[发明专利]一种面向社区基于ZigBee的低功耗跌倒检测系统

权利要求书

1.一种面向社区基于ZigBee的低功耗跌倒检测系统，其特征在于，包括：多个运动感知模块和服务器；其中，

运动感知模块采用Zigbee和中断功能实现低功耗人体运动数据采集，并将采集的运动数据通过ZigBee网络传至集成了ZigBee汇聚节点的服务器，服务器进行卡尔曼滤波并通过kNN算法分析检测是否发生跌倒，一旦检测到跌倒系统自动报警。

2.如权利要求1所述的面向社区基于ZigBee的低功耗跌倒检测系统，其特征在于，运动感知模块由CC2530微控制器、MPU6050传感器和ZigBee射频和电源管理模块组成，MPU-6050包含：MEMS陀螺仪、3轴加速度计、FIFO寄存器和可扩展的数字运动处理器DMP，DMP在休眠状态从陀螺仪、加速度计读取数据并存放于FIFO缓存中，

MPU6050还包含：可编程的中断系统，提供自由落体(Free Fall)、静止(Zero Motion)、FIFO溢出(FIFO Overflow)中断；其中，

自由落体中断，MPU6050通过检测3轴上的加速度测量值是否在规定阈值内来判断自由落体运动；对每一次的采样值，如果达到阈值，就触发自由落体中断，并产生标志位；

静止中断：通过ZRMOT_THR寄存器用以设置静止中断持续时间，当第一次检测到静止以及不再检测到时，静止中断都会被触发；

FIFO溢出中断：通过FIFO_CNT寄存器设置FIFO缓存的数据容量值，当FIFO中缓存数据个数大于该值时产生FIFO溢出中断。

3.如权利要求2所述的面向社区基于ZigBee的低功耗跌倒检测系统，其特征在于，MPU6050传感器通过中断驱动的人体运动数据感知过程如下：

F0：初始化状态，初始化FIFO缓存并设置数据采样率为50Hz，设置自由落体中断、静止中断和FIFO溢出中断为使能状态；系统进入低功耗模式，即进入F1；

F1：静止状态，通过DMP采集3轴加速度、角速度数据并缓存至FIFO中；如果静止中断持续时间超过1秒，更新FIFO缓存并清除静止中断标志位，继续低功耗模式。在静止状态，若发生FIFO溢出中断，则DMP按照先进先出的原则更新FIFO中的数据；当读取的加速度值大于0.5g时，若此时没有发生自由落体中断和FIFO溢出中断，则DMP继续读取数据并缓存至FIFO；否则通过ZigBee将FIFO缓存中的数据发送至服务器；

F2：活动状态，如果产生自由落体中断，且中断持续时间超过40ms，则模块通过ZigBee向服务器发送FIFO缓存数据。若自由落体中断持续时间小于40ms且产生了FIFO溢出中断，则模块通过ZigBee向服务器发送FIFO缓存数据并返回F1；否则，向FIFO缓存添加数据，并返回F1。

4.如权利要求2所述的面向社区基于ZigBee的低功耗跌倒检测系统，其特征在于，服务器端基于卡尔曼滤波和k-NN算法的跌倒检测报警的过程包括：

步骤(1)、采用卡尔曼滤波过滤数据

设θ是人体姿态角，ω和β分别代表陀螺仪采集的角速度及其静态漂移，dt代表采样时间片的大小，k和k-1分别代表系统所处时刻，基于陀螺仪数据可以建立公式5所示的人体姿态角的线性模型，

θ_k＝θ_k-1+ω_k-1-β_k-1dt (5)

若陀螺仪的静态漂移为常数，则有：

β_k＝β_k-1 (6)

对(5)(6)两式联立，可以得到状态矩阵方程：

将依据加速度数据计算的姿态角与采用角速度数据计算的姿态角分别作为系统的测量值和预测值，可通过如下5个步骤实现卡尔曼滤波，计算人体的姿态角，

1)k时刻人体姿态角的预测值

X(k|k-1)＝AX(k-1|k-1)+BU(k) (8)

其中，X(k|k-1)为当前时刻的预测值，即k时刻对姿态角的预测值；X(k-1|k-1)为上一时刻的最优值，即系统在k-1时刻的姿态角滤波结果；U(k)为当前k时刻对系统的控制量，取角速度在采样时间间隔上的积分为姿态角预测值的控制量；A和B为系统参数，

根据公式(7)，可得A、B的值分别为：

2)计算k时刻的预测值的协方差并度量其精度

P(k|k-1)＝AP(k-1|k-1)A^T+Q (10)

其中，P(k|k-1)为X(k|k-1)对应的协方差；P(k-1|k-1)为X(k-1|k-1)对应的协方差；A^T为系统参数A的转置矩阵，Q为向量的协方差矩阵，由于陀螺仪漂移噪声与姿态角噪声是相互独立的，则Q的计算可化简为：

3)计算在k时刻的卡尔曼增益系数Kg(k)

根据公式(7)，θ与β均需被估计，所以需要定义Kg(k)为二维向量分别对应θ与β的卡尔曼增益系数，R为系统测量噪声的协方差，H为系统输出矩阵，是根据姿态角测量值关于X(k|k-1)的雅各比矩阵，H^T是H的转置矩阵。

4)计算k时刻的姿态角滤波值

X(k|k)＝X(k|k-1)+Kg(k)[Z(k)-HX(k|k-1)] (12)

其中，X(k|k)为滑动窗口中k时刻的最优化估算值，即系统在k时刻对姿态角的滤波结果，Z(k)为分别根据公式(1)(2)(3)计算出的姿态角测量值，

5)计算k时刻的姿态角滤波值的协方差

P(k|k)＝(I-Kg(k)H)P(k|k-1) (13)

其中，I为单位矩阵，当系统进入k+1时刻，P(k|k)就是公式(10)中的P(k-1|k-1)；

步骤(2)基于滑动窗口和k-NN的跌倒检测

通过选取合适的滑动窗口，将卡尔曼滤波后的3维姿态角和SVMa数据存放到滑动窗口中构造分类日常活动和跌倒的特征数据。

每个滑动窗口内包含100组依据Kalman滤波算法和公式(4)计算得到的人体三维姿态角和SVM_a，它们构成了一个样本空间。

采用k-NN算法实现跌倒检测，并采用曼哈顿距离来估算样本间的相似性度。

k-NN算法的定义如下：对于给定的测试样本x，计算并选择与它最邻近的k个样本y₁，…，y_k，并按照公式(14)对其进行投票，选择投票最多的临近节点作为x的所属类别。

其中，c(y_i)为样本y_i所属的类别，δ代表投票函数：当u＝v时，δ(u，v)＝1。

滑动窗口中每个特征值由三维姿态角(简记为θ，ω)和SVMa构成，每个样本记录了SVMa发生快速变化2s内的100个数据，因此，样本间的曼哈顿距离计算公式如下：

其中，D(x，t)为曼哈顿距离，x为测试样本，t为训练样本，i为每种属性内部的数据编号。由于加速度计和陀螺仪表示数据的范围和精度不同，因此在求曼哈顿距离时本发明对窗口中的3维姿态角和SVMa进行了归一化处理。