[发明专利]基于深度学习的树莓派老人摔倒检测系统

权利要求书

1.基于深度学习的树莓派老人摔倒检测系统，其特征在于：基于谷歌的物联网操作系统Android Things，采集数据采用基于三轴加速度传感器的加速度信号采集器，每个采集器里包含两个平行放置的三轴加速度传感器，这样，采集者做每个动作时可以同时采集到两个三轴加速度数据；

在采集过程中，采集器分别放置在采集者的腰带、裤子口袋、上衣口袋位置；加速度传感器产生的数据是以时间为自变量的数据，不同动作的原始数据样本包括X轴的数据，Y轴的数据，和Z轴的数据；使用小波降噪解决原始采样信号中所混杂着的噪音；

其中X轴的数据：正常行走时加速度变化为10至20之间，0～70代表摔倒时的加速度变化，80～120代表跑步时的加速度变化，130～170代表走路时的加速度变化；角速度方向变化：0～80代表摔倒时角速度变化，80～120代表跑步时角速度变化，120～160代表走路时角速度变化；加速度、角速度变化超过一定范围时，便会发出报警信息；

数据当中包含冗余信息，选择PCA方式作为降维方式，将数据从150维降低到100维以内，再采用DBN深度神经网络对行为状态的数据进行训练，经训练生成的网络模型用于检测即时的行为状态。

2.按照权利要求1所述基于深度学习的树莓派老人摔倒检测系统，其特征在于：所述使用小波降噪解决原始采样信号中所混杂着的噪音方法是首先对原始采样信号进行小波分解，则噪声部分通常包含在高频系数中；然后对小波分解的高频系数以门限阈值等形式进行量化处理；最后再对信号重构即可达到降噪的目的。

3.按照权利要求1所述基于深度学习的树莓派老人摔倒检测系统，其特征在于：所述检测即时的行为状态包括以下步骤：

步骤1、输入数据，建立长度为50组的数据；

步骤2：数据采集过程中采集的即时数据依次放入数组的最后一位；

步骤3：进行数据降噪处理；

步骤4：判断是否跌倒；

步骤5：否，继续从步骤2开始；

步骤6：是，发送报警信息。