亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

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)與流程

文檔序號(hào):12676688閱讀:629來(lái)源:國(guó)知局
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)與流程

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,ai,...,an}(n=9,ai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,ai,...,an}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)xi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bj和權(quán)重kij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 xj,

其中,Mj為輸入的maps集合,為第一卷積層的偏置,初始偏置為0,kij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)βj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)wx+1加權(quán),再加上偏置bx+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wij和偏置bj

其中,m為輸入特征map的個(gè)數(shù),xj為輸入特征map上的第j個(gè)神經(jīng)元的輸出,δj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xi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)。

當(dāng)前第1頁(yè)1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1