本發(fā)明實(shí)施例涉及電子技術(shù)領(lǐng)域，尤其涉及一種跌倒檢測(cè)方法、裝置及系統(tǒng)。

背景技術(shù)：

世界人口老齡化趨勢(shì)已不可避免，其中老年人由于肌肉能力退化，成為易跌倒人群，并且跌倒嚴(yán)重威脅著老年人的健康，老年人跌倒后容易發(fā)生骨折，骨折后通常需要長(zhǎng)期臥床，并產(chǎn)生一系列的并發(fā)癥，造成身體功能直線下降，甚至危及生命。各類(lèi)跌倒預(yù)警器隨著社會(huì)的需要應(yīng)運(yùn)而生，由于跌倒預(yù)警器是可穿戴設(shè)備且價(jià)格低廉，受到了廣大老年人的喜愛(ài)。

目前，跌倒預(yù)警器采用的跌倒檢測(cè)算法都是基于一個(gè)平臺(tái)的人體運(yùn)動(dòng)數(shù)據(jù)變化進(jìn)行跌倒檢測(cè)，常用的有閾值法，該方法根據(jù)人體運(yùn)動(dòng)的加速度、角速度、歐拉角信號(hào)的變化異常來(lái)作出是否跌倒的決策。但是由于人體動(dòng)作變化多樣，且閾值法往往是憑研究者的主觀經(jīng)驗(yàn)選取的閾值，對(duì)各種跌倒?fàn)顩r不具有普遍性，造成老年人跌倒預(yù)警器經(jīng)常發(fā)出錯(cuò)誤報(bào)警信號(hào)，準(zhǔn)確率不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供一種跌倒檢測(cè)方法、裝置及系統(tǒng)，以解決跌倒檢測(cè)準(zhǔn)確率不高的問(wèn)題。

第一方面，本發(fā)明實(shí)施例提供了一種跌倒檢測(cè)方法，該方法包括：

獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)；

根據(jù)所述每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果，其中，所述特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到。

第二方面，本發(fā)明實(shí)施例還提供了一種跌倒檢測(cè)裝置，該裝置包括：

運(yùn)動(dòng)數(shù)據(jù)獲取模塊，用于獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)；

跌倒結(jié)果確定模塊，用于根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果，其中，所述特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到。

第三方面，本發(fā)明實(shí)施例還提供了一種跌倒檢測(cè)系統(tǒng)，包括九軸運(yùn)動(dòng)傳感器、足底壓力傳感器、報(bào)警器和本發(fā)明任意實(shí)施例所提供的跌倒檢測(cè)裝置，其中，

所述九軸運(yùn)動(dòng)傳感器位于人體腰部，用于采集人體運(yùn)動(dòng)數(shù)據(jù)中的加速度、角速度和歐拉角，并將采集到的數(shù)據(jù)發(fā)送至所述跌倒檢測(cè)裝置；

所述足底壓力傳感器位于人體足底，用于采集人體運(yùn)動(dòng)數(shù)據(jù)中的足底壓力，并將采集到的數(shù)據(jù)發(fā)送至所述跌倒檢測(cè)裝置；

所述報(bào)警器，用于在所述跌倒檢測(cè)裝置得到的檢測(cè)結(jié)果為跌倒時(shí)，發(fā)出報(bào)警信號(hào)。

本發(fā)明實(shí)施例預(yù)先基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算出每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重，在進(jìn)行跌倒檢測(cè)時(shí)，根據(jù)實(shí)時(shí)獲取到的至少兩種人體運(yùn)動(dòng)數(shù)據(jù)和對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果，而由于不同種類(lèi)的運(yùn)動(dòng)數(shù)據(jù)作為跌倒檢測(cè)的依據(jù)其貢獻(xiàn)度不同，因此，本發(fā)明實(shí)施例將人體跌倒動(dòng)作的信號(hào)特征進(jìn)行智能學(xué)習(xí)與提取，確定各個(gè)特征對(duì)跌倒檢測(cè)的貢獻(xiàn)度，即所述特征權(quán)重，然后利用該特征權(quán)重進(jìn)行跌倒檢測(cè)，從而削弱了人為主觀選取單值作為閾值的局限性，提高了跌倒檢測(cè)的準(zhǔn)確性。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例一中的跌倒檢測(cè)方法的流程圖；

圖2是本發(fā)明實(shí)施例二中的跌倒檢測(cè)方法的流程圖；

圖3是本發(fā)明實(shí)施例三中的跌倒檢測(cè)方法的流程圖；

圖4是本發(fā)明實(shí)施例四中的跌倒檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖5是本發(fā)明實(shí)施例五中的跌倒檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖6是本發(fā)明實(shí)施例六中的跌倒檢測(cè)系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明?？梢岳斫獾氖牵颂幩枋龅木唧w實(shí)施例僅僅用于解釋本發(fā)明，而非對(duì)本發(fā)明的限定。另外還需要說(shuō)明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。

SVM(Support Vector Machine)，支持向量機(jī)是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來(lái)進(jìn)行模式識(shí)別、分類(lèi)、以及回歸分析。

KNN(k-Nearest Neighbor algorithm)，鄰近算法是電子信息分類(lèi)器算法的一種。

實(shí)施例一

圖1為本發(fā)明實(shí)施例一提供的跌倒檢測(cè)方法的流程圖，本實(shí)施例可適用于人體跌倒檢測(cè)。如圖6所示為適用于執(zhí)行本發(fā)明實(shí)施例跌倒檢測(cè)方法的一種優(yōu)選跌倒檢測(cè)系統(tǒng)，該系統(tǒng)包括九軸運(yùn)動(dòng)傳感器1、足底壓力傳感器2、報(bào)警器3和跌倒檢測(cè)裝置4，其中，九軸運(yùn)動(dòng)傳感器1用于采集人體運(yùn)動(dòng)數(shù)據(jù)中的加速度、角速度和歐拉角，并將采集到的數(shù)據(jù)發(fā)送至跌倒檢測(cè)裝置4；足底壓力傳感器2用于采集人體運(yùn)動(dòng)數(shù)據(jù)中的足底壓力，并將采集到的數(shù)據(jù)發(fā)送至跌倒檢測(cè)裝置4；報(bào)警器3，用于在跌倒檢測(cè)裝置4得到的檢測(cè)結(jié)果為跌倒時(shí)，發(fā)出報(bào)警信號(hào)。該方法可以由跌倒檢測(cè)裝置4來(lái)執(zhí)行，該裝置可以采用軟件和/或硬件的方式實(shí)現(xiàn)，配置在系統(tǒng)的處理中。

本發(fā)明實(shí)施例一的跌倒檢測(cè)方法具體包括：

S110、獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)。

人體運(yùn)動(dòng)數(shù)據(jù)是由配置在人身上的傳感器(如九軸運(yùn)動(dòng)傳感器1和足底壓力傳感器2)實(shí)時(shí)采集得到，表示人體在行進(jìn)過(guò)程中以及在跌倒時(shí)等運(yùn)動(dòng)狀態(tài)下的運(yùn)動(dòng)數(shù)據(jù)。人體在跌倒時(shí)，各種運(yùn)動(dòng)數(shù)據(jù)會(huì)發(fā)生比較大的變化，而通過(guò)對(duì)這些實(shí)時(shí)采集到的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分析，可以判斷出人體是否跌倒。

優(yōu)選的，人體運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中的至少兩種。需要說(shuō)明的是，用于跌倒檢測(cè)的人體運(yùn)動(dòng)數(shù)據(jù)種類(lèi)越全面，則檢測(cè)的準(zhǔn)確性越高。

S120、根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果，其中，特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到。

