技术领域
本发明属于物联网和人工智能的智慧养老技术领域,具体涉及一种多模式的人体跌倒检测方法。
背景技术
随着人口老龄化问题日趋严重,老年人身心安全问题已成为社会关注的焦点问题之一。随着年龄的增长,老人骨骼质地疏松,行走跌倒成为日常危害老人身体健康的一个重要因素。传统的跌倒监测识别方法主要是通过视频图像、声音或振动、足底压力传感器等设备完成老年人跌倒监测识别,识别模型简单,识别过程模糊且不具有检验性。近年来,随着可穿戴设备的兴起,三轴加速传感技术以及肌电信号采集仪技术的不断完善,提供了更好的监测设备改进跌倒行为的识别,有效保证了老年人跌倒行为识别的有效性和可靠性。
在现有方法中,三轴加速感应判断跌倒行为具有一定的准确度,但是由于三维角度加速反应器会受到外界噪音干扰,在系统运行过程中很容易误导数据测量结果,单一的利用三轴加速感应来判断跌倒行为准确度低且监测难度大。
表面肌电信号识别与特征提取有许多不同的方法,比较常见的如神经网络法、聚类分析等,在表面肌电信号识别方面取得了一定的进步,但均存在一定的缺点。支持向量机SVM(Support Vector Machine)是一种有监督的分类器,它在解决小样本、非线性及高斯模式识别中表现出许多特有的优势,可以解决神经网络结构无标准的理论指导、学习时间长、局部极小点等问题,但该算法受惩罚参数c和核函数参数g难确定。
发明内容
本发明提供了一种多模式的人体跌倒检测方法,采用如下的技术方案:
一种多模式的人体跌倒检测方法,包含以下步骤:
采集检测对象的加速度数据;
根据加速度数据判断检测对象的状态;
在判断出检测对象处于跌倒状态时采集检测对象的表面肌电信号;
从表面肌电信号中提取出肌电信号特征;
通过支持向量机识别肌电信号特征;
在支持向量机识别出检测对象处于跌倒状态时触发报警系统。
进一步地,通过三轴加速度传感器采集检测对象的加速度数据。
进一步地,三轴加速度传感器采集到的检测对象的加速度数据包含X,Y,Z轴的加速度数值a
进一步地,根据加速度数据判断检测对象的状态的具体方法为:
根据下述公式计算仰卧角度Pitch、侧翻角度Roll和左右旋转角Yaw:
根据仰卧角度Pitch、侧翻角度Roll和左右旋转角Yaw与对应的正常值进行比较判断检测对象是否跌倒。
进一步地,通过阿德尔曼滤波算法对仰卧角度Pitch、侧翻角度Roll和左右旋转角Yaw进行优化处理。
进一步地,从肌电信号中提取出肌电信号特征的具体方法为:
对表面肌电信号进行预处理;
通过小波包排列组合熵从预处理后的表面肌电信号中提取肌电信号特征。
进一步地,对表面肌电信号进行预处理的具体方法为:
从表面肌电信号中提取出16Hz-160Hz频段的信息。
进一步地,通过小波包排列组合熵从预处理后的的表面肌电信号中提取肌电信号特征的具体方法为:
对表面肌电信号进行五层小波包分解;
利用排列组合熵公式计算九个低频子空间重构后的表面肌电信号的排列组合熵作为肌电信号特征。
进一步地,通过粒子群算法PSO优化支持向量机的惩罚参数c和核函数参数g。
进一步地,通过粒子群算法PSO优化支持向量机的惩罚参数c和核函数参数g的具体方法为:
1)通过对学习因子c
2)计算每个粒子的适应度,粒子的适应度采用K折交叉验证评估;
3)根据PSO算法的速度与位置计算公式更新粒子的速度和位置;
其中,PSO算法的速度与位置计算如下:
v
x
其中,c
4)查看是否满足终止条件,若满足,将群体最优粒子映射为支持向量机的惩罚参数c和核函数参数g最优解,否则转向步骤2,继续新一轮搜索。
本发明的有益之处在于所提供的多模式的人体跌倒检测方法,针对目前的跌倒识别方法容易受外界噪音干扰而导致识别准确度不高以及支持向量机受惩罚参数c和核函数参数g影响较大的问题,提出一种多模式的检测方法,融入三轴加速感应和PSO优化SVM,提升老年人跌倒行为识别准确度。
