摔倒监测方法、设备、系统及存储介质与流程

本技术实施例涉及深度学习，具体涉及一种摔倒监测方法、装置、设备及存储介质。

背景技术：

1、随着中国老龄化进程加快，老龄人口逐渐增多，而由人口老龄化带来的空巢老人、老年人健康等问题日益凸显。众所周知，摔倒会给老人健康带来不利影响。再者，针对年龄较小的幼儿，孩子处于活泼好动时期，极易发生摔倒，而家长很难做到时时刻刻监看孩子。又者，针对体力或脑力高强度工作的外卖员、高空作业者、建筑工人、程序员、白领等青年或中年人员，在日常生活中也易发生摔倒。

2、当某人发生摔倒后，若自身昏迷而无法呼救或周围无人发现而无法进行及时救治时，极易错过最佳抢救时间而造成情况恶化。因此，若能对目标人员进行监测判断是否发生摔倒，从而当发生摔倒时，救援人员能及时赶到现场进行救治进而减少伤害。

技术实现思路

1、鉴于上述问题，本技术实施例提供了一种摔倒监测方法、设备、系统及存储介质，用于解决现有技术中存在的缺少能够有效快速地判断目标对象是否发生摔倒的问题。

2、根据本技术实施例的一个方面，提供了一种摔倒监测方法，所述方法包括：持续采集目标对象的移动数据；根据所述移动数据的采集时间顺序依次获取至少两个时段内的所述移动数据，其中，每个所述时段的时长相同；根据每个所述时段内的所述移动数据确定每个所述时段的特征向量；将各个所述特征向量分别输入至长短期记忆神经网络模型，分别获得各个所述特征向量对应的第一输出结果，其中，当前时段的所述第一输出结果根据上一时段的所述第一输出结果和当前时段的所述特征向量确定，若当前时段为第一个时段，其上一时段的所述第一输出结果采用初始化值；将各个所述特征向量对应的所述第一输出结果输入至注意力模型，获得第二输出结果；根据所述第一输出结果和所述第二输出结果判断所述目标对象是否摔倒。

3、在一种可选的方式中，在所述根据所述移动数据的采集时间顺序依次获取至少两个时段内的所述移动数据之前，所述方法还包括：获取预设时长内的所述移动数据；根据所述预设时长内的所述移动数据对所述目标对象进行摔倒预判断，判断所述目标对象是否发生预摔倒；若判断所述目标对象发生预摔倒，则继续采集至少一个所述移动数据；所述根据所述移动数据的采集时间顺序依次获取至少两个时段内的所述移动数据，进一步包括：根据所述移动数据的采集时间顺序依次获取至少两个时段内的所述移动数据，其中，获取的所述移动数据中至少包括一个在判断所述目标对象发生预摔倒后采集的所述移动数据。

4、在一种可选的方式中，所述根据所述预设时长内的所述移动数据对所述目标对象进行摔倒预判断，判断所述目标对象是否发生预摔倒，进一步包括：获取所述预设时长内的所述移动数据中的最大变化量；若所述最大变化量大于预设阈值，则判断所述目标对象发生预摔倒。

5、在一种可选的方式中，在所述根据每个所述时段内的所述移动数据确定每个所述时段的特征向量之前，所述方法还包括：对每个所述时段内的所述移动数据进行去除基线漂移和/或去除噪声的预处理，获得预处理后的移动数据；所述根据每个所述时段内的所述移动数据确定每个所述时段的特征向量，进一步包括：根据每个所述时段内的所述预处理后的移动数据确定特征向量。

6、在一种可选的方式中，所述根据每个所述时段内的所述移动数据确定每个所述时段的特征向量，进一步包括：确定每个所述时段内的所述移动数据中的平均值、方差、最大值、最小值和/或所述最大值和所述最小值的差值；对每个所述时段内的所述移动数据做快速傅里叶变换，获得快速傅里叶变换结果；获取每个所述时段内所述快速傅里叶变换结果中的最大幅值对应的频率值；根据每个所述时段内的所述平均值、所述方差、所述差值、所述最大幅值对应的所述频率值和/或所述时段内最后采集的所述移动数据构建所述特征向量。

7、在一种可选的方式中，所述根据所述第一输出结果和所述第二输出结果判断所述目标对象是否摔倒，进一步包括：将各个所述特征向量对应的所述第一输出结果和所述第二输出结果相乘，获得各个所述特征向量对应的乘积；将各个所述特征向量对应的所述乘积相加，获得总和；将所述总和输入至多层感知机，获得第三输出结果；将所述第三输出结果输入至归一化指数函数层，根据所述归一化指数函数层的归一化处理结果判断所述目标对象是否摔倒。

8、在一种可选的方式中，所述根据每个所述时段内的所述移动数据确定每个所述时段的特征向量及其之前的步骤由智能穿戴设备执行，所述将各个所述特征向量分别输入至长短期记忆神经网络模型，分别获得各个所述特征向量对应的第一输出结果及其之后的步骤由与所述智能穿戴设备关联的移动终端执行，在所述根据每个所述时段内的所述移动数据确定每个所述时段的特征向量之后，所述方法还包括：所述智能穿戴设备将所述特征向量传输给所述移动终端。

9、根据本技术实施例的另一方面，提供了一种摔倒监测设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的摔倒监测方法的操作。

10、根据本技术实施例的另一方面，提供了一种摔倒监测系统，包括：智能穿戴设备，用于持续采集目标对象的移动数据；并用于根据所述移动数据的采集时间顺序依次获取至少两个时段内的所述移动数据，其中，每个所述时段的时长相同；还用于根据每个所述时段内的所述移动数据确定每个所述时段的特征向量；

11、移动终端，用于将各个所述特征向量分别输入至长短期记忆神经网络模型，分别获得各个所述特征向量对应的第一输出结果，其中，当前时段的所述第一输出结果根据上一时段的所述第一输出结果和当前时段的所述特征向量确定，若当前时段为第一个时段，其上一时段的所述第一输出结果采用初始化值；并用于将各个所述特征向量对应的所述第一输出结果输入至注意力模型，获得第二输出结果；还用于根据所述第一输出结果和所述第二输出结果判断所述目标对象是否摔倒。

12、根据本技术实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有可执行指令，所述可执行指令使摔倒监测设备执行如上述摔倒监测方法对应的操作。

13、本技术实施例中，通过持续采集目标对象的移动数据，并利用至少两个时段内的移动数据构建至少两个特征向量用于分析判断，相较于只获取当前时刻的移动数据进行分析判断，增加了分析的样本数量，从而提高了分析的准确度。同时，由于并非是将采集的所有移动数据用于分析判断，只是利用采集到的部分移动数据构建特征向量进行分析判断，相较于分析采集到的所有移动数据，减少了分析的数据量，从而提高了分析判断的速度。然后，将各个特征向量分别输入至长短期记忆神经网络模型获得各个向量对应的第一输出结果，由于该长短期记忆神经网络模型使用注意力机制获取当前时段的第一输出结果，即当前时段的第一输出结果根据上一时段的第一输出结果和当前时段的特征向量确定，从而提高了获取第一输出结果的准确度。再将各个第一输出结果输入至注意力模型，获得对应的第二输出结果，最后根据第一输出结果和第二输出结果判断目标对象是否发生摔倒。由于获取的第一输出结果的速度较快，准确度较高，因此通过进一步利用第一输出结果判断目标对象是否发生摔倒的速度也较快，获取的判断结果的准确度也较高。

14、上述说明仅是本技术实施例技术方案的概述，为了能够更清楚了解本技术实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本技术实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。