基于深度学习的家庭老人健康监护系统——实时动作识别与危险预警产品系统

编程语言: Python
深度学习框架: PyTorch
核心算法: AlphaPose（人体姿态估计） + ST-GCN（时空图卷积网络）
工具链: OpenCV（视频处理）
硬件平台: NVIDIA GTX3060
以下是根据您提供的信息整理的项目经历描述模板，突出技术亮点和应用价值：

项目名称
基于深度学习的家庭老人健康监护系统——实时动作识别与危险预警

项目简介
针对居家老人安全监护场景，开发一套基于计算机视觉的智能监测系统，利用AI技术实时分析视频流中老年人的行为特征，精准检测跌倒、抽搐等高风险动作并触发紧急报警。系统采用轻量化模型部署于边缘设备，兼顾实时性与准确性，为家庭提供7×24小时主动防护解决方案。

技术栈
编程语言: Python
深度学习框架: PyTorch
核心算法: AlphaPose（人体姿态估计） + ST-GCN（时空图卷积网络）
工具链: OpenCV（视频处理）、TensorRT（模型加速）、Flask（Web服务）、MySQL（数据存储）
硬件平台: NVIDIA Jetson Nano（嵌入式部署）
核心实现细节
多模态数据采集与标注

整合公开数据集（如HMDB51、UCF-101）与自采家庭场景视频，构建包含10k+标注样本的数据集，覆盖正常动作（行走、坐立）及异常动作（跌倒、颤抖）。
使用LabelImg工具进行精细化标注，同步记录时间戳与动作类型标签。
AlphaPose优化与适配

基于OpenPose改进人体关键点检测模型，引入动态权重调整机制提升复杂背景下的鲁棒性（如遮挡、低光照）。
通过ONNX格式转换实现模型轻量化，推理速度降低至