CN105023022B - 跌倒检测方法及系统 - Google Patents

Abstract

本发明提供了一种跌倒检测方法，该方法包括离线训练和在线检测两个阶段。在离线训练阶段结合随机样本选择和随机分类属性选择来训练多个子分类器；在线跌倒检测阶段，基于多个子分类器的分类结果给出最终判定结果。实验表明，本发明提供的跌倒检测方法可获得95.2％的准确率、90.6％的敏感度和93.5％特异性，明显优于基于SVM和BP神经网络跌倒检测方法，更准确地检测跌倒行为，具有较强的泛化能力和鲁棒性。

Description

跌倒检测方法及系统

技术领域

本发明属于检测和智能监控领域，尤其涉及一种跌倒检测方法及系统。

背景技术

随着人口老龄化的不断加剧以及空巢老人数量的不断上升，老年人跌倒造成的人身伤害问题日益突出。据统计，跌倒目前已成为我国伤害死亡的第四大原因，65岁以上老年人伤害死亡的首位原因，而且伴随老人年龄的增加跌倒死亡率进一步升高。跌倒除了直接导致老年人死亡之外，还导致大量残疾，降低了老年人的活动能力和活动范围，严重影响老年人的生活质量和身心健康。

近年来，为减少意外跌倒对老人造成的进一步伤害，借助于普遍使用的移动智能终端和目前正在兴起的可穿戴设备对跌倒行为进行准确实时检测和报警，成为普适健康技术(healthcare)的一个研究热点。这些研究大都利用加速度或陀螺仪数据的时间序列、统计域或变换域特征，使用曲线相似度比较、或者模式匹配等算法进行跌倒检测。其中基于时间序列曲线的检测方法利用跌倒过程中加速度时间序列数据依次出现的失重、超重及其时间阈值进行跌倒检测，但由于个体和设备差异往往导致难以确定适用范围较广的曲线阈值，影响了跌倒检测的准确性和鲁棒性。基于模式匹配的跌倒检测算法采用机器学习技术，挖掘加速度样本数据统计域和变换域的参数特征，在对分类器进行离线训练基础上，使用获得的分类器对跌倒等行为进行分类评定，其性能相对于基于时间序列曲线阈值跌倒检测方法有较大提高。不过，由于真实老人跌倒数据稀缺，加之不能使用老人进行跌倒数据采集，大多数研究工作都是使用年轻人仿真采集实验数据集进行测试，由于样本数据规模较小、代表性不强，往往导致分类器过拟合，跌倒检测精度和鲁棒性并不高。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种新的跌倒检测方法，以获得准确、鲁棒的跌倒检测结果。

本发明的目的是通过以下技术方案实现的：

一方面，本发明提供了一种确定供跌倒检测用的分类器的方法，该方法包括：

步骤a)采集跌倒行为和非跌倒行为产生的加速度数据，并基于预定的用于跌倒检测的特征集来构建样本数据集，所述特征集包括加速度数据的时间域和变换域的特征；

步骤b)从所述样本数据集中随机抽取一个子样本集合，

步骤c)从所述特征集中选择多个特征子集作为分类属性，基于所抽取的子样本集合分别训练与各子集对应的、用于进行跌倒检测的分类器，并从所得到的多个分类器中选择检测准确率最高的分类器作为子分类器；

重复步骤b)和c)直到所选择的子分类器达到预定的数量为止。

上述方法中，在步骤a)中所述样本数据集中的每个样本可包括根据所采集的加速度数据获取的与所述特征集中每个特征对应的特征值，并带有跌倒或非跌倒标记。

上述方法中，在步骤b)所述随机抽取子样本集合可采用有放回的随机抽样进行的。

上述方法中，在步骤c)所述从特征集中选择特征子集可采用有放回的随机抽样进行的。

上述方法中，在步骤c)所述多个特征子集可以为所述特征集的所有子集。

上述方法中，在步骤c)所述预定的数量最大不超过所述特征集的全部子集的数目。

上述方法中，还包括：

当用户反馈将非跌倒行为误判为跌倒行为或者将跌倒行为误判为非跌倒行为时，将当前采集的行为数据标记为非跌倒行为或跌倒行为加入到样本数据集中；以及

当发现样本数据集更新后，重复步骤b)和c)来重新选择子分类器。

又一方面，本发明提供了一种跌倒检测方法，包括：

步骤1)对于用户携带的移动终端采集的当前数据，使用经上述的确定供跌倒检测用的分类器的方法得到的每个子分类器以及从所采集的数据中提取与该子分类器对应的分类属性相关的数据，来判断用户是否跌倒；

步骤2)根据少数服从多数的原则，基于各个子分类器的判断结果来确定用户是否跌倒。

又一方面，本发明提供了一种跌倒检测系统，包括：

经上述的确定供跌倒检测用的分类器的方法得到的多个子分类器；

检测模块，用于对于用户携带的移动终端采集的当前数据，使用每个子分类器以及从所采集的数据中提取与该子分类器对应的分类属性相关的数据，来判断用户是否跌倒；

判定模块，用于根据少数服从多数的原则，基于各个子分类器的判断结果来确定用户是否跌倒。

与现有技术相比，本发明的优点在于：

结合随机样本选择和随机分类属性选择的机制训练多个分类器，能较好地适应特征值的个体差异，具有对离散点相对不敏感、能避免过拟合、无需特征选择且能自动评估特征重要性等优点，适合于跌倒样本数据多样性和规模相对不足的特点，实验结果验证了本发明的跌倒检测方法具有较好的准确性和鲁棒性。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1为根据本发明实施例的确定供跌倒检测用的分类器的方法的流程示意图；

图2为根据本发明实施例的跌倒检测方法的流程示意图；

图3为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的准确率对比示意图；

图4为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的敏感度对比示意图；

图5为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的特异性对比示意图；

图6为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的训练开销对比示意图；

图7为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的实时检测开销对比示意图。

具体实施方式

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1给出了根据本发明一个实施例的确定供跌倒检测用的分类器的方法的流程示意。该方法基于使用移动智能终端(如智能手机)或可穿戴设备(如智能手表、腕带或智能腰带等)采集日常行为和各种方向的跌倒行为产生的加速度数据来训练多个子分类器以用于检测用户是否跌倒，主要包括下列步骤：

S1，采集数据并构建样本数据集

为便于分类器进行分类评定，本发明把复杂的用户行为分为跌倒行为和非跌倒行为(例如，日常行为)。其中各种跌倒行为(比如前向、后向、侧向跌倒)，均统一标记为跌倒行为，不进行细分判定。日常行为主要包括走、跑、跳、下蹲、坐、卧、上下楼等行为，统一标记为非跌倒行为。

在离线训练阶段，首先使用移动智能终端(如智能手机)或可穿戴设备(如智能手表、腕带或智能腰带等)采集日常行为和各种方向的跌倒行为产生的加速度数据，同时对所采集的数据设置跌倒或者非跌倒的标记。采集的频率及采样周期可以视具体使用的采集设备的软硬件情况和实际需求而定。这样的方式采集的是随时间改变的数据流，即采集到的都是时间域的加速度数据。为了使样本数据具有更丰富的特征来训练分类器，在优选的实施例中，还可以对采集到的加速度数据进行时间域和变换域的处理，提取时间域和变换域(例如频率域等)的特征参数(也可以称为属性)。

表1给出了本实施例采用的用于跌倒检测的特征集，其中包含了加速度数据的时间域属性以及对时间域变换后得到的频率域属性。

表1

接着，根据所采集的数据以及上述特征集构建样本数据集，所述样本数据集中的每个样本包括在采集的加速度数据的基础上获取的与所述特征集中每个特征对应的特征值(或属性值)，并带有跌倒或非跌倒标记。例如，假设加速度数据的采样周期为10s，那么每个样本中的特征值均通过对这10s内的加速度数据计算得到时间域上的最大值、最小值、中值、平均值等特征。将这10s内的加速度数据变换到频域并计算得到频域上的频谱分类、频谱平坦度、频谱中心等。

本领域技术人员应理解，上述讨论的特征及特征值的选取、采样周期等仅是举例说明的目的而非进行任何限制。在其他实施例中，也可以采用其他的对跌倒和非跌倒行为具有明显区分度的特征来构成特征集。并且每个特征的具体特征值的设定也可以根据对系统需求或实际的环境进行灵活的设置。

S2，训练用于跌倒检测的多个子分类器

可将所构建的样本数据集的一部分作为训练集，用于训练分类器，而另一部分作为测试集，用于评估训练好的分类器的检测准确率。下文中提及的样本数据集除非特别指明之外，都是指不包括测试集的样本数据集(即训练集)。而现有的分类模型都可以作为用于跌倒检测的分类器，例如贝叶斯网络(Bayes Net)模型、决策树(Decision Tree，DT)、支持向量机(Support Vector Machine，SVM)模型等典型的分类模型。为方便描述，本实施例中采用SVM模型来说明如何训练用于进行跌倒检测的分类器。在训练分类器时，首先要确定以哪些特征作为分类属性。虽然上文已经讨论了很多特征，但并不是所有的特征在预测目标方面都具有相同的重要性，而且跌倒和非跌倒行为中部分行为特征还可能存在一定的相似性。对于一些冗余或不相关属性可能会影响所训练的分类器的准确度。

因此，为了提高检测跌倒行为的准确性，本实施例中采用结合随机抽样样本和随机选择属性的方式确定具备部分最佳属性的多个子分类器来实现复杂行为模式下跌倒行为的准确识别。

更具体地，继续参考图1，在用于训练的样本数据集上训练多个子分类器的步骤主要包括下列步骤：

步骤a)从训练集中随机抽取一个子样本集合。这里考虑到跌倒检测的样本数据集有限，采用有放回的随机抽样方式，例如采用Bootstrap抽样方法来从训练集中随机抽取样本构成一个子样本集合。每次抽取的样本数目可以小于或者等于总的样本数目，但每次抽取的子样本集合的样本数目是一样的。

步骤b)针对每次抽样得到的子样本集合，执行下列步骤：

(1)从上文讨论的特征集中随机抽取多个特征构成特征子集，所抽取的特征数目可以小于或者等于总的特征数目；

(2)以该特征子集中的特征作为分类属性，基于该子样本集合训练与该特征子集对应的、用于进行跌倒检测的分类器。如上文提到的，该实施例中，分类器为SVM分类器；

(3)基于测试集来评估训练好的分类器的检测准确率；

(4)重复步骤(1)-(3)直到遍历完该特征集的所有特征子集或者所得到的分类器的数量已经达到预定的阈值为止，从所得到的多个分类器中选择检测准确率最高的分类器作为子分类器；这样，该分类器对应的特征子集(即该分类器的分类属性集)就是对于该子样本集合的最佳特征子集。

重复上述的步骤a)和b)直到子分类器的数量达到预定的数量为止，这样就得到了用于跌倒检测的多个子分类器。

图2给出了根据本发明一个实施例的跌倒检测方法的流程示意。该方法基于根据上文所述方法得到的多个子分类器来检测用户是否跌倒。该方法整体上可分为离线训练阶段和在线检测阶段。在离线训练阶段主要是采用上文讨论的方法确定供跌倒检测用的各个子分类器。然后，就可以在线实时监控是否发生了跌倒行为。首先通过用户携带的移动终端实时采集与用户当前行为相关的数据；然后对于每个子分类器，从所采集的数据中提取与该分类器的分类属性相关的数据，并将所提取的数据输入到该子分类器来判断是否发生了跌倒行为。在得到各个子分类器的判断结果之后，根据少数服从多数的原则，最终确定用户是否跌倒。

在又一个实施例中，为更好地提升跌倒检测准确率，还可以包括根据用户反馈更新用于训练的样本数据集并重新训练分类器的步骤。例如，每当经用户反馈发现到把正常行为误判为跌倒行为时，把本次采集的与行为相关的数据标记为非跌倒行为加入到训练集中，启动离线训练过程。如此反复，不断给样本数据集积累新的非跌倒训练数据，以降低重新训练的分类器的跌倒检测的误判率。同样地，当每当经用户反馈发现到把跌倒行为误判为正常行为时，把本次采集的与行为相关的数据标记为跌倒行为加入到训练集中，启动离线训练过程。如此反复，不断给样本数据集积累新的跌倒训练数据，以提升重新训练的分类器的跌倒检测的准确率。

