一种基于神经网络的老年人跌倒检测方法技术

本发明专利技术公开了一种基于神经网络的老年人跌倒检测方法，包括以下步骤：S1、对深度图像数据进行预处理，得到二值图像；S2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型；S3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；S4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；S5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为，本发明专利技术解决了基于传统机器学习的跌倒检测，输入层权值与隐层偏差为随机生成，将会导致消耗神经元数目过多，提取特征结果稳定性差的问题。

【技术实现步骤摘要】
一种基于神经网络的老年人跌倒检测方法
本专利技术属于人体识别
，具体涉及一种基于神经网络的老年人跌倒检测方法。
技术介绍
当前，我国老龄化进程加快。随着年龄增长，人体机能和平衡控制能力下降，导致跌倒风险增加。老年人跌倒容易造成身体伤害，影响日常生活。跌倒检测是实施跌倒保护的基础，并为跌倒伤害评估和及时救助提供支持。跌倒行为检测主要通过传感器感知人体行为数据，对数据进行预处理和特征提取，最终进行跌倒识别。用于跌倒检测的传感器可分为穿戴式传感器和环境感知传感器。穿戴式传感器需要随身佩戴，适用于昼日户外场所。环境感知传感器包括视频、红外和声音等，无需佩戴在身上，适用于卫生间、厨房及卧室等跌倒风险较高的特定空间。传统跌倒检测通常采用机器学习算法，如极限学习机、决策树和隐马尔科夫算法等。Ghojogh等人[Ghojogh.B,Mohammadzade.H,Mokari.M.FisherposesforHumanActionRecognitionUsingKinectSensorData[J].IEEESensorsJournal,2018,18(4):1612-1627.]通过采集人体深度图像，对深度图像进行预处理，提取骨架对齐和尺度变换得到特征向量，使用正则化马氏距离度量识别动作，并利用隐马尔可夫模型识别跌倒行为，准确率达88.64％。深度学习模型因能够自动学习数据特征，在传感器数据充分的情况下，能够取得比传统机器学习方法更好的跌倒检测性能。邓志锋等人[邓志锋,闵卫东,邹松.一种基于CNN和人体椭圆轮廓运动特征的摔倒检测方法[J].图学学报,2018]提出一种基于卷积神经网络(CNN)提取人体运动特征进行跌倒检测的方法。王攀提出一种卷积混合模型极限学习机(CNN-RoELM)，使用卷积神经网络提取人体图像特征，然后利用加权最小二乘法计算鲁棒极限学习机(RoELM)的输出权值，实现跌倒行为检测。基于传统机器学习的跌倒检测，如极限学习机算法中输入层权值与隐层偏差为随机生成，将会导致消耗神经元数目过多，提取特征结果稳定性差等缺点；而深度学习算法则由于图像数据量大、且过于冗余造成模型学习时间过长。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于神经网络的老年人跌倒检测方法解决了基于传统机器学习的跌倒检测，输入层权值与隐层偏差为随机生成，将会导致消耗神经元数目过多，提取特征结果稳定性差的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于神经网络的老年人跌倒检测方法，包括以下步骤：S1、对深度图像数据进行预处理，得到二值图像；S2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型；S3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；S4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；S5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为。进一步地，步骤S1包括以下步骤：S11、采用Kinectv2的红外线CMOS摄像机获取老年人行为动作的深度图像数据；S12、将深度图像数据进行灰度变换，得到灰度图像数据；S13、对灰度图像数据进行去噪和二值化处理，得到二值图像。进一步地，所述步骤S13中对图像去噪的公式为：g(x,y)＝mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)}(1)其中，g(·)为去噪后的像素值，mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)}为通过排序获得的像素中间值，(x,y)为像素点坐标，f(·)为去噪前的像素值，a为像素点的邻域的长，b为像素点的邻域的宽。进一步地，所述步骤S13中对图像进行二值化处理包括以下步骤：S131、设定二值化阈值；S132、将去噪后的图像的像素值与二值化阈值进行比较，将像素值大于阈值的像素赋新值255；将像素值小于阈值的像素赋新值0，得到二值图像。进一步地，所述步骤S3中的特征向量为：其中，h(x*)为特征向量，x*为训练样本预处理后的数据，为优化的ELM神经网络模型中第i个隐藏层节点的输出，ωi为连接N个样本的输入节点和第i个隐层节点的L维权重向量，bi为第i个隐层节点的偏差。进一步地，所述步骤S4中卷积神经网络模型包括：第一卷积层、第二卷积层、第三卷积层、第一池化层、第二池化层、第三池化层、Flatten层、第一全连接层、丢弃层和第二全连接层；所述第一卷积层的输入与优化的ELM神经网络模型的输出通信连接，其输出与第一池化层的输入通信连接；所述第一池化层的输出与第二卷积层的输入通信连接；所述第二卷积层的输出与第二池化层的输入通信连接；所述第二池化层的输出与第三卷积层的输入通信连接；所述第三卷积层的输出与第三池化层的输入通信连接；所述第三池化层的输出与Flatten层的输入通信连接；所述Flatten层的输出与第一全连接层的输入通信连接；所述第一全连接层的输出与丢弃层的输入通信连接；所述丢弃层的输出与第二全连接层的输入通信连接。进一步地，所述第一卷积层包含32个3×3卷积核，所述第二卷积层包含64个3×3卷积核，所述第三卷积层包含128个3×3卷积核；所述第一池化层、第二池化层和第三池化层的特征核尺寸为2×2；所述第一全连接层采用relu作为激活函数；所述第二全连接层采用softmax函数计算跌倒事件的概率。进一步地，所述计算跌倒事件的概率的公式为：其中，F(Xr)为将样本识别为第r类行为的概率，Xr为第r类行为样本对应的特征向量，k为样本标签总数。本专利技术的有益效果为：首先利用粒子群优化算法代替ELM算法输入层权值和隐层偏差随机生成的过程，利用ELM的输入层权值和隐层神经元对输入样本进行非线性映射，避免消耗神经元数目过多、提取特征结果稳定性差等缺点；再将映射后的特征向量输入到卷积神经网络模型中进行特征提取和跌倒状态的概率计算，通过池化层减少了特征数量，有效解决深度学习算法学习时间过长问题，避免过拟合现象，最终进行跌倒行为检测。附图说明图1为一种基于神经网络的老年人跌倒检测方法的流程图；图2为KinectV2采集的深度图像示意图；图3为图像去噪前后效果对比图；图4为二值化处理图像前后效果对比图图5为ELM神经网络模型的结构示意图；图6为卷积神经网络模型的结构示意图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本本文档来自技高网...

【技术保护点】
1.一种基于神经网络的老年人跌倒检测方法，其特征在于，包括以下步骤：/nS1、对深度图像数据进行预处理，得到二值图像；/nS2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型；/nS3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；/nS4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；/nS5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为。/n

【技术特征摘要】
1.一种基于神经网络的老年人跌倒检测方法，其特征在于，包括以下步骤：
S1、对深度图像数据进行预处理，得到二值图像；
S2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型；
S3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；
S4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；
S5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为。


2.根据权利要求1所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S1包括以下步骤：
S11、采用Kinectv2的红外线CMOS摄像机获取老年人行为动作的深度图像数据；
S12、将深度图像数据进行灰度变换，得到灰度图像数据；
S13、对灰度图像数据进行去噪和二值化处理，得到二值图像。


3.根据权利要求2所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S13中对图像去噪的公式为：
g(x,y)＝mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)}(1)
其中，g(·)为去噪后的像素值，mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)}为通过排序获得的像素中间值，(x,y)为像素点坐标，f(·)为去噪前的像素值，a为像素点的邻域的长，b为像素点的邻域的宽。


4.根据权利要求2所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S13中对图像进行二值化处理包括以下步骤：
S131、设定二值化阈值；
S132、将去噪后的图像的像素值与二值化阈值进行比较，将像素值大于阈值的像素赋新值255；将像素值小于阈值的像素赋新值0，得到二值图像。


5.根据权利要求1所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S3中的特征向量为：...

【专利技术属性】
技术研发人员：杨尚明，姜珊，刘勇国，李巧勤，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51