TWI624814B - Fall behavior detection method - Google Patents

Abstract

一種跌倒行為偵測方法，由一加速度感測單元與一計算單元實施。該加速度感測單元適於設置在一使用者的身上，該跌倒行為偵測方法包含以下步驟。首先，該加速度感測單元產生一加速度信號；接著，該計算單元利用一時間窗擷取該加速度信號的多個信號樣本；接著，該計算單元根據該等信號樣本產生多個加速度特徵值；接著，該計算單元利用一相關於時間序列的偵測模型來判斷是否該等加速度特徵值對應該使用者的跌倒行為。

Description

跌倒行為偵測方法

本發明是有關於一種行為偵測方法，特別是指一種跌倒行為偵測方法。

據統計，1200萬英國退休人口中有三分之一的人每年至少有一次跌倒的經歷，而且這些人中的三分之二在接下來的六個月內又會再次發生跌倒。而在美國，年齡超過75歲的老人約有三分之二每年有一次以上的跌倒經歷，而且他們當中的24%會因為跌倒而導致嚴重的身體傷害。而根據美國國家安全委員會報告指出，在65歲以上的人口中，跌倒所造成的死亡居所有意外死亡原因的第一位，占此年齡族群意外死亡的33%。而儘管老年人口約僅占全部人口之12%，超過65歲老年人口中死亡原因與跌倒有直接或間接關係的即超過74%。

因此，跌倒的自動偵測對於老年人而言至關重要，若能自動偵測到老年人的跌倒行為並進而及時救助跌倒的老年人，則能降低跌倒的老年人的傷殘率和死亡率。

因此，本發明之目的，即在提供一種能自動偵測跌倒行為的方法。

於是，本發明跌倒行為偵測方法，由一加速度感測單元與一計算單元實施。該加速度感測單元適於設置在一使用者的身上，該跌倒行為偵測方法包含一步驟(a)、一步驟(b)、一步驟(c)，及一步驟(d)。

該步驟(a)是該加速度感測單元產生一加速度信號。

該步驟(b)是該計算單元利用一時間窗擷取該加速度信號的多個信號樣本。

該步驟(c)是該計算單元根據該等信號樣本產生多個加速度特徵值。

該步驟(d)是該計算單元利用一相關於時間序列的偵測模型來判斷是否該等加速度特徵值對應該使用者的跌倒行為。

本發明之功效在於：能自動偵測該使用者的跌倒行為。

11~15‧‧‧步驟

2‧‧‧時間窗

a_xi‧‧‧x軸樣本值

a_yi‧‧‧y軸樣本值

a_zi‧‧‧z軸樣本值

f_i‧‧‧第一樣本值

q_j‧‧‧第二樣本值

O_j‧‧‧加速度特徵值

s₁~s₃‧‧‧隱藏馬可夫模型所包含的狀態

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一流程圖，說明本發明跌倒行為偵測方法的一實施方式所包含的步驟；圖2是一示意圖，說明利用一滑動的時間窗擷取信號樣本； 圖3是一曲線圖，說明對應一使用者的跌倒行為的加速度特徵值的變化；圖4是一狀態圖，說明本發明跌倒行為偵測方法所使用的隱藏馬可夫模型的態樣；及圖5A~5F均是曲線圖，分別例示步行、慢跑、坐下起立、前向跌倒、後向跌倒、側向跌倒的加速度特徵值的變化。

本發明跌倒行為偵測方法是由一包含一加速度感測單元與一計算單元的系統實施。在此，該加速度感測單元為一個三軸加速度器，該系統可為一行動裝置或一穿戴裝置，並適於設置在一使用者身上。

參閱圖1，以下說明本發明跌倒行為偵測方法的一實施方式所包含的步驟。

首先在步驟11，該加速度感測單元產生一對應該使用者當前動作行為的加速度信號，其中該加速度信號包含一x軸子信號、一y軸子信號，及一z軸子信號，且較佳地，每一子信號的取樣頻率均為100Hz。

接著在步驟12，參閱圖2，該計算單元利用一長度為0.5秒的時間窗2，擷取該加速度信號的多個信號樣本；其中，每一信號樣本包括一來自該x軸子信號的x軸樣本值、一來自該y軸子信號 的y軸樣本值，及一來自該z軸子信號的z軸樣本值。特別地，該時間窗2是一滑動的時間窗2；在一跌倒行為的偵測回合結束後，該時間窗2往前滑動0.1秒以擷取用於下一偵測回合所需的信號樣本，也就是說，本發明跌倒行為偵測方法是每隔0.1秒偵測該使用者是否有跌倒行為發生。

接著在步驟13，該計算單元根據該等信號樣本產生多個加速度特徵值。

詳言之，對於每一信號樣本，該計算單元先根據該信號樣本的該x軸樣本值a_xi、該y軸樣本值a_yi，及該z軸樣本值a_zi產生一第一樣本值f_i，其中。因為該等子信號的取樣頻率為100Hz，且該時間窗2的長度為0.5秒，所以在此會產生50個第一樣本值：{f_i|,i=1,2,...,50}。

該計算單元接著將該等第一樣本值f_i劃分成多個集合，並對於每一集合，計算該集合中的所有第一樣本值f_i的平均值而產生一第二樣本值q_j。在此，該計算單元是將該等第一樣本值f_i劃分成五個集合，因此會產生五個第二樣本值：{q_j|j=1,2,...,5}。

該計算單元接著對每一第二樣本值q_j進行一量化運算(quantization)而產生一加速度特徵值O_j，其中該量化運算如下： ，其中j=1,2,...,5，且g為重力加速度。

接著在步驟14，該計算單元計算該等加速度特徵值O_j在一相關於時間序列的偵測模型上的匹配概率(likelihood)；且當該匹配概率大於一預定門檻值時，進行步驟15，也就是該計算單元判斷該使用者發生了跌倒行為。在此，該偵測模型為一隱藏馬可夫模型(hidden Markov model,HMM)，但可不限於此，也可為其他用於辨識時間序列的偵測模型。此外，在一實施方式中，當該系統判斷出該使用者發生了跌倒行為，該系統可進一步向外發送一對應的警示訊息，例如發送該警示訊息給該使用者的親友所持用的行動裝置，以通知該使用者的親友此跌倒行為的發生。

參閱圖3，跌倒行為是人身體突然失去平衡，意外倒地的現象。在跌倒過程中，人的受力情況會體現在身體加速度變化上。跌倒過程依次包括四個階段：跌倒前階段，失衡階段，跌倒階段和跌倒後階段。其中跌倒前階段為失衡開始前的階段；失衡階段開始後，身體在短時間內處於失重狀態，該加速度特徵值向0g趨近；在跌倒階段，該加速度特徵值變化反復，數值變化幅度大；而在跌倒 後階段，該加速度特徵值的變化趨於平穩。據此，如圖4所示，本發明所使用的該隱藏馬可夫模型具有三個狀態(state)，分別是s₁、s₂，及s₃；其中s₁對應跌倒前階段、s₂對應失衡階段，且s₃對應跌倒階段。此外，該隱藏馬可夫模型的訓練(training)與該匹配概率的計算乃是本發明所屬技術領域的具有通常知識者所熟悉的技術，因此其細節不在此贅述。

為了驗證本發明跌倒行為偵測方法的有效性，本發明的發明人收集了十位受測者的測試資料並進行實驗分析；其中，參閱下列表一，該測試資料的產生方式如下：每一受測者模擬老年人的日常活動行為，包括行走、慢跑、坐下起立、前向跌倒、後向跌倒，及側向跌倒等六種活動動作，每種行為重複五次，且除了步行和慢跑兩種活動的實驗時長為20秒之外，另四種活動均在五秒內完成。如此，每一活動動作對應有50筆數據，且總共有300筆數據，其中跌倒行為樣本有150例，日常活動樣本有150例。

參閱圖5A~5F，該等圖式分別顯示了步行、慢跑、坐下起立、前向跌倒、後向跌倒、側向跌倒的加速度特徵值曲線圖，及該滑動的時間窗2所對應的加速度特徵值在該隱藏馬可夫模型上的匹配概率的變化曲線；其中分別以實線和虛線來繪製加速度特徵值曲線與匹配概率的變化曲線。從圖5A~5C可觀察到，步行、慢跑、坐下起立等三種活動行為均未發生跌倒，該滑動的時間窗2在任何 時刻對應的加速度特徵值都不匹配跌倒過程的加速度特徵，所以根據該隱藏馬可夫模型所計算得到的匹配概率為零。而圖5D~5F均對應跌倒行為，在跌倒發生後，加速度特徵值向0g接近，此時身體正經歷失衡狀態，之後身體與低勢面發生碰撞，也就是發生跌倒，此時加速度特徵值劇烈升高。當該滑動的時間窗2移動到該跌倒的時點時，加速度特徵值匹配跌倒過程的加速度特徵，因而所計算出的匹配概率明顯升高，匹配概率曲線呈現峰值的變化狀態；且所計算出的匹配概率大於該預定門檻值，於是偵測到跌倒發生。碰撞發生之後，身體已與地面接觸，身體運動狀態不再匹配跌倒過程，發生跌倒的匹配概率降低至零。

進一步地，在實驗中，採用五折交叉檢驗(5-fold cross-validation)來對該隱藏馬可夫模型的偵測效果進行測試。其中，將跌倒行為樣本平均分為五組，每組的樣本從跌倒行為樣本 中隨機抽取，數量為30；輪流將其中四組跌倒資料用來訓練該隱藏馬可夫模型，剩餘一組跌倒資料與日常活動樣本用於模型測試。

在實驗中，使用準確率，靈敏度和特異性作為跌倒偵測效能的三項評價指標，其中該等評價指標均愈高愈佳，且分別定義如下： 其中TP為跌倒樣本中被偵測為跌倒的數量；TN為未跌倒樣本中被偵測為未跌倒的數量；FP為未跌倒被偵測為跌倒的數量；FN為跌倒的樣本被偵測為未跌倒的數量。

參閱下列表二，在使用五組測試集對本發明跌倒行為偵測方法進行驗證的結果中，準確率均達到了95%，第二組測試集的準確率達到了98.89%，為五組測試集中的最高值，準確率最低為第五組的95%；靈敏度最高值為93.33%，最低值為70%；特異性的結果中有三組達到了100%，最低為98.67%。而五組測試集的平均準確率、平均靈敏度和平均特異性分別為97.33%、86%，及99.6%。實驗結果說明了本發明跌倒行為偵測方法能有效地自動偵測出使用者的跌倒行為。

綜上所述，本發明跌倒行為偵測方法，藉由設置於該使用者身上的該加速度感測單元產生該加速度信號，該計算單元利用該滑動的時間窗擷取信號樣本並產生對應的多個加速度特徵值，且計算該等加速度特徵值在該隱藏馬可夫模型上的匹配概率，能自動偵測是否該使用者發生了跌倒行為，故確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

Claims (6)

1. 一種跌倒行為偵測方法，由一加速度感測單元與一計算單元實施，該加速度感測單元適於設置在一使用者的身上，該跌倒行為偵測方法包含以下步驟：(a)該加速度感測單元產生一加速度信號，其中該加速度信號包含一x軸子信號、一y軸子信號，及一z軸子信號；(b)該計算單元利用一時間窗擷取該加速度信號的多個信號樣本，其中每一信號樣本包括一來自該x軸子信號的x軸樣本值、一來自該y軸子信號的y軸樣本值，及一來自該z軸子信號的z軸樣本值；(c)該計算單元根據該等信號樣本產生多個加速度特徵值，其中對於每一信號樣本，該計算單元根據該信號樣本的該x軸樣本值、該y軸樣本值，及該z軸樣本值產生一第一樣本值，且該計算單元根據該等第一樣本值產生該等加速度特徵值；及(d)該計算單元利用一相關於時間序列的偵測模型來計算出一相關於該等加速度特徵值的匹配概率，且根據該匹配概率判斷是否該等加速度特徵值對應該使用者的跌倒行為。
2. 如請求項1所述的跌倒行為偵測方法，其中在該步驟(c)，該第一樣本值為該x軸樣本值、該y軸樣本值，及該z軸樣 本值的平方和的平方根。
3. 如請求項1所述的跌倒行為偵測方法，其中在該步驟(c)，該計算單元將該等第一樣本值劃分成多個集合，並對於每一集合，根據該集合中的所有第一樣本值產生一第二樣本值，且該計算單元根據該等第二樣本值產生該等加速度特徵值。
4. 如請求項3所述的跌倒行為偵測方法，其中在該步驟(c)，每一第二樣本值為所對應集合中的所有第一樣本值的平均值。
5. 如請求項3所述的跌倒行為偵測方法，其中在該步驟(c)，對於每一第二樣本值，該計算單元對該第二樣本值進行一量化運算而產生一加速度特徵值。
6. 如請求項1所述的跌倒行為偵測方法，其中在該步驟(d)，該偵測模型為一隱藏馬可夫模型。