人體在跌倒時(shí)，不同種類(lèi)的運(yùn)動(dòng)數(shù)據(jù)的變化情況是不一樣的，進(jìn)一步的，對(duì)于不同身形和體重的人，在不同的外界環(huán)境中，其跌倒時(shí)的運(yùn)動(dòng)數(shù)據(jù)的變化情況更加復(fù)雜，因此，不同種類(lèi)的運(yùn)動(dòng)數(shù)據(jù)作為跌倒檢測(cè)的依據(jù)其貢獻(xiàn)度是不一樣的。而預(yù)先基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的大量的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算出特征權(quán)重，該特征權(quán)重即可表示出每一種運(yùn)動(dòng)數(shù)據(jù)作為跌倒檢測(cè)的依據(jù)的貢獻(xiàn)度，在實(shí)時(shí)進(jìn)行跌倒檢測(cè)時(shí)，通過(guò)確定每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重并將其作為檢測(cè)依據(jù)，從而可以更準(zhǔn)確地得到檢測(cè)結(jié)果。

此外，在一種優(yōu)選的實(shí)施方式中，在確定跌倒檢測(cè)結(jié)果之后，本發(fā)明實(shí)施例的跌倒檢測(cè)方法還可以包括：

將跌倒檢測(cè)結(jié)果通知給用戶，并接收用戶的反饋信息；

根據(jù)反饋信息和當(dāng)前的人體運(yùn)動(dòng)數(shù)據(jù)修正特征權(quán)重。

具體的，接收用戶對(duì)跌倒檢測(cè)結(jié)果的反饋信息可以統(tǒng)計(jì)出檢測(cè)結(jié)果的準(zhǔn)確度，而由于特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到，訓(xùn)練數(shù)據(jù)具有一定的隨機(jī)性，因此，經(jīng)訓(xùn)練得到的特征權(quán)重需要在實(shí)際跌倒檢測(cè)過(guò)程中，根據(jù)目標(biāo)個(gè)體(即用戶)自身的人體運(yùn)動(dòng)數(shù)據(jù)及反饋信息來(lái)進(jìn)行修正，以使修正后的特征權(quán)重更加符合該目標(biāo)個(gè)體，對(duì)該目標(biāo)個(gè)體進(jìn)行的跌倒檢測(cè)結(jié)果更加準(zhǔn)確。

可選的，可以結(jié)合所述反饋信息，并基于分類(lèi)器對(duì)收集到的目標(biāo)個(gè)體自身跌倒時(shí)的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到修正的特征權(quán)重。此外，可以在收集到預(yù)設(shè)數(shù)量的反饋信息和跌倒時(shí)的運(yùn)動(dòng)數(shù)據(jù)后進(jìn)行修正，或者按照一定的預(yù)設(shè)周期進(jìn)行修正，本發(fā)明實(shí)施例對(duì)此不做任何限定。

本發(fā)明實(shí)施例利用確定出的人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重來(lái)進(jìn)行跌倒檢測(cè)，且該特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到，從而削弱了人為主觀選取單值作為閾值的局限性，提高了跌倒檢測(cè)的準(zhǔn)確性。

實(shí)施例二

圖2為本發(fā)明實(shí)施例二提供的跌倒檢測(cè)方法的流程圖，實(shí)施例二在實(shí)施例一的基礎(chǔ)上進(jìn)一步說(shuō)明基于分類(lèi)器得到特征權(quán)重的操作，如圖2所示，本發(fā)明實(shí)施例二的跌倒檢測(cè)方法具體包括：

S210、獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)。

優(yōu)選的，至少兩種人體運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中的至少兩種。

實(shí)施時(shí)，訓(xùn)練數(shù)據(jù)可通過(guò)大量實(shí)驗(yàn)獲得，該訓(xùn)練數(shù)據(jù)包括人體正常行進(jìn)過(guò)程中的人體運(yùn)動(dòng)數(shù)據(jù)，也包括跌倒時(shí)的人體運(yùn)動(dòng)數(shù)據(jù)，該跌倒時(shí)的人體運(yùn)動(dòng)數(shù)據(jù)可以由實(shí)驗(yàn)人員頻繁多次模仿在各種環(huán)境下的跌倒動(dòng)作，從而獲取到大量跌倒時(shí)的數(shù)據(jù)。需要說(shuō)明的是，且訓(xùn)練數(shù)據(jù)量越大，訓(xùn)練效果越好。

S220、基于支持向量機(jī)SVM分別對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到每種人體運(yùn)動(dòng)數(shù)據(jù)的SVM訓(xùn)練模型。

具體的，經(jīng)訓(xùn)練得到的SVM訓(xùn)練模型可以用來(lái)預(yù)測(cè)某一人體運(yùn)動(dòng)數(shù)據(jù)發(fā)生時(shí)人體是否會(huì)跌倒。實(shí)施時(shí)，例如可以將加速度、角速度、歐拉角和足底壓力各自的訓(xùn)練數(shù)據(jù)分別進(jìn)行訓(xùn)練，繼而分別得到加速度、角速度、歐拉角和足底壓力的各自對(duì)應(yīng)的SVM訓(xùn)練模型。

在一種實(shí)施方式中，在S210之前，優(yōu)選的，還可以對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，該預(yù)處理包括降維和歸一化。對(duì)人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行預(yù)處理的目的是為了滿足SVM分類(lèi)器對(duì)數(shù)據(jù)處理的需要。

S230、分別將每種人體運(yùn)動(dòng)數(shù)據(jù)的具有已知跌倒結(jié)果標(biāo)記的測(cè)試數(shù)據(jù)作為對(duì)應(yīng)SVM訓(xùn)練模型的輸入，得到每種人體運(yùn)動(dòng)數(shù)據(jù)的測(cè)試數(shù)據(jù)的輸出結(jié)果，其中，輸出結(jié)果表示在對(duì)應(yīng)的輸入下是否跌倒。

具體的，測(cè)試數(shù)據(jù)可由實(shí)驗(yàn)人員通過(guò)大量實(shí)驗(yàn)獲得，該測(cè)試數(shù)據(jù)包括人體正常行進(jìn)過(guò)程中的人體運(yùn)動(dòng)數(shù)據(jù)和跌倒時(shí)的人體運(yùn)動(dòng)數(shù)據(jù)，在實(shí)驗(yàn)過(guò)程中，哪些人體運(yùn)動(dòng)數(shù)據(jù)發(fā)生時(shí)人體跌倒了，相應(yīng)的，哪些人體運(yùn)動(dòng)數(shù)據(jù)發(fā)生時(shí)人體沒(méi)有跌倒，都是已知的。因此，將測(cè)試數(shù)據(jù)附加上所述已知跌倒結(jié)果標(biāo)記，從而通過(guò)該標(biāo)記即可獲知這些人體運(yùn)動(dòng)數(shù)據(jù)的測(cè)試數(shù)據(jù)哪些會(huì)引起跌倒以及哪些不會(huì)引起跌倒。

實(shí)施時(shí)，例如，可以將加速度的具有已知跌倒結(jié)果標(biāo)記的測(cè)試數(shù)據(jù)作為加速度的SVM訓(xùn)練模型的輸入，得到加速度的測(cè)試數(shù)據(jù)的輸出結(jié)果，該輸出結(jié)果表示在對(duì)應(yīng)的加速度的輸入下模型判斷出是否跌倒。相應(yīng)的，對(duì)角速度、歐拉角和足底壓力這三種人體運(yùn)動(dòng)數(shù)據(jù)也是如此操作。

S240、根據(jù)測(cè)試數(shù)據(jù)的已知跌倒結(jié)果標(biāo)記，分別獲取每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的輸出結(jié)果中正確結(jié)果的個(gè)數(shù)，根據(jù)正確結(jié)果的個(gè)數(shù)和測(cè)試數(shù)據(jù)的總個(gè)數(shù)分別計(jì)算出每種人體運(yùn)動(dòng)數(shù)據(jù)的識(shí)別率。

