CN104771177A - 一种基于机器学习的跌倒检测系统及方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的跌倒检测系统，包括至少一台跌倒检测仪和云平台，所述至少一台跌倒检测仪，用于检测用户的运动情况和/或生理特征，并根据运动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；当判断用户为跌倒状态时，至少一台跌倒检测仪检测到的数据传送到云平台进行存储。所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时至少一台跌倒检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法。本发明在使用中会检查是否有新的跌倒判断算法样本，如有则运行新的算法，通过这闭环模式，用户手上的跌倒检测设备检测出跌倒的准确率会一直提高。

Description

一种基于机器学习的跌倒检测系统及方法

技术领域

本发明涉及跌倒检测领域，具体涉及一种基于机器学习的跌倒检测系统。

背景技术

随着我国逐步进入老龄化社会，老人日常生活中的安全防范，日益成为社会关注的热点。根据报道在上海，仅2010年因跌倒致死1983人，其中87.1％为65岁以上的老年人，致死亡率达77.9/10万，相当于每天有4.7个老年人因跌倒而死亡。此外，老年人因伤就诊病例中，一半以上为跌倒病例；因伤住院病例中，超过80％为跌倒病例。

经过调查、研究发现，老年人跌倒后20分钟内的救援，可将伤害降低到最小程度，是救援的黄金时间。因此一种准确的跌倒检测技术，必将在我国老龄化社会中，发挥出巨大的社会和经济效益；

然而，跌倒检测又是一项极富挑战性的技术，主要难点如下：

1.难以获取真实的老年人跌倒数据，作为跌倒检测方法设计与验证的基础数据；2.现有的传感器获取数据，在跌倒与非跌倒动作间存在交集，难以区分，容易造成误判和漏判；3.全世界范围内，还没有用于跌倒算法验证的数据样本，这无形中增加了算法验证的难度，是一项开创性的工作；4.每个人个体特征的差异，如性别、身高、体重等，都会造成跌倒监测过程的一些数据差异，从而增加跌倒算法开发和验证的难度。

发明内容

有鉴于此，本发明的目的是提供一种基于机器学习的跌倒检测系统及方法。

本发明的目的之一是通过以下技术方案来实现的，一种基于机器学习的跌倒检测系统，包括至少一台跌倒检测仪和云平台，

所述至少一台跌倒检测仪，用于检测用户的运动情况和/或生理特征，并根据运动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；当判断用户为跌倒状态时，至少一台跌倒检测仪检测到的数据传送到云平台进行存储。

优选的，所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时至少一台跌倒检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法。

或，所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算法样本生成新的跌倒检测算法，云平台将生成的新的跌倒检测算法发送给跌倒检测仪，作为下一次跌倒判断的算法。

本发明的目的之二是通过以下技术方案实现的，一种基于机器学习的跌倒检测方法，包括：步骤a.跌倒检测仪检测用户的运动情况和/或生理特征，并根据运动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒。

优选的，当判断用户为跌倒状态时，跌倒检测仪检测到的数据传送到云平台进行存储。

优选的，当云平台接收到跌倒检测仪检测到的数据时，云平台执行机器学习算法分析该数据判断是否存在更新数据；若是，则云平台生成新的跌倒检测算法样本，同时跌倒检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法；或所述云平台执行机器学习算法分析跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算法样本生成新的跌倒检测算法，跌倒检测仪从云平台获取新的跌倒检测算法，作为下一次跌倒判断的算法。

由于采用了上述技术方案，本发明具有如下的优点：

1.本发明通过将跌倒报警数据进行存储，并随着使用者的增多，可建立一个日趋完整的跌倒样本数据库；

2.云安平台根据数据库中的更新数据，执行机器学习算法，自动调整运行在跌倒报警器上的跌倒判断算法，创建新的跌倒判断算法样本。

3在平台有记录每个使用者的个人信息，如：性别、年龄、身高、体重等，随着样本数据库的记录的不断增加，机器学习算法结合一定程度的人工分析，会根据这些个人信息，对跌倒过程传感器数据的不同影响，从而可以达到针对个性化跌倒检测算法的目标。让使用者，都有定制化的跌倒检测算法，从而达到提高检测精度的目标。

4.每次跌倒检测仪上电，会检查是否有新的跌倒判断算法样本，如有会自动从服务器下载更新，通过这闭环模式，用户手上的跌倒检测设备检测出跌倒的准确率会一直提高。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为基于机器学习的跌倒检测系统的原理框图；

图2为跌倒检测仪的原理框图；

图3为血压检测单元结构原理框图；

图4为体温监测单元结构原理框图；

图5为跌倒检测仪工作流程图；

图6为云平台工作流程图；

图7为漏报数据参考；

图8为正确报警数据参考；

图9为误报数据参考。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如图1所示，一种基于机器学习的跌倒检测系统，包括至少一台跌倒检测仪和云平台，

所述至少一台跌倒检测仪，用于检测用户的运动情况和/或生理特征，并根据运动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；当判断用户为跌倒状态时，至少一台跌倒检测仪检测到的数据传送到云平台进行存储。

所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时至少一台跌倒检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法。

或，所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算法样本生成新的跌倒检测算法，云平台将生成的新的跌倒检测算法发送给跌倒检测仪(这里的跌倒检测仪指的是检测到跌倒状或者没有检测到跌倒状态的跌倒检测仪)，作为下一次跌倒判断的算法；当然在本实施例中，跌倒检测仪也可以每隔一段时间自动获取更新的跌倒检测算法样本。

所述基于机器学习的跌倒检测系统还包括移动终端，当跌倒检测仪判断用户跌倒状态时生成示警信息并将该示警信息传送给移动终端。

如图2所示，所述跌倒检测仪包括微控制单元、与微控制单元连接的用于实时获取用户身体姿态的六轴加速度传感器；与微控制单元连接的用于实时获取报警器高度的高度传感器；与微控制单元连接的用于实时获取用户位置信息的GPS模块；与微控制单元连接的用于获取生物传感器值的BLE模块；与微控制单元连接的用于传输数据的GPRS模块；以及为用电单元供电的电池；所述微控制单元控制跌倒检测仪的启动和接收用户身体姿态数据，并对姿态数据进行分析判断，并根据判断结果启动报警单元。

所述生物传感器包括血压监测单元和体温监测单元。

如图3所示，所述血压监测单元包括光发射模块、光接收模块和脉搏波处理模块；所述光发射模块，在微控制单元的控制下，向用户发射双波长光线；所述光接收模块，接收用户反射的双波长光线，以及将接收到的光信号转换为电信号，并将该电信号传输至脉搏波处理模块；所述脉搏波处理模块，对电信号进行放大、滤波、二次放大以及模数转换，并发送经放大滤波模数转换后的信息至微控制单元。

如图4所示，所述体温监测单元包括温度传感器和温度信号处理模块；所述温度传感器，采集并发送用户体温信息至温度信号处理模块；所述温度信号处理模块，接收温度传感器采集的用户体温信息，对用户温度信息进行放大和滤波以及模数转换，并发送经放大滤波模数转换后的信息至微控制单元。

一种基于机器学习的跌倒检测方法，包括：

步骤a.跌倒检测仪检测用户的运动情况和/或生理特征，并根据运动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；当判断用户为跌倒状态时，跌倒检测仪生成警示信息，同时跌倒检测仪检测到的数据传送到云平台进行存储。当跌倒检测仪判断用户为跌倒状态时生成示警信息并将该示警信息传送给移动终端。

在本实施例中，云平台中事先存储有每个用者的信人信息，如：性别、年龄、身高、体重等相关的生理数据以及根据存储的数据计算获得的跌倒检测算法样本，包括阈值。当云平台接收到跌倒检测仪检测到的数据时，云平台确认数据是否正确报警、误报、漏报，如图7～9所示。

误报是指，跌倒检测仪检测到的数据和云平台中的数据相比较，差别超出所设阈值。

漏报是指，跌倒检测仪判断用户为跌倒状态，但云平台没有接收到此次检测的数据。

当云平台接收到跌倒检测仪检测到的数据时，云平台执行机器学习算法分析该数据判断是否存在更新数据；若是，则云平台生成新的跌倒检测算法样本，同时跌倒检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法，该检测算法作为下一次判断用户是否跌倒的算法。

在本实施例中，所述跌倒检测算法为：跌倒检测仪检测到的数据经过滑动窗口截取，计算得到特征值向量x，该特征值向量经归一化后作为网络输入，如(2.1)所示，

x＝[x₀,x₁,x₂,…，x₇]  (2.1)

其中x₀＝-1；x₁＝a_max为加速度矢量和最大值；x₂＝a_min为加速度矢量和最小值；x₃＝Δt为最大值与最小值的时间差；x₄＝a_σ为加速度矢量和方差；为加速度矢量和平均值；为X方向前n个点平均值；为X方向后n个点平均值，

则隐含层第i个节点输入权值如(2.2)所示，

$w_i=\left[\begin{array}{c}{w}_{i0}\\ w_{i1}\\ w_{i2}\\ .\\ .\\ .\\ w_{i7}\end{array}\right]---\left(2.2\right)$

则第i个节点输出为：

y_i＝f(xw_i)  (2.3)

其中f(x)为激活函数，激活函数f(x)采用S形函数，

则隐含层输出y＝[y₁,y₂,y₃]，输出层权值w＝[w₁,w₂,w₃]，最终输出为：

p＝f(yw)  (2.4)

通过p值判断，是否跌倒，当p值大于阈值时，判断为跌到，当p值小于等于阈值时，判断为非跌倒。

在本实施例中，以10台跌倒检测仪为例进行说明。比如，其中5台跌倒检测仪检测到跌倒状态，此时，5台跌倒检测仪将判断为跌倒状态所对应的数据传送至云平台进行存储，云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算法样本生成新的跌倒检测算法，云平台将生成的新的跌倒检测算法发送给跌倒检测仪(这里的跌倒检测仪指的是检测到跌倒状或者没有检测到跌倒状态的跌倒检测仪)，作为下一次跌倒判断的算法。

在本实施例中，新的跌倒检测算法可以是在原跌倒检测算法的基础上，改变阈值的大小，使之与云平台中跌倒检测算法样本中的阈值相适应，需要注意的是，云平台中生成的跌倒检测算法样本中的阈值是变化的。当然跌倒检测仪中跌倒检测算法中的阈值也可以与跌倒检测算法样本中的阈值相同，跌倒检测算法样本中的阈值是通过获取跌倒检测仪上传的数据计算获得。

在本实施例中，新的跌倒检测算法也可以是通过改变原跌倒检测算法的特征向量值，例如原来的特征向量值x＝[x₀,x₁,x₂,…,x₇]，而新的特征向量值为x'＝[x₀,x₁,x₂,......,x₅,x₆,x₇,x₈]。

表1为通过机器学习算法后，两次跌倒检测算法最终检测结果的对比：

由上表可知，通过机器学习后，两个版本的算法，漏报率降低了：52.1％；误报率降低了6.8％；

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于机器学习的跌倒检测系统，其特征在于：包括至少一台跌倒检测仪和云平台，

所述至少一台跌倒检测仪，用于检测用户的运动情况和/或生理特征，并根据运动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；

当判断用户为跌倒状态时，至少一台跌倒检测仪检测到的数据传送到云平台进行存储。

2.根据权利要求1所述的基于机器学习的跌倒检测系统，其特征在于：所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时至少一台跌倒检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法。

3.根据权利要求1所述的基于机器学习的跌倒检测系统，其特征在于：所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算法样本生成新的跌倒检测算法，云平台将生成的新的跌倒检测算法发送给跌倒检测仪，作为下一次跌倒判断的算法。

4.根据权利要求1所述的基于机器学习的跌倒检测系统，其特征在于：所述跌倒检测仪包括微控制单元、

与微控制单元连接的用于实时获取用户身体姿态的六轴加速度传感器；

与微控制单元连接的用于实时获取报警器高度的高度传感器；

与微控制单元连接的用于实时获取用户位置信息的GPS模块；

与微控制单元连接的用于获取生物传感器值的BLE模块；

与微控制单元连接的用于传输数据的GPRS模块；

以及为用电单元供电的电池；

所述微控制单元控制跌倒检测仪的启动和接收用户身体姿态数据，并对姿态数据进行分析判断，并根据判断结果启动报警单元。

5.一种基于机器学习的跌倒检测方法，其特征在于：包括

步骤a.跌倒检测仪检测用户的运动情况和/或生理特征，并根据运动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；

步骤b.当判断用户为跌倒状态时，跌倒检测仪检测到的数据传送到云平台进行存储。

6.根据权利要求5所述的基于机器学习的跌倒检测方法，其特征在于：当云平台接收到跌倒检测仪检测到的数据时，云平台执行机器学习算法分析该数据判断是否存在更新数据；若是，则云平台生成新的跌倒检测算法样本，同时跌倒检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法。

7.根据权利要求5所述的基于机器学习的跌倒检测方法，其特征在于：所述云平台执行机器学习算法分析跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算法样本生成新的跌倒检测算法，云平台将生成的新的跌倒检测算法主动发送给跌倒检测仪，作为下一次跌倒判断的算法。

8.根据权利要求5所述的基于机器学习的跌倒检测方法，其特征在于：所述跌倒检测算法为：通过跌倒检测仪检测到的数据，计算得到特征值向量x，该特征值向量归一化后作为网络的输入层，如(2.1)所示，

x＝[x₀,x₁,x₂,…,x₇]         (2.1)

其中x₀＝-1；x₁＝a_max为加速度矢量和最大值；x₂＝a_min为加速度矢量和最小值；x₃＝Δt为最大值与最小值的时间差；x₄＝a_σ为加速度矢量和方差；为加速度矢量和平均值；为X方向前n个点平均值；为X方向后n个点平均值，

则隐含层第i个节点输入权值如(2.2)所示，

$w_i=\left[\begin{array}{c}{w}_{i0}\\ w_{i1}\\ w_{i2}\\ .\\ .\\ .\\ w_{i7}\end{array}\right]---\left(2.2\right)$

则第i个节点输出为：

y_i＝f(xw_i)               (2.3)

其中f(x)为激活函数，激活函数f(x)采用S形函数，

则隐含层输出y＝[y₁,y₂,y₃]，输出层权值w＝[w₁,w₂,w₃]，最终输出为：

p＝f(yw)               (2.4)

通过p值判断，是否跌倒，当p值大于阈值时，判断为跌到，当p值小于等于阈值时，判断为非跌倒。