CN115188466B - 一种基于特征分析的受询辅助方法及*** - Google Patents
一种基于特征分析的受询辅助方法及*** Download PDFInfo
- Publication number
- CN115188466B CN115188466B CN202210806013.2A CN202210806013A CN115188466B CN 115188466 B CN115188466 B CN 115188466B CN 202210806013 A CN202210806013 A CN 202210806013A CN 115188466 B CN115188466 B CN 115188466B
- Authority
- CN
- China
- Prior art keywords
- information
- polled
- user
- abnormal
- physiological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000005856 abnormality Effects 0.000 claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims description 116
- 238000000605 extraction Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 23
- 230000003068 static effect Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 208000024891 symptom Diseases 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 230000036391 respiratory frequency Effects 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 5
- 230000001121 heart beat frequency Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013186 photoplethysmography Methods 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 238000012098 association analyses Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000035565 breathing frequency Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 208000001140 Night Blindness Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000014478 crying behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010006334 Breathing abnormalities Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000030603 inherited susceptibility to asthma Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于特征分析的受询辅助方法及***，涉及数字处理技术领域，方法包括：对目标受询用户进行数据采集，获取用户数据集；进行特征提取，获取视频特征、生理特征和人员特征；将视频特征、生理特征和人员特征发送至受询辅助终端；进行特征比对，获取预设监测指标；确定异常预警装置的预警值，获取异常信息；输入受询辅助终端的异常预测模型，获取异常指向结果；发送至相关管理人员。解决了无法定制化为警务管理人员提供受询辅助，导致无法有效保证受询安全的技术问题，基于特征分析，结合受询用户视频信息、生理反馈信息和人员基础信息，达到了定制化为警务管理人员提供受询辅助，保障警务工作的执行，提高受询安全的技术效果。
Description
技术领域
本发明涉及数字处理技术领域，具体涉及一种基于特征分析的受询辅助方法及***。
背景技术
警务人员在对嫌疑人进行受询过程，嫌疑人可能因受询环境或嫌疑人身体状况，出现异常状况，受询辅助简单来说就是通过受询辅助***，生成异常提醒，异常提醒可以提醒警务人员发生异常状况，辅助警务人员排除异常发生，一般用于受询椅设备上。
通过受询椅设备，针对性对受询过程进行辅助，降低嫌疑人自残等危险行为的发生概率，保证警务工作的安全执行提供技术支持。
现有技术中存在无法定制化为警务管理人员提供受询辅助，导致无法有效保证受询安全的技术问题。
发明内容
本申请通过提供了一种基于特征分析的受询辅助方法及***，解决了无法定制化为警务管理人员提供受询辅助，导致无法有效保证受询安全的技术问题，达到了定制化为警务管理人员提供受询辅助，保障警务工作的执行，提高受询安全的技术效果。
鉴于上述问题，本申请提供了一种基于特征分析的受询辅助方法及***。
第一方面，本申请提供了一种基于特征分析的受询辅助方法，其中，所述方法应用于基于特征分析的受询辅助***，所述***与数据采集装置和异常预警装置通信连接，所述方法包括：根据所述数据采集装置，对目标受询用户进行数据采集，获取用户数据集，其中，所述用户数据集包括用户视频信息、生理反馈信息和人员基础信息；通过对所述用户视频信息、所述生理反馈信息和所述人员基础信息进行特征提取，获取视频特征、生理特征和人员特征；接入受询辅助终端，将所述视频特征、所述生理特征和所述人员特征发送至所述受询辅助终端；根据所述受询辅助终端存储的特征比对分析库，对所述目标受询用户进行特征比对，获取预设监测指标；将所述预设监测指标作为所述异常预警装置的预警值，获取异常信息；将所述异常信息输入所述受询辅助终端的异常预测模型，根据所述异常预测模型，获取异常指向结果；通过所述受询辅助终端将所述异常指向结果发送至相关管理人员。
第二方面，本申请提供了一种基于特征分析的受询辅助***，其中，所述***与数据采集装置和异常预警装置通信连接，所述***包括：数据获取单元，所述数据获取单元用于根据所述数据采集装置，对目标受询用户进行数据采集，获取用户数据集，其中，所述用户数据集包括用户视频信息、生理反馈信息和人员基础信息；特征提取单元，所述特征提取单元用于通过对所述用户视频信息、所述生理反馈信息和所述人员基础信息进行特征提取，获取视频特征、生理特征和人员特征；特征发送单元，所述特征发送单元用于接入受询辅助终端，将所述视频特征、所述生理特征和所述人员特征发送至所述受询辅助终端；特征比对分析单元，所述特征比对分析单元用于根据所述受询辅助终端存储的特征比对分析库，对所述目标受询用户进行特征比对，获取预设监测指标；异常信息获取单元，所述异常信息获取单元用于将所述预设监测指标作为所述异常预警装置的预警值，获取异常信息；异常指向结果获取单元，所述异常指向结果获取单元用于将所述异常信息输入所述受询辅助终端的异常预测模型，根据所述异常预测模型，获取异常指向结果；结果发送单元，所述结果发送单元用于通过所述受询辅助终端将所述异常指向结果发送至相关管理人员。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了根据所述数据采集装置，对目标受询用户进行数据采集，获取用户数据集；进行特征提取，获取视频特征、生理特征和人员特征；接入受询辅助终端，将视频特征、生理特征和人员特征发送至受询辅助终端；根据特征比对分析库，对目标受询用户进行特征比对，获取预设监测指标；将预设监测指标作为异常预警装置的预警值，获取异常信息；将异常信息输入受询辅助终端的异常预测模型，根据异常预测模型，获取异常指向结果；通过受询辅助终端将异常指向结果发送至相关管理人员。本申请实施例基于特征分析，结合受询用户视频信息、生理反馈信息和人员基础信息，达到了定制化为警务管理人员提供受询辅助，保障警务工作的执行，提高受询安全的技术效果。
附图说明
图1为本申请一种基于特征分析的受询辅助方法的流程示意图；
图2为本申请一种基于特征分析的受询辅助方法的输出生理特征的流程示意图；
图3为本申请一种基于特征分析的受询辅助方法的根据就坐舒适度对异常信息进行调整的流程示意图；
图4为本申请一种基于特征分析的受询辅助***的结构示意图。
附图标记说明：数据获取单元11，特征提取单元12，特征发送单元13，特征比对分析单元14，异常信息获取单元15，异常指向结果获取单元16，结果发送单元17。
具体实施方式
本申请通过提供了一种基于特征分析的受询辅助方法及***，解决了无法定制化为警务管理人员提供受询辅助，导致无法有效保证受询安全的技术问题，达到了定制化为警务管理人员提供受询辅助，保障警务工作的执行，提高受询安全的技术效果。
实施例一
如图1所示，本申请提供了一种基于特征分析的受询辅助方法，其中，所述方法应用于基于特征分析的受询辅助***，所述***与数据采集装置和异常预警装置通信连接，所述方法包括：
S100：根据所述数据采集装置，对目标受询用户进行数据采集，获取用户数据集，其中，所述用户数据集包括用户视频信息、生理反馈信息和人员基础信息；
S200：通过对所述用户视频信息、所述生理反馈信息和所述人员基础信息进行特征提取，获取视频特征、生理特征和人员特征；
具体而言，所述通信连接简单来说就是通过信号的传输交互，在所述受询辅助***与数据采集装置和异常预警装置之间构成通讯，所述数据采集装置为数据获取单元的统称，所述数据采集装置包括但不限于影像采集单元、信息导入单元、反馈输入单元，所述影像采集单元可以是摄像头之类影像信息采集装置，所述信息导入单元包括接口电路与接口装置，接口装置通过接口电路，将数据信息进行调取录入值所述受询辅助***，所述反馈输入单元集成于受询辅助***内部，可以对所述目标受询用户的生理反馈信息进行检测，所述目标受询用户为嫌疑人，所述目标受询用户可以是老年人、中年人、青年人，所述目标受询用户可以是男性、女性，不对目标受询用户进行限制，所述用户数据集包括用户视频信息、生理反馈信息和人员基础信息，所述用户视频信息为目标受询用户的实时影像监督信息，所述生理反馈信息包括但不限于目标受询用户的心跳频率、呼吸频率，示例性的，可以通过传感器应力贴片传感方式，采集目标受询用户的心跳频率，所述采集方式为验证优选所得，采集方式不唯一限定，所述人员基础信息包括但不限于目标受询用户的年龄、性别、身高，根据所述数据采集装置，对目标受询用户进行数据采集，获取用户视频信息、生理反馈信息和人员基础信息，为后续进行数据分析提供完整的数据基础。
具体而言，可通过sift(Scale-Invariant Feature Transform，尺度不变特征变换)、surf(Speeded Up Robust Features，加速稳健特征)等算法对所述用户视频信息进行特征提取，获取视频特征，所述视频特征包括视频时序特征等其他相关特征指标，对所述生理反馈信息进行截取，分别对截取所得进行信息进行特征提取，对特征提取结果进行特征融合，获取所述生理特征，所述生理特征包括但不限于呼吸特征、心率特征，通过聚类分析对特征提取结果进行特征融合，所述聚类分析相关算法可以包括k-means算法、K-medoids算法等其他相关聚类算法，基于bp反向传播算法，对所述人员基础信息进行特征提取训练，获取人员特征，所述人员特征包括但不限于年龄特征、性别特征、身高特征及其他相关特征，为后续进行数据分析提供支持。
进一步具体说明，示例性的，若所述目标受询用户为抑郁症等存在精神异常或是孕妇等存在身体异常的人群，在接受受询过程中，可能引发目标受询用户出现焦虑、暴躁等异常情绪，通过用户的人员基础信息，确定人员特征，为提供定制化受询辅助提供技术支持。
示例性说明，以目标受询用户的耳脉搏波、心率、血氧、血压四项生理参数作为生理反馈信息，为验证优选所得，进行特征分析的受询辅助***的上位机软件，依据模块化低耦合高内聚的原则来进行设计开发，便于后期扩展和升级维护。
进一步具体说明，脉搏波采用PPG(photo plethysmo graphy，光电容积脉搏波标记法)，通过在人体指尖、耳垂等可透光位置上使用光电容积脉搏传感器进行无创检测，考虑本项目中特殊的应用场景，选择耳甲腔处为探测点选，通过算法分析，可从耳脉搏波信号中提取出心率和血氧，耳脉搏探头的作用部件为包含发射二极管和接收二极管的光电容积脉搏传感器。
进一步具体说明，受询辅助***包括数据采集装置、上位机软件、异常预警装置。传感器集成于所述数据采集装置中，采集耳脉搏、心率、血氧、血压等生理参数的信号，通过生理采集设备的采集、预处理、传输，基于通信连接的通讯链路，实时传输至***上位机软件，实现数据的显示、存储、回放，并可通过上位机软件远程配置、控制数据采集装置，生理参数采集内部的传感器在与上位机软件连接前需要正确的设置连接参数，如IP地址、端口号、工作模式、采样率、增益等参数。
进一步的，本申请实施例还包括：
S210：通过对所述用户视频信息进行动作捕捉，获取视频动态帧，其中，所述视频动态帧为用户动作变化幅度较大的视频帧；
S220：根据所述视频动态帧，记录动态时间节点；
S230：根据所述动态时间节点与所述视频动态帧的映射关系，生成图像分布集合；
S240：以所述图像分布集合进行动作特征提取，输出所述视频特征。
具体而言，所述动作捕捉简单来说就是对所述用户视频的动作进行截取，对截取所得动作视频进行筛选，获取视频动态帧，所述视频动态帧为用户动作变化幅度较大的视频帧，根据所述视频动态帧，对动作捕捉的时间节点进行对应，确定所述视频动态帧的时间捕捉节点，所述时间捕捉节点即所述动态时间节点，所述图像分布集合包括多组动态时间节点与视频动态帧，每组动态时间节点与视频动态帧均存在映射关系。
进一步具体说明，通过对所述用户视频信息进行动作捕捉，获取视频动态帧，示例性的，目标受询用户进行摇头否定操作，第一次小幅度缓慢摇头，第二次大幅度快速摇头，所述动作捕捉会对第二次摇头过程的用户视频进行动作捕捉，以第二次摇头的视频作为视频动态帧；根据所述视频动态帧，记录动态时间节点；根据所述动态时间节点与所述视频动态帧的映射关系，生成图像分布集合，结合上述示例进一步说明，在第二次摇头过程，以开始转动头部向左\右为起始时间节点，以停止转动，面部向前为截止时间节点，确定动态时间节点，基于第二次摇头过程对应的视频动态帧，以用户视频信息的影像与采集时间的对应关系进行映射，将所述映射结果确定为图像分布集合中的元素，进行累次捕捉并映射后，合成图像分布集合，所述示例是为进行协助方案理解，不对实际数据处理进行限制，所述视频动态帧包括但不限于动作变化、肢体变化、面部变化；以所述图像分布集合进行动作特征提取，输出所述视频特征，从所述用户视频信息中进行图像截取，再特征分析，可以有效提高视频信息的特征处理效率。
进一步的，如图2所示，本申请实施例还包括：
S250：根据所述动态时间节点，对所述生理反馈信息进行截取，获取已截取的生理反馈信息和未截取的生理反馈信息；
S260：通过对所述已截取的生理反馈信息进行特征提取，获取动态生理特征；
S270：通过对所述未截取的生理反馈信息进行特征提取，获取静态生理特征；
S280：根据所述动态生理特征和所述静态生理特征，输出所述生理特征。
具体而言，所述生理反馈信息包括但不限于目标受询用户的心跳频率、呼吸频率，为便于进行解释说明，在本申请实施例中，目标受询用户即用户，一般的，所述生理反馈信息与用户动作变化幅度对应，在目标受询用户的肢体变化激烈时，目标受询用户的心跳频率、呼吸频率高，对应的动作幅度大，在目标受询用户的肢体变化平缓时，目标受询用户的心跳频率、呼吸频率正常，对应的动作幅度不大；通过生理反馈信息与用户动作变化幅度对应，动态时间节点为用户动作变化幅度较大的视频帧对应的时间节点，根据所述动态时间节点，对所述生理反馈信息进行截取，获取已截取的生理反馈信息和未截取的生理反馈信息，已截取的生理反馈信息对应的用户动作变化幅度较大，基于bp反向传播算法，对所述已截取的生理反馈信息进行特征提取训练，获取动态生理特征，所述动态生理特征包括但不限于动作幅度特征、心跳频率特征等其他相关特征，动态生理特征可以结合用户需求进行优化，对存在高血压的用户，还需要对血压相关指标进行确定；基于bp反向传播算法，对所述未截取的生理反馈信息进行特征提取训练，获取静态生理特征，所述静态生理特征包括但不限于心跳频率特征、呼吸频率特征；结合人员基础信息，获取静态生理特征，根据所述动态生理特征和所述静态生理特征，进行特征融合，对生理反馈信息进行截取后，再进行特征分析，有效提高所述生理特征的精确度，为后续数据分析提供数据支持。
S300：接入受询辅助终端，将所述视频特征、所述生理特征和所述人员特征发送至所述受询辅助终端；
S400：根据所述受询辅助终端存储的特征比对分析库，对所述目标受询用户进行特征比对，获取预设监测指标；
具体而言，所述受询辅助终端内部集成一处理器，所述处理器可以是一个CPU、微处理器、ASIC，基于特征分析的受询辅助***与数据采集装置和异常预警装置通信连接，接入受询辅助终端，将所述视频特征、所述生理特征和所述人员特征发送至所述受询辅助终端，所述受询辅助终端集成于所述受询辅助***内部，所述受询辅助终端存储一特征比对分析库，基于大数据构建所述特征比对分析库，所述特征比对分析库包括但不限于年龄特征、脉搏特征、心率特征、身体结构特征，所述年龄特征、脉搏特征、心率特征、身体结构特征的参数值存在映射关系，根据特征比对分析库，处理器对所述目标受询用户进行特征比对，获取预设监测指标，预设监测指标为指标阈值，所述预设监测指标包括但不限于脉搏阈值、心率阈值等其他相关指标阈值，具体来说，男性、女性、老年人等承受能力不一样，一般的，年轻人的心率上限高于老年人的心率上限，不同的人对应的所述预设监测指标不一致，通过信息比对，确定所述目标受询用户的预设监测指标，超出预设监测指标，需要进行状态预警，为保证所述预设监测指标的有效性提供技术支持。
进一步的，本申请实施例还包括：
S410：所述受询辅助终端接收所述视频特征、所述生理特征和所述人员特征，其中，所述受询辅助终端包括所述特征比对分析库；
S420：基于所述人员特征，搭建人员画像；
S430：所述特征比对分析库根据所述人员画像进行人员类比分析，获取类比人员集合；
S440：以所述类比人员集合作为所述目标受询用户的类比分析库，获取所述预设监测指标。
具体而言，所述受询辅助终端包括所述特征比对分析库，所述受询辅助终端接收所述视频特征、所述生理特征和所述人员特征；基于所述人员特征，搭建人员画像，所述人员画像为该类型人员的普遍特征，示例性的，高血压类型用户对应舒张压与收缩压异常，肺炎或支气管哮喘类型用户对应呼吸频率异常；所述特征比对分析库根据所述人员画像进行人员类比分析，不同的人对应的所述预设监测指标不一致，通过类比确定目标受询用户的人员类比信息，获取类比人员集合，所述类比人员集合包括但不限于人员年龄数据、人员体质数据、人员体能数据；以所述类比人员集合作为所述目标受询用户的类比分析库，获取所述预设监测指标，结合类比分析库，对所述预设监测指标进行指标限制，可以有效提高预设监测指标的精确度，将所述人员画像输入所述特征比对分析库进行类比分析，为完善特征比对分析库提供数据支持。
S500：将所述预设监测指标作为所述异常预警装置的预警值，获取异常信息；
进一步的，如图3所示，本申请实施例还包括：
S510：获取所述目标受询用户的受询椅设备的信息；
S520：通过对所述受询椅设备的信息进行分析，获取受询座位参数信息；
S530：通过对所述目标受询用户进行用户就坐参数采集，获取就坐用户参数信息；
S540：通过对所述受询座位参数信息和所述就坐用户参数信息进行比对，获取就坐舒适度；
S550：若所述就坐舒适度大于预设就坐舒适度，根据所述就坐舒适度对所述异常信息进行调整。
具体而言，所述异常信息包括但不限于异常情绪、异常反应、异常行动，一般的，异常反应可以包括呼吸频率异常、心率异常，异常情绪可以包括哭泣行为对应的悲伤情绪，异常行动可以包括哭泣行为、咆哮行为，将所述预设监测指标作为所述异常预警装置的预警值，获取异常信息，为进行受询辅助提供数据支持。
具体而言，受询椅设备内部集成受询辅助***，所述受询椅设备形态为椅子，获取所述目标受询用户的受询椅设备的信息，所述受询椅设备的信息可以是受询椅设备参数等其他相关设备参数信息；通过对所述受询椅设备的信息进行分析，获取受询座位参数信息，所述受询座位参数信息包括但不限于椅子高度信息、椅背尺寸信息；通过数据采集装置对所述目标受询用户进行用户就坐参数采集，获取就坐用户参数信息，所述用户就坐参数包括但不限于腿长、脊背贴合度；关联分析可以通过灰色关联分析法、AHP(AnalyticHierarchy Process层次分析法)或其他关联分析算法，通过对所述受询座位参数信息和所述就坐用户参数信息进行关联分析比对，获取就坐舒适度，将适应度分析所得关联系数确定为所述就坐舒适度；所述预设就坐舒适度为一设定预设参数，若所述就坐舒适度小于预设就坐舒适度，表示就坐舒适度满足用户需求；若所述就坐舒适度大于预设就坐舒适度，表示就坐舒适度满足用户不需求，根据所述就坐舒适度对所述异常信息进行调整。
进一步具体说明，所述受询座位的就坐舒适度不满足用户需求，也可能导致用户出现异常行为，所述异常行为与受询座位的就坐舒适度相关度高，结合用户参数与用户设定信息，对异常信息进行优化，提高异常信息的精确度。
进一步的，本申请实施例还包括：
S551：获取所述受询椅设备所处的受询环境的信息；
S552：获取所述目标受询用户的历史病症的信息；
S553：根据所述受询环境的信息和所述历史病症的信息，获取环境影响因子；
S554：按照所述环境影响因子对所述异常信息进行调整。
具体而言，所述受询环境的信息包括但不限于环境温度信息、环境湿度信息，环境光照强度信息，所述环境影响因子包括环境对病症类型的影响、环境对病症程度的影响，通过数据采集装置内部的电子温度计、湿度测试仪、光敏仪，获取所述受询椅设备所处的受询环境的信息；所述历史病症的信息包括但不限于高血压、心冠病、夜盲症等相关病症信息，通过数据采集装置的数据录入单元，获取所述目标受询用户的历史病症的信息，根据所述受询环境的信息和所述历史病症的信息，结合带约束的K-means聚类算法进行数据场景模拟运算，将所述受询环境确定为约束条件，对所述历史病症的信息进行自底向上的凝聚层次聚类分析，获取环境影响因子，按照所述环境影响因子对所述异常信息进行调整，进一步提高所述异常信息的精确性。
进一步具体说明，若所述用户有夜盲症，昏暗的环境下容易出现异常反应，若所述用户有心冠病，封闭的环境下容易出现异常反应。
S600：将所述异常信息输入所述受询辅助终端的异常预测模型，根据所述异常预测模型，获取异常指向结果；
S700：通过所述受询辅助终端将所述异常指向结果发送至相关管理人员。
进一步的，所述获取异常指向结果之后，步骤S600还包括：
S610：获取所述异常信息，其中，所述异常信息包括异常时序信息和异常特征信息；
S620：根据所述异常指向结果，配置目标概率；
S630：以所述异常时序信息和异常特征信息作为输入变量，以所述目标概率作为响应目标，搭建异常预测函数；
S640：将所述异常预测函数输出的响应结果发送至相关管理人员，其中，所述响应结果为基于所述异常指向结果的最大受询时长。
具体而言，以所述特征比对分析库为专家知识库，基于专家***，构建所述异常预测模型，所述异常指向结果与所述历史病症对应，所述异常指向结果可以是用户的舒张压与收缩压异常，也可以是用户的呼吸频率异常，将所述异常信息输入所述受询辅助终端的异常预测模型，根据所述异常预测模型，获取异常指向结果，通过所述受询辅助终端与受询辅助***的通信连接，将所述异常指向结果发送至相关管理人员。
进一步具体说明，通过搭建人员画像，结合异常信息，确定异常指向结果，简单来说，高血压用户若所述异常指向结果为舒张压与收缩压异常，需要将所述异常指向结果发送至警务管理人员，控制受询时长，降低高血压用户在受询过程出现舒张压与收缩压异常的发生的概率。
S610：获取所述异常信息，其中，所述异常信息包括异常时序信息和异常特征信息；
S620：根据所述异常指向结果，配置目标概率；
S630：以所述异常时序信息和异常特征信息作为输入变量，以所述目标概率作为响应目标，搭建异常预测函数；
S640：将所述异常预测函数输出的响应结果发送至相关管理人员，其中，所述响应结果为基于所述异常指向结果的最大受询时长。
具体而言，所述异常信息包括异常时序信息和异常特征信息，所述异常时序信息与所述异常特征信息一一映射，所述异常信息中的第一时序点和第一时序点对应的特征信息为一组映射关联数据信息，多个时序点即所述异常时序信息，在所述异常信息中，进行指标特征提取，基于所述异常时序信息，对应确定所述异常特征信息，基于所述异常指向结果，配置目标概率，所述目标概率为一指标阈值，可以设定目标概率为30％，若所述异常指向结果为呼吸频率异常，用户的呼吸频率异常的概率达到30％对应的呼吸频率，即呼吸异常对应的响应目标。构建一坐标系，所述坐标系的横坐标与纵坐标分别表示所述异常时序信息和异常特征信息，将所述异常时序信息和异常特征信息作为输入变量，输入所述坐标系中进行数据统计，以所述目标概率作为响应目标，搭建异常预测函数，将所述异常预测函数输出的响应结果发送至相关管理人员，其中，所述响应结果为基于所述异常指向结果的最大受询时长，所述最大受询时长为警务管理人员对用户受询的时间阈值，超出最大受询时长，对用户进行受询，无法保证受询安全，获取所述最大受询时长，以最大受询时长，提醒受询人员，把控时间，防止出现意外，提高异常指向结果的及时性。
综上所述，本申请所提供的一种基于特征分析的受询辅助方法及***具有如下技术效果：
由于采用了根据数据采集装置，进行数据采集，获取用户数据集，进行特征提取，获取视频特征、生理特征和人员特征，接入受询辅助终端，将视频特征、生理特征和人员特征发送至受询辅助终端，根据特征比对分析库，进行特征比对，获取预设监测指标，将预设监测指标作为异常预警装置的预警值，获取异常信息，输入受询辅助终端的异常预测模型，获取异常指向结果，通过受询辅助终端将异常指向结果发送至相关管理人员。本申请通过提供了一种基于特征分析的受询辅助方法及***，基于特征分析，结合受询用户视频信息、生理反馈信息和人员基础信息，达到了定制化为警务管理人员提供受询辅助，保障警务工作的执行，提高受询安全的技术效果。
由于采用了根据动态时间节点，对生理反馈信息进行截取，获取已截取的生理反馈信息和未截取的生理反馈信息，对已截取的生理反馈信息进行特征提取，获取动态生理特征，对未截取的生理反馈信息进行特征提取，获取静态生理特征，根据动态生理特征和静态生理特征，输出生理特征。进行特征融合，对生理反馈信息进行截取后，再进行特征分析，有效提高所述生理特征的精确度，为后续数据分析提供数据支持。
由于采用了获取异常信息，根据异常指向结果，配置目标概率，以异常时序信息和异常特征信息作为输入变量，以目标概率作为响应目标，搭建异常预测函数，将输出的响应结果发送至相关管理人员。以最大受询时长，提醒受询人员，把控时间，防止出现意外，提高异常指向结果的及时性。
实施例二
基于与前述实施例中一种基于特征分析的受询辅助方法相同的发明构思，如图4所示，本申请提供了一种基于特征分析的受询辅助***，其中，所述***与数据采集装置和异常预警装置通信连接，所述***包括：
数据获取单元11，所述数据获取单元11用于根据所述数据采集装置，对目标受询用户进行数据采集，获取用户数据集，其中，所述用户数据集包括用户视频信息、生理反馈信息和人员基础信息；
特征提取单元12，所述特征提取单元12用于通过对所述用户视频信息、所述生理反馈信息和所述人员基础信息进行特征提取，获取视频特征、生理特征和人员特征；
特征发送单元13，所述特征发送单元13用于接入受询辅助终端，将所述视频特征、所述生理特征和所述人员特征发送至所述受询辅助终端；
特征比对分析单元14，所述特征比对分析单元14用于根据所述受询辅助终端存储的特征比对分析库，对所述目标受询用户进行特征比对，获取预设监测指标；
异常信息获取单元15，所述异常信息获取单元15用于将所述预设监测指标作为所述异常预警装置的预警值，获取异常信息；
异常指向结果获取单元16，所述异常指向结果获取单元16用于将所述异常信息输入所述受询辅助终端的异常预测模型，根据所述异常预测模型，获取异常指向结果；
结果发送单元17，所述结果发送单元17用于通过所述受询辅助终端将所述异常指向结果发送至相关管理人员。
进一步的，所述***包括：
动作捕捉单元，所述动作捕捉单元用于通过对所述用户视频信息进行动作捕捉，获取视频动态帧，其中，所述视频动态帧为用户动作变化幅度较大的视频帧；
时间节点记录单元，所述时间节点记录单元用于根据所述视频动态帧，记录动态时间节点；
映射图像生成单元，所述映射图像生成单元用于根据所述动态时间节点与所述视频动态帧的映射关系，生成图像分布集合；
动作特征提取单元，所述动作特征提取单元用于以所述图像分布集合进行动作特征提取，输出所述视频特征。
进一步的，所述***包括：
信息截取单元，所述信息截取单元用于根据所述动态时间节点，对所述生理反馈信息进行截取，获取已截取的生理反馈信息和未截取的生理反馈信息；
动态生理特征提取单元，所述动态生理特征提取单元用于通过对所述已截取的生理反馈信息进行特征提取，获取动态生理特征；
静态生理特征提取单元，所述静态生理特征提取单元用于通过对所述未截取的生理反馈信息进行特征提取，获取静态生理特征；
生理特征输出单元，所述生理特征输出单元用于根据所述动态生理特征和所述静态生理特征，输出所述生理特征。
进一步的，所述***包括：
特征接收单元，所述特征接收单元用于所述受询辅助终端接收所述视频特征、所述生理特征和所述人员特征，其中，所述受询辅助终端包括所述特征比对分析库；
画像搭建单元，所述画像搭建单元用于基于所述人员特征，搭建人员画像；
类比分析单元，所述类比分析单元用于所述特征比对分析库根据所述人员画像进行人员类比分析，获取类比人员集合；
监测指标获取单元，所述监测指标获取单元用于以所述类比人员集合作为所述目标受询用户的类比分析库，获取所述预设监测指标。
进一步的，所述***包括：
受询信息获取单元，所述受询信息获取单元用于获取所述目标受询用户的受询椅设备的信息；
参数信息获取单元，所述参数信息获取单元用于通过对所述受询椅设备的信息进行分析，获取受询座位参数信息；
就坐参数采集单元，所述就坐参数采集单元用于通过对所述目标受询用户进行用户就坐参数采集，获取就坐用户参数信息；
参数信息比对单元，所述参数信息比对单元用于通过对所述受询座位参数信息和所述就坐用户参数信息进行比对，获取就坐舒适度；
信息调整单元，所述信息调整单元用于若所述就坐舒适度大于预设就坐舒适度，根据所述就坐舒适度对所述异常信息进行调整。
进一步的，所述***包括：
环境信息获取单元，所述环境信息获取单元用于获取所述受询椅设备所处的受询环境的信息；
病症信息获取单元，所述病症信息获取单元用于获取所述目标受询用户的历史病症的信息；
影响因子获取单元，所述影响因子获取单元用于根据所述受询环境的信息和所述历史病症的信息，获取环境影响因子；
信息调整单元，所述信息调整单元用于按照所述环境影响因子对所述异常信息进行调整。
进一步的，所述***包括：
异常信息获取单元，所述异常信息获取单元用于获取所述异常信息，其中，所述异常信息包括异常时序信息和异常特征信息；
目标概率配置单元，所述目标概率配置单元用于根据所述异常指向结果，配置目标概率；
异常预测函数搭建单元，所述异常预测函数搭建单元用于以所述异常时序信息和异常特征信息作为输入变量，以所述目标概率作为响应目标，搭建异常预测函数；
响应结果发送单元，所述响应结果发送单元用于将所述异常预测函数输出的响应结果发送至相关管理人员，其中，所述响应结果为基于所述异常指向结果的最大受询时长。
本说明书和附图仅仅是本申请的示例性说明，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (3)
1.一种基于特征分析的受询辅助方法，其特征在于，所述方法应用于基于特征分析的受询辅助***，所述***与数据采集装置和异常预警装置通信连接，所述方法包括：
根据所述数据采集装置，对目标受询用户进行数据采集，获取用户数据集，其中，所述用户数据集包括用户视频信息、生理反馈信息和人员基础信息；
通过对所述用户视频信息、所述生理反馈信息和所述人员基础信息进行特征提取，获取视频特征、生理特征和人员特征；
接入受询辅助终端，将所述视频特征、所述生理特征和所述人员特征发送至所述受询辅助终端；
根据所述受询辅助终端存储的特征比对分析库，对所述目标受询用户进行特征比对，获取预设监测指标；
将所述预设监测指标作为所述异常预警装置的预警值，获取异常信息；
将所述异常信息输入所述受询辅助终端的异常预测模型，根据所述异常预测模型，获取异常指向结果；
通过所述受询辅助终端将所述异常指向结果发送至相关管理人员；
所述方法还包括：
通过对所述用户视频信息进行动作捕捉，获取视频动态帧，其中，所述视频动态帧为用户动作变化幅度较大的视频帧；
根据所述视频动态帧，记录动态时间节点；
根据所述动态时间节点与所述视频动态帧的映射关系，生成图像分布集合；
以所述图像分布集合进行动作特征提取，输出所述视频特征；
根据所述动态时间节点，对所述生理反馈信息进行截取，获取已截取的生理反馈信息和未截取的生理反馈信息；
通过对所述已截取的生理反馈信息进行特征提取，获取动态生理特征；
通过对所述未截取的生理反馈信息进行特征提取，获取静态生理特征；
根据所述动态生理特征和所述静态生理特征，输出所述生理特征；
获取所述目标受询用户的受询椅设备的信息；
通过对所述受询椅设备的信息进行分析，获取受询座位参数信息；
通过对所述目标受询用户进行用户就坐参数采集，获取就坐用户参数信息；
通过对所述受询座位参数信息和所述就坐用户参数信息进行比对，获取就坐舒适度；
若所述就坐舒适度大于预设就坐舒适度，根据所述就坐舒适度对所述异常信息进行调整；
获取所述受询椅设备所处的受询环境的信息；
获取所述目标受询用户的历史病症的信息；
根据所述受询环境的信息和所述历史病症的信息，获取环境影响因子；
按照所述环境影响因子对所述异常信息进行调整；
所述获取异常指向结果之后，所述方法还包括：
获取所述异常信息，其中，所述异常信息包括异常时序信息和异常特征信息；
根据所述异常指向结果，配置目标概率；
以所述异常时序信息和异常特征信息作为输入变量，以所述目标概率作为响应目标，搭建异常预测函数；
将所述异常预测函数输出的响应结果发送至相关管理人员，其中，所述响应结果为基于所述异常指向结果的最大受询时长。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
所述受询辅助终端接收所述视频特征、所述生理特征和所述人员特征，其中，所述受询辅助终端包括所述特征比对分析库；
基于所述人员特征，搭建人员画像；
所述特征比对分析库根据所述人员画像进行人员类比分析，获取类比人员集合；
以所述类比人员集合作为所述目标受询用户的类比分析库，获取所述预设监测指标。
3.一种基于特征分析的受询辅助***，其特征在于，所述***与数据采集装置和异常预警装置通信连接，所述***包括：
数据获取单元，所述数据获取单元用于根据所述数据采集装置，对目标受询用户进行数据采集，获取用户数据集，其中，所述用户数据集包括用户视频信息、生理反馈信息和人员基础信息；
特征提取单元，所述特征提取单元用于通过对所述用户视频信息、所述生理反馈信息和所述人员基础信息进行特征提取，获取视频特征、生理特征和人员特征；
特征发送单元，所述特征发送单元用于接入受询辅助终端，将所述视频特征、所述生理特征和所述人员特征发送至所述受询辅助终端；
特征比对分析单元，所述特征比对分析单元用于根据所述受询辅助终端存储的特征比对分析库，对所述目标受询用户进行特征比对，获取预设监测指标；
异常信息获取单元，所述异常信息获取单元用于将所述预设监测指标作为所述异常预警装置的预警值，获取异常信息；
异常指向结果获取单元，所述异常指向结果获取单元用于将所述异常信息输入所述受询辅助终端的异常预测模型，根据所述异常预测模型，获取异常指向结果；
结果发送单元，所述结果发送单元用于通过所述受询辅助终端将所述异常指向结果发送至相关管理人员；
动作捕捉单元，所述动作捕捉单元用于通过对所述用户视频信息进行动作捕捉，获取视频动态帧，其中，所述视频动态帧为用户动作变化幅度较大的视频帧；
时间节点记录单元，所述时间节点记录单元用于根据所述视频动态帧，记录动态时间节点；
映射图像生成单元，所述映射图像生成单元用于根据所述动态时间节点与所述视频动态帧的映射关系，生成图像分布集合；
动作特征提取单元，所述动作特征提取单元用于以所述图像分布集合进行动作特征提取，输出所述视频特征；
信息截取单元，所述信息截取单元用于根据所述动态时间节点，对所述生理反馈信息进行截取，获取已截取的生理反馈信息和未截取的生理反馈信息；
动态生理特征提取单元，所述动态生理特征提取单元用于通过对所述已截取的生理反馈信息进行特征提取，获取动态生理特征；
静态生理特征提取单元，所述静态生理特征提取单元用于通过对所述未截取的生理反馈信息进行特征提取，获取静态生理特征；
生理特征输出单元，所述生理特征输出单元用于根据所述动态生理特征和所述静态生理特征，输出所述生理特征；
受询信息获取单元，所述受询信息获取单元用于获取所述目标受询用户的受询椅设备的信息；
参数信息获取单元，所述参数信息获取单元用于通过对所述受询椅设备的信息进行分析，获取受询座位参数信息；
就坐参数采集单元，所述就坐参数采集单元用于通过对所述目标受询用户进行用户就坐参数采集，获取就坐用户参数信息；
参数信息比对单元，所述参数信息比对单元用于通过对所述受询座位参数信息和所述就坐用户参数信息进行比对，获取就坐舒适度；
信息调整单元，所述信息调整单元用于若所述就坐舒适度大于预设就坐舒适度，根据所述就坐舒适度对所述异常信息进行调整；
环境信息获取单元，所述环境信息获取单元用于获取所述受询椅设备所处的受询环境的信息；
病症信息获取单元，所述病症信息获取单元用于获取所述目标受询用户的历史病症的信息；
影响因子获取单元，所述影响因子获取单元用于根据所述受询环境的信息和所述历史病症的信息，获取环境影响因子；
信息调整单元，所述信息调整单元用于按照所述环境影响因子对所述异常信息进行调整；
异常信息获取单元，所述异常信息获取单元用于获取所述异常信息，其中，所述异常信息包括异常时序信息和异常特征信息；
目标概率配置单元，所述目标概率配置单元用于根据所述异常指向结果，配置目标概率；
异常预测函数搭建单元，所述异常预测函数搭建单元用于以所述异常时序信息和异常特征信息作为输入变量，以所述目标概率作为响应目标，搭建异常预测函数；
响应结果发送单元，所述响应结果发送单元用于将所述异常预测函数输出的响应结果发送至相关管理人员，其中，所述响应结果为基于所述异常指向结果的最大受询时长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210806013.2A CN115188466B (zh) | 2022-07-08 | 2022-07-08 | 一种基于特征分析的受询辅助方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210806013.2A CN115188466B (zh) | 2022-07-08 | 2022-07-08 | 一种基于特征分析的受询辅助方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115188466A CN115188466A (zh) | 2022-10-14 |
| CN115188466B true CN115188466B (zh) | 2023-12-12 |
Family
ID=83518096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210806013.2A Active CN115188466B (zh) | 2022-07-08 | 2022-07-08 | 一种基于特征分析的受询辅助方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115188466B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205430403U (zh) * | 2015-12-16 | 2016-08-03 | 天津天地伟业数码科技有限公司 | 具有生理体征监护功能的嵌入式录像设备 |
| CN109528183A (zh) * | 2019-01-15 | 2019-03-29 | 浙江强脑科技有限公司 | 人体异常状态监控方法、设备及计算机可读存储介质 |
| CN110348312A (zh) * | 2019-06-14 | 2019-10-18 | 武汉大学 | 一种区域视频人体动作行为实时识别方法 |
| CN111166302A (zh) * | 2019-12-25 | 2020-05-19 | 杭州中威电子股份有限公司 | 一种实时非接触式监测生理指标的装置及方法 |
| KR20210156590A (ko) * | 2020-06-18 | 2021-12-27 | 주식회사 레몬헬스케어 | 환자생성 생체바이오 데이터(pghd) 및 dna분석 데이터 기반의 원격진료시 다중 진료과 선정 및 사후 모니터링 방법 및 시스템 |
| CN114677826A (zh) * | 2022-03-24 | 2022-06-28 | 中南大学湘雅二医院 | 一种基于个体行为与生理特征的精神病人暴力预警*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050143629A1 (en) * | 2003-06-20 | 2005-06-30 | Farwell Lawrence A. | Method for a classification guilty knowledge test and integrated system for detection of deception and information |
| US8396268B2 (en) * | 2010-03-31 | 2013-03-12 | Isis Innovation Limited | System and method for image sequence processing |
| US10827967B2 (en) * | 2015-09-30 | 2020-11-10 | Centro Studi S.R.L. | Emotional/behavioural/psychological state estimation system |
| US20180160959A1 (en) * | 2016-12-12 | 2018-06-14 | Timothy James Wilde | Modular electronic lie and emotion detection systems, methods, and devices |
| US20210200808A1 (en) * | 2018-09-21 | 2021-07-01 | Hefei Compass Electronic Technology Co., Ltd. | Prison monitoring intelligent control method with comparative analysis function |
-
2022
- 2022-07-08 CN CN202210806013.2A patent/CN115188466B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205430403U (zh) * | 2015-12-16 | 2016-08-03 | 天津天地伟业数码科技有限公司 | 具有生理体征监护功能的嵌入式录像设备 |
| CN109528183A (zh) * | 2019-01-15 | 2019-03-29 | 浙江强脑科技有限公司 | 人体异常状态监控方法、设备及计算机可读存储介质 |
| CN110348312A (zh) * | 2019-06-14 | 2019-10-18 | 武汉大学 | 一种区域视频人体动作行为实时识别方法 |
| CN111166302A (zh) * | 2019-12-25 | 2020-05-19 | 杭州中威电子股份有限公司 | 一种实时非接触式监测生理指标的装置及方法 |
| KR20210156590A (ko) * | 2020-06-18 | 2021-12-27 | 주식회사 레몬헬스케어 | 환자생성 생체바이오 데이터(pghd) 및 dna분석 데이터 기반의 원격진료시 다중 진료과 선정 및 사후 모니터링 방법 및 시스템 |
| CN114677826A (zh) * | 2022-03-24 | 2022-06-28 | 中南大学湘雅二医院 | 一种基于个体行为与生理特征的精神病人暴力预警*** |
Non-Patent Citations (5)
| Title |
|---|
| M.V. Scanlon.Acoustic sensor pad for physiological monitoring.《 Proceedings of the 19th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 'Magnificent Milestones and Emerging Opportunities in Medical Engineering' (Cat. No.97CH36136)》.2002,第747-750页. * |
| 中国心理学会.《2018-2019年心理学学科发展报告》.中国科学技术出版社,2020,第113-114页. * |
| 疲劳审讯的认定与防范;李孝伟;《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》(第10期);第1-74页 * |
| 脑功能成像技术在公安工作中的应用;向静 等;《中国人民公安大学学报(自然科学版)》;第26卷(第4期);第94-102页 * |
| 赵春晖.《视频图像运动目标分析》.国防工业出版社,2011,第18-20页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115188466A (zh) | 2022-10-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vallabh et al. | Fall detection monitoring systems: a comprehensive review | |
| KR102200526B1 (ko) | 개방형 api 기반 의료 정보 제공 방법 및 시스템 | |
| US9747902B2 (en) | Method and system for assisting patients | |
| Zhao et al. | Multimodal gait recognition for neurodegenerative diseases | |
| Jayalakshmi et al. | Fuzzy logic-based health monitoring system for COVID’19 patients | |
| CN113990482A (zh) | 健康数据处理***及方法 | |
| WO2021121226A1 (zh) | 一种心电信号的预测方法、装置、终端以及存储介质 | |
| CN112908481A (zh) | 一种自动化个人健康评估及管理方法及*** | |
| CN115670419A (zh) | 基于智能手表预测运动信息的数据处理方法及*** | |
| Mansoor et al. | A machine learning approach for non-invasive fall detection using Kinect | |
| CN115662631A (zh) | 基于ai智能判别的养老院管理*** | |
| CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
| CN115188466B (zh) | 一种基于特征分析的受询辅助方法及*** | |
| KR102188076B1 (ko) | 노년층 피보호자를 모니터링하기 위한 IoT 기술을 이용하는 방법 및 그 장치 | |
| CN117133464A (zh) | 一种老年人健康智能监测***及监测方法 | |
| Zhang et al. | Android TWEETY—A wireless activity monitoring and biofeedback system designed for people with anorexia nervosa | |
| JP7306152B2 (ja) | 感情推定装置、感情推定方法、プログラム、情報提示装置、情報提示方法及び感情推定システム | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防***和方法 | |
| KR102029760B1 (ko) | 사용자 감정 분석을 이용한 이벤트 탐지 시스템 및 방법 | |
| Zhang et al. | Context-aware fall detection using a bayesian network | |
| CN109820523A (zh) | 心理测试仪控制方法、装置及计算机可读存储介质 | |
| CN113724853A (zh) | 一种基于深度学习的智慧医疗*** | |
| Sujin et al. | Public e-health network system using arduino controller | |
| Pantelopoulos et al. | Spn-model based simulation of a wearable health monitoring system | |
| KR102668931B1 (ko) | 맞춤형 서비스 제공 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |