CN112861769A - 一种智能养老监控预警系统和方法 - Google Patents
一种智能养老监控预警系统和方法 Download PDFInfo
- Publication number
- CN112861769A CN112861769A CN202110228757.6A CN202110228757A CN112861769A CN 112861769 A CN112861769 A CN 112861769A CN 202110228757 A CN202110228757 A CN 202110228757A CN 112861769 A CN112861769 A CN 112861769A
- Authority
- CN
- China
- Prior art keywords
- layer
- formula
- early warning
- module
- matrix
- 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
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Bioethics (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能养老监控预警系统和方法,涉及智能养老领域,该系统包括图像采集模块、图像识别模块、决策模块和预警模块构成;所述图像采集模块用于拍摄居家老人的日常生活图像;所述图像识别模块用于对图像采集模块所采集的图像信息进行行为姿态识别,即通过对步态进行识别,即提取步态特征;所述决策模块根据行为姿态识别结果判断是否有异常情况,且在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台;所述预警模块,其设置在居家老人的家中,当收到决策模块的预警信息时,进行报警,提醒老人停止当前动作,进行休息。本发明能够在危险发生前进行预警,有效降低老人跌倒的风险。
Description
技术领域
本发明涉及智能养老领域,具体涉及一种智能养老监控预警系统和方法。
背景技术
中国人口老龄化趋势日渐明显,养老已成为社会焦点问题之一,由于经济、理念和医疗紧缺等原因的影响,大多老人选择居家养老,子女在下班后可以照顾父母,而在上班时,老人大多独居在家,仍然存在一定的隐患,而请看护人员的成本较高。
目前出现了一些居家养老看护系统,通过使用智能家居的碎片化应用,如采用宽带或窄带物联网边缘端设备对老人的身体健康状态和行为活动进行监测和数据采集,一旦有危险情况发生则触发预警并推送给老人的家人,边缘端设备包括摄像头和摄像机,主要聚焦于老人居家安防的监控和防护,但是,现有的看护系统在发生危险后才进行预警,没有起到预警作用。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种智能养老监控预警系统和方法,能够在危险发生前进行预警,有效降低老人跌倒的风险。
为达到以上目的,本发明采取的技术方案是:
一种智能养老监控预警系统,包括图像采集模块、图像识别模块、决策模块和预警模块构成;
所述图像采集模块用于拍摄居家老人的日常生活图像;
所述图像识别模块用于对图像采集模块所采集的图像信息进行行为姿态识别,即通过对步态进行识别,即提取步态特征;
所述决策模块根据行为姿态识别结果判断是否有异常情况,且在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台;
所述预警模块,其设置在居家老人的家中,当收到决策模块的预警信息时,进行报警,提醒老人停止当前动作,进行休息。
进一步的,所述图像识别模块包括一卷积神经网络,该卷积神经网络包括顺次连接的卷积层、池化层和全连接层。
进一步的,所述卷积层包括若干卷积核,每个卷积核生成对应的一个新的图像,每个新的图像对应一通道,当卷积内核的数量为m时,有m个相应的输出通道,将新的图像通过池化层后输出到全连接层;
原始图像大小为6x6,对应Y矩阵,使用三个3x3x3的卷积核处理,3个卷积核分别为N(1)、N(2)、N(3),使用该卷积核对图像进行处理的过程为公式一:
矩阵Y通过N(k)转换为矩阵Z,具体参见公式二:
当步长为1时,计算矩阵Z,Zij通过公式四计算:
公式四中,HZ.sum(X)是对矩阵Y所有元素求和,sig(x)为激励函数,sig(x)通过公式五计算得到:
通过公式三计算得到三个不同的特征映射,将三个特征映射求和后代入公式五,得到图像点矩阵Z;
由公式三可知,若输入的图片矩阵为Y(m×n),且由n个α×α(α∈N,α<m)卷积核进行卷积处理,k个卷积核分别为N(1)、N(2),……,N(k),按照公式六计算N(k),按照公式七计算Y(m×n):
公式七中,M1=M-α+1,Zij通过公式八计算得到:
进一步的,所述池化层用于对卷积后的数据进行以下处理:
6x6的图像经过卷积层后,得到4x4的像素值矩阵Z,若将每一帧图像变换成一些非重叠的2x2正方形区域,再通过步长为2的最大池化操作,可得2x2的F矩阵,F通过公式九计算得到:
公式九中的fij(或Fij)通过公式十计算得到:
Fij=HZ.max(Z[2*(i-1):2*i,2*(j-1):2*j])……公式十
卷积操作后计算得到矩阵Z(M1×M1),将Z分解为b×b(b∈N,b<M1)区域,通过最大池化后(步长为M1),得到矩阵F(M1×M1),该矩阵具体为公式十一:
M2=M1/b,Fij通过公式十二计算得到:
Fij=HZ.max(Y[b*(i-1):b*i,b*(j-1):b*j])……公式十二。
进一步的,所述全连接层用于将矩阵F(N2×N2)被转换成一维数组,包含原始图像信息的M(N2×N2)个特征值,所述数组对应于全连接层的输入层中的每个神经元,即输入层中的m个神经元,将数组输出至BP神经网络结构。
进一步的,所述BP神经网络结构包括输入层、隐含层和输出层。
进一步的,所述BP神经网络结构为x层的神经网络结构:输入层为X1,隐含层为X1,X2,X3,……,Xj-1;输出层Xj;
各层的神经元个数Kj,Kj∈N,Nj>1,满足Kj+1≤Kj,输入层的神经元个数为m;
神经元网络计算过程为:
根据神经网络的权重和偏移,神经网络中每个神经元的输入和输出可以按顺序计算出,直到神经网络的最终输出hw,b;
当输入的为一个样本时,具体计算按公式十三进行:
其中,a(λ)=f(λ)(z(λ)),hw,b=a(λ)。
当输入的为m个样本时,X矩阵会有m行,则按公式十四进行:
其中,a(λ)=f(λ)(z(λ))hw,b=a(λ);
神经网络输出层神经元的数量与分类过程类别的数量相匹配,将m个样本分成kλ个类,kλ<m;
神经网络参数的求解:
n个训练样本{(α(1),β(1)),(α(2),β(2))...(α(n),β(n))}的且能够被分为tλ个类别,若每个样例包括m个特征值,那么α的形状为n×m,β代表标签矩阵,形状为n×tλ;
通常的取值方法为:如果i样本属于类别j(1≤i≤n,1≤j≤tλ),将矩阵β第i行第j列中的值βij设置为1,该行的其余列作为0,α和β按公式十五表示:
针对(α,β)训练样本,α和β可以作为矩阵(α,β)其中的某行,α={α1,α2,...,αi},β={β1,β2,...,βi},定义其损失函数为公式十六:
公式十六中,T是正则项,取全部数据的平方和并乘以系数τ/2的值,得到公式十七:
由此得到公式十六可变形为公式十八:
通过上述计算使得损失函数J(W,b)最小,当其最小时W,b就是需要求的的参数;
对输出层,即λ层,残差按公式十九计算:
则第λ层残差的计算公式为公式二十一:
使用损失函数调整来改进权值和偏差值,具体按公式二十二和二十三进行计算:
对参数进行调整,如果J(W,b)变到最小值,对应的W,b就是要求得的最优解,最后当需要构建完整的神经元网络模型时,只需要将其代入hw,b(α)即可。
一种智能养老监控预警方法,包括以下步骤:
拍摄居家老人的日常生活图像,将图像输入图像识别模块进行存储和识别,提取步态特征,判断是否有异常情况,在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台。
与现有技术相比,本发明的优点在于:
(1)本发明中的智能养老监控预警系统,通过图像采集模块实时拍摄老人的图像信息,图像识别模块对步态进行识别,提取步态特征,决策模块根据行为姿态识别结果判断是否有异常情况,且在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台,同时,设置预警模块,当预警模块收到决策模块的预警信息时,进行报警,提醒老人停止当前动作,进行休息,即能够在危险发生前进行预警,有效降低老人跌倒的风险。
(2)本发明中的智能养老监控预警系统,图像识别模块使用卷积神经网络进行计算,快速高效的提取图像中的数据信息,加快计算过程和精度,能够快速预警,降低老人跌倒的风险。
附图说明
图1为本发明实施例中智能养老监控预警系统的结构示意图;
图2为本发明实施例中智能养老监控预警方法的流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
