CN111657918A - 一种结合心电和惯性传感数据的跌倒检测方法及系统 - Google Patents

Abstract

本发明公开了一种结合心电和惯性传感数据的跌倒检测方法及系统，包括：利用包括ECG和惯性传感单元的设备采集人体日常活动过程的跌倒数据和日常动作数据；将收集的所述跌倒数据和日常动作数据按相同时间段进行分割后，分别进行提取得到惯性传感数据特征和ECG数据特征，并进行归一化处理得到归一化样本数据特征；采用主成分分析算法对所述归一化样本数据特征进行降维处理得到降维数据特征，采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；将新采集的数据输入支持向量机分类模型得到跌倒检测结果。分别从人体生理活动和姿态两个不同维度反映人体跌倒过程的变化，避免单一类型数据不准确的缺陷，提高跌倒检测精度。

Description

一种结合心电和惯性传感数据的跌倒检测方法及系统

技术领域

本发明涉及人体跌倒检测领域，具体涉及一种结合心电和惯性传感数据的跌倒检测方法 及系统。

背景技术

跌倒会造成老年人心理和身体伤害，是威胁老年人健康的重要因素之一。跌倒检测是指 采集人体活动数据，通过数据分析发现跌倒事件。用于人体活动数据采集的设备分为环境感 知设备和穿戴式设备。环境感知设备无需人体佩戴，但监测范围受限。穿戴设备主要是惯性 传感器，这类设备体积小，可随身佩戴，在跌倒检测领域应用较广，但其准确率受佩戴位置 影响。

近年来有研究将穿戴式心电图(ECG)检测仪用于检测跌倒。ECG信号代表心脏周期性 收缩和心肌松弛引起的生物电活动，可以反映人体在不同姿态及姿态转换过程中心脏活动的 变化情况。中国专利“CN201510697530.0一种基于心电图的跌倒检测的方法和系统”提供一 种基于心率的跌倒检测方法。通过检测终端获取气压和心率数据，首先通过气压判断人体高 度变化，若高度变化达到阈值，则启动心率检测，若心率变化值大于阈值，则判断为跌倒。 使用可穿戴设备观察人体在躺卧和站立姿势的ECG形态变化程度进行跌倒检测，准确率为 77.30％。

发明内容

本发明所要解决的技术问题是现有的检测技术中基于环境感知设备的跌倒检测存在隐私、 检测范围受限，基于惯性传感设备的跌倒检测精度受佩戴位置影响，而基于心电图的跌倒检 测主要通过心率是否达到阈值检测人体生理状态变换，未能充分利用心电图信息，检测精度 受影响的问题，目的在于提供一种结合心电和惯性传感数据的跌倒检测方法及系统，解决上 述问题。

本发明通过下述技术方案实现：

一种结合心电和惯性传感数据的跌倒检测方法，包括：

S1：利用包括ECG和惯性传感单元的腕部可穿戴设备采集人体日常活动过程的跌倒数据 和日常动作数据；

S2：将收集的所述跌倒数据和日常动作数据按相同时间段进行分割；

S3：分别提取分割后的所述跌倒数据和日常动作数据的特征得到惯性传感数据特征和 ECG数据特征；

S4：对所述惯性传感数据特征和ECG数据特征进行归一化处理得到归一化样本数据特征；

S5：采用主成分分析算法对所述归一化样本数据特征进行降维处理得到降维数据特征， 采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

S6：将所述腕部可穿戴设备新采集的日常活动数据输入所述支持向量机分类模型，得到 跌倒检测结果。

本发明通过采集不同的日常活动数据即跌倒数据和正常活动数据，对包括向前滑倒、向 后滑倒、侧向滑倒、绊倒和晕倒的跌倒动作和包括走、跑、上下楼梯、姿态转换、弯腰的正 常日常活动进行模拟得到支持向量机分类模型，所述支持向量机分类模型得到跌倒或非跌倒 两种分类，因此，将输入的新的日常活动数据输入所述支持向量机分类模型即可得到跌倒检 测结果即跌倒或非跌倒。

本发明采用包括ECG即穿戴式心电图检测仪和惯性传感器的腕部可穿戴设备进行日常 活动中不同类型数据的采集，ECG数据在不同活动状态下的数据不同，可以弥补只有惯性传 感器进行检测时其检测范围受限以及跌倒检测精度受到佩戴位置影响而造成跌倒检测结果不 准确的不足，将两者进行结合，分别从人体生理活动和姿态两个不同维度反映人体跌倒过程 的变化，避免单一类型数据不准确的缺陷，从而得到更准确的跌倒数据，提高跌倒检测精度。

本发明的日常活动包含跌倒及正常日常活动。其中跌倒动作在软垫上进行模拟，包括向 前滑倒、向后滑倒、侧向滑倒、绊倒和晕倒；正常日常活动包括走、跑、上下楼梯、姿态转 换、弯腰等。

本发明中ECG数据与惯性传感数据的类型完全不同，且所述两种数据在正常活动和跌倒 得到的数据是不同的，取值范围不同以及量纲不同，因此需要将所有的数据通过相同时间段 进行分割并提取有效的惯性传感数据和ECG数据，并将惯性传感数据和ECG数据采用线性 归一化处理，将所有的数据映射到0～1；采用归一化函数将有量纲的表达式，经过变换，化 为无量纲的表达式，成为标量，可以简化计算过程从而减少检测过程的计算时间；为了在更 大程度上提高跌倒检测的精度，需要从惯性传感数据中提取多方面的特征，具体包括：算术 平均值、标准偏差、中位数绝对偏差、最大值、最小值、频率信号偏斜、频率信号峰度、最 大频率成分、平均能量；在ECG采集的数据中ECG信号的一个正常周期由QRS波、T波和 P波组成，其中P波对应左右心房去极化阶段，频谱范围10-15Hz。QRS复合波对应于左心 室和右心室去极化，频谱范围10-40Hz。T波反映心室复极化过程，在QRS复合波后300毫 秒左右的范围。因此需要对ECG信号的每一心动周期先进行QRS复合波确定，然后进行P 波和T波确定。

进一步的，所述S3包括：

S31：提取惯性传感单元中分割后的所述跌倒数据和日常动作数据的惯性传感数据得到惯 性传感数据特征；

所述惯性传感数据特征包括：算术平均值、标准偏差、中位数绝对偏差、最大值、最小 值、频率信号偏斜、频率信号峰度、最大频率成分、平均能量；

S32：提取分割后的所述跌倒数据和日常动作数据的ECG数据中的QRS复合波、P波和 T波数据特征得到所述ECG数据特征；

所述S4中的归一化处理函数：

其中max表示样本数据最大值，min表示样本数据最小值。x表示原始传感器数据，x* 表示归一化结果。

进一步的，所述QRS复合波的提取：

根据ECG数据的峰值提取QRS复合波的峰值点，在峰值点前后分别提取最低点，确定 QRS复合波的起始位置和偏移量，得到QRS复合波。

进一步的，使用以下时间差方程进行滤波处理得到y_nT：

y_nT＝-2*χ_(n-2)T-χ_(n-1)T+χ_(n+1)T+2*χ_(n+2)T

其中，χ_nT表示时间T上大小为n的数据样本；

所述P波的提取公式：

θ＝0.30*(μ_n-μ_HF)

其中，θ表示某一时间段ECG数据的动态阈值表达式，μ_n指的是在最近一段信号时间序 列内所有数据点的斜率平均值，μ_HF指一次跳动中的高频噪音；

其中，

μ_HF指一次跳动中的高频噪音，为了计算高频噪音，首先将信号传递到高通滤波器：

y′_nT＝χ_nT-2*χ_(n-1)T+χ_(n-2)T

将第i个样本经过高通滤波的信号分为k段，分别表示为y′_nT(i,1),y′_nT(i,2),…,y′_nT(i,k)， 所有分段上的高通滤波信号的平均值计算为

则存在于心动周期中的高频 噪声可以估算如下：

其中，R_A是R峰的振幅，K是通过实验获取的放大因子；

当θ达到阈值时，提取所述时间段ECG数据的峰值后，通过时间序列顺序，根据峰值前 后波形数据的斜率，提取斜率最低值点，确定P波起始位置和偏移量，得到P波。

进一步的，所述T波提取公式：

θ＝0.30*(μ_n-μ′_HF)

其中，θ表示某一时间段ECG数据的动态阈值表达式，μ_n指的是在最近一段信号时间序 列内所有数据点的斜率平均值，μ′_HF指一次跳动中的低频噪音；

μ′_HF指一次跳动中的低频噪音，为了计算低频噪音，首先通过2阶低通滤波器进行平滑处 理：

y″_nT＝2*y_(n-1)T-y_(n-2)T+χ_nT-2*χ_(n-4)T+χ_(n-8)T

将第i个样本经过低通滤波的信号分为k段，分别表示为y″_nT(i,1),y″_nT(i,2),…,y″_nT(i,k)， 所有分段上的低通滤波信号的平均值计算为

则存在于心动周期中的低频 噪声可以估算如下：

其中，R_A是R峰的振幅，K是通过实验获取的放大因子；

当θ达到阈值时，采用时间导数提取所述时间段ECG数据的峰值后，通过时间序列顺序， 根据峰值前后最小曲率半径位置确定T波起始位置和偏移量，得到T波。

进一步的，所述S5包括：

S51：对所述归一化样本数据特征进行标记，得到跌倒样本数据和日常活动样本数据；

S52：采用主成分分析算法对所述跌倒样本数据和日常活动样本数据进行降维得到降维数 据特征；

所述主成分分析算法：

Y＝PX

其中，Y表示降维数据特征，P表示特征向量矩阵，X表示特征矩阵；

S53：采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

给定一个训练数据集D＝{(x_i,y_i)|x_i∈R,y_i∈{-1,1}}

其中，x_i是降维后的惯性传感单元和心电图特征向量，每个x_i包含k维特征，y_i为跌倒类 别，本方案取值为1或-1(对应跌倒与非跌倒)。两类线性分类的超平面可定义为：对于y_i＝1，w^Tx_i+b≥1，对于y_i＝-1，w^Tx_i+b≤-1，其中w是加权向量，b是偏差。目标 是通过最大限度减少两个超平面的距离||w||，可表示为一个二次优化问题：

判断函数可以将两个类别(跌倒和非跌倒)分开：

f(x_i)＝sign(w^Tx_i+b)

其中，f(x_i)表示数据特征的类别，x_i表示降维数据特征向量，w表示加权向量，b表示偏 差；

对于所有x_i，当f(x_i)＝1时，检测类别为跌倒；当f(x_i)＝-1时，检测类别为日常动作。

进一步的，所述主成分分析算法步骤：

将所述跌倒样本数据和日常活动样本数据按列组成n行m列的特征矩阵X；

将所述特征矩阵X的每一行元素进行零均值化操作；

计算所述特征矩阵X中不同特征之间的协方差得到协方差矩阵，所述协方差计算公式：

其中

表示跌倒样本数据和日常活动样本中特征数据X_i，X_j在第k个跌倒样本数 据和日常活动样本数据中的取值；而

则表示在所有跌倒样本数据和日常活动样本中特征数 据X_i的均值，

则表示在所有跌倒样本数据和日常活动样本中特征数据X_j的均值，n表示每 个跌倒样本数据和日常活动样本数据的特征维度；

计算所述协方差矩阵的特征值及对应的特征向量；

将所述特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成特征向量矩 阵P；

根据不同维度的跌倒样本数据和日常活动样本数据进行跌倒检测的分类，确定k的取值， 得到降维数据特征：

Y＝PX

其中，Y表示降维数据特征，P表示特征向量矩阵，X表示特征矩阵。

进一步的，所述惯性传感单元包括三轴加速度计和三轴螺旋仪。

进一步的，所述跌倒数据和日常动作数据包括ECG数据、加速度数据和螺旋仪数据。

一种结合心电和惯性传感数据的跌倒检测系统，包括：

采集模块，包括ECG和惯性传感单元，用于采集人体日常活动过程的跌倒数据和日常动 作数据；

数据处理模块，用于提取分割后的所述跌倒数据和日常动作数据的特征得到惯性传感数 据特征和ECG数据特征，并对提取后的得到惯性传感数据特征和ECG数据特征进行归一化 处理；

模型构建模块，用于对所述归一化样本数据特征进行降维处理得到降维数据特征，并采 用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

跌倒检测模块，将所述腕部可穿戴设备新采集的日常活动数据输入所述支持向量机分类 模型，得到跌倒检测结果。

进一步的，所述惯性传感数据特征包括：算术平均值、标准偏差、中位数绝对偏差、最 大值、最小值、频率信号偏斜、频率信号峰度、最大频率成分、平均能量；

所述ECG数据包括QRS复合波、P波和T波数据特征。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明一种结合心电和惯性传感数据的跌倒检测方法及系统，结合ECG和惯性传感数据， 分别从人体生理活动和姿态两个不同维度反映人体跌倒过程的变化，信息更加全面，避免单 一类型数据的缺陷，提高跌倒检测精确度。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不 构成对本发明实施例的限定。在附图中：

图1为本发明整体流程示意图；

图2为本发明另一检测流程图；

图3为本发明ECG数据示意图；

图4为本发明系统结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明 作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本 发明的限定。

实施例1

如图1、图2所示，一种结合心电和惯性传感数据的跌倒检测方法，包括：

S1：利用包括ECG和惯性传感单元的腕部可穿戴设备采集人体日常活动过程的跌倒数据 和日常动作数据；

S2：将收集的所述跌倒数据和日常动作数据按相同时间段进行分割；

S3：分别提取分割后的所述跌倒数据和日常动作数据的特征得到惯性传感数据特征和 ECG数据特征；

S4：对所述惯性传感数据特征和ECG数据特征进行归一化处理得到归一化样本数据特征；

S5：采用主成分分析算法对所述归一化样本数据特征进行降维处理得到降维数据特征， 采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

S6：将所述腕部可穿戴设备新采集的日常活动数据输入所述支持向量机分类模型，得到 跌倒检测结果。

本发明的日常活动包含跌倒及正常日常活动。其中跌倒动作在软垫上进行模拟，包括向 前滑倒、向后滑倒、侧向滑倒、绊倒和晕倒；正常日常活动包括走、跑、上下楼梯、姿态转 换、弯腰等。

进一步的，所述S3包括：

S31：提取惯性传感单元中分割后的所述跌倒数据和日常动作数据的惯性传感数据得到惯 性传感数据特征；

所述惯性传感数据特征包括：算术平均值、标准偏差、中位数绝对偏差、最大值、最小 值、频率信号偏斜、频率信号峰度、最大频率成分、平均能量；

惯性传感单元包含三轴加速度计和三轴螺旋仪两种传感单元，人体日常活动过程的跌倒 数据和日常动作数据包括加速度和螺旋仪数据两种，其中每种数据提取九种特征；

因此共提取2*3*9＝54种惯性传感数据特征，其中3表示加速度和螺旋仪的角速度均有三 轴，所述惯性传感数据需要对加速度和螺旋仪的角速度每一轴的数据进行提取，故需要乘3。

S32：提取分割后的所述跌倒数据和日常动作数据的ECG数据中的QRS复合波、P波和 T波数据特征得到所述ECG数据特征；

ECG信号的一个正常周期由QRS波、T波和P波组成，如图3所示。P波对应左右心房去极化阶段，频谱范围10-15Hz。QRS复合波对应于左心室和右心室去极化，频谱范围10-40Hz。 T波反映心室复极化过程，在QRS复合波后300毫秒左右的范围。

所述S4中的归一化处理函数：

其中max表示样本数据最大值，min表示样本数据最小值。x表示原始传感器数据，x* 表示归一化结果。

进一步的，所述QRS复合波的提取：

根据ECG数据的峰值提取QRS复合波的峰值点，在峰值点前后分别提取最低点，确定 QRS复合波的起始位置和偏移量，得到QRS复合波。

进一步的，使用以下时间差方程进行滤波处理得到y_nT：

y_nT＝-2*x_(n-2)T-χ_(n-1)T+χ_(n+1)T+2*χ_(n+2)T

其中，χ_nT表示时间T上大小为n的数据样本；

所述P波的提取公式：

θ＝0.30*(μ_n-μ_HF)

其中，θ表示某一时间段ECG数据的动态阈值表达式，μ_n指的是在最近一段信号时间序 列内所有数据点的斜率平均值，μ_HF指一次跳动中的高频噪音；

其中

μ_HF指一次跳动中的高频噪音，为了计算高频噪音，首先将信号传递到高通滤波器：

y′_nT＝χ_nT-2*χ_(n-1)T+χ_(n-2)T

将第i个样本经过高通滤波的信号分为k段，分别表示为y′_nT(i,1),y′_nT(i,2),…,y′_nT(i,k)， 所有分段上的高通滤波信号的平均值计算为

则存在于心动周期中的高频 噪声可以估算如下：

其中，R_A是R峰的振幅，K是通过实验获取的放大因子，本实施例设置为40；

当θ达到阈值时，提取所述时间段ECG数据的峰值后，通过时间序列顺序，根据峰值前 后波形数据的斜率，提取斜率最低值点，确定P波起始位置和偏移量，得到P波。

进一步的，所述T波提取公式：θ＝0.30*(μ_n-μ′_HF)

其中，θ表示某一时间段ECG数据的动态阈值表达式，μ_n指的是在最近一段信号时间序 列内所有数据点的斜率平均值，μ′_HF指一次跳动中的低频噪音；

μ′_HF指一次跳动中的低频噪音，为了计算低频噪音，首先通过2阶低通滤波器进行平滑处 理：y″_nT＝2*y_(n-1)T-y_(n-2)T+χ_nT-2*χ_(n-4)T+χ_(n-8)T

将第i个样本经过低通滤波的信号分为k段，分别表示为y″_nT(i,1),y″_nT(i,2),…,y″_nT(i,k)， 所有分段上的低通滤波信号的平均值计算为

则存在于心动周期中的低频 噪声可以估算如下：

其中，R_A是R峰的振幅，K是通过实验获取的放大因子；

当θ达到阈值时，采用时间导数提取所述时间段ECG数据的峰值后，通过时间序列顺序， 根据峰值前后最小曲率半径位置确定T波起始位置和偏移量，得到T波。

本实施例通过上述步骤从ECG数据中提取14种特征，如表1所示；

表1 ECG信号特征

序号	特征
		1	P波持续时间(毫秒)
2	QRS波持续时间(毫秒)
		3	Q波持续时间(毫秒)
4	R波持续时间(毫秒)
		5	S波持续时间(毫秒)
6	T波持续时间(毫秒)
		7	QRS波偏转(毫秒)
8	P波波峰振幅(μV)
		9	QRS波峰幅度(μV)
10	Q波振幅(μV)
		11	R波振幅(μV)
12	S波振幅(μV)
		13	T波波峰振幅(μV)
14	QRS波面积(μV)

所述S5包括：

S51：对所述归一化样本数据特征进行标记，得到跌倒样本数据和日常活动样本数据；

S52：采用主成分分析算法对所述跌倒样本数据和日常活动样本数据进行降维得到降维数 据特征；

所述主成分分析算法：

Y＝PX

其中，Y表示降维数据特征，P表示特征向量矩阵，X表示特征矩阵；

S53：采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

给定一个训练数据集D＝{(x_i,y_i)|x_i∈R,y_i∈{-1,1}}

其中，x_i是降维后的惯性传感单元和心电图特征向量，每个x_i包含k维特征，y_i为跌倒类 别，本方案取值为1或-1(对应跌倒与非跌倒)。两类线性分类的超平面可定义为：对于y_i＝1，w^Tx_i+b≥1，对于y_i＝-1，w^Tx_i+b≤-1，其中w是加权向量，b是偏差。目标 是通过最大限度减少两个超平面的距离||w||，可表示为一个二次优化问题：

判断函数可以将两个类别(跌倒和非跌倒)分开：

f(x_i)＝sign(w^Tx_i+b)

其中，f(x_i)表示数据特征的类别，x_i表示降维数据特征向量，w表示加权向量，b表示偏 差；

对于所有x_i，当f(x_i)＝1时，检测类别为跌倒；当f(x_i)＝-1时，检测类别为日常动作。

进一步的，所述主成分分析算法步骤：

设有m条68维数据，将所述跌倒样本数据和日常活动样本数据按列组成68行m列的特 征矩阵X；

将所述特征矩阵X的每一行元素进行零均值化操作；

计算所述特征矩阵X中不同特征之间的协方差得到协方差矩阵，所述协方差计算公式：

其中

表示跌倒样本数据和日常活动样本中特征数据X_i，X_j在第k个跌倒样本数 据和日常活动样本数据中的取值；而

则表示在所有跌倒样本数据和日常活动样本中特征数 据X_i的均值，

则表示在所有跌倒样本数据和日常活动样本中特征数据X_j的均值，n表示每 个跌倒样本数据和日常活动样本数据的特征维度；

计算所述协方差矩阵的特征值及对应的特征向量；

将所述特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成特征向量矩 阵P；

根据不同维度的跌倒样本数据和日常活动样本数据进行跌倒检测的分类，确定k的取值， 得到降维数据特征：

Y＝PX

其中，Y表示降维数据特征，P表示特征向量矩阵，X表示特征矩阵。

进一步的，所述惯性传感单元包括三轴加速度计和三轴螺旋仪。

进一步的，所述跌倒数据和日常动作数据包括ECG数据、加速度数据和螺旋仪数据。

如图4所示，一种结合心电和惯性传感数据的跌倒检测系统，包括：

采集模块，包括ECG和惯性传感单元，用于采集人体日常活动过程的跌倒数据和日常动 作数据；

数据处理模块，用于提取分割后的所述跌倒数据和日常动作数据的特征得到惯性传感数 据特征和ECG数据特征，并对提取后的得到惯性传感数据特征和ECG数据特征进行归一化 处理；

模型构建模块，用于对所述归一化样本数据特征进行降维处理得到降维数据特征，并采 用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

跌倒检测模块，将所述腕部可穿戴设备新采集的日常活动数据输入所述支持向量机分类 模型，得到跌倒检测结果。

进一步的，所述惯性传感数据特征包括：算术平均值、标准偏差、中位数绝对偏差、最 大值、最小值、频率信号偏斜、频率信号峰度、最大频率成分、平均能量；

所述ECG数据包括QRS复合波、P波和T波数据特征。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说 明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护 范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本 发明的保护范围之内。

Claims (10)

1.一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，包括：

S1：利用包括ECG和惯性传感单元的腕部可穿戴设备采集人体日常活动过程的跌倒数据和日常动作数据；

S2：将收集的所述跌倒数据和日常动作数据按相同时间段进行分割；

S3：分别提取分割后的所述跌倒数据和日常动作数据的特征得到惯性传感数据特征和ECG数据特征；

S4：对所述惯性传感数据特征和ECG数据特征进行归一化处理得到归一化样本数据特征；

S5：采用主成分分析算法对所述归一化样本数据特征进行降维处理得到降维数据特征，采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

S6：将所述腕部可穿戴设备新采集的日常活动数据输入所述支持向量机分类模型，得到跌倒检测结果。

2.根据权利要求1所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，所述S3包括：

S31：提取惯性传感单元中分割后的所述跌倒数据和日常动作数据的惯性传感数据得到惯性传感数据特征；

所述惯性传感数据特征包括：算术平均值、标准偏差、中位数绝对偏差、最大值、最小值、频率信号偏斜、频率信号峰度、最大频率成分、平均能量；

S32：提取分割后的所述跌倒数据和日常动作数据的ECG数据中的QRS复合波、P波和T波数据特征得到所述ECG数据特征；

所述S4中的归一化处理函数：

其中max表示样本数据最大值，min表示样本数据最小值。x表示原始传感器数据，x*表示归一化结果。

3.根据权利要求2所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，所述QRS复合波的提取：

根据ECG数据的峰值提取QRS复合波的峰值点，在峰值点前后分别提取最低点，确定QRS复合波的起始位置和偏移量，得到QRS复合波。

4.根据权利要求2所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，

所述P波的提取公式：

θ＝0.30*(μ_n-μ_HF)

其中，θ表示某一时间段ECG数据的动态阈值表达式，μ_n指的是在最近一段信号时间序列内所有数据点的斜率平均值，μ_HF指一次跳动中的高频噪音；

当θ达到阈值时，提取所述时间段ECG数据的峰值后，通过时间序列顺序，根据峰值前后波形数据的斜率，提取斜率最低值点，确定P波起始位置和偏移量，得到P波。

5.根据权利要求2所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，

所述T波提取公式：

θ＝0.30*(μ_n-μ′_HF)

其中，θ表示某一时间段ECG数据的动态阈值表达式，μ_n指的是在最近一段信号时间序列内所有数据点的斜率平均值，μ′_HF指一次跳动中的低频噪音；

当θ达到阈值时，采用时间导数提取所述时间段ECG数据的峰值后，通过时间序列顺序，根据峰值前后最小曲率半径位置确定T波起始位置和偏移量，得到T波。

6.根据权利要求1所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，所述S5包括：

S51：对所述归一化样本数据特征进行标记，得到跌倒样本数据和日常活动样本数据；

S52：采用主成分分析算法对所述跌倒样本数据和日常活动样本数据进行降维得到降维数据特征；

所述主成分分析算法：

Y＝PX

其中，Y表示降维数据特征，P表示特征向量矩阵，X表示特征矩阵；

S53：采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

所述支持向量机算法：

f(x_i)＝sign(w^Tx_i+b)

其中，f(x_i)表示数据特征的类别，x_i表示降维数据特征向量，w表示加权向量，b表示偏差。

7.根据权利要求6所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，所述主成分分析算法步骤：

将所述跌倒样本数据和日常活动样本数据按列组成n行m列的特征矩阵X；

将所述特征矩阵X的每一行元素进行零均值化操作；

计算所述特征矩阵X中不同特征之间的协方差得到协方差矩阵，所述协方差计算公式：

其中X_i ^(k)，X_j ^(k)表示跌倒样本数据和日常活动样本中特征数据X_i，X_j在第k个跌倒样本数据和日常活动样本数据中的取值，而

则表示在所有跌倒样本数据和日常活动样本中特征数据X_i的均值，

则表示在所有跌倒样本数据和日常活动样本中特征数据X_j的均值，n表示每个跌倒样本数据和日常活动样本数据的特征维度；

计算所述协方差矩阵的特征值及对应的特征向量；

将所述特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成特征向量矩阵P；

根据不同维度的跌倒样本数据和日常活动样本数据进行跌倒检测的分类，确定k的取值，得到降维数据特征：

Y＝PX

其中，Y表示降维数据特征，P表示特征向量矩阵，X表示特征矩阵。

8.根据权利要求1所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，所述惯性传感单元包括三轴加速度计和三轴螺旋仪。

9.根据权利要求1所述的一种结合心电和惯性传感数据的跌倒检测方法，其特征在于，所述跌倒数据和日常动作数据包括ECG数据、加速度数据和螺旋仪数据。

10.一种结合心电和惯性传感数据的跌倒检测系统，其特征在于，包括：

采集模块，包括ECG和惯性传感单元，用于采集人体日常活动过程的跌倒数据和日常动作数据；

数据处理模块，用于提取分割后的所述跌倒数据和日常动作数据的特征得到惯性传感数据特征和ECG数据特征，并对提取后的得到惯性传感数据特征和ECG数据特征进行归一化处理；

模型构建模块，用于对所述归一化样本数据特征进行降维处理得到降维数据特征，并采用支持向量机算法对所述降维数据特征进行分类，得到支持向量机分类模型；

跌倒检测模块，将所述腕部可穿戴设备新采集的日常活动数据输入所述支持向量机分类模型，得到跌倒检测结果。

Images