口老龄化趋势的严重，对老人身体健康的监护已经成为一个重要课题，为了解决老人的监护问题比较火热的是在线医疗的方式，但是在线医疗提供的主要是咨询服务，对于一些简单病症可以作出准确的建议，但是对于一些复杂的疾病，在线医生无法及时作出准确的诊断，甚至有可能误诊，而且，在线医疗需要专业医生全天候工作，并未释放医疗资源，故而在线医疗并未提高诊断治疗效率。本申请中提供的基于深度学习的智能监护方法及装置较好的解决了老人的监护与疾病诊断的问题，提供具有“专业技能”的机器人对老人进行监护与诊断，解决了人工监护与人工诊断无法发现的一些病状，更加准确、专业的保护老人的身体健康。

参阅图1，图1是本申请的一种智能监护的应用场景的示意图，如图1所示，该应用场景中的智能监护装置包括云处理器10、本地终端20和可穿戴设备30；其中，云处理中的人工智能系统为强人工智能agi(artificialgeneralintelligence，简称：agi)；

相对于普通的人工智能，agi可以进行自主学习，具有自主求知、提问、检索、归纳、推演的学习能力；能够将图片文件成为高级数据格式，识别面部表情；直接处理语音信息。无需转化为文本信息来识别情绪。

可选的，本申请中的agi至少包括卷积神经网络模型、循环神经网络模型、对抗神经网络模型，其中，卷积神经网络模型主要用于进行面部识别和面部表情的分类，循环神经网络模型主要用于进行语音和语义的识别，对抗神经网络模型主要用户定期获取反馈结果进行权值更新，进行自主学习，不断改进模型结构。

其中，图1中的箭头表示用户与本地终端20以及可穿戴设备30有交互操作，即用户可以控制本地终端20以及可穿戴设备30采集该用户的数据，此处的箭头不是通信链路。

其中，可穿戴设备30，用于采集用户的生理数据，该生理数据可以包括血氧浓度、血压、心率、体温，等等，并将该生理数据发送至本地终端20；

本地终端20，用于拍照，获取用户的面部图像，获取集用户的语音信息；或者，用于拍摄视频，通过视频获取用户的面部图像和语音信息；

本地终端20，还用于将获取到的图像、语音、生理参数进行预处理，得到目标数据，将目标数据发送至云处理器10；

云处理10，用于接收目标数据，将目标数据输入到agi，获得输出结果，根据输出结果确定用户当前的生理状态，并根据生理状态制定对应的监护策略。

可选的，本地终端还包括触控显示屏，该触控显示屏用于显示监护策略，以便用户知晓当前的生理状态，作出对应的举动。该触控显示屏具体可以为薄膜晶体管液晶显示器、发光二极管显示屏、有机发光二极管显示屏等。

参阅图2，图2为本申请实施例提供的一种基于深度学习的智能监护方法，所述方法应用于智能监护装置，所述方法包括：

步骤s201、获取面部图像、语音信息和生理数据。

其中，可以同步也可以非同步获取老人的面部图像、语音信息和生理数据，通过摄像头得到面部图像，麦克风采集语音信息，或者通过摄像头拍摄视频，对视频的每帧图像进行筛选，得到面部图像，获取视频中的语音信息；通过可穿戴设备获取生理数据；其中，语音信息包括机器人根据用户当前的面部表情向该用户询问身体状况后，用户针对该询问作出反馈的语音信息，或者，机器人实时采集到的该用户自言自语的语音信息。

步骤s202、处理所述面部图像得到第一目标数据，处理所述语音信息得到第二目标数据，处理所述生理数据得到第三目标数据。

可选的，如在云处理器进行面部识别、语音情绪识别以及生理特征的识别，为了本地终端减轻传输数据的压力，可以对面部图像、语音信息和生理数据进行预处理得到第一目标数据、第二目标数据和第三目标数据。

