一种基于智能移动终端的跌倒检测方法与流程

本发明涉及智能检测
技术领域：
，尤其涉及一种基于智能移动终端的跌倒检测方法。
背景技术：
：随着国家开放二孩政策的施行，我国人口老龄化的趋势日趋明显，如何对于老龄人群健康状态进行智能监测已经成为一个重要的课题。人类活动识别(humanactivityrecognition,har)利用传感器数据来实时分辨活动，随着物联网的迅速发展，这种方法近年来受到了广泛的关注。对于身体衰弱的老人，撞击、跌倒这些影响因素都有可能造成不可挽回的伤害，如果能够设计出一种方便携带、灵敏度高、智能化的活动识别设备，无疑对于老人的健康监护具有重大意义，必将会给更多家庭带来福音。近年来，对日常生活活动(adls)的识别与分类技术的研究有了长足的发展，通常是通过分析从传感器获得的信号对人类活动进行分类。跌倒检测精度比较高的方式是图像识别方法，但存在的问题是很难有条件在每个地方安装上摄像头，更不可能用这种方法对某一个人进行连续地检测；采用基于阈值的检测方法在进行跳跃或者缓慢跌倒的情况下则很容易发生误判、漏报，因此这种方法不具备广泛的评估能力。为了更好的对老龄人群健康状态进行智能监测，本发明提出一种基于智能移动终端的跌倒检测方法，以解决现有技术中的不足之处。技术实现要素：针对上述问题，本发明提出一种基于智能移动终端的跌倒检测方法，该跌倒检测方法通过设计fallnet模型，在增加少量参数的情况下，fallnet模型的17类别分类效果达到了98.59％，二分类auc值增加到0.9984，，app能够对人体活动进行识别，也可以对人体跌倒发出警报和报警，可以实现对老龄人群健康状态的智能监测。为实现本发明的目的，本发明通过以下技术方案实现：一种基于智能移动终端的跌倒检测方法，包括以下步骤：步骤一：采集在身高、体重、年龄方面有良好代表性的人体活动数据，并构建数据集，然后对数据集进行预处理，并将预处理后的数据集中80％的人体活动数据作为训练集，将20％的人体活动数据作为测试集；步骤二：运用特征工程技术对数据集进行特征提取与分析，使用pca降维技术对特征向量进行分析，选取优质特征进行下一步训练；步骤三：基于lstm-fcn模型，然后设计一种改进的fallnet模型，在fcn网络和lstm网络之前加上batchnormalization层，batchnormalization层对输入数据进行归一化，归一化的数据输入全卷机模块和lstm模块，并在输入层加上全局最大池化和全局平均池化层，用于提取输入序列的幅度特征，最后在相应的在每一个卷积激活模块后面都进行相同的操作，然后利用训练集对fallnet模型进行训练，并利用测试集对fallnet模型进行测试；步骤四：设计app，app采取基于短时间-长时间连续监测的方式，将训练好的fallnet模型内置在移动设备中，然后对采集的人体活动数据进行滑动窗处理，然后根据fallnet模型对采集的人体活动数据进行跌倒检测，并在移动设备中设置本地报警模块和远程报警模块，利用本地报警模块和远程报警模块对跌倒检测结果进行报警求助。进一步改进在于：所述步骤一中对数据集进行预处理时，利用数据划分手段将数据集随机打乱。进一步改进在于：所述lstm模块为包含8个lstm单元的循环神经网络层，lstm模块根据输入的时间序列提取特征。针对输入的加速度数据，进行提取8个特征值，并与fcn网络的各级特征进行整合，用于输出层使用。进一步改进在于：所述lstm模块后面连接有参数丢失层，fallnet模型的每一轮训练中，参数丢失层随机丢失部分特征，实现重新训练网络、防止过拟合。进一步改进在于：所述步骤四中app采取基于短时间-长时间连续监测的方式时，首先在短时间进行实时动作检测，然后进行长时间段的人体状态监测。进一步改进在于：所述步骤四中进行长时间段的人体状态监测时，以动作监测序列作为数据判断依据，当发生跌倒动作，本地报警模块自动启动预报警程序，当在指定时间检测到用户继续正常活动，则取消报警，否则起动自动报警程序。进一步改进在于：所述本地报警模块自动启动预报警程序的过程为：当检测到用户发生跌倒动作时，移动设备发出报警语音，进行本地求助。同时在预设置的等待时间内发出语音提示，询问用户跌倒是否属实，是否需要取消报警，如果用户选择取消，则取消报警，否则在指定时间结束时，立即报警；当检测到用户无动作时，同样进行语音询问，当用户按下取消键，则取消报警，否则认为用户已经跌倒并且属于危险状况，需要立即联系监护人和拨打急救电话。进一步改进在于：所述远程报警模块用于当确认用户跌倒时，在本地报警模块报警求助的同时，远程报警模块同步将当前跌倒信息与位置发送到监护人手机并且拨打急救电话。本发明的有益效果为：本发明通过设计fallnet模型，在增加少量参数的情况下，fallnet模型的17类别分类效果达到了98.59％，二分类auc值增加到0.9984，并且应用这一模型，设计出了跌倒检测app，能够对人体活动进行识别，也可以对人体跌倒发出警报和报警，可以实现对老龄人群健康状态的智能监测，且监测过程实时性高。附图说明图1本发明数据集各类别数据分布示意图。图2为本发明动作识别与跌倒检测示意图。图3为本发明fallnet模型网络结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。根据图1、2、3所示，本实施例提出以开源的综合数据集unimib-shar为例，把数据集随机打乱，80％的数据归入训练集，其余作测试集，数据集各类别数据分布如图1所示，图1中横坐标代表数据的样本索引，从0到11770一共11771个样本数据，纵坐标代表各样本数据的标签，从0到16共17种分布可能。折线primary是原始数据集的分布情况，对数据集均匀打乱后，得到曲线shuffle，各个样本阶段的标签是均匀随机的。在unimib-shar数据集上统一训练和把训练好的模型进行五折交叉验证。实验基于windows10操作系统，实现语言为python3.6.5。每次验证都在训练集上训练100轮，获得训练好的模型权重，然后在测试集上进行评估，并对实验结果做进一步研究分析。五折交叉验证：把数据集均匀随机划分成多个子集，以五折交叉验证为例，把数据集划分为a、b、c、d、e五个子集，在一个模型的训练中，一共采取5轮训练，每次训练分别取不同的一个子集作为测试集，其余子集共同作为训练集，具体过程如下表1所示：表1训练轮数训练集测试集测试参数1abcdea12abceda23abdeca34acdeba45bcdeaa5参数评估取五轮测试的均值：a＝(a1+a2+a3+a4+a5)/5模型评估参数如下：精度：测量被归为阳性的样本中真实样本的数量，总精度是每类精度的平均值：precision＝tp/(tp+fp)召回率(敏感度)：测量一个类别的总样本中正确分类的样本数，总召回是每一类召回的平均值：准确度：recall＝tp/(tp+fn)测量正确预测的标签与所有预测的比例：accuracy＝(tp+tn)/(tp+tn+fp+fn)f1-score：召回率和精度的加权平均，f1-score也是对准确率与召回率的一个均衡评价。f1-score＝2tp/(2tp+fp+fn)然后测试主流的各种机器学习算法在二分类任务下的表现，使用的评估参数有召回率(recall)、精确度(precision)、准确率(accuracy)、f1-score(f1)和roc曲线面积(auc)，得到表2的结果：表2从表2可以看出：其中fallnet最优，lstmfcn次之，hybrid和convnet再次之。lstmfcn和fallnet在17类别分类中和2分类的其他评价指标中都达到很好的效果，各方面参数超过98％，而hybrid和convnet在2分类的指标中得分较高，但是在17类别分类中要落后于fallnet和lstmfcn很多。本发明的fallnet模型在各项指标：准确率、召回率、灵敏性等方面都占据优势。在17类动作分类的评价指标中，准确率达到98.59％，不仅比传统的机器学习方法高很多，而且比准确率达到了98.17的lstmfcn提升了0.42个百分点，可以用于实际的人体活动分类，fallnet模型是一种可以优先选择作为人体活动识别的模型。对app运行测试：针对开发完成的安卓应用进行运行测试，运行测试环境为mi8lite，miui版本10.2，安卓版本8.1.0，运行内存4.00gb，处理器8核最高2.2ghz。结果表明：app可以正常运行并做跌倒检测工作。本发明通过设计fallnet模型，在增加少量参数的情况下，fallnet模型的17类别分类效果达到了98.59％，二分类auc值增加到0.9984，并且应用这一模型，设计出了跌倒检测app，能够对人体活动进行识别，也可以对人体跌倒发出警报和报警，可以实现对老龄人群健康状态的智能监测，且监测过程实时性高。以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。当前第1页12