一种基于多分类器集成的老人跌倒检测方法及系统的利记博彩app
【技术领域】
[0001] 本发明涉及一种基于多分类器集成的老人跌倒检测方法及系统，属于医疗健康、 机器学习和移动互联网技术领域。
【背景技术】
[0002] 我国社会的老龄化问题日益加剧，其中老年人的健康安全监护问题的需求日益增 加。卫生部2007年公布的《中国伤害预防报告》指出，老年人意外伤害的首要原因是跌倒。 近据调查，49. 7%的城市老人独自居住；每年有25%的70岁以上老人在家中发生跌倒。在 跌倒后人们会面临双重危险，首先是跌倒本身直接造成的人体伤害，其次是如果跌倒后不 能得到及时的救助，可能会导致更加严重的后果，因此跌倒是老年人群伤残、失能和死亡的 重要原因之一，严重影响老年人日常生活能力、身体健康及精神状态，会给老年人造成巨大 伤害，伤痛、慢性病急性发作、生活质量急剧下降及沉重的医疗负担往往接踵而至，会给家 庭和社会增加了巨大的负担。另外不仅是对老人，在很多其他情况下，跌倒的报警也是非常 有帮助的，尤其是从比较高的地方跌倒下来的时候。比如人们在登山，建筑，擦窗户，刷油 漆和修理屋顶的时候。因此，如何预知老人跌倒的风险并最大限度地减少跌伤程度，往往 是亲属们最为关心的问题，能够随时检测老年人跌倒事件的发生，让老年人能够及时获得 救治就显得极为重要。这导致了跌倒检测系统研制的兴起和重视，它能够有效检测老年人 是否发生跌倒并及时报警，保护了老年人群的健康与安全。例如2010年，飞利浦公司推出 了 Lifeline紧急医疗救援系统，拥有项链式、手表式造型，可以随身佩戴，能及时准确地检 测到老人因意外或突发疾病而发生的跌倒并连接中心请求救援，为老人提供了生命保障。 2012年，深圳爱福莱科技有限公司推出了"跌倒自动求救手机"爱福莱A03,它能够在老人 发生跌倒时自动侦测、自动定位、自动报警和自动求救，最大限度地保障了老人独居和外出 期间的健康安全。
[0003] 跌倒方案大多只是利用了加速度传感器，少部分结合了 1到2个传感器，有一定的 误报率，本发明专利融合了更多的传感器。第2点，以前跌倒识别方法只使用单分类器完成 跌倒，本发明采用多分类器多步完成独立跌倒识别，最后集成完成跌倒识别。因此虽然目前 已有不少研究机构和公司推出了跌倒检测产品，但目前跌倒检测系统存在的主要问题是检 测的准确率不高，存在一定的误判率。
【发明内容】
[0004] 本发明要解决的技术问题是：跌倒检测方法及系统的跌倒检测的准确率不高，存 在较多误判情况。
[0005] 本发明涉及一种基于多分类器集成的老人跌倒检测方法，其特征在于该方法包括 以下步骤：
[1] 跌倒方向预测，根据检测跌倒方向的变化预测跌倒；
[2] 跌倒压力预测，根据跌倒时的气压和撞击地面的压力预测跌倒；
[3] 跌倒声音预测，根据跌倒时候的声音，包括撞击地面的声音和人体发出的声音，预 测跌倒；
[4] 跌倒误判预测，根据采集的人体检测传感器信息，判断人体是否在人体传感器附 近，预防误判；
[5] 构造跌倒特征向量，其由以上四步完成的预测结果构成；
[6] 跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒，输出预测结果。
[0006] 步骤[1]跌倒方向预测包括以下步骤： a) 采集三轴加速度传感器、陀螺仪、地磁传感器信息； b) 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间 区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一 个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量； c) 构造跌倒方向特征向量，其组合所构造的传感器特征向量； d) 采用分类器预测跌倒，输出结果vl。
[0007] 步骤[2]跌倒压力预测包括以下步骤： a) 采集气压传感器、压力传感器信息； b) 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间 区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一 个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量； c) 构造跌倒压力特征向量； d) 采用分类器预测跌倒，输出结果v2。
[0008] 步骤[3]跌倒声音预测包括以下步骤： a) 米集跌倒时的声音传感器信息； b) 构造跌倒声音特征向量； c) 采用分类器预测跌倒，输出结果v3。
[0009] 步骤[4]跌倒误判预测包括以下步骤： a) 采集人体检测传感器信息； b) 预测是否检测到人体，输出结果v4。
[0010] 步骤[5]构造跌倒特征向量V-= (α，ν".ο^4)，其中Gi为四个分类器单独对跌倒判 断时的准确率，其Cii为权重要，Fi为四个分类器的输出值，跌倒为1，否则为0。
[0011] 步骤[6]跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒。
[0012] 进一步，所诉的分类器包括支持向量机，集成分类器Adaboost，旋转森林分类器。 所述的分类器都需要准备跌倒样本(跌倒特征向量，跌倒类别）训练集，跌倒类别为：跌倒为 1，否则为0。
[0013] 一种基于多分类器集成的老人跌倒检测系统，其特征在于，所述的系统包括：一个 跌倒训练样本数据库，存储很多跌倒特征向量及跌倒类别的训练样本。一个跌倒档案数据 库，用以储存跌倒时的每个传感器特征向量，跌倒特征向量，跌倒预警信息，和跌倒预警时 间。系统还包括模块：传感器信息采集模块，传感器特征向量构造模块，跌倒特征向量构造 模块，特征选择模块，跌倒识别模块，跌倒识别模型学习模块，跌倒预警模块，跌倒档案管理 模块，其中传感器信息采集模块的输出与传感器特征向量构造模块的输入连接，传感器特 征向量构造模块的输出与跌倒特征向量构造模块的输入连接，跌倒特征向量构造模块的输 出与特征选择模块的输入连接，特征选择模块的输出与跌倒识别模块的输入连接，跌倒识 别模型的学习模块的输出与跌倒识别模块的输入连接，跌倒识别模块的输出与跌倒预警模 块的输入连接，跌倒预警模块的输出与跌倒档案管理模块的输入连接。其中跌倒识别模型 学习模块离线独立在计算机上运行。
[0014] 有益效果 与现有技术相比，本发明一种基于多传感器融合的老人跌倒检测方法及系统具有以下 优点：
[1] 采用了多种传感器以及鲁棒分类器，跌倒检测的准确率高；
[2] 跌倒检测系统能够运行在智能手机上，仅使用日用手机就能检测用户是否跌倒，方 便易用；
[3] 跌倒预警与移动通讯相结合，对用户所在位置和时间进行锁定，呼救及时。
【附图说明】
[0015] 图1 一种基于多分类器集成的老人跌倒检测方法流程图； 图2 -种基于多分类器集成的老人跌倒检测系统结构图。
【具体实施方式】
[0016] 本发明提出的一种基于多分类器集成的老人跌倒检测方法及系统，结合附图和实 施例说明如图1。如图1所示，为一种基于多分类器集成的老人跌倒检测方法流程图，该方 法包括以下步骤：
[1] 跌倒方向预测，根据检测跌倒方向的变化预测跌倒
[2] 跌倒压力预测，根据跌倒时的气压和撞击地面的压力预测跌倒
[3] 跌倒声音预测，根据跌倒时候的声音，包括撞击地面的声音和人体发出的声音，预 测跌倒
[4] 跌倒误判预测，根据采集的人体检测传感器信息，判断人体是否在人体传感器附 近，预防误判；
[5] 构造跌倒特征向量，其由以上四步完成的预测结果构成
[6] 跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒，输出预测结果。
[0017] 步骤[1]跌倒方向预测包括以下步骤 a) 采集三轴加速度传感器、陀螺仪、地磁传感器信息。三轴加速度传感器：个体运动 时，会在三个正交方向产生不同的加速度，这些加速度的变化值可用来判断身体姿态的变 化，是判断个体是否发生跌倒的依据。陀螺仪：现代陀螺仪可以精确地确定运动物体的方 位，可以通过陀螺仪获取人体运动方位的变化来判断跌倒。地磁传感器：采用法拉第电磁感 应定律，即线圈切割地磁场磁力线产生感应电动势的原理，主要用途是感应姿态的变化。当 跌倒时会导致地磁信息变化，进而作为姿态变化的判断依据； b) 构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间 区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一 个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量。其中三轴加速度传 感器，每轴测量范围从几 g到几十g不等，因此三轴加速度传感器的输出是构成三维特征向 量。三轴陀螺仪，能够测量沿三个轴运动的角速度，形成三维特征向量。将加速度计与陀螺 仪相结合，就能得到既纯净又反应敏捷的输出。地磁传感器，通过给出在X轴，Y轴和Z轴上 的地磁力投影，可以提供活动物体的航向角、俯仰角和横滚角，从而可以确定物体的姿态， 形成6维特征向量。例如在地磁传感器HMC5883的内部一共有12组寄存器，其中用于存放 X、Y、Z三轴数据的寄存器有6个； c) 构造跌倒方向特征向量，其组合所构造的传感器特征向量； d) 采用分类器预测跌倒，输出结果vl。所诉的分类器包括支持向量机，集成分类 Adaboost，旋转森林分类器。进一步，所述的分类器都需要准备跌倒样本(跌倒特征向量，跌 倒类别）训练集，跌倒类别为：跌倒为1，否则为0。
[0018] 步骤[2]跌倒压力预测包括以下步骤 a) 采集气压传感器、压力传感器信息。压力传感器：个体跌倒着地时，传感器撞击地 面，