CN115501050A - 一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法 - Google Patents
一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法 Download PDFInfo
- Publication number
- CN115501050A CN115501050A CN202211345045.3A CN202211345045A CN115501050A CN 115501050 A CN115501050 A CN 115501050A CN 202211345045 A CN202211345045 A CN 202211345045A CN 115501050 A CN115501050 A CN 115501050A
- Authority
- CN
- China
- Prior art keywords
- module
- detection
- network
- data
- wheelchair
- 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 80
- 238000012549 training Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000013515 script Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 9
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 4
- 230000003028 elevating effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 230000036772 blood pressure Effects 0.000 description 5
- 230000036760 body temperature Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G5/00—Chairs or personal conveyances specially adapted for patients or disabled persons, e.g. wheelchairs
- A61G5/10—Parts, details or accessories
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法，该系统包括用于记录监测对象动作的采集模块；用于提取采集视频中的动作特征、进行分类、输出检测结果的检测模块；以及用于在轮椅用户异常情况下向紧急联络人报警或向周围人员发出警告的报警模块；模块采集用户动作信息发送到检测模块，检测模块检测采集模块输入的视频，并预测用户实时的姿态和动作，姿态和动作认为异常时向报警模块输入报警信号。本发明通过轮椅用户健康监测系统设置采集模块、报警模块、检测模块和云端服务器，能保证在用户异常状态下及时发出危险警告，从而极大减少监护人员的监护压力，面对多个需要监测用户时提升监护效率和减少人工成本。
Description
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法。
背景技术
对于手脚不便的病人来说，需要护理人员时刻在身边照看来应对突发情况，这类照看任务往往会占用护理人员大量精力与时间，如果另请专业人员又是一笔昂贵的费用。为了减轻护理人员的负担，利用远距离通信加固定摄像头的方式，对用户在一定区域内进行健康状态的监测。这样即使不在同一空间内，也能通过视频接入设备知晓对象健康状况。
中国专利一种（申请号：201710221113.8，申请公告号：CN 106963568 A）带有健康检测系统的智能轮椅，健康监测系统基于对血压、心率、脉搏和体温的监测及反馈实现；所述智能轮椅还包含血压心率检测模块、脉搏检测模块、体温检测模块、数据库存储模块、语音模块，打印模块；所述智能轮椅使用前，利用支持向量机算法或k近邻算法训练处理模块，使得处理模块获得将血压、心率、脉搏和体温的数据与所述常见病症相对应的能力；训练完成时，所述处理模块能够利用支持向量机算法或k近邻算法处理血压、心率、脉搏、体温四个变量，了解使用者当前的健康状况及相关潜在病症，并通过语音模块和打印模块输出病症判断结果。
上述专利一种带有健康检测系统的智能轮椅，利用支持向量机算法或k近邻算法训练健康监测系统的处理模块进行模式识别，识别用户的健康状态在于，现有常见病症的血压、心率、脉搏和体温数据，从而获得使用者的病症分析结果；并未对用户的动作进行健康检测，同时使用向量机算法或k近邻算法，算法速度慢，不能准确及时的识别轮椅用户的动作，从而做出健康状态的判定。
发明内容
本发明针对上述的不足之处提供一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法。
本发明目的是这样实现的：一种基于计算机视觉的轮椅用户健康监测系统，其特征在于：所述系统包括采集模块、报警模块、检测模块和云端服务器；
所述采集模块用于记录监测对象的动作；
所述检测模块利用检测网络来提取采集视频中的动作特征然后进行分类，最后输出检测结果；以及实现更新检测网络；
所述报警模块用于在轮椅用户异常情况下向紧急联络人报警或向周围人员发出警告；
所述采集模块采集用户动作信息发送到检测模块，检测模块检测采集模块输入的视频，并预测用户实时的姿态和动作，姿态和动作认为异常时向报警模块输入报警信号。
优选的，所述采集模块包括：
摄像头模组，用于拍摄用户上半身视频图像；
升降机构，用于实现摄像头在轮椅扶手处的升降；
驱动电机，用于驱动升降机构和摄像头；
所述升降机构与轮椅扶手支撑杆内壁连接，驱动电机固定安装于所述轮椅扶手支撑杆腔内；所述摄像头模组安装在升降机构内和驱动电机相连，摄像头模组包括摄像头。
优选的，所述检测模块包括：
单片机，单片机安装在轮椅扶手支撑柱的内部，接收采集模块的视频数据，并根据检测模块的检测结果下达指令给报警模块；
算法模型，算法模型包括时序动作检测算法SSAD，时序动作检测算法SSAD由云端计算机训练好后将模型移植在单片机上，单片机采用NPU芯片；
数据处理脚本，数据处理脚本用于更新网络参数，根据检测网络预测到的动作类别和动作起始终止时间，截取原视频片段并写入标签上传至云端；
4G模块，4G模块用于实现数据处理脚本在云端和客户端之间的数据上传下载；
所述数据处理脚本移植在单片机。
优选的，所述报警模块包括：
固态继电器，固态继电器接收检测模块的信号，用于控制整个报警模块的供电；
有源蜂鸣器，有源蜂鸣器用于在用户危险时发出警报声响，提示周围人员注意；
GSM模块， GSM模块用于在危险情况下给紧急联信人发信。
优选的，所所述GSM模块用于在危险情况下给紧急联信人发信，发信内容包括危险原因和轮椅所在地址。
一种基于计算机视觉的轮椅用户健康监测系统的检测网络的训练方法，其特征在于：该方法包括以下步骤：
步骤（1）：收集轮椅用户的异常行为视频和图像数据，制作云端训练的数据集，训练网络模型；所述网络模型为SSAD卷积神经网络；
步骤（2）：通过数据处理脚本将检测模块检测到的本地低置信度的异常行为数据，送至云端服务器，经人工确认和校正视频片段的标签后，将确定的异常数据进行数据增强后归于其所属的分类数据集中，和原有的数据集进行融合制成新的融合数据集；
步骤（3）：将融合数据集放入对SSAD卷积神经网络进行训练；
步骤（4）：通过数据处理脚本更新本地的网络参数，完成本地的网络模型迭代。
优选的，所述数据增强具体操作如下：
给定输入图像，使用显著性检测技术生成关于图像的显著性检测图，在显著性图中找到显著性强度最大的1个像素点，以这个像素点作为中心坐标，之后在中心坐标周围生成一块显著性裁剪区域，这个裁剪区域即为显著性映射图的峰值区域，将这块显著性峰值区域进行裁剪，输出增强样本。
优选的，所述步骤（3）中将融合数据集放入对SSAD卷积神经网络进行训练，具体包括如下操作：
步骤（3-1）：采集的视频或图像进入动作分类器，spatial network、temporal
network、c3d network进行片段分类；spatial network对单张视频进行片段分类，输出概
率结果
；temporal network对10帧堆叠的光流数据进行片段分类，输出概率结果
；
c3d network对于16帧堆叠的图像数据进行片段分类，输出概率结果
；
步骤（3-2）：将分类后的图像进入SAS特征进行特征提取形成SAS特征序列，SAS特
征
；
步骤（3-3）：按先后顺序经过Base layer、Anchor Layer输出特征图到PredictionLayer，最后输出预测结果。
优选的，所述步骤（3-1）中采用迁移学习中Fine-tuning策略进行的线性分类器步骤。
优选的，所述步骤（3）中将融合数据集放入对SSAD卷积神经网络进行训练，包括在训练时采用早停策略。具体操作为：在训练中计算SSAD卷积神经网络在验证集上的表现，当SSAD卷积神经网络在验证集上的表现开始下降的时候，停止训练。
本发明的有益效果：1、通过轮椅用户健康监测系统设置集模块、报警模块、检测模块和云端服务器，能保证在用户异常状态下及时发出危险警告，从而极大减少监护人员的监护压力，面对多个需要监测用户时提升监护效率和减少人工成本。
2、通过在检查模块的算法模型中采用时序动作检测算法SSAD，增加算法的计算速度，同时增加用户异常状态下发出危险警告的速度，在时序动作检测算法SSAD中采用迁移学习中Fine-tuning的方法和早停策略，防止训练过拟合，获得更好的泛化性能，进一步提高算法的准确性和运算、发送速度，准确及时的识别轮椅用户的动作，从而做出健康状态的判定。
附图说明
图1为本发明一种基于计算机视觉的轮椅用户健康监测系统的模块示意图。
图2为发明一种基于计算机视觉的轮椅用户健康监测系统的检测网络的训练方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清晰明了，现结合附图及具体实施例作进一步说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。并结合附图对本发明做进一步概述。
如图1所示，一种基于计算机视觉的轮椅用户健康监测系统，包括采集模块、报警模块、检测模块和云端服务器；
采集模块用于记录监测对象的动作；采集模块包括摄像头模组，用于拍摄用户上半身视频图像；升降机构，用于实现摄像头在轮椅扶手处的升降；驱动电机，用于驱动升降机构和摄像头；升降机构与轮椅扶手支撑杆内壁连接，驱动电机固定安装于所述轮椅扶手支撑杆腔内；摄像头模组安装在升降机构内和驱动电机相连，摄像头模组包括多个摄像头。
在监控系统启动时，电机驱动升降机构将摄像头从扶手内部推出，摄像头在拍摄时为小角度仰拍，略微倾斜于用户所在平面；摄像头将拍摄的照片传输给检测模块。
检测模块，用于提取采集视频中的动作特征然后进行分类，最后输出检测结果；以及实现更新检测网络；检测模块包括集成了NPU的单片机、移植在单片机上的算法模型和数据处理脚本，以及用于实现数据处理脚本在云端和客户端之间的数据上传下载的4G模块。
单片机用于处理整个系统的指令、任务，对摄像头的控制、对采集视频的检测以及后续的报警都是由单片机中的CPU下达指令，单片机采用NPU芯片。
如图2所示，算法模型包括时序动作检测算法SSAD，时序动作检测算法SSAD用于处理未剪辑视频中时序动作定位和分类任务。其本质是SSAD卷积神经网络。具体操作如下：
采集的视频或图像进入动作分类器，spatial network、temporal network、c3d
network进行片段分类；spatial network对单张视频进行片段分类，输出概率结果
；
temporal network对10帧堆叠的光流数据进行片段分类，输出概率结果
；c3d network
对于16帧堆叠的图像数据进行片段分类，输出概率结果
；将分类后的图像进入SAS特征
进行特征提取形成SAS特征序列，SAS特征
。按先后顺序经过Base
layer、Anchor Layer输出特征图到Prediction Layer，最后输出预测结果。Base Layer用
于对SAS特征进行1D卷积和池化操作来降低整个视频的SAS特征序列长度，并提升时序维度
的感受野防止检测遗漏。Anchor Layer采用卷积核大小为3，步长为2，输出通道为512的1D
卷积操作。经过Conv-A1、Conv-A2、Conv-A3之后，时间维度大小分别减少为原来1/32，1/64，
1/128；实现分别对短、中、长持续时间的动作检测；prediction layer用于预测输出类别概
率、重合置信度、预测位置偏移，在Conv-A1、Conv-A2、Conv-A3每一层都会输出预测结果。将
检测结果通过AD转换成模拟信号送入数据处理脚本，当检测结果为异常时将异常数据中置
信度较低的发送至云端服务器，将本地数据和云端数据融合生成新的融合数据集。在融合
数据集对SSAD卷积神经网络进行训练以更新网络权重参数，将更新好的权重参数传回客户
端，再由检测模块中的数据脚本更新本地的网络参数。
报警模块，用于在轮椅用户异常情况下向紧急联络人报警或向周围人员发出警告；报警模块包括：
固态继电器，固态继电器接收检测模块的信号，用于控制整个报警模块的供电；
有源蜂鸣器，有源蜂鸣器用于在用户危险时发出警报声响，提示周围人员注意；
GSM模块， GSM模块用于在危险情况下给紧急联信人发信，发信内容包括轮椅用户的健康状态和轮椅所在地址。
一种基于计算机视觉的轮椅用户健康监测的检测网络的训练方法，包括以下步骤：
步骤（1）：收集关于轮椅用户的异常行为视频和图像数据，制作成云端训练的数据集，训练网络模型；网络模型为SSAD卷积神经网络；视频和图像数据种类包括：昏迷、呕吐、抽搐、由痛觉引起的手臂躯干姿势改变或动作；将数据集分为训练集和验证集，除此之外收集轮椅用户的正常状态下的动作作为对照验证网络的检测准确性，各类异常动作数据的数量在数据集中的占比一致。
步骤（2）：通过数据处理脚本将检测模块检测到的本地低置信度的异常行为数据，送至云端服务器，经人工确认和校正视频片段的标签后，将确定的异常数据进行数据增强后归于其所属的分类数据集中，和原有的数据集进行融合制成新的融合数据集；其中数据增强方法包括对原视频图像的部分特征显著性区域进行遮挡或使用另一张图像的补丁图块进行替换，以此引导模型关注图像中鉴别性较差的区域，以学得更多有效特征。具体操作为：给定输入图像，使用显著性检测技术生成关于图像的显著性检测图，在显著性图中找到显著性强度最大的1个像素点，以这个像素点作为中心坐标，之后在中心坐标周围生成一块显著性裁剪区域，这个裁剪区域即为显著性映射图的峰值区域，将这块显著性峰值区域进行裁剪、即遮挡，去除这块区域的全部的像素信息，输出增强样本。
步骤（3）：将融合数据集放入对SSAD卷积神经网络进行训练；
由于融合数据集和训练的SSAD卷积神经网络的数据集有特征相似特性，采用迁移学习中Fine-tuning策略，即冻结网络模型前几层，去掉原网络最后一层，用网络前几层构成的特征提取器来训练新的线性分类器步骤。具体的，分别对用于提取SSAD卷积神经网络需要的SAS特征的动作分类器spatial network、temporal network、c3d network进行Fine-tuning，提高其在融合数据集中的动作分类效果；SSAD卷积神经网络的predictonlayer进行Fine-tuning使其在融合数据集上的预测结果达到要求水平。
同时，在网络模型的训练过程中，随着迭代次数的增加，训练集的误差函数值逐渐
减少，但在验证集上，过了某一点后，误差函数值逐渐增加，说明该点之后有过拟合的情况
发生。继续训练网络的预测能力将下降，为保证拟合效果，云服务器网络在融合数据集上对
模型进行早停训练；具体的，融合数据集的
分别作为训练集、验证集。制定停止
标准
和泛化损失
，当泛化损失超过一定阈值的时候，停止训练，将训练后的网络
模型参数发送至客户端。
步骤（4）：通过数据处理脚本更新本地的网络参数，完成本地的网络模型迭代。
工作过程：当轮椅用户乘坐智能轮椅后采集模块开始工作，摄像头从扶手内升起对轮椅用户采集视频数据，经过简单处理后利用协议传输至检测模块，采集模块先通过动作分类器提取视频中的动作特征序列SAS，接着SSAD卷积神经网络的Base layer、AnchorLayer根据特征序列SAS输出特征图，最后由Prediction Layer输出动作预测结果和在视频中的片段位置，如果检测结果为异常动作则向报警模块发送异常信号。数据处理脚本在报警模块未触发时将上次检测模块检测到异常行为视频片段通过4G模块上传至云端服务器以供后续网络训练，待云端完成训练之后将本地的数据与云端同步，完成本地检测网络模型的迭代。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。
Claims (10)
1.一种基于计算机视觉的轮椅用户健康监测系统，其特征在于：所述系统包括采集模块、报警模块、检测模块和云端服务器；
所述采集模块用于记录监测对象的动作；
所述检测模块利用检测网络来提取采集视频中的动作特征然后进行分类，最后输出检测结果；以及实现更新检测网络；
所述报警模块用于在轮椅用户异常情况下向紧急联络人报警或向周围人员发出警告；
所述采集模块采集用户动作信息发送到检测模块，检测模块检测采集模块输入的视频，并预测用户实时的姿态和动作，姿态和动作认为异常时向报警模块输入报警信号。
2.根据权利要求1所述的一种基于计算机视觉的轮椅用户健康监测系统，其特征在于：所述采集模块包括：
摄像头模组，用于拍摄用户上半身视频图像；
升降机构，用于实现摄像头在轮椅扶手处的升降；
驱动电机，用于驱动升降机构和摄像头；
所述升降机构与轮椅扶手支撑杆内壁连接，驱动电机固定安装于所述轮椅扶手支撑杆腔内；所述摄像头模组安装在升降机构内和驱动电机相连，摄像头模组包括摄像头。
3.根据权利要求1所述的一种基于计算机视觉的轮椅用户健康监测系统，其特征在于：所述检测模块包括：
单片机，单片机安装在轮椅扶手支撑柱的内部，接收采集模块的视频数据，并根据检测模块的检测结果下达指令给报警模块；
算法模型，算法模型包括时序动作检测算法SSAD，时序动作检测算法SSAD由云端计算机训练好后将模型移植在单片机上，单片机采用NPU芯片；
数据处理脚本，数据处理脚本用于更新网络参数，根据检测网络预测到的动作类别和动作起始终止时间，截取原视频片段并写入标签上传至云端；
4G模块，4G模块用于实现数据处理脚本在云端和客户端之间的数据上传下载；
所述数据处理脚本移植在单片机。
4.根据权利要求1所述的一种基于计算机视觉的轮椅用户健康监测系统，其特征在于：所述报警模块包括：
固态继电器，固态继电器接收检测模块的信号，用于控制整个报警模块的供电；
有源蜂鸣器，有源蜂鸣器用于在用户危险时发出警报声响，提示周围人员注意；
GSM模块， GSM模块用于在危险情况下给紧急联信人发信。
5.根据权利要求4所述的一种基于计算机视觉的轮椅用户健康监测系统，其特征在于：
所述GSM模块用于在危险情况下给紧急联信人发信，发信内容包括危险原因和轮椅所在地址。
6.根据权利要求1-5任意一项所述的一种基于计算机视觉的轮椅用户健康监测系统的检测网络的训练方法，其特征在于：该方法包括以下步骤：
步骤（1）：收集轮椅用户的异常行为视频和图像数据，制作云端训练的数据集，训练网络模型；所述网络模型为SSAD卷积神经网络；
步骤（2）：通过数据处理脚本将检测模块检测到的本地低置信度的异常行为数据，送至云端服务器，经人工确认和校正视频片段的标签后，将确定的异常数据进行数据增强后归于其所属的分类数据集中，和原有的数据集进行融合制成新的融合数据集；
步骤（3）：将融合数据集放入对SSAD卷积神经网络进行训练；
步骤（4）：通过数据处理脚本更新本地的网络参数，完成本地的网络模型迭代。
7.根据权利要求6所述的一种基于计算机视觉的轮椅用户健康监测系统的检测网络的训练方法，其特征在于：所述数据增强具体操作如下：
给定输入图像，使用显著性检测技术生成关于图像的显著性检测图，在显著性图中找到显著性强度最大的1个像素点，以这个像素点作为中心坐标，之后在中心坐标周围生成一块显著性裁剪区域，这个裁剪区域即为显著性映射图的峰值区域，将这块显著性峰值区域进行裁剪，输出增强样本。
8.根据权利要求6所述的一种基于计算机视觉的轮椅用户健康监测系统的检测网络的训练方法，其特征在于：所述步骤（3）中将融合数据集放入对SSAD卷积神经网络进行训练，具体包括如下操作：
步骤（3-1）：采集的视频或图像进入动作分类器，spatial network、temporal
network、c3d network进行片段分类；spatial network对单张视频进行片段分类，输出概
率结果
；temporal network对10帧堆叠的光流数据进行片段分类，输出概率结果
；
c3d network对于16帧堆叠的图像数据进行片段分类，输出概率结果
；
步骤（3-2）：将分类后的图像进入SAS特征进行特征提取形成SAS特征序列，SAS特征
；
步骤（3-3）：按先后顺序经过Base layer、Anchor Layer输出特征图到PredictionLayer，最后输出预测结果。
9.根据权利要求8所述的一种基于计算机视觉的轮椅用户健康监测系统的检测网络的训练方法，其特征在于：所述步骤（3-1）中采用迁移学习中Fine-tuning策略进行的线性分类器步骤。
10.根据权利要求6所述的一种基于计算机视觉的轮椅用户健康监测系统的检测网络的训练方法，其特征在于：所述步骤（3）中将融合数据集放入对SSAD卷积神经网络进行训练，包括在训练时采用早停策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211345045.3A CN115501050A (zh) | 2022-10-31 | 2022-10-31 | 一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211345045.3A CN115501050A (zh) | 2022-10-31 | 2022-10-31 | 一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115501050A true CN115501050A (zh) | 2022-12-23 |
Family
ID=84511627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211345045.3A Pending CN115501050A (zh) | 2022-10-31 | 2022-10-31 | 一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115501050A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100241598A1 (en) * | 2007-12-18 | 2010-09-23 | Fujitsu Limited | Method, program, and apparatus for generating two-class classification/prediction model |
| CN203677399U (zh) * | 2013-12-10 | 2014-07-02 | 上海宝路机电有限公司 | 多功能护理智能轮椅 |
| CN106933157A (zh) * | 2017-04-20 | 2017-07-07 | 武汉理工大学 | 一种轮椅安全监测装置及监测方法 |
| CN106963568A (zh) * | 2017-04-06 | 2017-07-21 | 湖北纪思智能科技有限公司 | 带有健康监测系统的智能轮椅 |
| CN107361749A (zh) * | 2017-08-11 | 2017-11-21 | 安徽辉墨教学仪器有限公司 | 一种讲台动态健康监控系统 |
| CN207492881U (zh) * | 2017-04-18 | 2018-06-15 | 上海工程技术大学 | 一种基于人体面部姿态识别和自动跟随的智能轮椅 |
| CN108921874A (zh) * | 2018-07-04 | 2018-11-30 | 百度在线网络技术（北京）有限公司 | 人体跟踪处理方法、装置及系统 |
| CN109308444A (zh) * | 2018-07-16 | 2019-02-05 | 重庆大学 | 一种室内环境下的异常行为识别方法 |
| CN109614517A (zh) * | 2018-12-04 | 2019-04-12 | 广州市百果园信息技术有限公司 | 视频的分类方法、装置、设备及存储介质 |
| CN110236812A (zh) * | 2019-07-16 | 2019-09-17 | 哈尔滨理工大学 | 一种具有体征监测功能的多模态人机交互智能轮椅系统 |
| CN111414910A (zh) * | 2020-03-18 | 2020-07-14 | 上海嘉沃光电科技有限公司 | 基于双重卷积神经网络的小目标增强检测方法和装置 |
| CN112216065A (zh) * | 2020-10-15 | 2021-01-12 | 吕行 | 一种老年人行为智能看护系统及识别方法 |
| CN112528825A (zh) * | 2020-12-04 | 2021-03-19 | 交控科技股份有限公司 | 一种基于图像识别的车站乘客招援服务方法 |
| CN113034849A (zh) * | 2019-12-25 | 2021-06-25 | 海信集团有限公司 | 婴儿看护设备、看护方法及存储介质 |
| CN113101075A (zh) * | 2021-03-09 | 2021-07-13 | 武汉理工大学 | 一种多功能智能轮椅控制系统及控制方法 |
| CN113974998A (zh) * | 2021-07-08 | 2022-01-28 | 北京理工华汇智能科技有限公司 | 一种智行助行器、意识状态监测方法及系统 |
| CN114495291A (zh) * | 2022-04-01 | 2022-05-13 | 杭州魔点科技有限公司 | 活体检测的方法、系统、电子装置和存储介质 |
| CN114758153A (zh) * | 2022-04-29 | 2022-07-15 | 西安交通大学 | 一种基于显著性保持的数据增强方法及系统 |
| CN114998602A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学技术大学 | 基于低置信度样本对比损失的域适应学习方法及系统 |
| CN115049836A (zh) * | 2022-08-16 | 2022-09-13 | 平安科技（深圳）有限公司 | 图像分割方法、装置、设备及存储介质 |
-
2022
- 2022-10-31 CN CN202211345045.3A patent/CN115501050A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100241598A1 (en) * | 2007-12-18 | 2010-09-23 | Fujitsu Limited | Method, program, and apparatus for generating two-class classification/prediction model |
| CN203677399U (zh) * | 2013-12-10 | 2014-07-02 | 上海宝路机电有限公司 | 多功能护理智能轮椅 |
| CN106963568A (zh) * | 2017-04-06 | 2017-07-21 | 湖北纪思智能科技有限公司 | 带有健康监测系统的智能轮椅 |
| CN207492881U (zh) * | 2017-04-18 | 2018-06-15 | 上海工程技术大学 | 一种基于人体面部姿态识别和自动跟随的智能轮椅 |
| CN106933157A (zh) * | 2017-04-20 | 2017-07-07 | 武汉理工大学 | 一种轮椅安全监测装置及监测方法 |
| CN107361749A (zh) * | 2017-08-11 | 2017-11-21 | 安徽辉墨教学仪器有限公司 | 一种讲台动态健康监控系统 |
| CN108921874A (zh) * | 2018-07-04 | 2018-11-30 | 百度在线网络技术（北京）有限公司 | 人体跟踪处理方法、装置及系统 |
| CN109308444A (zh) * | 2018-07-16 | 2019-02-05 | 重庆大学 | 一种室内环境下的异常行为识别方法 |
| CN109614517A (zh) * | 2018-12-04 | 2019-04-12 | 广州市百果园信息技术有限公司 | 视频的分类方法、装置、设备及存储介质 |
| CN110236812A (zh) * | 2019-07-16 | 2019-09-17 | 哈尔滨理工大学 | 一种具有体征监测功能的多模态人机交互智能轮椅系统 |
| CN113034849A (zh) * | 2019-12-25 | 2021-06-25 | 海信集团有限公司 | 婴儿看护设备、看护方法及存储介质 |
| CN111414910A (zh) * | 2020-03-18 | 2020-07-14 | 上海嘉沃光电科技有限公司 | 基于双重卷积神经网络的小目标增强检测方法和装置 |
| CN112216065A (zh) * | 2020-10-15 | 2021-01-12 | 吕行 | 一种老年人行为智能看护系统及识别方法 |
| CN112528825A (zh) * | 2020-12-04 | 2021-03-19 | 交控科技股份有限公司 | 一种基于图像识别的车站乘客招援服务方法 |
| CN113101075A (zh) * | 2021-03-09 | 2021-07-13 | 武汉理工大学 | 一种多功能智能轮椅控制系统及控制方法 |
| CN113974998A (zh) * | 2021-07-08 | 2022-01-28 | 北京理工华汇智能科技有限公司 | 一种智行助行器、意识状态监测方法及系统 |
| CN114495291A (zh) * | 2022-04-01 | 2022-05-13 | 杭州魔点科技有限公司 | 活体检测的方法、系统、电子装置和存储介质 |
| CN114758153A (zh) * | 2022-04-29 | 2022-07-15 | 西安交通大学 | 一种基于显著性保持的数据增强方法及系统 |
| CN114998602A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学技术大学 | 基于低置信度样本对比损失的域适应学习方法及系统 |
| CN115049836A (zh) * | 2022-08-16 | 2022-09-13 | 平安科技（深圳）有限公司 | 图像分割方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| LIN TIANWEI ET.AL: "Single Shot Temporal Action Detection", ACM MULTIMEDIA, 17 October 2017 (2017-10-17), pages 988 - 996, XP058620001, DOI: 10.1145/3123266.3123343 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11179064B2 (en) | Method and system for privacy-preserving fall detection | |
| CN110458101B (zh) | 基于视频与设备结合的服刑人员体征监测方法及设备 | |
| Qi et al. | A cybertwin based multimodal network for ecg patterns monitoring using deep learning | |
| US11410540B2 (en) | System and method for event prevention and prediction | |
| JP2020524850A (ja) | 被検者識別システム及び方法 | |
| Celona et al. | A multi-task CNN framework for driver face monitoring | |
| CN114469076B (zh) | 一种融合身份特征的独居老人跌倒识别方法及系统 | |
| CN113080855B (zh) | 一种基于深度信息的面部疼痛表情识别方法及系统 | |
| CN111227789A (zh) | 人体健康监护方法和装置 | |
| Dhanraj et al. | Efficient smartphone-based human activity recognition using convolutional neural network | |
| CN118015785B (zh) | 远程监测护理系统及其方法 | |
| CN116704410A (zh) | 用于老年人的智能家居照明系统及其方法 | |
| Ukwuoma et al. | Deep learning review on drivers drowsiness detection | |
| CN115501050A (zh) | 一种基于计算机视觉的轮椅用户健康监测系统及其检测网络的训练方法 | |
| CN115758119A (zh) | 一种基于脑机接口和动作识别的瘫痪患者监护系统 | |
| CN115565245A (zh) | 一种基于rgb视频监控的icu患者自拔管行为预警方法 | |
| Soman et al. | A Novel Fall Detection System using Mediapipe | |
| Gao | Abnormal behavior detection and warning based on deep intelligent video analysis for geriatric patients | |
| Al Duhayyim | Automated disabled people fall detection using cuckoo search with mobile networks | |
| Mohan Gowda et al. | Multimodal classification technique for fall detection of alzheimer’s patients by integration of a novel piezoelectric crystal accelerometer and aluminum gyroscope with vision data | |
| US20240005700A1 (en) | Method, system, and non-transitory computer-readable recording medium, for monitoring object | |
| Srihari | Spatio-Temporal Information for Action Recognition in Thermal Video Using Deep Learning Model | |
| KR102565463B1 (ko) | 딥러닝 기반의 낙상 감지 및 활동 인식 장치와 방법 및 이를 위한 컴퓨터 판독가능 프로그램 | |
| Ban et al. | Detecting Paralysis of Stroke Symptom in Video: Transfer Learning with Gated Recurrent Unit using Public Big Data of Facial Images | |
| Mobsite et al. | A Privacy-Preserving AIoT Framework for Fall Detection and Classification Using Hierarchical Learning With Multi-Level Feature Fusion |
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 |