一种高适应性跌倒行为检测方法

摘要

本发明提供一种高适应性跌倒行为检测方法。三轴加速度传感器采集人体跌倒过程的加速度信号；提取跌倒过程的加速度观测序列，作为训练样本集；建立跌倒检测的隐马尔可夫模型，输入跌倒过程的加速度观测序列进行模型训练；采集人体日常活动动作的加速度信号，使用跌倒模型对活动加速度信号的观测序列进行检测，以判断跌倒是否发生。本发明的方法不仅取得较高的准确度，而且能够有效区别日常活动行为和跌倒过程，提高了跌倒检测的有效性，具有适应性高的特点。

主权项

一种高适应性跌倒检测方法，其特征在于包括如下步骤：1.1跌倒行为加速度数据采集；1.2提取跌倒过程加速度观测序列，构建训练数据集；1.3训练跌倒过程的隐马尔可夫模型λ_Fall；1.4使用λ_Fall检测人体活动，进行跌倒判断；所述步骤1.1包括，1.1.1使用三轴加速度传感器采集人体前胸处的加速度数据，同一时刻采样数据包括三组：x轴方向加速度数据a_x，y轴方法加速度数据a_y，z轴方向加速度数据a_z；1.1.2计算三轴加速度数据的合加速度a_svm，$a_{svm}=\sqrt{{a_x}^2+{a_y}^2+{a_z}^2}---\left(1\right)$其中，a_svm作为原始数据，其参与到跌倒过程HMM训练和跌倒检测中；所述步骤1.2包括，1.2.1计算跌倒行为加速度原始数据的最大值a_max，a_max代表跌倒后身体首次撞击到地面；截取a_max前0.5s的数据，此段加速度数据定义为“跌倒过程加速度数据”；1.2.2将跌倒过程加速度数据按顺序平均分成L个数据单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_fall＝{o₁,o₂,…,o_i},i＝L；L的取值范围在5～15；1.2.3将时序o_fall转换为观测序列O_fall＝{O₁,O₂,…,O_i},i＝L，观测序列O_fall为HMM的训练序列，转换公式为：$O_i=\left\{\begin{array}{cc}1& if{b}_1\le o_i\le b_2\\ 2& if{b}_2<o_i\le b_3\\ ...& \\ N& if{b}_{n-1}<o_i\le b_n\end{array}\right.,i=1,2,...,L---\left(2\right)$其中，N为观测状态数，其取值范围为5～10，与原始数据值域被划分的区段数相等，b₁,b₂,…,b_n为区段的端点值；所述步骤1.3包括，1.3.1设定HMM的初值λ＝{M,N,π,A,B}，其中M是隐含状态数，N是观测状态数，π是初始状态矩阵，A是隐含状态转移矩阵，B是观测状态转移矩阵；1.3.2输入跌倒过程的观测序列O_fall,使用标准Baum‑Welch算法进行HMM训练，得到跌倒过程模型λ_Fall；所述步骤1.4包括，1.4.1采集人身体前胸处三轴加速度数据，计算合加速度作为原始数据；1.4.2设置一个滑动数据窗W处理所有原始数据，W时间长度为0.5s，与跌倒过程的时长相同；W向前移动的数据点个数为d，d取值最大为25，使得W移动前后的相邻两窗间至少会相交25个原始数据点；1.4.3将W内原始数据按顺序平均分为L个单元，求取每个单元中数据的平均值o，按时间顺序排列得到时序o_m＝{o₁,o₂,…,o_i},i＝L，L与步骤1.2.2中为同一值；1.4.4将时序o_m按照公式(2)转换为观测序列O_m＝{O₁,O₂,…,O_i},i＝L；1.4.5输入O_m到跌倒模型λ_Fall中，使用HMM原理中的前后向算法计算序列O_m与λ_Fall的匹配程度P{O_m|λ_Fall},i＝L，即序列O_m是由λ_Fall产生出的概率；设置概率阈值P_th，其设定范围是60％～80％，将P{O_m|λ_Fall}与P_th进行比较，若大于P_th，则判断该时刻跌倒发生；否则跌倒未发生；之后W向前移动d进行新数据截取，转到步骤1.4.3直至处理完所有原始数据。