一种基于习惯自学习全屋异常监控设备的制作方法

1.本发明涉及监控设备技术领域，尤其涉及一种全屋行为异常监控设备。


背景技术：

2.当前市场上针对老年人跌倒报警的产品种类繁多且逐渐成熟，非接触式传感器，尤其是以毫米波雷达技术为主导的产品也逐渐展兴起，目前市场上的监控设备一般通过设定报警阈值的方式进行异常报警，设定阈值的方式无法适应日常行为的变化，从而经常发生误报和漏报，给用户的使用上造成困扰。


技术实现要素：

3.本发明的目的在于提供一种基于习惯自学习全屋异常监控设备，旨在解决异常监控设备无法适应日常行为的变化，对行为异常情况的漏检漏报的问题。
4.为实现上述目的，本发明提供了一种基于习惯自学习全屋异常监控设备,包括移动检测模块、睡眠检测模块、行为检测模块、摔倒判断模块和报警模块，所述移动检测模块、所述睡眠检测模块、所述行为检测模块、所述摔倒判断模块和所述报警模块依次连接；所述移动检测模块用于实时检测人体的姿态改变和移动改变情况；所述睡眠检测模块在基于所述移动检测模块获取的数据下，用于检测人体在入睡时间的具体活动情况并记录；所述行为检测模块在基于所述移动检测模块获取的数据下，用于对用户人体状态进行检测并记录，所述摔倒判断模块通过雷达检测的数据判断摔倒结果；所述报警模块当所述摔倒判断模块的判断结果为真，则所述报警模块进行报警。
5.其中，所述睡眠检测模块包括睡眠计时单元和睡眠记录单元，所述睡眠计时单元用于对用户在床上的时间进行计时；所述睡眠记录单元用于对用户是否在床上的状态进行记录。
6.其中，所述行为检测模块包括数据提取单元和行为计时单元，所述数据提取单元对所述移动检测模块获取的数据进行提取，并确定行为状态；所述行为计时单元对用户的行为状态持续时间进行记录。
7.其中，所述摔倒判断模块包括数据过滤单元、数据处理单元、得分计算单元和数据验证单元，所述数据过滤单元将行为数据通过数据清洗与预处理，通过深度卷 积神经网络进行处理；所述数据处理单元对预处理之后的数据，通过stft变换得到频域特 征，并且提取z轴方向的斜率特征；所述得分计算单元将两部分特征放入到单分类支持向量机异常监测模 型中分别进行训练，得到两个模型得分；所述数据验证单元对两个结果进行加权分析，得到摔倒判断结果。
8.其中，所述报警模块包括无线报警单元和有线报警单元，所述无线报警单元通过
网络进行报警；所述有线报警单元通过报警器进行报警，所述报警器具有蜂鸣器、扬声器和报警灯。
9.其中，所述基于习惯自学习全屋异常监控设备还包括滞留判断模块，所述滞留判断模块包括滞留计时单元和滞留判断单元，所述滞留计时单元基于所述移动检测模块对滞留时间进行计时；所述滞留判断单元基于所述滞留计时对滞留情况进行判断。
10.其中，所述基于习惯自学习全屋异常监控设备还包括机器学习模块，所述机器学习模块包括数据存储单元和机器学习单元，所述数据存储单元对用户的睡眠数据和行为数据进行持续记录；所述机器学习单元对每周的数据进行加权处理，并与历史记录进行匹配分析，得出分析结果。
11.本发明的一种基于习惯自学习全屋异常监控设备，所述移动检测模块用于实时检测人体的姿态改变和移动改变情况；所述睡眠检测模块在基于所述移动检测模块获取的数据下，用于检测人体在入睡时间的具体活动情况并记录；所述行为检测模块在基于所述移动检测模块获取的数据下，用于对用户人体状态进行检测并记录，所述摔倒判断模块通过雷达检测的数据判断摔倒结果；所述报警模块当所述摔倒判断模块的判断结果为真，则所述报警模块进行报警，解决了异常监控设备无法适应日常行为的变化，对行为异常情况的漏检漏报的问题。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
13.图1是全屋行为异常监控设备的结构示意图；图2是毫米波雷达探测人体跌倒监测的具体实现流程图；图3是异常监测算法具体实现流程。
[0014]2‑
移动检测模块、3
‑
睡眠检测模块、4
‑
行为检测模块、5
‑
摔倒判断模块、6
‑
报警模块、7
‑
滞留判断模块、9
‑
机器学习模块、31
‑
睡眠计时单元、32
‑
睡眠记录单元、41
‑
数据提取单元、42
‑
行为计时单元、51
‑
数据过滤单元、52
‑
数据处理单元、53
‑
得分计算单元、54
‑
数据验证单元、61
‑
无线报警单元、62
‑
有线报警单元、71
‑
滞留计时单元、72
‑
滞留判断单元、91
‑
数据存储单元、92
‑
机器学习单元。
具体实施方式
[0015]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0016]
请参阅图1，本发明提供一种基于习惯自学习全屋异常监控设备，包括移动检测模块2、睡眠检测模块3、行为检测模块4、摔倒判断模块5和报警模块6，所述移动检测模块2、所述睡眠检测模块3、所述行为检测模块4、所述摔倒判断模块5和所述报警模块6依次连接；所述移动检测模块2用于检测人体的姿态改变和移动改变情况；
在本实施方式中，所述移动检测模块2可检测用户行为习惯发生的明显变化，例如长时间未移动、长时间未去卫生间等。
[0017]
所述睡眠检测模块3在基于所述移动检测模块2获取的数据下，用于检测人体在入睡时间的具体活动情况并记录；在本实施方式中，所述睡眠检测模块3包括睡眠计时单元31和睡眠记录单元32，所述睡眠计时单元31用于对用户在床上的时间进行计时；所述睡眠记录单元32用于对用户是否在床上的状态进行记录。当用户在床上状态保持稳定，并且持续半小时以上判断用户进入睡眠状态，并记录入睡时间；在夜间睡眠中，雷达模块检测到用户不在床上，并持续出现30秒以上，判断用户起夜，会记录用户的起夜时间，并在后面会做起夜次数统计；当用户回到床上，会记录用户的起夜时长；在起夜期间，如果浴室监测到有人进入，会记录用户进入卫生间的时间点，和离开卫生间的时间点，并得到用户起夜在卫生间的时长；所述行为检测模块4在基于所述移动检测模块2获取的数据下，用于对用户人体状态进行检测并记录，在本实施方式中，所述行为检测模块4包括数据提取单元41和行为计时单元42，所述数据提取单元41对所述移动检测模块2获取的数据进行提取，并确定行为状态；所述行为计时单元42对用户的行为状态持续时间进行记录。
[0018]
所述摔倒判断模块5在基于所述行为检测模块4获取的数据下，对所述数据进行分析，得出摔倒判断结果；在本实施方式中，请参阅图2，所述摔倒判断模块5包括数据过滤单元51、数据处理单元52、得分计算单元53和数据验证单元54，所述数据过滤单元51将行为数据通过数据清洗与预处理，通过深度卷积神经网络进行处理；所述数据处理单元52对预处理之后的数据，通过stft变换得到频域特征，并且提取z轴方向的斜率特征；所述得分计算单元53将两部分特征放入到单分类支持向量机异常监测模型中分别进行训练，得到两个模型判断结果，并在数据验证阶段对两个结果进行加权分析，得到一个合适的权重参数,. 当一个摔倒行为数据放入到两个模型中进行判断，将两个结果进行加权计算，得到最终结果；加权计算，得到最终结果；其中为正常行为的得分，为摔倒行为（异常行为）的得分，为卷积神经网络模型得到的正常行为得分，为摔倒行为得分；为单分类支持向量机模型得到的正常行为得分，为摔倒行为得分；且满足以下条件：为摔倒行为得分；且满足以下条件：为摔倒行为得分；且满足以下条件：所述报警模块6当所述摔倒判断模块5的判断结果为真，则所述报警模块6进行报警。
