[发明专利]一种基于大数据的人体跌倒检测方法及系统

说明书

技术领域

本发明涉及大数据、机器学习、医疗健康和移动互联网等领域，具体涉及一种基于大数据的人体跌倒检测方法及系统。

背景技术

随着时间的推移，二战之后人口快速增长导致的“Baby Boomers”问题愈来愈严重，同时随着生活方式的变革，年轻人生活观念的变化，“空巢家庭”的问题也越来越严重。根据有关部门统计，我国的空巢家庭数量一直呈上升之势，预期到了2030年空巢老年人家庭的比例将达到90％。跌倒是老年人群中常见的伤害事件，会使老人遭遇诸如骨折、出血、中枢神经系统损伤等身体上的伤害。如果不及时治疗就可能导致老人失能瘫痪甚至死亡。据相关统计，跌倒相关的受伤成为老年人死亡的第五大诱因，据统计在老年人意外死亡中2/3都是由跌倒引起的。而对社会而言，老年人的跌倒也会带来沉重的负担。我国每年至少有2000万老年人发生跌倒，直接医疗费用超过50亿元人币。而跌倒检测系统的开发很大程度上会提高老年人跌倒之后及时获得救助的机率，大大提高老年人生活的安全性。

然而，跌倒检测是一项极具挑战性的技术。目前的跌倒检测研究普遍存在以下问题：

1、难以获取真实的老年人跌倒数据作为跌倒检测方法的基础训练数据，在试验中普遍采用的是学生的跌倒数据，这就造成了跌到检测算法准确率的无法提高。

2、现有的跌倒检测算法分类模型都是固定的，面向大众的，并不能根据人体的特征差异进行调整。

3、传统的关于跌倒检测的研究，跌倒数据往往只作为判断跌倒状态的依据，判断之后数据就被释放。这就造成数据资源的浪费以及跌倒检测连续性的缺失。

发明内容

本发明的目的在于提供一种基于大数据的人体跌倒检测方法及系统，以实现人体跌倒检测方法及系统在数据样本缺乏的前提下，提高检测准确率，且可以动态的调整跌倒检测算法，适用于人体特征差异较大的情况。

为了解决以上技术问题，本发明采用的具体技术方案如下：

一种基于大数据的人体跌倒检测方法，其特征在于包括以下步骤：

步骤一，搭建一个大数据平台，包括存储层和数据处理层；

步骤二，利用移动互联网技术，将手机数据与所述大数据平台数据进行同步；

步骤三，采集传感器信息，包括采集三轴加速度传感器信息和采集陀螺仪传感器信息；

步骤四，根据所采集的传感器信息数据构建特征向量；

步骤五，通过机器学习模型建立跌倒检测算法以识别人体跌倒行为是否发生；

步骤六，若人体跌倒行为发生，则上传步骤四所述特征向量至大数据平台进行存储；

步骤七，通过计算相似度度量来判断大数据平台存储步骤六所述的特征向量是否更新；若相似度度量计算结果不为1，则说明特征向量发生了更新，若结果为1，则说明特征向量没有发生更新；

步骤八，若步骤七所述相似度度量计算结果不为1，则根据步骤六存储的新的特征向量，生成新的机器学习模型，即新的跌倒检测分类算法；一开始机器学习模型运用期望最大化算法是鉴于试验数据难于获取与收集，故而将有限的数据作用发挥到最大。

所述步骤四中构建特征向量时，运用的是三轴加速度传感器的合加速度和陀螺仪传感器的三轴姿态角度，采用的是窗长256、步长128的50％重叠滑动窗口法截取部分信号数据，选取最大加速度、最小加速度、加速度均值以及三轴角度；所述三轴加速度传感器的合加速度Soa计算如下：

其中a_x,a_y,a_z分别是采集到的三轴加速度分量；

三轴姿态角度计算如下：

θ_x＝∫w_xdt,θ_y＝∫w_ydt,θ_z＝∫w_zdt,

其中w_x,w_y,w_z分别为陀螺仪输出的三轴角速度。

所述步骤五中，由于缺乏足够的数据样本，所述跌倒检测算法采用的是朴素贝叶斯算法加期望最大化算法，具体过程为：

过程3.1，将所述步骤四得到的特征值向量x，归一化后作为朴素贝叶斯算法模型的输入；