本發明實施例涉及通信及信號處理技術，尤其涉及一種跌倒檢測設備、跌倒檢測方法及裝置。
背景技術：
：隨著人口老齡化的加劇，老年人的安全已成為必須重視的問題。其中，跌倒是危害老年人健康的重要因素。據統計，在我國，65歲以上的居民中，有超過20％的男性、45％左右的女性曾跌倒過，而且年齡越大，發生跌倒的可能性也就越大。由于人體發生跌倒具有不確定性和不可預知性，當老年人跌倒后，如果長時間得不到及時有效的救治，可能會導致長期癱瘓甚至危及生命。因此，為了確保老人跌倒后能得到及時的救治，對老人進行跌倒檢測是非常重要的。目前，跌倒檢測技術主要包括基于圖像視頻傳感器的跌倒檢測、基于環境布設式傳感器的跌倒檢測以及基于可穿戴式傳感器跌倒檢測等。然而，基于圖像視頻傳感器的跌倒檢測方法需要在周圍環境中安裝一個或多個攝像頭，使得跌倒檢測系統的成本較高，并且檢測范圍也被限制在一個固定的區域內；基于環境布設式傳感器的跌倒檢測方法主要是通過壓力傳感器、麥克風等設備來捕捉人體的動作信息和采集人體相關的體態特征數據，然而該方法易受周圍環境的影響；基于可穿戴式傳感器跌倒檢測方法主要是利用加速度傳感器、陀螺儀傳感器等獲取人體的加速度或者角加速度等信息，然而該方法的檢測結果與佩戴的位置有很大聯系，如佩戴位置不正確，檢測結果則存在較大的誤差。技術實現要素：有鑒于此，本發明實施例提供一種跌倒檢測設備、跌倒檢測方法及裝置，以優化現有的跌倒檢測技術，提高跌倒檢測方案的通用性。第一方面，本發明實施例提供了一種跌倒檢測設備，包括：發送器以及接收器；所述發送器與所述接收器通過電容耦合方式接入人體，所述發送器的發送電極與所述接收器的接收電極構成前向回路，所述發送器的地電極與所述接收器的地電極構成后向回路；所述發送器，用于產生跌倒檢測信號，并將所述跌倒檢測信號耦合至人體；所述接收器，用于獲取通過人體傳輸的所述跌倒檢測信號的接收測量值；根據所述接收測量值，提取用于表征人體跌倒與未跌倒時所述后向回路的信道特征差異的跌倒描述特征的特征值；根據所述跌倒描述特征的特征值，進行跌倒檢測。第二方面，本發明實施例還提供了一種跌倒檢測方法，應用于本發明實施例所述的跌倒檢測設備的接收器中，所述方法包括：通過接收電極獲取跌倒檢測信號的接收測量值；根據所述接收測量值，提取用于表征人體跌倒與未跌倒時后向回路的信道特征差異的跌倒描述特征的特征值；根據所述跌倒描述特征的特征值，進行跌倒檢測。第三方面，本發明實施例還提供了一種跌倒檢測裝置，所述裝置包括：接收測量值獲取模塊，用于通過接收電極獲取跌倒檢測信號的接收測量值；特征值提取模塊，用于根據所述接收測量值，提取用于表征人體跌倒與未跌倒時后向回路的信道特征差異的跌倒描述特征的特征值；跌倒檢測模塊，用于根據所述跌倒描述特征的特征值，進行跌倒檢測。本發明實施例提供的跌倒檢測設備、跌倒檢測方法及裝置，通過使用電容式耦合接入人體的跌倒檢測設備構成人體通信信號通路，利用人體跌倒與未跌倒時后向回路的信道特征差異，基于接收器收到的信號進行跌倒檢測，解決了現有各類跌倒檢測技術所存在的各種缺陷問題，優化現有的跌倒檢測技術，提高跌倒檢測方案的通用性，同時，該跌倒檢測設備具有體積小、重量輕、功耗低、對佩戴位置不敏感以及檢測精度高等優點，為跌倒檢測技術的發展提供一種新的思路。附圖說明圖1a是本發明實施例一提供的一種跌倒檢測設備的結構圖；圖1b是本發明實施例一提供的一種發送器的結構圖；圖1c是本發明實施例一提供的一種接收器的結構圖；圖2是本發明實施例二提供的一種跌倒檢測方法的流程圖；圖3是本發明實施例三提供的一種跌倒檢測方法的流程圖；圖4是本發明實施例四提供的一種跌倒檢測方法的流程圖；圖5是本發明實施例五提供的一種跌倒檢測裝置的結構圖。具體實施方式下面結合附圖和實施例對本發明作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋本發明，而非對本發明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發明相關的部分而非全部結構。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發明相關的部分而非全部內容。在更加詳細地討論示例性實施例之前應當提到的是，一些示例性實施例被描述成作為流程圖描繪的處理或方法。雖然流程圖將各項操作(或步驟)描述成順序的處理，但是其中的許多操作可以被并行地、并發地或者同時實施。此外，各項操作的順序可以被重新安排。當其操作完成時所述處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。所述處理可以對應于方法、函數、規程、子例程、子程序等等。為了后文便于描述，首先將本發明實施例所使用的技術以及核心發明點進行說明：首先，本發明實施例主要使用人體通信技術。人體通信是一種以“人體”為通信媒介的新型通信技術，具有低功耗、微體積、方便快捷等優勢。根據耦合方式的不同，人體通信可分為電流耦合和電容耦合。在電容耦合方式中，人體通信信道的傳播特性由前向回路和后向回路共同決定。其中人體通信的發送器的發送電極以及接收器的接收電極通過人體形成前向回路；發送器的地電極以及接收器的地電極通過地平面(大地)形成后向回路。發明人通過研究發現：如果保證人體站立時，上述電容耦合式人體通信的發送器以及接收器在人體中的放置位置距離地面具有一定的高度值，則在人體發生跌倒時，發送器和接收器的地電極與地平面的距離將發生急劇變化，導致人體通信的后向回路的特性也將發生變化，從而引起信道增益發生改變。因此，可以通過分析人體跌倒與未跌倒時信道增益變化曲線的差異情況，實現跌倒檢測。實施例一圖1a是本發明實施例一提供的一種跌倒檢測設備的結構圖。如圖1a所示，所述跌倒檢測設備，包括：發送器11以及接收器12。所述發送器11與所述接收器12通過電容耦合方式接入人體，所述發送器11的發送電極111與所述接收器12的接收電極121構成前向回路，所述發送器11的地電極112與所述接收器12的地電極122構成后向回路。需要說明的是，為了示意的更加直觀，在圖1a中示出了一種發送器11與接收器12的放置位置示意圖。但是，本領域技術人員可以理解的是，當用戶佩戴上述發送器11以及接收器12之后，只要能夠保證當用戶發送跌倒時，發送器11的地電極112以及接收器12的地電極122與地面之間的距離發生改變，均可以達到本發明實施例的技術效果，因此，本發明實施例對上述發送器11以及接收器12的具體放置位置并不進行限制。考慮到舒適性與便捷性要求，在本實施例中，可以將發送器11放置于人體的上臂處，其中發送電極111緊貼在上臂的皮膚表面，地電極112則懸空在空氣中。接收器12放置在人體的腹部處，其中接收電極121緊貼在腹部的皮膚表面，地電極122同樣懸空在空氣中，即：如圖1a所示的放置位置?？蛇x的，發送器11的整體形狀可以為圓柱狀盒子，如圖1a所示，該盒子的上表面和下表面均為金屬材料，分別用于作為發送器11的發送電極111和地電極112，盒子的側面為塑料材料，用于隔離發送電極111和地電極112，避免兩者之間接觸；相類似的，接收器12的整體形狀同樣可以為圓柱狀盒子，如圖1a所示，該盒子的上表面和下表面均為金屬材料，分別用于作為接收器12的接收電極121和地電極122，盒子的側面為塑料材料，用于隔離接收電極121和地電極122。所述發送器11，用于產生跌倒檢測信號，并將所述跌倒檢測信號耦合至人體；所述接收器12，用于獲取通過人體傳輸的所述跌倒檢測信號的接收測量值；根據所述接收測量值，提取用于表征人體跌倒與未跌倒時所述后向回路的信道特征差異的跌倒描述特征的特征值；根據所述跌倒描述特征的特征值，進行跌倒檢測。其中，在圖1b中示出了一種發送器的可選結構圖，如圖1b所示，所述發送器包括：微處理器1101、DDS(DirectDigitalSynthesizer，直接數字式頻率合成器)1102、巴倫轉換器1103、低通濾波器1104、發送電極111以及地電極112；其中，所述微處理器1101，用于控制所述DDS1102產生設定頻率范圍內的單端正弦波信號；所述巴倫轉換器1103，用于將所述DDS1102輸出的所述單端正弦波信號轉換為雙端正弦波信號，并輸出至所述低通濾波器1104；所述低通濾波器1104，用于對所述雙端正弦波信號進行低通濾波，并將濾波后產生的跌倒檢測信號通過所述發送電極111耦合至人體中；所述發送電極111與人體的皮膚表面相接觸，所述地電極112與所述發送電極111絕緣連接。如前所述，當人體發生跌倒時，會引起信道增益發生變化，所謂信道增益，是指是信道本身的衰減及衰落特性，一般可以通過接收信號與發送信號的比值來衡量，因此，如果發送器發送等幅信號，則可以簡單的通過接收信號來衡量信道增益，也即：將接收信號變化曲線作為信道增益變化曲線，通過分析該接收信號變化曲線的信號特征，進行跌倒檢測?；诖?，所述發送器的作用主要是發送一個等幅的發送信號作為跌倒檢測信號，可選的，該發送信號可以為正弦波。進一步的，考慮到如果發送一個單一頻率的正弦波，在接收端不利于觀測以及信號周期提取等。因此，發送器發送的正弦波可以為一個可變頻率的正弦波?？蛇x的，所述跌倒檢測信號可以為周期性的變頻信號；其中，所述變頻信號在一個周期內以第一頻率為起點，按照設定頻率跨度遞增值至第二頻率。作為示例而非限定，所述第一頻率可以為1MHz，所述第二頻率可以為100MHz，所述設定頻率跨度可以為0.5MHz/ms。也即，所述跌倒檢測信號為周期性正弦波信號，在一個周期內，以1MHz為起點，每隔1ms頻率增加0.5MHz，直至最終頻率變為100MHz。其中，所述微處理器1101主要用于產生控制信號，控制所述DDS1102輸出所述跌倒檢測信號。典型的，所述微處理器1101可以為FPGA(Field－ProgrammableGateArray，現場可編程門陣列)、DSP(DigitalSignalProcessing，數字信號處理)或者單片機等，本實施例對此并不進行限制。所述低通濾波器1104的截止頻率由所述跌倒檢測信號的最高頻率確定，用于濾除各種雜波以及干擾，例如，如果所述跌倒檢測信號的頻率范圍為1MHz-100MHz，則所述低通濾波器1104的截止頻率可以選取為120MHz。其中，在圖1c中示出了一種接收器的可選結構圖，如圖1b所示，所述接收器包括：微處理器1201、接收電極121以及地電極122；所述接收電極121，用于獲取通過人體傳輸的所述跌倒檢測信號的接收測量值，并將所述接收測量值發送至所述微處理器1201；所述微處理器1201，用于根據所述接收測量值，提取用于表征人體跌倒與未跌倒時所述后向回路的信道特征差異的跌倒描述特征的特征值；根據所述跌倒描述特征的特征值，進行跌倒檢測；所述接收電極121與人體的皮膚表面相接觸，所述地電極122與所述接收電極121絕緣連接。在本實施例中，所述接收器12還可以包括各種信號處理器件，例如，放大器或者濾波器等，用于將接收電極121獲取的接收測量值進行一定的處理后，輸入至所述微處理器1201。其中，所述微處理器1201中執行的跌倒檢測過程將在實施例二至實施例四中進行詳述。本發明實施例提供的跌倒檢測設備，通過使用電容式耦合接入人體的跌倒檢測設備構成人體通信信號通路，利用人體跌倒與未跌倒時后向回路的信道特征差異，基于接收器收到的信號進行跌倒檢測，解決了現有各類跌倒檢測技術所存在的各種缺陷問題，優化現有的跌倒檢測技術，提高跌倒檢測方案的通用性，同時，該跌倒檢測設備具有體積小、重量輕、功耗低、對佩戴位置不敏感以及檢測精度高等優點，為跌倒檢測技術的發展提供一種新的思路。實施例二圖2為本發明實施例二提供的一種跌倒檢測方法的流程圖，該方法可以由跌倒檢測裝置執行，該裝置可由軟件和/或硬件實現，并一般可集成于跌倒檢測設備的接收器中，典型的，接收器中的微處理器中，與跌倒檢測設備的發送器配合使用。如圖2所示，本實施例的方法具體包括：S210、通過接收電極獲取跌倒檢測信號的接收測量值。如前所述，為了便于接收器中的信號周期提取，所述發送器發送的跌倒檢測信號為周期性可選為變頻信號；其中，所述變頻信號在一個周期內以第一頻率為起點，按照設定頻率跨度遞增值至第二頻率。S220、根據所述接收測量值，提取用于表征人體跌倒與未跌倒時后向回路的信道特征差異的跌倒描述特征的特征值。如前所述，人體跌倒后，由于后向回路的信道特性變化，接收信號變化曲線會與未跌倒時的接收信號變化曲線具有差異。因此，考慮到發送器發送的跌倒檢測信號的周期性，可以以一個周期作為時間單位，提取接收信號變化曲線在一個周期內的跌倒描述特征的特征值。其中，所述跌倒描述特征具體是指用于表征人體跌倒與未跌倒時后向回路的信道特征差異的特征參數，例如，可以是均值、方差或者均方差等。典型的，可以提取一個周期內，接收信號曲線中的極值點、方差值、斜率值或者最大值與最小值之差等進行跌倒檢測。S230、根據所述跌倒描述特征的特征值，進行跌倒檢測。通過將提取的所述跌倒描述特征的特征值與跌倒或者未跌倒時所述跌倒描述特征的典型特征值進行比對，可以實現跌倒檢測。在一個具體的例子中，可以通過多次試驗，分析當人體發生跌倒時，在與跌倒發生時間對應的時間區間內，獲取一個或者多個周期內接收信號變化曲線，通過分析上述一個多個接收信號變化曲線中的最大值，確定最大值跌倒閾值。例如，如果確定當接收信號變化曲線的最大值超過-20dB，發送跌倒的概率為85％，則可以將最大值跌倒閾值設置為-20dB，將85％設置為置信度。因此，每當發現需要進行跌倒檢測的人體的接收信號變化曲線的最大值超過-20dB，判斷用戶發生了跌倒，進而可以采取一定的跌倒預警策略。進一步的，可以同時使用多個信號特征在發生跌倒時的跌倒閾值(例如，方差值以及斜率值)，即：當一個周期內的接收信號變化曲線同時滿足方差值跌倒閾值以及斜率值跌倒閾值時，判斷用戶發生了跌倒。以提高跌倒檢測的準確性。進一步的，還可以以跌倒時以及未跌倒時的上述接收信號變化曲線作為訓練樣本，訓練預測模型，典型的，決策樹模型、聚類模型以及神經網絡模型等，并使用訓練好的上述預測模型進行跌倒檢測。本發明實施例提供的跌倒檢測方法，通過使用電容式耦合接入人體的跌倒檢測設備構成人體通信信號通路，利用人體跌倒與未跌倒時后向回路的信道特征差異，基于接收器收到的信號進行跌倒檢測，解決了現有各類跌倒檢測技術所存在的各種缺陷問題，優化現有的跌倒檢測技術，提高跌倒檢測方案的通用性，同時，該跌倒檢測設備具有體積小、重量輕、功耗低、對佩戴位置不敏感以及檢測精度高等優點，為跌倒檢測技術的發展提供一種新的思路。實施例三圖3是本發明實施例三提供的一種跌倒檢測方法的流程圖，本實施例以上述實施例為基礎進行優化，在本實施例中，將根據所述接收測量值，提取用于表征人體跌倒與未跌倒時所述后向回路的信道特征差異的跌倒描述特征的特征值優化為：根據所述接收測量值，更新接收信號變化曲線；其中，所述接收信號變化曲線與一個周期內的所述跌倒檢測信號相對應；根據所述接收信號變化曲線，計算至少一項跌倒描述特征的特征值；同時，將根據所述跌倒描述特征的特征值，進行跌倒檢測優化為：將至少一項跌倒描述特征的特征值輸入至預先訓練的跌倒檢測預測模型中，并根據所述跌倒檢測預測模型的輸出結果，進行跌倒檢測。相應的，本實施例的方法具體包括：S310、通過接收電極獲取跌倒檢測信號的接收測量值。在本實施例中，所述發送器發送的跌倒檢測信號為周期性可選為變頻信號；其中，所述變頻信號在一個周期內以第一頻率為起點，按照設定頻率跨度遞增值至第二頻率。S320、根據所述接收測量值，更新接收信號變化曲線。其中，所述接收信號變化曲線與一個周期內的所述跌倒檢測信號相對應。由于跌倒檢測裝置的狀態、周圍環境等因素的影響，通過接收器采集獲得的接收信號變化曲線通常都伴有各種各樣的噪聲。為了在進行后期處理時(特征提取和特征識別)能提取到精準的特征信息，提高跌倒檢測的精度，對所采集的信號進行濾波處理是非常重要的?？蛇x的，根據所述接收測量值，更新接收信號變化曲線可以包括：根據第K時刻下獲取的所述跌倒檢測信號的接收測量值以及卡爾曼濾波算法，計算所述第K+1時刻下所述跌倒檢測信號的預估計最優值，其中，K為大于等于1的正整數；使用所述跌倒檢測信號的預估計最優值，更新所述接收信號變化曲線。在本實施例中，根據在人體通信跌倒檢測系統中噪聲的特點，采用卡爾曼濾波算法對信號進行濾波處理，詳細過程如下：1、根據系統前一次的最優值，計算得到預估計最優值方程，如式(1)所示：X(k|k-1)＝A(k,k-1)·X(k-1|k-1)+B(k)·u(k)(1)其中X(k|k-1)的值為接收信號變化曲線在k-1時刻計算出的k時刻的估計值，X(k-1|k-1)為k-1時刻的最優值，u(k)為k時刻的控制量，A(k,k-1)為狀態轉移矩陣，B(k)為控制加權矩陣。2、根據預估計最優值方程，計算預估計最優值的均方誤差，如式(2)所示：P(k|k-1)＝A(k,k-1)·P(k-1|k-1)·A(k,k-1)'+U(k)·U(k)'(2)其中P(k|k-1)為預估計最優值X(k|k-1)的均方誤差，P(k-1|k-1)為最優值X(k-1|k-1)的均方誤差，U(k)為k時刻的接收信號變化曲線的動態噪聲。3、根據預估計最優值的均方誤差，計算卡爾曼增益矩陣，如式(3)所示：其中K(k)為卡爾曼增益值，N(k)為k時刻的接收信號變化曲線的觀測噪聲，H(k)為接收信號變化曲線的觀測矩陣。4、根據所得到的卡爾曼增益矩陣，對最優值方程進行更新，得到時刻的預估計最優值，如式(4)所示：X(k|k)＝X(k|k-1)+K(k)·(Z(k)-H(k)·X(k|k-1))(4)其中Z(k)為Z(k)時刻的接收信號變化曲線測量值。5、根據步驟1至步驟4，對接收信號變化曲線進行濾波處理，直至滿足停止條件，從而實現接收信號變化曲線的卡爾曼濾波處理。接收器的微處理通過實現上述卡爾曼濾波算法，即可實現對所述接收測量值進行最優估計，并根據該最優估計值更新當前周期下的接收信號變化曲線。S330、根據所述接收信號變化曲線，計算至少一項跌倒描述特征的特征值。為了區分跌倒行為跟正?；顒?，就必須尋找能夠區分跌倒和正常活動的物理量，即尋找增益變化曲線的特征量(即：跌倒描述特征)。由于在跌倒時，發送器和接收器的地電極與地平面的距離急劇減小，導致人體通信的后向回路的電容急劇增大，從而使信道增益大幅增加。在跌倒動作完成后，發送器和接收器的地電極與地平面的距離幾乎保持不變，信道增益也逐漸趨于穩定。因此，可以根據增益變化曲線的特點，提取一個周期內的以下五種特征量中的一種或者多種作為跌倒描述特征進行跌倒分析，分別為：(1)增益變化曲線的最大值；(2)增益變化曲線中最大值與最小值的差值；(3)增益變化曲線的方差；(4)增益變化曲線的斜率；(5)跌倒后增益變化曲線的平均值。如前所述，可以通過接收信號變化曲線來近似替代增益變化曲線，相應的，所述跌倒描述特征可以包括下述至少一項：所述接收信號變化曲線的最大值、所述接收信號變化曲線的最大值與最小值的差值、所述接收信號變化曲線的方差、所述接收信號變化曲線的斜率以及跌倒后接收信號變化曲線的平均值。當然，可以理解的是，所述跌倒描述特征還可以為其他類型，例如：接收信號變化曲線的均方差等，本實施例對此并不進行限制。S340、將所述至少一項跌倒描述特征的特征值輸入至預先訓練的跌倒檢測預測模型中，并根據所述跌倒檢測預測模型的輸出結果，進行跌倒檢測。其中，所述跌倒檢測預測模型可以為決策樹模型、神經網絡模型以及機器學習模型等，本實施例對此并不進行限制。本發明實施例的技術方案通過使用卡爾曼濾波算法實現了對接收測量值進行最優估計，可以降低人體通信系統中存在的噪聲和干擾對接收信號的干擾，以最終提高跌倒檢測的精度。通過預先訓練的跌倒檢測預測模型完成跌倒檢測，可以在多個不同的跌倒描述特征下進行跌倒預測，并可以實時對跌倒檢測預測模型中的參數進行更新學習，以不斷提高跌倒檢測的精度。在上述各實施例的基礎上，可以將訓練跌倒檢測預測模型優化為：獲取跌倒檢測訓練實例集，其中，訓練示例包括：當人體未發生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線；以及當人體發生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線；根據設定模型構建算法，以及各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，訓練生成所述跌倒檢測預測模型。這樣設置的好處是：可以在一個或者多個跌倒描述特征下訓練跌倒檢測預測模型，使得訓練模型的預測結果更加貼近實際結果。實施例四圖4是本發明實施例四提供的一種跌倒檢測方法的流程圖，本實施例以上述實施例為基礎進行優化，在本實施例中，將所述模型構建算法優化為決策樹算法，將所述跌倒檢測預測模型優化為決策樹模型；其中，所述決策樹模型中的不同子節點對應不同的跌倒描述特征；同時，將根據設定模型構建算法，以及各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，訓練生成所述跌倒檢測預測模型優化為：確定所述決策樹算法的類別屬性的取值為發生跌倒以及未發生跌倒；確定所述決策樹算法的非類別屬性為所述跌倒描述特征，并設定所述跌倒描述特征的標準取值；計算所述類別屬性的信息熵；根據各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，計算各所述非類別屬性的信息熵；根據所述類別屬性的信息熵，以及所述非類別屬性的信息熵，計算各所述非類別屬性的信息增量值，并根據各所述非類別屬性的信息增量值，確定目標測試屬性；將所述目標測試屬性作為一個當前子節點，并在所述當前子節點的基礎上，重復迭代重新確定新的測試屬性作為新的子節點，直至生成決策樹模型作為所述跌倒檢測預測模型。相應的，本實施例的方法具體包括：S410、獲取跌倒檢測訓練實例集。其中，訓練示例包括：當人體未發生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線；以及當人體發生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線。S420、確定所述決策樹算法的類別屬性的取值為發生跌倒以及未發生跌倒。S430、確定所述決策樹算法的非類別屬性為所述跌倒描述特征，并設定所述跌倒描述特征的標準取值。S440、計算所述類別屬性的信息熵。S450、根據各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，計算各所述非類別屬性的信息熵。S460、根據所述類別屬性的信息熵，以及所述非類別屬性的信息熵，計算各所述非類別屬性的信息增量值，并根據各所述非類別屬性的信息增量值，確定目標測試屬性。S470、將所述目標測試屬性作為一個當前子節點，并在所述當前子節點的基礎上，重復迭代重新確定新的測試屬性作為新的子節點，直至生成決策樹模型作為所述跌倒檢測預測模型。決策樹是一種樹形結構的分類方法，其中每個內部節點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉節點代表一種類別。決策樹的原理是：從根節點開始，對數據樣本進行測試，根據不同的結果將數據樣本劃分成不同的數據樣本子集，每個數據樣本子集構成一個子節點。對每個子節點再進行劃分，生成新的子節點，不斷反復，直至達到特定的終止準則。下面通過一個具體實例對生成決策樹模型的過程進行具體描述：其中，在本實例中，使用ID3(IterativeDichotomies3，迭代二分法3)生成所述決策樹模型。模型訓練階段的過程為：1、確定訓練實例集：假設訓練實例集為X，則在X中訓練實例總數目為|X|，其中第i類訓練實例的數目是|Xi|。根據經驗和實驗結果，訓練實例總個數|X|擬定為200個。2、確定在基于ID3決策樹中的類別屬性和非類別屬性：類別屬性是指根據相關的因素來判斷是否發生跌倒，因此類別屬性的輸出結果分為兩種：發生跌倒，沒有發生跌倒。非類別屬性是指所述跌倒描述特征。在跌倒檢測中，非類別屬性以及標準取值(其值大小可根據實際測量結果而確定)如表1所示：表1非類別屬性以及標準取值非類別屬性非類別屬性的標準取值接收信號變化曲線的最大值(A)-20dB,-10dB,-5dB接收信號變化曲線最大值與最小值的差值(B)15dB,8dB接收信號變化曲線的方差(C)5dB,4dB,3dB,2dB接收信號變化曲線的斜率(D)40dB/s,20dB/s跌倒后接收信號變化曲線平均值(E)-9dB,-7dB,-5dB3、對類別屬性的信息熵，即是否發生跌倒進行計算：令類別屬性的熵為T，在所有的訓練實例集中，假設發生跌倒的實例集的數目為p1，沒發生跌倒的實例集的數目為p2＝|X|-p1，則發生跌倒的概率和沒發生跌倒的概率分別如公式(5)和公式(6)所示：因此類別屬性的信息熵如公式(7)所示：INFO(T)＝-P(p1)log2P(p1)-P(p2)log2P(p2)(7)4、對非類別屬性的信息熵進行計算：非類別屬性共有五種，如表1所示，分別為接收信號變化曲線的最大值、接收信號變化曲線中最大值與最小值的差值、接收信號變化曲線的方差、接收信號變化曲線的斜率、跌倒后接收信號變化曲線的平均值。對非類別屬性的信息熵分別按如下方式計算：(1)對于非類別屬性中的接收信號變化曲線的最大值A的信息熵進行計算，如下所示：其中|A|為非類別屬性中的接收信號變化曲線的最大值A實例集的數目，|Ai|為第i個實例集的數目，即|Ai|共有三種標準取值，分別對應為A＝-20dB，A＝-10dB，A＝-5dB時的實例集的數目，|Aik|為在|Ai|實例集中發生跌倒的數目。(2)對于非類別屬性中的接收信號變化曲線中最大值與最小值的差值B的信息熵進行計算，如下所示：其中|B|為非類別屬性中的接收信號變化曲線中最大值與最小值的差值B實例集的數目，|Bi|為第i個實例集的數目，即|Bi|共有兩種標準取值，分別對應為B＝15dB，B＝8dB的實例集的數目。(3)對于非類別屬性中的接收信號變化曲線的方差C的信息熵進行計算，如下所示：其中|C|為非類別屬性中的接收信號變化曲線的方差C實例集的數目，|Ci|為第i個實例集的數目，即|Ci|共有四種標準取值，分別對應為C＝5dB，C＝4dB，C＝3dB，C＝2dB的實例集的數目。(4)對于非類別屬性中的接收信號變化曲線的斜率D的信息熵進行計算，如下所示：其中|D|為非類別屬性中的接收信號變化曲線的斜率D實例集的數目，|Di|為第i個實例集的數目，即|Di|共有兩種標準取值，分別對應為D＝40dB/S，D＝20dB/S的實例集的數目。(5)對于非類別屬性中的跌倒后接收信號變化曲線的平均值E的信息熵進行計算，如下所示：其中|E|為非類別屬性中的跌倒后接收信號變化曲線的平均值E實例集的數目，|Ei|為第i個實例集的數目，即|Ei|共有三種標準取值，分別對應為E＝-9dB，E＝-7dB，E＝-5dB的實例集的數目。5、計算信息增益量：分別計算在各非類別屬性中的信息增益量，如式(13)所示：Gain(X,T)＝INFO(T)-INFO(X,T)(13)6、確定測試屬性：信息增益量越大，說明該非類別屬性的信息對于實現跌倒檢測的幫助越大，則將其選擇為測試屬性。7、構造決策樹：應用上面的方法,通過遞歸算法建立決策樹。遞歸下去,可得到通過算法構造出的一棵決策樹，最終完成模型訓練階段。S480、根據所述接收測量值，更新接收信號變化曲線。其中，所述接收信號變化曲線與一個周期內的所述跌倒檢測信號相對應；S490、根據所述接收信號變化曲線，計算至少一項跌倒描述特征的特征值。S4100、將所述至少一項跌倒描述特征的特征值輸入至預先訓練的所述決策樹模型中，并根據所述決策樹模型的輸出結果，進行跌倒檢測。本發明實施例的技術方案通過使用決策樹算法構造跌倒檢測預測模型，可以實現在相對短的時間內能夠對大型數據源做出可行且效果良好的結果，可以對有許多屬性的數據集構造決策樹。在上述各實施例的基礎上，基于ID3決策樹模型建立后，利用基于人體通信的跌倒檢測系統，采集獲取多個不同年齡、不同身高、不同體重的志愿者在日常生活中以及在跌倒過程中的接收信號變化曲線，并將接收信號變化曲線導入到決策樹中進行跌倒檢測。通過將實際測量結果與通過決策樹模擬預測得到結果進行對比，對決策樹模型進一步進行修正。如果通過決策樹得到的跌倒檢測結果誤差較大，則可以進一步增加訓練實例集的數目，使訓練集更具普遍性，并重新計算決策樹，直至滿足要求，以進一步提高跌倒預測精度。實施例五圖5為本發明實施例五提供的一種跌倒檢測裝置的結構圖。本發明實施例提供的跌倒檢測裝置可以應用于本發明實施例所述的跌倒檢測設備的接收器中，典型的，接收器的微處理器中。如圖5所示，所述裝置包括：接收測量值獲取模塊510，用于通過接收電極獲取跌倒檢測信號的接收測量值。特征值提取模塊520，用于根據所述接收測量值，提取用于表征人體跌倒與未跌倒時后向回路的信道特征差異的跌倒描述特征的特征值。跌倒檢測模塊530，用于根據所述跌倒描述特征的特征值，進行跌倒檢測。本發明實施例提供的跌倒檢測裝置，通過使用電容式耦合接入人體的跌倒檢測設備構成人體通信信號通路，利用人體跌倒與未跌倒時后向回路的信道特征差異，基于接收器收到的信號進行跌倒檢測，解決了現有各類跌倒檢測技術所存在的各種缺陷問題，優化現有的跌倒檢測技術，提高跌倒檢測方案的通用性，同時，該跌倒檢測設備具有體積小、重量輕、功耗低、對佩戴位置不敏感以及檢測精度高等優點，為跌倒檢測技術的發展提供一種新的思路。在上述各實施例的基礎上，所述跌倒檢測信號可以為周期性的變頻信號；其中，所述變頻信號在一個周期內以第一頻率為起點，按照設定頻率跨度遞增值至第二頻率。在上述各實施例的基礎上，所述特征值提取模塊可以包括：變化曲線更新單元，用于根據所述接收測量值，更新接收信號變化曲線；其中，所述接收信號變化曲線與一個周期內的所述跌倒檢測信號相對應；特征更新值計算單元，用于根據所述接收信號變化曲線，計算至少一項跌倒描述特征的特征值。在上述各實施例的基礎上，所述變化曲線更新單元，具體可以用于：根據第K時刻下獲取的所述跌倒檢測信號的接收測量值以及卡爾曼濾波算法，計算所述第K+1時刻下所述跌倒檢測信號的預估計最優值，其中，K為大于等于1的正整數；使用所述跌倒檢測信號的預估計最優值，更新所述接收信號變化曲線。在上述各實施例的基礎上，所述特征更新值計算單元具體可以用于：將至少一項跌倒描述特征的特征值輸入至預先訓練的跌倒檢測預測模型中，并根據所述跌倒檢測預測模型的輸出結果，進行跌倒檢測。在上述各實施例的基礎上，還可以包括，跌倒檢測預測模型訓練模塊，其中，所述，跌倒檢測預測模型訓練模塊進一步可以包括：訓練實例集獲取單元，用于獲取跌倒檢測訓練實例集，其中，訓練示例包括：當人體未發生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線；以及當人體發生跌倒時，通過人體中接入的跌倒檢測設備中的接收器獲取的接收信號變化曲線；模型訓練單元，用于根據設定模型構建算法，以及各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，訓練生成所述跌倒檢測預測模型。在上述各實施例的基礎上，所述模型構建算法可以為決策樹算法，所述跌倒檢測預測模型可以為決策樹模型；其中，所述決策樹模型中的不同子節點對應不同的跌倒描述特征。在上述各實施例的基礎上，所述模型訓練單元具體可以用于：確定所述決策樹算法的類別屬性的取值為發生跌倒以及未發生跌倒；確定所述決策樹算法的非類別屬性為所述跌倒描述特征，并設定所述跌倒描述特征的標準取值；計算所述類別屬性的信息熵；根據各所述接收信號變化曲線在至少一個所述跌倒描述特征下的特征值，計算各所述非類別屬性的信息熵；根據所述類別屬性的信息熵，以及所述非類別屬性的信息熵，計算各所述非類別屬性的信息增量值，并根據各所述非類別屬性的信息增量值，確定目標測試屬性；將所述目標測試屬性作為一個當前子節點，并在所述當前子節點的基礎上，重復迭代重新確定新的測試屬性作為新的子節點，直至生成決策樹模型作為所述跌倒檢測預測模型。在上述各實施例的基礎上，所述跌倒描述特征可以包括下述至少一項：所述接收信號變化曲線的最大值、所述接收信號變化曲線的最大值與最小值的差值、所述接收信號變化曲線的方差、所述接收信號變化曲線的斜率以及跌倒后接收信號變化曲線的平均值。本發明實施例所提供的跌倒檢測裝置可用于執行本發明任意實施例提供的跌倒檢測方法，具備相應的功能模塊，實現相同的有益效果。注意，上述僅為本發明的較佳實施例及所運用技術原理。本領域技術人員會理解，本發明不限于這里所述的特定實施例，對本領域技術人員來說能夠進行各種明顯的變化、重新調整和替代而不會脫離本發明的保護范圍。因此，雖然通過以上實施例對本發明進行了較為詳細的說明，但是本發明不僅僅限于以上實施例，在不脫離本發明構思的情況下，還可以包括更多其他等效實施例，而本發明的范圍由所附的權利要求范圍決定。當前第1頁1 2 3