本發(fā)明涉及到跌倒狀態(tài)檢測領(lǐng)域，特別是涉及到一種碰撞前跌倒檢測方法及裝置。

背景技術(shù)：

跌倒一直是威脅老年人健康的一個重要問題。據(jù)世界衛(wèi)生組織(who)的報告，年齡超過65歲的老年人中，有近1/3的老年人每年經(jīng)歷過至少一次跌倒。在我國，跌倒為老年人受傷的首要原因，據(jù)估算，我國每年約有4000多萬老年人經(jīng)歷跌倒。對應(yīng)的，跌倒檢測是一種有效的被動式防止跌倒的方法，它可以在無人干預(yù)下使跌倒者得到及時醫(yī)療救助，或激活跌倒預(yù)防裝置(如充氣護髖)避免跌倒碰撞對身體造成的傷害。

現(xiàn)存在有很多跌倒檢測的方法，其中，按照跌倒檢測完成的階段劃分，可分為碰撞前和碰撞后跌倒檢測。

碰撞前跌倒檢測，其目的是在身體與地面碰撞前，檢測到跌倒的發(fā)生，從而采取及時的干預(yù)措施(如激活跌倒預(yù)防裝置)，防止人體受傷。而碰撞后跌倒檢測，主要是通過人體與地面接觸產(chǎn)生的沖量，地面震動或聲音，以及跌倒后人體的姿態(tài)來檢測跌倒這一事件，因而無法在發(fā)生跌倒碰撞時對人體提供保護。因此，與碰撞后跌倒檢測比較，碰撞前跌倒檢測更為有效。

碰撞前跌倒檢測主要是通過對身體失去平衡后下墜過程中的運動學(xué)特性來判斷是否發(fā)生跌倒。常見的碰撞前跌倒檢測實現(xiàn)方案包括閾值算法和機器學(xué)習(xí)算法。

閾值算法通常首先確定一個或多個跌倒探測指數(shù)(falldetectionindicator)，通常為運動生物力學(xué)指標，并為其設(shè)置閾值，當?shù)固綔y指數(shù)超過了這一提前設(shè)定的閾值，則意味著發(fā)生了跌倒；否則，則為日?；顒?非跌倒事件)。而機器學(xué)習(xí)算法則通常利用跌倒和正?；顒拥纳锪W(xué)數(shù)據(jù)作為訓(xùn)練集，以此產(chǎn)生出一個分類方法，并以此對跌倒和日?；顒舆M行分類。

基于閾值算法和機器學(xué)習(xí)算法都存在一些缺陷?；陂撝邓惴ǖ箼z測很難取得一個最優(yōu)的探測閾值?，F(xiàn)有閾值算法方法中，缺乏對個體差異性的考量，很低的閾值會將非跌倒事件誤判成跌倒事件(即虛警)，而過高的閾值又會錯過真正的跌倒事件(即誤探)。探測閾值的選取影響了跌倒檢測的準確度。機器學(xué)習(xí)算法一定程度上能夠克服基于閾值方法的局限性，但是同基于閾值的方法一樣，目前基于機器學(xué)習(xí)的方法不能反映個體差異，而個體運動的差異是普遍存在。

技術(shù)實現(xiàn)要素：

本發(fā)明的主要目的為提供一種碰撞前跌倒檢測方法及裝置，用于解決現(xiàn)有方案無法針對個體差異在人體跌倒接觸地面之前，準確的完成跌倒檢測并報警。

本發(fā)明提出一種碰撞前跌倒檢測方法，包括，

判斷跌倒檢測指數(shù)時間序列是否自相關(guān)；

若跌倒檢測指數(shù)時間序列不自相關(guān)，使用被檢測個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制模型；

若跌倒檢測指數(shù)時間序列自相關(guān)，通過arima模型處理跌倒檢測指數(shù)時間序列，并輸出非自相關(guān)數(shù)據(jù)；

根據(jù)經(jīng)過arima模型處理后的非自相關(guān)數(shù)據(jù)建立統(tǒng)計過程控制模型；

根據(jù)所述統(tǒng)計過程控制模型判斷人體是否跌倒。

進一步地，所述若跌倒檢測指數(shù)時間序列自相關(guān)，通過arima模型來處理跌倒檢測指數(shù)時間序列，并輸出非自相關(guān)數(shù)據(jù)步驟，包括，

根據(jù)混合自回歸和移動平均模型arima模型，對跌倒檢測指數(shù)時間序列xt按照以下公式轉(zhuǎn)換成非自相關(guān)的殘差值時間序列et：φ，

其中，

φp代表回歸參數(shù)，

θq代表差分參數(shù)，

b代表后移算子，

p為自回歸項，

q為移動平均項數(shù)，

d為時間序列成為平穩(wěn)時所做的差分次數(shù)。

進一步地，所述根據(jù)混合自回歸和移動平均模型arima(p，d，q)模型，對跌倒檢測指數(shù)時間序列xt按照以下公式轉(zhuǎn)換成非自相關(guān)的殘差值時間序列et：步驟之后，包括，

通過最大似然法，保證以下公式條件對數(shù)似然函數(shù)取得最大值的前提下，估算所述φp、θq、b的具體值：

其中的，s*(φp，θq)的計算方法如下：

其中，

n代表跌倒檢測指數(shù)時間序列的項數(shù)；

t代表時間；

s代表殘差值時間序列的預(yù)測平方和。

進一步地，所述根據(jù)經(jīng)過arima模型處理后的非自相關(guān)數(shù)據(jù)建立統(tǒng)計過程控制模型步驟，包括，

基于休哈特三西格瑪控制理論，使用跌倒檢測指數(shù)時間序列，計算統(tǒng)計過程控制模型的上/下控制范圍cl，控制范圍cl的計算方式如下：

其中，

由人體跌倒的跌倒檢測指數(shù)時間序列的均值計算得到，

由人體跌倒的跌倒檢測指數(shù)時間序列的移動平均值計算得到，

系數(shù)c2的值設(shè)為1.128。

進一步地，所述根據(jù)所述統(tǒng)計過程控制模型判斷人體是否跌倒，若判定跌倒，則發(fā)出跌倒警報步驟，包括，

判斷跌倒檢測指數(shù)時間序列是否超過過程控制圖模型的控制范圍cl；

若超過，則判定處于跌倒狀態(tài)。

本發(fā)明還提出了一種碰撞前跌倒檢測裝置，包括，

校驗單元，用于判斷跌倒檢測指數(shù)時間序列是否自相關(guān)；

第一執(zhí)行單元，用于若跌倒檢測指數(shù)時間序列不自相關(guān)，使用被檢測個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制模型；

第二執(zhí)行單元，用于若跌倒檢測指數(shù)時間序列自相關(guān)，通過arima模型處理跌倒檢測指數(shù)時間序列，并輸出非自相關(guān)數(shù)據(jù)；

所述建立單元，用于根據(jù)經(jīng)過arima模型處理后的非自相關(guān)數(shù)據(jù)建立統(tǒng)計過程控制模型；

跌倒報警單元，用于根據(jù)所述統(tǒng)計過程控制模型判斷人體是否跌倒。

進一步地，所述第二執(zhí)行單元，包括第一計算模塊，用于根據(jù)混合自回歸和移動平均模型arima模型，對跌倒檢測指數(shù)時間序列xt按照以下公式轉(zhuǎn)換成非自相關(guān)的殘差值時間序列et：φ，

其中，

φp代表回歸參數(shù)，

θq代表差分參數(shù)，

b代表后移算子，

p為自回歸項，

q為移動平均項數(shù)，

d為時間序列成為平穩(wěn)時所做的差分次數(shù)。

進一步地，所述第二執(zhí)行單元還包括第二計算模塊，用于通過最大似然法，保證以下公式條件對數(shù)似然函數(shù)取得最大值的前提下，估算所述φp、θq、b的具體值：

其中的，s*(φp，θq)的計算方法如下：

其中，

n代表跌倒檢測指數(shù)時間序列的項數(shù)，

t代表時間，

s代表殘差值時間序列的預(yù)測平方和。

進一步地，所述建立單元，用于基于休哈特三西格瑪控制理論，使用跌倒檢測指數(shù)時間序列，計算統(tǒng)計過程控制模型的上/下控制范圍cl，控制范圍cl的計算方式如下：

其中，

由人體跌倒的跌倒檢測指數(shù)時間序列的均值計算得到，

由人體跌倒的跌倒檢測指數(shù)時間序列的移動平均值計算得到，

系數(shù)c2的值設(shè)為1.128。

進一步地，所述跌倒報警單元還包括有跌倒判斷模塊，用于判斷跌倒檢測指數(shù)時間序列是否超過過程控制圖模型的控制范圍cl，若超過，則判定處于跌倒狀態(tài)。

本發(fā)明的有益效果是：本方案首先針對不同個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制圖模型，并以此模型判斷人體活動是否為跌倒，考量了不同使用個體實際跌倒存在的差異，可以提高碰撞前跌倒檢測的準確度；同時統(tǒng)計過程控制圖模型具有極高的時效性，能夠快速的檢測出跌倒的發(fā)生，為及時的干預(yù)措施提供可能性，例如激活跌倒預(yù)防裝置。

附圖說明

圖1為本發(fā)明一實施例碰撞跌倒檢測方法的方法流程圖；

圖2為本發(fā)明另一實施例碰撞跌倒檢測方法的方法流程圖；

圖3為本發(fā)明一實施例碰撞跌倒檢測裝置的結(jié)構(gòu)框圖；

圖4為本發(fā)明一實施例碰撞跌倒檢測裝置的第二執(zhí)行單元的結(jié)構(gòu)框圖。

本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)點將結(jié)合實施例，參照附圖做進一步說明。

具體實施方式

應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

需要說明，本發(fā)明實施例中所有方向性指示(諸如上、下、左、右、前、后……)僅用于解釋在某一特定姿態(tài)(如附圖所示)下各部件之間的相對位置關(guān)系、運動情況等，如果該特定姿態(tài)發(fā)生改變時，則該方向性指示也相應(yīng)地隨之改變。

另外，在本發(fā)明中涉及“第一”、“第二”等的描述僅用于描述目的，而不能理解為指示或暗示其相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。另外，各個實施例之間的技術(shù)方案可以相互結(jié)合，但是必須是以本領(lǐng)域普通技術(shù)人員能夠?qū)崿F(xiàn)為基礎(chǔ)，當技術(shù)方案的結(jié)合出現(xiàn)相互矛盾或無法實現(xiàn)時應(yīng)當認為這種技術(shù)方案的結(jié)合不存在，也不在本發(fā)明要求的保護范圍之內(nèi)。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非特意聲明，這里使用的單數(shù)形式“一”、“一個”、“所述”和“該”也可包括復(fù)數(shù)形式。應(yīng)該進一步理解的是，本發(fā)明的說明書中使用的措辭“包括”是指存在所述特征、整數(shù)、步驟、操作、元件和/或組件，但是并不排除存在或添加一個或多個其他特征、整數(shù)、步驟、操作、元件、組件和/或它們的組。這里使用的措辭“和/或”包括一個或更多個相關(guān)聯(lián)的列出項的全部或任一單元和全部組合。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非另外定義，這里使用的所有術(shù)語(包括技術(shù)術(shù)語和科學(xué)術(shù)語)，具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng)該理解的是，諸如通用字典中定義的那些術(shù)語，應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的意義一致的意義，并且除非像這里一樣被特定定義，否則不會用理想化或過于正式的含義來解釋。

arima模型：全稱為自回歸積分滑動平均模型(autoregressiveintegratedmovingaveragemodel，簡記arima)，是由博克思(box)和詹金斯(jenkins)于70年代初提出一著名時間序列預(yù)測方法，所以又稱為box-jenkins模型、博克思-詹金斯法。其中arima(p，d，q)稱為差分自回歸移動平均模型，ar是自回歸，p為自回歸項；ma為移動平均，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時所做的差分次數(shù)。

將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機序列，用一定的數(shù)學(xué)模型來近似描述這個序列。這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預(yù)測未來值?，F(xiàn)代統(tǒng)計方法、計量經(jīng)濟模型在某種程度上已經(jīng)能夠幫助企業(yè)對未來進行預(yù)測。

統(tǒng)計過程控制(簡稱spc)，是應(yīng)用統(tǒng)計技術(shù)對過程中的各個階段進行評估和監(jiān)控，建立并保持過程處于可接受的并且穩(wěn)定的水平，從而保證產(chǎn)品與服務(wù)符合規(guī)定的要求的一種質(zhì)量管理技術(shù)。

似然函數(shù)，統(tǒng)計學(xué)中，似然函數(shù)是一種關(guān)于統(tǒng)計模型參數(shù)的函數(shù)。給定輸出x時，關(guān)于參數(shù)θ的似然函數(shù)l(θ|x)(在數(shù)值上)等于給定參數(shù)θ后變量x的概率：

l(θ|x)＝p(x＝x|θ)。

cl全稱是controllimit，中文名稱控制范圍。

參照圖1，提出本發(fā)明一實施例，一種碰撞前跌倒檢測方法，包括以下步驟：

s10、判斷跌倒檢測指數(shù)時間序列是否自相關(guān)；

s11、若跌倒檢測指數(shù)時間序列不自相關(guān)，使用被檢測個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制模型；

s12、若跌倒檢測指數(shù)時間序列自相關(guān)，通過arima模型處理跌倒檢測指數(shù)時間序列，并輸出非自相關(guān)數(shù)據(jù)；

s13、根據(jù)經(jīng)過arima模型處理后的非自相關(guān)數(shù)據(jù)建立統(tǒng)計過程控制模型；

s14、根據(jù)所述統(tǒng)計過程控制模型判斷人體是否跌倒。

對于步驟s10，有效使用統(tǒng)計過程控制模型的一個假設(shè)是時間序列數(shù)據(jù)要獨立。這一假設(shè)在應(yīng)用中經(jīng)常會由于數(shù)據(jù)具有自相關(guān)性(autocorrelation)而得不到滿足。所以在應(yīng)用統(tǒng)計過程控制模型之前，需要檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，具體通過自相關(guān)系數(shù)方程圖的方法來完成。

對于步驟s11，通過自相關(guān)系數(shù)方程圖的方法確定檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，如果跌倒檢測指數(shù)時間序列不自相關(guān)，將直接利用檢驗跌倒檢測指數(shù)時間序列來建立統(tǒng)計過程控制模型。

對于步驟s12，通過自相關(guān)系數(shù)方程圖的方法確定檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，如果跌倒檢測指數(shù)時間序列自相關(guān)，因為有效使用統(tǒng)計過程控制模型的一個假設(shè)是時間序列數(shù)據(jù)要獨立，所以不能直接使用跌倒檢測指數(shù)時間序列來建立統(tǒng)計過程控制模型，需要通過arima模型處理跌倒檢測指數(shù)時間序列，并最終輸出能夠用于建立統(tǒng)計過程控制模型的非自相關(guān)數(shù)據(jù)。

對于步驟s13，根據(jù)arima模型處理后的非自相關(guān)數(shù)據(jù)，再以被檢測個體的跌倒檢測指數(shù)時間序列為基礎(chǔ)來建立統(tǒng)計過程控制模型，這樣即使一開始跌倒檢測指數(shù)時間序列自相關(guān)，最終也能夠用于建立統(tǒng)計過程控制模型。

對于步驟s14，根據(jù)上述的統(tǒng)計過程控制模型來判斷指定個體是否跌倒，當?shù)箼z測指數(shù)時間序列超過計過程控制圖模型的控制范圍，就判定指定個體跌倒，并可以進一步激活干預(yù)措施，同時發(fā)出警報。

本發(fā)明一種碰撞前跌倒檢測方法，首先針對不同個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制圖模型，并以此模型判斷人體活動是否為跌倒，考量了不同使用個體實際跌倒存在的差異，可以提高碰撞前跌倒檢測的準確度；同時統(tǒng)計過程控制圖模型具有極高的時效性，能夠快速的檢測出跌倒的發(fā)生，為及時的干預(yù)措施提供可能性，例如激活跌倒預(yù)防裝置。

參照圖2，提出本發(fā)明一實施例，一種碰撞前跌倒檢測方法，包括以下步驟：

s20、判斷跌倒檢測指數(shù)時間序列是否自相關(guān)；

s21、若跌倒檢測指數(shù)時間序列不自相關(guān)，使用被檢測個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制模型；

s22、若跌倒檢測指數(shù)時間序列自相關(guān)，通過arima模型處理跌倒檢測指數(shù)時間序列，并輸出非自相關(guān)數(shù)據(jù)；

s23、根據(jù)經(jīng)過arima模型處理后的非自相關(guān)數(shù)據(jù)建立統(tǒng)計過程控制模型；

s24、判斷跌倒檢測指數(shù)時間序列是否超過過程控制圖模型的控制范圍，若超過，則判定為跌倒狀態(tài)。

對于步驟s20，有效使用統(tǒng)計過程控制模型的一個假設(shè)是時間序列數(shù)據(jù)要獨立。這一假設(shè)在應(yīng)用中經(jīng)常會由于數(shù)據(jù)具有自相關(guān)性(autocorrelation)而得不到滿足。所以在應(yīng)用統(tǒng)計過程控制模型之前，需要檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，具體通過自相關(guān)系數(shù)方程圖的方法來完成。

對于步驟s21，通過自相關(guān)系數(shù)方程圖的方法確定檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，如果跌倒檢測指數(shù)時間序列不自相關(guān)，將直接利用檢驗跌倒檢測指數(shù)時間序列來建立統(tǒng)計過程控制模型。

對于步驟s22，通過自相關(guān)系數(shù)方程圖的方法確定檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，如果跌倒檢測指數(shù)時間序列自相關(guān)，因為有效使用統(tǒng)計過程控制模型的一個假設(shè)是時間序列數(shù)據(jù)要獨立，所以不能直接使用跌倒檢測指數(shù)時間序列來建立統(tǒng)計過程控制模型，需要通過arima模型處理跌倒檢測指數(shù)時間序列，并最終輸出能夠用于建立統(tǒng)計過程控制模型的非自相關(guān)數(shù)據(jù)。

具體的步驟s22，包括以下步驟：

s221、根據(jù)混合自回歸和移動平均模型arima(p，d，q)模型，對跌倒檢測指數(shù)時間序列xt按照以下公式轉(zhuǎn)換成非自相關(guān)的殘差值時間序列et：φ，

其中，φp代表回歸參數(shù)，θq代表差分參數(shù)，b代表后移算子，p為自回歸項，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時所做的差分次數(shù)。

s222、通過最大似然法，保證以下公式條件對數(shù)似然函數(shù)取得最大值的前提下，估算所述φp、θq、b的具體值：

其中的，s*(φp，θq)的計算方法如下：

其中，

n代表跌倒檢測指數(shù)時間序列的項數(shù)，

t代表時間，

s代表殘差值時間序列的預(yù)測平方和。

具體的，通過步驟s221和步驟s222，對自相關(guān)的跌倒檢測指數(shù)時間序列xt進行進一步處理，得到適合用于建立統(tǒng)計過程控制模型的非自相關(guān)數(shù)據(jù)。

具體的，步驟s23為：基于休哈特三西格瑪控制理論，使用跌倒檢測指數(shù)時間序列，計算統(tǒng)計過程控制模型的上/下控制范圍cl，控制范圍cl的計算方式如下：

其中，

由人體跌倒的跌倒檢測指數(shù)時間序列的均值計算得到，

由人體跌倒的跌倒檢測指數(shù)時間序列的移動平均值計算得到，

系數(shù)c2的值設(shè)為1.128。

對于步驟s23，根據(jù)arima模型處理后的非自相關(guān)數(shù)據(jù)，再以被檢測個體的跌倒檢測指數(shù)時間序列為基礎(chǔ)來建立統(tǒng)計過程控制模型，這樣即使一開始跌倒檢測指數(shù)時間序列自相關(guān)，最終也能夠用于建立統(tǒng)計過程控制模型。

對于步驟s24，通過判斷跌倒檢測指數(shù)時間序列是否超過過程控制圖模型的控制范圍cl，若超過，就判定指定個體跌倒，并可以進一步激活干預(yù)措施，同時發(fā)出警報。

在本發(fā)明的一具體應(yīng)用實施例中，老年人在步行中出先意外滑倒的情況，使用本發(fā)明的方案可以在初滑開始后120ms內(nèi)判斷出此跌倒事件，通常人體在初滑700-1000ms后發(fā)生身體與地面的碰撞，依靠跌倒檢測的提前量，可以激活氣囊等跌倒預(yù)防裝置(激活時間據(jù)報道約為70ms)，從而防止受傷的出現(xiàn)。

本發(fā)明一種碰撞前跌倒檢測方法，首先針對不同個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制圖模型，并以此模型判斷人體活動是否為跌倒，考量了不同使用個體實際跌倒存在的差異，可以提高碰撞前跌倒檢測的準確度；同時統(tǒng)計過程控制圖模型具有極高的時效性，能夠快速的檢測出跌倒的發(fā)生，為及時的干預(yù)措施提供可能性，例如激活跌倒預(yù)防裝置。

參照圖3和圖4，提出本發(fā)明另一實施例，一種碰撞前跌倒檢測裝置，包括：

校驗單元10，用于判斷跌倒檢測指數(shù)時間序列是否自相關(guān)。

第一執(zhí)行單元30，用于若跌倒檢測指數(shù)時間序列不自相關(guān)，使用被檢測個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制模型。

第二執(zhí)行單元20，用于若跌倒檢測指數(shù)時間序列自相關(guān)，通過arima模型處理跌倒檢測指數(shù)時間序列，并輸出非自相關(guān)數(shù)據(jù)。

建立單元40，用于根據(jù)經(jīng)過arima模型處理后的非自相關(guān)數(shù)據(jù)建立統(tǒng)計過程控制模型。

跌倒報警單元50，用于根據(jù)所述統(tǒng)計過程控制模型判斷人體是否跌倒。

對于校驗單元10，有效使用統(tǒng)計過程控制模型的一個假設(shè)是時間序列數(shù)據(jù)要獨立，這一假設(shè)在應(yīng)用中經(jīng)常會由于數(shù)據(jù)具有自相關(guān)性(autocorrelation)而得不到滿足。所以在應(yīng)用統(tǒng)計過程控制模型之前，需要檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，具體通過自相關(guān)系數(shù)方程圖的方法來完成。

對于第一執(zhí)行單元30，通過自相關(guān)系數(shù)方程圖的方法確定檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，如果跌倒檢測指數(shù)時間序列不自相關(guān)，將直接利用檢驗跌倒檢測指數(shù)時間序列來建立統(tǒng)計過程控制模型。

對于第二執(zhí)行單元20，通過自相關(guān)系數(shù)方程圖的方法確定檢驗跌倒檢測指數(shù)時間序列的自相關(guān)性，如果跌倒檢測指數(shù)時間序列自相關(guān)，因為有效使用統(tǒng)計過程控制模型的一個假設(shè)是時間序列數(shù)據(jù)要獨立，所以不能直接使用跌倒檢測指數(shù)時間序列來建立統(tǒng)計過程控制模型，需要通過arima模型處理跌倒檢測指數(shù)時間序列，并最終輸出能夠用于建立統(tǒng)計過程控制模型的非自相關(guān)數(shù)據(jù)。

第二執(zhí)行單元20包括第一計算模塊21，用于根據(jù)混合自回歸和移動平均模型arima(p，d，q)模型，對跌倒檢測指數(shù)時間序列xt按照以下公式轉(zhuǎn)換成非自相關(guān)的殘差值時間序列et：φ，

其中，

φp代表回歸參數(shù)，

θq代表差分參數(shù)，

b代表后移算子。

第二執(zhí)行單元20還包括第二計算模塊22，用于通過最大似然法，保證以下公式條件對數(shù)似然函數(shù)取得最大值的前提下，估算所述φp、θq、b的具體值：

其中的，s*(φp，θq)的計算方法如下：

其中，

n代表跌倒檢測指數(shù)時間序列的項數(shù)；

t代表時間，

s代表殘差值時間序列的預(yù)測平方和。

具體的，通過第一計算模塊21和第二計算模塊22，對自相關(guān)的跌倒檢測指數(shù)時間序列xt進行進一步處理，得到適合用于建立統(tǒng)計過程控制模型的非自相關(guān)數(shù)據(jù)。

具體的，建立單元40，用于基于休哈特三西格瑪控制理論，使用跌倒檢測指數(shù)時間序列，計算統(tǒng)計過程控制模型的上/下控制范圍cl，控制范圍cl的計算方式如下：

其中，

由人體跌倒的跌倒檢測指數(shù)時間序列的均值計算得到，

由人體跌倒的跌倒檢測指數(shù)時間序列的移動平均值計算得到，系數(shù)c2的值設(shè)為1.128。

對于建立單元40，根據(jù)arima模型處理后的非自相關(guān)數(shù)據(jù)，再以被檢測個體的跌倒檢測指數(shù)時間序列為基礎(chǔ)來建立統(tǒng)計過程控制模型，這樣即使一開始跌倒檢測指數(shù)時間序列自相關(guān)，最終也能夠用于建立統(tǒng)計過程控制模型。

具體的，跌倒報警單元50還包括有跌倒判斷模塊，用于判斷跌倒檢測指數(shù)時間序列是否超過過程控制圖模型的控制范圍cl，若超過，則發(fā)出跌倒警報。

對于跌倒判斷模塊，通過判斷跌倒檢測指數(shù)時間序列是否超過過程控制圖模型的控制范圍cl，若超過，就判定指定個體跌倒，并可以進一步激活干預(yù)措施，同時發(fā)出警報。

本發(fā)明的一種碰撞前跌倒檢測裝置，首先針對不同個體的跌倒檢測指數(shù)時間序列建立統(tǒng)計過程控制圖模型，并以此模型判斷人體活動是否為跌倒，考量了不同使用個體實際跌倒存在的差異，可以提高碰撞前跌倒檢測的準確度；同時統(tǒng)計過程控制圖模型具有極高的時效性，能夠快速的檢測出跌倒的發(fā)生，為及時的干預(yù)措施提供可能性，例如激活跌倒預(yù)防裝置。

以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。