基于移动设备佩戴位置的人体跌倒检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108549900A(43)申请公布日2018.09.18(21)申请号201810188212.5(22)申请日2018.03.07(71)申请人浙江大学地址310013浙江省杭州市西湖区余杭塘路866号申请人杭州迈臻智能科技有限公司(72)发明人任磊周金海吴祥飞(74)专利代理机构杭州天勤知识产权代理有限公司33224代理人胡红娟(51)Int.Cl.G06K9/62(2006.01)A61B5/11(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于移动设备佩戴位置的人体跌倒检测方法(57)摘要本发明提供了一种基于移动设备佩戴位置的人体跌倒检测方法，包括：首先采用旋转模式分量和姿态角融合的特征提取方法，利用加速度计和陀螺仪数据计算出旋转半径、角速度幅度、姿态角并提取特征，然后将其分类得到移动设备的佩戴位置；随后根据位置自适应调整一种基于时序分析的跌倒检测算法。该方法的移动设备佩戴位置识别率为95.32％，可以准确地区分用户移动设备的佩戴位置；在不同位置，时序分析跌倒检测算法的准确率都达到最优，均在92％以上。CN108549900ACN108549900A权利要求书1/2页1.一种基于移动设备佩戴位置的人体跌倒检测方法，包括：(1)构建训练样本：通过运动传感器采集多名用户的三轴加速度和角速度数据，并对三轴加速度和角速度数据进行特征提取，获得特征集合(Xr,Xω,Xpitch,Xroll)，分别对每个特征值提取特征分量均值、方差、中值、峰度、偏度、四分卫数，构成每个特征值对应的特征子集A，其中，Xr表示旋转半径特征矩阵，Xω表示角速度特征矩阵，Xpitch表示姿态角Pitch特征矩阵，Xroll表示姿态角Roll特征矩阵；(2)利用所有的特征子集A作为训练样本，训练Logistic回归模型，获得佩戴位置分类模型；(3)采用与步骤(1)相同的方法构建测试样本，利用佩戴位置分类模型对测试样本进行预测，确定测试样本数据对应的佩戴位置；(4)针对每种佩戴位置对应的三轴加速度的矢量和SMV，提取SMV的特征分量最大值、最小值、均值、范围、方差、标准差、均方根、信号幅值面积、四分位数、绝对值，并筛选特征分量分值排名前5的特征分量，构成特征子集B；(5)利用每种佩戴位置对应的所有特征子集B作为训练样本，分别训练SVM分类模型，获得每种佩戴位置对应的跌倒检测模型；(6)按照步骤(1)对采集的三轴加速度和角速度数据处理后，输入到佩戴位置分类模型，获得用户移动设备的佩戴位置，并根据步骤(2)对该佩戴位置对应的三轴加速度数据进行处理后，输入到与该佩戴位置对应的跌倒检测模型，输出跌倒检测结果。2.如权利要求1所述的基于移动设备佩戴位置的人体跌倒检测方法，其特征在于，步骤(1)中，基于长为512个采样点的时间窗口，按照50％的滑动时间窗对三轴加速度和角速度数据进行特征提取。3.如权利要求1所述的基于移动设备佩戴位置的人体跌倒检测方法，其特征在于，步骤(2)中，在Logistic回归模型时，训练模型的对数型损失函数为：其中，x为样本输入，为模型输出，θ为训练模型的模型参数，y为样本对应的实际类别值，以损失函数值最小为收敛条件，求解器使用坐标下降算法，沿着坐标轴的方向进行参数更新，正则化方式为L2正则化，参数更新过程如下：a)选取初始参数b)针对当前得到的参数进行迭代，假设已经求出第k-1轮的参数，第k轮的参数更新过程如下：2CN108549900A权利要求书2/2页c)通过以上步骤得到每轮的迭代结果，如果θk相对于θk‐1的变化很小，则停止迭代，否则，重复步骤b)。4.如权利要求1所述的基于移动设备佩戴位置的人体跌倒检测方法，其特征在于，步骤(4)中，对每个采集滑动时间窗口进行SMV分段，分成15个小段，对每小段中的SMV数据进行特征提取。5.如权利要求4所述的基于移动设备佩戴位置的人体跌倒检测方法，其特征在于，采用Filter过滤法对SMV数据进行特征提取，获得特征分量。6.如权利要求1所述的基于移动设备佩戴位置的人体跌倒检测方法，其特征在于，步骤(5)中，训练SVM模型中，训练模型的损失函数为：其中，θ、b是分类超平面的参数，yi为样本对应的实际类别值，核函数f(xi)采用高斯核函数，C是L2正则化的惩罚系数。训练模型的收敛条件为要求最优化的同时，损失函数值最小，C越大，拟合非线性的能力越强，gamma值越大，对噪声越不敏感，使用GridSearch法分别对惩罚系数C和高斯核函数中的gamma值进行优化。7.如权利要求1所述的基于移动设备佩戴位置的人体跌倒检测方法，其特征在于，所述移动设备包括智能手机、智能手环、智能手表、智能挂件、智能腰带。3CN10