基于BP神经网络的个性化跌倒检测研究

为了提高跌倒检测的准确性,提出一种基于加速度和克托莱指数的跌倒检测算法。在可穿戴设备获取人体运动数据的同时,根据用户的身高与体重计算克托莱指数,构建共有1080条数据的特征数据集。通过BP神经网络对数据集进行分类,并对跌倒行为进行识别。测试结果表明,算法的识别准确率为98.8%、敏感度为97.9%、特异性为99.4%、检测时间为0.27 s。相较于仅以加速度特征值作为检测数据的跌倒检测算法,所提算法的识别准确率提高了4.9个百分点,敏感度提高了2.9个百分点,特异性提高了6.5个百分点。由此说明算法具备较高的检测精度和实时性,适用于低成本、高性能的可穿戴设备在老年人群体中的普及推广。

老年人跌倒检测系统及其检测方法的研究进展

意外跌倒是老年人受伤和死亡的主要原因,因此对跌倒智能化检测系统的研究不断增多。本文将跌倒检测系统分为4个类别:可穿戴类、室内非图像类、室内图像类和混合类。阐述了各类的技术特点,并总结了系统中所用传感器。此外,介绍了检测跌倒的主要流程和内容,对跌倒判定的主要方法阈值分析法和机器学习进行说明。最后,分析了跌倒检测系统存在的不足。在未来,随着不断改进,跌倒检测系统将具有广阔的应用前景。

基于骨架特征的人体跌倒检测

针对现有基于人体骨架跌倒检测设备要求高的问题,提出了一种基于轻量级OpenPose生成骨架特征的跌倒检测方法。首先,基于轻量级OpenPose网络检测人体关键点,利用人体部分关键点生成边界框,并对关键点坐标进行标准化处理,将边界框的纵横比和标准化后的关键点坐标作为表示人体姿态的特征向量。最后,将人体姿态特征向量作为多层感知机(MLP)的输入,判断人体是否发生跌倒。实验结果表明,基于单目相机采集图片构造的自定义跌倒数据集,网络可以实现98.64%的跌倒检测准确率,并且在CoreTMi5—9300H CPU上达到20fps的检测速度。

基于环境振动的IR-UWB超感知范围人体跌倒检测方法

跌倒检测在老年人医疗保健中至关重要,传统方案主要依赖于可穿戴设备进行感知.为了避免可穿戴设备带来的负担和不适,采用射频(radio frequency,RF)的非接触式方法因其具有的普适性和非侵入性,逐渐成为一种有前景的替代方案.现有的非接触式方法主要从无线射频信号中提取人体跌倒产生的速度和加速度等运动生理特征,通过分析运动时间序列来判断目标是否发生跌倒行为.虽然目前的方法可以在视距状态下获取较高的检测精度,但是其在感知范围和非视距路径下的感知效果仍存在局限性.为解决以上问题,提出了利用最先进的商用IR-UWB设备来识别超感知范围外的人体跌倒检测方法.该方法的关键是通过识别感知范围外人体跌倒引发的环境振动特征来判断是否发生跌倒事件,并通过设计IQ熵和最远点对距离算法从微小振动中提取人体跌倒产生的信号特征.通过在商用IR-UWB设备上搭建UWFall原型系统并在各种环境下开展大量的实验测试,结果表明,单台收发器的UWFall系统识别准确率超过90%.同时,UWFall系统对7 m范围外的目标跌倒检测准确率超过86%,且在非视距场景下依然保持高鲁棒性.

改进YOLOv5的高精度跌倒检测算法

针对原始YOLOv5在人体跌倒检测任务中无法有效应对复杂细节捕捉、变形处理、不同尺度目标适应和遮挡检测的困境,提出了一种基于C2D改进YOLOv5模型的新型高精度跌倒检测算法C2D-YOLO。给出了一种名为C2D的新型特征提取模块,通过融合可变形卷积、标准卷积和通道空间混合注意机制,将其添加到主干网络中,旨在增强特征表征能力,更好地捕捉复杂细节和处理变形。在颈部网络中,采用了Swin Transformer block替代C3模块的瓶颈层,旨在最大限度地保留特征信息,以提升对不同尺度目标的检测精度并改善遮挡情况下的性能。在借鉴YOLOX解耦结构的基础上对YOLOv5的Head模块进行改进,旨在优化分类和回归性能。实验结果表明,相比现有的YOLOv5s,该方法的mAP0.5和mAP0.5:0.95分别提高了3.2个百分点和6.5个百分点,明显提升了检测精度,减少了误检率。

