基于機器視覺和穿戴式設(shè)備感知的村鎮(zhèn)老年人跌倒監(jiān)測方法

鄧 穎，吳華瑞，孫 想

北京農(nóng)業(yè)智能裝備技術(shù)研究中心/國家農(nóng)業(yè)信息化工程技術(shù)研究中心/北京農(nóng)業(yè)信息技術(shù)研究中心/ 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息軟硬件產(chǎn)品質(zhì)量檢測重點實驗室，北京 100097

近十年來我國人口老齡化日趨明顯，加之獨生子女比例高，當(dāng)前老年人獨居情況越來越多，2020年我國獨居老人數(shù)量達到3 000萬人．城市具有先進、 齊全的老人福利設(shè)施和醫(yī)療條件，在一定程度上可以保障老年人在突發(fā)性健康事故中得到及時的救治； 但在廣大的村鎮(zhèn)地區(qū)，年輕人外出務(wù)工的情況非常普遍，空巢情況尤其明顯，村鎮(zhèn)老人獨居比例遠高于城市，加上醫(yī)療配套設(shè)施、 老年人安全保障設(shè)施、 交通便利程度等條件的相對落后，跌倒事故在村鎮(zhèn)地區(qū)愈漸頻繁，因跌倒未及時送醫(yī)引發(fā)嚴(yán)重損傷及死亡的事故時有發(fā)生．因此，對于老人跌倒事故的及時發(fā)現(xiàn)和救治是減少村鎮(zhèn)獨居老人跌倒致死的關(guān)鍵，也是我國推動鄉(xiāng)村振興和鄉(xiāng)村治理的重要需求．

有關(guān)老年人摔倒檢測方法，國內(nèi)外專家從不同角度和技術(shù)路線已有一些研究．一部分研究以人體穿戴式傳感器數(shù)據(jù)為依據(jù)，設(shè)計獲得跌倒判斷算法，將速度傳感器設(shè)備數(shù)據(jù)與跌倒閾值的關(guān)系進行比較，從而得出人體是否出現(xiàn)跌倒的結(jié)論．湯引生等[1]設(shè)計了基于三軸加速度傳感器的老年人摔倒檢測算法，使用三軸加速度傳感器獲得實時數(shù)據(jù)，建立摔倒檢測閾值點判斷算法，確定其中的關(guān)鍵參數(shù)．馬英楠等[2]對54名老年人行走時胸椎、 膝蓋、 肩胛骨、 骨盆等4個關(guān)節(jié)的數(shù)據(jù)進行分析，分別在矢狀面、 冠狀面、 橫斷面上計算各關(guān)節(jié)的平均位移，并作為特征參數(shù)通過支持向量機進行易跌倒老人預(yù)測模型訓(xùn)練，得到了形成高精度模型的最小維度．徐濤等[3]通過石墨烯/橡膠傳感器設(shè)計了老人跌倒姿態(tài)實時識別系統(tǒng)，通過傳感器獲取重心加速度和角速度，再通過雙重判定識別和判斷人體跌倒．

另一部分研究則是基于圖像數(shù)據(jù)分析技術(shù)進行跌倒姿態(tài)分析判斷．跌倒判斷從圖像上分為人體檢測分割、 跌倒動作檢測兩個步驟．在人體分割的研究上，高玉潼等[4]基于對稱差分法實現(xiàn)了對監(jiān)控系統(tǒng)中各種復(fù)雜情況下的圖像進行處理，分割出人行輪廓，進而進行人臉識別．在跌倒動作檢測上，袁鵬泰等[5]通過改進的yolo算法將人體圖像從視頻的每一幀中提取出來，利用openpose[6]算法計算人體圖像的關(guān)節(jié)信息，將關(guān)節(jié)信息作為參數(shù)采用SVM算法可以構(gòu)建人體姿態(tài)分類模型，以每一幀的狀態(tài)檢測結(jié)果形成一段狀態(tài)序列，分析狀態(tài)序列即可實現(xiàn)對正常、 跌倒、 平躺以及其他姿態(tài)的識別判斷．陳永彬等[7]通過采集老年人活動視頻圖像數(shù)據(jù)，提取姿態(tài)特征，以人體骨骼特征點變化量作為參數(shù)，同時提取場景的語義信息與人體特征參數(shù)，二者結(jié)合分析實現(xiàn)對老年人摔倒的檢測識別．申代友等[8]使用RGB相機和紅外IR相機獲取標(biāo)定后的老人所在環(huán)境的3D圖像，并利用深度卷積神經(jīng)網(wǎng)絡(luò)提取人體的多個關(guān)節(jié)點位置信息，最后基于多個連續(xù)幀之間人體關(guān)節(jié)點的運動變化特征和3D場景特征相結(jié)合的方法綜合判定老人是否發(fā)生跌倒行為．黃國范等[9]提出了一種人體動作姿態(tài)的自動識別算法，用運動歷史圖像和運動能量圖像，分別表示動作姿態(tài)發(fā)生的區(qū)域以及動作姿態(tài)發(fā)生的過程，并從中提取出改進的不變矩作為特征向量進行人體動作姿態(tài)的自動識別．

先前的研究大多采用速度傳感器的佩戴實施對老人跌倒的監(jiān)測[10-12]，但是多個傳感器的佩戴對于老人的生活起居會帶來不便； 基于深度圖像處理技術(shù)通過提取關(guān)節(jié)運動信息來判斷跌倒動作，需要在老人活動場所設(shè)置特定的深度相機，所需設(shè)備成本較高，不適用于在村鎮(zhèn)的公共區(qū)域、 個人住宅等場景大批量應(yīng)用； 單一地通過傳感器數(shù)據(jù)或者是圖像數(shù)據(jù)進行判斷，如果在圖像采集區(qū)域之外，或穿戴式傳感器設(shè)備出現(xiàn)故障的時候，獨居老人將脫離跌倒監(jiān)測預(yù)警體系，失去對老人跌倒受傷風(fēng)險的監(jiān)測預(yù)警效應(yīng)[13-15]．

基于穿戴式設(shè)備的跌倒檢測主要針對身體各部位的重力感應(yīng)參數(shù)，或身體部分體征參數(shù)進行建模分析(圖1)，模型所需參數(shù)較少、 數(shù)據(jù)傳輸量低、 處理速度快，只要佩戴設(shè)備即可進行實時監(jiān)測而不存在觀察死角，但是僅從節(jié)點的重力感應(yīng)無法區(qū)分躺倒和跌倒的區(qū)別，從體征數(shù)據(jù)無法區(qū)分由于情緒或其他因素導(dǎo)致的相似性體征變化； 基于視頻監(jiān)控設(shè)備的跌倒檢測主要針對視頻圖像特征，分析視頻中被監(jiān)測者的肢體關(guān)節(jié)移動軌跡，以判斷是否發(fā)生跌倒，此方法判斷相對準(zhǔn)確性較高，模型所需不同幀數(shù)的圖像，總體參數(shù)量較大，對數(shù)據(jù)傳輸網(wǎng)絡(luò)信號和運算單元的計算能力要求較高，模型相對較復(fù)雜，同樣算力下相對穿戴式數(shù)據(jù)分析法所需時間較長，且視頻采集設(shè)備存在監(jiān)控死角，無法全方位覆蓋[16]．

圖1 基于設(shè)備的跌倒檢測方法優(yōu)缺點

自從村鎮(zhèn)社區(qū)大數(shù)據(jù)互聯(lián)與智能服務(wù)平臺研究及示范項目開展以來，本研究團隊在北京周邊多個村鎮(zhèn)試驗性發(fā)放了隨身健康數(shù)據(jù)采集設(shè)備400多個，通過便攜式手環(huán)對獨居老人進行24 h健康監(jiān)測和數(shù)據(jù)采集，并安裝家庭突發(fā)情況監(jiān)控攝像頭進行人體姿態(tài)識別，綜合實時地收集了老人的身體健康指標(biāo)狀況，為建立跌倒判斷和預(yù)警技術(shù)奠定了基礎(chǔ)．

1 材料與方法

本方法通過健康數(shù)據(jù)監(jiān)測手環(huán)分別采集被監(jiān)護村鎮(zhèn)老人的實時體征數(shù)據(jù)，包括體溫、 血壓、 腦電波檢測率、 心電圖、 心跳頻率等，在視頻監(jiān)控覆蓋區(qū)域外如家中或其他室內(nèi)場所通過手環(huán)的數(shù)據(jù)進行閾值監(jiān)測，及多指標(biāo)綜合分析[17]．

手環(huán)采集的數(shù)據(jù)可能會因為設(shè)備問題出現(xiàn)數(shù)據(jù)偏差，因村鎮(zhèn)地區(qū)互聯(lián)網(wǎng)信號不良導(dǎo)致數(shù)據(jù)上傳失敗等問題，因此在試驗區(qū)域設(shè)置老年健康視頻監(jiān)測設(shè)備，對設(shè)備覆蓋的區(qū)域，通過圖像物體識別、 物體動態(tài)跟蹤等技術(shù)進行監(jiān)測，從生理指標(biāo)、 行為動作等多方面對老人進行實時跌倒監(jiān)測．

1.1 基于行為分析的實時2D視頻數(shù)據(jù)跌倒?fàn)顟B(tài)監(jiān)測模型

如圖2，首先通過視頻監(jiān)控設(shè)備在室內(nèi)和室外場景分別對40名試驗人員佩戴健康手環(huán)進行正常動作(行走、 跑動、 下蹲、 彎腰)，通過未經(jīng)提示的推、 絆形成試驗人員的非自主性(向前、 向后)跌倒，記錄正常和異常(跌倒)動作的生理數(shù)據(jù)和視頻數(shù)據(jù)，以此模擬村鎮(zhèn)獨居老人的活動姿態(tài)和生理狀況，然后僅根據(jù)被跟蹤的試驗人員的人體姿態(tài)及生理指標(biāo)判斷是否出現(xiàn)跌倒的情況．

圖2 2D視頻數(shù)據(jù)跌倒?fàn)顟B(tài)

傳統(tǒng)跌倒檢測算法相對簡單，首先選擇脖子作為基準(zhǔn)點，通過人的邊界框計算人體高度，計算相鄰兩幀間隔的脖子垂直距離，如果脖子移動垂直距離超過人體身高的一半，則判斷為跌倒．但是，攝像頭平視角度和被監(jiān)測老人所處位置角度過大時，該方法準(zhǔn)確率降低，且老人彎、 坐、 躺等動作皆會引起誤報．

本方法對上述算法進行優(yōu)化．如圖3所示，將模擬視頻進行逐幀切割，通過Mask RCNN[18]對每幀圖像進行人體實例分割，分割出圖像中人體掩膜及邊框范圍，利用openpose對視頻中每一幀圖像的人體邊框范圍內(nèi)部進行識別，提取人體邊框圖像中的關(guān)節(jié)點信息．因為彎腰、 坐下等干擾性情況脖頸節(jié)點變化很大，但髖關(guān)節(jié)受干擾影響較小，因此采用人體髖關(guān)節(jié)代替脖頸成為跌倒判斷核心點．將以下3個參數(shù)作為指標(biāo)，將每一幀圖像作為循環(huán)網(wǎng)絡(luò)窗口序列，每一段視頻作為一條數(shù)據(jù)，輸入BiLSTM深度循環(huán)神經(jīng)網(wǎng)絡(luò)[19]，最后進行sigmoid函數(shù)激活并輸出是否跌倒的二分類結(jié)果： ① 核心點下降的速度； ② 人體縱向中心線(頭部關(guān)節(jié)到髖關(guān)節(jié)連線)與地面(膝關(guān)節(jié)到腳關(guān)節(jié)連線的垂直線)的傾斜角； ③ 人體邊框的寬高比．

通過試驗數(shù)據(jù)則可以反向計算出3個參數(shù)的閾值范圍，如果圖像中的人體參數(shù)處于閾值范圍內(nèi)，則為正常未摔倒的情況，如果超出閾值范圍，則為摔倒?fàn)顟B(tài)．相反的，如果上面條件1中的人體核心點回到原高度，且條件2，3恢復(fù)正常值，則改場景為被監(jiān)測對象重新站起，如果條件1不變，條件2，3在一段時間內(nèi)仍保持在臨界值范圍之外，則進一步判斷老人跌倒后未能重新站立，應(yīng)立即采取救援措施．

圖3 基于行為分析的實時2D視頻數(shù)據(jù)跌倒?fàn)顟B(tài)監(jiān)測方法流程

1.2 基于機器學(xué)習(xí)算法的村鎮(zhèn)老人體征數(shù)據(jù)摔倒判斷模型

由于視頻監(jiān)控設(shè)備成本較高，村鎮(zhèn)中視頻監(jiān)控可覆蓋面積有限，針對無視頻監(jiān)測覆蓋的區(qū)域，則通過佩戴式設(shè)備進行跌倒檢測．由于跌倒時體征變化可能和未知突發(fā)性疾病、 外界因素導(dǎo)致的心情變化等場景相似，無法確定完全采用生理體征數(shù)據(jù)分析能否準(zhǔn)確識別跌倒； 跌倒時的核心速度變化情況和躺倒、 快速左下等情況類似，因此也不能用來單獨判斷跌倒．本文通過健康手環(huán)的基礎(chǔ)功能，獲取實時血壓(blood pressure，bp)、 心率(heart beat rate，hbr)、 血液循環(huán)(blood circulation，bc)3項生理特征參數(shù)和手環(huán)垂直加速度(vertical acceleration，va)變化感知參數(shù)，以是否跌倒為標(biāo)簽，輸入機器學(xué)習(xí)模型，進行人體姿態(tài)體征預(yù)測計算，輸出是否摔倒的預(yù)測結(jié)果，通過預(yù)測結(jié)果和實際結(jié)果的對比，進行模型訓(xùn)練，生成基于體征數(shù)據(jù)的村鎮(zhèn)老人摔倒判斷模型[20-21]．

1.3 基于多維數(shù)據(jù)分析的村鎮(zhèn)老人摔倒判斷方法

對方法1.1和1.2進行改進，將1.1的3個參數(shù)(核心下降速度A、 人體縱向中心線與地面的傾斜角B、 人體邊框的寬高比C)與1.2的3個生理體征數(shù)據(jù)向量(bp，hbr，bc)以及與垂直加速度(va)融合形成多維融合數(shù)據(jù)向量(A，B，C，bp，hbr，bc，va)，進而對新組成的參數(shù)進行跌倒判斷模型訓(xùn)練(圖4)．

圖4 多維數(shù)據(jù)分析跌倒行為檢測方法參數(shù)融合示意

2 結(jié)果與分析

2.1 試驗數(shù)據(jù)采集

試驗對40名人員佩戴健康手環(huán)進行正常動作(行走、 坐靠/躺倒、 下蹲、 彎腰)； 通過未經(jīng)提示的推、 絆，形成試驗人員的非自主性跌倒．正常動作每人每個動作重復(fù)5次，跌倒動作每人重復(fù)15次(向前跌倒10次，向后跌倒5次)，記錄正常和異常(跌倒)動作的生理體征數(shù)據(jù)和視頻數(shù)據(jù)，視頻數(shù)據(jù)每秒幀數(shù)(FPS)為10，視頻長度10 s，即每段視頻含100幀，從而形成包含1 400組試驗的數(shù)據(jù)集，對每組數(shù)據(jù)進行對應(yīng)動作的標(biāo)注．按照0%～15%的比例從數(shù)據(jù)集中隨機抽取驗證數(shù)據(jù)集、 測試數(shù)據(jù)集，剩下的作為訓(xùn)練數(shù)據(jù)集，隨機比例取50%．為保證3個數(shù)據(jù)集均包含正樣本(跌倒)和負樣本(正常動作)數(shù)據(jù)，對隨機生成的數(shù)據(jù)集進行檢查(表1)．

表1 跌倒模型訓(xùn)練試驗數(shù)據(jù) 次

2.2 試驗方法

2.2.1 基于穿戴式設(shè)備參數(shù)分析的跌倒判斷模型訓(xùn)練與驗證(試驗1)

試驗采用scikit-learn機器學(xué)習(xí)庫，在python 2.8環(huán)境下執(zhí)行．通過標(biāo)準(zhǔn)差歸一法(standardScale)進行數(shù)據(jù)預(yù)處理，使數(shù)據(jù)符合正態(tài)分布，轉(zhuǎn)化函數(shù)如式(1)：

(1)

其中μ為所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差．

通過邏輯回歸、 決策樹、 KNN、 貝葉斯算法、 隨機森林、 SVM[22]、 BP神經(jīng)網(wǎng)絡(luò)7種模型對試驗數(shù)據(jù)中獲取的血壓(Blood pressure)、 心率(Heart beat rate)、 血液循環(huán)(Blood circulation)3項健康體征數(shù)據(jù)以及垂直加速度(vertical accelertation)變化數(shù)據(jù)進行樣本訓(xùn)練和測試，研究不同算法在跌倒數(shù)據(jù)集下的預(yù)測準(zhǔn)確率、 召回值和F1分?jǐn)?shù)．

2.2.2 2D視頻數(shù)據(jù)跌倒?fàn)顟B(tài)監(jiān)測方法閾值計算(試驗2)

采用Mask RCNN對所有視頻數(shù)據(jù)每一幀進行人體邊框檢測，通過openpose對邊框內(nèi)部人體關(guān)節(jié)進行定位，對每一幀圖像生成json格式的人體關(guān)節(jié)節(jié)點數(shù)據(jù)和圖像數(shù)據(jù)，提取每幀數(shù)據(jù)作為窗口序列，將1.1中的3個參數(shù)(核心位置、 人體傾斜角和人體寬高比)作為BiLSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型每個窗口序列的指標(biāo)輸入，學(xué)習(xí)率設(shè)為0.5，精度0.002，通過sigmoid函數(shù)激活，輸出跌倒判斷結(jié)果，在訓(xùn)練和驗證數(shù)據(jù)集下對此網(wǎng)絡(luò)進行訓(xùn)練，得到跌倒識別模型．

2.2.3 多維數(shù)據(jù)融合跌倒檢測(試驗3)

采用Mask RCNN對所有視頻數(shù)據(jù)每一幀進行人體實例檢測，通過openpose對人體實例圖像進行分析，提取關(guān)節(jié)定位，根據(jù)前幀和當(dāng)前幀數(shù)據(jù)計算核心下降速度A，結(jié)合人體縱向中心線與地面的傾斜角B、 人體邊框的寬高比C與1.2中的3個生理體征數(shù)據(jù)(1，2，3)進行融合形成多維融合數(shù)據(jù)(A，B，C，1，2，3)； 將融合數(shù)據(jù)作為窗口參數(shù)輸入BiSTML模型，學(xué)習(xí)率0.5，精度0.002，通過sigmoid函數(shù)激活，輸出跌倒判斷結(jié)果，在訓(xùn)練和驗證數(shù)據(jù)集下對此網(wǎng)絡(luò)進行訓(xùn)練，得到多維數(shù)據(jù)融合跌倒行為監(jiān)測模型．

2.3 試驗結(jié)果分析

分類模型通常通過精準(zhǔn)度(precision)、 召回值(recall)、 F1分?jǐn)?shù)(F1-score)、 準(zhǔn)確率(accuracy)等指標(biāo)進行分類模型的性能評判，由于F1值主要用來作為正負樣本比例相差較大情況下的評價指標(biāo)，本文正負樣本比例3∶4，相差不大，采用準(zhǔn)確率作為主要評價指標(biāo)更為合適，F(xiàn)1作為參考指標(biāo)．

對比以上3個試驗的測試結(jié)果，對試驗結(jié)果進行分析．

試驗1： 基于穿戴式設(shè)備參數(shù)分析的跌倒判斷方法，通過7種不同的模型和網(wǎng)絡(luò)進行了測試．從試驗結(jié)果上看，如圖5所示，由于參與訓(xùn)練參數(shù)較小，7種機器學(xué)習(xí)分類算法訓(xùn)練的模型性能差異不大．用于對比的體征數(shù)據(jù)跌倒判斷模型的F1比較接近，上下限閾值差別在0.04以內(nèi)，準(zhǔn)確率差別稍大，但閾值差距也在0.07以內(nèi)．KNN和隨機森林算法準(zhǔn)確率較高達到0.77，BP網(wǎng)絡(luò)次之，F(xiàn)1分?jǐn)?shù)達到0.76，邏輯回歸和貝葉斯算法最低為0.69和0.71．對于準(zhǔn)確率相近的KNN和隨機森林算法，說明兩種方法在真正例(True Positive，TP)和真反例(True Negative，TN)的判斷上性能相似，而KNN的F1值略高于隨機森林，說明其在假反例(False Negative，F(xiàn)N)和假正例(False Positive，F(xiàn)P)的判斷上更優(yōu)于后者，更適用于本文研究環(huán)境的對象．

圖5 穿戴設(shè)備感知數(shù)據(jù)摔倒判斷模型測試結(jié)果統(tǒng)計

從表2可知，試驗2基于單一骨骼關(guān)節(jié)的跌倒動態(tài)圖像檢測模型的準(zhǔn)確率(Accuracy)為0.79，但是精準(zhǔn)度值只有0.75，原因在于對實際為負樣本的數(shù)據(jù)被錯誤的分類為正樣本的情況偏多，導(dǎo)致TN值較低、 FN值較高，有21個非跌倒場景(負樣本)被識別為跌倒場景(正樣本)．因此可知，模型雖有良好的準(zhǔn)確率，但是其精準(zhǔn)度(Precision)遠低于基于穿戴式設(shè)備參數(shù)分析的KNN模型．剖解上述FN的情況，21個樣本中17個為坐靠、 躺倒的場景，占總FP的81%，因為在人快速躺倒于床上(睡覺)或者坐在沙發(fā)上的動作和跌倒類似，且放松狀態(tài)下的坐下及躺倒速度和跌倒?fàn)顟B(tài)幾乎相同，從骨骼節(jié)點的矢量變化和身體傾斜角度變化上很難區(qū)分坐靠和躺倒場景對跌倒識別的干擾，而從穿戴設(shè)備采集的身體指標(biāo)數(shù)據(jù)則可以區(qū)分出意外跌倒時和有意識左下或躺倒時的生理狀態(tài)，因此出現(xiàn)了穿戴式設(shè)備參數(shù)模型精準(zhǔn)度高于圖像識別模型的情況．

對此，本文進一步優(yōu)化跌倒識別模型．由于主動地坐下和躺倒時，人體軀干位置和床、 沙發(fā)等休息用家具位置存在大量重疊，因此在圖像處理過程中，除了用Mask RCNN識別提取人體邊框，還標(biāo)記出圖像中沙發(fā)、 椅子、 床的邊框，將以上3類物體邊框信息同時作為輸入?yún)?shù)，訓(xùn)練生成具備周邊環(huán)境感知能力的跌倒圖像識別模型．改進后的模型準(zhǔn)確率為0.85，相比改進前提高了6個百分點，相比試驗1結(jié)論中最優(yōu)的KNN模型提高了8個百分點．

在改進后的圖像跌倒識別模型結(jié)果中，F(xiàn)N樣本中存在少量跌倒于沙發(fā)或者床上的情況，此類情況下用人體身體位置和沙發(fā)、 床等家具位置亦無法判斷是否跌倒，此時，只有通過穿戴式設(shè)備獲取的人體生理狀態(tài)指標(biāo)進行分析，因此，試驗3將生理指標(biāo)、 垂直加速度和圖像參數(shù)融合為綜合評定參數(shù)，采用相同的BiLSTM網(wǎng)絡(luò)進行處理．對比之下，試驗3基于多維數(shù)據(jù)融合的跌倒模型準(zhǔn)確率為0.90，相比試驗2方法的結(jié)果提高了5個百分點，相比試驗1方法的結(jié)果提高了13個百分點．

表2 純圖像跌倒識別模型及多維數(shù)據(jù)分析模型測試結(jié)果

從3個試驗結(jié)果分析，通過視頻圖像的跌倒判斷模型比穿戴式設(shè)備數(shù)據(jù)跌倒判斷模型的準(zhǔn)確率值高8%，但針對部分特殊情況，結(jié)合生理數(shù)值可以排除場景干擾，提高分類準(zhǔn)確率．因此融合圖像數(shù)據(jù)、 穿戴式設(shè)備數(shù)據(jù)的綜合判斷模型在村鎮(zhèn)老年人跌倒識別場景中具有更高的性能，與單一參數(shù)判斷模型最高的值相比分別提高了5%和13%．

3 結(jié) 論

綜上，基于生理體征數(shù)據(jù)分析跌倒行為預(yù)測法在采用隨機森林和k鄰近點時具有0.77的準(zhǔn)確率，基于多關(guān)鍵點及周邊環(huán)境感知的跌倒圖像檢測準(zhǔn)確率為0.85，而本文提出的多維數(shù)據(jù)融合的村鎮(zhèn)老年人跌倒綜合判斷法將圖像數(shù)據(jù)和體征數(shù)據(jù)融合后采用BiLSTM模型訓(xùn)練分類，準(zhǔn)確率達到0.90，優(yōu)于以上兩種方法．同時，在村鎮(zhèn)地區(qū)設(shè)備故障無法修復(fù)，或通訊出現(xiàn)問題的情況下，視頻數(shù)據(jù)或者生理特征數(shù)據(jù)無法同時傳輸，仍可通過對生理特征或圖像特征的單一參數(shù)模型進行監(jiān)測預(yù)測，同樣具備較高的準(zhǔn)確率，保證了老年人跌倒檢測的持續(xù)性和實時性．

4 優(yōu)化與改進

由于試驗樣本數(shù)量仍然有限，本文采用的方法尚為一般性算法模型，在性能穩(wěn)定、 運算快速的基礎(chǔ)上獲得了較高的精準(zhǔn)度和F1分值，而當(dāng)下神經(jīng)網(wǎng)絡(luò)發(fā)展迅速，如果將遷移學(xué)習(xí)和知識蒸餾等方法應(yīng)用到老年人跌倒識別模型的研究上，可通過深度網(wǎng)絡(luò)的剪枝，將大型復(fù)雜的深度模型縮減為精簡靈活的輕量級模型，有望通過小樣本數(shù)據(jù)獲取小體積、 快速敏捷的輕量級深度神經(jīng)網(wǎng)絡(luò)模型，提供更快捷、 更精準(zhǔn)的村鎮(zhèn)老年人跌倒判斷預(yù)警，也更有利于模型在終端設(shè)備上部署安裝和實時的處理運算，這將是今后需要進一步深化研究的方向．