一种基于数据曲线比较的跌倒活动检测方法，属于普适计算人机交互技术的创新性应用。该跌倒活动检测方法，引入周围磁场变化体现人体活动中身体部位的运动情况，把握人体活动中的复杂行为特征信息，并对获得的感知数据曲线通过自主设计的基于曲线形状上下文考察、曲线特征矩阵生成和差异度计算的曲线比较技术方案，实现跌倒活动的检测，完全满足普适计算应用人机交互中活动检测的实时高效性要求。
1. 一种基于数据曲线比较的跌倒活动检测方法，其特征在于，包括以下步骤：
1）对传感器采集的伴随人体活动的感知数据进行处理，根据多种传感器采集的包括加速度数据、方向数据、磁场强度数据在内的实时数据，生成感知数据曲线；
2）采用形状上下文考察感知数据曲线，根据感知数据曲线生成形状上下文直方图：在感知数据曲线上选取一个特征点S ，以选中的特征点为中心生成一个涵盖曲线上所有其他点的对数极坐标系，R 为坐标系中心点到其他点的最大距离，将坐标系按照logR 值均匀地划分为kd 个距离范围，记作D1, D2, ..., Dkd ，并把极坐标中心角2π 等分为ka个角度范围，记作A1, A2, ... ,Aka ；对数极坐标系即以特征点S 为中心被划分成kd×ka个涵盖整个曲线的直方图区间，除特征点S 以外的任意其他点都将根据其极坐标值(ρ, θ) 处于坐标系的某一个距离和角度范围内，即落在以特征点S 为中心的某个直方图区间内，统计每一个直方图区间内点的个数就能得到特征点S 在该曲线上的形状上下文；
所述特征点为一对“连续下降”中的2个“下降终点”， “连续下降”是指，若感知数据曲线表明读数在[t1,t2] 时间段内有一次单调下降后，紧接着在[t2,t3] 时间段内出现一次单调上升，然后又在[t3,t4] 时间段内再次单调下降，则称发生在时间段[t1,t2] 和[t3,t4] 的两次下降为连续的，即一对“连续下降”，连续下降中2个下降的最低点分别被称为“下降终点”；
3）将形状上下文直方图转换为矩阵表示，即生成曲线特征矩阵；定义特征点S 的形状上下文矩阵Ms ，与直方图区间数量相对应，矩阵Ms 有kd× ka 个元素，其中元素 (i ,j ) 的值就是落在坐标系中距离范围为Di 、角度范围为Aj 的区间里点的数量；同样，对其他特征点X 的形状上下文直方图也转换为其形状上下文矩阵MX ；因为特征点的形状上下文体现了以该点为中心的曲线部分特征，所以将多个特征点的形状上下文矩阵组合在一起则能体现整条曲线的特征；所有特征点的形状上下文矩阵拼接组合，生成一个nkd× ka 的矩阵M′，M′即为感知数据曲线的特征矩阵，其中 n 是选取特征点的数量；
4）在得到曲线特征矩阵之后，将曲线的比较转化为其特征矩阵的比较，利用Hausdorff 距离进行特征矩阵图像的差异度比较计算，通过与已知跌倒活动的感知数据曲线特征矩阵图像的比较实现跌倒活动的实时高效检测。
2.根据权利要求1 所述的一种基于数据曲线比较的跌倒活动检测方法，其特征在于：
利用周围磁场强度变化反映磁场感应传感器和磁性附件之间的距离变化，从而体现人体活动中身体部位的运动情况，通过合理设置传感器和磁性附件的位置并采集磁场强度感知数据，把握跌倒活动中的复杂行为特征信息。
一种基于数据曲线比较的跌倒活动检测方法
技术领域
[0001] 本发明属于普适计算应用技术领域，涉及人机交互技术中一种人体活动检测方法，该方法通过对伴随人体活动所产生的感知数据曲线的比较处理，有效检测人的跌倒活动。
背景技术
[0002] 人体跌倒活动检测作为普适计算的一项典型应用，也是面向活动的人机交互中一项重要的关键技术。其对于避免跌倒对人尤其是老年人所带来的严重健康危害、逐步深入地研究人机交互中准确检测各种人体活动动作信息，有着基础而重要的意义。跌倒活动检测技术关注将对活动的定性描述合理地转变为定量描述，以实现检测系统的识别判断。现有的跌倒活动检测研究工作主要采用三类检测方法：基于数据库的动作分类识别检测、基于加速度的检测和基于图像处理的检测。
[0003] 基于数据库的动作分类识别检测方法将采集到的伴随各种不同人体活动的行为数据存贮到数据库中并加以分析，以提取出对应于不同活动的不同特征，从而根据这些特征对用户的行为活动进行分类识别，判断是否发生跌倒活动。人体活动感知数据库的建立为跌倒活动检测提供了强大的数据支持，但其问题在于采集足够的数据、为用户个体建立数据库的工作本身非常复杂和麻烦，很大程度上影响了该工作的可行性。 [0004] 基于加速度的跌倒活动检测是一类更为广泛使用的方法，主要依靠考察加速度数据设置阈值进行检测。其通过加速计传感器采集加速度数据，根据数据的不同处理方法和阈值的不同设定方式建立检测判定标准：或者根据加速度峰值的绝对值，或者根据加速度总向量和、加速度动态向量和、垂直加速度及加速度最大最小值之差等动态指标，进行判断。此类检测方法的问题在于加速度数据变化在诸多人体活动中均会产生，据此进行跌倒活动检测容易产生较大的误报率，检测的特异度较差。
[0005] 基于图像处理的跌倒活动检测使用捕获人体活动图像并基于图像处理技术检测“可视”的跌倒动作的方法。但是此类方法的可接受性和可负担性不佳，并且由于使用图像技术进行身体活动检测，检测区域完全限定在十分有限的可监视范围内，设置可监视范围的高昂成本又限制了检测区域的扩展。
发明内容
[0006] 本发明的目的在于，为了更加有效地检测跌倒活动，避免跌倒对人所造成的健康危害，提供新型的跌倒活动检测方法，进而解决人机交互中关键人体活动检测技术问题，准确而高效地检测、区分出跌倒活动与其他常规人体活动，提高检测结果的“灵敏度”和“特异度”。
[0007] 为了实现上述发明目的，本发明采用如下技术方案。该基于数据曲线比较的跌倒活动检测方法，利用多种传感器采集伴随人体活动的、包含活动准确细节特征的、可用于后续数据曲线处理及比较的实时感知数据，根据感知数据形成信号曲线并考察曲线的形状特 征，运用曲线的定量化比较进行跌倒活动的检测。与依赖加速度特征的跌倒检测方法不同，该方法不仅利用加速计传感器对伴随人体活动的加速度数据进行记录，还创新性地运用磁场感应传感器采集数据，在身体有效部位放置磁场感应传感器和微型磁性附件，利用磁场感应传感器感知周围磁场变化，得出反映人体活动特征的磁场强度数据，体现了放置两种设备(传感器和磁性附件)的身体部位之间在活动中所发生的位置和距离变化情况。 [0008] 该基于数据曲线比较的跌倒活动检测方法包含一套活动检测框架，如图1所示，分为人体活动特征感知数据曲线生成、感知数据曲线形状上下文考察和感知数据曲线相似度比较三个部分，分别对应跌倒活动检测方法的若干步骤，具体如下： [0009] 步骤1：根据多种传感器采集的实时数据，如加速度数据、方向数据、磁场强度数据，生成感知数据曲线。
[0010] 步骤2：根据感知数据曲线生成形状上下文直方图。具体地，在感知数据曲线上选取一个特征点S，以选中的特征点为中心生成一个涵盖曲线上所有其他点的对数极坐标系，R为坐标系中心点到其他点的最大距离，将坐标系按照logR值均匀地划分为kd个距离范围，记作D1，D2，...，Dkd，并把极坐标中心角2π等分为ka个角度范围，记作A1，A2，...Aka。对数极坐标系即以特征点S为中心被划分成kd×ka个涵盖整个曲线的直方图区间，如图2所示。除特征点S以外的任意其他点都将根据其极坐标值(ρ，θ)处于坐标系的某一个距离和角度范围内，即落在以特征点S为中心的某个直方图区间内，统计每一个直方图区间内点的个数就可以得到点S在该曲线上的形状上下文。
[0011] 步骤3：将形状上下文直方图转换为矩阵表示，即生成曲线特征矩阵。定义特征点S的形状上下文矩阵Ms，与直方图区间数量相对应，矩阵Ms有kd×ka个元素，其中元素(i，j)的值就是落在坐标系中距离范围为Di、角度范围为Aj的区间里点的数量。同样，对其他特征点X的形状上下文直方图，也转换为其形状上下文矩阵MX。因为特征点的形状上下文体现了以该点为中心的曲线部分特征，所以将多个特征点的形状上下文矩阵组合在一起则能体现整条曲线的特征。所有特征点的形状上下文矩阵拼接组合，生成一个nkd×ka的矩阵M′，M′即为感知数据曲线的特征矩阵，其中n是选取特征点的数量。曲线特征矩阵可以用灰度图的形式来直观地表示，如图3所示，矩阵方块中越深的颜色表示对应的元素值越大。同类活动的曲线特征矩阵的图像表示相类似，而对应不同活动的图像则会有较大差异。
[0012] 步骤4：在得到曲线特征矩阵之后，可将曲线的比较转化为其特征矩阵的比较。曲线特征矩阵的相似度比较可以通过对其图像表示的Hausdorff距离测量方法来完成定量计算。比较结果的大小表明各特征矩阵所对应数据曲线的近似程度情况——数值越小，近似程度越高。这一比较数值也是量化比较感知数据曲线、判定跌倒活动的输出结果，对于一组对应未知活动的感知数据来说，其与另一组已知对应跌倒活动的样本感知数据进行比较，若两条感知数据曲线之间的比较结果数值足够小，则判定未知活动为跌倒活动。 [0013] 本发明的有益效果在于，该跌倒活动检测方法结合了身体活动特征研究，新颖地引入周围磁场变化体现人体活动中身体部位的运动情况，把握人体活动中的复杂行为特征信息，并对获得的感知数据曲线通过自主设计的基于曲线形状上下文考察、曲线特征矩阵生成和差异度计算的曲线比较技术方案，实现跌倒活动的实时高效检测，克服了简单地使用基于加速度阈值条件进行跌倒活动判定时，无法全面体现跌倒活动与正常人体活动的特 征差别，检测效果“灵敏度”和“特异度”要求难以调和的困难，满足了跌倒活动检测在普适计算实际应用中的需求。
附图说明
[0014] 图1是基于数据曲线比较的跌倒活动检测方法检测框架示意图。 [0015] 图2是曲线形状上下文对数极坐标直方图区间示意图。
[0016] 图3是曲线特征矩阵的灰度图图像表示。
具体实施方式
[0017] 在该跌倒活动检测方法中，磁场感应传感器的感知数据代表了其周围的磁场强度，使用此数据值可推断传感器与磁性附件之间的相对位置，通过合理设置传感器和磁性附件的位置，可以有效地捕捉跌倒活动中身体部位运动的常见特征，以实现检测跌倒。具体的，可以将磁性附件放置在腿上，略高于膝盖，同时将传感器放置在另一侧腿上的裤袋附近位置。传感器所采集的磁场强度感知数据表征了人体活动中两腿之间的运动情况。 [0018] 得到包含人体活动特征的感知数据并生成数据曲线后，基于数据曲线比较的跌倒活动检测方法即考察感知数据曲线的形状上下文，过程包括形状上下文特征点的选取——确定特征点的数量和位置，以及对数极坐标系区间的划分。由于人在跌倒过程中，腿部姿势往往有着显著的变化，因此会造成磁场强度以及感知数据有规律的变化。数据曲线形状上下文考察中选取特征点时即要考虑这些变化规律。本跌倒活动检测方法把一对“连续下降”中的2个“下降终点”选为数据曲线的特征点。
[0019] “连续下降”是指：若感知数据曲线表明读数在[t1，t2]时间段内有一次单调下降后，紧接着在[t2，t3]时间段内出现一次单调上升，然后又在[t3，t4]时间段内再次单调下降，则称发生在时间段[t1，t2]和[t3，t4]的两次下降为连续的，即一对“连续下降”，连续下降中2个下降的最低点分别被称为“下降终点”。
[0020] 以数据曲线特征点为中心点生成对数极坐标系，在该坐标系内，按其他节点相距中心点最大距离的对数值logR均匀划分5个距离范围，记作D1，D2，...，D5，同时将中心角2π等分为12个角度范围，记作A1，A2，...，A12。
[0021] 基于数据曲线比较的跌倒活动检测方法执行中，首先计算感知数据曲线中每对“连续下降”中两次下降的累计和，检查其是否超过阈值Thtm，若检查结果为真，则在第2次下降的“下降终点”后1.6秒内立即执行后续操作；后续操作为，分别以当前“连续下降”中的2个下降终点为特征点，计算曲线的形状上下文，并组合生成曲线特征矩阵，具体的，分别以2个特征点为对数极坐标系中心点，数据曲线上任意其他点都根据其极坐标值(由距离ρ和角度θ来表示)落入一个特定的距离范围和角度范围，也就是在对数极坐标系的一个区间内，从而得到一个5×12的形状上下文矩阵MX，矩阵中(i，j)位置上的值代表落入距离范围Di和角度范围Aj的点的数量。将2个特征点分别生成的形状上下文矩阵组合，得到一个10×12的曲线特征矩阵M。然后将该曲线特征矩阵M用灰度图表示，并计算其与对应跌倒活动的已知特征矩阵之间的Hausdorff距离，检查其是否小于阈值Thhd，若结果为真，则标记当前感知数据曲线对应的活动为“跌倒”，否则标记为“非跌倒”。
