一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及大數(shù)據(jù)、機(jī)器學(xué)習(xí)、醫(yī)療健康和移動(dòng)互聯(lián)網(wǎng)等領(lǐng)域，具體涉及一種基于 大數(shù)據(jù)的人體跌倒檢測(cè)方法及系統(tǒng)。
【背景技術(shù)】
[0002] 隨著時(shí)間的推移，二戰(zhàn)之后人口快速增長(zhǎng)導(dǎo)致的"Baby Boomers"問(wèn)題愈來(lái)愈嚴(yán) 重，同時(shí)隨著生活方式的變革，年輕人生活觀念的變化，"空巢家庭"的問(wèn)題也越來(lái)越嚴(yán)重。 根據(jù)有關(guān)部門統(tǒng)計(jì)，我國(guó)的空巢家庭數(shù)量一直呈上升之勢(shì)，預(yù)期到了 2030年空巢老年人家 庭的比例將達(dá)到90%。跌倒是老年人群中常見的傷害事件，會(huì)使老人遭遇諸如骨折、出血、 中樞神經(jīng)系統(tǒng)損傷等身體上的傷害。如果不及時(shí)治療就可能導(dǎo)致老人失能癱瘓甚至死亡。 據(jù)相關(guān)統(tǒng)計(jì)，跌倒相關(guān)的受傷成為老年人死亡的第五大誘因，據(jù)統(tǒng)計(jì)在老年人意外死亡中 2/3都是由跌倒引起的。而對(duì)社會(huì)而言，老年人的跌倒也會(huì)帶來(lái)沉重的負(fù)擔(dān)。我國(guó)每年至少 有2000萬(wàn)老年人發(fā)生跌倒，直接醫(yī)療費(fèi)用超過(guò)50億元人幣。而跌倒檢測(cè)系統(tǒng)的開發(fā)很大程 度上會(huì)提高老年人跌倒之后及時(shí)獲得救助的機(jī)率，大大提高老年人生活的安全性。
[0003] 然而，跌倒檢測(cè)是一項(xiàng)極具挑戰(zhàn)性的技術(shù)。目前的跌倒檢測(cè)研究普遍存在以下問(wèn) 題：
[0004] 1、難以獲取真實(shí)的老年人跌倒數(shù)據(jù)作為跌倒檢測(cè)方法的基礎(chǔ)訓(xùn)練數(shù)據(jù)，在試驗(yàn)中 普遍采用的是學(xué)生的跌倒數(shù)據(jù)，這就造成了跌到檢測(cè)算法準(zhǔn)確率的無(wú)法提高。
[0005] 2、現(xiàn)有的跌倒檢測(cè)算法分類模型都是固定的，面向大眾的，并不能根據(jù)人體的特 征差異進(jìn)彳丁調(diào)整。
[0006] 3、傳統(tǒng)的關(guān)于跌倒檢測(cè)的研究，跌倒數(shù)據(jù)往往只作為判斷跌倒?fàn)顟B(tài)的依據(jù)，判斷 之后數(shù)據(jù)就被釋放。這就造成數(shù)據(jù)資源的浪費(fèi)以及跌倒檢測(cè)連續(xù)性的缺失。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法及系統(tǒng)，以實(shí)現(xiàn)人體 跌倒檢測(cè)方法及系統(tǒng)在數(shù)據(jù)樣本缺乏的前提下，提高檢測(cè)準(zhǔn)確率，且可以動(dòng)態(tài)的調(diào)整跌倒 檢測(cè)算法，適用于人體特征差異較大的情況。
[0008] 為了解決以上技術(shù)問(wèn)題，本發(fā)明采用的具體技術(shù)方案如下：
[0009] -種基于大數(shù)據(jù)的人體跌倒檢測(cè)方法，其特征在于包括以下步驟：
[0010] 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；
[0011]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；
[0012]步驟三，采集傳感器信息，包括采集三軸加速度傳感器信息和采集陀螺儀傳感器 信息；
[0013] 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；
[0014] 步驟五，通過(guò)機(jī)器學(xué)習(xí)分類模型建立跌倒檢測(cè)算法以識(shí)別人體跌倒行為是否發(fā) 生；
[0015] 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)；
[0016] 步驟七，通過(guò)計(jì)算相似度度量來(lái)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(shuō)明特征向量發(fā)生了更新，若結(jié)果為1，則說(shuō)明特征 向量沒有發(fā)生更新；
[0017] 步驟八，若步驟七所述相似度度量計(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。
[0018] 所述步驟四中構(gòu)建特征向量時(shí)，運(yùn)用的是三軸加速度傳感器的合加速度和陀螺儀 傳感器的三軸姿態(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、加速度均值以及三軸角度;所述三軸加速度傳感器的 合加速度Soa計(jì)算如下：
[0020]其中ax，ay，az分別是采集到的三軸加速度分量；
[0021]三軸姿態(tài)角度計(jì)算如下：
[0022] θχ=Jwxdt, θγ = Jwydt, θζ = Jwzdt,
[0023] 其中wx，wy，wz分別為陀螺儀輸出的三軸角速度。
[0024] 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(guò)程為：
[0025] 過(guò)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；
[0026] 過(guò)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 = {(XI，y 1)，（X2，y2)，…，（xn，外）}，其中而=(x)n,￥21… 1 f， x廣是第i個(gè)樣本的第j個(gè)特征，# e 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}
[0027] 過(guò)程3.3，計(jì)算先驗(yàn)概率及條件概率，具體如下：
[0030]過(guò)程3.4，對(duì)于給定的特征向量叉=(1(1)4(2)，."4(11)) 1'，計(jì)算
[0032]過(guò)程3.5,確定特征值向量x的分類
[0034]過(guò)程3.6,把訓(xùn)練的分類器應(yīng)用到無(wú)類標(biāo)數(shù)據(jù)上，為無(wú)類標(biāo)數(shù)據(jù)標(biāo)記類概率，即期 望過(guò)程：
[0041] 乂二{心、4}為定義的指示變量向量7是獨(dú)立同分布，4是〇/1隨機(jī)變量，^表 示先驗(yàn)概率，Φ是需要求出的參數(shù)；
[0042] 過(guò)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(guò)程
[0044] 過(guò)程3.8，迭代參數(shù)Φ直至收斂，最后得精確的Φ和分類器。
[0045] 所述步驟七中相似度度量采用的是PPMCC皮爾遜相關(guān)系數(shù)法，具體過(guò)程為：
[0046] 過(guò)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、加速度均值以及三軸角度；
[0047] 過(guò)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)；
[0048]過(guò)程4.3,利用PPMCC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：
[0050]其中X，Y分別表示兩個(gè)數(shù)據(jù)樣本，t表示X第i個(gè)樣本表示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；
[0051]過(guò)程4.4,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。
[0052] 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。
[0053] -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)。
[0054]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)情況的三軸加 速度傳感器和陀螺儀傳感器、與微控制器連接的用于傳輸數(shù)據(jù)的GPRS模塊以及與微控制器 連接的用于報(bào)警的報(bào)警接口單元。
[0055]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Hadoop加 Spark技術(shù)，平臺(tái)包括一 個(gè)存儲(chǔ)層，用以儲(chǔ)存跌倒時(shí)的特征向量;一個(gè)數(shù)據(jù)處理層，用來(lái)判斷特征向量的更新和生成 新的跌到檢測(cè)算法。
[0056]本發(fā)明系統(tǒng)的工作過(guò)程如下：
[0057] 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。
[0058] 其中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，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的輸出與跌倒檢測(cè)算法生成模塊的 輸入連接。
[0059] 本發(fā)明具有有益效果。本發(fā)明通過(guò)數(shù)據(jù)挖掘技術(shù)和大數(shù)據(jù)技術(shù)，使得人體跌倒檢 測(cè)方法及系統(tǒng)更加準(zhǔn)確，適應(yīng)范圍更加廣泛，具有以下優(yōu)點(diǎn)：
[0060] 1.本發(fā)明通過(guò)采用樸素貝葉斯算法和期望最大化算法，避免了初始特征向量數(shù)據(jù) 樣本較少無(wú)法建立分類模型的情況，提高了初始跌到檢測(cè)準(zhǔn)確率。
[0061] 2.本發(fā)明通過(guò)采用計(jì)算相似度度量的方法，對(duì)特征向量數(shù)據(jù)樣本進(jìn)行相似性判 斷，只有樣本不相似時(shí)，分類模型才會(huì)做出調(diào)整。
[0062] 3.本發(fā)明通過(guò)獲取跌倒的特征向量不同，系統(tǒng)可以為不同用戶提供各自不同的分 類算法模型，即為用戶實(shí)行"個(gè)性化定制"。
[0063] 總體來(lái)說(shuō)，本發(fā)明能實(shí)時(shí)的將跌倒的數(shù)據(jù)傳送到大數(shù)據(jù)平臺(tái)，使得數(shù)據(jù)樣本越來(lái) 越豐富，跌倒識(shí)別準(zhǔn)確率不斷提高。同時(shí)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"。
【附圖說(shuō)明】
[0064]圖1為本發(fā)明的方法流程圖。
【具體實(shí)施方式】
[0065]下面結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步詳細(xì)說(shuō)明。如圖1所示，本發(fā)明中的 基于大數(shù)據(jù)的人體跌倒檢測(cè)方法及系統(tǒng)，其具體步驟如下：
[0066]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。在這里，我們可以運(yùn)用 Apache項(xiàng)目下已經(jīng)成熟的Hadoop存儲(chǔ)平臺(tái)加 Spark計(jì)算平臺(tái)。
[0067]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。
[0068]步驟三、采集傳感器信息，包括三軸加速度傳感器信息和陀螺儀傳感器信息。
[0069] 步驟四、根據(jù)傳感器信息數(shù)據(jù)構(gòu)建特征向量。構(gòu)建特征向量時(shí)，運(yùn)用到的是三軸加 速度傳感器的合加速度和陀螺儀傳感器的三軸姿態(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、加速度均值以及三 軸角度。
[0070] A、計(jì)算三軸加速度傳感器的合加速度Soa，
[0072]其中ax，ay，az分別是三軸的加速度分量；
[0073] B、計(jì)算三軸姿態(tài)角度，
[0074] θχ=Jwxdt, θγ = Jwydt, θζ = Jwzdt,
[0075] 其中Wx，Wy，Wz分別為陀螺儀輸出的三軸角速度。
[0076]步驟五、通過(guò)機(jī)器學(xué)習(xí)分類模型建立跌倒檢測(cè)算法來(lái)識(shí)別跌倒行為是否發(fā)生。計(jì) 算包括如下步驟：
[0077] A、通過(guò)跌倒數(shù)據(jù)，計(jì)算得到特征值向量X，該特征值向量歸一化后作為樸素貝葉斯 算法模型的輸入。
[0078] B、在調(diào)用樸素貝葉斯模型之前，我們首先要使用帶類標(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)