跌倒检测方法及系统的制作方法
【技术领域】
[0001] 本发明属于检测和智能监控领域，尤其涉及一种跌倒检测方法及系统。
【背景技术】
[0002] 随着人口老龄化的不断加剧以及空巢老人数量的不断上升，老年人跌倒造成的人 身伤害问题日益突出。据统计，跌倒目前已成为我国伤害死亡的第四大原因，65岁以上老年 人伤害死亡的首位原因，而且伴随老人年龄的增加跌倒死亡率进一步升高。跌倒除了直接 导致老年人死亡之外，还导致大量残疾，降低了老年人的活动能力和活动范围，严重影响老 年人的生活质量和身心健康。
[0003] 近年来，为减少意外跌倒对老人造成的进一步伤害，借助于普遍使用的移动智能 终端和目前正在兴起的可穿戴设备对跌倒行为进行准确实时检测和报警，成为普适健康技 术（healthcare)的一个研究热点。这些研究大都利用加速度或陀螺仪数据的时间序列、 统计域或变换域特征，使用曲线相似度比较、或者模式匹配等算法进行跌倒检测。其中基 于时间序列曲线的检测方法利用跌倒过程中加速度时间序列数据依次出现的失重、超重及 其时间阈值进行跌倒检测，但由于个体和设备差异往往导致难以确定适用范围较广的曲线 阈值，影响了跌倒检测的准确性和鲁棒性。基于模式匹配的跌倒检测算法采用机器学习技 术，挖掘加速度样本数据统计域和变换域的参数特征，在对分类器进行离线训练基础上，使 用获得的分类器对跌倒等行为进行分类评定，其性能相对于基于时间序列曲线阈值跌倒检 测方法有较大提高。不过，由于真实老人跌倒数据稀缺，加之不能使用老人进行跌倒数据采 集，大多数研究工作都是使用年轻人仿真采集实验数据集进行测试，由于样本数据规模较 小、代表性不强，往往导致分类器过拟合，跌倒检测精度和鲁棒性并不高。
【发明内容】
[0004] 因此，本发明的目的在于克服上述现有技术的缺陷，提供一种新的跌倒检测方法， 以获得准确、鲁棒的跌倒检测结果。
[0005] 本发明的目的是通过以下技术方案实现的：
[0006] -方面，本发明提供了一种确定供跌倒检测用的分类器的方法，该方法包括：
[0007] 步骤a)采集跌倒行为和非跌倒行为产生的加速度数据，并基于预定的用于跌倒 检测的特征集来构建样本数据集，所述特征集包括加速度数据的时间域和变换域的特征；
[0008] 步骤b)从所述样本数据集中随机抽取一个子样本集合，
[0009] 步骤c)从所述特征集中选择多个特征子集作为分类属性，基于所抽取的子样本 集合分别训练与各子集对应的、用于进行跌倒检测的分类器，并从所得到的多个分类器中 选择检测准确率最高的分类器作为子分类器；
[0010] 重复步骤b)和c)直到所选择的子分类器达到预定的数量为止。
[0011] 上述方法中，在步骤a)中所述样本数据集中的每个样本可包括根据所采集的加 速度数据获取的与所述特征集中每个特征对应的特征值，并带有跌倒或非跌倒标记。
[0012] 上述方法中，在步骤b)所述随机抽取子样本集合可采用有放回的随机抽样进行 的。
[0013] 上述方法中，在步骤c)所述从特征集中选择特征子集可采用有放回的随机抽样 进行的。
[0014] 上述方法中，在步骤c)所述多个特征子集可以为所述特征集的所有子集。
[0015] 上述方法中，在步骤c)所述预定的数量最大不超过所述特征集的全部子集的数 目。
[0016] 上述方法中，还包括：
[0017] 当用户反馈将非跌倒行为误判为跌倒行为或者将跌倒行为误判为非跌倒行为时， 将当前采集的行为数据标记为非跌倒行为或跌倒行为加入到样本数据集中；以及
[0018] 当发现样本数据集更新后，重复步骤b)和c)来重新选择子分类器。
[0019] 又一方面，本发明提供了一种跌倒检测方法，包括：
[0020] 步骤1)对于用户携带的移动终端采集的当前数据，使用经上述的确定供跌倒检 测用的分类器的方法得到的每个子分类器以及从所采集的数据中提取与该子分类器对应 的分类属性相关的数据，来判断用户是否跌倒；
[0021] 步骤2)根据少数服从多数的原则，基于各个子分类器的判断结果来确定用户是 否跌倒。
[0022] 又一方面，本发明提供了一种跌倒检测系统，包括：
[0023] 经上述的确定供跌倒检测用的分类器的方法得到的多个子分类器；
[0024] 检测模块，用于对于用户携带的移动终端采集的当前数据，使用每个子分类器以 及从所采集的数据中提取与该子分类器对应的分类属性相关的数据，来判断用户是否跌 倒；
[0025] 判定模块，用于根据少数服从多数的原则，基于各个子分类器的判断结果来确定 用户是否跌倒。
[0026] 与现有技术相比，本发明的优点在于：
[0027] 结合随机样本选择和随机分类属性选择的机制训练多个分类器，能较好地适应特 征值的个体差异，具有对离散点相对不敏感、能避免过拟合、无需特征选择且能自动评估特 征重要性等优点，适合于跌倒样本数据多样性和规模相对不足的特点，实验结果验证了本 发明的跌倒检测方法具有较好的准确性和鲁棒性。
【附图说明】
[0028] 以下参照附图对本发明实施例作进一步说明，其中：
[0029] 图1为根据本发明实施例的确定供跌倒检测用的分类器的方法的流程示意图；
[0030] 图2为根据本发明实施例的跌倒检测方法的流程示意图；
[0031] 图3为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的准确率对比示 意图；
[0032] 图4为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的敏感度对比示 意图；
[0033] 图5为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的特异性对比示 意图；
[0034] 图6为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的训练开销对比 示意图；
[0035] 图7为根据本发明实施例的跌倒检测方法与其他跌倒检测方法的实时检测开销 对比示意图。
【具体实施方式】
[0036] 为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实 施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并 不用于限定本发明。
[0037] 图1给出了根据本发明一个实施例的确定供跌倒检测用的分类器的方法的流程 示意。该方法基于使用移动智能终端（如智能手机）或可穿戴设备（如智能手表、腕带或 智能腰带等）采集日常行为和各种方向的跌倒行为产生的加速度数据来训练多个子分类 器以用于检测用户是否跌倒，主要包括下列步骤：
[0038] S1，采集数据并构建样本数据集
[0039] 为便于分类器进行分类评定，本发明把复杂的用户行为分为跌倒行为和非跌倒行 为（例如，日常行为）。其中各种跌倒行为（比如前向、后向、侧向跌倒），均统一标记为跌 倒行为，不进行细分判定。日常行为主要包括走、跑、跳、下蹲、坐、卧、上下楼等行为，统一标 记为非跌倒行为。
[0040] 在离线训练阶段，首先使用移动智能终端（如智能手机）或可穿戴设备（如智能 手表、腕带或智能腰带等）采集日常行为和各种方向的跌倒行为产生的加速度数据，同时 对所采集的数据设置跌倒或者非跌倒的标记。采集的频率及采样周期可以视具体使用的采 集设备的软硬件情况和实际需求而定。这样的方式采集的是随时间改变的数据流，即采集 到的都是时间域的加速度数据。为了使样本数据具有更丰富的特征来训练分类器，在优选 的实施例中，还可以对采集到的加速度数据进行时间域和变换域的处理，提取时间域和变 换域（例如频率域等）的特征参数（也可以称为属性）。
[0041] 表1给出了本实施例采用的用于跌倒检测的特征集，其中包含了加速度数据的时 间域属性以及对时间域变换后得到的频率域属性。
[0042] 表 1
[0043]
[0044]
[0045] 接着，根据所采集的数据以及上述特征集构建样本数据集，所述样本数据集中的 每个样本包括在采集的加速度数据的基础上获取的与所述特征集中每个特征对应的特征 值（或属性值），并带有跌倒或非跌倒标记。例如，假设加速度数据的采样周期为l〇s，那 么每个样本中的特征值均通过对这l〇s内的加速度数据计算得到时间域上的最大值、最小 值、中值、平均值等特征。将这l〇s内的加速度数据变换到频域并计算得到频域上的频谱分 类、频谱平坦度、频谱中心等。
[0046] 本领域技术人员应理解，上述讨论的特征及特征值的选取、采样周期等仅是举例 说明的目的而非进行任何限制。在其他实施例中，也可以采用其他的对跌倒和非跌倒行为 具有明显区分度的特征来构成特征集。并且每个特征的具体特征值的设定也可以根据对系 统需求或实际的环境进行灵活的设置。
[0047] S2,训练用于跌倒检测的多个子分类器
[0048] 可将所构建的样本数据集的一部分作为训练集，用于训练分类器，而另一部分作 为测试集，用于评估训练好的分类器的检测准确率。下文中提及的样本数据集除非特别指 明之外，都是指不包括测试集的样本数据集（即训练集）。而现有的分类模型都可以作为用 于跌倒检测的分类器，例如贝叶斯网络（BayesNet)模型、决策树（DecisionTree，DT)、支 持向量机（SupportVectorMachine，SVM)模型等典型的分类模型。为方便描述，本实施例 中采用SVM模型来说明如何训练用于进行跌倒检测的分类器。在训练分类器时，首先要确 定以哪些特征作为分类属性。虽然上文已经讨论了很多特征，但并不是所有的特征在预测 目标方面都具有相同的重要性，而且跌倒和非跌倒行为中部分行为特征还可能存在一定的 相似性。对于一些冗余或不相关属性可能会影响所训练的分类器的准确度。
[0049] 因此，为了提高检测跌倒行为的准确性，本实施例中采用结合随机抽样样本和随 机选择属性的方式确定具备部分最佳属性的多个子分类器来实现复杂行为模式下跌倒行 为的准确识别。
[0050] 更具体地，继续参考图1，在用于训练的样本数据集上训练多个子分类器的步骤主 要包括下列步骤：
[0051] 步骤a)从训练集中随机抽取一个子样本集合。这里考虑到跌倒检测的样本数据 集有限，采用有放回的随机抽样方式，例如采用Bootstrap抽样方法来从训练集中随机抽 取样本构成一个子样本集合。每次抽取的样本数目可以小于或者等于总的样本数目，但每 次抽取的子样本集合的样本数目是一样的。
[0052] 步骤b)针对每次抽样得到的