1.本发明涉及中风预警技术领域，具体为一种基于日常行为分析的中风预警系统。
背景技术：2.短暂性脑缺血发作(tia)，俗称小中风，是由脑、脊髓或视网膜血流丧失(缺血)引起的神经功能障碍短暂发作，无组织死亡(梗死)。tia具有与缺血性卒中相同的潜在机制：都是由于流向中枢神经系统的血液中断所导致。并且，tia患者存在着巨大的卒中的风险。目前，临床上依赖行为评分量表、血管成像和磁共振弥散成像等手段，进行疾病诊断与评估。目前，有许多相关技术和手段用于居家养老智能看护系统中(如：射频识别装置、加速度传感器、脉搏传感器、gps定位与温度传感器等)，使用人员将装置佩戴在身体上，对佩戴者的身体状况、突发情况和位置信息进行日常生活活动监测。但是，这些手段无法精确检测人在日常生活中具体行为变化，同时以上方法都需要使用人员在躯干部位佩戴相关设备，存在影响日常行为活动、应用范围小、成本高等缺点。因此，亟需一种成本低、适用性强、准确度高的技术在日常生活活动中对tia症状相关异常行为进行捕捉与分析。
3.但是在现有技术中，不能够对待监测的对象进行身体躯干的动作进行分析，从而导致中风预警效率降低。
技术实现要素：4.本发明的目的就在于提出一种基于日常行为分析的中风预警系统，通过数据采集单元对待监测对象进行监测，通过多方位高空间分辨率摄像头，利用计算机视觉与深度学术技术，对人的躯干19个关节点进行识别追踪与骨骼分析，获取到待监测对象的行为特征信息，行为特征信息包括疲劳行为数据、平衡行为数据以及步态行为数据，随后将疲劳行为数据、平衡行为数据以及步态行为数据对应发送至疲劳分析单元、平衡检测单元以及运动分析单元；对待监测对象进行躯干动作分析，提高了中风监测的准确性，有效进行预防，增强用户的使用质量。
5.本发明的目的可以通过以下技术方案实现：
6.一种基于日常行为分析的中风预警系统，包括数据采集单元、疲劳分析单元、平衡检测单元、运动分析单元、云管理平台、注册登录单元以及数据；
7.注册登录单元用于管理人员通过手机终端提交管理人员信息进行注册，并将注册成功的管理人员发送至数据库进行储存，管理人员信息包括管理人员的姓名、年龄、入职时间以及本人实名认证的手机号码；
8.数据采集单元用于对待监测对象进行监测，通过多方位高空间分辨率摄像头，利用计算机视觉与深度学术技术，对人的躯干19个关节点进行识别追踪与骨骼分析，获取到待监测对象的行为特征信息，行为特征信息包括疲劳行为数据、平衡行为数据以及步态行为数据，随后将疲劳行为数据、平衡行为数据以及步态行为数据对应发送至疲劳分析单元、平衡检测单元以及运动分析单元；
9.疲劳分析单元用于接收疲劳行为数据，从而对待监测对象进行疲劳分析，疲劳行为数据包括速度数据、加速度数据以及时长数据，速度数据为待监测对象在监测时间阈值内步行的平均速度，加速度数据为待监测对象在监测时间内身体转动的加速度，时长数据为待监测对象在监测时间内身体节段屈曲和伸展的总时长，将待监测对象标记为i，i＝1，2，
……
，n，n为正整数；
10.平衡检测单元用于接收平衡行为数据，从而对待监测对象的平衡进行分析，平衡行为数据包括步行时长、转弯时长以及返回时长，步行时长为待监测对象的第一步和最后一步的间隔时长，转弯时长为待监测对象的第一步和转弯步骤的间隔时长，返回时长为待监测对象的转弯步骤和最后一步的间隔时长，
11.运动分析单元用于接收步态行为数据，从而对待监测对象的运动进行分析，步态行为数据包括步幅数据、双占比数据以及单占比数据，步幅数据为待监测对象双脚脚后跟着地的间隔时长，双占比数据为待监测对象双脚与地面接触的每个步态周期的百分比，单占比数据为待监测对象单脚与地面接触的每个步态周期的百分比，步态周期为待监测对象运动时双脚脚尖和脚跟的活动周期；
12.云管理平台接收到疲劳信号、平衡异常信号以及运动异常信号中任一信号，均生成中风预警信号，并将中风信号和对应的待监测对象发送至管理人员的手机终端。
13.进一步地，疲劳分析单元具体分析过程如下：
14.步骤s1：获取到待监测对象在监测时间阈值内步行的平均速度，并将待监测对象在监测时间阈值内步行的平均速度标记为pji；
15.步骤s2：获取到待监测对象在监测时间内身体转动的加速度，并将待监测对象在监测时间内身体转动的加速度标记为jsi；
16.步骤s3：获取到待监测对象在监测时间内身体节段屈曲和伸展的总时长，并将待监测对象在监测时间内身体节段屈曲和伸展的总时长标记为sci；
17.步骤s4：通过公式获取到待监测对象的疲劳系数pli，其中，a1、a2以及a3均为比例系数，且a1＞a2＞a3＞0；
18.步骤s5：将待监测对象的疲劳系数pli与疲劳系数阈值进行比较：
19.若待监测对象的疲劳系数pli≥疲劳系数阈值，则判定对应待检测对象为疲劳状态，生成疲劳信号并将疲劳信号和对应的疲劳系数发送至云管理平台；
20.若待监测对象的疲劳系数pli＜疲劳系数阈值，则判定对应待检测对象为非疲劳状态，生成非疲劳信号并将非疲劳信号和对应的疲劳系数发送至云管理平台。
21.进一步地，平衡检测单元具体分析过程如下：
22.步骤ss1：通过计算机视觉与深度学习技术，对待监测对象的双脚脚后跟和脚尖进行识别，分析脚尖与脚后跟抬起与落地时间以及脚尖至脚后跟运动方向；
23.步骤ss2：获取到待监测对象的第一步和最后一步的间隔时长、第一步和转弯步骤的间隔时长以及待监测对象的转弯步骤和最后一步的间隔时长，并将其对应标记为ji、zi以及fi；
24.步骤ss3：通过公式获取到待监测对象的平衡检测
系数xi，其中，b1、b2以及b3均为比例系数，且b1＞b2＞b3＞0，e为自然常数，β为误差修正因子，取值为1.032652；
25.步骤ss4：将待监测对象的平衡检测系数xi与平衡检测系数阈值进行比较：
26.若待监测对象的平衡检测系数xi≥平衡检测系数阈值，则判定对应待监测对象的平衡检测系数正常，生成平衡正常信号并将平衡正常信号和对应的平衡检测系数一同发送至云管理平台；
27.若待监测对象的平衡检测系数xi＜平衡检测系数阈值，则判定对应待监测对象的平衡检测系数异常，生成平衡异常信号并将平衡异常信号和对应的平衡检测系数一同发送至云管理平台。
28.进一步地，运动分析单元具体分析过程如下：
29.步骤t1：获取到待监测对象双脚脚后跟着地的间隔时长，并将待监测对象双脚脚后跟着地的间隔时长标记为jgsi；
30.步骤t2：获取到待监测对象双脚与地面接触的每个步态周期的百分比，并将待监测对象双脚与地面接触的每个步态周期的百分比标记为sfbi；
31.步骤t3：获取到待监测对象单脚与地面接触的每个步态周期的百分比，并将待监测对象单脚与地面接触的每个步态周期的百分比标记为dfbi；
32.步骤t4：通过公式ydi＝(jgsi
×
c1+sfbi
×
c2+dfbi
×
c3)
3.65
获取到待监测对象的运动分析系数ydi，其中，c1、c2以及c3均为比例系数，且c1＞c2＞c3＞0；
33.步骤t5：将待监测对象的运动分析系数ydi与运动分析系数阈值进行比较：
34.若待监测对象的运动分析系数ydi≥运动分析系数阈值，则判定对应待监测对象的运动正常，生成运动正常信号并将运动正常信号发送至云管理平台；
35.若待监测对象的运动分析系数ydi＜运动分析系数阈值，则判定对应待监测对象的运动异常，生成运动异常信号并将运动异常信号发送至云管理平台。
36.与现有技术相比，本发明的有益效果是：
37.1、本发明中，通过数据采集单元对待监测对象进行监测，通过多方位高空间分辨率摄像头，利用计算机视觉与深度学术技术，对人的躯干19个关节点进行识别追踪与骨骼分析，获取到待监测对象的行为特征信息，行为特征信息包括疲劳行为数据、平衡行为数据以及步态行为数据，随后将疲劳行为数据、平衡行为数据以及步态行为数据对应发送至疲劳分析单元、平衡检测单元以及运动分析单元；对待监测对象进行躯干动作分析，提高了中风监测的准确性，有效进行预防，增强用户的使用质量；
