技术特征：
1.一种基于类别不平衡信号的跌倒检测方法，其特征在于，包括：实时获取智能可穿戴设备采集的使用者的动作测试数据；所述动作测试数据，包括：加速度数据和角速度值；将所述动作测试数据输入最优深度学习模型，进行所述动作测试数据的动作类别识别，获取各动作类别概率值；将所述各动作类别概率值与最佳阈值进行比较，预测所述动作测试数据对应的动作类别；其中，所述最佳阈值用于根据深度学习模型训练时使用的样本数据集的不平衡率使预测结果向发生概率低的动作类别偏移。2.根据权利要求1所述的基于类别不平衡信号的跌倒检测方法，其特征在于，所述最优深度学习模型，包括：残差连接模块，用于对动作测试数据进行特征提取；全连接softmax层，用于对所述动作测试数据特征进行分类，输出动作测试数据对应各动作类别概率值；阈值移动算法层，用于调整分类阈值，获取最佳阈值，并根据所述各动作类别的概率值与所述最佳阈值的关系判断所述动作测试数据的动作类别。3.根据权利要求2所述的基于类别不平衡信号的跌倒检测方法，其特征在于，所述调整分类阈值，获取最佳阈值，包括：获取样本数据集，将所述样本数据集中数据划分为日常活动样本数据和跌倒样本数据，并统计所述日常活动样本数据数量和跌倒样本数据数量；根据所述日常生活样本数据数量和跌倒样本数据数量的比值，计算所述样本不平衡率；根据所述样本不平衡率对分类阈值进行调整，确定所述最佳阈值，所述最佳阈值为跌倒动作阈值λ
*
。4.根据权利要求3所述的基于类别不平衡信号的跌倒检测方法，其特征在于，所述最佳阈值λ
*
，表达为：λ
*
＝k
×
e-ρ/a
+b其中，λ
*
为最佳阈值，k为分类器的默认阈值，ρ为样本数据集的不平衡率，a和b为常数，n
max
为样本数据集中日常生活数据的数量，n
min
为样本数据集中跌倒样本数据的数量。5.根据权利要求4所述的基于类别不平衡信号的跌倒检测方法，其特征在于，所述动作类别包括跌倒动作和日常活动动作；根据所述各动作类别的概率值与所述最佳阈值的关系判断所述动作测试数据的动作类别，包括：当某一动作测试数据输出的跌倒概率值p与最佳阈值λ
*
进行比较，若p≥λ
*
，则所述最优深度学习模型预测所述动作测试数据为跌倒动作；当某一动作测试数据输出的日常活动概率值q与最佳阈值λ
*
进行比较，若q≤1-λ
*
，则所述最优深度学习模型预测所述动作测试数据为跌倒动作。
6.根据权利要求2所述的基于类别不平衡信号的跌倒检测方法，其特征在于，所述残差连接模块，包括：卷积层，用于提取原始数据中的特征信息；批归一化层，用于对特征信息进行归一化处理，之后进行激活函数的非线性计算；残差连接计算单元，用于将提取后的特征信息与原始数据进行线性叠加。7.根据权利要求6所述的基于类别不平衡信号的跌倒检测方法，其特征在于，所述卷积层包括：第一卷积层、第二卷积层；批归一化层包括：第一批归一化层和第二批归一化层；所述残差连接模块包括四个顺序连接的第一～第四残差连接单元，第一～第四残差连接单元均包括依次设置的：第一卷积层、第一批归一化层、第二卷积层、第二批归一化层和残差连接计算子单元；所述第一残差连接单元中第一卷积层和第二卷积层均包括64个卷积核；所述第二残差连接单元中第一卷积层和第二卷积层均包括128个卷积核；所述第三残差连接单元中第一卷积层和第二卷积层均包括256个卷积核；所述第四残差连接单元中第一卷积层和第二卷积层均包括512个卷积核；所述第一～第四残差连接单元中所有卷积核均为1x3卷积核。8.根据权利要求3所述的基于类别不平衡信号的跌倒检测方法，其特征在于，对深度学习模型进行模型训练的过程中，通过交叉熵损失函数计算模型训练过程误差，当所述误差达到稳定时所述深度学习模型为最优深度学习模型。9.一种基于类别不平衡信号的跌倒检测系统，其特征在于，包括：数据获取模块，用于实时获取智能可穿戴设备采集的使用者的动作测试数据；所述动作测试数据，包括：加速度数据和角速度值；概率计算模块，用于将所述动作测试数据输入最优深度学习模型，进行所述动作测试数据的动作类别识别，获取各动作类别概率值；预测模块，用于将所述各动作类别概率值与最佳阈值进行比较，预测所述动作测试数据对应的动作类别；其中，所述最佳阈值用于根据深度学习模型训练时使用的样本数据集的不平衡率使预测结果向发生概率低的动作类别偏移。10.根据权利要求9所述的基于类别不平衡信号的跌倒检测系统，其特征在于，所述概率计算模块中的所述最优深度学习模型，包括：残差连接模块，用于对动作测试数据进行特征提取；全连接softmax层，用于对所述动作测试数据特征进行分类，输出动作测试数据对应各动作类别概率值；阈值移动算法层，用于调整分类阈值，获取最佳阈值，并根据所述各动作类别的概率值与所述最佳阈值的关系判断所述动作测试数据的动作类别。
技术总结
本发明涉及一种基于类别不平衡信号的跌倒检测方法及系统，属于行为识别技术领域，解决了现有技术因跌倒检测类别不平衡，很难从大量的日常活动中准确地识别出跌倒事件信号的问题。该方法包括：实时获取智能可穿戴设备采集的使用者的动作测试数据；所述动作测试数据，包括：加速度数据和角速度值；将所述动作测试数据输入最优深度学习模型，进行所述动作测试数据的动作类别识别，获取各动作类别概率值；将所述各动作类别概率值与最佳阈值进行比较，预测所述动作测试数据对应的动作类别；其中，所述最佳阈值用于根据深度学习模型训练时使用的样本数据集的不平衡率使预测结果向发生概率低的动作类别偏移。实现了基于类别不平衡数据的跌倒检测。衡数据的跌倒检测。衡数据的跌倒检测。
技术研发人员：张静 李佳 王玮冰
受保护的技术使用者：中国科学院微电子研究所
技术研发日：2021.11.30
技术公布日：2022/4/12