【技术实现步骤摘要】
无监督跌倒监测系统及其方法
[0001]本公开涉及智能监测的领域，尤其涉及无监督跌倒监测系统及其方法。
技术介绍
[0002]世界卫生组织报告，跌倒是造成意外伤害死亡的第二大原因，60岁以上成年人跌倒的死亡率最高。随着人口老龄化的程度不断深化，可能会发生更多的老年人跌倒事件和跌倒导致的死亡。在一项针对90岁以上老人摔倒的调查研究种发现，82％的老人在独自一个人的时候跌倒，并且80％的人跌倒后无法站起来，跌倒后长时间躺在地下可能会出现体温过低、脱水、肺炎等并发症而增大跌倒的风险，因此，老人跌倒后的及时发现有重要意义。
[0003]目前，跌倒监测相关的研究通常基于可穿戴设备和非接触式设备。常见的穿戴式设备有陀螺仪和加速度计等，然而，传感器需要长时间佩戴在人身上，会给人体带来不适感，可能会限制老年人的日常生活。基于计算机视觉的方法由于其设备安装简单，运动表征比较直观，在摔倒监测领域得到了广泛的研究和应用；但此类方法应用时通常会受到光线的影响，因为，普通摄像机可能无法在黑暗中工作，并且存在泄露用户隐私的风险。基于雷达的跌倒探...
【技术保护点】
【技术特征摘要】
1.一种无监督跌倒监测系统，其特征在于，包括：采集模块，用于采集测试对象预设时间段内的第一动作信号和监护对象预设时间段内的第二动作信号，其中，所述第一动作信号为非跌倒动作对应的动作信号；特征提取模块，用于提取所述第一动作信号和所述第二动作信号的特征；预测模块，用于将所述第一动作信号和所述第二动作信号的特征在时间维度上划分为前段、中段和后段；将所述第一动作信号前段和后段的特征作为输入，预测所述第一动作信号中段的特征，得到第一预测特征，并提取所述第一动作信号中段的特征，得到第一真实特征，根据所述第一预测特征与所述第一真实特征之间的误差，计算所述测试对象中段特征的总异常得分，根据所述测试对象的总异常得分计算阈值；将所述第二动作信号前段和后段的特征作为输入，预测所述第二动作信号中段的特征，得到第二预测特征，并提取所述第二动作信号中段的特征，得到第二真实特征，根据所述第二预测特征与所述第二真实特征之间的误差，计算所述监护对象中段特征的总异常得分，当所述监护对象的总异常得分大于所述阈值时，判断所述监护对象为跌倒。2.根据权利要求1所述的无监督跌倒监测系统，其特征在于，所述采集模块为毫米波雷达，利用毫米波雷达的多发射通道和多接收通道的空间多样性，模拟虚拟阵列天线接收信号，将所述接收信号采用二维快速傅里叶变换计算得到总的距离速度图，所述总的距离速度图即为所述第一动作信号或第二动作信号。3.根据权利要求2所述的无监督跌倒监测系统，其特征在于，所述特征提取模块包括：编码器，用于对所述总的距离速度图进行编码压缩，并提取所述第一动作信号和所述第二动作信号的特征；解码器，用于将所述编码器输出的压缩后的所述总的距离速度图进行恢复。4.根据权利要求1所述的无监督跌倒监测系统，其特征在于，所述预测模块中采用基于深度神经网络的结构，预测所述第一预测特征或第二预测特征。5.一种无监督跌倒监测方法，采用上述权利要求1
‑
4中任一项所述的无监督跌倒监测系统进行监测，其特征在于，包括：通过所述采集模块采集多个所述测试对象预设时间段内的第一动作信号和所述监护对象预设时间段内的第二动作信号，多个所述测试对象形成训练集样本，其中所述第一动作信号为非跌倒动作对应的动作信号；将所述第一动作信号或第二动作信号输入所述特征提取模块，提取所述第一动作信号或第二动作信号的特征；将所述第一动作信号和所述第二动作信号的特征在时间维度上划分为前段、中段和后段；将所述第一动作信号前段和后段的特征输入至所述预测模块，预测所述第一动作信号中段的特征，得到第一预测特征，并提取所述第一动作信号中段的特征，得到第一真实特征，根据所述第一预测特征与所述第一真实特征之间的误差，计算所述测试对象中段特征的总异常得分，根据所述测试对象的总异常得分计算阈值；将所述第二动作信号前段和后段的特征输入所述预测模块，预测所述第二动作信号中段的特征，得到第二预测特征，并提取所述第二动作信号中段的特征，得到第二真实特征，根据所述第二预测特征与所述第二真实特征之间的误差，计算所述监护对象中段特征的总
异常得分，当所述监护对象的总异常得分大于所述阈值时，判断所述监护对象为跌倒。6.根据权利要求5所述的无监督跌...
【专利技术属性】
技术研发人员：方震，姚奕成，张浩，王鹏，杜利东，陈贤祥，
申请(专利权)人：中国科学院空天信息创新研究院，
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。