本發(fā)明涉及基于可穿戴設(shè)備的服刑人員斗毆預(yù)警的方法與系統(tǒng)。

背景技術(shù)：

斗毆是指是指雙方或多方通過實施暴力擊打以達到制服對方的行為，監(jiān)獄作為看守犯罪人員的刑罰執(zhí)行機關(guān)，獄內(nèi)環(huán)境較為壓抑，且服刑人員本身素質(zhì)較低，所以獄內(nèi)服刑人員打架斗毆一直以來都是獄內(nèi)常見違規(guī)現(xiàn)象，但一直沒有得到有效控制。同時，服刑人員的打架斗毆也是獄內(nèi)非正常死亡主要原因。

隨著社會的發(fā)展，獄內(nèi)服刑人員的斗毆監(jiān)管愈發(fā)受到司法部門及社會各界的重視，但由于監(jiān)獄內(nèi)服刑人員過多，干警過少，在有限的人力上很難做到實時、全面、準(zhǔn)確的監(jiān)管，因此，獄內(nèi)斗毆事件屢禁不止，成為監(jiān)獄安全管理的一大隱患。

隨著物聯(lián)網(wǎng)時代的到來，各監(jiān)獄先后引入先進的智能監(jiān)獄管理系統(tǒng)，其中可穿戴設(shè)備是該系統(tǒng)中的一大組成部分。但是目前的基于物聯(lián)網(wǎng)的可穿戴設(shè)備沒有相應(yīng)的斗毆預(yù)警解決方案，因此，基于可穿戴設(shè)備的服刑人員斗毆預(yù)警方法還有待開發(fā)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供一種基于可穿戴設(shè)備的服刑人員斗毆預(yù)警的方法與系統(tǒng)，通過個體行為數(shù)據(jù)的判斷，可以客觀準(zhǔn)確的預(yù)測服刑人員的斗毆行為，大大降低了管理人員的工作強度，減少了人員上的資源浪費，同時為大批量服刑人員的斗毆預(yù)警做到了技術(shù)支持，大大提高了監(jiān)獄智能化管理水平。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于可穿戴設(shè)備的服刑人員斗毆預(yù)警的方法，包括：

步驟(1)：通過服刑人員的穿戴設(shè)備實時采集個體位置數(shù)據(jù)、個體生理數(shù)據(jù)和個體行為數(shù)據(jù)；

步驟(2)：實時判斷個體生理數(shù)據(jù)是否超出設(shè)定閾值范圍，實時判斷個體行為數(shù)據(jù)是否超出設(shè)定閾值范圍；

步驟(3)：當(dāng)個體生理數(shù)據(jù)或個體行為數(shù)據(jù)發(fā)生異常時對個體進行標(biāo)記；

步驟(4)：判斷被標(biāo)記的個體設(shè)定距離范圍內(nèi)的其他個體的數(shù)量，計算被標(biāo)記個體與被標(biāo)記的個體周圍設(shè)定距離內(nèi)的其他個體之間的距離；

步驟(5)：當(dāng)被標(biāo)記個體設(shè)定距離范圍內(nèi)有其他個體時，進一步分析其他個體的生理數(shù)據(jù)和其他個體的行為數(shù)據(jù)；

步驟(6)：對被標(biāo)記個體和被標(biāo)記個體設(shè)定距離范圍內(nèi)的其他個體的生理數(shù)據(jù)和個體行為數(shù)據(jù)進行分析處理，打架斗毆可能性較大時，標(biāo)記異常并發(fā)出警告；

步驟(7)：根據(jù)異常個體位置，調(diào)動異常個體位置附近的攝像頭對異常個體進行監(jiān)控，管理員根據(jù)監(jiān)控進行確認。

步驟(1)中所述個體位置數(shù)據(jù)格式為：【個體ID，位置，時間】；所述個體生理數(shù)據(jù)包括：心率、呼吸頻率、血壓；所述個體行為數(shù)據(jù)主要為個體三軸加速度數(shù)據(jù)。

步驟(2)中個體生理數(shù)據(jù)的設(shè)定閾值范圍：正常成人心率約為60～100次/分鐘，呼吸頻率為12～20次/分鐘，血壓則根據(jù)個體體檢數(shù)據(jù)為準(zhǔn)。

