技术领域
本发明涉及电子技术领域，尤其是涉及一种监测方法和监测装置。
背景技术
随着生活节奏的加快，人们的工作和生活压力越来越大，工作忙碌，难以全天候的细心照顾老人或儿童，时有老人、小孩走丢的情况，甚至出现儿童被拐骗的悲剧。针对前述问题，现有技术中提出了针对老人和儿童的监测方案，主要包括以下两种：
一种监测方案，是通过监测对象主动向监护人上报告警信息来实现监测。例如，申请号为CN201610378951.1中国专利，需要儿童在遇到危险时及时通过报警器告知监护人。但这种方案只能被动接收监测对象上报的告警信息，不能主动发现异常状况，存在告警不及时的情况，特别是一些危险情况下，当事人根本不能或者没有机会主动上报。
另一种监测方案，是通过判断监测对象是否在监护人的设定范围内，当超出设定范围时则进行告警提示来实现监测。例如，申请号为CN201310647844.0的中国专利，依据儿童携带的信号接收装置在大人携带的信号发射装置的信号发射范围外时进行告警，从而实现防走丢功能。但这种方案受限于监测对象和监护人的距离，适用范围较窄，准确性低。
综上所述可知，现有的监测方案，实用性和实时性较差，准确性较低。
技术问题
本发明实施例的主要目的在于提供一种监测方法和监测装置，旨在解决现有的监测方案实用性和实时性较差，准确性较低的技术问题。
问题的解决方案
技术解决方案
为达以上目的，一方面提出一种监测方法，所述方法包括以下步骤：
接收信息采集设备上报的监测对象的生理参数信息；
将所述生理参数信息输入预设的身体健康指数模型进行分析，判断所述监测对象的身体状态是否异常；
当所述监测对象的身体状态异常时，进行异常告警。
另一方面，提出一种监测装置，所述装置包括：
信息接收模块，设置为接收信息采集设备上报的监测对象的生理参数信息；
第一分析判断模块，设置为将所述生理参数信息输入预设的身体健康指数模型进行分析，判断所述监测对象的身体状态是否异常；
异常告警模块，设置为当所述监测对象的身体状态异常时，进行异常告警。
发明的有益效果
有益效果
本发明实施例所提供的一种监测方法，通过采集监测对象的生理参数信息，将生理参数信息输入到预设的身体健康指数模型中来分析监测对象的身体状态是否异常，当判定监测对象的身体状态异常时，则及时进行异常告警，从而有效防止老人、儿童等监测对象走丢或被拐骗。与现有技术相比，本发明实施例的监测方法完全实现了自动监测、自动告警，并且不受限于监测对象与监护人的距离，大大扩大了适用范围，提升了监测的实用性、实时性和准确性。并且，本发明实施例可以通过机器学习建模的方式，构建监测对象特有的身体健康指数模型和日常活动轨迹分布模型，并且可以在监测过程中利用采集的生理参数信息和日常活动信息及环境信息持续调整和更新身体健康指数模型和日常活动轨迹分布模型，使得两种模型处于不间断的学习状态，大大提高了检测结果的准确性，提升了系统的可靠性。
对附图的简要说明
附图说明
图1是本发明第一实施例的监测方法的流程图；
图2是本发明实施例中身体健康指数模型的示意图；
图3是本发明第二实施例的监测方法的流程图；
图4是本发明实施例日常活动轨迹分布模型的示意图；
图5是本发明第三实施例的监测装置的模块示意图；
图6是本发明第四实施例的监测装置的模块示意图；
图7是本发明第五实施例的监测装置的模块示意图；
图8是本发明实施例中的监测系统的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
发明实施例
本发明的实施方式
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。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、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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作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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明实施例所述的监测对象，主要指儿童、老人、特殊人群(如心理障碍者、智力低下者等无独立生活能力的人群)等需要监护的对象，当然，也可以是宠物等其他对象。
实施例一
参见图1，提出本发明第一实施例的监测方法，所述方法包括以下步骤：
S11、接收信息采集设备上报的监测对象的生理参数信息。
具体的，信息采集设备佩戴在监测对象的身体上，由监测对象随身携带。信息采集设备实时或定时的采集监测对象的生理参数信息，并实时或定时的通过无
线通信方式向监测装置上报(如每隔1分钟上报一次)监测对象的生理参数信息。
所述生理参数信息包括体温、血压、心率等参数信息中的至少一种。本发明实施例中，信息采集设备采集监测对象的体温、血压和心率三种参数信息。
S12、将生理参数信息输入预设的身体健康指数模型进行分析，判断监测对象的身体状态是否异常。
本发明实施例中，预先设定了身体健康指数模型，并存储于监测装置中。所述身体健康指数模型表示监测对象在体温、血压、心跳等维度的概率分布情况，用以表征监测对象的身体处于正常状态，不存在被胁迫或失去主观意识的情况，或者不存在突发疾病等状况。
身体健康指数模型被用来监测异常情况。在采集的大量信息中，将这些信息看作高维空间的大量离散数据点，我们的目的是发现这些数据点对象中与大部分其他对象不同的对象，这些异常的数据点被称作离群点(Outlier)。
所述身体健康指数模型可以是监测装置直接从外部获取的通用的身体健康指数模型，也可以是监测装置通过搜集统计监测对象正常状态下的生理参数而建立的特定的身体健康指数模型。
举例而言，初次使用时，监测对象需要佩戴一段时间(模型学习创建周期)的信息采集设备来采集一定量的建模数据。信息采集设备在模型学习创建周期(如一天)内实时或定时的采集监测对象正常状态下(如身体健康时)的生理参数信息，并将采集的生理参数信息实时或定时的上报(如每隔一分钟上报一次)给监测装置，监测装置根据获取到的体温、血压、心率等生理参数信息来训练出监测对象的身体健康指数模型。
本发明实施例中，身体健康指数模型包括体温、血压和心率三维信息，监测装置根据三维信息构建如图2所示的三维坐标系，例如，x轴为体温信息，y轴为血压信息，z轴为心率信息。监测装置将模型学习创建周期内采集的生理参数信息输入到三维坐标系中获得对应的坐标点，根据采集的所有生理参数信息在三维坐标系中的分布，计算出一个中心点M，定义为三维坐标系的中心点，作为后续判断身体状态是否异常的参考点，需要注意的是，这里所述的中心点并非指坐标原点。后续监测时采集的生理参数信息在三维坐标系上的坐标点如果在中心点M的预设范围外，则判别为离群点，如图2中的A、B、C三点为离群点，此时身体健康指数模型则输出异常结果。
本步骤S12中，监测装置接收信息采集设备上报的生理参数信息，并将采集的生理参数信息中的体温、血压和心率输入身体健康指数模型的三维坐标系中，假设获得一个坐标点I，计算该坐标点I与三维坐标系的中心点M的距离d(M,I)，判断该距离d(M,I)是否大于第一阈值。当距离d(M,I)大于第一阈值时，说明该坐标点I是离群点，判定监测对象的身体状态异常。
进一步地，当距离d(M,I)不大于第一阈值时，监测装置还可以进一步判断该距离d(M,I)是否小于第二阈值(第二阈值小于第一阈值)。当距离d(M,I)小于第二阈值时，利用该坐标点I更新身体健康指数模型，重新确定中心点M，即重新计算出新的中心点。前述距离计算可以采用欧氏距离、马氏距离等。
在其它实施例中，身体健康指数模型也可以只包括体温、血压、心率等参数信息中的任意两种信息，构建二维坐标系，甚至可以只包括其中的任意一种信息，构建一维坐标系。本发明对此不作限定。
此外，身体健康指数模型除了采用坐标系及其中心点来判断身体状态是否异常外，还可以采用现有技术中的其他方式，本发明对此不作限定。
S13、当监测对象的身体状态异常时，进行异常告警。
本步骤S13中，当通过身体健康指数模型判别出当前监测对象的身体状态异常时，则立即进行异常告警，以提醒相关人员。
可选地，监测装置可以直接拨打相关电话号码(如110)进行报警。
可选地，当监测装置为终端设备(如监护人员随身携带的移动终端或监控中心的固定终端)时，监测装置可以直接进行告警提示，包括语音提示和/或可视信息提示，如发出警报声、播报语音信息、显示文字信息、显示图像信息等。
可选地，当监测装置为云端服务器时，监测装置则可以向告警提示设备(如监护人员随身携带的手机、平板等移动终端)推送告警信息，告警提示设备接收到告警信息后，立即进行告警提示，包括语音提示和/或可视信息提示，如发出警报声、播报语音信息、显示文字信息、显示图像信息等。
进一步地，告警提示设备进行告警提示后，还允许用户(如监护人)对告警信息手动进行告警确认，接收用户的告警确认信息，当告警确认信息为告警错误，即用户确认监测装置推送的异常告警不正确时，告警提示设备则立即向监测装置反馈告警错误信息。监测装置接收到告警错误信息时，则利用本次采集的生理参数信息对身体健康指数模型进行调整，以更新身体健康指数模型，以提高监测装置监测的准确性。
进一步地，本实施例中，当监测对象的身体状态正常时，监测装置利用本次采集的生理参数信息训练身体健康指数模型，以对身体健康指数模型进行持续更新，以保证监测装置监测的准确性。
进一步地，还可以允许用户设置临时状态，在临时状态下(如健身时、生病时等)，监测装置只利用采集的生理参数信息检测监测对象的身体状态，暂停利用生理参数信息更新身体健康指数模型。例如，当监测装置检测到监测对象身体状态异常而进行异常告警后，接收到告警错误信息时，监测装置不对身体健康指数模型进行调整。从而避免对身体健康指数模型的不恰当修改，提高了灵活性。
本发明实施例的监测方法，通过采集监测对象的生理参数信息，将生理参数信息输入到预设的身体健康指数模型中来分析监测对象的身体状态是否异常，当判定监测对象的身体状态异常时，则及时进行异常告警，从而有效防止老人、儿童等监测对象走丢或被拐骗。与现有技术相比，本发明实施例的监测方法完全实现了自动监测、自动告警，并且不受限于监测对象与监护人的距离，大大扩大了适用范围，提升了监测的实用性、实时性和准确性。
并且，本发明实施例可以通过机器学习建模的方式，构建监测对象特有的身体健康指数模型，并且可以在监测过程中利用采集的生理参数信息持续调整和更新身体健康指数模型，使得模型处于不间断的学习状态，大大提高了检测结果的准确性，提升了系统的可靠性。
参见图3，提出本发明第二实施例的监测方法，所述方法包括以下步骤：
S21、接收信息采集设备上报的监测对象的生理参数信息、日常活动信息和所处环境的环境信息。
具体的，信息采集设备佩戴在监测对象的身体上，由监测对象随身携带。信息采集设备实时或定时的采集监测对象的生理参数信息、日常活动信息和所处环境的环境信息，并实时或定时的通过无线通信方式向监测装置上报(如每隔1分钟上报一次)生理参数信息、日常活动信息和环境信息。
所述生理参数信息包括体温、血压、心率等参数信息中的至少一种，本发明实施例中，信息采集设备采集监测对象的体温、血压和心率三种参数信息。
所述日常活动信息包括位置信息、速度信息等活动信息中的至少一种，本发明实施例中，信息采集设备采集监测对象的位置和速度两种信息。其中，速度包括移动速度，还可以包括加速度。
所述环境信息包括温度信息、湿度信息和天气信息中的至少一种，还可以包括当前的时间信息，本发明实施例中，信息采集设备采集当前的温度、天气和时间三种信息。其中，天气包括晴天、雨天、雪天等。
S22、将生理参数信息输入预设的身体健康指数模型进行分析，判断监测对象的身体状态是否异常。当监测对象的身体状态异常时，进入步骤S23；当监测对象的身体状态正常时，进入步骤S24。
S23、进行异常告警。
本实施例中，步骤S22和S23分别与第一实施例中的步骤S12和S13相同，在此不赘述。
S24、将日常活动信息和环境信息输入预设的日常活动轨迹分布模型进行分析，判断监测对象的活动状态是否异常。
本实施例中，还预先设定了日常活动轨迹分布模型，并存储于监测装置中。日常活动轨迹分布模型结合了监测对象的日常活动信息和环境信息等影响因素，表示监测对象在不同时间、不同温度、不同天气状况等组合条件下的正常活动情况，不存在被胁迫或失去主观意识的情况。一般的，此处需要结合上一个模型即身体健康指数模型来做出判断。
日常活动轨迹分布模型被用来监测异常情况。在采集的大量信息中，将这些信息看作高维空间的大量离散数据点，我们的目的是发现这些数据点对象中与大部分其他对象不同的对象，这些异常的数据点被称作离群点。
所述日常活动轨迹分布模型可以是监测装置直接从外部获取的初始的日常活动轨迹分布模型，也可以是监测装置通过搜集统计监测对象正常状态下的日常活动信息和环境信息而建立的特定的身体健康指数模型。
举例而言，在模型学习创建周期内(如一天时间)，监测对象佩戴信息采集设备，信息采集设备实时或定时的采集监测对象在正常状态下(如当判定监测对象的身体状态正常时)的日常活动信息和环境信息，并将采集的日常活动信息和环境信息实时或定时的上报(如每隔一分钟上报一次)给监测装置，监测装置根据获取到的日常活动信息和环境信息来训练出监测对象的日常活动轨迹分布模型。
本发明实施例中，环境信息包括时间、温度和天气三个维度，将各个维度进行量化分为至少两个区间，不同的时间段、温度区间和天气状况的组合对应不同的日常活动轨迹分布模型。例如，将时间分为四个区间，分别为以下时间段：00:00～05:00，05:01～09:00，09:01～18:00，18:01～23:59；温度分为三个区间，分别为：-40°～-5°，-4°～15°，16°～40°；天气状况分为晴天、雨天和雪天三个区间。根据环境信息的三个维度的不同区间进行组合，一共可以得到4*3*3＝12种组合，对于每一种组合都单独建立一个日常活动轨迹分布模型。
本发明实施例中，日常活动轨迹分布模型包括位置和速度二维信息，监测装置根据二维信息构建如图4所示的二维坐标系，例如，x轴为位置信息，y轴为速度信息。监测装置首先根据模型学习创建周期内采集的环境信息确定对应的环境组合，然后将日常活动信息中的位置和速度输入到该环境组合对应的二维坐标系中获得对应的坐标点，根据采集的该环境组合下所有的日常活动信息在二维坐标系中的分布，计算出一个中心点N，定义为二维坐标系的中心点，作为后续判断活动状态是否异常的参考点，需要注意的是，这里所述的中心点并非指坐标原点。后续监测时采集的该环境组合下的日常活动信息在二维坐标系上的坐标点如果在中心点N的预设范围外，则判别为离群点，如图4中的D、E、F三点为离群点，此时日常活动轨迹分布模型则输出异常结果。
本步骤S24中，监测装置接收信息采集设备上报的日常活动信息和环境信息，根据环境信息对应的环境组合确定对应的日常活动轨迹分布模型，并将日常活动信息中的位置和速度输入对应的日常活动轨迹分布模型的二维坐标系中，假设获得一个坐标点J，计算该坐标点J与三维坐标系的中心点N的距离d(N,J)，判断该距离d(N,J)是否大于第三阈值。当距离d(N,J)大于第三阈值时，说明该坐标点J是离群点，判定监测对象的身体状态异常。
进一步地，当距离d(N,J)不大于第三阈值时，监测装置还可以进一步判断该距离d(N,J)是否小于第四阈值(第四阈值小于第三阈值)。当距离d(N,J)小于第四阈值时，利用该坐标点J更新身体健康指数模型，重新确定中心N，即重新计算出新的中心点。前述距离计算可以采用欧氏距离、马氏距离等。
在其它实施例中，日常活动轨迹分布模型也可以只包括位置和速度中的任意一种信息，构建一维坐标系。本发明对此不作限定。
此外，日常活动轨迹分布模型除了采用坐标系及其中心点来判断活动状态是否异常外，还可以采用现有技术中的其他方式，本发明对此不作限定。
S25、当监测对象的活动状态异常时，进行异常告警。
本步骤S25中，当通过日常活动轨迹分布模型判别出监测对象当前的活动状态异常(如到了偏远的地方、从未去过的地方或者移动速度异常等)时，则立即进行异常告警，以提醒相关人员。
可选地，监测装置可以直接拨打相关电话号码(如110)进行报警。
可选地，当监测装置为终端设备(如监护人员随身携带的移动终端或监控中心的固定终端)时，监测装置可以直接进行告警提示，包括语音提示和/或可视信息提示，如发出警报声、播报语音信息、显示文字信息、显示图像信息等。
可选地，当监测装置为云端服务器时，监测装置则可以向告警提示设备(如监护人员随身携带的手机、平板等移动终端)推送告警信息，告警提示设备接收到告警信息后，立即进行告警提示，包括语音提示和/或可视信息提示，如发出警报声、播报语音信息、显示文字信息、显示图像信息等。
进一步地，告警提示设备进行告警提示后，还允许用户(如监护人)对告警信息手动进行告警确认，接收用户的告警确认信息，当告警确认信息为告警错误，即用户确认监测装置推送的异常告警不正确时，告警提示设备则立即向监测装置反馈告警错误信息。
本实施例中，当接收到针对身体状态异常的异常告警的告警错误信息时，监测装置则利用本次采集的生理参数信息对身体健康指数模型进行调整，以更新身体健康指数模型。当接收到针对活动状态异常的异常告警的告警错误信息，监测装置则利用本次采集的日常活动信息和环境信息对日常活动轨迹分布模型进行调整，以更新日常活动轨迹分布模型。从而提高监测装置监测的准确性。
具体实施时，监测装置可以通过短信通道向告警提示设备发送告警信息，本实施例中，监测装置向告警提示设备上的特定应用推送告警信息。告警提示设备的特定应用还可以供用户查询监测对象当前的身体状态、活动状态等信息，同时，在接收到监测装置推送的告警信息后，用户可手动进行告警确认，在确认监测装置推送的异常告警不正确时，告警提示设备则可以通过该特定应用将告警错误信息反馈给监测装置，监测装置将根据用户反馈的告警错误信息自动进行模型调整，以得到更准确的分析结果。
进一步地，本实施例中，当监测对象的身体状态正常时，监测装置利用本次采集的生理参数信息训练身体健康指数模型，以对身体健康指数模型进行持续更新，保证监测装置监测的准确性。同时，进一步地，当监测对象的活动状态正常时，监测装置则利用本次采集的日常活动信息和环境信息训练日常活动轨迹分布模型，以对日常活动轨迹分布模型进行更新，保证监测装置监测的准确性。
进一步地，还可以允许用户设置临时状态，在临时状态下(如健身时、生病时、旅游时等)，监测装置只利用采集的信息(生理参数信息或者日常活动信息及环境信息)检测监测对象的身体状态或活动状态，监测装置暂停利用采集的信息(生理参数信息或者日常活动信息及环境信息)更新身体健康指数模型或日常活动轨迹分布模型。
例如，当监测装置检测到监测对象身体状态异常或活动状态异常而进行异常告警后，接收到告警错误信息时，监测装置不对身体健康指数模型或日常活动轨迹分布模型进行调整，从而避免对身体健康指数模型或日常活动分布轨迹模型的不恰当修改。
本实施例中，先检测监测对象的身体状态是否异常，再检测监测对象的活动状态是否异常。实际上，在其它实施例中，也可以反过来，先检测监测对象的活动状态是否异常，再检测监测对象的身体状态是否异常。本发明对此不作限定。
本实施例通过同时对监测对象的身体状态和活动状态进行监测，进一步提高了检测结果的准确性以及系统的可靠性，有效防止老人、儿童等监测对象走丢或被拐骗。
本发明实施例的监测方法，通过机器学习建模的方式，构建监测对象特有的身体健康指数模型和日常活动轨迹分布模型，且两个模型都处于不间断的学习状态。使用不断学习、更新的模型实时预测监测对象的身体状态和活动状态是否发生异常。实现了对老人、小孩、智力低下以及患有抑郁症的人群智能防走丢、防拐防骗的功能。与现有技术相比，完全实现了自动监测、自动上报，大大提升了监测的实用性、实时性和准确性，同时通过对模型的不断更新，提高了检测结果的准确性，提升了系统的可靠性。
实施例三
参见图5，提出本发明第三实施例的监测装置，所述装置包括信息接收模块110、第一分析判断模块120和异常告警模块130，其中：
信息接收模块110：设置为接收信息采集设备上报的监测对象的生理参数信息。
所述生理参数信息包括体温、血压、心率等参数信息中的至少一种。本发明实施例中，信息采集设备采集监测对象的体温、血压和心率三种参数信息。
第一分析判断模块120：设置为将生理参数信息输入预设的身体健康指数模型进行分析，判断监测对象的身体状态是否异常。
本发明实施例中，预先设定了身体健康指数模型，并存储于监测装置中。所述身体健康指数模型表示监测对象在体温、血压、心跳等维度的概率分布情况，用以表征监测对象的身体处于正常状态，不存在被胁迫或失去主观意识的情况，或者不存在突发疾病等状况。
身体健康指数模型被用来监测异常情况。在采集的大量信息中，将这些信息看作高维空间的大量离散数据点，我们的目的是发现这些数据点对象中与大部分其他对象不同的对象，这些异常的数据点被称作离群点(Outlier)。
所述身体健康指数模型可以是监测装置直接从外部获取的通用的身体健康指数模型，也可以是监测装置通过搜集统计监测对象正常状态下的生理参数而建立的特定的身体健康指数模型。
举例而言，监测装置包括模型创建模块，在模型学习创建周期内(如一天时间)，监测对象佩戴信息采集设备，信息采集设备实时或定时的采集监测对象正常状态下(如身体健康时)的生理参数信息，并将采集的生理参数信息实时或定时的上报(如每隔一分钟上报一次)给监测装置，模型创建模块根据获取到的体温、血压、心率等生理参数信息来训练出监测对象的身体健康指数模型。
本发明实施例中，身体健康指数模型包括体温、血压和心率三维信息，模型创建模块根据三维信息构建如图2所示的三维坐标系，例如，x轴为体温信息，y轴为血压信息，z轴为心率信息。模型创建模块将模型学习创建周期内采集的生理参数信息输入到三维坐标系中获得对应的坐标点，根据采集的所有生理参数信息在三维坐标系中的分布，计算出一个中心点M，定义为三维坐标系的中心点，作为后续判断身体状态是否异常的参考点。后续监测时采集的生理参数信息在三维坐标系上的坐标点如果在中心点M的预设范围外，则判别为离群点，如图2中的A、B、C三点为离群点，此时身体健康指数模型则输出异常结果。
监测过程中，第一分析判断模块120将采集的生理参数信息中的体温、血压和心率输入身体健康指数模型的三维坐标系中，假设获得一个坐标点I，计算该坐标点I与三维坐标系的中心点M的距离d(M,I)，判断该距离d(M,I)是否大于第一阈值。当距离d(M,I)大于第一阈值时，说明该坐标点I是离群点，判定监测对象的身体状态异常。
进一步地，当距离d(M,I)不大于第一阈值时，第一分析判断模块120还可以进一步判断该距离d(M,I)是否小于第二阈值(第二阈值小于第一阈值)。当距离d(M,I)小于第二阈值时，利用该坐标点I更新身体健康指数模型，重新确定中心点M，即重新计算出新的中心点。前述距离计算可以采用欧氏距离、马氏距离等。
在其它实施例中，身体健康指数模型也可以只包括体温、血压、心率等参数信息中的任意两种信息，构建二维坐标系，甚至可以只包括其中的任意一种信息，构建一维坐标系。本发明对此不作限定。
此外，身体健康指数模型除了采用坐标系及其中心点来判断身体状态是否异常外，还可以采用现有技术中的其他方式，本发明对此不作限定。
异常告警模块130：设置为当监测对象的身体状态异常时，进行异常告警。
具体的，当第一分析判断模块120通过身体健康指数模型判别出当前监测对象的身体状态异常时，异常告警模块130则立即进行异常告警，以提醒相关人员。
可选地，异常告警模块130可以直接拨打相关电话号码(如110)进行报警。
可选地，当监测装置为终端设备(如监护人员随身携带的移动终端或监控中心的固定终端)时，异常告警模块130可以直接进行告警提示，包括语音提示和/或可视信息提示，如发出警报声、播报语音信息、显示文字信息、显示图像信息等。
可选地，当监测装置为云端服务器时，异常告警模块130则可以向告警提示设备(如监护人员随身携带的手机、平板等移动终端)推送告警信息，告警提示设备接收到告警信息后，立即进行告警提示，包括语音提示和/或可视信息提示，如发出警报声、播报语音信息、显示文字信息、显示图像信息等。
本发明实施例的监测装置，通过采集监测对象的生理参数信息，将生理参数信息输入到预设的身体健康指数模型中来分析监测对象的身体状态是否异常，当判定监测对象的身体状态异常时，则及时进行异常告警，从而有效防止老人、儿童等监测对象走丢或被拐骗。与现有技术相比，本发明实施例的监测方法完全实现了自动监测、自动告警，并且不受限于监测对象与监护人的距离，大大扩大了适用范围，提升了监测的实用性、实时性和准确性。
并且，本发明实施例可以通过机器学习建模的方式，构建监测对象特有的身体健康指数模型，提高了检测结果的准确性，提升了系统的可靠性。
实施例四
参照图6，提出本发明第四实施例的监测装置，本实施例在第一实施例的基础上增加了第二分析判断模块140。
本实施例中，信息接收模块110不但接收监测对象的生理参数信息，还接收信息采集设备上报的监测对象的日常活动信息和所处环境的环境信息。
所述生理参数信息包括体温、血压、心率等参数信息中的至少一种，本发明实施例中，信息采集设备采集监测对象的体温、血压和心率三种参数信息。
所述日常活动信息包括位置信息、速度信息等活动信息中的至少一种，本发明实施例中，信息采集设备采集监测对象的位置和速度两种信息。其中，速度包括移动速度，还可以包括加速度。
所述环境信息包括温度信息和天气信息中至少一种，还可以包括当前的时间信息，本发明实施例中，信息采集设备采集当前的温度、天气和时间三种信息。其中，天气包括晴天、雨天、雪天等。
本实施例中，第二分析判断模块140设置为：将日常活动信息和环境信息输入预设的日常活动轨迹分布模型进行分析，判断监测对象的活动状态是否异常。
本实施例还预先设定了日常活动轨迹分布模型，并存储于监测装置中。日常活动轨迹分布模型结合了监测对象的日常活动信息和环境信息等影响因素，表示监测对象在不同时间、不同温度、不同天气状况等组合条件下的正常活动情况，不存在被胁迫或失去主观意识的情况。一般的，此处需要结合上一个模型即身体健康指数模型来做出判断。
日常活动轨迹分布模型被用来监测异常情况。在采集的大量信息中，将这些信息看作高维空间的大量离散数据点，我们的目的是发现这些数据点对象中与大部分其他对象不同的对象，这些异常的数据点被称作离群点。
所述日常活动轨迹分布模型可以是监测装置直接从外部获取的初始的日常活动轨迹分布模型，也可以是监测装置通过搜集统计监测对象正常状态下的日常活动信息和环境信息而建立的特定的身体健康指数模型。
举例而言，在模型学习创建周期内(如一天时间)，监测对象佩戴信息采集设备，信息采集设备实时或定时的采集监测对象在正常状态下(如当判定监测对象的身体状态正常时)的日常活动信息和环境信息，并将采集的日常活动信息和环境信息实时或定时的上报(如每隔一分钟上报一次)给监测装置，监测装置的模型创建模块根据获取到的日常活动信息和环境信息来训练出监测对象的日常活动轨迹分布模型。
本发明实施例中，环境信息包括时间、温度和天气三个维度，模型创建模块将各个维度进行量化分为至少两个区间，不同的时间段、温度区间和天气状况的组合对应不同的日常活动轨迹分布模型。例如，将时间分为四个区间，分别为以下时间段：00:00～05:00，05:01～09:00，09:01～18:00，18:01～23:59；温度分为三个区间，分别为：-40°～-5°，-4°～15°，16°～40°；天气状况分为晴天、雨天和雪天三个区间。根据环境信息的三个维度的不同区间进行组合，一共可以得到4*3*3＝12种组合，对于每一种组合都单独建立一个日常活动轨迹分布模型。
本发明实施例中，日常活动轨迹分布模型包括位置和速度二维信息，模型创建模块根据二维信息构建如图4所示的二维坐标系，例如，x轴为位置信息，y轴为速度信息。模型创建模块首先根据模型学习创建周期内采集的环境信息确定对应的环境组合，然后将日常活动信息中的位置和速度输入到该环境组合对应的二维坐标系中获得对应的坐标点，根据采集的该环境组合下所有的日常活动信息在二维坐标系中的分布，计算出一个中心点N，定义为二维坐标系的中心点，作为后续判断活动状态是否异常的参考点。后续监测时采集的该环境组合下的日常活动信息在二维坐标系上的坐标点如果在中心点N的预设范围外，则判别为离群点，如图4中的D、E、F三点为离群点，此时日常活动轨迹分布模型则输出异常结果。
本实施例中，第二分析判断模块140根据采集的环境信息对应的环境组合确定对应的日常活动轨迹分布模型，并将日常活动信息中的位置和速度输入对应的日常活动轨迹分布模型的二维坐标系中，假设获得一个坐标点J，计算该坐标点J与三维坐标系的中心点N的距离d(N,J)，判断该距离d(N,J)是否大于第三阈值。当距离d(N,J)大于第三阈值时，说明该坐标点J是离群点，判定监测对象的身体状态异常。
进一步地，当距离d(N,J)不大于第三阈值时，第二分析判断模块140还可以进一步判断该距离d(N,J)是否小于第四阈值(第四阈值小于第三阈值)。当距离d(N,J)小于第四阈值时，利用该坐标点J更新身体健康指数模型，重新确定中心N，即重新计算出新的中心点。前述距离计算可以采用欧氏距离、马氏距离等。
在其它实施例中，日常活动轨迹分布模型也可以只包括位置和速度中的任意一种信息，构建一维坐标系。本发明对此不作限定。
此外，日常活动轨迹分布模型除了采用坐标系及其中心点来判断活动状态是否异常外，还可以采用现有技术中的其他方式，本发明对此不作限定。
作为优选，本实施例中，首先由第一分析判断模块120判断监测对象的身体状态是否异常，当监测对象的身体状态正常时，第二分析判断模块140才判断监测对象的活动状态是否异常。
当然，在其它实施例中，也可以反过来，先由第二分析判断模块140检测监测对象的活动状态是否异常，再由第一分析判断模块120检测监测对象的身体状态是否异常。本发明对此不作限定。
本实施例中，异常告警模块130设置为：当监测对象的身体状态或活动状态异常(如到了偏远的地方)时，进行异常告警。
本实施例通过同时对监测对象的身体状态和活动状态进行监测，进一步提高了检测结果的准确性以及系统的可靠性，有效防止老人、儿童等监测对象走丢或被拐骗。
实施例五
参见图7，提出本发明第五实施例的监测装置，本实施例在第二实施例的基础上增加了模型更新模块150，所述模型更新模块150设置为在监测过程中持续更新身体健康指数模型和日常活动轨迹分布模型。
具体的，当监测对象的身体状态正常时，模型更新模块150利用本次采集的生理参数信息训练身体健康指数模型，以对身体健康指数模型进行持续更新，以保证监测装置监测的准确性。同时，进一步地，当监测对象的活动状态正常时，模型更新模块150则利用本次采集的日常活动信息和环境信息训练日常活动轨迹分布模型，以对日常活动轨迹分布模型进行更新，保证监测装置监测的准确性。
进一步地，当接收到针对身体状态异常的异常告警的告警错误信息时，模型更新模块150则利用本次采集的生理参数信息对身体健康指数模型进行调整，以更新身体健康指数模型。当接收到针对活动状态异常的异常告警的告警错误信息，模型更新模块150则利用本次采集的日常活动信息和环境信息对日常活动轨迹分布模型进行调整，以更新日常活动轨迹分布模型。从而提高监测装置监测的准确性。
进一步地，还可以允许用户设置临时状态，在临时状态下(如健身时、生病时、旅游时等)，模型更新模块150暂停利用采集的信息(生理参数信息或者日常活动信息及环境信息)更新身体健康指数模型或日常活动轨迹分布模型，以保持监测装置检测的准确性。
例如，当监测装置检测到监测对象身体状态异常或活动状态异常而进行异常告警后，接收到告警错误信息时，模型更新模块150不对身体健康指数模型或日常活动轨迹分布模型进行调整，从而避免对身体健康指数模型或日常活动分布轨迹模型的不恰当修改，提高了灵活性。
可选地，也可以省略本实施例中的第一分析判断模块120或第二分析判断模块140而形成新的实施例。
本发明实施例的监测装置，通过机器学习建模的方式，构建监测对象特有的身体健康指数模型和日常活动轨迹分布模型，且两个模型都处于不间断的学习状态。使用不断学习、更新的模型实时预测监测对象的身体状态和活动状态是否发生异常。实现了对老人、小孩、智力低下以及患有抑郁症的人群智能防走丢、防拐防骗的功能。与现有技术相比，完全实现了自动监测、自动上报，大大提升了监测的实用性、实时性和准确性，同时通过对模型的不断更新，提高了检测结果的准确性，提升了系统的可靠性。
为实现本发明实施例的监测方案，在具体实施时，可以搭建如图8所示的监测系统，所述监测系统包括信息采集设备20、监测装置10，其中：
信息采集设备20：设置为采集监测对象的生理参数信息，并将生理参数信息上报给监测装置10。
监测装置10：设置为将生理参数信息输入预设的身体健康指数模型进行分析，判断监测对象的身体状态是否异常；当监测对象的身体状态异常时，进行异常告警。
进一步地，监测装置10还设置为：当监测对象的身体状态正常时，利用本次采集的生理参数信息更新身体健康指数模型。
进一步地，当监测装置10为云端服务器时，监测系统还包括告警提示设备30，监测装置10向告警提示设备30推送告警信息，告警提示设备30根据告警信息进行告警提示。
进一步地，告警提示设备30还设置为：接收告警确认信息，当告警确认信息为告警错误时，向监测装置10反馈告警错误信息。监测装置10还设置为：接收告警错误信息，利用生理参数信息更新身体健康指数模型。
进一步地，信息采集设备20还设置为：采集监测对象的日常活动信息和所处环境的环境信息，并将日常活动信息和环境信息上报给监测装置10；监测装置10还设置为：将日常活动信息和环境信息输入预设的日常活动轨迹分布模型进行分析，判断监测对象的活动状态是否异常；当监测对象的活动状态异常时，进行异常告警。
更进一步地，监测装置10设置为：当监测对象的身体状态正常时，才判断监测对象的活动状态是否异常。
进一步地，监测装置10还设置为：当监测对象的活动状态正常时，利用本次采集的日常活动信息和环境信息更新日常活动轨迹分布模型。
进一步地，监测装置10还设置为：当接收到针对身体状态异常的异常告警的告警错误信息时，利用本次采集的生理参数信息更新身体健康指数模型；当接收到针对活动状态异常的异常告警的告警错误信息，利用本次采集的日常活动信息和环境信息更新日常活动轨迹分布模型。
进一步地，监测装置10还设置为：当当前处于临时状态时，暂停利用本次采集的生理参数信息或日常活动信息及环境信息更新身体健康指数模型或日常活动轨迹分布模型。
需要说明的是：上述实施例提供的监测系统与监测方法实施例属于同一构思，其具体实现过程详见方法实施例，且方法实施例中的技术特征在系统实施例中均对应适用，这里不再赘述。
本发明实施例提出的监测方法和装置，采用自动采集、建模和预测的模式，解决了现有技术中的监测方案在实用性、实时性和准确性上的缺陷和不足。
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，或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。
工业实用性
本发明实施例所提供的一种监测方法，通过采集监测对象的生理参数信息，将生理参数信息输入到预设的身体健康指数模型中来分析监测对象的身体状态是否异常，当判定监测对象的身体状态异常时，则及时进行异常告警，从而有效防止老人、儿童等监测对象走丢或被拐骗。与现有技术相比，本发明实施例的监测方法完全实现了自动监测、自动告警，并且不受限于监测对象与监护人的距离，大大扩大了适用范围，提升了监测的实用性、实时性和准确性。并且，本发明实施例可以通过机器学习建模的方式，构建监测对象特有的身体健康指数模型和日常活动轨迹分布模型，并且可以在监测过程中利用采集的生理参数信息和日常活动信息及环境信息持续调整和更新身体健康指数模型和日常活动轨迹分布模型，使得两种模型处于不间断的学习状态，大大提高了检测结果的准确性，提升了系统的可靠性。