基于深度学习的老人异常行为检测方法技术

本发明专利技术请求保护一种基于深度学习的老人异常行为检测方法，属于深度学习领域。本发明专利技术通过多种传感器采集老人的体征信息、位置信息、图像信息，联合检测联合判断老人的异常行为，降低误判概率。首先根据多种传感器数据进行信号预处理，将处理的数据输入已训练好的BP神经网络获得老人身体状况，然后根据原始图像，对图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为，再综合老人位置信息与驻留时长，根据模糊逻辑推理判断老人行为是否异常。本发明专利技术采用联合检测方法，通过深度学习，模糊逻辑推理对老人异常行为进行联合判断，降低了误判率，提高了检测的准确性。

【技术实现步骤摘要】
基于深度学习的老人异常行为检测方法
本专利技术涉及一种基于深度学习的老人异常行为检测方法，属于机器学习领域，适用于独居老人安全监护系统。
技术介绍
我国迎来了人口迅速老龄化的时代，养老问题日益严重。随着我国经济的发展和计划生育的实行，我国人口结构发生巨大变化，未来社会中不能单纯依靠子女来照顾老人。越来越多的独居老人在生活中出现异常行为时，不能及时发现并进行预警而酿成严重后果。因此，对独居老人的安全监护及时发现老人的异常行为有利于提高了老人晚年的生活质量，同时减轻了社会和子女的压力。目前，老人异常行为检测的方式采用可穿戴的传感器设备，基于用户的行为数据和行为规律模型构建方法，基于多特征融合的视频监控技术等方法。这些异常行为检测方法对于居家老人容易忘记配戴设备或携带不方便，实时性不高，涉及到个人隐私，不适合24小时视频监控。因此，现有技术对老人异常行为检测方式单一，这种单一检测很难满足老人出现异常的复杂性，缺乏对多源信息的协同处理，实时性差，异常信息不能及时预警等。本专利技术提出一种基于深度学习的老人异常行为检测方法，对异常行为进行联合检测，从传感器和图像两方面对异常行为进行检测，并综合本文档来自技高网...

【技术保护点】
一种基于深度学习的老人异常行为检测方法，其特征在于：包括以下步骤：(1)多种传感器采集体征信息如心率、血压、体温、呼吸、脉搏，经信号预处理后作为BP神经网络的输入，训练出BP神经网络模型，进行数据融合；(2)视觉传感器采集视频图像对原始图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为；(3)特征提取负责提取原始图像信息中最能反映人体行为信息内在本质的特征向量；(4)通过老人体征数据和行为数据，综合老人当前位置数据与驻留时长，根据模糊逻辑推理判断老人行为是否异常。

【技术特征摘要】
1.一种基于深度学习的老人异常行为检测方法，其特征在于：包括以下步骤：(1)多种传感器采集体征信息如心率、血压、体温、呼吸、脉搏，经信号预处理后作为BP神经网络的输入，训练出BP神经网络模型，进行数据融合；(2)视觉传感器采集视频图像对原始图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为；(3)特征提取负责提取原始图像信息中最能反映人体行为信息内在本质的特征向量；(4)通过老人体征数据和行为数据，综合老人当前位置数据与驻留时长，根据模糊逻辑推理判断老人行为是否异常。2.根据权利要求1所述的基于深度学习的老人异常行为检测方法，其特征在于所述数据融合基于BP神经网络模型，包括以下：(1)通过多种传感器采集的老人体征信息如心率、血压、呼吸、脉搏、体温作为BP神经网络的输入；在数据融合前，先对老人多种体征数据进行粗糙集的简化，消除大量数据的冗余属性，使得输入层的数据变得简单，降低了数据维度，神经网络...

【专利技术属性】
技术研发人员：周绍艳，黄俊，谭钦红，刘科征，王君龙，施新岚，张磊，谢振超，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50