基于几何代数的老人跌倒状态建模、特征提取及识别方法

摘要

本发明公开了一种基于几何代数的老人跌倒状态建模、特征提取及识别方法，该方法将表征老人跌倒行为的三通道数据变成一个整体进行处理，有效保留了三通道数据间的物理联系，以及三通道整体信息与老人跌倒行为之间的联系。就三通道的跌倒数据进行Clifford几何代数方法的特征提取，在保持数据的三维空间的矢量信息的基础上进行主元抽取，更有效的提取人体跌倒瞬间的空间姿态。在Clifford几何代数域上，提出基于覆盖原理的单自由度神经元的构造理论及对应的跌倒状态识别方法，实现小样本状态下高效识别。实验结果表明该方法该方法识别率高。

主权项

一种基于几何代数的老人跌倒状态建模、特征提取及识别方法，其特征是：（1）采用三轴加速度传感器采集的三通道加速度信号，三通道加速度信号两两正交；（2）采用Clifford几何代数对三通道老人跌倒数据进行建模：利用定义在三维空间上的几何代数理论，选取其中的2‑vector子空间集{e12,e23,e31}，分别表征三通道跌倒数据方向，将同一个采样时刻采集得到的X、Y、Z三通道加速度信号数据分别作为超复数的三个虚部，作为一个整理进行运算处理，使三通道跌倒加速度数据变为Clifford几何代数域上的一个向量，实现跌倒数据建模；采用Clifford几何代数子空间离散余弦变换进行跌倒行为特征提取，取出跌到信号低频成分序列作为三通道跌倒数据的特征向量；（3）对老人的跌倒及非跌倒行为状态进行统计，得到需要研究的行为类别个数，对每一行为类别进行多次加速度数据采集实验，实验中均采用相同的三轴加速度传感器，并且每次实验中三轴加速度传感器置于老人腰部同一位置，采集得到的多组数据，采用步骤（2）中的建模方法，对采集得到的多组数据进行Clifford几何代数建模及特征提取，取出的特征向量作为每一行为类别的样本集，每个行为类别均构建自己的样本集；（4）任选一个行为类别的样本集，计算其中任意两个跌倒数据样本在Clifford几何代数空间上的距离，得到距离最短的两个样本点， 并且构造第一个Clifford几何代数域单自由度神经元；（5）将跌倒状态样本集中已经包围在第一个单自由度神经元覆盖区域内的跌倒特征样本去除，得到新的训练集1；在新的训练集上找到距离第一个单自由度神经元最近的点，并且构造第二个单自由度神经元；在新的训练集1基础上，将包围在第二个单自由度神经元覆盖区域内的跌倒样本去除，得到新的训练集2；按照第二个单自由度神经元的构造方法，循环构造单自由度神经元，直至最后得到的跌倒数据样本集为空集时，停止单自由度神经元构建；（6）对所得到的每一行为类别中的所有单自由度神经元求并集；对于存在的M个行为类别，经训练后则共得到M个单自由度的神经元的并集；对于一个待识别的跌倒行为类别样本，首先计算该样本到每个行为类别单自由度神经元并集的Clifford几何代数域距离，则对于M个行为类别，可以得到M个Clifford几何代数域最短距离；将M个最短距离进行比较，得到其中的最小Clifford几何代数域距离；则该最小距离所对应的行为类别，就是和待识别行为类别最相近的。