CN112258785B - 一种跌倒检测方法、装置及存储介质 - Google Patents

一种跌倒检测方法、装置及存储介质 Download PDF

Info

Publication number
CN112258785B
CN112258785B CN201911185182.3A CN201911185182A CN112258785B CN 112258785 B CN112258785 B CN 112258785B CN 201911185182 A CN201911185182 A CN 201911185182A CN 112258785 B CN112258785 B CN 112258785B
Authority
CN
China
Prior art keywords
user
acceleration
accelerations
state
multiple directions
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
Application number
CN201911185182.3A
Other languages
English (en)
Other versions
CN112258785A (zh
Inventor
钱强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201911185182.3A priority Critical patent/CN112258785B/zh
Publication of CN112258785A publication Critical patent/CN112258785A/zh
Application granted granted Critical
Publication of CN112258785B publication Critical patent/CN112258785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例公开了一种跌倒检测方法、装置及存储介质，其中，所述方法包括：获取用户在多个方向的加速度，根据所述多个方向的加速度确定所述用户的综合加速度；基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态；当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到处理结果，基于所述处理结果确定所述用户是否处于跌倒状态。

Description

一种跌倒检测方法、装置及存储介质
技术领域
本发明涉及智能检测领域，尤其涉及一种跌倒检测方法、装置及存储介质。
背景技术
随着微型传感器的升级和人工智能技术的发展，可穿戴设备广泛应用于健康监护、运动保健等领域。目前，由于人口老年化进程的加剧，对于用户的跌倒行为的研究也越来越多，因此，通过可穿戴设备内嵌的微型传感器采集用户的行为数据，再根据行为数据来研究用户的跌倒行为已经成为了一个趋势。
目前对跌倒行为的相关研究主要是利用加速度传感器采集在跌倒行为发生时人体各方向的加速度值，根据各方向的加速度值来判断用户是否处于跌倒状态，确定用户处于跌倒状态，则利用远程无线报警系统进行报警，通知护理人员进行救治，实现对用户的远程监护。
但是，现有的跌倒检测方法要么适应性较差，无法在不同的环境中都准确判断出用户是否跌倒，要么判断的计算量大，对可穿戴设备的功耗造成较大影响，不利于实用性。
发明内容
有鉴于此，本发明实施例期望提供一种跌倒检测方法、装置及存储介质，不仅能够降低可穿戴设备的功耗，而且能够提高对用户是否跌倒判断的准确性。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种跌倒检测方法，所述方法包括：
获取用户在多个方向的加速度，根据所述多个方向的加速度确定所述用户的综合加速度；
基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态；
当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到处理结果，基于所述处理结果确定所述用户是否处于跌倒状态。
在上述方案中，所述基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态，包括：
基于所述综合加速度和所述至少一种阈值中的失重加速度阈值判断所述用户是否处于失重的状态，得到第一判断结果，当所述第一判断结果为所述用户处于失重的状态，确定所述失重的状态对应的第一采集时间；
获取所述第一采集时间之后第一设定时间内的第一综合加速度，基于所述至少一种阈值中的冲击地面加速度阈值和所述第一综合加速度判断所述用户是否处于撞击地面的状态，得到第二判断结果，当所述第二判断结果为所述用户处于撞击地面的状态，确定所述撞击地面的状态对应的第二采集时间；
获取所述第二采集时间之后第二设定时间内的第二综合加速度，基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果；
确定所述第三判断结果为所述用户处于无动作的状态，获取所述第二采集时间的相邻时间对应的多个方向的加速度，基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断所述用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果；
基于所述第一判断结果、所述第二判断结果、所述第三判断结果和所述第四判断结果，判断所述用户是否处于跌倒状态。
在上述方案中，所述基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果，包括：
确定所述第二综合加速度对应的第三采集时间；
将所述第三采集时间的相邻时间对应的综合加速度进行相减，得到综合加速度之间的差值；
将所述差值与所述无动作加速度变化阈值进行比较，得到第一比较结果，根据所述第一比较结果得到第三判断结果。
在上述方案中，所述基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果，包括：
基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定所述用户跌倒前后的轴向夹角；
将所述轴向夹角与所述至少一种阈值中的前后角度变化阈值进行比较，得到第二比较结果，根据所述第二比较结果得到第四判断结果。
在上述方案中，在所述根据预测模型对所述多个方向的加速度进行处理之前，所述方法还包括：
获取多个方向的加速度和所述多个方向的加速度对应的状态；
将所述多个方向的加速度和所述多个方向的加速度对应的状态中的部分数据作为训练数据对机器学习模型进行训练，得到初始预测模型；
将所述多个方向的加速度和所述多个方向的加速度对应的状态中的另一部分数据作为测试数据对所述初始预测模型进行检测，生成预测模型。
本发明实施例还提供一种跌倒检测装置，所述装置包括：获取单元、判断单元以及模型处理单元；其中，
所述获取单元，用于获取用户在多个方向的加速度，根据所述多个方向的加速度确定所述用户的综合加速度；
所述判断单元，用于基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态；
所述模型处理单元，用于当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到处理结果，基于所述处理结果确定所述用户是否处于跌倒状态。
在上述方案中，所述判断单元，包括：第一判断子单元、第二判断子单元、第三判断子单元、第四判断子单元以及综合处理单元；其中，
所述第一判断子单元，用于基于所述综合加速度和所述至少一种阈值中的失重加速度阈值判断所述用户是否处于失重的状态，得到第一判断结果，当所述第一判断结果为所述用户处于失重的状态，确定所述失重的状态对应的第一采集时间；
所述第二判断子单元，用于获取所述第一采集时间之后第一设定时间内的第一综合加速度，基于所述至少一种阈值中的冲击地面加速度阈值和所述第一综合加速度判断所述用户是否处于撞击地面的状态，得到第二判断结果，当所述第二判断结果为所述用户处于撞击地面的状态，确定所述撞击地面的状态对应的第二采集时间；
所述第三判断子单元，用于获取所述第二采集时间之后第二设定时间内的第二综合加速度，基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果；
所述第四判断子单元，用于确定所述第三判断结果为所述用户处于无动作的状态，获取所述第二采集时间的相邻时间对应的多个方向的加速度，基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断所述用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果；
所述综合处理单元，用于基于所述第一判断结果、所述第二判断结果、所述第三判断结果和所述第四判断结果，判断所述用户是否处于跌倒状态。
在上述方案中，所述第三判断子单元包括：第一确定单元、差值获取单元以及第一比较单元；其中，
所述第一确定单元，用于确定所述第二综合加速度对应的第三采集时间；
所述差值获取单元，用于将所述第三采集时间的相邻时间对应的综合加速度进行相减，得到综合加速度之间的差值；
所述第一比较单元，用于将所述差值与所述无动作加速度变化阈值进行比较，得到第一比较结果，根据所述第一比较结果得到第三判断结果。
在上述方案中，所述第四判断子单元，包括：第二确定单元以及第二比较单元；其中，
所述第二确定单元，用于基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定所述用户跌倒前后的轴向夹角；
所述第二比较单元，用于将所述轴向夹角与所述至少一种阈值中的前后角度变化阈值进行比较，得到第二比较结果，根据所述第二比较结果得到第四判断结果。
在上述方案中，所述装置还包括：获取子单元、训练单元以及测试单元；其中，
所述获取子单元，用于在所述根据预测模型对所述多个方向的加速度进行处理之前，获取多个方向的加速度和所述多个方向的加速度对应的状态；
所述训练单元，用于将所述多个方向的加速度和所述多个方向的加速度对应的状态中的部分数据作为训练数据对机器学习模型进行训练，得到初始预测模型；
所述测试单元，用于将所述多个方向的加速度和所述多个方向的加速度对应的状态中的另一部分数据作为测试数据对所述初始预测模型进行检验，生成预测模型。
本发明实施例还提供一种存储介质，所述存储介质存储有可执行指令，当所述可执行指令被至少一个处理器执行时，实现上述任一项所述的方法。
本发明实施例还提供一种跌倒检测装置，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现上述任一项所述的方法。
本发明实施例提供的跌倒检测方法、装置及存储介质，通过获取用户在多个方向的加速度来确定用户的综合加速度；进而选取多个阈值对用户的综合加速度进行逐层判断，以此来实现对用户是否跌倒的初步确定。当确定用户未跌倒时，为了保证判断的准确性，避免因为误判给用户带来的损害，根据预测模型对用户未跌倒对应的加速度进行再次判断，根据判断结果确定用户是否真的未跌倒。这样，通过阈值检测方法与模式识别检测方法的结合，在不增加可穿戴设备的功耗的基础上，可以实现对用户是否跌倒的准确判断。
附图说明
图1为本发明实施例提供的跌倒检测方法的一种实现流程示意图；
图2为本发明实施例提供的跌倒检测方法中人体躯干坐标的一种可选的示意图；
图3(a)为本发明实施例提供的跌倒检测方法中WT与各种比率的关系示意图；
图3(b)本发明实施例提供的跌倒检测方法中为ST与各种比率的关系示意图；
图3(c)为本发明实施例提供的跌倒检测方法中MT与各种比率的关系示意图；
图3(d)为本发明实施例提供的跌倒检测方法中AT与各种比率的关系示意图；
图4为本发明实施例的提供的跌倒检测方法的另一种实现流程示意图；
图5为本发明实施例还提供一种跌倒检测装置的组成示意图；
图6为本发明实施例提供的一种跌倒检测装置的具体硬件结构示意图。
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。
需要说明的是，目前对于用户的跌倒行为的检测，大致分为阈值检测方法与模式识别检测方法两大类。阈值检测方法通过将传感器采集的数据与设定的阈值进行比较来识别用户当前是否处于跌倒的某个状态，进而判断用户的当前行为是否为跌倒。模式识别检测方法将跌倒检测看作是一个典型的分类问题，例如，通过支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree,DT)等分类算法实现对用户的当前行为的分类，进而判断用户的当前行为是否为跌倒。
阈值检测方法由于只需要比较传感器采集的数据与设定的阈值之间的关系，在设计上较为简单，计算量也较小；但是，阈值检测方法的不足之处就是阈值的选取对跌倒检测的判断结果影响较大，而阈值的选取一般是通过经验或者实验数据选取。若是通过经验的方法，则无法确定阈值选取的准确度；而若是通过实验数据来确定阈值，则存在逼真性的问题，因为实验数据基本都是通过健康的青年人来模拟跌倒，这就会存在跌倒者的身体健康状况和心理状况差异，而且有意识和无意识的跌倒存在着差异，也会影响阈值选取的准确性，因此，如何选取阈值是阈值检测方法中需要解决的重要问题。
除此之外，如果想要在不同的环境下都取得较高准确性的检测效果，需要针对不同的环境，设置不同的阈值。如此，阈值检测方法无法对所有的环境、所有的人群具有通用性。例如，将三轴的加速度值作为传感器采集的数据，将加速度强度矢量(SignalMagnitude Vector，SMV)作为比较的数据，所述SMV表征各个方向的加速度的和。这里，将SMV与设定的阈值进行比较：SMV大于1.5g的行为识别为跌倒，而SMV小于1.5g的行为识别为非跌倒。但是，实际应用中，有的人体跌倒对应的阈值可能在1.4g，而有的人体跌倒对应的阈值可能在1.8g；并且，人体在不同行为下的跌倒，阈值也可能发生变化。因此，阈值检测方法只能大致判断人体超过这个阈值有可能发生跌倒，无法做出比较准确的检测。
模式识别检测方法是利用复杂问题简单化的思想来处理跌倒问题，通常具有更好的跌倒检测效果，其运用机器学习模型训练人体跌倒数据，进而对跌倒与否等行为做出分类，这种算法的适应性较强。然而，由于需要实时监测跌倒是否发生，模式识别检测方法需要实时被调用，而模式识别检测方法计算量远大于阈值检测方法，这样会对可穿戴设备的功耗等性能造成较大影响，不利于实用性。
基于此，为了实现在不增加可穿戴设备的功耗的基础上，在不同的环境下，都能准确的判断用户是否跌倒，本发明实施例提供了一种跌倒检测方法，将阈值检测方法和模式识别检测方法相结合，以此实现对用户是否跌倒的准确判断。
需要说明的是，所述跌倒检测方法可以应用可穿戴设备。
图1为本发明实施例提供的跌倒检测方法的一种实现流程示意图，如图1所示，所述方法包括：
步骤101，获取用户在多个方向的加速度，根据所述多个方向的加速度确定用户的综合加速度。
需要说明的是，所述多个方向的加速度可以包括左右方向的加速度、前后方向的加速度和垂直方向的加速度。由于在日常生活中，跌倒行为的发生是随机性的，跌倒行为中的跌倒方向也是无法预测，无法单独对某一方向的加速度的变化进行分析来准确地判断跌倒行为是否发生。基于此，本发明实施例通过采集多个方向的加速度，通过多个方向的加速度来联合判断跌倒行为是否发生。
所述获取用户在多个方向的加速度可以是：在可穿戴设备中内嵌的加速度传感器采集到多个方向的加速度后，将所述多个方向的加速度通过可穿戴设备中的通信接口发送到可穿戴设备中的处理器，如此，可穿戴设备中的处理器获取到用户在多个方向的加速度。可穿戴设备中的处理器获取到多个方向的加速度后，基于所述多个方向的加速度执行下述的处理。
这里，对于方向的选择，考虑到人体的日常行为一般涉及左右方向、前后方向以及垂直方向的活动，如此，本发明实施例通过在可穿戴设备中内嵌三轴加速度传感器来实现对人体的左右方向的加速度、前后方向的加速度以及垂直方向的加速度的采集。所述三轴加速度传感器可以是Freescale公司的三轴加速度传感器MMA7360L、ADI公司的ADXL345等。
