[发明专利]异常识别方法、装置、计算机设备及计算机可读存储介质

说明书

本申请公开了一种异常识别方法、装置、计算机设备及计算机可读存储介质，涉及互联网技术领域，通过对多元数据进行多层级的深度学习，实现从易到难的异常识别，泛化能力强，保证异常的识别结果的准确性。所述方法包括：获取数据采集设备采集到的待识别数据；同时或分别基于时间序列、神经网络模型对待识别数据进行识别；当基于时间序列确定待识别数据随时间变化的趋势符合预设条件且基于神经网络模型识别确定待识别数据的误差值满足误差阈值时，获取特征识别模型，匹配数据采集设备绑定的用户的基本属性信息；采用特征识别模型以及基本属性信息对待识别数据进行特征识别，得到至少两个识别结果；根据至少两个识别结果，输出数据异常概率。

技术领域

本申请涉及互联网技术领域，特别是涉及一种异常识别方法、装置、计算机设备及计算机可读存储介质。

背景技术

目前，我国已成为世界上老年人口最多的国家，也是人口老龄化发展速度最快的国家之一，与此同时，我国养老产业面临严重资源供给不足，难以满足人民对专业养老的需求。其中，特别独居老人的生命安全保障问题，尤为牵动子女的心弦。

独居老人在家容易出现意外或麻烦，比如突发疾病或意外摔伤，有时无法动弹不能及时通知子女，从而无法第一时间得到救治或照顾，生命安全将会受到严重威胁。因此，亟需一种识别老人行为是否发生异常的方法，以便及时发现老人的异常行为并进行异常警报，保证老人日常活动的安全。

发明内容

有鉴于此，本申请提供了一种异常识别方法、装置、计算机设备及计算机可读存储介质，主要目的在于解决目前独居老人在家容易出现意外或麻烦，比如突发疾病或意外摔伤，有时无法动弹不能及时通知子女，从而无法第一时间得到救治或照顾，生命安全将会受到严重威胁的问题。

依据本申请第一方面，提供了一种异常识别方法，该方法包括：

获取至少一个数据采集设备采集到的数据作为待识别数据；

同时或分别基于时间序列、神经网络模型对所述待识别数据进行识别，所述时间序列用于识别所述待识别数据随时间变化的趋势，所述神经网络模型采用所述至少一个数据采集设备在历史时间段内上传的未发生异常的数据构建；

当基于所述时间序列确定所述待识别数据随时间变化的趋势符合预设条件且基于所述神经网络模型识别确定所述待识别数据的误差值满足误差阈值时，获取特征识别模型，匹配至少一个数据采集设备绑定的用户的基本属性信息；

采用所述特征识别模型以及所述基本属性信息对所述待识别数据进行特征识别，得到至少两个识别结果；

根据所述至少两个识别结果，输出所述待识别数据的数据异常概率。

可选地，所述获取至少一个数据采集设备采集到的数据作为待识别数据之前，所述方法还包括：

获取所述至少一个数据采集设备在所述历史时间段内上传的多个历史数据，在所述多个历史数据中提取对应的数据异常概率指示未发生异常的多个历史数据作为多个样本数据；

采用深度学习算法对所述多个样本数据进行编译，得到多个样本编码；

对所述多个样本编码进行反编译，确定用于指示未发生异常的编码方式；

基于多层感知器对所述编码方式进行训练，得到多个第一输出值，以及采用分类器对所述多个第一输出值进行逻辑回归训练，得到所述神经网络模型，以及每隔更新周期，重新获取多个新的样本数据，基于所述多个新的样本数据对所述神经网络模型进行更新。

可选地，所述获取所述至少一个数据采集设备在所述历史时间段内上传的多个历史数据，在所述多个历史数据中提取对应的数据异常概率指示未发生异常的多个历史数据作为多个样本数据之后，所述方法还包括：

在所述多个样本数据中提取视频图像类的指定样本数据，对所述指定样本数据进行图像特征提取，得到多个样本图像特征；