CN108320456A - 一种融合多传感器的老年人摔倒预测方法和*** - Google Patents
一种融合多传感器的老年人摔倒预测方法和*** Download PDFInfo
- Publication number
- CN108320456A CN108320456A CN201810080170.3A CN201810080170A CN108320456A CN 108320456 A CN108320456 A CN 108320456A CN 201810080170 A CN201810080170 A CN 201810080170A CN 108320456 A CN108320456 A CN 108320456A
- Authority
- CN
- China
- Prior art keywords
- trunk
- prediction
- angle
- elderly
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种融合多传感器的老年人摔倒预测方法和***,属于助行机器人及康复***技术领域,通过三种传感器采集人体手部触觉信息、人体三轴加速度信息、躯干角度信息,利用这三种在人体摔倒过程中的运动学特征参数分别进行摔倒初步预测,最后通过决策级融合中心对三种信息进行融合。通过检测触觉和人体躯干运动信息并进行多信息融合,可以在300ms内快速检测出人体当前的运动状态,且准确率达到95%,对摔倒预测具有比较高的效率和准确率,可以准确快速的对老年人身体状态进行判定。
Description
技术领域
本发明属于助行机器人及康复***技术领域,具体涉及一种融合多传感器的老年人摔倒预测方法和***。
背景技术
大多数行动不便的老年人在生活中需要照顾和看护,耗费大量的社会资源。而随着年龄的增加,老年人机体生理功能发生明显改变,表现在器官老化和功能的衰退。其中本体感觉、视觉等老化导致老年人在使用助老伴行机器人时容易发生摔倒,不仅使老年人感到恐惧和焦虑,且摔倒后会令其身体造成严重的损伤,给其生活带来极大的困扰。
人体的摔倒是一个复杂多变的过程,包括人体四肢的运动和躯干的运动,通过传感器采集人的手部触觉信息和躯干角度信息描述人体当前的运动状态,前期通过视觉和身体状态来对人体的摔倒进行预测,判断时间过长,而人从身体失衡到与地面撞击最后平躺在地面上的整个摔倒过程只有2~6s。所以此类方法不能快速进行预测摔倒,通过检测触觉和人体躯干运动信息并进行信息融合,可以在300ms实现正确率为95%的检测出人体当前的运动状态,对摔倒进行预测。因此利用该方法预测老年人摔倒具有较高的学术价值和应用意义。
现有技术中关于人体摔倒预测方面的相关技术如下:
1、申请号为201610202912.6的专利申请“一种摔倒预测方法及***”,公开的内容:通过监测获取用户前方环境所对应的图像信息;根据所述图像信息,确定用户前方环境中是否包括用户感兴趣的物品当确定用户前方环境中包括用户感兴趣的物品时,为了防止婴儿快速跑向该感兴趣的物品而造成摔倒,启动一级预警操作,以提醒看护人员及时对婴儿进行防护,从而可以降低婴儿摔倒的几率。该方法及***应用对象为婴儿,而老年人与婴儿的身体特点和认知上差别太大,因此不适合用于老年人摔倒预测。
2、申请号为201410505266.1的专利申请“一种摔倒监控装置”提出了一种摔倒监控装置,通过该种装置获取人体的心率和需氧饱和度值来监控人体的身体状态,该种装置需要检测人体的身体状态,而且用来预测人体摔倒的特征参数只有转角数据,对于老年人来讲,其身体状态更加复杂,仅依靠转角数据和心率来进行判断过于简单。且判定时间过长,不适合用于老年人摔倒预测。
发明内容
本发明的目的在于提供一种融合多传感器的老年人摔倒预测方法和***,该方法通过检测触觉和人体躯干运动信息并进行多信息融合,可以在300ms内快速检测出人体当前的运动状态,且准确率达到95%,对摔倒预测具有比较高的效率和准确率,可以准确快速的对老年人身体状态进行判定。
本发明是通过以下技术方案来实现:
本发明公开了一种融合多传感器的老年人摔倒预测方法,包括以下步骤:
步骤一:采集信号
通过触觉传感器、三轴加速度传感器和陀螺仪,分别采集使用者手部触觉信息、人体三轴加速度信息和人体躯干角度信息;
步骤二:提取关键特征信息
通过建立地面与人体间坐标系,选取老年人在摔倒过程中手部触觉力、躯干三轴加速度和躯干角度三种动态变化信息中的特征参数作为摔倒预测的关键特征;
步骤三:关键特征信息融合、判断
