无动静报警方法及装置制造方法
【专利摘要】本发明适用于特殊人群监护领域，提供了一种无动静报警方法及装置，所述方法包括：学习用户使用模式；通过预设的动态感应设备和静态感应设备，以及所述学习到的用户使用模式，判断用户是否处于活动状态；当用户处于非活动状态时，发出报警。本发明提出的方法及装置可降低老人监控的误报警的机率。
【专利说明】无动静报警方法及装置
【技术领域】
[0001]本发明属于特殊人群监护领域，尤其涉及一种无动静报警方法及装置。
【背景技术】
[0002]目前，穿戴式设备和物件传感器广泛用于老年人的活动监控。但两者单独使用时都存在一定缺陷，穿戴式传感器优点是能够及时检测到异常，如果老人穿戴在身上，假设电池没有耗尽，应该可以实时感知老人的运动信息。但缺点是老人记性差，经常会忘记戴上，或者传感器在使用过程中电量耗尽，而老人忘记充电。这些都会导致系统发出错误的报警信号。而这时如果服务中心的工作人员在不恰当的时间(如:休息和就餐时间)进行干预(如:电话)，就会对老人客户及其子女造成不必要的滋扰。此外，如果电话访问没有接听，就需要出动服务人员上门探访，由于穿戴式传感器误报概率较高(客户忘记佩戴或忘记充电导致)，服务中心就需要配置比实际需求多的服务人员，造成服务中心人力，交通等成本的大幅上升。物件传感器的优点在于传感器直接放置在老人常用物件上，不存在忘记的问题。但缺点是它实时性相对较差，因为老年人不是每时每刻都会使用。
【发明内容】
[0003]本发明实施例的目的在于提供一种无动静报警方法及装置，旨在解决现有的穿戴式设备或物件传感器在单独使用时误报率高的问题。
[0004]本发明实施例是这样实现的，一种无动静报警方法，所述方法包括如下步骤:
[0005]学习用户使用模式；
[0006]通过预设的动态感应设备和静态感应设备，以及所述学习到的用户使用模式，判断用户是否处于活动状态；
[0007]当用户处于非活动状态时，发出报警。
[0008]进一步地，所述动态感应设备为具有加速度传感器的穿戴式设备；所述静态感应设备为具有加速度传感器的物件传感器。
[0009]进一步地，所述通过预设的动态感应设备和静态感应设备，以及所述学习到的用户使用模式，判断用户是否处于活动状态包括:
[0010]计算一预设时间内穿戴式设备的加速度传感器所有轴向加速度绝对值之和的最大值或穿戴式设备的加速度传感器所有轴向加速度绝对值的最大值作为第一检测值Al ；计算所述预设时间内物件传感器的所有轴向加速度绝对值之和的最大值或物件传感器的所有轴向加速度绝对值的最大值作为第二检测值A2 ；
[0011]当所述第一检测值Al小于或等于预设的阈值al，且所述第二检测值A2小于或等于预设的阈值a2，根据所述学习到的用户使用模式判断当前时间是否处于用户的活动时间段，是则判定用户处于非活动状态。
[0012]进一步地，所述学习使用模式还包括:
[0013]用户免打扰时间的学习，并添加至所述用户使用模式中。
[0014]进一步地，所述用户免打扰时间的学习包括:
[0015]免打扰状态样本采集；
[0016]提取所述采集的免打扰状态样本的特征；
[0017]根据所述提取的特征进行分类器训练，得到所述用户免打扰时间。
[0018]本发明还提出一种无动静报警装置，所述装置包括:
[0019]学习模块，用于学习用户使用模式；
[0020]判断模块，用于通过预设的动态感应设备和静态感应设备，以及所述学习到的用户使用模式，判断用户是否处于活动状态；
[0021]报警模块，用于当用户处于非活动状态时，发出报警。
[0022]进一步地，所述动态感应设备为具有加速度传感器的穿戴式设备；所述静态感应设备为具有加速度传感器的物件传感器。
[0023]进一步地，所述判断模块包括:
[0024]计算单元，用于计算一预设时间内穿戴式设备的加速度传感器所有轴向加速度绝对值之和的最大值或穿戴式设备的加速度传感器所有轴向加速度绝对值的最大值作为第一检测值Al ;计算所述预设时间内物件传感器的所有轴向加速度绝对值之和的最大值或物件传感器的所有轴向加速度绝对值的最大值作为第二检测值A2 ；
[0025]判定单元，用于当所述第一检测值Al小于或等于预设的阈值al，且所述第二检测值A2小于或等于预设的阈值a2，根据所述学习到的用户使用模式判断当前时间是否处于用户的活动时间段，是则判定用户处于非活动状态。
[0026]进一步地，所述学习模块还用于:
[0027]用户免打扰时间的学习，并添加至所述用户使用模式中。
[0028]进一步地，所述学习模块包括:
[0029]采集单元，用于免打扰状态样本采集；
[0030]提取单元，用于提取所述采集的免打扰状态样本的特征；
[0031]训练单元，用于根据所述提取的特征进行分类器训练，得到所述用户免打扰时间。
[0032]本发明实施例提出一种动态感应设备如穿戴式传感器与静态感应设备如物件传感器相结合的无动静报警方法及装置，由于上述两种传感器都是通过内置加速度传感器对人体或物件的运动进行感知，与热释电传感器、摄像头相比具有运动感知准确的优势，因此大大降低了对弱势群体如老人监控的误报警的机率。在用户使用模式的学习过程中，增加了自适应的学习方法，提高了系统对用户在不同时间、年龄、身体状况使用模式变化的适应性。同时根据两种传感器不同的报警状态制定了相应的服务中心应对措施，并且提出了用户免干扰时间段的识别方法降低了提供无动静报警服务的成本，改善了用户体验，提高了服务质量及用户满意度。
【专利附图】
【附图说明】
[0033]图1是本发明实施例一提供的无动静报警方法应用的系统结构图；
[0034]图2是本发明实施例一提供的无动静报警方法的流程图；
[0035]图3是本发明实施例一提供的无动静报警方法中判断步骤的流程图；
[0036]图4是本发明实施例一提供的无动静报警方法的另一流程图；
[0037]图5是本发明实施例一提供的无动静报警方法中学习步骤的流程图；
[0038]图6是本发明实施例二提供的无动静报警装置的结构图；
[0039]图7是本发明实施例二提供的无动静报警装置中判断模块的结构图；
[0040]图8是本发明实施例二提供的无动静报警装置中学习模块的结构图。
【具体实施方式】
[0041]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0042]实施例一
[0043]本发明实施例一提出一种无动静报警方法，应用于如图1所示系统中的服务器，该系统包括服务器、移动终端、外置或内设的动态感应设备如穿戴式设备、静态感应设备如物件传感器。本发明实施例以穿戴式设备和物件传感器为例进行说明，其它类似设备也可应用于本发明实施例，穿戴式设备由老人佩戴，物件传感器固定于老人常用的物件上，穿戴式设备和物件传感器主要由两轴或三轴的加速度传感器、MCU、无线通讯模块和供电模块组成。如图2所示，本发明实施例一的方法包括步骤:
[0044]S1、学习用户使用模式。为节约资源，避免系统频繁检测用户的活动状态，本发明实施例引入用户的使用模式，引入用户的使用模式可降低误检测的机率。
[0045]在使用用户的使用模式前，首先须对用户的使用模式进行学习。在用户使用穿戴式设备或物件传感器的最初一段时间(如一个月)为模式学习期。在这段时间内，估算物体/人体在各个时间段(如:每一个小时)处于活动状态的概率。以30天的模式学习期，8至9点时间段为例，如果在这30天中，有29天穿戴传感器或物件传感器输出活动信号，则8至9点，人体处于活动状态的概率为29/30 = 96.67%。
