1.本发明涉及智能家居技术领域，更具体地说是涉及一种适老化智能家居生活环境分析方法及系统。
背景技术：
2.随着人口老龄化速度的加快，国内养老相关产业正面临着一系列新的机遇和挑战。如何为老年人营造适老、宜老、养老的服务体系和环境，越发引起社会关注。
3.然而智能家居正在逐步进入千家万户。智能家居通过计算机技术、通讯技术、综合布线技术等将家中的各种设备，如家电、安防系统等连接到一起，提供家电控制、防盗报警等多种功能。目前智能家居技术智能化较高，提高人们生活质量、舒适感和幸福感。
4.目前市场上的智能家居设备仍然存在不足，具体体现在以下方面：
5.被动地接受指令：在3g或4g时代，人们对智能家居的控制主要依赖于手机远程遥控，智能家居多数是被动地接受用户的控制，而不是主动地去“感知”环境，并作出相应的反应，尤其是对于老人就很不友好，使智能家居的使用率大大折扣，有一些生活不方便的老人，甚至自身感知能力下降，根本体会不到智能家居带来的方便；
6.因此，如何提供一种适老化智能家居生活环境分析方法及系统成为本领域亟需解决的问题。
技术实现要素：
7.有鉴于此，本发明提供了一种适老化智能家居生活环境分析方法及系统，以解决背景技术中的问题。
8.为了实现上述目的，本发明提供如下技术方案：
9.一方面，本发明公开了一种适老化智能家居生活环境分析方法，具体步骤如下：
10.获取环境数据和身份数据；
11.对所述环境数据和所述身份数据进行多模态信息数据融合，得到融合数据；
12.利用所述融合数据和视频图像构建情景分析模型，所述情景分析模型根据用户特征、习惯特征以及环境参数，对环境安全和身体安全进行判断；
13.根据所述情景分析模型的判断结果生成状态感知标识，根据所述状态感知标识进行自适应调节。
14.优选地，在上述的一种适老化智能家居生活环境分析方法中，所述环境数据包括：室内外烟雾含量、室内外细颗粒物含量、室内外地面水位、室内甲醛含量、室内煤气含量、室内风速、室内外温度、室内外湿度、门窗开闭状态；
15.身份数据包括姓名、身高、体重、年龄、血糖、血压、血脂、脉搏、运动数据、睡眠时间、每餐就餐总量、蛋白质含量、脂肪含量、水分含量。
16.优选的，在上述的一种适老化智能家居生活环境分析方法中，对所述环境数据和所述身份数据进行多模态信息数据融合，得到融合数据，具体步骤包括：
17.定义所述环境数据为第一模态信息，所述身份数据为第二模态信息；
18.对所述第一模态信息和第二模态信息分别进行向量化，得到各模态信息所对应的初始特征向量；
19.将所述初始特征向量作为输入，执行融合操作得到目标特征向量，以便完成对所述第一模态信息和第二模态信息的融合；其中，所述融合操作采用注意力机制根据预设的目标标签为输入的特征向量或融合后的向量分配不同的权重。
20.优选地，在上述的一种适老化智能家居生活环境分析方法中，构建情景分析模型具体步骤如下：
21.获取融合数据和视频图像；
22.构建特征提取子网络，得到目标特征；所述特征提取网络根据用户特征匹配对应的习惯特征；并从所述视频图像中提取对应用户行为特征；
23.构建联合感知网络，包括局部感知子和全局感知子网络；所述局部感知子网络根据用户特征以及相匹配的习惯特征、结合环境特征进行初步预测，得到第一用户行为和第一智能家居控制行为，得到初步预测结果；所述全局感知子网络根据所述初步预测结果结合各个特征之间的关系权重进行感知预测，得到第二用户行为和第二智能家居控制行为。
24.优选地，在上述的一种适老化智能家居生活环境分析方法中，根据所述情景分析模型的判断结果生成状态感知标识具体步骤包括：
25.获取历史数据，所述历史数据包括：环境数据、身份数据、环境安全判断结果和身体安全判断结果；
26.根据所述历史数据查找是否存在与所述当前数据状态相同的历史数据状态；
27.如果是，将所述历史数据状态对应的状态感知标识作为所述当前数据状态的状态感知标识；
28.如果否，查找与所述当前数据状态相似程度最高的历史数据状态，将所述历史数据状态对应的状态感知标识作为所述当前数据状态的状态感知标识；
29.所述方法还包括：将所述当前工作状态和对应的状态感知标识保存成历史工作状态。
30.优选地，在上述的一种适老化智能家居生活环境分析方法中，所述状态感知标识包含所述状态感知标识的紧急程度；
31.所述紧急程度包括：一般、正常和紧急。
32.另一方面，本发明公开了一种适老化智能家居生活环境分析系统，包括：
33.获取模块，获取环境数据和身份数据；
34.数据融合模块，对所述环境数据和所述身份数据进行多模态信息数据融合，得到融合数据；
35.情景分析模块，利用所述融合数据和视频图像构建情景分析模型，所述情景分析模型根据用户特征、习惯特征以及环境参数，对环境安全和身体安全进行判断；
36.状态感知模块，根据所述情景分析模型的判断结果生成状态感知标识，根据所述状态感知标识进行自适应调节。
37.优选的，在上述的一种适老化智能家居生活环境分析系统中，所述获取模块包括：环境数据单元和身份数据单元；所述环境数据单元获取室内外烟雾含量、室内外细颗粒物
含量、室内外地面水位、室内甲醛含量、室内煤气含量、室内风速、室内外温度、室内外湿度、门窗开闭状态；
38.所述身份数据单元获取姓名、身高、体重、年龄、血糖、血压、血脂、脉搏、运动数据、睡眠时间、每餐就餐总量、蛋白质含量、脂肪含量、水分含量。
39.优选地，在上述的一种适老化智能家居生活环境分析系统中，数据融合模块包括：
40.第一模态信息单元，定义所述环境数据为第一模态信息；
41.第二模态信息单元，定义所述身份数据为第二模态信息；
42.向量化单元，对所述第一模态信息和第二模态信息分别进行向量化，得到各模态信息所对应的初始特征向量；
43.融合单元，将所述初始特征向量作为输入，执行融合操作得到目标特征向量，以便完成对所述第一模态信息和第二模态信息的融合；其中，所述融合操作采用注意力机制根据预设的目标标签为输入的特征向量或融合后的向量分配不同的权重。
44.优选地，在上述的一种适老化智能家居生活环境分析系统中，情景分析模块包括：
45.输入单元，获取融合数据和视频图像；
46.特征提取单元，构建特征提取子网络，得到目标特征；所述特征提取网络根据用户特征匹配对应的习惯特征；并从所述视频图像中提取对应用户行为特征；
47.联合感知单元，构建联合感知网络，包括局部感知子和全局感知子网络；所述局部感知子网络根据用户特征以及相匹配的习惯特征、结合环境特征进行初步预测，得到第一用户行为和第一智能家居控制行为，得到初步预测结果；所述全局感知子网络根据所述初步预测结果结合各个特征之间的关系权重进行感知预测，得到第二用户行为和第二智能家居控制行为。
48.经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种适老化智能家居生活环境分析方法及系统，根据获取数据，得到用户特征、习惯特征以及环境参数，对环境安全和身体安全进行判断，根据判断结果对智能家居进行自适应调节，其中，环境安全和身体安全进行判断，通过局部感知结合全局感知，预测用户行为和智能家居的控制行为，对智能家居进行自适应调控，解决老年人自身感知能力下降的情况下仍然能够对智能家居进行调控，智能家居智能化程度更高。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
50.图1为本发明的整体方法流程图；
51.图2为本发明的数据融合方法流程图；
52.图3为本发明的构建情景分析模型方法流程图；
53.图4为本发明的生成状态感知标识方法流程图；
54.图5为本发明的结构框图。
具体实施方式
55.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.本发明实施例公开了一种适老化智能家居生活环境分析方法，如图1所示，具体步骤如下：
57.s1获取环境数据和身份数据；
58.s2对所述环境数据和所述身份数据进行多模态信息数据融合，得到融合数据；
59.s3利用所述融合数据和视频图像构建情景分析模型，所述情景分析模型根据用户特征、习惯特征以及环境参数，对环境安全和身体安全进行判断；
60.s4根据所述情景分析模型的判断结果生成状态感知标识，根据所述状态感知标识进行自适应调节。
61.在本实施例的s1中，环境数据包括：室内外烟雾含量、室内外细颗粒物含量、室内外地面水位、室内甲醛含量、室内煤气含量、室内风速、室内外温度、室内外湿度、门窗开闭状态；
62.在本实施例的s1中，身份数据包括姓名、身高、体重、年龄、血糖、血压、血脂、脉搏、运动数据、睡眠时间、每餐就餐总量、蛋白质含量、脂肪含量、水分含量。
63.需要了解的是：模态可以被定义为信息的来源或者表示方式，比如图像、文本、语音、视频等都可以认为是一种单模态信息，而多模态学习可以认为是通过机器学习的方法实现处理和理解多源模态信息的能力。在多模态学习领域中多模态融合(即多模态信息融合)是其中一个重要的研究方向，多模态融合主要是指通过联合多个模态的信息进行目标预测(如分类或者回归)。
64.在本实施例的s2中，如图2所示，对所述环境数据和所述身份数据进行多模态信息数据融合，得到融合数据，具体步骤包括：
65.s201定义所述环境数据为第一模态信息，所述身份数据为第二模态信息；
66.s202对所述第一模态信息和第二模态信息分别进行向量化，得到各模态信息所对应的初始特征向量；
67.s203将所述初始特征向量作为输入，执行融合操作得到目标特征向量，以便完成对所述第一模态信息和第二模态信息的融合；其中，所述融合操作采用注意力机制根据预设的目标标签为输入的特征向量或融合后的向量分配不同的权重。
68.在本实施例中，注意力机制(attention机制)可以用于对输入向量的不同部分赋予不同的权重，进而实现软区分的目的；
69.具体地，在模态信息融合操作中，利用双向rnn对每个环境数据进行处理得到每个环境特征的表征向量，对所述表征向量以及身份特征向量分别执行线性变换及激活函数操作，将执行了所述操作后的表征向量以及身份特征向量进行融合，将所述身份特征向量作为注意力机制的矩阵，根据融合后的向量与注意力机制的矩阵确定每个融合后的向量所对应的注意力权重，对所述注意力权重进行归一化处理，将融合后的向量与其对应的经归一化处理后的注意力权重进行加权得到融合特征向量。
70.在本实施例的s3中，如图3所示，构建情景分析模型具体步骤如下：
71.s301获取融合数据和视频图像；
72.s302构建特征提取子网络，得到目标特征；所述特征提取网络根据用户特征匹配对应的习惯特征；并从所述视频图像中提取对应用户行为特征；
73.s303构建联合感知网络，包括局部感知子网络和全局感知子网络；所述局部感知子网络根据用户特征以及相匹配的习惯特征、结合环境特征进行初步预测，得到第一用户行为和第一智能家居控制行为，得到初步预测结果；所述全局感知子网络根据所述初步预测结果结合各个特征之间的关系权重进行感知预测，得到第二用户行为和第二智能家居控制行为。
74.需要了解的是：在利用所述生活习惯分类模型对所述实时数据进行分类，得到被监控者的生活习惯之前，还包括：
75.获取所述被监控者体征参数，所述被监控者体征参数包括身高、体重、年龄、血糖、血压、血脂、脉搏、运动数据和睡眠时间；
76.根据所述被监控者体征参数计算所述被监控者的每餐应饮食量和应运动量；
77.判断所述被监控者的血糖、血压和血脂是否超过对应的体征预设阈值，得到第二判断结果；
78.当所述第二判断结果表示至少有一项所述被监控者体征参数超过对应的体征预设阈值时，向用户发送体征异常警示指令，并确定发生异常的具体的所述被监控者体征参数；
79.当所述第二判断结果表示否时，返回获取所述被监控者体征参数的步骤。
80.具体地，在s2中将环境数据与身份数据进行融合，并根据预设的目标标签为输入的特征向量或融合后的向量分配不同的权重；
81.在s3中，习惯特征与用户特征相匹配，例如两个老人共同生活，针对每个人有不同的习惯特征，局部感知子网络对第一用户进行匹配习惯特征，结合环境特征进行初步预测，根据第一用户行为控制智能家居；全局感知子网络根据第一用户和第二用户的关联，结合各自的习惯特征匹配各个特征之间的关系权重，进行感知预测，得到第二用户行为，控制智能家居。
82.在本实施例的s4中，如图4所示，根据所述情景分析模型的判断结果生成状态感知标识具体步骤包括：
83.s401获取历史数据，所述历史数据包括：环境数据、身份数据、环境安全判断结果和身体安全判断结果；
84.s402根据所述历史数据查找是否存在与所述当前数据状态相同的历史数据状态；
85.s403如果是，将所述历史数据状态对应的状态感知标识作为所述当前数据状态的状态感知标识；
86.s404如果否，查找与所述当前数据状态相似程度最高的历史数据状态，将所述历史数据状态对应的状态感知标识作为所述当前数据状态的状态感知标识；
87.所述方法还包括：将所述当前工作状态和对应的状态感知标识保存成历史工作状态。
88.在本实施例的s4中，所述状态感知标识包含所述状态感知标识的紧急程度；
89.所述紧急程度包括：一般、正常和紧急。
90.本发明的另一实施例公开了一种适老化智能家居生活环境分析系统，如图5所示，包括：
91.获取模块，获取环境数据和身份数据；
92.数据融合模块，对所述环境数据和所述身份数据进行多模态信息数据融合，得到融合数据；
93.情景分析模块，利用所述融合数据和视频图像构建情景分析模型，所述情景分析模型根据用户特征、习惯特征以及环境参数，对环境安全和身体安全进行判断；
94.状态感知模块，根据所述情景分析模型的判断结果生成状态感知标识，根据所述状态感知标识进行自适应调节。
95.在本实施例集中，所述获取模块包括：环境数据单元和身份数据单元；所述环境数据单元获取室内外烟雾含量、室内外细颗粒物含量、室内外地面水位、室内甲醛含量、室内煤气含量、室内风速、室内外温度、室内外湿度、门窗开闭状态；
96.所述身份数据单元获取姓名、身高、体重、年龄、血糖、血压、血脂、脉搏、运动数据、睡眠时间、每餐就餐总量、蛋白质含量、脂肪含量、水分含量。
97.在本实施例中，数据融合模块包括：
98.第一模态信息单元，定义所述环境数据为第一模态信息；
99.第二模态信息单元，定义所述身份数据为第二模态信息；
100.向量化单元，对所述第一模态信息和第二模态信息分别进行向量化，得到各模态信息所对应的初始特征向量；
101.融合单元，将所述初始特征向量作为输入，执行融合操作得到目标特征向量，以便完成对所述第一模态信息和第二模态信息的融合；其中，所述融合操作采用注意力机制根据预设的目标标签为输入的特征向量或融合后的向量分配不同的权重。
102.在本实施例中，情景分析模块包括：
103.输入单元，获取融合数据和视频图像；
104.特征提取单元，构建特征提取子网络，得到目标特征；所述特征提取网络根据用户特征匹配对应的习惯特征；并从所述视频图像中提取对应用户行为特征；
105.联合感知单元，构建联合感知网络，包括局部感知子和全局感知子网络；所述局部感知子网络根据用户特征以及相匹配的习惯特征、结合环境特征进行初步预测，得到第一用户行为和第一智能家居控制行为，得到初步预测结果；所述全局感知子网络根据所述初步预测结果结合各个特征之间的关系权重进行感知预测，得到第二用户行为和第二智能家居控制行为。
106.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
107.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明
将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。