CN111914619B - 一种基于人体姿态方位估算的摔跤检测方法 - Google Patents
一种基于人体姿态方位估算的摔跤检测方法 Download PDFInfo
- Publication number
- CN111914619B CN111914619B CN202010532727.XA CN202010532727A CN111914619B CN 111914619 B CN111914619 B CN 111914619B CN 202010532727 A CN202010532727 A CN 202010532727A CN 111914619 B CN111914619 B CN 111914619B
- Authority
- CN
- China
- Prior art keywords
- human body
- human
- wrestling
- angle
- motion data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 230000033001 locomotion Effects 0.000 claims abstract description 80
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000009471 action Effects 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 description 7
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 6
- 229910052753 mercury Inorganic materials 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 210000002414 leg Anatomy 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 208000031074 Reinjury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (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人体姿态方位估算的摔跤检测方法，该方法包括如下步骤：手机端接收传感器集成设备测量的人体运动数据并进行输入校正；通过卡尔曼滤波融合人体数据和消除干扰项；根据人体运动数据进行人体姿势角度估算；根据人体运动数据和人体姿势角度进行摔跤检测判断。本发明将检测方法整合在手机端上，用户仅需佩戴一块轻便的传感器集成设备，手机端下载配套的客户端，就可以实现鲁棒的摔跤检测。当用户出现摔跤的情况时，手机端能及时发出警报。用户可以将传感器集成设备佩戴在躯干或腿部等任意部位，当传感器集成设备被佩戴在腰部和腿部时，摔跤检测的准确率达到100％。
Description
技术领域
本发明属于摔跤检测技术领域，具体涉及一种基于人体姿态方位估算的摔跤检测方法。
背景技术
对于老年人和腿脚不方便的病人来说，一次不小心的摔跤会对他们产生巨大的伤害，严重时还会导致致残性骨折。若发生摔跤时，无法得到及时的救助，将会造成更为严重的二次伤害，甚至危及生命安全。因此近年来很多的摔跤检测方法被提出，以便当意外发生时，救援人员能够及时赶到从而避免后续伤害的发生。
在中国公开号为CN110111532A的专利中公开了一种老年人行走提醒及摔跤用警报装置，该装置能在老人行走时发出提示音，当老人摔跤后能够自行发出蜂鸣声，进行报警呼救。该方法的原理十分简单，通过水银管和铜线即可实现摔跤判断的功能。当老人正常行走时，受震动影响，水银和铜线间歇性导通，蜂鸣器仅发出提示音。当老人摔跤时，水银和铜线完全接触，电路成连通状态，蜂鸣器会发出连续的警报声，引起周围人群注意，从而实现老年人的搭救工作。该方法的思路简单，使用纯物理的方法实现了对摔跤的检测和预警，装置十分轻便易于携带。但该方法的主要材料为水银，常温下即可蒸发为有剧毒的水银蒸汽，当摔跤发生时，若不慎将装置中的水银管打碎，可能对用户造成二次伤害。同时该方法只能通过蜂鸣器向周围行人求救，对于独居老人或周围没有可施救者的情况并不适用，有很大的局限性。
而随着电子元器件的不断发展，摔跤检测方法更多的是基于智能的可穿戴设备，并通过无线网络或蓝牙和手机相连，来提高用户的体验度。如在中国公开号为CN107784788A的专利中公开了一种可穿戴设备摔跤辨别系统，该发明的利益点为硬件设备本体，通过装置外壳、触控显示屏、传感器集成设备、内置电路系统集成为一个腕带。通过硬件中倾角感测模块检测人体倾斜角来判断用户是否处于卧位的简单检测方法，但是在实际的使用中，由于倒地事件的不规则性，使得该种方法很容易产生误判，用户的平躺动作在实际测试中会容易被误认为是摔跤事件。同时，该方法仅对于是否是摔跤事件进行了检测，而没有后续的处理，当用户发生严重摔跤事件时，无法帮助用户进行求救，系统的设计不够人性化。
对于用户摔跤的检测，仅依赖用户单一角度的变化容易误判，授权号为CN105046882B的专利中提出了一种摔跤检测方法及装置，该方法使用加速度信号幅度向量值和角加速度值来共同判断用户是否发生摔跤。当加速度信号幅度向量高斯模糊值大于阈值时，若检测窗口内摔跤概率值大于摔跤检测阈值，该方法会判定用户发生了摔跤。对于不同的检测窗口大小、SVM权重和GSVM权重，该方法对于摔跤的检测有不同的准确率。当检测窗口大小为1500ms，SVM权重为0.4，GSVM权重为0.1时，该方法的误检测率最低，仅有1.33％。但整体而言，该方法检测准确率都是低于100％的，并且该方法的检测辨别过程则是通过服务器计算的，设备终端和服务器间通过网络进行交互，当网络信号不好或断网时，该方法会产生较大的延迟或者失效，且没有及时的预警措施。
除了使用可穿戴设备进行摔跤检测以外，通过鞋垫进行摔跤检测也是一种可选方式。在中国公开号为CN209928596U的专利中公开了一种可穿戴式老年人摔跤检测装置，该方法在鞋垫中封装压力传感器集成设备、供电模块、信号调理模块和无线网络模块，使得用户的摔跤动作可以通过鞋垫所受到压力的变化来辨别。鞋垫中的压力传感器集成设备分为三级，分别被安装在鞋垫的不同部位，当三级压力传感器集成设备所受到的压力均小于压力阈值时，需要对用户压力突变时间进行判断，若压力突变的时间小于2秒，则判定用户处于跌倒状态。该方法依赖于鞋垫对于摔跤的检测，不能应用于不穿鞋垫的情况，因此该方法缺少对于用户全方面的保护。
发明内容
本发明的目的是解决现有摔跤检测方法中存在的检测准确率有限、不适用于所有场景、不能有效响应、忽略用户体验等技术问题，提出一种高精准的基于人体姿态方位估算的摔跤检测方法，该方法具有高精度的检测结果及人性化的响应功能。本发明通过小型一体的传感器集成设备收集数据，在手机端上进行运算，进行用户摔跤情况的检测。当用户发生严重摔跤时，手机端能够自动拨打紧急求助电话。
本发明的目的可以通过采取如下技术方案达到：
一种基于人体姿态方位估算的摔跤检测方法，所述的摔跤检测方法包括以下步骤：
S1、用户佩戴传感器集成设备，传感器集成设备收集人体运动数据并进行校正，然后通过蓝牙将校正后的人体运动数据传输给手机端；
S2、手机端通过卡尔曼滤波融合人体运动数据，同时通过卡尔曼滤波消除人体运动数据在数据采集中的干扰项；
S3、根据人体运动数据构造人体四元数，通过人体四元数计算欧拉角对人体姿势角度进行描述；
S4、根据人体运动数据划分摔跤动作阶段，将摔跤动作划分为开始、摔跤发生后的下落、摔跤后和结束姿势四个阶段，在摔跤开始阶段，人体所受合外力在0到1倍人体重力之间，在摔跤发生后的下落阶段，人体所受合外力峰值达到2倍人体重力以上，在摔跤后阶段，人体所受合外力由峰值减少为0，在结束姿势阶段，人体所受合外力保持为0不变，通过人体所受合外力的变化来判断人体是否发生摔跤，设置人体所受合外力阈值，当人体所受合外力超过合外力阈值时，则判定发生摔跤动作，并根据人体运动数据和人体姿势角度进行摔跤检测判断。
进一步地，所述的传感器集成设备包括加速度计、磁力计、陀螺仪、校正器和蓝牙模块五个部件，通过加速度计、磁力计和陀螺仪测量人体运动数据，通过校正器对人体运动数据进行校正，通过蓝牙模块完成传感器集成设备与手机端的通信和数据传输。
传感器集成设备根据用户个人喜好和舒适程度，佩戴在用户身体的不同人体部位。
传感器集成设备通过蓝牙模块将人体运动数据传输给手机端，进一步地，传感器集成设备通过蓝牙模块将人体运动数据以十六进制的格式进行传输，每个人体运动数据被划分为低字节数据和高字节数据依次传送，手机端对接收到的数据重新进行组合，得到人体运动数据，手机端根据用户所设置的体重参数，计算人体所受到的合外力，人体所受到的外力越大，摔跤的可能性越大，受到严重损伤的可能性也就越大。
进一步地，所述的步骤S2过程如下：
S21、通过卡尔曼滤波融合人体运动数据：卡尔曼滤波是一种最优的回归数据处理方法，是一个时域滤波器，是基于时间域内含有噪声的有限测量数据的方法，本发明通过使用卡尔曼滤波融合人体运动数据，用以预测下一个状态变量，同时根据人体运动数据变化，对于人体运动方向进行估算；
S22、对人体运动数据和人体所受合外力进行卡尔曼滤波处理：当人体的运动范围和运动速度短时间内都产生了急剧变化，导致传感器集成设备采集和计算的人体运动数据和人体所受合外力存在大量噪声，本发明通过卡尔曼滤波对人体运动数据和人体所受合外力进行处理，得到更加精确的数据，有助于进行摔跤检测，由于本发明的应用场景为线性场景，对于人体运动数据使用下面的公式进行卡尔曼滤波：
H＝KhHtrue+bh+vh
其中H表示传感器集成设备测量的人体运动数据，Kh表示因数矩阵的大小，Htrue表示经过卡尔曼滤波处理的人体运动数据，bh表示人体运动数据偏移量，vh表示人体运动数据非相关高斯白噪声的值，对于人体所受合外力使用下面的公式进行卡尔曼滤波：
fbody＝Kf(mg+ftrue)+bf+vf
其中fbody表示人体所受到的合外力，Kf表示合外力因数矩阵的大小，m表示人体质量，g表示重力加速度，ftrue表示经过卡尔曼滤波处理的人体所受到的合外力，bf表示合外力偏移量，vf表示合外力非相关高斯白噪声的值。
进一步地，所述的步骤S3过程如下：
S31、根据人体运动数据构造人体四元数：四元数是一种描述空间旋转的方法，通过旋转角度和坐标轴矢量进行表示，本发明中采用四元数来表示人体方位，人体四元数通过下面的公式进行表示：
其中p表示人体四元数，θ是人体旋转角度，i、j、k表示x、y、z轴上的虚数单位，ux、uy和uz表示x轴、y轴和z轴的矢量，通过积分人体运动数据的变化来得到角度旋转的变化量，因此本发明根据下面的公式计算出人体四元数：
其中H表示人体运动数据，p1表示单位人体四元数；
S32、通过人体四元数计算欧拉角来描述人体姿势角度：欧拉角包括航偏角、滚转角和俯仰角，航偏角是指地球北极与人体坐标系中x轴之间的夹角，滚转角表示人体坐标系z轴与人体坐标系x轴的铅垂面间的夹角，俯仰角表示人体坐标系x轴与水平面的夹角，本发明中通过人体四元数计算航偏角、滚转角和俯仰角，其中航偏角通过下面的公式进行计算：
其中αyaw表示航偏角，ux、uy和uz表示x轴、y轴和z轴的矢量，θ表示人体旋转角度，滚转角通过下面的公式进行计算：
其中αroll表示滚转角，ux、uy和uz表示x轴、y轴和z轴的矢量，θ表示人体旋转角度，俯仰角通过下面的公式进行计算：
其中αpitch表示俯仰角，ux、uy和uz表示x轴、y轴和z轴的矢量，θ表示人体旋转角度，由于此处计算出的x轴角度为滚转角、y轴角度为俯仰角、z轴角度为航偏角，而事实上滚转角对应欧拉角向量的z轴，俯仰角对应欧拉角向量的x轴，航偏角对应欧拉角向量的y轴，因此需将数据转换才可以得到正确的欧拉角。
进一步地，所述的步骤S4中将人体所受合外力阈值设置为2.3倍人体重力，手机端判断人体所受合外力是否大于2.3倍人体重力，如果人体所受合外力小于2.3倍人体重力，手机端则继续从传感器集成设备采集人体数据，如果人体所受合外力大于2.3倍人体重力，手机端则判断欧拉角中的滚转角和俯仰角的变化状态，若滚转角变化的绝对值大于50°或俯仰角变化的绝对值大于50°，且该变化发生在2秒内，则判定人体发生摔跤，手机端发生警报。
若用户长时间处于摔跤结束姿势阶段或未手动结束手机端上的警报功能，手机端自动拨打事先设置的紧急求助电话，为用户提供帮助和救治。
本发明相对于现有技术具有如下的优点及效果：
本发明提出的摔跤检测方法仅依赖少量易测的运动数据，就能实现高精度的摔跤检测和预警功能，对传感器集成设备的佩戴位置有极高的容忍性，可实现高便携性、舒适性的摔跤检测和预警。
1.输入数据简单，仅依赖欧拉角的估算就能实现人体的摔跤检测，而且仅使用陀螺仪、磁力计、加速度计三个传感器就可以满足人体数据的收集以实现欧拉角的估算，硬件成本低廉。
2.摔跤检测准确度高，当传感器集成设备佩戴在腰部和腿部时，具有100％正确的摔跤检测效果，能够有效避免误判。
3.使用友好，传感器集成设备所需硬件模块可封装为自成一体的小型设备，不需要额外连线，可放在衣服口袋，具有高便携性和舒适性的优点，检测方法在手机端就能实现，无需连接服务器。
4.预警及时有效，当用户出现摔跤，手机端能及时发出警报。当检测到用户摔伤严重时，手机端会自动拨打紧急求助电话，以确保用户能得到及时的帮助和救治。
附图说明
图1是本发明实施例中公开的一种基于人体姿态方位估算的摔跤检测方法的流程图；
图2是本发明实施例中检测方法的系统结构图；
图3是本发明实施例中传感器集成设备佩戴在不同部位时准确率、敏感度和舒适性统计结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例
本实施例提供一种基于人体姿态方位估算的摔跤检测方法，该检测方法的整个流程图如图1所示，系统结构图如图2所示。本实施例中使用的传感器集成设备集成了三轴加速度传感器、三轴角速度传感器、磁力计、校正器和蓝牙模块，并封装为自成一体的小型设备器(36mm×51mm×15mm)。本实施例中实施动作的构建是基于现实中老人摔跤的真实场景，包括摔跤动作与日常动作，大多数摔跤事件发生在冠状面上，姿势为向前摔跤、向后摔跤，向左摔跤或向右摔跤。本实施例所设计的动作如表1所不。
同时本实施例中传感器集成设备分别被用户佩戴在肩部、腰部和脚部三个部位并进行多组实验，以验证本发明的鲁棒性。本实施例中的手机端是基于安卓系统的应用程序，本实施例共进行了720次实验，实验人数共5人，其中男性3人，女性2人，每人将传感器集成设备分别佩戴在肩部、腰部和脚部，根据指令进行摔跤动作或日常动作。
表1.本实施例中所设计的动作
| 动作分类 | 动作 | 动作分类 | 动作 |
| 摔跤动作 | 后摔后肘撑地 | 日常动作 | 走楼梯 |
| 摔跤动作 | 后摔躺两秒后坐 | 日常动作 | 躺着突然坐起 |
| 摔跤动作 | 后摔躺着不坐起 | 日常动作 | 坐着突然站起 |
| 摔跤动作 | 前摔膝盖着地 | 日常动作 | 突然蹲下捡东西 |
| 摔跤动作 | 前摔趴着不起身 | 日常动作 | 舒展肩部 |
| 摔跤动作 | 左摔趴着不起身 | 日常动作 | 向前趔趄 |
| 摔跤动作 | 右摔趴着不起身 | 日常动作 | 向后趔趄 |
| 日常动作 | 行走 | 日常动作 | 走楼梯 |
具体地：
S1、用户将传感器集成设备佩戴在肩部、腰部或脚步，打开手机端，通过蓝牙与传感器集成设备进行连接，当第一次进行传感器集成设备和手机配对时，需要进入手机端搜索附近蓝牙设备，输入PIN码，完成连接，再次使用时手机端可以与传感器集成设备进行自动连接，用户在手机端输入自己的体重，单位为千克，用户按照指令做出不同的摔跤动作或日常动作。
S2、手机端运行检测方法，通过卡尔曼滤波融合人体运动数据，并对人体运动数据进行卡尔曼滤波处理，消除数据采集中的干扰项。本实施例中，所有重力加速度的取值均为9.780m/s2，步骤S2过程如下：
S21、通过卡尔曼滤波融合人体运动数据：卡尔曼滤波是一种最优的回归数据处理方法，是一个时域滤波器，是基于时间域内含有噪声的有限测量数据的方法，本发明通过下面的公式计算卡尔曼滤波：
Xt＝Kt*Zt+(1-Kt)*Xt-1
其中Xt是当前的估计值，t表示时间，Kt是卡尔曼增益，Zt是当前的测量值，Xt-1是上一个状态的估计值，本发明通过使用卡尔曼滤波融合人体运动数据，用以预测下一个状态变量，同时根据人体运动数据变化，对于人体运动方向进行估算；
S22、对人体运动数据和人体所受合外力进行卡尔曼滤波处理：当人体的运动范围和运动速度短时间内都产生了急剧变化，导致传感器集成设备采集和计算的人体运动数据和人体所受合外力存在大量噪声，本发明通过卡尔曼滤波对人体运动数据和人体所受合外力进行处理，即通过卡尔曼滤波将人体运动数据作为下一步的预测值，然后通过人体运动数据和人体所受合外力的数值修正这一预测值，得到更加精确的数据，有助于进行摔跤检测，由于本发明的应用场景为线性场景，对于人体运动数据使用下面的公式进行卡尔曼滤波：
H＝KhHtrue+bh+vh
其中H表示传感器集成设备测量的人体运动数据，Kh表示因数矩阵的大小，Htrue表示经过卡尔曼滤波处理的人体运动数据，bh表示人体运动数据偏移量，vh表示人体运动数据非相关高斯白噪声的值，对于人体所受合外力使用下面的公式进行卡尔曼滤波：
fbody＝Kf(mg+ftrue)+bf+vf
其中fbody表示人体所受到的合外力，Kf表示合外力因数矩阵的大小，m表示人体质量，g表示重力加速度，ftrue表示经过卡尔曼滤波处理的人体所受到的合外力，bf表示合外力偏移量，vf表示合外力非相关高斯白噪声的值。
S3、手机端运行检测方法，根据人体运动数据构造人体四元数，通过人体四元数计算欧拉角来描述人体姿势角度，本实施例中，步骤S3过程如下：
S31、根据人体运动数据构造人体四元数：四元数是一种描述空间旋转的方法，通过旋转角度和坐标轴矢量进行表示，本发明中采用四元数来表示人体方位，人体四元数通过下面的公式进行表示：
其中p表示人体四元数，θ是人体旋转角度，即为人体运动数据中的角度变化，i、j、k表示x、y、z轴上的虚数单位，ux、uy和uz表示x轴、y轴和z轴的矢量，通过积分人体运动数据的变化来得到角度旋转的变化量，因此本发明根据下面的公式计算出人体四元数：
其中p表示根据人体运动数据计算出的人体四元数，H表示人体运动数据，p1表示单位人体四元数；
S32、通过人体四元数计算欧拉角来描述人体姿势角度：欧拉角包括航偏角、滚转角和俯仰角，航偏角是指地球北极与人体坐标系中x轴之间夹角，滚转角表示人体坐标系z轴与人体坐标系x轴的铅垂面间的夹角，俯仰角表示人体坐标系x轴与水平面的夹角，在理想状态下，静置在人体上的单个陀螺仪能通过整合测得数据获得人体当前运动的方向，从而得到欧拉角，然而在实际情况中，直接整合测得数据将产生白噪声积累,导致最终计算的结果有较大偏差。本发明中通过人体四元数计算航偏角、滚转角和俯仰角，其中航偏角通过下面的公式进行计算：
其中αyaw表示航偏角，ux、uy和uz表示x轴、y轴和z轴的矢量，θ表示人体旋转角度，滚转角通过下面的公式进行计算：
其中αroll表示滚转角，ux、uy和uz表示x轴、y轴和z轴的矢量，θ表示人体旋转角度，俯仰角通过下面的公式进行计算：
其中αpitch表示俯仰角，ux、uy和uz表示x轴、y轴和z轴的矢量，θ表示人体旋转角度，由于此处计算出的x轴角度为滚转角、y轴角度为俯仰角、z轴角度为航偏角，而事实上滚转角对应欧拉角向量的z轴，俯仰角对应欧拉角向量的x轴，航偏角对应欧拉角向量的y轴，因此需将数据转换才可以得到正确的欧拉角。
S4、手机端根据人体运动数据和人体姿势角度进行摔跤检测判断。本实施例中人体所受合外力阈值设置为2.3倍人体重力，角度变化阈值设置为50°，角度变化时间阈值设置为2秒，结束姿势阶段时间阈值设置为2秒。首先手机端判断人体所受合外力是否大于2.3倍人体重力，如果人体所受合外力小于2.3倍人体重力，手机端则继续从传感器集成设备采集人体数据，如果人体所受合外力大于2.3倍人体重力，手机端则判断欧拉角中的滚转角和俯仰角的变化状态，若滚转角变化的绝对值大于50°或俯仰角变化的绝对值大于50°，且该变化发生在2秒内，则判定人体发生摔跤，手机端会发出警报声，以达到向周围他人求助的目的。同时手机端会开始进行结束姿势阶段的计时，初始阈值为2秒，用户可在手机端内进行设置。若用户长时间处于结束姿势的阶段，或未手动结束手机端上的警报功能，手机端会自动拨打事先设置的紧急求助电话，使用户能得到及时的救治。
S5、对实施例中的实验结果进行分析。本实施例中对本发明进行了准确率、敏感度和舒适性三个方面的量化评估，所谓准确率，是指发出警报时用户是否发生摔跤，所谓敏感度，是指当用户摔跤时手机端是否发出警报，而舒适性则是主观判断，舒适性的评价是通过用户将传感器集成设备佩戴在不同部位的舒适程度的打分来进行判定。对于整个检测方法，我们将误判划分为一般误判和严重误判，一般误判为未发生摔跤而手机端发出警报，该误判对于用户的影响较小，不会对用户的人生安全造成影响，一般误判对应评判标准中的准确率。严重误判是指用户发生摔跤而手机端未发出警报的情况，该类误判会严重影响用户的人生安全，使得检测方法毫无存在意义，严重误判对应评判标准中的敏感度。本实施例中，用户将传感器集成设备佩戴在不同部位并做出多组动作，本发明对于摔跤动作和日常动作的识别准确率如表2所示。
表2.摔跤动作和日常动作的识别准确率
对于本发明的准确率、敏感度和舒适性，本实施例进行了统计与分析，其中舒适性部分通过用户打分实现，舒适性最好为100分，最差为0分，对于本发明的准确率、敏感度和舒适性统计结果如图3所示。当用户将传感器集成设备佩戴在任何部分，本实施例中手机端的检测方法对于摔跤动作有100％的敏感度，这保证了当用户发生摔跤时能够得到及时的救治。当用户将传感器集成设备佩戴在腰部或腿部时，本实施例中手机端的检测具有100％的准确率，避免了误报对用户带来的烦恼。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (3)
1.一种基于人体姿态方位估算的摔跤检测方法，其特征在于，所述的摔跤检测方法包括以下步骤：
S1、用户佩戴传感器集成设备，传感器集成设备收集人体运动数据并进行校正，然后通过蓝牙将校正后的人体运动数据传输给手机端；所述的传感器集成设备包括加速度计、磁力计、陀螺仪、校正器和蓝牙模块，通过加速度计、磁力计和陀螺仪测量人体运动数据，通过校正器对人体运动数据进行校正，通过蓝牙模块完成传感器集成设备与手机端的通信和数据传输；所述的传感器集成设备根据用户个人喜好和舒适程度，佩戴在用户的不同人体部位；
S2、手机端通过卡尔曼滤波融合人体运动数据，同时通过卡尔曼滤波消除人体运动数据在数据采集中的干扰项，过程如下：
S21、通过卡尔曼滤波融合人体运动数据，用以预测下一个状态变量，同时根据人体运动数据变化，对于人体运动方向进行估算；
S22、对人体运动数据和人体所受合外力进行卡尔曼滤波处理：假设应用场景为线性场景，对于人体运动数据使用下面的公式进行卡尔曼滤波：
H＝KhHtrue+bh+vh
其中H表示传感器集成设备测量的人体运动数据，Kh表示因数矩阵的大小，Htrue表示经过卡尔曼滤波处理的人体运动数据，bh表示人体运动数据偏移量，vh表示人体运动数据非相关高斯白噪声的值；
对于人体所受合外力使用下面的公式进行卡尔曼滤波：
fbody＝Kf(mg+ftrue)+bf+vf
其中fbody表示人体所受到的合外力，Kf表示合外力因数矩阵的大小，m表示人体质量，g表示重力加速度，ftrue表示经过卡尔曼滤波处理的人体所受到的合外力，bf表示合外力偏移量，vf表示合外力非相关高斯白噪声的值；
S3、根据人体运动数据构造人体四元数，通过人体四元数计算欧拉角对人体姿势角度进行描述，过程如下：
S31、根据人体运动数据，构造人体四元数用于表示人体方位，人体四元数通过下面的公式进行表示：
其中p表示人体四元数，θ是人体旋转角度，i、j、k表示x、y、z轴上的虚数单位，ux、uy和uz表示x轴、y轴和z轴的矢量，通过积分人体运动数据的变化得到角度旋转的变化量，通过下面的公式根据人体运动数据计算出人体四元数：
其中，H表示人体运动数据，p1表示单位人体四元数；
S32、通过人体四元数计算欧拉角来描述人体姿势角度，其中，所述的欧拉角包括航偏角、滚转角和俯仰角，航偏角是指地球北极与人体坐标系中x轴之间夹角，滚转角表示人体坐标系z轴与通过人体坐标系x轴的铅垂面间的夹角，俯仰角表示人体坐标系x轴与水平面的夹角，航偏角通过下面的公式进行计算：
其中αyaw表示航偏角；
滚转角通过下面的公式进行计算：
其中αroll表示滚转角；
俯仰角通过下面的公式进行计算：
其中αpitch表示俯仰角；
S4、根据人体运动数据划分摔跤动作阶段，将摔跤动作划分为开始、摔跤发生后的下落、摔跤后和结束姿势四个阶段，在摔跤开始阶段，人体所受合外力在0到1倍人体重力之间，在摔跤发生后的下落阶段，人体所受合外力峰值达到2倍人体重力以上，在摔跤后阶段，人体所受合外力由峰值减少为0，在结束姿势阶段，人体所受合外力保持为0不变，通过人体所受合外力的变化来判断人体是否发生摔跤，设置人体所受合外力阈值，当人体所受合外力超过合外力阈值时，则判定发生摔跤动作，并根据人体运动数据和人体姿势角度进行摔跤检测判断。
2.根据权利要求1所述的一种基于人体姿态方位估算的摔跤检测方法，其特征在于，所述的步骤S4中将人体所受合外力阈值设置为2.3倍人体重力，手机端判断人体所受合外力是否大于2.3倍人体重力，如果人体所受合外力小于2.3倍人体重力，手机端则继续从传感器集成设备采集人体数据，如果人体所受合外力大于2.3倍人体重力，手机端则判断欧拉角中的滚转角和俯仰角的变化状态，若滚转角变化的绝对值大于50°或俯仰角变化的绝对值大于50°，且该变化发生在2秒内，则判定人体发生摔跤，手机端发出警报。
3.根据权利要求2所述的一种基于人体姿态方位估算的摔跤检测方法，其特征在于，若用户长时间处于摔跤结束姿势阶段或未手动结束手机端上的警报功能，手机端自动拨打事先设置的紧急求助电话，为用户提供帮助和救治。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010532727.XA CN111914619B (zh) | 2020-06-12 | 2020-06-12 | 一种基于人体姿态方位估算的摔跤检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010532727.XA CN111914619B (zh) | 2020-06-12 | 2020-06-12 | 一种基于人体姿态方位估算的摔跤检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914619A CN111914619A (zh) | 2020-11-10 |
| CN111914619B true CN111914619B (zh) | 2024-05-24 |
Family
ID=73237712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010532727.XA Active CN111914619B (zh) | 2020-06-12 | 2020-06-12 | 一种基于人体姿态方位估算的摔跤检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914619B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115444405B (zh) * | 2022-08-29 | 2024-07-23 | 同济大学 | 基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203050249U (zh) * | 2013-01-15 | 2013-07-10 | 郑力仁 | 一种智能报警安全锁芯的开锁及反锁检测机构 |
| WO2017156835A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳大学 | 健身姿势识别、评估、预警和强度估算的智能方法及系统 |
| CN107693022A (zh) * | 2017-09-27 | 2018-02-16 | 福建工程学院 | 一种检测人体摔倒的方法及装置 |
-
2020
- 2020-06-12 CN CN202010532727.XA patent/CN111914619B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203050249U (zh) * | 2013-01-15 | 2013-07-10 | 郑力仁 | 一种智能报警安全锁芯的开锁及反锁检测机构 |
| WO2017156835A1 (zh) * | 2016-03-18 | 2017-09-21 | 深圳大学 | 健身姿势识别、评估、预警和强度估算的智能方法及系统 |
| CN107693022A (zh) * | 2017-09-27 | 2018-02-16 | 福建工程学院 | 一种检测人体摔倒的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多点传感融合算法的人体跌倒监测系统设计;汪波涛;张;;单片机与嵌入式系统应用;20151101(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914619A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105632101B (zh) | 一种人体防跌倒预警方法及系统 | |
| KR102419586B1 (ko) | 모바일 디바이스를 사용한 추락 검출 | |
| AU2010269846B2 (en) | Fall prevention | |
| Lin et al. | Fall monitoring for the elderly using wearable inertial measurement sensors on eyeglasses | |
| US9159213B1 (en) | Motion detection method and device | |
| CN107909771B (zh) | 一种基于无线传感网络的人员跌倒报警系统及其实现方法 | |
| CN106200952B (zh) | 一种监测用户行为数据的方法和可穿戴设备 | |
| WO2011064705A1 (en) | Method for estimating velocities and/or displacements from accelerometer measurement samples | |
| CN106388831B (zh) | 基于样本加权算法的检测摔倒动作的方法 | |
| CN105654666B (zh) | 基于mems传感器的老年人跌倒监测方法 | |
| CN104297519B (zh) | 人体运动姿态识别方法和移动终端 | |
| Shi et al. | Fall Detection Algorithm Based on Triaxial Accelerometer and Magnetometer. | |
| Zhong et al. | A real-time pre-impact fall detection and protection system | |
| CN205665839U (zh) | 可穿戴智能跌倒检测警报通知系统 | |
| Colon et al. | Human fall detection with smartphones | |
| CN107146378A (zh) | 一种人体跌倒判定方法及装置 | |
| CN111914619B (zh) | 一种基于人体姿态方位估算的摔跤检测方法 | |
| KR20160123642A (ko) | 낙상 검출 방법 및 장치 | |
| EP3796282A2 (en) | Device, system and method for fall detection | |
| Singh et al. | Implementation of safety alert system for elderly people using multi-sensors | |
| López et al. | A real-time algorithm to detect falls in the elderly | |
| Zhao et al. | Fall detecting and alarming based on mobile phone | |
| TW201918225A (zh) | 步態分析方法與系統 | |
| WO2011064697A1 (en) | Method for estimating velocities and/or displacements from accelerometer measurement samples | |
| Xu et al. | A Wearable Micro-Electromechanical System Inertial Sensor System for Fall Behaviour Detection Based on a Multi-Level Threshold Algorithm |
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 |