CN106599914A - 一种多传感器融合的腕式跌倒检测方法及装置 - Google Patents
一种多传感器融合的腕式跌倒检测方法及装置 Download PDFInfo
- Publication number
- CN106599914A CN106599914A CN201611116050.1A CN201611116050A CN106599914A CN 106599914 A CN106599914 A CN 106599914A CN 201611116050 A CN201611116050 A CN 201611116050A CN 106599914 A CN106599914 A CN 106599914A
- Authority
- CN
- China
- Prior art keywords
- data
- action
- acceleration
- angular velocity
- low
- 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.)
- Pending
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
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明实施例公开了一种多传感器融合的腕式跌倒检测方法及装置,本发明实施例通过实时采集人体活动姿态数据,对采集到的数据进行分析融合后提取特征向量,并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为,克服了视频检测测试区域的局限性,实现随时随地的检测,具有更高的跌倒检测准确率,且使用更便捷,具有更好的用户体验效果,设计更加合理有效,节约了成本。
Description
技术领域
本发明涉及跌倒检测领域,尤其涉及一种多传感器融合的腕式跌倒检测方法及装置。
背景技术
基于视频图像的跌倒检测系统:此系统将一个或者是几个视频采集摄像头固定安装在房间内,以此捕捉人体活动的图像。捕捉到的图像经过相关的算法进行分析处理,进而提取到跌倒图像的特征,来判定跌倒行为的发生。
基于穿戴式设备的跌倒检测系统:此类系统大多佩戴在人体的固定部位,一般佩戴于胸部、腰部、腿部以及腕部等部位。通过在设备中加入相关的姿态传感器,从而形成可穿戴检测设备,采集实验对象在运动过程中通过传感器输出的数据来分析并检测跌倒行为。
基于视频图像的跌倒检测系统受空间区域限制,系统只能安装在室内的某个固定位置,当被检测者离开视频摄像头的可检测范围时,系统就无法实现跌倒检测,因此限制了被检测者的活动范围;其次是视频图像具有延时性,可能导致活动行为的检测实时性受到影响,图像质量也会因系统所在环境因素影响;最后视频图像采集涉及了被检测者的个人隐私,如果被他人获取,被检测者的个人隐私将无法得到保证。
基于腰部和腿部穿戴式设备的跌倒检测系统,其佩戴不方便,跌倒检测系统设计较为单一,外观和使用都得不到用户所要求的效果。
因此,提供一种实时采集人体活动姿态数据,对采集到的数据进行分析融合后提取特征向量,并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为的基于传感器数据融合的多传感器融合的腕式跌倒检测方法及装置是本领域技术人员需要解决的技术问题。
发明内容
本发明实施例提供了一种多传感器融合的腕式跌倒检测方法及装置,通过实时采集人体活动姿态数据,对采集到的数据进行分析融合后提取特征向量,并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为。
本发明实施例提供了一种多传感器融合的腕式跌倒检测方法及装置,包括:
S1:在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;
S2:根据所述低通滤波处理后的数据进行特征提取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积;
S3:确定所述合加速度、合角速度和信号幅值面积的最大特征值;
S4:判断所述最大特征值是否满足预置阈值,若满足,则识别所述动作数据对应的动作为跌倒动作,若不满足,则识别所述动作数据对应的动作不为跌倒动作。
优选地,所述动作数据包括:三个分加速度和三个分角速度。
优选地,所述根据所述低通滤波处理后的数据进行特征提取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积具体包括:
根据所述低通滤波处理后的数据,对加速度强度向量、信号幅值面积、失重时长、冲击时长、加速度方差、陀螺仪合成角速度和陀螺仪偏转角度进行特征选取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积。
优选地,所述确定所述合加速度、合角速度和信号幅值面积的最大特征值具体包括:
循环遍历所述合加速度、合角速度和信号幅值面积,得到所述合加速度、合角速度和信号幅值面积得最大特征值。
优选地,所述对加速度强度向量进行特征选取计算应用的公式为:
式中,SMV为三轴合成加速度;Ax、Ay、Az分别为X轴、Y轴、Z轴的加速度值。
优选地,所述对信号幅值面积进行特征选取计算应用的公式为:
式中,SMA为信号幅值面积;T为一个时间窗口的大小。
优选地,所述对失重时长进行特征选取计算应用的公式为:
TWL=TL-T0
式中,TL为SMV的有效输入数据中,从疑似跌倒数据开始,连续类失重数据中最后一个点对应的数据采集时间;T0是指第一个数据点所对应的时间;
所述对冲击时长进行特征选取计算应用的公式为:
为冲击最大值点对应的数据采集时间,为类自由落体阶段最小值点对应的数据采集时间。
优选地,所述对加速度方差进行特征选取计算应用的公式为:
式中,SVMi为合加速度某一时刻的数值,为在此窗口时间内的平均值。
优选地,所述对陀螺仪合成角速度进行特征选取计算应用的公式为:
式中,Gx、Gy、Gz分别代表三个轴的角速度的大小;
所述对陀螺仪偏转角度进行特征选取计算应用的公式为:
GDAx=∫Gxdt
GDAy=∫Gydt
GDAz=∫Gzdt。
优选地,本发明实施例还提供了一种多传感器融合的腕式跌倒检测装置,包括:
处理单元,用于在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;
计算单元,用于根据所述低通滤波处理后的数据进行特征提取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积;
确定单元,用于确定所述合加速度、合角速度和信号幅值面积的最大特征值;
判断单元,用于判断所述最大特征值是否满足预置阈值,若满足,则识别所述动作数据对应的动作为跌倒动作,若不满足,则识别所述动作数据对应的动作不为跌倒动作。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种多传感器融合的腕式跌倒检测方法及装置,其中,该多传感器融合的腕式跌倒检测方法包括:在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;S2:根据所述低通滤波处理后的数据进行特征提取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积;S3:确定所述合加速度、合角速度和信号幅值面积的最大特征值;S4:判断所述最大特征值是否满足预置阈值,若满足,则识别所述动作数据对应的动作为跌倒动作,若不满足,则识别所述动作数据对应的动作不为跌倒动作。本发明实施例通过实时采集人体活动姿态数据,对采集到的数据进行分析融合后提取特征向量,并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为,克服了视频检测测试区域的局限性,实现随时随地的检测,具有更高的跌倒检测准确率,且使用更便捷,具有更好的用户体验效果,设计更加合理有效,节约了成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种多传感器融合的腕式跌倒检测方法的流程示意图;
图2为本发明实施例提供的一种多传感器融合的腕式跌倒检测方法的另一流程示意图;
图3为本发明实施例提供的一种多传感器融合的腕式跌倒检测装置的结构示意图;
图4为基于阈值的疑似信号段定位的结果示意图。
具体实施方式
本发明实施例提供了一种多传感器融合的腕式跌倒检测方法及装置,通过实时采集人体活动姿态数据,对采集到的数据进行分析融合后提取特征向量,并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供的一种多传感器融合的腕式跌倒检测方法的一个实施例,包括:
101、在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;
在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对动作数据进行低通滤波处理后,程序获取到低通滤波处理后的数据。
102、根据低通滤波处理后的数据进行特征提取计算,得到低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积;
程序根据低通滤波处理后的数据进行特征提取计算,得到低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积。
103、确定合加速度、合角速度和信号幅值面积的最大特征值;
程序确定合加速度、合角速度和信号幅值面积的最大特征值。
104、判断最大特征值是否满足预置阈值,若满足,则执行105,若不满足,则执行106;
在获得最大特征值后,程序判断判断最大特征值是否满足预置阈值,若满足,则识别动作数据对应的动作为跌倒动作,若不满足,则识别动作数据对应的动作不为跌倒动作。
105、识别动作数据对应的动作为跌倒动作;
106、识别动作数据对应的动作不为跌倒动作。
请参阅图2,本发明实施例提供的一种多传感器融合的腕式跌倒检测方法的另一实施例,包括:
201、在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;
在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对动作数据进行低通滤波处理后,程序获取到低通滤波处理后的数据。
其中,动作数据包括:三个分加速度和三个分角速度。
202、根据低通滤波处理后的数据,对加速度强度向量、信号幅值面积、失重时长、冲击时长、加速度方差、陀螺仪合成角速度和陀螺仪偏转角度进行特征选取计算,得到低通滤波处理后的数据对应的特征值;
程序根据低通滤波处理后的数据,对加速度强度向量、信号幅值面积、失重时长、冲击时长、加速度方差、陀螺仪合成角速度和陀螺仪偏转角度进行特征选取计算,得到低通滤波处理后的数据对应的特征值。
其中,特征值包括:合加速度、合角速度和信号幅值面积。
203、确定合加速度、合角速度和信号幅值面积的最大特征值;
程序循环遍历合加速度、合角速度和信号幅值面积,得到合加速度、合角速度和信号幅值面积得最大特征值。
204、判断最大特征值是否满足预置阈值,若满足,则执行205,若不满足,则执行206。
在获得最大特征值后,程序判断判断最大特征值是否满足预置阈值,若满足,则识别动作数据对应的动作为跌倒动作,若不满足,则识别动作数据对应的动作不为跌倒动作。
205、识别动作数据对应的动作为跌倒动作;
206、识别动作数据对应的动作不为跌倒动作。
在本实施例中,通过对用户的日常活动,在硬件终端通过MPU6500对运动产生的加速度和角速度数据进行采集,将采集后的信号放到主控芯片上进行滤波处理后,再通过特征提取得到合加速度、合角速度和幅值面积,再经过设定好的阈值,对采集到的数据进行判断,得到此次活动是否属于跌倒。
具体步骤为:
1、用户佩戴硬件终端后开启电源供电,此时,硬件上的MPU6500将会实时采集三个分加速度和分角速度信号,并将采集到的信号送到主控芯片。
2、主控芯片对接收到的数据进行低通滤波处理后,送到程序进行处理。
3、根据各个特征量的定义,程序对低通滤波处理后的数据进行计算,得到全部数据所对应的特征值,包括合加速度、合角速度以及信号幅值面积。
4、程序通过循环遍历所有数据所对应的特征值,寻找合加速度中的最大合加速度,合角速度中的最大合角速度以及信号幅值面积中的最大信号幅值面积。
5、程序把寻找到的最大合加速度,合角速度以及最大信号幅值面积送到阈值判断条件程序进行判断。若满足跌倒所对于的阈值,则判断此次动作为跌倒,否则不是。
(一)特征提取
对所采集的数据分析后进行特征选择不失为一种有效的解决办法,另外也能统计出所选用的传感器对系统实验的贡献,对数据特征进行有效选取能够很好地释放存储空间,减轻系统的处理复杂度,提高系统的整体性能。本文系统佩戴于手腕,与传统的佩戴于腰部、头部等部位的跌倒检测系统有所区别,因此在特征选择上也有所不同。根据对本文所设计的多传感器融合的腕式跌倒检测系统的分析,跌倒过程中时域信号的特征选择有下几种:
(1)加速度强度向量(Signal Magnitude Vector,SMV):
式(1)中的SMV为三轴合成加速度,其中Ax、Ay、Az分别代表X轴、Y轴、Z轴的加速度值。由于本系统的腕式佩戴方式活动幅度大,活动方向不可控,因此SMV是通过各轴加速度的矢量合来进行运算,这样就可以避免因方向的分析所带来的复杂性,并且只需关心SMV数值变化的大小。
在跌倒下落过程中的失重阶段末期,人体由于重心偏移失去平衡,地面对人体的支持力会大大减少,所得合成加速度数值会较重力加速度数值小很多,这个阶段称为类自由落体阶段。类自由落体最小值即为三轴合成加速度中的最小值SMVmin。人体跌倒完全接触地面时速度为零的瞬间,合成加速度会达到一个峰值。这个峰值为三轴合成加速度中的最大值SMVmax。
(2)信号幅值面积(Signal Magnitude Area,SMA):
式(2)中的T为一个时间窗口的大小。SMA可以直观表示出运动状态变化的激烈程度。数值越大,表示运动越激烈,而跌倒动作比老年人绝大多数日常动作的激烈程度要高很多。与其他特征值相比,SMA的计算是通过三轴数据的绝对值来进行运算的,这就有效避免了设备轴向变化带来的影响及单轴数据输出的局限性。且SMA加入的时间参数,使得在动作状态持续变化时间相对较长,或者身体幅度变化相对较小的情况下,也能够对动作进行识别检测。
(3)失重时长(Time of Weightlessness,TWL):
TWL=TL-T0 (3)
在跌倒发生时,身体失去平衡倒向地面的过程时间称为失重时长。其中TL是指SMV的有效输入数据中,从疑似跌倒数据开始,连续类失重数据中最后一个点对应的数据采集时间;T0是指第一个数据点所对应的时间。
(4)冲击时长(Time of Impact,TIM):
