本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的跌倒檢測方法和系統(tǒng)。

背景技術(shù)：

近年來，社會生活朝著數(shù)字化、網(wǎng)絡(luò)化、智能化發(fā)展，人們已經(jīng)開始關(guān)注智能化的家庭健康安全監(jiān)測與防護。其中，跌倒檢測技術(shù)作為家庭監(jiān)護系統(tǒng)中必不可少的一部分，準確而有效的跌倒檢測方法對安全監(jiān)護有重要的意義，它不但能有效地預(yù)防老人跌倒及減少跌倒后產(chǎn)生的一系列影響(如癱瘓，死亡等)，還能減少醫(yī)療資源的占用，對整個家庭和社會有著深遠的意義。

目前跌倒檢測系統(tǒng)主要有基于視頻監(jiān)控、基于聲頻監(jiān)控、基于穿戴式傳感器監(jiān)控，其中視頻監(jiān)控的成本比較大，并且涉及個人隱私；而聲頻監(jiān)控中的環(huán)境受噪聲干擾影響比較多，不利于檢測；而隨著手機，手環(huán)等智能設(shè)備的發(fā)展，基于可穿戴設(shè)備的跌倒檢測技術(shù)的研究變成熱門?；诳纱┐髟O(shè)備的跌倒檢測方法主要分為兩大類，一種是基于閾值的檢測方法，通過設(shè)置單個或者多個閾值來檢測跌倒行為；另一種是基于機器學(xué)習(xí)的模式判別的檢測方法，通過提取數(shù)據(jù)特征，訓(xùn)練分類器，進行數(shù)據(jù)分類的步驟來檢測跌倒。很多研究者也結(jié)合兩類方法，先使用閾值進行粗判別然后再使用機器學(xué)習(xí)進行精判別的方法進行跌倒檢測。由于生活中老年人的行為復(fù)雜且多樣，提取的特征往往無法完全代替行為，這給閾值檢測和特征提取帶來了困難，從而導(dǎo)致訓(xùn)練出來的模型無法精確地判別一些復(fù)雜的行為。

隨著人工智能的發(fā)展，深度學(xué)習(xí)的方法逐漸被應(yīng)用于各個領(lǐng)域，深度學(xué)習(xí)的方法，不需要經(jīng)過特征提取，通過逐層的網(wǎng)絡(luò)直接挖掘數(shù)據(jù)的特征從而進行識別，其中卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)中典型的方法，靠權(quán)值共享和層間聯(lián)系優(yōu)勢被應(yīng)用于圖像、語音、文本等方面，它可以分析大量的數(shù)據(jù)，通過層層網(wǎng)絡(luò)挖掘出所有特征，這些特征可以更好地代表復(fù)雜的行為，從而進行跌倒判別。上述的各種檢測方法，各有利弊，如基于閾值的檢測方法簡單復(fù)雜度低，但是精確度不高；基于機器學(xué)習(xí)的檢測方法復(fù)雜度高，能較好地識別，無法描述一些復(fù)雜的行為。因此針對上述檢測方法中的不足，需要一種既能精確而有效地檢測用戶跌倒方法，又能識別復(fù)雜的行為并且有很好的魯棒性的檢測方法和系統(tǒng)。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決上述問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的跌倒檢測方法和系統(tǒng)，本發(fā)明適合用于家庭健康安全監(jiān)控，能夠通過卷積神經(jīng)網(wǎng)絡(luò)識別復(fù)雜的行為，并對老人的跌倒做出精準地判斷與實時地報警。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的跌倒檢測方法，包括以下步驟；

(1)采集三軸加速度、身體的傾斜角度和運動方向，并進行數(shù)據(jù)去噪；

(2)對數(shù)據(jù)進行分割，給每一軸數(shù)據(jù)進行標(biāo)記與預(yù)編碼排序，進而進行離散傅里葉變換；

(3)基于變換后的數(shù)據(jù)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，并進行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到行為的網(wǎng)絡(luò)模型，對行為的網(wǎng)絡(luò)模型進行模式匹配；

(4)根據(jù)匹配結(jié)果判斷用戶是否發(fā)生跌倒。

所述步驟(1)中，利用三軸加速度計檢測用戶在x,y,z三個方向上的加速度值，利用三軸陀螺儀檢測用戶身體的傾斜角度和三軸磁力計檢測用戶的運動方向，并對采集的數(shù)據(jù)進行參數(shù)初始化，分別設(shè)定滑動窗口長度、重疊率。

所述步驟(2)中，使用滑動窗口對數(shù)據(jù)進行分割，對采集的三個三軸數(shù)據(jù)的每一軸數(shù)據(jù)貼上標(biāo)簽，形成九軸數(shù)據(jù)。

所述步驟(2)中，排列組合每一軸數(shù)據(jù)，排列的編碼方法為首先是原始序列號，然后每隔一個進行排序，接著每隔二個進行排序，依次類推，直到排序至原始序列的隊尾，編碼結(jié)束，最后根據(jù)序列號轉(zhuǎn)換成九軸的數(shù)據(jù)。

所述步驟(3)中，卷積神經(jīng)網(wǎng)絡(luò)通過卷積層-下采樣層-卷積層-下采樣層-全連接層的網(wǎng)絡(luò)架構(gòu)來訓(xùn)練。

所述步驟(3)中，利用預(yù)編碼的數(shù)據(jù)先通過第一卷積層，讓輸入數(shù)據(jù)矩陣與五個可學(xué)習(xí)的卷積核進行卷積，通過第一下采樣層，進行特征值的下采樣，通過第二卷積層，輸入數(shù)據(jù)的矩陣與卷積核進行卷積，通過第二下采樣層，進行更新的特征值的下采樣，進行全連接層計算，計算輸入向量和權(quán)重向量的點積，全部展開連接成一列矩陣，相當(dāng)于得到每個行為模型參數(shù)的矩陣。

所述步驟(4)中，根據(jù)得到的行為模型參數(shù)在判斷層進行判別分析，判別函數(shù)為：

其中，c是類標(biāo)簽，x采樣特征，y是可變標(biāo)簽，w是權(quán)重向量，K是類別數(shù)目。

根據(jù)判別函數(shù)，得到標(biāo)簽，如果是跌倒的標(biāo)簽，則判斷得出用戶跌倒，進行報警；如果不是跌倒的標(biāo)簽，則判斷得出用戶沒有發(fā)生跌倒，返回步驟1)。

一種基于卷積神經(jīng)網(wǎng)絡(luò)的跌倒檢測系統(tǒng)，包括傳感器單元、主控單元、無線傳輸單元和報警單元，其中：

所述傳感器單元，檢測用戶在x、y、z三個方向上的加速度值、身體的傾斜角度和檢測用戶的運動方向；

所述主控單元，被配置為對數(shù)據(jù)進行分割，給每一軸數(shù)據(jù)進行標(biāo)記與預(yù)編碼排序，進而進行離散傅里葉變換；基于變換后的數(shù)據(jù)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，并進行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到行為的網(wǎng)絡(luò)模型；對卷積神經(jīng)網(wǎng)絡(luò)模型進行模式匹配，判斷用戶是否發(fā)生跌倒，當(dāng)判別出是跌倒行為的時候，觸發(fā)報警單元，并讓無線傳輸單元向遠端設(shè)備發(fā)送報警消息；

所述報警單元，接收報警消息，進行報警。

所述報警單元通過通信網(wǎng)絡(luò)連接遠程控制終端，發(fā)送跌倒報警信號。

所述傳感器單元包括三軸加速度計、三軸的陀螺儀和三軸的磁力計。

當(dāng)然，本發(fā)明中報警單元可以說聲光報警或其他報警方式，檢測裝置也可替換為其他設(shè)備，如利用手機自帶的陀螺儀、加速度計等，這些替換均為本領(lǐng)域技術(shù)人員容易想到的，不需要付出創(chuàng)造性勞動。

本發(fā)明的有益效果為：

1.本發(fā)明通過加速度計，陀螺儀，磁力計三種傳感器對用戶進行實時地監(jiān)測，使用三種傳感器數(shù)據(jù)進行跌倒檢測，提高檢測精度。

2.本發(fā)明采用對數(shù)據(jù)先進行預(yù)處理和預(yù)編碼的方法，使數(shù)據(jù)之間的聯(lián)系更強，能讓卷積神經(jīng)網(wǎng)絡(luò)挖掘的有效信息更多，保持了特征之間的結(jié)構(gòu)相關(guān)性。

3.本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)的方法進行數(shù)據(jù)分析處理，能更好地識別復(fù)雜行為，提高跌倒檢測的精確度。

4.本發(fā)明具有良好的魯棒性，佩戴傳感器的硬件要求小，跌倒檢測的判別精度高等優(yōu)點。

附圖說明

圖1為本發(fā)明的跌倒檢測系統(tǒng)示意圖；

圖2為整個跌倒檢測的流程圖；

圖3為跌倒檢測算法中預(yù)處理和預(yù)編碼的流程圖；

圖4為卷積神經(jīng)網(wǎng)絡(luò)的流程圖。

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，圖為跌倒檢測系統(tǒng)的示意圖，整個系統(tǒng)有兩部分組成，A：跌倒檢測設(shè)備，B：遠端設(shè)備，A和B之間通過無線傳輸單元通信。

在A裝置中，包括主控單元，傳感器單元，無線傳輸單元和報警單元。傳感器單元，包括一個三軸加速度計，一個三軸的陀螺儀，一個三軸的磁力計。

三軸加速度計用于檢測用戶在XYZ三個方向上的加速度大小，三軸陀螺儀用于檢測用戶在XYZ三個方向上的傾斜角度；三軸磁力計用于檢測用戶的運動方向。

主控單元分別連接傳感器單元，無線傳輸單元，報警單元。主控單元處理和分析傳感器單元收集到的加速度計，陀螺儀，磁力計傳的數(shù)據(jù)，對用戶的行為作出判斷，檢測是否跌倒，如果檢測到用戶發(fā)生跌倒，向報警單元發(fā)出報警命令，并通過無線傳輸單元將報警信息告知監(jiān)護人手機。

無線傳輸單元用于接收主控單元的報警命令，當(dāng)檢測到用戶跌倒時，會收到主控單元的報警命令并向監(jiān)護人手機發(fā)送報警消息。

報警單元連接主控單元，用于發(fā)出報警信號，當(dāng)用戶跌倒了，主控單元判斷并得到報警消息，觸發(fā)報警單元，發(fā)出報警(鳴笛聲，用于提醒周圍的人)并觸發(fā)無線傳輸單元向監(jiān)護人手機發(fā)出報警信息。

在上述跌倒檢測的系統(tǒng)上，本發(fā)明還提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的跌倒檢測方法。

如圖2所示，圖為整個跌倒檢測技術(shù)的流程圖，包括如下步驟：

步驟(1)：利用傳感器裝置測量用戶的日常行為數(shù)據(jù)；

步驟(2)：對日常行為數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，去除噪聲，并對預(yù)處理后的數(shù)據(jù)進行預(yù)編碼；

步驟(3)：利用預(yù)編碼數(shù)據(jù)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，進行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到用戶基于卷積神經(jīng)網(wǎng)絡(luò)的行為模型，并進行匹配；

步驟(4)：根據(jù)匹配結(jié)果進行判斷，若判斷出用戶沒有跌倒，返回到步驟1，若判斷出用戶跌倒，執(zhí)行步驟5；

步驟(5)：用戶發(fā)生跌倒，進行跌倒報警，并觸動無線傳輸單元，向遠端設(shè)備發(fā)送報警消息；

所述的步驟(2)中，對日常行為數(shù)據(jù)進行預(yù)處理和預(yù)編碼還包括以下步驟：

如圖3所示，跌倒檢測方法中預(yù)處理和預(yù)編碼的方法具體為：

1)輸入數(shù)據(jù)矩陣，把三軸加速度計、三軸陀螺儀和三軸磁力計的數(shù)據(jù)作為輸入矩陣A＝{a₁,a₂,a_i,...,a_n}(n＝9,a_i為某一軸的數(shù)據(jù))，并進行參數(shù)初始化，分別設(shè)定滑動窗口長度，重疊率；

