桂若霞 程進 樸林華 鄒小平 李曉彤

北京信息科技大學北京市傳感器重點實驗室，北京 100101

0 前言

2020年，我國老年人口已達到2.5億人，預計未來十年仍將持續(xù)增長?，F階段，老年群體的生活質量普遍低下、老年群體生活服務措施欠缺等諸多問題都反映出我國在老年群體層面上的相關保障制度還不是很完善[1]。我國正面臨著高效養(yǎng)老、保障制度、醫(yī)療服務、老年人生活起居服務等多個方面的養(yǎng)老問題。由于大部分成年的子女在外務工，無法照顧在家的老人，有的，即使在一個城市也往往因為思想觀念和生活習慣的不同，產生糾紛和矛盾，所以，傳統(tǒng)的居家養(yǎng)老模式正在經受嚴峻挑戰(zhàn)。同時，在傳統(tǒng)的居家養(yǎng)老模式中，老年人生病時家屬們不能在第一時間獲知，老年群體獨自外出發(fā)生意外時也不能及時得到救助，這些潛在隱患讓老人們和兒女們都更傾向于養(yǎng)老機構養(yǎng)老模式[2]。

2012年，陳迪榮等人[3]發(fā)明的可用于智能養(yǎng)老院系統(tǒng)終端的電路設計實現了老人摔倒報警及按鍵呼叫的功能，但是設備通信速度不是很理想而且鋰電池往往壽命不長，容易造成設備故障而無法工作；2019年，黃鈺靖等人[4]基于深度學習的智能養(yǎng)老院管控系統(tǒng)關鍵技術研究了老人防跌倒問題和預防問題，但對于老人主動求救方面并沒有明確探究。

綜上，目前的養(yǎng)老機構對老年群體的監(jiān)管模式局限于可穿戴設備或者簡單的視頻監(jiān)控，一旦有人突發(fā)意外，不能第一時間得到救援。為了有效和高效地監(jiān)護老人，本設計使用攝像頭每隔5 s進行一次拍照，然后將照片傳給上位機，最后將照片導入已經搭建好的卷積神經網絡模型進行識別。當檢測到老人摔倒后，該系統(tǒng)會立即通過微信通知醫(yī)務人員；同樣，當檢測到老人主動面對攝像頭進行揮手尋求幫助時，該系統(tǒng)也會通過微信通知醫(yī)務人員。

1 系統(tǒng)設計

1.1 系統(tǒng)構成

系統(tǒng)構成示意圖如圖 1 所示。系統(tǒng)硬件由一個微型電腦適配攝像頭（見圖 2左邊）和一臺上位機（見圖 2右邊）兩部分構成。其中，由微型電腦控制的攝像頭每隔5 s拍攝一張照片，然后通過局域網將照片上傳至上位機，上位機將圖片導入姿勢識別模型，進行此時的姿勢識別，如前后兩次識別判斷均為同一姿勢，比如摔倒或者求救，上位機自動打開微信，向指定聯(lián)系人發(fā)送消息。

1.2 卷積神經網絡原理

本系統(tǒng)主要是運用了卷積神經網絡對老人姿勢進行識別。卷積神經網絡是一種類似于人工神經網絡的多層感知器，其首次發(fā)明應用于在MNIST 數據集上解決手寫數字問題[5]。

同樣，卷積神經網絡架構與人工神經網絡架構也十分相似，如圖 3 所示。一個卷積神經網絡通常由以下 5 種結構組成：數據輸入層、卷積計算層、池化層、全連接層和數據輸出層[6]。其中，數據輸出層的作用主要是將數據進行一些基礎操作，比如：取均值（即：將樣本的中心拉到坐標系的原點）、歸一化（即：將樣本數據的范圍都約束在0到1之間）、降維（即：使數據維度降低，避免在后續(xù)的卷積計算層中程序崩潰）；卷積計算層利用過濾器跳過每次移動一個單元的方式對輸入內容進行卷積，如果想得到更小的空間維度時，可以采用增加步幅的方式調節(jié)；池化層位于兩個卷積層之間， 用于壓縮數據及其參數的量，這是一個降維過程，目的是避免出現過擬合現象；全連接層位于卷積神經網絡的最后幾層，用于對前面所設計的特征做加權和[7‐8]。

圖 4 為本文系統(tǒng)的卷積神經網絡架構。首先將輸入的圖像分解為3×3的像素矩陣塊，然后通過卷積濾波器進行矩陣的乘法運算，將所得結果組成由權重和偏置量組成的特征矩陣，未填寫部分用0進行填充，注意生成的特征矩陣與最初的圖像尺寸要保持相同。之后再將數據通過池化層，然后在特征矩陣中取最大值后形成新的矩陣，目的是為了減少數據的處理量，同時又盡可能保留最有價值的信息。最初的圖像經過 “卷積→池化→全連接”這個過程輸出最終結果。

1.3 數據集

為了準確地識別老人姿勢，在未找到合適的數據集的情況下，由實驗室團隊自己拍照創(chuàng)作了對應的姿勢數據集，用于對卷積神經網絡的訓練，如圖 5所示。首先通過攝像頭錄制視頻，再從視頻中按幀截取圖片，共采集了4 類照片，包括：摔倒、救助、走路、無人在場。在拍攝視頻時，變換場景，盡量在多個場景下進行模擬，實現環(huán)境的多變。

1.4 微信通知

當本視頻監(jiān)控系統(tǒng)開始工作后，每隔5 s發(fā)送一次老人目前狀態(tài)，如果前后兩次檢測到相同狀態(tài)，比如摔倒或者求救，則向特定微信聯(lián)系人發(fā)送消息，通知管理人員或醫(yī)務人員及時處理。其余狀態(tài)不做處理。

2 老人姿勢識別模型訓練

將拍攝的姿勢數據集導入，對這些圖片分別打上對應的標簽，然后打亂圖片的排列順序，對其進行卷積神經網絡的訓練，訓練結果如圖 6所示。從結果中可以看到，隨著每次訓練輪次的增加，在精確度提高的同時，損失度不斷降低，最終訓練集的精確度達到 93%，驗證集的精確度達到 73%左右。

3 工作流程

圖 7 為系統(tǒng)的工作流程圖。通過攝像頭拍照后上傳給電腦，再利用自行創(chuàng)建的姿勢數據集完成卷積神經網絡的訓練。通過本次檢測結果和5 s前的拍照檢測結果一同判斷老人的情況，若兩次檢測均判定為同一姿勢。比如：檢測到有人摔倒，則通過微信呼叫醫(yī)務人員；檢測到有人舉手或者揮手，則通過微信呼叫醫(yī)務人員；其余姿勢不做處理。

4 結束語

目前，市場上針對養(yǎng)老院安全防護的產品大多屬于主動求助，比如按動某個墻壁上的按鈕，或者隨身攜帶求救工具才能向醫(yī)務人員發(fā)送求救消息。本系統(tǒng)運用人工智能技術來識別老人動作姿勢，可以應對很多突發(fā)情況，比如老人昏倒，但由于周圍無人而無法及時救助，智能識別系統(tǒng)可以主動檢測到老人的狀態(tài)，及時尋求幫助；或者比如老人被重物卡到胳膊或者腿而無法移動時，可以揮手或舉手，智能識別系統(tǒng)也可以識別出來，然后及時聯(lián)系監(jiān)護人幫助老人擺脫困境。同時，該裝置結構簡單，成本較低，易于安裝，操作簡便。需要說明的是，本養(yǎng)老院檢測系統(tǒng)中的卷積神經網絡模型中需要用到大量的老人照片，由于測試過程中訓練集只有一人，所以訓練集并不理想，要得到真實的訓練集則需要大量的老人作為樣本，這需要大量的人力物力。