CN106388831A - 基于样本加权算法的检测摔倒动作的方法 - Google Patents
基于样本加权算法的检测摔倒动作的方法 Download PDFInfo
- Publication number
- CN106388831A CN106388831A CN201610969076.4A CN201610969076A CN106388831A CN 106388831 A CN106388831 A CN 106388831A CN 201610969076 A CN201610969076 A CN 201610969076A CN 106388831 A CN106388831 A CN 106388831A
- Authority
- CN
- China
- Prior art keywords
- action
- sample
- central processor
- processor core
- module
- 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.)
- Granted
Links
- 230000009471 action Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Emergency Alarm Devices (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明针对采集动作样本中普通动作样本与摔倒动作样本数量差距过大，导致建立数学模型时，动作样本识别分类线划分不正确，造成实际使用过程中误警率过高的问题，引入基于样本加权极速学习机ELM，增加数量较少的摔倒动作样本的权值，使得分类线向动作样本少的方向偏移，减少了误警率。应用本方法所设计的检测系统，结合了加速度计、陀螺仪和声音传感器的输出数据，利用检测模型判断是否摔倒，再通过高灵敏度气压计的重复确认，使检测摔倒的结果更加准确，减少了误报率，而且，对于可穿戴装备来说，本系统利用高灵敏度气压计重复确认，使该设备可以佩戴在使用者的腰部、手腕部、或者口袋中，对佩戴要求低，适用范围广。
Description
技术领域
本发明涉及一种检测人体摔倒的检测方法，尤其涉及一种基于样本加权算法的快速高精度的检测摔倒动作的方法。
背景技术
老年人摔倒后，如果得不到及时的救助，就会丧失黄金救助机会，会给个人、家庭、社会、造成巨大的伤害和负担。
目前，对于人体摔倒检测，有基于图像识别和基于传感器数据识别两大类。从硬件上一般分为基于视觉和基于穿戴式传感器两种，其中，采用视觉进行人体摔倒检测会严重受到外界环境影响，比如光照条件、背景、遮挡大小和摄像机质量等，另外，由于摄像机监测区域有限，被监测的老年人或者病人的活动范围会受到限制，在利用穿戴式传感器检测人体摔倒的研究中，一种是采用加速度计检测人体活动的加速度，通过设定阈值判断是否摔倒，这种方法很难区分摔倒与人们日常的剧烈活动，如跳、上下楼等。专利200720125141.1，200910145045.7都是采用一个三轴加速度计测得人体加速度，同时计算出了倾斜角度，前者通过设定加速度和角度阈值判断是否发生摔倒，难以区分快速行走和上下楼梯等剧烈动作，而后者则是判断人在摔倒过程受到冲击前后一段时间的角度关系判断是否发生摔倒，该方法要求人体摔倒过程出现明显冲击，难以识别老年人突然晕倒或者小幅度摔倒，而且，其角度是通过加速度计算得到，显然，当人体剧烈活动或者震动干扰时计算的倾斜角度会出现严重偏差，识别率会严重下降；另一种是通过穿戴式角度传感器检测人体躯干角度，设定角度阈值和时间阈值判断是否摔倒，该方法难以区分弯腰、平躺等正常行为动作。例如，专利200620075599.6，200620003000.8通过传感器检测人体的倾斜程度来判断是否发生摔倒，很难区分弯腰、平躺等动作，另外，由于摔倒事件随机性强、形式多样，因此，基于阈值检测的技术是通过检测人体的加速度是否超过某一个阈值，从而判断该人是否处于摔倒状态；该方法中阈值的确定较高地依赖于人的主观经验，容易将某些正常的剧烈运动误识别为摔倒，即该方法的误警率较高。
基于机器学习方法的行为识别技术从现存的正常运动数据和摔倒数据中训练出一个行为识别模型，然后利用该模型去识别用户的行为，该方法同样存在误警率较高的缺点，如图1所示，假设三角形是摔倒数据，圆形是跑步数据，在离线训练阶段，由于获得的摔倒数据较少，不能涵盖所有的摔倒特征空间，那么得到区分二者的分类线就是如图1(a)所示实线部分，导致了部分跑步数据被分成了摔倒数据。而实际情况可能是由于隐含的摔倒数据的存在，使得真实的分类线为如图1(b)所示的虚线部分。即由于摔倒样本的数量较少，导致了样本失衡现象的发生，那么依据此失衡数据集训练的分类线就不能较好地反映问题的本质，存在误报的情况。而这种较高的误警率虽然不会漏掉每一个摔倒行为，但是会产生频繁的摔倒报警行为。
