CN111488850A - 一种基于神经网络的老年人跌倒检测方法 - Google Patents

一种基于神经网络的老年人跌倒检测方法 Download PDF

Info

Publication number
CN111488850A
CN111488850A CN202010305322.2A CN202010305322A CN111488850A CN 111488850 A CN111488850 A CN 111488850A CN 202010305322 A CN202010305322 A CN 202010305322A CN 111488850 A CN111488850 A CN 111488850A
Authority
CN
China
Prior art keywords
layer
neural network
input
convolutional
output
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.)
Granted
Application number
CN202010305322.2A
Other languages
English (en)
Other versions
CN111488850B (zh
Inventor
杨尚明
姜珊
刘勇国
李巧勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010305322.2A priority Critical patent/CN111488850B/zh
Publication of CN111488850A publication Critical patent/CN111488850A/zh
Application granted granted Critical
Publication of CN111488850B publication Critical patent/CN111488850B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于神经网络的老年人跌倒检测方法，包括以下步骤：S1、对深度图像数据进行预处理，得到二值图像；S2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型；S3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；S4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；S5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为，本发明解决了基于传统机器学习的跌倒检测，输入层权值与隐层偏差为随机生成，将会导致消耗神经元数目过多，提取特征结果稳定性差的问题。

Description

一种基于神经网络的老年人跌倒检测方法
技术领域
本发明属于人体识别技术领域，具体涉及一种基于神经网络的老年人跌倒检测方法。
背景技术
当前，我国老龄化进程加快。随着年龄增长，人体机能和平衡控制能力下降，导致跌倒风险增加。老年人跌倒容易造成身体伤害，影响日常生活。跌倒检测是实施跌倒保护的基础，并为跌倒伤害评估和及时救助提供支持。跌倒行为检测主要通过传感器感知人体行为数据，对数据进行预处理和特征提取，最终进行跌倒识别。用于跌倒检测的传感器可分为穿戴式传感器和环境感知传感器。穿戴式传感器需要随身佩戴，适用于昼日户外场所。环境感知传感器包括视频、红外和声音等，无需佩戴在身上，适用于卫生间、厨房及卧室等跌倒风险较高的特定空间。
传统跌倒检测通常采用机器学习算法，如极限学习机、决策树和隐马尔科夫算法等。Ghojogh等人[Ghojogh.B,Mohammadzade.H,Mokari.M.Fisherposes for Human ActionRecognition Using Kinect Sensor Data[J].IEEE Sensors Journal,2018,18(4):1612-1627.]通过采集人体深度图像，对深度图像进行预处理，提取骨架对齐和尺度变换得到特征向量，使用正则化马氏距离度量识别动作，并利用隐马尔可夫模型识别跌倒行为，准确率达88.64％。
深度学习模型因能够自动学习数据特征，在传感器数据充分的情况下，能够取得比传统机器学习方法更好的跌倒检测性能。邓志锋等人[邓志锋,闵卫东,邹松.一种基于CNN和人体椭圆轮廓运动特征的摔倒检测方法[J].图学学报,2018]提出一种基于卷积神经网络(CNN)提取人体运动特征进行跌倒检测的方法。王攀提出一种卷积混合模型极限学习机(CNN-RoELM)，使用卷积神经网络提取人体图像特征，然后利用加权最小二乘法计算鲁棒极限学习机(RoELM)的输出权值，实现跌倒行为检测。
基于传统机器学习的跌倒检测，如极限学习机算法中输入层权值与隐层偏差为随机生成，将会导致消耗神经元数目过多，提取特征结果稳定性差等缺点；而深度学习算法则由于图像数据量大、且过于冗余造成模型学习时间过长。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于神经网络的老年人跌倒检测方法解决了基于传统机器学习的跌倒检测，输入层权值与隐层偏差为随机生成，将会导致消耗神经元数目过多，提取特征结果稳定性差的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于神经网络的老年人跌倒检测方法，包括以下步骤：
