一种跌倒检测方法
【技术领域】
[0001] 本发明涉及跌倒检测领域，具体涉及跌倒检测算法。
【背景技术】
[0002] 随着社会的不断发展，老年化已经成为当今社会不可避免的一个全球性趋势。老 年人在日常生活中的安全防范，日益成为社会关注的热点，跌倒是老年人的危险杀手，老年 人却容易跌倒。针对这一问题，除了必要的防范措施之外，若能在老年人发生摔倒的最短时 间内，对老年人进行及时有效的救助，可避免因跌倒带来的严重后果。因此，跌倒检测有着 十分重要的意义，当异常情况发生时，能够及时地做出报警处理，使得摔倒的老年人能够得 到及时的救助。
[0003] 然而，跌倒检测遇到的情况复杂，难以实现，具体难点如下：
[0004] (1)难以获取老年人真实的跌倒数据用于跌倒检测模型及算法的设计；
[0005] (2)在利用三轴加速度计获取的人体运动数据中，跌倒类与非跌倒类数据特征存 在着很大的交集，难以建立有效的数学模型进行区分，容易造成误判和漏判；
[0006] (3)由于个体特征的差异，如性别、身高、体重、年龄等影响，会造成跌倒检测过程 中的数据差异，增加了跌倒检测模型及算法的设计难度；
[0007] (4)目前基于穿戴式的跌倒检测模型及算法主要有两类：一是过程检测，通过对 人体加速度数据的阈值判断；二是姿态识别，通过跌倒检测前后的姿态对比，判断是否跌 倒。这两种方法都利用设定的阈值进行跌倒检测，缺乏自学习机制，跌倒检测的正确率不 尚。
【发明内容】
[0008] 有鉴于此，本发明的目的是提供一种跌倒检测方法，该方法简单、精度高、计算量 小以及具有自学习能力，适用于跌倒检测，解决现有跌倒方法存在的主要问题，提高检测精 度。
[0009] 本发明的目的是通过以下技术方案来实现的，一种跌倒检测方法，具体包括以下 步骤：
[0010] 步骤SI.获取三轴加速度传感器值，并计算合加速度；
[0011] 步骤S2.若合加速度值小于合加速度的阈值，跳转步骤S1，若合加速度值大于合 加速度的阈值，执行步骤S3 ;
[0012] 步骤S3.计算检测结果，根据跌倒检测模型和检测结果进行跌倒判断。
[0013] 所述跌倒检测模型通过以下方法获得：
[0014] 步骤SlL测试大量的跌倒类与非跌倒类数据；
[0015] 步骤S12.利用滑动窗口对步骤Sll中的数据进行截取；
[0016] 步骤S13.计算滑动窗口内数据的特征量；
[0017] 步骤S14.对特征量进行离散化处理；
[0018] 步骤S15.将离散化处理后的数据作为神经网络的输入，进行学习训练生成跌倒 检测模型。
[0019] 所述特征量包括合加速度的最大值Aniax与最小值六_、合加速度最大值与最小值之 间的时间间隔A t、合加速度的方差D (A)、合加速度的平均值E (A)、滑动窗口内X方向时间 序列前后k个点的平均值X1, X2。
[0020] 所述检测结果的计算方法为：
[0021] S31.当合加速度值大于合加速度的阈值时，利用滑动窗口截取数据；
[0022] S32.计算窗口内数据的特征量；
[0023] S33.对特征量进行离散化处理；
[0024] S34.将离散化处理后的数据作为神经网络的输入，神经网络的输出作为检测结 果。
[0025] 所述特征量包括合加速度的最大值Aniax与最小值六_、合加速度最大值与最小值之 间的时间间隔A t、合加速度的方差D (A)、合加速度的平均值E (A)、滑动窗口内X方向时间 序列前后k个点的平均值X1, X2。
[0026] 所述当检测结果判断为跌倒时，则发出报警；当检测结果为非跌倒时，将窗口向后 滑动η个点截取数据，执行步骤Sl。
[0027] 所述检测结果为：P = f (yl+b)，其中
[0029] 激活函数f (X)为双极S型函数
[0030] W1, by 1，b为BP神经网络训练的权值：
[0032] 由于采用了上述技术方案，本发明具有如下的优点：
[0033] 本发明所述方法简单、精度高、计算量小以及具有自学习能力，适用于跌倒检测， 解决现有跌倒检测方法存在的主要问题，提高检测精度。
【附图说明】
[0034] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进 一步的详细描述，其中：
[0035] 图1为跌倒检测模型图；
[0036] 图2为算法流程图；
[0037] 图3为跑步跌倒时序图；
[0038] 图中数据是由三轴加速度计获得跑步跌倒时间序列，其中X、Y、Z分别代表人体竖 直方向，水平方向及垂直方向的加速度的值。
【具体实施方式】
[0039] 以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例 仅为了说明本发明，而不是为了限制本发明的保护范围。
[0040] 由于每个人个体特征的差异，如性别、身高、体重等影响，会造成跌倒检测过程中 的数据差异。单纯的通过过程阈值检测或者姿态识别来判断是否跌倒，正确率不高。因此， 建立一个有效的检测模型，编写具有自学习能力的算法，通过学习训练，可以提高检测正确 率。
[0041] 一、建立跌倒检测模型，具体包括以下步骤：
[0042] StepL测试大量的跌倒类与非跌倒类数据；在本实施列中，获取了各1000组的数 据，本领域普通技术人员可以理解，本发明的该实施例中获取了跌倒与非跌倒数据各1000 组，但是本领域普通技术人员可以理解也可以获取更多的数据。
[0043] Step2.利用滑动窗口截取数据；在本实施例中窗口长度为3s、步长为N，其截取的 数据为阈值前后1.5s的数据。
[0044] St印3.利用式（1)~（7)计算窗口内数据特征量：
[0045] (1)合加速度A的最大值与最小值：Amax、Amin
一:a:其中X，y, z分别代表X轴、y轴、z轴上的加速度，
[0047] Amax= max {A !，A2,…，AJ (1)
[0048] Amin= min {A !，A2,…，AJ (2)
[0049] (2)合加速度最大值Aniax与最小值A _之间的时间间隔：Δ t
[0050] Δ t = 11-x_tAnin I (3)
[0051] (3)窗口内时间序列后m个点的合加速度的方差：D㈧<