一种基于机器学习的跌倒检测系统及方法
【技术领域】
[0001] 本发明涉及跌倒检测领域，具体涉及一种基于机器学习的跌倒检测系统。
【背景技术】
[0002] 随着我国逐步进入老龄化社会，老人日常生活中的安全防范，日益成为社会关注 的热点。根据报道在上海，仅2010年因跌倒致死1983人，其中87. 1%为65岁以上的老年 人，致死亡率达77. 9/10万，相当于每天有4. 7个老年人因跌倒而死亡。此外，老年人因伤 就诊病例中，一半以上为跌倒病例；因伤住院病例中，超过80 %为跌倒病例。
[0003]经过调查、研宄发现，老年人跌倒后20分钟内的救援，可将伤害降低到最小程度， 是救援的黄金时间。因此一种准确的跌倒检测技术，必将在我国老龄化社会中，发挥出巨大 的社会和经济效益；
[0004]然而，跌倒检测又是一项极富挑战性的技术，主要难点如下：
[0005] 1.难以获取真实的老年人跌倒数据，作为跌倒检测方法设计与验证的基础数据； 2.现有的传感器获取数据，在跌倒与非跌倒动作间存在交集，难以区分，容易造成误判和漏 判；3.全世界范围内，还没有用于跌倒算法验证的数据样本，这无形中增加了算法验证的 难度，是一项开创性的工作；4.每个人个体特征的差异，如性别、身高、体重等，都会造成跌 倒监测过程的一些数据差异，从而增加跌倒算法开发和验证的难度。
【发明内容】
[0006]有鉴于此，本发明的目的是提供一种基于机器学习的跌倒检测系统及方法。
[0007]本发明的目的之一是通过以下技术方案来实现的，一种基于机器学习的跌倒检测 系统，包括至少一台跌倒检测仪和云平台，
[0008]所述至少一台跌倒检测仪，用于检测用户的运动情况和/或生理特征，并根据运 动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；当判断用户为跌倒状 态时，至少一台跌倒检测仪检测到的数据传送到云平台进行存储。
[0009]优选的，所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是 否存在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时至少一台跌倒检测仪根 据新的跌倒检测算法样本生成新的跌倒检测算法。
[0010] 或，所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存 在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算 法样本生成新的跌倒检测算法，云平台将生成的新的跌倒检测算法发送给跌倒检测仪，作 为下一次跌倒判断的算法。
[0011] 本发明的目的之二是通过以下技术方案实现的，一种基于机器学习的跌倒检测方 法，包括：步骤a.跌倒检测仪检测用户的运动情况和/或生理特征，并根据运动情况和/或 生理特征信息生成跌倒判断数据，判断用户是否跌倒。
[0012] 优选的，当判断用户为跌倒状态时，跌倒检测仪检测到的数据传送到云平台进行 存储。
[0013] 优选的，当云平台接收到跌倒检测仪检测到的数据时，云平台执行机器学习算法 分析该数据判断是否存在更新数据；若是，则云平台生成新的跌倒检测算法样本，同时跌倒 检测仪根据新的跌倒检测算法样本生成新的跌倒检测算法；或所述云平台执行机器学习算 法分析跌倒检测仪检测到的数据判断是否存在更新数据，若是，则云平台生成新的跌倒检 测算法样本，同时云平台根据新的跌倒检测算法样本生成新的跌倒检测算法，跌倒检测仪 从云平台获取新的跌倒检测算法，作为下一次跌倒判断的算法。
[0014] 由于采用了上述技术方案，本发明具有如下的优点：
[0015] 1.本发明通过将跌倒报警数据进行存储，并随着使用者的增多，可建立一个日趋 完整的跌倒样本数据库；
[0016] 2.云安平台根据数据库中的更新数据，执行机器学习算法，自动调整运行在跌倒 报警器上的跌倒判断算法，创建新的跌倒判断算法样本。
[0017] 3在平台有记录每个使用者的个人信息，如：性别、年龄、身高、体重等，随着样本 数据库的记录的不断增加，机器学习算法结合一定程度的人工分析，会根据这些个人信息， 对跌倒过程传感器数据的不同影响，从而可以达到针对个性化跌倒检测算法的目标。让使 用者，都有定制化的跌倒检测算法，从而达到提高检测精度的目标。
[0018] 4.每次跌倒检测仪上电，会检查是否有新的跌倒判断算法样本，如有会自动从服 务器下载更新，通过这闭环模式，用户手上的跌倒检测设备检测出跌倒的准确率会一直提 尚。
【附图说明】
[0019] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进 一步的详细描述，其中：
[0020] 图1为基于机器学习的跌倒检测系统的原理框图；
[0021] 图2为跌倒检测仪的原理框图；
[0022] 图3为血压检测单元结构原理框图；
[0023] 图4为体温监测单元结构原理框图；
[0024] 图5为跌倒检测仪工作流程图；
[0025] 图6为云平台工作流程图；
[0026] 图7为漏报数据参考；
[0027] 图8为正确报警数据参考；
[0028] 图9为误报数据参考。
【具体实施方式】
[0029] 以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例 仅为了说明本发明，而不是为了限制本发明的保护范围。
[0030] 如图1所示，一种基于机器学习的跌倒检测系统，包括至少一台跌倒检测仪和云 平台，
[0031] 所述至少一台跌倒检测仪，用于检测用户的运动情况和/或生理特征，并根据运 动情况和/或生理特征信息生成跌倒判断数据，判断用户是否跌倒；当判断用户为跌倒状 态时，至少一台跌倒检测仪检测到的数据传送到云平台进行存储。
[0032] 所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存在 更新数据，若是，则云平台生成新的跌倒检测算法样本，同时至少一台跌倒检测仪根据新的 跌倒检测算法样本生成新的跌倒检测算法。
[0033] 或，所述云平台执行机器学习算法分析所有跌倒检测仪检测到的数据判断是否存 在更新数据，若是，则云平台生成新的跌倒检测算法样本，同时云平台根据新的跌倒检测算 法样本生成新的跌倒检测算法，云平台将生成的新的跌倒检测算法发送给跌倒检测仪（这 里的跌倒检测仪指的是检测到跌倒状或者没有检测到跌倒状态的跌倒检测仪），作为下一 次跌倒判断的算法；当然在本实施例中，跌倒检测仪也可以每隔一段时间自动获取更新的 跌倒检测算法样本。
[0034] 所述基于机器学习的跌倒检测系统还包括移动终端，当跌倒检测仪判断用户跌倒 状态时生成示警信息并将该示警信息传送给移动终端。
[0035] 如图2所示，所述跌倒检测仪包括微控制单元、与微控制单元连接的用于实时获 取用户身体姿态的六轴加速度传感器；与微控制单元连接的用于实时获取报警器高度的高 度传感器；与微控制单元连接的用于实时获取用户位置信息的GPS模块；与微控制单元连 接的用于获取生物传感器值的BLE模块；与微控制单元连接的用于传输数据的GPRS模块； 以及为用电单元供电的电池；所述微控制单元控制跌倒检测仪的启动和接收用户身体姿态 数据，并对姿态数据进行分析判断，并根据判断结果启动报警单元。
[0036] 所述生物传感器包括血压监测单元和体温监测单元。
[0037] 如图3所示，所述血压监测单元包括光发射模块、光接收模块和脉搏波处理模块； 所述光发射模块，在微控制单元的控制下，向用户发射双波长光线；所述光接收