参见图1所示,本发明实施例提供一种智能养老监控预警系统和方法,包括图像采集模块、图像识别模块、决策模块和预警模块构成。
图像采集模块用于拍摄居家老人的日常生活图像。
图像识别模块用于对图像采集模块所采集的图像信息进行行为姿态识别,本实施例中,通过对步态进行识别,即提取步态特征。
决策模块根据行为姿态识别结果判断是否有异常情况(通过步态特征判断是否有倾斜跌倒的情况),且在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台。
预警模块,其设置在居家老人的家中,当收到决策模块的预警信息时,进行报警,提醒老人停止当前动作,进行休息。
图像识别模块包括一卷积神经网络,该卷积神经网络包括顺次连接的卷积层、池化层和全连接层。
卷积层中数据处理:
卷积层包括若干卷积核,每个卷积核生成对应的一个新的图像,每个新的图像对应一通道,当卷积内核的数量为m时(本实施例中以3个大小均为3x3x3的卷积核为例),有m个相应的输出通道,将新的图像通过池化层后输出到全连接层。
原始图像大小为6x6,对应Y矩阵(矩阵以图形的像素点作为元素),使用三个3x3x3的卷积核处理,3个卷积核分别为N(1)、N(2)、N(3),使用该卷积核对图像进行处理的过程为公式一:
矩阵Y通过N(k)转换为矩阵Z,具体参见公式二:
当步长为1时,计算矩阵Z,Zij通过公式四计算:
公式四中,HZ.sum(X)是对矩阵Y所有元素求和,sig(x)为激励函数,sig(x)通过公式五计算得到:
通过公式三计算得到三个不同的特征映射,将三个特征映射求和后代入公式五,得到图像点矩阵Z。
由公式三可知,若输入的图片矩阵为Y(m×n),且由n个α×α(α∈N,α<m)卷积核进行卷积处理,k个卷积核分别为N(1)、N(2),……,N(k),按照公式六计算N(k),按照公式七计算Y(m×n):
公式七中,M1=M-α+1,Zij通过公式八计算得到:
经过卷积处理后的数据传入池化层,池化层对卷积后的数据进行以下处理:
本实施例选取区间特征的最大值来表示某个区间的特征,使参数数量简化。
6x6的图像经过卷积层后,得到4x4的像素值矩阵Z,若将每一帧图像变换成一些非重叠的2x2正方形区域,再通过步长为2的最大池化操作,可得2x2的F矩阵,F通过公式九计算得到:
公式九中的fij(或Fij)通过公式十计算得到:
Fij=HZ.max(Z[2*(i-1):2*i,2*(j-1):2*j])……公式十
卷积操作后计算得到矩阵Z(M1×M1),将Z分解为b×b(b∈N,b<M1)区域,通过最大池化后(步长为M1),得到矩阵F(M1×M1),该矩阵具体为公式十一:
M2=M1/b,Fij通过公式十二计算得到:
Fij=HZ.max(Y[b*(i-1):b*i,b*(j-1):b*j])……公式十二将池化处理后的数据传入全连接层
全连接层为包括隐藏层的神经元模型,通过使用叠加层和底部采样层的交叉求和,可以获得图像的高级特征抽象,在上述计算中获得的矩阵F(N2×N2)被转换成一维数组,包含原始图像信息的M(N2×N2)个特征值,它们对应于全连接层的输入层中的每个神经元(即输入层中的m个神经元),并输出至BP神经网络结构。
BP神经网络结构,包括输入层、隐含层和输出层。
以一个x层的神经网络结构为例:输入层为X1,隐含层为X1,X2,X3,……,Xj-1;输出层Xj。
各层的神经元个数Kj(Kj∈N,Nj>1),满足Kj+1≤Kj,输入层的神经元个数为m。
神经元网络计算过程
根据神经网络的权重和偏移,神经网络中每个神经元的输入和输出可以按顺序计算出,直到神经网络的最终输出hw,b。
当输入的为一个样本(单张照片)时,具体计算按公式十三进行:
其中,a(λ)=f(λ)(z(λ))hw,b=a(λ)。
当输入的为m个样本时,X矩阵会有m行,则按公式十四进行:
其中,a(λ)=f(λ)(z(λ))hw,b=a(λ);
神经网络输出层神经元的数量与分类过程类别的数量相匹配,于是可以将m个样本分成kλ个类,kλ<m。
神经网络参数的求解:
n个训练样本{(α(1),β(1)),(α(2),β(2))...(α(n),β(n))}的且能够被分为tλ个类别,若每个样例包括m个特征值,那么α的形状为n×m,β代表标签矩阵,形状为n×tλ。
通常的取值方法为:如果i样本属于类别j(1≤i≤n,1≤j≤tλ),将矩阵β第i行第j列中的值βij设置为1,该行的其余列作为0,α和β按公式十五表示:
针对(α,β)训练样本,α和β可以作为矩阵(α,β)其中的某行,α={α1,α2,...,αi},β={β1,β2,...,βi},定义其损失函数为公式十六:
公式十六中,T是正则项,取全部数据的平方和并乘以系数τ/2的值,得到公式十七:
由此得到公式十六可变形为公式十八:
通过上述计算使得损失函数J(W,b)最小,当其最小时W,b就是需要求的的参数。
前向传播的差值,设训练数据(α,β)通过输入层进入隐藏层并进行计算和输出,在此过程中,得出所有神经元的前向传播的输出数据,又对所有神经元换算得到相应的残差(神经元i的残差),这样就得出神经元针对最后残差数据的作用。
对输出层,即λ层,残差按公式十九计算:
则第λ层残差的计算公式为公式二十一:
使用损失函数调整来改进权值和偏差值,具体按公式二十二和二十三进行计算:
对参数进行调整,如果J(W,b)变到最小值,对应的W,b就是要求得的最优解,最后当需要构建完整的神经元网络模型时,只需要将其代入hw,b(α)即可。
本实施例还采用基于注意力机制的模型加入行为姿态特征提取,该模型包括特征提取模块、注意力权重模块和分类器。
特征提取模块用于提取输入的视频帧数据中的特征值。
注意力权重模块用于分配初始权重给特征值,并根据每一次的网络迭代结果更新权重,调整视频帧序列中的特征分配结果。
分类器用于将最终的权重结果和视频帧的特征的乘积结果作为决策分类的依据。
基于注意力机制的模型可以学习特征值之间的注意力权重,使模型的注意力更多的分布在特征强度更大的范围内,减少无关信息对于视频内容的干扰。
基于注意力机制的网络结构包括视频动作特征提取模块,时空金字塔池化模块,注意力权重更新模块,动作分类决策模块。
首先使用卷积神经网络对视频中的动作提取特征,在卷积层之后使用时空金字塔池化层综合动作的高层和底层特征,将特征通过LSTM网络更新注意力权重,最后通过决策。
本发明注意力设计与静态图的特点不同,视频帧中含有与运动时间有关的时序信息,这个信息对于动作识别很重要。正确合理的处理视频帧之间的这种与时间有关的信息是一个关键的步骤。注意力机制模块可以根据视频帧之间的时序信息判断视频帧中的动作相关性,根据相关性计算特征的权重。本发明中提出的基于注意力机制的网络模型是在原模型的基础上增加了注意力机制。与传统的RNN相比,LSTM可以更好地捕获视频帧序列之间的动态特性。本发明中采用单层LSTM进行关于时间注意力机制的权重更新,在这个过程中最重要的是关于权重信息的计算和更新:
具体的,在时间注意力模型中,对于输入序列{i1,i2,...,iT},在标准的循环神经网络中通过迭代得到隐含状态序列{hidden1,hidden2,...,hiddenT},各个时间步上的输出状态,构成输出序列{o1,o2,...,oT},循环神经网络的数学表达式为公式二十四和公式二十五:
hiddent=fact(Weighthiddenit+Uhiddenhiddent-1+hhidden)二十四
ot=Weight0hiddent+b0……二十五
其中,Weight表示权重矩阵,Weighthidden、Weight0分别是隐藏层和输出层的权重矩阵,b表示偏差向量,bhidden、b0分别为隐藏层和输出层偏差量,fact是隐藏层激活函数。
函数fact的公式实现为:
ft=sign(Weightfit+Ufhiddent-1+bf)……二十六
it=sign(Weightiit+Uihiddent-i+bi)……二十七
ot=sign(Weight0it+U0hiddent-1+b0)……二十八
gt=tanh(Weightgit+Ughiddent-1+bg)……二十九
codet=ft⊙codet-1+it⊙gt……三十
hiddent=ot⊙tanh(codet)……三十一
其中,ft和ic分别表示遗忘控制门和输入控制门,codeτ表示内部记忆单元,hiddentτ表示在时间步t的隐含状态,iτ表示在时间步t的输入行为特征。sign是基于元素的逻辑符号函数,⊙为基于元素的点乘。
ft可以控制在当前状态下,在己经记忆的状态中,选择保留相关性最强的特征,将相关性较弱的特征丢弃,iτ可以控制这一次输入数据是否加入到当前时刻的状态计算中。
内部记忆单元codeτ用于记录序列中的之前时刻的状态。
在基于注意力机制网络的训练中,首先为训练的视频帧中的特征设置初始值。在每一次的注意力网络的迭代中,不断的更新特征中的权重分配。在本发明的基于注意力的模型中,每个记忆单元的训练目的是调整对输入视频中每一帧特征的注意力权重。与使用相同的权重处理视频帧中的特征不同处在于,基于注意力机制的模型可以根据输入数据在每一次的训练中调整每一帧的特征所占的权重,而行为的特征可以表示为所有特征权重与特征的乘积的形式,如公式三十一:
wa、ua和ba是转换参数。根据计算出的相关性,可以通过对相关性进行归一化处理,而这个归一化处理的结果就是帧特征中的权重,计算公式为三十三:
经过反复训练之后,权重分布将渐渐稳定,并主要集中于具有代表性的特征上,便于提取出异常数据。
本发明还提供一种智能养老监控预警方法,包括以下步骤:
拍摄居家老人的日常生活图像,将图像输入图像识别模块进行存储和识别,提取步态特征,判断是否有异常情况,在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台。
本发明不仅局限于上述最佳实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本发明相同或相近似的技术方案,均在其保护范围之内。
Claims (8)
1.一种智能养老监控预警系统,其特征在于:包括图像采集模块、图像识别模块、决策模块和预警模块构成;
所述图像采集模块用于拍摄居家老人的日常生活图像;
所述图像识别模块用于对图像采集模块所采集的图像信息进行行为姿态识别,即通过对步态进行识别,即提取步态特征;
所述决策模块根据行为姿态识别结果判断是否有异常情况,且在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台;
所述预警模块,其设置在居家老人的家中,当收到决策模块的预警信息时,进行报警,提醒老人停止当前动作,进行休息。
2.如权利要求1所述的一种智能养老监控预警系统,其特征在于:所述图像识别模块包括一卷积神经网络,该卷积神经网络包括顺次连接的卷积层、池化层和全连接层。
3.如权利要求2所述的一种智能养老监控预警系统,其特征在于:所述卷积层包括若干卷积核,每个卷积核生成对应的一个新的图像,每个新的图像对应一通道,当卷积内核的数量为m时,有m个相应的输出通道,将新的图像通过池化层后输出到全连接层;
原始图像大小为6x6,对应Y矩阵,使用三个3x3x3的卷积核处理,3个卷积核分别为N(1)、N(2)、N(3),使用该卷积核对图像进行处理的过程为公式一:
矩阵Y通过N(k)转换为矩阵Z,具体参见公式二:
当步长为1时,计算矩阵Z,Zij通过公式四计算:
公式四中,HZ.sum(X)是对矩阵Y所有元素求和,sig(x)为激励函数,sig(x)通过公式五计算得到:
通过公式三计算得到三个不同的特征映射,将三个特征映射求和后代入公式五,得到图像点矩阵Z;
由公式三可知,若输入的图片矩阵为Y(m×n),且由n个α×α(α∈N,α<m)卷积核进行卷积处理,k个卷积核分别为N(1)、N(2),……,N(k),按照公式六计算N(k),按照公式七计算Y(m×n):
公式七中,M1=M-α+1,Zij通过公式八计算得到:
4.如权利要求3所述的一种智能养老监控预警系统,其特征在于:所述池化层用于对卷积后的数据进行以下处理:
6x6的图像经过卷积层后,得到4x4的像素值矩阵Z,若将每一帧图像变换成一些非重叠的2x2正方形区域,再通过步长为2的最大池化操作,可得2x2的F矩阵,F通过公式九计算得到:
公式九中的fij(或Fij)通过公式十计算得到:
Fij=HZ.max(Z[2*(i-1):2*i,2*(j-1):2*j])……公式十
卷积操作后计算得到矩阵Z(M1×M1),将Z分解为b×b(b∈N,b<M1)区域,通过最大池化后(步长为M1),得到矩阵F(M1×M1),该矩阵具体为公式十一:
M2=M1/b,Fij通过公式十二计算得到:
Fij=HZ.max(Y[b*(i-1):b*i,b*(j-1):b*j])……公式十二。
5.如权利要求4所述的一种智能养老监控预警系统,其特征在于:所述全连接层用于将矩阵F(N2×N2)被转换成一维数组,包含原始图像信息的M(N2×N2)个特征值,所述数组对应于全连接层的输入层中的每个神经元,即输入层中的m个神经元,将数组输出至BP神经网络结构。
6.如权利要求5所述的一种智能养老监控预警系统,其特征在于:所述BP神经网络结构包括输入层、隐含层和输出层。
7.如权利要求6所述的一种智能养老监控预警系统,其特征在于:所述BP神经网络结构为x层的神经网络结构:输入层为X1,隐含层为X1,X2,X3,……,Xj-1;输出层Xj;
各层的神经元个数Kj,Kj∈N,Nj>1,满足Kj+1≤Kj,输入层的神经元个数为m;
神经元网络计算过程为:
根据神经网络的权重和偏移,神经网络中每个神经元的输入和输出可以按顺序计算出,直到神经网络的最终输出hw,b;
当输入的为一个样本时,具体计算按公式十三进行:
其中,a(λ)=f(λ)(z(λ)),hw,b=a(λ)。
当输入的为m个样本时,X矩阵会有m行,则按公式十四进行:
其中,a(λ)=f(λ)(z(λ)),hw,b=a(λ);
神经网络输出层神经元的数量与分类过程类别的数量相匹配,将m个样本分成kλ个类,kλ<m;
神经网络参数的求解:
n个训练样本{(α(1),β(1)),(α(2),β(2))...(α(n),β(n))}的且能够被分为tλ个类别,若每个样例包括m个特征值,那么α的形状为n×m,β代表标签矩阵,形状为n×tλ;
通常的取值方法为:如果i样本属于类别j(1≤i≤n,1≤j≤tλ),将矩阵β第i行第j列中的值βij设置为1,该行的其余列作为0,α和β按公式十五表示:
针对(α,β)训练样本,α和β可以作为矩阵(α,β)其中的某行,α={α1,α2,...,αi},β={β1,β2,...,βi},定义其损失函数为公式十六:
公式十六中,T是正则项,取全部数据的平方和并乘以系数τ/2的值,得到公式十七:
由此得到公式十六可变形为公式十八:
通过上述计算使得损失函数J(W,b)最小,当其最小时W,b就是需要求的的参数;
对输出层,即λ层,残差按公式十九计算:
则第λ层残差的计算公式为公式二十一:
使用损失函数调整来改进权值和偏差值,具体按公式二十二和二十三进行计算:
对参数进行调整,如果J(W,b)变到最小值,对应的W,b就是要求得的最优解,最后当需要构建完整的神经元网络模型时,只需要将其代入hw,b(α)即可。
8.一种智能养老监控预警方法,其特征在于,包括以下步骤:
拍摄居家老人的日常生活图像,将图像输入图像识别模块进行存储和识别,提取步态特征,判断是否有异常情况,在有异常情况时发送预警信息至报警模块、家属的移动设备或/和者相关平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228757.6A CN112861769A (zh) | 2021-03-02 | 2021-03-02 | 一种智能养老监控预警系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228757.6A CN112861769A (zh) | 2021-03-02 | 2021-03-02 | 一种智能养老监控预警系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861769A true CN112861769A (zh) | 2021-05-28 |
Family
ID=75990785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228757.6A Pending CN112861769A (zh) | 2021-03-02 | 2021-03-02 | 一种智能养老监控预警系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861769A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496216A (zh) * | 2021-08-31 | 2021-10-12 | 四川大学华西医院 | 一种基于骨骼关键点的多角度跌倒高危识别方法及系统 |
CN116229581A (zh) * | 2023-03-23 | 2023-06-06 | 珠海市安克电子技术有限公司 | 一种基于大数据的智能互联急救系统 |
-
2021
- 2021-03-02 CN CN202110228757.6A patent/CN112861769A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496216A (zh) * | 2021-08-31 | 2021-10-12 | 四川大学华西医院 | 一种基于骨骼关键点的多角度跌倒高危识别方法及系统 |
CN113496216B (zh) * | 2021-08-31 | 2023-05-05 | 四川大学华西医院 | 一种基于骨骼关键点的多角度跌倒高危识别方法及系统 |
CN116229581A (zh) * | 2023-03-23 | 2023-06-06 | 珠海市安克电子技术有限公司 | 一种基于大数据的智能互联急救系统 |
CN116229581B (zh) * | 2023-03-23 | 2023-09-19 | 珠海市安克电子技术有限公司 | 一种基于大数据的智能互联急救系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karim et al. | Insights into LSTM fully convolutional networks for time series classification | |
CN111985370B (zh) | 一种基于混合注意力模块的农作物病虫害识别方法 | |
CN106845401B (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
Similä et al. | Multiresponse sparse regression with application to multidimensional scaling | |
CN112861769A (zh) | 一种智能养老监控预警系统和方法 | |
CN113221694B (zh) | 一种动作识别方法 | |
CN111191528B (zh) | 基于深度学习的校园暴力行为检测系统和方法 | |
Bhatt et al. | Comparison of CNN models for application in crop health assessment with participatory sensing | |
JayaBrindha et al. | Ant colony technique for optimizing the order of cascaded SVM classifier for sunflower seed classification | |
CN112597980A (zh) | 一种面向动态视觉传感器的类脑手势序列识别方法 | |
Raizada et al. | Vector borne disease outbreak prediction by machine learning | |
Siddique et al. | Handwritten digit recognition using convolutional neural network in Python with tensorflow and observe the variation of accuracies for various hidden layers | |
Borugadda et al. | Transfer Learning VGG16 Model for Classification of Tomato Plant Leaf Diseases: A Novel Approach for Multi-Level Dimensional Reduction. | |
Harikrishnan et al. | A novel chaos theory inspired neuronal architecture | |
CN113052091A (zh) | 一种基于卷积神经网络的动作识别方法 | |
Shobana et al. | Plant disease detection using convolution neural network | |
Prasetyo et al. | The implementation of CNN on website-based rice plant disease detection | |
CN113255899B (zh) | 一种通道自关联的知识蒸馏方法与系统 | |
Lu et al. | Image classification and recognition of rice diseases: a hybrid DBN and particle swarm optimization algorithm | |
CN115035511A (zh) | 一种基于ResNet残差网络的病虫害识别方法及装置 | |
CN114926737A (zh) | 一种基于卷积脉冲神经网络的低功耗目标检测方法 | |
CN112507770B (zh) | 一种水稻病虫害识别方法和系统 | |
JPH08305855A (ja) | 画像のパターン認識方法及び装置 | |
Abdulla et al. | Design a mobile application to detect tomato plant diseases based on deep learning | |
Harvyanti et al. | Application of Convolutional Neural Network for Identifying Cocoa Leaf Disease |
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 |