基于深度学习的老人异常行为检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107145878A(43)申请公布日2017.09.08(21)申请号201710403573.2(22)申请日2017.06.01(71)申请人重庆邮电大学地址400065重庆市南岸区崇文路2号(72)发明人周绍艳黄俊谭钦红刘科征王君龙施新岚张磊谢振超(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书1页说明书3页附图2页(54)发明名称基于深度学习的老人异常行为检测方法(57)摘要本发明请求保护一种基于深度学习的老人异常行为检测方法，属于深度学习领域。本发明通过多种传感器采集老人的体征信息、位置信息、图像信息，联合检测联合判断老人的异常行为，降低误判概率。首先根据多种传感器数据进行信号预处理，将处理的数据输入已训练好的BP神经网络获得老人身体状况，然后根据原始图像，对图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为，再综合老人位置信息与驻留时长，根据模糊逻辑推理判断老人行为是否异常。本发明采用联合检测方法，通过深度学习，模糊逻辑推理对老人异常行为进行联合判断，降低了误判率，提高了检测的准确性。CN107145878ACN107145878A权利要求书1/1页1.一种基于深度学习的老人异常行为检测方法，其特征在于：包括以下步骤：(1)多种传感器采集体征信息如心率、血压、体温、呼吸、脉搏，经信号预处理后作为BP神经网络的输入，训练出BP神经网络模型，进行数据融合；(2)视觉传感器采集视频图像对原始图像进行预处理后送入3D卷积神经网络提取特征向量，通过Softmax分类器识别老人的多种行为；(3)特征提取负责提取原始图像信息中最能反映人体行为信息内在本质的特征向量；(4)通过老人体征数据和行为数据，综合老人当前位置数据与驻留时长，根据模糊逻辑推理判断老人行为是否异常。2.根据权利要求1所述的基于深度学习的老人异常行为检测方法，其特征在于所述数据融合基于BP神经网络模型，包括以下：(1)通过多种传感器采集的老人体征信息如心率、血压、呼吸、脉搏、体温作为BP神经网络的输入；在数据融合前，先对老人多种体征数据进行粗糙集的简化，消除大量数据的冗余属性，使得输入层的数据变得简单，降低了数据维度，神经网络的训练时间缩短，系统的实时性提高；(2)BP神经网络算法采用基于梯度的最速下降法存在学习速率过慢的缺陷，容易陷入局部极小点，因此在老人体征融合时采用学习率自适应法和附加动量法改进BP神经网络，使得体征融合时加入的动量因子具有自学习特性；改进的BP算法不易陷入局部极小，提高了网络收敛速度，提高了体征融合的效率。3.根据权利要求1所述的基于深度学习的老人异常行为检测方法，其特征在于3D卷积神经网络的第一层加入Gabor滤波器得到纹理特征，与灰度值、光流特征、梯度特征进行三维卷积和采样，提取最能反映人体行为的特征向量输入到Softmax分类器分类训练，得到用于人体行为识别的分类器模型；Softmax分类器的参数有冗余，对逻辑回归代价函数加入权重衰减，将代价函数降为最小。4.根据权利要求1～3所述的基于深度学习的老人异常行为检测方法，其特征在于获得的老人生理状况与老人行为后，综合老人的位置信息与驻留时长，根据模糊逻辑推理判断老人行为是否异常。2CN107145878A说明书1/3页基于深度学习的老人异常行为检测方法技术领域[0001]本发明涉及一种基于深度学习的老人异常行为检测方法，属于机器学习领域，适用于独居老人安全监护系统。背景技术[0002]我国迎来了人口迅速老龄化的时代，养老问题日益严重。随着我国经济的发展和计划生育的实行，我国人口结构发生巨大变化，未来社会中不能单纯依靠子女来照顾老人。越来越多的独居老人在生活中出现异常行为时，不能及时发现并进行预警而酿成严重后果。因此，对独居老人的安全监护及时发现老人的异常行为有利于提高了老人晚年的生活质量，同时减轻了社会和子女的压力。[0003]目前，老人异常行为检测的方式采用可穿戴的传感器设备，基于用户的行为数据和行为规律模型构建方法，基于多特征融合的视频监控技术等方法。这些异常行为检测方法对于居家老人容易忘记配戴设备或携带不方便，实时性不高，涉及到个人隐私，不适合24小时视频监控。因此，现有技术对老人异常行为检测方式单一，这种单一检测很难满足老人出现异常的复杂性，缺乏对多源信息的协同处理，实时性差，异常信息不能及时预警等。本发明提出一种基于深度学习的老人异常行为检测方法，对异常行为进行联合检测，从传感器和图像两方面对异常行为进行检测，并综合老人的位置数据和驻留时长等，采用模糊逻辑推理对老人异常行为进行联合判断，提高老人异常检测的