CN110781808A - 跌倒检测方法、装置、设备及存储介质 - Google Patents
跌倒检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110781808A CN110781808A CN201911013655.1A CN201911013655A CN110781808A CN 110781808 A CN110781808 A CN 110781808A CN 201911013655 A CN201911013655 A CN 201911013655A CN 110781808 A CN110781808 A CN 110781808A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- classification model
- acquiring
- falling
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000013145 classification model Methods 0.000 claims abstract description 90
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 57
- 230000008859 change Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 2
- 230000036541 health Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种跌倒检测方法、装置、设备及存储介质，通过获取用户的红外图像；获取用户的个人信息；根据所述红外图像以及所述个人信息生成用户的特征向量；将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果。本实施例采用从用户的红外图像、用户的个人信息中提取特征生成特征向量，然后输入分类模型进行预测，可以对用户是否跌倒进行及时准确的判断，具有较高的准确度，并且可以保护用户隐私，不受环境和空间上的制约。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种跌倒检测方法、装置、设备及存储介质。
背景技术
随着我国社会的老龄化问题日益加剧，老年人的健康安全监护问题的需求日益增加。根据统计数据，老年人意外伤害的首要原因是跌倒，跌倒会直接造成伤害，并且跌倒后不能得到及时救助，可能会导致更加严重的后果。因此准确及时的进行跌倒检测，能够有效的减小跌倒导致的后果，保护了老年人群的健康和安全，减少了在老年人群看护上的人力成本。
现有技术中，通常采用穿戴式跌倒检测设备、或者基于声学或视频的跌倒检测***，其中穿戴式跌倒检测设备通常需要在手臂、腰部、腿部等位置穿戴具有加速度传感器、压力传感器的设备，提取用户躯***置、运动状态特征后判断用户是否跌倒；而基于声学或视频的跌倒检测***，则采用采集声音或视频图像的方式判断用户是否跌倒。
穿戴式跌倒检测设备通常需要长期穿戴在用户身体的特定位置，给用户带来不适感，对用户造成不便；而基于声学或视频的跌倒检测***会受到环境、空间上的制约，容易受到干扰而误判，同时也会暴露用户的个人隐私。
发明内容
本发明提供一种跌倒检测方法、装置、设备及存储介质，以实现及时准确的检测用户是否跌倒，提高检测准确度。
本发明的第一方面是提供一种跌倒检测方法，包括：
获取用户的红外图像；
获取用户的个人信息；
从所述红外图像获取温度特征信息、用户位置信息以及时间信息；
对所述温度特征信息、所述用户位置信息、所述时间信息以及所述个人信息按照预定规则进行编码，得到所述用户的特征向量；
将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果，
所述从所述红外图像获取温度特征信息、用户位置信息以及时间信息，包括：
从所述红外图像获取温度分布变化时长、温度变化的剧烈程度、温度分布发生变化的像素点个数、以及高温区域的形态特征；和/或
根据获取到红外线图像的传感器位置获取所述用户位置信息；和/或
根据所述红外线图像的采集时间获取所述时间信息。
进一步的，所述将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果，包括：
将所述特征向量输入到所述分类模型，输出用户跌倒发生的概率；
若所述概率大于预设阈值，则确定用户跌倒。
进一步的，所述获取用户的个人信息，包括：
从区块链中获取预先存储的用户的个人信息，所述用户的个人信息包括：用户的生活状态和/或用户的健康状态；
所述将所述特征向量输入到预先训练的分类模型前，还包括：
从区块链获取预先训练的分类模型。
进一步的，所述方法还包括：
将所述红外图像、所述温度特征信息、所述用户位置信息、所述时间信息、所述用户的个人信息、所述跌倒预测结果中至少一项上传至区块链中。
进一步的，所述方法还包括：
从区块链获取训练数据，所述训练数据包括各区块链节点上传的历史案例数据，所述历史案例数据包括用户样本站立时的红外图像、跌倒时的红外图像、跌倒时的位置信息、跌倒时的时间信息、跌倒后的情况以及用户样本的个人信息；
根据所述训练数据对所述分类模型进行训练，并将训练后的分类模型上传到区块链；
其中，所述训练数据和所述分类模型存储于同一区块链或不同区块链。
进一步的，所述方法还包括：
当检测到所述训练数据更新后，从所述区块链上获取更新后的训练数据和当前的分类模型；
根据更新后的训练数据重新训练该分类模型，并根据训练后的分类模型更新所述区块链中的分类模型。
进一步的，所述获取跌倒预测结果后，还包括：根据所述跌倒预测结果输出报警信号。
本发明的第二方面是提供一种跌倒检测装置，包括：
图像获取模块，用于获取用户的红外图像；
信息获取模块，用于获取用户的个人信息；
处理模块，用于从所述红外图像获取温度特征信息、用户位置信息以及时间信息；对所述温度特征信息、所述用户位置信息、所述时间信息以及所述个人信息按照预定规则进行编码，得到所述用户的特征向量；
预测模块，用于将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果；
所述处理模块在从所述红外图像获取温度特征信息、用户位置信息以及时间信息时，所述处理模块用于：
从所述红外图像获取温度分布变化时长、温度变化的剧烈程度、温度分布发生变化的像素点个数、以及高温区域的形态特征；和/或
根据获取到红外线图像的传感器位置获取所述用户位置信息；和/或
根据所述红外线图像的采集时间获取所述时间信息。
进一步的，所述装置还包括训练模块，用于：
从区块链获取训练数据，所述训练数据包括各区块链节点上传的历史案例数据，所述历史案例数据包括用户样本站立时的红外图像、跌倒时的红外图像、跌倒时的位置信息、跌倒时的时间信息、跌倒后的情况以及用户样本的个人信息；
根据所述训练数据对所述分类模型进行训练，并将训练后的分类模型上传到区块链；
其中，所述训练数据和所述分类模型存储于同一区块链或不同区块链。
本发明的第三方面是提供一种跌倒检测设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
本发明的第四方面是提供一种计算机可读存储介质，其上存储有计算机程序；
所述计算机程序被处理器执行时实现如第一方面所述的方法。
本发明提供的跌倒检测方法、装置、设备及存储介质，通过获取用户的红外图像；获取用户的个人信息；根据所述红外图像以及所述个人信息生成用户的特征向量；将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果。本实施例采用从用户的红外图像、用户的个人信息中提取特征生成特征向量，然后输入分类模型进行预测，可以对用户是否跌倒进行及时准确的判断，具有较高的准确度，并且可以保护用户隐私，不受环境和空间上的制约。
此外，本发明中还可将区块链技术应用在跌倒检测方法中，有利的促进了区块链技术在养老社区智能监控领域中的有效推广，实现了历史案例数据的共享和管理，可对分类模型不断的优化和调整，提高了检测用户跌倒的及时性、有效性和准确性，使跌倒的用户可以得到及时有效的援助或治疗，可带来可观的经济效益和社会效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的跌倒检测方法流程图；
图2为本发明另一实施例提供的跌倒检测方法流程图；
图3为本发明实施例提供的跌倒检测装置的结构图；
图4为本发明实施例提供的跌倒检测设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的跌倒检测方法流程图。本实施例提供了一种跌倒检测方法，该方法具体步骤如下：
S101、获取用户的红外图像。
在本实施例中，可以通过红外图像采集设备实时采集红外图像、或者每间隔预定时间采集红外图像，其中可以在用户活动区域内的不同位置处(例如床边、卫生间、阳台)设置多个红外图像采集设备，其中红外图像采集设备可以为红外线阵列传感器，当然也可以为红外热成像仪等其他设备。本实施例中采用红外图像，可以保护用户的个人隐私，并且不受光线的影响。
在本实例中，也可以从区块链中获取预先存储的红外图像。
S102、获取用户的个人信息。
在本实施例中，用户的个人信息可包括用户的生活状态和/或用户的健康状态，其中生活状态可包括独居、合居、家居等，健康状态可包括健康、术后、慢性病治疗，此外用户的个人信息还可包括性别、年龄等其他信息，此处不再赘述。本实施例中，用户的个人信息可不需要频繁的去获取，可以在用户的个人信息发生变化时获取，或者每间隔较长的预定时间获取一次。
本实施例中，用户的个人信息可预先存储于区块链中，其中区块链网络中可包括企业节点、个人节点、养老社区节点等等，可通过哈希运算和加密学数字签字等机制实现将用户的个人信息发布到区块链中，通过权限管理、加水印、加密等方式对用户的个人信息进行隐私保护。相应的，本实施例中所述的获取用户的个人信息，包括：
从区块链中获取预先存储的用户的个人信息，所述用户的个人信息包括：用户的生活状态和/或用户的健康状态。
本实施例中，在区块链中存储用户的生活状态、健康状态等个人信息，可便于对用户进行管理和监控，也便于在用户发生跌倒后为下述的分类模型提供训练数据，使分类模型不断得到优化和调整，提高分类模型的准确性。
S103、从所述红外图像获取温度特征信息、用户位置信息以及时间信息；
S104、对所述温度特征信息、所述用户位置信息、所述时间信息以及所述个人信息按照预定规则进行编码，得到所述用户的特征向量。
在本实施例中，在获取红外图像、个人信息后，可根据所述红外图像以及所述个人信息生成用户的特征向量。具体的，可对红外图像、个人信息进行数据处理，其中对于非定量描述的信息进行编码、标签化，对于连续变化的定量描述的信息进行离散化处理，从而得到用户的特征向量。更具体的，例如对于红外图像，可以提取到温度特征信息(跌倒敏感特征信息)，包括温度分布变化时长、温度变化的剧烈程度、温度分布发生变化的像素点个数、以及高温区域的形态特征等，属于连续变化的定量描述的信息，可预先进行离散化处理，按照数值从小到大划分为不同的等级或水平，对红外图像进行数据处理时判断从红外图像获取的温度特征信息属于哪一等级或水平，从而实现对红外图像的标签化；再如从红外图像中可以提取用户的位置信息，如床边、卫生间、阳台，属于非定量描述的信息，可预先对不同的位置信息进行编码，例如床边对应0、卫生间对应1、阳台对应2等，在进行数据处理时可根据从红外图像中获取的位置信息得到对应的编码，实现位置信息的标签化。在完成数据处理后，根据上述数据处理得到结果形成特征向量的矩阵表示形式。本实施例中结合更多的特征，可以提高跌倒检测的准确性。
在一种可选实施例中，可以从所述红外图像获取温度分布变化时长t、温度变化的剧烈程度Vm、温度分布发生变化的像素点个数p、以及高温区域的形态特征S。
其中，温度分布变化时长t：对每一帧红外图像，计算一段时间内(如1s)每个像素点的温度分布方差，取一帧图像i内所有像素点中最大的温度分布方差作为这一帧的最大温度分布方差Vi，并设定某一方差阈值Vh，Vi>Vh的时长即为温度分布变化时长t。当检测区域内没人的情况下，t值较小；当人跌倒时，t值会变大，可作为判断是否跌倒的依据之一。
温度分布变化的剧烈程度Vm：指的是在温度分布变化时长t内所有红外图像中Vi的最大值，这个特征代表检测到人体活动这段时间内红外线温度变化的剧烈程度，比如像跌倒这种突发意外会造成温度分布发生剧烈变化，Vm也会特别高，可以作为判断是否跌倒的依据之一。
温度分布发生变化的最大像素点数p：计算温度分布变化时长t内每一帧图像中Vi>Vh的像素点个数pi，取pi中的最大值即为p。当有人跌倒的时候这个特征的值会变大，因为跌倒后人体在检测区域内的表面积变大，从而引起更多的像素点方差发生变化，可以作为判断是否跌倒的依据之一。
高温区域的形态特征S：人在站立时红外线温度图像中形成的是一块方形区域，当人跌倒后人体横躺在地面，在红外线图像中形成的则是长条形区域，并且该区域的面积大于方形区域。通过计算该区域面积获得高温区域的形态特征S，可以作为判断是否跌倒的依据之一。
本实施例中通过从红外图像获取温度分布变化时长t、温度变化的剧烈程度Vm、温度分布发生变化的像素点个数p、以及高温区域的形态特征S，从而得到温度特征信息X1＝[t,Vm,p,S]。
本实施例中还可根据获取到红外线图像的传感器位置获取所述用户位置信息，具体的，可以在用户活动区域内的不同位置处设置多个红外图像采集设备，当任一红外图像采集设备检测到符合人体特征的热源时，即可根据该红外图像采集设备的位置确定用户位置信息。此外，本实施例中还可根据所述红外线图像采集到用户的红外图像的时间获取所述时间信息。
本实施例中可对所述温度特征信息、所述用户位置信息、所述时间信息以及所述个人信息按照预定规则进行编码，得到所述用户的特征向量，具体例如，温度特征信息为X1，用户位置信息为X2，时间信息为X3，用户的生活状态为X4，用户的健康状态为X5，则特性向量X＝[X1，X2，X3，X4，X5]。
S105、将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果。
在本实施例中，分类模型可以为逻辑回归模型，也可以为K近邻模型、SVM支持向量机模型等，本方案优选逻辑回归模型，该模型可以直接计算判断对象属于不同类别的概率，可解释性强，而SVM模型或K近邻模型只能直接判断所属类别。其中分类模型的训练过程此处不再赘述，其中训练数据可以为其他用户跌倒的历史案例数据，具体的，可通过其他用户跌倒情况对应的特征向量以及对应的跌倒标签、以及未跌倒情况对应的特征向量以及对应的未跌倒标签对分类模型进行训练。由于分类模型不仅仅考虑到用户红外图像，还考虑了用户的生活状态、用户的健康状态等用户的个人信息，尤其是对于具有相同生活状态、健康状态的多个用户，其跌倒的行为具有较高的相似性，因此考虑了用户的生活状态、用户的健康状态等用户的个人信息后，可以将分类模型更加细化，预测的准确性更高。本实施例通过将特征向量输入到分类模型中，即可获取到跌倒预测结果，具有较高的及时性和准确性。
更具体的，在一种实施例中，在将所述特征向量输入到所述分类模型后，输出用户跌倒发生的概率；若所述概率大于预设阈值，则确定用户跌倒。
在本实施例中，预设阈值可为一个固定数值，例如0.8，当用户跌倒发生的概率大于0.8，则说明用户有较大可能性已经发生跌倒，因此输出跌倒预测结果为：用户跌倒。当然，预设阈值也可根据用户的不同设定为不同的数值，例如相较于合居、或健康用户，对于独居、或者健康状态较差的用户，预设阈值可以设置为一个较低的数值，该类型的用户跌倒如未得到及时救助或治疗则后果较为严重，而将预设阈值设置为一个较低的数值，则可使该类型的用户得到重点关注。
在上述任一实施例的基础上，在获取跌倒预测结果后还可包括：根据所述跌倒预测结果输出报警信号。在本实施例中，报警时可直接向急救中心、养老社区发送报警信号，若用户为合居、或者预留有亲友的联系方式，也可向用户的亲友发出报警信号，从而使用户跌倒后得到及时的救助和治疗。
本实施例提供的跌倒检测方法，通过获取用户的红外图像；获取用户的个人信息；根据所述红外图像以及所述个人信息生成用户的特征向量；将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果。本实施例采用从用户的红外图像、用户的个人信息中提取特征生成特征向量，然后输入分类模型进行预测，可以对用户是否跌倒进行及时准确的判断，具有较高的准确度，并且可以保护用户隐私，不受环境和空间上的制约。
在上述任一实施例的基础上，所述分类模型还可输出用户的跌倒方式，例如前俯式跌倒、后仰式跌倒等，其中不同的跌倒方式由于产生的原因不同、造成的后果严重性也不同，例如后仰式跌倒可能对应心脏病突发、昏厥、滑倒等，而前倾式跌倒多对应绊倒，后仰式跌倒用户可能无法及时作出反应而磕碰到脑部，而前倾式跌倒用户可通过肢体动作减小受到的损伤等等，因此输出用户的跌倒方式具有重要的意义。由于不同的跌倒方式红外图像具有差异，而且不同的健康状态的用户也可能有不同的跌倒方式的倾向性，因此本实施例中在对分类模型进行训练时，将训练数据中的跌倒案例按照跌倒方式进行分类，分别进行标注，例如前俯式跌倒标注为0、后仰式跌倒标注为1。然后根据标注后的跌倒案例的特征向量对分类模型进行训练，从而使分类模型能够识别跌倒方式，例如能够输出跌倒方式和/或输出不同跌倒方式的概率。
在上述任一实施例的基础上，所述将所述特征向量输入到预先训练的分类模型前，还包括：
从区块链获取预先训练的分类模型。
在本实施例中，分类模型可以预先存储到区块链中，任意区块链节点均可从区块链中获取该分类模型，然后将特征向量输入到该分类模型中进行跌倒预测。进一步的，分类模型由任一区块链节点训练后上传到区块链网络中，在一种可选实施例中，可以由区块链网络中最高权限区块链节点的后台服务器获取训练数据，训练得到该分类模型后再上传到区块链中。
在上述任一实施例的基础上，如图2所示，所述方法还包括：
S201、从区块链获取训练数据，所述训练数据包括各区块链节点上传的历史案例数据，所述历史案例数据包括用户样本站立时的红外图像、跌倒时的红外图像、跌倒时的位置信息、跌倒时的时间信息、跌倒后的情况以及用户样本的个人信息；
S202、根据所述训练数据对所述分类模型进行训练，并将训练后的分类模型上传到区块链。
在本实施例中，区块链节点可包括企业节点、个人节点、养老社区节点等等，各区块链节点可将历史案例数据发布到区块链中，实现公开透明、可追溯、防篡改，其中历史案例数据包括正例和反例，其中正例包括跌倒时的红外图像、跌倒时的位置信息、跌倒时的时间信息、跌倒后的情况以及用户样本的个人信息，反例包括用户样本站立时的红外图像、用户站立位置信息、红外图像采集时间、以及用户样本的个人信息等，其中可通过权限管理、加水印、加密等方式对用户隐私进行保护，此外也可将相关的音频、视频、图像等相关材料上传到区块链中，可通过相关材料在模型训练过程汇总对模型预测结果进行验证。本实施例中，在从区块链中获取历史案例数据后，可以对历史案例数据进行数据处理，得到样本用户的特征向量以及对应的标识是否跌倒的标签，然后输入到分类模型中对模型进行训练，样本用户的特征向量为模型输入，对应的标识是否跌倒的标签为模型输出，其中特征向量的获取过程同上述实施例，此处不再赘述。当然，各区块链节点也可直接从历史案例数据中得到样本用户的特征向量和对应的标识是否跌倒的标签后，将特征向量及标签发布到区块链中，在对分类模型训练时直接以样本用户的特征向量进行训练。本实施例中分类模型可以为逻辑回归模型，也可以为K近邻模型、SVM支持向量机模型等，本方案优选逻辑回归模型，该模型可以直接计算判断对象属于不同类别的概率，可解释性强，而SVM模型或K近邻模型只能直接判断所属类别。本实施例中，在完成训练后，可将分类模型上传到区块链中，可供其他区块链节点使用该分类模型。
需要说明的是，本实施例中的所述训练数据和所述分类模型可存储于同一区块链中，也可存储于不同区块链中。
在上述实施例的基础上，所述方法还包括：
当检测到所述训练数据更新后，从所述区块链上获取更新后的训练数据和当前的分类模型；
根据更新后的训练数据重新训练该分类模型，并根据训练后的分类模型更新所述区块链中的分类模型。
在本实施例中，当训练数据更新时，也可根据更新后的训练重新训练分类模型，以保证分类模型的实时更新，对分类模型不断的优化和调整，提高了检测用户跌倒的及时性、有效性和准确性。
在上述实施例的基础上，区块链上的历史案例数据的数据结构如表一所示：
表一
在上述实施例的基础上，区块链上存储的分类模型的数据结构如表二所示：
表二
在上述任一实施例的基础上，区块链网络还包括：区块链网络构建子***、信息存储和信息认证数据格式定义子***(包括基于区块链技术的数据结构方式来存储养老社区智能监测老人跌倒案例共享和管理信息的示例中的内容)和***性能评估子***。其中，区块链网络构建子***用于确定区块链节点以及对区块链网络的构建，譬如，以公司基层营业机构为最小节点，一个或多个集团/公司参与养老社区智能监测老人跌倒案例共享和管理交易区块链网络构建；信息存储和信息认证数据格式定义子***用于按照本发明上述实施例定义的数据结构方式、信息存储方式和协议来存储和认证共享信息等，以保证信息存储和信息处理的高效率；***性能评估子***用于评估***的及时性、有效性和准确性，基于不同情景下老年人跌倒发生的实时情况对比分析和老年人发生跌倒情形动态关联的综合分析方法，不断调整和优化***参数，以期通过在区块链网络中有效实现养老社区智能监测老人跌倒案例共享和管理，从而有力促进区块链技术应用在养老社区智能监测老人跌倒案例共享和管理方面的有效推广。
本实施例中将区块链技术应用在跌倒检测方法中，有利的促进了区块链技术在养老社区智能监控领域中的有效推广，实现了历史案例数据的共享和管理，可对分类模型不断的优化和调整，提高了检测用户跌倒的及时性、有效性和准确性，使跌倒的用户可以得到及时有效的援助或治疗，可带来可观的经济效益和社会效益。
图3为本发明实施例提供的跌倒检测装置的结构图。本实施例提供的跌倒检测装置可以执行跌倒检测方法实施例提供的处理流程，如图3所示，所述跌倒检测装置30包括图像获取模块31、信息获取模块32、处理模块33以及预测模块34。
图像获取模块31，用于获取用户的红外图像；
信息获取模块32，用于获取用户的个人信息；
处理模块33，用于从所述红外图像获取温度特征信息、用户位置信息以及时间信息；对所述温度特征信息、所述用户位置信息、所述时间信息以及所述个人信息按照预定规则进行编码，得到所述用户的特征向量；
预测模块34，用于将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果；
所述处理模块在从所述红外图像获取温度特征信息、用户位置信息以及时间信息时，所述处理模块用于：
从所述红外图像获取温度分布变化时长、温度变化的剧烈程度、温度分布发生变化的像素点个数、以及高温区域的形态特征；和/或
根据获取到红外线图像的传感器位置获取所述用户位置信息；和/或
根据所述红外线图像的采集时间获取所述时间信息。
在上述任一实施例的基础上，所述预测模块34用于：
将所述特征向量输入到所述分类模型，输出用户跌倒发生的概率；
若所述概率大于预设阈值，则确定用户跌倒。
在上述任一实施例的基础上，所述信息获取模块32用于：
从区块链中获取预先存储的用户的个人信息，所述用户的个人信息包括：用户的生活状态和/或用户的健康状态。
所述预测模块34还用于，在将所述特征向量输入到预先训练的分类模型前，从区块链获取预先训练的分类模型。
在上述任一实施例的基础上，所述处理模块33还用于，将所述红外图像、所述温度特征信息、所述用户位置信息、所述时间信息、所述用户的个人信息、所述跌倒预测结果中至少一项上传至区块链中。
在上述任一实施例的基础上，所述装置还包括训练模块，用于：
从区块链获取训练数据，所述训练数据包括各区块链节点上传的历史案例数据，所述历史案例数据包括用户样本站立时的红外图像、跌倒时的红外图像、跌倒时的位置信息、跌倒时的时间信息、跌倒后的情况以及用户样本的个人信息；
根据所述训练数据对所述分类模型进行训练，并将训练后的分类模型上传到区块链；
其中，所述训练数据和所述分类模型存储于同一区块链或不同区块链。
在上述任一实施例的基础上，所述训练模块还用于：
当检测到所述训练数据更新后，从所述区块链上获取更新后的训练数据和当前的分类模型；
根据更新后的训练数据重新训练该分类模型，并根据训练后的分类模型更新所述区块链中的分类模型。
在上述任一实施例的基础上，所述装置还包括报警模块，用于：
根据所述跌倒预测结果输出报警信号。
本发明实施例提供的跌倒预测装置可以具体用于执行上述图1和图2所提供的方法实施例，具体功能此处不再赘述。
本发明实施例提供的跌倒预测装置，通过获取用户的红外图像；获取用户的个人信息；根据所述红外图像以及所述个人信息生成用户的特征向量；将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果。本实施例采用从用户的红外图像、用户的个人信息中提取特征生成特征向量，然后输入分类模型进行预测，可以对用户是否跌倒进行及时准确的判断，具有较高的准确度，并且可以保护用户隐私，不受环境和空间上的制约。
图4为本发明实施例提供的跌倒检测设备的结构示意图。本发明实施例提供的跌倒检测设备可以执行跌倒检测方法实施例提供的处理流程，如图4所示，跌倒检测设备40包括存储器41、处理器42、计算机程序和通讯接口43；其中，计算机程序存储在存储器41中，并被配置为由处理器42执行以上实施例所述的跌倒检测方法。
图4所示实施例的跌倒检测设备可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
另外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的跌倒检测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种跌倒检测方法，其特征在于，包括：
获取用户的红外图像；
获取用户的个人信息；
从所述红外图像获取温度特征信息、用户位置信息以及时间信息；
对所述温度特征信息、所述用户位置信息、所述时间信息以及所述个人信息按照预定规则进行编码，得到所述用户的特征向量；
将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果；
所述从所述红外图像获取温度特征信息、用户位置信息以及时间信息，包括：
从所述红外图像获取温度分布变化时长、温度变化的剧烈程度、温度分布发生变化的像素点个数、以及高温区域的形态特征；和/或
根据获取到红外线图像的传感器位置获取所述用户位置信息；和/或
根据所述红外线图像的采集时间获取所述时间信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果，包括：
将所述特征向量输入到所述分类模型，输出用户跌倒发生的概率；
若所述概率大于预设阈值，则确定用户跌倒。
3.根据权利要求1所述的方法，其特征在于，所述获取用户的个人信息，包括：
从区块链中获取预先存储的用户的个人信息，所述用户的个人信息包括：用户的生活状态和/或用户的健康状态；
所述将所述特征向量输入到预先训练的分类模型前，还包括：
从区块链获取预先训练的分类模型。
4.根据权利要求1所述的方法，其特征在于，还包括：
将所述红外图像、所述温度特征信息、所述用户位置信息、所述时间信息、所述用户的个人信息、所述跌倒预测结果中至少一项上传至区块链中。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
从区块链获取训练数据，所述训练数据包括各区块链节点上传的历史案例数据，所述历史案例数据包括用户样本站立时的红外图像、跌倒时的红外图像、跌倒时的位置信息、跌倒时的时间信息、跌倒后的情况以及用户样本的个人信息；
根据所述训练数据对所述分类模型进行训练，并将训练后的分类模型上传到区块链；
其中，所述训练数据和所述分类模型存储于同一区块链或不同区块链。
6.根据权利要求5所述的方法，其特征在于，还包括：
当检测到所述训练数据更新后，从所述区块链上获取更新后的训练数据和当前的分类模型；
根据更新后的训练数据重新训练该分类模型，并根据训练后的分类模型更新所述区块链中的分类模型。
7.一种跌倒检测装置，其特征在于，包括：
图像获取模块，用于获取用户的红外图像；
信息获取模块，用于获取用户的个人信息；
处理模块，用于从所述红外图像获取温度特征信息、用户位置信息以及时间信息；对所述温度特征信息、所述用户位置信息、所述时间信息以及所述个人信息按照预定规则进行编码，得到所述用户的特征向量；
预测模块，用于将所述特征向量输入到预先训练的分类模型，获取跌倒预测结果；
所述处理模块在从所述红外图像获取温度特征信息、用户位置信息以及时间信息时，所述处理模块用于：
从所述红外图像获取温度分布变化时长、温度变化的剧烈程度、温度分布发生变化的像素点个数、以及高温区域的形态特征；和/或
根据获取到红外线图像的传感器位置获取所述用户位置信息；和/或
根据所述红外线图像的采集时间获取所述时间信息。
8.根据权利要求7所述的装置，其特征在于，还包括训练模块，用于：
从区块链获取训练数据，所述训练数据包括各区块链节点上传的历史案例数据，所述历史案例数据包括用户样本站立时的红外图像、跌倒时的红外图像、跌倒时的位置信息、跌倒时的时间信息、跌倒后的情况以及用户样本的个人信息；
根据所述训练数据对所述分类模型进行训练，并将训练后的分类模型上传到区块链；
其中，所述训练数据和所述分类模型存储于同一区块链或不同区块链。
9.一种跌倒检测设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；
所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013655.1A CN110781808A (zh) | 2019-10-23 | 2019-10-23 | 跌倒检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013655.1A CN110781808A (zh) | 2019-10-23 | 2019-10-23 | 跌倒检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110781808A true CN110781808A (zh) | 2020-02-11 |
Family
ID=69386738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911013655.1A Pending CN110781808A (zh) | 2019-10-23 | 2019-10-23 | 跌倒检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781808A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554070A (zh) * | 2020-04-09 | 2020-08-18 | 珠海格力电器股份有限公司 | 一种智能地毯管理方法、***、装置及存储介质 |
| CN112382052A (zh) * | 2020-11-16 | 2021-02-19 | 南通市第一人民医院 | 一种基于互联网的患者跌倒报警方法及*** |
| CN112418096A (zh) * | 2020-11-24 | 2021-02-26 | 京东数科海益信息科技有限公司 | 检测跌的方法、装置和机器人 |
| CN112784890A (zh) * | 2021-01-14 | 2021-05-11 | 泰康保险集团股份有限公司 | 一种利用多传感器融合的人体跌倒检测方法及*** |
| CN113495490A (zh) * | 2020-04-07 | 2021-10-12 | 深圳爱根斯通科技有限公司 | 设备控制方法、装置、电子设备及存储介质 |
| CN114078603A (zh) * | 2020-08-12 | 2022-02-22 | 锐可医疗科技(上海)有限公司 | 智能养老监护***、方法及计算机设备、可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116745A (zh) * | 2013-03-01 | 2013-05-22 | 南通大学 | 基于几何代数的老人跌倒状态建模、特征提取及识别方法 |
| CN106384481A (zh) * | 2016-11-01 | 2017-02-08 | 西安培华学院 | 一种带摔倒姿态判断的远程互联急救报警装置 |
| US20170213145A1 (en) * | 2016-01-21 | 2017-07-27 | Verily Life Sciences Llc | Adaptive model-based system to automatically quantify fall risk |
| CN107693022A (zh) * | 2017-09-27 | 2018-02-16 | 福建工程学院 | 一种检测人体摔倒的方法及装置 |
| JP2018088084A (ja) * | 2016-11-28 | 2018-06-07 | トヨタ自動車株式会社 | 転倒報知システム |
| CN110215212A (zh) * | 2019-04-19 | 2019-09-10 | 福州大学 | 一种基于低分辨率红外热成像的智能跌倒检测*** |
| CN110364257A (zh) * | 2019-07-18 | 2019-10-22 | 泰康保险集团股份有限公司 | 人车风险预测方法、装置、介质及电子设备 |
-
2019
- 2019-10-23 CN CN201911013655.1A patent/CN110781808A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116745A (zh) * | 2013-03-01 | 2013-05-22 | 南通大学 | 基于几何代数的老人跌倒状态建模、特征提取及识别方法 |
| US20170213145A1 (en) * | 2016-01-21 | 2017-07-27 | Verily Life Sciences Llc | Adaptive model-based system to automatically quantify fall risk |
| CN106384481A (zh) * | 2016-11-01 | 2017-02-08 | 西安培华学院 | 一种带摔倒姿态判断的远程互联急救报警装置 |
| JP2018088084A (ja) * | 2016-11-28 | 2018-06-07 | トヨタ自動車株式会社 | 転倒報知システム |
| CN107693022A (zh) * | 2017-09-27 | 2018-02-16 | 福建工程学院 | 一种检测人体摔倒的方法及装置 |
| CN110215212A (zh) * | 2019-04-19 | 2019-09-10 | 福州大学 | 一种基于低分辨率红外热成像的智能跌倒检测*** |
| CN110364257A (zh) * | 2019-07-18 | 2019-10-22 | 泰康保险集团股份有限公司 | 人车风险预测方法、装置、介质及电子设备 |
Non-Patent Citations (6)
| Title |
|---|
| 杜波等: "人体姿态检测装置的设计", 《长春工程学院学报(自然科学版)》 * |
| 杜波等: "人体姿态检测装置的设计", 《长春工程学院学报(自然科学版)》, no. 04, 28 December 2012 (2012-12-28) * |
| 杨任兵，等.: "红外图像中基于多特征提取的跌倒检测算法研究", 《红外技术》 * |
| 杨任兵，等.: "红外图像中基于多特征提取的跌倒检测算法研究", 《红外技术》, vol. 39, no. 12, 31 December 2017 (2017-12-31), pages 2 - 3 * |
| 王长清，等.: "基于位置信息的老人异常状态检测技术研究", 《现代电子技术》, vol. 42, no. 16, 15 August 2019 (2019-08-15) * |
| 邓宁，牛宇著: "《旅游大数据：理论与应用》", 旅游教育出版社, pages: 51 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113495490A (zh) * | 2020-04-07 | 2021-10-12 | 深圳爱根斯通科技有限公司 | 设备控制方法、装置、电子设备及存储介质 |
| CN113495490B (zh) * | 2020-04-07 | 2024-06-28 | 深圳爱根斯通科技有限公司 | 设备控制方法、装置、电子设备及存储介质 |
| CN111554070A (zh) * | 2020-04-09 | 2020-08-18 | 珠海格力电器股份有限公司 | 一种智能地毯管理方法、***、装置及存储介质 |
| CN114078603A (zh) * | 2020-08-12 | 2022-02-22 | 锐可医疗科技(上海)有限公司 | 智能养老监护***、方法及计算机设备、可读存储介质 |
| CN112382052A (zh) * | 2020-11-16 | 2021-02-19 | 南通市第一人民医院 | 一种基于互联网的患者跌倒报警方法及*** |
| CN112418096A (zh) * | 2020-11-24 | 2021-02-26 | 京东数科海益信息科技有限公司 | 检测跌的方法、装置和机器人 |
| CN112784890A (zh) * | 2021-01-14 | 2021-05-11 | 泰康保险集团股份有限公司 | 一种利用多传感器融合的人体跌倒检测方法及*** |
| CN112784890B (zh) * | 2021-01-14 | 2024-01-26 | 泰康保险集团股份有限公司 | 一种利用多传感器融合的人体跌倒检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781808A (zh) | 跌倒检测方法、装置、设备及存储介质 | |
| JP7083809B2 (ja) | プライバシーの保護を伴う人物の識別しおよび／または痛み、疲労、気分、および意図の識別および定量化のためのシステムおよび方法 | |
| CN111899878B (zh) | 老年人健康检测***、方法、计算机设备及可读存储介质 | |
| EP3367883B1 (en) | Monitoring activities of daily living of a person | |
| JP5301973B2 (ja) | 犯罪防止装置およびプログラム | |
| Jung et al. | Sequential pattern profiling based bio-detection for smart health service | |
| Ghose et al. | UbiHeld: ubiquitous healthcare monitoring system for elderly and chronic patients | |
| CN106796746A (zh) | 活动监视方法以及*** | |
| CN112949417A (zh) | 一种摔倒行为识别方法、设备及*** | |
| US10943137B2 (en) | Biometric data capturing and analysis | |
| Ahn et al. | A digital twin city model for age-friendly communities: Capturing environmental distress from multimodal sensory data | |
| CN115984767A (zh) | 一种基于监控画面实时分析的异常预警方法及*** | |
| CN111814646A (zh) | 基于ai视觉的监控方法、装置、设备及介质 | |
| CN111227789A (zh) | 人体健康监护方法和装置 | |
| JP2022003526A (ja) | 情報処理装置、検出システム、情報処理方法、及びプログラム | |
| JP6777605B2 (ja) | 判定装置、判定方法及び判定プログラム | |
| KR102182660B1 (ko) | 시공간 특징을 이용한 폭력 감지 시스템, 방법 및 상기 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 | |
| Alam et al. | Vision-based driver’s attention monitoring system for smart vehicles | |
| Hamatta et al. | Genetic Algorithm‐Based Human Mental Stress Detection and Alerting in Internet of Things | |
| CN112235740A (zh) | 一种基于物联网的个体作息监测方法及*** | |
| Hou et al. | An SVM fall recognition algorithm based on a gravity acceleration sensor | |
| CN110739077A (zh) | 癫痫发作预警方法及*** | |
| Kasturi et al. | Classification of human fall in top Viewed kinect depth images using binary support vector machine | |
| Wang et al. | Fall detection with a non-intrusive and first-person vision approach | |
| WO2021210454A1 (ja) | 個人識別システム及び個人識別プログラム |
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 |
Application publication date: 20200211 |
|
| RJ01 | Rejection of invention patent application after publication |