[发明专利]基于卡尔曼滤波与KNN算法的跌倒检测报警系统及方法

摘要

本发明公开了基于卡尔曼滤波与KNN算法的跌倒检测报警系统及方法，包括采集模块、处理模块、传输模块、识别模块、判断模块和通知模块；采集模块用于采集人体活动中上躯干部位的三维加速度和三维角速度数据；处理模块通过三维加速度和三维角速度数据计算合加速度与合角速度；识别模块基于卡尔曼滤波与KNN算法对人体活动状态进行分类识别，识别出人体的运动类型；判断模块判断是否为“跌倒”类型，当判断结果为“跌倒”类型时，通知模块通过设置的报警方式通知设定的联系人。本发明通过基于卡尔曼滤波与KNN算法对人体活动状态进行识别，检测准确率高、误报率低；具备通信功能，能够实时通知跌倒老人的亲属，确定跌倒位置。

主权项

一种基于卡尔曼滤波与KNN算法的跌倒检测报警系统，其特征在于，包括：采集模块、处理模块、传输模块、识别模块、判断模块和通知模块；所述采集模块包括三轴加速度传感器和三轴陀螺仪，三轴加速度传感器和三轴陀螺仪以采样频率f分别实时采集人体活动中上躯干部位的三维加速度ax、ay、az数据和三维角速度数据；其中：ax为沿x轴方向的加速度，ay为沿y轴方向的加速度，az为沿z轴方向的加速度，为沿x轴方向的角速度，为沿y轴方向的角速度，为沿z轴方向的角速度；所述处理模块与所述采集模块相连，用于计算合加速度a与合角速度其中：所述识别模块通过所述传输模块与所述处理模块相连，用于对接收的合加速度数据和合角速度数据进行卡尔曼滤波，并通过KNN算法对人体活动状态进行分类识别，识别出人体的运动类型；所述运动类型包括：“跌倒”类型、“站立”类型、“下蹲”类型、“上楼”类型、“下楼”类型、“步行”类型中的一种或多种；所述卡尔曼滤波包括：同时计算所采集的合加速度与合角速度数据中第k个数据的预测值，第k个数据包括第k个合加速度数据或第k个合角速度数据；X(k|k‑1)＝AX(k‑1|k‑1)+BU(k)其中，X(k|k‑1)为第k个合加速度a或合角速度的预测值，X(k‑1|k‑1)为上一个数据的最优化估算值，即第k‑1个合加速度a或合角速度的滤波结果；A和B为系统参数，U(k)为第k个数据对系统的控制量；计算第k个数据预测值的协方差矩阵，度量其精确程度；P(k|k‑1)＝AP(k‑1|k‑1)AT+Q(k)其中，P(k|k‑1)为第k个数据预测值的协方差矩阵，P(k‑1|k‑1)为X(k‑1|k‑1)对应的协方差，AT为系统参数A的转置矩阵，Q(k)为第k个数据的过程噪声的协方差；计算第k个数据的卡尔曼增益系数Kg(k)；其中，P(k|k‑1)为X(k|k‑1)对应的协方差，H与HT分别为测量系数及其相应的转置矩阵，R为测量噪声的协方差；计算第k个数据的最优化估算值；X(k|k)＝X(k|k‑1)+Kg(k)[Z(k)‑HX(k|k‑1)]其中，X(k|k)为第k个数据的最优化估算值，即第k个合加速度a或合角速度的滤波结果，Z(k)为第k个数据的测量值，即第k个合加速度a或合角速度H为测量系统的系数；计算第k个数据的滤波结果的协方差矩阵P(k|k)；P(k|k)＝(1‑Kg(k)H)P(k|k‑1)；检验k值是否与接收到的数据长度相等，若相等，进行后续操作；否则使k＝k+1，循环；其中，第一个数据的最优化估算值及其对应的协方差为预设值，通过卡尔曼滤波实现第二个数据至所有数据的检测；所述判断模块与所述识别模块相连，用于判断人体的运动类型是否为“跌倒”类型；所述通知模块与所述判断模块相连，当判断模块的判断结果为“跌倒”类型时，通知模块通过设置的报警方式通知设定的联系人。