公开(公告)号：CN114495280A

公开(公告)日：2022-05-13

申请号：CN202210116062.3

申请日：2022-01-29

Applicant: 吉林大学第一医院 ,  长春理工大学

Inventor： 刘晓亮 ,  高素君 ,  赵欣 ,  王京华 ,  汤发源 ,  曲从程 ,  赵永兴

IPC: G06V40/20 ,  G06V20/40 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 一种基于视频监控的全天无陪护病房患者跌倒检测方法，涉及深度学习和智能监控技术领域，为了解决现有技术存在的患者跌倒检测误报率高的问题，该方法：视频图像预处理；标定病床边界框；检测人体关键点；提取人体跌倒特征；判断人体是否跌倒：将标准化后的18个人体关键点坐标，人体部分关键点外接矩形的纵横比，人体部分关键点外接矩形与病床边界框的交并比，作为患者日常活动的特征向量，并利用随机森林算法实现患者跌倒检测；检测到跌倒的图片发送到医护人员手机端并发出警报，医护人员通过观察图片可以进一步判断是否是误报情况。该方法不仅具有实时性强、成本低、泛化能力强、准确度高的特点，也不会影响患者的正常的生活。

公开(公告)号：CN118968566B

公开(公告)日：2024-12-13

申请号：CN202411449644.9

申请日：2024-10-17

Applicant: 吉林大学第一医院 ,  长春理工大学

Inventor： 刘晓亮 ,  赵欣 ,  王京华 ,  谭业辉 ,  赵永兴 ,  徐梓毓 ,  曲从程

IPC: G06V40/10 ,  G06V40/20 ,  G06V10/25 ,  G06V10/44 ,  G06V10/82 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08 ,  G06V20/40

Abstract: 本公开涉及一种跌倒事件识别方法、装置及介质，属于计算机技术领域。该方法包括：利用传感器采集目标场所的图像；借助于目标检测模型对所述图像进行识别，得到人体的边界框、以及床的边界框；根据所述人体的边界框、以及所述床的边界框，计算交并比；判断所述交并比是否小于交并比阈值；若所述交并比小于交并比阈值，判定所述人体处于活动状态；利用GhostNet‑OpenPose姿态估计网络识别人体的骨骼关键点，且输出各个骨骼关键点的坐标；基于各个骨骼关键点的坐标，计算得到肘关节的实时关节角度和膝关节的实时关节角度；将所述肘关节的实时关节角度和所述膝关节的实时关节角度输入决策树跌倒分类算法，识别跌倒事件。本公开能准确识别跌倒事件。

公开(公告)号：CN117132949B

公开(公告)日：2024-02-09

申请号：CN202311402745.6

申请日：2023-10-27

Applicant: 长春理工大学

Inventor： 王京华 ,  曲从程 ,  赵永兴 ,  徐梓毓 ,  刘亚东 ,  刘自卫 ,  黄江南 ,  郝瑞源 ,  汤发源

IPC: G06V20/52 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/82 ,  G06V20/40 ,  G06V40/10

Abstract: 一种基于深度学习的全天候跌倒检测方法，涉及物联网技术、计算机视觉技术以及行为识别技术领域，解决现有跌倒检测方法存在传感器部署复杂，成本高或存在识别率低、误报等问题，该方法采用安防监控设备进行图像信息的采集，相较于环境设备，穿戴式设备和传统基于视觉信息的检测方法，具有准确率高、适用于复杂环境、可以全天候检测等优点。基于广泛部署的安防监控摄像头对人体的状态进行检测，可有效区分患者的休息区域与活动区域，并对活动区域的相关人员进行跌倒检测，不仅具有全天候、实时性、容错性强等特点，更可以有效减少硬件部署的成本。

公开(公告)号：CN118968566A

公开(公告)日：2024-11-15

申请号：CN202411449644.9

申请日：2024-10-17

Applicant: 吉林大学第一医院 ,  长春理工大学

Inventor： 刘晓亮 ,  赵欣 ,  王京华 ,  谭业辉 ,  赵永兴 ,  徐梓毓 ,  曲从程

IPC: G06V40/10 ,  G06V40/20 ,  G06V10/25 ,  G06V10/44 ,  G06V10/82 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08 ,  G06V20/40

Abstract: 本公开涉及一种跌倒事件识别方法、装置及介质，属于计算机技术领域。该方法包括：利用传感器采集目标场所的图像；借助于目标检测模型对所述图像进行识别，得到人体的边界框、以及床的边界框；根据所述人体的边界框、以及所述床的边界框，计算交并比；判断所述交并比是否小于交并比阈值；若所述交并比小于交并比阈值，判定所述人体处于活动状态；利用GhostNet‑OpenPose姿态估计网络识别人体的骨骼关键点，且输出各个骨骼关键点的坐标；基于各个骨骼关键点的坐标，计算得到肘关节的实时关节角度和膝关节的实时关节角度；将所述肘关节的实时关节角度和所述膝关节的实时关节角度输入决策树跌倒分类算法，识别跌倒事件。本公开能准确识别跌倒事件。

公开(公告)号：CN117132949A

公开(公告)日：2023-11-28

申请号：CN202311402745.6

申请日：2023-10-27

Applicant: 长春理工大学

Inventor： 王京华 ,  曲从程 ,  赵永兴 ,  徐梓毓 ,  刘亚东 ,  刘自卫 ,  黄江南 ,  郝瑞源 ,  汤发源

IPC: G06V20/52 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/82 ,  G06V20/40 ,  G06V40/10

Abstract: 一种基于深度学习的全天候跌倒检测方法，涉及物联网技术、计算机视觉技术以及行为识别技术领域，解决现有跌倒检测方法存在传感器部署复杂，成本高或存在识别率低、误报等问题，该方法采用安防监控设备进行图像信息的采集，相较于环境设备，穿戴式设备和传统基于视觉信息的检测方法，具有准确率高、适用于复杂环境、可以全天候检测等优点。基于广泛部署的安防监控摄像头对人体的状态进行检测，可有效区分患者的休息区域与活动区域，并对活动区域的相关人员进行跌倒检测，不仅具有全天候、实时性、容错性强等特点，更可以有效减少硬件部署的成本。