远程监测护理系统及其方法

本技术涉及智能监测，且更为具体地，涉及一种远程监测护理系统及其方法。

背景技术：

1、随着社会的发展和人口老龄化的加剧，老年人的护理和健康问题已成为社会关注的焦点。由于老年人的身体机能下降，平衡能力、协调能力和反应能力都不如年轻人，所以更容易发生摔倒意外。

2、老年人的摔倒事件是导致严重伤害和不良后果的主要原因之一。由于老年人骨质较为疏松，一旦摔倒，很容易发生骨折，如股骨骨折、脊柱压缩性骨折、手腕骨折等，甚至可能导致长期卧床不起，严重影响生活质量。并且，老年人摔倒时头部着地的可能性较大，可能会导致脑震荡、脑出血等脑外伤，严重时可危及生命。因此，对老年人的行为进行实时监测和预警，及时发现并处理摔倒等危险情况，具有重要的现实意义。

3、然而，传统的监测护理方法主要依赖于人工观察和干预，存在人力资源不足、监测效果受限等问题，很难做到实时监测和预警。因此，期待一种优化的远程监测护理系统及其方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。

2、相应地，根据本技术的一个方面，提供了一种远程监测护理方法，其包括：

3、获取由安装于老人住所的智能摄像头采集的被监控老年人对象的行为状态监控视频；

4、对所述行为状态监控视频进行数据预处理以得到行为状态监控关键帧的序列；

5、将所述行为状态监控关键帧的序列通过无线网络传输到云端服务器；

6、在所述云端服务器，对所述行为状态监控关键帧的序列进行行为特征提取以得到行为状态语义特征图的序列；

7、使用基于重参数化层的特征图增强器对所述行为状态语义特征图的序列进行基于先验信息的特征信息强化以得到强化行为状态语义特征图的序列；

8、基于所述强化行为状态语义特征图的序列的时序特征，确定是否生成预警提示信息；

9、其中，基于所述强化行为状态语义特征图的序列的时序特征，确定是否生成预警提示信息，包括：

10、提取所述强化行为状态语义特征图的序列的时序特征以得到老年人行为语义时序编码特征向量；

11、将所述老年人行为语义时序编码特征向量通过分类器以得到分类结果，所述分类结果用于表示老年人是否处于摔倒状态；

12、响应于所述分类结果为老年人处于摔倒状态，生成预警提示信息；

13、其中，提取所述强化行为状态语义特征图的序列的时序特征以得到老年人行为语义时序编码特征向量，包括：

14、对所述强化行为状态语义特征图的序列中的各个特征矩阵进行优化以得到优化后强化行为状态语义特征图的序列；

15、将所述优化后强化行为状态语义特征图的序列通过基于lstm模型的老年人行为语义时序编码器以得到所述老年人行为语义时序编码特征向量；

16、其中，对所述强化行为状态语义特征图的序列中的各个特征矩阵进行优化以得到优化后强化行为状态语义特征图的序列，包括：计算所述强化行为状态语义特征图的序列中的各个特征矩阵的优化系数；以所述优化系数对所述强化行为状态语义特征图的序列的相应的特征矩阵进行加权优化以得到优化后强化行为状态语义特征图的序列；

17、具体计算所述强化行为状态语义特征图的序列中的各个特征矩阵的优化系数，包括：以如下优化系数计算公式计算所述强化行为状态语义特征图的序列中的各个特征矩阵的优化系数；其中，所述优化系数计算公式为：

18、；

19、其中是所述强化行为状态语义特征图的序列中的每个特征矩阵的第位置的特征值，表示特征值的概率化函数，是所述强化行为状态语义特征图的序列中的每个特征矩阵的尺度，是所述强化行为状态语义特征图的序列通过分类器得到的类概率值，且是权重超参数，是所述优化系数。

20、在上述远程监测护理方法中，对所述行为状态监控视频进行数据预处理以得到行为状态监控关键帧的序列，包括：对所述行为状态监控视频进行稀疏化关键帧采样以得到所述行为状态监控关键帧的序列。

21、在上述远程监测护理方法中，在所述云端服务器，对所述行为状态监控关键帧的序列进行行为特征提取以得到行为状态语义特征图的序列，包括：利用深度学习网络模型对所述行为状态监控关键帧的序列中的各个行为状态监控关键帧进行状态特征提取以得到所述行为状态语义特征图的序列。

22、在上述远程监测护理方法中，所述深度学习网络模型为基于卷积神经网络模型的老人行为状态特征提取器。

23、在上述远程监测护理方法中，利用深度学习网络模型对所述行为状态监控关键帧的序列中的各个行为状态监控关键帧进行状态特征提取以得到所述行为状态语义特征图的序列，包括：将所述行为状态监控关键帧的序列中的各个行为状态监控关键帧分别通过所述基于卷积神经网络模型的老人行为状态特征提取器以得到所述行为状态语义特征图的序列。

24、在上述远程监测护理方法中，使用基于重参数化层的特征图增强器对所述行为状态语义特征图的序列进行基于先验信息的特征信息强化以得到强化行为状态语义特征图的序列，包括：以如下重参数化公式对所述行为状态语义特征图进行特征图强化以得到强化行为状态语义特征图；其中，所述重参数化公式为：

25、；

26、其中，是所述行为状态语义特征图的均值，是所述行为状态语义特征图的方差，是从高斯分布中随机采样得到的第个值，是所述强化行为状态语义特征图中第个特征值。

27、在上述远程监测护理方法中，将所述老年人行为语义时序编码特征向量通过分类器以得到分类结果，所述分类结果用于表示老年人是否处于摔倒状态，包括：使用所述分类器的全连接层对所述老年人行为语义时序编码特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述老年人行为语义时序编码特征向量归属于各个分类标签的概率值，所述分类标签包括老年人处于摔倒状态和老年人未处于摔倒状态；将所述概率值中最大者对应的分类标签确定为所述分类结果。

28、根据本技术的另一个方面，提供了一种远程监测护理系统，其包括：

29、老年人行为监控模块，用于获取由安装于老人住所的智能摄像头采集的被监控老年人对象的行为状态监控视频；

30、数据预处理模块，用于对所述行为状态监控视频进行数据预处理以得到行为状态监控关键帧的序列；

31、无线传输模块，用于将所述行为状态监控关键帧的序列通过无线网络传输到云端服务器；

32、行为特征提取模块，用于在所述云端服务器，对所述行为状态监控关键帧的序列进行行为特征提取以得到行为状态语义特征图的序列；

33、特征信息强化模块，用于使用基于重参数化层的特征图增强器对所述行为状态语义特征图的序列进行基于先验信息的特征信息强化以得到强化行为状态语义特征图的序列；

34、摔倒预警模块，用于基于所述强化行为状态语义特征图的序列的时序特征，确定是否生成预警提示信息；

35、其中，所述摔倒预警模块，包括：

36、提取所述强化行为状态语义特征图的序列的时序特征以得到老年人行为语义时序编码特征向量；

37、将所述老年人行为语义时序编码特征向量通过分类器以得到分类结果，所述分类结果用于表示老年人是否处于摔倒状态；

38、响应于所述分类结果为老年人处于摔倒状态，生成预警提示信息；

39、其中，提取所述强化行为状态语义特征图的序列的时序特征以得到老年人行为语义时序编码特征向量，包括：

40、对所述强化行为状态语义特征图的序列中的各个特征矩阵进行优化以得到优化后强化行为状态语义特征图的序列；

41、将所述优化后强化行为状态语义特征图的序列通过基于lstm模型的老年人行为语义时序编码器以得到所述老年人行为语义时序编码特征向量；

42、其中，对所述强化行为状态语义特征图的序列中的各个特征矩阵进行优化以得到优化后强化行为状态语义特征图的序列，包括：计算所述强化行为状态语义特征图的序列中的各个特征矩阵的优化系数；以所述优化系数对所述强化行为状态语义特征图的序列的相应的特征矩阵进行加权优化以得到优化后强化行为状态语义特征图的序列；

43、具体计算所述强化行为状态语义特征图的序列中的各个特征矩阵的优化系数，包括：以如下优化系数计算公式计算所述强化行为状态语义特征图的序列中的各个特征矩阵的优化系数；其中，所述优化系数计算公式为：

44、；

45、其中是所述强化行为状态语义特征图的序列中的每个特征矩阵的第位置的特征值，表示特征值的概率化函数，是所述强化行为状态语义特征图的序列中的每个特征矩阵的尺度，是所述强化行为状态语义特征图的序列通过分类器得到的类概率值，且是权重超参数，是所述优化系数。

46、与现有技术相比，本技术提供的远程监测护理系统及其方法，其利用基于深度学习的人工智能技术来监测和分析老年人的行为状态，对老年人的行为状态监控视频进行语义时序编码，挖掘出所述行为状态监控视频中与摔倒状态相关的行为特征，以此来智能判断老年人是否处于摔倒状态。这样，能够实现对老年人摔倒事件的实时监测和预警，以便及时采取救助措施。