基于移动设备佩戴位置的人体跌倒检测方法技术

本发明专利技术提供了一种基于移动设备佩戴位置的人体跌倒检测方法，包括：首先采用旋转模式分量和姿态角融合的特征提取方法，利用加速度计和陀螺仪数据计算出旋转半径、角速度幅度、姿态角并提取特征，然后将其分类得到移动设备的佩戴位置；随后根据位置自适应调整一种基于时序分析的跌倒检测算法。该方法的移动设备佩戴位置识别率为95.32％，可以准确地区分用户移动设备的佩戴位置；在不同位置，时序分析跌倒检测算法的准确率都达到最优，均在92％以上。

Human body fall detection method based on location of mobile device

The invention provides a human fall detection method based on the position worn by a mobile device. The method comprises the following steps: firstly, the rotation radius, angular velocity amplitude, attitude angle are calculated by using the data of an accelerometer and a gyroscope, and the features are extracted by using the feature extraction method of the rotation mode component and attitude angle fusion, and then the features are classified and shifted. The wearing position of the moving equipment is adjusted adaptively according to the position, and then a fall detection algorithm based on time series analysis is proposed. The recognition rate of mobile device wearing position is 95.32%, which can accurately distinguish the wearing position of user's mobile device. In different positions, the accuracy of timing analysis falls detection algorithm is the best, all above 92%.

【技术实现步骤摘要】
基于移动设备佩戴位置的人体跌倒检测方法
本专利技术属于通信领域，具体涉及一种基于移动设备佩戴位置的人体跌倒检测方法。
技术介绍
目前，市场上已经出现多种可穿戴式的跌倒检测报警装置。该些跌倒检测报警装置和应用均需佩戴在身体的特定部位，例如手腕、腰间等。由于不同的佩戴位置会对跌倒检测模型和参数造成影响，进而影响到跌倒检测的识别效果，用户首次使用前通常会被要求将设备佩戴在指定位置。用户在实际使用的过程中，手机的佩戴位置往往是在变化的。一般情况下，老年人通常会把智能手机等设备在身体的三个位置间切换佩戴：手腕，腰间，口袋。由于跌倒事件具有随机性，移动设备的佩戴位置也具有不确定性，同一跌倒检测算法在不同位置的识别效果具有较大区别。当前，基于单一佩戴位置的跌倒检测算法更多使用的是阈值检测法。阈值检测算法虽然具有设计简单、计算开销小等优点，但是对于复杂情境适应性较差，无法在各个佩戴位置均具有良好的检测效果。
技术实现思路
本专利技术公开了一种基于移动设备佩戴位置的人体跌倒检测方法。该方法充分考虑了手腕、口袋、腰间等常见的移动设备的佩戴位置，并根据佩戴位置自适应检测人体的跌倒情况，使不同佩戴位置的跌倒检测识别都达到最高。为实现上述专利技术目的，本专利技术提供以下技术方案：一种基于移动设备佩戴位置的人体跌倒检测方法，包括：(1)构建训练样本：通过运动传感器采集多名用户的三轴加速度和角速度数据，并对三轴加速度和角速度数据进行特征提取，获得特征集合(Xr,Xω,Xpitch,Xroll)，分别对每个特征值提取特征分量均值、方差、中值、峰度、偏度、四分卫数，构成每个特征值对应的特征子集A，其中，Xr表示旋转半径特征矩阵，Xω表示角速度特征矩阵，Xpitch表示姿态角Pitch特征矩阵，Xroll表示姿态角Roll特征矩阵；(2)利用所有的特征子集A作为训练样本，训练Logistic回归模型，获得佩戴位置分类模型；(3)采用与步骤(1)相同的方法构建测试样本，利用佩戴位置分类模型对测试样本进行预测，确定测试样本数据对应的佩戴位置；(4)针对每种佩戴位置对应的三轴加速度的矢量和SMV，提取SMV的特征分量最大值、最小值、均值、范围、方差、标准差、均方根、信号幅值面积、四分位数、绝对值，并筛选特征分量分值排名前5的特征分量，构成特征子集B；(5)利用每种佩戴位置对应的所有特征子集B作为训练样本，分别训练SVM分类模型，获得每种佩戴位置对应的跌倒检测模型；(6)按照步骤(1)对采集的三轴加速度和角速度数据处理后，输入到佩戴位置分类模型，获得用户移动设备的佩戴位置，并根据步骤(2)对该佩戴位置对应的三轴加速度数据进行处理后，输入到与该佩戴位置对应的跌倒检测模型，输出跌倒检测结果。本专利技术提供的检测方法具有普适性，能够根据采集的数据确定移动设备的佩戴位置，并能根据佩戴位置选择相应的跌倒检测模型，以提高检测是否跌倒的准确性。优选地，步骤(1)中，基于长为512个采样点的时间窗口，按照50％的滑动时间窗对三轴加速度和角速度数据进行特征提取。优选地，步骤(2)中，在Logistic回归模型时，训练模型的对数型损失函数为：其中，x为样本输入，为模型输出，θ为训练模型的模型参数，y为样本对应的实际类别值，以损失函数值最小为收敛条件，求解器使用坐标下降算法，沿着坐标轴的方向进行参数更新，正则化方式为L2正则化，参数更新过程如下：a)选取初始参数b)针对当前得到的参数进行迭代，假设已经求出第k-1轮的参数，第k轮的参数更新过程如下：…c)通过以上步骤得到每轮的迭代结果，如果θk相对于θk‐1的变化很小，则停止迭代，否则，重复步骤b)。优选地，步骤(4)中，对每个采集滑动时间窗口进行SMV分段，分成15个小段，对每小段中的SMV数据进行特征提取。进一步地，采用Filter过滤法对SMV数据进行特征提取，获得特征分量。优选地，步骤(5)中，训练SVM模型中，训练模型的损失函数为：其中，θ、b是分类超平面的参数，yi为样本对应的实际类别值，核函数f(xi)采用高斯核函数，C是L2正则化的惩罚系数。训练模型的收敛条件要求最优化的同时损失函数值最小。C越大，拟合非线性的能力越强，gamma值越大，对噪声越不敏感。使用GridSearch法分别对惩罚系数C和高斯核函数中的gamma值进行优化。优选地，所述移动设备包括智能手机、智能手环、智能手表、智能挂件、智能腰带。与现有技术相比，本专利技术具有的优势为：利用本专利技术提供的人体跌倒检测方法，对佩戴位置的识别率为95.32％，可以准确地区分用户移动设备的佩戴位置；在不同位置，对人体是否跌倒的准确率都达到最优，均在92％以上。附图说明图1为实施例中旋转特征分量与旋转特征分量+姿态角分类正确率对比图；图2为实施例中跌倒过程SMV时间窗口分段示意图；图3为实施例中各佩戴位置测试集上的跌倒检测混淆矩阵示意图；图4是实施例中人体跌倒检测流程图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。本实施例中，佩戴位置分类模型的建立过程为：采用德国曼海姆大学TimoSztyler教授等人创建的公开数据集REALWORLD2016对方法进行评测。数据集包括15名用户(年龄在19～45岁之间)佩戴3个运动传感器从事8项活动过程中所记录的传感器数据。8项活动类型包括：上楼(A1)、下楼(A2)、跳跃(A3)、躺下(A4)、站立(A5)、坐下(A6)、跑步/慢跑(A7)、走路(A8)。佩戴传感器的位置包括手腕(forearm)、口袋(thigh)、腰间(waist)。除了跳跃动作外，每个测试者同一位置同一动作测试时长约为10分钟。每个传感器在数据采集过程中以50Hz的频率采集三轴加速度和角速度数据。该数据集涵盖了各类人体日常行为动作，跌倒情形也大多发生在上述动作下。实验程序使用Python编写，其中Logistic回归是基于极大似然估计实现的。在实验中，特征提取是基于长为512个采样点的时间窗口，按照50％的滑动时间窗进行采样。首先从每个滑动时间窗口提取特征集合(Xr,Xω,Xpitch,Xroll)，再从每个特征中提取表1中的特征子集。最终，实验数据集的样本数量为37935，每组样本的特征子集数量为32个。表1旋转半径分量和姿态角特征子集训练过程中，首先将数据集划分为70％的训练集和30％的测试集。再在训练集上使用10折交叉验证法避免过拟合的现象。实验结果如图1所示，从图1中的结果可以看出：本实施例所提出的旋转模式加姿态角(rotation+attitudemode)特征组合可以取得更好的效果，该方法可以取得95.32％的交叉验证准确率。而传统的仅基于旋转模式分量特征占优的方法，仅取得92.18％的交叉验证准确率。尤其是加大数据集中移动设备没有明显旋转情况的数据，姿态角特征的加入可以起到提高整体分类的能力。跌倒检测模型的建立过程为：使用Filter过滤法，分别对三个佩戴位置的子集筛选。特征子集合如下表2所示。表2跌倒检测常用特征值表3是按照特征打分值大小筛选出的得分最高的特征值。每个佩戴位置选择得分最高的五个特征值，本文档来自技高网...

【技术保护点】
1.一种基于移动设备佩戴位置的人体跌倒检测方法，包括：(1)构建训练样本：通过运动传感器采集多名用户的三轴加速度和角速度数据，并对三轴加速度和角速度数据进行特征提取，获得特征集合(Xr,Xω,Xpitch,Xroll)，分别对每个特征值提取特征分量均值、方差、中值、峰度、偏度、四分卫数，构成每个特征值对应的特征子集A，其中，Xr表示旋转半径特征矩阵，Xω表示角速度特征矩阵，Xpitch表示姿态角Pitch特征矩阵，Xroll表示姿态角Roll特征矩阵；(2)利用所有的特征子集A作为训练样本，训练Logistic回归模型，获得佩戴位置分类模型；(3)采用与步骤(1)相同的方法构建测试样本，利用佩戴位置分类模型对测试样本进行预测，确定测试样本数据对应的佩戴位置；(4)针对每种佩戴位置对应的三轴加速度的矢量和SMV，提取SMV的特征分量最大值、最小值、均值、范围、方差、标准差、均方根、信号幅值面积、四分位数、绝对值，并筛选特征分量分值排名前5的特征分量，构成特征子集B；(5)利用每种佩戴位置对应的所有特征子集B作为训练样本，分别训练SVM分类模型，获得每种佩戴位置对应的跌倒检测模型；(6)按照步骤(1)对采集的三轴加速度和角速度数据处理后，输入到佩戴位置分类模型，获得用户移动设备的佩戴位置，并根据步骤(2)对该佩戴位置对应的三轴加速度数据进行处理后，输入到与该佩戴位置对应的跌倒检测模型，输出跌倒检测结果。...

【技术特征摘要】
1.一种基于移动设备佩戴位置的人体跌倒检测方法，包括：(1)构建训练样本：通过运动传感器采集多名用户的三轴加速度和角速度数据，并对三轴加速度和角速度数据进行特征提取，获得特征集合(Xr,Xω,Xpitch,Xroll)，分别对每个特征值提取特征分量均值、方差、中值、峰度、偏度、四分卫数，构成每个特征值对应的特征子集A，其中，Xr表示旋转半径特征矩阵，Xω表示角速度特征矩阵，Xpitch表示姿态角Pitch特征矩阵，Xroll表示姿态角Roll特征矩阵；(2)利用所有的特征子集A作为训练样本，训练Logistic回归模型，获得佩戴位置分类模型；(3)采用与步骤(1)相同的方法构建测试样本，利用佩戴位置分类模型对测试样本进行预测，确定测试样本数据对应的佩戴位置；(4)针对每种佩戴位置对应的三轴加速度的矢量和SMV，提取SMV的特征分量最大值、最小值、均值、范围、方差、标准差、均方根、信号幅值面积、四分位数、绝对值，并筛选特征分量分值排名前5的特征分量，构成特征子集B；(5)利用每种佩戴位置对应的所有特征子集B作为训练样本，分别训练SVM分类模型，获得每种佩戴位置对应的跌倒检测模型；(6)按照步骤(1)对采集的三轴加速度和角速度数据处理后，输入到佩戴位置分类模型，获得用户移动设备的佩戴位置，并根据步骤(2)对该佩戴位置对应的三轴加速度数据进行处理后，输入到与该佩戴位置对应的跌倒检测模型，输出跌倒检测结果。2.如权利要求1所述的基于移动设备佩戴位置的人体跌倒检测方法，其特征在于，步骤(1)中，基于长为512个采样点的时间窗口，按照50％的滑动时间窗对三轴加速度和角速度数据进行特征提取。3.如权利要求1所述的基于移...

【专利技术属性】
技术研发人员：任磊，周金海，吴祥飞，
申请(专利权)人：浙江大学，杭州迈臻智能科技有限公司，
类型：发明
国别省市：浙江,33