一种基于BP神经网络的老年人摔倒检测方法及系统专利检索-算法电脑编程专利检索查询-专利查询网

一种基于BP神经网络的老年人摔倒检测方法及系统

阅读：222发布：2021-06-06

专利汇可以提供一种基于BP神经网络的老年人摔倒检测方法及系统专利检索，专利查询，专利分析的服务。并且本发明提供了一种基于BP神经网络的老年人摔倒检测方法及系统。采用三层BP反向神经网络，并在网络训练过程中对神经元权值和学习率进行调整，使算法计算速度大大提升，便于硬件实现，并具有更高的摔倒检测准确率。实现该方法的系统包括电源模块、数据采集模块、数据处理模块和GSM短信通信模块，可及时进行摔倒报警；同时，系统整体体积较小，便于佩戴，耗电低，续航时间长。，下面是一种基于BP神经网络的老年人摔倒检测方法及系统专利的具体信息内容。

权利要求

1.一种基于BP神经网络的老年人摔倒检测方法，其特征在于：采用三层BP反向神经网络，输入层包括三个神经元，对应输入检测系统采集的融合加速度、俯仰角和倾斜角值，隐含层包括两个神经元，输出层包括一个神经元，对应输出人体是否摔倒概率值，检测方法包括如下步骤：
步骤1，初始化网络：从一个均值为0的一致分布中随机选择每个神经元的初始权值，并分别设定学习率η、动量参数α和误差阈值err的初值，其中，学习率η和动量参数α的初值为(0,1)之间的任意值，误差阈值err的初值为(0,e-3)内的任意值；
步骤2，采集训练样本：从摔倒动作中提取n组数据，记为(X(n),d(n))，从正常动作中提取选择m组数据，记为(X(m),d(m))，其中，d(n)和d(m)为期望值，d(n)为1，代表摔倒动作，d(m)为0，代表正常动作，X向量包括融合加速度SVM、俯仰角和倾斜角三个值。所述的摔倒动作包括正面摔倒、背面摔倒、右面摔倒、左面摔倒，正常动作包括步行、跑步、下蹲、坐下、躺下；
步骤3，网络训练：将采集到的样本输入到BP反向神经网络的输入层，输入层神经元按照其权值对输入值进行加权求和，得到的结果经激活函数到达隐含层，隐含层神经元按照其权值对其输入进行加权求和，得到的结果经激活函数到达输出层输出结果，判断输出值和期望值的误差是否小于误差阈值err，如果误差小于阈值err，训练结束，得到训练好的网络；否则，进行反向误差调整；
所述的反向误差调整是利用梯度下降法来计算最佳权值使误差最小，每次误差调整包括对权值的调整和对学习率的调整，所述的权值调整的计算公式为：
W(L)(k+1)＝W(L)(k)+ΔW(L)(k) L＝1,2            (1)
ΔW(L)(k)＝α[W(L)(k-1)]+η(k)δ(L)(k)Y(L)(k) L＝1,2     (2)
其中，k表示当前时刻，k-1表示前一时刻，k+1表示下一时刻，L＝1表示输入层，L＝2表示隐含层，ΔW(L)(k)表示输入层或隐含层神经元的权值调整量，W(L)(k+1)表示输入层或隐含层神经元下一时刻的权值，W(L)(k-1)表示输入层或隐含层神经元前一时刻的权值，W(L)(k)表示输入层或隐含层神经元当前时刻的权值，δ(L)(k)表示输入层或隐含层当前时刻的局部梯度，Y(L)(k)表示输入层或隐含层神经元的输入值。η(k)为当前时刻调整后的学习率，其计算公式为：
η(k)＝2λη(k-1)                           (3)
其中，λ为学习率调整参数，按照λ＝sign(δ(L)(k)δ(L)(k-1))计算，δ(L)(k-1)表示输入层或隐含层前一时刻的局部梯度；
步骤4，摔倒检测：以检测系统按照30Hz 频率采集到的融合加速度、俯仰角和倾斜角三种数据的最大值为输入，利用步骤3得到的训练好的网络进行处理，如果网络输出值大于阈值O(n)，判定为摔倒；所述的阈值O(n)的取值范围为0.852.一种实现如权利要求1所述方法的基于BP神经网络的老年人摔倒检测系统，包括电源模块、数据采集模块、数据处理模块和GSM短信通信模块，其特征在于：所述的数据采集模块包括MPU6050 传感器和三轴地磁传感器，MPU6050传感器采集并输出人体的三轴加速度值和倾斜角、俯仰角值，三轴地磁传感器采集地磁向量与北的夹角；所述的数据处理模块对MPU6050传感器和三轴地磁传感器采集的数据进行处理，得到人体的融合加速度、俯仰角和翻滚角值，并实现基于BP神经网络的老年人摔倒检测，如果判定摔倒，控制GSM短信模块发出警报信息；系统所有模块集成在一个板子上，不同模块间通过IIC总线方式进行通信，系统底座采用亚克力板固定，整体宽3cm，长8.5cm。
3.如权利要求2所述的一种基于BP神经网络的老年人摔倒检测系统，其特征在于：所述的三轴地磁传感器采用HMC5883三轴地磁传感器。
4.如权利要求2所述的一种基于BP神经网络的老年人摔倒检测系统，其特征在于：所述的数据处理模块采用STM32F103RCT6控制芯片。
5.如权利要求2所述的一种基于BP神经网络的老年人摔倒检测系统，其特征在于：所述的GSM短信模块采用SIM900A模块，工作频段双频为900/1800Mhz。
6.如权利要求2所述的一种基于BP神经网络的老年人摔倒检测系统，其特征在于：电源模块为系统各个模块供电，包括锂电池和7805稳压芯片，系统工作电压为5V。
7.如权利要求2所述的一种基于BP神经网络的老年人摔倒检测系统，其特征在于：所述的数据处理模块对MPU6050传感器和三轴地磁传感器采集的数据进行处理，包括：对MPU6050传感器采集的三轴加速度值按照进行融合处理，得到融合加
速度值，对MPU6050传感器采集的倾斜角、俯仰角值进行卡尔曼滤波，得到最终的俯仰角和倾斜角值，其中，SVM表示融合加速度，Ax表示X轴加速度，Ay表示Y轴加速度，Az表示Z轴加速度。

说明书全文

一种基于BP神经网络的老年人摔倒检测方法及系统

技术领域

[0001] 本发明属传感器、信号处理技术领域，具体涉及一种基于神经网络算法的老年人摔倒检测报警系统。

背景技术

[0002] 针对能够检测老年人的日常行为，主要有以下技术来检测判断老年人是否处于摔倒状态：(1)基于视频图像的处理方法，如文献“Willems J,Debard G,Vanrumste B,et al.A Video-based Algorithm for Elderly Fall Detection.Ifmbe Proceedings,2009,25(5):312-315”，以及国内学者刘红等人研究的基于视频监控的改进的自动摔倒检测算法等，这类方法主要是通过视频监控设备对老年人进行检测，对采集到的图像信息进行处理和分析，来检测判断老年人是否发生了摔倒行为。这类方法的缺点就是具有很大的局域性，只能在特定的区域进行检测判断，并且通过视频监控可能会暴露被监测人的隐私等问题。
(2)基于智能手机的人体跌倒检测方法，如“吴志强,曹蕾,王凯,等.基于智能手机的人体跌倒检测系统设计[J].计算机工程与设计，2014,35(4):1465-1470”，这类方法是通过智能手机内置加速度传感器和陀螺仪来检测人体动作姿态角度，从而检测老年人摔倒动作，这类方法的缺点是外部干扰条件比较大，误检率比较高，如果在发生摔倒动作的时候，手机不在身边，会导致不能及时报警。(3)基于穿戴式传感器的检测方法，是通过将传感器组成的智能设备嵌入到可穿戴的设备中，对老年人进行实时的动作姿态检测，当老年人发生摔倒动作的时候能及时的发出警报。如文献“陈协庆，陈嘉玲，李国荣.Assistive technology device-development of a fall-detecting and alarm device[R].行政院国家科学委员会专题研究计划成果报告，NSC 89-2213-E-324-051,2001”提出利用放置于胸前的加速度传感器来检测摔倒发生时各个方向的加速度大小，并经过分析得出人体处于静止状态时，各个方向的加速度向量的大小在(l-1.5g,l+1.5g)之间。这类方法具有体积小、便于携带、能够实时、全天候地检测人体行为等优点。

