一种基于深度学习的跌倒检测系统技术方案

本发明专利技术公开了一种基于深度学习的跌倒检测系统，包括终端侧、云端侧，终端侧包括数据采集模块、通信模块，云端侧包括云管理平台、数据分析模块；数据采集模块用于采集三轴加速度数据和三轴旋转角速度数据；通信模块用于将三轴加速度数据和三轴旋转角速度数据发送给云管理平台；云管理平台将接收到的三轴加速度数据和三轴旋转角速度数据发送至数据分析模块，数据分析模块根据接收的数据进行判断用户是否发生跌倒，若判定为跌倒，云管理平台将发送警报信息；所述数据分析模块采用基于CNN

【技术实现步骤摘要】
一种基于深度学习的跌倒检测系统


[0001]本专利技术属于跌掉检测
，具体涉及一种基于深度学习的跌倒检测系统。

技术介绍

[0002]当前我国已经进入老龄化社会，老年人口占比与日俱增。相当多的老人独居家中，对于独居老人，一旦发生跌倒，如果不能及时被人发现并采取相应的救护措施，往往可能会引起骨折、出血、神经损伤、瘫痪等严重的身体伤害。受生育率下降和人口预期寿命延长的影响，近年来中国人口老龄化程度提高，老年抚养比和老年人口占总人口的比重逐渐上升。未来，中国人口老龄化程度还将继续提高。跌倒会造成多器官损伤,如脑部、软组织、骨折和关节脱臼等,是老年人致残或死亡的重要原因之一。跌倒也会伤害老年人的尊严和自信,特别是当跌倒发生在其他人面前并且需要他人搀扶时。
[0003]目前的人体跌倒检测装置大致分为三类：第一类是由用户主动触发的装置，需要老人在摔倒后仍能具有清醒的意识来触发按钮报警；第三类主要通过摄像头进行检测识别，用户体验更为良好但检测范围受限，一般局限于室内；第三类主要由装置内的传感器触发的报警装置，佩戴者的活动范围较为广泛。第三类跌倒检测装置由于对活动范围较少限制，随着可穿戴技术和物联网技术的发展渐渐成为主流，目前在这一类装置中最主要的做法是通过三轴的传感器或陀螺仪完成加速度的三维建轴，然后根据不同的算法来进行数据的处理，最终进行跌倒判断。在这些检测算法中，最直接的做法是采用阈值法，即三个轴向的加速度超过某一阈值时判定为跌倒。基于阈值的跌倒检测容易实现，计算效率高，但是对不同个体的容错性较差，检测精度较低。
[0004]如申请号为CN202010994202.8的中国专利公开了一种跌倒检测方法、系统、终端以及存储介质。所述方法包括：从被监测者的运动数据中提取合加速度和姿态角数据；对所述被监测者跌倒过程中的合加速度进行采样分析，根据所述跌倒过程中合加速度的波形变化速率和波谷谷值识别出所述被监测者的类跌倒动作；根据所述姿态角数据识别所述类跌倒动作的跌倒方向，并根据各个跌倒方向的姿态角限制阈值判定所述类跌倒动作是否属于真正的跌倒动作。该方案虽然能够在跌倒预警前置时间内快速识别出被监测者的跌倒动作，但该方案仍旧是通过阈值法去判断是否发生跌倒，因此容错性较差，检测精度较低。

技术实现思路

[0005]目前随着人工智能技术的发展，越来越倾向于使用更加复杂的算法来提高人体跌倒行为的检测精度，因此为了解决现有跌倒检测方法的容错性较差以及检测精度低的问题，本专利技术提供了一种基于深度学习的跌倒检测系统。
[0006]本专利技术采用以下技术方案：一种基于深度学习的跌倒检测系统，包括终端侧、云端侧，终端侧包括数据采集模块、通信模块，云端侧包括云管理平台、数据分析模块；
[0007]数据采集模块包括穿戴于用户的加速度传感器，用于采集三轴加速度数据和三轴旋转角速度数据；
[0008]通信模块，用于将三轴加速度数据和三轴旋转角速度数据发送给云管理平台；
[0009]云管理平台将接收到的三轴加速度数据和三轴旋转角速度数据发送至数据分析模块，数据分析模块根据接收的数据进行判断用户是否发生跌倒，若判定为跌倒，云管理平台将发送警报信息；
[0010]所述数据分析模块采用基于CNN
‑
Pred网络的跌倒判断模型，该模型包括编码层、解码层，分类器，所述编码层用于对三轴加速度数据以及三轴旋转角速度数据进行编码以得到时空数据；所述解码层用于将编码得到的时空数据进行还原；所述分类器用于对解码层的输出进行分类判断，以获取用户是否跌倒的判断结果。
[0011]作为优选方案，编码层、解码层均包括Causal LSTM和GHU高速通道，其中编码层还包括CNN卷积采样层，解码层还包括反卷积层。
[0012]作为优选方案，使用L秒相续的三轴加速度数据和三轴旋转角速度数据作为跌倒判断模型输入，该条数据的采样频率为jHz，共j*L个采样点，将该条数据切为n片，每一片之间具有时间信息的关联，对于每一片秒的信息，截取得到包含个采样点的数据，输出一个0到1的结果，即跌倒判断模型根据过去j*L个加速度数据和三轴旋转角速度数据判断当前发生跌倒的概率，其中10≤L≤20，50≤j≤200，3≤n≤10。
[0013]作为优选方案，编码层共有n个时刻的数据输入以及三层网络结构；
[0014]三层网络结构中第一层对每一时刻的数据用CNN进行1*1采样，再通过Causal LSTM层对采样结果进行一系列线性与非线性变换，后两层则对上一时刻的输入和空间状态信息用CNN进行3*3的降采样提取特征信息，并从降维后的信息中提取时空信息。
[0015]作为优选方案，解码层是编码的逆过程，将编码得到的时空信息通过Causal LSTM层处理，再利用反卷积层对信息进行还原。
[0016]作为优选方案，分类器对解码层的输出进行分类判断，且分类器使用pytorch中自带的ResNet18基础网络模型完成分类任务，该网络共包含17个卷积层和1个全连接层。
[0017]作为优选方案，Causal LSTM共有三层结构，Causal LSTM的第一层结构输出为由t时刻的输入X
t
、前一时刻的输出响应前一时刻的共同决定，其中K为隐藏层层数，C为时间状态，包含时间维度信息：
[0018][0019][0020]式中：f
t
为遗忘门，i
t
为输入门，g
t
为临时长期记忆状态，σ(
·
)表示sigmoid函数：σ(x)＝1/(1+e
‑
x
)，W1表示神经元内部第一个循环权值矩阵，表示向量之间的哈达玛积。
[0021]作为优选方案，Causal LSTM的第二层结构输出为由X
t
、当前时刻和上一层的共同决定，其中M为空间状态，包含空间维度信息：
[0022][0023][0024]式中：f
t
'为遗忘门，i'
t
为输入门，g
’
t
为临时长期记忆状态，W2表示神经元内部第二个循环权值矩阵，W3表示神经元内部第三个循环权值矩阵。
[0025]作为优选方案，Causal LSTM的第三层结构为输出层，输出为由t时刻时间状态空间状态以及输入X
t
共同决定：
[0026][0027][0028]式中，W4表示神经元内部第四个循环权值矩阵，W5表示神经元内部第五个循环权值矩阵，o
t
为临时状态。
[0029]作为优选方案，GHU高速通道的输入包括X
t
、Z
t
‑1，其中X
t
为第一层Casual LSTM的输出Z
t
‑1为前一个时刻的GHU的输入，即连接了当前时刻以及前一个时刻的输入，使得传播的距离缩短：
[0030]P
t
＝tanh(W
px
*本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的跌倒检测系统，其特征在于，包括终端侧、云端侧，终端侧包括数据采集模块、通信模块，云端侧包括云管理平台、数据分析模块；数据采集模块包括穿戴于用户的加速度传感器，用于采集三轴加速度数据和三轴旋转角速度数据；通信模块，用于将三轴加速度数据和三轴旋转角速度数据发送给云管理平台；云管理平台将接收到的三轴加速度数据和三轴旋转角速度数据发送至数据分析模块，数据分析模块根据接收的数据进行判断用户是否发生跌倒，若判定为跌倒，云管理平台将发送警报信息；所述数据分析模块采用基于CNN
‑
Pred网络的跌倒判断模型，该模型包括编码层、解码层，分类器，所述编码层用于对三轴加速度数据以及三轴旋转角速度数据进行编码以得到时空数据；所述解码层用于将编码得到的时空数据进行还原；所述分类器用于对解码层的输出进行分类判断，以获取用户是否跌倒的判断结果。2.根据权利要求1所述的一种基于深度学习的跌倒检测系统，其特征在于，编码层、解码层均包括Causal LSTM和GHU高速通道，其中编码层还包括CNN卷积采样层，解码层还包括反卷积层。3.根据权利要求2所述的一种基于深度学习的跌倒检测系统，其特征在于，使用L秒相续的三轴加速度数据和三轴旋转角速度数据作为跌倒判断模型输入，该条数据的采样频率为jHz，共j*L个采样点，将该条数据切为n片，每一片之间具有时间信息的关联，对于每一片秒的信息，截取得到包含个采样点的数据，输出一个0到1的结果，即跌倒判断模型根据过去j*L个加速度数据和三轴旋转角速度数据判断当前发生跌倒的概率，其中10≤L≤20，50≤j≤200，3≤n≤10。4.根据权利要求3所述的一种基于深度学习的跌倒检测系统，其特征在于，编码层共有n个时刻的数据输入以及三层网络结构；三层网络结构中第一层对每一时刻的数据用CNN进行1*1采样，再通过CausalLSTM层对采样结果进行一系列线性与非线性变换，后两层则对上一时刻的输入和空间状态信息用CNN进行3*3的降采样提取特征信息，并从降维后的信息中提取时空信息。5.根据权利要求4所述的一种基于深度学习的跌倒检测系统，其特征在于，解码层是编码的逆过程，将编码得到的时空信息通过Causal LSTM层处理，再利用反卷积层对信息进行还原。6.根据权利要求5所述的一种基于深度学习的跌倒检测系统，其特征在于，分类器对解码层的输出进行分类判断，且分类器使用pytorch中自带的ResNet18基础网络模型完成分类任务，该网络共包含17个卷积层和1个全连接层。7.根据权利要求6所述的一种基于深度学习的跌倒检测方法，其特征在于，Causal LSTM共有三层结构，Causal LSTM的第一层结构输出为由t时刻的输入X
t
、前一时刻的输出响应前一时刻的共同决...

【专利技术属性】
技术研发人员：王嘉乐，吴江，戴燕云，占敖，吴呈瑜，何雪兰，程维维，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：