本發(fā)明涉及一種醫(yī)療健康和機器學習技術領域，特別涉及一種基于機器學習的老人跌倒檢測方法及其檢測系統(tǒng)。

背景技術：

我國社會的老齡化問題日益加劇,其中老年人的健康安全監(jiān)護問題的需求日益增加。衛(wèi)生部2007年公布的《中國傷害預防報告》指出,老年人意外傷害的首要原因是跌倒。根據(jù)調查,49.7％的城市老人獨自居住每年有25％的70歲以上老人在家中發(fā)生跌倒在跌倒后會面臨雙重危險,首先是跌倒本身直接造成的人體傷害,其次是如果跌倒后不能得到及時的救助,可能會導致更加嚴重的后果,因此跌倒是老年人群傷殘、失能和死亡的重要原因之一,嚴重影響老年人日常生活能力、身體健康及精神狀態(tài),會給老年人造成巨大傷害,傷痛、慢性病急性發(fā)作、生活質量急劇下降及沉重的醫(yī)療負擔往往接踵而至,會給家庭和社會增加巨大的負擔,因此,如何預知老人跌倒的風險并最大限度地減少跌傷程度,往往是親屬們最為關心的問題,能夠隨時檢測老年人跌倒事件的發(fā)生,讓老年人能夠及時獲得救治就顯得極為重要,這引起了跌倒檢測系統(tǒng)研制的興起和重視,它能夠有效檢測老年人是否發(fā)生跌倒并及時報警,保護了老年人群的健康與安全。例如2010年,飛利浦公司推出了緊急醫(yī)療救援系統(tǒng),擁有項鏈式、手表式造型,可以隨身佩戴,能及時準確地檢測到老人因意外或突發(fā)疾病而發(fā)生的跌倒并連接中心請求救援,為老人提供了生命保障。2012年,深圳愛福萊科技有限公司推出了“跌倒自動求救手機”愛福萊A03,它能夠在老人發(fā)生跌倒時自動偵測、自動定位、自動報警和自動求救,最大限度地保障了老人獨居和外出期間的健康安全。

現(xiàn)有的跌倒方案大多只是利用了三軸加速度傳感器，有一定的誤報率。第1點，本發(fā)專利除了采用加速度傳感器以外，還額外采用了陀螺儀和心率傳感器作為判斷的依據(jù)。第2點，老人跌倒檢測方法分為閥值方法和機器學習分類方法，本發(fā)明采用機器學習分類方法，但采用的具體分類方法不同。第3點，本發(fā)明采用了字典學習進行跌倒特征向量的構造。因此雖然目前不少學者提出了跌倒檢測方法，但目前的跌倒檢測方法的研究仍存在諸多問題，主要問題是檢測的準確率不高，存在一定的誤判率。

技術實現(xiàn)要素：

本發(fā)明的首要目的在于克服現(xiàn)有技術的缺點與不足，提供一種基于機器學習的老人跌倒檢測方法，該檢測方法克服了現(xiàn)有的跌倒檢測方法的準確率不高，存在較大誤判情況的問題。

本發(fā)明的另一目的在于克服現(xiàn)有技術的缺點與不足，提供一種實現(xiàn)所述基于機器學習的老人跌倒檢測方法的檢測系統(tǒng)。

本發(fā)明的首要目的通過以下技術方案實現(xiàn)：一種基于機器學習的老人跌倒檢測方法，包括以下步驟：

[1]采集每個傳感器的樣本信息，傳感器包括三軸加速度傳感器、陀螺儀、心率傳感器。

[2]采用K-SVD算法，通過樣本信息對字典進行訓練，并通過OMP算法構造樣本跌倒特征向量；

[3]用樣本跌倒特征向量訓練隨機森林分類器；

[4]采集每個傳感器的信息；

[5]調用已訓練的字典，通過OMP算法構造跌倒特征向量；

[6]跌倒預測，根據(jù)跌倒特征向量，采用已訓練的隨機森林分類器預測跌倒，輸出預測結果。

在步驟4中，所述傳感器包括MPU-6050三軸加速度傳感器、MPU-6050三軸陀螺儀和SON1303心率傳感器，所述MPU-6050三軸加速度傳感器、MPU-6050三軸陀螺儀和SON1303心率傳感器的采樣頻率均為60Hz。

在步驟2中，采用K-SVD算法，所述K-SVD算法具體為：利用樣本信息通過反復執(zhí)行固定字典和更新字典優(yōu)化以下方程，訓練得到構造特征所需的字典，并采用OMP算法求解出樣本跌倒特征向量，

subject to||x_i||₀≤T₀，

其中，Y代表一個n*N的樣本矩陣，D代表一個n*K的字典矩陣，n是測量數(shù)據(jù)的維度，K＝21；X代表一個K*N跌倒特征矩陣；表示2范數(shù)的平方；x_i代表X矩陣的第i列；||·||₀表示零范數(shù)；T₀是預先設置的閥值。

在步驟3中，利用樣本跌倒特征向量，采用Gini標準對樹的數(shù)量為50，每棵樹的深度為7的隨機森林分類器進行訓練。

在步驟5中，運用已訓練的字典，通過OMP算法求以下解方程，構造出新數(shù)據(jù)的跌倒特征向量：

subject to||X″||₀≤T₀，

其中，Y″代表采集傳感器信息到的一個n*1的向量，n是測量數(shù)據(jù)的維度，本實施例中n＝7；D′代表訓練以后得到的一個n*K的字典矩陣，本實施例中K＝21；X″代表所求向量Y″的一個K*1跌倒特征向量；表示2范數(shù)的平方；||·||₀表示零范數(shù)；T₀是預先設置的閥值。

在步驟6中，調用已訓練的樹的數(shù)量為50，每棵樹的深度為7的隨機森林分類器，以跌倒特征向量為輸入，是否跌倒為輸出，完成跌倒識別。

本發(fā)明的另一目的通過以下技術方案實現(xiàn)：一種實現(xiàn)所述的基于機器學習的老人跌倒檢測方法的檢測系統(tǒng)，包括：傳感器模塊、ARM主機模塊和GPRS模塊，傳感器模塊通過I/O直接與ARM主機模塊相連，GPRS模塊通過TTL串口直接與ARM主機模塊相連，其中，所述傳感器模塊包括若干傳感器，用于監(jiān)測用戶活動數(shù)據(jù)以判斷是否發(fā)生跌倒；所述ARM主機模塊通過對從I/O口接收到傳感器模塊的監(jiān)測數(shù)據(jù)進行實時處理，判斷用戶是否發(fā)生跌倒行為，若判斷結果為發(fā)生跌倒行為，則向GPRS模塊發(fā)出指令；所述GPRS模塊用于發(fā)送預警信息。

所述傳感器模塊包括三個獨立的傳感器，所述三個獨立的傳感器為：MPU-6050三軸加速度傳感器、MPU-6050三軸陀螺儀和SON1303心率傳感器；所述MPU-6050三軸加速度傳感器的通信接口與所述ARM主機模塊的一號I/O口相連，采樣頻率為60Hz；所述MPU-6050三軸陀螺儀的通信接口與所述ARM主機模塊的二號I/O口相連，采樣頻率為60Hz；所述SON1303心率傳感器的通信接口與所述ARM主機模塊的三號I/O口相連，采樣頻率為60Hz。

所述ARM主機模塊采用UT4412BV02開發(fā)板，所述UT4412BV02開發(fā)板的擴展I/O接口用于接收傳所述感器模塊的檢測數(shù)據(jù)，所述UT4412BV02開發(fā)板的TTL串口用于向所述GPRS模塊發(fā)送命令；所述ARM主機用于運行判別算法。

相對于現(xiàn)有技術，本發(fā)明具有如下的優(yōu)點與有益效果：

本發(fā)明通過運用能提高數(shù)據(jù)維度的字典學習算法和魯棒的隨機森林分類器，有效的提高了老人跌倒檢測的準確率。

附圖說明

圖1為一種基于機器學習的老人跌倒檢測方法訓練流程圖。

圖2為一種基于機器學習的老人跌倒檢測方法執(zhí)行流程圖。

圖3為一種基于機器學習的老人跌倒檢測系統(tǒng)的系統(tǒng)結構圖。

具體實施方式

本發(fā)明提出一種基于機器學習的老人跌倒檢測方法，結合附圖和實施例說明如下。

實施例

如圖1所示，為一種基于機器學習的老人跌倒檢測方法訓練流程圖，該方法包括以下步驟：

[1]采集每個傳感器的樣本信息，傳感器包括三軸加速度傳感器、陀螺儀、心率傳感器。

[2]采用K-SVD算法，通過樣本信息對字典進行訓練，并通過OMP算法構造樣本跌倒特征向量；

[3]用樣本跌倒特征向量訓練隨機森林分類器；

步驟[1]采集每個傳感器的樣本信息；

a)被采集的傳感器包括三軸加速度傳感器，陀螺儀、心率傳感器；

b)三軸加速度傳感器：個體運動時，會在三個正交方向產(chǎn)生不同的加速度，這些加速度的變化值可用來判斷身體姿勢的變化，是判斷個體是否發(fā)生跌倒的依據(jù)；

c)陀螺儀：現(xiàn)在陀螺儀可以精確地確定運動物體3個正交方向的轉角，通過陀螺儀可以獲取人體運動方位的變化來判斷跌倒。

d)心率傳感器：根據(jù)人體血液是紅色的，即人體血液會反射紅光吸收綠光的原理，獲得心率數(shù)據(jù)。通過陀螺儀獲得人體心率變化來判斷跌倒。

步驟[2]采用K-SVD算法，通過樣本信息對字典進行訓練，并通過OMP算法構造樣本跌倒特征向量；

a)采用K-SVD算法對字典進行訓練，假設字典D為一個n*K的矩陣。首先初始化字典D，可以隨機得到，然后進行迭代。具體迭代步驟如下：

第一階段：固定字典D，采用OMP算法求解以下方程式，找到最好的稀疏矩陣X。

subject to||x_i||₀≤T₀，

其中，Y代表一個n*N的樣本矩陣，n是測量數(shù)據(jù)的維度，本實施例中n＝7，N是樣本數(shù)；D代表一個n*K的字典矩陣，本實施例中K＝21；X代表一個K*N跌倒特征矩陣；表示2范數(shù)的平方；x_i代表X矩陣的第i列；||·||₀表示零范數(shù)；T₀是預先設置的閥值。

第二階段：更新字典D。

通過以下方式將字典D逐列更新，以下假設要更新字典D的第k列d_k。

將目標函數(shù)重寫成以下形式：

其中，Y代表一個n*N的樣本矩陣，n是測量數(shù)據(jù)的維度，本實施例中n＝7，N是樣本數(shù)；D代表一個n*K的字典矩陣，本實施例中K＝21；X代表一個K*N跌倒特征矩陣；表示2范數(shù)的平方；d_j表示字典D的第j列；表示矩陣X中與d_j相乘的第j行；k表示要更新字典D的第k列；E_k是一個固定的值，其值如下所示：

其中，Y代表一個n*N的樣本矩陣，n是測量數(shù)據(jù)的維度，本實施例中，n＝7，N是樣本數(shù)；d_j表示字典D的第j列；表示矩陣X中與d_j相乘的第j行；k表示要更新字典D的第k列；

用SVD將E_k分解，得到的最大特征值對應的那個特征向量就作為d_k。

反復執(zhí)行上述第一、二階段的步驟，得到收斂的字典D′。

b)使用字典D′，構造出樣本跌倒特征向量。采用OMP算法求解以下方程式，找到最好的稀疏矩陣X′。X′就是樣本Y的跌倒特征向量。

其中，Y代表一個n*N的樣本矩陣，n是測量數(shù)據(jù)的維度，本實施例中n＝7，N是樣本數(shù)；D′代表訓練以后得到的一個n*K的字典矩陣，本實施例中K＝21；X′代表所求的樣本Y的一個K*N跌倒特征矩陣；表示2范數(shù)的平方；x_i′代表X′矩陣的第i列；||·||₀表示零范數(shù)；T₀是預先設置的閥值。

步驟[3]用樣本跌倒特征向量訓練隨機森林分類器：

a)將樣本跌倒特征向量X′分為訓練集X₁′，測試集X₂′，特征維數(shù)F＝21。確定參數(shù)：使用到的CART的數(shù)量t＝50，每棵樹的深度d＝7，每個節(jié)點使用到的特征數(shù)量f＝3，終止條件：節(jié)點上最少樣本數(shù)s＝3。

對于第1-t棵樹，i＝1-t：

b)從X₁′中有放回的抽取大小和X₁′一樣的訓練集X₁′(i)，作為根節(jié)點的樣本，從根節(jié)點開始訓練；

c)如果當前節(jié)點上達到終止條件，則設置當前節(jié)點為葉子節(jié)點，該葉子節(jié)點的預測輸出為當前節(jié)點樣本集合中數(shù)量最多的那一類c(j)，概率p為c(j)占當前樣本集的比例。然后繼續(xù)訓練其他節(jié)點。如果當前節(jié)點沒有達到終止條件，則從F維特征中無放回的隨機選取f維特征。利用這f維特征，尋找分類效果最好的一維特征k及其閾值th，當前節(jié)點上樣本第k維特征小于th的樣本被劃分到左節(jié)點，其余的被劃分到右節(jié)點。繼續(xù)訓練其他節(jié)點。有關分類效果的評判標準在后面會講。

d)重復b)，c)直到所有節(jié)點都訓練過了或者被標記為葉子節(jié)點。

e)重復b),c),d)直到所有CART都被訓練過。

如圖2所示，為一種基于機器學習的老人跌倒檢測方法執(zhí)行流程圖，該方法包括以下步驟：

[1]采集每個傳感器的信息；

[2]調用已訓練的字典，通過OMP算法構造跌倒特征向量；

[3]跌倒預測，根據(jù)跌倒特征向量，采用已訓練的隨機森林分類器預測跌倒，輸出預測結果。

步驟[1]采集每個傳感器的信息；

在實際應用中被采集的傳感器包括三軸加速度傳感器，陀螺儀、心率傳感器，假設采集到的信息為Y″。

步驟[2]調用已訓練的字典D′，通過OMP算法構造跌倒特征向量。

運用OMP算法求解以下方程，得到跌倒特征向量X″：

subject to||X″||₀≤T₀，

其中，Y″代表采集傳感器信息到的一個n*1的向量，n是測量數(shù)據(jù)的維度，本實施例中n＝7；D′代表訓練以后得到的一個n*K的字典矩陣，本實施例中，K＝21；X″代表所求向量Y″的一個K*1跌倒特征向量；表示2范數(shù)的平方；||·||₀表示零范數(shù)；T₀是預先設置的閥值。

步驟[3]跌倒預測，根據(jù)跌倒特征向量X″，采用已訓練的隨機森林分類器預測跌倒，輸出預測結果；

利用隨機森林的預測過程如下：

對于第1-t棵樹，i＝1-t：

a)從當前樹的根節(jié)點開始，根據(jù)當前節(jié)點的閾值th，判斷是進入左節(jié)點(<th)還是進入右節(jié)點(>＝th)，直到到達，某個葉子節(jié)點，并輸出預測值。

b)重復執(zhí)行(1)直到所有t棵樹都輸出了預測值。因為是分類問題，所以輸出為所有樹中預測概率總和最大的那一個類，即對每個c(j)的p進行累計。

如圖3所示，為一種基于機器學習的老人跌倒檢測系統(tǒng)的系統(tǒng)結構圖，該系統(tǒng)運行流程包括如下步驟：

[1]傳感器模塊中的各傳感器以60Hz的速率采集人體檢測數(shù)據(jù)，其中，所述傳感器包括心理傳感器、加速度傳感器、陀螺儀。

[2]ARM主機從I/O接口上接收傳感器模塊的監(jiān)測數(shù)據(jù)，并且對數(shù)據(jù)進行實時處理，并判別監(jiān)護對象是否發(fā)生了跌倒行為。如果判別為發(fā)生跌倒行為，則通過TTL接口向GPRS模塊發(fā)送AT指令。其中處理的方法為本發(fā)明所述的一種基于機器學習的老人跌倒檢測方法。

[3]GPRS模塊接收到ARM模塊發(fā)送過來的AT指令以后，通過短信的方式向監(jiān)護對象的親屬發(fā)送預警指令。

以上所述僅為本發(fā)明的優(yōu)選實施例,并不用于限制本發(fā)明,顯然,本領域的技術人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣,倘若本發(fā)明的這些修改和變型屬于本發(fā)明權利要求及其等同技術的范圍之內,則本發(fā)明也意圖包含這些改動和變型在內。