CN105726034B

CN105726034B - 基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台

Info

Publication number: CN105726034B
Application number: CN201610062317.7A
Authority: CN
Inventors: 朱红岩; 张淳杰; 叶龙茂; 胡鹏
Original assignee: JIANGYIN ZHONGKE KINGSCORE TECH Co Ltd
Current assignee: JIANGYIN ZHONGKE KINGSCORE TECH Co Ltd
Priority date: 2016-01-29
Filing date: 2016-01-29
Publication date: 2018-08-10
Anticipated expiration: 2036-01-29
Also published as: CN105726034A

Abstract

本发明涉及一种基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台，其特征在于：它包括移动终端、服务器、电脑终端和腕表佩戴者，腕表内的硬件配置有GPS模块、网络通信模块和加速度传感器模块，GPS模块用来定位佩戴者的位置；加速度传感器模块按不断采集佩戴者腕部运动的加速度数据并根据相应算法进行状态判断；网络通信模块将这些信息传输出去，终端系统启动后，腕表可以实时监护佩戴者的行为状态，并不断进行行为状态和地理位置的发送，数据实时传送到服务端，同时腕表具有摔倒报警和跟踪定位功能，并且可以设置监护人电话号码，一旦腕表检测到佩戴者有摔倒行为，报警信息在发往服务器的同时可以实时发送到监护人手机。

Description

基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台

技术领域

本发明涉及一种基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台，主要应用于独居老人、养老院、社区养老等，为养老提供全方位智能服务。

背景技术

随着我国人口老龄化趋势的加快，我国老龄化进程正在加剧。老人年由于自身原因更容易摔倒并且产生严重的伤害。国内外对老年人摔倒模型的建立还没有一种成熟的方法，识别设备的使用也比较复杂。如何采用有效的模式识别方法检测老年人的摔倒已成为人工智能领域的研究热点。

当前国内与国外对人体摔倒识别问题研究的相关方法种类比较多，许多研究方法在识别人体摔倒的时候都以不侵犯个人隐私为前提，一部分理论研究的成果可以量产为商业设备上市。根据国内外研究中的检测方法和数据信息搜集途径的异同，目前的主要识别方法大致分为下列四类或者其中某几种方法的结合方法：

（1）用户手动触发报警的设备

这种设备在佩戴者摔倒的时候需要其手动发送报警信息，所以佩戴此类设备的老年人需要有一定的认知能力，同时还要有一定的行动能力，并且在使用者摔倒后仍然保持清醒。一般情况下，这种装置一般是手表、吊坠或者手环等电子设备，这类设备具有容易佩戴、操作简单、价格低廉等特点，将其通过网络或者基站发送报警信息就可以完成求救功能。当这类设备被使用者触发报警后，报警信息通过无线网络即可触发医疗警报系统，然后由医护人员或者家庭监护人及时处理报警信号。

虽然这类设备具有价格低廉、佩戴方便等特点，但是在使用上也有一定的局限性：比如当老人摔倒后假使撞击严重导致晕厥或者是肢体无法触发报警按钮，这时候这种装备便失去了作用；此外，这类设备对意识不清醒的患病老年人也不适用。

（2）基于视觉信息的摔倒检测系统

这种设备需要装置在能拍摄人体发生摔倒的地方，如卧室、庭院灯。其实现方法是通过摄像装置监视老年人的活动，通过图像识别方法识别出来人体是否摔倒。这种方法的优点是不需要被监护者穿戴任何设备，也不需要被监护者做任何操作，但是这种检测方法应用范围比较小，并且对被监护者的隐私侵犯比较严重。

这种方法的优点是不需要被监护者穿戴任何设备，也不需要被监护者做任何操作，但是这种检测方法应用范围比较小，并且对被监护者的隐私侵犯比较严重。

发明内容

本发明所要解决的技术问题是针对上述现有技术提供一种基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台，无需佩戴者手动启动报警信息，其可以自动识别出来人体的摔倒动作并通过网络或者基站信号将摔倒报警信息发送到医护监控端和亲人手机端，实现快速有效的跟踪定位，并及时发出报警，避免因时间延误而影响急救。

本发明解决上述问题所采用的技术方案为：一种基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台，它包括移动终端、服务器、电脑终端和腕表佩戴者，腕表内的硬件配置有 GPS 模块、网络通信模块和加速度传感器模块，GPS模块用来定位佩戴者的位置；加速度传感器模块按不断采集佩戴者腕部运动的加速度数据并根据相应算法进行状态判断；网络通信模块将这些信息传输出去，终端系统启动后，腕表可以实时监护佩戴者的行为状态，并不断进行行为状态和地理位置的发送，数据实时传送到服务端，同时腕表具有摔倒报警和跟踪定位功能，并且可以设置监护人电话号码，一旦腕表检测到佩戴者有摔倒行为，报警信息在发往服务器的同时可以实时发送到监护人手机。

优选地，本平台采用MVC的设计模式：

模型层：负责处理计算操作，同时在模型层也完成网络和数据库操作功能；

控制层：平台上控制层的主要功能是通过经由Activity转交给Model业务逻辑层处理，实现Activity功能；

视图层：平台对界面进行描述采用Xml形式，Xml的布局文件存放于文件夹中，在这个文件夹中也同样储存了显示界面模块方面的诸多内容。

优选地，对于腕表佩戴者的摔倒过程采用建模的方式，具体过程如下：

一、摔倒样本数据获取

在建立模型的过程中，逐一采集各种状态的动作数据各40组，摔倒动作数据100组，这100 组数据中含有各个方向摔倒的情况，使用采集到的摔倒样本中的80个组成训练样本集；

二、样本信息特征处理

对训练集X作 PCA 处理，得到新的训练集、特征向量矩阵和特征值向量，其中按特征值从大到小排列，特征值矩阵也按对应特征值作相应调整，然后选取特征值累计贡献度大于90%的维度作为最终的训练集，即按得到d 的值，最终得到的矩阵,作为基于加权高斯核函数的向量机输入矩阵；

三、训练样本

将二中经过特征处理后的样本以及参数λ送入基于加权高斯核函数的向量机进行训练，得到训练模型，训练中使用网格搜索法和 5-fold 交叉验证的方法寻找到的最优模型参数。

四、模型的存储

把三中经过训练得到的模型保存在存储设备中，系统在启动的时候可以直接读取加载训练好的模型来进行人体动作的判断；

人体摔倒识别的过程如下：

（1）系统启动的时候首先从存储设备中加载已经训练好的模型到内存中；

（2）按照上面所述的采集方法逐一采集摔倒样本信息；

（3）对于一条待预测的样本，将其映射到与训练样本同一个特征空间，其映射规则为，其中，为原始训练样本集 X 的平均值向量，P 为训练样本 PCA 得到的映射矩阵；

（4）将送入识别模型进行识别，输出识别结果。

与现有技术相比，本发明的优点在于：

1、本发明利用百度地图定位为基于移动客户端开发LBS应用提供基础定位能力，准确地定位老人摔倒的准确位置，后利用无线传感器进行感应，并将信息发送到求救中心进行处理。获取的地理位置信息可以通过百度地图服务，得到所在地的地图图片，作为参考信息发送给紧急联系人，以免由于紧急联系人不熟悉所在位置延误救治时间。

2、本发明通过传感器采集人体在日常生活中肢体的动作状态加速度数据，基于各种动作状态的力学特性异同来区分不同人体动作的检测方法，采用装配有加速度传感器的可穿戴设备来识别老人摔倒动作。

3、老人一旦摔倒，一定要能够发出“求救”信息，因此，当老人摔倒时，必须要能够自动发送短信，自动拨打电话，从而能够连接到通信机制，进行信息的传输，以致于老人能够获得求救。

附图说明

图1为本发明的系统通信示意图。

图2为本发明的定位原理。

图3 为本发明的加速度坐标系示意图。

图4 为本发明的滑动窗口示意图。

图5为本发明的摔倒识别模型的建立和识别过程示意图。

图6为本发明的智能系统硬件结构框图。

图7 为本发明的腕表式智能系统结构示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明涉及一种基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台，由移动终端系统和服务端系统两部分组成。其中移动终端是一款搭载Android平台的智能腕表，由被监护人佩戴于手腕上，人体摔倒的识别算法即是实现在该腕表设备上。腕表上有百度地图定位装置，所需要发送的信息可以通过基站将数据发送到互联网然后传输到服务器上。发送的数据中包括佩戴者的地理位置信息、所连接基站的运营商、基站的编号、人体状态等。服务端系统接收移动端发过来的信息。电脑端可以通过互联网查看腕表佩戴者信息。其中管理人员可以管理用户信息，监护人也可以通过 PC 端显示器通过登录查看被监护人的实时状态。移动终端也可以通过基站将报警信息发送给监护人手机。整个系统的通信示意图如1所示。

本平台的总体结构分成了三个层次，其中服务器端部署在通用计算机上，将移动终端客户端部署在腕表式设备上，将服务器端结构设置在远程计算机服务器中。本发明设计了系统架构，对系统设计采用了Model-View-Controller(MVC)设计模式，这一设计模式就是在设计系统时从数据模型模块，显示界面模块和业务控制模块三个不同的方向来实现的；

Activity是应用程序必不可少的一个组成部分。Activity的主要功能是给系统终端用户提供虚拟接口，每一个Activity在一般情况下都是表现为全屏的用户操作界面。

数据模型模块：负责处理计算操作，同时在模型层也完成网络和数据库操作功能。

业务控制模块：平台上控制层的主要功能是通过经由Activity转交给业务逻辑处理，实现Activity功能。

显示界面模块：平台对界面进行描述采用Xml形式，Xml的布局文件存放于layout文件夹中，在这个文件夹中也同样储存了显示界面模块方面的诸多内容。

本平台包括地理位置信息获取功能模块、人体跌倒侦测自动报警功能模块、人机交互功能模块、自动发送短信和拨打电话功能模块。

百度地图具备两种定位原则一种方式是釆用信号基站的定位方式；另一种方式是釆用定位方式。当用户需要进行定位时先通过应用程序向发送定位请求信号，会依据信号强弱或用户喜好等设置信息来选择相应的定位方式来实现最终的定位，定位原理如图2所示。

摔倒报警设计主要以粗糙单类SVM（向量机）以及核函数的理论知识为基础，针对单类支持向量机训练样本只有正类样本的特性，利用RBF 核函数在粗糙单类支持向量机中的方法，提出了一种基于训练样本分类特征贡献度的加权高斯核函数（λ-RBF），使得Roughone-class SVM 在训练模型的时候能充分挖掘与利用训练样本的特征以达到更好的识别效果。

人体各个部分的运动非常的复杂性并且是不确定的，不过对于特定的动作来说，当它发生的时候是具有一定的共性的。不同于腕部的其他无意义动作，人们在正常行走和跑步的时候，双手会自然前后摆动，人体摔倒过程也一样。一般情况下，在人体摔倒的过程中，出于本能，人的手臂会有一个特定的运动状态，并且在倒地后会有一个相对平稳的运动状态。整个过程期间主要包括三个特征：人体在倒地过程中的失重状态，手臂或手掌与地面接触的瞬间的撞击以及倒地后手臂趋于平稳的状态。这些摔倒过程中腕部加速度的变化表现出的规律可以作为区分摔倒动作与其他正常动作或者无意义动作的根据。

为研究人体运动过程中的手臂状态变化，我们使用装置有加速度传感器的腕表来采集人体日常生活当中手臂的加速度数据。

在人们的日常活动当中，由于重力的影响、手臂摆动以及身体与其它物体的碰撞使得腕部加速度实时变化。如果对这些实时变化的加速度时间序列进行采集，并通过模式识别的方法分析这些数据中隐藏的人体运动状态信息，就可以监测人体运动过程中是否发生摔倒行为。

定义地面坐标系为固定的笛卡尔坐标系 OXYZ，其中 Z轴垂直于腕表设备的表面，Y 轴平行于手臂，X 轴垂直于手臂与Z 轴，如图3所示。

定义采集一条样本数据 x需要的时间长度为T，加速度传感器的采样频率为c。由于每个点有x、y、z 三个方向的加速度数据，所以一个样本共有 n=3c T个特征描述，即一条样本有 n个维度。本文通过滑动时间窗口 S 来采集腕部运动过程中的以加速度数据形式表示人体运动行为的加速度时间序列。滑动窗口随着加速度数据的不断采集而不断前移，每采集到一个点的数据，时间窗口向前滑动 3 格（x、y、z 三个数据），继续采集下一个新的时间序列。

通常情况下，人体的摔倒动作持续在3 秒左右，因此我们定义T=3s ，每秒钟采集5次加速度数据，即 c =5Hz 。因此每一条样本中共有 n =3c T =45个维度，滑动窗口如图 4所示。

因此使用λ-RBF ROCSVM（基于加权高斯核函数的向量机）建立人体摔倒模型来区分目标动作和其他动作。基于λ-RBF ROCSVM 的摔倒识别模型由模型的建立和识别过程两部分组成。如图 5 所示，其基本过程是，首先按照采集摔倒时候腕部的加速度样本数据，然后整理数据，利用本文所提出的方法训练样本得到分类器模型，最后将该模型存储在腕表中的 SD 卡上。

本发明中对于摔倒的建模过程如下：

（1）摔倒样本数据获取。

在建立模型的过程中，我们按照所述的采集方法逐一采集自然行走、摔倒、上下楼梯以及无意义动作样本数据。各种状态的采集方案中自然行走、上下楼梯和无意义动作数据各40组，摔倒动作数据100 组，这100 组数据中含有前后左右等各个方向摔倒的情况。

使用采集到的摔倒样本中的80个组成训练样本集。

（2）样本信息特征处理。

对训练集X作 PCA 处理，得到新的训练集、特征向量矩阵和特征值向量，其中按特征值从大到小排列，特征值矩阵也按对应特征值作相应调整。然后选取特征值累计贡献度大于90%的维度作为最终的训练集，即按得到

d 的值，最终得到的矩阵,作为λ-RBF ROCSVM的输入矩阵。

（3）训练样本

将（2）中经过特征处理后的样本以及参数λ送入λ-RBF ROCSVM 进行训练，得到训练模型，训练中使用网格搜索法和 5-fold 交叉验证的方法寻找到的最优模型参数；

（4）模型的存储

把（3）中经过训练得到的模型保存在存储设备中，系统在启动的时候可以直接读取加载训练好的模型来进行人体动作的判断。

人体摔倒识别的过程如下。

（1）系统启动的时候首先从存储设备中加载已经训练好的模型到内存中。

（2）我们同样按照上面所述的采集方法逐一采集摔倒样本信息。

（3）对于一条待预测的样本，我们需要将其映射到与训练样本同一个特征空间，其映射规则为，其中，为原始训练样本集 X 的平均值向量，P 为训练样本PCA 得到的映射矩阵。

（4）将送入识别模型进行识别，输出识别结果。

系统硬件配置如下：

腕表：PAX S6，具有 GPS、加速度传感器、微控制器、网络控制器、SD 卡等模块。

系统硬件结构图，如图6所示。

腕表内的硬件配置有 GPS 模块、网络通信模块和加速度传感器模块。GPS 用来定位佩戴者的位置；加速度传感器模块按不断采集佩戴者腕部运动的加速度数据并根据本文提出的算法进行状态判断；通信模块将这些信息传输出去。终端系统启动后，腕表可以实时监护佩戴者的行为状态，并不断进行行为状态和地理位置的发送，数据实时传送到服务端。移动端具有摔倒报警和跟踪定位功能，并且可以设置监护人电话号码，一旦腕表检测到佩戴者有摔倒行为，报警信息在发往服务端的同时可以实时发送到监护人手机。

服务端系统不断接受终端发送过来的数据，并将佩戴者的行为状态、经纬度等信息显示到网页界面上，如果接收到佩戴者摔倒的信息，系统会进行报警。服务端系统接收到的所有信息均存储到服务器的数据库中，供监护人查看佩戴者的历史位置信息。

整个系统的结构示意图如图7所示。

除上述实施例外，本发明还包括有其他实施方式，凡采用等同变换或者等效替换方式形成的技术方案，均应落入本发明权利要求的保护范围之内。

Claims

1.一种基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台，其特征在于：它包括移动终端、服务器、电脑终端和腕表佩戴者，腕表内的硬件配置有GPS模块、网络通信模块和加速度传感器模块，GPS模块用来定位佩戴者的位置；加速度传感器模块按不断采集佩戴者腕部运动的加速度数据并根据相应算法进行状态判断；网络通信模块将佩戴者的位置和加速度数据信息传输出去，终端系统启动后，腕表实时监护佩戴者的行为状态，并不断进行行为状态和地理位置的发送，数据实时传送到服务端，同时腕表具有摔倒报警和跟踪定位功能，并且设置监护人电话号码，一旦腕表检测到佩戴者有摔倒行为，报警信息在发往服务器的同时实时发送到监护人手机，其特征在于：对于腕表佩戴者的摔倒过程采用建模的方式，具体过程如下：

一、摔倒样本数据获取

在建立模型的过程中，逐一采集各种状态的动作数据各40组，摔倒动作数据100组，这100组数据中含有各个方向摔倒的情况，使用采集到的摔倒样本中的80个组成训练样本集X＝(χ₁,Λ,χ₈₀)；

二、样本信息特征处理

对训练集X作PCA处理，得到新的训练集X'、特征向量矩阵P＝(p₁,Λ,p₈₀)和特征值向量λ＝(λ₁,Λ,λ₈₀)，其中λ按特征值从大到小排列，特征值矩阵也按对应特征值作相应调整，然后选取特征值累计贡献度大于90％的维度作为最终的训练集，即按得到d的值，最终得到80×d的矩阵X”,作为基于加权高斯核函数的向量机输入矩阵；

三、训练样本

将二中经过特征处理后的样本X”以及参数λ送入基于加权高斯核函数的向量机进行训练，得到训练模型，训练中使用网格搜索法和5-fold交叉验证的方法寻找到的最优模型参数；

四、模型的存储

把三中经过训练得到的模型保存在存储设备中，系统在启动的时候直接读取加载训练好的模型来进行人体动作的判断；

人体摔倒识别的过程如下：

(1)系统启动的时候首先从存储设备中加载已经训练好的模型到内存中；

(2)按照摔倒样本数据获取的方法逐一采集摔倒样本信息x；

(3)对于一条待预测的样本x，将其映射到与训练样本同一个特征空间，其映射规则为其中，为原始训练样本集X的平均值向量，P为训练样本PCA得到的映射矩阵；

(4)将x′送入识别模型进行识别，输出识别结果。

2.根据权利要求1所述的一种基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台，其特征在于：本平台采用MVC的设计模式，包括数据模型模块，显示界面模块和业务控制模块：

数据模型模块：负责处理计算操作，同时在模型层也完成网络和数据库操作功能；

业务控制模块：平台上控制层的主要功能是通过经由Activity转交给Model业务逻辑处理，实现Activity功能；

显示界面模块：平台对界面进行描述采用Xml形式，Xml的布局文件存放于文件夹中，在这个文件夹中也同样储存了显示界面模块方面的诸多内容；

Activity的主要功能是给系统终端用户提供虚拟接口，每一个Activity表现为全屏的用户操作界面。