CN107657277A - 一种基于大数据的人体异常行为检测与判定方法及系统 - Google Patents

一种基于大数据的人体异常行为检测与判定方法及系统 Download PDF

Info

Publication number
CN107657277A
CN107657277A CN201710866442.8A CN201710866442A CN107657277A CN 107657277 A CN107657277 A CN 107657277A CN 201710866442 A CN201710866442 A CN 201710866442A CN 107657277 A CN107657277 A CN 107657277A
Authority
CN
China
Prior art keywords
data
point
class
acceleration information
data point
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
Application number
CN201710866442.8A
Other languages
English (en)
Other versions
CN107657277B (zh
Inventor
刘璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing queyi Information Technology Co.,Ltd.
Original Assignee
Shanghai Feixun Data Communication Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Feixun Data Communication Technology Co Ltd filed Critical Shanghai Feixun Data Communication Technology Co Ltd
Priority to CN201710866442.8A priority Critical patent/CN107657277B/zh
Publication of CN107657277A publication Critical patent/CN107657277A/zh
Application granted granted Critical
Publication of CN107657277B publication Critical patent/CN107657277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于大数据的人体异常行为检测与判定方法及系统，用以解决现有技术的模型或算法在实际应用中不准确的问题。该方法包括：S1、获取并存储智能可穿戴设备采集的加速度数据后进行预处理；S2、利用K‑means算法对所述加速度数据进行初步聚类处理；S3、利用DBSCAN算法对所述初步聚类处理的加速度数据进行最终聚类处理；S4、对经过所述最终聚类处理的数据进行椭球拟合。本发明通过聚类算法消除了人的差异性，考虑了人与人的不同，收集到的数据不同，使得数据的可用性得到提高。

Description

一种基于大数据的人体异常行为检测与判定方法及系统
技术领域
本发明涉及人体异常行为识别技术领域，尤其涉及一种基于大数据的人体异常行为检测与判定方法及系统。
背景技术
当前，全世界老龄化的趋势越来越严重，在未来的一个世纪中，老龄人口将会翻番，青年人口与老年人口的比例也会大幅度下降。在这样的背景下，人工照看老人的方式已经开始变得越来越不合适，如果通过计算机和电子系统对老热你的健康进行监控和管理成为了一个新的领域，人体异常行为检测就是其中一个热门的研究方向。
现有的研究中，研究者大多是从人体运动分析的角度来解决这个问题，例如分析跌落的加速度波形，撞击力以及跌落时的角度变化，以提出响应的算法和模型来实现异常行为检测。
这种方法的目的是从不同人的相同行为中找出共通性，把这些共通性作为人体行为的判断准则，来区分不同的姿势动作，因此也就导致了一个缺点，人与人之间的区别在某种程度上被忽视，而实际上每个人体态不同，一个人的跑步可能是另一个人的快走，这种方法和实际上的差别将会造成模型或者算法在实际应用上的不准确。
公开号为CN105286826A的专利提供了一种基于物联网、云计算和大数据分析的智能可穿戴设备健康安全系统，包括云服务器、监护人智能手机、可穿戴设备终端；可穿戴设备终端包括无线通信单元、存储器单元、显示单元、控制器单元、GPS定位单元、锂电池单元；第一压力传感器、第二压力传感器、心率传感器、光照传感器、一氧化碳传感器、体温传感器、陀螺仪传感器；存储器单元、显示单元、GPS定位单元分别与控制器单元电连接；控制器单元通过无线通信单元与云服务器通信；锂电池单元为各个模块单元供电；该发明可以实时向监护人通知被监护人的健康状况和人身安全状况。但是由于人与人之间体态不一样，容易造成模型或者算法与实际产生偏差。
发明内容
本发明要解决的技术问题目的在于提供一种基于大数据的人体异常行为检测与判定方法及系统，用以解决现有技术的模型或算法在实际应用中不准确的问题。
为了实现上述目的，本发明采用的技术方案为：
一种基于大数据的人体异常行为检测与判定方法，包括步骤：
S1、获取并存储智能可穿戴设备采集的加速度数据后进行预处理；
S2、利用K-means算法对所述加速度数据进行初步聚类处理；
S3、利用DBSCAN算法对所述初步聚类处理的加速度数据进行最终聚类处理；
S4、对经过所述最终聚类处理的数据进行椭球拟合。
进一步地，步骤S1具体包括：
获取并存储所述智能可穿戴设备采集的加速度数据；
对所述采集的加速度数据进行卡尔曼滤波操作。
进一步地，所述步骤S2具体包括：
A1、随机选取K个初始点作为每个类的初始中心点；
B1、计算K个类的每个数据点到K个类中心的距离以找出K个距离中最小数据点并将最小数据点归入相应的类中；
C1、计算K个新形成的类中心；
D1、判断所述新形成的类中心的结果是否收敛，若是，则程序结束，否则，返回步骤B1。
进一步地，所述步骤S3具体包括：
A2、检测数据库存储的数据点是否被处理，若是，跳过当前数据点；否则，检测当前数据点的ε临域，若有Minpts个点在其中，则建立新的簇C，并将临域中的点加入候选集N中；
B2、将所述候选集N中未被处理的数据点P归入所述新的簇C，检测数据点P的ε临域，若数据点P为核心对象，则将临域中所有对象加入所述候选集N中；
C2、递归处理所述候选集N直至所述候选集N为空集，递归结束；
D2、返回步骤A2中，重新检测下一个数据库中数据点，直至数据库中所有数据点都被标明类号或者判定为噪声。
进一步地，所述步骤S4具体包括：
通过Polyfit函数对所述经过最终类聚处理的数据进行线性拟合以得到椭球的长轴方程；
根据所述椭圆的长轴方程进行坐标变换；
将变换后的数据用标准的椭圆方程进行拟合；
通过lsqcurvefit函数确定最终椭圆方程；
通过变换矩阵和拟合椭圆的参数判断当前数据点是否落在椭圆中，若是，则判定当前数据点处于对应类的状态中。
一种基于大数据的人体异常行为检测与判定系统，包括：
获取模块，用于获取并存储智能可穿戴设备采集的加速度数据后进行预处理；
初步聚类处理模块，用于利用K-means算法对所述加速度数据进行初步聚类处理；
最终聚类处理模块，用于利用DBSCAN算法对所述初步聚类处理的加速度数据进行最终聚类处理；
椭球拟合模块，用于对经过所述最终聚类处理的数据进行椭球拟合。
进一步地，所述获取模块具体包括：
存储单元，用于获取并存储所述智能可穿戴设备采集的加速度数据；
滤波单元，用于对所述采集的加速度数据进行卡尔曼滤波操作。
进一步地，所述初步聚类处理模块具体包括：
选取单元，用于随机选取K个初始点作为每个类的初始中心点；
归类单元，用于计算K个类的每个数据点到K个类中心的距离以找出K个距离中最小数据点并将最小数据点归入相应的类中；
计算单元，用于计算K个新形成的类中心；
判断单元，用于判断所述新形成的类中心的结果是否收敛，若是，则程序结束。
进一步地，所述最终聚类处理模块具体包括：
检测单元，用于检测数据库存储的数据点是否被处理，若是，跳过当前数据点；否则，检测当前数据点的ε临域，若有Minpts个点在其中，则建立新的簇C，并将临域中的点加入候选集N中；
扩张单元，用于将所述候选集N中未被处理的数据点P归入所述新的簇C，检测数据点P的ε临域，若数据点P为核心对象，则将临域中所有对象加入所述候选集N中；
处理单元，用于递归处理所述候选集N直至所述候选集N为空集，递归结束；
返回单元，用于重新检测下一个数据库中数据点，直至数据库中所有数据点都被标明类号或者判定为噪声。
进一步地，所述椭球拟合模块具体包括：
线性拟合单元，用于通过Polyfit函数对所述经过最终类聚处理的数据进行线性拟合以得到椭球的长轴方程；
坐标变换单元，用于根据所述椭圆的长轴方程进行坐标变换；
标准拟合单元，用于将变换后的数据用标准的椭圆方程进行拟合；
确定单元，用于通过lsqcurvefit函数确定最终椭圆方程；
判定单元，用于通过变换矩阵和拟合椭圆的参数判断当前数据点是否落在椭圆中，若是，则判定当前数据点处于对应类的状态中。
本发明与传统的技术相比，有如下优点：
本发明通过聚类算法消除了人的差异性，考虑了人与人的不同，收集到的数据不同，使得数据的可用性得到提高。
附图说明
图1是实施例一提供的一种基于大数据的人体异常行为检测与判定方法流程图；
图2是实施例一提供的密度可达示意图；
图3是实施例一提供的两层算法的总体流程图；
图4是实施例一提供的系统加速度数据分布图；
图5是实施例二提供的一种基于大数据的人体异常行为检测与判定系统结构图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
本实施例提供了一种基于大数据的人体异常行为检测与判定的方法，如图1所示，包括步骤；
S11：获取并存储智能可穿戴设备采集的加速度数据后进行预处理；
S12：利用K-means算法对加速度数据进行初步聚类处理；
S13：利用DBSCAN算法对初步聚类处理的加速度数据进行最终聚类处理；
S14：对经过最终聚类处理的数据进行椭球拟合。
本实施例中，智能可穿戴设备将持续不断地采集加速度数据并将数据存储至数据库中，并等待后一步处理。当数据量到达一定大的数据量时，认为这些数据将显现出一定的规律，他们会聚集成几个不同的数据集合，形成一个个的数据簇或者数据类。通过数据挖掘的思想，通过核实的大数据算法，来将这些数据簇的特点提取出来。这些特点可能是该数据簇的中心点，也可能是该数据簇的大致边界形状，这些特点将对之后的行为分析起到很大影响，帮助更好地理解和判断人体行为。
本实施例结合了智能可穿戴设备的数据实时采集技术，以及基于大数据的分析技术，可以将人体的运动行为的数据进行大批量的处理，最终可以确认是否处于异常行为，其中，可穿戴设备指的是只要带有加速度传感器的设备即可，若有角度计集成进去则数据更加精确，使得后续的数据分析更加有效。本实施例先按照无角度计的方面进行分析。
本实施例中，步骤S11为获取并存储智能可穿戴设备采集的加速度数据后进行预处理。
具体包括：
获取并存储智能穿戴设备采集的加速度数据；
对采集的加速度数据进行卡尔曼滤波操作。
具体的，本实施例的智能可穿戴设备是指带有加速度传感器的设备。当加速度传感器在实验室环境下工作时，由于环境噪声小且温度变化缓慢，传感器的工作非常稳定，系统无需对原始数据做多与处理便可保证相当的系统准确性和稳定性。但是传感器节点的实际工作状况比实验室环境要恶劣得多，环境温度的变化，场地的变换，或者是外界随机干扰都是影响加速度传感器精度的重要因素。在实际系统中，服务器端获得的加速度传感器数据可能由以下几部分加速度叠加而成。
(1)人体运动的实际加速度数据，即运动加速度。
(2)重力加速度，即由地心引力造成的加速度。
(3)外部振荡加速度，例如人在车上时，由车辆的晃动产生的加速度。
(4)佩戴不当造成的加速度，例如佩戴松动导致的传感器晃动。
(5)通信传输误码和系统自身造成的误差。
为了将实际的人体运动加速度数据从服务器端获得的加速度数据中提取出来，必须通过一种合理的方法，将上面的2,3,4,5项从实际获得的加速度数据中剔除出去，因此在得到数据之后，进行一次卡尔曼滤波操作。
滤波后，对数据进行深度分析，采用一种两层式的算法模型。第一层利用K-means算法对加速度数据进行初步聚类处理；第二层利用DBSCAN算法对初步聚类处理的加速度数据进行最终聚类处理。
本实施例中，步骤S12为利用K-means算法对加速度数据进行初步聚类处理。
具体包括：
A1、随机选取K个初始点作为每个类的初始中心点；
B1、计算K个类的每个数据点到K个类中心的距离以找出K个距离中最小数据点并将最小数据点归入相应的类中；
C1、计算K个新形成的类中心；
D1、判断所述新形成的类中心的结果是否收敛，若是，则程序结束，否则，返回步骤B1。
具体的，在第一层中，执行了简单的K-means算法，对数据进行了初步的分类和处理。
K-means实现聚类的基础原则是目标最小原则，该原则的目的是将观测到的数据集合(X1,X2,……,Xn)，分成指定个数的K个集合S＝{S1,S2,……,Sk}，而这K个集合需要满足以下的条件,才能满足目标最小原则：
ui是Si的中心点
而满足该目标最小原则的集合可以通过以下几个步骤找到：
A1.随机选取K个初始点，作为每个类的初始中心点。
B1.对数据集合中的每个数据进行处理，计算每个数据点到K个类中心的距离，找出K个距离中最小的那一个，并把该点归入到相应的类之中。
C1.对K个新形成的类，计算他们新的类中心。
D1.判断是否收敛，如果收敛则程序结束，而如果没有收敛，则返回至B1这一步骤中，用新的数据中心重新聚类，直到最后结果收敛。
