CN109087482A - 一种跌倒检测装置与方法 - Google Patents

Abstract

本发明公开了一种跌倒检测装置与方法，包括传感器、微控制器、报警器、定位通信模块和求助通讯模块，传感器测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值，所述的微控制器用于对加速度数据的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则向报警器发起报警信号；若报警信号被中断，则继续向传感器发送检测指令；若报警信号被中断一直没有被中断，则向定位通信模块发送定位通讯指令，同时向求助通讯模块发送求救指令；准确区分跌倒和类似跌倒的正常活动，并能发出及时救助信息，远程监控。

Description

一种跌倒检测装置与方法

技术领域

本发明涉及人体可穿戴式设备技术领域，特别涉及一种跌倒检测装置与方法。

背景技术

老年人群体在日常生活中最大的意外伤害及疾病困扰来源于跌倒，对于跌倒的预防、跌倒的检测与及时报警以及跌倒的防护成为近年来的研究热点。现有跌倒检测装置的装置繁重复杂，成本高昂，不便于随身携带，预报警不及时。

现有的跌倒检测一般使用加速度计来获取身体加速度数据，检测并判断跌倒与否，在判断跌倒的过程中较少考虑人体姿态的变化。

发明内容

为解决现有技术的问题，本发明提供了一种跌倒检测装置与方法，该装置涉及人体可穿戴式设备的功能开发，特别涉及老年人跌倒的姿态检测方法与报警装置，并辅助结合以心电监测、能量消耗与营养补充提示、步态识别、睡眠监测等多个功能为一体的系统设计。

为达到上述目的，本发明采用了以下技术方案：

一种跌倒检测装置，包括传感器、微控制器、报警器、定位通信模块和求助通讯模块，其中，所述传感器、微控制器、报警器、定位通信模块和求助通讯模块通过集成电路总线连接；

所述的传感器，用于测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值，将姿态值传输至微控制器；

所述的微控制器，与传感器连接得到姿态值；用于对加速度数据和陀螺仪数据所表示的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则向报警器发起报警信号；若报警信号被中断，则继续向传感器发送检测指令；若报警信号一直没有被中断，则向定位通信模块发送定位通讯指令，同时向求助通讯模块发送求救指令；

所述的报警器，用于接收微控制器发出的报警信号进行报警指令；报警器与用户手动关闭报警信号的人机交互界面连接；

所述的定位通信模块，用于接收微控制器发出的定位通讯指令，并将位置信息发送给求助通讯模块；

所述的求助通讯模块，用于接收微控制器发出的求救指令和定位通信模块发送的位置信息，并向移动端发送求助信息和位置信息。

作为本发明的进一步改进，所述的传感器，集成有陀螺仪、加速度传感器及DMP数字运动处理模块，DMP数字运动处理模块用于将传感器所采集的原始数据直接转化为姿态值输出。

作为本发明的进一步改进，所述的报警器为用于视频报警的LCD屏或者声音报警的蜂鸣器。

作为本发明的进一步改进，所述的定位通信模块包括室内和室外定位通讯模块，室外定位通讯模块为GPS定位模块，室外定位通讯模块为无线传感网络WiFi与惯性传感器。

作为本发明的进一步改进，所述的微控制器还包括用于构建SVM_KNN算法对采集到的样本进行训练与测试。

作为本发明的进一步改进，还包括动态心电监测模块，睡眠监测模块与微控制器电连接。

一种跌倒检测方法，包括以下步骤：

测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值；

采用自适应Relief算法对加速度数据的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过SVM_KNN算法对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则发起报警信号；若报警信号被中断，则继续实时检测；若报警信号一直没有被中断，则发送位置信息和求助信息。

优选地，在进行人体动作分类之前需要先进行特征提取，分别提取加速度信号的统计学特征和物理特征两大类，其中统计学特征包括时域特征、频域特征以及时频域特征，针对每一组输入数据均进行以上特征分析，获得时域特征频域特征时频域特征物理特征从而构成所需的单一特征向量其中i表示输入数据量；传感器数据分解为特征向量V_i后，按照特征对人体行为进行分类。

优选地，所述的SVM_KNN算法具体指：针对先由已知样本的特征值，构造好SVM分类器，对于待测样本数据，对其归一化，然后提取特征值，送入SVM分类器，采用SVM对训练集进行训练，得到一个包含最优超平面和支持向量集的弱二分类器，然后计算待测样本到最优超平面的距离；若该距离大于设定的间隔，直接采用SVM分类；否则，利用支持向量集作为有标签的训练集进行KNN算法分类。

优选地，SVM_KNN算法，具体步骤如下：

1)将现有的数据集S，分为训练集T_r和测试集T_e，针对训练集T_r先采用SVM进行训练，得到一个弱二分类器，以及2类样本的支持向量集分别为C₊和C_-；

2)从测试集T_r中任选一个样本x_i，计算：

f(x)＝α_iy_iK(x_i,x)+b

3)将f(x)与定的阈值ε相比较，如果|f(x)|＜ε，则说明样本离分类面很近，此时应采用KNN算法，转步骤4)，如果|f(x)|≥ε，则采用SVM算法，转步骤5)；

4)计算x_i与所有支持向量的距离；挑选出K个最小距离，并计它们所对应的支向量的类别，x_i的类别与较多数目的类别相同；其中，距离采用标准化欧离；

5)采用SVM算法计算F(x)＝sgn(f(x))，得出分类类别。

与现有技术相比，本发明具有以下优点：

本装置在借鉴已有技术的基础上，结合加速度数据和姿态数据来判断跌倒的发生，综合考虑跌倒时相应的姿态变化(横滚角、俯仰角)，以实现准确判断跌倒状态。利用ALIENTEK探索者STM32F4开发板进行以老年人跌倒检测为主的便携式系统装置的设计，可以完成跌倒的准确检测与报警。报警功能在老人跌倒后自动触发，系统检查到跌倒时会延迟等待用户确认是否发出求救短信，在延迟后如果当事人没有解除报警，系统就会通过GSM模块向监测中心(被绑定的亲人手机)发出求救信号，及时告知监护人相关的跌倒状态与位置，从而获得及时救助。对于跌倒轻伤情况，被监护人手动开启或关闭报警装置。使用多传感器融合手段来实现跌倒与否的姿态检测，准确区分跌倒和类似跌倒的正常活动，并能发出及时救助信息，远程监控。在满足性能要求(准确率、灵敏度、特异性)的前提下，尽可能降低误报率和漏报率，尽量精简可穿戴装置，真正实现便携实用的产品设计要求。

进一步，定位功能兼顾用户的室内活动场景和室外活动场景，能准确定位摔倒人员的位置，方便救援的实施。

进一步，睡眠监测、心电检测、能耗与营养补充提醒等辅助功能可以为老年人用户提供日常生活的监测与个人运动健康管理，必要时可作为老人在接受医疗救治时的诊断依据。

进一步，为了防止单一的加速度传感器数据会造成跌倒检测的误判，建立了利用加速度与人体姿态协同判断跌倒行为是否发生的判断机制。通过SVM和KNN算法结合，对人体行为的数据样本进行训练测试得到正确分类，能够大幅度提高跌倒检测的准确率。

本发明的检测方法结合加速度数据和姿态数据来判断跌倒的发生，组合多个传感器的测量结果能够更全面更有效地检测到跌倒信息，从而在高层次综合决策中做出有效的判断，可以完成跌倒的准确检测与报警。

附图说明

图1跌倒检测装置的硬件结构；

图2跌倒检测装置的可扩展性结构；

图3跌倒检测装置的整体软件流程；

图4加速度的特征向量提取框图；

图5 SVM_KNN原理示意图；

图6 SVM_KNN的分类算法流程；

图7多个坐标系的设置示意图，其中，(a)为地球坐标系O-X_eY_eZ_e和地理坐标系O-X_tY_tZ_t，(b)为人体坐标系，(c)姿态坐标系；

图8向前跌倒的加速度变化和姿态变化，其中，(a)分加速度，(b)合加速度，(c)横滚角，(d)俯仰角；

图9坐下的加速度变化和姿态变化；其中，(a)分加速度，(b)合加速度，(c)横滚角，(d)俯仰角；

图10蹲下的加速度变化和姿态变化；其中，(a)分加速度，(b)合加速度，(c)横滚角，(d)俯仰角；

图11慢跑的加速度变化和姿态变化；其中，(a)分加速度，(b)合加速度，(c)横滚角，(d)俯仰角。

具体实施方式

下面结合附图和实施对本发明做详细说明。

如图1所示，本发明提供了一种跌倒检测装置，包括传感器、微控制器、报警器、定位通信模块和求助通讯模块，其中，所述传感器、微控制器、报警器、定位通信模块和求助通讯模块通过集成电路总线连接；

所述的传感器，用于测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值，将姿态值传输至微控制器；

所述的微控制器，与传感器连接得到姿态值；用于对加速度数据的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则向报警器发起报警信号；若报警信号被中断，则继续向传感器发送检测指令；若报警信号被中断一直没有被中断，则向定位通信模块发送定位通讯指令，同时向求助通讯模块发送求救指令；

所述的报警器，用于接收微控制器发出的报警信号进行报警指令；报警器与用户手动关闭报警信号的人机交互界面连接；

所述的定位通信模块，用于接收微控制器发出的定位通讯指令，并将位置信息发送给求助通讯模块；

所述的求助通讯模块，用于接收微控制器发出的求救指令和定位通信模块发送的位置信息，并向移动端发送求助信息和位置信息。

人体跌倒检测装置的硬件由传感器(MPU6050)、微控制器(STM32F4)、存储单元SD卡和供电单元(+5V)等构成，系统的硬件结构如图1所示。其中传感器(MPU6050)内部整合了3轴陀螺仪和3轴加速度传感器，并且含有一个第二IIC接口，可用于连接外部磁力传感器，自带的可扩展数字运动处理器(DMP:Digital Motion Processor)能够向应用端输出完整的6/9轴融合演算数据。加速度计和陀螺仪分别用于测量人体运动时的加速度和角速度数据。结合实际数据的幅值特性，设置加速度传感器的满量程范围±2g，陀螺仪的满量程范围设置为±2000°/S。

如图1所示，微控制器分别连接传感器、报警器(LED/蜂鸣器)、交互界面(LCD屏)、通讯模块、GPS定位模块、数据存储模块(SD卡)、无线模块，通讯模块包括三种：无线数据网络模块(GSM模块)，无线WIFI网络模块和无线通讯模块，无线数据网络模块与移动端进行通讯，无线WIFI网络模块和WIFI数据连接(NRF24L01)，无线通讯模块与远程监控中心通讯。

传感器(MPU6050)与微控制器(STM32F4)的硬件连接关系为：SCL和SDA连接MCU的IIC接口，MCU通过这个IIC接口来控制传感器(MPU6050)，另外还有一个IIC接口：AUX_CL和AUX_DA，这个接口可用来连接外部设备如磁传感器，可组成一个九轴传感器。VLOGIC是IO口电压，该引脚最低可以到1.8V，我们选择接VDD。AD0接GND，所以传感器(MPU6050)的IIC地址是0X68。为提高装置的适用性，可以在此硬件结构基础上进行二次开发，该装置的扩展结构如图2所示。

本发明人体跌倒检测装置的原理为：核心微控制器是STM32，采集运动数据的传感器是MPU6050，分别采集x轴、y轴和z轴的加速度原始数据以及陀螺仪原始数据，同时控制外挂的各个模块，定时器控制多通道A/D转换并DMA输出，通过IIC接口发送给核心控制器，由微控制器进行计算处理，对于得到的原始数据还需一定的算法预处理，从而获得实际的加速度值，并同步输出DMP处理后的姿态值。由于在试验阶段，需要采集大量的传感器数据，考虑到跌倒检测器的可穿戴性，需要对数据实时保存，选择FAT(File Allocation Table)文件保存系统，利用SD卡对数据进行保存，在获取足够的数据后，取出SD卡，对保存的数据进行读取分析，也可以直接对获取的数据进行实时分析。

不同用户的行为活动有差异，因此针对不同性别、年龄、身高、体重的用户，该跌倒检测装置可以进行个性化设置，从而建立个人运动健康管理系统；

跌倒预警功能为跌倒保护装置(如气囊)的开启争取时间，也可用于严密防护跌倒环境中的远程端有效判断跌倒行为并及时采取合理措施，这为缩短救助时间具有重要意义。

报警功能在老人跌倒后自动触发，系统检查到跌倒时会延迟30s时间等待用户确认是否发出求救短信，在30s后如果当事人没有解除报警，系统就会通过GSM模块向监测中心(被绑定的亲人手机)发出求救信号，及时告知监护人相关的跌倒状态与位置，从而获得及时救助。对于跌倒轻伤情况，被监护人手动开启或关闭报警装置。

定位功能兼顾用户的室内活动场景和室外活动场景，能准确定位摔倒人员的位置，方便救援的实施。

步态识别功能则可用于身份认证，免除密码容易被忘记被破解的问题，也可以作为用户日常活动行为(久坐、步行、慢跑等)的采集与统计，为用户提供运动量建议以及提供相应的健身计划，通过适量运动，保证老年人的身体健康，从而有效地预防和控制疾病，这对于老年人来说大有裨益。

睡眠监测、心电检测、能耗与营养补充提醒等辅助功能可以为老年人用户提供日常生活的监测与管理，必要时可作为老人在接受医疗救治时的诊断依据。

为了防止单一的加速度传感器数据会造成跌倒检测的误判，建立了利用加速度与人体姿态协同判断跌倒行为是否发生的判断机制。通过SVM和KNN算法结合，对人体行为的数据样本进行训练测试得到正确分类，能够大幅度提高跌倒检测的准确率。

极大丰富了老年人可穿戴式设备的使用功能，能更好更全面的检测老人身体状况，用于潜伏性疾病的发现、诊断和治疗，并且可用于后期研制预警及相应救助的远程监控设备。

本发明以传感器的加速度数据的特征包括时域特征、频域特征以及时频域特征，如最小值、最大值、均值、方差、偏度系数、峰度系数、自相关序列、离散傅里叶变换的幅度值和频率等等，且X、Y、Z三个轴均有分布。为了减少分类训练集和测试集的计算复杂度和运行时间，需采用自适应Relief算法对这些运动特征进行评估筛选，保证有效区分跌倒行为和其他日常活动。通过SVM_KNN算法对采集到的样本进行训练与测试，如果检测到跌倒信号，则发出报警信号，用蜂鸣器和LED表示。若用户在30s内手动解除警报，则继续检测实时数据，若一直没有解除警报，则通过GPS模块定位用户位置，并向家属发送跌倒求救短信，以便用户得到及时救助。

本发明还提供了一种跌倒检测装置的检测方法，包括以下步骤：

测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值；

采用自适应Relief算法对加速度数据的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过SVM_KNN算法对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则发起报警信号；若报警信号被中断，则继续实时检测；若报警信号一直没有被中断，则发送位置信息和求助信息。

检测方法具体的流程如图3所示，包括以下步骤：

1、初始化时各芯片寄存器的参数设置

用微控制器(STM32F4)读取传感器(MPU6050)的加速度和角度传感器数据，初始化步骤及寄存器参数设置如下：

1)传感器MPU6050采用IIC与微控制器(STM32F4)通信，先初始化与传感器连接的SDA和SCL数据线。

2)复位：对电源管理寄存器1(0X6B)的bit7写1，使传感器(MPU6050)内部所有寄存器恢复默认值。复位后，电源管理寄存器1恢复默认值(0X40)，然后必须设置该寄存器为0X00，以唤醒传感器(MPU6050)，进入正常工作状态。

3)陀螺仪的4个满量程范围(FSR)：0，±250°/S；1，±500°/S；2，±1000°/S；3，±2000°/S；加速度传感器的4个满量程范围：0，±2g；1，±4g；2，±8g；3，±16g。通过陀螺仪配置寄存器(0X1B)设置陀螺仪的满量程范围为3(±2000dps)，通过加速度传感器配置寄存器(0X1C)设置加速度传感器的满量程范围为0(±2g)，对于16位分辨率的ADC，陀螺仪和加速度传感器的灵敏度分别为65536/4000＝16.4LSB/(°/S)和65536/4＝16384LSB/g。

4)通过采样率分频寄存器(0X19)设置陀螺仪采样率，计算公式为采样频率＝陀螺仪输出频率/(1+SMPLRT_DIV)，陀螺仪的输出频率是1kH，即加速度及角速度数据的采样频率为1kHz，通过STM32控制器读出加速度数据和角速度数据，然后进行姿态融合解算，以求出传感器当前的姿态(即偏航角、横滚角、俯仰角)。采样率一般设置为50Hz，那么SMPLRT_DIV＝1000/50-1＝19。数字低通滤波器(DLPF)则通过配置寄存器(0X1A)设置DLPF_CFG[2:0]，加速度计和陀螺仪都是根据这三个位的配置进行过滤的。加速度传感器输出速率固定是1kHz，而角速度传感器的输出速率则根据DLPF_CFG的配置有所不同。一般设置角速度传感器的带宽为其采样率的一半，如果采样率为50Hz，通常设置DLPF为带宽的1/2，即25Hz。

2、传感器数据采集及预处理

微控制器将采样率设置为50Hz，定时器定时20ms，在定时器中断里触发传感器数据的A/D单次转换，为了进一步节省CPU资源，AD转换完成后直接利用DMA传输给内存单元，跌倒检测算法直接操作内存单元进行判断。由于传感器的输出一般都是微弱的电压信号，所以对输出信号进行抗干扰处理是很有必要的，信号预处理效果的好坏决定整个系统的鲁棒性，因此在软件上对传感器获取的加速度信号进行滑窗积分处理，对姿态信号进行巴特沃斯低通滤波，通过姿态解算得到姿态角，可以保存于SD卡中用于之后的运算，也可以直接用于算法的分析数据。

3、跌倒检测算法设计

3.1特征提取

为了避免空间维度过高和特征单一化的问题，在进行人体动作分类之前需要先确定判断特征，分别提取加速度信号的统计学特征和物理特征两大类，其中统计学特征包括均值、中值、标准差、均方根、偏斜度、峰态等时域特征，还有傅里叶变换、谱熵、三阶自回归滤波器等频域特征，以及小波系数等时频域特征，物理特征则包含了运动强度(MI)、重力方向平均速度(AVG)、运动方向与重力方向关系(CAGH)、主导频率(DF)、平均加速度能量(AAE)等。特征越多，能够保证获取的信息越多，针对每一组输入数据均进行以上特征分析，获得时域特征频域特征时频域特征物理特征从而构成所需的单一特征向量其中i表示输入数据量。传感器数据分解为特征向量V_i后，就可以按照特征对人体行为进行分类，跌倒行为较其他日常行为活动来说差别明显，很容易区分并检测出来，如图4所示。

3.2特征筛选

为获得较好的分类性能，在保证能保留最明显最充分特征的前提下要求特征向量的维度尽可能小，因此需要对以上特征进行评估筛选，对于多个运动特征的评估采用的是自适应Relief算法，筛选得到特征排序如下：谱熵、CAGH、中值、均值、AVG、X轴小波变换、DF、均方根、标准差，可以看出谱熵最具分辨力，可用来对日常行为活动做细分类。以上九个评估后的特征可以全部用来作为判断特征，也可取其前几项作为判断特征，均能对跌倒信息进行有效分类。

3.3分类算法

分类算法有支持向量机(SVM)、多层感知器(MLP)、K近邻算法(KNN)、决策树(DT)以及随机森林(RF)等算法，通过对SVM的错分样本的分布进行分析发现，SVM分类器出错的样本都在分类超平面附近，因而将SVM和KNN分类器结合，将SVM看成每类只有一个代表点的1NN分类器。由于SVM对每类支持向量只取一个代表点，有时该代表点不能很好地代表该类，这时将其与KNN结合，是因为KNN是将每类所有支持向量作为代表点，从而使分类器具有更高的分类准确率。

3.4原理概述

本系统首先由已知的特征值，构造好SVM分类器，对于待测数据，首先对其归一化，然后提取特征值，送入SVM分类器，采用SVM对训练集进行训练，得到一个弱二分类器(包含最优超平面和支持向量集)，然后计算待测样本到最优超平面的距离。若该距离大于设定的间隔，直接采用SVM分类；否则，利用支持向量集作为有标签的训练集进行K近邻分类(KNN)。考虑到特征值的多维性，用标准化欧氏距离替代传统的欧氏距离。

SVM的基本思想是通过非线性变换将输入空间变换到一个高维空间，使样本线性可分，然后在线性可分的情况下求取最优超平面，而这种非线性变换是通过定义适当的核函数实现的，本系统选用核函数为RBF函数，最优超平面要求分类面不仅能将2类样本正确分开，而且要使分类间隔最大，在样本空间中，超平面可通过如下线性方程来描述：

ω^Tx+b＝0 (1)

其中x为样本空间中任意点，ω＝(ω₁,ω₂,…ω_d)为法向量，决定超平面的方向；b为位移项，决定了超平面与原点之间的距离。超平面可以由ω和b确定，将其记为(ω，b)。样本空间中任意点x到超平面的距离为：

r＝|ω^Tx+b|/||ω| (2)

训练样本集D＝|(x₁，y₁),(x₂，y₂)，…，(x_m，y_m)|，y_i∈{-1,1}。若超平面能够将样本正确分类，即对于(x_i,y_i)∈D，则有：

ω^Tx_i+b≥1，y_i＝1 (3)

ω^Tx_i+b≤-1，y_i＝-1 (4)

根据以上定义，最优超平面必须满足：

y_i(ωx_i+b)≥1 (5)

其中若x_i满足|ωx_i+b|＝1，那么x_i为支持向量。分类间隔为：

γ＝2/||ω| (6)

最优超平面满足分类间隔γ最大，则需要||ω||最小。综上目标函数为：

s.t.y_i(ωx_i+b)≥1，i＝1,2,3.....m (8)

若训练样本是非线性的，则需要引入非负松弛变量ξ_i(i＝1,2,…m)和惩罚参数C。则其目标函数为：

s.t.y_i(ωx_i+b)≥1-ξ_i，i＝1,2,3.....m (10)

使用拉格朗日乘子法，对式(9)和式(10)的每条约束添加拉格朗日乘子α_i≥0则可写为：

其中α＝(α₁,α₂,…,α_m)。令L(ω,b,α)对ω和b的偏导为0，则可得：

针对二分类问题，可以将SVM中正负2类支持向量构造成2个代表点。是x_i的非线性映射函数。

由式(12)得对应于y_i＝1的支持向量的代表点为：

对于y_i＝-1的支持向量的代表点为：

记为K(x_i，x)。SVM分类超平面的最优解就是由和这2个代表点构成的式子，即：

对于1NN分类器：

由上式可知，SVM分类器就可以等价于1NN分类器。SVM_KNN算法可通过图5说明。假设样本点与最优分类面的距离为d，根据d与给定的距离阈值ε的大小关系，将样本集分为3个区域。位于区域I和II中的样本，由于它们与最优分类面的距离大于阈值ε，所以不发生错误分类。然而位于区域III中的样本，由于它们与最优分类面的距离小于阈值ε，因此在这个区域内容易发生错误分类。在这个区域内使用SVM分类，就等同于从每一个类别中只选取一个支持向量作为这个分类类别的代表点(如图5中标A的样本)，然后使用KNN算法(K取值1)来计算样本点与支持向量之间的距离(如图5中d1和d2)，最后选择距离最小的代表点所对应的类别。但是由于每一个类别只有一个支持向量作为代表点，因此在区域III内，样本点到代表点之间的距离没有明显区别，所以会导致分类错误。由以上可知，对于区域III中的样本点选择所有的支持向量(图5中标阴影和A的样本)作为训练样本集，然后使用KNN算法对样本点进行分类。

3.5算法详细说明

SVM_KNN算法如图6所示，具体步骤如下：

1)将现有的数据集S，分为训练集T_r和测试集T_e，针对训练集T_r先采用SVM进行训练，得到一个弱二分类器，以及2类样本的支持向量集分别为C₊和C_-。

2)从测试集T_r中任选一个样本x_i，计算：

f(x)＝α_iy_iK(x_i,x)+b (19)

3)将f(x)与定的阈值ε(0＜ε≤1)相比较，如果|f(x)|＜ε，则说明样本离分类面很近，此时应采用KNN算法，转步骤4，如果|f(x)|≥ε，则采用SVM算法，转步骤5。

4)计算x_i与所有支持向量(属于C₊或C_-)的距离。挑选出K个最小距离，并计它们所对应的支向量的类别，x_i的类别与较多数目的类别相同。

5)SVM算法，计算F(x)＝sgn(f(x))，得出分类类别。

需要强调的是，步骤4中计算待测样本与支持向量的距离，不是采用传统的欧式距离。由于跌倒的特征向量有很多维，各维分量的分布不一样，所以这个距离采用标准化欧离。假设样本集X的均值为m，标准差为s，则X的“标准化变量”表示为：

2个n维向量α(x₁₁,x₁₂,…x_1n)与b(x₂₁,x₂₂,…x_2n)间的标准化欧式距离为：

4跌倒数据采集

邀请N名男/女志愿者，将此款跌倒检测装置佩戴于腰部，模拟老年人的日常行为活动与跌倒活动，通过采集获取可供研究和分析的数据。日常行为活动包括快走、慢走、慢跑、坐下、蹲下以及上下楼梯等，跌倒行为包括向前跌倒、向后跌倒以及侧向跌倒。每组活动测试10次，共获得70N条日常行为数据和40N条跌倒数据，其中坐下和蹲下为类跌倒行为。

5、实验与分析过程

人体自身运动状态发生变化会导致人体受力情况的变化，而受力情况的变化可以由加速度变化来反映，因此以合加速度作为特征量，以人体向左的方向为X轴，向上为Y轴，前进方向为Z轴，具体如图7所示。则合加速度为其中a_x，a_y，a_z分别为X轴、Y轴、Z轴上的加速度分量。

根据采集的跌倒数据图像，在落地前，合加速度会因为身体失重而快速减小，当跌倒触地的时候，合加速度会迅速增大，如图8所示，而其他情况下，则不会出现这样的情况。而姿态值则表征了跌倒方向，若俯仰角pitch的值为正，表示跌倒过程中身体前倾，跌倒后人体俯趴于地；若俯仰角pitch的值为负，表示跌倒过程中身体后仰，跌倒后人体仰躺于地；若横滚角roll的值为正，表示跌倒过程中身体发生了右转，跌倒后人体侧向蜷卧于地，左侧身体接触地面；若横滚角roll的值为负，表示跌倒过程中身体发生了左转，跌倒后人体侧向蜷卧于地，右侧身体接触地面。

6评价指标

将跌倒行为表示为阳性(positive)，正常行为表示为阴性(negative)，则状态与决策的可能关系包括真阳性(TP)、假阳性(FP)、假阴性(FN)、真阴性(TN)。统计学中常用灵敏度S_n和特异度S_p来衡量算法性能。对于老人跌倒检测算法，综合采用准确率A_r(accuracyrate)、灵敏度(sensitivity)、特异度(specification)、误报率F_a(false alarm)、漏报率M_d(missed detection)来反映算法的优劣。

因此，本发明跌倒的姿态检测的技术手段主要包括：

身体姿态检测：采用六轴传感器(MPU6050)采集数据，因其集成了三轴加速度计与三轴陀螺仪，且内部集成有数字运动处理器(DMP)，传感器所采集的原始数据可以直接转化为姿态值输出。我们使用STM32F4系列核心板对数据进行处理，可以通过多次实验获取跌倒检测的加速度阈值和姿态值变化，也可以采用机器学习方法训练数据样本，建立相应模型后进行测试，从而正确区分人体日常活动与跌倒型活动，跌倒发生时能够触发单片机中断处理，通常这类判断方法比传统的阈值方法更可靠。

报警机制：考虑到某些特殊的跌倒情况及使用者的实际情况，配置可选择的报警机制，使用者可根据自己的身体状况选择是否进行报警，当使用者已无法控制自己行为时，跌倒检测装置应能够保证自动实施报警。

空间定位：跌倒情况可能发生在室内，也可能发生在户外，GPS或者北斗卫星在室外的定位精度高，但对于室内物体的定位精度不高，对于室内则可以采用无线传感网络WiFi与惯性传感器融合的方式分别获取相对位置和绝对位置。在跌倒检测装置发出跌倒报警时，应能够为报警信息的接受方提供报警地点的空间位置信息，保证有效救助及时到达。

无线通讯：不因佩戴跌倒检测装置影响使用者的出行或其他户外活动，当发生跌倒意外时，跌倒检测装置能够将报警和定位信息通过无线方式传输到相关人员处。

算法：支持向量机(Support Vector Machine，SVM)与他分类方法相比具有较高的分类精度，但由于分类超平面附近的样本具有交叉性和高重叠性，所以SVM在分类超平面附近分类精度不高。而K最近邻(K-nearest-neighbor classifier,KNN)是选择离待测样本最近的K个代表点，采用少数服从多数的原则进行判断，从而解决了样本集的重叠性问题。所以采用SVM和KNN相结合的方法，先进行SVM分类，对于在分类超平面附近出错的样本，使用KNN分类器，因此这个跌倒检测装置可以具有更高的分类准确率。

和现有技术相比，本发明具有以下的优点：

1)结合加速度数据和姿态数据来判断跌倒的发生。单独利用加速度传感器数据不能有效区分跌倒行为和类跌倒行为，在一定情况下会造成误判，组合多个传感器的测量结果能够更全面更有效地检测到跌倒信息，从而在高层次综合决策中做出有效的判断。

2)传统方法采用阈值法判断虽然实现简单，但是准确率低，因而提高跌倒检测装置的准确率成为跌倒检测装置设计的迫切需求。

3)尽可能开发微型系统的应用，在一个微型系统中实现多个功能的检测与监控算法，也便于改进老年人穿戴式监护系统的功能单一化问题。

使用多传感器融合手段来实现跌倒与否的姿态检测，准确区分跌倒和类似跌倒的正常活动，并能发出及时救助信息，远程监控。在满足性能要求(准确率、灵敏度、特异性)的前提下，尽可能降低误报率和漏报率，尽量精简可穿戴装置，真正实现便携实用的产品设计要求。

尽管以上结合附图对本发明的具体实施方案进行了描述，但本发明并不局限于上述的具体实施方案，上述的具体实施方案仅仅是示意性的、指导性的、而不是限制性的。本领域的普通技术人员在本说明书的启示下，在不脱离本发明的权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (10)

1.一种跌倒检测装置，其特征在于，包括传感器、微控制器、报警器、定位通信模块和求助通讯模块，其中，所述传感器、微控制器、报警器、定位通信模块和求助通讯模块通过集成电路总线连接；

所述的传感器，用于测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值，将姿态值传输至微控制器；

所述的微控制器，与传感器连接得到姿态值；用于对加速度数据和陀螺仪数据所表示的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则向报警器发起报警信号；若报警信号被中断，则继续向传感器发送检测指令；若报警信号一直没有被中断，则向定位通信模块发送定位通讯指令，同时向求助通讯模块发送求救指令；

所述的报警器，用于接收微控制器发出的报警信号进行报警指令；报警器与用户手动关闭报警信号的人机交互界面连接；

所述的定位通信模块，用于接收微控制器发出的定位通讯指令，并将位置信息发送给求助通讯模块；

所述的求助通讯模块，用于接收微控制器发出的求救指令和定位通信模块发送的位置信息，并向移动端发送求助信息和位置信息。

2.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的传感器，集成有陀螺仪、加速度传感器及DMP数字运动处理模块，DMP数字运动处理模块用于将传感器所采集的原始数据直接转化为姿态值输出。

3.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的报警器为用于视频报警的LCD屏或者声音报警的蜂鸣器。

4.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的定位通信模块包括室内和室外定位通讯模块，室外定位通讯模块为GPS定位模块，室外定位通讯模块为无线传感网络WiFi与惯性传感器。

5.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的微控制器还包括用于构建SVM_KNN算法对采集到的样本进行训练与测试。

6.根据权利要求1所述的一种跌倒检测装置，其特征在于，还包括动态心电监测模块，睡眠监测模块与微控制器电连接。

7.一种跌倒检测方法，其特征在于，包括以下步骤：

测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值；

采用自适应Relief算法对加速度数据的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过SVM_KNN算法对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则发起报警信号；若报警信号被中断，则继续实时检测；若报警信号一直没有被中断，则发送位置信息和求助信息。

8.根据权利要求1所述的一种跌倒检测方法，其特征在于，在进行人体动作分类之前需要先进行特征提取，分别提取加速度信号的统计学特征和物理特征两大类，其中统计学特征包括时域特征、频域特征以及时频域特征，针对每一组输入数据均进行以上特征分析，获得时域特征频域特征时频域特征物理特征从而构成所需的单一特征向量其中i表示输入数据量；传感器数据分解为特征向量V_i后，按照特征对人体行为进行分类。

9.根据权利要求1所述的一种跌倒检测方法，其特征在于，所述的SVM_KNN算法具体指：针对先由已知样本的特征值，构造好SVM分类器，对于待测样本数据，对其归一化，然后提取特征值，送入SVM分类器，采用SVM对训练集进行训练，得到一个包含最优超平面和支持向量集的弱二分类器，然后计算待测样本到最优超平面的距离；若该距离大于设定的间隔，直接采用SVM分类；否则，利用支持向量集作为有标签的训练集进行KNN算法分类。

10.根据权利要求9所述的一种跌倒检测方法，其特征在于，SVM_KNN算法，具体步骤如下：

1)将现有的数据集S，分为训练集T_r和测试集T_e，针对训练集T_r先采用SVM进行训练，得到一个弱二分类器，以及2类样本的支持向量集分别为C₊和C_-；

2)从测试集T_r中任选一个样本x_i，计算：

f(x)＝α_iy_iK(x_i,x)+b

3)将f(x)与定的阈值ε相比较，如果|f(x)|＜ε，则说明样本离分类面很近，此时应采用KNN算法，转步骤4)，如果|f(x)|≥ε，则采用SVM算法，转步骤5)；

4)计算x_i与所有支持向量的距离；挑选出K个最小距离，并计它们所对应的支向量的类别，x_i的类别与较多数目的类别相同；其中，距离采用标准化欧离；

5)采用SVM算法计算F(x)＝sgn(f(x))，得出分类类别。