CN104637242A - 一种基于多分类器集成的老人跌倒检测方法及系统 - Google Patents
一种基于多分类器集成的老人跌倒检测方法及系统 Download PDFInfo
- Publication number
- CN104637242A CN104637242A CN201310558923.4A CN201310558923A CN104637242A CN 104637242 A CN104637242 A CN 104637242A CN 201310558923 A CN201310558923 A CN 201310558923A CN 104637242 A CN104637242 A CN 104637242A
- Authority
- CN
- China
- Prior art keywords
- falling
- fall
- module
- sensor
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000010354 integration Effects 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 32
- 238000012706 support-vector machine Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000003116 impacting effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 208000014674 injury Diseases 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于多分类器集成的老人跌倒检测方法及系统，该方法包括步骤：采集每个传感器信息；跌倒方向预测，跌倒压力预测，跌倒声音预测，跌倒误判预测；构造跌倒特征向量，其由四个预测结果构成；调用分类器实现集成跌倒预测；输出跌倒判别结果。本发明涉及一种基于多分类器集成的老人跌倒检测系统，其特征在于，所述的系统包括：传感器信息采集模块，跌倒方向预测模块，跌倒压力预测模块，跌倒声音预测，跌倒误判预测模块；构造跌倒特征向量模块；集成跌倒预测模块，集成跌倒预测模型学习模块，跌倒预警模块，跌倒档案管理模块。本发明的效果是跌倒检测准确率高，跌倒呼救及时，成本低，携带方便。
Description
技术领域
本发明涉及一种基于多分类器集成的老人跌倒检测方法及系统，属于医疗健康、机器学习和移动互联网技术领域。
背景技术
我国社会的老龄化问题日益加剧，其中老年人的健康安全监护问题的需求日益增加。卫生部2007 年公布的《中国伤害预防报告》指出，老年人意外伤害的首要原因是跌倒。近据调查，49.7%的城市老人独自居住；每年有25%的70岁以上老人在家中发生跌倒。在跌倒后人们会面临双重危险，首先是跌倒本身直接造成的人体伤害，其次是如果跌倒后不能得到及时的救助，可能会导致更加严重的后果，因此跌倒是老年人群伤残、失能和死亡的重要原因之一，严重影响老年人日常生活能力、身体健康及精神状态，会给老年人造成巨大伤害，伤痛、慢性病急性发作、生活质量急剧下降及沉重的医疗负担往往接踵而至，会给家庭和社会增加了巨大的负担。另外不仅是对老人，在很多其他情况下，跌倒的报警也是非常有帮助的，尤其是从比较高的地方跌倒下来的时候。比如人们在登山，建筑，擦窗户，刷油漆和修理屋顶的时候。因此，如何预知老人跌倒的风险并最大限度地减少跌伤程度，往往是亲属们最为关心的问题，能够随时检测老年人跌倒事件的发生，让老年人能够及时获得救治就显得极为重要。这导致了跌倒检测系统研制的兴起和重视，它能够有效检测老年人是否发生跌倒并及时报警，保护了老年人群的健康与安全。例如2010 年，飞利浦公司推出了Lifeline 紧急医疗救援系统，拥有项链式、手表式造型，可以随身佩戴，能及时准确地检测到老人因意外或突发疾病而发生的跌倒并连接中心请求救援，为老人提供了生命保障。2012 年，深圳爱福莱科技有限公司推出了“跌倒自动求救手机”爱福莱A03，它能够在老人发生跌倒时自动侦测、自动定位、自动报警和自动求救，最大限度地保障了老人独居和外出期间的健康安全。
跌倒方案大多只是利用了加速度传感器，少部分结合了1到2个传感器，有一定的误报率，本发明专利融合了更多的传感器。第2点，以前跌倒识别方法只使用单分类器完成跌倒，本发明采用多分类器多步完成独立跌倒识别，最后集成完成跌倒识别。因此虽然目前已有不少研究机构和公司推出了跌倒检测产品，但目前跌倒检测系统存在的主要问题是检测的准确率不高，存在一定的误判率。
发明内容
本发明要解决的技术问题是：跌倒检测方法及系统的跌倒检测的准确率不高，存在较多误判情况。
本发明涉及一种基于多分类器集成的老人跌倒检测方法，其特征在于该方法包括以下步骤：
[1] 跌倒方向预测，根据检测跌倒方向的变化预测跌倒；
[2] 跌倒压力预测，根据跌倒时的气压和撞击地面的压力预测跌倒；
[3] 跌倒声音预测，根据跌倒时候的声音，包括撞击地面的声音和人体发出的声音，预测跌倒；
[4] 跌倒误判预测，根据采集的人体检测传感器信息，判断人体是否在人体传感器附近，预防误判；
[5] 构造跌倒特征向量，其由以上四步完成的预测结果构成；
[6] 跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒，输出预测结果。
步骤[1] 跌倒方向预测包括以下步骤：
a) 采集三轴加速度传感器、陀螺仪、地磁传感器信息；
b) 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量；
c) 构造跌倒方向特征向量，其组合所构造的传感器特征向量；
d) 采用分类器预测跌倒，输出结果v1。
步骤[2] 跌倒压力预测包括以下步骤：
a) 采集气压传感器、压力传感器信息；
b) 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量；
c) 构造跌倒压力特征向量；
d) 采用分类器预测跌倒，输出结果v2。
步骤[3] 跌倒声音预测包括以下步骤：
a) 采集跌倒时的声音传感器信息；
b) 构造跌倒声音特征向量；
c) 采用分类器预测跌倒，输出结果v3。
步骤[4] 跌倒误判预测包括以下步骤：
a) 采集人体检测传感器信息；
b) 预测是否检测到人体，输出结果v4。
步骤[5] 构造跌倒特征向量 ，其中为四个分类器单独对跌倒判断时的准确率，其为权重要，为四个分类器的输出值，跌倒为1，否则为0。
步骤[6] 跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒。
进一步，所诉的分类器包括支持向量机，集成分类器Adaboost，旋转森林分类器。所述的分类器都需要准备跌倒样本（跌倒特征向量，跌倒类别）训练集，跌倒类别为：跌倒为1，否则为0。
一种基于多分类器集成的老人跌倒检测系统，其特征在于，所述的系统包括：一个跌倒训练样本数据库，存储很多跌倒特征向量及跌倒类别的训练样本。一个跌倒档案数据库，用以储存跌倒时的每个传感器特征向量，跌倒特征向量，跌倒预警信息，和跌倒预警时间。系统还包括模块：传感器信息采集模块，传感器特征向量构造模块，跌倒特征向量构造模块，特征选择模块，跌倒识别模块，跌倒识别模型学习模块，跌倒预警模块，跌倒档案管理模块，其中传感器信息采集模块的输出与传感器特征向量构造模块的输入连接，传感器特征向量构造模块的输出与跌倒特征向量构造模块的输入连接，跌倒特征向量构造模块的输出与特征选择模块的输入连接，特征选择模块的输出与跌倒识别模块的输入连接，跌倒识别模型的学习模块的输出与跌倒识别模块的输入连接，跌倒识别模块的输出与跌倒预警模块的输入连接，跌倒预警模块的输出与跌倒档案管理模块的输入连接。其中跌倒识别模型学习模块离线独立在计算机上运行。
有益效果
与现有技术相比，本发明一种基于多传感器融合的老人跌倒检测方法及系统具有以下优点：
[1] 采用了多种传感器以及鲁棒分类器，跌倒检测的准确率高；
[2] 跌倒检测系统能够运行在智能手机上，仅使用日用手机就能检测用户是否跌倒，方便易用；
[3] 跌倒预警与移动通讯相结合，对用户所在位置和时间进行锁定，呼救及时。
附图说明
图1 一种基于多分类器集成的老人跌倒检测方法流程图；
图2 一种基于多分类器集成的老人跌倒检测系统结构图。
具体实施方式
本发明提出的一种基于多分类器集成的老人跌倒检测方法及系统，结合附图和实施例说明如图1。如图1 所示，为一种基于多分类器集成的老人跌倒检测方法流程图，该方法包括以下步骤：
[1] 跌倒方向预测，根据检测跌倒方向的变化预测跌倒
[2] 跌倒压力预测，根据跌倒时的气压和撞击地面的压力预测跌倒
[3] 跌倒声音预测，根据跌倒时候的声音，包括撞击地面的声音和人体发出的声音，预测跌倒
[4] 跌倒误判预测，根据采集的人体检测传感器信息，判断人体是否在人体传感器附近，预防误判；
[5] 构造跌倒特征向量，其由以上四步完成的预测结果构成
[6] 跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒，输出预测结果。
步骤[1] 跌倒方向预测包括以下步骤
a) 采集三轴加速度传感器、陀螺仪、地磁传感器信息。三轴加速度传感器：个体运动时，会在三个正交方向产生不同的加速度，这些加速度的变化值可用来判断身体姿态的变化，是判断个体是否发生跌倒的依据。陀螺仪：现代陀螺仪可以精确地确定运动物体的方位，可以通过陀螺仪获取人体运动方位的变化来判断跌倒。地磁传感器：采用法拉第电磁感应定律，即线圈切割地磁场磁力线产生感应电动势的原理，主要用途是感应姿态的变化。当跌倒时会导致地磁信息变化，进而作为姿态变化的判断依据；
b) 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量。其中三轴加速度传感器，每轴测量范围从几g到几十g不等，因此三轴加速度传感器的输出是构成三维特征向量。三轴陀螺仪，能够测量沿三个轴运动的角速度，形成三维特征向量。将加速度计与陀螺仪相结合，就能得到既纯净又反应敏捷的输出。地磁传感器，通过给出在X轴，Y轴和Z轴上的地磁力投影，可以提供活动物体的航向角 、俯仰角和横滚角，从而可以确定物体的姿态，形成6维特征向量。例如在地磁传感器HMC5883的内部一共有12组寄存器，其中用于存放X、Y、Z三轴数据的寄存器有6个；
c) 构造跌倒方向特征向量，其组合所构造的传感器特征向量；
d) 采用分类器预测跌倒，输出结果v1。所诉的分类器包括支持向量机，集成分类Adaboost，旋转森林分类器。进一步，所述的分类器都需要准备跌倒样本（跌倒特征向量，跌倒类别）训练集，跌倒类别为：跌倒为1，否则为0。
步骤[2] 跌倒压力预测包括以下步骤
a) 采集气压传感器、压力传感器信息。压力传感器：个体跌倒着地时，传感器撞击地面，会发生振动，从而会产生压力，可检测出撞击地面的压力值作为判断跌倒的依据。气压传感器：能够测量不同高度的大气压力，可用于判断人体所处的位置以及跌倒检测仪的高度变化，另外气压本身是环境的一部分，环境也是导致跌倒的一个因素，从而气压提供了检测跌倒的依据；
b) 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量。压力传感器：输出一个压力值（撞击时产生的最大压力），形成一个一维的特征向量。气压传感器，输出为数字信号为大气压值，正常与跌倒时的大气压差形成一个一维的特征向量；
c) 采用分类器预测跌倒，输出结果v2。所诉的分类器包括支持向量机，集成分类Adaboost，旋转森林分类器。进一步，所述的分类器都需要准备跌倒样本（跌倒特征向量，跌倒类别）训练集，跌倒类别为：跌倒为1，否则为0。
步骤[3] 跌倒声音预测包括以下步骤
a) 采集跌倒时的声音传感器信息。声音传感器：人体跌倒时与地面发生撞击时会产生声音，老人摔到时也会发出声音。例如人体在跌落过程中与地面发生撞击的声音频率多数小于200Hz，这可以作为跌倒判断依据；
b) 构造跌倒声音特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量。声音传感器，输出声音信号，提取声音特征，形成特征向量。提取的声音特征包括短时过零率，短时能量，基音频率，共振峰，谐波噪声比，MFCC参数，一阶MFCC参数，二阶MFCC参数，LPC倒谱系数，线性预测系数，子带能量，和频率中心的平均值，标准方差，最大值，和最小值；
c) 采用分类器预测跌倒，输出结果v3。所诉的分类器包括支持向量机，集成分类Adaboost，旋转森林分类器。进一步，所述的分类器都需要准备跌倒样本（跌倒特征向量，跌倒类别）训练集，跌倒类别为：跌倒为1，否则为0。
步骤[4] 跌倒误判预测包括以下步骤：
a) 采集人体检测传感器信息。红外线传感器：能够检测出人体发出的红外线信息，可以用它来判断跌倒检测仪是否穿戴在人身上，若检测不到红外信息，表示人体没有穿戴跌倒检测仪，因而不能判定为跌倒，以免误判。可以用它作为防止误判的依据。红外传感器：利用远红外线范围的感度作为人体检出用，红外线的波长比可见光长而比电波短。人体的体温约为36～37°C，所放射出峰值为9～10μm的远红外线。输出数值一个一维的特征向量，用于搜索和跟踪人体红外目标，确定其空间位置并对它的运动进行跟踪；
b) 预测是否检测到人体，输出结果v4。若检测到人体，v4=1，否则v4=0。
步骤[5] 构造跌倒特征向量，其中为四个分类器单独对跌倒判断时的准确率，其为权重要，为四个分类器的输出值，跌倒为1，否则为0。
步骤[6] 跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒。所诉的分类器包括支持向量机，集成分类Adaboost，旋转森林分类器。进一步，所述的分类器都需要准备跌倒样本（跌倒特征向量，跌倒类别）训练集，跌倒类别为：跌倒为1，否则为0。
实施案例1：采用支持向量机分类器识别跌倒
支持向量机 (Support Vector Machine, SVM)实现人脸表情自动识别。SVM是近几年刚发展起来的一种分类方法，它基于结构风险最小化原则,具有良好的泛化能力。给定训练样本集，其中为输入向量，为对应的类别，SVM在特征空间中寻找能将两类样本正确分开的最优分界超平面。对于输入空间中的向量，假如使用表示其在特征空间中对应的特征向量，则最优分界超平面表示为。相应的决策方程为。在任何情况下，SVM并不要求知道映射Ф。 引入核函数，特征空间中向量间的点积能在输入空间中通过核函数表示为。
训练SVM等价于求解如下最优化问题：
这是正定的二次规划问题，目标方程由拉格朗日乘子向量a决定。一旦向量a已知，决策方程中的权重向量w和阈值b能够通过KKT条件容易地计算出来。KKT条件是上述二次规划问题的充分必要条件。定义：
则KKT条件为：
其中不为零对应的样本就是支持向量，它们通常只是全体样本中的少部分。计算出支持向量后，便得到决策函数：
其中S为支持向量集合。决策函数中常用核函数有：多项式核、径向基核函数（RBF）、Sigmoid核函数等。本实施案例选择径向基核函数RBF作为核函数，以预测性能为准则，以10倍交叉验证方式选择SVM的合适参数，进而获得对应的SVM分类模型。
SVM分类模型的获取过程包含以下步骤：
a) 采集1000个跌倒特征向量及对应的跌倒类别的数据样本；
b) 构造训练数据，以跌倒特征向量为输入，其对应的跌倒类别为输出，构成训练样本集合；
c) 采用训练样本集合，训练SVM分类器；
d) 以10倍交叉验证方式选择SVM分类器的最佳参数，进而获得对应参数的SVM分类模型。
实施案例2：采用集成分类器AdaBoost识别跌倒
AdaBoost分类器是数据挖掘中十大分类算法之一，具有速度快、简单等优点，除了迭代次数外不需调整参数，不需要弱分类器的先验知识。给定足够数据以及一个中等精度的弱分类器，它可以把该弱分类器提升为强分类器，从而提高识别效果。
