一种基于机器学习的老人跌倒检测方法及其检测系统与流程

技术特征：

1.一种基于机器学习的老人跌倒检测方法，其特征在于，包括以下步骤：

步骤1、采集每个传感器的样本信息；

步骤2、用样本信息训练字典并构造样本跌倒特征向量；

步骤3、用样本跌倒特征向量训练分类器；

步骤4、采集每个传感器的信息；

步骤5、调用已训练的字典构造跌倒特征向量；

步骤6、跌倒预测，根据跌倒特征向量，采用已训练的分类器预测跌倒，输出预测结果。

2.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤4中，所述传感器包括MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器，所述MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器的采样频率均为60Hz。

3.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤2中，采用K-SVD算法，所述K-SVD算法具体为：利用样本信息通过反复执行固定字典和更新字典优化以下方程，训练得到构造特征所需的字典，并采用OMP算法求解出样本跌倒特征向量，

subject to||x_i||₀≤T₀，

其中，Y代表一个n*N的样本矩阵，D代表一个n*K的字典矩阵，n是测量数据的维度，K＝21；X代表一个K*N跌倒特征矩阵；表示2范数的平方；x_i代表X矩阵的第i列；||·||₀表示零范数；T₀是预先设置的阀值。

4.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤3中，利用样本跌倒特征向量，采用Gini标准对树的数量为50，每棵树的深度为7的随机森林分类器进行训练。

5.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤5中，运用已训练的字典，通过OMP算法求解以下方程，构造出新数据的跌倒特征向量：

subject to||X″||₀≤T₀，

其中，Y″代表采集传感器信息到的一个n*1的向量，n是测量数据的维度，本实施例中n＝7；D′代表训练以后得到的一个n*K的字典矩阵，本实施例中K＝21；X″代表所求向量Y″的一个K*1跌倒特征向量；表示2范数的平方；||·||₀表示零范数；T₀是预先设置的阀值。

6.根据权利要求1所述的基于机器学习的老人跌倒检测方法，其特征在于，在步骤6中，调用已训练的树的数量为50，每棵树的深度为7的随机森林分类器，以跌倒特征向量为输入，是否跌倒为输出，完成跌倒识别。

7.一种实现权利要求1所述的基于机器学习的老人跌倒检测方法的检测系统，其特征在于，包括：传感器模块、ARM主机模块和GPRS模块，传感器模块通过I/O直接与ARM主机模块相连，GPRS模块通过TTL串口直接与ARM主机模块相连，其中，

所述传感器模块包括若干传感器，用于监测用户活动数据以判断是否发生跌倒；所述ARM主机模块通过对从I/O口接收到传感器模块的监测数据进行实时处理，判断用户是否发生跌倒行为，若判断结果为发生跌倒行为，则向GPRS模块发出指令；所述GPRS模块用于发送预警信息。

8.根据权利要求7所述的检测系统，其特征在于，所述传感器模块包括三个独立的传感器，所述三个独立的传感器为：MPU-6050三轴加速度传感器、MPU-6050三轴陀螺仪和SON1303心率传感器；所述MPU-6050三轴加速度传感器的通信接口与所述ARM主机模块的一号I/O口相连，采样频率为60Hz；所述MPU-6050三轴陀螺仪的通信接口与所述ARM主机模块的二号I/O口相连，采样频率为60Hz；所述SON1303心率传感器的通信接口与所述ARM主机模块的三号I/O口相连，采样频率为60Hz。

9.根据权利要求7所述的检测系统，其特征在于，所述ARM主机模块采用UT4412BV02开发板，所述UT4412BV02开发板的扩展I/O接口用于接收传所述感器模块的检测数据，所述UT4412BV02开发板的TTL串口用于向所述GPRS模块发送命令；所述ARM主机用于运行判别算法。