Kalman滤波在跌倒检测中的实验分析

合集下载

基于无迹卡尔曼滤波和小波分析的IMU传感器去噪技术研究

现代电子技术Modern Electronics Technique2024年3月1日第47卷第5期Mar. 2024Vol. 47 No. 50 引言中国疾控中心的数据显示，跌倒已经成为中国65岁及以上老年人受伤致死的首要原因[1] 。

跌倒的医疗结果很大程度上取决于发现是否及时，现有的商用跌倒检测系统主要分为三类，即视频式跌倒检测系统、基于环境传感器的跌倒检测系统、穿戴式跌倒检测系统[2⁃6]。

视频式跌倒检测系统是在人体活动区域内安装摄像头来获取图像，然后在PC 端对图像进行处理分析，以此来判断人体运动状态。

这种方法虽然检测精度较高，但是由于成本限制，无法对老人进行24 h 的看护。

环境传感器检测系统通常将红外传感器、压力传感器、毫米波雷达等传感器安装在室内对老人进行运动检测，文献[7]利用雷达感知技术，通过检测人体高度来判断人体运动状态。

然而这种方法的成本过于昂贵，很难普及到群众。

基于无迹卡尔曼滤波和小波分析的IMU传感器去噪技术研究阳兆哲，李跃忠，吴光文（东华理工大学机械与电子工程学院，江西南昌 330032）摘要：获得精确的姿态信息是跌倒检测的关键。

文中在姿态角解算问题中提出一种基于无迹卡尔曼滤波和小波滤波的改进方法，通过Savitzky⁃Golay 滤波器和小波滤波融合算法对加速度计以及陀螺仪数据进行降噪处理，利用降噪后的加速度数据对陀螺仪数据进行PI 积分补偿，将补偿后的陀螺仪数据进行Mahony 解算，其结果作为无迹卡尔曼滤波的状态信息；其次通过加速度值解算，将其结果作为无迹卡尔曼滤波的量测信息实现姿态解算。

实验表明，在静态条件下，相对于常见的扩展卡尔曼滤波融合切比雪夫滤波算法，该方法使IMU 传感器原始加速度计精度提高了83.3%，姿态角标准差平均减少了0.001 93，能够有效地减少随机噪声。

零点漂移、高斯噪声对IMU 传感器姿态角信号的影响，使跌倒检测系统在复杂的环境条件下具有较高的精度以及稳定性。

一种改进的自动摔倒检测算法_刘红

（ Key Laboratory of Intelligent Computing and Signal Processing，Ministry of Education，Anhui University，Hefei 230039，China）
Abstract： Fall detection is an important problem in the application research of video surveillance． Quick and effective ways of getting the information of the people falling to the ground can help the people get timely assistance to reduce further injury． This paper proposed an improved algorithm of automatic fall detection． Based on using human aspect ratio features to judge human movements，two features—effective area ratio and center variation rate were adopted in this algorithm to modify detection results． Misjudgments could be effectively prevented and the accuracy of detection results could be greatly increased． This algorithm had a less computing complexity and was easy to implement． Experimental results showed that the algorithm had good robustness．

老人防摔腰带的设计与实现

• 190•为守护老人身体健康，本项目设计了一种能够提前预测老人摔倒的腰带，以缓冲气囊为主，缓解摔倒后对人体的冲击力从而起到保护作用。

其凭借轻便美观及全自动工作过程在降低操作难度的同时保证了穿戴的舒适性，为保障老年人的健康安全提供了全新角度的解决方案。

1 老人防摔腰带总体设计1.1 功能设计本产品是一款基于单片机和气囊的老人防护产品。

通过传感器预测摔倒的发生，由控制器触发电磁阀使压缩气体充入气囊，在摔倒前及时弹出来保护老人的安全。

缓冲气囊经折叠后固定在人体的腰间，弹出后用于保护佩戴者的臀部、后腰以及大腿两侧，以此来大大减少摔倒后受到的伤害。

与此同时，我们的产品采取用户和家属实时关联的理念，在腰带上安装有警报装置，在老人摔倒后发出警报声来吸引周围人的注意，并且设有相关手机APP 与地图导航软件关联，可将老人摔倒位置信息发送给监护人，以此保障老人的安全，给予第一时间的救护。

图1 防摔腰带主体结构1.2 产品组成部分主体结构如图1所示，老人防摔腰带的主要组成部分有：高弹力腰带、压缩气瓶、尼龙材质的缓冲气囊、摔倒检测模块。

动力源：小型蓄电池。

控制与信息处理装置：微控制器、ESP8266WiFi 模块、STM32ZET6单片机。

呼救装置：GPS 模块、警报模块。

1.3 充气系统设计充气系统主要由电磁阀、耐压管，压缩气瓶与折叠状态的缓冲气囊组成。

当摔倒发生时，在接收到单片机传来的信号后，电磁阀打开使得压缩气瓶中的气体经由耐压管进入折叠状态的缓冲气囊，最终气囊在0.11s 内展开，完成弹出过程。

气囊展开后将包裹老人的腰部、臀部以及大腿两侧，缓冲地面对于腰部、臀部的冲击，最大限度地减轻摔倒带来的损伤。

2 摔倒检测模块工作原理2.1 摔倒检测机理根据研究资料显示，摔倒分为4个阶段，即初态、失衡态、触地态、触地平衡态。

通过查阅资料以及多次实验发现，由失衡态到触地平衡态往往须耗时1.2～2.9s 。

所以，本项目须在1s 内完成由摔倒检测至气囊展开。

基于多传感器融合的老人跌倒检测

基于多传感器融合的老人跌倒检测作者：欧国维蒙山来源：《微型电脑应用》2020年第01期摘要：老年人跌倒受伤的问题已经随着人口老龄化显得非常突出，目前主流的跌倒检测算法既不实用也不准确。

为此提出一种新的基于加速度计、陀螺仪和磁力计的跌倒检测算法。

把人的活动姿势分平躺姿态和非平躺姿态，并假设在跌倒后检测到躺卧姿势。

检测算法分三步：四元数卡尔曼滤波，姿态识别，活动强度分析。

通过安装在腰部的九轴传感器采集数据，通过四元数卡尔曼滤波器，使系统可以获得在地面坐标系统中人体姿态矢量。

人体的姿态矢量包括欧拉角、四元数、加速度。

欧拉角用于确定平躺姿态和非平躺姿态，四元数和加速度用来分析平躺时的活动强度。

该算法具有计算量小、实时性好并且检测精度高、检测方便的特点。

关键词：老人; 跌倒检测; 欧拉角; 卡尔曼滤波方程; 姿态检测; 活动强度中图分类号： TP311 ; ; ;文献标志码： AFall Detecton for Elder People Based on Mult-sensor FusonOU Guowe， MENG Shan（College of Electroncs and nformaton Engneerng， Shenzhen Unversty， Shenzhen 518052）Abstract： Fall related njury s a central problem for the elder people. But prevalent methods are nether practcal nor useful n accuracy. Ths paper proposes a novel fall detecton algorthm usng accelerometers， gyroscopes and magnetometers. n our study， we dvde human actvtes nto two categores： lyng posture and no-lyng posture. We assume that a lyng posture s detected after falls. The proposed algorthm has three steps： quaternon Kalman flter， posture recognton， actvty ntensty analyss. The data are obtaned by usng nne-axal nertal measurement unt attached on the wast. Usng the quaternon Kalman fler， the system can obtan body's posture vectors measured n the frame of reference of the ground. The body's posture vectors nclude Euler angles， quaternon，acceleraton， etc. The Euler angles are used to determne the lyng posture or no-lyng posture. The quaternon and acceleraton are used to analyze actvty ntensty when lyng posture are detected. The proposed method features low computatonal cost and real-tme response. n addton， t has a nce accuracy and convenent n detect falls.Key words： Elder; Fall detect; Euler angle; Posture recognton; Actvty ntensty0 引言世界衛生组织（WHO）2016年9月报道指出跌伤是世界各地意外或非故意伤害死亡的第二大原因。

