[01331378]面向高血压老年人群的跌倒监控关键技术的研究

老年高血压患者日常运动识别模型

运动-血压关系挖掘模型高血压运动识别：本研究基于CNN-LSTM模型，引入全局注意力机制，实现多模态特征提取及融合，有效改善活动识别精度。本模型在公开数据集“UCI HAR”进行测试得到99.5%识别准确率。具有研究方案以及实验代码及结果数据。运动-血压关系挖掘：该研究通过传感器进行数据收集并计算血压变异性，通过深度置信网络与逻辑回归模型实现运动-血压关系挖掘，具有研究方案以及实验结果数据，最终应用在监控平台。

跌倒方式和跌倒方向识别、跌倒后伤害预测

跌倒行为识别研究：基于可穿戴传感器的跌倒行为识别研究中，采用增量学习算法实现针对用户个人的跌倒行为检测模型;基于多位置可穿戴传感融合的跌倒行为检测中，通过卷积神经网络捕获其中特征，通过长短期记忆网络对其分类，获得不同活动的概率分布，最后通过激活函数层进行输出得到较高准确率;针对特定场景的跌倒行为检测研究中，通过长短期记忆-全卷积神经网络的识别模型进行跌倒行为检测。

基于环境感知传感器的跌倒行为识别研究中，针对音频信号通过基于独立分量分析进行盲源分离从而识别跌倒行为。

基于深度图像的跌倒行为识别研究中，基于深度学习和极限学习机构建新型卷积混合极限学习机模型得到99.82%准确率。

基于数据融合的跌倒行为识别中，通过获取加速度数据、人体骨架节点数据与深度图像数据，分别进行数据预处理与特征提取，在子模型中给出行为估计参数，最后输入至神经网络中进行最终跌倒行为分类，该算法最终得到97.20%的特异性具有研究方案以及实验结果数据。

伤害预测研究：通过对跌倒方向判断与跌倒部位受力实验，分析人体在跌倒时不同部位的受力大小结合有限元模型推测人体伤害程度，进行预测，具有研究方案以及实验结果数据，最终应用于移动端平台中。

面向高血压老年人群的跌倒伤害监控原型系统通过可穿戴传感器提取高血压患者人体三轴加速度、转动惯量、心率血压等数据，实现对患者日常运动识别、预警并推荐个性化运动方式;实现对老年人血压异常变化及可能伴随的跌倒等进行检测、记录与报警，并通过通知患者联系人或所在社区实现即时救助;通过就诊期间的行为信息、血压心率特征信息产生最新医疗方案，供医生辅助决策;患者方面根据实时监控，评估用户运动等依从性指标并提供提醒服务，实现意外跌倒监控，并产生相应自救和互救方案。

知识产权与论文专著课题任务预期申报发明专利4项以上，力争授权2项以上，在国内外重要学术刊物和学术会议录用和发表学术论文4篇以上，其中国内一级学报以上学术论文3篇以上。目前，已申报并受理国家发明专利4项，撰写完成1项;此外，课题执行期间申报并授权计算机软件著作权5项;在国内外重要学术刊物和学术会议录用和发表学术论文9篇，其中SCI检索5篇，国际学术会议论文2篇，国内核心期刊论文2篇。