[发明专利]一种基于手机的老人跌倒检测方法

说明书

技术领域

本发明涉及电子信息检测技术领域，具体是一种基于手机的老人跌倒检测方法。

背景技术

21世纪被人们称作“银发世纪”，在全球范围内，老龄化的浪潮早已滚滚而来。根据2013年民政部的统计数据和全国老龄办发布的《中国老龄事业发展报告》，截止到2012年底，全国60岁及以上老年人口已达1.94亿，占总人口的14.3％。卫生部公布的《中国伤害预防报告》中指出，跌倒是老年人意外伤害的首要原因。我国65岁以上的社区老年人中，男性至少有1/5的人曾跌倒过，女性跌倒的比例则接近1/2，跌倒是老年人群伤残、失能和死亡的重要原因之一。跌倒会造成老年人骨折、软组织甚至脏器的损伤，它严重影响了老年人日常生活能力、身体健康及精神状态，限制了老年人的活动范围，导致老年人严重心理或社会障碍，成为诱发老年人死亡的重要因素之一。跌倒对老年人造成的损伤程度比对年轻人严重的多，实际上老年人跌倒带来的严重后果并不是由跌倒直接造成的，而是在跌倒以后没有得到及时的医疗救助，导致了“长躺”的发生。对于单独居住的老年人来说，他们在跌倒以后常常得不到及时的救助。因此，如何降低因老人跌倒产生的风险并最大限度地减少跌倒的损害，往往是子女家属们最关心的问题，能够及时准确地检测老年人跌倒事件的发生，就显得及其重要，对此国内很多学者及研究机构对老年人跌倒检测领域展开了深入的研究，从实现形式、网络架构、感知方式、报警形式等不同的手段多方位的研究了老年人跌倒事件的检测机制，而且也取得了一定的进展。但现有的跌倒方案大多只是应用在外部可穿戴设备上，基于手机平台的跌倒检测很少，而且大部分只使用了加速度传感器，对于采集到的包含大量噪声的传感器信息没有进行滤波处理，跌倒算法相对单一，大多采用阈值判断的算法，检测的准确率和实时性不高，而且少数采用机器学习的算法的方案，所需要学习时间较长，并不适用于手机移动设备。

小波滤波是十年来小波分析在信号处理技术中应用的一个重要领域，与传统的滤波方法相比，具有独特的优势，利用小波变换具有的高低频分离的特点，可在不丢失原信号重要信息成分的前提下，将原信号进行滤化处理，消除了噪音信息，重构出更加清晰的特征，从而提高了信号的清晰度，为信号的预处理提供了更加方便的条件。该信号特征提取的方法，与傅氏变换相比较，具有多项明显的优点。一般地，有用信号通常表现为低频信号或者是一些比较平稳的信号，而噪声信号则通常表现为高频信号。利用小波滤波进行消噪过程主要进行以下处理：首先对原始的信号进行小波分解，则噪声部分通常包含在高频系数中；然后对小波分解的高频系数以门限阈值等形式进行量化处理；最后再对信号重构达到消噪的目的。对信号消噪实质上是抑制信号中的无用部分，恢复信号中有用部分的过程。

SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。SVM的主要思想可以概括为两点：(1)它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；⑵它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习分类器得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。

发明内容

本发明的目的在于提供一种基于手机的老人跌倒检测方法，利用手机内置的三轴加速度传感器和陀螺仪传感器自动地采集传感器信息，运用小波滤波算法滤除采集到的干扰信息，利用PCA特征提取方法从滤波后的传感器信息中提取特征向量，运用改进的SVM机器学习算法训练特征向量，形成跌倒识别分类器，调用分类器完成跌倒识别。

为实现上述目的，本发明提供如下技术方案：

一种基于手机的老人跌倒检测方法，包括以下步骤：

步骤1)：采集手机的三轴加速度传感器和陀螺仪传感器信息，获取三轴加速度传感器的x轴、y轴、z轴的加速度，陀螺仪传感器的x轴、y轴、z轴的角加速度；

步骤2)：对采集到的加速度和角加速度，利用小波滤波的方法进行滤波，得到滤波后的加速度和角加速度；

步骤3)：分别对滤波后的加速度和角加速度构造时域特征向量，按时间区间作为分析范围，引入一个截取时间片段的窗口，整合所有窗口内的时间区域的特征向量，分别形成三轴加速度传感器和陀螺仪传感器的特征向量；

步骤4)：从形成三轴加速度传感器和陀螺仪传感器的特征向量中，选择提取具有跌倒属性的特征向量，并利用PCA进行特征提取选取主要的跌倒特征，得到跌倒的加速度和角加速度的特征向量；