基于隐马尔可夫模型的老年人跌倒行为检测方法研究

随着社会老龄化程度的加剧,老年人的安全健康监护需求日益增加。跌倒行为在老年人日常生活中比较常见,它会给老年人带来严重的身体及心理伤害。因此,跌倒检测对于保护老年人的健康及安全具有重要意义。针对跌倒的运动过程,分析人体加速度变化特征,提出基于隐马尔可夫模型(HMM)的跌倒检测方法。将人体跌倒的加速度信号提取为加速度观测序列,并以此为训练样本训练隐马尔可夫模型,建立跌倒过程的概率模型进行跌倒检测。在验证实验中,采集10名志愿者共300例样本,采用5折交叉检验方法,对模型的有效性进行验证。验证结果表明,该方法检测跌倒的准确率为98.2%,灵敏度为91.3%,特异性为99.6%,具有良好的检测效果,可实现对跌倒行为的准确检测。     

基于MEMS传感器的可穿戴式老年人跌倒监测系统的设计

为了缩短老年人跌倒后的救助时间和提高安全保障,我们设计了一种基于加速度和角速度传感器的跌倒监测装置。该装置结合机械微电子系统(microelectro mechanical system,MEMS)传感器、数字信号处理及无线传输技术应用于智能手机上。为区分人体跌倒事件和日常行为,结合人体三轴加速度和角速度联合对跌倒事件进行判断,通过大量实验选取合适阈值。针对老年人的生活特点,数据通过蓝牙装置发送至手机上进行处理,通过手机语音报警、手机GPS定位系统和短信通知医院和用户监护人,使得老年人跌倒后能够在第一时间获得救治,减小伤害。经过大量的实验测试结果统计,相比较于传统的三轴加速度判断跌倒事件,结合三轴加速度和加速度联合判断使该系统的准确率从84.29%提高至100%。结果表明:基于MEMS传感器的可穿戴式跌倒监测系统具有便捷、准确、功耗低的特点,能够准确监测出跌倒事件并进行报警。     

基于三维加速度传感器设计的跌倒检测

背景:老年人的机体会随着年龄的增长而发生一定的变化,急、慢性疾病的病理性改变可能会影响感觉输入、中枢神经系统功能和骨骼肌肉力量的协调,从而导致老年人发生意外跌倒的事故也越来越多。如果在日常生活中,老年人发生跌倒的时候,能够及时发现,就能避免更严重的后果。目的:设计一个基于三维加速度传感器的跌倒检测装置。方法:结合ZigBee无线通信技术,设计一个基于三维加速度传感器的跌倒检测装置。将采集的加速度信号通过ZigBee方式无线发送至上位机进行数据分析处理。结果与结论:实验证实,该装置可以实现对跌倒发生的准确判断,并能对发生跌倒的类型进行分类,使得老年人在发生跌倒后可以及时得到医疗救护,并为医生对老年人的健康状况的判断提供了可参考的信息。     

基于多传感器数据融合的跌倒检测算法

目的跌倒在老年人生活中是一种常见的现象,是致使老年人发病和死亡的主要原因之一。实时的跌倒检测系统能够及时报警,缩短等待救治的时间,减少由跌倒引起的意外伤害。可是,在大多数的跌倒检测系统中,人们仅利用加速度计设计检测系统,基于单一数据的算法不能完整表征跌倒时身体姿态变化的信息。为此本文拟采用陀螺仪和加速度计的数据设计跌倒检测的算法。方法首先介绍了利用MEMS惯性传感器设计置于腰间的可穿戴的跌倒检测系统,然后对跌倒的规律进行了分析,基于此提出了基于多传感器数据融合的跌倒检测算法,即通过数据融合的技术提取出身体加速度及其动态量和静态量、加速度变化量、身体姿态角、角速度绝对值之和等特征参数,利用多参数设计了基于阈值判定的跌倒检测算法。结果收集10名志愿者做模拟跌倒以及日常活动的数据,对算法的有效性进行验证,取得96.67%的灵敏度和97%的特异性,并且此指标高于Kagans等算法的结果。结论本文提出的算法在跌倒检测中具有较好的有效性及优点。     

基于心率变异性分析的睡眠分期算法研究和验证

为实现睡眠分期,为穿戴式生理参数监测技术在慢病监测领域的应用提供技术支撑,发展基于心率变异性和支持向量机模型的睡眠分期算法。从心率时间间期序列中提取时域、频域和非线性等86个特征,将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”,采用支持向量机作为多分类器模型;为保证训练集数据质量,使用开放睡眠数据库SHHS中由专家确认挑选的67例PSG样本作为训练集,实现特征筛选和模型参数训练。为验证模型的泛化性能,从SHHS数据库中进一步随机提取939例PSG样本,对模型性能进行测试。睡眠分期模型在训练集上的五折交叉验证的准确率为84.00%±1.33%,卡帕系数为0.70±0.03;在939例测试集上的准确率为76.10%±10.80%,卡帕系数为0.57±0.15。剔除RR间期异常(110例)和明显睡眠结构异常(29例)的样本后,测试集(800例)的准确率为82.00%±5.60%,卡帕系数为0.67±0.14。所提出的基于心率变异性分析的睡眠分期算法具有较高的准确性,大样本人群测试结果表明,该模型具有较好的普适性。     

基于MSP430及安卓系统的老年人生理信息监护系统

目的：随着老龄化的不断加剧,老年人的监护需求量也在不断的增加,为了解决相应的老年人监护问题,介绍了一种基于MSP430单片机和安卓系统结合的老年人生理信息采集监护系统的工作原理。方法：以MSP430为核心,配以血氧、体温等传感器模块对老年人生理信息进行采集,利用传感器技术与嵌入式技术相结合。设计了生理信息采集终端。设计中采用了跌倒检测,在老年人出现跌倒时,能够及时通知监护人员,防止出现救治不及时的情况,同时还利用蓝牙通信,将采集的信息上传到基于Android系统的智能手机终端。利用Android系统上传数据到服务器,为老年人建立生理监护系统。结果：对设计进行了实验测试．经试验表明系统能够正常的进行数据采集,体温测量数据误差在±0．3℃,血氧饱和度的测量在正常范围95％-98％之间,跌倒检测很准确的检测到了跌倒状况,满足测试的标准,达到了设计的预期效果。结论：该系统能够很好的实现老年人的生理信息监护．对老年人的血氧、体温进行了很好的监测．在老年人出现跌倒时能够及时的进行报警,得到救治,具有良好的扩展性和广泛的应用前景。     

基于判别式深度置信网络的心律失常自动分类方法

现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和RR间期特征进行心律失常分类。为了进一步提高DDBNs的分类性能,本文将DDBNs转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIH AR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达99.84%±0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达99.31%±0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取ECG信号特征及分类提供了一种新的解决方法。     

基于小波散射神经网络的血管硬化识别初探

血管硬化是心血管疾病的独立预测因子,柯氏音的特征与血管顺应性密切相关。本研究的目的是探究基于柯氏音信号的特征进行血管硬化检测的可行性。分别采集正常血管和硬化血管的柯氏音信号,并进行预处理,利用小波散射网络对柯氏音信号进行散射特征提取,搭建长短期记忆网络（LSTM）作为分类模型,对散射特征进行分类,评估LSTM分类模型的性能。本研究共有97例柯氏音信号数据,其中血管硬化组为50例,血管正常组为47例,按照8∶2的比例划分为训练集和测试集。最终分类模型的准确率为86.4%,敏感度为92.3%,特异性为77.8%。研究结果表明,柯氏音信号的特征受到血管顺应性的影响,利用柯氏音信号的特征进行血管硬化的检测是可行的,本研究为无创血管硬化检测提供了一种新的思路。     

基于深度相机的老年跌倒监护系统

为缓解社会老龄化压力和解决子女照顾老人的精力不足等问题,设计一种基于深度相机的高准确性和低误报性的人体跌倒检测系统。该系统使用RGB相机和红外IR相机获取标定后的老人所在环境的3D图像,并利用深度卷积神经网络提取人体的多个关节点位置,最后基于多个连续帧之间人体关节点的运动变化特征和3D场景特征相结合的方法综合判定老人是否发生跌倒行为。测试实验结果表明该系统能有效地检测到人体的跌倒行为,具有十分优良的鲁棒性。     

基于高效时空图卷积的异常步态识别算法研究

为实现人体异常步态的自动识别,本研究提出一种基于高效时空图卷积神经网络的异常步态识别算法,使用两个Kinect深度相机传感器提取人体三维骨架数据,基于时空图卷积采用早期多分支融合策略,生成关节、运动和骨骼三类特征。经特征融合后,使用两个时空图卷积块作为主流网络进行训练,结合时空关节注意力机制增强模型鉴别能力。在两个公开数据集上测试分别取得了99.37%和96.10%的平均准确率,实验结果高于其他基于骨架的图卷积神经网络方法。本研究提出的高效时空图卷积网络能有效鉴别异常步态,有助于异常步态的早发现、早诊断和早治疗。     

基于惯性传感器的老年人姿态监测装置设计

为解决人口老龄化社会所带来的老人跌倒事件频发,减轻跌倒等异常状态对老年人的伤害,研发了一种基于惯性传感器的穿戴式姿态监测装置。该装置基于姿态解算特性,通过采集三轴加速度计、三轴陀螺仪和三轴磁力计的数据,以多种运动特征为依据进行姿态判别,不仅可以检测跌倒状态,还可对老年人的日常姿态及位置信息进行连续监测并进行步数统计,利用GPRS网络向服务器上报数据。装置中加入了语音推送功能,可对服务器端推送的天气信息、问候信息等进行语音播报。试验结果表明,该装置可对佩戴者的姿态及位置信息进行连续监测,当出现跌倒等异常状态时,可实现实时报警及对事故发生地的准确定位,姿态识别的准确率不低于98%。     

基于步态特征的老年人跌倒风险预警模型

目的根据6种步态的测试参数分别构建老人跌倒风险预警模型。方法使用数字化场地采集有跌倒史和无跌倒史老年人的6种步态参数,采用二项logistic回归分析法,建立预测老人跌倒风险的回归方程,构建跌倒预警模型。结果根据6种步态的测试参数所构建的回归方程均具有统计学意义,预测总体正确率由高到底依次为:闭眼正走(97.1%)、睁眼倒走(92.9%)、闭眼倒走(88.6%)、睁眼正走(87.1%)、睁眼上下转头(85.7%)、睁眼左右转头(82.9%)。所构建的老年人跌倒风险预警模型主要包括判定、测试、提取、计算、预警5个步骤,适合在实验室内对老年人进行步态测试与跌倒风险评估。结论 6种步态的测试参数都能够预测老年人的跌倒风险,其中闭眼正走的预测效果最好,是预测老年人跌倒风险的最佳步态。所构建的老年人跌倒风险预警模型用于预测65～75岁老年人1年内的跌倒风险,并可根据跌倒概率发出预警,对预防老年人跌倒具有积极作用。     

基于卷积神经网络的复合菌落智能分类识别

为满足复合菌落智能形态分类的需求,构建菌落分类卷积神经网络。通过水平集演化分割,获取培养皿内部所有的连通域;通过极限腐蚀,判别种子点数目大于1的连通域,即为粘连连通域;获取粘连连通域的凸闭包,检测凹点并连接对应凹点,对该连通域进行分割。归一化获取的600张单个菌落样本,通过旋转翻转并叠加信噪比不超过5%的随机噪声,将数据扩增至30 000例。以其中70%样本数据作为菌落分类卷积神经网络的训练集,对网络模型进行10折交叉验证,再以30%样本数据进行测试,4种菌落的加权平均准确率达到87.50%;其中斑点状光滑菌落分类准确率为86.40%,类圆波状菌落分类准确率为87.21%,椭圆形菌落分类准确率为88.11%,不规则其他菌落分类准确率为87.25%。最后采用通用计算设备架构(CUDA),对各个算法模块进行并行优化加速,算法运行时间最优提升至原耗时的1/10,在运行速度和便利性方面远远超过传统菌落分类方法。所设计的方法可以有效完成复合菌落智能分类识别任务,并具有良好的扩展性和自学习功能,对基于图像的生化样本智能分析具有一定的借鉴价值。     

基于三维密集网络的肺结节检测方法

针对传统基于三维特征的肺结节检测方法存在小结节检出率不高且计算量大的问题,提出一种更为高效的基于三维密集网络的肺结节检测方法。首先将密集连接单元引入3D U-Net,构建适用于肺结节检测的3D Dense U-Net网络;由于3D Dense U-Net用密集连接块代替原始3D U-Net的普通卷积层,可最大化地保证层与层之间的信息流通,不仅能解决传统堆叠式网络所存在的特征冗余问题,而且能加快网络训练速度。同时,该网络保留U-Net的基本连接方式,以实现底层特征的复用,从而可以有效地获取候选结节。在此基础上,针对候选结节中包含假阳例的问题,为了更加有效地获取结节特征,提高网络对结节的鉴别能力,构造三维密集分类网络(3D DenseNet)进行假阳例的剔除。在天池医疗AI大赛数据集的测试中,检测肺结节总体敏感度94.3%,10 mm以下结节敏感度91.5%,假阳例率5.9%。 所提出的基于三维密集网络的肺结节检测方法对于小结节的检测更加灵敏,不仅能提高结节检出率,而且计算效率也有所提高。     

基于极限学习机的室性早搏判别算法的实现

室性早搏是常见的心律异常疾病,给人的生命带来威胁,准确的心律异常诊断对于帮助人们预防心血管疾病起到重要的作用。以MIT-BIH心律异常数据库中的数据作为分析对象,提出一种基于极限学习机算法的诊断方法,主要包括信号预处理、特征提取和分类,实现心电信号室性早搏异常的判别。采用小波变换结合形态学算法,对信号进行预处理,去除干扰,得到纯净的心电信号。通过K-means聚类算法提取QRS波群等特征参数,根据这些参数建立正常窦性心律和室性早搏的正样本和预测样本,再结合极限学习机分类器进行样本训练匹配和分类识别。选取1 260个周期信号进行实验,结果表明,该算法能准确诊断出室性早搏异常,最终阳性平均检测率达到95%,平均灵敏度达到96%。该算法相比其他算法,在识别精度相当的情况下,可极大提高算法的实时性,具有很高的研究价值,同时在移动医疗和临床医疗方面也具有一定的实用价值。     

基于倾角的跌倒检测方法与系统研究

跌倒作为一种伤害性动作,威胁着人的安全与健康,特别是对于老年人,跌倒往往造成损伤甚至因伤死亡的严重后果。本文提出一种基于角度的跌倒检测方法。首先,利用安装在腰部的便携式角度传感装置,采集人体运动时的角度信息,并通过无线数据传输装置发送到计算机。然后,将跌倒过程分为3个检测阶段(跌倒初期、跌倒碰撞、倒后姿势),通过对每个阶段的角度数据进行短时特征提取与分析,做出基于阈值的判决。最终,综合3个阶段的判决结果给出较为稳健的跌倒检测结果。实验结果表明,本文采用的基于角度的跌倒检测方法较为有效,跌倒检测正确率达到97.23%,且同时漏检率为0。     

跌倒检测中人体头部和腰部相关性的研究

本研究采用惯性传感器对跌倒过程中人体头部和腰部的运动学数据进行相关性分析,由志愿者模拟五种日常活动动作和四种跌倒动作,进行大量模拟试验。发现在实验条件下,人体头部和腰部的合加速度相关性极低或不相关,头部和腰部的合加速度偏离竖直方向的角度在大部分日常活动中相关性极低或不相关,但在跌倒过程中,具有较高相关性。该结论可为跌倒的预测及检测提供一种新方法。     

结合多模态融合方式的脉搏波房颤识别

针对心房颤动疾病诊断检测复杂,病理检查有创等问题,构建基于脉搏波与深度学习的心房颤动分类预测模型,实现对心房颤动疾病的准确预测。首先,通过脉搏波设备采集数据,与MIMIC-Ⅲ数据库数据共同构建PPG-AF数据集;其次,基于Pytorch深度学习框架构建用于房颤分类的ResNet-CBAM-1DCNN双通道卷积神经网络;最后,将数据集按照8:1:1的比例划分为训练集,验证集和测试集,将脉搏波和其对应的格拉姆角场图作为输入,通过对网络结构和超参数的优化,在测试集中分类的F1分数达到了97.30%,准确度达到98.12%。本研究基于脉搏波信号与双通道卷积神经网络模型,能够实现对心房颤动疾病的准确诊断,有望为临床医师制定最佳治疗决策提供重要依据。     

基于支持向量机的肺CT图像三维磨玻璃结节的提取和识别

提出一种基于支持向量机的提取和识别肺CT图像三维磨玻璃结节(GGN)的算法。该算法首先根据肺实质三维图像的连通性,分割出肺实质区域,然后在肺实质区域内提取潜在GGN的孤立组织,并用三维形状特征和三维纹理特征建立识别结节的线性模型。依据临床医师标定的图像,通过支持向量机确定该线性模型参数。最后,采用该线性模型识别孤立组织中的结节。本研究采用139例临床医师标定的肺腺癌数据,其中100例作为训练集,39例作为测试集。测试结果表明,该算法可有效识别出肺CT图像的GGN,通过受试者工作特征曲线(ROC),得到ROC曲线下面积的值为0.937 2。     

改进型深度学习模型在乳腺肿瘤良恶性鉴别中的应用

目的:解决传统方法在临床中对病理图像检测不足以及人工判断导致的错误判断等问题。方法:使用乳腺肿瘤细胞数据集,首先对数据集进行数据增强,增强后数据集为原来的2倍,将增强后数据集输入到本文提出的模型中进行训练。结果:经过100次迭代,训练集的准确率为97.44%,在测试集中准确率为96.4%,召回率为95.5%,与同类型文献相比都有明显提高。结论:本文章提出的改进型卷积神经网络具有收敛快,泛化好等特点。可以对乳腺肿瘤细胞的良恶性进行有效的辨识分类。