本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)和手機(jī)傳感器數(shù)據(jù)的跌倒檢測(cè)方法，該方法以數(shù)據(jù)驅(qū)動(dòng)的方式建立人體跌倒檢測(cè)模型，充分挖掘了手機(jī)傳感器數(shù)據(jù)中的人體行為信息，尤其適合用于對(duì)老年人及幼小兒童的安全日常監(jiān)測(cè)。

背景技術(shù)：

隨著年勢(shì)的增高，人體各項(xiàng)機(jī)能下降，老年人發(fā)生意外跌倒的可能性增大，發(fā)生意外跌倒并得不到及時(shí)救治，會(huì)給老年人身心帶來(lái)嚴(yán)重的傷害，意外跌倒已經(jīng)成為老年人致傷甚至死亡的直接原因之一，及時(shí)的發(fā)現(xiàn)和救治是保障老年人身體健康的重要環(huán)節(jié)。我國(guó)老年人口基數(shù)大，增長(zhǎng)率高，實(shí)現(xiàn)有效的跌倒檢測(cè)具有廣泛的應(yīng)用前景。智能手機(jī)內(nèi)置豐富的傳感器，一般包括加速度傳感器、陀螺儀、重力傳感器、光線傳感器等，智能手機(jī)計(jì)算能力的快速提高使其可滿足多種算法的計(jì)算開(kāi)銷。借助智能手機(jī)傳感器建立跌倒檢測(cè)系統(tǒng)具有普及廣、成本低、低侵入的先發(fā)優(yōu)勢(shì)。大數(shù)據(jù)和云計(jì)算技術(shù)的快速進(jìn)步，使得具有較高計(jì)算復(fù)雜度的算法模型得以有效實(shí)現(xiàn)，基于深度學(xué)習(xí)技術(shù)的多層神經(jīng)網(wǎng)絡(luò)模型可以應(yīng)用到眾多領(lǐng)域。在圖像識(shí)別領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)(cnn)得到的較為充分的研究，相比以往的方法大幅提高了識(shí)別的準(zhǔn)確率。在攜帶智能手機(jī)前提下，當(dāng)人體發(fā)生意外跌倒，手機(jī)加速度傳感器和陀螺儀記錄的數(shù)據(jù)會(huì)發(fā)生變化，預(yù)處理后的傳感器數(shù)據(jù)通過(guò)有效的特征工程，可以用來(lái)實(shí)現(xiàn)人體跌倒檢測(cè)。人為設(shè)計(jì)特征工程需要豐富的先驗(yàn)知識(shí)，在大規(guī)模數(shù)據(jù)的特征構(gòu)建過(guò)程中并不適用。深度學(xué)習(xí)通過(guò)模擬人腦分層結(jié)構(gòu)，對(duì)數(shù)據(jù)進(jìn)行非線性映射，抽象了初始數(shù)據(jù)特征，實(shí)現(xiàn)了特征工程與分類算法的無(wú)縫結(jié)合。

技術(shù)實(shí)現(xiàn)要素：

為了有效實(shí)現(xiàn)人體跌倒檢測(cè)，本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和智能手機(jī)傳感器數(shù)據(jù)的跌倒檢測(cè)方法，該方法通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)智能手機(jī)加速度數(shù)據(jù)和角速度數(shù)據(jù)進(jìn)行特征映射和分類識(shí)別，將加速度數(shù)據(jù)和角速度數(shù)據(jù)設(shè)計(jì)為方陣格式，輸入到多層卷積神經(jīng)網(wǎng)絡(luò)模型中，訓(xùn)練跌倒檢測(cè)模型，包括以下步驟：

(1)在人體胸部和腿部分別放置智能手機(jī)，通過(guò)對(duì)智能手機(jī)加速度和陀螺儀(角速度)數(shù)據(jù)的不間斷獲取，記錄人體行為信息，即是否發(fā)生跌倒；

(2)傳感器記錄的每個(gè)維度的數(shù)據(jù)記為一個(gè)特征數(shù)據(jù)，數(shù)據(jù)通過(guò)格式轉(zhuǎn)換形成模型訓(xùn)練數(shù)據(jù)；即：通過(guò)濾波和標(biāo)準(zhǔn)化對(duì)初始數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)完成預(yù)處理的各特征數(shù)據(jù)進(jìn)行樣本劃分，并對(duì)特征數(shù)據(jù)進(jìn)行壓縮轉(zhuǎn)換；人體發(fā)生跌倒行為標(biāo)簽記為1，未發(fā)生跌倒記為0，取單個(gè)樣本所有標(biāo)簽的眾數(shù)為該樣本的標(biāo)簽；

(3)依據(jù)數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型，該模型包括卷積層、池化層、全連接層和softmax分類層。卷積層用于做特征非線性映射，池化層用于降低數(shù)據(jù)規(guī)模、提高魯棒性，全連接層和softmax層用于分類識(shí)別；

(4)將訓(xùn)練樣本輸入模型，學(xué)習(xí)和優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的模型參數(shù)；可以通過(guò)多步訓(xùn)練得到跌倒檢測(cè)模型；其中卷積神經(jīng)網(wǎng)絡(luò)模型以權(quán)值向量ω和偏置b以及激活函數(shù)f來(lái)描述，通過(guò)多步訓(xùn)練逐步調(diào)整ω和b，激活函數(shù)f采用relus，模型優(yōu)化方法采用隨機(jī)梯度下降(sgd)；

(5)跌倒檢測(cè)系統(tǒng)實(shí)時(shí)使用階段，對(duì)手機(jī)傳感器采集到數(shù)據(jù)進(jìn)行如步驟(2)的處理方法，將處理后的樣本輸入到步驟(4)訓(xùn)練得到的模型之中，根據(jù)模型的輸出分類結(jié)果識(shí)別跌倒檢測(cè)是否發(fā)生。

上述技術(shù)方案中，所述的步驟2)可以具體包括：

(1)通過(guò)iir平滑濾波器對(duì)初始手機(jī)傳感器數(shù)據(jù)進(jìn)行濾波處理；

(2)濾波完成后，采用z-score標(biāo)準(zhǔn)化方法對(duì)全體數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

(3)將3秒內(nèi)的數(shù)據(jù)劃分為一個(gè)訓(xùn)練樣本，通過(guò)對(duì)每25條記錄進(jìn)行平均值替換，將每個(gè)初始訓(xùn)練樣本的300×12格式數(shù)據(jù)轉(zhuǎn)換為12×12格式數(shù)據(jù)；

(4)取單個(gè)樣本所有標(biāo)簽的眾數(shù)為該樣本的標(biāo)簽，保持樣本數(shù)據(jù)和樣本標(biāo)簽同步。

所述的步驟3)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型具體包括：

(1)對(duì)12×12的數(shù)據(jù)輸入，第一層卷積層，4×4的卷積核32種，卷積后數(shù)據(jù)特征為32×12×12，卷積過(guò)程使用padding方法；

(2)第二層池化層，2×2的最大池化操作，池化后的數(shù)據(jù)特征為32×6×6；

(3)第三層卷積層，4×4的卷積核64種，卷積后的數(shù)據(jù)特征為64×32×6×6；

(4)第四層池化層，2×2的最大池化操作，池化后的數(shù)據(jù)特征為64×32×3×3；

(5)對(duì)兩層卷積、兩層池化后的樣本數(shù)據(jù)進(jìn)行fatten操作，將高維數(shù)據(jù)特征拉伸為一維向量形式；

(6)拉伸后的樣本數(shù)據(jù)傳入全連接層和softmax層，分類輸出預(yù)測(cè)是否跌倒。

所述的步驟4)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型的方法具體包括如下步驟：

(1)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的參數(shù)為連接層間的權(quán)值向量ω和偏置b，訓(xùn)練過(guò)程使用隨機(jī)梯度下降優(yōu)化方法，其包括前向傳播和反向傳播兩個(gè)階段；

