穿戴式摔倒动态实时检测方法和装置制造方法及图纸

本发明专利技术公开了一种穿戴式摔倒动态实时检测方法和装置，穿戴式检测装置包括足部、腰部、腕部、背部组成的特定硬件结构；摔倒动态实时检测方法可以完成人体任意状态下摔倒的实时判别，其核心算法包括三（1）步态加速度突变引起的阈值开启逻辑结构；（2）基于零力矩点（ZMP）的人体姿态动态稳定性判别算法；（3）基于人体运动数据库的摔倒模式识别算法。构成完整的动态实时检测系统，达到了应用领域广、对应用环境的依赖性小且实时检测的目的，且该检测方法和装置精确度高，具有系统成本小，系统体积小于便于穿戴的优点。

【技术实现步骤摘要】
穿戴式摔倒动态实时检测方法和装置
本专利技术涉及传感技术和数字信号处理
，具体地，涉及一种穿戴式摔倒动态实时检测方法和装置。
技术介绍
MEMS惯性传感器是以集成电路工艺和微机械加工工艺为基础，在单晶硅片上制造出来的微机电系统，包括微加速度计和微陀螺仪，是微机电系统研究和发展的最重要的方向之一。由三维加速度计和三维微陀螺仪组成的微惯导测量组合的工作原理是经典力学中的牛顿定律，其功能是测量运动物体(如车辆、飞机、导弹、舰艇、人造卫星、生物体等)的质心运动和姿态运动，进而可以对运动物体实现控制和导航；与此同时，微型惯性测量系统具有体积小、重量轻、可靠性高、易集成、能大批量生产、价格低廉等优点，使其在众多的民用和军用领域具有广阔的应用前景。基于微惯导测量系统实现控制和导航的原理虽然简单，但是其测量精度却难以提高，分析其主要原因可归结为三个方面:一是微机电惯性敏感器件的制造精度难以提高，特别是高深宽比刻蚀容易发生侧 向侵蚀，从而降低了加工精度；二是器件的测量信号容易受到其它信号源的干扰；第三个原因是由于目前对微机电器件的各种物理特性在微观状态下的表现尚缺乏足够研究，因而影响了器件的数学建模，从而影响器件精度补偿的有效性。目前，国内外针对微惯导系统的误差消除和信号处理主要采用以下技术路线: (I)器件级的误差补偿技术。元器件误差特性分析通过对微机电陀螺和加速度计的误差分析(主要包括静态偏置与漂移、与g有关的偏置和漂移、装调误差、随机噪声、温度系数等)，掌握元器件的特性，建立误差模型，为系统的误差补偿(包括温度控制与补偿)提供前提条件。(2)结构级电路设计和误差补偿技术。微惯性测量组合系统中的集成与标定是将陀螺和加速度计通过机械装置、数据采集电路以及辅助电路集成在一起，由此形成uIMU。uIMU的标定主要包括系统的偏置、标度因数、陀螺输出与g有关的系数、正交度等，在此基础上，可对惯导系统进行软件补偿。此外，在传感器信号输出质量一定的情况下，研究传感器的调理电路，降低噪声、减少漂移、提高共模抑制比也是提高微惯导系统精度的一种方法。(3)系统级信号处理技术一算法的研究。基于微惯导信号的姿态矩阵的解算方法，研究四元数法及基于四元数的姿态矩阵更新算法，包括四阶龙格一库塔法，四元数三阶泰勒展开递推算法等；卡尔曼滤波算法以及其扩展算法研究，包括经典卡尔曼滤波器、扩展卡尔曼滤波器、鲁棒自适应卡尔曼滤波器等，以获得长期的、更为鲁棒和准确的姿态信息。(4)运用模式识别算法对运动和姿态进行分类及跟踪。在现有硬件水平和载体的运动特性基础上，研究微惯导信息的特征提取算法，针对不同应用，研究运动和姿态的分类识别算法。在研究中以分类识别算法开发为主，使系统能够适应各种不同的信号处理、不同的数码速率和不同输入/输出方案的需要，而不受硬件的影响，从而大大的弥补了微惯导硬件精度有限的问题，扩展了微惯导系统的应用范围。
技术实现思路
本专利技术的目的在于，针对上述问题，提出一种穿戴式摔倒动态实时检测方法和装置，以实现应用领域广、对应用环境的依赖性小、实时检测且便于穿戴的优点。为实现上述目的，本专利技术采用的技术方案是: 一种基于穿戴式检测系统的摔倒动态实时检测方法，以完成人体摔倒的实时判别，核心算法包括:算法I步态加速度突变引起的阈值开启逻辑结构；算法2基于零力矩点的人体姿态动态稳定性判别算法；算法3基于人体运动数据库的摔倒模式识别算法； 实时判别算法是对上述三种核心算法的综合运用，检测摔倒时，首先由算法I判别出异常状态，然后由算法2和算法3分别判断人体姿态的稳定性和摔倒动作，当算法2和算法3同时给出摔倒报警信号，则判定为发生摔倒，三种算法可独立或者两两组合完成摔倒的检测， 上述算法I中的逻辑结构中的步态逻辑包括人正常运动时所有的脚步动作，所述加速度突变是指在上述人体正常运动状态下，由于晕厥、打滑、磕绊、支撑无力、外力冲击等突发状态而引起的脚部加速度突变，此种加速度突变必须与脚部的压力数据配合才能判别为非正常状态，进而开启触发信号； 算法2所述的基于零力矩点的人体动态稳定性判别改进算法，是根据真实的脚步压力数据、关键节点的加速度和角速度数据，进一步积分得到速度、位置和转角，带入到动态判据模型，零力矩点应落在动态稳定区域内，而由于摔倒动作引起的零力矩点出离动态稳定区域，则认为人有摔倒的可能性，零力矩点离开动态稳定区域越大，人体自动平衡到安全状态的几率越小，摔倒的可能性越大。算法3所述基于人体运动数据库的摔倒模式识别算法主要包括以下步骤:建立“跌倒”和“非跌倒”惯性向量数据库；使用主成分分析对上述惯性向量数据库进行提取和选择降维特征；以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测。根据本专利技术的优选实施例，所述算法I中阈值开启的阈值开启算法包括但不限于以下危险状态:支撑脚因滑动引起的前后方向和左右方向加速运动；摆动脚因磕绊引起的减速运动；晕厥引起的脚部压力减小并伴有的腰部失重运动；双脚腾空时伴随的腰部失重运动。根据本专利技术的优选实施例，所述零力矩点的计算，需要确定人的身高、体重、腿部长度并确定静态重心位置，从而确定每个穿戴式设备使用者的动态稳定区域。所述动态稳定区域的计算完整的模型需要手部、脚步、腰部和背部所有节点的动态数据，但双脚与腰部、双脚与背部的简单节点组合可粗略计算动态平衡区域。根据本专利技术的优选实施例，所述建立“跌倒”和“非跌倒”惯性向量数据库具体为:利用微惯性测量单元分别采集腰部、腕部和足部在“跌倒”和“非跌倒”状态下的惯性向量数据；使用初始滤波器对惯性向量数据库的数据进行滤波的步骤；所述始滤波器包括，平均滤波器、FIR滤波器、IIR滤波器、卡尔曼滤波器和改进卡尔曼滤波器； 还包括使用主成分分析对上述惯性向量数据库进行提取和选择降维特征具体为:利用特征提取算法对数据进行压缩；所述特征提取算法，包括，快速傅里叶变换算法、快速余弦变换算法、主向量分析算法和独立向量分析算法； 以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测即模式识别训练中，所述模式识别训练中模式识别算法包括:改进支持向量机算法、改进隐式马尔科夫算法和改进神经网络算法；所述改进是根据采集的数据维度对现有算法进行调整，并对模式识别算法中的权重进行具体调整。同时公开了一种用于动态实时检测方法的穿戴式摔倒实时检测系统，包括腰部传感子系统、背部传感子系统、腕部传感子系统和足部传感子系统，所述背部、腕部和足部传感子系统通过无线通信方式与腰部传感子系统通信，并将数据集中于腰部传感子系统内处理，所述腰部传感子系统根据传感数据实时判断人体运动的姿态，并分辨出摔倒动作，实时报警。根据本专利技术的优选实施例，所述腰部传感子系统有一个节点；所述背部传感子系统有一个节点；所述腕部传感子系统至少有两个节点；所述足部传感子系统至少有四个节点。根据本专利技术的优选实施例，所述腰部传感子系统包括第一 9轴MEMS惯性传感器、第一微型温度传感器、第一无线通信模块和计算模块，所述第一 9轴MEMS惯性传感器，检测三轴加本文档来自技高网...

【技术保护点】
一种基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，以完成人体摔倒的实时判别，核心算法包括：算法1步态加速度突变引起的阈值开启逻辑结构；算法2基于零力矩点的人体姿态动态稳定性判别算法；算法3基于人体运动数据库的摔倒模式识别算法；实时判别算法是对上述三种核心算法的综合运用，检测摔倒时，首先由算法1判别出异常状态，然后由算法2和算法3分别判断人体姿态的稳定性和摔倒动作，当算法2和算法3同时给出摔倒报警信号，则判定为发生摔倒，三种算法可独立或者两两组合完成摔倒的检测， 上述算法1中的逻辑结构中的步态逻辑包括人正常运动时所有的脚步动作，所述加速度突变是指在上述人体正常运动状态下，由于晕厥、打滑、磕绊、支撑无力、外力冲击等突发状态而引起的脚部加速度突变，此种加速度突变必须与脚部的压力数据配合才能判别为非正常状态，进而开启触发信号；算法2所述的基于零力矩点的人体动态稳定性判别改进算法，是根据真实的脚步压力数据、关键节点的加速度和角速度数据，进一步积分得到速度、位置和转角，带入到动态判据模型，零力矩点应落在动态稳定区域内，而由于摔倒动作引起的零力矩点出离动态稳定区域，则认为人有摔倒的可能性，零力矩点离开动态稳定区域越大，人体自动平衡到安全状态的几率越小，摔倒的可能性越大；算法3所述基于人体运动数据库的摔倒模式识别算法主要包括以下步骤：建立“跌倒”和“非跌倒”惯性向量数据库；使用主成分分析对上述惯性向量数据库进行提取和选择降维特征；以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测。...

【技术特征摘要】
1.一种基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，以完成人体摔倒的实时判别，核心算法包括:算法I步态加速度突变引起的阈值开启逻辑结构；算法2基于零力矩点的人体姿态动态稳定性判别算法；算法3基于人体运动数据库的摔倒模式识别算法; 实时判别算法是对上述三种核心算法的综合运用，检测摔倒时，首先由算法I判别出异常状态，然后由算法2和算法3分别判断人体姿态的稳定性和摔倒动作，当算法2和算法3同时给出摔倒报警信号，则判定为发生摔倒，三种算法可独立或者两两组合完成摔倒的检测， 上述算法I中的逻辑结构中的步态逻辑包括人正常运动时所有的脚步动作，所述加速度突变是指在上述人体正常运动状态下，由于晕厥、打滑、磕绊、支撑无力、外力冲击等突发状态而引起的脚部加速度突变，此种加速度突变必须与脚部的压力数据配合才能判别为非正常状态，进而开启触发信号； 算法2所述的基于零力矩点的人体动态稳定性判别改进算法，是根据真实的脚步压力数据、关键节点的加速度和角速度数据，进一步积分得到速度、位置和转角，带入到动态判据模型，零力矩点应落在动态稳定区域内，而由于摔倒动作引起的零力矩点出离动态稳定区域，则认为人有摔倒的可能性，零力矩点离开动态稳定区域越大，人体自动平衡到安全状态的几率越小，摔倒的可能性越大； 算法3所述基于人体运动数据库的摔倒模式识别算法主要包括以下步骤:建立“跌倒”和“非跌倒”惯性向量数据库；使用主成分分析对上述惯性向量数据库进行提取和选择降维特征；以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测。2.根据权利要求1所述的基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，所述算法I中阈值开启的阈值开启算法包括但不限于以下危险状态:支撑脚因滑动引起的前后方向和左右方向加速运动；摆动脚因磕绊引起的减速运动；晕厥引起的脚部压力减小并伴有的腰部失重运动；双脚腾空时伴随的腰部失重运动。3.根据权利要求1所述的基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，所述零力矩点的计算，需要确定人的身高、体重、腿部长度并确定静态重心位置，从而确定每个穿戴式设备使用者的动态稳定区域； 所述动态稳定区域的计算完整的模型需要手部、脚步、腰部和背部所有节点的动态数据，但双脚与腰部、双脚与背部的简单节点组合可粗略计算动态平衡区域。4.根据根据权利要求1所述的基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，所述建立“跌倒”和“非跌倒”惯性向量数据库具体为:利用微惯性测量单元分别采集腰部、腕部和足部在“跌倒”和“非跌倒”状态下的惯性向量数据；使用初始滤波器对惯性向量数据库的数据进行滤波的步骤；所述始滤波器包括，平均滤波器、FIR滤波器、IIR滤波器、卡尔曼滤波器和改进卡尔曼滤波器； 还包括使用主成分分析对上述惯...

【专利技术属性】
技术研发人员：时广轶，王春波，李文荣，金玉丰，
申请(专利权)人：宁波麦思电子科技有限公司，
类型：发明
国别省市：浙江;33