[发明专利]一种用于对目标对象的行为状态进行监测的方法及系统

权利要求书

1.一种用于对目标对象的行为状态进行监测的方法，其特征在于，所述方法包括：

获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息；

获取所述目标对象所在位置处的气压数据，并根据所述气压数据确定所述目标对象的高度信息，并根据所述水平位置信息和高度信息确定所述目标对象的空间位置信息；

获取所述目标对象的三轴加速度值，并根据所述三轴加速度值确定所述目标对象的步态动作类型；

根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。

2.根据权利要求1所述的方法，其特征在于，所述获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息，包括：

利用处于不同位置处的多个射频读写器获取设置在目标对象上的射频电子标签的多个信号强度值，并根据获取的多个信号强度值确定所述目标对象所在位置处的信号强度数据；

基于指纹定位算法，将所述信号强度数据和预设的指纹库中的信号强度数据进行比对，以确定所述目标对象的水平位置信息。

3.根据权利要求1所述的方法，其特征在于，所述根据所述三轴加速度值确定所述目标对象的步态动作类型，包括：

根据所述三轴加速度值，利用训练好的卷积神经网络模型确定所述目标对象的步态动作类型；

其中，利用如下方式确定所述训练好的卷积神经网络模型，包括：

获取不同的目标对象在不同运动步态下的三轴加速度值，根据每个三轴加速度值和每个三轴加速度值对应的动作类别确定训练样本数据；

对训练样本数据进行归一化处理，并根据经过归一化处理的训练样本数据确定训练数据集和测试数据集；

构建卷积神经网络模型，利用所述训练数据集对构建的卷积神经网络模型进行训练，并利用测试数据集进行测试，直至准确率达到预设的准确率阈值时，确定当前的卷积神经网络模型为训练好的卷积神经网络模型。

4.根据权利要求1所述的方法，其特征在于，所述步态动作类型，包括：静止、行走、爬梯和摔倒。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述目标对象当前的行为状态和预设的异常行为状态库中的异常行为状态进行匹配，并当确定所述目标对象当前的行为状态属于异常行为状态时，根据所述目标对象的行为状态确定告警信息，并发送所述告警信息至监控终端。

6.一种用于对目标对象的行为状态进行监测的系统，其特征在于，所述系统包括：

水平位置信息确定单元，用于获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息；

空间位置信息确定单元，用于获取所述目标对象所在位置处的气压数据，并根据所述气压数据确定所述目标对象的高度信息，并根据所述水平位置信息和高度信息确定所述目标对象的空间位置信息；

步态动作类型确定单元，用于获取所述目标对象的三轴加速度值，并根据所述三轴加速度值确定所述目标对象的步态动作类型；

行为状态确定单元，用于根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。

7.根据权利要求6所述的系统，其特征在于，所述水平位置信息确定单元，获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息，包括：

利用处于不同位置处的多个射频读写器获取设置在目标对象上的射频电子标签的多个信号强度值，并根据获取的多个信号强度值确定所述目标对象所在位置处的信号强度数据；

基于指纹定位算法，将所述信号强度数据和预设的指纹库中的信号强度数据进行比对，以确定所述目标对象的水平位置信息。