[發(fā)明專利]一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011297964.9
• 申請(qǐng)日: 2020-11-19
• 公開（公告）號(hào): CN112395991A
• 公開（公告）日: 2021-02-23
• 發(fā)明（設(shè)計(jì)）人: 陳小輝;烏民雨
• 申請(qǐng)（專利權(quán)）人: 三峽大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥方舟知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 34158
• 代理人: 劉躍

1.一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法包括影像收集模塊、特征提取模塊、動(dòng)作分類模塊、雙流網(wǎng)絡(luò)模塊、數(shù)據(jù)傳輸模塊、報(bào)警模塊，所述影像收集模塊的輸出端與特征提取模塊的輸入端連接，所述特征提取模塊的輸出端與動(dòng)作分類模塊的輸入端連接，所述動(dòng)作分類模塊的輸出端與雙流網(wǎng)絡(luò)模塊的輸入端連接，所述雙流網(wǎng)絡(luò)模塊的輸出端與數(shù)據(jù)傳輸模塊的輸入端連接，所述數(shù)據(jù)傳輸模塊的輸出端與報(bào)警模塊的輸入端連接。

2.如權(quán)利要求1所述的一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述影像收集模塊通過4個(gè)Kinect攝像頭模擬室內(nèi)監(jiān)控視角，然后再拍攝若干個(gè)人類生活場(chǎng)景中模擬跌倒的行為，且男女各20名，年齡在18-30周歲之間，一共設(shè)計(jì)了20種動(dòng)作，幾乎囊括了生活會(huì)發(fā)生的動(dòng)作以及意外跌倒情況，每個(gè)動(dòng)作每名實(shí)驗(yàn)者進(jìn)行3次模擬行為，并通過4個(gè)Kinect攝像頭模擬監(jiān)控視角進(jìn)行記錄，最終一共有9600段行為視屏片段，總計(jì)8小時(shí)。

3.如權(quán)利要求1所述的一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述特征提取模塊對(duì)信息提取的步驟為：

步驟一：統(tǒng)計(jì)樣本集中動(dòng)作特征總數(shù)(N)；

步驟二：統(tǒng)計(jì)每個(gè)詞的正動(dòng)作特征出現(xiàn)頻率(A)、負(fù)動(dòng)作特征出現(xiàn)頻率(B)、正動(dòng)作特征不出現(xiàn)頻率、負(fù)動(dòng)作特征不出現(xiàn)頻率；

步驟三：計(jì)算每個(gè)動(dòng)作特征的卡方值

步驟四：將每個(gè)動(dòng)作特征按卡方值從大到小排序，選取前k個(gè)詞作為特征，k即特征維數(shù)。

4.如權(quán)利要求1所述的一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述動(dòng)作分類模塊主要負(fù)責(zé)對(duì)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行分類，由于動(dòng)作的持續(xù)時(shí)間比較短，跌倒的動(dòng)作是少于非跌倒動(dòng)作的，所以存在數(shù)據(jù)不平衡的問題，作為少量樣本的跌倒數(shù)據(jù)顯然更為重要，如果直接使用未經(jīng)處理的跌倒樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，分類器會(huì)因?yàn)槭巧倭繕颖径龀鲋苯雍雎缘倪x擇，從而并不能正確的檢測(cè)出跌倒動(dòng)作。

5.如權(quán)利要求4所述的一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述實(shí)驗(yàn)數(shù)據(jù)不平衡有兩類方法可以，其中第一類是通過算法與損失函數(shù)來(lái)進(jìn)行平衡樣本，如KaimingHe等通過Focal loss來(lái)解決樣本不平衡的問題，第二類就是在數(shù)據(jù)集層面上來(lái)解決樣本不平衡的問題，即方法是通過在訓(xùn)練的過程中的增強(qiáng)樣本數(shù)量，使得正負(fù)樣本趨向平衡，我們采用的是第二類方法來(lái)解決自制跌倒數(shù)據(jù)集樣本不平衡的問題，即通過增加訓(xùn)練集中的跌倒樣本，同時(shí)訓(xùn)練集不會(huì)做這種處理，是為了保持模型測(cè)試的可靠性。

6.如權(quán)利要求1所述的一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述雙流網(wǎng)絡(luò)模塊為兩條2D卷積并行的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使得基于深度學(xué)習(xí)的視屏動(dòng)作學(xué)習(xí)算法所取得的效果超過了以稠密軌跡特征為代表的的傳統(tǒng)算法，雙流網(wǎng)絡(luò)卷積是依靠?jī)蓷l相同的卷積通路，這兩條卷積網(wǎng)絡(luò)相互獨(dú)立，分別輸入單幀的RGB圖片和堆疊的光流圖片，通過兩條網(wǎng)絡(luò)對(duì)空間信息與時(shí)序信息進(jìn)行訓(xùn)練，然后再將兩者進(jìn)行融合最后用Softmax進(jìn)行分類。

7.如權(quán)利要求6所述的一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述Softmax分類是數(shù)據(jù)挖掘的一種非常重要的方法,分類的概念是在已有數(shù)據(jù)的基礎(chǔ)上學(xué)會(huì)一個(gè)分類函數(shù)或構(gòu)造出一個(gè)分類模型,該函數(shù)或模型能夠把數(shù)據(jù)庫(kù)中的數(shù)據(jù)紀(jì)錄映射到給定類別中的某一個(gè)，從而可以應(yīng)用于數(shù)據(jù)預(yù)測(cè),總之，分類器是數(shù)據(jù)挖掘中對(duì)樣本進(jìn)行分類的方法的統(tǒng)稱，包含決策樹、邏輯回歸、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)等算法,分類器的構(gòu)造和實(shí)施大體會(huì)經(jīng)過以下幾個(gè)步驟：

①選定樣本(包含正樣本和負(fù)樣本)，將所有樣本分成訓(xùn)練樣本和測(cè)試樣本兩部分；

②在訓(xùn)練樣本上執(zhí)行分類器算法，生成分類模型；

③在測(cè)試樣本上執(zhí)行分類模型，生成預(yù)測(cè)結(jié)果；

④根據(jù)預(yù)測(cè)結(jié)果，計(jì)算必要的評(píng)估指標(biāo)，評(píng)估分類模型的性能。

8.如權(quán)利要求1所述的一種獨(dú)居老人醫(yī)療監(jiān)護(hù)動(dòng)作識(shí)別算法，其特征在于：所述數(shù)據(jù)傳輸模塊將上述算法的結(jié)果進(jìn)行測(cè)定，如若有跌倒危險(xiǎn)則發(fā)送信息至報(bào)警模塊，所述數(shù)據(jù)傳輸模塊由DCE發(fā)送部分、傳輸信道以及DCE接受部分組成，所述DCE發(fā)送部分的作用是將終端輸入的二進(jìn)制代碼編碼，變換成適合傳輸信道傳送的電信號(hào)，對(duì)于模擬傳輸信道，DCE的發(fā)送部分就是調(diào)制器，它將二進(jìn)制數(shù)字信號(hào)變換成模擬信號(hào)，使發(fā)送信號(hào)的頻譜與傳輸信道的頻帶相匹配，以便數(shù)據(jù)信號(hào)能在傳輸信道中有效地、可靠地傳送，所述傳輸信道是以傳輸媒體為基礎(chǔ)的信號(hào)通路，它可由一種傳輸媒體或幾種不同的傳輸媒體鏈接組成，不同的傳輸信道對(duì)數(shù)據(jù)傳輸速率、傳輸質(zhì)量影響很大，所述DCE接收部分的作用是將傳輸信道送來(lái)的線路信號(hào)正確地還原成二進(jìn)制數(shù)字信號(hào)，對(duì)于模擬傳輸信道，它就是解調(diào)器，對(duì)于數(shù)字傳輸信道，它就是DSU的接收部分，為了提高線路利用率，有時(shí)在發(fā)送端將若干個(gè)低速終端的數(shù)據(jù)流通過復(fù)用器集合成一高速數(shù)據(jù)流送往DCE的發(fā)送部分，接收端將來(lái)自DCE的高速數(shù)據(jù)流通過解復(fù)用器分隔出各路的低速數(shù)據(jù)送至相應(yīng)的終端，這樣的復(fù)用設(shè)備也屬于數(shù)據(jù)傳輸系統(tǒng)的組成部分。