本发明专利技术提供一种跌倒检测方法和装置，该方法包括：1)采集用户行为数据；2)根据用户行为数据识别用户行为；3)根据行为识别结果从所采集的数据中分割出行为切换数据，并将行为切换数据规整成等长的特征向量；4)根据规整后的特征向量进行跌倒检测。本发明专利技术基于行为切换进行跌倒检测，能够过滤掉大量的正常行为数据，降低特征空间的复杂度，增强模型的区分能力，提高模型的检测率。
【技术实现步骤摘要】
本专利技术涉及普适计算和健康监护领域，具体涉及一种跌倒检测方法和装置。
技术介绍
根据世界疾病控制与预防组织统计，约有三分之一的65岁以上居家老人每年有一次以上的跌倒，一次性跌倒中近10%会引起严重伤害或疾病。跌倒成为危害老年人及其他特殊人群的重要因素之一。及时的跌倒检测和救助可以为治疗和抢救赢得宝贵时间，对提高用户的独立生活能力、保障其健康和提高医疗监护水平都具有非常重要的作用。当前， 我国已经进入老龄化社会且呈现加速发展态势，独居老人和“空巢家庭”逐渐增多，急需研发携带方便、检测准确、判断实时的跌倒检测装置，以满足广泛的社会需求。现有的跌倒检测方法可以大致分为两类基于阈值的检测方法和基于模型的检测方法。基于阈值的检测方法预先为相关参数设定阈值，如果用户行为过程中相关参数值不满足阈值条件，则判断为跌倒。例如，专利申请200910021227. 3根据加速度传感器数据， 先利用截止频率为0. 5Hz的高通滤波器进行滤波，将过滤后的数据流切成多个单位为1秒钟的数据段，然后计算每段窗口的方差和中值，评估值采用十秒钟求均值，通过将评估值跟预先设定的阈值进行比较来检测跌倒；专利申请200880012^3. 8通过计算加速度信号X、Y、Z的幅值M ( M = ^Jx2+Y2+Z2 )，并当超过设定阈值时判断用户跌倒。为了减小检测的误警率，该专利技术通过检测设备是否是自由落体运动、设备是否旋转以及设备与用户身体的紧邻程度来过滤噪声数据；专利申请200910145045. 7采集使用者上躯干部位的三维加速度信息，并对信息进行融合处理，综合人体所受冲击和冲击前后上躯干倾斜角度的变化来判断是否发生摔倒，在判断摔倒级别的冲击发生时，使用加速度>阈值3. 5g为标准； 专利申请US201102M93-A1采用加速度数据的合成值，通过阈值方法检测跌倒瞬间的失重状态和触地瞬间的超重状态来识别跌倒；专利申请US2009048540-A1采用阈值方法来检测加速度的瞬间变化和用户身体从垂直方向到水平方向的改变；专利申请US2010121603-A1 设置大腿方向阈值、大腿和腰部的加速度关系阈值和大腿方向的变化阈值，如果实时检测结果超过这三个阈值，则认为用户跌倒。此外，采用阈值方法的相关专利申请还有 200810204106. 8,201010265588. 5、US2006279426-AU EP1870037-A1、AU2009247584-A1、 US2009292227-AUW02010126878-A1 等。基于模型的检测方法一般利用机器学习算法从训练数据学习分类模型来区分正常行为和异常行为(跌倒)。专利申请20101(^85585. 8通过阈值方法和模型方法相结合的方式，在阈值判断之后，利用一类支持向量机(Support Vector Machine, SVM)进行模式识别，进行二次判断，将测试向量与样本集合比较，当测试向量不在样本集合之内时，判断为跌倒；文献从走路、上下楼梯、跑步、坐下等正常行为数据提取特征，先利用一类SVM作为异常4检测模型过滤掉高概率的正常样本，再利用核非线性回归模型以无监督的方式构建异常样本的识别模型。已有检测方法没有对检测数据进行高效的过滤，而是对用户的连续行为数据进行分析。由于个别正常行为(如跑步、下楼梯等)的瞬间过程与跌倒相似度较高，外加噪声行为数据的影响，所以降低了检测的准确率；另外，现有检测方法难以实现检测率和误警率之间的平衡阈值方法需要人为设定阈值大小，模型方法所定义的区分边界也受相关参数的影响，难以找到正常行为和异常行为(跌倒)之间的最优区分边界。所以，虽然跌倒检测现在已有多种方法，但已有方法都不能同时满足跌倒检测对高检测率和低误警率的要求。然而，跌倒检测是一个代价敏感的问题，一方面，对跌倒的漏检测比对正常行为的漏检测后果要严重得多，要求模型有高的检测率；另一方面，频繁的误报警会引起用户的反感，降低其对检测装置的信任度，不利于装置的实际应用和推广。所以，目前急需检测率高且误警率低的检测方法和装置。
技术实现思路
本专利技术要解决的技术问题是实现同时满足高检测率和低误警率的跌倒检测方法。根据本专利技术一个方面，提供了一种跌倒检测方法，包括1)采集用户行为数据；2)根据用户行为数据识别用户行为；3)根据行为识别结果从所采集的数据中分割出行为切换数据，并将行为切换数据规整成等长的特征向量；4)根据规整后的特征向量进行跌倒检测。在上述方法中，所述步骤2、进一步包括21)将用户行为数据截取为窗口数据；22)对截取的窗口数据提取特征来组成测试样本；23)利用行为识别模型对测试样本进行用户行为识别。在上述方法中，所述步骤21)后还包括对窗口数据进行预处理。在上述方法中，所述预处理包括空缺值填补和数据滤波。在上述方法中，所述特征包括均值、标准方差、过零率、百分位数、关联系数、功率谱密度、频域熵和/或谱峰位置。在上述方法中，所述行为识别模型通过离线训练获得。在上述方法中，所述行为识别模型是决策树分类模型、支持向量机模型、多层感知器神经网络或隐马尔可夫模型。在上述方法中，所述步骤幻中所述规整是利用基于高斯观测密度的隐马尔科夫模型来完成。在上述方法中，所述步骤幻中所述规整是直接提取所述行为切换数据的特征，并将所提取的特征转换成等长的向量。在上述方法中，所述步骤4)中所述跌倒检测是利用一类支持向量机模型来进行。在上述方法中，利用一类支持向量机模型进行跌倒检测后，对于不属于跌倒行为的测试样本，再利用加权K近邻算法进一步确定是否确实不属于跌倒行为。根据本专利技术另一方面，还提供了一种跌倒检测装置，包括数据采集模块，用于采集用户行为数据；行为识别装置，用于根据用户行为数据识别用户行为；数据处理模块，用于根据行为识别结果从所采集的数据中分割出行为切换数据， 并将行为切换数据规整成等长的特征向量；跌倒检测模块，用于根据规整后的特征向量进行跌倒检测。在上述装置中，所述跌倒检测模块包括第一检测模块，用于利用一类支持向量机模型来根据规整后的特征向量进行跌倒检测。在上述装置中，所述跌倒检测模块还包括第二检测模块，用于在所述第一检测模块进行跌倒检测后，对于不属于跌倒行为的测试样本，再利用加权K近邻算法进一步确定是否确实不属于跌倒行为。在上述装置中，所述用户行为数据来自加速度计和/或陀螺仪。在上述装置中，所述数据处理模块对行为切换数据进行规整是利用基于高斯观测密度的隐马尔科夫模型来完成。相比于现有技术，本专利技术提供的检测方法和装置以行为切换数据作为检测对象， 将跌倒检测从以正常行为数据作为特征空间转移到以行为切换数据作为特征空间，可以有效过滤正常行为数据和噪声数据，降低特征空间的复杂度，提高模型的检测能力和准确率。 另外，本专利技术的优选实施例的检测方法和装置所涉及的组合异常检测模型融合了模型检测算法和距离检测算法的优点，可以提高模型的区分能力，从而更好地实现模型检测率和误警率的平衡。附图说明图1 (a)和图1 (b)分别是跌倒发生在不同行为的切换处和跌倒发生在相同行为的突变处的示意图；图2是根据本专利技术一个优选实施例的跌倒检测方法的主要功能模块示意图；图3是根据本专利技术一个优选实施例的跌倒检测方法的流程图；图4是根据本专利技术一个优选实施例的本文档来自技高网...
【技术保护点】
１．一种跌倒检测方法，包括：１）采集用户行为数据；２）根据用户行为数据识别用户行为；３）根据行为识别结果从所采集的数据中分割出行为切换数据，并将行为切换数据规整成等长的特征向量；４）根据规整后的特征向量进行跌倒检测。
【技术特征摘要】
【专利技术属性】
技术研发人员：王双全，陈益强，陈振宇，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：11
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。