一种用于跌倒检测的智能检测方法技术

本发明专利技术涉及可穿戴传感器应用领域，具体公开了一种基于可穿戴式传感器技术的跌倒检测方法，是将加速度仪、陀螺仪放置在使用者身上，实时采集相关传感器数据，并通过多传感器数据融合技术来弥补静、动态运动中单独使用某一传感器的缺陷性，通过使用数字运动处理器(DMP)输出姿态角(欧拉角)，最后利用训练好的神经网络进行跌倒行为的识别。一种用于跌倒检测的智能检测方法包括原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。

【技术实现步骤摘要】
一种用于跌倒检测的智能检测方法
本专利技术涉及可穿戴传感器应用领域，具体公开了一种基于可穿戴式传感器技术的跌倒检测方法，是将加速度仪、陀螺仪放置在使用者身上，实时采集相关传感器数据，并通过多传感器数据融合技术来弥补静、动态运动中单独使用某一传感器的缺陷性，通过使用数字运动处理器(DMP)输出姿态角(欧拉角)，最后利用训练好的神经网络进行跌倒行为的识别。一种用于跌倒检测的智能检测方法包括原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。
技术介绍
传统的跌倒行为检测有以下三种方式，分别是基于可穿戴式传感器技术的跌倒检测方法、基于环境传感器技术的跌倒检测方法以及基于计算机视觉技术的跌倒检测方法。基于环境传感器技术，通常使用安装在用户周围设备的传感器信号来检测跌倒，这类环境传感器主要包括红外深度传感器，压阻式差压传感器和声学传感器等，需要采集通过采集环境数据来判断老年人的是否发生跌倒，而基于机器视觉技术的跌倒检测要对老年人的活动范围进行图像捕捉，一类是使用RGB相机提供的二维信息来进行检测，另一类使用深度相机Kinect提供的骨架关节点进行检测。
技术实现思路
本专利技术为了解决多场所、复杂环境中的老年人跌倒检测问题，不同于基于环境感知型和计算机视觉型的跌倒检测技术，本专利技术使用可穿戴式传感器进行数据采集，几乎可以在任何环境中进行跌倒检测。本专利技术使用了使用多传感器融合技术，将加速度仪、陀螺仪进行数据融合，并通过数字运动处理器(DMP)进行数据处理，并输出四元数，利用公式计算姿态角。通过对神经网络模型的训练学习，使模型可以达到高准确度的跌倒识别。再将网络模型移植到主控模块，利用算法来进行数据处理时，利用滑动窗口算法来进行特征提取，然后输入神经网络模型，进行跌倒检测识别。为实现以上目的，本专利技术通过以下技术方案予以实现：一种用于跌倒检测的智能检测方法，包括：原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。进一步的，所述的原始数据采集模块是利用人体在日常生活活动中，身体的加速度和角速度会实时的发生改变，所以使用加速度仪和陀螺仪进行加速度和角速度的原始数据获取。进一步的，所述的数据融合模块，由于在静止状态下，单独使用陀螺仪检测角度时存在缺陷，并且受时间影响，而在运动状态下，单独使用加速度传感器时存在缺陷，但不受时间影响的问题，所以使用多传感器数据融合技术可以实现静态和动态下使用不同传感器的互补，并输出欧拉角。进一步的，所述欧拉角，由于使用原始的加速度和角速度值不能直观的看出人体姿态，所以利用多传感器数据融合技术输出欧拉角，即使用偏航角、横滚角及俯仰角来表示姿态。由于输出欧拉角时会有“万向节死锁”问题，且运算比较复杂，所以一般在数据处理的时候会使用四元数，为了避免过多的占用主控芯片算例，所以使用特殊的数字运动处理器(DMP)进行数据处理，输出四元数，再转换成欧拉角(姿态角)。进一步的，所述数据预处理模块，由于跌倒是一个瞬时动作，在极短的时间内，人体姿态发生剧烈变化，所以利用滑动窗口算法进行离散数据的截取，并最后通过跌倒检测算法进行分类，进而识别人体是否跌倒。进一步的，所述跌倒检测模块，由于BP神经网络具有很强的映射能力，可以实现较复杂的非线性映射，而对于识别跌倒和非跌倒行为属于非线性分类问题，所以利用训练好的BP神经网络可以准确地区分跌倒与非跌倒行为。附图说明图1是跌倒检测系统框图。图2是多传感器数据融合和四元数输出示意图。图3是数据预处理流程图。图4是神经网络模型示意图。图5是神经网络训练流程图。图6是跌倒检测流程图。具体实施方式下面将结合本专利技术实例中的附图，对专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实施例的一部分，而不是全部。以下对至少一个示例性实施例的描述仅仅是说明性的，决不作为对本实施例及其应用或者使用的任何限制。基于本实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有实施例，多属于本实施例保护的范围。如图1所示，跌倒检测系统框图，图中1为原始数据采集模块，利用传感器进行原始数据的采集；2为数据融合模块，将加速度仪和陀螺仪所采集数据进行融合并输出姿态角；3为数据预处理模块，对离散数据流进行特征提取；4为跌倒检测模块，利用神经网络实现对跌倒行为的识别。如图2所示，本专利技术使用多传感器数据融合技术，将加速度仪、陀螺仪采集的加速度、角速度进行姿态融合，解决了单独使用陀螺仪检测角度时，在静止状态下存在缺陷，且受时间影响，而加速度传感器检测角度时，在运动状态下存在缺陷，但不受时间影响的问题。另外因为使用欧拉角(即偏航角、横滚角及俯仰角)表示姿态的时候会有“万向节死锁”问题，且运算比较复杂，所以一般在数据处理的时候会使用四元数，经过DMP处理完毕后输出四元数，再转换成欧拉角(姿态角)。如图3所示，数据预处理过程主要是对DMP输出的离散数据流进行特征值提取。主要是用滑动窗口算法进行数据截取，选取宽度为m，滑动步长为n的窗口截取数据(m，n均为整数，且m＞n)。上述公式中A1，A2，A3...An为窗口内合加速度值。如图4所示，用于识别跌倒检测的神经网络模型为7-4-1结构，输入端设置7个神经元，分别对应数据预处理提取的7个特征值，经过网络的训练学习后，便可用于跌倒检测。如图5所示，为神经网络训练的过程。本专利技术主要是利用人体在跌到过程中，有明显区别于日常生活活动的数据变化，像是加速度、加速度幅值、各个角度的姿态角等，所以在数据采集完成后，需要对数据进行特征提取，并且需要进行一定的预处理，对各类数据进行归一化，然后导入跌倒检测神经网络模型进行学习与训练。然后利用分类好的测试集，对训练好的神经网络进行性能评估，主要对其灵敏度与准确度进行评估，结果符合高准确度的神经网络就训练成功了。在神经网络训练完成之后，最重要的部分就是应用神经网络来进行跌倒行为检测，在把训练好的神经网络进行移植后，一个利用神经网络的跌倒检测系统就搭建完成了。下图6为完整的跌倒检测流程图，在数据采集后，进行数据的预处理：特征提取，数据归一化等。然后神经网络接收数据，并进行运算，判断使用者是否跌倒。上面所述的实施例仅仅是对本专利技术的优选实施方式进行描述，并非对本专利技术的构思和保护范围进行限定，在不脱离本专利技术设计的构思前提下，本领域中技术人员对本专利技术的技术方案做出各种变型和改进，均应落入本专利技术专利的保护范围。本文档来自技高网...

【技术保护点】
1.一种用于跌倒检测的智能检测方法，其特征在于，包括：原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。/n

【技术特征摘要】
1.一种用于跌倒检测的智能检测方法，其特征在于，包括：原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。


2.根据权利要求1所述的一种用于跌倒检测的智能检测方法，其特征在于：所述的原始数据采集模块是利用人体在日常生活活动中，身体的加速度和角速度会实时的发生改变，所以使用加速度仪和陀螺仪进行加速度和角速度的原始数据获取。


3.根据权利要求1所述的一种用于跌倒检测的智能检测方法，其特征在于：所述的数据融合模块，由于在静止状态下，单独使用陀螺仪检测角度时存在缺陷，并且受时间影响，而在运动状态下，单独使用加速度传感器时存在缺陷，但不受时间影响的问题，所以使用多传感器数据融合技术可以实现静态和动态下使用不同传感器的互补，并输出欧拉角。


4.根据权利要求3所述的一种用于跌倒检测的智能检测方法，其特征在于：所述欧拉角，由于使用原始的加速度和角速度值不能直观的看出人体姿态...

【专利技术属性】
技术研发人员：王田虎，王保强，沈运哲，吴运韬，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32