CN110327050B - 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 PDF

Info

Publication number
CN110327050B
CN110327050B CN201910367318.6A CN201910367318A CN110327050B CN 110327050 B CN110327050 B CN 110327050B CN 201910367318 A CN201910367318 A CN 201910367318A CN 110327050 B CN110327050 B CN 110327050B
Authority
CN
China
Prior art keywords
pose
data
period
dimensional
axis
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
CN201910367318.6A
Other languages
English (en)
Other versions
CN110327050A (zh
Inventor
周诗韵
杨至甲
毛聿轩
刘骁征
汤海松
刘彦辰
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910367318.6A priority Critical patent/CN110327050B/zh
Publication of CN110327050A publication Critical patent/CN110327050A/zh
Application granted granted Critical
Publication of CN110327050B publication Critical patent/CN110327050B/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
    • A61B5/7235—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)
  • Pathology (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Management (AREA)
  • Dentistry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Power Engineering (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (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

用于可穿戴装备的人跌倒状态嵌入式智能检测方法
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：
Figure BDA0002048634780000021
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：
Figure BDA0002048634780000022
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：
Figure BDA0002048634780000031
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：
Figure BDA0002048634780000091
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：
Figure BDA0002048634780000092
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：
Figure BDA0002048634780000093
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 (9)

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，所述第一持续位姿和所述第二持续位姿之间包括中间非持续位姿；
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所述中间非持续位姿的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所述中间非持续位姿的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，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。
3.根据权利要求2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个所述周期内振幅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。
4.根据权利要求3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。
5.根据权利要求4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。
6.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。
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，所述预处理包括时间加窗以及中值滤波。
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。
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。
CN201910367318.6A 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 Active CN110327050B (zh)

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 CN110327050A (zh) 2019-10-15
CN110327050B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111166340B (zh) * 2019-12-31 2022-11-18 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
CN111899470B (zh) * 2020-08-26 2022-07-22 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
CN112162595B (zh) * 2020-09-23 2022-12-06 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
CN114167977B (zh) * 2021-11-09 2024-08-02 北京龙智数科科技服务有限公司 基于可穿戴设备的安全监测方法、装置、电子设备及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003904336A0 (en) * 2003-08-15 2003-08-28 Medcare Systems Pty Ltd An automated personal alarm monitor
CN104490397B (zh) * 2014-12-10 2017-01-04 辛勤 一种对人体摔倒行为进行检测的方法及装置
CN104490401B (zh) * 2015-01-15 2017-05-24 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
US20190099114A1 (en) * 2017-09-29 2019-04-04 Sensogram Technologies, Inc. Fall sensing and medical alert systems
CN108021888B (zh) * 2017-12-05 2021-09-24 电子科技大学 一种跌倒检测方法

Also Published As

Publication number Publication date
CN110327050A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110327050B (zh) 用于可穿戴装备的人跌倒状态嵌入式智能检测方法
CN112395978B (zh) 行为检测方法、装置及计算机可读存储介质
CN112560723B (zh) 一种基于形态识别与速度估计的跌倒检测方法及系统
CN111199202B (zh) 基于循环注意力网络的人体动作识别方法及识别装置
CN111616718B (zh) 基于姿态特征的驾驶员疲劳状态检测方法和系统
CN111523559B (zh) 一种基于多特征融合的异常行为检测方法
CN108898623A (zh) 目标跟踪方法及设备
Huu et al. Proposing posture recognition system combining MobilenetV2 and LSTM for medical surveillance
CN111914643A (zh) 一种基于骨骼关键点检测的人体动作识别方法
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
WO2022199360A1 (zh) 运动物体的定位方法、装置、电子设备及存储介质
CN113243907A (zh) 一种用于跌倒检测的智能检测方法
CN112115790A (zh) 人脸识别方法、装置、可读存储介质和电子设备
CN115188031A (zh) 指纹识别方法、计算机程序产品、存储介质及电子设备
Wang et al. Handwriting recognition under natural writing habits based on a low-cost inertial sensor
CN105975989A (zh) 一种基于九轴运动传感器的肘部运动状态识别方法
US11276285B2 (en) Artificial intelligence based motion detection
CN114601455A (zh) 基于两级神经网络的运动识别方法
CN114004820A (zh) 基于双视觉融合的输送带纵向撕裂检测方法
Du et al. SKIP: Accurate Fall Detection Based on Skeleton Keypoint Association and Critical Feature Perception
CN103514434B (zh) 一种图像识别方法及装置
Cui et al. Mobile Big Data Analytics for Human Behavior Recognition in Wireless Sensor Network Based on Transfer Learning
CN111414884A (zh) 一种基于边缘计算的面部表情识别方法
CN111325132A (zh) 一种智能监控系统
CN112699730B (zh) 一种基于yolo及卷积-循环网络的机房人物重识别方法

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