[0003] 在基于穿戴式传感器的检测方法中，关键在于如何提高采集数据的精确性和降低数据处理算法的误检率。目前已有的检测算法有：基于阈值的检测方法、基于机器学习的检测方法。基于阈值的检测方法，如文献“汤引生，谢楠，何建强.基于三轴加速度传感器的老年人摔倒检测算法的设计与实现[J].微型电脑应用2019年第35卷第2期:42-44”利用传感器采集到的三轴加速度来计算人体的合加速度，如果合加速度达到设定的阈值就代表检测到了摔倒，该方法仅在人体有大幅度摔倒时，通过与平缓动作进行对比才能检测出来，做一些比较激烈的正常活动，如躺下、跳等，可能会被误检成摔倒动作；“丁杰，史建凯，李成.基于移动通信的老人摔倒定位报警腰带系统的研制[J].科技广场,2015(3):242-246”通过检测模块的角速度数值，当其超过设定的阈值时判定为摔倒，方法准确度和灵敏度都较高。此外，还有根据检测个体摔倒的四个状态(失重、撞击、静止、翻转)的加速度特征为判定依据的阈值检测方法等。基于阈值的摔倒检测方法简单、易实现、计算量小，对硬件要求不高，但判定摔倒的准确率较低。基于机器学习的检测方法是通过对已知人体状态(如不同的摔倒姿势和人体日常活动行为)的数据信息进行特征提取等训练，然后对未知的活动进行分类，依据机器学习方法的结果判断研究对象是否摔倒，机器学习方法包括支持向量机(Support Vector Machine，SVM)、聚类高斯分布、决策树、隐马尔可夫链模型(hidden Markov model，HMM)等。这类方法的检测速度快，且误检率低，但特征的选取往往会影响到最终的分类效果，也可能存在处理时延。

[0004] 另外，对于穿戴式传感器，其嵌入式检测装备的设计也很重要，有的体积太大，不宜佩戴；有的报警通信模式单一，不能很好地进行意外情况预警。

发明内容

[0005] 为了克服现有技术的不足，本发明提供一种基于BP神经网络的老年人摔倒检测方法及系统。

[0006] 一种基于BP神经网络的老年人摔倒检测方法，其特征在于：采用三层BP反向神经网络，输入层包括三个神经元，对应输入检测系统采集的融合加速度、俯仰角和倾斜角值，隐含层包括两个神经元，输出层包括一个神经元，对应输出人体是否摔倒概率值，检测方法包括如下步骤：

[0007] 步骤1，初始化网络：从一个均值为0的一致分布中随机选择每个神经元的初始权值，并分别设定学习率η、动量参数α和误差阈值err的初值，其中，学习率η和动量参数α的初值为(0,1)之间的任意值，误差阈值err的初值为(0,e-3)内的任意值。

[0008] 步骤2，采集训练样本：从摔倒动作中提取n组数据，记为(X(n),d(n))，从正常动作中提取选择m组数据，记为(X(m),d(m))，其中，d(n)和d(m)为期望值，d(n)为1，代表摔倒动作，d(m)为0，代表正常动作，X向量包括融合加速度SVM、俯仰角和倾斜角三个值。所述的摔倒动作包括正面摔倒、背面摔倒、右面摔倒、左面摔倒，正常动作包括步行、跑步、下蹲、坐下、躺下；

[0009] 步骤3，网络训练：将采集到的样本输入到BP反向神经网络的输入层，输入层神经元按照其权值对输入值进行加权求和，得到的结果经激活函数到达隐含层，隐含层神经元按照其权值对其输入进行加权求和，得到的结果经激活函数到达输出层输出结果，判断输出值和期望值的误差是否小于误差阈值err，如果误差小于阈值err，训练结束，得到训练好的网络；否则，进行反向误差调整；

[0010] 所述的反向误差调整是利用梯度下降法来计算最佳权值使误差最小，每次误差调整包括对权值的调整和对学习率的调整，所述的权值调整的计算公式为：

[0011] W(L)(k+1)＝W(L)(k)+ΔW(L)(k) L＝1,2 (1)

[0012] ΔW(L)(k)＝α[W(L)(k-1)]+η(k)δ(L)(k)Y(L)(k) L＝1,2 (2)

[0013] 其中，k表示当前时刻，k-1表示前一时刻，k+1表示下一时刻，L＝1表示输入层，L＝2表示隐含层，ΔW(L)(k)表示输入层或隐含层神经元的权值调整量，W(L)(k+1)表示输入层或隐含层神经元下一时刻的权值，W(L)(k-1)表示输入层或隐含层神经元前一时刻的权值，W(L)(k)表示输入层或隐含层神经元当前时刻的权值，δ(L)(k)表示输入层或隐含层当前时刻的(L)
局部梯度，Y (k)表示输入层或隐含层神经元的输入值。η(k)为当前时刻调整后的学习率，其计算公式为：

[0014] η(k)＝2λη(k-1) (3)

[0015] 其中，λ为学习率调整参数，按照λ＝sign(δ(L)(k)δ(L)(k-1))计算，δ(L)(k-1)表示输入层或隐含层前一时刻的局部梯度。

[0016] 步骤4，摔倒检测：以检测系统按照30Hz 频率采集到的融合加速度、俯仰角和倾斜角三种数据的最大值为输入，利用步骤3得到的训练好的网络进行处理，如果网络输出值大于阈值O(n)，判定为摔倒；所述的阈值O(n)的取值范围为0.85

[0017] 一种实现上述方法的基于BP神经网络的老年人摔倒检测系统，包括电源模块、数据采集模块、数据处理模块和GSM短信通信模块，其特征在于：所述的数据采集模块包括MPU6050传感器和三轴地磁传感器，MPU6050传感器采集并输出人体的三轴加速度值和倾斜角、俯仰角值，三轴地磁传感器采集地磁向量与北的夹角；所述的数据处理模块对MPU6050传感器和三轴地磁传感器采集的数据进行处理，得到人体的融合加速度、俯仰角和翻滚角值，并实现基于BP神经网络的老年人摔倒检测，如果判定摔倒，控制GSM短信模块发出警报信息。系统所有模块集成在一个板子上，不同模块间通过IIC总线方式进行通信，系统底座采用亚克力板固定，整体宽3cm，长8.5cm。

[0018] 进一步地，所述的三轴地磁传感器采用HMC5883三轴地磁传感器；所述的数据处理模块采用STM32F103RCT6控制芯片；所述的GSM短信模块采用SIM900A模块，工作频段双频为900/1800Mhz；电源模块为系统各个模块供电，包括锂电池和7805稳压芯片，系统工作电压为5V；所述的数据处理模块对MPU6050传感器和三轴地磁传感器采集的数据进行处理，包括：对MPU6050传感器采集的三轴加速度值按照进行融合处理，得到融
合加速度值，对MPU6050传感器采集的倾斜角、俯仰角值进行卡尔曼滤波，得到最终的俯仰角和倾斜角值，其中，SVM表示融合加速度，Ax表示X轴加速度，Ay表示Y轴加速度，Az表示Z轴加速度。

[0019] 本发明的有益效果是：由于采用改进的BP神经网络算法，具有更高的摔倒检测准确率；由于在权值调整时增加动量项，利用了当前时刻之前的梯度方向，解决了训练过程易发生振荡且收敛缓慢的问题，能够有效提高网络的训练速度；由于在训练过程中对学习率进行动态调整，可以有效地加速收敛，并避免达到局部最优值；由于系统整体体积较小，便于佩戴，不影响老年人的正常活动，并且系统耗电低，续航时间长。附图说明

[0020] 图1是本发明的一种基于BP神经网络的老年人摔倒检测方法流程图

[0021] 图2是本发明的一种老年人摔倒检测系统结构示意图

[0022] 图3是本发明实施例的集成电路图

具体实施方式

[0023] 下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

[0024] 如图1所示，本发明提供了一种基于BP神经网络的老年人摔倒检测方法。采用三层BP反向神经网络，输入层包括三个神经元，对应输入检测系统采集的融合加速度、俯仰角和倾斜角值，隐含层包括两个神经元，输出层包括一个神经元，对应输出人体是否摔倒概率值。其具体实现过程如下：

[0025] 1、初始化网络：从一个均值为0的一致分布中随机选择每个神经元的初始权值，并分别设定学习率η、动量参数α和误差阈值err的初值，其中，学习率η和动量参数α的初值为(0,1)之间的任意值，误差阈值err的初值为(0,e-3)内的任意值。

[0026] 2、采集训练样本：从摔倒动作中提取n组数据，记为(X(n),d(n))，从正常动作中提取选择m组数据，记为(X(m),d(m))，其中，d(n)和d(m)为期望值，d(n)为1，代表摔倒动作，d(m)为0，代表正常动作，X向量包括融合加速度SVM、俯仰角和倾斜角三个值。所述的摔倒动作包括正面摔倒、背面摔倒、右面摔倒、左面摔倒，正常动作包括步行、跑步、下蹲、坐下、躺下；

[0027] 3、网络训练：将采集到的样本输入到BP反向神经网络的输入层，利用以下公式进行加权求和：

[0028]

[0029] 其中，k表示当前时刻，表示输入层加权求和的第j个结果，j＝1,2，表示按照输入层各神经元到隐含层第1个神经元的权值对输入值进行加权求和的结果，表示表示按照输入层各神经元到隐含层第2个神经元的权值对输入值进行加权求和的结果，表示输入层第i个神经元到隐含层第j个神经元的权值，Xi(k)表示输入向量X的第i个元素值，也即输入层第i个神经元的输入值。

[0030] 得到的结果经激活函数到达隐含层，激活函数采用sigmoid函数，则隐含层的输入为：

[0031]

[0032] 其中，Yj(k)表示隐含层第j个神经元的输入值，a为满足a＞0的任意参数。

[0033] 然后，隐含层神经元按照其权值对其输入进行加权求和，记结果为net(2)(k)，即：

[0034]

[0035] 其中，表示隐含层第j个神经元到输出层的权值；

[0036] 将net(2)(n)经激活函数sigmoid函数到达输出层，得到输出值o(k)，即：

[0037]

[0038] 计算输出值和期望值的误差e(k)，即e(k)＝d(k)-o(k)，判断e(k)是否小于误差阈值err，如果误差小于阈值err，训练结束，得到训练好的网络；否则，进行反向误差调整。

[0039] 所述的反向误差调整是利用梯度下降法来计算最佳权值使误差最小。

[0040] 其中，网络的局域梯度分别为：

[0041]

[0042]

[0043] 其中，f′(·)表示激活函数f(·)的一阶导数，表示隐含层的局部梯度，表示输入层的局部梯度；

[0044] 利用△规则，神经网络的输入层和隐含层神经元调整后的权值可以分别表示为：

[0045]

[0046]

[0047] 其中，k+1表示下一时刻，即调整后的时刻；表示输入层各神经元的权值调整量，表示隐含层各神经元的权值调整量。为了避免训练过程发生振荡，并解决收敛缓慢的问题，对权值调整量引入动量项，利用前一时刻的梯度，以提高网络训练速度。输入层和隐含层各神经元的权值调整量分别按下式计算：

[0048]

[0049]

[0050] 其中，k-1表示前一时刻。

[0051] 在寻找误差最小值的过程中，希望起初学习时刻学习率是增加的，这样可以快速跳过误差比较接近的值，随着学习次数的增加，希望学习率是减小的，这样可以避免跳过最小值，使计算更加精确，这样也可以提升网络训练速度。因此，对学习率也进行调整，公式(12)和(13)中η(k)即为当前时刻调整后的学习率，其计算公式为：

[0052] η(k)＝2λη(k-1) (14)

[0053] λ＝sign(δ(L)(k)δ(L)(k-1)) (15)

[0054] 其中，δ(L)(k-1)表示输入层或隐含层前一时刻的局部梯度。当连续两次迭代其梯度方向相同时，表示下降太慢，通过上述调整可使学习率加倍，当连续两次迭代其梯度方向相反时，表示下降过头，这时可使学习率减半。

[0055] 步骤4，摔倒检测：以检测系统按照30Hz频率采集到的融合加速度、俯仰角和倾斜角三种数据的最大值为输入，利用步骤3得到的训练好的网络进行处理，如果网络输出值大于阈值O(n)，判定为摔倒，其中，阈值O(n)的取值范围为0.85

[0056] 为实现上述摔倒检测方法，本发明还提供了一种基于BP神经网络算法的老年人摔倒动作检测系统，主要包括数据采集模块、数据处理模块、电源模块和GSM短信报警模块，如图2所示。数据采集模块进行数据采集，数据处理模块对数据进行处理，并实现前述基于BP神经网络的摔倒检测算法，并控制GSM短信模块发出警报信息。

[0057] 本实施例中数据采集模块主要采用MPU6050六轴传感器和HMC5883三轴地磁传感器，两种传感器技术比较成熟，采集数据可靠，并且通信方便，易于操作。数据处理模块选用的是STM32F103RCT6芯片作为整个系统的MCU，它的资源丰富，便于开发。为了让系统更加小型化，把数据采集和数据处理部分集成到同一个板子上，电路图如图3所示。主要包括晶振电路、外部接口电路、电压转换电路、STM32F103RCT6芯片、MPU6050六轴传感器和HMC5883三轴地磁传感器芯片构成，其中晶振电路是支持MCU进行正常工作的，外部接口电路是用来连接短信报警模块的，电压转换电路是用来匹配外部电源以防烧坏芯片并且有二极管可以用来显示系统正常工作，STM32F103RCT6芯片、MPU6050六轴传感器和HMC5883三轴地磁传感器芯片它们三者是通过IIC总线进行通信的，并且这三个芯片都有相应的IIC线接口，用于数据的传输和通信工作，这一部分是通过MCU的程序来控制的，其中MPU6050传感器内部包括三轴加速度传感器和三轴角速度传感器，可以稳定的输出人体的加速度值和姿态角度值，并且数据是通过图3标的MPU6050传感器(2)芯片电路图的SCL(23)和SDA(24)接口向外传送数据帧，HMC5883三轴地磁传感器(3)是用于感受地磁向量以解算出模块与北的夹角，是通过芯片(3)的SCL(1)和SDA(16)接口向外传送数据帧。

[0058] 控制芯片STM32F103RCT6(1)完成的数据处理功能主要有三部分：一是通过IIC总线的来读取数据采集模块传来的数据帧，接口是图3芯片1的SDA(PC11)和SCL(PC12)，读取数据帧之后解算出来MPU6050传感器(2)和HMC5883三轴地磁传感器(3)的原始数据并进行数据融合得到最终的人体三轴合加速度值、俯仰角和翻滚角值。二是把实时得到的人体三轴合加速度值、俯仰角和翻滚角作为神经网络的输入神经元，并进行基于BP神经网络的摔倒判定。其中，对三轴加速度值按照进行融合处理，得到融合加速度值，对MPU6050传感器采集的倾斜角、俯仰角值进行卡尔曼滤波，得到最终输入到神经网络的俯仰角和倾斜角值，其中，SVM表示融合加速度，Ax表示X轴加速度，Ay表示Y轴加速度，Az表示Z轴加速度。三是控制GSM短信模块，如果数据处理模块检测发生摔倒动作，则通过串口(芯片的PA2和PA3)发出AT指令控制短信模块发出警报信息。

[0059] 电源模块是由电源稳压电路和7.2V、1A的锂电池构成，电源稳压电路选用的芯片为7805芯片。可以稳定的输出5V电压，给板子进行供电。

[0060] GSM短信模块采用的是SIM900A模块，工作频段双频：900/1800Mhz，可以低功耗实现语音、SMS(短信，彩信)、数据和传真信息的传输。该模块是与数据处理模块是通过串口连接，其中通信协议是采用的AT指令进行通信。该模块功耗低、体积小、数据传输稳定。

[0061] 由于把所有模块集成到同一块板子上，使得整个系统的体积减小了许多，整体宽3cm，长8.5cm，可以直接嵌入到腰带上，使用方便，并且不会影响老年人的正常活动。原有的系统要单独设置佩戴位置，体积大，活动不便。

[0062] 本发明实施例利用上述系统把采集到正常活动和摔倒动作各5000组数据输入到网络中，其中，网络各神经元的初始权值由-1～1之间的随机算子产生，学习率初始设置为0.05，误差阈值设置为0.01，动量参数设置为0.5。然后，进行网络训练。训练数据结束后，开始用实验数据来测试训练的结果，如果把数据输入到网络中得到的输出值大于0.9，就表示摔倒了，由控制芯片控制短信模块向外报警，否则按照30Hz的频率继续采集判断。对本发明改进的BP神经网络算法和原始BP神经网络算法进行了比对，原始算法用时120s，本发明方法用时在20s左右，训练速度大大提升。

[0063] 另外，由学生来模拟老年人的摔倒动作，采用本发明方法和基于阈值的摔倒检测方法进行对比，对摔倒行为和正常行为的检测结果分别如表1和表2所示。

[0064] 表1

[0065]

[0066] 表2

[0067]

[0068] 由表1和表2中的数据可以看出，基于阈值的摔倒检测正确率很低，几乎无法正常使用。而采用本发明方法进行摔倒检测的正确率明显提高，可达到95％左右，并能够对人的日常行为进行实时的检测，正确及时地检测老年人是否发生摔倒行为，保障老年人身心健康。

标题	发布/更新时间	阅读量
一种无线体域网能耗和时延加权最小的安全路由选择方法	2020-05-08	616
一种基于区块链和竞拍博弈的网络资源安全共享方法	2020-05-08	20
带宽压缩中的后选择预测方法	2020-05-08	536
用于电力保密数据的大数据云平台安全防护方法	2020-05-08	666
一种网络文件传输检测方法、装置和系统	2020-05-08	868
信息推送方法及相关产品	2020-05-08	146
直播间弹幕显示方法、存储介质、设备及系统	2020-05-08	690
一种基于区块链的去中心化网络架构方法	2020-05-08	59
一种VNF实例化方法、装置、设备及存储介质	2020-05-11	461
基于LoRa技术的农业病虫防害系统	2020-05-08	498

一种基于BP神经网络的老年人摔倒检测方法及系统

一种基于BP神经网络的老年人摔倒检测方法及系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：