一种用于跌倒防护系统的数据分割方法

1.本发明涉及传感器数据分割技术领域，具体的说，是一种用于跌倒防护系统的数据分割方法。


背景技术：

2.在全球范围内，老年人跌倒是一个主要的公共卫生问题。跌倒是65岁以上老人死亡、致残和丧失独立能力的主要原因，也是住院治疗的主要原因(每11秒就有一名老年人因跌倒而住院)。因此，自动跌倒防护系统是非常有意义的。
3.跌倒防护系统的主要目的是准确检测何时发生跌倒，以便在身体撞击地面之前启动跌倒保护装置，以减少跌倒伤害。
4.一般来说，跌倒防护系统更适合采用基于惯性传感器的可穿戴系统。跌倒防护系统的核心是检测算法，检测算法负责不断地将人体的任何运动分类为跌倒或日常生活动作。基于人工智能的检测方法比基于阈值的方法可获得更高的准确率已得到了广泛的验证。
5.因为对于基于人工智能模型的跌倒防护系统而言，分类特征只能从有限持续时间的数据段中提取，所以检测算法首先是从数据中分割片段，即把从惯性传感器获得的连续数据流划分为多个数据段。通常数据分割方法有两种，第一种方法是固定持续时间的滑动窗口。滑动窗口持续时间定义了数据段的边界，截取后再进一步提取特征和分类。该方法虽然简单，但计算量大，不适合对实时性要求较高的跌倒防护系统。第二种方法首先设置触发条件，通过搜索超过预设阈值的惯性传感器值来检测输入数据流中的潜在跌倒事件。当检测到潜在的跌倒事件时，再通过一个或多个窗口截取数据段，实现分类。但窗口持续时间如何确定，现在没有明确的方法，大多数是实验经验值。如果窗口持续时间过长，会影响跌倒检测的实时性，保护装置没有充足的时间打开；如果窗口持续时间太短，将影响跌倒检测的准确性。


技术实现要素：

6.为解决上诉现有技术的缺陷和不足，本发明的目的是提供一种惯性传感器数据分割的方法。本数据分割方法通过多通道卷积神经网络mc-cnn和重要性映射方法实现。首先对已有数据集预处理，截取出人体撞击地面前惯性传感器数据并组建训练数据集，其次通过mc-cnn网络进行训练，提取模型参数，并结合重要性映射方法，确定出对于分类而言各个序列位置的重要性，从而决定数据分割的明确范围，此方法可以清晰的划分出跌倒检测的触发条件以及窗口的截取长度，优化了现有分割方法的弊端，解决了撞击前跌倒防护系统分割方法存在的技术痛点。
7.为实现上述目的，本发明采用如下技术方案：
8.一种用于跌倒防护系统的数据分割方法，包括如下步骤：
9.s1.获取用户跌倒动作和日常行为动作的数据集；
10.s2.对获取的数据集进行预处理，截取出用户跌倒撞击地面前其所穿戴的惯性传感器数据，组建训练数据集；
11.s3.基于多通道卷积神经网络模型mc-cnn对训练数据集进行训练，获得所有通道的特征图feature map以及相应的权重；
12.s4.对所获得的特征图feature map以及相应的权重，结合重要性映射方法，得出对于数据分割而言各个序列位置的重要性，从而确定数据分割的具体区域；
13.s5.根据确定的数据分割区域在跌倒防护系统中设置相应的数据分割算法，用于跌倒防护系统的跌倒检测。
14.步骤s2中所述对获取的数据集进行预处理，预处理过程如下：
15.s21.计算三轴惯性传感器信号幅值向量其中，其中，和分别代表x，y和z惯性传感器数值；
16.s22.组建数据集：对于跌倒动作而言，smv峰值点代表身体撞击地面的时刻，故截取最大峰值点之前1s的信号作为训练数据集；对于慢走、跑步、上楼梯、下楼梯等日常行为动作而言，以1s的时间间隔截取数据，作为训练数据集。
17.步骤s2中所述惯性传感器包括三轴加速度计和陀螺仪。
18.步骤s3中所述基于多通道卷积神经网络模型mc-cnn对训练数据集进行训练，训练过程为：
19.首先对三轴加速度计和陀螺仪信号单独进行处理，通过卷积运算之后再综合考虑三轴加速度计和陀螺仪信号对分类的影响，然后将两个部分的特征图feature map合并，获得对分类比较重要的区域，最后利用交叉熵损失函数判断分类质量，以完成对数据集的训练；
20.上述过程中，卷积运算由四个一维卷积1d convolution和全局平均池化层gap、线性全连接层fc、softmax逻辑回归层组成，四个一维卷积1d convolution的卷积核分别为8个、16个、32个和64个，所述全局平均池层gap将第四卷积层每个通道的特征映射维数从(1
×
100)降低到(1
×
1)。
21.步骤s4中所述结合重要性映射方法，得出对于数据分割而言各个序列位置的重要性，具体过程如下：
22.通过mc-cnn模型训练后，可获得所有通道的特征图feature map以及相应的权重，对于输入的惯性传感器时间序列，以sk(x)表示通道k上的输出序列，x表示序列上的时间位置，表示每个通道特征k对不同分类c的权重，softmax逻辑回归层的输入表示为gc，则有：
[0023][0024]
据此建立从序列到每个分类c的重要性映射，定义为mc；
[0025][0026]
mc(x)表示时间序列中位置x对于将序列分类为c的重要性。
[0027]
步骤s4中在实现对mc(x)的可视化后，通过总结其重要性映射图的规律来确定数据分割的具体区域，并将该区域所对应的数据片段用于基于机器学习模型的行为分类，以验证其是否为跌倒动作。
[0028]
本发明相对现有技术的有益效果：
[0029]
本发明方法通过多通道卷积神经网络mc-cnn和重要性映射方法实现。通过对已有数据集的预处理，截取出人体撞击地面前惯性传感器数据并组建训练数据集，之后以mc-cnn网络对数据集进行训练，提取模型参数，并结合重要性映射方法，确定出对于分类而言各个序列位置的重要性，从而决定数据分割的明确范围，此方法可以清晰的划分出跌倒检测的触发条件以及窗口的截取长度，规避了现有分割方法解决数据分割窗口长度凭经验确定的弊端，解决了跌倒防护系统对数据分割困难的问题。
附图说明
[0030]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]
图1是本发明一种用于跌倒防护系统的数据分割方法总体流程示意图；
[0032]
图2是本发明实施例中跌倒特征分析图；
[0033]
图3是本发明实施例中多通道卷积神经网络的组成示意图；
[0034]
图4是本发明实施例中重要性映射样本图。
具体实施方式
[0035]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
实施例：参见图1-4。
[0037]
如图1所示，本发明一种用于跌倒防护系统的数据分割方法，包括如下步骤：
[0038]
s1.获取用户跌倒动作和日常行为动作的数据集；
[0039]
s2.对获取的数据集进行预处理，截取出用户跌倒撞击地面前其所穿戴的惯性传感器数据，组建训练数据集；
[0040]
s3.基于多通道卷积神经网络模型mc-cnn对训练数据集进行训练，获得所有通道的特征图feature map以及相应的权重；
[0041]
s4.对所获得的特征图feature map以及相应的权重，结合重要性映射方法，得出对于数据分割而言各个序列位置的重要性，从而确定数据分割的具体区域；
[0042]
s5.根据确定的数据分割区域在跌倒防护系统中设置相应的数据分割算法，用于跌倒防护系统的跌倒检测。
[0043]
步骤s2中所述对获取的数据集进行预处理，预处理过程如下：
[0044]
s21.计算三轴惯性传感器信号幅值向量其中，其中，和分别代表x，y和z惯性传感器数值；
[0045]
s22.组建数据集：如图2所示，对于跌倒动作而言，smv峰值点代表身体撞击地面的
时刻，故截取最大峰值点之前1s的信号作为训练数据集；对于慢走、跑步、上楼梯、下楼梯等日常行为动作而言，以1s的时间间隔截取数据，作为训练数据集。
[0046]
步骤s2中所述惯性传感器包括三轴加速度计和陀螺仪。
[0047]
步骤s3中所述基于多通道卷积神经网络模型mc-cnn对训练数据集进行训练，训练过程为：
[0048]
如图3所示，首先对三轴加速度计和陀螺仪信号单独进行处理，通过卷积运算之后再综合考虑三轴加速度计和陀螺仪信号对分类的影响，然后将两个部分的特征图feature map合并，获得对分类比较重要的区域，最后利用交叉熵损失函数判断分类质量，以完成对数据集的训练；
[0049]
上述过程中，卷积运算由四个一维卷积1d convolution和全局平均池化层gap、线性全连接层fc、softmax逻辑回归层组成，四个一维卷积1d convolution的卷积核分别为8个、16个、32个和64个，所述全局平均池层gap将第四卷积层每个通道的特征映射维数从(1
×
100)降低到(1
×
1)；与现有的cnn网络不同的是，本发明中取消了卷积层之后的任何池化操作，进而保证了特征图feature map数据长度不变，以便于后续分割区域的确定。
[0050]
步骤s4中所述结合重要性映射方法，得出对于数据分割而言各个序列位置的重要性，具体过程如下：
[0051]
通过mc-cnn模型训练后，可获得所有通道的特征图feature map以及相应的权重，对于输入的惯性传感器时间序列，以sk(x)表示通道k上的输出序列，x表示序列上的时间位置，表示每个通道特征k对不同分类c的权重，softmax逻辑回归层的输入表示为gc，则有：
[0052][0053]
据此建立从序列到每个分类c的重要性映射，定义为mc；
[0054][0055]
mc(x)表示时间序列中位置x对于将序列分类为c的重要性。
[0056]
步骤s4中在实现对mc(x)的可视化后，如图4所示，通过总结其重要性映射图的规律来确定数据分割的具体区域，图中颜色条越深说明相应位置序列对分类越重要，本实施例中，以当加速度计数值小于0.93倍重力加速度时，判定为潜在跌倒，从此刻开始按照310ms窗口长度截取加速度计和陀螺仪数据片段，用于基于机器学习模型的行为分类，最终验证是否跌倒。
[0057]
需要说明的是，本发明数据分割方法的适用范围不仅局限于跌倒检测，针对生活中其他类型的动作，可根据具体情况，由本方法训练并提取规律，进而得到相应的数据分割位置。
[0058]
以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。