FR3091923A1 - Un système de détection de chute du corps humain basé sur des signaux de vibration du sol - Google Patents
Un système de détection de chute du corps humain basé sur des signaux de vibration du sol Download PDFInfo
- Publication number
- FR3091923A1 FR3091923A1 FR1904612A FR1904612A FR3091923A1 FR 3091923 A1 FR3091923 A1 FR 3091923A1 FR 1904612 A FR1904612 A FR 1904612A FR 1904612 A FR1904612 A FR 1904612A FR 3091923 A1 FR3091923 A1 FR 3091923A1
- Authority
- FR
- France
- Prior art keywords
- signal
- signals
- vibration signals
- processing
- vibration
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000012790 confirmation Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0204—Acoustic sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Un système de détection de chute du corps humain basé sur des signaux de vibration du sol L'invention concerne un procédé de détection de chute du corps humain basé sur des signaux de vibration du sol, le procédé comportant les étapes : collecte des signaux de vibration du sol par trois géophones, traitement de filtrage, traitement de réduction du bruit, traitement de segmentation de point d' extrémité et traitement d'alignement sont effectués sur les signaux de vibration collectés, puis les signaux sont superposés et les caractéristiques du signal sont extraites; Les signaux caractéristiques extraits sont composés dans des ensembles d’entraînement pour apprentissage du modèle de Markov caché, les signaux de vibration du sol actuellement utilisés sont utilisés comme données de test qui sont traitées par traitement de données d’entraînement. Le modèle de Markov caché est utilisé pour calculer la probabilité de chute et l'algorithme de positionnement EoA est utilisé pour suivre les coordonnées sur une courte période, si la plage mobile de la cible est inférieure au seuil, la confirmation secondaire est une chute, sinon ce n'est pas une chute. Un système de détection de chute du corps humain est également décrit en conséquence. L'invention utilise le modèle de Markov caché pour calculer le signal de vibration comme probabilité de chute, et combine ensuite l'algorithme de positionnement EoA pour la confirmation secondaire, qui permet une reconnaissance précise de la chute et un taux de faux positifs faible, et ne nécessite pas de port d'équipement, protège le risque d'atteinte à la vie privée et améliore l’expérience de l’utilisateur. Figure pour l’abrégé : Fig.1
Description
Domaine technique de l'invention
L'invention concerne le domaine de la technologie de traitement de l’information et de la détection intelligente, en particulier un procédé et un système de détection de chute du corps humain basés sur des signaux de vibration du sol.
La tendance du vieillissement de la population mondiale est irréversible: selon les statistiques de l'ONU, il y aurait plus de 960 millions de personnes âgées de plus de 60 ans dans le monde en 2017, et ce nombre devrait doubler pour atteindre 2 milliards en 2050. Pour les personnes âgées, la chute pourrait être un événement mortel auquel elles peuvent confronter tous les jours. Selon l'Organisation Mondiale de la Santé, un tiers des personnes âgées de plus de 65 ans chutent au moins une fois par an, et 60% des chutes se produisent à la maison. Par conséquent, nous devons de toute urgence inventer une méthode et un système pratiques et efficaces pour détecter automatiquement la chute d’une personne âgée. Les méthodes de détection des chutes existantes sont principalement basées sur la vision, sur le portable et sur le radiosignal. La méthode de détection basée sur la vision permet de détecter efficacement l’événement de chute, mais le problème de la protection de la vie privée est complexe: son déploiement est difficile dans des environnements sensibles tels que les salles de bain où le sol glisse énormément et où il y a beaucoup de chutes. En outre, la caméra a également un angle mort visuel et ne peut pas fonctionner dans un environnement sombre. Le système de détection de chute basé sur l’appareil portable peut détecter si l’utilisateur tombe en utilisant le capteur inertiel de l’appareil, mais ce genre d’appareil portable n’est pas convivial pour l’utilisateur, en particulier les personnes âgées à domicile qui ne peut pas conserver l’appareil à tout moment. Une fois le périphérique retiré, la détection est invalide. La méthode de détection des chutes basée sur la technologie de communication radio n'exige pas que l'utilisateur porte le dispositif, mais le taux élevé de faux positifs est critiqué depuis longtemps et l'effet de propagation par trajets multiples du signal rend ça fonctionnement difficile dans un environnement domestique complexe et en mutation dynamique.
Afin de résoudre le problème technique ci-dessus, la présente invention propose d'utiliser des géophones pour collecter les signaux de vibration du sol et pour mettre en œuvre un procédé et un système plus précis, à faible taux de faux positifs, sans risque d'atteinte à la vie privée, sans formation de l’utilisateur et sans port d'équipement, par traitement informatique. Le procédé et le système adoptent spécifiquement les solutions techniques suivantes:
Un procédé de détection de chute de corps humain basé sur des signaux de vibration du sol, comprenant les étapes suivantes:
S1: collecte des signaux de vibration du sol par trois géophones;
S2: traitement de filtrage, traitement de réduction du bruit et traitement de segmentation de point d’extrémité sont effectués sur les signaux de vibration collectés pour déterminer point de départ et point d'arrivée d’un signal de vibration effectif;
S3: traitement d'alignement est effectué sur les signaux de vibration effectifs après traitement de segmentation de point d’extrémité;
S4: superposition des signaux de vibration effectifs des trois géophones, puis extraction des caractéristiques des signaux;
S5: les signaux caractéristiques extraits sont composés dans des ensembles d’entraînement pour apprentissage du modèle de Markov caché;
S6: les signaux de vibration du sol actuellement utilisés sont utilisés comme données de test qui sont traitées par traitement de données d’entraînement;
S7: calcul de la probabilité de chute avec le modèle de Markov caché, si ladite probabilité est supérieure à un seuil, une confirmation secondaire est effectuée, sinon ce n'est pas considérée comme une chute;
S8: application d’un algorithme de positionnement EoA pour suivre des coordonnées sur une courte période, si la plage mobile de la cible est inférieure à un seuil, la confirmation secondaire est une chute, sinon ce n'est pas une chute.
Dans un mode de réalisation préféré, à l’étape S3, le signal de vibration effectif après traitement de segmentation de point d’extrémité est aligné par la méthode de corrélation croisée générale, et ladite opération spécifique du traitement d'alignement consiste à calculer le décalage entre les deux signaux de vibration effectifs, le signal de vibration effectif actuel est ensuite déplacé, seule la partie complète partagée entre les deux signaux de vibration est prise après le mouvement.
Dans un mode de réalisation préféré, dans l’étape S3, la formule est adoptée :
et
etO(A,B)=P(A,B)-ncalcule le décalageO(A,B)entre les deux signaux de vibration effectifs, oùaetbreprésentent deux signaux de vibration effectifs avec une longueur de signaln, a(i)représente l'amplitude du i-ème point du signal de vibration effectifa, b(i)représente l'amplitude du i-ème point du signal de vibration effectif b, etC( a,b )représente la corrélation entre le signal de vibration effectif a et le signal de vibration effectifb;Areprésente le remplissage à zéro des deux côtés du signal de vibration effectif a dont la longueur est égale à n, et obtient ainsi le premier signal de longueur3n; Breprésente le signal de vibration effectif b de longueurn; P(A,B)représente la position de signal du premier signal A ayant la corrélation la plus élevée avec le deuxième signal B de longueurn; O(A,B)est le décalage calculé entre le premier signal A et le deuxième signal B.
Dans un mode de réalisation préféré, dans lequel à l'étape S4, les signaux de vibration effectifs provenant des trois géophones sont superposés, traités par un filtre avec pondération, le signal est ensuite décomposé en plusieurs couches de composantes de fréquence différentes par transformée en ondelettes discrète, et calcule l'énergie correspondante à certains intervalles de temps, enfin, les caractéristiques énergétiques dans le domaine temporel et dans le domaine fréquentiel sont obtenues à l'aide de la formuleFeature = 10log10Eoù E est l'énergie déterminée initialement de chaque intervalle de temps à différents niveaux de fréquence, etFeatureest une fonctionnalité correspondante après transformation logarithmique.
Dans un mode de réalisation préféré, dans lequel l'état du modèle de Markov caché de l'étape S5 est égal à 7, l'état initial est égal à 1 et la fonction de probabilité observée en sortie de chaque état est composée par plusieurs fonctions de mélange gaussiennes, dans laquelle le nombre de fonctions de mélange gaussien est égal au nombre de couches de la décomposition par transformée en ondelettes discrète à l'étape S4, et chaque fonction de mélange gaussienne comporte trois composantes gaussiennes.
