[發明專利]碰撞前跌倒檢測方法及裝置

在審

• 申請號: 201710244679.2
• 申請日: 2017-04-14
• 公開（公告）號: CN107146377A
• 公開（公告）日: 2017-09-08
• 發明（設計）人: 胡新堯;曲行達
• 申請（專利權）人: 深圳大學
• 主分類號: G08B21/04
• 分類號: G08B21/04;G08B29/18
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙)44343
• 代理人: 王杰輝

技術領域

本發明涉及到跌倒狀態檢測領域，特別是涉及到一種碰撞前跌倒檢測方法及裝置。

背景技術

跌倒一直是威脅老年人健康的一個重要問題。據世界衛生組織(WHO)的報告，年齡超過65歲的老年人中，有近1/3的老年人每年經歷過至少一次跌倒。在我國，跌倒為老年人受傷的首要原因，據估算，我國每年約有4000多萬老年人經歷跌倒。對應的，跌倒檢測是一種有效的被動式防止跌倒的方法，它可以在無人干預下使跌倒者得到及時醫療救助，或激活跌倒預防裝置(如充氣護髖)避免跌倒碰撞對身體造成的傷害。

現存在有很多跌倒檢測的方法，其中，按照跌倒檢測完成的階段劃分，可分為碰撞前和碰撞后跌倒檢測。

碰撞前跌倒檢測，其目的是在身體與地面碰撞前，檢測到跌倒的發生，從而采取及時的干預措施(如激活跌倒預防裝置)，防止人體受傷。而碰撞后跌倒檢測，主要是通過人體與地面接觸產生的沖量，地面震動或聲音，以及跌倒后人體的姿態來檢測跌倒這一事件，因而無法在發生跌倒碰撞時對人體提供保護。因此，與碰撞后跌倒檢測比較，碰撞前跌倒檢測更為有效。

碰撞前跌倒檢測主要是通過對身體失去平衡后下墜過程中的運動學特性來判斷是否發生跌倒。常見的碰撞前跌倒檢測實現方案包括閾值算法和機器學習算法。

閾值算法通常首先確定一個或多個跌倒探測指數(fall detection indicator)，通常為運動生物力學指標，并為其設置閾值，當跌倒探測指數超過了這一提前設定的閾值，則意味著發生了跌倒；否則，則為日常活動(非跌倒事件)。而機器學習算法則通常利用跌倒和正常活動的生物力學數據作為訓練集，以此產生出一個分類方法，并以此對跌倒和日常活動進行分類。

基于閾值算法和機器學習算法都存在一些缺陷。基于閾值算法跌倒檢測很難取得一個最優的探測閾值。現有閾值算法方法中，缺乏對個體差異性的考量，很低的閾值會將非跌倒事件誤判成跌倒事件(即虛警)，而過高的閾值又會錯過真正的跌倒事件(即誤探)。探測閾值的選取影響了跌倒檢測的準確度。機器學習算法一定程度上能夠克服基于閾值方法的局限性，但是同基于閾值的方法一樣，目前基于機器學習的方法不能反映個體差異，而個體運動的差異是普遍存在。

發明內容

本發明的主要目的為提供一種碰撞前跌倒檢測方法及裝置，用于解決現有方案無法針對個體差異在人體跌倒接觸地面之前，準確的完成跌倒檢測并報警。

本發明提出一種碰撞前跌倒檢測方法，包括，

判斷跌倒檢測指數時間序列是否自相關；

若跌倒檢測指數時間序列不自相關，使用被檢測個體的跌倒檢測指數時間序列建立統計過程控制模型；

若跌倒檢測指數時間序列自相關，通過ARIMA模型處理跌倒檢測指數時間序列，并輸出非自相關數據；

根據經過ARIMA模型處理后的非自相關數據建立統計過程控制模型；

根據所述統計過程控制模型判斷人體是否跌倒。

進一步地，所述若跌倒檢測指數時間序列自相關，通過ARIMA模型來處理跌倒檢測指數時間序列，并輸出非自相關數據步驟，包括，

根據混合自回歸和移動平均模型ARIMA模型，對跌倒檢測指數時間序列x_t按照以下公式轉換成非自相關的殘差值時間序列e_t：φ，

其中，

φ_p代表回歸參數，

θ_q代表差分參數，

B代表后移算子，

p為自回歸項，

q為移動平均項數，

d為時間序列成為平穩時所做的差分次數。

進一步地，所述根據混合自回歸和移動平均模型ARIMA(p，d，q)模型，對跌倒檢測指數時間序列x_t按照以下公式轉換成非自相關的殘差值時間序列e_t：步驟之后，包括，

通過最大似然法，保證以下公式條件對數似然函數取得最大值的前提下，估算所述φ_p、θ_q、B的具體值：

其中的，S_*(φ_p，θ_q)的計算方法如下：

其中，

n代表跌倒檢測指數時間序列的項數；

T代表時間；

S代表殘差值時間序列的預測平方和。

進一步地，所述根據經過ARIMA模型處理后的非自相關數據建立統計過程控制模型步驟，包括，