本發(fā)明涉及人體行為識別，狀態(tài)分析與危險(xiǎn)報(bào)警等領(lǐng)域，具體為一種基于動態(tài)時(shí)間規(guī)整(dynamictimewarping)的人體跌倒識別方法。

背景技術(shù)：

根據(jù)國家統(tǒng)計(jì)局發(fā)布的公告，2014年中國60歲及以上的老年人人口占總?cè)丝诒壤?5.5％，且據(jù)世界衛(wèi)生組織預(yù)測，到2050年，上述數(shù)字會達(dá)到35％，中國將成為世界上老齡化最嚴(yán)重的國家。而2012年全國疾病監(jiān)測系統(tǒng)死因監(jiān)測結(jié)果顯示：65歲及以上老年人跌倒死亡率為45.72/10萬。跌倒已成為65歲及以上老人傷害死亡的“頭號殺手”。通過科學(xué)的手段有效檢測跌倒事件的發(fā)生，通知監(jiān)護(hù)人及時(shí)送其就醫(yī)，得到及時(shí)的治療。

目前，對于人體跌倒檢測，從方法上來說基本采用閾值判決法，通過在不同階段設(shè)定相應(yīng)的閾值來綜合判斷是否發(fā)生跌倒。這種方法雖然邏輯簡單，但有針對不同身高體重的人群需要通過不斷的調(diào)整閾值才能達(dá)到較高的識別率，這大大增加了閾值判決法的復(fù)雜性。另一方面，從硬件角度而言，一般分為基于感官和穿戴式傳感器兩種。前者一般都需要實(shí)現(xiàn)鋪設(shè)額外的設(shè)施來，成本高昂，最重要的是使用區(qū)域受限，無法實(shí)現(xiàn)全天候全方位的監(jiān)測。穿戴式傳感器價(jià)格低廉，且對用戶日常生活入侵性低，并且能夠?qū)崟r(shí)監(jiān)控。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對上述問題，提出一種基于動態(tài)時(shí)間規(guī)整的人體跌倒識別的方法,針對老年人進(jìn)行實(shí)時(shí)監(jiān)測，以滿足老年人在跌倒之后能及時(shí)通知到家屬或監(jiān)護(hù)人，獲得治療，減小跌倒帶來的危害。

實(shí)現(xiàn)本發(fā)明目的的具體技術(shù)方案：

一種基于動態(tài)時(shí)間規(guī)整的人體跌倒識別方法，用于智能手機(jī)終端中監(jiān)測用戶在某個(gè)時(shí)刻發(fā)生跌倒，從而短信通知監(jiān)護(hù)人或直接撥號，該方法包括以下步驟：

步驟1：采集真實(shí)跌倒事件的三軸加速度數(shù)據(jù)，共n個(gè)樣本點(diǎn)，并將其轉(zhuǎn)換成相應(yīng)的加速度信號幅值(m_sv)，經(jīng)過中值濾波算法濾除噪聲后，最終的數(shù)據(jù)將作為動態(tài)時(shí)間規(guī)整(dtw)算法中的樣本序列s(a1,a2……an)用于后續(xù)的相似度匹配，其中濾波器選取窗口大小為m個(gè)樣本為一組；

步驟2：通過智能手機(jī)自帶的三軸加速計(jì)對人體加速度進(jìn)行采樣；

步驟3：將步驟2中采樣獲得的加速度信號轉(zhuǎn)換成加速度信號幅值(m_sv)；

步驟4：對步驟3中的加速度信號幅值(m_sv)進(jìn)行端點(diǎn)檢測，預(yù)測跌倒事件是否可能發(fā)生；設(shè)定當(dāng)加速度信號幅值小于閾值g，認(rèn)為可能會發(fā)生跌倒，需要采集后續(xù)的加速度數(shù)據(jù)進(jìn)行確認(rèn)；

步驟5：某點(diǎn)加速度若滿足端點(diǎn)檢測的條件，抽取該點(diǎn)之后n個(gè)采樣點(diǎn)的加速度數(shù)據(jù)；

步驟6：對上述n個(gè)采樣點(diǎn)，依次獲取其加速度信號幅值(m_sv)，使用中值濾波法濾除噪聲后作為動態(tài)時(shí)間規(guī)整(dtw)算法中的查詢序列q(a1,a2……an)進(jìn)行相似度匹配，濾波器大小為m個(gè)樣本點(diǎn)為一組；

步驟7：通過動態(tài)時(shí)間規(guī)整(dtw)算法來計(jì)算出樣本序列s(a1,a2……an)和查詢序列q(a1,a2……an)之間的最優(yōu)路徑所對應(yīng)的累積距離，此距離定義為兩個(gè)序列的相似度；距離值越小，相似度越高，最后與設(shè)定的相似度閾值相比較，判斷是跌倒還是日?；顒?；其中，計(jì)算累積距離的具體步驟為：

計(jì)算樣本序列s和查詢序列q之間每個(gè)加速度信號幅值的相互距離，距離計(jì)算公式為di,j＝(qi-sj)²,式中，di,j表示當(dāng)前查詢序列q的第i個(gè)信號幅值與樣本序列s第j個(gè)信號幅值的距離值；qi表示當(dāng)前查詢序列中第i個(gè)加速度信號幅值；sj表示當(dāng)前樣本序列中第j個(gè)加速度信號幅值；

構(gòu)造一個(gè)n*n的矩陣，將計(jì)算得到的距離值di,j按其下標(biāo)依次填入n*n矩陣的相應(yīng)位置；

在路徑約束條件的基礎(chǔ)上，在n*n的矩陣中尋找出一條最優(yōu)路徑，并將該路徑所經(jīng)過位置的距離累加求和，得出的結(jié)果即為最優(yōu)路徑所對應(yīng)的累積距離；

上述提到的路徑約束條件是：

邊界條件：所選路徑須從矩陣的左下角出發(fā)，在右上角結(jié)束；

連續(xù)性：所選路徑只能沿相鄰或?qū)沁@三個(gè)方向前進(jìn)；

單調(diào)性：所選路徑必須是隨著時(shí)間單調(diào)前進(jìn)的；

結(jié)合連續(xù)性和單調(diào)性的約束，每一個(gè)點(diǎn)的路徑只有三個(gè)方向。例如若路徑此時(shí)的點(diǎn)的位置為(i,j)，那么下一個(gè)通過的點(diǎn)只可能是(i+1,j),(i,j+1)，(i+1,j+1)三點(diǎn)中的其中一點(diǎn)，累積距離d(i,j)＝di,j+min{d(i-1,j),d(i,j-1),d(i-1,j-1)}。

步驟8：判斷為跌倒后，反饋給用戶判斷結(jié)果并發(fā)出警報(bào)聲；設(shè)定t秒讓用戶響應(yīng)判斷結(jié)果，若規(guī)定時(shí)間內(nèi)用戶取消了此次跌倒警報(bào)，則這是一次誤判為跌倒的日常行為，不需要通知監(jiān)護(hù)人；返回步驟2繼續(xù)采集傳感器數(shù)據(jù)；反之，若t秒內(nèi)無響應(yīng)，確定發(fā)生跌倒，短信或電話通知監(jiān)護(hù)人。

本發(fā)明利用加速度傳感器收集原始的人體加速度數(shù)據(jù)，并據(jù)此得到加速度向量幅值(m_sv)；采集真實(shí)跌倒事件的數(shù)據(jù)，設(shè)定為動態(tài)時(shí)間規(guī)整算法中的樣本序列；對處理后的加速度向量幅值進(jìn)行端點(diǎn)檢測；抽取一定長度的加速度向量幅值，經(jīng)過預(yù)處理后作為動態(tài)時(shí)間規(guī)整(dtw)算法中的查詢序列；利用動態(tài)時(shí)間規(guī)整(dtw)算法計(jì)算樣本序列與查詢序列之間的相似度，根據(jù)相似度大小判斷是否發(fā)生跌倒。

本發(fā)明只采用了三軸加速計(jì)這一個(gè)傳感器，不需要任何其他硬件設(shè)備，并且對加速度傳感器的型號指標(biāo)無硬性要求。此方法可移植性高，可直接應(yīng)用于手機(jī)，手環(huán)等智能穿戴設(shè)備中，不需外部鋪設(shè)輔助設(shè)施。

本發(fā)明事先收集確定長度為n的真實(shí)跌倒事件的加速度數(shù)據(jù)，經(jīng)過預(yù)處理后將其作為動態(tài)時(shí)間規(guī)整(dtw)算法中的樣本序列。

本發(fā)明中的樣本序列普適性高，對人體體型的差異不敏感，體重或身高的不同不會影響算法的識別效果。

本發(fā)明采用端點(diǎn)檢測法來預(yù)測跌倒事件是否可能發(fā)生，端點(diǎn)的閾值設(shè)定為g。采用端點(diǎn)檢測可以減少計(jì)算量，提高算法的速度。