基于RPEpose和XJ-GCN的轻量级跌倒检测算法框架

传统的以ViT(Vision Transformer)模型为基准架构的关节点检测模型通常采用二维正弦位置编码,易丢失图像关键的二维形状信息,导致精度下降;而行为分类模型中,传统的时空图卷积网络(ST-GCN)在单标签分区策略中存在非物理连接的关节连接间关联度缺失问题。针对上述问题,设计一种轻量化实时跌倒检测算法框架,以快速准确地检测跌倒行为。该框架包含关节点检测模型RPEpose(Relative Position Encoding pose estimation)和行为分类模型XJ-GCN(Cross-Joint attention Graph Convolutional Network)。一方面,RPEpose模型采用相对位置编码克服原有位置编码的位置不敏感的缺陷,提升ViT架构在关节点检测中的性能;另一方面,提出X-Joint(Cross-Joint)注意力机制,将分区策略重构为XJL(X-Joint Labeling)分区策略后,对所有关节连接之间的依赖关系建模,能获得关节连接潜在相关性,具有分类性能优异且参数量小的优势。实验结果表明,在COCO 2017验证集上,对于分辨率为256×192的图像,RPEpose模型的计算开销仅为8.2 GFLOPs(Giga FLOating Point of operations),测试平均精度(AP)为74.3%;在以交叉目标(X-Sub)为划分标准的NTU RGB+D数据集上,XJ-GCN模型的测试Top-1准确率为89.6%,所提框架RPEpose+XJ-GCN的处理速度为30 frame/s,预测准确率为87.2%,具有较高的实时性和准确性。

基于视觉识别和多传感器的跌倒检测系统设计

针对老人意外跌倒摔伤无法及时得到救助的问题,设计了一个基于视觉识别和多传感器的跌倒检测系统。系统以树莓派为核心,采用摄像头、传感器、定位模块、心率模块和窄带物联网(NB-IoT)模块采集和传输信息,实现了老人室外和室内跌倒检测。利用阈值检测和支持向量机(SVM)分类的方法提高了跌倒检测的准确率。利用监护App实现了老人状态和位置信息查询功能。实验结果表明:该系统室外和室内跌倒检测正确率分别为92.8%和91.0%。该系统能有效检测老人的跌倒行为并给监护人发送报警信息和定位信息,实现了智能看护老人。

基于双模态门控特征融合的跌倒检测方法

使用单一传感器进行人体跌倒检测的方法不能充分捕捉动作特征,摄像头在光线较差时无法获得高质量图像,毫米波雷达的点云稀疏性降低了远距离目标信息的有效性;针对上述问题,提出了一种基于双模态门控特征融合的跌倒检测方法;使用雷达和摄像头同步检测,雷达分支根据时间-距离图和微多普勒图获得融合特征,视觉分支提取目标的光学特征;将两种特征送入门控融合模块,根据权重整合特征信息,在输出层实现分类;设计了雷达分支和整体网络的相关实验,雷达分支融合方法的平均准确率是91.7%,优于单一特征方法;整体网络的门控融合方法的准确率是94.1%,相比特征相加融合和首尾拼接融合方法分别高出3.0%和1.8%;充分表明该方法能够提升人体跌倒检测的性能。

改进YOLOv5s的人员跌倒检测算法

针对跌倒检测任务中复杂信息干扰和数据集缺乏导致模型精度不高的问题,设计一种高精度跌倒检测算法,降低模型参数的同时保持各种场景下的鲁棒性。该算法基于YOLOv5s改进,在骨干网络中使用Ghost module和解耦全连接注意力,以较低计算开销提升模型在光线变化、遮挡等干扰环境下的性能。在颈部层使用自适应感受野和空间通道混合注意力,提升神经元对不同尺度特征的适应性,应对人体形变、视角变化等干扰。引入EIoU损失函数,加速收敛提升训练精度。在公开数据集Le2i Fall Detection Dataset和UR Fall Detection上,精确率、召回率、mAP0.5和mAP(0.5:0.95)相比YOLOv5s分别提高4.0%,4.2%,2.9%和4.3%,参数量降低38.6%。该算法在多种应用场景下都保持较高检测精度,参数量较低,满足实际应用场景部署要求。

老年人跌倒检测技术研究综述

随着我国老龄化程度加剧,空巢独居老人所占比重明显上升,适老化设备越来越受到人们的关注。家庭环境下,由于无人看护、年龄增加以及突发疾病等一系列客观或主观原因导致的老年人跌倒已经成为威胁老年人健康的主要原因之一。因此,实时监测老年人的居家行为,对摔倒行为及时做出检测和预警,在一定程度上可以保障老人的生命安全,降低老年人由于意外跌倒所带来的生命健康风险。本文在对近几年跌倒检测方法研究进行广泛调研的基础上,根据数据获取所使用的不同类型传感器,将跌倒检测技术主要分成2类:非视觉跌倒检测方法和视觉跌倒检测方法。总结介绍了不同跌倒检测方式的系统构成,探讨了国内外最新的相关研究成果,并对其方法特点和实际应用进行了讨论。随着近几年深度学习技术的快速蓬勃发展,本文对基于深度学习的跌倒检测方法进行了重点调研,对相关算法原理及研究成果进行了深入分析与总结。此外,本文还介绍了常用的公开跌倒检测数据集,包括它们的规模和存储格式等特性,最后本文对跌倒检测技术近年来已取得的进展和未来的发展趋势分别进行总结和展望,并提出了不同方面的合理发展建议。

基于4D点云和航迹信息的人员跌倒检测方法

在家庭和医疗健康监护中,及时准确对老人跌倒进行实时监护是一个重要课题,而毫米波雷达在非接触式人员跌倒检测方面表现出巨大应用潜力。传统方法主要利用毫米波雷达获取的多普勒信息作为跌倒检测特征,但对于某些场景,诸如人员跌倒时与雷达的距离较远或者跌倒方向与雷达天线法向垂直,多普勒信息特征的有效性就会降低,进而导致跌倒检测准确率下降。针对上述问题,提出了一种基于4D点云和航迹信息的毫米波雷达跌倒检测方法,利用点云的空间信息、时间信息和微动信息全方位地表征人体动作特征,有效缓解距离和姿态多样性对雷达跌倒检测的影响,同时结合跟踪航迹信息带来的滤波器效应进一步抑制环境杂波的影响,提高了跌倒检测准确性。

老年患者跌倒检测系统的设计与实现

目的:设计老年患者跌倒检测系统用以解决老年患者因意外跌倒而未能被及时发现的问题,提高医疗护理效率。方法:基于实时流传输协议(RTSP),结合YOLOv5和Kalman算法,采用Vue及Flask等技术设计老年患者跌倒检测系统,搭建可视化后台系统管理,通过多路视频流综合处理为医疗工作者提供统一管理平台,实现人体跌倒行为的自主检测与报警。选取2020-2022年在空军军医大学西京医院进行跌倒检测的30名健康志愿者,根据模拟行为类别将其分为正常行走组、蹲起组和跌倒组,每组10名,采用检测准确率和检测速度两项评价指标对跌倒检测性能进行评估,验证判断老年患者跌倒检测系统能否达到及时准确的跌倒检测与报警要求。结果:正常行走组、蹲起组和跌倒组的总体跌倒检测速率可达29帧/s,准确率可达95.24%,系统能够及时响应跌倒警报。结论:老年患者跌倒检测系统可辅助医护工作者及时发现并处理跌倒行为的发生,提升老年患者跌倒检测效率,能够满足老年患者跌倒行为的实时检测和报警。

带定位功能的老年人跌倒检测报警系统设计与实现

针对老年人外出走失和意外跌倒无法及时开展救助而造成威胁生命安全的情况,基于MPU6050六轴加速度传感器和ATGM336H卫星定位模块,研究老年人意外跌倒检测的加速度和角度的变化并进行算法实现,设计了一款带GPS卫星定位功能的老人跌倒检测智能穿戴设备,监测老年人的跌倒状态和位置信息,跌倒无法起身时设备能自动进行短信告警。实验测试结果表明:对八种行为进行跌倒检测识别,准确率达到了95%以上。系统运行可靠,位置上报精准且工作稳定,具有一定的实用价值。

基于60GHz毫米波的雷达跌倒检测系统设计

为有效预防老人因跌倒等突发性状况导致身体受到伤害,设计一种基于60 GHz毫米波的雷达跌倒检测系统。该系统主要包括跌倒检测传感模块、雷达引擎模块、平台处理模块及上位机监护报警模块,能够实时采集待监护对象的姿态信息,并将点云数据实时上传至平台。

基于手机惯导和视觉追踪的室内跌倒检测系统

随着我国老龄人口数量的快速上升,由此带来的跌倒问题日益凸显,针对现有国内外跌倒检测系统存在的局限性,该文提出了一种新的跌倒检测方案,对该系统的工作原理和关键技术进行了详细阐述,为老年人日常生活安全提供了一种有效的解决方案。 该系统结合手机上的惯性传感器和视觉追踪技术,能够实时监测老年人的运动状态,及时检测并预警跌倒事件。相比于现有的穿戴式设备和基于视觉的方法,该系统兼具高精度、低成本、广覆盖等优势,能够更好地满足老年人跌倒检测的实际需求。

基于改进YOLOv8的人体跌倒检测算法

人口老龄化是我国目前面临的重要社会问题。针对跌倒对老年人安全性问题造成的影响,以及现有目标检测模型在人物跌倒时检测精度低、鲁棒性和泛化能力差等问题,对YOLOv8算法进行优化。引入了一种轻量级且高效的多维协作注意力机制(multidimensional collaborative attention,MCA),在Neck端上采样阶段中的Upsample结构后面以及每个C2F模块后面添加MCA,以捕获局部特征交互,克服性能和计算开销权衡的悖论。优化损失函数,利用Alpha-SIoU损失函数,为边界框提供更准确的位置信息,提高了目标检测效率和模型收敛速度。通过实验结果分析,优化后的模型在多项性能指标上都有显著提高,与传统的YOLOv8模型相比,检测准确率提高了4.7%,能够满足现实中不同场景跌倒行为的检测需求。

一种基于改进的卷积神经网络人体跌倒检测算法

文章针对高质量公开跌倒数据集较少,导致模型泛化能力较弱、检测准确率低、现有网络全连接层参数量过大收敛速度慢的问题,设计了适用于跌倒检测的迁移学习方法,使用GAP(Global Average-Pooling,GAP)层替换全连接层方法,并在隐藏层加入BN(Batch Normalization,BN)操作,优化网络参数,设置了多组对比实验发现改进的网络模型在不同的数据集上训练时间相比于之前有所提升,均取得了不错的效果,使得神经网络既能够在大规模图像数据集上学习通用的特征又能够在公开跌倒数据集上学习跌倒特征,增强了网络的泛化能力。

基于卷积神经网络和多判别特征的跌倒检测算法

针对传统跌倒检测算法中特征提取不充分、跌倒判别条件泛化性差、实时性差等问题,提出一种基于卷积神经网络和多判别特征的跌倒检测算法.为了完成更丰富的特征信息提取并保证实时性,首先,使用MobileNetV3轻量级网络完成对输入图片中人物特征信息的准确、快速提取;其次,使用3个小型卷积核的叠加和残差网络,保证网络在具有相同感受野的情况下降低网络模型的参数量,以保证图像中人体关键点检测的实时性;再次,为了提高跌倒状态判别的准确性,将人体躯干、四肢与地面间夹角,以及人体标定框高宽比变化作为跌倒判别特征;最后,设计了一个基于云服务器的物联网系统,以缓解用户终端计算能力不足导致实时性差的问题.在URFD数据集和自建数据集上进行大量实验的结果表明,该算法的检测准确率分别为99.0%和98.5%,该算法相对于传统跌倒检测算法具有更高的准确性和更好的普适性.

基于场景先验及注意力引导的跌倒检测算法

已有跌倒检测工作主要关注室内场景,且大多偏重对人员身体姿态特征进行建模,而忽略了场景背景信息以及人员与地面的交互信息。针对这个问题,从实际电梯场景应用入手,提出一种基于场景先验及注意力引导的跌倒检测算法。首先,利用电梯历史数据,以高斯概率分布建模的方式从人员的活动轨迹中自动化地学习场景先验信息;随后,把场景先验信息作为空间注意力掩膜与神经网络的全局特征融合,以此聚焦地面区域的局部信息;然后,将融合后的局部特征与全局特征采用自适应加权的方式进一步聚合,从而形成更具鲁棒性和判别力的特征;最后,将特征送入由全局平均池化层和全连接层构成的分类模块中进行跌倒类别预测。在自构建的电梯场景Elevator Fall Detection和公开的UR Fall Detection数据集上的实验结果表明,所提算法的检测准确率分别达到了95.36%和99.01%,相较于网络结构复杂的ResNet50算法,分别提高了3.52个百分点和0.61个百分点。可见所构建的高斯场景先验引导的注意力机制可使网络关注地面区域的特征,更有利于对跌倒的识别,由此得到的检测模型准确率高且算法满足实时性应用要求。

融合决策下的数字序列跌倒检测方法

跌倒已成为老年人因伤致残的首要原因,及时准确地对跌倒事件示警是救助工作中非常重要的一环。为提高跌倒检测的准确率,提出了一种兼顾高维数字序列整体性和不同维度特异性的融合决策下的跌倒检测方法。对获取于手腕便携式传感器的输入数字序列根据合加速度的显著性进行窗口分割,保证数据时序性的同时提高跌倒信息的可辨识性。引入气压差字段和体温字段,建立具有九轴特征的归一化数字序列,探索更多与跌倒检测相关的信息。根据集成学习中具有互补性的梯度提升决策树(gradient boosting decision tree,GBDT)模型和随机森林(random forest,RF)模型的回归分类结果进行融合决策,得出跌倒事件是否发生的分类判别。实验结果显示,本文方法在自测数据上具有比单一采用GBDT模型和RF模型更高的跌倒检测准确率,在UR Fall和UMA Fall公开数据集上,文中提出的融合策略同样具有优异的跌倒检测准确率,说明了该方法的有效性和泛化能力。