一种基于手环的跌倒检测系统

阅读：评论：0

1.本发明涉及智能电子技术领域，尤其涉及一种基于手环的跌倒检测系统。

背景技术：

2.随着科技的不断进步，生活水平的提高，人们的健康保护意识也随之不断提升。同时，人口老龄化也开始逐步得到社会的关注。而且，世界上很多发达国家均已经处于老龄化社会，德国、意大利和日本60岁以上老年人的比重均已超过20％。人口老龄化会产生许多现实的社会问题，其中老年人的医疗保健问题亟待解决，如何有效解决老年人的医疗保健问题已经越来越受到国际社会的关注，其中跌倒问题尤其需要关注。
3.跌倒是指一种突然意外的倒地现象，这种现象可发生于任何年龄，但是在老年人中更为常见，并且相较于对年轻人的危害，老年人跌倒以后的危害更大，严重威胁老年人的身体健康。尤其对于子女不在身边的空巢老人，跌倒发生以后可能无法自行呼救，错过黄金时间，得不到及时的救治，可能因此而造成更加严重的伤害，比如残疾甚至死亡。因此，对于跌倒的检测与报警是非常必要的。
4.基于上述需求，如何设计一款准确且实时跌倒检测报警系统成为了国内外研究人员的一个研究焦点。目前，根据获取跌倒特征信息数据的手段不同，跌倒检测技术主要分为以下三类：
5.(1)用户自主启动型报警系统
6.用户自主启动型报警系统是指用户在跌倒以后，自主的通过该系统向家人及医疗机构报警，以便得到及时的救治。通常情况下，报警是通过一个按键触发，用户只需要按下按键就可以迅速的完成报警。该系统常常被放置在手表，挂饰类的装置上，或是浴室等家庭中容易跌倒的地方，其具有价格低廉、操作简单的优点，但是相应的缺点也非常明显。用户必须自主的按下按键启动报警系统，这也就意味着，用户必须要有清醒的意识才可以操作该系统。然而，跌倒后的老人极有可能因昏倒或晕厥而无法自主发出报警。另外，若用户患有老年痴呆或者其他精神疾病，也同样无法正常使用该系统。由于以上两点原因，制约了该系统的使用范围。
7.(2)基于视频装置的跌倒检测系统
8.基于视频装置的跌倒检测系统是指通过智能视频监测技术，对用户的身体姿态进行监控，并在发生跌倒时有效识别并且及时报警的系统。该系统通常被放置在用户经常活动的区域内，无需随身携带，不影响用户的日常生活。同时该系统在检测到跌倒发生后无需用户操作，即使在用户失去意识后也可以及时完成报警。尽管基于视频装置的跌倒检测系统研究进展可观，也取得了不错的应用效果。但是该系统最大的局限性是视频装置必须要放置在用户经常活动的区域内，导致在其他区域的跌倒行为无法被捕捉到。另外，该系统需要长时间的采集放置区域内的视频信息，导致可能会侵犯到用户的隐私。上述各原因制约了该系统的应用效果。
9.(3)基于可穿戴设备的跌倒检测系统
10.基于可穿戴设备的跌倒检测系统是指通过嵌入了微型传感器的可穿戴设备来检测用户是否跌倒，例如智能手环、智能手表等。该系统可以长时间的实时监测人体的活动，采集人体活动数据，通过相应的算法来判断是否跌倒。相对于前面两种系统，该系统可以应用在用户跌倒之后失去意识的场景，对于患有老年痴呆或者其他精神疾病的老年人也可以实现保护。同时该系统没有活动区域的限制，对用户隐私实现了最大程度的保护。因此，该系统是一种比较理想的跌倒检测系统。
11.但是，目前上述基于可穿戴设备的跌倒检测系统中均需要采集大量的数据进行分析处理，这就使得可穿戴设备的处理计算量大大增加，进而导致的后果是无法快速地检测到用户的跌倒行为。另外，大量的采集数据需求还使得产品的实现复杂度变高，导致技术实现成本也同时升高，影响了相应产品的推广应用。

技术实现要素：

12.本发明的目的是提供一种基于手环的跌倒检测系统，其能够基于较少的数据采集实现快速准确地跌倒检测处理。
13.本发明的目的是通过以下技术方案实现的：
14.一种基于手环的跌倒检测系统，包括：
15.数据采集模块，通过手环中内置的加速度传感器进行跌倒数据的采集；
16.数据预处理模块，对采集的跌倒数据按照设置的时间窗口进行分割，所述窗口是指在窗口所在的时间段内能够识别出是否跌倒；
17.特征提取模块，对预处理后的数据进行滤波处理，并进行时频域、时域和瞬时频率分析，提取特征，所述特征为能够识别区分是否发生跌倒行为的信息；
18.模型训练及部署模块，利用提取的特征进行模型训练，并将训练获得的模型进行部署，以用于进行实时跌倒检测处理。
19.所述数据预处理模块进行分割过程中采用的时间窗口为5秒。
20.所述特征提取模块进行滤波过程中包括滤掉17hz以上的频率，且该模块具体包括：
21.提取频谱特征子模块，通过短时快速傅里叶变换进行频谱的提取，其中，快速傅里叶变换的窗口长度设定为50个采样点，且每次滑动的长度为25个采样点，相应的窗函数选用海明窗；
22.提取时域特征子模块，用于提取的时域特征包括跌倒时最大峰值、失重阶段最小波谷值、最大峰值持续时间、最小波谷持续时间、活跃比率、跌倒撞击后加速度波动和跌倒撞击后轴标准差；
23.提取瞬时频率特征子模块，提取0-12hz数据，并确定其在瞬时频率中所占的比重。
24.所述最大峰值持续时间为：以最大峰值为中心点向两侧判断峰值是否大于设定的第一阈值，并将两侧离最大峰值最远的大于设定的第一阈值的两个峰值点之间的时间长度作为最大峰值持续时间.；所述最小波谷持续时间为：以最小波谷值为中心点向两侧判断波谷值是否小于设定的第二阈值，并将两侧离最小波谷值最远的小于设定的第二阈值的两个最小波谷值点之间的时间长度作为最小波谷持续时间。
25.所述活跃比率为活跃时长占总时间长的比率，所述活跃时长是指符合活跃时刻条
件的活跃时刻总时长，所述活跃时刻是指某时刻的加速度处于预先设定的阈值区间之外。
26.所述活跃比率为活跃采样点个数与总采样点个数的比值，所述活跃采样点是指上述活跃时刻的采样点。
27.所述提取时域特征子模块中提取跌倒撞击后加速度波动包括：提取跌倒撞击后波峰密度、跌倒撞击后波谷密度、跌倒撞击后波峰波谷对密度和跌倒撞击后加速度标准差；和/或，所述提取时域特征子模块中提取跌倒撞击后轴标准差包括：提取跌倒撞击后波动最小轴标准差和跌倒撞击后前后变化最大轴标准差。
28.所述提取跌倒撞击后波峰密度为：波峰个数与采样点个数的比值；跌倒撞击后波谷密度为：波谷个数与采样点个数的比值。
29.当所述手环中的加速度传感器为三轴加速度传感器时，所述特征提取模块在提取特征的过程中使用的数据为基于三轴加速度数据确定的合加速度数据。
30.所述模型训练及部署模块进行模型训练过程中具体为将所述特征提取模块提取的特征放入到svm分类器中进行训练，并得到训练后的模型。
31.由上述本发明提供的技术方案可以看出，其具体根据采集的加速度计数据对时域、时频域、瞬时频率进行分析，提取了有效特征，这对基于商用手环的行为感知工作具有很大帮助。而且，本发明中还对数据进行了预处理，以将传感器采集到的多维数据压缩为一维，这样显著降低了系统的计算量，有效提高了跌倒检测效率。同时，还对采集数据的时域、时频域、瞬时频率分别进行了分析，使得相较于现有的其他技术方案，本发明提供的技术方案考虑的更加全面，系统的鲁棒性更好。
附图说明
32.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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附图。
33.图1为本发明实施例提供的系统的架构示意图；
34.图2为本发明实施例中提取频谱特征的过程示意图；
35.图3为短窗口频率分辨率差的示意图；
36.图4为长窗口频率分辨率差的示意图；
37.图5为跌倒动作分波段波形的示意图；
38.图6为非跌倒数据瞬时频率统计示意图；
39.图7为跌倒数据瞬时频率统计示意图。
具体实施方式
40.下面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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
41.本发明的目的是提供一种基于商业手环的跌倒检测系统，通过采集商业手环的数
据，对用户是否发生跌倒行为进行分析与识别。本发明提供的系统应用场景可以但不限于为小米手环3。实际应用中，用户可以左手佩戴小米手环3，之后当用户发生跌倒情况时，则该系统便能够迅速检测到跌倒行为的发生，以便进行及时报警。
42.本发明提供的系统的具体实现框架如图1所示，主要分为数据采集、数据预处理、特征提取、分类器分类(模型训练及部署)等处理模块。
43.下面将以本发明实施例具体应用于小米手环3中为例，分别针对图1中的各处理模块的具体实现方式进行详细说明。显然，本发明实施例也可以应用其他具有类似数据采集功能的手环中。
44.参照图1所示，本发明实施例具体可以包括以下处理模块：
45.(一)数据采集模块
46.在具体实现本发明的过程中可以基于小米手环3采集数据，小米手环3配备有一个采样率为25hz的三轴加速度传感器，且具有20天的续航时长，故可以使用该手环采集数据，即通过手环中内置的加速度传感器进行跌倒数据的采集，并基于采集到的数据进行后续的跌倒检测的系统实现。
47.(二).数据预处理模块
48.该数据预处理模块主要用于对采集的跌倒数据按照设置的时间窗口进行分割；
49.具体地，为了能够更加准确的识别出跌倒动作，可以设置时间窗口对小米手环3采集到的跌倒数据进行分割。该时间窗口是指在特定时间段内算法能够识别出是否跌倒的时间长度。在确定窗口长度过程中发现，若时间窗口设置过长，则会导致需要处理的数据量太大，计算量也较大，同时跌倒动作在时间轴上所占的比例较低，算法的准确率很差；而如果时间窗口设置的过短，则不足以记录整个跌倒过程，跌倒动作将难以识别，因此选定合适的时间窗口长度是整个算法取得出性能的基础。为此，依据跌倒动作的特点与持续时间，并经过大量的实验及理论分析研究，最终确定可以将时间窗口设置为5s左右，这样设置的时间窗口长度既可以涵盖跌倒动作的全部阶段，又可以保证其他动作的噪声也较小。而且，通过实验也证明其可以取得最优的效果。
50.(三).特征提取模块
51.在本发明实施例中，使用小米手环3采集到了三轴加速度传感器的时序信号，通过对时频域、时域、瞬时频率进行分析，提取特征，其中所述特征是指能够识别区分是否发生跌倒行为的信息。
52.(1)时频域分析部分，即频谱特征提取子模块
53.在时频域分析中，频谱特征是时序信号里非常重要的信息，具体可以采用短时快速傅里叶变换对数据进行处理，相应的提取频谱特征的处理流程如图2所示。考虑到算法的计算量，可以不针对每一轴的数据都进行分析，而是使用由三轴加速度数据处理后得到的合加速度数据，合加速度公式如下：
[0054][0055]
基于上述描述，具体的频谱特征提取过程参照图2所示，包括：
[0056]
(11)滤波处理
[0057]
研究发现人体活动的加速度时序信号的频域通常在17hz以下，因此可以设置相应的17hz的低通滤波器，以过滤掉非人体活动产生的噪音。在具体的实现过程中，可以在使用
短时快速傅里叶变换时，将截止频率设为17hz，即舍弃掉了stft(短时快速傅里叶变换)之后超过17hz的部分。
[0058]
(12)短时快速傅里叶变换处理
[0059]
在短时快速傅里叶变换过程中，窗口的长度将决定频谱图的时间分辨率和频率分辨率。窗口长越长，截取的信号越长，傅里叶变换后频率分辨率越高，时间分辨率越差；相反，窗口长越短，截取的信号就越短，频率分辨率越差，时间分辨率越好，也就是说，短时傅里叶变换中，时间分辨率和频率分辨率之间不能兼得，如图3、图4所示。因此，窗口的长度将直接影响算法的效果。
[0060]
为此，根据大量实验并结合经验，确定可以将短时快速傅里叶变换的窗口长度设为50个采样点，每次滑动的长度为25个采样点，窗函数选用海明窗。
[0061]
经过以上过程(11)和(12)的处理，便可以从时序信号的原始数据里提取到频谱特征。
[0062]
(2)提取时域特征子模块
[0063]
为了更加方便地讨论跌倒动作的时域特性，本发明中具体将跌倒行为分成了五个阶段：稳定阶段、晃动阶段(不稳定阶段)、失重阶段(跌倒阶段)、撞击阶段和跌倒后观察阶段。跌倒动作的人体加速度波形具有显著特点，通常情况下，在失重阶段时会产生一个全局最小的波谷；在失重阶段结束开始撞击时，会产生一个较大的波峰。之后由于与地面碰撞产生的反弹，加速度会不断变化，波形出现一定数量的波峰和波谷，具体可以参照图5所示。
[0064]
通过研究跌倒动作各个阶段的物理特性，并观察跌倒动作数据的波形特点，并进行大量实验及检测分析后决定从以下几个方面选取阈值检测算法需要的特征。
[0065]
(21)最大峰值max_acc
[0066]
在跌倒时，人体会经过一段时间的失重，此时人体具有一个逐渐增大的朝向地面的速度。当人体撞击地面时，人体的速度会迅速减小，因此会产生一个较大的加速度。这个特点在波形图上的表现为在撞击阶段有一个较高的峰值。基于这个特点，可以在时域中选取最大峰值作为一个特征，即：
[0067]
max_acc=max(acc)；
[0068]
(22)失重阶段最小波谷值min_acc
[0069]
相对于其他日常动作，跌倒动作会产生较大程度的失重，因此设备坐标系的加速度与重力加速度抵消以后，会产生一个非常小的加速度值。在波形图上，这个特点体现为失重阶段有一个较小的波谷。基于这个特点，则确定可以在时域特征中选取最小波谷值作为一个特征，即：
[0070]
min_acc=min(acc)；
[0071]
(23)最大峰值持续时间peak_duration
[0072]
在非跌倒情况下，虽然人体可能会产生一个类似于撞击时的加速度峰值，这样可能会符合之前设定的(21)条件。但是处于正常状态下的用户，在身体不稳定时会下意识的保持身体平衡，因此这个峰值的持续时间会比较短，所以可以在特征中添加最大峰值持续时间作为补充，以降低选择最大峰值作为特征带来的误警率。在具体实现过程中，可以以最大峰值为中心点，向两侧判断最大峰值持续时间是否大于预先设定的阈值，例如，可以设定阈值为(21)中的最大峰值*0.1，假设波峰左侧符合条件左侧边界点为ps，波峰右侧符合条
件边界点为pe，则最大峰值持续时间为：
[0073]
peak_duration=pe
–
ps；
[0074]
也就是说，所述最大峰值持续时间为：以最大峰值为中心点向两侧判断峰值是否大于设定的第一阈值，并将两侧离最大峰值最远的大于设定的第一阈值的两个峰值点之间的时间长度作为最大峰值持续时间；
[0075]
(24)最小波谷持续时间trough_duration
[0076]
与(23)同理，在非跌倒情况下，虽然人体也可能会产生一个类似于失重时的加速度波谷，但是处于正常状态下的用户，在身体不稳定时会下意识的保持身体平衡，因此这个波谷的持续时间会比较短。因而在特征中添加了最小波谷持续时间作为补充，以降低选择最小波谷值作为特征带来的误警率。在具体过程中，可以以最小波谷值为中心点，向两侧判断是否小于设定的阈值，例如，设定的阈值可以是(22)中的最小波谷*1.5，假设波谷左侧符合条件的边界点为ts，波谷右侧符合条件的边界点为te，则最小波谷持续时间为：
[0077]
trough_duration=te
–
ts；
[0078]
也就是说，所述最小波谷持续时间为：以最小波谷值为中心点向两侧判断波谷值是否小于设定的第二阈值，并将两侧离最小波谷值最远的小于设定的第二阈值的两个最小波谷值点之间的时间长度作为最小波谷持续时间；
[0079]
(25)活跃比率activity_rate
[0080]
上述各个特征考虑了数据的波峰和波谷的特点，对于上述描述的跌倒数据的波峰和波谷的特点在用户剧烈运动时也是极易产生。以跑步动作为例，跑步时人体加速度变化一直很大，很有可能被上述规则识别为跌倒，基于此，经过研究分析确定引入了一个新的待提取的特征，即活跃比率。所述活跃比率为活跃时长占总时间长的比率，所述活跃时长是指符合活跃时刻条件的活跃时刻总时长，所述活跃时刻是指某时刻的加速度处于预先设定的阈值区间之外。
[0081]
具体可以设定一个阈值区间[low_threshold,high_threshold]，例如，该区间的具体值可以设置为[max_acc*0.2,max_acc*0.6]，当某时刻加速度处于该阈值区间以外时，即未处于该区间内时，则称该时刻为活跃时刻。活跃比率被定义为活跃时长/总时间。特别地，由于不同数据的跌倒阶段长度不一致，为了统一度量，在具体操作时，活跃比率可以设定为活跃采样点个数/总采样点个数，即：
[0082]
activity_rate=activity_number/length(acc)；
[0083]
其中，所述活跃采样点是指上述活跃时刻的采样点；
[0084]
(26)跌倒撞击后加速度出现波动
[0085]
在发生跌倒动作时，人体撞击地面后会受到反作用力，产生反弹离开地面，之后会再次撞击地面。这种情况通常可能会反复多次，且幅度逐渐减小。从加速度的特点来看，这种现象体现为加速度会有不断的波动，总体来看是加速度在不停地变化，数据的离散程度较大。在概率统计中，通常采用标准差来反应数据的离散程度。本发明中选取跌倒撞击后的加速度标准差作为一个特征。
[0086]
而从图5所示的波形图像的特点来看，加速度波动表现为撞击后会出现多个波峰波谷。为了体现出这一特点，可以计算跌倒撞击后波峰个数与波谷个数。由于不同数据的跌倒阶段长度不一样，为了统一度量，在具体操作时可以采用密度而非个数具体可以选取如
下各个特征：
[0087]
跌倒撞击后波峰密度，即波峰个数/采样点个数；
[0088]
跌倒撞击后波谷密度，即波谷个数/采样点个数；
[0089]
跌倒撞击后波峰波谷对密度，即波峰波谷对个数/采样点个数。
[0090]
跌倒后采样点个数为length(acc_after_peak)，下面的number均为跌倒后的(即最大波峰之后)符合条件的采样点。
[0091]
符合条件的波峰的定义为：其需要大于前一个采样点，且大于后一个采样点；同时还需要大于预先设定的阈值，例如，预先设定的阈值可以为12。
[0092]
符合条件的波谷的定义为：其需要小于前一个采样点，且小于后一个采样点；同时还需要小于预先设定的阈值，例如，预先设定的阈值为10。
[0093]
基于此，上述选取的各个特征表达式如下：
[0094]
peak_density＝peak_number/length(acc_after_peak)；
[0095]
trough_density＝trough_number/length(acc_after_peak)；
[0096]
peak_trough_density＝peak_trough_number/length(acc_after_peak)；
[0097]
(27)跌倒撞击后有一轴加速度波动小
[0098]
通常情况下，人体跌倒以后会暂时失去行动能力，导致至少存在一个坐标轴的加速度数据在跌倒以后变化幅度很小。因此可以通过计算跌倒后波动最小的轴的标准差来体现这一现象，称为跌倒撞击后波动最少轴标准差，并将其作为时域特征。同时，还可以利用跌倒后加速度标准差作为特征，两者分别为：
[0099]
min_std＝min(x_std，y_std，z_std)；
[0100]
acc_std＝std(acc_after_peak)；
[0101]
其中，x_std，y_std，z_std分别代表x，y，z轴的跌倒后数据的标准差；
[0102]
(28)跌倒撞击前与跌倒撞击后有一轴加速度变化大
[0103]
由于跌倒会导致人体姿势变化，该变化体现在三轴加速度传感器数据上就是有一轴数据变化比较大。在具体的数据处理上，可以在跌倒前后各选取一个具有代表性的点进行比较，例如，可以选择有代表性的点是最大波峰左侧第一个波峰delta_before和最大波峰右侧第一个波峰delta_after，求出加速度变化最大的坐标轴的加速度变化量，作为一个时域特征，即：
[0104]
max_delta＝max(x
delta_after-x
delta_before
，y
delta_after-y
delta_before
，z
delta_after-z
delta_before
)。
[0105]
通过上述描述可见，本发明实施例中共选取了11种特征作为时域特征，汇总如下述表1所示：
[0106]
表1
[0107]
[0108][0109]
(3)提取瞬时频率特征子模块
[0110]
本发明实施例中具体可以使用希尔伯特变换来估计瞬时频率，以降低模型在非跌倒数据上的误警率。对数据进行希尔伯特变换后，则可以得到瞬时频率，再进行四舍五入处理，统计非跌倒数据与跌倒数据瞬时频率中不同频率占比，则可以发现0hz与12hz的占比在跌倒数据与非跌倒数据上的差异比较明显，具体参照图6和图7所示，故可使用0hz与12hz在瞬时频率中所占比重作为瞬时频率特征。
[0111]
(四)模型训练及部署模块
[0112]
在完成上述各特征的提取后，则可以将提取获得的特征输入svm(支持向量机)分
类器中进行训练，并获得相应训练后的模型，得到训练获得的模型后便可以将其部署到手环中以建立实时地跌倒检测系统，从而能够实时实现跌倒监测处理。
[0113]
完成模型的部署后，便可以进行跌倒监测处理，且可以将监测处理结果通过输出部分输出，例如，通过设定的方式进行报警等等。
[0114]
上述本发明提供的具体应用实施例是基于低成本的商用手环实现，但其仍然能够在低采样率设备采集到的数据条件下实现有效跌倒检测，并可以保证检测的效果优于其他检测方案，即可以实现高精度的跌倒检测功能，从而使跌倒检测可以更加的普适方便。
[0115]
本发明实施例在具体实施于小米手环3中后，用户左手佩戴小米手环3，用户模拟跌倒行为后，能够及时检测到跌倒行为，并在检测到跌倒行为发生后还会迅速触发报警。
[0116]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

技术特征：

1.一种基于手环的跌倒检测系统，其特征在于，包括：数据采集模块，通过手环中内置的加速度传感器进行跌倒数据的采集；数据预处理模块，对采集的跌倒数据按照设置的时间窗口进行分割，所述窗口是指在窗口所在的时间段内能够识别出是否跌倒；特征提取模块，对预处理后的数据进行滤波处理，并进行时频域、时域和瞬时频率分析，提取特征，所述特征为能够识别区分是否发生跌倒行为的信息；模型训练及部署模块，利用提取的特征进行模型训练，并将训练获得的模型进行部署，以用于进行实时跌倒检测处理。2.根据权利要求1所述的系统，其特征在于，所述数据预处理模块进行分割过程中采用的时间窗口为5秒。3.根据权利要求1或2所述的系统，其特征在于，所述特征提取模块进行滤波过程中包括滤掉17hz以上的频率，且该模块具体包括：提取频谱特征子模块，通过短时快速傅里叶变换进行频谱的提取，其中，快速傅里叶变换的窗口长度设定为50个采样点，且每次滑动的长度为25个采样点，相应的窗函数选用海明窗；提取时域特征子模块，用于提取的时域特征包括跌倒时最大峰值、失重阶段最小波谷值、最大峰值持续时间、最小波谷持续时间、活跃比率、跌倒撞击后加速度波动和跌倒撞击后轴标准差；提取瞬时频率特征子模块，提取0-12hz数据，并确定其在瞬时频率中所占的比重。4.根据权利要求3所述的系统，其特征在于，所述最大峰值持续时间为：以最大峰值为中心点向两侧判断峰值是否大于设定的第一阈值，并将两侧离最大峰值最远的大于设定的第一阈值的两个峰值点之间的时间长度作为最大峰值持续时间.；所述最小波谷持续时间为：以最小波谷值为中心点向两侧判断波谷值是否小于设定的第二阈值，并将两侧离最小波谷值最远的小于设定的第二阈值的两个最小波谷值点之间的时间长度作为最小波谷持续时间。5.根据权利要求3所述的系统，其特征在于，所述活跃比率为活跃时长占总时间长的比率，所述活跃时长是指符合活跃时刻条件的活跃时刻总时长，所述活跃时刻是指某时刻的加速度处于预先设定的阈值区间之外。6.根据权利要求5所述的系统，其特征在于，所述活跃比率为活跃采样点个数与总采样点个数的比值，所述活跃采样点是指上述活跃时刻的采样点。7.根据权利要求3所述的系统，其特征在于，所述提取时域特征子模块中提取跌倒撞击后加速度波动包括：提取跌倒撞击后波峰密度、跌倒撞击后波谷密度、跌倒撞击后波峰波谷对密度和跌倒撞击后加速度标准差；和/或，所述提取时域特征子模块中提取跌倒撞击后轴标准差包括：提取跌倒撞击后波动最小轴标准差和跌倒撞击后前后变化最大轴标准差。8.根据权利要求7所述的系统，其特征在于，所述提取跌倒撞击后波峰密度为：波峰个数与采样点个数的比值；跌倒撞击后波谷密度为：波谷个数与采样点个数的比值。9.根据权利要求3所述的系统，其特征在于，当所述手环中的加速度传感器为三轴加速度传感器时，所述特征提取模块在提取特征的过程中使用的数据为基于三轴加速度数据确定的合加速度数据。
10.根据权利要求3所述的系统，其特征在于，所述模型训练及部署模块进行模型训练过程中具体为将所述特征提取模块提取的特征放入到svm分类器中进行训练，并得到训练后的模型。

技术总结

本发明公开了一种基于手环的跌倒检测系统，包括：首先，通过手环中内置的加速度传感器进行跌倒数据的采集；之后，对采集的跌倒数据按照设置的时间窗口进行分割，并对预处理后的数据进行滤波处理，并进行时频域、时域和瞬时频率分析，提取特征；最后，利用提取的特征进行模型训练，并将训练获得的模型进行部署，以用于进行实时跌倒检测处理。本发明采用了对采集数据的时域、时频域、瞬时频率分别进行分析的实现方案，相较于现有的其他技术方案，本发明提供的技术方案考虑的更加全面，系统的鲁棒性更好，能够快速准确地实现跌倒检测处理。能够快速准确地实现跌倒检测处理。能够快速准确地实现跌倒检测处理。