本发明专利技术涉及判定老人跌倒的检测方法,具体为一种基于WISP和模式识别的跌倒检测方法。一种基于WISP和模式识别的跌倒检测方法,信号处理过程主要包含四个部分,第一部分是采集身体运动加速度分量,并采用CA参数描述身体运动加速度分量,第二部分是经验模态分解过程,第三部分是主成分分析的过程,第四部分是随机森林训练和测试部分,最终通过随机森林进行跌倒检测识别。本发明专利技术为了更准确的区分跌倒,本发明专利技术提出一种基于经验模态分解、增强信息提取算法,本方法判定人体动作的准确度接近于100%,对人体动作能进行准确的区分。
【技术实现步骤摘要】
本专利技术涉及判定老人跌倒的检测方法,具体为一种基于WISP和模式识别的跌倒检测方法。
技术介绍
据统计,跌倒目前已成为我国伤害死亡的第四大原因,65岁以上老年人伤害死亡的首位原因,而且伴随老人年龄的增加跌倒死亡率进一步升高。跌倒除了直接导致老年人死亡之外,还产生大量残疾,降低了老年人的活动能力和活动范围,严重影响老年人的生活质量和身心健康。阈值法在跌倒检测中是比较容易实现的,大多数跌倒检测都是根据阈值判定是否跌倒,假如某个动作大于阈值则判定为跌倒,小于阈值则判定为非跌倒,所以这种方法是目前最普遍的研究方法。但是,阈值法主要依赖个人经验和实验数据,所以在准确性和鲁棒性方面有一定的局限性,而且对于一些相似的动作,比如躺在床上和缓慢跌倒利用阈值就区分不出来。因此为了更准确的区分跌倒,本专利技术提出一种基于经验模态分解、增强信息提取算法,具有较深的研究意义。
技术实现思路
本专利技术为了解决上述问题,提供了一种基于WISP和模式识别的跌倒检测方法。本专利技术是采用如下的技术方案实现的:一种基于WISP和模式识别的跌倒检测方法,包括以下步骤:第一步:WISP标签内的加速度传感器采集的信号采用中值滤波和低通滤波器进行信号预处理,得到身体运动加速度分量,并采用CA参数描述身体运动加速度分量,ax(t)、ay(t)、az(t)分别为身体运动加速度分量在x轴、y轴、z轴三个方向在t时刻的加速度值;第二步:CA信号经过EMD分解得到一组IMF分量ci(t),i=1,2,3,计算每一个IMF分量的能量,Ei=∫|ci(t)|2dt;第三步:利用PCA对每一个IMF分量的能量Ei进行降维,并与Ei共同组成特征矩阵其中Fij表示第i个IMF分量的第j个主成分,j=1,2,3;第四步:将特征矩阵输入到随进森林进行训练,得到判定模型;利用判定模型对老人动作产生的身体运动加速度分量进行判定,辨别老人动作是否为跌倒。表1为8种动作的实验结果表中TP表示真阳性,即跌倒动作被检测为跌倒的事件;FP表示假阳性,即日常动作被检测为跌倒的事件;TN表示真阴性,即日常动作被检测为非跌倒事件;FN表示假阴性,即跌倒动作被检测为非跌件。Pr表示精确度,即返回的阳性结果进行了正确分类,计算公式如(1)所示;Sp表示特异性,即返回的阴性结果进行了正确分类,计算公式如(2)所示;Ac表示准确度,即在所有的测量结果中,正确的结果被正确区分的概率,计算公式如(3)所示,由表1可知,本方法判定老年人跌倒动作的平均精确度为97.9%、平均特异性为98%、平均准确度为97.8%,接近于100%,对人体动作能进行准确的区分。附图说明图1为人体动作加速度曲线图;其中(a)为正常行走的加速度曲线图、(b)为下楼梯的加速度曲线图、(c)为弯腰的加速度曲线图、(d)为坐下的加速度曲线图、(e)为向前卧倒的加速度曲线图、(f)为向后仰倒的加速度曲线图、(g)为向前跪倒的的加速度曲线图、(h)为向后坐倒的的加速度曲线图,从图中可以看出非跌倒和跌倒的时域信息相似,因此本专利技术在频域上进行研究。具体实施方式本专利技术采用无源的、有较低功耗微处理器MSP430、加速度传感器及其他传感器如温度、光照等的WISP标签设计出便携的穿戴式跌倒检测装置,使用时,人体佩戴上检测装置,通过快速获取人体加速度信息,并检测身体冲击量以及身体姿态,区分跌倒和日常行为。一种基于WISP和模式识别的跌倒检测方法,包括以下步骤:第一步:信号预处理:WISP标签内的加速度传感器采集的信号是由多个信号叠加而成,包括(1)重力加速度分量、(2)身体运动加速度分量和(3)噪声信号,在三个信号分量中,噪声信号对最后的分析是有害的,采用n=3的中值滤波滤掉噪声信号的干扰,在经过中值滤波之后,原始信号的噪声基本被滤去,但是在中值滤波之后的信号中,重力加速度分量和身体运动加速度分量无论是在时域还是在频域都是重叠在一块的,本专利技术设计了一个低通滤波器(LPF),该低通滤波器是使用一个阶数等于3的椭圆IIR低通滤波器(截止频率为0.25Hz、通带纹波为0.01db、阻带衰减为100db)来实现的。将这个低通滤波器应用于中值滤波之后的信号,可以近似的滤去身体运动加速度分量,得到近似的重力加速度分量,然后,做中值滤波之后信号(即混杂了重力加速度分量和身体运动加速度分量的信号)与低通滤波之后信号(即近似的重力加速度分量)的差值,可以得到近似的身体运动加速度分量。由于无法预知人体重心运动方向,且各轴加速度呈非线性变化,故仅选用某一轴加速度值为跌倒判断标准会导致较大误差,为此,引入CA(CombinedAcceleration)参数描述人体运动状态,采用CA参数描述身体运动加速度分量,ax(t)、ay(t)、az(t)分别为身体运动加速度分量在x轴、y轴、z轴三个方向在t时刻的加速度值。第二步:经验模态分解,EMD(经验模态分解,EmpiricalModeDecomposition)方法是由黄锷(N.E.Huang)提出的一种新颖的自适应时频分析方法,弥补了小波变换中需要先选取小波基的缺点,该方法的关键是经验模式分解,它能使复杂信号分解为有限个本征模函数(IntrinsicModeFunction,简称IMF),所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。从图1可以看出,非跌倒和跌倒的时域信息相似,因此需要在频域上进行研究。由于佩戴在人体上的加速度传感器输出信号是非线性非平稳信号,因此我们对加速度信号进行EMD分解,获得信号在时频域上的信息。CA信号经过EMD分解得到一组IMF分量ci(t),各IMF分量分别包含了信号从高到低不同频率段的成分,由于前三层包含主要加速度信息,故只对前3个IMF分量进行研究即计算每一个IMF分量的瞬时频率和能量。(1)瞬时频率一个IMF分量的瞬时频率是由其相位函数决定的(也即是它的调频分量),设F(t)为IMF分量的调频分量,则根据希尔伯特变换求解瞬时频率步骤为:①直接对F(t)进行希尔伯特变换得到:H[F(t)]②使用反正切函数求得相位函数:③根据以下公式求得该IMF的瞬时频率:(2)能量CA信号经过EMD分解得到一组IMF分量,计算每一个IMF分量能量,可以得到EMD的能量向量,计算步骤如下:①计算每一个IMF分量的能量EiEi=∫|ci(t)|2dt,i=1,2,3.②得到IMF能量向量V=[E1,E2,E3].能量向量V的分量从E1到E3代表的频率逐渐降低,例如E1代表了第一个IMF分量IMF1的能量,即最高频的能量分量,E1到E3能量依次减少。第三步:主成分分析:因为提取的数据量巨大,因此利用PCA降维。对前三个IMF分量的能量Ei进行PCA降维,并与Ei共同组成特征矩阵Fij表示第i个IMF分量的第j个主成分,j=1,2,3。第四步:随机森林是一种机器学习算法,用于处理缺失值、异常值以及其他数据探索中的重要步骤,能够执行回归和分类的任务。本文利用随机森林进行动作的区分。随机森林就是由多棵分类回归树-CART(ClassificationAndRegressionTree)构成的。对于每棵树,它们使用的训练集是从总的训练集中有放回采样出来的。本方案使用10棵训练树,每棵树的深度为8的随机森本文档来自技高网...
【技术保护点】
一种基于WISP和模式识别的跌倒检测方法,其特征在于包括以下步骤:第一步:WISP标签内的加速度传感器采集人体动作信号,加速度传感器采集的信号采用中值滤波和低通滤波器进行信号预处理,得到身体运动加速度分量,并采用CA参数描述身体运动加速度分量,ax(t)、ay(t)、az(t)分别为身体运动加速度分量在x轴、y轴、z轴三个方向在t时刻的加速度值;第二步:CA信号经过EMD分解得到一组IMF分量ci(t),i=1,2,3,计算每一个IMF分量的能量,Ei=∫|ci(t)|2dt;第三步:利用PCA对每一个IMF分量的能量Ei进行降维,并与Ei共同组成特征矩阵其中Fij表示第i个IMF分量的第j个主成分,j=1,2,3;第四步:将特征矩阵输入到随进森林进行训练,得到判定模型;利用判定模型对老人动作产生的身体运动加速度分量进行判定,辨别老人动作是否为跌倒。
【技术特征摘要】
1.一种基于WISP和模式识别的跌倒检测方法,其特征在于包括以下步骤:第一步:WISP标签内的加速度传感器采集人体动作信号,加速度传感器采集的信号采用中值滤波和低通滤波器进行信号预处理,得到身体运动加速度分量,并采用CA参数描述身体运动加速度分量,ax(t)、ay(t)、az(t)分别为身体运动加速度分量在x轴、y轴、z轴三个方向在t时刻的加速度值;第二步:CA信号经过EMD分解...
【专利技术属性】
技术研发人员:赵菊敏,李灯熬,闫玉娟,
申请(专利权)人:太原理工大学,
类型:发明
国别省市:山西;14
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。