[0019]
在本实施方式中，所述报警模块6包括无线报警单元61和有线报警单元62，所述无
线报警单元通过网络进行报警；所述有线报警单元62通过报警器进行报警，所述报警器具有蜂鸣器、扬声器和报警灯。
[0020]
进一步的，所述基于习惯自学习全屋异常监控设备还包括滞留判断模块7，所述滞留判断模块7包括滞留计时单元71和滞留判断单元72，所述滞留计时单元71基于所述移动检测模块对滞留时间进行计时；所述滞留判断单元72基于所述滞留计时对滞留情况进行判断。
[0021]
在本实施方式中，因跌倒、超时滞留和长时间无人移动这三种行为存在关联性，即当出现跌倒后，所述滞留计时单元71进行计时，所述滞留判断单元72判断用户可能因无法行动导致超时滞留，进而导致无法离开卫生间到客厅或卧室活动。
[0022]
进一步的，所述基于习惯自学习全屋异常监控设备还包括机器学习模块9，所述机器学习模块9包括数据存储单元91和机器学习单元92，所述数据存储单元91对用户的睡眠数据和行为数据进行持续记录；所述机器学习单元92对每周的数据进行加权处理，并与历史记录进行匹配分析，得出分析结果。
[0023]
在本实施方式中，所述数据存储单元91会记录用户每日的行为数据，并收集到云端，积累用户一个月的日常行为数据，所述机器学习单元92在接下来对一周的行为数据做加权平均处理，得到一个综合的周日常行为数据，会和前面的一个月的行为数据做模式匹配分析和相似度分析，如果相似度分析偏离阈值，则提醒用户最近一周的行为偏向异常，并给出合理的作息建议，比如建议用户可以早点入睡，或者如果出现身体不适，可以去医院进行检查，当用户的数据积累到三个月的数据之后，会将单日的日常行为数据，一周的加权平均值（工作日与周末的配比权重等）的行为数据先提取特征值，再做主成分分析，取90%以上的综合特征放入到svm模型中训练，得到针对单个用户的异常监测算法模型，再每周的均值化的数据放入到模型中判断，如果监测为异常，会给到用户具体的分析结果，并提醒用户注意身体健康和就医建议，具体算法实现如图3所示。
[0024]
本发明的一种基于习惯自学习全屋异常监控设备，通过所述移动检测模块2用于检测人体长时间内的移动改变情况；所述睡眠检测模块3在基于所述移动检测模块2获取的数据下，用于检测人体在入睡时间的具体活动情况并记录；所述行为检测模块4在基于所述移动检测模块2获取的数据下，用于对用户人体状态进行检测并记录，所述摔倒判断模块5在基于所述行为检测模块4获取的数据下，对所述数据进行分析，得出摔倒判断结果；所述报警模块6当所述摔倒判断模块5的判断结果为真，则所述报警模块6进行报警，解决了异常监控设备无法适应日常行为的变化，对行为异常情况的漏检漏报的问题，所述基于习惯自学习全屋异常监控设备在对全屋进行检测时需要设备安装在不同房间，当监测到发生跌倒情况后，发出一级报警；当监测到发生超时滞留情况后，发出二级报警；当设备采集了用户的两周以上的数据，发现用户的日常行为发生异常，发出三级报警；该三种报警形式非递进关系，每一级报警都可单独实施，但下一层级的报警可作为上一层级报警的验证。另外，在卫生间出现跌倒行为，且无法起身无法移动时，即便未能监测出跌倒行为，未发出一级报警，但出现超时滞留的情况也会进行二级报警。如超时滞留情况也未检出，因其生命体征发生异常，与原有数据模型不符，则会发出三级报警。
[0025]
以上所揭露的仅为本发明一种基于习惯自学习全屋异常监控设备较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施
例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。