[发明专利]一种基于特征分类的跌倒类型及伤害部位检测方法

权利要求书

1.一种基于特征分类的跌倒类型及伤害部位检测方法，其特征在于，所述基于特征分类的跌倒类型及伤害部位检测方法包括：

步骤一，基于穿戴式传感器系统收集的用户加速度计、陀螺仪数据；

步骤二，对采集的传感器数据进行数值归一化处理；

步骤三，对预处理后的数据获取时域及频域特征；

步骤四，采用主成分分析进行特征筛选；

步骤五，建立基于随机森林的跌倒检测模型，进行跌倒检测及跌倒类别判断；

步骤六，根据跌倒类别判断匹配跌倒伤害部位。

2.如权利要求1所述的基于特征分类的跌倒类型及伤害部位检测方法，其特征在于，所述步骤一中基于穿戴式传感器系统收集的用户加速度计、陀螺仪数据包括：

(1)使用一个包含惯性测量单元IMU的可穿戴传感器采集用户数据，IMU可测量日常动作中三轴加速度、三轴角速度；

(2)传感器放置在腰部，具体为髋骨身体前侧正中位置；

(3)动作类别标签：动作分为侧向跌倒、前向跌倒、后向跌倒及日常活动。

3.如权利要求1所述的基于特征分类的跌倒类型及伤害部位检测方法，其特征在于，所述步骤二中对采集的传感器数据进行数值归一化处理包括：

信号数值归一化，将数据映射到0～1；采用线性函数归一化方法，转换函数如下：

其中max为样本数据的最大值，min为样本数据的最小值；r是原始的传感器信号数据，R^*是归一化后的结果。

4.如权利要求1所述的基于特征分类的跌倒类型及伤害部位检测方法，其特征在于，所述步骤三中对预处理后的数据获取时域及频域特征包括：

特征数据的获取：为了实现基于传感器数据的跌倒检测，从预处理后的数据信号中，通过滑动窗口提取以跌倒数据峰值为中心的2秒的数据，提取加速度计、陀螺仪的均值、最大值、最小值、标准差、方差、中位数、信号能量、四分之一中位数、四分之三中位数、四分位数、频域信号偏度、频域信号峰值12类特征数据；传感器数据包含加速度及陀螺仪数据，获得共24项特征数据。

5.如权利要求1所述的基于特征分类的跌倒类型及伤害部位检测方法，其特征在于，所述步骤四中采用主成分分析进行特征筛选包括：

跌倒特定类型识别中，从提取的多个特征向量，通过主成分分析的方法筛选特征前n个特征，其中n值根据实验结果，选择前6项；

求特征x⁽ⁱ⁾的n维的主成分其实就是求样本集的协方差矩阵的前n个特征值对应特征向量矩阵W，然后对于每个特征x⁽ⁱ⁾，做如下变换z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾，达到降维的目的，过程如下：

1)对所有的特征进行中心化：其中m为特征数量；

2)计算样本的协方差矩阵；

3)对协方差矩阵进行特征值分解；

4)取出最大的n个特征值对应的特征向量(w₁，w₂，...，w_n)，将所有的特征向量标准化后，组成特征向量矩阵W；

5)对样本集中的每一个特征x⁽ⁱ⁾，转化为新的特征z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；

6)得到特征筛选后的特征集z＝(z⁽¹⁾，z⁽²⁾，...，z^(m))；

具有m维特征的跌倒及日常动作训练数据，可以通过前n维样本集z＝(z⁽¹⁾，z⁽²⁾，.._.，z⁽ⁿ⁾)表示；通过实验结果决策，选择6种特征。