对所提取的手部触觉力、躯干三轴加速度和躯干角度的关键特征参数,分别使用相应的摔倒预测算法对使用者的摔倒趋势进行初步预测,得到初步预测的三种结果,然后再对初步预测的三种结果进行决策级融合,最终判定是否有摔倒可能性。
之所以选择使用者手部触觉信息、人体三轴加速度信息和人体躯干角度信息,是因为:第一,人在摔倒时,为了防止跌落对身体造成更大的损害,往往以四肢本能的抓握手附近的扶持,以降低躯体直接摔倒所承受的能量。故选取手部触觉力作为判定人体摔倒的运动特征之一。第二,由于触觉力并不能表征人体躯干特征,而且人体在发生摔倒时,人体躯干三轴加速度会变化明显,故选取人体躯干三轴合加速度作为判定人体摔倒的运动特征之一。第三,人体在正常活动时,躯干在空间中也会发生较大范围的变化,仅靠躯干三轴加速度判断摔倒会产生误判,而人体躯干角度可以用以描述躯干在空间中的位置姿态,故选取人体躯干角度作为判定人体摔倒的运动特征之一。因此,摔倒过程中相关运动学特征包括:三轴加速度变化、人体躯干角度变化、手部抓握力变化
进一步地,通过由8路PVDF压电薄膜传感器单元组成的阵列触觉传感器采集手部触觉力,并建立特征向量R=[ai,bi,ci,di,ei,fi,gi,hi],其元素为各路传感器所采集的触觉力数值Fi,i=1,2,3...8
建立身体躯干坐标系Oxyz和地面坐标系OXYZ,躯干部位沿x轴方向加速度变化为ax,躯干部位沿y轴方向的加速度为ay,躯干部位沿z轴方向的加速度为az,则合加速度为:
定义躯干相对于地面坐标系OXYZ的转角θ1,θ2,θ3,其中θ1绕x轴转动为侧倾角;θ2绕y轴转动为俯仰角,θ3绕z轴转动为自旋角。
进一步地,步骤三中的摔倒预测算法包括:基于手部触觉传感器的摔倒初步预测、基于人体躯干三轴加速度传感器的摔倒初步预测、基于陀螺仪的摔倒初步预测。
更进一步地,基于手部触觉传感器的摔倒初步预测,具体操作为:
触觉传感器共有8路,设定有效信号阈值FT,当Fi>FT,输入信号有效。正常运动下,其有效信号通道数目N=4;摔倒发生时,有效信号数目N>4。构建触觉力特征向量R=[ai,bi,ci,di,ei,fi,gi,hi],设置阈值NT,当N>NT,判定有摔倒,并向决策级融合中心输入预测摔倒的可能性T。
更进一步地,基于人体躯干三轴加速度传感器的摔倒初步预测,具体操作为:
第一步:用最大距离法确定表征每段Ts内的运动状态特性的特征加速度值ac,定义合加速度的一个基准带B为B=[b1,b2],设置B=[9.5m/s2,11.5m/s2]。
按最大距离法确定Ts内的特征加速度值ac。定义t时刻的合加速度值ai与B的距离:
d(ai,B)=|ai-b1|+|ai-b2|
则Ts内m个合加速度值ai与B的最大距离:
max[d(ai,B)|i=1,2,..m]
第二步:将ac的值域进行分段符号化,生成滑动窗口S的元素{ci}i=1,2...n。
ac的值域θ定义为:
θ=[θ0,θ1)∪[θ1,θ2)∪···∪[θk-1,θk),θ0=0,θk→+∞
符号有限集合定义为:
S={s1,s2,···,sk},k≥1
将值域θ的每一段与S对应关系为:符号S的k=8。
进一步的,对人体摔倒过程进行HMM的建立,由初始平衡状态到失去平衡状态的过程建立模型段λP=(M,N,π,A,B)。
所建模型λP=(M,N,π,A,B)的参数描述如下:
①M:摔倒过程中的隐含运动状态数量。M=3。
②N:观测值数量,N=8。
③π:初始概率分布。π={πi},i=1,2,···,M,其中:
④A:使用者摔倒过程中的隐状态转移矩阵,A={aij},i,j=1,2,···,M,其中
⑤B:观测矩阵。描述摔倒过程的各隐状态与观测值之间的关系。B={bjk},j=1,2,···,M,k=1,2,···,N,其中:
最终的HMM为:
将统计样本集中的不同的运动过程的各个样本进行特征提取得到加速度时间序列,然后作为观测序列O,计算输出概率P(O|λp),利用统计学方法确定摔倒预测判别阈值,整个判定时间t<300ms。
判别条件为:当P>P1时,认为有摔倒风险,并向决策级融合中心输入判断结果,输入值为HMM模型所得输出概率P。
更进一步地,基于陀螺仪的摔倒初步预测,通过陀螺仪获取绕x轴转动的角速度ω1和绕y轴转动的角速度ω2来计算身体躯干的侧倾角和俯仰角。
计算如下:
其中,n1=int(t1/T),n2=int(t2/T)。
取摔倒数据样本集ΩF,计算各个样本中人在失衡过程中距离第一个冲击峰值300ms的倾角θ,将其记录为集合Ωθ1。然后取正常运动模式数据样本集ΩO,计算样本在各个时刻躯干偏离Z轴的倾角,记为集合Ωθ2。
则通过SVM(支持向量机)方法的计算过程得阈值θT
躯干的侧倾角θY和俯仰角θP的绝对值中有一个大于θT时,该运动过程被判定有摔倒可能,并向决策级融合中心输入摔倒可能性Z。
进一步地,步骤三中,是采用BP神经网络融合算法对初步预测的三种结果进行决策级融合,即将初步预测的三种结果输入到BP神经网络,进行决策级融合,以实现老年人摔倒的精确预测。
之所以选择BP神经网络融合算法,是由于人体运动具有一定的复杂性,三种运动特征参数与人体运动状态是一种非线性关系,对信息进行融合需要较高的鲁棒性和容错率,并且由于摔倒的过程复杂多变,融合算法需要具有自学习功能,因此,选取BP神经网络算法作为决策级融合算法。
更进一步地,决策级融合中心所使用算法为BP神经网络算法,输入层节点分别为基于手部触觉传感器的摔倒初步预测T、基于人体躯干三轴加速度传感器的摔倒初步预测结果P和基于陀螺仪的摔倒初步预测结果Z。
输出层直接输出融合结果,此处选取t=1,对应神经网络输出的有摔倒风险的概率p'。对BP神经网络进行训练和测试得到网络的连接权值和阈值,建立决策级融合中心摔倒预测模型。
与现有技术相比,本发明具有以下有益的技术效果:
本发明通过三种传感器采集人体手部触觉信息、人体三轴加速度信息、躯干角度信息,利用这三种在人体摔倒过程中的运动学特征参数分别进行摔倒初步预测,最后通过决策级融合中心对三种信息进行融合。通过检测触觉和人体躯干运动信息并进行多信息融合,可以在300ms内快速检测出人体当前的运动状态,且准确率达到95%,对摔倒预测具有比较高的效率和准确率,可以准确快速的对老年人身体状态进行判定。
附图说明
图1是基于多传感器信息融合的摔倒预测方法;
图2是基于触觉传感器的摔倒初步预测算法流程图;
图3是使用HMM方法进行摔倒过程初步预测识别流程图;
图4是使用角速度摔倒过程初步预测识别流程图;
图5是多传感器决策级融合中心结构图;
图6是整体硬件实现框图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参见图1~图6,本发明是一种老年人摔倒的多传感器融合预测方法,流程框图如图1所示,包括以下步骤:
首先利用触觉传感器、三轴加速度传感器、陀螺仪分别获取人体手部触觉信息、人体躯干三轴加速信息和角度信息;
然后通过提取人体摔倒过程中相关的特征,使用相应的摔倒预测算法对所选取的触觉信号特征、人体三轴合加速度特征和躯干角度特征进行计算,初步判断人体是否发生摔倒;
最后通过BP神经网络算法实现多信息决策级融合,最终对摔倒进行预测判断。
1、人体摔倒过程运动学特征提取
摔倒过程中相关运动学特征包括:合加速度变化、身体姿态的变化、手部抓握力的变化。
首先建立身体躯干坐标系Oxyz和地面坐标系OXYZ。躯干部位沿x轴方向加速度变化为ax,躯干部位沿y轴方向的加速度为ay,躯干部位沿z轴方向的加速度为az,则合加速度为:
用躯干转角表示躯干方向所表示的角度,定义躯干相对于地面坐标系OXYZ的转角θ1,θ2,θ3,其中θ1绕x轴转动为侧倾角;θ2绕y轴转动为俯仰角,θ3绕z轴转动为自旋角。摔倒过程中侧向摔倒时θ1变化较大,前后摔倒是则θ2出现较大变化。
2、基于手部触觉传感器的摔倒初步预测
基于手部触觉信息的摔倒预测算法流程图如图2所示:
用于采集人手部触觉信息的触觉传感器通道数目为8路,在老年人正常的运动状态下,其有效信号通道数目N=4构建触觉信号采集***的特征向量R=[ai,bi,ci,di,ei,fi,gi,hi],通过对人的行为姿态的研究观察发现,当使用者发生摔倒时,人的双手会本能的紧握,此时,将有超过4路触觉传感器受到人手部压力,并且由于压力值较大,均会超过所设定的有效信号判定阈值FT=0.1。故此时特征向量R的有效信号数N>4,把使用者正常运动模式下特征向量的触觉有效信号通道数设置阈值NT=4,通过设置DSP来采集触觉传感器的触觉压力值,编程实现对触觉信号的处理并得到触觉有效信号的通道数,当有效信号通道数N>NT时既有摔倒风险,输出摔倒初步预测T至决策级融合中心。
3、基于人体躯干三轴加速度传感器的摔倒初步预测
加速度时间序列采样周期为Ts和长度为n,即包含n个元素{ci}(i=1,2,...,n),其中每个元素表征相应的时间段Ts内的人体上躯干的运动特征。每个加速度时间序列的时间长度为Ts×n。使用滑动时间窗口S来表示加速度时间序列,即具有采样周期Ts和长度为n。三轴加速度传感器的采样周期T=20ms,则Ts≥T。设Ts=mT,其中m为整数,且m≥1。则Ts时间段内包含了m个合加速度值特征提取的过程是把每一段Ts时间段内的m个合加速度值融合提取出一个表征该时间段的运动特征的元素,最后把这n个元素组合成一个表征Ts×n内运动特征的加速度时间序列。
