跌倒监测方法、装置及存储介质与流程

1.本技术涉及人体监测领域，具体涉及一种跌倒监测方法、一种跌倒监测装置及一种计算机可读存储介质。


背景技术：

2.跌倒容易导致人体受到伤害，特别是老年人，在跌倒后容易导致骨折、脑震荡等情况，若在跌倒后未及时送医，甚至可能会威胁到生命安全，因此，对人体是否跌倒进行监测尤为重要。
3.而现有的对人体跌倒事件的识别技术中，容易出现误判的情况，如将跳跃、上下楼梯判断为跌倒，导致对跌倒判断的准确率不高的问题。


技术实现要素：

4.有鉴于此，本发明旨在提供一种跌倒监测方法、一种跌倒监测装置、一种电子设备及一种计算机可读存储介质，用于提高跌倒判断的准确率，减少对跌倒的误判情况。
5.第一方面，本技术实施例中提供一种跌倒监测方法，包括：获取被监测用户的实时躯干姿态数据，所述实时躯干姿态数据包括所述被监测用户身体的加速度与姿态角；基于所述加速度与第一跌倒判断模型判断所述被监测用户是否跌倒；在所述第一跌倒判断模型判断被监测用户跌倒时，基于所述姿态角与第二跌倒判断模型对所述用户是否跌倒进行确认，其中，所述第二跌倒判断模型为机器学习模型，所述第二跌倒判断模型基于所述被监测用户过往的躯干姿态数据进行机器学习。
6.本技术实施例中，通过获取被监测用户的实时躯干姿态数据，将实时躯干姿态数据的加速度和姿态角分别输入第一跌倒判断模型与第二跌倒判断模型中，从加速度和姿态角两方面实现对被监测用户是否跌倒进行判断。通过第二跌倒判断模型对第一跌倒判断模型的判断结果进行二次判断，可以有效减少分级阈值判断模型对跌倒的误判结果的输出，从而提高跌倒判断结果的准确率。其中，由于第二跌倒判断模型为机器学习模型，能够通过被监测用户的过往的躯干姿态数据进行机器学习，使得经机器学习后的第二跌倒判断模型的对跌倒的判断更符合被监测用户的个人行为习惯，减少因个人差异导致的误判，从而进一步提高判断被监测用户的是否跌倒的准确性。
7.一实施例中，所述获取被监测用户的实时躯干姿态数据，包括：获取加速度计实时采集的所述被监测用户的所述加速度；获取陀螺仪实时采集的所述被监测用户的旋转速度；基于所述加速度与所述旋转速度确定所述被监测用户的所述姿态角。
8.本技术实施例中，通过加速度计与陀螺仪分别采集被监测用户的加速度和旋转速度，进而可以计算出被监测用户的姿态角，由此，使得可以通过姿态角判断用户是否跌倒。
9.一实施例中，所述第一跌倒判断模型为分级阈值判断模型，所述基于所述加速度与第一跌倒判断模型判断所述被监测用户是否跌倒，包括：在确定所述加速度持续第一时长小于第一阈值时，确定所述被监测用户处于失重状态；在确定所述被监测用户处于所述
失重状态后的第二时长内，若确定所述加速度的瞬时值大于第二阈值时，则确定用户发生撞击；自确定所述被监测用户发生撞击后的第三时长所对应的时刻开始，若确定所述加速度持续第四时长小于第三阈值，则确定被监测用户处于静止状态所述静止状态表征所述被监测用户发生跌倒。
10.本技术实施例中，第一跌倒判断模型为分级阈值判断模型，通过分级阈值判断模型对跌倒过程中的失重、撞击和静止各阶段进行判断，从而实现对判断被监测用户身体状态的多个阶段是否与跌倒的过程对应，有效避免因单一因素进行跌倒判断导致的误判，从而提高判断的准确性。
11.一实施例中，所述在所述第一跌倒判断模型判断用户跌倒时，基于所述姿态角与第二跌倒判断模型对所述用户是否跌倒进行确认，包括：获取所述被监测用户处于所述失重状态之后的第五时长内的姿态角；在确定所述第五时长内任意时刻的姿态角大于预设角度时，确认所述被监测用户发生跌倒。
12.本技术实施例中，通过确定第五时长内任意时刻的姿态角大于预设角度时，可以确认用户是否生跌倒，同时，进一步对第一跌倒判断模型的判断结果进行确定，从而提高判断被监测用户是否跌倒的准确性。
13.一实施例中，所述基于所述加速度与第一跌倒判断模型判断所述被监测用户是否跌倒之前，所述方法还包括：构建第一初始跌倒判断模型；设置所述第一初始跌倒判断模型的预设判断条件，所述预设比对条件包括所述初始第一跌倒判断模型中各级的判断阈值与判断时间，所述第一跌倒判断模型为设置所述预设判断条件后的所述第一初始跌倒判断模型；所述基于所述姿态角与第二跌倒判断模型对所述用户是否跌倒进行确定之前，所述方法还包括：构建第二初始跌倒判断模型；利用所述预先获取的训练集合对所述第二初始跌倒判断模型进行训练，以得到所述第二跌倒判断模型，所述预先获取的训练集合包括正常人身体各运动状态的姿态角。
14.本技术实施例中，通过构建第一初始跌倒判断模型并设置判断条件，使得获得的第一跌倒判断模型能够用于判断用户是否跌倒。通过预先获取的训练集对所构建的初始跌倒判断模型进行训练，使得获得的第二初始跌倒判断模型能够判断用户是否跌倒。由此，可以使用第一跌倒判断模型与第二跌倒判断模型对被监测用户是否跌倒进行判断，提高判断结果的准确性。
15.一实施例中，所述方法还包括：将所述躯干姿态数据存入训练集；基于所述训练集对所述第二跌倒判断模型进行训练。
16.本技术实施例中，通过获取被监测用户日常行为的实时躯干姿态数据作为训练集对第二跌倒判断模型进行训练，从而使得第二跌倒判断模型的判断条件更符合被监测用户的行为习惯，从而逐步提升判断被监测用户的准确性。
17.一实施例中，所述方法还包括：在所述实时躯干姿态数据存在连续多帧与所述训练集中的标准躯干姿态数据均偏差较大时，确定所述被监测用户存在跌倒风险。
18.本技术实施例中，由于训练集中包括被监测用户在日常行为的躯干姿态数据，因此，可以通过训练集确定出被监测用户正常状态下的标准躯干姿态数据。通过将获取的实时躯干姿态数据与被监测用户的实时躯干姿态数据进行对比，在两者数据偏差较大时，则可确定出被监测用户当前处于异常的状态，可能存在跌倒风险，由此，可以提醒被监测用户
及时调整，避免发生跌倒。
19.第二方面，本技术实施例中提供一种跌倒监测装置，包括：数据采集模块，包括加速度计和陀螺仪，用于收集被监测用户身体的实时躯干姿态数据；处理模块，用于执行如第一方面任一所述跌倒监测方法。
20.一实施例中，所述跌倒监测装置，还包括：壳体，所述数据采集模块与处理模块，均设置在所述壳体内；所述壳体的一外表面上设置有弹簧夹片，用于将所述跌倒监测装置固定在所述被监测用户身上，以对所述被监测用户是否跌倒进行监测。
21.第三方面，本技术实施例提供了一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如第一方面所述的一种跌倒监测方法。
22.本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
23.为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。
附图说明
24.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
25.图1为本技术实施例提供的一种跌倒监测装置的结构框图；
26.图2为本技术实施例提供的一种跌倒监测装置的使用示意图；
27.图3为本技术实施例提供的一种跌倒监测方法的流程图。
28.图标：跌倒监测装置200；数据采集模块210；加速度计211；陀螺仪212；处理模块220；开关230；工作状态呼吸灯240；电源接口250；弹簧夹片260。
具体实施方式
29.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
30.请参阅图1，图1为本技术实施例提供的一种跌倒监测装置的结构框图。跌倒监测装置200包括：数据采集模块210和处理模块220。
31.数据采集模块210，包括加速度计211和陀螺仪212，用于收集被监测用户实时的躯干姿态数据。其中，加速度计211可以是三轴mems加速度计，用于采集被监测用户身体的加速度，陀螺仪212可以是三轴mems陀螺仪，用于采集被监测用户身体的旋转速度。
32.处理模块220，用于获取数据采集模块210采集的被监测用户的实时躯干姿态数据，基于加速度与第一跌倒判断模型判断被监测用户是否跌倒；并在第一跌倒判断模型判断被监测用户跌倒时，基于姿态角与第二跌倒判断模型对被监测用户是否跌倒进行确定。
33.跌倒监测装置200还包括定位模块、通信模块、电源模块、存储模块及壳体。
34.定位模块用于获取被监测用户实时的位置信息。
35.通信模块用于在确认被监测用户跌倒之后，向用户预设的联系人发送用户跌倒的信息。具体地，跌倒的信息可以包括跌倒时间与位置。
36.电源模块，用于为跌倒监测装置200供电。
37.存储模块，用于存储数据采集模块210所采集的数据。
38.请参阅图2，图2为本技术实施例所提供的跌倒监测装置200的使用示意图，其中，图2中的(a)为跌倒监测装置200的俯视图，图2中的(b)为跌倒监测装置200的侧视图，跌倒监测装置200还包括壳体，数据采集模块210、处理模块220、模块、通信模块、电源模块、存储模块均设置在壳体内。
39.壳体一表面上设置有开关230、工作状态呼吸灯240和电源接口250，开关230用于开启与关闭跌倒监测装置200；工作状态呼吸灯240用于显示跌倒监测装置200是否处于工作状态；电源接口250用于连接电源以对跌倒监测装置200进行充电。
40.壳体的一表面设置有弹簧夹片260，用于将跌倒监测装置200能够夹固定在被监测用户身上。具体地，固定在人体所穿戴的衣物上，如图2中的(c)所示，在一些实施例中，跌倒监测装置200夹持在胸前、胸2椎处。具体地，由于胸前、胸2椎处位于身体中线上，且形状平坦、易于平稳摆放，因此，使得跌倒监测装置200能够时刻保持与身体驱干运动位置、趋势一致，从而使得数据采集模块210所采集的数据更准确，进而使得处理模块220对人体是否跌倒进行准确地判断。
41.一实施例中，跌倒监测装置200还可以包括移动终端软件，移动终端软件用于收集用户的个人信息，以注册被检测用户的信息，建立跌倒监测装置200与被监测用户之间的对应关系。
42.本实施例中，移动终端软件还可以设置被监测用户的预设联系人，以在跌倒监测装置200判断被监测用户跌倒时，通过移动终端软件向用于预设的联系人发送跌倒信息。
43.可以理解，本技术提供的跌倒监测装置200与本技术提供的跌倒监测方法对应，为使说明书简洁，相同或相似部分可以将在后续的跌倒监测方法部分的内容进行详细说明。
44.请参阅图3，图3为本技术一实施例提供的跌倒监测方法的流程图，跌倒监测方法包括：
45.s110，获取被监测用户的实时躯干姿态数据，实时躯干姿态数据包括被监测用户身体的加速度与姿态角。
46.本实施例中，判断被监测用户是否跌倒，可以通过对用户行为所导致的身体躯干姿态角与加速度变化进行分析来确定，因此，所获取的躯干姿态数据包括被监测用户身体的加速度与姿态角。
47.一实施例中，获取加速度计实时采集的被监测用户的加速度；获取陀螺仪实时采集的被监测用户的旋转速度；基于加速度与旋转速度确定被监测用户的所述姿态角。
48.本实施例中，可以采用加速度计获取用户行为所产生的人体移动速度和移动角度。例如，加速度计可以是三轴mems加速度计，设置在人胸口、胸2椎处，以采集被监测用户身体在不同方向的加速度。通过所获取的不同方向的加速度，可以计算出合加速度，由于合加速度具有方向，进而可以确定出移动角度。可以理解的是，计算合加速度和通过合加速度的方向确定移动角度可以参考现有技术，在此不再赘述。
49.本实施例中，可以通过陀螺仪采集被监测用户身体的旋转速度，由此，通过旋转速度，判断出人体扭转运动的剧烈程度。例如，陀螺仪可以为三轴mems三轴陀螺仪，可以获取被监测用户在不同方向的旋转速度，或称角速度。
50.本实施例中，在获取加速度和旋转速度之后，可以通过对加速度与旋转速度进行处理，获取人体的姿态角。
51.在本技术的一些实施例中，可以利用四元数计算姿态角。
52.具体地，四元数计算公式为：
[0053][0054]
(q0，q1，q2，q3)为四元数，γ为绕x轴的旋转角度，θ为绕y轴的旋转角度，ψ为绕z轴的旋转角度。其中，四元数为已知，具体可以参考现有技术，在此不再赘述四元数的推导过程。
[0055]
由此，通过四元数计算公式，可以确定出分别绕x轴、y轴及z轴旋转的旋转角度，即欧拉角。通过将四元数表示的姿态矩阵对时间求微分，可确定绕各轴转动的角速度，具体地：
[0056][0057]
其中，分别表示对四元数求微分，分别表示绕x、y、z轴转动的角速度。
[0058]
由此，可以计算出被监测用户身体在不同方向上的欧拉角与转动角速度，进而可以确定出被检测用户身体的实时姿态角。
[0059]
可以理解的是，关于基于加速度和人体旋转速度计算人体的姿态角的方法可以采用现有技术，例如，欧拉角法、四元数法等，在此不做具体展开。需要说明的是，采用不同的计算方式使用的参数可能不同，导致所需采集的被监测用户实时的躯干姿态数据也不同，可以利用不同的数据采集装置或设备实现。例如，在一些实施例中，直接采用角度传感器确定姿态角，在此，不再一一赘述。
[0060]
s120，基于加速度与第一跌倒判断模型判断被监测用户是否跌倒。
[0061]
本实施例中，所使用的第一跌倒判断模型为分级阈值判断模型，第一跌倒判断模型分为三级，分别为失重中断检测、撞击中断检测和静止中断检测，分别对人体在跌倒过程中的不同阶段进行检测，判断人体是否跌倒。
[0062]
一实施例中，在确定加速度持续第一时长小于第一阈值时，确定被监测用户处于
失重状态；在确定被监测用户处于失重状态后的第二时长内，若确定加速度的瞬时值大于第二阈值时，则确定用户发生撞击；自确定被监测用户发生撞击后的第三时长所对应的时刻开始，若确定加速度持续第四时长小于第三阈值，则确定被监测用户处于静止状态，静止状态表征所述被监测用户发生跌倒。
[0063]
具体地，第一级失重中断检测所针对是人体在发生跌倒时，会出现失重的瞬间，因此，可以判断被监测用户是否发生失重，进而确定用户是否存在跌倒的可能。具体地，失重中断检测包括：判断用户的加速度是否小于第一阈值，并持续一定时间，其中第一阈值可以为0.6g，g表示重力加速度。从加速度小于第一阈值的时刻开始计算时间，在持续时长满足第一时长时，则可确定用户出现失重，且在第一时长内为失重状态，进入下一步撞击中断检测。需要说明的是，第一跌倒判断模型在判断加速度是否满足阈值时，所采用的加速度为用户身体的合加速度。可以理解的是，在用户失重持续时间较短时，可能是被监测用户跳跃或做出某些动作导致，被监测用户也容易从过短的失重状态中恢复到正常状态，因此，需在失重时长满足第一时长时，确定被检测用户发生失重，判断条件可以根据被监测用户的个人实际情况进行合理设置，上述仅为示例，不应成为对本技术的限定，在一些实施例中，判断条件中加速度阈值可以在0.5g至0.7g进行选择。
[0064]
跌倒的过程中，在发生失重之后，被监测用户的身体会与地面发生撞击，这导致加速度会产生一个最高值，这个加速度的最高值会远大于人正常运动的加速度值，因此，可以通过判断被监测用户在失重之后，是否出现加速度的瞬时值大于预设的阈值，即加速度的瞬时值是否大于第二阈值，从而确定被监测用户是否发生撞击。具体地，人正常运动的加速度均不超过2g，而跌倒时的加速度最大可达4g，因此，可以设置第二阈值为3.5g，而第二时长为确定用户处于失重状态开始计算的1秒内。在第二时长的1秒内，判断所获取的加速度的瞬时值是否大于3.5g，在出现大于3.5g的加速度时，确定用户发生撞击，并进入静止中断检测。若在1秒内未发生撞击，则确定用户并未发生跌倒，重新进行失重中断检测。在一些实施例中，判断条件中加速度阈值可以在3g至3.5g中进行选择。
[0065]
在发生撞击后，若人未跌倒，可以快速恢复行动，如跳跃。而若人发生了跌倒，则会静止一段时间，因此，可以通过静止中断检测，进一步判断用户是否跌倒。具体地，静止中断检测，可以是从发生撞击的时刻之后，再过0.5秒，再开始检测，即第三时长为用户发生撞击后的第0.5秒，第三时长之后开始检测加速度瞬时值。在检测时，可以判断在开始检测后的两秒内，即第四时长，可以理解的是，第四时长用户发生撞击后的第0.5秒～第2.5秒内，加速度是否一直小于1.5g，即第三阈值为1.5g，若在第四时长内持续小于1.5g，则确定用户处于静止状态，并判断用户跌倒。若第四时长内的加速度大于1.5g，则可以认为是由跳跃后落地引起的失重与撞击，从而确定用户并未跌倒，返回失重中断检测。
[0066]
可以理解的是，第一跌倒判断模型在判断的过程中，所获取的加速度值是按预设频率实时采集及计算的，因此，在不同时间阶段的加速度值可能不同。
[0067]
s130，在第一跌倒判断模型判断被监测用户跌倒时，基于姿态角与第二跌倒判断模型对被监测用户是否跌倒进行确定。
[0068]
一实施例中，在第一跌倒判断模型和第二跌倒判断模型均判断用户摔倒时，则可确定用户摔倒。
[0069]
本实施例中，由于使用第一跌倒判断模型会出现较多的误判，因此，通过第二跌倒
判断模型对第一跌倒判断模型的判断结果进行确认，从而减少误判。
[0070]
一实施例中，第二跌倒模型为机器学习模型，第二跌倒判断模型基于被监测用户过往的躯干姿态数据进行机器学习。
[0071]
本实施例中，由于第二跌倒判断模型为机器学习模型，可以使用数据对其进行机器学习，从而实现判断跌倒的优化。具体地，跌倒监测装置能够采集被监测用户在正常状态时的躯干姿态数据，如走路、跑步、上下楼梯等状态下的躯干姿态数据，并利用所获取的正常状态时的躯干姿态数据作为训练集对第二跌倒判断模型进行训练，即进行机器学习，由此，通过所采集到的数据，可以不断对第二跌倒判断模型进行训练，优化第二跌倒判断模型对跌倒的判断，进而使得第二跌倒判断模型能够更准确的判断被监测用户是否跌倒。由于训练所使用的是被监测用户的躯干姿态数据，因此，所训练出的第二跌倒判断模型更符合被监测用户的行为习惯，从而减少第二跌倒判断模型因不同人之间的差异导致的误判，进一步提高判断准确率。
[0072]
一实施例中，获取被监测用户处于失重状态之后的第五时长内任意时刻的姿态角；在确定第五时长内任意时刻的姿态角大于预设角度时，确认用户发生跌倒。
[0073]
本技术实施例，在第二跌倒判断模型内设置有预设角度，第二跌倒判断模型通过将所获取的被监测用户的姿态角与预设角度进行对比，从而可以判断出用户是否摔倒。
[0074]
本技术实施例中，当被监测用户身体的角度异常时，则可能出现摔倒的风险，如侧倾、后倾等，因此，可以通过用户身体的姿态角确定用户是否跌倒。
[0075]
可以理解的是，用户跌倒通常是从失重开始的，因此，在本实施例中，在用户处于失重状态时候后，开始获取用户第五时长内任意时刻的姿态角，判断姿态角是否异常，如是否与正常角度范围偏差较大，从而确定出用户是否跌倒。例如，可以是获取确定用户处于失重状态的1.5秒内，即第五时长为确定用户处于失重状态的1.5秒内，获取用户在坐标系x，y和z轴方向分别的姿态角信息，判断是否存在任意角度大于70度，在存在大于70度的姿态角时，确定用户跌倒。可以理解的是，在经被监测用户个人的正常状态的躯干姿态数据训练后，第二跌倒判断模型所设置的预设角度会进行调整，从而使得第二跌倒判断模型对被监测用户的跌倒判断更准确。
[0076]
本技术实施例中，通过获取被监测用户的实时躯干姿态数据，将实时躯干姿态数据的加速度和姿态角分别输入第一跌倒判断模型与第二跌倒判断模型中，从加速度和姿态角两方面实现对被监测用户是否跌倒进行判断。通过第二跌倒判断模型对第一跌倒判断模型的判断结果进行判断，可以有效减少第一跌倒判断模型对跌倒的误判，从而提高对跌倒判断结果的准确率。
[0077]
一实施例中，所获取的被监测用户身体的实时躯干姿态数据可以仅包括加速度和旋转速度，在确定被监测用户处于失重状态之后，再通过加速度和旋转速度计算出被监测用户的姿态角，进而对用户是否跌倒进行判断。由此，可以减少在跌倒监测过程中的计算量。
[0078]
一实施例中，本技术实施例还提供了获取第一跌倒判断模型和第二跌倒判断模型的方法。
[0079]
一实施例中，获取第一跌倒判断模型的方法包括：构建初始第一跌倒判断模型；设置所述初始第一跌倒判断模型的预设判断条件，预设比对条件包括初始第一跌倒判断模型
中各级的判断阈值与判断时间；将设置预设判断条件后的初始第一跌倒判断模型确定为第一跌倒判断模型。
[0080]
本实施例中，所构建的第一跌倒判断模型包括失重中断检测、撞击中断检测及静止中断检测，分别用于检测被监测用户是否处于跌倒过程中的各个阶段。
[0081]
其中，失重中断检测的判断条件为加速度小于0.6g，并持续预设时间时，判定被监测用户处于失重状态，其中，g为重力加速度。
[0082]
撞击中断检测的判断条件为在检测到被监测用户处于失重状态后的一秒内，是否存在加速度大于3.5g，在存在加速度大于3.5g时，确定被监测用户发生撞击。
[0083]
静止中断检测的判断条件为在判断用户发生撞击后的第0.5秒～第2.5秒内的加速度是否均小于1.5g，在均小于1.5g时，确定被监测用户处于静止状态，并确定被监测用户跌倒。
[0084]
本实施例中，在对被监测用户进行监测的过程中，可以采集被监测用户日常行为下的各种加速度，以实时对阈值进行调整，使得第一跌倒判断模型的判断条件更符合被监测用户的日常行为习惯，从而减少误判。
[0085]
一实施例中，获取第二跌倒判断模型的方法包括：构建初始跌倒判断模型；利用预先获取的训练集合对初始跌倒判断模型进行训练，以确定训练后的初始跌倒判断模型为第二跌倒判断模型，预先获取的训练集合还包括正常人身体的姿态角。
[0086]
本实施例中，所构建的初始跌倒判断模型，可以是神经网络模型、svm(support vector machines，支持向量机)等形式的深度学习模型构建的用于判断是否跌倒的分类器，通过预先获取的包括正常人行为特征的训练集对初始跌倒判断模型进行训练，以使初始跌倒判断模型能够判断正常人是否跌倒。训练完成后的初始跌倒判断模型的判断用户是否跌倒的预设角度为正常人跌倒的姿态角，由此，可以确定训练完成后的初始跌倒判断模型为第二跌倒判断模型。
[0087]
本实施例中，在对初始跌倒判断模型进行训练前，可以使用pca(principal component analysis，主成分分析)对训练集进行处理，提取训练集中的特征量，以对使初始跌倒判断模型基于所提取到的特征量进行训练。可以理解的是，还可以使用pca对所收集到的数据进行处理，提取所收集到的数据的特征，以基于提取出的特征判断被监测用户是否摔倒。
[0088]
一实施例中，所述方法还包括：获取被监测用户的实时躯干姿态数据；将躯干姿态数据存入训练集；基于所述训练集对跌倒判断模型进行训练。
[0089]
本实施例中，第二跌倒判断模型在经训练后可以判断大部分人的跌倒行为，而由于被检测用户的个人特征可能不同，判断也会出现差异，如年龄、身高、体重、身体素质等原因，导致每个人跌倒的情况可能不同。因此，可以采集被监测用户在日常使用过程中的实时躯干姿态数据作为训练数据对第二跌倒判断模型进行训练，从而对第二跌倒判断模型的预设角度进行调整，从而使得第二跌倒判断模型的预设角度更符合被监测用户个人的行为习惯。
[0090]
一实施例中，在实时躯干姿态数据存在连续多帧与训练集中的标准躯干姿态数据均偏差较大时，确定被监测用户存在跌倒风险。
[0091]
本技术实施例中，由于可以采集被监测用户的实时躯干姿态数据构建训练集，并
使用所构建的训练集对第二跌倒判断模型进行训练，由此，使得训练出的第二跌倒判断模型在符合被监测用户的行为特征的同时，训练集中也包括了被监测用户在不同运动姿态下的行为特征的数据。因此可以通过判断所获取的被监测用户实时躯干姿态数据与训练集中不同运动姿态下的标准躯干姿态数据进行对比，在所获取的实时躯干姿态数据与标准躯干姿态数据存在连续多帧偏差较大时，可以向被监测用户发出存在跌倒风险的预警。可以理解的是，被监测用户的实时躯干姿态数据是按一定频率进行采集的，因此，实时躯干姿态数据是以帧来描述的。
[0092]
一实施例中，在确定被监测用户跌倒后，向被监测用户预设的联系人发出报警信息。
[0093]
本实施例中，在被监测用户跌倒后，通过向被监测用户预设的联系人发出报警信息，以使被监测用户跌倒的情况及时被发现，例如，老人在家摔倒，无法行动的情况下，向老人的家人发送报警信息，以及时将老人送医。
[0094]
基于同一发明构思，本技术实施例还提供一种计算机可读存储介质，可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行跌倒监测方法。
[0095]
在本技术所提供的实施例中，应该理解到，所揭露的方法和装置，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的。在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0096]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0097]
以上所述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
[0098]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。