CN105559789B - 跌倒检测系统及方法 - Google Patents
跌倒检测系统及方法 Download PDFInfo
- Publication number
- CN105559789B CN105559789B CN201511028593.3A CN201511028593A CN105559789B CN 105559789 B CN105559789 B CN 105559789B CN 201511028593 A CN201511028593 A CN 201511028593A CN 105559789 B CN105559789 B CN 105559789B
- Authority
- CN
- China
- Prior art keywords
- axis
- value
- tumble
- wearable device
- observation
- 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.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Alarm Systems (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例提供了一种跌倒检测系统及方法,其通过获取穿戴式设备沿三维坐标系三个轴向的实时三轴加速度值;根据滑动时间窗内包含的多个数据点的三轴加速度值选取三维坐标系三轴中的其中之一作为判别轴;对所述判别轴上的加速度变化值进行分段处理,以设定观测状态数量;设定隐藏状态数量;依据隐藏状态数量及观测状态数量,生成隐马尔可夫模型;通过Viterbi算法计算概率最大的隐藏状态序列,将该概率最大的隐藏状态序列取对数得到一定值;将所述定值与一阈值进行比较,判别所述穿戴式设备的用户是否发生跌倒事件。由于对应的算法运行在服务端,可以平滑进行升级和迭代。
Description
技术领域
本发明涉及云计算系统领域,具体而言,涉及一种跌倒检测系统及方法。
背景技术
随着人口老龄化进程加剧,养老问题引起社会各界关注。跌倒是一种常见的老年人危险行为,通过给老人佩戴智能穿戴设备,可实现对其行为实时观察,跌倒发生时能检测出来,及时通知相关人员到现场处理。
传统的可穿戴设备跌倒检测,主要是将算法集成到硬件芯片或固件,由硬件进行离线单机计算,得出判定结果。这种方式存在以下缺陷:1.算法集成在穿戴设备,只能通过固件升级来更新算法,每次升级均要客户配合,不利于算法的敏捷迭代和更新。2.穿戴设备的硬件计算能力有限,难以进行高复杂度的计算,不利于算法的选型。3.穿戴设备通过传感器采集的数据样本,不能进行无限量的存储,无法进行模拟。
发明内容
有鉴于此,本发明实施例的目的在于提供一种跌倒检测系统及方法,以改善现有技术中不便更新跌倒算法的问题。
本发明实施例提供的一种跌倒检测系统包括:加速度获取模块,用于获取穿戴式设备沿一三维坐标系三个轴向的实时三轴加速度值;判别轴选取模块,用于根据一滑动时间窗内包含的多个数据点的三轴加速度值选取三维坐标系三轴中的其中之一作为判别轴;观测状态数量设定模块,用于对所述判别轴上的加速度变化值进行分段处理,以设定观测状态数量;隐藏状态数量设定模块,用于设定隐藏状态数量;隐马尔科夫链模型建立模块,用于依据隐藏状态数量及观测状态数量,通过Baum-Welch算法对隐马尔科夫模型参数进行模拟,生成隐马尔可夫模型;跌倒概率计算模块,用于基于隐马尔可夫模型确定隐马尔科夫模型参数及观测序列,在该隐马尔科夫模型参数及观测序列的基础上通过Viterbi算法计算概率最大的隐藏状态序列,将该概率最大的隐藏状态序列取对数得到一定值;跌倒判别模块,用于将所述定值与一阈值进行比较,判别所述穿戴式设备的用户是否发生跌倒事件。
本发明实施例提供的一种跌倒检测方法包括:获取穿戴式设备沿一三维坐标系三个轴向的实时三轴加速度值;根据一滑动时间窗内包含的多个数据点的三轴加速度值选取三维坐标系三轴中的其中之一作为判别轴;对所述判别轴上的加速度变化值进行分段处理,以设定观测状态数量;设定隐藏状态数量;依据隐藏状态数量及观测状态数量,通过Baum-Welch算法对隐马尔科夫模型参数进行模拟,生成隐马尔可夫模型;基于隐马尔可夫模型确定隐马尔科夫模型参数及观测序列,在该隐马尔科夫模型参数及观测序列的基础上通过Viterbi算法计算概率最大的隐藏状态序列,将该概率最大的隐藏状态序列取对数得到一定值;将所述定值与一阈值进行比较,判别所述穿戴式设备的用户是否发生跌倒事件。
与现有技术相比,本发明的跌倒检测系统及方法可运行于服务端,由服务端做最终的跌倒判断。由于对应的算法运行在服务端,可以平滑进行升级和迭代,无需对穿戴式设备进行干预,对客户无感。另外,算法运行在服务端,拥有海量的计算能力和存储空间,可进行高复杂度的计算,数据永久存储。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的跌倒检测方法及系统的应用环境示意图。
图2为本发明较佳实施例提供的一种跌倒检测系统的功能模块架构示意图。
图3为图1所示的加速度传感器在一三维坐标系的三个轴向的示意图。
图4为所述加速度传感器在图3所示的三维坐标系中感测到的三轴加速度的波形示意图。
图5为本发明较佳实施例提供的应用于图1所示的服务端的跌倒检测方法的流程图。
主要元件符号说明图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例
本发明实施例所提供的跌倒检测系统及方法可应用于如图1所示的应用环境中。如图1所示,服务端100、穿戴式设备200位于无线网络或有线网络300中,通过该无线网络或有线网络300,穿戴式设备200与服务端100进行数据交互。所述服务端100可以是,但不限于,云端服务器、智能手机、个人电脑(personal computer,PC)等。所述穿戴式设备200可以
是,但不限于,智能眼镜、智能手套、智能手环、智能手表、智能服饰等包括加速度传感器(图未示)的可穿戴于用户身上的智能电子设备。优选地,所述穿戴式设备200是指可穿戴于用户腕部的智能手环、智能手表、智能手套等腕带式穿戴设备。
所述加速度传感器用于测量所述穿戴式设备200在三维坐标系中沿所述三维坐标系三个轴向的加速度。优选地,本实施例中,所述加速度传感器为三轴加速度传感器。例如图3所示,假设所述三维坐标系的三个轴向分别为相互垂直的X轴、Y轴以及Z轴。所述加速度传感器则可感测所述穿戴式设备200分别沿所述X轴、Y轴以及Z轴方向的加速度值。本实施例中,使用ax代表加速度传感器在所述X轴方向感测到的加速度,使用ay代表加速度传感器在所述Y轴方向感测到的加速度,使用az代表加速度传感器在所述Z轴方向感测到的加速度。显然,上述的三个轴向的加速度通过无线网络或有线网络300传送至服务端100。
如图2所示,是本发明较佳实施例提供的服务端100的功能模块示意图。本实施例中,所述服务端100包括跌倒检测系统10、存储单元30以及处理单元40。本实施例中,所述跌倒检测系统10用于根据所述加速度传感器在所述X轴、Y轴以及Z轴分别感测到的加速度值对所述穿戴式设备200的用户可能发生的跌倒或摔倒事件进行检测,以利于在用户跌倒的第一时间将该跌倒事件通报给相应人员,从而避免或减少对跌倒用户的伤害。具体地,所述跌倒检测系统10包括加速度获取模块101、判别轴选取模块102、观测状态数量设定模块103、隐藏状态数量设定模块104、隐马尔科夫链模型建立模块105、跌倒概率计算模块106、跌倒判别模块107、跌倒报警模块108及参数更新模块109。本较佳实施例中,所述跌倒检测系统10中包含的各功能模块可以软件或固件(firmware)的形式安装在所述存储单元30中或固化在所述服务端100的操作系统(OS)中,由所述处理单元40控制所述跌倒检测系统10各功能模块执行相应的功能。
本实施例中,所述存储单元30以及处理单元40相互之间电性连接以进行数据的传输和交互。所述存储单元30可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。所述处理单元40可以是所述服务端100的中央处理器(Central ProcessingUnit,CPU),或其他任何具备数据处理能力的处理单元,例如,数字信号处理(DigitalSignal Process,DSP)芯片、集成电路(Integrated Circuit)芯片、单片机、现场可编程门阵列(Field
Programmable Gate Array,FPGA)芯片以及其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
下面对所述跌倒检测系统10包含的各功能模块进行详细的描述。
所述加速度获取模块101用于获取所述穿戴式设备200的加速度传感器感测的三轴加速度值,所述三轴加速度值分别由ax、ay、az标识。
本实施例中,所述加速度传感器输出的三轴加速度数据为连续的波形数据。例如图4所示,其中w1、w2、w3代表的波形图分别为所述加速度传感器感测到的所述穿戴式设备200分别沿x、y、z三轴的加速度波形数据。对所述波形数据进行离散化处理(例如通过快速傅里叶变化对波形数据进行离散化)可得到连续的离散加速度数据。
所述判别轴选取模块102用于根据所述获取的三轴加速度值选取x、y、z三轴中的其中之一作为判别轴。具体的,选取判别轴的理论依据是选取x、y、z三轴输出的加速度数据变化最剧烈的其中一轴作为判别轴。选取判别轴之后,后续则根据该判别轴对应的加速度值对用户是否发生跌倒进行检测或判定。选取判别轴的方法具体如下。
首先,从x轴输出的具有多个数据点的滑动时间窗中计算出最大值axmax及最小值axmin,然后计算x轴幅值,该x轴幅值为所述最大值axmax与最小值axmin之差。X轴幅值的计算公式为:hx=axmax-axmin。
其次,从y轴输出的具有多个数据点的滑动时间窗中计算出最大值aymax及最小值aymin,然后计算y轴幅值,该y轴幅值为所述最大值aymax与最小值aymin之差。y轴幅值的计算公式为:hy=aymax-aymin。
然后,从z轴输出的具有多个数据点的滑动时间窗中计算出最大值azmax以及最小值azmin,然后计算z轴幅值,该z轴幅值为所述最大值azmax与最小值azmin之差。z轴幅值的计算公式为:hz=azmax-azmin。
最后,从所述x轴幅值、y轴幅值以及z轴幅值中找出最大的幅值argmax(hx,hy,hz),
将所述最大的幅值对应的轴确定为所述判别轴。
本实施例中,所述滑动时间窗内包括的数据点的数量大于或等于60点。优选地,所述滑动时间窗内包括60个数据点。在其它实施例中,所述滑动时间窗包括的数据点的数量并不以此为限,例如,其包括的数据点数量也可以小于60点。
所述观测状态数量设定模块103用于对所述判别轴上的加速度变化值进行分段处理,以设定观测状态数量。具体的设定方法如下。
在确定判别轴后,基于隐马尔科夫链离散原理,对判别轴上的加速度变化值在某一范围(如-2000~2000)内进行分段。在本实施例中,将判别轴上的加速度变化值划分为M段,分段公式为:x^=8+[x/300]
其中,当加速度变化值的范围为-2000~2000时,得到的为1,2,3,4,5,6,7,8,9,10,11,12,13,14,也就是观测状态数量,即M=14。
所述隐藏状态数量设定模块104用于设定隐藏状态数量。通常,依据对既往数据的统计分析以及真实跌倒的过程分析,在本实施例中,设定隐藏状态数量N=3,即分别包括如下三个隐藏状态:1、平稳态(倒前安全态及倒后平稳态);2、失衡态(失去平衡态);3、冲击态(与低势物体冲击态)。
所述隐马尔科夫链模型建立模块105用于依据隐藏状态数量及观测状态数量,通过Baum-Welch算法对隐马尔科夫模型参数λ=(A,B,Pi)进行模拟,生成隐马尔可夫模型,即求出初始状态概率向量Pi、状态转移概率矩阵A、观测概率矩阵B。
由于隐藏状态的数量为三个,即分别为平稳态、失衡态、冲击态,所以初始状态概率向量Pi表示这三个隐藏状态的初始概率,即:Pi=(p1,p2,p3)。
状态转移概率矩阵A为隐藏状态互相转移的概率,即:
观测概率矩阵B也叫混淆矩阵,为当前处于某一隐藏状态下观测到的观测状态的概率,即:
所述跌倒概率计算模块106用于基于隐马尔可夫模型确定隐马尔科夫模型参数及观测序列,在该隐马尔科夫模型参数及观测序列的基础上通过Viterbi算法计算概率最大的隐藏状态序列,将该概率最大的隐藏状态序列取对数得到一定值。
首先,所述跌倒概率计算模块106根据隐马尔可夫模型确定隐马尔科夫模型参数及观测序列。
具体地,所述跌倒概率计算模块106通过隐马尔可夫模型确定隐马尔科夫模型参数λ=(A,B,Pi)与观测序列为O(o1,o2,…,oT),所述隐马尔科夫模型参数λ=(A,B,Pi)包括状态转移概率矩阵A(Aij)、观测概率矩阵B(Bst)、初始状态概率向量Pi(p1,…,pN)。其中,i,j∈(1,…,N),s∈(1,…,N),t∈(1,2,…,M),隐藏状态数量N=3,观测状态数量M=14,观测序列长度T=60(即滑动时间窗内的数据点)。
其次,所述跌倒概率计算模块1 0 6对跌倒概率进行初始化,其初始化公式为:其中i∈(1,…,N)。该初始化公式表示对构成的矩阵的第一列进行初始化。其后,所述跌倒概率计算模块106对参数t做循环计算,具体公式如下:
其中,i∈(1,…,N),t∈(2,3,…,T),αi(t)和βi(t)为Viterbi算法的中间数据,为观测概率矩阵。
再次,所述跌倒概率计算模块106对t=T时刻求和得到该观测序列的最终概率P(O|λ),即获得最可能的隐藏状态序列,具体公式如下:
最后,所述跌倒概率计算模块106对求得的最终概率P(O|λ)取对数(e为底),获得定值R,具体公式如下:
R=log(P)
述跌倒判别模块107用于将所述定值与一阈值进行比较,从而判别所述穿戴式
设备200的用户是否发生跌倒事件。当定值大于阈值时,所述跌倒判别模块107判别所述穿戴式设备200的用户发生跌倒事件;当定值小于或等于阈值时,所述跌倒判别模块107判别所述穿戴式设备200的用户未发生跌倒事件。
所述跌倒报警模块108用于响应跌倒事件进行报警。具体地,报警的方式可以是向穿戴式设备200发送报警信号以控制所述穿戴式设备200发出报警信息,所述报警信息可以是通过穿戴式设备200的音频输出单元输出的报警声音或振动单元产生的振动。此外,所述跌倒报警模块108也可控制预设的电子装置发出报警消息进行报警。所述预设的电子装置可以是预设通信号码(如电话号码或IP地址)对应的通信设备(如手机和电脑等),所述报警消息可以包括穿戴式设备200的当前位置信息,从而方便对穿戴式设备200的用户进行快速救援。
优选地,当跌倒事件发生时,所述穿戴式设备200通过无线网络或有线网络300向服务端100反馈一组跌倒数据,并存储于服务端100的存储器30。
所述参数更新模块109用于获取所述穿戴式设备200发送的三轴加速度值及跌倒数据,按照预定的时间周期(如14天)更新隐马尔科夫模型参数(初始状态概率向量Pi、状态转移概率矩阵A、观测概率矩阵B)及所述阈值,从而逐渐提高跌倒检测的准确率。
请参阅图5,是本发明较佳实施例提供的应用于图1所示的服务端100的跌倒检测方法的流程图。所应说明的是,本发明所述的跌倒检测方法并以图5以及以下所述的具体顺序为限制。应当理解,在其它实施例中,本发明所述的跌倒检测方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。下面将对图5所示的具体流程进行详细阐述。
步骤S101,获取所述穿戴式设备200沿一三维坐标系三个轴向的实时三轴加速度值。本实施例中,该三维坐标系的三个轴向分别由x、y、z三轴。该步骤S101可由所述跌倒检测系统10的加速度获取模块101配合所述加速度传感器执行。关于该步骤S101的描述具体可参对上述加速度获取模块101的描述。
步骤S102,根据一滑动时间窗内包含的多个数据点的三轴加速度值选取三维坐标系三轴中的其中之一作为判别轴。具体地,该步骤S102可由所述判别轴选取模块102执行,关于该步骤S102的描述具体可参上述对判别轴选取模块102的详细描述。
步骤S103,对判别轴上的加速度变化值在某一范围(如-2000~2000)内进行分段,获得观测状态数量。具体地,该步骤S103可由所述观测状态数量设定模块103执行,关于该
步骤S103的描述具体可参上述对所述观测状态数量设定模块103的详细描述。
步骤S104,设定隐藏状态数量。具体地,该步骤S104可由所述隐藏状态数量设定模块103执行,关于该步骤S104的描述具体可参上述对所述隐藏状态数量设定模块103的详细描述。
步骤S105,依据隐藏状态数量及观测状态数量,通过Baum-Welch算法对隐马尔科夫模型参数λ=(A,B,Pi)进行模拟,生成隐马尔可夫模型,即求出初始状态概率向量Pi、状态转移概率矩阵A、观测概率矩阵。具体地,该步骤S105可由所述隐马尔科夫链模型建立模块105执行,关于该步骤S105的描述具体可参上述对所述隐马尔科夫链模型建立模块105的详细描述。
步骤S106,基于隐马尔可夫模型确定隐马尔科夫模型参数及观测序列,在该隐马尔科夫模型参数及观测序列的基础上通过Viterbi算法计算概率最大的隐藏状态序列,将该概率最大的隐藏状态序列取对数得到一定值。具体地,该步骤S106可由所述跌倒概率计算模块106执行,关于该步骤S106的描述具体可参上述对所述跌倒概率计算模块106的详细描述。
步骤S107,将求得的定值与一阈值进行比较,从而判别用户是否发生跌倒事件。具体地,该步骤S107可由所述跌倒判别模块107执行,关于该步骤S107的描述具体可参上述对所述跌倒判别模块107的详细描述。
步骤S108,响应跌倒事件向所述穿戴式设备200发送报警信号以控制所述穿戴式设备200发出报警信息。具体地,该步骤S108可由所述跌倒报警模块108执行,关于该步骤S108的描述具体可参上述对所述跌倒报警模块108的详细描述。
优选地,当跌倒事件发生时,所述服务端100接收由所述穿戴式设备200通过无线网络或有线网络300向服务端100反馈的一组跌倒数据,并存储于服务端100的存储器30。
步骤S109,获取所述穿戴式设备发送的三轴加速度值及跌倒数据,更新隐马尔科夫模型参数及所述阈值。具体地,该步骤S109可由所述参数更新模块109执行,关于该步骤S109的描述具体可参上述对所述参数更新模块109的详细描述。
综上所述,本发明实施例的跌倒检测系统及方法以穿戴式设备检测为辅,服务端检测为主,由服务端做最终的跌倒判断。该系统及方法至少具有以下优点:算法运行在服务端,可以平滑进行升级和迭代,无需对穿戴式设备进行干预,对客户无感。算法运行在服务端,拥有海量的计算能力和存储空间,可进行高复杂度的计算,数据永久存储。服务端基于海量的数据,可进行自动模拟学习,智能优化算法。服务端可对接各个预警系统,易于扩展各种应用场景解决方案。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的方法步骤的具体工作过程,可以参考前述跌倒检测系统中的对应功能模块的具体描述,在此不再一一赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种跌倒检测系统,其特征在于,应用于与穿戴式设备连接的服务器,所述跌倒检测系统包括:
加速度获取模块,用于获取穿戴式设备沿一三维坐标系三个轴向的实时三轴加速度值;
判别轴选取模块,用于根据一滑动时间窗内包含的多个数据点的三轴加速度值选取三维坐标系三轴中的其中之一作为判别轴;
观测状态数量设定模块,用于对所述判别轴上的加速度变化值进行分段处理,以设定观测状态数量;
隐藏状态数量设定模块,用于设定隐藏状态数量;
隐马尔科夫链模型建立模块,用于依据隐藏状态数量及观测状态数量,通过Baum-Welch算法对隐马尔科夫模型参数进行模拟,生成隐马尔可夫模型;
跌倒概率计算模块,用于基于隐马尔可夫模型确定隐马尔科夫模型参数及观测序列,在该隐马尔科夫模型参数及观测序列的基础上通过Viterbi算法计算概率最大的隐藏状态序列,将该概率最大的隐藏状态序列取对数得到一定值;
跌倒判别模块,用于将所述定值与一阈值进行比较,判别所述穿戴式设备的用户是否发生跌倒事件;
其中,所述判别轴选取模块通过以下方式选取所述判别轴:
从x轴输出的具有60个数据点的滑动时间窗中计算出最大值axmax及最小值axmin,然后计算x轴幅值,该x轴幅值为所述最大值axmax与最小值axmin之差;
从y轴输出的具有60个数据点的滑动时间窗中计算出最大值aymax及最小值aymin,然后计算y轴幅值,该y轴幅值为所述最大值aymax与最小值aymin之差;
从z轴输出的具有60个数据点的滑动时间窗中计算出最大值azmax以及最小值azmin,然后计算z轴幅值,该z轴幅值为所述最大值azmax与最小值azmin之差;
从所述x轴幅值、y轴幅值以及z轴幅值中找出最大的幅值,将所述最大的幅值对应的轴确定为所述判别轴;其中:
所述x轴、y轴、z轴分别代表所述三维坐标系的三个轴。
2.根据权利要求1所述的跌倒检测系统,其特征在于,所述隐马尔科夫模型参数为λ=(A,B,Pi),所述观测序列为O(o1,o2,…,oT),所述隐马尔科夫模型参数λ包括状态转移概率矩阵A(Aij)、观测概率矩阵B(Bst)、初始状态概率向量Pi(p1,…,pN),其中,i,j∈(1,…,N),s∈(1,…,N),t∈(1,2,…,M),N为隐藏状态数量,M为观测状态数量,T为观测序列长度;所述跌倒概率计算模块用于对跌倒概率进行初始化,其初始化公式为:
所述跌倒概率计算模块还用于对参数t做循环计算,其公式为
其中,i∈(1,…,N),t∈(2,3,…,T),αi(t)和βi(t)为Viterbi算法的中间数据,为观测概率矩阵;
所述跌倒概率计算模块还用于对t=T时刻求和得到该观测序列的最终概率P(O|λ),公式为
3.根据权利要求1所述的跌倒检测系统,其特征在于,所述跌倒检测系统还包括:跌倒报警模块,用于响应跌倒事件向所述穿戴式设备发送报警信号以控制所述穿戴式设备发出报警信息;以及接收由所述穿戴式设备向服务端反馈的一组跌倒数据。
4.根据权利要求3所述的跌倒检测系统,其特征在于,所述跌倒检测系统还包括:参数更新模块,用于获取所述穿戴式设备发送的三轴加速度值及跌倒数据,按照预定的时间周期更新隐马尔科夫模型参数及所述阈值。
5.根据权利要求1所述的跌倒检测系统,其特征在于,当定值大于阈值时,所述跌倒判别模块判别所述穿戴式设备的用户发生跌倒事件;当定值小于或等于阈值时,所述跌倒判别模块判别所述穿戴式设备的用户未发生跌倒事件。
6.一种跌倒检测方法,其特征在于,应用于与穿戴式设备连接的服务器,所述跌倒检测方法包括:
获取穿戴式设备沿一三维坐标系三个轴向的实时三轴加速度值;
根据一滑动时间窗内包含的多个数据点的三轴加速度值选取三维坐标系三轴中的其中之一作为判别轴;
对所述判别轴上的加速度变化值进行分段处理,以设定观测状态数量;
设定隐藏状态数量;
依据隐藏状态数量及观测状态数量,通过Baum-Welch算法对隐马尔科夫模型参数进行模拟,生成隐马尔可夫模型;
基于隐马尔可夫模型确定隐马尔科夫模型参数及观测序列,在该隐马尔科夫模型参数及观测序列的基础上通过Viterbi算法计算概率最大的隐藏状态序列,将该概率最大的隐藏状态序列取对数得到一定值;
将所述定值与一阈值进行比较,判别所述穿戴式设备的用户是否发生跌倒事件;
其中,所述判别轴选取模块通过以下方式选取所述判别轴:
从x轴输出的具有60个数据点的滑动时间窗中计算出最大值axmax及最小值axmin,然后计算x轴幅值,该x轴幅值为所述最大值axmax与最小值axmin之差;
从y轴输出的具有60个数据点的滑动时间窗中计算出最大值aymax及最小值aymin,然后计算y轴幅值,该y轴幅值为所述最大值aymax与最小值aymin之差;
从z轴输出的具有60个数据点的滑动时间窗中计算出最大值azmax以及最小值azmin,然后计算z轴幅值,该z轴幅值为所述最大值azmax与最小值azmin之差;
从所述x轴幅值、y轴幅值以及z轴幅值中找出最大的幅值,将所述最大的幅值对应的轴确定为所述判别轴;其中:
所述x轴、y轴、z轴分别代表所述三维坐标系的三个轴。
7.根据权利要求6所述的跌倒检测方法,其特征在于,所述隐马尔科夫模型参数为λ=(A,B,Pi),所述观测序列为O(o1,o2,…,oT),所述隐马尔科夫模型参数λ包括状态转移概率矩阵A(Aij)、观测概率矩阵B(Bst)、初始状态概率向量Pi(p1,…,pN),其中,i,j∈(1,…,N),s∈(1,…,N),t∈(1,2,…,M),N为隐藏状态数量,M为观测状态数量,T为观测序列长度,所述基于隐马尔可夫模型确定隐马尔科夫模型参数及观测序列,通过Viterbi算法计算概率最大的隐藏状态序列的步骤包括:
对跌倒概率进行初始化,其初始化公式为:
对参数t做循环计算,其公式为
