本發(fā)明屬于安全預(yù)警領(lǐng)域，具體涉及一種hmm-svm跌倒模型的構(gòu)建方法和基于該模型的跌倒及跌倒方向檢測方法。

背景技術(shù)：

根據(jù)世界衛(wèi)生組織統(tǒng)計，每年約有35％的65歲及以上老人發(fā)生過跌倒，跌倒不但會造成骨折致殘等嚴(yán)重的生理傷害，而且對老年人產(chǎn)生較大的心理影響。因此研發(fā)跌倒預(yù)警的相應(yīng)算法和檢測設(shè)備，有利于及時采取相應(yīng)的保護(hù)措施，盡量減少人體因跌倒造成的傷害。

目前關(guān)于跌倒檢測的研究主要有事后跌倒檢測和事前跌倒檢測。事后跌倒檢測以跌倒后及時通知親屬或監(jiān)護(hù)中心，縮短等待救援時間為目的；而事前跌倒檢測在老年人發(fā)生跌倒但未碰撞地面前完成判斷，提供充分的預(yù)警時間供啟動安全氣囊等保護(hù)裝置。相比事后跌倒檢測，不但即時發(fā)出警報，而且能最大程度減少人體所受傷害。

目前跌倒檢測的技術(shù)主要有3種：①基于視頻的室內(nèi)跌倒分析，這種技術(shù)不足在于無法保證用戶隱私，無法實現(xiàn)在戶外監(jiān)測，且受光線影響大；②基于周圍環(huán)境的跌倒檢測，即通過監(jiān)測老年人周圍紅外、壓力等物理量來判別跌倒，這種技術(shù)與基于視頻技術(shù)一樣，也無法實現(xiàn)在戶外監(jiān)測；③基于穿戴式的跌倒檢測既保證用戶隱私，又對應(yīng)用范圍限制小，是一種比較理想的跌倒檢測技術(shù)。

綜上所述，考慮到穿戴式跌倒檢測技術(shù)和事前檢測策略的優(yōu)勢，國內(nèi)外學(xué)者在該領(lǐng)域進(jìn)行了嘗試，其中最著名的是由日本prop公司發(fā)布的一種基于加速計和陀螺儀的安全氣囊系統(tǒng)，該系統(tǒng)在短時間內(nèi)可對放置于頭部和臀部的2個氣囊完成快速充氣過程。國內(nèi)研究方面，香港中文大學(xué)shi團(tuán)隊將氣囊等模塊放置在骻部，設(shè)計了針對骻骨保護(hù)的事前檢測氣囊保護(hù)系統(tǒng)。

與目前絕大多數(shù)事前檢測研究類似，以上研究僅考慮了碰撞前檢測出跌倒趨勢的二值分類情況，沒有進(jìn)行跌倒方向的判別的功能，因此無法針對性的開啟安全氣囊以更好的起到保護(hù)作用。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種hmm-svm跌倒模型的構(gòu)建方法及基于該模型的跌倒檢測方法，以解決現(xiàn)有技術(shù)無法預(yù)測跌倒方向造成的無法針對性的開啟安全氣囊，造成保護(hù)力度弱的問題。

為了實現(xiàn)上述目的，本發(fā)明提供了一種hmm-svm跌倒模型的構(gòu)建方法，包括：

對訓(xùn)練集中的至少兩個方向跌倒的數(shù)據(jù)集進(jìn)行特征組合提取并串接成觀察值序列；所述訓(xùn)練集由至少兩個方向跌倒及至少兩類日?；顒拥臄?shù)據(jù)組成；

利用所述觀察值序列，訓(xùn)練出所有所述方向跌倒的hmm模型；

對訓(xùn)練集中的日?；顒拥臄?shù)據(jù)集進(jìn)行特征組合提取，串接成觀測值序列，并結(jié)合所述觀察值序列，共同放入所述hmm模型，獲得訓(xùn)練集的輸出概率向量；

