【技术实现步骤摘要】
一种基于可穿戴式传感器及视频监控的跌倒检测方法及系统
[0001]本专利技术涉及一种基于可穿戴式传感器及视频监控的跌倒检测方法及系统，属于深度学习、信号处理
技术介绍
[0002]医院、养老院、居家照顾等领域对人员发生意外跌倒的检测需求不断提升，对于病人、老人等特定人员，在发生跌倒时，需要及时检测到并提供相应的救助，否则可能发生严重的身体损害。近些年,基于深度学习的跌倒检测技术不断发展，长短时记忆网络(Long Short
‑
Term Memory,LSTM)及其变体在基于可穿戴式传感数据的跌倒检测中得到了广泛应用，它能够有效解决时间序列分析中存在的长期依赖问题，提高检测的准确度。时间移位模块(Temporal Shift Module，TSM)采用2D卷积的复杂度能够实现3D卷积的性能，在视频中的时空特征学习上表现出良好的性能。
[0003]LSTM复杂的网络模型能够提高检测精确度，同时也产生了比较大的计算量，延长了推理的时间，占用了更多的硬件计算资源，尤其是当同时检测几百上千人时，这个...
【技术保护点】
【技术特征摘要】
1.一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，包括步骤如下：步骤一：不断接收多个人员可穿戴设备传来的多维传感数据，包括位置参数和姿态参数，其中，姿态参数包括X轴加速度、Y轴加速度、Z轴加速度、X轴角速度、Y轴角速度、Z轴角速度；位置参数包括人员的经度和纬度，将姿态参数进行数据清洗后，传入为每个可穿戴设备准备的一定时长容量的数据缓冲列表；步骤二：当数据缓冲列表数据量达到固定时长时，启动基于GRU的跌倒检测一阶段算法进行分析，依概率方式输出结果，初步判断是否发生跌倒行为；步骤三：如果初步判定发生了跌倒行为，则进入步骤四，并丢弃数据缓冲列表中的前一半数据；否则，直接丢弃数据缓冲列表中的前一半数据，并返回步骤一；步骤四：调用该可穿戴设备对应的摄像头在过去一定时长的监控视频，采用二阶段的基于改进TSM监控视频分析算法对是否发生跌倒进行研判；步骤五：如果仍然判定为发生跌倒行为，则发出实时警报，并返回发生跌倒行为的人员的位置参数及摄像头画面；否则，返回步骤一，重复进行。2.根据权利要求1所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，步骤二中，启动基于GRU的跌倒检测一阶段算法进行分析，依概率方式输出结果，初步判断是否发生跌倒行为，具体是指：将步骤一获取的待检测的姿态参数预处理后输入训练好的一阶段GRU模型进行检测，其中，训练好的一阶段GRU模型构建及训练过程如下：(1)构建一阶段GRU模型：一阶段GRU模型包括多层GRU，每层GRU采用100个记忆单元；(2)构建数据集：数据集分为两大类，包括日常活动和跌倒活动；并对数据集中的数据进行标注；(3)数据集预处理：对于存在噪声干扰的姿态数据即姿态参数，采用数字滤波的方式滤波去除噪音；对于发生了部分数据点丢失或者超出正常数值范围的数据集的数据，则采用线性拟合的方式插补缺失值或者修正异常点；(4)训练一阶段GRU模型：将步骤(3)处理后的数据输入一阶段GRU模型进行训练，获得训练好的一阶段GRU模型。3.根据权利要求1所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，数据采集设备包括三轴加速度传感器和三轴角速度传感器，以200Hz的原始频率实时采集六维传感数据。4.根据权利要求2所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，一阶段GRU模型包括两层GRU，用来提取时间特征，并用于分类。5.根据权利要求1所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，步骤四中，用二阶段的TSM监控视频分析算法对是否发生跌倒进行判断，具体是指：将待检测的监控视频预处理后输入训练好的二阶段TSM监控视频处理模型进行检测，其中，训练好的二阶段TSM监控视频处理模型构建及训练过程如下：a、构建二阶段TSM监控视频处理模型：二阶段TSM监控视频处理模型包括...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。