图2为本发明实施例提供的跌倒检测方法中人体躯干坐标的一种可选的示意图；如图2所示，以人体为坐标原点，用x轴来表示前后方向，用y轴来表示左右方向，用z轴来表示垂直方向来建立坐标系；如此，三轴加速度传感器采集的至少一个方向的加速度包括x轴的加速度、y轴的加速度、z轴的加速度。
所述综合加速度用于表征在每个时刻上，用户在各个方向上的加速度的综合值，所述综合加速度可以根据所述多个方向中的每个方向的加速度的和计算得到；这里，用SMV来表示所述综合加速度，即：
Figure BDA0002292226360000091
其中，SMV为加速度强度矢量，Ax为x轴的加速度，Ay为y轴的加速度，Az为z轴的加速度，所述Ax、Ay、Az的单位为g(1g＝9.8N.m/s2)。
在通过三轴加速度传感器采集到Ax、Ay、Az后，基于Ax、Ay、Az计算出SMV，即得到了用户的综合加速度。
需要说明的是，将某一时刻采集的Ax、Ay、Az称为一组加速度值。如果每秒钟通过所述三轴加速度传感器采集60次数据，则得到60组加速度值，根据60组加速度值进行综合加速度的计算，则到得到60个综合加速度。
步骤102，基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态。
需要说明的是，所述用户除了处于跌倒状态，还可能处于未跌倒状态。
所述至少一种阈值包括：失重加速度阈值(Weightless Threshold，WT)、冲击地面加速度阈值(SMV Threshold，ST)、无动作加速度变化阈值(Motionless Threshold，MT)、前后角度变化阈值(Angle Threshold，AT)。
由于实际应用中，用户的身体健康状况和心理状况存在差异，导致跌倒过程中的各项数据也会存在差异，通过单个的阈值来对综合加速度进行判断已经无法的准确地确定出用户是否跌倒。因此，本发明实施例通过设置多种阈值对用户的综合加速度进行分层次地判断，以此来提高判断的准确度。
需要说明的是，由于跌倒过程中涉及的状态一般包括失重状态、冲击地面状态、无动作状态等；本发明实施例可以针对这3种状态设置对应的阈值来判断用户是否处于这3种状态，进而在确定用户是处于这3种状态后，通过设置的AT这一阈值来进一步确定用户是否跌倒。这里，用户跌倒前后的轴向夹角会发生较大的变化，由此通过轴向夹角与AT的比较可以进一步确定用户是否跌倒，如此设置可以最大程度地保证阈值检测方法的准确性。
所述轴向夹角是指人体处于站立状态所对应的坐标系与人体处于非站立状态所对应的坐标系之间的夹角。这里，所述人体处于站立状态和非站立状态所对应的坐标系都可以是：以人体躯干的中心为坐标原点，以人体躯干的正面方向作为x轴，以人体躯干的侧面方向作为y轴，以人体躯干本身的方向作为z轴而建立的。由于人体处于站立状态和非站立状态时，人体躯干本身的方向存在不同，人体处于站立状态时人体躯干本身的方向为垂直地面的方向，但人体处于非站立状态时，人体躯干本身的方向可能是平行于地面，或者与地面形成一定的夹角。如此，所述轴向夹角就是指人体处于站立状态和非站立状态所对应的z轴的夹角。
下面对上述步骤102中的基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态的具体流程作详细介绍：
所述基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态，包括：
步骤1021，基于所述综合加速度和所述至少一种阈值中的WT判断所述用户是否处于失重的状态，得到第一判断结果，当所述第一判断结果为所述用户处于失重的状态，确定所述失重的状态对应的第一采集时间。
需要说明的是，所述WT用于判断用户是否处于失重的状态。所述第一判断结果可以用Weightless Test来表示，所述Weightless Test的值为1或0；当Weightless Test＝1，表示第一判断结果为是，即用户处于失重的状态；当Weightless Test＝0，表示第一判断结果为否，即用户未处于失重的状态。
这里，所述基于WT和综合加速度判断用户是否处于失重的状态，得到第一判断结果可以是：将所述综合加速度与WT进行比较得到比较结果，根据比较结果得到第一判断结果。这里，所述比较结果包括：综合加速度小于WT、综合加速度不小于WT；综合加速度小于WT时认为第一判断结果为用户处于失重的状态，综合加速度不小于WT时认为第一判断结果为用户处于未失重的状态。例如，假设综合加速度为0.5g，WT设置为1g，此时综合加速度小于WT，认为用户处于失重的状态，输出Weightless Test＝1。
还需要说明的是，所述失重状态对应的第一采集时间为用户处于失重状态对应的多个方向的加速度的采集时间。
在通过上述综合加速度与WT的比较，确定用户处于失重的状态后，需要获取用户处于失重状态对应的多个方向的加速度的采集时间，将用户处于失重状态对应的多个方向的加速度的采集时间设置为第一采集时间。这里，获取第一采集时间是为了知道用户最早出现失重状态的时间，最早出现失重状态的时间即为用户开始跌倒的时间，当确定出第一采集时间，再对第一采集时间之后的综合加速度进一步地判断就可以确定用户是否跌倒。
步骤1022，获取所述第一采集时间之后第一设定时间内的第一综合加速度，基于所述至少一种阈值中的ST和所述第一综合加速度判断所述用户是否处于撞击地面的状态，得到第二判断结果，当所述第二判断结果为所述用户处于撞击地面的状态，确定所述撞击地面的状态对应的第二采集时间。
需要说明的是，所述第一综合加速度为第一采集时间之后的第一设定时间内的传感器采集的多个方向的加速度对应的综合加速度。所述ST用于判断用户是否处于撞击地面的状态。所述第二判断结果用SMV Test来表示，所述SMV Test的值为1或0；当SMV Test＝1，表示第二判断结果为是，即用户处于撞击地面的状态；当SMV Test＝0，表示第二判断结果为否，即用户未处于撞击地面的状态。
所述第一设定时间可以根据实际需要设置，但一般而言，用户出现失重到用户撞击地面的时间大概在3s内，如此，所述第一设定时间可以为3s。所述获取第一采集时间之后的第一设定时间内的综合加速度即为获取第一采集时间之后的3s内的综合加速度。例如，假设第一采集时间为12:00:00，则所述获取第一采集时间之后的第一设定时间内的综合加速度是指获取12:00:00-12:00:03内的综合加速度，如果1S采集60次加速度，则12:00:00-12:00:03内可以获取到180个综合加速度。
这里，所述基于ST和第一综合加速度判断用户是否处于撞击地面的状态，得到第二判断结果可以是：将所述第一采集时间之后的第一设定时间内的综合加速度与ST进行比较，根据比较结果得到第二判断结果。所述比较结果包括：设定比例的综合加速度大于ST、设定比例的综合加速度不大于ST。这里，所述设定比例的可以根据实际需要设置，但一般而言，在用户撞击地面的这几秒内，用户的综合加速度都是大于ST的，考虑到实际应用中不同用户的身体状态的不同，可以设定一定比例的综合加速度大于ST就认为用户处于撞击地面的状态；例如，所述设定比例可以为80％、90％等。如此，所述根据比较结果得到第二判断结果可以是：所述第一采集时间之后的第一设定时间内的综合加速度中90％的综合加速度大于ST，确定用户处于撞击地面的状态；所述第一采集时间之后的第一设定时间内的综合加速度中90％的综合加速度不大于ST，确定用户未处于撞击地面的状态。
还需要说明的是，所述撞击地面的状态对应的第二采集时间为用户处于撞击地面的状态时对应的多个方向的加速度的采集时间。
在通过上述综合加速度与ST的比较，确定用户处于撞击地面的状态后，需要获取用户处于撞击地面的状态对应的多个方向的加速度的采集时间，将用户处于撞击地面的状态对应的多个方向的加速度的采集时间设置为第二采集时间。这里，所述第二采集时间可以是第一时间之后的第一设定时间内任一个综合加速度对应的时间。例如，第一采集时间为12:00:00，则所述第一采集时间之后的第一设定时间(3S)内的时间是指12:00:00-12:00:03，则第二采集时间可以是12:00:00-12:00:03内任一个综合加速度对应的时间，如第二时间为12:00:02。
步骤1023，获取所述第二采集时间之后第二设定时间内的第二综合加速度，基于所述至少一种阈值中的MT和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果。
需要说明的是，所述第二综合加速度为第二采集时间之后的第二设定时间内的传感器采集的多个方向的加速度对应的综合加速度。所述MT用于判断用户是否处于无动作的状态。所述第三判断结果用Motionless Test来表示，所述Motionless Test的值为1或0；当Motionless Test＝1，表示第三判断结果为是，即用户处于无动作的状态；当MotionlessTest＝0，表示第三判断结果为否，即用户未处于无动作的状态。
所述第二设定时间可以根据实际需要设置，但一般而言，用户撞击地面后，在渡过了缓冲时间后，会有如爬动、翻身、站立等动作发生，缓冲时间大概在1s-3s内，如此，所述第二设定时间可以为1s-3s。所述获取第二采集时间之后的第二设定时间内的综合加速度即为获取第二采集时间之后的1s-3s内的综合加速度。例如，假设第二采集时间为12:00:00，则所述获取第二采集时间之后的第二设定时间(1s-3s)内的综合加速度是指获取12:00:01-12:00:03内的综合加速度，如果1S采集60次加速度，则12:00:00-12:00:03内可以获取到120个综合加速度。
这里，所述基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果，包括：
确定所述第二综合加速度对应的第三采集时间；
将所述第三采集时间的相邻时间对应的综合加速度进行相减，得到综合加速度之间的差值；
将所述差值与所述MT进行比较，得到第一比较结果，根据所述第一比较结果得到第三判断结果。
需要说明的是，所述第三采集时间可以根据设定的采集周期确定。例如，采集周期为1S，通过可穿戴设备的佩戴起始时间和采集周期即可确定出所述第二综合加速度对应的采集时间。可穿戴设备的佩戴起始时间是指可穿戴设备执行工作的起始时间，所述起始时间可以根据可穿戴设备中的计时器采集，进而发送至处理器中。如此，可穿戴设备的处理器基于该起始时间和采集周期确定出第二综合加速度对应的第三采集时间。
所述第三采集时间的相邻时间是指第三采集时间前一刻的时间和后一刻的时间。例如，如果第三采集时间为12:00:00，采集周期为1S，则第三采集时间的相邻时间为12:00:01和11:59:59。
这里的所述第一比较结果包括：差值小于MT、差值不小于MT。这里，差值小于MT时，确定第三判断结果为用户处于无动作的状态，差值不小于MT时，确定第三判断结果为用户未处于无动作的状态。
步骤1024，确定所述第三判断结果为所述用户处于无动作的状态，获取所述第二采集时间的相邻时间对应的多个方向的加速度，基于所述至少一种阈值中的AT和所述第二采集时间的相邻时间对应的多个方向的加速度判断所述用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果。
需要说明的是，所述第二采集时间的相邻时间指第二采集时间前一刻的时间和后一刻的时间。例如，如果第二采集时间为13:00:00，采集周期为1S，则采集时间的相邻时间为13:00:01和12:59:59。
所述AT用于判断的用户的轴向夹角是否符合跌倒的要求。所述第四判断结果用Angle Test来表示，所述Angle Test的值为1或0；当Angle Test＝1，表示第四判断结果为是，即用户跌倒前后的轴向夹角符合跌倒的要求；当Angle Test＝0，表示第四判断结果为否，即用户跌倒前后的轴向夹角不符合跌倒的要求。
这里，所述基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果，包括：
基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定用户跌倒前后的轴向夹角；
将所述轴向夹角与AT进行比较，得到第二比较结果，根据所述第二比较结果得到第四判断结果。
需要说明的是，所述第二比较结果包括：轴向夹角大于AT、轴向夹角不大于AT。这里，轴向夹角大于AT时，认为第四判断结果为用户的轴向夹角符合跌倒的要求，轴向夹角不大于AT时，认为第四判断结果为用户的轴向夹角不符合跌倒的要求。
所述基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定用户跌倒前后的轴向夹角，可以根据夹角公式计算得到，所述夹角公式为：
Figure BDA0002292226360000151
其中，θ为用户跌倒前后的轴向夹角，Ax(t1)为t1时刻x轴的加速度，Ax(t2)为t2时刻x轴的加速度，Ay(t1)为t1时刻y轴的加速度，Ay(t2)为t2时刻y轴的加速度，Az(t1)为t1时刻z轴的加速度，Az(t2)为t2时刻z轴的加速度；t1为第二时间的前一刻，t2为第二时间的后一刻。
步骤1025，基于所述第一判断结果、所述第二判断结果、所述第三判断结果和所述第四判断结果，判断所述用户是否处于跌倒状态。
需要说明的是，当第一判断结果为是、第二判断结果为是、第三判断结果为是、第四判断结果为是，确定用户的状态为跌倒；即当Weightless Test＝1，SMV Test＝1，Motionless Test＝1，Angle Test＝1，确定用户的状态为跌倒。
还需要说明的是，如果第一判断结果、第二判断结果、第三判断结果、第四判断结果中的至少一个为否，或者说，Weightless Test、SMV Test、Motionless Test、Angle Test中的至少一个等于0，则表明用户没有跌倒。
如此，在整个跌倒流程的基础上，通过设置多种阈值对用户的综合加速度进行分层次地判断，可以实现对用户跌倒的准确判断。
但需要说明的是，虽然设计了上述分层次地判断流程，但是阈值的选取也同样对判断结果的有着重要的影响；基于此，为了选取最优的阈值，本发明实施例通过控制变量法来进行实验，以此确定出最优的阈值。这里，所述最优的阈值为对用户的跌倒的判断最为准确的阈值。所述控制变量法为保持其余三个阈值不变，让某一阈值在一定的取值区间上变动来确定出最优的阈值的方法。
下面，对上述4种阈值的确定进行说明：
一般而言，用户的日常状态可以分为静态、非静态；其中，静态包括仰躺、俯躺、站直、坐直等状态；非静态包括躺下、跌倒、跳跃、起立、步行以及跑动等状态。根据对用户的各种日常状态的加速度进行采集，通过实验可以确定出上述4种阈值的取值范围。这里，确定出WT的范围为：0.1～1.0，ST的范围为：1～7，MT的范围为：0.1～1.0，AT的范围为：10～80。
如此，为了确定出最优的阈值，可以使上述4种阈值中的3种阈值为一个定值，剩下的一种阈值在一定的取值区间上变动来确定出最优的阈值，通过实验可以看到：
图3(a)为本发明实施例提供的跌倒检测方法中WT与各种比率的关系示意图，如图3(a)所示，设置ST＝3，MT＝0.7，AT＝50，将WT的值设置为在0.1～1.0之间以0.02为步长进行变动，如此，得到不同的WT的值对应的正确率、错误率、失效率。在图3(a)中“*”表示错误率；“。”表示正确率；“>”为失效率，横坐标为WT的取值，纵坐标为比率。
图3(b)本发明实施例提供的跌倒检测方法中为ST与各种比率的关系示意图，如图3(b)所示，设置WT＝0.8，MT＝0.7，AT＝50，将ST的值设置为在1～7之间以0.2为步长进行变动，如此，得到不同的ST的值对应的正确率、错误率、失效率。在图3(b)中“*”表示错误率；“。”表示正确率；“>”为失效率，横坐标为ST的取值，纵坐标为比率。
图3(c)为本发明实施例提供的跌倒检测方法中MT与各种比率的关系示意图，如图3(c)所示，设置WT＝0.8，ST＝3，AT＝50，将MT的值设置为在0.1～1.0之间以0.02为步长进行变动，如此，得到不同的MT的值对应的正确率、错误率、失效率。在图3(c)中“*”表示错误率；“。”表示正确率；“>”为失效率，横坐标为MT的取值，纵坐标为比率。
图3(d)为本发明实施例提供的跌倒检测方法中AT与各种比率的关系示意图，如图3(d)所示，设置WT＝0.8，ST＝3，MT＝0.7，将AT的值设置为在10～80之间以5为步长进行变动，如此，得到不同的AT的值对应的正确率、错误率、失效率。在图3(d)中“*”表示错误率；“。”表示正确率；“>”为失效率，横坐标为AT的取值，纵坐标为比率。
如此，根据不同的实验结果可以看出，在WT＝0.8，ST＝2.2，MT＝0.7，AT＝30时，根据选取的阈值判断出用户是否跌倒的正确率达到最大。即上述步骤102中，所述WT＝0.8，ST＝2.2，MT＝0.7，AT＝30。
进一步地，由于人体跌倒状态时用户的3个加速度的值会明显不同于其他状态的加速度，通过阈值检测方法判断出用户处于跌倒的状态，那么此时用户大概率是确实发生了跌倒。考虑到跌倒行为会对人体产生危害，如果没有发生跌倒，但误报为跌倒，不会对用户的身体造成危害，且用户可以通过关闭报警系统，避免误报。但对于如果发生了跌倒，但误报为未跌倒，则会造成较大影响，用户的身体发生了危害但护理人员无法获知，可穿戴设备的用途就没有得到体现。因此，本发明实施例的目的就是要对通过阈值检测方法判断为未跌倒的判断结果进行再一次的确定，以增加判断的准确性。
如此，在上述阈值检测方法的判断结果为用户处于未跌倒的状态，对所述未跌倒的状态对应的加速度进行进一步处理，以确定该加速度时用户是否真的未跌倒。
步骤103，当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到处理结果，基于所述处理结果确定所述用户是否处于跌倒状态。
需要说明的是，在根据步骤102中的4种阈值确定出用户的状态为未跌倒时，考虑到阈值检测可能存在不准确，这里，对用户的状态为未跌倒所对应的加速度再次进行检测。基于此，当经过上述步骤102中的4种阈值确定出用户的状态为未跌倒时，需要对上述基于4种阈值处理过的多个方向的加速度再次进行处理，来确定用户是否真的未跌倒；如此提取上述步骤102中的被判定为未跌倒状态对应的多个方向的加速度。
所述预测模型用于对输入的加速度进行判断，确定加速度对应的状态为跌倒，还是非跌倒。如此，将加速度作为输入数据输入所述预测模型中，所述预测模型输出用户是否跌倒的结果。
需要说明的是，由于需要根据预测模型对加速度进行判断，那么就需要建立预测模型。因此，在所述根据预测模型对所述多个方向的加速度进行处理之前，所述方法还包括：
获取多个方向的加速度和所述多个方向的加速度对应的状态；
将所述多个方向的加速度和所述多个方向的加速度对应的状态中的部分数据作为训练数据对机器学习模型进行训练，得到初始预测模型；
将所述多个方向的加速度和所述多个方向的加速度对应的状态中的另一部分数据作为测试数据对所述初始预测模型进行检测，生成预测模型。
需要说明的是，所述机器学习模型可以是二分类模型，由于是进行跌倒或非跌倒的判断，即正反两面的判断，所述预测模型可以采用二分类模型，如支持向量机(SupportVector Machine,SVM)模型，所述SVM模型只输出正类还是负类。
需要说明的是，所述训练数据、测试数据都称为样本数据。所述样本数据可以表示为：T＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中，T为样本数据，所述xn为用户的多个方向的加速度，yn为多个方向的加速度对应的状态，将xn作为SVM模型的输入数据，yn作为SVM模型的输出数据，基于xn、yn训练SVM模型，得到本发明实施例需要的预测模型。
这里，为了便于训练，将样本数据中的跌倒状态标记为1，将非跌倒状态标记为-1。如此，所述样本数据集合T中，x1为第一个用户的多个方向的加速度，y1为第一个加速度对应的状态，用1/-1表示；x2为第二个用户的多个方向的加速度，y2为第二个加速度对应的状态，用1/-1表示。
关于上述预测模型的训练，实际操作中可以选择LIBSVM软件包进行SVM模型的训练，当然也可以采用其他方式进行模型的训练。这里以LIBSVM软件包进行SVM模型的训练做示例性的说明：
所述LIBSVM软件包是一个操作简单、易于使用、快速有效的通用SVM软件包，可以解决分类问题、回归问题以及分布估计等问题。由于LIBSVM软件包对输入的样本数据的格式有要求，可以先按照LIBSVM软件包所要求的格式准备数据。所述LIBSVM软件包要求数据的格式为：[label][index1]:[value1][index2]:[value2]……；其中，label是指类别，就是待分类的种类，对于本申请的跌倒的判断来说，所述label是1或者-1；index是指有顺序索引，通常是连续的整数，或者说是特征编号，所述index必须按照升序排列，index1是指有顺序索引中的第一个索引值，index2是指有顺序索引中的第二个索引值；value是指用来训练的数据，通常是一堆实数组成，value1是第一个索引值对应的数据，value2是第二个索引值对应的数据。例如：1 1:5.6 2:3.2 3:20表示训练用的数据有三维，第一维是5.6，第二维是3.2，第二维是20，目标值是1。
需要说明的是，本发明实施例中的多个方向的加速度包含x轴的加速度、y轴的加速度、z轴的加速度，是一个三维的数据，如此，存在3个索引值。
在按照LIBSVM软件包所要求的格式准备数据后，由于原始数据的范围可能过大或过小，可以先将数据重新缩放到适当范围以使SVM模型的训练速度可以更快。这里，可以将原始数据缩放到[-1，1]的范围。
对于将原始数据缩放到[-1，1]的范围的实现，可以是利用Matlab中mapminmax函数将样本数据全部归一化到区间[-1，1]。所述mapminmax函数是一种归一化函数，用于将矩阵的每一行处理成[-1，1]的区间。例如，假设3个方向的加速度：[Ax、Ay、Az]＝[2，3，4]，所述[2，3，4]经过mapminmax函数的处理变为[0，0.2500，0.5000]。如此，将处理成区间[-1，1]的多个方向的加速度作为输入数据，多个方向的加速度对应的状态作为输出数据来训练出本发明实施例需要的预测模型。
需要说明的是，由于LIBSVM软件包中的svmtrain函数可以用于生成模型，那么，可以直接调用LIBSVM软件包中的svmtrain函数来生成初始的预测模型。所述svmtrain函数为：svmtrain(train_label，train_matrix，['libsvm_options'])；其中：train_label表示训练数据的标签，可以根据需要自行设置；train_matrix表示训练数据的属性矩阵，即训练数据的集合，对于本发明实施例而言，这里的train_matrix就是多个方向的加速度[Ax、Ay、Az]的集合；libsvm_options是需要设置的一系列参数。
进一步地，在得到初始的预测模型后，由于根据样本数据中训练数据和测试数据的不同划分，可以得到不同的初始的预测模型。而不同的初始的预测模型有着不同的预测准确率，如此需要对不同的初始的预测模型进行测试，选择正确率最大的初始的预测模型作为本发明实施例需要的预测模型，即最终的预测模型。
这里，可以使用LIBSVM软件包中svmpredict函数实现对模型的测试。所述svmpredict函数为：
svmpredict(test_label，test_matrix，model，['libsvm_options'])；
其中：test_label表示测试数据的标签，可以根据需要自行设置；test_matrix表示测试数据的属性矩阵，即测试数据的集合；model是上述训练得到初始的预测模型。
通过svmpredict函数来对上述svmtrain函数生成的不同的初始的预测模型进行测试，比较不同初始的预测模型的正确率，将正确率最大的初始的预测模型作为本发明实施例需要的预测模型。
如此，在确定出本发明实施例需要的预测模型，即最终的预测模型后，根所述预测模型对上述步骤103中用户在未跌倒状态对应的多个方向的加速度进行处理，确定所述用户是否跌倒。例如，通过预测模型对上述步骤103中用户在未跌倒状态对应的多个方向的加速度进行处理，输出为1，则表示用户处于跌倒状态；输出为-1，则表示用户处于非跌倒状态。
这里，由于所述预测模型的输入数据为未跌倒状态对应的多个方向的加速度，如果输出结果表示用户处于跌倒状态，则表明上述步骤102中通过阈值确定用户的状态存在不准确。如果输出结果表示用户处于非跌倒状态，则表明上述步骤102中通过阈值确定用户的状态是准确的，如此，通过机器学习算法进一步地判断，增加了判断的准确性。
下面对本发明实施例的所述跌倒检测方法做一个总结，图4为本发明实施例的提供的跌倒检测方法的一种实现流程示意图，如图4所示，所述跌倒检测方法，包括：
步骤201，获取多个方向的加速度，基于该多个方向的加速度计算SMV。
需要说明的是，所述SMV为加速度强度矢量，用于表征多个方向中的每个方向的加速度的和。所述多个方向的加速度可以包括左右方向的加速度、前后方向的加速度和垂直方向的加速度。
所述获取用户在多个方向的加速度可以是：在可穿戴设备中内嵌的加速度传感器采集到多个方向的加速度后，将所述多个方向的加速度通过可穿戴设备中的通信接口发送到可穿戴设备中的处理器，如此，可穿戴设备中的处理器获取到用户在多个方向的加速度。可穿戴设备中的处理器获取到多个方向的加速度后，基于所述多个方向的加速度执行下述的处理。
步骤202，判断所述SMV是否小于WT；若是，则转到步骤203，若否，则转到步骤211。
需要说明的是，所述WT用于判断用户是否处于失重的状态。当所述SMV小于WT，表示用户处于失重的状态；当所述SMV不小于WT，表示用户处于未失重的状态。
这里，可以通过所述综合加速度和所述至少一种阈值中的WT判断所述用户是否处于失重的状态。当用户处于失重的状态，确定所述失重的状态对应的第一采集时间。所述第一采集时间为用户处于失重状态对应的多个方向的加速度的采集时间。
步骤203，获取第一采集时间之后的3s内的多个方向的加速度，基于该多个方向的加速度计算第一SMV。
步骤204，判断所述第一SMV是否大于ST；若是，则转到步骤205；若否，则转到步骤211。
需要说明的是，所述ST用于判断用户是否处于撞击地面的状态，当所述第一SMV大于ST，用户处于撞击地面的状态，当所述第一SMV不大于ST，用户处于未撞击地面的状态。
这里，可以通过ST和第一综合加速度判断用户是否处于撞击地面的状态。当用户处于撞击地面的状态，确定所述撞击地面的状态对应的第二采集时间；所述第二采集时间为用户处于撞击地面的状态时对应的多个方向的加速度的采集时间。
步骤205，获取第二采集时间之后的1s-3s内的多个方向的加速度，基于该多个方向的加速度计算第二SMV。
步骤206，将1s-3s内相邻时间的第二SMV进行相减，得到相邻时间的第二SMV之间的差值。
步骤207，判断所述差值是否小于MT；若是，则转到步骤208；若否，则转到步骤211。
需要说明的是，所述MT用于判断用户是否处于无动作的状态。
步骤208，计算第二采集时间的相邻时间的多个方向的加速度计算轴向夹角。
步骤209，判断所述轴向夹角是否大于AT；若是，则转到步骤210；若否，则转到步骤211。
需要说明的是，所述AT用于判断的用户的轴向夹角是否符合跌倒的要求。
可以基于所述第二采集时间的相邻时间对应的多个方向的加速度，来确定用户跌倒前后的轴向夹角；
所述基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定用户跌倒前后的轴向夹角，可以根据夹角公式计算得到，所述夹角公式为：
Figure BDA0002292226360000221
其中，θ为用户跌倒前后的轴向夹角，Ax(t1)为t1时刻x轴的加速度，Ax(t2)为t2时刻x轴的加速度，Ay(t1)为t1时刻y轴的加速度，Ay(t2)为t2时刻y轴的加速度，Az(t1)为t1时刻z轴的加速度，Az(t2)为t2时刻z轴的加速度；t1为第二时间的前一刻，t2为第二时间的后一刻。
步骤210，判定该用户跌倒，发出警报。
步骤211，提取该用户的多个方向的加速度。
需要说明的是，由于上述步骤202、204、207、209中只要存在一个结果为否，则认为用户的状态为未跌倒，考虑到阈值检测可能存在不准确，这里，对用户的状态为未跌倒所对应的加速度再次进行检测。基于此，需要提取上述阈值处理中的用户在未跌倒状态对应的加速度。
当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到对应的处理结果。
步骤212，判断该多个方向的加速度对应的状态为1/-1；若多个方向的加速度对应的状态为1，则转入步骤210，若多个方向的加速度对应的状态为-1，则转到步骤201。
需要说明的是，根据预测模型对所述未跌倒状态对应的多个方向的加速度进行处理，确定所述用户是否跌倒。当确定出用户确实未跌倒，则继续进行加速度的采集，基于采集的加速度，继续判断用户是否跌倒。
如此，本发明实施例提供的跌倒检测方法，通过获取用户在多个方向的加速度来确定用户的综合加速度；进而选取多个阈值对用户的综合加速度进行逐层判断，以此来实现对用户是否跌倒的初步确定。当确定用户未跌倒时，为了保证判断的准确性，避免因为误判给用户带来的损害，根据预测模型对用户未跌倒对应的加速度进行再次判断，根据判断结果确定用户是否真的未跌倒。这样，通过阈值检测方法与模式识别检测方法的结合，在不增加可穿戴设备的功耗的基础上，可以实现对用户是否跌倒的准确判断。
基于前述相同的发明构思，本发明实施例还提供一种跌倒检测装置，图5为本发明实施例还提供一种跌倒检测装置的组成示意图；如图5所述，所述跌倒检测装置500包括：获取单元501、判断单元502以及模型处理单元503；其中，
所述获取单元501，用于获取用户在多个方向的加速度，根据所述多个方向的加速度确定所述用户的综合加速度；
所述判断单元502，用于基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态；
所述模型处理单元503，用于当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到处理结果，基于所述处理结果确定所述用户是否处于跌倒状态。
需要说明的是，所述判断单元502，包括：第一判断子单元、第二判断子单元、第三判断子单元、第四判断子单元以及综合处理单元；其中，
所述第一判断子单元，用于基于所述综合加速度和所述至少一种阈值中的失重加速度阈值判断所述用户是否处于失重的状态，得到第一判断结果，当所述第一判断结果为所述用户处于失重的状态，确定所述失重的状态对应的第一采集时间；
所述第二判断子单元，用于获取所述第一采集时间之后第一设定时间内的第一综合加速度，基于所述至少一种阈值中的冲击地面加速度阈值和所述第一综合加速度判断所述用户是否处于撞击地面的状态，得到第二判断结果，当所述第二判断结果为所述用户处于撞击地面的状态，确定所述撞击地面的状态对应的第二采集时间；
所述第三判断子单元，用于获取所述第二采集时间之后第二设定时间内的第二综合加速度，基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果；
所述第四判断子单元，用于确定所述第三判断结果为所述用户处于无动作的状态，获取所述第二采集时间的相邻时间对应的多个方向的加速度，基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断所述用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果；
所述综合处理单元，用于基于所述第一判断结果、所述第二判断结果、所述第三判断结果和所述第四判断结果，判断所述用户是否处于跌倒状态。
需要说明的是，所述第三判断子单元包括：第一确定单元、差值获取单元以及第一比较单元；其中，
所述第一确定单元，用于确定所述第二综合加速度对应的第三采集时间；
所述差值获取单元，用于将所述第三采集时间的相邻时间对应的综合加速度进行相减，得到综合加速度之间的差值；
所述第一比较单元，用于将所述差值与所述无动作加速度变化阈值进行比较，得到第一比较结果，根据所述第一比较结果得到第三判断结果。
需要说明的是，所述第四判断子单元，包括：第二确定单元以及第二比较单元；其中，
所述第二确定单元，用于基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定所述用户跌倒前后的轴向夹角；
所述第二比较单元，用于将所述轴向夹角与所述至少一种阈值中的前后角度变化阈值进行比较，得到第二比较结果，根据所述第二比较结果得到第四判断结果。
需要说明的是，所述跌倒检测装置500还包括：获取子单元、训练单元以及测试单元；其中，
所述获取子单元，用于在所述根据预测模型对所述多个方向的加速度进行处理之前，获取多个方向的加速度和所述多个方向的加速度对应的状态；
所述训练单元，用于将所述多个方向的加速度和所述多个方向的加速度对应的状态中的部分数据作为训练数据对机器学习模型进行训练，得到初始预测模型；
所述测试单元，用于将所述多个方向的加速度和所述多个方向的加速度对应的状态中的另一部分数据作为测试数据对所述初始预测模型进行检验，生成预测模型。
还需要说明的是，由于所述跌倒检测装置500解决问题的原理与前述应用于可穿戴设备的跌倒检测方法相似，因此，所述跌倒检测装置500的具体实施过程及实施原理均可以参见前述方法和实施过程，重复之处不再赘述。
本发明实施例提供的跌倒检测装置，通过获取用户在多个方向的加速度来确定用户的综合加速度；进而选取多个阈值对用户的综合加速度进行逐层判断，以此来实现对用户是否跌倒的初步确定。当确定用户未跌倒时，为了保证判断的准确性，避免因为误判给用户带来的损害，根据预测模型对用户未跌倒对应的加速度进行再次判断，根据判断结果确定用户是否真的未跌倒。这样，通过阈值检测方法与模式识别检测方法的结合，在不增加可穿戴设备的功耗的基础上，可以实现对用户是否跌倒的准确判断。
在本发明实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本发明实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本发明实施例提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述实施例所述的步骤。
参见图6，示出了本发明实施例提供的一种跌倒检测装置600的具体硬件结构，包括：网络接口601、存储器602和处理器603；各个组件通过总线系统604耦合在一起。可理解，总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统604。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种跌倒检测方法，其特征在于，所述方法包括：
获取用户在多个方向的加速度，根据所述多个方向的加速度确定所述用户的综合加速度；
基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态；
当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到处理结果，基于所述处理结果确定所述用户是否处于跌倒状态；
其中，所述基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态，包括：
基于所述综合加速度和所述至少一种阈值中的失重加速度阈值判断所述用户是否处于失重的状态，得到第一判断结果，当所述第一判断结果为所述用户处于失重的状态，确定所述失重的状态对应的第一采集时间；
获取所述第一采集时间之后第一设定时间内的第一综合加速度，基于所述至少一种阈值中的冲击地面加速度阈值和所述第一综合加速度判断所述用户是否处于撞击地面的状态，得到第二判断结果，当所述第二判断结果为所述用户处于撞击地面的状态，确定所述撞击地面的状态对应的第二采集时间；
获取所述第二采集时间之后第二设定时间内的第二综合加速度，基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果；
确定所述第三判断结果为所述用户处于无动作的状态，获取所述第二采集时间的相邻时间对应的多个方向的加速度，基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断所述用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果；
基于所述第一判断结果、所述第二判断结果、所述第三判断结果和所述第四判断结果，判断所述用户是否处于跌倒状态。
2.根据权利要求1所述的方法，其特征在于，所述基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果，包括：
确定所述第二综合加速度对应的第三采集时间；
将所述第三采集时间的相邻时间对应的综合加速度进行相减，得到综合加速度之间的差值；
将所述差值与所述无动作加速度变化阈值进行比较，得到第一比较结果，根据所述第一比较结果得到第三判断结果。
3.根据权利要求1所述的方法，其特征在于，所述基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果，包括：
基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定所述用户跌倒前后的轴向夹角；
将所述轴向夹角与所述至少一种阈值中的前后角度变化阈值进行比较，得到第二比较结果，根据所述第二比较结果得到第四判断结果。
4.根据权利要求1所述的方法，其特征在于，在所述根据预测模型对所述多个方向的加速度进行处理之前，所述方法还包括：
获取多个方向的加速度和所述多个方向的加速度对应的状态；
将所述多个方向的加速度和所述多个方向的加速度对应的状态中的部分数据作为训练数据对机器学习模型进行训练，得到初始预测模型；
将所述多个方向的加速度和所述多个方向的加速度对应的状态中的另一部分数据作为测试数据对所述初始预测模型进行检测，生成预测模型。
5.一种跌倒检测装置，其特征在于，所述装置包括：获取单元、判断单元以及模型处理单元；其中，
所述获取单元，用于获取用户在多个方向的加速度，根据所述多个方向的加速度确定所述用户的综合加速度；
所述判断单元，用于基于所述综合加速度和至少一种阈值，判断所述用户是否处于跌倒状态；
所述模型处理单元，用于当确定出所述用户未处于跌倒状态，根据预测模型对所述多个方向的加速度进行处理，得到处理结果，基于所述处理结果确定所述用户是否处于跌倒状态；
其中，所述判断单元，包括：第一判断子单元、第二判断子单元、第三判断子单元、第四判断子单元以及综合处理单元；其中，
所述第一判断子单元，用于基于所述综合加速度和所述至少一种阈值中的失重加速度阈值判断所述用户是否处于失重的状态，得到第一判断结果，当所述第一判断结果为所述用户处于失重的状态，确定所述失重的状态对应的第一采集时间；
所述第二判断子单元，用于获取所述第一采集时间之后第一设定时间内的第一综合加速度，基于所述至少一种阈值中的冲击地面加速度阈值和所述第一综合加速度判断所述用户是否处于撞击地面的状态，得到第二判断结果，当所述第二判断结果为所述用户处于撞击地面的状态，确定所述撞击地面的状态对应的第二采集时间；
所述第三判断子单元，用于获取所述第二采集时间之后第二设定时间内的第二综合加速度，基于所述至少一种阈值中的无动作加速度变化阈值和所述第二综合加速度判断所述用户是否处于无动作的状态，得到第三判断结果；
所述第四判断子单元，用于确定所述第三判断结果为所述用户处于无动作的状态，获取所述第二采集时间的相邻时间对应的多个方向的加速度，基于所述至少一种阈值中的前后角度变化阈值和所述第二采集时间的相邻时间对应的多个方向的加速度判断所述用户跌倒前后的轴向夹角是否符合跌倒的要求，得到第四判断结果；
所述综合处理单元，用于基于所述第一判断结果、所述第二判断结果、所述第三判断结果和所述第四判断结果，判断所述用户是否处于跌倒状态。
6.根据权利要求5所述的装置，其特征在于，所述第三判断子单元包括：第一确定单元、差值获取单元以及第一比较单元；其中，
所述第一确定单元，用于确定所述第二综合加速度对应的第三采集时间；
所述差值获取单元，用于将所述第三采集时间的相邻时间对应的综合加速度进行相减，得到综合加速度之间的差值；
所述第一比较单元，用于将所述差值与所述无动作加速度变化阈值进行比较，得到第一比较结果，根据所述第一比较结果得到第三判断结果。
7.根据权利要求5所述的装置，其特征在于，所述第四判断子单元，包括：第二确定单元以及第二比较单元；其中，
所述第二确定单元，用于基于所述第二采集时间的相邻时间对应的多个方向的加速度，确定所述用户跌倒前后的轴向夹角；
所述第二比较单元，用于将所述轴向夹角与所述至少一种阈值中的前后角度变化阈值进行比较，得到第二比较结果，根据所述第二比较结果得到第四判断结果。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：获取子单元、训练单元以及测试单元；其中，
所述获取子单元，用于在所述根据预测模型对所述多个方向的加速度进行处理之前，获取多个方向的加速度和所述多个方向的加速度对应的状态；
所述训练单元，用于将所述多个方向的加速度和所述多个方向的加速度对应的状态中的部分数据作为训练数据对机器学习模型进行训练，得到初始预测模型；
所述测试单元，用于将所述多个方向的加速度和所述多个方向的加速度对应的状态中的另一部分数据作为测试数据对所述初始预测模型进行检验，生成预测模型。
9.一种存储介质，其特征在于，所述存储介质存储有可执行指令，当所述可执行指令被至少一个处理器执行时，实现权利要求1至4任一项所述的方法。
10.一种跌倒检测装置，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至4任一项所述的方法。
CN201911185182.3A 2019-11-27 2019-11-27 一种跌倒检测方法、装置及存储介质 Active CN112258785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911185182.3A CN112258785B (zh) 2019-11-27 2019-11-27 一种跌倒检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911185182.3A CN112258785B (zh) 2019-11-27 2019-11-27 一种跌倒检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112258785A CN112258785A (zh) 2021-01-22
CN112258785B true CN112258785B (zh) 2022-06-07

Family

ID=74224259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911185182.3A Active CN112258785B (zh) 2019-11-27 2019-11-27 一种跌倒检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112258785B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610056A (zh) * 2012-03-16 2012-07-25 清华大学 面向手机佩戴方式的跌倒事件检测系统和方法
CN103177530A (zh) * 2013-02-25 2013-06-26 宁波中科集成电路设计中心有限公司 一种基于三轴加速度的人体摔倒检测方法
CN104000596A (zh) * 2014-05-29 2014-08-27 上海斐讯数据通信技术有限公司 一种基于移动终端的跌倒检测方法
CN104510475A (zh) * 2014-12-15 2015-04-15 中国科学院计算技术研究所 一种人体跌倒检测方法及系统
KR20170112778A (ko) * 2016-04-01 2017-10-12 순천향대학교 산학협력단 스마트 밴드를 이용하여 낙상을 판단하는 방법 및 시스템
CN109064710A (zh) * 2018-08-14 2018-12-21 东南大学 具有摔倒识别功能的安全防护终端及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610056A (zh) * 2012-03-16 2012-07-25 清华大学 面向手机佩戴方式的跌倒事件检测系统和方法
CN103177530A (zh) * 2013-02-25 2013-06-26 宁波中科集成电路设计中心有限公司 一种基于三轴加速度的人体摔倒检测方法
CN104000596A (zh) * 2014-05-29 2014-08-27 上海斐讯数据通信技术有限公司 一种基于移动终端的跌倒检测方法
CN104510475A (zh) * 2014-12-15 2015-04-15 中国科学院计算技术研究所 一种人体跌倒检测方法及系统
KR20170112778A (ko) * 2016-04-01 2017-10-12 순천향대학교 산학협력단 스마트 밴드를 이용하여 낙상을 판단하는 방법 및 시스템
CN109064710A (zh) * 2018-08-14 2018-12-21 东南大学 具有摔倒识别功能的安全防护终端及系统

Also Published As

Publication number Publication date
CN112258785A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
Chen et al. Intelligent fall detection method based on accelerometer data from a wrist-worn smart watch
CN105342623A (zh) 智能跌倒监护装置及其处理方法
CN103211599A (zh) 一种监测跌倒的方法及装置
CN106714220A (zh) 一种基于mea‑bp神经网络wsn异常检测方法
CN112926541B (zh) 一种睡岗检测方法、装置及相关设备
CN104269025B (zh) 面向户外摔倒监测的穿戴式单节点特征及位置选取方法
CN109009145A (zh) 一种基于穿戴设备的跌倒判断方法
Lv et al. Qualitative action recognition by wireless radio signals in human–machine systems
CN104637242A (zh) 一种基于多分类器集成的老人跌倒检测方法及系统
CN108021888A (zh) 一种跌倒检测方法
CN102227697B (zh) 操作识别系统、操作识别装置及操作识别方法
JP2020036633A (ja) 異常判別プログラム、異常判別方法および異常判別装置
CN107609477A (zh) 一种基于深度学习与智能手环相结合的摔倒检测方法
Yang et al. A wearable real-time fall detector based on Naive Bayes classifier
CN107092861A (zh) 基于压力与加速度传感器的下肢动作识别方法
CN108814618A (zh) 一种运动状态的识别方法、装置及终端设备
CN108227905A (zh) 一种基于表面肌电信号的游戏控制系统
Chen et al. Elderly fall detection based on improved YOLOv5s network
CN111931568A (zh) 一种基于增强式学习的人体跌倒检测方法及系统
Youn et al. Wearable sensor-based biometric gait classification algorithm using WEKA
CN105551191B (zh) 一种跌倒检测方法
CN112258785B (zh) 一种跌倒检测方法、装置及存储介质
CN113869415A (zh) 一种问题行为检测与预警系统
EP2313814A2 (en) A method, device, and computer program product for event detection while preventing misclassification
CN116966513A (zh) 健身器材的监控方法及其系统

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