其中,i∈(1,…,N),t∈(2,3,…,T),αi(t)和βi(t)为Viterbi算法的中间数据,为观测概率矩阵;以及
对t=T时刻求和得到该观测序列的最终概率P(O|λ),公式为
8.根据权利要求6所述的跌倒检测方法,其特征在于,所述跌倒检测方法还包括:响应跌倒事件向所述穿戴式设备发送报警信号以控制所述穿戴式设备发出报警信息;以及接收由所述穿戴式设备向服务端反馈的一组跌倒数据。
9.根据权利要求8所述的跌倒检测方法,其特征在于,所述跌倒检测方法还包括:获取所述穿戴式设备发送的三轴加速度值及跌倒数据,更新隐马尔科夫模型参数及所述阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511028593.3A CN105559789B (zh) | 2015-12-31 | 2015-12-31 | 跌倒检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511028593.3A CN105559789B (zh) | 2015-12-31 | 2015-12-31 | 跌倒检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105559789A CN105559789A (zh) | 2016-05-11 |
CN105559789B true CN105559789B (zh) | 2019-05-21 |
Family
ID=55870841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511028593.3A Active CN105559789B (zh) | 2015-12-31 | 2015-12-31 | 跌倒检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105559789B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845658B (zh) * | 2017-01-21 | 2020-03-24 | 深圳市厚德世家智慧养老科技有限公司 | 社区养老微机构系统 |
CN113287805A (zh) * | 2021-05-27 | 2021-08-24 | 郑州大学 | 一种跌倒防护方法及可穿戴式跌倒防护装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2281612A1 (en) * | 2009-08-04 | 2011-02-09 | IDT Technology Limited | Apparatus and method for counting exercise repetitions |
CN103065435A (zh) * | 2012-12-28 | 2013-04-24 | 宋雅伟 | 基于加速度传感器的跌倒检测和报警装置及方法 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289911A (zh) * | 2011-07-19 | 2011-12-21 | 中山大学深圳研究院 | 一种基于热释电红外的跌倒检测系统 |
CN105706122A (zh) * | 2013-11-05 | 2016-06-22 | 日本电气株式会社 | 模型估计设备、模型估计方法和模型估计程序 |
CN104510475A (zh) * | 2014-12-15 | 2015-04-15 | 中国科学院计算技术研究所 | 一种人体跌倒检测方法及系统 |
CN104636756A (zh) * | 2015-02-06 | 2015-05-20 | 哈尔滨工业大学深圳研究生院 | 一种用于家庭老人监护的姿态识别方法 |
-
2015
- 2015-12-31 CN CN201511028593.3A patent/CN105559789B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2281612A1 (en) * | 2009-08-04 | 2011-02-09 | IDT Technology Limited | Apparatus and method for counting exercise repetitions |
CN103065435A (zh) * | 2012-12-28 | 2013-04-24 | 宋雅伟 | 基于加速度传感器的跌倒检测和报警装置及方法 |
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 |
Non-Patent Citations (1)
Title |
---|
人体运动检测系统设计与摔倒预测方法研究;周晴;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015(第10期);正文第2-6章 |
Also Published As
Publication number | Publication date |
---|---|
CN105559789A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019022854A1 (en) | DATA2DATA: DEEP LEARNING FOR REPRESENTATION AND RECOVERY OF CHRONOLOGICAL SERIES | |
CN109271970A (zh) | 人脸检测模型训练方法及装置 | |
CN105342626B (zh) | 穿戴式设备及应用于穿戴式设备的跌倒检测方法 | |
CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
Lu et al. | Graph-based structural change detection for rotating machinery monitoring | |
CN106709471A (zh) | 跌倒检测方法及装置 | |
CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
CN108717201B (zh) | 一种隧道围岩微震源定位方法 | |
CN113254549A (zh) | 人物关系挖掘模型的训练方法、人物关系挖掘方法及装置 | |
CN105559751A (zh) | 监测微活动状态的方法、装置及可穿戴设备 | |
CN105559789B (zh) | 跌倒检测系统及方法 | |
CN108255297A (zh) | 一种可穿戴设备应用控制方法和装置 | |
CN112163280B (zh) | 一种自动驾驶场景的模拟方法、装置、设备以及存储介质 | |
CN110046074A (zh) | 数据中心动力环境监测系统及监测方法 | |
CN106066707A (zh) | 检测便携式设备的物理分离 | |
CN113419233A (zh) | 感知效果的测试方法、装置和设备 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN116432522A (zh) | 一种用于电力走廊的导线模型的结构化建模方法和装置 | |
CN204931656U (zh) | 一种穿戴式智能设备 | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
CN106817252B (zh) | 上网数据处理方法及装置 | |
CN110197375A (zh) | 一种相似用户识别方法、装置、相似用户识别设备和介质 | |
CN108051001A (zh) | 一种机器人移动控制方法、系统及惯性传感控制装置 | |
CN105049615B (zh) | 一种应用于智能终端的用户出行提醒方法和智能终端 | |
CN111766557A (zh) | 一种基于K-Means算法分析影响电能表检测精度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |