[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

摘要

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。

主权项

1.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：步骤1、获取人体加速度信号；步骤2、提取步骤1获取的加速度信号特征参数，特征参数包括信号最小值、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；每个传感器单元获取81维特征向量，两个传感器共获取162维特征向量；步骤3、通过主成分分析PCA的数据降维方法将特征向量从162维降到12维；步骤4、将步骤3所获得的12维特征向量输入改进的KNN分类器进行跌倒和日常动作进行识别检测；所述的改进的KNN分类器设计如下：1)通过聚类方法在跌倒和非跌倒两类中各搜索到N个样本点，构成训练样本簇；2)根据训练样本簇计算各个样本点的样本相似度i＝1,2,...N_l,l＝1,2.式中，x_i为第i个样本点的12维特征向量，l＝1为跌倒类和l＝2为非跌倒类，d_l为该类的中心向量，N_l为跌倒类或非跌倒类的样本点总数；3)计算每个样本点模糊熵计算每个样本点权重4)根据加权欧氏距离di＝Wi||y‑xi||找出最临近的K个近邻点，将待分类动作y归为这K个近邻中的多数所属的类别。