一种基于声音辅助的可穿戴式老人跌倒检测系统与方法技术方案

本发明专利技术提供一种基于声音辅助的可穿戴式老人跌倒检测方法。方法包括：基于声音辅助的人工智能AI离线跌倒检测训练模型、可穿戴终端中部署声音辅助跌倒检测算法和云端服务器监护告警三部分。系统完成跌倒目标确定、数据采集、数据预处理、AI跌倒模型、AI训练模型和代码转换等功能。旨在原有仅依靠加速度数据进行跌倒检测方法基础上，借助微处理器开发板Arduino Nano 33 BLE Sense麦克风，增加采集跌倒声音和背景噪音样本数据集，应用一个高度优化的微型化机器学习模型，在可穿戴设备终端上实现多数据源融合、具有更高识别率的老人跌倒智能检测系统，该系统运行在小于1MB存储空间的可穿戴式设备终端，最终完成老人跌倒信息告警通知，保障老人生命安全。保障老人生命安全。保障老人生命安全。

【技术实现步骤摘要】
一种基于声音辅助的可穿戴式老人跌倒检测系统与方法


[0001]本专利技术涉及人工智能AI领域中基于声音辅助老人跌倒检测装置，尤其是一种基于声音辅助的可穿戴式老人跌倒检测系统与方法。

技术介绍

[0002]根据第七次全国人口普查数据，我国65岁及以上人口比重达到13.50％。本专利技术源于微型化机器学习TinyML技术应用，TinyML是在毫瓦级功率的微处理器上，实现机器学习的方法、工具与技术。它连接了物联网设备，边缘计算和机器学习。Google公司的机器学习平台 TensorFlow，在单片机低功耗场景为TensorFlow Lite，模型代码由几百KB到几十MB左右；该模型适合可穿戴式终端进行在线跌倒检测，它适配于物联网、智能硬件、Arduino端侧实现老人跌倒检测的低功耗应用。
[0003]本专利技术从传统嵌入式物联网转换到人工智能AI在嵌入式物联网上部署应用，完成了在微处理器开发板Arduino Nano 33BLE Sense上进行基于微机器学习TinyML的跌倒检测算法部署。实现了在原有跌倒检测方法数据集基础上+跌倒声音和背景噪音样本的数据集，应用高度优化的微型化机器学习TinyML模型，实现一个实时运行只有几百KB大小的老人在线跌倒检测系统，将跌倒检测结果发送至绑定手机并完成跌倒信息的监护通知。
[0004]本专利技术提供了是一种基于声音辅助的可穿戴式老人跌倒检测系统与方法，进一步改善了跌倒检测中耗能、跌倒检测精度低和误判和漏判等问题，实现了对检测目标的实时跟踪跌倒检测，在检测目标发生跌倒等意外情况时，能够及时发送消息至亲属或护理人员的手机端进行实时在线监护。因此本专利技术是一项极富挑战性的技术，主要亮点如下：
[0005]1.借助微处理器开发板Arduino Nano 33BLE Sense内置的麦克风，实现实时声音辅助的跌倒检测，降低现有加速度传感器获取数据在跌倒与非跌倒动作之间难以区分和容易造成误判和漏判的风险；
[0006]2.适配微处理器开发板Arduino Nano 33BLE Sense，从传统嵌入式物联网转换到人工智能AI在嵌入式物联网上部署应用，解决了低功耗与在线跌倒检测功能的实时性问题；
[0007]3.适配于微处理器开发板Arduino Nano 33BLE Sense，解决在可穿戴式终端进行在线跌倒识别，实现了移动端、低功耗应用；
[0008]4.硬件+软件+AI算法解决了跌倒算法对大量非跌倒数据造成的分类效果差和产生误报和漏报的问题。

技术实现思路

[0009]为了克服现有技术中的缺陷，实现以上所述专利技术的亮点。在原有加速度传感器跌倒检测系统的基础上，提供一种基于声音辅助的可穿戴式老人跌倒检测系统与方法。在终端Arduino Nano 33BLE Sense开发板实时采集跌倒声音，并对它侦测出来的老人跌倒数据进行判断，完成对老年人可穿戴终端设备进行跌倒检测和告警。本专利技术通过下述方案实现：
一种基于声音辅助的可穿戴式老人跌倒检测系统与方法。该系统包括：AI离线训练跌倒声音检测模块、在线部署在端侧的基于Tiny ML的跌倒算法模块和AI告警监护模块。
[0010]所述AI离线跌倒声音检测训练在原有的加速度跌倒检测方法数据集基础上 +借助微处理器开发板Arduino Nano 33BLE Sense内置麦克风，采集数据并上传数据至机器学习平台，完成目标确定、数据集采集、数据集预处理、设计模型架构、训练模型和转换模型等阶段。
[0011]所述人工智能AI跌倒算法将微型化机器学习Tiny ML模型部署到微处理器开发板Arduino Nano 33BLE Sense上，进行在线跌倒检测和推理，借助微处理器开发板Arduino Nano 33BLE Sense实现声音辅助的实时跌倒检测。
[0012]所述AI实时监护模块将所述跌倒检测结果发送至告警模块完成监护通知。
[0013]所述一种基于声音辅助的可穿戴式老人跌倒检测系统与方法项目流程：
[0014]1.确定监护目标；
[0015]2.搜集数据；
[0016]3.数据预处理；
[0017]4.设计模型架构；
[0018]5.训练模型(考虑过拟合与欠拟合所产生的问题)；
[0019]6.基于Tiny ML的模型转换；
[0020]7.跌倒算法在线运行推断；
[0021]8.评估并排除故障。
[0022]所述的机器学习平台完成设计模型、特征工程、模型训练、模型测试与模型转换等一系列机器学习核心流程，所有数据先进行优化与量化预处理；并将微处理器开发板Arduino Nano 33BLE Sense与微型化机器学习平台连接到一体；重新在微处理器开发板Arduino Nano 33BLE Sense部署微型机器学习模型 TinyML，进行在线跌倒检测模型推理；借助微处理器开发板Arduino Nano 33 BLE Sense进行实时的声音辅助在线跌倒检测。
[0023]一种基于声音辅助的可穿戴式老人跌倒检测系统与方法，包括以下步骤：
[0024]第一步：开发准备(硬件：微处理器开发板Arduino Nano 33BLE Sense；软件：Python 3，TensorFlow Lite；Arduino IDE等)；采集监护老人的跌倒声音和跌倒检测所需其他信号(如加速度)数据集。
[0025]第二步：人工智能AI机器学习平台训练；初始化训练数据、数据预处理、 Keras模型优化前后的参数选择、分类最后结果对比、模型转换、转换代码并生成二进制数据、完成测试流程(传感器数据采集、数据预处理，送到ML解释器、 ML模型预测分类、对预测的结果安装评判标准做出最终的判断)；该模型可以通过最小化以下目标函数来学习：
[0026][0027]其中L是损失函数，θ是网络参数，R(θ)是避免过拟合的正则化项；损失函数基于交叉熵：
[0028][0029]其中X是fcnn最后一个卷积层的输出(又名特征图)，s
y
表示标记为输入的集合类，
f
sim
是用于测量的相似度函数两个输入之间的距离。
[0030]第三步：可穿戴式终端硬件部署；跌倒算法在离线测试完成后，重新在微处理器开发板Arduino Nano 33BLE Sense进行在线跌倒算法部署并进行跌倒检测及推理。
[0031]第四步：对所述对象完成实时的推理跌倒检测结果；借助微处理器开发板 Arduino Nano 33BLE Sense实现声音辅助的实时跌倒检测。
[0032]第五步：将所述的跌倒检测结果以多种告警方式(短信或微信)发送至绑定的手机，完成跌倒信息的监护通知。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所使用的附图作简单的介绍。
[0034]图1一种基于声音辅助的可穿戴式老人跌倒检测系统与方法的框架图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声音辅助的可穿戴式老人跌倒检测系统与方法，其特征在于：在个人计算机PC上进行人工智能AI跌倒算法的离线训练；可穿戴式终端上在线部署AI跌倒检测算法模块和云平台实施跌倒信息的监护通知系统。所述基于声音辅助的可穿戴式老人跌倒检测系统及方法，首先在个人计算机PC上进行人工智能AI跌倒算法的离线训练，完成将所述AI跌倒算法部署到可穿戴式跌倒终端上，并进行模型的在线检测，最后通过所述云平台跌倒监护系统将跌倒检测结果通过短信或微信发送至绑定手机，完成对老人跌倒信息的监护通知。所述AI训练的老人跌倒检测方法用公开数据集进行跌倒算法训练，借助微处理器开发板Arduino Nano 33BLE Sense内置麦克风采集跌倒声音数据并上传数据到微型化机器学习平台。所述AI部署将微型化机器学习模型重新部署回微处理器开发板Arduino Nano 33BLE Sense上，进行跌倒算法的在线检测。所述AI实时监护模块将跌倒检测结果发送至绑定手机完成跌倒信息的监护通知，完成跌倒告警。2.根据权利要求1所述的一种基于声音辅助的可穿戴式老人跌倒检测系统与方法，其特征在于，完成老人跌倒检测目标、搜集跌倒和日常活动数据集、设计机器学习模型架构、训练模型与转换模型的机器学习过程；在PC机上进行离线跌倒模型建立和算法训练，TensorFlow Lite在单片机Arduino Nano 33BLE Sense上进行低功耗应用适配；运用TensorFlow Lite平台，配置到可穿戴式终端(微处理器开发板Arduino Nano 33BLE Sense)上实现在线跌倒检测。3.根据权利要求2所述的一种基于声音辅助的可穿戴式老人跌倒检测系统与方法，其特征在于，AI跌倒算法首先在PC中运行TensorFlow，设计机器学习模型解决跌倒算法训练和快速推理过程，没有考虑可穿戴式模块的计算能力和功耗问题；而在微处理器Arduino Nano 33BLE Sense开发板上，需考虑该可穿戴式终端的低计算能力和节能问题；所述从搜集数据并确定跌倒检测目标、经过模...

【专利技术属性】
技术研发人员：潘巨龙，李艳丽，方堃，左正魏，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：