1.一种基于卷积神经网络的跌倒检测方法,其特征是:包括以下步骤;
(1)采集三轴加速度、身体的倾斜角度和运动方向,并进行数据去噪;
(2)对数据进行分割,给每一轴数据进行标记与预编码排序,进而进行离散傅里叶变换;
(3)基于变换后的数据,构建卷积神经网络,并进行卷积神经网络训练,得到行为的网络模型,对行为的网络模型进行模式匹配;
(4)根据匹配结果判断用户是否发生跌倒。
2.如权利要求1所述的一种基于卷积神经网络的跌倒检测方法,其特征是:所述步骤(1)中,利用三轴加速度计检测用户在x,y,z三个方向上的加速度值,利用三轴陀螺仪检测用户身体的倾斜角度和三轴磁力计检测用户的运动方向,并对采集的数据进行参数初始化,分别设定滑动窗口长度、重叠率。
3.如权利要求1所述的一种基于卷积神经网络的跌倒检测方法,其特征是:所述步骤(2)中,使用滑动窗口对数据进行分割,对采集的三个三轴数据的每一轴数据贴上标签,形成九轴数据。
4.如权利要求3所述的一种基于卷积神经网络的跌倒检测方法,其特征是:所述步骤(2)中,排列组合每一轴数据,排列的编码方法为首先是原始序列号,然后每隔一个进行排序,接着每隔二个进行排序,依次类推,直到排序至原始序列的队尾,编码结束,最后根据序列号转换成九轴的数据。
5.如权利要求1所述的一种基于卷积神经网络的跌倒检测方法,其特征是:所述步骤(3)中,卷积神经网络通过卷积层-下采样层-卷积层-下采样层-全连接层的网络架构来训练。
6.如权利要求1所述的一种基于卷积神经网络的跌倒检测方法,其特征是:所述步骤(3)中,利用预编码的数据先通过第一卷积层,让输入数据矩阵与五个可学习的卷积核进行卷积,通过第一下采样层,进行特征值的下采样,通过第二卷积层,输入数据的矩阵与卷积核进行卷积,通过第二下采样层,进行更新的特征值的下采样,进行全连接层计算,计算输入向量和权重向量的点积,全部展开连接成一列矩阵,相当于得到每个行为模型参数的矩阵。
7.如权利要求1所述的一种基于卷积神经网络的跌倒检测方法,其特征是:所述步骤(4)中,根据得到的行为模型参数在判断层进行判别分析,判别函数为:
其中,c是类标签,x采样特征,y是可变标签,w是权重向量,K是类别数目。
根据判别函数,得到标签,如果是跌倒的标签,则判断得出用户跌倒,进行报警;如果不是跌倒的标签,则判断得出用户没有发生跌倒,返回步骤1)。
8.一种基于卷积神经网络的跌倒检测系统,其特征是:包括传感器单元、主控单元、无线传输单元和报警单元,其中:
所述传感器单元,检测用户在x、y、z三个方向上的加速度值、身体的倾斜角度和检测用户的运动方向;
所述主控单元,被配置为对数据进行分割,给每一轴数据进行标记与预编码排序,进而进行离散傅里叶变换;基于变换后的数据,构建卷积神经网络,并进行卷积神经网络训练,得到行为的网络模型;对卷积神经网络模型进行模式匹配,判断用户是否发生跌倒,当判别出是跌倒行为的时候,触发报警单元,并让无线传输单元向远端设备发送报警消息;
所述报警单元,接收报警消息,进行报警。
9.如权利要求8所述的一种基于卷积神经网络的跌倒检测系统,其特征是:所述报警单元通过通信网络连接远程控制终端,发送跌倒报警信号。
10.如权利要求8所述的一种基于卷积神经网络的跌倒检测系统,其特征是:所述传感器单元包括三轴加速度计、三轴的陀螺仪和三轴的磁力计。