【技术实现步骤摘要】
变异粒子群算法与卷积神经网络的跌倒检测方法及系统
[0001]本专利技术属于人体跌倒检测识别
,具体涉及变异粒子群算法与卷积神经网络的跌倒检测方法及系统。
技术介绍
[0002]目前,跌倒已经成为我国65岁以上老年人因伤致死的首位原因。及时发现跌倒情况的发生并发出求助信号,不仅可以为伤者争取最佳救治时间,而且可以避免可能出现的二次伤害。因此采取行之有效的跌倒检测技术显得尤为重要。
[0003]从跌倒检测方法可分为基于穿戴式传感器、基于环境式和基于视频图像的检测方法。基于穿戴式传感器跌倒检测方法需要使用者长时间佩戴,可能出现佩戴不适、频繁充电、忘记佩戴等问题;基于环境式的检测方法设备造价成本高并且容易受环境中声光信号的干扰,导致误测率大;基于视频图像的检测方法不需要穿戴、价格便宜,但是其模型结构复杂、运算时间较长。基于视频图像进行跌倒检测的方法如公开号CN113435306A采用混合级联卷积跌倒检测的方法充分利用时空信息整合模块提取的信息进行检测;如公开号CN114120370A采用卷积神经网络和长短期记忆网络来提高人体跌倒检测的正确率,但是增大模型规模往往会导致模型运算时间的大量增加,不利于移植和应用。
[0004]因此,研究一种无需使用者穿戴,识别准确率高,可以移植性强的人体跌倒行为检测方法,具有重大的研究价值和现实意义。
技术实现思路
[0005]本专利技术的目的在于提供变异粒子群算法与卷积神经网络的跌倒检测方法及系统,在无需穿戴、低成本、无需增加模型规模的情况下,提高跌倒模 ...
【技术保护点】
【技术特征摘要】
1.变异粒子群算法与卷积神经网络的跌倒检测方法,包括以下步骤,其特征在于:S1、建立基于卷积神经网络的跌倒检测模型,所述步骤S1包括:步骤S11:获取和标注人体跌倒行为数据集;步骤S12:选取和微调卷积神经网络模型;S2、利用变异粒子群算法对基于卷积神经网络的跌倒检测模型的参数进行优化;S3、将全局最优解对应的参数赋值给基于卷积神经网络的跌倒检测模型;S4、将初始化后的卷积神经网络进行迭代训练,得到训练好卷积神经网络模型;S5、验证基于变异粒子群算法与卷积神经网络的跌倒检测模型,S5步骤包括:步骤S51:判断基于变异粒子群算法与卷积神经网络的跌倒检测模型是否达到指定精度,若没有达到跳转步骤S2;步骤S52:保存模型。2.根据权利要求1所述的变异粒子群算法与卷积神经网络的跌倒检测方法,其特征在于:所述S2的具体步骤如下:步骤S21:根据卷积神经网络的损失函数确定粒子群的适应度函数;步骤S22:根据卷积神经网络的拓扑结构对其权值和阈值进行编码排序;步骤S23:根据编码长度确定粒子的维度,并对粒子群数量、惯性权重、学习参数和最大迭代次数进行初始化;步骤S24:采用随机数粒子群的初始位置、初始速度、个体最优位置和全局最优位置、进行初始化;初始化方式如下:x
i
=(x
max
‑
x
min
)*rand+x
min
v
i
=(v
max
‑
v
min
)*rand+v
min
式中:v
i
和x
i
分别为第i个粒子的速度和位置,x
max
和x
min
表示位置的最大和最小值,v
max
和v
min
表示速度的最大和最小值。步骤S25:判断是否达到变异条件;若没达到跳转步骤S2.7;步骤S26:用随机数对余弦相似度大于平均余弦相似度的粒子进行变异,基于余弦相似度变异策略示意图如图一所示;余弦相似度和平均余弦相似度的计算公式如下:意图如图一所示;余弦相似度和平均余弦相似度的计算公式如下:式中:gbest为当前迭代的全局最优解,x
i
为第i个粒子的位置。步骤S27:根据上一代粒子的速度和位置更新当前迭代的粒子的速度和位置;速度和位置迭代更新公式可以描述为:为:式中N为初始粒子数,和分别测量第i个粒子在第k+1次迭代时的速度和位置。ω表示惯性权重,反映了前一个速度对当前速度的影响,c1和c2表示加速度因子通常用两个实数表示,r1和r2是区间(0,1)中的两个随机数。
步骤S28...
【专利技术属性】
技术研发人员:熊爱民,周超维,肖捷,赖靖豪,
申请(专利权)人:清远华云智控科技有限公司,
类型:发明
国别省市:
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。