對站立時滾轉(zhuǎn)角和俯仰角的變化量的絕對值之和作為角度特征。
[0029] 由此，一共提取了3個特征，滑動時間窗口內(nèi)加速度的均值、標準差，以及相對站立 時滾轉(zhuǎn)角和俯仰角的變化量的絕對值之和。
[0030] 為驗證本實施例的方法，制備了穿戴式設備。穿戴式設備由MEMS傳感器模塊、藍牙 模塊和鋰電池組成。MEMS傳感器模塊包括慣性傳感器MPU6050，MPU6050本身整合了三軸加 速度儀和三軸陀螺儀。傳感器模塊以100Hz的頻率分別采集三軸加速度和三軸角速度，通過 藍牙模塊傳給PC上位機，PC上位機采用Visual C++6.0編寫數(shù)據(jù)采集和數(shù)據(jù)處理程序。
[0031] 由于人體的頭部、手腕、大臂等部位的日?；顒宇l繁，將傳感器佩戴在這些地方容 易造成誤警報，而放置于胸部往往影響穿戴者的主觀感受，人體工程學數(shù)據(jù)顯示，直立狀態(tài) 下人體的重心位置大約在人體身高的56%處，因此將傳感器穿戴在人體腰部是比較合適的， 由人體日常行為帶來的干擾也較小。
[0032] 采用該裝置進行上述特征的采集。
[0033] 分別采集跌倒樣本和日?；顒有袨闃颖具M行SVM模型訓練和測試。本實施例定義4 種跌倒方式：向前跌倒、向后跌倒、向左跌倒和向右跌倒。定義10種日?；顒有袨?站立、坐 下、從坐下起立、蹲下、從蹲下起立、彎腰、躺下、從躺下坐起、行走和慢跑。實驗人數(shù)為5人， 年齡23±1.3,身高171.4±2.2cm，體重61 ·2±4·6kg，跌倒實驗在4mX lmX0·2m的海綿墊子 上完成。將得到的跌倒樣本和日?；顒有袨闃颖痉譃橛柧殬颖炯蜏y試樣本集，樣本集的 組成見表1。
[0034]表1樣本集的組成
訓練樣本集用于訓練SVM模型，測試樣本集用于評估分類的準確性。采用LIBSVM開發(fā)包 來實現(xiàn)SVM算法。跌倒檢測的準確性可用以下2個指標來衡量：
其中：TP表示跌倒發(fā)生并檢測到的樣本數(shù)，F(xiàn)N表示跌倒發(fā)生但漏報的樣本數(shù)，TN表示日 常行為發(fā)生并檢測到的樣本數(shù)，F(xiàn)P表示將日常行為誤認為是跌倒的樣本數(shù)。
[0035] 預留不同的時間來采集跌倒樣本，同時對比僅采用加速度特征、僅采用角度特征 以及結(jié)合加速度特征和角度特征的情況，進行模型訓練和測試，實驗結(jié)果如下： 表2僅采用加速度特征
注：Sen=Sensitivity; Spe=Specificity 從表2可以看出，僅采用加速度特征時，預留200ms采集的跌倒樣本訓練得到的模型準 確性最好。
[0036] 表3僅采用角度特征
從表3可以看出，僅采用角度特征時，預留100ms采集的跌倒樣本訓練得到的模型準確 性最好。
[0037] 表4結(jié)合加速度特征和角度特征
從表4可以看出，結(jié)合加速度特征和角度特征時，預留200ms采集的跌倒樣本訓練得到 的模型準確性最好。對比這三種情況的最優(yōu)檢測結(jié)果，如下表所示： 表5對比結(jié)果

從表5可以看出，結(jié)合加速度特征和角度特征的結(jié)果優(yōu)于采用單一的加速度特征或角 度特征。分析數(shù)據(jù)發(fā)現(xiàn)，僅采用加速度特征時，快速蹲下、慢跑等加速度變化較劇烈的日常 行為容易被誤認為是跌倒行為，僅采用角度特征時，彎腰、躺下等角度變化較大的日常行為 容易被誤認為是跌倒行為。
[0038] 將該最優(yōu)SVM模型導入PC上位機程序，設置100ms的滑動時間窗口，50%的窗口疊加 率，統(tǒng)計250組跌倒測試樣本的前置時間，結(jié)果見表6。
[0039] 表6前置時間統(tǒng)計
可見，本實施例中，采用本發(fā)明的方法，跌倒行為的檢測率為99.2%，日?；顒有袨榈臋z 測率為96%，對較為劇烈的日?；顒有袨?，也有較高的檢測率，平均前置時間達到273ms，為 跌倒的實時預警以及保護裝置的啟動提供時間。
[0040] 實施例二:采用實施例一所述的方法，改變滑動窗口的長度進行訓練試驗。
[0041] 參見附圖4所示，是一次行走過程的加速度矢量和變化曲線，首先定義窗口長度w 和窗口的疊加長度〇,對于一段時序數(shù)據(jù)% ，第一個窗口表不為丨·_3 & I:， 對這個窗口內(nèi)的數(shù)據(jù)提取加速度和角速度特征。由于窗口的疊加長度為0，則下一個窗口的 數(shù)據(jù)表示為繼續(xù)對這個窗口的數(shù)據(jù)進行處理，以此類推，因此一次 日常行為可以采集多組日常行為樣本。實驗中每種日常行為的完成時間為5秒，日常行為樣 本采集的滑動窗口長度w同樣取100ms，窗口疊加率取50%，即當前窗口的后50%數(shù)據(jù)作為下 一窗口的前50%數(shù)據(jù)，從中選擇數(shù)據(jù)變化較劇烈的樣本，即容易誤判為跌倒的樣本，共得到 300組日常活動行為樣本。
