本發明涉及一種檢測人體摔倒的檢測方法，尤其涉及一種基于樣本加權算法的快速高精度的檢測摔倒動作的方法。
背景技術：
：老年人摔倒后，如果得不到及時的救助，就會喪失黃金救助機會，會給個人、家庭、社會、造成巨大的傷害和負擔。目前，對于人體摔倒檢測，有基于圖像識別和基于傳感器數據識別兩大類。從硬件上一般分為基于視覺和基于穿戴式傳感器兩種，其中，采用視覺進行人體摔倒檢測會嚴重受到外界環境影響，比如光照條件、背景、遮擋大小和攝像機質量等，另外，由于攝像機監測區域有限，被監測的老年人或者病人的活動范圍會受到限制，在利用穿戴式傳感器檢測人體摔倒的研究中，一種是采用加速度計檢測人體活動的加速度，通過設定閾值判斷是否摔倒，這種方法很難區分摔倒與人們日常的劇烈活動，如跳、上下樓等。專利200720125141.1，200910145045.7都是采用一個三軸加速度計測得人體加速度，同時計算出了傾斜角度，前者通過設定加速度和角度閾值判斷是否發生摔倒，難以區分快速行走和上下樓梯等劇烈動作，而后者則是判斷人在摔倒過程受到沖擊前后一段時間的角度關系判斷是否發生摔倒，該方法要求人體摔倒過程出現明顯沖擊，難以識別老年人突然暈倒或者小幅度摔倒，而且，其角度是通過加速度計算得到，顯然，當人體劇烈活動或者震動干擾時計算的傾斜角度會出現嚴重偏差，識別率會嚴重下降；另一種是通過穿戴式角度傳感器檢測人體軀干角度，設定角度閾值和時間閾值判斷是否摔倒，該方法難以區分彎腰、平躺等正常行為動作。例如，專利200620075599.6，200620003000.8通過傳感器檢測人體的傾斜程度來判斷是否發生摔倒，很難區分彎腰、平躺等動作，另外，由于摔倒事件隨機性強、形式多樣，因此，基于閾值檢測的技術是通過檢測人體的加速度是否超過某一個閾值，從而判斷該人是否處于摔倒狀態；該方法中閾值的確定較高地依賴于人的主觀經驗，容易將某些正常的劇烈運動誤識別為摔倒，即該方法的誤警率較高。基于機器學習方法的行為識別技術從現存的正常運動數據和摔倒數據中訓練出一個行為識別模型，然后利用該模型去識別用戶的行為，該方法同樣存在誤警率較高的缺點，如圖1所示，假設三角形是摔倒數據，圓形是跑步數據，在離線訓練階段，由于獲得的摔倒數據較少，不能涵蓋所有的摔倒特征空間，那么得到區分二者的分類線就是如圖1(a)所示實線部分，導致了部分跑步數據被分成了摔倒數據。而實際情況可能是由于隱含的摔倒數據的存在，使得真實的分類線為如圖1(b)所示的虛線部分。即由于摔倒樣本的數量較少，導致了樣本失衡現象的發生，那么依據此失衡數據集訓練的分類線就不能較好地反映問題的本質，存在誤報的情況。而這種較高的誤警率雖然不會漏掉每一個摔倒行為，但是會產生頻繁的摔倒報警行為。如上所述，對于檢測人體摔倒動作的核心功能在于摔倒狀態的識別，由于真實的摔倒數據難以獲得，導致采集到的正常行為和摔倒行為樣本比例嚴重失衡，從而基于此數據集訓練的常規摔倒檢測模型的漏警率和誤警率都較高，不能滿足實際的需求。目前，關于摔倒檢測裝置的技術手段集中在穿戴式、圖像識別等手段。專利申請201510035927.3中公開了一種老人跌倒追蹤系統，其技術手段是通過氣壓計和加速度傳感器檢測氣壓數據和加速度數據來判斷老人是否處于失重狀態；同樣的，如專利201210245340.1，公開的跌倒報警儀、跌倒報警檢測裝置及方法中，P8第65段中明確的說明采用加速度傳感器和氣壓計來判斷重心下移、失重、撞擊狀態，可見現有技術都是結合氣壓計和加速度傳感器來共同判斷老人運動狀態，可靠性低。再有如專利申請號為：201620211179x的申請中，公開了一種具有跌倒報警呼救功能的智能皮帶，其基本上代表了現有的關于便攜式的摔倒檢測裝置的技術手段，其結構簡單，具有呼吸傳感器、加速度傳感器、陀螺儀傳感器以及處理單元，以便實現對老人跌倒的檢測。