附图说明
图1是本发明的多模式的人体跌倒检测方法的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为一种多模式的人体跌倒检测方法,包含以下步骤:S1:采集检测对象的加速度数据。S2:根据加速度数据判断检测对象的状态。S3:在判断出检测对象处于跌倒状态时采集检测对象的表面肌电信号。S4:从表面肌电信号中提取出肌电信号特征。S5:通过支持向量机识别肌电信号特征。S6:在支持向量机识别出检测对象处于跌倒状态时触发报警系统。根据上述方法,在通过及时速度数据监测到跌倒行为后,再通过支持向量机再次识别验证出跌倒行为,此时触发报警系统。可以理解的,为了应对极端状况,系统加入手动控制系统,即用户可以自己手动完成报警设置。以下具体介绍上述步骤。
对于步骤S1:采集检测对象的加速度数据。
在本发明中,通过三轴加速度传感器采集检测对象的加速度数据。
具体的,三轴加速度传感器采集到的检测对象的加速度数据包含X,Y,Z轴的加速度数值a
对于步骤S2:根据加速度数据判断检测对象的状态。
具体的,根据加速度数据判断检测对象的状态的具体方法为:
根据下述公式计算仰卧角度Pitch、侧翻角度Roll和左右旋转角Yaw:
再根据仰卧角度Pitch、侧翻角度Roll和左右旋转角Yaw与对应的正常值进行比较判断检测对象是否跌倒。首先监测卧角度Pitch是否高于正常值,若不正常继续监测侧翻角度Roll和左右旋转角Yaw是否高于正常值,若不正常启用预报警模式。
由于三轴加速度传感器会受到外界噪音干扰,在系统运行过程中很容易误导数据测量结果,在本申请中,采用阿德尔曼滤波算法对计算得到的仰卧角度Pitch、侧翻角度Roll和左右旋转角Yaw进行优化。
对于步骤S3:在判断出检测对象处于跌倒状态时采集检测对象的表面肌电信号。
在卧角度Pitch、侧翻角度Roll和左右旋转角Yaw大量超出正常值时,打开肌电信号采集仪开关,进入肌电采集行为,采集用户的表面肌电信号。
对于步骤S4:从表面肌电信号中提取出肌电信号特征。
从肌电信号中提取出肌电信号特征的具体方法为:
对表面肌电信号进行预处理。具体的,从表面肌电信号中提取出16Hz-160Hz频段的信息,滤除高频噪声和不必要的低频信息。
通过小波包排列组合熵从预处理后的表面肌电信号中提取肌电信号特征。
具体的,对表面肌电信号进行五层小波包分解。利用排列组合熵公式计算九个低频子空间重构后的表面肌电信号的排列组合熵作为肌电信号特征。
其中,排列组合熵公式为:
其中,
对于步骤S5:通过支持向量机识别肌电信号特征。
在本申请中,为了提高支持向量机SVM的分类的准确度,通过粒子群算法PSO优化支持向量机的惩罚参数c和核函数参数g。
通过粒子群算法PSO优化支持向量机的惩罚参数c和核函数参数g的具体方法为:
1.通过对学习因子c
2.计算每个粒子的适应度,粒子的适应度采用K折交叉验证评估。
3.根据PSO算法的速度与位置计算公式更新粒子的速度和位置。
其中,PSO算法的速度与位置计算如下:
v
x
其中,c
4.查看是否满足终止条件,若满足,将群体最优粒子映射为支持向量机的惩罚参数c和核函数参数g最优解,否则转向步骤2,继续新一轮搜索。
对于步骤S6:在支持向量机识别出检测对象处于跌倒状态时触发报警系统。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
机译: 人体跌倒检测方法及装置
机译: 人体跌倒检测方法,装置及移动终端系统
机译: 人体跌倒事件的检测方法,电子设备和移动终端