(2)初始化權(quán)值向量ω和偏置b，分別使用隨機(jī)初始化和定值初始化；

(3)將訓(xùn)練樣本數(shù)據(jù)t:{xi,yi}輸入卷積神經(jīng)網(wǎng)絡(luò)，樣本特征經(jīng)各層向前傳播；其中，t為訓(xùn)練集，xi,為訓(xùn)練樣本特征數(shù)據(jù)，yi為樣本標(biāo)簽；

(4)計(jì)算實(shí)際輸出和樣本標(biāo)簽誤差ε；

(5)以最小化訓(xùn)練誤差為目標(biāo)調(diào)整網(wǎng)絡(luò)權(quán)值；

(6)逐步訓(xùn)練，提升模型準(zhǔn)確率。

本發(fā)明采用深度學(xué)習(xí)的方法，以數(shù)據(jù)驅(qū)動(dòng)的方式建立人體跌倒檢測(cè)模型，卷積神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)聯(lián)合使用，充分挖掘了手機(jī)傳感器數(shù)據(jù)中的人體行為信息，獲得了較閾值檢測(cè)和一般機(jī)器學(xué)習(xí)方法更高的精度。

附圖說(shuō)明

圖1為本發(fā)明跌倒檢測(cè)實(shí)現(xiàn)流程圖；

圖2為本發(fā)明初始數(shù)據(jù)格式轉(zhuǎn)換流程圖；

圖3為本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建層次圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明：

圖1是本發(fā)明跌倒檢測(cè)實(shí)現(xiàn)流程圖。

步驟s001，在人體胸部和大腿外側(cè)放置內(nèi)置加速度傳感器和陀螺儀的智能手機(jī)，在人體活動(dòng)過(guò)程中記錄數(shù)據(jù)和行為信息。具體如下：在應(yīng)用對(duì)象身上放置兩組傳感器，一般選擇上衣口袋和褲子口袋，上衣口袋的手機(jī)加速傳感器記為acc1，陀螺儀記為gyro1，褲子口袋加速度傳感器記為acc2，陀螺儀記為gyro2。每個(gè)傳感器在x,y,z三軸上記錄數(shù)據(jù)，總計(jì)12個(gè)特征的數(shù)據(jù)。對(duì)每次傳感器數(shù)據(jù)記錄相應(yīng)的人體行為標(biāo)簽，發(fā)生跌倒記為1，未發(fā)生跌倒記為0，將數(shù)據(jù)與標(biāo)簽同步對(duì)應(yīng)。

步驟s002，初始數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，形成模型訓(xùn)練數(shù)據(jù)。傳感器記錄的每個(gè)維度的數(shù)據(jù)記為一個(gè)特征數(shù)據(jù)，初始數(shù)據(jù)需要進(jìn)行平滑濾波做初步預(yù)處理、數(shù)據(jù)標(biāo)準(zhǔn)化方法處理。傳感器記錄頻率為100hz，劃分3秒內(nèi)的全部特征的300次數(shù)據(jù)記錄為一個(gè)訓(xùn)練樣本，視為一個(gè)跌倒檢測(cè)分析單元。將訓(xùn)練樣本數(shù)據(jù)和標(biāo)簽同步對(duì)應(yīng)，形成一個(gè)有標(biāo)簽的訓(xùn)練樣本。需要對(duì)全部數(shù)據(jù)和標(biāo)簽做如是轉(zhuǎn)換。

步驟s003，依據(jù)數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型，該模型包括卷積層、池化層、全連接層和softmax分類層。卷積層用于做特征非線性映射，池化層用于降低數(shù)據(jù)規(guī)模、提高魯棒性，全連接層和softmax層用于分類識(shí)別；

步驟s004，步驟s004，將s002步驟完成的數(shù)據(jù)輸入到s003步驟構(gòu)建的模型中，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)為連接層間的權(quán)值向量ω和偏置b，激活函數(shù)f采用relus，模型優(yōu)化方法采用隨機(jī)梯度下降(sgd)。該算法分為兩個(gè)階段。(1)前饋傳遞:對(duì)每個(gè)訓(xùn)練過(guò)程簡(jiǎn)單輸出計(jì)算值。(2)反向傳播：從輸出層反向傳播信號(hào)誤差，權(quán)值被作為反向傳播誤差信號(hào)的函數(shù)進(jìn)行調(diào)整。通過(guò)訓(xùn)練數(shù)據(jù)和標(biāo)簽進(jìn)行不多訓(xùn)練模型。

步驟s005，運(yùn)用訓(xùn)練完成的模型進(jìn)行跌倒檢測(cè)。通過(guò)智能手機(jī)傳感器實(shí)時(shí)采集加速度和角速度數(shù)據(jù)，做同步驟s002的預(yù)處理和格式化。處理的樣本包含傳感器轉(zhuǎn)換后的數(shù)據(jù)，需要通過(guò)模型預(yù)測(cè)標(biāo)簽。轉(zhuǎn)換后的待預(yù)測(cè)樣本數(shù)據(jù)輸入步驟s004訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型中，模型輸出預(yù)測(cè)結(jié)果。

圖2是本發(fā)明初始數(shù)據(jù)轉(zhuǎn)換流程圖。設(shè)置在身體上的四個(gè)三軸傳感器獲取到了12個(gè)特征的數(shù)據(jù)，以及記錄的人體行為標(biāo)簽，傳感器以100hz記錄數(shù)據(jù)。首先對(duì)每個(gè)特征的數(shù)據(jù)進(jìn)行iir平滑濾波處理，并采用z-score標(biāo)準(zhǔn)化操作對(duì)濾波后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。標(biāo)簽的記錄密度同傳感器數(shù)據(jù)一致，實(shí)際操作過(guò)程中盡可能提高記錄密度。對(duì)初始數(shù)據(jù)做劃分以確定訓(xùn)練樣本數(shù)據(jù)，將3秒內(nèi)的12個(gè)特征的數(shù)據(jù)劃分為一個(gè)分析單元。對(duì)3秒內(nèi)每個(gè)特征的300條數(shù)據(jù)記錄，每25條做平均值替換，替換后每個(gè)樣本數(shù)據(jù)格式由300×12被轉(zhuǎn)換為12×12。標(biāo)簽記錄計(jì)算眾數(shù)作為該樣本的行為標(biāo)簽。

圖3是本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建層次圖。模型包括以下層次：

(1)第一層采用32個(gè)4×4的卷積核對(duì)訓(xùn)練樣本的不同特征進(jìn)行提取，卷積核從樣本數(shù)據(jù)左上角開(kāi)始，從左往右至上而下，以步長(zhǎng)等于1的方式掃描樣本的全部數(shù)據(jù)，卷積過(guò)程采用padding方法，激活函數(shù)relus，卷積后的樣本數(shù)據(jù)為32×12×12。

(2)第二層使用2×2的最大池化層，對(duì)2×2范圍內(nèi)的數(shù)據(jù)進(jìn)行最大值替換。有效降低了樣本分辨率，提高了魯棒性，池化后的樣本數(shù)據(jù)為32×6×6，降低了3/4的規(guī)模。

(3)第三層采用64個(gè)4×4的卷積核繼續(xù)抽象數(shù)據(jù)特征，卷積核從樣本數(shù)據(jù)左上角開(kāi)始，從左往右至上而下，以步長(zhǎng)等于1的方式掃描樣本的全部數(shù)據(jù)，卷積過(guò)程采用padding方法，激活函數(shù)relus，卷積后的樣本數(shù)據(jù)為64×32×6×6。

(4)第四層使用2×2的最大池化層，池化后的樣本數(shù)據(jù)為64×32×3×3。

對(duì)兩層卷積、兩層池化后的樣本數(shù)據(jù)進(jìn)行fatten操作，將高維特征的樣本數(shù)據(jù)拉伸為一維向量形式。拉伸后的樣本數(shù)據(jù)傳入全連接網(wǎng)絡(luò)和softmax分類層。