[发明专利]一种基于加速度传感器摔倒检测方法

说明书

本发明涉及一种基于加速度传感器摔倒检测方法。摔倒检测方法包括：使用单一加速度传感器采集数据，通过阈值分析筛选潜在摔倒数据，对数据进行特征提取，并用支持向量机对数据进行摔倒检测。本发明提供的摔倒检测方法，通过两步验证，过滤大部分日常行为数据，降低服务器的计算消耗；该方法根据日常行为与摔倒行为的运动差异，提出七个特征提取方程，从而提升了摔倒检测方法对新类别样本的分类性能。

技术领域

本发明涉及一种基于加速度传感器摔倒检测方法。

背景技术

摔倒检测是通过传感器实时采集用户的运动数据，并通过算法分析数据，判断用户当前的运动状态是摔倒行为，还是日常行为。惯性传感器是目前较为常见的数据采集设备，包括加速度传感器、磁力计、陀螺仪等。现有的采集方案大多采用多组传感器相互配合的方式，融合多种传感器的特性或是将传感器佩戴于人体的不同位置，获取更多特征信息，从而提高检测的准确性。

目前，摔倒检测算法大致可分为两个大类：基于阈值分类的检测方法与基于机器学习算法的检测方法。基于阈值分类的方法，是为提取出的特征值设定阈值，在进行摔倒检测时，若特征大于阈值则判定为摔倒，否则判定为日常行为。阈值分类的优点在于相较机器学习算法，其对计算设备的计算性能要求较小，从而可以实现在智能手机上运行分类算法，而无需将采集到的数据上传服务器进行检测，大大降低使用成本。而其缺点是分类的准确率较低，在某些特定场景，阈值分类算法或许可以取得不错的分类效果，但是很难找到一种阈值分类的算法试用于所用的场景。以上诸多问题，机器学习的分类方法皆可一一应对，代价是对计算设备有较高的性能要求，且调试出合适的分类算法也并非易事。机器学习中常用的分类算法有k近邻学习(KNN)、神经网络、支持向量机(SVM)等。基于机器学习算法的检测方法，除了算法本身的优劣，特征提取的好坏尤为重要。

现有方案存在缺陷：

1.现有的技术方案大多采用多组传感器相互配合的方式，忽略了传感器佩戴的便携性，以及多传感器带来的计算资源的损耗。现有的检测方法中，在使用单一传感器，以及针对动作类别较为复杂的数据集进行分类时，分类精度尚未达到实用需求。

2.搭建分类模型的训练集通常仅包含有限种运动行为，而实际生活中，人体运动行为无法穷尽，现有的检测方案对训练集中存在的动作类别检测效果较优，而对于训练集中不存在的类别，检测效果较差。

发明内容

本发明的目的在于提供一种基于加速度传感器摔倒检测方法，该方法通过两步验证，过滤大部分日常行为数据，降低服务器的计算消耗；该方法根据日常行为与摔倒行为的运动差异，提出七个特征提取方程，从而提升了摔倒检测方法对新类别样本的分类性能。

为实现上述目的，本发明的技术方案是：一种基于加速度传感器摔倒检测方法，通过单一加速度传感器实时采集原始数据，通过阈值分析筛选潜在摔倒数据，对数据进行特征提取，并用支持向量机对数据进行摔倒检测。

在本发明一实施例中，所述通过阈值分析筛选潜在摔倒数据的方式如下：

在智能手机上进行每一帧数据的阈值分析，计算每一帧数据合加速度，当合加速度大于15g时，判定为有潜在摔倒可能的行为数据，并将该时间点前后共两秒的数据段通过互联网上传至服务器端，做进一步的摔倒检测；合加速度计算公式如下：

其中a_xt,a_yt,a_zt分别表示三轴加速度计在t时刻的x、y、z轴的输出值。

在本发明一实施例中，在进行摔倒检测前，需先搭建分类模型，具体搭建过程为：首先，对原始数据进行低通滤波降噪和数据归一化；接着，对预处理后的数据进行特征提取并将特征提取后的数据用于模型训练；最后，将训练后的模型用于新样本数据的检测。

在本发明一实施例中，对数据进行特征提取的方式如下：