一种跌倒识别方法及装置制造方法及图纸

本发明专利技术提出了一种跌倒识别方法及装置，涉及跌倒检测技术领域。本发明专利技术通过获取人体运动数据，包括加速度和心率数据；然后根据人体运动数据中的加速度，计算得到合加速度；然后根据合加速度和心率数据，确定人体运动状态；根据人体运动状态，将人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数；最后将人体姿态参数和人体运动数据，输入至预置的跌倒识别模型中，预置的跌倒识别模型包括基于DBN深度信念网络算法构建的特征变换器和基于RF随机森林算法构建的分类器，特征变换器将人体姿态参数进行特征变换，得到特征矩阵，将特征矩阵输入至分类器，得到跌倒识别结果。使其能够获得更加满意的准确度，确保了跌倒识别的准确性。准确性。准确性。

【技术实现步骤摘要】
一种跌倒识别方法及装置


[0001]本专利技术涉及跌倒检测
，具体而言，涉及一种跌倒识别方法及装置。

技术介绍

[0002]随着人口老龄化越发严重的趋势，养老问题的解决越发迫在眉睫，虽然福利制度在不断完善，但跌倒造成老人死亡的突发事件依旧频繁出现，因此预防老人跌倒在实际生活中变得愈发重要。
[0003]目前，随着我国老龄化的不断加剧，老人健康监测已经成为整个社会关注的重点问题，跌倒检测设备也是研究的热点之一，国内外已有众多科研人员及资金致力于跌倒检测设备或算法的研发。根据跌倒检测装置的数据采集方式和使用情况，跌倒检测可分为环境信号跌倒检测技术、视频图像跌倒检测技术和可穿戴设备跌倒检测技术三类。
[0004]然而，这些跌倒检测设备都需要设计算法进行跌倒识别，现有的算法识别难度较大，算法准确率较低，误报现象时有发生。