如上所述，对于检测人体摔倒动作的核心功能在于摔倒状态的识别，由于真实的摔倒数据难以获得，导致采集到的正常行为和摔倒行为样本比例严重失衡，从而基于此数据集训练的常规摔倒检测模型的漏警率和误警率都较高，不能满足实际的需求。
目前，关于摔倒检测装置的技术手段集中在穿戴式、图像识别等手段。专利申请201510035927.3中公开了一种老人跌倒追踪系统，其技术手段是通过气压计和加速度传感器检测气压数据和加速度数据来判断老人是否处于失重状态；同样的，如专利201210245340.1，公开的跌倒报警仪、跌倒报警检测装置及方法中，P8第65段中明确的说明采用加速度传感器和气压计来判断重心下移、失重、撞击状态，可见现有技术都是结合气压计和加速度传感器来共同判断老人运动状态，可靠性低。
再有如专利申请号为：201620211179x的申请中，公开了一种具有跌倒报警呼救功能的智能皮带，其基本上代表了现有的关于便携式的摔倒检测装置的技术手段，其结构简单，具有呼吸传感器、加速度传感器、陀螺仪传感器以及处理单元，以便实现对老人跌倒的检测。但是，目前的可穿戴设备通常如上述申请一般，均为固定位置的穿戴，对于一些特殊状态的老人不太适用，使用受到较大程度的限制。
发明内容
本发明的目的是：针对在采样时正常行为和摔倒行为样本比例严重失衡而导致检测模型误警率高的问题，提供一种基于样本加权算法的检测摔倒动作的方法，该方法能够很好的降低误警率。
所述的一种基于样本加权算法的检测摔倒动作的方法，包括中央处理器芯片、加速度计和陀螺仪，其技术方案是：通过以下步骤实现动作检测：
A1：将用于采集线加速度的变化参数的加速度计和用于采集角运动变化参数的陀螺仪佩戴在被检测人体上，加速度计和陀螺仪实时输出数据给中央处理器芯片。
A2：采集环节：中央处理器芯片采集佩戴者身上携带的加速度计和陀螺仪发回的摔倒动作样本，以及除摔倒外的一般动作样本；设立映射表格，将动作类型与类标号对应。
A3：数据处理环节：
A301.中央处理器芯片内部采用基于单隐层前向神经网络的极速学习机ELM(Extreme Learning Machine)算法，选定A2环节中的动作样本为输入结点建立数学模型，设A2环节中的动作样本个数为n；隐层结点个数为输出结点个数为m；激励函数为G(a,b,x)；对每一个动作样本xi，有：Hβ＝T，
其中：
对该单隐层前向网络求解，得到：
其中是矩阵H的Moor-Penrose伪逆。
A302:由于动作样本的数量不均衡，给予每个样本一个权值，利用权值调整分类线：动作样本的权值W的值为该类动作样本个数的倒数，使得动作样本数量越少，权值越大，以此调整分类线向动作样本少的方向偏移，提高检测精度：其中#(ti)表示动作样本所属的分类中动作样本的个数。
A303：结合A302、A303环节，将引入权值后的目标转换为：
其中W(xi)表示动作样本xi的权值；εi是一个长度为m向量，代表动作样本xi的相对于m个输出结点的训练错误；C是正则化参数，代表平衡总体动作样本的最小错误和分类线的最大间隔距离；
目标指的是：摔倒检测问题抽象出来的数学问题的优化目标。
再根据对偶原理和KKT理论，对式(3)优化公式求解得到输出矩阵：
其中，I是一个单位矩阵；W是一个N×N的矩阵，其元素Wii表示动作样本xi的权值W(xi)。
A4：利用数学模型检测动作环节：中央处理器芯片对A3环节的输出结点的值与1比较，得到类标号进而检测出摔倒动作，输出摔倒信号。
当用极速学习机ELM算法分类新动作样本x时，极速学习机ELM输出结点的值为：
其中，m是输出结点的个数，也是分类问题中类的个数；相应的，TY是一个含有m个值的行向量；
再通过类标号公式：得到j为动作样本x的类标号，再与A2中的映射表格对应，检测出摔倒动作。
一种使用了本发明所述检测方法的检测系统，包括中央处理器芯片、动作检测模块、动作确认模块、通信模块、定位模块和指定终端，其技术方案是：中央处理器芯片分别连接动作检测模块、动作确认模块、通信模块和定位模块；通信模块与指定终端无线联通；
所述的中央处理器芯片采集动作检测模块的数据，检测佩戴者动作；出现摔倒动作时，中央处理器芯片采集动作确认模块中的数据，重复确认佩戴者的动作；当确认发生摔倒动作后，中央处理器芯片采集定位模块的信息通过通信模块发送数据至指定终端。
所述的动作检测模块包括分别连接在中央处理器芯片上的加速度计和陀螺仪；其中，所述的中央处理器芯片分别提取加速度计、陀螺仪样本的均值、方差、离散傅立叶变换后的能量、加速度计、陀螺仪各个轴之间的相关系数形成向量，通过数学公式和输出动作类标号。
其中，ai＝[ai1，ai2，...，ain]表示第i个隐结点到所有输入结点之间权值组成的向量；
bi表示第i个隐结点的阈值；ai和bi的值随机生成，其值位于区间[-1,1]之间；m为输出节点的个数；
表示第i个输出结点到每一个隐结点之间的权值组成的向量；
函数G是sigmod函数；
其中，j为动作样本x的类标号，对应于动作类别；
所述的动作确认模块包括连接在中央处理器芯片上的高灵敏度气压计，其中，中央处理器芯片周期采集高灵敏度气压计采集的气压数值，在发生摔倒动作时读取上一周期气压数值，再与本周期内气压值作比较，差值达到阈值时，确认发生摔倒动作；
所述的定位模块在确认发生摔倒动作后，对佩戴者进行定位并形成位置信息；
所述的通信模块在确认发生摔倒动作后，用于输出位置信息和/或文本消息信息和/或声音信息到指定终端。
本发明针对采集动作样本中普通动作样本与摔倒动作样本数量差距过大，导致建立数学模型时，动作样本识别分类线划分不正确，而造成实际使用过程中误警率过高的问题，引入基于样本加权极速学习机ELM，增加数量较少的摔倒动作样本的权值，使得分类线向动作样本少的方向偏移，达到精确分类的目的，减少了误警率。应用本方法所设计的检测系统，结合了加速度计、陀螺仪和声音传感器的输出数据，利用检测模型判断是否摔倒，再通过高灵敏度气压计的重复确认，使检测摔倒的结果更加准确，减少了误报率，而且，对于可穿戴装备来说，本系统利用高灵敏度气压计重复确认，使该设备可以佩戴在使用者的腰部、手腕部、或者口袋中，对佩戴要求低，适用范围广。
附图说明
图1为样本失衡对分类模型精度的影响对比示意图。
其中，图1(a)为采集到的动作样本分布示意图；
图1(b)为实际数据分布示意图。
图2为极速学习机ELM网络结构示意图。
图3为检测系统结构示意图。
其中，1.中央处理器芯片；2.动作检测模块；3.动作确认模块；4.定位模块；5.通信模块；6.指定终端；7.无线通信模块。
其中，201.加速度计；202.陀螺仪；203.声音传感器。
其中，301.高灵敏度气压计。
具体实施方式
所述的一种基于样本加权算法的检测摔倒动作的方法，包括中央处理器芯片1、加速度计201和陀螺仪202，其技术方案是：通过以下步骤实现动作检测：
A1：将用于采集线加速度的变化参数的加速度计201和用于采集角运动变化参数的陀螺仪202佩戴在被检测人体上，加速度计201和陀螺仪202实时输出数据给中央处理器芯片1。
A2：采集环节：中央处理器芯片1采集佩戴者随身携带的加速度计201和陀螺仪202中发出的一般动作样本：包括静止、走路、跑步、上下楼梯等动作样本，及摔倒的动作样本，作为极速学习机ELM算法中的输入结点，并在中央处理器芯片1内部建立类标号和动作类型的映射表格。
表I：动作与类标号映射表格
| 0 | 静止 |
| 1 | 走路 |
| 2 | 跑步 |
| 3 | 上楼梯 |
| 4 | 下楼梯 |
| 5 | 摔倒 |
在具体使用中，动作与类标号映射表格固定设置在中央处理器芯片1中或由于个体的差异，映射表格根据实际情况可采用在线调整的方案。此种在线编辑的方案为现有技术。
如图1，由于一般动作样本比较容易采集，所以采集到的数据较多，而对于摔倒动作样本来说，采集难度大，采集到的数据也比较少。
A3：数据处理环节：
A301.中央处理器芯片1对A2环节采集的数据采用如图2的基于单隐层前向神经网络的极速学习机ELM(Extreme Learning Machine)算法进行学习，选定输入结点个数为n，隐层结点个数为输出结点个数为m，激励函数为G(a,b,x)，对传感器采集到的每一个动作样本xi，则有：
其中：ai＝[ai1，ai2，...，ain]表示第i个隐结点到所有输入结点之间权值组成的向量；
bi表示第i个隐结点的阈值；ai和bi的值随机生成，其值位于区间[-1,1]之间。
表示第i个输出结点到每一个隐结点之间的权值组成的向量；
oi＝[oi1，oi2，...，oim]表示m个输出结点的值组成的向量。
则，对于训练集合R＝{(xi，ti)|xi∈Rn，ti∈Rm，i＝1，2，…，N}中所有N个动作样本，每个动作样本均可以写成式(1)的形式。
再把所有N个等式写成如式(2)的矩阵形式：
对于训练集合其对应的单隐层前向网络的优化目标是使得预测误差趋近于0，即：
即存在βi、ai和bi，使得：
上式可以采用矩阵的形式表述：
Hβ＝T
其中：
极速学习机ELM算法训练一个单隐层前向网络，需要找到特定的β、ai和bi 使得：
根据新加坡南洋理工大学黄广斌教授：在Neural Netwokrs,vol.61,no.1,pp.32-48,2015中的相关描述，ai和bi的值无需调整，只需在算法开始时随机生成即可，那么问题就转换为：
则该问题的最小范数二乘解为：其中是矩阵H的Moor-Penrose伪逆。
A302：由于A2环节采集到的动作样本的数量不均衡，给予每个样本一个权值，使得算法根据权值调整分类线：根据A2环节中采集数据的动作样本的分析，确定属于非均衡类。对于非均衡类，动作样本的权值取该类动作样本个数的倒数：w(x_i)＝1/(#(t_i))，其中#(ti)表示动作样本所属的类中样本个数。
通过以上方法，对于动作样本数量比较少的行为类别，其对应的权值就会比较大，这样就强制分类线向动作样本少的一方偏移，增加动作样本分类精度，更少的减少误警率。
A303：结合A301和A302环节，考虑到每个动作样本对模型求解的影响时，通过极速学习机ELM算法的优化目标转换为：
其中W(xi)表示动作样本xi的权值，εi是一个长度为m向量，代表动作样本xi的相对于m个输出结点的训练错误，C是正则化参数，用于平衡总体动作样本的最小错误和分类线的最大间隔距离。
根据对偶原理和KKT条件，(3)式可以求解得到：β＝(I/C+H^TWH)^(-1)H^TWH，其中，I是一个单位矩阵，W是一个N×N的矩阵，其元素Wii表示动作样本xi的权值W(xi)。由此得到的β作为最终的高精度摔倒检测模型中的重要参数。
A4：利用数学模型检测动作环节：通过加权极速学习机ELM算法通过输出结点的值与1比较：当用极速学习机ELM算法分类新动作样本x时，极速学习机ELM输出结点的值为：其中，m是输出结点的个数，也是分类问题中类的个数。相应的，TY就是一个含有m个值的行向量。
求得动作样本的类标号：TY的哪个分量距离1最近，那么该分量相应的下标就是动作样本x的类标号，即：j为动作样本x的类标号，对应于动作。
当j的值为5时，通过查询映射表格I，中央处理器芯片1检测出当前发生了摔倒行为。
本环节中的和为检测动作的数学模型。尤其经过了A3环节中的加权算法(A302)使得检测的精度更高。
所述的一种高精度摔倒检测系统，包括中央处理器芯片1、动作检测模块2、动作确认模块3、定位模块4和通信模块5、指定终端6，其技术方案是：中央处理器芯片1分别连接动作检测模块2、动作确认模块3及通信模块5和定位模块4，通信模块5与指定终端6无线联通；
所述的中央处理器芯片1采集动作检测模块2的数据，检测佩戴者动作；出现摔倒动作时，中央处理器芯片1采集动作确认模块3中的数据，重复确认佩戴者的动作；当确认发生摔倒动作后，中央处理器芯片1采集定位模块4信息通过通信模块5发送数据至指定终端6。
所述的动作检测模块2为传感器的集合，用于采集佩戴者的不同动作样本数据。
所述的动作检测模块2包括分别连接在中央处理器芯片1上的加速度计201，陀螺仪202；
其中，所述的中央处理器芯片1分别提取加速度计201、陀螺仪202样本的均值、方差、离散傅立叶变换后的能量、加速度计201、陀螺仪202各个轴之间的相关系数的均值、方差、离散傅立叶变换后的能量作为特征，形成向量，通过数学检测模型输出动作类标号，利用动作与类标号映射表格对应得到动作类型；
所述的加速度计201用来检测佩戴者线加速度的变化，并输出信息。
所述的陀螺仪202用来检测佩戴者的角运动变化，并输出信息。
具体的，所述的中央处理器芯片1每1秒钟采集数据一次，采样频率为30赫兹，读取到加速度计2、陀螺仪3的数据，提取加速度传感器2的30个样本的均值、方差、离散傅立叶变换后的能量、加速度计201、陀螺仪202各个轴之间的相关系数作为特征；提取陀螺仪3的30个样本的均值、方差、离散傅立叶变换后的能量、各个轴之间的相关系数作为特征，一共有八个特征。完成A2采集环节，并将这些特征形成向量x，再将进行样本加权计算后的八个特征向量x代入A4环节的检测动作的数学模型中：
其中，ai＝[ai1，ai2，...，ain]表示第i个隐结点到所有输入结点之间权值组成的向量；
bi表示第i个隐结点的阈值。
ai和bi的值随机生成，其值位于区间[-1,1]之间。
表示第i个输出结点到每一个隐结点之间的权值组成的向量。
函数G是sigmod函数。
是一个二维矩阵。
m为输出节点的个数；i＝1……5；
函数F的功能是返回代表的向量中距离1最近的分量的下标；ai、bi、β的值基于极速增量学习算法得到。
如A4环节，TY的哪个分量距离1最近，那么该分量相应的下标就是动作样本x的类标号，即:j为动作样本x的类标号，当j的值为5时，通过查询映射表格I，检测出当前发生了摔倒动作。
所述的动作确认模块3包括连接在中央处理器芯片1上的高灵敏度气压计301；
其中，中央处理器芯片1周期采集高灵敏度气压计301采集的气压数值，在发生摔倒动作时读取上一周期气压数值，再与本周期内气压值作比较，差值达到阈值时，确认发生摔倒动作。
具体的，所述的中央处理器芯片1以T＝5s采集高灵敏度气压计5采集的气压数值，在发生摔倒动作时读取上一周期气压数值，再与本周期内气压值作比较，差值达到阈值50厘米气压差，确认发生摔倒动作；
所述的定位模块4在确认发生摔倒动作后，对佩戴者进行定位并形成位置信息；
所述的通信模块5在确认发生摔倒动作后，用于输出位置信息和/或文本消息信息和/或声音信息到指定终端6。
当确认摔倒动作时，所述的中央处理器芯片1读取定位模块4中的位置信息后通过通信模块5发送位置信息到指定终端6。同样的，也可以发送文本消息信息、声音信息。从发送端向终端发送视频、音频、文本均为现有技术。
具体的，本申请的各个模块使用的型号是：
所述的中央处理器芯片1的型号为：ARM720TMDI。
所述的加速度计201的型号为：Model2422/2430。
所述的陀螺仪202的型号为：stim210/202。
所述的声音传感器203的型号为：BR-ZS1。
所述的高灵敏气压计301的型号为：DWCYJ1-1。
所述的定位模块4为GPS或北斗导航模块或GSM模块。
所述的通信模块5为GPRS模块或蓝牙模块。
所述的指定终端6为使用者亲人的手机或者医院等机构专门的监控系统。
所述的定位模块4中的GPS模块型号为sirf5。
所述的通信模块5中的GSM模块型号为BENQ M2。
当接收到确认摔倒信号后，除了发送位置信息，还可以播放指定的音频、视频等信息。当指定终端6为手机时，就能够通过短信的方式，将佩戴者的摔倒状况和当前位置，报告给120监护中心或者佩戴者的监护人；也可以自动拨打监护人的电话，播放合成的录音，比如“您的亲人在**公园摔倒了，需要您的救助”。
所述的一种高精度摔倒检测系统，还包括声音传感器203，其与中央处理器芯片1进行连接，包含在动作检测模块2内，中央处理器芯片1分别提取加速度计201、陀螺仪202样本的均值、方差、离散傅立叶变换后的能量、加速度计201、陀螺仪202各个轴之间的相关系数以及声音传感器203样本的均值、方差、离散傅立叶变换后的能量共十一个数值作为特征，形成向量，通过数学检测模型输出动作类标号，通过动作与类标号映射表格判断动作类型。
所述的声音传感器203可以检测人在走路、跑步、摔倒动作下，发出的声音。走路、跑步一般是有节奏的啪啪声，而人在摔倒过程中，除了身体与地面的撞击声外，一般嘴里还会发出声音，比如“啊”等，本申请利用声音传感器的识别声音的频域要宽广的特点，对声音信息进行识别。
加入声音传感器203后，其计算方法与不增加声音传感器的判断方法一致，同样利用相同的数学模型和输出动作类标号，从而进一步判断动作类型。
Claims (6)
1.一种基于样本加权算法的检测摔倒动作的方法，包括中央处理器芯片(1)、加速度计(201)和陀螺仪(202)，其特征是：通过以下步骤实现动作检测：
A1：将用于采集线加速度的变化参数的加速度计(201)和用于采集角运动变化参数的陀螺仪(202)佩戴在被检测人体上，加速度计(201)和陀螺仪(202)实时输出数据给中央处理器芯片(1)；
A2：采集环节：中央处理器芯片采集佩戴者身上携带的加速度计(201)和陀螺仪(202)发回的摔倒动作样本，以及除摔倒外的一般动作样本；设立映射表格，将动作类型与类标号对应；
A3：数据处理环节：
A301.以动作样本为输入结点建立数学模型：中央处理器芯片(1)内部采用基于单隐层前向神经网络的极速学习机ELM算法，选定A1环节中的动作样本为输入结点，建立数学模型；
A302:动作样本的权值W的值为该类动作样本个数的倒数，使得动作样本数量越少，权值越大：其中#(ti)表示动作样本所属的分类中动作样本的个数；
A303：结合A301和A302环节，将引入权值后的动作样本经过转换过程后，再通过对偶原理和KKT理论得到输出矩阵；
所述的转换过程为通过数学公式：和进行转换，其中W(xi)表示动作样本xi的权值；εi是一个长度为m向量，代表动作样本xi的相对于m个输出结点的训练错误；
所述的输出矩阵为：其中，I是一个单位矩阵；W是一个N×N的矩阵，其元素Wii表示动作样本xi的权值W(xi)；C是正则化参数，代表平衡总体动作样本的最小错误；
A4：利用数学模型检测动作环节：极速学习机ELM输出结点的值为：
其中，m是输出结点的个数，也是分类问题中类的个数；相应的，TY是一个含有m个值的行向量；
再通过类标号公式：得到j为动作样本x的类标号，并与A1环节中的映射表格对应，检测出摔倒动作。
2.一种高精度摔倒检测系统使用了权利要求1所述的检测方法，包括中央处理器芯片(1)、动作检测模块(2)、动作确认模块(3)、定位模块(4)和通信模块(5)、指定终端(6)，其中：中央处理器芯片(1)分别连接动作检测模块(2)、动作确认模块(3)及通信模块(5)和定位模块(4)，通信模块(5)与指定终端(6)无线联通，其特征是：
所述的中央处理器芯片(1)采集动作检测模块(2)的数据，检测佩戴者动作；出现摔倒动作时，中央处理器芯片(1)采集动作确认模块(3)中的数据，重复确认佩戴者的动作；当确认发生摔倒动作后，中央处理器芯片(1)采集定位模块(4)信息通过通信模块(5)发送数据至指定终端(6)。
3.根据权利要求2所述的高精度摔倒检测系统，其特征是：所述的动作检测模块(2)包括分别连接在中央处理器芯片(1)上的加速度计(201)，陀螺仪(202)，
其中，所述的中央处理器芯片(1)分别提取加速度计(201)、陀螺仪(202)样本的均值、方差、离散傅立叶变换后的能量、加速度计(201)和陀螺仪(202)各个轴之间的相关系数的均值、方差、离散傅立叶变换后的能量作为特征，形成向量，通过A4环节中的检测动作的数学模型检测出摔倒动作。
4.根据权利要求2所述的高精度摔倒检测系统，其特征是：所述的动作确认模块(3)包括连接在中央处理器芯片(1)上的高灵敏度气压计(301)；
其中，中央处理器芯片(1)周期采集高灵敏度气压计(301)采集的气压数值，在检测到摔倒动作时读取上一周期气压数值，再与本周期内气压值作比较，差值达到阈值时，确认发生摔倒动作。
5.根据权利要求2所述的高精度摔倒检测系统，其特征是：所述的定位模块(4)在确认发生摔倒动作后，对佩戴者进行定位并形成位置信息；所述的通信模块(5)在确认发生摔倒动作后，用于输出位置信息和/或文本消息信息和/或声音信息到指定终端(6)。
6.根据权利要求3所述的高精度摔倒检测系统，其特征是：动作检测模块(2)内还包括声音传感器(203)，并与中央处理器芯片(1)进行连接，中央处理器芯片(1)分别提取加速度计(201)、陀螺仪(202)样本的均值、方差、离散傅立叶变换后的能量、加速度计(201)、陀螺仪(202)各个轴之间的相关系数以及声音传感器(203)样本的均值、方差、离散傅立叶变换后的能量作为特征，形成向量，通过A4环节中的检测动作的数学模型检测出摔倒动作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610969076.4A CN106388831B (zh) | 2016-11-04 | 2016-11-04 | 基于样本加权算法的检测摔倒动作的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610969076.4A CN106388831B (zh) | 2016-11-04 | 2016-11-04 | 基于样本加权算法的检测摔倒动作的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106388831A true CN106388831A (zh) | 2017-02-15 |
| CN106388831B CN106388831B (zh) | 2020-01-10 |
Family
ID=58014623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610969076.4A Active CN106388831B (zh) | 2016-11-04 | 2016-11-04 | 基于样本加权算法的检测摔倒动作的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106388831B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875630A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
| CN107316052A (zh) * | 2017-05-24 | 2017-11-03 | 中国科学院计算技术研究所 | 一种基于低成本传感器的鲁棒行为识别方法与系统 |
| CN108062170A (zh) * | 2017-12-15 | 2018-05-22 | 南京师范大学 | 基于卷积神经网络和智能终端的多类别人体姿态识别方法 |
| CN108451517A (zh) * | 2018-02-13 | 2018-08-28 | 安徽奇智科技有限公司 | 一种基于可穿戴设备的健康检测方法 |
| CN108720840A (zh) * | 2018-02-13 | 2018-11-02 | 安徽奇智科技有限公司 | 一种基于佩戴式设备检测健康数据的方法和系统 |
| CN109348400A (zh) * | 2018-09-16 | 2019-02-15 | 王小玲 | 一种3d音效的主体位姿预判方法 |
| CN110236558A (zh) * | 2019-04-26 | 2019-09-17 | 平安科技（深圳）有限公司 | 婴儿发育情况预测方法、装置、存储介质及电子设备 |
| CN113409559A (zh) * | 2021-06-11 | 2021-09-17 | 歌尔智能科技有限公司 | 一种耳机防丢失方法、装置及相关设备 |
| TWI781378B (zh) * | 2020-03-02 | 2022-10-21 | 瀚誼世界科技股份有限公司 | 跌倒偵測方法、單氣壓計裝置與系統 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8206325B1 (en) * | 2007-10-12 | 2012-06-26 | Biosensics, L.L.C. | Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection |
| CN102722721A (zh) * | 2012-05-25 | 2012-10-10 | 山东大学 | 一种基于机器视觉的人体跌倒检测方法 |
| CN102469955B (zh) * | 2009-07-10 | 2015-07-08 | 皇家飞利浦电子股份有限公司 | 确定用户的跌倒风险的方法和设备 |
| CN105160285A (zh) * | 2015-06-09 | 2015-12-16 | 贾勇哲 | 基于立体视觉的自动人体跌倒识别方法及系统 |
-
2016
- 2016-11-04 CN CN201610969076.4A patent/CN106388831B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8206325B1 (en) * | 2007-10-12 | 2012-06-26 | Biosensics, L.L.C. | Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection |
| CN102469955B (zh) * | 2009-07-10 | 2015-07-08 | 皇家飞利浦电子股份有限公司 | 确定用户的跌倒风险的方法和设备 |
| CN102722721A (zh) * | 2012-05-25 | 2012-10-10 | 山东大学 | 一种基于机器视觉的人体跌倒检测方法 |
| CN105160285A (zh) * | 2015-06-09 | 2015-12-16 | 贾勇哲 | 基于立体视觉的自动人体跌倒识别方法及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875630A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
| CN106875630B (zh) * | 2017-03-13 | 2018-12-04 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
| CN107316052A (zh) * | 2017-05-24 | 2017-11-03 | 中国科学院计算技术研究所 | 一种基于低成本传感器的鲁棒行为识别方法与系统 |
| CN108062170A (zh) * | 2017-12-15 | 2018-05-22 | 南京师范大学 | 基于卷积神经网络和智能终端的多类别人体姿态识别方法 |
| CN108451517A (zh) * | 2018-02-13 | 2018-08-28 | 安徽奇智科技有限公司 | 一种基于可穿戴设备的健康检测方法 |
| CN108720840A (zh) * | 2018-02-13 | 2018-11-02 | 安徽奇智科技有限公司 | 一种基于佩戴式设备检测健康数据的方法和系统 |
| CN109348400A (zh) * | 2018-09-16 | 2019-02-15 | 王小玲 | 一种3d音效的主体位姿预判方法 |
| CN109348400B (zh) * | 2018-09-16 | 2020-08-04 | 台州昉创科技有限公司 | 一种3d音效的主体位姿预判方法 |
| CN110236558A (zh) * | 2019-04-26 | 2019-09-17 | 平安科技（深圳）有限公司 | 婴儿发育情况预测方法、装置、存储介质及电子设备 |
| TWI781378B (zh) * | 2020-03-02 | 2022-10-21 | 瀚誼世界科技股份有限公司 | 跌倒偵測方法、單氣壓計裝置與系統 |
| CN113409559A (zh) * | 2021-06-11 | 2021-09-17 | 歌尔智能科技有限公司 | 一种耳机防丢失方法、装置及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106388831B (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106388831A (zh) | 基于样本加权算法的检测摔倒动作的方法 | |
| US10309980B2 (en) | Fall detection system using a combination of accelerometer, audio input and magnetometer | |
| CN105310696B (zh) | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 | |
| CN105342623B (zh) | 智能跌倒监护装置及其处理方法 | |
| KR101690649B1 (ko) | 다축 활동 모니터 디바이스로의 활동 분류 | |
| US20170172464A1 (en) | Method for monitoring of activity and fall | |
| CN104586398A (zh) | 一种基于多传感器融合的老人跌倒检测方法及系统 | |
| CN106725445B (zh) | 一种脑电波控制的便携式人体运动损伤监护系统与方法 | |
| WO2005017459A1 (en) | Human motion identification and measurement system and method | |
| CN106923839A (zh) | 运动辅助装置、运动辅助方法以及记录介质 | |
| CN109009145A (zh) | 一种基于穿戴设备的跌倒判断方法 | |
| 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 | |
| CN104297519A (zh) | 人体运动姿态识别方法和移动终端 | |
| CN107274503A (zh) | 一种基于轨迹与传感器数据的考勤方法 | |
| Chen et al. | Detection of falls with smartphone using machine learning technique | |
| US20240096136A1 (en) | System And Method For Exercise Type Recognition Using Wearables | |
| CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
| CN205103993U (zh) | 一种智能人体跌倒监护装置 | |
| CN106650300A (zh) | 一种基于极限学习机的老人监护系统及方法 | |
| Minh et al. | Evaluation of smartphone and smartwatch accelerometer data in activity classification | |
| CN109190762A (zh) | 基于遗传算法编码的上肢姿态识别算法 | |
| WO2023280333A1 (en) | Device, system, and method for monitoring a person's gait | |
| CN110944085B (zh) | 一种晃动智能手机产生音乐的方法 | |
| Li et al. | Detection of Human Energy Consumption in Sports Based on MEMS Sensor | |
| US20210272025A1 (en) | Method and system for updating machine learning based classifiers for reconfigurable sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 450000 Middle Road, 27 District University, Zhengzhou, Henan Province, No. 2 Applicant after: Zhengzhou Institute of Aeronautical Industry Management Address before: 450046 No. 15, Wen Yuan Xi Road, Zheng Dong New District, Zhengzhou, Zhengzhou, Henan, Henan Applicant before: Zhengzhou Institute of Aeronautical Industry Management |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |