一种跌倒识别方法及装置、用户设备与流程

本发明涉及智能设备技术领域，尤其涉及一种跌倒识别方法及装置、用户设备。

背景技术：

随着人口老龄化现象的日益突出，又由于老年人肌肉能力退化，反应敏捷度降低，平衡能力减弱，再加之自身疾病的影响，成为易跌倒人群。然而跌倒伤害对他们带来的不只是生命的威胁，医疗花费的提升，更在心理上留下阴影，使其活动能力降低，健康状况恶化。

一种关于跌倒防护的装置应运而生。目前市场上已开始出现老年人跌倒防护装置产品，由于市场需求量大，且便于随身携带受到了广大的投资者与消费者的青睐。高精准的监测是一款性能优良的跌倒防护装置产品的基础，于是提高跌倒防护识别的精准性显得尤为重要，然而跌倒防护系统对检测的实时性和准确率的要求主要取决于跌到检测算法和相应的硬件平台的匹配程度，因此提高跌倒防护识别的精准性是关键。

目前跌倒检测算法主要是基于人体运动物理量，运用阈值法。阈值法简单直接，但往往因为主观选取的阈值对各种跌倒状况不具有普遍性，导致跌倒检测准确率不高。在目前人工智能算法火热的时代，如果能把智能算法的高效且精准的优势应用到可穿戴跌倒气囊防护装置上，就可以使跌倒识别有较好的实时性和准确率，也就可以极大提高可穿戴跌倒气囊防护产品性价比。

技术实现要素：

本发明实施例公开了一种跌倒识别方法及装置、用户设备，有利于提高跌倒识别的实时性和准确率，从而可以极大提高可穿戴跌倒防护产品性价比。

目前基于可穿戴跌倒气囊防护装置的跌倒检测算法，基本上是先对人体物理运动加速度，角速度，欧拉角等信号进行采样，再利用基于阈值的方法进行跌倒检测，太过主观，对不同主体不同环境下的跌倒具有局限性，导致报警准确率较低。本发明针对阈值法的缺点，设计了一种基于人工智能算法—bp_adaboost的预测分类器，进行实时且准确高效的跌倒模式识别，以提高跌倒防护产品的性价比。

bp(backpropagation)神经网络是1986年由rumelhart和mccelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。bp网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。bp神经网络模型拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(outputlayer)。

adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

本发明提出一种利用加强的人工智能神经网络(bp_adaboost)的算法对跌倒进行模式识别，前期采集一定量的数据，进行训练，训练好的识别模型不仅实时性好，而且准确率高，从而使跌倒防护装置产品有更高的性价比。

