CN117137478A - 跌倒检测方法、设备及存储介质 - Google Patents
跌倒检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117137478A CN117137478A CN202310940039.0A CN202310940039A CN117137478A CN 117137478 A CN117137478 A CN 117137478A CN 202310940039 A CN202310940039 A CN 202310940039A CN 117137478 A CN117137478 A CN 117137478A
- Authority
- CN
- China
- Prior art keywords
- fall detection
- neural network
- network model
- preset
- sample data
- 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 165
- 238000003062 neural network model Methods 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000031074 Reinjury Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种跌倒检测方法、设备及存储介质,属于人工智能领域该方法包括:获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据所述中频信号,生成多帧连续的距离‑多普勒图;将各所述距离‑多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,所述预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,所述样本数据包括多帧距离‑多普勒图和标注的跌倒检测结果。本申请能够准确地得到待监测用户的跌倒检测结果,极大地提高了用户跌倒检测的准确性和效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种跌倒检测方法、设备及存储介质。
背景技术
随着老年人口数量的增长,老人的跌倒与救护成为了一个亟待解决的重要社会问题。对于独处老人来说,如果摔倒在地上后丧失行动的能力,而又没有其他人在第一时间给予帮助,长时间躺在地上将造成更加严重的后续伤害,造成生命危险。
目前,监测老人的跌倒一般分为穿戴式监测和非穿戴式监测,穿戴式监测主要通过手环、手表和腰带等设备进行监测,由于穿戴式设备需要接触使用才能有效,在穿戴设备充电后老人时常忘记佩戴,导致监测效果不佳,且穿戴式设备检测到的运动模式复杂,准确率并不高;非穿戴式有毫米波雷达、摄像头和wifi等检测等方式,其中,摄像头检测可能会侵犯用户的隐私,在wifi信号较差的情况下进行检测,可能会出现检测效果较差的问题。
因此,如何准确且便捷地对用户进行跌倒检测是目前亟待解决的问题。
发明内容
本申请的主要目的在于提供一种跌倒检测方法、设备及存储介质,旨在提高准确且便捷地对用户进行跌倒检测,以满足用户需求。
第一方面,本申请提供一种跌倒检测方法,所述跌倒检测方法包括以下步骤:
获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据所述中频信号,生成多帧连续的距离-多普勒图;
将各所述距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,所述预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,所述样本数据包括多帧距离-多普勒图和标注的跌倒检测结果。
在一实施例中,所述根据所述中频信号,生成多帧连续的距离-多普勒图,包括:
基于预设算法对所述中频信号进行数据清洗,生成目标中频信号;
对所述目标中频信号进行快速傅里叶变换,生成多帧连续的距离-多普勒图。
在一实施例中,预设跌倒检测模型包括特征提取层、特征融合层、归一化层和全连接层。
在一实施例中,所述将各所述距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,包括:
将所述距离-多普勒图输入至所述特征提取层进行特征提取处理,得到多个第一特征向量;
将各所述第一特征向量输入至所述特征融合层进行特征融合处理,得到第二特征向量;
将所述第二特征向量输入至所述归一化层进行正则化处理,生成第三特征向量;
将所述第三特征向量输入至所述全连接层进行二分处理,得到待监测用户的跌倒检测结果。
在一实施例中,所述获取预设时长毫米波雷达对待监测用户采集的中频信号之前,还包括:
获取多个样本数据,所述样本数据包括样本距离-多普勒图和标注的跌倒检测结果;
根据所述多个样本数据,对预设的神经网络模型进行训练,直至所述神经网络模型收敛,得到跌倒检测模型。
在一实施例中,所述根据所述多个样本数据,对预设的神经网络模型进行训练,直至所述神经网络模型收敛,得到跌倒检测模型,包括:
每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据;
将所述目标样本数据中的样本距离-多普勒图输入至预设的神经网络模型中,得到预测的跌倒检测结果;
根据所述预测的跌倒检测结果和所述目标样本数据中标注的跌倒检测结果,确定所述神经网络模型是否收敛;
在所述神经网络模型未收敛的情况下,更新所述神经网络模型的模型参数,并返回执行每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据的步骤;
在所述神经网络模型收敛的情况下,停止对所述神经网络模型进行训练。
在一实施例中,所述根据所述预测的跌倒检测结果和所述目标样本数据中标注的跌倒检测结果,确定所述神经网络模型是否收敛,包括:
根据所述预测的跌倒检测结果和标注的跌倒检测结果,确定所述神经网络模型的损失值;
在所述损失值小于或等于预设损失值的情况下,确定所述神经网络模型已收敛;
在所述损失值大于损失值的情况下,确定所述神经网络模型未收敛。
在一实施例中,所述根据所述预测的跌倒检测结果和标注的跌倒检测结果,确定所述神经网络模型的损失值,包括:
获取预设的损失函数权重因子;
基于所述预设的损失函数权重因子、预测的跌倒检测结果和标注的跌倒检测结果进行二分类交叉熵损失值运算,得到所述神经网络模型的损失值。
第二方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述的跌倒检测方法的步骤。
第三方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上述的跌倒检测方法的步骤。
本申请提供一种跌倒检测方法、设备及存储介质,本申请通过获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据中频信号,生成多帧连续的距离-多普勒图;将各距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,该预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,该样本数据包括多帧距离-多普勒图和标注的跌倒检测结果。本方案通过毫米波雷达对待监测用户进行数据采集,能够准确地得到中频信号,对中频信号进行信号处理,能够准确地得到多帧连续的距离-多普勒图,将各距离-多普勒图输入至预设跌倒检测模型,能够准确地得到待监测用户的跌倒检测结果,极大地提高了用户跌倒检测的准确性和效率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种跌倒检测方法的流程示意图;
图2为实施本实施例提供的跌倒检测方法的一场景示意图;
图3为实施本实施例提供的跌倒检测方法的另一场景示意图;
图4为图3中的跌倒检测方法的子步骤流程示意图;
图5为本申请实施例提供的跌倒检测模型的结构示意性框图;
图6为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种跌倒检测方法、设备及存储介质。其中,该跌倒检测方法可应用计算机设备中,该计算机设备可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。例如,该计算机设备为手机时,手机获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据中频信号,生成多帧连续的距离-多普勒图;将各距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,该预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,该样本数据包括多帧距离-多普勒图和标注的跌倒检测结果。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请的实施例提供的一种跌倒检测方法的流程示意图。
如图1所示,该跌倒检测方法包括步骤S101至步骤S102。
步骤S101、获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据所述中频信号,生成多帧连续的距离-多普勒图。
其中,该毫米波雷达为预先安装在预设区域内的设备,该毫米波雷达可以根据实际情况进行选择,本发明实施例对此不做具体限定,例如,该毫米波雷达可以为近距离毫米波雷达、中距离毫米波雷达和远距离毫米波雷达,在监测近距离的用户的情况下,可以优选近距离毫米波雷达。
示例性的,如图2所示,图2中为房间的场景图,用户20处于该房间中,该房间的一墙壁上设置有毫米波雷达20,激光雷达10能够以固定的角度照射整个房间,该毫米波雷达20发射毫米波信号以采集用户30在该房间中的数据。
在一实施例中,获取预设时长内毫米波雷达对待监测用户采集的中频信号,得到预设时长内的中频信号。其中,该预设时长可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,该预设时长可以为4秒。通过该毫米波雷达能够准确地得到待检测用户所在区域内的中频信号。
在一实施例中,该毫米波雷达还可以与用户检测装置连接,该用户检测装置用于检测毫米波雷达监测的目标区域内是否存在用户,当用户检测装置检测到目标区域内不存在用户,则向毫米波雷达发送待机指令,以使毫米波雷达根据待机指令进行待机模式,以达到省电的目的。当毫米波雷达处于待机模式,当用户检测装置检测到目标区域内存在用户,向毫米波雷达发送跌倒检测指令,以使毫米波雷达根据跌倒检测指令进入工作模式,以对待监测用户进行监测。其中,该用户检测装置可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,该用户检测装置可以是红外检测装置。通过该用户检测装置能够达到节约能耗的目的,极大地提高了用户的使用体验。
在一实施例中,基于预设算法对中频信号进行数据清洗,生成目标中频信号;对目标中频信号进行快速傅里叶变换,生成多帧连续的距离-多普勒图。其中,该数据清洗的方式可以根据时间情况进行选择,本发明实施例对不多具体限定。通过对该中频信号进行数据清洗和快速傅里叶变换,能够准确地得到多帧连续的距离-多普勒图,极大地提高了跌倒检测的效率和准确性。
在一实施例中,基于预设算法对中频信号进行数据清洗,生成目标中频信号的方式可以为:在该预设算法为相量均值相消算法的情况下,通过该相量均值相消算法对中频信号进行处理,生成目标中频信号。
