The invention relates to an adaptive multistage fall detection method. The invention uses sliding window to extract the discrete eigenvalues, through the experiment to form the optimum combination of discrete features, and introduces the concept of price sensitivity, the probability output of SVM as a classification algorithm, improves the recognition rate of the algorithm are cases of fall. At the same time, improve the reliability of the output decision multistage fall results, as far as possible to reduce the misjudgment and omission of the decision algorithm in May, the system has the ability to adaptively according to user characteristics. The data collecting and processing process of the invention is completed on the intelligent mobile phone, and the hardware platform of the intelligent mobile phone is fully utilized, and the use cost is reduced, and the portable mobile phone is easy to carry.
【技术实现步骤摘要】
自适应多级跌倒检测方法
本专利技术涉及跌倒检测方法,具体涉及自适应多级跌倒检测方法。
技术介绍
当前,我国已经进入老龄化社会且呈现出加速发展态势,老年人群体的行动安全问题得到了越来越多人的关注。由于老年人的身体各脏器器官功能正处于退化阶段,不慎跌倒可能会带来致命伤害。若在发生跌倒的情况下,及时准确的跌倒检测和报警可以为抢救和治疗赢得宝贵时间,对保障用户健康和提高医疗监护水平都具有重要意义。随着智能手机的普及以及高度集成的传感器与处理机的发展,使用随身携带的智能手机进行跌倒检测具有低成本、实用性、稳定性等特点。
技术实现思路
本次专利技术针对现有技术对高频次遥感时间序列无法有效重建的缺点,提出一种能更好地根据用户特点进行个性化适应的自适应多级跌倒检测方法。为实现上述技术目的,本专利技术采用了以下技术方案:自适应多级跌倒检测方法,包括以下步骤:S1、采用概率输出SVM算法针对三轴加速度传感器所采集的离散型数据进行加速度判定,且整个数据处理过程始终以滑动观察窗口为基本单位,队列中会缓存采样窗内的所有原始数据;S2、通过比较人体能量损耗是否超出设定阈值来判断人当前运动是否过于激烈;S3、利用电子罗盘测量人体姿态角,通过判断姿态角是否超过设定阈值来确定人体是否处于异常姿态。作为优选:步骤1具体包括:由采集获取的三轴加速度值计算加速度幅值矢量:axayaz分别代表X、Y、Z轴的加速度;对于单一滑动窗口内的加速度幅值矢量使用聚合方法与分裂方法选取最优的离散特征组合xi;将加速度特征组合样本表示为X={x1,...,xn},其中n表示为训练样本的个数;将跌倒的样本标记为+1, ...
【技术保护点】
一种自适应多级跌倒检测方法,其特征在于,包括以下步骤:S1、采用概率输出SVM算法针对三轴加速度传感器所采集的离散型数据进行加速度判定,且整个数据处理过程始终以滑动观察窗口为基本单位,队列中会缓存采样窗内的所有原始数据;S2、通过比较人体能量损耗是否超出设定阈值来判断人当前运动是否过于激烈;S3、利用电子罗盘测量人体姿态角,通过判断姿态角是否超过设定阈值来确定人体是否处于异常姿态。
【技术特征摘要】
1.一种自适应多级跌倒检测方法,其特征在于,包括以下步骤:S1、采用概率输出SVM算法针对三轴加速度传感器所采集的离散型数据进行加速度判定,且整个数据处理过程始终以滑动观察窗口为基本单位,队列中会缓存采样窗内的所有原始数据;S2、通过比较人体能量损耗是否超出设定阈值来判断人当前运动是否过于激烈;S3、利用电子罗盘测量人体姿态角,通过判断姿态角是否超过设定阈值来确定人体是否处于异常姿态。2.根据权利要求1所述的自适应多级跌倒检测方法,其特征在于:步骤1具体包括:由采集获取的三轴加速度值计算加速度幅值矢量:axayaz分别代表X、Y、Z轴的加速度;对于单一滑动窗口内的加速度幅值矢量使用聚合方法与分裂方法选取最优的离散特征组合xi;将加速度特征组合样本表示为X={x1,...,xn},其中n表示为训练样本的个数;将跌倒的样本标记为+1,而则正常的样本标记为-1,那么类标可对应表示为Y={y1,...,yn},其中yi表示样本类别,取值范围为-1或+1;在n维的样本空间中,线性可分的线性判别函数写为g(x)=w·x+b,对应分类界面则写为w·x+b=0;这里的w即分类界面的法向量,而x为需要分类的测试实例;而对于两类样本,恒有|g(x)|≥1,即yi(w·xi+b)-1≥0,i=1,...,n由此最优分类面的求取就转化为了在yi(w·xi+b)-1≥0,i=1,...,n的条件下,求取的最小值,通过拉格朗日方法,定义拉格朗日函数为其中α为拉格朗日系数;对上式中的w与b分别求偏导且令偏导结果等于零;即在的条件下,求取目标函数:若得到该函数的最优解为αi*,且αi*一定满足αi*[yi(w·xi+b)-1]=0;由上,我们可以得到原问题的解为:当遇到线性不可分的情况时,需要将样本映射到高维空间,使得低维空间的分类曲线转化为高维空间的平面;假设映射为通过映射后,样本变为线性可分的,此时求解最优分类面的表达式为只要一种运算满足Mercer条件,当我们定义了变换后的内积运算后,就能够不用进行真的变换,对于任意的对称函数是某个特征空间中的内积运算的充要条件是对于任意的不恒等于0且则同时引入核函数代替最优分类界面中的点积
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。