具體的，在S230中，利用訓(xùn)練出的模型得到是否跌倒的輸出結(jié)果中會(huì)存在與已知跌倒結(jié)果標(biāo)記不相符的結(jié)果，而在每種人體運(yùn)動(dòng)數(shù)據(jù)的全部測(cè)試數(shù)據(jù)對(duì)應(yīng)的輸出結(jié)果中，與已知跌倒結(jié)果標(biāo)記相符的正確結(jié)果越多，表示該種人體運(yùn)動(dòng)數(shù)據(jù)的識(shí)別率越高，因此，將正確結(jié)果的個(gè)數(shù)除以測(cè)試數(shù)據(jù)的總個(gè)數(shù)得到的數(shù)值即為該種人體運(yùn)動(dòng)數(shù)據(jù)的識(shí)別率，通過(guò)該識(shí)別率可以表示出該種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)人體跌倒檢測(cè)的貢獻(xiàn)度。示例性的，識(shí)別率可以用r表示。

S250、根據(jù)識(shí)別率分別計(jì)算出每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重，特征權(quán)重即表示每種人體運(yùn)動(dòng)數(shù)據(jù)在人體跌倒檢測(cè)中的貢獻(xiàn)度。

示例性的，可以將特征權(quán)重用w表示，以人體運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力這四種為例，可以利用如下兩個(gè)公式計(jì)算出每一種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重：

w₁+w₂+w₃+w₄＝1

w₁:w₂:w₃:w₄＝r₁:r₂:r₃:r₄

式中，r₁、r₂、r₃、r₄分別為加速度、角速度、歐拉角和足底壓力作為單一特征在SVM分類(lèi)器下的識(shí)別率；w₁、w₂、w₃、w₄分別為加速度、角速度、歐拉角和足底壓力的特征權(quán)重。

示例性的，若以人體運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中任意兩種為例，則可以利用如下兩個(gè)公式計(jì)算出每一種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重：

w₁'+w₂'＝1

''''

w₁:w₂＝r₁:r₂

式中，r₁’、r₂’分別為加速度、角速度、歐拉角和足底壓力中的任意兩種人體運(yùn)動(dòng)數(shù)據(jù)作為單一特征在SVM分類(lèi)器下的識(shí)別率；w₁’、w₂’分別為對(duì)應(yīng)這兩種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重。

此處需要說(shuō)明的是，選取的人體運(yùn)動(dòng)數(shù)據(jù)種類(lèi)越多，獲取最終檢測(cè)結(jié)果的正確性越高。

在S210-S250中，是預(yù)先計(jì)算特征權(quán)重的操作，在確定特征權(quán)重之后，可以用于接下來(lái)實(shí)時(shí)進(jìn)行跌倒檢測(cè)。

S240、獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)。

具體的，在本操作中，是實(shí)時(shí)獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)，并且優(yōu)選的，實(shí)時(shí)獲取的人體運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中的至少兩種。

S250、根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果。

本發(fā)明實(shí)施例預(yù)先利用人體大量的訓(xùn)練數(shù)據(jù)，并基于SVM分類(lèi)器得到每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重，能夠準(zhǔn)確的通過(guò)訓(xùn)練提取出各個(gè)運(yùn)動(dòng)數(shù)據(jù)作為跌倒檢測(cè)依據(jù)的貢獻(xiàn)度，從而提高了跌倒檢測(cè)的準(zhǔn)確性。

實(shí)施例三

圖3為本發(fā)明實(shí)施例三提供的跌倒檢測(cè)方法的流程圖，實(shí)施例三在上述實(shí)施例的基礎(chǔ)上對(duì)根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果做出進(jìn)一步說(shuō)明，如圖3所示，本發(fā)明實(shí)施例三的跌倒檢測(cè)方法具體包括：

S310、獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)。

S320、根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重修改鄰近算法KNN距離函數(shù)。

具體的，以獲取加速度、角速度、歐拉角和足底壓力這四種人體運(yùn)動(dòng)數(shù)據(jù)為例，KNN距離函數(shù)為：

D＝d₁(x,x_i)+d₂(x,x₂)+d₃(x,x₃)+d₄(x,x₄)

式中，d₁、d₂、d₃、d₄分別為加速度、角速度、歐拉角和足底壓力的特征距離。

根據(jù)這四種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重修改鄰近算法KNN距離函數(shù)，即將加速度、角速度、歐拉角和足底壓力各自的特征權(quán)重分別作為KNN距離函數(shù)的修改參數(shù)，得到修改后的KNN距離函數(shù)如下：

D＝w₁d₁(x,x_i)+w₂d₂(x,x₂)+w₃d₃(x,x₃)+w₄d₄(x,x₄)

式中，w₁、w₂、w₃、w₄分別為加速度、角速度、歐拉角和足底壓力的特征權(quán)重。

示例性的，若以人體運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中任意兩種為例，則得到修改后的KNN距離函數(shù)如下：

D'＝w₁'d₁'(x,x_i)+w₂'d₂'(x,x₂)

式中，d₁’、d₂’分別為加速度、角速度、歐拉角和足底壓力中任意兩種運(yùn)動(dòng)數(shù)據(jù)的特征距離；w₁’、w₂’分別為該兩種運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重。

S330、利用修改后的KNN距離函數(shù)對(duì)至少兩種人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行KNN分類(lèi)，得到是否跌倒的檢測(cè)結(jié)果。

修改后的KNN距離函數(shù)更能體現(xiàn)出不同運(yùn)動(dòng)數(shù)據(jù)的特征作為不同個(gè)體跌倒檢測(cè)依據(jù)的貢獻(xiàn)度，使得檢測(cè)結(jié)果更加具有針對(duì)性，準(zhǔn)確性也得到了提高。

在一種實(shí)施方式中，可以預(yù)先在KNN分類(lèi)器中配置發(fā)生跌倒或者沒(méi)有發(fā)生跌倒兩個(gè)類(lèi)及其對(duì)應(yīng)的至少兩種人體運(yùn)動(dòng)數(shù)據(jù)的樣本數(shù)據(jù)。實(shí)施時(shí)，將實(shí)時(shí)采集的至少兩種人體運(yùn)動(dòng)數(shù)據(jù)輸入KNN分類(lèi)器，利用修改后的KNN距離函數(shù)對(duì)實(shí)時(shí)采集的至少兩種人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行KNN分類(lèi)，即可得出是否跌倒的檢測(cè)結(jié)果。例如，可以預(yù)先標(biāo)記為0表示沒(méi)有跌倒，1表示跌倒，則實(shí)時(shí)獲取到的人體運(yùn)動(dòng)數(shù)據(jù)作為修改后的KNN距離函數(shù)的輸入，輸出則為0或1，繼而得出是否跌倒的結(jié)論。

本發(fā)明實(shí)施例利用每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重修改KNN距離函數(shù)的參數(shù)，利用修改后的KNN距離函數(shù)對(duì)實(shí)時(shí)獲取到的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行KNN分類(lèi)，從而更加準(zhǔn)確地檢測(cè)出是否跌倒，且運(yùn)算過(guò)程簡(jiǎn)單易于實(shí)現(xiàn)。

實(shí)施例四

圖4是本發(fā)明實(shí)施例四中的跌倒檢測(cè)裝置的結(jié)構(gòu)示意圖，該跌倒檢測(cè)裝置應(yīng)用于跌倒檢測(cè)系統(tǒng)。如圖4所示，本發(fā)明實(shí)施例四的跌倒檢測(cè)裝置4包括：運(yùn)動(dòng)數(shù)據(jù)獲取模塊41和跌倒結(jié)果確定模塊42，其中，

運(yùn)動(dòng)數(shù)據(jù)獲取模塊41，用于獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)；

跌倒結(jié)果確定模塊42，用于根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果，其中，特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到。

優(yōu)選的，至少兩種人體運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度、歐拉角和足底壓力中的至少兩種。

本發(fā)明實(shí)施例利用確定出的人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重來(lái)進(jìn)行跌倒檢測(cè)，且該特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到，從而削弱了人為主觀選取單值作為閾值的局限性，提高了跌倒檢測(cè)的準(zhǔn)確性。

實(shí)施例五

圖5是本發(fā)明實(shí)施例五中的跌倒檢測(cè)裝置的結(jié)構(gòu)示意圖，本實(shí)施例在實(shí)施例四的基礎(chǔ)上做出進(jìn)一步說(shuō)明，其中，與實(shí)施例四相同的模塊采用相同的附圖標(biāo)記。如圖5所示，本發(fā)明實(shí)施例五的跌倒檢測(cè)裝置4包括：運(yùn)動(dòng)數(shù)據(jù)獲取模塊41、跌倒結(jié)果確定模塊42、特征權(quán)重計(jì)算模塊43、結(jié)果反饋模塊44和特征權(quán)重修正模塊45，其中，

運(yùn)動(dòng)數(shù)據(jù)獲取模塊41，用于獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)；

跌倒結(jié)果確定模塊42，用于根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果，其中，特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算得到；

特征權(quán)重計(jì)算模塊43，用于基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練并計(jì)算出對(duì)應(yīng)的特征權(quán)重，具體的，特征權(quán)重計(jì)算模塊43包括：

訓(xùn)練數(shù)據(jù)獲取單元431，用于在運(yùn)動(dòng)數(shù)據(jù)獲取模塊41獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)之前，獲取至少兩種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)；

SVM模型訓(xùn)練單元433，用于基于支持向量機(jī)SVM分別對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到每種人體運(yùn)動(dòng)數(shù)據(jù)的SVM訓(xùn)練模型；

輸出結(jié)果獲取單元434，用于分別將每種人體運(yùn)動(dòng)數(shù)據(jù)的具有已知跌倒結(jié)果標(biāo)記的測(cè)試數(shù)據(jù)作為對(duì)應(yīng)SVM訓(xùn)練模型的輸入，得到每種人體運(yùn)動(dòng)數(shù)據(jù)的測(cè)試數(shù)據(jù)的輸出結(jié)果，其中，輸出結(jié)果表示在對(duì)應(yīng)的輸入下是否跌倒；

識(shí)別率計(jì)算單元435，用于根據(jù)測(cè)試數(shù)據(jù)的已知跌倒結(jié)果標(biāo)記，分別獲取每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的輸出結(jié)果中正確結(jié)果的個(gè)數(shù)，根據(jù)正確結(jié)果的個(gè)數(shù)和測(cè)試數(shù)據(jù)的總個(gè)數(shù)分別計(jì)算出每種人體運(yùn)動(dòng)數(shù)據(jù)的識(shí)別率；

特征權(quán)重計(jì)算單元436，用于根據(jù)識(shí)別率分別計(jì)算出每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重；

優(yōu)選的，特征權(quán)重計(jì)算模塊43還包括：

預(yù)處理單元432，用于在識(shí)別率獲取單元443基于支持向量機(jī)SVM分別對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練之前，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括降維和歸一化；

進(jìn)一步的，跌倒結(jié)果確定模塊42具體包括：

函數(shù)修改單元421，用于根據(jù)特征權(quán)重修改鄰近算法KNN距離函數(shù)；

KNN分類(lèi)單元422，用于利用修改后的KNN距離函數(shù)對(duì)至少兩種人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行KNN分類(lèi)，得到跌倒檢測(cè)結(jié)果；

結(jié)果反饋模塊44，用于將跌倒檢測(cè)結(jié)果通知給用戶，并接收用戶的反饋信息；

特征權(quán)重修正模塊45，用于根據(jù)反饋信息和當(dāng)前的人體運(yùn)動(dòng)數(shù)據(jù)修正特征權(quán)重；

相應(yīng)的，跌倒結(jié)果確定模塊43還用于根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和每種人體運(yùn)動(dòng)數(shù)據(jù)對(duì)應(yīng)的修正后的特征權(quán)重確定跌倒檢測(cè)結(jié)果。

本發(fā)明實(shí)施例充分利用了人體跌倒動(dòng)作發(fā)生時(shí)所產(chǎn)生的運(yùn)動(dòng)數(shù)據(jù)的信號(hào)特征，把人體跌倒動(dòng)作的信號(hào)特征基于SVM分類(lèi)器進(jìn)行智能學(xué)習(xí)與提取，獲得每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重，將該特征權(quán)重作為KNN距離函數(shù)的修改參數(shù)繼而進(jìn)行跌倒檢測(cè)，削弱了人為主觀選取單值作為閾值的局限性，對(duì)不同人體發(fā)生跌倒的運(yùn)動(dòng)特征有了更好地包容性，從而提高了跌倒檢測(cè)的準(zhǔn)確性，且運(yùn)算過(guò)程簡(jiǎn)單易于實(shí)現(xiàn)，降低了開(kāi)發(fā)成本，有利于產(chǎn)品的普及。

實(shí)施例六

圖6是本發(fā)明實(shí)施例六中的跌倒檢測(cè)系統(tǒng)的結(jié)構(gòu)示意圖，該跌倒檢測(cè)系統(tǒng)用于進(jìn)行人體跌倒檢測(cè)和報(bào)警。如圖6所示，本發(fā)明實(shí)施例六的跌倒檢測(cè)系統(tǒng)包括：九軸運(yùn)動(dòng)傳感器1、足底壓力傳感器2、報(bào)警器3和如上述實(shí)施例所述的跌倒檢測(cè)裝置4，其中，

九軸運(yùn)動(dòng)傳感器1位于人體腰部，用于采集人體運(yùn)動(dòng)數(shù)據(jù)中的加速度、角速度和歐拉角，并將采集到的數(shù)據(jù)發(fā)送至跌倒檢測(cè)裝置4；

足底壓力傳感器2位于人體足底，用于采集人體運(yùn)動(dòng)數(shù)據(jù)中的足底壓力，并將采集到的數(shù)據(jù)發(fā)送至跌倒檢測(cè)裝置4；

跌倒檢測(cè)裝置4，用于獲取來(lái)自九軸運(yùn)動(dòng)傳感器1和足底壓力傳感器2的至少兩種人體運(yùn)動(dòng)數(shù)據(jù)，確定每種人體運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重，并根據(jù)每種人體運(yùn)動(dòng)數(shù)據(jù)和對(duì)應(yīng)的特征權(quán)重確定跌倒檢測(cè)結(jié)果，所述特征權(quán)重是基于分類(lèi)器對(duì)每種人體運(yùn)動(dòng)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行分類(lèi)并計(jì)算得到；

報(bào)警器3，用于在跌倒檢測(cè)裝置4得到的檢測(cè)結(jié)果為跌倒時(shí)，發(fā)出報(bào)警信號(hào)。

本發(fā)明實(shí)施例通過(guò)采集加速度、角速度、歐拉角和足底壓力四種運(yùn)動(dòng)數(shù)據(jù)，并利用每種運(yùn)動(dòng)數(shù)據(jù)的特征權(quán)重進(jìn)行跌倒檢測(cè)，提高了檢測(cè)結(jié)果的準(zhǔn)確性，當(dāng)檢測(cè)出跌倒時(shí)能夠及時(shí)發(fā)出報(bào)警信號(hào)，降低了跌倒檢測(cè)的誤報(bào)率，提高了對(duì)跌倒?fàn)顩r的處理效率，為老年人提供了安全保障。

上述跌倒檢測(cè)裝置和跌倒檢測(cè)系統(tǒng)可執(zhí)行本發(fā)明任意實(shí)施例所提供的跌倒檢測(cè)方法，具備執(zhí)行方法相應(yīng)的功能模塊和有益效果。

注意，上述僅為本發(fā)明的較佳實(shí)施例及所運(yùn)用技術(shù)原理。本領(lǐng)域技術(shù)人員會(huì)理解，本發(fā)明不限于這里所述的特定實(shí)施例，對(duì)本領(lǐng)域技術(shù)人員來(lái)說(shuō)能夠進(jìn)行各種明顯的變化、重新調(diào)整和替代而不會(huì)脫離本發(fā)明的保護(hù)范圍。因此，雖然通過(guò)以上實(shí)施例對(duì)本發(fā)明進(jìn)行了較為詳細(xì)的說(shuō)明，但是本發(fā)明不僅僅限于以上實(shí)施例，在不脫離本發(fā)明構(gòu)思的情況下，還可以包括更多其他等效實(shí)施例，而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。