Dans un mode de réalisation préféré, dans lequel à l'étape S7, la probabilité que les données de test soient un signal de chute est calculée sur la base du modèle de Markov caché obtenu à l'étape S5, et s'il est supérieur au seuil, la confirmation secondaire est réalisée par l'étape S8, sinon il est directement déterminé qu'il n’est pas une chute.
Dans un mode de réalisation préféré, dans lequel à l'étape S8, l'algorithme de positionnement EoA (Nom complet Energie d'Arrivée) proposé par la présente invention est utilisé pour le positionnement, qui est basé sur le modèle d'atténuation du signalAmp (d) =(Amp 0 * exp (-α*d)dans lequel Amp0 représente l'amplitude initiale du signal de vibration, et d représente la distance sur laquelle la vibration se propage, α représente le coefficient d'atténuation basé sur le milieu de propagation, la formule suivante est donnée:d 1 -d 2 =ln E AB /(-2α)=c 1 , d 1 -d 3 =ln E AC /(-2α)=c 2oùd 1 , d 2 , d 3 sont respectivement les distances de la source de vibration aux trois géophones A, B et C,ln E AB =-2α(d 1 -d 2 )est le logarithme du rapport signal-énergie reçu par les géophones A et B, la position de coordonnées de la source de vibration peut être résolue par la formule ci-dessus.
Dans un mode de réalisation préféré, dans lequel à l'étape S8, l'algorithme de positionnement EoA calcule la position de coordonnées de la chute suspectée après que les données de test aient été reconnues comme une chute suspecte par le modèle de Markov caché, puis continue à calculer les coordonnées de la cible sur une courte période, si le déplacement dépasse le seuil défini, cela indique que l'utilisateur peut se déplacer normalement et qu'il n’est pas une chute, sinon la confirmation secondaire est transmise, et confirmée comme chute.
Dans un mode de réalisation préféré, dans lequel à l'étape S2, les signaux de vibration collectés sont soumis à traitement de filtrage et traitement de réduction de bruit en utilisant le filtre de Butterworth, et les composantes en courant continu et le bruit basse fréquence sont éliminés par le filtrage passe-haut avec la fréquence de coupure de 10 Hz.
Dans un mode de réalisation préféré, dans lequel à l'étape S2, lors du traitement de la segmentation de point d'extrémité, le segment entier du signal de vibration est d'abord soumis à un traitement de frame, puis la variance de chaque frame du signal est utilisée comme critère: lorsque la variance d'un certain frame du signal dépasse le seuil donné, le signal de vibration effectif est considéré comme apparaissant, et un signal d'une certaine longueur avant et après ce frame du signal est retrait comme signal de vibration après traitement de segmentation de point d'extrémité.
Un système de détection de chute du corps humain est caractérisé en ce qu'il comprend trois géophones et un processeur, et le processeur exécute le procédé de détection de chute du corps humain sur la base des signaux de vibration du sol.
L'invention réalise une surveillance en temps réel de la chute en fonction des vibrations du sol, calcule le signal de vibration comme probabilité de chute par le modèle de Markov caché, puis effectue la confirmation secondaire avec l'algorithme de positionnement EoA. La reconnaissance de la chute est précise et le taux de faux positifs est faible. Les dommages causés par la chute peuvent être traités à temps, et le problème de la faible robustesse de la technique antérieure, des problèmes de port d'équipement, des problèmes de précision et des risques d'atteinte à la vie privée sont résolus, et l'expérience utilisateur est améliorée. Le procédé de détection de l'invention est nouveau, pratique et fiable, et peut répondre aux exigences d'utilisation de divers environnements de vie, et présente une large application et un faible coût.
La figure 1 est un ordinogramme d'un procédé de détection de chute du corps humain de la présente invention.
La figure 2 est une vue externe du géophone de la présente invention.
La figure 3 est un ordinogramme montrant la simulation d'effet avant le traitement d'alignement de signal de vibration effectif après le traitement de segmentation de point d’extrémité de la présente invention.
La figure 4 est un ordinogramme montrant la simulation d'effet après le traitement d'alignement de signal de vibration effectif après le traitement de segmentation de point d’extrémité de la présente invention.
La figure 5 est un diagramme schématique de l'algorithme EoA de la présente invention.
Description détaillée d’exemples de réalisation de l’invention
La présente invention sera décrite plus en détail ci-dessous en se référant aux dessins et modes de réalisation. Il est entendu que les modes de réalisation spécifiques décrits ici sont simplement illustratifs de l'invention et ne sont pas destinés à limiter l'invention.