AdaBoost分类器中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，即对于n 个样本，在此样本分布下训练出一个弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过 T 次循环，得到 T 个弱分类器，把这 T 个弱分类器按一定的权重叠加（boost）起来，就得到最终想要的强分类器。最终的分类规则为加权投票法。
AdaBoost分类算法
给定训练样本集，其中为输入向量，为对应的类别：
a) 初始化n个样本的权值，假设样本分布为均匀分布： =1/m，(i)表示在第t轮迭代中赋给样本的权值。令T表示迭代的次数；
b) For t=1 to T
根据样本分布，通过对训练集S进行抽样（有回放）产生训练集，
在训练集上训练SVM分类器，
用分类器对训练集S中的所有样本分类，
得到本轮的分类器的分类误差，
令，
更新每个样本的权值，
，
其中，是一个正规因子，用来确保，
End For
c) 最终的预测输出为：。
实施案例 3：采用旋转森林分类器识别跌倒
旋转森林是Juan J. Rodriguez等人提出的基于特征提取方法的一种集成学习方法(Rodrignez J J et al, Rotation forest:a new classifier ensemble method, TPAMI, 2006)。该方法首先会对特征集合进行随机的划分成k个子集，其中k是算法的一个参数。然后在每个划分的子集上应用主成分分析方法（Principal component Analysis, PCA）。方法中为了能够保留数据的信息，会将所有的主成分保留下来。使用基于主成分分析坐标轴方法有两个目的：提高个分类器的性能和提高所有分类器的多样性。决策树方法被选做基分类器方法，所以该集成方法被称作“旋转森林”,选决策树作为基分类器的原因是对旋转操作具有敏感性而且旋转操作后还能保持较好的分类准确率。该方法的具体描述如下：
设为n维特征空间中的样本点，阶矩阵X为训练样本集合，为相应的类标记，其中属于类标记的集合，为n维特征的集合。假设表示共L个基分类器，则得到分类器的训练集步骤为：
a) 随机划分特征集为k个不相交的子集。假设总共具有n个特征，则每个子集中包含的特征数为M=n/k；
b) 设为对分类器划分特征空间得到的第j个子集。首先，在每个得到的特征子集上随机抽取训练样本集X中各个类中的样本的75%组在一个样本子集；然后在X的选取子集和特征的选取子集上进行主成分分析，保存主成分分析协方差，其中每个协方差为向量。由于特征值可能为0，所以不一定会得到所有M个向量，即。在每一个类对应的样本子集上进行主成分分析而不是在所有样本集的原因是避免在同一个特征子集下对不同的分类器产生相同的协方差；
c) 将所有的得到的协方差向量组成一个稀疏的“旋转”矩阵：
其中，旋转矩阵的维度为为得到分类器的训练集，首先重排列旋转矩阵的列（即特征）使其与原特征相对应。重排列的旋转矩阵由表示，具有维。则得到分类器的训练集为。获得若干分类器后，对测试数据的分类，则采用多分类器投票决定。
如图2 所示，为一种基于多传感器信息融合的跌倒预警系统结构图，其特征在于，所述的系统包括：一个跌倒训练样本数据库211，存储很多跌倒特征向量及跌倒类别（跌倒和非跌倒两个类别）的训练样本。一个跌倒档案数据库212，用以储存跌倒时的传感器特征向量，跌倒特征向量，对应的预警信息，时间和地点。系统还包括模块：传感器信息采集模块201，跌倒方向预测模块202，跌倒压力预测模块203，跌倒声音预测204，跌倒误判预测模块205；构造跌倒特征向量模块206；集成跌倒预测模块207，集成跌倒预测模型学习模块210，跌倒预警模块208，跌倒档案管理模块209。其中传感器信息采集模块201的输出分别与跌倒方向预测模块202、跌倒压力预测模块203、跌倒声音预测204、跌倒误判预测模块205的输入连接，模块202、203、204、205的输出与跌倒特征向量构造模块206的输入连接，跌倒特征向量构造模块206的输出与跌倒识别模块205的输入连接，跌倒识别模型的学习模块206的输出与集成跌倒预测模块207的输入连接，集成跌倒预测模块207的输出与跌倒预警模块208的输入连接，跌倒预警模块208的输出与跌倒档案管理模块209的输入连接。其中集成跌倒预测模型学习模块210是离线独立运行的，只运行一次。
[1] 传感器信息采集模块201，检测可用的传感器，并采集每个传感器的信息，传感器均采用数字传感器。
[2] 跌倒方向预测模块202，根据检测跌倒方向的变化预测跌倒。
[3] 跌倒压力预测模块203，根据跌倒时的气压和撞击地面的压力预测跌倒。
[4] 跌倒声音预测模块204，根据跌倒时候的声音，包括撞击地面的声音和人体发出的声音，预测跌倒。
[5] 跌倒误判预测模块205，根据采集的人体检测传感器信息，判断人体是否在人体传感器附近，预防误判。
[6] 跌倒特征向量构造模块206，合并四步完成的预测结果构成，形成一个整体的跌倒特征向量。
[7] 集成跌倒预测模块207，采用跌倒识别的分类器如支持向量机分类模型对跌倒特征向量分类，获得是否跌倒的结论。
[8] 集成跌倒预测模型学习模块210，采用跌倒识别训练样本数据库211中的数据训练支持向量机分类器，获得跌倒识别的支持向量机分类模型。
[9] 跌倒预警模块208，若跌倒识别结果为跌倒，则生成预警信息，并发送短信和拨打电话到预先指定的手机，同时发送到服务器，完成情感健康的监控。
[10] 跌倒档案管理模块209，将时间，传感器采集的信息，跌倒特征向量，预警信息等信息保存到跌倒档案数据库212，并能查询跌倒档案数据库212的历史记录。
实施案例1
图2所述的系统模块全部在Android智能手机上实现。Android平台提供了应用程序框架，提供了很多传感器、语音识别、桌面组件开发、Android游戏引擎设计、Android应用优化等各类开发工具，提供了对音频、视频和图片等多媒体的支持，提供了用于结构化数据存储的关系型数据库SQLite3。因此本实施案例采用Android平台开发，采用SQLite3管理数据库。
实施案例2
图2所述的系统模块采用客户端/服务器方式实现。Android智能手机上实现模块：传感器信息采集模块201，跌倒方向预测模块202，跌倒压力预测模块203，跌倒声音预测204，跌倒误判预测模块205；构造跌倒特征向量模块206；集成跌倒预测模块207，跌倒预警模块208。服务器上实现模块：集成跌倒预测模型学习模块210，跌倒档案管理模块209，保存一个跌倒训练样本数据库211和一个跌倒档案数据库212。实施案例中的服务器采用J2EE平台， WEB服务器采用Tomcat等实现，采用MYSQL数据库实现数据库管理。
本领域的普通技术人员应当理解，本发明的技术方案可以进行修改，变形或等同变换，而不脱离本发明技术方案的本质和范围，均覆盖在本发明的权利要求范围之中。
Claims (10)
1.一种基于多分类器集成的老人跌倒检测方法，其特征在于，该方法包括以下步骤：[1]跌倒方向预测，根据检测跌倒方向的变化预测跌倒；[2]跌倒压力预测，根据跌倒时的气压和撞击地面的压力预测跌倒；[3]跌倒声音预测，根据跌倒时候的声音，包括撞击地面的声音和人体发出的声音，预测跌倒；[4]跌倒误判预测，根据采集的人体检测传感器信息，判断人体是否在人体传感器附近，预防误判；[5]构造跌倒特征向量，其由以上四步完成的预测结果构成；[6]跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒，输出预测结果。
2.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[1] 包括以下步骤：（a）采集三轴加速度传感器、陀螺仪、地磁传感器信息；（b）构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量；（c）构造跌倒方向特征向量，其组合所构造的传感器特征向量；（d）采用分类器预测跌倒，输出结果v1。
3.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[2] 包括以下步骤：（a）采集气压传感器、压力传感器信息；（b）构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量；（c）构造跌倒压力特征向量；（d）采用分类器预测跌倒，输出结果v2。
4.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[3] 包括以下步骤：（a）采集跌倒时的声音传感器信息；（b）构造跌倒声音特征向量；（c）采用分类器预测跌倒，输出结果v3。
5.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[4] 包括以下步骤：（a）采集人体检测传感器信息；（b）预测是否检测到人体，输出结果v4。
6.根据权利要求5 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤a)采用红外传感器实现人体检测。
7.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[5] 为构造跌倒特征向量 ，其中为四个分类器单独对跌倒判断时的准确率，其为权重要，为四个分类器的输出值，跌倒为1，否则为0。
8.根据权利要求1所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[1][2][3]和[5] 采用的分类器是集成分类器Adaboost，其弱分类器采用支持向量机。
9.根据权利要求2~4所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[1][2][3]和[5]采用的分类器是旋转森林分类器。
10.一种基于多分类器集成的老人跌倒检测系统，其特征在于，其特征在于所述的系统采用所述的一种基于多分类器集成的老人跌倒检测方法实现，系统包括：一个跌倒训练样本数据库，存储很多跌倒特征向量及跌倒类别的训练样本；一个跌倒档案数据库，用以储存跌倒时的每个传感器特征向量，跌倒特征向量，跌倒预警信息，和跌倒预警时间；系统还包括模块：传感器信息采集模块，传感器特征向量构造模块，跌倒特征向量构造模块，特征选择模块，跌倒识别模块，跌倒识别模型学习模块，跌倒预警模块，跌倒档案管理模块，其中传感器信息采集模块的输出与传感器特征向量构造模块的输入连接，传感器特征向量构造模块的输出与跌倒特征向量构造模块的输入连接，跌倒特征向量构造模块的输出与特征选择模块的输入连接，特征选择模块的输出与跌倒识别模块的输入连接，跌倒识别模型的学习模块的输出与跌倒识别模块的输入连接，跌倒识别模块的输出与跌倒预警模块的输入连接，跌倒预警模块的输出与跌倒档案管理模块的输入连接，其中跌倒识别模型学习模块离线独立在计算机上运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310558923.4A CN104637242A (zh) | 2013-11-12 | 2013-11-12 | 一种基于多分类器集成的老人跌倒检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310558923.4A CN104637242A (zh) | 2013-11-12 | 2013-11-12 | 一种基于多分类器集成的老人跌倒检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104637242A true CN104637242A (zh) | 2015-05-20 |
Family
ID=53215937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310558923.4A Pending CN104637242A (zh) | 2013-11-12 | 2013-11-12 | 一种基于多分类器集成的老人跌倒检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104637242A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875630A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
| CN106887115A (zh) * | 2017-01-20 | 2017-06-23 | 安徽大学 | 一种老人跌倒监测装置及跌倒风险评估方法 |
| CN106910314A (zh) * | 2017-02-03 | 2017-06-30 | 同济大学 | 一种基于体形的个性化跌倒检测方法 |
| CN106991790A (zh) * | 2017-05-27 | 2017-07-28 | 重庆大学 | 基于多模特征分析的老人摔倒实时监测方法及系统 |
| CN107137090A (zh) * | 2017-05-24 | 2017-09-08 | 深圳先进技术研究院 | 一种跌倒识别方法及装置、用户设备 |
| CN107933476A (zh) * | 2017-11-14 | 2018-04-20 | 苏州数言信息技术有限公司 | 通用的车内乘客防遗忘的传感装置的实现方法和系统 |
| CN110895671A (zh) * | 2018-09-13 | 2020-03-20 | 纬创资通股份有限公司 | 跌倒检测方法以及使用此方法的电子系统 |
| CN111904429A (zh) * | 2020-07-30 | 2020-11-10 | 中国建设银行股份有限公司 | 一种人体跌倒检测方法、装置、电子设备及存储介质 |
| CN112074825A (zh) * | 2018-05-02 | 2020-12-11 | 株式会社Ｆｒｏｎｔｅｏ | 危险行为预测装置、预测模型生成装置以及危险行为预测用程序 |
| CN112198507A (zh) * | 2020-09-25 | 2021-01-08 | 森思泰克河北科技有限公司 | 人体跌倒特征的检测方法及装置 |
| CN112386249A (zh) * | 2019-08-14 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 跌倒检测方法及装置、设备、存储介质 |
| CN116528358A (zh) * | 2023-06-30 | 2023-08-01 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法、装置和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425213A (zh) * | 2008-12-05 | 2009-05-06 | 上海闻泰电子科技有限公司 | 一种具有病人跌倒呼救功能的无线通信终端和呼救方法 |
| CN101488273A (zh) * | 2009-02-23 | 2009-07-22 | 西北工业大学 | 分体式人跌倒检测报警装置 |
| CN101950464A (zh) * | 2010-09-17 | 2011-01-19 | 中国科学院深圳先进技术研究院 | 跌倒监测与报警的方法和系统 |
| US20130023798A1 (en) * | 2011-07-20 | 2013-01-24 | Intel-Ge Care Innovations Llc | Method for body-worn sensor based prospective evaluation of falls risk in community-dwelling elderly adults |
| CN104586398A (zh) * | 2013-10-30 | 2015-05-06 | 广州华久信息科技有限公司 | 一种基于多传感器融合的老人跌倒检测方法及系统 |
-
2013
- 2013-11-12 CN CN201310558923.4A patent/CN104637242A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425213A (zh) * | 2008-12-05 | 2009-05-06 | 上海闻泰电子科技有限公司 | 一种具有病人跌倒呼救功能的无线通信终端和呼救方法 |
| CN101488273A (zh) * | 2009-02-23 | 2009-07-22 | 西北工业大学 | 分体式人跌倒检测报警装置 |
| CN101950464A (zh) * | 2010-09-17 | 2011-01-19 | 中国科学院深圳先进技术研究院 | 跌倒监测与报警的方法和系统 |
| US20130023798A1 (en) * | 2011-07-20 | 2013-01-24 | Intel-Ge Care Innovations Llc | Method for body-worn sensor based prospective evaluation of falls risk in community-dwelling elderly adults |
| CN104586398A (zh) * | 2013-10-30 | 2015-05-06 | 广州华久信息科技有限公司 | 一种基于多传感器融合的老人跌倒检测方法及系统 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106887115A (zh) * | 2017-01-20 | 2017-06-23 | 安徽大学 | 一种老人跌倒监测装置及跌倒风险评估方法 |
| CN106887115B (zh) * | 2017-01-20 | 2019-05-10 | 安徽大学 | 一种老人跌倒监测装置及跌倒风险评估方法 |
| CN106910314A (zh) * | 2017-02-03 | 2017-06-30 | 同济大学 | 一种基于体形的个性化跌倒检测方法 |
| CN106910314B (zh) * | 2017-02-03 | 2019-01-25 | 同济大学 | 一种基于体形的个性化跌倒检测方法 |
| CN106875630B (zh) * | 2017-03-13 | 2018-12-04 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
| CN106875630A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
| CN107137090A (zh) * | 2017-05-24 | 2017-09-08 | 深圳先进技术研究院 | 一种跌倒识别方法及装置、用户设备 |
| CN107137090B (zh) * | 2017-05-24 | 2020-06-16 | 深圳先进技术研究院 | 一种跌倒识别方法及装置、用户设备 |
| CN106991790A (zh) * | 2017-05-27 | 2017-07-28 | 重庆大学 | 基于多模特征分析的老人摔倒实时监测方法及系统 |
| CN107933476A (zh) * | 2017-11-14 | 2018-04-20 | 苏州数言信息技术有限公司 | 通用的车内乘客防遗忘的传感装置的实现方法和系统 |
| CN107933476B (zh) * | 2017-11-14 | 2019-08-13 | 苏州数言信息技术有限公司 | 通用的车内乘客防遗忘的传感装置的实现方法和系统 |
| CN112074825A (zh) * | 2018-05-02 | 2020-12-11 | 株式会社Ｆｒｏｎｔｅｏ | 危险行为预测装置、预测模型生成装置以及危险行为预测用程序 |
| CN110895671A (zh) * | 2018-09-13 | 2020-03-20 | 纬创资通股份有限公司 | 跌倒检测方法以及使用此方法的电子系统 |
| CN110895671B (zh) * | 2018-09-13 | 2022-11-08 | 纬创资通股份有限公司 | 跌倒检测方法以及使用此方法的电子系统 |
| CN112386249A (zh) * | 2019-08-14 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 跌倒检测方法及装置、设备、存储介质 |
| CN112386249B (zh) * | 2019-08-14 | 2023-09-19 | 中移(苏州)软件技术有限公司 | 跌倒检测方法及装置、设备、存储介质 |
| CN111904429A (zh) * | 2020-07-30 | 2020-11-10 | 中国建设银行股份有限公司 | 一种人体跌倒检测方法、装置、电子设备及存储介质 |
| CN112198507A (zh) * | 2020-09-25 | 2021-01-08 | 森思泰克河北科技有限公司 | 人体跌倒特征的检测方法及装置 |
| CN112198507B (zh) * | 2020-09-25 | 2022-09-30 | 森思泰克河北科技有限公司 | 人体跌倒特征的检测方法及装置 |
| CN116528358A (zh) * | 2023-06-30 | 2023-08-01 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法、装置和系统 |
| CN116528358B (zh) * | 2023-06-30 | 2023-09-12 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104586398A (zh) | 一种基于多传感器融合的老人跌倒检测方法及系统 | |
| CN104637242A (zh) | 一种基于多分类器集成的老人跌倒检测方法及系统 | |
| Tong et al. | HMM-based human fall detection and prediction method using tri-axial accelerometer | |
| Wang et al. | Human activity recognition with user-free accelerometers in the sensor networks | |
| Zhang et al. | Motion primitive-based human activity recognition using a bag-of-features approach | |
| Xefteris et al. | Performance, challenges, and limitations in multimodal fall detection systems: A review | |
| CN106725445B (zh) | 一种脑电波控制的便携式人体运动损伤监护系统与方法 | |
| EP4164475A1 (en) | Methods and apparatus for actions, activities and tasks classifications based on machine learning techniques | |
| CN103211599A (zh) | 一种监测跌倒的方法及装置 | |
| US10588517B2 (en) | Method for generating a personalized classifier for human motion activities of a mobile or wearable device user with unsupervised learning | |
| Nahar et al. | A machine learning based fall detection for elderly people with neurodegenerative disorders | |
| CN106960541B (zh) | 自适应多级跌倒检测方法 | |
| Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
| CN112617813B (zh) | 一种基于多传感器的非侵入式跌倒检测方法及系统 | |
| Boudouane et al. | Fall detection system with portable camera | |
| Ahmed et al. | Poiden: position and orientation independent deep ensemble network for the classification of locomotion and transportation modes | |
| Ning et al. | Fall detection algorithm based on gradient boosting decision tree | |
| CN114373142A (zh) | 基于深度学习的行人跌倒检测方法 | |
| WO2022006659A1 (en) | Method and apparatus for detecting fall events | |
| Nguyen et al. | The internet-of-things based fall detection using fusion feature | |
| Liu et al. | Preimpact fall detection for elderly based on fractional domain | |
| CN106408868A (zh) | 一种便携式老年人跌倒监控预警系统及方法 | |
| Choudhary et al. | A seismic sensor based human activity recognition framework using deep learning | |
| Bhatlawande et al. | Elderly Care System for Classification and Recognition of Sitting Posture | |
| Zhu et al. | Rapid Earthquake Magnitude Classification Using Single Station Data Based On The Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150520 |