CN112842277B - 一种基于多序贯概率比检验的跌倒检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于多序贯概率比检验的跌倒检测方法及装置，涉及医疗器械技术领域。包括上肢力传感器和下肢超声波传感器阵列，上肢力信号通过已经辨识出来的导纳控制模型得到速度响应信号，下肢超声波传感器阵列解算出用户运动的实时坐标，进而得到位移量，通过卡尔曼滤波算法进行多传感器数据融合，最终将融合后的数据进行基于多序贯概率比检验，判断用户是否发生跌倒。本发明解决了助行器的跌倒检测问题，降低了处理器的数据处理量，多序贯概率比检验算法解决了序贯概率比检验(sequential probability ratio test，SPRT)的单一性和延迟性，具有更快的检测速度，提高了助行器使用的安全性。

Description

一种基于多序贯概率比检验的跌倒检测方法及装置

技术领域

本发明涉及医疗器械技术领域，尤其涉及一种基于多序贯概率比检验的跌倒检测方法及装置。

背景技术

我国是老年人口最多的国家，未来老年人口数还会一直增长，老龄化带来的一系列问题将会成为我国急需解决的重点问题。老年人通常会患有肌肉萎缩，骨质疏松，视力和听力的下降以及器官退化引起的相关疾病，使得老年人难以独自完成基本的日常活动，带来很多不便。智能助行器是一种可以帮助老年人进行日常行走和恢复锻炼的一种医疗设备，目前具有跌倒检测功能的助行器很少，并且大多数采用了视觉传感器和穿戴式传感器来检测跌倒。

基于视觉传感器的跌倒检测方法是利用深度摄像头来实时获取用户在行走时的图像，通过神经网络等相关图像算法识别人体姿态，以判断是否发生跌倒，该方法的缺点是相关的算法较为复杂，对处理器要求高，并且摄像头容易受到光线等因素干扰；基于穿戴式传感器的跌倒检测方法需要在用户身上安装姿态传感器，采集运动信号，用以识别用户姿态，该方法的缺点是要求用户必须穿戴特定的传感器，增加了设备的使用难度，用户的舒适感较差。

因此，本领域的技术人员致力于开发一种基于多序贯概率比检验的跌倒检测方法及装置，解决助行器的跌倒检测问题，降低了处理器的数据处理量，解决SPRT的单一性和延迟性，具有更快的检测速度，提高了助行器使用的安全性。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是解决助行器的跌倒检测问题，降低处理器的数据处理量，增快检测速度，提高安全性和舒适感。

为实现上述目的，本发明提供了一种基于多序贯概率比检验的跌倒检测方法，包括以下步骤：

步骤1、上肢力信号通过已经辨识出来的导纳控制模型得到速度响应信号；

步骤2、下肢超声波传感器阵列解算出用户运动的实时坐标，进而得到位移量；

步骤3、通过卡尔曼滤波算法进行多传感器数据融合；

步骤4、融合后的数据进行基于多序贯概率比检验，判断用户是否发生跌倒。

进一步地，所述步骤1上肢力信号通过上肢力传感器检测。

进一步地，所述步骤1基于两参数模型的系统辨识方法，得到所述导纳控制模型的惯量M和阻尼系数C，并通过实验测试，得到了与理论相符的速度响应曲线。

进一步地，所述步骤2下肢超声波传感器阵列检测用户行走时双腿的运动状态。

进一步地，所述步骤2检测用户行走时双腿的运动状态，以用户双腿在地面投影的中点作为一次运动的参考点，可得到双腿在助行器X轴和Y轴方向的距离，从而可以计算出用户坐标得到用户的位移。

进一步地，所述下肢超声波传感器阵列检测的工作方式包括趴卧式使用工作方式和手推式使用工作方式。

进一步地，所述下肢超声波传感器阵列检测趴卧式使用工作方式时驱动前端的超声波传感器。

进一步地，所述下肢超声波传感器阵列检测手推式使用工作方式时驱动后端的超声波传感器。

进一步地，所述步骤4总结出不同程度跌倒所对应的速度期望值作为备择假设，零假设采用正常稳定行走时传感器的数据。

本发明还提供了一种基于多序贯概率比检验的跌倒检测装置，包括上肢力传感器和下肢超声波传感器阵列；所述上肢力传感器检测用户使用助行器时的意图，所述下肢超声波传感器阵列检测用户行走时双腿的运动状态，通过卡尔曼滤波算法进行多传感器数据融合，将融合后的数据进行基于多序贯概率比检验，判断用户是否发生跌倒。

本发明与现有技术相比较，具有如下显而易见的实质性特点和显著优点：

本发明解决了助行器的跌倒检测问题，区别于传统的基于视觉传感器和穿戴式传感器，提出了一种基于力传感器和超声波传感器阵列检测装置，降低了处理器的数据处理量，多序贯概率比检验算法解决了SPRT的单一性和延迟性，具有更快的检测速度，提高了助行器使用的安全性和舒适感。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的系统辨识得到导纳控制模型；

图2是本发明的一个较佳实施例的超声波传感器阵列安装位置图；

图3是本发明的一个较佳实施例的趴卧式示意图；

图4是本发明的一个较佳实施例的手推式示意图；

图5是本发明的一个较佳实施例的技术方案流程图；

图6是本发明的一个较佳实施例的趴卧式坐标系示意图；

图7是本发明的一个较佳实施例的决策函数的优化流程图。

其中，1-超声波传感器，2-趴卧式扶手，3-手推式扶手，4-双腿，5-助行器坐标系，6-用户坐标系，7-惯性坐标系。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

本发明公开了一种基于多序贯概率比检验(multi-sequential probabilityratio test，M-SPRT)的跌倒检测方法及装置，该方法用于检测老年人在使用智能助行器时是否发生跌倒，通过助行器扶手上安装的力传感器获得用户与助行器之间的交互力，并通过系统辨识出的助行器导纳控制模型得到用户上肢的意图速度，下肢采用超声波传感器阵列识别用户双腿的运动情况，得到下肢运动的位移，然后经过卡尔曼滤波算法进行多传感器数据融合，将上肢和下肢融合后的数据作为多序贯概率比检验的样本数据，选取合适的备择假设，得到每个序贯概率比检验(sequential probability ratio test，SPRT)的似然比，并通过优化决策函数，实时检测用户是否发生跌倒。

本发明采用感知周围环境的方式来检测跌倒，装置主要分为两部分，即上肢和下肢检测传感器，分别检测力信号和距离信号。

如图1所示，上肢力传感器用来检测用户在使用助行器时的意图，根据力的大小来推算出用户期望的运动速度，即将力信号通过导纳控制模型得到速度响应曲线，本发明提出了一种基于两参数模型的系统辨识方法，得到导纳控制模型的惯量M和阻尼系数C，并通过实验测试，得到了与理论相符的速度响应曲线。

下肢超声波传感器阵列检测用户行走时双腿的运动状态，以用户双腿在地面投影的中点作为一次运动的参考点，即可得到双腿在助行器X轴和Y轴方向的距离，从而可以计算出用户坐标得到用户的位移，由于助行器具有趴卧式和手推式两种使用方式，所以超声波传感器1也要相应的具有两种测量方式，传感器的安装位置如图2所示。

当用户处于趴卧式使用方式时，用户使用助行器前端的趴卧式扶手2，此时用户趴在助行器机体上，双腿4在地面的投影如图3所示。

当用户处于手推式使用方式时，用户使用助行器后端的手推式扶手3，此时用户处于直立状态，用手推着助行器行走，双腿4在地面的投影如图4所示。

至此，上肢和下肢的传感器数据都已经处理完毕，助行器跌倒检测的技术方案为：上肢力信号通过已经辨识出来的导纳控制模型得到速度响应信号，下肢超声波传感器阵列解算出用户运动的实时坐标，进而得到位移量，通过卡尔曼滤波算法进行多传感器数据融合，最终将融合后的数据进行基于多序贯概率比检验，判断用户是否发生跌倒。

具体的技术方案流程图如图5所示：

导纳控制的动力学模型为：

其中，f是交互力，M是助行器的惯量，C是阻尼系数，K是刚度系数，x是位移矢量，当K比较小可忽略，于是有

考虑到

有

拉氏变换，有

由上式可知，传递函数为典型的一阶惯性环节，有

则M和C可用一阶惯性环节的T和k表示，有

于是导纳控制的时域模型为：

离散化，有：

根据系统辨识两参数模型：

即可得到k和T的数值，进而得到辨识后的导纳控制模型。

下肢的超声波传感器在不同的使用方式时具有不同的工作方式，当用户选择趴卧式使用方式时，此时驱动前端的两个超声波传感器，以用户启动助行器为0时刻，建立如图6所示的坐标系：

在0时刻用户坐标系6和惯性坐标系7重合，传感器与助行器坐标系5下的X轴夹角为θ，助行器机体的宽度为W，双腿在地面的投影在^wX轴方向距离为D_H，左边传感器的测量值为S₁，右边传感器的测量值为S_r，则可计算出双腿的分别与助行器前端机体和左右机体的距离D_xl、D_xr、D_yl和D_yr，即

D_xl＝S₁×cosθ

D_xr＝S₂×cosθ

D_yl＝S₁×sinθ

D_yr＝S₂×sinθ

D_H＝W-D_xl-D_xr

设用户的坐标为(x_h，y_h)，在0时刻的D_yl表示为D_yl0，沿^HY轴正方向运动，则有

至此，已经得到用户的坐标，可以进行位移和速度的计算。

列出系统的状态方程和量测方程：

其中：

x_t和y_t分别对应超声波传感器解算出的X轴和Y轴方向上的运动位移，v_xt和v_yt分别对应上肢力经过导纳控制模型的X轴和Y轴方向上的响应速度，F是状态转移矩阵，w是过程噪声，Q是过程噪声协方差矩阵，H是观察矩阵，v是测量噪声，R是测量噪声协方差矩阵，Q和R的取值为：

进行卡尔曼滤波算法多传感器数据融合：

预测状态向量：

预测误差协方差：

更新卡尔曼增益：

更新状态向量：

更新误差协方差：

经过卡尔曼滤波可得到助行器的位移和速度。

手推式使用方式要驱动后端的两个超声波传感器，相关坐标系和计算方法与趴卧式相同，不再赘述。

多序贯概率比检验需要选取适当的原假设和备择假设，原假设设为H₀：θ＝θ₀，备择假设为H_i：θ＝0_i(i＝1，2，...，n)，犯第一种错误发生的概率为α，犯第二种错误发生的概率为β，随机变量x_j服从正态分布N(μ，σ²)，则原假设和备择假设的概率密度函数可表示为：

其中，j是数据的采样序号，j＝1，2，...，n，μ则对应原假设和备择假设的θ，则第i个SPRT的似然比可表示为：

为方便计算，通常对λ_ij取对数运算，即决策函数为：

阈值A和B与α和β的关系为：

相应的，取对数之后阈值变为lnA和lnB，多序贯概率比检验的判定关系为：

以上就是基于多序贯概率比检验的跌倒检测基本步骤，但是实际测试发现，每个SPRT在检验到跌倒时都会具有一定的延迟性，即要经过一段时间才能检测到跌倒，这是因为决策函数在检测到正常行走时累加了一段很大的负值，所以在检测到跌倒时要先累加一定的正值抵消掉之前累积的负值，这样就造成了延迟性，有可能累加的正值还没有抵消掉原来的负值跌倒就已经结束了，这样就会检测不到跌倒，引起危险，所以本发明对决策函数做了优化，即检测到决策函数值小于阈值lnB时，不进行累加，令其为阈值lnB；当决策函数值大于阈值lnA时，不进行累加，令其为阈值lnA，流程图如图7所示。

得到融合后的数据之后，运用多序贯概率比检验进行跌到检测，首先要选取合适的备择假设，在助行器跌倒检测中为不同程度的跌倒，具体做法是选取多人进行实际的助行器行走实验，采集其跌倒时力传感器数据和超声波传感器数据，进行均值滤波，总结出不同程度跌倒所对应的速度期望值作为备择假设，零假设则采用正常稳定行走时传感器的数据，优化后的决策函数检测准确，响应更快。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种基于多序贯概率比检验的跌倒检测方法，其特征在于，该方法用于检测用户在使用智能助行器时是否发生跌倒，包括以下步骤：

步骤1、上肢力信号通过已经辨识出来的导纳控制模型得到速度响应信号；

步骤2、下肢超声波传感器阵列解算出用户运动的实时坐标，进而得到位移量；

步骤3、通过卡尔曼滤波算法进行多传感器数据融合；

步骤4、融合后的数据进行基于多序贯概率比检验，判断用户是否发生跌倒；

所述步骤1上肢力信号通过上肢力传感器检测，上肢力传感器安装在助行器扶手上；

所述步骤2下肢超声波传感器阵列检测用户行走时双腿的运动状态，以用户双腿在地面投影的中点作为一次运动的参考点，可得到双腿在助行器X轴和Y轴方向的距离，从而可以计算出用户坐标得到用户的位移；

所述步骤4，多序贯概率比检验需要选取适当的原假设和备择假设，原假设设为H₀：θ＝θ₀，备择假设为H_i：θ＝θ_i(i＝1,2,…,n)，犯第一种错误发生的概率为α，犯第二种错误发生的概率为β，随机变量x_j服从正态分布N(μ,σ²)，则原假设和备择假设的概率密度函数可表示为：

其中，j是数据的采样序号，j＝1,2,…,n，μ则对应原假设和备择假设的θ，则第i个SPRT的似然比可表示为：

为方便计算，通常对λ_ij取对数运算，即决策函数为：

阈值A和B与α和β的关系为：

相应的，取对数之后阈值变为lnA和lnB，多序贯概率比检验的判定关系为：

2.如权利要求1所述的基于多序贯概率比检验的跌倒检测方法，其特征在于，所述步骤1基于两参数模型的系统辨识方法，得到所述导纳控制模型的惯量M和阻尼系数C，并通过实验测试，得到速度响应曲线。

3.如权利要求1所述的基于多序贯概率比检验的跌倒检测方法，其特征在于，所述下肢超声波传感器阵列检测的工作方式包括趴卧式使用工作方式和手推式使用工作方式。

4.如权利要求3所述的基于多序贯概率比检验的跌倒检测方法，其特征在于，所述下肢超声波传感器阵列趴卧式使用工作方式时驱动前端的超声波传感器。

5.如权利要求3所述的基于多序贯概率比检验的跌倒检测方法，其特征在于，所述下肢超声波传感器阵列手推式使用工作方式时驱动后端的超声波传感器。

6.如权利要求1所述的基于多序贯概率比检验的跌倒检测方法，其特征在于，所述步骤4总结出不同程度跌倒所对应的速度期望值作为备择假设。

7.一种使用了如权利要求1-6任一项所述的方法的基于多序贯概率比检验的跌倒检测装置，其特征在于，包括上肢力传感器和下肢超声波传感器阵列；所述上肢力传感器检测用户使用助行器时的意图，所述下肢超声波传感器阵列检测用户行走时双腿的运动状态，通过卡尔曼滤波算法进行多传感器数据融合，将融合后的数据进行基于多序贯概率比检验，判断用户是否发生跌倒。

Images