[发明专利]一种基于视频监控的全天无陪护病房患者跌倒检测方法

说明书

一种基于视频监控的全天无陪护病房患者跌倒检测方法，涉及深度学习和智能监控技术领域，为了解决现有技术存在的患者跌倒检测误报率高的问题，该方法：视频图像预处理；标定病床边界框；检测人体关键点；提取人体跌倒特征；判断人体是否跌倒：将标准化后的18个人体关键点坐标，人体部分关键点外接矩形的纵横比，人体部分关键点外接矩形与病床边界框的交并比，作为患者日常活动的特征向量，并利用随机森林算法实现患者跌倒检测；检测到跌倒的图片发送到医护人员手机端并发出警报，医护人员通过观察图片可以进一步判断是否是误报情况。该方法不仅具有实时性强、成本低、泛化能力强、准确度高的特点，也不会影响患者的正常的生活。

技术领域

本发明涉及深度学习和智能监控技术领域，具体为一种基于深度学习卷积神经网络的视频监控患者跌倒检测方法。

背景技术

跌倒意外是医院常见的不良事件之一、约占医院不良事件的40％，是非致死性损伤和伤害死亡的主要原因。跌倒意外位于住院护理不良事件的前3位，是病房安全管理的重要问题，需要第一时间发现并处理。

患者跌倒是病房安全管理的重要问题，需引起医疗护理管理者的高度重视，患者跌倒后的及时报警已经受到相关学者的广泛关注，成为一项重要的临床课题。目前，国内大多数医院内的无陪护病房(例如：造血干细胞无菌层流病房；病情相对稳定的患者病房)存在医护人员相对不足的情况，医护不能对患者进行实时有效的观察与护理。即使在有陪病房内，对一些少人陪护的患者也极有可能出现跌倒意外引发的危急情况；加之病理原因导致患者突然晕倒的情况发生时，患者往往处于无法自主呼救的情形，极有可能会出现患者因救治不及时而死亡的极端情况。因此许多医院中，已有大部分病房配备视频监控设备。虽然在医院的患者房间中已配备相关监控设备，但是有研究表明，人眼观看监控视频20分钟后经常会走神，图片中95％的信息将被忽略。尤其是面对多个病房的大规模的监控视频，人眼无法对多个病房内患者的状态进行实时观察，很容易遗漏某些患者的活动状态。因此通过视频监控自主判断患者是否处于跌倒的情况并及时发警报可以弥补这些缺陷，并使患者能够得到及时的救助。

目前在跌倒检测上主要有三个研究方向①基于可穿戴设备传感器的跌倒检测②基于环境设备传感器的跌倒检测③基于视频监控的跌倒检测。可穿戴设备需要病人随身穿戴，会造成病人在日常活动中的不方便。环境设备通过在周围环境中安装麦克风阵列传感器或地面压力传感器，检测人体跌倒时的压力、声音变化，容易受到环境的限制，而且对于医院一些特殊的病房，如无菌病房并不适合安装。通过视频监控采集图像，并基于人体关键点特征进行跌倒识别，但忽略了患者躺着病床上的类跌倒行为，容易产生跌倒误报情况。本发明基于视频监控，将人体关键点坐标、人体部分关键点外接矩形的纵横比以及人体部分关键点外接矩形与病床边界框的交并比作为人体跌倒判断的特征向量，利用随机森林算法进行跌倒检测。不会影响患者的日常活动，并且可以区分患者在病床上休息的类跌倒行为，进一步提高跌倒检测识别率，可以基于已有的监控摄像头对患者进行跌倒姿态判断。

发明内容

本发明为了解决现有技术存在的患者跌倒检测误报率高的问题，提出一种基于深度学习计算机视觉的全天患者跌倒检测方法，其基于卷积神经网络的人体姿态识别技术，实现对患者跌倒行为的识别与报警，并降低患者躺在病床上的类跌倒行为误检率。

为达到上述目的，本发明提供以下技术方案：

一种基于视频监控的全天无陪护病房患者跌倒检测方法，其特征是，该方法包括以下步骤：

步骤1，视频图像预处理：基于日间RGB摄像机或夜间热红外摄像机对预定区域进行图像采集，获得图片帧；

步骤2，标定病床边界框：使用YOLOv5s目标检测网络预先标定病床的边界框坐标；自定义病床目标检测数据集，并基于YOLOv5s进行训练，实现病床目标边界框检测，若不对病床进行移动，只需检测到病床的位置后即可停止，否则，需要重新检测；

步骤3，检测人体关键点：基于日间RGB摄像或夜间热红外摄像，利用相对应的日间或夜间人体关键点检测网络，检测图像中18个人体关键点坐标；