CN108416979A - 一种智能老年人摔倒报警系统 - Google Patents

Abstract

本发明公开了一种智能老年人摔倒报警系统。该系统包括：触发端、远端服务器、网络摄像装置和远端报警系统；触发端包括：三轴姿态传感器、温度传感系统、GPS定位系统、第一MCU主控模块和第一GPRS透传模块；远端报警系统包括：第二GPRS透传模块、第二MCU主控模块、声音报警装置和光电报警装置。本发明在触发端引入三轴加速度传感器，确保预测摔倒的准确率；引入温度传感系统判断老年人是否佩戴手环及手环自动脱落的情况，减少误报率；加入Yolo训练算法，通过图像识别的方式确认老年人摔倒的状态，提高报警的准确率，降低由于误报引起的恐慌；触发报警系统后，若老年人摔倒后能短时间自行站起，则通过捕捉的图片进行算法分析自动解除报警并记录此次事件。

Description

一种智能老年人摔倒报警系统

技术领域

本发明涉及计算机应用技术领域，更具体的涉及一种智能老年人摔倒报警系统。

背景技术

现有技术及市面上售卖的产品，漏报、误报率较高，漏报造成老年人跌倒后无法得到及时救治，误报频繁会引起不必要恐慌。

发明内容

本发明实施例提供一种智能老年人摔倒报警系统，用以解决现有技术中存在漏报、误报率高的问题。

本发明实施例提供一种智能老年人摔倒报警系统，包括：触发端、远端服务器、网络摄像装置和远端报警系统；

所述触发端包括：三轴姿态传感器、温度传感系统、GPS定位系统、第一 MCU主控模块和第一GPRS透传模块；

所述三轴姿态传感器，用于当老年人由于身体失去平衡摔倒后，检测身体发生角度变化信息，并将身体发生角度变化信息通过所述第一MCU主控模块和所述第一GPRS透传模块传输至所述远端服务器；

所述温度传感系统，包括：温度传感器A和温度传感器B；温度传感器A 测量外界温度，温度传感器B测量老年人体表温度，通过第一MCU主控模块中的微处理器对外界温度和老年人体表温度进行比较，并将比较后的数据转换为串口数据通过所述第一GPRS透传模块传输至所述远端服务器；

所述GPS定位系统，用于当确定老年人跌倒后，对老年人位置进行定位；

所述远端服务器，

用于接收三轴姿态传感器、温度传感器A和温度传感器B的信号后，对传过来的数据进行优先级处理；其中，将温度传感系统传过来的数据定为最高级别；

当温度传感器A和温度传感器B读数一致时，定性为老年人未佩戴和佩戴后不经意间掉落，所述远端服务器通过短信形式通知智能接收端；

当温度传感器A和温度传感器B读数不一致时，所述远端服务器对所述三轴姿态传感器传来的数据进行分析，对所述触发端进行定位，并启动所述触发端的网络摄像装置，网络摄像装置捕捉图片并传输至所述远端服务器，所述远端服务器先对图片进行预处理，之后通过Yolo训练算法确认老年人摔倒的状态，并确定是否警报；

所述远端报警系统包括：第二GPRS透传模块、第二MCU主控模块、声音报警装置和光电报警装置。

较佳地，所述触发端还包括：一键式报警系统；所述一键式报警系统，用于当老年人因某种内在因素无法行走或感觉不适时，按键进行现场求救报警以及通过服务器进行远程报警。

较佳地，所述触发端还包括：心率监测装置；所述心率监测装置，用于当老年人的心率超出设定范围时，通过服务器发送短信到指定号码手机进行报警。

进一步地，所述智能接收端包括：家属、养老院或社区的负责人。

进一步地，所述Yolo训练算法，具体包括：

收集大量老人跌倒与直立的图片集，对图片进行去灰度、去噪声的预处理，并把图片缩放成448X448的正方形图片，把预处理后的数据图片放在Kearnes 搭建的卷积神经网络中进行训练，图片在训练的过程中，每一次训练结束都会输出一个Loss函数和Acc函数，Loss函数越趋近于零，训练结果越接近于所输入的原始图片，说明此次训练结果较好；并将把训练好的数据集存储于所述远程服务器中构成知识库；

加载神经网络的特征提取：把网络摄像装置传输过来的样本图片进行去灰度、去噪声的预处理，并把图片缩放成448x448的正方形图片，送进一个卷积神经网络中，到最后一层卷积响应图的时候，接两层全连接，输出7x7x12的张量；最后从这7x7x12的张量中提取出来的物体框和类别的预测信息经过非极大值抑制处理，得到最终的物体检测结果，判断出是躺着还是站立的这两种类别，并对结果进行标记；

对加载神经网络提取特征之后的数据集与知识库中的数据集进行匹配并分类，若符合躺着特征的分类则进行报警，否则不报警；若报警后，重新捕捉到站立的图片数据，则自动取消报警，并记录此次事件的发生。

本发明实施例中，提供一种智能老年人摔倒报警系统，与现有技术相比，其有益效果如下：

本发明旨在通过机器学习的算法提高报警的准确率，快速准确的对摔倒老人进行定位，及时现场和远程报警，并通过该装置确定老年人没有佩戴设备或者无意中掉落此装置，进而达到提醒老年人佩戴此装置的目的。为了解决老年人自身跌倒或被动性跌倒后无人知晓、无人救助等问题，本发明设计了一种智能老年人摔倒报警系统，该系统小巧轻便、软硬件相结合，硬件部分检测老年人跌倒，判断老年人是否佩戴此装置及此装置是否佩戴后掉落，软件部分利用 Tensorflow的Yolo训练算法的图像识别技术，精准判断老年人摔倒及摔倒后的状态，该系统具备自动报警、现场求解、GPS定位、自动解除报警等功能，该系统的优势是利用温度传感系统排除老年人未佩戴和佩戴后不慎掉落的情况，能精准确认老年人跌倒及跌倒的位置，并自动报警，与普通市面上的产品相比，此系统极大的解决了因漏报造成老年人跌倒后无法得到及时救治以及因误报频繁引起不必要的恐慌等问题。本发明基于Yolo训练算法的智能老年人摔倒报警系统，大大的提高了对老年人摔倒判断的准确率，避免了因误报、漏报引起的不必要的恐慌，通过设计的温度传感系统，可排除老年人没有佩戴或者无意间脱落设备的可能性，也极大的降低了误报率。

附图说明

图1为本发明实施例提供的一种智能老年人摔倒报警系统原理图；

图2为本发明实施例提供的温度传感系统；

图3为本发明实施例提供的一种智能老年人摔倒报警系统的软件流程图。

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一种智能老年人摔倒报警系统原理图；图2为本发明实施例提供的温度传感系统。参见图1和图2所示，该系统包括：触发端、远端服务器、网络摄像装置和远端报警系统。

具体地，所述触发端包括：三轴姿态传感器、温度传感系统、GPS定位系统、第一MCU主控模块和第一GPRS透传模块。

其中，所述三轴姿态传感器，用于当老年人由于身体失去平衡摔倒后，检测身体发生角度变化信息，并将身体发生角度变化信息通过所述第一MCU主控模块和所述第一GPRS透传模块传输至所述远端服务器。

需要说明的是，当老年人由于身体失去平衡摔倒后，在地球引力作用下，发生向下的重力加速度g，随之身体发生角度变化，此时三轴姿态传感器启动。检测单元通过GPRS透传模块将数据传输给远端服务器。

其中，所述温度传感系统，包括：温度传感器A和温度传感器B；温度传感器A测量外界温度，温度传感器B测量老年人体表温度，通过第一MCU主控模块中的微处理器对外界温度和老年人体表温度进行比较，并将比较后的数据转换为串口数据通过所述第一GPRS透传模块传输至所述远端服务器；

需要说明的是，当温度传感器A和温度传感器B读数一致时，说明老年人未佩戴或者不经意间掉落，从而排除了摔倒的可能，此时不启动摄像装置及报警装置。

其中，所述GPS定位系统，用于当确定老年人跌倒后，对老年人位置进行定位。

较佳地，所述触发端还包括：一键式报警系统；所述一键式报警系统，用于当老年人因某种内在因素无法行走或感觉不适时，按键进行现场求救报警以及通过服务器进行远程报警。

较佳地，所述触发端还包括：心率监测装置；所述心率监测装置，用于当老年人的心率超出设定范围时，通过服务器发送短信到指定号码手机进行报警。

图3为本发明实施例提供的一种智能老年人摔倒报警系统的软件流程图。参见图3，所述远端服务器，用于接收三轴姿态传感器、温度传感器A和温度传感器B的信号后，对传过来的数据进行优先级处理；其中，将温度传感系统传过来的数据定为最高级别。当温度传感器A和温度传感器B读数一致时，定性为老年人未佩戴和佩戴后不经意间掉落，所述远端服务器通过短信形式通知智能接收端，达到提醒老年人再次佩戴装置的目的。当温度传感器A和温度传感器B读数不一致时，所述远端服务器对所述三轴姿态传感器传来的数据进行分析，对所述触发端进行定位，并启动所述触发端的网络摄像装置，网络摄像装置捕捉图片并传输至所述远端服务器，所述远端服务器先对图片进行预处理，之后通过Yolo训练算法确认老年人摔倒的状态，并确定是否警报；老年人若摔倒后安然无恙能自行站起，则通过捕捉的图片进行算法分析，确定站立后，自动解除报警并记录此次事件。

进一步地，所述智能接收端包括：家属、养老院或社区的负责人。

进一步地，所述Yolo训练算法，具体包括：

1、收集大量老人跌倒与直立的图片集，对图片进行去灰度、去噪声的预处理，并把图片缩放成448X448的正方形图片，把预处理后的数据图片放在 Kearnes搭建的卷积神经网络中进行训练，图片在训练的过程中，每一次训练结束都会输出一个Loss函数和Acc函数，Loss函数越趋近于零，训练结果越接近于所输入的原始图片，说明此次训练结果较好；并将把训练好的数据集存储于所述远程服务器中构成知识库。

2、加载神经网络的特征提取：把网络摄像装置传输过来的样本图片进行去灰度、去噪声的预处理，并把图片缩放成448x448的正方形图片，送进一个卷积神经网络中，到最后一层卷积响应图的时候，接两层全连接，输出7x7x12 的张量；最后从这7x7x12的张量中提取出来的物体框和类别的预测信息经过非极大值抑制处理，得到最终的物体检测结果，判断出是躺着还是站立的这两种类别，并对结果进行标记。

3、对加载神经网络提取特征之后的数据集与知识库中的数据集进行匹配并分类，若符合躺着特征的分类则进行报警，否则不报警；若报警后，重新捕捉到站立的图片数据，则自动取消报警，并记录此次事件的发生。

具体地，所述远端报警系统包括：第二GPRS透传模块、第二MCU主控模块、声音报警装置和光电报警装置。

需要说明的是，该智能报警系统设计小巧轻便，以手环形式佩戴在老年人手腕处，老年人由于身体失去平衡而跌倒后，温度传感器数据通过GPRS透传模块把数据传输给服务器，服务器通过分析温度传感系统传来的数据，排除未佩戴和佩戴后不慎掉落的可能性后，定位并启动离老人最近的摄像装置，摄像装置进行连续拍照，照片传至服务器进行处理，服务器通过具体算法处理，确认老年人摔倒，并通过给指定手机发送短信、声音报警器发出声音，光电报警器发出光报警，服务器确认老年人站立后自我解除以上警报并记录此次事件的全部数据。

综上所述，本发明的传感器数据通过GPRS透传模块将数据传到远端服务器，服务器对传输过来的数据按照优先级进行处理，通过对温度传感系统传来的数据分析，排除佩戴者没有佩戴设备或者设备无意中掉落的可能，然后对三轴姿态传感器传来的数据进行分析，进而开启摄像装置，服务器对图片进行 Yolo训练算法下的分析比对后确认报警，启动声、光电装置或者其它智能接收装置。本发明在触发端引入三轴加速度传感器，确保预测摔倒的准确率；引入了温度传感系统判断老年人是否佩戴手环及手环自动脱落的情况，减少了误报率；加入了Yolo训练算法，通过图像识别的方式确认老年人摔倒的状态，提高报警的准确率，降低由于误报引起的恐慌；触发报警系统后，若老年人摔倒后能短时间自行站起，则通过捕捉的图片进行算法分析自动解除报警并记录此次事件。

以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种智能老年人摔倒报警系统，其特征在于，包括：触发端、远端服务器、网络摄像装置和远端报警系统；

所述触发端包括：三轴姿态传感器、温度传感系统、GPS定位系统、第一MCU主控模块和第一GPRS透传模块；

所述三轴姿态传感器，用于当老年人由于身体失去平衡摔倒后，检测身体发生角度变化信息，并将身体发生角度变化信息通过所述第一MCU主控模块和所述第一GPRS透传模块传输至所述远端服务器；

所述温度传感系统，包括：温度传感器A和温度传感器B；温度传感器A测量外界温度，温度传感器B测量老年人体表温度，通过第一MCU主控模块中的微处理器对外界温度和老年人体表温度进行比较，并将比较后的数据转换为串口数据通过所述第一GPRS透传模块传输至所述远端服务器；

所述GPS定位系统，用于当确定老年人跌倒后，对老年人位置进行定位；

所述远端服务器，

用于接收三轴姿态传感器、温度传感器A和温度传感器B的信号后，对传过来的数据进行优先级处理；其中，将温度传感系统传过来的数据定为最高级别；

当温度传感器A和温度传感器B读数一致时，定性为老年人未佩戴和佩戴后不经意间掉落，所述远端服务器通过短信形式通知智能接收端；

当温度传感器A和温度传感器B读数不一致时，所述远端服务器对所述三轴姿态传感器传来的数据进行分析，对所述触发端进行定位，并启动所述触发端的网络摄像装置，网络摄像装置捕捉图片并传输至所述远端服务器，所述远端服务器先对图片进行预处理，之后通过Yolo训练算法确认老年人摔倒的状态，并确定是否警报；

所述远端报警系统包括：第二GPRS透传模块、第二MCU主控模块、声音报警装置和光电报警装置。

2.如权利要求1所述的智能老年人摔倒报警系统，其特征在于，所述触发端还包括：一键式报警系统；所述一键式报警系统，用于当老年人因某种内在因素无法行走或感觉不适时，按键进行现场求救报警以及通过服务器进行远程报警。

3.如权利要求1所述的智能老年人摔倒报警系统，其特征在于，所述触发端还包括：心率监测装置；所述心率监测装置，用于当老年人的心率超出设定范围时，通过服务器发送短信到指定号码手机进行报警。

4.如权利要求1所述的智能老年人摔倒报警系统，其特征在于，所述智能接收端包括：家属、养老院或社区的负责人。

5.如权利要求1所述的智能老年人摔倒报警系统，其特征在于，所述Yolo训练算法，具体包括：

收集大量老人跌倒与直立的图片集，对图片进行去灰度、去噪声的预处理，并把图片缩放成448X448的正方形图片，把预处理后的数据图片放在Kearnes搭建的卷积神经网络中进行训练，图片在训练的过程中，每一次训练结束都会输出一个Loss函数和Acc函数，Loss函数越趋近于零，训练结果越接近于所输入的原始图片，说明此次训练结果较好；并将把训练好的数据集存储于所述远程服务器中构成知识库；

加载神经网络的特征提取：把网络摄像装置传输过来的样本图片进行去灰度、去噪声的预处理，并把图片缩放成448x448的正方形图片，送进一个卷积神经网络中，到最后一层卷积响应图的时候，接两层全连接，输出7x7x12的张量；最后从这7x7x12的张量中提取出来的物体框和类别的预测信息经过非极大值抑制处理，得到最终的物体检测结果，判断出是躺着还是站立的这两种类别，并对结果进行标记；

对加载神经网络提取特征之后的数据集与知识库中的数据集进行匹配并分类，若符合躺着特征的分类则进行报警，否则不报警；若报警后，重新捕捉到站立的图片数据，则自动取消报警，并记录此次事件的发生。