本發(fā)明計(jì)算兩個(gè)序列的相似度，沒有采用普通的對應(yīng)點(diǎn)歐氏距離法，而是采用實(shí)時(shí)動態(tài)時(shí)間規(guī)整dtw算法將抽取得到的查詢序列與通過真實(shí)跌倒事件獲得的樣本序列進(jìn)行匹配識別，通過延伸或縮短序列找到一條最優(yōu)路徑使得兩序列之間的累計(jì)距離最短，距離即定義為相似度。

本發(fā)明的跌倒識別準(zhǔn)確率較高，但由于環(huán)境人為等不可抗因素，準(zhǔn)確率無法達(dá)到100％，存在較小的誤判率。為了減小誤判的影響，增加如下修訂方案：方法判斷為跌倒后，需要結(jié)合用戶對事件的響應(yīng)進(jìn)行最后的確認(rèn)。設(shè)定t秒的響應(yīng)時(shí)間，若該時(shí)間內(nèi)用戶取消了此次跌倒警報(bào)，則這是一次誤判為跌倒的日常行為，不需要通知監(jiān)護(hù)人；若t秒內(nèi)沒有響應(yīng)，確定發(fā)生跌倒，短信或電話通知監(jiān)護(hù)人。

本發(fā)明能正常工作在復(fù)雜環(huán)境下，不受區(qū)域限制，不需額外增加輔助設(shè)備，利用智能設(shè)備(如手機(jī)，手環(huán)等)準(zhǔn)確識別跌倒并同時(shí)通知家屬或監(jiān)護(hù)人。

附圖說明

圖1為本發(fā)明流程圖；

圖2為本發(fā)明具體實(shí)施方式中樣本序列和查詢序列的匹配示意圖。

具體實(shí)施方式

結(jié)合以下具體實(shí)施例和附圖，對本發(fā)明作進(jìn)一步的詳細(xì)說明，以下實(shí)施例不構(gòu)成對本發(fā)明的限定。

本實(shí)施例針對搭載在android智能手機(jī)上，以android應(yīng)用的形式監(jiān)測人體跌倒，并立即以短信或語音通話的方式通知監(jiān)護(hù)人。能滿足實(shí)時(shí)性和工作在復(fù)雜的周圍環(huán)境下，不需要額外配置其他設(shè)備，不受地域的限制，又有較高的識別跌倒的準(zhǔn)確率，其流程如圖1所示。

分別在三類手機(jī)中進(jìn)行了測試，其具體參數(shù)如表一中所示。測試表明，這三類手機(jī)的性能差異不影響本發(fā)明識別跌倒的效果，所以本實(shí)施例的具體數(shù)據(jù)均基于三星手機(jī)。

如圖1所示為本發(fā)明的流程圖。在本實(shí)施例中，需要采集真實(shí)跌倒的加速度數(shù)據(jù)，因此用app來收集存儲跌倒數(shù)據(jù)。通過測試傳感器采樣頻率和樣本大小的不同組合方式，最終確定識別效果最好的組合是采樣頻率為“sensor_dealy_normal”,樣本大小是300個(gè)采樣點(diǎn)。數(shù)據(jù)采集時(shí)，將智能手機(jī)固定在腰部位置，進(jìn)行多次跌倒實(shí)驗(yàn)，每次跌倒均收集300個(gè)樣本點(diǎn)。獲得的數(shù)據(jù)在存儲前已經(jīng)過一定的預(yù)處理，包括：轉(zhuǎn)換成加速度信號幅值和中值濾波(濾波器大小為5個(gè)樣本點(diǎn)為一組)。把獲得的多組跌倒數(shù)據(jù)均以波形的方式呈現(xiàn)，選出一組最符合跌倒加速度變化的數(shù)據(jù)，并把這組數(shù)據(jù)記錄下來，記為樣本序列s(a1,a2……a300)運(yùn)用到后續(xù)的相似度計(jì)算中。

典型的跌倒過程一般分為4個(gè)階段：站立—失重—碰撞—靜止，人體在站立或較為平和的活動時(shí)，身體的加速度大小一般維持在0.85g—1.1g之間。從站立到碰撞到地面這之間由于身體處于自由落體的失重狀態(tài)，加速度大小會在短時(shí)間內(nèi)急劇下降至0.35g及以下。而人體與地面碰撞的瞬間，人體加速度達(dá)到最大值，在1.5g—2.5g之間。跌倒發(fā)生后，人平躺在地面上，加速度又會趨近于1g，根據(jù)上述數(shù)據(jù)，在本實(shí)施例中，端點(diǎn)檢測的閾值g為3.5m/s²。接下來具體闡述在本實(shí)施例中，如何使用動態(tài)時(shí)間規(guī)整(dtw)算法來識別一個(gè)典型的跌倒。首先實(shí)現(xiàn)監(jiān)聽傳感器這個(gè)基礎(chǔ)功能，方法是在android程序里啟用一個(gè)service，在service里調(diào)用系統(tǒng)的傳感器服務(wù)。使用service的優(yōu)點(diǎn)是可以讓這部分功能運(yùn)行在后臺，不需要創(chuàng)建用戶界面與用戶進(jìn)行交互。在service中得到原始的加速度數(shù)據(jù)后，立即通過計(jì)算得到加速度信號幅值(m_sv)，然后對m_sv進(jìn)行端點(diǎn)檢測。如果檢測到m_sv<0.35g或m_sv<3.5m/s²，則判斷為接下來可能會發(fā)生跌倒，需要采集更多的數(shù)據(jù)進(jìn)一步判斷。否則將不斷地監(jiān)聽傳感器的變化，直到監(jiān)聽到滿足端點(diǎn)檢測條件的點(diǎn)。

若某點(diǎn)滿足端點(diǎn)檢測，抽取了該點(diǎn)之后一段長度的加速度數(shù)據(jù)。為了簡化動態(tài)時(shí)間規(guī)整算法，抽取與樣本序列相同長度的，即300個(gè)采樣點(diǎn)的加速度數(shù)據(jù)。對其依次進(jìn)行計(jì)算加速度信號幅值和中值濾波(濾波器大小為5個(gè)樣本點(diǎn)為一組)，最后得到的300個(gè)數(shù)據(jù)作為查詢序列q(a1,a2……a300)運(yùn)用到后續(xù)的相似度計(jì)算中。

在得到樣本序列和查詢序列的基礎(chǔ)上，將兩者作為動態(tài)時(shí)間規(guī)整(dtw)算法的輸入。利用動態(tài)時(shí)間規(guī)整算法(dtw)，對齊樣本序列和查詢序列上的特征點(diǎn)，結(jié)果如圖2所示。圖中，a曲線為采集到的真實(shí)摔倒的樣本序列，b曲線為后續(xù)預(yù)測為摔倒的查詢序列。兩個(gè)曲線變化趨勢非常相似，但在時(shí)間軸上并不一一對應(yīng)。通過動態(tài)時(shí)間規(guī)整算法(dtw)，就可對齊特征點(diǎn)，找到兩曲線間的最短路徑。

根據(jù)最短路徑，獲得了查詢序列與樣本序列之間最優(yōu)路徑所對應(yīng)的累計(jì)距離，即為兩序列的相似度。距離值越小，相似度越高，最后與設(shè)定的相似度閾值相比較，本實(shí)施例中的相似度閾值為10。小于閾值，判斷為跌倒，進(jìn)入之后的用戶響應(yīng)階段；反之判斷為日常活動，返回監(jiān)聽傳感器數(shù)據(jù)。

設(shè)置用戶響應(yīng)階段的目的是為了方便用戶糾正判斷結(jié)果，如果發(fā)生沒有跌倒而判斷為跌倒的情況，可在此階段通過用戶的操作取消后續(xù)通知監(jiān)護(hù)人的功能。實(shí)現(xiàn)方法是，在上述判斷為跌倒后，流程進(jìn)入用戶響應(yīng)階段。先彈出一個(gè)alertdialog對話框和啟動手機(jī)的音頻功能發(fā)出警報(bào)聲，告訴用戶檢測到跌倒，并倒計(jì)時(shí)30s。在30之內(nèi)，如果用戶點(diǎn)擊“取消”，則認(rèn)為這是一次錯(cuò)誤判斷為跌倒的日常行為，返回初始狀態(tài)繼續(xù)監(jiān)聽傳感器；否則30s內(nèi)沒有收到用戶響應(yīng)，認(rèn)為跌倒事件成立，發(fā)送短信或撥打電話通知監(jiān)護(hù)人，及時(shí)就醫(yī)，減小危害。在本實(shí)施例中，發(fā)送警報(bào)的方式可以通過短信或自動撥號的方式通知移動設(shè)備中預(yù)設(shè)的監(jiān)護(hù)人，并且報(bào)警信息包括移動設(shè)備的當(dāng)前時(shí)間信息和位置信息，從而監(jiān)護(hù)人可以獲知跌倒事件發(fā)生的確切時(shí)間和地理位置。