[發明專利]一種基于大數據的人體跌倒檢測方法及系統

有效

• 申請號: 201610105761.2
• 申請日: 2016-02-26
• 公開（公告）號: CN105590409B
• 公開（公告）日: 2018-04-03
• 發明（設計）人: 施化吉;張帆;周從華;劉志鋒;徐宗保;朱小龍;陳偉鶴
• 申請（專利權）人: 江蘇大學
• 主分類號: G08B21/04
• 分類號: G08B21/04
• 代理公司: 江蘇縱聯律師事務所32253
• 代理人: 蔡棟

技術領域

本發明涉及大數據、機器學習、醫療健康和移動互聯網等領域，具體涉及一種基于大數據的人體跌倒檢測方法及系統。

背景技術

隨著時間的推移，二戰之后人口快速增長導致的“Baby Boomers”問題愈來愈嚴重，同時隨著生活方式的變革，年輕人生活觀念的變化，“空巢家庭”的問題也越來越嚴重。根據有關部門統計，我國的空巢家庭數量一直呈上升之勢，預期到了2030年空巢老年人家庭的比例將達到90％。跌倒是老年人群中常見的傷害事件，會使老人遭遇諸如骨折、出血、中樞神經系統損傷等身體上的傷害。如果不及時治療就可能導致老人失能癱瘓甚至死亡。據相關統計，跌倒相關的受傷成為老年人死亡的第五大誘因，據統計在老年人意外死亡中2/3都是由跌倒引起的。而對社會而言，老年人的跌倒也會帶來沉重的負擔。我國每年至少有2000萬老年人發生跌倒，直接醫療費用超過50億元人幣。而跌倒檢測系統的開發很大程度上會提高老年人跌倒之后及時獲得救助的機率，大大提高老年人生活的安全性。

然而，跌倒檢測是一項極具挑戰性的技術。目前的跌倒檢測研究普遍存在以下問題：

1、難以獲取真實的老年人跌倒數據作為跌倒檢測方法的基礎訓練數據，在試驗中普遍采用的是學生的跌倒數據，這就造成了跌到檢測算法準確率的無法提高。

2、現有的跌倒檢測算法分類模型都是固定的，面向大眾的，并不能根據人體的特征差異進行調整。

3、傳統的關于跌倒檢測的研究，跌倒數據往往只作為判斷跌倒狀態的依據，判斷之后數據就被釋放。這就造成數據資源的浪費以及跌倒檢測連續性的缺失。

發明內容

本發明的目的在于提供一種基于大數據的人體跌倒檢測方法及系統，以實現人體跌倒檢測方法及系統在數據樣本缺乏的前提下，提高檢測準確率，且可以動態的調整跌倒檢測算法，適用于人體特征差異較大的情況。

為了解決以上技術問題，本發明采用的具體技術方案如下：

一種基于大數據的人體跌倒檢測方法，其特征在于包括以下步驟：

步驟一，搭建一個大數據平臺，包括存儲層和數據處理層；

步驟二，利用移動互聯網技術，將手機數據與所述大數據平臺數據進行同步；

步驟三，采集傳感器信息，包括采集三軸加速度傳感器信息和采集陀螺儀傳感器信息；

步驟四，根據所采集的傳感器信息數據構建特征向量；

步驟五，通過機器學習模型建立跌倒檢測算法以識別人體跌倒行為是否發生；

步驟六，若人體跌倒行為發生，則上傳步驟四所述特征向量至大數據平臺進行存儲；

步驟七，通過計算相似度度量來判斷大數據平臺存儲步驟六所述的特征向量是否更新；若相似度度量計算結果不為1，則說明特征向量發生了更新，若結果為1，則說明特征向量沒有發生更新；

步驟八，若步驟七所述相似度度量計算結果不為1，則根據步驟六存儲的新的特征向量，生成新的機器學習模型，即新的跌倒檢測分類算法；一開始機器學習模型運用期望最大化算法是鑒于試驗數據難于獲取與收集，故而將有限的數據作用發揮到最大。

所述步驟四中構建特征向量時，運用的是三軸加速度傳感器的合加速度和陀螺儀傳感器的三軸姿態角度，采用的是窗長256、步長128的50％重疊滑動窗口法截取部分信號數據，選取最大加速度、最小加速度、加速度均值以及三軸角度；所述三軸加速度傳感器的合加速度Soa計算如下：

其中a_x,a_y,a_z分別是采集到的三軸加速度分量；

三軸姿態角度計算如下：

θ_x＝∫w_xdt,θ_y＝∫w_ydt,θ_z＝∫w_zdt,

其中w_x,w_y,w_z分別為陀螺儀輸出的三軸角速度。

所述步驟五中，由于缺乏足夠的數據樣本，所述跌倒檢測算法采用的是樸素貝葉斯算法加期望最大化算法，具體過程為：

過程3.1，將所述步驟四得到的特征值向量x，歸一化后作為樸素貝葉斯算法模型的輸入；