CN103417219A - 穿戴式人体跌倒检测装置 - Google Patents

Abstract

本发明提出了一种穿戴式人体跌倒检测装置，由嵌入式多传感器硬件和跌倒检测软件组成。嵌入式多传感器硬件利用加速度和倾角传感器测量人体姿态变化，由跌倒检测软件判断是否出现跌倒异常行为，当发生跌倒时，通过通用分组无线服务技术GPRS和全球定位信息GPS通知远端寻求医疗帮助。跌倒检测软件对测量的人体姿态信号滤波后，提取多个特征量；将这些特征量训练差异度AdaBoost-SVM集成算法的多个SVM参数和各SVM的加权系数，形成SVM集成分类器；最后将实时采集的数据输入跌倒检测软件进行检测。该装置嵌入的差异度AdaBoost-SVM分类器能在老年人外出发生紧急情况时提供帮助，具有广阔的市场前景和应用价值。

Description

穿戴式人体跌倒检测装置

技术领域

本发明涉及人体跌倒检测技术，尤其是方便穿戴的跌倒检测设备，提高检测系统的正确性和可靠性。适用于中老年人的跌倒报警及辅助医疗救助。

背景技术

跌倒在老年人群中非常普遍，据估计，每年约有1/3的65岁以上的老人发生过跌倒，而且比例随着年龄增长而增加。跌倒往往会对老年人的身体带来巨大的损害，有时造成的后果对老年人来说甚至是致命的，严重影响了老年人的身体健康和独立生活能力，并造成了老年人心理上的压力和恐惧，增加了家庭和社会负担。尽早地检测出跌倒事件可以使他们得到有效及时的帮助，减少医药费用。

跌倒是指突发、不自主、非故意的体位改变，倒在地面或比初始位置更低的平面上。人体跌倒检测是一个模式分类与识别问题，即将人体跌倒与人体日常行为（Activities of Daily Living，ADL）区分开。目前，对人体跌倒检测的系统主要有基于音视频或者无线电等周围信号检测和基于穿戴式检测^[4]。基于音视频信号的跌倒检测在其生活环境中安装音频和视频传感器，对比画面或者声音异常判定被监测对象是否跌倒，人体动作清晰可见，但监测范围有限，且受环境的影响也很大^[5]。绝大多数老年人非常反感将自己的日常活动置于直接视频监测的环境之中,因此上述方法的社会可行性需要重新评估。无线传感器网络^[6]利用人体遮挡引起的无线通信信号衰减变化特点,采用最小通信决策集合检测跌倒行为，但其跌倒检测准确度需要进一步试验验证，并且正常生活区域也有所限制。基于穿戴式的跌倒检测设备采用低功耗的微机电传感器快速获取和监控各种生理参数，实现对人体跌倒进行检测。可穿戴检测设备成本低、不受环境影响，尤其是集成了无线通信和定位功能的跌倒检测设备，非但不影响老年人正常生活，还能实现即时沟通以及远程报警。

加速度传感器和倾角传感器是目前最常见的用于跌倒检测的穿戴式装置，其主要存在的问题是发生侧倒或最后不是平躺在地面时的情况判断不太理想。专利在加速度、倾角传感器的基础之上引入脚底压力传感器采集人体姿态数据，弥补加速度传感器和倾角传感器测量人体姿态信息所存在的不足，采用主成分分析法提取样本数据的特征向量，并通过差异度支持向量机算法对人体跌倒姿态进行识别。

发明内容

为了克服现有人体跌倒检测算法可靠性和准确性不足的问题，本发明提出了一种穿戴式的人体跌倒装置，本发明采用以下技术方案解决上述技术问题。

一种穿戴式人体跌倒检测装置由嵌入式多传感器硬件电路板和跌倒检测软件组成，佩戴在人体腰间。利用三轴加速度传感器和倾角传感器测量人体姿态变化；采用截止频率为20Hz的巴特沃斯滤低通波器对加速度和倾角信号进行滤波以消除噪声；设定重复率为50%的滑动叠加时间窗提取能反应姿态显著变化的特征量，即加速度强度矢量SMV，加速度幅度区域SMA，加速度测量竖直方向变化最大值θ_i，水平方向倾角变化最大值

以及垂直倾角变化最大值

形成特征向量

利用特征向量训练差异度AdaBoost-SVM分类器和跌倒实时检测。

特征量的定义分别为：加速度强度矢量 $\left|\right|\mathrm{SMV}\left|\right|=\left|\right|a\left|\right|=\frac{1}{l_w}\underset{i=1}{\overset{l_w}{\mathrm{\Σ}}}{(a_{\mathrm{xi}}^2+a_{\mathrm{yi}}^2+a_{\mathrm{zi}}^2)}^{\frac{1}{2}},$ 加速度幅度区域 $\mathrm{SMA}=\frac{1}{w_l}\left(\underset{i=1}{\overset{w_l}{\mathrm{\Σ}}}\right|a_{\mathrm{xi}}|+\underset{i=1}{\overset{w_l}{\mathrm{\Σ}}}|a_{\mathrm{yi}}|+\underset{i=1}{\overset{w_l}{\mathrm{\Σ}}}|a_{\mathrm{zi}}\left|\right),$ 加速度测量竖直方向倾角变化最大值 ${\mathrm{\θ}}_i=\underset{i}{\max }\left(\frac{a_{\mathrm{yi}}}{{(a_{\mathrm{xi}}^2+a_{\mathrm{yi}}^2+a_{\mathrm{zi}}^2)}^{\frac{1}{2}}}\right)-{\min }_j\left(\frac{a_{\mathrm{yi}}}{{(a_{\mathrm{xj}}^2+a_{\mathrm{yj}}^2+a_{\mathrm{zj}}^2)}^{\frac{1}{2}}}\right),i,j\∈l_w,$ 水平方向倾角变化最大值

以及垂直倾角变化最大值

式中，l_w为提取特征的窗口长度，a_xi、a_yi和a_zi分别为X轴、Y轴和Z轴方向上第i时刻点的加速度值，单位为g(1g=9.8m/s²)；φ_xi和φ_yi分别为i时刻X和Y方向的倾角值。

在差异度AdaBoost-SVM分类器训练阶段，对特征向量EV进行标记此次行为是否为跌倒，即(EV,label)，其中label为其对应的标签，1表示跌倒，－1表示正常；对标定后的特征向量(EV,label)按照差异度AdaBoost-SVM分类器算法过程先后学习基SVM分类器参数和基SVM分类器权重系数。差异度AdaBoost-SVM分类器的参数主要有三个，分别为基分类器的数量、各个基分类器的参数以及其对应的分类器权重。

本发明选用高斯核函数

作为基分类器。分类器在类超平面内满足约束label_i[(ω·EV_i+b)]≥1，即等价于凸二次规划问题 $\min (\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i)s.t.{\mathrm{label}}_i\left\{\right[\mathrm{\ω}\·K\left({\mathrm{EV}}_i\right)]+b\}\≥1-{\mathrm{\ξ}}_i,i=1,...,l,$ 式中，参数ξ_i为松弛变量,c为惩罚参数。根据最优化理论，上述原始问题可转化为对偶问题求解 $\underset{\mathrm{\α}}{\min }[\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{label}}_i{\mathrm{label}}_j{\mathrm{\α}}_i{\mathrm{\α}}_{j}K({\mathrm{EV}}_i,{\mathrm{EV}}_j)-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i]\∈s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{label}}_i{\mathrm{\α}}_i=0,{\mathrm{\α}}_i\≥0,i=1,...,l$ ，求解上述问题后,可得分类决策函数

在训练单个基分类器后，差异度AdaBoost-SVM是将单个SVM分类器按照差异度和准确度进行集成得到强分类器。其强分类器的训练过程如下：（1）输入：带标示的训练样本集EVT={(EV₁,label₁),(EV₂,label₂),...,(EV_l,label_l)}，初始化的σ_ini=1/l，σ_min，步长σ_step，差异度门限值D；（2）初始化：训练样本的权重：

（3）Do While(σ>σ_min)(ⅰ)在加权的训练样本集内，训练一个SVM个体分类器h_t；(ⅱ)计算分类器h_t的训练误差：(ⅲ)计算分类器h_t的差异度

(ⅳ)If ξ_t>0.5 or D_t<Div，按照σ_step减小σ的值,并设定个体分类器h_t的权值

更新训练样本的权重 ${\mathrm{weight}}_i^{t+1}=\frac{{\mathrm{weight}}_i^t\exp \{-{\mathrm{\&beta;}}_t{\mathrm{label}}_i{h}_t\left({\mathrm{EV}}_i\right)\}}{C_t},i=1,...,l,$ 其中C_t为归一化的常数，且

且goto(ⅰ)；（4）输出：

在得到差异度AdaBoost-SVM分类器之后，即可对实时采集的数据进行检测，即依次计算单个SVM分类器对该特征向量的检测结果，输出为-1（非跌倒）或者1（跌倒），再与单个SVM分类器加权系数·_t向乘。累加所有的SVM分类器的测试结果与相应的权系数·_t，以累加值的正负来确定该特征向量对应的姿态是否为跌倒。

附图说明：

图1为本发明硬件原理框图；

图2为本发明的技术路线框图；

图3是低通滤波前后的信号；

图4是对加速度信号滑动叠加窗；

图5为提取的特征值时域图。

图6AdaBoost分类器的结构图；

图7为检测结果。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图对本发明的实施方式作进一步描述。

图1为穿戴式人体跌倒检测装置的原理框图，利用三轴加速度传感器和两个倾角传感器测量人体姿态变化，由单片机跌倒检测软件判断是否出现跌倒异常行为，当发生跌倒时，则通过GPRS将GPS位置信息同跌倒信息通知相关人员及救助中心寻求医疗帮助。电源模块实现整个硬件电路板供电要求。

图2为所述的人体跌倒检测软件。利用三轴加速度传感器和倾角传感器测量人体姿态变化；采用截止频率为20Hz的巴特沃斯滤低通波器对加速度和倾角信号进行滤波以消除噪声；设定重复率为50%的滑动叠加时间窗提取能反应姿态显著变化的特征量，即加速度强度矢量SMV，加速度幅度区域SMA，加速度测量竖直方向变化最大值θ_i，水平方向倾角变化最大值

以及垂直倾角变化最大值

形成特征向量

利用特征向量训练基分类器组和差异度AdaBoost-SVM分类器，确定基分类器的数量、各个基分类器的参数以及其对应的分类器权重；待分类器参数确定后，实时采集的数据进行检测，即依次计算单个SVM分类器对该特征向量的检测结果，再与单个SVM分类器加权系数·_t向乘，以累加值的正负来确定该特征向量对应的姿态是否为跌倒。

三轴加速度和倾角传感器对人体采集到的加速度和倾角信号存在噪声，通过采用截止频率为20Hz的巴特沃斯滤低通波器滤波之后噪声明显减少，如图3为滤波前后的信号对比。

对滤波之后的人体姿态数据采用时域窗口进行特征提取能够更好地反映人体的姿态特征。在提取特征过程中，为了防止将跌倒过程分到两个特征向量中，难以描述完整的跌倒，本发明采用50%的时间叠加窗进行特征提取。图4为50%的时间叠加窗进行特征提取的示意图。

图5为对原信号提取到的特征值，图中黑框为人体跌倒行为，其它则为正常行为。可以看到，发生跌倒时，特征量变化显著，取值较大；而正常时，特征量比较平稳。

图6为差异度AdaBoost-SVM分类器结构图，在基分类器的数量、各个基分类器的参数以及其对应的分类器权重确定后，对实时采集的数据依次计算单个SVM分类器对该特征向量的检测结果，再与单个SVM分类器加权系数向乘，以累加值的正负来确定该特征向量对应的姿态是否为跌倒。

图7是在正常行为中检测到一次跌倒，以红色方框标示。

Claims (8)

1.一种穿戴式人体跌倒检测装置，其特征在于，由嵌入式多传感器硬件电路板和跌倒检测软件组成，佩戴在人体腰间，属于典型的穿戴式设备。嵌入式多传感器硬件电路板利用加速度传感器和倾角传感器测量人体姿态变化，由单片机跌倒检测软件判断是否出现跌倒异常行为，当发生跌倒时，则通过GPRS将GPS位置信息同跌倒信息通知相关人员及救助中心寻求医疗帮助。

2.根据权利要求1所述的穿戴式人体跌倒检测装置，其特征在于，所述的加速度传感器是一个三轴加速度传感器，用于测量人体空间加速度信息；两个倾角传感器正交放置，测量人体纵向和横向的倾角信息。

3.根据权利要求1所述的穿戴式人体跌倒检测装置，其特征在于，所述的人体跌倒检测软件包括步骤：

1)信号滤波，过滤信号获取过程中产生的噪声；

2)特征提取，从信号中提取能突出跌倒差异的特征量；

3)训练基分类器组，学习确定支持向量机；

4)训练差异度AdaBoost-SVM分类器，学习各个基分类器的加权系数；

5)跌倒检测，用训练后的强分类器实时检测识别跌倒异常。

4.根据权利要求1和3所述的穿戴式人体跌倒检测装置，其特征在于，所述的信号滤波器是采用截止频率为20Hz的巴特沃斯滤低通波器。

5.根据权利要求1和3所述的穿戴式人体跌倒检测装置，其特征在于，所述的特征量是加速度强度矢量SMV(Signal MagnitudeVector)，加速度幅度区域SMA（Signal Magnitude Area），加速度测量竖直方向变化最大值θ_i，水平方向倾角变化最大值以及垂直倾角变化最大值

对这五个特征量形成特征向量

进行标记此次行为是否为跌倒，即(EV,label)，其中label为其对应的标签，1表示跌倒，－1表示正常。在训练基分类器组与差异度AdaBoost-SVM分类器时，特征向量存在标签；而在跌倒检测时，特征向量没有标签。

6.根据权利要求1和3所述的穿戴式人体跌倒检测装置，其特征在于，基分类器为支持向量机，将时间窗口长度为l内的特征向量EV_i构成人体姿态样本集EVT＝{(EV₁,label₁),(EV₂,label₂),...,(EV_l,label_l)}，i＝1,...,l，通过非线性映射Φ：Φ(d)→H，其中

将原始空间的样本映射到高维特征空间H中，并在高维特征空间H中构造最优分类平面，从而学习基分类器的参数。

7.根据权利要求1和3所述的穿戴式人体跌倒检测装置，其特征在于，所述的差异度AdaBoost-SVM是将单个SVM分类器按照差异度和准确度进行集成得到强分类器。

8.根据权利要求1和3所述的穿戴式人体跌倒检测装置，其特征在于，所述的跌倒检测是将实时提取的特征向量输入到训练成功的强分类器中，依次计算单个SVM分类器对该特征向量的检测结果，输出为-1（非跌倒）或者1（跌倒），再与单个SVM分类器加权系数b_t向乘。累加所有的SVM分类器的测试结果与相应的权系数b_t，以累加值的正负来确定该特征向量对应的姿态是否为跌倒。

Images