穿戴式摔倒动态实时检测方法和装置制造方法

穿戴式摔倒动态实时检测方法和装置制造方法
【专利摘要】本发明公开了一种穿戴式摔倒动态实时检测方法和装置，穿戴式检测装置包括足部、腰部、腕部、背部组成的特定硬件结构；摔倒动态实时检测方法可以完成人体任意状态下摔倒的实时判别，其核心算法包括三（1）步态加速度突变引起的阈值开启逻辑结构；（2）基于零力矩点（ZMP）的人体姿态动态稳定性判别算法；（3）基于人体运动数据库的摔倒模式识别算法。构成完整的动态实时检测系统，达到了应用领域广、对应用环境的依赖性小且实时检测的目的，且该检测方法和装置精确度高，具有系统成本小，系统体积小于便于穿戴的优点。
【专利说明】穿戴式摔倒动态实时检测方法和装置
【技术领域】
[0001]本发明涉及传感技术和数字信号处理【技术领域】，具体地，涉及一种穿戴式摔倒动态实时检测方法和装置。
【背景技术】
[0002]MEMS惯性传感器是以集成电路工艺和微机械加工工艺为基础，在单晶硅片上制造出来的微机电系统，包括微加速度计和微陀螺仪，是微机电系统研究和发展的最重要的方向之一。由三维加速度计和三维微陀螺仪组成的微惯导测量组合的工作原理是经典力学中的牛顿定律，其功能是测量运动物体(如车辆、飞机、导弹、舰艇、人造卫星、生物体等)的质心运动和姿态运动，进而可以对运动物体实现控制和导航；与此同时，微型惯性测量系统具有体积小、重量轻、可靠性高、易集成、能大批量生产、价格低廉等优点，使其在众多的民用和军用领域具有广阔的应用前景。
[0003]基于微惯导测量系统实现控制和导航的原理虽然简单，但是其测量精度却难以提高，分析其主要原因可归结为三个方面:一是微机电惯性敏感器件的制造精度难以提高，特别是高深宽比刻蚀容易发生侧 向侵蚀，从而降低了加工精度；二是器件的测量信号容易受到其它信号源的干扰；第三个原因是由于目前对微机电器件的各种物理特性在微观状态下的表现尚缺乏足够研究，因而影响了器件的数学建模，从而影响器件精度补偿的有效性。
[0004]目前，国内外针对微惯导系统的误差消除和信号处理主要采用以下技术路线:
(I)器件级的误差补偿技术。元器件误差特性分析通过对微机电陀螺和加速度计的误差分析(主要包括静态偏置与漂移、与g有关的偏置和漂移、装调误差、随机噪声、温度系数等)，掌握元器件的特性，建立误差模型，为系统的误差补偿(包括温度控制与补偿)提供前提条件。
[0005](2)结构级电路设计和误差补偿技术。微惯性测量组合系统中的集成与标定是将陀螺和加速度计通过机械装置、数据采集电路以及辅助电路集成在一起，由此形成uIMU。uIMU的标定主要包括系统的偏置、标度因数、陀螺输出与g有关的系数、正交度等，在此基础上，可对惯导系统进行软件补偿。此外，在传感器信号输出质量一定的情况下，研究传感器的调理电路，降低噪声、减少漂移、提高共模抑制比也是提高微惯导系统精度的一种方法。
[0006](3)系统级信号处理技术一算法的研究。基于微惯导信号的姿态矩阵的解算方法，研究四元数法及基于四元数的姿态矩阵更新算法，包括四阶龙格一库塔法，四元数三阶泰勒展开递推算法等；卡尔曼滤波算法以及其扩展算法研究，包括经典卡尔曼滤波器、扩展卡尔曼滤波器、鲁棒自适应卡尔曼滤波器等，以获得长期的、更为鲁棒和准确的姿态信息。
[0007](4)运用模式识别算法对运动和姿态进行分类及跟踪。在现有硬件水平和载体的运动特性基础上，研究微惯导信息的特征提取算法，针对不同应用，研究运动和姿态的分类识别算法。在研究中以分类识别算法开发为主，使系统能够适应各种不同的信号处理、不同的数码速率和不同输入/输出方案的需要，而不受硬件的影响，从而大大的弥补了微惯导硬件精度有限的问题，扩展了微惯导系统的应用范围。

【发明内容】

[0008] 本发明的目的在于，针对上述问题，提出一种穿戴式摔倒动态实时检测方法和装置，以实现应用领域广、对应用环境的依赖性小、实时检测且便于穿戴的优点。
[0009]为实现上述目的，本发明采用的技术方案是:
一种基于穿戴式检测系统的摔倒动态实时检测方法，以完成人体摔倒的实时判别，核心算法包括:算法I步态加速度突变引起的阈值开启逻辑结构；算法2基于零力矩点的人体姿态动态稳定性判别算法；算法3基于人体运动数据库的摔倒模式识别算法；
实时判别算法是对上述三种核心算法的综合运用，检测摔倒时，首先由算法I判别出异常状态，然后由算法2和算法3分别判断人体姿态的稳定性和摔倒动作，当算法2和算法3同时给出摔倒报警信号，则判定为发生摔倒，三种算法可独立或者两两组合完成摔倒的检测，
上述算法I中的逻辑结构中的步态逻辑包括人正常运动时所有的脚步动作，所述加速度突变是指在上述人体正常运动状态下，由于晕厥、打滑、磕绊、支撑无力、外力冲击等突发状态而引起的脚部加速度突变，此种加速度突变必须与脚部的压力数据配合才能判别为非正常状态，进而开启触发信号；
算法2所述的基于零力矩点的人体动态稳定性判别改进算法，是根据真实的脚步压力数据、关键节点的加速度和角速度数据，进一步积分得到速度、位置和转角，带入到动态判据模型，零力矩点应落在动态稳定区域内，而由于摔倒动作引起的零力矩点出离动态稳定区域，则认为人有摔倒的可能性，零力矩点离开动态稳定区域越大，人体自动平衡到安全状态的几率越小，摔倒的可能性越大。
[0010]算法3所述基于人体运动数据库的摔倒模式识别算法主要包括以下步骤:建立“跌倒”和“非跌倒”惯性向量数据库；使用主成分分析对上述惯性向量数据库进行提取和选择降维特征；以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测。
[0011]根据本发明的优选实施例，所述算法I中阈值开启的阈值开启算法包括但不限于以下危险状态:支撑脚因滑动引起的前后方向和左右方向加速运动；摆动脚因磕绊引起的减速运动；晕厥引起的脚部压力减小并伴有的腰部失重运动；双脚腾空时伴随的腰部失重运动。
[0012]根据本发明的优选实施例，所述零力矩点的计算，需要确定人的身高、体重、腿部长度并确定静态重心位置，从而确定每个穿戴式设备使用者的动态稳定区域。
[0013]所述动态稳定区域的计算完整的模型需要手部、脚步、腰部和背部所有节点的动态数据，但双脚与腰部、双脚与背部的简单节点组合可粗略计算动态平衡区域。
[0014]根据本发明的优选实施例，所述建立“跌倒”和“非跌倒”惯性向量数据库具体为:利用微惯性测量单元分别采集腰部、腕部和足部在“跌倒”和“非跌倒”状态下的惯性向量数据；使用初始滤波器对惯性向量数据库的数据进行滤波的步骤；所述始滤波器包括，平均滤波器、FIR滤波器、IIR滤波器、卡尔曼滤波器和改进卡尔曼滤波器；
还包括使用主成分分析对上述惯性向量数据库进行提取和选择降维特征具体为:利用特征提取算法对数据进行压缩；所述特征提取算法，包括，快速傅里叶变换算法、快速余弦变换算法、主向量分析算法和独立向量分析算法；
以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测即模式识别训练中，所述模式识别训练中模式识别算法包括:改进支持向量机算法、改进隐式马尔科夫算法和改进神经网络算法；所述改进是根据采集的数据维度对现有算法进行调整，并对模式识别算法中的权重进行具体调整。
[0015]同时公开了一种用于动态实时检测方法的穿戴式摔倒实时检测系统，包括腰部传感子系统、背部传感子系统、腕部传感子系统和足部传感子系统，所述背部、腕部和足部传感子系统通过无线通信方式与腰部传感子系统通信，并将数据集中于腰部传感子系统内处理，所述腰部传感子系统根据传感数据实时判断人体运动的姿态，并分辨出摔倒动作，实时报警。
[0016]根据本发明的优选实施例，所述腰部传感子系统有一个节点；所述背部传感子系统有一个节点；所述腕部传感子系统至少有两个节点；所述足部传感子系统至少有四个节点。
[0017]根据本发明的优选实施例，所述腰部传感子系统包括第一 9轴MEMS惯性传感器、第一微型温度传感器、第一无线通信模块和计算模块，所述第一 9轴MEMS惯性传感器，检测三轴加速度，三轴 角速度和三轴磁场强度；所述第一微型温度传感器实时探测子系统温度；所述第一无线通信用于无线通信数据的传输；所述计算模块，对接收的数据进行计算，以实时判别人体摔倒状况；
所述腕部传感子系统包括第一 6轴MEMS惯性传感器、第二微型温度传感器和第二无线通信模块；所述第一 6轴MEMS惯性传感器检测三轴加速度和三轴角速度；所述第二微型温度传感器，实时探测子系统温度；所述第二无线通信模块:用于无线通信数据的传输；所述足部传感子系统包括第二 6轴MEMS惯性传感器、第三微型温度传感器、和第三无线通信模块；所述第二 6轴MEMS惯性传感器检测三轴加速度和三轴压力；所述第三微型温度传感器，实时探测子系统温度；所述第三无线通信模块:用于无线通信数据的传输；
所述背部传感子系统包括第二 9轴MEMS惯性传感器、第四微型温度传感器、和第四无线通信模块；所述第二 9轴MEMS惯性传感器，检测三轴加速度，三轴角速度和三轴磁场强度；所述第四微型温度传感器，实时探测子系统温度；所述第四无线通信模块:用于无线通信数据的传输。
[0018]根据本发明的优选实施例，所述腰部传感子系统、背部传感子系统、腕部传感子系统和足部传感子系统分别独立供电，所述腰部传感子系统、背部传感子系统、腕部传感子系统和足部传感子系统中扩展安装速度传感器、角度传感器和红外测距传感器。本发明的技术方案具有以下有益效果:
本发明的技术方案，是人体运动步态逻辑与ZMP理论和模式识别理论方法的综合应用。其中通过建立人体运动姿态数据库，并运用模式识别的理论和方法，实现人体运动姿态的分类识别。而相应的检测系统，融合了微型传感器、数字信号处理、无线信号传输、模式识别和信息微系统等多种技术于一体，对人体姿态变化进行实时的信号测量、数据采集、存储与传输，并在很短的时间内判断出人体的姿态和肢体的运动状态，与其他保护装置和控制系统相结合，实现对特殊人群的高危动作预警和保护。从而达到了应用领域广、对应用环境的依赖性小且实时检测的目的，且该检测方法和装置精确度高，且具有系统成本小，系统体积小于便于穿戴的优点。
[0019]下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
【专利附图】

【附图说明】
[0020]图1a和图1b为本发明实施例所述的穿戴式摔倒动态实时检测装置的使用状态示意图；
图2为本发明实施例所述的穿戴式摔倒动态实时检测方法流程图；
图3为本发明实施例所述的穿戴式摔倒动态实时检测装置中腰部子系统结构框图；
图4为本发明实施例所述的穿戴式摔倒动态实时检测装置中足部子系统结构框图；
图5为本发明实施例所述的穿戴式摔倒动态实时检测装置中腕部子系统结构框图；
图6为本发明实施例所述的穿戴式摔倒动态实时检测装置中背部子系统结构框图。
[0021]结合附图，本发明实施例中附图标记如下:
1-二轴加速度计；2_ 二轴磁力计；3_ 二轴陀螺仪；4-无线通信模块；5-温度传感器；6-计算芯片；7_三位压力传感器；8_三轴陀螺仪；101-第一模组；102，105-第三模组；103，104,106，107-第二模组;108-第四模组。
【具体实施方式】
[0022]以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0023]如图2所示，一种穿戴式摔倒实时检测方法，包括:算法I步态加速度突变引起的阈值开启逻辑结构；算法2基于零力矩点(ZMP)的人体姿态动态稳定性判别算法；算法3基于人体运动数据库的摔倒模式识别算法。检测摔倒时，首先由逻辑结构判别出异常状态，然后由算法2和算法3分别判断人体姿态的稳定性和摔倒动作，当算法2和算法3同时给出摔倒报警信号，则判定为发生摔倒。三种算法也可以独立或者两两组合完成摔倒的检测。
[0024](I)步态加速度突变引起的阈值开启逻辑结构
分析人体的正常运动和异常摔倒，可以通过运动捕捉系统来完成。完备的运动捕捉系统可以采用光学的运动捕捉系统或者基于MEMS的穿戴式运动捕捉系统。本专利优选的，利用基于微惯导系统的穿戴式人体运动捕捉系统分析完备的人体动作。此种穿戴式设备一般具有15个传感节点，包括头部、躯干、四肢和脚步等肢体和关节，能够同时采集人体的运动动作，包括各个关节和肢干的姿态、位移、速度、加速度、角速度以及各个肢干之间的相对位移和转角。
[0025]利用穿戴式人体运动捕捉系统进行完整的数据采集，包括日常生活中的所有正常动作(不包含体育运动中的特殊动作):走、跑、跳、坐、卧、上下楼梯、蹲、转身；采集所有摔倒动作包括:滑倒、侧摔、站立不稳、磕绊、冲撞、上下楼梯引起的各种摔倒，每个动作由100人来采集，每个动作每个人采集100次，记录数据，形成数据库；此数据库还要作为未来模式识别算法特征提取的数据库。
[0026]分析所有正常步态下触发摔倒的逻辑机制。进一步的，将正常的动作与摔倒动作连续起来进行数据采集和分析，得到触发摔倒的异常加速度的信息。优选的，包括由于晕厥、打滑、磕绊、支撑无力、外力冲击等突发状态而引起的脚部加速度突变。此种加速度突变必须与脚部的压力数据配合才能判别为非正常状态，进而开启触发信号。包括但并不限于以下危险状态:支撑脚因滑动引起的前后方向和左右方向加速运动；摆动脚因磕绊引起的减速运动；晕厥引起的脚部压力减小并伴有的腰部失重运动；双脚腾空时伴随的腰部失重运动等。
[0027]优选判别1:由静止到摔倒的判断，大多是由晕厥引起的，足部、腰部和背部Z轴方向突然出现减速，阈值超过0.5g即为判别为发生了晕厥；
优选判别2:行走过程中，根据足部加速度计和磁力计判断摆动脚与支撑脚，支撑脚的压力数据忽然减小且出现明显的加速或减速过程，即意味出现了滑动，因此判别为打滑； 优选判别3:行走过程中，根据足部加速度计和磁力计判别摆动脚与支撑脚，摆动脚加速度突然出现减速，意味着出现了磕绊，判断为磕绊状态；
优选判别4:上下楼梯过程中，根据足部加速度计和磁力计判别摆动脚与支撑脚，摆动脚加速度突然出现减速，意味着出现了磕绊，判断为上下楼梯的磕绊状态；
优选判别5:由于坐、蹲等动作与静态摔倒动作类似，需要根据腕部传感器辅助判断是否发生危险状况。优选地，腕部传感模组与背部、腰部传感模组Z轴减速一致，说明发生了危险状况；
优选判别6:跑动过程中，只有单脚支撑的状态。当支撑脚蹬地或支撑脚着陆时，在伴有压力的情况下产生突然的加速或减速即意味着跑步过程中产生了阈值出发；
优选判别7:在转身过程中主要通过腰部和背部的陀螺仪判断人体运动逻辑状态。当旋转时伴有足部压力传感器突然减小，意味着发生危险状态，出现不平衡的晕厥或跌倒；
优选判别8:当人处于工具使用状态，包括处于坐姿、平躺、手部支撑等状态，应根据加速度计综合判断各关节倾斜状态，得到危险判断；
优选判别9:当老年人使用拐棍等辅助工具时，应将传感节点增加至辅助工具的底部，综合判断压力和步态以得到危险的判据。
[0028]其它所有正常动作到摔倒的状态我们进行了一一采集和分析，是根据本申请穿戴式实施检测硬件系统分析得到，属本专利保护范围。
[0029](2)基于零力矩点(ZMP)的改进人体姿态动态稳定性判别算法
在加速度突变阈值算法给出危险信号后，同步启动基于ZMP的人体姿态动态稳定性判别算法和模式识别算法。传统的ZMP点的应用都是利用足部6维压力传感器，反过来计算机器人各个关节的力矩，通过控制(如倒摆模型)算法来控制机器人步态，避免机器人由于运动不稳定而发生摔倒。
[0030]本专利基于ZMP点理论，改进了动态稳定性的算法。概念与机器人控制技术相反，是根据人体关键节点的传感数据反算出稳定性的状态。摩擦力是提供前进方向的动力，只要知道前进方向的加速度就可以得出摩擦力，按照多个刚体的力矩之和来求ZMP，测出各个刚体的加速度、位移和质量，这样可求出期望ZMP点。通常情况下，力矩可由加速度得出位移从而得出力矩。而且，此时的力应为整体受力，应该是可以通过计算摩擦力与垂直方向的合力得到。公式为:
Fx = f(x方向的摩擦力)=ma (a为前进方向加速度)。[0031]Fy = Y方向上的摩擦力。
[0032]Fz =垂直方向的力，为重力与脚底压力的合力。
[0033]优选的，本发明主要依赖于脚步的压力传感器、各肢干运动状态的数据。而动态平衡范围则是通过机器人学的解算，得到稳定区域在地面上的投影。ZMP点应落在动态稳定区域内，而由于摔倒动作引起的ZMP出离动态稳定区域，则认为人有摔倒的可能性。ZMP离开动态稳定区域越大，人体自动平衡到安全状态的几率越小，摔倒的可能性越大。
[0034]首先根据人体的肢体和关节实现了 32自由度配置方案和结构设计参数；并基于D-H法则，以双脚支撑直立为初始状态，建立了人体运动学坐标系统；接着根据自由度配置情况，在行进运动平面和正向运动平面，分别建立了人体单腿支撑期和双腿支撑期的拉格朗日动力学方程。
[0035]根据人体在正常运动状态下，避免行走时关节之间耦合作用的影响，分析单自由度位置控制系统特性，并根据经典控制方法，分别建立了各自由度的传感动态数据，而后根据落地行走情况，实时监控人体的正常运动。
[0036]接下来，算法分析了踝关节传动比随着人体传动结构位置的变化，带来的对关节位置的非线性影响，以及踝关节时变的动力学特性对人体平衡的要求；设计了一种带有自调整因子的平衡采集器，以位置误差和传动比变化为输入，人体各关节肢体动力学为输出，通过ITAE目标函数对控制参数寻优，实现动态平衡点的自调整。通过在踝关节四个自由度上的实验，证明该坐标系能够有效地减小关节位置跟随误差，适应了传动比变化对平衡监控性能的影响，且满足踝关节变负载变刚度的驱动力特性要求。
[0037]然后推导仿穿戴者处于动态平衡时的期望ZMP计算公式，以及期望ZMP基于关节广义坐标q的表达式；接着建立了基于六维力传感器的实际地面反力测量系统，并利用该测量模型，简化求得实际ZMP;然后分析了影响ZMP误差形成的非线性因素，并经过理论推导，证明了与支撑腿膝关节和髋关节相比，支撑腿踝关节的运动性能对ZMP的影响较大。
[0038]基于上述分析，在支撑腿踝关节的前摆和侧摆自由度，以ZMP误差和ZMP误差变化量作为模糊控制器的输入，关节自由度的运动角度调整增量为输出，然后与当前位置误差求和，求得关节自由度的位置输入比较指令。通过在线实时补偿调整脚踝关节自由度的运动角度，有效减小了实际ZMP和期望ZMP之间的误差，并减小了实际ZMP的振动幅度。采取ZMP误差补偿加自调整控制器方式时，踝关节自由度位置跟随误差减小的同时，ZMP误差较小，而且在该种补偿控制方式作用下的踝关节自由度的补偿角度较采用前馈控制时减小。
[0039]最后研究摆动脚落地时的碰撞动力学方程中人的运动入手，研究减小因碰撞冲击造成振动的有效方法。通过对摆动脚在运动空间的运动误差分析，发现摆动脚距地面高度差和摆动脚与支撑脚之间的步距误差，是造成人摆动脚未能按照期望时间落地，并与地面发生碰撞的主要原因。因此，基于上述两种运动误差，提出了摆动脚落地碰撞模糊补偿控制策略，在线分级调整摆动腿的髋、膝和踝关节前摆自由度的运动角度，对摆动脚距地面高度和步距进行补偿。
[0040] 并且在左/右摆动腿髋关节、膝关节采取补偿控制器加前馈控制，踝关节先后采取补偿控制器加前馈控制，以及补偿控制器加自调整控制进行实验。通过实验证明，该控制策略在摆动脚落地以前的一段时间内，提高了摆动脚距地面的高度，增大了摆动脚与支撑脚之间的步距，并且摆动脚实际落地时间趋近于期望落地时刻；同时人摆动脚与地面之间的碰撞冲击力减小而且变化平缓，样机行走振动减小。而且当踝关节采取补偿控制器加自调整控制器时，随着自由度位置跟随精度的提高，摆动脚的运动误差相应减小，关节自由度的补偿角度减小。
[0041]出于简化系统复杂度和增加产品稳定性、可靠性以及成本方面的考虑，本发明进一步的减小节点数目，以少量关键节点来判断人体运动的稳定性。双脚与腰部、双脚与背部的简单节点组合仍然可以粗略计算动态平衡区域。
[0042](3)基于人体运动数据库的摔倒模式识别算法
建立“跌倒”和“非跌倒”惯性向量数据库；使用主成分分析对上述惯性向量数据库进行提取和选择降维特征；以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测即模式识别训练。
[0043]模式识别模块和阈值判别模块组成摔倒模块，是基于硬件采集的数据进行实时的识别；模式识别模块是一种经过训练和加权的判别程序，其生成的步骤为:
1)如前述方法，利 用系统硬件采集人体运动数据，包括日常生活中的所有正常动作(不包含体育运动中的特殊动作):走、跑、跳、坐、卧、上下楼梯、蹲、转身；采集所有摔倒动作包括:滑倒、侧摔、站立不稳、磕绊、冲撞、上下楼梯引起的各种摔倒，每个动作由100人来采集，每个动作每个人采集100次，记录数据，形成数据库；
2)利用特征提取算法对数据进行压缩，特征提取算法包括不限于:快速傅里叶变换、快速余弦变换、主向量分析、独立向量分析等，将数据压缩成为能够训练收敛的维度；
3)利用压缩数据进行模式识别训练，算法包括并不限于:改进支持向量机算法、改进隐式马尔科夫算法、改进神经网络算法；改进算法是根据硬件采集的数据维度而对已有算法进行调整，并对模式识别算法中的权重进行具体调整；
4)将训练好的模式识别判别器移植到计算处理单元，并对实时采集的数据进行判别。
[0044]模式识别模块和阈值判别模块的逻辑关系为“与”关系，即模式识别判别器与阈值判别器同时为触发状态时，才触发报警机制。
[0045]其中，建立“跌倒”和“非跌倒”惯性向量数据库具体为:利用微惯性测量单元分别采集腰部、腕部和足部在“跌倒”和“非跌倒”状态下的惯性向量数据。
[0046]建立惯性向量数据库和提取和选择降维特征步骤间还包括，使用初始滤波器对惯性向量数据库的数据进行滤波的步骤。
[0047]始滤波器包括，平均滤波器、FIR滤波器、IIR滤波器、卡尔曼滤波器和改进卡尔曼滤波器。
[0048]使用主成分分析对上述惯性向量数据库进行提取和选择降维特征具体为:利用特征提取算法对数据进行压缩；所述特征提取算法，包括，快速傅里叶变换算法、快速余弦变换算法、主向量分析算法和独立向量分析算法。
[0049]模式识别训练中，模式识别算法包括:改进支持向量机算法、改进隐式马尔科夫算法和改进神经网络算法；所述改进是根据采集的数据维度对现有算法进行调整，并对模式识别算法中的权重进行具体调整。[0050]利用模式识别算法，例如支持向量基对运动样本进行训练并且得到分类器。实验显示支持向量基可以有效的将摔倒和非摔倒状态分开。
[0051]利用前馈层叠神经网络和隐形马尔可夫链对样本进行训练，也取得了比较理想的分类器。
[0052]在现有硬件水平和载体的运动特性基础上，研究微惯导信息的特征提取算法，针对不同应用，研究运动和姿态的分类识别算法。
[0053]直接使用微控制器中的模数转换器测量加速度计所输出的(ax，ay, az)和角速度陀螺仪所输出的(ωχ，ωy, ωζ)信号。同时将微控制器的采样频率设定为200ΗΖ这样可以保证对人的运动做出及时迅速的反应和保护。
[0054]实时判别，对一个实时系统，实现一个能识别摔倒和摔倒即将结束的一个算法。系统必须能识别出，在一个非常短的时间中的危险动作，这将确保后续气囊弹开等保护动作。SVM过滤器能完全识别出摔倒和非摔倒状态，他们有不同的时间空档，使得运动特征区分的足够清晰。唯一的方式是定义一个固定的滑动窗口和用别的SVM过滤器。
[0055]首先，微型惯性测量系统可以测量三维空间的加速度、角速度、磁通量和压力温度等多维传感量。
[0056]其次，SVM (Support Vector Machine支持向量机)是一种良好的二元分类器,可以用相对较少的样本得到较好的结果。
[0057]在整个流 程中，SVM滤波器是非常重要的部分。因为系统是实时的，所以滤波器不能太复杂，SVM滤波器必须足够精确以确保可以区分跌倒动作和其他的正常动作。这样，算法才可以在危险动作发生时触发安全气囊,而在正常动作发生时保持稳定。跌倒动作未被成功检测会使保护功能失效，
数据的训练包括以下三个主要部分:
(I)通过人体佩戴MU(惯性测量单元)实验，建立“跌倒”和“非跌倒”惯性向量数据库。
[0058](2)使用PCA (主成分分析)来提取和选择降维特征。
[0059](3) SVM训练并最终得到算术分类器。
[0060]经过上百次实验，包括侧摔，走，跑，坐下和上楼梯等动作，建立了一个用来进行SVM训练的数据库。训练后，选择了摔倒动作检测最佳的SVM滤波器特征。然后，将滤波器程序装进微控制器形成实时检测的功能。
[0061]惯性测量单元IMU是一种用于测量高度，位置和运动的闭合系统。它通过把加速度计和角速度计结合在一起，来跟踪显示物体是如何移动的以及它现在的位置和姿态的信
肩、O
[0062]μ IMU的结构在IMU中放置了三个单轴的MEMS陀螺仪传感器，每个传感器都可以测量一个方向上的角速度，就可以测量侧滑，翻转，和体运动的大小。同时，在同一块PCB板的背面放置了两个双轴的MEMS加速度计，并用他们测量目标运动的三维加速度。
[0063]由传感器产生的模拟信号被直接传送到MCU的ADC通道上。进行A/D转换后，得到的数字信号通过串口的USB桥芯片传送到电脑上用作以后的分析。也可以无线的形式代替串口 USB芯片来实现数字信号到电脑的传送过程。MCU支持系统内的编程，这样就可以更新软件。经过对数据库的实验和分析，可以下载一个简单的滤波器来区分实时条件下的行走和降落。同时，添加微电池，作为系统的电源，为系统的各部分供电。
[0064]SVM是一种良好的二元分类器，可以用相对较少的样本得到较好的结果。首先，微控制器将模拟信号转换成数字信号，然后采用DFT(离散时间傅里叶变化)对数据进行分析，最后，数据经过SVM滤波器完成判断。当跌倒动作发生时，会产生一个触发信号传给机械部分来打开保护气囊。
[0065]在整个方案中，SVM滤波器非常重要。因为系统是实时的，所以滤波器不能太复杂，否则，并进而造成机械系统的反应滞后。另一方面，SVM滤波器必须足够精确以确保可以区分跌倒动作和其他的正常动作。这样，算法才可以在危险动作发生时触发安全气囊，而在正常动作发生时保持稳定。
[0066]惯性传感器模拟信号在进行DFT计算之前，首先被转换成数字信号。然后，经过DFT处理的信号与SVM数据进行比对，来匹配由传感器记录的人体运动数据，当数据与SVM数据的“跌倒”动作相匹配时，就会产生一个“I”信号来触发气囊。完整的微观导测量单元包括两个部分=MEMS传感器和微控制器。微控制器首先将信号转换成数字信号，然后依次将打包的信号经过USB传给电脑。经过上百次实验，包括侧摔，走，跑，坐下和上楼梯等动作，建立了一个用来进行SVM训练的数据库。训练后，选择了对摔倒动作检测最佳的SVM滤波器特征。然后，将滤波器程序装进微控制器形成实时检测的功能。
[0067]在摔倒识别中 ，特征提取和选择是非常重要的部分，因为不良的特征选择会将失重，后靠，髋部转动等动作与跳跃，坐下，转身等动作混淆，从而明显的降低系统性能。另外，即使已有的特征包括了输出集的足够信息，可能仍然不能正确的预测输出，因为特征空间的维度太高以至需要巨量的样本来决定输出结果。所以，在系统中采用受控PCA算法来进行特征提取和选择。
[0068]从训练中可以计算特征向量集，按照相应的特征值选出一些特征向量作为分类的基础。每一个特征在一定范围内包含了不同的信息，比如向后移动，失重，向下移动等等。
[0069]按照二值化分类能力来选择特征向量，而不是通过特征值。这是因为有大特征值的特征向量可能只包含普通的特征，而不是可以区分两个集的分类信息。
[0070]该方法可以如下来描述，假定有两组训练样本:A和B，每组训练样本的数量是N。
表示由PCA产生的特征向量。每个训练样本，包括正样本和负样本，可以被映射到相应的特征向量所延伸的坐标轴上。通过分析被映射的2N个点的分布，可以粗略的选出含有更多动作信息的特征向量。下述为过程的具体细节:
对某一特定特征向量Φ,.，按照两组训练样本计算其映射结果，结果可以表示为夾,.(I < i < M, I s j S 2N)。
[0071]用一种可以以最小的误差/(/i)将；分成两组:摔倒动作和其他动作的简单方法，例如感知或神经网络，训练一个分类器fj。



I
[0072]如果< ε，，则将该特征向量从原特征向量集中删去。
[0073]M是特征向量个数，2Ν是训练样本总数，^是预设好的阀值。剩余少数的特征向量被选出来，这些向量也可以转换回代表一个典型动作的惯性向量。
[0074]基于HMM的人体运动分类实现 HMM使用类别
隐式马尔可夫模型(HMM)是一个假定系统模型为未知参数马尔可夫过程的统计模型，其挑战是由观察得到的参数来确定隐含的参数。提取的模型参数可以用来进行模式识别应用等进一步的分析。一个HMM可以认为是简单的动态贝叶斯网路。
[0075]在一个普通马尔可夫模型中，状态对于观察者可见的，因此状态转移概率是唯一的参数。在一个隐式马尔可夫模型中，状态是不会被直接看到的，但受状态影响的变量是可见的。每个状态都有一个可能输出特征区间的概率分布。因此由HMM产生的特征序列可提供关于状态序列的信息。
[0076]隐式马尔可夫模型的应用在现有领域非常普遍，比如尤其在语音、书写、手势识另IJ、音乐谱跟踪及生物信息学等模式识别领域。
[0077]HMM 结构
隐式马尔可夫模型起源于马尔可夫链，它是一个具有不可观测的隐含随机过程的双重嵌入式随机过程，且只可以由产生观测序列的另一个随机过程来观测。一个N个状态HMM可以描述为Λ 二 (疋忒刃，其参数如下所示。
[0078]
【权利要求】
1.一种基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，以完成人体摔倒的实时判别，核心算法包括:算法I步态加速度突变引起的阈值开启逻辑结构；算法2基于零力矩点的人体姿态动态稳定性判别算法；算法3基于人体运动数据库的摔倒模式识别算法; 实时判别算法是对上述三种核心算法的综合运用，检测摔倒时，首先由算法I判别出异常状态，然后由算法2和算法3分别判断人体姿态的稳定性和摔倒动作，当算法2和算法3同时给出摔倒报警信号，则判定为发生摔倒，三种算法可独立或者两两组合完成摔倒的检测， 上述算法I中的逻辑结构中的步态逻辑包括人正常运动时所有的脚步动作，所述加速度突变是指在上述人体正常运动状态下，由于晕厥、打滑、磕绊、支撑无力、外力冲击等突发状态而引起的脚部加速度突变，此种加速度突变必须与脚部的压力数据配合才能判别为非正常状态，进而开启触发信号； 算法2所述的基于零力矩点的人体动态稳定性判别改进算法，是根据真实的脚步压力数据、关键节点的加速度和角速度数据，进一步积分得到速度、位置和转角，带入到动态判据模型，零力矩点应落在动态稳定区域内，而由于摔倒动作引起的零力矩点出离动态稳定区域，则认为人有摔倒的可能性，零力矩点离开动态稳定区域越大，人体自动平衡到安全状态的几率越小，摔倒的可能性越大； 算法3所述基于人体运动数据库的摔倒模式识别算法主要包括以下步骤:建立“跌倒”和“非跌倒”惯性向量数据库；使用主成分分析对上述惯性向量数据库进行提取和选择降维特征；以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测。
2.根据权利要求1所述的基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，所述算法I中阈值开启的阈值开启算法包括但不限于以下危险状态:支撑脚因滑动引起的前后方向和左右方向加速运动；摆动脚因磕绊引起的减速运动；晕厥引起的脚部压力减小并伴有的腰部失重运动；双脚腾空时伴随的腰部失重运动。
3.根据权利要求1所述的基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，所述零力矩点的计算，需要确定人的身高、体重、腿部长度并确定静态重心位置，从而确定每个穿戴式设备使用者的动态稳定区域； 所述动态稳定区域的计算完整的模型需要手部、脚步、腰部和背部所有节点的动态数据，但双脚与腰部、双脚与背部的简单节点组合可粗略计算动态平衡区域。
4.根据根据权利要求1所述的基于穿戴式检测系统的摔倒动态实时检测方法，其特征在于，所述建立“跌倒”和“非跌倒”惯性向量数据库具体为:利用微惯性测量单元分别采集腰部、腕部和足部在“跌倒”和“非跌倒”状态下的惯性向量数据；使用初始滤波器对惯性向量数据库的数据进行滤波的步骤；所述始滤波器包括，平均滤波器、FIR滤波器、IIR滤波器、卡尔曼滤波器和改进卡尔曼滤波器； 还包括使用主成分分析对上述惯性向量数据库进行提取和选择降维特征具体为:利用特征提取算法对数据进行压缩；所述特征提取算法，包括，快速傅里叶变换算法、快速余弦变换算法、主向量分析算法和独立向量分析算法； 以及对上述提取和选择降维特征后惯性向量数据进行模式识别和阀值判断从而建立模式识别判别器，将建立的模式识别判别器安装进微控制器进行实时检测即模式识别训练中，所述模式识别训练中模式识别算法包括:改进支持向量机算法、改进隐式马尔科夫算法和改进神经网络算法；所述改进是根据采集的数据维度对现有算法进行调整，并对模式识别算法中的权重进行具体调整。
5.一种用于权利要求1所述的动态实时检测方法的穿戴式摔倒实时检测系统，其特征在于，包括腰部传感子系统、背部传感子系统、腕部传感子系统和足部传感子系统，所述背部、腕部和足部传感子系统通过无线通信方式与腰部传感子系统通信，并将数据集中于腰部传感子系统内处理，所述腰部传感子系统根据传感数据实时判断人体运动的姿态，并分辨出摔倒动作，实时报警。
6.根据权利要求5所述的穿戴式摔倒实时检测系统，其特征在于，所述腰部传感子系统有一个节点；所述背部传感子系统有一个节点；所述腕部传感子系统至少有两个节点；所述足部传感子系统至少有四个节点。
7.根据权利要求5或6所述的穿戴式摔倒实时检测系统，其特征在于，所述腰部传感子系统包括第一 9轴MEMS惯性传感器、第一微型温度传感器、第一无线通信模块和计算模块，所述第一 9轴MEMS惯性传感器，检测三轴加速度，三轴角速度和三轴磁场强度；所述第一微型温度传感器实时探测子系统温度；所述第一无线通信用于无线通信数据的传输；所述计算模块，对接收的数据进行计算，以实时判别人体摔倒状况； 所述腕部传感子系统包括第一 6轴MEMS惯性传感器、第二微型温度传感器和第二无线通信模块；所述第一 6轴MEMS惯性传感器检测三轴加速度和三轴角速度；所述第二微型温度传感器，实时探测子系统温度；所述第二无线通信模块:用于无线通信数据的传输；所述足部传感子系统包括第二 6轴MEMS惯性传感器、第三微型温度传感器、和第三无线通信模块；所述第二 6轴MEMS惯性传感器检测三轴加速度和三轴压力；所述第三微型温度传感器，实时探测子系统温度；所述第三无线通信模块:用于无线通信数据的传输； 所述背部传感子系统包括第二 9轴MEMS惯性传感器、第四微型温度传感器和第四无线通信模块；所述第二 9轴MEMS惯性传感器，检测三轴加速度，三轴角速度和三轴磁场强度；所述第四微型温度传感器，实时探测子系统温度；所述第四无线通信模块:用于无线通信数据的传输。
8.根据权利要求7所述的穿戴式摔倒实时检测系统，其特征在于，所述腰部传感子系统、背部传感子系统、腕部传感子系统和足部传感子系统分别独立供电，所述腰部传感子系统、背部传感子系统、腕部传感子系统和足部传感子系统中扩展安装速度传感器、角度传感器和红外测距传感器。
【文档编号】A61B5/11GK103976739SQ201410182651
【公开日】2014年8月13日 申请日期:2014年5月4日 优先权日:2014年5月4日
【发明者】时广轶, 王春波, 李文荣, 金玉丰 申请人:宁波麦思电子科技有限公司