一种基于毫米波雷达的智能监测方法及系统

技术领域

本发明属于智能监测技术领域，尤其涉及一种基于毫米波雷达的智能监测方法及系统。

背景技术

传统基于雷达对老人进行监测看护的方法主要依赖于雷达信号的反射和回波来检测老人的存在和位置，再通过分析来回波的特征，如幅度、时间延迟或多普勒频率等来确定老人的距离、速度和方向。

这类监测方法主要依赖雷达信号，其感知能力会受到信号传播和干扰的限制，且雷达信号也无法提供目标老人的详细外观和姿态信息，更无法结合老人的一些行为数据实现对老人的一些特定疾病(如老年痴呆症、家族高风险病、等老年人常见疾病)进行风险预测及判断，从而达到对老人进行提前防护的目的。

发明内容

本发明提供一种基于毫米波雷达的智能监测系统及装置及其充电系统，旨在解决无法基于雷达实现对老人的一些特定疾病进行风险预测的问题。

本发明是这样实现的，提供一种基于毫米波雷达的智能监测方法，在老人所在房间内部署毫米波雷达及各类传感器，步骤包括：

通过毫米波雷达和传感器采集待测老人在室内的行为数据；

对所述行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息；

根据待测老人的位置信息和姿态信息并运用图网络对待测老人未来时间段的运动轨迹进行预测，以获取待测老人的运动轨迹及运动轨迹信息；

根据待测老人的运动轨迹及运动轨迹信息进行分析以获取区分度高的特征；

构建图网络模型，以待测老人的运动轨迹作为节点，根据运动轨迹的时间序列关系建立边的连接，并在图网络中学习节点和边的特征表示，以提取出表征待测老人的运动轨迹动态变化的图网络特征；

将所述区分度高的特征与所述图网络特征进行拼接融合以得到融合特征，对融合特征中的高维特征降维为低维特征；

将降维后的所述融合特征输入训练好的分类模型以得到预测结果，所述分类模型是根据大量采集预设疾病患者的行为数据并通过深度学习算法训练得到，输入为预设疾病患者的早期行为数据经过处理后得到的降维后的融合特征，预测结果为是否存在预设疾病风险的判断结果；

根据所述预测结果与特征分析进行综合分析以进一步判断待测老人是否存在患有预设疾病的风险。

更进一步地，所述对所述行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息的步骤包括：

获取YOLO模型和配置文件，并根据实际需求对YOLO模型的配置文件进行调整，所述配置文件包括类别数量、锚框设置和置信度阈值；

将所述行为数据转换为适合YOLO模型输入格式的输入数据；

将所述输入数据送入YOLO模型进行前向传递；

通过YOLO模型对所述输入数据进行处理以提取图像特征；

在包含图像特征的特征图上应用锚框以生成候选框；

对所述候选框进行类别预测和位置回归以判断所述候选框中是否包含待测老人，若包含待测老人，则在所述候选框中获取待测老人的定位和边界框；

根据所述候选框中待测老人的定位和边界框获取待测老人的位置信息和姿态信息。

更进一步地，所述根据待测老人的位置信息和姿态信息并运用图网络对待测老人未来时间段的运动轨迹进行预测，以获取待测老人的运动轨迹及运动轨迹信息的步骤包括：

将待测老人的每个时刻的状态作为一个节点，其中，待测老人的每个时刻的状态包括待测老人的每个时刻的位置信息和姿态信息；

确定节点之间的连接关系，其中，节点之间的边表示节点之间的连接关系，节点之间的连接关系包括节点之间的距离关系、运动速度关系、临近关系和时间关系；

根据节点之间的连接关系构建图结构，其中，图结构的图以邻接矩阵或邻接列表的形式表示；

提取每个节点的特征以得到节点特征，所述节点特征包括节点的位置特征、姿态特征和运动特征，所述姿态特征包括角度和速度，所述运动特征包括加速度和运动方向；

根据需求和应用场景确定节点之间边的权重，节点之间边的权重包括节点之间的距离关系、运动速度关系、临近关系和时间关系的权重；

根据构建好的所述图结构和所述节点特征对待测老人进行轨迹预测。

更进一步地，所述根据构建好的所述图结构和所述节点特征对待测老人进行轨迹预测的步骤还包括：

根据历史采集的待测老人的行为数据构建行为数据集，并对所述行为数据集进行时间序列信息标注；

从所述行为数据集中提取若干个输入序列和若干个配对的输出序列并构建训练集，其中，所述输入序列包括待测老人第一时刻的位置信息、姿态信息和速度信息，配对的所述输出序列包括待测老人第二时刻的位置信息、姿态信息和速度信息，所述第二时刻比所述第一时刻晚预设时间；

输入所述训练集对循环神经网络进行训练以让循环神经网络学习所述输入序列和所述输出序列之间的关联关系，并得到轨迹预测模型；

对实时获取的待测老人的图结构和节点特征进行拼接融合以构建待测老人的实时输入序列，其中，待测老人的实时输入序列包括待测老人实时的位置信息、姿态信息和速度信息，所述图结构以邻接矩阵或邻接列表的形式表示；

将构建好的待测老人的实时输入序列输入所述轨迹预测模型进行轨迹预测以得到待测老人未来时刻的位置信息、姿态信息和速度信息，并根据待测老人历史、实时及未来时刻的位置信息、姿态信息和速度信息构建待测老人的运动轨迹。

更进一步地，所述根据待测老人的运动轨迹进行分析以获取区分度高的特征的步骤包括：

对待测老人的运动轨迹进行分析以提取有区分度的特征，其中，有区分度的特征包括统计特征、周期性特征和模式识别特征；

对每个有区分度的特征与预设疾病之间的相关系数进行计算并筛选出相关系数高的有区分度的特征，设为区分度高的特征。

更进一步地，所述构建图网络模型，以待测老人的运动轨迹作为节点，根据运动轨迹的时间序列关系建立边的连接，并在图网络中学习节点和边的特征表示，以提取出表征待测老人的运动轨迹动态变化的图网络特征的步骤包括：

收集大量的待测老人的运动轨迹信息并构建用于训练的图数据集，其中，所述样本数据包括节点的特征表示、边的特征表示和标签，每个节点的特征表示为待测老人的历史运动轨迹的每个时刻点的运动状态，边的特征表示为待测老人的历史运动轨迹的时间序列关系；

将所述图数据集输入训练前的图网络模型进行训练学习以得到训练后的图网络模型；

将实时生成的待测老人的运动轨迹信息输入训练好的图网络模型进行前向传播以使图网络在节点和边上进行特征传递何聚合，来获取节点和边的实时的特征表示；

从图网络模型中提取节点和边的动态变化的特征表示，即为动态变化的图网络特征，其中，节点的动态变化的特征表示为待测老人的运动轨迹上的每个时刻点的运动状态的变化，边的动态变化的特征表示为待测老人的运动轨迹上节点之间的时间序列关系的变化。

