CN106227999A - 一种高适应性跌倒行为检测方法 - Google Patents

Abstract

本发明提供一种高适应性跌倒行为检测方法。三轴加速度传感器采集人体跌倒过程的加速度信号；提取跌倒过程的加速度观测序列，作为训练样本集；建立跌倒检测的隐马尔可夫模型，输入跌倒过程的加速度观测序列进行模型训练；采集人体日常活动动作的加速度信号，使用跌倒模型对活动加速度信号的观测序列进行检测，以判断跌倒是否发生。本发明的方法不仅取得较高的准确度，而且能够有效区别日常活动行为和跌倒过程，提高了跌倒检测的有效性，具有适应性高的特点。

Description

一种高适应性跌倒行为检测方法

技术领域

本发明属于姿态动作异常检测领域，涉及一种高适应性跌倒检测方法。

背景技术

我国老年人口基数大、增速快、高龄化趋势明显。跌倒行为是人体姿态动作异常的情况之一，老年人在日常生活中发生跌倒行为的几率较高。据统计，65岁以上的老年人口中，约1/3的人群均发生过跌倒，并且伴随年龄增长，发生跌倒的几率也会增加。跌倒可致老年人伤残甚至死亡，给家庭和个人生活都带来负面影响。因此，跌倒行为的检测有着十分重要的意义，当跌倒发生时，能够及时的做出报警，使得跌倒的老年人能够得到及时的救助。

近几年，为降低跌倒对老年人造成的健康伤害，借助穿戴式健康设备对跌倒行为进行实时检测和预警，已成为健康照护的热点之一。穿戴式健康设备通常会集成运动传感器，如加速度传感器、陀螺仪等，将运动传感器在姿动过程中产生的运动信号作为研究对象，根据跌倒过程里加速度数据剧烈变化的特点，分析数据的时序特点、统计特性以设定加速度变化阈值来进行跌倒行为检测。这样的方法利用的是离散时间点所代表的人体运动信息，缺陷在于离散时间点所包含的人体运动信息不能描述完整的跌倒过程，对于跑步等同样产生加速度剧烈变化的活动行为识别效率低下，因此跌倒检测的有效性不高；另外，由于存在个体与设备的差异，导致加速度阈值的适用性较差，影响了跌倒检测的准确性。

发明内容

因此，本发明的任务是克服上述现有技术的缺陷，提供一种新的跌倒检测方法，以获得准确、有效的跌倒检测结果。

为实现上述目的，本发明基于前胸三轴加速度数据和隐马尔可夫模型(HiddenMarkov Model，HMM)进行跌倒检测，采用如下技术方案，具体包括以下步骤：

1.1跌倒行为加速度数据采集。

1.2提取跌倒过程加速度观测序列，构建训练数据集。

1.3训练跌倒过程的隐马尔可夫模型λ_Fall。

1.4使用λ_Fall检测人体活动，进行跌倒判断。

所述步骤1.1包括，

1.1.1使用三轴加速度传感器采集人体前胸处的加速度数据，同一时刻采样数据包括三组：x轴方向加速度数据a_x，y轴方法加速度数据a_y，z轴方向加速度数据a_z；

1.1.2计算三轴加速度数据的合加速度a_svm，

$a_{svm}=\sqrt{{a_x}^2+{a_y}^2+{a_z}^2}---\left(1\right)$

其中，a_svm作为原始数据，其参与到跌倒过程HMM训练和跌倒检测中。

所述步骤1.2包括，

1.2.1计算跌倒行为加速度原始数据的最大值a_max，a_max代表跌倒后身体首次撞击到地面，是跌倒行为加速度数据的显著特征。根据实验统计所得，人在跌倒行为中，从身体失去平衡开始至首次撞击到地面平均历时为0.5s，故截取a_max前0.5s的数据，此段加速度数据定义为“跌倒过程加速度数据”；

1.2.2将跌倒过程加速度数据按顺序平均分成L个数据单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_fall＝{o₁,o₂,…,o_i},i＝L。根据HMM的原理，HMM观测序列的长度为L，其取值原则是既要保证观测序列可完整描述所代表的时序过程，又要降低模型的计算量，在此，L的取值范围在5～15；

1.2.3将时序o_fall转换为观测序列O_fall＝{O₁,O₂,…,O_i},i＝L，观测序列O_fall为HMM的训练序列，定义转换公式为：

$O_i=\left\{\begin{array}{ccc}1& if& b_1\&le;o_i\&le;b_2\\ 2& if& b_2<o_i\&le;b_3\\ \mathrm{...}& & \\ N& if& b_{n-1}<o_i\&le;b_n\end{array}\right.,i=1,2,\mathrm{...},L---\left(2\right)$

其中，N为按照HMM原理所设定的观测状态数，其也等于原始数据值域被划分的区段数，b₁,b₂,…,b_n为区段的端点值。数字1,2,…,N是不同运动状态的标识符，并无运算作用。在此，N的取值范围是5～10。

所述步骤1.3包括，

1.3.1设定HMM的初值λ＝{M,N,π,A,B}，其中M是隐含状态数，N是观测状态数，π是初始状态矩阵，A是隐含状态转移矩阵，B是观测状态转移矩阵。

1.3.2输入跌倒过程的观测序列O_fall,使用标准Baum-Welch算法进行HMM训练，得到跌倒过程模型λ_Fall。

所述步骤1.4包括，

1.4.1采集人身体前胸处三轴加速度数据，计算合加速度作为原始数据；

1.4.2设置一个滑动数据窗W处理所有原始数据，W时间长度为0.5s，与跌倒过程的时长相同；W向前移动的数据点个数为d，d取值最大为25，使得W移动前后的相邻两窗间至少会相交25个原始数据点，此种做法可保证充分处理所有原始数据；

1.4.3将W所截取的原始数据按顺序平均分为L个单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_m＝{o₁,o₂,…,o_i},i＝L，L与步骤1.2.2中为同一值；

1.4.4将时序o_m按照公式(2)转换为观测序列O_m＝{O₁,O₂,…,O_i},i＝L；

1.4.5输入O_m到跌倒模型λ_Fall中，使用HMM原理中的前后向算法计算序列O_m与λ_Fall的匹配程度P{O_m|λ_Fall},i＝L，即序列O_m是由λ_Fall产生出的概率。设置概率阈值P_th，将P{O_m|λ_Fall}与P_th进行比较，若大于P_th，则判断该时刻(W中最末数据点的时刻)跌倒发生；否则跌倒未发生。

之后W向前移动d进行新数据截取，转到步骤1.4.3直至处理完所有原始数据。

由于采用了上述技术方案，本发明具有如下的优点：

本发明所述方法相对于设定加速度阈值方法，是通过对姿动行为的过程描述来对跌倒行为进行判断，具备完整的运动过程信息。同时，方法准确度高，误报率低，保证了跌倒检测的有效性，适用于跌倒检测。

附图说明

图1为本发明的流程图；

图2为提取跌倒过程加速度观测序列流程图；

图3为应用跌倒过程模型判断跌倒流程图。

具体实施方式

为了使发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明做进一步的说明。应当理解，此处所描述的具体实施方法仅仅是用以解释本发明，并不用于限定本发明。

由于每个人个体特征的差异以及人体活动过程复杂多变，单纯设定运动加速度阈值来判断跌倒行为是否发生，有效性和适用性都不高。因此，建立一个有效的跌倒过程模型，从分析运动过程的角度来对跌倒行为进行检测，使模型可描述完整的跌倒过程信息，通过学习训练，不仅可以保证检测的正确率，而且可提高检测的有效性与适用性。

本发明检测跌倒行为的流程图如图1所示，包括以下步骤：

步骤1，跌倒行为加速度数据采集并进行信号预处理。本步骤中所采集的是用户跌倒行为的三轴加速度数据。

1.1使用三轴加速度传感器采集人体前胸处的加速度数据，同一时刻采样数据包括三组：x轴方向加速度数据a_x，y轴方法加速度数据a_y，z轴方向加速度数据a_z；

1.2计算三轴加速度数据的合加速度a_svm，

$a_{svm}=\sqrt{{a_x}^2+{a_y}^2+{a_z}^2}$

其中，a_svm作为原始数据，其参与到跌倒过程HMM训练和跌倒检测中。

步骤2，提取跌倒过程加速度观测序列，构建训练数据集。为了便于理解，图2所示为提取跌倒过程加速度观测序列流程图。

2.1计算跌倒行为加速度原始数据的最大值a_max，a_max代表跌倒后身体首次撞击到地面，是跌倒行为加速度数据的显著特征。根据实验统计所得，人在跌倒行为中，从身体失去平衡开始至首次撞击到地面平均历时为0.5s，故截取a_max前0.5s的数据，此段加速度数据定义为“跌倒过程加速度数据”；

2.2将跌倒过程加速度数据按顺序平均分成L个数据单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_fall＝{o₁,o₂,…,o_i},i＝L。根据HMM的原理，HMM观测序列的长度为L，其取值原则是既要保证观测序列可完整描述所代表的时序过程，又要降低模型的计算量，在此，L的取值范围在5～15；为了兼顾L取值原则的两个方面，L＝10；

2.3将时序o_fall转换为观测序列O_fall＝{O₁,O₂,…,O_i},i＝L，观测序列O_fall为HMM的训练序列，转换公式为公式(2)。

公式(2)中，N为按照HMM原理所设定的观测状态数，其也等于原始数据值域被划分的区段数，b₁,b₂,…,b_n为区段的端点值。跌倒过程中当身体处于不同状态时，加速度数据的变化情况具有差异性，因此表现出的观测状态不同。当身体处于平衡状态时，加速度变化平稳，不会有剧烈的数值波动，在此使用数值1来表示此种状态；而当身体失衡，加速度向0趋近，此时使用数值2来表示；当身体碰撞到地面，突然受到来自地面的作用力，导致加速度剧烈变化，此时用数值3，4，…，N来表示此种状态，不同的观测变量值代表加速度到达的不同幅值程度。

N的设定原则为可描述跌倒过程的变化即可，统计得出5～10较为适宜。为降低运算量，此处N＝5。b₁,b₂,…,b_n的设定依据N的改变做适当调整。方法中公式(2)具体为公式(3)：

$O_i=\left\{\begin{array}{cc}1& 0\&le;o_i\&le;0.4g\\ 2& 0.4<o_i\&le;0.7g\\ 3& 0.7<o_i\&le;1g\\ 4& 1<o_i<2g\\ 5& 2g<o_i\end{array}\right.,i=1,2,\mathrm{...},10---\left(3\right)$

其中的g为重力加速度；

步骤3，建立跌倒检测的隐马尔可夫模型。

3.1设置HMM的初值λ＝{M,N,π,A,B}：

A.隐含状态数M＝3，隐含状态分别为平衡，失重，跌倒，隐含状态集合S＝{s₁,s₂,s₃}；

B.观测序列数N＝5，与观测序列的特征值个数相同，特征值与观测变量相对应，观测变量集合V＝{v_k,v_k＝k},k＝1,2,…,5；

C.初始状态矩阵

D.状态转移的概率分布A：

E.观测序列的概率分布B：

HMM初始矩阵的设置原则是根据对跌倒过程的加速度数据特点总结而来，从经验出发使其满足建模需要。

3.2输入跌倒过程的观测序列O_fall，使用标准Baum-Welch算法进行HMM训练，获得跌倒过程模型λ_Fall。

所述以上步骤完成了训练模型阶段。

步骤4.使用跌倒过程模型检测活动过程，进行跌倒判断。图3所示为应用跌倒过程模型判断跌倒流程图。

4.1采集人身体前胸处三轴加速度数据，按照步骤1.1和1.2计算合加速度作为原始数据；

4.2设置一个滑动数据窗W处理所有原始数据，W时间长度为0.5s，与跌倒过程的时长相同；W向前移动的数据点个数为d，d取值最大为25，使得W移动前后的相邻两窗间至少会相交25个原始数据点，此种做法可保证充分处理所有原始数据，为降低计算量d＝25；

4.3将W内原始数据按顺序平均分为L个单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_m＝{o₁,o₂,…,o_i},i＝L，L与步骤2.2中为同一值；

4.4将时序o_m按照公式(3)转换为观测序列O_m＝{O₁,O₂,…,O_i},i＝L；

4.5输入O_m到跌倒模型λ_Fall中，使用HMM原理中的前后向算法计算序列O_m与λ_Fall的匹配程度P{O_m|λ_Fall},i＝L，即序列O_m是由λ_Fall产生出的概率。设置概率阈值P_th，将P{O_m|λ_Fall}与P_th进行比较，若大于P_th，则判断该时刻(W中最末数据点的时刻)跌倒发生；否则跌倒未发生。对P_th设定中，P_th越高，判断标准越严苛，但方法的适用性降低；P_th越低，判断标准越宽容，但误报率上升；通过实验统计得，P_th设定在60％～80％之间可以兼顾以上两个方面。在此，P_th＝65％。

之后W向前移动d进行新数据截取，转到步骤4.3直至处理完所有原始数据

为了验证本方法的有效性，本发明设计实验进行了方法验证，检验了方法对日常活动和跌倒行为识别效果。加速度传感器模块置于人体前胸部位，信号采样频率为100Hz。方法有效性结果如表2所示。

表2方法有效性结果

基于以上实验结果，采用以下三种指标评估跌倒检测方法的性能：

公式(4)、(5)和(6)中，TP为跌倒样本中被检测为跌倒的数量；TN为未跌倒样本中被检测为未跌倒的数量；FP为未跌倒被检测为跌倒的数量；FN为跌倒的样本被检测为未跌倒的数量。虽然受限于样本数量不足够大和实验对象并未涉及到老人的原因，但实验方法依旧获得了97.2％的准确率，91.7％的灵敏度和100％的特异性，结果反映出根据本发明实施例的跌倒检测算法能够准确地检测出跌倒行为，并且具有较高的有效性，适用性大大增强。

Claims (1)

1.一种高适应性跌倒检测方法，其特征在于包括如下步骤：

1.1跌倒行为加速度数据采集；

1.2提取跌倒过程加速度观测序列，构建训练数据集；

1.3训练跌倒过程的隐马尔可夫模型λ_Fall；

1.4使用λ_Fall检测人体活动，进行跌倒判断；

所述步骤1.1包括，

1.1.1使用三轴加速度传感器采集人体前胸处的加速度数据，同一时刻采样数据包括三组：x轴方向加速度数据a_x，y轴方法加速度数据a_y，z轴方向加速度数据a_z；

1.1.2计算三轴加速度数据的合加速度a_svm，

$a_{svm}=\sqrt{{a_x}^2+{a_y}^2+{a_z}^2}---\left(1\right)$

其中，a_svm作为原始数据，其参与到跌倒过程HMM训练和跌倒检测中；

所述步骤1.2包括，

1.2.1计算跌倒行为加速度原始数据的最大值a_max，a_max代表跌倒后身体首次撞击到地面；截取a_max前0.5s的数据，此段加速度数据定义为“跌倒过程加速度数据”；

1.2.2将跌倒过程加速度数据按顺序平均分成L个数据单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_fall＝{o₁,o₂,…,o_i},i＝L；L的取值范围在5～15；

1.2.3将时序o_fall转换为观测序列O_fall＝{O₁,O₂,…,O_i},i＝L，观测序列O_fall为HMM的训练序列，转换公式为：

$O_i=\left\{\begin{array}{cc}1& if{b}_1\&le;o_i\&le;b_2\\ 2& if{b}_2<o_i\&le;b_3\\ ...& \\ N& if{b}_{n-1}<o_i\&le;b_n\end{array}\right.,i=1,2,...,L---\left(2\right)$

其中，N为观测状态数，其取值范围为5～10，与原始数据值域被划分的区段数相等，b₁,b₂,…,b_n为区段的端点值；

所述步骤1.3包括，

1.3.1设定HMM的初值λ＝{M,N,π,A,B}，其中M是隐含状态数，N是观测状态数，π是初始状态矩阵，A是隐含状态转移矩阵，B是观测状态转移矩阵；

1.3.2输入跌倒过程的观测序列O_fall,使用标准Baum-Welch算法进行HMM训练，得到跌倒过程模型λ_Fall；

所述步骤1.4包括，

1.4.1采集人身体前胸处三轴加速度数据，计算合加速度作为原始数据；

1.4.2设置一个滑动数据窗W处理所有原始数据，W时间长度为0.5s，与跌倒过程的时长相同；W向前移动的数据点个数为d，d取值最大为25，使得W移动前后的相邻两窗间至少会相交25个原始数据点；

1.4.3将W内原始数据按顺序平均分为L个单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_m＝{o₁,o₂,…,o_i},i＝L，L与步骤1.2.2中为同一值；

1.4.4将时序o_m按照公式(2)转换为观测序列O_m＝{O₁,O₂,…,O_i},i＝L；

1.4.5输入O_m到跌倒模型λ_Fall中，使用HMM原理中的前后向算法计算序列O_m与λ_Fall的匹配程度P{O_m|λ_Fall},i＝L，即序列O_m是由λ_Fall产生出的概率；设置概率阈值P_th，其设定范围是60％～80％，将P{O_m|λ_Fall}与P_th进行比较，若大于P_th，则判断该时刻跌倒发生；否则跌倒未发生；

之后W向前移动d进行新数据截取，转到步骤1.4.3直至处理完所有原始数据。