一种基于机器学习的老人跌倒检测方法及其检测系统技术方案

本发明专利技术公开了一种基于机器学习的老人跌倒检测方法，所述方法包括：[1]采集每个传感器的样本信息；[2]用样本信息训练字典并构造样本跌倒特征向量；[3]用样本跌倒特征向量训练分类器；[4]采集每个传感器的信息；[5]调用字典构造跌倒特征向量；[6]跌倒特征向量，采用已训练的分类器预测跌倒，输出预测结果。本发明专利技术还公开了一种实现所述的基于机器学习的老人跌倒检测方法的检测系统，包括：传感器模块、ARM主机模块和GPRS模块。本发明专利技术具有能运用字典学习算法和鲁棒的随机森林分类器有效提高老人跌倒检测的准确率等优点。

【技术实现步骤摘要】

本专利技术涉及一种医疗健康和机器学习
，特别涉及一种基于机器学习的老人跌倒检测方法及其检测系统。
技术介绍
我国社会的老龄化问题日益加剧,其中老年人的健康安全监护问题的需求日益增加。卫生部2007年公布的《中国伤害预防报告》指出,老年人意外伤害的首要原因是跌倒。根据调查,49.7％的城市老人独自居住每年有25％的70岁以上老人在家中发生跌倒在跌倒后会面临双重危险,首先是跌倒本身直接造成的人体伤害,其次是如果跌倒后不能得到及时的救助,可能会导致更加严重的后果,因此跌倒是老年人群伤残、失能和死亡的重要原因之一,严重影响老年人日常生活能力、身体健康及精神状态,会给老年人造成巨大伤害,伤痛、慢性病急性发作、生活质量急剧下降及沉重的医疗负担往往接踵而至,会给家庭和社会增加巨大的负担,因此,如何预知老人跌倒的风险并最大限度地减少跌伤程度,往往是亲属们最为关心的问题,能够随时检测老年人跌倒事件的发生,让老年人能够及时获得救治就显得极为重要,这引起了跌倒检测系统研制的兴起和重视,它能够有效检测老年人是否发生跌倒并及时报警,保护了老年人群的健康与安全。例如2010年,飞利浦公司推出了紧急医疗救援系统,拥有项链式、手表式造型,可以随身佩戴,能及时准确地检测到老人因意外或突发疾病而发生的跌倒并连接中心请求救援,为老人提供了生命保障。2012年,深圳爱福莱科技有限公司推出了“跌倒自动求救手机”爱福莱A03,它能够在老人发生跌倒时自动侦测、自动定位、自动报警和自动求救,最大限度地保障了老人独居和外出期间的健康安全。现有的跌倒方案大多只是利用了三轴加速度传感器，有一定的误报率。第1点，本发专利除了采用加速度传感器以外，还额外采用了陀螺仪和心率传感器作为判断的依据。第2点，老人跌倒检测方法分为阀值方法和机器学习分类方法，本专利技术采用机器学习分类方法，但采用的具体分类方法不同。第3点，本专利技术采用了字典学习进行跌倒特征向量的构造。因此虽然目前不少学者提出了跌倒检测方法，但目前的跌倒检测方法的研究仍存在诸多问题，主要问题是检测的准确率不高，存在一定的误判率。
技术实现思路
本专利技术的首要目的在于克服现有技术的缺点与不足，提供一种基于机器学习的老人跌倒检测方法，该检测方法克服了现有的跌倒检测方法的准确率不高，存在较大误判情况的问题。本专利技术的另一目的在于克服现有技术的缺点与不足，提供一种实现所述基于机器学习的老人跌倒检测方法的检测系统。本专利技术的首要目的通过以下技术方案实现：一种基于机器学习的老人跌倒检测方法，包括以下步骤：[1]采集每个传感器的样本信息，传感器包括三轴加速度传感器、陀螺仪、心率传感器。[2]采用K-SVD算法，通过样本信息对字典进行训练，并通过OMP算法构造样本跌倒特征向量；[3]用样本跌倒特征向量训练随机森林分类器；[4]采集每个传感器的信息；[5]调用已训练的字典，通过OMP算法构造跌倒特征向量；[6]跌倒预测，根据跌倒特征向量，采用已训练的随机森林分类器预测跌倒，输出预测结果。在步骤4中，所述传感器包括MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器，所述MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器的采样频率均为60Hz。在步骤2中，采用K-SVD算法，所述K-SVD算法具体为：利用样本信息通过反复执行固定字典和更新字典优化以下方程，训练得到构造特征所需的字典，并采用OMP算法求解出样本跌倒特征向量，subjectto||xi||0≤T0，其中，Y代表一个n*N的样本矩阵，D代表一个n*K的字典矩阵，n是测量数据的维度，K＝21；X代表一个K*N跌倒特征矩阵；表示2范数的平方；xi代表X矩阵的第i列；||·||0表示零范数；T0是预先设置的阀值。在步骤3中，利用样本跌倒特征向量，采用Gini标准对树的数量为50，每棵树的深度为7的随机森林分类器进行训练。在步骤5中，运用已训练的字典，通过OMP算法求以下解方程，构造出新数据的跌倒特征向量：subjectto||X″||0≤T0，其中，Y″代表采集传感器信息到的一个n*1的向量，n是测量数据的维度，本实施例中n＝7；D′代表训练以后得到的一个n*K的字典矩阵，本实施例中K＝21；X″代表所求向量Y″的一个K*1跌倒特征向量；表示2范数的平方；||·||0表示零范数；T0是预先设置的阀值。在步骤6中，调用已训练的树的数量为50，每棵树的深度为7的随机森林分类器，以跌倒特征向量为输入，是否跌倒为输出，完成跌倒识别。本专利技术的另一目的通过以下技术方案实现：一种实现所述的基于机器学习的老人跌倒检测方法的检测系统，包括：传感器模块、ARM主机模块和GPRS模块，传感器模块通过I/O直接与ARM主机模块相连，GPRS模块通过TTL串口直接与ARM主机模块相连，其中，所述传感器模块包括若干传感器，用于监测用户活动数据以判断是否发生跌倒；所述ARM主机模块通过对从I/O口接收到传感器模块的监测数据进行实时处理，判断用户是否发生跌倒行为，若判断结果为发生跌倒行为，则向GPRS模块发出指令；所述GPRS模块用于发送预警信息。所述传感器模块包括三个独立的传感器，所述三个独立的传感器为：MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器；所述MPU-6050三轴加速度传感器的通信接口与所述ARM主机模块的一号I/O口相连，采样频率为60Hz；所述MPU-6050三轴陀螺仪的通信接口与所述ARM主机模块的二号I/O口相连，采样频率为60Hz；所述SON1303心率传感器的通信接口与所述ARM主机模块的三号I/O口相连，采样频率为60Hz。所述ARM主机模块采用UT4412BV02开发板，所述UT4412BV02开发板的扩展I/O接口用于接收传所述感器模块的检测数据，所述UT4412BV02开发板的TTL串口用于向所述GPRS模块发送命令；所述ARM主机用于运行判别算法。相对于现有技术，本专利技术具有如下的优点与有益效果：本专利技术通过运用能提高数据维度的字典学习算法和鲁棒的随机森林分类器，有效的提高了老人跌倒检测的准确率。附图说明图1为一种基于机器学习的老人跌倒检测方法训练流程图。图2为一种基于机器学习的老人跌倒检测方法执行流程图。图3为一种基于机器学习的老人跌倒检测系统的系统结构图。具体实施方式本专利技术提出一种基于机器学习的老人跌倒检测方法，结合附图和实施例说明如下。实施例如图1所示，为一种基于机器学习的老人跌倒检测方法训练流程图，该方法包括以下步骤：[1]采集每个传感器的样本信息，传感器包括三轴加速度传感器、陀螺仪、心率传感器。[2]采用K-SVD算法，通过样本信息对字典进行训练，并通过OMP算法构造样本跌倒特征向量；[3]用样本跌倒特征向量训练随机森林分类器；步骤[1]采集每个传感器的样本信息；a)被采集的传感器包括三轴加速度传感器，陀螺仪、心率传感器；b)三轴加速度传感器：个体运动时，会在三个正交方向产生不同的加速度，这些加速度的变化值可用来判断身体姿势的变化，是判断个体是否发生跌倒的依据；c)陀螺仪：现在陀螺仪可以精确地确定运动物体3个正交方向的转角，通过陀螺仪可本文档来自技高网...

【技术保护点】
一种基于机器学习的老人跌倒检测方法，其特征在于，包括以下步骤：步骤1、采集每个传感器的样本信息；步骤2、用样本信息训练字典并构造样本跌倒特征向量；步骤3、用样本跌倒特征向量训练分类器；步骤4、采集每个传感器的信息；步骤5、调用已训练的字典构造跌倒特征向量；步骤6、跌倒预测，根据跌倒特征向量，采用已训练的分类器预测跌倒，输出预测结果。

【技术特征摘要】
1.一种基于机器学习的老人跌倒检测方法，其特征在于，包括以下步骤：步骤1、采集每个传感器的样本信息；步骤2、用样本信息训练字典并构造样本跌倒特征向量；步骤3、用样本跌倒特征向量训练分类器；步骤4、采集每个传感器的信息；步骤5、调用已训练的字典构造跌倒特征向量；步骤6、跌倒预测，根据跌倒特征向量，采用已训练的分类器预测跌倒，输出预测结果。2.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤4中，所述传感器包括MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器，所述MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器的采样频率均为60Hz。3.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤2中，采用K-SVD算法，所述K-SVD算法具体为：利用样本信息通过反复执行固定字典和更新字典优化以下方程，训练得到构造特征所需的字典，并采用OMP算法求解出样本跌倒特征向量，subjectto||xi||0≤T0，其中，Y代表一个n*N的样本矩阵，D代表一个n*K的字典矩阵，n是测量数据的维度，K＝21；X代表一个K*N跌倒特征矩阵；表示2范数的平方；xi代表X矩阵的第i列；||·||0表示零范数；T0是预先设置的阀值。4.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤3中，利用样本跌倒特征向量，采用Gini标准对树的数量为50，每棵树的深度为7的随机森林分类器进行训练。5.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤5中，运用已训练的字典，通过OMP算法求解以下方程，构造出新数据的跌倒特征向量：subjectto||X″||0≤T0，其中，Y″代表采集传感器信息到的一个n*1的向量，n是测量数据的维度，本实施例中n＝7；D′代表训练以后得到的一个n...

【专利技术属性】
技术研发人员：周智恒，俞政，劳志辉，李浩宇，李波，胥静，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44