CN202600156U - 摔倒检测定位系统 - Google Patents

Abstract

本实用新型公开了一种摔倒检测定位系统，它包括摔倒检测定位装置，所述摔倒检测定位装置包括惯性导航模块、GPS模块、主控制器和Sim-300模块，所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成，所述GPS模块、惯性导航模块分别与主控制器连接，主控制器和Sim-300模块连接，所述摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接，并设计了基于神经网络和机器学习的摔倒检测算法，准确地检测人体摔倒状态和位置信息，并通过GSM/GPRS将该信息传到监护站，在监控画面上实时显示被测人员的状态和位置，本系统可以准确地检测到被测人员的摔倒状况，并且可以对其实时跟踪定位，系统方便实用，准确率高，稳定性强。

Description

摔倒检测定位系统

技术领域

本实用新型涉及一种行为分析与识别方法，状态监控与报警、检测与定位系统，尤其涉及一种摔倒检测定位系统。

背景技术

21世纪是人口老龄化的时代，目前，世界上所有发达国家都已经进入老龄社会，许多发展中国家正在或即将进入老龄社会。中国是世界上老年人口最多的国家，据数据显示，2004年底，中国60岁及以上老年人口为1.43亿，2014年将达到2亿，2026年将达到3亿，意外摔倒是65岁以上人群主要的健康威胁以及死亡原因，在因摔倒而需要医疗护理的人群中，65岁及以上的占到超过30%，而因摔倒致死的人群中，40%是80岁以上的老者。在超过85岁的人群中，2/3的意外摔倒直接导致死亡。据报告显示，在老年之家和养老院中，66%的居民每年至少会有一次意外摔倒，而这并不包括未报告的情况，因此，这个数字还是可能被低估的。老年人摔倒发生率高、后果严重,已经成为一个严重的医疗问题和社会问题，通过科学的手段有效预测老年人摔倒,从而减小老年人因摔倒带来的伤害已成为全球新的研究热点。

目前，对于人体摔倒检测，从硬件上一般分为基于视觉和基于穿戴式传感器两种，其中，采用视觉进行人体摔倒检测会严重受到外界环境影响，比如光照条件、背景、遮挡大小和摄像机质量等，另外，由于摄像机监测区域有限，被监测的老年人或者病人的活动范围会受到限制，在利用穿戴式传感器检测人体摔倒的研究中，一种是采用加速度计检测人体活动的加速度，通过设定阈值判断是否摔倒，这种方法很难区分摔倒与人们日常的剧烈活动，如跳、上下楼等。专利200720125141.1，200910145045.7都是采用一个三轴加速度计测得人体加速度，同时计算出了倾斜角度，前者通过设定加速度和角度阈值判断是否发生摔倒，难以区分快速行走和上下楼梯等剧烈动作，而后者则是判断人在摔倒过程受到冲击前后一段时间的角度关系判断是否发生摔倒，该方法要求人体摔倒过程出现明显冲击，难以识别老年人突然晕倒或者小幅度摔倒，而且，其角度是通过加速度计算得到，显然，当人体剧烈活动或者震动干扰时计算的倾斜角度会出现严重偏差，识别率会严重下降；另一种是通过穿戴式角度传感器检测人体躯干角度，设定角度阈值和时间阈值判断是否摔倒，该方法难以区分弯腰、平躺等正常行为动作。例如，专利200620075599.6，200620003000.8通过传感器检测人体的倾斜程度来判断是否发生摔倒，很难区分弯腰、平躺等动作，另外，由于摔倒事件随机性强、形式多样，因此，这种阈值判断的方法误判率较高，而且很不稳定。

实用新型内容

本实用新型的目的就是为了解决上述问题，提供一种摔倒检测定位系统，它根据人体摔倒特征建立神经网络模型，利用惯性导航模块提供的人体姿态角度和融合加速度作为神经网络输入信号，通过反向传播、滑动窗口和机器学习算法可以稳定输出准确的摔倒信息，它具有准确检测被测人员的摔倒状况，并且对其实时跟踪定位，系统具有方便实用，准确率高，稳定性强的优点。

为了实现上述目的，本实用新型采用如下技术方案：

一种摔倒检测定位系统，它包括摔倒检测定位装置，所述摔倒检测定位装置包括惯性导航模块、GPS模块、主控制器和Sim-300模块，所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成，所述GPS模块、惯性导航模块分别与主控制器连接，主控制器和Sim-300模块连接，所述摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接。

利用上述摔倒检测定位系统的工作过程为：

步骤一：对摔倒检测定位装置进行系统初始化，配置各个传感器的寄存器，然后根据人体摔倒的特征建立神经网络模型，通过输入教师信号对网络进行训练，具体过程为：（1）初始化，假设没有先验知识可用，以一个一致分布来随机地挑选突触权值，这个分布选择为均值等于0的均匀分布，它的方差的选择应该使得神经元的诱导局部域的标准偏差位于sigmoid激活函数的线性部分与饱和部分的过渡处；（2）采集样本，将AHRS模块佩戴在实验人员的腰部，实验人员通过做出多种摔倒动作和正常的日常行为动作，记录这N组实验数据作为训练样本(X(N)，d(N))，逐次将每个样本(X(i)，d(i))呈现出来；（3）前向计算，假设本次计算的训练样本是(X(n)，d(n))，即X(n)={suma(n)，pitch(n)，roll(n)}，期望输出为d(n)，激活函数选取sigmoid非线性函数，计算实际输出o(n)，则误差信号e(n)=d(n)-o(n)，对每一组训练样本经过前向计算得到的误差信号如果满足要求（规定一个误差范围，在这里规定该神经网络的误差阈值是0.01％），则认为反向传播算法已经收敛，本组样本训练结束，进行下一组样本的训练，否则将进行反向计算，继续调整各层神经网络的权值；（4）迭代，调整好各层权值后，返回前向计算，直到误差信号满足规定的收敛准则，然后，进行下一组样本的训练，直到所有的N组试验样本全部训练完成；

步骤二：惯性导航模块采集三轴MEMS陀螺仪的信号，采用四元数姿态表达式，积分求得陀螺仪姿态角，同时采集三轴MEMS加速度计和三轴磁力计的信号,利用重力场和大地磁场在地理坐标系和机体坐标系之间的方向余弦转换进行绝对角度解算,得到绝对姿态角，然后根据信号的变化频率实时改变滤波参数，对两次得到的姿态角进行基于扩展式卡尔曼滤波的数据融合，最终输出准确稳定的姿态角度和融合加速度，其中，加速度计与陀螺仪的融合原理主要是静态的时候用加速度计修正陀螺仪的值，动态的时候利用陀螺仪的值修正加速度计的值,根据运动体上的三轴加速度计输出的三轴加速度（Ax,Ay,Az）,分别求取俯仰角pitch=tan^-1(-Ay,-Az),倾斜角

融合加速度

磁力计与加速度计的融合原理主要是利用加速度计进行磁力计的倾斜补偿,读取磁力计输出的三轴磁场强度

求取倾斜补偿后的磁力计输出

$M_x^n=M_x^b\cos \left(\mathrm{roll}\right)+M_y^b\sin \left(\mathrm{pitch}\right)\cos \left(\mathrm{roll}\right)-M_z^b\cos \left(\mathrm{pitch}\right)\sin \left(\mathrm{roll}\right)$

根据计算出的倾斜补偿后的磁力计输出，可以求取偏航角 $\mathrm{Yaw}={\tan }^{-1}(M_y^n/M_x^n);$

步骤三：主控制器接收GPS模块和惯性导航模块的数据，将姿态角度和融合加速度输入训练好的神经网络进行摔倒判断，人在摔倒的过程中，通常融合加速度sum_a和人体倾角pitch或者roll的极值并不是出现在同一组采样值中，为了提高神经网络的识别率，最大程度的区分摔倒和日常行为，采用滑动窗口的方法对采样数据进行处理，根据神经网络的输出结果进行判断，如果没有摔倒，主控制器通过Sim-300模块的GPRS通信方式将状态和位置信息上传到监护站的服务器，如果摔倒，主控制器除了将信息上传监护站外，还通过Sim-300模块的GSM通信方式以短信形将信息告知绑定的亲属手机进行提醒；

步骤四：判断此组姿态角度和加速度数据是否满足机器学习的要求，如果满足，则返回网络重新训练，更新网路参数，如果不满足，则进行下一组数据的处理，例如，假设本组数据是一次小幅度摔倒，加速度和姿态角度变化较慢，神经网络的输出值为0.90，这个值比较接近设定的阈值0.85，这会影响神经网络的识别率，采用机器学习的方法，将本次的输入值作为训练样本对网络再次进行训练，对调整后的网络再次进行测试，网络输出值为0.98，这大大提高了神经网络的识别率，网络在使用过程中不断学习，积累经验，神经网络将变得越来越智能；

步骤五：监护站的服务器初始化，接收所监测的装置上传的信息，对上述信息处理后按照ID号、接收时间、纬度值、经度值、人体状态的格式存入数据库，然后数据库进行自检，判断信息是否超量，如果否，则继续接收信息，如果是，则清除过期记录，然后再接收信息；

步骤六：监护站的客户端根据权限登录账号，通过以太网查询数据库，根据数据库提供的经纬度信息，程序调用卫星地图将被测对象的位置标定在地图上，同时根据被测对象的状态信息，判断其是否摔倒，如果否，则进行页面刷新，监测下一组信息，如果是，则会启动报警程序，然后再监测下一组信息。该方式的明显优点是监护人员不局限于监护站，可以在任何一个可以上网的装置上（如手机、电脑、上网笔记本等）随时随地对被测对象进行监护。

本实用新型的有益效果：

本系统可以准确地检测到被测人员的摔倒状况，具备智能学习算法，适用于各种类型的摔到检测，监护人员可以随时随地对被测人员实时跟踪定位，报警装置可以及时提醒相关人员进行救护，大大降低了老年人或者病人因为摔倒而导致的严重后果，具有很强的实用价值，而且系统使用方便，准确率高，稳定性强。

附图说明

图1为摔倒检测系统的原理框图；

图2为摔倒检测系统的工作流程图；

图3为监护站的操作流程图；

图4为监护站客户端操作流程图。

图5为基于神经网络的摔倒检测算法设计图。

其中，1、三轴陀螺仪，2、三轴磁力计，3、三轴加速度计，4、惯性导航模块，5、GPS模块，6、主控制器，7、Sim-300模块，8、被测人员甲的摔倒定位检测装置，9、被测人员乙的摔倒定位检测装置，10、GSM通信，11、GPRS通信，12、绑定被测人员甲的亲属手机，13、绑定被测人员乙的亲属手机，14、监护站，15、以太网。

具体实施方式

下面结合附图与实施例对本实用新型作进一步说明。

如图1，一种摔倒检测定位系统，它包括摔倒检测定位装置，所述摔倒检测定位装置包括惯性导航模块4、GPS模块5、主控制器6和Sim-300模块7，所述惯性导航模块4由三轴陀螺仪1、三轴磁力计2和三轴加速度计3组成，所述GPS模块5、惯性导航模块4分别与主控制器6连接，主控制器6和Sim-300模块7连接，所述摔倒检测定位装置通过GSM10/GPRS11与绑定被测人员的亲属手机12、监护站14连接。

惯性导航模块4，通过对由三轴陀螺仪1、三轴磁力计2和三轴加速度计3这三种传感器进行基于扩展卡尔曼滤波的数据融合，惯性导航模块4向主控制器6输出精确稳定的姿态角度和三轴加速度，GPS模块5向主控制器6输出精确的经纬度值，主控制器6在完成神经网络训练后，对惯性导航模块4上传的姿态角度和三轴加速度采用基于神经网络和机器学习的摔到检测算法进行数据处理，可以准确地判断出该被测对象是否摔倒，主控制器6通过Sim-300模块7的GPRS通信方式11将被测对象的摔倒信息、定位信息和本装置的ID号一起上传到监护站14，当被测对象是摔倒状态时，主控制器6同时通过Sim-300模块7的GSM短信方式10将摔倒信息发送到被测对象绑定的亲属手机上进行提醒，监护站14的服务器将收到的信息存储到建立的数据库中，监护站的客户端就可以通过以太网15查询数据库中的相应信息，同时可以调用卫星地图标定被测对象的准确位置，显示被测对象的摔倒状态。本实用新型的摔倒检测定位系统可以同时监护多个对象，图中以两个监护对象即被测人员甲8和被测人员乙9为例进行说明。每个被测对象都可以将信息上传到监护站14，他们以自己的ID号作为区分，他们分别绑定不同的亲属手机，而且每个被测对象可以绑定多个手机。

如图2、3、4所示,本实用新型摔倒检测定位系统的工作流程:摔倒检测定位装置8进行系统初始化，配置各个传感器的寄存器。根据人体摔倒的特征建模神经网络，通过输入教师信号对网络进行训练，此处设定误差要求为0.01%。当网络输出满足误差要求时，认为网络已经训练完成。惯性导航模块4采集三轴MEMS陀螺仪1的信号，采用四元数姿态表达式，积分求得陀螺仪姿态角。同时采集三轴MEMS加速度计3和三轴磁力计2的信号,利用重力场和大地磁场在地理坐标系和机体坐标系之间的方向余弦转换进行绝对角度解算,得到绝对姿态角。根据信号的变化频率实时改变滤波参数，对两次得到的姿态角进行扩展式卡尔曼滤波，最终输出准确稳定的姿态角度和三轴加速度，主控制器6将姿态角度和加速度输入训练好的神经网络进行摔倒判断，如果没有摔倒，主控制器6通过Sim-300模块7的GPRS通信方式11将状态和位置信息上传到监护站14的服务器，如果摔倒，主控制器6除了将信息上传监护站14外，还通过Sim-300模块7的GSM通信方式10以短信形将信息告知绑定的亲属手机12进行提醒；最后，判断此组姿态角度和加速度数据是否满足机器学习的要求，如果满足，则返回网络重新训练，更新网路参数，如果不满足，则进行下一组数据的处理。

监护站14的服务器初始化完成后，开始接收所监测装置上传的信息，对上述信息处理后按照ID号、接收时间、纬度值、经度值、人体状态的格式存入数据库；然后数据库进行自检，判断信息是否超量，如果否，则继续接收信息，如果是，则清除过期记录，然后再接收信息。

监护站14的客户端首先根据权限登录账号，通过以太网查询数据库，根据数据库提供的经纬度信息，程序调用卫星地图将被测对象的位置标定在地图上，同时根据被测对象的状态信息，判断其是否摔倒，如果否，则进行页面刷新，监测下一组信息，如果是，则会启动报警程序，然后再监测下一组信息。

如图4所示，反向传播算法加强了多层感知器监督训练的可靠性。根据摔倒的特征，首先，对于输入层，可以确定输入层为3个神经元：融合加速度sum_a（加速度的变化）、俯仰角pitch（人体躯干前、后向摔倒）、倾斜角roll（人体躯干左、右向摔倒）。对于输出层，由于只输出人体的状态（摔倒或正常，这里假设：o=0表示正常，o=1表示摔倒），因此，输出层设置1个神经元即可。其中，X₀、Y₀分别是输入层和隐层的偏置，取常数+1，输入层X₁、X₂、X₃分别是融合加速度sum_a(n)、俯仰角pitch(n)、倾斜角roll(n)。是输入层到隐层的突触权值，是隐层到输出层的突触权值。Y₁、Y₂是隐层节点，d(n)是期望输出值，当d(n)=0时表示正常，当d(n)=1时表示摔倒。o(n)是实际输出值，e(n)是误差信号，

是局域梯度，f(g)为激活函数。（1）初始化，假设没有先验知识可用，我们以一个一致分布来随机地挑选突触权值，这个分布选择为均值等于0的均匀分布，它的方差的选择应该使得神经元的诱导局部域的标准偏差位于sigmoid激活函数的线性部分与饱和部分的过渡处。（2）训练样本的呈现，将AHRS模块正确佩戴在实验人员的腰部，实验人员通过做出多种摔倒动作和一些ADL，记录这N组实验数据作为训练样本(X(N),d(N))。按照顺序逐次将每个样本(X(i),d(i))呈现出来，为下一步计算使用。（3）前向计算，假设本次计算的训练样本是(X(n),d(n))，即

期望输出为d(n)。输入层的诱导局部域是

激活函数选取sigmoid非线性函数，所以隐层输出值 $Y_j\left(n\right)=f\left(V_j^{\left(1\right)}\left(n\right)\right)=\frac{1}{1+\exp (-{\mathrm{aV}}_j^{\left(1\right)}\left(n\right))},a<0,$ 隐层的诱导局部域是 $V_1^{\left(2\right)}\left(n\right)=\underset{i=0}{\overset{2}{\mathrm{\&Sigma;}}}{W}_{1i}^{\left(2\right)}\left(n\right)Y_i\left(n\right),$ 实际输出是计算误差信号e(n)＝d(n)-o(n)，我们规定的收敛准则是：对每一组训练样本经过前向计算得到的误差信号满足我们的要求（人为规定的一个误差范围，在这里我们规定该神经网络的误差阈值是0.01%），则认为反向传播算法已经收敛。这样，本组样本训练结束，进行下一组样本的训练。否则将进行下面的反向计算，继续调整各层神经网络的权值。（4）反向计算，计算神经网络的局域梯

这里的f'(g)是激活函数f(g)的一阶导数，即

根据广义的delta规则调节神经网络的各层突触权值： $W_{\mathrm{ji}}^{\left(l\right)}(n+1)=W_{\mathrm{ji}}^{\left(l\right)}\left(n\right)+{\mathrm{VW}}_{\mathrm{ji}}^{\left(l\right)}\left(n\right),$

其中，η是学习率参数，α是动量常数。（5）迭代：调整好各层权值后，返回我们的前向计算，直到误差信号满足我们规定的收敛准则。然后，进行下一组样本的训练，直到所有的N组试验样本全部训练完成。至此，我们的检测人体摔倒的神经网络已经训练完成。

上述虽然结合附图对本实用新型的具体实施方式进行了描述，但并非对本实用新型保护范围的限制，所属领域技术人员应该明白，在本实用新型的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本实用新型的保护范围以内。

Claims (1)

1.一种摔倒检测定位系统，其特征是，它包括摔倒检测定位装置，所述摔倒检测定位装置包括惯性导航模块、GPS模块、主控制器和Sim-300模块，所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成，所述GPS模块、惯性导航模块分别与主控制器连接，主控制器和Sim-300模块连接，所述摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接。

Images