基于非侵入式用电行为分析的老人安全预警方法及系统与流程
本发明涉及健康监护,更具体地说是指基于非侵入式用电行为分析的老人安全预警方法及系统。
背景技术:
1、随着社会老龄化的加剧,独居老人的安全问题日益受到关注。传统的安全监测手段主要依赖于视频监控、穿戴式设备或紧急呼叫系统等方式。然而,这些方法存在显著的局限性:视频监控侵犯隐私,穿戴式设备需要用户主动佩戴且可能存在遗忘使用的情况,而紧急呼叫系统则仅能在老人意识清醒并能够操作的情况下发挥作用。因此,迫切需要一种既能有效监测独居老人的生活状态,又能充分保护其隐私的新方法。
2、近年来,nilm(非侵入式用电行为分析,non-intrusive load monitoring)技术逐渐成熟,为解决上述问题提供了新的思路。通过智能电表收集家庭内部电器的用电数据,并利用机器学习算法对这些数据进行分析,可以识别出不同电器的工作模式及用户的活动规律。目前,该技术已被用于能源管理、节能评估等领域。但是,将nilm应用于独居老人的生活状态监测尚处于探索阶段,尚未形成成熟的解决方案。现有的研究多集中于检测特定事件,而对于更为复杂的生活模式识别和异常状况预警仍需进一步发展。
3、因此,有必要设计一种新的方法,实现无需安装摄像头或要求老人佩戴任何设备,在完全保护个人隐私的前提下,能够准确识别出异常行为模式并及时发出预警,不仅实现了从简单的行为监测到全面健康关怀的转变,还具有低成本、高接受度、易于推广等优点,适用于政府、社区、养老运营商等多个层面的应用场景。
技术实现思路
1、本发明的目的在于克服现有技术的缺陷,提供基于非侵入式用电行为分析的老人安全预警方法及系统。
2、为实现上述目的,本发明采用以下技术方案:基于非侵入式用电行为分析的老人安全预警方法,包括:
3、获取独居老人所在居所的智能电表相关用电数据,以得到初始数据;
4、对所述初始用电数据进行深度分析,确定老人的作息节律、活动水平和常用电器特征,建立个性化的用电行为模型;
5、获取独居老人所在居所的智能电表的实时用电数据;
6、将实时用电数据与所述用电行为模型对比,识别高风险异常模式,以得到异常程度;其中,所述高风险异常模式包括无活动、节律消失、长时间外出未归及夜间活动异常增多中至少一种;
7、根据所述异常程度生成不同级别的预警信息,触发从家属提醒到紧急响应的不同干预措施。
8、其进一步技术方案为:所述对所述初始用电数据进行深度分析,确定老人的作息节律、活动水平和常用电器特征,建立个性化的用电行为模型,包括:
9、对所述初始用电数据进行深度分析,通过分析早晨首次持续用电活动确定起床时间,依据夜间用电低谷推断入睡时间,并识别用餐时段的电器使用高峰了解老人的日常作息模式;
10、计算日间特定时间段内的平均功率或用电量评估活动强度,并通过监测基础负荷稳定性判断日常生活是否正常;
11、识别老人常用的电器及电器特征,构建个性化的用电行为模型。
12、其进一步技术方案为:所述电器包括电热水壶、电视机以及电饭煲中至少一个。
13、其进一步技术方案为:所述将实时用电数据与所述用电行为模型对比,识别高风险异常模式,以得到异常程度,包括:
14、将所述实时用电数据输入所述用电基线画像模型进行分析,以对比所述实时用电数据与所述用电基线画像模型中的作息规律、活动水平和设备使用模式,识别偏差,以确定偏离程度;
15、检测起床、节律、外出及夜间活动异常模式,判断是否存在风险,以得到异常模式;
16、根据异常模式和偏离程度确定异常程度。
17、其进一步技术方案为:所述异常模式包括无活动异常模式、节律消失异常模式、长时间外出未归异常模式、夜间活动异常增多异常模式中至少一种,其中,所述无活动异常模式是指在起床时间后未出现预期的用电峰值;节律消失异常模式是指全天用电曲线缺乏正常的生活节奏特征;长时间外出未归异常模式是指用电负荷长期维持在基础水平,显示无人为活动迹象;夜间活动异常增多异常模式是指夜间活动频率或时长高于平时。
18、其进一步技术方案为:所述根据所述异常程度生成不同级别的预警信息,触发从家属提醒到紧急响应的不同干预措施,包括:
19、根据所述异常程度自动评定预警级别;
20、根据所述预警级别,生成针对性的预警信息,触发从家属提醒到紧急响应的不同干预措施。
21、其进一步技术方案为:所述根据所述预警级别,生成针对性的预警信息,触发从家属提醒到紧急响应的不同干预措施,包括:
22、根据所述预警级别,生成针对性的预警信息,当预警等级为低等级时,通过应用程序向社区志愿者或子女发送温和提醒,建议关注老人的生活状态;当预警等级为中高等级时,创建工单并通知社区网格员或养老顾问进行电话联系或上门查看,并要求反馈处理情况;当预警等级为紧急报警等级时,通过其他传感器联动,通知紧急联系人及社区应急服务部门。
23、本发明还提供了基于非侵入式用电行为分析的老人安全预警方法,包括:
24、第一获取单元,用于获取独居老人所在居所的智能电表相关用电数据,以得到初始数据;
25、建立单元,用于对所述初始用电数据进行深度分析,确定老人的作息节律、活动水平和常用电器特征,建立个性化的用电行为模型;
26、第二获取单元,用于获取独居老人所在居所的智能电表的实时用电数据;
27、异常识别单元,用于将实时用电数据与所述用电行为模型对比,识别高风险异常模式,以得到异常程度;其中,所述高风险异常模式包括无活动、节律消失、长时间外出未归及夜间活动异常增多中至少一种;
28、预警单元,用于根据所述异常程度生成不同级别的预警信息,触发从家属提醒到紧急响应的不同干预措施。
29、其进一步技术方案为:所述建立单元包括:
30、分析子单元,用于对所述初始用电数据进行深度分析,通过分析早晨首次持续用电活动确定起床时间,依据夜间用电低谷推断入睡时间,并识别用餐时段的电器使用高峰了解老人的日常作息模式;
31、计算子单元,用于计算日间特定时间段内的平均功率或用电量评估活动强度,并通过监测基础负荷稳定性判断日常生活是否正常;
32、特征识别子单元,用于识别老人常用的电器及电器特征,构建个性化的用电行为指纹。
33、其进一步技术方案为:所述异常识别单元包括:
34、偏差识别子单元,用于将所述实时用电数据输入所述用电基线画像模型进行分析,以对比所述实时用电数据与所述用电基线画像模型中的作息规律、活动水平和设备使用模式,识别偏差,以确定偏离程度;
35、模式检测子单元,用于检测起床、节律、外出及夜间活动异常模式,判断是否存在风险,以得到异常模式;
36、程度确定子单元,用于根据异常模式和偏离程度确定异常程度。
37、本发明与现有技术相比的有益效果是:本发明通过非侵入式地分析独居老人居所智能电表的用电数据,无需安装摄像头或要求老人佩戴任何设备,从而在完全保护个人隐私的前提下,建立个性化的用电行为模型。通过对实时用电数据与该模型进行对比分析,能够识别出包括无活动、节律消失、长时间外出未归及夜间活动异常增多等高风险异常模式,并根据异常程度生成不同级别的预警信息,触发从家属提醒到紧急响应的不同干预措施。这种方法不仅实现了从简单的行为监测到全面健康关怀的转变,还因其低成本、高接受度和易于推广的特点,适用于政府、社区、养老运营商等多个层面的应用场景,提供了有效的技术支持和社会价值。
38、下面结合附图和具体实施例对本发明作进一步描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com