CN106203512B - 基于多传感器信息融合的摔倒检测方法 - Google Patents
基于多传感器信息融合的摔倒检测方法 Download PDFInfo
- Publication number
- CN106203512B CN106203512B CN201610544385.7A CN201610544385A CN106203512B CN 106203512 B CN106203512 B CN 106203512B CN 201610544385 A CN201610544385 A CN 201610544385A CN 106203512 B CN106203512 B CN 106203512B
- Authority
- CN
- China
- Prior art keywords
- axis
- point
- human body
- value
- acceleration
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于多传感器信息融合的摔倒检测方法,数据处理领域。所述方法:首先,建立摔倒检测数学模型,将高度变化、倾角、旋转角度、加速度变化量、角速度变化量等作为系统输入量,将是否摔倒作为系统输出量,采用系统辨识的方法,建立摔倒检测数学模型;其次,通过检测测试点加速度向量幅度、角速度向量幅度是否均超过阈值,进行初步摔倒判断;最后,如果初步判断符合摔倒条件则进行详细判断,根据摔倒检测数学模型对摔倒进行判断。本申请所述算法可以区分躺下和摔倒,避免发现误报情况,其它情况下的误报率也明显降低,摔倒检测更准确。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于多传感器信息融合的摔倒检测方法。
背景技术
摔倒已成为老年人死亡的一大杀手,现有市场中有很多佩戴在老年人身上用于检测老年人摔倒的设备,这些设备中安装计算摔倒的算法,但是现有关于老年人摔倒的存在使用传感器单一,安装的算法仅通过加速度传感器,检测摔倒前后人体姿态的变化,进行摔倒判断,算法简单,易出现漏判、误判的情况。
发明内容
本发明的目的在于提供一种基于多传感器信息融合的摔倒检测方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明所述基于多传感器信息融合的摔倒检测方法,所述方法包括:
S1,建立摔倒检测数学模型
获取并将n个样本点的高度变化、倾角变化值、旋转角度、加速度变化量、角速度变化作为系统输入量,将n个样本点的摔倒数据作为系统输出量,采用系统辨识的方法,建立摔倒检测数学模型公式(1),获得模型参数:
△h1,……,△hn表示n个样本点中每个样本点摔倒前、后的高度变化量;
△β1,……,△βn表示n个样本点中每个样本点摔倒前、后的倾角变化值;
λ1,……,λn表示n个样本点中每个样本点摔倒前、后的旋转角度;
△a1,……,△an表示n个样本点中每个样本点在摔倒过程中加速度变化量的最大值;
△ω1,……,△ωn表示n个样本点中每个样本点在摔倒过程中角速度变化量的最大值;
k1表示使用n个样本点摔倒前、后的高度变化量构建摔倒检测数学模型获得的模型参数;k2表示使用n个样本点摔倒前、后的倾角变化量构建摔倒检测数学模型获得的模型参数;k3表示使用n个样本点摔倒前、后的旋转角度构建摔倒检测数学模型获得的模型参数;k4表示使用n个样本点摔倒前、后的加速度变化量构建摔倒检测数学模型获得的模型参数;k5表示使用n个样本点摔倒前、后的角速度变化量构建摔倒检测数学模型获得的模型参数;
y1,…,yn表示n个样本点中每个样本点所对应的摔倒数据;
S2,初步摔倒判断
判断测试点加速度向量幅度、测试点角速度向量幅度是否超过预先设定的阈值,如果是,则进入S3;如果否,则确定为人体当前状态不是摔倒,返回S1;
S3,根据摔倒检测数学模型对摔倒进行详细判断;
将测试点高度变化、测试点倾角变化值、测试点旋转角度、测试点加速度变化量的最大值、测试点角速度变化量的最大值代入摔倒数学模型公式(2),得到摔倒数据,并判断所述摔倒数据是否均超过预先设定的阈值,如果是,则判断为摔倒;如果否,则不是摔倒;
△h表示测试点摔倒前、后的高度变化量;△β表示测试点摔倒前、后的倾角变化值;λ表示测试点摔倒前、后的旋转角度;△a表示测试点摔倒过程中加速度变化量的最大值;△ω表示测试点摔倒过程中角速度变化量的最大值;f表示通过公式(2)计算获得的测试点的摔倒数据。
优选地,将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的高度变化值,利用气压传感器检测目标点摔倒前、后气压值,根据等温大气压高方程,将气压变化转化成高度的变化,具体为公式(3)计算:
△h表示目标点摔倒前、后的高度变化量,Z1为摔倒后人体海拔高度,Z2为摔倒前人体海拔高度值,P1为摔倒后气压值,P2为摔倒前气压值,R为理想气体常数,T为绝对温度,g为重力加速度值。
优选地,将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的倾角变化值,具体按照下述步骤实现:
A1,利用三轴加速度传感器检测摔倒前、后加速度的值,采用公式(4)分别计算人体摔倒前的倾斜角值和人体摔倒后的倾斜角值;
其中,(gx,gy,gz)为任意一个状态Q的加速度向量值,gx,gy,gz分别为任意一个状态Q的x轴、y轴、z轴上的加速度分量,β表示任意一个状态Q的倾斜角;所述任意一个状态Q为目标点人体摔倒前的倾斜角值或目标点人体摔倒后的倾斜角值;
A2,将摔倒前后倾斜角度相减,按照公式(5)获得目标点的倾斜角度变化值:
Δβ=β1-β2 (5);
其中,β1为人体摔倒后倾斜角值,β2为人体摔倒前倾斜角值,△β为目标点的人体摔倒前、后的倾角变化值。
优选地,将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的旋转角度,具体按照下述步骤实现:
B1,利用三轴加速度传感器检测摔倒前、后的加速度值,根据公式(6)计算目标点人体摔倒前、后加速度向量夹角;
其中,(bx,by,bz)表示人体摔倒前加速度向量值,bx,by,bz分别为人体摔倒前x轴、y轴、z轴上的加速度分量;(cx,cy,cz)表示人体摔倒后加速度向量值,cx,cy,cz分别为人体摔倒后x轴、y轴、z轴上的加速度分量;θ1为人体摔倒前、后加速度向量夹角;
B2,利用三轴磁力传感器检测人体摔倒前、后磁力的值,根据公式7计算人体摔倒前后磁力向量夹角;
其中,(dx,dy,dz)表示人体摔倒前磁力向量值,dx,dy,dz分别为人体摔倒前x轴、y轴、z轴上的磁力分量,(ex,ey,ez)表示人体摔倒后磁力向量值,ex,ey,ez分别为人体摔倒后x轴、y轴、z轴上的磁力分量,θ2为人体摔倒前、后磁力向量夹角;
B3,将人体摔倒前、后加速度向量夹角θ1,人体摔倒前、后磁力向量夹角磁力向量夹角θ2代入公式(8)计算在目标点人体的旋转角度:
λ=p1*θ1+p2*θ2 (8);
其中,p1表示摔倒前后加速度向量夹角的权重,p2表示摔倒前后磁力向量夹角的权重。
优选地,样本点或测试点的加速度变化量按照公式(9)计算:
其中,(a1x,a1y,a1z)为任意时间点的加速度向量值,a1x,a1y,a1z分别为某时间点x轴、y轴、z轴上的加速度分量,(a2x,a2y,a2z)为下一时间点的加速度向量值,a2x,a2y,a2z分别为下一时间点x轴、y轴、z轴上的加速度分量,△a表示样本点或测试点的加速度变化量。
优选地,样本点或测试点的角速度变化量按照公式(10)计算:
其中,(ω1x,ω1y,ω1z)表示某时间点的角速度向量值,ω1x,ω1y,ω1z分别为某时间点x轴、y轴、z轴上的角速度分量,(ω2x,ω2y,ω2z)表示下一时间点的角速度向量值,ω2x,ω2y,ω2z分别为下一时间点x轴、y轴、z轴上的角速度分量,△ω表示样本点或测试点的角速度变化量。
优选地,步骤S2中,测试点加速度向量幅度按照公式(11)计算:
其中,(ax,ay,az)表示测试点的加速度向量值,ax,ay,az分别表示测试点x轴、y轴、z轴上的加速度分量,SVM表示测试点加速度向量幅度。
优选地,步骤S2中,测试点角速度向量幅度按照公式(12)计算:
其中,(ωx,ωy,ωz)表示测试点角速度向量值,ωx,ωy,ωz分别表示测试点x轴、y轴、z轴上的角速度分量,AVM表示测试点角速度向量幅度。
本申请采用高度传感器、3轴加速度传感器、3轴陀螺传感器、以及3轴磁力传感器,对人体的运动状态进行采集,采用多传感器信息融合技术对摔倒进行判断。首先,建立摔倒检测数学模型,将高度变化、倾角、旋转角度、加速度变化量、角速度变化量等作为系统输入量,将是否摔倒作为系统输出量,采用系统辨识的方法,建立数学模型;其次,通过检测加速度、角速度是否超过阈值,进行初步摔倒判断;最后,如果初步判断符合摔倒条件则进行详细判断,根据建立的数学模型对摔倒进行判断。
本发明的有益效果是:
本发明基于多种传感器,采用多传感器信息融合的方法,综合模糊算法,提高了判断的准确性。现有摔倒检测产品,只简单的检测倾角的变化,不能区分摔倒和人正常躺下,当人体躺下时一直处于报警状态,而,本申请所述算法可以区分躺下和摔倒,避免发现误报情况,其它情况下的误报率也明显降低,摔倒检测更准确。
附图说明
图1是基于多传感器信息融合的摔倒检测方法的流程示意图。
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,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例
本实施例所述基于多传感器信息融合的摔倒检测方法,所述方法包括:
S1,建立摔倒检测数学模型
获取并将n个样本点的高度变化、倾角变化值、旋转角度、加速度变化量、角速度变化作为系统输入量,将n个样本点的摔倒数据作为系统输出量,采用系统辨识的方法,建立摔倒检测数学模型公式(1),获得模型参数:
△h1,……,△hn表示n个样本点中每个样本点摔倒前、后的高度变化量;
△β1,……,△βn表示n个样本点中每个样本点摔倒前、后的倾角变化值;
λ1,……,λn表示n个样本点中每个样本点摔倒前、后的旋转角度;
△a1,……,△an表示n个样本点中每个样本点在摔倒过程中加速度变化量的最大值;
△ω1,……,△ωn表示n个样本点中每个样本点在摔倒过程中角速度变化量的最大值;
k1表示使用n个样本点摔倒前、后的高度变化量构建摔倒检测数学模型获得的模型参数;k2表示使用n个样本点摔倒前、后的倾角变化量构建摔倒检测数学模型获得的模型参数;k3表示使用n个样本点摔倒前、后的旋转角度构建摔倒检测数学模型获得的模型参数;k4表示使用n个样本点摔倒前、后的加速度变化量构建摔倒检测数学模型获得的模型参数;k5表示使用n个样本点摔倒前、后的角速度变化量构建摔倒检测数学模型获得的模型参数;
y1,…,yn表示n个样本点中每个样本点所对应的摔倒数据;
S2,初步摔倒判断
判断测试点加速度向量幅度、测试点角速度向量幅度是否超过预先设定的阈值,如果是,则进入S3;如果否,则确定为人体当前状态不是摔倒,返回S1;
S3,根据摔倒检测数学模型对摔倒进行判断;
将测试点高度变化、测试点倾角变化值、测试点旋转角度、测试点加速度变化量的最大值、测试点角速度变化量的最大值代入摔倒数学模型公式(2),得到摔倒数据,并判断所述摔倒数据是否超过预先设定的阈值,如果是,则判断为摔倒;如果否,则不是摔倒;
△h表示测试点摔倒前、后的高度变化量;△β表示测试点摔倒前、后的倾角变化值;λ表示测试点摔倒前、后的旋转角度;△a表示测试点摔倒过程中加速度变化量的最大值;△ω表示测试点摔倒过程中角速度变化量的最大值;f表示通过公式(2)计算获得的测试点的摔倒数据。更详细的解释说明为:
(一)将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的高度变化值,利用气压传感器检测目标点摔倒前、后气压值,根据等温大气压高方程,将气压变化转化成高度的变化,具体为公式(3)计算:
△h表示目标点摔倒前、后的高度变化量,Z1为摔倒后人体海拔高度,Z2为摔倒前人体海拔高度值,P1为摔倒后气压值,P2为摔倒前气压值,R为理想气体常数,T为绝对温度,g为重力加速度值。
(二)将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的倾角变化值,具体按照下述步骤实现:
A1,利用三轴加速度传感器检测摔倒前、后加速度的值,采用公式(4)分别计算人体摔倒前的倾斜角值和人体摔倒后的倾斜角值;
其中,(gx,gy,gz)为任意一个状态Q的加速度向量值,gx,gy,gz分别为任意一个状态Q的x轴、y轴、z轴上的加速度分量,β表示任意一个状态Q的倾斜角;所述任意一个状态Q为目标点人体摔倒前的倾斜角值或目标点人体摔倒后的倾斜角值;
A2,将摔倒前后倾斜角度相减,按照公式(5)获得目标点的倾斜角度变化值:
Δβ=β1-β2 (5);
其中,β1为人体摔倒后倾斜角值,β2为人体摔倒前倾斜角值,△β为目标点的人体摔倒前、后的倾角变化值。
(三)将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的旋转角度,具体按照下述步骤实现:
B1,利用三轴加速度传感器检测摔倒前、后的加速度值,根据公式(6)计算目标点人体摔倒前、后加速度向量夹角;
其中,(bx,by,bz)表示人体摔倒前加速度向量值,bx,by,bz分别为人体摔倒前x轴、y轴、z轴上的加速度分量;(cx,cy,cz)表示人体摔倒后加速度向量值,cx,cy,cz分别为人体摔倒后x轴、y轴、z轴上的加速度分量;θ1为人体摔倒前、后加速度向量夹角;
B2,利用三轴磁力传感器检测人体摔倒前、后磁力的值,根据公式7计算人体摔倒前后磁力向量夹角;
其中,(dx,dy,dz)表示人体摔倒前磁力向量值,dx,dy,dz分别为人体摔倒前x轴、y轴、z轴上的磁力分量,(ex,ey,ez)表示人体摔倒后磁力向量值,ex,ey,ez分别为人体摔倒后x轴、y轴、z轴上的磁力分量,θ2为人体摔倒前、后磁力向量夹角;
B3,将人体摔倒前、后加速度向量夹角θ1,人体摔倒前、后磁力向量夹角磁力向量夹角θ2代入公式(8)计算在目标点人体的旋转角度:
λ=p1*θ1+p2*θ2 (8);
其中,p1表示摔倒前后加速度向量夹角的权重,p2表示摔倒前后磁力向量夹角的权重。
(四)样本点或测试点的加速度变化量按照公式(9)计算:
其中,(a1x,a1y,a1z)为任意时间点的加速度向量值,a1x,a1y,a1z分别为某时间点x轴、y轴、z轴上的加速度分量,(a2x,a2y,a2z)为下一时间点的加速度向量值,a2x,a2y,a2z分别为下一时间点x轴、y轴、z轴上的加速度分量,△a表示样本点或测试点的加速度变化量。
(五)样本点或测试点的角速度变化量按照公式(10)计算:
其中,(ω1x,ω1y,ω1z)表示某时间点的角速度向量值,ω1x,ω1y,ω1z分别为某时间点x轴、y轴、z轴上的角速度分量,(ω2x,ω2y,ω2z)表示下一时间点的角速度向量值,ω2x,ω2y,ω2z分别为下一时间点x轴、y轴、z轴上的角速度分量,△ω表示样本点或测试点的角速度变化量。
(六)步骤S2中,测试点加速度向量幅度按照公式(11)计算:
其中,(ax,ay,az)表示测试点的加速度向量值,ax,ay,az分别表示测试点x轴、y轴、z轴上的加速度分量,SVM表示测试点加速度向量幅度。
(七)步骤S2中,测试点角速度向量幅度按照公式(12)计算:
其中,(ωx,ωy,ωz)表示测试点角速度向量值,ωx,ωy,ωz分别表示测试点x轴、y轴、z轴上的角速度分量,AVM表示测试点角速度向量幅度。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:本发明基于多种传感器,采用多传感器信息融合的方法,综合模糊算法,提高了判断的准确性。现有摔倒检测产品,只简单的检测倾角的变化,不能区分摔倒和人正常躺下,当人体躺下时一直处于报警状态,而,本申请所述算法后,可以区分躺下和摔倒,避免发现误报情况,其它情况下的误报率也明显降低,摔倒检测更准确。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种基于多传感器信息融合的摔倒检测方法,其特征在于,所述方法包括:
S1,建立摔倒检测数学模型
获取并将n个样本点的高度变化、倾角变化值、旋转角度、加速度变化量、角速度变化作为系统输入量,将n个样本点的摔倒数据作为系统输出量,采用系统辨识的方法,建立摔倒检测数学模型公式(1),获得模型参数:
△h1,……,△hn表示n个样本点中每个样本点摔倒前、后的高度变化量;
△β1,……,△βn表示n个样本点中每个样本点摔倒前、后的倾角变化值;
λ1,……,λn表示n个样本点中每个样本点摔倒前、后的旋转角度;
△a1,……,△an表示n个样本点中每个样本点在摔倒过程中加速度变化量的最大值;
△ω1,……,△ωn表示n个样本点中每个样本点在摔倒过程中角速度变化量的最大值;
k1表示使用n个样本点摔倒前、后的高度变化量构建摔倒检测数学模型获得的模型参数;k2表示使用n个样本点摔倒前、后的倾角变化量构建摔倒检测数学模型获得的模型参数;k3表示使用n个样本点摔倒前、后的旋转角度构建摔倒检测数学模型获得的模型参数;k4表示使用n个样本点摔倒前、后的加速度变化量构建摔倒检测数学模型获得的模型参数;k5表示使用n个样本点摔倒前、后的角速度变化量构建摔倒检测数学模型获得的模型参数;
y1,…,yn表示n个样本点中每个样本点所对应的摔倒数据;
S2,初步摔倒判断
判断测试点加速度向量幅度、测试点角速度向量幅度是否均超过预先设定的阈值,如果是,则进入S3;如果否,则确定为人体当前状态不是摔倒,返回S1;
S3,根据摔倒检测数学模型对摔倒进行判断;
将测试点高度变化、测试点倾角变化值、测试点旋转角度、测试点加速度变化量的最大值、测试点角速度变化量的最大值代入摔倒数学模型公式(2),得到摔倒数据,并判断所述摔倒数据是否超过预先设定的阈值,如果是,则判断为摔倒;如果否,则不是摔倒;
△h表示测试点摔倒前、后的高度变化量;△β表示测试点摔倒前、后的倾角变化值;λ表示测试点摔倒前、后的旋转角度;△a表示测试点摔倒过程中加速度变化量的最大值;△ω表示测试点摔倒过程中角速度变化量的最大值;f表示通过公式(2)计算获得的测试点的摔倒数据。
2.根据权利要求1所述基于多传感器信息融合的摔倒检测方法,其特征在于,将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的高度变化值,利用气压传感器检测目标点摔倒前、后气压值,根据等温大气压高方程,将气压变化转化成高度的变化,具体为公式(3)计算:
△h表示目标点摔倒前、后的高度变化量,Z1为摔倒后人体海拔高度,Z2为摔倒前人体海拔高度值,P1为摔倒后气压值,P2为摔倒前气压值,R为理想气体常数,T为绝对温度,g为重力加速度值。
3.根据权利要求1所述基于多传感器信息融合的摔倒检测方法,其特征在于,将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的倾角变化值,具体按照下述步骤实现:
A1,利用三轴加速度传感器检测摔倒前、后加速度的值,采用公式(4)分别计算人体摔倒前的倾斜角值和人体摔倒后的倾斜角值;
其中,(gx,gy,gz)为任意一个状态Q的加速度向量值,gx,gy,gz分别为任意一个状态Q的x轴、y轴、z轴上的加速度分量,β表示任意一个状态Q的倾斜角;所述任意一个状态Q为目标点人体摔倒前的倾斜角值或目标点人体摔倒后的倾斜角值;
A2,将摔倒前后倾斜角度相减,按照公式(5)获得目标点的倾斜角度变化值:
Δβ=β1-β2 (5);
其中,β1为人体摔倒后倾斜角值,β2为人体摔倒前倾斜角值,△β为目标点的人体摔倒前、后的倾角变化值。
4.根据权利要求1所述基于多传感器信息融合的摔倒检测方法,其特征在于,将样本点或测量点作为目标点,测量目标点的人体摔倒前、后的旋转角度,具体按照下述步骤实现:
B1,利用三轴加速度传感器检测摔倒前、后的加速度值,根据公式(6)计算目标点人体摔倒前、后加速度向量夹角;
其中,(bx,by,bz)表示人体摔倒前加速度向量值,bx,by,bz分别为人体摔倒前x轴、y轴、z轴上的加速度分量;(cx,cy,cz)表示人体摔倒后加速度向量值,cx,cy,cz分别为人体摔倒后x轴、y轴、z轴上的加速度分量;θ1为人体摔倒前、后加速度向量夹角;
B2,利用三轴磁力传感器检测人体摔倒前、后磁力的值,根据公式7计算人体摔倒前后磁力向量夹角;
其中,(dx,dy,dz)表示人体摔倒前磁力向量值,dx,dy,dz分别为人体摔倒前x轴、y轴、z轴上的磁力分量,(ex,ey,ez)表示人体摔倒后磁力向量值,ex,ey,ez分别为人体摔倒后x轴、y轴、z轴上的磁力分量,θ2为人体摔倒前、后磁力向量夹角;
B3,将人体摔倒前、后加速度向量夹角θ1,人体摔倒前、后磁力向量夹角磁力向量夹角θ2代入公式(8)计算在目标点人体的旋转角度:
λ=p1*θ1+p2*θ2 (8);
其中,p1表示摔倒前后加速度向量夹角的权重,p2表示摔倒前后磁力向量夹角的权重。
5.根据权利要求1所述基于多传感器信息融合的摔倒检测方法,其特征在于,样本点或测试点的加速度变化量按照公式(9)计算:
其中,(a1x,a1y,a1z)为任意时间点的加速度向量值,a1x,a1y,a1z分别为某时间点x轴、y轴、z轴上的加速度分量,(a2x,a2y,a2z)为下一时间点的加速度向量值,a2x,a2y,a2z分别为下一时间点x轴、y轴、z轴上的加速度分量,△a表示样本点或测试点的加速度变化量。
6.根据权利要求1所述基于多传感器信息融合的摔倒检测方法,其特征在于,样本点或测试点的角速度变化量按照公式(10)计算:
其中,(ω1x,ω1y,ω1z)表示某时间点的角速度向量值,ω1x,ω1y,ω1z分别为某时间点x轴、y轴、z轴上的角速度分量,(ω2x,ω2y,ω2z)表示下一时间点的角速度向量值,ω2x,ω2y,ω2z分别为下一时间点x轴、y轴、z轴上的角速度分量,△ω表示样本点或测试点的角速度变化量。
7.根据权利要求1所述基于多传感器信息融合的摔倒检测方法,其特征在于,步骤S2中,测试点加速度向量幅度按照公式(11)计算:
其中,(ax,ay,az)表示测试点的加速度向量值,ax,ay,az分别表示测试点x轴、y轴、z轴上的加速度分量,SVM表示测试点加速度向量幅度。
8.根据权利要求1所述基于多传感器信息融合的摔倒检测方法,其特征在于,步骤S2中,测试点角速度向量幅度按照公式(12)计算:
其中,(ωx,ωy,ωz)表示测试点角速度向量值,ωx,ωy,ωz分别表示测试点x轴、y轴、z轴上的角速度分量,AVM表示测试点角速度向量幅度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610544385.7A CN106203512B (zh) | 2016-07-12 | 2016-07-12 | 基于多传感器信息融合的摔倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610544385.7A CN106203512B (zh) | 2016-07-12 | 2016-07-12 | 基于多传感器信息融合的摔倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203512A CN106203512A (zh) | 2016-12-07 |
CN106203512B true CN106203512B (zh) | 2019-06-18 |
Family
ID=57476328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610544385.7A Active CN106203512B (zh) | 2016-07-12 | 2016-07-12 | 基于多传感器信息融合的摔倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203512B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981174A (zh) * | 2017-04-27 | 2017-07-25 | 南京邮电大学 | 一种基于智能手机的老人跌倒检测方法 |
GB2564167B (en) * | 2017-11-17 | 2019-05-22 | August Int Ltd | Improvements in or relating to fall detectors and fall detection |
CN108175388B (zh) * | 2017-12-01 | 2021-01-26 | 中国联合网络通信集团有限公司 | 基于可穿戴设备的行为监测方法及装置 |
CN108225271A (zh) * | 2018-01-24 | 2018-06-29 | 南京阿凡达机器人科技有限公司 | 一种机器人倾倒检测的方法、系统、存储介质和设备 |
CN108648417A (zh) * | 2018-06-12 | 2018-10-12 | 广西科技师范学院 | 基于深度学习的树莓派老人摔倒检测系统 |
CN109141406B (zh) * | 2018-08-17 | 2021-04-23 | 杭州云岛科技有限公司 | 一种共享单车停放姿态控制系统及其控制方法 |
US11699528B2 (en) | 2019-06-28 | 2023-07-11 | Hill-Rom Services, Inc. | Falls risk management |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103680063A (zh) * | 2013-12-16 | 2014-03-26 | 嘉兴学院 | 基于手机加速度计和陀螺仪的老年人异常情况判定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9299925B2 (en) * | 2014-01-23 | 2016-03-29 | Ge Yi | Multi-purpose sensor |
-
2016
- 2016-07-12 CN CN201610544385.7A patent/CN106203512B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103680063A (zh) * | 2013-12-16 | 2014-03-26 | 嘉兴学院 | 基于手机加速度计和陀螺仪的老年人异常情况判定方法 |
Non-Patent Citations (2)
Title |
---|
Multi sensor system for automatic fall detection;Chokemongkol Nadee等;《Proceedings of APSIPA Annual Summit and Conference 2015》;20151219;第930-933页 |
Multi-sensors data fusion system for fall detection;Damien Brulin等;《IEEE International Conference on Information technology & Applications in Biomedicine》;20101105;第1-4页 |
Also Published As
Publication number | Publication date |
---|---|
CN106203512A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203512B (zh) | 基于多传感器信息融合的摔倒检测方法 | |
CN109940622B (zh) | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 | |
CN102667882B (zh) | 用于检测用户跌倒的方法和装置 | |
CN104061934B (zh) | 基于惯性传感器的行人室内位置跟踪方法 | |
US20140122015A1 (en) | Attitude estimation method and apparatus | |
CN103733078B (zh) | 从加速度测量估计水平或垂直方向的速度 | |
CN107728629B (zh) | 无人机磁异常检测系统及方法 | |
US9327842B2 (en) | Method and system for detecting forces on aircraft | |
CN106382946B (zh) | 参数校准方法及装置 | |
CN108447225A (zh) | 一种人体跌倒检测方法及装置 | |
CN105590408A (zh) | 一种人体跌倒检测方法及保护装置 | |
CN109099913A (zh) | 一种基于mems惯性器件的穿戴式导航装置和方法 | |
CN108910701A (zh) | 吊具姿态检测系统及方法 | |
Cornall et al. | Aircraft attitude estimation from horizon video | |
CN115629547B (zh) | 一种面向舵面故障的飞机机载容错控制方法及系统 | |
CN104992428B (zh) | 一种基于k均值聚类分析的图像落石体积测定方法 | |
CN106323275A (zh) | 基于贝叶斯估计和地图辅助校准的步行者室内定位方法 | |
CN117311243B (zh) | 用于煤矿机器人的车辆姿态监控预警系统 | |
CN107115660B (zh) | 一种智能篮球运球轨迹监测方法 | |
CN109612464B (zh) | 基于iez框架下的多算法增强的室内导航系统及方法 | |
CN111330214B (zh) | 一种vr跑步机的安全防护方法、系统及可读存储介质 | |
CN109674480B (zh) | 一种基于改进互补滤波的人体运动姿态解算方法 | |
TWI636276B (zh) | 人工智能地震判斷方法及地震偵測系統 | |
CN107284378B (zh) | 一种基于移动终端的汽车驾驶状态的监控方法 | |
CN106289642B (zh) | 起吊工况下救援车整体重心平面位置的动态估计方法 |
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 |