CN115936066A
审中
神经网络模型及其跌倒判决方法、人体跌倒监测系统
1.一种用于跌倒判决的神经网络模型，其特征是包括：
线性投影层：将可穿戴传感器数据提取分割为二维样本矩阵块序列，输入样本矩阵块大小为N*N*M，N*N表示矩阵块的维度，M表示输入序列长度，线性投射层的维度为M*M*D，D代表样本点被映射的向量长度；输入序列经过线性投射层之后的输出维度为M*D，即一共有M个标识token，每个token的维度是D；再加上一个特殊字符(*)class token即cls，该特殊字符放在序列头部以区分不同时间序列；cls随机初始化并与位置信息相加，其中，位置信息设定为1到M的数字；最终线性投影层的输出加上位置信息后维度是(M+1)*D；
编码层：由N个相同的Transformer编码器堆叠，编码器为一个子层，在每个子层中使用一个残差连接，然后是层归一化和一个多层感知机；每个子层的输出公式为：
Sublayer(y)＝ LayerNorm(x+Sublayer(x)) (1)
其中，Sublayer(x)是子层本身实现的函数，模型的所有子层中嵌入层的维度都为128；编码器的主体结构采用多头注意力机制；注意力函数描述为将一个查询Query和一组键key-值value对映射到一个输出，其中查询、键、值和输出都是向量；输出是按值的加权和计算的，其中分配给每个值的权重是通过查询兼容性函数与相应键计算的；多头注意力机制中使用缩放点积注意，输入是由维度为dk的查询和键以及维度为dv的值组成；所有键计算查询的点积，每个键除以![]()
后应用softmax函数来获得值的权重；同时计算一组查询的注意函数，打包到一个矩阵Q中；键和值也被打包到矩阵K和V中；计算输出矩阵结果为:
在多头注意力机制前后采用层归一化，利用层归一化，计算样本的均值和方差；
分类层：由一层全连接层组成，其中，全连接层的输入维度为M*D，全连接层的输出实现了跌倒和非跌倒的二分类。
2.一种基于权利要求1所述神经网络模型的跌倒判决方法，其特征是按如下步骤：
步骤1)：对公开数据集进行数据预处理，将80％的数据样本用作训练集，20％的数据样本作为测试集；其中，跌倒和非跌倒事件采样周期相同，跌倒瞬间的持续时长为数秒，对数据集中的每一个跌倒事件时间序列使用重叠滑动窗提取局部时间特征；滑动窗提取特征的过程依赖于长或短的时间间隔；每一个局部特征被重新排列为一个N*N的样本矩阵；
步骤2)：特征融合及模型计算：可穿戴传感器数据包括两个加速计和一个陀螺仪获取的数据块，此三个数据块作为模型输入，将每个事件的三个数据块堆叠为一个多通道输入序列；线性投影层处理短时间特征即样本矩阵，输入序列为数个样本矩阵，每个样本矩阵的维度为N*N*M，线性投影层的维度为N*D，输入样本序列在经过线性投影层之后加上位置信息编码信息和用来区分不同序列的特殊字符(*)，最终线性投影层的输出维度为(M+1)*D；Transformer编码层处理长时间特征即样本矩阵序列；编码层由N个相同的Transformer编码器堆叠，在每个子层中使用一个残差连接，然后是层归一化和一个多层感知机通过Transformer编码器的堆叠；
步骤3)：结果分类：输入时间序列经过线性投影层和编码层后，由分类层完成跌倒和非跌倒的分类任务。
3.如权利要求2所述神经网络模型的跌倒判决方法，其特征是，步骤1)中，跌倒和非跌倒事件采样周期均为12s，跌倒瞬间的持续时长为2s，将时间窗的大小设置为400个采样点对数据集中的每一个跌倒事件时间序列使用重叠滑动窗提取局部时间特征，滑动窗的重叠率为250个采样点；采样频率为200Hz，400个采样点即为2s。
4.如权利要求3所述神经网络模型的跌倒判决方法，其特征是，步骤2)中，线性投影层处理短时间特征即样本矩阵，输入序列为9个样本矩阵，每个样本矩阵的维度为N*N*M，N＝20，M＝9，线性投影层的维度为N*D，D＝128，输入样本序列在经过线性投影层之后加上位置信息编码信息和用来区分不同序列的特殊字符(*)，位置编码为数字1到9；最终线性投影层的输出维度为(M+1)*D即10×128。
5.如权利要求4所述神经网络模型的跌倒判决方法，其特征是，步骤3)中，全连接分类层的输入维度为10×128，输出维度为1×2，输出为跌倒和非跌倒的二分类结果。
