智能监控看护方法、系统和电子设备与流程

1.本技术涉及智能监控的领域，且更为具体地，涉及一种智能监控看护方法、系统和电子设备。


背景技术：

2.我国正迈入老龄化阶段,独居老人日益增多,老年人看护成为社会关注的一个重要问题,建立老年人智能看护系统具有实际应用价值与社会效益。
3.目前，由于很多因素都会影响到老年人的健康看护，例如老年人室内环境参数、火灾信息、行为信息等，而仅单独依靠某一单一数据信息进行预警会导致安全预警的准确性和时效性难以保证。因此，为了准确有效地对安全的异常数据进行智能预警，以对看护的老年人的安全性进行保障，期望提供一种智能监控看护方案。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种智能监控看护方法、系统和电子设备，其通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。这样，能够准确有效地对老年人看护的安全异常数据进行智能预警。
5.根据本技术的一个方面，提供了一种智能监控看护方法，其包括：训练阶段，包括：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在
每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵；以及推断阶段，包括：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。
6.根据本技术的另一方面，提供了一种智能监控看护系统，其包括：训练模块，包括：数据采样单元，用于将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；排列单元，用于将采样获得的所述数据采样单元获得的所述各项内因指标数据和所述数据采样单元获得的所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；解码特征图生成单元，用于将所述排列单元获得的所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；解码损失函数值计算单元，用于将所述解码特征图生成单元获得的所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及训练单元，用于基于所述解码损失函数值计算单元获得的所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以
及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵；以及推断模块，包括：数据获取单元，用于将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；输入矩阵构造单元，用于将采样获得的所述数据获取单元获得的所述各项内因指标数据和所述数据获取单元获得的所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；卷积神经网络处理单元，用于将所述输入矩阵构造单元获得的所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及解码值生成单元，用于将所述卷积神经网络处理单元获得的所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。
7.根据本技术的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能监控看护方法。
8.根据本技术的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能监控看护方法。
9.与现有技术相比，本技术提供了一种智能监控看护方法、系统和电子设备，其通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。这样，能够准确有效地对老年人看护的安全异常数据进行智能预警。
附图说明
10.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
11.图1a为根据本技术实施例的智能监控看护方法的卷积神经网络的并行子结构示意图。
12.图1b为根据本技术实施例的智能监控看护方法的场景示意图。
13.图2a为根据本技术实施例的智能监控看护方法中训练阶段的流程图。
14.图2b为根据本技术实施例的智能监控看护方法中推断阶段的流程图。
15.图3a为根据本技术实施例的智能监控看护方法中训练阶段的架构示意图。
16.图3b为根据本技术实施例的智能监控看护方法中推断阶段的架构示意图。
17.图4为根据本技术实施例的智能监控看护系统的框图。
18.图5为根据本技术实施例的电子设备的框图。
具体实施方式
19.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
20.场景概述如前所述，我国正迈入老龄化阶段,独居老人日益增多,老年人看护成为社会关注的一个重要问题,建立老年人智能看护系统具有实际应用价值与社会效益。
21.目前，由于很多因素都会影响到老年人的健康看护，例如老年人室内环境参数、火灾信息、行为信息等，而仅单独依靠某一单一数据信息进行预警会导致安全预警的准确性和时效性难以保证。因此，为了准确有效地对安全的异常数据进行智能预警，以对看护的老年人的安全需要进行保障，期望提供一种智能监控看护方法。
22.应可以理解，这本质上这也是一个多传感器信息融合来进行智能预警的思路。因此，如何进行信息融合是关键。特别地，在本技术的技术方案中，结合老年人的行为信息和生理指标作为内因，室内环境参数和火灾信息等作为外因，结合内外因来进行智能预警。
23.考虑到在进行多传感器信息融合时，需要有效地融合内因数据和外因数据，并依据特定数据自身的结构特征和数据之间的关联特征来进行建模，从而进行数据分类。
24.具体地，在本技术的技术方案中，将各项内因指标数据和外因指标数据以预定时间点进行采样，并按照样本和时间排列为输入矩阵，并输入包含并行子结构的卷积神经网络以获得特征图，该卷积神经网络的并行子结构用于处理不同分辨率的特征，且将来自不同子结构的特征在网络的后期融合，表示为如图1a所示。
25.另外，针对解码器所具有的全连接层矩阵，通过标准网格来进行卷积缩放，其中3
×
3且步长为1的标准网格表示为：，则更新的全连接层矩阵为：其中是缩放因数，可以与卷积神经网络的并行子结构之间的层数差对应，例如上图层数差为2时，表示卷积参数，即用于进行卷积缩放的解码器块注意力参数。
26.这样，在解码器的每次迭代时，使用更新后的解码器的全连接层矩阵来进行梯度
传递。具体地，在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵。
27.应可以理解，这样通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘数据在不同感知野（sensing field）下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。
28.基于此，本技术提出了一种智能监控看护方法，其包括：训练阶段和推断阶段。其中，训练阶段包括步骤：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及，基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵。其中，推断阶段包括步骤：将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及，将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。
29.图1b图示了根据本技术实施例的智能监控看护方法的场景示意图。如图1b所示，在该应用场景的训练阶段中，首先，通过老年人（例如，如图1b中所示意的p）佩戴的电子设备（例如，如图1b中所示意的t）以预定时间点采样与老人相关的各项内因指标数据和各项外因指标数据，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度，并且所述电子设备包括但不局限于智能手环、智能手表等。然后，将获得的所述各项内因指标数据和所述各项外因指标数据输入至部署有智能监控看护算法的服务器（例如，如图1b中所示意的s）中，其中，所述服务器能够智能监控看护算法以所述各项内因指标数据和所述各项外因指标数据对智能监控看护的所述卷积神经网络和所述解码器进行训练。
30.在训练完成后，在推断阶段中，首先，通过老年人（例如，如图1b中所示意的p）佩戴的电子设备（例如，如图1b中所示意的t）以预定时间点采样与老人相关的各项内因指标数据和各项外因指标数据，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度，并且所述电子设备包括但不局限于智能手环、智能手表等。然后，将获得的所述各项内因指标数据和所述各项外因指标数据输入至部署有智能监控看护算法的服务器（例如，如图1b中所示意的s）中，其中，所述服务器能够以智能监控看护算法对所述各项内因指标数据和所述各项外因指标数据进行处理，以生成所述老人的预测安全等级。
31.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
32.示例性方法图2a图示了根据本技术实施例的智能监控看护方法中训练阶段的流程图。如图2a所示，根据本技术实施例的智能监控看护方法，包括：训练阶段，包括步骤：s110，将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；s120，将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；s130，将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；s140，将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及，s150，基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵。
33.图2b图示了根据本技术实施例的智能监控看护方法中推断阶段的流程图。如图2b所示，根据本技术实施例的智能监控看护方法，还包括：推断阶段，包括步骤：s210，将与老
人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；s220，将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；s230，将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及，s240，将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。
34.图3a图示了根据本技术实施例的智能监控看护方法中训练阶段的架构示意图。如图3a所示，在训练阶段中，在该网络架构中，首先，将采样获得的所述各项内因指标数据（例如，如图3a中所示意的p1）和所述各项外因指标数据（例如，如图3a中所示意的p2）按照时间维度和样本维度排列为输入矩阵（例如，如图3a中所示意的m）；接着，将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络（例如，如图3a中所示意的cnn）以获得解码特征图（例如，如图3a中所示意的f）；然后，将所述解码特征图通过作为解码器的全连接神经网络（例如，如图3a中所示意的fcn）以获得解码损失函数值（例如，如图3a中所示意的dlv）；以及，最后，基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练。
35.图3b图示了根据本技术实施例的智能监控看护方法中推断阶段的架构示意图。如图3b所示，在推断阶段中，在该网络结构中，当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，首先，将采样获得的所述各项内因指标数据（例如，如图3b中所示意的q1）和所述各项外因指标数据（例如，如图3b中所示意的q2）按照时间维度和样本维度排列为输入矩阵（例如，如图3b中所示意的m）；s230，将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络（例如，如图3b中所示意的cn）以获得解码特征图（例如，如图3b中所示意的f）；以及，s240，将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络（例如，如图3b中所示意的fn）以获得解码值（例如，如图3b中所示意的out），所述解码值为所述老人的预测安全等级。
36.更具体地，在训练阶段中，在步骤s110和步骤s120中，将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度，并将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵。如前所述，为了准确有效地对异常数据进行智能预警，以对看护的老年人的安全性进行保障，需要对采集老年人室内环境参数、火灾信息、行为信息等信息数据进行融合，并且考虑到在进行多传感器信息融合时，需要有效地融合内因数据和外因数据，并依据特定数据自身的结构特征和数据之间的关联特征来进行建模，从而进行数据分类。
37.也就是，具体地，在本技术的技术方案中，首先，通过老年人佩戴的电子设备以预定时间点采样与老人相关的各项内因指标数据和各项外因指标数据，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度，并且所述电子设备包括但不局限于智能手环、智能手表等。然后，将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵，以
便于后续对其进行特征提取。
38.具体地，在本技术实施例中，将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵的过程，包括：首先，将同一预定时间点采样获得的所述各项内因指标数据和所述各项外因指标数据按照样本维度排列为行向量，其中，在所述行向量中所述各项内因指标数据和所述各项外因指标数据被打散。然后，将各个预定时间点的所述行向量按照时间维度排列为所述输入矩阵。
39.更具体地，在训练阶段中，在步骤s130中，将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图。也就是，在本技术的技术方案中，进一步将构造的所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图。值得一提的是，这里，所述卷积神经网络的并行子结构用于处理不同分辨率的特征，且将来自不同子结构的特征在网络的后期融合，如图1a所示。应可以理解，通过不区分所述内因数据和所述外因数据，而是将其作为整体来通过所述卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取所述数据自身的结构特征和数据之间的关联特征。
40.具体地，在本技术实施例中，将所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图的过程，包括：首先，使用所述卷积神经网络的第一子结构的各层在层的正向传递中对输入数据进行基于第一卷积核的卷积处理、池化处理和激活处理以由所述第一子结构生成第一子特征图，其中，所述第一子结构的第一层的输入为所述输入矩阵。然后，使用所述卷积神经网络的第二子结构的各层在层的正向传递中对输入数据进行基于第二卷积核的卷积处理、池化处理和激活处理以由所述第二子结构的最后一层输出第二子特征图，其中，所述第二子结构的第一层的输入为所述第一子结构的第一层的输出。最后，使用所述卷积神经网络的特征融合模块将所述第一子特征图与所述第二子特征图进行相乘以获得所述解码特征图。值得一提的是，这里，所述第一卷积核的尺寸大于所述第二卷积核的尺寸，所述第一子结构的层数与所述第二子结构的层数之差为2。
41.更具体地，在训练阶段中，在步骤s140和步骤s150中，将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值，并基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练。也就是，在本技术的技术方案中，进一步地，将所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值。相应地，在一个具体示例中，首先将所述解码特征图通过所述解码器进行解码回归以获得解码值；然后，再计算所述解码值与真实值之间的均方差作为所述解码损失函数值。
42.接着，基于所述解码损失函数值对所述卷积神经网络和所述解码器进行训练。具体地，在本技术的技术方案中，在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损
失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵。
43.具体地，在本技术实施例中，针对解码器所具有的全连接层矩阵，通过标准网格来进行卷积缩放，其中3
×
3且步长为1的标准网格表示为：并且，使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于标准网络、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行的过程，包括：使用更新后的所述卷积神经网络的卷积参数以如下公式对所述解码器的多个全连接层的参数矩阵进行卷积缩放；其中，所述公式为：其中是缩放因数，可以与所述卷积神经网络的并行子结构之间的层数差对应，例如如图1a所示，层数差为2时，表示卷积参数，即用于进行卷积缩放的解码器块注意力参数。这样，在解码器的每次迭代时，使用更新后的解码器的全连接层矩阵来进行梯度传递。应可以理解，在本技术的技术方案中，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，所述解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。
44.在训练完成后，进入推断阶段。也就是，在使用智能监控看护算法来训练所述卷积神经网络和所述解码器后，将训练完成的所述卷积神经网络和所述解码器用于实际的推断场景中。
45.更具体地，在推断阶段中，在步骤s210和步骤s220中，将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度，并将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵。也就是，同样地，在本技术的技术方案中，首先，通过老年人佩戴的电子设备以预定时间点采样与老人相关的各项内因指标数据和各项外因指标数据，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度，并且所述电子设备包括但不局限于智能手环、智能手表等。然后，将采样获得的所述各项内因指标数据和所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵，以便于后续对其进行特征提取。
46.更具体地，在推断阶段中，在步骤s230和步骤s240中，将所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图，并将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以
获得解码值，所述解码值为所述老人的预测安全等级。也就是，在本技术的技术方案中，进一步将所述输入矩阵通过经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络中进行处理，以获得解码特征图。特别地，这里，所述卷积神经网络的并行子结构用于处理不同分辨率的特征，且将来自不同子结构的特征在网络的后期融合。然后，再将所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得用于表示所述老人的预测安全等级的解码值。进而，基于所述解码值确定是否发射预警提示。
47.综上，基于本技术实施例的智能监控看护方法被阐明，其通过不区分内因数据和外因数据，而是将其作为整体来通过卷积神经网络提取特征，可以实现多传感器信息的有效融合，并且在信息融合的同时，通过进一步挖掘所述数据在不同感知野下的关联特征，可以从而提取数据自身的结构特征和数据之间的关联特征。同时，基于所获得的所述特征图包含不同尺度下的高维特征分布，因此在通过解码回归时以具有多尺度感知的解码器来进行对应，也就是，解码器使用连续范围的感知场来匹配连续的尺度变化，从而对于每个位置学习特定的感知场，以通过匹配卷积神经网络的并行子结构来提高解码准确性。这样，能够准确有效地对老年人看护的安全异常数据进行智能预警。
48.示例性系统图4图示了根据本技术实施例的智能监控看护系统的框图。如图4所示，根据本技术实施例的智能监控看护系统400，包括：训练模块 410和推断模块 420。
49.如图4所示，所述训练模块 410，包括：数据采样单元 411，用于将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；排列单元 412，用于将采样获得的所述数据采样单元 411获得的所述各项内因指标数据和所述数据采样单元 411获得的所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；解码特征图生成单元 413，用于将所述排列单元 412获得的所述输入矩阵输入包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；解码损失函数值计算单元 414，用于将所述解码特征图生成单元 413获得的所述解码特征图通过作为解码器的全连接神经网络以获得解码损失函数值；以及，训练单元 415，用于基于所述解码损失函数值计算单元 414获得的所述解码损失函数值对所述卷积神经网络和所述解码器进行训练，包括：在每一轮迭代中，以所述解码损失函数值相对于所述卷积神经网络的卷积参数的偏导作为梯度信息来更新所述卷积神经网络的卷积参数；使用更新后的所述卷积神经网络的卷积参数对所述解码器的多个全连接层的参数矩阵进行卷积缩放，所述卷积缩放基于尺寸为3
×
3且步长为1的标准网格、所述卷积神经网络的卷积参数以及与所述卷积神经网络的并行子结构的层数差对应的缩放因子进行；以及，基于所述解码损失函数值相对于经卷积缩放后的所述全连接层的参数矩阵的偏导作为梯度信息来更新所述解码器的全连接层的参数矩阵；以及如图4所示，所述推断模块 420，包括：数据获取单元 421，用于将与老人相关的各项内因指标数据和各项外因指标数据以预定时间点进行采样，其中，所述内因指标因数包
括行为数据和生理指标数据，所述外因数据包括火灾信息、室内温度、室内湿度和照明度；输入矩阵构造单元 422，用于将采样获得的所述数据获取单元 421获得的所述各项内因指标数据和所述数据获取单元 421获得的所述各项外因指标数据按照时间维度和样本维度排列为输入矩阵；卷积神经网络处理单元 423，用于将所述输入矩阵构造单元 422获得的所述输入矩阵输入经训练阶段训练完成的所述包含并行子结构和特征融合模块的卷积神经网络以获得解码特征图，其中，所述卷积神经网络的各个并行子结构用于以不同尺寸的卷积核对输入数据进行处理以生成多个子特征图，所述特征融合模块用于融合所述多个子特征图以生成所述解码特征图；以及，解码值生成单元 424，用于将所述卷积神经网络处理单元 423获得的所述解码特征图通过经训练阶段训练完成的所述作为解码器的全连接神经网络以获得解码值，所述解码值为所述老人的预测安全等级。
50.在一个示例中，在上述智能监控看护系统400中，所述排列单元 412，进一步用于：将同一预定时间点采样获得的所述各项内因指标数据和所述各项外因指标数据按照样本维度排列为行向量，其中，在所述行向量中所述各项内因指标数据和所述各项外因指标数据被打散；以及，将各个预定时间点的所述行向量按照时间维度排列为所述输入矩阵。
51.在一个示例中，在上述智能监控看护系统400中，所述解码特征图生成单元 413，进一步用于：使用所述卷积神经网络的第一子结构的各层在层的正向传递中对输入数据进行基于第一卷积核的卷积处理、池化处理和激活处理以由所述第一子结构生成第一子特征图，其中，所述第一子结构的第一层的输入为所述输入矩阵；使用所述卷积神经网络的第二子结构的各层在层的正向传递中对输入数据进行基于第二卷积核的卷积处理、池化处理和激活处理以由所述第二子结构的最后一层输出第二子特征图，其中，所述第二子结构的第一层的输入为所述第一子结构的第一层的输出；以及，使用所述卷积神经网络的特征融合模块将所述第一子特征图与所述第二子特征图进行相乘以获得所述解码特征图。
52.在一个示例中，在上述智能监控看护系统400中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸，所述第一子结构的层数与所述第二子结构的层数之差为2。
53.在一个示例中，在上述智能监控看护系统400中，所述解码损失函数值计算单元 414，进一步用于：将所述解码特征图通过所述解码器进行解码回归以获得解码值；以及，计算所述解码值与真实值之间的均方差作为所述解码损失函数值。
54.在一个示例中，在上述智能监控看护系统400中，所述标准网格为所述训练单元 415，进一步用于：使用更新后的所述卷积神经网络的卷积参数以如下公式对所述解码器的多个全连接层的参数矩阵进行卷积缩放；其中，所述公式为：其中是缩放因数，表示卷积参数。
55.在一个示例中，在上述智能监控看护系统400中，进一步包括：基于所述解码值确定是否发射预警提示。
56.这里，本领域技术人员可以理解，上述智能监控看护系统400中的各个单元和模块
的具体功能和操作已经在上面参考图1到图3b的智能监控看护方法的描述中得到了详细介绍，并因此，将省略其重复描述。
57.如上所述，根据本技术实施例的智能监控看护系统400可以实现在各种终端设备中，例如智能监控看护算法的服务器等。在一个示例中，根据本技术实施例的智能监控看护系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能监控看护系统400可以是该终端设备的操作装置中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能监控看护系统400同样可以是该终端设备的众多硬件模块之一。
58.替换地，在另一示例中，该智能监控看护系统400与该终端设备也可以是分立的设备，并且该智能监控看护系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
59.示例性电子设备下面，参考图5来描述根据本技术实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
60.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的智能监控看护方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入矩阵、解码特征图等各种内容。
61.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线装置和/或其他形式的连接机构（未示出）互连。
62.该输入装置13可以包括例如键盘、鼠标等等。
63.该输出装置14可以向外部输出各种信息，包括解码值、老人的预测安全等级等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
64.当然，为了简化，图5中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
65.示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的智能监控看护方法中的功能中的步骤。
66.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如
java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
67.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的智能监控看护方法中的步骤。
68.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
69.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
70.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
71.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
72.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
73.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。