CN111524320A

CN111524320A - 一种摔倒侦测设备和方法、存储介质

Info

Publication number: CN111524320A
Application number: CN202010313150.3A
Authority: CN
Inventors: 黄琳钰
Original assignee: Golddragon Software Technology Shenzhen Co ltd
Current assignee: Golddragon Software Technology Shenzhen Co ltd
Priority date: 2020-04-20
Filing date: 2020-04-20
Publication date: 2020-08-11

Abstract

本发明涉及电子技术领域，公开了一种摔倒侦测设备和方法、存储介质。所述设备包括：传感器、冲击力验证单元、气压验证单元和摔倒识别单元；所述传感器，包括加速度传感器和气压传感器；所述冲击力验证单元，用于根据所述加速度传感器的检测数据计算峭度，通过峭度进行冲击力验证；所述气压验证单元，用于根据所述气压传感器的检测数据计算气压差值、方差和拟合斜率，据此进行气压验证；所述摔倒识别单元，用于根据所述冲击力验证和气压验证的结果，识别当前是否发生摔倒。本发明实施例在传统的摔倒侦测方案中，加入了有助于有效区分摔倒和其他日常动作的气压侦测方案，运用不同的数学方法和机器学习，大大提高了侦测结果的准确率，降低了误报率。

Description

一种摔倒侦测设备和方法、存储介质

技术领域

本发明涉及电子技术领域，尤其涉及一种摔倒侦测设备和方法、存储介质。

背景技术

据《生命时报》2017年2月28日龚蕊的文章介绍.我国60岁以上的老年人中，每年因摔倒造成的损伤高达2500万例、损伤造成了人体心、脑等脏器的严重伤害，导致瘫痪甚至死亡者也不在少数因此.预防老年人摔倒是十分重要的事情。在摔倒的那些老年人中，以不知不觉、无意识情况下摔倒者为多见，因而对摔倒动作进行自动识别并进行报警提示，有着重要意义。

目前主要侦测摔倒的方法有：视觉识别方法，环境感知方法，以及随身设备侦测方法。

视觉识别方法，主要通过摄像头识别摔倒动作。环境感知方法，是指通过检测环境变化来识别摔倒动作；例如：对地板进行改装，使其具备冲击力感应功能，在地板感应到有极大的冲击力时判定有人在地板上摔倒。视觉识别方法和环境感知方法，都需要对周围环境进行一定的改变(例如安装摄像头和改装地板)，因此实现成本较大，且应用范围具有较大的限制性。

随身设备侦测方法，主要是利用集成有感应器的随身设备来侦测，其往往存在着准确率低和误报率高的问题。这是由于，市场上的随身设备基本上是通过陀螺仪和加速度感应器来侦测摔倒动作，其仅仅是针对角速度/加速度/冲击力来进行简单的阀值设计，不能有效排除与摔倒动作具有类似特征的非摔倒动作(例如，老人由站立姿态快速变换为坐立姿态)，因而会经常发生误报情况。高误报率，会引发用户不必要的担忧，使得用户因使用体验差而舍弃此类产品。此外，为了优化侦测方法的效果，还有一些现有方案是在人体不同部位上都携带感应设备，虽然能提高侦测准确度，但是产品集成度低，佩戴麻烦，用户使用体验较差。

发明内容

本发明的目的在于提供一种摔倒侦测设备和方法、存储介质，克服现有技术存在的侦测准确率低和误报率高的缺陷。

为达此目的，本发明采用以下技术方案：

一种摔倒侦测设备，包括：传感器、冲击力验证单元、气压验证单元和摔倒识别单元；

所述传感器，包括加速度传感器和气压传感器；

所述冲击力验证单元，用于根据所述加速度传感器的检测数据计算峭度，通过峭度进行冲击力验证；

所述气压验证单元，用于根据所述气压传感器的检测数据计算气压差值、方差和拟合斜率，据此进行气压验证；

所述摔倒识别单元，用于根据所述冲击力验证和气压验证的结果，识别当前是否发生摔倒。

可选的，所述传感器还包括：陀螺仪传感器；

所述摔倒侦测设备，还包括机器学习单元，用于通过机器学习所有传感器的检测数据，从中提取特征，将提取特征与标准摔跤特征进行比对，得到特征比对结果；所述标准摔跤特征包括预先获得的摔倒动作区别于其他动作的各种神经网络特征；

所述摔倒识别单元，还用于根据所述特征比对结果识别当前是否发生摔倒。

可选的，所述摔倒识别单元，还用于根据所述检测数据进行手机跌落检测。

可选的，所述摔倒侦测设备，还包括报警单元，用于在识别出摔跤后提示用户是否需要报警，若接收到用户的拒绝指令则关闭报警，否则执行报警。

一种摔倒侦测方法，包括：

根据加速度传感器的检测数据计算峭度，通过峭度进行冲击力验证；

根据气压传感器的检测数据计算气压差值、方差和拟合斜率，据此进行气压验证；

根据所述冲击力验证和气压验证的结果，识别当前是否发生摔倒。

可选的，所述摔倒侦测方法，还包括：

通过机器学习所有传感器的检测数据，从中提取特征，将提取特征与标准摔跤特征进行比对，得到特征比对结果；所述标准摔跤特征，为预先获得的摔跤动作区别于其他动作的各种神经网络特征；

根据所述特征比对结果识别当前是否发生摔倒。

可选的，所述摔倒侦测方法中：先执行所述冲击力验证，在所述冲击力验证通过后执行所述气压验证，在所述气压验证通过后执行基于所述机器学习的特征比对。

可选的，所述进行气压验证，包括：

根据冲击力的产生时间，推算出摔倒的时间窗口；

获得该时间窗口前的气压稳定状态下的第一气压均值，以及该时间窗口后的气压稳定状态下的第二气压均值；

计算第一气压值与第二气压值的气压差值；

计算所述时间窗口前后的方差和拟合斜率；

判断所述气压差值、方差和拟合斜率是否满足预设条件。

可选的，所述摔倒侦测方法，还包括：根据所述检测数据进行手机跌落检测。

可选的，所述摔倒侦测方法，还包括：在识别出摔跤后，提示用户是否需要报警，若接收到用户的拒绝指令，则关闭报警，否则执行报警。

一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如上任一项所述的摔倒侦测方法中的步骤。

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例在传统的摔倒侦测方案中，加入了有助于有效区分摔倒和其他日常动作的气压侦测方案，运用不同的数学方法和机器学习，大大提高了侦测结果的准确率，降低了误报率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的摔倒侦测方法中识别算法的流程图。

图2为本发明实施例提供的时间窗口前后的气压的相关数据变化趋势图。

具体实施方式

为了使本技术领域的人员更好地理解本申请实施例方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请实施例一部分的实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请实施例保护的范围。

本申请实施例的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明旨在保证便携性和实际性的同时，通过使用有助于区分摔倒和日常动作的传感器，利用不同数学原理和机器学习提取最重要的摔倒动作的特征，更准确的侦测摔倒动作并上报，以达到有效监护使用者并在意外发生时能够提供紧急救助的目的。

实施例一

本实施例提供了一种摔倒侦测设备，包括：传感器、冲击力验证单元、气压验证单元和摔倒识别单元。

传感器，包括加速度传感器、气压传感器、陀螺仪传感器，分别用于实时检测当前的加速度、气压、重力值和角速度。由于传感器所获取的数据有噪音和一定的误差(无法规避的)，因此需要对获得的检测数据进行滤波处理。

冲击力验证单元，用于根据加速度传感器的检测数据计算峭度，通过峭度进行冲击力验证。

气压验证单元，用于根据气压传感器的检测数据计算气压差值、方差和拟合斜率，据此进行气压验证。

机器学习单元，用于通过机器学习所有传感器的检测数据，从中提取特征，将提取特征与标准摔跤特征进行比对，得到特征比对结果；标准摔跤特征，指的是预先获得的摔倒动作区别于其他动作的各种神经网络特征。

摔倒识别单元，用于根据冲击力验证结果、气压验证结果以及基于机器学习的特征比对结果，识别当前是否发生摔倒动作。

由于运动噪声和测量误差的影响，如果仅以合成加速度作为冲击力依据，误检率较高，而峭度对于快速变化的冲击信号很敏感，因此本实施例中冲击力验证单元具体可使用峭度来评估使用者受到的冲击力大小。

气压验证单元，具体可以计算摔倒的时间窗口前后的气压平均值的差值、方差和拟合斜率，以提高检测结果的精确性。

本实施例中，摔倒识别单元，具体可以按照冲击力验证结果、气压验证结果以及基于机器学习的特征比对结果的顺序进行摔倒动作的识别。

需要说明的是，摔倒识别单元所采用的识别算法中，对各项检测指标的识别顺序不局限于此；实际应用中，可出于不同的考虑(例如：CPU的计算能力，功耗要求)，根据实际情况进行调整，以达到不同的效果；此外，还可进行一定的省略，例如：当计算能力不足以运行机器学习的特征提取和比对时，则省略机器学习的部分。

由于摔手机的动作和摔倒的情况较为相像，因此，本实施例的摔倒识别单元还可进一步用于进行手机跌落检测，以提高检测结果的准确性。

此外，本实施例还包括报警单元，用于在摔倒识别单元识别出摔跤后进行告警。为了进一步降低误报而报警的可能性，可在识别出摔跤后，报警单元，先显示弹窗让用户确认是否为摔倒并帮助其联系紧急联络人/救护机构，若用户手动拒绝求救后则关闭报警，否则在等待一定时间后(如用户没有任何动作)，视为摔倒需求救的情况，执行报警。

综上，本实施例在电子设备中加入了气压传感器，加速度传感器，和陀螺仪传感器，前者可以获取实时的气压值，据此计算气压差值、方差和拟合斜率，达到摔倒过程中的气压验证；加速度传感器可以检测出加速度，陀螺仪传感器可以检测出角速度实时变化数值，机器学习单元将高度值、重力值、角速度所检测出的检测数值以及由这些检测数值衍生出的衍生数值(如峭度等等)进行学习并推算，在数据量的变化非常接近人的真实摔倒时认定为摔倒并报警，从而大大提供了摔倒识别的准确率，降低了误报率。

实施例二

本实施例提供了一种摔倒侦测方法，包括：

根据加速度传感器的检测数据计算峭度，通过峭度指标进行冲击力验证；

通过机器学习所有传感器的检测数据，从中提取特征，将提取特征与标准摔跤特征进行比对，得到特征比对结果；标准摔跤特征，指的是预先获得的摔跤动作区别于其他动作的各种神经网络特征；

根据冲击力验证结果、气压验证结果以及基于机器学习的特征比对结果，识别当前是否发生摔倒动作。

本实施例中，摔倒侦测方法具体可以包括：

步骤101、获得当前的冲击力。

冲击力的计算方法可以为：计算合成加速度，并根据摔倒的冲击力变化快的特征，计算其峭度，根据峭度评估冲击力的大小。

如果将合成加速度某个孤立的值作为阈值划分的依据，由于运动噪声和测量误差的影响，会产生较大的误检率。

因此，本实施例提出了峭度指标(C_q)的统计特征来评估冲击力，该特征会对一个窗口段的数据进行评估，对快速变化的冲击信号非常敏感，其计算过程如下：

其中，a_x、a_y、a_z分别为在x轴、y轴、z轴上的加速度。

角速度可以反映摔倒时人体的倾倒状态，这里的检测特征采用“合成角速度”类似加速度一样，有

其中，W_x、W_y、W_z分别为在x轴、y轴、z轴上的角速度。

角速度只是一种辅助特征，需要配合峭度特征来进行判别，对于消除误检有很大帮助。

步骤102、判断当前的冲击力是否满足预设条件，若不满足，则认定未发生摔倒；若满足，则继续下一步。

具体的，在本步骤中，如果冲击力大于第一阈值(如0.6)，可以直接气压验证；若冲击力位于第一阈值(如0.6)和第二阈值(如0.3)之间，则因为摔倒时是小冲击的可能性较小，此时可进行小冲击检测。小冲击检测算法是建立在气压检测算法之上，由于小冲击导致的摔倒可能性低，因此这里对气压检测进行了更严格的约束。例如：冲击力大于第一阈值时，进行气压检测，此时用以判断是否摔倒的高度变化阈值设为0.5；冲击力位于第一阈值和第二阈值之间时，进行小冲击验证，此时用以判断是否摔倒的高度变化阈值设为0.7。

步骤103、根据气压传感器的检测数据计算气压差值、方差和拟合斜率，据此进行气压验证。

该步骤，具体包括：

根据冲击力的产生时间，推算出摔倒的时间窗口；

计算第一气压值与第二气压值的气压差值；

将气压差值进行转换计算，得到高度变化值。

除了时间窗口前后的气压平均值的差值，本实施例还可计算时间窗口前后的方差和拟合斜率，在后续步骤中按照预设条件对这些数值进行验证。具体如下：

在峭度指标达到对应阈值后，由数据预存储收集摔倒前2秒、摔倒后3秒的数据。请参阅图2，通过对其中气压计数据局部稳定性判断，将该数据分割成摔倒前稳态(图中A线前)、亚稳态(图中A线与B线之间)、摔倒后稳态(图中B线后)。

然后分别计算摔倒前、摔倒后的平均气压、三种状态区间的方差、三种状态区间的拟合斜率。其中拟合斜率为该区间内数据采用最小二乘法拟合出一条直线的斜率。

由于三种状态区间具有以下性质：(1)摔倒前后稳态的平均值存在一个较大差值；(2)摔倒前后的稳态拟合斜率小，数据较为稳定；(3)亚稳态的数据非常不稳定，但趋势仍保持上升。因此，利用上述性质，设定相应的阈值，即可检测是否摔倒，且可以和上下楼梯等非常相似的气压波形区分开来。

另外，对于不同气压、温度的情况下，气压差值会受到影响，因此这里的气压差值采用气压-高度模型，这个模型根据静力平衡条件和气体状态方程导出。

其中，K为调整系数，P为摔倒后稳态的绝对气压的平均值，P₀为摔倒前稳态的绝对气压的平均值。

步骤104、判断气压验证是否满足预设条件，若不满足，则认定未发生摔倒；若满足，则继续下一步。

步骤105、获得通过机器学习得到的特征比对结果。

步骤106、判断特征比对结果是否满足预设条件，若不满足，则认定未发生摔倒；若满足，则认定发生摔倒，此后可执行报警。

由于神经网络对于计算能力的要求较高，因此上述方法中，将机器学习部分放到摔倒侦测方法中的最后一步，即在气压验证满足相应条件后，执行神经网络的特征提取，确认是否符合摔倒的特征。

在上述摔倒侦测方法中，按照冲击力验证、气压验证、机器学习特征比对的顺序来进行判断，实际上判断顺序不局限于此，实际应用中，可出于不同的考虑(例如：CPU的计算能力，功耗要求)，根据实际情况进行调整，以达到不同的效果，例如：可以先进行气压验证，通过后再进行冲击力验证；也可以同时进行气压验证和冲击力验证。此外，还可进行一定的省略，例如：当计算能力不足以运行机器学习的特征提取和比对时，则省略机器学习的部分。

由于摔手机的动作和摔倒的情况较为相像，因此还可进一步执行手机跌落检测，以提高检测结果的准确性。

手机在跌落时，其峭度指标与气压特征几乎一致，存在误检的可能，但是其合成加速度波形和正常摔倒有很大不同。正常摔倒和手机跌落的冲击前的失重程度有很大不同：正常摔倒时，手机仍然受到人体支撑，失重情况比较轻微；而手机跌落时，其失重的加速度接近于0。基于这点特征，摔手机的动作可以通过检测冲击前失重的加速度值来进行判断。

此外，为了进一步降低误报而报警的可能性，可在识别出摔跤后，显示弹窗让用户确认是否为摔倒并帮助其联系紧急联络人/救护机构，仅有当用户手动拒绝求救后，才会关闭报警。等待一定时间后，如用户没有任何动作，也视为摔倒需求救的情况。

本领域普通技术人员可以理解，上述摔跤侦测方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例还提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的摔跤侦测方法中的步骤。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种摔倒侦测设备，其特征在于，包括：传感器、冲击力验证单元、气压验证单元和摔倒识别单元；

所述传感器，包括加速度传感器和气压传感器；

2.根据权利要求1所述的摔倒侦测设备，其特征在于，所述传感器还包括：陀螺仪传感器；

3.根据权利要求1所述的摔倒侦测设备，其特征在于，所述摔倒识别单元，还用于根据所述检测数据进行手机跌落检测。

4.根据权利要求1所述的摔倒侦测设备，其特征在于，所述摔倒侦测设备，还包括报警单元，用于在识别出摔跤后提示用户是否需要报警，若接收到用户的拒绝指令则关闭报警，否则执行报警。

5.一种摔倒侦测方法，其特征在于，包括：

6.根据权利要求5所述的摔倒侦测方法，其特征在于，所述摔倒侦测方法，还包括：

根据所述特征比对结果识别当前是否发生摔倒。

7.根据权利要求6所述的摔倒侦测方法，其特征在于，所述摔倒侦测方法中：先执行所述冲击力验证，在所述冲击力验证通过后执行所述气压验证，在所述气压验证通过后执行基于所述机器学习的特征比对。

8.根据权利要求7所述的摔倒侦测方法，其特征在于，所述进行气压验证，包括：

根据冲击力的产生时间，推算出摔倒的时间窗口；

计算第一气压值与第二气压值的气压差值；

计算所述时间窗口前后的方差和拟合斜率；

判断所述气压差值、方差和拟合斜率是否满足预设条件。

9.根据权利要求5所述的摔倒侦测方法，其特征在于，所述摔倒侦测方法，还包括：根据所述检测数据进行手机跌落检测；和/或，

在识别出摔跤后，提示用户是否需要报警，若接收到用户的拒绝指令，则关闭报警，否则执行报警。

10.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求5至9任一项所述的摔倒侦测方法中的步骤。