[0046]由于用户的使用模式可能随着季节、月份的变化而变化，因此在后续使用过程中，系统将自动对不同月份的用户使用模式进行学习以得到基于月份的活动条件概率P(AlM)其中M代表月份，A代表活动。同时考虑到，随着用户年岁的增长或身体条件的变化对使用模式造成的影响。系统将在每个月结束后对该月的条件概率进行更新Pupdate(AlM)=b*Pold (A I Μ) + (1-b) *Pnew (A IM)。其中更新权重b将根据用户服务中心对用户的每月拜访的报告结果自动设置。如果该月用户的使用模式变化是由于出远门而非身体机能突变导致的非永久性影响因素导致，则b取值较大，如:0.9?1.0 ;如果该月用户的使用模式变化是由于身体机能突变(如:出现影响活动能力的疾病)导致，则b取值较小，如:0.0?0.1 ;如果该月没有突发情况，则b可取值0.5，以适应连续性的使用模式变化。
[0047]S2、通过预设的动态感应设备和静态感应设备，以及学习到的用户使用模式，判断用户是否处于活动状态。如图3所示，具体可包括步骤:
[0048]S11、计算一预设时间内穿戴式设备的加速度传感器所有轴向加速度绝对值之和的最大值或穿戴式设备的加速度传感器所有轴向加速度绝对值的最大值作为第一检测值Al ;计算预设时间内物件传感器的所有轴向加速度绝对值之和的最大值或物件传感器的所有轴向加速度绝对值的最大值作为第二检测值A2。
[0049]S12、当第一检测值Al小于或等于预设的阈值al，且第二检测值A2小于或等于预设的阈值a2，且根据学习到的用户使用模式判断当前时间是否处于用户的活动时间段，是则判定用户处于非活动状态。阈值al和阈值a2为预先设定，设定的方式为:将物件传感器和穿戴式设备静止放置一段时间如一个小时，计算静止过程中物件传感器和穿戴式设备的加速度传感器的加速度平方和的均值，将物件传感器的加速度平方和的均值(也可以取物件传感器各个轴向加速度绝对值的最大值)作为阈值al，将穿戴式设备的加速度传感器的加速度的平方和的均值(也可以取传感器各个轴向加速度绝对值的最大值)作为阈值a2。对比第一检测值Al和阈值al，对比第二检测值A2和阈值a2，如第一检测值Al小于或等于阈值al，且第二检测值A2小于或等于阈值a2，则进一步根据学习到的用户使用模式判断得到当前的时间段是否为用户的活动时间段时，才可推断出用户处于异常的非活动状态，并进行下一步。
[0050]S3、当用户处于非活动状态时，发出报警。
[0051]报警的发出可以由物件传感器、穿戴式设备或服务器完成。如果穿戴式设备发出报警信号而物件传感器显示用户活动正常，则表明用户可能忘记佩戴穿戴式传感器或穿戴式传感器电池耗尽或出现故障。这时，提醒佩戴穿戴式设备或提醒充电短信将自动发出。一定时间后如仍无响应，则进入电话等人工处理模式。如果穿戴式传感器和物件传感器均发出报警信号，则进入一级预警，进行电话询问，如无回复，派出人员上门。如果两种传感器均未发出报警信号，则显示正常，无需采取措施。如果穿戴式传感器没有发出报警信号而物件传感器发出报警信号，则说明物件传感器可能出现故障，将进入物件传感器维护流程。该措施中的报警信号输出判断方法如下:假设感知器在某个时间段的活动概率为P，如果当前时间段感知器没有活动信号输出，且P大于一定阈值如30%则感知器输出报警信号。该阈值决定了系统的敏感度，一般应根据实践进行调整。
[0052]如图4所示，本发明实施例一还可包括步骤:
[0053]S4、用户免打扰时间的学习，并添加至用户使用模式中。
[0054]为了提高用户体验，避免对用户造成不必要的滋扰，可设置用户免打扰时间，在用户免打扰时间里，用户不接收电话等人工干扰。如穿戴式设备、物件传感器或服务器发出报警，则需要查看当前所处时间段是否为免干扰时段，是则等待免干扰时段结束。这里将对用户的免打扰时间段进行自动学习，学习方法如图5所示，包括:
[0055]S31、免打扰状态样本采集。采集用户在免打扰时段内(例如:休息及就餐)穿戴式传感器读数样本。
[0056]S32、特征提取。将免干扰时段内传感器的读数样本分为η个时段(η值可以通过交叉验证估计最优值)。计算每个时段传感器读数样本均值及方差。具体特征提取方法不限于此，也可采用对时段内的传感器数据读数进行短时傅立叶变化统计各个频率段的幅度均值作为特征，并将η个时段特征串联得到特征向量。同时用相同的方法提取正常时段的传感器读数特征。
[0057]S33、分类器训练。根据得到的样本特征进行两类的分类器训练(免干扰时段与正常时段)。分类器可采用支持向量机、人工神经网络和随机森林等方法。
[0058]S34、免打扰时间段判决。当得到一天的穿戴式传感器读数后，将该天的传感器读数切分为多个连续的时间段，时长与训练用的免打扰时段时长均值相同。根据提取传感器读数特征。并输入分类器进行判决。当穿戴式传感器由于忘记佩戴或电池耗尽而没有读数时，则根据前m(如:5)天的免干扰时间段均值进行判决。
[0059]本发明实施例一提出的无动静报警方法，由于上述两种传感器都是通过内置加速度传感器对人体或物件的运动进行感知，与热释电传感器、摄像头相比具有成本低和运动感知准确的优势。在用户使用模式的学习过程中，增加了自适应的学习方法，提高了系统对用户在不同时间、年龄、身体状况使用模式变化的适应性。同时根据两种传感器不同的报警状态可采取相应对措施，并且提出了用户免干扰时间段的识别方法降低了提供无动静报警服务的成本，改善了用户体验，提高了服务质量及用户满意度。
[0060]实施例二
[0061]本发明实施例二提出一种无动静报警装置，该装置可以是服务器，也可以是云平台，优选云平台。云平台可以根据用户量和计算量的多少灵活的配置所需的硬件资源。亚马逊，阿里巴巴，新浪等公司均提供基础云平台服务。穿戴式设备或物件传感器通过HTTP协议或者UDP协议将数据推送到云平台。云平台上可通过安装Apache HTTP服务器软件接收传感器数据，进行数据分析处理，向服务中心提供Web应用程序服务实时显示使用设备的老人状态、向外出工作人员移动终端或子女移动终端推送消息(可采用MQTT实现)。
[0062]如图6所示，本发明实施例二的装置包括:
[0063]学习模块30，用于学习用户使用模式。
[0064]判断模块10，用于通过预设的动态感应设备和静态感应设备，以及学习到的用户使用模式，判断用户是否处于活动状态；上述动态感应设备可以是穿戴式设备，静态感应设备可以是物件传感器，其它类似设备也可应用于本发明实施例，本发明实施例以穿戴式设备和物件传感器为例进行说明。
[0065]报警模块20，用于当用户处于非活动状态时，发出报警。
[0066]进一步地，如图7所示，判断模块10包括计算单元11，计算一预设时间内穿戴式设备的加速度传感器所有轴向加速度绝对值之和的最大值或穿戴式设备的加速度传感器所有轴向加速度绝对值的最大值作为第一检测值Al ;计算预设时间内物件传感器的所有轴向加速度绝对值之和的最大值或物件传感器的所有轴向加速度绝对值的最大值作为第二检测值A2 ;判定单元12，当第一检测值Al小于或等于预设的阈值al，且第二检测值A2小于或等于预设的阈值a2，根据学习到的用户使用模式判断当前时间是否处于用户的活动时间段，是则判定用户处于非活动状态。
[0067]为节约资源，避免系统频繁检测用户的活动状态，本发明实施例引入用户的使用模式，引入用户的使用模式可降低误检测的机率。在使用用户的使用模式前，首先学习模块30对用户的使用模式进行学习，在用户使用穿戴式设备或物件传感器的最初一段时间(如一个月)为模式学习期。在这段时间内，估算物体/人体在各个时间段(如:每一个小时)处于活动状态的概率。以30天的模式学习期，8至9点时间段为例，如果在这30天中，有29天穿戴传感器或物件传感器输出活动信号，则8至9点，人体处于活动状态的概率为29/30=96.67%。
[0068]由于用户的使用模式可能随着季节、月份的变化而变化，因此在后续使用过程中，学习模块30将自动对不同月份的用户使用模式进行学习以得到基于月份的活动条件概率P(A|M)其中M代表月份，A代表活动。同时考虑到，随着用户年岁的增长或身体条件的变化对使用模式造成的影响。系统将在每个月结束后对该月的条件概率进行更新Pupdato (A|M)=b*Pold(A IM) + (1-b) *Pnew(A IM)。其中更新权重b将根据用户服务中心对用户的每月拜访的报告结果自动设置。如果该月用户的使用模式变化是由于出远门而非身体机能突变导致的非永久性影响因素导致，则b取值较大，如:0.9?1.0 ;如果该月用户的使用模式变化是由于身体机能突变(如:出现影响活动能力的疾病)导致，则b取值较小，如:0.0?0.1 ;如果该月没有突发情况，则b可取值0.5，以适应连续性的使用模式变化。
[0069]判断模块10进行判断时，阈值al和阈值a2为预先设定，设定的方式为:将物件传感器和穿戴式设备静止放置一段时间如一个小时，计算静止过程中物件传感器和穿戴式设备的加速度传感器的加速度平方和的均值，将物件传感器的加速度平方和的均值(也可以取物件传感器各个轴向加速度绝对值的最大值)作为阈值al，将穿戴式设备的加速度传感器的加速度的平方和的均值(也可以取传感器各个轴向加速度绝对值的最大值)作为阈值a2。判定单元12对比计算单元11计算得到的第一检测值Al和阈值al，对比第二检测值A2和阈值a2，如第一检测值Al小于或等于阈值al，且第二检测值A2小于或等于阈值a2，则进一步根据学习到的用户使用模式判断得到当前的时间段是否为用户的活动时间段时，才可推断出用户处于异常的非活动状态。
[0070]报警模块20可通过穿戴式设备、物件传感器或服务器发出报警，当用户处于活动状态时，可能是穿戴式设备发出报警信号而物件传感器显示用户活动正常，表明用户可能忘记佩戴穿戴式传感器或穿戴式传感器电池耗尽或出现故障。这时，提醒佩戴穿戴式设备或提醒充电短信将自动发出。一定时间后如仍无响应，则进入电话等人工处理模式。只有穿戴式传感器和物件传感器均发出报警信号，则进入一级预警，进行电话询问，如无回复，派出人员上门。如果两种传感器均未发出报警信号，则显示正常，无需采取措施。如果穿戴式传感器没有发出报警信号而物件传感器发出报警信号，则说明物件传感器可能出现故障，将进入物件传感器维护流程。该措施中的报警信号输出判断方法如下:假设感知器在某个时间段的活动概率为P，如果当前时间段感知器没有活动信号输出，且P大于一定阈值如30%则感知器输出报警信号。该阈值决定了系统的敏感度，一般应根据实践进行调整。
[0071]学习模块30还可进一步设置用户免打扰时间，避免对用户造成不必要的滋扰。在用户免打扰时间里，用户不接收电话等人工干扰。如穿戴式设备、物件传感器或服务器发出报警，则需要查看当前所处时间段是否为免干扰时段，是则等待免干扰时段结束。如图8所示，学习模块30可包括采集单元31，用于免打扰状态样本采集，采集用户在免打扰时段内(例如:休息及就餐)穿戴式传感器读数样本；提取单元32，用于提取采集的免打扰状态样本的特征，将免干扰时段内传感器的读数样本分为η个时段(η值可以通过交叉验证估计最优值)。计算每个时段传感器读数样本均值及方差。具体特征提取方法不限于此，也可采用对时段内的传感器数据读数进行短时傅立叶变化统计各个频率段的幅度均值作为特征，并将η个时段特征串联得到特征向量。同时用相同的方法提取正常时段的传感器读数特征；训练单元33，用于根据提取的特征进行分类器训练，得到用户的免打扰时间。根据得到的样本特征进行两类的分类器训练(免干扰时段与正常时段)。分类器可采用支持向量机、人工神经网络和随机森林等方法。当得到一天的穿戴式传感器读数后，将该天的传感器读数切分为多个连续的时间段，时长与训练用的免打扰时段时长均值相同。根据提取传感器读数特征。并输入分类器进行判决。当穿戴式传感器由于忘记佩戴或电池耗尽而没有读数时，则根据前m(如:5)天的免干扰时间段均值进行判决。
[0072]本发明实施例二提出的无动静报警装置，由于上述两种传感器都是通过内置加速度传感器对人体或物件的运动进行感知，与热释电传感器、摄像头相比具有成本低和运动感知准确的优势。在用户使用模式的学习过程中，增加了自适应的学习方法，提高了系统对用户在不同时间、年龄、身体状况使用模式变化的适应性。同时根据两种传感器不同的报警状态可采取相应对措施，并且提出了用户免干扰时间段的识别方法降低了提供无动静报警服务的成本，改善了用户体验，提高了服务质量及用户满意度。
[0073]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种无动静报警方法，其特征在于，所述方法包括如下步骤: 学习用户使用模式； 通过预设的动态感应设备和静态感应设备，以及所述学习到的用户使用模式，判断用户是否处于活动状态； 当用户处于非活动状态时，发出报警。
2.如权利要求1所述的无动静报警方法，其特征在于，所述动态感应设备为具有加速度传感器的穿戴式设备；所述静态感应设备为具有加速度传感器的物件传感器。
3.如权利要求2所述的无动静报警方法，其特征在于，所述通过预设的动态感应设备和静态感应设备，以及所述学习到的用户使用模式，判断用户是否处于活动状态包括: 计算一预设时间内穿戴式设备的加速度传感器所有轴向加速度绝对值之和的最大值或穿戴式设备的加速度传感器所有轴向加速度绝对值的最大值作为第一检测值Al ;计算所述预设时间内物件传感器的所有轴向加速度绝对值之和的最大值或物件传感器的所有轴向加速度绝对值的最大值作为第二检测值A2 ； 当所述第一检测值Al小于或等于预设的阈值al，且所述第二检测值A2小于或等于预设的阈值a2，根据所述学习到的用户使用模式判断当前时间是否处于用户的活动时间段，是则判定用户处于非活动状态。
4.如权利要求1所述的无动静报警方法，其特征在于，所述学习使用模式还包括: 用户免打扰时间的学习，并添加至所述用户使用模式中。
5.如权利要求4所述的无动静报警方法，其特征在于，所述用户免打扰时间的学习包括: 免打扰状态样本采集； 提取所述采集的免打扰状态样本的特征； 根据所述提取的特征进行分类器训练，得到所述用户免打扰时间。
6.一种无动静报警装置，其特征在于，所述装置包括: 学习模块，用于学习用户使用模式； 判断模块，用于通过预设的动态感应设备和静态感应设备，以及所述学习到的用户使用模式，判断用户是否处于活动状态； 报警模块，用于当用户处于非活动状态时，发出报警。
7.如权利要求6所述的无动静报警装置，其特征在于，所述动态感应设备为具有加速度传感器的穿戴式设备；所述静态感应设备为具有加速度传感器的物件传感器。
8.如权利要求7所述的无动静报警装置，其特征在于，所述判断模块包括: 计算单元，用于计算一预设时间内穿戴式设备的加速度传感器所有轴向加速度绝对值之和的最大值或穿戴式设备的加速度传感器所有轴向加速度绝对值的最大值作为第一检测值Al ;计算所述预设时间内物件传感器的所有轴向加速度绝对值之和的最大值或物件传感器的所有轴向加速度绝对值的最大值作为第二检测值A2 ； 判定单元，用于当所述第一检测值Al小于或等于预设的阈值al，且所述第二检测值A2小于或等于预设的阈值a2，根据所述学习到的用户使用模式判断当前时间是否处于用户的活动时间段，是则判定用户处于非活动状态。
9.如权利要求6所述的无动静报警装置，其特征在于，所述学习模块还用于:用户免打扰时间的学习，并添加至所述用户使用模式中。
10.如权利要求9所述的无动静报警装置，其特征在于，所述学习模块包括:采集单元，用于免打扰状态样本采集；提取单元，用于提取所述采集的免打扰状态样本的特征；训练单元，用于根据所述提取的特征进行分类器训练，得到所述用户免打扰时间。
【文档编号】G08B21/04GK104200613SQ201410482801
【公开日】2014年12月10日 申请日期:2014年9月19日 优先权日:2014年9月19日
【发明者】覃剑钊 申请人:深圳市科松电子有限公司