CN103680063B - 基于手机加速度计和陀螺仪的老年人异常情况判定方法 - Google Patents

Abstract

本发明公开了一种基于手机加速度计和陀螺仪的老年人异常情况判定方法，本发明利用智能手机自带的加速度计和陀螺仪，实时采集加速度传感器和陀螺仪传感器的数据，进行决策数据融合算法，得到手机融合运动矢量，根据融合运动矢量判定人的行为状态。本发明可以能够判断智能手机的携带者，是否处在异常状态下，为行动缓慢的老年人群提供判别与预警的功能。

Description

基于手机加速度计和陀螺仪的老年人异常情况判定方法

技术领域

本发明涉及异常行为检测技术，尤其是涉及基于手机加速度计和陀螺仪的异常行为检测方法。

背景技术

我国人口老龄化问题渐渐凸显出各种问题，例如老年人与重症病人的监护问题。比如老人跌倒，如果没有及时的搀扶，可能导致老人病情的加重。拄拐与轮椅患者，也经常需要他人的监护。这种情况，很多时候都依赖于人为干预。通过人为干预行为，常常需要花费很大的精力与财力才能达到合理监护的要求。而相关的监控与监护设备，往往价格比较昂贵。

随着智能手机的普及，越来越多的人开始使用智能手机。例如iPhone、Android、WindowsPhone等智能手机，拥有大量优秀和高质量的移动应用。智能手机已经成了人们很难脱离的电子设备。而现在很多的智能手机，都拥有各种传感器模块。例如加速度计、光线传感器、磁场传感器、GPS模块、三轴陀螺仪等等。并非有很多应用，使用了智能手机的传感器，很多情况下，手机传感器模块得不到充分的利用。

在地球上任何物体都会受到重力的作用而产生重力加速度，加速度传感器可以用来测定加速度的变化。把三轴加速度传感器固定在手机上，在相对静止状态下，当手机姿态改变时，加速度传感器的敏感轴相对于重力场发生变化，加速度传感器的3个敏感轴分别输出重力在其相应方向产生的重力分量信号[单家元,王肇敏,魏华梁.“内旋三轴框架系统建模”,计算机仿真,2002,19(5):527]，手机加速度变化的测量原理如图2所示。输出的大小与3个轴方向同竖直方向的夹角有关。

当手机处于变速运动状态时，由于加速度传感器同时受到重力加速度和手机自身加速度的影响，其返回值是重力加速度同手机自身加速度的矢量和。对加速度传感器自身振动和机械噪声等方面的考虑，加速度传感器不能独立运用测量状态变化。陀螺仪能够提供瞬间的动态角度变化，由于其本身的固有特性及积分过程的影响，它会随着工作时间的延长产生漂移误差。因此对于行为检测系统而言，单独使用陀螺仪或加速度计，都不能提供行为状态的可靠估计。为了克服这些问题，数据融合算法需使用加速度传感器的测量值并使用陀螺仪测得的角速度数据对加速度传感器数据进行融合和矫正。

依据上一时刻的重力矢量方向的估计值，结合陀螺仪测得的角度值计算出当前时刻的重力矢量，再与当前时刻加速度传感器返回的矢量进行融合，得到当前矢量的最优估计值。

利用智能手机自带的加速度计和陀螺仪，实时采集加速度传感器和陀螺仪传感器的数据，设计一种决策数据融合算法，计算出手机融合运动矢量，根据融合运动矢量判定人的行为状态。本发明可以能够判断智能手机的携带者，是否处在异常状态下，为行动缓慢的老年人群提供判别与预警的功能。

发明内容

本发明的目的是提供一种老年人监护方法，克服现有视频监控方法的不足，以提高对老年人监护的监控准确度，降低成本。本发明可以能够判断智能手机的携带者，是否处在异常状态下，为行动缓慢的老年人群提供判别与预警的功能。

本发明采用的技术方案的步骤如下：一种基于手机加速度计和陀螺仪的老年人异常情况判定方法，该方法包括以下步骤：

步骤(1)从智能手机中实时获取加速度传感器和陀螺仪传感器的数据。

步骤(2)建立加速度数据处理模型：设三轴加速度值分别为Rac_x、Rac_y、Rac_z，三轴加速度的矢量和，即为加速度检测的矢量矢量长度为确定手机旋转的角度是向量与X、Y、Z三个坐标轴之间的夹角α_x、α_y、α_z，通过cos()的反函数arccos()可以计算出所需的角度：α_x＝arccos(Rac_x/|Rac|),α_y＝arccos(Rac_y/|Rac|),α_z＝arccos(Rac_z/|Rac|)。

步骤(3)：建立陀螺仪数据处理模型；定义Rxz为加速度矢量在XZ平面上的投影，Ryz为加速度矢量在YZ平面上的投影，定义Z轴和Rxz、Ryz向量所成的夹角为α_xz、α_yz，陀螺仪输出陀螺仪修正加速度计的修正分量

$\stackrel{\→}{R}\mathrm{gy}=[{\mathrm{Rgy}}_x,{\mathrm{Rgy}}_y,{\mathrm{Rgy}}_z]$

即为：

$\left\{\begin{array}{c}{\mathrm{Rgy}}_x=\frac{1}{\sqrt{1+\cot {\left({\mathrm{\α}}_{xz}\right(n\left)\right)}^2+\sec {\left({\mathrm{\α}}_{yz}\right(n\left)\right)}^2}}\\ {\mathrm{Rgy}}_y=\frac{1}{\sqrt{1+\cot {\left({\mathrm{\α}}_{yz}\right(n\left)\right)}^2+\sec {\left({\mathrm{\α}}_{xz}\right(n\left)\right)}^2}}\\ {\mathrm{Rgy}}_z=\sqrt{1-{{\mathrm{Rgy}}_x}^2-{{\mathrm{Rgy}}_y}^2}\end{array}\right.$

步骤4)根据步骤2)和步骤3)所得的处理数据，计算出融合加速度计和陀螺仪的融合运动矢量

步骤5)根据融合运动矢量判定人的行为状态。

进一步地，所述步骤4中，根据加速度计获得数据和陀螺仪得到的数值，得到融合后的更新数值决策系数λ由单位采集时间Δt内加速度计的振幅和陀螺仪振幅的比值得到。

进一步地，所述步骤5中，所述的行为状态判定方法由运动剧烈度Ex得到，Ex＝μ_x·|Rfu_x|+μ_y·|Rfu_y|+μ_z·|Rfu_z|，X、Y、Z三个方向的运动变化系数分别为μ_x、μ_y、μ_z，其中|Rfu_x|、|Rfu_y|、|Rfu_z|分别为矢量在x、y、z轴方向的投影长度；分量最大值m＝max(|Rfu_x|,|Rfu_y|,|Rfu_z|)，Th_e为异常动作阈值，若Ex>Th_e则判定为异常状态，以手机短信形式向监护人发送告警信息。

本发明具有的有益效果是：目前国内外研究视频监控方法的很多，但是研究针对老年人监护的文献或成果不多。本发明可以弥补现有视频监控方法的不足，以提高对老年人监护的监控范围，降低成本。

附图说明

图1是本发明的流程图；

图2是加速度计矢量变化的原理图；

图3是陀螺仪矢量变化的原理图。

具体实施方式

以下结合附图和实施例对本发明作进一步详细描述。

如图1所示，本发明的基于手机加速度计和陀螺仪的老年人异常情况判定方法主要包括以下步骤：

1、加速度传感器和陀螺仪传感器数据获取

老年人随身携带智能手机，将智能手机的加速度计和陀螺仪设置为打开状态，可加速度计和陀螺仪获取实时数据，并以文件形式保存在手机中，应用系统可以手机中读取数据并处理。

2、加速度数据处理模型

设三轴加速度值分别为Rac_x、Rac_y、Rac_z，如附图2所示。三轴加速度矢量和，即为加速度检测的矢量表示为：

$\stackrel{\→}{R}ac=\[{\mathrm{Rac}}_x,{\mathrm{Rac}}_y,{\mathrm{Rac}}_z\]---\left(1\right)$

根据三维空间勾股定理，容易证明：

Rac²＝Rac_x ²+Rac_y ²+Rac_z ²(2)

矢量长度：

$\left|Rac\right|=\sqrt{{{\mathrm{Rac}}_x}^2+{{\mathrm{Rac}}_y}^2+{{\mathrm{Rac}}_z}^2}---\left(3\right)$

加速度矢量归一化，确保标准始终是1，即：

$\stackrel{\→}{R}ac=\[{\mathrm{Rac}}_x/\left|Rac\right|,{\mathrm{Rac}}_y/\left|Rac\right|,{\mathrm{Rac}}_z/\left|Rac\right|\]---\left(4\right)$

确定手机旋转的角度是向量与X、Y、Z三个坐标轴之间的夹角α_x、α_y、α_z，通过cos()的反函数arccos()可以计算出所需的角度：

$\left\{\begin{array}{c}{\mathrm{\α}}_x=arccos({\mathrm{Rac}}_x/|Rac\left|\right)\\ {\mathrm{\α}}_y=arccos({\mathrm{Rac}}_y/|Rac\left|\right)\\ {\mathrm{\α}}_z=arccos({\mathrm{Rac}}_z/|Rac\left|\right)\end{array}\right.---\left(5\right)$

然而，加速度计在较长时间的测量值是准确的，而在较短时间内由于信号噪声的存在，而有误差。

3、陀螺仪数据处理模型

陀螺仪的每个通道检测一个轴的旋转，如附图3所示。定义Rxz为加速度矢量在XZ平面上的投影，Ryz为加速度矢量在YZ平面上的投影，定义Z轴和Rxz、Ryz向量所成的夹角为α_xz、α_yz。陀螺仪输出一个与这些角度变化相关的值。

通过计算加速度计和陀螺仪的均值能够得到设备的一个更准确的当前倾角值，比单独使用加速度计要好，因此使用陀螺仪修正加速度计的值。

陀螺仪的修正分量为：

$\stackrel{\→}{R}gy=\[{\mathrm{Rgy}}_x,{\mathrm{Rgy}}_y,{\mathrm{Rgy}}_z\]---\left(6\right)$

则陀螺仪基于上一次的估算得到的一个修正分量为：

$\{\begin{array}{c}{\mathrm{Rgy}}_x=\frac{1}{\sqrt{1+\cot {\left({\mathrm{\α}}_{xz}\right(n\left)\right)}^2+\sec {\left({\mathrm{\α}}_{yz}\right(n\left)\right)}^2}}\\ {\mathrm{Rgy}}_y=\frac{1}{\sqrt{1+\cot {\left({\mathrm{\α}}_{yz}\right(n\left)\right)}^2+\sec {\left({\mathrm{\α}}_{xz}\right(n\left)\right)}^2}}\\ {\mathrm{Rgy}}_2=\sqrt{1-{{\mathrm{Rgy}}_x}^2-{{\mathrm{Rgy}}_y}^2}\end{array}---\left(7\right)$

4、决策融合算法

根据加速度计获得数据和陀螺仪得到的数值，得到融合后的更新数值

$\stackrel{\→}{R}fu=\mathrm{\λ}\·\stackrel{\→}{R}ac+(1-\mathrm{\λ})\stackrel{\→}{R}gy---\left(8\right)$

决策系数λ由单位采集时间Δt内加速度计的振幅和陀螺仪振幅的比值得到。如果λ值大，说明手机加速度较大，手机角度变化率小，此时的值受的影响较大；如果λ值较小，则手机旋转或翻转幅度较大，而手机加速度较小，此时的值受的影响较大。

5、行为状态判定方法

行为状态的判定由运动剧烈度Ex得到，

Ex＝μ_x·|Rfu_x|+μ_y·|Rfu_y|+μ_z·|Rfu_z|(9)

其中

${\mathrm{\μ}}_x={\left(\frac{\left|{\mathrm{Rfu}}_x\right|}{m}\right)}^2---\left(10\right)$

${\mathrm{\μ}}_y={\left(\frac{\left|{\mathrm{Rfu}}_y\right|}{m}\right)}^2---\left(11\right)$

${\mathrm{\μ}}_z={\left(\frac{\left|{\mathrm{Rfu}}_z\right|}{m}\right)}^2,---\left(12\right)$

m＝max(|Rfu_x|,|Rfu_y|,|Rfu_z|)(13)

|Rfu_x|、|Rfu_y|、|Rfu_z|分别为矢量在x、y、z轴方向的投影长度。

Th_e为异常动作阈值，若Ex>Th_e则判定为异常状态，以手机短信形式向监护人发送告警信息。

实施案例：

如图1所示，检测流程首先打开智能手机里的加速度计和陀螺仪，获取加速度数据和陀螺仪数据，然后计算机陀螺仪修正后的数据，计算出加速度计和陀螺仪的融合运动矢量，计算运动剧烈度，如果运动剧烈度大于异常动作阈值，则判定为异常行为，否则算法循环运行。

本发明提出的老年人异常情况判定方法对智能手机采集的数据进行了模拟，包括静止站立、慢步行走、突然跌倒和慢跑动作。根据从加速度计和陀螺仪获取的数据计算出融合后的X分量、Y分量、Z分量和运动剧烈度，判定出手机携带者是否处于异常状态，结果如表1至表4所示。

表1静止站立

X分量	Y分量	Z分量	运动剧烈度	是否处于异常状态
					0	0	0	0	0
0	0	0	0	0
					0	0	0	0	0
0	0	0	0	0

0	0	0	0	0
					0	0	0	0	0
0	0	0	0	0
					0	0	0	0	0
0	0	0	0	0
					0	0	0	0	0
0	0	0	0	0
					0	0	0	0	0
0	0	0	0	0
					0	0	0	0	0
0	0	0	0	0
					1.14525	1.53042	-0.26636	2.179815	0
1.14525	1.53042	-0.26636	2.179815	0
					1.06566	1.48034	-0.07639	2.03279	0
1.21264	1.43129	-0.19616	2.305417	0
					1.21264	1.43129	-0.19616	2.305417	0
1.20695	1.2931	0.050412	2.344663	0

表2慢步行走

X分量	Y分量	Z分量	运动剧烈度	是否处于异常状态
					3.47843	0.336202	2.36207	4.570781	0
3.47843	0.336202	2.36207	4.570781	0
					3.16171	0.867031	2.09824	4.151017	0
3.26526	1.7779	0.485691	3.803098	0
					3.26526	1.7779	0.485691	3.803098	0
2.26517	1.59449	-3.46764	4.771342	0
					0.756066	1.05042	-1.27492	2.253872	0
-1.54547	0.020348	-0.19462	1.54856	0
					-1.54547	0.020348	-0.19462	1.54856	0
-3.54301	-0.06052	-1.68727	3.925684	0

-4.54819	0.707658	-3.5432	6.715675	0
					-4.54819	0.707658	-3.5432	6.715675	0
-2.30758	-0.52999	-2.56619	4.454715	0
					-0.66541	-3.66022	1.04617	3.767677	0
-0.66541	-3.66022	1.04617	3.767677	0
					1.3991	-1.52075	3.77537	4.214263	0
0.401143	-0.14797	4.83412	4.837021	0
					-3.5223	-1.81425	4.75332	6.951747	0
-3.5223	-1.81425	4.75332	6.951747	0
					-1.0908	-1.05291	3.43281	3.642002	0

表3突然跌倒

X分量	Y分量	Z分量	运动剧烈度	是否处于异常状态
					1.33709	3.67262	0.8574	3.896577	0
3.07536	-2.20947	-12.1725	12.4416	0
					8.11115	-1.57244	-10.7133	15.39662	0
8.11115	-1.57244	-10.7133	15.39662	0
					2.85469	-5.88239	-4.00363	8.409316	0
6.03406	-0.25539	-16.21	17.04617	0
					6.03406	-0.25539	-16.21	17.04617	0
7.32521	-3.46264	-21.2906	22.24932	1
					3.19849	-7.90126	-14.2989	16.87153	0
3.19849	-7.90126	-14.2989	16.87153	0
					5.27832	-5.948	-8.9057	13.41312	0
1.40055	-8.32137	8.92328	16.1944	0
					3.96944	-2.26329	11.862	12.3889	0
3.96944	-2.26329	11.862	12.3889	0
					1.56536	-0.6354	9.18773	9.236208	0
-1.98768	0.975354	9.17584	9.280132	0
					-1.98768	0.975354	9.17584	9.280132	0

-0.70816

5.78739

9.20783

11.49832

0

表4跑步

X分量	Y分量	Z分量	运动剧烈度	是否处于异常状态
					5.33359	-12.2289	3.49328	13.52853	0
5.33359	-12.2289	3.49328	13.52853	0
					14.5877	-15.8155	1.92224	28.25455	1
13.0504	-15.0751	1.57682	24.87263	1
					13.5145	-6.56159	-5.23673	15.84756	0
13.5145	-6.56159	-5.23673	15.84756	0
					4.88745	-4.40774	-3.69769	10.58894	0
0.581703	-7.4971	-2.24606	7.702196	0
					0.581703	-7.4971	-2.24606	7.702196	0
-5.74437	-8.46237	-4.56791	12.44028	0
					-6.30244	-7.24723	-2.78877	12.42648	0
-6.79755	-6.55711	2.16454	13.11847	0
					-6.79755	-6.55711	2.16454	13.11847	0
-7.07999	-6.69486	-3.14385	13.6862	0
					-6.87088	-7.72241	-5.43816	15.85837	0
-6.87088	-7.72241	-5.43816	15.85837	0
					-5.15909	-7.85373	-3.97988	11.10196	0
-2.87084	-8.45649	0.973721	8.800262	0
					-2.87084	-8.45649	0.973721	8.800262	0
14.3089	-10.2407	13.3661	31.21704	1

由表1至表4数据可知，手机携带者在静止站立和漫步行走时，运动剧烈度的值较小，一般不会超过20；在剧烈运动时，如跌倒时，一瞬间运动剧烈度的值很大，而跑步时的运动剧烈度的也很大，对于特殊情况的老年人来说，也是一种危险行为。

本发明针对老年人监护设计，基于老年人不随便玩耍手机的前提。本发明可以能够判断智能手机的携带者，是否处在异常状态下，为行动缓慢的老年人群提供判别与预警的功能。本发明可以弥补现有视频监控方法的不足，以提高对老年人监护的监控范围，降低成本。

Claims (3)

1.一种基于手机加速度计和陀螺仪的老年人异常情况判定方法，其特征在于，该方法包括以下步骤：

步骤(1)：从智能手机中实时获取加速度传感器和陀螺仪传感器的数据；

步骤(2)：建立加速度数据处理模型：设三轴加速度值分别为Rac_x、Rac_y、Rac_z，三轴加速度的矢量和，即为加速度检测的矢量 矢量长度为确定手机旋转的角度是向量与X、Y、Z三个坐标轴之间的夹角α_x、α_y、α_z，通过cos()的反函数arccos()计算出所需的角度：α_x＝arccos(Rac_x/|Rac|),α_y＝arccos(Rac_y/|Rac|),α_z＝arccos(Rac_z/|Rac|)；

步骤(3)：建立陀螺仪数据处理模型；定义Rxz为加速度矢量在XZ平面上的投影，Ryz为加速度矢量在YZ平面上的投影，定义Z轴和Rxz、Ryz向量所成的夹角为α_xz、α_yz，陀螺仪输出陀螺仪修正加速度计的修正分量

$\stackrel{\→}{R}gy=\[{\mathrm{Rgy}}_x,{\mathrm{Rgy}}_y,{\mathrm{Rgy}}_z\],$

即为：

$\left\{\begin{array}{c}{\mathrm{Rgy}}_x=\frac{1}{\sqrt{1+\cot {\left({\mathrm{\α}}_{xz}\left(n\right)\right)}^2+\sec {\left({\mathrm{\α}}_{yz}\left(n\right)\right)}^2}}\\ {\mathrm{Rgy}}_y=\frac{1}{\sqrt{1+\cot {\left({\mathrm{\α}}_{yz}\left(n\right)\right)}^2+\sec {\left({\mathrm{\α}}_{xz}\left(n\right)\right)}^2}}\\ {\mathrm{Rgy}}_z=\sqrt{1-{{\mathrm{Rgy}}_x}^2-{{\mathrm{Rgy}}_y}^2}\end{array}\right.;$

步骤(4)：根据步骤(2)和步骤(3)所得的处理数据，计算出融合加速度计和陀螺仪的融合运动矢量

步骤(5)：根据融合运动矢量判定人的行为状态。

2.根据权利要求1所述的基于手机加速度计和陀螺仪的老年人异常情况判定方法，其特征在于：所述步骤(4)中，根据加速度计获得数据和陀螺仪得到的数值，得到融合后的更新数值 决策系数λ由单位采集时间Δt内加速度计的振幅和陀螺仪振幅的比值得到。

3.根据权利要求1所述的基于手机加速度计和陀螺仪的老年人异常情况判定方法，其特征在于：所述步骤(5)中，所述的行为状态判定方法由运动剧烈度Ex得到，Ex＝μ_x·|Rfu_x|+μ_y·|Rfu_y|+μ_z·|Rfu_z|，X、Y、Z三个方向的运动变化系数分别为μ_x、μ_y、μ_z，其中 ${\mathrm{\μ}}_x={\left(\frac{\left|{\mathrm{Rfu}}_x\right|}{m}\right)}^2,{\mathrm{\μ}}_y={\left(\frac{\left|{\mathrm{Rfu}}_y\right|}{m}\right)}^2,{\mathrm{\μ}}_z={\left(\frac{\left|{\mathrm{Rfu}}_z\right|}{m}\right)}^2,$ |Rfu_x|、|Rfu_y|、|Rfu_z|分别为矢量在x、y、z轴方向的投影长度；分量最大值m＝max(|Rfu_x|,|Rfu_y|,|Rfu_z|)，Th_e为异常动作阈值，若Ex>Th_e则判定为异常状态，以手机短信形式向监护人发送告警信息。