一种多传感器融合的腕式跌倒检测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种多传感器融合的腕式跌倒检测方法及装置，本发明专利技术实施例通过实时采集人体活动姿态数据，对采集到的数据进行分析融合后提取特征向量，并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为，克服了视频检测测试区域的局限性，实现随时随地的检测，具有更高的跌倒检测准确率，且使用更便捷，具有更好的用户体验效果，设计更加合理有效，节约了成本。

A multi sensor fusion wrist fall detection method and device

The embodiment of the invention discloses a multi sensor fusion wrist fall detection method and the device of the embodiment of the invention through real-time acquisition of human activities, attitude data, analysis the fusion feature extraction of the collected data, and through the threshold based positioning and SVM two level decision algorithm to determine whether the incidence of falls behavior, to overcome the limitations of video detection test area, detect the fall detection whenever and wherever possible, with higher accuracy, and more convenient to use, has a better user experience effect, design more reasonable and effective, cost savings.

【技术实现步骤摘要】

本专利技术涉及跌倒检测领域，尤其涉及一种多传感器融合的腕式跌倒检测方法及装置。
技术介绍
基于视频图像的跌倒检测系统：此系统将一个或者是几个视频采集摄像头固定安装在房间内，以此捕捉人体活动的图像。捕捉到的图像经过相关的算法进行分析处理，进而提取到跌倒图像的特征，来判定跌倒行为的发生。基于穿戴式设备的跌倒检测系统：此类系统大多佩戴在人体的固定部位，一般佩戴于胸部、腰部、腿部以及腕部等部位。通过在设备中加入相关的姿态传感器，从而形成可穿戴检测设备，采集实验对象在运动过程中通过传感器输出的数据来分析并检测跌倒行为。基于视频图像的跌倒检测系统受空间区域限制，系统只能安装在室内的某个固定位置，当被检测者离开视频摄像头的可检测范围时，系统就无法实现跌倒检测，因此限制了被检测者的活动范围；其次是视频图像具有延时性，可能导致活动行为的检测实时性受到影响，图像质量也会因系统所在环境因素影响；最后视频图像采集涉及了被检测者的个人隐私，如果被他人获取，被检测者的个人隐私将无法得到保证。基于腰部和腿部穿戴式设备的跌倒检测系统，其佩戴不方便，跌倒检测系统设计较为单一，外观和使用都得不到用户所要求的效果。因此，提供一种实时采集人体活动姿态数据，对采集到的数据进行分析融合后提取特征向量，并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为的基于传感器数据融合的多传感器融合的腕式跌倒检测方法及装置是本领域技术人员需要解决的技术问题。
技术实现思路
本专利技术实施例提供了一种多传感器融合的腕式跌倒检测方法及装置，通过实时采集人体活动姿态数据，对采集到的数据进行分析融合后提取特征向量，并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为。本专利技术实施例提供了一种多传感器融合的腕式跌倒检测方法及装置，包括：S1：在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后，获取到低通滤波处理后的数据；S2：根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积；S3：确定所述合加速度、合角速度和信号幅值面积的最大特征值；S4：判断所述最大特征值是否满足预置阈值，若满足，则识别所述动作数据对应的动作为跌倒动作，若不满足，则识别所述动作数据对应的动作不为跌倒动作。优选地，所述动作数据包括：三个分加速度和三个分角速度。优选地，所述根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积具体包括：根据所述低通滤波处理后的数据，对加速度强度向量、信号幅值面积、失重时长、冲击时长、加速度方差、陀螺仪合成角速度和陀螺仪偏转角度进行特征选取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积。优选地，所述确定所述合加速度、合角速度和信号幅值面积的最大特征值具体包括：循环遍历所述合加速度、合角速度和信号幅值面积，得到所述合加速度、合角速度和信号幅值面积得最大特征值。优选地，所述对加速度强度向量进行特征选取计算应用的公式为：式中，SMV为三轴合成加速度；Ax、Ay、Az分别为X轴、Y轴、Z轴的加速度值。优选地，所述对信号幅值面积进行特征选取计算应用的公式为：式中，SMA为信号幅值面积；T为一个时间窗口的大小。优选地，所述对失重时长进行特征选取计算应用的公式为：TWL＝TL-T0式中，TL为SMV的有效输入数据中，从疑似跌倒数据开始，连续类失重数据中最后一个点对应的数据采集时间；T0是指第一个数据点所对应的时间；所述对冲击时长进行特征选取计算应用的公式为：为冲击最大值点对应的数据采集时间，为类自由落体阶段最小值点对应的数据采集时间。优选地，所述对加速度方差进行特征选取计算应用的公式为：式中，SVMi为合加速度某一时刻的数值，为在此窗口时间内的平均值。优选地，所述对陀螺仪合成角速度进行特征选取计算应用的公式为：式中，Gx、Gy、Gz分别代表三个轴的角速度的大小；所述对陀螺仪偏转角度进行特征选取计算应用的公式为：GDAx＝∫GxdtGDAy＝∫GydtGDAz＝∫Gzdt。优选地，本专利技术实施例还提供了一种多传感器融合的腕式跌倒检测装置，包括：处理单元，用于在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后，获取到低通滤波处理后的数据；计算单元，用于根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积；确定单元，用于确定所述合加速度、合角速度和信号幅值面积的最大特征值；判断单元，用于判断所述最大特征值是否满足预置阈值，若满足，则识别所述动作数据对应的动作为跌倒动作，若不满足，则识别所述动作数据对应的动作不为跌倒动作。从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术实施例提供了一种多传感器融合的腕式跌倒检测方法及装置，其中，该多传感器融合的腕式跌倒检测方法包括：在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后，获取到低通滤波处理后的数据；S2：根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积；S3：确定所述合加速度、合角速度和信号幅值面积的最大特征值；S4：判断所述最大特征值是否满足预置阈值，若满足，则识别所述动作数据对应的动作为跌倒动作，若不满足，则识别所述动作数据对应的动作不为跌倒动作。本专利技术实施例通过实时采集人体活动姿态数据，对采集到的数据进行分析融合后提取特征向量，并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为，克服了视频检测测试区域的局限性，实现随时随地的检测，具有更高的跌倒检测准确率，且使用更便捷，具有更好的用户体验效果，设计更加合理有效，节约了成本。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术实施例提供的一种多传感器融合的腕式跌倒检测方法的流程示意图；图2为本专利技术实施例提供的一种多传感器融合的腕式跌倒检测方法的另一流程示意图；图3为本专利技术实施例提供的一种多传感器融合的腕式跌倒检测装置的结构示意图；图4为基于阈值的疑似信号段定位的结果示意图。具体实施方式本专利技术实施例提供了一种多传感器融合的腕式跌倒检测方法及装置，通过实时采集人体活动姿态数据，对采集到的数据进行分析融合后提取特征向量，并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为。为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参本文档来自技高网...

【技术保护点】
一种多传感器融合的腕式跌倒检测方法，其特征在于，包括：S1：在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后，获取到低通滤波处理后的数据；S2：根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积；S3：确定所述合加速度、合角速度和信号幅值面积的最大特征值；S4：判断所述最大特征值是否满足预置阈值，若满足，则识别所述动作数据对应的动作为跌倒动作，若不满足，则识别所述动作数据对应的动作不为跌倒动作。

【技术特征摘要】
1.一种多传感器融合的腕式跌倒检测方法，其特征在于，包括：S1：在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后，获取到低通滤波处理后的数据；S2：根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积；S3：确定所述合加速度、合角速度和信号幅值面积的最大特征值；S4：判断所述最大特征值是否满足预置阈值，若满足，则识别所述动作数据对应的动作为跌倒动作，若不满足，则识别所述动作数据对应的动作不为跌倒动作。2.根据权利要求1所述的多传感器融合的腕式跌倒检测方法，其特征在于，所述动作数据包括：三个分加速度和三个分角速度。3.根据权利要求1所述的多传感器融合的腕式跌倒检测方法，其特征在于，所述根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积具体包括：根据所述低通滤波处理后的数据，对加速度强度向量、信号幅值面积、失重时长、冲击时长、加速度方差、陀螺仪合成角速度和陀螺仪偏转角度进行特征选取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积。4.根据权利要求1所述的多传感器融合的腕式跌倒检测方法，其特征在于，所述确定所述合加速度、合角速度和信号幅值面积的最大特征值具体包括：循环遍历所述合加速度、合角速度和信号幅值面积，得到所述合加速度、合角速度和信号幅值面积得最大特征值。5.根据权利要求4所述的多传感器融合的腕式跌倒检测方法，其特征在于，所述对加速度强度向量进行特征选取计算应用的公式为：SMV=Ax2+Ay2+Az2]]>式中，SMV为三轴合成加速度；Ax、Ay、Az分别为X轴、Y轴、Z轴的加速度值。6.根据权利要求5所述的多传感器融合的腕式跌倒检测方法，其特征在于，所述对信号幅值面积进行特征选取计算应用的公式为：SMA=1T(∫0T|Ax|dt+&Integra...

【专利技术属性】
技术研发人员：黄水木，杜玉晓，陈旭健，王建桦，黄钦威，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44