System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及跌倒检测与告警,更具体地,涉及一种基于机器学习算法敏捷开发的跌倒预防与检测系统。
技术介绍
1、老年人是跌倒高危人群,跌倒是中国60岁及以上老年人因伤害就诊的首位原因。因此,迫切需要跌倒发生前的可行性预防告警服务,以及低成本跌倒事件检测方案,以便及时告警进而对老人送医诊治。
2、现有市场上的跌倒检测救助系统,主要分为三类:基于可穿戴式设备;基于视觉传感器;基于环境传感器。基于视觉传感器的方式,虽取得了较好效果,但应用摄像头采集用户数据存在隐私问题,此外由于跌倒发生的场景分为室内与室外,单个摄像头的覆盖范围有限,若为达到好的检测效果而增加传感器数量,则存在成本增高的局限。基于环境传感器的跌倒检测系统,大多以红外信号或雷达信号进行人体状态分析,在隐私性问题上有了较大改观,但仍然受限于传感器的室内覆盖范围,难以室外使用,传感器信号强度也同样影响算法精度。
3、但上述两种跌倒检测方案为实时性检测方案,由于其检测基于即时事件,即跌倒实际发生后,通过图像或物理信号的异常进行跌倒发生告警,进而实行救助,而较难利用人体的历史生理数据进行预防性告警。
4、现有的跌倒技术解决方案:1.重点在于跌倒发生时的检测,未提出有效减缓或预防跌倒发生的方法;2.适用场景有限,成本居高不下,远远不能适应广大低收入老年人群;3.由于用户个体之间生理机能存在差异,因此需要针对个体用户数据进行模型的训练和模型迭代,而现有的算法模型更新迭代方式欠缺灵活性和敏捷度,开发成本高。
5、2011年7月20日公开的中
技术实现思路
1、鉴于上述问题,本专利技术的目的是提供一种基于机器学习算法敏捷开发的跌倒预防与检测系统。
2、所述系统包括:加速度传感器、心率传感器、云端处理器、本地敏捷开发处理器、存储器;所述加速度传感器检测用户的加速度,心率传感器检测用户的心率数据,并将检测的实时数据发送至云端处理器、本地敏捷开发处理器、存储器;
3、云端处理器根据存储器中的历史心率数据,利用心率预测网络模型对用户心率数据进行预测,得到用户的预测心率数据;
4、云端处理器根据预测心率数据以及历史心率数据,利用运动量衰减预警模型计算用户心率的衰减率,若衰减率低于预设的衰减阈值,则判定用户处于正常状态,若衰减率高于预设的衰减阈值,则判定用户当前处于运动量衰减状态;并发出运动衰减预警;
5、本地敏捷开发处理器根据用户的加速度,利用跌倒检测算法模型检测用户的当前状态,
6、若检测结果为跌倒且心率大幅上升时,查询跌倒前预设时间内是否有运动量衰减预警,若有至少两条预警,且用户未处理,则发送告警信号给监护人;
7、若检测结果为跌倒但同时心率未大幅上升,则向用户发送信息,用于确定是否发生跌倒;若用户确认未跌倒,则将对应用户的加速度数据回收;若用户确认跌倒,或超过预设确认时间仍未确认,则发出告警信号给监护人。
8、优选地,所述心率预测网络模型为lstm心率预测网络模型;
9、所述利用心率预测网络模型对用户心率数据进行预测,包括:
10、构建并训练lstm心率预测网络模型;
11、将历史心率数据输入lstm心率预测网络模型,预测未来一段时间内用户的心率,得到用户的心率预测数据。
12、优选地,所述lstm心率预测网络模型包括依次连接的输入层、第一lstm网络层、第二lstm网络层、第三lstm网络层、全连接层;
13、第一lstm网络层的神经元数为256个;
14、第二lstm网络层的神经元数为128个;
15、第三lstm网络层的神经元数为64个;
16、第一lstm网络层的神经元的dropout参数为0.4;
17、第二lstm网络层和第三lstm网络层的神经元的dropout参数为0.4。
18、优选地,所述用户心率的衰减率的计算公式为:
19、
20、其中,rate为心率数据的衰减率。
21、优选地,所述预设的衰减率阈值为5%。
22、优选地,所述利用跌倒检测算法模型检测用户的当前状态时,还进行如下操作:
23、统计预设的运动量衰减时间窗内的跌倒次数,若跌倒次数为零,则将该预设时间窗内的加速度数据进行上报回收,用于跌倒检测算法模型的训练。
24、优选地,所述跌倒检测算法模型为三层神经网络模型,模型结构如下:
25、该三层网络模型使用三层dense构建,将输入为跌倒检测模型的直角坐标x、y、z三个方向加速度,三个方向的加速器作为输入模型的特征;
26、第一层为一个权重矩阵,尺寸为3×64,并且偏置向量为64,表示为为每个偏置都有对于的神经元,并设置激活函数为relu激活函数;
27、同理第二层的权重矩阵,尺寸为64×32,偏置向量为32,使用relu激活函数;
28、第三层的权重矩阵为32×2,偏置向量为2,同样使用到relu函数;
