一种人体防摔的超前预警方法与流程

1.本发明涉及互联网、大数据、医疗防护领域,具体涉及一种人体防摔的超前预警方法。


背景技术：

2.当前社会状态下，90后多为独生子女，往上承担着四位甚至八位老人的看护责任，而且往下还承担着孩子的养护责任，压力可想而知。目前在市场中，各中防摔的产品层出不穷，报警手环、防摔护具等产品各式各样。
3.但是现有技术几乎都是作用于已经产生摔倒动作之后产生的行为，但是摔倒的行为已经产生，或多或少的对人身造成了一定的损伤或者影响了生活状态。是否能在摔倒前进行预测及预警，让被保护人在摔倒动作发生前就有一定的警醒做出反应，或者监护人能够提前知道，从而更加有效的防止摔倒动作的发生，是当前社会应该解决的重要问题。


技术实现要素：

4.为解决上述问题，本发明的目的在于提供一种人体防摔的超前预警方法，能够在摔倒动作发生前进行超前预测并进行摔倒因素的具体指明，从而有效的避免摔倒动作的发生，更好的保护人身安全。
5.本发明的技术方案如下：
6.一种人体防摔超前预警方法，包括以下步骤：
7.s10采集与产生摔倒动作的影响因子的数据，并对采集到的数据进行归一化处理，将筛选的合适的影响因子作为输入变量；
8.s20创建四层人工神经网络模型；
9.s30采用本发明所创建的frame shift mutation算法训练本发明所创建的四层人工神经网络；
10.s40采用测试样本对已经训练完成的bp神经网络进行测试,对于输入样本x0,得到预测输出y0,若y0小于阈值时，则预测不会产生摔倒；若y0大于阈值，则预测会产生摔倒，发出具体摔倒警示。并且通过调整阈值的大小，获得使预测效果最佳的阈值完成预测预警功能。在实际应用中能够通过实时监测影响因子数据，预测摔倒的发生。
11.优选的，所述步骤s10的具体实施方法如下：
12.s101将采集到的与产生摔倒动作相关的影响因子的原始数据记为x
b*
，b＝(1，2，3，...，b)。采集d组样本数据，生成样本集x
*
＝[x
1*
，x
2*
，x
3*
，...，x
b*
]d，每个样本集包含b个数据。将采集到的样本集x
*
＝[x
1*
，x
2*
，x
3*
，...，x
b*
]d中的原始数据通过公式进行归一化处理，映射到统一的一个数值区间[-1，1]内。x
kb
表示归一化之后第k组数据中第b影响因子的数据、x
kb*
表示原始数据中第k组数据中第b影响因子的数据、x
maxb*
表示样本集中第b影响因子的最大原始数据、x
minb*
表示样本集中第b影响因子
的最小原始数据。最后得到归一化样本集xd＝[x1，x2，x3，...，xb]d。
[0013]
s102筛选与产生摔倒动作相关的影响因子，生成实验样本集：取任意不同的两种与产生摔倒动作的影响因子，记为xf、xj，f∈b、j∈b。则通过下面公式
[0014]
(k＝1，2，3，...，d)计算任意两种影响因子的关联系数。q
f&j
表示第f影响因子与第j影响因子的关联系数。x
kf
表示样本集中第k组数据中的xf数据，表示xf的均数，x
kj
表示样本集中第k组数据中的xj数据。x
maxf
表示样本集中影响因子f中的最大数据，x
minf
表示样本集中影响因子f中的最小数据；x
maxj
表示样本集中影响因子j中的最大数据，x
minj
表示样本集中影响因子j中的最小数据。q
f&j
值越大代表两种影响因子之间的相关性越大，反之，q
f&j
值越小代表两种影响因子之间的相关性越小。根据实验需求设置影响因子关联系数的阈值为q
max
，要求q
f&j
≤q
max
，生成实验样本集e＝[x1，x2，x3，...，xm]d，m＝(1，2，3，...，m)且m≤b。
[0015]
通过公式进行影响因子的筛选能够更加清晰的发现影响因子之间的相关度，从而挑选出最适合的一种或一种以上的影响因子作为输入变量，生成实验样本集。很大程度的减少了工作量及输入数据，从而提升数据运算的速度，更加精准迅速的完成本发明所述的人体防摔预警工作。
[0016]
优选的，所述步骤s20的具体实施方法如下：
[0017]
创建一个具有预测功能的四层人工神经网络模型，具有输入层、隐含层、输出层。
[0018]
输入层是一维的神经元，有m输入信号，其中任意输入信号用m表示；隐含层有i神经元，其中任意神经元用i表示；竞争层有p神经元，任一神经元用p表示，输出层有一个神经元，用y表示。输入层与隐含层的连接权值用w
mi
表示，隐含层的i神经元与竞争层神经元的连接权值用w
ip
表示，竞争层的神经元与输出层的神经元的连接权值用w
py
表示。x＝(x1，x2，...，xm)表示输入层的输入向量，代表的是与产生摔倒动作相关的影响因子的数据；y＝y表示输出层的实际输出，实际输出代表的是经过本发明所创建的人工神经网络计算得到的预测的发生摔倒的概率值；d＝d表示输出层的期望输出，期望输出向量代表的是实验样本集中已经知道的发生摔倒的概率值。
[0019]
优选的，所述创建四层人工神经网络的计算原理和步骤如下：
[0020]
s2021初始化四层人工神经网络的权值和阈值，分别为w
mi
(0)、w
ip
(0)、w
py
(0)、依次输入训练样本集x＝[x1，x，..，xk，...xs]，k＝(1，2，3，...，s)。对神经网络进行训练。
[0021]
s2022把输入向量x＝(x1，x2，...，xm)输入到输入层中，输入层各节点的输出等于输入，则qm＝xm，(m＝1，2，3，...，m)。
[0022]
隐含层第i神经元的输入用表示：表示：表示输入层到隐含层第i神经元的阈值，该式中可以表示为输入的x0＝-1，权值那么
也可以写进加权和里了；
[0023]
表示隐含层i神经元的输出：则f表示激活函数：本发明所创建的激活函数：收敛速度远大于现有激活函数，能够防止过拟合问题的发生。
[0024]
s2023寻找获胜神经元：为隐含层第i神经元到输出层的阈值；为竞争层的第p神经元的输入向量：
[0025]
计算竞争层的权值向量和竞争层的输入向量间的差值ri，
[0026][0027]
选择与权值向量的差值最小的神经元作为胜出神经元，记为p
*
，选择胜出神经元能够显示出关键影响因子，为本发明所示的预警方向做出选择，使得本发明在应用中不仅能够预测超前预测摔倒的发生，而且能够精准的警示出发生摔倒的关键因素，及时让被监护人或者监护人做出反应并立即采取明确措施。
[0028]
为竞争层的第p神经元的输出：
[0029]
g为激活函数：
[0030][0031]
为输出层的输入：
[0032]
为输出层的输出f1为sigmoid激活函数：取值范围为(0，1)，
[0033]
输出层的训练误差信号：dk表示期望输出，yk表示实际输出。
[0034]
s2023权值学习：
[0035]
竞争层任意一个节点到输出层的阈值为：竞争层任意一个节点到输出层的阈值为：是的修正量值：f1′
是激活函数f1(x)的求导。其中η是学习步长。
[0036]
竞争层中只对p
*
这一个神经元对应的权值进行调整，隐含层的任一节点与竞争层
任一节点的权值为任一节点的权值为是的权值调整值。隐含层的任一节点与竞争层任一节点的阈值为隐含层的任一节点与竞争层任一节点的阈值为是的修正量值，g
′
是g(x)的求导。
[0037]
输入层任一节点到隐含层任一节点的阈值为：输入层任一节点到隐含层任一节点的阈值为：是的修正量值：f
′
是激活函数f(x)的求导。
[0038]
s2024按照每一次训练误差计算网络训练总误差：则若达到预设精度e
min
，训练结束，否则转向s2022开始新一轮学习。
[0039]
优选的，所述步骤s30的具体实施方法如下：
[0040]
s301在本发明所创建的四层人工神经网络中找到阈值和初始的权值对应的群组：然后分别对它们进行编码。
[0041]
以采用fsh算法找到w
mi
(0)的最优值为例：采用随机方法随机生成w
mi
(0)对应的氨基酸群组v代表群组中个体的个数，v＝(1，2，3，...，v)。的上标表示更新代数为0，即为初始代数，突变代数用z表示。
[0042]
s302移码突变：选择第z代氨基酸群组中两个不同随机个体作为灵动向量，两个灵动向量记为随机选择第三个个体作为目标向量，目标向量记为对其进行移码突变操作，得到突变个体记为移码突变操作的表达式为：移码突变操作的表达式为：表示突变系数，而突变系数的大小则决定了突变个体的突变比例。
[0043]
s303优胜劣汰：通过下面的二项式表达式进行群组个体的优胜劣汰操作得到新的突变向量，记为表达式为：
[0044][0045]
srand(0，1)表示在区间(0，1)之中的随机选择的数。
[0046]
s304选择最优个体，生成突变后的z+1代群组：操作表达式为
[0047]
￡为匹配函数，表达式为
则生成z+1代群组代表根据新个体突变向量和旧个体目标向量的匹配函数值的大小进行选择，选择最优个体，从而产生z+1代氨基酸群组。
[0048]
s305设z＝z+1，重复s302到s304步骤，直至满足算法的终止条件则循环结束，则意味找到最优个体
[0049]
s306最后，同样的采用fsh算法可以得到s306最后，同样的采用fsh算法可以得到s306最后，同样的采用fsh算法可以得到
[0050]
将最优个体中的值对应的群组
[0051]
分配到本发明所创建的四层人工神经网络中。然后利用本发明所创建的人工神经网络中的预测模型求出最优预测值。
[0052]
本发明至少具有以下有益效果：
[0053]
(1)本发明的目的在于提供一种人体防摔的超前预警方法，能够在摔倒动作发生前进行超前预测并精准做出明确预警，从而更加有效的避免摔倒动作的发生，更好的保护人身安全。
[0054]
(2)本发明所创建的公式进行影响因子的筛选能够更加清晰的发现影响因子之间的相关度，从而挑选出最适合的一种或一种以上的影响因子作为输入变量，生成实验样本集。很大程度的减少了工作量及输入数据，从而提升数据运算的速度，更加精准迅速的完成本发明所述的人体防摔预警工作。
[0055]
(3)本发明所创建的fsm(frame shift mutation)算法的原理是基于dna链中插入或者缺失碱基对，从而影响氨基酸的种类和序列。与现有算法相比代数更新快，而且其控制参数较少，不需做出过多的设计。有着良好的鲁棒性以及可靠性。弥补了神经网络在阈值设定以及初始的权值设定上的缺陷，继而优化了神经网络算法在学习能力、收敛速度以及预等方面的性能。
附图说明
[0056]
图1本发明所述的人体防摔超前预警方法实施步骤图；
[0057]
图2本发明所述的fsm算法优化四层人工神经网络结构图。
具体实施方式
[0058]
为了更清楚的说明本发明，下面将结合说明书附图和具体实施例来做详细说明。
[0059]
参照图1，本发明提出了一种人体防摔的超前预警方法，包括以下步骤：
[0060]
s10采集与产生摔倒动作相关的影响因子的数据，并对采集到的数据进行归一化处理，将筛选的合适的影响因子作为输入变量。
[0061]
s101将采集到的与产生摔倒动作相关的影响因子(例如血压的变化幅值、血氧饱和度的变化幅值、脉搏数据的变化幅值等)的原始数据记为x
b*
，b＝(1，2，3，...，b)。采集d组样本数据，生成样本集x
*
＝[x
1*
，x
2*
，x
3*
，...，x
b*
]d，每个样本集包含b个数据。将采集到的样本集x
*
＝[x
1*
，x
2*
，x
3*
，...，x
b*
]d中的原始数据通过公式进行归一化处理，映射到统一的一个数值区间[-1，1]内。x
kb
表示归一化之后第k组数据中第b影响因子的数据、x
kb*
表示原始数据中第k组数据中第b影响因子的数据、x
maxb*
表示样本集中第b影响因子的最大原始数据、x
minb*
表示样本集中第b影响因子的最小原始数据。最后得到归一化样本集xd＝[x1，x2，x3，...，xb]d。
[0062]
s102筛选与产生摔倒动作相关的影响因子，生成实验样本集：取任意不同的两种与产生摔倒动作的影响因子，记为xf、xj，f∈b、j∈b。则通过下面公式
[0063]
(k＝1，2，3，...，d)计算任意两种影响因子的关联系数。q
f&j
表示第f影响因子与第j影响因子的关联系数。x
kf
表示样本集中第k组数据中的xf数据，表示xf的均数，x
kj
表示样本集中第k组数据中的xj数据。x
maxf
表示样本集中影响因子f中的最大数据，x
minf
表示样本集中影响因子f中的最小数据；x
maxj
表示样本集中影响因子j中的最大数据，x
minj
表示样本集中影响因子j中的最小数据。q
f&j
值越大代表两种影响因子之间的相关性越大，反之，q
f&j
值越小代表两种影响因子之间的相关性越小。根据实验需求设置影响因子关联系数的阈值为q
max
，要求q
f&j
≤q
max
，生成实验样本集e＝[x1，x2，x3，...，xm]d，m＝(1，2，3，...，m)且m≤b。
[0064]
通过公式进行影响因子的筛选能够更加清晰的发现影响因子之间的相关度，从而挑选出最适合的一种或一种以上的影响因子作为输入变量，生成实验样本集。很大程度的减少了工作量及输入数据，从而提升数据运算的速度，更加精准迅速的完成本发明所述的人体防摔预警工作。
[0065]
s20创建四层人工神经网络模型：
[0066]
s201创建一个具有预测功能的四层人工神经网络模型：参考图2所示的四层人工神经网络：具有输入层、隐含层、竞争层、输出层。
[0067]
输入层是一维的神经元，有m个输入信号，其中任意一个输入信号用m表示；隐含层有i个神经元，其中任意一个神经元用i表示；竞争层有p个神经元，任意一个神经元用p表示，输出层有一个神经元，用y表示。输入层与隐含层的连接权值用w
mi
表示，隐含层的i神经元与竞争层神经元的连接权值用w
ip
表示，竞争层的神经元与输出层的神经元的连接权值用w
py
表示。x＝(x1，x2，...，xm)表示输入层的输入向量，代表的是与产生摔倒动作相关的影响因子的数据；y＝y表示输出层的实际输出，代表的是经过本发明所创建的四层人工神经网络的预测得到的发生摔倒的概率值；d＝d表示输出层的期望输出，期望输出代表的是实验
样本集中已经知道的发生摔倒的概率值。
[0068]
s202本发明所创建的四层人工神经网络的计算原理和步骤如下：
[0069]
s2021初始化四层人工神经网络的权值和阈值，分别为w
mi
(0)、w
ip
(0)、w
py
(0)、依次输入训练样本集x＝[x1，x，..，xk，...xs]，k＝(1，2，3，...，s)。对神经网络进行训练。
[0070]
s2022把输入向量x＝(x1，x2，...，xm)输入到输入层中，输入层各节点的输出等于输入，则qm＝xm，(m＝1，2，3，...，m)。
[0071]
隐含层第i神经元的输入用表示：表示：表示输入层到隐含层第i神经元的阈值，该式中可以表示为输入的x0＝-1，权值那么也可以写进加权和里了；
[0072]
表示隐含层i神经元的输出：则f表示激活函数：本发明所创建的激活函数：收敛速度远大于现有激活函数，能够防止过拟合问题的发生。
[0073]
s2023寻找获胜神经元：为隐含层第i神经元到输出层的阈值；为竞争层的第p神经元的输入向量：
[0074]
计算竞争层的权值向量和竞争层的输入向量间的差值ri，
[0075][0076]
选择与权值向量的差值最小的神经元作为胜出神经元，记为p
*
，选择胜出神经元能够显示出关键影响因子，为本发明所示的预警方向做出选择，使得本发明在应用中不仅能够预测超前预测摔倒的发生，而且能够精准的警示出发生摔倒的关键因素，及时让被监护人或者监护人做出反应并立即采取明确措施。
[0077]
为竞争层的第p神经元的输出：g为激活函数：
[0078]
为输出层的输入：
[0079]
为输出层的输出f1为sigmoid激活函数：取值范围为(0，1)，
[0080]
输出层的训练误差信号：dk表示期望输出，yk表示实际输出。
[0081]
s2023权值学习：
[0082]
竞争层任意一个节点到输出层的阈值为：竞争层任意一个节点到输出层的阈值为：是的修正量
值：f1′
是激活函数f1(x)的求导。其中η是学习步长。
[0083]
竞争层中只对p
*
这一个神经元对应的权值进行调整，隐含层的任一节点与竞争层任一节点的权值为任一节点的权值为是的权值调整值。隐含层的任一节点与竞争层任一节点的阈值为隐含层的任一节点与竞争层任一节点的阈值为是的修正量值，g
′
是g(x)的求导。
[0084]
输入层任一节点到隐含层任一节点的阈值为：输入层任一节点到隐含层任一节点的阈值为：是的修正量值：f
′
是激活函数f(x)的求导。
[0085]
s2024按照每一次训练误差计算网络训练总误差：则若达到预设精度e
min
，训练结束，否则转向s2022开始新一轮学习。
[0086]
s30采用本发明所创建的fsm(frame shift mutation)算法训练本发明所创建的四层人工神经网络。fsm(frame shift mutation)算法是基于遗传算法所创建的移码突变算法。参照图2所示，主要算法流程如下：
[0087]
s301在本发明所创建的四层人工神经网络中找到阈值和初始的权值对应的群组：然后分别对它们进行编码。
[0088]
以采用fsh算法找到w
mi
(0)的最优值为例：采用随机方法随机生成w
mi
(0)对应的氨基酸群组v代表群组中个体的个数，v＝(1，2，3，...，v)。的上标表示更新代数为0，即为初始代数，突变代数用z表示。
[0089]
s302移码突变：选择第z代氨基酸群组中两个不同随机个体作为灵动向量，两个灵动向量记为随机选择第三个个体作为目标向量，目标向量记为对其进行移码突变操作，得到突变个体记为移码突变操作的表达式为：移码突变操作的表达式为：表示突变系数，而突变系数的大小则决定了突变个体的突变比例。
[0090]
s303优胜劣汰：通过下面的二项式表达式进行群组个体的优胜劣汰操作得到新的突变向量，记为表达式为：
[0091][0092]
srand(0，1)表示在区间(0，1)之中的随机选择的数。
[0093]
s304选择最优个体，生成突变后的z+1代群组：操作表达式为
[0094]
￡为匹配函数，表达式为则生成z+1代群组代表根据新个体突变向量和旧个体目标向量的匹配函数值的大小进行选择，选择最优个体，从而产生z+1代氨基酸群组。
[0095]
s305设z＝z+1，重复s302到s304步骤，直至满足算法的终止条件则循环结束，则意味找到最优个体
[0096]
s306最后，同样的采用fsh算法可以得到s306最后，同样的采用fsh算法可以得到s306最后，同样的采用fsh算法可以得到
[0097]
将最优个体中的值对应的群组分配到本发明所创建的四层人工神经网络中。然后利用本发明所创建的人工神经网络中的预测模型求出最优预测值。
[0098]
本发明所创建的fsm(frame shift mutation)算法与现有算法相比较原理是基于dna链中插入或者缺失碱基对，从而影响氨基酸的种类和序列，与以往的遗传算法不同，而且其控制参数较少，不需做出过多的设计。有着良好的鲁棒性以及可靠性。弥补了神经网络在阈值设定以及初始的权值设定上的缺陷，继而优化了神经网络算法在学习能力、收敛速度以及预等方面的性能。
[0099]
s40采用测试样本对已经训练完成的bp神经网络进行测试，对于输入样本x0，得到预测输出y0，若y0小于阈值时，则预测不会产生摔倒；若y0大于阈值，则预测会产生摔倒，发出摔倒警示。并且通过调整阈值的大小，获得使预测效果最佳的阈值完成预测预警功能。在实际应用中能够通过实时监测影响因子数据，预测摔倒的发生。
[0100]
综上所述，实现了本发明所述的一种人体防摔的超前预警方法。
[0101]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0102]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0103]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优
选实施例以及落入本发明范围的所有变更和修改。
[0104]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。