可选的，处理所述面部图像得到第一目标数据具体如图2a所示的步骤：

步骤s202a、将所述面部图像进行灰度处理得到灰度图像。

由于彩色图像采用rgb色彩模式，色彩对图像的特征无影响，因此对图像进行灰度处理以减少后续运算量；彩色图像其像素点的亮度范围为0～255，常采用的灰度处理方法包括：1、分量平均法，即l＝(r+b+g)/3，其中，l为一个像素点在灰度图像中的亮度值，r、g和b分别为该像素点在彩色图像中的三种色彩对应的亮度值；2、预设权值法，即l＝0.3r+0.59g+0.11b，其中，0.3、0.59和0.11分别为r、g和b的预设权值系数。

步骤s202b、按照预设规则将所述灰度图像划分为n个区域。

可选的，对于面部图像来说，不同的区域对于面部表情的识别的贡献不同，故预设规则可以为：按照贡献大小进行划分，例如，可以划分为眉毛区域、嘴巴区域、脸颊区域等；不同的区域在特征数据的呈现出不同的力度，故将人脸区域划分成n个区域，对每个区域进行权值的划分，对贡献程度大的区域(如设定的眉毛区域、嘴巴区域)赋予较大的权值，对无关区域赋予较小的权值，甚至忽略到该区域。

步骤s202c、根据所述每个区域的权值系数确定所述灰度图像的特征数据，将所述所述灰度图像的特征数据作为所述第一目标数据。

可选的，获取每个区域的特征数据，即每个区域的像素点大小，然后根据该区域的权值系数进行加权，确定每个区域最终的特征数据，最终得到该灰度图像的特征数据。

可选的，处理所述语音信息得到第二目标数据具体包括：将所述语音信息进行傅里叶变换，得到频域频谱；根据频谱能量高低确定该语音信息在时域中的语调变化，获取每个时段的语调参数；根据该语音信息的总时长确定所述语音信息的语速参数；获取该语音信息每个时段的音量参数；将该语调参数、语速参数和音量参数组成为所述第二目标数据。

可选的，处理所述生理数据得到第三目标数据具体包括：将所述生理数据滤波和去噪得到所述第三目标数据，一般可采用小波去噪。

可选的，随着5g时代的来临，网速的大幅度提升，通信设备之间数据的传输不再是阻碍，基于步骤s202处理数据的方法，所述方法还包括：直接上传面部图像、语音信息和生理数据至云处理器，利用云处理对该面部图像、语音信息和生理数据至云处理器进行预处理，得到第一目标数据、第二目标数据和第三目标数据，减轻本地终端处理数据的压力；或者，在本地终端中内嵌人工智能ai芯片，先进行面部表情的识别，将面部表情的识别结果、语音信息和生理数据一并上传至云处理，以便于后续综合判断生理状态时直接利用该面部表情的识别结果，即减轻了本地终端处理数据的压力又减轻了数据传输的压力。

步骤s203、将所述第一目标数据、所述第二目标数据和所述第三目标数据输入到对应的预设网络模型执行正向运算得到输出结果，根据所述输出结果确定生理状态。

可选的，首先将该第一目标数据、第二目标数据和第三目标数据组成输入数据矩阵，然后将输入数据矩阵输入到与各自对应的网络模型执行正向运算，得到输出结果。

可选的，以将该第一目标数据组成输入数据矩阵为例做具体说明组成输入数据矩阵的方式，其他目标数据组成输入数据的方式与此类似，不再叙述。将第一目标数据组成输入数据矩阵的方法具体包括：提取第一目标数据中像素点的数量a，将该a个数据组成初始输入数据矩阵即ci*h*w，如图2b左部分所示，其中，h为高度值，w为宽度值，ci为深度值；比较a是否大于ci1*h1*w1(ci1*h1*w1为网络模型设定的输入数据的尺寸)，如该a大于等于ci1*h1*w1，不添数据，如a小于ci1*h1*w1，按添加零的策略对该第一目标数据添加零，使得添加后的a’＝ci1*h1*w1，图2b所示，初始输入数据为：h＝8，w＝7，ci＝3，设定的输入数据为：h1＝16，w1＝7，ci1＝3；则按添加零的方式可以为，以隔行插零的方式插入到原始的输入数据中，具体的插入后的数据如图2b右部分所示的灰色区间为插入的零值的位置，当然，这里按零添加的策略只是举例，并不限定其他的添加策略。

可选的，根据所述第一目标数据的输出结果确定所述面部图像对应的面部表情，根据所述第二目标数据的输出结果确定所述语音信息对应的语音情绪，根据所述第三目标数据的输出结果确定所述生理数据对应的生理特征。

可选的，可设定每一个面部表情(如开心、生气、愤怒等)对应一个特征向量，即将表情进行向量化表示，同理将语音情绪和生理特征也进行向量表示。

进一步地，确定所述面部表情的第一特征向量、语音情绪的第二特征向量和生理特征的第三特征向量，将所述第一特征向量、第二特征向量和第三特征向量串联组成第四特征向量，确定所述第四特征向量与多个预设生理状态的特征向量匹配值，获取匹配值最高对应的预设生理状态为所述生理状态，其中，所述第四特征向量与所述多个预设生理状态的特征向量维数相同。

根据如下公式确定匹配值：

其中，β为第四特征向量，βi为该多个预设生理状态的特征向量中第i个预设生理状态的特征向量。

可选的，如第四特征向量与多个预设生理状态的特征向量维数不同，则采取添加零的方式，构建维数相同后再进行匹配值计算。

步骤s204、根据所述生理状态确定对应的监护策略。

可选的，基于步骤s203中的生理状态，生成与该生理状态对应的控制指令，执行该控制指令对应的监护策略，具体来讲：如所述生理状态为第一预设生理状态，从预先存储的生理状态与控制指令的映射关系表中查询所述生理状态对应的控制指令，所述控制指令用于控制所述智能监护装置执行对应的操作，所述第一预设生理状态为轻度病症状态；如所述生理状态为第二预设生理状态中，将所述生理状态发送至预先存储的联系人，进行报警提示，所述第二预设生理状态为重度病症状态。

其中，该轻度病症状态可以包括感冒发烧、头痛、背痛、心情郁闷，即一些不会威胁生命安全的病症，该重度病症状态可以包括心脏病突发、高血压突发、老人摔倒无法呼吸状态，等等，其中，该轻度病症状态和重度病症状态可以根据专业医生的建议进行具体分类，在此我们不做具体限定。

可选的，根据步骤s203所述的方法，其步骤还包括：确定匹配值最高时的具体值，如该匹配值最高的数值(如0.5)小于预设阈值(如0.7)，则此时得出的生理状态可能与预设生理状态相差较大，可能该agi在判断生理状态时存在误判，或者，该用户当前的生理状态属于一种新型疾病，并未进行存储，此时，将该用户当前的生理状态发送至专业医生，请求该专业医生进一步诊断，以免出现误诊，耽误老人的治疗，当专业医生诊断后，获取该专业医生的诊断结果，将该结果发送至云处理器中的agi，更新该agi中的网络模型，并且云处理器根据专业医生的诊断结果指示机器人作出对应的操作。通过这种专业医生与智能监护装置交互的方式，可以使该智能监护装置判断生理状态的准确度越来越来高，而且，专业医生只接收该智能装置与预设生理状态相差较大的输出结果，故而一个专业医生可以同时处理多个智能监护装置的输出结果，缓解了专业医生的压力，释放了医疗资源。

举例来说，如该生理状态为心情郁闷，则控制本地终端开启语音聊天模式，陪老人聊天，并且在聊天的时候控制语速和语调以及聊天内容，多聊一些老人感兴趣的话题，并可将聊天模式设定为幽默风趣模式，从而缓解老人郁闷的心情，当检测到老人的心情缓解时，可关闭聊天模式，如确定老人长时间保持郁闷心情，远程通知该老人的监护人，对老人进行引导。

再举例来说，如该生理状态为心脏病突发，则立马开启报警模式，通过扬声器通知周围的监护人员，而且，将该生理状态发送至远程联系人，通知家属。

可以看出，本申请实施例中，获取老人的面部图像、语音信息和生理数据，通过面部图像确定老人的面部表情，语音信息确定情绪，生理数据确定生理特征，综合面部表情、情绪和生理特征确定老人当前的生理状态，根据当前的生理状态确定对应的监护策略，实现了针对性的监护，而且机器人可以全天候工作，实时监测老人的生理状态，保证了老人生理紊乱时，及时得到治疗，并且机器人可以检测到人工检测不到的突发症，更加专业全面的监护老人；该机器人在无法做出准确的判断时，将监测到的生理状态发送给人类医生，通过与人类医生互动交流的方式，获得准确无误的诊断结果。

参阅图3，图3示出了另一种基于深度学习的智能监护方法，所述方法应用于智能监护装置，所述方法包括：

步骤s301、从云数据库中筛选相关数据作为训练数据，将所述训练数据执行输入到初始网络模型执行多层正向运算得到输出结果，根据所述输出结果得到输出结果梯度，将所述输出结果梯度执行多层反向运算得到每层的权值梯度，根据所述权值梯度对每层的权值进行更新，经过多次迭代计算得到最终的权值，根据所述最终的权值构建预设网络模型。

其中，云数据库中的数据包括家庭中智能诊断试剂盒上传的诊断结果、各种医疗场所上传的医疗数据、医疗专家在医疗模拟与测试后上传的医疗数据，另外电子健康档案、可穿戴设备和生物医学检测中的医疗数据也是云数据库中的重要数据，当然，本申请并不限定云数据库中医疗数据的种类和数量。

步骤s302、获取面部图像、语音信息和生理数据。

步骤s303、处理所述面部图像得到第一目标数据，处理所述语音信息得到第二目标数据，处理所述生理数据得到第三目标数据。

步骤s304、将所述第一目标数据、所述第二目标数据和所述第三目标数据输入到对应的预设网络模型执行正向运算得到输出结果，根据所述输出结果确定生理状态。

步骤s305、根据所述生理状态确定对应的监护策略。

步骤s306、获取用户基于所述监护策略所做出的反馈信息，将所述反馈信息与所述所述生理状态进行比对，得到冲突结果，将所述冲突结果输入到所述预设网络模型执行反向运算更新所述预设网络模型的权值。

举例来说，如确定用户的面部表情为痛苦，根据语音信息确定情绪为低落，根据生理参数确定该用户生理特征为体温高于正常体温，如根据这三个结果确定当前的生理状态为轻度感冒，故机器人给用户拾取感冒药，并通过语音提示的方式建议用户服用感冒药，如实际用户并没有服用感冒药，而是呼叫了医护人员，确定用户为食物中毒，用户的行为与机器人的判定结果冲突，将用户的实际行为输入到预设网络模型执行反向运算，更新该预设网络模型的权值。

可以看出，本申请实施例中，获取老人的面部图像、语音信息和生理数据，通过面部图像确定老人的面部表情，语音信息确定情绪，生理数据确定生理特征，综合面部表情、情绪和生理特征确定老人当前的生理状态，根据当前的生理状态确定对应的监护策略，实现了针对性的监护，而且机器人可以全天候工作，实时监测老人的生理状态，保证了老人生理紊乱时，及时得到治疗，另外获取用户基于监护策略所做出的反馈信息，根据反馈信息更新网络模型，通过机器学习的方式一步步提高网络模型判断生理状态的准确度。

与上述图2、图3所示的实施例一致的，请参阅图4，图4是本申请实施例提供的一种基于深度学习的智能监护装置400的结构示意图，所述智能监护装置400包括云处理器401、本地终端402和可穿戴设备403，所述本地终端包括：摄像头4021、音频采集器4022、应用处理器ap4023、收发器4024；

所述摄像头，用于采集面部图像；

所述音频采集器，用于采集语音信息；

所述可穿戴设备，用于采集生理数据；

所述收发器，用于接收所述面部图像、语音信息和生理数据；

所述ap，用于处理所述处理所述面部图像得到第一目标数据，处理所述语音信息得到第二目标数据，处理所述生理数据得到第三目标数据；

所述收发器，用于传输所述第一目标数据、第二目标数据和第三目标数据至所述云处理器；

所述云处理器，用于将所述第一目标数据、所述第二目标数据和所述第三目标数据输入到对应的预设网络模型执行正向运算得到输出结果，根据所述输出结果确定生理状态；

所述云处理器，用于根据所述生理状态确定对应的监护策略。

参阅图5，图5示出了上述实施例中所涉及基于深度学习的智能监护装置500的一种可能的功能单元组成框图，智能监护装置500包括获取单元501、处理单元502、输入单元503、确定单元504：

获取单元501，用于获取面部图像、语音信息和生理数据；

处理单元502，用于处理所述面部图像得到第一目标数据，处理所述语音信息得到第二目标数据，处理所述生理数据得到第三目标数据；

输入单元503，用于将所述第一目标数据、所述第二目标数据和所述第三目标数据输入到对应的预设网络模型执行正向运算得到输出结果，根据所述输出结果确定生理状态；

确定单元504，用于根据所述生理状态确定对应的监护策略。

在一可能的示例中，电子装置还包括反馈单元505，用于获取用户基于所述监护策略所做出的反馈信息，将所述反馈信息与所述所述生理状态进行比对，得到冲突结果，将所述冲突结果输入到所述预设网络模型执行反向运算更新所述预设网络模型的权值。

在一可能的示例中，在处理所述面部图像得到第一目标数据，处理所述语音信息得到第二目标数据，处理所述生理数据得到第三目标数据方面，处理单元502具体用于：将所述面部图像进行灰度处理得到灰度图像，按照预设规则将所述灰度图像划分为n个区域，获取每个区域的特征数据，根据所述每个区域的权值系数确定所述灰度图像的特征数据，将所述灰度图像的特征数据作为所述第一目标数据；获取所述语音信息的语速参数、音量参数和语调参数，将语速参数、音量参数和语调参数组成为所述第二目标数据；将所述生理数据滤波和去噪得到所述第三目标数据。

在一可能的示例中，在将所述第一目标数据、所述第二目标数据和所述第三目标数据输入到对应的预设网络模型执行正向运算得到输出结果，根据所述输出结果确定生理状态方面，输入单元503具体用于：将所述第一目标数据、所述第二目标数据和所述第三目标数据分别输入到各自对应的网络模型执行正向运算得到各自的输出结果，根据所述第一目标数据的输出结果确定所述面部图像对应的面部表情，根据所述第二目标数据的输出结果确定所述语音信息对应的语音情绪，根据所述第三目标数据的输出结果确定所述生理数据对应的生理特征；确定所述面部表情的第一特征向量、语音情绪的第二特征向量和生理特征的第三特征向量，将所述第一特征向量、第二特征向量和第三特征向量串联组成第四特征向量，确定所述第四特征向量与多个预设生理状态的特征向量匹配值，获取匹配值最高对应的预设生理状态为所述生理状态，其中，所述第四特征向量与所述多个预设生理状态的特征向量维数相同。

在一可能的示例中，在根据所述生理状态确定对应的监护策略方面，确定单元504具体用于：如所述生理状态为第一预设生理状态，从预先存储的生理状态与控制指令的映射关系表中查询所述生理状态对应的控制指令，所述控制指令用控制所述智能监护装置执行对应的操作，所述第一预设生理状态为轻度病症状态；如所述生理状态为第二预设生理状态，将所述生理状态发送至预先存储的联系人，进行报警提示，所述第二预设生理状态为重度病症状态。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于深度学习的监护方法的部分或全部步骤。

本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种基于深度学习的监护方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取器(英文：randomaccessmemory，简称：ram)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。