[发明专利]一种跌倒检测装置与方法

权利要求书

1.一种跌倒检测装置，其特征在于，包括传感器、微控制器、报警器、定位通信模块和求助通讯模块，其中，所述传感器、微控制器、报警器、定位通信模块和求助通讯模块通过集成电路总线连接；

所述的传感器，用于测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值，将姿态值传输至微控制器；

所述的微控制器，与传感器连接得到姿态值；用于对加速度数据和陀螺仪数据所表示的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则向报警器发起报警信号；若报警信号被中断，则继续向传感器发送检测指令；若报警信号一直没有被中断，则向定位通信模块发送定位通讯指令，同时向求助通讯模块发送求救指令；

所述的报警器，用于接收微控制器发出的报警信号进行报警指令；报警器与用户手动关闭报警信号的人机交互界面连接；

所述的定位通信模块，用于接收微控制器发出的定位通讯指令，并将位置信息发送给求助通讯模块；

所述的求助通讯模块，用于接收微控制器发出的求救指令和定位通信模块发送的位置信息，并向移动端发送求助信息和位置信息。

2.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的传感器，集成有陀螺仪、加速度传感器及DMP数字运动处理模块，DMP数字运动处理模块用于将传感器所采集的原始数据直接转化为姿态值输出。

3.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的报警器为用于视频报警的LCD屏或者声音报警的蜂鸣器。

4.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的定位通信模块包括室内和室外定位通讯模块，室外定位通讯模块为GPS定位模块，室外定位通讯模块为无线传感网络WiFi与惯性传感器。

5.根据权利要求1所述的一种跌倒检测装置，其特征在于，所述的微控制器还包括用于构建SVM_KNN算法对采集到的样本进行训练与测试。

6.根据权利要求1所述的一种跌倒检测装置，其特征在于，还包括动态心电监测模块，睡眠监测模块与微控制器电连接。

7.一种跌倒检测方法，其特征在于，包括以下步骤：

测量人体运动时的加速度和角速度原始数据，并将加速度和角速度原始数据处理得到姿态值；

采用自适应Relief算法对加速度数据的运动特征进行评估筛选，区分跌倒行为和其他日常活动，通过SVM_KNN算法对采集到的样本进行训练与测试，并根据检测到跌倒信号进行跌倒结果处理；如果检测到跌倒信号，则发起报警信号；若报警信号被中断，则继续实时检测；若报警信号一直没有被中断，则发送位置信息和求助信息。

8.根据权利要求1所述的一种跌倒检测方法，其特征在于，在进行人体动作分类之前需要先进行特征提取，分别提取加速度信号的统计学特征和物理特征两大类，其中统计学特征包括时域特征、频域特征以及时频域特征，针对每一组输入数据均进行以上特征分析，获得时域特征频域特征时频域特征物理特征从而构成所需的单一特征向量其中i表示输入数据量；传感器数据分解为特征向量V_i后，按照特征对人体行为进行分类。

9.根据权利要求1所述的一种跌倒检测方法，其特征在于，所述的SVM_KNN算法具体指：针对先由已知样本的特征值，构造好SVM分类器，对于待测样本数据，对其归一化，然后提取特征值，送入SVM分类器，采用SVM对训练集进行训练，得到一个包含最优超平面和支持向量集的弱二分类器，然后计算待测样本到最优超平面的距离；若该距离大于设定的间隔，直接采用SVM分类；否则，利用支持向量集作为有标签的训练集进行KNN算法分类。

10.根据权利要求9所述的一种跌倒检测方法，其特征在于，SVM_KNN算法，具体步骤如下：

1)将现有的数据集S，分为训练集T_r和测试集T_e，针对训练集T_r先采用SVM进行训练，得到一个弱二分类器，以及2类样本的支持向量集分别为C₊和C_-；

2)从测试集T_r中任选一个样本x_i，计算：

f(x)＝α_iy_iK(x_i,x)+b

3)将f(x)与定的阈值ε相比较，如果|f(x)|＜ε，则说明样本离分类面很近，此时应采用KNN算法，转步骤4)，如果|f(x)|≥ε，则采用SVM算法，转步骤5)；

4)计算x_i与所有支持向量的距离；挑选出K个最小距离，并计它们所对应的支向量的类别，x_i的类别与较多数目的类别相同；其中，距离采用标准化欧离；

5)采用SVM算法计算F(x)＝sgn(f(x))，得出分类类别。