CN113243907A - 一种用于跌倒检测的智能检测方法 - Google Patents
一种用于跌倒检测的智能检测方法 Download PDFInfo
- Publication number
- CN113243907A CN113243907A CN202110542777.0A CN202110542777A CN113243907A CN 113243907 A CN113243907 A CN 113243907A CN 202110542777 A CN202110542777 A CN 202110542777A CN 113243907 A CN113243907 A CN 113243907A
- Authority
- CN
- China
- Prior art keywords
- data
- falling
- module
- detection
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Physics & Mathematics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Gyroscopes (AREA)
Abstract
本发明涉及可穿戴传感器应用领域,具体公开了一种基于可穿戴式传感器技术的跌倒检测方法,是将加速度仪、陀螺仪放置在使用者身上,实时采集相关传感器数据,并通过多传感器数据融合技术来弥补静、动态运动中单独使用某一传感器的缺陷性,通过使用数字运动处理器(DMP)输出姿态角(欧拉角),最后利用训练好的神经网络进行跌倒行为的识别。一种用于跌倒检测的智能检测方法包括原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。
Description
技术领域
本发明涉及可穿戴传感器应用领域,具体公开了一种基于可穿戴式传感器技术的跌倒检测方法,是将加速度仪、陀螺仪放置在使用者身上,实时采集相关传感器数据,并通过多传感器数据融合技术来弥补静、动态运动中单独使用某一传感器的缺陷性,通过使用数字运动处理器(DMP)输出姿态角(欧拉角),最后利用训练好的神经网络进行跌倒行为的识别。一种用于跌倒检测的智能检测方法包括原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。
背景技术
传统的跌倒行为检测有以下三种方式,分别是基于可穿戴式传感器技术的跌倒检测方法、基于环境传感器技术的跌倒检测方法以及基于计算机视觉技术的跌倒检测方法。基于环境传感器技术,通常使用安装在用户周围设备的传感器信号来检测跌倒,这类环境传感器主要包括红外深度传感器,压阻式差压传感器和声学传感器等,需要采集通过采集环境数据来判断老年人的是否发生跌倒,而基于机器视觉技术的跌倒检测要对老年人的活动范围进行图像捕捉,一类是使用RGB相机提供的二维信息来进行检测,另一类使用深度相机Kinect提供的骨架关节点进行检测。
发明内容
本发明为了解决多场所、复杂环境中的老年人跌倒检测问题,不同于基于环境感知型和计算机视觉型的跌倒检测技术,本发明使用可穿戴式传感器进行数据采集,几乎可以在任何环境中进行跌倒检测。
本发明使用了使用多传感器融合技术,将加速度仪、陀螺仪进行数据融合,并通过数字运动处理器(DMP)进行数据处理,并输出四元数,利用公式计算姿态角。
通过对神经网络模型的训练学习,使模型可以达到高准确度的跌倒识别。再将网络模型移植到主控模块,利用算法来进行数据处理时,利用滑动窗口算法来进行特征提取,然后输入神经网络模型,进行跌倒检测识别。
为实现以上目的,本发明通过以下技术方案予以实现:
一种用于跌倒检测的智能检测方法,包括:原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。
进一步的,所述的原始数据采集模块是利用人体在日常生活活动中,身体的加速度和角速度会实时的发生改变,所以使用加速度仪和陀螺仪进行加速度和角速度的原始数据获取。
进一步的,所述的数据融合模块,由于在静止状态下,单独使用陀螺仪检测角度时存在缺陷,并且受时间影响,而在运动状态下,单独使用加速度传感器时存在缺陷,但不受时间影响的问题,所以使用多传感器数据融合技术可以实现静态和动态下使用不同传感器的互补,并输出欧拉角。
进一步的,所述欧拉角,由于使用原始的加速度和角速度值不能直观的看出人体姿态,所以利用多传感器数据融合技术输出欧拉角,即使用偏航角、横滚角及俯仰角来表示姿态。由于输出欧拉角时会有“万向节死锁”问题,且运算比较复杂,所以一般在数据处理的时候会使用四元数,为了避免过多的占用主控芯片算例,所以使用特殊的数字运动处理器(DMP)进行数据处理,输出四元数,再转换成欧拉角(姿态角)。
进一步的,所述数据预处理模块,由于跌倒是一个瞬时动作,在极短的时间内,人体姿态发生剧烈变化,所以利用滑动窗口算法进行离散数据的截取,并最后通过跌倒检测算法进行分类,进而识别人体是否跌倒。
进一步的,所述跌倒检测模块,由于BP神经网络具有很强的映射能力,可以实现较复杂的非线性映射,而对于识别跌倒和非跌倒行为属于非线性分类问题,所以利用训练好的BP神经网络可以准确地区分跌倒与非跌倒行为。
附图说明
图1是跌倒检测***框图。
图2是多传感器数据融合和四元数输出示意图。
图3是数据预处理流程图。
图4是神经网络模型示意图。
图5是神经网络训练流程图。
图6是跌倒检测流程图。
具体实施方式
下面将结合本发明实例中的附图,对发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本实施例的一部分,而不是全部。以下对至少一个示例性实施例的描述仅仅是说明性的,决不作为对本实施例及其应用或者使用的任何限制。基于本实施例中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有实施例,多属于本实施例保护的范围。
如图1所示,跌倒检测***框图,图中1为原始数据采集模块,利用传感器进行原始数据的采集; 2为数据融合模块,将加速度仪和陀螺仪所采集数据进行融合并输出姿态角;3为数据预处理模块,对离散数据流进行特征提取;4为跌倒检测模块,利用神经网络实现对跌倒行为的识别。
如图2所示,本发明使用多传感器数据融合技术,将加速度仪、陀螺仪采集的加速度、角速度进行姿态融合,解决了单独使用陀螺仪检测角度时,在静止状态下存在缺陷,且受时间影响,而加速度传感器检测角度时,在运动状态下存在缺陷,但不受时间影响的问题。另外因为使用欧拉角(即偏航角、横滚角及俯仰角)表示姿态的时候会有“万向节死锁”问题,且运算比较复杂,所以一般在数据处理的时候会使用四元数,经过DMP处理完毕后输出四元数,再转换成欧拉角(姿态角)。
如图3所示,数据预处理过程主要是对DMP输出的离散数据流进行特征值提取。主要是用滑动窗口算法进行数据截取,选取宽度为m,滑动步长为n的窗口截取数据(m,n均为整数,且m>n)。
上述公式中A1,A2,A3...An为窗口内合加速度值。
如图4所示,用于识别跌倒检测的神经网络模型为7-4-1结构,输入端设置7个神经元,分别对应数据预处理提取的7个特征值,经过网络的训练学习后,便可用于跌倒检测。
如图5所示,为神经网络训练的过程。本发明主要是利用人体在跌到过程中,有明显区别于日常生活活动的数据变化,像是加速度、加速度幅值、各个角度的姿态角等,所以在数据采集完成后,需要对数据进行特征提取,并且需要进行一定的预处理,对各类数据进行归一化,然后导入跌倒检测神经网络模型进行学习与训练。然后利用分类好的测试集,对训练好的神经网络进行性能评估,主要对其灵敏度与准确度进行评估,结果符合高准确度的神经网络就训练成功了。
在神经网络训练完成之后,最重要的部分就是应用神经网络来进行跌倒行为检测,在把训练好的神经网络进行移植后,一个利用神经网络的跌倒检测***就搭建完成了。下图6为完整的跌倒检测流程图,在数据采集后,进行数据的预处理:特征提取,数据归一化等。然后神经网络接收数据,并进行运算,判断使用者是否跌倒。
上面所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的构思和保护范围进行限定,在不脱离本发明设计的构思前提下,本领域中技术人员对本发明的技术方案做出各种变型和改进,均应落入本发明专利的保护范围。
Claims (6)
1.一种用于跌倒检测的智能检测方法,其特征在于,包括:原始数据采集模块、数据融合模块、数据预处理模块、跌倒检测模块。
2.根据权利要求1所述的一种用于跌倒检测的智能检测方法,其特征在于:所述的原始数据采集模块是利用人体在日常生活活动中,身体的加速度和角速度会实时的发生改变,所以使用加速度仪和陀螺仪进行加速度和角速度的原始数据获取。
3.根据权利要求1所述的一种用于跌倒检测的智能检测方法,其特征在于:所述的数据融合模块,由于在静止状态下,单独使用陀螺仪检测角度时存在缺陷,并且受时间影响,而在运动状态下,单独使用加速度传感器时存在缺陷,但不受时间影响的问题,所以使用多传感器数据融合技术可以实现静态和动态下使用不同传感器的互补,并输出欧拉角。
4.根据权利要求3所述的一种用于跌倒检测的智能检测方法,其特征在于:所述欧拉角,由于使用原始的加速度和角速度值不能直观的看出人体姿态,所以利用多传感器数据融合技术输出欧拉角,即使用偏航角、横滚角及俯仰角来表示姿态。由于输出欧拉角时会有“万向节死锁”问题,且运算比较复杂,所以一般在数据处理的时候会使用四元数,为了避免过多的占用主控芯片算例,所以使用特殊的数字运动处理器(DMP)进行数据处理,输出四元数,再转换成欧拉角(姿态角)。
5.根据权利要求1所述的一种用于跌倒检测的智能检测方法,其特征在于:所述数据预处理模块,由于跌倒是一个瞬时动作,在极短的时间内,人体姿态发生剧烈变化,所以利用滑动窗口算法进行离散数据的截取,并最后通过跌倒检测算法进行分类,进而识别人体是否跌倒。
6.根据权利要求1所述的一种用于跌倒检测的智能检测方法,其特征在于:所述跌倒检测模块,由于BP神经网络具有很强的映射能力,可以实现较复杂的非线性映射,而对于识别跌倒和非跌倒行为属于非线性分类问题,所以利用训练好的BP神经网络可以准确地区分跌倒与非跌倒行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542777.0A CN113243907A (zh) | 2021-05-18 | 2021-05-18 | 一种用于跌倒检测的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542777.0A CN113243907A (zh) | 2021-05-18 | 2021-05-18 | 一种用于跌倒检测的智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113243907A true CN113243907A (zh) | 2021-08-13 |
Family
ID=77182611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110542777.0A Pending CN113243907A (zh) | 2021-05-18 | 2021-05-18 | 一种用于跌倒检测的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113243907A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870502A (zh) * | 2021-10-12 | 2021-12-31 | 元气森林(北京)食品科技集团有限公司 | 陈列柜的警报方法、电子设备、介质及产品 |
CN114419842A (zh) * | 2021-12-31 | 2022-04-29 | 浙江大学台州研究院 | 一种基于人工智能的辅助用户至智能马桶的跌倒报警方法及装置 |
CN114529985A (zh) * | 2022-01-19 | 2022-05-24 | 吉林大学 | 一种面向老年人日常复杂地形运动的意图识别方法 |
-
2021
- 2021-05-18 CN CN202110542777.0A patent/CN113243907A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870502A (zh) * | 2021-10-12 | 2021-12-31 | 元气森林(北京)食品科技集团有限公司 | 陈列柜的警报方法、电子设备、介质及产品 |
CN113870502B (zh) * | 2021-10-12 | 2023-08-22 | 元气森林(北京)食品科技集团有限公司 | 陈列柜的警报方法、电子设备、介质及产品 |
CN114419842A (zh) * | 2021-12-31 | 2022-04-29 | 浙江大学台州研究院 | 一种基于人工智能的辅助用户至智能马桶的跌倒报警方法及装置 |
CN114419842B (zh) * | 2021-12-31 | 2024-05-10 | 浙江大学台州研究院 | 基于人工智能的辅助用户至马桶的跌倒报警方法及装置 |
CN114529985A (zh) * | 2022-01-19 | 2022-05-24 | 吉林大学 | 一种面向老年人日常复杂地形运动的意图识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113243907A (zh) | 一种用于跌倒检测的智能检测方法 | |
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
US7912253B2 (en) | Object recognition method and apparatus therefor | |
CN108629946B (zh) | 一种基于rgbd传感器的人体跌倒检测方法 | |
CN107122752B (zh) | 一种人体动作比对方法及装置 | |
CN112200154A (zh) | 一种戴口罩人脸识别方法、装置、电子设备及存储介质 | |
CN110674875A (zh) | 一种基于深度混合模型的行人运动模式识别方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及*** | |
CN110327050B (zh) | 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 | |
CN112464738B (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
CN107316029A (zh) | 一种活体验证方法及设备 | |
CN111722713A (zh) | 多模态融合的手势键盘输入方法、设备、***及存储介质 | |
CN109788194B (zh) | 一种自适应性可穿戴设备主观视角图像采集方法 | |
CN111966217A (zh) | 基于手势和眼动的无人机控制方法和*** | |
CN111708433A (zh) | 手势数据采集手套及基于手势数据采集手套的手语手势识别方法 | |
Yang et al. | Human posture recognition in intelligent healthcare | |
CN111860117A (zh) | 一种基于深度学习的人体行为识别方法 | |
CN112270807A (zh) | 一种老人跌倒预警*** | |
WO2019088333A1 (ko) | 깊이 맵 정보 기반의 인체 행위 인지 방법 및 그 장치 | |
Tu et al. | Face and gesture based human computer interaction | |
CN116009695A (zh) | 一种基于数据手套的动态手势识别方法及*** | |
CN115035601A (zh) | 跳跃动作识别方法、装置、计算机设备及存储介质 | |
CN108648417A (zh) | 基于深度学习的树莓派老人摔倒检测*** | |
CN111797656B (zh) | 人脸关键点检测方法、装置、存储介质及电子设备 | |
Brahmankar et al. | Indian sign language recognition using canny edge detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |