# Real-time Fall Detection for RNN(AFD-RNN)

<p align="left">

<img src="https://github.com/chizhanyuefeng/Fall_Detection_for_RNN/blob/master/result/rnn.gif", width="720">

</p>

结果图说明：

- 图中红、绿、蓝线，分别代表加速度传感器的x、y、z轴数据。

- correct为label，predict为rnn预测值

- Fall1、Fall2、Fall3、Fall4分别代表4种跌倒（前向跌倒、侧向跌倒、后向跌倒、膝盖着地的前向跌倒）

## 环境配置

- TensorFlow >= 1.4

- python3

- matplotlib

## 使用RNN来完成跌倒数据的分析和检测识别

由于传感器是按照时间序列进行获取的数据，所以本项目采用RNN来进行网络模型设计。

其中数据采集频率为50HZ（大于50HZ的数据，通过截取降为50HZ）。

## 训练和测试的数据集

使用[MobileFall](http://www.bmi.teicrete.gr/index.php/research/mobiact)的数据集合进行网络的训练和测试，来检测网络模型的优劣。

准确率达到98.78%

## 检测识别种类

坐下、起立、站立、慢跑、走路、上楼梯、下楼梯、跌倒、跳、躺下等10种动作。

## 网络训练

### 1.训练数据要求

- 传感器采集频率50Hz

- 包含加速度传感器、陀螺仪传感器

### 2.训练前准备

将数据放到./dataset/train/中，进新kalman滤波

    python utils.py

### 3.网络训练和测试

    python train_rnn.py

## 4.测试数据

将测试数据同样进行kalman滤波后，放入./dataset/test/中

    python run_rnn.py