步驟(4)：服刑人員由于場所的特殊性，大家斗毆基本為肉搏，所以當(dāng)出現(xiàn)斗毆現(xiàn)象時，參與個體之間距離應(yīng)該較近，此步驟是判斷是否構(gòu)成斗毆的必要條件。

步驟(5)：通過分析兩個個體的生理、行為數(shù)據(jù)，來增加判斷的準(zhǔn)確性。

步驟(6)生理數(shù)據(jù)與數(shù)據(jù)庫記載的生理閾值范圍進行比較，行為數(shù)據(jù)通過算法進行訓(xùn)練分析。

所述個體行為數(shù)據(jù)的判斷步驟為：

步驟(201)：定義觀察狀態(tài)集合和隱藏狀態(tài)集合；

所述觀察狀態(tài)集合包括三軸加速度傳感器采集的加速度數(shù)據(jù)，根據(jù)不同運動時的加速度，采用f1、f2和f3三個閾值對觀察值進行劃分；

其中，X為三軸加速度傳感器X軸方向上的采樣數(shù)據(jù)，Y為三軸加速度傳感器Y軸方向上的采樣數(shù)據(jù)，Z為三軸加速度傳感器Z軸方向上的采樣數(shù)據(jù)；通過f1、f2和f3三個閾值將所有觀察值劃分為若干個觀察狀態(tài)；

步驟(202)：根據(jù)已經(jīng)定義的觀察狀態(tài)集合和隱藏狀態(tài)集合，建立模型；

λ＝(S，V，A，B，π)；(1.1)

其中，

S＝{S₁，S₂，…，S_N}表示隱藏狀態(tài)集合，N為正整數(shù)；N表示隱藏狀態(tài)的總數(shù)；

V＝{V₁，V₂，…，V_M}表示觀察狀態(tài)集合，M為正整數(shù)；

A＝[a_ij]表示狀態(tài)i到j(luò)的轉(zhuǎn)移概率，其中a_ij＝P(q_i+j＝j(luò)|q_i＝i)，1≤i≤N且1≤j≤N。

B＝{b_j(k)}表示觀察值的概率分布，其中b_j(k)＝P(V_k|j)，1≤k≤M且1≤j≤N，b_j(k)表示在狀態(tài)j時觀察值為V_k的概率；

π＝{π_i}為初始狀態(tài)概率分布，π_i＝P(q₁＝i)表示時刻為1時狀態(tài)為i的頻率。

步驟(203)：使用多向算法對模型進行訓(xùn)練；

步驟(204)：利用訓(xùn)練好的模型對實際觀察狀態(tài)數(shù)據(jù)進行判斷，從而得到個體行為數(shù)據(jù)是否超出設(shè)定閾值范圍的結(jié)論。

所述步驟(203)的步驟如下：

設(shè)a_i(i)＝P(V₁，V₂，…，V_i，q_i＝i|λ)為多向變量，含義為在給定的λ，時刻t的狀態(tài)為i，部分觀察序列為V₁，V₂，…，V_i的概率。

若π_i表示初始狀態(tài)為i的概率，b_i(V_i)表示狀態(tài)為i時觀察值為V_i的概率，則有a_i(i)＝π_ib_i(V_i)，1≤i≤N，N為隱藏狀態(tài)總數(shù)。

遞推計算a_i(i)，直到觀察序列結(jié)束為止，最后將所有狀態(tài)的累計輸出概率疊加得到P(V|λ)。

所述步驟(203)算法的公式表達如下：

初始化

a_i(i)＝π_ib_i(V_i)，1≤i≤N；(1.4)

迭代計算

終止計算

其中，a_ij表示狀態(tài)i到j(luò)的轉(zhuǎn)移概率；P(V|λ)就是在給定λ的條件下，觀察序列的概率。P(V|λ)的值越大，則表示采集數(shù)據(jù)集合與已知正常數(shù)據(jù)集合情況相似，反之，則為疑似異常行為樣本。

閾值的大小根據(jù)實際情況確定，根據(jù)正常人斗毆時運動劇烈程度、身體姿態(tài)、運動方向等因素，將閾值設(shè)為f1＝20，f2＝3.8和f3＝1。

通過f1、f2和f3三個閾值將所有觀察值劃分為若干個觀察狀態(tài)，所述若干個觀察狀態(tài)愛包括躺臥V₁、坐V₂、站立V₃、行走V₄、奔跑V₅、跳躍V₆、蹲V₇七個狀態(tài)；表示加速度信號最大值和最小值之差；

所述隱藏狀態(tài)集合，包括：躺臥S₁、坐S₂、站立S₃、行走S₄、站立-坐S₅、坐-站立S₆、坐-躺臥S₇、躺臥-坐S₈、站立-行走S₉和行走-站立S₁₀。

一種基于可穿戴設(shè)備的服刑人員斗毆預(yù)警的系統(tǒng)，包括：

數(shù)據(jù)采集單元：通過服刑人員的穿戴設(shè)備實時采集個體位置數(shù)據(jù)、個體生理數(shù)據(jù)和個體行為數(shù)據(jù)；

實時判斷單元：實時判斷個體生理數(shù)據(jù)是否超出設(shè)定閾值范圍，實時判斷個體行為數(shù)據(jù)是否超出設(shè)定閾值范圍；

異常個體標(biāo)記單元：當(dāng)個體生理數(shù)據(jù)或個體行為數(shù)據(jù)發(fā)生異常時對個體進行標(biāo)記；

周圍個體距離計算單元：判斷被標(biāo)記的個體設(shè)定距離范圍內(nèi)的其他個體的數(shù)量，計算被標(biāo)記個體與被標(biāo)記的個體周圍設(shè)定距離內(nèi)的其他個體之間的距離；

分析單元：當(dāng)被標(biāo)記個體設(shè)定距離范圍內(nèi)有其他個體時，進一步分析其他個體的生理數(shù)據(jù)和其他個體的行為數(shù)據(jù)；

警告發(fā)出單元：對被標(biāo)記個體和被標(biāo)記個體設(shè)定距離范圍內(nèi)的其他個體的生理數(shù)據(jù)和個體行為數(shù)據(jù)進行分析處理，打架斗毆可能性較大時，標(biāo)記異常并發(fā)出警告；

監(jiān)控單元：根據(jù)異常個體位置，調(diào)動異常個體位置附近的攝像頭對異常個體進行監(jiān)控，管理員根據(jù)監(jiān)控進行確認。

本發(fā)明的有益效果：

1、本發(fā)明的斗毆預(yù)警通過可穿戴設(shè)備上的傳感器判斷是否發(fā)生斗毆行為，而不是通過視頻監(jiān)控分析人為主觀判斷，傳感器包括：血壓傳感器、脈搏傳感器、呼吸頻率傳感器、三軸加速度傳感器。其中，利用三軸加速度傳感器來輔助檢測是否有斗毆行為，在國內(nèi)尚屬首例。且利用三軸加速度傳感器的采集數(shù)據(jù)，能夠更加精準(zhǔn)確定服刑人員的行為動作變化情況；

2、定位數(shù)據(jù)判斷是否有多個個體聚集，這是判斷是否產(chǎn)生斗毆的必要條件，也是本發(fā)明主要創(chuàng)新點之一；

3、行為數(shù)據(jù)的判斷是本發(fā)明的主要創(chuàng)新點，現(xiàn)有技術(shù)都沒有類似方法。通過對定位和生理數(shù)據(jù)的輔助判斷，再通過行為數(shù)據(jù)分析可以準(zhǔn)確確認是否產(chǎn)生斗毆行為，極大的增加了預(yù)警的準(zhǔn)確性；根據(jù)定位數(shù)據(jù)、生理數(shù)據(jù)、行為數(shù)據(jù)三項全部滿足的情況下，才發(fā)出警告并調(diào)動相應(yīng)位置視頻人工確認。能夠有效避免誤判誤報警現(xiàn)象；

4、通過個體行為數(shù)據(jù)的判斷，可以客觀準(zhǔn)確的預(yù)測服刑人員的斗毆行為，大大降低了管理人員的工作強度，減少了人員上的資源浪費，同時為大批量服刑人員的斗毆預(yù)警做到了技術(shù)支持，大大提高了監(jiān)獄智能化管理水平。

附圖說明

圖1為采用閾值劃分觀察狀態(tài)空間；

圖2為本發(fā)明的主要流程圖；

圖3為本發(fā)明的可穿戴設(shè)備的內(nèi)部連接示意圖。

具體實施方式

下面結(jié)合附圖與實施例對本發(fā)明作進一步說明。

如圖1所示，通過f1，f2和f3三個閾值將所有觀察值劃分為V₁，V₂，…，V₇ 7個狀態(tài)，步驟如下：

步驟(11)：判斷小于f1是否成立，若否，則觀察值為V₇；若是，則進入步驟(12)；

步驟(12)：判斷Y軸數(shù)據(jù)是否小于f2，若是就進入步驟(13)，若否進入步驟(14)；

步驟(13)：判斷X軸數(shù)據(jù)是否小于f3，若是，則觀察值為V₁；若否，則觀察值為V₂；

步驟(14)：判斷Z軸數(shù)據(jù)是否小于f3，若是，則進入步驟(15)；若否進入步驟(16)；

步驟(15)：判斷X軸數(shù)據(jù)是否小于f3，若是，則觀察值為V₃；若否，則觀察值為V₄；

步驟(16)：判斷X軸數(shù)據(jù)是否小于f3，若是，則觀察值為V₅；若否，則觀察值為V₆。

如圖2所示，一種基于可穿戴設(shè)備的服刑人員斗毆預(yù)警的方法，包括：

步驟(1)：通過服刑人員的穿戴設(shè)備實時采集個體位置數(shù)據(jù)、個體生理數(shù)據(jù)和個體行為數(shù)據(jù)；

步驟(2)：實時判斷個體生理數(shù)據(jù)是否超出設(shè)定閾值范圍，實時判斷個體行為數(shù)據(jù)是否超出設(shè)定閾值范圍；

步驟(3)：當(dāng)個體生理數(shù)據(jù)或個體行為數(shù)據(jù)發(fā)生異常時對個體進行標(biāo)記；

步驟(4)：判斷被標(biāo)記的個體設(shè)定距離范圍內(nèi)的其他個體的數(shù)量，計算被標(biāo)記個體與被標(biāo)記的個體周圍設(shè)定距離內(nèi)的其他個體之間的距離；

步驟(5)：當(dāng)被標(biāo)記個體設(shè)定距離范圍內(nèi)有其他個體時，進一步分析其他個體的生理數(shù)據(jù)和其他個體的行為數(shù)據(jù)；

步驟(6)：對被標(biāo)記個體和被標(biāo)記個體設(shè)定距離范圍內(nèi)的其他個體的生理數(shù)據(jù)和個體行為數(shù)據(jù)進行分析處理，打架斗毆可能性較大時，標(biāo)記異常并發(fā)出警告；

步驟(7)：根據(jù)異常個體位置，調(diào)動異常個體位置附近的攝像頭對異常個體進行監(jiān)控，管理員根據(jù)監(jiān)控進行確認。

如圖3所示，可穿戴設(shè)備為手環(huán)或者腰帶，包括：

射頻發(fā)送模塊，所述射頻發(fā)送模塊分別與加速度傳感器、心率傳感器、呼吸傳感器和血壓傳感器連接；

所述射頻發(fā)送模塊，與監(jiān)控終端的射頻接收模塊通信；射頻接收單元與數(shù)據(jù)分析處理單元連接，數(shù)據(jù)分析處理單元與報警單元連接。

針對獄內(nèi)服刑人員斗毆預(yù)警的方法與系統(tǒng)，鑒于斗毆這一異常行為的特殊性，本發(fā)明提出一種基于運動劇烈程度、身體姿態(tài)、運動方向的疑似跌倒判斷檢測的方法，可以高效、準(zhǔn)確檢測服刑人員斗毆行為。

本方法具體步驟如下：

λ＝(S，V，A，B，π)式1.1

其中，S＝{S₁，S₂，…，S_N}表示隱藏狀態(tài)集合，V＝{V₁，V₂，…，V_M}表示觀察狀態(tài)集合。A＝[a_ij]表示狀態(tài)轉(zhuǎn)移概率，其中a_ij＝P(q_i+j＝j(luò)|q_i＝i)，1≤i≤N且1≤j≤N。B＝{b_j(k)}表示觀察值的概率分布，其中b_j(k)＝P(V_k|j)，1≤k≤M且1≤j≤N，b_j(k)表示在狀態(tài)j時觀察值為V_k的概率。π＝{π_i}為初始狀態(tài)概率分布，π_i＝P(q₁＝i)表示時刻為1時狀態(tài)為i的頻率。

對于數(shù)據(jù)樣本集，由于異常樣本作為觀察序列出現(xiàn)的概率較低，通過閾值判斷可以將異常行為和日常行為區(qū)分開來。

在對樣本集進行訓(xùn)練之前需要定位觀察狀態(tài)空間和隱藏狀態(tài)空間。觀察狀態(tài)空間由加速度數(shù)據(jù)決定，根據(jù)不同運動時的加速度信號特點，采用3個閾值對觀察值范圍進行劃分。

在圖1中，X，Y，Z如式1.2和1.3所示，X,Y,Z分別為傳感器三軸采樣數(shù)據(jù)，通過f1，f2和f3三個閾值將所有觀察值劃分為V₁，V₂，…，V₇ 7個狀態(tài)。閾值需要根據(jù)具體情況確定，根據(jù)正常人斗毆時運動劇烈程度、身體姿態(tài)、運動方向等因素，將閾值設(shè)為f1＝20，f2＝3.8和f3＝1。

根據(jù)服刑人員活動特點，利用其在獄內(nèi)較為常見的行為樣本訓(xùn)練，包括躺臥(S1)、坐(S2)、站立(S3)、行走(S4)、以及他們之間的相互轉(zhuǎn)移，站立-坐(S5)、坐-站立(S6)、坐-躺臥(S7)、躺臥-坐(S8)、站立-行走(S9)、行走-站立(S10)共10種行為隱藏狀態(tài)。對觀察狀態(tài)空間和隱藏空間定義完成后，使用多向算法對參數(shù)進行訓(xùn)練。

多向算法通過設(shè)定一個累計輸出概率，減少了重復(fù)計算。具體步驟如下：

設(shè)a_i(i)＝P(V₁，V₂，…，V_i，q_i＝i|λ)為多向變量，其含義為在給定的λ，時刻t的狀態(tài)為i，部分觀察序列為V₁，V₂，…，V_i的概率。

若π_i表示初始狀態(tài)為i的概率，b_i(V_i)表示狀態(tài)為i時觀察值為V_i的概率，則有a_i(i)＝π_ib_i(V_i)，1≤i≤N，N為隱藏狀態(tài)總數(shù)。

遞推計算a_i(i)，直到觀察序列結(jié)束為止，最后將所有狀態(tài)的累計輸出概率疊加得到P(V|λ)。

算法公式表達如下：

初始化

a_i(i)＝π_ib_i(V_i)，1≤i≤N式1.4

迭代計算

終止計算

式1.5中a_ij表示狀態(tài)i到j(luò)的轉(zhuǎn)移概率。P(V|λ)就是在給定λ的條件下，觀察序列的概率。概率越大，則表示與樣本集情況相似，反之，則可能為異常行為樣本，然后進一步通過三軸加速度數(shù)據(jù)判斷異常行為。

以判斷跌倒為例：

設(shè)A∈{X,Y,Z},A表示三軸加速度傳感器對應(yīng)軸的第i個采樣點，則對應(yīng)軸與重力G方向的夾角

其中重力G可通過人體靜止時三軸的合成加速度得出。為了避免跌倒后由于身體再次運動導(dǎo)致角度變化較大，選擇加速度時間序列不能太長，在此選取疑似跌倒樣本后32個采樣點計算反映軸角度，將其平均值作為身體傾角φ。

式中為第i個樣本點的反映軸與水平方向夾角，k為樣本點個數(shù)，這里k＝32。當(dāng)Φ為虛數(shù)時，Y_i>G，說明人體處于運動狀態(tài)，與跌倒后的躺臥狀態(tài)不符，此時該樣本也排除在意外跌倒樣本之外。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。