[发明专利]一种跌倒检测方法

说明书

技术领域

本发明涉及跌倒检测领域，具体涉及跌倒检测算法。

背景技术

随着社会的不断发展，老年化已经成为当今社会不可避免的一个全球性趋势。老年人在日常生活中的安全防范，日益成为社会关注的热点，跌倒是老年人的危险杀手，老年人却容易跌倒。针对这一问题，除了必要的防范措施之外，若能在老年人发生摔倒的最短时间内，对老年人进行及时有效的救助，可避免因跌倒带来的严重后果。因此，跌倒检测有着十分重要的意义，当异常情况发生时，能够及时地做出报警处理，使得摔倒的老年人能够得到及时的救助。

然而，跌倒检测遇到的情况复杂，难以实现，具体难点如下：

(1)难以获取老年人真实的跌倒数据用于跌倒检测模型及算法的设计；

(2)在利用三轴加速度计获取的人体运动数据中，跌倒类与非跌倒类数据特征存在着很大的交集，难以建立有效的数学模型进行区分，容易造成误判和漏判；

(3)由于个体特征的差异，如性别、身高、体重、年龄等影响，会造成跌倒检测过程中的数据差异，增加了跌倒检测模型及算法的设计难度；

(4)目前基于穿戴式的跌倒检测模型及算法主要有两类：一是过程检测，通过对人体加速度数据的阈值判断；二是姿态识别，通过跌倒检测前后的姿态对比，判断是否跌倒。这两种方法都利用设定的阈值进行跌倒检测，缺乏自学习机制，跌倒检测的正确率不高。

发明内容

有鉴于此，本发明的目的是提供一种跌倒检测方法，该方法简单、精度高、计算量小以及具有自学习能力，适用于跌倒检测，解决现有跌倒方法存在的主要问题，提高检测精度。

本发明的目的是通过以下技术方案来实现的，一种跌倒检测方法，具体包括以下步骤：

步骤S1.获取三轴加速度传感器值，并计算合加速度；

步骤S2.若合加速度值小于合加速度的阈值，跳转步骤S1，若合加速度值大于合加速度的阈值，执行步骤S3；

步骤S3.计算检测结果，根据跌倒检测模型和检测结果进行跌倒判断。

所述跌倒检测模型通过以下方法获得：

步骤S11.测试大量的跌倒类与非跌倒类数据；

步骤S12.利用滑动窗口对步骤S11中的数据进行截取；

步骤S13.计算滑动窗口内数据的特征量；

步骤S14.对特征量进行离散化处理；

步骤S15.将离散化处理后的数据作为神经网络的输入，进行学习训练生成跌倒检测模型。

所述特征量包括合加速度的最大值A_max与最小值A_min、合加速度最大值与最小值之间的时间间隔Δt、合加速度的方差D(A)、合加速度的平均值E(A)、滑动窗口内X方向时间序列前后k个点的平均值X₁,X₂。

所述检测结果的计算方法为：

S31.当合加速度值大于合加速度的阈值时，利用滑动窗口截取数据；

S32.计算窗口内数据的特征量；

S33.对特征量进行离散化处理；

S34.将离散化处理后的数据作为神经网络的输入，神经网络的输出作为检测结果。

所述特征量包括合加速度的最大值A_max与最小值A_min、合加速度最大值与最小值之间的时间间隔Δt、合加速度的方差D(A)、合加速度的平均值E(A)、滑动窗口内X方向时间序列前后k个点的平均值X₁,X₂。

所述当检测结果判断为跌倒时，则发出报警；当检测结果为非跌倒时，将窗口向后滑动n个点截取数据，执行步骤S1。

所述检测结果为：P＝f(yl+b)，其中

y＝f(xw_i+b_i)

激活函数f(x)为双极S型函数：

w_i，b_i，l，b为BP神经网络训练的权值：