基于ZigBee和CNN的低功耗跌倒检测技术

摘要：

针对社区老年人跌倒检测的低功耗、高准确率要求,本文在建立基于三轴加速度、角速度的人体活动模型基础上,采用低功耗ZigBee和可在休眠状态采集并缓存数据的MPU6050动作传感器设计构造人体活动感知模块,并设计了中断驱动的低功耗人体活动数据采集传输算法,实现老年人活动数据的低功耗采集与远距离传输;其次,在数据接收端应用滑动窗口技术实时接收和缓存人体活动的三轴加速度、角速度数据,将这些数据进行量程规范并映射成对应的RGB 3通道像素数据;最后,在分析人体日常活动与跌倒数据及其对应像素图差异的基础上,设计了面向跌倒检测的卷积神经网络(FD-CNN),并结合互联网上公开的日常活动和跌倒数据进行网络训练和测试.实验结果证明FD-CNN跌倒检测的准确率达到98.6%,系统的敏感度和特异性分别达到98.6%和99.8%,FD-CNN相比已有的跌倒检测算法在系统准确率、敏感度和特异性等方面都有显著提高;相比已有基于蓝牙的跌倒检测系统,本系统的传输距离远、易组网,同时系统功耗更低,适合于社区老年人的跌倒检测与报警.

关键词：跌倒检测、ZigBee、低功耗、卷积神经网络

所属期刊栏目：52

分类号：TP311.1(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61602016;北京市科技计划资助项目D171100004017003. Supported by the National Natural Science Foundation of China61602016;the Beijing Science and Technology ProjectD171100004017003

在线出版日期：2019-08-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1045-1054