[0042] 采用不同的滑動窗口長度w進行取樣，在發(fā)生跌倒行為的實樣中，取樣的滑動窗口 至實際跌倒的預留時間為t，結(jié)果如下表所示：
從上表可以看出，當w取250ms，預留時間t為150ms時，樣本訓練得到的跌倒檢測模型準 確性最好，以此跌倒檢測模型作為最優(yōu)跌倒檢測模型，此時跌倒行為檢測率為99.6%，只有1 組跌倒行為沒有在跌倒碰撞地面前檢測到，日常活動行為檢測率為100%，沒有出現(xiàn)誤判，對 于像慢跑這樣比較劇烈的日?；顒有袨?，也有很高的檢測率。跌倒檢測的平均前置時間為 27 lms，249組檢測到的跌倒行為的前置時間分布情況見下表。
[0043] 前置時間分布

可見，本實施例能有效進行跌倒檢測，并且具有足夠的前置時間，可以用于人體跌倒保 護裝置的控制。
【主權項】
1. 一種人體跌倒檢測方法，其特征在于，包括： 1) 特征值的獲?。? ① 使用人體穿戴的=軸加速度儀和=軸巧螺儀進行采樣，得到各個采樣時間點的采樣 數(shù)據(jù)； ② 根據(jù)步驟①得到的采樣數(shù)據(jù)，分別計算獲得每個采樣時間點的=軸合加速度a、滾 轉(zhuǎn)角/、俯仰角録， 其中，，ax、ay、az分別是 = 軸加速度，W水平面中正交的兩個方向 分別作為巧由和7軸，滾轉(zhuǎn)角昔是繞巧由的姿態(tài)角，俯仰角是繞7軸的姿態(tài)角； ③ 設置滑動時間窗口的長度和相鄰滑動時間窗口的疊加率，獲得每一滑動時間窗口內(nèi) 的各采樣點的=軸合加速度的均值譚滅和標準差％，獲得在滑動時間窗口的最后一個采 樣點處人體相對于直立狀態(tài)時的滾轉(zhuǎn)角和俯仰角的變化量的絕對值之和，W該=個參數(shù)作 為特征值； 2) 分類器的建立和訓練： 采用支持向量機算法構建分類器，W步驟1)獲得的=個參數(shù)作為分類器的輸入特征 值； 由進行訓練的人員分別進行日?；顒有袨楹筒煌牡剐袨?，獲取跌倒樣本和日?；?動行為樣本構成訓練集，對分類器進行訓練，獲得訓練后的分類器； 3) 采用訓練后的分類器根據(jù)獲取的人體實際傳感數(shù)據(jù)進行跌倒檢測。2. 根據(jù)權利要求1所述的人體跌倒檢測方法，其特征在于：步驟1)之①中，采樣頻率不 小于50化。3. 根據(jù)權利要求2所述的人體跌倒檢測方法，其特征在于:采樣頻率為IOOHz。4. 根據(jù)權利要求1所述的人體跌倒檢測方法，其特征在于:滑動時間窗口的長度為100 ~300ms，窗口的疊加率為40%~60〇/〇。5. 根據(jù)權利要求1所述的人體跌倒檢測方法，其特征在于：滑動時間窗口的長度為 IOOms，窗口的疊加率為50〇/〇。6. -種人體跌倒保護裝置，包括跌倒檢測裝置、保護氣囊和驅(qū)動裝置，其特征在于:所 述跌倒檢測裝置主要由=軸加速度儀、=軸巧螺儀和控制器構成，所述控制器中設有權利 要求1中所述的訓練后的分類器。7. 根據(jù)權利要求6所述的人體跌倒保護裝置，其特征在于:所述跌倒檢測裝置設置在人 體的腰部。8. 根據(jù)權利要求6所述的人體跌倒保護裝置，其特征在于:所述驅(qū)動裝置包括經(jīng)過一控 制閥與保護氣囊連通的壓縮氣瓶，所述控制閥由所述控制器控制開閉。9. 根據(jù)權利要求6所述的人體跌倒保護裝置，其特征在于:所述保護氣囊由分別穿戴在 人體脆弱部位的多個氣囊構成。
【專利摘要】本發(fā)明公開了一種人體跌倒檢測方法及保護裝置，獲取每個采樣時間點的三軸合加速度、滾轉(zhuǎn)角、俯仰角，設置滑動時間窗口，獲得每一時間窗口內(nèi)的各采樣點的三軸合加速度的均值和標準差，獲得在滑動時間窗口的最后一個采樣點處人體相對站立時滾轉(zhuǎn)角和俯仰角的變化量的絕對值之和，以該三個參數(shù)作為特征值；采用支持向量機算法構建分類器；獲取跌倒樣本和日常活動行為樣本構成訓練集，對分類器進行訓練，獲得訓練后的分類器；采用訓練后的分類器根據(jù)獲取的人體實際傳感數(shù)據(jù)進行跌倒檢測。本發(fā)明跌倒行為的檢測率為99.2%，日?；顒有袨榈臋z測率為96%，平均前置時間達到273ms，為跌倒的實時預警以及保護裝置的啟動提供的反應時間。
【IPC分類】G08B21/04
【公開號】CN105590408
【申請?zhí)枴緾N201610083726
【發(fā)明人】高強
【申請人】高強
【公開日】2016年5月18日
【申請日】2016年2月6日