29、最后一层为输出层,通过softmax分类得到数据预测结果,检测是正常数据和跌倒数据。
30、优选地,所述利用跌倒检测算法模型预测用户的当前状态,包括以下步骤:
31、步骤一:根据用户利用用户x,y,z轴方向的加速度,利用跌倒检测算法模型计算用户的总加速度atotal:
32、
33、其中,ax,ay,az分别是x轴、y轴和z轴的加速度;
34、步骤二:通过对跌倒检测算法模型进行训练得到最优的阈值athreshold,在预设的跌倒检测时间窗口内,如果当加速度大于阈值athreshold时,并且之后加速度传感器的值迅速下降到静止水平时,则表示可能在此期间发生了跌倒,即:
35、
36、其中,ti表示预设时间窗内的任意时间点,amax表示预设时间窗内的最大加速度;
37、步骤三:如果amax>athreshold并且存在tj在twindow内,满足:
38、
39、其中,arest为初始加速度。
40、当arest小于athreshold时即表示当时可能发生跌倒。
41、优选地,所述预设跌倒预测时间窗为1秒。
42、与现有技术相比,本专利技术技术方案的有益效果是:本专利技术本文档来自技高网...
【技术保护点】
1.一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述系统包括:加速度传感器、心率传感器、云端处理器、本地敏捷开发处理器、存储器;所述加速度传感器检测用户的加速度,心率传感器检测用户的心率数据,并将检测的实时数据发送至云端处理器、本地敏捷开发处理器、存储器;
2.根据权利要求1所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述心率预测网络模型为LSTM心率预测网络模型;
3.根据权利要求2所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述LSTM心率预测网络模型包括依次连接的输入层、第一LSTM网络层、第二LSTM网络层、第三LSTM网络层、全连接层;
4.根据权利要求3所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述用户心率的衰减率的计算公式为:
5.根据权利要求4所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述预设的衰减率阈值为5%。
6.根据权利要求1或5所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统
7.根据权利要求6所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述跌倒检测算法模型为三层神经网络模型。
8.根据权利要求7所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述跌倒检测算法模型结构如下:
9.根据权利要求8所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述利用跌倒检测算法模型预测用户的当前状态,包括以下步骤:
10.根据权利要求9所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述预设跌倒预测时间窗为1秒。
...【技术特征摘要】
1.一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述系统包括:加速度传感器、心率传感器、云端处理器、本地敏捷开发处理器、存储器;所述加速度传感器检测用户的加速度,心率传感器检测用户的心率数据,并将检测的实时数据发送至云端处理器、本地敏捷开发处理器、存储器;
2.根据权利要求1所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述心率预测网络模型为lstm心率预测网络模型;
3.根据权利要求2所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述lstm心率预测网络模型包括依次连接的输入层、第一lstm网络层、第二lstm网络层、第三lstm网络层、全连接层;
4.根据权利要求3所述的一种基于机器学习算法敏捷开发的跌倒预防与检测系统,其特征在于,所述用户心率的衰减率的计算公式为:
5.根据权利要求4所述的一...
【专利技术属性】
技术研发人员:焦志全,毛樑,吴志勇,
申请(专利权)人:广东飞粤科技有限公司,
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。