[發明專利]一種基于特征分類的跌倒類型及傷害部位檢測方法

在審

• 申請號: 201910853809.1
• 申請日: 2019-09-10
• 公開（公告）號: CN110659595A
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 劉勇國;楊尚明;李巧勤;陶文元;王志華;姜珊;傅翀
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 11246 北京眾合誠成知識產權代理有限公司
• 代理人: 馬超前

1.一種基于特征分類的跌倒類型及傷害部位檢測方法，其特征在于，所述基于特征分類的跌倒類型及傷害部位檢測方法包括：

步驟一，基于穿戴式傳感器系統收集的用戶加速度計、陀螺儀數據；

步驟二，對采集的傳感器數據進行數值歸一化處理；

步驟三，對預處理后的數據獲取時域及頻域特征；

步驟四，采用主成分分析進行特征篩選；

步驟五，建立基于隨機森林的跌倒檢測模型，進行跌倒檢測及跌倒類別判斷；

步驟六，根據跌倒類別判斷匹配跌倒傷害部位。

2.如權利要求1所述的基于特征分類的跌倒類型及傷害部位檢測方法，其特征在于，所述步驟一中基于穿戴式傳感器系統收集的用戶加速度計、陀螺儀數據包括：

(1)使用一個包含慣性測量單元IMU的可穿戴傳感器采集用戶數據，IMU可測量日常動作中三軸加速度、三軸角速度；

(2)傳感器放置在腰部，具體為髖骨身體前側正中位置；

(3)動作類別標簽：動作分為側向跌倒、前向跌倒、后向跌倒及日常活動。

3.如權利要求1所述的基于特征分類的跌倒類型及傷害部位檢測方法，其特征在于，所述步驟二中對采集的傳感器數據進行數值歸一化處理包括：

信號數值歸一化，將數據映射到0～1；采用線性函數歸一化方法，轉換函數如下：

其中max為樣本數據的最大值，min為樣本數據的最小值；r是原始的傳感器信號數據，R^*是歸一化后的結果。

4.如權利要求1所述的基于特征分類的跌倒類型及傷害部位檢測方法，其特征在于，所述步驟三中對預處理后的數據獲取時域及頻域特征包括：

特征數據的獲取：為了實現基于傳感器數據的跌倒檢測，從預處理后的數據信號中，通過滑動窗口提取以跌倒數據峰值為中心的2秒的數據，提取加速度計、陀螺儀的均值、最大值、最小值、標準差、方差、中位數、信號能量、四分之一中位數、四分之三中位數、四分位數、頻域信號偏度、頻域信號峰值12類特征數據；傳感器數據包含加速度及陀螺儀數據，獲得共24項特征數據。

5.如權利要求1所述的基于特征分類的跌倒類型及傷害部位檢測方法，其特征在于，所述步驟四中采用主成分分析進行特征篩選包括：

跌倒特定類型識別中，從提取的多個特征向量，通過主成分分析的方法篩選特征前n個特征，其中n值根據實驗結果，選擇前6項；

求特征x⁽ⁱ⁾的n維的主成分其實就是求樣本集的協方差矩陣的前n個特征值對應特征向量矩陣W，然后對于每個特征x⁽ⁱ⁾，做如下變換z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾，達到降維的目的，過程如下：

1)對所有的特征進行中心化：其中m為特征數量；

2)計算樣本的協方差矩陣；

3)對協方差矩陣進行特征值分解；

4)取出最大的n個特征值對應的特征向量(w₁，w₂，...，w_n)，將所有的特征向量標準化后，組成特征向量矩陣W；

5)對樣本集中的每一個特征x⁽ⁱ⁾，轉化為新的特征z⁽ⁱ⁾＝W^Tx⁽ⁱ⁾；

6)得到特征篩選后的特征集z＝(z⁽¹⁾，z⁽²⁾，...，z^(m))；

具有m維特征的跌倒及日常動作訓練數據，可以通過前n維樣本集z＝(z⁽¹⁾，z⁽²⁾，.._.，z⁽ⁿ⁾)表示；通過實驗結果決策，選擇6種特征。