38.2、本发明中，通过疲劳分析单元接收疲劳行为数据，从而对待监测对象进行疲劳分析，通过平衡检测单元接收平衡行为数据，从而对待监测对象的平衡进行分析，通过运动分析单元用于接收步态行为数据，从而对待监测对象的运动进行分析，对待监测对象的动作进行细化分析，有效预测待监测对象的身体状态，最大效率对中风进行预防。
附图说明
39.为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
40.图1为本发明的原理框图。
具体实施方式
41.下面将结合实施例对本发明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前提下所获得的所有其它实施例，都属于本发明保护的范围。
42.如图1所示，一种基于日常行为分析的中风预警系统，包括数据采集单元、疲劳分析单元、平衡检测单元、运动分析单元、云管理平台、注册登录单元以及数据；
43.注册登录单元用于管理人员通过手机终端提交管理人员信息进行注册，并将注册成功的管理人员发送至数据库进行储存，管理人员信息包括管理人员的姓名、年龄、入职时间以及本人实名认证的手机号码；
44.数据采集单元用于对待监测对象进行监测，通过多方位高空间分辨率摄像头，利用计算机视觉与深度学术技术，对人的躯干19个关节点进行识别追踪与骨骼分析，获取到待监测对象的行为特征信息，行为特征信息包括疲劳行为数据、平衡行为数据以及步态行为数据，随后将疲劳行为数据、平衡行为数据以及步态行为数据对应发送至疲劳分析单元、平衡检测单元以及运动分析单元，计算机视觉与深度学术技术为公开常知的现有技术；
45.疲劳分析单元用于接收疲劳行为数据，从而对待监测对象进行疲劳分析，疲劳行为数据包括速度数据、加速度数据以及时长数据，速度数据为待监测对象在监测时间阈值内步行的平均速度，加速度数据为待监测对象在监测时间内身体转动的加速度，时长数据为待监测对象在监测时间内身体节段屈曲和伸展的总时长，将待监测对象标记为i，i＝1，2，
……
，n，n为正整数，具体分析过程如下：
46.步骤s1：获取到待监测对象在监测时间阈值内步行的平均速度，并将待监测对象在监测时间阈值内步行的平均速度标记为pji；
47.步骤s2：获取到待监测对象在监测时间内身体转动的加速度，并将待监测对象在监测时间内身体转动的加速度标记为jsi；
48.步骤s3：获取到待监测对象在监测时间内身体节段屈曲和伸展的总时长，并将待监测对象在监测时间内身体节段屈曲和伸展的总时长标记为sci；
49.步骤s4：通过公式获取到待监测对象的疲劳系数pli，其中，a1、a2以及a3均为比例系数，且a1＞a2＞a3＞0；
50.步骤s5：将待监测对象的疲劳系数pli与疲劳系数阈值进行比较：
51.若待监测对象的疲劳系数pli≥疲劳系数阈值，则判定对应待检测对象为疲劳状态，生成疲劳信号并将疲劳信号和对应的疲劳系数发送至云管理平台；
52.若待监测对象的疲劳系数pli＜疲劳系数阈值，则判定对应待检测对象为非疲劳状态，生成非疲劳信号并将非疲劳信号和对应的疲劳系数发送至云管理平台；
53.平衡检测单元用于接收平衡行为数据，从而对待监测对象的平衡进行分析，平衡行为数据包括步行时长、转弯时长以及返回时长，步行时长为待监测对象的第一步和最后一步的间隔时长，转弯时长为待监测对象的第一步和转弯步骤的间隔时长，返回时长为待监测对象的转弯步骤和最后一步的间隔时长，具体分析过程如下：
54.步骤ss1：通过计算机视觉与深度学习技术，对待监测对象的双脚脚后跟和脚尖进
行识别，分析脚尖与脚后跟抬起与落地时间以及脚尖至脚后跟运动方向；
55.步骤ss2：获取到待监测对象的第一步和最后一步的间隔时长、第一步和转弯步骤的间隔时长以及待监测对象的转弯步骤和最后一步的间隔时长，并将其对应标记为ji、zi以及fi；
56.步骤ss3：通过公式获取到待监测对象的平衡检测系数xi，其中，b1、b2以及b3均为比例系数，且b1＞b2＞b3＞0，e为自然常数，β为误差修正因子，取值为1.032652；
57.步骤ss4：将待监测对象的平衡检测系数xi与平衡检测系数阈值进行比较：
58.若待监测对象的平衡检测系数xi≥平衡检测系数阈值，则判定对应待监测对象的平衡检测系数正常，生成平衡正常信号并将平衡正常信号和对应的平衡检测系数一同发送至云管理平台；
59.若待监测对象的平衡检测系数xi＜平衡检测系数阈值，则判定对应待监测对象的平衡检测系数异常，生成平衡异常信号并将平衡异常信号和对应的平衡检测系数一同发送至云管理平台；
60.运动分析单元用于接收步态行为数据，从而对待监测对象的运动进行分析，步态行为数据包括步幅数据、双占比数据以及单占比数据，步幅数据为待监测对象双脚脚后跟着地的间隔时长，双占比数据为待监测对象双脚与地面接触的每个步态周期的百分比，单占比数据为待监测对象单脚与地面接触的每个步态周期的百分比，步态周期为待监测对象运动时双脚脚尖和脚跟的活动周期，具体分析过程如下：
61.步骤t1：获取到待监测对象双脚脚后跟着地的间隔时长，并将待监测对象双脚脚后跟着地的间隔时长标记为jgsi；
62.步骤t2：获取到待监测对象双脚与地面接触的每个步态周期的百分比，并将待监测对象双脚与地面接触的每个步态周期的百分比标记为sfbi；
63.步骤t3：获取到待监测对象单脚与地面接触的每个步态周期的百分比，并将待监测对象单脚与地面接触的每个步态周期的百分比标记为dfbi；
64.步骤t4：通过公式ydi＝(jgsi
×
c1+sfbi
×
c2+dfbi
×
c3)
3.65
获取到待监测对象的运动分析系数ydi，其中，c1、c2以及c3均为比例系数，且c1＞c2＞c3＞0；
65.步骤t5：将待监测对象的运动分析系数ydi与运动分析系数阈值进行比较：
66.若待监测对象的运动分析系数ydi≥运动分析系数阈值，则判定对应待监测对象的运动正常，生成运动正常信号并将运动正常信号发送至云管理平台；
67.若待监测对象的运动分析系数ydi＜运动分析系数阈值，则判定对应待监测对象的运动异常，生成运动异常信号并将运动异常信号发送至云管理平台；
68.云管理平台接收到疲劳信号、平衡异常信号以及运动异常信号中任一信号，均生成中风预警信号，并将中风信号和对应的待监测对象发送至管理人员的手机终端。
69.本发明工作原理：
70.一种基于日常行为分析的中风预警系统，在工作时，注册登录单元用于管理人员通过手机终端提交管理人员信息进行注册，并将注册成功的管理人员发送至数据库进行储存，管理人员信息包括管理人员的姓名、年龄、入职时间以及本人实名认证的手机号码；
71.数据采集单元用于对待监测对象进行监测，通过多方位高空间分辨率摄像头，利用计算机视觉与深度学术技术，对人的躯干19个关节点进行识别追踪与骨骼分析，获取到待监测对象的行为特征信息，行为特征信息包括疲劳行为数据、平衡行为数据以及步态行为数据，随后将疲劳行为数据、平衡行为数据以及步态行为数据对应发送至疲劳分析单元、平衡检测单元以及运动分析单元；
72.疲劳分析单元用于接收疲劳行为数据，从而对待监测对象进行疲劳分析，生成疲劳信号或非疲劳信号；
73.平衡检测单元用于接收平衡行为数据，从而对待监测对象的平衡进行分析，生成平衡正常信号或平衡异常信号；
74.运动分析单元用于接收步态行为数据，从而对待监测对象的运动进行分析，生成运动正常信号或运动异常信号；
75.云管理平台接收到疲劳信号、平衡异常信号以及运动异常信号中任一信号，均生成中风预警信号，并将中风信号和对应的待监测对象发送至管理人员的手机终端。
76.上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
77.以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。