但是，目前的可穿戴設備通常如上述申請一般，均為固定位置的穿戴，對于一些特殊狀態的老人不太適用，使用受到較大程度的限制。技術實現要素：本發明的目的是：針對在采樣時正常行為和摔倒行為樣本比例嚴重失衡而導致檢測模型誤警率高的問題，提供一種基于樣本加權算法的檢測摔倒動作的方法，該方法能夠很好的降低誤警率。所述的一種基于樣本加權算法的檢測摔倒動作的方法，包括中央處理器芯片、加速度計和陀螺儀，其技術方案是：通過以下步驟實現動作檢測：A1：將用于采集線加速度的變化參數的加速度計和用于采集角運動變化參數的陀螺儀佩戴在被檢測人體上，加速度計和陀螺儀實時輸出數據給中央處理器芯片。A2：采集環節：中央處理器芯片采集佩戴者身上攜帶的加速度計和陀螺儀發回的摔倒動作樣本，以及除摔倒外的一般動作樣本；設立映射表格，將動作類型與類標號對應。A3：數據處理環節：A301.中央處理器芯片內部采用基于單隱層前向神經網絡的極速學習機ELM(ExtremeLearningMachine)算法，選定A2環節中的動作樣本為輸入結點建立數學模型，設A2環節中的動作樣本個數為n；隱層結點個數為輸出結點個數為m；激勵函數為G(a,b,x)；對每一個動作樣本xi，有：Hβ＝T，其中：對該單隱層前向網絡求解，得到：其中是矩陣H的Moor-Penrose偽逆。A302:由于動作樣本的數量不均衡，給予每個樣本一個權值，利用權值調整分類線：動作樣本的權值W的值為該類動作樣本個數的倒數，使得動作樣本數量越少，權值越大，以此調整分類線向動作樣本少的方向偏移，提高檢測精度：其中#(ti)表示動作樣本所屬的分類中動作樣本的個數。A303：結合A302、A303環節，將引入權值后的目標轉換為：其中W(xi)表示動作樣本xi的權值；εi是一個長度為m向量，代表動作樣本xi的相對于m個輸出結點的訓練錯誤；C是正則化參數，代表平衡總體動作樣本的最小錯誤和分類線的最大間隔距離；目標指的是：摔倒檢測問題抽象出來的數學問題的優化目標。再根據對偶原理和KKT理論，對式(3)優化公式求解得到輸出矩陣：其中，I是一個單位矩陣；W是一個N×N的矩陣，其元素Wii表示動作樣本xi的權值W(xi)。A4：利用數學模型檢測動作環節：中央處理器芯片對A3環節的輸出結點的值與1比較，得到類標號進而檢測出摔倒動作，輸出摔倒信號。當用極速學習機ELM算法分類新動作樣本x時，極速學習機ELM輸出結點的值為：其中，m是輸出結點的個數，也是分類問題中類的個數；相應的，TY是一個含有m個值的行向量；再通過類標號公式：得到j為動作樣本x的類標號，再與A2中的映射表格對應，檢測出摔倒動作。一種使用了本發明所述檢測方法的檢測系統，包括中央處理器芯片、動作檢測模塊、動作確認模塊、通信模塊、定位模塊和指定終端，其技術方案是：中央處理器芯片分別連接動作檢測模塊、動作確認模塊、通信模塊和定位模塊；通信模塊與指定終端無線聯通；所述的中央處理器芯片采集動作檢測模塊的數據，檢測佩戴者動作；出現摔倒動作時，中央處理器芯片采集動作確認模塊中的數據，重復確認佩戴者的動作；當確認發生摔倒動作后，中央處理器芯片采集定位模塊的信息通過通信模塊發送數據至指定終端。所述的動作檢測模塊包括分別連接在中央處理器芯片上的加速度計和陀螺儀；其中，所述的中央處理器芯片分別提取加速度計、陀螺儀樣本的均值、方差、離散傅立葉變換后的能量、加速度計、陀螺儀各個軸之間的相關系數形成向量，通過數學公式和輸出動作類標號。其中，ai＝[ai1，ai2，...，ain]表示第i個隱結點到所有輸入結點之間權值組成的向量；bi表示第i個隱結點的閾值；ai和bi的值隨機生成，其值位于區間[-1,1]之間；m為輸出節點的個數；表示第i個輸出結點到每一個隱結點之間的權值組成的向量；函數G是sigmod函數；其中，j為動作樣本x的類標號，對應于動作類別；所述的動作確認模塊包括連接在中央處理器芯片上的高靈敏度氣壓計，其中，中央處理器芯片周期采集高靈敏度氣壓計采集的氣壓數值，在發生摔倒動作時讀取上一周期氣壓數值，再與本周期內氣壓值作比較，差值達到閾值時，確認發生摔倒動作；所述的定位模塊在確認發生摔倒動作后，對佩戴者進行定位并形成位置信息；所述的通信模塊在確認發生摔倒動作后，用于輸出位置信息和/或文本消息信息和/或聲音信息到指定終端。本發明針對采集動作樣本中普通動作樣本與摔倒動作樣本數量差距過大，導致建立數學模型時，動作樣本識別分類線劃分不正確，而造成實際使用過程中誤警率過高的問題，引入基于樣本加權極速學習機ELM，增加數量較少的摔倒動作樣本的權值，使得分類線向動作樣本少的方向偏移，達到精確分類的目的，減少了誤警率。應用本方法所設計的檢測系統，結合了加速度計、陀螺儀和聲音傳感器的輸出數據，利用檢測模型判斷是否摔倒，再通過高靈敏度氣壓計的重復確認，使檢測摔倒的結果更加準確，減少了誤報率，而且，對于可穿戴裝備來說，本系統利用高靈敏度氣壓計重復確認，使該設備可以佩戴在使用者的腰部、手腕部、或者口袋中，對佩戴要求低，適用范圍廣。附圖說明圖1為樣本失衡對分類模型精度的影響對比示意圖。其中，圖1(a)為采集到的動作樣本分布示意圖；圖1(b)為實際數據分布示意圖。圖2為極速學習機ELM網絡結構示意圖。圖3為檢測系統結構示意圖。其中，1.中央處理器芯片；2.動作檢測模塊；3.動作確認模塊；4.定位模塊；5.通信模塊；6.指定終端；7.無線通信模塊。其中，201.加速度計；202.陀螺儀；203.聲音傳感器。其中，301.高靈敏度氣壓計。具體實施方式所述的一種基于樣本加權算法的檢測摔倒動作的方法，包括中央處理器芯片1、加速度計201和陀螺儀202，其技術方案是：通過以下步驟實現動作檢測：A1：將用于采集線加速度的變化參數的加速度計201和用于采集角運動變化參數的陀螺儀202佩戴在被檢測人體上，加速度計201和陀螺儀202實時輸出數據給中央處理器芯片1。A2：采集環節：中央處理器芯片1采集佩戴者隨身攜帶的加速度計201和陀螺儀202中發出的一般動作樣本：包括靜止、走路、跑步、上下樓梯等動作樣本，及摔倒的動作樣本，作為極速學習機ELM算法中的輸入結點，并在中央處理器芯片1內部建立類標號和動作類型的映射表格。表I：動作與類標號映射表格0靜止1走路2跑步3上樓梯4下樓梯5摔倒在具體使用中，動作與類標號映射表格固定設置在中央處理器芯片1中或由于個體的差異，映射表格根據實際情況可采用在線調整的方案。此種在線編輯的方案為現有技術。如圖1，由于一般動作樣本比較容易采集，所以采集到的數據較多，而對于摔倒動作樣本來說，采集難度大，采集到的數據也比較少。A3：數據處理環節：A301.中央處理器芯片1對A2環節采集的數據采用如圖2的基于單隱層前向神經網絡的極速學習機ELM(ExtremeLearningMachine)算法進行學習，選定輸入結點個數為n，隱層結點個數為輸出結點個數為m，激勵函數為G(a,b,x)，對傳感器采集到的每一個動作樣本xi，則有：其中：ai＝[ai1，ai2，...，ain]表示第i個隱結點到所有輸入結點之間權值組成的向量；bi表示第i個隱結點的閾值；ai和bi的值隨機生成，其值位于區間[-1,1]之間。表示第i個輸出結點到每一個隱結點之間的權值組成的向量；oi＝[oi1，oi2，...，oim]表示m個輸出結點的值組成的向量。則，對于訓練集合R＝{(xi，ti)|xi∈Rn，ti∈Rm，i＝1，2，…，N}中所有N個動作樣本，每個動作樣本均可以寫成式(1)的形式。再把所有N個等式寫成如式(2)的矩陣形式：對于訓練集合其對應的單隱層前向網絡的優化目標是使得預測誤差趨近于0，即：即存在βi、ai和bi，使得：上式可以采用矩陣的形式表述：Hβ＝T其中：極速學習機ELM算法訓練一個單隱層前向網絡，需要找到特定的β、ai和bi使得：根據新加坡南洋理工大學黃廣斌教授：在NeuralNetwokrs,vol.61,no.1,pp.32-48,2015中的相關描述，ai和bi的值無需調整，只需在算法開始時隨機生成即可，那么問題就轉換為：則該問題的最小范數二乘解為：其中是矩陣H的Moor-Penrose偽逆。A302：由于A2環節采集到的動作樣本的數量不均衡，給予每個樣本一個權值，使得算法根據權值調整分類線：根據A2環節中采集數據的動作樣本的分析，確定屬于非均衡類。對于非均衡類，動作樣本的權值取該類動作樣本個數的倒數：w(x_i)＝1/(#(t_i))，其中#(ti)表示動作樣本所屬的類中樣本個數。通過以上方法，對于動作樣本數量比較少的行為類別，其對應的權值就會比較大，這樣就強制分類線向動作樣本少的一方偏移，增加動作樣本分類精度，更少的減少誤警率。A303：結合A301和A302環節，考慮到每個動作樣本對模型求解的影響時，通過極速學習機ELM算法的優化目標轉換為：其中W(xi)表示動作樣本xi的權值，εi是一個長度為m向量，代表動作樣本xi的相對于m個輸出結點的訓練錯誤，C是正則化參數，用于平衡總體動作樣本的最小錯誤和分類線的最大間隔距離。根據對偶原理和KKT條件，(3)式可以求解得到：β＝(I/C+H^TWH)^(-1)H^TWH，其中，I是一個單位矩陣，W是一個N×N的矩陣，其元素Wii表示動作樣本xi的權值W(xi)。由此得到的β作為最終的高精度摔倒檢測模型中的重要參數。A4：利用數學模型檢測動作環節：通過加權極速學習機ELM算法通過輸出結點的值與1比較：當用極速學習機ELM算法分類新動作樣本x時，極速學習機ELM輸出結點的值為：其中，m是輸出結點的個數，也是分類問題中類的個數。相應的，TY就是一個含有m個值的行向量。求得動作樣本的類標號：TY的哪個分量距離1最近，那么該分量相應的下標就是動作樣本x的類標號，即：j為動作樣本x的類標號，對應于動作。當j的值為5時，通過查詢映射表格I，中央處理器芯片1檢測出當前發生了摔倒行為。本環節中的和為檢測動作的數學模型。尤其經過了A3環節中的加權算法(A302)使得檢測的精度更高。所述的一種高精度摔倒檢測系統，包括中央處理器芯片1、動作檢測模塊2、動作確認模塊3、定位模塊4和通信模塊5、指定終端6，其技術方案是：中央處理器芯片1分別連接動作檢測模塊2、動作確認模塊3及通信模塊5和定位模塊4，通信模塊5與指定終端6無線聯通；所述的中央處理器芯片1采集動作檢測模塊2的數據，檢測佩戴者動作；出現摔倒動作時，中央處理器芯片1采集動作確認模塊3中的數據，重復確認佩戴者的動作；當確認發生摔倒動作后，中央處理器芯片1采集定位模塊4信息通過通信模塊5發送數據至指定終端6。所述的動作檢測模塊2為傳感器的集合，用于采集佩戴者的不同動作樣本數據。所述的動作檢測模塊2包括分別連接在中央處理器芯片1上的加速度計201，陀螺儀202；其中，所述的中央處理器芯片1分別提取加速度計201、陀螺儀202樣本的均值、方差、離散傅立葉變換后的能量、加速度計201、陀螺儀202各個軸之間的相關系數的均值、方差、離散傅立葉變換后的能量作為特征，形成向量，通過數學檢測模型輸出動作類標號，利用動作與類標號映射表格對應得到動作類型；所述的加速度計201用來檢測佩戴者線加速度的變化，并輸出信息。所述的陀螺儀202用來檢測佩戴者的角運動變化，并輸出信息。具體的，所述的中央處理器芯片1每1秒鐘采集數據一次，采樣頻率為30赫茲，讀取到加速度計2、陀螺儀3的數據，提取加速度傳感器2的30個樣本的均值、方差、離散傅立葉變換后的能量、加速度計201、陀螺儀202各個軸之間的相關系數作為特征；提取陀螺儀3的30個樣本的均值、方差、離散傅立葉變換后的能量、各個軸之間的相關系數作為特征，一共有八個特征。完成A2采集環節，并將這些特征形成向量x，再將進行樣本加權計算后的八個特征向量x代入A4環節的檢測動作的數學模型中：其中，ai＝[ai1，ai2，...，ain]表示第i個隱結點到所有輸入結點之間權值組成的向量；bi表示第i個隱結點的閾值。ai和bi的值隨機生成，其值位于區間[-1,1]之間。表示第i個輸出結點到每一個隱結點之間的權值組成的向量。函數G是sigmod函數。是一個二維矩陣。m為輸出節點的個數；i＝1……5；函數F的功能是返回代表的向量中距離1最近的分量的下標；ai、bi、β的值基于極速增量學習算法得到。如A4環節，TY的哪個分量距離1最近，那么該分量相應的下標就是動作樣本x的類標號，即:j為動作樣本x的類標號，當j的值為5時，通過查詢映射表格I，檢測出當前發生了摔倒動作。所述的動作確認模塊3包括連接在中央處理器芯片1上的高靈敏度氣壓計301；其中，中央處理器芯片1周期采集高靈敏度氣壓計301采集的氣壓數值，在發生摔倒動作時讀取上一周期氣壓數值，再與本周期內氣壓值作比較，差值達到閾值時，確認發生摔倒動作。具體的，所述的中央處理器芯片1以T＝5s采集高靈敏度氣壓計5采集的氣壓數值，在發生摔倒動作時讀取上一周期氣壓數值，再與本周期內氣壓值作比較，差值達到閾值50厘米氣壓差，確認發生摔倒動作；所述的定位模塊4在確認發生摔倒動作后，對佩戴者進行定位并形成位置信息；所述的通信模塊5在確認發生摔倒動作后，用于輸出位置信息和/或文本消息信息和/或聲音信息到指定終端6。當確認摔倒動作時，所述的中央處理器芯片1讀取定位模塊4中的位置信息后通過通信模塊5發送位置信息到指定終端6。同樣的，也可以發送文本消息信息、聲音信息。從發送端向終端發送視頻、音頻、文本均為現有技術。具體的，本申請的各個模塊使用的型號是：所述的中央處理器芯片1的型號為：ARM720TMDI。所述的加速度計201的型號為：Model2422/2430。所述的陀螺儀202的型號為：stim210/202。所述的聲音傳感器203的型號為：BR-ZS1。所述的高靈敏氣壓計301的型號為：DWCYJ1-1。所述的定位模塊4為GPS或北斗導航模塊或GSM模塊。所述的通信模塊5為GPRS模塊或藍牙模塊。所述的指定終端6為使用者親人的手機或者醫院等機構專門的監控系統。所述的定位模塊4中的GPS模塊型號為sirf5。所述的通信模塊5中的GSM模塊型號為BENQM2。當接收到確認摔倒信號后，除了發送位置信息，還可以播放指定的音頻、視頻等信息。當指定終端6為手機時，就能夠通過短信的方式，將佩戴者的摔倒狀況和當前位置，報告給120監護中心或者佩戴者的監護人；也可以自動撥打監護人的電話，播放合成的錄音，比如“您的親人在**公園摔倒了，需要您的救助”。所述的一種高精度摔倒檢測系統，還包括聲音傳感器203，其與中央處理器芯片1進行連接，包含在動作檢測模塊2內，中央處理器芯片1分別提取加速度計201、陀螺儀202樣本的均值、方差、離散傅立葉變換后的能量、加速度計201、陀螺儀202各個軸之間的相關系數以及聲音傳感器203樣本的均值、方差、離散傅立葉變換后的能量共十一個數值作為特征，形成向量，通過數學檢測模型輸出動作類標號，通過動作與類標號映射表格判斷動作類型。所述的聲音傳感器203可以檢測人在走路、跑步、摔倒動作下，發出的聲音。走路、跑步一般是有節奏的啪啪聲，而人在摔倒過程中，除了身體與地面的撞擊聲外，一般嘴里還會發出聲音，比如“啊”等，本申請利用聲音傳感器的識別聲音的頻域要寬廣的特點，對聲音信息進行識別。加入聲音傳感器203后，其計算方法與不增加聲音傳感器的判斷方法一致，同樣利用相同的數學模型和輸出動作類標號，從而進一步判斷動作類型。當前第1頁1 2 3