一种基于多分类器集成的老人跌倒检测方法及系统

1.一种基于多分类器集成的老人跌倒检测方法，其特征在于，该方法包括以下步骤：
[1]跌倒方向预测，根据检测跌倒方向的变化预测跌倒；[2]跌倒压力预测，根据跌倒时的气压和撞击地面的压力预测跌倒；[3]跌倒声音预测，根据跌倒时候的声音，包括撞击地面的声音和人体发出的声音，预测跌倒；[4]跌倒误判预测，根据采集的人体检测传感器信息，判断人体是否在人体传感器附近，预防误判；[5]构造跌倒特征向量，其由以上四步完成的预测结果构成；[6]跌倒集成预测，根据跌倒特征向量，采用分类器预测跌倒，输出预测结果。
2.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[1] 包括以下步骤：（a）采集三轴加速度传感器、陀螺仪、地磁传感器信息；（b）构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量；（c）构造跌倒方向特征向量，其组合所构造的传感器特征向量；（d）采用分类器预测跌倒，输出结果v1。
3.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[2] 包括以下步骤：（a）采集气压传感器、压力传感器信息；（b）构造每个传感器的特征向量，构造方法是按时间区间作为分析范围，并且将此时间区间再划分为若干时间片段，对每个片段采集信息，生成片段特征向量，因此时间区间是一个片段特征向量序列，然后对此序列串接形成最终的传感器特征向量；（c）构造跌倒压力特征向量；（d）采用分类器预测跌倒，输出结果v2。
4.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[3] 包括以下步骤：（a）采集跌倒时的声音传感器信息；（b）构造跌倒声音特征向量；（c）采用分类器预测跌倒，输出结果v3。
5.根据权利要求1 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[4] 包括以下步骤：（a）采集人体检测传感器信息；（b）预测是否检测到人体，输出结果v4。
6.根据权利要求5 所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤a)采用红外传感器实现人体检测。
7. 根 据 权 利 要 求 1 所 述 的 一 种 基 于 多 分 类 器 集 成 的 老 人 跌倒 检 测 方 法，其 特 征 在 于 所 述 的 步 骤[5] 为 构 造 跌 倒 特 征 向 量 ，其中 为四个分类器单独对跌倒判断时的准确率，其 为权重要，为四
个分类器的输出值，跌倒为1，否则为0。
8.根据权利要求1所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[1][2][3]和[5] 采用的分类器是集成分类器Adaboost，其弱分类器采用支持向量机。
9.根据权利要求2~4所述的一种基于多分类器集成的老人跌倒检测方法，其特征在于所述的步骤[1][2][3]和[5]采用的分类器是旋转森林分类器。
10.一种基于多分类器集成的老人跌倒检测系统，其特征在于，其特征在于所述的系统采用所述的一种基于多分类器集成的老人跌倒检测方法实现，系统包括：一个跌倒训练样本数据库，存储很多跌倒特征向量及跌倒类别的训练样本；一个跌倒档案数据库，用以储存跌倒时的每个传感器特征向量，跌倒特征向量，跌倒预警信息，和跌倒预警时间；系统还包括模块：传感器信息采集模块，传感器特征向量构造模块，跌倒特征向量构造模块，特征选择模块，跌倒识别模块，跌倒识别模型学习模块，跌倒预警模块，跌倒档案管理模块，其中传感器信息采集模块的输出与传感器特征向量构造模块的输入连接，传感器特征向量构造模块的输出与跌倒特征向量构造模块的输入连接，跌倒特征向量构造模块的输出与特征选择模块的输入连接，特征选择模块的输出与跌倒识别模块的输入连接，跌倒识别模型的学习模块的输出与跌倒识别模块的输入连接，跌倒识别模块的输出与跌倒预警模块的输入连接，跌倒预警模块的输出与跌倒档案管理模块的输入连接，其中跌倒识别模型学习模块离线独立在计算机上运行。

暂无