CN110969806A - 一种准确获知人体摔倒的系统 - Google Patents

Abstract

本发明提出了一种准确获知人体摔倒的系统，其包括：左手环、右手环、脚环和中央处理系统；左手环和右手环内均设置有加速度传感器和倾角传感器，加速度传感器用以采集人体在X轴、Y轴、Z轴三个方向上的加速度；倾角传感器用以采集人体在X轴、Y轴、Z轴三个方向上的实时转动角度；中央处理系统用以获取传感器获取的信息，中央处理系统对各个手环、脚环的加速度信息及心率信息建模，并进行运算处理；中央处理系统内设置智能模块，智能模型计算每一次非发力脚所产生的力

和非发力脚环的速度

；中央处理系统内还设置加速度计算模块和倾角计算模块。

Description

一种准确获知人体摔倒的系统

技术领域

本发明涉及人体健康监控技术领域，具体而言，涉及一种准确获知人体摔倒的系统。

背景技术

现有技术中，在老人的日常监护场景中，获知老人摔倒并迅速通知紧急联系人是一个很现实的问题。

现有方案一：老人摔倒后，由老人自己通过某个设备，如手机或手环，来触发通知事件；方案的缺点在于：需要老人是清醒的，并且会使用电子设备来操作。

现有方案二：通过图像识别，3D景深，超声波，红外技术来判断老人摔倒；方案的缺点：只能在特定场所，安装了摄像头等被监控的地方，才能判断出老人状态。

现有方案三：某些带有加速度和倾角传感器的监护方案，老年人跌倒检测技术研究；方案的缺点：已经有一定理论基础和成熟度，但检测不够准确。

中国专利文献，CN201720298135.X，公开了一种基于多模特征分析的老人摔倒实时监测方法及系统,获取不同的多组在老人摔倒情况下对应的运动物 体图像特征参数、人声音频特征参数、运动加速度信号、角速度信号和心率信号，将每一组老人摔倒情况下对应的运动物体图像特征参数、人声音频特征参数、运动加速度信号、角速度信号和心率信号作为一个老人摔倒监测识别训练样本，利用所获得的各个老人摔倒监测识别训练样本，使用K折交叉验证法对预测识别分类器进行训练，K为所获取到的老人摔倒监测识别训练样本的总数量，从而得到预测识别分类器的预测识别分类函数。

上述技术方案中，虽采用多参量模型进行监测，但基于统计规律进行判定，各个参量之间比较孤立，因此，监测的精度难以达到参量有机结合的精准程度。

发明内容

鉴于此，本发明提出了一种准确获知人体摔倒的系统，旨在解决现有人体摔倒检测不准确的技术问题。

本发明提出了一种准确获知人体摔倒的系统，其包括：左手环、右手环、脚环和中央处理系统；

所述左手环设置在人的左手腕上，所述右手环设置在人的右手腕上，所述脚环设置在人的非发力脚腕上；所述左手环和所述右手环内均设置有加速度传感器，所述左手环、所述右手环和所述脚环内均设置有倾角传感器，所述加速度传感器用以采集人体在X轴、Y轴、Z轴三个方向上的加速度；所述倾角传感器用以采集人体在X轴、Y轴、Z轴三个方向上的实时转动角度；

所述中央处理系统用以获取传感器获取的信息，所述中央处理系统对各个手环、脚环的加速度信息及心率信息建模，并进行运算处理；

所述中央处理系统内设置智能模块，所述智能模块内设置有采用基于非发力脚特征数据的训练而获得的智能模型；所述中央处理系统内还设置加速度计算模块和倾角计算模块，所述加速度计算模块对所述加速度传感器检测到的加速度信息进行处理；所述倾角计算模块按照预设的倾角计算方式进行计算；

所述智能模型计算每一次非发力脚所产生的力

和非发力脚环的速度

；

所述加速度计算模块内设置有手环动力矩阵，动力矩阵为D（a_x、a_y、a_z、k）；矩阵中，a_x代表人体在X轴方向的加速度，a_y代表人体在Y轴方向的加速度，a_z代表人体在Z轴方向的加速度，k为加速度判断指标；

所述中央处理系统内还设置嵌入式处理单元，所述嵌入式处理单元中预设有标准动力加速度，非发力脚所产生的标准力

和非发力脚环的标准速度

；

所述嵌入式处理单元将动力矩阵为D和标准动力加速度进行对比，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，生成一次加速判断指标k1；

所述嵌入式处理单元将非发力脚所产生的标准力

和智能模型计算每一次非发力脚所产生的力

进行对比，所述嵌入式处理单元根据对比结果对一次加速判断指标k1进行二次赋值，生成二次加速判断指标k2；

所述嵌入式处理单元将非发力脚环的标准速度

和非发力脚环的速度

进行对比，所述嵌入式处理单元根据对比结果对二次加速判断指标k2进行三次赋值，生成三次加速判断指标k3；

所述嵌入式处理单元根据一次加速判断指标k1、二次加速判断指标k2或三次加速判断指标k3中的任意一个指标判断是否发生摔倒和摔倒程度。

进一步地，所述脚环包括压力传感器组，所述压力传感器组设置在所述脚环内侧，佩戴所述脚环的的人员在行走时，脚腕与所述压力传感器组接触，所述压力传感器组产生对应压力值；

所述压力传感器组包括至少四个压力传感器，所述压力传感器用以检测至少四个方向上的压力值，压力值包括：至少一个与行进方向同向的压力值、至少一个与行进方向反向的压力值和至少两个与行进方向垂直的压力值。

进一步地，压力值包括同向压力值、反向压力值、第一垂直压力值和第二垂直压力值；

所述智能模型计算每一次非发力脚所产生的力

的计算公式如下：

式中：P1为同向压力值，P2为反向压力值，P3为第一垂直压力值，P4为第二垂直压力值，G1为预设同向参数，G2为预设反向参数，G3为预设垂直向参数；θ为实时角度；

其中，实时角度θ由所述脚环上的倾角传感器计算所得；

非发力脚环的速度

通过低通差分方法得到，其计算公式如下：

式中，

表示转换系数，

表示基于所述非发力脚环的速度参考值，

表示前一时序的非发力脚环的速度。

进一步地，标准动力加速度包括X轴方向的加速度a1，Y轴方向的加速度a2和Z轴方向的加速度a3。

进一步地，当动力矩阵D中仅存在一个加速度值与标准动力加速度不同，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=1；

当动力矩阵D中仅存在两个加速度值与标准动力加速度不同，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=2；

当动力矩阵D中仅存在三个加速度值与标准动力加速度不同，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=3。

进一步地，当非发力脚所产生的标准力

和智能模型计算每一次非发力脚所产生的力不相同时，所述嵌入式处理单元生成二次加速判断指标k2；k2=k1+1，式中，k1为一次加速判断指标；

当非发力脚环的标准速度

与非发力脚环的速度

不相同时，所述嵌入式处理单元生成三次加速判断指标k3；k3=k1+2，式中，k1为一次加速判断指标。

进一步地，当k1大于1时，所述嵌入式处理单元认定发生摔倒情况；

当二次加速判断指标k2小于3或三次加速判断指标k3小于4时，所述嵌入式处理单元认定发生摔倒情况；需要根据实际情况对当事人进行救助；

当二次加速判断指标k2大于等于3或三次加速判断指标k3大于等于4时，所述嵌入式处理单元认定发生摔倒情况；且摔倒情况严重，当事人急需救助。

进一步地，加速度计算公式如下：

式中，a_lx为所述左手环上的加速度传感器检测到的在X轴方向上的加速度值，a_ly为所述左手环上的加速度传感器检测到的在Y轴方向上的加速度值，a_lz为所述左手环上的加速度传感器检测到的在Z轴方向上的加速度值，a_rx为所述右手环上的加速度传感器检测到的在X轴方向上的加速度值，a_ry为所述右手环上的加速度传感器检测到的在Y轴方向上的加速度值，a_rz为所述右手环上的加速度传感器检测到的在Z轴方向上的加速度值，m₁为佩戴人员左手质量的输入值，m_r为佩戴人员右手质量的输入值，

为预设的左臂配重值，

为预设的右臂配重值；F_0x为在X轴方向预设的零偏力；F_0y为在Y轴方向预设的零偏力；F_0z为在Z轴方向预设的零偏力；c₁为X轴转换参数，c₂为Y轴转换参数，c₃为Z轴转换参数。

进一步地，所述左手环的倾角传感器生成倾角矩阵α，α（α_x α_y α_z），所述右手环的倾角传感器生成倾角矩阵β，β（β_x β_y β_z），矩阵中，α_x为左手环倾角传感器所检测的X轴方向的角度偏移量；α_y为左手环倾角传感器所检测的Y轴方向的角度偏移量；α_z为左手环倾角传感器所检测的Z轴方向的角度偏移量；β_x为右手环倾角传感器所检测的X轴方向的角度偏移量；β_y为右手环倾角传感器所检测的Y轴方向的角度偏移量；β_z为右手环倾角传感器所检测的Z轴方向的角度偏移量；

其中，

式中，m_l为佩戴人员左手质量的输入值，m_r为佩戴人员右手质量的输入值，F_0x为在X轴方向预设的零偏力；F_0y为在Y轴方向预设的零偏力；F_0z为在Z轴方向预设的零偏力；c₁为X轴转换参数，c₂为Y轴转换参数，c₃为Z轴转换参数。

进一步地，所述左手环、所述右手环和所述非发力脚环均包括心电传感器、微处理器和所述加速度传感器；

所述心电传感器用以对心率变化进行实时监测；所述倾角传感器对手环倾角进行监控；所述加速度传感器对加速度信息进行监测；所述微处理器对倾角信息、加速度信息和心电信息进行处理；

所述中央处理系统还设置有Zlgbee无线接收模块、三导联心电模块和GPRS无线通信模块，所述Zlgbee无线接收模块用以获取无线数据；所述三导联心电模块用以对心率信息进行计算；所述GPRS无线通信模块用以与手机APP之间通信。

与现有技术相比，本发明的有益效果在于，本发明准确获知人体摔倒的系统, 包括，设置在人的手腕上的左手环、右手环，以及设置在非发力脚上的脚环，分别获取加速度和倾角的传感器数据判断，还可额外提供标准的三导肢体导联的心电数据参与判断。本发明采用二手环加以脚环的监护设备，并且，选择非发力脚佩戴以获取特殊运动数据；非发力脚的选择，这是一个非常巧妙的切入点，它能提供特殊的、额外的人体运动数据特征；在人体潜意识中，当要向前摔倒时，本能的快速的伸出来防止摔倒的那个脚就是非发力脚；而向后摔倒，本能做支撑不动的是发力脚，而非发力脚会被无意识的抬起。因此，采用非发力脚能确保监测的数据更加精准。

进一步地，本发明除了常规采集的运动数据，还能结合三导联心电数据，以及引入非发力脚的特殊运动数据来准确判断人体摔倒的紧急情况，进而自动触发报警事件。

进一步地，本发明通过非发力脚上的智能模型计算非发力脚环上的各方向受力，在确定每次非发力脚所产生的力后，加速度计算模块生成手环动力矩阵；所述中央处理系统内设置嵌入式处理单元，所述嵌入式处理单元中预设有标准动力加速度，非发力脚所产生的标准力

和非发力脚环的标准速度

；所述嵌入式处理单元将动力矩阵D和标准动力加速度进行对比，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值；所述嵌入式处理单元根据一次加速判断指标k1、二次加速判断指标k2或三次加速判断指标k3中的任意一个指标判断是否发生摔倒和发生摔倒的程度。

进一步地，本发明的控制模块内设置三导联心电模块，该模块结合加速度、力矩、倾角和力有机结合判定，在确定心率值时，结合实时角度值、加速度值、力，并且考虑脚环、手环自身的重力负载参量，排除干扰因素。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例的准确获知人体摔倒的系统示意图；

图2为本发明实施例的准确获知人体摔倒的运动导向图；

图3为本发明实施例的准确获知人体摔倒不同人体运动SVM_A变化曲线图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

参阅图1所示，其为本发明实施例的准确获知人体摔倒的系统的功能框图，本实施例系统包括，设置在人的手腕上的左手环、右手环，以及设置在非发力脚上的脚环，分别获取加速度和倾角的传感器数据判断，还可额外提供标准的三导肢体导联的心电数据参与判断；还包括中央处理系统，对各个手环、脚环的加速度信息及心率信息建模，并进行运算处理。

具体而言，本发明实施例采用二手环加以脚环的监护设备，并且，选择非发力脚佩戴以获取特殊运动数据；非发力脚的选择，这是一个非常巧妙的切入点，它能提供特殊的、额外的人体运动数据特征；在人体潜意识中，当要向前摔倒时，本能的快速的伸出来防止摔倒的那个脚就是非发力脚；而向后摔倒，本能做支撑不动的是发力脚，而非发力脚会被无意识的抬起。因此，采用非发力脚能确保监测的数据更加精准。

具体而言，本发明实施例除了常规采集的运动数据，还能结合三导联心电数据，以及引入非发力脚的特殊运动数据来准确判断人体摔倒的紧急情况，进而自动触发报警事件。

结合图1所示，本实施例的左手环和右手环均包括心电传感器，用以对心率变化进行实时监测；倾角传感器，其对手环倾角进行监控；三轴加速度传感器，其对加速度信息进行监测；还包括微处理器，其对倾角信息、加速度信息和心电信息进行处理，在本实施例中，可采用CC2430微处理器；还包括无线发送模块，用以向控制模块发送采集信息及处理信息，在本实施例中，可采用Zlgbee无线发送模块。本实施例还包括中央处理系统，对各检测传感器的数据进行处理及控制。

结合图1所示，本实施例的非发力脚环，包括心电传感器，用以对心率变化进行实时监测；倾角传感器，其对脚环倾角进行监控；三轴加速度传感器，其对加速度信息进行监测；还包括微处理器，其对倾角信息、加速度信息和心电信息进行处理，在本实施例中，可采用CC2430微处理器；还包括无线发送模块，用以向中央处理系统发送采集信息及处理信息，在本实施例中，可采用Zlgbee无线发送模块。

图2为本发明实施例的准确获知人体摔倒的运动导向图；本实施例中，中央处理系统内设置智能模块，也即AI模型，其内设置有采用基于非发力脚特征数据的训练而获得的智能模型，将智能模型嵌入到中央处理系统中，提供更加准确的预测模型和能力。

图3为本发明实施例的准确获知人体摔倒不同人体运动SVM_A变化曲线图；在本实施例中，还设置有手机APP、设备，用以通过无线网络将智能模块数据与手机APP连通，并通过手机APP对智能模块进行控制及发送指令，可实时调取所述中央处理系统内的数据。

具体而言，左手环设置在人的左手腕上，右手环设置在人的右手腕上，脚环设置在人的非发力脚腕上；左手环和右手环内均设置有加速度传感器，左手环、所述右手环和所述脚环内均设置有倾角传感器，加速度传感器用以采集人体在X轴、Y轴、Z轴三个方向上的加速度；所述倾角传感器用以采集人体在X轴、Y轴、Z轴三个方向上的实时转动角度。

中央处理系统用以获取传感器获取的信息，中央处理系统对各个手环、脚环的加速度信息及心率信息建模，并进行运算处理；

智能模型计算每一次非发力脚所产生的力

和非发力脚环的速度

；

加速度计算模块内设置有手环动力矩阵，动力矩阵为D（a_x、a_y、a_z、k）；矩阵中，a_x代表人体在X轴方向的加速度，a_y代表人体在X轴方向的加速度，a_z代表人体在X轴方向的加速度，k为加速度判断指标；

中央处理系统内还设置嵌入式处理单元，嵌入式处理单元中预设有标准动力加速度，非发力脚所产生的标准力

和非发力脚环的标准速度

；

嵌入式处理单元将动力矩阵D和标准动力加速度进行对比，嵌入式处理单元根据对比结果对加速判断指标k进行赋值，生成一次加速判断指标k1；

嵌入式处理单元将非发力脚所产生的标准力

和智能模型计算每一次非发力脚所产生的力

进行对比，所述嵌入式处理单元根据对比结果对一次加速判断指标k1进行二次赋值，生成二次加速判断指标k2；

嵌入式处理单元将非发力脚环的标准速度

和非发力脚环的速度

进行对比，嵌入式处理单元根据对比结果对二次加速判断指标k2进行三次赋值，生成三次加速判断指标k3；

嵌入式处理单元根据一次加速判断指标k1、二次加速判断指标k2或三次加速判断指标k3中的任意一个指标判断是否发生摔倒和摔倒程度。

具体而言，脚环包括压力传感器组，压力传感器组设置在脚环内侧，佩戴脚环的人员在行走时，脚腕与压力传感器组接触，压力传感器组产生对应压力值；

压力传感器组包括至少四个压力传感器，压力传感器用以检测至少四个方向上的压力值，压力值包括：至少一个与行进方向同向的压力值、至少一个与行进方向反向的压力值和至少两个与行进方向垂直的压力值。

压力值包括同向压力值、反向压力值、第一垂直压力值和第二垂直压力值；

智能模型计算每一次非发力脚所产生的力

的计算公式如下：

式中：P1为同向压力值，P2为反向压力值，P3为第一垂直压力值，P4为第二垂直压力值，G1为预设同向参数，G2为预设反向参数，G3为预设垂直向参数；θ为实时角度；

其中，实时角度θ由所述脚环上的倾角传感器计算所得；

非发力脚环的速度

通过低通差分方法得到，其计算公式如下：

式中，

表示转换系数，

表示基于所述非发力脚环的速度参考值，

表示前一时序的非发力脚环的速度。

具体而言，标准动力加速度包括X轴方向的加速度a1，Y轴方向的加速度a2和Z轴方向的加速度a3。

具体而言，当动力矩阵D中仅存在一个加速度值与标准动力加速度不同，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=1；

当动力矩阵D中仅存在两个加速度值与标准动力加速度不同，嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=2；

当动力矩阵D中仅存在三个加速度值与标准动力加速度不同，嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=3。

具体而言，当非发力脚所产生的标准力

和智能模型计算每一次非发力脚所产生的力不相同时，所述嵌入式处理单元生成二次加速判断指标k2；k2=k1+1，式中，k1为一次加速判断指标；

当非发力脚环的标准速度

与非发力脚环的速度

不相同时，嵌入式处理单元生成三次加速判断指标k3；k3=k1+2，式中，k1为一次加速判断指标。

具体而言，当k1大于1时，嵌入式处理单元认定发生摔倒情况；

当二次加速判断指标k2小于3或三次加速判断指标k3小于4时，所述嵌入式处理单元认定发生摔倒情况；需要根据实际情况对当事人进行救助；

当二次加速判断指标k2大于等于3或三次加速判断指标k3大于等于4时，所述嵌入式处理单元认定发生摔倒情况；且摔倒情况严重，当事人急需救助。

具体而言，加速度计算公式如下：

式中，a_lx为左手环上的加速度传感器检测到的在X轴方向上的加速度值，a_ly为左手环上的加速度传感器检测到的在Y轴方向上的加速度值，a_lz为左手环上的加速度传感器检测到的在Z轴方向上的加速度值，a_rx为右手环上的加速度传感器检测到的在X轴方向上的加速度值，a_ry为右手环上的加速度传感器检测到的在Y轴方向上的加速度值，a_rz为右手环上的加速度传感器检测到的在Z轴方向上的加速度值，m_l为佩戴人员左手质量的输入值，m_r为佩戴人员右手质量的输入值，

为预设的左臂配重值，

为预设的右臂配重值；F_0x为在X轴方向预设的零偏力；F_0y为在Y轴方向预设的零偏力；F_0z为在Z轴方向预设的零偏力；c₁为X轴转换参数，c₂为Y轴转换参数，c₃为Z轴转换参数。

左手环的倾角传感器生成倾角矩阵α，α（α_x α_y α_z），右手环的倾角传感器生成倾角矩阵β，β（β_x β_y β_z），矩阵中，α_x为左手环倾角传感器所检测的X轴方向的角度偏移量；α_y为左手环倾角传感器所检测的Y轴方向的角度偏移量；α_z为左手环倾角传感器所检测的Z轴方向的角度偏移量；β_x为右手环倾角传感器所检测的X轴方向的角度偏移量；β_y为右手环倾角传感器所检测的Y轴方向的角度偏移量；β_z为右手环倾角传感器所检测的Z轴方向的角度偏移量；

其中，

式中，m_l为佩戴人员左手质量的输入值，m_r为佩戴人员右手质量的输入值，F_0x为在X轴方向预设的零偏力；F_0y为在Y轴方向预设的零偏力；F_0z为在Z轴方向预设的零偏力；c₁为X轴转换参数，c₂为Y轴转换参数，c₃为Z轴转换参数。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种准确获知人体摔倒的系统，其特征在于，包括：左手环、右手环、脚环和中央处理系统；

所述左手环设置在人的左手腕上，所述右手环设置在人的右手腕上，所述脚环设置在人的非发力脚腕上；所述左手环和所述右手环内均设置有加速度传感器，所述左手环、所述右手环和所述脚环内均设置有倾角传感器，所述加速度传感器用以采集人体在X轴、Y轴、Z轴三个方向上的加速度；所述倾角传感器用以采集人体在X轴、Y轴、Z轴三个方向上的实时转动角度；

所述中央处理系统用以获取传感器获取的信息，所述中央处理系统对各个手环、脚环的加速度信息及心率信息建模，并进行运算处理；

所述中央处理系统内设置智能模块，所述智能模块内设置有采用基于非发力脚特征数据的训练而获得的智能模型；所述中央处理系统内还设置加速度计算模块和倾角计算模块，所述加速度计算模块对所述加速度传感器检测到的加速度信息进行处理；所述倾角计算模块按照预设的倾角计算方式进行计算；

所述智能模型计算每一次非发力脚所产生的力

和非发力脚环的速度

；

所述加速度计算模块内设置有手环动力矩阵，动力矩阵为D（a_x、a_y、a_z、k）；矩阵中，a_x代表人体在X轴方向的加速度，a_y代表人体在Y轴方向的加速度，a_z代表人体在Z轴方向的加速度，k为加速度判断指标；

所述中央处理系统内还设置嵌入式处理单元，所述嵌入式处理单元中预设有标准动力加速度，非发力脚所产生的标准力

和非发力脚环的标准速度

；

所述嵌入式处理单元将动力矩阵D和标准动力加速度进行对比，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，生成一次加速判断指标k1；

所述嵌入式处理单元将非发力脚所产生的标准力

和智能模型计算每一次非发力脚所产生的力

进行对比，所述嵌入式处理单元根据对比结果对一次加速判断指标k1进行二次赋值，生成二次加速判断指标k2；

所述嵌入式处理单元将非发力脚环的标准速度

和非发力脚环的速度

进行对比，所述嵌入式处理单元根据对比结果对二次加速判断指标k2进行三次赋值，生成三次加速判断指标k3；

所述嵌入式处理单元根据一次加速判断指标k1、二次加速判断指标k2或三次加速判断指标k3中的任意一个指标判断是否发生摔倒和摔倒程度。

2.根据权利要求1所述的准确获知人体摔倒的系统，其特征在于，所述脚环包括压力传感器组，所述压力传感器组设置在所述脚环内侧，佩戴所述脚环的人员在行走时，脚腕与所述压力传感器组接触，所述压力传感器组产生对应压力值；

所述压力传感器组包括至少四个压力传感器，所述压力传感器用以检测至少四个方向上的压力值，压力值包括：至少一个与行进方向同向的压力值、至少一个与行进方向反向的压力值和至少两个与行进方向垂直的压力值。

3.根据权利要求2所述的准确获知人体摔倒的系统，其特征在于，压力值包括同向压力值、反向压力值、第一垂直压力值和第二垂直压力值；

所述智能模型计算每一次非发力脚所产生的力

的计算公式如下：

式中：P1为同向压力值，P2为反向压力值，P3为第一垂直压力值，P4为第二垂直压力值，G1为预设同向参数，G2为预设反向参数，G3为预设垂直向参数；θ为实时角度；

其中，实时角度θ由所述脚环上的倾角传感器计算所得；

非发力脚环的速度

通过低通差分方法得到，其计算公式如下：

式中，

表示转换系数，

表示基于所述非发力脚环的速度参考值，

表示前一时序的非发力脚环的速度。

4.根据权利要求1所述的准确获知人体摔倒的系统，其特征在于，标准动力加速度包括X轴方向的加速度a1，Y轴方向的加速度a2和Z轴方向的加速度a3。

5.根据权利要求4所述的准确获知人体摔倒的系统，其特征在于，当动力矩阵D中仅存在一个加速度值与标准动力加速度不同，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=1；

当动力矩阵D中仅存在两个加速度值与标准动力加速度不同，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=2；

当动力矩阵D中仅存在三个加速度值与标准动力加速度不同，所述嵌入式处理单元根据对比结果对加速判断指标k进行赋值，一次加速判断指标k1=3。

6.根据权利要求5所述的准确获知人体摔倒的系统，其特征在于，当非发力脚所产生的标准力

和智能模型计算每一次非发力脚所产生的力不相同时，所述嵌入式处理单元生成二次加速判断指标k2；k2=k1+1，式中，k1为一次加速判断指标；

当非发力脚环的标准速度

与非发力脚环的速度

不相同时，所述嵌入式处理单元生成三次加速判断指标k3；k3=k1+2，式中，k1为一次加速判断指标。

7.根据权利要求6所述的准确获知人体摔倒的系统，其特征在于，当k1大于1时，所述嵌入式处理单元认定发生摔倒情况；

当二次加速判断指标k2小于3或三次加速判断指标k3小于4时，所述嵌入式处理单元认定发生摔倒情况；需要根据实际情况对当事人进行救助；

当二次加速判断指标k2大于等于3或三次加速判断指标k3大于等于4时，所述嵌入式处理单元认定发生摔倒情况；且摔倒情况严重，当事人急需救助。

8.根据权利要求1所述的准确获知人体摔倒的系统，其特征在于，加速度计算公式如下：

式中，a_lx为所述左手环上的加速度传感器检测到的在X轴方向上的加速度值，a_ly为所述左手环上的加速度传感器检测到的在Y轴方向上的加速度值，a_lz为所述左手环上的加速度传感器检测到的在Z轴方向上的加速度值，a_rx为所述右手环上的加速度传感器检测到的在X轴方向上的加速度值，a_ry为所述右手环上的加速度传感器检测到的在Y轴方向上的加速度值，a_rz为所述右手环上的加速度传感器检测到的在Z轴方向上的加速度值，m_l为佩戴人员左手质量的输入值，m_r为佩戴人员右手质量的输入值，

为预设的左臂配重值，

为预设的右臂配重值；F_0x为在X轴方向预设的零偏力；F_0y为在Y轴方向预设的零偏力；F_0z为在Z轴方向预设的零偏力；c₁为X轴转换参数，c₂为Y轴转换参数，c₃为Z轴转换参数。

9.根据权利要求8所述的准确获知人体摔倒的系统，其特征在于，所述左手环的倾角传感器生成倾角矩阵α，α（α_x α_y α_z），所述右手环的倾角传感器生成倾角矩阵β，β（β_x β_y β_z），矩阵中，α_x为左手环倾角传感器所检测的X轴方向的角度偏移量；α_y为左手环倾角传感器所检测的Y轴方向的角度偏移量；α_z为左手环倾角传感器所检测的Z轴方向的角度偏移量；β_x为右手环倾角传感器所检测的X轴方向的角度偏移量；β_y为右手环倾角传感器所检测的Y轴方向的角度偏移量；β_z为右手环倾角传感器所检测的Z轴方向的角度偏移量；

其中，

式中，m_l为佩戴人员左手质量的输入值，m_r为佩戴人员右手质量的输入值，F_0x为在X轴方向预设的零偏力；F_0y为在Y轴方向预设的零偏力；F_0z为在Z轴方向预设的零偏力；c₁为X轴转换参数，c₂为Y轴转换参数，c₃为Z轴转换参数。

10.根据权利要求1所述的准确获知人体摔倒的系统，其特征在于，所述左手环、所述右手环和所述非发力脚环均包括心电传感器、微处理器和所述加速度传感器；

所述心电传感器用以对心率变化进行实时监测；所述倾角传感器对手环倾角进行监控；所述加速度传感器对加速度信息进行监测；所述微处理器对倾角信息、加速度信息和心电信息进行处理；

所述中央处理系统还设置有Zlgbee无线接收模块、三导联心电模块和GPRS无线通信模块，所述Zlgbee无线接收模块用以获取无线数据；所述三导联心电模块用以对心率信息进行计算；所述GPRS无线通信模块用以与手机APP之间通信。

Images