在一实施例中,基于预设算法对中频信号进行数据清洗,生成目标中频信号的方式可以为:在该预设算法为MTI算法,通过该MTI算法对该中频信号进行滤波处理,生成目标中频信号。
在一实施例中,基于预设算法对中频信号进行数据清洗,生成目标中频信号的方式可以为:在该预设算法为相量均值相消算法和MTI算法的情况下,通过该相量均值相消算法和MTI算法进行滤波和除噪音处理,得到目标中频信号。
需要说明的是,对中频信号进行数据清洗还包括:在中频信号不符合预设中频信号要求的情况下,将该中频信号丢弃以保证中频信号的准确性,以提高跌倒检测的准确性。其中,该预设中频信号要求可以根据情况进行设置,本发明实施例对此不多具体限定,例如,该预设中频信号要求包括中频信号所属的信号频段。
在一实施例中,对目标中频信号进行快速傅里叶变换,生成多帧连续的距离-多普勒图。其中,该距离-多普勒图为距离速度矩阵。通过对目标中频信号进行快速傅里叶变换,能够准确地得到多帧连续的距离-多普勒图,极大地提高了跌倒检测的准确性。
在一实施例中,将毫米波雷达采集的帧频设置为每秒10帧,预设时长为4秒,则毫米波雷达4秒周期内采集的中频信号为40帧,对中频信号进行数据清洗,以及进行快速傅里叶变换,生成40帧连续的距离-多普勒图。
步骤S102、将各所述距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,所述预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,所述样本数据包括多帧距离-多普勒图和标注的跌倒检测结果。
其中,该预设跌倒检测模型为预先根据样本数据训练好的神经网络模型,该样本数据包括多帧距离-多普勒图和标注的跌倒检测结果,该神经网络模型的类型可以根据实际情况进行选择,本发明实施例对此不做具体限定,例如,该神经网络模型的类型可以是卷积神经网络模型和循环卷积神经网络模型等。
在一实施例中,如图3所示,跌倒检测方法还包括步骤S201至步骤S202。
步骤S201、获取多个样本数据,所述样本数据包括样本距离-多普勒图和标注的跌倒检测结果。
在一实施例中,获取多个样本数据,样本数据包括样本距离-多普勒图和标注的跌倒检测结果;该样本距离-多普勒图包括多帧连续的距离-多普勒图,该跌倒检测结果包括已跌倒和未跌倒。
步骤S202、根据所述多个样本数据,对预设的神经网络模型进行训练,直至所述神经网络模型收敛,得到跌倒检测模型。
在一实施例中,如图4所示,步骤S202包括子步骤S2021至子步骤S2025。
子步骤S2021、每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据。
每次从多个样本数据中选择一个不同的样本数据作为目标样本数据。该样本数据包括样本距离-多普勒图和标注的跌倒检测结果。通过选取一个样本数据作为目标样本数据,能够提高模型训练的效率和准确性。
子步骤S2022、将所述目标样本数据中的样本距离-多普勒图输入至预设的神经网络模型中,得到预测的跌倒检测结果。
其中,如图5所示,该神经网络模型包括特征提取层31、特征融合层32、归一化层33和全连接层34。该特征提取层31包括第一预设数量的神经网络模型,该特征融合层32包括第二预设数量的神经网络模型,该归一化层33包括softmax函数,该全连接层34包括第三预设数量的神经网络模型。其中,该第一预设数量、第二预设数量和第三预设数量可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,该第一预设数量为5,该第二预设数量为5,该第三预设数量为2。
示例性的,该特征提取层包括5层的IDCNN模型,该特征融合层包括5层的LSTM模型,该归一化层包括softmax函数,该全连接层包括3层的CNN模型。
在一实施例中,将样本距离-多普勒图输入至特征提取层进行特征提取处理,得到多个预测的第一特征向量;将各预测的第一特征向量输入至特征融合层进行特征融合处理,得到预测的第二特征向量;将预测的第二特征向量输入至归一化层进行正则化处理,生成预测的第三特征向量;将预测的第三特征向量输入至全连接层进行二分处理,得到预测的跌倒检测结果。将样本距离-多普勒图输入至神经网络模型中进行处理,能够准确地得到预测的跌倒检测结果。
子步骤S2023、根据所述预测的跌倒检测结果和所述目标样本数据中标注的跌倒检测结果,确定所述神经网络模型是否收敛。
在一实施例中,根据预测的跌倒检测结果和标注的跌倒检测结果,确定神经网络模型的损失值;在损失值小于或等于预设损失值的情况下,确定神经网络模型已收敛;在损失值大于损失值的情况下,确定神经网络模型未收敛。其中,该预设损失值可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,该预设损失值可以设置为0.002。根据损失值能够准确地确定神经网络模型是否收敛,极大地提高了模型的准确性。
在一实施例中,根据预测的跌倒检测结果和标注的跌倒检测结果,确定神经网络模型的损失值的方式可以为:获取预设的损失函数权重因子;基于预设的损失函数权重因子、预测的跌倒检测结果和标注的跌倒检测结果进行二分类交叉熵损失值运算,得到神经网络模型的损失值。其中,该预设的损失函数权重因子可以根据实际情况进行设置,本发明实施例对此不做具体限定,通过对预设的损失函数权重因子、预测的跌倒检测结果和标注的跌倒检测结果进行二分类交叉熵损失值运算,能够达到平衡样本的效果,极大地提高了模型的准确性。
子步骤S2024、在所述神经网络模型未收敛的情况下,更新所述神经网络模型的模型参数,并返回执行每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据的步骤。
子步骤S2025、在所述神经网络模型收敛的情况下,停止对所述神经网络模型进行训练。
在神经网络模型的损失值小于或等于预设损失值的情况下,确定神经网络模型已收敛,得到收敛的跌倒检测模型,并停止对神经网络模型进行训练。
在一实施例中,将距离-多普勒图输入至特征提取层进行特征提取处理,得到多个第一特征向量;将各第一特征向量输入至特征融合层进行特征融合处理,得到第二特征向量;将第二特征向量输入至归一化层进行正则化处理,生成第三特征向量;将第三特征向量输入至全连接层进行二分处理,得到待监测用户的跌倒检测结果。通过该预设跌倒检测模型对距离-多普勒图进行识别,能够准确地知晓待监测用户是否跌倒,极大提高了跌倒检测的效率和准确性。
上述实施例提供的跌倒检测方法,通过获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据中频信号,生成多帧连续的距离-多普勒图;将各距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,该预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,该样本数据包括多帧距离-多普勒图和标注的跌倒检测结果。本方案通过毫米波雷达对待监测用户进行数据采集,能够准确地得到中频信号,对中频信号进行信号处理,能够准确地得到多帧连续的距离-多普勒图,将各距离-多普勒图输入至预设跌倒检测模型,能够准确地得到待监测用户的跌倒检测结果,极大地提高了用户跌倒检测的准确性和效率。
请参阅图6,图6为本申请实施例提供的一种计算机设备的结构示意性框图。
如图6所示,该计算机设备300包括通过系统总线301连接的处理器302和存储器303,其中,存储器可以包括存储介质和内存储器。
存储介质可存储计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种跌倒检测方法。
处理器302用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种跌倒检测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器302可以是中央处理单元(Central Processing Unit,CPU),该处理器302还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器302用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据所述中频信号,生成多帧连续的距离-多普勒图;
将各所述距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,所述预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,所述样本数据包括多帧距离-多普勒图和标注的跌倒检测结果。
在一个实施例中,所述处理器302在实现所述根据所述中频信号,生成多帧连续的距离-多普勒图时,用于实现:
基于预设算法对所述中频信号进行数据清洗,生成目标中频信号;
对所述目标中频信号进行快速傅里叶变换,生成多帧连续的距离-多普勒图。
在一个实施例中,预设跌倒检测模型包括特征提取层、特征融合层、归一化层和全连接层。
在一个实施例中,所述处理器302在实现所述将各所述距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果时,用于实现:
将所述距离-多普勒图输入至所述特征提取层进行特征提取处理,得到多个第一特征向量;
将各所述第一特征向量输入至所述特征融合层进行特征融合处理,得到第二特征向量;
将所述第二特征向量输入至所述归一化层进行正则化处理,生成第三特征向量;
将所述第三特征向量输入至所述全连接层进行二分处理,得到待监测用户的跌倒检测结果。
在一个实施例中,所述处理器302在实现所述获取预设时长毫米波雷达对待监测用户采集的中频信号之前,还用于实现:
获取多个样本数据,所述样本数据包括样本距离-多普勒图和标注的跌倒检测结果;
根据所述多个样本数据,对预设的神经网络模型进行训练,直至所述神经网络模型收敛,得到跌倒检测模型。
在一个实施例中,所述处理器302在实现所述根据所述多个样本数据,对预设的神经网络模型进行训练,直至所述神经网络模型收敛,得到跌倒检测模型时,用于实现:
每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据;
将所述目标样本数据中的样本距离-多普勒图输入至预设的神经网络模型中,得到预测的跌倒检测结果;
根据所述预测的跌倒检测结果和所述目标样本数据中标注的跌倒检测结果,确定所述神经网络模型是否收敛;
在所述神经网络模型未收敛的情况下,更新所述神经网络模型的模型参数,并返回执行每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据的步骤;
在所述神经网络模型收敛的情况下,停止对所述神经网络模型进行训练。
在一个实施例中,所述处理器302在实现所述根据所述预测的跌倒检测结果和所述目标样本数据中标注的跌倒检测结果,确定所述神经网络模型是否收敛时,用于实现:
根据所述预测的跌倒检测结果和标注的跌倒检测结果,确定所述神经网络模型的损失值;
在所述损失值小于或等于预设损失值的情况下,确定所述神经网络模型已收敛;
在所述损失值大于损失值的情况下,确定所述神经网络模型未收敛。
在一个实施例中,所述处理器302在实现所述根据所述预测的跌倒检测结果和标注的跌倒检测结果,确定所述神经网络模型的损失值时,用于实现:
获取预设的损失函数权重因子;
基于所述预设的损失函数权重因子、预测的跌倒检测结果和标注的跌倒检测结果进行二分类交叉熵损失值运算,得到所述神经网络模型的损失值。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述计算机设备的具体工作过程,可以参考前述跌倒检测方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请跌倒检测方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质可以是非易失性的,也可以是易失性的。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种跌倒检测方法,其特征在于,包括:
获取预设时长内毫米波雷达对待监测用户采集的中频信号,并根据所述中频信号,生成多帧连续的距离-多普勒图;
将各所述距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,所述预设跌倒检测模型为预先根据多个样本数据对预设的神经网络模型进行训练得到的,所述样本数据包括多帧距离-多普勒图和标注的跌倒检测结果。
2.如权利要求1所述的跌倒检测方法,其特征在于,所述根据所述中频信号,生成多帧连续的距离-多普勒图,包括:
基于预设算法对所述中频信号进行数据清洗,生成目标中频信号;
对所述目标中频信号进行快速傅里叶变换,生成多帧连续的距离-多普勒图。
3.如权利要求1所述的跌倒检测方法,其特征在于,预设跌倒检测模型包括特征提取层、特征融合层、归一化层和全连接层。
4.如权利要求3所述的跌倒检测方法,其特征在于,所述将各所述距离-多普勒图输入至预设跌倒检测模型,得到待监测用户的跌倒检测结果,包括:
将所述距离-多普勒图输入至所述特征提取层进行特征提取处理,得到多个第一特征向量;
将各所述第一特征向量输入至所述特征融合层进行特征融合处理,得到第二特征向量;
将所述第二特征向量输入至所述归一化层进行正则化处理,生成第三特征向量;
将所述第三特征向量输入至所述全连接层进行二分处理,得到待监测用户的跌倒检测结果。
5.如权利要求1所述的跌倒检测方法,其特征在于,所述获取预设时长毫米波雷达对待监测用户采集的中频信号之前,还包括:
获取多个样本数据,所述样本数据包括样本距离-多普勒图和标注的跌倒检测结果;
根据所述多个样本数据,对预设的神经网络模型进行训练,直至所述神经网络模型收敛,得到跌倒检测模型。
6.如权利要求5所述的跌倒检测方法,其特征在于,所述根据所述多个样本数据,对预设的神经网络模型进行训练,直至所述神经网络模型收敛,得到跌倒检测模型,包括:
每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据;
将所述目标样本数据中的样本距离-多普勒图输入至预设的神经网络模型中,得到预测的跌倒检测结果;
根据所述预测的跌倒检测结果和所述目标样本数据中标注的跌倒检测结果,确定所述神经网络模型是否收敛;
在所述神经网络模型未收敛的情况下,更新所述神经网络模型的模型参数,并返回执行每次从所述多个样本数据中选择一个不同的样本数据作为目标样本数据的步骤;
在所述神经网络模型收敛的情况下,停止对所述神经网络模型进行训练。
7.如权利要求6所述的跌倒检测方法,其特征在于,所述根据所述预测的跌倒检测结果和所述目标样本数据中标注的跌倒检测结果,确定所述神经网络模型是否收敛,包括:
根据所述预测的跌倒检测结果和标注的跌倒检测结果,确定所述神经网络模型的损失值;
在所述损失值小于或等于预设损失值的情况下,确定所述神经网络模型已收敛;
在所述损失值大于损失值的情况下,确定所述神经网络模型未收敛。
8.如权利要求7所述的跌倒检测方法,其特征在于,所述根据所述预测的跌倒检测结果和标注的跌倒检测结果,确定所述神经网络模型的损失值,包括:
获取预设的损失函数权重因子;
基于所述预设的损失函数权重因子、预测的跌倒检测结果和标注的跌倒检测结果进行二分类交叉熵损失值运算,得到所述神经网络模型的损失值。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至8中任一项所述的跌倒检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至8中任一项所述的跌倒检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940039.0A CN117137478A (zh) | 2023-07-27 | 2023-07-27 | 跌倒检测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940039.0A CN117137478A (zh) | 2023-07-27 | 2023-07-27 | 跌倒检测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117137478A true CN117137478A (zh) | 2023-12-01 |
Family
ID=88897694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310940039.0A Pending CN117137478A (zh) | 2023-07-27 | 2023-07-27 | 跌倒检测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117137478A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471421A (zh) * | 2023-12-25 | 2024-01-30 | 中国科学技术大学 | 对象跌倒检测模型的训练方法及跌倒检测方法 |
-
2023
- 2023-07-27 CN CN202310940039.0A patent/CN117137478A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471421A (zh) * | 2023-12-25 | 2024-01-30 | 中国科学技术大学 | 对象跌倒检测模型的训练方法及跌倒检测方法 |
CN117471421B (zh) * | 2023-12-25 | 2024-03-12 | 中国科学技术大学 | 对象跌倒检测模型的训练方法及跌倒检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10219222B2 (en) | Adjusting mobile device state based on user intentions and/or identity | |
US10031491B2 (en) | Adaptive sensor data selection and sampling based on current and future context | |
CN110517759B (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
CN111178331B (zh) | 雷达图像识别系统、方法、设备及计算机可读存储介质 | |
CN117137478A (zh) | 跌倒检测方法、设备及存储介质 | |
US20180329713A1 (en) | Fitness sensor with low power attributes in sensor hub | |
Yurur et al. | Adaptive and energy efficient context representation framework in mobile sensing | |
Mobark et al. | Improving the accuracy of complex activities recognition using accelerometer-embedded mobile phone classifiers | |
US11580452B2 (en) | Selecting learning model | |
EP4172720A1 (en) | Methods, systems, articles of manufacture, and apparatus to dynamically schedule a wake pattern in a computing system | |
CN111936990A (zh) | 唤醒屏幕的方法和装置 | |
CN112690761B (zh) | 睡眠状态检测方法、装置、设备及计算机可读介质 | |
Shinmoto Torres et al. | Evaluation of wearable sensor tag data segmentation approaches for real time activity classification in elderly | |
Ghasemzadeh et al. | A hardware-assisted energy-efficient processing model for activity recognition using wearables | |
Venkatachalam et al. | Bimodal HAR-An efficient approach to human activity analysis and recognition using bimodal hybrid classifiers | |
CN116416545A (zh) | 行为检测方法、装置、设备以及计算机可读存储介质 | |
CN107729144B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
CN112997148A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
Ho et al. | Adaptive sensing scheme using naive Bayes classification for environment monitoring with drone | |
Gong et al. | CloudyFL: a cloudlet-based federated learning framework for sensing user behavior using wearable devices | |
CN113170018A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
Cenedese et al. | A parsimonious approach for activity recognition with wearable devices: An application to cross-country skiing | |
US20240145086A1 (en) | Neural processing unit for cardiovascular disease prediction artificial neural network model | |
CN113792355B (zh) | 一种锁屏控制方法、装置及计算设备 | |
US20240064399A1 (en) | Automatic user adaptive triggering |
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 |