[发明专利]基于人体加速度多特征融合和KNN的跌倒检测方法

说明书

本发明公开了一种基于人体加速度多特征融合和KNN的跌倒检测方法。本发明通过两个加速度传感器采集人体动作信息，提取的人体加速度的特征参数，通过主成分分析的数据压缩方法将特征集从162维降到12维。通过改进的KNN机器学习算法，即通过聚类方法在跌倒和非跌倒两类中各搜索到样本点，构成训练样本簇，根据样本模糊熵计算加权欧氏距离找出最临近的K个近邻点，将待分类动作归为这K个近邻中的多数所属的类别。本发明针对日常生活频度最高的动作作为实验，所提的基于人体加速度多特征融合和KNN的跌倒检测算法，灵敏度达到100％，可以快速有效的检测跌倒，同时也有很高的特异度，不会把日常行为动作误判为跌倒。

技术领域

本发明属于人体姿态识别和跌倒检测领域，涉及一种基于人体加速度信号的跌倒检测方法，实例对跌倒和非跌倒的人体动作进行辨识检测。

背景技术

根据我国第六次全国人口普查，总人口13.7亿，其中65岁以上老人1.19亿，占总人口8.87％，成为世界老年人数量最多的国家。随着人口老龄化不断加剧，动态监测老年人的活动状态已成为多学科研究的一个突出领域。根据美国疾病控制和预防中心，在65岁及以上的老年人中近30％的人经常发生意外跌倒。世界卫生组织定义跌倒为突发、不自主的、非故意的体位改变，倒在地上或更低的平面上。跌倒会对我们的心理和身体产生负面的影响，会导致严重的伤害，例如臀部骨折，头部创伤，甚至增加老年人的死亡率。有过跌倒经历的老年人因害怕发生跌倒，而不愿意外出走动，变得不活泼与社会隔离。活动量的减少导致了跌倒的风险日益增加。除此之外，老年人因跌倒造成的伤害花费了家庭的大部分收入和社会医疗资源，加剧了社会的负担。因此，研究和开发一种关于老年人和其他病人的自动跌到检测系统已经被广泛研究。

跌倒检测主要通过视频分析、环境感知和穿戴式传感器进行跌倒辨识。视频分析系统在固定区域安装摄像头，通过计算机视觉分析系统来判定人体姿态。这种方法不需要穿戴任何设备，但是它容易受光线和噪声干扰检测精度低，算法难度大。环境感知跌系统将红外传感器和声传感器等放在环境中用于跌倒检测。这种检测方法具有价格低，检测方便的优点。然而，这种检测系统严重受环境限制。近年来许多学者提出来可穿戴式传感器的检测方法。它的优点是价格低廉，不受环境限制。多数的研究者用单一加速度计，将X、Y、Z三轴的加速度值，信号幅度向量，信号幅度域，角加速度等参数作为特征进行跌倒辨识研究。

阈值和机器学习是两种常用的跌倒检测方法。阈值法通过传感器输出的特定参数值来进行跌倒辨识。基于阈值的跌倒检测方法有较高的灵敏度；但它的特异性较低。基于阈值的跌倒检测方法容易实现，计算效率高，但它对不同个体的容错能力差，跌倒检测精度低。对于机器学习的跌倒检测算法，多种类型的跌倒和日常活动(Activities of Dailylife,ADL)通过机器学习算法进行训练，然后通过对一系列活动的分类结果来评估机器学习算法的分类效率。常用的机器学习算法包括K近邻(K-nearest neighbor,KNN)，支出向量机(Support Vector Machine,SVM)、高斯聚类分布、决策树、和隐马尔科夫模型等。

发明内容

本发明针对现有技术的不足，提出了一种基于人体加速度多特征融合和KNN的跌倒检测方法。通过两个加速度传感器采集人体动作信息，提取的人体加速度的特征参数包括最小值、最大值、均值、方差、偏度系数、峰度系数、自相关序列的前11个值和离散傅里叶变换(DFT)的前五个峰值及相对应的频率值，通过主成分分析的数据压缩方法将特征集从162维降到12维。通过改进的KNN机器学习算法，即通过聚类方法在跌倒和非跌倒两类中各搜索到样本点，构成训练样本簇，根据样本模糊熵计算加权欧氏距离找出最临近的K个近邻点，将待分类动作归为这K个近邻中的多数所属的类别。

为了实现以上目的，本发明方法主要包括以下步骤：

基于人体加速度多特征融合和KNN的跌倒检测方法，其特征在于：该方法包括如下步骤：