一种判断人体跌倒方向的方法技术

一种判断人体跌倒方向的方法，包括以下步骤：1)建立跌倒监测数据库；2)采集人体的实时角速度、实时加速度作为样本数据，存储在跌倒监测数据库中；3)进行特征提取，形成原始数据特征空间；4)对原始数据特征空间中所有特征向量进行数据标准化处理，得到标准数据特征空间；5)对标准数据特征空间进行降维处理，采用阈值法对降维处理后的标准数据特征空间进行处理，筛选出符合要求的样本数据，形成跌倒数据集；6)将跌倒数据集通过XGBoost模型判断人体是否处于跌倒状态，当人体处于跌倒状态时，由XGBoost模型筛选出的样本数据组成用于判断人体跌倒方向的跌倒数据子集；7)通过跌倒数据子集中各样本数据的X轴、Z轴的加速度分量判断人体的跌倒方向。人体的跌倒方向。人体的跌倒方向。

【技术实现步骤摘要】
一种判断人体跌倒方向的方法


[0001]本专利技术涉及医疗监护领域，具体涉及一种判断人体跌倒方向的方法。

技术介绍

[0002]老年人属于跌倒高发人群，一旦发生跌倒，伴随的将是较高的住院率及伤亡率，将会为家庭带来极大的经济负担。如果救治不及时，将直接导致如骨折与瘫痪等病症，还可能间接诱发其他病症。随着“跌倒”日益成为威胁老人生活质量和生命安全的关键因素，老人跌倒的预防和保护愈发引起人们关注。鉴于跌倒的发生具有极大的突然性和随机性，人体的跌倒方向成为研究的重点。
[0003]而大型数据集在人体跌倒方向的研究中使用越来越广泛，为了解释这样的数据集，需要以可解释的方式大幅降低其维度，以便保留数据中的大部分信息。为此已经开发了许多技术，主成分分析法(Principal Component Analysis,PCA)是最古老、应用最广泛的方法之一。它的想法是减少数据集的维度的同时尽可能多地保留“可变性”，保留可变性可以理解是使得数据方差大。在PCA中，降维后的特征需要尽可能反映原始数据中包含的信息，且这些特征应该尽可能相互独立。PCA是基于方差提取最有价值的信息，并保证降维后的特征之间线性无关。PCA可以看作是一种无参技术，即如果不考虑数据清洗，所有人将得到完全相同的降维结果。由于没有主观参数的介入，PCA虽然便于通用实现，但也存在着无法个性化的缺点。同时使用PCA降维需要保证数据服从高斯分布，否则得到的主特征可能不是最优的。
[0004]数据集的增长和更新速度正在不断加快，数据正朝着高维、非结构化的方向发展。海量复杂的数据包含了大量有用的信息，但也增加了有效利用数据的难度。随着数据维度的增长，在数据处理上花费的计算时间和存储空间也越来越多。有效信息淹没在复杂数据中，数据的本质特征很难被发现。处理这些数据需要大量的时间和人力，大大降低了对判断人体跌倒方向的效率以及准确性。

技术实现思路

[0005]本专利技术的目的是针对现有技术对应的不足，提供一种判断人体跌倒方向的方法，对实时采集的人体数据形成的特征空间进行降维处理，并在特征降维过程中实现“低损失”，保持原始数据的性质，得到最优的低维数据，以保证判断人体跌倒方向的准确性。
[0006]本专利技术的目的是采用下述方案实现的：
[0007]一种判断人体跌倒方向的方法，包括以下步骤：
[0008]1)建立跌倒监测数据库；
[0009]2)在人体腰部设置一惯性传感器，采集人体的实时角速度、实时加速度作为样本数据，存储在跌倒监测数据库中；
[0010]所述加速度包括人体在三维坐标系的X、Y、Z轴上的加速度分量，以及由这三个加速度分量组成的加速度向量；
[0011]3)对各样本数据的所有波峰段数据分别进行特征提取，得到每个样本数据对应的特征向量，形成原始数据特征空间；
[0012]4)对原始数据特征空间中所有特征向量进行数据标准化处理，得到标准数据特征空间；
[0013]5)对标准数据特征空间进行降维处理，并采用阈值法对降维处理后的标准数据特征空间进行处理，筛选出符合要求的样本数据，形成跌倒数据集；
[0014]6)将跌倒数据集通过XGBoost模型判断人体是否处于跌倒状态，当人体处于跌倒状态时，由XGBoost模型筛选出的样本数据组成用于判断人体跌倒方向的跌倒数据子集；
[0015]7)通过跌倒数据子集中各样本数据的X轴、Z轴的加速度分量判断人体的跌倒方向。
[0016]优选地，对标准数据特征空间进行降维处理的具体步骤如下：
[0017]⑴
采用公开数据集对XGBoost模型进行训练，得到XGBoost降维处理模型，并设置特征维度最小阈值；
[0018]⑵
将标准数据特征空间作为当前特征空间；
[0019]⑶
利用XGBoost降维处理模型得到当前特征空间中各特征向量的权重，作为当前特征空间中各特征向量的特征重要度；
[0020]⑷
按特征重要度的大小将对应的特征向量在当前特征空间中降序排列；
[0021]⑸
删除当前特征空间中最后一个特征向量，形成新的待处理特征空间；
[0022]⑹
重复步骤
⑸
，直到待处理特征空间维度等于特征维度最小阈值，得到特征向量个数不同的多个待处理特征空间，并计算各待处理特征空间的准确率，将准确率最高的待处理特征空间作为最优特征空间；
[0023]⑺
比较最优特征空间与当前特征空间的准确率：
[0024]a)若最优特征空间的准确率＞当前特征空间的准确率，将最优特征空间作为新的当前特征空间，并重复步骤
⑶
至
⑺
；
[0025]b)若最优特征空间的准确率≤当前特征空间的准确率，则将当前特征空间作为降维处理后的标准数据特征空间。
[0026]优选地，所述特征重要度为该特征向量在XGBoost降维处理模型的所有树中被使用的次数。
[0027]优选地，按照下列公式采用标准化方法作为无量纲化手段，分别对原始数据特征空间中所有特征向量进行数据标准化处理：
[0028][0029]式中，mean为特征向量的均值，σ为标准差，x为特征向量，X为标准化处理后特征向量。
[0030]优选地，所述跌倒数据集通过设置第一判断阈值、第二判断阈值，采用阈值法对降维处理后的标准数据特征空间进行处理得到，具体步骤如下：
[0031]Ⅰ.当特征向量中的第一时域特征值≤第一判断阈值时，则该特征向量对应的样本数据不符合要求；
[0032]Ⅱ.当特征向量中的第一时域特征值＞第一判断阈值时，若该特征向量中的第二
时域特征值≤第二判断阈值，则该特征向量对应的样本数据不符合要求；若该特征向量中的第二时域特征值＞第二判断阈值，则该特征向量对应的样本数据符合要求；
[0033]Ⅲ.重复步骤Ⅰ至Ⅱ对降维处理后的标准数据特征空间中所有的特征向量进行判断，筛选出符合要求的样本数据，形成跌倒数据集。
[0034]优选地，所述角速度包括人体在三维坐标系的X、Y、Z轴上的角速度分量，以及由这三个角速度分量组成的角速度向量；
[0035]所述降维处理后的标准数据特征空间包括角速度信号幅值面积、加速度信号幅值面积、角速度累计变化量、Y轴加速度分量最大值、Z轴加速度分量均值、Y轴加速度分量均值、X轴加速度分量标准差、Z轴角速度分量数值范围、Z轴角速度分量均值、Z轴加速度分量最小值、X轴角速度分量均值、角速度平均变化率、加速度最大值、X轴角速度分量最小值、X轴角速度分量标准差、加速度均值。
[0036]优选地，通过跌倒数据子集各样本数据中X轴、Z轴的加速度分量判断人体的跌倒方向的具体步骤如下：
[0037]A)判断跌倒数据子集各样本数据中X轴与Z轴的加速度分量的关系，以及X轴、Z轴的加速度分量的正负关系；
[0038]B)计算以下六类样本数据在跌倒数据子集中的比例：
...

【技术保护点】

【技术特征摘要】
1.一种判断人体跌倒方向的方法，其特征在于，包括以下步骤：1)建立跌倒监测数据库；2)在人体腰部设置一惯性传感器，采集人体的实时角速度、实时加速度作为样本数据，存储在跌倒监测数据库中；所述加速度包括人体在三维坐标系的X、Y、Z轴上的加速度分量，以及由这三个加速度分量组成的加速度向量；3)对各样本数据的所有波峰段数据分别进行特征提取，得到每个样本数据对应的特征向量，形成原始数据特征空间；4)对原始数据特征空间中所有特征向量进行数据标准化处理，得到标准数据特征空间；5)对标准数据特征空间进行降维处理，并采用阈值法对降维处理后的标准数据特征空间进行处理，筛选出符合要求的样本数据，形成跌倒数据集；6)将跌倒数据集通过XGBoost模型判断人体是否处于跌倒状态，当人体处于跌倒状态时，由XGBoost模型筛选出的样本数据组成用于判断人体跌倒方向的跌倒数据子集；7)通过跌倒数据子集中各样本数据的X轴、Z轴的加速度分量判断人体的跌倒方向。2.根据权利要求1所述判断人体跌倒方向的方法，其特征在于，对标准数据特征空间进行降维处理的具体步骤如下：
⑴
采用公开数据集对XGBoost模型进行训练，得到XGBoost降维处理模型，并设置特征维度最小阈值；
⑵
将标准数据特征空间作为当前特征空间；(3)利用XGBoost降维处理模型得到当前特征空间中各特征向量的权重，作为当前特征空间中各特征向量的特征重要度；
⑷
按特征重要度的大小将对应的特征向量在当前特征空间中降序排列；
⑸
删除当前特征空间中最后一个特征向量，形成新的待处理特征空间；
⑹
重复步骤
⑸
，直到待处理特征空间维度等于特征维度最小阈值，得到特征向量个数不同的多个待处理特征空间，并计算各待处理特征空间的准确率，将准确率最高的待处理特征空间作为最优特征空间；(7)比较最优特征空间与当前特征空间的准确率：a)若最优特征空间的准确率＞当前特征空间的准确率，将最优特征空间作为新的当前特征空间，并重复步骤(3)至(7)；b)若最优特征空间的准确率≤当前特征空间的准确率，则将当前特征空间作为降维处理后的标准数据特征空间。3.根据权利要求2所述判断人体跌倒方向的方法，其特征在于，所述特征重要度为该特征向量在XGBoost降维处理模型的所有树中被使用的次数。4.根据权利要求1所述判断人体跌倒方向的方法，其特征在于，按照下列公式采用标准化方法作为无量纲化手段，分别对原始数据特征空间中所有特征向量进行数据标准化处理：
式中，mean为特征向量的均值，σ为标准差，x为特征向量，X为标准化处理后特征向量。5.根据权利要求1所述判断人体跌倒方向的方法，其特征在于，所述跌倒数据集通过设置第一判断阈值、第二判断阈值，采用阈值法对降维处理后的标准数据特征空间进行处理得到，具体步骤如下：Ⅰ.当特征向量中的第一时域特征值≤第一判断阈值时，则该特征向量对应的样本数据不符合要求；Ⅱ.当特征向量中的第一时域特征值＞第一判断阈值时，若该特征向量中的第二时域特征值≤第二判断阈值，则该特征向量...

【专利技术属性】
技术研发人员：谢芳，黄灏飞，黄智勇，钟代笛，仲元红，葛亮，周庆，
申请(专利权)人：重庆大学，
类型：发明
国别省市：