基于视觉的智能健康监护关键技术研究

To meet urgent demands of future elderly care on advanced and universal smart health monitoring, this project, aiming at non-contact, non-radiation and information-rich vision-based monitoring, based on framework of smart health monitoring, studies key technologies of vision-based smart health monitoring, including physiological parameter monitoring, abnormal gait detection, fall & near-fall detection and their association analysis and utilization, in order to solve problems of meeting the needs of unconstrained monitoring during application in daily life. By extracting robust features of physiological parameters and suppressing effects of body movements, this project shall provide non-pressure integrated monitoring of heart rate and respiration rate with no harsh requirements on environments or targets. To break through the limitation of walking direction and path in gait monitoring, this project shall extract gait parameters with stable performance during unconstrained walking, and provide personalized strategies for abnormal gait analysis. Based on fusion thoughts of personalized notable features and personal behavior knowledge, this project shall construct multi-layer understanding mechanism for detection of fall, near-fall and their types. Moreover, this project shall analyze association rules among these monitoring data, and build dynamic adjustment mechanism for anomaly detection on the basis of the association rules. The study of this project shall provide theoretical basis and technological reserves for a wide range of applications of health monitoring in nursing homes, communities and smart homes.

本项目面向未来养老模式对智能健康监护提出的先进性、普适性要求，针对非接触、零电磁干扰且拥有丰富信息的视频监护方式，基于智能健康监护的基本框架，瞄准其在日常监护中适应日常活动无约束需求时急需解决的关键问题，研究基于视觉的生理参数监测、异常步态检测、跌倒相关事件检测及三者间的关联分析利用。通过提取环境鲁棒的生理参数外部表现特征并抑制体动干扰影响，给出对监护对象无压力无负担的心率、呼吸率鲁棒一体化监测方案；通过提取无约束行进中具有稳定表现的步态参数特征，给出对行走方向、路径无约束的个性化异常步态分析策略；基于事件个性化特征与个人行为知识的融合互补思想，构建跌倒、近似跌倒事件及其具体类型的多层判断分析机制；分析挖掘上述三方面监护数据间的关联规则，并基于关联规则构建异常检测的动态调整机制。本项目研究成果可为推动智能健康监护技术在机构、社区及未来居家养老的大规模普及应用提供理论依据和技术储备。

随着人口老龄化不断加剧以及人们医疗保健意识逐步提高，智能健康监护受到世界范围的广泛关注。基于视觉的智能健康监护技术由于其丰富的监护数据、非接触的监护方式、零电磁干扰的监护环境在未来推广应用中必将具有广泛的普适性和可行性，然而，借助视频在日常监护中，尤其要在适应日常活动无约束需求条件下，实现对用户生理参数、行为状态、紧急事件的监测和感知仍面临巨大挑战。本项目面向未来养老模式对基于视觉的智能健康监护技术提出的先进性、普适性要求，瞄准其在日常监护中适应日常活动无约束需求时急需解决的关键问题，围绕着基于视觉的生理参数监测、异常步态检测、跌倒事件检测及三者间关联开展了深入的研究工作。为抑制环境因素对生理参数监测的影响，提出了基于面部特征追踪的心率、呼吸率一体化监测方法，可实现对心率、呼吸率的有效监测；为避免苛刻监测条件造成用户心理负担，提出了补偿体动干扰的心率、呼吸率监测方法，能有效抑制体动干扰的影响，可实现无约束监测环境下无压力、无负担的生理参数监测；考虑到日常监护中用户活动的随意性需求，提出了方向无约束直线行进中的步态监测方法，可在对行进方向无约束的情况下利用单摄像机准确监测步态信息；为构建无约束监测环境，提出了基于单摄像机的无约束异常步态监测方法，可在一般直行情况下根据方向无约束的连续三步的视频数据监测并发现步态异常，为实现步态的无约束日常持续监测提供解决方案；针对跌倒紧急事件，提出了基于关键帧半轮廓距离的跌倒检测方法，提取并利用事件显著特征和行为习惯，有效降低了跌倒检测的误检率；为深入挖掘跌倒事件的代表性特征，提出了基于多任务沙漏卷积自动编码器的跌倒检测方法，构建了基于深度学习的跌倒检测新框架，可实现高效准确的跌倒检测。本项目研究成果不仅可为智能健康监护产业化发展奠定理论基础，而且对加快我国智慧城市和智慧社区建设、促进我国国民经济和社会和谐发展具有重大意义。