[发明专利]基于深度学习的树莓派老人摔倒检测系统

摘要

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。

主权项

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。