CN110327050A - 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 - Google Patents
用于可穿戴装备的人跌倒状态嵌入式智能检测方法 Download PDFInfo
- Publication number
- CN110327050A CN110327050A CN201910367318.6A CN201910367318A CN110327050A CN 110327050 A CN110327050 A CN 110327050A CN 201910367318 A CN201910367318 A CN 201910367318A CN 110327050 A CN110327050 A CN 110327050A
- Authority
- CN
- China
- Prior art keywords
- pose
- period
- data
- dimensional
- people
- 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.)
- Granted
Links
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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
-
- 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
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种用于可穿戴装备的人跌倒状态嵌入式智能检测方法，将六轴加速度传感器放置在人体手腕处，提取人体在三维方向上的原始三维加速度数据、并发送至ARM嵌入式CPU进行处理，ARM嵌入式CPU对采集到的原始三维加速度数据进行处理判定是否为跌倒位姿，对原始三维加速度数据进行预处理得到简化三维加速度数据，对简化三维加速度数据进行特征提取，设置特征阈值范围、持续位姿识别阈值以及跌倒阈值，判定是否发生跌倒。本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，对数据预处理、对特征数据计算判定，分类细化了位姿的种类，更加完善了跌倒和姿势的识别，使得识别更为准确合理。
Description
技术领域
本发明涉及机器学习领域，物联网领域，传感技术领域，尤其涉及一种用于可穿戴装备的人跌倒状态嵌入式智能检测方法。
背景技术
现有位姿识别技术中，根据获取数据的不同，可以分为两种：一种是根据图像进行识别，另一种是根据传感器进行识别。无论获取的是是图像还是传感数据，都需要基于卷积神经网络算法，通过大量数据加以训练。
同时现有位姿识别算法仍存在许多不足，在对获取信息进行处理的时候，由于窗口种类不够多，特征提取类型过于简单，位姿分类不够细致等因素，导致最终的分类结果准确性不高。单就特征提取而言，市面上算法的特征提取部分主要是利用振幅偏转加以判断，而本算法在此基础上综合了相位差值和周期等因素来判断。本发明用于可穿戴装备的人跌倒状态嵌入式智能检测方法可解决上述存在的问题，对位姿的识别成功率显著提高。
发明内容
本发明公开了一种用于可穿戴装备的人跌倒状态嵌入式智能检测方法，利用嵌入式ARM为处理核心，对可穿戴装备中六轴加速度传感器采集的数据进行处理，检测出当前携带人处于跌倒的状态，包括步骤：
将所述六轴加速度传感器放置在人体手腕处，提取人体在三维方向上的原始三维加速度数据、并发送至ARM嵌入式CPU进行处理，所述三维包括x轴、y轴以及z轴，其中x轴方向为人体前进的方向，y轴方向为垂直指向地面方向，z轴方向为垂直所述x轴方向与所述y轴方向所在平面；
所述ARM嵌入式CPU对采集到的所述原始三维加速度数据进行处理判定是否为跌倒位姿，包括步骤：
对所述原始三维加速度数据进行预处理，将所述原始三维加速度数据降噪得到简化三维加速度数据；
对所述简化三维加速度数据进行特征提取，所述特征包括周期、振幅以及相位差，得到特征三维数据；
设置特征阈值范围，根据所述特征三维数据与所述特征阈值范围判定为迈步区间或非迈步区间；其中，
当为所述非迈步区间时判定静止位姿，设置三维阈值，当第j个所述周期内所述简化三维加速度与第j个所述周期内所述简化三维加速度均值的差值小于所述三维阈值，判定为静止位姿；
当为所述迈步区间时进行位姿识别，设置数据库数据，所述数据库数据包括位姿标签以及所述位姿标签对应的数据，所述特征三维数据与所述数据库数据根据回归算法判定位姿；
持续位姿识别：设置持续位姿识别阈值，记录所述位姿识别后具有相同位姿的持续时间值，当所述持续时间值大于所述持续位姿识别阈值，判定为持续位姿，所述持续位姿包括第一持续位姿和第二持续位姿；
当所述第一持续位姿和所述第二持续位姿不同时，判定位姿改变；
当所述第一持续位姿和所述第二持续位姿相同时，根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值小，判定所述位姿未改变；根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值大，判定所述位姿改变；
设置跌倒阈值，当所述中间非持续位姿的所述特征三维数据在所述跌倒阈值内时，判定为发生跌倒。
优选的，其特征在于，所述特征的三维数据与所述数据库数据根据回归算法判定位姿，所述回归算法步骤包括：
设置代价函数，所述代价函数根据以下方法得到：
根据所述代价函数，采用下列梯度下降的方法得到系统新参数θ1,θ2，…,θk：
根据所述系统新参数，设置回归算法的假设函数，所述假设函数根据以下方法得到：
根据所述假设函数中的所述特征的三维数据与所述数据库数据根据回归算法判定位姿，
其中，θ是系统参数，m，i和j是自定义参数，k为标签的个数，p是概率，T是周期，x(i)为第i个所述特征的三维数据，y(i)为第i个数据库数据，α为步长。
优选的，其特征在于，第j个所述周期的周期长度Tj根据以下方法得到：
Tj＝Txi+1-Txi，
其中，Txi和Txi+1为所述周期在所述x轴上的两个相邻数值。
优选的，其特征在于，在第j个所述周期内所述振幅和Aj下根据以下方法得到：
Aj＝Axj，max-Axj，min+Ayj,max-Ayj，min+Azj,max-Azj，min，
其中，Axj，max和Axj,min为第j个所述周期内所述振幅在所述x轴上的最大值和最小值，Ayj,max和Ayj,min为第j个所述周期内所述振幅在所述y轴上的最大值和最小值，Azj,max和Azj,min为第j个所述周期内所述振幅在所述z轴上的最大值和最小值。
优选的，其特征在于，在第j个所述周期内所述相位差Dj根据以下方法得到：
Dj＝σj,x+σj,y+σj,z，
其中，σj,x为第j个所述周期内所述x轴的加速度标准差、σj,y为第j个所述周期内所述y轴的加速度标准差、σj,z为第j个所述周期内所述z轴的加速度标准差。
优选的，其特征在于，当所述第j个所述周期的周期长度Tj、在第j个所述周期内所述振幅和Aj以及在第j个所述周期内所述相位差Dj其中之一未在所述特征阈值范围内，判定为非迈步区间；
当所述第j个所述周期的周期长度Tj、在第j个所述周期内所述振幅和Aj以及在第j个所述周期内所述相位差Dj均在所述特征阈值范围内，判定为迈步区间。
优选的，其特征在于，所述位姿包括走路、跑步、上楼和下楼。
优选的，其特征在于，所述预处理包括时间加窗以及中值滤波。
优选的，其特征在于，所述ARM嵌入式CPU的变量类型为32位字数据，变量数据类型为int类型，其中，元素的位置按照元素的大小从小到大依次排列。
优选的，其特征在于，所述ARM嵌入式CPU中数据组的大小为4或8的倍数，其中宏定义替换位域，采用数据指针指向任意字节对齐的数据，与逻辑运算配合。
与现有技术相比，本发明提供的一种用于可穿戴装备的人跌倒状态嵌入式智能检测方法，达到如下有益效果：
第一、本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，对原始加速度三维数据进行预处理，将所述原始三维加速度数据降噪得到简化三维加速度数据，提取的特征简便同时可靠性较强。
第二、本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，提取特征数据，通过对特征数据中的周期，振幅和以及相位差值的计算判定，更加完善了跌倒和姿势的识别。
第三、本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，分类细化了位姿的种类，使得识别更为准确合理。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明用于可穿戴装备的人跌倒状态嵌入式智能检测方法的一种流程图；
图2为本发明用于可穿戴装备的人跌倒状态嵌入式智能检测方法的又一种流程图；
图3为本发明用于可穿戴装备的人跌倒状态嵌入式智能检测方法的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。应注意到，所描述的实施例实际上仅仅是本发明一部分实施例，而不是全部的实施例，且实际上仅是说明性的，决不作为对本发明及其应用或使用的任何限制。本申请的保护范围当视所附权利要求所界定者为准。
实施例1：
参见图1所示为本发明用于可穿戴装备的人跌倒状态嵌入式智能检测方法的一种流程图。包括步骤：
步骤101，将六轴加速度传感器放置在人体手腕处，提取人体在三维方向上的原始三维加速度数据、并发送至ARM嵌入式CPU进行处理，所述六轴加速度传感器进一步为MPU6050，所述三维包括x轴、y轴以及z轴，其中x轴方向为人体前进的方向，y轴方向为垂直指向地面方向，z轴方向为垂直所述x轴方向与所述y轴方向所在平面；
步骤102，所述ARM嵌入式CPU对采集到的所述原始三维加速度数据进行处理判定是否为跌倒位姿，包括步骤：
步骤103，对所述原始三维加速度数据进行预处理，将所述原始三维加速度数据降噪得到简化三维加速度数据；提取的特征简便同时可靠性较强。
步骤104，对所述简化三维加速度数据进行特征提取，所述特征包括周期、振幅以及相位差，得到特征三维数据；
步骤105，设置特征阈值范围，根据所述特征三维数据与所述特征阈值范围判定为迈步区间或非迈步区间；其中，所述特征阈值范围包括周期阈值范围、振幅和阈值范围以及相位差阈值范围；通过对特征数据中的周期，振幅和以及相位差值的计算判定，更加完善了跌倒和姿势的识别。
步骤106，当为所述非迈步区间时判定静止位姿，设置三维阈值，当第j个所述周期内所述简化三维加速度与第j个所述周期内所述简化三维加速度均值的差值小于所述三维阈值，判定为静止位姿；
步骤107，当为所述迈步区间时进行位姿识别，设置数据库数据，所述数据库数据包括位姿标签以及所述位姿标签对应的数据，所述特征三维数据与所述数据库数据根据回归算法判定位姿；
步骤108，持续位姿识别：设置持续位姿识别阈值，记录所述位姿识别后具有相同位姿的持续时间值，当所述持续时间值大于所述持续位姿识别阈值，判定为持续位姿，所述持续位姿包括第一持续位姿和第二持续位姿；进行持续姿态识别，将单次迈步结果进行合并，降低单次错误识别的影响，提高识别准确率。
当所述第一持续位姿和所述第二持续位姿不同时，判定位姿改变；
当所述第一持续位姿和所述第二持续位姿相同时，根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值小，判定所述位姿未改变；根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值大，判定所述位姿改变；
步骤109，设置跌倒阈值，当所述中间非持续位姿的所述特征三维数据在所述跌倒阈值内时，判定为发生跌倒。
本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，对原始加速度进行预处理，能有效提高算法的实时性。同时进行中值滤波，能够排除如设备固定不稳或人体抖动等噪声的干扰，提取的特征简便同时可靠性较强。提取特征数据，通过对特征数据中的周期，振幅和以及相位差值的计算判定，更加有效的对跌倒位姿的识别。进行持续姿态识别，将单次迈步结果进行合并，降低单次错误识别的影响，提高识别准确率。
实施例2：
参见图2和图3，图2为本发明用于可穿戴装备的人跌倒状态嵌入式智能检测方法的又一种流程图，图3为本发明用于可穿戴装备的人跌倒状态嵌入式智能检测方法的原理图；
参见图2，数据提取：将六轴加速度传感器放置在人体手腕处，提取人体在三维方向上的原始三维加速度数据、并发送至ARM嵌入式CPU进行处理，所述六轴加速度传感器进一步为MPU6050，所述三维包括x轴、y轴以及z轴，其中x轴方向为人体前进的方向，y轴方向为垂直指向地面方向，z轴方向为垂直所述x轴方向与所述y轴方向所在平面；
所述ARM嵌入式CPU对所述原始三维加速度数据进行处理判定是否为跌倒位姿，包括步骤：其中，
可选的，根据ARM嵌入式CPU的工作特点，将程序里变量类型全部设为32位字数据，变量数据类型为int类型，以32位访问数据的速度较快，算法中几乎无局部变量，尽量限制函数参数，相关的参数在结构体传递，元素的位置按照元素的大小从小到大依次排列，即元素的位置小前大后，以有效地节省内存空间。
可选的，所述ARM嵌入式CPU中数据组的大小为4或8倍数，以此限定的倍数展开循环体，有利于寄存器分配空间；以及用宏定义#define或enum替换位域；用数据指针char*指向任意字节对齐的数据，与逻辑运算配合可访问任意边界和排列的数据。
同时，把比较小的被调用函数和调用函数放在同一个源文件中，并且先定义，后调用，有利于编译器进行优化。数据预处理：对所述原始三维加速度数据进行预处理，将所述原始三维加速度数据降噪得到简化三维加速度数据；提取的特征简便同时可靠性较强。
可选的，所述预处理包括时间加窗以及中值滤波，进行时间加窗的处理，减少了单次计算的运算量，能有效提高算法的实时性。同时进行中值滤波，能够排除如设备固定不稳或人体抖动等噪声的干扰，提取的特征简便同时可靠性较强。
特征三维数据提取：对所述简化三维加速度数据进行特征提取，所述特征包括周期、振幅以及相位差，得到特征三维数据；
设置特征阈值范围；
特征三维数据是否在特征阈值范围内：根据所述特征三维数据与所述特征阈值范围判定为迈步区间或非迈步区间；其中，所述特征阈值范围包括周期阈值范围、振幅和阈值范围以及相位差阈值范围；所述三维数据包括：第j个所述周期的周期长度Tj、在第j个所述周期内所述振幅和Aj以及在第j个所述周期内所述相位差Dj。通过提取特征数据，即通过对特征数据中的周期，振幅和以及相位差值的计算判定，可以更加有效的对跌倒位姿的识别。
可选的，第j个所述周期的周期长度Tj根据以下方法得到：
Tj＝Txi+1-Txi，
其中，Txi和Txi+1为所述周期在所述x轴上的两个相邻数值。
可选的，在第j个所述周期内所述振幅和Aj根据以下方法得到：
Aj＝Axj,max-Axj,min+Ayj,max-Ayj,min+Azj,max-Azj,min，
其中，Axj,max和Axj,min为第j个所述周期内所述振幅在所述x轴上的最大值和最小值，Ayj,max和Ayj,min为第j个所述周期内所述振幅在所述y轴上的最大值和最小值，Azj,max和Azj,min为第j个所述周期内所述振幅在所述z轴上的最大值和最小值。
可选的，在第j个所述周期内所述相位差Dj根据以下方法得到：
Dj＝σj,x+σj,y+σj,z,
其中，σj,x为第j个所述周期内所述x轴的加速度标准差、σj,y为第j个所述周期内所述y轴的加速度标准差、σj,z为第j个所述周期内所述z轴的加速度标准差。
非迈步区间：当所述第j个所述周期的周期长度Tj、在第j个所述周期内所述振幅和Aj以及在第j个所述周期内所述相位差Dj其中之一未在所述特征阈值范围内，判定为非迈步区间；
迈步区间：当所述第j个所述周期的周期长度Tj、在第j个所述周期内所述振幅和Aj以及在第j个所述周期内所述相位差Dj均在所述特征阈值范围内，判定为迈步区间。
静止位姿：当为所述非迈步区间时判定静止位姿，设置三维阈值，当第j个所述周期内所述简化三维加速度与第j个所述周期内所述简化三维加速度均值的差值小于所述三维阈值，判定为静止位姿；
迈步位姿识别：当为所述迈步区间时进行位姿识别，设置数据库数据，所述数据库数据包括位姿标签以及所述位姿标签对应的数据，所述特征三维数据与所述数据库数据根据回归算法判定位姿；
可选的，所述位姿包括走路、跑步、上楼和下楼。分类细化了位姿的种类，使得识别更为准确合理。
可选的，所述回归算法步骤包括：
设置代价函数，所述代价函数根据以下方法得到：
根据所述代价函数，采用下列梯度下降的方法得到系统新参数θ1,θ2,…,θk：
根据所述系统新参数，设置回归算法的假设函数，所述假设函数根据以下方法得到：
根据所述假设函数中的所述特征的三维数据与所述数据库数据根据回归算法判定位姿，
其中，θ是系统参数，m，i和j是自定义参数，k为标签的个数，p是概率，T是周期，x(i)为第i个所述特征的三维数据，y(i)为第i个数据库数据，α为步长。
持续位姿识别：设置持续位姿识别阈值，记录所述位姿识别后具有相同位姿的持续时间值，当所述持续时间值大于所述持续位姿识别阈值，判定为持续位姿，所述持续位姿包括第一持续位姿和第二持续位姿；进行持续姿态识别，将单次迈步结果进行合并，降低单次错误识别的影响，提高识别准确率。
当所述第一持续位姿和所述第二持续位姿不同时，判定位姿改变；
当所述第一持续位姿和所述第二持续位姿相同时，根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值小，判定所述位姿未改变；根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值大，判定所述位姿改变；
判定跌倒：设置跌倒阈值，当所述中间非持续位姿的所述特征三维数据在所述跌倒阈值内时，判定为发生跌倒。
参见图3，图3为本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法一种用于可穿戴装备的人跌倒状态嵌入式智能检测方法的原理图，可以理解的是，六轴加速度传感器芯片MPU6050采集运动位姿，得到三轴加速度信息，并通过I2C总线将数据传输到APM CPU(ARM嵌入式系统的中央处理器，如STM32F4)中进行处理，APM CPU(ARM嵌入式系统的中央处理器)根据跌倒检测算法对位姿解算。优选的还可以在LCD显示屏显示出三轴加速度信息。
本申请提供的一种用于可穿戴装备的人跌倒状态嵌入式智能检测方法，对原始加速度三维数据进行预处理，进行时间加窗的处理，减少了单次计算的运算量，能有效提高算法的实时性。同时进行中值滤波，能够排除如设备固定不稳或人体抖动等噪声的干扰，提取的特征简便同时可靠性较强。提取特征数据，通过对特征数据中的周期，振幅和以及相位差值的计算判定，更加有效的对跌倒位姿的识别。分类细化了位姿的种类，使得识别更为准确合理。进行持续姿态识别，将单次迈步结果进行合并，降低单次错误识别的影响，提高识别准确率。
通过以上各实施例可知，本申请存在的有益效果是：
第一、本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，对原始加速度三维数据进行预处理，将所述原始三维加速度数据降噪得到简化三维加速度数据，提取的特征简便同时可靠性较强。
第二、本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，提取特征数据，通过对特征数据中的周期，振幅和以及相位差值的计算判定，更加完善了跌倒和姿势的识别。
第三、本申请提供的用于可穿戴装备的人跌倒状态嵌入式智能检测方法，分类细化了位姿的种类，使得识别更为准确合理。
上面通过附图和实施例，对本发明的技术方案做虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，利用嵌入式ARM为处理核心，对可穿戴装备中六轴加速度传感器采集的数据进行处理，检测出当前携带人处于跌倒的状态，包括步骤：
将所述六轴加速度传感器放置在人体手腕处，提取人体在三维方向上的原始三维加速度数据、并发送至ARM嵌入式CPU进行处理，所述三维包括x轴、y轴以及z轴，其中x轴方向为人体前进的方向，y轴方向为垂直指向地面方向，z轴方向为垂直所述x轴方向与所述y轴方向所在平面；
所述ARM嵌入式CPU对采集到的所述原始三维加速度数据进行处理判定是否为跌倒位姿，包括步骤：
对所述原始三维加速度数据进行预处理，将所述原始三维加速度数据降噪得到简化三维加速度数据；
对所述简化三维加速度数据进行特征提取，所述特征包括周期、振幅以及相位差，得到特征三维数据；
设置特征阈值范围，根据所述特征三维数据与所述特征阈值范围判定为迈步区间或非迈步区间；其中，
当为所述非迈步区间时判定静止位姿，设置三维阈值，当第j个所述周期内所述简化三维加速度与第j个所述周期内所述简化三维加速度均值的差值小于所述三维阈值，判定为静止位姿；
当为所述迈步区间时进行位姿识别，设置数据库数据，所述数据库数据包括位姿标签以及所述位姿标签对应的数据，所述特征三维数据与所述数据库数据根据回归算法判定位姿；
持续位姿识别：设置持续位姿识别阈值，记录所述位姿识别后具有相同位姿的持续时间值，当所述持续时间值大于所述持续位姿识别阈值，判定为持续位姿，所述持续位姿包括第一持续位姿和第二持续位姿；
当所述第一持续位姿和所述第二持续位姿不同时，判定位姿改变；
当所述第一持续位姿和所述第二持续位姿相同时，根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值小，判定所述位姿未改变；根据所述第一持续位姿和所述第二持续位姿的中间非持续位姿区间比所述持续位姿识别阈值大，判定所述位姿改变；
设置跌倒阈值，当所述中间非持续位姿的所述特征三维数据在所述跌倒阈值内时，判定为发生跌倒。
2.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，所述特征的三维数据与所述数据库数据根据回归算法判定位姿，所述回归算法步骤包括：
设置代价函数，所述代价函数根据以下方法得到：
根据所述代价函数，采用下列梯度下降的方法得到系统新参数θ1，θ2，…，θk：
根据所述系统新参数，设置回归算法的假设函数，所述假设函数根据以下方法得到：
根据所述假设函数中的所述特征的三维数据与所述数据库数据根据回归算法判定位姿，
其中，θ是系统参数，m，i和j是自定义参数，k为标签的个数，p是概率，T是周期，x(i)为第i个所述特征的三维数据，y(i)为第i个数据库数据，α为步长。
3.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，第j个所述周期的周期长度Tj根据以下方法得到：
Tj＝Txi+1-Txi，
其中，Txi和Txi+1为所述周期在所述x轴上的两个相邻数值。
4.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，在第j个所述周期内所述振幅和Aj下根据以下方法得到：
Aj＝Axj，max-Axj，min+Ayj，max-Ayj，min+Azj,max-Azj,min，
其中，Axj，max和Axj,min为第j个所述周期内所述振幅在所述x轴上的最大值和最小值，Ayj,max和Ayj,min为第j个所述周期内所述振幅在所述y轴上的最大值和最小值，Azj,max和Azj,min为第j个所述周期内所述振幅在所述z轴上的最大值和最小值。
5.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，在第j个所述周期内所述相位差Dj根据以下方法得到：
Dj＝σj,x+σj，y+σj,z,
其中，σj,x为第j个所述周期内所述x轴的加速度标准差、σj,y为第j个所述周期内所述y轴的加速度标准差、σj,z为第j个所述周期内所述z轴的加速度标准差。
6.根据权利要求3至权利要求5所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，当所述第j个所述周期的周期长度Tj、在第j个所述周期内所述振幅和Aj以及在第j个所述周期内所述相位差Dj其中之一未在所述特征阈值范围内，判定为非迈步区间；
当所述第j个所述周期的周期长度Tj、在第j个所述周期内所述振幅和Aj以及在第j个所述周期内所述相位差Dj均在所述特征阈值范围内，判定为迈步区间。
7.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，所述位姿包括走路、跑步、上楼和下楼。
8.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，所述预处理包括时间加窗以及中值滤波。
9.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，所述ARM嵌入式CPU的变量类型为32位字数据，变量数据类型为int类型，其中，元素的位置按照元素的大小从小到大依次排列。
10.根据权利要求1所述用于可穿戴装备的人跌倒状态嵌入式智能检测方法，其特征在于，所述ARM嵌入式CPU中数据组的大小为4或8的倍数，其中宏定义替换位域，采用数据指针指向任意字节对齐的数据，与逻辑运算配合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367318.6A CN110327050B (zh) | 2019-05-05 | 2019-05-05 | 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367318.6A CN110327050B (zh) | 2019-05-05 | 2019-05-05 | 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110327050A true CN110327050A (zh) | 2019-10-15 |
| CN110327050B CN110327050B (zh) | 2020-07-03 |
Family
ID=68139588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910367318.6A Active CN110327050B (zh) | 2019-05-05 | 2019-05-05 | 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110327050B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111166340A (zh) * | 2019-12-31 | 2020-05-19 | 石家庄学院 | 基于自适应加速度信号分割的人体姿势实时识别方法 |
| CN111899470A (zh) * | 2020-08-26 | 2020-11-06 | 歌尔科技有限公司 | 人体跌倒检测方法、装置、设备及存储介质 |
| CN112162595A (zh) * | 2020-09-23 | 2021-01-01 | 深圳市爱都科技有限公司 | 一种垂臂旋转识别方法及可穿戴终端 |
| CN114167977A (zh) * | 2021-11-09 | 2022-03-11 | 上海卓菡科技有限公司 | 基于可穿戴设备的安全监测方法、装置、电子设备及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060270949A1 (en) * | 2003-08-15 | 2006-11-30 | Mathie Merryn J | Monitoring apparatus for ambulatory subject and a method for monitoring the same |
| CN104490401A (zh) * | 2015-01-15 | 2015-04-08 | 张�杰 | 基于加速度数据的智能终端进行人体行为自动识别的方法 |
| CN104490397A (zh) * | 2014-12-10 | 2015-04-08 | 辛勤 | 一种对人体摔倒行为进行检测的方法及装置 |
| CN108021888A (zh) * | 2017-12-05 | 2018-05-11 | 电子科技大学 | 一种跌倒检测方法 |
| WO2019067489A1 (en) * | 2017-09-29 | 2019-04-04 | Sensogram Technologies, Inc. | FALL DETECTION AND MEDICAL ALERT SYSTEMS |
-
2019
- 2019-05-05 CN CN201910367318.6A patent/CN110327050B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060270949A1 (en) * | 2003-08-15 | 2006-11-30 | Mathie Merryn J | Monitoring apparatus for ambulatory subject and a method for monitoring the same |
| CN104490397A (zh) * | 2014-12-10 | 2015-04-08 | 辛勤 | 一种对人体摔倒行为进行检测的方法及装置 |
| CN104490401A (zh) * | 2015-01-15 | 2015-04-08 | 张�杰 | 基于加速度数据的智能终端进行人体行为自动识别的方法 |
| WO2019067489A1 (en) * | 2017-09-29 | 2019-04-04 | Sensogram Technologies, Inc. | FALL DETECTION AND MEDICAL ALERT SYSTEMS |
| CN108021888A (zh) * | 2017-12-05 | 2018-05-11 | 电子科技大学 | 一种跌倒检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谷志瑜: "基于自回归模型和神经网络的跌倒检测算法", 《计算机工程与设计》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111166340A (zh) * | 2019-12-31 | 2020-05-19 | 石家庄学院 | 基于自适应加速度信号分割的人体姿势实时识别方法 |
| CN111899470A (zh) * | 2020-08-26 | 2020-11-06 | 歌尔科技有限公司 | 人体跌倒检测方法、装置、设备及存储介质 |
| CN112162595A (zh) * | 2020-09-23 | 2021-01-01 | 深圳市爱都科技有限公司 | 一种垂臂旋转识别方法及可穿戴终端 |
| CN114167977A (zh) * | 2021-11-09 | 2022-03-11 | 上海卓菡科技有限公司 | 基于可穿戴设备的安全监测方法、装置、电子设备及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110327050B (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110327050A (zh) | 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 | |
| CN110569795B (zh) | 一种图像识别方法、装置以及相关设备 | |
| WO2018040757A1 (zh) | 可穿戴设备及利用其监测运动状态的方法 | |
| Hussain et al. | Hand gesture recognition using deep learning | |
| CN107153871B (zh) | 基于卷积神经网络和手机传感器数据的跌倒检测方法 | |
| CN104484644B (zh) | 一种手势识别方法和装置 | |
| CN105184325B (zh) | 一种移动智能终端 | |
| Naguri et al. | Recognition of dynamic hand gestures from 3D motion data using LSTM and CNN architectures | |
| CN108595601A (zh) | 一种融入Attention机制的长文本情感分析方法 | |
| WO2017050140A1 (zh) | 一种人体动作识别方法、识别用户动作的方法和智能终端 | |
| Fang et al. | Gait neural network for human-exoskeleton interaction | |
| CN110287825A (zh) | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 | |
| CN116226691B (zh) | 用于手势姿态感知的智能戒指数据处理方法 | |
| CN108446601A (zh) | 一种基于动静特征融合的人脸识别方法 | |
| CN112464738B (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
| CN109670406B (zh) | 一种结合心率与面部表情面向游戏用户的非接触式情感识别方法 | |
| Bu | Human motion gesture recognition algorithm in video based on convolutional neural features of training images | |
| Kour et al. | Sign language recognition using image processing | |
| CN109255289A (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
| CN112801000B (zh) | 一种基于多特征融合的居家老人摔倒检测方法及系统 | |
| CN105787442A (zh) | 一种基于视觉交互面向视障人群的穿戴式辅助系统及其使用方法 | |
| CN108596074A (zh) | 一种基于惯性传感器的人体下肢动作识别方法 | |
| CN108985223A (zh) | 一种人体动作识别方法 | |
| WO2021139337A1 (zh) | 基于深度学习模型的步态识别方法、装置和计算机设备 | |
| CN111723662B (zh) | 一种基于卷积神经网络的人体姿态识别方法 |
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 |