CN106781278A

CN106781278A - 一种基于多传感器数据融合的跌倒检测方法及装置

Info

Publication number: CN106781278A
Application number: CN201710064204.5A
Authority: CN
Inventors: 史景伦; 张福伟; 洪冬梅
Original assignee: South China University of Technology SCUT; South China Robotics Innovation Research Institute
Current assignee: South China University of Technology SCUT; South China Robotics Innovation Research Institute
Priority date: 2017-02-04
Filing date: 2017-02-04
Publication date: 2017-05-31

Abstract

本发明公开了一种基于多传感器数据融合的跌倒检测方法及装置，所述跌倒检测方法采用模式识别的方法，将人体行为划分为跌倒模式和ADL模式类，通过基于支持向量机的机器学习方法筛选出作为人体跌倒判断标准的特征向量，根据特征向量和人体运动状态数据联合检测人体跌倒行为。所述跌倒检测装置由压力传感器、加速度传感器、无线发送模块、无线接收模块、微处理器、求救模块等组成。通过所述跌倒检测方法，对跌倒过程中的压力数据、加速度数据进行实时监测与处理，正确识别出人体跌倒行为，并将位置信息发送给家属或看护人员，以便能够及时救治。本发明基于多传感器数据提取特征向量，有效提高了跌倒的识别能力。

Description

一种基于多传感器数据融合的跌倒检测方法及装置

技术领域

本发明涉及自动检测技术领域，具体涉及一种基于多传感器数据融合的跌倒检测方法及装置。

背景技术

随着社会的进步，人口老龄化是人类社会发展无法阻止的趋势，也早已成为我国不可忽视的发展问题。有数据显示，截止2014年末，我国60岁以上老年人人口已达2.1亿，占总人口的15.5％，65岁以上人口1.3亿，占总人口的10.1％。

由于老人身体各器官功能开始老化，导致身体机能下降，反应不灵敏，经常出现意外跌倒情况，这已经成为威胁老年人生命健康的重要原因之一。据统计，在65岁以上的老年人群中，有超过1/3的人每年都有跌倒经历，如得不到及时救治，极易引发并发症，轻则导致肢体损伤，重则导致瘫痪甚至失去生命。因此，对缺乏照顾的老年人日常行为进行监测，实时检测身体姿态，及时发现跌倒并报警求助，使得老年人可以放心的进行户外活动，增强老年人的安全感和自信心，从而提高老年人生活质量与身心健康具有重要意义。

国内外学者以人体跌倒检测方法已经有了较长时间的研究，跌倒检测的方法也有很多种类。总结国内外的研究，对于跌倒检测的方法主要分为以下3类：(1)基于声频等振动信号的跌倒检测方法。通过在室内安装多个声频传感器阵列获取周围环境中的音频信号，跌倒事件可通过分析活动导致的振动频率来判断。此类检测系统一般只适用于室内，检测的范围受限。(2)基于视频图像的跌倒检测方法。主要通过安装在室内的摄像头获取被监控人的活动信息，此类检测方法同样受到了监控范围的限制，且具有资金投入较大。(3)基于可穿戴式装置的跌倒检测方法。可穿戴式装置的跌倒检测方法主要是通过佩戴在人身上的轻量级传感器进行人体姿态的数据采集，可以检测和采集人体的加速度、倾角、震动、冲击和多自由度运动等数据，经过跌倒算法处理来判断是否跌倒。基于阈值识别的算法在算法设计上比较直观，易于实现，是目前跌倒检测中较为常用的方法，它的不足是阈值的设定对识别率影响较大，阈值的设定需要建立在直观判断或大量数据的基础之上，且由于人的个体差异，需要设定不同的阈值，识别模型的复杂度较高。

发明内容

本发明的第一个目的是为了解决现有技术中的上述缺陷，提供一种基于多传感器数据融合的跌倒检测方法，该方法通过基于支持向量机和阀值双重判断人体跌倒行为，具有较高的可靠性和判别速度。

本发明的另一个目的是为了解决现有技术中的上述缺陷，提供一种基于多传感器数据融合的跌倒检测装置。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于多传感器数据融合的跌倒检测方法，所述跌倒检测方法包括下列步骤：

S1、采集足够数量的人体运动状态数据样本，其中，所述人体运动状态数据样本包括包括不同年龄阶段人群的跌倒动作数据和ADL数据；

S2、从人体运动状态数据样本中提取人体跌倒足底压力特征向量，建立基于支持向量机的人体跌倒识别模型；

S3、监测人体运动状态数据，依据基于支持向量机的人体跌倒模型特征向量，识别人体是否跌倒；

S4、提取人体运动状态加速度数据，判断所述加速度是否大于设定的加速度阀值；

S5、综合特征向量与人体运动状态加速度数据，判断跌倒后发出求救信号。

进一步地，所述步骤S2、从人体运动状态数据样本中提取人体跌倒足底压力特征向量，建立基于支持向量机的人体跌倒识别模型具体包括：

S21、构建特征向量库：对采集到的人体运动数据样本进行预处理，形成人体运动状态样本特征向量，构建特征向量库；

S22、训练分类器：提取人体运动数据样本中的压力数据，根据基于支持向量机原理，用人体在不同运动状态的数据构成的特征向量进行训练，区分人体跌倒状态和ADL状态，得到可以检测出人体状态的支持向量机模型；

S23、构建识别模型：从训练特征样本中提取判断区分人体跌倒与正常状态的特征向量，构建跌倒模型。

进一步地，所述跌倒动作数据包括，向前跌倒、向后跌倒、向左跌倒、向右跌倒、仰躺跌倒和俯卧跌倒；所述ADL数据包括，正常行走、上下楼梯、跑步以及站立、坐下、蹲下姿势的变换过程。

进一步地，所述求救信号包括，短信求救信号和警报求救信号中的一种或两种。

本发明的第二个目的可以通过采取如下技术方案达到：

一种基于多传感器数据融合的跌倒检测装置，所述跌倒检测装置包括，压力传感器、三轴加速度传感器、无线发送模块、无线接收模块、微处理器、求救模块，

其中，所述压力传感器和所述三轴加速度传感器分别与所述无线发送模块连接，所述无线发送模块与所述无线接收模块通过无线连接，所述无线接收模块与所述微处理器连接，所述微处理模块根据压力传感器与三轴加速度数据进行分析判断，判定人体是否发生跌倒；所述微处理器与所述求救模块连接，所述求救模块根据判定结果发出求救信号。

进一步地，所述压力传感器和所述三轴加速度传感器设置于人体足底。

进一步地，所述求救模块包括短信求救功能或警报求救功能的一种或两种。

进一步地，所述微处理器对所述无线接收模块所接收的压力和加速度数据进行处理，依据基于支持向量机的人体跌倒模型特征向量和加速度阀值，综合判断人体实时运动状态。

进一步地，所述求救模块在判定跌倒后发出求救信号，若产生漏报或误报情况时，可由手动开启，或在发出求救信号之后可手动中止。

本发明相对于现有技术具有如下的优点及效果：

1.本发明利用压力传感器和三轴加速度传感器对人体运动状态数据进行实时监测，能过采集足底压力数据建立基于支持向量机的识别模型，作为判定跌倒的第一条件；通过采集三轴加速度数据设定加速度阀值，作为判定跌倒的第二条件；综合两个条件均为真时，才进行摔倒报警，进一步提高了判定跌倒的可靠性，减少误报。

2.通过模式识别和阀值双重判定，可有效提高对不同跌倒状态的识别能力。

附图说明

图1是本发明公开的基于多传感器数据融合的跌倒检测跌倒方法的流程步骤图；

图2是判断人体是否跌倒的检测流程图；

图3是本发明公开的基于多传感器数据融合的跌倒检测跌倒装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1和图2所示，本实施例提供的一种基于多传感器数据融合的跌倒检测方法，包括以下步骤：

S1、采集足够数量的人体运动状态数据样本。

为了能够构建基于支持向量机的人体跌倒识别模型，对支持向量机模型进行训练，分别采集多组人体运动状态的样本数据，包括不同年龄阶段人群的跌倒动作数据和ADL(人体日常行为活动，Activity of daily livings)数据。

其中跌倒动作包括向前跌倒、向后跌倒、向左跌倒、向右跌倒、仰躺跌倒和俯卧跌倒等跌倒类型。ADL数据包括正常行走、上下楼梯、跑步以及站立、坐下、蹲下等姿势的变换过程。

S2、从样本数据中提取人体跌倒足底压力特征向量，建立基于支持向量机的人体跌倒识别模型。如图1中S2所示，包括步骤：

S22、训练分类器：提取人体运动数据样本中的压力数据，根据基于支持向量机原理，用人体在不同运动状态的数据构成的特征向量进行训练，区分人体跌倒状态和ADL状态，得到可以检测出人体状态的支持向量机模型。

本实施例选择的核函数为RBF函数。

径向基核函数(RBF):

本实施例中，设置径向基核函数的σ＝0.5，但上述σ的取值不构成对本技术方案的限制。

得到归一化的特征向量后，采用支持向量机分类器设计方法对特征向量模型进行训练，并不断地通过新样本验证特征向量模型的检测效果，从而反复修正标定样本。最终训练后得到最优分类函数是：

跌倒特征向量库中的标准特征向量就是训练过程中决定的支持向量机，将特征向量样本与标准特征向量进行对比，即可识别出特征向量样本所属的状态类型。

S3、监测人体运动状态数据，依据基于支持向量机的人体跌倒模型特征向量，识别人体是否跌倒。

将监测到的人体足底压力数据所获得的特征向量样本，与标准特征向量比较，由径向基核函数(RBF)相似性度量，判断是否属于跌倒状态类型的特征向量样本，判定人体是否发生跌倒。

其中，基于支持向量机的人体跌倒模型特征向量，识别人体是否跌倒，仅为判断跌倒的第一条件。

S4、提取人体运动状态加速度数据，判断所述加速度是否大于设定的加速度阀值。

加速度传感器数据通过无线模块传送至微处理器，与设定的加速度阀值作对比，若大于阀值，刚判断为跌倒类型。

其中，通过加速度阀值判断人体是否跌倒，为判断跌倒的第二条件。

S5、综合特征向量与加速度数据，判断跌倒后发出求救信号。

其中，求救信号由求救模块发出，并可由手动开启，或在发出求救信号之后可手动中止。

实施例二

如图3所示，本实施例公开的一种基于多传感器数据融合的跌倒检测装置，包括，压力传感器、三轴加速度传感器、无线发送模块、无线接收模块、微处理器、求救模块，所述压力传感器、所述三轴加速度传感器分别与所述无线发送模块连接，所述无线发送模块与所述无线接收模块通过无线连接，所述无线接收模块与所述微处理器连接，所述微处理模块根据压力传感器与三轴加速度数据进行分析判断，判定人体是否发生跌倒；所述微处理器与所述求救模块连接，所述求救模块根据判定结果发出求救信号。

具体实施方式中，压力传感器和三轴加速度传感器设置于人体足底。

具体实施方式中，求救模块包括短信求救功能或警报求救功能的一种或两种。

具体实施方式中，微处理器对无线接收模块所接收的压力和加速度数据进行处理，依据基于支持向量机的人体跌倒模型特征向量和加速度阀值，综合判断人体实时运动状态。

具体实施方式中，在判定跌倒后发出求救信号，求救模块在产生漏报或误报情况时，可由手动开启，或在发出求救信号之后可手动中止。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种基于多传感器数据融合的跌倒检测方法，其特征在于，所述跌倒检测方法包括下列步骤：

2.根据权利要求1所述的一种基于多传感器数据融合的跌倒检测方法，其特征在于，所述步骤S2、从人体运动状态数据样本中提取人体跌倒足底压力特征向量，建立基于支持向量机的人体跌倒识别模型具体包括：

3.根据权利要求1所述的一种基于多传感器数据融合的跌倒检测方法，其特征在于，所述跌倒动作数据包括，向前跌倒、向后跌倒、向左跌倒、向右跌倒、仰躺跌倒和俯卧跌倒；所述ADL数据包括，正常行走、上下楼梯、跑步以及站立、坐下、蹲下姿势的变换过程。

4.根据权利要求1所述的一种基于多传感器数据融合的跌倒检测方法，其特征在于，所述求救信号包括，短信求救信号和警报求救信号中的一种或两种。

5.一种基于多传感器数据融合的跌倒检测装置，其特征在于，所述跌倒检测装置包括，压力传感器、三轴加速度传感器、无线发送模块、无线接收模块、微处理器、求救模块，

6.根据权利要求5所述的一种基于多传感器数据融合的跌倒检测装置，其特征在于，所述压力传感器和所述三轴加速度传感器设置于人体足底。

7.根据权利要求5所述的一种基于多传感器数据融合的跌倒检测装置，其特征在于，所述求救模块包括短信求救功能或警报求救功能的一种或两种。

8.根据权利要求5所述的一种基于多传感器数据融合的跌倒检测装置，其特征在于，所述微处理器对所述无线接收模块所接收的压力和加速度数据进行处理，依据基于支持向量机的人体跌倒模型特征向量和加速度阀值，综合判断人体实时运动状态。

9.根据权利要求5所述的一种基于多传感器数据融合的跌倒检测装置，其特征在于，所述求救模块在判定跌倒后发出求救信号，若产生漏报或误报情况时，可由手动开启，或在发出求救信号之后可手动中止。