一种基于大数据的真实环境下老人跌倒检测方法及系统与流程

本发明涉及老人跌倒检测领域，尤其是一种基于大数据的真实环境下老人跌倒检测方法及系统。

背景技术：

随着我国逐步进入老龄化社会，老人日常生活中的安全防范，日益成为社会关注的热点。根据报道在上海，仅2010年因跌倒致死1983人，其中87.1％为65岁以上的老年人，致死亡率达77.9/10万，相当于每天有4.7个老年人因跌倒而死亡。此外，老年人因伤就诊病例中，一半以上为跌倒病例；因伤住院病例中，超过80％为跌倒病例。

经过调查、研宄发现，老年人跌倒后20分钟内的救援，可将伤害降低到最小程度，是救援的黄金时间。因此一种准确的跌倒检测技术，必将在我国老龄化社会中，发挥出巨大的社会和经济效益；然而，跌倒检测又是一项极富挑战性的技术，主要难点如下：

1.难以获取真实的老年人跌倒数据，作为跌倒检测方法设计与验证的基础数据；2.现有的传感器获取数据，在跌倒与非跌倒动作间存在交集，难以区分，容易造成误判和漏判；3.全世界范围内，还没有用于跌倒算法验证的数据样本，这无形中增加了算法验证的难度，是一项开创性的工作；4.每个人个体特征的差异，如性别、身高、体重等，都会造成跌倒监测过程的一些数据差异，从而增加跌倒算法开发和验证的难度。

因此，需要设计一种基于大数据的真实环境下老人跌倒检测方法及系统。

技术实现要素：

为了克服现有技术中的缺陷，提供一种基于大数据的真实环境下老人跌倒检测方法及系统。

本发明通过下述方案实现：

一种基于大数据的真实环境下老人跌倒检测系统，该系统包括可穿戴单元、通讯单元、远程服务单元、跌倒报警单元；

所述可穿戴单元包括传感器模块、现场处理单片机、现场存储模块，所述传感器模块设置在老人身上，所述传感器模块和现场存储模块与现场处理单片机对应电连接；

所述远程服务单元包括跌倒情况数据库、支持向量机、跌倒数据处理模块、远程服务控制芯片，所述远程服务控制芯片与跌倒情况数据库、支持向量机、跌倒数据处理模块对应电连接；

所述现场处理单片机与通讯单元对应电连接，所述通讯单元与远程服务单元和跌倒报警单元对应电连接，所述通讯单元与远程服务控制芯片对应电连接。

所述传感器模块包括若干个加速度传感器和角速度传感器。

所述可穿戴单元还包括现场情况确认模块，所述现场情况确认模块与现场处理单片机对应电连接。

所述可穿戴单元还包括心率采集模块，所述心率采集模块与现场处理单片机对应电连接。

一种基于大数据的真实环境下老人跌倒检测方法，该方法包括以下步骤：

第一步、加速度传感器和角速度传感器采集老人的三轴角速度和三轴角速度数据，心率采集模块采集老人的心率数据传输给现场处理单片机；

第二步、现场处理单片机将三轴角速度和三轴角速度数据以及心率数据进行处理，如果数据超过了跌倒的阈值，则将这些数据打包并标记为报警数据，随后依次通过通讯单元、跌倒报警单元进行报警处理，同时在本地的现场存储模块对报警数据进行数据存储，并且将打包的报警数据发送至通讯单元，事后由老人或者其他操作者在现场情况确认模块中对现场实际是否发生跌倒进行确认；

如果进行现场处理单片机处理，三轴角速度和三轴角速度数据以及心率数据没有超过阈值，但是老人在现场实际发生了跌倒，则将这些数据打包并标记为跌倒误报数据，同时在本地的现场存储模块对跌倒误报数据进行数据存储，并且将打包的跌倒误报数据发送至通讯单元，由老人或者其他操作者在现场情况确认模块中对现场实际是否发生跌倒进行确认，此时直接由跌倒报警单元进行自动报警处理；

第三步、所述通讯单元将接收到的报警数据和跌倒误报数据传输至远程服务单元的跌倒数据处理模块，由跌倒数据处理模块对这些进行处理，提取出报警数据和跌倒误报数据中的特征值，将这些特征值与附带的实际跌倒情况一起发送至支持向量机；

第四步、由支持向量机对这些特征值与附带的实际跌倒情况进行分类及学习，使用libsvm来实现分类及建模，使用dag-svm做测试；渐进式学习可解决实际跌倒情况与特征值的关联性问题，将学习的结果存储在跌倒情况数据库内；

跌倒情况数据库内还将分开存储各个老人的特征值与附带的实际跌倒情况，通过约多次的修正学习后不断提高特征值匹配水平，现场处理单片机接收到最新的学习结果，在老人的三轴角速度和三轴角速度数据以及心率数据出现后，现场处理单片机将根据最新的学习结果推送老人跌倒情况，达到智能修正的目的。

本发明的有益效果为：

本发明一种基于大数据的真实环境下老人跌倒检测方法及系统可以运用大数据进行自我学习，准确、智能的判断老人是否发生跌倒，解决了现有技术误判率较高的痛点。

附图说明

图1为本发明一种基于大数据的真实环境下老人跌倒检测系统的模块框图；

具体实施方式

下面结合图1对本发明优选的实施例进一步说明：

一种基于大数据的真实环境下老人跌倒检测系统，该系统包括可穿戴单元、通讯单元、远程服务单元、跌倒报警单元；

所述可穿戴单元包括传感器模块、现场处理单片机、现场存储模块，所述传感器模块设置在老人身上，所述传感器模块和现场存储模块与现场处理单片机对应电连接；

所述远程服务单元包括跌倒情况数据库、支持向量机、跌倒数据处理模块、远程服务控制芯片，所述远程服务控制芯片与跌倒情况数据库、支持向量机、跌倒数据处理模块对应电连接；

所述现场处理单片机与通讯单元对应电连接，所述通讯单元与远程服务单元和跌倒报警单元对应电连接，所述通讯单元与远程服务控制芯片对应电连接。

所述传感器模块包括若干个加速度传感器和角速度传感器。角速度传感器应用coriolis力原理，内置特殊的陶瓷装置，大大的简化了设备结构和电路装置,从而具备优越的操作特性。角速度传感器也称为陀螺仪，是用高速回转体的动量矩敏感壳体相对惯性空间绕正交于自转轴的一个或二个轴的角运动检测装置。加速度传感器是一种能够测量加速度的传感器。通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等部分组成。传感器在加速过程中，通过对质量块所受惯性力的测量，利用牛顿第二定律获得加速度值。根据传感器敏感元件的不同，常见的加速度传感器包括电容式、电感式、应变式、压阻式、压电式等。加速度传感器可以检测交流信号以及物体的振动，人在走动的时候会产生一定规律性的振动，而加速度传感器可以检测振动的过零点，从而计算出人所走的步或跑步所走的步数，从而计算出人所移动的位移。并且利用一定的公式可以计算出卡路里的消耗。

所述可穿戴单元还包括现场情况确认模块，所述现场情况确认模块与现场处理单片机对应电连接。

所述可穿戴单元还包括心率采集模块，所述心率采集模块与现场处理单片机对应电连接。心率采集模块“光电容积图”(ppg)的技术。该方法利用了血液对绿光的吸收性，通过测量反射光强的变化来反映血流量的变化，也即心脏的收缩(血流量高，反射光线弱)和舒张(与收缩情况相反)，从而得到对应的心率数据。

一种基于大数据的真实环境下老人跌倒检测方法，该方法包括以下步骤：

第一步、加速度传感器和角速度传感器采集老人的三轴角速度和三轴角速度数据，心率采集模块采集老人的心率数据传输给现场处理单片机；

第二步、现场处理单片机将三轴角速度和三轴角速度数据以及心率数据进行处理，如果数据超过了跌倒的阈值，则将这些数据打包并标记为报警数据，随后依次通过通讯单元、跌倒报警单元进行报警处理，同时在本地的现场存储模块对报警数据进行数据存储，并且将打包的报警数据发送至通讯单元，事后由老人或者其他操作者在现场情况确认模块中对现场实际是否发生跌倒进行确认；

如果进行现场处理单片机处理，三轴角速度和三轴角速度数据以及心率数据没有超过阈值，但是老人在现场实际发生了跌倒，则将这些数据打包并标记为跌倒误报数据，同时在本地的现场存储模块对跌倒误报数据进行数据存储，并且将打包的跌倒误报数据发送至通讯单元，由老人或者其他操作者在现场情况确认模块中对现场实际是否发生跌倒进行确认，此时直接由跌倒报警单元进行自动报警处理；

第三步、所述通讯单元将接收到的报警数据和跌倒误报数据传输至远程服务单元的跌倒数据处理模块，由跌倒数据处理模块对这些进行处理，提取出报警数据和跌倒误报数据中的特征值，将这些特征值与附带的实际跌倒情况一起发送至支持向量机；

第四步、由支持向量机对这些特征值与附带的实际跌倒情况进行分类及学习，使用libsvm来实现分类及建模，使用dag-svm做测试；渐进式学习可解决实际跌倒情况与特征值的关联性问题，将学习的结果存储在跌倒情况数据库内；

跌倒情况数据库内还将分开存储各个老人的特征值与附带的实际跌倒情况，通过约多次的修正学习后不断提高特征值匹配水平，现场处理单片机接收到最新的学习结果，在老人的三轴角速度和三轴角速度数据以及心率数据出现后，现场处理单片机将根据最新的学习结果推送老人跌倒情况，达到智能修正的目的。对异常值不敏感，可以帮助我们抓住关键样本的数据，“剔除”大量冗余样本，具有较好的“鲁棒性”

支持向量机对特征值与附带的实际跌倒情况进行分类及学习的具体过程为：

(1)svm分类，svm最初是设计用在二元分类上，当多个分类时，可以由二元分类的不同组合做分类。一般用于解决样本识别的问题。svm将输入资料转换到高维特征空间中，并找到最难分的资料点，利用这些最难分的资料点形成最佳的超平面，使两群资料距离最远。

(2)渐进式学习，在svm的学习机制中，我们需要使用原始的特征资料d，使用特征资料d训练模型。从新的声音讯号中获得新的特征d2，与支援向量sv1做联集，新的特征和支援向量联集后更新原始的模型。因此，可以将渐进式学习的步骤看作是分段式训练。

渐进式学习的过程是将新的特征资料加入到支援向量中，使用svm重新训练一次，详细步骤如下：

训练：该演算法使用原始资料d。用来训练svm及获得一组支援向量sv1

获得新特征：新的声音讯号经由i、ii节步骤处理后，获得新的特征资料d1。

找到特征总数：为了使计算量减少，需找到sv1与d2的总数，是迭代次数少于总数。

重新训练：将获得的特征资料做联集得到d2＝{sv1∪d1}，重新执行第(1)步骤，可获得新的一组训练模型，即渐进式学习后模型。

针对老人跌倒这个有限样本的实际情况，采用本申请的分类和学习过程的可以得到现有信息下的最优解，而不仅仅是样本数趋于无穷大时的最优解。

尽管已经对本发明的技术方案做了较为详细的阐述和列举，应当理解，对于本领域技术人员来说，对上述实施例做出修改或者采用等同的替代方案，这对本领域的技术人员而言是显而易见，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。