在该层算法中，根据给定的初始值和类数，对数据进行了初步聚类。实际使用时，指定的类数为4，这四种状态分别对应了静止，行走，跳跃和跌倒，而初始值则通过对每种动作的实际采集获得。这里需要指出的是，该初始值的设定不需要非常精确，因为采用了两层的模式，第二层算法的初始值其实是第一层算法的运行结果，通过一层算法的缓冲，第一层算法初始值的影响已近变得不大。
本实施例中，步骤S13为利用DBSCAN算法对初步聚类处理的加速度进行最终聚类处理。
具体包括：
A2、检测数据库存储的数据点是否被处理，若是，跳过当前数据点；否则，检测当前数据点的ε临域，若有Minpts个点在其中，则建立新的簇C，并将临域中的点加入候选集N中；
B2、将所述候选集N中未被处理的数据点P归入所述新的簇C，检测数据点P的ε临域，若数据点P为核心对象，则将临域中所有对象加入所述候选集N中；
C2、递归处理所述候选集N直至所述候选集N为空集，递归结束；
D2、返回步骤A2中，重新检测下一个数据库中数据点，直至数据库中所有数据点都被标明类号或者判定为噪声。
首先介绍DBSCAN算法。
(1)核心对象
在该数据点的ε临域(给定对象半径ε以内的空间)中，如果数据点的总数大于Minpts这个值，则该对象可称为核心对象，并且这些数据点对于该核心对象是直接密度可达的。
如果该对象ε临域中数据点个数小于Minpts这个值，则该对象不是核心对象，且无数据点和该对象是直接密度可达的。
(2)密度可达
如果存在这样一个数据点链P1,P2,L L,Pn,对每个Pi+1他们都可以从Pi直接密度可达(这就是说，除了Pn可能不是，前n-1个对象都一定是核心对象)，则称Pn是从P1密度可达的。这一点相对理解比较抽象，可以通过图2来说明这个概念，在该例子中，Minpts的值为3，而对象B和对象C是密度可达的，因为两者之间存在一个核心对象链。
(3)异常点
若一个数据点和任何点都不是密度相连的，则该数据点为异常点(也可以叫噪声点)。
在了解了这些基础概念之后，便可以对算法的具体流程进行详细的介绍，基础的DBSCAN算法流程可分为以下几个步骤：
A2.检测数据库之中的数据。如果该数据已经被处理完毕(被标记为噪声或是归入某一类)，则跳过当前该数据点；如果该数据未被处理完毕，则检测他的ε临域，若有Minpts个点在其中，则建立新的簇C，将临域中的点加入到候选集N之中。
B2.对N中所有未被处理的点P,归入新的簇C，然后检测点P的ε临域，若点P为核心对象，则将临域中的所有对象加入候选集N。
C2.递归处理候选集N，直至当前候选集N为空集，递归结束。
D2.回到A2步骤之中，重新检测下一个数据库中数据，直到数据库中所有的数据都被标明了一个类号，或是被判断为噪声。
通过研究算法的步骤，可以发现如果P是一个核心对象，则他将形成一个数据簇，数据簇内的数据对其都是密度可达的；而如果P不是一个核心对象，他也可以成为簇中的一部分，但是这类非核心对象并不能帮助扩展整个数据簇，并将其他点加入到该类之中，它们的作用更像是边界，这些边界点会把不同的簇划分开来。
而改进型的算法大致流程与基础的DBSCAN算法类似，但是有两个重要的区别。一个区别是指Minpts的值对不同的类来说是完全不同的，这个值需要根据第一层K-means算法统计出的每类的数据点个数来进行设置。而第二个区别则是指聚类的过程是由初始点开始发散出去的，而不是无序的和随机的。两层算法的总体流程图可见图3。
本实施例中，步骤S14为对经过最终聚类处理的数据进行椭球拟合。
具体包括：
通过Polyfit函数对所述经过最终类聚处理的数据进行线性拟合以得到椭球的长轴方程；
根据所述椭圆的长轴方程进行坐标变换；
将变换后的数据用标准的椭圆方程进行拟合；
通过lsqcurvefit函数确定最终椭圆方程；
通过变换矩阵和拟合椭圆的参数判断当前数据点是否落在椭圆中，若是，则判定当前数据点处于对应类的状态中。
具体的，在服务器对数据进行聚类分析处理后，将这些经过聚类分析的数据点进行线性拟合，对于每个类的加速度数据，认为他们都会呈现一定的形状和分布，只是形状的参数对不同的类有所区别。通过观察加速度数据的分布(如图4所示)，可以发现每个类的加速度数据基本呈现椭球形分布，只是每个类的椭球长短半轴有所不同，所以最后决定用椭球这一图形来对加速度传感器数据进行拟合。
在做椭球拟合时，第一步的工作是对数据进行线性拟合，这一步可以通过Matlab中的Polyfit函数实现。该函数有三个参数，三个参数分别对应待拟合点的y轴坐标集合，待拟合点的x轴坐标集合和拟合的次数，进行这一步操作的目的是为了找到椭球的长轴所在，为椭球大致定下方向。由于拟合时使用的数据点是三维的，所以拟合出来的直线应该是一条空间直线，其方程可以用下式表示：
在具体实现拟合时，可以使用用两次Polyfit函数将这四个参数分别定出。第一个Polyfit函数的三个参数分别为Y，X和1，而第二个Polyfit函数的三个参数分别为Y，Z和1，通过这两步多项式拟合的操作，最后能很方便地得出空间直线方程。
在获得了椭圆长轴方程之后，下一步就会进行一次坐标变换，将坐标轴的X轴变换为与椭圆的长轴重合，以方便之后的计算。坐标变换的步骤如下：
1.对坐标轴进行平移变换，将三维直线调整到通过远点。
2.将坐标轴绕Z轴旋转，使三维直线在xOy平面上的投影与X轴重合。
3.将坐标轴绕Y轴旋转，最后使X轴与三维直线重合。
而坐标变换的结果可通过向量和变换矩阵相乘的方法得到，对于不同的变换方式，有不同的变换矩阵，下面不加证明地给出坐标变换的公式：
最后，经过变换后的坐标可以按如下的数学表达式进行表示，在表达式之中，4维向量[x,y,z,1]中的x,y和z为原坐标轴下的三轴分量，而[x1,y1,z1,1]中的x1,y1和z1则是经过坐标变换后，对应的点在新坐标轴下的三轴分量。
[x1 y1 z1 1]＝[x y z 1]TAll
通过以上的处理，将原始数据点变换到了一个新的坐标系之中，在这个新的坐标系中，变换后的数据可以用标准的椭圆方程来进行拟合,标准的椭圆方程如下所示：
通过lsqcurvefit函数，可以得到最后的椭圆方程参数，确定椭圆方程的表达式。而为了表示最终的判决边界，只需要两种参数，即变换矩阵和拟合椭圆的六个参数，通过这些量，就可以判断数据是否落在某个类的椭圆之中。而落到哪个类的椭圆中，则可以认为该点，或是该时间点的数据为处于该类状态，即为行走、跌落等等状态。
本实施例通过聚类算法消除了人的差异性，使得数据的可用性得到提高。
实施例二
本实施例提供了一种基于大数据的人体异常行为检测与判定的方法，如图5所示，包括：
获取模块21，用于获取并存储智能可穿戴设备采集的加速度数据后进行预处理；
初步聚类处理模块22，用于利用K-means算法对加速度数据进行初步聚类处理；
最终聚类处理模块23，用于利用DBSCAN算法对初步聚类处理的加速度数据进行最终聚类处理；
椭球拟合模块24，用于对经过最终聚类处理的数据进行椭球拟合。
本实施例结合了智能可穿戴设备的数据实时采集技术，以及基于大数据的分析技术，可以将人体的运动行为的数据进行大批量的处理，最终可以确认是否处于异常行为。
本实施例中，获取模块21用于获取并存储智能可穿戴设备采集的加速度数据后进行预处理。
具体包括：
存储单元，用于获取并存储智能穿戴设备采集的加速度数据；
滤波单元，用于对采集的加速度数据进行卡尔曼滤波操作。
具体的，本实施例的智能可穿戴设备是指带有加速度传感器的设备。当加速度传感器在实验室环境下工作时，由于环境噪声小且温度变化缓慢，传感器的工作非常稳定，系统无需对原始数据做多与处理便可保证相当的系统准确性和稳定性。但是传感器节点的实际工作状况比实验室环境要恶劣得多，环境温度的变化，场地的变换，或者是外界随机干扰都是影响加速度传感器精度的重要因素。在实际系统中，服务器端获得的加速度传感器数据可能由以下几部分加速度叠加而成。
(1)人体运动的实际加速度数据，即运动加速度。
(2)重力加速度，即由地心引力造成的加速度。
(3)外部振荡加速度，例如人在车上时，由车辆的晃动产生的加速度。
(4)佩戴不当造成的加速度，例如佩戴松动导致的传感器晃动。
(5)通信传输误码和系统自身造成的误差。
为了将实际的人体运动加速度数据从服务器端获得的加速度数据中提取出来，必须通过一种合理的方法，将上面的2,3,4,5项从实际获得的加速度数据中剔除出去，因此在得到数据之后，进行一次卡尔曼滤波操作。
滤波后，对数据进行深度分析，采用一种两层式的算法模型。第一层利用K-means算法对加速度数据进行初步聚类处理；第二层利用DBSCAN算法对初步聚类处理的加速度数据进行最终聚类处理。
本实施例中，初步聚类处理模块21用于利用K-means算法对加速度数据进行初步聚类处理。
具体包括：
选取单元，用于随机选取K个初始点作为每个类的初始中心点；
归类单元，用于计算K个类的每个数据点到K个类中心的距离以找出K个距离中最小数据点并将最小数据点归入相应的类中；
计算单元，用于计算K个新形成的类中心；
判断单元，用于判断所述新形成的类中心的结果是否收敛，若是，则程序结束。
具体的，在第一层中，执行了简单的K-means算法，对数据进行了初步的分类和处理。
K-means实现聚类的基础原则是目标最小原则，该原则的目的是将观测到的数据集合(X1,X2,……,Xn)，分成指定个数的K个集合S＝{S1,S2,……,Sk}，而这K个集合需要满足以下的条件,才能满足目标最小原则：
ui是Si的中心点
而满足该目标最小原则的集合可以通过以下几个步骤找到：
选取单元随机选取K个初始点，作为每个类的初始中心点。
归类单元对数据集合中的每个数据进行处理，计算每个数据点到K个类中心的距离，找出K个距离中最小的那一个，并把该点归入到相应的类之中。
计算单元对K个新形成的类，计算他们新的类中心。
判断单元判断是否收敛，如果收敛则程序结束，而如果没有收敛，则返回至B1这一步骤中，用新的数据中心重新聚类，直到最后结果收敛。
在该层算法中，根据给定的初始值和类数，对数据进行了初步聚类。实际使用时，指定的类数为4，这四种状态分别对应了静止，行走，跳跃和跌倒，而初始值则通过对每种动作的实际采集获得。这里需要指出的是，该初始值的设定不需要非常精确，因为采用了两层的模式，第二层算法的初始值其实是第一层算法的运行结果，通过一层算法的缓冲，第一层算法初始值的影响已近变得不大。
本实施例中，最终聚类处理模块23用于利用DBSCAN算法对初步聚类处理的加速度进行最终聚类处理。
具体包括：
检测单元，用于检测数据库存储的数据点是否被处理，若是，跳过当前数据点；否则，检测当前数据点的ε临域，若有Minpts个点在其中，则建立新的簇C，并将临域中的点加入候选集N中；
扩张单元，用于将所述候选集N中未被处理的数据点P归入所述新的簇C，检测数据点P的ε临域，若数据点P为核心对象，则将临域中所有对象加入所述候选集N中；
处理单元，用于递归处理所述候选集N直至所述候选集N为空集，递归结束；
返回单元，用于返回步骤A2中，重新检测下一个数据库中数据点，直至数据库中所有数据点都被标明类号或者判定为噪声。
基础的DBSCAN算法流程可分为以下几个步骤：
检测单元检测数据库之中的数据。如果该数据已经被处理完毕(被标记为噪声或是归入某一类)，则跳过当前该数据点；如果该数据未被处理完毕，则检测他的ε临域，若有Minpts个点在其中，则建立新的簇C，将临域中的点加入到候选集N之中。
扩展各单元对N中所有未被处理的点P,归入新的簇C，然后检测点P的ε临域，若点P为核心对象，则将临域中的所有对象加入候选集N。
处理单元递归处理候选集N，直至当前候选集N为空集，递归结束。
返回单元回到A2步骤之中，重新检测下一个数据库中数据，直到数据库中所有的数据都被标明了一个类号，或是被判断为噪声。
通过研究算法的步骤，可以发现如果P是一个核心对象，则他将形成一个数据簇，数据簇内的数据对其都是密度可达的；而如果P不是一个核心对象，他也可以成为簇中的一部分，但是这类非核心对象并不能帮助扩展整个数据簇，并将其他点加入到该类之中，它们的作用更像是边界，这些边界点会把不同的簇划分开来。
而改进型的算法大致流程与基础的DBSCAN算法类似，但是有两个重要的区别。一个区别是指Minpts的值对不同的类来说是完全不同的，这个值需要根据第一层K-means算法统计出的每类的数据点个数来进行设置。而第二个区别则是指聚类的过程是由初始点开始发散出去的，而不是无序的和随机的。两层算法的总体流程图可见图3。
本实施例中，椭球拟合模块用于对经过最终聚类处理的数据进行椭球拟合。
具体包括：
线性拟合单元，用于通过Polyfit函数对所述经过最终类聚处理的数据进行线性拟合以得到椭球的长轴方程；
坐标变换单元，用于根据所述椭圆的长轴方程进行坐标变换；
标准拟合单元，用于将变换后的数据用标准的椭圆方程进行拟合；
确定单元，用于通过lsqcurvefit函数确定最终椭圆方程；
判定单元，用于通过变换矩阵和拟合椭圆的参数判断当前数据点是否落在椭圆中，若是，则判定当前数据点处于对应类的状态中。
具体的，在服务器对数据进行聚类分析处理后，将这些经过聚类分析的数据点进行线性拟合，对于每个类的加速度数据，认为他们都会呈现一定的形状和分布，只是形状的参数对不同的类有所区别。通过观察加速度数据的分布(如图4所示)，可以发现每个类的加速度数据基本呈现椭球形分布，只是每个类的椭球长短半轴有所不同，所以最后决定用椭球这一图形来对加速度传感器数据进行拟合。
在做椭球拟合时，第一步的工作是对数据进行线性拟合，这一步可以通过Matlab中的Polyfit函数实现。该函数有三个参数，三个参数分别对应待拟合点的y轴坐标集合，待拟合点的x轴坐标集合和拟合的次数，进行这一步操作的目的是为了找到椭球的长轴所在，为椭球大致定下方向。由于拟合时使用的数据点是三维的，所以拟合出来的直线应该是一条空间直线，其方程可以用下式表示：
在具体实现拟合时，可以使用用两次Polyfit函数将这四个参数分别定出。第一个Polyfit函数的三个参数分别为Y，X和1，而第二个Polyfit函数的三个参数分别为Y，Z和1，通过这两步多项式拟合的操作，最后能很方便地得出空间直线方程。
在获得了椭圆长轴方程之后，下一步就会进行一次坐标变换，将坐标轴的X轴变换为与椭圆的长轴重合，以方便之后的计算。坐标变换的步骤如下：
1.对坐标轴进行平移变换，将三维直线调整到通过远点。
2.将坐标轴绕Z轴旋转，使三维直线在xOy平面上的投影与X轴重合。
3.将坐标轴绕Y轴旋转，最后使X轴与三维直线重合。
而坐标变换的结果可通过向量和变换矩阵相乘的方法得到，对于不同的变换方式，有不同的变换矩阵，下面不加证明地给出坐标变换的公式：
最后，经过变换后的坐标可以按如下的数学表达式进行表示，在表达式之中，4维向量[x,y,z,1]中的x,y和z为原坐标轴下的三轴分量，而[x1,y1,z1,1]中的x1,y1和z1则是经过坐标变换后，对应的点在新坐标轴下的三轴分量。
[x1 y1 z1 1]＝[x y z 1]TAll
通过以上的处理，将原始数据点变换到了一个新的坐标系之中，在这个新的坐标系中，变换后的数据可以用标准的椭圆方程来进行拟合,标准的椭圆方程如下所示：
通过lsqcurvefit函数，可以得到最后的椭圆方程参数，确定椭圆方程的表达式。而为了表示最终的判决边界，只需要两种参数，即变换矩阵和拟合椭圆的六个参数，通过这些量，就可以判断数据是否落在某个类的椭圆之中。而落到哪个类的椭圆中，则可以认为该点，或是该时间点的数据为处于该类状态，即为行走、跌落等等状态。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于大数据的人体异常行为检测与判定方法，其特征在于，包括步骤：
S1、获取并存储智能可穿戴设备采集的加速度数据后进行预处理；
S2、利用K-means算法对所述加速度数据进行初步聚类处理；
S3、利用DBSCAN算法对所述初步聚类处理的加速度数据进行最终聚类处理；
S4、对经过所述最终聚类处理的数据进行椭球拟合。
2.根据权利要求1所述的一种基于大数据的人体异常行为检测与判定方法，其特征在于，步骤S1具体包括：
获取并存储所述智能可穿戴设备采集的加速度数据；
对所述采集的加速度数据进行卡尔曼滤波操作。
3.根据权利要求1所述的一种基于大数据的人体异常行为检测与判定方法，其特征在于，所述步骤S2具体包括：
A1、随机选取K个初始点作为每个类的初始中心点；
B1、计算K个类的每个数据点到K个类中心的距离以找出K个距离中最小数据点并将最小数据点归入相应的类中；
C1、计算K个新形成的类中心；
D1、判断所述新形成的类中心的结果是否收敛，若是，则程序结束，否则，返回步骤B1。
4.根据权利要求1所述的一种基于大数据的人体异常行为检测与判定方法，其特征在于，所述步骤S3具体包括：
A2、检测数据库存储的数据点是否被处理，若是，跳过当前数据点；否则，检测当前数据点的ε临域，若有Minpts个点在其中，则建立新的簇C，并将临域中的点加入候选集N中；
B2、将所述候选集N中未被处理的数据点P归入所述新的簇C，检测数据点P的ε临域，若数据点P为核心对象，则将临域中所有对象加入所述候选集N中；
C2、递归处理所述候选集N直至所述候选集N为空集，递归结束；
D2、返回步骤A2中，重新检测下一个数据库中数据点，直至数据库中所有数据点都被标明类号或者判定为噪声。
5.根据权利要求1所述的一种基于大数据的人体异常行为检测与判定方法，其特征在于，所述步骤S4具体包括：
通过Polyfit函数对所述经过最终类聚处理的数据进行线性拟合以得到椭球的长轴方程；
根据所述椭圆的长轴方程进行坐标变换；
将变换后的数据用标准的椭圆方程进行拟合；
通过lsqcurvefit函数确定最终椭圆方程；
通过变换矩阵和拟合椭圆的参数判断当前数据点是否落在椭圆中，若是，则判定当前数据点处于对应类的状态中。
6.一种基于大数据的人体异常行为检测与判定系统，其特征在于，包括：
获取模块，用于获取并存储智能可穿戴设备采集的加速度数据后进行预处理；
初步聚类处理模块，用于利用K-means算法对所述加速度数据进行初步聚类处理；
最终聚类处理模块，用于利用DBSCAN算法对所述初步聚类处理的加速度数据进行最终聚类处理；
椭球拟合模块，用于对经过所述最终聚类处理的数据进行椭球拟合。
7.根据权利要求6所述的一种基于大数据的人体异常行为检测与判定系统，其特征在于，所述获取模块具体包括：
存储单元，用于获取并存储所述智能可穿戴设备采集的加速度数据；
滤波单元，用于对所述采集的加速度数据进行卡尔曼滤波操作。
8.根据权利要求6所述的一种基于大数据的人体异常行为检测与判定系统，其特征在于，所述初步聚类处理模块具体包括：
选取单元，用于随机选取K个初始点作为每个类的初始中心点；
归类单元，用于计算K个类的每个数据点到K个类中心的距离以找出K个距离中最小数据点并将最小数据点归入相应的类中；
计算单元，用于计算K个新形成的类中心；
判断单元，用于判断所述新形成的类中心的结果是否收敛，若是，则程序结束。
9.根据权利要求6所述的一种基于大数据的人体异常行为检测与判定系统，其特征在于，所述最终聚类处理模块具体包括：
检测单元，用于检测数据库存储的数据点是否被处理，若是，跳过当前数据点；否则，检测当前数据点的ε临域，若有Minpts个点在其中，则建立新的簇C，并将临域中的点加入候选集N中；
扩张单元，用于将所述候选集N中未被处理的数据点P归入所述新的簇C，检测数据点P的ε临域，若数据点P为核心对象，则将临域中所有对象加入所述候选集N中；
处理单元，用于递归处理所述候选集N直至所述候选集N为空集，递归结束；
返回单元，用于重新检测下一个数据库中数据点，直至数据库中所有数据点都被标明类号或者判定为噪声。
10.根据权利要求6所述的一种基于大数据的人体异常行为检测与判定系统，其特征在于，所述椭球拟合模块具体包括：
线性拟合单元，用于通过Polyfit函数对所述经过最终类聚处理的数据进行线性拟合以得到椭球的长轴方程；
坐标变换单元，用于根据所述椭圆的长轴方程进行坐标变换；
标准拟合单元，用于将变换后的数据用标准的椭圆方程进行拟合；
确定单元，用于通过lsqcurvefit函数确定最终椭圆方程；
判定单元，用于通过变换矩阵和拟合椭圆的参数判断当前数据点是否落在椭圆中，若是，则判定当前数据点处于对应类的状态中。
CN201710866442.8A 2017-09-22 2017-09-22 一种基于大数据的人体异常行为检测与判定方法及系统 Active CN107657277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710866442.8A CN107657277B (zh) 2017-09-22 2017-09-22 一种基于大数据的人体异常行为检测与判定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710866442.8A CN107657277B (zh) 2017-09-22 2017-09-22 一种基于大数据的人体异常行为检测与判定方法及系统

Publications (2)

Publication Number Publication Date
CN107657277A true CN107657277A (zh) 2018-02-02
CN107657277B CN107657277B (zh) 2022-02-01

Family

ID=61131115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710866442.8A Active CN107657277B (zh) 2017-09-22 2017-09-22 一种基于大数据的人体异常行为检测与判定方法及系统

Country Status (1)

Country Link
CN (1) CN107657277B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520023A (zh) * 2018-03-22 2018-09-11 合肥佳讯科技有限公司 一种基于混合聚类算法的雷暴核识别及追踪方法
CN109271794A (zh) * 2018-10-10 2019-01-25 四川长虹电器股份有限公司 一种可穿戴智能设备的网络物理风险检测方法
CN109978001A (zh) * 2019-02-21 2019-07-05 上海理工大学 基于多层混合聚类算法的空手道运动状态识别装置
CN110921446A (zh) * 2019-12-10 2020-03-27 猫岐智能科技（上海）有限公司 设备属性获取系统
CN112598061A (zh) * 2020-12-23 2021-04-02 中铁工程装备集团有限公司 一种隧道围岩聚类分级方法
CN116434901A (zh) * 2023-03-09 2023-07-14 广东宏恩健康管理科技集团股份有限公司 一种健康信息管理系统与方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106659A (zh) * 2013-01-28 2013-05-15 中国科学院上海微系统与信息技术研究所 基于双目视觉稀疏点匹配的空旷区域目标检测与跟踪方法
CN103577602A (zh) * 2013-11-18 2014-02-12 浪潮(北京)电子信息产业有限公司 一种二次聚类方法及系统
CN106714163A (zh) * 2016-12-05 2017-05-24 同济大学 一种基于姿势变化的手势行为认证模式的构建方法及系统
CN106778652A (zh) * 2016-12-26 2017-05-31 东软集团股份有限公司 人体活动识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106659A (zh) * 2013-01-28 2013-05-15 中国科学院上海微系统与信息技术研究所 基于双目视觉稀疏点匹配的空旷区域目标检测与跟踪方法
CN103577602A (zh) * 2013-11-18 2014-02-12 浪潮(北京)电子信息产业有限公司 一种二次聚类方法及系统
CN106714163A (zh) * 2016-12-05 2017-05-24 同济大学 一种基于姿势变化的手势行为认证模式的构建方法及系统
CN106778652A (zh) * 2016-12-26 2017-05-31 东软集团股份有限公司 人体活动识别方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MIN-SEOK LEE ET AL.: "Unsupervised Clustering for Abnormality Detection Based on the Tri-axial Accelerometer", 《ICROS-SICE INTERNATIONAL JOINT CONFERENCE 2009》 *
PEKKA SIIRTOLA ET AL.: "Clustering-based Activity Classification with a Wrist-worn Accelerometer Using Basic Features", 《2009 IEEE SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DATA MINING》 *
曾丽娜: "车载视觉系统中障碍物检测与识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李宗林等: "DBSCAN算法中参数的自适应确定", 《计算机工程与应用》 *
邱莉榕等: "《算法设计与优化》", 28 February 2017 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520023A (zh) * 2018-03-22 2018-09-11 合肥佳讯科技有限公司 一种基于混合聚类算法的雷暴核识别及追踪方法
CN108520023B (zh) * 2018-03-22 2021-07-20 合肥佳讯科技有限公司 一种基于混合聚类算法的雷暴核识别及追踪方法
CN109271794A (zh) * 2018-10-10 2019-01-25 四川长虹电器股份有限公司 一种可穿戴智能设备的网络物理风险检测方法
CN109978001A (zh) * 2019-02-21 2019-07-05 上海理工大学 基于多层混合聚类算法的空手道运动状态识别装置
CN110921446A (zh) * 2019-12-10 2020-03-27 猫岐智能科技（上海）有限公司 设备属性获取系统
CN110921446B (zh) * 2019-12-10 2022-04-12 佳格科技(浙江)股份有限公司 设备属性获取系统
CN112598061A (zh) * 2020-12-23 2021-04-02 中铁工程装备集团有限公司 一种隧道围岩聚类分级方法
CN116434901A (zh) * 2023-03-09 2023-07-14 广东宏恩健康管理科技集团股份有限公司 一种健康信息管理系统与方法
CN116434901B (zh) * 2023-03-09 2023-10-03 广东宏恩健康管理科技集团股份有限公司 一种健康信息管理系统与方法

Also Published As

Publication number Publication date
CN107657277B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN107657277A (zh) 一种基于大数据的人体异常行为检测与判定方法及系统
Hakim et al. Smartphone based data mining for fall detection: Analysis and design
Zhu et al. Efficient human activity recognition solving the confusing activities via deep ensemble learning
CN106095099B (zh) 一种用户行为动作检测识别方法
Li et al. PSDRNN: An efficient and effective HAR scheme based on feature extraction and deep learning
CN108244744A (zh) 一种运动状态识别的方法、鞋底及鞋
CN107958221A (zh) 一种基于卷积神经网络的人体运动步态分类方法
CN107588784A (zh) 一种状态识别并区分的方法、装置及终端
CN106405384A (zh) 模拟电路健康状态评估方法
CN108021888A (zh) 一种跌倒检测方法
Azmi et al. Accelerator-based human activity recognition using voting technique with NBTree and MLP classifiers
CN107943276A (zh) 基于大数据平台的人体行为检测和预警
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
Shi et al. Fall detection system based on inertial mems sensors: Analysis design and realization
Khatun et al. Human activity recognition using smartphone sensor based on selective classifiers
Alrazzak et al. A survey on human activity recognition using accelerometer sensor
Menter et al. Application of machine learning-based pattern recognition in iot devices
CN108320456A (zh) 一种融合多传感器的老年人摔倒预测方法和系统
Ding et al. HAR-DeepConvLG: Hybrid deep learning-based model for human activity recognition in IoT applications
Chunsheng et al. Human gait feature data analysis and person identification based on IMU
Yadav et al. A computational approach to identify normal and abnormal persons gait using various machine learning and deep learning classifier
CN109685111B (zh) 动作识别方法、计算系统、智能设备及存储介质
Natarajasivan et al. Filter based sensor fusion for activity recognition using smartphone
Alvee et al. Application of machine learning classifiers for predicting human activity
CN110889330A (zh) 一种基于bp神经网络的老年人摔倒检测方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20201123

Address after: Room 10242, No. 260, Jiangshu Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Jiji Intellectual Property Operation Co., Ltd

Address before: 201616 Shanghai city Songjiang District Sixian Road No. 3666

Applicant before: Phicomm (Shanghai) Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220117

Address after: 210000 Xuanwu District, Jiangsu, Beijing East Road 63, Nanjing

Applicant after: Jin Yan

Applicant after: Feng Wenxiong

Applicant after: Zhang Yipeng

Address before: Room 10242, No. 260, Jiangshu Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province

Applicant before: Hangzhou Jiji Intellectual Property Operation Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220211

Address after: 210000 Room 411, block B, animation building, No. 11 Xinghuo Road, Jiangbei new area, Nanjing, Jiangsu Province

Patentee after: Nanjing queyi Information Technology Co.,Ltd.

Address before: 210000 Xuanwu District, Jiangsu, Beijing East Road 63, Nanjing

Patentee before: Jin Yan

Patentee before: Feng Wenxiong

Patentee before: Zhang Yipeng

TR01 Transfer of patent right