[发明专利]碰撞前跌倒检测方法及装置

说明书

技术领域

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(fall detection indicator)，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。

发明内容

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x_t按照以下公式转换成非自相关的残差值时间序列e_t：φ，

其中，

φ_p代表回归参数，

θ_q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x_t按照以下公式转换成非自相关的残差值时间序列e_t：步骤之后，包括，

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φ_p、θ_q、B的具体值：

其中的，S_*(φ_p，θ_q)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，