[發明專利]基于移動設備佩戴位置的人體跌倒檢測方法

在審

• 申請號: 201810188212.5
• 申請日: 2018-03-07
• 公開（公告）號: CN108549900A
• 公開（公告）日: 2018-09-18
• 發明（設計）人: 任磊;周金海;吳祥飛
• 申請（專利權）人: 浙江大學;杭州邁臻智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;A61B5/11
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

1.一種基于移動設備佩戴位置的人體跌倒檢測方法，包括：

(1)構建訓練樣本：通過運動傳感器采集多名用戶的三軸加速度和角速度數據，并對三軸加速度和角速度數據進行特征提取，獲得特征集合(X_r,X_ω,X_pitch,X_roll)，分別對每個特征值提取特征分量均值、方差、中值、峰度、偏度、四分衛數，構成每個特征值對應的特征子集A，其中，X_r表示旋轉半徑特征矩陣，X_ω表示角速度特征矩陣，X_pitch表示姿態角Pitch特征矩陣，X_roll表示姿態角Roll特征矩陣；

(2)利用所有的特征子集A作為訓練樣本，訓練Logistic回歸模型，獲得佩戴位置分類模型；

(3)采用與步驟(1)相同的方法構建測試樣本，利用佩戴位置分類模型對測試樣本進行預測，確定測試樣本數據對應的佩戴位置；

(4)針對每種佩戴位置對應的三軸加速度的矢量和SMV，提取SMV的特征分量最大值、最小值、均值、范圍、方差、標準差、均方根、信號幅值面積、四分位數、絕對值，并篩選特征分量分值排名前5的特征分量，構成特征子集B；

(5)利用每種佩戴位置對應的所有特征子集B作為訓練樣本，分別訓練SVM分類模型，獲得每種佩戴位置對應的跌倒檢測模型；

(6)按照步驟(1)對采集的三軸加速度和角速度數據處理后，輸入到佩戴位置分類模型，獲得用戶移動設備的佩戴位置，并根據步驟(2)對該佩戴位置對應的三軸加速度數據進行處理后，輸入到與該佩戴位置對應的跌倒檢測模型，輸出跌倒檢測結果。

2.如權利要求1所述的基于移動設備佩戴位置的人體跌倒檢測方法，其特征在于，步驟(1)中，基于長為512個采樣點的時間窗口，按照50％的滑動時間窗對三軸加速度和角速度數據進行特征提取。

3.如權利要求1所述的基于移動設備佩戴位置的人體跌倒檢測方法，其特征在于，步驟(2)中，在Logistic回歸模型時，訓練模型的對數型損失函數為：

其中，x為樣本輸入，為模型輸出，θ為訓練模型的模型參數，y為樣本對應的實際類別值，

以損失函數值最小為收斂條件，求解器使用坐標下降算法，沿著坐標軸的方向進行參數更新，正則化方式為L2正則化，參數更新過程如下：

a)選取初始參數

b)針對當前得到的參數進行迭代，假設已經求出第k-1輪的參數，

第k輪的參數更新過程如下：

c)通過以上步驟得到每輪的迭代結果，如果θ^k相對于θ^k‐1的變化很小，則停止迭代，否則，重復步驟b)。

4.如權利要求1所述的基于移動設備佩戴位置的人體跌倒檢測方法，其特征在于，步驟(4)中，對每個采集滑動時間窗口進行SMV分段，分成15個小段，對每小段中的SMV數據進行特征提取。

5.如權利要求4所述的基于移動設備佩戴位置的人體跌倒檢測方法，其特征在于，采用Filter過濾法對SMV數據進行特征提取，獲得特征分量。

6.如權利要求1所述的基于移動設備佩戴位置的人體跌倒檢測方法，其特征在于，步驟(5)中，訓練SVM模型中，訓練模型的損失函數為：

其中，θ、b是分類超平面的參數，y_i為樣本對應的實際類別值，核函數f(x_i)采用高斯核函數，C是L2正則化的懲罰系數。

訓練模型的收斂條件為要求最優化的同時，損失函數值最小，C越大，擬合非線性的能力越強，gamma值越大，對噪聲越不敏感，使用Grid Search法分別對懲罰系數C和高斯核函數中的gamma值進行優化。

7.如權利要求1所述的基于移動設備佩戴位置的人體跌倒檢測方法，其特征在于，所述移動設備包括智能手機、智能手環、智能手表、智能掛件、智能腰帶。