[發明專利]基于深度學習的老人異常行為檢測方法

在審

• 申請號: 201710403573.2
• 申請日: 2017-06-01
• 公開（公告）號: CN107145878A
• 公開（公告）日: 2017-09-08
• 發明（設計）人: 周紹艷;黃俊;譚欽紅;劉科征;王君龍;施新嵐;張磊;謝振超
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種基于深度學習的老人異常行為檢測方法，屬于機器學習領域，適用于獨居老人安全監護系統。

背景技術

我國迎來了人口迅速老齡化的時代，養老問題日益嚴重。隨著我國經濟的發展和計劃生育的實行，我國人口結構發生巨大變化，未來社會中不能單純依靠子女來照顧老人。越來越多的獨居老人在生活中出現異常行為時，不能及時發現并進行預警而釀成嚴重后果。因此，對獨居老人的安全監護及時發現老人的異常行為有利于提高了老人晚年的生活質量，同時減輕了社會和子女的壓力。

目前，老人異常行為檢測的方式采用可穿戴的傳感器設備，基于用戶的行為數據和行為規律模型構建方法，基于多特征融合的視頻監控技術等方法。這些異常行為檢測方法對于居家老人容易忘記配戴設備或攜帶不方便，實時性不高，涉及到個人隱私，不適合24小時視頻監控。因此，現有技術對老人異常行為檢測方式單一，這種單一檢測很難滿足老人出現異常的復雜性，缺乏對多源信息的協同處理，實時性差，異常信息不能及時預警等。本發明提出一種基于深度學習的老人異常行為檢測方法，對異常行為進行聯合檢測，從傳感器和圖像兩方面對異常行為進行檢測，并綜合老人的位置數據和駐留時長等，采用模糊邏輯推理對老人異常行為進行聯合判斷，提高老人異常檢測的準確性。

發明內容

本發明的目的在于解決現有可穿戴的傳感器設備與視頻監控系統對異常行為檢測的不足，提出一種基于深度學習的老人異常行為檢測方法，綜合考慮老人的體征信息，位置信息，圖像信息，聯合檢測聯合判斷老人的異常行為，提高檢測精度。

本發明實現上述技術創新的方案是，一種基于深度學習的老人異常行為檢測方法，包括：通過多種傳感器獲取老人的體征數據，位置數據，駐留時長，圖像數據；對老人的體征數據進行數據預處理，將心率、血壓、脈搏、體溫、呼吸等參數作為BP神經網絡的輸入，訓練出BP神經網絡模型，進行數據融合；通過對原始圖像進行預處理后送入3D卷積神經網絡提取特征向量，通過Softmax分類器識別老人的多種行為；通過訓練好的BP神經網絡得到老人生理狀況，其次通過識別出的老人行為，再綜合老人當前位置數據與駐留時長，根據模糊邏輯推理得出老人行為是否異常；當檢測到老人出現異常時進行報警，并通知老人子女及時關心老人。

本發明提出的技術方案減輕老人身上穿戴設備的束縛，老人只需攜帶定位標簽。對于獨居老人家居環境一般可分為臥室，客廳，廁所，廚房等具有不同功能的區域。非穿戴式的傳感器布置在老人經常活動的床上沙發等處獲得老人體征信息，定位標簽實時獲得位置信息，普通攝像頭安裝在非隱私的客廳、廚房獲得老人圖像數據。本發明的技術方案可以檢測出因生理參數異常的突發性摔倒，長時間駐留異常，行走姿態異常等。本發明的技術方案通過對老人異常行為聯合檢測，從傳感器和圖像兩方面進行檢測，并綜合老人的位置數據和駐留時長等對老人異常行為進行聯合判斷，提高老人異常檢測的準確性，降低老人異常行為的誤判率，提高檢測的實時性。

附圖說明

圖1是本發明基于深度學習的老人異常行為檢測方法結構示意圖。

圖2是BP神經網絡模型示意圖。

圖3是基于3D卷積神經網絡的老人行為識別流程圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行詳細地描述。

一種基于深度學習的老人異常行為檢測方法它的實施步驟如下：圖1為本發明所述方法的結構圖，通過多種傳感器采集老人的體征信息、位置信息、駐留時長、視頻圖像等。根據數據來源從傳感器和圖像兩方面進行聯合檢測，并綜合位置信息與駐留時長，采用模糊邏輯推理進行聯合判斷老人行為是否異常。如圖2所示，體征數據的融合，選擇學習率自適應法和附加動量的BP神經網絡的融合算法。傳統的BP算法采用基于梯度的最速下降法存在學習速率過慢的缺陷，而且也容易陷入局部極小點，采用學習率自適應法和附加動量法對BP算法進行改進，使得加入的動量因子具有自學習特性。改進的BP算法的穩定性得到很大程度地加強，不易陷入局部極小，提高了網絡收斂速度，提高了體征融合的效率。將采集的體溫、心率、血壓、脈搏、呼吸數據預處理后作為BP神經網絡的輸入，融合前先對數據進行粗糙集的簡化，消除大量數據的冗余屬性，降低了數據維度。BP網絡的輸入層確定為3個節點。輸出神經元節點數根據老人體征狀況確定為健康、生病、體質弱。隱層為單層，使得網絡訓練時間減少。通過訓練樣本來調節神經網絡的參數，確定各層的節點閾值以及各層之間的連接權重。最后利用訓練好的神經網絡模型得出老人體征融合結果。