本发明专利技术涉及传感器检测技术领域，公开了一种基于可穿戴传感器的跌倒检测方法和系统。本发明专利技术通过采集人体正常行走和跌倒状态下传感器信号，构成初始时间序列数据集，并对其集进行预处理，将处理后的数据集划分成训练集和测试集；用训练集构建SeqTCN跌倒检测预训练模型；将测试集评价SeqTCN跌倒检测模型的预测效果得到SeqTCN跌倒检测模型，用于实时监测人体的运动状态。本发明专利技术构建的SeqTCN跌倒检测模型利用了时间卷积网络捕捉有效长时间序列特征的能力，增加了跌倒检测系统的检测精度、减少了误报率；而且成本较低，能够更好地满足老年客户群体的需求，为老年人群体提供更好的生活质量和安全保障。质量和安全保障。质量和安全保障。
【技术实现步骤摘要】
基于可穿戴传感器的跌倒检测系统及方法
[0001]本专利技术涉及传感器检测
，尤其涉及一种基于可穿戴传感器的跌倒检测系统及方法。
技术介绍
[0002]随着人口老龄化的发展，老年人口占比迅速增加。跌倒已经成为导致老年人受伤甚至死亡的主要原因，如果能够在老年人发生跌倒的最短时间内检测出跌倒并发出警报，将会大大减少跌倒对老年人的后续伤害，降低老年人的死亡风险。
[0003]跌倒检测系统根据设备的不同主要分为三类：基于环境传感器、基于计算机视觉、基于可穿戴传感器。基于环境传感器的跌倒检测系统通过在环境中布置传感器(红外、雷达等)来获取数据进行跌倒检测，这类系统易受周边环境的影响，且部署成本较高。基于计算机视觉的跌倒检测系统通过处理摄像头采集到图像数据进行跌倒检测，这类系统易受遮挡、光照等因素的影响，且存在隐私问题。基于可穿戴传感器的跌倒检测系统通过加速度传感器、压力传感器等采集人体动力数据来进行跌倒检测，解决了隐私问题，且成本较低，但此类系统通常采用较少种类的传感器设备，测量精度较低，适应性也比较差。
[0004]跌倒检测可以视为一个二分类问题，使用传统的机器学习方法处理跌倒数据，需要手动提取特征，较为复杂。随着机器学习的发展，人们发现深度学习能够自主地从大量数据中学习和提取各种特征，不再需要对数据进行手工特征分析，且学习能力更强大。在跌倒检测中使用较多的深度学习模型有卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short
‑
Term Memory,LSTM)等网络模型。CNN通过不同层的卷积操作提取不同的特征，通过权值共享减少网络中的可训练参数，通过池化操作减少模型中的神经元个数，因此，CNN的局部连接、权值共享、池化操作使其能够处理较复杂的分类问题，但因为它的局部性使得它无法充分挖掘时序数据间的前后关联性。RNN和LSTM适合处理时间序列数据，能够挖掘时序数据之间的前后依赖关系，但它们存在历史信息遗忘问题，无法挖掘较长序列间潜在的关系。
技术实现思路
[0005]为了减少现有跌倒检测系统在使用时存在误报的问题，提高跌倒检测系统检测的准确率，提供一种基于可穿戴传感器的跌倒检测系统及方法。
[0006]一种基于可穿戴传感器的跌倒检测方法，包括以下步骤：
[0007]采集人体正常行走和跌倒状态下传感器信号，构成初始时间序列数据集；
[0008]将初始时间序列数据集在时间轴上进行窗口划分，得到样本：Y＝{Y1,Y2,...,Y
m
}(Y
i
＝X
w
×
n
)
[0009]其中，m为样本个数，w为窗口大小，n代表每个采样点的特征数；
[0010]对样本进行预处理，将处理后的数据集按照预设的比例划分成训练集和测试集；
[0011]用训练集构建由基于因果膨胀卷积的时序卷积块堆叠而成的SeqTCN跌倒检测预
训练模型；
[0012]将测试集作为SeqTCN跌倒检测预训练模型输入，评价SeqTCN跌倒检测模型的预测效果，得到SeqTCN跌倒检测模型；
[0013]将SeqTCN跌倒检测模型部署到移动终端App端和具有云端存储功能的服务器平台上实时监测人体的运动状态。
[0014]构成初始时间序列数据集的特征值包括人体左右脚的足底压力值、人体左右脚三轴的加速度值、人体左右脚三轴的角速度值和人体左右脚三轴的方位角。
[0015]对样本进行预处理，将处理后的数据集按照预设的比例划分成训练集和测试集，具体为：
[0016]对样本中每一个时间序列Y
i
进行归一化处理；
[0017]按照预设的batch size将归一化后的数据处理为X.shape＝[batch size,w,n]；
[0018]将处理后的数据集按照预设的比例划分成训练集和测试集。
[0019]用训练集构建由基于因果膨胀卷积的时序卷积块堆叠而成的SeqTCN跌倒检测模型，具体为：
[0020]首先将X＝{X
norm1
,X
norm2
,...,X
normw
}作为SeqTCN跌倒检测模型的输入，进行膨胀因果卷积计算，计算公式如下：
[0021][0022]其中，i表示时间卷积网络的层数，s(n)表示第i+1层的第n个元素处的膨胀因果卷积计算，k表示滤波器大小，d表示膨胀因子，n
‑
d
·
i描述了过去的方向；
[0023]为解决SeqTCN跌倒检测预训练模型的深层网络中容易出现的梯度消失、梯度爆炸的问题，引入残差网络，实现卷积的跨层连接，公式如下：
[0024]H(x)＝F(x)+x
[0025]其中，x表示原始输入，F(x)表示经过卷积后的输出；
[0026]同时，使用GELU作为激活函数，激活函数只作用于残差求和中的一项；
[0027]同时，使用Layer Norm，避免SeqTCN跌倒检测预训练模型自身对Batch Size的依赖；
[0028]最后，取输出序列选择后k项连接为总的特征，输入全连接层进行分类，由softmax函数输出预测结果，函数定义如下：
[0029][0030]其中，x
i
为第i个神经元的输出，
K
为输出序列的个数，表示所有数值的和。
[0031]所述时序卷积块由两层因果膨胀卷积、两层非线性映射以及一次残差连接构成；
[0032]每层因果膨胀卷积均加入了Weight Norm对权重进行归一化，再加入Dropout来正则化网络；
[0033]非线性映射采用Leaky Relu激活函数。
[0034]所述的对SeqTCN跌倒检测模型做出评价，具体为：
[0035]通过准确率、精确率和召回率三个评价指标来评价；
[0036]评价标准为准确率越高，精确率最大和召回率最高的模型为优选模型。
[0037]一种基于可穿戴传感器的跌倒检测系统，包括数据采集模块、数据处理模块、模型构建模块和实时监测模块；
[0038]数据采集模块，用于采集人体正常行走和跌倒状态下传感器信号，构成初始时间序列数据集；
[0039]数据处理模块，用于将初始时间序列数据集在时间轴上进行窗口划分，得到样本：Y＝{Y1,Y2,...,Y
m
}(Y
i
＝X
w
×
n
)，对样本进行预处理，将处理后的数据集按照预设的比例划分成训练集和测试集，用于模型的训练；
[0040]模型构建模块，用于训练集构建由基于因果膨胀卷积的时序卷积块堆叠而成的SeqTCN跌倒检测预训练模型，将测试集作为SeqTCN跌倒检测预本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于可穿戴传感器的跌倒检测方法，其特征在于，包括以下步骤：采集人体正常行走和跌倒状态下传感器信号，构成初始时间序列数据集；将初始时间序列数据集在时间轴上进行窗口划分，得到样本：Y＝{Y1,Y2,...,Y
m
}(Y
i
＝X
w
×
n
)其中，m为样本个数，w为窗口大小，n代表每个采样点的特征数；对样本进行预处理，将处理后的数据集按照预设的比例划分成训练集和测试集；用训练集构建由基于因果膨胀卷积的时序卷积块堆叠而成的SeqTCN跌倒检测预训练模型；将测试集作为SeqTCN跌倒检测预训练模型输入，评价SeqTCN跌倒检测模型的预测效果，得到SeqTCN跌倒检测模型；将SeqTCN跌倒检测模型部署到移动终端App端和具有云端存储功能的服务器平台上实时监测人体的运动状态。2.根据权利要求1所述的基于可穿戴传感器的跌倒检测方法，其特征在于，构成初始时间序列数据集的特征值包括人体左右脚的足底压力值、人体左右脚三轴的加速度值、人体左右脚三轴的角速度值和人体左右脚三轴的方位角。3.根据权利要求1所述的基于可穿戴传感器的跌倒检测方法，其特征在于，对样本进行预处理，将处理后的数据集按照预设的比例划分成训练集和测试集，具体为：对样本中每一个时间序列Y
i
进行归一化处理；按照预设的batch size将归一化后的数据处理为X.shape＝[batch size,w,n]；将处理后的数据集按照预设的比例划分成训练集和测试集。4.根据权利要求1所述的基于可穿戴传感器的跌倒检测方法，其特征在于，用训练集构建由基于因果膨胀卷积的时序卷积块堆叠而成的SeqTCN跌倒检测模型，具体为：首先将X＝{X
norm1
,X
norm2
,...,X
normw
}作为SeqTCN跌倒检测模型的输入，进行膨胀因果卷积计算，计算公式如下：其中，i表示时间卷积网络的层数，s(n)表示第i+1层的第n个元素处的膨胀因果卷积计算，k表示滤波器大小，d表示膨胀因子，n
‑
d
·
i描述了过去的方向；为解决SeqTCN跌倒检测预训练模型的深层网络中容易出现的梯度消失、梯度爆炸的问题，引入残差网络，实现卷积的跨层连接，公式如下：H(x)＝F(x)+x其中，x表示原始输入，F(x)表示经过卷积后的输出；同时，使用GELU作为激活函数，激活函数只作用于残差求和中的一项；同时，使用Layer Norm，避免Se...
【专利技术属性】
技术研发人员：李勇军，黄天歌，纪雨鑫，
申请(专利权)人：西北工业大学，
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。