基于AI智能判别的养老院管理系统的制作方法

基于ai智能判别的养老院管理系统
技术领域
1.本发明属于智慧养老技术领域，具体涉及基于ai智能判别的养老院管理系统。


背景技术：

2.智慧养老是面向居家老人、社区及养老机构的传感网系统与信息平台，并在此基础上提供实时、快捷、高效、低成本的，物联化、互联化、智能化的养老服务。
3.随着科技进步，新型养老方式日趋流行,社会上也涌现出一系列如只为父母设计的电视盒子等高科技产品，提升老人的晚年生活质量，最大程度的解决空巢老人寂寞的问题，是智慧养老，候鸟式养老，信息化养老，中国式养老的新形式。智慧养老经过一年多的良好运营与快速成长，获得了政府、行业、公众及媒体的广泛关注与认可。让老人充分享受物联网带来的便捷和舒适。
4.而在新型养老中，除了能够让老年人得到较好的照顾以外，重点更在于能够提升老年人的身心健康水平，尤其是关注老年人的心理健康问题，这些年越来越受到重视。老年人由于大都患有一些基础疾病，而这些疾病又具备突发性，如果不能及时预警，很容易对当事人造成较大的损害。因此如果能够结合现今的ai技术，对养老院中的老年人的健康提前进行预警，将极大程度上提升养老院的管理水平。
5.专利申请号为cn201710882432.3a的专利文献公开了一种基于物联网的养老院管理系统，包括云服务器和与云服务器相连接的监控终端、控制器和物联网服务器，云服务器和物联网服务器之间通过tcp协议实现存储数据之间的传输，物联网服务器通过无线网关连接处理器模块和环境监测模块，处理器模块通过物联网网关连接环境监测模块和环境处理模块，控制器电连接身体监测设备和视频采集模块，身体监测设备和视频采集模块均通过无线传输模块连接云服务器。
6.该发明虽然通过传感器监测老人的居住环境和老人的实时健康数据，但不具备老人的健康预警功能，也无法针对老年人的心理健康进行智能监测。


技术实现要素：

7.本发明的主要目的在于提供基于ai智能判别的养老院管理系统，其通过采集三种数据进行交叉修正，提升了数据的获取的数据准确率，以及利用针对这些数据对老年人的身心健康和行为异常进行了全方位智能化地监控，极大程度提升了养老院的管理效率，以及提升了养老院的服务水平。
8.为达到上述目的，本发明的技术方案是这样实现的：
9.基于ai智能判别的养老院管理系统，所述系统包括：健康数据采集单元，配置用于采集养老院内的老年人的初始健康数据；行为数据采集单元，配置用于采集养老院内的老年人的初始行为数据；情绪数据采集单元，配置用于采集养老院内的老年人的初始情绪数据；数据修正单元，配置用于对采集到的初始健康数据、初始行为数据和初始情绪数据进行数据修正，具体包括：基于采集到的初始健康数据和初始行为数据，对初始情绪数据进行修
正，得到修正情绪数据；基于采集到的初始健康数据和初始情绪数据对初始行为数据进行修正，得到修正行为数据；基于采集到的初始行为数据和初始情绪数据对初始健康数据进行修正，得到修正健康数据；数据异常判断单元，配置用于首先基于修正行为数据使用预设的修正行为数据判断模型，判断老年人是否出现行为异常，若是，则基于修正健康数据和修正情绪数据进行比较判断，以判断修正健康数据和修正情绪数据的主次关系，若修正健康数据为主数据，则生成健康预警命令，若判断修正情绪数据为主数据，则使用预设的神经网络模型，对修正情绪数据进行分析，以判断是否出现情绪异常，若是，则生成情绪预警命令。
10.进一步的，所述健康数据采集单元为集成多个传感器的可穿戴设备；其中所述传感器的种类至少包括：心率传感器、体温传感器、血压传感器和血氧传感器；所述初始健康数据为所述可穿戴设备中传感器感知到的数据。
11.进一步的，所述情绪数据采集单元为面部图像采集装置；所述面部图像采集装置，实时采集面部图像数据，将面部图像数据进行基于表情的图像分析，得到表情分析结果，根据预设的表情和pad值的映射关系，得到表情分析结果的pad值，作为初始情绪数据；所述行为数据采集单元为躯体图像采集装置；所述躯体图像采集装置，实时采集躯体图像数据；所述躯体图像数据至少包括：站立时间、行走时间、坐立时间和躺卧时间。
12.进一步的，所述基于采集到的初始健康数据和初始行为数据，对初始情绪数据进行修正，得到修正情绪数据的方法包括：使用如下公式，计算得到健康数据修正系数：其中，health为健康数据修正系数，hi为同一时间下的初始健康数据，n为同一时间下的初始健康数据的个数；di为同一时间下的初始健康数据的标准值，为多个设定值；再使用如下公式，计算得到行为数据修正系数：数据的标准值，为多个设定值；再使用如下公式，计算得到行为数据修正系数：其中，behavior为行为数据修正系数，bi为同一时间下的初始行为数据，m为同一时间下的初始行为数据的个数；di为同一时间下的初始行为数据的标准值，为多个设定值；ki为同一时间下的初始行为数据的权值，当其对应的bi为0时，ki的取值为0，当其对应的bi不为0时，ki的取值为1；最后，使用如下公式，得到修正情绪数据：修正情绪数据＝health*behaviorh*初始情绪数据。
13.进一步的，所述基于采集到的初始健康数据和初始情绪数据对初始行为数据进行修正，得到修正行为数据的方法包括：首先，使用如下公式计算得到情绪数据修正系数：其中，emotion为情绪数据修正系数，(ei为同一时间下的初始情绪数据，l为同一时间下的初始情绪数据的个数；ti为同一时间下的初始情绪数据的标准值，为多个设定值；pi为初始情绪数据的权重值，当|e
i-ti|的值超过设定的第一阈值范围时，其对应的取值为1，否则，其对应的取值为0；||为求绝对值运算；然后，使用如下公式，得到修正行为数据：修正行为数据＝health*emotion*初始行为数据。
14.进一步的，所述基于采集到的初始行为数据和初始情绪数据对初始健康数据进行修正，得到修正健康数据的方法包括：使用如下公式，得到修正健康数据：修正健康数据＝behavior*emotion*初始健康数据。
15.进一步的，所述数据异常判断单元，首先基于修正行为数据使用预设的修正行为
数据判断模型判断老年人是否出现行为异常的方法包括：将修正行为数据代入到修正行为数据判断模型中，计算得到一个判断值；将该判断值与预设的第二阈值范围进行比较，若在第二阈值范围之外，则判断老年人出现行为异常，否则，则判断老年人行为未出现异常；所述修正行为数据判断模型使用如下公式进行表示：
16.其中，x表示判断值。
17.进一步的，所述数据异常判断单元，基于修正健康数据和修正情绪数据进行比较判断，以判断修正健康数据和修正情绪数据的主次关系的方法包括：将修正健康数据和修正情绪数据映射到以横轴为获取数据的时间，纵轴为数据值的二维坐标系中，生成修正健康数据在二维坐标系中的曲线和修正情绪数据在二维坐标系中的曲线；分别计算修正健康数据的曲线的斜率的绝对值的加和值和修正情绪数据的曲线的斜率的绝对值的加和值；若修正健康数据的曲线的斜率的绝对值的加和值大于修正情绪数据的曲线的斜率的绝对值的加和值，则判断修正健康数据为主数据，反之，则判断修正情绪数据为主数据。
18.进一步的，所述数据异常判断单元，使用预设的神经网络模型，对修正情绪数据进行分析，以判断是否出现情绪异常的方法包括：将训练数据代入到预设的神经网络模型中，输出对应的标准矩阵结果；将修正情绪数据代入到预设的神经网络模型中，输出对应的矩阵结果；将标准矩阵结果与矩阵结果进行作差运算，得到作差矩阵，计算作差矩阵的秩，若矩阵的秩大于超过的第三阈值范围，则判断出现情绪异常。
19.具体的，所述神经网络模型具备两个输出的神经网络模型，由两个神经网络拼接而成，分别为训练神经网络和情绪神经网络；其中，所述训练神经网络的误差函数与情绪神经网络的误差函数不同。
20.本发明的基于ai智能判别的养老院管理系统，具有如下有益效果：
21.1.智能化程度高：本发明通过智能化获取养老院的老人的各项数据，对这些数据进行数据分析，以便实现老年人健康的智能监控，提升养老院管理的效率和服务水平。另一方面，本发明不仅能够对生理指标进行监控，还能进行老年人心理监控，以及在生理指标出现异常前，进行行为监控，极大程度上保障了养老院的老年人的身心健康。
22.2.效率高：本发明在进行老年人的健康监控时，针对每部分数据进行独立的算法解析，且解析过程不是一次性对所有的数据进行分析，而是循序渐进式的，以降低数据分析的复杂度，例如，在行为数据出现异常时，再进行生理健康或心理健康的判定分析，这种可以避免在没有出现问题时，就对大量数据进行分析，从而造成系统资源的浪费。
23.3.准确率高：本发明对获取的数据使用互相交叉验证和修正的方式，提升了数据的准确率，因为独立的数据获取往往会因为设备的问题而出现偏差，这种方式可以大幅度降低这种偏差，从而提升最终的准确率。
附图说明
24.图1为本发明实施例提供的基于ai智能判别的养老院管理系统的系统结构示意图；
25.图2为本发明实施例提供的基于ai智能判别的养老院管理系统的神经网络模型的
结构示意图；
26.图3为本发明实施例提供的基于ai智能判别的养老院管理系统的基于pad量表的情绪权重表。
具体实施方式
27.下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
28.实施例1
29.如图1所示，基于ai智能判别的养老院管理系统，所述系统包括：健康数据采集单元，配置用于采集养老院内的老年人的初始健康数据；行为数据采集单元，配置用于采集养老院内的老年人的初始行为数据；情绪数据采集单元，配置用于采集养老院内的老年人的初始情绪数据；数据修正单元，配置用于对采集到的初始健康数据、初始行为数据和初始情绪数据进行数据修正，具体包括：基于采集到的初始健康数据和初始行为数据，对初始情绪数据进行修正，得到修正情绪数据；基于采集到的初始健康数据和初始情绪数据对初始行为数据进行修正，得到修正行为数据；基于采集到的初始行为数据和初始情绪数据对初始健康数据进行修正，得到修正健康数据；数据异常判断单元，配置用于首先基于修正行为数据使用预设的修正行为数据判断模型，判断老年人是否出现行为异常，若是，则基于修正健康数据和修正情绪数据进行比较判断，以判断修正健康数据和修正情绪数据的主次关系，若修正健康数据为主数据，则生成健康预警命令，若判断修正情绪数据为主数据，则使用预设的神经网络模型，对修正情绪数据进行分析，以判断是否出现情绪异常，若是，则生成情绪预警命令。
30.具体的，“智慧养老”不仅将时刻保护老人的安全，还能全方位监测老人的健康状况。比如，借助手腕式血压计、手表式gps定位仪等，不仅能随时随地监测老人的身体状况，做一个随身携带的“药匣子”，同时，还能知晓他们的活动轨迹，发挥“隐形伴侣”的作用。除了生理健康，还应关注老年人的心理健康。
31.实施例2
32.在上一实施例的基础上，所述健康数据采集单元为集成多个传感器的可穿戴设备；其中所述传感器的种类至少包括：心率传感器、体温传感器、血压传感器和血氧传感器；所述初始健康数据为所述可穿戴设备中传感器感知到的数据。
33.具体的，老年人穿戴好可穿戴设备后，这些传感器将实时获取老年人的生理数据，包括心率、体温、血压和血氧等。
34.实施例3
35.在上一实施例的基础上，所述情绪数据采集单元为面部图像采集装置；所述面部图像采集装置，实时采集面部图像数据，将面部图像数据进行基于表情的图像分析，得到表情分析结果，根据预设的表情和pad值的映射关系，得到表情分析结果的pad值，作为初始情绪数据；所述行为数据采集单元为躯体图像采集装置；所述躯体图像采集装置，实时采集躯体图像数据；所述躯体图像数据至少包括：站立时间、行走时间、坐立时间和躺卧时间。
36.具体的，参考图3，pad量表可以将各种情绪通过一个数值来表征。而人的情绪是可以通过面部图像的识别来进行判断的，通过图像分析得到的表情分析结果，可以判断目标所处的情绪，然后根据pad量表，则可以得到对应的pad值。
37.研究表明，利用p、a、d三个维度可有效地解释人类的情感。例如，mehrabian等人利用这3个维度可解释其他42种情感量表中的绝大部分变异，而且这3个维度并不限于描述情感的主观体验，它与情感的外部表现、生理唤醒具有较好的映射关系。值得注意的是以往情感研究较多地关注愉悦度和激活度，但这2个维度并不能有效地区分有些情感(如愤怒和恐惧)，而pad三维情感模型则可以区分愤怒和恐惧，因为这两种情感都属于愉悦度低、激活度高的情感，但它们却在优势度上相反，愤怒属于优势度高的情感，而恐惧属于优势度低的情感。
38.实施例4
39.在上一实施例的基础上，所述基于采集到的初始健康数据和初始行为数据，对初始情绪数据进行修正，得到修正情绪数据的方法包括：使用如下公式，计算得到健康数据修正系数：其中，health为健康数据修正系数，hi为同一时间下的初始健康数据，n为同一时间下的初始健康数据的个数；di为同一时间下的初始健康数据的标准值，为多个设定值；再使用如下公式，计算得到行为数据修正系数：初始健康数据的标准值，为多个设定值；再使用如下公式，计算得到行为数据修正系数：其中，behavior为行为数据修正系数，bi为同一时间下的初始行为数据，m为同一时间下的初始行为数据的个数；di为同一时间下的初始行为数据的标准值，为多个设定值；ki为同一时间下的初始行为数据的权值，当其对应的bi为0时，ki的取值为0，当其对应的bi不为0时，ki的取值为1；最后，使用如下公式，得到修正情绪数据：修正情绪数据＝health*behavior*初始情绪数据。
40.具体的，在三组数据中，任何一组数据均可以通过其他两组数据进行修正。针对同一目标老人采集到的数据具备一定的耦合性。而这三组数据彼此之间是存在关联的。当生理健康出现问题，往往就会折射到心理上，从而也会反映到行为上。
41.实施例5
42.在上一实施例的基础上，所述基于采集到的初始健康数据和初始情绪数据对初始行为数据进行修正，得到修正行为数据的方法包括：首先，使用如下公式计算得到情绪数据修正系数：其中，emotion为情绪数据修正系数，(ei为同一时间下的初始情绪数据，l为同一时间下的初始情绪数据的个数；ti为同一时间下的初始情绪数据的标准值，为多个设定值；pi为初始情绪数据的权重值，当|e
i-ti|的值超过设定的第一阈值范围时，其对应的取值为1，否则，其对应的取值为0；||为求绝对值运算；然后，使用如下公式，得到修正行为数据：修正行为数据＝health*emotion*初始行为数据。
43.实施例6
44.在上一实施例的基础上，所述基于采集到的初始行为数据和初始情绪数据对初始健康数据进行修正，得到修正健康数据的方法包括：使用如下公式，得到修正健康数据：修正健康数据＝behavior*emotion*初始健康数据。
45.实施例7
46.在上一实施例的基础上，所述数据异常判断单元，首先基于修正行为数据使用预
设的修正行为数据判断模型判断老年人是否出现行为异常的方法包括：将修正行为数据代入到修正行为数据判断模型中，计算得到一个判断值；将该判断值与预设的第二阈值范围进行比较，若在第二阈值范围之外，则判断老年人出现行为异常，否则，则判断老年人行为未出现异常；所述修正行为数据判断模型使用如下公式进行表示：
47.其中，x表示判断值。
48.具体的，之所以首先对行为进行判断，是因为当一个人的健康出现严重的问题前，其行为往往就会发生改变。老年人因为基础疾病的积累，如果单纯通过生理健康数据监控，很容易造成虚警。这是因为基础疾病通常都导致了老年人的生理数据已经出现了异常，此时，如果仅仅通过生理数据，则往往会导致结果不准确。而从行为上监控，则很容易发现这种问题，因为基础疾病的积累，老年人往往都是行动不便的，而在某些生理健康问题变得严重以前，老年人的行为就会发生较大的改善，此时常规的生理指标很可能没有发生改变。
49.同样的道理，心理健康问题，仅仅通过情绪监控也很容易造成虚警，而心理健康发生严重问题以前，其日常行为肯定会出现较大的异常。
50.这种方式，可以大幅度降低系统复杂度，提升效率。
51.实施例8
52.在上一实施例的基础上，所述数据异常判断单元，基于修正健康数据和修正情绪数据进行比较判断，以判断修正健康数据和修正情绪数据的主次关系的方法包括：将修正健康数据和修正情绪数据映射到以横轴为获取数据的时间，纵轴为数据值的二维坐标系中，生成修正健康数据在二维坐标系中的曲线和修正情绪数据在二维坐标系中的曲线；分别计算修正健康数据的曲线的斜率的绝对值的加和值和修正情绪数据的曲线的斜率的绝对值的加和值；若修正健康数据的曲线的斜率的绝对值的加和值大于修正情绪数据的曲线的斜率的绝对值的加和值，则判断修正健康数据为主数据，反之，则判断修正情绪数据为主数据。
53.实施例9
54.在上一实施例的基础上，所述数据异常判断单元，使用预设的神经网络模型，对修正情绪数据进行分析，以判断是否出现情绪异常的方法包括：将训练数据代入到预设的神经网络模型中，输出对应的标准矩阵结果；将修正情绪数据代入到预设的神经网络模型中，输出对应的矩阵结果；将标准矩阵结果与矩阵结果进行作差运算，得到作差矩阵，计算作差矩阵的秩，若矩阵的秩大于超过的第三阈值范围，则判断出现情绪异常。
55.实施例10
56.在上一实施例的基础上，所述神经网络模型具备两个输出的神经网络模型，由两个神经网络拼接而成，分别为训练神经网络和情绪神经网络；其中，所述训练神经网络的误差函数与情绪神经网络的误差函数不同。
57.参考图2，图2中展示了本发明的神经网络的结构图。本发明的神经网络有两个输出，一个是基于训练数据的输出，一个是基于情绪数据的输出。通过比较两个输出结果，可以判定是否出现了异常。
58.在图2中，表示标准矩阵结果。表示矩阵结果。w
ij
+δw
ij
为误差函数。
59.虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。