[发明专利]基于多模特征分析的老人摔倒实时监测方法及系统

说明书

技术领域

本发明涉及物联网技术和老人监护技术领域，具体涉及一种基于多模特征分析的老人摔倒实时监测方法及系统。

背景技术

据统计，2015年，我国60岁及以上人口达到2.22亿，占总人口的16.15%。预计到2020年，我国老年人口达到2.48亿，老龄化水平达到17.17%，其中80岁以上老年人口将达到3067万人；2025年，我国60岁以上人口将达到3亿，成为超老年型国家。中国人口的老龄化和老年家庭的空巢化趋势越来越严重，这些空巢老年人的监护问题已成为社会关注的问题。由于老人们随着年龄的变大，生理机能的减弱，自理能力越来越差，很可能由于不小心的跌倒而无人帮扶，而摔倒会造成严重的后果。据有关资料统计，在伤害死亡原因中跌倒排第四位，而在老年人中跌倒是导致死亡的首要因素。老人一旦跌倒又没有获得及时救治，往往会遭受严重伤害。因此，实时监测家中老人是否摔倒已逐渐成为很多子女的必要需求。

目前市面上提供老人摔倒监护检测的方式大多是依靠智能手环、智能拐杖等监测设备，通过监测老人行走步态等信息赖判断老人是否摔倒，并进行摔倒预警。但是现有的这些监测技术，往往是仅基于单模态参数的采集，对老师进行摔倒监测判断，在实际应用中依然存在不足，主要表现在：一是仅基于单模态参数的采集进行摔倒监测判断容易受到老人自身行动状态的影响，可能出现摔倒误判（将正常行动情况误判为摔倒）、漏判（未能正确识别出真正的摔倒动作）的情况，监测准确率效果不理想；二是仅基于单模态参数的采集进行摔倒监测判断容易受到使用环境的影响，例如老人忘记使用智能手环、智能拐杖等监测设备，就完全失去了监测效果。

因此，如何提供更好的老人摔倒监护检测实现方案，成为了一个有待解决的问题。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供一种基于多模特征分析的老人摔倒实时监测方法，用以更加可靠、准确的对老人在室内环境中摔倒的情况进行监测和预警，以解决现有老人摔倒监护检测方案的监测准确率不佳、监测效果容易受到使用环境影响的问题。

相应地，本发明还提供了一种基于多模特征分析的老人摔倒实时监测系统。

为实现上述目的，本发明采用了如下技术方案：

基于多模特征分析的老人摔倒实时监测方法，实时获取被监测老人所在环境区域内的视频图像数据和音频数据，并通过可穿戴设备同步地实时采集被监测老人的运动加速度信号、角速度信号和心率信号，实时地从视频图像数据中提取出运动物体图像特征参数，且实时地从音频数据中提取出人声音频特征参数，并连同实时采集到的被监测老人的运动加速度信号、角速度信号和心率信号共同作为老人摔倒监测识别特征，输入至预测识别分类器，通过预测识别分类器进行实时的分类识别，综合判断当前的运动物体图像特征参数、人声音频特征参数、运动加速度信号、角速度信号和心率信号是否满足老人摔倒情况时所对应的老人摔倒监测识别特征，若满足，则对外发送老人摔倒报警信息。

上述基于多模特征分析的老人摔倒实时监测方法中，具体而言，所述预测识别分类器中设有通过预先训练得到的预测识别分类函数，所述预测识别分类函数用于指示输入到预测识别分类器的运动物体图像特征参数、人声音频特征参数、运动加速度信号、角速度信号和心率信号是否满足老人摔倒情况时所对应的老人摔倒监测识别特征。

上述基于多模特征分析的老人摔倒实时监测方法中，作为优选方案，训练预测识别分类器中预测识别分类函数的方法为：获取不同的多组在老人摔倒情况下对应的运动物体图像特征参数、人声音频特征参数、运动加速度信号、角速度信号和心率信号，将每一组老人摔倒情况下对应的运动物体图像特征参数、人声音频特征参数、运动加速度信号、角速度信号和心率信号作为一个老人摔倒监测识别训练样本，利用所获得的各个老人摔倒监测识别训练样本，使用K折交叉验证法对预测识别分类器进行训练，K为所获取到的老人摔倒监测识别训练样本的总数量，从而得到预测识别分类器的预测识别分类函数。

上述基于多模特征分析的老人摔倒实时监测方法中，作为优选方案，从视频图像数据中提取出运动物体图像特征参数的具体方式为：

a1）针对当前帧视频图像数据，采用前景检测算法检测出运动物体目标；

a2）对当前帧视频图像数据中的运动物体目标进行轮廓识别，并对当前帧视频图像数据中的运动物体目标轮廓进行椭圆拟合，得到运动物体目标的轮廓拟合椭圆；

a3）计算当前帧视频图像数据中所得的轮廓拟合椭圆的如下一种或多种特征参数作为从当前帧视频图像数据中提取出的运动物体图像特征参数：