分享到:

研發圖
聯絡我們 | 訪客留言 |
論 文 專 利 著 作 項 目 ZigBee 與 Uwb動態 技術FAQ
 
 

 

一種基于統計學判別分析的老人摔倒檢測算法的研究

金 純1 2 , 尹 遠 陽1
(1.重慶郵電大學通信與信息工程學院,無線傳輸重點實驗室,重慶400065; 2. 重慶金甌科技發展有限責任公司,重慶400041)
該論文發表于《計算機應用研究》2014年第31卷第1期
刊號為:ISSN 1001-3695

摘要針對傳統通過閾值來確定老人跌倒檢測算法中的不足和視頻檢測中容易泄露隱私等缺點,本文提出了一種基于統計學判決分析的跌倒檢測算法。該算法主要通過實驗分析來提取行為的特征值并建立特征向量空間,然后利用采樣值與行為特征值空間的距離來判斷匹配該行為是否為跌倒狀態空間的值,同時在算法中提出以智能機器人作為輔助檢測的思想,最后通過實驗驗證了該算法具有較好的魯棒性。

關鍵詞:跌倒檢測算法;統計學;微電子;傳感器;機器人; 中圖法分類號:TP301.6







An old man fall detection algorithm research based on discriminant analysis of statistical
JIN Chun1 2 , YIN Yuanyang 1

(1. Wireless Transmission Key Laboratory, School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China; 2. Chongqing Jinou Science&Technology Development Co., Ltd., Chongqing 400041, China)


Abstract: In view of the shortcoming of the old man fall detection based on threshold algorithm and detection method based video is easy to leak privacy,this paper proposes a decision analysis fall detection algorithm based on statistics. The algorithm mainly through the experiment to extract the behavior of the characteristic value and establish the characteristic vector space, then use the sampling values and behavior characteristics of space distance to determine whether the behavior for the falling value of the state space. At the same time in the algorithm introducing the idea of intelligent robot as auxiliary detection. Finally, through the experiment shows that the algorithm has good robustness.

Keywords:fall detection algorithm;statistics;microelectronics;sensor;robot;

0.引言

隨著微電子機械系統(Micro Electro Mechanical System,MEMS)發展,無線傳感技術的進步和物聯網的興起,“智能家居”、“智能遠程醫療”、“智慧城市”的相繼提出,而且在“十二五”規劃中我國明確提出“感知中國”的口號,進一步促進了我國無線傳感及物聯網領域的發展。而世界人口正走向高齡化,老年人的摔倒問題將成為世界性的一個難題,據醫療調查顯示:摔倒導致的死亡成為我國人口死亡率的第四大因素,超過33%的社區老人和超過60%的養老院的老人平均每年都會發生一次摔倒,預計2030年“空巢老人”家庭所占比例將會達到90%[1]。那如何提高老人的健康生活,為老年人群提供便利的醫療服務,在繁忙的工作中了解老人的生活動態,是近年來研究的一個熱點課題。如果能正確對老人的日常生活進行看護,這將對遠程醫療的發展具有重要意義,同時能大大提高了醫療工作的效率。

1. 對現有的摔倒檢測算法的分析

無線通信技術的發展為遠程醫療[2]成為了可能,相應的一些有關自主檢測摔倒并能過進行報警的設備裝置也相繼問世,最常見的方法就是通過采集人體運動時的線加速度及角速度并通過實驗設定其閾值來檢驗所攜帶裝置者是否發生跌倒[3、4、5]。目前擁有的摔倒檢測系統及相關算法可以分為三類[6]:基于視頻的摔倒檢測系統、基于聲學的摔倒檢 測系統和基于穿戴式的摔倒檢測系統。在這三種摔倒檢測系統中,第一種是通過在固定場所安裝多個攝像頭來捕捉人體的運動的畫面,運用圖像處理算法來確定是否存在具有摔倒的圖像特征,如加拿大的Caroline Rougier[7]設計的通過在被監測者家中安裝視頻攝像頭,利用計算機視覺系統提供了一種分析人體姿態的解決方案,他們通過將運動過程和人體的形態變化相結合的方法,探測被監測者是否發生了摔倒。但這種系統的缺點是因為攝像頭安裝在固定的位置只能進行定點的檢測,而人體是一個運動體,當監測體離開攝像頭所能達到的范圍時就無法正常檢測摔倒行為的發生,同時該套系統容易泄露被監測者的個人隱私;第二種是通過震動聲音[6]特征來判定是否摔倒,由于環境的復雜性和多種聲音的干擾同時安裝復雜,該系統無法精確的判斷出是否摔倒,一般只能作為輔助式的檢測;另外,基于穿戴式[3、8]的摔倒檢測系統是指嵌入微型控制型的傳感器設備,該種設備可以自由的穿戴在被檢測人身上實現實時的全天候的監測人體活動,當人體運動發生變化時通過算法來判斷是否發生了摔倒。文獻[8]中作者采用三軸加速度傳感器采集數據,計算三軸與重力加速度的夾角來確定姿態位置并通過卡爾曼濾波算法來提高精度,文獻[9]中作者運用壓力傳感器做成鞋墊的形式,通過對壓力的感測來判斷老人是否跌倒。文獻 [10]采用了多種傳感器結合在一起最后通過閾值和摔倒前后的心率變化進行檢測,雖然能取得較好的效果,但多傳感器的攜帶在一定程度上會增加老人的心里負擔和同時算法也變得復雜。 本文提出了一種基于統計學判別分析的摔倒檢測算法,算法中對采集到的加速度數據進行處理,進一步通過計算得到人體傾倒角度的變化,同時通過測量分析人體摔倒時的近似能量變化情況,通過多次試驗取得摔倒過程中參數的平均值作為摔倒特征向量空間,最后通過試驗證明了該算法的可行性和具有很好的魯棒性。

2.跌倒過程的特征信號的采集與處理

2.1 人體運動特征模型的建立

加速度是反應物體運動變化的最好的參考量,而加速度傳感器能夠滿足對加速度的數據采集,針對人體的運動模型,可以把人體抽象為一個剛體,建立模型如圖1所示。
由圖1可知x、y、z彼此垂直,因此空間上任意矢量的變化都可以通過這三個向量基進行合成,如式(1)所示。
其中 代表空間任意向量, 、 、 分別為x、y、z上的單位矢量。而人體運動時三軸的加速度傳感器就會產生相應的變化。由文獻[8]可知人體加速度幅值矢量(sinnal magnitude vector, SVM)的變化可以很好的描述人體運動的劇烈程度,SVM的計算公式如式(2)所示。
如果三軸上的加速度已知,可以通過式(3)計算出人體的姿態角度變化的正弦值。假設x、y與地面平行,z垂直地面,具體表示如上圖 1 所示,人體位置與重力方向的夾角設為 ,則
其中 ,由于只要確定人體姿態的變化,所以在本文中不需要算出具體的角度值,只需算出初始狀態和摔倒后的角度正玄函數的差值即 來衡量人體傾角變化即可。同時在也可以通過陀螺儀測量人體角度的變化進一步校正由加速度傳感器所測量計算的角度值。 本文對人體的幾種行為進行了實驗,通過對采集的數據進行處理并計算了實驗過程中的各種行為的加速度幅度值(SVM)如圖2所示的曲線圖,縱坐標的單位是g,其圖中標注了各種行為的活動幅度值:(a)向前摔倒 (b) 向后摔倒 (c) 側向摔倒 (d) 往高凳子上坐下 (e) 往比較低的凳子上坐下 (f) 下蹲 (g) 正常行走 (h) 下來樓梯(i)上樓梯 (j) 跳 (k) 快速跑。
在老年人群中一般都不會有劇烈的運動,假設在運動過程中加速度傳感器采集數據的時間設為(0,T),由于摔倒時加速度值會有一個瞬變過程,因而導致該時間段內的瞬時能量相應會增大,在本文中采用的是各軸加速度與時間圍成的面積和來近似的表示運動過程中能量的變化[11]三軸加速度測量運動能量消耗如公式(4)所示。
其中V近似代表所消耗能量。結合(2)、(3)、(4)式計算得到的值,經過多次測量后再由統計分析取各值的平均作為本文算法設計的特征向量值,

2.2硬件的選擇

通過2.1節中建立的人體三維模型和相關分析并結合傳感器的工作方式,本設計中采用的是美國InvenSense公司生產的MPU6050三軸數字加速度陀螺儀傳感器來采集人體的運動數據,該傳感器是全球第一款整合3軸陀螺儀與3軸加速度器于單一芯片,且具有超低功耗,可在不同電壓模式下工作,測量模式下電流低至3.6mA,待機模式下為5uA,用戶可選的分辨率10位固定、13位全分辨率,支持加速度可測范圍為±2g、±4g、±8g與±16g,分辨率并隨著g的范圍提高而提高。芯片寄存器管理采用的是FIFO技術,可以將主機處理器負荷降至最低等優點。信號采集預處理的基本模塊框圖如圖3所示。該芯片的數據采集模塊與藍牙無線傳輸模塊相連接,通過無線傳輸可以減少布線的復雜性和增加用戶使用該裝置的自由度,減少老人的心里負擔。該芯片內部將采集的數據通過I2C協議傳輸給藍牙發射模塊,再通過與電腦連接的藍牙適配接收模塊接收所采集的用戶運動數據供單片機和PC處理和分析。通過多次實驗發現佩戴在人體的腰部是最理想的,因為腰部相對而言是運動變化幅度最小,同時能滿足用戶佩戴方便的要求。

3.算法的設計思想

3.1算法的思想概述

數理統計就是研究如何有效地收集、整理和分析受隨機因素影響的數據,對所考察的問題作出推斷,進而為制定決策和采取行動提供科學依據。本文算法設計就是運用該思想進行設計的,因統計模式識別就是通過把識別對象抽象的表示成由一些特征值構成的特征向量,這些特征向量就能代表某種動作或者某種特定的行為特征,因此把模式類可以看成由多個特征相似的模式組成一個集合。在該集合中可以提取一些特征數值構成特征向量來代表一種模式類,再通過特征空間對各種模式進行分類,這樣就可以達到識別的效果。統計識別算法可以用較小的特征量來描述一個對象的行為,在一定程度上降低了模型的復雜度。在老人摔倒中有:向前摔倒、向后摔倒、左側摔倒、右側摔倒;同時還有日常活動如:走路、上下樓、坐下等一系列的動作。為此可以將行為分為兩種:摔倒和日常行為。在本文中主要研究的是對摔倒情況進行統計分類,可以根據統計學中的距離判別來確定定義樣品指標X的觀測值x(n維)到個總體的距離,以其大小來判定觀測樣品屬于哪個總體。因此本文的算法思想就是基于統計確定樣品特征值向量然后根據距離判別的方法來實現摔倒檢測。摔倒的平面分類如圖4所示。在三維空間每種活動行為就是一個立體空間,G1、G2、G3、G4分別表示不同的摔倒特征類型。

3.2算法設計方法

在本算法設計中主要分為兩大類,一類是跌倒事件、一類是日常生活(ADL)事件(走路、上下樓、坐下)等日常行為。本文主要研究的是摔倒事件,除了摔倒外其他都認為是日常生活行為,摔倒事件又可以分為G1(向前摔倒)G2(向后摔倒)G3(右側摔倒)G4(左側摔倒)等4類。樣本值是統計通過30次實驗后的樣本特征值如2.1節所示的方法求出各種類型的特征值再取求平均,本算法采用三維特征值組成一個樣本空間,樣本值的數學期望向量分別是u1、u2、u3、u4,協方差矩陣為 、 、 、 。定義三維觀測向量x到總體樣本Gi的馬氏距離為:
通過式(6)可以得到到個樣本空間的距離,而在上述實驗中經過統計平均的方式設定每種行為的特征距離閾值,如果所求出的距離滿足公式(7),則可以確定該觀測值屬于該樣本空間。由文獻[12]知道兩個概念的差異程度越大,就具有越小的相似性;當兩個概念不存在差異點,即當兩個概念相同時,具有最大的相似性[12],所以兩個相似度越近的樣本,他們的距離就會越接近。
該算法主要分成五步,第六步主要是提出引入機器人作為輔助檢測的思想,通過機器人輔助檢測來進一步提高算法檢測跌倒的正確率: 1、 建立特征向量庫:通過實驗對摔倒事件進行分類統計,并計算出各種行為的特征空間的距離閾值; 2、 截取可疑信號:監測人體運動的數據變化,如出現可疑信號,提取該信號出現的前后3秒內的信號進行處理; 3、 提取特征向量值:通過截取的信號通過前述方法計算出各特征值作為觀測特征向量; 4、 計算觀測特征向量與特征庫樣本的距離; 5、 進行模式匹配:通過計算的特征空間距離來確定是否屬于該空間范圍,如果匹配成功則判斷為摔倒,并進行報警持續時間30s,在30秒內可以人為取消; 6、 家庭服務機器人輔助檢測:當機器人收到摔倒時的報警信號,機器人對其進行定位處理,然后到室內事發現場進行拍照發送,如果在30S內報警信號取消,則機器人不需要對其進行輔助檢測。 具體詳細算法流程如圖5所示

5. 結束語

本文通過對算法進行分析,提出了一種基于統計學的判別分析的摔倒檢測算法。并將該算法通過對日常生活動作和跌倒動作進行統計分類,確定各自的特征空間,采用距離來進行相似度的判斷,從而確定行為所屬的特征空間來檢測老人跌倒行為。最后通過實驗進行了驗證,表明了該算法具有較高的準確率。當摔倒時該裝置可以報警,也可以通過網絡服務器將人體姿態數據傳給遠程云端醫療,這對遠程醫療服務的發展具有重要意義。同時該算法可以通過采集更多的訓練樣本數據來提高準確度。智能家居的發展,給家庭服務機器人帶來了新的發展領域,在該算法中提出以機器人作為輔助檢測,能進一步提高跌倒檢測的結果,同時也能更直接的觀察事情的現狀,為老人摔倒后及時得到救援的遠程醫療提供更好的服務。機器人輔助檢測功能的具體實現將在后續工作中完成。

參考文獻
[1] 楊冬葉,趙勇. 我國空巢老年人的現狀與對策[J]. 現代臨床護理,2004(5):60-62
[2] 佟麗娜,宋全軍,葛運建.基于時序分析的人體摔倒預測方法[J]. 模式識別與人工智能.2012,25(2):273-279
[3] LI Qiang,STANKOVIC J A,HANSON M A ,et al.Accurate Fast Fall Detection Using Gyroscopes and Accelerometer Derived Posture Information [c].Proc of the 6th International Workshop on Wearableand Implantable Body Sensor Networks.Berkeley,USA,2009:138 - 143
[4] BOURKE A K,LYONS G M.A Threshold Based Fall Detection Algorithm Using a Bi-Axial Gyroscope Sensor[J]. Medical Engineering &Physics,2008,30 (1): 84 - 90
[5] NOURY N,RUMEAUA P,BOURKE A K,et al. A Proposal for the Clas-sification and Evaluation of Fall Detectors[J].IRBM,2008,29(6):340 - 349
[6] LUO S H,HU Q M. A dynamic motion pattern analysis apparoch to fall detection[C].IEEE International Workshop on Biomedical Circuits&Systems,2004:53-56.
[7] CAROLINE ROUGIER,JEAN MEUNIER,ALAIN ST-ARNAUD,et al. Monocular 3D Head Tracking to Detect Falls of Elderly People[C]//Proceedings of the 28th IEEE EMBS Annual International Conference,NewYork,USA,2006: 6384-6387.
[8] 王榮,章韻,陳建新等. 基于三軸加速度傳感器的人體跌倒檢測系統設計與實現[J].計算機應用. 2012,32(5):1450-1453
[9] 石欣,熊慶宇,雷璐寧等. 基于壓力傳感的跌倒檢測系統研究[J].儀器儀表學報. 2010, 31(3):715-720
[10] 薛源,高向陽.基于多傳感器信息融合的跌倒監測系統的設計[J].武漢理工大學學報(信息與管理工程版). 2011,33(5):712-716.
[11] 朱國忠,韋彩虹,潘 敏. 基于三維加速度傳感器的人體運動能耗檢測算法的研究[J]. 傳感技術學報. 2011, 24(8):1217-1221.
[12] 劉欣榮,陽光等. 一種改進的基于加權模型的概念相似度計算方法[J]. 微電子學與計算機.2012,29(2):13-17

作者簡介:
金純 (1966—) 博士、教授、研究生導師 主要研究方向:無線通信、計算機軟件、物聯網等
尹遠陽 (1986—) 碩士研究生 研究方向:無線通信,無線傳感器網絡等 通信地址:重慶市南岸區崇文路重慶郵電大學通信與信息工程學院,無線傳輸重點實驗室,無線傳輸三班(400065) (尹遠陽)

 

重庆时时开奖号码冷热