CN106355142A - 一种人体跌倒状态识别方法及装置 - Google Patents

Abstract

本发明涉及跌倒检测技术领域，特别涉及一种人体跌倒状态识别方法及装置。所述人体跌倒状态识别方法包括：步骤a：提取跌倒动作和日常动作的特征向量；步骤b：计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；步骤c：根据所述跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。本发明计算简单，提高了人体跌倒状态识别的准确性，降低了开发成本，从而使跌倒报警装置产品有更高的性价比。

Description

一种人体跌倒状态识别方法及装置

技术领域

本发明涉及人体跌倒状态识别技术领域，特别涉及一种人体跌倒状态识别方法及装置。

背景技术

随着独居老年人人口的不断增加，独居老人日常活动导致的跌倒对老年人生命健康和安全产生了极大地影响，跌倒报警装置应运而生。目前市场上的跌倒报警装置中，可穿戴跌倒报警器因其价格低廉，便于随身携带受到了广大消费者的欢迎，可穿戴跌倒报警器通过对人体物理运动加速度、角速度、倾角等信号进行采样从而检测跌倒状态。而跌倒报警器对报警的实时性和准确率的要求主要取决于人体跌倒状态识别算法和相应的硬件平台的匹配程度，从而提高可穿戴跌倒报警器的性价比。

目前跌倒识别算法主要是基于人体运动物理量，运用阈值法和基于统计学模型的机器学习算法。阈值法简单直接，但太过主观，对不同主体不同环境下的跌倒识别具有局限性，往往因为主观选取的阈值对各种跌倒状况不具有普遍性，导致跌到检测准确率不高。基于统计学模型的机器学习算法对人体跌倒运动的识别多建立在算法模型的基础上，算法包含大量的矩阵运算和浮点运算，通常算法复杂度高，对硬件的浮点计算和指令吞吐量要求较高，在一般硬件上面运行又会导致跌倒报警的实时性较低，从而导致跌倒报警器性价比降低。

发明内容

本发明提供了一种人体跌倒状态识别方法及装置，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本发明提供了如下技术方案：

一种人体跌倒状态识别方法，包括：

步骤a：提取跌倒动作和日常动作的特征向量；

步骤b：计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；

步骤c：根据所述跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

本发明实施例采取的技术方案还包括：所述步骤a还包括：分别采集人体跌倒动作和日常动作的时间序列信号，所述时间序列信号包括加速度、角速度。

本发明实施例采取的技术方案还包括：所述步骤a还包括：将所述人体跌倒动作和日常动作的时间序列信号分别进行归一化处理。

本发明实施例采取的技术方案还包括：在所述步骤a中，所述提取跌倒动作和日常动作的特征向量的提取方式包括：通过主成分分析对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量。

本发明实施例采取的技术方案还包括：在所述步骤b中，所述计算特征向量的两两相似性的计算方式为：通过余弦定理计算两个特征向量的夹角来判对应的动作特征的接近程度，两个特征向量的夹角大，则两个动作特征差别大；两个特征向量的夹角小，则两个动作特征相似；将任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则余弦计算公式为：

$cos\left(A\right)=\frac{<n_i\&CenterDot;n_j>}{\left|n_i\right|\&CenterDot;\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。

本发明实施例采取的另一技术方案为：一种人体跌倒状态识别装置，包括特征提取模块、相似度计算模块和人体跌倒状态识别模块；所述特征提取模块用于提取跌倒动作和日常动作的特征向量；所述相似度计算模块用于计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；所述人体跌倒状态识别模块用于根据所述跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

本发明实施例采取的技术方案还包括信号采集模块，所述信号采集模块用于分别采集人体跌倒动作和日常动作的时间序列信号，所述时间序列信号包括加速度、角速度。

本发明实施例采取的技术方案还包括信号归一化处理模块，所述信号归一化处理模块用于将所述人体跌倒动作和日常动作的时间序列信号分别进行归一化处理。

本发明实施例采取的技术方案还包括：所述特征提取模块提取跌倒动作和日常动作的特征向量的提取方式包括：通过主成分分析对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量。

本发明实施例采取的技术方案还包括：所述相似度计算模块计算特征向量的两两相似性的计算方式为：通过余弦定理计算两个特征向量的夹角来判对应的动作特征的接近程度，两个特征向量的夹角大，则两个动作特征差别大；两个特征向量的夹角小，则两个动作特征相似；将任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则余弦计算公式为：

$cos\left(A\right)=\frac{<n_i\&CenterDot;n_j>}{\left|n_i\right|\&CenterDot;\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。

相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的人体跌倒状态识别方法及装置通过利用余弦定理，使用简单的数学几何原理进行人体跌倒状态识别，计算简单；并将跌倒状况最终以一个区间值域的形式来分类，削弱了人为主观选取单值作为阈值的局限性，对不同主体发生跌倒的动作特征有了更好地包容性，提高了人体跌倒状态识别的准确性。相对于现有的统计学算法模型和简单的信号幅度选取阈值作为跌到检测标准的算法，本发明简化了对动作数据的处理和减少了处理过程中的耗时，对跌倒状态的发生实现更加及时的反映，提高了对突发跌倒状况的处理效率，减少了因延时救助带来的风险和投入。同时，对硬件平台的要求有所降低，降低了开发成本，从而使跌倒报警装置产品有更高的性价比。

附图说明

图1是本发明实施例的人体跌倒状态识别方法的流程图；

图2是为余弦计算方式示意图；

图3是两个特征向量相近程度的度量示意图；

图4是本发明实施例的人体跌倒状态识别装置的结构示意图。

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，以下结合附图及实施例，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例仅用以解释本发明，并不用于限定本发明。

请参阅图1，是本发明实施例的人体跌倒状态识别方法的流程图。本发明实施例的人体跌倒状态识别方法包括以下步骤：

步骤100：分别采集人体跌倒动作和日常动作的时间序列信号；

在步骤100中，采集的时间序列信号包括但不限于人体跌倒动作和日常动作的加速度、角速度等。

步骤200：将人体跌倒动作和日常动作的时间序列信号分别进行归一化处理到[0,1]；

步骤300：通过PCA(主成分分析)对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量；

在步骤300中，由于不同动作有所差别，所以经过PCA降维后得到的动作特征的维数是不同的。把每一个动作从开始到结束看做一个运动周期，所以每个运动周期都可以看做一个由时间序列上面的点组成的向量；由于每个运动周期的时间序列数据量太大，经过PCA降维后，就只剩下该运动周期主要特征组成的向量。假设跌倒动作和日常动作共有k种，每种动作经PCA降维后得到的特征向量的维数分别为m₁,m₂,m₃,…,m_k，用n表示动作名称，则不同动作的特征向量分别为：

$n_1=(a_1,a_2,a_3,\mathrm{...},a_{m_1});$

$\begin{array}{c}{n}_2=(b_1,b_2,b_3,\mathrm{...},b_{m_2});\\ n_3=(c_1,c_2,c_3,\mathrm{...},c_{m_3});\\ .\\ .\\ .\\ n_k=(p_1,p_2,p_3,\mathrm{...},p_{m_k});\end{array}$

步骤400：利用余弦定理的跌倒识别算法，分别计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，分别得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；

在步骤400中，虽然说各个动作特征向量的维度不同，但特征向量的方向却有很大的意义，如果两个特征向量的方向一致，则说明相应的两个动作特征相接近，因此，通过余弦定理计算两个特征向量的夹角来判断对应的动作特征的接近程度，两个特征向量的夹角大，则说明两个动作特征差别大；两个特征向量的夹角小，则说明两个动作特征相似。具体计算方式如图2所示，为余弦计算方式示意图。把任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则：

$cos\left(A\right)=\frac{<n_i\&CenterDot;n_j>}{\left|n_i\right|\&CenterDot;\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。

由于向量中每一个变量都是正数，因此余弦的取值在0和1之间，也就是夹角在0到90度之间。当两个特征向量夹角的余弦值等于1时，这两个特征向量的夹角为0，则两个动作特征完全相同；当两个特征向量夹角的余弦值接近于1时，则两个动作特征相似度较高，从而可以归为一类；两个特征向量夹角的余弦值越小，夹角越大，两个动作特征相似度越低。当夹角为0时，则表示两个动作特征完全不同。具体如图3所示，是两个特征向量相近程度的度量示意图。其中，左边的两个特征向量距离相近，右边的两个特征向量距离较远。

步骤500：根据跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

请参阅图4，是本发明实施例的人体跌倒状态识别装置的结构示意图。本发明实施例的人体跌倒状态识别装置包括信号采集模块、信号归一化处理模块、特征提取模块、相似度计算模块和人体跌倒状态识别模块。

信号采集模块用于分别采集人体跌倒动作和日常动作的时间序列信号；其中，采集的时间序列信号包括但不限于人体跌倒动作和日常动作的加速度、角速度等。

信号归一化处理模块用于将人体跌倒动作和日常动作的时间序列信号分别进行归一化处理到[0,1]；

特征提取模块用于通过PCA(主成分分析)对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量；其中，由于不同动作有所差别，所以经过PCA降维后得到的动作特征的维数是不同的。把每一个动作从开始到结束看做一个运动周期，所以每个运动周期都可以看做一个由时间序列上面的点组成的向量；由于每个运动周期的时间序列数据量太大，经过PCA降维后，就只剩下该运动周期主要特征组成的向量。假设跌倒动作和日常动作共有k种，每种动作经PCA降维后得到的特征向量的维数分别为m₁,m₂,m₃,…,m_k，用n表示动作名称，则不同动作的特征向量分别为：

$\begin{array}{c}{n}_1=(a_1,a_2,a_3,\mathrm{...},a_{m_1});\\ n_2=(b_1,b_2,b_3,\mathrm{...},b_{m_2});\\ n_3=(c_1,c_2,c_3,\mathrm{...},c_{m_3});\\ .\\ .\\ .\\ n_k=(p_1,p_2,p_3,\mathrm{...},p_{m_k});\end{array}$

相似度计算模块用于利用余弦定理的跌倒识别算法，分别计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，分别得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；其中，虽然说各个动作特征向量的维度不同，但特征向量的方向却有很大的意义，如果两个特征向量的方向一致，则说明相应的两个动作特征相接近，因此，通过余弦定理计算两个特征向量的夹角来判断对应的动作特征的接近程度，两个特征向量的夹角大，则说明两个动作特征差别大；两个特征向量的夹角小，则说明两个动作特征相似。具体计算方式如图2所示，为余弦计算方式示意图。把任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则：

$cos\left(A\right)=\frac{<n_i\&CenterDot;n_j>}{\left|n_i\right|\&CenterDot;\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。

由于向量中每一个变量都是正数，因此余弦的取值在0和1之间，也就是夹角在0到90度之间。当两个特征向量夹角的余弦值等于1时，这两个特征向量的夹角为0，则两个动作特征完全相同；当两个特征向量夹角的余弦值接近于1时，则两个动作特征相似度较高，从而可以归为一类；两个特征向量夹角的余弦值越小，夹角越大，两个动作特征相似度越低。当夹角为0时，则表示两个动作特征完全不同。

人体跌倒状态识别模块用于根据跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

本发明实施例的人体跌倒状态识别方法及装置通过利用余弦定理，使用简单的数学几何原理进行跌倒识别，计算简单；并将跌倒状况最终以一个区间值域的形式来分类，削弱了人为主观选取单值作为阈值的局限性，对不同主体发生跌倒的动作特征有了更好地包容性，提高了跌倒识别的准确性。相对于现有的统计学算法模型和简单的信号幅度选取阈值作为跌到检测标准的算法，本发明简化了对动作数据的处理和减少了处理过程中的耗时，对跌倒状态的发生实现更加及时的反映，提高了对突发跌倒状况的处理效率，减少了因延时救助带来的风险和投入。同时，对硬件平台的要求有所降低，降低了开发成本，从而使跌倒报警装置产品有更高的性价比。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种人体跌倒状态识别方法，其特征在于，包括：

步骤a：提取跌倒动作和日常动作的特征向量；

步骤b：计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；

步骤c：根据所述跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

2.根据权利要求1所述的人体跌倒状态识别方法，其特征在于，所述步骤a还包括：分别采集人体跌倒动作和日常动作的时间序列信号，所述时间序列信号包括加速度、角速度。

3.根据权利要求2所述的人体跌倒状态识别方法，其特征在于，所述步骤a还包括：将所述人体跌倒动作和日常动作的时间序列信号分别进行归一化处理。

4.根据权利要求3所述的人体跌倒状态识别方法，其特征在于，在所述步骤a中，所述提取跌倒动作和日常动作的特征向量的提取方式包括：通过主成分分析对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量。

5.根据权利要求1至4任一项所述的人体跌倒状态识别方法，其特征在于，在所述步骤b中，所述计算特征向量的两两相似性的计算方式为：通过余弦定理计算两个特征向量的夹角来判对应的动作特征的接近程度，两个特征向量的夹角大，则两个动作特征差别大；两个特征向量的夹角小，则两个动作特征相似；将任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则余弦计算公式为：

$cos\left(A\right)=\frac{<n_i\&CenterDot;n_j>}{\left|n_i\right|\&CenterDot;\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。

6.一种人体跌倒状态识别装置，其特征在于，包括特征提取模块、相似度计算模块和人体跌倒状态识别模块；所述特征提取模块用于提取跌倒动作和日常动作的特征向量；所述相似度计算模块用于计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；所述人体跌倒状态识别模块用于根据所述跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

7.根据权利要求6所述的人体跌倒状态识别装置，其特征在于，还包括信号采集模块，所述信号采集模块用于分别采集人体跌倒动作和日常动作的时间序列信号，所述时间序列信号包括加速度、角速度。

8.根据权利要7所述的人体跌倒状态识别装置，其特征在于，还包括信号归一化处理模块，所述信号归一化处理模块用于将所述人体跌倒动作和日常动作的时间序列信号分别进行归一化处理。

9.根据权利要求8所述的人体跌倒状态识别装置，其特征在于，所述特征提取模块提取跌倒动作和日常动作的特征向量的提取方式包括：通过主成分分析对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量。

10.根据权利要求6至9任一项所述的人体跌倒状态识别装置，其特征在于，所述相似度计算模块计算特征向量的两两相似性的计算方式为：通过余弦定理计算两个特征向量的夹角来判对应的动作特征的接近程度，两个特征向量的夹角大，则两个动作特征差别大；两个特征向量的夹角小，则两个动作特征相似；将任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则余弦计算公式为：

$cos\left(A\right)=\frac{<n_i\&CenterDot;n_j>}{\left|n_i\right|\&CenterDot;\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。