2)對輸入的數(shù)據(jù)進行濾波(濾波器是n＝3的中值濾波)，去除干擾的噪聲；

3)使用滑動窗口對數(shù)據(jù)進行分割處理，窗口的大小為256，(采樣頻率為100hz,相當(dāng)于2.56s)，重疊率為50％；

4)給A＝{a₁，a₂，a_i，...，a_n}中的每一軸數(shù)據(jù)貼上標(biāo)簽，總共是九軸數(shù)據(jù)，分別為1,2,3,…9；

5)排列組合每一軸數(shù)據(jù)，排列的編碼規(guī)則：首先是原始序列號，然后每隔一個進行排序，接著每隔二個進行排序，依次類推，直到排序至原始序列的隊尾，編碼結(jié)束，最后根據(jù)序列號轉(zhuǎn)換成九軸的數(shù)據(jù)A'＝{a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁,a₃,...}；

6)對重新組合的新的數(shù)據(jù)A'進行離散傅里葉變換，然后輸出數(shù)據(jù)；

其中，離散傅里葉變換為：

其中N為采樣點，x(u)為離散的序列，u為離散頻率變量；

所述的步驟(3)中，使用了基于卷積神經(jīng)網(wǎng)絡(luò)(卷積層-下采樣層-卷積層-下采樣層-全連接層-判斷層)的跌倒檢測算法。

如圖4所示，卷積神經(jīng)網(wǎng)絡(luò)的跌倒方法還包括以下步驟：

1)輸入經(jīng)過預(yù)處理和預(yù)編碼的數(shù)據(jù)；

2)在第一卷積層C1，原始的輸入數(shù)據(jù)x_i和五個可學(xué)習(xí)的卷積核進行卷積，卷積核大小為5*5，是由偏置b_j和權(quán)重k_ij構(gòu)成，再通過一個激活函數(shù)其中得到輸出的特征map x_j，

其中，M_j為輸入的maps集合，為第一卷積層的偏置，初始偏置為0，k_ij為第一卷積層的權(quán)重，初始權(quán)重為0；

3)然后通過第一下采樣層S1，采樣層的一個像素(神經(jīng)元節(jié)點)對應(yīng)上一層(第一卷積層C1)的輸出特征map中的一塊像素(即采樣窗口的大小2*2)，第j層中的一個map的每一個節(jié)點只與l+1層中的相應(yīng)map的一個節(jié)點連接，有N個輸入map就有N個輸出map，所以，下采樣層S1的輸出map為：

其中，down(.)表示一個下采樣函數(shù)，f為激活函數(shù)β_j為乘性偏置，為加性偏置，down(.)函數(shù)：進行max值的下采樣，即每個鄰域的四個像素求和變?yōu)橐粋€像素，然后通過w_x+1加權(quán)，再加上偏置b_x+1，然后通過一個激活函數(shù)f，產(chǎn)生一個縮小四倍的特征map；

4)通過第二卷積層C2，與步驟2)的操作相同，只是輸入變成第一下采樣層S1中輸出特征map,它與10個大小為5*5的卷積核進行卷積，此時的權(quán)重w_ij和偏置b_j為

其中，m為輸入特征map的個數(shù)，x_j為輸入特征map上的第j個神經(jīng)元的輸出，δ_j為殘差項；

5)再通過第二下采樣層S2，進行下采樣，和步驟3下采樣層的計算方式相同；

6)進行全連接層計算，將x_i順序展開成向量，并有序的連接成一個長向量，作為判斷層的輸入；

7)判斷層進行判別分析，判別函數(shù)為

其中，c是類標(biāo)簽，x采樣特征，y是可變標(biāo)簽，w是權(quán)重向量，K是類別數(shù)目。

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)。