更进一步地，所述将降维后的所述融合特征输入训练好的分类模型以得到预测结果的步骤包括：

采集大量预设疾病患者的行为数据，设为患者行为数据；

从所述患者行为数据中提取区分度高的特征和图网络特征，分别设为区分度高的患者特征和患者图网络特征；

对所述区分度高的患者特征和所述患者图网络特征进行拼接融合以得到患者融合特征，并对所述患者融合特征进行降维处理；

将降维处理后的所述患者融合特征作为输入数据及将是否患有预设疾病作为标签来建立训练集，并通过训练集对深度神经网络进行训练以得到分类模型；

将降维后的所述融合特征输入训练好的分类模型以对待测老人患有预设疾病的风险进行预测并得到预测结果。

更进一步地，所述根据所述预测结果与特征分析进行综合分析以进一步判断待测老人是否存在患有预设疾病的风险的步骤包括：

从待测老人的特征数据中提取所有特征，并对所有特征与预设疾病的早期症状之间的相关性进行分析以提取相关性高的特征，其中，特征数据包括运动轨迹信息和生理指标数据；

若所述预测结果为预设疾病的早期症状，则对相关性高的特征的数据进行阈值分析，以进一步判断待测老人是否存在患有预设疾病的风险。

本发明还提供一种基于毫米波雷达的智能监测系统，用于执行基于毫米波雷达的智能监测方法，在老人所在房间内部署毫米波雷达及各类传感器，包括：

采集模块：用于通过毫米波雷达和传感器采集待测老人在室内的行为数据；

目标检测模块：用于对所述行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息；

轨迹预测模块：用于根据待测老人的位置信息和姿态信息并运用图网络对待测老人未来时间段的运动轨迹进行预测，以获取待测老人的运动轨迹及运动轨迹信息；

第一提取模块：用于根据待测老人的运动轨迹及运动轨迹信息进行分析以获取区分度高的特征；

第二提取模块：用于构建图网络模型，以待测老人的运动轨迹作为节点，根据运动轨迹的时间序列关系建立边的连接，并在图网络中学习节点和边的特征表示，以提取出表征待测老人的运动轨迹动态变化的图网络特征；

融合模块：用于将所述区分度高的特征与所述图网络特征进行拼接融合以得到融合特征，对融合特征中的高维特征降维为低维特征；

诊断结果预测模块：用于将降维后的所述融合特征输入训练好的分类模型以得到预测结果，所述分类模型是根据大量采集预设疾病患者的行为数据并通过深度学习算法训练得到，输入为预设疾病患者的早期行为数据经过处理后得到的降维后的融合特征，预测结果为是否存在预设疾病风险的判断结果；

综合诊断模块：用于根据所述预测结果与特征分析进行综合分析以进一步判断待测老人是否存在患有预设疾病的风险。

更进一步地，所述目标检测模块还用于：

获取YOLO模型和配置文件，并根据实际需求对YOLO模型的配置文件进行调整，所述配置文件包括类别数量、锚框设置和置信度阈值；

将所述行为数据转换为适合YOLO模型输入格式的输入数据；

将所述输入数据送入YOLO模型进行前向传递；

通过YOLO模型对所述输入数据进行处理以提取图像特征；

在包含图像特征的特征图上应用锚框以生成候选框；

对所述候选框进行类别预测和位置回归以判断所述候选框中是否包含待测老人，若包含待测老人，则在所述候选框中获取待测老人的定位和边界框；

根据所述候选框中待测老人的定位和边界框获取待测老人的位置信息和姿态信息。

本发明的有益效果在于，与现有技术相比，本发明的基于毫米波雷达的智能监测方法，能够基于毫米波雷达和一些传感器的监测再结合一些系统算法以实现对老人的运动轨迹进行监测及患有疾病的风险进行预测和判断的目的，从而不仅方便家人对独居老人的看护，还能够帮助老人预防一些高发或常见老年疾病，以实现健康看护的目的。

本发明通过对雷达或传感器采集到的行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息，并运用图网络方法对老人未来时间段的运动轨迹进行预测，可以融合多种传感器数据(如图像、视频或深度信息等)，以提供更全面的感知能力，从而更准确地检测、识别并预测目标，且图网络能够处理多目标的情况，以适应多个目标老人的需求，再根据待测老人的运动轨迹及运动轨迹信息进行分析以获取区分度高的特征，及通过图网络模型提取出表征待测老人的运动轨迹动态变化的图网络特征，再将区分度高的特征与图网络特征进行融合以得到融合特征，区分度高的特征对待测老人的个性化特征或独特性有较好的反映，图网络特征能够捕捉目标之间的关联和上下文信息，融合这两者可以使得模型在不同场景和变化条件下都具有更好的适应性和泛化能力，进而提高后续分类模型的预测性能，再降低维度，以减少特征空间的复杂性，提高计算效率，继而将融合特征输入分类模型以实现对老人是否存在患有预设疾病的风险进行初步预测，最后再将预测结果与特征分析进行综合分析以进一步判断老人是否存在患有预设疾病的风险，从而进一步保障判断结果的准确性。

附图说明

图1是本发明提供的基于毫米波雷达的智能监测方法的流程示意图；

图2是本发明提供的基于毫米波雷达的智能监测系统的系统框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

实施例一

参考图1，实施例一提供一种基于毫米波雷达的智能监测方法，在老人所在房间内部署毫米波雷达及各类传感器，包括步骤S101～S108：

S101，通过毫米波雷达和传感器采集待测老人在室内的行为数据。

S102，对所述行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息。

其中，所述对所述行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息的步骤包括：

获取YOLO模型和配置文件，并根据实际需求对YOLO模型的配置文件进行调整，所述配置文件包括类别数量、锚框设置和置信度阈值；

将所述行为数据转换为适合YOLO模型输入格式的输入数据，一般是图像或视频帧；

将所述输入数据送入YOLO模型进行前向传递；

通过YOLO模型对所述输入数据进行处理以提取图像特征；

在包含图像特征的特征图上应用锚框以生成候选框；

对所述候选框进行类别预测和位置回归以判断所述候选框中是否包含待测老人，若包含待测老人，则在所述候选框中获取待测老人的定位和边界框；

根据所述候选框中待测老人的定位和边界框获取待测老人的位置信息和姿态信息(如角度、速度)。

S103，根据待测老人的位置信息和姿态信息并运用图网络对待测老人未来时间段的运动轨迹进行预测，以获取待测老人的运动轨迹及运动轨迹信息。

其中，所述根据待测老人的位置信息和姿态信息并运用图网络对待测老人未来时间段的运动轨迹进行预测，以获取待测老人的运动轨迹及运动轨迹信息的步骤包括：

将待测老人的每个时刻的状态作为一个节点，其中，待测老人的每个时刻的状态包括待测老人的每个时刻的位置信息和姿态信息；

确定节点之间的连接关系，其中，节点之间的边表示节点之间的连接关系，节点之间的连接关系包括节点之间的距离关系、运动速度关系、临近关系和时间关系；

根据节点之间的连接关系构建图结构，其中，图结构的图以邻接矩阵或邻接列表的形式表示，邻接矩阵用于表示节点之间的连接关系，邻接列表用于记录每个节点与其邻居节点之间的关系；

提取每个节点的特征以得到节点特征，所述节点特征包括节点的位置特征、姿态特征和运动特征，所述姿态特征包括角度和速度，所述运动特征包括加速度和运动方向；

根据需求和应用场景确定节点之间边的权重，节点之间边的权重包括节点之间的距离关系、运动速度关系、临近关系和时间关系的权重；

根据构建好的所述图结构和所述节点特征对待测老人进行轨迹预测。

进一步，所述根据构建好的所述图结构和所述节点特征对待测老人进行轨迹预测的步骤还包括：

根据历史采集的待测老人的行为数据构建行为数据集，并对所述行为数据集进行时间序列信息标注；

从所述行为数据集中提取若干个输入序列和若干个配对的输出序列并构建训练集，其中，所述输入序列包括待测老人第一时刻的位置信息、姿态信息和速度信息，配对的所述输出序列包括待测老人第二时刻的位置信息、姿态信息和速度信息，所述第二时刻比所述第一时刻晚预设时间；

输入所述训练集对循环神经网络进行训练以让循环神经网络学习所述输入序列和所述输出序列之间的关联关系，并得到轨迹预测模型；

对实时获取的待测老人的图结构和节点特征进行拼接融合以构建待测老人的实时输入序列，其中，待测老人的实时输入序列包括待测老人实时的位置信息、姿态信息和速度信息，所述图结构以邻接矩阵或邻接列表的形式表示；

将构建好的待测老人的实时输入序列输入所述轨迹预测模型进行轨迹预测以得到待测老人未来时刻的位置信息、姿态信息和速度信息，并根据待测老人历史、实时及未来时刻的位置信息、姿态信息和速度信息构建待测老人的运动轨迹。

S104，根据待测老人的运动轨迹及运动轨迹信息进行分析以获取区分度高的特征。

其中，所述根据待测老人的运动轨迹进行分析以获取区分度高的特征的步骤包括：

对待测老人的运动轨迹进行分析以提取有区分度的特征，其中，有区分度的特征包括统计特征、周期性特征和模式识别特征；

对每个有区分度的特征与预设疾病之间的相关系数进行计算并筛选出相关系数高的有区分度的特征，设为区分度高的特征。

需要说明的是，所述统计特征包括平均速度、加速度和方向变化，所述周期性特征包括动作周期、呼吸周期、心率周期、睡眠周期、日常活动周期和社交互动周期，所述模式识别特征为通过深度学习方法踢球的更高级的特征，如卷积神经网络中的卷积层特征或循环神经网络中的隐藏状态特征；对待测老人的运动轨迹的几何特征进行分析以提取轨迹的弯曲程度、曲率变化和直线段长度；根据待测老人的运动轨迹上的不同点之间的位移和时间间隔计算平均速度、最大速度和加速度；根据待测老人的运动轨迹上的不同点之间的方向角度计算平均方向和方向变化幅度；根据待测老人的运动轨迹的总长度和每个时间段内的移动距离以获取待测老人反映行为的活动范围和移动程度；对待测老人的运动轨迹上每个时间段的停留时间、运动时间和不同行为之间的转换时间进行计算以获取待测老人反映行为的持续时间和转换频率；根据待测老人的运动轨迹的轨迹点的分布密度分析提取待测老人的运动轨迹的稠密度和聚集度以获取待测老人反映行为的聚集程度；根据待测老人的运动轨迹的差异或变化提取待测老人的运动轨迹的变化速度和变化模式。

S105，构建图网络模型，以待测老人的运动轨迹作为节点，根据运动轨迹的时间序列关系建立边的连接，并在图网络中学习节点和边的特征表示，以提取出表征待测老人的运动轨迹动态变化的图网络特征。

其中，所述构建图网络模型，以待测老人的运动轨迹作为节点，根据运动轨迹的时间序列关系建立边的连接，并在图网络中学习节点和边的特征表示，以提取出表征待测老人的运动轨迹动态变化的图网络特征的步骤包括：

收集大量的待测老人的运动轨迹信息并构建用于训练的图数据集，其中，所述样本数据包括节点的特征表示、边的特征表示和标签，每个节点的特征表示为待测老人的历史运动轨迹的每个时刻点的运动状态，边的特征表示为待测老人的历史运动轨迹的时间序列关系；

将所述图数据集输入训练前的图网络模型进行训练学习以得到训练后的图网络模型；

将实时生成的待测老人的运动轨迹信息输入训练好的图网络模型进行前向传播以使图网络在节点和边上进行特征传递何聚合，来获取节点和边的实时的特征表示；

从图网络模型中提取节点和边的动态变化的特征表示，即为动态变化的图网络特征，其中，节点的动态变化的特征表示为待测老人的运动轨迹上的每个时刻点的运动状态的变化，边的动态变化的特征表示为待测老人的运动轨迹上节点之间的时间序列关系的变化。

S106，将所述区分度高的特征与所述图网络特征进行拼接融合以得到融合特征，对融合特征中的高维特征降维为低维特征。

需要说明的是，对每个所述区分度高的特征进行编码；以确保它们具有一致的维度和表示形式，编码可以包括归一化、标准化、降维等操作，将编码后的所述区分度高的特征与所述图网络特征进行拼接融合以得到融合特征，还可以采用加权求和、特征交互等方式进行融合，对融合特征中的高维特征降维为低维特征，在保留数据关键信息的基础上以减少数据的维度并提高算法的效率和准确度。

S107，将降维后的所述融合特征输入训练好的分类模型以得到预测结果，所述分类模型是根据大量采集预设疾病患者的行为数据并通过深度学习算法训练得到，输入为预设疾病患者的早期行为数据经过处理后得到的降维后的融合特征，预测结果为是否存在预设疾病风险的判断结果。

其中，所述将降维后的所述融合特征输入训练好的分类模型以得到预测结果的步骤包括：

采集大量预设疾病患者的行为数据，设为患者行为数据；

从所述患者行为数据中提取区分度高的特征和图网络特征，分别设为区分度高的患者特征和患者图网络特征；

对所述区分度高的患者特征和所述患者图网络特征进行拼接融合以得到患者融合特征，并对所述患者融合特征进行降维处理；

将降维处理后的所述患者融合特征作为输入数据及将是否患有预设疾病作为标签来建立训练集，并通过训练集对深度神经网络进行训练以得到分类模型；

将降维后的所述融合特征输入训练好的分类模型以对待测老人患有预设疾病的风险进行预测并得到预测结果。

S108，根据所述预测结果与特征分析进行综合分析以进一步判断待测老人是否存在患有预设疾病的风险。

其中，所述根据所述预测结果与特征分析进行综合分析以进一步判断待测老人是否存在患有预设疾病的风险的步骤包括：

从待测老人的特征数据中提取所有特征，并对所有特征与预设疾病的早期症状之间的相关性进行分析以提取相关性高的特征，其中，特征数据包括运动轨迹信息和生理指标数据；

若所述预测结果为预设疾病的早期症状，则对相关性高的特征的数据进行阈值分析，以进一步判断待测老人是否存在患有预设疾病的风险。

本发明的基于毫米波雷达的智能监测方法，能够基于毫米波雷达和一些传感器的监测再结合一些系统算法以实现对老人的运动轨迹进行监测及患有疾病的风险进行预测和判断的目的，从而不仅方便家人对独居老人的看护，还能够帮助老人预防一些高发或常见老年疾病，以实现健康看护的目的。

本发明通过对雷达或传感器采集到的行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息，并运用图网络方法对老人未来时间段的运动轨迹进行预测，可以融合多种传感器数据(如图像、视频或深度信息等)，以提供更全面的感知能力，从而更准确地检测、识别并预测目标，且图网络能够处理多目标的情况，以适应多个目标老人的需求，再根据待测老人的运动轨迹及运动轨迹信息进行分析以获取区分度高的特征，及通过图网络模型提取出表征待测老人的运动轨迹动态变化的图网络特征，再将区分度高的特征与图网络特征进行融合以得到融合特征，区分度高的特征对待测老人的个性化特征或独特性有较好的反映，图网络特征能够捕捉目标之间的关联和上下文信息，融合这两者可以使得模型在不同场景和变化条件下都具有更好的适应性和泛化能力，进而提高后续分类模型的预测性能，再降低维度，以减少特征空间的复杂性，提高计算效率，继而将融合特征输入分类模型以实现对老人是否存在患有预设疾病的风险进行初步预测，最后再将预测结果与特征分析进行综合分析以进一步判断老人是否存在患有预设疾病的风险，从而进一步保障判断结果的准确性。

实施例二

参考图2，实施例二提供一种基于毫米波雷达的智能监测系统，在老人所在房间内部署毫米波雷达及各类传感器，包括：

采集模块：用于通过毫米波雷达和传感器采集待测老人在室内的行为数据。

目标检测模块：用于对所述行为数据进行目标检测以识别得到待测老人的位置信息和姿态信息。

所述目标检测模块还用于：

获取YOLO模型和配置文件，并根据实际需求对YOLO模型的配置文件进行调整，所述配置文件包括类别数量、锚框设置和置信度阈值；

将所述行为数据转换为适合YOLO模型输入格式的输入数据；

将所述输入数据送入YOLO模型进行前向传递；

通过YOLO模型对所述输入数据进行处理以提取图像特征；

在包含图像特征的特征图上应用锚框以生成候选框；

对所述候选框进行类别预测和位置回归以判断所述候选框中是否包含待测老人，若包含待测老人，则在所述候选框中获取待测老人的定位和边界框；

根据所述候选框中待测老人的定位和边界框获取待测老人的位置信息和姿态信息。

轨迹预测模块：用于根据待测老人的位置信息和姿态信息并运用图网络对待测老人未来时间段的运动轨迹进行预测，以获取待测老人的运动轨迹及运动轨迹信息。

所述轨迹预测模块还用于：

将待测老人的每个时刻的状态作为一个节点，其中，待测老人的每个时刻的状态包括待测老人的每个时刻的位置信息和姿态信息；

确定节点之间的连接关系，其中，节点之间的边表示节点之间的连接关系，节点之间的连接关系包括节点之间的距离关系、运动速度关系、临近关系和时间关系；

根据节点之间的连接关系构建图结构，其中，图结构的图以邻接矩阵或邻接列表的形式表示；

提取每个节点的特征以得到节点特征，所述节点特征包括节点的位置特征、姿态特征和运动特征，所述姿态特征包括角度和速度，所述运动特征包括加速度和运动方向；

根据需求和应用场景确定节点之间边的权重，节点之间边的权重包括节点之间的距离关系、运动速度关系、临近关系和时间关系的权重；

根据构建好的所述图结构和所述节点特征对待测老人进行轨迹预测。

进一步，所述轨迹预测模块还用于：

根据历史采集的待测老人的行为数据构建行为数据集，并对所述行为数据集进行时间序列信息标注；

从所述行为数据集中提取若干个输入序列和若干个配对的输出序列并构建训练集，其中，所述输入序列包括待测老人第一时刻的位置信息、姿态信息和速度信息，配对的所述输出序列包括待测老人第二时刻的位置信息、姿态信息和速度信息，所述第二时刻比所述第一时刻晚预设时间；

输入所述训练集对循环神经网络进行训练以让循环神经网络学习所述输入序列和所述输出序列之间的关联关系，并得到轨迹预测模型；

对实时获取的待测老人的图结构和节点特征进行拼接融合以构建待测老人的实时输入序列，其中，待测老人的实时输入序列包括待测老人实时的位置信息、姿态信息和速度信息，所述图结构以邻接矩阵或邻接列表的形式表示；

将构建好的待测老人的实时输入序列输入所述轨迹预测模型进行轨迹预测以得到待测老人未来时刻的位置信息、姿态信息和速度信息，并根据待测老人历史、实时及未来时刻的位置信息、姿态信息和速度信息构建待测老人的运动轨迹。

第一提取模块：用于根据待测老人的运动轨迹及运动轨迹信息进行分析以获取区分度高的特征。

其中，所述第一提取模块还用于：

对待测老人的运动轨迹进行分析以提取有区分度的特征，其中，有区分度的特征包括统计特征、周期性特征和模式识别特征；

对每个有区分度的特征与预设疾病之间的相关系数进行计算并筛选出相关系数高的有区分度的特征，设为区分度高的特征。

第二提取模块：用于构建图网络模型，以待测老人的运动轨迹作为节点，根据运动轨迹的时间序列关系建立边的连接，并在图网络中学习节点和边的特征表示，以提取出表征待测老人的运动轨迹动态变化的图网络特征。

其中，所述第二提取模块还用于：

收集大量的待测老人的运动轨迹信息并构建用于训练的图数据集，其中，所述样本数据包括节点的特征表示、边的特征表示和标签，每个节点的特征表示为待测老人的历史运动轨迹的每个时刻点的运动状态，边的特征表示为待测老人的历史运动轨迹的时间序列关系；

将所述图数据集输入训练前的图网络模型进行训练学习以得到训练后的图网络模型；

将实时生成的待测老人的运动轨迹信息输入训练好的图网络模型进行前向传播以使图网络在节点和边上进行特征传递何聚合，来获取节点和边的实时的特征表示；

从图网络模型中提取节点和边的动态变化的特征表示，即为动态变化的图网络特征，其中，节点的动态变化的特征表示为待测老人的运动轨迹上的每个时刻点的运动状态的变化，边的动态变化的特征表示为待测老人的运动轨迹上节点之间的时间序列关系的变化。

融合模块：用于将所述区分度高的特征与所述图网络特征进行拼接融合以得到融合特征，对融合特征中的高维特征降维为低维特征。

诊断结果预测模块：用于将降维后的所述融合特征输入训练好的分类模型以得到预测结果，所述分类模型是根据大量采集预设疾病患者的行为数据并通过深度学习算法训练得到，输入为预设疾病患者的早期行为数据经过处理后得到的降维后的融合特征，预测结果为是否存在预设疾病风险的判断结果。

其中，所述诊断结果预测模块还用于：

采集大量预设疾病患者的行为数据，设为患者行为数据；

从所述患者行为数据中提取区分度高的特征和图网络特征，分别设为区分度高的患者特征和患者图网络特征；

对所述区分度高的患者特征和所述患者图网络特征进行拼接融合以得到患者融合特征，并对所述患者融合特征进行降维处理；

将降维处理后的所述患者融合特征作为输入数据及将是否患有预设疾病作为标签来建立训练集，并通过训练集对深度神经网络进行训练以得到分类模型；

将降维后的所述融合特征输入训练好的分类模型以对待测老人患有预设疾病的风险进行预测并得到预测结果。

综合诊断模块：用于根据所述预测结果与特征分析进行综合分析以进一步判断待测老人是否存在患有预设疾病的风险。

其中，所述综合诊断模块还用于：

从待测老人的特征数据中提取所有特征，并对所有特征与预设疾病的早期症状之间的相关性进行分析以提取相关性高的特征，其中，特征数据包括运动轨迹信息和生理指标数据；

若所述预测结果为预设疾病的早期症状，则对相关性高的特征的数据进行阈值分析，以进一步判断待测老人是否存在患有预设疾病的风险。

这种基于毫米波雷达的智能监测方法主要用于监测老人的行为以及判断其是否存在患有预设疾病的风险。以下是该方法的步骤：

在老人所在的房间内部署毫米波雷达和各类传感器，这些传感器用于采集待测老人在室内的行为数据。

使用毫米波雷达和传感器采集待测老人在室内的行为数据，这些数据包括老人的位置信息和姿态信息。

对采集到的行为数据进行目标检测，以识别得到待测老人的位置信息和姿态信息。

利用图网络对待测老人未来时间段的运动轨迹进行预测，根据待测老人的位置信息和姿态信息，以获取待测老人的运动轨迹及其信息。

根据待测老人的运动轨迹及其信息进行分析，以获取区分度高的特征。

构建图网络模型，以待测老人的运动轨迹作为节点，并根据运动轨迹的时间序列关系建立边的连接。在图网络中学习节点和边的特征表示，以提取出表征待测老人运动轨迹动态变化的图网络特征。

将区分度高的特征与图网络特征进行拼接融合，得到融合特征。

对融合特征进行降维处理，将高维特征降维为低维特征。

将降维后的融合特征输入训练好的分类模型，该分类模型是通过深度学习算法训练得到的，使用大量采集的预设疾病患者的行为数据进行训练。输入为经过处理并降维后的预设疾病患者的早期行为数据的融合特征。该模型用于预测是否存在预设疾病风险，输出为判断结果。

根据预测结果与特征分析进行综合分析，进一步判断待测老人是否存在患有预设疾病的风险。

这种方法通过结合毫米波雷达、传感器、图网络和深度学习算法，综合分析老人的行为数据，以提供对老人是否存在患有预设疾病风险的判断。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。