CN106960543A

CN106960543A - 一种跌倒监测方法

Info

Publication number: CN106960543A
Application number: CN201710362791.6A
Authority: CN
Inventors: 杜玉晓; 陈祥宝
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2017-05-22
Filing date: 2017-05-22
Publication date: 2017-07-18

Abstract

本发明公开了一种跌倒监测方法，该方法包括：采集运动者产生的运动数据，对运动数据进行特征处理得到特征数据；当特征数据超过预设阈值时，对特征数据进行定位；定位后，对特征数据进行二次判断，判断特征数据为跌倒数据还是非跌倒数据；若特征数据为跌倒数据，进行报警。该方法实现提高监测的准确性。

Description

一种跌倒监测方法

技术领域

本发明涉及监测技术领域，特别是涉及一种跌倒监测方法。

背景技术

目前，随着老年人口的剧增，老龄化社会以及老年人的医疗保健问题已成为当今社会的突出问题。如何实现对老年人实行医疗监护，已经成为社会急需解决的问题。根据国内外研究发现，在65周岁以上每年有30％的人发生过跌倒，并且随着年龄的增长，这个数字也在不断上升，在80周岁以上的老年人中，遇到跌倒的可能性甚至会达到一半。然而市场上的跌倒检测产品并不突出。通常的跌倒监测都是基于阈值和支持向量机来进行算法判断。

基于阈值判断的方案中，此方案通过在身体佩戴的加速度传感器，当人体运动时，加速度传感器会时时记录身体运动的加速度。当人体发生跌倒时，内部的处理器会计算当时的加速度值，当超过提前设置的阈值时，系统判断跌倒发生，进行报警。基于阈值处理的跌倒检测算法，具有很大的误报和漏报概率，因为计算的单一，仅仅通过是否运动所产生的加速度是否超过一个设定的值来进行跌倒判断，具有局限性，采用阈值判断这种监测方式进行监测，监测的准确性较低。

发明内容

本发明的目的是提供一种跌倒监测方法，以实现提高监测的准确性。

为解决上述技术问题，本发明提供一种跌倒监测方法，该方法包括：

采集运动者产生的运动数据，对运动数据进行特征处理得到特征数据；

当特征数据超过预设阈值时，对特征数据进行定位；

定位后，对特征数据进行二次判断，判断特征数据为跌倒数据还是非跌倒数据；

若特征数据为跌倒数据，进行报警。

优选的，所述运动数据包括加速度数据、角速度数据和脉搏数据。

优选的，所述特征数据包括加速度强度、合成角速度和脉搏速率。

优选的，采用主控模块、六轴传感器模块、光电传感器模块获取运动者产生的运动数据。

优选的，所述对特征数据进行二次判断，判断特征数据为跌倒数据还是非跌倒数据，包括：

采用K-D tree数据分类方法对特征数据和训练库数据的距离进行计算，通过K邻近算法判断特征数据为跌倒数据还是非跌倒数据。

优选的，所述采集运动者产生的运动数据，对运动数据进行特征处理得到特征数据之前，还包括：

采集运动者日常活动的多组运动数据，构建训练库数据。

优选的，采用蜂鸣器进行报警。

优选的，若特征数据为跌倒数据，进行报警之后，还包括：

将运动者的地理位置发送至指定的移动终端上。

本发明所提供的一种跌倒监测方法，采集运动者产生的运动数据，对运动数据进行特征处理得到特征数据；当特征数据超过预设阈值时，对特征数据进行定位；定位后，对特征数据进行二次判断，判断特征数据为跌倒数据还是非跌倒数据；若特征数据为跌倒数据，进行报警。可见，进行阈值处理后，对于满足阈值的数据进行定位，再经过二次判定，对于日常的行走，慢跑等产生较小的加速度运动，可以事先通过设定阈值进行初步监测，当超过阈值时，通过阈值进行数据定位，通过二次判断获得跌倒数据，不仅仅具有阈值判断还有二次判断，提高监测的准确性。

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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种跌倒监测方法的流程图；

图2为本发明中K近邻算法的流程图；

图3为本发明对采集数据进行处理的流程图。

具体实施方式

本发明的核心是提供一种跌倒监测方法，以实现提高监测的准确性。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅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做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。

请参考图1，图1为本发明所提供的一种跌倒监测方法的流程图，该方法包括：

S11：采集运动者产生的运动数据，对运动数据进行特征处理得到特征数据；

S12：当特征数据超过预设阈值时，对特征数据进行定位；

S13：定位后，对特征数据进行二次判断，判断特征数据为跌倒数据还是非跌倒数据；

S14：若特征数据为跌倒数据，进行报警。

可见，该方法中，进行阈值处理后，对于满足阈值的数据进行定位，再经过二次判定，对于日常的行走，慢跑等产生较小的加速度运动，可以事先通过设定阈值进行初步监测，当超过阈值时，通过阈值进行数据定位，通过二次判断获得跌倒数据，不仅仅具有阈值判断还有二次判断，提高监测的准确性。

基于上述方法，具体的，运动数据包括加速度数据、角速度数据和脉搏数据。

详细的，特征数据包括加速度强度、合成角速度和脉搏速率。

详细的，采用主控模块、六轴传感器模块、光电传感器模块获取运动者产生的运动数据。

详细的，对特征数据进行二次判断，判断特征数据为跌倒数据还是非跌倒数据的过程具体包括：采用K-D tree数据分类方法对特征数据和训练库数据的距离进行计算，通过K邻近算法判断特征数据为跌倒数据还是非跌倒数据。

进一步的，采集运动者产生的运动数据，对运动数据进行特征处理得到特征数据之前，还包括：采集运动者日常活动的多组运动数据，构建训练库数据。

其中，采用蜂鸣器进行报警。

进一步的，若特征数据为跌倒数据，进行报警之后，还包括：将运动者的地理位置发送至指定的移动终端上。

本方法是基于二次判定的跌倒监测方法，首先对日常生活中产生的数据进行阈值处理，对于满足阈值的数据进行定位后，再经过二次判定。所谓二次判定就是K-D tree的数据分类和基于K近邻算法进行跌倒判断的二次判定跌倒检测算法设计。此方法满足实时性和准确性的要求。K-D tree的数据分类满足再查找训练库的速度要求，保证实时性。K近邻算法进行跌倒判断满足准确度要求。保证准确性。

详细的，本发明通过stm32作为主控芯片，采用六轴传感器MPU6500来提取佩戴者所产生的加速度和角速度的运动数据。采用光电传感器采集脉搏数据。在日常训练中，对特定的运动，进行数据采集，例如，上下楼梯，蹲起，跑步，行走，向前跌倒，侧向跌倒。将采集到的每一组数据，提取所需要的特征数据。如加速度最大值，加速度最小值，角速度最大值，角速度最小值，脉搏速率。将这些数据进行归类，用K-D tree的数据分类进行数据存储。当训练完毕后，即可检测使用。

基于本方法，具体实施过程如下：

1、首先，开启硬件终端的电源，此时MPU6500六轴传感器即开始加速度，角速度的数据采集工作，光电传感器开始获得脉搏速率。

2、将采集的数据进行特征处理，首先经过阈值处理，达到预定设计的阈值后，对达到阈值的数据进行定位，将此组数据再进行二次判定。然后通过K-D tree进行和训练库的数据进行距离计算，在通过K近邻算法判断此组是跌倒数据还是非跌倒数据。如果是跌倒数据，则进行第3步。如果不是，进行第4步。

3、然后进行报警。本硬件终端配有蜂鸣器和GU620模块。如果算法判断为跌倒状态，则蜂鸣器鸣响，GU620将数据通过服务器将佩戴着的地理位置发送给指定的亲属。

4：继续进行运动数据采集。进入第2步。

本方法对于日常的行走，慢跑等产生较小的加速度运动，可以事先通过设定阈值进行初步监测，因为阈值监测所需时间短，计算简单。当超过阈值时，在通过二次判断通过阈值进行数据定位，获得超过阈值的那组特征数据，在进行Knn进行算法判断。这样可以保证较好的实时性，提高准确性。

详细的，基于本方法，提取的特征数据包括：

(1)加速度强度向量(Signal Magnitude Vector,SMV)：其中A_x、A_y、A_z分别代表X轴、Y轴、Z轴的加速度值，加速度强度向量SMV如下式：

(2)陀螺仪合成角速度Gry，式中G_x、G_y、G_z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，陀螺仪合成角速度Gry如下式：

(3)光电传感器获取的脉搏速率。

详细的，基于本方法，阈值处理的过程中，对日常活动产生的加速度、角速度、脉搏率通过传感器进行采集，经过特征处理后由一次判定阈值进行初步判定，当达到设定阈值后，进行二次判定。

由于人体日常活动主要是站立、步行、坐下、躺下、蹲下、起立、上下楼梯、跑步、跳跃等，对这些日常活动进行加速度和角速度数据采集，并进行数据建模，发现同类的数据具有簇居在一起的现状，所以采用K近邻算法来对跌倒的状态进行判断，可以有效的判断出准确地结果。

K近邻算法(k-Nearest Neighbor，KNN)表示：对于一个样本在特征空间中的具有K个距离最近的点，如果其中的大多数属于某个种类，那么这个样本也属于其类别。在KNN算法中，除去被测样本外的其他样本都是已知分类。KNN方法通过这种概率分布来判断待测样本的类别，具有较高的准确率。图2为本发明中K近邻算法的流程图。

实现k近邻法中，如何对训练数据进行快速k近邻搜索最简单的实现方法是线性扫描。这时要输入实例与每一个训练实例的距离，计算很耗时。所以在测试数据和训练集进行距离计算时，选择合理的搜索可以最大化减少数据处理的时间，在保证高正确率的情况下保证实时性。

基于本方法，所采用的数据存储和查询为K-D tree。K-D tree是在k维欧几里德空间组织点的数据结构，kd代表k-dimension，它是一颗平衡二叉树，通过计算不同方向的方差和中值，从而确定分割超平面，这样不断地进行递归运算，最终划分到叶子节点为止。

本方法中，所采用的距离度量为欧式距离。对于2个样本x和y，设x＝(x₁,x₂,...,x_n)^T,y＝(y₁,y₂,...,y_n)^T。样本x和y的欧式距离定义为：

本发明利用stm32主控，MPU6500六轴传感器，GU620，蜂鸣器这些模块，六轴传感器负责采集数据。当人体发生跌倒时，会将采集到的数据传送到主控，进行特征提取后，对跌到数据采用K-近邻算法进行计算，最终获得判断结果，当判断为跌倒时，主控的蜂鸣器会鸣响。图3为本发明对采集数据进行处理的流程图。

GU620会获取地理位置发送到服务器端，服务器端再将地理位置发送到绑定的手机上。可以有效的降低在老人跌倒时，不能短时间获得帮助，和不敢扶跌倒老人造成的伤害。保证老年人的日常生活遇到危险可以最短时间获得救援治疗。

优选的，主控模块即主控MCU采用的是STM32，具有功耗低，性能高，外围设备齐全等优点。

六轴传感器模块采用的是MPU6500，MPU6500是一款六轴惯性传感器模块，包含一个三轴加速度传感器和一个三轴陀螺仪，保证了运动数据的采集。

GU620模块是一款内嵌高灵敏度GPS、BEIDOU、蓝牙功能的GSM/GPRS模块，可同时支持四频段制式，有更小的体积，可以进行板级SMT，节省空间，降低成本。其中，GPS是基于MTK的成熟芯片组设计开发，可进行高达66个PRN信道的卫星跟踪，适用于监控导航，防盗跟踪，个人安全设备等通信导航设备。且GU620模块是一款高性能工业级GSM/GPRS/GPS+北斗/蓝牙模块，功能完善，尤其适用于语音、短信、GPRS数据服务、GPS导航的各种领域。对于跌倒检测的通信业务和位置索取业务具有不可替代的功能模块。其中，通过MCU6500获取得到日常运动所产生的加速度和角速度的信息，通过串口将数据传送到PC端，可以采用matlab仿真得到数据图形，便于分析数据和特征提取。

以上对本发明所提供的一种跌倒监测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种跌倒监测方法，其特征在于，包括：

当特征数据超过预设阈值时，对特征数据进行定位；

若特征数据为跌倒数据，进行报警。

2.如权利要求1所述的方法，其特征在于，所述运动数据包括加速度数据、角速度数据和脉搏数据。

3.如权利要求2所述的方法，其特征在于，所述特征数据包括加速度强度、合成角速度和脉搏速率。

4.如权利要求2所述的方法，其特征在于，采用主控模块、六轴传感器模块、光电传感器模块获取运动者产生的运动数据。

5.如权利要求1所述的方法，其特征在于，所述对特征数据进行二次判断，判断特征数据为跌倒数据还是非跌倒数据，包括：

6.如权利要求5所述的方法，其特征在于，所述采集运动者产生的运动数据，对运动数据进行特征处理得到特征数据之前，还包括：

采集运动者日常活动的多组运动数据，构建训练库数据。

7.如权利要求1所述的方法，其特征在于，采用蜂鸣器进行报警。

8.如权利要求1至7中任意一项所述的方法，其特征在于，若特征数据为跌倒数据，进行报警之后，还包括：

将运动者的地理位置发送至指定的移动终端上。