自适应多级跌倒检测方法与流程

本发明涉及跌倒检测方法，具体涉及自适应多级跌倒检测方法。

背景技术：

当前，我国已经进入老龄化社会且呈现出加速发展态势，老年人群体的行动安全问题得到了越来越多人的关注。由于老年人的身体各脏器器官功能正处于退化阶段，不慎跌倒可能会带来致命伤害。若在发生跌倒的情况下，及时准确的跌倒检测和报警可以为抢救和治疗赢得宝贵时间，对保障用户健康和提高医疗监护水平都具有重要意义。随着智能手机的普及以及高度集成的传感器与处理机的发展，使用随身携带的智能手机进行跌倒检测具有低成本、实用性、稳定性等特点。

技术实现要素：

本次发明针对现有技术对高频次遥感时间序列无法有效重建的缺点，提出一种能更好地根据用户特点进行个性化适应的自适应多级跌倒检测方法。

为实现上述技术目的，本发明采用了以下技术方案：

自适应多级跌倒检测方法，包括以下步骤：

s1、采用概率输出svm算法针对三轴加速度传感器所采集的离散型数据进行加速度判定，且整个数据处理过程始终以滑动观察窗口为基本单位，队列中会缓存采样窗内的所有原始数据；

s2、通过比较人体能量损耗是否超出设定阈值来判断人当前运动是否过于激烈；

s3、利用电子罗盘测量人体姿态角，通过判断姿态角是否超过设定阈值来确定人体是否处于异常姿态。

作为优选：步骤1具体包括：由采集获取的三轴加速度值计算加速度幅值矢量：axayaz分别代表x、y、z轴的加速度；

对于单一滑动窗口内的加速度幅值矢量使用聚合方法与分裂方法选取最优的离散特征组合xi；

将加速度特征组合样本表示为x＝{x1,...,xn}，其中n表示为训练样本的个数；将跌倒的样本标记为+1，而则正常的样本标记为-1，那么类标可对应表示为y＝{y1,...,yn}，其中yi表示样本类别，取值范围为-1或+1；在n维的样本空间中，线性可分的线性判别函数写为g(x)＝w·x+b，对应分类界面则写为w·x+b＝0；这里的w即分类界面的法向量，而x为需要分类的测试实例；

而对于两类样本，恒有|g(x)|≥1，即yi(w·xi+b)-1≥0,i＝1,...,n

由此最优分类面的求取就转化为了在yi(w·xi+b)-1≥0,i＝1,...,n的条件下，求取的最小值，通过拉格朗日方法，定义拉格朗日函数为

其中α为拉格朗日系数；对上式中的w与b分别求偏导且令偏导结果等于零；即在的条件下，求取目标函数：

若得到该函数的最优解为αi^*，且αi^*一定满足αi^*[yi(w·xi+b)-1]＝0；由上，我们可以得到原问题的解为：

当遇到线性不可分的情况时，需要将样本映射到高维空间，使得低维空间的分类曲线转化为高维空间的平面；假设映射为通过映射后，样本变为线性可分的，此时求解最优分类面的表达式为

只要一种运算满足mercer条件，当我们定义了变换后的内积运算后，就能够不用进行真的变换，对于任意的对称函数是某个特征空间中的内积运算的充要条件是对于任意的不恒等于0且则同时引入核函数代替最优分类界面中的点积

的核函数包括三种，分别是

多项式核函数：k(x,x')＝[(x·x')²+1]^q，q＝1,...,n

径向基核函数：σ为函数的宽度参数,控制了函数的径向作用范围；

感知器核函数：k(x,x')＝tanh[v(x·x')+c]

接着采用logisticlink函数将svm算法的输出转化为概率输出：

p(y＝1|x)＝1/[1+exp(-f(x))]

这里的f(x)即为svm的判别函数；

采用分类器的输出概率近似代替后验概率，从而获得相应的风险函数

其中c(α2|w1)表示的是一个原本为正例的样本，但是却被分类预测为反例的情况时所带来的风险代价，c(α1|w2)表示一个反例样本被分类器判断为正例所带来的风险代价；c(α1|w1)与c(α1|w1)则代表正例样本以及反例被正确预测所带来的风险，采用最小风险的贝叶斯决策，使得决策风险达到最小：

结合概率输出svm结果的分类判断阈值通过以下公式得到，即令两个决策风险相等，可得出最佳的分类判断阈值；

又因为p(w2|x)＝1-p(w1|x)，认为样本被正确分类所带来的风险为0，所以风险因子c(α1|w1)＝c(α2|w2)＝0，可以得到

p(w1|x)＝c(α1|w2)/(c(α2|w1)+c(α1|w2))

这里的后验概率值p(w1|x)即为所需要的最佳分类判定阈值。

作为优选：步骤2具体包括：

当加速度判定当前行为为跌倒时，则进入第二级能量判定做进一步分析；依据人体在跌倒过程中不同姿态所损耗的能量的不同来判定当前状态能量损耗可以通过动态加速度在特定时间域上的积分求得，其计算公式为

energy＝∫ax²+ay²+az²dt

若能量判定表明加速度判定是一次误判时，则表明了预置的加速度跌倒特征与用户个性化的跌倒特征存在矛盾，此时对存储器中存储的预置跌倒特征进行修改,并用新的特征库重新去训练决定逻辑；

若能量判定表明当前用户的运动异常时，则执行步骤s3。

作为优选：步骤3具体包括：

通过实验获取到的姿态角范围来选取阈值，判断当前人体的水平方向角，倾斜角和横滚角是否超出阈值；

若姿态角判定人体当前处于正常状态，则使用同样方法修订能量判定阈值；

若姿态角判定人体当前处于跌倒状态，则可以最终判定人体当前发生跌倒并报警。

本发明的有益效果是：本发明用滑动窗口抽取出离散特征值，通过实验最终形成最优离散特征组合，并引入了代价敏感度的概念，采用概率输出svm作为分类算法，提高了跌倒算法的正例识别率。同时，多级跌倒判定提高了输出结果的可靠性，尽可能地减少了判定算法中出现的误判与遗漏的可能，使该系统具有了根据用户特点进行自适应的能力。且本发明的数据采集与处理过程都在智能手机上完成，充分利用智能手机这一硬件平台，降低使用成本，便于携带。

附图说明

图1为本发明的算法例流程图。

图2为加速度判定结构框图。

图3为客户端流程图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

对人体跌倒进行建模，我们可将其分为三个阶段，分别为失重阶段，撞击阶段与静止阶段。当处于失重阶段时，人体的三轴加速度幅值矢量m会发生明显变化，变化持续时间由人体所处高度决定；撞击阶段m会瞬间的剧烈变化，并伴随着相应的能量损耗；跌倒并撞击地面后，人体通常无法立即站立起来，会处于短时间的静止阶段。根据该原理，我们将加速度幅值矢量作为跌倒状态判定的第一个判断依据。除了加速度外，人体姿态角也会在发生跌倒时产生相应变化，因此可将其作为判定跌倒的辅助依据。本发明提供了一种用于智能手机的自适应多级跌倒检测方法，如图1所示，它包括以下步骤：

s1、采用概率输出svm算法针对三轴加速度传感器所采集的离散型数据进行加速度判定，且整个数据处理过程始终以滑动观察窗口为基本单位，队列中会缓存采样窗内的所有原始数据。

s2、通过比较人体能量损耗是否超出设定阈值来判断人当前运动是否过于激烈。

s3、利用电子罗盘测量人体姿态角，通过判断姿态角是否超过设定阈值来最终判定人体是否处于异常姿态。

如图2所示，所述步骤s1包括：

由采集获取的三轴加速度值计算加速度幅值矢量：axayaz分别代表x、y、z轴的加速度。

对于单一滑动窗口内的加速度幅值矢量使用聚合方法与分裂方法选取最优的离散特征组合xi。

将加速度特征组合样本表示为x＝{x1,...,xn}，其中n表示为训练样本的个数。将跌倒的样本标记为+1，而则正常的样本标记为-1，那么类标可对应表示为y＝{y1,...,yn}，其中yi表示样本类别，取值范围为-1或+1。在n维的样本空间中，一般线性可分的线性判别函数可以写为g(x)＝w·x+b，对应分类界面则可以写为w·x+b＝0。这里的w即分类界面的法向量，而x为需要分类的测试实例。

而对于两类样本，恒有|g(x)|≥1，即yi(w·xi+b)-1≥0,i＝1,...,n

由此最优分类面的求取就转化为了在yi(w·xi+b)-1≥0,i＝1,...,n的条件下，求取的最小值，通过拉格朗日方法，定义拉格朗日函数为

其中α为拉格朗日系数。对上式中的w与b分别求偏导且令偏导结果等于零。即在的条件下，求取目标函数：

若得到该函数的最优解为αi^*，且αi^*一定满足αi^*[yi(w·xi+b)-1]＝0。由上，我们可以得到原问题的解为：

以上的分析都是基于线性可分这一前提条件下的，当遇到线性不可分的情况时，我们需要将样本映射到高维空间，使得低维空间的分类曲线转化为高维空间的平面。假设映射为通过映射后，样本变为线性可分的，此时求解最优分类面的表达式为

由统计学习理论可知，只要一种运算满足mercer条件，当我们定义了变换后的内积运算后，就能够不用进行真的变换，对于任意的对称函数是某个特征空间中的内积运算的充要条件是对于任意的不恒等于0且则同时引入核函数代替最优分类界面中的点积

一般采用的核函数主要有三种，分别是

多项式核函数：k(x,x')＝[(x·x')²+1]^q，q＝1,...,n

径向基核函数：σ为函数的宽度参数,控制了函数的径向作用范围。

感知器核函数：k(x,x')＝tanh[v(x·x')+c]

接着我们采用采用logisticlink函数将svm算法的输出转化为概率输出：

p(y＝1|x)＝1/[1+exp(-f(x))]

这里的f(x)即为svm的判别函数。

为了能够量化分析跌倒检测算法中代价敏感度的问题，我们采用分类器的输出概率近似代替后验概率，从而获得相应的风险函数

其中c(α2|w1)表示的是一个原本为正例的样本，但是却被分类预测为反例的情况时所带来的风险代价，c(α1|w2)表示一个反例样本被分类器判断为正例所带来的风险代价。c(α1|w1)与c(α1|w1)则代表正例样本以及反例被正确预测所带来的风险，采用最小风险的贝叶斯决策，使得决策风险达到最小：

结合概率输出svm结果的分类判断阈值可以通过以下公式得到，即令两个决策风险相等，可得出最佳的分类判断阈值。

又因为p(w2|x)＝1-p(w1|x)，一般情况下，我们认为样本被正确分类所带来的风险为0，所以风险因子c(α1|w1)＝c(α2|w2)＝0，可以得到

p(w1|x)＝c(α1|w2)/(c(α2|w1)+c(α1|w2))

这里的后验概率值p(w1|x)即为所需要的最佳分类判定阈值，因此最佳阈值可以通过风险因子计算求得，而风险因子的确定通常由经验来决定。

进一步地，所述步骤s2包括：

当加速度判定当前行为为跌倒时，则进入第二级能量判定做进一步分析。依据人体在跌倒过程中不同姿态所损耗的能量的不同来判定当前状态能量损耗可以通过动态加速度在时间域上的积分求得，其计算公式为

energy＝∫x²+y²+z²dt

若能量判定表明加速度判定是一次误判时，则表明了预置的加速度跌倒特征与用户个性化的跌倒特征存在矛盾，此时对存储器中存储的预置跌倒特征进行修改,并用新的特征库重新去训练决定逻辑。

若能量判定表明当前用户的运动异常时，则执行步骤s3。

所述步骤s3包括：

通过实验获取到的姿态角范围来选取阈值，判断当前人体的水平方向角，倾斜角和横滚角是否超出阈值。

若姿态角判定人体当前处于正常状态，则使用同样方法修订能量判定阈值。

若姿态角判定人体当前处于跌倒状态，则可以最终判定人体当前发生跌倒并报警。

如图3所示，若判定当前人体处于跌倒状态，则自动获取当前gps位置，并将位置信息发送给预设的联系人进行报警。