本发明实施例第一方面公开一种跌倒识别方法，包括：实时获取跌倒动作相关的人体运动信号；

将跌倒动作相关的人体运动信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒；

如果判断出用户即将跌倒，则做出相应的决策对用户跌倒进行防护。

作为一种可选的实施方式，在本发明实施例第一方面中，实时获取跌倒动作相关的人体运动信号的步骤之前还包括：

建立基于bp_adaboost的算法模型的强分类器；

将基于bp_adaboost的算法模型的强分类器安装在本地。

作为一种可选的实施方式，在本发明实施例第一方面中，建立基于bp_adaboost的算法模型的强分类器的步骤包括：

从样本空间中获取m组跌倒识别训练数据；

将m组跌倒识别训练数据带入多个bp神经网络进行训练并预测样本输出，形成多个bp神经网络弱分类器；

通过adaboost算法将多个bp神经网络弱分类器加权得到基于bp_adaboost的算法模型的强分类器。

作为一种可选的实施方式，在本发明实施例第一方面中，将跌倒识别训练数据带入多个bp神经网络进行训练并预测样本输出，形成多个bp神经网络弱分类器的步骤包括：

将m组跌倒识别训练数据赋予相同的权重1/m；

根据弱学习算法将m组跌倒识别训练数据迭代运算多次后形成多个bp神经网络弱分类器。

作为一种可选的实施方式，在本发明实施例第一方面中，方法还包括：

根据弱学习算法将m组跌倒识别训练数据迭代运算多次后形成多个bp神经网络弱分类器的步骤包括：

每次根据弱学习算法将m组跌倒识别训练数据迭代运算后根据分类的结果更新跌倒识别训练数据的权重分布；

通过多次迭代后得到分类函数序列，并根据分类结果将每个分类函数赋予一个权重。

本发明实施例第二方面公开一种跌倒识别装置，包括：

获取模块，用于实时获取跌倒动作相关的人体运动信号；

分析模块，用于将跌倒动作相关的人体运动信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒；

防护模块，用于当分析模块判断出用户即将跌倒时，则做出相应的决策对用户跌倒进行防护。

作为一种可选的实施方式，在本发明实施例第二方面中：

装置还包括：

强分类器安装模块，用于将基于bp_adaboost的算法模型的强分类器安装在本地。

作为一种可选的实施方式，在本发明实施例第二方面中，装置还包括：强分类器建立模块，用于建立基于bp_adaboost的算法模型的强分类器。

作为一种可选的实施方式，在本发明实施例第二方面中，强分类器建立模块包括：

获取单元，用于从样本空间中获取m组跌倒识别训练数据；

弱分类器建立单元，用于将m组跌倒识别训练数据带入多个bp神经网络进行训练并预测样本输出，形成多个bp神经网络弱分类器；

强分类器建立单元，用于通过adaboost算法将多个bp神经网络弱分类器加权得到基于bp_adaboost的算法模型的强分类器。

作为一种可选的实施方式，在本发明实施例第二方面中，弱分类器建立单元包括：

权重赋予单元，用于将m组跌倒识别训练数据赋予相同的权重1/m；

迭代运算单元，用于根据弱学习算法将m组跌倒识别训练数据迭代运算多次后形成多个bp神经网络弱分类器。

本发明实施例第三方面公开一种用户设备，包括本发明实施例第二方面公开的跌倒识别装置。

与现有技术相比，本发明实施例具备以下有益效果：

本发明实施例中，把智能算法的高效且精准优势应用到可穿戴跌倒防护装置上，提高了跌到检测算法和相应的硬件平台的匹配程度，提高了跌倒防护系统对检测的实时性和准确率，从而提高跌倒防护识别的精准性，从而可以极大提高可穿戴跌倒防护产品性价比。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。

图1是本发明实施例公开的一种跌倒识别方法的流程示意图；

图2是本发明实施例公开的另一种跌倒识别方法的流程示意图；

图3是本发明实施例公开的另一种建立基于bp_adaboost的算法模型的强分类器的步骤的流程示意图；

图4是本发明实施例公开的一种跌倒识别装置的结构示意图；

图5是本发明实施例公开的另一种跌倒识别装置的结构示意图；

图6是本发明实施例公开的另一种跌倒识别装置的结构示意图；

图7是本发明实施例公开的一种用户设备的结构示意图。

具体实施方式

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。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明的是，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例公开了一种跌倒识别方法及装置、用户设备，有利于提高跌倒识别的实时性和准确率，从而可以极大提高可穿戴跌倒防护产品性价比。以下进行结合附图进行详细描述。

实施例一

请参阅图1，图1是本发明实施例公开的一种跌倒识别方法的流程示意图。如图1所示，该跌倒识别方法可以包括以下步骤：

101、实时获取跌倒动作相关的人体运动信号。采集人体运动信号的设备是运动捕捉系统x-sens，其中，人体运动信号包括人体物理运动加速度，角速度，欧拉角等信号。

102、将跌倒动作相关的人体运动信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒；

实时采集人体运动信号数据，并将采集到的人体运动信号数据实时输入强分类器，再由强分类器实时分析处理人体运动信号数据，从而作出决策。具体的：

获取采集到的人体运动信号，将其输入到基于bp_adaboost的算法模型的强分类器中进行分析。优选的，对采集到的人体运动信号数据进行数据预处理，具体的：由传感器直接测得的数据含有噪声，这里采用均值光滑的方法进行降噪，并且对数据采用pca(principalcomponentanalysis)进行降维，它的目标是通过某种线性投影，将采集得到人体运动信号的高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性，从而得到人体运动信号数据的主要特性。数据进行处理后，将其输入到基于bp_adaboost的算法模型的强分类器中进行分析。

103、判断用户是否跌倒；

获取到人体运动信号，将该信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据该信号判断用户是否跌倒，如果判断出用户跌倒，则执行步骤104，如果判断出用户没有跌倒，则执行步骤101。

104、如果判断出用户即将跌倒，则做出相应的决策对用户跌倒进行防护；

实时采集的人体运动信号数据实时输入强分类器，强分类器实时分析处理人体运动信号数据，当采集的信号通过强分类器分析处理认定为跌倒信号，从而启动跌倒防护装置，跌倒防护装置包括自动开启气囊防护装置、启动紧急呼救、启动警示灯等。启动跌倒防护装置的时间可以设定为实时启动，可以设定启动装置的种类，设定紧急呼救的对象。

基于bp_adaboost的算法模型的强分类器的人体运动信号数据采集的对象为普通人群人体运动信号，优选的采集对象为老年人的人体运动信号。

图1所描述的方法，将跌倒动作相关的人体运动信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒。这种方法有利于提高跌倒识别的实时性和准确率，从而可以极大提高可穿戴跌倒气囊防护产品性价比。

实施例二

请参阅图2，图2是本发明实施例公开的另一种跌倒识别方法的流程示意图。如图2所示，该跌倒识别方法可以包括以下步骤：

201、建立基于bp_adaboost的算法模型的强分类器；

建立基于bp_adaboost的算法模型的强分类器，获取的人体运动信号的对象为使用者。首先，需要采集一定量的使用者人体运动信号数据，采集设备是运动捕捉系统x-sens,首先对数据进行降噪处理，继而对数据采用pca进行降维，它的目标是通过某种线性投影，将采集得到人体运动信号的高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性，从而得到人体运动信号数据的主要特性。

这些数据进行处理后，将其带入bp神经网络进行训练。通过adaboost算法将多个“弱”分类器的输出合并并产生有效的分类；利用adaboost算法的特性，来提升跌倒识别的准确率。

建立基于bp_adaboost的算法模型的强分类器主要的步骤为：首先给出弱学习算法和样本空间(x，y)，从样本空间中找出m组训练数据，每组数据开始时，都给一样的权重1/m；然后用弱学习算法迭代运算t次，每次运算后都按照分类的结果更新训练数据的权重分布，对于分类失败的训练个体赋予较大的去权重，下一次迭代运算时更加注重这些被分错的个体。弱分类器通过反复迭代得到一个分类函数序列f1,f2,…,ft，每个分类函数列赋予一个权重，分类结果越好的函数，对其权重越大。t次迭代后，最终的强分类器f由弱分类器加权得到。

bp_adaboost模型即把bp神经网络作为弱分类器，反复训练bp神经网络预测样本输出，通过adaboost算法得到多个bp神经网络弱分类器组成的强分类器。具体步骤请参见图3：

301、从样本空间中获取m组跌倒识别训练数据；具体的，首先选择人体运动信号数据并将网络初始化，再从样本空间中随机选择m组跌倒识别训练数据。

302、将m组跌倒识别训练数据赋予相同的权重；具体的，初始化训练数据的分布权值d1(i)＝1/m，根据样本输入输出维数确定神经网络结构，初始化bp神经网络权值与阈值。

303、每次根据弱学习算法将m组跌倒识别训练数据迭代运算后根据分类的结果更新跌倒识别训练数据的权重分布；具体的，

首先，训练t个弱分类器，用训练数据训练bp神经网络并且预测训练数据输出，得到预测序列gt的预测误差的和et的计算公式为其中gt(i)为第t个分类器对第i组数据预测的分类结果，y(i)为第i组数据期望的预测结果，dt(i)为第t个分类器对第i组数据的分布权值。

然后根据预测序列gt的预测误差的和et计算预测序列的权重at，其表达式为：

再对用于测试的跌倒识别训练数据进行权重调整，具体的根据预测序列权重at调整下一轮训练样本的权重，调整公式为其中bt为归一化因子，目的是在权重比例不变下使分布权值和为1，y(i)为第i组数据期望的预测结果，gt(i)为第t个分类器对第i组数据预测的分类结果，dt(i)为第t个分类器对第i组数据的分布权值。

304、通过多次迭代后得到分类函数序列，并根据分类结果将每个分类函数赋予一个权重；

根据步骤303进行t轮训练后得到t组分类函数f(gt,at)，并根据分类结果将每个分类函数赋予一个权重。

305、通过adaboost算法将多个bp神经网络弱分类器加权得到基于bp_adaboost的算法模型的强分类器；

步骤304中的t组分类函数为t个bp神经网络弱分类器，再通过adaboost算法将t个bp神经网络弱分类器进行加权，组合得到基于bp_adaboost的算法模型的强分类函数h(x)；其表达式为：

该强分类函数即为基于bp_adaboost的算法模型的强分类器。

由于每个个体的人体运动信号数据有一定的差异，获取使用者一定量的人体运动信号数据建立基于bp_adaboost的算法模型的强分类器，有利于提高判断的准确度。

202、将基于bp_adaboost的算法模型的强分类器安装在本地；

通过采集使用者的人体运动信号数据，通过bp_adaboost算法得到的强分类器再嵌入到本地硬件平台上，通过这个平台实时采集的数据输入到强分类器，从而能更加及时的作出决策。

训练好的强分类器，对硬件平台要求低，处理速度快，提高了可穿戴跌倒气囊防护产品的性价比。

步骤203至步骤206同实施例一中的步骤101至步骤104，此处不做赘述。

图2所描述的方法，通过建立基于bp_adaboost的算法模型的强分类器，并将基于bp_adaboost的算法模型的强分类器安装在本地，再将跌倒动作相关的人体运动信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒。这种方法有利于提高跌倒识别的实时性和准确率，从而可以极大提高可穿戴跌倒防护产品性价比。

实施例三

请参阅图4，图4是本发明实施例公开的一种跌倒识别装置的结构示意图。如图4所示，该跌倒识别装置可以包括：

获取模块401，用于实时获取跌倒动作相关的人体运动信号；具体的，采集人体动动信号的设备是运动捕捉系统x-sens，其中，人体运动信号包括人体物理运动加速度，角速度，欧拉角等信号。

分析模块402，用于将跌倒动作相关的人体运动信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒，即实时采集人体运动信号数据，并将采集到的人体运动信号数据实时输入强分类器，再由强分类器实时分析处理人体运动信号数据，从而作出决策；具体的，获取采集到的人体运动信号，将其输入到基于bp_adaboost的算法模型的强分类器中进行分析。优选的，对采集到的人体运动信号数据进行数据预处理，并且对数据采用pca进行降维，它的目标是通过某种线性投影，将采集得到人体运动信号的高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性，从而得到人体运动信号数据的主要特性。数据进行处理后，将其输入到基于bp_adaboost的算法模型的强分类器中进行分析。

防护模块403，用于当分析模块402判断出用户即将跌倒时，则做出相应的决策对用户跌倒进行防护。

当获取模块401采集的人体运动信号通过分析模块402析处理认定为跌倒信号，从而启动防护模块403，防护模块403可以控制跌倒防护装置，跌倒防护装置包括自动开启气囊防护装置、启动紧急呼救装置、启动警示灯等。启动跌倒防护装置的时间可以设定为实时启动，可以设定启动装置的种类，设定紧急呼救的对象。

进一步的，如图5所示，本实施例中的跌倒识别装置还包括强分类器安装模块404，用于将基于bp_adaboost的算法模型的强分类器安装在本地。具体的，通过采集使用者的人体运动信号数据，通过bp_adaboost算法得到的强分类器再嵌入到本地硬件平台上，通过这个平台实时采集的数据输入到强分类器，从而能更加及时的作出决策。

进一步的，如图6所示，本实施例中的跌倒识别装置还包括强分类器建立模块405，用于建立基于bp_adaboost的算法模型的强分类器。具体的：

建立基于bp_adaboost的算法模型的强分类器，获取的人体运动信号的对象为使用者。首先，需要采集一定量的使用者人体运动信号数据，采集设备是运动捕捉系统x-sens。然后对数据进行降噪处理，并且对数据这里采用了pca进行降维，它的目标是通过某种线性投影，将采集得到人体运动信号的高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性，从而得到人体运动信号数据的主要特性。

这些数据进行处理后，将其带入bp神经网络进行训练。通过adaboost算法将多个“弱”分类器的输出合并并产生有效的分类；利用adaboost算法的特性，来提升跌倒识别的准确率。

建立基于bp_adaboost的算法模型的强分类器主要的步骤为：首先给出弱学习算法和样本空间(x，y)，从样本空间中找出m组训练数据，每组数据开始时，都给一样的权重1/m；然后用弱学习算法迭代运算t次，每次运算后都按照分类的结果更新训练数据的权重分布，对于分类失败的训练个体赋予较大的去权重，下一次迭代运算时更加注重这些被分错的个体。弱分类器通过反复迭代得到一个分类函数序列f1,f2,…,ft，每个分类函数列赋予一个权重，分类结果越好的函数，对其权重越大。t次迭代后，最终的强分类器f由弱分类器加权得到。

bp_adaboost模型即把bp神经网络作为弱分类器，反复训练bp神经网络预测样本输出，通过adaboost算法得到多个bp神经网络弱分类器组成的强分类器。强分类器建立模块405包括获取单元、弱分类器建立单元、强分类器建立单元，具体的：

获取单元，用于从样本空间中获取m组跌倒识别训练数据；具体的，首先选择人体运动信号数据并将网络初始化，再从样本空间中随机选择m组跌倒识别训练数据。

弱分类器建立单元，用于将获取单元获取的m组跌倒识别训练数据带入多个bp神经网络进行训练并预测样本输出，形成多个bp神经网络弱分类器。其中，弱分类器建立单元具体包括权值赋予单元和迭代运算单元，具体的：

权值赋予单元，用于将m组跌倒识别训练数据赋予相同的权重；具体的，初始化训练数据的分布权值d1(i)＝1/m，根据样本输入输出维数确定神经网络结构，初始化bp神经网络权值与阈值。

迭代运算单元，用于每次根据弱学习算法将m组跌倒识别训练数据迭代运算后根据分类的结果更新跌倒识别训练数据的权重分布；具体的，首先，训练t个弱分类器，用训练数据训练bp神经网络并且预测训练数据输出，得到预测序列gt的预测误差的和et的计算公式为其中gt(i)为第t个分类器对第i组数据预测的分类结果，y(i)为第i组数据期望的预测结果，dt(i)为第t个分类器对第i组数据的分布权值。

然后根据预测序列gt的预测误差的和et计算预测序列的权重at，其表达式为：

再对用于测试的跌倒识别训练数据进行权重调整，具体的根据预测序列权重at调整下一轮训练样本的权重，调整公式为其中bt为归一化因子，目的是在权重比例不变下使分布权值和为1；y(i)为第i组数据期望的预测结果，gt(i)为第t个分类器对第i组数据预测的分类结果，dt(i)为第t个分类器对第i组数据的分布权值。

根据迭代计算单元进行t轮训练后得到t组分类函数f(gt,at)，并根据分类结果将每个分类函数赋予一个权重。

强分类器建立单元，用于通过adaboost算法将多个bp神经网络弱分类器加权得到基于bp_adaboost的算法模型的强分类器；

迭代运算单元运算后得到的t组分类函数为t个bp神经网络弱分类器，再通过adaboost算法将t个bp神经网络弱分类器进行加权，组合得到基于bp_adaboost的算法模型的强分类函数h(x)；其表达式为：

该强分类函数即为基于bp_adaboost的算法模型的强分类器。

由于每个个体的人体运动信号数据有一定的差异，获取使用者一定量的人体运动信号数据建立基于bp_adaboost的算法模型的强分类器，有利于提高判断的准确度。

本实施例中所描述的装置，将跌倒动作相关的人体运动信号输入到基于bp_adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒。这种方法有利于提高跌倒识别的实时性和准确率，从而可以极大提高可穿戴跌倒防护产品性价比。

实施例四

请参阅图7，图7是本发明实施例公开的一种用户设备的结构示意图。其中，图7所示的用户设备包括图4～图6任意一种跌倒识别装置。实施图7所示的用户设备，能够有利于提高跌倒识别的实时性和准确率，从而可以极大提高可穿戴跌倒防护产品性价比。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read-onlymemory，rom)、随机存储器(randomaccessmemory，ram)、可编程只读存储器(programmableread-onlymemory，prom)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、一次可编程只读存储器(one-timeprogrammableread-onlymemory，otprom)、电子抹除式可复写只读存储器(electrically-erasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

以上对本发明实施例公开的一种跌倒识别方法及装置、用户设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。