CN105590409B - 一种基于大数据的人体跌倒检测方法及系统 - Google Patents

一种基于大数据的人体跌倒检测方法及系统 Download PDF

Info

Publication number
CN105590409B
CN105590409B CN201610105761.2A CN201610105761A CN105590409B CN 105590409 B CN105590409 B CN 105590409B CN 201610105761 A CN201610105761 A CN 201610105761A CN 105590409 B CN105590409 B CN 105590409B
Authority
CN
China
Prior art keywords
mrow
msub
msup
data
munderover
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.)
Expired - Fee Related
Application number
CN201610105761.2A
Other languages
English (en)
Other versions
CN105590409A (zh
Inventor
施化吉
张帆
周从华
刘志锋
徐宗保
朱小龙
陈伟鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201610105761.2A priority Critical patent/CN105590409B/zh
Publication of CN105590409A publication Critical patent/CN105590409A/zh
Application granted granted Critical
Publication of CN105590409B publication Critical patent/CN105590409B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于大数据的人体跌倒检测方法及系统，方法包括以下步骤：根据手机内置传感器采集的信息构建特征向量；通过机器学习模型识别是否发生跌倒行为；当判断用户为跌倒状态时，采集到的信息数据会实时传送到大数据平台，并按照个体相似性进行存储；所述平台采用相似度度量算法分析所有上传的数据，判断是否存在更新数据；若是，则平台生成新的数据样本，同时根据数据样本生成新的机器学习分类模型。当系统判断人体发生跌倒时，手机会自动触发报警装置，从而使跌倒能够得到及时的救援。同时随着样本越来越多，系统的准确率也会不断提高。本发明可应用于监测儿童、老人及病患的活动安全。

Description

一种基于大数据的人体跌倒检测方法及系统
技术领域
本发明涉及大数据、机器学习、医疗健康和移动互联网等领域，具体涉及一种基于大数据的人体跌倒检测方法及系统。
背景技术
随着时间的推移，二战之后人口快速增长导致的“Baby Boomers”问题愈来愈严重，同时随着生活方式的变革，年轻人生活观念的变化，“空巢家庭”的问题也越来越严重。根据有关部门统计，我国的空巢家庭数量一直呈上升之势，预期到了2030年空巢老年人家庭的比例将达到90％。跌倒是老年人群中常见的伤害事件，会使老人遭遇诸如骨折、出血、中枢神经系统损伤等身体上的伤害。如果不及时治疗就可能导致老人失能瘫痪甚至死亡。据相关统计，跌倒相关的受伤成为老年人死亡的第五大诱因，据统计在老年人意外死亡中2/3都是由跌倒引起的。而对社会而言，老年人的跌倒也会带来沉重的负担。我国每年至少有2000万老年人发生跌倒，直接医疗费用超过50亿元人币。而跌倒检测系统的开发很大程度上会提高老年人跌倒之后及时获得救助的机率，大大提高老年人生活的安全性。
然而，跌倒检测是一项极具挑战性的技术。目前的跌倒检测研究普遍存在以下问题：
1、难以获取真实的老年人跌倒数据作为跌倒检测方法的基础训练数据，在试验中普遍采用的是学生的跌倒数据，这就造成了跌到检测算法准确率的无法提高。
2、现有的跌倒检测算法分类模型都是固定的，面向大众的，并不能根据人体的特征差异进行调整。
3、传统的关于跌倒检测的研究，跌倒数据往往只作为判断跌倒状态的依据，判断之后数据就被释放。这就造成数据资源的浪费以及跌倒检测连续性的缺失。
发明内容
本发明的目的在于提供一种基于大数据的人体跌倒检测方法及系统，以实现人体跌倒检测方法及系统在数据样本缺乏的前提下，提高检测准确率，且可以动态的调整跌倒检测算法，适用于人体特征差异较大的情况。
为了解决以上技术问题，本发明采用的具体技术方案如下：
一种基于大数据的人体跌倒检测方法，其特征在于包括以下步骤：
步骤一，搭建一个大数据平台，包括存储层和数据处理层；
步骤二，利用移动互联网技术，将手机数据与所述大数据平台数据进行同步；
步骤三，采集传感器信息，包括采集三轴加速度传感器信息和采集陀螺仪传感器信息；
步骤四，根据所采集的传感器信息数据构建特征向量；
步骤五，通过机器学习模型建立跌倒检测算法以识别人体跌倒行为是否发生；
步骤六，若人体跌倒行为发生，则上传步骤四所述特征向量至大数据平台进行存储；
步骤七，通过计算相似度度量来判断大数据平台存储步骤六所述的特征向量是否更新；若相似度度量计算结果不为1，则说明特征向量发生了更新，若结果为1，则说明特征向量没有发生更新；
步骤八，若步骤七所述相似度度量计算结果不为1，则根据步骤六存储的新的特征向量，生成新的机器学习模型，即新的跌倒检测分类算法；一开始机器学习模型运用期望最大化算法是鉴于试验数据难于获取与收集，故而将有限的数据作用发挥到最大。
所述步骤四中构建特征向量时，运用的是三轴加速度传感器的合加速度和陀螺仪传感器的三轴姿态角度，采用的是窗长256、步长128的50％重叠滑动窗口法截取部分信号数据，选取最大加速度、最小加速度、加速度均值以及三轴角度；所述三轴加速度传感器的合加速度Soa计算如下：
其中ax,ay,az分别是采集到的三轴加速度分量；
三轴姿态角度计算如下：
θx＝∫wxdt,θy＝∫wydt,θz＝∫wzdt,
其中wx,wy,wz分别为陀螺仪输出的三轴角速度。
所述步骤五中，由于缺乏足够的数据样本，所述跌倒检测算法采用的是朴素贝叶斯算法加期望最大化算法，具体过程为：
过程3.1，将所述步骤四得到的特征值向量x，归一化后作为朴素贝叶斯算法模型的输入；
过程3.2，在调用朴素贝叶斯模型之前，首先使用带类标的数据训练一个朴素贝叶斯分类器模型；训练数据为T＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中 是第i个样本的第j个特征，ajl是j个特征可能取的第l个值，j＝1,2,…n，l＝1,2,…Sj，yi∈{c1,c2,ck}
过程3.3，计算先验概率及条件概率，具体如下：
j＝1,2,…n；l＝1,2,…Sj；k＝1,2,…K
过程3.4，对于给定的特征向量x＝(x(1),x(2),…,x(n))T，计算
过程3.5，确定特征值向量x的分类
过程3.6，把训练的分类器应用到无类标数据上，为无类标数据标记类概率，即期望过程：
其中，
p(xt,zt)＝P(zt)p(xt|zt)
为定义的指示变量向量，xt是独立同分布，是0/1随机变量，πi表示先验概率，Φ是需要求出的参数；
过程3.7，使用所有数据的类标训练一个新的分类器，即最大化过程
过程3.8，迭代参数Φ直至收敛，最后得精确的Φ和分类器。
所述步骤七中相似度度量采用的是PPMCC皮尔逊相关系数法，具体过程为：
过程4.1，对于大数据平台存储的特征向量数据样本属性进行统一标准，向量分别包含最大加速度、最小加速度、加速度均值以及三轴角度；
过程4.2，遍历数据集合，对于部分缺失数据采用均值的方式进行填补；
过程4.3，利用PPMCC计算数据平台存储的数据样本更新前后是否相同，计算如下：
其中X，Y分别表示两个数据样本，Xi表示X第i个样本，Yi表示Y的第i个样本，cov表示协方差，E表示期望值，μ表示均值，σ表示标准差；
过程4.4，若ρXY为1,则表示平台存储的数据样本几乎没有发生变化；若ρXY不为1，则表示平台存储的数据样本发生了变化，在这种情况下，建立的分类模型就需要重新调整。
所述步骤八中，调整新的机器学习模型时，不再需要运用期望最大化算法，只需运用朴素贝叶斯算法即可。
一种基于大数据的人体跌倒检测系统，其特征在于包括：手机和至少3台计算机服务器；所述手机用于监测人体的运动情况,并根据运动情况信息生成跌倒判断特征向量,判断人体是否跌倒；当判断人体为跌倒状态时,手机检测到的特征向量传送到大数据平台进行存储；所述服务器用于搭建大数据平台。
所述手机包括微控制器、与微控制器连接的用于实时获取用户运动情况的三轴加速度传感器和陀螺仪传感器、与微控制器连接的用于传输数据的GPRS模块以及与微控制器连接的用于报警的报警接口单元。
所述计算机服务器搭建的大数据平台利用Hadoop加Spark技术，平台包括一个存储层，用以储存跌倒时的特征向量；一个数据处理层，用来判断特征向量的更新和生成新的跌到检测算法。
本发明系统的工作过程如下：
系统包括模块：传感器信息采集模块，特征向量构造模块，跌倒识别模块，跌倒检测算法生成模块，跌倒报警模块，特征向量数据存储模块，特征向量样本更新模块。
其中传感器信息采集模块的输出与特征向量构造模块的输入连接，特征向量构造模块和跌倒检测算法生成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报警模块和特征向量数据存储模块的输入连接，特征向量数据存储模块的输出与特征向量样本更新模块的输入连接，特征向量样本更新模块的输出与跌倒检测算法生成模块的输入连接。
本发明具有有益效果。本发明通过数据挖掘技术和大数据技术，使得人体跌倒检测方法及系统更加准确，适应范围更加广泛，具有以下优点：
1.本发明通过采用朴素贝叶斯算法和期望最大化算法，避免了初始特征向量数据样本较少无法建立分类模型的情况，提高了初始跌到检测准确率。
2.本发明通过采用计算相似度度量的方法，对特征向量数据样本进行相似性判断，只有样本不相似时，分类模型才会做出调整。
3.本发明通过获取跌倒的特征向量不同，系统可以为不同用户提供各自不同的分类算法模型，即为用户实行“个性化定制”。
总体来说，本发明能实时的将跌倒的数据传送到大数据平台，使得数据样本越来越丰富，跌倒识别准确率不断提高。同时系统不但可以服务所有用户，还可以为用户实行“个性化定制”。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图，对本发明的技术方案做进一步详细说明。如图1所示,本发明中的基于大数据的人体跌倒检测方法及系统，其具体步骤如下：
步骤一、搭建一个大数据平台，包括存储层和数据处理层。在这里，我们可以运用Apache项目下已经成熟的Hadoop存储平台加Spark计算平台。
步骤二、利用移动互联网技术，将手机数据与所述大数据平台数据进行同步。
步骤三、采集传感器信息，包括三轴加速度传感器信息和陀螺仪传感器信息。
步骤四、根据传感器信息数据构建特征向量。构建特征向量时，运用到的是三轴加速度传感器的合加速度和陀螺仪传感器的三轴姿态角度，采用的是窗长256、步长128的50％重叠滑动窗口法截取部分信号数据，选取最大加速度、最小加速度、加速度均值以及三轴角度。
A、计算三轴加速度传感器的合加速度Soa，
其中ax,ay,az分别是三轴的加速度分量；
B、计算三轴姿态角度，
θx＝∫wxdt,θy＝∫wydt,θz＝∫wzdt,
其中wx,wy,wz分别为陀螺仪输出的三轴角速度。
步骤五、通过机器学习模型建立跌倒检测算法来识别跌倒行为是否发生。计算包括如下步骤：
A、通过跌倒数据，计算得到特征值向量x，该特征值向量归一化后作为朴素贝叶斯算法模型的输入。
B、在调用朴素贝叶斯模型之前，我们首先要使用带类标的数据训练一个朴素贝叶斯分类器模型。训练数据为T＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中 是第i个样本的第j个特征，ajl是j个特征可能取的第l个值，j＝1,2,…n，l＝1,2,…Sj，yi∈{c1,c2,ck}
C、计算先验概率及条件概率：
j＝1,2,…n；l＝1,2,…Sj；k＝1,2,…K
D、对于给定的特征向量x＝(x(1),x(2),…,x(n))T，计算
E、确定特征值向量x的分类
F、把训练的分类器应用到无类标数据上，为无类标数据标记类概率，即期望过程：
其中，
p(xt,zt)＝P(zt)p(xt|zt)
在这里为定义的指示变量向量，xt是独立同分布，是0/1随机变量，πi表示先验概率，Φ是需要求出的参数。
G、使用所有数据的类标训练一个新的分类器，即最大化过程；
H、迭代参数Φ直至收敛，最后得精确的Φ和分类器
步骤六、上传跌倒数据信息至大数据平台进行存储。上传的数据，可以按照个体相似度差异进行分开存储，将个体属性类似所采集的数据放在一起，这样有利于系统个体化分类模型的建立。建立针对不同人群的个体化分类模型，可以大大能提高跌倒检测准确率。
步骤七、通过相似度度量计算判断数据是否更新。具体步骤如下：
A、对于大数据平台存储的特征向量数据样本属性进行统一标准，向量分别包含最大加速度、最小加速度、加速度均值以及三轴角速度。
B、遍历数据集合，对于部分缺失数据采用均值的方式进行填补。
C、利用PPMCC皮尔逊相关系数法计算数据平台存储的数据样本更新前后是否相同，计算如下：
其中X，Y分别表示两个数据样本，Xi表示X第i个样本，Yi表示Y的第i个样本，cov表示协方差，E表示期望值，μ表示均值，σ表示标准差。
D、若ρXY为1,则表示平台存储的数据样本几乎没有发生变化；若ρXY不为1，则表示平台存储的数据样本发生了变化，在这种情况下，建立的分类模型就需要重新调整。
步骤八、根据新的跌倒检测样本数据生成新的机器学习模型，即新的跌倒检测分类算法。当大数据平台建立了新的机器学习模型时，平台会将该模型实时的发送到用户的手机中。平台发送的模型不但可以大众化，也可以个人化。意思就是系统不但可以服务所有用户，还可以为用户实行“个性化定制”，即每个用户因为生理差异的不同，所获取跌倒的特征向量也不同，根据这点，系统可以为不同用户提供各自不同的算法分类模型。
本发明系统的检测工作过程如下：
系统包括模块：传感器信息采集模块，特征向量构造模块，跌倒识别模块，跌倒检测算法生成模块，跌倒报警模块，特征向量数据存储模块，特征向量样本更新模块。
要检测人体跌倒情况，首先要有一部内置三轴加速度传感器和陀螺仪传感器手机，传感器信息采集模块就是采集三轴加速度传感器和陀螺仪传感器的信息数据。
传感器信息采集模块的输出与特征向量构造模块的输入连接，特征向量是由三轴加速度传感器的最大合加速度、最小合加速度、合加速度均值以及陀螺仪传感器计算得到的三轴姿态角度组成，特征向量提取时采用的是窗长256、步长128的50％重叠滑动窗口法。
特征向量构造模块和跌倒检测算法生成模块的输出与跌倒识别模块的输入连接，跌倒检测算法生成模块采用的是朴素贝叶斯和期望最大化机器学习算法；跌倒检测算法分类模型构建完成之后，将特征向量利用分类模型进行判断，从而对特征向量进行分类，分为跌倒和正常两类即可。
跌倒识别模块的输出与跌倒报警模块和特征向量数据存储模块的输入连接，当跌倒识别模块判断人体发生跌倒时，系统触发报警装置，若判断错误，报警可在10秒内人为的取消，若判断正确，系统会将特征向量传送至特征向量数据存储模块；该模块会将特征向量进行分类存储，便于特征向量数据的二次利用。
特征向量数据存储模块的输出与特征向量样本更新模块的输入连接，特征向量样本更新模块用于判断特征向量数据存储模块的特征向量是否发生更新，若是，则需要调整跌倒检测算法，若不是，则不需要做任何变动。
特征向量样本更新模块的输出与跌倒检测算法生成模块的输入连接，如果特征向量数据发生更新，则跌倒检测算法需要重新生成，重新生成跌倒检测算法采用的是朴素贝叶斯算法。

Claims (8)

1.一种基于大数据的人体跌倒检测方法，其特征在于包括以下步骤：
步骤一，搭建一个大数据平台，包括存储层和数据处理层；
步骤二，利用移动互联网技术，将手机数据与所述大数据平台数据进行同步；
步骤三，采集传感器信息，包括采集三轴加速度传感器信息和采集陀螺仪传感器信息；
步骤四，根据所采集的传感器信息数据构建特征向量；
步骤五，通过机器学习模型建立跌倒检测算法以识别人体跌倒行为是否发生；
步骤六，若人体跌倒行为发生，则上传步骤四所述特征向量至大数据平台进行存储；
步骤七，通过计算相似度度量来判断大数据平台存储步骤六所述的特征向量是否更新；若相似度度量计算结果不为1，则说明特征向量发生了更新，若结果为1，则说明特征向量没有发生更新；
步骤八，若步骤七所述相似度度量计算结果不为1，则根据步骤六存储的新的特征向量，生成新的机器学习模型，即新的跌倒检测分类算法；一开始机器学习模型运用期望最大化算法是鉴于试验数据难于获取与收集，故而将有限的数据作用发挥到最大。
2.根据权利要求1所述的一种基于大数据的人体跌倒检测方法，其特征在于：所述步骤四中构建特征向量时，运用的是三轴加速度传感器的合加速度和陀螺仪传感器的三轴姿态角度，采用的是窗长256、步长128的50％重叠滑动窗口法截取部分信号数据，选取最大加速度、最小加速度、加速度均值以及三轴角度；所述三轴加速度传感器的合加速度Soa计算如下：
<mrow> <mi>S</mi> <mi>o</mi> <mi>a</mi> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>a</mi> <mi>x</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>a</mi> <mi>y</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>a</mi> <mi>z</mi> <mn>2</mn> </msubsup> </mrow> </msqrt> </mrow>
其中ax,ay,az分别是采集到的三轴加速度分量；
三轴姿态角度计算如下：
θx＝∫wxdt,θy＝∫wydt,θz＝∫wzdt,
其中wx,wy,wz分别为陀螺仪输出的三轴角速度。
3.根据权利要求1或2所述的一种基于大数据的人体跌倒检测方法，其特征在于：所述步骤五中，由于缺乏足够的数据样本，所述跌倒检测算法采用的是朴素贝叶斯算法加期望最大化算法，具体过程为：
过程3.1，将所述步骤四得到的特征值向量x，归一化后作为朴素贝叶斯算法模型的输入；
过程3.2，在调用朴素贝叶斯模型之前，首先使用带类标的数据训练一个朴素贝叶斯分类器模型；训练数据为T＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中 是第i个样本的第j个特征，ajl是j个特征可能取的第l个值，j＝1,2,…n，l＝1,2,…Sj，yi∈{c1,c2,ck}
过程3.3，计算先验概率及条件概率，具体如下：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>Y</mi> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>K</mi> </mrow>
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <msub> <mi>a</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mo>|</mo> <mi>Y</mi> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>I</mi> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>=</mo> <msub> <mi>a</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mi>n</mi> <mo>;</mo> <mi>l</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <msub> <mi>S</mi> <mi>j</mi> </msub> <mo>;</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mi>K</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
过程3.4，对于给定的特征向量x＝(x(1),x(2),…,x(n))T，计算
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>Y</mi> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>P</mi> <mrow> <mo>(</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <mi>Y</mi> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>K</mi> </mrow>
过程3.5，确定特征值向量x的分类
<mrow> <mi>y</mi> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <msub> <mi>c</mi> <mi>k</mi> </msub> </munder> <mi>P</mi> <mrow> <mo>(</mo> <mi>Y</mi> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>P</mi> <mrow> <mo>(</mo> <msup> <mi>X</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <mi>Y</mi> <mo>=</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow>
过程3.6，把训练的分类器应用到无类标数据上，为无类标数据标记类概率，即期望过程：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>Q</mi> <mrow> <mo>(</mo> <mi>&amp;Phi;</mi> <mo>|</mo> <msup> <mi>&amp;Phi;</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mo>=</mo> <mi>E</mi> <mo>&amp;lsqb;</mo> <mi>log</mi> <mi> </mi> <mi>P</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>,</mo> <mi>Z</mi> <mo>)</mo> </mrow> <mo>|</mo> <mi>x</mi> <mo>,</mo> <msup> <mi>&amp;Phi;</mi> <mi>l</mi> </msup> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mi>E</mi> <mo>&amp;lsqb;</mo> <msub> <mi>L</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>&amp;Phi;</mi> <mo>|</mo> <mi>x</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>|</mo> <mi>x</mi> <mo>,</mo> <msup> <mi>&amp;Phi;</mi> <mi>l</mi> </msup> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>t</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <mi>E</mi> <mo>&amp;lsqb;</mo> <msubsup> <mi>Z</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>|</mo> <mi>x</mi> <mo>,</mo> <msup> <mi>&amp;Phi;</mi> <mi>l</mi> </msup> <mo>&amp;rsqb;</mo> <mo>&amp;lsqb;</mo> <msub> <mi>log&amp;pi;</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>log</mi> <mi> </mi> <msub> <mi>p</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mi>t</mi> </msup> <mo>|</mo> <msup> <mi>&amp;Phi;</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，
<mrow> <msub> <mi>L</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>&amp;Phi;</mi> <mo>|</mo> <mi>x</mi> <mo>,</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <munder> <mo>&amp;Pi;</mo> <mi>t</mi> </munder> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mi>t</mi> </msup> <mo>,</mo> <msup> <mi>z</mi> <mi>t</mi> </msup> <mo>|</mo> <mi>&amp;Phi;</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
p(xt,zt)＝P(zt)p(xt|zt)
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mi>t</mi> </msup> <mo>|</mo> <msup> <mi>z</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <msup> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> <msubsup> <mi>z</mi> <mi>i</mi> <mi>t</mi> </msubsup> </msup> </mrow>
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <msup> <mi>z</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msubsup> <mi>&amp;pi;</mi> <mi>i</mi> <msubsup> <mi>z</mi> <mi>i</mi> <mi>t</mi> </msubsup> </msubsup> <mo>;</mo> </mrow>
为定义的指示变量向量，xt是独立同分布，是0/1随机变量，πi表示先验概率，Φ是需要求出的参数；
过程3.7，使用所有数据的类标训练一个新的分类器，即最大化过程
<mrow> <msup> <mi>&amp;Phi;</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>&amp;Phi;</mi> </munder> <mi>Q</mi> <mrow> <mo>(</mo> <mi>&amp;Phi;</mi> <mo>|</mo> <msup> <mi>&amp;Phi;</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
过程3.8，迭代参数Φ直至收敛，最后得精确的Φ和分类器。
4.根据权利要求1所述的一种基于大数据的人体跌倒检测方法，其特征在于：所述步骤七中相似度度量采用的是PPMCC皮尔逊相关系数法，具体过程为：
过程4.1，对于大数据平台存储的特征向量数据样本属性进行统一标准，向量分别包含最大加速度、最小加速度、加速度均值以及三轴角度；
过程4.2，遍历数据集合，对于部分缺失数据采用均值的方式进行填补；
过程4.3，利用PPMCC计算大数据平台存储的数据样本更新前后是否相同，计算如下：
<mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mi>X</mi> <mi>Y</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>cov</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>,</mo> <mi>Y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;sigma;</mi> <mi>X</mi> </msub> <msub> <mi>&amp;sigma;</mi> <mi>Y</mi> </msub> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <mi>E</mi> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <mi>X</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>X</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mi>Y</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>Y</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mrow> <msub> <mi>&amp;sigma;</mi> <mi>X</mi> </msub> <msub> <mi>&amp;sigma;</mi> <mi>Y</mi> </msub> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>X</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>Y</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>X</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>Y</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow> </mfrac> </mrow>
其中X，Y分别表示两个数据样本，Xi表示X第i个样本，Yi表示Y的第i个样本，cov表示协方差，E表示期望值，μ表示均值，σ表示标准差；
过程4.4，若ρXY为1,则表示平台存储的数据样本几乎没有发生变化；若ρXY不为1，则表示平台存储的数据样本发生了变化，在这种情况下，建立的分类模型就需要重新调整。
5.根据权利要求1所述的一种基于大数据的人体跌倒检测方法，其特征在于：所述步骤八中，调整新的机器学习模型时，不再需要运用期望最大化算法，只需运用朴素贝叶斯算法即可。
6.实施如权利要求1所述的人体跌倒检测方法的一种基于大数据的人体跌倒检测系统，其特征在于包括：手机和至少3台计算机服务器；所述手机用于监测人体的运动情况,并根据运动情况信息生成跌倒判断特征向量,判断人体是否跌倒；当判断人体为跌倒状态时,手机检测到的特征向量传送到大数据平台进行存储；所述服务器用于搭建大数据平台。
7.根据权利要求6所述的一种基于大数据的人体跌倒检测系统，其特征在于：所述手机包括微控制器、与微控制器连接的用于实时获取用户运动情况的三轴加速度传感器和陀螺仪传感器、与微控制器连接的用于传输数据的GPRS模块以及与微控制器连接的用于报警的报警接口单元。
8.根据权利要求6所述的一种基于大数据的人体跌倒检测系统，其特征在于，所述计算机服务器搭建的大数据平台利用Hadoop加Spark技术，平台包括一个存储层，用以储存跌倒时的特征向量；一个数据处理层，用来判断特征向量的更新和生成新的跌到检测算法。
CN201610105761.2A 2016-02-26 2016-02-26 一种基于大数据的人体跌倒检测方法及系统 Expired - Fee Related CN105590409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610105761.2A CN105590409B (zh) 2016-02-26 2016-02-26 一种基于大数据的人体跌倒检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610105761.2A CN105590409B (zh) 2016-02-26 2016-02-26 一种基于大数据的人体跌倒检测方法及系统

Publications (2)

Publication Number Publication Date
CN105590409A CN105590409A (zh) 2016-05-18
CN105590409B true CN105590409B (zh) 2018-04-03

Family

ID=55929959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610105761.2A Expired - Fee Related CN105590409B (zh) 2016-02-26 2016-02-26 一种基于大数据的人体跌倒检测方法及系统

Country Status (1)

Country Link
CN (1) CN105590409B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016160624A1 (en) 2015-03-27 2016-10-06 Other Lab Llc Lower-leg exoskeleton system and method
CN106125713B (zh) * 2016-06-14 2018-08-10 西安交通大学 一种区间删失情况下可靠性增长的评估与预测方法
CN106407996A (zh) * 2016-06-30 2017-02-15 华南理工大学 一种基于机器学习的老人跌倒检测方法及其检测系统
EP3576707B1 (en) * 2017-02-03 2024-01-31 Roam Robotics Inc. System and method for user intent recognition
CN106897743B (zh) * 2017-02-22 2020-05-05 广州市勤思网络科技有限公司 基于贝叶斯模型的移动考勤防作弊大数据检测方法
CN107358248B (zh) * 2017-06-07 2021-03-23 南京邮电大学 一种提高跌倒检测系统精度的方法
CN111278398B (zh) 2017-08-29 2022-08-23 漫游机械人技术公司 半监督意图识别系统和方法
EP3648725B1 (en) 2017-08-29 2022-08-03 Roam Robotics Inc. Exoskeleton fit evaluation system and method
CN108109336B (zh) * 2017-11-28 2020-11-13 北京品驰医疗设备有限公司 一种基于加速度传感器的人体跌倒识别方法
CN108549900A (zh) * 2018-03-07 2018-09-18 浙江大学 基于移动设备佩戴位置的人体跌倒检测方法
CN108771543B (zh) * 2018-04-16 2020-11-03 齐鲁工业大学 一种基于大数据的真实环境下老人跌倒检测方法及系统
WO2021119512A1 (en) 2019-12-13 2021-06-17 Roam Robotics Inc. Powered device to benefit a wearer during skiing
IL295817A (en) 2020-02-25 2022-10-01 Roam Robotics Inc Fluid Actuator Systems and Methods for Mobile Robots
CN111693024A (zh) * 2020-06-11 2020-09-22 秦奕天 一种基于九轴惯性测量单元可穿戴人体传感监测设备
CN112346050B (zh) * 2020-10-23 2024-06-28 清华大学 基于Wi-Fi设备的跌倒检测方法及系统
CN112435440B (zh) * 2020-10-30 2022-08-09 成都蓉众和智能科技有限公司 一种基于物联网平台的非接触式室内人员跌倒识别方法
CN112464738B (zh) * 2020-11-05 2022-08-23 江苏集萃未来城市应用技术研究所有限公司 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
CN112885035A (zh) * 2021-01-13 2021-06-01 厦门米蓝信息科技有限公司 一种基于大数据的真实环境下老人跌倒检测方法及系统
US12115663B2 (en) 2021-08-17 2024-10-15 Roam Robotics Inc. Maritime applications for a mobile robot

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101702258B (zh) * 2009-04-28 2011-03-30 中国科学院合肥物质科学研究院 一种人体摔倒自动检测报警系统的信息处理方法
US9402568B2 (en) * 2011-08-29 2016-08-02 Verizon Telematics Inc. Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets
CN102760341B (zh) * 2012-07-16 2014-04-16 深圳市富晶科技有限公司 健康信息监测系统及方法
CN103027687B (zh) * 2012-12-05 2015-03-04 北京工业大学 基于3d加速度仪和陀螺仪的老年人跌倒检测报警系统
CN104881562A (zh) * 2014-12-14 2015-09-02 刘玉伟 一种适用于老年人的智能健康管理方法及可穿戴设备

Also Published As

Publication number Publication date
CN105590409A (zh) 2016-05-18

Similar Documents

Publication Publication Date Title
CN105590409B (zh) 一种基于大数据的人体跌倒检测方法及系统
Chen et al. Intelligent fall detection method based on accelerometer data from a wrist-worn smart watch
CN104361321B (zh) 一种判断老年人摔倒行为及身体平衡能力的方法
CN104771177B (zh) 一种基于机器学习的跌倒检测系统及方法
Hossain et al. A direction-sensitive fall detection system using single 3D accelerometer and learning classifier
CN104269025B (zh) 面向户外摔倒监测的穿戴式单节点特征及位置选取方法
Li et al. Grammar-based, posture-and context-cognitive detection for falls with different activity levels
Zhao et al. Recognition of human fall events based on single tri-axial gyroscope
CN104637242A (zh) 一种基于多分类器集成的老人跌倒检测方法及系统
Yang et al. A wearable real-time fall detector based on Naive Bayes classifier
Ellis et al. Physical activity recognition in free-living from body-worn sensors
CN105869354B (zh) 一种基于吸引子传播算法的老人跌倒检测方法
CN106650300B (zh) 一种基于极限学习机的老人监护系统及方法
CN111743545B (zh) 基于深度学习的老人摔倒检测方法、检测手环及存储介质
Shi et al. Fall detection system based on inertial mems sensors: Analysis design and realization
Kambhampati et al. Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier
Kerdegari et al. Development of wearable human fall detection system using multilayer perceptron neural network
Andrić et al. Sensor-based activity recognition and performance assessment in climbing: A review
Dai Vision-based 3d human motion analysis for fall detection and bed-exiting
Jawale et al. Elcare: elderly care with fall detection
Chen et al. Improve the Accuracy of Fall Detection Based on Artificial Intelligence Algorithm.
Patel et al. Machine learning prediction of tbi from mobility, gait and balance patterns
Liu et al. Preimpact fall detection for elderly based on fractional domain
Kock et al. Identifying cheating behaviour with machine learning
Nguyen et al. Detecting falls using a wearable accelerometer motion sensor

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180403

Termination date: 20200226

CF01 Termination of patent right due to non-payment of annual fee