本发明专利技术涉及一种基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质，其中方法包括：步骤1)获取传感器发送的用户的运动数据；步骤2)滤波处理；步骤3)基于姿态解算器对滤波后的运动数据进行姿态解算，确定位姿信息；步骤4)在预配置的时间长度内设定多个采样区间，对位姿信息进行采样；步骤5)对每个采样区间内的位姿信息进行特征提取和归一化处理得到特征值；步骤6)判断特征值是否大于阈值，若是，则判定一次冲击事件发生；步骤7)统计预配置的时间长度内冲击事件连续发生的次数，判断次数是否大于预配置的次数阈值，若是，则判定为摔倒事件即将发生。与现有技术相比，本发明专利技术具有摔倒预测准确性高等优点。测准确性高等优点。测准确性高等优点。
【技术实现步骤摘要】
基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质
[0001]本专利技术涉及人体运动状态监测与识别领域，尤其是涉及一种基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质。
技术介绍
[0002]人在独立行走时会呈现出不同的步态，如小跑、跳跃、下蹲等，而摔倒可以被归类于其中的一种特殊步态。按照国际疾病分类对跌倒的分类，摔倒可以分为从一个平面至另一个更低平面的跌落以及在同一个平面的跌倒两类。
[0003]对于摔倒的检测具有巨大的社会价值与现实意义。一方面，随着世界人口老龄化的加剧，越来越多的老人由于运动能力下降，在日常生活中容易发生摔倒的情况，如果可以及时监测、报警，就可以及时进行救治，可以极大的减少摔倒可能带来的不良连锁反应；另一方面，在医疗领域，患有中风、偏瘫等影响日常行为的疾病的患者在接受治疗，以及后续做运动康复时，由于受伤区域还没有完全治愈，通常需要借助外骨骼等辅助运动的机器，此类机器如果能对摔倒进行及时的预判，并由电机提供一定助力，可以防患摔倒于未然，避免对病患的二次伤害。
[0004]摔倒的检测主要可以分类为基于视觉以及基于机械装置的两大类。在基于视觉的摔倒检测中，研究者通过图像处理、机器学习等方法，收集摔倒的图片作为训练集进行训练，最终得到一个摔倒检测的网络，可以准确地判断摔倒是否已经发生。这样的方法虽然有效，但是存在一些逻辑上的错误，即这样的光学摔倒检测系统只能在摔倒发生后判断摔倒已经发生，无法在发生前或是发生中进行预判，并且极度依赖于摄像头，这样的限制条件决定了系统无法真正用于对摔倒进行提前的预判、纠正，而只能在摔倒发生后提供一个报警信号，这对于摔倒的人来说已经错过了最佳的保护时期。
[0005]在基于机械装置的摔倒检测中，研究者主要通过对加速度计、陀螺仪的数据处理，设定阈值，来判定摔倒是否发生。摔倒与其余步态相比具有显著的特点，这些特点如果不能使用一到两个节点集中体现，就会大大增加摔倒检测的工作量，而现有的基于机械装置的摔倒检测对于传感器的不同放置位置带来的不同检测效果等暂未进行过明确的比较与划分。
[0006]此外，传统的基于机械装置的摔倒检测使用对加速度计、陀螺仪的数据处理来检测摔倒，这种方式不仅准确率不够，还有着很高的误判率，很容易将高抬腿、小跑等其余步态误判为摔倒。
技术实现思路
[0007]本专利技术的目的就是为了提供一种基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质，提高摔倒预判的准确性，降低误判率。
[0008]本专利技术的目的可以通过以下技术方案来实现：
[0009]一种基于腰骶部穿戴式设备的摔倒预判方法，包括以下步骤：
[0010]步骤1)获取传感器发送的用户的运动数据，所述传感器设于腰骶部穿戴式设备上，所述运动数据包括被测节点的加速度计、角速度计、磁力计的三轴数据；
[0011]步骤2)对运动数据进行滤波处理；
[0012]步骤3)基于姿态解算器对滤波后的运动数据进行姿态解算，确定位姿信息；
[0013]步骤4)在预配置的时间长度内设定多个采样区间，对位姿信息进行采样，所述采样区间为预配置长度的滑窗；
[0014]步骤5)对每个采样区间内的位姿信息进行特征提取和归一化处理得到特征值；
[0015]步骤6)判断特征值是否大于预配置的阈值，若是，则判定一次冲击事件发生；
[0016]步骤7)统计所述预配置的时间长度内冲击事件连续发生的次数，判断次数是否大于预配置的次数阈值，若是，则判定为摔倒事件即将发生。
[0017]所述运动数据由九轴陀螺仪进行测量，传感器进行采集。
[0018]所述位姿信息包括欧拉角、四元数。
[0019]所述滤波处理采用改进PI的Mahony滤波方法，具体包括以下步骤：
[0020]步骤2
‑
1)物体静止时，加速度计与地面保持垂直放置，测量值为(0,0,
‑
1)，利用坐标系转换矩阵将世界坐标系下加速度计的测量数据转换到物体系，得到各轴的重力加速度在物体系内的分量(G
x
,G
y
,G
z
)：
[0021][0022]其中，(q0，q1，q2，q3)为描述物体空间位置的四元数，为坐标系转换矩阵，
[0023][0024]步骤2
‑
2)将(G
x
,G
y
,G
z
)与物体系内加速度计的实际测量值(a
x
,a
y
,a
z
)进行向量积求解，得到误差修正量error：
[0025][0026]步骤2
‑
3)基于误差修正量和PI调节，对角速度计的测量值进行滤波处理，确定修正量；
[0027]δ＝K
p
*error+K
i
∫error
[0028]其中，δ为修正量，K
p
、K
i
为PI调节参数；
[0029]步骤2
‑
4)基于修正量对角速度计的测量值进行补偿：
[0030][0031]其中，(ω
x
,ω
y
,ω
z
)为角速度计的测量值，(ω'
x
,ω'
y
,ω'
z
)为滤波后的角速度计数据。
[0032]步骤2
‑
3)的滤波处理过程中，基于欧拉角的变化绝对值对K
p
、K
i
进行在线调整，具体包括以下步骤：
[0033]基于姿态解算器预求解欧拉角；
[0034]确定预求解欧拉角的角速度变化率；
[0035]判断角速度变化率是否大于0，若是，则令表征欧拉角方向的参数Flag取正值，若否，则Flag取负值；
[0036]在预配置的采样区间内，判断欧拉角的变化情况是否同时满足角度变化值条件和方向变化条件，若是，则判定欧拉角发生震荡，调小PI调节参数K
p
，若否，则按照预配置的步长调大PI调节参数K
i
，直至再次判定欧拉角发生震荡，其中，所述角度变化值条件为欧拉角的三轴角度变化值的绝对值之和小于预配置的角度变化阈值，所述方向变化条件为Flag发生正负变化。
[0037]所述步骤3)包括以下步骤：
[0038]步骤3
‑
1)基于步骤2
‑
4)滤波后的角速度计数据(ω'
x
,ω'
y
,ω'
z
)，迭代更新计算下一时刻的四元数q
t+1
，即：
[0039][0040]步骤3
‑
2)将四元数与欧拉角进行转换，得到腰骶部部位的俯仰角、横滚角和偏航角；
[0041][0042]其中，(φ,θ,ψ)表示欧拉角，为俯仰角，θ为横滚角，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于腰骶部穿戴式设备的摔倒预判方法，其特征在于，包括以下步骤：步骤1)获取传感器发送的用户的运动数据，所述传感器设于腰骶部穿戴式设备上，所述运动数据包括被测节点的加速度计、角速度计、磁力计的三轴数据；步骤2)对运动数据进行滤波处理；步骤3)基于姿态解算器对滤波后的运动数据进行姿态解算，确定位姿信息；步骤4)在预配置的时间长度内设定多个采样区间，对位姿信息进行采样，所述采样区间为预配置长度的滑窗；步骤5)对每个采样区间内的位姿信息进行特征提取和归一化处理得到特征值；步骤6)判断特征值是否大于预配置的阈值，若是，则判定一次冲击事件发生；步骤7)统计所述预配置的时间长度内冲击事件连续发生的次数，判断次数是否大于预配置的次数阈值，若是，则判定为摔倒事件即将发生。2.根据权利要求1所述的一种基于腰骶部穿戴式设备的摔倒预判方法，其特征在于，所述运动数据由九轴陀螺仪进行测量，传感器进行采集。3.根据权利要求1所述的一种基于腰骶部穿戴式设备的摔倒预判方法，其特征在于，所述位姿信息包括欧拉角、四元数。4.根据权利要求3所述的一种基于腰骶部穿戴式设备的摔倒预判方法，其特征在于，所述滤波处理采用改进PI的Mahony滤波方法，具体包括以下步骤：步骤2
‑
1)物体静止时，加速度计与地面保持垂直放置，测量值为(0,0,
‑
1)，利用坐标系转换矩阵将世界坐标系下加速度计的测量数据转换到物体系，得到各轴的重力加速度在物体系内的分量(G
x
,G
y
,G
z
)：其中，(q0，q1，q2，q3)为描述物体空间位置的四元数，为坐标系转换矩阵，步骤2
‑
2)将(G
x
,G
y
,G
z
)与物体系内加速度计的实际测量值(a
x
,a
y
,a
z
)进行向量积求解，得到误差修正量error：步骤2
‑
3)基于误差修正量和PI调节，对角速度计的测量值进行滤波处理，确定修正量；δ＝K
p
*error+K
i
∫error其中，δ为修正量，K
p
、K
i
为PI调节参数；步骤2
‑
4)基于修正量对角速度计的测量值进行补偿：
其中，(ω
x
,ω
y
,ω
z
)为角速度计的测量值，(ω'
x
,ω'
y
,ω'
z
)为滤波后的角速度计数据。5....
【专利技术属性】
技术研发人员：齐鹏，李昀泽，严钢，
申请(专利权)人：同济大学，
类型：发明
国别省市：
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。