一种基于加速度传感器的人体跌倒检测方法技术

本发明专利技术公开了一种基于加速度传感器的人体跌倒检测方法，涉及生物医学信号处理技术领域。该方法基于双重确认的人体跌倒检测算法，其中的一级跌倒检测根据预先采集的日常行为动作(ADL)和跌倒加速度样本数据，提取阈值集；然后实时采集人体的ADL加速度数据，提取该组数据的方差作为动态阈值部分更新针对该用户的预跌倒行为阈值；设定以上阈值作为人体跌倒判断标准进行人体跌倒行为的一级检测；在一级跌倒检测过程中，一旦检测到发生预跌倒行为，将预跌倒行为前ts开始的人体行为数据发送到近数据源的服务器上进行基于SVM的二级跌倒检测判断；最后根据双重跌倒判断结果确定人体跌倒事件，并动态的更新跌倒检测算法的阈值集用于后续该用户的跌倒检测。

【技术实现步骤摘要】
一种基于加速度传感器的人体跌倒检测方法
本专利技术涉及生物医学信号处理
，具体涉及一种基于加速度传感器的人体跌倒检测方法。
技术介绍
随着世界人口的持续增长，医疗系统的不断完善，人口老龄化速度不断增快，我国同样面临着老龄化突出问题，独居老人越来越多，空巢现象也越来越明显。然而，独居老人的健康及安全问题逐步成为严峻的社会问题。据统计，全世界每年约有三分之一的超过65岁的老年人曾发生跌倒，而跌倒往往伴随着严重的身体及心理上伤害，进而给家庭和社会增加负担。若及时、准确的检测老年人的跌倒事件并发出报警能够最大限度的降低跌倒对老年人带来的危害，对老年人的独立生活有着非常重要的作用。在人体跌倒检测研究中，基于加速度传感器的跌倒检测方法是最为常见的检测手段之一。在人体的发生跌倒过程中，其运动姿态会发生显著变化，比如，人体失重状态，剧烈撞击等，通过人体佩戴加速度传感器设备，实时采集人体运动信息，结合特定的跌倒检测算法可实现对人体跌倒状态的检测。例如，在专利号为CN201710796479.8中国专利中，通过采集人体活动加速度数据，将其转换成角度值以计算角度梯度数据，进而提取倾角梯度方差作为特征值，通过选取跌倒与跌倒发生后两个时刻的阈值进行比较进而实现基于双阈值的人体的跌倒检测算法。在专利号为CN201711268665.0的中国专利中，利用训练样本加速度数据提取加速度信号向量幅度峰值，加速度信号向量幅度的最值差值，加速度信号向量幅度标准差以及相对角度变化值，结合K-means聚类方法训练个特征值的二分判决阈值，通过对实时跌倒检测时的原始信息进行特征提取后与特征阈值进行比较实现对人体跌倒的判断。在专利号为CN201711489128.9的中国专利中，通过加速度传感器、陀螺仪、地磁仪器和气压传感器采集步行中人体手部摆动的加速度数据，通过提取加速度的波谷值的平均值加速度的波峰值的平均值加速度的波谷值a1与加速度的波峰值a2之间的时间的平均值加速度的波峰值a2与下一个加速度的波谷值a′1之间的时间的平均值作为特征参量构造SVM分类器进行训练，进而实现人体的跌倒检测。在专利号为CN201210586385.5的中国专利中，将整个跌倒过程划分为4个阶段：竖直站立阶段、跌倒前期的下落阶段、跌倒过程中碰撞阶段及跌倒后平躺并近静止阶段，其中下落和碰撞阶段采用设定加速度阈值方法实现判断，并结合角度分析人体站立和平躺状态实现跌倒检测。以上跌倒检测方法虽然能够检测到大部分人体的跌倒行为，但由于用户的个体差异及当前真实的跌倒数据不足，使得跌倒检测的精确度难以保证。所以，虽然现有的跌倒检测方法很多，但都不能很好的满足跌倒检测的高精确度的要求。
技术实现思路
本专利技术的目的是针对上述不足，提出了一种基于加速度传感器的人体跌倒检测方法，该方法解决了当前人体跌到检测中由于忽略个体差异引起的误报、漏报问题和真实跌倒数不足的问题。本专利技术具体采用如下技术方案：一种基于加速度传感器的人体跌倒检测方法，该方法基于检测系统，检测系统包括相互连接的数据采集模块、阈值提取模块、跌倒检测模块和报警与阈值更新模块，报警与阈值更新模块与所述跌倒检测模块相连构成一个回路，具体包括：步骤一：提取阈值集；对预先采集的ADL及跌倒的加速度样本数据进行预处理并提取预跌倒行为阈值TH1，跌倒碰撞阈值TH2，跌倒恢复状态阈值TH3及跌倒后姿态阈值TH4；通过计算预先采集的加速度样本数据中所有ADL数据的均值与标准差之和作为预跌倒判断静态阈值部分；分析预先采集的加速度样本数据中的跌倒数据集，分别计算从加速度数据谷值到峰值之差、相对加速度值以及最终角度值作为特征，提取人体的跌倒碰撞阈值TH2，跌倒恢复状态阈值TH3以及跌倒后姿态阈值TH4；步骤二：针对用户的跌倒行为进行阈值TH1的更新；通过实时采集实际用户在指定ADL动作下的加速度数据，并计算该组日常行为动作下数据的标准差作为动态阈值部分，结合步骤一中的静态阈值部分进一步提取并更新预跌倒行为阈值TH1；步骤三：进行一级轻量级跌倒检测判断；实时采集并计算用户的实时加速度数据，逐步判断人体的预跌倒行为、跌倒碰撞行为、跌倒恢复行为和最终姿态，进而确定人体是否发生跌倒，同时在检测到人体发生跌倒行为时刻，启动无线传输；将该时刻前ts时刻开始直至该算法结束时刻内数据实时发送到近数据源处的服务器以进一步处理，同时，一级轻量级跌倒检测对应的报警信号一起被发送到服务器端；步骤四：进行基于SVM的跌倒检测判断，利用训练好的SVM分类器对接收到的加速度数据进行跌倒检测；如果结果为非跌倒行为，则不报警，如果结果为跌倒行为，则报警；步骤五：进行双重确认及阈值更新，根据步骤三和步骤四中的两级跌倒检测判断结果进行综合确认，两级检测均发生报警，则确认人体发生跌倒，同时将该段时间段内的数据作为跌倒数据再次计算并更新TH2，TH3，TH4，用于后续该用户的跌倒检测，若人体行为为日常行为动作，将该数据再次计算并更新TH1。优选地，所述步骤一中所述预先采集的加速度样本数据是通过预先采集不同年龄、性别、身高和体等要求下的用户佩戴包含有加速度传感器的设备按照指定的ADL动作和跌倒动作的加速度数据，或者是现有的样本数据库。优选地，所述的预跌倒行为阈值TH1是计算预先采集的加速度样本数据中ADL数据获得的静态阈值与实时采集实际用户ADL的加速度数据获得的动态阈值，并取二者之和获得。优选地，所述的步骤三中的一级轻量级跌倒检测采用四级状态逐级判断方式，通过判断实时采集的加速度样本数据是否大于TH1，若否，则判断当前未发生跌倒行为，并重新执行轻量级跌倒检测；若是，则判断当前发生了预跌倒行为，继续判断加速度数据从谷值到峰值之差是否大于TH2，若否，则判断当前未发生跌倒行为，重新轻量级跌倒检测；若是，则判断人体发生了剧烈撞击，继续判断相对加速度值是否小于TH3，若否，则判断当前未发生跌倒行为，重新执行轻量级跌倒检测；若是，则判断人体处于相对稳定状态，继续判断最终角度是否小于TH4，若否，则判断当前未发生跌倒行为，重新执行轻量级跌倒检测；若是，则判断人体发生跌倒行为。优选地，所述步骤四中训练好的SVM分类器是利用上述预先采集的加速度样本数据训练获得，通过搜索每一组训练数据的周期，并计算每周期数据的均值，标准差，加速度谷值到峰值之差，加速度波谷到波峰时间间隔，加速度峰值到谷值之差，加速度波峰到波谷时间间隔，第二个波谷后指定时间间隔内加速度均值及标准差以及指定时间间隔后角度值，将所提取的特征作为特征值集合构造SVM分类器进行训练。优选地，所述步骤五中TH2，TH3，TH4的阈值更新是在当双重确认结果均为跌倒行为时，将此时的数据作为跌倒数据重新计算更新实现的，TH1的阈值更新是在当双重确认结果均为ADL动作时，将此时的数据作为ADL数据重新计算更新实现。优选地，所述的TH2，TH3，TH4的阈值更新，是将加入的新数据融合到之前的跌倒数据集，同样采用置信区间数学分析方法重新提取TH2，TH3，TH4作为该用户跌倒检测阈值；TH1的阈值更新实现，是将新加入的数据融合到之前的ADL数据集，重新计算数据集的静态阈值及动态阈值方法重新提取所获得。优选地，所述数据采集模块，用于采集用户指定ADL动作及跌倒本文档来自技高网...

【技术保护点】
1.一种基于加速度传感器的人体跌倒检测方法，该方法基于检测系统，检测系统包括相互连接的数据采集模块、阈值提取模块、跌倒检测模块和报警与阈值更新模块，报警与阈值更新模块与所述跌倒检测模块相连构成一个回路，其特征在于，具体包括：步骤一：提取阈值集；对预先采集的ADL及跌倒的加速度样本数据进行预处理并提取预跌倒行为阈值TH1，跌倒碰撞阈值TH2，跌倒恢复状态阈值TH3及跌倒后姿态阈值TH4；通过计算预先采集的加速度样本数据中所有ADL数据的均值与标准差之和作为预跌倒判断静态阈值部分；分析预先采集的加速度样本数据中的跌倒数据集，分别计算从加速度数据谷值到峰值之差、相对加速度值以及最终角度值作为特征，提取人体的跌倒碰撞阈值TH2，跌倒恢复状态阈值TH3以及跌倒后姿态阈值TH4；步骤二：针对用户的跌倒行为进行阈值TH1的更新；通过实时采集实际用户在指定ADL动作下的加速度数据，并计算该组日常行为动作下数据的标准差作为动态阈值部分，结合步骤一中的静态阈值部分进一步提取并更新预跌倒行为阈值TH1；步骤三：进行一级轻量级跌倒检测判断；实时采集并计算用户的实时加速度数据，逐步判断人体的预跌倒行为、跌倒碰撞行为、跌倒恢复行为和最终姿态，进而确定人体是否发生跌倒，同时在检测到人体发生跌倒行为时刻，启动无线传输；将该时刻前ts时刻开始直至该算法结束时刻内数据实时发送到近数据源处的服务器以进一步处理，同时，一级轻量级跌倒检测对应的报警信号一起被发送到服务器端；步骤四：进行基于SVM的跌倒检测判断，利用训练好的SVM分类器对接收到的加速度数据进行跌倒检测；如果结果为非跌倒行为，则不报警，如果结果为跌倒行为，则报警；步骤五：进行双重确认及阈值更新，根据步骤三和步骤四中的两级跌倒检测判断结果进行综合确认，两级检测均发生报警，则确认人体发生跌倒，同时将该段时间段内的数据作为跌倒数据再次计算并更新TH2，TH3，TH4，用于后续该用户的跌倒检测，若人体行为为日常行为动作，将该数据再次计算并更新TH1。...

【技术特征摘要】
1.一种基于加速度传感器的人体跌倒检测方法，该方法基于检测系统，检测系统包括相互连接的数据采集模块、阈值提取模块、跌倒检测模块和报警与阈值更新模块，报警与阈值更新模块与所述跌倒检测模块相连构成一个回路，其特征在于，具体包括：步骤一：提取阈值集；对预先采集的ADL及跌倒的加速度样本数据进行预处理并提取预跌倒行为阈值TH1，跌倒碰撞阈值TH2，跌倒恢复状态阈值TH3及跌倒后姿态阈值TH4；通过计算预先采集的加速度样本数据中所有ADL数据的均值与标准差之和作为预跌倒判断静态阈值部分；分析预先采集的加速度样本数据中的跌倒数据集，分别计算从加速度数据谷值到峰值之差、相对加速度值以及最终角度值作为特征，提取人体的跌倒碰撞阈值TH2，跌倒恢复状态阈值TH3以及跌倒后姿态阈值TH4；步骤二：针对用户的跌倒行为进行阈值TH1的更新；通过实时采集实际用户在指定ADL动作下的加速度数据，并计算该组日常行为动作下数据的标准差作为动态阈值部分，结合步骤一中的静态阈值部分进一步提取并更新预跌倒行为阈值TH1；步骤三：进行一级轻量级跌倒检测判断；实时采集并计算用户的实时加速度数据，逐步判断人体的预跌倒行为、跌倒碰撞行为、跌倒恢复行为和最终姿态，进而确定人体是否发生跌倒，同时在检测到人体发生跌倒行为时刻，启动无线传输；将该时刻前ts时刻开始直至该算法结束时刻内数据实时发送到近数据源处的服务器以进一步处理，同时，一级轻量级跌倒检测对应的报警信号一起被发送到服务器端；步骤四：进行基于SVM的跌倒检测判断，利用训练好的SVM分类器对接收到的加速度数据进行跌倒检测；如果结果为非跌倒行为，则不报警，如果结果为跌倒行为，则报警；步骤五：进行双重确认及阈值更新，根据步骤三和步骤四中的两级跌倒检测判断结果进行综合确认，两级检测均发生报警，则确认人体发生跌倒，同时将该段时间段内的数据作为跌倒数据再次计算并更新TH2，TH3，TH4，用于后续该用户的跌倒检测，若人体行为为日常行为动作，将该数据再次计算并更新TH1。2.如权利要求1所述的一种基于加速度传感器的人体跌倒检测方法，其特征在于，所述步骤一中所述预先采集的加速度样本数据是通过预先采集不同年龄、性别、身高和体等要求下的用户佩戴包含有加速度传感器的设备按照指定的日常行为动作(ADL)和跌倒动作的加速度数据，或者是现有的样本数据库。3.如权利要求1所述的一种基于加速度传感器的人体跌倒检测方法，其特征在于，所述的预跌倒行为阈值TH1是计算预先采集的加速度样本数据中ADL数据获得的静态阈值与实时采集实际用户ADL的加速度数据获得的动态阈值，并取二者之和获得。4.如权利要求1所述的一种基于加速度传感器的人体跌倒检测方法，其特征在于，所述的步骤...

【专利技术属性】
技术研发人员：任领美，刘政，张怡睿宸，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37