基于神经网络的可穿戴设备进行跌倒检测的方法与流程

1.本发明公开一种方法，涉及姿态识别技术领域，具体地说是基于神经网络的可穿戴设备进行跌倒检测的方法。


背景技术：

2.随着人口老龄化和慢性疾病的增加，可穿戴设备成为越来越受欢迎的一种健康监测方式。然而现有的可穿戴设备只能提供简单的步数和心率等数据，跌倒检测仅依靠压力传感器或摄像头等设备，对姿势、视频图像进行识别，存在易误报或漏报的情况，而且存在数据不准确，受限于环境，不便携，用户成本高等问题。


技术实现要素：

3.本发明针对现有技术的问题，提供基于神经网络的可穿戴设备进行跌倒检测的方法，通过采集用户的运动数据，使用神经网络模型对数据进行分析和判定，实现对跌倒事件的及时识别和处理，提高用户的安全性和健康状况。同时，本发明还提供了多种警报方式和数据分析服务，以便更好地保障用户的安全和健康。
4.本发明提出的具体方案是：
5.本发明提供基于神经网络的可穿戴设备进行跌倒检测的方法，部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块，
6.通过传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息，
7.通过分析模块预处理用户运动行为信息，将预处理后用户运动行为信息形成数据集，对数据集增加数据交互项操作，再进行数据频域扩展，所述数据集增加数据交互项操作中对数据集先进行digitize装箱操作，扩充数据量，将原始的数据集和装箱后数据利用hstack函数进行堆叠，采取快速傅里叶变换构建频域信息，将数据集中数据时域信号扩展到频域上，扩充数据特征，增强数据表达的相关性，
8.将预处理后的数据特征输入神经网络模型进行特征降维，获得去噪的数据特征，将去噪的数据特征输入分类器进行分类，所述分类器通过卷积神经网络训练，利用adam算法不断优化参数的神经网络结构，根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件，
9.通过存储模块存储产生的数据和收集的信息，用于后续的数据分析和统计，并构建用户画像级的图表，对用户运动健康数据形成报告，用于用户近期运动和健康状况的反馈，
10.通过警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。
11.优选地，所述的基于神经网络的可穿戴设备进行跌倒检测的方法中所述通过传感器模块分别收集加速度、角速度和地理位置信息，包括：分别根据加速度计、陀螺仪和类gps地理位置传感器进行加速度、角速度和地理位置信息的采集。
12.优选地，所述的基于神经网络的可穿戴设备进行跌倒检测的方法中所述通过分析模块进行数据频域扩展，包括：根据快速傅里叶变化来构建频域信息，在分离出来的频域尺度上采用加窗的方式将信号二维展开，根据分离过后的时序信号使用在时间序列上重采样的方法得到时间序列，对时间序列进行空间维度上的排列，组成预处理之后的信号，完成数据集中数据时域信号扩展到频域上。
13.优选地，所述的基于神经网络的可穿戴设备进行跌倒检测的方法中所述通过分析模块利用adam算法不断优化参数的神经网络结构，包括：迭代训练神经网络模型，优化参数，优化神经网络结构，并根据分类的评价指标准确率、精度及召回率评价神经网络结构。
14.本发明还提供基于神经网络的可穿戴设备进行跌倒检测的系统，部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块，
15.传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息，
16.分析模块预处理用户运动行为信息，将预处理后用户运动行为信息形成数据集，对数据集增加数据交互项操作，再进行数据频域扩展，所述数据集增加数据交互项操作中对数据集先进行digitize装箱操作，扩充数据量，将原始的数据集和装箱后数据利用hstack函数进行堆叠，采取快速傅里叶变换构建频域信息，将数据集中数据时域信号扩展到频域上，扩充数据特征，增强数据表达的相关性，
17.将预处理后的数据特征输入神经网络模型进行特征降维，获得去噪的数据特征，将去噪的数据特征输入分类器进行分类，所述分类器通过卷积神经网络训练，利用adam算法不断优化参数的神经网络结构，根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件，
18.存储模块存储产生的数据和收集的信息，用于后续的数据分析和统计，并构建用户画像级的图表，对用户运动健康数据形成报告，用于用户近期运动和健康状况的反馈，
19.警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。
20.优选地，所述的基于神经网络的可穿戴设备进行跌倒检测的系统中所述传感器模块分别收集加速度、角速度和地理位置信息，包括：分别根据加速度计、陀螺仪和类gps地理位置传感器进行加速度、角速度和地理位置信息的采集。
21.优选地，所述的基于神经网络的可穿戴设备进行跌倒检测的系统中所述分析模块进行数据频域扩展，包括：根据快速傅里叶变化来构建频域信息，在分离出来的频域尺度上采用加窗的方式将信号二维展开，根据分离过后的时序信号使用在时间序列上重采样的方法得到时间序列，对时间序列进行空间维度上的排列，组成预处理之后的信号，完成数据集中数据时域信号扩展到频域上。
22.优选地，所述的基于神经网络的可穿戴设备进行跌倒检测的系统中所述分析模块
利用adam算法不断优化参数的神经网络结构，包括：迭代训练神经网络模型，优化参数，优化神经网络结构，并根据分类的评价指标准确率、精度及召回率评价神经网络结构。
23.本发明的有益之处是：
24.本发明提供基于神经网络的可穿戴设备进行跌倒检测的方法，可以实现更为准确、可靠的跌倒检测，具有以下优点：
25.1、基于神经网络模型，能够有效地提高跌倒检测的准确性和可靠性。
26.2、部署在可穿戴设备上进行数据采集和传输，不受时间和空间限制，操作简便，用户感知度低。
27.3、可采用多种不同的传感器和神经网络模型，能够适应不同用户的需求和情况，系统更加灵活。
28.4、跌倒检测系统具有实时响应和自动预警的功能，能够及时提醒用户和相关人员，降低跌倒带来的危害。
29.5、数据存储和分析功能，可以对用户的运动状态进行长期监测和分析，结合数据清洗和可视化图标的方式，构建用户运动维度画像，可以提供更加全面和有效的健康管理服务。
附图说明
30.图1是本发明方法应用流程示意图。
具体实施方式
31.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
32.本发明提供基于神经网络的可穿戴设备进行跌倒检测的方法，部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块，
33.通过传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息，
34.通过分析模块预处理用户运动行为信息，将预处理后用户运动行为信息形成数据集，对数据集增加数据交互项操作，再进行数据频域扩展，所述数据集增加数据交互项操作中对数据集先进行digitize装箱操作，扩充数据量，将原始的数据集和装箱后数据利用hstack函数进行堆叠，采取快速傅里叶变换构建频域信息，将数据集中数据时域信号扩展到频域上，扩充数据特征，增强数据表达的相关性，
35.将预处理后的数据特征输入神经网络模型进行特征降维，获得去噪的数据特征，将去噪的数据特征输入分类器进行分类，所述分类器通过卷积神经网络训练，利用adam算法不断优化参数的神经网络结构，根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件，
36.通过存储模块存储产生的数据和收集的信息，用于后续的数据分析和统计，并构建用户画像级的图表，对用户运动健康数据形成报告，用于用户近期运动和健康状况的反馈，
37.通过警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。
38.本发明采集用户的运动数据，使用神经网络模型对数据进行分析和判定，实现对跌倒事件的及时识别和处理，提高用户的安全性和健康状况。同时，本发明还提供了警报和数据分析服务，特别是如何在小型的可穿戴设备上实现跌倒检测，以便更好地保障用户的安全和健康。
39.具体应用中，在本发明方法的一些实施例中，实现跌倒检测的过程可参考如下：
40.步骤1：部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块。
41.步骤2：通过传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息。其中传感器模块可以包括加速度计、陀螺仪、磁力计等多种传感器，从加速度、角速度、地理位置等多个维度实时获取用户运动行为信息，作为基于神经网络的可穿戴设备应用的跌倒检测系统的原始数据，为后续的网络分析模型提供输入数据。
42.步骤3：通过分析模块预处理用户运动行为信息，将预处理后用户运动行为信息形成数据集，其中数据预处理主要负责对采集到的数据进行初步的处理和清洗，包括对数据集增加数据交互项操作，再进行数据频域扩展。所述数据集增加数据交互项操作中对数据集先进行digitize装箱操作，扩充数据量，箱体数的大小可由几十调整为几百，将原始的数据集和装箱后数据利用hstack函数进行堆叠，使两个数据产生了交互，生成的结果就是它们的交互特征，体现在新的数据点数量不变，但特征量随着箱体数的增大对应增多，此时针对跌倒数据的线性特征在一定程度上进行了增强。
43.除线性特征外，对信号整体隐含的特征进行突出表达。采取快速傅里叶变换构建频域信息，将数据集中数据时域信号扩展到频域上，扩充数据特征，增强数据表达的相关性。优选地，所述通过分析模块进行数据频域扩展，包括：根据快速傅里叶变化来构建频域信息，在分离出来的频域尺度上采用加窗的方式将信号二维展开，根据分离过后的时序信号使用在时间序列上重采样的方法得到时间序列，对时间序列进行空间维度上的排列，组成预处理之后的信号，完成数据集中数据时域信号扩展到频域上。,p(j,k)代表图像中单个像素点，j＝1,
……
,m；k＝1,
……
,m；l(i),i＝1,
…
,m,表示原始信号的长度，公式如下：
[0044][0045]
预处理后可以有效增加数据表达维度、提高数据质量，从而更好地反映用户的运动状态。之后将处理后的数据传输到神经网络模型中的正则自编码器进行数据降维及去噪便于特征提取。
[0046]
步骤4：将预处理后的数据特征输入神经网络模型进行特征降维，获得去噪的数据特征，将去噪的数据特征输入分类器进行分类，所述分类器通过卷积神经网络训练，利用adam算法不断优化参数的神经网络结构，根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件。
[0047]
优选地，所述通过分析模块利用adam算法不断优化参数的神经网络结构，包括：迭代训练神经网络模型，优化参数，优化神经网络结构，并根据分类的评价指标准确率、精度
及召回率评价神经网络结构。其中优化过程中为使神经网络的误差尽可能地减小，尽可能地减小实际输出的标签y_ik和预测的标签d_ik之间的差值，在训练过程中不断更新权重ω和偏差b，损失函数采用均方误差，若模型预测结果与实际分类之间差距小，则计算所得的均方方差小。根据数据的类别，分类结果分为正常运动状态、跌倒事件、躺卧事件三类，分类的评价指标采用常规的参数，包括准确率(accuracy)、精度(precision)及召回率(recall)。训练过程中，根据网络模型预测分类结果，自适应调整模型的参数，提高模型的识别准确率。使用不断扩充的跌倒样本数据集进行训练，通过多次迭代训练神经网络模型，优化模型参数，提高模型的准确性和泛化能力。
[0048]
步骤5：通过存储模块存储产生的数据和收集的信息，用于后续的数据分析和统计，并构建用户画像级的图表，对用户运动健康数据形成报告，用于用户近期运动和健康状况的反馈。
[0049]
步骤6：通过警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。
[0050]
本发明还可以根据实际情况比如用于工厂大型机器的物理状态检测，对于厂房机器安全方面提供保障；此外，可穿戴设备和服务器的通信服务可以结合最新物联网技术，构建完全基于用户场景的的物联模式。
[0051]
本发明还提供基于神经网络的可穿戴设备进行跌倒检测的系统，部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块，
[0052]
传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息，
[0053]
分析模块预处理用户运动行为信息，将预处理后用户运动行为信息形成数据集，对数据集增加数据交互项操作，再进行数据频域扩展，所述数据集增加数据交互项操作中对数据集先进行digitize装箱操作，扩充数据量，将原始的数据集和装箱后数据利用hstack函数进行堆叠，采取快速傅里叶变换构建频域信息，将数据集中数据时域信号扩展到频域上，扩充数据特征，增强数据表达的相关性，
[0054]
将预处理后的数据特征输入神经网络模型进行特征降维，获得去噪的数据特征，将去噪的数据特征输入分类器进行分类，所述分类器通过卷积神经网络训练，利用adam算法不断优化参数的神经网络结构，根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件，
[0055]
存储模块存储产生的数据和收集的信息，用于后续的数据分析和统计，并构建用户画像级的图表，对用户运动健康数据形成报告，用于用户近期运动和健康状况的反馈，
[0056]
警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。
[0057]
上述系统内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0058]
同样地，本发明系统可以实现更为准确、可靠的跌倒检测，具有以下优点：
[0059]
1、基于神经网络模型，能够有效地提高跌倒检测的准确性和可靠性。
[0060]
2、部署在可穿戴设备上进行数据采集和传输，不受时间和空间限制，操作简便，用户感知度低。
[0061]
3、可采用多种不同的传感器和神经网络模型，能够适应不同用户的需求和情况，系统更加灵活。
[0062]
4、跌倒检测系统具有实时响应和自动预警的功能，能够及时提醒用户和相关人员，降低跌倒带来的危害。
[0063]
5、数据存储和分析功能，可以对用户的运动状态进行长期监测和分析，结合数据清洗和可视化图标的方式，构建用户运动维度画像，可以提供更加全面和有效的健康管理服务。
[0064]
需要说明的是，上述各流程和各系统结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
[0065]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

技术特征：
1.基于神经网络的可穿戴设备进行跌倒检测的方法，其特征是部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块，通过传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息，通过分析模块预处理用户运动行为信息，将预处理后用户运动行为信息形成数据集，对数据集增加数据交互项操作，再进行数据频域扩展，所述数据集增加数据交互项操作中对数据集先进行digitize装箱操作，扩充数据量，将原始的数据集和装箱后数据利用hstack函数进行堆叠，采取快速傅里叶变换构建频域信息，将数据集中数据时域信号扩展到频域上，扩充数据特征，增强数据表达的相关性，将预处理后的数据特征输入神经网络模型进行特征降维，获得去噪的数据特征，将去噪的数据特征输入分类器进行分类，所述分类器通过卷积神经网络训练，利用adam算法不断优化参数的神经网络结构，根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件，通过存储模块存储产生的数据和收集的信息，用于后续的数据分析和统计，并构建用户画像级的图表，对用户运动健康数据形成报告，用于用户近期运动和健康状况的反馈，通过警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。2.根据权利要求1所述的基于神经网络的可穿戴设备进行跌倒检测的方法，其特征是所述通过传感器模块分别收集加速度、角速度和地理位置信息，包括：分别根据加速度计、陀螺仪和类gps地理位置传感器进行加速度、角速度和地理位置信息的采集。3.根据权利要求1所述的基于神经网络的可穿戴设备进行跌倒检测的方法，其特征是所述通过分析模块进行数据频域扩展，包括：根据快速傅里叶变化来构建频域信息，在分离出来的频域尺度上采用加窗的方式将信号二维展开，根据分离过后的时序信号使用在时间序列上重采样的方法得到时间序列，对时间序列进行空间维度上的排列，组成预处理之后的信号，完成数据集中数据时域信号扩展到频域上。4.根据权利要求1所述的基于神经网络的可穿戴设备进行跌倒检测的方法，其特征是所述通过分析模块利用adam算法不断优化参数的神经网络结构，包括：迭代训练神经网络模型，优化参数，优化神经网络结构，并根据分类的评价指标准确率、精度及召回率评价神经网络结构。5.基于神经网络的可穿戴设备进行跌倒检测的系统，其特征是部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块，传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息，分析模块预处理用户运动行为信息，将预处理后用户运动行为信息形成数据集，对数据集增加数据交互项操作，再进行数据频域扩展，所述数据集增加数据交互项操作中对数据集先进行digitize装箱操作，扩充数据量，将原始的数据集和装箱后数据利用hstack函数进行堆叠，采取快速傅里叶变换构建频域信息，将数据集中数据时域信号扩展到频域上，
扩充数据特征，增强数据表达的相关性，将预处理后的数据特征输入神经网络模型进行特征降维，获得去噪的数据特征，将去噪的数据特征输入分类器进行分类，所述分类器通过卷积神经网络训练，利用adam算法不断优化参数的神经网络结构，根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件，存储模块存储产生的数据和收集的信息，用于后续的数据分析和统计，并构建用户画像级的图表，对用户运动健康数据形成报告，用于用户近期运动和健康状况的反馈，警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。6.根据权利要求5所述的基于神经网络的可穿戴设备进行跌倒检测的系统，其特征是所述传感器模块分别收集加速度、角速度和地理位置信息，包括：分别根据加速度计、陀螺仪和类gps地理位置传感器进行加速度、角速度和地理位置信息的采集。7.根据权利要求5所述的基于神经网络的可穿戴设备进行跌倒检测系统，其特征是所述分析模块进行数据频域扩展，包括：根据快速傅里叶变化来构建频域信息，在分离出来的频域尺度上采用加窗的方式将信号二维展开，根据分离过后的时序信号使用在时间序列上重采样的方法得到时间序列，对时间序列进行空间维度上的排列，组成预处理之后的信号，完成数据集中数据时域信号扩展到频域上。8.根据权利要求5所述的基于神经网络的可穿戴设备进行跌倒检测的系统，其特征是所述分析模块利用adam算法不断优化参数的神经网络结构，包括：迭代训练神经网络模型，优化参数，优化神经网络结构，并根据分类的评价指标准确率、精度及召回率评价神经网络结构。

技术总结
本发明公开基于神经网络的可穿戴设备进行跌倒检测的方法，涉及姿态识别技术领域；部署跌倒检测系统至基于神经网络的可穿戴设备，所述跌倒检测系统包括传感器模块、分析模块、存储模块和警报模块，通过传感器模块分别收集加速度、角速度和地理位置信息，综合获取用户运动行为信息，通过分析模块预处理用户运动行为信息，将预处理后的数据特征输入神经网络模型根据跌倒行为以及不同跌倒状态进行分类，分类运动状态包括正常状态、跌倒事件和躺卧事件，通过存储模块存储产生的数据和收集的信息，通过警报模块根据分析模块的运动状态分类识别，判定用户的行为状态为正常状态、跌倒事件或躺卧事件，如果出现跌倒事件，发出警报，并向用户和紧急联系人员发送预警信息。向用户和紧急联系人员发送预警信息。向用户和紧急联系人员发送预警信息。


技术研发人员：刘纬成 黄洋 陈付祥 魏成龙
受保护的技术使用者：山东新一代信息产业技术研究院有限公司
技术研发日：2023.06.25
技术公布日：2023/10/11