即类自由落体最小值到冲击最大值的时长。类自由落体最小值点所对应时间即发生跌倒后,人体开始接触到地面的时刻。冲击最大值点所对应时间即为人体发生一定量形变,完全接触地面的瞬时速度为零的时刻。这两个时间点之间的时间段即为冲击时长。为冲击最大值点对应的数据采集时间,为类自由落体阶段最小值点对应的数据采集时间。
(5)加速度方差σ:
式(5)中的SVMi为合加速度某一时刻的数值,为在此窗口时间内的平均值。跌倒过程中加速度的波动范围很大,那么其加速度的方差就会比较大。而在日常生活中的平稳动作如慢走、坐、站立等动作的加速度幅度比较平缓,反映在加速度上就是加速度的变化比较小,因此其加速度的方差就会比较小。
(6)陀螺仪合成角速度Gryr:
式(6)中Gx、Gy、Gz分别代表三个轴的角速度的大小,可由陀螺仪传感器采集后经过滤波得到。合成角速度可以反映出人体活动时腕部或身体旋转的剧烈程度。
(7)陀螺仪偏转角度(Gyroscope Deflection Angle,GDA):
GDAx=∫Gxdt (7)
GDAy=∫Gydt (8)
GDAz=∫Gzdt (9)
陀螺仪偏转角度可以计算出设备转动角度,是指陀螺仪三个轴数据的幅值在选定时间段内的积分之和。但由于使用手腕穿戴的方式,偏转角度并不一定能反应出身体的运动状态,且留在下文进行分析。
除上面所述的特征之外,时域分析法中可提取的特征种类可以有很多,用于体现原始数据样本的特征数目或许很大,那么过多的特征值形成的特征向量就处于一个高维度空间中,这样必然会增大了分类器的工作强度。若不加验证的选取,那么维数的提高对控制器的运算能力以及存储空间的要求也会相应提高。为了提高系统效率和节省存储空间,因此有必要对所选择的特征进行提取。
对以上所述的特征进行PCA降维提取并计算出累积贡献率,统计数据如表1所示。可以看出加速度强度向量和幅值面积的贡献率较大,而陀螺仪偏转角度的贡献率较小,恰好反映了手腕转动和跌倒行为的相关度较小。因此,可以选出SMVmax、SMA、Gryr这3个特征值作为跌倒行为判定的特征向量,其累积贡献率已经达到一定的要求,基本满足特征提取的要求。
表1 样本成分累计贡献率
(二)阈值设定
基于阈值的疑似信号段定位:根据多次的跌倒数据分析,以合成加速度为例,跌倒行为可以分为三个阶段:失重阶段、冲击阶段、反弹阶段。外部因素使人体的重心不稳,然后失去重心开始跌倒,这是失重阶段;在失重阶段中会有极短暂的类自由落体阶段,之后人体撞向地面,达到冲击阶段;撞击的瞬间会有加速度数值的剧变,紧接着进入反弹阶段。大量的数据标明了跌倒的一个共性:跌倒的过程中会出现合成加速度的剧变。据此本文提出了基于阈值的疑似信号段定位方案,判断跌倒行为的发生。具体实现为:实时检测合成加速度的大小,若大于设定的阈值时,截取此值后一秒内的合成加速度数据,找出其最大值(即峰值);再以此峰值为基准,在FIFO中截取前后共三秒的合成加速度数据作为待检数据,用于后续算法的处理数据段。实验结果如图4所示。
通过对多人多种运动方式采集数据的分析,通过对日常活动和跌倒产生的数据进行对比,然后对产生的合加速度、合角速度、SMA进行阈值设定。
请参阅图3,本发明实施例提供的一种多传感器融合的腕式跌倒检测装置的一个实施例,包括:
处理单元301,用于在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;
计算单元302,用于根据低通滤波处理后的数据进行特征提取计算,得到低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积;
确定单元303,用于确定合加速度、合角速度和信号幅值面积的最大特征值;
判断单元304,用于判断最大特征值是否满足预置阈值,若满足,则识别动作数据对应的动作为跌倒动作,若不满足,则识别动作数据对应的动作不为跌倒动作。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多传感器融合的腕式跌倒检测方法,其特征在于,包括:
S1:在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;
S2:根据所述低通滤波处理后的数据进行特征提取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积;
S3:确定所述合加速度、合角速度和信号幅值面积的最大特征值;
S4:判断所述最大特征值是否满足预置阈值,若满足,则识别所述动作数据对应的动作为跌倒动作,若不满足,则识别所述动作数据对应的动作不为跌倒动作。
2.根据权利要求1所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述动作数据包括:三个分加速度和三个分角速度。
3.根据权利要求1所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述根据所述低通滤波处理后的数据进行特征提取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积具体包括:
根据所述低通滤波处理后的数据,对加速度强度向量、信号幅值面积、失重时长、冲击时长、加速度方差、陀螺仪合成角速度和陀螺仪偏转角度进行特征选取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积。
4.根据权利要求1所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述确定所述合加速度、合角速度和信号幅值面积的最大特征值具体包括:
循环遍历所述合加速度、合角速度和信号幅值面积,得到所述合加速度、合角速度和信号幅值面积得最大特征值。
5.根据权利要求4所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述对加速度强度向量进行特征选取计算应用的公式为:
式中,SMV为三轴合成加速度;Ax、Ay、Az分别为X轴、Y轴、Z轴的加速度值。
6.根据权利要求5所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述对信号幅值面积进行特征选取计算应用的公式为:
式中,SMA为信号幅值面积;T为一个时间窗口的大小。
7.根据权利要求6所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述对失重时长进行特征选取计算应用的公式为:
TWL=TL-T0
式中,TL为SMV的有效输入数据中,从疑似跌倒数据开始,连续类失重数据中最后一个点对应的数据采集时间;T0是指第一个数据点所对应的时间;
所述对冲击时长进行特征选取计算应用的公式为:
为冲击最大值点对应的数据采集时间,为类自由落体阶段最小值点对应的数据采集时间。
8.根据权利要求7所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述对加速度方差进行特征选取计算应用的公式为:
式中,SVMi为合加速度某一时刻的数值,为在此窗口时间内的平均值。
9.根据权利要求8所述的多传感器融合的腕式跌倒检测方法,其特征在于,所述对陀螺仪合成角速度进行特征选取计算应用的公式为:
式中,Gx、Gy、Gz分别代表三个轴的角速度的大小;
所述对陀螺仪偏转角度进行特征选取计算应用的公式为:
GDAx=∫Gxdt
GDAy=∫Gydt
GDAz=∫Gzdt。
10.一种多传感器融合的腕式跌倒检测装置,其特征在于,包括:
处理单元,用于在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后,获取到低通滤波处理后的数据;
计算单元,用于根据所述低通滤波处理后的数据进行特征提取计算,得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积;
确定单元,用于确定所述合加速度、合角速度和信号幅值面积的最大特征值;
判断单元,用于判断所述最大特征值是否满足预置阈值,若满足,则识别所述动作数据对应的动作为跌倒动作,若不满足,则识别所述动作数据对应的动作不为跌倒动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116050.1A CN106599914A (zh) | 2016-12-07 | 2016-12-07 | 一种多传感器融合的腕式跌倒检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116050.1A CN106599914A (zh) | 2016-12-07 | 2016-12-07 | 一种多传感器融合的腕式跌倒检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599914A true CN106599914A (zh) | 2017-04-26 |
Family
ID=58597356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611116050.1A Pending CN106599914A (zh) | 2016-12-07 | 2016-12-07 | 一种多传感器融合的腕式跌倒检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599914A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107270934A (zh) * | 2017-06-08 | 2017-10-20 | 海能电子(深圳)有限公司 | 一种基于穿戴式智能设备的游泳信息监测识别方法 |
CN108021888A (zh) * | 2017-12-05 | 2018-05-11 | 电子科技大学 | 一种跌倒检测方法 |
CN108671505A (zh) * | 2018-03-20 | 2018-10-19 | 杭州电子科技大学 | 一种羽毛球运动辅助系统及其控制方法 |
CN109171738A (zh) * | 2018-07-13 | 2019-01-11 | 杭州电子科技大学 | 基于人体加速度多特征融合和knn的跌倒检测方法 |
CN110274590A (zh) * | 2019-07-08 | 2019-09-24 | 哈尔滨工业大学 | 一种基于决策树的暴力动作检测方法及系统 |
CN110443315A (zh) * | 2019-08-08 | 2019-11-12 | 吉林大学 | 室内环境下基于加权融合的老人跌倒检测方法 |
CN110496308A (zh) * | 2018-05-16 | 2019-11-26 | 山东蓓明医疗科技有限公司 | 可提供定制化康复训练的功能性电刺激系统及控制方法 |
CN110806261A (zh) * | 2019-11-06 | 2020-02-18 | 潘佳义 | 一种应用于自动化设备的碰撞检测方法 |
CN111325946A (zh) * | 2020-01-19 | 2020-06-23 | 浙江理工大学 | 一种基于边缘计算的跌倒检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136180A (zh) * | 2011-03-11 | 2011-07-27 | 北京航空航天大学 | 人体跌倒检测与报警装置 |
CN103027687A (zh) * | 2012-12-05 | 2013-04-10 | 北京工业大学 | 基于3d加速度仪和陀螺仪的老年人跌倒检测报警系统 |
CN203179226U (zh) * | 2013-03-21 | 2013-09-04 | 浙江畅志科技有限公司 | 一种基于多传感器协同的人体跌倒检测预警装置 |
US20150204647A1 (en) * | 2014-01-23 | 2015-07-23 | Dujiang Wan | Multi-purpose Sensor |
CN204557730U (zh) * | 2015-01-26 | 2015-08-12 | 广东工业大学 | 一种可穿戴的跌倒报警多功能引导装置 |
-
2016
- 2016-12-07 CN CN201611116050.1A patent/CN106599914A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136180A (zh) * | 2011-03-11 | 2011-07-27 | 北京航空航天大学 | 人体跌倒检测与报警装置 |
CN103027687A (zh) * | 2012-12-05 | 2013-04-10 | 北京工业大学 | 基于3d加速度仪和陀螺仪的老年人跌倒检测报警系统 |
CN203179226U (zh) * | 2013-03-21 | 2013-09-04 | 浙江畅志科技有限公司 | 一种基于多传感器协同的人体跌倒检测预警装置 |
US20150204647A1 (en) * | 2014-01-23 | 2015-07-23 | Dujiang Wan | Multi-purpose Sensor |
CN204557730U (zh) * | 2015-01-26 | 2015-08-12 | 广东工业大学 | 一种可穿戴的跌倒报警多功能引导装置 |
Non-Patent Citations (1)
Title |
---|
蒋宁: ""基于传感器数据融合技术的腕式跌倒检测系统研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107270934A (zh) * | 2017-06-08 | 2017-10-20 | 海能电子(深圳)有限公司 | 一种基于穿戴式智能设备的游泳信息监测识别方法 |
CN108021888A (zh) * | 2017-12-05 | 2018-05-11 | 电子科技大学 | 一种跌倒检测方法 |
CN108021888B (zh) * | 2017-12-05 | 2021-09-24 | 电子科技大学 | 一种跌倒检测方法 |
CN108671505A (zh) * | 2018-03-20 | 2018-10-19 | 杭州电子科技大学 | 一种羽毛球运动辅助系统及其控制方法 |
CN108671505B (zh) * | 2018-03-20 | 2019-11-19 | 杭州电子科技大学 | 一种羽毛球运动辅助系统及其控制方法 |
CN110496308A (zh) * | 2018-05-16 | 2019-11-26 | 山东蓓明医疗科技有限公司 | 可提供定制化康复训练的功能性电刺激系统及控制方法 |
CN110496308B (zh) * | 2018-05-16 | 2023-08-22 | 山东蓓明医疗科技有限公司 | 可提供定制化康复训练的功能性电刺激系统及控制方法 |
CN109171738A (zh) * | 2018-07-13 | 2019-01-11 | 杭州电子科技大学 | 基于人体加速度多特征融合和knn的跌倒检测方法 |
CN110274590A (zh) * | 2019-07-08 | 2019-09-24 | 哈尔滨工业大学 | 一种基于决策树的暴力动作检测方法及系统 |
CN110443315A (zh) * | 2019-08-08 | 2019-11-12 | 吉林大学 | 室内环境下基于加权融合的老人跌倒检测方法 |
CN110806261A (zh) * | 2019-11-06 | 2020-02-18 | 潘佳义 | 一种应用于自动化设备的碰撞检测方法 |
CN111325946A (zh) * | 2020-01-19 | 2020-06-23 | 浙江理工大学 | 一种基于边缘计算的跌倒检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599914A (zh) | 一种多传感器融合的腕式跌倒检测方法及装置 | |
Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
US20220241641A1 (en) | Systems and Methods of Swimming Analysis | |
CN104056441B (zh) | 信息处理系统、信息处理方法及存储装置 | |
CN106237604A (zh) | 可穿戴设备及利用其监测运动状态的方法 | |
CN102610056B (zh) | 面向手机佩戴方式的跌倒事件检测系统和方法 | |
CN106175781A (zh) | 利用可穿戴设备监测游泳状态的方法及可穿戴设备 | |
Hsu et al. | Wearable sport activity classification based on deep convolutional neural network | |
CN107273726B (zh) | 基于加速度周期变化规律的设备机主身份实时识别方法及其装置 | |
CN108021888A (zh) | 一种跌倒检测方法 | |
CN107169512A (zh) | Hmm‑svm跌倒模型的构建方法及基于该模型的跌倒检测方法 | |
CN111183460A (zh) | 摔倒检测器和摔倒检测的改进 | |
Zhang | Application of human motion recognition utilizing deep learning and smart wearable device in sports | |
CN107662613B (zh) | 一种基于移动群智感知的极端驾驶行为识别方法及系统 | |
Geng | Research on athlete’s action recognition based on acceleration sensor and deep learning | |
CN107533371A (zh) | 使用影响手势的用户接口控制 | |
Zhen et al. | Hybrid deep-learning framework based on Gaussian fusion of multiple spatiotemporal networks for walking gait phase recognition | |
Sarbishei | A platform and methodology enabling real-time motion pattern recognition on low-power smart devices | |
Harasimowicz et al. | Accelerometer-based human activity recognition and the impact of the sample size | |
Koskimäki et al. | Adaptive model fusion for wearable sensors based human activity recognition | |
CN110414196B (zh) | 一种基于振动信号的智能手表身份验证方法 | |
CN111803902B (zh) | 泳姿识别方法、装置、可穿戴设备及存储介质 | |
CN105913089A (zh) | 用户行为模式的识别方法及装置 | |
CN107270934A (zh) | 一种基于穿戴式智能设备的游泳信息监测识别方法 | |
US20210286435A1 (en) | Motion classification user library |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |