CN112699744A - 跌倒姿态的分类识别方法、装置和可穿戴设备 - Google Patents
跌倒姿态的分类识别方法、装置和可穿戴设备 Download PDFInfo
- Publication number
- CN112699744A CN112699744A CN202011485714.8A CN202011485714A CN112699744A CN 112699744 A CN112699744 A CN 112699744A CN 202011485714 A CN202011485714 A CN 202011485714A CN 112699744 A CN112699744 A CN 112699744A
- Authority
- CN
- China
- Prior art keywords
- falling
- data
- sample data
- features
- classification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000036544 posture Effects 0.000 claims abstract description 53
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims description 51
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000000474 nursing effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010016173 Fall Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010073261 Ovarian theca cell tumour Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000001644 thecoma Diseases 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种跌倒姿态的分类识别方法、装置和可穿戴设备。其中,所述方法包括:获取样本数据;采用小波包变换从样本数据中提取多种特征,以及基于样本数据得到时域特征;利用随机森林对提取的多种特征和时域特征进行重要性评估,并筛选得到有效特征;基于有效特征,采用支持向量机算法建立跌倒姿态分类识别模型;利用跌倒姿态分类识别模型进行跌倒姿态的分类识别,输出分类识别结果。采用上述方案,能够方便、快速、有效地对跌倒姿态进行分类识别,从而解决现有的跌倒检测技术存在的使用场所受限、不利于用户的隐私保护以及实用性不高的问题。
Description
技术领域
本申请涉及医疗服务技术领域,尤其涉及一种跌倒姿态的分类识别方法、装置和可穿戴设备。
背景技术
随着全世界老人数量不断上升,人口老龄化问题愈来愈严重,跌倒越来越危害着老年人的生命健康安全,老人跌倒已经成为医疗保健的重要内容。65岁以上的老年人身体机能明显下降,反应及平衡能力非常弱,容易发生跌倒。一旦老人发生跌倒,在没有人发现或救助的情况下,老人的受伤程度会更严重,甚至会进入昏迷状态,危及生命安全。因此,这就需要一套自动检测装置,以及时识别出老人的跌倒行为,并对跌倒姿态进行分类识别,方便护理人员远程掌握老人跌倒时的撞击部位和受伤程度等具体细节,更有针对性的对老人进行救助与治疗。
目前的跌倒检测技术大体上分为两种,一种是基于视频及周围环境检测技术,该技术只能在安装摄像头或者检测装置的特定场合使用,而且不利于老人的隐私保护。另一种则是基于可穿戴设备检测识别跌倒行为,该技术不侵犯隐私,且不受时间地点限制,是一种较好的检测方案。不过,目前的基于可穿戴设备的跌倒检测技术的检测准确性较低,因此实用性不高。
基于此,为了能够更有效的对老人跌倒姿态进行分类与识别,期望有一种实时性好,识别准确度高的检测方法。
发明内容
本申请提供一种跌倒姿态的分类识别方法、装置和可穿戴设备,以解决现有的跌倒检测技术使用场所受限、不利于用户的隐私保护以及实用性不高的问题。
本申请的上述目的是通过以下技术方案实现的:
第一方面,本申请实施例提供一种跌倒姿态的分类识别方法,应用于可穿戴设备中,所述方法包括:
获取样本数据;所述样本数据为设置于所述可穿戴设备上的多种传感器在用户的不同活动状态下采集并输出的信号样本,所述活动状态包括多种跌倒姿态和日常活动;
采用小波包变换从所述样本数据中提取多种特征,以及基于所述样本数据得到时域特征;
利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征;
基于所述有效特征,采用支持向量机算法建立跌倒姿态分类识别模型;
利用所述跌倒姿态分类识别模型进行跌倒姿态的分类识别,输出分类识别结果。
可选的,所述获取样本数据包括:
从UCI数据库获取模拟跌倒与日常活动数据集;
对所述模拟跌倒与日常活动数据集进行预处理得到所述样本数据。
可选的,所述对所述模拟跌倒与日常活动数据集进行预处理得到所述样本数据,包括:
从所述模拟跌倒与日常活动数据集中选取胸部相关数据作为原始数据;
基于不同活动状态对所述原始数据进行划分,得到多列原始数据;
采用滑动窗口从所述多列原始数据中截取有效数据作为所述样本数据,其中采样频率为25hz,滑动窗口的长度为75。
可选的,所述采用小波包变换从所述样本数据中提取多种特征,包括:
采用小波包分解将所述样本数据划分到不同频带,进行能量统计,并提取能量作为所述提取的多种特征;其中,选用“db3”小波进行n层波包变换,每列数据可得到2n组不同的频率分量,通过下式计算各频率分量的能量:
式中,m=0,1,2…2n-1;i=1,2…j,j为信号的离散采样点数,xm,i为离散点的幅值。
可选的,所述时域特征包括均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度。
可选的,所述多种传感器包括加速度传感器、陀螺仪、方向传感器、地磁传感器和压力传感器;所述多种跌倒姿态包括向前趴倒、向前跪倒、向后躺倒、向后坐倒、向左跌倒和向右跌倒。
可选的,所述利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征,包括:
对于随机森林中的每一颗决策树,使用相应的袋外数据OOB来计算它的袋外数据误差,记为erroob1;
随机地对袋外数据OOB所有特征中的特征X加入噪声干扰,以随机的改变样本在特征X处的值,并再次计算它的袋外数据误差,记为erroob2;
假设随机森林中有N棵树,那么特征X的重要性为:
X=∑(erroob2-erroob1)/N。
可选的,所述支持向量机算法采用RBF核方法来进行多分类识别。
第二方面,本申请实施例还提供一种跌倒姿态的分类识别装置,应用于可穿戴设备中,所述装置包括:
获取模块,用于获取样本数据;所述样本数据为设置于所述可穿戴设备上的多种传感器在用户的不同活动状态下采集并输出的信号样本,所述活动状态包括多种跌倒姿态和日常活动;
特征提取模块,用于采用小波包变换从所述样本数据中提取多种特征,以及基于所述样本数据得到时域特征;
评估筛选模块,用于利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征;
模型建立模块,用于基于所述有效特征,采用支持向量机算法建立跌倒姿态分类识别模型;
分类识别模块,用于利用所述跌倒姿态分类识别模型进行跌倒姿态的分类识别,输出分类识别结果。
第三方面,本申请实施例还提供一种可穿戴设备,用于在穿戴所述可穿戴设备的用户跌倒时,对用户的跌倒姿态进行分类识别并输出分类识别的结果;
所述可穿戴设备包括控制器和多种传感器;
所述多种传感器用于在用户的不同活动状态下采集并输出信号;
所述控制器包括存储器和与所述存储器相连接的处理器;
所述存储器,用于存储程序,所述程序至少用于实现第一方面任一项所述的方法;
所述处理器,用于调用并执行所述存储器存储的所述程序。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的技术方案中,首先,应用于可穿戴设备,因此可随时随地检测与识别出用户跌倒姿态,检测方便快捷;其次,在获取样本数据后,采用小波包变换从样本数据中提取多种特征,由于小波包变换方法非常适用于对非平稳信号的处理,因此可大幅度提高模型的识别率;此外,利用随机森林对所采集到的特征重要性进行评估,组合筛选出有效特征,也即对特征进行降维处理,降维后的特征能够提升模型训练和运行效率,并且,与传统的特征降维方法相比,能保留最佳特征,剔除无关特征,因此还可以提升识别效果;此外,支持向量机算法能够很好的处理高维小样本数据,且运行效率高,选用合适的核函数即可获得非常高的识别率。因此,上述技术方案,能够解决现有的跌倒检测技术存在的使用场所受限、不利于用户的隐私保护以及实用性不高的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例示出的一种跌倒姿态的分类识别方法的流程示意图;
图2为本申请实施例对选取的跌倒行为以及日常行为进行分类的结果;
图3为本申请实施例中对原始数据进行截取处理前后的情况对比图;
图4为本申请实施例中采用不同分类器的分类识别准确率对比图;
图5为本申请实施例中采用随机森林进行特征提取前后的效果对比图;
图6为本申请实施例提供的一种跌倒姿态的分类识别装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了使本申请的技术方案更容易理解,首先对相关技术及其存在的问题进行简要说明。
基于可穿戴设备的跌倒检测技术通过附着的多传感器,例如加速度传感器、陀螺仪、方向传感器等等采集信号,对信号分析处理后,通过识别算法来进行检测识别。其中,信号分析处理和识别算法是整个过程关键所在。
常用的信号分析方法主要包括时域分析法、频域分析法和时频分析法。其中,时域和频域分析法主要从信号的时域和频域信息中提取特征值,常用的特征值主要有均值,标准差,方差,均方根,峰峰值等等。上述方法实现的算法时间和空间复杂度较小,但不能完全表达原信号的信息,不能很好的处理非平稳信号。而时频分析法中应用最多的是小波变换,其非常适合对非平稳信号进行分析,但缺点是小波变换只对信号的低频部分做进一步分解,而对高频部分不再继续分解,因此得到的特征值依然不够全面。
基于上述问题,本申请提供一种基于小波包变换和支持向量机的跌倒姿态分类识别的方案,以获得更多有效的特征,从而最终提高识别率和识别速度。以下通过实施例进行详细说明。
实施例
参照图1,图1为本申请实施例示出的一种跌倒姿态的分类识别方法的流程示意图,其中,该方法应用于可穿戴设备中。如图1所示,该方法至少包括以下步骤:
S101:获取样本数据;所述样本数据为设置于所述可穿戴设备上的多种传感器在用户的不同活动状态下采集并输出的信号样本,所述活动状态包括多种跌倒姿态和日常活动;
具体的,本实施例的目的在于训练分类识别模型,并通过训练好的分类识别模型有效区分和识别用户的活动状态是可能导致受伤的跌倒还是平常的日常活动,因此,首先需要获取大量预先已发生的各种活动状态作为样本数据;其中,样本数据可以是直接从相关数据库中获取得到的,也可以是实际进行实验后采集得到的。
例如,本实施例中,可以从UCI(University of CaliforniaIrvine,加州大学欧文分校)数据库获取模拟跌倒与日常活动数据集(Simulated Falls and Daily LivingActivities Data Set),然后对所述模拟跌倒与日常活动数据集进行预处理得到所述样本数据。
其中,该数据集共由17名志愿者参与完成,包括10名男性7名女性。每名志愿者需完成36种行为(重复5次),其中包括20种跌倒行为以及16种日常行为。这样每个部位(头部、胸部、腰部、腕部、大腿和脚踝)就有3060个采样数据。采样数据即为传感器(加速度传感器、陀螺仪、方向传感器、地磁传感器和压力传感器等等)输出的三维加速度,三维角速度,三维速度,三维地磁以及压力等共21维信号。传感器的采样频率为25hz,平均每个动作采样时间为15秒。
在此基础上,对所述模拟跌倒与日常活动数据集进行预处理得到所述样本数据,包括:从所述模拟跌倒与日常活动数据集中选取胸部相关数据作为原始数据;基于不同活动状态对所述原始数据进行划分,得到多列原始数据;采用滑动窗口从所述多列原始数据中截取有效数据作为所述样本数据。
具体的,由于胸部相关数据往往能取得较好的识别精度,因此本文选取该数据集的胸部的所有样本作为原始数据。并且,原始数据中共有20种跌倒行为,本实施中选取了12种跌倒行为,在没有用到的跌倒数据中,编号905,906,914,916四种动作的情形是测试人员在跌倒发生后会快速或者缓慢的恢复,这说明此类跌倒并没有使用户丧失对身体的控制能力,所以不在本实施例的研究范围内。其余编号为917,918,919,920的四种行为并未标明跌倒时的方向与姿态,因此舍弃这四组数据。此外,由于本实施例的研究重点是对跌倒时姿态进行识别,因此对日常16种行为动作归为1类,不再进行细分。如图2所示,最终将选取的12种跌倒行为以及16种日常行为进行分类划分为7种不同的行为,分别是日常行为(ADLs)、向前趴倒(front-lying)、向前跪倒(front-keens)、向后躺倒(back-lying)、向后坐倒(back-sitting)、向左跌倒(fall to the left)和向右跌倒(fall to the right),图2中number为编号,Behavior Description为行为描述,Type为本实施例划分的7种不同的行为类型。
此外,由于跌倒动作一般持续1-3秒,而原始数据采集的时长为15秒左右,因此必须对原始数据进行数据截取,才能采集到有效的数据信息。由于采样频率为25HZ,因此选择为长度为75的滑动窗口,即截取操作的时间为3秒。为了截取有效信息,采取以下算法:
1:for signal in signals:
2:index=getBiggestChangePoint(signal)
3:array=arrayAppend(index)
4:index=getMode(array)
5:windowSignal=sinals[index-(windowSize/2),index+(windowSize/2)]
以x轴加速度信号为例,图3显示了对数据进行截取处理前后的情况对比,其中,左图为处理前,右图为处理后。
通过上述步骤,即可得到所需的样本数据。
S102:采用小波包变换从所述样本数据中提取多种特征,以及基于所述样本数据得到时域特征;
具体的,由于人的日常行为活动以及跌倒动作是一个动态变化过程,可穿戴设备上经由传感器采集到的数据往往是非平稳信号,小波包分解可以将采集到的信号无遗漏地在任意独立频带内进行正交分解,而在不同跌倒姿态下传感器信号包含的信息成分也并不相同,经由小波包分解后,不同频带的能量值可以当作特征变量来表述某种跌倒姿态或动作。
也即,采用小波包变换从所述样本数据中提取多种特征,包括:采用小波包分解将所述样本数据划分到不同频带,进行能量统计,并提取能量作为所述提取的多种特征;其中,选用“db3”小波进行n层波包变换,每列数据可得到2n组不同的频率分量,通过下式计算各频率分量的能量(每个频率分量的能量值作为一个特征变量):
式中,m=0,1,2…2n-1;i=1,2…j,j为信号的离散采样点数,xm,i为离散点的幅值。
那么某一列时序信号可以表示为:
Ei=[en,0,en,1,en,2…en,m]
进而全部时序信号可以表示为:
E=[E1,E2…Es]
此外,可以采用常规方法基于所述样本数据得到时域特征,例如得到的时域特征可以包括每列数据的均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度等等。
进而,通过将时域特征与小波包变换得到的特征组合起来作为特征变量,便于后续步骤中训练得到更好地分类识别模型。
S103:利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征;
具体的,通过上述特征提取,可以获得高达数百个特征,但并不是所有的特征都对模型分类识别有积极作用,因此需要对特征做降维处理,剔除无关特征。
本实施例中,采用利用随机森林实现上述降维的目的。随机森林是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于集成学习。随机森林将成百上千棵决策树组合在一起,在略微不同的观察集上训练每个决策树,在每棵树中仅考虑有限数量的特征来拆分节点,随机森林的最终预测是通过平均每棵树的预测来得到的。两个随机性的引入,使得随机森林不容易陷入过拟合且使其具有很好的抗噪声能力。它可以评估各变量的重要性,可以对高维数据进行特征选择,从而使得模型的鲁棒性更好。
更具体的,利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征,包括:
对于随机森林中的每一颗决策树,使用相应的袋外数据OOB(Out of Band)来计算它的袋外数据误差,记为erroob1;
随机地对袋外数据OOB所有特征中的特征X加入噪声干扰,以随机的改变样本在特征X处的值,并再次计算它的袋外数据误差,记为erroob2;
假设随机森林中有N棵树,那么特征X的重要性为:
X=∑(erroob2-erroob1)/N。
通过上述方法,依次对每个特征(包括时域特征和小波包变换提取的特征)进行重要性评估,并基于评估结果进行筛选即可得到有效特征。
具体的筛选方法比如可以是,按照所有特征的重要性结果从大到小的顺序,根据需求取靠前的M个特征作为有效特征。
而之所以可以用这个方法来作为相应特征的重要性的度量值是因为:若给某个特征随机加入噪声之后,袋外的准确率大幅度降低,则说明这个特征对于样本的分类结果影响很大,也就是说它的重要程度比较高。
S104:基于所述有效特征,采用支持向量机算法建立跌倒姿态分类识别模型;
具体的,支持向量机是一类按监督学习方式对数据进行二元或多元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面,支持向量机通过构造最优分类平面,将不同样本类别分开,使得两类或多类的边界距离最大化。并且,本实施例采用支持向量机训练模型时优选为选用RBF(Radial Basis Function,径向基)核方法来进行多分类识别。
S105:利用所述跌倒姿态分类识别模型进行跌倒姿态的分类识别,输出分类识别结果。
当得到跌倒姿态分类识别模型后,即可实际应用于对用户的活动行为进行识别,也即,类似于模型的建立过程,首先通过可穿戴设备(穿戴位置需与建立模型时的多种传感器的位置一致)上的传感器采集并输出信号,然后对采集的信号进行特征提取(包括时域特征的获取以及通过小波包变换进行特征提取),再从提取的特征进行筛选(选择与模型建立时所采用的特征一致的特征),最后将筛选得到的特征输入建立的跌倒姿态分类识别模型,并由该分类识别模型最终输出结果,输出的结果包括日常活动和预先划分的跌倒类型,例如向前趴倒、向前跪倒、向后躺倒、向后坐倒、向左跌倒和向右跌倒等。
进而,在可穿戴设备预先与护理人员的智能终端建立连接时,还可以将识别结果发送到护理人员的智能终端,以便护理人员及时知晓使用可穿戴设备的用户(例如老人)的活动状态:是否发生跌倒、跌倒的类型、发生对应跌倒类型时用户可能的受伤部位以及严重程度等,从而便于护理人员对用户进行救助与治疗。
本申请的实施例提供的技术方案可以包括以下有益效果:首先,应用于可穿戴设备中,因此可随时随地检测与识别出用户跌倒姿态,检测方便快捷;其次,在获取样本数据后,采用小波包变换从样本数据中提取多种特征,由于小波包变换方法非常适用于对非平稳信号的处理,因此可大幅度提高模型的识别率;此外,利用随机森林对所采集到的特征重要性进行评估,组合筛选出有效特征,也即对特征进行降维处理,降维后的特征能够提升模型训练和运行效率,并且,与传统的特征降维方法相比,能保留最佳特征,剔除无关特征,因此还可以提升识别效果;此外,支持向量机算法能够很好的处理高维小样本数据,且运行效率高,选用合适的核函数即可获得非常高的识别率。因此,上述技术方案,能够解决现有的跌倒检测技术存在的使用场所受限、不利于用户的隐私保护以及实用性不高的问题。
此外,为验证所发明的基于小波包变换和支持向量机的跌倒姿态分类与识别方法的效果,进行了几组仿真实验。实验平台为windows10操作系统cpu型号为Intel Core i5,使用python语言进行实验仿真。
将时域特征向量和小波包分解得到的特征向量组合起来形成样本集,采用不同分类器进行分类识别,并与仅采用时域特征向量的样本集作对比,其中,各分类器进行训练和测试时,均采用十折交叉验证。结果如图4所示,图4中列出了5种不同的分类器,分别是Rbf_SVM(基于RBF核函数的支持向量机)、Linear_SVM(基于线性核函数的支持向量机)、RandomForest(随机森林)、Xgboost和Logistic Regression(逻辑回归)。
可以看出,无论仅采用时域特征(对应图4中的Time domain),还是将小波包变换特征与时域特征结合(对应图4中的Time domain+wavelet package transform),相比于其他分类器,核函数为Rbf的支持向量机准确率都达到了最高,这说明支持向量机在解决小样本,高维度特征的问题上,具有很大的优势。此外还可以看出,对于每一个分类器,加入小波包变换得到的特征后,准确率都有很大的提升,这也证实了小波包变换在特征工程中的有效性。
此外,将提取得到的时域特征和小波包特征合并作为新的样本集能进一步提升分类器识别精度,但特征维度太高,只有一部分特征能够帮助分类器进行分类识别,而其余特征非但会影响识别的精度,更会造成计算资源的大大浪费,耗费时间,图5比较了随机森林进行特征提取之前(Before feature selection)以及之后(After feature selection)的识别准确度(Accuracy)、算法训练时间(training time)以及算法实时判定时间(real-time decision time),其中,采用的分类器是核函数为RBF的支持向量机。
由图5可见,利用随机森林进行特征提取可以有效提高识别准确度(最终达到98%以上),并大大缩短训练和实时判定时间。
此外,对应于上述实施例提供的跌倒姿态的分类识别方法,本申请实施例还提供一种跌倒姿态的分类识别装置。
参照图6,图6为本申请实施例提供的一种跌倒姿态的分类识别装置的结构示意图。如图6所示,该装置包括:
获取模块61,用于获取样本数据;所述样本数据为设置于所述可穿戴设备上的多种传感器在用户的不同活动状态下采集并输出的信号样本,所述活动状态包括多种跌倒姿态和日常活动;
特征提取模块62,用于采用小波包变换从所述样本数据中提取多种特征,以及基于所述样本数据得到时域特征;
评估筛选模块63,用于利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征;
模型建立模块64,用于基于所述有效特征,采用支持向量机算法建立跌倒姿态分类识别模型;
分类识别模块65,用于利用所述跌倒姿态分类识别模型进行跌倒姿态的分类识别,输出分类识别结果。
其中,上述各功能模块所实现的步骤的具体实现方法可以参照前述方法实施例中的相应内容,此处不再详述。
此外,对应于上述实施例提供的跌倒姿态的分类识别方法,本申请实施例还提供一种可穿戴设备。该可穿戴设备包括:控制器和多种传感器;
多种传感器用于在用户的不同活动状态下采集并输出信号;
控制器包括存储器和与存储器相连接的处理器;
存储器用于存储程序,所述程序至少用于实现上述实施例所述的跌倒姿态的分类识别方法;
处理器用于调用并执行所述存储器存储的所述程序。
其中,将用于执行上述实施例所述的跌倒姿态的分类识别方法的控制器设置于可穿戴设备,并在可穿戴设备上设置上述方法中对应的多种传感器之后,即可用于在穿戴可穿戴设备的用户跌倒时,对用户的跌倒姿态进行分类识别并输出分类识别的结果,进而,在必要时向与可穿戴设备通信连接的智能终端发送识别结果和报警信息等,从而便于护理人员及时掌握可穿戴设备用户的活动状态。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种跌倒姿态的分类识别方法,其特征在于,应用于可穿戴设备中,所述方法包括:
获取样本数据;所述样本数据为设置于所述可穿戴设备上的多种传感器在用户的不同活动状态下采集并输出的信号样本,所述活动状态包括多种跌倒姿态和日常活动;
采用小波包变换从所述样本数据中提取多种特征,以及基于所述样本数据得到时域特征;
利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征;
基于所述有效特征,采用支持向量机算法建立跌倒姿态分类识别模型;
利用所述跌倒姿态分类识别模型进行跌倒姿态的分类识别,输出分类识别结果。
2.根据权利要求1所述的方法其特征在于,所述获取样本数据包括:
从UCI数据库获取模拟跌倒与日常活动数据集;
对所述模拟跌倒与日常活动数据集进行预处理得到所述样本数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述模拟跌倒与日常活动数据集进行预处理得到所述样本数据,包括:
从所述模拟跌倒与日常活动数据集中选取胸部相关数据作为原始数据;
基于不同活动状态对所述原始数据进行划分,得到多列原始数据;
采用滑动窗口从所述多列原始数据中截取有效数据作为所述样本数据,其中采样频率为25hz,滑动窗口的长度为75。
5.根据权利要求1所述的方法,其特征在于,所述时域特征包括均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度。
6.根据权利要求1所述的方法,其特征在于,所述多种传感器包括加速度传感器、陀螺仪、方向传感器、地磁传感器和压力传感器;所述多种跌倒姿态包括向前趴倒、向前跪倒、向后躺倒、向后坐倒、向左跌倒和向右跌倒。
7.根据权利要求1所述的方法,其特征在于,所述利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征,包括:
对于随机森林中的每一颗决策树,使用相应的袋外数据OOB来计算它的袋外数据误差,记为erroob1;
随机地对袋外数据OOB所有特征中的特征X加入噪声干扰,以随机的改变样本在特征X处的值,并再次计算它的袋外数据误差,记为erroob2;
假设随机森林中有N棵树,那么特征X的重要性为:
X=∑(erroob2-erroob1)/N。
8.根据权利要求1所述的方法,其特征在于,所述支持向量机算法采用RBF核方法来进行多分类识别。
9.一种跌倒姿态的分类识别装置,其特征在于,应用于可穿戴设备中,所述装置包括:
获取模块,用于获取样本数据;所述样本数据为设置于所述可穿戴设备上的多种传感器在用户的不同活动状态下采集并输出的信号样本,所述活动状态包括多种跌倒姿态和日常活动;
特征提取模块,用于采用小波包变换从所述样本数据中提取多种特征,以及基于所述样本数据得到时域特征;
评估筛选模块,用于利用随机森林对所述提取的多种特征和所述时域特征进行重要性评估,并筛选得到有效特征;
模型建立模块,用于基于所述有效特征,采用支持向量机算法建立跌倒姿态分类识别模型;
分类识别模块,用于利用所述跌倒姿态分类识别模型进行跌倒姿态的分类识别,输出分类识别结果。
10.一种可穿戴设备,其特征在于,用于在穿戴所述可穿戴设备的用户跌倒时,对用户的跌倒姿态进行分类识别并输出分类识别的结果;
所述可穿戴设备包括控制器和多种传感器;
所述多种传感器用于在用户的不同活动状态下采集并输出信号;
所述控制器包括存储器和与所述存储器相连接的处理器;
所述存储器,用于存储程序,所述程序至少用于实现如权利要求1-8任一项所述的方法;
所述处理器,用于调用并执行所述存储器存储的所述程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485714.8A CN112699744A (zh) | 2020-12-16 | 2020-12-16 | 跌倒姿态的分类识别方法、装置和可穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485714.8A CN112699744A (zh) | 2020-12-16 | 2020-12-16 | 跌倒姿态的分类识别方法、装置和可穿戴设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699744A true CN112699744A (zh) | 2021-04-23 |
Family
ID=75508395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485714.8A Pending CN112699744A (zh) | 2020-12-16 | 2020-12-16 | 跌倒姿态的分类识别方法、装置和可穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699744A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818952A (zh) * | 2022-05-07 | 2022-07-29 | 南开大学 | 一种基于手机传感器的智能跌倒姿态分类与识别方法 |
TWI809686B (zh) * | 2022-01-26 | 2023-07-21 | 國立臺灣科技大學 | 跌倒風險評估方法及裝置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108354610A (zh) * | 2017-08-29 | 2018-08-03 | 浙江好络维医疗技术有限公司 | 一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统 |
CN108549900A (zh) * | 2018-03-07 | 2018-09-18 | 浙江大学 | 基于移动设备佩戴位置的人体跌倒检测方法 |
CN108831527A (zh) * | 2018-05-31 | 2018-11-16 | 古琳达姬(厦门)股份有限公司 | 一种用户运动状态检测方法、装置及可穿戴设备 |
CN108836337A (zh) * | 2018-05-04 | 2018-11-20 | 福建省莆田市双驰智能信息技术有限公司 | 一种通过足部运动状态进行个性化足型健康检测的方法 |
CN110084286A (zh) * | 2019-04-10 | 2019-08-02 | 武汉理工大学 | 一种基于传感器的ecoc技术的人体动作识别方法 |
CN110390565A (zh) * | 2019-07-23 | 2019-10-29 | 厦门市佳音在线股份有限公司 | 通过ai边缘计算实现智能网关自适应管理的方法及系统 |
CN110532909A (zh) * | 2019-08-16 | 2019-12-03 | 成都电科慧安科技有限公司 | 一种基于三维uwb定位的人体行为识别方法 |
CN110659595A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于特征分类的跌倒类型及伤害部位检测方法 |
CN111401507A (zh) * | 2020-03-12 | 2020-07-10 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
-
2020
- 2020-12-16 CN CN202011485714.8A patent/CN112699744A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108354610A (zh) * | 2017-08-29 | 2018-08-03 | 浙江好络维医疗技术有限公司 | 一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统 |
CN108549900A (zh) * | 2018-03-07 | 2018-09-18 | 浙江大学 | 基于移动设备佩戴位置的人体跌倒检测方法 |
CN108836337A (zh) * | 2018-05-04 | 2018-11-20 | 福建省莆田市双驰智能信息技术有限公司 | 一种通过足部运动状态进行个性化足型健康检测的方法 |
CN108831527A (zh) * | 2018-05-31 | 2018-11-16 | 古琳达姬(厦门)股份有限公司 | 一种用户运动状态检测方法、装置及可穿戴设备 |
CN110084286A (zh) * | 2019-04-10 | 2019-08-02 | 武汉理工大学 | 一种基于传感器的ecoc技术的人体动作识别方法 |
CN110390565A (zh) * | 2019-07-23 | 2019-10-29 | 厦门市佳音在线股份有限公司 | 通过ai边缘计算实现智能网关自适应管理的方法及系统 |
CN110532909A (zh) * | 2019-08-16 | 2019-12-03 | 成都电科慧安科技有限公司 | 一种基于三维uwb定位的人体行为识别方法 |
CN110659595A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于特征分类的跌倒类型及伤害部位检测方法 |
CN111401507A (zh) * | 2020-03-12 | 2020-07-10 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
曾鹏: "《冲击性岩石应力状态与声发射特征相关性研究》", 30 November 2019, 北京冶金工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809686B (zh) * | 2022-01-26 | 2023-07-21 | 國立臺灣科技大學 | 跌倒風險評估方法及裝置 |
CN114818952A (zh) * | 2022-05-07 | 2022-07-29 | 南开大学 | 一种基于手机传感器的智能跌倒姿态分类与识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mouawad et al. | Robust detection of COVID-19 in cough sounds: using recurrence dynamics and variable Markov model | |
Fulcher | Feature-based time-series analysis | |
Brihadiswaran et al. | EEG-based processing and classification methodologies for autism spectrum disorder: A review | |
Nenadic et al. | Spike detection using the continuous wavelet transform | |
CN110069199B (zh) | 一种基于智能手表的皮肤式手指手势识别方法 | |
US10950352B1 (en) | System, computer-readable storage medium and method of deep learning of texture in short time series | |
JP7070255B2 (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 | |
JP6823123B2 (ja) | 行動データを用いた一般化されたスキル評価のためのシステム及び方法 | |
Chetty et al. | Body sensor networks for human activity recognition | |
CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
CN112699744A (zh) | 跌倒姿态的分类识别方法、装置和可穿戴设备 | |
Wu et al. | HFO detection in epilepsy: a stacked denoising autoencoder and sample weight adjusting factors-based method | |
McKearney et al. | Auditory brainstem response detection using machine learning: a comparison with statistical detection methods | |
Ramakrishnan et al. | Epileptic eeg signal classification using multi-class convolutional neural network | |
Saleh et al. | Healthcare embedded system for predicting Parkinson's Disease based on AI of things | |
CN114662546B (zh) | 基于蜜獾优化的航空发动机传感器故障诊断方法及装置 | |
Bhuiyan et al. | Efficient frequency domain feature extraction model using EPS and LDA for human activity recognition | |
Chowdhury et al. | Automatic classification of physical exercises from wearable sensors using small dataset from non-laboratory settings | |
Shanmugam et al. | Implementation of a non-linear SVM classification for seizure EEG signal analysis on FPGA | |
Sharma et al. | Computational models of stress in reading using physiological and physical sensor data | |
Gil-Martín et al. | Robust Motion Biomarker for Alcohol Consumption | |
Jain et al. | An efficient feature extraction technique and novel normalization method to improve EMG signal classification | |
Cenedese et al. | A parsimonious approach for activity recognition with wearable devices: An application to cross-country skiing | |
Lentzas et al. | Evaluating state-of-the-art classifiers for human activity recognition using smartphones | |
Edeib et al. | Fall Detection and Monitoring using Machine Learning: A Comparative Study |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |