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

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