CN111931568A - 一种基于增强式学习的人体跌倒检测方法及系统 - Google Patents
一种基于增强式学习的人体跌倒检测方法及系统 Download PDFInfo
- Publication number
- CN111931568A CN111931568A CN202010624368.0A CN202010624368A CN111931568A CN 111931568 A CN111931568 A CN 111931568A CN 202010624368 A CN202010624368 A CN 202010624368A CN 111931568 A CN111931568 A CN 111931568A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data set
- artificial neural
- error
- human body
- 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 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 79
- 230000033001 locomotion Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 34
- 230000006399 behavior Effects 0.000 claims abstract description 32
- 230000002787 reinforcement Effects 0.000 claims abstract description 23
- 230000036544 posture Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000000946 synaptic effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000003213 activating effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000003403 autonomic nervous system Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010028289 Muscle atrophy Diseases 0.000 description 1
- 208000026137 Soft tissue injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于增强式学习的人体跌倒检测方法及系统，该方法包括：采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差‑修正方法对人工神经网络模型进行训练，得到训练后的模型；实时采集基于时间序列的人体运动行为参数；利用训练后的模型对人体运动行为参数进行跌倒检测。本发明通过监督学习识别人工神经网络，采用误差‑修正学习的方法对人工神经网络进行训练，调整神经网络的权值和阈值，以使神经网络输出最优，可减少误报率，提高报警的准确性。
Description
技术领域
本发明涉及智能穿戴设备技术领域，尤其涉及一种基于增强式学习的人体跌倒检测方法及系统。
背景技术
随着人口老龄化的到来，老年人跌倒频发，且伴随有骨折、软组织损伤和脑部伤害等问题，严重的可造成心脏病突发、脑溢血、心肌梗死导致死亡。如果能够对跌倒进行准确、及时的报警，并对老人及时救治可挽回老年人生命、减少老年人因跌倒带来伤亡的风险。
在人体跌倒检测研究中，目前的跌倒检测、报警装置主要分为3类：1)基于视频图像识别分析的跌倒检测方法；2)基于声学的跌倒检测方法，在声音复杂的环境中无法获得较高精度的数据，一般作为其他检测方式的辅助手段；3)基于穿戴式传感设备的跌倒检测方法，使用传感器采集跌倒者行为变化的数据，通过数据分析判断人体跌倒。例如，采用了加速度为特征参数，基于SVM分类器对跌倒进行判断；或者将发送器与所述接收器通过电容耦合方式接入人体构成回路，对采集到的信号使用决策树算法进行跌倒检测；或者提出自主神经系统(ANS)响应的生理特性的测量结果来检测跌倒的技术。基于穿戴式传感设备的跌倒辨识方法，使用传感器采集跌倒者行为数据，使用阈值比较法，通过单一参数判断人体跌倒，该方法的不足之处在于：首先，阈值会受到使用者身体因素的影响，老年人身体条件差异太大，阈值因人而异，无法选出适应大多数人的阈值。身体状况差的老年人的肌肉、骨骼退化、萎缩严重，身体感知系统退化，反应时间较长，身体的协调性也比较差，容易跌倒；身体状况较好的老年人，身体协调性较好，在跌倒开始阶段，能够及时做出反应，防止跌倒行为发生。其次，传感器的佩戴位置不同也会影响阈值，如果将设备佩戴于手臂或胸前，那么身材高的佩戴者加速度阈值就与身材矮的不同。所以，使用单一参数进行跌倒辨识，会受使用者身体条件的影响。
基于上述，虽然现在基于穿戴式传感设备的跌倒检测方法很多，但都普遍选择单一参数进行跌倒识别，误差较高，不能很好地满足跌倒检测的高精度要求。
上述缺陷是本领域技术人员期望克服的。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题，本发明提供一种基于增强式学习的人体跌倒检测方法及系统，解决现有技术中跌倒检测基于单一参数进行跌倒识别中误差较高的问题。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一方面，本发明提供一种基于增强式学习的人体跌倒检测方法，其包括：
S10、采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；
S20、采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；
S30、将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；
S40、实时采集基于时间序列的人体运动行为参数；
S50、利用训练后的模型对人体运动行为参数进行跌倒检测。
在本发明的一种示例性实施例中，步骤S1中的特征参数包括三轴加速度、三轴角速度和高度。
在本发明的一种示例性实施例中，步骤S1中的不同姿态还包括：正常行走、奔跑、跳跃、下蹲和坐下。
在本发明的一种示例性实施例中，所述人体运动数据集中包括目标数据集、干扰数据集一、干扰数据集二和干扰数据集三，目标数据集包含人体跌倒时的特征参数和跌倒标签数据，干扰数据集一包含人体正常行走和奔跑时的特征参数和行走标签数据、奔跑标签数据，干扰数据集二包含人体跳跃时的特征参数和跳跃标签数据，干扰数据集三包含人体下蹲和坐下时的特征参数和下蹲标签数据、坐下标签数据。
在本发明的一种示例性实施例中，步骤S20包括：
将目标数据集中的任一组特征参数和跌倒标签数据输入到神经元中，得到一个神经元的输出数据，其中人工神经网络模型为：
输出数据为：
其中xi为输入数据，ωji为第j个神经元的权值，θj为神经元j的阈值，uj为实际输出，f(uj)为激活函数，yj为输出信号；
基于目标数据集中的其余多组数据分别输入到神经元中得到多个输出数据；
对多个输出数据进行判断，如果输出数据满足期望条件uJ＝0，期望响应代表神经网络完成的最优动作，期望输出yj＝1；
基于多组数据输入到神经元网络模型以及得到的输出数据进行监督学习，得到用于识别跌倒的人工神经网络模型。
在本发明的一种示例性实施例中，步骤S30包括：
将人体运动数据集输入到人工神经网络模型中，得到实际输出；
将实际输出与期望输出进行比较，得到误差；
采用误差信号驱动控制机制，调节神经元的突触权值和突触阈值，使输出信号向期望输出靠近，直到误差能量的瞬时值小于期望误差能量的瞬时值；
基于人工神经网络模型获取当前权值和当前阈值，将当前权值作为初始权值，将当前阈值作为初始阈值；
利用误差-修正方法对人工神经网络模型进行训练，将干扰数据集一、干扰数据集二和干扰数据集三输入到人工神经网络模型中，如果输出信号yj＝0则人工神经网络模型通过测试，否则继续进行误差-修正学习，直到通过测试；
完成误差-修正学习的人工神经网络模型作为训练后的模型。
在本发明的一种示例性实施例中，步骤S40包括：
通过穿戴设备上的传感器实时获取传感数据；
基于传感数据得到基于时间序列的人体运动行为参数。
在本发明的一种示例性实施例中，步骤S50包括：
将人体运动行为参数输入到训练后的模型中进行跌倒检测，如果判定人体跌倒，则输出跌倒信号，并触发报警信号。
在本发明的一种示例性实施例中，如果判定人体跌倒，所述方法还包括：
S60、提取人体运动行为参数作为目标数据集中的新增跌倒数据；
基于新增跌倒数据进行误差检测，如果误差未超过期望误差，则保持训练后的模型的权值和阈值不变；如果误差超过期望误差则重复步骤S30利用误差-修正方法对人工神经网络模型进行训练。
另一方面，本发明还提供一种基于增强式学习的人体跌倒检测系统，其包括：
数据采集模块，用于采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；
监督学习模块，用于采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；
误差修正模块，用于将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；
实时采集模块，用于实时采集基于时间序列的人体运动行为参数；
跌倒检测模块，用于利用训练后的模型对人体运动行为参数进行跌倒检测。
(三)有益效果
本发明的有益效果是：本发明实施例提供的基于增强式学习的人体跌倒检测方法及系统，通过监督学习识别人工神经网络，采用误差-修正学习的方法对人工神经网络进行训练，调整神经网络的权值和阈值，以使神经网络输出最优，可减少误报率，提高报警的准确性。
附图说明
图1为本发明一实施例提供的一种基于增强式学习的人体跌倒检测方法的流程图；
图2为本发明一实施例中神经元模型图；
图3为本发明一实施例中误差-修正方法的示意图；
图4为本发明一实施例提供的基于增强式学习的人体跌倒检测方法的整体步骤流程图；
图5为本发明另一实施例中提供的一种基于增强式学习的人体跌倒检测系统的组成示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
鉴于上述问题，本发明通过采集多特征参数进行跌倒辨识，可以弥补因特征参数单一引起的辨识精度不足问题；系统通过采集基于时间序列的行人运动数据，采用滑动窗口算法送入模型中，使得报警更加及时、准确率更高。
图1为本发明一实施例提供的一种基于增强式学习的人体跌倒检测方法的流程图，如图1所示，具体包括以下步骤：
如图1所示，在步骤S10中，采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；
如图1所示，在步骤S20中，采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；
如图1所示，在步骤S30中，将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；
如图1所示，在步骤S40中，实时采集基于时间序列的人体运动行为参数；
如图1所示，在步骤S50中，利用训练后的模型对人体运动行为参数进行跌倒检测。
基于上述，通过对人体运动进行分析，建立人工神经网络模型，识别人体运动过程中的跌倒行为。通过监督学习识别人工神经网络，采用误差-修正学习的方法对人工神经网络进行训练，调整神经网络的权值和阈值，以使神经网络输出最优，提高系统稳定性和检测的准确性。
以下，对图1所示步骤流程进行详细介绍：
在步骤S10中，采集人体在不同姿态下的特征参数，构建人体运动数据集。
在本发明的一种示例性实施例中，由于本实施例用于跌倒检测，不同姿态中必然包括跌倒，以便用于跌倒姿态下数据的建模和分析。除此之外还包括正常行走、奔跑、跳跃、下蹲和坐下等姿态。该步骤中的特征参数包括三轴加速度、三轴角速度和高度。
在本发明的一种示例性实施例中，该步骤中的特征参数均是通过预设数量使用者的穿戴设备感测得到的样本数据，将人体运动数据集作为训练集，以进行后续步骤的模型训练。
在本发明的一种示例性实施例中，所述人体运动数据集中包括目标数据集、干扰数据集一、干扰数据集二和干扰数据集三，目标数据集包含人体跌倒时的特征参数和跌倒标签数据，干扰数据集一包含人体正常行走和奔跑时的特征参数和行走标签数据、奔跑标签数据，干扰数据集二包含人体跳跃时的特征参数和跳跃标签数据，干扰数据集三包含人体下蹲和坐下时的特征参数和下蹲标签数据、坐下标签数据。步骤中除了包括用于跌倒训练的目标数据集，还包括人体其他姿态下的干扰数据集，可以为跌倒与行走、奔跑、跳跃、下蹲、坐下等姿态的特征参数的区分提供较为精准的依据，使得训练得到的模型可以分辨出不同姿态的细微动作。
在步骤S20中，采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型。
在本发明的一种示例性实施例中，步骤S20具体包括：
S201、将目标数据集中的任一组特征参数和跌倒标签数据输入到神经元中，得到一个神经元的输出数据，其中人工神经网络(Artificial Neural Network，简称ANN)模型为公式1：
输出数据为公式2：
其中xi为输入数据，ωji为第j个神经元的权值，θj为神经元j的阈值，uj为实际输出，f(uj)为激活函数，yj为输出信号。
图2为本发明一实施例中神经元模型图，如图2所示，包括n组输入数据，对应n个权值。
步骤S202、基于目标数据集中的其余多组数据分别输入到神经元中得到多个输出数据。
步骤S203、对多个输出数据进行判断，如果输出数据满足期望条件uJ＝0，期望响应代表神经网络完成的最优动作，期望输出yj＝1。
步骤S204、基于多组数据输入到神经元网络模型以及得到的输出数据进行监督学习，得到用于识别跌倒的人工神经网络模型。
在步骤S30中，将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型。
在本发明的一种示例性实施例中，步骤S30主要采用干扰数据仅进行人工神经网络检验，通过测试后，将当前权值和当前阈值作为人工神经网络模型的初始权值和初始阈值，图3为本发明一实施例中误差-修正方法的示意图。步骤S30具体包括：
步骤S301、将人体运动数据集输入到人工神经网络模型中，得到实际输出，输出结果为对应的标签数据。
步骤S302、将实际输出与期望输出进行比较，得到误差，计算公式为公式3：
eji＝uj-uJ
步骤S303、采用误差信号驱动控制机制，调节神经元的突触权值和突触阈值，使输出信号向期望输出靠近，直到误差能量的瞬时值小于期望误差能量的瞬时值。
例如，调节第j个神经元的突触权值和突触阈值，修正调节能够以一步步逼近的方式使输出信号uj向期望输出uJ靠近，这一目标通过性能指标εj(i)来实现，公式4：
εj(i)是误差能量的瞬时值，这种对神经元的突触权值和阈值步步逼近的调节持续下去，直到系统达到稳定状态，εj<EJ(EJ期望误差能量的瞬时值)，学习终止。
该步骤中对突触权值和突触阈值进行调节过程中均采用增量原则，例如对于突触权值修正调节，根据增量规则，样本作用于突触权值的调节量为Δωji，公式5：
Δωji＝ηeji·xi
η是学习率参数，xi为样本输入。
突触权值ωji的更新值为ω′ji，公式6：
ω′ji＝ωji+Δωji
对于突触阈值修正调节，也是根据增量规则，样本作用于突触阈值的调节量为Δθj，公式7：
Δθj＝ηεji·θj
θj为第j个神经元的阈值(触发值)。
突触阈值θj的更新值为θ′j，公式8：
θ′j＝θj+Δθj
步骤S304、基于人工神经网络模型获取当前权值和当前阈值，将当前权值作为初始权值，将当前阈值作为初始阈值。首先，提取监督学习的人工神经网络模型的当前权值ω′ji和当前阈值θ′j，然后，将当前权值ω′ji和当前阈值θ′j分别作为权值ωji和阈值θj。
步骤S305、利用误差-修正方法对人工神经网络模型进行训练，将干扰数据集一、干扰数据集二和干扰数据集三输入到人工神经网络模型中，如果输出信号yj＝0则人工神经网络模型通过测试，否则继续进行误差-修正学习，直到通过测试。
步骤S306、完成误差-修正学习的人工神经网络模型作为训练后的模型。
在步骤S40中，实时采集基于时间序列的人体运动行为参数；
在本发明的一种示例性实施例中，步骤S40包括：
步骤S401、通过穿戴设备上的传感器实时获取传感数据；
步骤S402、基于传感数据得到基于时间序列的人体运动行为参数，该步骤中基于传感数据结合传感数据与特征数据的对应关系得到人体运动行为参数。对于基于时间序列的人体运动行为参数，可以采用滑动窗口算法送入到训练后的模型中进行检测。
在步骤S50中，利用训练后的模型对人体运动行为参数进行跌倒检测。
在本发明的一种示例性实施例中，步骤S50中将人体运动行为参数输入到训练后的模型中进行跌倒检测，对人体运动状态进行判定。如果判定人体跌倒，则输出跌倒信号，并触发报警信号，即人工神经网络模型输出yj＝1，则装置发出报警，激活报警模块，否则不激活报警模块。该步骤中使用公式1和公式2对运动状态判定，识别跌倒，其中ωji和θj为经过误差-修正学习训练后的权值和阈值。
触发报警信号后，可以通过报警装置(例如，提示灯、响铃或直接拨打报警电话同时发送定位)等方式进行报警。
在本发明的一种示例性实施例中，如果判定人体跌倒，所述方法还包括：
步骤S60，提取人体运动行为参数作为目标数据集中的新增跌倒数；基于新增跌倒数据进行误差检测，如果误差未超过期望误差，则保持训练后的模型的权值和阈值不变；如果误差超过期望误差则重复步骤S30利用误差-修正方法对人工神经网络模型进行训练。
该步骤中，提取激活报警的跌倒数据，形成新的学习样本，对模型进行检验，并进一步训练强化。人体跌倒后，提取运动数据送入进行误差检测，若εj<EJ，表示系统稳定，不需要进行学习；若εj>EJ，则要对模型再次进行误差-修正学习，对权值和阈值进行调整，直到系统达到稳定状态，停止学习。
在使用过程中，使用者跌倒后，会将跌倒数据提取出来，对人工神经网络进行调整、强化，以保证输出误差小，精度高，系统长期稳定。
图4为本发明一实施例提供的基于增强式学习的人体跌倒检测方法的整体步骤流程图，如图4所示，S1、采集训练数据集；S2，监督学习识别人工神经网络；S3，误差-修正学习方法进行训练；S4，跌倒检测中的实时运动数据采集；S5，跌倒检测；S6，如果有人跌倒则提取跌倒数据并报警。
综上所述，采用本发明实施例提供的基于增强式学习的人体跌倒检测方法及系统，具有如下效果：
选择三轴加速度、三轴角速度和高度作为特征参数，使用人工神经网络模型进行增强式学习和信息识别，包括：监督学习用于识别人体跌倒的人工神经网络模型，记录人工神经网络模型的权值和阈值；将当前权值和阈值作为人工神经网络模型的初始权值和初始阈值，采用误差-修正学习方法，对模型进行训练；实时采集人体运动行为参数，使用基于时间序列的运动数据识别行人跌倒；人工神经网络的输出跌倒信号，激活报警模块；同时，将跌倒数据重新返回到模型中对模型进行增强训练。通过对人工神经网络模型的权值和阈值进行优化，可减少误报率，提高报警的准确性。
与上述方法相对应的，图5为本发明另一实施例中提供的一种基于增强式学习的人体跌倒检测系统的组成示意图，如图5所示，该系统50包括：数据采集模块51、监督学习模块52、误差修正模块53、实时采集模块54和跌倒检测模块55。
数据采集模块51用于采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；监督学习模块52用于采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；误差修正模块53用于将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；实时采集模块54用于实时采集基于时间序列的人体运动行为参数；跌倒检测模块55用于利用训练后的模型对人体运动行为参数进行跌倒检测。
该系统中各个模块的功能参见上述方法实施例中的相关描述，此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于增强式学习的人体跌倒检测方法，其特征在于，其包括：
S10、采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；
S20、采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；
S30、将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；
S40、实时采集基于时间序列的人体运动行为参数；
S50、利用训练后的模型对人体运动行为参数进行跌倒检测。
2.如权利要求1所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S10中的特征参数包括三轴加速度、三轴角速度和高度。
3.如权利要求1所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S10中的不同姿态还包括：正常行走、奔跑、跳跃、下蹲和坐下。
4.如权利要求3所述的基于增强式学习的人体跌倒检测方法，其特征在于，所述人体运动数据集中包括目标数据集、干扰数据集一、干扰数据集二和干扰数据集三，目标数据集包含人体跌倒时的特征参数和跌倒标签数据，干扰数据集一包含人体正常行走和奔跑时的特征参数和行走标签数据、奔跑标签数据，干扰数据集二包含人体跳跃时的特征参数和跳跃标签数据，干扰数据集三包含人体下蹲和坐下时的特征参数和下蹲标签数据、坐下标签数据。
5.如权利要求4所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S20包括：
将目标数据集中的任一组特征参数和跌倒标签数据输入到神经元中，得到一个神经元的输出数据，其中人工神经网络模型为：
输出数据为：
其中xi为输入数据，ωji为第j个神经元的权值，θj为神经元j的阈值，uj为实际输出，f(uj)为激活函数，yj为输出信号；
基于目标数据集中的其余多组数据分别输入到神经元中得到多个输出数据；
对多个输出数据进行判断，如果输出数据满足期望条件uJ＝0，期望响应代表神经网络完成的最优动作，期望输出yj＝1；
基于多组数据输入到神经元网络模型以及得到的输出数据进行监督学习，得到用于识别跌倒的人工神经网络模型。
6.如权利要求5所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S30包括：
将人体运动数据集输入到人工神经网络模型中，得到实际输出；
将实际输出与期望输出进行比较，得到误差；
采用误差信号驱动控制机制，调节神经元的突触权值和突触阈值，使输出信号向期望输出靠近，直到误差能量的瞬时值小于期望误差能量的瞬时值；
基于人工神经网络模型获取当前权值和当前阈值，将当前权值作为初始权值，将当前阈值作为初始阈值；
利用误差-修正方法对人工神经网络模型进行训练，将干扰数据集一、干扰数据集二和干扰数据集三输入到人工神经网络模型中，如果输出信号yj＝0则人工神经网络模型通过测试，否则继续进行误差-修正学习，直到通过测试；
完成误差-修正学习的人工神经网络模型作为训练后的模型。
7.如权利要求1所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S40包括：
通过穿戴设备上的传感器实时获取传感数据；
基于传感数据得到基于时间序列的人体运动行为参数。
8.如权利要求6所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S50包括：
将人体运动行为参数输入到训练后的模型中进行跌倒检测，如果判定人体跌倒，则输出跌倒信号，并触发报警信号。
9.如权利要求8所述的基于增强式学习的人体跌倒检测方法，其特征在于，如果判定人体跌倒，所述方法还包括：
S60、提取人体运动行为参数作为目标数据集中的新增跌倒数据；
基于新增跌倒数据进行误差检测，如果误差未超过期望误差，则保持训练后的模型的权值和阈值不变；如果误差超过期望误差则重复步骤S30利用误差-修正方法对人工神经网络模型进行训练。
10.一种基于增强式学习的人体跌倒检测系统，其特征在于，其包括：
数据采集模块，用于采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；
监督学习模块，用于采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；
误差修正模块，用于将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；
实时采集模块，用于实时采集基于时间序列的人体运动行为参数；
跌倒检测模块，用于利用训练后的模型对人体运动行为参数进行跌倒检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624368.0A CN111931568A (zh) | 2020-06-30 | 2020-06-30 | 一种基于增强式学习的人体跌倒检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624368.0A CN111931568A (zh) | 2020-06-30 | 2020-06-30 | 一种基于增强式学习的人体跌倒检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111931568A true CN111931568A (zh) | 2020-11-13 |
Family
ID=73316983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010624368.0A Pending CN111931568A (zh) | 2020-06-30 | 2020-06-30 | 一种基于增强式学习的人体跌倒检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931568A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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系统 |
| CN113221621A (zh) * | 2021-02-04 | 2021-08-06 | 宁波卫生职业技术学院 | 一种基于深度学习的重心监测与识别方法 |
| CN115462782A (zh) * | 2022-09-06 | 2022-12-13 | 四川康谷康业科技有限公司 | 一种基于多维度特征参数的人体跌倒动态监测方法及系统 |
| TWI809686B (zh) * | 2022-01-26 | 2023-07-21 | 國立臺灣科技大學 | 跌倒風險評估方法及裝置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
| CN106777990A (zh) * | 2016-12-21 | 2017-05-31 | 湖南文理学院 | 智能终端操作者年龄估计方法 |
| CN106997485A (zh) * | 2016-01-26 | 2017-08-01 | 三星电子株式会社 | 基于神经网络的识别设备和训练神经网络的方法 |
| CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
| CN107463937A (zh) * | 2017-06-20 | 2017-12-12 | 大连交通大学 | 一种基于迁移学习的番茄病虫害自动检测方法 |
| CN108629311A (zh) * | 2018-05-02 | 2018-10-09 | 尚谷科技（天津）有限公司 | 一种基于生物脉冲的动作识别方法 |
| CN109145739A (zh) * | 2018-07-18 | 2019-01-04 | 郭渐凌 | 一种人体姿态预测方法、装置及系统 |
| CN109360604A (zh) * | 2018-11-21 | 2019-02-19 | 南昌大学 | 一种卵巢癌分子分型预测系统 |
| CN109979161A (zh) * | 2019-03-08 | 2019-07-05 | 河海大学常州校区 | 一种基于卷积循环神经网络的人体跌倒检测方法 |
| CN110398650A (zh) * | 2019-08-05 | 2019-11-01 | 国网河北省电力有限公司电力科学研究院 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
| CN110415013A (zh) * | 2019-06-12 | 2019-11-05 | 河海大学 | 一种网约车短时出行需求的组合预测方法 |
| CN110555368A (zh) * | 2019-06-28 | 2019-12-10 | 西安理工大学 | 基于三维卷积神经网络的跌倒行为识别方法 |
| 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 |
| CN110688892A (zh) * | 2019-08-20 | 2020-01-14 | 武汉烽火众智数字技术有限责任公司 | 一种基于数据融合技术的人像识别告警方法及系统 |
| CN110946585A (zh) * | 2019-11-21 | 2020-04-03 | 上海理工大学 | 一种基于数据融合和bp神经网络的跌倒检测系统及方法 |
-
2020
- 2020-06-30 CN CN202010624368.0A patent/CN111931568A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106997485A (zh) * | 2016-01-26 | 2017-08-01 | 三星电子株式会社 | 基于神经网络的识别设备和训练神经网络的方法 |
| CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
| CN106777990A (zh) * | 2016-12-21 | 2017-05-31 | 湖南文理学院 | 智能终端操作者年龄估计方法 |
| CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
| CN107463937A (zh) * | 2017-06-20 | 2017-12-12 | 大连交通大学 | 一种基于迁移学习的番茄病虫害自动检测方法 |
| CN108629311A (zh) * | 2018-05-02 | 2018-10-09 | 尚谷科技（天津）有限公司 | 一种基于生物脉冲的动作识别方法 |
| CN109145739A (zh) * | 2018-07-18 | 2019-01-04 | 郭渐凌 | 一种人体姿态预测方法、装置及系统 |
| CN109360604A (zh) * | 2018-11-21 | 2019-02-19 | 南昌大学 | 一种卵巢癌分子分型预测系统 |
| CN109979161A (zh) * | 2019-03-08 | 2019-07-05 | 河海大学常州校区 | 一种基于卷积循环神经网络的人体跌倒检测方法 |
| CN110415013A (zh) * | 2019-06-12 | 2019-11-05 | 河海大学 | 一种网约车短时出行需求的组合预测方法 |
| CN110555368A (zh) * | 2019-06-28 | 2019-12-10 | 西安理工大学 | 基于三维卷积神经网络的跌倒行为识别方法 |
| CN110398650A (zh) * | 2019-08-05 | 2019-11-01 | 国网河北省电力有限公司电力科学研究院 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
| CN110688892A (zh) * | 2019-08-20 | 2020-01-14 | 武汉烽火众智数字技术有限责任公司 | 一种基于数据融合技术的人像识别告警方法及系统 |
| 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 |
| CN110946585A (zh) * | 2019-11-21 | 2020-04-03 | 上海理工大学 | 一种基于数据融合和bp神经网络的跌倒检测系统及方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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系统 |
| CN113221621A (zh) * | 2021-02-04 | 2021-08-06 | 宁波卫生职业技术学院 | 一种基于深度学习的重心监测与识别方法 |
| CN113221621B (zh) * | 2021-02-04 | 2023-10-31 | 宁波卫生职业技术学院 | 一种基于深度学习的重心监测与识别方法 |
| TWI809686B (zh) * | 2022-01-26 | 2023-07-21 | 國立臺灣科技大學 | 跌倒風險評估方法及裝置 |
| CN115462782A (zh) * | 2022-09-06 | 2022-12-13 | 四川康谷康业科技有限公司 | 一种基于多维度特征参数的人体跌倒动态监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931568A (zh) | 一种基于增强式学习的人体跌倒检测方法及系统 | |
| Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
| EP3566231B1 (en) | Apparatus and method for triggering a fall risk alert to a person | |
| US10959647B2 (en) | System and method for sensing and responding to fatigue during a physical activity | |
| CN104661703B (zh) | 用于适当的胸外按压的矫正提示系统 | |
| CN104135911B (zh) | 多轴线活动监测装置中的活动分类 | |
| Pogorelc et al. | Automatic recognition of gait-related health problems in the elderly using machine learning | |
| CN108446733A (zh) | 一种基于多传感器数据的人体行为监测及智能识别方法 | |
| Hemmatpour et al. | A review on fall prediction and prevention system for personal devices: evaluation and experimental results | |
| CN103211599A (zh) | 一种监测跌倒的方法及装置 | |
| CN110287825A (zh) | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 | |
| US11589781B2 (en) | Assessing diseases by analyzing gait measurements | |
| JP2008536208A (ja) | 時空間自己組織化マップ | |
| Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
| CN110197235B (zh) | 一种基于独特性注意力机制的人体活动识别方法 | |
| CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
| Dasgupta et al. | Acceleration gait measures as proxies for motor skill of walking: A narrative review | |
| CN106980815A (zh) | 基于h‑b分级评分监督下的面瘫客观评估方法 | |
| CN109009145A (zh) | 一种基于穿戴设备的跌倒判断方法 | |
| Liu et al. | SVM-based multi-sensor fusion for free-living physical activity assessment | |
| Wu et al. | Real-time physical activity classification and tracking using wearble sensors | |
| Hemmatpour et al. | Nonlinear Predictive Threshold Model for Real‐Time Abnormal Gait Detection | |
| WO2017093814A1 (en) | Wearable inertial electronic device | |
| Suriani et al. | Optimal accelerometer placement for fall detection of rehabilitation patients | |
| CN116747495A (zh) | 一种动作计数方法、装置、终端设备及可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |