CN109171738A - 基于人体加速度多特征融合和knn的跌倒检测方法 - Google Patents

Abstract

本发明公开了一种基于人体加速度多特征融合和KNN的跌倒检测方法。本发明通过两个加速度传感器采集人体动作信息，提取的人体加速度的特征参数，通过主成分分析的数据压缩方法将特征集从162维降到12维。通过改进的KNN机器学习算法，即通过聚类方法在跌倒和非跌倒两类中各搜索到样本点，构成训练样本簇，根据样本模糊熵计算加权欧氏距离找出最临近的K个近邻点，将待分类动作归为这K个近邻中的多数所属的类别。本发明针对日常生活频度最高的动作作为实验，所提的基于人体加速度多特征融合和KNN的跌倒检测算法，灵敏度达到100％，可以快速有效的检测跌倒，同时也有很高的特异度，不会把日常行为动作误判为跌倒。

Description

基于人体加速度多特征融合和KNN的跌倒检测方法

技术领域

本发明属于人体姿态识别和跌倒检测领域，涉及一种基于人体加速度信号的跌倒检测方法，实例对跌倒和非跌倒的人体动作进行辨识检测。

背景技术

根据我国第六次全国人口普查，总人口13.7亿，其中65岁以上老人1.19亿，占总人口8.87％，成为世界老年人数量最多的国家。随着人口老龄化不断加剧，动态监测老年人的活动状态已成为多学科研究的一个突出领域。根据美国疾病控制和预防中心，在65岁及以上的老年人中近30％的人经常发生意外跌倒。世界卫生组织定义跌倒为突发、不自主的、非故意的体位改变，倒在地上或更低的平面上。跌倒会对我们的心理和身体产生负面的影响，会导致严重的伤害，例如臀部骨折，头部创伤，甚至增加老年人的死亡率。有过跌倒经历的老年人因害怕发生跌倒，而不愿意外出走动，变得不活泼与社会隔离。活动量的减少导致了跌倒的风险日益增加。除此之外，老年人因跌倒造成的伤害花费了家庭的大部分收入和社会医疗资源，加剧了社会的负担。因此，研究和开发一种关于老年人和其他病人的自动跌到检测系统已经被广泛研究。

跌倒检测主要通过视频分析、环境感知和穿戴式传感器进行跌倒辨识。视频分析系统在固定区域安装摄像头，通过计算机视觉分析系统来判定人体姿态。这种方法不需要穿戴任何设备，但是它容易受光线和噪声干扰检测精度低，算法难度大。环境感知跌系统将红外传感器和声传感器等放在环境中用于跌倒检测。这种检测方法具有价格低，检测方便的优点。然而，这种检测系统严重受环境限制。近年来许多学者提出来可穿戴式传感器的检测方法。它的优点是价格低廉，不受环境限制。多数的研究者用单一加速度计，将X、Y、Z三轴的加速度值，信号幅度向量，信号幅度域，角加速度等参数作为特征进行跌倒辨识研究。

阈值和机器学习是两种常用的跌倒检测方法。阈值法通过传感器输出的特定参数值来进行跌倒辨识。基于阈值的跌倒检测方法有较高的灵敏度；但它的特异性较低。基于阈值的跌倒检测方法容易实现，计算效率高，但它对不同个体的容错能力差，跌倒检测精度低。对于机器学习的跌倒检测算法，多种类型的跌倒和日常活动(Activities of Dailylife,ADL)通过机器学习算法进行训练，然后通过对一系列活动的分类结果来评估机器学习算法的分类效率。常用的机器学习算法包括K近邻(K-nearest neighbor,KNN)，支出向量机(Support Vector Machine,SVM)、高斯聚类分布、决策树、和隐马尔科夫模型等。

发明内容

本发明针对现有技术的不足，提出了一种基于人体加速度多特征融合和KNN的跌倒检测方法。通过两个加速度传感器采集人体动作信息，提取的人体加速度的特征参数包括最小值、最大值、均值、方差、偏度系数、峰度系数、自相关序列的前11个值和离散傅里叶变换(DFT)的前五个峰值及相对应的频率值，通过主成分分析的数据压缩方法将特征集从162维降到12维。通过改进的KNN机器学习算法，即通过聚类方法在跌倒和非跌倒两类中各搜索到样本点，构成训练样本簇，根据样本模糊熵计算加权欧氏距离找出最临近的K个近邻点，将待分类动作归为这K个近邻中的多数所属的类别。

为了实现以上目的，本发明方法主要包括以下步骤：

基于人体加速度多特征融合和KNN的跌倒检测方法，其特征在于：该方法包括如下步骤：

步骤1.用两个无线三轴加速度传感器单元，设置采样频率为50Hz，将两个传感器分别固定在人体胸部和腰部，采集人体加速度信号。腰部加速计输出的总的加速度信号计算公式如式其中A_x，A_y，A_z分别是x、y、z轴的加速度信号。首先获取腰部传感器A_w峰值对应时刻，然后记录该时刻前后两秒区间内的信号(50Hz×2s＝100采样点)，即信号时间窗口长度为201个采样点，忽略其它时刻的信号。胸部的传感器记录同样时刻的信号。每次数据由201×6矩阵构成，每列数据由N×1向量s＝[s₁,s₂,…,s_N]^T，N＝201构成。

步骤2.提取步骤1获取的加速度信号特征参数，特征参数包括最小值、最大值、均值、方差、偏度系数、峰度系数、自相关序列的前11个值和离散傅里叶变换(DFT)的前五个峰值及相对应的频率值。每个传感器单元获取81维特征向量，两个传感器共获取162维特征向量。

步骤3.通过主成分分析(PCA)的数据降维方法将特征向量从162维降到12维。原始特征向量减少的维数由原始特征向量的协方差矩阵对应的特征值决定，这些特征值按递减的顺序排列，根据特征保存率90％以上的原则,将特征向量从162维降到12维。

将步骤4.将步骤4所获得的12维特征向量输入改进的KNN分类器进行跌倒和日常动作进行识别检测；

所述的改进的KNN分类器设计如下：

1)通过聚类方法在跌倒和非跌倒两类中各搜索到N个样本点，构成训练样本簇；

2)根据训练样本簇计算各个样本点的样本相似度式中，x_i为第i个样本点的12维特征向量，l＝1为跌倒类和l＝2为非跌倒类，d_l为该类的中心向量，N_l为该类的样本点总数。

3)计算每个样本点模糊熵计算每个样本点权重

4)根据加权欧氏距离d_i＝W_i||y-x_i||的找出最临近的K个近邻点，将待分类动作y归为这K个近邻中的多数所属的类别。

本发明具有如下特点：

人体下肢日常运动非常复杂，本发明针对日常生活频度最高的动作作为实验，所提的基于人体加速度多特征融合和KNN的跌倒检测算法，灵敏度达到100％，可以快速有效的检测跌倒，同时也有很高的特异度，不会把日常行为动作误判为跌倒。该方法的应用可以实现跌倒后的及时就医、提高安全性、独立性，提高那些经常发生跌倒的高危人群的生活质量，有助于降低医疗保健成本。该方法可以很容易的嵌入到便携可穿戴设备，应用于老年人和体弱者的。

附图说明

图1为本发明的实施流程图；

图2为加速度传感器及佩戴位置；

图3为经PCA降维前后的特征值序列。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

如图1所示，本实施例包括如下步骤：

步骤一，用两个三轴加速度传感器单元，对应的量程为±6g，传感器的尺寸为49mm×38mm×19mm。根据人体实际运动的频率设置采样频率为50Hz，捕获并记录x、y、z三轴的原始运动数据。数据采集设备通过蓝牙将数据传输到上位机软件，上位机软件记录并保存原始运动数据。

实施例对象为三个身体健康的男性(24±3岁，65±5kg，170±5cm)和三个身体健康的女性(22±2岁，48±3kg，162±3cm)。在实验室环境中进行跌倒实验。通过绷带将两个无线传感器单元固定在实验者胸部和腰部，如图2。无线数据采集设备允许实验者更加自然的做相应的动作。跌倒检测实施例由13个跌倒动作和11个日常活动动作组成，如表1所述。六个实验者每个动作重复10次。因此数据集由780个跌倒动作(13个跌倒动作×6个实验者×10)和660个日常动作(ADLs)(11动作×6实验者×10)构成。

表1跌倒和日常行为动作(ADLs)

步骤二.提取加速度信号特征参数，特征参数包括最小值、最大值、均值、方差、偏度系数、峰度系数、自相关序列的前11个值和离散傅里叶变换(DFT)的前五个峰值及相对应的频率值。

从1440(24个动作×6实验者×10)次实验数据中提取特征。前六个特征是每个传感器每轴的最小值、最大值、均值、方差、偏度系数和峰度系数。由于每个传感器单元有三轴加速度信号，因此有18个特征参数(3轴×6个参数)。自相关函数产生33个(3轴×11个参数)特征参数，离散傅里叶变换(DFT)产生5个频率值和5个幅度值，即30个(3轴×10个参数)特征参数。因此每个传感器单元产生了81个(18+33+30)特征参数，每次实验总共产生了162维的特征参数向量。

步骤三.通过主成分分析(PCA)的数据降维方法将特征向量从162维降到12维；

如图3所示，由于原始的特征参数集比较大，其中的一些特征参数对区分跌倒与日常活动(ADLs)作用非常微弱，为了减少分类训练集和测试集的计算复杂度和运行时间，通过主成分分析(Principle Component Analysis，PCA)的数据降维方法将特征向量从162维降到12维。主成分分析(PCA)是一种掌握事物主要矛盾的统计方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题，将高维数据投影到较低维空间。所提取的主成分是原始数据特征的最佳线性组合，也就是代表了原始特征序列中方差最大的那些数据，不用分别考虑类内和类间方差。原始特征向量减少的维数由原始特征向量的协方差矩阵对应的特征值决定，这些特征值按递减的顺序排列如图3所示。经PCA投影后的特征值对应的主成分累计方差占总方差的98.34％，是数据集的主要成分元素，对应的特征向量构成转移矩阵，将原始特征由162维降到12维，如图3。

步骤四.将步骤4所获得的12维特征向量输入改进的KNN分类器进行跌倒和日常动作进行识别检测。

一个可靠的跌倒检测系统需要精心设计，快速、高效、鲁棒性强的跌倒检测算法。它的性能可以通过以下标准来衡量：灵敏度(Sensitive，Se)反映系统跌倒检测能力，计算公式如式1。

特异性(Specificity，Sp)是指当跌倒发生时系统的跌倒检测能力，计算公式如式2。

准确度(Accuracy，Acc)是指系统正确区分跌倒和非跌倒的能力，计算公式如式3。

对应于正确的跌倒判别次数占总跌倒次数的百分比，其中TP(跌倒发生，该算法检测到它)，TN(未发生跌倒，该算法没有检测到跌倒)，FP(跌倒未发生，但是该算法检测到跌倒)，FN(跌打发生，但是该算法未检测到跌倒)分别是被算法预测为正的正样本的数量、负的负样本的数量、正的负样本的数量和负的正样本的数量。显然，灵敏度和特异性是一对相互制约的关系。例如，基于阈值的跌倒检测算法，当阈值降低时，FN的比率下降，算法的灵敏度增加，但是FP比率增加，算法的特异性降低。当阈值增加，灵敏度下降，特异性增加。本发明通过K最近邻算法来区分跌倒与日常活动，本实施例通过灵敏度、特异性、准确度、计算复杂度四个方面综合分析比较算法性能。在本次实施例中，基于我们的数据集，通过实验分析，K的最佳取值为5。最后输入本发明所提的改进的KNN分类器进行识别，并与SVM分类器进行比较，结果如表2。由表2可知K-NN有最好的分类精确度和最快的计算时间，灵敏度100％，特异度99.79％，计算时间216ms。连续六次分类识别结果的平均精确度和标准差如表3。通过表3可以发现连续6次实验的分类识别结果比较类似，这说明所提算法有较好的重复性、鲁棒性。

表2分类结果(P：FALL，N：ADLs)

表3连续十次实验分类结果(AVG：均值，STD标准差)

(a)K-NN

(b)SVM

Claims (3)

1.基于人体加速度多特征融合和KNN的跌倒检测方法，其特征在于，该方法包括如下步骤：

步骤1、获取人体加速度信号；

步骤2、提取步骤1获取的加速度信号特征参数，特征参数包括信号最小值、最大值、均值、方差、偏度系数、峰度系数、自相关序列的前11个值和离散傅里叶变换DFT的前五个峰值及相对应的频率值；每个传感器单元获取81维特征向量，两个传感器共获取162维特征向量；

步骤3、通过主成分分析PCA的数据降维方法将特征向量从162维降到12维；

步骤4、将步骤3所获得的12维特征向量输入改进的KNN分类器进行跌倒和日常动作进行识别检测；

所述的改进的KNN分类器设计如下：

1)通过聚类方法在跌倒和非跌倒两类中各搜索到N个样本点，构成训练样本簇；

2)根据训练样本簇计算各个样本点的样本相似度i＝1,2,...N_l,l＝1,2.式中，x_i为第i个样本点的12维特征向量，l＝1为跌倒类和l＝2为非跌倒类，d_l为该类的中心向量，N_l为跌倒类或非跌倒类的样本点总数；

3)计算每个样本点模糊熵计算每个样本点权重

4)根据加权欧氏距离d_i＝W_i||y-x_i||找出最临近的K个近邻点，将待分类动作y归为这K个近邻中的多数所属的类别。

2.根据权利要求1所述的基于人体加速度多特征融合和KNN的跌倒检测方法，其特征在于，步骤1的具体过程如下：

用两个无线三轴加速度传感器单元，设置采样频率为50Hz，将两个加速度传感器分别固定在人体胸部和腰部，采集人体加速度信号；腰部加速传感器输出的总的加速度信号计算公式如式其中A_x，A_y，A_z分别是x、y、z轴的加速度信号；首先获取腰部传感器A_w峰值对应时刻，然后记录该时刻前后两秒区间内的信号，50Hz×2s＝100采样点，即信号时间窗口长度为201个采样点，忽略其它时刻的信号；胸部的传感器记录同样时刻的信号；每次数据由201×6矩阵构成，每列数据由N×1向量s＝[s₁,s₂,…,s_N]^T，N＝201构成。

3.根据权利要求1所述的基于人体加速度多特征融合和KNN的跌倒检测方法，其特征在于：步骤3的具体过程如下：从步骤(2)获取的162维加速度特征向量维，采用主成分分析方法，原始特征向量减少的维数由原始特征向量的协方差矩阵对应的特征值决定，这些特征值按递减的顺序排列，根据特征保存率90％以上的原则,将特征向量从162维降到12维。