會(huì)發(fā)生振動(dòng)，從而會(huì)產(chǎn)生壓力，可檢測(cè)出撞擊地面的壓力值作為判斷跌倒的依據(jù)。氣壓 傳感器：能夠測(cè)量不同高度的大氣壓力，可用于判斷人體所處的位置以及跌倒檢測(cè)儀的高 度變化，另外氣壓本身是環(huán)境的一部分，環(huán)境也是導(dǎo)致跌倒的一個(gè)因素，從而氣壓提供了檢 測(cè)跌倒的依據(jù)； b) 構(gòu)造每個(gè)傳感器的特征向量，構(gòu)造方法是按時(shí)間區(qū)間作為分析范圍，并且將此時(shí)間 區(qū)間再劃分為若干時(shí)間片段，對(duì)每個(gè)片段采集信息，生成片段特征向量，因此時(shí)間區(qū)間是一 個(gè)片段特征向量序列，然后對(duì)此序列串接形成最終的傳感器特征向量。壓力傳感器：輸出一 個(gè)壓力值(撞擊時(shí)產(chǎn)生的最大壓力)，形成一個(gè)一維的特征向量。氣壓傳感器，輸出為數(shù)字信 號(hào)為大氣壓值，正常與跌倒時(shí)的大氣壓差形成一個(gè)一維的特征向量； c) 采用分類器預(yù)測(cè)跌倒，輸出結(jié)果v2。所訴的分類器包括支持向量機(jī)，集成分類 Adaboost，旋轉(zhuǎn)森林分類器。進(jìn)一步，所述的分類器都需要準(zhǔn)備跌倒樣本(跌倒特征向量，跌 倒類別）訓(xùn)練集，跌倒類別為：跌倒為1，否則為〇。
[0019] 步驟[3]跌倒聲音預(yù)測(cè)包括以下步驟 a) 采集跌倒時(shí)的聲音傳感器信息。聲音傳感器：人體跌倒時(shí)與地面發(fā)生撞擊時(shí)會(huì)產(chǎn)生 聲音，老人摔到時(shí)也會(huì)發(fā)出聲音。例如人體在跌落過(guò)程中與地面發(fā)生撞擊的聲音頻率多數(shù) 小于200Hz，這可以作為跌倒判斷依據(jù)； b) 構(gòu)造跌倒聲音特征向量，構(gòu)造方法是按時(shí)間區(qū)間作為分析范圍，并且將此時(shí)間區(qū)間 再劃分為若干時(shí)間片段，對(duì)每個(gè)片段采集信息，生成片段特征向量，因此時(shí)間區(qū)間是一個(gè)片 段特征向量序列，然后對(duì)此序列串接形成最終的傳感器特征向量。聲音傳感器，輸出聲音信 號(hào)，提取聲音特征，形成特征向量。提取的聲音特征包括短時(shí)過(guò)零率，短時(shí)能量，基音頻率， 共振峰，諧波噪聲比，MFCC參數(shù)，一階MFCC參數(shù)，二階MFCC參數(shù)，LPC倒譜系數(shù)，線性預(yù)測(cè)系 數(shù)，子帶能量，和頻率中心的平均值，標(biāo)準(zhǔn)方差，最大值，和最小值； c) 采用分類器預(yù)測(cè)跌倒，輸出結(jié)果v3。所訴的分類器包括支持向量機(jī)，集成分類 Adaboost，旋轉(zhuǎn)森林分類器。進(jìn)一步，所述的分類器都需要準(zhǔn)備跌倒樣本(跌倒特征向量，跌 倒類別）訓(xùn)練集，跌倒類別為：跌倒為1，否則為0。
[0020] 步驟[4]跌倒誤判預(yù)測(cè)包括以下步驟： a) 采集人體檢測(cè)傳感器信息。紅外線傳感器：能夠檢測(cè)出人體發(fā)出的紅外線信息，可 以用它來(lái)判斷跌倒檢測(cè)儀是否穿戴在人身上，若檢測(cè)不到紅外信息，表示人體沒(méi)有穿戴跌 倒檢測(cè)儀，因而不能判定為跌倒，以免誤判?？梢杂盟鳛榉乐拐`判的依據(jù)。紅外傳感器： 利用遠(yuǎn)紅外線范圍的感度作為人體檢出用，紅外線的波長(zhǎng)比可見(jiàn)光長(zhǎng)而比電波短。人體的 體溫約為36~37° C，所放射出峰值為9~10 μ m的遠(yuǎn)紅外線。輸出數(shù)值一個(gè)一維的特征 向量，用于搜索和跟蹤人體紅外目標(biāo)，確定其空間位置并對(duì)它的運(yùn)動(dòng)進(jìn)行跟蹤； b) 預(yù)測(cè)是否檢測(cè)到人體，輸出結(jié)果v4。若檢測(cè)到人體，v4=l，否則v4=0。
[0021] 步驟[5]構(gòu)造跌倒特征向量V= (??.…,α4ν4)，其中Iii為四個(gè)分類器單獨(dú)對(duì)跌倒判 斷時(shí)的準(zhǔn)確率，其Cti為權(quán)重要，F(xiàn)i為四個(gè)分類器的輸出值，跌倒為1，否則為0。
[0022] 步驟[6]跌倒集成預(yù)測(cè)，根據(jù)跌倒特征向量，采用分類器預(yù)測(cè)跌倒。所訴的分類器 包括支持向量機(jī)，集成分類Adaboost，旋轉(zhuǎn)森林分類器。進(jìn)一步，所述的分類器都需要準(zhǔn)備 跌倒樣本(跌倒特征向量，跌倒類別）訓(xùn)練集，跌倒類別為：跌倒為1，否則為〇。
[0023] 實(shí)施案例1 :采用支持向量機(jī)分類器識(shí)別跌倒 支持向量機(jī)（Support Vector Machine, SVM)實(shí)現(xiàn)人臉表情自動(dòng)識(shí)別。SVM是近幾年 剛發(fā)展起來(lái)的一種分類方法，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有良好的泛化能力。給定訓(xùn) 練樣本集,其中& 為輸入向量,Fi e丨-L-1丨為對(duì)應(yīng)的類別， SVM在特征空間中尋找能將兩類樣本正確分開(kāi)的最優(yōu)分界超平面。對(duì)于輸入空間中的向 量;T ,假如使用Z = ΦΟ)表示其在特征空間中對(duì)應(yīng)的特征向量，則最優(yōu)分界超平面表示為 w*z+i = 0。相應(yīng)的決策方程為/0) = dg?(w木z+?)。在任何情況下，SVM并不要求知道 映射Φ。引入核函數(shù),特征空間中向量間的點(diǎn)積能在輸入空間中通過(guò)核函數(shù)表示為 Z1S2 = ^(X1J2)。
[0024] 訓(xùn)練SVM等價(jià)于求解如下最優(yōu)化問(wèn)題：
【主權(quán)項(xiàng)】
1. 一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于，該方法包括以下步驟： [1]跌倒方向預(yù)測(cè)，根據(jù)檢測(cè)跌倒方向的變化預(yù)測(cè)跌倒；[2]跌倒壓力預(yù)測(cè)，根據(jù)跌倒時(shí)的 氣壓和撞擊地面的壓力預(yù)測(cè)跌倒；[3]跌倒聲音預(yù)測(cè)，根據(jù)跌倒時(shí)候的聲音，包括撞擊地 面的聲音和人體發(fā)出的聲音，預(yù)測(cè)跌倒；[4]跌倒誤判預(yù)測(cè)，根據(jù)采集的人體檢測(cè)傳感器信 息，判斷人體是否在人體傳感器附近，預(yù)防誤判；[5]構(gòu)造跌倒特征向量，其由以上四步完 成的預(yù)測(cè)結(jié)果構(gòu)成；[6]跌倒集成預(yù)測(cè)，根據(jù)跌倒特征向量，采用分類器預(yù)測(cè)跌倒，輸出預(yù) 測(cè)結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于 所述的步驟[1]包括以下步驟：（a)采集三軸加速度傳感器、陀螺儀、地磁傳感器信息；（b) 構(gòu)造每個(gè)傳感器的特征向量，構(gòu)造方法是按時(shí)間區(qū)間作為分析范圍，并且將此時(shí)間區(qū)間再 劃分為若干時(shí)間片段，對(duì)每個(gè)片段采集信息，生成片段特征向量，因此時(shí)間區(qū)間是一個(gè)片段 特征向量序列，然后對(duì)此序列串接形成最終的傳感器特征向量；（c)構(gòu)造跌倒方向特征向 量，其組合所構(gòu)造的傳感器特征向量；（d)采用分類器預(yù)測(cè)跌倒，輸出結(jié)果vl。
3. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于 所述的步驟[2]包括以下步驟：（a)采集氣壓傳感器、壓力傳感器信息；（b)構(gòu)造每個(gè)傳 感器的特征向量，構(gòu)造方法是按時(shí)間區(qū)間作為分析范圍，并且將此時(shí)間區(qū)間再劃分為若干 時(shí)間片段，對(duì)每個(gè)片段采集信息，生成片段特征向量，因此時(shí)間區(qū)間是一個(gè)片段特征向量序 列，然后對(duì)此序列串接形成最終的傳感器特征向量；（c)構(gòu)造跌倒壓力特征向量；（d)采用 分類器預(yù)測(cè)跌倒，輸出結(jié)果v2。
4. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于 所述的步驟[3]包括以下步驟：（a)采集跌倒時(shí)的聲音傳感器信息；（b)構(gòu)造跌倒聲音特征 向量；（c)采用分類器預(yù)測(cè)跌倒，輸出結(jié)果v3。
5. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于 所述的步驟[4]包括以下步驟：（a)采集人體檢測(cè)傳感器信息；（b)預(yù)測(cè)是否檢測(cè)到人體， 輸出結(jié)果v4。
6. 根據(jù)權(quán)利要求5所述的一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于 所述的步驟a)采用紅外傳感器實(shí)現(xiàn)人體檢測(cè)。
7. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌 倒檢測(cè)方法，其特征在于所述的步驟[5]為構(gòu)造跌倒特征向量 V = (W· .S4Y4)，其中Oj為四個(gè)分類器單獨(dú)對(duì)跌倒判斷時(shí)的準(zhǔn)確率，其O i為權(quán)重要，F(xiàn)i為四 個(gè)分類器的輸出值，跌倒為1，否則為〇。
8. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于所 述的步驟[1] [2] [3]和[5]采用的分類器是集成分類器Adaboost，其弱分類器采用支持向 量機(jī)。
9. 根據(jù)權(quán)利要求2~4所述的一種基于多分類器集成的老人跌倒檢測(cè)方法，其特征在于 所述的步驟[1] [2] [3]和[5]采用的分類器是旋轉(zhuǎn)森林分類器。
10. -種基于多分類器集成的老人跌倒檢測(cè)系統(tǒng)，其特征在于，其特征在于所述的系 統(tǒng)采用所述的一種基于多分類器集成的老人跌倒檢測(cè)方法實(shí)現(xiàn)，系統(tǒng)包括：一個(gè)跌倒訓(xùn)練 樣本數(shù)據(jù)庫(kù)，存儲(chǔ)很多跌倒特征向量及跌倒類別的訓(xùn)練樣本；一個(gè)跌倒檔案數(shù)據(jù)庫(kù)，用以儲(chǔ) 存跌倒時(shí)的每個(gè)傳感器特征向量，跌倒特征向量，跌倒預(yù)警信息，和跌倒預(yù)警時(shí)間；系統(tǒng)還 包括模塊：傳感器信息采集模塊，傳感器特征向量構(gòu)造模塊，跌倒特征向量構(gòu)造模塊，特征 選擇模塊，跌倒識(shí)別模塊，跌倒識(shí)別模型學(xué)習(xí)模塊，跌倒預(yù)警模塊，跌倒檔案管理模塊，其中 傳感器信息采集模塊的輸出與傳感器特征向量構(gòu)造模塊的輸入連接，傳感器特征向量構(gòu)造 模塊的輸出與跌倒特征向量構(gòu)造模塊的輸入連接，跌倒特征向量構(gòu)造模塊的輸出與特征選 擇模塊的輸入連接，特征選擇模塊的輸出與跌倒識(shí)別模塊的輸入連接，跌倒識(shí)別模型的學(xué) 習(xí)模塊的輸出與跌倒識(shí)別模塊的輸入連接，跌倒識(shí)別模塊的輸出與跌倒預(yù)警模塊的輸入連 接，跌倒預(yù)警模塊的輸出與跌倒檔案管理模塊的輸入連接，其中跌倒識(shí)別模型學(xué)習(xí)模塊離 線獨(dú)立在計(jì)算機(jī)上運(yùn)行。
【專利摘要】本發(fā)明涉及一種基于多分類器集成的老人跌倒檢測(cè)方法及系統(tǒng)，該方法包括步驟：采集每個(gè)傳感器信息；跌倒方向預(yù)測(cè)，跌倒壓力預(yù)測(cè)，跌倒聲音預(yù)測(cè)，跌倒誤判預(yù)測(cè)；構(gòu)造跌倒特征向量，其由四個(gè)預(yù)測(cè)結(jié)果構(gòu)成；調(diào)用分類器實(shí)現(xiàn)集成跌倒預(yù)測(cè)；輸出跌倒判別結(jié)果。本發(fā)明涉及一種基于多分類器集成的老人跌倒檢測(cè)系統(tǒng)，其特征在于，所述的系統(tǒng)包括：傳感器信息采集模塊，跌倒方向預(yù)測(cè)模塊，跌倒壓力預(yù)測(cè)模塊，跌倒聲音預(yù)測(cè)，跌倒誤判預(yù)測(cè)模塊；構(gòu)造跌倒特征向量模塊；集成跌倒預(yù)測(cè)模塊，集成跌倒預(yù)測(cè)模型學(xué)習(xí)模塊，跌倒預(yù)警模塊，跌倒檔案管理模塊。本發(fā)明的效果是跌倒檢測(cè)準(zhǔn)確率高，跌倒呼救及時(shí)，成本低，攜帶方便。
【IPC分類】G08B21-04
【公開(kāi)號(hào)】CN104637242
【申請(qǐng)?zhí)枴緾N201310558923
【發(fā)明人】不公告發(fā)明人
【申請(qǐng)人】廣州華久信息科技有限公司
【公開(kāi)日】2015年5月20日
【申請(qǐng)日】2013年11月12日