[發(fā)明專(zhuān)利]一種基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111283615.6
• 申請(qǐng)日: 2021-11-01
• 公開(kāi)（公告）號(hào): CN113989570A
• 公開(kāi)（公告）日: 2022-01-28
• 發(fā)明（設(shè)計(jì)）人: 陳曉敏;邵卓雅;馬傳輝;趙濤濤;孫強(qiáng)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南通大學(xué)
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及物聯(lián)網(wǎng)智能穿戴設(shè)備技術(shù)領(lǐng)域，具體涉及一種基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警方法，包括以下步驟：步驟S0：搭建基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警系統(tǒng)；步驟S1：創(chuàng)建特征值數(shù)據(jù)集；步驟S2：創(chuàng)建FDMLP模型；步驟S3：跌倒檢測(cè)；步驟S4：報(bào)警與求助。本發(fā)明采用學(xué)習(xí)率按迭代次數(shù)進(jìn)行指數(shù)衰減的優(yōu)化方法；建立了老人跌倒檢測(cè)的特征值數(shù)據(jù)集；對(duì)模型進(jìn)行全整數(shù)量化，在嵌入式設(shè)備上成功運(yùn)行；通過(guò)通信模塊及定位模塊發(fā)送狀態(tài)信息及定位信息至云服務(wù)器，將數(shù)據(jù)同步到家屬的移動(dòng)端應(yīng)用程序以及時(shí)進(jìn)行救助；在保證高精度判別的前提下有效提高模型的運(yùn)行速度、降低模型的存儲(chǔ)消耗；所有識(shí)別活動(dòng)在設(shè)備端實(shí)現(xiàn)，保護(hù)了使用者的隱私數(shù)據(jù)。

技術(shù)領(lǐng)域

本發(fā)明涉及物聯(lián)網(wǎng)智能穿戴設(shè)備技術(shù)領(lǐng)域，具體涉及一種基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警方法。

背景技術(shù)

據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，全球老人人口將在2025年達(dá)到12億。隨著社會(huì)老齡化和家庭空巢化等問(wèn)題日益突出，老人因摔倒而導(dǎo)致的住院率和死亡率不斷攀升，這成為了子女看護(hù)老人的難題。我國(guó)的老人看護(hù)領(lǐng)域有待更為科學(xué)高效的看護(hù)模式和完善的養(yǎng)老系統(tǒng)。應(yīng)在不妨礙老年人正常生活的情況下，運(yùn)用科學(xué)有效的方法使跌倒者及時(shí)得到救助。

目前已有多種基于人工智能的跌到檢測(cè)方案被提出，從模型搭建方式通常可分為卷積神經(jīng)網(wǎng)絡(luò)(CNN,Convolutional Neural Networks)和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM，LongShort-Term Memory)；從跌倒檢測(cè)方法可分為基于視頻的傳統(tǒng)檢測(cè)方法、基于環(huán)境變量的方法及穿戴式設(shè)備檢測(cè)方法。CNN主要用于圖像識(shí)別；LSTM適用于多種形式的數(shù)據(jù)。基于視頻的傳統(tǒng)檢測(cè)方法通過(guò)部署一個(gè)或多個(gè)攝像頭獲取人體運(yùn)動(dòng)圖像信息并分析特征判斷是否發(fā)生跌倒，常見(jiàn)方案為單目RGB圖像識(shí)別和雙目深度圖像識(shí)別方案；基于環(huán)境變量的方法通過(guò)在地面布設(shè)震動(dòng)傳感器或紅外線(xiàn)傳感器等，通過(guò)分析震動(dòng)波形信號(hào)或電信號(hào)識(shí)別跌倒行為；穿戴式設(shè)備檢測(cè)方法通常在人體特定部位穿戴檢測(cè)設(shè)備，進(jìn)行實(shí)時(shí)檢測(cè)，通過(guò)檢測(cè)異變的運(yùn)動(dòng)參數(shù)檢測(cè)是否發(fā)生跌倒。

CNN具有共享卷積核的特性因此處理高維數(shù)據(jù)具有優(yōu)勢(shì)，通常用于視覺(jué)識(shí)別，但由于特征提取的封裝，不易進(jìn)行網(wǎng)絡(luò)性能的改進(jìn)；LSTM方便序列建模，但當(dāng)序列長(zhǎng)度超過(guò)一定限度后，會(huì)出現(xiàn)梯度消失問(wèn)題。基于視頻的傳統(tǒng)檢測(cè)方法算法較為成熟，但會(huì)侵犯老人生活隱私，易受環(huán)境和光照的影響，且攝像頭只能固定在特定位置；基于環(huán)境變量的方法應(yīng)用場(chǎng)景局限，且布設(shè)成本高；可穿戴設(shè)備檢測(cè)方法檢測(cè)設(shè)備與移動(dòng)終端進(jìn)行集成，充分利用嵌入式邊緣人工智能的感知功能、計(jì)算功能和通信功能，但可穿戴式檢測(cè)設(shè)備的便攜性需要完善。

因此，本申請(qǐng)?jiān)O(shè)計(jì)開(kāi)發(fā)了一種基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警方法，旨在幫助獨(dú)自外出老人，解決目標(biāo)人群因意外跌倒時(shí)家屬不在身邊而得不到及時(shí)救助的困境。

發(fā)明內(nèi)容

針對(duì)以上問(wèn)題，本發(fā)明提供了一種基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警方法，通過(guò)對(duì)傳感器數(shù)據(jù)濾波后提取一定周期數(shù)據(jù)的特征值再進(jìn)行識(shí)別，在提高了模型識(shí)別準(zhǔn)確率的同時(shí)進(jìn)一步壓縮了所需的輸入數(shù)據(jù)量，提高了模型運(yùn)行速度；有效利用邊緣計(jì)算，在設(shè)備端實(shí)現(xiàn)所有活動(dòng)識(shí)別，保護(hù)了使用者的隱私數(shù)據(jù)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

一種基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警方法，包括以下步驟：

步驟S0：搭建基于嵌入式邊緣人工智能的跌倒檢測(cè)報(bào)警系統(tǒng)；

步驟S1：創(chuàng)建特征值數(shù)據(jù)集；

步驟S2：創(chuàng)建FDMLP模型；

步驟S3：跌倒檢測(cè)；

步驟S4：報(bào)警與求助。

優(yōu)選地，所述步驟S1的具體步驟如下：

步驟S1.1：收集原始姿態(tài)數(shù)據(jù)作為初始數(shù)據(jù)集；