[发明专利]基于卷积神经网络的跌倒检测方法

摘要

基于卷积神经网络的跌倒检测方法属于电子信息领域，本发明将通过MEMS采集的3轴加速度、角速度数据转为RGB像素，并引入滑动窗口构造能同时反映老年人活动过程中3轴加速度、角速度变化特征的像素图；参考LeNet 5架构设计了基于CNN的跌倒监测算法FD‑CNN，将像素图进行归类，实现跌倒检测算法。通过构建FD‑CNN，可以克服MEMS陀螺仪存在信号漂移误差、3轴加速度计在运动状态下产生电压波动等干扰，准确实现跌倒检测。FD‑CNN网络模型系统的准确率达到了98.62％，敏感度和特异性分别达到98.65％和99.80％。其中，系统对跌倒检测的敏感度和特异性均到达了100％。

主权项

1.基于卷积神经网络的跌倒检测方法，其特征在于：(1)建立人体活动模型人体在运动过程中，加速度和角速度会实时变化；将运动感知模块放置在定制背心的腰部，进而建立基于笛卡尔坐标系的人体活动模型，其中a_x、a_y、a_z分别代表人体活动沿x轴、y轴和z轴的加速度；为分别代表人体躯干绕x轴、y轴和z轴的角速度；(2)活动数据可视化处理由于人体跌倒的时间通常小于2秒钟，因此在服务器端设计了2秒钟的滑动窗口以缓存活动感知MEMS传来的3轴加速度、角速度数据；由于MEMS感知模块的采样频率为100Hz，其中的3轴加速度、角速度值通常采用2字节表示，因此设计了大小为2400字节的滑动窗口用来缓存MEMS感知模块采集的2秒钟的3轴加速度、角速度数据；若将3轴(X、Y、Z轴)的加速度、角速度值分别对应于3通道图像中R、G、B通道的数值，这就将每份3轴加速度、角速度数据转换成一个RGB像素点，那么滑动窗口中的缓存3轴加速度、角速度数据看成为尺寸为20*20*3的图像；由于图像数据的量程范围为0～255的整型数据，而加速度计和陀螺仪的数据量程不尽相同，为此采用公式(1)对加速度计和陀螺仪传感器数据的量程进行规范化，将两者传感器数据规范到0～255范围内；其中，range为加速度计或陀螺仪传感器的量程，value为实测数值；计算结果result后为浮点型，为了表示方便通过四舍五入将result转化为整型数据；(3)设计了基于卷积神经网络的跌倒监测架构FD‑CNNFD‑CNN架构其输入为20ⅹ20像素的3通道RGB图像，不包含输入层共有6个网络层；其中，网络的卷积层标注为C_x，下采样层标准为S_x，全连接层标注为F_x，x为网络的层号；在进入网络的C1层前，系统按照公式(2)对数据进行规范化，即将图像数据取值范围为0～255归一化为‑1～1；C1为卷积层；在卷积前，系统对输入层数据进行了边缘扩充，扩充后的图像大小为22×22像素，扩充边缘的像素值为0；边缘扩充在卷积时可避免输入层边缘数据特征丢失；卷积核大小是5×5×3，每个特征图内只使用一个共同卷积核；每个卷积核有5×5×3个连接参数以及1个偏置共76个参数；卷积核每次滑动一个像素，因此卷积层形成的每个特征图大小是18×18；卷积过后，系统通过relu函数进行网络层激活；C1层共有32个卷积核，所以该层输出为32张大小为18×18的特征图；S2为最大池化层；在池化前，系统对C1层输出的数据进行了边缘扩充，扩充边缘的像素值为0，扩充后的图像大小为20×20像素；系统采用2×2的卷积核以步长为2进行最大池化下采样得到32张10×10的特征图；C3为卷积层；在卷积前，参考C1层也对S2的输出进行了边缘扩充，扩充后的图像大小为12×12像素；卷积核大小是5×5×32，卷积核每次滑动一个像素，卷积后形成的每个特征图大小是8×8；卷积过后，系统通过relu函数进行网络层激活；C3层共有64个卷积核，所以该层输出为64张大小为8×8的特征图；S4为最大池化层；参考C1层也对C3的输出进行了边缘扩充，扩充后的图像大小为10×10像素；系统采用2×2的核以步长为2进行最大池化下采样得到64张5×5的特征图；F5为全连接层，其含有512个神经单元；为了防止网络过拟合，在训练时加入了dropout；这一层神经元在全连接后使用relu函数进行网络激活；最后一层是全连接网络输出层；该层有8个神经单元；在计算网络结果时，将最后一层的输出加到softmax中，得到每个类的预测概率，其中概率最大项为网络的预测结果。