CN105869354B - 一种基于吸引子传播算法的老人跌倒检测方法 - Google Patents

一种基于吸引子传播算法的老人跌倒检测方法 Download PDF

Info

Publication number
CN105869354B
CN105869354B CN201610274438.8A CN201610274438A CN105869354B CN 105869354 B CN105869354 B CN 105869354B CN 201610274438 A CN201610274438 A CN 201610274438A CN 105869354 B CN105869354 B CN 105869354B
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
information
sample
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
Application number
CN201610274438.8A
Other languages
English (en)
Other versions
CN105869354A (zh
Inventor
袁雪姣
周智恒
谭江慧
赵汝正
刘楷怡
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201610274438.8A priority Critical patent/CN105869354B/zh
Publication of CN105869354A publication Critical patent/CN105869354A/zh
Application granted granted Critical
Publication of CN105869354B publication Critical patent/CN105869354B/zh
Active 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

Abstract

本发明公开了一种基于吸引子传播算法的老人跌倒检测方法，包括步骤：1)采集每个传感器的样本信息；2)处理样本信息并进行归一化，构造样本状态加权和；3)将样本加权和输入AP聚类器；4)利用聚类结果构造平衡二叉树，标记聚类结果；5)采集每个传感器的信息；6)处理传感器信息并进行归一化，构造状态加权和；7)按照加权和结果查找平衡二叉树，输出预测结果。本发明通过运用吸引子传播算法实现的AP聚类器和由状态加权和构造的平衡二叉树，有效提高老人跌倒检测的准确率，从而解决现有跌倒检测方法的准确率不高，存在较大的误判情况的问题。

Description

一种基于吸引子传播算法的老人跌倒检测方法
技术领域
本发明涉及医疗健康和机器学习的技术领域，尤其是指一种基于吸引子传播算法的老人跌倒检测方法。
背景技术
我国社会年龄结构正逐步趋于老龄化，老年人的安全监护问题也越来越得到重视。其中，跌倒是造成我国65岁以上老年人受伤害的首因，严重影响老年人的生活质量和身心健康。2006年全国疾病监测系统死因监测数据显示：我国65岁以上老年人跌倒死亡率男性为49.56/10万，女性为52.80/10万。老年人跌倒死亡率随年龄的增加急剧上升。因此，如何在第一时间检测出老人跌倒时间的发生，让老人能够及时获得救治成了人们最为关注的问题。基于这个出发点，老人跌倒检测系统逐步兴起。跌倒检测系统可以判断老人是否跌倒并及时报警，保障了老年人的人身安全。
现有的跌倒方案大多只利用了三轴加速度传感器，有一定的误报率。虽然目前不少学者提出老人跌倒检测方法，但是这个研究还存在诸多问题，主要问题集中在检测的准确率不高，存在一定的误判率方面。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于吸引子传播算法的老人跌倒检测方法，通过运用吸引子传播算法实现的AP聚类器和由状态加权和构造的平衡二叉树，有效提高老人跌倒检测的准确率，从而解决现有跌倒检测方法的准确率不高，存在较大的误判情况的问题。
为实现上述目的，本发明所提供的技术方案为：一种基于吸引子传播算法的老人跌倒检测方法，包括以下步骤：
1)采集每个传感器的样本信息；
2)处理样本信息并进行归一化，构造样本状态加权和；
3)将样本加权和输入AP聚类器；
4)利用聚类结果构造平衡二叉树，标记聚类结果；
5)采集每个传感器的信息；
6)处理传感器信息并进行归一化，构造状态加权和；
7)按照加权和结果查找平衡二叉树，输出预测结果。
步骤1)和5)中的传感器包括有三轴加速度传感器、心率传感器、血压传感器、陀螺仪。由三轴加速度传感器获得加速度信息ai，心率传感器获得信息hi，血压传感器获得信息bi，陀螺仪获得信息wi。
在步骤2)和6)中，需处理传感器采集的信息获得人体加速度幅值矢量均值、人体位置角度均值、加速度均值、心率均值、血压均值，对各物理量进行归一化，最后构造它们的状态加权和。
在步骤3)中，采用吸引子传播算法，将状态加权和输入AP聚类器，得到可构造平衡二叉树的聚类结果。
在步骤4)中，将聚类结果按照顺序构造平衡二叉树，并对应跌倒、行走、卧躺、站立四种状态对各聚类中心进行标记。
在步骤7)中，采用欧式距离描述差异，通过查找平衡二叉树找出与加权和差距最小的聚类中心，从而判定状态，完成跌倒识别。
所述步骤2)具体包括以下步骤：
a)共采集跌倒、行走、卧躺、坐立四种状态下共N组样本信息：P1,P2,...,PN，Pi表示第i组样本信息，每一组样本信息对应以下四个物理量(ai,hi,bi,wi),i＝1,2,…,N；
b)传感器采集数据的时间设为(0,T)，对各类信息先进行预处理，获得判断因子：
①用人体加速度幅值矢量SVM的变化描述人体运动的剧烈程度：
②用人体位置与重力方向的夹角θ确定人体姿态的变化，其中，用陀螺仪测量人体角度的变化进一步校正加速度传感器测量的角度值：
③利用各轴加速度与时间围成的面积来近似表示能量变化：
④利用心率数据与时间围成的面积来确定心率波动情况：
⑤利用血压数据与时间围成的面积来表示血压波动情况：
c)将不同量纲的各类判断因子按照以下公式分别进行归一化：
qmax＝max{q1,q2,…,qN}
d)使用各类判断因子SVMi,sinΘi,Vi,Ei,Ui，构造出样本状态加权和：
Di＝λ1SVMi+λ2sinΘi+λ3Vi+λ4Ei+λ5Ui
其中，权值λj,(j＝1,2,…,5)在训练AP聚类器的时候进行更新调整，以获得最佳的聚类结果。
所述步骤3)具体包括以下步骤：
a)利用吸引子传播算法构造AP聚类器
首先需要获得相似度矩阵S；现有样本加权和个数为N，即样本点，计算任意两点之间的相似度得到矩阵S，其中S矩阵行数为N(N-1),表示N个点与其他N-1个点直接的相似度信息；S的列数为3，第一列的值为i个样本点中任意一点,第二列的值为除i点外其他任意点j,第三列的值为s(i,j)＝-(Di-Dj)2，故相似度矩阵S的大小为N(N-1)行3列；
b)采用吸引子传播算法对样本加权和进行将聚类
先初始化吸引度矩阵R及归属度矩阵A，即均为0，然后进行迭代；r(i,k)表示第k个样本适合作为第i个样本的类代表点的代表程度，a(i,k)表示第i个样本选择第k个样本作为类代表样本的适合程度；具体迭代步骤如下：
第一阶段：迭代更新公式
r(i,k)＝s(i,k)-max{a(i,k')+s(i,k')},k'∈{1,2,3.....,N,k'≠k}
第二阶段：评判聚类中心
通过{a(k,k)+r(k,k)＞0}这个评判标准来选出当前的聚类中心；
反复执行上述第一、二阶段的步骤，直至聚类中心连续若干次迭代不发生改变，或者迭代次数超过阈值，则停止迭代，再由来确定i的聚类中心。
在步骤4)中，平衡二叉树是一种二叉排列树，其中每个节点的左右子树高度接近或等于；设获得聚类中心m个，将每个获得的聚类中心对应其原属的跌倒、行走、卧躺、站立四种状态添加标记，并按加权和大小将聚类中心构造成为一棵平衡二叉树。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明除了采用三轴加速度传感器以外，还采用了包括心率传感器、血压传感器、陀螺仪等多种传感器作为判断老人活动状态的依据，在一定程度上降低了误报的可能性。
2、老人跌倒检测方法分为阀值方法和机器学习分类方法，本发明采用机器学习分类方法，具体采用了吸引子传播算法进行聚类。
3、本发明利用聚类中心实现平衡二叉树的构造，保证了检测的效率。
附图说明
图1为本发明的老人跌倒检测方法训练流程图。
图2为本发明的老人跌倒检测方法执行流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所述的基于吸引子传播算法的老人跌倒检测方法，包括以下步骤：
1)采集每个传感器的样本信息；
2)处理样本信息并进行归一化，构造样本状态加权和；
3)将样本加权和输入AP聚类器；
4)利用聚类结果构造平衡二叉树，标记聚类结果；
5)采集每个传感器的信息；
6)处理传感器信息并进行归一化，构造状态加权和；
7)按照加权和结果查找平衡二叉树，输出预测结果。
步骤1)和5)中的传感器包括有三轴加速度传感器(个体运动时，会产生三个正交的加速度，这些加速度的值可用来计算人体加速度幅值矢量SVM的变化，从而判断老人身体姿势的变化，是判断老人是否发生跌倒的依据)、心率传感器(基于手臂血管中血液在脉动时会发生密度改变而引起透光率的变化，将发送绿色波长后可接受的反射光及光场强度的变化，换算成心率数据，通过心率传感器获得人体心率变化判断跌倒)、血压传感器(由于老人行动较缓，因而在正常状态下，血压不会出现剧烈波动。故根据人体血压的在不同状态下的波动数值，来判断跌倒)、陀螺仪(现有的陀螺仪可以精确确定运动物体在3个正交方向上的转角，从而通过陀螺仪获取人体运动方位的变化判断跌倒)。由三轴加速度传感器获得加速度信息ai，心率传感器获得信息hi，血压传感器获得信息bi，陀螺仪获得信息wi。
在步骤2)和6)中，需处理传感器采集的信息获得人体加速度幅值矢量均值、人体位置角度均值、加速度均值、心率均值、血压均值，对各物理量进行归一化，最后构造它们的状态加权和。
在步骤3)中，采用吸引子传播算法，将状态加权和输入AP聚类器，得到可构造平衡二叉树的聚类结果。
在步骤4)中，将聚类结果按照顺序构造平衡二叉树，并对应跌倒、行走、卧躺、站立四种状态对各聚类中心进行标记。
在步骤7)中，采用欧式距离描述差异，通过查找平衡二叉树找出与加权和差距最小的聚类中心，从而判定状态，完成跌倒识别。
所述步骤2)具体包括以下步骤：
a)共采集跌倒、行走、卧躺、坐立四种状态下共N组样本信息：P1,P2,...,PN，Pi表示第i组样本信息，每一组样本信息对应以下四个物理量(ai,hi,bi,wi),i＝1,2,…,N；
b)传感器采集数据的时间设为(0,T)，对各类信息先进行预处理，获得判断因子：
①用人体加速度幅值矢量SVM的变化描述人体运动的剧烈程度：
②用人体位置与重力方向的夹角θ确定人体姿态的变化，其中，用陀螺仪测量人体角度的变化进一步校正加速度传感器测量的角度值：
③利用各轴加速度与时间围成的面积来近似表示能量变化：
④利用心率数据与时间围成的面积来确定心率波动情况：
⑤利用血压数据与时间围成的面积来表示血压波动情况：
c)将不同量纲的各类判断因子按照以下公式分别进行归一化：
qmax＝max{q1,q2,…,qN}
d)使用各类判断因子SVMi,sinΘi,Vi,Ei,Ui，构造出样本状态加权和：
Di＝λ1SVMi+λ2sinΘi+λ3Vi+λ4Ei+λ5Ui
其中，权值λj,(j＝1,2,…,5)在训练AP聚类器的时候进行更新调整，以获得最佳的聚类结果。
所述步骤3)具体包括以下步骤：
a)利用吸引子传播算法构造AP聚类器
首先需要获得相似度矩阵S；现有样本加权和个数为N，即样本点，计算任意两点之间的相似度得到矩阵S，其中S矩阵行数为N(N-1),表示N个点与其他N-1个点直接的相似度信息；S的列数为3，第一列的值为i个样本点中任意一点,第二列的值为除i点外其他任意点j,第三列的值为s(i,j)＝-(Di-Dj)2，故相似度矩阵S的大小为N(N-1)行3列；
b)采用吸引子传播算法对样本加权和进行将聚类
先初始化吸引度矩阵R及归属度矩阵A，即均为0，然后进行迭代；r(i,k)表示第k个样本适合作为第i个样本的类代表点的代表程度，a(i,k)表示第i个样本选择第k个样本作为类代表样本的适合程度；具体迭代步骤如下：
第一阶段：迭代更新公式
r(i,k)＝s(i,k)-max{a(i,k')+s(i,k')},k'∈{1,2,3.....,N,k'≠k}
第二阶段：评判聚类中心
通过{a(k,k)+r(k,k)＞0}这个评判标准来选出当前的聚类中心；
反复执行上述第一、二阶段的步骤，直至聚类中心连续若干次迭代不发生改变，或者迭代次数超过阈值，则停止迭代，再由来确定i的聚类中心。
在步骤4)中，平衡二叉树是一种二叉排列树，其中每个节点的左右子树高度接近或等于；设获得聚类中心m个，将每个获得的聚类中心对应其原属的跌倒、行走、卧躺、站立四种状态添加标记，并按加权和大小将聚类中心构造成为一棵平衡二叉树。
图2为本实施例上述老人跌倒检测方法的执行流程图，包括以下步骤：
1)采集每个传感器的信息；
2)处理传感器信息并进行归一化，构造状态加权和；
3)按照加权和结果查找平衡二叉树，输出预测结果。
步骤1)中，在实际应用中被采集的传感器包括三轴加速度传感器，心率传感器，血压传感器，三轴陀螺仪，假设采集到的信息为(a,h,b,w)。
步骤2)中，处理传感器信息并进行归一化，构造状态加权和：
D＝λ1SVM+λ2sinΘ+λ3V+λ4E+λ5U
步骤3)中，按照加权和结果查找平衡二叉树，输出预测结果。
将D输入到平衡二叉树中进行查找，用欧式距离评价差异，即d＝(D-Di)2，距离越小，则越接近此聚类中心。在二叉树中找到与输入D最接近的值，则此聚类中心所属状态，即为输入信号对应状态，从而完成跌倒识别。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (8)

1.一种基于吸引子传播算法的老人跌倒检测方法，其特征在于，包括以下步骤：
1)采集每个传感器的样本信息；
2)处理样本信息并进行归一化，构造样本状态加权和，包括以下步骤：
a)共采集跌倒、行走、卧躺、坐立四种状态下共N组样本信息：P1,P2,...,PN，Pi表示第i组样本信息，每一组样本信息对应以下四个物理量(ai,hi,bi,wi),i＝1,2,…,N；其中，ai为由三轴加速度传感器获得的加速度信息，hi为由心率传感器获得的信息，bi为血压传感器获得的信息，wi为由陀螺仪获得的信息；
b)传感器采集数据的时间设为(0,T)，对各类信息先进行预处理，获得判断因子：
①用人体加速度幅值矢量SVM的变化描述人体运动的剧烈程度：
<mrow> <msub> <mi>svm</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>T</mi> </munderover> <msqrt> <mrow> <msup> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>x</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mn>2</mn> </msup> <mo>+</mo> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>y</mi> <mo>,</mo> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>z</mi> <mo>,</mo> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> </mrow>
②用人体位置与重力方向的夹角θ确定人体姿态的变化，其中，用陀螺仪测量人体角度的变化进一步校正加速度传感器测量的角度值：
<mrow> <msub> <mi>sin&amp;theta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>T</mi> </munderover> <mfrac> <msqrt> <mrow> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>x</mi> <mo>,</mo> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>y</mi> <mo>,</mo> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> <msqrt> <mrow> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>x</mi> <mo>,</mo> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>y</mi> <mo>,</mo> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>a</mi> <mrow> <mi>i</mi> <mi>z</mi> <mo>,</mo> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> </mfrac> </mrow>
③利用各轴加速度与时间围成的面积来近似表示能量变化：
<mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <mrow> <mo>(</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>x</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>y</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>z</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
④利用心率数据与时间围成的面积来确定心率波动情况：
<mrow> <msub> <mi>e</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <mrow> <mo>(</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>h</mi> <mrow> <mi>i</mi> <mi>x</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>h</mi> <mrow> <mi>i</mi> <mi>y</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>h</mi> <mrow> <mi>i</mi> <mi>z</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
⑤利用血压数据与时间围成的面积来表示血压波动情况：
<mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <mrow> <mo>(</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>b</mi> <mrow> <mi>i</mi> <mi>x</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>b</mi> <mrow> <mi>i</mi> <mi>y</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>T</mi> </msubsup> <mo>|</mo> <msub> <mi>b</mi> <mrow> <mi>i</mi> <mi>z</mi> </mrow> </msub> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
c)将不同量纲的各类判断因子按照以下公式分别进行归一化：
<mrow> <msub> <mi>Q</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>q</mi> <mi>i</mi> </msub> <mrow> <mo>|</mo> <msub> <mi>q</mi> <mi>max</mi> </msub> <mo>|</mo> </mrow> </mfrac> <mo>,</mo> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>svm</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>sin&amp;theta;</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>e</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>;</mo> <msub> <mi>Q</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>SVM</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>sin&amp;Theta;</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>V</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>E</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>U</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
qmax＝max{q1,q2,…,qN}
d)使用各类判断因子SVMi,sinΘi,Vi,Ei,Ui，构造出样本状态加权和：
Di＝λ1SVMi+λ2sinΘi+λ3Vi+λ4Ei+λ5Ui
其中，权值λj,(j＝1,2,…,5)在训练AP聚类器的时候进行更新调整，以获得最佳的聚类结果；
3)将样本加权和输入AP聚类器；
4)利用聚类结果构造平衡二叉树，标记聚类结果；
5)采集每个传感器的信息；
6)处理传感器信息并进行归一化，构造状态加权和；
7)按照加权和结果查找平衡二叉树，输出预测结果。
2.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于：步骤1)和5)中的传感器包括有三轴加速度传感器、心率传感器、血压传感器、陀螺仪，由三轴加速度传感器获得加速度信息ai，心率传感器获得信息hi，血压传感器获得信息bi，陀螺仪获得信息wi。
3.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于：在步骤2)和6)中，需处理传感器采集的信息获得人体加速度幅值矢量均值、人体位置角度均值、加速度均值、心率均值、血压均值，对各物理量进行归一化，最后构造它们的状态加权和。
4.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于：在步骤3)中，采用吸引子传播算法，将状态加权和输入AP聚类器，得到可构造平衡二叉树的聚类结果。
5.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于：在步骤4)中，将聚类结果按照顺序构造平衡二叉树，并对应跌倒、行走、卧躺、站立四种状态对各聚类中心进行标记。
6.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于：在步骤7)中，采用欧式距离描述差异，通过查找平衡二叉树找出与加权和差距最小的聚类中心，从而判定状态，完成跌倒识别。
7.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于，所述步骤3)具体包括以下步骤：
a)利用吸引子传播算法构造AP聚类器
首先需要获得相似度矩阵S；现有样本加权和个数为N，即样本点，计算任意两点之间的相似度得到矩阵S，其中S矩阵行数为N(N-1),表示N个点与其他N-1个点直接的相似度信息；S的列数为3，第一列的值为i个样本点中任意一点,第二列的值为除i点外其他任意点j,第三列的值为s(i,j)＝-(Di-Dj)2，故相似度矩阵S的大小为N(N-1)行3列；
b)采用吸引子传播算法对样本加权和进行将聚类
先初始化吸引度矩阵R及归属度矩阵A，即均为0，然后进行迭代；r(i,k)表示第k个样本适合作为第i个样本的类代表点的代表程度，a(i,k)表示第i个样本选择第k个样本作为类代表样本的适合程度；具体迭代步骤如下：
第一阶段：迭代更新公式
r(i,k)＝s(i,k)-max{a(i,k')+s(i,k')},k'∈{1,2,3.....,N,k'≠k}
<mrow> <mi>a</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>min</mi> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mi>r</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <munder> <mi>&amp;Sigma;</mi> <mrow> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <mo>&amp;NotElement;</mo> <mo>{</mo> <mi>i</mi> <mo>,</mo> <mi>k</mi> <mo>}</mo> </mrow> </munder> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mi>r</mi> <mo>(</mo> <mrow> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <mo>,</mo> <mi>k</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>k</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munder> <mi>&amp;Sigma;</mi> <mrow> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <mo>&amp;NotEqual;</mo> <mi>k</mi> </mrow> </munder> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mi>r</mi> <mo>(</mo> <mrow> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <mo>,</mo> <mi>k</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mi>k</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
第二阶段：评判聚类中心
通过{a(k,k)+r(k,k)＞0}这个评判标准来选出当前的聚类中心；
反复执行上述第一、二阶段的步骤，直至聚类中心连续若干次迭代不发生改变，或者迭代次数超过阈值，则停止迭代，再由来确定i的聚类中心。
8.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于：在步骤4)中，平衡二叉树是一种二叉排列树，其中每个节点的左右子树高度接近或等于；设获得聚类中心m个，将每个获得的聚类中心对应其原属的跌倒、行走、卧躺、站立四种状态添加标记，并按加权和大小将聚类中心构造成为一棵平衡二叉树。
CN201610274438.8A 2016-04-29 2016-04-29 一种基于吸引子传播算法的老人跌倒检测方法 Active CN105869354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610274438.8A CN105869354B (zh) 2016-04-29 2016-04-29 一种基于吸引子传播算法的老人跌倒检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610274438.8A CN105869354B (zh) 2016-04-29 2016-04-29 一种基于吸引子传播算法的老人跌倒检测方法

Publications (2)

Publication Number Publication Date
CN105869354A CN105869354A (zh) 2016-08-17
CN105869354B true CN105869354B (zh) 2017-12-01

Family

ID=56628692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610274438.8A Active CN105869354B (zh) 2016-04-29 2016-04-29 一种基于吸引子传播算法的老人跌倒检测方法

Country Status (1)

Country Link
CN (1) CN105869354B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960543A (zh) * 2017-05-22 2017-07-18 广东工业大学 一种跌倒监测方法
TWI668674B (zh) * 2018-03-28 2019-08-11 國立交通大學 以日常生活動作為判斷基準之跌倒感測系統及其方法
CN112386249B (zh) * 2019-08-14 2023-09-19 中移(苏州)软件技术有限公司 跌倒检测方法及装置、设备、存储介质
CN111657918B (zh) * 2020-06-12 2021-09-24 电子科技大学 一种结合心电和惯性传感数据的跌倒检测方法及系统
CN111743545B (zh) * 2020-07-07 2023-11-28 天津城建大学 基于深度学习的老人摔倒检测方法、检测手环及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2009286390B2 (en) * 2008-08-28 2015-08-06 Koninklijke Philips Electronics N.V. Fall detection and/or prevention systems
CN102302370B (zh) * 2011-06-30 2013-01-30 中国科学院计算技术研究所 一种跌倒检测方法和装置
CN102772211A (zh) * 2012-08-08 2012-11-14 中山大学 一种人体运动状态检测系统及检测方法
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
CN105125221B (zh) * 2015-10-26 2017-11-10 重庆理工大学 云服务实时摔倒检测系统及方法

Also Published As

Publication number Publication date
CN105869354A (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN105869354B (zh) 一种基于吸引子传播算法的老人跌倒检测方法
CN110309861B (zh) 一种基于生成对抗网络的多模态人类活动识别方法
Chen et al. Intelligent fall detection method based on accelerometer data from a wrist-worn smart watch
CN101194273B (zh) 时空自组织映射
CN104361321B (zh) 一种判断老年人摔倒行为及身体平衡能力的方法
CN109166094A (zh) 一种基于深度学习的绝缘子故障定位识别方法
Delgado-Escano et al. A cross-dataset deep learning-based classifier for people fall detection and identification
Koubâa et al. Activity monitoring of islamic prayer (salat) postures using deep learning
CN108509897A (zh) 一种人体姿态识别方法和系统
CN105160400A (zh) 基于l21范数的提升卷积神经网络泛化能力的方法
CN103886341A (zh) 基于特征组合的步态行为识别方法
CN108446733A (zh) 一种基于多传感器数据的人体行为监测及智能识别方法
Ghazali et al. Common sport activity recognition using inertial sensor
CN110084286A (zh) 一种基于传感器的ecoc技术的人体动作识别方法
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
CN103533888B (zh) 用于分类哺乳动物的身体方位的装置和方法
CN108304887A (zh) 基于少数类样本合成的朴素贝叶斯数据处理系统及方法
CN107890166A (zh) 一种基于足底压力姿态识别的智能鞋垫
CN108764123A (zh) 基于神经网络算法的智能识别人体睡眠姿势方法
WO2023035093A1 (zh) 基于惯性传感器的人体行为识别方法
CN108717548B (zh) 一种面向传感器动态增加的行为识别模型更新方法及系统
Sikder et al. Human action recognition based on a sequential deep learning model
Youn et al. Wearable sensor-based biometric gait classification algorithm using WEKA
Luqian et al. Human activity recognition using time series pattern recognition model-based on tsfresh features
CN110705599B (zh) 一种基于在线迁移学习的人体动作识别方法

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