[发明专利]一种基于体形的个性化跌倒检测方法

摘要

本发明目的在于克服现有技术的不足，设计个性化且真正实用的高精度跌倒检测方法，为此提出了使用基于体形的特征选择方法。一种基于体形的个性化跌倒检测方法，分为四个阶段，第一阶段记录实验用户的编号，身高和体重等基本信息，并使用智能手机内嵌的加速度传感器和陀螺仪记录其在指定动作下X，Y，Z轴三个方向的加速度和角速度信息，在进行数据预处理之后根据这些数据信息计算十三个常用时域分类特征。第二阶段根据用户的身高和身体质量指数(身体质量指数即体重公斤数除以身高米数的平方)信息，使用k均值聚类方法将用户聚为3‑5类。等。

主权项

1.一种基于体形的个性化跌倒检测方法，其特征在于，分为四个阶段，第一阶段记录实验用户的编号、身高和体重基本信息，并使用智能手机内嵌的加速度传感器和陀螺仪记录其在指定动作下X，Y，Z轴三个方向的加速度和角速度信息，在进行数据预处理之后根据这些数据信息计算十三个常用时域分类特征；第二阶段根据用户的身高和身体质量指数信息，使用k均值聚类方法将用户聚为3～5类；第三阶段结合第一阶段中计算得到的每个用户的十三个最常用的时域分类特征和第二阶段中的用户聚类情况，使用封装式特征选择算法计算每类用户的最优动作特征向量；上述前三阶段为实验用户的数据预处理，主要为得到每类用户的最优动作特征向量；第四阶段为实际应用的场景:根据第二阶段中得到的用户分类情况和第三阶段中得到的每类用户的最优动作特征向量，使用支持向量机的方法结合基于阈值的身体倾角和非正常身体姿态的持续时间判断进行再次跌倒检测，最后通过在线学习算法不断优化分类参数实现高精度的个性化跌倒检测算法；所述第一阶段具体实施步骤：1‑1)记录用户的编号、身高和体重基本信息，之后将安装有加速度传感器和陀螺仪的数据采集程序的智能手机放置在用户的腰部口袋中，方向随机；通过6个正常行为和3种不同的跌倒行为进行数据采集，所述6个正常行为为步行、慢跑、跳跃、上楼梯、下楼梯、坐下，所述3种不同的跌倒行为为前向跌倒、后向跌倒、侧向跌倒，采集数据频率为50Hz，其中使用N表示用户的编号信息，H表示用户的身高数据，W表示用户的体重信息，ax，ay，az表示采集到的加速度传感器的X，Y，Z三个轴的加速度数据，px，py，pz表示采集到的陀螺仪的X，Y，Z三个轴的角速度数据；1‑2)利用卡尔曼滤波算法对1‑1)中的ax，ay，az和px，py，pz六组数据进行预处理，消除噪声对加速度传感器和陀螺仪测量值的影响，从而提高数据的准确性；1‑3)基于1‑2)滤波处理后的加速度与角速度数据，计算得到每位用户的合加速度值和合角速度值，合加速度值合角速度值并提取十三个相关特征F＝{f₁,f₂,…,f_i,…f_n}，n＝13，为十三个常用时域分类特征，具体特征说明如下：f₁：ave_VSA，即VSA的均值；f₂：ave_VSP，即VSP的均值；f₃：ΔVSA，即VSA最大最小值差的绝对值；f₄：ΔVSP，即VSP最大最小值差的绝对值；f₅：Δt_VSA，即VSA最大最小值所对应的时间差；f₆：Δt_VSP，即VSP最大最小值所对应的时间差；f₇：std_VSA，即VSA的标准差；f₈：std_VSP，即VSP的标准差；f₉：E_VSA，即活动能量值，其中f₁₀：S，即斜率，其中f₁₁：Δφ，即身体最大最小倾角差值，其中φ(t)表示t时刻身体与地面夹角，f₁₂：Δpitch，俯仰角的最大最小差值，其中f₁₃：Δroll，横滚角的最大最小差值，其中