CN111681389A - 一种基于盲源分离的老年人跌倒行为检测方法 - Google Patents

一种基于盲源分离的老年人跌倒行为检测方法 Download PDF

Info

Publication number
CN111681389A
CN111681389A CN202010536817.6A CN202010536817A CN111681389A CN 111681389 A CN111681389 A CN 111681389A CN 202010536817 A CN202010536817 A CN 202010536817A CN 111681389 A CN111681389 A CN 111681389A
Authority
CN
China
Prior art keywords
data set
source separation
blind source
falling behavior
independent signal
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
CN202010536817.6A
Other languages
English (en)
Other versions
CN111681389B (zh
Inventor
李巧勤
姜珊
刘勇国
杨尚明
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 CN202010536817.6A priority Critical patent/CN111681389B/zh
Publication of CN111681389A publication Critical patent/CN111681389A/zh
Application granted granted Critical
Publication of CN111681389B publication Critical patent/CN111681389B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • General Engineering & Computer Science (AREA)
  • Social Psychology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于盲源分离的老年人跌倒行为检测方法，包括以下步骤：S1、在家中安装kinect音频传感器，采集音频样本数据集；S2、将音频样本数据集进行动作类别标注，得到原始音频数据集；S3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；S4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；S5、根据独立信号源，提取短时能量特征；S6、根据短时能量特征，通过阈值法判断老年人跌倒行为；本发明解决了基于非负矩阵分解的盲源分离方法，多通道的联合方法存在传感器数量多、计算量大以及频谱信息丢失的问题。

Description

一种基于盲源分离的老年人跌倒行为检测方法
技术领域
本发明涉及老年人行为检测技术领域，具体涉及一种基于盲源分离的老年人跌倒行为检测方法。
背景技术
随着年龄增加，老年人跌倒风险显著增高。报告显示，65岁以上老年人每年有三分之一发生意外跌倒，导致身体受伤甚至死亡。居家老人在如厕或洗澡过程中容易发生跌倒或晕厥，因此卫生间是家庭环境中意外跌倒事件的高风险区域，且不易被及时发现。有效的跌倒检测可及时通知家人或看护人员并采取相应干预措施，可减少跌倒造成的伤害。考虑卫生间场景下感知设备的可用性和用户隐私问题，通过声学传感器采集数据进行跌倒检测是一个合适的选择。微软研发的Kinect传感器可采集音频、视频、深度图像等信号，在语音识别、跌倒检测等研究中应用广泛。
日常生活中采集的声音信号大多存在多种混合声源且干扰性强，因此基于音频信号的跌倒检测研究较少。目前基于音频信号的跌倒检测方法主要根据获取到的音频信号计算信号峰值，采用阈值法或机器学习分类方法进行跌倒行为检测。但是由于获取数据中存在多种源信号，如碰撞声、尖叫声等等同样导致信号峰值较高，单独计算信号峰值，根据人为设定阈值进行跌倒分类的方式会影响检测准确率。有研究者采用盲源分离(BlindSource Separation,BSS)方法，将捕获到的混合音频信号首先进行信号源分离，基于分离后的独立信号源进行跌倒行为分类。李云等人[Li.Y,Ho.KC,Popescu.M,et al.EfficientSource Separation Algorithms for Acoustic Fall Detection Using a MicrosoftKinect[J].IEEE Transaction On Biomedical Engineering,2014,61(3):745-755]采用声学传感器采集信号进行跌倒检测，提出两种盲源分离方法从干扰信号中提取跌倒信号，以提高跌倒检测精度。首先提出单通道BSS，通过非负矩阵分解(Non-negative MatrixFactor,NMF)将混合信号分解成几个基元的线性组合，根据跌倒的不同模式对其进行有效识别。然后将单通道BSS扩展到多通道，通过所有通道上的联合NMF，以及一种延迟和波束形成器用于减少额外的环境噪声。
基于非负矩阵分解的盲源分离方法，多通道的联合方法虽然减少了额外的环境噪音，但同时需要增加传感器的数量以及计算量。且使用非负矩阵分解方法在分解后的信号源实际上是由跌倒信号和噪声干扰分量共享的，将会造成一些频谱信息丢失，导致在求取时间基的能量部分丢失使得跌倒误判。
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盲源分离的老年人跌倒行为检测方法解决了基于非负矩阵分解的盲源分离方法和多通道的联合方法存在传感器数量多、计算量大以及频谱信息丢失的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于盲源分离的老年人跌倒行为检测方法，包括以下步骤：
S1、在家中安装kinect音频传感器，采集音频样本数据集；
S2、将音频样本数据集进行动作类别标注，得到原始音频数据集；
S3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；
S4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；
S5、根据独立信号源，提取短时能量特征；
S6、根据短时能量特征，通过阈值法判断老年人跌倒行为。
进一步地，步骤S4中的盲源分离模型为：
X(t)＝[x1(t)，…，xi(t)，…，xm(t)]T (1)
X(t)＝AS＝[As1，…，Asi，…，Asm] (2)
si＝A-1xi(t) (3)
其中，X(t)为标准音频数据集，xi(t)为第i个t时刻的标准音频样本，m为标准音频数据集中标准音频样本的数量，A为映射矩阵，S为独立信号源矩阵，si为第i个标准音频样本的独立信号源。
进一步地，映射矩阵A的计算方法包括以下步骤：
A1、设定映射矩阵A的初始值和其迭代的误差阈值ε；
A2、计算独立信号源si的累积分布g(si)；
A3、对累积分布g(si)求导，得到独立信号源si的概率密度
Figure BDA0002537289110000031
A4、根据概率密度
Figure BDA0002537289110000032
计算独立信号源si的联合分布f(si)；
A5、根据联合分布f(si)，计算标准音频样本xi(t)的概率密度
Figure BDA0002537289110000033
A6、根据标准音频样本xi(t)的概率密度
Figure BDA0002537289110000034
对标准音频样本xi(t)进行对数似然估计，得到似然估计函数L(A-1)；
A7、对似然估计函数L(A-1)求导，得到第j次迭代的映射矩阵的逆矩阵Aj -1；
A8、根据逆矩阵Aj -1，计算映射矩阵Aj，并判断映射矩阵Aj的误差是否小于误差阈值ε，若是，则将当前的映射矩阵Aj作为映射矩阵A，结束流程，若否，则跳转至步骤A7。
上述进一步方案的有益效果为：采用独立成分分析方法，只需假设源信号是相互统计独立，并满足非高斯性，即可在已知独立源数量的情况下，可有效将观测到的多维随机矩阵转换成为统计独立的向量，这种方式少有出现数值错误较大的情况、使得计算稳定性高且收敛速度快。
进一步地，步骤A2中累积分布g(si)的计算公式为：
Figure BDA0002537289110000041
进一步地，步骤A3中独立信号源si的概率密度
Figure BDA0002537289110000042
的计算公式为：
Figure BDA0002537289110000043
进一步地，步骤A4中独立信号源si的联合分布f(si)的计算公式为：
Figure BDA0002537289110000044
进一步地，步骤A5中标准音频样本xi(t)的概率密度
Figure BDA0002537289110000045
的计算公式为：
Figure BDA0002537289110000046
其中，|A-1|为A-1的行列式。
进一步地，步骤A6中似然估计函数L(A-1)的计算公式为：
Figure BDA0002537289110000047
进一步地，步骤A7中映射矩阵的逆矩阵Aj -1的计算公式为：
Figure BDA0002537289110000048
其中，a为学习步长。
进一步地，步骤S5中短时能量特征的计算公式为：
E＝si 2h(k) (10)
其中，E为短时能量特征，h(k)为线性滤波器的单位冲击响应。
综上，本发明的有益效果为：
(1)、通过kinect音频传感器内置的音频方向定位功能，用户无需放置多个音频传感器，且其能精准获取音频数据，减少计算复杂度；
(2)、通过独立成分分析方法进行盲源分离，对分离后的信号提取短时能量特征，保持信号有效频谱信息，避免频谱信息丢失，然后通过阈值法识别跌倒行为，提高混合音频环境下跌倒检测精度。
附图说明
图1为一种基于盲源分离的老年人跌倒行为检测方法的流程图；
图2为独立信号源的信号示意图；
图3为提取的短时能量特征示意图。
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，一种基于盲源分离的老年人跌倒行为检测方法，包括以下步骤：
S1、在家中安装kinect音频传感器，采集音频样本数据集；
在本实施例中，将一台Kinect v2传感器放置在卫生间门上方，通过Kinect forWindows SDK v2.0接口获取.mp4格式的音频信号，并转换成.wav格式以便操作。每2秒的音频信号为一个样本数据，保存为一个wav文件，即得到音频样本数据集。
S2、将音频样本数据集进行动作类别标注，得到原始音频数据集；
在本实施例中，样本标签分为跌倒和非跌倒两类。为了增强模型泛化性，将考虑多种情况所造成跌倒事件，根据跌倒者的初始状态不同分为前倒、后倒和侧倒，对应样本标签都为跌倒；非跌倒类型包括卫生间场景中的其他声音源，如电话铃声、说话声、水声等。
S3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；
在本实施例中，采用Matlab对原始音频数据集进行标准化与白化处理。
S4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；
步骤S4中的盲源分离模型为：
X(t)＝[x1(t)，…，xi(t)，…，xm(t)]T (1)
X(t)＝AS＝[As1，…，Asi，…，Asm] (2)
si＝A-1xi(t) (3)
其中，X(t)为标准音频数据集，xi(t)为第i个t时刻的标准音频样本，m为标准音频数据集中标准音频样本的数量，A为映射矩阵，S为独立信号源矩阵，si为第i个标准音频样本的独立信号源。
映射矩阵A的计算方法包括以下步骤：
A1、设定映射矩阵A的初始值和其迭代的误差阈值ε；
A2、计算独立信号源si的累积分布g(si)；
步骤A2中累积分布g(si)的计算公式为：
Figure BDA0002537289110000061
A3、对累积分布g(si)求导，得到独立信号源si的概率密度
Figure BDA0002537289110000062
步骤A3中独立信号源si的概率密度
Figure BDA0002537289110000063
的计算公式为：
Figure BDA0002537289110000064
A4、根据概率密度
Figure BDA0002537289110000065
计算独立信号源si的联合分布f(si)；
步骤A4中独立信号源si的联合分布f(si)的计算公式为：
Figure BDA0002537289110000066
A5、根据联合分布f(si)，计算标准音频样本xi(t)的概率密度
Figure BDA0002537289110000067
步骤A5中标准音频样本xi(t)的概率密度
Figure BDA0002537289110000068
的计算公式为：
Figure BDA0002537289110000071
其中，|A-1|为A-1的行列式。
A6、根据标准音频样本xi(t)的概率密度
Figure BDA0002537289110000072
对标准音频样本xi(t)进行对数似然估计，得到似然估计函数L(A-1)；
步骤A6中似然估计函数L(A-1)的计算公式为：
Figure BDA0002537289110000073
A7、对似然估计函数L(A-1)求导，得到第j次迭代的映射矩阵的逆矩阵Aj -1；
步骤A7中映射矩阵的逆矩阵Aj -1的计算公式为：
Figure BDA0002537289110000074
其中，a为学习步长。
A8、根据逆矩阵Aj -1，计算映射矩阵Aj，并判断映射矩阵Aj的误差是否小于误差阈值ε，若是，则将当前的映射矩阵Aj作为映射矩阵A，结束流程，若否，则跳转至步骤A7。
采用独立成分分析方法，只需假设源信号是相互统计独立，并满足非高斯性，即可在已知独立源数量的情况下，可有效将观测到的多维随机矩阵转换成为统计独立的向量，这种方式少有出现数值错误较大的情况、使得计算稳定性高且收敛速度快。
S5、根据独立信号源，提取短时能量特征，如图2～3所示；
短时能量是音频信号强度的度量参考，反映语音信号的幅度变换。
步骤S5中短时能量特征的计算公式为：
E＝si 2h(k) (10)
其中，E为短时能量特征，h(k)为线性滤波器的单位冲击响应。
S6、根据短时能量特征，通过阈值法判断老年人跌倒行为，通过设定短时能量特征的阈值来判断老年人是否跌倒。
本发明的实验数据对照表：
表一
作者 方法 识别率
Li.Y NMF 80.00％
Li.Y MFCC、KNN 80.00％
Popescu.M 阈值法 70.00％
本方案 盲源分离模型 85.00％
其中，本发明的实验数据集包括140段音频数据，成功检测出119例跌倒。表一对比了Li.Y李云采用NMF、或采用MFCC和KNN结合的方法以及Popescu.M的阈值法进行的实验结果，由表一可知本发明的识别率高于其他方案。
综上，本发明的有益效果为：本发明利用kinect获取环境音频信号，可摆脱穿戴式传感器束缚，并避免特定场景下的隐私问题。通过少量跌倒样本数据，将音频混合信号通过独立成分分析方法进行盲源分离，对分离后的信号提取短时能量特征，保持信号有效频谱信息，然后通过阈值法识别跌倒行为，提高混合音频环境下跌倒检测精度。

Claims (10)

1.一种基于盲源分离的老年人跌倒行为检测方法，其特征在于，包括以下步骤：
S1、在家中安装kinect音频传感器，采集音频样本数据集；
S2、将音频样本数据集进行动作类别标注，得到原始音频数据集；
S3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；
S4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；
S5、根据独立信号源，提取短时能量特征；
S6、根据短时能量特征，通过阈值法判断老年人跌倒行为。
2.根据权利要求1所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤S4中的盲源分离模型为：
X(t)＝[x1(t)，…，xi(t)，…，xm(t)]T (1)
X(t)＝AS＝[As1，…，Asi，…，Asm] (2)
si＝A-1xi(t) (3)
其中，X(t)为标准音频数据集，xi(t)为第i个t时刻的标准音频样本，m为标准音频数据集中标准音频样本的数量，A为映射矩阵，S为独立信号源矩阵，si为第i个标准音频样本的独立信号源。
3.根据权利要求2所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述映射矩阵A的计算方法包括以下步骤：
A1、设定映射矩阵A的初始值和其迭代的误差阈值ε；
A2、计算独立信号源si的累积分布g(si)；
A3、对累积分布g(si)求导，得到独立信号源si的概率密度
Figure FDA0002537289100000011
A4、根据概率密度
Figure FDA0002537289100000012
计算独立信号源si的联合分布f(si)；
A5、根据联合分布f(si)，计算标准音频样本xi(t)的概率密度
Figure FDA0002537289100000021
A6、根据标准音频样本xi(t)的概率密度
Figure FDA0002537289100000022
对标准音频样本xi(t)进行对数似然估计，得到似然估计函数L(A-1)；
A7、对似然估计函数L(A-1)求导，得到第j次迭代的映射矩阵的逆矩阵Aj -1；
A8、根据逆矩阵Aj -1，计算映射矩阵Aj，并判断映射矩阵Aj的误差是否小于误差阈值ε，若是，则将当前的映射矩阵Aj作为映射矩阵A，结束流程，若否，则跳转至步骤A7。
4.根据权利要求3所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤A2中累积分布g(si)的计算公式为：
Figure FDA0002537289100000023
5.根据权利要求3所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤A3中独立信号源si的概率密度
Figure FDA0002537289100000024
的计算公式为：
Figure FDA0002537289100000025
6.根据权利要求5所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤A4中独立信号源si的联合分布f(si)的计算公式为：
Figure FDA0002537289100000026
7.根据权利要求6所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤A5中标准音频样本xi(t)的概率密度
Figure FDA0002537289100000027
的计算公式为：
Figure FDA0002537289100000028
其中，|A-1|为A-1的行列式。
8.根据权利要求7所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤A6中似然估计函数L(A-1)的计算公式为：
Figure FDA0002537289100000029
9.根据权利要求8所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤A7中映射矩阵的逆矩阵Aj -1的计算公式为：
Figure FDA0002537289100000031
其中，a为学习步长。
10.根据权利要求2所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤S5中短时能量特征的计算公式为：
E＝si 2h(k) (10)
其中，E为短时能量特征，h(k)为线性滤波器的单位冲击响应。
CN202010536817.6A 2020-06-12 2020-06-12 一种基于盲源分离的老年人跌倒行为检测方法 Expired - Fee Related CN111681389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010536817.6A CN111681389B (zh) 2020-06-12 2020-06-12 一种基于盲源分离的老年人跌倒行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010536817.6A CN111681389B (zh) 2020-06-12 2020-06-12 一种基于盲源分离的老年人跌倒行为检测方法

Publications (2)

Publication Number Publication Date
CN111681389A true CN111681389A (zh) 2020-09-18
CN111681389B CN111681389B (zh) 2021-02-26

Family

ID=72435533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010536817.6A Expired - Fee Related CN111681389B (zh) 2020-06-12 2020-06-12 一种基于盲源分离的老年人跌倒行为检测方法

Country Status (1)

Country Link
CN (1) CN111681389B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090224925A1 (en) * 2008-03-10 2009-09-10 Ramot At Tel Aviv University Ltd. System for automatic fall detection for elderly people
CN103426434A (zh) * 2012-05-04 2013-12-04 索尼电脑娱乐公司 结合源方向信息通过独立分量分析的源分离
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
CN110659595A (zh) * 2019-09-10 2020-01-07 电子科技大学 一种基于特征分类的跌倒类型及伤害部位检测方法
CN110659677A (zh) * 2019-09-10 2020-01-07 电子科技大学 一种基于可移动传感器组合设备的人体跌倒检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090224925A1 (en) * 2008-03-10 2009-09-10 Ramot At Tel Aviv University Ltd. System for automatic fall detection for elderly people
CN103426434A (zh) * 2012-05-04 2013-12-04 索尼电脑娱乐公司 结合源方向信息通过独立分量分析的源分离
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
CN110659595A (zh) * 2019-09-10 2020-01-07 电子科技大学 一种基于特征分类的跌倒类型及伤害部位检测方法
CN110659677A (zh) * 2019-09-10 2020-01-07 电子科技大学 一种基于可移动传感器组合设备的人体跌倒检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
M.POPECU等: ""An Acoustic Fall Detector System that Uses Sound Height Information to Reduce the False Alarm Rate"", 《30TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINNERING IN MEDICINE AND BIOLOGY SOCIETY,VANCOUVER》 *
Y LI等: ""A microphone array system for automatic fall detection"", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
Y LI等: ""Acoustic Fall Detection Using a Circular Microphone Array"", 《32ND ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING-IN-MEDICINE-AND-BIOLOGY-SOCIETY,BUENOS AIRES》 *
Y LI等: ""Efficient Source Separation Algorithms for Acoustic Fall Detection Using a Microsoft Kinect"", 《IEEE TRANSACTION ON BIOMEDICAL ENGINEERING》 *
刘明珠: ""语音信号的卷积盲源分离算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
邹彤等: ""混合语音信号的盲源分离技术研究"", 《单片机与嵌入式系统应用》 *

Also Published As

Publication number Publication date
CN111681389B (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN108648748B (zh) 医院噪声环境下的声学事件检测方法
Zhuang et al. Acoustic fall detection using Gaussian mixture models and GMM supervectors
Bi et al. AutoDietary: A wearable acoustic sensor system for food intake recognition in daily life
Li et al. A microphone array system for automatic fall detection
Lu et al. Speakersense: Energy efficient unobtrusive speaker identification on mobile phones
Mulimani et al. Segmentation and characterization of acoustic event spectrograms using singular value decomposition
CN103530432A (zh) 一种具有语音提取功能的会议记录器及语音提取方法
Chen et al. An automatic acoustic bathroom monitoring system
Irtaza et al. A framework for fall detection of elderly people by analyzing environmental sounds through acoustic local ternary patterns
CN112801000B (zh) 一种基于多特征融合的居家老人摔倒检测方法及系统
CN103705218B (zh) 构音障碍识别的方法、系统和装置
Meltzner et al. Signal acquisition and processing techniques for sEMG based silent speech recognition
CN104064196B (zh) 一种基于语音前端噪声消除的提高语音识别准确率的方法
CN110930643A (zh) 一种防止婴幼儿遗落车内的智能安全系统及方法
CN105139869B (zh) 一种基于区间差分特征的婴儿啼哭检测方法
Rougui et al. Audio sound event identification for distress situations and context awareness
Couvreur et al. Automatic noise recognition in urban environments based on artificial neural networks and hidden markov models
CN111681389B (zh) 一种基于盲源分离的老年人跌倒行为检测方法
Vacher et al. Speech and sound use in a remote monitoring system for health care
Mendes et al. Subvocal speech recognition based on EMG signal using independent component analysis and neural network MLP
Zhang et al. Environmental sound recognition using double-level energy detection
Chen et al. Gender-to-Age hierarchical recognition for speech
Laydrus et al. Automated sound analysis system for home telemonitoring using shifted delta cepstral features
CN113823267B (zh) 基于语音识别与机器学习的抑郁症自动识别方法和装置
CN112863515B (zh) 利用手机扬声器和麦克风识别人体舌头下颚动作的方法

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: 20210226