本發(fā)明屬于智能穿戴技術領域，尤其涉及一種人體跌倒判定方法及人體跌倒判定裝置。

背景技術：

跌倒是危害老年人及其他特殊人群的重要因素之一。跌倒已經(jīng)成為老人傷害死亡的頭號殺手。及時的跌倒檢測和救助可以為治療和搶救贏得寶貴時間，對提高老人的獨立生活能力、保障其健康和提高醫(yī)療監(jiān)護水平都具有非常重要的作用。

目前市場上的智能模塊進行人體跌倒的算法，多是基于佩戴在身體腰部或以上部位，利用跌倒時的加速度變化判定是否跌倒。少部分智能模塊置于腳底，判定跌倒采取的是預判方式，即根據(jù)跌倒前會有一段時間加速度增大過程，這種判斷誤判的概率較大。

目前已有的跌倒檢測方法可以大致分為三類：一類是基于視頻的檢測方法。該方法通過在環(huán)境中布設彩色或深度攝像頭，利用圖像處理技術來檢測用戶跌倒。此方法不需要用戶穿戴設備且有較成熟的算法支持，但監(jiān)測范圍有限，易受光線等環(huán)境因素影響，且不利于保護用戶隱私。另一類是基于環(huán)境變量的方法?；诃h(huán)境變量的方法通過在環(huán)境中布設壓力、震動和聲音等傳感器件來綜合判斷用戶的跌倒。此方法原理簡單且受環(huán)境因素影響較小，但布設成本高且監(jiān)測范圍受限。還有一類是基于穿戴式裝置所采集的運動傳感器(例如加速度計、陀螺儀等)數(shù)據(jù)的檢測方法?，F(xiàn)有技術中，通常將集成了運動傳感器的裝置，固定在用戶特定身體部位(如胸前、腰部、腿部等)，通過識別特定部位的運動和姿態(tài)來判斷用戶跌倒。此方法不受監(jiān)測范圍限制，可以實現(xiàn)連續(xù)實時檢測，但由于要求在身體特定位置穿戴較為不便的感知設備，對用戶日常生活帶來很大的干擾性，限制了此類方法的實際應用和推廣。

近年來，涌現(xiàn)出越來越多的新型可穿戴設備，例如智能眼鏡、智能腕帶、智能手表、智能鞋子等，這些新型可穿戴設備降低了對設備穿戴位置的限制，因此，可以考慮將跌倒檢測裝置融入到新型可穿戴設備以減小檢測裝置對用戶生活的干擾。然而，這些新型可穿戴設備對應的穿戴位置的運動靈活性較高，這導致運動傳感器所采集的人體運動數(shù)據(jù)具有更高的復雜性和多樣性，使用傳統(tǒng)的檢測方法難以同時獲得高檢測率和低誤警率。

因此，當前迫切需要一種適合于能夠基于具有高度復雜性和多樣性的運動數(shù)據(jù)(例如頭部運動數(shù)據(jù))實現(xiàn)高檢測率和低誤警率的跌倒檢測解決方案。

本發(fā)明中智能模塊置于腳底，是基于對人體跌倒行為過程的大量的分析，對跌倒后及之前的極短時間的狀態(tài)進行分析，綜合分析側向、縱向的加速度變化后進行判斷是否跌倒。這種算法避免了大量誤報，提高了跌倒判斷的準確性。

技術實現(xiàn)要素：

本發(fā)明提出了一種判斷準確率高、低誤警率的人體跌倒判定方法。

本發(fā)明還提供了一種判斷準確率高、低誤警率的人體跌倒判定裝置。

本發(fā)明采用的技術方案是：

一種人體跌倒判定方法，其具體步驟包括：

(1)對人體的x軸、y軸、z軸方向的加速度進行采集，并分別設置x軸、y軸、z軸方向的加速度閾值；

(2)當采集到x軸、y軸方向的加速度突增，并分別超過相應的加速度閾值時，對z軸方向的加速度與z軸方向的加速度閾值進行比對；

(3)當z軸方向的加速度小于z軸方向的加速度閾值時，判定為跌倒行為。本發(fā)明基于三軸加速度閾值的檢測算法，通過三軸加速度的動作，判斷是否跌倒，判斷更直接簡單，同時判斷準確率高、低誤警率。

進一步，還包括步驟(4)發(fā)生跌倒行為后發(fā)出跌倒警報信號并及時通知監(jiān)護人。

進一步，步驟(1)中采集的加速度進行數(shù)據(jù)濾波。

進一步，數(shù)據(jù)濾波采用卡爾曼濾波方法。

一種人體跌倒判定裝置，水平安裝并封藏在鞋底內(nèi)部，包括殼體，其特征在于：所述殼體內(nèi)安裝有電路板、充電線圈、可充電鋰電池，所述充電線圈與電路板之間設有隔離片，所述可充電鋰電池與電路板連接，所述電路板內(nèi)集成有人體跌倒判定模塊，所述人體跌倒判定模塊用于根據(jù)三軸加速度與預設加速度閾值比對來判定是否存在跌倒行為。本發(fā)明裝置設置于鞋底并通過人體跌倒判定模塊判定跌倒行為，誤判率低；并且通過充電線圈進行無線充電方式對可充電鋰電池進行充電，因此無需拆下人體跌倒判定裝置進行充電，使用方便。

進一步，所述人體跌倒判定模塊包括主處理器和協(xié)處理器，協(xié)處理器上連接有用于采集三軸加速度的三軸加速度傳感器，所述協(xié)處理器與主處理器連接，所述主處理器上連接有用于電話語音通知監(jiān)護人的esim卡。

進一步，所述協(xié)處理器上還連接有藍牙2.4g天線。

進一步，所述主處理器上還連接有gsm天線、gps天線、wifi天線、flash模塊。

進一步，所述主處理器上還連接有報警模塊。

本發(fā)明的有益效果是：人體跌倒判定準確率高、低誤警率，使用方便。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

圖2是本發(fā)明裝置的安裝示意圖。

圖3是本發(fā)明裝置的結構爆炸圖。

圖4是本發(fā)明的硬件電路圖。

具體實施方式

下面結合具體實施例來對本發(fā)明進行進一步說明，但并不將本發(fā)明局限于這些具體實施方式。本領域技術人員應該認識到，本發(fā)明涵蓋了權利要求書范圍內(nèi)所可能包括的所有備選方案、改進方案和等效方案。

實施例一

參見圖1，一種人體跌倒判定方法，其具體步驟包括：

(1)對人體的x軸、y軸、z軸方向的加速度進行采集，并分別設置x軸、y軸、z軸方向的加速度閾值；

(2)當采集到x軸、y軸方向的加速度突增，并分別超過相應的加速度閾值時，對z軸方向的加速度與z軸方向的加速度閾值進行比對；

(3)當z軸方向的加速度小于z軸方向的加速度閾值時，判定為跌倒行為；

(4)發(fā)生跌倒行為后發(fā)出跌倒警報信號并及時通知監(jiān)護人。

本發(fā)明基于三軸加速度閾值的檢測算法，通過三軸加速度的動作，判斷是否跌倒，判斷更直接簡單，同時判斷準確率高、低誤警率。

本實施例步驟(1)中采集的加速度采用卡爾曼濾波方法進行數(shù)據(jù)濾波。加速度的測量值往往在任何時候都有噪聲，對跌倒判斷是有極大影響的，必須進行數(shù)據(jù)濾波，去除噪聲還原真實數(shù)據(jù)?？柭鼮V波(kalmanfiltering)一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法，能夠對現(xiàn)場采集的數(shù)據(jù)進行實時的更新和處理。由于觀測數(shù)據(jù)中包括系統(tǒng)中的噪聲和干擾的影響，所以最優(yōu)估計也可看作是濾波過程。利用目標的動態(tài)信息，設法去掉噪聲的影響，得到一個關于目標值的較好的數(shù)值。

本實施例原理是人體正常站立時，腳后跟處和地面的角度是0度，走路、跑步包括上下階梯時，鞋后跟與地面會形成一定的角度，這時人體z軸方向的加速度值會隨著角度變化而變化，這種狀態(tài)到跌倒狀態(tài)的臨界點會有一個加速度閥值。靜態(tài)時，z軸方向加速度值在水平狀態(tài)下是最大的，角度越大，加速度值越小。當這個加速度值小于加速度閥值時，就可判斷已處于跌倒狀態(tài)。

僅通過靜態(tài)時z軸方向加速度值的變化來判斷跌倒，會引起大量的誤判。比如休息時將腿放置于椅子上，腳掌與地面角度接近90度，z軸方向的加速度非常小，低于加速度閥值，就會誤判為跌倒。為了減少誤判，還分析了在跌倒過程中x、y軸方向的加速度值的變化情況。站立時，這兩向的加速度值基本為0，走路、跑步及上下階梯時，x軸方向仍然基本為0，y軸方向加速度值會隨著腳后跟與地面的角度變化而變化，到跌倒(前后方向)時，y軸方向的加速度會有一個突增，側向跌倒時，x軸方向加速度值會突增，在此臨界點設置一個加速度閥值，超過這個加速度閥值，作為跌倒判斷的一個條件，結合z軸方向加速度值與相應加速度閥值的比較，綜合判斷是否跌倒，判斷準確率高、低誤警率。

實施例二

參見圖2-4，一種人體跌倒判定裝置10，水平安裝并封藏在鞋底內(nèi)部，包括殼體1，所述殼體1內(nèi)安裝有電路板2、充電線圈4、可充電鋰電池5，所述充電線圈4與電路板2之間設有隔離片3，所述可充電鋰電池5與電路板2連接，所述電路板2內(nèi)集成有人體跌倒判定模塊，所述人體跌倒判定模塊用于根據(jù)三軸加速度與預設加速度閾值比對來判定是否存在跌倒行為。本發(fā)明裝置設置于鞋底并通過人體跌倒判定模塊判定跌倒行為，誤判率低；并且通過充電線圈進行無線充電方式對可充電鋰電池進行充電，因此無需拆下人體跌倒判定裝置進行充電，使用方便。

本實施例所述人體跌倒判定模塊包括主處理器和協(xié)處理器，協(xié)處理器上連接有用于采集三軸加速度的三軸加速度傳感器，所述協(xié)處理器與主處理器連接，所述主處理器上連接有用于電話語音通知監(jiān)護人的esim卡，所述協(xié)處理器上還連接有藍牙2.4g天線，所述主處理器上還連接有gsm天線、gps天線、wifi天線、flash模塊、報警模塊。

本實施例所述人體跌倒判定模塊的人體跌倒判定方法，具體步驟包括：

(1)對人體的x軸、y軸、z軸方向的加速度進行采集，并分別設置x軸、y軸、z軸方向的加速度閾值；

(2)當采集到x軸、y軸方向的加速度突增，并分別超過相應的加速度閾值時，對z軸方向的加速度與z軸方向的加速度閾值進行比對；

(3)當z軸方向的加速度小于z軸方向的加速度閾值時，判定為跌倒行為；

(4)發(fā)生跌倒行為后發(fā)出跌倒警報信號并及時通知監(jiān)護人。

本實施例步驟(1)中采集的加速度采用卡爾曼濾波方法進行數(shù)據(jù)濾波。加速度的測量值往往在任何時候都有噪聲，對跌倒判斷是有極大影響的，必須進行數(shù)據(jù)濾波，去除噪聲還原真實數(shù)據(jù)。卡爾曼濾波(kalmanfiltering)一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法，能夠對現(xiàn)場采集的數(shù)據(jù)進行實時的更新和處理。由于觀測數(shù)據(jù)中包括系統(tǒng)中的噪聲和干擾的影響，所以最優(yōu)估計也可看作是濾波過程。利用目標的動態(tài)信息，設法去掉噪聲的影響，得到一個關于目標值的較好的數(shù)值。

本實施例中的人體跌倒判定裝置10，是為了解決對人體是否跌倒進行判斷的問題的，與其它智能穿戴不同的是，本裝置是放置并封藏在鞋底內(nèi)部，不屬于額外增加的穿戴品(如手環(huán)、眼鏡、掛件等)，如圖2所示。并且采用無線充電方式進行充電，只需將鞋子按要求方向、位置放置于充電板20上即可，無需拆下裝置充電。該裝置通過加速度傳感器采集人行動時的加速度，利用人體跌倒判定模塊的人體跌倒判定方法判斷是否有跌倒行為，跌倒報警通過電話語音通知用戶。

本實施例中的人體跌倒判定裝置10水平放置于鞋底，位置固定，不會隨人體走動改變基本位置。對于正常走動的行為，只需分析z軸方向的加速度數(shù)據(jù)即可。在進行跌倒判斷時，分別分析x、y、z軸方向的數(shù)據(jù)變化，更直接，也更簡單。根據(jù)實驗模型得出人體在跌倒后，身體接觸地面的同時，雙腳與地面的角度會發(fā)生改變，超過正常走路、跑步、跳躍等行為時腳掌與地面形成的角度，并有短時的騰空現(xiàn)象，正是基于這兩種跌倒特征，綜合跌倒過程中各軸向加速度值的變化并計算來進行跌倒判斷的。

為了驗證人體跌倒判定方法的準確性，并出于安全考慮沒有讓老人參與而是邀請了10名年輕人進行模擬摔倒(在墊子上完成)。實驗的跌倒方式分為：向前/向后跌倒未平躺、向前/向后跌倒后平躺、向左/向右側跌倒。依據(jù)這幾種跌倒方式設計了一套如表1所示的動作。每一次實驗的實驗者都隨機從中選出一些動作并結合真正的跌倒組合一套完整的實驗動作。系統(tǒng)以25hz的采樣頻率進行樣本的采集，并通過設計的算法進行數(shù)據(jù)的分析處理。實驗者從上述的動作中隨機選取動作組合進行實驗，每名實驗者需進行5組實驗，10名實驗者共需完成50組實驗。實驗統(tǒng)計結果如表1所示。

表1

通過實驗數(shù)據(jù)可知所設計的跌倒檢測方法有較高的準確率，能夠分辨絕大部分的跌倒事件，但在對于緩慢癱倒，或者有倚靠物的半跌倒的情況存在一定的誤報率。