S1、对深度图像数据进行预处理，得到二值图像；
S2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型；
S3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；
S4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；
S5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为。
进一步地，步骤S1包括以下步骤：
S11、采用Kinect v2的红外线CMOS摄像机获取老年人行为动作的深度图像数据；
S12、将深度图像数据进行灰度变换，得到灰度图像数据；
S13、对灰度图像数据进行去噪和二值化处理，得到二值图像。
进一步地，所述步骤S13中对图像去噪的公式为：
g(x,y)＝mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)} (1)
其中，g(·)为去噪后的像素值，mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)}为通过排序获得的像素中间值，(x,y)为像素点坐标，f(·)为去噪前的像素值，a为像素点的邻域的长，b为像素点的邻域的宽。
进一步地，所述步骤S13中对图像进行二值化处理包括以下步骤：
S131、设定二值化阈值；
S132、将去噪后的图像的像素值与二值化阈值进行比较，将像素值大于阈值的像素赋新值255；将像素值小于阈值的像素赋新值0，得到二值图像。
进一步地，所述步骤S3中的特征向量为：
Figure BDA0002455584130000031
Figure BDA0002455584130000032
其中，h(x*)为特征向量，x*为训练样本预处理后的数据，
Figure BDA0002455584130000033
为优化的ELM神经网络模型中第i个隐藏层节点的输出，ωi为连接N个样本的输入节点和第i个隐层节点的L维权重向量，bi为第i个隐层节点的偏差。
进一步地，所述步骤S4中卷积神经网络模型包括：第一卷积层、第二卷积层、第三卷积层、第一池化层、第二池化层、第三池化层、Flatten层、第一全连接层、丢弃层和第二全连接层；
所述第一卷积层的输入与优化的ELM神经网络模型的输出通信连接，其输出与第一池化层的输入通信连接；
所述第一池化层的输出与第二卷积层的输入通信连接；
所述第二卷积层的输出与第二池化层的输入通信连接；
所述第二池化层的输出与第三卷积层的输入通信连接；
所述第三卷积层的输出与第三池化层的输入通信连接；
所述第三池化层的输出与Flatten层的输入通信连接；
所述Flatten层的输出与第一全连接层的输入通信连接；
所述第一全连接层的输出与丢弃层的输入通信连接；
所述丢弃层的输出与第二全连接层的输入通信连接。
进一步地，所述第一卷积层包含32个3×3卷积核，所述第二卷积层包含64个3×3卷积核，所述第三卷积层包含128个3×3卷积核；
所述第一池化层、第二池化层和第三池化层的特征核尺寸为2×2；
所述第一全连接层采用relu作为激活函数；
所述第二全连接层采用softmax函数计算跌倒事件的概率。
进一步地，所述计算跌倒事件的概率的公式为：
Figure BDA0002455584130000041
其中，F(Xr)为将样本识别为第r类行为的概率，Xr为第r类行为样本对应的特征向量，k为样本标签总数。
本发明的有益效果为：首先利用粒子群优化算法代替ELM算法输入层权值和隐层偏差随机生成的过程，利用ELM的输入层权值和隐层神经元对输入样本进行非线性映射，避免消耗神经元数目过多、提取特征结果稳定性差等缺点；再将映射后的特征向量输入到卷积神经网络模型中进行特征提取和跌倒状态的概率计算，通过池化层减少了特征数量，有效解决深度学习算法学习时间过长问题，避免过拟合现象，最终进行跌倒行为检测。
附图说明
图1为一种基于神经网络的老年人跌倒检测方法的流程图；
图2为Kinect V2采集的深度图像示意图；
图3为图像去噪前后效果对比图；
图4为二值化处理图像前后效果对比图
图5为ELM神经网络模型的结构示意图；
图6为卷积神经网络模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于神经网络的老年人跌倒检测方法，包括以下步骤：
S1、对深度图像数据进行预处理，得到二值图像；
步骤S1包括以下步骤：
S11、获取老年人行为动作的深度图像数据；
在本实施例中，利用两个Kinect v2的红外线CMOS摄像机获取人体日常活动的深度图像数据，其中一个放置在高度为1.2m，前后距离为1.8m锁定目标正前方位置进行数据捕获；另一个放置在以目标为中心的正上方天花板处，以30帧/秒获取人体活动数据。人体活动过程中的动作划分为跌倒与日常活动两类，其中日常活动主要包括行走、坐、站、躺等动作。Kinectv2采集的深度图像示例如图2所示。
S12、将深度图像数据进行灰度变换，得到灰度图像数据；
S13、对灰度图像数据进行去噪和二值化处理，得到二值图像。
步骤S13中对图像去噪的公式为：
g(x,y)＝mid{f(x-a,y-b),…,f(x+a,y+b)} (1)
其中，g(·)为去噪后的像素值，mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)}为通过排序获得的像素中间值，(x,y)为像素点坐标，f(·)为去噪前的像素值，a为像素点的邻域的长，b为像素点的邻域的宽。
在本实施例中，将邻域设置为3*3矩阵，边长为3；图像去噪前后效果对比如图3所示。
步骤S13中对图像进行二值化处理包括以下步骤：
S131、设定二值化阈值；
S132、将去噪后的图像的像素值与二值化阈值进行比较，将像素值大于阈值的像素赋新值255；将像素值小于阈值的像素赋新值0，得到二值图像。
在本实施例中，通过动态调节阈值观察二值化效果，本方案最终确定阈值为25时效果最好，二值化处理图像前后效果对比如图4所示。
S2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型，如图5所示；
S3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；
将每一个二值图像作为一个样本，并将样本按情况标记为跌倒与日常活动标签。
步骤S3中的特征向量为：
Figure BDA0002455584130000061
Figure BDA0002455584130000062
其中，h(x*)为特征向量，x*为训练样本预处理后的数据，
Figure BDA0002455584130000063
为优化的ELM神经网络模型中第i个隐藏层节点的输出，ωi为连接N个样本的输入节点和第i个隐层节点的L维权重向量，bi为第i个隐层节点的偏差。
采用粒子群优化算法消除了多余的隐含层节点，减少了神经元的数目和没有贡献度的隐含层节点，使得提取的特征结果稳定性高，效率高。
S4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；
如图6所示，步骤S4中卷积神经网络模型包括：第一卷积层、第二卷积层、第三卷积层、第一池化层、第二池化层、第三池化层、Flatten层、第一全连接层、丢弃层和第二全连接层；
所述第一卷积层的输入与优化的ELM神经网络模型的输出通信连接，其输出与第一池化层的输入通信连接；
所述第一池化层的输出与第二卷积层的输入通信连接；
所述第二卷积层的输出与第二池化层的输入通信连接；
所述第二池化层的输出与第三卷积层的输入通信连接；
所述第三卷积层的输出与第三池化层的输入通信连接；
所述第三池化层的输出与Flatten层的输入通信连接；
所述Flatten层的输出与第一全连接层的输入通信连接；
所述第一全连接层的输出与丢弃层的输入通信连接；
所述丢弃层的输出与第二全连接层的输入通信连接。
所述第一卷积层包含32个3×3卷积核，所述第二卷积层包含64个3×3卷积核，所述第三卷积层包含128个3×3卷积核；
所述第一池化层、第二池化层和第三池化层的特征核尺寸为2×2；
所述第一全连接层采用relu作为激活函数；
所述第二全连接层采用softmax函数计算跌倒事件的概率。
通过池化层减少特征数量，再通过Flatten层将多维数据一维化。
在本实施例中，丢弃层的概率为0.5，防止模型过拟合。
计算跌倒事件的概率的公式为：
Figure BDA0002455584130000081
其中，F(Xr)为将样本识别为第r类行为的概率，Xr为第r类行为样本对应的特征向量，k为样本标签总数。
S5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为。
本发明通过Kinect v2获取老年人日常活动过程深度图像，使老年人摆脱了可穿戴传感器的束缚，同时可避免隐私问题。首先利用粒子群优化算法代替ELM算法输入层权值和隐层偏差随机生成的过程，利用ELM的输入层权值和隐层神经元对输入样本进行非线性映射，避免消耗神经元数目过多、提取特征结果稳定性差等缺点；再将映射后的特征向量输入到卷积神经网络模型中进行特征提取和跌倒行为概率计算，通过池化层减少了特征数量，有效解决深度学习算法学习时间过长问题，避免过拟合现象，最终进行跌倒行为检测。
跌倒检测任务通常采用准确率(accuracy)、特异性(specificity)和灵敏度(sensitivity)作为评价指标。本发明方案利用公开跌倒数据集UTKinect(http://cvrc.ece.utexas.edu/KinectDatasets/HOJ3D.html)中的数据对本方法中涉及的ELM神经网络模型和卷积神经网络模型进行训练，并对本方法进行验证。该数据集采用2个Kinectv2传感器采集人体深度图像，包含日常活动和跌倒事件，主要跌倒方式分为前向跌倒、后向跌倒、侧向(左、右)跌倒。本方案采用其中10800张深度图像数据进行训练，最终得到99.82％的准确性，与使用该公开数据集的其他跌倒检测方法进行对比，本方案性能更高，如表一所示。
表一
Figure BDA0002455584130000091

Claims (8)

1.一种基于神经网络的老年人跌倒检测方法，其特征在于，包括以下步骤：
S1、对深度图像数据进行预处理，得到二值图像；
S2、采用粒子群优化算法获取最优ELM映射参数，得到优化的ELM神经网络模型；
S3、将二值图像样本化处理，并对样本添加标签，并将样本输入优化的ELM神经网络模型中进行训练，得到特征向量；
S4、将特征向量输入卷积神经网络模型，得到老年人处于跌倒状态的概率；
S5、根据老年人处于跌倒状态的概率，判别老年人是否发生跌倒行为。
2.根据权利要求1所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S1包括以下步骤：
S11、采用Kinect v2的红外线CMOS摄像机获取老年人行为动作的深度图像数据；
S12、将深度图像数据进行灰度变换，得到灰度图像数据；
S13、对灰度图像数据进行去噪和二值化处理，得到二值图像。
3.根据权利要求2所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S13中对图像去噪的公式为：
g(x,y)＝mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)} (1)
其中，g(·)为去噪后的像素值，mid{f(x-a,y-b),…,f(x,y),…,f(x+a,y+b)}为通过排序获得的像素中间值，(x,y)为像素点坐标，f(·)为去噪前的像素值，a为像素点的邻域的长，b为像素点的邻域的宽。
4.根据权利要求2所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S13中对图像进行二值化处理包括以下步骤：
S131、设定二值化阈值；
S132、将去噪后的图像的像素值与二值化阈值进行比较，将像素值大于阈值的像素赋新值255；将像素值小于阈值的像素赋新值0，得到二值图像。
5.根据权利要求1所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S3中的特征向量为：
Figure FDA0002455584120000021
Figure FDA0002455584120000022
其中，h(x*)为特征向量，x*为训练样本预处理后的数据，
Figure FDA0002455584120000023
为优化的ELM神经网络模型中第i个隐藏层节点的输出，ωi为连接N个样本的输入节点和第i个隐层节点的L维权重向量，bi为第i个隐层节点的偏差。
6.根据权利要求1所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述步骤S4中卷积神经网络模型包括：第一卷积层、第二卷积层、第三卷积层、第一池化层、第二池化层、第三池化层、Flatten层、第一全连接层、丢弃层和第二全连接层；
所述第一卷积层的输入与优化的ELM神经网络模型的输出通信连接，其输出与第一池化层的输入通信连接；
所述第一池化层的输出与第二卷积层的输入通信连接；
所述第二卷积层的输出与第二池化层的输入通信连接；
所述第二池化层的输出与第三卷积层的输入通信连接；
所述第三卷积层的输出与第三池化层的输入通信连接；
所述第三池化层的输出与Flatten层的输入通信连接；
所述Flatten层的输出与第一全连接层的输入通信连接；
所述第一全连接层的输出与丢弃层的输入通信连接；
所述丢弃层的输出与第二全连接层的输入通信连接。
7.根据权利要求6所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述第一卷积层包含32个3×3卷积核，所述第二卷积层包含64个3×3卷积核，所述第三卷积层包含128个3×3卷积核；
所述第一池化层、第二池化层和第三池化层的特征核尺寸为2×2；
所述第一全连接层采用relu作为激活函数；
所述第二全连接层采用softmax函数计算跌倒事件的概率。
8.根据权利要求7所述的基于神经网络的老年人跌倒检测方法，其特征在于，所述计算跌倒事件的概率的公式为：
Figure FDA0002455584120000031
其中，F(Xr)为将样本识别为第r类行为的概率，Xr为第r类行为样本对应的特征向量，k为样本标签总数。
CN202010305322.2A 2020-04-17 2020-04-17 一种基于神经网络的老年人跌倒检测方法 Expired - Fee Related CN111488850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010305322.2A CN111488850B (zh) 2020-04-17 2020-04-17 一种基于神经网络的老年人跌倒检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010305322.2A CN111488850B (zh) 2020-04-17 2020-04-17 一种基于神经网络的老年人跌倒检测方法

Publications (2)

Publication Number Publication Date
CN111488850A true CN111488850A (zh) 2020-08-04
CN111488850B CN111488850B (zh) 2022-07-12

Family

ID=71792714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010305322.2A Expired - Fee Related CN111488850B (zh) 2020-04-17 2020-04-17 一种基于神经网络的老年人跌倒检测方法

Country Status (1)

Country Link
CN (1) CN111488850B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597821A (zh) * 2020-12-11 2021-04-02 齐鲁工业大学 一种机械臂动作识别方法、系统、终端及存储介质
CN112800938A (zh) * 2021-01-26 2021-05-14 上海伯镭智能科技有限公司 无人驾驶车辆检测侧面落石发生的方法及装置
CN112883939A (zh) * 2021-04-15 2021-06-01 河北工业大学 实时跌倒检测模型训练方法、实时跌倒检测方法及装置
CN115457732A (zh) * 2022-08-24 2022-12-09 电子科技大学 一种基于样本生成和特征分离的跌倒检测方法
CN115661943A (zh) * 2022-12-22 2023-01-31 电子科技大学 一种基于轻量级姿态评估网络的跌倒检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105703362A (zh) * 2016-03-18 2016-06-22 广东工业大学 一种分散式电能质量调节系统
US20160360970A1 (en) * 2015-06-14 2016-12-15 Facense Ltd. Wearable device for taking thermal and visual measurements from fixed relative positions
CN107451651A (zh) * 2017-07-28 2017-12-08 杭州电子科技大学 一种基于粒子群优化的h‑elm的驾驶疲劳检测方法
CN109581361A (zh) * 2018-11-22 2019-04-05 九牧厨卫股份有限公司 一种检测方法、检测装置、终端以及检测系统
CN109800860A (zh) * 2018-12-28 2019-05-24 北京工业大学 一种面向社区基于cnn算法的老年人跌倒检测方法
CN110232372A (zh) * 2019-06-26 2019-09-13 电子科技大学成都学院 基于粒子群优化bp神经网络的步态识别方法
CN110503063A (zh) * 2019-08-28 2019-11-26 东北大学秦皇岛分校 基于沙漏卷积自动编码神经网络的跌倒检测方法
CN110633736A (zh) * 2019-08-27 2019-12-31 电子科技大学 一种基于多源异构数据融合的人体跌倒检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160360970A1 (en) * 2015-06-14 2016-12-15 Facense Ltd. Wearable device for taking thermal and visual measurements from fixed relative positions
US20190029528A1 (en) * 2015-06-14 2019-01-31 Facense Ltd. Head mounted system to collect facial expressions
CN105703362A (zh) * 2016-03-18 2016-06-22 广东工业大学 一种分散式电能质量调节系统
CN107451651A (zh) * 2017-07-28 2017-12-08 杭州电子科技大学 一种基于粒子群优化的h‑elm的驾驶疲劳检测方法
CN109581361A (zh) * 2018-11-22 2019-04-05 九牧厨卫股份有限公司 一种检测方法、检测装置、终端以及检测系统
CN109800860A (zh) * 2018-12-28 2019-05-24 北京工业大学 一种面向社区基于cnn算法的老年人跌倒检测方法
CN110232372A (zh) * 2019-06-26 2019-09-13 电子科技大学成都学院 基于粒子群优化bp神经网络的步态识别方法
CN110633736A (zh) * 2019-08-27 2019-12-31 电子科技大学 一种基于多源异构数据融合的人体跌倒检测方法
CN110503063A (zh) * 2019-08-28 2019-11-26 东北大学秦皇岛分校 基于沙漏卷积自动编码神经网络的跌倒检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DONG XIAO .ETC: "A Multiple Hidden Layers Extreme Learning Machine Method and Its Application", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
XIN MA .ETC: "Depth-Based Human Fall Detection via Shape Features and Improved Extreme Learning Machine", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597821A (zh) * 2020-12-11 2021-04-02 齐鲁工业大学 一种机械臂动作识别方法、系统、终端及存储介质
CN112800938A (zh) * 2021-01-26 2021-05-14 上海伯镭智能科技有限公司 无人驾驶车辆检测侧面落石发生的方法及装置
CN112883939A (zh) * 2021-04-15 2021-06-01 河北工业大学 实时跌倒检测模型训练方法、实时跌倒检测方法及装置
CN115457732A (zh) * 2022-08-24 2022-12-09 电子科技大学 一种基于样本生成和特征分离的跌倒检测方法
CN115457732B (zh) * 2022-08-24 2023-09-01 电子科技大学 一种基于样本生成和特征分离的跌倒检测方法
CN115661943A (zh) * 2022-12-22 2023-01-31 电子科技大学 一种基于轻量级姿态评估网络的跌倒检测方法

Also Published As

Publication number Publication date
CN111488850B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN111488850B (zh) 一种基于神经网络的老年人跌倒检测方法
CN108520216B (zh) 一种基于步态图像的身份识别方法
CN111814661B (zh) 基于残差-循环神经网络的人体行为识别方法
CN110503063B (zh) 基于沙漏卷积自动编码神经网络的跌倒检测方法
CN108960076B (zh) 基于卷积神经网络的耳朵识别与跟踪方法
CN112163564B (zh) 基于人体关键点行为识别与lstm的跌倒预判方法
CN103605972A (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
CN110532850B (zh) 一种基于视频关节点和混合分类器的跌倒检测方法
CN112464730B (zh) 一种基于域无关前景特征学习的行人再识别方法
CN114463675B (zh) 一种水下鱼类群组活动强度识别方法及装置
CN113516005B (zh) 一种基于深度学习和姿态估计的舞蹈动作评价系统
CN112597980B (zh) 一种面向动态视觉传感器的类脑手势序列识别方法
CN113221655B (zh) 基于特征空间约束的人脸欺骗检测方法
CN113435335B (zh) 微观表情识别方法、装置、电子设备及存储介质
CN112766165B (zh) 基于深度神经网络与全景分割的跌倒预判方法
CN112149616A (zh) 基于动态信息的人物交互行为识别方法
CN107122711A (zh) 一种基于角度径向变换和质心的夜视视频步态识别方法
CN111639610A (zh) 一种基于深度学习的火情识别方法及系统
Niu et al. Automatic localization of optic disc based on deep learning in fundus images
CN110321801B (zh) 一种基于自编码网络的换衣行人重识别方法及系统
CN111091060A (zh) 基于深度学习的跌倒和暴力检测方法
CN113762009A (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
CN109815887B (zh) 一种基于多智能体协作的复杂光照下人脸图像的分类方法
Batool et al. Fundamental Recognition of ADL Assessments Using Machine Learning Engineering
Zaidan et al. A novel hybrid module of skin detector using grouping histogram technique for Bayesian method and segment adjacent-nested technique for neural network

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220712