基于极限学习机的便携式跌倒检测装置及检测方法制造方法及图纸

本发明专利技术提出了一种基于极限学习机的便携式跌倒检测装置及检测方法，所述检测装置包括便携式信息采集装置、手机移动端和服务中心端；所述便携式信息采集装置与手机移动端相连接，手机移动端与服务中心端相连接；便携式信息采集装置包括供电模块、IMU惯性传感器、MCU微控制器和蓝牙模块，供电模块分别与IMU惯性传感器、MCU微控制器和蓝牙模块相连接，MCU微控制器分别与IMU惯性传感器和蓝牙模块相连接，MCU微控制器通过蓝牙模块与手机移动端相连接。本发明专利技术通过IMU惯性传感器获得特征向量，解算姿态和位置信息；通过ELM分类模块进行跌倒检测，手机移动端将跌倒信息发送至救助中心，可有效地解决老年人由于意外跌倒造成的人身伤害问题。

Portable Fall Detection Device and Detection Method Based on Extreme Learning Machine

【技术实现步骤摘要】
基于极限学习机的便携式跌倒检测装置及检测方法
本专利技术涉及医疗救助的
，特别是指一种基于极限学习机的便携式跌倒检测装置及检测方法。
技术介绍
现如今，经济社会快速发展，我国人口老龄化日益严重。据官方统计，截至2050年，我国老龄化人口将达到4.8亿，占全国人口的三分之一以上。由此带来的一系列老年人人身健康和安全问题将是一项重大挑战。调查发现，跌倒后容易对老年人以及病患群体造成严重的身心伤害，如果得不到及时的救助，将会造成严重后果。另外，老年人护理在传统的方法中都是通过专有的护理人员对老年人身体状况进行实时监控，耗费大量的人力成本。随着惯性传感技术的发展，利用电子信息技术可以有效地提高老年人的护理质量，减轻医疗人员的负担。使用惯性传感器检测老年人的跌倒状况，通过互联网通信构建的救助服务平台，可以以最快的速度对老年人提供帮助。检测跌倒行为的方法很多。传统的跌倒检测方法中，有通过阈值算法检测人体是否发生跌倒，还有通过机器学习等智能算法对行人动作进行判别。然而，阈值法受外界环境的干扰比较大，容易对类似跌倒动作造成误判。此外，各种机器学习算法采用不同的特征量，具有不同的算法复杂度，其模型稳定性也存在一定差异。综上所述，如何提高老年人跌倒检测准确性、实时性以及通知医护人员及时救助，成为一个关键因素。
技术实现思路
针对传统跌倒检测方法存在误判、漏判的技术问题，本专利技术提出一种基于极限学习机的便携式跌倒检测装置及检测方法，通过IMU惯性传感器获得加速度和角速度信息，经解算得到行人的位置和姿态信息，将加速度、角速度和姿态角作为特征向量通过建立的ELM分类模型进行跌倒检测，最终由手机移动端将跌倒报警信息发送至救助中心，有效地解决老年人由于意外跌倒造成的人身伤害问题。本专利技术的技术方案是这样实现的：一种基于极限学习机的便携式跌倒检测装置，包括便携式信息采集装置、手机移动端和服务中心端；所述便携式信息采集装置与手机移动端相连接，手机移动端与服务中心端相连接；所述便携式信息采集装置包括供电模块、IMU惯性传感器、MCU微控制器和蓝牙模块，供电模块分别与IMU惯性传感器、MCU微控制器和蓝牙模块相连接，IMU惯性传感器与MCU微控制器相连接，MCU微控制器与蓝牙模块相连接，MCU微控制器通过蓝牙模块与手机移动端相连接。所述手机移动端包括手机蓝牙接收模块、姿态解算模块、位置解算模块、ELM跌倒检测模块和信息发送模块；所述姿态解算模块和位置解算模块均通过手机蓝牙接收模块、蓝牙发送模块与MCU微控制器相连接，姿态解算模块和位置解算模块均与ELM跌倒检测模块相连接，ELM跌倒检测模块与信息发送模块相连接，信息发送模块与服务中心端相连接。所述服务中心端包括远程服务监控中心和服务救助中心，远程服务监控中心与信息发送模块相连接，远程服务监控中心与服务救助中心相连接。基于极限学习机的便携式跌倒检测装置的检测方法，其步骤为：步骤一、采集行人的运动信息：利用IMU惯性传感器采集行人的加速度和角速度，行人的加速度经过位置解算得到行人的位置信息，行人的角速度经过姿态解算得到行人的姿态角及姿态信息，并由加速度、角速度和姿态角组合得到行人的特征向量；步骤二、ELM跌倒分类检测：采用ELM神经网络算法建立ELM分类模型，将步骤一中的特征向量输入ELM分类模型中得到最优分类输出结果，若最优分类输出结果判断为跌倒，执行步骤三，否则循环步骤二；步骤三、远程医疗救助：将行人的位置信息及跌倒报警信息发送至远程服务监控中心，远程服务监控中心接收跌倒报警信息和定位信息后向服务救助中心发送信号，服务救助中心立即调派医疗救护人员前去实施救助。所述IMU惯性传感器佩戴于人体小腿部，IMU惯性传感器通过其自身携带的加速度计采集行人的三轴加速度，IMU惯性传感器通过其自身携带的陀螺仪采集行人的三轴角速度，IMU惯性传感器通过其自身携带的磁力计采集行人的方位信息，三轴分别为x轴、y轴和z轴，x轴的方向为垂直向下，y轴方向为垂直于行人腿部向前，z轴方向为水平向左。所述x轴角速度经姿态解算后得到航向角，y轴角速度经姿态解算后得到翻滚角，z轴角速度经姿态解算后得到俯仰角，利用航向角、翻滚角和俯仰角更新行人的姿态信息。所述x轴加速度、y轴加速度和z轴加速度经位置解算得到行人的速度信息，再由每个时刻的速度信息计算行人的位置信息。所述步骤二中采用ELM神经网络算法建立ELM分类模型的具体方法为：S21、特征向量的采集：采集大量的行人的运动特征作为样本集，行人的运动特征包括正常走路、跑步、上下楼梯、向前跌倒、向后跌倒和侧向跌倒，选取2/3样本集作为训练集，选取另外1/3样本集作为测试集；S22、模型构建阶段：ELM神经网络包括输入层、隐含层和输出层；将步骤S21得到的训练集转化为特征向量X＝[x1,x2,…,xn]T，n为训练集的数据的个数，将特征向量X输入ELM神经网络，ELM神经网络随机产生相应的输入权重w和隐含层偏置量b，并选取隐含层神经元个数，建立ELM分类模型；S23、跌倒测试阶段：初始化叠加次数e＝0、跌倒量t0＝0、非跌倒量t1＝0，设置最大叠加次数emax＝200；S24、利用ELM分类模型读取测试集，并对每一个测试数据进行跌倒判断，判断当前测试数据是否为跌倒数据，若是，跌倒量t0＝t0+1，否则，非跌倒量t1＝t1+1；S25、叠加次数e+1，循环步骤S24，直到叠加叠加次数达到最大叠加次数emax；S26、判断跌倒量t0是否大于非跌倒量t1，若是，跌倒报警，否则，叠加次数e-1，转步骤S24，直至判断结束最后一个测试数据。利用ELM分类模型对行人动作判别的具体方法为：S31、激活函数g(x)采用sigmoid函数的形式，即随机产生输入层与隐含层连接权重wi和偏置量bi，代入激活函数g(xj)，计算隐含层的输出矩阵H：其中，i＝1,2,…,l，l为隐含层的层数；j＝1,2,…,n，n为输入样本的个数；S32、根据公式求βi，其中，βi＝(βi1,βi2,…,βim)T为隐含层与输出层之间的连接权重，tj为第j个输入样本的期望输出值；将隐含层的输出矩阵H代入公式可简写为Hβi＝Tj，Tj＝[t1j,t2j,…,tmj]T，m为输出类型个数；S33、根据输出矩阵H，采用最小二乘法计算输出权重β的最优值其中，为输出矩阵H的广义逆矩阵，C为训练误差的惩罚因子；S34、根据步骤S31至S33得到实际输出函数f(x)：其中，实际输出函数f(x)的输出值包括输出加速度、输出角速度和输出姿态角。本技术方案能产生的有益效果：1、IMU惯性传感器具有体积小、成本低、重量轻等特点，能够同时测量加速度和角速度，输出信息丰富，实时性强等优点，便于制作可携带产品。2、本专利技术不仅可以有效地检测人体的跌倒行为和跌倒状态，还可以对跌倒的位置进行准确地定位，通知医护人员进行及时救助，从而减小老年人由于意外跌倒造成的人身伤害。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的检测流本文档来自技高网...

【技术保护点】
1.一种基于极限学习机的便携式跌倒检测装置，其特征在于，包括便携式信息采集装置、手机移动端和服务中心端；所述便携式信息采集装置与手机移动端相连接，手机移动端与服务中心端相连接；所述便携式信息采集装置包括供电模块、IMU惯性传感器、MCU微控制器和蓝牙模块，供电模块分别与IMU惯性传感器、MCU微控制器和蓝牙模块相连接，IMU惯性传感器与MCU微控制器相连接，MCU微控制器与蓝牙模块相连接，MCU微控制器通过蓝牙模块与手机移动端相连接。

【技术特征摘要】
1.一种基于极限学习机的便携式跌倒检测装置，其特征在于，包括便携式信息采集装置、手机移动端和服务中心端；所述便携式信息采集装置与手机移动端相连接，手机移动端与服务中心端相连接；所述便携式信息采集装置包括供电模块、IMU惯性传感器、MCU微控制器和蓝牙模块，供电模块分别与IMU惯性传感器、MCU微控制器和蓝牙模块相连接，IMU惯性传感器与MCU微控制器相连接，MCU微控制器与蓝牙模块相连接，MCU微控制器通过蓝牙模块与手机移动端相连接。2.根据权利要求1所述的基于极限学习机的便携式跌倒检测装置，其特征在于，所述手机移动端包括手机蓝牙接收模块、姿态解算模块、位置解算模块、ELM跌倒检测模块和信息发送模块；所述姿态解算模块和位置解算模块均通过手机蓝牙接收模块、蓝牙模块与MCU微控制器相连接，姿态解算模块和位置解算模块均与ELM跌倒检测模块相连接，ELM跌倒检测模块与信息发送模块相连接，信息发送模块与服务中心端相连接。3.根据权利要求1或2所述的基于极限学习机的便携式跌倒检测装置，其特征在于，所述服务中心端包括远程服务监控中心和服务救助中心，远程服务监控中心与信息发送模块相连接，远程服务监控中心与服务救助中心相连接。4.根据权利要求1所述的基于极限学习机的便携式跌倒检测装置的检测方法，其特征在于，其步骤为：步骤一、采集行人的运动信息：利用IMU惯性传感器采集行人的加速度和角速度，行人的加速度经过位置解算得到行人的位置信息，行人的角速度经过姿态解算得到行人的姿态角及姿态信息，并由加速度、角速度和姿态角组合得到行人的特征向量；步骤二、ELM跌倒分类检测：采用ELM神经网络算法建立ELM分类模型，将步骤一中的特征向量输入ELM分类模型中得到最优分类输出结果，若最优分类输出结果判断为跌倒，执行步骤三，否则循环步骤二；步骤三、远程医疗救助：将行人的位置信息及跌倒报警信息发送至远程服务监控中心，远程服务监控中心接收跌倒报警信息和定位信息后向服务救助中心发送信号，服务救助中心立即调派医疗救护人员前去实施救助。5.根据权利要求1或4所述的基于极限学习机的便携式跌倒检测装置的检测方法，其特征在于，所述IMU惯性传感器佩戴于人体小腿部，IMU惯性传感器通过其自身携带的加速度计采集行人的三轴加速度，IMU惯性传感器通过其自身携带的陀螺仪采集行人的三轴角速度，IMU惯性传感器通过其自身携带的磁力计采集行人的方位信息，三轴分别为x轴、y轴和z轴，x轴的方向为垂直向下，y轴方向为垂直于行人腿部向前，z轴方向为水平向左。6.根据权利要求5所述的基于极限学习机的便携式跌倒检测装置的检测方法，其特征在于，x轴角速度经姿态解算后得到航向角，y轴角速...

【专利技术属性】
技术研发人员：王晓雷，李栋豪，丁国强，娄泰山，焦玉召，葛新平，赵红梅，史坤峰，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41