一种跌倒检测方法技术

本发明专利技术公开了一种跌倒检测方法，本发明专利技术首先基于训练样本训练判决阈值：对训练样本进行中值滤波处理后，再提取加速度信号向量幅度，并提取特征值：包括加速度信号向量幅度的峰值，加速度信号向量幅度的最小值与最大值的差值，加速度信号向量幅度的标准差，以及相对角度变化值；然后基于K‑means聚类的方法训练各特征值的二分判决阈值；再实时进行跌倒检测时，对待检测对象的原始加速度信息进行与训练样本相同的预处理后提取对应的四个特征值，再对各特征值进行逐级判决处理，获取跌倒检测结果。本发明专利技术可用于对老年群体跌倒状况的实时监测，其计算机复杂度低，在现有的人体可携带设备即可实现对携带者的跌倒状态进行实时检测。

A method of falling detection

The invention discloses a method of falling detection. Firstly, the invention trains the judgment threshold based on the training sample, and then extracts the amplitude of the acceleration signal vector, and extracts the eigenvalues, including the peak value of the acceleration signal vector amplitude, the minimum value and the maximum of the acceleration signal vector amplitude. The difference of the value, the standard deviation of the amplitude of the acceleration signal vector, and the value of the relative angle change, and then train the two judgment threshold of each characteristic value based on the K clustering means clustering method; and when the fall detection is carried out in real time, the original acceleration information of the object is treated with the same preprocessing as the training sample. Four eigenvalues, and then each feature value is processed gradually to get the result of fall detection. The invention can be used to monitor the fall of the elderly population in real time, and its computer complexity is low, and the real time detection of the carrier's falling state can be realized by the existing human body portable equipment.

【技术实现步骤摘要】
一种跌倒检测方法
本专利技术属于计算机
，具体涉及一种基于加速度传感器的跌倒检测。
技术介绍
在跌倒检测处理中，比较常见的检测方式有：基于视觉的跌倒检测、基于声音的跌倒检测和基于传感器的跌倒检测。其中，基于视觉的跌倒检测方式主要通过人体运动过程的视觉信息来实现跌倒状况的检测，在基于视觉的跌倒检测过程中，通过摄像头对人体的运动视觉信息进行捕捉，并对捕捉的信息中的每一帧图像进行图像分析和处理，实现对图像中人体部位的识别，最后，通过对不同帧图像中人体部位变化的急剧程度进行分析来实现对跌倒状况的判定。但是基于视频的跌倒检测只能实现对视频区域的跌倒检测，对于视频区域外的区域无法进行跌倒检测。在基于声音的跌倒检测方式中，则是通过人体跌倒过程中声音信息的变化来实现对跌倒状况的判定。但在日常生活环境中，由于环境中声音信息的来源多样，导致基于声音的跌倒检测很容易受到干扰，故基于声音信息的跌倒检测多作为提高检测精度的一种辅助手段。在基于传感器的跌倒检测方式中，其通过人体佩戴的运动传感器设备，实现基于人体运动信息的跌倒检测。常用的运动传感器包括加速度传感器、陀螺仪、压力传感器等，在人体发生跌倒的过程中，其运动姿态会发生急剧的变化，通过上述的运动传感器对人体姿态变化过程中的加速度、角速度、足底压力等信息进行采集与分析，便可实现对人体跌倒状况的检测。例如文献“基于加速度传感器的人体跌倒检测方法[J].计算机工程与科学,2017,39(2):330-335”公开的基于加速度传感器的跌倒检测方法中，其运用支持向量机对加速度特征的阈值选择进行了优化；文献“基于智能手机的人体跌倒检测系统设计[J].计算机工程与设计,2014,35(4):1465-1470”公开的跌倒检测方法中，其运用了加速度传感器和陀螺仪两种运动传感器，通过分析跌倒过程中加速度和角速度的变化情况来实现对跌倒过程的准确检测。但已有的基于传感器的跌倒检测方法的检测效率和检测精度都有待于进一步提高。
技术实现思路
本专利技术的专利技术目的在于：基于决策树算法提供一种检测效率和检测精度更好的基于传感器的跌倒检测方法。本专利技术的跌倒检测方法包括下列步骤：步骤1：设置跌倒检测阈值：101：采集训练样本集，所述训练样本为人体携带的三维(x、y、z轴方向)加速度信息采集终端采集的一段离散的原始加速度序列；102：对训练样本集进行数据预处理：对原始加速度信息进行中值滤波处理，再提取加速度信号向量幅度，各采样点的加速度信号向量幅度为当前采样点的三维加速度信息的各维分量的平方和的开方；103：提取训练样本的特征数据集：基于加速度信号向量幅度，提取训练样本的特征数据集，包括加速度信号向量幅度的峰值SVMtop，加速度信号向量幅度的最小值与最大值的差值ΔSVM，加速度信号向量幅度的标准差σ(SVM)，以及相对角度变化值Δθ，所述相对角度变化值Δθ为训练样本的最大与最小倾角的差值；104：基于K-means聚类的方法训练各特征值的二分判决阈值，得到对应相对角度变化值Δθ、峰值SVMtop、差值ΔSVM和标准差σ(SVM)的第一、二、三和四阈值，所述二分判决表示当前判决对象是否为跌倒状态；其中，第一、二、三和四阈值的优选值分别为：1.191、3.274、2.945、0.148。步骤2：检测待检测对象的跌倒状态：201：通过检测对象的携带的三维加速度信息采集终端采集的一段离散的原始加速度序列，作为原始待检测数据；202：对原始待检测数据进行中值滤波处理，再提取待检测对象的加速度信号向量幅度，并基于所述加速度信号向量幅度，提取待检测对象的特征数据集，包括相对角度变化值Δθ、峰值SVMtop、差值ΔSVM和标准差σ(SVM)；203：逐级判定待检测对象的跌倒状态：判断当前相对角度变化值Δθ是否大于第一阈值，若否，则判定当前待检测对象为非跌倒；若是，继续判断当前峰值SVMtop是否大于第二阈值，若否，则判定当前待检测对象为非跌倒；若是，则继续判断当前差值ΔSVM是否大于第三阈值，若否，则判定当前待检测对象为非跌倒；若是，则继续判断当前标准差σ(SVM)是否小于第四阈值，若否，则判定当前待检测对象为非跌倒；若是，则判定当前待检测对象为跌倒。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术可用于对老年群体跌倒状况的实时监测，以方便对老人跌倒状况的及时了解与救援。本专利技术的计算机复杂度低，与人体可携带设备的计算资源相匹配，在现有的人体可携带设备(如手机等)即可实现对携带者的跌倒状态进行实时检测，且检测的准确率符合基本需求，其可用性高。附图说明图1为实施方案流程图；图2为未滤波行走加速度曲线图；图3为已滤波行走加速度曲线图；图4为慢跑状态加速度曲线对比图；图5为跌倒检测模型图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本专利技术作进一步地详细描述。参见图1，本专利技术基于决策树实现跌倒检测的处理中，首先通过训练数据集实现对跌倒检测模型的构建；然后通过所构建的跌倒检测模型对待检测对象的数据特征进行跌倒判定，得到跌倒检测结果，其主要涉及到以下五个步骤：1、加速度信息采集：对于跌倒检测方案中使用的加速度数据(训练和检测判定)，通过可携带终端(如Android智能终端)自带的加速度传感器进行采集并存储可携带终端所采集的加速度信息；2、加速度信息预处理：信息的预处理过程用于将加速度信息中包含的噪声进行过滤，在保证数据特征不改变的情况下，对采集的加速度信号进行一定程度的平滑，以及消除加速度传感器的方向性所带来的差异。3、数据特征的提取：为了实现基于加速度信息的跌倒检测，从预处理后的加速度信号中提取四个特征信息(SVMtop特征、ΔSVM特征、σ(SVM)特征和Δθ特征)组成特征数据集。4、决策模型的构建：在完成数据特征的提取工作后，运用分类算法对跌倒判别规则进行设置，从而完成跌倒检测模型的构建。5、判定跌倒结果：在完成跌倒检测模型的构建后，基于待检测对象的特征数据集进行跌倒检测判定，得到检测结果。各处理步骤具体实现如下：1、加速度信息采集。本具体实施方式中，采用的采集终端为智能手机，其内置的三维加速度传感器和三维陀螺仪可以实现运动测量、方向检测等多种功能。佩戴位置选择人体的腰部，从而更有利于完成对老年群体的跌倒检测处理。由于人体行为的多样性，在采集过程中将包括对人体的正常行走，爬楼、慢跑、跳跃、前向跌倒、后向跌倒、侧向跌倒等多种状况下的三维加速度信息进行采集。2、加速度信息预处理。(1)噪点过滤。由于可携带终端采集的加速度信息中包含有人体的运动加速度分量、重力加速度分量和加速度测量噪声等信息，在对加速度信息进行处理之前，如果不对存在噪声的加速度信息进行滤波处理，那么将会对后续的分析工作造成一定影响。本具体实施方式中采用中值滤波器来实现对原始的加速度信息的滤波处理，通过中值滤波器对原始的三维加速度信号序列进行滤波处理后，加速度信号将得到一定程度的平滑，从而达到消除加速度信号中的噪声的目的，图2和图3分别展示了滤波前的行走状态加速度曲线和滤波后的行走状态加速度曲线，通过对比发现，中值滤波器对加速度的变化曲线起到了一定的平滑作用。其中，中值滤波的原理为：选用一定长度的窗口依次划过信号序列本文档来自技高网...

【技术保护点】
一种跌倒检测方法，其特征在于，包括下列步骤：步骤1：设置跌倒检测阈值：101：采集训练样本集，所述训练样本为人体携带的三维加速度信息采集终端采集的一段离散的原始加速度序列；102：对训练样本集进行数据预处理：对原始加速度信息进行中值滤波处理，再提取加速度信号向量幅度，各采样点的加速度信号向量幅度为当前采样点的三维加速度信息的各维分量的平方和的开方；103：提取训练样本的特征数据集：基于加速度信号向量幅度，提取训练样本的特征数据集，包括加速度信号向量幅度的峰值SVMtop，加速度信号向量幅度的最小值与最大值的差值ΔSVM，加速度信号向量幅度的标准差σ(SVM)，以及相对角度变化值Δθ，所述相对角度变化值Δθ为训练样本的最大与最小倾角的差值；104：基于K‑means聚类的方法训练各特征值的二分判决阈值，得到对应相对角度变化值Δθ、峰值SVMtop、差值ΔSVM和标准差σ(SVM)的第一、二、三和四阈值，所述二分判决表示当前判决对象是否为跌倒状态；步骤2：检测待检测对象的跌倒状态：201：通过检测对象的携带的三维加速度信息采集终端采集的一段离散的原始加速度序列，作为原始待检测数据；202：对原始待检测数据进行中值滤波处理，再提取待检测对象的加速度信号向量幅度，并基于所述加速度信号向量幅度，提取待检测对象的特征数据集，包括相对角度变化值Δθ、峰值SVMtop、差值ΔSVM和标准差σ(SVM)；203：逐级判定待检测对象的跌倒状态：判断当前相对角度变化值Δθ是否大于第一阈值，若否，则判定当前待检测对象为非跌倒；若是，继续判断当前峰值SVMtop是否大于第二阈值，若否，则判定当前待检测对象为非跌倒；若是，则继续判断当前差值ΔSVM是否大于第三阈值，若否，则判定当前待检测对象为非跌倒；若是，则继续判断当前标准差σ(SVM)是否小于第四阈值，若否，则判定当前待检测对象为非跌倒；若是，则判定当前待检测对象为跌倒。...

【技术特征摘要】
1.一种跌倒检测方法，其特征在于，包括下列步骤：步骤1：设置跌倒检测阈值：101：采集训练样本集，所述训练样本为人体携带的三维加速度信息采集终端采集的一段离散的原始加速度序列；102：对训练样本集进行数据预处理：对原始加速度信息进行中值滤波处理，再提取加速度信号向量幅度，各采样点的加速度信号向量幅度为当前采样点的三维加速度信息的各维分量的平方和的开方；103：提取训练样本的特征数据集：基于加速度信号向量幅度，提取训练样本的特征数据集，包括加速度信号向量幅度的峰值SVMtop，加速度信号向量幅度的最小值与最大值的差值ΔSVM，加速度信号向量幅度的标准差σ(SVM)，以及相对角度变化值Δθ，所述相对角度变化值Δθ为训练样本的最大与最小倾角的差值；104：基于K-means聚类的方法训练各特征值的二分判决阈值，得到对应相对角度变化值Δθ、峰值SVMtop、差值ΔSVM和标准差σ(SVM)的第一、二、三和四阈值，所述二分判决表示当前判决对象是否为跌倒状态；步骤2：检测待检测对象的跌倒状态：201：通过检测对象的携带的...

【专利技术属性】
技术研发人员：邢建川，董科廷，韩保祯，张易丰，丁志新，康亮，王翔，张栋，陈佳豪，李双，沈浩，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51