一种基于运动传感与深度学习的穿戴式跌倒风险预警系统

摘要: 本发明属于跌倒预警,具体是一种基于运动传感与深度学习的穿戴式跌倒风险预警系统。背景技术:1、跌倒风险预警是老年健康监护、居家安全防护、智能穿戴监测领域的核心研究...
一种基于运动传感与深度学习的穿戴式跌倒风险预警系统

本发明属于跌倒预警,具体是一种基于运动传感与深度学习的穿戴式跌倒风险预警系统。

背景技术:

1、跌倒风险预警是老年健康监护、居家安全防护、智能穿戴监测领域的核心研究方向,穿戴式监测设备凭借轻量化、可全天候佩戴、实时动态采集人体运动数据的优势,已成为跌倒风险主动预警的主流载体。现有穿戴式跌倒监测技术多依托运动传感采集人体运动数据,结合基础算法实现跌倒行为识别与风险判定,广泛应用于居家养老、康养机构、特殊人群安全监护场景。整体行业技术发展趋势围绕传感采集多元化、风险识别精准化、预警响应智能化展开,但目前主流商用设备与传统监测方案仍存在核心技术短板,难以满足高精度、低误报、分层化的跌倒风险预警实际需求。

2、其次,现有穿戴式跌倒预警技术普遍存在数据预处理精度不足、特征维度单一的技术缺陷。传统方案多采用单一滤波方式处理传感数据,无法有效适配人体复杂运动场景,难以抑制日常运动产生的高频噪声与传感器自身漂移误差,易产生大量异常离群数据。同时,传统特征提取仅依托基础时域特征,未结合频域能量特征与非线性动力学特征,无法全面刻画人体运动的幅度变化、频率分布及运动轨迹复杂度,特征信息维度单一、数据辨识度低,导致有效运动特征与干扰特征难以区分,极易造成后续风险识别的误判与漏判,整体数据支撑性较差。

3、再者,现有穿戴式跌倒预警模型普遍时序特征挖掘能力薄弱、风险分级响应机制缺失。传统识别算法多采用浅层机器学习模型或基础网络结构,仅能识别瞬时运动状态,无法捕捉人体连续运动的时序依赖关系与长期运动趋势,且不具备特征权重自适应优化能力,对不同场景下的差异化运动状态泛化能力差,风险概率评估精度较低。同时,现有技术多采用单一阈值报警模式,无分层预警与误报容错逻辑,无法区分轻度风险姿态异常与高危跌倒风险状态,要么过度预警造成频繁误报,要么高危状态响应不及时,且无二次核验与手动撤销机制,预警灵活性与可靠性不足,难以实现精细化、分级化的跌倒风险防护。

技术实现思路

1、针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于运动传感与深度学习的穿戴式跌倒风险预警系统,以至少部分解决上述技术问题。

2、本发明采取的技术方案如下:

3、本发明提出了一种基于运动传感与深度学习的穿戴式跌倒风险预警系统,包括:

4、数据采集模块、边缘预处理模块、风险评估模型模块及预警交互模块;

5、所述数据采集模块用于实时获取穿戴设备所在位置的惯性测量单元imu数据序列,并输出原始多通道时间序列信号;

6、所述边缘预处理模块与所述数据采集模块通信连接,接收所述原始多通道时间序列信号,通过自适应滤波算法去除噪声干扰,并利用滑动窗口机制将连续信号分割为重叠的时间片段,提取时域统计特征、频域能量分布特征及非线性动力学特征,生成多维特征向量序列;

7、所述风险评估模型模块与所述边缘预处理模块通信连接,内置有深度学习混合模型,所述深度学习混合模型由依次串联的长短期记忆网络lstm层和注意力机制attention层组成,所述lstm层接收所述多维特征向量序列以捕捉时序依赖关系,所述attention层对lstm层的输出进行加权处理以生成风险概率值;

8、所述预警交互模块分别与所述边缘预处理模块和所述风险评估模型模块通信连接,根据所述风险概率值触发分级预警指令。

9、在本发明的一个实施方案中,所述数据采集模块包括六轴惯性测量单元imu,所述六轴惯性测量单元imu包含三轴加速度计和三轴陀螺仪;所述数据采集模块还可选地包括气压传感器,所述气压传感器用于采集环境气压变化数据,所述气压变化数据作为辅助输入特征与所述imu数据序列同步传输至所述边缘预处理模块。

10、在本发明的一个实施方案中,所述边缘预处理模块中的自适应滤波算法采用扩展卡尔曼滤波ekf,ekf的状态向量包括位置、速度及姿态角,观测向量为imu输出的原始加速度和角速度;所述滑动窗口机制设定窗口长度为t秒,步长为s秒,其中0

11、在本发明的一个实施方案中,所述边缘预处理模块提取的非线性动力学特征包括样本熵和排列熵;所述时域统计特征包括均值、方差、峰值因子及过零率,所述频域能量分布特征通过对各轴加速度数据进行快速傅里叶变换fft后,计算特定频段内的能量占比获得。

12、在本发明的一个实施方案中,所述风险评估模型模块中的深度学习混合模型的训练过程包括预训练阶段和微调阶段:在预训练阶段,使用公开的大规模人体动作识别数据集对lstm层进行初始化参数优化;在微调阶段,使用标注跌倒风险级的真实场景数据,通过反向传播算法更新attention层的权重参数,损失函数采用交叉熵损失函数cross-entropyloss。

13、在本发明的一个实施方案中,所述注意力机制attention层包括多头自注意力multi-headself-attention子层,所述多头自注意力子层将输入特征向量划分为多个子空间,在每个子空间内独立计算查询向量query、键向量key和值向量value的点积注意力,最后将各子空间的输出拼接并通过线性变换层融合,输出加权后的时序特征表示。

14、在本发明的一个实施方案中,所述预警交互模块配置有两个阈值:第一风险阈值th1和第二风险阈值th2,且th1

15、在本发明的一个实施方案中,所述预警交互模块还包括倒计时逻辑单元,当生成二级预警信号时,所述倒计时逻辑单元启动预设时长d的倒计时定时器;若在倒计时结束前接收到用户通过按键或语音输入的取消指令,则重置风险状态并停止报警;若倒计时结束未收到取消指令,则判定为确认跌倒事件,并向云端服务器发送包含当前gps坐标、最后时刻imu数据摘要及用户id的紧急求救数据包。

16、在本发明的一个实施方案中,所述系统还包括云端管理平台,所述云端管理平台通过无线网络与所述预警交互模块通信连接;所述云端管理平台用于存储历史风险概率序列,并基于长期趋势分析算法评估用户的日常活动能力指数bai,当bai低于基准线时,所述云端管理平台生成健康报告并推送至关联的用户终端设备。

17、在本发明的一个实施方案中,所述边缘预处理模块还集成有异常数据剔除单元,所述异常数据剔除单元用于检测imu数据中的离群点,当检测到加速度突变超过预设物理极限值时,标记时间片段为无效数据并丢弃,防止极端噪声导致风险评估模型模块产生误判;所述边缘预处理模块与风险评估模型模型模块之间通过低功耗蓝牙ble协议进行数据传输。

18、本发明技术方案的有益效果在于:

19、本发明通过数据采集模块中的六轴惯性测量单元imu与可选的气压传感器协同工作,构建多维度的环境感知输入源,三轴加速度计和三轴陀螺仪提供运动学数据,气压传感器补充高度变化信息,三者同步采集的数据流进入边缘预处理模块;在边缘预处理模块内部,扩展卡尔曼滤波ekf对原始数据进行状态估计,其状态向量涵盖位置、速度及姿态角,通过融合imu输出的原始加速度和角速度观测值,有效抑制高频噪声并补偿传感器漂移;经过滤波处理后的信号被送入滑动窗口机制,机制以t秒为长度、s秒为步长(0

20、本发明通过边缘预处理模块进一步从这些时间片段中提取多维特征向量序列,时域统计特征包括均值、方差、峰值因子及过零率,反映信号的幅度分布和波动特性;频域能量分布特征通过对各轴加速度数据进行快速傅里叶变换fft后计算特定频段内的能量占比获得,揭示运动的主要频率成分;非线性动力学特征包括样本熵和排列熵,量化人体运动轨迹的复杂度和规律性,异构特征共同构成高维输入空间,为后续的风险评估提供丰富且互补的信息维度,确保输入数据的纯净度,防止外部干扰误导后续模型判断。

21、本发明通过风险评估模型模块接收上述多维特征向量序列,其内置的深度学习混合模型由长短期记忆网络lstm层和注意力机制attention层串联组成。lstm层首先处理时序依赖关系,捕捉长期运动趋势中的动态变化。随后,attention层对lstm层的输出进行加权处理,其中多头自注意力multi-headself-attention子将输入特征划分为多个子空间,独立计算查询向量query、键向量key和值向量value的点积注意力,最后拼接并通过线性变换层融合,输出加权后的时序特征表示,从而提升模型在特定场景下的泛化能力和分类准确率。

22、本发明通过预警交互模块根据风险评估模型模块输出的风险概率值执行分级响应逻辑,当风险概率值介于第一风险阈值th1和第二风险阈值th2之间时,模块驱动本地震动马达产生间歇性震动反馈,提醒用户注意姿态调整,实现早期干预而不造成过度干扰。当风险概率值超过第二风险阈值th2时,模块启动声光报警器并建立无线通信链路,同时激活倒计时逻辑单元,倒计时逻辑单元设定预设时长d作为缓冲期,期间持续监测用户通过按键或语音输入的取消指令。若收到取消指令,系统重置风险状态并停止报警,排除误报情况;若倒计时结束未收到取消指令,系统判定为确认跌倒事件,向云端服务器发送包含当前gps坐标、最后时刻imu数据摘要及用户id的紧急求救数据包。

23、本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。