一种基于盲源分离的老年人跌倒行为检测方法技术

本发明专利技术公开了一种基于盲源分离的老年人跌倒行为检测方法，包括以下步骤：S1、在家中安装kinect音频传感器，采集音频样本数据集；S2、将音频样本数据集进行动作类别标注，得到原始音频数据集；S3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；S4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；S5、根据独立信号源，提取短时能量特征；S6、根据短时能量特征，通过阈值法判断老年人跌倒行为；本发明专利技术解决了基于非负矩阵分解的盲源分离方法，多通道的联合方法存在传感器数量多、计算量大以及频谱信息丢失的问题。

【技术实现步骤摘要】
一种基于盲源分离的老年人跌倒行为检测方法
本专利技术涉及老年人行为检测
，具体涉及一种基于盲源分离的老年人跌倒行为检测方法。
技术介绍
随着年龄增加，老年人跌倒风险显著增高。报告显示，65岁以上老年人每年有三分之一发生意外跌倒，导致身体受伤甚至死亡。居家老人在如厕或洗澡过程中容易发生跌倒或晕厥，因此卫生间是家庭环境中意外跌倒事件的高风险区域，且不易被及时发现。有效的跌倒检测可及时通知家人或看护人员并采取相应干预措施，可减少跌倒造成的伤害。考虑卫生间场景下感知设备的可用性和用户隐私问题，通过声学传感器采集数据进行跌倒检测是一个合适的选择。微软研发的Kinect传感器可采集音频、视频、深度图像等信号，在语音识别、跌倒检测等研究中应用广泛。日常生活中采集的声音信号大多存在多种混合声源且干扰性强，因此基于音频信号的跌倒检测研究较少。目前基于音频信号的跌倒检测方法主要根据获取到的音频信号计算信号峰值，采用阈值法或机器学习分类方法进行跌倒行为检测。但是由于获取数据中存在多种源信号，如碰撞声、尖叫声等等同样导致信号峰值较高，单独计算信号峰值，根据人为设定阈值进行跌倒分类的方式会影响检测准确率。有研究者采用盲源分离(BlindSourceSeparation,BSS)方法，将捕获到的混合音频信号首先进行信号源分离，基于分离后的独立信号源进行跌倒行为分类。李云等人[Li.Y,Ho.KC,Popescu.M,etal.EfficientSourceSeparationAlgorithmsforAcousticFallDetectionUsingaMicrosoftKinect[J].IEEETransactionOnBiomedicalEngineering,2014,61(3):745-755]采用声学传感器采集信号进行跌倒检测，提出两种盲源分离方法从干扰信号中提取跌倒信号，以提高跌倒检测精度。首先提出单通道BSS，通过非负矩阵分解(Non-negativeMatrixFactor,NMF)将混合信号分解成几个基元的线性组合，根据跌倒的不同模式对其进行有效识别。然后将单通道BSS扩展到多通道，通过所有通道上的联合NMF，以及一种延迟和波束形成器用于减少额外的环境噪声。基于非负矩阵分解的盲源分离方法，多通道的联合方法虽然减少了额外的环境噪音，但同时需要增加传感器的数量以及计算量。且使用非负矩阵分解方法在分解后的信号源实际上是由跌倒信号和噪声干扰分量共享的，将会造成一些频谱信息丢失，导致在求取时间基的能量部分丢失使得跌倒误判。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于盲源分离的老年人跌倒行为检测方法解决了基于非负矩阵分解的盲源分离方法和多通道的联合方法存在传感器数量多、计算量大以及频谱信息丢失的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于盲源分离的老年人跌倒行为检测方法，包括以下步骤：S1、在家中安装kinect音频传感器，采集音频样本数据集；S2、将音频样本数据集进行动作类别标注，得到原始音频数据集；S3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；S4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；S5、根据独立信号源，提取短时能量特征；S6、根据短时能量特征，通过阈值法判断老年人跌倒行为。进一步地，步骤S4中的盲源分离模型为：X(t)＝[x1(t)，…，xi(t)，…，xm(t)]T(1)X(t)＝AS＝[As1，…，Asi，…，Asm](2)si＝A-1xi(t)(3)其中，X(t)为标准音频数据集，xi(t)为第i个t时刻的标准音频样本，m为标准音频数据集中标准音频样本的数量，A为映射矩阵，S为独立信号源矩阵，si为第i个标准音频样本的独立信号源。进一步地，映射矩阵A的计算方法包括以下步骤：A1、设定映射矩阵A的初始值和其迭代的误差阈值ε；A2、计算独立信号源si的累积分布g(si)；A3、对累积分布g(si)求导，得到独立信号源si的概率密度A4、根据概率密度计算独立信号源si的联合分布f(si)；A5、根据联合分布f(si)，计算标准音频样本xi(t)的概率密度A6、根据标准音频样本xi(t)的概率密度对标准音频样本xi(t)进行对数似然估计，得到似然估计函数L(A-1)；A7、对似然估计函数L(A-1)求导，得到第j次迭代的映射矩阵的逆矩阵Aj-1；A8、根据逆矩阵Aj-1，计算映射矩阵Aj，并判断映射矩阵Aj的误差是否小于误差阈值ε，若是，则将当前的映射矩阵Aj作为映射矩阵A，结束流程，若否，则跳转至步骤A7。上述进一步方案的有益效果为：采用独立成分分析方法，只需假设源信号是相互统计独立，并满足非高斯性，即可在已知独立源数量的情况下，可有效将观测到的多维随机矩阵转换成为统计独立的向量，这种方式少有出现数值错误较大的情况、使得计算稳定性高且收敛速度快。进一步地，步骤A2中累积分布g(si)的计算公式为：进一步地，步骤A3中独立信号源si的概率密度的计算公式为：进一步地，步骤A4中独立信号源si的联合分布f(si)的计算公式为：进一步地，步骤A5中标准音频样本xi(t)的概率密度的计算公式为：其中，|A-1|为A-1的行列式。进一步地，步骤A6中似然估计函数L(A-1)的计算公式为：进一步地，步骤A7中映射矩阵的逆矩阵Aj-1的计算公式为：其中，a为学习步长。进一步地，步骤S5中短时能量特征的计算公式为：E＝si2h(k)(10)其中，E为短时能量特征，h(k)为线性滤波器的单位冲击响应。综上，本专利技术的有益效果为：(1)、通过kinect音频传感器内置的音频方向定位功能，用户无需放置多个音频传感器，且其能精准获取音频数据，减少计算复杂度；(2)、通过独立成分分析方法进行盲源分离，对分离后的信号提取短时能量特征，保持信号有效频谱信息，避免频谱信息丢失，然后通过阈值法识别跌倒行为，提高混合音频环境下跌倒检测精度。附图说明图1为一种基于盲源分离的老年人跌倒行为检测方法的流程图；图2为独立信号源的信号示意图；图3为提取的短时能量特征示意图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1所示，一种基于盲源分离的老年人跌倒行为检测方法，包括以下步骤：S1、在家中安装kinect音频传感器，采集音频样本数据集；本文档来自技高网...

【技术保护点】
1.一种基于盲源分离的老年人跌倒行为检测方法，其特征在于，包括以下步骤：/nS1、在家中安装kinect音频传感器，采集音频样本数据集；/nS2、将音频样本数据集进行动作类别标注，得到原始音频数据集；/nS3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；/nS4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；/nS5、根据独立信号源，提取短时能量特征；/nS6、根据短时能量特征，通过阈值法判断老年人跌倒行为。/n

【技术特征摘要】
1.一种基于盲源分离的老年人跌倒行为检测方法，其特征在于，包括以下步骤：
S1、在家中安装kinect音频传感器，采集音频样本数据集；
S2、将音频样本数据集进行动作类别标注，得到原始音频数据集；
S3、对原始音频数据集进行标准化和白化处理，得到标准音频数据集；
S4、根据标准音频数据集，建立盲源分离模型，进行盲源分离，得到独立信号源；
S5、根据独立信号源，提取短时能量特征；
S6、根据短时能量特征，通过阈值法判断老年人跌倒行为。


2.根据权利要求1所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述步骤S4中的盲源分离模型为：
X(t)＝[x1(t)，…，xi(t)，…，xm(t)]T(1)
X(t)＝AS＝[As1，…，Asi，…，Asm](2)
si＝A-1xi(t)(3)
其中，X(t)为标准音频数据集，xi(t)为第i个t时刻的标准音频样本，m为标准音频数据集中标准音频样本的数量，A为映射矩阵，S为独立信号源矩阵，si为第i个标准音频样本的独立信号源。


3.根据权利要求2所述的基于盲源分离的老年人跌倒行为检测方法，其特征在于，所述映射矩阵A的计算方法包括以下步骤：
A1、设定映射矩阵A的初始值和其迭代的误差阈值ε；
A2、计算独立信号源si的累积分布g(si)；
A3、对累积分布g(si)求导，得到独立信号源si的概率密度
A4、根据概率密度计算独立信号源si的联合分布f(si)；
A5、根据联合分布f(si)，计算标准音频样本xi(t)的概率密度
A6、根据标准音频样本xi(t)的概率密度对标准音频样本xi(t)进行对数似然估计，得到似然估计函数L(A-1)；
A7、对似然估计函数L(A-1)求...

【专利技术属性】
技术研发人员：李巧勤，姜珊，刘勇国，杨尚明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51