一種基于層次分類的可穿戴跌倒檢測方法及系統技術方案

本發明專利技術涉及一種基于層次分類的可穿戴跌倒檢測方法和系統，該跌倒檢測方法包括：采集用戶的日常行為數據；對該日常行為數據進行合成、濾波等處理生成原始數據；利用滑動窗口機制提取該原始數據的時頻域特征，生成樣本，并將該樣本組合成樣本集；利用第一層一類分類模型對該樣本集中的每一個樣本進行識別，將識別后的結果發送至第二層的加權二類分類模型；第二層的加權二類分類模型負責對加權分配處理，生成加權跌倒樣本，并將其送至第三層的規則二類分類模型；第三層的規則二類分類模型根據該加權跌倒樣本是否符合跌倒規則，判斷用戶是否發生跌倒行為。本發明專利技術通過以上方法實現了對用戶跌倒行為的準確判斷。

Wearable fall detection method and system based on hierarchical classification

The invention relates to a hierarchical classification based on wearable fall detection method and system, including the fall detection methods: daily behavior data acquisition of the user; synthesis and filtering of the daily behavior data generated raw data; using the sliding window mechanism of feature extraction, the original data of the time domain and the generated samples. The sample combined into a sample set; to identify each sample the sample set by the first layer of one class classification model, the recognition result is transmitted to the second layer of the weighted two class classification model; weighted two class classification model of second layers is responsible for handling the weighted distribution, generating weighted sample fall, and send it to the two class classification model of third layer third layer two rules; the rules of classification model based on the weighted sample is in accordance with the rules of fall fall, to determine whether the user Fall behavior. The invention realizes the accurate judgment of the fall behavior of the user through the above method.

【技術實現步驟摘要】
一種基于層次分類的可穿戴跌倒檢測方法及系統
本專利技術涉及普適計算和健康監護領域，具體涉及一種基于層次分類的可穿戴跌倒檢測方法及系統。
技術介紹
2016年1月22日人社部新聞發言人李忠指出，截止2014年，中國60歲以上老年人口達到2.1億，占總人口的比例15.5％，而聯合國標準，60歲以上老年人口達10％即視為老齡化社會。隨著年齡的日益增大，老年人的生理機體功能逐漸衰退，對意外事件的反應日益緩慢，更易發生跌倒。跌倒已成為高齡老年人群的首位傷害死因，其發生率高，損傷嚴重，對個人、家庭還是社會均帶來極大的負擔，已逐步成為關乎老年人健康的社會公共問題。因此，如何對跌倒行為進行實時精準地檢測，成為一個十分重要的社會問題。紛繁眾多的可穿戴設備日益涌入人們的日常生活，廣泛應用于健康監護、運動保健等領域。可穿戴設備利用內嵌的微型傳感器采集數據，可以有效挖掘用戶的日常行為。同時，可穿戴設備具有價格低廉、配置簡單、易攜帶等優點，對于應對社會老齡化挑戰具有重要的現實意義。因此，本專利技術采用可穿戴設備作為研究跌倒檢測的工具。跌倒作為一種典型的異常行為，具有其自身的特點。如圖1所示，通常情況下跌倒包含三個狀態：失重、撞擊、靜止。跌倒剛開始時，人的雙腳會逐漸離開地面并在重力的作用下自由向下墜落，人此時處于某種程度的失重狀態。在撞擊動作發生時，身體向下的速度達到了最大值，此時與地面或其他物體突然發生撞擊，使得合成加速度瞬間達到了最高值。在撞擊發生后的某個時間段內，無論跌倒的嚴重程度如何，人會處于一種相對靜止的狀態。此外，跌倒還經常伴隨著人體朝向的變化，以及各個狀態之間的時間約束等特點。例如：人體朝向的變化是指，撞擊動作發生之后人體的朝向與撞擊之前會有所不同。基于可穿戴設備的跌倒檢測方法可分為閾值法、機器學習法和閾值法與機器學習法的組合方法。閾值法通過比較某一個或幾個特征與相應閾值的大小關系來識別當前是否處于跌倒的某個狀態，進而判斷當前行為是否為跌倒。例如專利CN201610058318.4通過三軸傳感器實時監測人體活動狀態信息，并計算矢量和，將其與預先設定的閾值進行比較，從而判斷是否發生了跌倒；專利CN201610062316.2采用基于特征量閾值的方法，計算合加速度特征量A、合成角速度特征量W和相似度特征量S，與信號向量模積分后得到的閾值對比進行判斷。機器學習法將跌倒檢測看作一個典型的分類問題，基于訓練數據學習分類模型并用于跌倒檢測。例如專利CN201610152570.1基于卡爾曼濾波與K近鄰(KNearestNeighbor,KNN)算法對人體活動狀態進行分類建模，識別出人體的運動類型，判斷模塊做出是否為“跌倒”的決策；專利CN201610083726.5采用支持向量機(SupportVectorMachine,SVM)算法構建分類器；獲取跌倒樣本和日常活動行為樣本構成訓練集，對分類器進行訓練。基于組合方法的跌倒檢測往往結合閾值法和機器學習法，對跌倒行為進行判斷，例如專利CN201010285585.8在閾值判斷之后，利用一類支持向量機進行二次判斷，從而判斷是否為跌倒。跌倒檢測是一個代價敏感的問題，即跌倒行為的漏檢后果將會十分嚴重，要求模型較低的漏警率。另一方面，頻繁的誤報警會引起用戶的反感，降低其對檢測系統的信任度，不利于方法的實際應用，又要求模型的誤警率盡可能低。雖然跌倒檢測已有較多的方法，但已有方法難以同時滿足低漏警率和低誤警率的要求。造成這個問題的原因主要有三個方面：1、已有方法沒有綜合考慮模型漏警率和誤警率，而是使用單一的評判標準(例如精度)；2、采用常規的機器學習分類方法，沒有考慮跌倒這一異常行為的特殊性；3、由于部分日常行為(如跑步、下樓梯等)的瞬間過程與跌倒行為的相似度較高，外加噪聲等對數據的影響，降低了模型檢測的準確率。
技術實現思路
作為健康安全的重要保障，跌倒漏檢測的后果往往是致命的，而頻繁的誤報警也會引起用戶對系統的反感。為有效降低跌倒檢測的漏警率和誤警率，增加跌倒檢測方法對跌倒行為的區分能力，同時過濾噪聲數據對模型的影響，本專利技術提出了一種基于層次分類的可穿戴跌倒檢測方法，其中該跌倒檢測方法包括：步驟1，利用穿戴式運動傳感器采集用戶的日常行為數據；步驟2，對采集的該日常行為數據進行合成、濾波處理操作，生成原始數據；步驟3，利用滑動窗口機制提取該原始數據的時頻域特征，生成樣本，并將該樣本組合成樣本集；步驟4，利用第一層的一類分類模型對該樣本集中的每一個樣本進行識別，將識別結果為“跌倒”的跌倒樣本組合為跌倒樣本集，并將該跌倒樣本集發送至第二層的加權二類分類模型；步驟5，第二層的加權二類分類模型負責對該跌倒樣本集中所有該跌倒樣本進行加權分配處理，生成加權跌倒樣本，并將該加權跌倒樣本發送至第三層的規則二類分類模型；步驟6，第三層的規則二類分類模型根據該加權跌倒樣本是否符合跌倒規則，判斷用戶是否發生跌倒行為，若判斷為跌倒行為則轉步驟7，反之則轉步驟1；步驟7，觸發相應的報警機制，如需繼續檢測，則轉步驟1，否則結束。該基于層次分類的可穿戴跌倒檢測方法，其中通過對預先給定樣本集進行學習，建立該一類分類模型；并用該一類分類模型對該預先給定樣本集中的每一個樣本進行識別，生成預先給定跌倒樣本集；通過對該預先給定跌倒樣本集進行學習，建立該加權二類分類模型；通過對預先給定跌倒規則進行學習，建立該規則二類分類模型。該基于層次分類的可穿戴跌倒檢測方法，其中該一類分類模型為支持向量數據描述模型，該支持向量數據描述模型根據該預先給定樣本集，生成一個超球面，并通過判斷該樣本是否位于該超球面以內，若該樣本位于該超球面以內，則將該樣本識別為跌倒樣本。該基于層次分類的可穿戴跌倒檢測方法，其中該加權二類分類模型為加權超限學習機模型，以對該跌倒樣本集中的跌倒樣本與非跌倒樣本分配不同的權值。該基于層次分類的可穿戴跌倒檢測方法，其中該跌倒規則具體為，a)失重，在失重過程中，合成加速度的值由重力加速度逐漸下降并趨向于零；b)撞擊，在撞擊動作發生時之前，身體向下的速度已經達到了最大值，此時當與地面或其他物體突然發生撞擊，使得合成加速度瞬間達到了一個超過兩倍重力加速度的峰值的最高值，此時速度驟減為零；c)靜止，加速度計的X,Y,Z軸讀數以及合成加速度讀數均處于平穩狀態。本專利技術還提供一種基于層次分類的可穿戴跌倒檢測系統，其中該跌倒檢測系統包括：數據采集模塊，用穿戴式運動傳感器采集用戶的日常行為數據；數據處理模塊，用于對采集的該日常行為數據進行合成、濾波處理操作，生成原始數據；樣本生成模塊，利用滑動窗口機制提取該原始數據的時頻域特征，生成樣本，并將該樣本組合成樣本集；第一層識別模塊，該第一層識別模塊包括一類分類模型，用于對該樣本集中的每一個樣本進行識別，將識別結果為“跌倒”的跌倒樣本組合為跌倒樣本集，并將該跌倒樣本集發送至第二層加權模塊；第二層加權模塊，該第二層加權模塊包括加權二類分類模型，用于對該跌倒樣本集中所有該跌倒樣本進行加權分配處理，生成加權跌倒樣本，并將該加權跌倒樣本發送至第三層判斷模塊；第三層判斷模塊，該第三層判斷模塊包括規則二類分類模型，用于根據該加權跌倒樣本是否符合跌倒規則，判斷用戶是否發生跌倒行為，若判斷為跌倒行為則轉步驟7，反之本文檔來自技高網...

【技術保護點】
一種基于層次分類的可穿戴跌倒檢測方法，其特征在于，該跌倒檢測方法包括：步驟1，利用穿戴式運動傳感器采集用戶的日常行為數據；步驟2，對采集的該日常行為數據進行合成、濾波處理操作，生成原始數據；步驟3，利用滑動窗口機制提取該原始數據的時頻域特征，生成樣本，并將該樣本組合成樣本集；步驟4，利用第一層的一類分類模型對該樣本集中的每一個樣本進行識別，將識別結果為“跌倒”的跌倒樣本組合為跌倒樣本集，并將該跌倒樣本集發送至第二層的加權二類分類模型；步驟5，第二層的加權二類分類模型負責對該跌倒樣本集中所有該跌倒樣本進行加權分配處理，生成加權跌倒樣本，并將該加權跌倒樣本發送至第三層的規則二類分類模型；步驟6，第三層的規則二類分類模型根據該加權跌倒樣本是否符合跌倒規則，判斷用戶是否發生跌倒行為，若判斷為跌倒行為則轉步驟7，反之則轉步驟1；步驟7，觸發相應的報警機制，如需繼續檢測，則轉步驟1，否則結束。

【技術特征摘要】
1.一種基于層次分類的可穿戴跌倒檢測方法，其特征在于，該跌倒檢測方法包括：步驟1，利用穿戴式運動傳感器采集用戶的日常行為數據；步驟2，對采集的該日常行為數據進行合成、濾波處理操作，生成原始數據；步驟3，利用滑動窗口機制提取該原始數據的時頻域特征，生成樣本，并將該樣本組合成樣本集；步驟4，利用第一層的一類分類模型對該樣本集中的每一個樣本進行識別，將識別結果為“跌倒”的跌倒樣本組合為跌倒樣本集，并將該跌倒樣本集發送至第二層的加權二類分類模型；步驟5，第二層的加權二類分類模型負責對該跌倒樣本集中所有該跌倒樣本進行加權分配處理，生成加權跌倒樣本，并將該加權跌倒樣本發送至第三層的規則二類分類模型；步驟6，第三層的規則二類分類模型根據該加權跌倒樣本是否符合跌倒規則，判斷用戶是否發生跌倒行為，若判斷為跌倒行為則轉步驟7，反之則轉步驟1；步驟7，觸發相應的報警機制，如需繼續檢測，則轉步驟1，否則結束。2.如權利要求1所述的基于層次分類的可穿戴跌倒檢測方法，其特征在于，通過對預先給定樣本集進行學習，建立該一類分類模型；并用該一類分類模型對該預先給定樣本集中的每一個樣本進行識別，生成預先給定跌倒樣本集；通過對該預先給定跌倒樣本集進行學習，建立該加權二類分類模型；通過對預先給定跌倒規則進行學習，建立該規則二類分類模型。3.如權利要求2所述的基于層次分類的可穿戴跌倒檢測方法，其特征在于，該一類分類模型為支持向量數據描述模型，該支持向量數據描述模型根據該預先給定樣本集，生成一個超球面，并通過判斷該樣本是否位于該超球面以內，若該樣本位于該超球面以內，則將該樣本識別為跌倒樣本。4.如權利要求2所述的基于層次分類的可穿戴跌倒檢測方法，其特征在于，該加權二類分類模型為加權超限學習機模型，以對該跌倒樣本集中的跌倒樣本與非跌倒樣本分配不同的權值。5.如權利要求1所述的基于層次分類的可穿戴跌倒檢測方法，其特征在于，該跌倒規則具體為，a)失重，在失重過程中，合成加速度的值由重力加速度逐漸下降并趨向于零；b)撞擊，在撞擊動作發生時之前，身體向下的速度已經達到了最大值，此時當與地面或其他物體突然發生撞擊，使得合成加速度瞬間達到了一個超過兩倍重力加速度的峰值的最高值，此時速度驟減為零；c)靜止，加速度計的X,Y,Z軸讀數以及合成加速度讀數均處于平穩狀態。6.一種基于層次分類的可穿戴跌倒檢測系統，其特征在于，該跌倒檢測系統包括：數...

【專利技術屬性】
技術研發人員：陳益強，忽麗莎，高晨龍，謝濤，沈建飛，
申請(專利權)人：中國科學院計算技術研究所，
類型：發明
國別省市：北京,11