一种面向社区基于CNN算法的老年人跌倒检测方法与流程

本发明属于电子信息领域，尤其涉及一种面向社区基于cnn算法的老年人跌倒监测方法。

背景技术：

随着mems(microelectromechanicalsystems)技术的发展，研究人员将惯性传感器集成到小型可穿戴设备中来实现跌倒检测。基于mems的跌倒检测方法具有部署成本低、受环境影响小、对用户的隐私干扰较少等优点，成为跌倒检测技术研究的热点。尽管基于mems的跌倒检测方法具有成本低、简单易用等特点。但mems陀螺仪存在信号漂移误差、3轴加速度计在运动状态下会产生电压波动，这些因素会影响跌倒检测算法精度和有效性。此外，实时采集并传输3轴加速度、角速度的方法导致系统功耗较大。这些都很难满足社区老年多用户的实时监测。

技术实现要素：

针对上述所提到高功耗和低准确度的问题，本发明提供一种面向社区基于cnn算法的老年人跌倒监测方法，基于3轴加速度、角速度的人体活动模型，构造基于zigbee的感知节点并以100hz采样频率采集加速度、角速度数据；其次服务器接收端应用2s的滑动窗口通过zigbee实时接收和缓存感知端采集的3轴加速度、角速度数据；之后将收集到的3轴加速度、角速度数据进行数值的量程规范及对其进行rgb3通道像素映射，构造20×20的人体活动位图；最后，在分析人体日常活动和跌倒数据及其对应像素差异的基础上，设计了面向跌倒检测的卷积神经网络，并结合互联网上公开的日常活动和跌倒数据进行网络训练和测试。

为了实现上述目的，本发明采用如下技术方案：

一种面向社区基于cnn算法的老年人跌倒监测方法，包括以下步骤：

步骤1、采用基于3轴加速度、角速度人体模型构造的感知节点采集人体的3轴加速度、角速度数据；

步骤2、将3轴加速度、角速度数据进行量程规范并映射为rgb3通道像素图；

步骤3、基于rgb3通道像素图造了面向跌倒检测的卷积神经网络，使用所述卷积神经网络(falldetectionconvolutionalneuralnetworks，fd-cnn)检测是否跌倒，一旦检测到跌倒则立刻报警。

作为优选，步骤3的fd-cnn神经网络的输入为20ⅹ20像素的3通道rgb图像，共有6个网络层，网络的卷积层标注为cx，下采样层标准为sx，全连接层标注为fx，x为网络的层号，在进入网络的c1层前，按照以下公式对数据进行规范化，即将图像数据取值范围为0～255归一化为-1～1，

c1为卷积层：在卷积前，对输入层数据进行了边缘扩充，扩充后的图像大小为22×22像素，扩充边缘的像素值为0，卷积核大小是5×5×3，每个特征图内只使用一个共同卷积核，每个卷积核有5×5×3个连接参数以及1个偏置共76个参数，卷积核每次滑动一个像素，卷积层形成的每个特征图大小是18×18，卷积过后，通过relu函数进行网络层激活，c1层共有32个卷积核，该层输出为32张大小为18×18的特征图；

s2为最大池化层(maxpooling)：在池化前，对c1层输出的数据进行了边缘扩充，扩充边缘的像素值为0，扩充后的图像大小为20×20像素，采用2×2的核以步长为2进行最大池化下采样得到32张10×10的特征图；

c3为卷积层：在卷积前，参考c1层也对s2的输出进行了边缘扩充，扩充后的图像大小为12×12像素，卷积核大小是5×5×32，卷积核每次滑动一个像素，卷积后形成的每个特征图大小是8×8，卷积过后，通过relu函数进行网络层激活，c3层共有64个卷积核，所该层输出为64张大小为8×8的特征图；

s4为最大池化层：参考c1层也对c3的输出进行了边缘扩充，扩充后的图像大小为10×10像素，采用2×2的核以步长为2进行最大池化下采样得到64张5×5的特征图；

f5为全连接层：含有512个神经单元，这一层神经元在全连接后使用relu函数进行网络激活；

最后一层是全连接网络输出层：该层有8个神经单元，在计算网络结果时，将最后一层的输出加到softmax中，得到每个类的预测概率，其中概率最大项为网络的预测结果。

本发明的有益效果是：将3轴加速度、角速度数据进行量程规范并映射为rgb3通道像素图，进而构造了面向跌倒检测的卷积神经网络，同时使用开放数据对fd-cnn神经网络进行训练和测试，可有效降低检测节点功耗的情况下，提高检测的准确性。

附图说明

图1：人体活动模型；

图2：将滑动窗口中3轴加速度、角速度数据映射为像素的示意图；

图3：fd-cnn结构；

图4：实施例1的跌倒监测流程图。

具体实施方式

本发明提供一种面向社区基于cnn算法的老年人跌倒监测方法，采用基于3加速度、角速度人体模型构造的感知节点以100hz的采样频率采集数据，并上传服务器，服务器端使用了面向跌倒检测的卷积神经网络(falldetectionconvolutionalneuralnetworks，fd-cnn)检测是否跌倒，一旦检测到跌倒则立刻报警。具体包括以下步骤：

步骤1、基于3轴加速度角速度的人体活动模型

人体在运动过程中，加速度和角速度会实时变化。研究表明人体的上躯干(即腰部以上、脖颈以下部分)是采集加速度数据并识别跌倒与其他日常动作的最佳部位。本发明从穿戴设备舒适性以及系统可靠性出发，将运动感知模块放置在定制背心的腰部，进而建立基于笛卡尔坐标系的人体活动模型。如图1所示为基于笛卡尔坐标系的人体活动模型，其中ax、ay、az分别代表人体活动沿x轴、y轴和z轴的加速度；ωx、ωy、ωz为分别代表人体躯干绕x轴、y轴和z轴的角速度。参考上述人体活动模型，发明中设计了运动感知模块，以采样频率为100hz采集数据，并通过设置感知节点模块自由落体、静止和fifo溢出中断的合理阈值，运动感知模块在检测到自由落体或活动状态时，由感知模块实时采集用并发送用户的活动数据；当检测到静止中断时，感知模块中的cc3250和mpu6050都处于休眠状态，由dmp负责采集3轴加速度和角速度数据并存至fifo缓存中，此时无需访问mpu6050和zigbee射频进而降低运动感知模块的功耗。

步骤2、感知数据量称规范及其映射的rgb3通道像素图

由于人体跌倒的时间通常小于2秒钟，因此在服务器端设计了2秒钟的滑动窗口以缓存活动感知模块传来的3轴加速度、角速度数据。本发明对这些数据进行量程规范化，将规范化的数据转化为对应像素数据。

由于感知模块的采样频率为100hz，感知节点采集的加速度、角速度值采用2字节表示，因此滑动窗口的大小为2400kb，即服务器端实时存放了3轴加速度、角速度数据各200份。若将x、y、z轴的加速度、角速度值分别对应于3通道图像中r、g、b通道的数值，这就可以将每份3轴数据转换成一个rgb像素点。那么滑动窗口中的缓存3轴加速度、角速度数据就可以看成为尺寸为20*20*3的图像(如图2所示)。图2中，每个通道的前200份数据为3轴加速度值，后200份为3轴角速度数据。

由于图像数据的量程范围为0～255的整型数据，而加速度计和陀螺仪的数据量程不尽相同，为此本文采用公式(1)对加速度计和陀螺仪传感器数据的量程进行规范化，将两者传感器数据规范到0～255范围内。

公式1中，range为加速度计或陀螺仪传感器的量程，value为实测数值。计算结果result后为浮点型，为了表示方便本文通过四舍五入将result转化为整型数据。例如：一份加速度数据为value＝(8.302，-9.532，0.962)，传感器的量程为±16g。

值得注意的是，量程规范只是在纵轴上放大了原始数据，但保持了原始数据的波形和变化规律。

步骤3、fd-cnn跌倒检测

fd-cnn架构如图3所示，其输入为20ⅹ20像素的3通道rgb图像，共有6个网络层(不包含输入层)。其中，网络的卷积层标注为cx，下采样层标准为sx，全连接层标注为fx，x为网络的层号。在进入网络的c1层前，系统按照公式2对数据进行规范化，即将图像数据取值范围为0～255归一化为-1～1。这不仅可以加快训练速度，而且可以提高网络的精度。

c1为卷积层。在卷积前，系统对输入层数据进行了边缘扩充，扩充后的图像大小为22×22像素，扩充边缘的像素值为0。边缘扩充在卷积时可避免输入层边缘数据特征丢失。卷积核大小是5×5×3，每个特征图内只使用一个共同卷积核。每个卷积核有5×5×3个连接参数以及1个偏置共76个参数。卷积核每次滑动一个像素，因此卷积层形成的每个特征图大小是18×18。卷积过后，系统通过relu函数进行网络层激活。c1层共有32个卷积核，所以该层输出为32张大小为18×18的特征图。

s2为最大池化层(maxpooling)。在池化前，系统对c1层输出的数据进行了边缘扩充(扩充边缘的像素值为0)，扩充后的图像大小为20×20像素。系统采用2×2的核以步长为2进行最大池化下采样得到32张10×10的特征图。

c3为卷积层。在卷积前，参考c1层也对s2的输出进行了边缘扩充，扩充后的图像大小为12×12像素。卷积核大小是5×5×32，卷积核每次滑动一个像素，卷积后形成的每个特征图大小是8×8。卷积过后，系统通过relu函数进行网络层激活。c3层共有64个卷积核，所以该层输出为64张大小为8×8的特征图。

s4为最大池化层。参考c1层也对c3的输出进行了边缘扩充，扩充后的图像大小为10×10像素。系统采用2×2的核以步长为2进行最大池化下采样得到64张5×5的特征图。

f5为全连接层，其含有512个神经单元。为了防止网络过拟合，在训练时加入了dropout。这一层神经元在全连接后使用relu函数进行网络激活。

最后一层是全连接网络输出层。该层有8个神经单元。在计算网络结果时，将最后一层的输出加到softmax中，得到每个类的预测概率，其中概率最大项为网络的预测结果。

fd-cnn搭建完毕后，发明使用公开数据集sisfall和mobifalld对fd-cnn进行训练。训练过程首先对sisfall和mobifall数据集中的数据进行数据量程规范；其次，提取其中日常数据(包括走路、跳跃、慢跑、上楼、下楼、坐下和起立7种日常动作数据各1000组，以及跌倒数据1000组)对fd-cnn网络进行训练。训练迭代8个epoch时候，即网络训练1080步后，验证集准确率不再上升(最终实验验证集准确率为99.77％)，此时停止训练并保存网络模型及参数，用于后续的跌倒监测。

在实际应用中，活动感知模块将活动数据实时发送至服务端，服务端在2s的滑动窗口中按照fifo原理缓存动作数据；跌倒监测软件先进行数据的量程规范并进行可视化操作，之后输入到训练好的fd-cnn网络中进行分类，当分类结果为跌倒时，系统将会按照预设的报警方式进行跌倒报警。

实施例1

如图4所示，本发明将集成了mpu6050和zigbee的运动感知模块放置在可穿戴背心的腰部，以实时采集人体活动产生的3轴加速度、角速度数据，并使用数据采集传输算法将采集的数据通过zigbee发送给集成了zigbee汇聚节点的服务器。服务器将收到的数据缓存到滑动窗口，同时将滑动窗口中的数据量程规范并转换为20*20*3的像素图，服务器上运行fd-cnn算法实时对滑动窗口中的像素数据分析归类。当判断人员发生跌倒时，系统自动通过拨打电话或发送带有gps位置的短信向监护人员报警。