模块，接收 用户反射的双波长光线，以及将接收到的光信号转换为电信号，并将该电信号传输至脉搏 波处理模块；所述脉搏波处理模块，对电信号进行放大、滤波、二次放大以及模数转换，并发 送经放大滤波模数转换后的信息至微控制单元。
[0038] 如图4所示，所述体温监测单元包括温度传感器和温度信号处理模块；所述温度 传感器，采集并发送用户体温信息至温度信号处理模块；所述温度信号处理模块，接收温度 传感器采集的用户体温信息，对用户温度信息进行放大和滤波以及模数转换，并发送经放 大滤波模数转换后的信息至微控制单元。
[0039] 一种基于机器学习的跌倒检测方法，包括：
[0040]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；当判断用户为跌倒状态时，跌倒检测 仪生成警示信息，同时跌倒检测仪检测到的数据传送到云平台进行存储。当跌倒检测仪判 断用户为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。
[0041] 在本实施例中，云平台中事先存储有每个用者的信人信息，如：性别、年龄、身高、 体重等相关的生理数据以及根据存储的数据计算获得的跌倒检测算法样本，包括阈值。当 云平台接收到跌倒检测仪检测到的数据时，云平台确认数据是否正确报警、误报、漏报，如 图7~9所示。
[0042] 误报是指，跌倒检测仪检测到的数据和云平台中的数据相比较，差别超出所设阈 值。
[0043] 漏报是指，跌倒检测仪判断用户为跌倒状态，但云平台没有接收到此次检测的数 据。
[0044] 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，该检测算法作为下一次判断用户是否跌 倒的算法。
[0045] 在本实施例中，所述跌倒检测算法为：跌倒检测仪检测到的数据经过滑动窗口截 取，计算得到特征值向量X，该特征值向量经归一化后作为网络输入，如（2. 1)所示，
[0046] X= [x0,X1,x2,…，x7] (2. 1)
[0047] 其中Xtl=-I;xi=amax为加速度矢量和最大值；X2=amin为加速度矢量和最小值； X3=At为最大值与最小值的时间差；X4=a。为加速度矢量和方差；A= ? .为加速度矢量 和平均值；X6 =名为X方向前n个点平均值；X7 =足为X方向后n个点平均值，
[0048] 则隐含层第i个节点输入权值如（2. 2)所示，
【主权项】
1. 一种基于机器学习的跌倒检测系统，其特征在于：包括至少一台跌倒检测仪和云平 台， 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。
2. 根据权利要求1所述的基于机器学习的跌倒检测系统，其特征在于：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。
3. 根据权利要求1所述的基于机器学习的跌倒检测系统，其特征在于：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。
4. 根据权利要求1所述的基于机器学习的跌倒检测系统，其特征在于：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。
5. -种基于机器学习的跌倒检测方法，其特征在于：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； 步骤b.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。
6. 根据权利要求5所述的基于机器学习的跌倒检测方法，其特征在于：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。
7. 根据权利要求5所述的基于机器学习的跌倒检测方法，其特征在于：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，云平台将生成的新的跌倒检测算法主动发送给跌倒检测仪，作为下一次跌倒判断的算 法。
8. 根据权利要求5所述的基于机器学习的跌倒检测方法，其特征在于：所述跌倒检测 算法为：通过跌倒检测仪检测到的数据，计算得到特征值向量X，该特征值向量归一化后作 为网络的输入层，如（2.1)所示， x [xq, x^, X2，***, x^] (2. 1) 其中-1 ;Xi=amax为加速度矢量和最大值；x2=amin为加速度矢量和最小值；x3 =At为最大值与最小值的时间差；x4=a。为加速度矢量和方差；A为加速度矢量和平 均值；气=兄为X方向前n个点平均值；x7 =足为X方向后n个点平均值， 则隐含层第i个节点输入权值如（2. 2)所示，
则第i个节点输出为： Yi= f (xw i) (2. 3) 其中f(x)为激活函数，激活函数f(x)采用S形函数，
则隐含层输出y= [ypy；^%]，输出层权值w= [Wi，％，％]，最终输出为：p = f (yw) (2. 4) 通过P值判断，是否跌倒，当P值大于阈值时，判断为跌到，当P值小于等于阈值时，判 断为非跌倒。
【专利摘要】本发明公开了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，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。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。本发明在使用中会检查是否有新的跌倒判断算法样本，如有则运行新的算法，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高。
【IPC分类】A61B5-11, H04L29-08
【公开号】CN104771177
【申请号】CN201510232988
【发明人】赵运勇, 童俊平, 涂亚庆, 陈宝欣
【申请人】重庆软汇科技股份有限公司
【公开日】2015年7月15日
【申请日】2015年5月8日