跌倒檢測系統(tǒng)及方法
【技術領域】
[0001 ]本發(fā)明設及云計算系統(tǒng)領域，具體而言，設及一種跌倒檢測系統(tǒng)及方法。
【背景技術】
[0002] 隨著人口老齡化進程加劇，養(yǎng)老問題引起社會各界關注。跌倒是一種常見的老年 人危險行為，通過給老人佩戴智能穿戴設備，可實現(xiàn)對其行為實時觀察，跌倒發(fā)生時能檢測 出來，及時通知相關人員到現(xiàn)場處理。
[0003] 傳統(tǒng)的可穿戴設備跌倒檢測，主要是將算法集成到硬件忍片或固件，由硬件進行 離線單機計算，得出判定結果。運種方式存在W下缺陷：1.算法集成在穿戴設備，只能通過 固件升級來更新算法，每次升級均要客戶配合，不利于算法的敏捷迭代和更新。2.穿戴設備 的硬件計算能力有限，難W進行高復雜度的計算，不利于算法的選型。3.穿戴設備通過傳感 器采集的數(shù)據(jù)樣本，不能進行無限量的存儲，無法進行模擬。
【發(fā)明內(nèi)容】
[0004] 有鑒于此，本發(fā)明實施例的目的在于提供一種跌倒檢測系統(tǒng)及方法，W改善現(xiàn)有 技術中不便更新跌倒算法的問題。
[000引本發(fā)明實施例提供的一種跌倒檢測系統(tǒng)包括:加速度獲取模塊，用于獲取穿戴式 設備沿一=維坐標系=個軸向的實時=軸加速度值;判別軸選取模塊，用于根據(jù)一滑動時 間窗內(nèi)包含的多個數(shù)據(jù)點的=軸加速度值選取=維坐標系=軸中的其中之一作為判別軸； 觀測狀態(tài)數(shù)量設定模塊，用于對所述判別軸上的加速度變化值進行分段處理，W設定觀測 狀態(tài)數(shù)量;隱藏狀態(tài)數(shù)量設定模塊，用于設定隱藏狀態(tài)數(shù)量;隱馬爾科夫鏈模型建立模塊， 用于依據(jù)隱藏狀態(tài)數(shù)量及觀測狀態(tài)數(shù)量，通過Baum-Welch算法對隱馬爾科夫模型參數(shù)進行 模擬，生成隱馬爾可夫模型;跌倒概率計算模塊，用于基于隱馬爾可夫模型確定隱馬爾科夫 模型參數(shù)及觀測序列，在該隱馬爾科夫模型參數(shù)及觀測序列的基礎上通過Viterbi算法計 算概率最大的隱藏狀態(tài)序列，將該概率最大的隱藏狀態(tài)序列取對數(shù)得到一定值;跌倒判別 模塊，用于將所述定值與一闊值進行比較，判別所述穿戴式設備的用戶是否發(fā)生跌倒事件。
[0006] 本發(fā)明實施例提供的一種跌倒檢測方法包括:獲取穿戴式設備沿一=維坐標系= 個軸向的實時=軸加速度值;根據(jù)一滑動時間窗內(nèi)包含的多個數(shù)據(jù)點的=軸加速度值選取 =維坐標系=軸中的其中之一作為判別軸；對所述判別軸上的加速度變化值進行分段處 理，W設定觀測狀態(tài)數(shù)量；設定隱藏狀態(tài)數(shù)量；依據(jù)隱藏狀態(tài)數(shù)量及觀測狀態(tài)數(shù)量，通過 Baum-Welch算法對隱馬爾科夫模型參數(shù)進行模擬，生成隱馬爾可夫模型；基于隱馬爾可夫 模型確定隱馬爾科夫模型參數(shù)及觀測序列，在該隱馬爾科夫模型參數(shù)及觀測序列的基礎上 通過Viterbi算法計算概率最大的隱藏狀態(tài)序列，將該概率最大的隱藏狀態(tài)序列取對數(shù)得 到一定值;將所述定值與一闊值進行比較，判別所述穿戴式設備的用戶是否發(fā)生跌倒事件。
[0007] 與現(xiàn)有技術相比，本發(fā)明的跌倒檢測系統(tǒng)及方法可運行于服務端，由服務端做最 終的跌倒判斷。由于對應的算法運行在服務端，可W平滑進行升級和迭代，無需對穿戴式設 備進行干預，對客戶無感。另外，算法運行在服務端，擁有海量的計算能力和存儲空間，可進 行高復雜度的計算，數(shù)據(jù)永久存儲。
[0008] 為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合 所附附圖，作詳細說明如下。
【附圖說明】
[0009] 為了更清楚地說明本發(fā)明實施例的技術方案，下面將對實施例中所需要使用的附 圖作簡單地介紹，應當理解，W下附圖僅示出了本發(fā)明的某些實施例，因此不應被看作是對 范圍的限定，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可W根據(jù)運 些附圖獲得其他相關的附圖。
[0010] 圖1示出了本發(fā)明實施例提供的跌倒檢測方法及系統(tǒng)的應用環(huán)境示意圖。
[0011] 圖2為本發(fā)明較佳實施例提供的一種跌倒檢測系統(tǒng)的功能模塊架構示意圖。
[0012] 圖3為圖1所示的加速度傳感器在一=維坐標系的=個軸向的示意圖。
[0013] 圖4為所述加速度傳感器在圖3所示的=維坐標系中感測到的=軸加速度的波形 示意圖。
[0014] 圖5為本發(fā)明較佳實施例提供的應用于圖1所示的服務端的跌倒檢測方法的流程 圖。
[0015] 主要元件符號說明
【具體實施方式】
[0017]下面將結合本發(fā)明實施例中附圖，對本發(fā)明實施例中的技術方案進行清楚、完整 地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。通常在 此處附圖中描述和示出的本發(fā)明實施例的組件可WW各種不同的配置來布置和設計。因 此，W下對在附圖中提供的本發(fā)明的實施例的詳細描述并非旨在限制要求保護的本發(fā)明的 范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明的實施例，本領域技術人員在沒有做 出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0018] 應注意到:相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一 個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。同時，在本發(fā)明的 描述中，術語"第一"、"第二"等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。
[0019] 實施例
[0020] 本發(fā)明實施例所提供的跌倒檢測系統(tǒng)及方法可應用于如圖1所示的應用環(huán)境中。 如圖1所示，服務端100、穿戴式設備200位于無線網(wǎng)絡或有線網(wǎng)絡300中，通過該無線網(wǎng)絡或 有線網(wǎng)絡300,穿戴式設備200與服務端100進行數(shù)據(jù)交互。所述服務端100可W是，但不限 于，云端服務器、智能手機、個人電腦(personal computer,PC)等。所述穿戴式設備200可W 是，但不限于，智能眼鏡、智能手套、智能手環(huán)、智能手表、智能服飾等包括加速度傳感器(圖 未示）的可穿戴于用戶身上的智能電子設備。優(yōu)選地，所述穿戴式設備200是指可穿戴于用 戶腕部的智能手環(huán)、智能手表、智能手套等腕帶式穿戴設備。
[0021] 所述加速度傳感器用于測量所述穿戴式設備200在=維坐標系中沿所述=維坐標 系=個軸向的加速度。優(yōu)選地，本實施例中，所述加速度傳感器為=軸加速度傳感器。例如 圖2所示，假設所述S維坐標系的S個軸向分別為相互垂直的X軸、Y軸W及Z軸。所述加速度 傳感器則可感測所述穿戴式設備200分別沿所述X軸、Y軸W及Z軸方向的加速度值。本實施 例中，使用ax代表加速度傳感器在所述X軸方向感測到的加速度，使用ay代表加速度傳感器 在所述Y軸方向感測到的加速度，使用az代表加速度傳感器在所述Z軸方向感測到的加速 度。顯然，上述的=個軸向的加速度通過無線網(wǎng)絡或有線網(wǎng)絡300傳送至服務端100。
[0022] 如圖3所示，是本發(fā)明較佳實施例提供的服務端100的功能模塊示意圖。本實施例 中，所述服務端100包括跌倒檢測系統(tǒng)10、存儲單元30W及處理單元40。本實施例中，所述跌 倒檢測系統(tǒng)10用于根據(jù)所述加速度傳感器在所述X軸、Y軸W及Z軸分別感測到的加速度值 對所述穿戴式設備200的用戶可能發(fā)生的跌倒或摔倒事件進行檢測，W利于在用戶跌倒的 第一時間將該跌倒事件通報給相應人員，從而避免或減少對跌倒用戶的傷害。具體地，所述 跌倒檢測系統(tǒng)10包括加速度獲取模塊101、判別軸選取模塊102、觀測狀態(tài)數(shù)量設定模塊 103、隱藏狀態(tài)數(shù)量設定模塊104、隱馬爾科夫鏈模型建立模塊105、跌倒概率計算模塊106、 跌倒判別模塊107、跌倒報警模塊108及參數(shù)更新模塊109。本較佳實施例中，所述跌倒檢測 系統(tǒng)10中包含的各功能模塊可W軟件或固件(firmware)的形式安裝在所述存儲單元30中 或固化在所述服務端100的操作系統(tǒng)(OS)中，由所述處理單元40控制所述跌倒檢測系統(tǒng)10 各功能模塊執(zhí)行相應的功能。
[0