一种老人跌倒监测装置及跌倒风险评估方法与流程

本发明涉及移动健康领域，具体为一种老人跌倒监测装置及跌倒风险评估方法。

背景技术：

目前中国人口的老龄化进程在不断加速,由此带来大量的老年化人口。随着社会的进步，老年人往往选择与子女分开居住，老年人的看护问题日趋重要，然而老年人意外伤害的首要原因是跌倒，因此如何对跌倒进行监测并对跌倒风险进行评估与干预是一个非常重要的现实需求。

现有对跌倒的监测方式主要有三类：(1)视频监控：视频监控主要通过计算机视觉技术来对视频中的人体行为进行分析，这种方法具有直观和准确率较高的特点，但是其功能受限于摄像头的位置并且还涉及到隐私问题：(2)音频监控：音频监控则主要通过在老人活动场所布置一些声音捕捉设备来进行跌倒检测，这种方案比较隐蔽对老人的生活干扰比较小，但是目前准确率不高且成本较高；(3)可穿戴传感器：这种方案成本较低准确率也较低，且随着设备的微型化对于人体的舒适度影响越来越小，然而由于人体动作的复杂性，为了提高准确性，很多方案往往通过在不同部位穿戴多个传感器的方式来实现，这在一定程度上影响了舒适度。

目前对跌倒的监测大都只关注于跌倒的检测与报警，而忽略跌倒的风险评估，这给老人跌倒预测以及必要防护措施的采取都会造成延误。

技术实现要素：

本发明的主要目的是提供一种老人跌倒监测装置，具体是通过以下技术方案实现的：

一种老人跌倒监测装置，包括惯性传感模块、足底压力传感模块、信息接收通讯模块以及移动处理终端；

所述惯性传感模块设在人体躯干下部，负责采集人体行走过程中的步态运动信息；

所述足底压力传感模块设在鞋上，负责采集人体行走过程中的步态压力信息；

所述信息接收通讯模块，分别连接着惯性传感模块、足底压力传感模块，负责接收惯性传感模块和足底压力传感模块的数据信息，并与移动处理终端通信连接，将惯性传感模块和足底压力传感模块采集的数据信息发送至移动处理终端，由移动处理终端处理判断是否跌倒。

所述惯性传感模块包括加速度计、陀螺计，加速度计负责采集人体行走加速度信息，陀螺计负责采集人体行走角速度信息。

所述足底压力传感模块包括压力鞋垫、采集通信模块，压力鞋垫设在鞋内底部，压力鞋垫上设有柔性阵列压力传感器，采集通信模块设在鞋外，采集通信模块负责采集压力鞋垫上柔性阵列压力传感器的压力信息、并将信息传输至信息接收通讯模块。

所述移动处理终端为内带蓝牙功能的智能手机或智能平板电脑。

所述信息接收通讯模块为连接有蓝牙模块的单片机，单片机接收惯性传感模块和足底压力传感模块的数据信息，通过蓝牙模块与带有蓝牙功能的移动处理终端传输信息。

所述惯性传感模块安装在人体腰部或大腿膝盖上部或脚踝处。

所述惯性传感模块、足底压力传感模块均内置有供电电池，供电电池通过USB接口实现充电。

本发明的另一目的是提供一种老人跌倒风险评估方法，包括以下步骤:

(一)：开启惯性传感模块、足底压力传感模块，启动移动处理终端，通讯连接匹配完成后，惯性传感模块和足底压力传感模块开始采集老人行走信息，并上传至移动处理终端内；

(二)：移动处理终端对接收的惯性运动信息与足底压力信息进行加工，提取步态特征信息和姿态特征信息；

(三)：提取的步态特征信息以及姿态特征信息与移动处理终端内的离线训练模型融合，移动处理终端根据融合信息分析判断出不同的人体姿态，实现对跌倒风险的评估。

步态特征信息包括运动学信息、动力学信息，运动学信息包括单脚着地时间、滞空时间以及双脚着地时间，动力学信息包括足底各着力点处的力学信息。

本发明的有益技术效果：

(1)、本发明采用惯性传感模块与足底压力传感模块结合的方式采集姿态与步态信息，利用信号处理技术来提取时频域特征，最后通过机器学习技术来训练和识别跌倒步态和姿态，并且通过捕捉一些典型的可致跌倒的步态来进行跌倒风险的评估，此外由于本发明的跌倒监测基于两种信息的融合，故而可以识别不同特点的步态，从而提高了系统的预测准确率。

(2)、本发明采用足底压力鞋垫来采集足底的动力学信息，一方面可以补充步态信息，提供惯性传感模块所不能提供的更为细节的步态分段信息，如着地时间、滞空时间，另一方面足底不同区域的动力变化也可以为姿态的估计提供依据，进一步提高了跌倒风险评估的准确性。

(3)、本发明的跌倒监测装置穿戴舒适度好，使用单一的惯性传感模块，足底压力鞋垫的压力传感器采用柔性压力传感器，相较现有传感监测方式而言，大大提高了穿戴的便捷性和舒适性。

(4)、本发明的操作通过移动处理终端来实现，移动处理终端可以是智能手机等具有数据存储、处理以及分析能力的电子产品，移动处理终端支持语音设别，提高了视力不佳者的使用率，移动处理终端内还设有通讯模块，当老人跌倒后负责通过短信或微信的方式实现报警，使子女及时了解老人的情况。

附图说明

图1为本发明跌倒监测装置连接示意图。

图2为本发明的惯性传感模块示意图。

图3为本发明跌倒监测评估示意图。

图4为本发明移动处理终端对惯性运动数据识别处理流程图。

具体实施方式

参见图1、图2，一种老人跌倒监测装置，包括惯性传感模块、足底压力传感模块、信息接收通讯模块以及移动处理终端；

所述惯性传感模块设在人体腰部或大腿膝盖上部或脚踝处，惯性传感模块内置有供电电池，供电电池通过USB接口实现充电；惯性传感模块包括加速度计、陀螺计，加速度计负责采集人体行走加速度信息，陀螺计负责采集人体行走角速度信息，通过加速度计和陀螺计的信息采集得出人体行走过程中的步态运动信息；

所述足底压力传感模块负责采集人体行走过程中的步态压力信息，足底压力传感模块内置有供电电池，供电电池通过USB接口实现充电；足底压力传感模块包括压力鞋垫、采集通信模块，压力鞋垫设在鞋内底部，压力鞋垫上设有柔性阵列压力传感器，采集通信模块设在鞋后跟处或其他不影响穿戴的鞋子部位处，采集通信模块负责采集压力鞋垫上柔性阵列压力传感器的压力信息、并将信息传输至信息接收通讯模块；

所述信息接收通讯模块为连接有蓝牙模块的Msp430单片机，惯性传感模块的加速度计、陀螺计均通过I2C总线与单片机相连，单片机接收惯性传感模块和足底压力传感模块的数据信息，单片机通过SPI总线将存放在缓存中的传感信号通过蓝牙模块与带有蓝牙功能的移动处理终端传输信息；

所述移动处理终端为内带蓝牙功能的智能手机或智能平板电脑，信息接收通讯模块与移动处理终端通信连接，将惯性传感模块和足底压力传感模块采集的数据信息发送至移动处理终端，由移动处理终端处理判断是否跌倒。移动处理终端内设有通讯模块，当老人跌倒后负责向老人子女手机终端以短信或微信的方式实现实时报警，使子女及时了解老人的情况。

本发明还提供了一种老人跌倒风险评估方法，其特征在于，包括以下步骤：

(一)：开启惯性传感模块、足底压力传感模块，启动移动处理终端，通讯连接匹配完成后，惯性传感模块和足底压力传感模块开始采集老人行走信息，并上传至移动处理终端内；

(二)：移动处理终端对接收的惯性运动信息与足底压力信息进行加工，提取步态特征信息和姿态特征信息；

(三)：提取的步态特征信息以及姿态特征信息与移动处理终端内的离线训练模型融合，移动处理终端根据融合信息分析判断出不同的人体姿态，如慌乱步伐、倾斜姿态以及跌倒等状态，实现对跌倒风险的评估。

步态特征信息包括运动学信息、动力学信息，运动学信息包括单脚着地时间、滞空时间以及双脚着地时间，动力学信息包括足底各着力点处的力学信息。

如图3所示，本发明的移动处理终端对跌倒监测评估主要包含如下几部分，第一：是基于惯性运动数据的步态、姿态分类模型，主要是通过提取惯性运动数据的时频域特征，并通过特征选择来获取最佳分类特征，最后通过分类器来实现不同步态动作的分类；第二：是基于足底压力数据的步态分类模型，这一模型采用隐马尔科夫建模原理，将足底不同区域的压力看成是不同的观察变量，并利用不同区域之间的压力变化的方式来进行概率转移矩阵构建。第三：是基于贝叶斯概率模型的多模态分类结果融合机制，该机制将来自两类数据的判决证据进行融合，获得最终的分类结果。

如图4所示，在本发明中基于惯性运动数据的跌倒与可致跌倒动作识别模型有如下步骤：

步骤1：数据预处理：采用常规的中值滤波对采集信息数据进行处理，此外，由于通信网络问题所造成的数据丢包可以通过线性或者非线性插值法插补；

步骤2：特征计算：首先对信号进行分窗处理，即采用一个特定窗长的滑动窗按照时间顺序进行滑动，窗长由采样频率和人体动作特点决定，相邻窗之间采用半窗重叠机制；针对当前分析窗内的信号，先提取加速度、角速度在各个方向的均值、方差、最大值、最小值、翘度、斜度等常规统计量外，如果能够做出简易判断，则停止处理，否则进一步提取一些非线性特征如多尺度熵、谐波比和定量递归分析；

步骤3：特征选择：由于加速度和角速度信号一般至少是3通道，目前针对每一个通道拟提取的特征超过10种，故特征向量的长度接近100维；基于互信息的方法或无监督学习的方法对特征进行排序，挑选出一特征子集合；

步骤4：将特征向量输入分类器实现识别：通过大量离线数据的采集和标注来进行分类器训练，移动处理终端内设一个已经训练好的分类器模型来进行新样本的分类和识别，常用的分类器有SVM，Random Forest以及Decision Tree。

在本发明中基于足底压力数据的跌倒与可致跌倒动作识别模型主要为：人行走过程中不同部位的压力变化有一定规律，跌倒以及一些可引起跌倒的步态其足底各个部位的动力学特点是识别这类动作的关键所在，同时可以防止将一些由于主动弹跳、坐下、躺下等非跌倒导致的足底压力消失情形误认为是摔倒。本发明采用连续变量的隐马尔可夫模型来对不同采集部位的压力变化规律进行建模，柔性阵列压力传感器设置在后跟(Heel)、大脚拇指(Hallux)、第一跖趾处(Meta1)、第四跖趾处(Meta4)，假设各点处的压力分别为在HMM模型当中，这些压力变量均为观察变量，不同时刻的状态变量为q_t，其物理意义为单脚在动力学上的状态，可能的取值为初始接触、前蹬、后蹬、腾空，通过训练获取不同压力感应点在不同状态下的条件概率和状态转移概率矩阵A，并由此判断当前时刻单脚的动力学状态，再根据双脚状态交替的生物力学特点来推断是否有跌倒动作发生。

本发明基于贝叶斯概率模型的多模态分类结果融合机制其具体步骤如下：首先为不同通道的加速度、角速度、足底压力分布数据分别产生一个分类器，并计算不同分类器的后验概率结果，然后对不同分类器的分类输出选择最大、最小、和以及乘积准则进行融合；其中，

最大准则：最小准则：

和准则：乘积准则：

其中，ω_i，i＝1...n为n个已知的类别；x_j，j＝1...m为m个不同的特征向量，P(ω_i|x_j)，i＝1...n，j＝1...m为特征向量x_j所训练的分类器的输出。