申请/专利权人：厦门狄耐克物联智慧科技有限公司

申请日：2024-04-02

公开（公告）日：2024-06-14

公开（公告）号：CN118196903A

主分类号：G06V40/20

分类号：G06V40/20;G06V10/20;G06V10/44;G06V10/774;G06V10/82;G06N3/0464;G06N3/048;G06N3/08;G06N20/00

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：本发明公开了一种智慧病房基于机器学习的跌倒姿势检测方法，包括以下步骤：S1：进行数据采集、标准与预处理，其具体步骤如下所示：S101：预先收集大量的患者正常活动和模拟跌倒的图像数据，根据标签分类为两个数据集，并将这些图像用于训练系统，从而建立一个全面而多样化的数据集；S102：人工对采集到的图像进行标注，将跌倒和非跌倒的姿势分别标记。本发明通过整合PoseDetection模型和Keras模型，充分利用了两者的优势，提高了跌倒姿势预测的准确性，另外通过实时监测患者姿势并即时触发警报，能够在患者跌倒时提供迅速的帮助，降低了医护人员对患者安全的关注成本。

主权项：1.一种智慧病房基于机器学习的跌倒姿势检测方法，其特征在于，包括以下步骤：S1：进行数据采集、标准与预处理，其具体步骤如下所示：S101：预先收集大量的患者正常活动和模拟跌倒的图像数据，根据标签分类为两个数据集，并将这些图像用于训练系统，从而建立一个全面而多样化的数据集；S102：人工对采集到的图像进行标注，将跌倒和非跌倒的姿势分别标记；S103：利用TensorFlow模型中的数据预处理工具集的图像加载转换模块、图像增强模块，从而通过设置图片的旋转角度、随机平移范围、剪切变换强度、随机缩放程度、水平翻转角度和空白区域填充范围参数，来将图像文件转换为numpy数组；S2：Keras模型采用卷积神经网络深度学习模型架构，Keras模型包括输入层、卷积层、池化层、全连接层以及激活函数，Keras模型通过3x3卷积核提取特征值，通过2x2的池化窗口进行最大池化提取特征，其中Keras模型设置训练轮数为10轮、每批次训练量为24、输入影像尺寸为800x800分辨率，在最终池化后随机舍弃10％的特征参数，在浓缩出了大量的样本特征后，Keras模型的全连接层通过激活函数对特征数据进行加权求和并评分，给出最终结果，用于对跌倒图像进行判断，使Keras模型能够学习跌倒和非跌倒姿势的特征；S3：将预训练好的PoseDetection模型载入代码中，对PoseDetection模型和Keras训练模型进行集成，形成整体的跌倒姿势检测系统，对PoseDetection模型和Keras训练模型进行集成的具体过程如下所示：S301：PoseDetection模型通常输出包含人体关键点的图像，然后人工需要对这些输出根据检测到的关键点，裁剪出包含人体的图像，再将裁剪后的图像调整为Keras模型的输入大小，最后输出给Keras模型；S302：使用上述预训练好的Keras模型学习跌倒和非跌倒姿势的特征，来定义图像的输入特征格式和定义模型输出阈值，训练好的Keras模型在预测时输出一个概率值，通常在0到1之间，可以设置一个阈值为0.85，当输出概率超过0.85阈值时判断为可能跌倒图像，超过0.95阈值时判断为大概率跌倒图像；S4：借助智慧病房床头分机床旁终端开启摄像头，通过摄像头捕获患者的实时图像，将图像数据上报至由上述的跌倒姿势检测系统，跌倒姿势检测系统将对输入图像进行数据处理、解析及模型判断，输出结果，若跌倒姿势检测系统判断患者处于跌倒状态，将通过智慧病房床头分机床旁终端发出报警信息至智慧病房护士站护理白板并通知护士。

全文数据：

权利要求：

百度查询： 厦门狄耐克物联智慧科技有限公司 一种智慧病房基于机器学习的跌倒姿势检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD