CN104392583A - 一种基于knn算法的跌倒检测与报警系统及方法 - Google Patents

Abstract

一种基于KNN算法的跌倒检测与报警系统及方法，属于电子信息领域。跌倒检测与报警的方法包括以下步骤：三轴加速度传感器和三轴陀螺仪分别实时采集人体活动中上躯干部位的三维加速度和三维角速度数据；微处理器计算合加速度与合角速度；蓝牙设备传输合加速度和合角速度数据到智能手机；智能手机初始化合加速度和合角速度数据滑动窗口；智能手机接收合加速度和合角速度数据；智能手机判断滑动窗口是否填满；智能手机计算测试样本与训练样本之间的距离，找出该测试样本的k个最近邻居；智能手机根据k个最近邻居判断是否发生跌倒；智能手机根据所设置的报警方式通知设定的联系人。本发明具有检测精度高、误警率低、实时检测、便携易用等特点。

Description

一种基于KNN算法的跌倒检测与报警系统及方法

技术领域

本发明涉及一种基于KNN算法的跌倒检测与报警系统及方法，属于电子检测技术领域。 

背景技术

目前人口老龄化程度的日益加剧，跌倒已经成为影响老年人健康的一个严重问题，它不仅严重影响了老年人的身体健康和独立生活能力，还造成了老年人心理上的负担和恐惧，有时造成的后果甚至是致命的。采取适当的措施进行跌倒检测报警可以使他们得到及时的救助，避免一些不必要的麻烦，同时也能减少医药开销。 

目前的针对老年人的跌倒检测方法主要分为三种：第一种是基于视频监测，在特定区域安装视频监视器，在该区域对人体进行跟踪监测；第二种是基于振动监测，在地面安装振动传感器，当振动传感器周围一定范围内人体跌倒时，振动传感器会振动；第三种是基于人体姿势和动作监测，人体跌倒前姿势和方向会发生变化，通过测定人体跌倒过程中各种物理量的变化，来判断人体是否跌倒。这几种方法各有利弊，基于视频监测和基于振动监测都受到环境和空间的限制，视频监测还涉及隐私的问题，振动监测的识别准确率不好，很容易造成误判。而基于人体姿态和动作的监测采用的是移动便携设备，环境和空间上没有受到限制，也能和现有的通信技术、检测技术相结合，更有利于老年人跌倒的检测。然而针对人体姿态和动作的监测，目前国内外的研究趋势主要是基于加速度阈值的判定，这种检测方法比较单一，造成的误警率比较高，也不具备通信功能，不能实时通知跌倒老人的亲属，确定跌倒位置。 

针对目前现有技术的缺陷，有必要提供一种简单易用、检测准确率高、误警率低并能进行实时监测的跌倒检测和报警系统。 

发明内容

本发明所解决的技术问题在于，提供一种基于KNN算法的跌倒检测与报警系统及方法，这种检测和报警方法简单，价格低廉，监测准确率高，误警率低，便携易用。 

本发明的技术方案在于： 

一种基于KNN算法的跌倒检测与报警方法，包括以下步骤： 

步骤1，三轴加速度传感器和三轴陀螺仪以采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据， 

其中a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度； 

步骤2，微处理器计算合加速度与合角速度  $\mathrm{\ω}=\sqrt{{{\mathrm{\ω}}_x}^2+{{\mathrm{\ω}}_y}^2+{{\mathrm{\ω}}_z}^2};$

步骤3，蓝牙设备传输合加速度和合角速度数据到智能手机； 

步骤4，智能手机对人体活动状态分类识别； 

步骤5，智能手机判断是否发生跌倒，若发生跌倒则执行步骤6，否则执行步骤1； 

步骤6，智能手机根据所设置的报警方式通知设定的联系人。 

其中步骤4具体包括以下步骤： 

步骤401，建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m，建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m； 

步骤402，以所述的采样频率f接收人体活动中上躯干部位的合加速度a与合角速度ω并分别依次存入滑动窗口acc[m]和angle[m]中； 

步骤403，判断滑动窗口acc[m]和angle[m]是否已经填满，没有则继续执行步骤402，否则执行步骤404； 

步骤404，计算测试样本与训练样本之间的距离，找出该测试样本的k个最近邻居； 

$D(t,d_i)=\sqrt{{({\mathrm{at}}_1-{\mathrm{ai}}_1)}^2+{({\mathrm{\ωt}}_1-{\mathrm{\ωi}}_1)}^2+\·\·\·+{({\mathrm{at}}_m-{\mathrm{ai}}_m)}^2+{({\mathrm{\ωt}}_m-{\mathrm{\ωi}}_m)}^2}$

其中，D(t，d_i)表示测试样本t与训练样本d_i之间的距离， 

at和ωt为当前时刻测试样本的合加速度与合角速度， 

ai和ωi为第i个训练样本的合加速度与合角速度。 

步骤405，根据k个最近邻居，判断当前时刻的测试样本所属运动类型，若属于“跌倒”类型，则根据步骤6中所述的报警方式进行报警，否则执行步骤402。 

步骤6中所设置的报警方式包括：智能手机向预设联系人号码拨打电话进行报警；或智能手机向预设联系人号码发送含有用户位置信息的短信进行报警。 

优选的，步骤1所述的三轴加速度传感器采用的是ADXL345。 

优选的，步骤1所述的三轴陀螺仪采用的是ITG-3200。 

优选的，步骤2所述的微处理器采用的是ATmega168PA-AU。 

优选的，步骤3所述的蓝牙设备采用的是BC04-B。 

优选的，步骤4-6所述的智能手机采用的是Android4.0手机。 

一种基于KNN算法的跌倒检测与报警系统，包括： 

采样模块，三轴加速度传感器和三轴陀螺仪以所述的采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据， 

其中a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度； 

处理模块，微处理器计算合加速度与合角速度  $\mathrm{\ω}=\sqrt{{{\mathrm{\ω}}_x}^2+{{\mathrm{\ω}}_y}^2+{{\mathrm{\ω}}_z}^2};$

传输模块，蓝牙设备传输合加速度数据和合角速度数据到所述的智能手机； 

识别模块，智能手机对人体活动状态分类识别； 

判断模块，所述的智能手机判断是否发生跌倒； 

通知模块，所述的智能手机根据设置的报警方式通知设定的联系人。 

其中所述的识别模块包括： 

初始化模块，智能手机建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m，建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m； 

采样模块，所述的智能手机以所述的采样频率f接收人体活动中上躯干部位的合加速度a与合角速度ω并分别依次存入滑动窗口acc[m]和angle[m]中； 

判定模块，所述的智能手机判断滑动窗口acc[m]和angle[m]是否已经填满，没有则继续进行合加速度和合角速度数据采集； 

计算模块，计算测试样本与训练样本之间的距离，找出该测试样本的k个最近邻居， 

$D(t,d_i)=\sqrt{{({\mathrm{at}}_1-{\mathrm{ai}}_1)}^2+{({\mathrm{\ωt}}_1-{\mathrm{\ωi}}_1)}^2+\·\·\·+{({\mathrm{at}}_m-{\mathrm{ai}}_m)}^2+{({\mathrm{\ωt}}_m-{\mathrm{\ωi}}_m)}^2}$

其中，D(t，d_i)表示测试样本t与训练样本d_i之间的距离， 

at和ωt为当前时刻测试样本的合加速度与合角速度， 

ai和ωi为第i个训练样本的合加速度与合角速度； 

报警模块，所述的智能手机根据k个最近邻居，判断当前时刻的测试样本所属运动类型，若属于“跌倒”类型，则根据所述的通知模块设定的报警方式进行报警，否则继续进行合加速度和合角速度数据采集。 

其中所述的通知模块中设置的报警方式包括：智能手机向预设联系人号码拨打电话进行报警；或智能手机向预设联系人号码发送含有用户位置信息的短信进行报警。 

优选的，所述的三轴加速度传感器采用的是ADXL345。 

优选的，所述的三轴陀螺仪采用的是ITG-3200。 

优选的，所述的微处理器采用的是ATmega168PA-AU。 

优选的，所述的蓝牙设备采用的是BC04-B。 

优选的，所述的智能手机采用的是Android4.0手机。 

本发明的有益效果为： 

1、本发明操作简单，检测方法没有受到环境和空间上的限制。 

2、本发明具备通信功能，能够实时通知跌倒老人的亲属，确定跌倒位置。 

3、本发明通过KNN跌倒检测算法对人体活动状态进行识别，检测准确率高、误警率低。 

4、本发明采用智能手机检测，方便小巧，便于携带。 

附图说明

图1为本发明一种基于KNN算法的跌倒检测与报警方法的流程图。 

图2为本发明中步骤4的流程图。 

图3为本发明一种基于KNN算法的跌倒检测与报警系统的结构图。 

具体实施方式

本发明是一种基于KNN算法的跌倒检测与报警方法，如图1所示，包括以下步骤： 

步骤1，三轴加速度传感器和三轴陀螺仪以100次/每秒的采样频率分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据， 

其中a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度； 

步骤2，微处理器计算合加速度与合角速度  $\mathrm{\ω}=\sqrt{{{\mathrm{\ω}}_x}^2+{{\mathrm{\ω}}_y}^2+{{\mathrm{\ω}}_z}^2};$

步骤3，蓝牙设备传输合加速度和合角速度数据到智能手机； 

步骤4，智能手机对人体活动状态分类识别； 

步骤5，智能手机判断是否发生跌倒，若发生跌倒则执行步骤6，否则执行步骤1； 

步骤6，智能手机根据所设置的报警方式通知设定的联系人。 

其中，步骤4具体包含以下几个步骤，如图2所示， 

步骤401，建立合加速度数据滑动窗口，用acc[200]表示，窗口长度为200，建立合角速度数据滑动窗口，用angle[200]表示，窗口长度为200； 

步骤402，以100次/每秒的采样频率接收人体活动中上躯干部位的合加速度a与合角速度ω并分别依次存入滑动窗口acc[200]和angle[200]中； 

步骤403，判断滑动窗口acc[200]和angle[200]是否已经填满，没有则继续执行步骤402，否则执行步骤404； 

步骤404，计算测试样本与训练样本之间的距离，找出该测试样本的5个最近邻居， 

$D(t,d_i)=\sqrt{{({\mathrm{at}}_1-{\mathrm{ai}}_1)}^2+{({\mathrm{\ωt}}_1-{\mathrm{\ωi}}_1)}^2+\·\·\·+{({\mathrm{at}}_m-{\mathrm{ai}}_m)}^2+{({\mathrm{\ωt}}_m-{\mathrm{\ωi}}_m)}^2}$

其中，D(t，d_i)表示测试样本t与训练样本d_i之间的距离， 

at和ωt为当前时刻测试样本的合加速度与合角速度， 

ai和ωi为第100个训练样本的合加速度与合角速度； 

步骤405，根据5个最近邻居，判断当前时刻的测试样本所属运动类型，若属于“跌倒”类型，则根据步骤6中所述的报警方式进行报警，否则执行步骤402。 

本发明实施例的一种基于KNN算法的跌倒检测与报警系统，如图3所示，系统包括以下几个模块： 

采集模块，三轴加速度传感器和三轴陀螺仪以100次/每秒的采样频率分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据， 

其中a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度； 

处理模块，微处理器计算合加速度与合角速度  $\mathrm{\ω}=\sqrt{{{\mathrm{\ω}}_x}^2+{{\mathrm{\ω}}_y}^2+{{\mathrm{\ω}}_z}^2};$

传输模块，蓝牙设备传输合加速度数据和合角速度数据到智能手机； 

识别模块，所述的智能手机对人体活动状态分类识别； 

判断模块，所述的智能手机判断是否发生跌倒； 

通知模块，所述的智能手机根据设置的报警方式通知设定的联系人。 

其中，识别模块具体包括以下几个模块： 

初始化模块，智能手机建立合加速度数据滑动窗口，用acc[200]表示，窗口长度为200，建立合角速度数据滑动窗口，用angle[200]表示，窗口长度为200； 

采样模块，所述的智能手机以100次/每秒的采样频率接收人体活动中上躯干部位的合加速度a与合角速度ω并分别依次存入滑动窗口acc[200]和angle[200]中； 

判定模块，所述的智能手机判断滑动窗口acc[200]和angle[200]是否已经填满，没有则继续进行合加速度和合角速度数据采集； 

计算模块，计算测试样本与训练样本之间的距离，找出该测试样本的5个最近邻居， 

$D(t,d_i)=\sqrt{{({\mathrm{at}}_1-{\mathrm{ai}}_1)}^2+{({\mathrm{\ωt}}_1-{\mathrm{\ωi}}_1)}^2+\·\·\·+{({\mathrm{at}}_m-{\mathrm{ai}}_m)}^2+{({\mathrm{\ωt}}_m-{\mathrm{\ωi}}_m)}^2}$

其中，D(t，d_i)表示测试样本t与训练样本d_i之间的距离， 

at和ωt为当前时刻测试样本的合加速度与合角速度， 

ai和ωi为第100个训练样本的合加速度与合角速度； 

报警模块，所述的智能手机根据5个最近邻居，判断当前时刻的测试样本所属运动类型，若属于“跌倒”类型，则根据所述的通知模块设定的报警方式进行报警，否则继续进行合加速度和合角速度数据采集。 

本实施例的三轴加速度传感器采用Analog Devices公司的ADXL345，其测量范围是±16g；三轴陀螺仪采用InvenSense公司的ITG3200，其测量范围是±2000°/s；微处理器采用Atmel公司的ATmega168PA-AU；蓝牙模块采用CSR公司的BC04-B，其有效通讯距离为10米，波特率为115200bps；传感器采样频率为100Hz；智能手机运行Android4.0系统。 

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (8)

1.一种基于KNN算法的跌倒检测与报警方法，其特征在于，包括以下步骤：

步骤1，三轴加速度传感器和三轴陀螺仪以采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据，

其中a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度；

步骤2，微处理器计算合加速度与合角速度 $\mathrm{\ω}=\sqrt{{{\mathrm{\ω}}_x}^2+{{\mathrm{\ω}}_y}^2+{{\mathrm{\ω}}_z}^2};$

步骤3，蓝牙设备传输合加速度和合角速度数据到智能手机；

步骤4，智能手机对人体活动状态分类识别；

步骤5，智能手机判断是否发生跌倒，若发生跌倒则执行步骤6，否则执行步骤1；

步骤6，智能手机根据所设置的报警方式通知设定的联系人。

2.根据权利要求1所述的一种基于KNN算法的跌倒检测与报警方法，其特征在于，步骤4具体包括以下步骤：

步骤401，建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m，建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m；

步骤402，以所述的采样频率f接收人体活动中上躯干部位的合加速度a与合角速度ω并分别依次存入滑动窗口acc[m]和angle[m]中；

步骤403，判断滑动窗口acc[m]和angle[m]是否已经填满，没有则继续执行步骤402，否则执行步骤404；

步骤404，计算测试样本与训练样本之间的距离，找出该测试样本的k个最近邻居，

$D(t,d_i)=\sqrt{{({\mathrm{at}}_1-{\mathrm{ai}}_1)}^2+{({\mathrm{\ωt}}_1-{\mathrm{\ωi}}_1)}^2+...+{({\mathrm{at}}_m-{\mathrm{ai}}_m)}^2+{({\mathrm{\ωt}}_m-{\mathrm{\ωi}}_m)}^2}$

其中，D(t，d_i)表示测试样本t与训练样本d_i之间的距离，

at和ωt为当前时刻测试样本的合加速度与合角速度，

ai和ωi为第i个训练样本的合加速度与合角速度；

步骤405，根据k个最近邻居，判断当前时刻的测试样本所属运动类型，若属于“跌倒”类型，则根据步骤6中所述的报警方式进行报警，否则执行步骤402。

3.根据权利要求1所述的一种基于KNN算法的跌倒检测与报警方法，其特征在于，步骤6中所设置的报警方式包括：

智能手机向预设联系人号码拨打电话进行报警；

或智能手机向预设联系人号码发送含有用户位置信息的短信进行报警。

4.根据权利要求1所述的一种基于KNN算法的跌倒检测与报警方法，其特征在于，

步骤1所述的三轴加速度传感器采用的是ADXL345；

步骤1所述的三轴陀螺仪采用的是ITG-3200；

步骤2所述的微处理器采用的是ATmega168PA-AU；

步骤3所述的蓝牙设备采用的是BC04-B；

步骤4-6所述的智能手机采用的是Android4.0手机。

5.一种基于KNN算法的跌倒检测与报警系统，其特征在于，包括：

采集模块，三轴加速度传感器和三轴陀螺仪以所述的采样频率f分别实时采集人体活动中上躯干部位的三维加速度a_x、a_y、a_z数据和三维角速度ω_x、ω_y、ω_z数据，

其中a_x为沿x轴方向的加速度，a_y为沿y轴方向的加速度，a_z为沿z轴方向的加速度，ω_x为沿x轴方向的角速度，ω_y为沿y轴方向的角速度，ω_z为沿z轴方向的角速度；

处理模块，微处理器计算合加速度与合角速度 $\mathrm{\ω}=\sqrt{{{\mathrm{\ω}}_x}^2+{{\mathrm{\ω}}_y}^2+{{\mathrm{\ω}}_z}^2};$

传输模块，蓝牙设备传输合加速度数据和合角速度数据到智能手机；

识别模块，所述的智能手机对人体活动状态分类识别；

判断模块，所述的智能手机判断是否发生跌倒；

通知模块，所述的智能手机根据设置的报警方式通知设定的联系人。

6.根据权利要求5所述的一种基于KNN算法的跌倒检测与报警系统，其特征在于，识别模块包括：

初始化模块，智能手机建立合加速度数据滑动窗口，用acc[m]表示，窗口长度为m，建立合角速度数据滑动窗口，用angle[m]表示，窗口长度为m；

采样模块，所述的智能手机以所述的采样频率f接收人体活动中上躯干部位的合加速度a与合角速度ω并分别依次存入滑动窗口acc[m]和angle[m]中；

判定模块，所述的智能手机判断滑动窗口acc[m]和angle[m]是否已经填满，没有则继续进行合加速度和合角速度数据采集；

计算模块，计算测试样本与训练样本之间的距离，找出该测试样本的k个最近邻居，

$D(t,d_i)=\sqrt{{({\mathrm{at}}_1-{\mathrm{ai}}_1)}^2+{({\mathrm{\ωt}}_1-{\mathrm{\ωi}}_1)}^2+...+{({\mathrm{at}}_m-{\mathrm{ai}}_m)}^2+{({\mathrm{\ωt}}_m-{\mathrm{\ωi}}_m)}^2}$

其中，D(t，d_i)表示测试样本t与训练样本d_i之间的距离，

at和ωt为当前时刻测试样本的合加速度与合角速度，

ai和ωi为第i个训练样本的合加速度与合角速度；

报警模块，所述的智能手机根据k个最近邻居，判断当前时刻的测试样本所属运动类型，若属于“跌倒”类型，则根据所述的通知模块设定的报警方式进行报警，否则继续进行合加速度和合角速度数据采集。

7.根据权利要求5所述的一种基于KNN算法的跌倒检测与报警系统，其特征在于，所述的通知模块中设置的报警方式包括：

智能手机向预设联系人号码拨打电话进行报警；

或智能手机向预设联系人号码发送含有用户位置信息的短信进行报警。

8.根据权利要求5所述的一种基于KNN算法的跌倒检测与报警系统，其特征在于，

所述的三轴加速度传感器采用的是ADXL345；

所述的三轴陀螺仪采用的是ITG-3200；

所述的微处理器采用的是ATmega168PA-AU；

所述的蓝牙设备采用的是BC04-B；

所述的智能手机采用的是Android4.0手机。