一种基于数据融合和BP神经网络的跌倒检测系统及方法技术方案

本发明专利技术提供了一种基于数据融合和BP神经网络的跌倒检测系统，设置在鞋子中，用于预测跌倒，包括：第一子系统与第二子系统，分别设置在左脚用鞋与右脚用鞋中，均具有四个设置在鞋垫中的用于采集足底压力数据的薄膜压力传感器、用于采集足底加速度数据与足底角速度数据的加速计陀螺仪模块、用于进行数据传输的WIFI模块、用于进行数据处理的主控芯片以及用于供电的电池模块，其中，四个薄膜压力传感器分别设置于在鞋垫上第一脚趾、第一跖骨、第四跖骨以及足跟对应的位置，加速计陀螺仪模块、WIFI模块、主控芯片以及电池模块均设置在鞋帮外侧或集成设置到鞋底内。本发明专利技术还提供了一种基于数据融合和BP神经网络的跌倒检测系统的检测方法来预测跌倒。

A fall detection system and method based on data fusion and BP neural network

【技术实现步骤摘要】
一种基于数据融合和BP神经网络的跌倒检测系统及方法
本专利技术涉及一种跌倒检测系统，具体涉及一种基于数据融合和BP神经网络的跌倒检测系统及方法。
技术介绍
跌倒是造成老年人髋关节骨折的重要原因。随着我国人口老龄化程度的提高，老年人的跌倒问题越来越受人们的重视，其发生的不确定性和所带来的严重后果，使一种实时监控的防跌倒设备成为当下的研究热点。现有跌倒检测系统方法一般分为三种：基于机器视觉的跌倒检测、基于环境传感器的跌倒检测和可穿戴式的跌倒检测系统。前两种由于只能在室内环境下进行，具有很大的局限性。而后者的使用者穿戴简便、成本低廉、十分适合产品化，但现有的可穿戴系统普遍都是基于阈值法，该方法结构简单，但敏感度和特异性都较差，且阈值通常是根据特定测试者设置最大值或最小值，普适性很差，同时现有的专利技术大多数是使用者跌倒后进行报警，无法在跌倒前就做出反应，研究表明跌倒持续的时间为300ms-500ms，当跌倒已经发生或者对使用者已经造成伤害后再进行报警，使用者的安全还是无法得到保障。
技术实现思路
本专利技术是为了解决上述问题而进行的，目的在于提供一种基于数据融合和BP神经网络的跌倒检测系统及方法。本专利技术提供了一种基于数据融合和BP神经网络的跌倒检测系统，设置在鞋子中，用于预测跌倒，具有这样的特征，包括：第一子系统与第二子系统，分别设置在左脚用鞋与右脚用鞋中，均具有四个设置在鞋垫中的用于采集足底压力数据的薄膜压力传感器、用于采集足底加速度数据与足底角速度数据的加速计陀螺仪模块、用于进行数据传输的WIFI模块、用于进行数据处理的主控芯片以及用于供电的电池模块，其中，四个薄膜压力传感器分别设置于在鞋垫上第一脚趾、第一跖骨、第四跖骨以及足跟对应的位置，加速计陀螺仪模块、WIFI模块、主控芯片以及电池模块均设置在鞋帮外侧或集成设置到鞋底内。本专利技术还提供了一种基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法，包括以下步骤：步骤1，通过薄膜压力传感器和加速计陀螺仪模块来实时采集人体足部的足底压力数据、加速度数据以及角速度数据作为原始数据；步骤2，主控芯片对原始数据进行数据预处理得到融合数据；步骤3，利用事先采集的训练集来训练BP神经网络，得到神经网络模型，并将神经网络模型植入第二子系统的主控芯片中；步骤4，第一子系统采集的原始数据通过WIFI模块传输给第二子系统，与第二子系统采集的原始数据经过数据预处理后带入神经网络模型中，完成对跌倒的预测，其中，神经网络模型中，第一层为输入层，第二层和第三层为隐藏层，第四层为输出层，神经网络模型的第一层具有24个输入神经元，第二层具有16个隐藏层神经元，其中包括一个偏置值，第三层具有9个隐藏层神经元，其中包括一个偏置值，第四层有1个输出神经元，训练集包括24个融合数据以及1个标签，神经网络模型的输入数据以24*1的矩阵形式进行输入，神经网络模型的输出为0或1的跌倒或非跌倒事件。在本专利技术提供的一种基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法中，还可以具有这样的特征：其中，步骤1中，通过100Hz的频率采集原始数据，原始数据用一维矩阵的形式表示为：[Accx，Accy，Accz，Grvx，Grvy，Grvz，F1，F2，F3，F4]。Accx，Accy，Accz为三轴的加速度值，Grvx，Grvy，Grvz为三轴的角速度值，F1，F2，F3，F4分别对应第一脚趾、第一跖骨、第四跖骨以及足跟的压力值。在本专利技术提供的一种基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法中，还可以具有这样的特征：其中，步骤2的数据预处理中包括以下子步骤：步骤2-1，将足底加速度数据进行数据融合，进一步减小特征数，计算合加速度，如公式(1)：步骤2-2，通过四元数算法计算欧拉角，即俯仰角Pitch、偏航角Yaw以及翻滚角Roll，进一步表示人体足部的姿态变化；步骤2-3，计算足底压力中心的坐标X和Y，如公式(2)和公式(3)：步骤2-4，采集数据时再用100ms的滑动窗口进行分割，100ms内对应了12*10个数据作为一个数据集，对数据集中的每一个数据做归一化处理，如公式(4)：随后对每一类数据计算平均值和方差σ2，如公式(5)与公式(6)：处理后的单个子系统采集的100ms内融合数据如下形式：其中，融合后的12个融合数据为第一子系统与第二子系统中得到的合加速度的均值和方差、俯仰角Pitch的均值和方差、偏航角Yaw的均值和方差、翻滚角Roll的均值和方差、足底压力中心的横坐标以及足底压力中心的纵坐标的均值和方差，从2*12*10个数据融合成2*12个数据作为模型输入。在本专利技术提供的一种基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法中，还可以具有这样的特征：其中，步骤3通过反向传播算法来调整神经元间各权值的大小，其具体包括如下子步骤：步骤3-1，将表示为第k-1层第i个神经元到第k层的第j个神经元的权重，则第k层的第j个神经元的输出表示为步骤3-2，通过反向传播算法，从最后向前调整权重，计算值与实际值的误差Ek为：权重的调整为：α为学习率，设置为0.1，通过公式(8)和公式(9)调整权重大小来减小计算值和实际值的误差，并输入训练样本数据来进行模型训练，当迭代至误差小于0.001后，得到神经网络模型。步骤3-1中，为上一层的输出,为偏置值，设置为1，f为激活函数，激活函数采用Sigmoid函数如公式(10)，专利技术的作用与效果根据本专利技术所涉及的一种基于数据融合和BP神经网络的跌倒检测系统，因为组件均能设置在鞋子中且设有主控芯片进行数据处理，所以，结构简单，且能够实时对佩戴者的行走数据进行监测，并快速地通过监测得到的数据来进行跌倒预测。同时本专利技术的一种基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法，通过事先采集的训练集对BP神经网络进行训练来得到神经网络模型，且采用数据融合的方法处理数据，再将处理后的融合数据输入神经网络模型进行跌倒检测，能够利用BP神经网络具有的很强的非线性拟合能力和很强的鲁棒性来能提高检测精度，获得高准确度的预测结果。因此，本专利技术的一种基于数据融合和BP神经网络的跌倒检测系统结构简单，预测速度快，同时本专利技术的一种基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法预测精度高，能够在跌倒触地之前就对跌倒做出反应，并且能够通过配合其他保护产品进行使用来有效地保障使用者的安全。附图说明图1是本专利技术的实施例中的一种基于数据融合和BP神经网络的跌倒检测系统的系统组件示意图；图2是本专利技术的实施例中的薄膜压力传感器的分布示意图；图3是本专利技术的实施例中的一种基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法的检测流程图；图4是本专利技术的实施例中的BP神经网络模型的示意图本文档来自技高网...

【技术保护点】
1.一种基于数据融合和BP神经网络的跌倒检测系统，设置在鞋子中，用于预测跌倒，其特征在于，包括：/n第一子系统与第二子系统，分别设置在左脚用鞋与右脚用鞋中，均具有四个设置在鞋垫中的用于采集足底压力数据的薄膜压力传感器、用于采集足部加速度数据与角速度数据的加速计陀螺仪模块、用于进行数据传输的WIFI模块、用于进行数据处理的主控芯片以及用于供电的电池模块，/n其中，四个所述薄膜压力传感器分别设置于在所述鞋垫上第一脚趾、第一跖骨、第四跖骨以及足跟对应的位置，/n所述加速计陀螺仪模块、所述WIFI模块、所述主控芯片以及所述电池模块均设置在鞋帮外侧或集成设置到鞋底内。/n

【技术特征摘要】
1.一种基于数据融合和BP神经网络的跌倒检测系统，设置在鞋子中，用于预测跌倒，其特征在于，包括：
第一子系统与第二子系统，分别设置在左脚用鞋与右脚用鞋中，均具有四个设置在鞋垫中的用于采集足底压力数据的薄膜压力传感器、用于采集足部加速度数据与角速度数据的加速计陀螺仪模块、用于进行数据传输的WIFI模块、用于进行数据处理的主控芯片以及用于供电的电池模块，
其中，四个所述薄膜压力传感器分别设置于在所述鞋垫上第一脚趾、第一跖骨、第四跖骨以及足跟对应的位置，
所述加速计陀螺仪模块、所述WIFI模块、所述主控芯片以及所述电池模块均设置在鞋帮外侧或集成设置到鞋底内。


2.一种基于如权利要求1所述的基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法，包括以下步骤：
步骤1，通过所述薄膜压力传感器和所述加速计陀螺仪模块来实时采集人体足部的足底压力数据、加速度数据以及角速度数据作为原始数据；
步骤2，所述主控芯片对所述原始数据进行数据预处理得到融合数据；
步骤3，利用事先采集的训练集来训练BP神经网络，得到神经网络模型，并将所述神经网络模型植入所述第二子系统的所述主控芯片中；
步骤4，所述第一子系统采集的所述原始数据通过所述WIFI模块传输给所述第二子系统，与所述第二子系统采集的所述原始数据经过数据预处理后带入所述神经网络模型中，完成对跌倒的预测，
其中，所述神经网络模型中，第一层为输入层，第二层和第三层为隐藏层，第四层为输出层，
所述神经网络模型的第一层具有24个输入神经元，第二层具有16个隐藏层神经元，其中包括一个偏置值，第三层具有9个隐藏层神经元，其中包括一个偏置值，第四层有1个输出神经元，
所述训练集包括24个所述融合数据以及1个标签，所述神经网络模型的输入数据以24*1的矩阵形式进行输入，所述神经网络模型的输出为0或1的跌倒或非跌倒事件。


3.根据权利要求2所述的基于数据融合和BP神经网络的跌倒检测系统的跌倒检测方法，其特征在于：
其中，所述步骤1中，通过100Hz的频率采集所述原始数据，所述原始数据用一维矩阵的形式表示为：
[Accx，Accy，Accz，Grvx，Grvy，Grvz，F1，F2，F3，F4]，
其中，Accx，Accy，Accz为三轴的加速度值，Grvx，Grvy，Grvz为三轴的角速度值，F1，F2，F3，F4分别对应第一脚趾、第一...

【专利技术属性】
技术研发人员：王多琎，刘石雨，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：上海;31