一種基于大數據的人體跌倒檢測方法及系統的制作方法
【技術領域】
[0001] 本發明涉及大數據、機器學習、醫療健康和移動互聯網等領域，具體涉及一種基于 大數據的人體跌倒檢測方法及系統。
【背景技術】
[0002] 隨著時間的推移，二戰之后人口快速增長導致的"Baby Boomers"問題愈來愈嚴 重，同時隨著生活方式的變革，年輕人生活觀念的變化，"空巢家庭"的問題也越來越嚴重。 根據有關部門統計，我國的空巢家庭數量一直呈上升之勢，預期到了 2030年空巢老年人家 庭的比例將達到90%。跌倒是老年人群中常見的傷害事件，會使老人遭遇諸如骨折、出血、 中樞神經系統損傷等身體上的傷害。如果不及時治療就可能導致老人失能癱瘓甚至死亡。 據相關統計，跌倒相關的受傷成為老年人死亡的第五大誘因，據統計在老年人意外死亡中 2/3都是由跌倒引起的。而對社會而言，老年人的跌倒也會帶來沉重的負擔。我國每年至少 有2000萬老年人發生跌倒，直接醫療費用超過50億元人幣。而跌倒檢測系統的開發很大程 度上會提高老年人跌倒之后及時獲得救助的機率，大大提高老年人生活的安全性。
[0003] 然而，跌倒檢測是一項極具挑戰性的技術。目前的跌倒檢測研究普遍存在以下問 題：
[0004] 1、難以獲取真實的老年人跌倒數據作為跌倒檢測方法的基礎訓練數據，在試驗中 普遍采用的是學生的跌倒數據，這就造成了跌到檢測算法準確率的無法提高。
[0005] 2、現有的跌倒檢測算法分類模型都是固定的，面向大眾的，并不能根據人體的特 征差異進彳丁調整。
[0006] 3、傳統的關于跌倒檢測的研究，跌倒數據往往只作為判斷跌倒狀態的依據，判斷 之后數據就被釋放。這就造成數據資源的浪費以及跌倒檢測連續性的缺失。
【發明內容】
[0007] 本發明的目的在于提供一種基于大數據的人體跌倒檢測方法及系統，以實現人體 跌倒檢測方法及系統在數據樣本缺乏的前提下，提高檢測準確率，且可以動態的調整跌倒 檢測算法，適用于人體特征差異較大的情況。
[0008] 為了解決以上技術問題，本發明采用的具體技術方案如下：
[0009] -種基于大數據的人體跌倒檢測方法，其特征在于包括以下步驟：
[0010] 步驟一，搭建一個大數據平臺，包括存儲層和數據處理層；
[0011]步驟二，利用移動互聯網技術，將手機數據與所述大數據平臺數據進行同步；
[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，根據所采集的傳感器信息數據構建特征向量；
[0014] 步驟五，通過機器學習分類模型建立跌倒檢測算法以識別人體跌倒行為是否發 生；
[0015] 步驟六，若人體跌倒行為發生，則上傳步驟四所述特征向量至大數據平臺進行存 儲；
[0016] 步驟七，通過計算相似度度量來判斷大數據平臺存儲步驟六所述的特征向量是否 更新;若相似度度量計算結果不為1，則說明特征向量發生了更新，若結果為1，則說明特征 向量沒有發生更新；
[0017] 步驟八，若步驟七所述相似度度量計算結果不為1，則根據步驟六存儲的新的特征 向量，生成新的機器學習模型，即新的跌倒檢測分類算法;一開始機器學習模型運用期望最 大化算法是鑒于試驗數據難于獲取與收集，故而將有限的數據作用發揮到最大。
[0018] 所述步驟四中構建特征向量時，運用的是三軸加速度傳感器的合加速度和陀螺儀 傳感器的三軸姿態角度，采用的是窗長256、步長128的50%重疊滑動窗口法截取部分信號 數據，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]三軸姿態角度計算如下：
[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，由于缺乏足夠的數據樣本，所述跌倒檢測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：
[0025] 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；
[0026] 過程3.2,在調用樸素貝葉斯模型之前，首先使用帶類標的數據訓練一個樸素貝葉 斯分類器模型；訓練數據為T = {(XI，y 1)，（X2，y2)，…，（xn，外）}，其中而=(x)n,￥21… 1 f， x廣是第i個樣本的第j個特征，# e 是j個特征可能取的第1個值，j = l， 2，.·_η，1 = 1，2，."Sj，yiG {ci，C2，ck}
[0027] 過程3.3，計算先驗概率及條件概率，具體如下：
[0030]過程3.4，對于給定的特征向量叉=(1(1)4(2)，."4(11)) 1'，計算
[0032]過程3.5,確定特征值向量x的分類
[0034]過程3.6,把訓練的分類器應用到無類標數據上，為無類標數據標記類概率，即期 望過程：
[0041] 乂二{心、4}為定義的指示變量向量7是獨立同分布，4是〇/1隨機變量，^表 示先驗概率，Φ是需要求出的參數；
[0042] 過程3.7,使用所有數據的類標訓練一個新的分類器，即最大化過程
[0044] 過程3.8，迭代參數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皮爾遜相關系數法，具體過程為：
[0046] 過程4.1，對于大數據平臺存儲的特征向量數據樣本屬性進行統一標準，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] 過程4.2,遍歷數據集合，對于部分缺失數據采用均值的方式進行填補；
[0048]過程4.3,利用PPMCC計算數據平臺存儲的數據樣本更新前后是否相同，計算如下：
[0050]其中X，Y分別表示兩個數據樣本，t表示X第i個樣本表示Y的第i個樣本，cov表 示協方差，E表示期望值，μ表示均值，σ表示標準差；
[0051]過程4.4,若ρχγ為1，則表示平臺存儲的數據樣本幾乎沒有發生變化;若ρχγ不為1， 則表示平臺存儲的數據樣本發生了變化，在這種情況下，建立的分類模型就需要重新調整。
[0052] 所述步驟八中，調整新的機器學習分類模型時，不再需要運用期望最大化算法，只 需運用樸素貝葉斯算法即可。
[0053] -種基于大數據的人體跌倒檢測系統，其特征在于包括:手機和至少3臺計算機服 務器;所述手機用于監測人體的運動情況，并根據運動情況信息生成跌倒判斷特征向量，判 斷人體是否跌倒；當判斷人體為跌倒狀態時，手機檢測到的特征向量傳送到大數據平臺進 行存儲;所述服務器用于搭建大數據集群平臺。
[0054]所述手機包括微控制器、與微控制器連接的用于實時獲取用戶運動情況的三軸加 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據的GPRS模塊以及與微控制器 連接的用于報警的報警接口單元。
[0055]所述計算機服務器搭建的大數據集群平臺利用Hadoop加 Spark技術，平臺包括一 個存儲層，用以儲存跌倒時的特征向量;一個數據處理層，用來判斷特征向量的更新和生成 新的跌到檢測算法。
[0056]本發明系統的工作過程如下：
[0057] 系統包括模塊:傳感器信息采集模塊，特征向量構造模塊，跌倒識別模塊，跌倒檢 測算法生成模塊，跌倒報警模塊，特征向量數據存儲模塊，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造模塊的輸入連接，特征向量構造 模塊和跌倒檢測算法生成模塊的輸出與跌倒識別模塊的輸入連接，跌倒識別模塊的輸出與 跌倒報警模塊和特征向量數據存儲模塊的輸入連接，特征向量數據存儲模塊的輸出與特征 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算法生成模塊的 輸入連接。
[0059] 本發明具有有益效果。本發明通過數據挖掘技術和大數據技術，使得人體跌倒檢 測方法及系統更加準確，適應范圍更加廣泛，具有以下優點：
[0060] 1.本發明通過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據 樣本較少無法建立分類模型的情況，提高了初始跌到檢測準確率。
[0061] 2.本發明通過采用計算相似度度量的方法，對特征向量數據樣本進行相似性判 斷，只有樣本不相似時，分類模型才會做出調整。
[0062] 3.本發明通過獲取跌倒的特征向量不同，系統可以為不同用戶提供各自不同的分 類算法模型，即為用戶實行"個性化定制"。
[0063] 總體來說，本發明能實時的將跌倒的數據傳送到大數據平臺，使得數據樣本越來 越豐富，跌倒識別準確率不斷提高。同時系統不但可以服務所有用戶，還可以為用戶實行 "個性化定制"。
【附圖說明】
[0064]圖1為本發明的方法流程圖。
【具體實施方式】
[0065]下面結合附圖，對本發明的技術方案做進一步詳細說明。如圖1所示，本發明中的 基于大數據的人體跌倒檢測方法及系統，其具體步驟如下：
[0066]步驟一、搭建一個大數據平臺，包括存儲層和數據處理層。在這里，我們可以運用 Apache項目下已經成熟的Hadoop存儲平臺加 Spark計算平臺。
[0067]步驟二、利用移動互聯網技術，將手機數據與所述大數據平臺數據進行同步。
[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、根據傳感器信息數據構建特征向量。構建特征向量時，運用到的是三軸加 速度傳感器的合加速度和陀螺儀傳感器的三軸姿態角度，采用的是窗長256、步長128的 50%重疊滑動窗口法截取部分信號數據，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、計算三軸姿態角度，
[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、通過機器學習分類模型建立跌倒檢測算法來識別跌倒行為是否發生。計 算包括如下步驟：
[0077] A、通過跌倒數據，計算得到特征值向量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、在調用樸素貝葉斯模型之前，我們首先要使用帶類標的數據訓練一個樸素貝葉 斯分類器模型。訓練數據