[发明专利]基于深度学习的树莓派老人摔倒检测系统

说明书

本发明公开了基于深度学习的树莓派老人摔倒检测系统，每个采集器里包含两个平行放置的三轴加速度传感器，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、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，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。本发明的有益效果是摔倒检测原理基于DBN深度神经网络，能有效防止假摔，如当设备是自由落体到地面时并不会误判为摔倒；树莓派硬件设备价格便宜，能更好的得到推广。

技术领域

本发明属于电子器件技术领域，涉及基于深度学习的树莓派老人摔倒检测系统。

背景技术

日益庞大的老年群体已成为人们关注的焦点。由于老年人身体活动不便等特点，摔倒已成为我国人员伤亡的第四位原因，而意外摔倒是65岁以上人群的主要健康威胁。我国有关学者对老年人摔倒问题进行过研究，但研究所生产的产品主要为拐杖、助行器等。这些产品虽然能够降低老人摔倒的概率，却无法第一时间在老人摔倒时对其进行有效的救护。因此，本研究立足于传统产品与物联网时代结合的应用，探讨出其对老年人在摔倒时不会出现延误治疗时机问题的结果。本系统对采集数据进行统计分析，可对老人活动情况的社会研究提供有效参考。我们致力于解决安全问题的老人摔倒报警系统极为需要，在树莓派开发版的基础上，搭载了加速度传感器ADXL345，通过深度伸进网络能够实现良好的运动状态检测，到发生摔倒时触发报警功能；对于频发的老人摔倒事故也有一定程度上的预防和应对能力。

目前，研究开发人体摔倒检测系统方面的技术有很多种，最常见的是图像分析和加速度分析。前者是基于视频图像分析的摔倒自动检测系统，这种技术准确性高，人体动作清晰可见，但需要多部摄像机同时工作，且暴露了用户的个人隐私，监测范围有限，受环境的影响也很大。后者主要基于微机电系统传感器。MEMS(微机电系统)技术在近几年得到了快速的发展，广泛应用于摔倒检测、状态检测、运动检测等方面。目前国内一些基于MEMS技术的摔倒检测虽可较好实现摔倒检测，但大多计算量较大、设计复杂、价格昂贵，难以得到广泛的推广。

发明内容

本发明的目的在于提供基于深度学习的树莓派老人摔倒检测系统，本发明的有益效果是摔倒检测原理基于DBN深度神经网络，能有效防止假摔，如当设备是自由落体到地面时并不会误判为摔倒；树莓派硬件设备价格便宜，能被大多数家庭接受，相对微机电技术的计算量较大、设计复杂、价格昂贵等缺点，我们的发明更具优势，能更好的得到推广。

本发明所采用的技术方案是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。

进一步，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。