[发明专利]基于类别不平衡信号的跌倒检测方法及系统

说明书

本发明涉及一种基于类别不平衡信号的跌倒检测方法及系统，属于行为识别技术领域，解决了现有技术因跌倒检测类别不平衡，很难从大量的日常活动中准确地识别出跌倒事件信号的问题。该方法包括：实时获取智能可穿戴设备采集的使用者的动作测试数据；所述动作测试数据，包括：加速度数据和角速度值；将所述动作测试数据输入最优深度学习模型，进行所述动作测试数据的动作类别识别，获取各动作类别概率值；将所述各动作类别概率值与最佳阈值进行比较，预测所述动作测试数据对应的动作类别；其中，所述最佳阈值用于根据深度学习模型训练时使用的样本数据集的不平衡率使预测结果向发生概率低的动作类别偏移。实现了基于类别不平衡数据的跌倒检测。

技术领域

本发明涉及行为识别技术领域，尤其涉及一种基于类别不平衡信号的跌倒检测方法及系统。

背景技术

众所周知，跌倒可能会导致瘫痪、骨折、头部伤害等严重后果，特别是老年人。老年人常患的心脑血管疾病和步态失调都有可能导致跌倒，使病人出现意识丧失而昏倒。跌倒已经成为威胁老年人生命安全的最大隐患。除此之外，在世界范围内人口老龄化的情况日益严峻，老年人的数量和独居的比例在逐年增长，独居老人一旦发生跌倒很难自救，在这种情况下对老人的跌倒检测有重要的应用意义。

目前，跌倒检测可以根据数据的来源分为以下三类：基于视频图像的跌倒检测、基于环境传感器的跌倒检测和基于可穿戴设备的跌倒检测。基于视频图像的跌倒检测受限于摄像头的覆盖范围，而且要求被检测人不能够被其他物体遮挡；基于环境传感器的跌倒检测也需要提前进行设备的布置，只能在固定范围进行检测；基于可穿戴设备的跌倒检测的设备体积小便于携带，直接获取运动时的数据进行特征提取并进行分类。

但是，基于可穿戴设备的跌倒检测的传统算法包括阈值法和机器学习法，阈值法的计算简单并且容易部署，但是阈值法在不同用户之间的泛化性不强；机器学习法需要预先手动设定数据的特征，特征的选择是一个比较困难的问题。此外，传统的检测算法大多在理想情况下的数据集中进行模型训练，理想情况的数据集中日常活动数据与跌倒事件数据的类别均衡，而真实生活中，跌倒事件是偶发事件，传感器采集到的日常生活数据是远远多于跌倒事件数据的，属于类别不平衡的检测问题，传统算法很难从大量的日常活动中准确地识别出跌倒事件信号。

因此，现有技术中缺少一种适用于类别不平衡数据的跌倒检测方法及系统。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于类别不平衡信号的跌倒检测方法及系统，用以解决现有因跌倒检测类别不平衡，很难从大量的日常活动中准确地识别出跌倒事件信号的问题。

一方面，本发明实施例提供了一种基于类别不平衡信号的跌倒检测方法，包括：

实时获取智能可穿戴设备采集的使用者的动作测试数据；所述动作测试数据，包括：加速度数据和角速度值；

将所述动作测试数据输入最优深度学习模型，进行所述动作测试数据的动作类别识别，获取各动作类别概率值；

将所述各动作类别概率值与最佳阈值进行比较，预测所述动作测试数据对应的动作类别；

其中，所述最佳阈值用于根据深度学习模型训练时使用的样本数据集的不平衡率使预测结果向发生概率低的动作类别偏移。

进一步地，所述最优深度学习模型，包括：

残差连接模块，用于对动作测试数据进行特征提取；

全连接softmax层，用于对所述动作测试数据特征进行分类，输出动作测试数据对应各动作类别概率值；

阈值移动算法层，用于调整分类阈值，获取最佳阈值，并根据所述各动作类别的概率值与所述最佳阈值的关系判断所述动作测试数据的动作类别。

进一步地，所述调整分类阈值，获取最佳阈值，包括：