描述这项运动过程的加速度时间序列时间长度Ts×n也是一定的。故Ts×n=T×m×n也是一定的。在传感器采用周期T=20ms时,经过大量实验分析,取m=2,时间序列长度n=11,即t=n×T=440ms,且n×m=22。
接下来是特征提取:
第一步:用最大距离法确定表征每段Ts内的运动状态特性的合加速度ac。定义合加速度的一个基准带B为B=[b1,b2],其中b1<G,b2>G。设置B=[9.5m/s2,11.5m/s2]。因此按最大距离法确定Ts内的特征加速度值ac。定义t时刻的合加速度值ai与B的距离:
d(ai,B)=|ai-b1|+|ai-b2|;
则Ts内m个合加速度值ai与B的最大距离:
max[d(ai,B)|i=1,2,..m];
于是ac的生成规则为:
如果:d(aj,B)=max[d(ai,B)],i,j=1,2,..m,则:ac=aj。
第二步:将ac的值域进行分段符号化,生成滑动窗口S的元素{ci}i=1,2...n。ac的值域θ定义为:
θ=[θ0,θ1)∪[θ1,θ2)∪···∪[θk-1,θk),θ0=0,θk→+∞;
符号有限集合定义为:
S={s1,s2,···,sk},k≥1;
因此将值域θ的每一段与S对应关系为:
特征加速度ac符号化的规则:当前滑动窗口的第i个元素ci,其对应的加速度为(ac)i,则:若(ac)i∈[θj-1,θj),1≤j≤k,那么ci=sj。在实验后根据摔倒过程中的合加速度变化特点取k1=3,k2=3,则符号S的k=8。
HMM(隐马尔可夫模型)建立:
本发明中所建立的一阶隐马尔可夫模型的参数描述如下:
①M:摔倒过程中的隐含运动状态数量。使用者是从倒前安全状态开始u1、经历安全状态与失去平衡态之间的过渡态u2,到失去平衡状态uM这一过程,M=3。
②N:观测值数量,即使用者运动过程中的加速度值经过提取后的加速度时间序列中的元素种类,N=8。
③π:初始概率分布。π={πi},i=1,2,···,M,其中:
因为起始状态总是倒前安全状态u1开始。故π1=1,πi=0,i=1,2,···,M。
④A:使用者摔倒过程中的隐状态转移矩阵,A={aij},i,j=1,2,···,M,其中
从运动状态ui到状态uj的转移概率。
在选取初始转移矩阵A时根据初始模型的特点与大量实验观察选取矩阵A为:
⑤B:观测矩阵。描述摔倒过程的各隐状态与观测值之间的关系。B={bjk},j=1,2,···,M,k=1,2,···,N,其中:
使用者处于运动状态uj时,加速度值经提取后为vk的概率。
在选取初始观测矩阵时根据初始模型和摔倒的运动状态的特点选择矩阵B为:
最终的HMM模型为:
将统计样本集中的不同的运动过程的各个样本进行特征提取得到加速度时间序列,然后作为观测序列O,计算输出概率P(O|λp),利用统计学方法确定摔倒预测判别的阈值。整个判定时间t<300ms。此时判别条件为:当P>P1时,预测有摔倒可能,并输出初步预测结果P至决策级融合中心。
对获得的输出概率取对数后,利用统计学方法计算阈值,设定:logP1=-33。使用HMM方法进行摔倒过程识别框图如图3。
4、基于陀螺仪的摔倒初步预测
通过陀螺仪获取绕x轴转动的角速度ω1和绕y轴转动的角速度ω2来计算身体躯干的侧倾角和俯仰角。采样周期T=20ms,侧倾角和俯仰角计算如下:
其中,n1=int(t1/T),n2=int(t2/T)。
人摔倒过程和其他正常运动模式的躯干偏离Z轴的倾角阈值记为θT。在摔倒与低势物体冲击前300ms左右的侧倾角θY和俯仰角θP至少有一个大于θT;而在正常运动模式过程中,侧倾角θY和俯仰角θP均小于θT。
确定摔倒预测阈值:取摔倒数据样本集ΩF,计算各个样本中人在失去平衡过程中距离第一个冲击峰值300ms的倾角θ,包括侧倾角和俯仰角,记录为集合Ωθ1。然后取正常运动模式数据样本集ΩO,计算样本在各个时刻躯干偏离Z轴的倾角,记为集合Ωθ2。
因为Ωθ1和Ωθ2元素皆为倾角数据,属于单维数据,所以特征空间Yn的维数为n=1。则最优分类超平面的形式为一个点:
y=b;
因此分类规则为:若y≤b,y∈Ωθ2类;若y≥b,y∈Ωθ1类。即摔倒预测阈值θT=b。
若某时刻上躯干的侧倾角θY和俯仰角θP的绝对值中至少一个大于θT,那么该运动过程被判定为摔倒倾向,并向决策级融合中心输入摔倒可能性Z。
躯干角度摔倒预测流程图如图4所示。
5、基于BP神经网络的多传感器信息决策级融合
对样本数据进行归一化处理,归一化公式:
具体设计应用在摔倒预测模型的BP神经网络。
①输入层:输入层节点数i=3。输入层节点分别为基于触觉判断摔倒结果T、基于人体躯干三轴加速度传感器的摔倒初步预测结果P和基于陀螺仪的摔倒初步预测结果Z。
②输出层:输出层直接输出融合结果,选取t=1,对应神经网络输出的有摔倒风险的概率p'。
③隐藏层节点数的选取:采用经验公式来选取隐藏层节点数:
取隐藏层节点数j=12。
④连接初始权值的确定:初始权值取[-1,1]之间的随机数。
⑤摔倒预测神经网络模型结构:摔倒预测信息融合***采用三层前馈误差反向传播神经网络。采用BP算法,其目标是使得神经网络输出y=p'与实验中的期望值pm之间的均方差e为最小,即:
式中:p'和pm均为归一化值,m为样本数,ε为任意小的正实数,即给定的允许误差,取ε=10-2。
⑥摔倒预测信息融合的神经网络算法:LM(Levemberg-Marquardt)学习算法。
通过对BP神经网络进行训练和测试得到网络连接权值和阈值,建立了信息融合中心的摔倒预测模型。摔倒预测融合***的决策输出分为两种:安全状态、有摔倒倾向。神经网络的输出值是概率值,表示有摔倒倾向的可能性大小。当身体失去平衡达到30°时输出值设为0.6,身体失去平衡达到60°时输出值为0.9。所以输出概率值大于0.6时,即可以判断使用者有摔倒倾向;输出概率值小于0.5时,可以判定使用者处于安全使用状态。通过对训练样本的实验分析,选取输出概率值0.5作为判别的阈值,当超过0.5时,判断有摔倒倾向;小于时判定处于安全的状态。
图5为多传感器信息融合中心结构图。
图6是整体硬件实现框图,触觉信号、三轴加速度信号和角速度信号由触觉传感器和MPU-6050模块实时采集并输入到微处理器中,微处理器对信号进行处理计算,最终输出判定摔倒指令,启动防摔装置。
综上所述,本发明在于提供一种基于多传感器信息融合的,应用于老年人的摔倒预测方法。该方法通过触觉传感器,三轴加速度传感器和陀螺仪采集使用者手部触觉信息、人体躯干三轴加速度信息和角度信息。在提取相应的特征信息后,通过相应的摔倒预测算法对摔倒进行预测,通过信息融合中心信息融合,对摔倒进行判定,对老年人的身体状态特征提前做出判断。防止摔倒对老年人造成伤害,解放社会人力资源。具有较高的学术价值和应用意义。
Claims (9)
1.一种融合多传感器的老年人摔倒预测方法,其特征在于,包括以下步骤:
步骤一:采集信号
通过触觉传感器、三轴加速度传感器和陀螺仪,分别对应采集使用者的手部触觉信息、人体三轴加速度信息和人体躯干角度信息;
步骤二:提取关键特征信息
通过建立地面与人体间坐标系,选取老年人在摔倒过程中手部触觉力、躯干三轴加速度和躯干角度三种动态变化信息中的特征参数作为摔倒预测的关键特征;
步骤三:关键特征信息融合、判断
对所提取的手部触觉力、躯干三轴加速度和躯干角度的关键特征参数,分别使用相应的摔倒预测算法对使用者的摔倒趋势进行初步预测,得到初步预测的三种结果,然后再对初步预测的三种结果进行决策级融合,最终判定是否有摔倒可能性。
2.根据权利要求1所述的融合多传感器的老年人摔倒预测方法,其特征在于,步骤二中,提取关键特征信息具体操作为:
首先,提取摔倒过程中相关运动学特征:手部触觉力、躯干三轴加速度和躯干角度;
其次,由8路PVDF压电薄膜传感器单元组成的触觉传感器采集手部触觉力,并建立特征向量R=[ai,bi,ci,di,ei,fi,gi,hi],其元素为各路传感器所采集的触觉力数值Fi,i=1,2,3...8;
建立身体躯干坐标系Oxyz和地面坐标系OXYZ,躯干部位沿x轴方向加速度变化为ax,躯干部位沿y轴方向的加速度为ay,躯干部位沿z轴方向的加速度为az,则合加速度为:
定义躯干相对于地面坐标系OXYZ的转角θ1,θ2,θ3,其中θ1绕x轴转动为侧倾角;θ2绕y轴转动为俯仰角,θ3绕z轴转动为自旋角;
摔倒过程中侧向摔倒时θ1变化较大,前后摔倒时则是θ2出现较大变化。
3.根据权利要求1所述的融合多传感器的老年人摔倒预测方法,其特征在于,步骤三中,对所提取的手部触觉力进行摔倒初步预测,具体操作为:
触觉传感器共有8路,设定有效信号阈值FT,当Fi>FT,输入信号有效;正常运动下,其有效信号通道数目N=4;摔倒发生时,有效信号数目N>4;构建触觉力特征向量R=[ai,bi,ci,di,ei,fi,gi,hi],设置阈值NT=4;
判断条件为:当N>NT,判定有摔倒可能,并输出判断结果至决策级融合中心。
4.根据权利要求1所述的融合多传感器的老年人摔倒预测方法,其特征在于,步骤三中,对所提取的躯干三轴加速度进行摔倒初步预测,具体操作为:
躯干三轴加速度数据提取为一系列加速度时间序列Oi,建立用于摔倒预测的隐马尔科夫模型HMM,运动过程的特征提取得到加速度时间序列,然后作为观测序列O,计算输出概率P(O|λp),用统计学方法确定摔倒预测判别的阈值P1;
判断条件为:当P>P1时,预测有摔倒可能,并输出判断结果至决策级融合中心。
5.根据权利要求1所述的融合多传感器的老年人摔倒预测方法,其特征在于,步骤三中,对所提取的躯干角度进行摔倒初步预测,具体操作为:
计算人体躯干侧倾角θY和俯仰角θP,采集人体在摔倒过程中躯干角度样本,利用SVM找出最优平面,设置为躯干倾角阈值θT;
判断条件为:当θY>θT或θP>θT,判定有摔倒可能,并输出判断结果至决策级融合中心。
6.根据权利要求1所述的融合多传感器的老年人摔倒预测方法,其特征在于,步骤三中,是采用BP神经网络融合算法对初步预测的三种结果进行决策级融合,即将初步预测的三种结果输入到BP神经网络,进行决策级融合,以实现老年人摔倒的精确预测。
7.一种实现权利要求1~6中任意一项所述的融合多传感器的老年人摔倒预测方法的***,其特征在于,包括:
信号采集设备,用于采集手部触觉信号、人体三轴加速度信号和人体躯干角度信号;
微处理器,与信号采集设备电连接,用于对采集的信号进行处理计算,并输出判定摔倒指令;
驱动模块,用于接受微处理器发出的指令驱动防摔装置工作;
防摔装置,佩戴于使用者驱干部位。
8.根据权利要求7所述的***,其特征在于,采集使用者手部触觉信息的触觉传感器由若干PVDF压电薄膜传感器单元组成的阵列。
9.根据权利要求7所述的***,其特征在于,采集人体三轴加速度信息和人体躯干角度信息的传感器均为MPU-6050。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810080170.3A CN108320456A (zh) | 2018-01-27 | 2018-01-27 | 一种融合多传感器的老年人摔倒预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810080170.3A CN108320456A (zh) | 2018-01-27 | 2018-01-27 | 一种融合多传感器的老年人摔倒预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108320456A true CN108320456A (zh) | 2018-07-24 |
Family
ID=62888037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810080170.3A Pending CN108320456A (zh) | 2018-01-27 | 2018-01-27 | 一种融合多传感器的老年人摔倒预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320456A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109249429A (zh) * | 2018-09-25 | 2019-01-22 | 安徽果力智能科技有限公司 | 一种双足机器人地形分类*** |
CN109259989A (zh) * | 2018-11-07 | 2019-01-25 | 西安交通大学 | 一种助老伴行人手振动舒适度调节装置及其调节方法 |
CN109685111A (zh) * | 2018-11-26 | 2019-04-26 | 深圳先进技术研究院 | 动作识别方法、计算***、智能设备及存储介质 |
CN110244624A (zh) * | 2019-06-20 | 2019-09-17 | 南京机电职业技术学院 | 一种跌倒保护装置及控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102125495A (zh) * | 2010-12-21 | 2011-07-20 | 西安交通大学苏州研究院 | 带触滑觉传感器的多功能助老助行机器人 |
EP2811948A1 (en) * | 2012-02-07 | 2014-12-17 | 3D Systems, Inc. | Brace with elongated fenestrations |
WO2015148578A3 (en) * | 2014-03-24 | 2015-11-26 | Alghazi Ahmad Alsayed M | Multi-functional smart mobility aid devices and methods of use |
CN105469544A (zh) * | 2015-11-19 | 2016-04-06 | 常州大学 | 一种基于手部肌电的多功能拐杖 |
CN105468145A (zh) * | 2015-11-18 | 2016-04-06 | 北京航空航天大学 | 一种基于手势和语音识别的机器人人机交互方法和装置 |
CN105469546A (zh) * | 2016-01-14 | 2016-04-06 | 上海大学 | 一种摔倒报警***和方法 |
CN106227999A (zh) * | 2016-07-16 | 2016-12-14 | 北京工业大学 | 一种高适应性跌倒行为检测方法 |
CN106360900A (zh) * | 2016-09-29 | 2017-02-01 | 武汉康益生电子商务有限公司 | 一种老人用安全拐杖 |
-
2018
- 2018-01-27 CN CN201810080170.3A patent/CN108320456A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102125495A (zh) * | 2010-12-21 | 2011-07-20 | 西安交通大学苏州研究院 | 带触滑觉传感器的多功能助老助行机器人 |
EP2811948A1 (en) * | 2012-02-07 | 2014-12-17 | 3D Systems, Inc. | Brace with elongated fenestrations |
WO2015148578A3 (en) * | 2014-03-24 | 2015-11-26 | Alghazi Ahmad Alsayed M | Multi-functional smart mobility aid devices and methods of use |
CN105468145A (zh) * | 2015-11-18 | 2016-04-06 | 北京航空航天大学 | 一种基于手势和语音识别的机器人人机交互方法和装置 |
CN105469544A (zh) * | 2015-11-19 | 2016-04-06 | 常州大学 | 一种基于手部肌电的多功能拐杖 |
CN105469546A (zh) * | 2016-01-14 | 2016-04-06 | 上海大学 | 一种摔倒报警***和方法 |
CN106227999A (zh) * | 2016-07-16 | 2016-12-14 | 北京工业大学 | 一种高适应性跌倒行为检测方法 |
CN106360900A (zh) * | 2016-09-29 | 2017-02-01 | 武汉康益生电子商务有限公司 | 一种老人用安全拐杖 |
Non-Patent Citations (2)
Title |
---|
佟丽娜: ""基于力量学信息获取***的人体摔倒过程识别方法研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
刘树栋: ""基于多传感器融合的摔倒监测研究与设计"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109249429A (zh) * | 2018-09-25 | 2019-01-22 | 安徽果力智能科技有限公司 | 一种双足机器人地形分类*** |
CN109259989A (zh) * | 2018-11-07 | 2019-01-25 | 西安交通大学 | 一种助老伴行人手振动舒适度调节装置及其调节方法 |
CN109259989B (zh) * | 2018-11-07 | 2019-10-11 | 西安交通大学 | 一种助老伴行人手振动舒适度调节装置及其调节方法 |
CN109685111A (zh) * | 2018-11-26 | 2019-04-26 | 深圳先进技术研究院 | 动作识别方法、计算***、智能设备及存储介质 |
CN109685111B (zh) * | 2018-11-26 | 2023-04-07 | 深圳先进技术研究院 | 动作识别方法、计算***、智能设备及存储介质 |
CN110244624A (zh) * | 2019-06-20 | 2019-09-17 | 南京机电职业技术学院 | 一种跌倒保护装置及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320456A (zh) | 一种融合多传感器的老年人摔倒预测方法和*** | |
Yuan et al. | A novel GRU-RNN network model for dynamic path planning of mobile robot | |
CN108828944B (zh) | 基于改进pso及svm的编码器故障诊断***及方法 | |
CN107016342A (zh) | 一种动作识别方法及*** | |
CN102945554B (zh) | 基于学习和加速鲁棒surf特征的目标跟踪方法 | |
AU2020103811A4 (en) | Method for recognizing human knee motion postures based on extreme learning machine | |
CN107657277A (zh) | 一种基于大数据的人体异常行为检测与判定方法及*** | |
CN109325476A (zh) | 一种基于三维视觉的人体异常姿态检测***及方法 | |
CN106725495A (zh) | 一种跌倒检测方法、装置及*** | |
CN113663312A (zh) | 一种基于微惯性的无器械健身动作质量评估方法 | |
CN107169512A (zh) | Hmm‑svm跌倒模型的构建方法及基于该模型的跌倒检测方法 | |
CN104269025A (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
Wu et al. | Gait phase prediction for lower limb exoskeleton robots | |
CN110464315A (zh) | 一种融合多传感器的老年人摔倒预测方法和装置 | |
Gao et al. | Logic-enhanced adaptive network-based fuzzy classifier for fall recognition in rehabilitation | |
CN105869354A (zh) | 一种基于吸引子传播算法的老人跌倒检测方法 | |
CN113887657A (zh) | 一种基于GSA-Elman神经网络的电缆隧道告警***及方法 | |
Chen et al. | A comparative study of LSTM and phased LSTM for gait prediction | |
CN106227999B (zh) | 一种高适应性跌倒行为检测方法 | |
Shi et al. | Target prediction and temporal localization of grasping action for vision-assisted prosthetic hand | |
Wang et al. | A new fall detection method based on fuzzy reasoning for an omni-directional walking training robot | |
Wang et al. | An approach for fall detection of older population based on multi-sensor data fusion | |
Zou et al. | Multi-modal fusion for robust hand gesture recognition based on heterogeneous networks | |
Wang et al. | Fatigue driving detection of urban road at night based on multimodal information fusion. | |
Yu et al. | BiLSTM-KNN network for locomotion mode recognition in lower limb exoskeleton robot |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |