一种基于惯性传感器网络的跌倒检测方法及系统与流程

1.本发明涉及边缘计算技术领域，尤其涉及一种基于惯性传感器网络的跌倒检测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.老年人由于身体素质较差、平衡能力较弱，在发生跌倒如不能及时得到帮助和救治，极易受到伤害，严重的情况下甚至会危及生命。因此，能够准确、快速的检测出跌倒行为的发生，并及时予以报警，是应对老年人跌倒威胁的一项重要手段。
4.随着技术发展，惯性传感器开始慢慢进入研究人员视线。科研人员开始利用惯性传感器的信息来加强三维检测的结果。通过惯性传感器得到肢体的位置和方向等信息。将这些信息运用到人体运动学模型中，就可以得到目标人物在三维空间中的关节点位置。
5.然而发明人发现，单点惯性传感器能够提供的信息较少，利用多个惯性传感器则会获取更多的特征信息，而人体姿态在行动过程中是一个复杂的连续状态，现有算法对于信息的处理过程不够深入，无法对完整的人体骨架位姿数据进行全面的分析，获得的检测模型鲁棒性较差，因此无法保证检测结果的准确度。


技术实现要素：

6.针对现有技术存在的不足，本发明的目的是提供一种基于惯性传感器网络的跌倒检测方法及系统，利用多个惯性传感器通过融合惯性传感器网络数据获得人体骨架姿态数据，利用骨架姿态数据进行跌倒检测，较之单点惯性传感器的跌倒检测，提高了检测准确性，大大降低了误检的发生。
7.为了实现上述目的，本发明是通过如下的技术方案来实现：
8.本发明第一方面提供了一种基于惯性传感器网络的跌倒检测方法，包括以下步骤：
9.利用惯性传感器网络采集运动数据；
10.利用滤波方法对运动数据进行传感器姿态估计；
11.利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列；
12.利用人体骨架姿态数据序列训练lstm模型；
13.将待测数据输入训练好的lstm模型，进行跌倒检测。
14.进一步的，通过惯性动捕套件采集运动数据，惯性动捕套件包括9轴惯性传感器单元和无线通讯模块。
15.进一步的，利用滤波方法对运动数据进行传感器姿态估计的具体步骤为：
16.对目标进行初始姿态校准；
17.对于每个惯性传感器的采样数据，通过改进的kalman滤波方法估计传感器坐标系姿态。
18.更进一步的，对目标进行初始姿态校准的具体步骤为：
19.目标保持双手平举，手心向下的静止站立状态；
20.利用惯性传感器读数估计传感器坐标系初始姿态四元数，记录每个惯性传感器坐标系与对应的肢体坐标系的相对旋转四元数。
21.更进一步的，对于每个惯性传感器的采样数据，通过改进的kalman滤波方法估计传感器坐标系姿态的具体步骤为：
22.预测t时刻传感器坐标系姿态四元数；
23.利用优化方法计算t时刻传感器坐标系姿态观测量；
24.融合预测的传感器坐标系姿态四元数和传感器坐标系姿态观测量，得到最终t时刻坐标系姿态四元数。
25.更进一步的，利用优化方法计算t时刻传感器坐标系姿态观测量的具体步骤为：
26.构造优化函数；
27.利用梯度下降法以t时刻传感器坐标系姿态四元数为初始点对优化函数进行求解得到t时刻传感器坐标系姿态观测量。
28.进一步的，利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列的具体步骤为：
29.按照dh约定，利用测量所得的人体参数以正向运动学方法计算各个关节坐标，得到关节位置；
30.组合姿态估计结果和关节位置，得到完整的人体骨架姿态数据序列。
31.本发明第二方面提供了一种基于惯性传感器网络的跌倒检测系统，包括：
32.数据获取模块，被配置为利用惯性传感器网络采集运动数据；
33.姿态估计模块，被配置为利用滤波方法对运动数据进行传感器姿态估计；
34.人体骨架姿态数据计算模块，被配置为利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列；
35.模型训练模块，被配置为利用人体骨架姿态数据序列训练lstm模型；
36.跌倒检测模块，被配置为将待测数据输入训练好的lstm模型，进行跌倒检测。
37.本发明第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于惯性传感器网络的跌倒检测方法中的步骤。
38.本发明第四方面提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于惯性传感器网络的跌倒检测方法中的步骤。
39.以上一个或多个技术方案存在以下有益效果：
40.本发明通过融合惯性传感器网络数据获得运动数据，并基于滤波方法和正向运动学方法获得人体骨架姿态数据序列，利用人体骨架姿态数据序列训练lstm模型从而进行跌倒检测，较之单点惯性传感器的跌倒检测，提高了检测准确性，大大降低了误检的发生。本发明利用lstm神经网络对骨架姿态数据序列对跌倒事件进行分类，提升了跌倒检测的鲁棒性。
41.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
42.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
43.图1为本发明中实施例一基于惯性传感器网络的跌倒检测方法中人体骨架姿态数据的计算流程图；
44.图2为本发明中实施例一中传感器佩戴位置示意图；
45.图3为本发明实施例一中lstm神经网络模型结构图。
具体实施方式
46.应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
47.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；
48.实施例一：
49.本发明实施例一提供了一种基于惯性传感器网络的跌倒检测方法，包括以下步骤：
50.s1：利用惯性传感器网络采集运动数据。
51.通过惯性动捕套件采集运动数据，惯性动捕套件包括9轴惯性传感器单元和无线通讯模块。本实施例中采用15个惯性动捕套件，如图2所示，在目标人物的相应身体部位佩戴惯性传感器单元，具体位置分别为，1.腰部，2.胸部，3.头部，4.左前臂，5.左小臂，6.左手，7.右前臂，8.右小臂，9.右手，10.左大腿，11.左小腿，12.左脚，13.右大腿，14.右小腿，15.右脚。分别采集跌倒、行走、慢跑、上下楼梯、站立、坐下等日常行为的运动数据，并根据行为不同进行不同的标签进行标记。
52.s2：利用滤波方法对运动数据进行传感器姿态估计。
53.s2.1：对目标进行初始姿态校准；
54.s2.1.1：目标保持双手平举，手心向下的静止站立状态；
55.s2.1.2：利用惯性传感器读数估计传感器坐标系初始姿态四元数q0。
56.s2.2：对于t采样时刻的第i号惯性传感器的采样数据，采样数据包括陀螺仪采集的三轴角速度、加速度采集的3轴加速度和磁力计采集的磁场强度信号。通过改进的kalman滤波方法估计传感器坐标系姿态。
57.s2.2.1：预测t时刻传感器坐标系姿态四元数q
t
：
58.q
t
＝a
tqt-1
+n
t
59.其中，q
t-1
表示t-1时刻的传感器坐标系姿态四元数，q
t
表示t时刻的传感器坐标系
姿态四元数，a
t
表示t时刻的系统转移矩阵，n
t
表示t时刻的系统转移白噪声。
60.s2.2.2：利用优化方法计算t时刻传感器坐标系姿态观测量z
t
：
61.(1)构造优化函数j：
[0062][0063][0064]
其中，a
t
表示t时刻加速度计的读数，m
t
表示t时刻磁力计的读数，a表示参考坐标系下的加速度向量，m表示参考坐标系下的磁场强度向量。
[0065]
(2)利用梯度下降法以t时刻传感器坐标系姿态四元数q
t
为初始点对优化函数j进行求解得到t时刻传感器坐标系姿态观测量z
t
。
[0066]
s2.2.3：融合预测的传感器坐标系姿态四元数q
t
和传感器坐标系姿态观测量z
t
，得到最终t时刻坐标系姿态四元数q
′
t
:
[0067]zt
＝h
tqt
+v
t
[0068]
其中，h
t
表示t时刻的系统观测矩阵，v
t
表示t时刻的系统观测白噪声。
[0069]
s3：利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列。
[0070]
s3.1：按照dh约定，利用测量所得的人体参数以正向运动学方法计算各个关节坐标，得到关节位置；
[0071]
组合姿态估计结果和关节位置，得到完整的人体骨架姿态数据序列。完整的人体骨架姿态数据序列包括人体各关节的位置和姿态，因此能够完整的反应人体某一时刻的状态。
[0072]
s4：利用人体骨架姿态数据序列训练lstm模型，lstm模型如图2所示。
[0073]
s5：将待测数据输入训练好的lstm模型，进行跌倒检测。
[0074]
利用带有标签的采集的跌倒和adl数据片段训练lstm模型，能够对运动数据进行跌倒和adl的分类。将待测数据输入训练好的lstm模型，输出跌倒或者adl行为结果。
[0075]
实施例二：
[0076]
本发明实施例二提供了一种基于惯性传感器网络的跌倒检测系统，包括：
[0077]
数据获取模块，被配置为利用惯性传感器网络采集运动数据；
[0078]
姿态估计模块，被配置为利用滤波方法对运动数据进行传感器姿态估计；
[0079]
人体骨架姿态数据计算模块，被配置为利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列；
[0080]
模型训练模块，被配置为利用人体骨架姿态数据序列训练lstm模型；
[0081]
跌倒检测模块，被配置为将待测数据输入训练好的lstm模型，进行跌倒检测。
[0082]
实施例三：
[0083]
本发明实施例三提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例一所述的基于惯性传感器网络的跌倒检测方法中的步骤，所述步骤为：
[0084]
采集骨架姿态数据序列样本；
[0085]
利用惯性传感器网络通过滤波方法对骨架姿态数据序列样本进行传感器姿态估计；
[0086]
通过正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据；
[0087]
利用人体骨架姿态数据训练lstm模型；
[0088]
将待测数据输入训练好的lstm模型，进行跌倒检测。
[0089]
详细步骤与实施例一提供的基于惯性传感器网络的跌倒检测方法相同，这里不再赘述。
[0090]
实施例四：
[0091]
本发明实施例四提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例一所述的基于惯性传感器网络的跌倒检测方法中的步骤，所述步骤为：
[0092]
采集骨架姿态数据序列样本；
[0093]
利用惯性传感器网络通过滤波方法对骨架姿态数据序列样本进行传感器姿态估计；
[0094]
通过正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据；
[0095]
利用人体骨架姿态数据训练lstm模型；
[0096]
将待测数据输入训练好的lstm模型，进行跌倒检测。
[0097]
详细步骤与实施例一提供的基于惯性传感器网络的跌倒检测方法相同，这里不再赘述。
[0098]
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0099]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0100]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：
1.一种基于惯性传感器网络的跌倒检测方法，其特征在于，包括以下步骤：利用惯性传感器网络采集运动数据；利用滤波方法对运动数据进行传感器姿态估计；利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列；利用人体骨架姿态数据序列训练lstm模型；将待测数据输入训练好的lstm模型，进行跌倒检测。2.如权利要求1所述的基于惯性传感器网络的跌倒检测方法，其特征在于，通过惯性动捕套件采集运动数据，惯性动捕套件包括9轴惯性传感器单元和无线通讯模块。3.如权利要求1所述的基于惯性传感器网络的跌倒检测方法，其特征在于，利用滤波方法对运动数据进行传感器姿态估计的具体步骤为：对目标进行初始姿态校准；对于每个惯性传感器的采样数据，通过改进的kalman滤波方法估计传感器坐标系姿态。4.如权利要求3所述的基于惯性传感器网络的跌倒检测方法，其特征在于，对目标进行初始姿态校准的具体步骤为：目标保持双手平举，手心向下的静止站立状态；利用惯性传感器读数估计传感器坐标系初始姿态四元数，记录每个惯性传感器坐标系与对应的肢体坐标系的相对旋转四元数。5.如权利要求3所述的基于惯性传感器网络的跌倒检测方法，其特征在于，对于每个惯性传感器的采样数据，通过改进的kalman滤波方法估计传感器坐标系姿态的具体步骤为：预测t时刻传感器坐标系姿态四元数；利用优化方法计算t时刻传感器坐标系姿态观测量；融合预测的传感器坐标系姿态四元数和传感器坐标系姿态观测量，得到最终t时刻坐标系姿态四元数。6.如权利要求5所述的基于惯性传感器网络的跌倒检测方法，其特征在于，利用优化方法计算t时刻传感器坐标系姿态观测量的具体步骤为：构造优化函数；利用梯度下降法以t时刻传感器坐标系姿态四元数为初始点对优化函数进行求解得到t时刻传感器坐标系姿态观测量。7.如权利要求1所述的基于惯性传感器网络的跌倒检测方法，其特征在于，利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列的具体步骤为：按照dh约定，利用测量所得的人体参数以正向运动学方法计算各个关节坐标，得到关节位置；组合姿态估计结果和关节位置，得到完整的人体骨架姿态数据序列。8.一种基于惯性传感器网络的跌倒检测系统，其特征在于，包括：数据获取模块，被配置为利用惯性传感器网络采集运动数据；姿态估计模块，被配置为利用滤波方法对运动数据进行传感器姿态估计；人体骨架姿态数据计算模块，被配置为利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列；
模型训练模块，被配置为利用人体骨架姿态数据序列训练lstm模型；跌倒检测模块，被配置为将待测数据输入训练好的lstm模型，进行跌倒检测。9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于惯性传感器网络的跌倒检测方法。10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述的基于惯性传感器网络的跌倒检测方法。

技术总结
本发明公开了一种基于惯性传感器网络的跌倒检测方法及系统，涉及边缘计算技术领域。包括步骤：利用惯性传感器网络采集运动数据；利用滤波方法对运动数据进行传感器姿态估计；利用正向运动学方法对传感器姿态估计结果进行计算得到人体骨架姿态数据序列；利用人体骨架姿态数据序列训练LSTM模型；将待测数据输入训练好的LSTM模型，进行跌倒检测。本发明利用多个惯性传感器通过融合惯性传感器网络数据获得运动数据，并基于滤波方法和正向运动学方法获得人体骨架姿态数据序列，利用人体骨架姿态数据序列训练LSTM模型从而进行跌倒检测，较之单点惯性传感器的跌倒检测，提高了检测准确性，大大降低了误检的发生。大大降低了误检的发生。大大降低了误检的发生。


技术研发人员：刘昊 常友成
受保护的技术使用者：山东产研先进材料研究院有限公司
技术研发日：2023.02.01
技术公布日：2023/5/31