CN108109336B - 一种基于加速度传感器的人体跌倒识别方法 - Google Patents

Abstract

本发明属于人体动作识别技术领域，尤其涉及一种基于加速度传感器的人体跌倒识别方法。针对当前人体运动识别技术忽视了智能手机性能和功耗问题，本发明提出一种基于加速度传感器的人体跌倒识别方法，通过设计与手机携带位置无关的特征提取方法，并基于这些特征提出了一种基于决策树的跌倒识别方法。这种识别算法为智能手机平台设计，充分考虑了智能手机的性能、功耗和实时性要求，具有运算量小，资源消耗少，能够长时间运行的特点，同时又具有较高的准确率。此外，该方法能充分发挥智能手机贴身携带的优势，为用户提供全天候的人体运动识别服务，可以及时发现用户的跌倒行为，并发出报警信息，让用户在第一时间获得救助，将跌倒的危害降至最低。

Description

一种基于加速度传感器的人体跌倒识别方法

技术领域

本发明属于人体动作识别技术领域，尤其涉及一种基于加速度传感器的人体跌倒识别方法。

背景技术

近年来，我国老年人群体比重呈现逐年上升趋势，随着劳动人口的流动，“空巢老人”的现象越来越多，老年人的赡养、看护问题逐渐成为社会的焦点，在看护老年人的问题中，跌倒是老年人最为常见的问题，跌倒对老人的危害极大，若不及时救助甚至危及生命。随着移动设备的智能化，移动智能手机平台正以前所未有的速度高速发展，智能手机集成大量的传感器已经成为行业共识。其中，加速度传感器凭借其体积小、价格低、性能好等特点成为智能手机的标准配件。智能手机具有十分广阔的用户群体，可以预见，将智能手机平台与人体动作识别技术结合起来，将会推动医疗监护、智能化家居等各领域在移动端的跨时代发展，也为人体动作识别技术的应用带来了契机。目前市面上具有人体动作识别技术的产品绝大多数是基于视觉识别技术的，视觉识别主要用于静态识别，例如人脸识别。然而，基于视觉识别技术在光线不好时无法准确识别，并且容易泄露用户隐私，而基于加速度传感器进行人体动作识别的产品则极少，目前大多数基于加速度传感器的人体运动识别技术大都存在运算量大，可移植性差的问题，研究人员很少关注手机平台的性能瓶颈和功耗瓶颈。由于跌倒检测需要不间断运行，而智能手机很难长时间地进行大规模的数据运算，因此，本发明主要针对以下几个问题进行研究：一、手机携带位置不固定，导致采集到的数据存在很大的差异，不利于对人体动作的准确识别；二、受限于智能手机平台硬件性能，目前的智能手机CPU、内存有限，无法进行大规模数据处理，移动手机平台硬件配置参差不齐，基于ARM、MIPS、X86等架构的硬件很难保证程序移植的兼容性；三、识别人体运动需要一定的实时性，或者允许存在极小的延时，这意味着必须在用户端本地实现高效的识别算法；四、人体运动识别需长时间不间断的持续运行，避免出现内存泄漏，耗电、程序运行时间长，手机发热、卡顿等现象。

发明内容

针对上述问题，本发明提出一种基于加速度传感器的人体跌倒识别方法，包括：

S1、通过内置加速度传感器的终端设备实时采集人体运动数据，并对采集的数据进行预处理；

S2、分析人体跌倒行为特征，提取与位置无关的跌倒特征量，包括最大合加速度、合加速度方差以及跌倒前后的合加速度方向变化阈值；

S3、根据步骤S2提取的与位置无关的跌倒特征量，对跌倒动作进行识别；

S4、跌倒报警，用户端通过GPS定位获取当前位置坐标信息，同时发出报警信息到服务端，服务端接收报警信息后立即将报警信息分发给该用户的监护人。

所述人体运动数据包括基本动作数据和加速度数据，所述基本动作数据记载的是用户的常规动作数据；所述加速度数据即加速度传感器采集的原始加速度数据，用来记录用户的动作状态。