6.一种基于深度学习的人体跌倒监测系统，其特征是包括：终端侧，包括可穿戴传感器、移动端，可穿戴传感器佩戴在被监测人体身上，用于采集数据，可穿戴传感器采集的数据传输到移动端，通过移动端发送到云端侧；
云端侧，包括云管理平台、权利要求1所述的神经网络模型，云管理平台接收终端侧的数据，并将数据输入到所述的神经网络模型；已训练好的神经网络模型，对传入的数据进行判断，判决为跌倒或未发生跌倒，当判决为跌倒时，云管理平台发送报警信息给医疗救助侧；
医疗救助侧，在接收到云平台管理的报警信息后，立刻进行救护。
7.如权利要求6所述一种基于深度学习的人体跌倒监测系统，其特征是，云端侧中，报警信息内容包含当前发生跌倒老人的姓名、性别、年龄、医疗备案号、当前位置信息。
8.如权利要求6或7所述一种基于深度学习的人体跌倒监测系统，其特征是，云端侧中，云管理平台记录维护所负责区域内所有被监测者的基础信息、医疗信息以及跌倒数据。
在多头注意力机制前后采用层归一化，利用层归一化，计算样本的均值和方差；
分类层：由一层全连接层组成，其中，全连接层的输入维度为M*D，全连接层的输出实现了跌倒和非跌倒的二分类。
2.一种基于权利要求1所述神经网络模型的跌倒判决方法，其特征是按如下步骤：
步骤1)：对公开数据集进行数据预处理，将80％的数据样本用作训练集，20％的数据样本作为测试集；其中，跌倒和非跌倒事件采样周期相同，跌倒瞬间的持续时长为数秒，对数据集中的每一个跌倒事件时间序列使用重叠滑动窗提取局部时间特征；滑动窗提取特征的过程依赖于长或短的时间间隔；每一个局部特征被重新排列为一个N*N的样本矩阵；
步骤2)：特征融合及模型计算：可穿戴传感器数据包括两个加速计和一个陀螺仪获取的数据块，此三个数据块作为模型输入，将每个事件的三个数据块堆叠为一个多通道输入序列；线性投影层处理短时间特征即样本矩阵，输入序列为数个样本矩阵，每个样本矩阵的维度为N*N*M，线性投影层的维度为N*D，输入样本序列在经过线性投影层之后加上位置信息编码信息和用来区分不同序列的特殊字符(*)，最终线性投影层的输出维度为(M+1)*D；Transformer编码层处理长时间特征即样本矩阵序列；编码层由N个相同的Transformer编码器堆叠，在每个子层中使用一个残差连接，然后是层归一化和一个多层感知机通过Transformer编码器的堆叠；
步骤3)：结果分类：输入时间序列经过线性投影层和编码层后，由分类层完成跌倒和非跌倒的分类任务。
3.如权利要求2所述神经网络模型的跌倒判决方法，其特征是，步骤1)中，跌倒和非跌倒事件采样周期均为12s，跌倒瞬间的持续时长为2s，将时间窗的大小设置为400个采样点对数据集中的每一个跌倒事件时间序列使用重叠滑动窗提取局部时间特征，滑动窗的重叠率为250个采样点；采样频率为200Hz，400个采样点即为2s。
4.如权利要求3所述神经网络模型的跌倒判决方法，其特征是，步骤2)中，线性投影层处理短时间特征即样本矩阵，输入序列为9个样本矩阵，每个样本矩阵的维度为N*N*M，N＝20，M＝9，线性投影层的维度为N*D，D＝128，输入样本序列在经过线性投影层之后加上位置信息编码信息和用来区分不同序列的特殊字符(*)，位置编码为数字1到9；最终线性投影层的输出维度为(M+1)*D即10×128。
5.如权利要求4所述神经网络模型的跌倒判决方法，其特征是，步骤3)中，全连接分类层的输入维度为10×128，输出维度为1×2，输出为跌倒和非跌倒的二分类结果。
6.一种基于深度学习的人体跌倒监测系统，其特征是包括：终端侧，包括可穿戴传感器、移动端，可穿戴传感器佩戴在被监测人体身上，用于采集数据，可穿戴传感器采集的数据传输到移动端，通过移动端发送到云端侧；
云端侧，包括云管理平台、权利要求1所述的神经网络模型，云管理平台接收终端侧的数据，并将数据输入到所述的神经网络模型；已训练好的神经网络模型，对传入的数据进行判断，判决为跌倒或未发生跌倒，当判决为跌倒时，云管理平台发送报警信息给医疗救助侧；
医疗救助侧，在接收到云平台管理的报警信息后，立刻进行救护。
7.如权利要求6所述一种基于深度学习的人体跌倒监测系统，其特征是，云端侧中，报警信息内容包含当前发生跌倒老人的姓名、性别、年龄、医疗备案号、当前位置信息。
8.如权利要求6或7所述一种基于深度学习的人体跌倒监测系统，其特征是，云端侧中，云管理平台记录维护所负责区域内所有被监测者的基础信息、医疗信息以及跌倒数据。
