一种基于网络表示学习的老人看护装置与方法制造方法及图纸

技术编号:26970742 阅读:16 留言:0更新日期:2021-01-06 00:00
本发明专利技术公开一种基于网络表示学习的老人看护装置与方法,包括以下步骤:S1,输入目标老人的历史活动数据;S2,将目标老人的历史活动数据解析生成可用的“老人‑老人”交互网络数据和“老人‑地点”位置关系数据;S3,构建基于网络表示学习的老人看护预测模型并进行迭代训练,得到每个目标老人的类簇划分标签集合L;S4,计算目标老人与在同一类簇集合L下其他老人间的相似度并进行排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。本发明专利技术能够根据老人常出现的地点和常接触的人进行分析生成节点的网络表示,预测目标老人可能出现的地点列表,从而提供在失联情况下老人可能出现在的位置结果,提高监护效率。

【技术实现步骤摘要】
一种基于网络表示学习的老人看护装置与方法
本专利技术涉及居家养老
,特别涉及一种基于网络表示学习的老人看护装置与方法。
技术介绍
老人院常用的定位系统基站内部包括中央处理器,无线ZigBee模块、电源模块、天线、状态指示灯和接线端子等部分。基站内部的无线ZigBee模块,通过天线接收附近ZFC-11识别卡发出的信号,并通过无线ZigBee方式,将收到的识别卡信息转发给网关基站。再由网关基站把信息发送给监控中心计算机,计算机对收到的人员信息处理和显示,从而实现人员定位。当管理人员需要呼叫某一个识别卡时,计算机将呼叫信息发给网关基站,再由网关基站转发给无线基站,无线基站把信息转化为识别卡。然而在真实的老人院中使用定位系统存在不可避免的问题:老人的识别卡丢失或是基站出现故障而不能监测到老人所在位置可能会导致严重的后果,为了防止诸如此类的事故发生,应提前获取老人常去的地点以及经常接触的人群,出现意外情况时便于做出及时的应对处理。现有的网络表示学习方法存在以下的问题:(1)局限于节点局部结构,忽略了节点的全局属性。现有方法一般计算相邻二阶至三阶节点间的相似度,因为过高阶的相似度会引起计算复杂度过高的问题,因此忽略了整个网络图的全局特点,可能对结果造成误差。(2)忽略一般社交网络下的拓扑结构。日常的交互场景下节点之间的连接具有对称性,现有的方法没有将这一特性融入到目标函数中。基于此,对于基于网络表示学习的老人看护装置还有可提升的空间。
技术实现思路
针对现有技术中老人走失时无法准确跟踪地点的问题,本专利技术提出一种基于网络表示学习的老人看护装置与方法,能够根据老人常出现的地点和常接触的人进行分析,对其在异常情况下可能接触的人以及可能出现的地点和进行可能性预测分析,从而提供在异常情况下老人可能出现的位置结果和询问对象,提高搜寻效率。为了实现上述目的,本专利技术提供以下技术方案:一种基于网络表示学习的老人看护装置,包括智能终端和云服务器;其中,所述智能终端,用于输入与老人相关的历史活动数据,历史活动数据包括历史交互、活动数据以及看护服务日志;所述云服务器,用于根据老人的历史活动数据建立基于网络表示学习的老人看护模型,并对老人的历史活动数据进行聚类,从而将老人可能所处的地点及接触对象发送到智能终端。优选的,所述云服务器包括存储模块、隐表示训练模块、节点聚类模块和预测生成模块;所述存储模块,用于保存与老人相关的历史活动数据;所述隐表示训练模块,用于对基于网络表示学习的老人看护模型涉及到的节点表示矩阵、辅助矩阵进行更新训练;所述节点聚类模块,用于从隐表示训练模块获取节点隐表示向量,并采用K-means聚类方法进行分析,得到老人群体的类簇划分结果;所述预测生成模块,用于计算目标老人与其他老人之间的相似度,根据排序选择最为相似的位置作为预测地点输出。优选的,所述隐表示训练模块包括数据解析单元、初始化单元以及参数更新单元;所述数据解析单元,用于接收与老人相关的历史活动数据,再解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置数据;所述初始化单元,用于初始化产生网络表示学习模型训练过程中所涉及的参数;所述参数更新单元,用于结合初始化参数构建网络表示学习模型并进行训练。基于上述装置,本专利技术还提供一种基于网络表示学习的老人看护方法,包括以下步骤:S1,输入目标老人的历史活动数据,包括历史交互、活动数据以及看护服务日志;S2,将目标老人的历史活动数据解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置关系数据;S3,根据“老人-老人”交互网络数据和“老人-地点”位置关系数据,构建基于网络表示学习的老人看护预测模型并进行迭代训练,输出老人交互关系网络的低维表示矩阵U,再对老人交互关系网络的表示矩阵U进行聚类分析,得到每个老人的类簇划分标签集合L,和目标老人属于同一类簇的其他老人将作为潜在接触对象;S4,根据标签集合L确定目标老人所在的类簇Z*,在其中计算该目标老人与其他老人之间的相似度并进行降序排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。优选的,所述S2中,目标老人的历史活动数据解析方法为:将目标老人的历史活动数据解析为数据集为D,数据集为D包含D1和D2两个子集;其中子集D1有两列数据,第一列为老人集合P作为交互关系网络边的起始点,第二列为老人集合I作为交互关系网络边的终点,从而形成一个“老人-老人”交互网络数据集,D1可用图G=(V,E)进行表示,其中V表示节点集合,E表示边的集合,进一步将边集合转化为图邻接矩阵G∈|P|×|I|,P=I,|P|和|I|分别表示集合P和I的模;D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,|J|表示集合J的模,P≠J,从而形成一个“老人-地点”的关系矩阵数据集。优选的,所述S3包括:S3-1:初始化模型涉及的参数,包括:相似度矩阵S∈|P|×|I|;二阶相似度矩阵S(2)∈|P|×|I|;二阶相似度权重η;隐表示空间维度f;节点辅助矩阵A和节点表示矩阵U,初始值均为0~1之间的随机数;参数更新过程中需要用到的辅助矩阵X、Y,维度分别与节点辅助矩阵A和节点表示矩阵U相同,初始值为0;三个拉格朗日乘子矩阵M∈|P|×f、N∈|I|×f、Λ∈|P|×|I|,分别为辅助矩阵X、Y以及对称约束所需的辅助矩阵;与拉格朗日乘子矩阵相对应的惩罚项系数ε、φ、χ;和constant为计算增广拉格朗日系数时用到的正常数;S3-2:构建基于网络表示学习的老人看护模型并进行训练,表达式如下:公式(1)中,L表示构建的模型函数,su,i为相似度矩阵S第u行和第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行和第k列的元素值;ui,k为矩阵U第i行和第k列的元素值;和f表示隐空间的维度;αi,k为矩阵A第i行和第k列的元素值;uu,k为矩阵U第u行和第k列的元素值;γu,i表示矩阵Λ第u行和第i列的元素值;βi,k表示矩阵N第i行和第k列的元素值;S3-3:判断当前训练状态是否已满足收敛条件,若满足则执行步骤S3-4,否则重复S3-2,直到满足收敛条件:(1)迭代过程达到预设次数;(2)连续两次目标函数值差值小于预设阈值;S3-4:输出节点表示矩阵U,并对其聚类分析,得到每个目标老人的类簇划分标签集合L。优选的,所述S3-4中,聚类分析方法为:首先,将节点表示矩阵U按行进行划分得到节点的隐表示向量集合:{U1,U2,…,Ui,…,U|PU|},其中Ui=[ui1,ui2,…,uik,…,uif]表示第i个节点的隐表示向量,uik表示第i个节点的隐表示向量中第k个元素,f表示隐空间的维度,也即向量的长度,|P|表示节点集合P的模;然后,采用K-means算法对节点的隐表示向量集合进行聚类本文档来自技高网...

【技术保护点】
1.一种基于网络表示学习的老人看护装置,其特征在于,包括智能终端和云服务器;其中,/n所述智能终端,用于输入与老人相关的历史活动数据,历史活动数据包括历史交互、活动数据以及看护服务日志;/n所述云服务器,用于根据老人的历史活动数据建立基于网络表示学习的老人看护模型,并对老人的历史活动数据进行聚类,从而将老人可能所处的地点及接触对象发送到智能终端。/n

【技术特征摘要】
1.一种基于网络表示学习的老人看护装置,其特征在于,包括智能终端和云服务器;其中,
所述智能终端,用于输入与老人相关的历史活动数据,历史活动数据包括历史交互、活动数据以及看护服务日志;
所述云服务器,用于根据老人的历史活动数据建立基于网络表示学习的老人看护模型,并对老人的历史活动数据进行聚类,从而将老人可能所处的地点及接触对象发送到智能终端。


2.如权利要求1所述的一种基于网络表示学习的老人看护装置,其特征在于,所述云服务器包括存储模块、隐表示训练模块、节点聚类模块和预测生成模块;
所述存储模块,用于保存与老人相关的历史活动数据;
所述隐表示训练模块,用于对基于网络表示学习的老人看护模型涉及到的节点表示矩阵、辅助矩阵进行更新训练;
所述节点聚类模块,用于从隐表示训练模块获取节点隐表示向量,并采用K-means聚类方法进行分析,得到老人群体的类簇划分结果;
所述预测生成模块,用于计算目标老人与其他老人之间的相似度,根据排序选择最为相似的位置作为预测地点输出。


3.如权利要求2所述的一种基于网络表示学习的老人看护装置,其特征在于,所述隐表示训练模块包括数据解析单元、初始化单元以及参数更新单元;
所述数据解析单元,用于接收与老人相关的历史活动数据,再解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置数据;
所述初始化单元,用于初始化产生网络表示学习模型训练过程中所涉及的参数;
所述参数更新单元,用于结合初始化参数构建网络表示学习模型并进行训练。


4.一种基于网络表示学习的老人看护方法,其特征在于,包括以下步骤:
S1,输入目标老人的历史活动数据,包括历史交互、活动数据以及看护服务日志;
S2,将目标老人的历史活动数据解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置关系数据;
S3,根据“老人-老人”交互网络数据和“老人-地点”位置关系数据,构建基于网络表示学习的老人看护预测模型并进行迭代训练,输出老人交互关系网络的低维表示矩阵U,再对老人交互关系网络的表示矩阵U进行聚类分析,得到每个老人的类簇划分标签集合L,和目标老人属于同一类簇的其他老人将作为潜在接触对象;
S4,根据标签集合L确定目标老人所在的类簇Z*,在其中计算该目标老人与其他老人之间的相似度并进行降序排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。


5.如权利要求4所述的一种基于网络表示学习的老人看护方法,其特征在于,所述S2中,目标老人的历史活动数据解析方法为:
将目标老人的历史活动数据解析为数据集为D,数据集为D包含D1和D2两个子集;其中子集D1有两列数据,第一列为老人集合P作为交互关系网络边的起始点,第二列为老人集合I作为交互关系网络边的终点,从而形成一个“老人-老人”交互网络数据集,D1可用图G=(V,E)进行表示,其中V表示节点集合,E表示边的集合,进一步将边集合转化为图邻接矩阵G∈|P|×|I|,P=I,|P|和|I|分别表示集合P和I的模;D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,|J|表示集合J的模,P≠J,从而形成一个“老人-地点”的关系矩阵数据集。


6.如权利要求4所述的一种...

【专利技术属性】
技术研发人员:许明刘志刚罗辛
申请(专利权)人:深圳市万佳安物联科技股份有限公司中国科学院重庆绿色智能技术研究院
类型:发明
国别省市:广东;44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1