CN107145878A - 基于深度学习的老人异常行为检测方法 - Google Patents

Abstract

本发明请求保护一种基于深度学习的老人异常行为检测方法，属于深度学习领域。本发明通过多种传感器采集老人的体征信息、位置信息、图像信息，联合检测联合判断老人的异常行为，降低误判概率。首先根据多种传感器数据进行信号预处理，将处理的数据输入已训练好的BP神经网络获得老人身体状况，然后根据原始图像，对图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为，再综合老人位置信息与驻留时长，根据模糊逻辑推理判断老人行为是否异常。本发明采用联合检测方法，通过深度学习，模糊逻辑推理对老人异常行为进行联合判断，降低了误判率，提高了检测的准确性。

Description

基于深度学习的老人异常行为检测方法

技术领域

本发明涉及一种基于深度学习的老人异常行为检测方法，属于机器学习领域，适用于独居老人安全监护系统。

背景技术

我国迎来了人口迅速老龄化的时代，养老问题日益严重。随着我国经济的发展和计划生育的实行，我国人口结构发生巨大变化，未来社会中不能单纯依靠子女来照顾老人。越来越多的独居老人在生活中出现异常行为时，不能及时发现并进行预警而酿成严重后果。因此，对独居老人的安全监护及时发现老人的异常行为有利于提高了老人晚年的生活质量，同时减轻了社会和子女的压力。

目前，老人异常行为检测的方式采用可穿戴的传感器设备，基于用户的行为数据和行为规律模型构建方法，基于多特征融合的视频监控技术等方法。这些异常行为检测方法对于居家老人容易忘记配戴设备或携带不方便，实时性不高，涉及到个人隐私，不适合24小时视频监控。因此，现有技术对老人异常行为检测方式单一，这种单一检测很难满足老人出现异常的复杂性，缺乏对多源信息的协同处理，实时性差，异常信息不能及时预警等。本发明提出一种基于深度学习的老人异常行为检测方法，对异常行为进行联合检测，从传感器和图像两方面对异常行为进行检测，并综合老人的位置数据和驻留时长等，采用模糊逻辑推理对老人异常行为进行联合判断，提高老人异常检测的准确性。

发明内容

本发明的目的在于解决现有可穿戴的传感器设备与视频监控系统对异常行为检测的不足，提出一种基于深度学习的老人异常行为检测方法，综合考虑老人的体征信息，位置信息，图像信息，联合检测联合判断老人的异常行为，提高检测精度。

本发明实现上述技术创新的方案是，一种基于深度学习的老人异常行为检测方法，包括：通过多种传感器获取老人的体征数据，位置数据，驻留时长，图像数据；对老人的体征数据进行数据预处理，将心率、血压、脉搏、体温、呼吸等参数作为BP神经网络的输入，训练出BP神经网络模型，进行数据融合；通过对原始图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为；通过训练好的BP神经网络得到老人生理状况，其次通过识别出的老人行为，再综合老人当前位置数据与驻留时长，根据模糊逻辑推理得出老人行为是否异常；当检测到老人出现异常时进行报警，并通知老人子女及时关心老人。

本发明提出的技术方案减轻老人身上穿戴设备的束缚，老人只需携带定位标签。对于独居老人家居环境一般可分为卧室，客厅，厕所，厨房等具有不同功能的区域。非穿戴式的传感器布置在老人经常活动的床上沙发等处获得老人体征信息，定位标签实时获得位置信息，普通摄像头安装在非隐私的客厅、厨房获得老人图像数据。本发明的技术方案可以检测出因生理参数异常的突发性摔倒，长时间驻留异常，行走姿态异常等。本发明的技术方案通过对老人异常行为联合检测，从传感器和图像两方面进行检测，并综合老人的位置数据和驻留时长等对老人异常行为进行联合判断，提高老人异常检测的准确性，降低老人异常行为的误判率，提高检测的实时性。

附图说明

图1是本发明基于深度学习的老人异常行为检测方法结构示意图。

图2是BP神经网络模型示意图。

图3是基于3D卷积神经网络的老人行为识别流程图。

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详细地描述。

一种基于深度学习的老人异常行为检测方法它的实施步骤如下：图1为本发明所述方法的结构图，通过多种传感器采集老人的体征信息、位置信息、驻留时长、视频图像等。根据数据来源从传感器和图像两方面进行联合检测，并综合位置信息与驻留时长，采用模糊逻辑推理进行联合判断老人行为是否异常。如图2所示，体征数据的融合，选择学习率自适应法和附加动量的BP神经网络的融合算法。传统的BP算法采用基于梯度的最速下降法存在学习速率过慢的缺陷，而且也容易陷入局部极小点，采用学习率自适应法和附加动量法对BP算法进行改进，使得加入的动量因子具有自学习特性。改进的BP算法的稳定性得到很大程度地加强，不易陷入局部极小，提高了网络收敛速度，提高了体征融合的效率。将采集的体温、心率、血压、脉搏、呼吸数据预处理后作为BP神经网络的输入，融合前先对数据进行粗糙集的简化，消除大量数据的冗余属性，降低了数据维度。BP网络的输入层确定为3个节点。输出神经元节点数根据老人体征状况确定为健康、生病、体质弱。隐层为单层，使得网络训练时间减少。通过训练样本来调节神经网络的参数，确定各层的节点阈值以及各层之间的连接权重。最后利用训练好的神经网络模型得出老人体征融合结果。

老人行为识别方法如图3所示。首先将视频输入读取视频图像，对视频图像进行简单预处理。预处理包括选出人体行为特征明显的图像，以及剔除一些空白图像等。接着将图像输入3D卷积神经网络，为了防止网络过拟合，在3D卷积神经网络的第一层加入Gabor滤波器获得纹理特征，除去无用信息后对预处理图像提取通道信息包括灰度值、光流特征、梯度特征和纹理特征。对通道信息中的每个通道分离进行卷积和下采样，卷积层通过卷积运算，使原信号特征增强，并且降低噪音，下采样层利用图像局部相关性的原理，对图像进行子抽样，可以减少数据处理量同时保留有用信息。通过以上操作提取出特征向量，进行Softmax分类器分类训练，得到Softmax分类器模型，识别老人的各种行为。

通过老人的体征状况、老人的行为，再综合老人的位置信息，驻留时长，进一步利用模糊逻辑推理老人行为是否出现异常。本发明所提出的基于深度学习的老人异常行为检测方法，人体行为识别采用3D卷积神经网络降低了复杂度，其异常行为检测准确性高，这是因为本发明采取了联合检测、联合判断减小了误判的概率。

在本实施方式中，通过BP神经网络融合体征信息可以得到老人生理状况，同时通过结合深度学习所得到的网络模型，可以识别老人的多种人体行为如摔倒、弯腰、坐、下蹲等，并通过综合其他因素能够判断出老人的异常行为包括突然摔倒，长时间驻留异常，行走姿态异常等。

以上实施例应理解为仅用于本发明而不用于本发明的保护范围。在阅读了本发明的记载内容后，技术人员可以对本发明作各种改动或修改，这些修改和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种基于深度学习的老人异常行为检测方法，其特征在于：包括以下步骤：

(1)多种传感器采集体征信息如心率、血压、体温、呼吸、脉搏，经信号预处理后作为BP神经网络的输入，训练出BP神经网络模型，进行数据融合；

(2)视觉传感器采集视频图像对原始图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为；

(3)特征提取负责提取原始图像信息中最能反映人体行为信息内在本质的特征向量；

(4)通过老人体征数据和行为数据，综合老人当前位置数据与驻留时长，根据模糊逻辑推理判断老人行为是否异常。

2.根据权利要求1所述的基于深度学习的老人异常行为检测方法，其特征在于所述数据融合基于BP神经网络模型，包括以下：

(1)通过多种传感器采集的老人体征信息如心率、血压、呼吸、脉搏、体温作为BP神经网络的输入；在数据融合前，先对老人多种体征数据进行粗糙集的简化，消除大量数据的冗余属性，使得输入层的数据变得简单，降低了数据维度，神经网络的训练时间缩短，系统的实时性提高；

(2)BP神经网络算法采用基于梯度的最速下降法存在学习速率过慢的缺陷，容易陷入局部极小点，因此在老人体征融合时采用学习率自适应法和附加动量法改进BP神经网络，使得体征融合时加入的动量因子具有自学习特性；改进的BP算法不易陷入局部极小，提高了网络收敛速度，提高了体征融合的效率。

3.根据权利要求1所述的基于深度学习的老人异常行为检测方法，其特征在于3D卷积神经网络的第一层加入Gabor滤波器得到纹理特征，与灰度值、光流特征、梯度特征进行三维卷积和采样，提取最能反映人体行为的特征向量输入到Softmax分类器分类训练，得到用于人体行为识别的分类器模型；Softmax分类器的参数有冗余，对逻辑回归代价函数加入权重衰减，将代价函数降为最小。

4.根据权利要求1～3所述的基于深度学习的老人异常行为检测方法，其特征在于获得的老人生理状况与老人行为后，综合老人的位置信息与驻留时长，根据模糊逻辑推理判断老人行为是否异常。