基于智能手表加速度计的老人跌倒检测算法研究

摘要

随着人口老龄化进程的不断加剧，数量日益增长的独居和空巢老人居家或外出活动时的意外跌倒已成为造成当代社会老年人意外伤害从而直接影响其健康乃至生命安全的主要突出问题。因此，研发一种准确性高、可实时监控老人跌倒并具备预警功能，且携带方便的监测系统具有极为重要的社会意义和应用价值。可穿戴式装置因携带方便，可随时随地进行人体实时健康监测，且具有传感器灵敏、待机持久、价格较低等优点，近年来被广泛用于老年人的跌倒检测。其中，腕式穿戴设备即智能手表因其舒适性更易被老年人接受，但由于手和手腕频繁随机运动的干扰，导致基于腕式穿戴设备的跌倒检测准确率难以达到95%。　　针对腕式穿戴设备的跌倒检测准确率低的问题，本文以一种基于三轴加速度计的腕式智能手表为研究对象，首先对老人日常活动进行了归类，在考虑手和手腕的行为活动影响的基础上，进行了实验设计，挑选中青年志愿者进行实验，获取实验数据，然后针对基于腕式智能手表加速度计的阈值跌倒检测算法进行了研究，并提出了集成栈式自编码和基于凸包的单分类(Ensemble Stacked Autoencoders and One-Class Classification based on the Convex Hull，ESAEs-OCCCH)的智能跌倒检测方法，最后通过对比验证了方法的可行性与优越性。　　论文主要研究工作如下：　　(1)老人行为分类、实验方案的设计、实验与信号获取。将人体的活动分为日常生活行为(Activities of Daily Life，ADLs)和跌倒行为(Fall Activities，FAs)两大类，基于老年人跌倒的原因、老年人的行为特点、ADLs和FAs的不确定性以及手和手腕活动对加速度计信号的影响，将老年人的ADLs分为16类，FAs分为13类，分别选取不同年龄、不同身高、不同体重中青年志愿者对每一类人体活动进行实验，获取加速度计信号，对采集的数据样本进行分析，结果显示跌倒行为的加速度信号具有冲击性和震荡性，且跌倒信号的冲击震荡强度与志愿者跌倒时撞击地面强度有关，16类ADLs中，敲桌子、鼓掌、快坐和快起的冲击现象最明显，其次为跑步、挥手、晨练。　　(3)将集成栈式自编码(Ensemble Stacked Autoencoders，ESAEs)与基于凸包的单分类方法(One-Class Classification based on the Convex Hull，OCCCH)相结合，提出了一种智能跌倒检测方法ESAEs-OCCCH。首先采用ESAEs进行无监督特征提取，然后，采用OCCCH进行模式识别，最后，为提高算法的性能和稳定性，将多数投票策略和权值自适应调整策略相结合，将ESAEs-OCCCH方法与十二个未集成SAEs-OCCCHs、基于统计特征的OCCCH方法、基于统计特征的单分类支持向量机(One-Class Support Vector Machine，OCSVM)方法、基于统计特征的支持向量机(Support Vector Machines，SVM)方法、基于统计特征的k近邻(K-Nearest Neighbor，KNN)方法分别从准确性、可行性和稳定性三方面进行对比，实验结果验证了ESAEs-OCCCH方法的准确性、可行性和稳定性。　　(4)将本文提出的基于阈值的跌倒检测方法和ESAEs-OCCCH智能跌倒检测算法分别从准确性、可靠性和可行性三方面进行对比与分析，实验结果表明：基于阈值的跌倒检测方法灵敏度高，而特异度、平均测试准确率及算法可靠性均低于ESAEs-OCCCH方法。虽然两种方法的测试效率均可满足现实需求，但ESAEs-OCCCH方法测试效率更佳。基于此，ESAEs-OCCCH方法的跌倒检测结果优于基于阈值的跌倒检测方法。　　论文研究工作对老人及体弱、行动不便的跌倒检测具有一定的理论意义和工程应用价值。

目录

声明

第 1 章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于视觉图像分析的跌倒检测

1.2.2 基于穿戴式装置的跌倒检测

1.3 论文的研究内容和章节安排

1.3.1 论文的研究内容

1.3.2 论文章节安排

第 2 章 老人行为分类、实验设计、数据获取及行为特性分析

2.1 老人跌倒原因的分析

2.1.1 跌倒的自身原因

2.1.2 跌倒的环境原因

2.2 老人行为分类

2.2.1 跌倒行为（FAs）分类

2.2.2 日常行为（ADLs）分类

2.3 实验设计

2.3.1 腕式智能手表

2.3.2 滑动窗口处理

2.3.3 实验方案设计和志愿者

2.3.4 跌倒检测评估指标

2.4 数据样本获取

2.5 行为数据的信号特点分析

2.6 本章小结

第 3 章 基于阈值的跌倒检测方法

3.1 人体跌倒特征参数选取

3.2 基于阈值的跌倒检测方法提出

3.3 跌倒特征参数阈值的确定

3.4 实验Ⅰ结果分析

3.4.1 跌倒检测准确性分析

3.4.2 跌倒检测可行性分析

3.5 本章小结

第 4 章 基于 ESAEs-OCCCH 方法的智能跌倒检测

4.1 ESAEs-OCCCH 方法

4.1.1 栈式自编码网络

4.1.2 基于凸包的单分类方法

4.1.3 ESAEs-OCCCH 方法的提出

4.1.4 ESAEs-OCCCH 方法的基本流程

4.2 实验Ⅰ结果对比与分析

4.2.1 十二个 SAEs-OCCCHs 对比分析

4.2.2 其他分类器对比分析

4.2.3 可行性分析

4.3 本章小结

第 5 章 两种跌倒检测算法的对比与分析

5.1 实验Ⅰ结果对比与分析

5.2 拓展实验Ⅱ结果对比与分析

5.3 本章小结

结论与展望

参考文献

致谢

附录 A 攻读学位期间发表和录用的论文目录

附录 B 攻读学位期间参与的科研项目