CN111035391B - 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 - Google Patents
基于特征值加权平均和阈值法相结合的老人跌倒检测方法 Download PDFInfo
- Publication number
- CN111035391B CN111035391B CN201911178456.6A CN201911178456A CN111035391B CN 111035391 B CN111035391 B CN 111035391B CN 201911178456 A CN201911178456 A CN 201911178456A CN 111035391 B CN111035391 B CN 111035391B
- Authority
- CN
- China
- Prior art keywords
- maximum
- value
- angular velocity
- max
- weighted average
- 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
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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,包括:姿态传感器信号的读取;信号的预处理与特征值的提取;对最大合加速度、最大合角速度、最大倾角进行归一化;将最大合角速度归一化值和最大合加速度归一化值进行加权平均,将最大合角速度归一化值和最大倾角归一化值进行加权平均;对得到的两个加权平均值以及某些特征值设定阈值,并分别与各自阈值进行比较,根据比较结果判定是否跌倒。本发明通过对特征值进行加权平均,并设定多个阈值进行判定,有效地提高了识别准确率,通过滑动数据窗实现了实时检测,且算法计算量小,本发明考虑了10种ADL即跑步、步行、上楼、下楼、坐下、跳跃、下蹲起立、弯腰、转身、躺下。
Description
技术领域
本发明涉及可穿戴设备领域,具体涉及一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法。
背景技术
对当今日益增加的老人而言,跌倒是一个严重威胁老人生命健康的问题,因此跌倒检测的研究极为重要。当前跌倒检测的研究分为基于视频图像、基于环境式、基于可穿戴设备3个方向,基于视频图像、基于环境式的系统成本高、计算量大,而基于可穿戴设备的系统是利用加速度、角速度、角度信号,在低成本、低计算量的同时也有很高的识别准确率,实时性高,为本发明研究的方向。
当前关于跌倒检测的研究考虑的ADL(Activity of Daily Living,即日常生活活动)种类较少,且不能充分利用姿态传感器信号(三轴加速度、三轴角速度、三轴角度),实时性不够高。目前的跌倒检测研究以阈值法和模式识别法为主,阈值法的识别准确率较低,而模式识别法的算法比较复杂,计算量大,实时性差。
发明内容
为了解决现有技术存在的上述问题,本发明提出了一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,能提高识别准确率,减少计算量,有很高的实时性。
本发明目的是使用者发生4种跌倒动作时系统报警,而使用者在进行10种ADL时系统不报警。4种跌倒分别为向前跌倒、向后跌倒、向左跌倒、向右跌倒,10种ADL分别为跑步、步行、上楼、下楼、坐下、跳跃、下蹲起立、弯腰、转身、躺下。
本发明的目的是通过以下技术方案实现的:
一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,使用姿态传感器及与其蓝牙通信的上位机,蓝牙姿态传感器由被检测者携带;所述跌倒检测方法包括以下步骤:
步骤一、上位机读取姿态传感器获得的信号:记一个滑动数据窗中的动作对应的姿态传感器信号为一组信号,其中,跌倒动作对应的信号为跌倒信号,ADL对应的信号为ADL信号;每组信号包含三轴加速度信号ax、ay、az,三轴角速度信号ωx、ωy、ωz,三轴角度信号Anglex、Angley、Anglez;并将读取的上述数据分为训练集和测试集;
步骤二、对所述步骤一读取的信号进行预处理与特征值提取:分别计算合加速度a及合角速度ω,并对合加速度、合角速度进行低通滤波;提取特征值,包括最大合加速度amax、最大合角速度ωmax、最大倾角Anglemax、最大非Z轴角速度ωxymax;
步骤三、分别对步骤二提取的最大合加速度、最大合角速度、最大倾角进行归一化处理;
步骤四、对步骤三得到的归一化值进行加权平均:对最大合角速度归一化值和最大合加速度归一化值进行加权平均,并对最大合角速度归一化值和最大倾角归一化值进行加权平均;
步骤五、分别对通过步骤四得到的两个加权平均值和步骤二提取的最大合加速度amax、最大倾角Anglemax、最大非Z轴角速度ωxymax设定阈值,并将这2个加权平均值和3个特征值分别与各自的阈值进行比较,根据各个比较结果判定是否跌倒。
