[發(fā)明專利]跌倒檢測(cè)方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201911013655.1
• 申請(qǐng)日: 2019-10-23
• 公開（公告）號(hào): CN110781808A
• 公開（公告）日: 2020-02-11
• 發(fā)明（設(shè)計(jì)）人: 李夫路;梁爽
• 申請(qǐng)（專利權(quán)）人: 泰康保險(xiǎn)集團(tuán)股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G08B21/04
• 代理公司: 11205 北京同立鈞成知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 張子青;劉芳

1.一種跌倒檢測(cè)方法，其特征在于，包括：

獲取用戶的紅外圖像；

獲取用戶的個(gè)人信息；

從所述紅外圖像獲取溫度特征信息、用戶位置信息以及時(shí)間信息；

對(duì)所述溫度特征信息、所述用戶位置信息、所述時(shí)間信息以及所述個(gè)人信息按照預(yù)定規(guī)則進(jìn)行編碼，得到所述用戶的特征向量；

將所述特征向量輸入到預(yù)先訓(xùn)練的分類模型，獲取跌倒預(yù)測(cè)結(jié)果；

所述從所述紅外圖像獲取溫度特征信息、用戶位置信息以及時(shí)間信息，包括：

從所述紅外圖像獲取溫度分布變化時(shí)長(zhǎng)、溫度變化的劇烈程度、溫度分布發(fā)生變化的像素點(diǎn)個(gè)數(shù)、以及高溫區(qū)域的形態(tài)特征；和/或

根據(jù)獲取到紅外線圖像的傳感器位置獲取所述用戶位置信息；和/或

根據(jù)所述紅外線圖像的采集時(shí)間獲取所述時(shí)間信息。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述特征向量輸入到預(yù)先訓(xùn)練的分類模型，獲取跌倒預(yù)測(cè)結(jié)果，包括：

將所述特征向量輸入到所述分類模型，輸出用戶跌倒發(fā)生的概率；

若所述概率大于預(yù)設(shè)閾值，則確定用戶跌倒。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取用戶的個(gè)人信息，包括：

從區(qū)塊鏈中獲取預(yù)先存儲(chǔ)的用戶的個(gè)人信息，所述用戶的個(gè)人信息包括：用戶的生活狀態(tài)和/或用戶的健康狀態(tài)；

所述將所述特征向量輸入到預(yù)先訓(xùn)練的分類模型前，還包括：

從區(qū)塊鏈獲取預(yù)先訓(xùn)練的分類模型。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：

將所述紅外圖像、所述溫度特征信息、所述用戶位置信息、所述時(shí)間信息、所述用戶的個(gè)人信息、所述跌倒預(yù)測(cè)結(jié)果中至少一項(xiàng)上傳至區(qū)塊鏈中。

5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的方法，其特征在于，所述方法還包括：

從區(qū)塊鏈獲取訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括各區(qū)塊鏈節(jié)點(diǎn)上傳的歷史案例數(shù)據(jù)，所述歷史案例數(shù)據(jù)包括用戶樣本站立時(shí)的紅外圖像、跌倒時(shí)的紅外圖像、跌倒時(shí)的位置信息、跌倒時(shí)的時(shí)間信息、跌倒后的情況以及用戶樣本的個(gè)人信息；

根據(jù)所述訓(xùn)練數(shù)據(jù)對(duì)所述分類模型進(jìn)行訓(xùn)練，并將訓(xùn)練后的分類模型上傳到區(qū)塊鏈；

其中，所述訓(xùn)練數(shù)據(jù)和所述分類模型存儲(chǔ)于同一區(qū)塊鏈或不同區(qū)塊鏈。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，還包括：

當(dāng)檢測(cè)到所述訓(xùn)練數(shù)據(jù)更新后，從所述區(qū)塊鏈上獲取更新后的訓(xùn)練數(shù)據(jù)和當(dāng)前的分類模型；

根據(jù)更新后的訓(xùn)練數(shù)據(jù)重新訓(xùn)練該分類模型，并根據(jù)訓(xùn)練后的分類模型更新所述區(qū)塊鏈中的分類模型。

7.一種跌倒檢測(cè)裝置，其特征在于，包括：

圖像獲取模塊，用于獲取用戶的紅外圖像；

信息獲取模塊，用于獲取用戶的個(gè)人信息；

處理模塊，用于從所述紅外圖像獲取溫度特征信息、用戶位置信息以及時(shí)間信息；對(duì)所述溫度特征信息、所述用戶位置信息、所述時(shí)間信息以及所述個(gè)人信息按照預(yù)定規(guī)則進(jìn)行編碼，得到所述用戶的特征向量；

預(yù)測(cè)模塊，用于將所述特征向量輸入到預(yù)先訓(xùn)練的分類模型，獲取跌倒預(yù)測(cè)結(jié)果；

所述處理模塊在從所述紅外圖像獲取溫度特征信息、用戶位置信息以及時(shí)間信息時(shí)，所述處理模塊用于：

從所述紅外圖像獲取溫度分布變化時(shí)長(zhǎng)、溫度變化的劇烈程度、溫度分布發(fā)生變化的像素點(diǎn)個(gè)數(shù)、以及高溫區(qū)域的形態(tài)特征；和/或

根據(jù)獲取到紅外線圖像的傳感器位置獲取所述用戶位置信息；和/或

根據(jù)所述紅外線圖像的采集時(shí)間獲取所述時(shí)間信息。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，還包括訓(xùn)練模塊，用于：

從區(qū)塊鏈獲取訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括各區(qū)塊鏈節(jié)點(diǎn)上傳的歷史案例數(shù)據(jù)，所述歷史案例數(shù)據(jù)包括用戶樣本站立時(shí)的紅外圖像、跌倒時(shí)的紅外圖像、跌倒時(shí)的位置信息、跌倒時(shí)的時(shí)間信息、跌倒后的情況以及用戶樣本的個(gè)人信息；

根據(jù)所述訓(xùn)練數(shù)據(jù)對(duì)所述分類模型進(jìn)行訓(xùn)練，并將訓(xùn)練后的分類模型上傳到區(qū)塊鏈；

其中，所述訓(xùn)練數(shù)據(jù)和所述分類模型存儲(chǔ)于同一區(qū)塊鏈或不同區(qū)塊鏈。