一种婴儿AI监控方法及装置与流程

一种婴儿ai监控方法及装置
技术领域
1.本发明涉及电子商务技术领域，尤其涉及一种婴儿ai监控方法及装置、设备及存储介质。


背景技术：

2.随着智能交互技术领域的不断发展，利用智能交互技术，终端设备可以为人们处理家庭事务带来极大的便利性，尤其对于需要长时间照顾的婴儿来说，终端设备能够实现对婴儿的实时监控。
3.目前在进行婴儿监控时，通过是通过检测婴儿是否存在哭闹，若存在，则通知婴儿的监护人及时进行处理，但是在某些特征场景下，如他人将婴儿抱走放置在另外一个区域，且未告知监护人，此时就算监控到婴儿处于哭闹状态，监护人只能花费时间人为寻找婴儿，并且在寻找到婴儿后，也难以准确判断婴儿哭闹的原因，从而影响到进行婴儿监护的准确度。


技术实现要素：

4.本发明的主要目的在于提供一种婴儿ai监控方法及装置、设备、存储介质，旨在解决如何提高婴儿监护的准确度的技术问题。
5.为实现上述目的，本发明提供一种婴儿ai监控方法，包括以下步骤：
6.实时采集婴儿的状态信息和所述婴儿所处环境的周边环境信息，并根据所述状态信息确定所述婴儿是否存在异常；
7.若存在异常，则根据所述状态信息和所述周边环境信息确定异常检测结果；
8.采集所述婴儿所处环境中的信号位置数据，并根据所述信号位置数据和预训练的位置预测模型确定所述婴儿的目标位置；
9.将所述异常检测结果和所述目标位置推送至所述婴儿的监护人。
10.可选地，采集所述婴儿所处环境中的信号位置数据的步骤，包括：
11.确定所述婴儿所处环境中的所有位置点，并采集各所述位置点发送的信号数据；
12.依次检测各所述信号数据，将存在信号强度和位置信息的信号数据作为信号位置数据。
13.可选地，根据所述信号位置数据和预训练的位置预测模型确定所述婴儿的目标位置的步骤，包括：
14.将所述信号位置数据输入到预训练的位置预测模型中的输入层，根据所述位置预测模型中的卷积层对所述输入层中的信号位置数据进行特征提取，得到第一特征；
15.根据所述位置预测模型中的池化层对所述第一特征进行过滤处理，得到第二特征；
16.将所述第二特征传递至所述位置预测模型中的rnn隐层，根据所述rnn隐层对所述第二特征进行排序，并对排序后的所述第二特征进行混合高斯概率分布计算，得到预测参
数，将所述预测参数中包含的位置作为所述婴儿的目标位置。
17.可选地，根据所述状态信息确定所述婴儿是否存在异常的步骤，包括：
18.确定所述状态信息中的音频数据、视觉数据和体征数据；
19.检测所述音频数据是否和预设异常音频数据匹配，检测所述视觉数据是否和预设异常视觉数据匹配，检测所述体征数据是否和预设异常体征数据匹配；
20.若所述音频数据和所述预设异常音频数据匹配，或者，所述视觉数据和预设异常视觉数据匹配，或者，所述体征数据和预设异常体征数据匹配，则确定所述婴儿存在异常。
21.可选地，根据所述状态信息和所述周边环境信息确定异常检测结果的步骤，包括：
22.提取所述周边环境信息中的温度、湿度和光照强度，并检测所述温度、湿度和光照强度是否满足预设的婴儿环境要求；
23.若满足，则再次采集所述婴儿的新状态信息，若根据所述新状态信息确定所述婴儿存在异常，则将所述新状态信息输入至预训练的异常状态检测模型进行模型训练，得到异常检测结果。
24.可选地，异常状态检测模型包括音频识别模型、图像识别模型和体征识别模型，所述将所述新状态信息输入至预训练的异常状态检测模型进行模型训练，得到异常检测结果的步骤，包括：
25.将所述新状态信息中的新音频数据输入至预训练的音频识别模型，得到音频异常类型；
26.将所述新状态信息中的新视觉数据输入至预训练的图像识别模型，得到图像异常类型；
27.将所述新状态信息中的新体征数据输入至预训练的体征识别模型，得到体征异常类型；
28.根据所述音频异常类型、所述图像异常类型和所述体征异常类型确定异常检测结果。
29.可选地，根据所述音频异常类型、所述图像异常类型和所述体征异常类型确定异常检测结果的步骤，包括：
30.检测所述音频异常类型、所述图像异常类型和所述体征异常类型是否均相同；
31.若所述音频异常类型、所述图像异常类型和所述体征异常类型至少存在一项不相同，则将所述音频异常类型、所述图像异常类型和所述体征异常类型进行合并处理，得到异常检测结果。
32.此外，为实现上述目的，本发明还提供一种婴儿ai监控装置，包括：
33.采集模块，用于实时采集婴儿的状态信息和所述婴儿所处环境的周边环境信息，并根据所述状态信息确定所述婴儿是否存在异常；
34.确定模块，用于若存在异常，则根据所述状态信息和所述周边环境信息确定异常检测结果；
35.位置模块，用于采集所述婴儿所处环境中的信号位置数据，并根据所述信号位置数据和预训练的位置预测模型确定所述婴儿的目标位置；
36.推送模块，用于将所述异常检测结果和所述目标位置推送至所述婴儿的监护人。
37.此外，为实现上述目的，本发明还提供一种婴儿ai监控设备，婴儿ai监控设备包括
存储器、处理器及存储在存储器上并可在处理器上运行的婴儿ai监控程序，婴儿ai监控程序被处理器执行时实现如上述的婴儿ai监控方法的步骤。
38.此外，为实现上述目的，本发明还提供一种存储介质，存储介质上存储有婴儿ai监控程序，婴儿ai监控程序被处理器执行时实现如上述的婴儿ai监控方法的步骤。
39.本发明通过实时采集婴儿的状态信息和周边环境信息，并在根据状态信息确定婴儿存在异常时，直接根据状态信息和周边环境信息确定异常检测结果，并将其发送至婴儿的监护人，从而监护人第一时间知道婴儿异常，以及异常原因，从而便于监护人对婴儿的监护，提高监护的准确度。并且还会采集婴儿所处环境中的信号位置数据，以便根据位置预测模型预测婴儿的目标位置，并将目标位置也发送至婴儿的监护人，从而可以实现监护人在接收到婴儿存在异常的信息后，能第一时间根据目标位置快速移动到婴儿处，对婴儿进行呵护，以使婴儿恢复正常，提高了婴儿监护的准确度，也提高了婴儿监护的便捷性。
附图说明
40.图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图；
41.图2为本发明婴儿ai监控方法第一实施例的流程示意图；
42.图3为本发明婴儿ai监控装置的装置模块示意图；
43.图4为本发明婴儿ai监控方法的位置预测模型的示意图；
44.图5为本发明婴儿ai监控方法的位置预测模型中第二部分的具体展开示意图。
45.本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
47.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
48.本发明实施例终端为婴儿ai监控设备。
49.如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
50.可选地，终端还可以包括摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端设备移动到耳边时，关闭显示屏和/或背光。当然，终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
51.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
52.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及婴儿ai监控程序。
53.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的婴儿ai监控程序，并执行以下操作：
54.参照图2，本发明提供一种婴儿ai监控方法，在婴儿ai监控方法的第一实施例中，婴儿ai监控方法包括以下步骤：
55.步骤s10，实时采集婴儿的状态信息和所述婴儿所处环境的周边环境信息，并根据所述状态信息确定所述婴儿是否存在异常；
56.一般，一岁以内的小孩为婴儿，并且婴儿期是个体身心发育的第一个快速时期，在这个时期婴儿不仅身体增长迅速，体重迅速增加，而且脑和神经系统发育的速度也非常快。在此基础之上，婴儿的心理也在外界环境刺激的影响下发生巨大的变化。从吃奶过渡到断奶，学会了人类独特的饮食方式，从躺卧状态、不能自由行动发展到能够随意运动，用自己的双手去接触摆弄物体，用双脚站立并学会独立的行走。从完全不懂语言不会说话，过渡到能运用语言进行最简单的交际，这一切都标志着婴儿从一个自然生物的个体，向社会实体迈出了第一步。因此对婴儿的监护显得尤为重要。
57.在本实施例中，在对婴儿进行实时监控时，可以通过监护人给婴儿佩戴一个定位装置，如定位手表、手环等，再通过定位装置实时采集婴儿的状态信息和婴儿所处环境的周边环境信息。并且定位装置还能采集婴儿的位置信息。其中，婴儿的状态信息包括音频数据、视觉数据和体征数据。体征数据包括婴儿的呼吸、心率和体温等。周边环境信息包括温度、湿度和光照强度，还可以包括空气污染程度。
58.在实时采集婴儿的状态信息时，可以通过定位装置上的麦克风对婴儿的音频信息进行数据采集，得到音频数据，如采集婴儿的哭声、笑声等。还可以通过定位装置上的摄像头对婴儿的图像信息进行采集，得到视觉数据，如采集婴儿的脸部信息。需要说明的是，在一场景中，婴儿的音频数据和视觉数据还可以是通过婴儿所处环境的外界设备进行获取，然后将其传递到定位装置。此外，还可以通过定位装置上的传感器对婴儿的体征进行检测，以得到体征数据，例如通过用于监护婴儿呼吸和心跳的聚偏氟乙烯压电薄膜传感器和用于测量婴儿体温的ds18b20温度传感器来对婴儿的体征进行监测，得到婴儿的呼吸、心率和体温数据，并将其作为体征数据。其中，聚偏氟乙烯压电薄膜传感器对婴儿的生命体征信号进行采集，采用小波变换以及的时域寻峰算法得到心率和呼吸率。ds18b20温度传感器对婴儿的体温进行检测，该传感器的测温范围为－55℃～ 125℃，可编程的分辨率为9～12位，对应的可分辨温度分别为0.5℃、0.25℃、0.125℃和0.0625℃，可实现高精度测温，对婴儿体温进行精确反馈。
59.当采集到婴儿的状态信息后，需要根据状态信息检测婴儿是否存在异常，即将状态信息和提前设置的正常状态信息进行对比，若不相同，再将状态信息和提前设置的异常状态信息进行对比，若匹配，则确定婴儿存在异常。其中，进行异常判断时，可以同时进行婴儿的音频数据、视觉数据和体征数据的判断，即若音频数据、视频数据和体征数据存在一项和正常状态信息不匹配，则继续将音频数据、视频数据和体征数据和异常状态信息进行匹配，若音频数据、视频数据和体征数据存在一项和异常状态信息匹配，则确定婴儿存在异
常。
60.步骤s20，若存在异常，则根据所述状态信息和所述周边环境信息确定异常检测结果；
61.当经过判断发现婴儿存在异常，需要对异常进行分析，确定产生异常的原因，此时可以综合考虑周边环境信息和婴儿的状态信息，以确定婴儿产生异常的异常类型，以及产生该异常的异常原因，并将异常类型和异常原因作为异常检测结果。
62.步骤s30，采集所述婴儿所处环境中的信号位置数据，并根据所述信号位置数据和预训练的位置预测模型确定所述婴儿的目标位置；
63.在本实施例中，可以通过定位装置进行信号检测，以采集婴儿所处环境中的信号位置数据，如室内环境中各个区域的信号数据，记录信号数据所在位置坐标及其接收的信号强度，并将其作为信号位置数据。当获取到信号位置数据后，可以信号位置数据进行剔除处理，并对信号强度进行归一化处理，再将其存储至定位装置的数据库中。
64.并且在本实施例中，还会搭建位置预测模型，如图4所示，位置预测模型包括三部分，即输入层、卷积层、池化层、flatten层、rnn隐层、隐层、参数和输出y。其中，第一部分包括卷积层、池化层和flatten(数据压平)层。第二部分包括rnn(recurrent neural network，循环神经网络)隐层。第三部分包括隐层和参数。并在预测模型的输入层中接收信号位置数据，并依次经过第一部分、第二部分和第三部分的模型训练，得到训练结果，即预测参数，并将预测参数中包含的位置作为需要定位的目标位置。其中，本实施例中的位置预测模型为提前训练好的位置预测模型。
65.此外，在一场景中可以直接结合地图软件来确定婴儿的目标位置，即通过定位装置中安装的地图软件确定定位装置所在的粗略位置，并根据粗略位置来确定婴儿的目标位置。在一场景中还可以是直接在定位装置中安装定位传感器，并将定位传感器采集到的位置作为婴儿的目标位置。
66.步骤s40，将所述异常检测结果和所述目标位置推送至所述婴儿的监护人。
67.当确定异常检测结果和婴儿所处的目标位置后，就可以直接将目标位置和异常检测结果发送至婴儿监护人，以便监护人能快速到达婴儿所处位置，并能根据异常检测结果对婴儿进行监护处理，从而提高监护的准确度。
68.在本实施例中，通过实时采集婴儿的状态信息和周边环境信息，并在根据状态信息确定婴儿存在异常时，直接根据状态信息和周边环境信息确定异常检测结果，并将其发送至婴儿的监护人，从而监护人第一时间知道婴儿异常，以及异常原因，从而便于监护人对婴儿的监护，提高监护的准确度。并且还会采集婴儿所处环境中的信号位置数据，以便根据位置预测模型预测婴儿的目标位置，并将目标位置也发送至婴儿的监护人，从而可以实现监护人在接收到婴儿存在异常的信息后，能第一时间根据目标位置快速移动到婴儿处，对婴儿进行呵护，以使婴儿恢复正常，提高了婴儿监护的准确度，也提高了婴儿监护的便捷性。
69.进一步地，基于上述本发明的第一实施例，提出本发明婴儿ai监控方法的第二实施例，在本实施例中，上述实施例步骤s30，采集所述婴儿所处环境中的信号位置数据的步骤的细化，包括：
70.步骤a，确定所述婴儿所处环境中的所有位置点，并采集各所述位置点发送的信号
数据；
71.在本实施例中，在采集婴儿所处环境的信号位置数据时，可以先确定婴儿所处环境的数据采集区域，如医院等。再进行相应网格划分，得到各个网格，将每个网格的中心点作为位置点，并且每个位置点至少存在一个信号源，此时就可以采集接收各个位置点上的信号源发送的信号数据。
72.步骤b，依次检测各所述信号数据，将存在信号强度和位置信息的信号数据作为信号位置数据。
73.对各个信号数据进行检测，检测每个信号数据中是否都包含有信号强度和位置信息，并将包含有信号强度和位置信息的信号数据作为信号位置数据。
74.在本实施例中，通过确定婴儿所处环境中的位置点发送的信号数据，并将存在信号强度和位置信息的信号数据作为信号位置数据，从而保障了获取到的信号位置数据的准确有效性。
75.具体地，根据所述信号位置数据和预训练的位置预测模型确定所述婴儿的目标位置的步骤，包括：
76.步骤c，将所述信号位置数据输入到预训练的位置预测模型中的输入层，根据所述位置预测模型中的卷积层对所述输入层中的信号位置数据进行特征提取，得到第一特征；
77.步骤d，根据所述位置预测模型中的池化层对所述第一特征进行过滤处理，得到第二特征；
78.步骤e，将所述第二特征传递至所述位置预测模型中的rnn隐层，根据所述rnn隐层对所述第二特征进行排序，并对排序后的所述第二特征进行混合高斯概率分布计算，得到预测参数，将所述预测参数中包含的位置作为所述婴儿的目标位置。
79.在本实施例中，在通过位置预测模型进行位置预测模型进行位置预测时，可以将信号位置数据输入到位置预测模型中的输入层，再通过输入层将信号位置数据传递至位置预测模型中的卷积层进行特征提取，得到各个特征，并将其作为第一特征，再根据位置预测模型中的池化层对第一特征进行过滤处理，得到第二特征。也就是在位置预测模型中的第一部分中，输入信号位置数据x【m，n】，输入层为在位置预测模型的前期主要使用卷积层和池化层。在样本输入后首先要经过多层一维卷积层(1d conv)，目的是提取特征。首先经过两个拥有m个滤波器的1d conv，这样在这一层的训练中可以得到m个不同的特性x[m,m]。之后使用最大池化层过滤特征，保留重要参数，去除干扰参数，并且可以减少输出的复杂度，此时x[m,m/2]。之后经过两个拥有2m个滤波器的1d conv，以便可以学习到更高层次的特征，此时x[m,2m]。之后经过平均池化层以便进一步降低过拟合的影响,此时x[m,m]。总之第一部分的作用是从简单模式中提取到有用特征，在更高级的层中生成更复杂的模式，保留重要参数，减少非重要参数，减少计算量以降低过拟合影响。
[0080]
再将第二特征传递至位置预测模型中的rnn隐层。其中，rnn隐层的运行原理如图5所示，包括输出层、隐层、输入层和循环层。其中，x是输入，y为输出，h是隐层单元，σh和为激活函数，u为输入层到隐层的权重矩阵，w为上一层隐层到下一层隐层的权重矩阵，v为隐层到输出层的权重矩阵，bh为隐层偏差，by为输出偏差，x
t
为t时刻的输入，x
t-1
为t-1时刻的输入，x
t 1
为t 1时刻的输入，y
t
为t时刻的输出，y
t-1
为t-1时刻的输出，y
t 1
为t 1时刻的输出，h
t-1
为t-1时刻的隐层单元，h
t
为t时刻的隐层单元，h
t 1
为t 1时刻的隐层单元。则根据隐
层计算公式计算t时刻下rnn的隐层和输出分别为：
[0081]ht
＝σh(ux
t
wh
t-1
bh)
[0082][0083]
并且，rnn是在时间上的一个循环，每次循环都会用到上一次计算的结果，所以rnn最后的输出包含了之前所有时刻的信息。第二部分使用rnn将第一部分得来的较低维特征进行学习，补充了中间状态信息。隐层rnn隐层层的输入和输出都是x【m，n】。
[0084]
当确定各个重要特征的时序排列关系，且进行重新排序后，可以进行混合高斯概率分布计算，即输出层为m个μ、σ和w的组合。在使用该神经网络进行预测时可以得到所有y的可能值，大大提高训练精度，适用于预测任务。此时y[m,1]，1中表示了位置，即预测参数为y，将预测参数中包含的位置作为婴儿的目标位置。
[0085]
在本实施例中，通过将信号位置数据输入到位置预测模型中的输入层，再到卷积层进行特征提取，得到第一特征，再经过池化层进行过滤处理，得到第二特征，再经过rnn隐层进行排序，并进行混合高斯概率分布计算，得到预测参数，将预测参数中包含的位置作为婴儿的目标位置，从而保障了获取到的目标位置的准确性。
[0086]
进一步地，根据所述状态信息确定所述婴儿是否存在异常的步骤，包括：
[0087]
步骤f，确定所述状态信息中的音频数据、视觉数据和体征数据；
[0088]
步骤g，检测所述音频数据是否和预设异常音频数据匹配，检测所述视觉数据是否和预设异常视觉数据匹配，检测所述体征数据是否和预设异常体征数据匹配；
[0089]
步骤h，若所述音频数据和所述预设异常音频数据匹配，或者，所述视觉数据和预设异常视觉数据匹配，或者，所述体征数据和预设异常体征数据匹配，则确定所述婴儿存在异常。
[0090]
在本实施例中，在检测婴儿是否存在异常时，可以先确定状态信息中的音频数据、视觉数据和体征数据。然后再确定提前设置好的正常状态信息和异常状态信息，其中，正常状态信息包括预设正常音频数据，预设正常视觉数据，预设正常体征数据。异常状态信息包括异常音频数据，预设异常视觉数据和预设异常体征数据。
[0091]
因此可以检测音频数据是否和预设正常音频数据匹配，视觉数据是否和预设正常视觉数据匹配，体征数据是否和预设正常体征数据匹配。若音频数据和预设正常音频数据不匹配，或者，视觉数据和预设正常视觉数据不匹配，或者体征数据和预设正常体征数据不匹配。则检测音频数据是否和预设异常音频数据匹配，视觉数据是否和预设异常视觉数据匹配，体征数据是否和预设异常体征数据匹配。若检测发现音频数据和预设异常音频数据匹配，或者，视觉数据和预设异常视觉数据匹配，或者，体征数据和预设异常体征数据匹配。则确定婴儿存在异常。
[0092]
在本实施例中，通过确定状态信息中的音频数据，视觉数据和体征数据，并在音频数据和预设异常音频数据匹配，或者，视觉数据和预设异常视觉数据匹配，或者体征数据和预设异常体征数据匹配时，确定婴儿存在异常，从而保障了检测婴儿存在异常的准确性。
[0093]
进一步地，根据所述状态信息和所述周边环境信息确定异常检测结果的步骤，包括：
[0094]
步骤i，提取所述周边环境信息中的温度、湿度和光照强度，并检测所述温度、湿度和光照强度是否满足预设的婴儿环境要求；
[0095]
步骤j，若满足，则再次采集所述婴儿的新状态信息，若根据所述新状态信息确定所述婴儿存在异常，则将所述新状态信息输入至预训练的异常状态检测模型进行模型训练，得到异常检测结果。
[0096]
在本实施例中，在确定异常检测结果时，为保障检测婴儿出现异常的准确性，还会对婴儿所处环境进行环境检测，因此可以提取采集的周边环境信息中的温度、湿度和光照强度。并获取提前设置好的婴儿环境要求，如温度范围，湿度范围和光照强度大小等。再检测温度、湿度和光照强度是否满足婴儿环境要求，若不满足，则确定是由于婴儿所处环境异常，引起婴儿异常，因此可以将其作为婴儿产生异常的异常原因，并根据婴儿的状态信息来确定异常类型，并将异常类型和异常原因作为异常检测结果。
[0097]
但是若温度、湿度和光照强度均满足婴儿环境要求，则需要再次进行婴儿的状态信息的采集，并将此次采集的状态信息作为新状态信息。再根据新状态信息再次进行检测判断，以确定婴儿是否存在异常，则检测方式和前一次的检测方式相同，在此不做阐述。若再次确定婴儿存在异常，则将新状态信息输入至提前训练好的异常状态检测模型汇总进行模型训练，得到异常检测结果。
[0098]
在本实施例中，通过在周边环境信息中的温度、湿度和光照强度都满足婴儿环境要求时，再次采集婴儿的新状态信息，并在确定存在异常时，根据异常状态检测模型来确定异常检测结果，从而保障了获取到的异常检测结果的准确性。
[0099]
具体地，异常状态检测模型包括音频识别模型、图像识别模型和体征识别模型，所述将所述新状态信息输入至预训练的异常状态检测模型进行模型训练，得到异常检测结果的步骤，包括：
[0100]
步骤k，将所述新状态信息中的新音频数据输入至预训练的音频识别模型，得到音频异常类型；
[0101]
步骤l，将所述新状态信息中的新视觉数据输入至预训练的图像识别模型，得到图像异常类型；
[0102]
步骤m，将所述新状态信息中的新体征数据输入至预训练的体征识别模型，得到体征异常类型；
[0103]
步骤n，根据所述音频异常类型、所述图像异常类型和所述体征异常类型确定异常检测结果。
[0104]
在本实施例中，由于异常状态检测模型包括音频识别模型、图像识别模型和体征识别模型。新状态信息中存在新音频数据、新视觉数据和新体征数据。此时，可以将新音频数据输入到音频识别模型，得到音频异常类型。啼哭作为婴儿的“语言”，能够表达出婴儿的多种情绪以及需求，在婴儿表达不同需求时，哭声所具有的音频特征并不相同，因此将采集的音频信息输入预训练的音频识别模型，即得到婴儿状态的异常类型。具体可以是对音频信息进行特征提取，再将得到的音频特征输入音频识别模型，得到音频异常类型。可选的，采用梅尔频率倒谱系数(melfrequency cepstrum coefficient，mfcc)算法对音频信息进行特征提取。
[0105]
还可以将新视觉数据输入至图像识别模型，得到图像异常类型，其原理与音频数据类似，婴儿的肢体动作以及面部表情能够体现出婴儿不同的需求，那么将带有婴儿肢体动作和面部表情的图像信息输入预训练的图像识别模型，能够得到图像异常类型。具体可
以是对图像信息进行特征提取，将提取得到的图像特征输入图像识别模型，得到图像异常类型。
[0106]
还可以将新体征数据输入至体征识别模型中，得到体征异常类型，体征识别模型的运行原理和音频识别模型以及图像识别模型的运行原理相似，在此不做阐述。
[0107]
并在获取到音频异常类型、图像异常类型和体征异常类型后，就可以基于这三者来确定异常检测结果。其中，异常类型包括：饥饿型、困倦型、尿湿型、疼痛型和孤单型。
[0108]
在本实施例中，通过将新音频数据输入到音频识别模型，得到音频异常类型，将新视觉数据输入到图像识别模型，得到图像异常类型，将新体征数据输入到特征识别模型，得到体征异常类型，再根据音频异常类型和图像异常类型，以及体征异常类型来确定异常检测结果，从而保障了确定异常检测结果的准确有效性。
[0109]
进一步地，根据所述音频异常类型、所述图像异常类型和所述体征异常类型确定异常检测结果的步骤，包括：
[0110]
步骤x，检测所述音频异常类型、所述图像异常类型和所述体征异常类型是否均相同；
[0111]
步骤y，若所述音频异常类型、所述图像异常类型和所述体征异常类型至少存在一项不相同，则将所述音频异常类型、所述图像异常类型和所述体征异常类型进行合并处理，得到异常检测结果。
[0112]
在本实施例中，可以先检测音频异常类型、图像异常类型和体征异常类型是否均相同，若都相同，则将其作为婴儿产生异常的异常类型。如音频异常类型、图像异常类型和体征异常类型均为饥饿型，则将饥饿型作为婴儿产生异常的异常类型，此时就可以直接定位产生异常的异常原因为婴儿在一定时间内未进食，产生饥饿感。异常原因可以为提前设置好的异常原因，且与异常类型一一对应。然后将异常类型和异常原因作为异常检测结果。
[0113]
但是若音频异常类型、图像异常类型和体征异常类型中至少存在一项不相同。则可以将音频异常类型、图像异常类型和体征异常类型进行合并处理，并将其一起作为异常类型。如可以将饥饿型和困倦型一起作为异常类型。并提取提前设置好的饥饿型和困倦型对应的异常原因，并将饥饿型和困倦型，以及饥饿型和困倦型对应的异常原因一起作为异常检测结果。
[0114]
在本实施例中，通过在音频异常类型、图像异常类型和特征异常类型至少存在一项不同时，则进行合并处理，以得到异常检测结果，从而保障了确定的异常检测结果的准确有效性。
[0115]
此外，参照图3，本发明实施例还提供一种婴儿ai监控装置，包括：
[0116]
采集模块a10，用于实时采集婴儿的状态信息和所述婴儿所处环境的周边环境信息，并根据所述状态信息确定所述婴儿是否存在异常；
[0117]
确定模块a20，用于若存在异常，则根据所述状态信息和所述周边环境信息确定异常检测结果；
[0118]
位置模块a30，用于采集所述婴儿所处环境中的信号位置数据，并根据所述信号位置数据和预训练的位置预测模型确定所述婴儿的目标位置；
[0119]
推送模块a40，用于将所述异常检测结果和所述目标位置推送至所述婴儿的监护人。
[0120]
可选地，位置模块a30，用于：
[0121]
确定所述婴儿所处环境中的所有位置点，并采集各所述位置点发送的信号数据；
[0122]
依次检测各所述信号数据，将存在信号强度和位置信息的信号数据作为信号位置数据。
[0123]
可选地，位置模块a30，用于：
[0124]
将所述信号位置数据输入到预训练的位置预测模型中的输入层，根据所述位置预测模型中的卷积层对所述输入层中的信号位置数据进行特征提取，得到第一特征；
[0125]
根据所述位置预测模型中的池化层对所述第一特征进行过滤处理，得到第二特征；
[0126]
将所述第二特征传递至所述位置预测模型中的rnn隐层，根据所述rnn隐层对所述第二特征进行排序，并对排序后的所述第二特征进行混合高斯概率分布计算，得到预测参数，将所述预测参数中包含的位置作为所述婴儿的目标位置。
[0127]
可选地，采集模块a10，用于：
[0128]
确定所述状态信息中的音频数据、视觉数据和体征数据；
[0129]
检测所述音频数据是否和预设异常音频数据匹配，检测所述视觉数据是否和预设异常视觉数据匹配，检测所述体征数据是否和预设异常体征数据匹配；
[0130]
若所述音频数据和所述预设异常音频数据匹配，或者，所述视觉数据和预设异常视觉数据匹配，或者，所述体征数据和预设异常体征数据匹配，则确定所述婴儿存在异常。
[0131]
可选地，确定模块a20，用于：
[0132]
提取所述周边环境信息中的温度、湿度和光照强度，并检测所述温度、湿度和光照强度是否满足预设的婴儿环境要求；
[0133]
若满足，则再次采集所述婴儿的新状态信息，若根据所述新状态信息确定所述婴儿存在异常，则将所述新状态信息输入至预训练的异常状态检测模型进行模型训练，得到异常检测结果。
[0134]
可选地，异常状态检测模型包括音频识别模型、图像识别模型和体征识别模型，确定模块a20，用于：
[0135]
将所述新状态信息中的新音频数据输入至预训练的音频识别模型，得到音频异常类型；
[0136]
将所述新状态信息中的新视觉数据输入至预训练的图像识别模型，得到图像异常类型；
[0137]
将所述新状态信息中的新体征数据输入至预训练的体征识别模型，得到体征异常类型；
[0138]
根据所述音频异常类型、所述图像异常类型和所述体征异常类型确定异常检测结果。
[0139]
可选地，确定模块a20，用于：
[0140]
检测所述音频异常类型、所述图像异常类型和所述体征异常类型是否均相同；
[0141]
若所述音频异常类型、所述图像异常类型和所述体征异常类型至少存在一项不相同，则将所述音频异常类型、所述图像异常类型和所述体征异常类型进行合并处理，得到异常检测结果。
[0142]
其中，婴儿ai监控装置的各个功能模块实现的步骤可参照本发明婴儿ai监控方法的各个实施例，此处不再赘述。
[0143]
此外，本发明还提供一种婴儿ai监控设备，所述婴儿ai监控设备包括：存储器、处理器及存储在所述存储器上的婴儿ai监控程序；所述处理器用于执行所述婴儿ai监控程序，以实现上述婴儿ai监控方法各实施例的步骤。
[0144]
本发明还提供了一种存储介质，可以为计算机可读存储介质，所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述婴儿ai监控方法各实施例的步骤。
[0145]
本发明计算机可读存储介质具体实施方式与上述婴儿ai监控方法各实施例基本相同，在此不再赘述。
[0146]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0147]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0148]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0149]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。