CN108898795A - 一种基于移动设备的行人状态实时分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于移动设备的行人状态实时分析方法及系统，通过获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级，以及基于移动设备的IMU信号判断移动设备对行人的干扰状态，从而在判断行人处于机动车辆出现区域时，可以获得行人所处的危险级别，及时、迅速地对行人进行对应的告警提醒，本发明从行人的角度进行分析，从而在判断出现危险时，自动、及时地对行人进行告警，使得行人可以及时进行避险，可广泛应用于行人安全监测行业中。

Description

一种基于移动设备的行人状态实时分析方法及系统

技术领域

本发明涉及行人安全监测领域，特别是涉及一种基于移动设备的行人状态实时分析方法及系统。

背景技术

在汽车安全驾驶领域中，如何提高道路弱势使用者的安全是一个重要的问题，目前技术中，主要是基于驾驶员的角度来进行安全预警，例如通过图像采集等传感器采集的数据来判断车辆附近是否存在行人，从而进行告警等，或者通过对驾驶员生理状态进行采集，从而判断驾驶员是否疲劳驾驶，来实现对应的安全预警。总的来说，现有技术中，主要是基于对车辆方进行监测来实现安全驾驶，避免对行人造成危险。但是这种方案，能否避免危险的发生，主要取决于驾驶员或者车辆的反应速度，即使对行人进行告警，也是基于车辆的角度判断可能存在危险后才通过驾驶员鸣喇叭或者自动鸣喇叭的方式进行告警，由于车辆的行驶速度较快，此时的告警往往无法及时避免危险的发生。总的来说，现有技术缺乏有效的基于行人状态分析情况进行危险告警的技术方案。

名词解释

IMU：全称Inertial measurement unit，惯性测量单元，是测量物体三轴姿态角或角速率以及加速度的装置。

SVM：全称Support Vector Machine，表示支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

SDNN：全称为standard deviation of NN intervals，表示全部窦性心搏RR间期(医学上简称NN间期)的标准差，单位为ms。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种基于移动设备的行人状态实时分析方法及系统。

本发明解决其技术问题所采用的技术方案是：

一种基于移动设备的行人状态实时分析方法，包括以下步骤：

获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级；

基于移动设备的惯性感测信号进行干扰检测，判断移动设备对行人的干扰状态；

当判断行人处于机动车辆出现区域时，基于干扰检测结果以及行人的疲劳等级，判断获得行人所处的危险级别；

根据获得的危险级别，对行人进行对应的告警提醒。

进一步，所述基于移动设备的惯性感测信号进行干扰检测，判断移动设备对行人的干扰状态的步骤，其具体为：

基于移动设备的惯性感测信号进行干扰检测，分析获得移动设备的携带模式，从而根据携带模式判断移动设备对行人的干扰状态；

所述携带模式指行人携带或手持移动设备的方式。

进一步，所述携带模式至少包括：置于胸前、置于口袋中、随手摆动、举于耳旁或平握手中。

进一步，所述判断行人处于机动车辆出现区域的步骤，具体通过以下方式进行判断：

根据惯性感测信号，对行人进行实时行进方向检测、步长检测以及步频检测后，实时更新行人的行进轨迹，并将行人的实时行进轨迹与道路进行匹配后，判断行人是否处于机动车辆出现区域。

进一步，所述生理信号通过智能穿戴设备采集获得。

进一步，所述生理信号指行人的心率信号；

所述获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级的步骤，具体包括：

获取行人的实时心率信号后，根据心率信号中LF/HF值的变化情况以及SDNN值的变化情况，判断是否可以分析获得行人的疲劳等级，若是，则输出对应的疲劳等级后结束，反之，继续执行下一步骤；

结合训练好的行人状态分析模型，分析获得行人的疲劳等级。

进一步，所述行人状态分析模型通过以下方式训练获得：

按照性别、不同年龄段，获取批量标记了疲劳等级的训练数据，采用SVM分类模型对行人的疲劳等级进行分类训练，进而将训练获得的SVM分类模型作为对应性别及年龄段的行人状态分析模型；

