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

背景技術(shù)：

近年來(lái)，社會(huì)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(cè)與防護(hù)。其中，跌倒檢測(cè)技術(shù)作為家庭監(jiān)護(hù)系統(tǒng)中必不可少的一部分，準(zhǔn)確而有效的跌倒檢測(cè)方法對(duì)安全監(jiān)護(hù)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(duì)整個(gè)家庭和社會(huì)有著深遠(yuǎn)的意義。

目前跌倒檢測(cè)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(gè)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(cè)；而隨著手機(jī)，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(cè)技術(shù)的研究變成熱門。基于可穿戴設(shè)備的跌倒檢測(cè)方法主要分為兩大類，一種是基于閾值的檢測(cè)方法，通過(guò)設(shè)置單個(gè)或者多個(gè)閾值來(lái)檢測(cè)跌倒行為；另一種是基于機(jī)器學(xué)習(xí)的模式判別的檢測(cè)方法，通過(guò)提取數(shù)據(jù)特征，訓(xùn)練分類器，進(jìn)行數(shù)據(jù)分類的步驟來(lái)檢測(cè)跌倒。很多研究者也結(jié)合兩類方法，先使用閾值進(jìn)行粗判別然后再使用機(jī)器學(xué)習(xí)進(jìn)行精判別的方法進(jìn)行跌倒檢測(cè)。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(wú)法完全代替行為，這給閾值檢測(cè)和特征提取帶來(lái)了困難，從而導(dǎo)致訓(xùn)練出來(lái)的模型無(wú)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(gè)領(lǐng)域，深度學(xué)習(xí)的方法，不需要經(jīng)過(guò)特征提取，通過(guò)逐層的網(wǎng)絡(luò)直接挖掘數(shù)據(jù)的特征從而進(jìn)行識(shí)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(shì)被應(yīng)用于圖像、語(yǔ)音、文本等方面，它可以分析大量的數(shù)據(jù)，通過(guò)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(jìn)行跌倒判別。上述的各種檢測(cè)方法，各有利弊，如基于閾值的檢測(cè)方法簡(jiǎn)單復(fù)雜度低，但是精確度不高；基于機(jī)器學(xué)習(xí)的檢測(cè)方法復(fù)雜度高，能較好地識(shí)別，無(wú)法描述一些復(fù)雜的行為。因此針對(duì)上述檢測(cè)方法中的不足，需要一種既能精確而有效地檢測(cè)用戶跌倒方法，又能識(shí)別復(fù)雜的行為并且有很好的魯棒性的檢測(cè)方法和系統(tǒng)。

技術(shù)實(shí)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(cè)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(guò)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別復(fù)雜的行為，并對(duì)老人的跌倒做出精準(zhǔn)地判斷與實(shí)時(shí)地報(bào)警。

為了實(shí)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(cè)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(yùn)動(dòng)方向，并進(jìn)行數(shù)據(jù)去噪；

(2)對(duì)數(shù)據(jù)進(jìn)行分割，給每一軸數(shù)據(jù)進(jìn)行標(biāo)記與預(yù)編碼排序，進(jìn)而進(jìn)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(jìn)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(duì)行為的網(wǎng)絡(luò)模型進(jìn)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(jì)檢測(cè)用戶在x,y,z三個(gè)方向上的加速度值，利用三軸陀螺儀檢測(cè)用戶身體的傾斜角度和三軸磁力計(jì)檢測(cè)用戶的運(yùn)動(dòng)方向，并對(duì)采集的數(shù)據(jù)進(jìn)行參數(shù)初始化，分別設(shè)定滑動(dòng)窗口長(zhǎng)度、重疊率。

所述步驟(2)中，使用滑動(dòng)窗口對(duì)數(shù)據(jù)進(jìn)行分割，對(duì)采集的三個(gè)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(hào)，然后每隔一個(gè)進(jìn)行排序，接著每隔二個(gè)進(jìn)行排序，依次類推，直到排序至原始序列的隊(duì)尾，編碼結(jié)束，最后根據(jù)序列號(hào)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(guò)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(lái)訓(xùn)練。

所述步驟(3)中，利用預(yù)編碼的數(shù)據(jù)先通過(guò)第一卷積層，讓輸入數(shù)據(jù)矩陣與五個(gè)可學(xué)習(xí)的卷積核進(jìn)行卷積，通過(guò)第一下采樣層，進(jìn)行特征值的下采樣，通過(guò)第二卷積層，輸入數(shù)據(jù)的矩陣與卷積核進(jìn)行卷積，通過(guò)第二下采樣層，進(jìn)行更新的特征值的下采樣，進(jìn)行全連接層計(jì)算，計(jì)算輸入向量和權(quán)重向量的點(diǎn)積，全部展開連接成一列矩陣，相當(dāng)于得到每個(gè)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(jìn)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(jìn)行報(bào)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(cè)系統(tǒng)，包括傳感器單元、主控單元、無(wú)線傳輸單元和報(bào)警單元，其中：

所述傳感器單元，檢測(cè)用戶在x、y、z三個(gè)方向上的加速度值、身體的傾斜角度和檢測(cè)用戶的運(yùn)動(dòng)方向；

所述主控單元，被配置為對(duì)數(shù)據(jù)進(jìn)行分割，給每一軸數(shù)據(jù)進(jìn)行標(biāo)記與預(yù)編碼排序，進(jìn)而進(jìn)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(jìn)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(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)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(shí)候，觸發(fā)報(bào)警單元，并讓無(wú)線傳輸單元向遠(yuǎn)端設(shè)備發(fā)送報(bào)警消息；

所述報(bào)警單元，接收?qǐng)?bào)警消息，進(jìn)行報(bào)警。

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

所述傳感器單元包括三軸加速度計(jì)、三軸的陀螺儀和三軸的磁力計(jì)。

當(dāng)然，本發(fā)明中報(bào)警單元可以說(shuō)聲光報(bào)警或其他報(bào)警方式，檢測(cè)裝置也可替換為其他設(shè)備，如利用手機(jī)自帶的陀螺儀、加速度計(jì)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(dòng)。

本發(fā)明的有益效果為：

1.本發(fā)明通過(guò)加速度計(jì)，陀螺儀，磁力計(jì)三種傳感器對(duì)用戶進(jìn)行實(shí)時(shí)地監(jiān)測(cè)，使用三種傳感器數(shù)據(jù)進(jìn)行跌倒檢測(cè)，提高檢測(cè)精度。

2.本發(fā)明采用對(duì)數(shù)據(jù)先進(jìn)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(qiáng)，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(jìn)行數(shù)據(jù)分析處理，能更好地識(shí)別復(fù)雜行為，提高跌倒檢測(cè)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(cè)的判別精度高等優(yōu)點(diǎn)。

附圖說(shuō)明

圖1為本發(fā)明的跌倒檢測(cè)系統(tǒng)示意圖；

圖2為整個(gè)跌倒檢測(cè)的流程圖；

圖3為跌倒檢測(cè)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(shí)施方式：

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

如圖1所示，圖為跌倒檢測(cè)系統(tǒng)的示意圖，整個(gè)系統(tǒng)有兩部分組成，A：跌倒檢測(cè)設(shè)備，B：遠(yuǎn)端設(shè)備，A和B之間通過(guò)無(wú)線傳輸單元通信。

在A裝置中，包括主控單元，傳感器單元，無(wú)線傳輸單元和報(bào)警單元。傳感器單元，包括一個(gè)三軸加速度計(jì)，一個(gè)三軸的陀螺儀，一個(gè)三軸的磁力計(jì)。

三軸加速度計(jì)用于檢測(cè)用戶在XYZ三個(gè)方向上的加速度大小，三軸陀螺儀用于檢測(cè)用戶在XYZ三個(gè)方向上的傾斜角度；三軸磁力計(jì)用于檢測(cè)用戶的運(yùn)動(dòng)方向。

主控單元分別連接傳感器單元，無(wú)線傳輸單元，報(bào)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(jì)，陀螺儀，磁力計(jì)傳的數(shù)據(jù)，對(duì)用戶的行為作出判斷，檢測(cè)是否跌倒，如果檢測(cè)到用戶發(fā)生跌倒，向報(bào)警單元發(fā)出報(bào)警命令，并通過(guò)無(wú)線傳輸單元將報(bào)警信息告知監(jiān)護(hù)人手機(jī)。

無(wú)線傳輸單元用于接收主控單元的報(bào)警命令，當(dāng)檢測(cè)到用戶跌倒時(shí)，會(huì)收到主控單元的報(bào)警命令并向監(jiān)護(hù)人手機(jī)發(fā)送報(bào)警消息。

報(bào)警單元連接主控單元，用于發(fā)出報(bào)警信號(hào)，當(dāng)用戶跌倒了，主控單元判斷并得到報(bào)警消息，觸發(fā)報(bào)警單元，發(fā)出報(bào)警(鳴笛聲，用于提醒周圍的人)并觸發(fā)無(wú)線傳輸單元向監(jiān)護(hù)人手機(jī)發(fā)出報(bào)警信息。

在上述跌倒檢測(cè)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(cè)方法。

如圖2所示，圖為整個(gè)跌倒檢測(cè)技術(shù)的流程圖，包括如下步驟：

步驟(1)：利用傳感器裝置測(cè)量用戶的日常行為數(shù)據(jù)；

步驟(2)：對(duì)日常行為數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，去除噪聲，并對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)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(jìn)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(jìn)行匹配；

步驟(4)：根據(jù)匹配結(jié)果進(jìn)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(jìn)行跌倒報(bào)警，并觸動(dòng)無(wú)線傳輸單元，向遠(yuǎn)端設(shè)備發(fā)送報(bào)警消息；

所述的步驟(2)中，對(duì)日常行為數(shù)據(jù)進(jìn)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(cè)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(jì)、三軸陀螺儀和三軸磁力計(jì)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(jìn)行參數(shù)初始化，分別設(shè)定滑動(dòng)窗口長(zhǎng)度，重疊率；

2)對(duì)輸入的數(shù)據(jù)進(jìn)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(dòng)窗口對(duì)數(shù)據(jù)進(jìn)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(hào)，然后每隔一個(gè)進(jìn)行排序，接著每隔二個(gè)進(jìn)行排序，依次類推，直到排序至原始序列的隊(duì)尾，編碼結(jié)束，最后根據(jù)序列號(hào)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(duì)重新組合的新的數(shù)據(jù)A'進(jìn)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(diǎn)，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(cè)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(guò)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(gè)可學(xué)習(xí)的卷積核進(jìn)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(guò)一個(gè)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(guò)第一下采樣層S1，采樣層的一個(gè)像素(神經(jīng)元節(jié)點(diǎn))對(duì)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(gè)map的每一個(gè)節(jié)點(diǎn)只與l+1層中的相應(yīng)map的一個(gè)節(jié)點(diǎn)連接，有N個(gè)輸入map就有N個(gè)輸出map，所以，下采樣層S1的輸出map為：

其中，down(.)表示一個(gè)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(jìn)行max值的下采樣，即每個(gè)鄰域的四個(gè)像素求和變?yōu)橐粋€(gè)像素，然后通過(guò)w_x+1加權(quán)，再加上偏置b_x+1，然后通過(guò)一個(gè)激活函數(shù)f，產(chǎn)生一個(gè)縮小四倍的特征map；

4)通過(guò)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(gè)大小為5*5的卷積核進(jìn)行卷積，此時(shí)的權(quán)重w_ij和偏置b_j為

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

5)再通過(guò)第二下采樣層S2，進(jìn)行下采樣，和步驟3下采樣層的計(jì)算方式相同；

6)進(jìn)行全連接層計(jì)算，將x_i順序展開成向量，并有序的連接成一個(gè)長(zhǎng)向量，作為判斷層的輸入；

7)判斷層進(jìn)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(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)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(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。