會發(fā)生振動，從而會產(chǎn)生壓力，可檢測出撞擊地面的壓力值作為判斷跌倒的依據(jù)。氣壓 傳感器：能夠測量不同高度的大氣壓力，可用于判斷人體所處的位置以及跌倒檢測儀的高 度變化，另外氣壓本身是環(huán)境的一部分，環(huán)境也是導致跌倒的一個因素，從而氣壓提供了檢 測跌倒的依據(jù)； b) 構(gòu)造每個傳感器的特征向量，構(gòu)造方法是按時間區(qū)間作為分析范圍，并且將此時間 區(qū)間再劃分為若干時間片段，對每個片段采集信息，生成片段特征向量，因此時間區(qū)間是一 個片段特征向量序列，然后對此序列串接形成最終的傳感器特征向量。壓力傳感器：輸出一 個壓力值(撞擊時產(chǎn)生的最大壓力)，形成一個一維的特征向量。氣壓傳感器，輸出為數(shù)字信 號為大氣壓值，正常與跌倒時的大氣壓差形成一個一維的特征向量； c) 采用分類器預測跌倒，輸出結(jié)果v2。所訴的分類器包括支持向量機，集成分類 Adaboost，旋轉(zhuǎn)森林分類器。進一步，所述的分類器都需要準備跌倒樣本(跌倒特征向量，跌 倒類別）訓練集，跌倒類別為：跌倒為1，否則為〇。
[0019] 步驟[3]跌倒聲音預測包括以下步驟 a) 采集跌倒時的聲音傳感器信息。聲音傳感器：人體跌倒時與地面發(fā)生撞擊時會產(chǎn)生 聲音，老人摔到時也會發(fā)出聲音。例如人體在跌落過程中與地面發(fā)生撞擊的聲音頻率多數(shù) 小于200Hz，這可以作為跌倒判斷依據(jù)； b) 構(gòu)造跌倒聲音特征向量，構(gòu)造方法是按時間區(qū)間作為分析范圍，并且將此時間區(qū)間 再劃分為若干時間片段，對每個片段采集信息，生成片段特征向量，因此時間區(qū)間是一個片 段特征向量序列，然后對此序列串接形成最終的傳感器特征向量。聲音傳感器，輸出聲音信 號，提取聲音特征，形成特征向量。提取的聲音特征包括短時過零率，短時能量，基音頻率， 共振峰，諧波噪聲比，MFCC參數(shù)，一階MFCC參數(shù)，二階MFCC參數(shù)，LPC倒譜系數(shù)，線性預測系 數(shù)，子帶能量，和頻率中心的平均值，標準方差，最大值，和最小值； c) 采用分類器預測跌倒，輸出結(jié)果v3。所訴的分類器包括支持向量機，集成分類 Adaboost，旋轉(zhuǎn)森林分類器。進一步，所述的分類器都需要準備跌倒樣本(跌倒特征向量，跌 倒類別）訓練集，跌倒類別為：跌倒為1，否則為0。
[0020] 步驟[4]跌倒誤判預測包括以下步驟： a) 采集人體檢測傳感器信息。紅外線傳感器：能夠檢測出人體發(fā)出的紅外線信息，可 以用它來判斷跌倒檢測儀是否穿戴在人身上，若檢測不到紅外信息，表示人體沒有穿戴跌 倒檢測儀，因而不能判定為跌倒，以免誤判。可以用它作為防止誤判的依據(jù)。紅外傳感器： 利用遠紅外線范圍的感度作為人體檢出用，紅外線的波長比可見光長而比電波短。人體的 體溫約為36~37° C，所放射出峰值為9~10 μ m的遠紅外線。輸出數(shù)值一個一維的特征 向量，用于搜索和跟蹤人體紅外目標，確定其空間位置并對它的運動進行跟蹤； b) 預測是否檢測到人體，輸出結(jié)果v4。若檢測到人體，v4=l，否則v4=0。
[0021] 步驟[5]構(gòu)造跌倒特征向量V= (??.…,α4ν4)，其中Iii為四個分類器單獨對跌倒判 斷時的準確率，其Cti為權(quán)重要，F(xiàn)i為四個分類器的輸出值，跌倒為1，否則為0。
[0022] 步驟[6]跌倒集成預測，根據(jù)跌倒特征向量，采用分類器預測跌倒。所訴的分類器 包括支持向量機，集成分類Adaboost，旋轉(zhuǎn)森林分類器。進一步，所述的分類器都需要準備 跌倒樣本(跌倒特征向量，跌倒類別）訓練集，跌倒類別為：跌倒為1，否則為〇。
[0023] 實施案例1 :采用支持向量機分類器識別跌倒 支持向量機（Support Vector Machine, SVM)實現(xiàn)人臉表情自動識別。SVM是近幾年 剛發(fā)展起來的一種分類方法，它基于結(jié)構(gòu)風險最小化原則，具有良好的泛化能力。給定訓 練樣本集,其中& 為輸入向量,Fi e丨-L-1丨為對應的類別， SVM在特征空間中尋找能將兩類樣本正確分開的最優(yōu)分界超平面。對于輸入空間中的向 量;T ,假如使用Z = ΦΟ)表示其在特征空間中對應的特征向量，則最優(yōu)分界超平面表示為 w*z+i = 0。相應的決策方程為/0) = dg?(w木z+?)。在任何情況下，SVM并不要求知道 映射Φ。引入核函數(shù),特征空間中向量間的點積能在輸入空間中通過核函數(shù)表示為 Z1S2 = ^(X1J2)。
[0024] 訓練SVM等價于求解如下最優(yōu)化問題：
【主權(quán)項】
1. 一種基于多分類器集成的老人跌倒檢測方法，其特征在于，該方法包括以下步驟： [1]跌倒方向預測，根據(jù)檢測跌倒方向的變化預測跌倒；[2]跌倒壓力預測，根據(jù)跌倒時的 氣壓和撞擊地面的壓力預測跌倒；[3]跌倒聲音預測，根據(jù)跌倒時候的聲音，包括撞擊地 面的聲音和人體發(fā)出的聲音，預測跌倒；[4]跌倒誤判預測，根據(jù)采集的人體檢測傳感器信 息，判斷人體是否在人體傳感器附近，預防誤判；[5]構(gòu)造跌倒特征向量，其由以上四步完 成的預測結(jié)果構(gòu)成；[6]跌倒集成預測，根據(jù)跌倒特征向量，采用分類器預測跌倒，輸出預 測結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測方法，其特征在于 所述的步驟[1]包括以下步驟：（a)采集三軸加速度傳感器、陀螺儀、地磁傳感器信息；（b) 構(gòu)造每個傳感器的特征向量，構(gòu)造方法是按時間區(qū)間作為分析范圍，并且將此時間區(qū)間再 劃分為若干時間片段，對每個片段采集信息，生成片段特征向量，因此時間區(qū)間是一個片段 特征向量序列，然后對此序列串接形成最終的傳感器特征向量；（c)構(gòu)造跌倒方向特征向 量，其組合所構(gòu)造的傳感器特征向量；（d)采用分類器預測跌倒，輸出結(jié)果vl。
3. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測方法，其特征在于 所述的步驟[2]包括以下步驟：（a)采集氣壓傳感器、壓力傳感器信息；（b)構(gòu)造每個傳 感器的特征向量，構(gòu)造方法是按時間區(qū)間作為分析范圍，并且將此時間區(qū)間再劃分為若干 時間片段，對每個片段采集信息，生成片段特征向量，因此時間區(qū)間是一個片段特征向量序 列，然后對此序列串接形成最終的傳感器特征向量；（c)構(gòu)造跌倒壓力特征向量；（d)采用 分類器預測跌倒，輸出結(jié)果v2。
4. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測方法，其特征在于 所述的步驟[3]包括以下步驟：（a)采集跌倒時的聲音傳感器信息；（b)構(gòu)造跌倒聲音特征 向量；（c)采用分類器預測跌倒，輸出結(jié)果v3。
5. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測方法，其特征在于 所述的步驟[4]包括以下步驟：（a)采集人體檢測傳感器信息；（b)預測是否檢測到人體， 輸出結(jié)果v4。
6. 根據(jù)權(quán)利要求5所述的一種基于多分類器集成的老人跌倒檢測方法，其特征在于 所述的步驟a)采用紅外傳感器實現(xiàn)人體檢測。
7. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌 倒檢測方法，其特征在于所述的步驟[5]為構(gòu)造跌倒特征向量 V = (W· .S4Y4)，其中Oj為四個分類器單獨對跌倒判斷時的準確率，其O i為權(quán)重要，F(xiàn)i為四 個分類器的輸出值，跌倒為1，否則為〇。
8. 根據(jù)權(quán)利要求1所述的一種基于多分類器集成的老人跌倒檢測方法，其特征在于所 述的步驟[1] [2] [3]和[5]采用的分類器是集成分類器Adaboost，其弱分類器采用支持向 量機。
9. 根據(jù)權(quán)利要求2~4所述的一種基于多分類器集成的老人跌倒檢測方法，其特征在于 所述的步驟[1] [2] [3]和[5]采用的分類器是旋轉(zhuǎn)森林分類器。
10. -種基于多分類器集成的老人跌倒檢測系統(tǒng)，其特征在于，其特征在于所述的系 統(tǒng)采用所述的一種基于多分類器集成的老人跌倒檢測方法實現(xiàn)，系統(tǒng)包括：一個跌倒訓練 樣本數(shù)據(jù)庫，存儲很多跌倒特征向量及跌倒類別的訓練樣本；一個跌倒檔案數(shù)據(jù)庫，用以儲 存跌倒時的每個傳感器特征向量，跌倒特征向量，跌倒預警信息，和跌倒預警時間；系統(tǒng)還 包括模塊：傳感器信息采集模塊，傳感器特征向量構(gòu)造模塊，跌倒特征向量構(gòu)造模塊，特征 選擇模塊，跌倒識別模塊，跌倒識別模型學習模塊，跌倒預警模塊，跌倒檔案管理模塊，其中 傳感器信息采集模塊的輸出與傳感器特征向量構(gòu)造模塊的輸入連接，傳感器特征向量構(gòu)造 模塊的輸出與跌倒特征向量構(gòu)造模塊的輸入連接，跌倒特征向量構(gòu)造模塊的輸出與特征選 擇模塊的輸入連接，特征選擇模塊的輸出與跌倒識別模塊的輸入連接，跌倒識別模型的學 習模塊的輸出與跌倒識別模塊的輸入連接，跌倒識別模塊的輸出與跌倒預警模塊的輸入連 接，跌倒預警模塊的輸出與跌倒檔案管理模塊的輸入連接，其中跌倒識別模型學習模塊離 線獨立在計算機上運行。
【專利摘要】本發(fā)明涉及一種基于多分類器集成的老人跌倒檢測方法及系統(tǒng)，該方法包括步驟：采集每個傳感器信息；跌倒方向預測，跌倒壓力預測，跌倒聲音預測，跌倒誤判預測；構(gòu)造跌倒特征向量，其由四個預測結(jié)果構(gòu)成；調(diào)用分類器實現(xiàn)集成跌倒預測；輸出跌倒判別結(jié)果。本發(fā)明涉及一種基于多分類器集成的老人跌倒檢測系統(tǒng)，其特征在于，所述的系統(tǒng)包括：傳感器信息采集模塊，跌倒方向預測模塊，跌倒壓力預測模塊，跌倒聲音預測，跌倒誤判預測模塊；構(gòu)造跌倒特征向量模塊；集成跌倒預測模塊，集成跌倒預測模型學習模塊，跌倒預警模塊，跌倒檔案管理模塊。本發(fā)明的效果是跌倒檢測準確率高，跌倒呼救及時，成本低，攜帶方便。
【IPC分類】G08B21-04
【公開號】CN104637242
【申請?zhí)枴緾N201310558923
【發(fā)明人】不公告發(fā)明人
【申請人】廣州華久信息科技有限公司
【公開日】2015年5月20日
【申請日】2013年11月12日