一种基于穿戴设备的跌倒判断方法与流程

本发明属于人体跌倒检测技术领域，涉及一种基于穿戴设备的跌倒判断方法。

背景技术

目前，可成熟运用的跌倒检测的技术类别较多，从信息获取的渠道上进行分类，主要可分成以下三种：基于视频的跌倒检测技术、基于声学的跌倒检测技术和基于穿戴设备的跌倒检测技术，且基于穿戴设备的跌倒判断方法主要分为模式识别法和阈值判别法。

2010年,飞利浦公司推出了紧急医疗救援系统,拥有项链式、手表式造型,可以随身佩戴,能及时准确地检测到老人因意外或突发疾病而发生的跌倒并连接中心请求救援,为老人提供了生命保障。2012年,深圳爱福莱科技有限公司推出了“跌倒自动求救手机”爱福莱,它能够在老人发生跌倒时自动侦测、自动定位、自动报警和自动求救,最大限度地保障了老人独居和外出期间的健康安全。

在国内，清华大学动力机械研究所处于领先地位，跌倒检测和报警装置的运用方法在他们2000年的研究报告中被提出：通过佩戴加速度传感器，从而侦测出由跌倒引起的各个方向的加速度值。台湾第三军医大学承担了家庭数字化医疗监护系统的研究，并成功研制了一整套基于掌上电脑的多生理参数监护网络系统，该系统不仅设计了血压、心电及活动监测，还涉及了无线发射接受模块以及老年人活动监测等检测模块，并使用标准的接口将其与连接，通过对测量仪器发出的各种测量控制命令，进行接收及数据检测，同时将其内置的通过电话线与监护中心建立起一种远程的通信机制。

但是，目前基于穿戴设备的跌倒判断方法，大多存在设计不合理、判断效率低且误判率较高的问题，整个跌倒检测系统不能够及时判定跌倒状况，做出及时的应对措施。

技术实现要素：

本发明的目的是提供一种基于穿戴设备的跌倒判断方法，将mpu-6050三轴加速度传感器、mpu-6050三轴陀螺仪放置于使用者穿戴设备的腰带中，采用基于阈值法和梯度下降法训练的bp神经网络分类器对传感器采集到的数据进行分析，判断是否发生跌倒险情，该方法克服了现有的跌倒检测算法准确率不高，存在较大误判情况的问题。

本发明所采用的技术方案是，一种穿戴设备的跌倒检测方法，其中，三轴加速度传感器与三轴陀螺仪放置于使用者穿戴设备的腰带中，构建人体姿态坐标系，具体包括如下步骤：

步骤1，采集三轴陀螺仪的样本信息，计算跌倒过程中的倾角δφ、斜率s观测数据，构建训练数据集，训练bp神经网络分类器；

步骤2，设定三轴加速度传感器合加速度的阈值th；

步骤3，采集三轴加速度传感器的数据，并求取合加速度值smv，比较所求取的合加速度值smv与步骤2设定的阈值th大小，若判断三次smv均大于阈值th，则判定为疑似跌倒状态，反之，则不予处理，重新采集mpu-6050三轴加速度传感器的数据；

步骤4，针对步骤3判定的疑似跌倒状态，根据三轴陀螺仪采集到当前状态的倾角δφ、斜率s分类数据，用bp神经网络分类器进行深入跌倒判断，得到判定结果。

本发明的特点还在于，

其中步骤1中bp神经网络分类器的训练过程包含以下四部分：

输入模式顺序传播：输入模式由输入层经隐含层向输出层传播计算；

输出误差逆传播：输出的误差由输出层经隐含层传向输入层；

循环记忆训练：模式顺序传播与误差逆传播的计算过程反复交替循环进行；

学习结果判别：判定全局误差是否趋向极小值。

步骤3中合加速度的计算过程如下：

利用特征量smv表示合加速度大小，其定义如下：

其中ax、ay和az分别表示x、y、z三个方向上的加速度。

步骤4的具体过程如下：

将三轴陀螺仪采集到当前状态的倾角δφ、斜率s分类数据代入步骤1训练的bp神经网络分类器进行计算，判断输出的全局误差是否达到局部最小值，如果输出的全局误差达到局部最小值，则判断此状态为跌倒状态，反之判定为正常活动，返回初状态，重新获取三轴加速度传感器数据。

本发明的有益效果如下：

1.将配备mpu-6050三轴加速度传感器、mpu-6050陀螺仪穿戴设备佩戴至人体腰部，获取的数据对于跌倒检测具有更高的可靠性；

2.将阈值法和bp神经网络分类器相结合，提高整个跌倒检测方法的检测效率及准确性。

附图说明

图1是本发明一种基于穿戴设备的跌倒判断方法中人体坐标示意图；

图2是本发明一种基于穿戴设备的跌倒判断方法中bp神经网络分类器的训练流程图；

图3是本发明一种基于穿戴设备的跌倒判断方法总流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于穿戴设备的跌倒判断方法，如图1所示，将三轴加速度传感器与三轴陀螺仪放置于使用者穿戴设备的腰带中，建立人体姿态坐标系，坐标原点为穿戴设备腰带的佩戴位置，即mpu-6050三轴加速度传感器，mpu-6050三轴陀螺仪的安放位置。

步骤1，采集mpu-6050三轴陀螺仪的样本信息，计算跌倒过程中的倾角δφ、斜率s观测数据，构建训练数据集，训练bp神经网络分类器；

如图2所示，bp神经网络学习训练过程包含以下四部分：

输入模式顺序传播：输入模式由输入层经隐含层向输出层传播计算；

输出误差逆传播：输出的误差由输出层经隐含层传向输入层；

循环记忆训练：模式顺序传播与误差逆传播的计算过程反复交替循环进行；

学习结果判别：判定全局误差是否趋向极小值。

本发明用梯度下降法训练bp神经网络，在第i次输入样品(i＝1，2，……，n)进行训练时各个参数的表达及计算方法。

首先，确定bp神经网络分类器参数

1.输入向量为x＝[(δφ1，s1),(δφ2，s2),…(δφn，sn)]^t(n为输入层单元个数，δφ和s为mpu-6050三轴陀螺仪采集到的倾角和斜率)；

2.输出向量为y＝[y1,y2,…ym]^t(m为输出层单元个数，y为bp神经网络分类器输出层的输出值)；

3.希望输出向量为o＝[o1,o2,…om]^t(m为输出层单元个数，o为bp神经网络分类器输出层的希望输出值)；

4.隐含层输出向量h＝[h1,h2,…hp]^t(p为隐含层单元个数，h为bp神经网络分类器隐含层的输出值)；

5.初始化输入层至隐含层的连接权值：wj＝[wj1,wj2,…wji,…wjn]^t，其中j＝1,2,…p；(p为隐含层单元个数，n为输入层单元个数，wjn为输入层至隐含层的连接权值)；

6.初始化隐含层至输出层的连接权值：wk＝[wk1,wk2,…wkj,…wkp]^t，其中k＝1,2，…m；(m为输出层单元个数，p为隐含层单元个数，wkp为隐含层至输出层的连接权值)。

(1)输入模式顺序传播

这一过程主要利用输入模式求出其对应的实际输出。

1.计算隐含层各神经元的激活值sj：

其中，p为隐含层单元个数，θj为隐含层单元的阈值，wji为输入层到隐含层的连接权值，xji为bp神经网络分类器输入层的输入值。

2.激活函数用s型函数，即：

3.计算隐含层j单元的输出值：

阈值θj在学习过程中和权值一样不断被修改，阈值的作用相当于输出值移动了θ个单位。

4.计算输出层第k个单元的激活值sk：

其中，m为输出层单元个数，θk为输出层单元的阈值，wkt为隐含层到输出层的连接权值，hkt为bp神经网络分类器隐含层的输出值。

5.计算输出层第k个单元的实际输出值yk：

其中，f(sk)为s型激活函数。

(2)输出误差逆传播

在输入模式顺序传播计算中得到网络的实际输出值，当实际输出值与希望输出值之间的误差大于所限定的数值时，需要对网络进行修正。

1.输出层的校正误差为：

dk＝(ok-yk)yk(1-yk)(k＝1,2,3…m)(6)；

其中，m为输出层单元个数，ok为bp神经网络分类器的希望输出值，yk为bp神经网络分类器的输出值。

2.隐含层的各单元校正误差为：

3.对于输出层至隐含层连接权和输出层阈值的校正量为：

δvkj＝α·dk·bj(8)；

其中，α为学习系数，且α＞0，bj为隐含层j单元的输出，dk为输出层的校正误差。

4.隐含层至输入层的校正误差为：

δwkj＝α·ej·xi(9)；

其中，ej为隐含层j单元的校正误差。

(3)循环记忆训练。

对于bp神经网络输入的每一组训练模式，一般都要经过数百次甚至上万次的循环记忆训练，才能使网络记住这一模式。这种循环记忆训练实际上就是反复重复以上的输入模式，输入模式顺序传播和输出误差传播反复进行，网络的实际输出逐步向各自的希望输出逼近。

(4)学习结果判别。

学习或训练的过程是网络全局误差趋向于极小值的过程，判别的目的主要是检查输出误差是否已经小到可以允许的程度。

全局误差为：

其中，os为bp神经网络分类器的希望输出值，ys为bp神经网络分类器的输出值。

当全局误差达到局部最小值时，则网络训练完成。

步骤2，设定三轴加速度传感器合加速度的阈值th；根据测试分析可得，日常生活的合加速度不超过6g，除去跑步以后的非剧烈运动，合加速度不超过3g，跑步时加速度变化较大，最大平均值为5.2g，最小平均值接近0g，主要是由于跑步过程的下落阶段可认为是自由落体，本发明将合加速度阈值th设置为3.8g，可以排除大部分剧烈运动；

步骤3，采集mpu-6050三轴加速度传感器的数据，并求取合加速度值smv，比较所求取的合加速度值smv与步骤2设定的阈值th大小，若判断三次smv均大于阈值th，则判定为疑似跌倒状态，反之，则不予处理，重新采集mpu-6050三轴加速度传感器的数据；

如图3所示，为本发明一种基于穿戴设备的跌倒判断方法的总流程图，在实际情况下，三个轴的加速度变化规律并不明显，不利于跌倒分析，而且朝不同方向跌倒时每个轴的加速度变化规律也是不同的，如果单独分析每个轴的加速度变化趋势会增加算法的复杂性与计算效率，因此，本发明利用特征量smv(signalmagnitudevector)表示合加速度大小，其定义如下：

其中ax、ay和az分别表示x、y、z三个方向上的加速度。

步骤4，针对步骤3判定的疑似跌倒状态，根据mpu-6050三轴陀螺仪采集到当前状态的倾角δφ、斜率s分类数据，用bp神经网络分类器进行深入跌倒判断，得到判定结果。

步骤4的具体过程为：

将mpu-6050三轴陀螺仪采集到当前状态的倾角δφ、斜率s分类数据代入步骤1训练的bp神经网络分类器进行计算，判断输出的全局误差是否达到局部最小值，如果输出的全局误差达到局部最小值，则判断此状态为跌倒状态，反之判定为正常活动，返回初状态，重新获取三轴加速度传感器数据。全局误差为：