為了={(幻，71)，（幻，72)^"，（別3)}，其中.^,?^ 2>^!，， 是第i個(gè)樣本的第j個(gè)特征，# ^是j個(gè)特征可能取的第1個(gè)值，j = l， 2，.·_η，1 = 1，2，."Sj，yiG {ci，C2，ck}
[0079] C、計(jì)算先驗(yàn)概率及條件概率：
[0083] D、對(duì)于給定的特征向量x=(x(1)，x(2)，…，χ(η)) τ，計(jì)算
[0085] Ε、確定特征值向量X的分類
[0087] F、把訓(xùn)練的分類器應(yīng)用到無類標(biāo)數(shù)據(jù)上，為無類標(biāo)數(shù)據(jù)標(biāo)記類概率，即期望過程：
[0094] 在這里￥=·{4, ···,<}為定義的指示變量向量，χ*是獨(dú)立同分布，4是0/1隨機(jī)變 量，:rti表示先驗(yàn)概率，Φ是需要求出的參數(shù)。
[0095] G、使用所有數(shù)據(jù)的類標(biāo)訓(xùn)練一個(gè)新的分類器，即最大化過程；
[0097] H、迭代參數(shù)Φ直至收斂，最后得精確的Φ和分類器
[0098] 步驟六、上傳跌倒數(shù)據(jù)信息至大數(shù)據(jù)平臺(tái)進(jìn)行存儲(chǔ)。上傳的數(shù)據(jù)，可以按照個(gè)體相 似度差異進(jìn)行分開存儲(chǔ)，將個(gè)體屬性類似所采集的數(shù)據(jù)放在一起，這樣有利于系統(tǒng)個(gè)體化 分類模型的建立。建立針對(duì)不同人群的個(gè)體化分類模型，可以大大能提高跌倒檢測(cè)準(zhǔn)確率。
[0099] 步驟七、通過相似度度量計(jì)算判斷數(shù)據(jù)是否更新。具體步驟如下：
[0100] A、對(duì)于大數(shù)據(jù)平臺(tái)存儲(chǔ)的特征向量數(shù)據(jù)樣本屬性進(jìn)行統(tǒng)一標(biāo)準(zhǔn)，向量分別包含最 大加速度、最小加速度、加速度均值以及三軸角速度。
[0101] B、遍歷數(shù)據(jù)集合，對(duì)于部分缺失數(shù)據(jù)采用均值的方式進(jìn)行填補(bǔ)。
[0102] C、利用PPMCC皮爾遜相關(guān)系數(shù)法計(jì)算數(shù)據(jù)平臺(tái)存儲(chǔ)的數(shù)據(jù)樣本更新前后是否相 同，計(jì)算如下：
[0104]其中X，Y分別表不兩個(gè)數(shù)據(jù)樣本，Xi表不X第i個(gè)樣本，Yi表不Y的第i個(gè)樣本，COV表 示協(xié)方差，E表示期望值，μ表示均值，σ表示標(biāo)準(zhǔn)差。
[0105] D、若ρχγ為1，則表示平臺(tái)存儲(chǔ)的數(shù)據(jù)樣本幾乎沒有發(fā)生變化;若ρχγ不為1，則表示 平臺(tái)存儲(chǔ)的數(shù)據(jù)樣本發(fā)生了變化，在這種情況下，建立的分類模型就需要重新調(diào)整。
[0106]步驟八、根據(jù)新的跌倒檢測(cè)樣本數(shù)據(jù)生成新的機(jī)器學(xué)習(xí)模型，即新的跌倒檢測(cè)分 類算法。當(dāng)大數(shù)據(jù)平臺(tái)建立了新的機(jī)器學(xué)習(xí)分類模型時(shí)，平臺(tái)會(huì)將該模型實(shí)時(shí)的發(fā)送到用 戶的手機(jī)中。平臺(tái)發(fā)送的模型不但可以大眾化，也可以個(gè)人化。意思就是系統(tǒng)不但可以服務(wù) 所有用戶，還可以為用戶實(shí)行"個(gè)性化定制"，即每個(gè)用戶因?yàn)樯聿町惖牟煌@取跌倒 的特征向量也不同，根據(jù)這點(diǎn)，系統(tǒng)可以為不同用戶提供各自不同的算法分類模型。
[0107] 本發(fā)明系統(tǒng)的檢測(cè)工作過程如下：
[0108] 系統(tǒng)包括模塊:傳感器信息采集模塊，特征向量構(gòu)造模塊，跌倒識(shí)別模塊，跌倒檢 測(cè)算法生成模塊，跌倒報(bào)警模塊，特征向量數(shù)據(jù)存儲(chǔ)模塊，特征向量樣本更新模塊。
[0109] 要檢測(cè)人體跌倒情況，首先要有一部?jī)?nèi)置三軸加速度傳感器和陀螺儀傳感器手 機(jī)，傳感器信息采集模塊就是采集三軸加速度傳感器和陀螺儀傳感器的信息數(shù)據(jù)。
[0110] 傳感器信息采集模塊的輸出與特征向量構(gòu)造模塊的輸入連接，特征向量是由三軸 加速度傳感器的最大合加速度、最小合加速度、合加速度均值以及陀螺儀傳感器計(jì)算得到 的三軸姿態(tài)角度組成，特征向量提取時(shí)采用的是窗長(zhǎng)256、步長(zhǎng)128的50%重疊滑動(dòng)窗口法。
[0111] 特征向量構(gòu)造模塊和跌倒檢測(cè)算法生成模塊的輸出與跌倒識(shí)別模塊的輸入連接， 跌倒檢測(cè)算法生成模塊采用的是樸素貝葉斯和期望最大化機(jī)器學(xué)習(xí)算法;跌倒檢測(cè)算法分 類模型構(gòu)建完成之后，將特征向量利用分類模型進(jìn)行判斷，從而對(duì)特征向量進(jìn)行分類，分為 跌倒和正常兩類即可。
[0112] 跌倒識(shí)別模塊的輸出與跌倒報(bào)警模塊和特征向量數(shù)據(jù)存儲(chǔ)模塊的輸入連接，當(dāng)?shù)?倒識(shí)別模塊判斷人體發(fā)生跌倒時(shí)，系統(tǒng)觸發(fā)報(bào)警裝置，若判斷錯(cuò)誤，報(bào)警可在10秒內(nèi)人為的 取消，若判斷正確，系統(tǒng)會(huì)將特征向量傳送至特征向量數(shù)據(jù)存儲(chǔ)模塊;該模塊會(huì)將特征向量 進(jìn)行分類存儲(chǔ)，便于特征向量數(shù)據(jù)的二次利用。
[0113] 特征向量數(shù)據(jù)存儲(chǔ)模塊的輸出與特征向量樣本更新模塊的輸入連接，特征向量樣 本更新模塊用于判斷特征向量數(shù)據(jù)存儲(chǔ)模塊的特征向量是否發(fā)生更新，若是，則需要調(diào)整 跌倒檢測(cè)算法，若不是，則不需要做任何變動(dòng)。
[0114] 特征向量樣本更新模塊的輸出與跌倒檢測(cè)算法生成模塊的輸入連接，如果特征向 量數(shù)據(jù)發(fā)生更新，則跌倒檢測(cè)算法需要重新生成，重新生成跌倒檢測(cè)算法采用的是樸素貝 葉斯算法。
【主權(quán)項(xiàng)】
1. 一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法，其特征在于包括W下步驟： 步驟一，搭建一個(gè)大數(shù)據(jù)平臺(tái)，包括存儲(chǔ)層和數(shù)據(jù)處理層； 步驟二，利用移動(dòng)互聯(lián)網(wǎng)技術(shù)，將手機(jī)數(shù)據(jù)與所述大數(shù)據(jù)平臺(tái)數(shù)據(jù)進(jìn)行同步； 步驟=，采集傳感器信息，包括采集=軸加速度傳感器信息和采集巧螺儀傳感器信息； 步驟四，根據(jù)所采集的傳感器信息數(shù)據(jù)構(gòu)建特征向量； 步驟五，通過機(jī)器學(xué)習(xí)分類模型建立跌倒檢測(cè)算法W識(shí)別人體跌倒行為是否發(fā)生； 步驟六，若人體跌倒行為發(fā)生，則上傳步驟四所述特征向量至大數(shù)據(jù)平臺(tái)進(jìn)行存儲(chǔ)； 步驟屯，通過計(jì)算相似度度量來判斷大數(shù)據(jù)平臺(tái)存儲(chǔ)步驟六所述的特征向量是否更 新;若相似度度量計(jì)算結(jié)果不為1，則說明特征向量發(fā)生了更新，若結(jié)果為1，則說明特征向 量沒有發(fā)生更新； 步驟八，若步驟屯所述相似度度量計(jì)算結(jié)果不為1，則根據(jù)步驟六存儲(chǔ)的新的特征向 量，生成新的機(jī)器學(xué)習(xí)模型，即新的跌倒檢測(cè)分類算法;一開始機(jī)器學(xué)習(xí)模型運(yùn)用期望最大 化算法是鑒于試驗(yàn)數(shù)據(jù)難于獲取與收集，故而將有限的數(shù)據(jù)作用發(fā)揮到最大。2. 根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法，其特征在于:所述步驟 四中構(gòu)建特征向量時(shí)，運(yùn)用的是=軸加速度傳感器的合加速度和巧螺儀傳感器的=軸姿態(tài) 角度，采用的是窗長(zhǎng)256、步長(zhǎng)128的50 %重疊滑動(dòng)窗口法截取部分信號(hào)數(shù)據(jù)，選取最大加速 度、最小加速度、加速度均值W及=軸角度;所述=軸加速度傳感器的合加速度Soa計(jì)算如 下：其中ax，ay，az分別是采集到的立軸加速度分量； =軸姿態(tài)角度計(jì)算如下： 白X = JWxdt，白y = JWydt，白Z = JWzdt， 其中Wx，Wy，Wz分別為巧螺儀輸出的S軸角速度。3. 根據(jù)權(quán)利要求1或2所述的一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法，其特征在于:所述 步驟五中，由于缺乏足夠的數(shù)據(jù)樣本，所述跌倒檢測(cè)算法采用的是樸素貝葉斯算法加期望 最大化算法，具體過程為： 過程3.1，將所述步驟四得到的特征值向量X，歸一化后作為樸素貝葉斯算法模型的輸 入； 過程3.2,在調(diào)用樸素貝葉斯模型之前，首先使用帶類標(biāo)的數(shù)據(jù)訓(xùn)練一個(gè)樸素貝葉斯分 類器模型；訓(xùn)練數(shù)據(jù)為T={(xl，yl)，（X2，y2)，…，（XN，yN)}，其中義.=始，，皆V??皆叩，スp是 第i個(gè)樣本的第j個(gè)特征，-YfW e 口，…是j個(gè)特征可能取的第1個(gè)值，j二1，2，… n，1二1，2, ...Sj'yiE {ci，C2，ck} 過程3.3，計(jì)算先驗(yàn)概率及條件概率，具體如下：j = l，2，...n;l = l，2，...Sj;k=l，2，...K 過程3.4，對(duì)于給定的特征向量x=(xW，xW，…，xW)T，計(jì)算過程3.5，確定特征值向量X的分類過程3.6，把訓(xùn)練的分類器應(yīng)用到無類標(biāo)數(shù)據(jù)上，為無類標(biāo)數(shù)據(jù)標(biāo)記類概率，即期望過 程：t 其中， p(x*,z*)=P(z*)p(x*|z*)Z' 為定義的指示變量向量，X*是獨(dú)立同分布，為是0/1隨機(jī)變量，JT康示先驗(yàn) 概率，O是需要求出的參數(shù)； 過程3.7，使用所有數(shù)據(jù)的類標(biāo)訓(xùn)練一個(gè)新的分類器，即最大化過程 O'ii =a巧 max0O| 如） i 過程3.8，迭代參數(shù)O直至收斂，最后得精確的O和分類器。4.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法，其特征在于:所述步驟 屯中相似度度量采用的是PPMCC皮爾遜相關(guān)系數(shù)法，具體過程為： 過程4.1，對(duì)于大數(shù)據(jù)平臺(tái)存儲(chǔ)的特征向量數(shù)據(jù)樣本屬性進(jìn)行統(tǒng)一標(biāo)準(zhǔn)，向量分別包含 最大加速度、最小加速度、加速度均值W及=軸角度； 過程4.2，遍歷數(shù)據(jù)集合，對(duì)于部分缺失數(shù)據(jù)采用均值的方式進(jìn)行填補(bǔ)； 過程4.3，利用PPMCC計(jì)算大數(shù)據(jù)平臺(tái)存儲(chǔ)的數(shù)據(jù)樣本更新前后是否相同，計(jì)算如下：其中X，Y分別表示兩個(gè)數(shù)據(jù)樣本，Xi表示X第i個(gè)樣本，Yi表示Y的第i個(gè)樣本，COV表示協(xié) 方差，E表示期望值，y表示均值，0表示標(biāo)準(zhǔn)差； 過程4.4，若PXY為1，則表示平臺(tái)存儲(chǔ)的數(shù)據(jù)樣本幾乎沒有發(fā)生變化;若PXY不為1，則表示 平臺(tái)存儲(chǔ)的數(shù)據(jù)樣本發(fā)生了變化，在運(yùn)種情況下，建立的分類模型就需要重新調(diào)整。5. 根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法，其特征在于:所述步驟 八中，調(diào)整新的機(jī)器學(xué)習(xí)分類模型時(shí)，不再需要運(yùn)用期望最大化算法，只需運(yùn)用樸素貝葉斯 算法即可。6. 實(shí)施如權(quán)利要求1所述的人體跌倒檢測(cè)方法的一種基于大數(shù)據(jù)的人體跌倒檢測(cè)系 統(tǒng)，其特征在于包括:手機(jī)和至少3臺(tái)計(jì)算機(jī)服務(wù)器;所述手機(jī)用于監(jiān)測(cè)人體的運(yùn)動(dòng)情況，并 根據(jù)運(yùn)動(dòng)情況信息生成跌倒判斷特征向量，判斷人體是否跌倒；當(dāng)判斷人體為跌倒?fàn)顟B(tài)時(shí)， 手機(jī)檢測(cè)到的特征向量傳送到大數(shù)據(jù)平臺(tái)進(jìn)行存儲(chǔ);所述服務(wù)器用于搭建大數(shù)據(jù)集群平 臺(tái)。7. 根據(jù)權(quán)利要求6所述的一種基于大數(shù)據(jù)的人體跌倒檢測(cè)系統(tǒng)，其特征在于:所述手機(jī) 包括微控制器、與微控制器連接的用于實(shí)時(shí)獲取用戶運(yùn)動(dòng)情況的=軸加速度傳感器和巧螺 儀傳感器、與微控制器連接的用于傳輸數(shù)據(jù)的GPRS模塊W及與微控制器連接的用于報(bào)警的 報(bào)警接口單元。8. 根據(jù)權(quán)利要求6所述的一種基于大數(shù)據(jù)的人體跌倒檢測(cè)系統(tǒng)，其特征在于，所述計(jì)算 機(jī)服務(wù)器搭建的大數(shù)據(jù)集群平臺(tái)利用化doop加 Spark技術(shù)，平臺(tái)包括一個(gè)存儲(chǔ)層，用W儲(chǔ)存 跌倒時(shí)的特征向量;一個(gè)數(shù)據(jù)處理層，用來判斷特征向量的更新和生成新的跌到檢測(cè)算法。
【專利摘要】本發(fā)明公開了一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法及系統(tǒng)，方法包括以下步驟：根據(jù)手機(jī)內(nèi)置傳感器采集的信息構(gòu)建特征向量；通過機(jī)器學(xué)習(xí)模型識(shí)別是否發(fā)生跌倒行為；當(dāng)判斷用戶為跌倒?fàn)顟B(tài)時(shí)，采集到的信息數(shù)據(jù)會(huì)實(shí)時(shí)傳送到大數(shù)據(jù)平臺(tái)，并按照個(gè)體相似性進(jìn)行存儲(chǔ)；所述平臺(tái)采用相似度度量算法分析所有上傳的數(shù)據(jù)，判斷是否存在更新數(shù)據(jù)；若是，則平臺(tái)生成新的數(shù)據(jù)樣本，同時(shí)根據(jù)數(shù)據(jù)樣本生成新的機(jī)器學(xué)習(xí)分類模型。當(dāng)系統(tǒng)判斷人體發(fā)生跌倒時(shí)，手機(jī)會(huì)自動(dòng)觸發(fā)報(bào)警裝置，從而使跌倒能夠得到及時(shí)的救援。同時(shí)隨著樣本越來越多，系統(tǒng)的準(zhǔn)確率也會(huì)不斷提高。本發(fā)明可應(yīng)用于監(jiān)測(cè)兒童、老人及病患的活動(dòng)安全。
【IPC分類】G08B21/04
【公開號(hào)】CN105590409
【申請(qǐng)?zhí)枴緾N201610105761
【發(fā)明人】施化吉, 張帆, 周從華, 劉志鋒, 徐宗保, 朱小龍, 陳偉鶴
【申請(qǐng)人】江蘇大學(xué)
【公開日】2016年5月18日
【申請(qǐng)日】2016年2月26日