[发明专利]一种基于动态时间规整的人体跌倒识别方法

摘要

本发明公开了一种基于动态时间规整的人体跌倒识别方法，该方法包括如下步骤利用加速度传感器收集原始的人体加速度数据，并对数据做预处理得到加速度向量幅值（M_sv）；采集真实跌倒事件的数据，设定为动态时间规整算法中的样本序列；对处理后的加速度向量幅值进行端点检测；抽取一定长度的加速度向量幅值作为动态时间规整算法中的查询序列；利用动态时间规整（DTW）算法计算样本序列与查询序列之间的相似度，最后根据相似度大小判断是否发生跌倒。本方法不仅能够有效识别跌倒，提高识别准确性，并且克服了传统的基于阈值跌倒识别方法，适用于不同体型的人群和复杂的外部环境。

主权项

一种基于动态时间规整的人体跌倒识别方法，其特征在于，该方法包括以下步骤：步骤1：采集真实跌倒事件的三轴加速度数据，共N个样本点，并将其转换成相应的加速度信号幅值(M_sv)，经过中值滤波算法滤除噪声后，最终的数据将作为动态时间规整(DTW)算法中的样本序列S(a1,a2……aN)用于后续的相似度匹配，其中滤波器选取窗口大小为M个样本为一组；步骤2：通过智能手机自带的三轴加速计对人体加速度进行采样；步骤3：将步骤2中采样获得的加速度信号转换成加速度信号幅值(M_sv)；步骤4：对步骤3中的加速度信号幅值(M_sv)进行端点检测，预测跌倒事件是否可能发生；设定当加速度信号幅值小于阈值G，认为可能会发生跌倒，需要采集后续的加速度数据进行确认；步骤5：某点加速度若满足端点检测的条件，抽取该点之后N个采样点的加速度数据；步骤6：对N个采样点，依次获取其加速度信号幅值(M_sv)，使用中值滤波法滤除噪声后作为动态时间规整(DTW)算法中的查询序列Q(a1,a2……aN)进行相似度匹配，滤波器大小为M个样本点为一组；步骤7：通过动态时间规整(DTW)算法来计算出样本序列S(a1,a2……aN)和查询序列Q(a1,a2……aN)之间的最优路径所对应的累积距离，此距离定义为两个序列的相似度；距离值越小，相似度越高，最后与设定的相似度阈值相比较，判断是跌倒还是日常活动；步骤8：判断为跌倒后，反馈给用户判断结果并发出警报声；设定T秒让用户响应判断结果，若规定时间内用户取消了此次跌倒警报，则这是一次误判为跌倒的日常行为，不需要通知监护人；返回步骤2继续采集传感器数据；反之，若T秒内无响应，确定发生跌倒，短信或电话通知监护人。