一种基于层次分类的可穿戴跌倒检测方法及系统技术方案

本发明专利技术涉及一种基于层次分类的可穿戴跌倒检测方法和系统，该跌倒检测方法包括：采集用户的日常行为数据；对该日常行为数据进行合成、滤波等处理生成原始数据；利用滑动窗口机制提取该原始数据的时频域特征，生成样本，并将该样本组合成样本集；利用第一层一类分类模型对该样本集中的每一个样本进行识别，将识别后的结果发送至第二层的加权二类分类模型；第二层的加权二类分类模型负责对加权分配处理，生成加权跌倒样本，并将其送至第三层的规则二类分类模型；第三层的规则二类分类模型根据该加权跌倒样本是否符合跌倒规则，判断用户是否发生跌倒行为。本发明专利技术通过以上方法实现了对用户跌倒行为的准确判断。

Wearable fall detection method and system based on hierarchical classification

The invention relates to a hierarchical classification based on wearable fall detection method and system, including the fall detection methods: daily behavior data acquisition of the user; synthesis and filtering of the daily behavior data generated raw data; using the sliding window mechanism of feature extraction, the original data of the time domain and the generated samples. The sample combined into a sample set; to identify each sample the sample set by the first layer of one class classification model, the recognition result is transmitted to the second layer of the weighted two class classification model; weighted two class classification model of second layers is responsible for handling the weighted distribution, generating weighted sample fall, and send it to the two class classification model of third layer third layer two rules; the rules of classification model based on the weighted sample is in accordance with the rules of fall fall, to determine whether the user Fall behavior. The invention realizes the accurate judgment of the fall behavior of the user through the above method.

【技术实现步骤摘要】
一种基于层次分类的可穿戴跌倒检测方法及系统
本专利技术涉及普适计算和健康监护领域，具体涉及一种基于层次分类的可穿戴跌倒检测方法及系统。
技术介绍
2016年1月22日人社部新闻发言人李忠指出，截止2014年，中国60岁以上老年人口达到2.1亿，占总人口的比例15.5％，而联合国标准，60岁以上老年人口达10％即视为老龄化社会。随着年龄的日益增大，老年人的生理机体功能逐渐衰退，对意外事件的反应日益缓慢，更易发生跌倒。跌倒已成为高龄老年人群的首位伤害死因，其发生率高，损伤严重，对个人、家庭还是社会均带来极大的负担，已逐步成为关乎老年人健康的社会公共问题。因此，如何对跌倒行为进行实时精准地检测，成为一个十分重要的社会问题。纷繁众多的可穿戴设备日益涌入人们的日常生活，广泛应用于健康监护、运动保健等领域。可穿戴设备利用内嵌的微型传感器采集数据，可以有效挖掘用户的日常行为。同时，可穿戴设备具有价格低廉、配置简单、易携带等优点，对于应对社会老龄化挑战具有重要的现实意义。因此，本专利技术采用可穿戴设备作为研究跌倒检测的工具。跌倒作为一种典型的异常行为，具有其自身的特点。如图1所示，通常情况下跌倒包含三个状态：失重、撞击、静止。跌倒刚开始时，人的双脚会逐渐离开地面并在重力的作用下自由向下坠落，人此时处于某种程度的失重状态。在撞击动作发生时，身体向下的速度达到了最大值，此时与地面或其他物体突然发生撞击，使得合成加速度瞬间达到了最高值。在撞击发生后的某个时间段内，无论跌倒的严重程度如何，人会处于一种相对静止的状态。此外，跌倒还经常伴随着人体朝向的变化，以及各个状态之间的时间约束等特点。例如：人体朝向的变化是指，撞击动作发生之后人体的朝向与撞击之前会有所不同。基于可穿戴设备的跌倒检测方法可分为阈值法、机器学习法和阈值法与机器学习法的组合方法。阈值法通过比较某一个或几个特征与相应阈值的大小关系来识别当前是否处于跌倒的某个状态，进而判断当前行为是否为跌倒。例如专利CN201610058318.4通过三轴传感器实时监测人体活动状态信息，并计算矢量和，将其与预先设定的阈值进行比较，从而判断是否发生了跌倒；专利CN201610062316.2采用基于特征量阈值的方法，计算合加速度特征量A、合成角速度特征量W和相似度特征量S，与信号向量模积分后得到的阈值对比进行判断。机器学习法将跌倒检测看作一个典型的分类问题，基于训练数据学习分类模型并用于跌倒检测。例如专利CN201610152570.1基于卡尔曼滤波与K近邻(KNearestNeighbor,KNN)算法对人体活动状态进行分类建模，识别出人体的运动类型，判断模块做出是否为“跌倒”的决策；专利CN201610083726.5采用支持向量机(SupportVectorMachine,SVM)算法构建分类器；获取跌倒样本和日常活动行为样本构成训练集，对分类器进行训练。基于组合方法的跌倒检测往往结合阈值法和机器学习法，对跌倒行为进行判断，例如专利CN201010285585.8在阈值判断之后，利用一类支持向量机进行二次判断，从而判断是否为跌倒。跌倒检测是一个代价敏感的问题，即跌倒行为的漏检后果将会十分严重，要求模型较低的漏警率。另一方面，频繁的误报警会引起用户的反感，降低其对检测系统的信任度，不利于方法的实际应用，又要求模型的误警率尽可能低。虽然跌倒检测已有较多的方法，但已有方法难以同时满足低漏警率和低误警率的要求。造成这个问题的原因主要有三个方面：1、已有方法没有综合考虑模型漏警率和误警率，而是使用单一的评判标准(例如精度)；2、采用常规的机器学习分类方法，没有考虑跌倒这一异常行为的特殊性；3、由于部分日常行为(如跑步、下楼梯等)的瞬间过程与跌倒行为的相似度较高，外加噪声等对数据的影响，降低了模型检测的准确率。
技术实现思路
作为健康安全的重要保障，跌倒漏检测的后果往往是致命的，而频繁的误报警也会引起用户对系统的反感。为有效降低跌倒检测的漏警率和误警率，增加跌倒检测方法对跌倒行为的区分能力，同时过滤噪声数据对模型的影响，本专利技术提出了一种基于层次分类的可穿戴跌倒检测方法，其中该跌倒检测方法包括：步骤1，利用穿戴式运动传感器采集用户的日常行为数据；步骤2，对采集的该日常行为数据进行合成、滤波处理操作，生成原始数据；步骤3，利用滑动窗口机制提取该原始数据的时频域特征，生成样本，并将该样本组合成样本集；步骤4，利用第一层的一类分类模型对该样本集中的每一个样本进行识别，将识别结果为“跌倒”的跌倒样本组合为跌倒样本集，并将该跌倒样本集发送至第二层的加权二类分类模型；步骤5，第二层的加权二类分类模型负责对该跌倒样本集中所有该跌倒样本进行加权分配处理，生成加权跌倒样本，并将该加权跌倒样本发送至第三层的规则二类分类模型；步骤6，第三层的规则二类分类模型根据该加权跌倒样本是否符合跌倒规则，判断用户是否发生跌倒行为，若判断为跌倒行为则转步骤7，反之则转步骤1；步骤7，触发相应的报警机制，如需继续检测，则转步骤1，否则结束。该基于层次分类的可穿戴跌倒检测方法，其中通过对预先给定样本集进行学习，建立该一类分类模型；并用该一类分类模型对该预先给定样本集中的每一个样本进行识别，生成预先给定跌倒样本集；通过对该预先给定跌倒样本集进行学习，建立该加权二类分类模型；通过对预先给定跌倒规则进行学习，建立该规则二类分类模型。该基于层次分类的可穿戴跌倒检测方法，其中该一类分类模型为支持向量数据描述模型，该支持向量数据描述模型根据该预先给定样本集，生成一个超球面，并通过判断该样本是否位于该超球面以内，若该样本位于该超球面以内，则将该样本识别为跌倒样本。该基于层次分类的可穿戴跌倒检测方法，其中该加权二类分类模型为加权超限学习机模型，以对该跌倒样本集中的跌倒样本与非跌倒样本分配不同的权值。该基于层次分类的可穿戴跌倒检测方法，其中该跌倒规则具体为，a)失重，在失重过程中，合成加速度的值由重力加速度逐渐下降并趋向于零；b)撞击，在撞击动作发生时之前，身体向下的速度已经达到了最大值，此时当与地面或其他物体突然发生撞击，使得合成加速度瞬间达到了一个超过两倍重力加速度的峰值的最高值，此时速度骤减为零；c)静止，加速度计的X,Y,Z轴读数以及合成加速度读数均处于平稳状态。本专利技术还提供一种基于层次分类的可穿戴跌倒检测系统，其中该跌倒检测系统包括：数据采集模块，用穿戴式运动传感器采集用户的日常行为数据；数据处理模块，用于对采集的该日常行为数据进行合成、滤波处理操作，生成原始数据；样本生成模块，利用滑动窗口机制提取该原始数据的时频域特征，生成样本，并将该样本组合成样本集；第一层识别模块，该第一层识别模块包括一类分类模型，用于对该样本集中的每一个样本进行识别，将识别结果为“跌倒”的跌倒样本组合为跌倒样本集，并将该跌倒样本集发送至第二层加权模块；第二层加权模块，该第二层加权模块包括加权二类分类模型，用于对该跌倒样本集中所有该跌倒样本进行加权分配处理，生成加权跌倒样本，并将该加权跌倒样本发送至第三层判断模块；第三层判断模块，该第三层判断模块包括规则二类分类模型，用于根据该加权跌倒样本是否符合跌倒规则，判断用户是否发生跌倒行为，若判断为跌倒行为则转步骤7，反之本文档来自技高网...

【技术保护点】
一种基于层次分类的可穿戴跌倒检测方法，其特征在于，该跌倒检测方法包括：步骤1，利用穿戴式运动传感器采集用户的日常行为数据；步骤2，对采集的该日常行为数据进行合成、滤波处理操作，生成原始数据；步骤3，利用滑动窗口机制提取该原始数据的时频域特征，生成样本，并将该样本组合成样本集；步骤4，利用第一层的一类分类模型对该样本集中的每一个样本进行识别，将识别结果为“跌倒”的跌倒样本组合为跌倒样本集，并将该跌倒样本集发送至第二层的加权二类分类模型；步骤5，第二层的加权二类分类模型负责对该跌倒样本集中所有该跌倒样本进行加权分配处理，生成加权跌倒样本，并将该加权跌倒样本发送至第三层的规则二类分类模型；步骤6，第三层的规则二类分类模型根据该加权跌倒样本是否符合跌倒规则，判断用户是否发生跌倒行为，若判断为跌倒行为则转步骤7，反之则转步骤1；步骤7，触发相应的报警机制，如需继续检测，则转步骤1，否则结束。

【技术特征摘要】
1.一种基于层次分类的可穿戴跌倒检测方法，其特征在于，该跌倒检测方法包括：步骤1，利用穿戴式运动传感器采集用户的日常行为数据；步骤2，对采集的该日常行为数据进行合成、滤波处理操作，生成原始数据；步骤3，利用滑动窗口机制提取该原始数据的时频域特征，生成样本，并将该样本组合成样本集；步骤4，利用第一层的一类分类模型对该样本集中的每一个样本进行识别，将识别结果为“跌倒”的跌倒样本组合为跌倒样本集，并将该跌倒样本集发送至第二层的加权二类分类模型；步骤5，第二层的加权二类分类模型负责对该跌倒样本集中所有该跌倒样本进行加权分配处理，生成加权跌倒样本，并将该加权跌倒样本发送至第三层的规则二类分类模型；步骤6，第三层的规则二类分类模型根据该加权跌倒样本是否符合跌倒规则，判断用户是否发生跌倒行为，若判断为跌倒行为则转步骤7，反之则转步骤1；步骤7，触发相应的报警机制，如需继续检测，则转步骤1，否则结束。2.如权利要求1所述的基于层次分类的可穿戴跌倒检测方法，其特征在于，通过对预先给定样本集进行学习，建立该一类分类模型；并用该一类分类模型对该预先给定样本集中的每一个样本进行识别，生成预先给定跌倒样本集；通过对该预先给定跌倒样本集进行学习，建立该加权二类分类模型；通过对预先给定跌倒规则进行学习，建立该规则二类分类模型。3.如权利要求2所述的基于层次分类的可穿戴跌倒检测方法，其特征在于，该一类分类模型为支持向量数据描述模型，该支持向量数据描述模型根据该预先给定样本集，生成一个超球面，并通过判断该样本是否位于该超球面以内，若该样本位于该超球面以内，则将该样本识别为跌倒样本。4.如权利要求2所述的基于层次分类的可穿戴跌倒检测方法，其特征在于，该加权二类分类模型为加权超限学习机模型，以对该跌倒样本集中的跌倒样本与非跌倒样本分配不同的权值。5.如权利要求1所述的基于层次分类的可穿戴跌倒检测方法，其特征在于，该跌倒规则具体为，a)失重，在失重过程中，合成加速度的值由重力加速度逐渐下降并趋向于零；b)撞击，在撞击动作发生时之前，身体向下的速度已经达到了最大值，此时当与地面或其他物体突然发生撞击，使得合成加速度瞬间达到了一个超过两倍重力加速度的峰值的最高值，此时速度骤减为零；c)静止，加速度计的X,Y,Z轴读数以及合成加速度读数均处于平稳状态。6.一种基于层次分类的可穿戴跌倒检测系统，其特征在于，该跌倒检测系统包括：数...

【专利技术属性】
技术研发人员：陈益强，忽丽莎，高晨龙，谢涛，沈建飞，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京,11