技术实现思路

[0005]本专利技术的目的在于提供一种跌倒识别方法及装置，用以改善现有技术中没有考虑不同区域的评估指标的差异性，导致评估不够准确的问题。
[0006]第一方面，本申请实施例提供一种跌倒识别方法，包括以下步骤：
[0007]获取人体运动数据，所述人体运动数据至少包括加速度和心率数据；
[0008]根据所述人体运动数据中的加速度，计算得到合加速度；
[0009]根据所述合加速度和所述心率数据，确定人体运动状态；
[0010]根据所述人体运动状态，将所述人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数；/>[0011]将所述人体姿态参数和所述人体运动数据，输入至预置的跌倒识别模型中，所述预置的跌倒识别模型包括基于DBN深度信念网络算法构建的特征变换器和基于RF随机森林算法构建的分类器，所述特征变换器将所述人体姿态参数进行特征变换，得到特征矩阵，所述分类器根据所述特征矩阵进行分类，得到跌倒识别结果。
[0012]基于第一方面，在本专利技术的一些实施例中，所述加速度包括x轴加速度a
x
、y轴加速度a
y
和z轴加速度a
z
；
[0013]根据所述人体运动数据中的加速度，计算得到合加速度的步骤包括以下步骤：
[0014]将所述x轴加速度a
x
、y轴加速度a
y
和z轴加速度a
z
代入到合加速度计算公式中，得到合加速度，所述合加速度计算公式为：
[0015][0016]式中：A为合加速度，A1为x轴加速度，A2为y轴加速度，A3为z轴加速度。
[0017]基于第一方面，在本专利技术的一些实施例中，根据所述合加速度和所述心率数据，确定人体运动状态的步骤包括以下步骤：
[0018]将所述合加速度与预置的加速度阈值对比，得到第一对比结果；
[0019]将所述心率数据与预置的心率阈值对比，得到第二对比结果；
[0020]根据所述第一对比结果和所述第二对比结果，得到人体运动状态。
[0021]基于第一方面，在本专利技术的一些实施例中，根据所述人体运动状态，将所述人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数的步骤包括以下步骤：
[0022]判断所述人体运动状态是否为剧烈运动，若是，则将所述人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数；若否，则生成正常活动提醒信息。
[0023]基于第一方面，在本专利技术的一些实施例中，还包括以下步骤：
[0024]获取样本数据集，所述样本数据集中的各个样本包括样本特征矩阵以及样本类别；
[0025]根据样本数据集，将所述样本特征矩阵作为输入，所述样本类别作为输出，对RF随机森林算法构建的初始分类器进行训练，得到基于RF随机森林算法构建的分类器。
[0026]基于第一方面，在本专利技术的一些实施例中，还包括以下步骤：
[0027]根据所述跌倒识别结果生成控制命令；
[0028]将所述控制命令发送至防跌倒装置，以实现跌倒保护。
[0029]基于第一方面，在本专利技术的一些实施例中，还包括以下步骤：
[0030]根据所述跌倒识别结果生成跌倒提醒信息，并发送至用户端。
[0031]第二方面，本申请实施例提供一种跌倒识别装置，包括：
[0032]数据获取模块，用于获取人体运动数据，所述人体运动数据至少包括加速度和心率数据；
[0033]合加速度计算模块，用于根据所述人体运动数据中的加速度，计算得到合加速度；
[0034]运动状态确定模块，用于根据所述合加速度和所述心率数据，确定人体运动状态；
[0035]姿态解算模块，用于根据所述人体运动状态，将所述人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数；
[0036]跌倒识别模型模块，用于将所述人体姿态参数和所述人体运动数据，输入至预置的跌倒识别模型中，所述预置的跌倒识别模型包括基于DBN深度信念网络算法构建的特征变换器和基于RF随机森林算法构建的分类器，所述特征变换器将所述人体姿态参数进行特征变换，得到特征矩阵，所述分类器根据所述特征矩阵进行分类，得到跌倒识别结果。
[0037]第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当所述一个或多个程序被所述处理器执行时，实现如上述第一方面中任一项所述的方法。
[0038]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。
[0039]本专利技术实施例至少具有如下优点或有益效果：
[0040]本专利技术实施例提供一种跌倒识别方法及装置，通过获取人体运动数据，所述人体运动数据至少包括加速度和心率数据；然后根据所述人体运动数据中的加速度，计算得到合加速度；然后根据所述合加速度和所述心率数据，确定人体运动状态；根据所述人体运动状态，将所述人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数；最后将所述人体姿态参数和所述人体运动数据，输入至预置的跌倒识别模型中，所述预置的跌倒
识别模型包括基于DBN深度信念网络算法构建的特征变换器和基于RF随机森林算法构建的分类器，所述特征变换器将所述人体姿态参数进行特征变换，得到特征矩阵，所述分类器根据所述特征矩阵进行分类，得到跌倒识别结果。通过确定人体运动状态，可以准确判断出人体所处状态，以进行疑似跌倒判断，并根据人体运动状态进一步解算人体姿态参数，再将人体姿态参数和人体运动数据结合作为跌倒识别模型的输入，以判断是否出现跌倒，跌倒识别模型采用基于DBN深度信念网络算法构建的特征变换器和基于RF随机森林算法构建的分类器，利用DBN进行非线性特征变换，从而引入了更好的特征，使其能够获得更加满意的准确度，确保了跌倒识别的准确性。
附图说明
[0041]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跌倒识别方法，其特征在于，包括以下步骤：获取人体运动数据，所述人体运动数据至少包括加速度和心率数据；根据所述人体运动数据中的加速度，计算得到合加速度；根据所述合加速度和所述心率数据，确定人体运动状态；根据所述人体运动状态，将所述人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数；将所述人体姿态参数和所述人体运动数据，输入至预置的跌倒识别模型中，所述预置的跌倒识别模型包括基于DBN深度信念网络算法构建的特征变换器和基于RF随机森林算法构建的分类器，所述特征变换器将所述人体姿态参数进行特征变换，得到特征矩阵，所述分类器根据所述特征矩阵进行分类，得到跌倒识别结果。2.根据权利要求1所述的跌倒识别方法，其特征在于，所述加速度包括x轴加速度a
x
、y轴加速度a
y
和z轴加速度a
z
；根据所述人体运动数据中的加速度，计算得到合加速度的步骤包括以下步骤：将所述x轴加速度a
x
、y轴加速度a
y
和z轴加速度a
z
代入到合加速度计算公式中，得到合加速度，所述合加速度计算公式为：式中：A为合加速度，A1为x轴加速度，A2为y轴加速度，A3为z轴加速度。3.根据权利要求1所述的跌倒识别方法，其特征在于，根据所述合加速度和所述心率数据，确定人体运动状态的步骤包括以下步骤：将所述合加速度与预置的加速度阈值对比，得到第一对比结果；将所述心率数据与预置的心率阈值对比，得到第二对比结果；根据所述第一对比结果和所述第二对比结果，得到人体运动状态。4.根据权利要求1所述的跌倒识别方法，其特征在于，根据所述人体运动状态，将所述人体运动数据采用四元数解算姿态方法进行解算，得到人体姿态参数的步骤包括以下步骤：判断所述人体运动状态是否为剧烈运动，若是，则将所述人体运动数据采用四元数解算姿态方法进行解算，得...

【专利技术属性】
技术研发人员：常相辉，林永熠，郭雪妮，陈子萱，郑培锋，郑文杰，张宗康，严燕，刘其军，
申请(专利权)人：老肯医疗科技股份有限公司，
类型：发明
国别省市：