CN109805936B - 基于地面振动信号的人体摔倒检测系统 - Google Patents

基于地面振动信号的人体摔倒检测系统 Download PDF

Info

Publication number
CN109805936B
CN109805936B CN201910047656.1A CN201910047656A CN109805936B CN 109805936 B CN109805936 B CN 109805936B CN 201910047656 A CN201910047656 A CN 201910047656A CN 109805936 B CN109805936 B CN 109805936B
Authority
CN
China
Prior art keywords
signal
signals
effective vibration
vibration signal
fall
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.)
Active
Application number
CN201910047656.1A
Other languages
English (en)
Other versions
CN109805936A (zh
Inventor
伍楷舜
陈文强
王璐
陈鸿杰
黄彦道
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201910047656.1A priority Critical patent/CN109805936B/zh
Priority to BE20195278A priority patent/BE1026660B1/fr
Priority to FR1904612A priority patent/FR3091923B1/fr
Publication of CN109805936A publication Critical patent/CN109805936A/zh
Application granted granted Critical
Publication of CN109805936B publication Critical patent/CN109805936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Social Psychology (AREA)
  • Data Mining & Analysis (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及基于地面振动信号的人体摔倒检测方法，三个地震检波器采集地面振动信号；对采集的振动信号进行滤波降噪、端点切段处理、对齐处理；然后对信号进行叠加、信号特征提取；将提取到的特征信号组成训练集用于训练隐马尔可夫模型；以实际使用时的地面振动信号作为测试数据，以处理训练数据的方法处理测试数据；基于隐马尔可夫模型计算摔倒的概率，并结合EoA定位算法对短暂时间段内进行坐标跟踪，若目标移动范围小于阈值，则二次确认为摔倒，否则不为摔倒。还涉及人体摔倒检测系统。本发明通过隐马尔可夫模型计算振动信号为摔倒的概率再结合定位算法EoA进行二次确认，对摔倒的识别准确且误报率低，不需穿戴设备，保护隐私隐患，提升了用户体验。

Description

基于地面振动信号的人体摔倒检测系统
技术领域
本发明涉及信息处理技术与智能感知领域，尤其涉及基于地面振动信号的人体摔倒检测方法及系统。
背景技术
全球范围的人口老龄化趋势无可逆转，据联合国统计，截止2017年，全球60岁以上的人口超过9.6亿人，并预计在2050年，这个数字将会翻倍，达21亿人。对于老人来说，摔倒是他们每天都要面临的威胁健康的事件。根据世界卫生组织统计，有三分之一的65岁以上的老年人每年至少摔倒一次。而且有60％的摔倒事件发生在家中。因此，我们迫切需要发明一种方便、有效且能自动检测老年人摔倒的方法及系统。现有的摔倒检测方法主要是有基于视觉的、基于可穿戴设备的和基于无线信号的。基于视觉的检测方法可以有效地检测摔倒事件，但存在较大隐私问题，针对地面湿滑、摔倒事件高发地的浴室等敏感环境也难以部署，此外摄像头也存在视觉死角，且在黑暗环境下无法工作；而基于可穿戴设备的摔倒检测系统，利用设备中的惯性传感器能检测用户是否摔倒，不过随身携带设备对用户并不友好，特别是家居环境中的老年人，无法时刻都保持设备的随身佩戴，一旦脱下设备则检测失效。基于无线电通信技术的摔倒检测方法虽然不需要用户佩戴设备，但高误报率长期以来一直受到诟病，信号的多径效应也使其难以在复杂、动态变化的的家庭环境中正常工作。
发明内容
为了解决上述技术问题，本发明提出利用地震检波器采集地面振动信号，通过信息技术处理以实现一种更加准确、低误报率、无隐私风险、免用户训练且免穿戴设备的人体摔倒检测方法及系统，具体采用了如下技术方案：
一种基于地面振动信号的人体摔倒检测方法，包括以下步骤：
S1，三个地震检波器采集地面振动信号；
S2，对采集的振动信号进行滤波降噪和端点切段处理，确定有效振动信号起始点和结束点；
S3，对端点切段后的有效振动信号进行对齐处理；
S4，对三个地震检波器的有效振动信号进行叠加，然后进行信号特征提取；
S5，将提取到的特征信号组成训练集用于训练隐马尔可夫模型；
S6，以实际使用时的地面振动信号作为测试数据，以处理训练数据的方法处理测试数据；
S7，基于隐马尔可夫模型计算摔倒的概率，若上述大于阈值则进行二次确认，否则不认定为摔倒；
S8，通过EoA定位算法对短暂时间段内进行坐标跟踪，若目标移动范围小于阈值，则二次确认为摔倒，否则不为摔倒。
作为一种优选，所述步骤S3中，通过总体互相关法对端点切段后的有效振动信号进行对齐处理，所述对齐处理的具体操作是计算两个有效振动信号之间的偏移量，然后对当前有效振动信号进行移动，移动完之后只取两个振动信号之间共有的完整部分。
作为一种优选，所述步骤S3中，通过公式
Figure BDA0001949728260000021
以及O(A,B)＝P(A,B)-n计算两个有效振动信号之间的偏移量O(A,B)，其中，a和b代表两个信号长度为n的有效振动信号，a(i)表示有效振动信号a的第i个点的振幅大小，b(i)表示有效振动信号b的第i个点的振幅大小，C(a,b)表示有效振动信号a和有效振动信号b的相关度；A表示对有效振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的有效振动信号b；P(A,B)表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
作为一种优选，所述步骤S4中，将来自三个地震检波器的有效振动信号叠加后，通过预加重滤波器处理，然后通过离散小波变换将信号分解为多层不同的频率分量，分别以一定的时间间隔计算出对应的能量，最后通过公式Feature＝10log10E得到时域和频域上的能量特征，其中，E为初步求得的不同频率层次上每个时间间隔的能量，Feature为经过对数转换后对应的特征。
作为一种优选，所述步骤S5的隐马尔可夫模型的状态数为7，初始状态为1，每个状态的输出观测概率函数都由多个高斯混合函数构成，其中高斯混合函数的个数等于步骤S4中离散小波变换分解的层数，每个高斯混合函数具备3个高斯分量。
作为一种优选，其特征在于，所述步骤S7中，基于步骤S5得到的隐马尔可夫模型计算测试数据为摔倒信号的概率，若其大于阈值则通过步骤S8进行二次确认，否则直接认定不为摔倒。
作为一种优选，其特征在于，所述步骤S8中，采用了本发明提出的EoA定位算法(全称为Energy-of-Arrival)进行定位，其基于信号衰减模型Amp(d)＝Amp0e-α×d，其中Amp0代表振动信号的初始振幅，d表示振动传播的距离，α为基于传播介质的衰减系数，则有如下公式：
Figure BDA0001949728260000022
Figure BDA0001949728260000023
其中d1,d2,d3分别振动源到三个检波器A,B,C的距离，lnEAB＝-2α(d1-d2)为A、B检波器接收到的信号能量比的对数值，通过上述公式即可求解振动源的坐标位置。
作为一种优选，所述步骤S8中，EoA定位算法在测试数据被隐马尔可夫模型识别为可疑摔倒后，计算出疑似摔倒的坐标位置，然后在短暂时间段内继续计算目标的坐标，若位移超过设定阈值，则表明用户能正常活动，认定不为摔倒；否则，二次确认通过，确认为摔倒。
作为一种优选，所述步骤S2中，采用巴特沃兹滤波器对采集的振动信号进行滤波降噪处理，使用截止频率为10hz的高通滤波滤除直流分量和低频噪音。
作为一种优选，所述步骤S2中，所述端点切段处理中，先对整段振动信号进行分帧处理，然后采用每帧信号的方差作为判断标准，当某一帧信号的方差超过给定阈值时，则认为有效振动信号出现，取出该帧信号前后一定长度的信号作为端点切段后的振动信号。
一种人体摔倒检测系统，其特征在于，包括三个地震检波器及处理器，所述处理器执行上述基于地面振动信号的人体摔倒检测方法。
本发明基于地面振动实现针对摔倒的实时监测，通过隐马尔可夫模型计算振动信号为摔倒的概率再结合定位算法EoA进行二次确认，对摔倒的识别准确且误报率低，令摔倒所致伤害能得到及时救治，解决了现有技术中鲁棒性差，穿戴设备麻烦，精度问题以及隐私隐患问题，提升了用户体验，本发明的检测方式新颖且方便可靠，能够满足各类生活起居环境的使用需求，应用广泛，低成本。
附图说明
图1是本发明人体摔倒检测方法的流程图。
图2是本发明地震检波器的外观图。
图3是本发明对端点切段后的有效振动信号对齐处理前的效果仿真示意图。
图4是本发明对端点切段后的有效振动信号对齐处理后的效果仿真示意图。
图5是本发明EoA算法的原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图，对本发明的较优的实施例作进一步的详细说明。
如图1所示，本发明提供基于隐马尔可夫模型与EoA算法的摔倒检测方法，包括以下步骤：
步骤S1，将地震检波器(或其他可检测振动的传感器)布置于使用环境的角落，检测人体摔倒时作用于地面的振动信号并将其转化为模拟电信号，再将上述模拟电信号转化为可供处理的数字信号，具体可采用三个地震检波器，图2所示的就是地震检波器的外观图。
步骤S2，采用巴特沃兹滤波器使用频段大于10hz的带通滤波对采集的上述振动信号进行滤波降噪处理，更为具体的，本实施例使用截止频率为10hz的高通滤波滤除直流分量和低频噪音。
所述端点切段处理也称为端点检测处理，通过电脑程序中的切断算法执行，确定有效振动信号起始点和结束点，其处理过程为先对整段振动信号进行分帧处理，然后采用每帧信号的方差作为判断标准，当某一帧信号的方差超过给定阈值时，则认为有效振动信号出现，取出该帧信号前后一定长度的信号作为端点切段后的振动信号，端点切段后的振动信号也称为有效振动信号。该给定阈值可以根据用户的需求进行自定义设置，也可以根据样本的训练库中的数值作为参考值。
步骤S3，通过总体互相关法(general cross correlation，GCC)对端点切段后的有效振动信号进行对齐处理，所述对齐处理的具体操作为计算两个有效振动信号之间的偏移量，然后对当前的有效振动信号进行移动，移动完之后只取两个有效振动信号之间共有的完整部分。本实施例所述对齐处理处理能够将所有有效振动信号对齐，有利于机器学习算法分类精度的提升，其对齐处理前和对齐处理后的仿真效果图如图3和图4所示，由此可知，切断信号在经过GCC处理后，在时间序列上得到进一步对齐，以便于更加精准的判断摔倒信号。
本例所述步骤S3中，通过公式
Figure BDA0001949728260000041
Figure BDA0001949728260000042
以及O(A,B)＝P(A,B)-n计算两个有效振动信号之间的偏移量O(A,B)，其中，a和b代表长度为n的两个有效振动信号，a(i)表示有效振动信号a的第i个点的振幅大小，b(i)表示有效振动信号b的第i个点的振幅大小，C(a,b)表示有效振动信号a和有效振动信号b的相关度；第一信号A表示对有效振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；第二信号B表示长度n的振动信号b；P(A,B)表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
步骤S4，将一次振动后来自三个地震检波器对齐后的信号进行叠加，通过预加重滤波器处理，再经过离散小波变换提取振动信号的不同频域不同时间的能量强度作为提取的信号特征。优选的，所述步骤S4中，通过公式Feature＝10log10E得到时域和频域上的能量特征，其中，E为初步求得的不同频率层次上每个时间间隔的能量，Feature为经过对数转换后的特征信号。
步骤S5，将提取到的特征信号组成训练集用于训练隐马尔可夫模型；在进行训练时只需来自其他人(如志愿者或参与人员)的摔倒地面振动信号作为训练集。
具体为隐马尔可夫模型的转移状态数为7，初始状态为1，每个状态的输出观测概率函数都由若干个包含多个高斯分量的高斯混合函数构成，其中高斯混合函数的个数与步骤S4离散小波变换分解的层数相同。
一开始根据训练集对相关的参数进行初始化，即初始状态概率、状态转移概率和输出观测概率，得到一个初始的隐马尔可夫模型。随后运用baum-welch算法基于训练集对模型的参数进行优化，每优化一次之后将会对训练集中所有样本逐个通过viterbi算法计算其与模型的匹配程度(即属于摔倒的概率。实际上得出的不是概率，为了提高计算性能，计算过程取对数操作，所以得出的是负值)，并记录下来；随后从第二次调用baum-welch算法进行优化开始，都要比较此次优化后训练集和模型总的匹配程度(即摔倒概率)与上次优化后的差值为多少，若小于阈值，则说明训练收敛，跳出循环。得到了训练完毕的隐马尔可夫模型。后续针对测试样本，只需通过viterbi算法计算其与模型的匹配程度(即为摔倒的概率)即可。
步骤S6，以实际使用时的地面振动信号作为测试数据，以处理训练数据的方法处理测试数据；在实际使用情况下，以同步骤S1、S2、S3、S4的方式采集到测试数据。
步骤S7，基于步骤S5得到的隐马尔可夫模型计算测试数据为摔倒的概率，若上述概率大于阈值，则进入步骤S8进行二次确认；否则直接确认不为摔倒；
步骤S8，通过EoA定位算法计算可疑摔倒事件发生时且之后短暂时间段内的目标位置，对目标进行坐标跟踪，若发生了超过阈值的移动，则预警解除；否则二次确认成功，确认为摔倒。
具体为基于信号衰减模型Amp(d)＝Amp0e-α×d进行定位计算，示意图如图5。其中Amp0代表振动信号的初始振幅，d表示振动传播的距离，α为基于传播介质的衰减系数。给定三个地震检波器A、B和C，接收到的信号振幅如下：
Figure BDA0001949728260000051
Figure BDA0001949728260000052
Figure BDA0001949728260000053
其中，d1,d2,d3分别振动源为到三个地震检波器的距离。则A和B检波器接收到的信号能量比如下：
Figure BDA0001949728260000054
取对数后为lnEAB＝-2α(d1-d2)，则通过如下公式：
Figure BDA0001949728260000061
Figure BDA0001949728260000062
其中，基于提前求得的α以及求得的能量比可以求得c1,c2，从而可求出振动源的位置，实现定位。
本发明得到训练完的隐马尔可夫模型结合EoA算法，之后便可以利用该隐马尔可夫模型进行摔倒检测，通过地震检波器实时检测振动信号，发生摔倒事件时或其他动作(如东西掉落等)会产生一个能量较大的振动信号，此时系统检测到该振动信号，取出该振动信号并对该振动信号滤波去噪、端点检测、GCC对齐以及信号特征提取，将该振动信号产生的信号特征作为隐马尔可夫模型的输入，得到隐马尔可夫模型返回的结果，疑似摔倒的信号通过EoA算法进行二次确认，最终得出结论。
本例还提供一种基于隐马尔可夫模型与EoA算法的摔倒检测系统，采用了如上所述的基于隐马尔可模型和EoA算法的摔倒检测方法。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于地面振动信号的人体摔倒检测方法，其特征在于，包括以下步骤：
S1，三个地震检波器采集地面振动信号；
S2，对采集的振动信号进行滤波降噪和端点切段处理，确定有效振动信号起始点和结束点；
S3，对端点切段后的有效振动信号进行对齐处理；
S4，对三个地震检波器的有效振动信号进行叠加，然后进行信号特征提取；
S5，将提取到的特征信号组成训练集用于训练隐马尔可夫模型；
S6，以实际使用时的地面振动信号作为测试数据，以处理训练数据的方法处理测试数据；
S7，基于隐马尔可夫模型计算摔倒的概率，若该概率大于阈值则进行二次确认，否则不认定为摔倒；
S8，通过到达能量EoA定位算法对短暂时间段内进行坐标跟踪，若目标移动范围小于阈值，则二次确认为摔倒，否则不为摔倒；
其中，所述步骤S8中，采用到达能量EoA定位算法进行定位，其基于信号衰减模型Amp(d)＝Amp0e-α×d，其中Amp0代表振动信号的初始振幅，d表示振动传播的距离，α为基于传播介质的衰减系数，则有如下公式：
Figure FDA0003054723460000011
Figure FDA0003054723460000012
其中d1,d2,d3分别是振动源到三个检波器A,B,C的距离，lnEAB＝-2α(d1-d2)为A、B检波器接收到的信号能量比的对数值，通过上述公式求解获得振动源的坐标位置。
2.根据权利要求1所述的检测方法，其特征在于，所述步骤S3中，通过总体互相关法对端点切段后的有效振动信号进行对齐处理，所述对齐处理的具体操作是计算两个有效振动信号之间的偏移量，然后对当前有效振动信号进行移动，移动完之后只取两个振动信号之间共有的完整部分。
3.根据权利要求2所述的检测方法，其特征在于，所述步骤S3中，通过公式
Figure FDA0003054723460000013
以及O(A,B)＝P(A,B)-n计算两个有效振动信号之间的偏移量O(A,B)，其中，a和b代表两个信号长度为n的有效振动信号，a(i)表示有效振动信号a的第i个点的振幅大小，b(i)表示有效振动信号b的第i个点的振幅大小，C(a,b)表示有效振动信号a和有效振动信号b的相关度；A表示对有效振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的有效振动信号b；P(A,B)表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
4.根据权利要求1至3任意一项所述的检测方法，其特征在于，所述步骤S4中，将来自三个地震检波器的有效振动信号叠加后，通过预加重滤波器处理，然后通过离散小波变换将信号分解为多层不同的频率分量，分别以一定的时间间隔计算出对应的能量，最后通过公式Feature＝10log10E得到时域和频域上的能量特征，其中，E为初步求得的不同频率层次上每个时间间隔的能量，Feature为经过对数转换后对应的特征。
5.根据权利要求1所述的检测方法，其特征在于，所述步骤S5的隐马尔可夫模型的状态数为7，初始状态为1，每个状态的输出观测概率函数都由多个高斯混合函数构成，其中高斯混合函数的个数等于步骤S4中离散小波变换分解的层数，每个高斯混合函数具备3个高斯分量。
6.根据权利要求1所述的检测方法，其特征在于，所述步骤S7中，基于步骤S5得到的隐马尔可夫模型计算测试数据为摔倒信号的概率，若其大于阈值则通过步骤S8进行二次确认，否则直接认定不为摔倒。
7.根据权利要求1所述的检测方法，其特征在于，所述步骤S8中，到达能量EoA定位算法在测试数据被隐马尔可夫模型识别为可疑摔倒后，计算出疑似摔倒的坐标位置，然后在短暂时间段内继续计算目标的坐标，若位移超过设定阈值，则表明用户能正常活动，认定不为摔倒；否则，二次确认通过，确认为摔倒。
8.根据权利要求1至3任意一项所述的检测方法，其特征在于，所述步骤S2中，采用巴特沃兹滤波器对采集的振动信号进行滤波降噪处理，使用截止频率为10hz的高通滤波滤除直流分量和低频噪音。
9.根据权利要求1至3任意一项所述的检测方法，其特征在于，所述步骤S2中，所述端点切段处理中，先对整段振动信号进行分帧处理，然后采用每帧信号的方差作为判断标准，当某一帧信号的方差超过给定阈值时，则认为有效振动信号出现，取出该帧信号前后一定长度的信号作为端点切段后的振动信号。
10.一种人体摔倒检测系统，其特征在于，包括三个地震检波器及处理器，所述处理器执行权利要求1至9任意一项所述的基于地面振动信号的人体摔倒检测方法。
CN201910047656.1A 2019-01-18 2019-01-18 基于地面振动信号的人体摔倒检测系统 Active CN109805936B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910047656.1A CN109805936B (zh) 2019-01-18 2019-01-18 基于地面振动信号的人体摔倒检测系统
BE20195278A BE1026660B1 (fr) 2019-01-18 2019-04-25 Un système de détection de chute du corps humain basé sur des signaux de vibration du sol
FR1904612A FR3091923B1 (fr) 2019-01-18 2019-05-02 Un système de détection de chute du corps humain basé sur des signaux de vibration du sol

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910047656.1A CN109805936B (zh) 2019-01-18 2019-01-18 基于地面振动信号的人体摔倒检测系统

Publications (2)

Publication Number Publication Date
CN109805936A CN109805936A (zh) 2019-05-28
CN109805936B true CN109805936B (zh) 2021-08-13

Family

ID=66603485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910047656.1A Active CN109805936B (zh) 2019-01-18 2019-01-18 基于地面振动信号的人体摔倒检测系统

Country Status (3)

Country Link
CN (1) CN109805936B (zh)
BE (1) BE1026660B1 (zh)
FR (1) FR3091923B1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415415A (zh) * 2019-08-02 2019-11-05 深圳大学 一种用于门禁系统的身份验证方法
CN111554070A (zh) * 2020-04-09 2020-08-18 珠海格力电器股份有限公司 一种智能地毯管理方法、系统、装置及存储介质
CN112525336B (zh) * 2020-11-18 2023-06-27 西安因联信息科技有限公司 一种机械设备振动连续增长的自动化检测方法
CN113589191B (zh) * 2021-07-07 2024-03-01 郴州雅晶源电子有限公司 一种电源故障诊断系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289911A (zh) * 2011-07-19 2011-12-21 中山大学深圳研究院 一种基于热释电红外的跌倒检测系统
CN103745569A (zh) * 2013-12-30 2014-04-23 杨松 检测人体跌倒的方法和终端
US8909497B1 (en) * 2010-04-06 2014-12-09 Keynetik, Inc. System and method for fall detection
CN106539587A (zh) * 2016-12-08 2017-03-29 浙江大学 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法
CN108354610A (zh) * 2017-08-29 2018-08-03 浙江好络维医疗技术有限公司 一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统
CN109084774A (zh) * 2018-08-07 2018-12-25 西安电子科技大学 一种基于信道状态信息的无人机集群定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8909497B1 (en) * 2010-04-06 2014-12-09 Keynetik, Inc. System and method for fall detection
CN102289911A (zh) * 2011-07-19 2011-12-21 中山大学深圳研究院 一种基于热释电红外的跌倒检测系统
CN103745569A (zh) * 2013-12-30 2014-04-23 杨松 检测人体跌倒的方法和终端
CN106539587A (zh) * 2016-12-08 2017-03-29 浙江大学 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法
CN108354610A (zh) * 2017-08-29 2018-08-03 浙江好络维医疗技术有限公司 一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统
CN109084774A (zh) * 2018-08-07 2018-12-25 西安电子科技大学 一种基于信道状态信息的无人机集群定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于隐马尔可夫模型的老年人跌倒行为检测方法研究;曹荟强;《中国生物工程学报》;20171231;全文 *

Also Published As

Publication number Publication date
FR3091923B1 (fr) 2021-09-10
FR3091923A1 (fr) 2020-07-24
BE1026660B1 (fr) 2020-04-22
CN109805936A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN109805936B (zh) 基于地面振动信号的人体摔倒检测系统
CN111060965B (zh) 一种基于卷积神经网络的地震震相拾取及事件检测方法
EP3633615A1 (en) Deep learning network and average drift-based automatic vessel tracking method and system
CN110007366B (zh) 一种基于多传感器融合的生命搜寻方法以及系统
US20140266860A1 (en) Method and system for activity detection and classification
CN111983676A (zh) 一种基于深度学习的地震监测方法及装置
CN110519637A (zh) 基于音频视频监控结合的异常监测方法
CN109633633B (zh) 一种基于分段分类增强处理的生命信号增强方法
KR20080051956A (ko) 실시간 동영상의 실루엣 기반 대상체 행동 분석 시스템 및방법
CN102567994B (zh) 基于角点高斯特性分析的红外小目标检测方法
CN105426814A (zh) 一种基于手机的老人跌倒检测方法
Chen et al. FLoc: Device-free passive indoor localization in complex environments
CN112327288B (zh) 雷达人体动作识别方法、装置、电子设备和存储介质
CN107105092A (zh) 一种基于动态时间规整的人体跌倒识别方法
KR20120133330A (ko) 소리 기반 공간지도를 이용한 상황인식 장치 및 방법
CN116226727A (zh) 一种基于ai的运动识别系统
KR101923166B1 (ko) 지진배경잡음을 이용하여 추출된 지진신호의 진폭 크기 보정방법
Lara et al. A real-time microearthquakes-detector based on voice activity detection and endpoint detection: An approach to Cotopaxi Volcano
CN104392201B (zh) 一种基于全向视觉的人体跌倒识别方法
CN117169346A (zh) 一种基于小波包能量谱分析的高空建筑损伤识别方法
CN116400313A (zh) 基于毫米波雷达多域数据融合的行为检测方法及装置
CN116264012A (zh) 一种用于短信报警器的无接触式跌倒方向检测方法
WO2020147098A1 (zh) 基于地面振动信号的人体摔倒检测系统
CN113095321A (zh) 一种带式输送机的滚轮轴承测温及故障预警方法及装置
CN108520755B (zh) 一种检测方法及装置

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
GR01 Patent grant
GR01 Patent grant