CN108648417A - 基于深度学习的树莓派老人摔倒检测*** - Google Patents
基于深度学习的树莓派老人摔倒检测*** Download PDFInfo
- Publication number
- CN108648417A CN108648417A CN201810598145.4A CN201810598145A CN108648417A CN 108648417 A CN108648417 A CN 108648417A CN 201810598145 A CN201810598145 A CN 201810598145A CN 108648417 A CN108648417 A CN 108648417A
- Authority
- CN
- China
- Prior art keywords
- data
- acceleration
- raspberry
- axis
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于深度学***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。
Description
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***。
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***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***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***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***,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***传感器。MEMS(微机电***)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***,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***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。
进一步,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。
附图说明
图1是不同动作的原始数据样本;
图2是摔倒、跑步、走路加速度变化图;
图3是摔倒、跑步、走路角速度方向变化图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明算法基于谷歌的物联网操作***Android Things。首先采集数据,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。防止有一个传感器的数据丢失。
所用的CUT-NAA数据库中包含44个不同采集者的10类动作数据。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。10类动作及描述列于下表1:
表1
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如图1所示,包括X轴的数据(第一行),Y轴的数据(第二行),和Z轴的数据(第三行)。
为解决原始采样信号中所混杂着的噪音问题我们使用到了小波降噪方面的技术。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。对信号降噪实质上是抑制信号中的无用部分,恢复信号中有用部分的过程,即对外界环境进行处理,以降低噪音。能减少树莓派受到的外界环境干扰,使其能够及时准确发出警报声响。
加速度传感器数据处理
图2是所测得的摔倒、跑步、走路三种状态的波形图。横轴0~70代表摔倒时的加速度变化,横轴80~120代表跑步时的加速度变化,横轴130~170代表走路时的加速度变化。正常行走时加速度变化范围较小,始终保持在10至20之间。在摔倒发生过程中,加速度矢量和大小有先减小后增大的过程,而摔倒后处于静止状态时,加速度与初始状态相比也会发生明显变化。
所测得的角速度方向变化图如图3所示:横轴0~80代表摔倒时角速度变化,横轴80~120代表跑步时角速度变化,横轴120~160代表走路时角速度变化。以上分析发现,无论从哪个方向发生摔倒,人的身体状态都会经历失重、超重、静止和加速度变化等状态。因此,对这几个因素进行合理的综合分析,即可作为判断人体是否摔倒的条件。
***初始化完成后即进行算法检测状态。在一定时间内检测到如上状态且加速度、角速度变化超过一定范围时,便会发出报警信息。
数据训练
在姿态识别任务当中,每一次输入有3*50*1列(三轴加速度传感器ADXL345以50Hz的频率采集1秒的数据),输出为5个分类类别。
对于运动数据,时域上每一列所含有的信息所具有的的特征并不明显。所以我们对该时间序列数据进行快速傅里叶变换,并保留变换后的数据的前50列的实数部分。因为数据当中包含冗余信息,通过数据的降维之后,能在准确率影响不大的前提下在分类速度上有更佳的表现,以降低前端设备CPU的负载。我们在对比了PCA、LDA和AutoEncoder等多种降维方式对我们的模型准确率的影响之后,最终选择PCA作为我们的降维方式,将数据从150维降低到100维以内,再采用深度神经网络进行相应的数据训练。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。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。
本发明***能够对老人的运动状态进行监测。在检测到摔倒时,能够在后台管理网站显示报警信息,同时报警提醒用户。本***搭载了加速度传感器ADXL345,能识别用户当前的运动状态。如果发现用户当前出现了摔倒的异常状态,就将发出报警信号。能够实现良好的使用人员安全监测及处理功能。
本发明用到的硬件:树莓派3B一台、16GBTF卡一张、ADXL加速度传感器一个、TDA2030功放模块一个、小喇叭一个、耳机一副。
1.把收集运动数据的ADXL加速度传感器通过杜邦线连接到树莓派的引脚上,连接方式为:ADXL上的5V连接树莓派上的5V,GND连接树莓派的GND,SCL连接树莓派的SCL.1,SDA连接树莓派的另一个SDA.1引脚。
2.连接功放模块。首先把耳机剪断,把3.5mm接到树莓派的音频口。TDA2030功放模块的OUT接喇叭的正极,GND接喇叭的负极,VCC接树莓派的5V,GND接树莓派的GND,IN接树莓派音频接口的接的耳机线的正极,GND接耳机线的负极。
3.接好所有的东西后,把树莓派连接上网络,使他和电脑在同一个网络下。接下来在电脑上打开Android Studio集成开发环境,把之前写好的代码烧录到树莓派,就可以进行摔倒测试了。
本发明设计了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,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。这样做的目的是防止有一个传感器的数据丢失。拟研究对原始信号进行降噪处理,减少外界环境对树莓派的干扰,使其能及时准确发出警报。
研究人体摔倒检测原理:使用基于树莓派的开发板连接相关的加速度传感器进行行为数据采集并降噪。研究对人体行为数据进行学习、处理与归类,并挖掘其内部变化规律,根据不同运动行为的变化规律对数据进行分类。把学习到的变化规律通过编码建立模型集成到客户端中,当下次再次接收到加速度收集的行为数据时,通过模型分析,就能明确的辨认出此时的状态是行走、摔倒或跑步,以此实现摔倒检测。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (3)
1.基于深度学***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***,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***,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810598145.4A CN108648417A (zh) | 2018-06-12 | 2018-06-12 | 基于深度学习的树莓派老人摔倒检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810598145.4A CN108648417A (zh) | 2018-06-12 | 2018-06-12 | 基于深度学习的树莓派老人摔倒检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108648417A true CN108648417A (zh) | 2018-10-12 |