所述步骤S2中，采用时域分析法进行特征提取。

所述与位置无关的跌倒特征量包括：

(1)最大合加速度max(Ah)>2.5G，

式中，a_x表示x轴方向加速度，a_y表示y轴方向加速度，a_z表示z轴方向加速度，G表示重力加速度；

(2)合加速度方差D(Ah)>1.5Dm；

式中，D(Ah)表示合加速度方差，M(Ah)表示合加速度均值，Ah_i表示采样点i的合加速度，n为滑动窗口内加速度值的采样点个数，Dm为静止方差；

(3)跌倒前后的合加速度方向变化阈值α>60°；

式中，α表示

的夹角；

表示当前时间窗口内的平均加速度；

表示下一个时间窗内的平均合加速度；n表示滑动窗口内加速度传感器采样个数；x_i表示采样点i在x轴的加速度分量；y_i表示采样点i在y轴的加速度分量；z_i表示采样点i在z轴的加速度分量；

所述步骤S3中，采用决策树算法对跌倒动作进行识别，具体方法如下所述：

步骤1：不断检查当前时间窗内的最大合加速度值max(Ah)，当max(Ah)＞2.5G时，执行步骤2；否则执行步骤3；

步骤2：计算当前时间窗内的合加速度方差D(Ah)，如果D(Ah)＞1.5Dm，执行步骤4；否则执行步骤1；

步骤3：计算当前时间窗口内的平均合加速度

和静止方差Dm，重复执行步骤1；

步骤4：检查下一个时间窗内的合加速度方差D′(Ah)，如果D′(Ah)＜Dm，执行步骤5；否则重复执行步骤4；

步骤5：计算下一个时间窗内的平均合加速度

执行步骤6；

步骤6：计算

与

夹角α，如果α＞60°，则判断发生了跌倒；否则执行步骤3。

本发明的有益效果在于：

本发明通过分析手机不同位置携带时的加速度信号特点，结合人体跌倒动作特征，设计了三个与手机携带位置无关的特征提取方法，并基于这些特征设计了动作识别流程，提出了一种基于决策树的跌倒检测方法。该方法充分考虑了智能手机的性能、功耗和实时性要求，具有运算量小，资源消耗少，能够长时间运行的特点，同时又具有较高的准确率。

附图说明

附图1为行走时跌倒的合加速度折线图；

附图2为跑步时跌倒的合加速度折线图；

附图3为跌倒时合加速度变化过程；

附图4为人体跌倒识别方法流程图；

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

一种基于加速度传感器的人体跌倒识别方法，包括以下步骤：

S1、通过内置加速度传感器的终端设备实时采集人体运动数据，并对采集的数据进行预处理；

S2、分析人体跌倒行为特征，提取与位置无关的跌倒特征量，包括最大合加速度、合加速度方差以及跌倒前后的合加速度方向变化阈值；

S3、根据步骤S2提取的与位置无关的跌倒特征量，对跌倒动作进行识别；

S4、跌倒报警，用户端通过GPS定位获取当前位置坐标信息，同时发出报警信息到服务端，服务端接收报警信息后立即将报警信息分发给该用户的监护人。

具体的，在步骤S1中，数据采集是人体跌倒识别的基础，所述数据采集包含两部分，分别是基本动作数据采集和加速度数据采集。基本动作数据采集用来采集用户一些常见动作的加速度数据，包括行走、跑步、跳跃等基本动作，为了让样本尽可能规范化，采集动作样本可以反复进行，这样可以形成不同时期的用户动作样本。采集到的动作数据存储在动作样本库中，即云端数据库。动作样本库将用户的动作按类型分类存放，例如步行、跑步、上下楼梯和跌倒。加速度数据即用户端手机加速度传感器采集到的原始数据。加速度数据采集用来记录用户的动作状态，只要用户携带手机，加速度传感器就会实时记录用户的动作情况，由于手机加速度传感器采集的加速度信息数据规模大，并且加速度数据无法直观反应用户动作，比动作样本库的可读性低，因此可将采集到的加速度数据进行归档存储，即将这些数据包按时间段整体存储，不用考虑复杂的数据关系。对于加速度传感器，Android平台提供了4种采样模式，分别是快速模式、游戏模式、显示模式和普通模式，其中快速模式最快，以硬件支持的最大速度采样，传感器硬件采集到的原始数据必然会存在噪声和误差，需采用滤波、平滑、加窗、归一化、重采样和校正等方法对原始数据进行预处理。

具体的，在步骤2中，特征提取是人体跌倒识别中最重要的环节之一。手机加速度传感器采集到的加速度数据量很大，并且随时间不断变化，一段时间内的加速度数据方差越大，运动越不平稳，需要从多个角度提取特征，比如大小、稳定性、方向等。很多研究基于频域和时频分析来提取特征，但由于运算量大，时间复杂度和空间复杂度都很高，并不适合在手机上长时间运算。因此本发明采用时域分析法进行特征提取，确保提取的特征尽可能简单、直观。对加速度数据而言，时域分析法就是分析加速度大小随便时间的变化情况，可从加速度的波形图上提取特征信息。常用的时域特征计算方法有偏度、峰度、均值、方差、标准差、时域积分等，针对加速度数据的波浪线型结构图谱，时域特征提取比较简单、直观、计算量小，比较适合用于智能手机平台。其中，对人体跌倒行为的分析过程如下所述：智能手机内置的加速度传感器能够同时采集x、y、z三个方向的加速度数据，这三个方向构成了空间三维坐标系，三个方向的合加速度即传感器的实际加速度。从数学角度来说，合加速度的大小是x、y、z三个加速度数值的平均平方根：

式中，Ah表示三个方向合加速度的模，a_x表示x轴方向加速度，a_y表示y轴方向加速度，a_z表示z轴方向加速度。

合加速度是三维空间中的加速度，是具有方向性的，上述公式中的a代表合加速度的模，消除了合加速度的方向特征，考虑到跌到动作的过程一般很短，是向某个方向产生的剧烈运动，即加速度大小会突然快速变化，因此本发明采用合加速度大小Ah来表达人体运动信息。人体运动时手机会随之产生运动，而加速度传感器捕捉到的运动数据，并不是人体动作的简单映射，它实际上反映出动作的部分特征，基本于这些运动特征，以及特征的变化情况来推测人体的运动情况，是基于加速度传感器的人体运动识别的基本原理。本发明主要针对的是检测跌倒行为，即研究摔倒后短时间内无法自主行动的摔倒行为，研究发现，无法自主行动的严重摔倒行为，有以下两个特点：其一，跌倒过程是一种非常剧烈的动作，而且持续时间极短。人体在跌倒瞬间会产生很高的加速度，在跌倒碰到障碍物的一瞬间加速度急剧降低，即在跌倒过程中加速度大小会出现急剧的变化；其二，人体在跌倒后处于静止状态，或短时间内处于静止状态。人体摔倒后通常会平躺于地面，即人体此跌倒后所受的加速度方向与人体直立状态所受的加速度方向夹角大约为90度。手机放在不同位置采集到的运动数据会有或大或小的差异。对跌倒动作，不同位置的手机产生的加速度数据差别十分明显，惟一相同之处在于这些跌倒运动数据均包含一段非常“杂乱”的波动区间，这段区间把整个样本分成了三个部分，都符合上述对跌倒动作特征的分析。本发明分别对这些不同位置的情况采集样本进行采样、分析和测试，通过研究不同条件下的跌倒动作，发现所有的跌倒动作都可以分为三个阶段，即跌倒前的直立状态，跌倒时的剧烈运动状态和跌倒后的静止状态。围绕这三个阶段，提取了三个与手机位置无关的加速度信号特征，即最大合加速度、合加速度方差，以及跌倒动作前后阶段的合加速度方向夹角。以行走时跌倒和跑步时跌倒的数据样本为例，其合加速变化情况如图1和图2所示，从图1和图2可以看出，跌倒时人体所受的合加速度大小会出现明显的升高，跌倒之后，合加速度趋于平稳，意味着跌倒后人体处于静止状态,而跌倒之前合加速度也呈现出较稳定的周期性波动。通过上述对人体跌倒行为特征的分析，本发明对人体跌倒动作提取了三个与手机位置无关的特征量：

1、最大合加速度值max(Ah)

人体在日常较缓和的活动(例如走路、躺下等)时，合加速度Ah在整个过程中都相对较小，一般不超过2倍重力加速度,而跌倒、起跳等剧烈动作会在瞬时产生很大的合加速度Ah，因此，可以对Ah的峰值设置一个阈值。表1为几组不同条件下的不同跌倒动作的最大合加速度值情况，从表1可以看出，不同跌倒动作的最大合加速度值都要高于25m/s²，考虑到本发明的主要针对的用户为老年人，运动较为平缓，因此以2.5G作为加速度峰值的阈值，其中G是重力加速度。当最大合加速度值max(Ah)>2.5G时，表明人体做出较为剧烈的动作。

表1不同跌倒动作的合加速度峰值

跌倒情况说明	加速度峰值(m/s<sup>2</sup>)
		向后跌倒(上衣口袋)	27.70
向后跌倒(裤子口袋)	28.93
		向前跌倒(上衣口袋)	33.70
向前跌倒(裤子口袋)	30.36
		跑步时跌倒(上衣口袋)	35.45
跑步时跌倒(裤子口袋)	37.90

2、一段时间内合加速度的方差D(Ah)

所述“一段时间内”代表采样的滑动窗口的时间段内，考虑到跌倒的过程比较短暂，本发明设置滑动窗口的时间长度为1秒。对于一组加速度数据，方差用来度量这组数据与其均值之间的偏离程度，如果其方差很小，说明人体运动情况非常稳定。静止条件下的加速度传感器，采集到的运动数据，方差应趋近于0。因此，通过方差就可以找到跌到前后相对静止时的时间点，这个时间点也就是跌倒发生的时间点。跌倒过程中，由于合加速度突然增加，方差也会立即产生大幅度变化。所述合加速度方差表示为：

其中，D(Ah)表示合加速度方差，M(Ah)表示合加速度均值，Ah_i表示采样点i的合加速度，n为滑动窗口内加速度值的采样点个数，优选的，对于采样频率为50Hz，采样时长为1秒的采样窗口，n＝50。

根据方差的变化，可以将跌倒过程分为三个阶段，如图3所示，第一阶段即跌倒前，如图3左侧方框所示，此时人体处于静止、行走、跑步、上下楼梯等低速运动，这个过程中的方差相对稳定，或者在一定范围内周期性波动；第二阶段即跌倒发生时，如图3中间方框所示，合加速度突然增加，表现为该时间窗口内的方差脱离之前的波动范围，本发明将这个变化称为“异动”；第三个阶段是跌倒后，如图3的右侧方框所示，人体经过剧烈的跌倒动作后会受到一定程度的伤害，这个时候的人体处于静止状态或者正在缓慢爬起，此时窗口内的加速度方差回归平稳。检测过程中不断计算各个窗口的加速度方差，假设第一阶段窗口内的加速度方差为Dm，如果发现后一时间窗口的D(Ah)>Dm，即意味着可能发生了跌倒，随后继续计算后续的滑动窗口的D(Ah)，如果出现D(Ah)<Dm，那么此时可能就是跌倒动作结束的时间点。其中Dm表示静止方差，根据实验计算发现，跌倒发生时的滑动窗口采样的数据方差远远大于跌倒之前的方差，跑步时跌倒的方差变化更为明显，因此，可以在判断方差变化时给Dm加一个系数1.5，即把D(Ah)>1.5Dm作为第二个跌倒特征。

3、跌倒前后的合加速度方向变化阈值

人体在跌倒之后通常平躺在地面上，此时人体所受的加速度方向与跌倒前的加速度方向显然是不同的，人体在跌倒前后加速度的夹角反映的是人体直立和倒下之后的夹角。加速度所受到的合加速度实质上就是三维坐标系中的空间向量，对于空间向量

其空间向量的夹角余弦：

其中，α表示空间向量

的夹角；为了提高识别效率,冗余采样窗口计算合加速度方向出现的偏差，本发明将α>60°作为第三个跌倒特征；

对于加速度传感器来说，由于在一段时间内采集到的加速度总是在抖动，很难通过某一时刻的瞬时加速度来表达人体在跌倒前后分别所处的加速度方向。因此需要计算跌倒前、后一段时间范围内的平均加速度，即：

式中，

表示一段时间范围内的平均加速度；n表示滑动窗口内加速度传感器采样个数，优选的，n＝50，x_i表示采样点i在x轴的加速度分量；y_i表示采样点i在y轴的加速度分量；z_i表示采样点i在z轴的加速度分量；

具体的，在步骤S3中，考虑到手机平台的限制，需要选择性能最好，最具有经济性的人体运动识别算法。而决策树算法是机器学习众多算法中使用率最高的算法之一，相较于其他机器学习算法，决策树原理简单，适合在智能手机等嵌入式平台上运行。因此，本发明采用决策树算法对跌倒动作进行识别，具体方法如图4所示：

步骤1：不断检查当前时间窗内的最大合加速度值max(Ah)，当max(Ah)＞2.5G时，执行步骤2；否则执行步骤3；

步骤2：计算当前时间窗内的合加速度方差D(Ah)，如果D(Ah)＞1.5Dm，执行步骤4；否则执行步骤1；

步骤3：计算当前时间窗口内的平均合加速度

和静止方差Dm，重复执行步骤1；

步骤4：检查下一个时间窗内的合加速度方差D′(Ah)，如果D′(Ah)＜Dm，执行步骤5；否则重复执行步骤4；

步骤5：计算下一个时间窗内的平均合加速度

执行步骤6；

步骤6：，计算

与

夹角α，如果α＞60°，则判断发生了跌倒；否则执行步骤3。

值得注意的是，在步骤3中，平均合加速度

表示人体跌倒前的加速度，随着时间窗口的滑动，

将不断地被计算出来，并被最新的结果覆盖，当

计算完成后并不立即参与决策，而是暂存起来，待执行步骤6时参与决策；步骤4与步骤1一样，都是对时间窗循环采样，但在执行到步骤4时，会阻碍执行步骤1，直到D(Ah)稳定下来才会跳出循环，实际上由于跌倒动作大都在1～2秒内发生，阻碍时间并不会持续太长。

具体的，在步骤S4中，用户端可以向监护端和云端的监控中心发送报警信息。当用户端检测到用户出现了跌倒事件，就会立即自动发送报警信息。跌倒报警需要通过GPS定位获取当前位置坐标信息，用户端发出报警后，首先发送报警信息到服务端，服务端接收消息后立即把报警信息分发给该用户所有的监护人，同时向监护人的电话号码发送报警短信。

实施例1

为了验证人体跌倒检测方法的有效性，本实施例通过设计测试实验对跌倒检测的识别能力进行了大量的实验测试，本实施例在基于Android智能手机平台上，采用典型的C/S架构设计了基于人体跌倒检测方法的检测系统，系统运行架构如下所述：人体运动识别系统由用户端、监护端、服务端组成，用户端、监护端通过移动互联网与服务端通信，人体运动识别系统的核心内容是跌倒检测与报警，用户端、监护端、服务端的所有功能都是以此为核心。

实验需要人员共10人，包括6名男性，4名女性，年龄范围在23到41岁不等，每名实验人员都各自进行了20次的跌倒模拟，模拟的动作包括向前卧倒，向后快速坐下，侧向倒下，跳起后倒下等等，每位实验人员的识别情况如表2所示：

表2跌倒实验识别情况

人员序号	性别	年龄	手机位置	模拟次数	识别次数	准确率
							1	男	30	裤子口袋	20	20	100％
2	男	35	裤子口袋	20	19	95％
							3	男	35	上衣胸前	20	20	100％
4	男	26	上衣胸前	20	20	100％
							5	男	29	上衣腰部	20	19	95％
6	男	41	上衣腰部	20	18	90％
							7	女	23	裤子口袋	20	19	95％
8	女	28	裤子口袋	20	18	90％
							9	女	23	上衣腰部	20	19	95％
10	女	23	上衣腰部	20	19	95％

由上表可算出10位实验人员模拟跌倒的平均识别率达到了95.5％,说明该检测算法是有效的。判断正确的情况下，几乎每次都能在动作完成后迅速得出检测结果，时间基本都在1秒以内，完全符合要求。为了检验上述跌倒实验的误检率，本实施例通过补充实验来检验该算法的误检情况，实验人员分别进行行走、跳跃、跑步、直立坐下的动作，每组运动持续时间20秒左右，检查系统的误检情况如表3所示：

表3误检测试实验情况

由表2可以看出，对于原地跳跃、行走、跑步和直立坐下，本发明的误检率几乎为0％。实验结果表明，本发明能够快速准确的识别常见的跌倒动作。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种基于加速度传感器的人体跌倒识别方法，其特征在于，包括：

S1、通过内置加速度传感器的终端设备实时采集人体运动数据，并对采集的数据进行预处理；

S2、分析人体跌倒行为特征，提取与位置无关的跌倒特征量，包括最大合加速度、合加速度方差以及跌倒前后的合加速度方向变化阈值；

S3、根据步骤S2提取的与位置无关的跌倒特征量，对跌倒动作进行识别；

S4、跌倒报警，用户端通过GPS定位获取当前位置坐标信息，同时发出报警信息到服务端，服务端接收报警信息后立即将报警信息分发给该用户的监护人；

所述人体运动数据包括基本动作数据和加速度数据，所述基本动作数据记载的是用户的常规动作数据；所述加速度数据即加速度传感器采集的原始加速度数据，用来记录用户的动作状态；

基本动作数据采集用来采集用户一些常见动作的加速度数据，包括行走、跑步、跳跃，采集动作样本反复进行，形成不同时期的用户动作样本；采集到的动作数据存储在动作样本库中，即云端数据库；动作样本库将用户的动作按类型分类存放，包括步行、跑步、上下楼梯和跌倒；

加速度数据即用户端手机加速度传感器采集到的原始数据；加速度数据采集用来记录用户的动作状态，只要用户携带手机，加速度传感器就会实时记录用户的动作情况；将采集到的加速度数据进行归档存储，即将这些数据包按时间段整体存储，不用考虑复杂的数据关系；

所述与位置无关的跌倒特征量包括：

(1)最大合加速度max(Ah)>2.5G，

式中，a_x表示x轴方向加速度，a_y表示y轴方向加速度，a_z表示z轴方向加速度，G表示重力加速度；

(2)合加速度方差D(Ah)>1.5Dm；

式中，D(Ah)表示合加速度方差，M(Ah)表示合加速度均值，Ah_i表示采样点i的合加速度，n为滑动窗口内加速度值的采样点个数，Dm为静止方差；

(3)跌倒前后的合加速度方向变化阈值α>60°；

式中，α表示

的夹角；

表示当前时间窗口内的平均加速度；

表示下一个时间窗内的平均合加速度；n表示滑动窗口内加速度传感器采样个数；x_i表示采样点i在x轴的加速度分量；y_i表示采样点i在y轴的加速度分量；z_i表示采样点i在z轴的加速度分量；

所述步骤S3中，采用决策树算法对跌倒动作进行识别，具体方法如下所述：

步骤1：不断检查当前时间窗内的最大合加速度值max(Ah)，当max(Ah)＞2.5G时，执行步骤2；否则执行步骤3；

步骤2：计算当前时间窗内的合加速度方差D(Ah)，如果D(Ah)＞1.5Dm，执行步骤4；否则执行步骤1；

步骤3：计算当前时间窗口内的平均合加速度

和静止方差Dm，重复执行步骤1；

步骤4：检查下一个时间窗内的合加速度方差D′(Ah)，如果D′(Ah)＜Dm，执行步骤5；否则重复执行步骤4；

步骤5：计算下一个时间窗内的平均合加速度

执行步骤6；

步骤6：计算

与

夹角α，如果α＞60°，则判断发生了跌倒；否则执行步骤3；

采用时域分析法进行特征提取。

Images