所述训练数据指行人的实时心率信号，包括LF/HF值以及SDNN值；

所述疲劳等级包括清醒状态或疲惫状态。

进一步，所述结合训练好的行人状态分析模型，分析获得行人的疲劳等级，其具体为：

根据行人的性别、年龄段所处的分类，获得对应的训练好的行人状态分析模型，进而分析获得行人的疲劳等级；

其中，行人的性别、年龄段通过行人输入的数据获得，或者通过以下步骤匹配获得：

采集行人的实时心率和运动速度后，输入到基于线性回归拟合获得的多个分类关系式中，进而获得行人对应的分类关系式后，对应获得行人的性别、年龄段；

所述多个分类关系式用于记录：按照性别、不同年龄段分类的多个不同分类的行人的运动速度与心率之间的线性关系。

进一步，所述多个分类关系式通过以下方式获得：

按照性别、不同年龄段，建立行人的运动速度与心率之间的多个线性回归关系式；

获取批量的覆盖了不同性别、不同年龄段的行人的历史心率信号和运动速度，对建立的多个线性回归关系式进行拟合，计算得到各关系式的参数取值后，获得多个分类关系式。

本发明解决其技术问题所采用的另一技术方案是：

基于移动设备的行人状态实时分析系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于移动设备的行人状态实时分析方法。

本发明的有益效果是：本发明通过获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级，以及基于移动设备的IMU信号判断移动设备对行人的干扰状态，从而在判断行人处于机动车辆出现区域时，可以获得行人所处的危险级别，及时、迅速地对行人进行对应的告警提醒，本发明从行人的角度进行分析，从而在判断出现危险时，自动、及时地对行人进行告警，使得行人可以及时进行避险。

附图说明

图1是本发明的基于移动设备的行人状态实时分析方法的逻辑流程图；

图2是本发明的具体实施例中生理信号的变化情况与行人的疲劳等级之间的关系示意图；

图3是本发明的基于移动设备的行人状态实时分析系统的结构框图。

具体实施方式

方法实施例

参照图1，本发明提供了一种基于移动设备的行人状态实时分析方法，包括以下步骤：

获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级；

基于移动设备的惯性感测信号IMU信号进行干扰检测，判断移动设备对行人的干扰状态；

当判断行人处于机动车辆出现区域时，基于干扰检测结果以及行人的疲劳等级，判断获得行人所处的危险级别；

根据获得的危险级别，对行人进行对应的告警提醒。

本发明通过获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级，以及基于移动设备的IMU信号判断移动设备对行人的干扰状态，从而在判断行人处于机动车辆出现区域时，可以获得行人所处的危险级别，及时、迅速地对行人进行对应的告警提醒，本发明从行人的角度进行分析，从而在判断出现危险时，自动、及时地对行人进行告警，使得行人可以及时进行避险。

本发明中，对行人进行对应的告警提醒，可以通过播放告警语音、告警音乐的方式进行告警，也可以通过移动设备振动、闪烁等方式进行告警，还可以通过智能穿戴设备等实现告警，总的来说，可以采用任何提醒方式对行人进行告警提醒。

本实施例中，图1中的疲劳等级简单设定为包括清醒状态和疲惫状态两种，实际上也可以根据行人的疲劳程度进行细化分级，设定多个细化的疲劳等级，不用疲劳等级代表行人的不同疲劳程度，从而结合干扰检测结果获得对应的危险级别，最后根据危险级别对行人进行对应的告警提醒。这里，移动设备对行人的干扰状态，行人的危险级别，均至少包括2个以上的级别，从而可以准确区分行人实时状态，进而实现对应的告警和提醒。

进一步作为优选的实施方式，所述基于移动设备的惯性感测信号进行干扰检测，判断移动设备对行人的干扰状态的步骤，其具体为：

基于移动设备的惯性感测信号进行干扰检测，分析获得移动设备的携带模式，从而根据携带模式判断移动设备对行人的干扰状态；

所述携带模式指行人携带或手持移动设备的方式。

进一步作为优选的实施方式，所述携带模式至少包括：置于胸前、置于口袋中、随手摆动、举于耳旁或平握手中。例如当检测出移动设备握于胸前或举于耳旁或平握手中，则认为行人有被移动设备干扰，当检测出移动设备随手摆动或置于口袋中，则认为行人没有被移动设备干扰。

本实施例中，图1中所述干扰状态包括被干扰或没有被干扰两种状态，通过携带模式判断行人是否被移动设备干扰，从而结合行人的疲劳等级可以判定行人的危险程度，从而判断是否进行告警提醒。

具体的，干扰状态也可以进一步细分为多个等级，不同等级代表移动设备对行人的干扰程度，从而可以根据移动设备对行人的不同的干扰程度，与行人的不同的疲劳等级的组合，获得多个不同等级的危险级别，并设定对应的告警提醒信息。

图1的实施例中，行人危险级别分为以下三种：

一、安全级别：当行人处于清醒状态且没有被干扰，判定行人处于安全级别，此时不需要警告。对应的告警提醒可以设置为NULL。

二、相对危险级别：1、当行人处于清醒状态但被干扰时；2、当行人处于疲惫状态当没有被干扰时。这两种状态下判定行人处于相对危险级别，需要对行人进行适当的告警提醒，同时，还可以通过移动设备通知附近车辆，实现告警提醒。

三、危险级别：当行人处于疲惫状态且被干扰时，判定行人处于危险级别，对行人进行强烈的告警提醒，同时，还可以通过移动设备通知附近车辆，进行强烈告警提醒。

进一步作为优选的实施方式，所述判断行人处于机动车辆出现区域的步骤，具体通过以下方式进行判断：

根据惯性感测信号，对行人进行实时行进方向检测、步长检测以及步频检测后，实时更新行人的行进轨迹，并将行人的实时行进轨迹与道路进行匹配后，判断行人是否处于机动车辆出现区域。

本步骤通过对行人的行进轨迹进行实时更新，从而可以根据道路分布情况，实时判断行人是否处于机动车辆出现区域，进而可以进一步结合行人的疲劳等级等判定行人的危险等级。

需要注意，本方案只是简单说明了一种进行行人行进轨迹更新的方案，在进行轨迹更新时，本发明可以采用任何轨迹更新方案。

进一步作为优选的实施方式，所述生理信号通过智能穿戴设备采集获得。智能穿戴设备与行人的移动设备进行无线通信，从而及时将采集的生理信号发送到移动设备。

进一步作为优选的实施方式，所述生理信号指行人的心率信号；

所述获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级的步骤，具体包括：

获取行人的实时心率信号后，根据心率信号中LF/HF值的变化情况以及SDNN值的变化情况，判断是否可以分析获得行人的疲劳等级，若是，则输出对应的疲劳等级后结束，反之，继续执行下一步骤；

结合训练好的行人状态分析模型，分析获得行人的疲劳等级。

这里，心率信号中的LF表示频率低于0.15Hz的低频频率，HF表示频率高于0.15Hz的高频频率，两者均为心率信号的参数。LF/HF值的降低表示行人的疲劳等级升高，因此，本实施例中，根据LF/HF值的变化情况，以及SDNN值的变化情况可以初步判断是否能区分行人的疲劳等级。如图2所示，当LF/HF值上升且SDNN值上升时，可以判断行人处于清醒状态，而当LF/HF值下降且SDNN值下降时，可以判断行人处于疲惫状态，而当LF/HF值上升且SDNN值下降，或者当LF/HF值下降且SDNN值上升时，无法判断行人是处于清醒状态还是疲惫状态，因此，需要训练好的行人状态分析模型，分析获得行人的疲劳等级。

优选的，所述行人状态分析模型通过以下方式训练获得：

按照性别、不同年龄段，获取批量标记了疲劳等级的训练数据，采用SVM分类模型对行人的疲劳等级进行分类训练，进而将训练获得的SVM分类模型作为对应性别及年龄段的行人状态分析模型；

所述训练数据指行人的实时心率信号，包括LF/HF值以及SDNN值；

所述疲劳等级包括清醒状态或疲惫状态。

在分类训练过程中，SVM分类模型的输入数据为行人的实时心率信号，即LF/HF值以及SDNN值，SVM分类模型的输出结果为分类结果，即输入数据对应的疲劳等级，本实施例特指清醒状态或疲惫状态这两种。

本发明通过按照性别、不同年龄段的分类情况，对每个分类，获取批量标记了疲劳等级的训练数据作为对应的训练集，训练出对应的SVM行人状态分析模型。后续的应用过程中，通过输入行人的实时心率信号，能够根据行人所属的SVM行人分析模型获得对应的疲劳等级。

优选的，本实施例中，疲劳等级包括清醒状态或疲惫状态两种状态，根据心率信号中LF/HF值的变化情况以及SDNN值的变化情况，可以初步判断获得行人是否清醒。

进一步作为优选的实施方式，所述结合训练好的行人状态分析模型，分析获得行人的疲劳等级，其具体为：

根据行人的性别、年龄段所处的分类，获得对应的训练好的行人状态分析模型，进而分析获得行人的疲劳等级；

其中，行人的性别、年龄段通过行人输入的数据获得，或者通过以下步骤匹配获得：

采集行人的实时心率和运动速度后，输入到基于线性回归拟合获得的多个分类关系式中，进而获得行人对应的分类关系式后，对应获得行人的性别、年龄段；

所述多个分类关系式用于记录：按照性别、不同年龄段分类的多个不同分类的行人的运动速度与心率之间的线性关系。

本方案中，按照性别、不同年龄段进行分类，不同分类均具有对应的行人状态分析模型，从而可以获得更准确的疲劳等级检测结果。

进一步作为优选的实施方式，所述多个分类关系式通过以下方式获得：

按照性别、不同年龄段，建立行人的运动速度与心率之间的多个线性回归关系式；

获取批量的覆盖了不同性别、不同年龄段的行人的历史心率信号和运动速度，对建立的多个线性回归关系式进行拟合，计算得到各关系式的参数取值后，获得多个分类关系式。

例如，基于特定人群的实验，比如年龄段在20-30岁，基于不同行走速度的线性回归关系式满足如下格式：

男性心率＝a1+b1*speed(km/h)

女性心率＝a2+b2*speed(km/h)

其中关系式的参数a1、a2、b1、b2均为常数，这些参数的取值通过大量行人历史心率信号和运动速度拟合得出。当速度speed取0km/h,2km/h,4km/h时，线性回归得到的心率误差率若整体小于5％，则判定该年龄段和性别对应的线性回归关系式有效。因此，本发明建立的线性回归关系式可以用来对行人进行性别、年龄段检测，从而可以根据行人的心率信号和运动速度直接分类获得行人的年龄段及性别后，获取对应的行人状态分析模型进行疲劳等级分析检测，方便、快捷，且准确度高。

总的来说，本发明可以根据行人生理信号的变化情况，分析获得行人的疲劳等级，以及基于移动设备的IMU信号判断移动设备对行人的干扰状态，从而在判断行人处于机动车辆出现区域时，可以获得行人所处的危险级别，从行人的角度进行分析，从而在判断出现危险时，自动、及时地对行人进行告警，使得行人可以及时进行避险。

系统实施例

参照图3，基于移动设备的行人状态实时分析系统，包括：

至少一个处理器100；

至少一个存储器200，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器100执行，使得所述至少一个处理器100实现所述的基于移动设备的行人状态实时分析方法。

本实施例的基于移动设备的行人状态实时分析系统，可执行本发明方法实施例所提供的基于移动设备的行人状态实时分析方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于移动设备的行人状态实时分析方法，其特征在于，包括以下步骤：

获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级；

基于移动设备的惯性感测信号进行干扰检测，判断移动设备对行人的干扰状态；

当判断行人处于机动车辆出现区域时，基于干扰检测结果以及行人的疲劳等级，判断获得行人所处的危险级别；

根据获得的危险级别，对行人进行对应的告警提醒。

2.根据权利要求1所述的基于移动设备的行人状态实时分析方法，其特征在于，所述基于移动设备的惯性感测信号进行干扰检测，判断移动设备对行人的干扰状态的步骤，其具体为：

基于移动设备的惯性感测信号进行干扰检测，分析获得移动设备的携带模式，从而根据携带模式判断移动设备对行人的干扰状态；

所述携带模式指行人携带或手持移动设备的方式。

3.根据权利要求2所述的基于移动设备的行人状态实时分析方法，其特征在于，所述携带模式至少包括：置于胸前、置于口袋中、随手摆动、举于耳旁或平握手中。

4.根据权利要求1所述的基于移动设备的行人状态实时分析方法，其特征在于，所述判断行人处于机动车辆出现区域的步骤，具体通过以下方式进行判断：

根据惯性感测信号，对行人进行实时行进方向检测、步长检测以及步频检测后，实时更新行人的行进轨迹，并将行人的实时行进轨迹与道路进行匹配后，判断行人是否处于机动车辆出现区域。

5.根据权利要求1所述的基于移动设备的行人状态实时分析方法，其特征在于，所述生理信号通过智能穿戴设备采集获得。

6.根据权利要求1所述的基于移动设备的行人状态实时分析方法，其特征在于，所述生理信号指行人的心率信号；

所述获取行人的实时生理信号后，根据生理信号的变化情况，分析获得行人的疲劳等级的步骤，具体包括：

获取行人的实时心率信号后，根据心率信号中LF/HF值的变化情况以及SDNN值的变化情况，判断是否可以分析获得行人的疲劳等级，若是，则输出对应的疲劳等级后结束，反之，继续执行下一步骤；

结合训练好的行人状态分析模型，分析获得行人的疲劳等级。

7.根据权利要求6所述的基于移动设备的行人状态实时分析方法，其特征在于，所述行人状态分析模型通过以下方式训练获得：

按照性别、不同年龄段，获取批量标记了疲劳等级的训练数据，采用SVM分类模型对行人的疲劳等级进行分类训练，进而将训练获得的SVM分类模型作为对应性别及年龄段的行人状态分析模型；

所述训练数据指行人的实时心率信号，包括LF/HF值以及SDNN值；

所述疲劳等级包括清醒状态或疲惫状态。

8.根据权利要求7所述的基于移动设备的行人状态实时分析方法，其特征在于，所述结合训练好的行人状态分析模型，分析获得行人的疲劳等级，其具体为：

根据行人的性别、年龄段所处的分类，获得对应的训练好的行人状态分析模型，进而分析获得行人的疲劳等级；

其中，行人的性别、年龄段通过行人输入的数据获得，或者通过以下步骤匹配获得：

采集行人的实时心率和运动速度后，输入到基于线性回归拟合获得的多个分类关系式中，进而获得行人对应的分类关系式后，对应获得行人的性别、年龄段；

所述多个分类关系式用于记录：按照性别、不同年龄段分类的多个不同分类的行人的运动速度与心率之间的线性关系。

9.根据权利要求8所述的基于移动设备的行人状态实时分析方法，其特征在于，所述多个分类关系式通过以下方式获得：

按照性别、不同年龄段，建立行人的运动速度与心率之间的多个线性回归关系式；

获取批量的覆盖了不同性别、不同年龄段的行人的历史心率信号和运动速度，对建立的多个线性回归关系式进行拟合，计算得到各关系式的参数取值后，获得多个分类关系式。

10.基于移动设备的行人状态实时分析系统，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-9任一项所述的基于移动设备的行人状态实时分析方法。