[发明专利]一种基于可穿戴式传感器及视频监控的跌倒检测方法及系统

权利要求书

1.一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，包括步骤如下：

步骤一：不断接收多个人员可穿戴设备传来的多维传感数据，包括位置参数和姿态参数，其中，姿态参数包括X轴加速度、Y轴加速度、Z轴加速度、X轴角速度、Y轴角速度、Z轴角速度；位置参数包括人员的经度和纬度，将姿态参数进行数据清洗后，传入为每个可穿戴设备准备的一定时长容量的数据缓冲列表；

步骤二：当数据缓冲列表数据量达到固定时长时，启动基于GRU的跌倒检测一阶段算法进行分析，依概率方式输出结果，初步判断是否发生跌倒行为；

步骤三：如果初步判定发生了跌倒行为，则进入步骤四，并丢弃数据缓冲列表中的前一半数据；否则，直接丢弃数据缓冲列表中的前一半数据，并返回步骤一；

步骤四：调用该可穿戴设备对应的摄像头在过去一定时长的监控视频，采用二阶段的基于改进TSM监控视频分析算法对是否发生跌倒进行研判；

步骤五：如果仍然判定为发生跌倒行为，则发出实时警报，并返回发生跌倒行为的人员的位置参数及摄像头画面；否则，返回步骤一，重复进行。

2.根据权利要求1所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，步骤二中，启动基于GRU的跌倒检测一阶段算法进行分析，依概率方式输出结果，初步判断是否发生跌倒行为，具体是指：将步骤一获取的待检测的姿态参数预处理后输入训练好的一阶段GRU模型进行检测，其中，训练好的一阶段GRU模型构建及训练过程如下：

(1)构建一阶段GRU模型：一阶段GRU模型包括多层GRU，每层GRU采用100个记忆单元；

(2)构建数据集：数据集分为两大类，包括日常活动和跌倒活动；并对数据集中的数据进行标注；

(3)数据集预处理：对于存在噪声干扰的姿态数据即姿态参数，采用数字滤波的方式滤波去除噪音；对于发生了部分数据点丢失或者超出正常数值范围的数据集的数据，则采用线性拟合的方式插补缺失值或者修正异常点；

(4)训练一阶段GRU模型：将步骤(3)处理后的数据输入一阶段GRU模型进行训练，获得训练好的一阶段GRU模型。

3.根据权利要求1所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，数据采集设备包括三轴加速度传感器和三轴角速度传感器，以200Hz的原始频率实时采集六维传感数据。

4.根据权利要求2所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，一阶段GRU模型包括两层GRU，用来提取时间特征，并用于分类。

5.根据权利要求1所述的一种基于可穿戴式传感器及视频监控的跌倒检测方法，其特征在于，步骤四中，用二阶段的TSM监控视频分析算法对是否发生跌倒进行判断，具体是指：将待检测的监控视频预处理后输入训练好的二阶段TSM监控视频处理模型进行检测，其中，训练好的二阶段TSM监控视频处理模型构建及训练过程如下：

a、构建二阶段TSM监控视频处理模型：

二阶段TSM监控视频处理模型包括一系列的CMBL和CSP1-X，通过一系列的CMBL操作和不同尺寸的CSP1-X操作反复对时空特征进行提取，通过SPP空间金字塔池化将特征图展开成全连接层所需要的特征长度，最终经过全连接层来输出网络的识别结果；

CMBL包括卷积层、卷积块注意力机制、批归一化层和Leaky Relu激活函数；

CSP1-X将输入特征图分为两路，一路直接进行卷积操作，另一路经过一系列CMBL、X个ResTSM、卷积操作，将两路的结果连接起来，截断提取信息；

ResTSM包括通道注意力机制、TSM、CMBL；

b、构建数据集：数据集分为两大类，包括日常活动和跌倒活动的视频；

c、数据集预处理：采用角裁剪和尺度抖动的方式进行数据增强；

d、采用稀疏时间采样策略训练二阶段TSM监控视频处理模型：首先，将步骤c获取的视频片段分为K段，然后，在分成的小段中各随机取一帧组成一轮训练的样本输入二阶段TSM监控视频处理模型进行训练，获得训练好的二阶段TSM监控视模型。