對訓(xùn)練集的輸出概率向量作歸一化處理，訓(xùn)練出svm模型。

優(yōu)選的，所述訓(xùn)練集由至少兩個方向跌倒及至少兩類日?；顒拥募铀俣群妥藨B(tài)角數(shù)據(jù)組成。

優(yōu)選的，所述訓(xùn)練集由前、后、左、右四個方向跌倒及十類日?；顒拥臄?shù)據(jù)組成。

優(yōu)選的，所述構(gòu)建方法還包括：

對訓(xùn)練集中的至少兩個方向跌倒的數(shù)據(jù)集進(jìn)行特征組合提取并串接成觀察值序列包括：

采用時域分析法對訓(xùn)練集中的數(shù)據(jù)集進(jìn)行特征提取；

羅列不同的特征，采用wrapper方法進(jìn)行特征選擇，確定特征組合；

根據(jù)確定的特征組合，將訓(xùn)練集中的每一個訓(xùn)練樣本都劃為一個特征向量集，向量集記為f＝{amean、amin、attitude、roll、pitch}；其中amean為合加速度均值、amin為合加速度最小值、attitude為角度變化和、roll為滾轉(zhuǎn)角變化、pitch為俯仰角變化；

將向量集合的值域執(zhí)行分段符號化處理，把符號取值作為所述觀察值序列中的元素取值。

優(yōu)選的，利用所述觀察值序列，訓(xùn)練出所有所述方向跌倒的hmm模型包括：

定義模型初始參數(shù)，確定初始的hmm模型λ0＝(m，n，π，a，b)的各參數(shù)的初始值；隱狀態(tài)數(shù)m、觀測值數(shù)量n、初始狀態(tài)概率矩陣π、初始隱狀態(tài)轉(zhuǎn)移概率矩陣a和初始觀測狀態(tài)轉(zhuǎn)移概率矩陣b；

根據(jù)b-w算法，利用所述觀測值序列進(jìn)行訓(xùn)練，利用重估公式優(yōu)化參數(shù)，確定最終的hmm模型λ＝(m，n，π，a，b)。

優(yōu)選的，所述對訓(xùn)練集的輸出概率向量作歸一化處理，訓(xùn)練出svm模型包括：

準(zhǔn)備樣本集

通過計算各hmm模型和訓(xùn)練集內(nèi)的樣本的匹配度，形成輸出概率；

對所述輸出概率進(jìn)行縮放操作，得到歸一化處理后的訓(xùn)練集；

選擇核函數(shù)；

對所述核函數(shù)進(jìn)行參數(shù)尋優(yōu)，得到最優(yōu)參數(shù)組合；

根據(jù)所述最優(yōu)參數(shù)組合確定所述svm模型。

優(yōu)選的，所述訓(xùn)練集中的數(shù)據(jù)通過佩戴在用戶腰部的傳感器采集得到。

本發(fā)明另一方面還提供了一種基于上述的hmm-svm跌倒檢測模型的跌倒檢測方法，包括：

采集用戶的加速度和姿態(tài)角數(shù)據(jù)；

對所述加速度和姿態(tài)角數(shù)據(jù)進(jìn)行特征提取，產(chǎn)生觀察值序列；

將所述觀察值序列輸入預(yù)存的至少兩個方向的所述hmm模型，獲得輸出概率向量并進(jìn)行歸一化；

將所述歸一化后的數(shù)據(jù)輸入預(yù)存的所述svm模型，判斷是否跌倒以及跌倒方向。

優(yōu)選的，采集用戶的加速度和姿態(tài)角數(shù)據(jù)通過佩戴在所述用戶腰部的傳感器進(jìn)行。

優(yōu)選的，所述hmm模型為前跌、后跌、左跌以及右跌四個方向模型。

優(yōu)選的，特征提取為提取合加速度均值amean、合加速度最小值amin、角度變化和attitude、滾轉(zhuǎn)角變化roll以及俯仰角變化pitch。

優(yōu)選的，所述跌倒檢測方法還包括：在判斷到所述用戶具有一個方向的跌倒趨勢時，發(fā)出警報。

優(yōu)選的，所述跌倒檢測方法還包括：在判斷到所述用戶具有一個方向的跌倒趨勢時，打開對應(yīng)位置的安全氣囊。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

判別出跌倒方向，利于開啟指定位置氣囊提供針對性保護(hù)。測試訓(xùn)練出的hmm-svm混合模型的檢測率，發(fā)現(xiàn)前跌、后跌、左跌、右跌和日?；顒拥臋z測率分別為96％、98％、93％、92％和97.5％。通過對比發(fā)現(xiàn)，各類跌倒檢測率均高于目前跌倒方向判別研究的檢測結(jié)果，驗證了本發(fā)明提出的hmm-svm模型的有效性。

統(tǒng)計本混合算法的預(yù)留時間，可知其具有245ms左右的預(yù)警時間用于啟動防護(hù)裝置，證明了本發(fā)明提出的方法具備足夠的預(yù)留時間。

附圖說明

構(gòu)成本發(fā)明的一部分的說明書附圖用來提供對本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

圖1示出了本發(fā)明系統(tǒng)的安裝示意圖；

圖2示出了本發(fā)明的方法流程圖；

圖3示出了本發(fā)明與現(xiàn)有技術(shù)檢測率對比圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分的實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

本發(fā)明旨在基于慣性導(dǎo)航模塊和隱馬爾科夫-支持向量機(jī)模型(hiddenmarkovmodel-supportvectormachine，hmm-svm)進(jìn)行事前跌倒檢測和方向判別，采用如下技術(shù)方案，具體包括以下步驟：

1.1在腰前佩戴好數(shù)據(jù)采集模塊，在多次的模型構(gòu)建過程中，這一步驟只需操作一次即可，并非每次必須。

本發(fā)明用到的硬件可包括兩部分：①數(shù)據(jù)采集模塊，包括傳感器模塊、通信模塊和電源模塊，該部分由用戶佩戴在腰前；②計算報警模塊，手機(jī)端利用藍(lán)牙通訊技術(shù)作為無線通信方案，接收穿戴端人體的行為信息，并負(fù)責(zé)執(zhí)行跌倒預(yù)警算法，以及跌倒后的發(fā)送警報等操作。

當(dāng)然，計算報警模塊與數(shù)據(jù)采集模塊集成在一起，用于執(zhí)行跌倒判別及預(yù)警。

頭部、腰前、大腿、手腕是最常見的穿戴位置。而腰部接近人體重心位置，腰部的節(jié)點能反映人體的平衡狀態(tài)，代表身體的運動，所以腰部是理想的檢測位置。從用戶體驗角度出發(fā)，腰部穿戴裝置更具備便利性，本發(fā)明從檢測準(zhǔn)確率，用戶體驗角度考慮，優(yōu)選腰前作為本發(fā)明跌倒預(yù)警系統(tǒng)中傳感器的佩戴位置。

1.2采集4種類型跌倒(前跌、后跌、左跌和右跌，代表了不同方向的跌倒)和10種最常見日常行為的加速度和姿態(tài)角數(shù)據(jù)，此后隨機(jī)挑選出數(shù)據(jù)樣本，作為訓(xùn)練組和測試組，訓(xùn)練組用于訓(xùn)練出hmm-svm混合模型，測試組用于檢測混合模型的檢測率。

本發(fā)明結(jié)合老年人的動作特點，定義了10種類型的老年人每天必須進(jìn)行的、最基本的、最有共性的和需反復(fù)執(zhí)行的日?；顒樱糜诤竺娴臄?shù)據(jù)采集及分類討論，其中包括了幾類劇烈的日?；顒?，分別為站立轉(zhuǎn)身、坐下起立、蹲下起立、彎腰起身、躺下坐起、躺下翻身、行走、慢跑、上樓梯和下樓梯。當(dāng)然其他種類或數(shù)量的日常行為也在本發(fā)明保護(hù)范圍內(nèi)，以上10種日?；顒觾H為其中較常見實施例。本發(fā)明可限制為至少兩種日?；顒?。

由于前趴下跌倒、后躺下跌倒、左側(cè)身跌倒和右側(cè)身跌倒這4類是極易引起髖骨骨折的跌倒，本發(fā)明主要區(qū)分以上跌倒行為，以下簡稱為前跌、后跌、左跌和右跌。當(dāng)然其他數(shù)量或種類的方向劃分也在本發(fā)明保護(hù)范圍內(nèi)，其原理是一樣的。本發(fā)明可限制為至少兩個方向。

為了采集數(shù)據(jù)訓(xùn)練出混合模型，本發(fā)明選取了10位實驗對象，年齡24±1.4、身高174.1±4cm和體重64.5±5.2kg。根據(jù)之前定義的4種人體跌倒，10種日?；顒?，每位實驗對象，合計需要完成14個動作，本發(fā)明共采集了600組跌倒和600組日?；顒?，選取前跌、后跌、左跌和右跌各50組合計200組，各類日常行為各20組合計200組，用于訓(xùn)練出hmm-svm模型，其余跌倒及日?；顒訕颖居糜隍炞C模型的有效性。

1.3提取4類跌倒過程的加速度和姿態(tài)角觀察值序列，構(gòu)建訓(xùn)練數(shù)據(jù)集。

1.4訓(xùn)練出代表4種類型跌倒的隱馬爾科夫模型λfront、λback、λleft及λright。

1.5對日?；顒拥闹匾獢?shù)據(jù)段提取特征，串接成可見觀測值序列，結(jié)合以上可見觀察值序列，共同放入上一步訓(xùn)練出的4個hmm模型，獲得訓(xùn)練集合的輸出概率向量。

1.6對訓(xùn)練集合的輸出概率向量作歸一化處理，訓(xùn)練出支持向量機(jī)模型。

所述步驟1.3具體如下：

(1)采用時域分析法對采集得到的行為數(shù)據(jù)進(jìn)行特征提取；羅列不同的特征，采用wrapper方法進(jìn)行特征選擇，確定最優(yōu)特征組合(共5個)，以構(gòu)成特征向量。

(2)參照上步確定的最優(yōu)特征組合，將每一個訓(xùn)練樣本都劃為一個特征向量集，向量集記為f＝{amean，amin，attitude，roll，pitch}。

為簡化算法，將向量集合的值域執(zhí)行分段符號化處理，把符號取值作為可見觀察序列中的元素取值。首先定義特征amean符號的有限集合：

s＝{s1，s2，…，sk}，k≥1(1)

記amean的值域為θ，可用如下集合表述：

將θ分段，集合s中的符號與每段存在對應(yīng)關(guān)系，即s1與[θ1-1，θ1)對應(yīng)，其中1≤1≤k。

在跌倒的失重階段，由于軀干的傾斜，地面對人體的支撐力減小，故該階段合加速度逐漸減小，此窗口內(nèi)的均值一般小于0.8g，所以將0.8g前后進(jìn)行分段，故針對合加速度的均值，本發(fā)明劃分為2段。同理，對其余4個特征符號化，最終定義符號集合r＝{1，2，3，4，5，6，7，8，9，10，11，12}來標(biāo)識特征集合中的元素。

所述步驟1.4具體如下：

1.4.1定義模型初始參數(shù)：確定基于hmm的人體跌倒預(yù)警模型λ0＝(m，n，π，a，b)的各參數(shù)的初始值。即分別為跌倒預(yù)警模型的隱狀態(tài)數(shù)m、可見觀測值數(shù)量n、初始狀態(tài)概率矩陣π、初始隱狀態(tài)轉(zhuǎn)移概率矩陣a和初始可見觀測狀態(tài)轉(zhuǎn)移概率矩陣b賦值。

(1)跌倒預(yù)警模型的隱狀態(tài)數(shù)m：m通常根據(jù)經(jīng)驗估計，跌倒預(yù)警模型常選擇m為3～8，本發(fā)明首先統(tǒng)一選取3狀態(tài)markov鏈，發(fā)現(xiàn)隨著隱狀態(tài)數(shù)的增加跌倒檢測率趨于穩(wěn)定無顯著提高，故各模型的隱狀態(tài)數(shù)為3，即最終選取m＝3。

(2)可見觀測值數(shù)量n：根據(jù)特征序列元素的符號化規(guī)則，得到的符號集合r＝{1，2，3，4，5，6，7，8，9，10，11，12}，故觀測值數(shù)量n＝12。

(3)初始狀態(tài)概率矩陣π：相對傳統(tǒng)的全連接的hmm，無跨越左右型的hmm進(jìn)行人體跌倒預(yù)警與方向判別，可降低計算復(fù)雜度，且提高跌倒的檢測率。本發(fā)明基于無跨越左右型hmm的結(jié)構(gòu)特點，為初始狀態(tài)概率矩陣賦予初值，π1＝1，πi＝0，i∈{2，3}。

(4)初始隱狀態(tài)轉(zhuǎn)移概率矩陣a：根據(jù)左右型的特點，初始隱狀態(tài)轉(zhuǎn)移矩陣設(shè)置為

(5)初始可見觀測狀態(tài)轉(zhuǎn)移概率矩陣b：初始觀測狀態(tài)轉(zhuǎn)移概率矩陣為均勻分布，bij＝1/n，i∈{1，2，3}，j∈{1，2，3，…，12}。

1.4.2根據(jù)b-w算法，對給定的用于訓(xùn)練的可見觀測值序列，進(jìn)行訓(xùn)練，利用重估公式來優(yōu)化參數(shù)，確定最終的基于hmm的人體跌倒預(yù)警模型λ＝(m，n，π，a，b)。

定義λ0后，根據(jù)b-w算法對o進(jìn)行訓(xùn)練，得到跌倒預(yù)警模型。本發(fā)明要實現(xiàn)跌倒方向判別，這屬于多值分類問題，故建立模型階段需建立4類hmm模型，分別代表前跌、后跌、左跌和右跌4個跌倒方向的預(yù)測模型，依次標(biāo)記為λfront、λback、λleft和λright。本發(fā)明在matlab環(huán)境下利用hmm工具箱進(jìn)行訓(xùn)練。hmm工具箱中，loglik為對數(shù)似然值，表示可見觀測值序列與hmm的吻合程度，和p(o|λ)等價。loglik為一個負(fù)值，當(dāng)其越接近0，表征可見觀測值序列與hmm的匹配程度越高。

本發(fā)明采用每個方向的跌倒各50組，即50組前跌、50組后跌、50組左跌和50組右跌，用于訓(xùn)練出λfront、λback、λleft及λright這4個模型。最大迭代步數(shù)設(shè)置為100，算法的收斂誤差設(shè)置為1×10^-5。分別計算50組前跌、50組后跌、50組左跌、50組右跌和200組日常行為與4個模型的匹配度。

所述步驟1.6具體如下：

(1)準(zhǔn)備樣本集

通過計算各hmm模型和用于訓(xùn)練的待測行為的匹配度，形成了特征值，提供給svm進(jìn)行識別，以獲得最終判別模型。本發(fā)明采用了libsvm軟件開發(fā)包訓(xùn)練出最終判別模型。

本發(fā)明需要判別前跌、后跌、左跌、右跌和日?；顒舆@5類行為，故需要設(shè)置5個代表樣本類別的標(biāo)志，即需設(shè)置<label1>、<label2>、<label3>、<label4>和<label5>這5個標(biāo)簽。各樣本分別與1.4步中訓(xùn)練得的4個hmm模型匹配得4個輸出概率，對svm而言表示輸入4個特征值，故需要設(shè)置<valuel>、<value2>、<value3>和<value4>這4項。

(2)縮放操作

訓(xùn)練樣本集內(nèi)的特征數(shù)據(jù)，當(dāng)某個特征值范圍過大或者過小時，訓(xùn)練中各個特征起的作用將不平衡；并且在數(shù)據(jù)不平衡的情況下計算核函數(shù)內(nèi)積時，易造成計算困難。為了避免這2種現(xiàn)象，需對數(shù)據(jù)進(jìn)行縮放操作，通常將數(shù)據(jù)縮放至[0，1]或[-1，1]區(qū)間內(nèi)?？s放前首先確定某類特征數(shù)據(jù)的最大值和最小值，分別標(biāo)記為xmax和xmin，選擇縮放區(qū)間[a，b]，對于區(qū)間[a，b]中的任意x，采用如下縮放公式：

x^*＝(x-xmin)/(xmax-xmin)×(b-a)+a(3)

x^*即為縮放后結(jié)果，本發(fā)明選取區(qū)間[-1，1]，利用libsvm軟件包提供的windows環(huán)境下的可執(zhí)行文件，經(jīng)過縮放操作，歸一化處理后的訓(xùn)練集被保存為scale文件，同時縮放規(guī)則被保存在range文件中，用于電腦端對測試集的縮放操作和手機(jī)端對實時數(shù)據(jù)處理時的縮放操作。

(3)核函數(shù)選擇

核函數(shù)中徑向基函數(shù)，針對高維或者低維，小樣本或者大樣本情況均適用?？紤]到徑向基函數(shù)具備適用性，且在研究中應(yīng)用較廣，本發(fā)明選取徑向基函數(shù)作為核函數(shù)。

(4)參數(shù)尋優(yōu)

選擇徑向基核函數(shù)后，需對懲罰系數(shù)c和核函數(shù)參數(shù)g進(jìn)行參數(shù)尋優(yōu)。libsvm軟件包內(nèi)提供了一個用python語言編寫的名為grid.py工具來完成參數(shù)尋優(yōu)。該工具首先對懲罰系數(shù)c和核函數(shù)參數(shù)g指定一個范圍，然后通過網(wǎng)格搜索和k折交叉驗證以確定最優(yōu)的c和g組合。其中網(wǎng)格搜索是指遍歷各種不同的c與g組合值，k折交叉驗證就是將樣本集分為大小相等的k部分，k部分間彼此互斥，當(dāng)?shù)?組訓(xùn)練樣本用于測試分類模型檢測率時，其它k-1組用于訓(xùn)練模型，重復(fù)k次后，再將k次的正確率求平均得到此模型最后的正確率。通過網(wǎng)格搜索和交叉驗證最終尋得c和g的最優(yōu)值組合。

(5)得到模型

設(shè)置上步中獲得的最優(yōu)參數(shù)c和g，調(diào)用函數(shù)訓(xùn)練樣本集后，得到分類模型model文件。

上述6個步驟用于構(gòu)建hmm-svm跌倒檢測模型，其方法可總結(jié)為：

對訓(xùn)練集中的至少兩個方向跌倒的數(shù)據(jù)集進(jìn)行特征組合提取并串接成觀察值序列；所述訓(xùn)練集由至少兩個方向跌倒及至少兩類日?；顒拥臄?shù)據(jù)組成；

利用所述觀察值序列，訓(xùn)練出所有所述方向跌倒的hmm模型；

對訓(xùn)練集中的日?；顒拥臄?shù)據(jù)集進(jìn)行特征組合提取，串接成觀測值序列，并結(jié)合所述觀察值序列，共同放入所述hmm模型，獲得訓(xùn)練集的輸出概率向量；

對訓(xùn)練集的輸出概率向量作歸一化處理，訓(xùn)練出svm模型。

本發(fā)明中，進(jìn)一步的可以使用上述方法訓(xùn)練出的hmm-svm模型，在人體跌倒碰撞地面前，檢測出人體跌倒傾向及跌倒方向。即：

采集用戶的加速度和姿態(tài)角數(shù)據(jù)；

對所述加速度和姿態(tài)角數(shù)據(jù)進(jìn)行特征提取，產(chǎn)生觀察值序列；

將所述觀察值序列輸入預(yù)存的至少兩個方向的所述hmm模型，獲得輸出概率向量并進(jìn)行歸一化；

將所述歸一化后的數(shù)據(jù)輸入預(yù)存的所述svm模型，判斷是否跌倒以及跌倒方向。

為了更清楚地描述本發(fā)明的內(nèi)容，下面結(jié)合具體實例來進(jìn)行進(jìn)一步的描述。

參照圖1，為本發(fā)明的硬件結(jié)構(gòu)組成。傳感器模塊使用了慣性傳感器jy901，該模塊包括一個3軸陀螺儀、一個3軸加速計和一個3軸磁力計，可實時輸出模塊的加速度、姿態(tài)角等運動狀態(tài)。

參照表1，為穿戴模塊的部分參數(shù)列表，發(fā)現(xiàn)滿足人體運動測量范圍，且符合穿戴設(shè)備簡潔輕便的要求。本發(fā)明數(shù)據(jù)采集速率設(shè)置為100hz，通信模塊采用hc-06藍(lán)牙串口模塊，它的任務(wù)是將傳感器的數(shù)據(jù)實時無線發(fā)送到移動終端。

表1穿戴端傳感器部分參數(shù)列表

參照表2，為采用wrapper方法進(jìn)行特征選擇，使用不同的特征組合，生成分類模型，然后利用該分類模型對測試集進(jìn)行檢測，統(tǒng)計檢測率，比較結(jié)果最終確定了最優(yōu)特征組合。

表2最優(yōu)特征組合

參照表3，為合加速度均值的劃分。在跌倒的失重階段，由于軀干的傾斜，地面對人體的支撐力減小，故該階段合加速度逐漸減小，此窗口內(nèi)的均值一般小于0.8g，所以將0.8g作為值域的分界點，進(jìn)行前后值域分段，故針對合加速度的均值，本發(fā)明劃分為2段。

表3amean的分段方法

參照圖2為基于混合模型的跌倒預(yù)警與方向判別算法的流程圖，模型建立及應(yīng)用的主要步驟如下：

(1)從4類跌倒及10類日常活動組成的樣本集中，隨機(jī)抽取訓(xùn)練集，剩余樣本組成測試集。

(2)選取訓(xùn)練集中的前跌、后跌、左跌和右跌數(shù)據(jù)集，提取重要數(shù)據(jù)段即失重階段的合加速度和姿態(tài)角特征后，將特征串接成一可見觀察值序列，最終組成可反映跌倒失重階段重要特征的可見觀察值序列。

(3)利用訓(xùn)練集中的可見觀察值序列，訓(xùn)練出4類跌倒的hmm模型。

(4)對訓(xùn)練集中的日?；顒拥闹匾獢?shù)據(jù)段提取特征，串接成可見觀測值序列，結(jié)合以上可見觀察值序列，共同放入4個hmm模型，獲得訓(xùn)練集合的輸出概率向量。

(5)對訓(xùn)練集合的輸出概率向量作歸一化處理，訓(xùn)練出svm模型。

(6)對測試集采用滑動窗口，依次遍歷每個測試樣本的所有數(shù)據(jù)，進(jìn)行特征提取，產(chǎn)生可見觀察值序列，放入4個hmm模型，對獲取的輸出概率向量歸一化操作后，放入上一步訓(xùn)練得的svm模型，獲得最終的分類結(jié)果。

參照表4，為1.6步驟中，最終用于訓(xùn)練樣本集的標(biāo)簽。

表4.libsvm數(shù)據(jù)樣本標(biāo)簽

參照表5和圖3，為該算法對前跌、后跌、左跌、右跌和日?；顒拥臋z測率統(tǒng)計。在跌倒檢測研究方面，絕大多實現(xiàn)了在人體碰撞地面前檢測出跌倒趨勢，無法進(jìn)一步判別出跌倒方向。據(jù)調(diào)研與整理，目前僅發(fā)現(xiàn)薩省大學(xué)yang實現(xiàn)了跌倒方向判別，他對比了svm、oner、決策樹、神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯模型，發(fā)現(xiàn)樸素貝葉斯模型檢測率最高，對前跌、后跌、左跌、右跌和日?；顒拥臋z測率分別為92％、82％、95％、82％和99％。根據(jù)本發(fā)明與其檢測率對比圖3，可以發(fā)現(xiàn)，除日?；顒拥臋z測率略低于yang的模型(yang僅定義站立和行走這2類日?；顒?，本發(fā)明定義了10類日?；顒?，包括慢跑等劇烈adl)，各類跌倒檢測率均高于該文結(jié)果，驗證了本發(fā)明提出的hmm-svm模型的有效性，說明了具備更高的檢測率。

表5混合模型對跌倒和日常活動的檢測率

表6為本混合算法的預(yù)留時間統(tǒng)計，跌倒過程中，檢測出跌倒傾向的時刻與碰撞地面后合加速度最大時刻相減，得到預(yù)留時間。顯然預(yù)留時間越長對跌倒保護(hù)越有利，選取400組跌倒樣本中hmm-svm混合模型成功檢測出的379組，統(tǒng)計它們的預(yù)警時間，看出該模型下，具有245ms左右的預(yù)警時間用于啟動防護(hù)裝置。

表6hmm-svm混合模型檢測的預(yù)留時間

為檢測hmm-svm混合模型的有效性，引入以下2種性能指標(biāo)來判斷跌倒預(yù)警實驗結(jié)果的好壞：

se＝tp/(tp+fn)×100％(4)

sp＝tn/(tn+fp)×100％(5)

其中，tp是跌倒如前跌檢測為前跌的樣本數(shù)，tn是日?；顒訖z測為adl的樣本數(shù)，fn為跌倒如前跌檢測為日常活動和其他方向跌倒的樣本數(shù)，fp是日?；顒訖z測為跌倒的樣本數(shù)。靈敏度(se，sensitivity)，反映了跌倒的檢測率；特異度(sp，specificity)，反映了日?；顒拥臋z測率。

測試訓(xùn)練出的hmm-svm混合模型的檢測率，發(fā)現(xiàn)前跌、后跌、左跌、右跌和日常活動的檢測率分別為96％、98％、93％、92％和97.5％。通過和其他研究對比發(fā)現(xiàn)，各類跌倒檢測率均高于目前跌倒方向判別研究的檢測結(jié)果，驗證了本發(fā)明提出的hmm-svm模型的有效性，說明了具備更高的檢測率。

統(tǒng)計本混合算法的預(yù)留時間(即算法檢測出跌倒傾向時刻與人體碰撞地面時刻的間隔)，看出該模型下，具有245ms左右的預(yù)警時間用于啟動防護(hù)裝置，證明了本發(fā)明提出的方法具備足夠的預(yù)留時間。

需要注意的是，具體實施方式僅僅是對本發(fā)明技術(shù)方案的解釋說明，不應(yīng)將其理解為對本發(fā)明技術(shù)方案的限定，任何采用本發(fā)明實質(zhì)發(fā)明內(nèi)容而僅作局部改變的，仍應(yīng)落入本發(fā)明的保護(hù)范圍內(nèi)。