[发明专利]一种基于腕带式设备的跌倒检测算法

说明书

技术领域

本发明涉及一种基于腕带式设备的跌倒检测算法，属于人体行为识别技术的研究和应用。

背景技术

当今社会人口老龄化越来越严重，卫生部的最新资料表明跌倒是我国65岁以上老年人死亡的首位原因，老人跌倒造成的伤害和老年人跌倒死亡率随着年龄急剧上升，所以对老年人的跌倒进行及时的发现以及救治是至关重要的。现在空巢老人越来越多，研究表明，全国有4700万老人处于独居状态。老人跌倒如果发生在室内或者无人察觉，会导致无法进行及时救治和通知家属，导致老人的生命受到极大的威胁。跌倒检测技术就是及时、准确的发现老人跌倒事件，对跌倒事件能够进行及时的报警、通知家人以及急救中心，让老人能够在最短时间内得到救治和帮助。

跌倒检测的方法多种多样，现阶段跌倒检测的主要差异在于数据的采集和数据处理算法。数据的采集设备和方式包括可穿戴设备、音频设备和视频设备。数据处理算法包括使用分类器算法、阈值判断和模式识别等方法。三种数据采集的方法各有不同，它们具有各自的优点和缺点。视频数据采集中，老人不需要身体佩戴任何设备、易于配置和多功能性、准确率高等优点，但是受到环境和空间的限制，并且涉及隐私问题；音频数据采集最大的优点就是老人无须进行佩戴设备，减少老人的负担，但是检测的准确度偏低，实用性较差并且无法应用于室外坏境；穿戴式设备数据采集具有造价低，覆盖范围广，容易使用等优点。但是其准确率较低，设备的佩戴舒适度、减少佩戴传感器的数目、节点能耗问题等问题都是急需解决的问题。对于基于传感器的跌倒检测算法，目前国内外的研究趋势主要是基于特征值阈值检测，即特征值超过一定的阈值，即判断为跌倒行为，但是这种方法阈值的选取至关重要，阈值选取将直接影响最终判决结果。阈值算法具有算法复杂度低、延时小等优点，但是阈值大小的选取、特征值选择和准确率低等都是阈值选择必须解决的问题。

发明内容

针对上诉问题中存在的不足之处，本发明提出了一种基于腕带式设备的跌倒检测算法。

为了解决以上问题本发明提供了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。

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。