进一步地,所述步骤二的具体过程为:
在滑动数据窗中完成数据预处理后,提取以下4种特征值:
(1)最大合加速度:amax=max{a1,a2,…,an}
(2)最大合角速度:ωmax=max{ω1,ω2,…,ωn}
(3)最大倾角:
Anglemax=max{|Anglex1|,|Anglex2|,…,|Anglexn|,|Angley1|,|Angley2|,…,|Angleyn|}
(4)最大非Z轴角速度:ωxymax=max{|ωx1|,|ωx2|,…,|ωxn|,|ωy1|,|ωy2|,…,|ωyn|}
其中,a1、a2、…、an为长度为n的数据窗的n个合加速度,amax为其中最大值;ω1、ω2、…、ωn为长度为n的数据窗的n个合角速度,ωmax为其中最大值;Anglex1、Anglex2、…、Anglexn为长度为n的数据窗的n个X轴角度,Angley1、Angley2、…、Angleyn为长度为n的数据窗的n个Y轴角度,Anglemax为数据窗中的n个X轴角度的绝对值和n个Y轴角度的绝对值的最大值;ωx1、ωx2、…、ωxn为长度为n的数据窗的n个X轴角速度,ωy1、ωy2、…、ωyn为长度为n的数据窗的n个Y轴角速度,ωxymax为n个X轴角速度的绝对值和n个Y轴角速度的绝对值的最大值。
进一步地,所述步骤三的具体过程为:
其中,Lowera为训练集中经过步骤二得到的N个最大合加速度的最小值,N为训练集的样本数;Uppera为训练集中经过步骤二得到的N个最大合加速度的最大值;Ya为当前数据窗的最大合加速度归一化后的值;Lowerω为训练集N个最大合角速度的最小值,Upperω对训练集N个最大合角速度的最大值,Yω为当前数据窗的最大合角速度归一化后的值;LowerAngle为训练集N个最大倾角的最小值,UpperAngle为训练集N个最大倾角的最大值,YAngle为当前数据窗的最大倾角归一化后的值。
进一步地,所述步骤四的具体过程为:
对最大合角速度归一化值Yω和最大合加速度归一化值Ya进行加权平均:
Yc1=w1Yω+w2Ya
其中,Yc1为该加权平均的加权平均值,w1为Yω的权重,w2为Ya的权重。
对最大合角速度归一化值Yω和最大倾角归一化值YAngle进行加权平均:
Yc2=w3Yω+w4YAngle
其中,Yc2为该加权平均的加权平均值,w3为Yω的权重,w4为YAngle的权重。
进一步地,所述步骤五的具体过程为:
每隔对滑动数据窗中的数据进行一次预处理、特征提取、归一化、加权平均后,得到最大合加速度amax、最大合角速度ωmax、最大倾角Anglemax、最大非Z轴角速度ωxymax、加权平均值Yc1和加权平均值Yc2;
将Yc1与设定的阈值T1进行比较,将Yc2与设定的阈值T2进行比较:如果Yc1>T1且Yc2>T2,则进入下一级判断,否则判定此时未发生跌倒;
将最大合加速度amax与设定的阈值T3进行比较,将最大倾角Anglemax与设定的阈值T4进行比较:如果amax>T3且Anglemax>T4,则进入下一级判断,否则判定此时未发生跌倒;
将最大非Z轴角速度ωxymax与设定的阈值T5进行比较:如果ωxymax>T5,则判定发生跌倒,否则判定此时未发生跌倒。
在判定为跌倒后,上位机进行声音报警,并给监护人发送电子邮件。上位机利用Matlab的sound函数实现声音报警,并通过编写相应程序实现给监护人发送邮件。
进一步地,所述步骤五中各阈值的设定,是通过将训练集经过数据处理后得到的跌倒及ADL的同一类别特征值(例如,最大合加速度)进行比较,观察并分析后,设定一个能够将训练集中跌倒对应的该特征值集合与ADL对应的该特征值集合尽可能进行区分的值作为阈值。记N1为训练集中跌倒数据窗个数,N2为训练集中ADL数据窗个数,(N1+N2=N,N为之前所述的训练集数据窗个数)。设定阈值T1略小于N1组跌倒数据窗信号对应的N1个Yc1的最小值,设定阈值T2略小于N1组跌倒数据窗信号对应N1个Yc2的最小值,设定阈值T3略小于N1组跌倒数据窗信号对应的N1个最大合加速度amax的最小值,设定阈值T4略小于N1组跌倒数据窗信号对应的N1个最大倾角Anglemax的最小值,通过分析训练集中所有跌倒数据窗信号与ADL数据窗信号对应的N个最大非Z轴角速度ωxymax设定T5。本发明通过多级判断进行跌倒检测,每次跌倒检测的时间间隔为
进一步地,反复循环执行所述步骤一至步骤五,反复执行步骤一不断得到姿态传感器输出的数据,步骤一接收数据的频率由姿态传感器的数据传输速率决定;步骤二至步骤五利用滑动数据窗循环执行。
总之,本发明与目前已有的跌倒检测研究相比,主要有以下优点:
1.本发明提出的基于特征值加权平均和阈值法相结合的老人跌倒检测方法研究充分利用了加速度、角速度、角度信号,通过加权平均和设定多个阈值进行跌倒检测,与一般的阈值法相比本发明的方法有很高的识别准确率。
2.本发明研究了多种ADL的姿态传感器信号,尽可能地考虑到了日常生活中可能出现的动作,并研究将这些动作如何与跌倒区分,避免跌倒检测系统受某些动作的干扰发生误判。
3.本发明利用了滑动数据窗进行跌倒检测,实时性高,并且本发明的跌倒检测方法复杂度低,计算量小。
附图说明
图1是跌倒检测系统的硬件部分示意图
图2a是包含一次跌倒过程的数据窗的合加速度,图2b是包含一次跌倒过程的数据窗的合角速度
图3是本发明的基于特征值加权平均和阈值法相结合的老人跌倒检测方法的流程图。
图4a是跌倒与跑步、步行、跳跃、上楼、躺下的Yc1分布图,图4b是跌倒与下楼、坐下、弯腰、转身、下蹲起立的Yc1分布图
图5a是跌倒与跑步、步行、跳跃、上楼、躺下的Yc2分布图,图5b是跌倒与下楼、坐下、弯腰、转身、下蹲起立的Yc2分布图
图6a是跌倒与跑步、下楼、坐下的amax分布图,图6b是跌倒与下蹲起立、跳跃、上楼的amax分布图
图7是跌倒与弯腰、躺下、下蹲起立、跳跃、跑步的Anglemax分布图
图8是跌倒的最大非Z轴角速度ωxymax分布图
具体实施方式
为了详细说明本发明的具体实施方式及优点,以下将结合附图对本发明进行阐述。
本发明与现有跌倒检测研究不同之处在于本发明提出了一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法。该方法考虑了多种ADL(Activity of DailyLiving,即日常生活活动),充分利用了加速度、角速度、角度信号,灵敏度、特异性、识别准确率都很高,也有很高的实时性,整体步骤如下:
步骤一、上位机读取姿态传感器获得的信号,每组信号包含三轴加速度信号、三轴角速度信号、三轴角度信号,并将读取的上述数据分为训练集和测试集;
步骤二、对所述步骤一读取的信号进行预处理与特征值提取:分别计算合加速度及合角速度,并对合加速度、合角速度进行低通滤波;提取特征值,包括最大合加速度、最大合角速度、最大倾角、最大非Z轴角速度;
步骤三、分别对步骤二提取的最大合加速度、最大合角速度、最大倾角进行归一化处理;
步骤四、对步骤三得到的归一化值进行加权平均:对最大合角速度归一化值和最大合加速度归一化值进行加权平均,并对最大合角速度归一化值和最大倾角归一化值进行加权平均;
步骤五、分别对通过步骤四得到的两个加权平均值和步骤二提取的最大合加速度、最大倾角、最大非Z轴角速度设定阈值,并分别与各自的阈值进行比较,根据各个比较结果判定是否跌倒。
以下结合实施例对本发明技术方案做详细介绍:
如图1所示,本发明的硬件系统包含蓝牙姿态传感器BWT901CL和上位机两部分,BWT901CL能输出三轴加速度、三轴角速度、三轴角度,自带蓝牙接口,能通过上位机程序对其工作模式进行设置。使用者在进行跌倒检测时将传感器绑于腰部。由千月蓝牙软件建立虚拟串口,通过虚拟串口实现上位机与传感器之间的数据传输。上位机利用Matlab读取串口数据。传感器的工作模式则是由上位机程序进行设置,包括设置传输内容为3种姿态传感器信号,设置波特率为115200bps,设置数据传输速率为100Hz。本发明的数据读取、数据处理、跌倒检测都是在上位机中实现,利用的软件为Matlab。
本发明通过姿态传感器采集了大量数据,记一个滑动数据窗中的动作对应的姿态传感器信号为一组信号(如一个滑动数据窗中的跌倒动作对应的信号为一组跌倒数据窗信号,简称跌倒信号;一个滑动数据窗中的ADL对应的信号为一组ADL数据窗信号,简称ADL信号),每组信号包含三轴加速度、三轴角速度、三轴角度。本发明共采集了240组跌倒信号与1200组ADL信号(每种ADL为120组),将这些数据分为训练集和测试集,训练集用于算法模型训练、参数确定,测试集用于仿真检验。其中,训练集为960组(包括160组跌倒信号与800组ADL信号,每种ADL为80组),测试集为剩余的480组。
如图3所示,本发明的基于特征值加权平均和阈值法相结合的老人跌倒检测方法,具体由以下步骤组成:
步骤一、姿态传感器信号(三轴加速度、三轴角速度、三轴角度)的读取:
被检测者将姿态传感器绑于腰部,姿态传感器输出3种姿态传感器信号,由上位机接收数据。由千月蓝牙软件建立虚拟串口,利用Matlab自带的serial函数实现创建一个与虚拟串口相关联的串口对象,利用fopen(serial)实现将串口连接到设备,利用fread(serial)实现从设备中读取二进制数据,读取加速度数据包、角速度数据包、角度数据包,并对3种数据包进行处理得三轴加速度(ax、ay、az)、三轴角速度(ωx、ωy、ωz)、三轴角度(Anglex、Angley、Anglez)。
对3种数据包进行处理得各轴姿态传感器信号过程如下:
(1)ax=((AxH<<8)|AxL)/32768×16g
(2)ay=((AyH<<8)|AyL)/32768×16g
(3)az=((AzH<<8)|AzL)/32768×16g
(4)ωx=((wxH<<8)|wxL)/32768×2000(°/s)
(5)ωy=((wyH<<8)|wyL)/32768×2000(°/s)
(6)ωz=((wzH<<8)|wzL)/32768×2000(°/s)
(7)Anglex=((RollH<<8)|RollL)/32768×180(°)
(8)Angley=((PitchH<<8)|PitchL)/32768×180(°)
(9)Anglez=((YawH<<8)|YawL)/32768×180(°)
其中,AxH、AyH、AzH分别为X轴加速度、Y轴加速度、Z轴加速度的高八位,AxL、AyL、AzL分别为X轴加速度、Y轴加速度、Z轴加速度的低八位,以上是从加速度数据包提取的数据;wxH、wyH、wzH分别为X轴角速度、Y轴角速度、Z轴角速度的高八位,wxL、wyL、wzL分别为X轴角速度、Y轴角速度、Z轴角速度的低八位,以上是从角速度数据包提取的数据;RollH、PitchH、YawH为X轴角度、Y轴角度、Z轴角度的高八位,RollL、PitchL、YawL为X轴角度、Y轴角度、Z轴角度的低八位,以上是从角度数据包提取的数据。
步骤二、信号的预处理与特征值的提取:
在完成信号读取后需要计算合加速度、合角速度和滤波。本发明目的是使用者发生4种跌倒动作时系统报警,而使用者在进行10种ADL时系统不报警。4种跌倒分别为向前跌倒、向后跌倒、向左跌倒、向右跌倒,10种ADL分别为跑步、步行、上楼、下楼、坐下、跳跃、下蹲起立、弯腰、转身、躺下。
本发明采集了大量数据用于训练算法模型和检测算法识别准确率。本发明利用长度为200、步长为40的滑动数据窗,数据传输速率为100Hz,因此数据窗对应时间为2s,每隔0.4s对当前数据窗中的数据进行一次信号预处理及特征值提取。计算合加速度为计算合角速度为包含一次跌倒过程的数据窗的合加速度如图2a所示,包含一次跌倒过程的数据窗的合角速度如图2b所示。滤波是采用通带最大衰减为3dB、阻带最小衰减为35dB、阶数为4的巴特沃斯低通滤波器对合加速度、合角速度进行滤波。
在滑动数据窗中完成数据预处理后,在数据窗中提取特征值,本发明共提取以下4种特征值:
(1)最大合加速度:amax=max{a1,a2,…,an}
(2)最大合角速度:ωmax=max{ω1,ω2,…,ωn}
(3)最大倾角:
Anglemax=max{|Anglex1|,|Anglex2|,…,|Anglexn|,|Angley1|,|Angley2|,…,|Angleyn|}
(4)最大非Z轴角速度:ωxymax=max{|ωx1|,|ωx2|,…,|ωxn|,|ωy1|,|ωy2|,…,|ωyn|}
其中,a1、a2、…、an为长度为n的数据窗的n个合加速度,amax为其中最大值(即最大合加速度),ω1、ω2、…、ωn为长度为n的数据窗的n个合角速度,ωmax为其中最大值(即最大合角速度),Anglex1、Anglex2、…、Anglexn为长度为n的数据窗的n个X轴角度,Angley1、Angley2、…、Angleyn为长度为n的数据窗的n个Y轴角度,Anglemax为数据窗中的n个X轴角度的绝对值、n个Y轴角度的绝对值共2n个非负数的最大值(即最大倾角),ωx1、ωx2、…、ωxn为长度为n的数据窗的n个X轴角速度,ωy1、ωy2、…、ωyn为长度为n的数据窗的n个Y轴角速度,ωxymax为这2n个数据绝对值的最大值,本发明称ωxymax为最大非Z轴角速度。在本发明中,滑动数据窗长度为200,因此n为200。
步骤三、分别对最大合加速度、最大合角速度、最大倾角进行归一化处理:
其中,Lowera为对训练集做处理(包括预处理与特征提取)得到的960个最大合加速度的最小值(通过960组数据窗信号的三轴加速度计算960个数据窗的合加速度信号,从而提取960个最大合加速度取最小值),Uppera为对训练集做处理得到的960个最大合加速度的最大值,Ya为当前数据窗的最大合加速度归一化后的值;Lowerω为对训练集做处理得到的960个最大合角速度的最小值,Upperω为对训练集做处理得到的960个最大合角速度的最大值,Yω为当前数据窗的最大合角速度归一化后的值;LowerAngle为对训练集做处理得到的960个最大倾角的最小值,UpperAngle为对训练集做处理得到的960个最大倾角的最大值,YAngle为当前数据窗的最大倾角归一化后的值。
步骤四、对步骤三得到的归一化值进行加权平均:
先对最大合角速度归一化值和最大合加速度归一化值进行加权平均:
Yc1=w1Yω+w2Ya
其中,Yc1为该加权平均的加权平均值,w1为Yω的权重,w2为Ya的权重。
然后,对最大合角速度归一化值和最大倾角归一化值进行加权平均:
Yc2=w3Yω+w4YAngle
其中,Yc2为该加权平均的加权平均值,w3为Yω的权重,w4为YAngle的权重。
w1=0.65~0.75,w2=0.25~0.35,且w1+w2=1;w3=0.65~0.75,w4=0.25~0.35,且w3+w4=1。本发明根据观察与分析,最终取w1=w3=0.7,w2=w4=0.3。
步骤五、分别对通过步骤四得到的两个加权平均值和步骤二提取的最大合加速度、最大倾角、最大非Z轴角速度设定阈值,并分别与各自的阈值进行比较,根据各个比较结果判定是否跌倒:
每隔0.4s进行一次预处理、特征提取、归一化、加权平均,得到4个特征值(最大合加速度、最大合角速度、最大倾角、最大非Z轴角速度)、Yc1和Yc2。将Yc1与设定的阈值T1进行比较,将Yc2与设定的阈值T2进行比较,如果Yc1>T1且Yc2>T2,则进入下一级判断,否则判定此时未发生跌倒;接着将最大合加速度amax与设定的阈值T3进行比较,将最大倾角Anglemax与设定的阈值T4进行比较,如果amax>T3且Anglemax>T4,则进入下一级判断,否则判定此时未发生跌倒;接着将最大非Z轴角速度ωxymax与设定的阈值T5进行比较,如果ωxymax>T5,则判定发生跌倒,否则判定此时未发生跌倒。在判定为跌倒后,上位机进行声音报警,并给监护人发送电子邮件。上位机利用Matlab的sound函数实现声音报警,并通过运行相应程序实现给监护人发送邮件。
本发明通过反复循环执行以上5个步骤实现实时跌倒检测,反复执行步骤1不断接收3种数据包,不断得到传感器输出的数据,步骤1接收数据的频率由传感器的数据传输速率决定(本发明通过上位机程序设置数据传输速率为100Hz),而步骤2至步骤5则利用滑动数据窗循环执行(本发明中每隔0.4s滑动数据窗进行一次滑动,步骤2至步骤5执行一次,系统进行一次跌倒检测)。
以下对本发明技术方案中阈值的选取过程以及方法的有效性验证做进一步介绍:
本实施例中,训练集的跌倒数据窗信号有160组,ADL数据窗信号有800组,因此对训练集进行预处理、特征提取可以得到160个跌倒的amax、160个跌倒的Anglemax、160个跌倒的ωxymax与800个ADL的amax、800个ADL的Anglemax、800个ADL的ωxymax,对训练集进行预处理、特征提取、归一化、加权平均可以得到160个跌倒的Yc1、160个跌倒的Yc2与800个ADL的Yc1、800个ADL的Yc2。
本发明对Yc1、Yc2设定阈值进行初步跌倒判断:通过对训练集的数据处理、观察与分析设置各自的阈值。例如Yc1,通过设定一个能够将训练集的跌倒对应的Yc1集合与ADL对应的Yc1集合尽可能进行区分的值作为阈值,Yc2同理。以下具体说明:
对训练集的160组跌倒数据窗信号对应的160个Yc1与800组ADL数据窗信号对应的800个Yc1(每种ADL为80个)进行比对,跌倒与跑步、步行、跳跃、上楼、躺下的Yc1分布图如图4a所示,跌倒与下楼、坐下、弯腰、转身、下蹲起立的Yc1分布图如图4b所示,由图4a、图4b可知,跌倒的Yc1的最小值大于大多数ADL的所有Yc1,虽然跑步、转身、坐下的Yc1较大,但这3种ADL的所有Yc1(共240个)全部小于跌倒Yc1的最小值,只有跳跃有部分Yc1超过了跌倒Yc1的最小值,因此,若设置T1略小于跌倒Yc1的最小值,则通过Yc1与T1的比较便可以将大多数ADL与跌倒区分,160个跌倒的Yc1的最小值为0.4207,因此设置T1为0.4000。
对训练集的160组跌倒数据窗信号对应的160个Yc2与800组ADL数据窗信号对应的800个Yc2进行比对,跌倒与跑步、步行、跳跃、上楼、躺下的Yc2分布图如图5a所示,跌倒与下楼、坐下、弯腰、转身、下蹲起立的Yc2分布图如图5b所示,由图5a、图5b可知,10种ADL中跑步、跳跃、躺下、转身、弯腰的Yc2比较大,但仍然小于跌倒Yc2的最小值,设置T2略小于跌倒Yc2的最小值,几乎可以将跌倒与ADL进行区分,160个跌倒的Yc2的最小值为0.5743,因此设置T2为0.5500。
为了进一步提高算法的识别准确率,本发明还对最大合加速度amax、最大倾角Anglemax、最大非Z轴角速度ωxymax设定阈值进行判断,通过对训练集的数据处理、观察与分析设置各自的阈值。将训练集经过数据处理后的得到的跌倒及ADL的同一类别特征值(例如,最大合加速度)进行比较,观察并分析后,设定一个能够将训练集中跌倒对应的该特征值集合与ADL对应的该特征值集合尽可能进行区分的值作为阈值。以下具体说明:
对训练集的160组跌倒数据窗信号对应的160个最大合加速度amax与800组ADL数据窗信号对应的800个最大合加速度amax进行比对(经过了巴特沃斯滤波),跌倒与跑步、下楼、坐下的amax分布图如图6a所示,跌倒与下蹲起立、跳跃、上楼的amax分布图如图6b所示,步行、躺下、弯腰、转身的amax较小,皆小于跌倒amax的最小值,因此未作图说明。由图6a、图6b可知,跌倒amax的最小值大于大多数ADL的所有amax,跑步、坐下、跳跃的amax相对较大,部分跑步、跳跃的amax与极少数坐下的amax大于跌倒amax的最小值,设定T3略小于跌倒amax的最小值,可以将跌倒与除跑步、跳跃、坐下以外的ADL区分,160个跌倒amax的最小值为2.8772g,考虑留小部分余量,因此设置T3为2.5000g。
对训练集的160组跌倒数据窗信号对应的160个最大倾角Anglemax与800组ADL数据窗信号对应的800个最大倾角Anglemax进行比对,10种ADL中只有弯腰、躺下的Anglemax比较大,绘制跌倒与弯腰、躺下的Anglemax的分布图进行比对,其余8种ADL以跳跃、下蹲起立、跑步为例(步行、上楼、下楼、坐下、转身的Anglemax与这3种大小差不多),跌倒与弯腰、躺下、下蹲起立、跳跃、跑步的Anglemax分布图如图7所示,跌倒Anglemax的最小值大于除弯腰、躺下以外的ADL的所有Anglemax,有部分弯腰、躺下的Anglemax大于跌倒Anglemax的最小值,设定T4略小于跌倒Anglemax的最小值,可以将跌倒与除弯腰、躺下以外的ADL区分,160个跌倒Anglemax的最小值为72.1802°,考虑留小部分余量,因此设置T4为65.0000°。
跌倒的最大合角速度ωmax较于ADL而言很大,但如转身这种ADL,如果转身极为剧烈可以产生很大角速度。跌倒无论是向前、向后,还是向左、向右,主要是由X轴角速度很大或者Y轴角速度很大导致的合角速度很大,而跌倒的Z轴角速度很小。但是剧烈转身的合角速度极大主要由Z轴角速度极大造成,而转身过程中的X轴角速度与Y轴角速度极小。因此,对最大非Z轴角速度ωxymax设定阈值与对最大合角速度ωmax设定阈值相比更为有效。图8为跌倒的最大非Z轴角速度分布图,160个跌倒的ωxymax的最小值为246.3379°/s,本发明经过对训练集的数据处理与分析,最终设置T5为150.0000°/s。
综合以上5个阈值判定结果,可以进行实时跌倒检测。
上位机判定发送跌倒后,利用Matlab的sound函数实现声音报警,并通过Matlab给监护人发送报警邮件。
本发明用测试集(80组跌倒样本与400组ADL样本)进行仿真跌倒检测,80组跌倒样本中79组被判断为跌倒,灵敏度为79÷80×100%=98.75%,漏判率为1.25%。400组ADL样本(每种ADL为40组)中399组被判断为正常动作,特异性为399÷400×100%=99.75%,误报率为0.25%,识别准确率为(79+399)÷480×100%=99.58%。
本发明进行实时跌倒检测测试,进行80次跌倒报警78次,灵敏度为78÷80×100%=97.50%,漏判率为2.50%,进行400次ADL(每种ADL为40次)共误判8次,特异性为392÷400×100%=98.00%,误报率为2.00%,识别准确率为(78+392)÷480×100%=97.92%。
Claims (7)
1.一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,其特征在于,使用姿态传感器及与其进行蓝牙通信的上位机,蓝牙姿态传感器由被检测者携带;所述跌倒检测方法包括以下步骤:
步骤一、上位机读取姿态传感器获得的信号:记一个滑动数据窗中的动作对应的姿态传感器信号为一组信号,其中,跌倒动作对应的信号为跌倒信号,ADL对应的信号为ADL信号;每组信号包含三轴加速度信号ax、ay、az,三轴角速度信号ωx、ωy、ωz,三轴角度信号Anglex、Angley、Anglez;并将读取的上述数据分为训练集和测试集;所述滑动数据窗的长度为5L、步长为L,数据传输速率为f0,数据窗对应时间为
步骤二、对所述步骤一读取的信号进行预处理与特征值提取:每隔对当前数据窗中的数据进行一次信号预处理与特征值提取,分别计算合加速度a及合角速度ω,并对合加速度、合角速度进行低通滤波;提取特征值,包括最大合加速度amax、最大合角速度ωmax、最大倾角Anglemax、最大非Z轴角速度ωxymax;
步骤三、分别对步骤二提取的最大合加速度、最大合角速度、最大倾角进行归一化处理;
步骤四、对步骤三得到的归一化值进行加权平均:对最大合角速度归一化值和最大合加速度归一化值进行加权平均,并对最大合角速度归一化值和最大倾角归一化值进行加权平均;
所述步骤四的具体过程为:
对最大合角速度归一化值Yω和最大合加速度归一化值Ya进行加权平均:
Yc1=w1Yω+w2Ya
其中,Yc1为该加权平均得到的加权平均值,w1为Yω的权重,w2为Ya的权重;
对最大合角速度归一化值Yω和最大倾角归一化值YAngle进行加权平均:
Yc2=w3Yω+w4YAngle
其中,Yc2为该加权平均得到的加权平均值,w3为Yω的权重,w4为YAngle的权重;
步骤五、分别对通过步骤四得到的两个加权平均值和步骤二提取的最大合加速度amax、最大倾角Anglemax、最大非Z轴角速度ωxymax三个特征值设定阈值,并将上述加权平均值和特征值分别与各自的阈值进行比较,根据各个比较结果判定是否跌倒;
所述步骤五的具体过程为:
将Yc1与设定的阈值T1进行比较,将Yc2与设定的阈值T2进行比较:如果Yc1>T1且Yc2>T2,则进入下一级判断,否则判定此时未发生跌倒;
将最大合加速度amax与设定的阈值T3进行比较,将最大倾角Anglemax与设定的阈值T4进行比较:如果amax>T3且Anglemax>T4,则进入下一级判断,否则判定此时未发生跌倒;
将最大非Z轴角速度ωxymax与设定的阈值T5进行比较:如果ωxymax>T5,则判定发生跌倒,否则判定此时未发生跌倒。
2.如权利要求1所述的一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,其特征在于,所述步骤二的具体过程为:
在滑动数据窗中完成数据预处理后,提取以下4种特征值:
(1)最大合加速度:amax=max{a1,a2,…,an}
(2)最大合角速度:ωmax=max{ω1,ω2,…,ωn}
(3)最大倾角:
Anglemax=max{|Anglex1|,|Anglex2|,…,|Anglexn|,|Angley1|,|Angley2|,…,|Angleyn|}
(4)最大非Z轴角速度:ωxymax=max{|ωx1|,|ωx2|,…,|ωxn|,|ωy1|,|ωy2|,…,|ωyn|}
其中,a1、a2、…、an为长度为n的数据窗的n个合加速度,amax为其中最大值;ω1、ω2、...、ωn为长度为n的数据窗的n个合角速度,ωmax为其中最大值;Anglex1、Anglex2、…、Anglexn为长度为n的数据窗的n个X轴角度,Angley1、Angley2、…、Angleyn为长度为n的数据窗的n个Y轴角度,Anglemax为数据窗中的n个X轴角度的绝对值并n个Y轴角度的绝对值的最大值;ωx1、ωx2、…、ωxn为长度为n的数据窗的n个X轴角速度,ωy1、ωy2、…、ωyn为长度为n的数据窗的n个Y轴角速度,ωxymax为n个X轴角速度的绝对值并n个Y轴角速度的绝对值的最大值。
3.如权利要求1所述的一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,其特征在于,所述步骤三的具体过程为:
其中,Lowera为训练集中经过步骤二得到的N个最大合加速度的最小值,N为训练集中数据窗的个数;Uppera为训练集中经过步骤二得到的N个最大合加速度的最大值;Ya为当前数据窗的最大合加速度归一化后的值;Lowerω为训练集N个最大合角速度的最小值,Upperω对训练集N个最大合角速度的最大值,Yω为当前数据窗的最大合角速度归一化后的值;LowerAngle为训练集N个最大倾角的最小值,UpperAngle为训练集N个最大倾角的最大值,YAngle为当前数据窗的最大倾角归一化后的值。
4.如权利要求1所述的一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,其特征在于,所述权重符合以下要求:w1=0.65~0.75,w2=0.25~0.35,且w1+w2=1;w3=0.65~0.75,w4=0.25~0.35,且w3+w4=1。
5.如权利要求1所述的一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,其特征在于,所述步骤五中各阈值的设定,是通过将训练集经过数据处理后得到的跌倒及ADL的同一类别特征值进行比较,在观察并分析后,设定一个能够将训练集中跌倒对应的特征值集合与ADL对应的特征值集合尽可能进行区分的值作为阈值。
6.如权利要求1所述的一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,其特征在于,所述步骤一中,跌倒动作包括向前跌倒、向后跌倒、向左跌倒、向右跌倒;所述ADL包括跑步、步行、上楼、下楼、坐下、跳跃、下蹲起立、弯腰、转身、躺下。
7.如权利要求1所述的一种基于特征值加权平均和阈值法相结合的老人跌倒检测方法,其特征在于,反复循环执行所述步骤一至步骤五,反复执行步骤一不断得到姿态传感器输出的数据,步骤一接收数据的频率由姿态传感器的数据传输速率决定;步骤二至步骤五利用滑动数据窗循环执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911178456.6A CN111035391B (zh) | 2019-11-27 | 2019-11-27 | 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911178456.6A CN111035391B (zh) | 2019-11-27 | 2019-11-27 | 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111035391A CN111035391A (zh) | 2020-04-21 |
CN111035391B true CN111035391B (zh) | 2021-09-17 |
Family
ID=70233709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911178456.6A Active CN111035391B (zh) | 2019-11-27 | 2019-11-27 | 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111035391B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103263339A (zh) * | 2013-05-17 | 2013-08-28 | 大连交通大学 | 老年人外骨骼助行机器人及防摔倒步态的仿生控制方法 |
CN105030260A (zh) * | 2015-07-27 | 2015-11-11 | 深圳市豪恩声学股份有限公司 | 运动状态判断方法及脚部穿戴物 |
CN106981174A (zh) * | 2017-04-27 | 2017-07-25 | 南京邮电大学 | 一种基于智能手机的老人跌倒检测方法 |
CN110443315A (zh) * | 2019-08-08 | 2019-11-12 | 吉林大学 | 室内环境下基于加权融合的老人跌倒检测方法 |
-
2019
- 2019-11-27 CN CN201911178456.6A patent/CN111035391B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103263339A (zh) * | 2013-05-17 | 2013-08-28 | 大连交通大学 | 老年人外骨骼助行机器人及防摔倒步态的仿生控制方法 |
CN105030260A (zh) * | 2015-07-27 | 2015-11-11 | 深圳市豪恩声学股份有限公司 | 运动状态判断方法及脚部穿戴物 |
CN106981174A (zh) * | 2017-04-27 | 2017-07-25 | 南京邮电大学 | 一种基于智能手机的老人跌倒检测方法 |
CN110443315A (zh) * | 2019-08-08 | 2019-11-12 | 吉林大学 | 室内环境下基于加权融合的老人跌倒检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111035391A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5674766B2 (ja) | 着用位置を検出するためのセンシングデバイス | |
CN106022378B (zh) | 坐姿判断方法及基于摄像头与压力传感器颈椎病识别系统 | |
CN105590408B (zh) | 一种人体跌倒检测方法及保护装置 | |
CN108021888B (zh) | 一种跌倒检测方法 | |
CN106767888A (zh) | 一种基于波峰波谷检测的计步算法 | |
CN106981174A (zh) | 一种基于智能手机的老人跌倒检测方法 | |
JP2006192276A (ja) | 活動パターンの監視方法及びその装置 | |
Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
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 | |
CN108196668B (zh) | 一种便携式手势识别系统及方法 | |
CN107358248B (zh) | 一种提高跌倒检测系统精度的方法 | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN116226691A (zh) | 用于手势姿态感知的智能戒指数据处理方法 | |
CN106910314A (zh) | 一种基于体形的个性化跌倒检测方法 | |
CN112370048A (zh) | 基于关节关键点的运动姿态伤害预防方法、系统和存储介质 | |
CN106370180A (zh) | 基于动态时间规整算法的惯性传感器初始位置识别方法 | |
CN110443315B (zh) | 室内环境下基于加权融合的老人跌倒检测方法 | |
CN111035391B (zh) | 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 | |
CN109190762A (zh) | 基于遗传算法编码的上肢姿态识别算法 | |
CN105760819A (zh) | 一种基于加速度信号的日常活动识别方法 | |
US9026477B2 (en) | Method for identifying a person's posture | |
CN111803902B (zh) | 泳姿识别方法、装置、可穿戴设备及存储介质 | |
CN107991718A (zh) | 一种基于多模态数据分析的手机佩戴方式自动检测方法 | |
CN106643785A (zh) | 一种基于mems惯性测量单元的多源信息自适应步数检测方法 | |
Kung et al. | Efficient movement detection for human actions using triaxial accelerometer |
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 |