为了更好地分析和检验本发明的效果，发明人还进行了下列的实验：

由于面向老年人的跌倒检测系统不能选择老年人进行实际的实验，所以仍采用年轻人模拟的方式，使用网上公开的跌倒测试数据集MobiFall(http://www.bmi.teicrete.gr/index.php/research/mobifall)进行测试。该数据集由三星Samsung Galaxy S3手机采集获得。该手机集成了三轴加速度传感器和陀螺仪传感器，采集样本时手机以随机方向放在裤子口袋内。加速度传感器的采样频率为87Hz，陀螺仪传感器的采样频率为200Hz。由11个实验者参与了采集，采集8个日常行为(钻入汽车、钻出汽车、慢跑、跳跃、坐、站立、上下楼、步行)、4种不同的跌倒行为，即前向躺倒、前膝跪躺、侧向躺倒、后向坐入椅子。所有8个日常行为合并在一起当作非跌倒行为，所有4种跌倒行为也合并在一起统一标记为跌倒动作。

此外，发明人还使用三星Note 2智能手机(Android 4.0版本)采集了上述跌倒和非跌倒行为的加速度数据。采集频率为100Hz，每个样本的采样周期为10s。为适配用户手机的姿态差异，实验中统一使用三轴加速度(a_x,a_y,a_z)的幅度作为采集的加速度数据样本进行模型训练和跌倒检测。

为了判断跌倒检测方法的有效性，把实验结果分为表2所示的相互独立四类。

表2

实验结果类型	解释
		真阳性(TP)	跌倒动作检测为跌倒
假阳性(FP)	日常动作检测为跌倒
		真阴性(TN)	日常动作检测为未跌倒
假阴性(FN)	跌倒动作检测为未跌倒

基于上述实验结果类型，采用以下三种性能指标评估跌倒检测方法的性能：

准确度A_c定义为所有行为(跌倒和非跌倒)被正确检测出来的比例，即所有动作的正确检出率，如公式(1)所示。

灵敏度(S_e)定义为所有跌倒行为被正确检测出来的比例，即所有跌倒动作的检出率，如公式(2)所示。

特异性(S_p)定义为所有非跌倒日常活动被正确检出的比例，如公式(3)所示。

发明人还实现了采用以所有特征作为分类属性的单个SVM分类器的跌倒检测方法(下面简称SVM检测方法)和基于BP神经网络的跌倒检测方法，以便与本发明的基于随机抽取样本和属性的多个子分类器的方法(下面简称随机森林方法)进行比较。

图3比较了3种跌倒检测方法的准确率，从图3可以看出，BP神经网络跌倒检测方法的准确率最低，为72.3％，SVM跌倒检测方法准确度为85.5％，而本发明的随机森林跌倒检测方法准确度最高，达到95.2％。可见，通过引入随机样本选择和属性选择，本文提出的随机森林跌倒检测方法提升了跌倒检测的准确率。

图4比较了上述三个跌倒检测方法的敏感度。本发明的随机森林方法正确检测出来跌倒行为的概率为90.6％，比SVM检测方法和BP神经网络检测方法分别高出约5％和15％。

而在特异性方面，如图5所示BP神经网络跌倒检测方法最低，为76.3％，SVM跌倒检测方法的特异性居中，为83.5％，随机森林跌倒方法最高，为93.5％。可见，采用本发明的跌倒检测方法时，日常行为被正确检测出的比例较高，即日常行为被误判为跌倒的概率较低。

当然，本发明的随机森林跌倒检测方法性能的提升是以付出相对较多的训练计算开销获得的，图6比较了三种跌倒检测方法的训练时间(实验平台为4核酷睿i5CPU，主频3.3GHz，内存8G)。随机森林方法由于需要多次随机选择样本再进行随机属性选择的最优支持向量机子分类器训练，因此其训练开销比单纯SVM跌倒检测方法的训练开销大，不过由于三种方法使用的训练样本进行特征属性提取花费了较多时间，而随机森林跌倒检测方法的每个子分类器并不是使用所有样本进行训练，因此其训练开销并不是单个SVM跌倒检测方法的整数倍。BP神经网络跌倒检测方法的训练开销介入随机森林跌倒检测方法和SVM方法之间。当使用三个跌倒方法分类器进行实时跌倒检测时，如图7所示，测试样本特征提取占据主要运行时间，跌倒实时检测的运行时间基本相似，均为1秒左右。

可以看出，本发明的跌倒检测方法采用结合随机抽样样本和随机选择属性的机制，能较好地解决老人真实跌倒样本缺乏或仿真训练样本规模较小等原因导致的分类算法过拟合和适应性不强的问题。该方法在付出较高训练开销的基础上，获得了的准确率(95.2％)、敏感度(90.6％)和特异性(93.5％)的明显提升，而且在实时在线跌倒检测实时性能方面并未明显下降，实验结果反映出根据本发明实施例的跌倒检测算法能更准确地检测出跌倒行为，具有较强的泛化能力和实用性。

虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。

Claims (7)

1.一种跌倒检测方法，该方法包括：

步骤1)对于用户携带的移动终端采集的当前数据，使用训练好的预定数量的子分类器中每个子分类器以及从所采集的数据中提取与该子分类器对应的分类属性相关的数据，来判断用户是否跌倒；

步骤2)根据少数服从多数的原则，基于各个子分类器的判断结果来确定用户是否跌倒；

其中所述预定数量的子分类器是通过下面的步骤得到的：

步骤a)采集跌倒行为和非跌倒行为产生的加速度数据，并基于预定的用于跌倒检测的特征集来构建样本数据集，所述特征集包括加速度数据的时间域和变换域的特征；

步骤b)从所述样本数据集中随机抽取一个子样本集合，

步骤c)从所述特征集中选择多个特征子集作为分类属性，基于所抽取的子样本集合分别训练与各子集对应的、用于进行跌倒检测的分类器，并从所得到的多个分类器中选择检测准确率最高的分类器作为子分类器；

重复步骤b)和c)直到所选择的子分类器达到预定的数量为止；

以及其中，所述方法还包括当用户反馈将非跌倒行为误判为跌倒行为或者将跌倒行为误判为非跌倒行为时，将当前采集的行为数据标记为非跌倒行为或跌倒行为加入到样本数据集中；以及

当发现样本数据集更新后，重复步骤b)和c)来重新选择子分类器。

2.根据权利要求1所述的方法，在步骤a)中所述样本数据集中的每个样本包括根据所采集的加速度数据获取的与所述特征集中每个特征对应的特征值，并带有跌倒或非跌倒标记。

3.根据权利要求1所述的方法，在步骤b)从所述样本数据集中随机抽取一个子样本集合是采用有放回的随机抽样进行的。

4.根据权利要求1所述的方法，在步骤c)从所述特征集中选择多个特征子集是采用有放回的随机抽样进行的。

5.根据权利要求1所述的方法，在步骤c)所述多个特征子集为所述特征集的所有子集。

6.根据权利要求1所述的方法，在步骤c)所述预定的数量最大不超过所述特征集的全部子集的数目。

7.一种跌倒检测系统，该系统包括：

检测模块，用于对于用户携带的移动终端采集的当前数据，使用训练好的预定数量的子分类器中每个子分类器以及从所采集的数据中提取与该子分类器对应的分类属性相关的数据，来判断用户是否跌倒；

判定模块，用于根据少数服从多数的原则，基于各个子分类器的判断结果来确定用户是否跌倒；

训练模块，用于采用下列步骤训练预定数量的子分类器：

步骤a)采集跌倒行为和非跌倒行为产生的加速度数据，并基于预定的用于跌倒检测的特征集来构建样本数据集，所述特征集包括加速度数据的时间域和变换域的特征；

步骤b)从所述样本数据集中随机抽取一个子样本集合，

步骤c)从所述特征集中选择多个特征子集作为分类属性，基于所抽取的子样本集合分别训练与各子集对应的、用于进行跌倒检测的分类器，并从所得到的多个分类器中选择检测准确率最高的分类器作为子分类器；

重复步骤b)和c)直到所选择的子分类器达到预定的数量为止；

以及其中所述训练模块还被配置为当用户反馈将非跌倒行为误判为跌倒行为或者将跌倒行为误判为非跌倒行为时，将当前采集的行为数据标记为非跌倒行为或跌倒行为加入到样本数据集中；以及当发现样本数据集更新后，重复步骤b)和c)来重新选择子分类器。