[发明专利]一种老人跌倒监测装置及跌倒风险评估方法

摘要

本发明公开了一种老人跌倒监测装置，包括惯性传感模块、足底压力传感模块、信息接收通讯模块以及移动处理终端；惯性传感模块负责采集人体行走过程中的步态运动信息，足底压力传感模块负责采集人体行走过程中的步态压力信息，信息接收通讯模块分别连接着惯性传感模块、足底压力传感模块，负责接收惯性传感模块和足底压力传感模块的数据信息，并与移动处理终端通信连接，将数据信息发送至移动处理终端，由移动处理终端处理判断是否跌倒。本发明还提供了一种老人跌倒风险评估方法，通过惯性传感模块与足底压力传感模块结合的方式采集姿态与步态信息，提高了跌倒监测以及风险评估的准确性。

主权项

1.一种老人跌倒监测装置，其特征在于：包括惯性传感模块、足底压力传感模块、信息接收通讯模块以及移动处理终端；所述惯性传感模块设在人体躯干下部，负责采集人体行走过程中的步态运动信息；所述足底压力传感模块设在鞋上，负责采集人体行走过程中的步态压力信息；所述信息接收通讯模块，分别连接着惯性传感模块、足底压力传感模块，负责接收惯性传感模块和足底压力传感模块的数据信息，并与移动处理终端通信连接，将惯性传感模块和足底压力传感模块采集的数据信息发送至移动处理终端，由移动处理终端处理判断是否跌倒；移动处理终端对跌倒监测评估包含，第一：是基于惯性运动数据的步态、姿态分类模型；第二：是基于足底压力数据的步态分类模型；第三：是基于贝叶斯概率模型的多模态分类结果融合机制；基于惯性运动数据的跌倒与可致跌倒动作识别模型有如下步骤：步骤1：数据预处理：采用常规的中值滤波对采集信息数据进行处理，此外，由于通信网络问题所造成的数据丢包可以通过线性或者非线性插值法插补；步骤2：特征计算：首先对信号进行分窗处理，即采用一个特定窗长的滑动窗按照时间顺序进行滑动，窗长由采样频率和人体动作特点决定，相邻窗之间采用半窗重叠机制；针对当前分析窗内的信号，先提取加速度、角速度在各个方向的均值、方差、最大值、最小值、翘度、斜度等常规统计量外，如果能够做出简易判断，则停止处理，否则进一步提取一些非线性特征如多尺度熵、谐波比和定量递归分析；步骤3：特征选择：由于加速度和角速度信号一般至少是3通道，针对每一个通道拟提取的特征超过10种，故特征向量的长度接近100维；基于互信息的方法或无监督学习的方法对特征进行排序，挑选出一特征子集合；步骤4：将特征向量输入分类器实现识别：通过大量离线数据的采集和标注来进行分类器训练，移动处理终端内设一个已经训练好的分类器模型来进行新样本的分类和识别；基于足底压力数据的跌倒与可致跌倒动作识别模型为：采用连续变量的隐马尔可夫模型来对不同采集部位的压力变化规律进行建模，柔性阵列压力传感器设置在后跟、大脚拇指、第一跖趾处、第四跖趾处，假设各点处的压力分别为在HMM模型当中，这些压力变量均为观察变量，不同时刻的状态变量为q_t，其物理意义为单脚在动力学上的状态，可能的取值为初始接触、前蹬、后蹬、腾空，通过训练获取不同压力感应点在不同状态下的条件概率和状态转移概率矩阵A，并由此判断当前时刻单脚的动力学状态，再根据双脚状态交替的生物力学特点来推断是否有跌倒动作发生；基于贝叶斯概率模型的多模态分类结果融合机制，其具体步骤如下：首先为不同通道的加速度、角速度、足底压力分布数据分别产生一个分类器，并计算不同分类器的后验概率结果，然后对不同分类器的分类输出选择最大、最小、和以及乘积准则进行融合；其中，最大准则：最小准则：和准则：乘积准则：其中，ω_i，i＝1...n为n个已知的类别；x_j，j＝1...m为m个不同的特征向量，P(ω_i|x_j)，i＝1...n，j＝1...m为特征向量x_j所训练的分类器的输出。