可穿戴式跌倒检测与预警系统研究

ｖｏｉｄ
和测量值计算当前最优值：Ｍａｔｌ’ｉｘＭｕｌ（Ｋ，Ｈ，Ｔｅｍｐｉ，０ＮＥ，０ＮＥ，０ＮＥ）；ＭａＩｒｉｘＭｉｎｕｓ（Ｉ，Ｔｅｍｐｉ，Ｔｅｍｐｉ，０ＮＥ，０ＮＥ）；
Ｍａ【ｒｉｘＭｕＩ（Ｔｅｍｐｌ，Ｐ，ｔｃｏｖ．ＰＮｏｗｏｐｔ，０ＮＥ，０ＮＥ，０ＮＥ）；／计算更新
后／／１古计协方差矩阵；Ｐ（ｋｌｋ）＝（Ｉ—Ｋｇ（ｋ）＊Ｈ）。Ｐ（ｋｆｋ—Ｉ）
ＭａｔｄｘＡｄｄ（Ｔｅｍｐｌ，Ｑ，Ｐ，ＯＮＥ，０ＮＥ）；，／预测数据的／／协方差矩阵；Ｐ（ｋｌｋ—１）＝Ａ（ｋ，ｋ—１）＋Ｐ（ｋ一１『ｋ—１）４Ｆ（ｋ，ｋ—１）’＋ＱＭａｔｒｉｘＣａｌ（Ｈ，Ｐ，Ｔｅｍｐｉ，０ＮＥ）；ＭａｔｒｉｘＡｄｄ（Ｔｅｍｐ１，Ｒ，Ｔｅｍｐｉ，０ＮＥ，ＯＮＥ）；ＧａｕｓｓＩｊｏｒｄａｎ（Ｔｅｍｐｌ，０ＮＥ）；
跌倒检批模块
报警及定位摸块
ｌｏｃａｔｉｏｎ．ＬｏｃａｔｉｏｎＣｌｉｅｎｔ及ｃｏｍ＿ｂａｉｄｕ．１０ｃａ【ｉｏｎ．Ｌ０ｃａｔｉｏｎＣｌｉｅｎ【０ｐｔｉｏｎ。
在发出报坐标到地址的转换服务．通过向服务器发送包括经纬度信息在内的ＨｒｒｌｌＰ请求，服务器返回ＪｓＯＮｌ－２模块功能系统采用ｓＴＭ３２作为主处理器，接收来自陀螺仪、三轴加速度计的数据和信号。执行算法进行数据处理．并在必要时通过蓝牙模块向手机１发送报警信号．手机ｌ接到报警信号后继续向手机２发出报警短信或电话．同时给出警报所在的位置信息。ｉ轴加速度计。是测量载体ｘ轴、ｖ轴以及ｚ轴方向上线加速度的仪表．通过３个轴向的加速度判断跌倒动作。当然．仅通过三轴加速度计是测不到转动的动作的，难以测量出完整的３Ｄ动作．所以进行跌倒动作的判断还需要结合陀螺仪。陀螺仪可以对转动、偏转的动作做很好的测量，这样就可以精确分析判断出使用者的实际动作。数据．再通过Ｊｓ０Ｎ解析获得地址信息。

Kalman滤波技术在地球化学数据处理中的应用

Kalman滤波技术在地球化学数据处理中的应用武飞;柳炳利【摘要】The conventional geochemical data processing problems, the introduction of Kalman ifltering for noise reduction on the geochemical data preprocessing, and Kalman ifltering techniques applied geochemical data error correction system feasibility studies and Tonglvshan 1:5 000 STREAM Cu in an example of the measurement data validation analysis results showed that, Kalman ifltering technique on geochemical data processing has advantages geochemical data for error correction.%针对传统地球化学数据处理问题，引入Kalman滤波对地球化学数据进行降噪预处理，并对Kalman滤波技术应用于地球化学数据误差校正的可行性进行了系统研究，并以铜绿山1：5万水系中Cu的测量数据为例进行了验证分析，试验结果表明，Kalman滤波技术在对地球化学数据处理方面具有优势，适用于地球化学数据的误差校正。

【期刊名称】《软件》【年(卷),期】2013(000)009【总页数】5页(P70-74)【关键词】Kalman滤波;地球化学数据;降噪【作者】武飞;柳炳利【作者单位】成都理工大学，成都 610059;成都理工大学数学地质四川省重点实验室，成都 610059【正文语种】中文【中图分类】P40地球化学数据预处理在整个地球化学数据的处理流程中占有重要地位，常规的方法往往人为的去除高值极易掩盖异常信息。

基于Kalman滤波器的故障诊断方法及其在铁道车辆中的应用-铁科院

正如上面分析的那样第一秒时刻前后的误差没有大的分别这就是使用位移能够诊断出故障基于改进状态模型的客车悬挂系统参数的故障诊断上一节提到的以车体的垂向位移和转向架的垂向位移分别为观测数据利用kalman滤波器得到的wssr能诊断出故障而分别以他们的垂向速度为观测数据就不能诊断出故障
第 27 卷第 1 期 2007年1月文章编号 : 1008- 7842 ( 2007) 01- 0009- 04
0 0 c1 0 0 0 0 k1 0 0
0 0 0 c1 0 0 0 0 k1 0
0 0 0 c1 0 ,
x [ k + 1] = e ATk x [ k ] + A- 1 ( e ATk - I ) Bu[ k] 其中 T k = tk + 1 - t k , 为采样时间间隔。令 A = e AT k
( c21 + c22)l 2 - c21l c22l 0 0 0 2k 2l k 2l 0 0
2
- c21l 2c1 + c21 0 0 0 - k2 - k 2l 2k1 + k 2 0 0 0
,
- k 2 - k 2l
,
10
铁道机车车辆
第 27 卷
^
0 0 c1 [ Cf ] = 0 0 0 0 k1 [ Kf] = 0 0
, zV z#V
A- 2 e- A t cos( t +
^
^
∃e
t 0
^
- At
^
cos( t +
^
) d t = ( I + A- 2) - 1 [- A- 1e- At cos( t + ) + ) + A- 1 cos( ) - A- 2 sin ( ) ] ( 13)

基于Kalman滤波算法的陀螺仪动态漂移补偿研究

基于Kalman滤波算法的陀螺仪动态漂移补偿研究马正华;卢成俊;戎海龙;贺小捧【摘要】应用MEMS陀螺仪测量人体手臂运动姿态时,针对陀螺仪受线加速度干扰导致测量姿态发散的问题,提出基于Kalman滤波算法的姿态误差补偿方法;该方法首先将陀螺仪采集到的角速度通过方向余弦算法解算得到姿态角,并将陀螺仪动态漂移造成的姿态角误差视为时变信号,通过建立姿态角漂移误差的状态方程及观测方程,应用卡尔曼滤波算法,实现对姿态角漂移误差的估计,最终达到对陀螺仪动态漂移误差的补偿;实验与仿真结果表明,应用该算法能够有效的抑制线加速度干扰导致的陀螺仪测量的姿态发散,适用于陀螺仪对人体手臂运动姿态的测量.【期刊名称】《计算机测量与控制》【年(卷),期】2016(024)009【总页数】4页(P191-194)【关键词】姿态测量;方向余弦算法;卡尔曼滤波算法;姿态补偿【作者】马正华;卢成俊;戎海龙;贺小捧【作者单位】常州大学信息科学与工程学院,江苏常州 213000;常州大学信息科学与工程学院,江苏常州 213000;常州大学信息科学与工程学院,江苏常州 213000;常州大学信息科学与工程学院,江苏常州 213000【正文语种】中文【中图分类】TP3获取真实准确的人体运动姿态信息是对人体开展生物力学方面的研究和对人体的各种运动信息进行检测、跟踪以及统计分析的基础。

MEMS惯导器件由于体积小、成本低、易于数字化和动态测量特性良好等优点成为人体姿态测量的理想选择[1-3]。

对陀螺仪输出进行积分便能得到姿态信息[4]，而由于本身特性的限制，MEMS陀螺仪的输出噪声以及随机漂移导致解算得到的姿态产生漂移误差[5-6]，并随时间推移而累积增大，因此陀螺仪通常与其他姿态传感器组合使用获得稳定可靠的姿态信息。

目前传统的方法是采用融合算法，以加速度传感器、地磁传感器输出姿态角来修正陀螺仪的输出。

Sabatini AM提出了一种VSD-EKF(variable-state imension extend kalman filter)算法,该算法假设目标物体在缓慢移动,即假设载体没有线加速度干扰,用MARG 传感器估计人体三维姿态信息,但该算法解算精度只排除了环境磁场影响和陀螺仪随机误差影响,没有考虑到人体姿态变化带来的加速度变化导致加速度计干扰的情况[7]。

旋转机械振动信号的Kalman滤波及故障诊断

旋转机械振动信号的Kalman滤波及故障诊断赵锦剑;杨光永;周安然;项敏敏【摘要】对于一个稳定运行的旋转机械系统,其振动响应信号可以由自回归(AR)模型来描述.在此基础上提出了一种基于Kalman滤波原理的旋转机械振动信号处理方法.利用Kalman滤波算法估计出稳定系统振动响应信号的AR模型参数,并利用此模型建立Kalman滤波所需的状态空间方程,再结合Kalman递推算法构建一种新的振动信号滤波处理方法.并将此方法应用到旋转机械系统故障诊断中.研究结果表明:所用的方法能够有效地消除旋转机械振动信号中的噪声和检测出振动信号中的微弱突变信息.【期刊名称】《仪表技术与传感器》【年(卷),期】2014(000)005【总页数】4页(P80-83)【关键词】Kalman滤波;AR模型;振动信号;状态空间方程;突变信息;故障诊断【作者】赵锦剑;杨光永;周安然;项敏敏【作者单位】云南民族大学电气信息工程学院,云南昆明650504;云南民族大学电气信息工程学院,云南昆明650504;华南理工大学机械工程学院,广东广州510640;云南民族大学电气信息工程学院,云南昆明650504;云南民族大学电气信息工程学院,云南昆明650504【正文语种】中文【中图分类】TB535+.20 引言机械系统振动信号处理及故障诊断方法包括自适应滤波[1]、高阶谱分析[2]以及独立分量分析(ICA)[3]等。

自适应滤波适用于较复杂的机械振动信号处理，它具有很强的自学习和自跟踪能力，能够通过系统辨识来对某一未知的动态系统进行逼近。

高阶谱是分析非平稳信号和非高斯信号的有力工具，可以定量地描述信号中与故障密切联系的非线性相位耦合。

Yang[4]等研究了利用双谱分析定量地描述信号中与机械故障密切联系的二次相位耦合的方法，进而对转子故障进行诊断。

但常规的双谱分析只以单通道信息为研究对象，不能完全地反映旋转系统的非线性特征，从而影响了故障诊断的准确性。

Kalman滤波在室内定位动态测量中的应用

两个平面方程的联立为空间直线方程，式（３）（４）的几何意义就是过ＤＰｌ和Ｏ２尸１的空间直线。由于空间点Ｐ是Ｄ尸ｌ和０的交点，它必然同时满足式（３）与（４）。
ｌ
（ｌｍ３１一ｍ２１）＋（１ｍ３２－ｍ２２）ｙ
ｌ１ｌ
０ＰＩ与Ｏ两条射线的交点。这里系统采用三个摄像
头两两交汇得到空间点的三个位置坐标．来提高系统测量的精度
）的结果为：
Ｐ：ｌＹｌ＝（ＡｒＡ）一
（５）
ＩＪ
其中：
ｌｌ１１ｌＩ
ｍｌ３
１２３
ｍ１４
１
Ｍｌｍ３ｌ— ｍｌ１
Ｉｔｌｍ３２一ｍ１２
１ｌ
图形图像
— — —
—
—
物体三维信息的过程［６１而本文的室内定位测量是利用
坐标系下的齐次坐标。从而得（Ｕｌｍ３ｌ — ｍｌ１）
１１
的四个
双目立体视觉定位原理．即采用两个摄像头在针孔成像模型下．如果摄像头光心和像点已知．就可以确定这两点组成的唯一射线．而物点必然在此射线上由两个摄像头进行交汇就有两条这样的射线．射线相交于物
＋（１３一ｍ２３）＝ｍ２４ｌｍ３４

人体摔倒行为识别研究中的自动化深度特征提取

第１３卷㊀第１１期Ｖｏｌ．１３Ｎｏ．１１㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１１月㊀Ｎｏｖ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１１－０２９８－０６中图分类号：ＴＰ１８文献标志码：Ａ人体摔倒行为识别研究中的自动化深度特征提取潘道华１，２，刘宏伟１（１哈尔滨工业大学计算机科学与技术学院，哈尔滨１５０００１；２黑龙江民族职业学院电子信息工程系，哈尔滨１５０００１）摘㊀要：在人体摔倒行为识别的研究中，特征提取是非常重要的一个环节㊂目前，特征提取主要是通过手工法提取，提取的特征包括时域特征㊁频域特征和时频域特征㊂这些传统的手工法提取的特征往往导致分类识别的准确性不够高㊂为了提高识别准确性和特征提取的自动化程度，减少人为的干预，本文提出用基于卷积神经网络（ＣＮＮ）进行深度特征的提取，然后再经过机器学习分类器算法进行识别，利用该方法可以大大提高分类识别的准确率㊂关键词：特征提取；摔倒行为识别；ＣＮＮ；深度特征ＡｕｔｏｍａｔｉｃｄｅｐｔｈｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｎｈｕｍａｎｆａｌｌｉｎｇｒｅｃｏｇｎｉｔｉｏｎｒｅｓｅａｒｃｈＰＡＮＤａｏｈｕａ１，２，ＬＩＵＨｏｎｇｗｅｉ１（１ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ；２ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨｅｉｌｏｎｇｊｉａｎｇＭｉｎｚｕＣｏｌｌｅｇｅ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｓａｖｅｒｙｉｍｐｏｒｔａｎｔｌｉｎｋｉｎｔｈｅｓｔｕｄｙｏｆｈｕｍａｎｆａｌｌｉｎｇｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎ．Ａｔｐｒｅｓｅｎｔ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｓｍａｉｎｌｙｔｈｒｏｕｇｈｍａｎｕａｌｍｅｔｈｏｄ，ａｎｄｅｘｔｒａｃｔｅｄｆｅａｔｕｒｅｓｉｎｃｌｕｄｅｓｔｉｍｅ－ｄｏｍａｉｎｆｅａｔｕｒｅｓ，ｆｒｅｑｕｅｎｃｙ－ｄｏｍａｉｎｆｅａｔｕｒｅｓａｎｄｔｉｍｅ－ｆｒｅｑｕｅｎｃｙ－ｄｏｍａｉｎｆｅａｔｕｒｅｓ．Ｔｈｅｔｒａｄｉｔｉｏｎａｌｍａｎｕａｌｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓｏｆｔｅｎｒｅｓｕｌｔｓｉｎａｌｏｗａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｒｅｃｏｇｎｉｔｉｏｎａｎｄｔｈｅａｕｔｏｍａｔｉｏｎｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ａｌｓｏｉｎｏｒｄｅｒｔｏｒｅｄｕｃｅｈｕｍａｎｉｎｔｅｒｖｅｎｔｉｏｎ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｍｅｔｈｏｄｂａｓｅｄｏｎＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ（ＣＮＮ）ｔｏｅｘｔｒａｃｔｄｅｅｐｆｅａｔｕｒｅｓａｎｄｉｄｅｎｔｉｆｙｔｈｅｈｕｍａｎａｃｔｉｖｉｔｉｅｓｔｈｒｏｕｇｈｍａｃｈｉｎｅｌｅａｒｎｉｎｇｃｌａｓｓｉｆｉｅｒ，ｗｈｉｃｈｃａｎｇｒｅａｔｌｙｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｒｅｃｏｇｎｉｔｉｏｎｏｆｆａｌｌｉｎｇｂｅｈａｖｉｏｒ；ＣＮＮ；ｄｅｐｔｈｆｅａｔｕｒｅ基金项目：黑龙江省教育科学规划２０２３年度重点课题（ＺＪＢ１４２３０３５）㊂作者简介：刘宏伟（１９７１－），男，博士，教授，主要研究方向：并行计算与体系结构㊁容错计算机㊁云计算与资源调度㊂通讯作者：潘道华（１９８１－），女，博士研究生，主要研究方向：ＡＩ㊁模式识别㊁可穿戴计算㊂Ｅｍａｉｌ：ｐａｎｄａｏｈｕａ＠ｆｔｃｌ．ｈｉｔ．ｅｄｕ．ｃｎ㊂收稿日期：２０２１－０３－２００㊀引㊀言当今社会人口老龄化现象是最显著的人口特征之一，由于老年人生理结构的老化和身体机能的下降，在生活中老年人意外摔倒不再是个例，是造成老年人严重健康伤害㊁甚至死亡的十大主要原因之一㊂在日常生活中，尤其是在潮湿处，如厨房㊁浴室等地，老人就容易出现打滑㊂此时，若老年人还患有脑溢血㊁心脏病等疾病，发生摔倒就有可能危及老年人的生命㊂此外，当今社会老人户外摔倒，若未能遇到路人及时伸出援手，就将导致摔倒后的老人很长一段时间内得不到救助［１］，这种情况就更会加剧对老年人的伤害㊂综上可知，老年人摔倒问题已经衍生成为一个重大的社会问题［２］㊂因此，摔倒行为识别对老年人尤为重要，有关人体摔倒行为识别的研究具有很高的实际应用价值㊂在人体摔倒行为识别的研究中，特征提取是至关重要的一个环节㊂目前，特征提取主要是通过手工法提取，提取的特征包括时域特征㊁频域特征和时频域特征㊂这些传统的手工法提取的特征往往导致分类识别的准确性不够高㊂为了提高识别准确性和特征提取的自动化程度，减少人为的干预，本文提出基于卷积神经网络（ＣＮＮ）进行深度特征的提取，而后再经过机器学习分类器算法进行识别的方法㊂将深度学习技术与机器学习算法相相合，可以使整个模型的综合性能得以提高，从而提升人体摔倒行为识别准确率㊂将ＣＮＮ用作分类器会有一定的局限性㊂分析可知，ＣＮＮ是多层感知机的拓展模型，通过使用经验风险最小化的算法来进行训练学习，这就容易导致模型最终得到的不是全局最优解㊁而是局部最优解［３］㊂另外，当数据到达网络的输出层（ｏｕｔｐｕｔｌａｙｅｒ）时，经常使用的多分类激活函数（ｓｏｆｔｍａｘ）往往倾向于把一个极大的值（近似为１）赋给某一个类别，而其它的类别所得的值相比就很小（近似为０），这就明显降低了ＣＮＮ在分类识别中的容错能力㊂因此，ＣＮＮ并不适合用作分类器模型［４］㊂本文选择了ＣＮＮ结合ＳＶＭ的混合式模型做人体摔倒行为的分类研究，可以大大提高识别的准确率㊂１㊀人体摔倒过程的分析及数据获取１．１㊀人体摔倒过程的分析人体摔倒在地面或接近于地面的较低物体上时，会对其产生一定的冲击，根据冲击的强度，可以将摔倒分为硬摔倒和软摔倒两大类［５］㊂其中，硬摔倒是指发生撞击后，会引起身体的一系列疾病的摔倒㊂软摔倒是指因为撞击强度低，发生撞击后，身体不会受到严重伤害的摔倒，比如老年人靠在墙边，或者扶着墙壁等比较缓慢地摔倒㊂由于硬摔倒会对身体产生较大的危害，因此，本文着重对这种摔倒进行研究和分析㊂根据人体动力学的原理，当人体的重心投向地面的投影不在人体的支撑点上时，人体的力平衡机制就已经被打破㊂如果人体的重心或支撑点没有得到及时调整，就极易发生摔倒㊂这种人体的不平衡状态导致的结果是人体以一定的加速度向下落地，同时，身体的姿态角度发生变化㊂根据这一分析，可以将摔倒过程分为４个阶段：（１）摔倒开始阶段：此时摔倒并没有发生，但人体平衡被破坏了，在这一阶段里身体加速度和身体姿态角度都没有发生改变㊂（２）身体下降阶段：从人体失去平衡开始，到身体与地面接触结束㊂在这个过程中，人的双脚着地面会逐渐脱离地面，身体在重力加速度的作用下发生向下的坠落，该阶段中，人体处于失重的状态㊂由于人体受到重力加速度的作用，身体的变化速度在与地面发生撞击之前会逐渐增大，直至达到某个最大值㊂身体的加速度值也会发生变化，由重力加速度Ｇ逐渐下降为接近于０㊂身体绕人体坐标系中的坐标轴旋转的旋转角度和旋转角速度发生变化㊂（３）冲击发生阶段：从身体触碰地面或者较低平面那一刻开始，到身体静止在地面上为止㊂在冲击阶段中，身体的加速度值会发生剧烈的变化，身体将承受很大的冲击，这一阶段也是造成身体损伤的阶段㊂在身体受到撞击发生前，身体向下的运动速度达到最大值，此后与地面或其它较低平面发生突然性碰撞，速度发生骤减，减至０㊂此时，加速度会迅速地变大，会形成一个明显的峰值㊂（４）身体静止阶段：身体在受到冲击后通常会躺在地面上一段时间㊂一般情况下，无论身体是否受到伤害，在摔倒后的一段较短的时间内，身体都会处于一种相对静止的状态㊂在这一阶段，身体的加速度值处于相对平稳的状态㊂１．２㊀数据获取本文的实验数据是通过志愿者穿戴着一套动作捕捉设备进行采集的㊂该套设备全身共包含１６个传感器节点，如图１所示，每个传感器节点都为九轴传感器，分别集成了三轴加速度计㊁三轴陀螺仪㊁三轴地磁计㊂图１㊀数据采集所用的传感器节点Ｆｉｇ．１㊀Ｔｈｅｓｅｎｓｏｒｎｏｄｅｓｕｓｅｄｆｏｒｄａｔａａｃｑｕｉｓｉｔｉｏｎ㊀㊀该套动捕设备通过ＷｉＦｉ与主机通信，并将采集到的传感器数据存储在主机中㊂由于本文的实验是做人体大幅度动作的分类，旨在有效识别出是否有摔倒行为的发生，所以手背处的传感器节点所采集的数据对于摔倒识别的影响不大㊂另外，由于全身的传感器呈身体对称性分布，所以本文实验只选用身体单侧肢体的传感器节点和身体主干上的传感器节点的数据就可以实现实验要求，文中选用了７个关键的传感器节点所采集的传感器数据进行实验，这７个传感器节点分别位于头部㊁胸部㊁腰部㊁上臂部㊁前臂部㊁大腿部和小腿部㊂本文的部分实验数据是来源于５位６５岁以上的老年人真实日常生活中的各种行为数据的采集，但是由于没有那么多老年人可以进行实验数据的采集，另外又考虑到老年人的安全和健康，本文的另一部分数据获取来源于征集的２０位青年志愿者，志愿者的年龄范围为１８２２岁，平均年龄为２０．５岁；体重范围为４６７９ｋｇ，平均体重为６２．１８ｋｇ；身高范围为１５５１７８ｃｍ，平均身高为１６９．６ｃｍ㊂所有的志愿者模拟日常生活中７类常见的行为活动［６］：行走㊁坐㊁蹲㊁躺㊁站立㊁上楼㊁下楼，每种日常行为活动的数据采集持续时间为５ｍｉｎ㊂每位志愿者进行了模拟摔倒，摔倒分为向前㊁向后㊁向左㊁向右和行走中摔倒（也称为绊倒）㊂分别模拟人体下肢在突然失去控制的情况下和发生眩晕的情况下发生的摔倒，每种摔倒进行２０次，共计１００次，所有的摔倒都是在厚约１０ｃｍ的海绵垫上进行的㊂所有传感器节点的采样频率均为１２０Ｈｚ㊂实验采集的原始传感器数据信号通过０．２Ｈｚ的三阶巴特沃斯高通滤波器［７］进行滤波，接着再通过滑动窗口技术实现传感器数据的分割，将数据分９９２第１１期潘道华，等：人体摔倒行为识别研究中的自动化深度特征提取割成若干个数据片段㊂滑动窗口的时间窗口大小是由目标行为活动集来决定的，最终根据实际情况，将滑动窗口的时间设定为３ｓ，这是一个比较常用的窗口大小［８］㊂７个传感器节点分别穿戴在人身体上的７个不同位置，因为每个传感节点都包括三轴加速度计㊁三轴陀螺仪㊁三轴地磁计，所以每个数据文件包括６３列传感器数据㊂２㊀特征提取２．１㊀传统特征的提取特征提取是进行人体摔倒行为识别的过程中不可缺少的主要环节，对摔倒行为识别的准确性有着很大的影响㊂传统的统计特征会经常被用在人体行为识别的研究中，通常可分为时域特征㊁频域特征和时频域特征㊂Ｋｈａｎ等人［９］和Ｙａｎ等人［１０］对时域特征和频域特征进行了对比，结果是在大多数情况下时域特征对分类的作用更大，但是将两者结合起来是一种更好的方法㊂本文进行了传统特征的提取㊂对传感器的每个轴所采集的数据分别提取了９种常用特征：均值㊁方差㊁中位数㊁均方根㊁标准差㊁最大差值㊁偏度㊁峰度和能量，各指标的数学定义公式如下㊂（１）均值㊂计算公式可写为：μ＝ðＮｉ＝１Ｔ（ｉ）Ｎ（１）㊀㊀（２）方差㊂计算公式可写为：Ｄ＝ðＮｉ＝１（Ｔ（ｉ）－μ）２（２）㊀㊀（３）中位数㊂计算公式可写为：ＭＥＤ＝ｍｅｄｉａｍ（Ｔ（ｉ））（３）㊀㊀（４）均方根㊂计算公式可写为：Ｒ＝ðＮｉ＝１Ｔ（ｉ）２Ｎ（４）㊀㊀（５）标准差㊂计算公式可写为：σ＝ＤＮ－１（５）㊀㊀（６）最大差值㊂计算公式可写为：ΔＴ＝ｍａｘ（Ｔ（ｉ））－ｍｉｎ（Ｔ（ｉ））（６）㊀㊀（７）偏度㊂计算公式可写为：Ｓ＝１ＮðＮｉ＝１Ｔ（ｉ）－μσéëêêùûúú３（７）㊀㊀（８）峰度㊂计算公式可写为：Ｋ＝１ＮðＮｉ＝１Ｔ（ｉ）－μσéëêêùûúú４－３（８）㊀㊀（９）能量㊂计算公式可写为：Ｅ＝ðＮｉ＝１Ｆ（ｉ）２Ｎ（９）㊀㊀其中，Ｔ（ｉ）表示经过预处理后的数据的第ｉ个采样点值，Ｆ（ｉ）为Ｔ经过傅立叶变换后的第ｉ个傅立叶系数㊂经过特征提取后，形成了由各个传感器数据片段的特征向量组成的多维特征向量㊂２．２㊀深度特征的提取本文使用卷积神经网络ＣＮＮ来进行深度特征的提取㊂为了提取深度特征，构建ＣＮＮ的结构［１１］如图２所示㊂在实验部分，对基于深度特征的摔倒行为识别效果和基于传统的统计特征的识别效果做了对比㊂C L 1C L 2C L 3C L 4O u t p u t L a y e r特征向量（64）D e n s e64F l a t t e n L a y e rC o n v o l u t i o n L a y e r4个卷积核，3*3,R e L uI n p u t L a y e r360*9图２㊀进行深度特征提取的ＣＮＮ结构Ｆｉｇ．２㊀ＣＮＮｓｔｒｕｃｔｕｒｅｆｏｒｄｅｐｔｈｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ００３智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀㊀㊀为了阐述模型的工作机制，用Ｘ来表示卷积神经网络的输入数据㊂经过卷积后，第ｋ个特征图中的元素Ｅｋｐ，ｑ被记为［１２］：Ｅｋｐ，ｑ＝Ｆ（ｂｋ＋ðｉα＝１ðｊβ＝１ωｋα，βＸｐ∗（ｍ－２）＋ｑα，β）（１０）其中，（ｐ，ｑ）表示元素Ｅｋｐ，ｑ在对应的特征图中的具体位置；ｂｋ是偏置项；卷积核的大小用ｉ∗ｊ来表示；ωｋα，β表示卷积核权重值，这里的α和β标识为该权重在卷积核中的位置㊂假设原始传感器数据序列大小为ｍ∗ｎ，Ｓｐ∗（ｍ－２）＋ｑα，β表示进行第ｐ∗（ｍ－２）＋ｑ次卷积运算时输入的数据中对应位置的值㊂Ｆ为卷积层的激活函数，本文使用的是ＲｅＬｕ线性整流函数，函数形式可表示为：Ｆ（ｘ）＝ｍａｘ（０，ｘ）（１１）㊀㊀经过平化层后，所有的特征图经由矩阵转换为１Ｄ的向量㊂此后数据再经过全连接层，输出深层特征㊂全连接层的数学原理公式可表示为：ｖγ＝Ｓ（ðｕγ＝１Ｗｘγ＋ｂ）（１２）㊀㊀其中，ｕ表示输入的数据的维度；ｘγ个输入的元素；ｖγ表示第γ个输出的元素；Ｗ表示权重向量；ｂ为偏移值；Ｓ是激活函数ｔａｎｈ，其值可由如下数学公式计算求出：Ｓｘ()＝ｅｚ－ｅ－ｚｅｚ＋ｅ－ｚ（１３）㊀㊀最后一层的输出向量Ｖ＝［ｖ１，，ｖｕ］是卷积神经网络提取出的深度特征，为下一步将要进行的机器学习分类器做训练使用的特征㊂每个节点的采集数据是由９个轴的数据组成，采集到的数据序列经过滑动窗口进行分割，分割为每个窗口包含３６０个采样点的传感器数据文件㊂因此，进行深度特征提取的输入为多个３６０∗９大小的矩阵㊂卷积层采用４个卷积核，因为每３个传感器数据都属于同一类型，所以使用了４个大小为３∗３的卷积核㊂将ｓｔｒｉｄｅ设置为１㊂经过卷积运算后的结果，再经过平坦层的一维化运算进入稠密层，该层中设计了６４个权重节点，经过全连接运算后得到６４维的特征向量㊂３㊀实验对比分析人体摔倒行为的识别一般采用敏感性㊁特异性㊁准确性三个指标来评价㊂这３个指标是用４种可能情况来计算的，参见表１㊂表１㊀摔倒行为识别的４种可能情况Ｔａｂ．１㊀Ｆｏｕｒｐｏｓｓｉｂｌｅｃａｓｅｓｏｆｆａｌｌｉｎｇｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎ摔倒未发生摔倒发生没有检测到摔倒真阴性（ＴＮ）假阴性（ＦＮ）检测到摔倒假阳性（ＦＰ）真阳性（ＴＰ）㊀㊀表１中，ＴｒｕｅＮｅｇａｔｉｖｅｓ（ＴＮ）表示摔倒并未发生，可以正确识别为不是摔倒㊁而是其它行为的样本数；ＦａｌｓｅＮｅｇａｔｉｖｅｓ（ＦＮ）表示摔倒发生了㊁但却没有被识别出来的摔倒行为的样本数；ＦａｌｓｅＰｏｓｉｔｉｖｅｓ（ＦＰ）表示摔倒并未发生㊁但却把其它的日常行为活动误判为是摔倒行为的样本数；ＴｒｕｅＰｏｓｉｔｉｖｅｓ（ＴＰ）表示摔倒发生了㊁而且能正确地被识别出来的摔倒行为的样本数㊂进而，针对研究采用的评价指标，拟做剖析分述如下㊂（１）敏感性㊂是标识检测摔倒能力的指标㊂可由摔倒发生并能够成功检测到的摔倒数（ＴＰ）与发生的总摔倒数（ＴＰ＋ＦＮ）之比计算得出：Ｓｅｎｓｉｔｉｖｉｔｙ＝ＴＰＴＰ＋ＦＮ（１４）㊀㊀（２）特异性㊂是标识避免误报能力的指标，计算公式为：Ｓｐｅｃｉｆｉｃｉｔｙ＝ＴＮＴＮ＋ＦＰ（１５）㊀㊀至此分析可知，敏感性和特异性用来更好地了解摔倒行为识别的某些限制㊂（３）准确性㊂是有效区分和识别摔倒（ＴＰ）和非摔倒（ＴＮ）的能力，可以通过以下公式计算得出：Ａｃｃｕｒａｃｙ＝ＴＰ＋ＴＮＰ＋Ｎ（１６）㊀㊀其中，Ｐ表示摔倒发生的次数，Ｎ表示没有摔倒发生的次数㊂总体来说，准确性是一个全局性的指标，本文实验部分把准确性作为摔倒行为识别的衡量标准㊂３．１㊀基于传统特征的摔倒识别通过２．１节提取的统计特征作为特征向量，利用支持向量机（ＳＶＭ）［１３］㊁决策树（ＤＴ）［１４］㊁随机森林（ＲＦ）［１５］三种分类器模型分别进行训练与测试，然后采用十折交叉验证法对分类效果进行验证㊂准确性的实验比较结果见表２㊂㊀㊀表２显示了３种分类器算法的不同检测效果㊂可能是因为ＤＴ分类器和ＲＦ分类器不适合对连续数据进行处理，还可能因为对分类器参数的设置没有达到最优，所以导致ＲＦ的效果略差，ＤＴ的效果１０３第１１期潘道华，等：人体摔倒行为识别研究中的自动化深度特征提取更差㊂总的说来，ＳＶＭ的平均识别准确性最高，整体效果最好㊂表２㊀基于统计特征的摔倒行为识别准确性Ｔａｂ．２㊀Ａｃｃｕｒａｃｙｏｆｆａｌｌｉｎｇｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｓ传感器位置ＳＶＭＤＴＲＦ头部８５．７０％７５．８８％８４．１９％胸部８５．１８％６９．５３％８３．８６％腰部８９．６１％８６．４６％８８．２３％前臂部８１．６２％６９．９３％８０．４９％上臂部８２．３０％７３．５３％８１．７０％小腿部８２．７１％７５．７８％８２．９２％大腿部８５．４２％７７．１７％８４．２２％㊀㊀另外，传感器佩戴的不同位置对摔倒行为的检测准确率有一定的差别㊂腰部采集的实验数据效果最好㊂不同传感器佩戴位置㊁不同的分类器算法对摔倒行为的检测准确率有一定的影响，但差别并不明显㊂综合ＳＶＭ㊁ＤＴ㊁ＲＦ三种分类器算法的摔倒行为识别准确率对比效果，如图３所示㊂9590858075706560头胸腰前臂上臂小腿大腿S V M D T R F准确率/%传感器佩戴位置图３㊀传感器佩戴位置与摔倒行为识别准确性的关系Ｆｉｇ．３㊀Ｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｅｎｓｏｒｐｏｓｉｔｉｏｎａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｆａｌｌｉｎｇｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎ㊀㊀通过实验可以看出：不同的传感器佩戴位置对摔倒行为的识别准确率影响并不大，特别是对ＳＶＭ这个整体性能比较好的分类器㊂虽然方法不同，但这一结论与其他研究工作者得出的结论相似［１６］㊂３．２㊀基于深度特征的摔倒识别３．２．１㊀基于深度特征的摔倒行为识别的效果利用本文设计的ＣＮＮ结构提取新的深度特征，构成特征向量，利用支持向量机（ＳＶＭ）㊁决策树（ＤＴ）㊁随机森林（ＲＦ）三种分类器模型分别对身体的７个传感器节点采集到的数据进行训练和测试，基于统计特征对身体各传感器节点的摔倒行为识别的准确性实验结果见表３㊂表３㊀基于深度特征的摔倒行为识别准确性㊀Ｔａｂ．３㊀Ａｃｃｕｒａｃｙｏｆｆａｌｌｉｎｇｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｄｅｐｔｈｆｅａｔｕｒｅ传感器位置ＳＶＭＤＴＲＦ头部９２．１５％７７．８３％８７．４１％胸部９０．７７％７１．４０％８３．１１％腰部９４．８９％８８．０５％９０．３１％前臂部８４．５２％７３．８２％８２．５１％上臂部９０．９２％７５．２０％８５．９４％小腿部８６．４７％７７．９２％８３．２７％大腿部８８．７１％７８．３６％８３．０５％３．２．２㊀基于深度特征与传统特征的摔倒行为识别的效果对比为了便于清楚地对比基于深度特征与传统特征的摔倒行为识别的效果，将识别准确率的效果以图４显示㊂传感器位置S V M （深度特征）S V M （传统特征）D T （深度特征）D T （传统特征）R F （深度特征）R F （传统特征）95908580757065识别准确率/%头胸腰前臂上臂小腿大腿图４㊀使用深度特征与传统特征进行的摔倒行为识别准确性的对比图Ｆｉｇ．４㊀Ｆａｌｌｉｎｇｂｅｈａｖｉｏｒｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｕｓｉｎｇｄｅｐｔｈｆｅａｔｕｒｅｓｖｅｒｓｕｓｔｒａｄｉｔｉｏｎａｌｆｅａｔｕｒｅｓ㊀㊀由图４可以看出基于深度特征的人体摔倒行为识别的准确率明显高于基于传统统计特征的人体摔倒行为识别的准确率㊂图４中，分类器算法ＳＶＭ通过ＣＮＮ提取的深度特征对摔倒识别准确率的提升最为明显㊂另外，在对人体摔倒行为识别的整个实验过程中，可以发现无论使用哪一种分类器，相对运动幅度比较小的活动的识别精度都相对较高，这是因为相对运动幅度比较小的活动所具有的平稳信号特性㊂而对于运动时幅度比较大的动态行为活动，识别准确率略低一些，也许是因为受数据失真的影响更大的结果㊂但是本文采用的基于ＣＮＮ提取的深度特征的方法可以大大地缓解这个问题㊂４㊀结束语本文提出了基于ＣＮＮ结构进行深度特征提取的方法，将深度特征的提取结合ＳＶＭ分类器用于人体摔倒行为识别的实验研究中，结果表明，提取不同的特征对人体活动识别的准确性有着很大的影响，２０３智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀基于ＣＮＮ的深度特征可以大大提高人体摔倒行为识别的准确率㊂另外，本文对身体不同的传感器佩戴位置所采集的实验数据对人体摔倒行为的识别准确率的影响进行了对比，结果是腰部的识别准确率最高，可达到９４．８９％㊂本文将基于ＣＮＮ和ＳＶＭ的混合分类识别模型用于人体摔倒行为识别的研究，可以大大提高摔倒行为识别的准确率㊂参考文献［１］ＭＡＣ，ＷＯＮＧＤ，ＬＡＭＷ，ｅｔａｌ．Ｂａｌａｎｃｅｉｍｐｒｏｖｅｍｅｎｔｅｆｆｅｃｔｓｏｆｂｉｏｆｅｅｄｂａｃｋｓｙｓｔｅｍｓｗｉｔｈｓｔａｔｅ－ｏｆ－ｔｈｅ－ａｒｔｗｅａｒａｂｌｅｓｅｎｓｏｒｓ：Ａｓｙｓｔｅｍａｔｉｃｒｅｖｉｅｗ［Ｊ］．Ｓｅｎｓｏｒｓ，２０１６，１６（４）：４３４．［２］朱志霞，王锦渝，李建军．根因分析法在管理跌倒事件中的成效［Ｊ］．中国医药指南，２０１６，１４（３２）：２９３－２９４．［３］ＮＩＵＸｉａｏｘｉａｏ，ＳＵＥＮＣＹ．ＡｎｏｖｅｌｈｙｂｒｉｄＣＮＮ－ＳＶＭｃｌａｓｓｉｆｉｅｒｆｏｒｒｅｃｏｇｎｉｚｉｎｇｈａｎｄｗｒｉｔｔｅｎｄｉｇｉｔｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２０１２，４５（４）：１３１８－１３２５．［４］ＸＵＥＤＩＸｉｕ，ＺＨＡＮＧＲｏｎｇ，ＦＥＮＧＨｕｉ，ｅｔａｌ．ＣＮＮ－ＳＶＭｆｏｒｍｉｃｒｏｖａｓｃｕｌａｒｍｏｒｐｈｏｌｏｇｉｃａｌｔｙｐｅｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｄａｔａａｕｇｍｅｎｔａ⁃ｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｄｉｃａｌａｎｄＢｉｏｌｏｇｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１６，３６（６）：７５５－７６４．［５］ＦＡＮＹａｘｉａｎｇ，ＬＥＶＩＮＥＭＤ，ＷＥＮＧｏｎｇｊｉａｎ，ｅｔａｌ，Ａｄｅｅｐｎｅｕ⁃ｒａｌｎｅｔｗｏｒｋｆｏｒｒｅａｌ－ｔｉｍｅｄｅｔｅｃｔｉｏｎｏｆｆａｌｌｉｎｇｈｕｍａｎｓｉｎｎａｔｕｒａｌｌｙｏｃｃｕｒｒｉｎｇｓｃｅｎｅｓ［Ｊ］．ＮｅｕｒｏＣｏｍｐｕｔｉｎｇ，２０１７，２６０：４３－５８．［６］李战明，闫亚庆．基于ＯｐｅｎＣＶ空巢老人跌倒检测监控系统的设计［Ｊ］．计算机与数字工程，２０１８，４６（６）：１１１７－１１１９，１１２９．［７］ＺＨＡＯＸｉａｏｑｕｎ，ＺＨＡＮＧＪｉｅ．Ｒｅｓｅａｒｃｈｏｎｉｍｐｌｅｍｅｎｔａｌｍｅｔｈｏｄｓｏｆｂｕｔｔｅｒｗｏｒｔｈｌｏｗ－ｐａｓｓｆｉｌｔｅｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＤａｌｉａｎＮａｔｉｏｎａｌｉｔｉｅｓＵｎｉｖｅｒｓｉｔｙ，２０１３，１５（１）：７２－７５．［８］ＢＥＲＳＣＨＳＤ，ＡＺＺＩＤ，ＫＨＵＳＡＩＮＯＶＲ，ｅｔａｌ．Ｓｅｎｓｏｒｄａｔａａｃ⁃ｑｕｉｓｉｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｐａｒａｍｅｔｅｒｓｆｏｒｈｕｍａｎａｃｔｉｖｉｔｙｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．Ｓｅｎｓｏｒｓ（Ｂａｓｅｌ，Ｓｗｉｔｚｅｒｌａｎｄ），２０１４，１４（３）：４２３９－４２７０．［９］ＫＨＡＮＡＭ，ＳＩＤＤＩＱＩＭＨ，ＬＥＥＳＷ．Ｅｘｐｌｏｒａｔｏｒｙｄａｔａａｎａｌｙｓｉｓｏｆａｃｃｅｌｅｒａｔｉｏｎｓｉｇｎａｌｓｔｏｓｅｌｅｃｔｌｉｇｈｔ－ｗｅｉｇｈｔａｎｄａｃｃｕｒａｔｅｆｅａｔｕｒｅｓｆｏｒｒｅａｌ－ｔｉｍｅａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｏｎｓｍａｒｔｐｈｏｎｅｓ．Ｓｅｎｓｏｒｓ，２０１３，１３（１０）：１３０９９－１３１２２．［１０］ＹＡＮＺｈｉｘｉａｎ，ＳＵＢＢＡＲＡＪＵＶ，ＣＨＡＫＲＡＢＯＲＴＹＤ，ｅｔａｌ．Ｅｎ⁃ｅｒｇｙ－ｅｆｆｉｃｉｅｎｔｃｏｎｔｉｎｕｏｕｓａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｏｎｍｏｂｉｌｅｐｈｏｎｅｓ：Ａｎａｃｔｉｖｉｔｙ－ａｄａｐｔｉｖｅａｐｐｒｏａｃｈ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＷｅａｒａｂｌｅＣｏｍｐｕｔｅｒｓ．Ｎｅｗｃａｓｔｌｅ，ＵＫ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２０１２：１７－２４．［１１］ＢＡＮＹ．Ｓｏｆｔｗａｒｅ－ｄｅｆｉｎｅｄｉｎｆｏｒｍａｔｉｏｎ－ｃｅｎｔｒｉｃｎｅｔｗｏｒｋｉｎｇｂａｓｅｄｅｘｅｒｃｉｓｅｉｎｔｅｎｓｉｔｙｅｖａｌｕａｔｉｏｎｏｆｖｏｌｌｅｙｂａｌｌｐｌａｙｅｒ：Ａｎｅｆｆｉｃｉｅｎｔｃｏｎ⁃ｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｅｔｈｏｄ［Ｊ］．ＩｎｔｅｒｎｅｔＴｅｃｈｎｏｌ．Ｌｅｔｔ．，２０２０．ＤＯＩ：１０．１００２／ｉｔｌ２．２４６．［１２］袁国良，樊肖爽．机器学习辅助ＩＭＵ人体跌倒状态识别［Ｊ］．单片机与嵌入式系统应用，２０１８，１８（６）：２５－２８，４１．［１３］ＦＵＬＬＥＲＴＯＮＥ，ＨＥＬＬＥＲＢ，ＭＵＮＯＺ－ＯＲＧＡＮＥＲＯＭ．Ｒｅｃｏｇ⁃ｎｉｚｉｎｇｈｕｍａｎａｃｔｉｖｉｔｙｉｎｆｒｅｅ－ｌｉｖｉｎｇｕｓｉｎｇｍｕｌｔｉｐｌｅｂｏｄｙ－ｗｏｒｎａｃ⁃ｃｅｌｅｒｏｍｅｔｅｒｓ［Ｊ］．ＩＥＥＥＳｅｎｓｏｒｓＪｏｕｒｎａｌ，２０１７，１７（１６）：５２９０－５２９７．［１４］ＡＬＴＵＮＫ，ＢＡＲＳＨＡＮＢ，ＴＵＮÇＥＬＯ．Ｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｎｃｌａｓｓｉｆｙｉｎｇｈｕｍａｎａｃｔｉｖｉｔｉｅｓｗｉｔｈｍｉｎｉａｔｕｒｅｉｎｅｒｔｉａｌａｎｄｍａｇｎｅｔｉｃｓｅｎｓｏｒｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２０１０，４３（１０）：３６０５－３６２０．［１５］ＭＩＲＪＡＬＩＬＩＳ．Ｄｒａｇｏｎｆｌｙａｌｇｏｒｉｔｈｍ：ａｎｅｗｍｅｔａ－ｈｅｕｒｉｓｔｉｃｏｐｔｉｍｉ⁃ｚａｔｉｏｎｔｅｃｈｎｉｑｕｅｆｏｒｓｏｌｖｉｎｇｓｉｎｇｌｅ－ｏｂｊｅｃｔｉｖｅ，ｄｉｓｃｒｅｔｅ，ａｎｄｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｐｒｏｂｌｅｍｓ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１６，２７（４）：１０５３－１０７３．［１６］ＳＺＴＹＬＥＲＴ，ＳＴＵＣＫＥＮＳＣＨＭＩＤＴＨ，ＰＥＴＲＩＣＨＷ．Ｐｏｓｉｔｉｏｎ－ａｗａｒｅａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｗｉｔｈｗｅａｒａｂｌｅｄｅｖｉｃｅｓ［Ｊ］．Ｐｅｒｖａｓｉｖｅ＆ＭｏｂｉｌｅＣｏｍｐｕｔｉｎｇ，２０１７，３８（２）：２８１－２９５．。

基于三个特征点的人体跌倒检测

基于三个特征点的人体跌倒检测作者：刘国帅熊平来源：《科技视界》 2015年第21期刘国帅熊平（中南大学，湖南长沙 410083）【摘要】设计了视频监控跌倒检测系统，采用人体姿态分析，通过人体轮廓提取、星形骨架提取、人体部位识别等步骤对视频图像进行处理，首先检测出三个特征点。

由特征点构成了跌倒判断的特征向量。

根据三个特征点相对位置的变化和特征向量与水平地面的夹角，来区分跌倒与正常人体活动的差别。

以3个志愿者的步行、坐下和蹲下三类最具代表性动作为实验样本，采用上述方法进行测试。

实验结果表明系统能有效检测跌倒，总体成功率超过90%，对正常活动的误报率仅7.5%。

【关键词】跌倒检测；智能监控；人体骨架提取；人体部位识别老年人意外跌倒一直是当今社会医疗保健的重要问题。

据统计，在全球超过65岁的老年人中，每年有近30%的人会发生意外跌倒事件[1]。

在我国，根据2010年第六次人口普查发现，“60岁以上”老年人口占总人口的比重达到了13.26%，“65岁及以上”老年人口则达到了8.87%。

随着全国人口老龄化问题的加剧，老年人因跌倒而受到意外伤害的情况越来越受到重视。

在家里，如果老年人发生跌倒并且不能及时得到救援，就会发生一系列后续症状更严重者甚至会威胁到老人生命。

鉴于此，近年来跌倒检测系统的开发已倍受关注，该类系统会在跌倒发生后及时检测并发出求救，以便救援人员能够及时赶到从而避免跌倒产生的后续伤害。

现阶段已投入商业化的跌倒检测系统多为“佩戴式”系统[2]，最主要的是基于压力传感器[3]和重力加速传感器[4]两大类，该系统需要老年人一直将其佩戴在身上或者放入口袋中。

这些佩戴式系统一般是基于重力加速传感器或者通过手动按下求助按钮来检测跌倒状态。

然而，老人往往会忘记佩戴它们，而在跌倒发生后，通常会伴随着晕厥，这样求助按钮也失去作用。

计算机视觉技术为此带来了新的解决方案。

基于计算机视觉的跌倒检测系统无需老年人的佩戴[5]，减少了对老年人日常生活的影响。

基于深度数据分析的室内老人摔倒检测方法

基于深度数据分析的室内老人摔倒检测方法杨磊;张文强;任衍允【摘要】人口老龄化是当前面临的重要社会问题,摔倒检测是老年护理和生活中的一个重要课题.针对基于穿戴传感器、环境传感器和计算机视觉的摔倒检测系统具有高入侵性、低精度和鲁棒性差等缺点,提出了一种基于深度数据分析的室内独居老人摔倒检测方法.微软Kinect传感器可有效、廉价地获得场景的三维信息,该方法基于Kinect传感器捕捉的深度数据进行摔倒检测分析.首先对背景帧深度数据和目标帧深度数据使用滤波方法进行预处理,并采用高斯模型对运动目标进行检测;然后通过水平和垂直投影直方图将深度图转换为视差图以得到地面信息,并用最小二乘法估计地面方程的参数;最后分析人体对象的动态信息,针对室内独居老人摔倒检测,假设室内只有一个运动个体,对于目标帧深度图像,计算人体重心与地面之间的距离.当人体重心到地面的距离低于阈值时,判定摔倒行为发生.实验结果表明,该方法可以有效地检测摔倒事件.%Aging is a serious problem now.Fall detection is an important subject in aged life care.The fall detection system based on wearable sensor,environmental sensor and computer vision has invasion,low precision and poor robustness and other shortcomings.For this we present a new fall detection method of elderly people living alone in a room environment based on the depth data analysis.Mi-crosoft Kinect sensor can get the three-dimensional information of the scene effectively and cheaply,and the method can carry on the fall detection analysis based on the depth data captured by Kinect sensor.Firstly,the depth data of both background frame and target frame is preprocessed by the filter method,and the moving object is detected by Gaussian model.And thenthe depth images are converted to dis-parity map through the horizontal and vertical projection histogram to get the ground information,and the least squares method is used to estimate the ground equation.Finally,the dynamic information of the human body is analyzed.It is assumed that there is only one moving individual in the room for the fall detection of elderly people living alone.Distances between the center of gravity and the ground are cal-culated through the target frame of depth image.When the distances from the centroids of the human body to the ground are lower than some thresholds,fall incident will be detected.Experiments show that the proposed method can detect fall incidents effectively.【期刊名称】《计算机技术与发展》【年(卷),期】2018(028)004【总页数】5页(P77-81)【关键词】摔倒检测;深度数据;视差图;Kinect传感器【作者】杨磊;张文强;任衍允【作者单位】上海大学机电工程与自动化学院上海市电站自动化技术重点实验室,上海200072;上海大学机电工程与自动化学院上海市电站自动化技术重点实验室,上海200072;上海大学机电工程与自动化学院上海市电站自动化技术重点实验室,上海200072【正文语种】中文【中图分类】TP3010 引言全球正以惊人速度奔向老龄化。