Les modes de réalisation préférées de la présente invention sont décrites plus en détail ci-dessous en référence aux dessins annexés.
Comme indiqué dans la figure 1, la présente invention propose un procédé de détection de chute basé sur le modèle de Markov caché et l’algorithme EoA, comprenant les étapes suivantes :
Étape S1 : disposer un géophone (ou tout autre capteur capable de détecter les vibrations) dans un coin de l'environnement d'exploitation, détecter un signal de vibration agissant sur le sol lorsque le corps humain tombe, le convertir en un signal électrique analogique, puis convertir ledit signal électrique analogique en un signal numérique à traiter. Trois géophones peuvent être adopté en particulier : la Figure 2 est une vue externe du géophone.
Étape S2 : utilise le filtre de Butterworth pour effectuer traitement de filtrage et traitement de réduction de bruit sur les signaux de vibration collectés en utilisant un filtrage passe-bande avec une bande de fréquence supérieure à 10 Hz. Plus précisément, ladite mode de réalisation utilise un filtre passe-haut avec une fréquence de coupure de 10 Hz pour filtrer les composantes en courant continu et le bruit basse fréquence.
Le traitement de segmentation de point d’extrémité est également appelé traitement de détection de point d’extrémité, et est exécuté par un algorithme de découpage dans un programme informatique afin de déterminer point de départ et point d'arrivée du signal de vibration effectif. Le processus de traitement consiste tout d'abord à soumettre le segment entier du signal de vibration à un traitement de frame, puis la variance de chaque frame du signal est utilisée comme critère: lorsque la variance d'un certain frame du signal dépasse le seuil donné, le signal de vibration effectif est considéré comme apparaissant et un signal d'une certaine longueur avant et après ce frame du signal est retrait comme signal de vibration après segmentation de point d'extrémité, le signal de vibration après traitement de segmentation de point d'extrémité est également appelé signal de vibration efficace. Le seuil donné peut être personnalisé en fonction des besoins de l'utilisateur ou basé sur la valeur de l'ensemble d'apprentissage de l'échantillon.
Étape S3, le signal de vibration effectif après traitement de segmentation de point d'extrémité est aligné par la méthode de corrélation croisée générale (general cross correlation, GCC), ladite opération du traitement d'alignement consiste à calculer le décalage entre les deux signaux de vibration effectives. Le signal de vibration effectif actuel est ensuite déplacé, seule la partie complète partagée entre les deux signaux de vibration est prise après le mouvement. Le traitement d'alignement dans cette mode de réalisation peut aligner tous les signaux de vibration effectifs, ce qui est bénéfique pour la précision de classification de l'algorithme d'apprentissage automatique, et les diagrammes d'effet de simulation avant et après le traitement d'alignement sont illustrés à la figure 3 et 4. Après le traitement GCC, le signal de coupure est en outre aligné dans la série temporelle pour déterminer plus précisément le signal de chute.
Dans ladite étape S3 de cet exemple, la formule est adoptée :
et
etO(A,B)=P(A,B)-ncalcule le décalage O(A,B) entre les deux signaux de vibration effectifs, où a et b représentent deux signaux de vibration effectifs avec une longueur de signal n, a(i) représente l'amplitude du i-ème point du signal de vibration effectif a, b(i) représente l'amplitude du i-ème point du signal de vibration effectif b, et C(a,b) représente la corrélation entre le signal de vibration effectif a et le signal de vibration effectif b ; Le premier signal A représente le remplissage à zéro des deux côtés du signal de vibration effectif a dont la longueur est égale à n, et obtient ainsi le premier signal de longueur 3n ; Le deuxième signal B représente le signal de vibration effectif b de longueur n; P(A,B) représente la position de signal du premier signal A ayant la corrélation la plus élevée avec le deuxième signal B de longueur n; O(A,B) est le décalage calculé entre le premier signal A et le deuxième signal B.
Étape S4, après une vibration, les signaux provenant des trois géophones sont superposés, traités par un filtre avec pondération, la transformée en ondelettes discrète est ensuite utilisée pour extraire l'intensité énergétique de différents domaines fréquentiels et temporels du signal de vibration comme caractéristiques du signal extrait. De préférence, à l'étape S4, les caractéristiques d'énergie dans le domaine temporel et dans le domaine fréquentiel sont obtenues par la formuleFeature = 10log10E, où E est l'énergie déterminée initialement de chaque intervalle de temps à différents niveaux de fréquence, etFeatureest un signal de fonctionnalité après transformation logarithmique.
Étape S5, les signaux caractéristiques extraits sont composés dans un ensemble de formation destiné à former le modèle de Markov caché et, lorsque la formation est effectuée, seuls les signaux de vibration du sol en chute provenant d'autres personnes (tels que des volontaires ou des participants) est utilisé comme ensemble d’entraînement.
Plus précisément, le nombre d'états de transition du modèle de Markov caché est égal à 7 et l'état initial à 1. La fonction de probabilité d'observation en sortie de chaque état est composée de plusieurs modèles de mélange gaussiens contenant plusieurs composants gaussiennes, le nombre de modèles de mélange gaussiens et le nombre de couches de la décomposition en transformée en ondelettes discrète à l'étape S4 est le même.
Initialement, les paramètres pertinents sont initialisés en fonction de l'ensemble d’entraînement, c'est-à-dire initialise la probabilité d'état, la probabilité de transition d'état et la probabilité d'observation en sortie, et un modèle de Markov caché initial est obtenu. Ensuite, l'algorithme baum-welch est utilisé pour optimiser les paramètres du modèle en fonction de l'ensemble d’entraînement. Après chaque optimisation, tous les échantillons de l'ensemble d’entraînement seront calculés un par un par l'algorithme de viterbi afin d’obtenir le degré de correspondance entre l'ensemble d’entraînement et le modèle (c'est-à-dire la probabilité de chute. En réalité, il ne s'agit pas de la probabilité. Afin d'améliorer les performances de calcul, le processus de calcul utilise une opération logarithmique. Donc, le résultat est négatif) et enregistre le degré. Ensuite, à partir du deuxième appel à l'algorithme baum-welch pour l'optimisation, il est nécessaire de comparer la différence du degré de correspondance total entre l'ensemble d’entraînement et le modèle (c'est-à-dire la probabilité de chute) entre la présente et la dernière optimisation. S'il est inférieur au seuil, cela signifie que l'entraînement converge et saute hors de la boucle. Un modèle de Markov caché formé est obtenu. Pour les échantillons de test suivants, il suffit de calculer le degré de correspondance entre les échantillons et le modèle (c'est-à-dire la probabilité de chute) par l'algorithme de viterbi.
Étape S6, les signaux de vibration du sol actuellement utilisés sont utilisés comme données de test qui sont traitées par traitement de données d’entraînement ; en utilisation réelle, les données de test sont collectées de la même manière que les étapes S1, S2, S3 et S4.
Étape S7, calcul des données de test comme probabilité de chute sur la base du modèle de Markov caché obtenu à l'étape S5 et, si la probabilité est supérieure au seuil, le processus passe à l'étape S8 pour la confirmation secondaire, sinon il est directement déterminé qu'il n’est pas une chute.
Étape S8, l'algorithme de positionnement EoA est utilisé pour calculer la position de la cible pendant la courte période qui suit l'événement de chute suspectée et le suivi de la cible. Si le mouvement dépasse le seuil, l'avertissement est désarmé, sinon la confirmation secondaire aboutit et la chute est confirmée.
Plus précisément, le calcul de positionnement est effectué sur la base du modèle d'atténuation du signalAmp (d) =(Amp 0 * exp (-α*d)comme illustré à la figure 5, où Amp0 représente l'amplitude initiale du signal de vibration et d représente la distance sur laquelle la vibration se propage, α est le coefficient d'atténuation basé sur le milieu de propagation. Pour trois géophones A, B et C, les amplitudes du signal reçu sont les suivantes :
A(d
1
) =(Amp
0
*
exp
(-α*d
1
), B(d
2
) =(Amp
0
*
exp
(-α*d
2
), C(d
3
) =(Amp
0
*
exp
(-α*d
3
)
oùd 1 , d 2 , d 3 sont respectivement les distances de la source de vibration aux trois géophones A, B et C. Ensuite, le rapport signal-énergie reçu par les géophones A et B est la suivante :
E AB =A 2 (d 1 )/ B 2 (d 2 )=(Amp 0 * exp (-α*d 1 ) /(Amp 0 * exp (-α*d 1 ))) 2 = exp (-2α*(d1-d2))
après avoir pris le logarithme :ln E AB =-2α(d 1 -d 2 ), puis passez la formule suivante:
après avoir pris le logarithme :ln E AB =-2α(d 1 -d 2 ), puis passez la formule suivante:
d 1 -d 2 =ln E AB /(-2α)=c 1 , d 1 -d 3 =ln E AC /(-2α)=c 2 où, sur la base du rapport signal-énergie obtenu à l'avance, on peut obtenirc 1 , c 2 obtenant ainsi la position de la source de vibration et réalisant le positionnement.
La présente invention permet d’obtenir le modèle de Markov caché formé en combinaison avec l’algorithme EoA, puis d’utiliser le modèle de Markov caché pour effectuer la détection de chute, détecter le signal de vibration en temps réel à travers le géophone et le moment où l’événement de chute se produit ou d’autres actions (tels que des choses qui tombent, etc.) qui génère un signal de vibration de grande énergie. Le système détecte alors le signal de vibration, extrait le signal de vibration en faisant le traitement de filtrage et de réduction de bruit, la détection de point d’extrémité, l’alignement GCC et l’extraction des caractéristiques du signal de vibration. Les caractéristiques générées du signal sont utilisées comme entrée du modèle de Markov caché et les résultats renvoyés par le modèle de Markov caché sont obtenus. Le signal de chute suspecté est ensuite confirmé par l'algorithme EoA et la conclusion est atteinte.
Cette mode de réalisation fournit également un système de détection de chute basé sur le modèle de Markov caché et l’algorithme EoA, qui adopte ledit procédé de détection de chute basé sur le modèle de Markov caché et l’algorithme EoA.
Ce qui précède est une description détaillée supplémentaire de la présente invention en relation avec les modes de réalisation préférées spécifiques, et les modes de réalisation spécifiques de la présente invention ne sont pas limités à la description. Pour les techniciens ordinaires concernés par la présente invention, il est possible d'effectuer un certain nombre d'extrapolations ou de remplacements simples, sans s'écarter de la conception de l'invention, qui devraient être considérés comme entrant dans le cadre de protection de la présente invention.
Claims (11)
- Un procédé de détection de chute de corps humain basé sur des signaux de vibration du sol, caractérisé en ce que le procédé comprend les étapes suivantes:
S1: collecte des signaux de vibration du sol par trois géophones;
S2: traitement de filtrage, traitement de réduction du bruit et traitement de segmentation de point d’extrémité sont effectués sur les signaux de vibration collectés pour déterminer point de départ et point d'arrivée d’un signal de vibration effectif;
S3: traitement d'alignement est effectué sur les signaux de vibration effectifs après traitement de segmentation de point d’extrémité;
S4: superposition des signaux de vibration effectifs des trois géophones, puis extraction des caractéristiques des signaux;
S5: les signaux caractéristiques extraits sont composés dans des ensembles d’entraînement pour apprentissage du modèle de Markov caché;
S6: les signaux de vibration du sol actuellement utilisés sont utilisés comme données de test qui sont traitées par traitement de données d’entraînement;
S7: calcul de la probabilité de chute avec le modèle de Markov caché, si ladite probabilité est supérieure à un seuil, une confirmation secondaire est effectuée, sinon ce n'est pas considérée comme une chute;
S8: application d’un algorithme de positionnement EoA pour suivre des coordonnées sur une courte période, si la plage mobile de la cible est inférieure à un seuil, la confirmation secondaire est une chute, sinon ce n'est pas une chute. - Procédé de détection selon la revendication 1, dans lequel, à l’étape S3, le signal de vibration effectif après traitement de segmentation de point d’extrémité est aligné par la méthode de corrélation croisée générale, et ladite opération spécifique du traitement d'alignement consiste à calculer le décalage entre les deux signaux de vibration effectifs, le signal de vibration effectif actuel est ensuite déplacé, seule la partie complète partagée entre les deux signaux de vibration est prise après le mouvement.
- Procédé effectif de détection selon la revendication 2, dans lequel, dans l’étape S3, une formule est adoptée:
- Procédé de détection selon l'une quelconque des revendications 1 à 3, dans lequel à l'étape S4, les signaux de vibration effectifs provenant des trois géophones sont superposés, traités par un filtre avec pondération, le signal est ensuite décomposé en plusieurs couches de composantes de fréquence différentes par transformée en ondelettes discrète, et calcule l'énergie correspondante à certains intervalles de temps, enfin, les caractéristiques énergétiques dans le domaine temporel et dans le domaine fréquentiel sont obtenues à l'aide de la formuleFeature = 10log 10 E,oùEest l'énergie déterminée initialement de chaque intervalle de temps à différents niveaux de fréquence, etFeatureest une caractéristique correspondante après transformation logarithmique.
- Procédé de détection selon la revendication 1, dans lequel l'état du modèle de Markov caché de l'étape S5 est égal à 7, l'état initial est égal à 1 et la fonction de probabilité observée en sortie de chaque état est composée par plusieurs fonctions de mélange gaussiennes, dans laquelle le nombre de fonctions de mélange gaussien est égal au nombre de couches de la décomposition par transformée en ondelettes discrète à l'étape S4, et chaque fonction de mélange gaussienne comporte trois composantes gaussiennes.
- Procédé de détection selon la revendication 1, dans lequel à l'étape S7, la probabilité que les données de test soient un signal de chute est calculée sur la base du modèle de Markov caché obtenu à l'étape S5, et s'il est supérieur au seuil, la confirmation secondaire est réalisée par l'étape S8, sinon il est directement déterminé qu'il n’est pas une chute.
- Procédé de détection selon la revendication 1, dans lequel à l'étape S8, l'algorithme de positionnement EoA (Nom complet Energie d'Arrivée) proposé par la présente invention est utilisé pour le positionnement, qui est basé sur le modèle d'atténuation du signalAmp (d)=Amp 0 * exp (-α*d)dans lequelAmp 0représente l'amplitude initiale du signal de vibration, etdreprésente la distance sur laquelle la vibration se propage,αreprésente le coefficient d'atténuation basé sur le milieu de propagation, puis la formule suivante est donnée:d 1 -d 2 =ln E AB /(-2α)=c 1 , d 1 -d 3 =ln E AC /(-2α)=c 2 oùd 1 , d 2 , d 3 sont respectivement les distances de la source de vibration aux trois géophones A, B et C,ln E AB =-2α(d 1 -d 2 )est le logarithme du rapport signal-énergie reçu par les géophones A et B, la position de coordonnées de la source de vibration peut être résolue par la formule ci-dessus.
- Procédé de détection selon la revendication 7, dans lequel à l'étape S8, l'algorithme de positionnement EoA calcule la position de coordonnées de la chute suspectée après que les données de test aient été reconnues comme une chute suspectée par le modèle de Markov caché, puis continue à calculer les coordonnées de la cible sur une courte période, si le déplacement dépasse le seuil défini, cela indique que l'utilisateur peut se déplacer normalement et qu'il n’est pas une chute, sinon la confirmation secondaire est transmise, et confirmée comme chute.
- Procédé de détection de chute selon l'une quelconque des revendications 1 à 3, dans lequel à l'étape S2, les signaux de vibration collectés sont soumis à traitement de filtrage et traitement de réduction de bruit en utilisant le filtre de Butterworth, et les composantes en courant continu et le bruit de basse fréquence sont éliminés par le filtrage passe-haut avec la fréquence de coupure de 10 Hz.
- Procédé de détection de chute selon l'une quelconque des revendications 1 à 3, dans lequel à l'étape S2, lors du traitement de segmentation de point d'extrémité, le segment entier du signal de vibration est d'abord soumis à un traitement de frame, puis la variance de chaque frame du signal est utilisée comme critère: lorsque la variance d'un certain frame du signal dépasse le seuil donné, le signal de vibration effectif est considéré comme apparaissant, et un signal d'une certaine longueur avant et après ce frame du signal est retrait comme signal de vibration après traitement de segmentation de point d'extrémité.
- Un système de détection de chute du corps humain caractérisé en ce qu'il comprend trois géophones et un processeur, le processeur exécute le procédé de détection de chute du corps humain sur la base des signaux de vibration du sol selon l'une quelconque des revendications 1 à 10.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047656.1A CN109805936B (zh) | 2019-01-18 | 2019-01-18 | 基于地面振动信号的人体摔倒检测系统 |
| CN201910047656.1 | 2019-01-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3091923A1 true FR3091923A1 (fr) | 2020-07-24 |
| FR3091923B1 FR3091923B1 (fr) | 2021-09-10 |
Family
ID=66603485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1904612A Active FR3091923B1 (fr) | 2019-01-18 | 2019-05-02 | Un système de détection de chute du corps humain basé sur des signaux de vibration du sol |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN109805936B (fr) |
| BE (1) | BE1026660B1 (fr) |
| FR (1) | FR3091923B1 (fr) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415415A (zh) * | 2019-08-02 | 2019-11-05 | 深圳大学 | 一种用于门禁系统的身份验证方法 |
| CN111554070A (zh) * | 2020-04-09 | 2020-08-18 | 珠海格力电器股份有限公司 | 一种智能地毯管理方法、系统、装置及存储介质 |
| CN112525336B (zh) * | 2020-11-18 | 2023-06-27 | 西安因联信息科技有限公司 | 一种机械设备振动连续增长的自动化检测方法 |
| CN113589191B (zh) * | 2021-07-07 | 2024-03-01 | 郴州雅晶源电子有限公司 | 一种电源故障诊断系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8909497B1 (en) * | 2010-04-06 | 2014-12-09 | Keynetik, Inc. | System and method for fall detection |
| CN102289911A (zh) * | 2011-07-19 | 2011-12-21 | 中山大学深圳研究院 | 一种基于热释电红外的跌倒检测系统 |
| CN103745569B (zh) * | 2013-12-30 | 2018-02-16 | 杨松 | 检测人体跌倒的方法和终端 |
| CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
| 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 |
| CN109084774B (zh) * | 2018-08-07 | 2022-07-26 | 西安电子科技大学 | 一种基于信道状态信息的无人机集群定位方法 |
-
2019
- 2019-01-18 CN CN201910047656.1A patent/CN109805936B/zh active Active
- 2019-04-25 BE BE20195278A patent/BE1026660B1/fr active IP Right Grant
- 2019-05-02 FR FR1904612A patent/FR3091923B1/fr active Active
Also Published As
| Publication number | Publication date |
|---|---|
| BE1026660B1 (fr) | 2020-04-22 |
| FR3091923B1 (fr) | 2021-09-10 |
| CN109805936B (zh) | 2021-08-13 |
| CN109805936A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BE1026660B1 (fr) | Un système de détection de chute du corps humain basé sur des signaux de vibration du sol | |
| Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
| WO2020103411A1 (fr) | Procédé, dispositif et système de détection de chute | |
| Lasseck | Acoustic bird detection with deep convolutional neural networks. | |
| EP3807669B1 (fr) | Localisation de sources sonores dans un environnement acoustique donné | |
| US20150221321A1 (en) | Systems and methods for identifying a sound event | |
| CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
| Himawan et al. | Deep Learning Techniques for Koala Activity Detection. | |
| EP3635718A1 (fr) | Traitement de donnees sonores pour une separation de sources sonores dans un signal multicanal | |
| Vasconcelos et al. | Counting mosquitoes in the wild: An internet of things approach | |
| Conde et al. | Weakly-supervised classification and detection of bird sounds in the wild. a birdclef 2021 solution | |
| Boulmaiz et al. | The use of WSN (wireless sensor network) in the surveillance of endangered bird species | |
| WO2015177172A1 (fr) | Contraintes conjointes de transitivite de differences temporelles et effet dopler multibandes pour la separation, caracterisation, et localisation de sources sonores par acoustique passive | |
| McQuay et al. | Deep learning for hydrophone big data | |
| CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
| Li et al. | Automated classification of Tursiops aduncus whistles based on a depth-wise separable convolutional neural network and data augmentation | |
| CN113990303A (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
| Abbot et al. | A real-time method for autonomous passive acoustic detection-classification of humpback whales | |
| CN115422962A (zh) | 一种基于毫米波雷达和深度学习算法的姿态和手势识别方法及装置 | |
| EP4046390A1 (fr) | Localisation perfectionnee d'une source acoustique | |
| CA3179399A1 (fr) | Systeme de reconnaissance et d'identification de sources sonores en temps reel | |
| Cunningham et al. | Simulated masking of right whale sounds by shipping noise: Incorporating a model of the auditory periphery | |
| Kottege et al. | Classification of underwater broadband bio-acoustics using spectro-temporal features | |
| De la Rosa et al. | On-site non-destructive measurement of termite activity using the spectral kurtosis and the discrete wavelet transform | |
| KR20180041072A (ko) | 오디오 프레임 프로세싱을 위한 디바이스 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20201211 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |