[發明專利]基于卡爾曼濾波與KNN算法的跌倒檢測報警系統及方法

有效

• 申請號: 201610152570.1
• 申請日: 2016-03-17
• 公開（公告）號: CN105741491B
• 公開（公告）日: 2017-11-10
• 發明（設計）人: 何堅;周明我;張巖;張丞
• 申請（專利權）人: 北京工業大學
• 主分類號: G08B21/04
• 分類號: G08B21/04
• 代理公司: 北京匯信合知識產權代理有限公司11335
• 代理人: 吳甘棠

1.一種基于卡爾曼濾波與KNN算法的跌倒檢測報警系統，其特征在于，包括：采集模塊、處理模塊、傳輸模塊、識別模塊、判斷模塊和通知模塊；

所述采集模塊包括三軸加速度傳感器和三軸陀螺儀，三軸加速度傳感器和三軸陀螺儀以采樣頻率f分別實時采集人體活動中上軀干部位的三維加速度a_x、a_y、a_z數據和三維角速度數據；其中：a_x為沿x軸方向的加速度，a_y為沿y軸方向的加速度，a_z為沿z軸方向的加速度，為沿x軸方向的角速度，為沿y軸方向的角速度，為沿z軸方向的角速度；

所述處理模塊與所述采集模塊相連，用于計算合加速度a與合角速度其中：

所述識別模塊通過所述傳輸模塊與所述處理模塊相連，用于對接收的合加速度數據和合角速度數據進行卡爾曼濾波，并通過KNN算法對人體活動狀態進行分類識別，識別出人體的運動類型；所述運動類型包括：“跌倒”類型、“站立”類型、“下蹲”類型、“上樓”類型、“下樓”類型、“步行”類型中的一種或多種；所述卡爾曼濾波包括：

同時計算所采集的合加速度與合角速度數據中第k個數據的預測值，第k個數據包括第k個合加速度數據或第k個合角速度數據；

X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中，X(k|k-1)為第k個合加速度a或合角速度的預測值，X(k-1|k-1)為上一個數據的最優化估算值，即第k-1個合加速度a或合角速度的濾波結果；A和B為系統參數，U(k)為第k個數據對系統的控制量；

計算第k個數據預測值的協方差矩陣，度量其精確程度；

P(k|k-1)＝AP(k-1|k-1)A^T+Q(k)

其中，P(k|k-1)為第k個數據預測值的協方差矩陣，P(k-1|k-1)為X(k-1|k-1)對應的協方差，A^T為系統參數A的轉置矩陣，Q(k)為第k個數據的過程噪聲的協方差；

計算第k個數據的卡爾曼增益系數Kg(k)；

其中，P(k|k-1)為X(k|k-1)對應的協方差，H與H^T分別為測量系數及其相應的轉置矩陣，R為測量噪聲的協方差；

計算第k個數據的最優化估算值；

X(k|k)＝X(k|k-1)+Kg(k)[Z(k)-HX(k|k-1)]

其中，X(k|k)為第k個數據的最優化估算值，即第k個合加速度a或合角速度的濾波結果，Z(k)為第k個數據的測量值，即第k個合加速度a或合角速度H為測量系統的系數；

計算第k個數據的濾波結果的協方差矩陣P(k|k)；

P(k|k)＝(1-Kg(k)H)P(k|k-1)；

檢驗k值是否與接收到的數據長度相等，若相等，進行后續操作；否則使k＝k+1，循環；其中，第一個數據的最優化估算值及其對應的協方差為預設值，通過卡爾曼濾波實現第二個數據至所有數據的檢測；

所述判斷模塊與所述識別模塊相連，用于判斷人體的運動類型是否為“跌倒”類型；

所述通知模塊與所述判斷模塊相連，當判斷模塊的判斷結果為“跌倒”類型時，通知模塊通過設置的報警方式通知設定的聯系人。

2.如權利要求1所述的基于卡爾曼濾波與KNN算法的跌倒檢測報警系統，其特征在于，所述判斷模塊中，當判斷結果不屬于“跌倒”類型時，則返回采集模塊重新進行數據采集。