[发明专利]一种基于腕带式设备的跌倒检测算法

权利要求书

1.一种基于腕带式设备的跌倒检测算法，其特征在于，包括以下步骤：

步骤1：采集数据

将三轴加速度传感器节点佩戴在手腕处采集加速度信息，采样频率选择为20Hz；

步骤2、获取特征值

将步骤1采集的加速度数据转换为期望获取的特征值的，通过Shimmer节点进行算法验证，Shimmer节点内部集成的三轴加速度传感器采集的数据是电压值，经过对其进行校正获得加速度值，加速度值转换成为角度值，通过角度值能够直观的了解佩戴人员的动作姿态以及活动规律；计算角度的梯度值，根据数据之间的变化规律得出倾角梯度数据，利用分组数据求方差的方法获得最终的特征值；

步骤3、跌倒检测

采集获得倾角梯度方差作为特征值后，需要选取阈值作为不同行为判断的标准；本处采用双阈值的跌倒检测算法进行跌倒检测，对比正常行为与跌倒行为特征值选取预定阈值；对跌倒事件发生时刻以及跌倒发生后的下一个时刻特征值数据进行阈值判断，从而判断是否发生跌倒行为。

2.根据权利要求1所述的一种基于腕带式设备的跌倒检测算法，其特征在于，所述的步骤2包括以下内容：

2.1校正“电压值转换为加速度值”

将Shimmer平台和Shimmer 9DOF Calibration应用程序通过Bluetooth连接，设置加速度的灵敏度范围为6g；首先，对Shimmer平台进行X轴校正，将节点放在水平面上，X轴正方向垂直向下，并按下Shimmer 9DOF Calibration应用程序中的校正程序上的X+g按钮获取数据；然后再将X轴负方向垂直向上，并按下Shimmer 9DOF Calibration应用程序中的校正程序上的X-g按钮获取数据；按照上述步骤对Y轴和Z轴依次校正；最终得到三轴加速度传感器的偏移矩阵、敏感度矩阵和校准矩阵；

其中三轴加速度数据和电压值数据、偏移矩阵、敏感度矩阵以及校准矩阵之间的关系如式1所示：

c＝R^-1.K^-1.(u-b) (1)

其中c——校正后的3×1的校正后数据矩阵，单位为m/s²；

R——3×3的校准矩阵；

K——3×3的敏感度矩阵，单位为mV/m/s²；

u——3×1的原始加速度数据矩阵，单位为mV；

b——3×1的偏移矩阵，单位为mV。

由式2以及校正所得的偏移矩阵、敏感度矩阵和校准矩阵，将原始的三轴电压值信号转化为实际的加速度数据；通过校正程序，将采集数据的节点进行数据校正；获得的偏移矩阵、敏感度矩阵和校准矩阵分别为：

偏移矩阵：[2038,2121,1960]^T

在离线计算过程中，不考虑计算复杂度影响，计算机直接使用校正矩阵；当进行在线计算，数据计算能力比较弱，那么将校验矩阵进行近似处理；

2.2加速度转换为倾角

ρ=arctan(AxAY2+AZ2)---(2)]]>

φ=arctan(AYAX2+AZ2)---(3)]]>

θ=arctan(AX2+AY2AZ)---(4)]]>

从式(2)、(3)以及(4)能根据加速度获得最终的倾角数据；其中A_X，A_Y，A_Z是X轴，Y轴以及Z轴的加速度；ρ,分别是三轴加速度传感器的X轴，Y轴与水平面之间的角度；θ是Z轴与重力加速度方向的角度；

2.3阈值获取

由公式(2)、(3)以及(4)得到了三组角度值。对每一组的角度进行下面的计算：

xi=Ai-Ai-1Δt---(5)]]>

s2=1nΣi=1n(xi-x‾)2---(6)]]>

由式(5)能得到角度的梯度值，其中Ai是第i个角度值；式(5)中Δt表示采样间隔，式(6)中n是窗口数据量大小；公式(6)获得倾角梯度方差s²就是倾角梯度跌倒检测算法的特征值。