【技术实现步骤摘要】
一种面向社区基于ZigBee的低功耗跌倒检测系统
本专利技术属于电子信息领域,涉及一种面向社区基于ZigBee的低功耗跌倒检测系统。
技术介绍
传统的基于3轴加速度计、陀螺仪的可穿戴跌倒技术,忽略了可穿戴设备的计算能力和电源受限的客观约束条件。于可穿戴设备的主处理单元在线实时检测3轴加速度计和陀螺仪,将读取的3轴加速度和角速度数据通过无线射频模块发送到接收端的计算设备,再由其进行跌倒检测。由于可穿戴设备中的主处理单元需要实时监测数据、射频单元需要实时发送数据,导致系统的功耗大。此外,传统跌倒检测大都基于蓝牙技术,而蓝牙传输距离通常在10米左右,传输范围有限;此外,蓝牙通讯容易受到遮挡干扰,且通常采用点对点的通信方式,只能适用于个人或家庭用户,难以满足老年社区多用户实时检测的需要。
技术实现思路
针对上述问题,本专利技术提供一种面向社区基于Zigbee的低功耗跌倒检测系统。针对社区老年人跌倒检测的低功耗与准确性要求,设计了集成MPU6050和ZigBee的运动感知模块,并设计实现了中断驱动的低功耗三轴加速度、角速度数据采集与传输算法,并将人体运动数据通过ZigBee网络传输到服务器;其次,在服务器上设计实现了基于卡尔曼滤波和k-NN算法的跌倒检测报警模块,一旦检测到跌倒可通过打电话或短信等方式进行报警。为实现上述目的,本专利技术采用如下的技术方法:一种面向社区基于ZigBee的低功耗跌倒检测系统,包括:多个运动感知模块和服务器;其中,运动感知模块采用Zigbee和中断功能实现低功耗人体运动数据采集,并将采集的运动数据通过ZigBee网络传至集成了ZigBee汇聚 ...
【技术保护点】
1.一种面向社区基于ZigBee的低功耗跌倒检测系统,其特征在于,包括:多个运动感知模块和服务器;其中,运动感知模块采用Zigbee和中断功能实现低功耗人体运动数据采集,并将采集的运动数据通过ZigBee网络传至集成了ZigBee汇聚节点的服务器,服务器进行卡尔曼滤波并通过kNN算法分析检测是否发生跌倒,一旦检测到跌倒系统自动报警。
【技术特征摘要】
1.一种面向社区基于ZigBee的低功耗跌倒检测系统,其特征在于,包括:多个运动感知模块和服务器;其中,运动感知模块采用Zigbee和中断功能实现低功耗人体运动数据采集,并将采集的运动数据通过ZigBee网络传至集成了ZigBee汇聚节点的服务器,服务器进行卡尔曼滤波并通过kNN算法分析检测是否发生跌倒,一旦检测到跌倒系统自动报警。2.如权利要求1所述的面向社区基于ZigBee的低功耗跌倒检测系统,其特征在于,运动感知模块由CC2530微控制器、MPU6050传感器和ZigBee射频和电源管理模块组成,MPU-6050包含:MEMS陀螺仪、3轴加速度计、FIFO寄存器和可扩展的数字运动处理器DMP,DMP在休眠状态从陀螺仪、加速度计读取数据并存放于FIFO缓存中,MPU6050还包含:可编程的中断系统,提供自由落体(FreeFall)、静止(ZeroMotion)、FIFO溢出(FIFOOverflow)中断;其中,自由落体中断,MPU6050通过检测3轴上的加速度测量值是否在规定阈值内来判断自由落体运动;对每一次的采样值,如果达到阈值,就触发自由落体中断,并产生标志位;静止中断:通过ZRMOT_THR寄存器用以设置静止中断持续时间,当第一次检测到静止以及不再检测到时,静止中断都会被触发;FIFO溢出中断:通过FIFO_CNT寄存器设置FIFO缓存的数据容量值,当FIFO中缓存数据个数大于该值时产生FIFO溢出中断。3.如权利要求2所述的面向社区基于ZigBee的低功耗跌倒检测系统,其特征在于,MPU6050传感器通过中断驱动的人体运动数据感知过程如下:F0:初始化状态,初始化FIFO缓存并设置数据采样率为50Hz,设置自由落体中断、静止中断和FIFO溢出中断为使能状态;系统进入低功耗模式,即进入F1;F1:静止状态,通过DMP采集3轴加速度、角速度数据并缓存至FIFO中;如果静止中断持续时间超过1秒,更新FIFO缓存并清除静止中断标志位,继续低功耗模式。在静止状态,若发生FIFO溢出中断,则DMP按照先进先出的原则更新FIFO中的数据;当读取的加速度值大于0.5g时,若此时没有发生自由落体中断和FIFO溢出中断,则DMP继续读取数据并缓存至FIFO;否则通过ZigBee将FIFO缓存中的数据发送至服务器;F2:活动状态,如果产生自由落体中断,且中断持续时间超过40ms,则模块通过ZigBee向服务器发送FIFO缓存数据。若自由落体中断持续时间小于40ms且产生了FIFO溢出中断,则模块通过ZigBee向服务器发送FIFO缓存数据并返回F1;否则,向FIFO缓存添加数据,并返回F1。4.如权利要求2所述的面向社区基于ZigBee的低功耗跌倒检测系统,其特征在于,服务器端基于卡尔曼滤波和k-NN算法的跌倒检测报警的过程包括:步骤(1)、采用卡尔曼滤波过滤数据设θ是人体姿态角,ω和β分别代表陀螺仪采集的角速度及其静态漂移,dt代表采样时间片的大小,k和k-1分别代表系统所处时刻,基于陀螺仪数据可以建立公式5所示的人体姿态角的线性模型,θk=θk-1+ωk-1-βk-1...
【专利技术属性】
技术研发人员:何坚,张子浩,张丞,余立,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。