[发明专利]一种多传感器融合的腕式跌倒检测方法及装置

说明书

技术领域

本发明涉及跌倒检测领域，尤其涉及一种多传感器融合的腕式跌倒检测方法及装置。

背景技术

基于视频图像的跌倒检测系统：此系统将一个或者是几个视频采集摄像头固定安装在房间内，以此捕捉人体活动的图像。捕捉到的图像经过相关的算法进行分析处理，进而提取到跌倒图像的特征，来判定跌倒行为的发生。

基于穿戴式设备的跌倒检测系统：此类系统大多佩戴在人体的固定部位，一般佩戴于胸部、腰部、腿部以及腕部等部位。通过在设备中加入相关的姿态传感器，从而形成可穿戴检测设备，采集实验对象在运动过程中通过传感器输出的数据来分析并检测跌倒行为。

基于视频图像的跌倒检测系统受空间区域限制，系统只能安装在室内的某个固定位置，当被检测者离开视频摄像头的可检测范围时，系统就无法实现跌倒检测，因此限制了被检测者的活动范围；其次是视频图像具有延时性，可能导致活动行为的检测实时性受到影响，图像质量也会因系统所在环境因素影响；最后视频图像采集涉及了被检测者的个人隐私，如果被他人获取，被检测者的个人隐私将无法得到保证。

基于腰部和腿部穿戴式设备的跌倒检测系统，其佩戴不方便，跌倒检测系统设计较为单一，外观和使用都得不到用户所要求的效果。

因此，提供一种实时采集人体活动姿态数据，对采集到的数据进行分析融合后提取特征向量，并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为的基于传感器数据融合的多传感器融合的腕式跌倒检测方法及装置是本领域技术人员需要解决的技术问题。

发明内容

本发明实施例提供了一种多传感器融合的腕式跌倒检测方法及装置，通过实时采集人体活动姿态数据，对采集到的数据进行分析融合后提取特征向量，并通过基于阈值定位和支持向量机的二级判定算法来判定是否发生跌倒行为。

本发明实施例提供了一种多传感器融合的腕式跌倒检测方法及装置，包括：

S1：在主控芯片接收到微处理器通过三轴加速度和三轴陀螺仪传感器采集的动作数据并对所述动作数据进行低通滤波处理后，获取到低通滤波处理后的数据；

S2：根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积；

S3：确定所述合加速度、合角速度和信号幅值面积的最大特征值；

S4：判断所述最大特征值是否满足预置阈值，若满足，则识别所述动作数据对应的动作为跌倒动作，若不满足，则识别所述动作数据对应的动作不为跌倒动作。

优选地，所述动作数据包括：三个分加速度和三个分角速度。

优选地，所述根据所述低通滤波处理后的数据进行特征提取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积具体包括：

根据所述低通滤波处理后的数据，对加速度强度向量、信号幅值面积、失重时长、冲击时长、加速度方差、陀螺仪合成角速度和陀螺仪偏转角度进行特征选取计算，得到所述低通滤波处理后的数据对应的合加速度、合角速度和信号幅值面积。

优选地，所述确定所述合加速度、合角速度和信号幅值面积的最大特征值具体包括：

循环遍历所述合加速度、合角速度和信号幅值面积，得到所述合加速度、合角速度和信号幅值面积得最大特征值。

优选地，所述对加速度强度向量进行特征选取计算应用的公式为：

式中，SMV为三轴合成加速度；A_x、A_y、A_z分别为X轴、Y轴、Z轴的加速度值。

优选地，所述对信号幅值面积进行特征选取计算应用的公式为：

式中，SMA为信号幅值面积；T为一个时间窗口的大小。

优选地，所述对失重时长进行特征选取计算应用的公式为：

TWL＝T_L-T₀

式中，T_L为SMV的有效输入数据中，从疑似跌倒数据开始，连续类失重数据中最后一个点对应的数据采集时间；T₀是指第一个数据点所对应的时间；

所述对冲击时长进行特征选取计算应用的公式为：

为冲击最大值点对应的数据采集时间，为类自由落体阶段最小值点对应的数据采集时间。

优选地，所述对加速度方差进行特征选取计算应用的公式为：

式中，SVM_i为合加速度某一时刻的数值，为在此窗口时间内的平均值。