基于体感信息的家居老人动态失衡仿生建模及其防摔预测方法研究

Fall is one of major threats to elders’ health. Because of its bursty, diversity, hard reproducibility, the research on fall has been a grand challenge in the field of health care. Current researches are mainly focused on the field of fall detection, which can help medical staffs bring a fallen elder out of danger in time, but it can neither predict a fall nor provide effective protection against a fall. This project will study the fall prediction based on human biomechanics equilibrium theory and body posture characteristics. The research plan includes three aspects: (1) Building a human bionic dynamic mass model by skeleton joints data from Kinect; (2) Exploring how to calculate the region of support of base in different locomotion modes by analyzing bodies’ static and dynamic behaviors; (3) Proposing a fall prediction algorithms based on the label-free supervision of recurrent neural networks by unbalanced posture features. We will evaluate it in three ways: the existing database test, the laboratory simulation test and the real home test. The project proposes a fall prediction algorithm by studying human biomechanics equilibrium and posture recognition, which can predict a fall and provide a certain amount of time before elder falling. It provides a technical basis for the fall protection.

摔倒是威胁老年人健康的重要原因之一。因其具有突发性，多样性，不易复现性等特点，针对摔倒研究一直是健康看护领域的重大挑战。现有研究主要集中在摔倒检测领域, 其有助于提供摔倒后的救护，但是不能预测摔倒行为发生，无法提供有效防护。本项目以人体生物力学平衡理论为基础，通过人体姿态特征进行摔倒预测研究。具体研究内容包括三个方面：(1)通过体感传感器Kinect获取用户骨骼节点对人体实时动态质量系统仿生建模；(2)针对人体静态和动态行为分析，探索人体不同运动模式下的支撑平衡区域计算方法；(3)基于失衡姿态力学关系，提出强约束无标签监督学习循环神经网络的摔倒预测算法，探索解决小样本，无标签数据监督学习的一类研究问题，并通过现有数据库测试、实验室仿真测试和现场测试三种方式进行验证。本项目通过动态失衡仿生建模和数据分析对摔倒预测研究，为老人摔倒损伤之前提供一定时间裕量的实时预测，为摔倒保护提供技术基础。

摔倒已经成为我国65岁以上老年人因伤致死的首位原因，项目针对近年摔倒检测研究领域的发展变化进行深入的探索，从传感器、摔倒算法分析和系统性能等三方面进行深入分析总结，选择非接触式传感器作为突破口，提出一种非接触基于人体生物力学平衡结合三维骨节点特征的摔倒检测算法，其利用深度传感器采集人体三维骨骼节点特征，通过生物力学平衡关系提取人体平衡特征，并通过长短期记忆人工神经网络对摔倒行为进行有效的识别；针对视觉传感器对隐私保护方面的缺点，以及原有网卡设备老旧兼容性差等弱点，提出新的便携式设备对WiFi信号的信道状态信息CSI (Channel State Information) 的采集解决方案；根据时序数据共性特点，克服一般卷积网络模型对数据定长限制，提出一种完全卷积仲裁投票算法，其通过用卷积层替代划框，通过1x1卷积替代全连接层，实现对变长时序数据的识别处理，其准确率能与传统划框算法相当，计算量只为传统方式的11.16%。基于以上研究，在“Applied Science” 、“International Journal of Wavelets, Multiresolution and Information Processing”、”Complexity” 和 ” Universal Access in the Information Society” 等国际期刊上发表SCI索引论文5篇，在CHI Conference on Human Factors in Computing Systems等国际会议上发表EI索引论文6篇，培养硕士研究生3名。