基于壓力與加速度傳感器的跌倒檢測方法與流程

本發明涉及無人智能監測技術領域，具體涉及一種基于壓力與加速度傳感器的跌倒檢測方法。

背景技術：

在人體下肢動作識別的研究中，除了對人體正常的下肢行為進行識別之外，跌倒檢測作為一種特殊的動作識別也成為研究者關注的熱點。目前，隨著世界人口走向老齡化，老年人摔倒的危害也正在逐步凸顯。據醫療調查顯示：跌倒導致的死亡已經成為我國人口死亡率的第四大因素，超過33％的社區老人和超過60％的養老院老人平均每年都會發生一次摔倒，如果老年人在跌倒之后不能得到及時的治療，將可能會導致癱瘓甚至死亡等嚴重后果。隨著我國社會的老齡化，2030年我國老齡人口將接近3億人次,屆時空巢老人比例可能達到90％。為了提高老人的健康生活，為這一群體提供更有保障的醫療看護，實現無人智能監測，跌倒檢測的研究具有重要的現實意義。近年隨著模式識別和人工智能技術的提升，如何精準及時的檢測生活中的跌倒問題已經成為研究的熱點之一。

技術實現要素：

本發明的目的是為了解決現有技術中的上述缺陷，提供一種基于壓力與加速度傳感器的跌倒檢測方法，該方法利用壓力傳感器與加速度傳感器相結合進行跌到檢測，可實現對跌倒動作準確實時的判斷。

本發明的目的可以通過采取如下技術方案達到：

一種基于壓力與加速度傳感器的跌倒檢測方法，所述跌倒檢測方法包括：

s1、檢測壓力傳感器采樣值是否小于設定壓力閾值λ，若小于則認為動作開始，進入步驟s2；

s2、計算z負軸方向的速度vsz-，進入步驟s3；

s3、檢測壓力是否大于設定壓力閾值λ，若是，則該動作為非跌倒動作，回到步驟s1，否則進入步驟s4；

s4、計算速度vsz-是否小于速度閾值vthr，若小于速度閾值vthr，則認為存在跌倒動作的可能，進入步驟s5，否則回到步驟s2；

s5、緩存三軸加速度信號作為疑似跌倒序列；

s6、緩存過程中持續判斷壓力傳感器采樣值是否大于設定壓力閾值λ，若是，則判定該動作為非跌倒動作，回到步驟s1，否則進入步驟s7；

s7、根據z軸加速度序列判斷是否進入準靜止狀態或者緩存時間超過時間閥值t，若是，則進入步驟s8，否則繼續緩存疑似跌倒序列；

s8、提取緩存的疑似跌倒序列的特征，包括：三軸加速度傳感器信號用db4小波進行4層分解后第三層與第四層細節系數的小波能量、重力與z軸負方向的夾角θ、三軸加速度傳感器信號的四分位差，進入步驟s9；

s9、使用訓練好的模型進行分類判斷，確定是否跌倒。

進一步地，所述z負軸方向的速度vsz-用于判定當前動作是否為疑似跌倒動作，取值為zs[n]序列小于0部分積分：

其中，序列zs[n]為下式：zs[n]＝z[n]-9.8，所述z負軸方向的速度vsz-的物理意義為在z軸負方向上的速度大小，fs表示加速度值的采樣頻率。

進一步地，所述準靜止狀態定義為下式:

其表示z軸方向的長度為n加速度序列z[n]標準差小于γ。

進一步地，所述壓力傳感器與所述加速度傳感器設置于鞋墊下方足跟位置，選取左右腳其中一只進行設置。

進一步地，所述壓力閾值λ的取值為50，所述速度閾值vthr的取值為-7m/s²，所述時間閥值t的取值為3s。

進一步地，用于分類判斷的模型為支持向量機模型，分類的正類為跌倒動作，負類為非跌倒動作。

進一步地，所述支持向量機模型采集若干個跌倒動作的樣本和若干個非跌倒動作的樣本用作支持向量機模型的訓練，其中，所述非跌倒動作包括：躺下、坐下、翹小腿、蹲下、跪下、架腿、踢腿。

本發明相對于現有技術具有如下的優點及效果：

本發明公開的基于壓力與加速度傳感器的跌倒檢測方法通過對壓力值的大小區分每個動作的起始，并先判斷每個動作是否為疑似跌倒動作，再對疑似跌倒動作提取特征作進一步跌倒判斷，可以大大提高對跌倒動作識別的準確率；在實時性方面，本發明所提方式可以在跌倒動作結束后立即做出判斷，實時性較強。

附圖說明

圖1是本發明方法中壓力傳感器以及加速度傳感器放置示意圖；

圖2是加速度傳感器坐標系示意圖；

圖3是本發明中公開的基于壓力與加速度傳感器的跌倒檢測方法的跌倒檢測流程圖；

圖4是支持向量機分類混淆矩陣。

具體實施方式

為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

實施例

首先是加速度傳感器數據以及壓力傳感器的放置，圖1是壓力傳感器與加速度傳感器的放置示意圖(右腳)，其主要放置于鞋子里面，鞋墊下方足跟位置，左右腳均可，選取其中一只進行放置即可，本實施例選擇將加速度傳感器數據和壓力傳感器放置在右腳。圖2為按照圖1放置加速度傳感器后其坐標系示意圖，在鞋子水平放置時，正前方為y軸正軸，豎直方向向下為z軸方向，水平面正右方為x軸正軸，從加速度傳感器中采集的加速度序列x軸記為x[n]，y軸記為y[n]，z軸記為z[n]。

本發明定義序列zs[n]為式(1):

zs[n]＝z[n]-9.8(1)

用式子(2)計算zs[n]序列小于0部分積分為vsz-：

其代表的物理意義為在z軸負方向上的速度大小，fs表示加速度值的采樣頻率，本實施例為60hz。

本發明定義準靜止狀態為式(3):

其表示z軸方向的長度為n加速度序列z[n]標準差小于γ，在本發明實例中n＝20和γ＝0.5m/s²。

跌倒檢測流程如圖3所示，可分為如下步驟:

s1、檢測壓力傳感器采樣值是否小于設定壓力閾值λ，若小于則認為動作(該動作可認為是疑似跌倒動作)開始，進入步驟s2；

s2、計算出z負軸方向的速度vsz-，進入步驟s3；

使用z負軸方向的速度vsz-判定當前動作是否為疑似跌倒動作，vsz-是通過z軸加速度值減去9.8m/s²后積分得到。

s3、檢測壓力是否大于設定壓力閾值λ，若是，則該動作為正常動作(非跌倒動作)，回到步驟s1；否則，進入步驟s4；

s4、計算速度vsz-是否小于速度閾值vthr，若小于速度閾值vthr，則認為存在跌倒的可能，進入步驟s5，否則回到步驟s2；

s5、緩存三軸加速度信號作為疑似跌倒序列，以便后續進一步判斷；

s6、緩存過程中持續判斷壓力采樣值是否大于設定壓力閾值λ，若是，說明該動作正常，回到步驟s1；否則進入步驟s7；

s7、根據z軸加速度序列判斷是否進入準靜止狀態或者緩存時間超過t，若是，則進入步驟s8，否則繼續緩存疑似序列；設置超時時間t是為了防止檢測不到準靜止狀態的特殊情況；

s8、提取緩存的疑似跌倒序列的三種特征：三軸加速度傳感器信號用db4小波進行4層分解后第三層與第四層細節系數的小波能量，重力與z軸負方向的夾角θ，三軸加速度傳感器信號的四分位差，進入步驟s9；

s9：使用訓練好的模型進行分類判斷，確定是否跌倒。

壓力傳感器信號的數值范圍在0-255之間，其中0代表壓力最小值，255代表壓力最大值，一個60kg的成年人正常站立數值大約在230左右。在本發明實施例中，經過多次驗證，壓力采樣值的閾值λ取50較為合適，速度閾值vthr取-7m/s²，時間閥值t定為3s較為合適。

其中，該跌倒檢測方法通過準靜止狀態或者超時判斷跌倒動作是否已經結束。準靜止狀態表示在z軸方向上一段時間內的加速度變化標準差小于設定閾值。

在本發明實例中，步驟s9中用于分類判斷的模型為支持向量機模型，分類的正類為跌倒動作，負類為非跌倒動作。本發明實例中共模擬采集了80次跌倒動作的樣本，360個非跌倒動作用作支持向量機模型的訓練，其中非跌倒動作包括：躺下、坐下、翹小腿、蹲下、跪下、架腿、踢腿等速度vsz-可能會小于速度閾值vthr的疑似跌倒動作。圖4為本實例中通過1000次訓練支持向量機模型獲得的分類混淆矩陣，通過混淆矩陣可以發現，正類樣本(跌倒)的分類精確率有94.25％，80次跌倒中平均漏報4.6次，而360個非跌倒動作誤判為跌倒的平均次數只有0.11次，非跌倒動作分類精確率有99.97％，說明支持向量機模型達到了可以較高的分類精度。

在本發明實例中，跌倒檢測時間表示從跌倒開始(壓力傳感器值采樣值小于設定壓力閾值λ)到檢測到準靜止狀態的時間，通過統計，80次跌倒動作的跌倒檢測時間平均為1.987s，說明檢測的實時性較高，在應用于實際當中。

綜上所述，本實施例中跌倒檢測方法首先實時采集人體足底運動過程的壓力傳感器信號，當壓力值信號小于設定壓力閾值時認為一個動作開始，采集三軸加速度傳感器信號；通過采集到的z軸加速度信號，計算z負軸方向的速度vsz-，當計算出的速度vsz-小于設定的速度閾值時，認為該動作為疑似跌倒動作；接著檢測到準靜止狀態的出現或者超時發生后，提取三軸加速度傳感器信號的三種特征，并使用訓練好的支持向量機模型作出最終的跌倒的判斷。在上述步驟執行過程中如果出現壓力值信號大于設定壓力閾值的情況則視該動作為正常動作且已經結束，終止后續步驟的執行，并將當前積分清0。

本實施例中壓力傳感器與加速度傳感器放置于鞋墊下面足跟的位置，通過壓力值大小判定動作的開始與結束。

實驗結果表明本發明基于壓力與加速度傳感器的跌倒檢測方法與現有的跌倒檢測方式相比，可以大大提高對跌倒動作識別的準確率；在實時性方面，本發明所提方式可以在跌倒動作結束后立即做出判斷，實時性較強。

上述實施例為本發明較佳的實施方式，但本發明的實施方式并不受上述實施例的限制，其他的任何未背離本發明的精神實質與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發明的保護范圍之內。