[发明专利]一种基于深度学习与智能手环相结合的摔倒检测方法

说明书

技术领域

本发明涉及老人健康监护技术领域，具体涉及一种基于深度学习与智能手环相结合的摔倒检测方法。

背景技术

目前，中国已经成为世界上老人人口最多的国家，也是人口老龄化发展速度最快的国家之一。子女不在身边老人精神孤独，没有人照顾。日常生活中的独居老人摔倒事件直接威胁老人的生命健康。因此及时且精准检测老年人的摔倒行为，是解决这类问题的关键一环。

选择合适的摔倒检测算法是检测系统的核心部分，但是从目前情况来看，摔倒检测方法分为两大类：1)基于视频，从视频获取运动目标，用传统机器学习算法检测摔倒；2)基于穿戴式设备，分析传感器获得的数据来进行摔倒检测。对于第1)类的传统机器学习算法，其缺点是对视频的环境或者拍摄条件等有较高要求，并且特征提取算法是人工先验设计出来，工作量大尤其在区分摔倒和躺下这两种情况，使得判别难度加大，识别率低下。对于第2)类的可穿戴式设备，传感器获得的血压和脉搏数据异常情况下，不一定是由摔倒引起。

发明内容

为解决上述问题，本发明的目的在于提供一种基于深度学习与智能手环相结合的摔倒检测方法，该方法将识别算法与传感器硬件高效的结合应用在一起，将会更加精准检测出摔倒事件。

本发明解决其问题所采用的技术方案是：

一种基于深度学习与智能手环相结合的摔倒检测方法，包括以下步骤：

采集已知行为人体图像数据，所述已知行为人体图像数据为已知摔倒或躺下的人体图像数据；

对所采集的已知行为人体图像数据建立已知行为样本集，所述已知行为样本集包括训练样本集和测试样本集两部分；

对已知行为样本集进行前景提取获得已知行为样本集的前景图；

建立深度信念网络，用已知行为样本集中的训练样本集的前景图训练深度信念网络，获取深度信念网络的较优参数；

将已知行为样本集中的测试样本集的前景图输入到深度信念网络进行识别测试，获取最优参数，完成深度信念网络模型；

采集包括人体目标的未知行为人体图像数据，建立未知行为样本集；

对未知行为样本集进行前景提取获得未知行为样本集的前景图；

通过深度信念网络模型识别未知行为是否为摔倒或躺下；

若识别未知行为是摔倒或躺下，则通过智能手环检测人体目标血压脉搏是否异常，若检测的人体目标血压脉搏异常则判断为摔倒。

进一步，通过摄像机采集已知行为人体图像数据和包括人体目标的未知行为人体图像数据。

进一步，通过对已知行为样本集或未知行为样本集使用基于高斯混合模型的背景减法进行前景提取获得已知行为样本集或未知行为样本集的前景图。

进一步，所述基于高斯混合模型的背景减法的具体过程如下：

对于图像中任一像素点随时间变化的序列{X₁,X₂,…,X_t}，基于混合高斯模型建模，当前观测点像素值的概率为：

式中，k为高斯模型的数量，ω_i,t为t时刻第i个高斯模型的权值，满足μ_i,t和∑_i,t分别是t时刻第i个高斯模型的均值和方差；其中，η为高斯概率密度函数:

取选择如下方法更新高斯混合模型的权值、均值和方差：

ω_n,t＝(1-α)ω_n,t-1+αΜ_n,t

μ_n,t＝(1-ρ_n,t)μ_n,t-1+ρ_n,tX_t

式中，α为学习率，表示背景的更新速度；M_n,t为模型匹配算子，当新的像素匹配时其值为1，反之为0。

进一步，采用逐层贪婪训练算法训练深度信念网络，所述训练过程包括预训练，所述预训练包括如下步骤：

将训练样本中的前景图作为输入数据，开始自下而上的无监督学习；深度信念网络由多层受限玻尔兹曼机组成，训练过程是，首先充分训练第一个受限玻尔兹曼机；接着固定第一个受限玻尔兹曼机的权重和偏移量，然后使用其隐性神经元的状态作为第二个受限玻尔兹曼机的输入；然后充分训练第二个受限玻尔兹曼机后，将第二个受限玻尔兹曼机堆叠在第一个受限玻尔兹曼机的上方；重复以上步骤，直至训练完所有受限玻尔兹曼机，获得各层的参数。