专利名称：一种跌倒检测方法和装置的制作方法
技术领域：
本发明涉及普适计算和健康监护领域，具体涉及一种跌倒检测方法和装置。
背景技术：
根据世界疾病控制与预防组织统计，约有三分之一的65岁以上居家老人每年有一次以上的跌倒，一次性跌倒中近10%会引起严重伤害或疾病。跌倒成为危害老年人及其他特殊人群的重要因素之一。及时的跌倒检测和救助可以为治疗和抢救赢得宝贵时间，对提高用户的独立生活能力、保障其健康和提高医疗监护水平都具有非常重要的作用。当前， 我国已经进入老龄化社会且呈现加速发展态势，独居老人和“空巢家庭”逐渐增多，急需研发携带方便、检测准确、判断实时的跌倒检测装置，以满足广泛的社会需求。现有的跌倒检测方法可以大致分为两类基于阈值的检测方法和基于模型的检测方法。基于阈值的检测方法预先为相关参数设定阈值，如果用户行为过程中相关参数值不满足阈值条件，则判断为跌倒。例如，专利申请200910021227. 3根据加速度传感器数据， 先利用截止频率为0. 5Hz的高通滤波器进行滤波，将过滤后的数据流切成多个单位为1秒钟的数据段，然后计算每段窗口的方差和中值，评估值采用十秒钟求均值，通过将评估值跟预先设定的阈值进行比较来检测跌倒；专利申请200880012^3. 8通过计算加速度信号X、
Y、Z的幅值M ( M = ^Jx2+Y2+Z2 )，并当超过设定阈值时判断用户跌倒。为了减小检
测的误警率，该发明通过检测设备是否是自由落体运动、设备是否旋转以及设备与用户身体的紧邻程度来过滤噪声数据；专利申请200910145045. 7采集使用者上躯干部位的三维加速度信息，并对信息进行融合处理，综合人体所受冲击和冲击前后上躯干倾斜角度的变化来判断是否发生摔倒，在判断摔倒级别的冲击发生时，使用加速度>阈值3. 5g为标准； 专利申请US201102M93-A1采用加速度数据的合成值，通过阈值方法检测跌倒瞬间的失重状态和触地瞬间的超重状态来识别跌倒；专利申请US2009048540-A1采用阈值方法来检测加速度的瞬间变化和用户身体从垂直方向到水平方向的改变；专利申请US2010121603-A1 设置大腿方向阈值、大腿和腰部的加速度关系阈值和大腿方向的变化阈值，如果实时检测结果超过这三个阈值，则认为用户跌倒。此外，采用阈值方法的相关专利申请还有 200810204106. 8,201010265588. 5、US2006279426-AU EP1870037-A1、AU2009247584-A1、 US2009292227-AUW02010126878-A1 等。基于模型的检测方法一般利用机器学习算法从训练数据学习分类模型来区分正常行为和异常行为(跌倒)。专利申请20101(^85585. 8通过阈值方法和模型方法相结合的方式，在阈值判断之后，利用一类支持向量机(Support Vector Machine, SVM)进行模式识别，进行二次判断，将测试向量与样本集合比较，当测试向量不在样本集合之内时，判断为跌倒；文献[J. Yin，Q. Yang，J. J. Pan，Sensor-Based Abnormal Human-ActivityDetection, IEEE Transactions on Knowledge and Data Engineering， v.20(8)， pp.1082-1090， 2008.]从走路、上下楼梯、跑步、坐下等正常行为数据提取特征，先利用一类SVM作为异常
4检测模型过滤掉高概率的正常样本，再利用核非线性回归模型以无监督的方式构建异常样本的识别模型。已有检测方法没有对检测数据进行高效的过滤，而是对用户的连续行为数据进行分析。由于个别正常行为(如跑步、下楼梯等)的瞬间过程与跌倒相似度较高，外加噪声行为数据的影响，所以降低了检测的准确率；另外，现有检测方法难以实现检测率和误警率之间的平衡阈值方法需要人为设定阈值大小，模型方法所定义的区分边界也受相关参数的影响，难以找到正常行为和异常行为(跌倒)之间的最优区分边界。所以，虽然跌倒检测现在已有多种方法，但已有方法都不能同时满足跌倒检测对高检测率和低误警率的要求。然而，跌倒检测是一个代价敏感的问题，一方面，对跌倒的漏检测比对正常行为的漏检测后果要严重得多，要求模型有高的检测率；另一方面，频繁的误报警会引起用户的反感，降低其对检测装置的信任度，不利于装置的实际应用和推广。所以，目前急需检测率高且误警率低的检测方法和装置。
发明内容
本发明要解决的技术问题是实现同时满足高检测率和低误警率的跌倒检测方法。根据本发明一个方面，提供了一种跌倒检测方法，包括1)采集用户行为数据；2)根据用户行为数据识别用户行为；3)根据行为识别结果从所采集的数据中分割出行为切换数据，并将行为切换数据规整成等长的特征向量；4)根据规整后的特征向量进行跌倒检测。在上述方法中，所述步骤2、进一步包括21)将用户行为数据截取为窗口数据；22)对截取的窗口数据提取特征来组成测试样本；23)利用行为识别模型对测试样本进行用户行为识别。在上述方法中，所述步骤21)后还包括对窗口数据进行预处理。在上述方法中，所述预处理包括空缺值填补和数据滤波。在上述方法中，所述特征包括均值、标准方差、过零率、百分位数、关联系数、功率谱密度、频域熵和/或谱峰位置。在上述方法中，所述行为识别模型通过离线训练获得。在上述方法中，所述行为识别模型是决策树分类模型、支持向量机模型、多层感知器神经网络或隐马尔可夫模型。在上述方法中，所述步骤幻中所述规整是利用基于高斯观测密度的隐马尔科夫模型来完成。在上述方法中，所述步骤幻中所述规整是直接提取所述行为切换数据的特征，并将所提取的特征转换成等长的向量。在上述方法中，所述步骤4)中所述跌倒检测是利用一类支持向量机模型来进行。在上述方法中，利用一类支持向量机模型进行跌倒检测后，对于不属于跌倒行为的测试样本，再利用加权K近邻算法进一步确定是否确实不属于跌倒行为。
根据本发明另一方面，还提供了一种跌倒检测装置，包括数据采集模块，用于采集用户行为数据；行为识别装置，用于根据用户行为数据识别用户行为；数据处理模块，用于根据行为识别结果从所采集的数据中分割出行为切换数据， 并将行为切换数据规整成等长的特征向量；跌倒检测模块，用于根据规整后的特征向量进行跌倒检测。在上述装置中，所述跌倒检测模块包括第一检测模块，用于利用一类支持向量机模型来根据规整后的特征向量进行跌倒检测。在上述装置中，所述跌倒检测模块还包括第二检测模块，用于在所述第一检测模块进行跌倒检测后，对于不属于跌倒行为的测试样本，再利用加权K近邻算法进一步确定是否确实不属于跌倒行为。在上述装置中，所述用户行为数据来自加速度计和/或陀螺仪。在上述装置中，所述数据处理模块对行为切换数据进行规整是利用基于高斯观测密度的隐马尔科夫模型来完成。相比于现有技术，本发明提供的检测方法和装置以行为切换数据作为检测对象， 将跌倒检测从以正常行为数据作为特征空间转移到以行为切换数据作为特征空间，可以有效过滤正常行为数据和噪声数据，降低特征空间的复杂度，提高模型的检测能力和准确率。 另外，本发明的优选实施例的检测方法和装置所涉及的组合异常检测模型融合了模型检测算法和距离检测算法的优点，可以提高模型的区分能力，从而更好地实现模型检测率和误警率的平衡。
图1 (a)和图1 (b)分别是跌倒发生在不同行为的切换处和跌倒发生在相同行为的突变处的示意图；图2是根据本发明一个优选实施例的跌倒检测方法的主要功能模块示意图；图3是根据本发明一个优选实施例的跌倒检测方法的流程图；图4是根据本发明一个优选实施例的行为识别的流程图；图5是根据本发明一个优选实施例的组合异常行为检测模型的分类边界示意图。
具体实施例方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对根据本发明一个实施例的跌倒检测方法和装置进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。在现实生活中，跌倒一般发生在行为的切换处或突变处，如图1(a)和图1(b)所示。其中图1(a)示出了跌倒发生在不同行为的切换处，具体而言，人在跑步时发生了跌倒， 然后变为静止(平躺)。图1(b)示出了跌倒发生在相同行为的突变处，具体而言，人在站立 (静止)时突然晕倒，晕倒后仍处于静止状态(平躺)。为了有效过滤正常行为数据和噪声数据，降低特征空间的复杂度，增强检测方法的区分能力，同时实现高检测率和低误警率，本发明基于上述客观事实提供了一种基于行为切换的跌倒检测方法及装置。如图2所示，该跌倒检测方法包括三个步骤行为识别、行为切换数据分割及规整、异常检测。具体而言，首先，根据传感器采集的行为数据利用行为识别方法对用户的连续行为数据进行识别；然后，根据行为识别的结果对用户的连续行为数据进行分割，提取相邻行为之间的切换数据，过滤掉大量的正常行为数据和噪声数据，并将该切换数据规整成等长的特征向量；最后，利用异常检测方法，对行为切换数据进行异常检测，识别出异常的行为切换数据，认为发生了跌倒事件并进行报警。图3示出了根据本发明一个优选实施例的跌倒检测方法的流程图，下面根据该流程图对本发明的跌倒检测方法进行详细描述。1、行为识别行为识别可以利用训练获得的行为识别模型来进行。图4中分别以实线部分和虚线部分示出了模型训练和在线识别两个部分。如图4中实线部分所示，识别模型训练部分具体包括下列步骤利用加速度计、陀螺仪等设备采集用户每种典型行为的传感器数据，利用长度为1 的窗口对传感器数据进行截取，其中该典型行为例如静止、走路、跑步、上下楼梯等；对截取的每一个窗口数据，利用数据预处理算法对数据进行预处理，预处理算法包括但不限于空缺值填补、数据滤波等。空缺值填补用于补充丢失的数据，使之成为连续的时间序列数据；数据滤波用于过滤掉孤立点数据或高频噪声数据等；从预处理之后的窗口数据提取特征，将提取的特征组成特征向量，并加上行为类别标号，生成训练样本，典型的特征包括但不限于均值、标准方差、过零率、百分位数、关联系数、功率谱密度、频域熵、谱峰位置等；根据由所有训练样本组成的训练集合，利用决策树(Decision Tree, DT)分类算法，训练DT多类分类模型，即行为识别模型。本领域普通技术人员可以理解，本发明的该实施例中采用了简单而有效的DT分类模型，但是本领域普通技术人员可以理解也可以采用其他的多类分类模型，例如SVM、多层感知器神经网络(Multi-Layer Perceptron neural network, MLP)和隐马尔科夫模型 (Hidden Markov Model, HMM)等。利用上述行为识别模型进行行为识别的过程与训练过程类似，如图4的实线部分所示，具体包括下列步骤10)通过传感器采集用户行为数据，利用长度为1的窗口对传感器数据进行截取；20)对截取的每一个窗口数据，利用数据预处理算法对数据进行预处理；30)从预处理之后的窗口数据提取特征，将该提取的特征组成测试样本，该测试样本与上述训练样本的区别在于，其不包括行为类别标号；40)利用行为识别模型对测试样本进行行为识别。本领域普通技术人员可以理解，上述行为识别模型的训练可以离线执行，上述行为在线识别过程通常是重复、连续的。2、行为切换数据分割及规整10)根据行为识别结果，判断是否发生行为切换，如果没有发生行为切换，则重新采集数据，如果发生了行为切换，则进行步骤20)。20)对于发生行为切换的部分，从原始传感器采样数据中分割出相邻行为之间的
7行为切换数据。一般的，行为切换过程的持续时间较短，往往小于一个行为识别窗口的长
度。假设用A、B、C、D.......来表示行为类别，则从行为A切换到行为B的过程可能呈现出
下列三种识别结果1)AA. . . AB. . . BB ；2) AA. . . ACB. . . BB ；3) AA. . . ACDB. . . BB，其中 C 和 D 可以相同，即行为切换数据可能包含在相邻行为的截止窗口和起始窗口中，也可能包含在相邻行为之间的一个或两个过渡窗口中，且过渡窗口的行为数据可能识别为其它行为类别。 对上述三种情况所对应的原始行为数据进行分割，分别提取AB、ACB、ACDB作为行为切换数据。30)由于行为切换数据的长度不完全相同，需要对其进行规整使其长度相同之后才能利用异常检测模型进行识别。假设拥有N段正常行为切换数据Yi, 1 < i < N，分为M 类。使用Baum-Welch算法为每一类数据训练一个基于高斯观测密度的HMM模型，每个模型对应参数λρ < J^M0每一段数据与各个HMM模型之间的对数相似度可以表示为L(Yi ； λ ρ = log P(Yi I λ ρ , 1 ^ i ^ N, 1 ^ j ^ M (1)据此，长度不等的行为切换数据Yi可以规整成等长的特征向量Xi = <L(Y,； X1), ···, L(Y, ;λΜ)>0由此，任意一段行为切换数据都可以根据上述方法规整成等长的特征向量。当然，除了上述数据规整方法，也可以直接对行为切换数据提取特征，将其转换成等长的向量，其中可用于提取的特征包括但不限于均值、标准方差、过零率等。3、异常检测异常检测过程包括下列步骤10)检测是否发生跌倒事件，如果没有发生跌倒事件，则重新采集数据，如果发生了跌倒事件，则进行步骤20)；首先，通过训练来获得用于检测跌倒事件的模型。将正常行为切换数据规整后得到的向量作为训练样本(正常样本)，利用一类支持向量机(Support Vector Machine, SVM)算法训练一类SVM分类模型，并通过调节“拒绝率”参数δ δ < 1)将设定比例的正常样本排除在边界之外以实现边界的“紧致”，以将置信度大的样本先区分开来，如图5所示。在在线检测阶段，将需要检测的行为切换数据进行规整，利用规整后的向量作为测试样本，输入一类SVM模型。如果测试样本落在分类面之内，则判定为正常。优选地，如果测试样本没有落在分类面之内，则利用加权K近邻(KNearest Neighbor, KNN)算法进行再次判断，其中加权KNN算法是一种“懒惰”学习算法，不需要模型训练，只需保留所有正常样本以便在在线检测阶段计算测试样本与训练样本之间的距离。
假设测试样本χ与其k个最近邻训练样本X1,…，Xk的距离及距离权重分别为Cl1, . . .，dk
和CO1,…，COk,则k个最近邻训练样本的加权平均位置为
权利要求
1.一种跌倒检测方法，包括1)采集用户行为数据；2)根据用户行为数据识别用户行为；3)根据行为识别结果从所采集的数据中分割出行为切换数据，并将行为切换数据规整成等长的特征向量；4)根据规整后的特征向量进行跌倒检测。
2.根据权利要求1所述的方法，其特征在于，所述步骤2、进一步包括21)将用户行为数据截取为窗口数据；22)对截取的窗口数据提取特征来组成测试样本；23)利用行为识别模型对测试样本进行用户行为识别。
3.根据权利要求2所述的方法，其特征在于，所述步骤21)后还包括对窗口数据进行预处理。
4.根据权利要求3所述的方法，其特征在于，所述预处理包括空缺值填补和数据滤波。
5.根据权利要求2至4任一项所述的方法，其特征在于，所述特征包括均值、标准方差、 过零率、百分位数、关联系数、功率谱密度、频域熵和/或谱峰位置。
6.根据权利要求2至4任一项所述的方法，其特征在于，所述行为识别模型通过离线训练获得。
7.根据权利要求2至4任一项所述的方法，其特征在于，所述行为识别模型是决策树分类模型、支持向量机模型、多层感知器神经网络或隐马尔可夫模型。
8.根据权利要求1至4任一项所述的方法，其特征在于，所述步骤幻中所述规整是利用基于高斯观测密度的隐马尔科夫模型来完成。
9.根据权利要求1至4任一项所述的方法，其特征在于，所述步骤幻中所述规整是直接提取所述行为切换数据的特征，并将所提取的特征转换成等长的特征向量。
10.根据权利要求1至4，或7任一项所述的方法，其特征在于，所述步骤4)中所述跌倒检测是利用一类支持向量机模型来进行。
11.根据权利要求10所述的方法，其特征在于，利用一类支持向量机模型进行跌倒检测后，对于不属于跌倒行为的测试样本，再利用加权K近邻算法进一步确定是否确实不属于跌倒行为。
12.—种跌倒检测装置，包括数据采集模块，用于采集用户行为数据；行为识别装置，用于根据用户行为数据识别用户行为；数据处理模块，用于根据行为识别结果从所采集的数据中分割出行为切换数据，并将行为切换数据规整成等长的特征向量；跌倒检测模块，用于根据规整后的特征向量进行跌倒检测。
13.根据权利要求12所述的装置，其特征在于，所述跌倒检测模块包括第一检测模块， 用于利用一类支持向量机模型来根据规整后的特征向量进行跌倒检测。
14.根据权利要求13所述的方法，其特征在于，所述跌倒检测模块还包括第二检测模块，用于在所述第一检测模块进行跌倒检测后，对于不属于跌倒行为的测试样本，再利用加权K近邻算法进一步确定是否确实不属于跌倒行为。
15.根据权利要求12至14任一项所述的装置，其特征在于，所述用户行为数据来自加速度计和/或陀螺仪。
16.根据权利要求12至14任一项所述的装置，其特征在于，所述数据处理模块对行为切换数据进行规整是利用基于高斯观测密度的隐马尔科夫模型来完成。
全文摘要
本发明提供一种跌倒检测方法和装置，该方法包括1)采集用户行为数据；2)根据用户行为数据识别用户行为；3)根据行为识别结果从所采集的数据中分割出行为切换数据，并将行为切换数据规整成等长的特征向量；4)根据规整后的特征向量进行跌倒检测。本发明基于行为切换进行跌倒检测，能够过滤掉大量的正常行为数据，降低特征空间的复杂度，增强模型的区分能力，提高模型的检测率。
文档编号A61B5/11GK102302370SQ20111018034
公开日2012年1月4日 申请日期2011年6月30日 优先权日2011年6月30日
发明者王双全, 陈振宇, 陈益强 申请人:中国科学院计算技术研究所