一種跌倒檢測方法
【技術領域】
[0001] 本發(fā)明涉及跌倒檢測領域，具體涉及跌倒檢測算法。
【背景技術】
[0002] 隨著社會的不斷發(fā)展，老年化已經(jīng)成為當今社會不可避免的一個全球性趨勢。老 年人在日常生活中的安全防范，日益成為社會關注的熱點，跌倒是老年人的危險殺手，老年 人卻容易跌倒。針對這一問題，除了必要的防范措施之外，若能在老年人發(fā)生摔倒的最短時 間內(nèi)，對老年人進行及時有效的救助，可避免因跌倒帶來的嚴重后果。因此，跌倒檢測有著 十分重要的意義，當異常情況發(fā)生時，能夠及時地做出報警處理，使得摔倒的老年人能夠得 到及時的救助。
[0003] 然而，跌倒檢測遇到的情況復雜，難以實現(xiàn)，具體難點如下：
[0004] (1)難以獲取老年人真實的跌倒數(shù)據(jù)用于跌倒檢測模型及算法的設計；
[0005] (2)在利用三軸加速度計獲取的人體運動數(shù)據(jù)中，跌倒類與非跌倒類數(shù)據(jù)特征存 在著很大的交集，難以建立有效的數(shù)學模型進行區(qū)分，容易造成誤判和漏判；
[0006] (3)由于個體特征的差異，如性別、身高、體重、年齡等影響，會造成跌倒檢測過程 中的數(shù)據(jù)差異，增加了跌倒檢測模型及算法的設計難度；
[0007] (4)目前基于穿戴式的跌倒檢測模型及算法主要有兩類：一是過程檢測，通過對 人體加速度數(shù)據(jù)的閾值判斷；二是姿態(tài)識別，通過跌倒檢測前后的姿態(tài)對比，判斷是否跌 倒。這兩種方法都利用設定的閾值進行跌倒檢測，缺乏自學習機制，跌倒檢測的正確率不 尚。

【發(fā)明內(nèi)容】

[0008] 有鑒于此，本發(fā)明的目的是提供一種跌倒檢測方法，該方法簡單、精度高、計算量 小以及具有自學習能力，適用于跌倒檢測，解決現(xiàn)有跌倒方法存在的主要問題，提高檢測精 度。
[0009] 本發(fā)明的目的是通過以下技術方案來實現(xiàn)的，一種跌倒檢測方法，具體包括以下 步驟：
[0010] 步驟SI.獲取三軸加速度傳感器值，并計算合加速度；
[0011] 步驟S2.若合加速度值小于合加速度的閾值，跳轉(zhuǎn)步驟S1，若合加速度值大于合 加速度的閾值，執(zhí)行步驟S3 ;
[0012] 步驟S3.計算檢測結(jié)果，根據(jù)跌倒檢測模型和檢測結(jié)果進行跌倒判斷。
[0013] 所述跌倒檢測模型通過以下方法獲得：
[0014] 步驟SlL測試大量的跌倒類與非跌倒類數(shù)據(jù)；
[0015] 步驟S12.利用滑動窗口對步驟Sll中的數(shù)據(jù)進行截取；
[0016] 步驟S13.計算滑動窗口內(nèi)數(shù)據(jù)的特征量；
[0017] 步驟S14.對特征量進行離散化處理；
[0018] 步驟S15.將離散化處理后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入，進行學習訓練生成跌倒 檢測模型。
[0019] 所述特征量包括合加速度的最大值Aniax與最小值六_、合加速度最大值與最小值之 間的時間間隔A t、合加速度的方差D (A)、合加速度的平均值E (A)、滑動窗口內(nèi)X方向時間 序列前后k個點的平均值X1, X2。
[0020] 所述檢測結(jié)果的計算方法為：
[0021] S31.當合加速度值大于合加速度的閾值時，利用滑動窗口截取數(shù)據(jù)；
[0022] S32.計算窗口內(nèi)數(shù)據(jù)的特征量；
[0023] S33.對特征量進行離散化處理；
[0024] S34.將離散化處理后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入，神經(jīng)網(wǎng)絡的輸出作為檢測結(jié) 果。
[0025] 所述特征量包括合加速度的最大值Aniax與最小值六_、合加速度最大值與最小值之 間的時間間隔A t、合加速度的方差D (A)、合加速度的平均值E (A)、滑動窗口內(nèi)X方向時間 序列前后k個點的平均值X1, X2。
[0026] 所述當檢測結(jié)果判斷為跌倒時，則發(fā)出報警；當檢測結(jié)果為非跌倒時，將窗口向后 滑動η個點截取數(shù)據(jù)，執(zhí)行步驟Sl。
[0027] 所述檢測結(jié)果為：P = f (yl+b)，其中
[0029] 激活函數(shù)f (X)為雙極S型函數(shù)
[0030] W1, by 1，b為BP神經(jīng)網(wǎng)絡訓練的權值：
[0032] 由于采用了上述技術方案，本發(fā)明具有如下的優(yōu)點：
[0033] 本發(fā)明所述方法簡單、精度高、計算量小以及具有自學習能力，適用于跌倒檢測， 解決現(xiàn)有跌倒檢測方法存在的主要問題，提高檢測精度。
【附圖說明】
[0034] 為了使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進 一步的詳細描述，其中：
[0035] 圖1為跌倒檢測模型圖；
[0036] 圖2為算法流程圖；
[0037] 圖3為跑步跌倒時序圖；
[0038] 圖中數(shù)據(jù)是由三軸加速度計獲得跑步跌倒時間序列，其中X、Y、Z分別代表人體豎 直方向，水平方向及垂直方向的加速度的值。
【具體實施方式】
[0039] 以下將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述；應當理解，優(yōu)選實施例 僅為了說明本發(fā)明，而不是為了限制本發(fā)明的保護范圍。
[0040] 由于每個人個體特征的差異，如性別、身高、體重等影響，會造成跌倒檢測過程中 的數(shù)據(jù)差異。單純的通過過程閾值檢測或者姿態(tài)識別來判斷是否跌倒，正確率不高。因此， 建立一個有效的檢測模型，編寫具有自學習能力的算法，通過學習訓練，可以提高檢測正確 率。
[0041] 一、建立跌倒檢測模型，具體包括以下步驟：
[0042] StepL測試大量的跌倒類與非跌倒類數(shù)據(jù)；在本實施列中，獲取了各1000組的數(shù) 據(jù)，本領域普通技術人員可以理解，本發(fā)明的該實施例中獲取了跌倒與非跌倒數(shù)據(jù)各1000 組，但是本領域普通技術人員可以理解也可以獲取更多的數(shù)據(jù)。
[0043] Step2.利用滑動窗口截取數(shù)據(jù)；在本實施例中窗口長度為3s、步長為N，其截取的 數(shù)據(jù)為閾值前后1.5s的數(shù)據(jù)。
[0044] St印3.利用式（1)~（7)計算窗口內(nèi)數(shù)據(jù)特征量：
[0045] (1)合加速度A的最大值與最小值：Amax、Amin
一:a:其中X，y, z分別代表X軸、y軸、z軸上的加速度，
[0047] Amax= max {A !，A2,…，AJ (1)
[0048] Amin= min {A !，A2,…，AJ (2)
[0049] (2)合加速度最大值Aniax與最小值A _之間的時間間隔：Δ t
[0050] Δ t = 11-x_tAnin I (3)
[0051] (3)窗口內(nèi)時間序列后m個點的合加速度的方差：D㈧<