一种人体跌倒状态识别方法及装置与流程

技术特征：

1.一种人体跌倒状态识别方法，其特征在于，包括：

步骤a：提取跌倒动作和日常动作的特征向量；

步骤b：计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；

步骤c：根据所述跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

2.根据权利要求1所述的人体跌倒状态识别方法，其特征在于，所述步骤a还包括：分别采集人体跌倒动作和日常动作的时间序列信号，所述时间序列信号包括加速度、角速度。

3.根据权利要求2所述的人体跌倒状态识别方法，其特征在于，所述步骤a还包括：将所述人体跌倒动作和日常动作的时间序列信号分别进行归一化处理。

4.根据权利要求3所述的人体跌倒状态识别方法，其特征在于，在所述步骤a中，所述提取跌倒动作和日常动作的特征向量的提取方式包括：通过主成分分析对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量。

5.根据权利要求1至4任一项所述的人体跌倒状态识别方法，其特征在于，在所述步骤b中，所述计算特征向量的两两相似性的计算方式为：通过余弦定理计算两个特征向量的夹角来判对应的动作特征的接近程度，两个特征向量的夹角大，则两个动作特征差别大；两个特征向量的夹角小，则两个动作特征相似；将任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则余弦计算公式为：

$cos\left(A\right)=\frac{\<n_i\·n_j\>}{\left|n_i\right|\·\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。

6.一种人体跌倒状态识别装置，其特征在于，包括特征提取模块、相似度计算模块和人体跌倒状态识别模块；所述特征提取模块用于提取跌倒动作和日常动作的特征向量；所述相似度计算模块用于计算所有跌倒动作特征向量的两两相似性，以及日常动作特征向量与跌倒动作特征向量的两两相似性，得到跌倒动作特征相似度所对应的余弦值取值区间，以及日常动作和跌倒动作特征相似度所对应的余弦值取值区间；所述人体跌倒状态识别模块用于根据所述跌倒动作特征相似度所对应的余弦值取值区间以及日常动作特征和跌倒运动特征相似度所对应的余弦值取值区间对动作特征进行归类，实现跌倒状态的识别。

7.根据权利要求6所述的人体跌倒状态识别装置，其特征在于，还包括信号采集模块，所述信号采集模块用于分别采集人体跌倒动作和日常动作的时间序列信号，所述时间序列信号包括加速度、角速度。

8.根据权利要7所述的人体跌倒状态识别装置，其特征在于，还包括信号归一化处理模块，所述信号归一化处理模块用于将所述人体跌倒动作和日常动作的时间序列信号分别进行归一化处理。

9.根据权利要求8所述的人体跌倒状态识别装置，其特征在于，所述特征提取模块提取跌倒动作和日常动作的特征向量的提取方式包括：通过主成分分析对归一化处理后的时间序列信号进行特征提取，分别得到人体跌倒动作和日常动作每个运动周期时间序列信号的特征向量。

10.根据权利要求6至9任一项所述的人体跌倒状态识别装置，其特征在于，所述相似度计算模块计算特征向量的两两相似性的计算方式为：通过余弦定理计算两个特征向量的夹角来判对应的动作特征的接近程度，两个特征向量的夹角大，则两个动作特征差别大；两个特征向量的夹角小，则两个动作特征相似；将任意两个特征向量n_i和n_j当做三角形两边上以顶角A为起点的向量，则余弦计算公式为：

$cos\left(A\right)=\frac{\<n_i\·n_j\>}{\left|n_i\right|\·\left|n_j\right|}$

在上述公式中，分母表示两个特征向量的长度，分子表示两个特征向量的内积。