碰撞前跌倒检测方法及装置与流程
本发明涉及到跌倒状态检测领域，特别是涉及到一种碰撞前跌倒检测方法及装置。
背景技术：
跌倒一直是威胁老年人健康的一个重要问题。据世界卫生组织(who)的报告，年龄超过65岁的老年人中，有近1/3的老年人每年经历过至少一次跌倒。在我国，跌倒为老年人受伤的首要原因，据估算，我国每年约有4000多万老年人经历跌倒。对应的，跌倒检测是一种有效的被动式防止跌倒的方法，它可以在无人干预下使跌倒者得到及时医疗救助，或激活跌倒预防装置(如充气护髋)避免跌倒碰撞对身体造成的伤害。
现存在有很多跌倒检测的方法，其中，按照跌倒检测完成的阶段划分，可分为碰撞前和碰撞后跌倒检测。
碰撞前跌倒检测，其目的是在身体与地面碰撞前，检测到跌倒的发生，从而采取及时的干预措施(如激活跌倒预防装置)，防止人体受伤。而碰撞后跌倒检测，主要是通过人体与地面接触产生的冲量，地面震动或声音，以及跌倒后人体的姿态来检测跌倒这一事件，因而无法在发生跌倒碰撞时对人体提供保护。因此，与碰撞后跌倒检测比较，碰撞前跌倒检测更为有效。
碰撞前跌倒检测主要是通过对身体失去平衡后下坠过程中的运动学特性来判断是否发生跌倒。常见的碰撞前跌倒检测实现方案包括阈值算法和机器学习算法。
阈值算法通常首先确定一个或多个跌倒探测指数(falldetectionindicator)，通常为运动生物力学指标，并为其设置阈值，当跌倒探测指数超过了这一提前设定的阈值，则意味着发生了跌倒；否则，则为日常活动(非跌倒事件)。而机器学习算法则通常利用跌倒和正常活动的生物力学数据作为训练集，以此产生出一个分类方法，并以此对跌倒和日常活动进行分类。
基于阈值算法和机器学习算法都存在一些缺陷。基于阈值算法跌倒检测很难取得一个最优的探测阈值。现有阈值算法方法中，缺乏对个体差异性的考量，很低的阈值会将非跌倒事件误判成跌倒事件(即虚警)，而过高的阈值又会错过真正的跌倒事件(即误探)。探测阈值的选取影响了跌倒检测的准确度。机器学习算法一定程度上能够克服基于阈值方法的局限性，但是同基于阈值的方法一样，目前基于机器学习的方法不能反映个体差异，而个体运动的差异是普遍存在。
技术实现要素：
本发明的主要目的为提供一种碰撞前跌倒检测方法及装置，用于解决现有方案无法针对个体差异在人体跌倒接触地面之前，准确的完成跌倒检测并报警。
本发明提出一种碰撞前跌倒检测方法，包括，
判断跌倒检测指数时间序列是否自相关；
若跌倒检测指数时间序列不自相关，使用被检测个体的跌倒检测指数时间序列建立统计过程控制模型；
若跌倒检测指数时间序列自相关，通过arima模型处理跌倒检测指数时间序列，并输出非自相关数据；
根据经过arima模型处理后的非自相关数据建立统计过程控制模型；
根据所述统计过程控制模型判断人体是否跌倒。
进一步地，所述若跌倒检测指数时间序列自相关，通过arima模型来处理跌倒检测指数时间序列，并输出非自相关数据步骤，包括，
根据混合自回归和移动平均模型arima模型，对跌倒检测指数时间序列xt按照以下公式转换成非自相关的残差值时间序列et：φ，
其中，
φp代表回归参数，
θq代表差分参数，
b代表后移算子，
p为自回归项，
q为移动平均项数，
d为时间序列成为平稳时所做的差分次数。
进一步地，所述根据混合自回归和移动平均模型arima(p，d，q)模型，对跌倒检测指数时间序列xt按照以下公式转换成非自相关的残差值时间序列et：
通过最大似然法，保证以下公式条件对数似然函数取得最大值的前提下，估算所述φp、θq、b的具体值：
其中的，s*(φp，θq)的计算方法如下：
其中，
n代表跌倒检测指数时间序列的项数；
t代表时间；
s代表残差值时间序列的预测平方和。
进一步地，所述根据经过arima模型处理后的非自相关数据建立统计过程控制模型步骤，包括，
基于休哈特三西格玛控制理论，使用跌倒检测指数时间序列，计算统计过程控制模型的上/下控制范围cl，控制范围cl的计算方式如下：
其中，
系数c2的值设为1.128。
进一步地，所述根据所述统计过程控制模型判断人体是否跌倒，若判定跌倒，则发出跌倒警报步骤，包括，
判断跌倒检测指数时间序列是否超过过程控制图模型的控制范围cl；
若超过，则判定处于跌倒状态。
本发明还提出了一种碰撞前跌倒检测装置，包括，
校验单元，用于判断跌倒检测指数时间序列是否自相关；
第一执行单元，用于若跌倒检测指数时间序列不自相关，使用被检测个体的跌倒检测指数时间序列建立统计过程控制模型；
第二执行单元，用于若跌倒检测指数时间序列自相关，通过arima模型处理跌倒检测指数时间序列，并输出非自相关数据；
所述建立单元，用于根据经过arima模型处理后的非自相关数据建立统计过程控制模型；
跌倒报警单元，用于根据所述统计过程控制模型判断人体是否跌倒。
进一步地，所述第二执行单元，包括第一计算模块，用于根据混合自回归和移动平均模型arima模型，对跌倒检测指数时间序列xt按照以下公式转换成非自相关的残差值时间序列et：φ，
其中，
φp代表回归参数，
θq代表差分参数，
b代表后移算子，
p为自回归项，
q为移动平均项数，
d为时间序列成为平稳时所做的差分次数。
进一步地，所述第二执行单元还包括第二计算模块，用于通过最大似然法，保证以下公式条件对数似然函数取得最大值的前提下，估算所述φp、θq、b的具体值：
其中的，s*(φp，θq)的计算方法如下：
其中，
n代表跌倒检测指数时间序列的项数，
t代表时间，
s代表残差值时间序列的预测平方和。
进一步地，所述建立单元，用于基于休哈特三西格玛控制理论，使用跌倒检测指数时间序列，计算统计过程控制模型的上/下控制范围cl，控制范围cl的计算方式如下：
其中，
系数c2的值设为1.128。
进一步地，所述跌倒报警单元还包括有跌倒判断模块，用于判断跌倒检测指数时间序列是否超过过程控制图模型的控制范围cl，若超过，则判定处于跌倒状态。
本发明的有益效果是：本方案首先针对不同个体的跌倒检测指数时间序列建立统计过程控制图模型，并以此模型判断人体活动是否为跌倒，考量了不同使用个体实际跌倒存在的差异，可以提高碰撞前跌倒检测的准确度；同时统计过程控制图模型具有极高的时效性，能够快速的检测出跌倒的发生，为及时的干预措施提供可能性，例如激活跌倒预防装置。
附图说明
图1为本发明一实施例碰撞跌倒检测方法的方法流程图；
图2为本发明另一实施例碰撞跌倒检测方法的方法流程图；
图3为本发明一实施例碰撞跌倒检测装置的结构框图；
图4为本发明一实施例碰撞跌倒检测装置的第二执行单元的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
arima模型：全称为自回归积分滑动平均模型(autoregressiveintegratedmovingaveragemodel，简记arima)，是由博克思(box)和詹金斯(jenkins)于70年代初提出一著名时间序列预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。其中arima(p，d，q)称为差分自回归移动平均模型，ar是自回归，p为自回归项；ma为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测。
统计过程控制(简称spc)，是应用统计技术对过程中的各个阶段进行评估和监控，建立并保持过程处于可接受的并且稳定的水平，从而保证产品与服务符合规定的要求的一种质量管理技术。
似然函数，统计学中，似然函数是一种关于统计模型参数的函数。给定输出x时，关于参数θ的似然函数l(θ|x)(在数值上)等于给定参数θ后变量x的概率：
l(θ|x)＝p(x＝x|θ)。
cl全称是controllimit，中文名称控制范围。
参照图1，提出本发明一实施例，一种碰撞前跌倒检测方法，包括以下步骤：
s10、判断跌倒检测指数时间序列是否自相关；
s11、若跌倒检测指数时间序列不自相关，使用被检测个体的跌倒检测指数时间序列建立统计过程控制模型；
s12、若跌倒检测指数时间序列自相关，通过arima模型处理跌倒检测指数时间序列，并输出非自相关数据；
s13、根据经过arima模型处理后的非自相关数据建立统计过程控制模型；
s14、根据所述统计过程控制模型判断人体是否跌倒。
对于步骤s10，有效使用统计过程控制模型的一个假设是时间序列数据要独立。这一假设在应用中经常会由于数据具有自相关性(autocorrelation)而得不到满足。所以在应用统计过程控制模型之前，需要检验跌倒检测指数时间序列的自相关性，具体通过自相关系数方程图的方法来完成。
对于步骤s11，通过自相关系数方程图的方法确定检验跌倒检测指数时间序列的自相关性，如果跌倒检测指数时间序列不自相关，将直接利用检验跌倒检测指数时间序列来建立统计过程控制模型。
对于步骤s12，通过自相关系数方程图的方法确定检验跌倒检测指数时间序列的自相关性，如果跌倒检测指数时间序列自相关，因为有效使用统计过程控制模型的一个假设是时间序列数据要独立，所以不能直接使用跌倒检测指数时间序列来建立统计过程控制模型，需要通过arima模型处理跌倒检测指数时间序列，并最终输出能够用于建立统计过程控制模型的非自相关数据。
对于步骤s13，根据arima模型处理后的非自相关数据，再以被检测个体的跌倒检测指数时间序列为基础来建立统计过程控制模型，这样即使一开始跌倒检测指数时间序列自相关，最终也能够用于建立统计过程控制模型。
对于步骤s14，根据上述的统计过程控制模型来判断指定个体是否跌倒，当跌倒检测指数时间序列超过计过程控制图模型的控制范围，就判定指定个体跌倒，并可以进一步激活干预措施，同时发出警报。
本发明一种碰撞前跌倒检测方法，首先针对不同个体的跌倒检测指数时间序列建立统计过程控制图模型，并以此模型判断人体活动是否为跌倒，考量了不同使用个体实际跌倒存在的差异，可以提高碰撞前跌倒检测的准确度；同时统计过程控制图模型具有极高的时效性，能够快速的检测出跌倒的发生，为及时的干预措施提供可能性，例如激活跌倒预防装置。
参照图2，提出本发明一实施例，一种碰撞前跌倒检测方法，包括以下步骤：
s20、判断跌倒检测指数时间序列是否自相关；
s21、若跌倒检测指数时间序列不自相关，使用被检测个体的跌倒检测指数时间序列建立统计过程控制模型；
s22、若跌倒检测指数时间序列自相关，通过arima模型处理跌倒检测指数时间序列，并输出非自相关数据；
s23、根据经过arima模型处理后的非自相关数据建立统计过程控制模型；
s24、判断跌倒检测指数时间序列是否超过过程控制图模型的控制范围，若超过，则判定为跌倒状态。
对于步骤s20，有效使用统计过程控制模型的一个假设是时间序列数据要独立。这一假设在应用中经常会由于数据具有自相关性(autocorrelation)而得不到满足。所以在应用统计过程控制模型之前，需要检验跌倒检测指数时间序列的自相关性，具体通过自相关系数方程图的方法来完成。
对于步骤s21，通过自相关系数方程图的方法确定检验跌倒检测指数时间序列的自相关性，如果跌倒检测指数时间序列不自相关，将直接利用检验跌倒检测指数时间序列来建立统计过程控制模型。
对于步骤s22，通过自相关系数方程图的方法确定检验跌倒检测指数时间序列的自相关性，如果跌倒检测指数时间序列自相关，因为有效使用统计过程控制模型的一个假设是时间序列数据要独立，所以不能直接使用跌倒检测指数时间序列来建立统计过程控制模型，需要通过arima模型处理跌倒检测指数时间序列，并最终输出能够用于建立统计过程控制模型的非自相关数据。
具体的步骤s22，包括以下步骤：
s221、根据混合自回归和移动平均模型arima(p，d，q)模型，对跌倒检测指数时间序列xt按照以下公式转换成非自相关的残差值时间序列et：φ，
其中，φp代表回归参数，θq代表差分参数，b代表后移算子，p为自回归项，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
s222、通过最大似然法，保证以下公式条件对数似然函数取得最大值的前提下，估算所述φp、θq、b的具体值：
其中的，s*(φp，θq)的计算方法如下：
其中，
n代表跌倒检测指数时间序列的项数，
t代表时间，
s代表残差值时间序列的预测平方和。
具体的，通过步骤s221和步骤s222，对自相关的跌倒检测指数时间序列xt进行进一步处理，得到适合用于建立统计过程控制模型的非自相关数据。
具体的，步骤s23为：基于休哈特三西格玛控制理论，使用跌倒检测指数时间序列，计算统计过程控制模型的上/下控制范围cl，控制范围cl的计算方式如下：
其中，
系数c2的值设为1.128。
对于步骤s23，根据arima模型处理后的非自相关数据，再以被检测个体的跌倒检测指数时间序列为基础来建立统计过程控制模型，这样即使一开始跌倒检测指数时间序列自相关，最终也能够用于建立统计过程控制模型。
对于步骤s24，通过判断跌倒检测指数时间序列是否超过过程控制图模型的控制范围cl，若超过，就判定指定个体跌倒，并可以进一步激活干预措施，同时发出警报。
在本发明的一具体应用实施例中，老年人在步行中出先意外滑倒的情况，使用本发明的方案可以在初滑开始后120ms内判断出此跌倒事件，通常人体在初滑700-1000ms后发生身体与地面的碰撞，依靠跌倒检测的提前量，可以激活气囊等跌倒预防装置(激活时间据报道约为70ms)，从而防止受伤的出现。
本发明一种碰撞前跌倒检测方法，首先针对不同个体的跌倒检测指数时间序列建立统计过程控制图模型，并以此模型判断人体活动是否为跌倒，考量了不同使用个体实际跌倒存在的差异，可以提高碰撞前跌倒检测的准确度；同时统计过程控制图模型具有极高的时效性，能够快速的检测出跌倒的发生，为及时的干预措施提供可能性，例如激活跌倒预防装置。
参照图3和图4，提出本发明另一实施例，一种碰撞前跌倒检测装置，包括：
校验单元10，用于判断跌倒检测指数时间序列是否自相关。
第一执行单元30，用于若跌倒检测指数时间序列不自相关，使用被检测个体的跌倒检测指数时间序列建立统计过程控制模型。
第二执行单元20，用于若跌倒检测指数时间序列自相关，通过arima模型处理跌倒检测指数时间序列，并输出非自相关数据。
建立单元40，用于根据经过arima模型处理后的非自相关数据建立统计过程控制模型。
跌倒报警单元50，用于根据所述统计过程控制模型判断人体是否跌倒。
对于校验单元10，有效使用统计过程控制模型的一个假设是时间序列数据要独立，这一假设在应用中经常会由于数据具有自相关性(autocorrelation)而得不到满足。所以在应用统计过程控制模型之前，需要检验跌倒检测指数时间序列的自相关性，具体通过自相关系数方程图的方法来完成。
对于第一执行单元30，通过自相关系数方程图的方法确定检验跌倒检测指数时间序列的自相关性，如果跌倒检测指数时间序列不自相关，将直接利用检验跌倒检测指数时间序列来建立统计过程控制模型。
对于第二执行单元20，通过自相关系数方程图的方法确定检验跌倒检测指数时间序列的自相关性，如果跌倒检测指数时间序列自相关，因为有效使用统计过程控制模型的一个假设是时间序列数据要独立，所以不能直接使用跌倒检测指数时间序列来建立统计过程控制模型，需要通过arima模型处理跌倒检测指数时间序列，并最终输出能够用于建立统计过程控制模型的非自相关数据。
第二执行单元20包括第一计算模块21，用于根据混合自回归和移动平均模型arima(p，d，q)模型，对跌倒检测指数时间序列xt按照以下公式转换成非自相关的残差值时间序列et：φ，
其中，
φp代表回归参数，
θq代表差分参数，
b代表后移算子。
第二执行单元20还包括第二计算模块22，用于通过最大似然法，保证以下公式条件对数似然函数取得最大值的前提下，估算所述φp、θq、b的具体值：
其中的，s*(φp，θq)的计算方法如下：
其中，
n代表跌倒检测指数时间序列的项数；
t代表时间，
s代表残差值时间序列的预测平方和。
具体的，通过第一计算模块21和第二计算模块22，对自相关的跌倒检测指数时间序列xt进行进一步处理，得到适合用于建立统计过程控制模型的非自相关数据。
具体的，建立单元40，用于基于休哈特三西格玛控制理论，使用跌倒检测指数时间序列，计算统计过程控制模型的上/下控制范围cl，控制范围cl的计算方式如下：
其中，
对于建立单元40，根据arima模型处理后的非自相关数据，再以被检测个体的跌倒检测指数时间序列为基础来建立统计过程控制模型，这样即使一开始跌倒检测指数时间序列自相关，最终也能够用于建立统计过程控制模型。
具体的，跌倒报警单元50还包括有跌倒判断模块，用于判断跌倒检测指数时间序列是否超过过程控制图模型的控制范围cl，若超过，则发出跌倒警报。
对于跌倒判断模块，通过判断跌倒检测指数时间序列是否超过过程控制图模型的控制范围cl，若超过，就判定指定个体跌倒，并可以进一步激活干预措施，同时发出警报。
本发明的一种碰撞前跌倒检测装置，首先针对不同个体的跌倒检测指数时间序列建立统计过程控制图模型，并以此模型判断人体活动是否为跌倒，考量了不同使用个体实际跌倒存在的差异，可以提高碰撞前跌倒检测的准确度；同时统计过程控制图模型具有极高的时效性，能够快速的检测出跌倒的发生，为及时的干预措施提供可能性，例如激活跌倒预防装置。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！