一种基于吸引子传播算法的老人跌倒检测方法
【专利摘要】本发明公开了一种基于吸引子传播算法的老人跌倒检测方法，包括步骤：1)采集每个传感器的样本信息；2)处理样本信息并进行归一化，构造样本状态加权和；3)将样本加权和输入AP聚类器；4)利用聚类结果构造平衡二叉树，标记聚类结果；5)采集每个传感器的信息；6)处理传感器信息并进行归一化，构造状态加权和；7)按照加权和结果查找平衡二叉树，输出预测结果。本发明通过运用吸引子传播算法实现的AP聚类器和由状态加权和构造的平衡二叉树，有效提高老人跌倒检测的准确率，从而解决现有跌倒检测方法的准确率不高，存在较大的误判情况的问题。
【专利说明】
一种基于吸引子传播算法的老人跌倒检测方法
技术领域
[0001] 本发明涉及医疗健康和机器学习的技术领域，尤其是指一种基于吸引子传播算法 的老人跌倒检测方法。
【背景技术】
[0002] 我国社会年龄结构正逐步趋于老龄化，老年人的安全监护问题也越来越得到重 视。其中，跌倒是造成我国65岁以上老年人受伤害的首因，严重影响老年人的生活质量和身 心健康。2006年全国疾病监测系统死因监测数据显示:我国65岁以上老年人跌倒死亡率男 性为49.56/10万，女性为52.80/10万。老年人跌倒死亡率随年龄的增加急剧上升。因此，如 何在第一时间检测出老人跌倒时间的发生，让老人能够及时获得救治成了人们最为关注的 问题。基于这个出发点，老人跌倒检测系统逐步兴起。跌倒检测系统可以判断老人是否跌倒 并及时报警，保障了老年人的人身安全。
[0003] 现有的跌倒方案大多只利用了三轴加速度传感器，有一定的误报率。虽然目前不 少学者提出老人跌倒检测方法，但是这个研究还存在诸多问题，主要问题集中在检测的准 确率不高，存在一定的误判率方面。
【发明内容】
[0004] 本发明的目的在于克服现有技术的不足，提供一种基于吸引子传播算法的老人跌 倒检测方法，通过运用吸引子传播算法实现的AP聚类器和由状态加权和构造的平衡二叉 树，有效提高老人跌倒检测的准确率，从而解决现有跌倒检测方法的准确率不高，存在较大 的误判情况的问题。
[0005] 为实现上述目的，本发明所提供的技术方案为:一种基于吸引子传播算法的老人 跌倒检测方法，包括以下步骤：
[0006] 1)采集每个传感器的样本信息；
[0007] 2)处理样本信息并进行归一化，构造样本状态加权和；
[0008] 3)将样本加权和输入AP聚类器；
[0009] 4)利用聚类结果构造平衡二叉树，标记聚类结果；
[0010] 5)采集每个传感器的信息；
[0011] 6)处理传感器信息并进行归一化，构造状态加权和；
[0012] 7)按照加权和结果查找平衡二叉树，输出预测结果。
[0013] 步骤1)和5)中的传感器包括有三轴加速度传感器、心率传感器、血压传感器、陀螺 仪。由三轴加速度传感器获得加速度信息ai，心率传感器获得信息hi，血压传感器获得信息 bi，陀螺仪获得彳目息Wi。
[0014] 在步骤2)和6)中，需处理传感器米集的彳目息获得人体加速度幅值矢量均值、人体 位置角度均值、加速度均值、心率均值、血压均值，对各物理量进行归一化，最后构造它们的 状态加权和。
[0015] 在步骤3)中，采用吸引子传播算法，将状态加权和输入AP聚类器，得到可构造平衡 二叉树的聚类结果。
[0016] 在步骤4)中，将聚类结果按照顺序构造平衡二叉树，并对应跌倒、行走、卧躺、站立 四种状态对各聚类中心进行标记。
[0017] 在步骤7)中，采用欧式距离描述差异，通过查找平衡二叉树找出与加权和差距最 小的聚类中心，从而判定状态，完成跌倒识别。
[0018] 所述步骤2)具体包括以下步骤：
[0019] a)共采集跌倒、行走、卧躺、坐立四种状态下共N组样本信息:P^Ps，...，PN，Pi表示 第i组样本信息，每一组样本信息对应以下四个物理量(ai，hi，bi，wi)，i = l，2，~，N;
[0020] b)传感器采集数据的时间设为(ο，τ)，对各类信息先进行预处理，获得判断因子： [0021 ]①用人体加速度幅值矢量SVM的变化描述人体运动的剧烈程度：
[0023]②用人体位置与重力方向的夹角Θ确定人体姿态的变化，其中，用陀螺仪测量人体 角度的变化进一步校正加速度传感器测量的角度值：
[0033] qmax=max{qi ,q2, ·' ,Qn}
[0034] d)使用各类判断因子SVMi，sin Θ i，Vi，Ei，Ui，构造出样本状态加权和：
[0035] Di = AiSVMi+A2sin Θ i+A3Vi+A4Ei+A5Ui
[0036] 其中，权值丨，〇 = 1，2广_，5)在训练六?聚类器的时候进行更新调整，以获得最佳 的聚类结果。
[0037]所述步骤3)具体包括以下步骤：
[0038] a)利用吸引子传播算法构造 AP聚类器
[0039] 首先需要获得相似度矩阵S;现有样本加权和个数为N，即样本点，计算任意两点之 间的相似度得到矩阵S，其中S矩阵行数为N(N-l)，表示N个点与其他N-1个点直接的相似度 信息;S的列数为3,第一列的值为i个样本点中任意一点，第二列的值为除i点外其他任意点 j，第三列的值为s(i，j)=-(Di-Dj)2,故相似度矩阵S的大小为N(N-l)行3列；
[0040] b)采用吸引子传播算法对样本加权和进行将聚类
[0041] 先初始化吸引度矩阵R及归属度矩阵A，即均为0,然后进行迭代;r(i，k)表示第k个 样本适合作为第i个样本的类代表点的代表程度，a(i，k)表示第i个样本选择第k个样本作 为类代表样本的适合程度;具体迭代步骤如下：
[0042]第一阶段:迭代更新公式
[0043] r(i，k)=s(i，k)_max{a( i，k，）+s(i，k，）}，k，e{l，2,3.....，N，k，^k}
[0045] 第二阶段:评判聚类中心
[0046] 通过{8(1^，1〇+1'(1^，1〇>0}这个评判标准来选出当前的聚类中心；
[0047] 反复执行上述第一、二阶段的步骤，直至聚类中心连续若干次迭代不发生改变，或 者迭代次数超过阈值，则停止迭代：
I来确定i的聚类中心。
[0048] 在步骤4)中，平衡二叉树是一种二叉排列树，其中每个节点的左右子树高度接近 或等于;设获得聚类中心m个，将每个获得的聚类中心对应其原属的跌倒、行走、卧躺、站立 四种状态添加标记，并按加权和大小将聚类中心构造成为一棵平衡二叉树。
[0049] 本发明与现有技术相比，具有如下优点与有益效果：
[0050] 1、本发明除了采用三轴加速度传感器以外，还采用了包括心率传感器、血压传感 器、陀螺仪等多种传感器作为判断老人活动状态的依据，在一定程度上降低了误报的可能 性。
[0051] 2、老人跌倒检测方法分为阀值方法和机器学习分类方法，本发明采用机器学习分 类方法，具体采用了吸引子传播算法进行聚类。
[0052] 3、本发明利用聚类中心实现平衡二叉树的构造，保证了检测的效率。
【附图说明】
[0053] 图1为本发明的老人跌倒检测方法训练流程图。
[0054] 图2为本发明的老人跌倒检测方法执行流程图。
【具体实施方式】
[0055] 下面结合具体实施例对本发明作进一步说明。
[0056] 如图1所示，本实施例所述的基于吸引子传播算法的老人跌倒检测方法，包括以下 步骤：
[0057] 1)采集每个传感器的样本信息；
[0058] 2)处理样本信息并进行归一化，构造样本状态加权和；
[0059] 3)将样本加权和输入AP聚类器；
[0060] 4)利用聚类结果构造平衡二叉树，标记聚类结果；
[0061 ] 5)采集每个传感器的信息；
[0062] 6)处理传感器信息并进行归一化，构造状态加权和；
[0063] 7)按照加权和结果查找平衡二叉树，输出预测结果。
[0064] 步骤1)和5)中的传感器包括有三轴加速度传感器(个体运动时，会产生三个正交 的加速度，这些加速度的值可用来计算人体加速度幅值矢量SVM的变化，从而判断老人身体 姿势的变化，是判断老人是否发生跌倒的依据）、心率传感器(基于手臂血管中血液在脉动 时会发生密度改变而引起透光率的变化，将发送绿色波长后可接受的反射光及光场强度的 变化，换算成心率数据，通过心率传感器获得人体心率变化判断跌倒）、血压传感器（由于老 人行动较缓，因而在正常状态下，血压不会出现剧烈波动。故根据人体血压的在不同状态下 的波动数值，来判断跌倒）、陀螺仪(现有的陀螺仪可以精确确定运动物体在3个正交方向上 的转角，从而通过陀螺仪获取人体运动方位的变化判断跌倒）。由三轴加速度传感器获得加 速度信息 &1，心率传感器获得信息lu，血压传感器获得信息h，陀螺仪获得信息Wl。
[0065] 在步骤2)和6)中，需处理传感器采集的信息获得人体加速度幅值矢量均值、人体 位置角度均值、加速度均值、心率均值、血压均值，对各物理量进行归一化，最后构造它们的 状态加权和。
[0066] 在步骤3)中，采用吸引子传播算法，将状态加权和输入AP聚类器，得到可构造平衡 二叉树的聚类结果。
[0067] 在步骤4)中，将聚类结果按照顺序构造平衡二叉树，并对应跌倒、行走、卧躺、站立 四种状态对各聚类中心进行标记。
[0068]在步骤7)中，采用欧式距离描述差异，通过查找平衡二叉树找出与加权和差距最 小的聚类中心，从而判定状态，完成跌倒识别。
[0069] 所述步骤2)具体包括以下步骤：
[0070] a)共采集跌倒、行走、卧躺、坐立四种状态下共N组样本信息:P^Ps，. . .，PN，Pi表示 第i组样本信息，每一组样本信息对应以下四个物理量(ai，hi，bi，wi)，i = l，2，~，N;
[0071] b)传感器采集数据的时间设为(0，T)，对各类信息先进行预处理，获得判断因子：
[0072] ①用人体加速度幅值矢量SVM的变化描述人体运动的剧烈程度：
[0074]②用人体位置与重力方向的夹角Θ确定人体姿态的变化，其中，用陀螺仪测量人体 角度的变化进一步校正加速度传感器测量的角度值：
[0076]③利用各轴加速度与时间围成的面积来近似表示能量变化：
[0078]④利用心率数据与时间围成的面积来确定心率波动情况：
[0080]⑤利用血压数据与时间围成的面积来表示血压波动情况：
[0082] c)将不同量纲的各类判断因子按照以下公式分别进行归一化：
[0084] qmax=max{qi ,q2, ·' ,Qn}
[0085] d)使用各类判断因子SVMijine^V^E^Ui，构造出样本状态加权和：
[0086] Di = AiSVMi+A2sin Θ ?+λ3ν?+λ4Ε?+λ5υ?
[0087] 其中，权值丨，〇 = 1，2广_，5)在训练六?聚类器的时候进行更新调整，以获得最佳 的聚类结果。
[0088] 所述步骤3)具体包括以下步骤：
[0089] a)利用吸引子传播算法构造 ΑΡ聚类器
[0090] 首先需要获得相似度矩阵S;现有样本加权和个数为N，即样本点，计算任意两点之 间的相似度得到矩阵S，其中S矩阵行数为N(N-l)，表示N个点与其他N-1个点直接的相似度 信息;S的列数为3,第一列的值为i个样本点中任意一点，第二列的值为除i点外其他任意点 j，第三列的值为s(i，j)=-(Di-Dj)2,故相似度矩阵S的大小为N(N-l)行3列；
[0091] b)采用吸引子传播算法对样本加权和进行将聚类
[0092] 先初始化吸引度矩阵R及归属度矩阵A，即均为0,然后进行迭代;r(i，k)表示第k个 样本适合作为第i个样本的类代表点的代表程度，a(i，k)表示第i个样本选择第k个样本作 为类代表样本的适合程度;具体迭代步骤如下：
[0093]第一阶段:迭代更新公式
[0094] r(i，k)=s(i，k)_max{a( i，k，）+s(i，k，）}，k，e{l，2,3.....，N，k，^k}
[0096] 第二阶段:评判聚类中心
[0097] 通过{&仏，1〇+41^1〇>0}这个评判标准来选出当前的聚类中心；
[0098] 反复执行上述第一、二阶段的步骤，直至聚类中心连续若干次迭代不发生改变，或 者迭代次数超过阈值，则停止迭代
来确定i的聚类中心。
[0099] 在步骤4)中，平衡二叉树是一种二叉排列树，其中每个节点的左右子树高度接近 或等于;设获得聚类中心m个，将每个获得的聚类中心对应其原属的跌倒、行走、卧躺、站立 四种状态添加标记，并按加权和大小将聚类中心构造成为一棵平衡二叉树。
[0100]图2为本实施例上述老人跌倒检测方法的执行流程图，包括以下步骤：
[0101] 1)采集每个传感器的信息；
[0102] 2)处理传感器信息并进行归一化，构造状态加权和；
[0103] 3)按照加权和结果查找平衡二叉树，输出预测结果。
[0104] 步骤1)中，在实际应用中被采集的传感器包括三轴加速度传感器，心率传感器，血 压传感器，三轴陀螺仪，假设采集到的信息为(a，h，b，w)。
[0105]步骤2)中，处理传感器信息并进行归一化，构造状态加权和：
[0112] D = AiSVM+A2sin Θ +λ3ν+λ4Ε+λ5υ
[0113] 步骤3)中，按照加权和结果查找平衡二叉树，输出预测结果。
[0114] 将D输入到平衡二叉树中进行查找，用欧式距离评价差异，即diO-DO2,距离越 小，则越接近此聚类中心。在二叉树中找到与输入D最接近的值，则此聚类中心所属状态，即 为输入信号对应状态，从而完成跌倒识别。
[0115] 以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故 凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
【主权项】
1. 一种基于吸引子传播算法的老人跌倒检测方法，其特征在于，包括以下步骤： 1) 采集每个传感器的样本信息； 2) 处理样本信息并进行归一化，构造样本状态加权和； 3) 将样本加权和输入AP聚类器； 4) 利用聚类结果构造平衡二叉树，标记聚类结果； 5) 采集每个传感器的信息； 6) 处理传感器信息并进行归一化，构造状态加权和； 7) 按照加权和结果查找平衡二叉树，输出预测结果。2. 根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于： 步骤1)和5)中的传感器包括有三轴加速度传感器、心率传感器、血压传感器、陀螺仪，由三 轴加速度传感器获得加速度信息ai，心率传感器获得信息hi，血压传感器获得信息bi，陀螺 仪获得ig息Wi。3. 根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于： 在步骤2)和6)中，需处理传感器采集的信息获得人体加速度幅值矢量均值、人体位置角度 均值、加速度均值、心率均值、血压均值，对各物理量进行归一化，最后构造它们的状态加权 和。4. 根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于： 在步骤3)中，采用吸引子传播算法，将状态加权和输入AP聚类器，得到可构造平衡二叉树的 聚类结果。5. 根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于： 在步骤4)中，将聚类结果按照顺序构造平衡二叉树，并对应跌倒、行走、卧躺、站立四种状态 对各聚类中心进行标记。6. 根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于： 在步骤7)中，采用欧式距离描述差异，通过查找平衡二叉树找出与加权和差距最小的聚类 中心，从而判定状态，完成跌倒识别。7. 根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于， 所述步骤2)具体包括以下步骤： a) 共采集跌倒、行走、卧躺、坐立四种状态下共N组样本信息:P^Ps，. . .，PN，Pi表示第i组 样本信息，每一组样本信息对应以下四个物理量(ai，hi，bi，wi)，i = 1，2，…，N;其中，ai为由 三轴加速度传感器获得的加速度信息，hi为由心率传感器获得的信息，bi为血压传感器获得 的ig息，wi为由陀螺仪获得的彳目息； b) 传感器采集数据的时间设为(0，T)，对各类信息先进行预处理，获得判断因子： ① 用人体加速度幅值矢量SVM的变化描述人体运动的剧烈程度：② 用人体位置与重力方向的夹角Θ确定人体姿态的变化，其中，用陀螺仪测量人体角度 的变化进一步校正加速度传感器测量的角度值：③ 利用各轴加速度与时间围成的面积来近似表示能量变化：④ 利用心率数据与时间围成的面积来确定心率波动情况：⑤ 利用血压数据与时间围成的面积来表示血压波动情况：C)将不同量纲的各类判断因子按照以下公式分别进行归一化：Qmax-max {qi, q2,, qn } d)使用各类判断因子3￥1^，以110^1而，1^，构造出样本状态加权和： Di = AiSVMi+A2sin Θ i+A3Vi+A4Ei+A5Ui 其中，权值\，（」=1，2，一，5)在训练六?聚类器的时候进行更新调整，以获得最佳的聚类 结果。8.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于， 所述步骤3)具体包括以下步骤： a) 利用吸引子传播算法构造AP聚类器 首先需要获得相似度矩阵S;现有样本加权和个数为N，即样本点，计算任意两点之间的 相似度得到矩阵S，其中S矩阵行数为N(N-l)，表示N个点与其他N-1个点直接的相似度信息； S的列数为3,第一列的值为i个样本点中任意一点，第二列的值为除i点外其他任意点j，第 三列的值为s(i，j)=-(Di-Dj) 2,故相似度矩阵S的大小为N(N-l)行3列； b) 采用吸引子传播算法对样本加权和进行将聚类 先初始化吸引度矩阵R及归属度矩阵A，即均为0,然后进行迭代;r(i，k)表示第k个样本 适合作为第i个样本的类代表点的代表程度，a(i，k)表示第i个样本选择第k个样本作为类 代表样本的适合程度;具体迭代步骤如下： 第一阶段:迭代更新公式 r(i，k) = s(i，k)_max{a(i，k，）+s(i，k，）}，k，e{l，2,3.....，N，k，^k}第二阶段:评判聚类中心 通过{8(1^，1〇+1'(1^，1〇>0}这个评判标准来选出当前的聚类中心； 反复执行上述第一、二阶段的步骤，直至聚类中心连续若干次迭代不发生改变，或者迭 代次数超过阈值，则停止迭代，再由MgmaxMD + W'，切来确定i的聚类中心。9.根据权利要求1所述的一种基于吸引子传播算法的老人跌倒检测方法，其特征在于： 在步骤4)中，平衡二叉树是一种二叉排列树，其中每个节点的左右子树高度接近或等于;设 获得聚类中心m个，将每个获得的聚类中心对应其原属的跌倒、行走、卧躺、站立四种状态添 加标记，并按加权和大小将聚类中心构造成为一棵平衡二叉树。
【文档编号】G08B21/04GK105869354SQ201610274438
【公开日】2016年8月17日
【申请日】2016年4月29日
【发明人】袁雪姣, 周智恒, 谭江慧, 赵汝正, 刘楷怡
【申请人】华南理工大学