Family
ID=63752362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810598145.4A Pending CN108648417A (zh) | 2018-06-12 | 2018-06-12 | 基于深度学习的树莓派老人摔倒检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648417A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020106212A1 (en) * | 2018-11-22 | 2020-05-28 | Optimax Management Services Pte. Ltd. | Intelligent impact sensor and uses |
CN111912433A (zh) * | 2020-07-14 | 2020-11-10 | 威步智能科技(苏州)有限公司 | 一种高精度的跌落实时判定*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090161915A1 (en) * | 2007-12-24 | 2009-06-25 | National Chiao Tung University Of Taiwan | Multi-person pose recognition system using a zigbee wireless sensor network |
CN102542724A (zh) * | 2011-12-15 | 2012-07-04 | 上海移为通信技术有限公司 | 跌落检测报警方法 |
CN106203512A (zh) * | 2016-07-12 | 2016-12-07 | 北京安易康科技有限公司 | 基于多传感器信息融合的摔倒检测方法 |
CN106473265A (zh) * | 2016-12-03 | 2017-03-08 | 石家庄学院 | 一种智能跌倒监护t恤及其跌倒检测算法 |
CN106971059A (zh) * | 2017-03-01 | 2017-07-21 | 福州云开智能科技有限公司 | 一种基于神经网络自适应健康监测的可穿戴设备 |
-
2018
- 2018-06-12 CN CN201810598145.4A patent/CN108648417A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090161915A1 (en) * | 2007-12-24 | 2009-06-25 | National Chiao Tung University Of Taiwan | Multi-person pose recognition system using a zigbee wireless sensor network |
CN102542724A (zh) * | 2011-12-15 | 2012-07-04 | 上海移为通信技术有限公司 | 跌落检测报警方法 |
CN106203512A (zh) * | 2016-07-12 | 2016-12-07 | 北京安易康科技有限公司 | 基于多传感器信息融合的摔倒检测方法 |
CN106473265A (zh) * | 2016-12-03 | 2017-03-08 | 石家庄学院 | 一种智能跌倒监护t恤及其跌倒检测算法 |
CN106971059A (zh) * | 2017-03-01 | 2017-07-21 | 福州云开智能科技有限公司 | 一种基于神经网络自适应健康监测的可穿戴设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020106212A1 (en) * | 2018-11-22 | 2020-05-28 | Optimax Management Services Pte. Ltd. | Intelligent impact sensor and uses |
CN111912433A (zh) * | 2020-07-14 | 2020-11-10 | 威步智能科技(苏州)有限公司 | 一种高精度的跌落实时判定*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saleh et al. | FallAllD: An open dataset of human falls and activities of daily living for classical and deep learning applications | |
Gao et al. | Adaptive weighted imbalance learning with application to abnormal activity recognition | |
Lim et al. | Fall‐Detection Algorithm Using 3‐Axis Acceleration: Combination with Simple Threshold and Hidden Markov Model | |
CN109886068B (zh) | 基于运动数据的动作行为识别方法 | |
CN108109336B (zh) | 一种基于加速度传感器的人体跌倒识别方法 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN103955699A (zh) | 一种基于监控视频的实时摔倒事件检测方法 | |
CN114038012A (zh) | 基于毫米波雷达和机器学习的跌倒检测方法及*** | |
CN113963192A (zh) | 跌倒检测方法、装置和电子设备 | |
Cao et al. | A fall detection method based on acceleration data and hidden Markov model | |
Lee et al. | A smart device using low-cost sensors to detect earthquakes | |
CN108648417A (zh) | 基于深度学习的树莓派老人摔倒检测*** | |
Kambhampati et al. | Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier | |
Nurwulan et al. | Window selection impact in human activity recognition | |
Cheng et al. | A Fall detection system based on SensorTag and Windows 10 IoT core | |
Qu et al. | Convolutional neural network for human behavior recognition based on smart bracelet | |
CN112699744A (zh) | 跌倒姿态的分类识别方法、装置和可穿戴设备 | |
CN113367686A (zh) | 检测人体跌倒的方法、装置、计算机设备和存储介质 | |
Liu et al. | Preimpact fall detection for elderly based on fractional domain | |
Xu et al. | Research of HMM-based fall detection system for elderly | |
Pipanmaekaporn et al. | Mining Acceleration Data for Smartphone-based Fall Detection | |
Castro et al. | Fall Detection with LSTM and Attention Mechanism. | |
Xie et al. | A multistage collaborative filtering method for fall detection | |
Sannino et al. | Effective supervised knowledge extraction for an mhealth system for fall detection | |
Xu et al. | Fall detection method based on TBM and SVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |