本發(fā)明涉及智能設(shè)備技術(shù)領(lǐng)域，尤其涉及一種跌倒識(shí)別方法及裝置、用戶設(shè)備。

背景技術(shù)：

隨著人口老齡化現(xiàn)象的日益突出，又由于老年人肌肉能力退化，反應(yīng)敏捷度降低，平衡能力減弱，再加之自身疾病的影響，成為易跌倒人群。然而跌倒傷害對(duì)他們帶來(lái)的不只是生命的威脅，醫(yī)療花費(fèi)的提升，更在心理上留下陰影，使其活動(dòng)能力降低，健康狀況惡化。

一種關(guān)于跌倒防護(hù)的裝置應(yīng)運(yùn)而生。目前市場(chǎng)上已開(kāi)始出現(xiàn)老年人跌倒防護(hù)裝置產(chǎn)品，由于市場(chǎng)需求量大，且便于隨身攜帶受到了廣大的投資者與消費(fèi)者的青睞。高精準(zhǔn)的監(jiān)測(cè)是一款性能優(yōu)良的跌倒防護(hù)裝置產(chǎn)品的基礎(chǔ)，于是提高跌倒防護(hù)識(shí)別的精準(zhǔn)性顯得尤為重要，然而跌倒防護(hù)系統(tǒng)對(duì)檢測(cè)的實(shí)時(shí)性和準(zhǔn)確率的要求主要取決于跌到檢測(cè)算法和相應(yīng)的硬件平臺(tái)的匹配程度，因此提高跌倒防護(hù)識(shí)別的精準(zhǔn)性是關(guān)鍵。

目前跌倒檢測(cè)算法主要是基于人體運(yùn)動(dòng)物理量，運(yùn)用閾值法。閾值法簡(jiǎn)單直接，但往往因?yàn)橹饔^選取的閾值對(duì)各種跌倒?fàn)顩r不具有普遍性，導(dǎo)致跌倒檢測(cè)準(zhǔn)確率不高。在目前人工智能算法火熱的時(shí)代，如果能把智能算法的高效且精準(zhǔn)的優(yōu)勢(shì)應(yīng)用到可穿戴跌倒氣囊防護(hù)裝置上，就可以使跌倒識(shí)別有較好的實(shí)時(shí)性和準(zhǔn)確率，也就可以極大提高可穿戴跌倒氣囊防護(hù)產(chǎn)品性價(jià)比。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例公開(kāi)了一種跌倒識(shí)別方法及裝置、用戶設(shè)備，有利于提高跌倒識(shí)別的實(shí)時(shí)性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護(hù)產(chǎn)品性價(jià)比。

目前基于可穿戴跌倒氣囊防護(hù)裝置的跌倒檢測(cè)算法，基本上是先對(duì)人體物理運(yùn)動(dòng)加速度，角速度，歐拉角等信號(hào)進(jìn)行采樣，再利用基于閾值的方法進(jìn)行跌倒檢測(cè)，太過(guò)主觀，對(duì)不同主體不同環(huán)境下的跌倒具有局限性，導(dǎo)致報(bào)警準(zhǔn)確率較低。本發(fā)明針對(duì)閾值法的缺點(diǎn)，設(shè)計(jì)了一種基于人工智能算法—bp_adaboost的預(yù)測(cè)分類器，進(jìn)行實(shí)時(shí)且準(zhǔn)確高效的跌倒模式識(shí)別，以提高跌倒防護(hù)產(chǎn)品的性價(jià)比。

bp(backpropagation)神經(jīng)網(wǎng)絡(luò)是1986年由rumelhart和mccelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。bp網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用梯度下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。bp神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱層(hiddenlayer)和輸出層(outputlayer)。

adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。

本發(fā)明提出一種利用加強(qiáng)的人工智能神經(jīng)網(wǎng)絡(luò)(bp_adaboost)的算法對(duì)跌倒進(jìn)行模式識(shí)別，前期采集一定量的數(shù)據(jù)，進(jìn)行訓(xùn)練，訓(xùn)練好的識(shí)別模型不僅實(shí)時(shí)性好，而且準(zhǔn)確率高，從而使跌倒防護(hù)裝置產(chǎn)品有更高的性價(jià)比。

本發(fā)明實(shí)施例第一方面公開(kāi)一種跌倒識(shí)別方法，包括：實(shí)時(shí)獲取跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)；

將跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)判斷用戶是否即將跌倒；

如果判斷出用戶即將跌倒，則做出相應(yīng)的決策對(duì)用戶跌倒進(jìn)行防護(hù)。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，實(shí)時(shí)獲取跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)的步驟之前還包括：

建立基于bp_adaboost的算法模型的強(qiáng)分類器；

將基于bp_adaboost的算法模型的強(qiáng)分類器安裝在本地。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，建立基于bp_adaboost的算法模型的強(qiáng)分類器的步驟包括：

從樣本空間中獲取m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)；

將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)帶入多個(gè)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并預(yù)測(cè)樣本輸出，形成多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器；

通過(guò)adaboost算法將多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器加權(quán)得到基于bp_adaboost的算法模型的強(qiáng)分類器。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，將跌倒識(shí)別訓(xùn)練數(shù)據(jù)帶入多個(gè)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并預(yù)測(cè)樣本輸出，形成多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器的步驟包括：

將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)賦予相同的權(quán)重1/m；

根據(jù)弱學(xué)習(xí)算法將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)迭代運(yùn)算多次后形成多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，方法還包括：

根據(jù)弱學(xué)習(xí)算法將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)迭代運(yùn)算多次后形成多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器的步驟包括：

每次根據(jù)弱學(xué)習(xí)算法將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)迭代運(yùn)算后根據(jù)分類的結(jié)果更新跌倒識(shí)別訓(xùn)練數(shù)據(jù)的權(quán)重分布；

通過(guò)多次迭代后得到分類函數(shù)序列，并根據(jù)分類結(jié)果將每個(gè)分類函數(shù)賦予一個(gè)權(quán)重。

本發(fā)明實(shí)施例第二方面公開(kāi)一種跌倒識(shí)別裝置，包括：

獲取模塊，用于實(shí)時(shí)獲取跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)；

分析模塊，用于將跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)判斷用戶是否即將跌倒；

防護(hù)模塊，用于當(dāng)分析模塊判斷出用戶即將跌倒時(shí)，則做出相應(yīng)的決策對(duì)用戶跌倒進(jìn)行防護(hù)。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第二方面中：

裝置還包括：

強(qiáng)分類器安裝模塊，用于將基于bp_adaboost的算法模型的強(qiáng)分類器安裝在本地。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第二方面中，裝置還包括：強(qiáng)分類器建立模塊，用于建立基于bp_adaboost的算法模型的強(qiáng)分類器。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第二方面中，強(qiáng)分類器建立模塊包括：

獲取單元，用于從樣本空間中獲取m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)；

弱分類器建立單元，用于將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)帶入多個(gè)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并預(yù)測(cè)樣本輸出，形成多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器；

強(qiáng)分類器建立單元，用于通過(guò)adaboost算法將多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器加權(quán)得到基于bp_adaboost的算法模型的強(qiáng)分類器。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第二方面中，弱分類器建立單元包括：

權(quán)重賦予單元，用于將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)賦予相同的權(quán)重1/m；

迭代運(yùn)算單元，用于根據(jù)弱學(xué)習(xí)算法將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)迭代運(yùn)算多次后形成多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器。

本發(fā)明實(shí)施例第三方面公開(kāi)一種用戶設(shè)備，包括本發(fā)明實(shí)施例第二方面公開(kāi)的跌倒識(shí)別裝置。

與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例具備以下有益效果：

本發(fā)明實(shí)施例中，把智能算法的高效且精準(zhǔn)優(yōu)勢(shì)應(yīng)用到可穿戴跌倒防護(hù)裝置上，提高了跌到檢測(cè)算法和相應(yīng)的硬件平臺(tái)的匹配程度，提高了跌倒防護(hù)系統(tǒng)對(duì)檢測(cè)的實(shí)時(shí)性和準(zhǔn)確率，從而提高跌倒防護(hù)識(shí)別的精準(zhǔn)性，從而可以極大提高可穿戴跌倒防護(hù)產(chǎn)品性價(jià)比。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例公開(kāi)的一種跌倒識(shí)別方法的流程示意圖；

圖2是本發(fā)明實(shí)施例公開(kāi)的另一種跌倒識(shí)別方法的流程示意圖；

圖3是本發(fā)明實(shí)施例公開(kāi)的另一種建立基于bp_adaboost的算法模型的強(qiáng)分類器的步驟的流程示意圖；

圖4是本發(fā)明實(shí)施例公開(kāi)的一種跌倒識(shí)別裝置的結(jié)構(gòu)示意圖；

圖5是本發(fā)明實(shí)施例公開(kāi)的另一種跌倒識(shí)別裝置的結(jié)構(gòu)示意圖；

圖6是本發(fā)明實(shí)施例公開(kāi)的另一種跌倒識(shí)別裝置的結(jié)構(gòu)示意圖；

圖7是本發(fā)明實(shí)施例公開(kāi)的一種用戶設(shè)備的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

需要說(shuō)明的是，本發(fā)明實(shí)施例的術(shù)語(yǔ)“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過(guò)程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒(méi)有清楚地列出的或?qū)τ谶@些過(guò)程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

本發(fā)明實(shí)施例公開(kāi)了一種跌倒識(shí)別方法及裝置、用戶設(shè)備，有利于提高跌倒識(shí)別的實(shí)時(shí)性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護(hù)產(chǎn)品性價(jià)比。以下進(jìn)行結(jié)合附圖進(jìn)行詳細(xì)描述。

實(shí)施例一

請(qǐng)參閱圖1，圖1是本發(fā)明實(shí)施例公開(kāi)的一種跌倒識(shí)別方法的流程示意圖。如圖1所示，該跌倒識(shí)別方法可以包括以下步驟：

101、實(shí)時(shí)獲取跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)。采集人體運(yùn)動(dòng)信號(hào)的設(shè)備是運(yùn)動(dòng)捕捉系統(tǒng)x-sens，其中，人體運(yùn)動(dòng)信號(hào)包括人體物理運(yùn)動(dòng)加速度，角速度，歐拉角等信號(hào)。

102、將跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)判斷用戶是否即將跌倒；

實(shí)時(shí)采集人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，并將采集到的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)實(shí)時(shí)輸入強(qiáng)分類器，再由強(qiáng)分類器實(shí)時(shí)分析處理人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，從而作出決策。具體的：

獲取采集到的人體運(yùn)動(dòng)信號(hào)，將其輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析。優(yōu)選的，對(duì)采集到的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，具體的：由傳感器直接測(cè)得的數(shù)據(jù)含有噪聲，這里采用均值光滑的方法進(jìn)行降噪，并且對(duì)數(shù)據(jù)采用pca(principalcomponentanalysis)進(jìn)行降維，它的目標(biāo)是通過(guò)某種線性投影，將采集得到人體運(yùn)動(dòng)信號(hào)的高維的數(shù)據(jù)映射到低維的空間中表示，并期望在所投影的維度上數(shù)據(jù)的方差最大，以此使用較少的數(shù)據(jù)維度，同時(shí)保留住較多的原數(shù)據(jù)點(diǎn)的特性，從而得到人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)的主要特性。數(shù)據(jù)進(jìn)行處理后，將其輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析。

103、判斷用戶是否跌倒；

獲取到人體運(yùn)動(dòng)信號(hào)，將該信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)該信號(hào)判斷用戶是否跌倒，如果判斷出用戶跌倒，則執(zhí)行步驟104，如果判斷出用戶沒(méi)有跌倒，則執(zhí)行步驟101。

104、如果判斷出用戶即將跌倒，則做出相應(yīng)的決策對(duì)用戶跌倒進(jìn)行防護(hù)；

實(shí)時(shí)采集的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)實(shí)時(shí)輸入強(qiáng)分類器，強(qiáng)分類器實(shí)時(shí)分析處理人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，當(dāng)采集的信號(hào)通過(guò)強(qiáng)分類器分析處理認(rèn)定為跌倒信號(hào)，從而啟動(dòng)跌倒防護(hù)裝置，跌倒防護(hù)裝置包括自動(dòng)開(kāi)啟氣囊防護(hù)裝置、啟動(dòng)緊急呼救、啟動(dòng)警示燈等。啟動(dòng)跌倒防護(hù)裝置的時(shí)間可以設(shè)定為實(shí)時(shí)啟動(dòng)，可以設(shè)定啟動(dòng)裝置的種類，設(shè)定緊急呼救的對(duì)象。

基于bp_adaboost的算法模型的強(qiáng)分類器的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)采集的對(duì)象為普通人群人體運(yùn)動(dòng)信號(hào)，優(yōu)選的采集對(duì)象為老年人的人體運(yùn)動(dòng)信號(hào)。

圖1所描述的方法，將跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)判斷用戶是否即將跌倒。這種方法有利于提高跌倒識(shí)別的實(shí)時(shí)性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒氣囊防護(hù)產(chǎn)品性價(jià)比。

實(shí)施例二

請(qǐng)參閱圖2，圖2是本發(fā)明實(shí)施例公開(kāi)的另一種跌倒識(shí)別方法的流程示意圖。如圖2所示，該跌倒識(shí)別方法可以包括以下步驟：

201、建立基于bp_adaboost的算法模型的強(qiáng)分類器；

建立基于bp_adaboost的算法模型的強(qiáng)分類器，獲取的人體運(yùn)動(dòng)信號(hào)的對(duì)象為使用者。首先，需要采集一定量的使用者人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，采集設(shè)備是運(yùn)動(dòng)捕捉系統(tǒng)x-sens,首先對(duì)數(shù)據(jù)進(jìn)行降噪處理，繼而對(duì)數(shù)據(jù)采用pca進(jìn)行降維，它的目標(biāo)是通過(guò)某種線性投影，將采集得到人體運(yùn)動(dòng)信號(hào)的高維的數(shù)據(jù)映射到低維的空間中表示，并期望在所投影的維度上數(shù)據(jù)的方差最大，以此使用較少的數(shù)據(jù)維度，同時(shí)保留住較多的原數(shù)據(jù)點(diǎn)的特性，從而得到人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)的主要特性。

這些數(shù)據(jù)進(jìn)行處理后，將其帶入bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通過(guò)adaboost算法將多個(gè)“弱”分類器的輸出合并并產(chǎn)生有效的分類；利用adaboost算法的特性，來(lái)提升跌倒識(shí)別的準(zhǔn)確率。

建立基于bp_adaboost的算法模型的強(qiáng)分類器主要的步驟為：首先給出弱學(xué)習(xí)算法和樣本空間(x，y)，從樣本空間中找出m組訓(xùn)練數(shù)據(jù)，每組數(shù)據(jù)開(kāi)始時(shí)，都給一樣的權(quán)重1/m；然后用弱學(xué)習(xí)算法迭代運(yùn)算t次，每次運(yùn)算后都按照分類的結(jié)果更新訓(xùn)練數(shù)據(jù)的權(quán)重分布，對(duì)于分類失敗的訓(xùn)練個(gè)體賦予較大的去權(quán)重，下一次迭代運(yùn)算時(shí)更加注重這些被分錯(cuò)的個(gè)體。弱分類器通過(guò)反復(fù)迭代得到一個(gè)分類函數(shù)序列f1,f2,…,ft，每個(gè)分類函數(shù)列賦予一個(gè)權(quán)重，分類結(jié)果越好的函數(shù)，對(duì)其權(quán)重越大。t次迭代后，最終的強(qiáng)分類器f由弱分類器加權(quán)得到。

bp_adaboost模型即把bp神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本輸出，通過(guò)adaboost算法得到多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器。具體步驟請(qǐng)參見(jiàn)圖3：

301、從樣本空間中獲取m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)；具體的，首先選擇人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)并將網(wǎng)絡(luò)初始化，再?gòu)臉颖究臻g中隨機(jī)選擇m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)。

302、將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)賦予相同的權(quán)重；具體的，初始化訓(xùn)練數(shù)據(jù)的分布權(quán)值d1(i)＝1/m，根據(jù)樣本輸入輸出維數(shù)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始化bp神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值。

303、每次根據(jù)弱學(xué)習(xí)算法將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)迭代運(yùn)算后根據(jù)分類的結(jié)果更新跌倒識(shí)別訓(xùn)練數(shù)據(jù)的權(quán)重分布；具體的，

首先，訓(xùn)練t個(gè)弱分類器，用訓(xùn)練數(shù)據(jù)訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)并且預(yù)測(cè)訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測(cè)序列g(shù)t的預(yù)測(cè)誤差的和et的計(jì)算公式為其中g(shù)t(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)預(yù)測(cè)的分類結(jié)果，y(i)為第i組數(shù)據(jù)期望的預(yù)測(cè)結(jié)果，dt(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)的分布權(quán)值。

然后根據(jù)預(yù)測(cè)序列g(shù)t的預(yù)測(cè)誤差的和et計(jì)算預(yù)測(cè)序列的權(quán)重at，其表達(dá)式為：

再對(duì)用于測(cè)試的跌倒識(shí)別訓(xùn)練數(shù)據(jù)進(jìn)行權(quán)重調(diào)整，具體的根據(jù)預(yù)測(cè)序列權(quán)重at調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整公式為其中bt為歸一化因子，目的是在權(quán)重比例不變下使分布權(quán)值和為1，y(i)為第i組數(shù)據(jù)期望的預(yù)測(cè)結(jié)果，gt(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)預(yù)測(cè)的分類結(jié)果，dt(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)的分布權(quán)值。

304、通過(guò)多次迭代后得到分類函數(shù)序列，并根據(jù)分類結(jié)果將每個(gè)分類函數(shù)賦予一個(gè)權(quán)重；

根據(jù)步驟303進(jìn)行t輪訓(xùn)練后得到t組分類函數(shù)f(gt,at)，并根據(jù)分類結(jié)果將每個(gè)分類函數(shù)賦予一個(gè)權(quán)重。

305、通過(guò)adaboost算法將多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器加權(quán)得到基于bp_adaboost的算法模型的強(qiáng)分類器；

步驟304中的t組分類函數(shù)為t個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器，再通過(guò)adaboost算法將t個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器進(jìn)行加權(quán)，組合得到基于bp_adaboost的算法模型的強(qiáng)分類函數(shù)h(x)；其表達(dá)式為：

該強(qiáng)分類函數(shù)即為基于bp_adaboost的算法模型的強(qiáng)分類器。

由于每個(gè)個(gè)體的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)有一定的差異，獲取使用者一定量的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)建立基于bp_adaboost的算法模型的強(qiáng)分類器，有利于提高判斷的準(zhǔn)確度。

202、將基于bp_adaboost的算法模型的強(qiáng)分類器安裝在本地；

通過(guò)采集使用者的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，通過(guò)bp_adaboost算法得到的強(qiáng)分類器再嵌入到本地硬件平臺(tái)上，通過(guò)這個(gè)平臺(tái)實(shí)時(shí)采集的數(shù)據(jù)輸入到強(qiáng)分類器，從而能更加及時(shí)的作出決策。

訓(xùn)練好的強(qiáng)分類器，對(duì)硬件平臺(tái)要求低，處理速度快，提高了可穿戴跌倒氣囊防護(hù)產(chǎn)品的性價(jià)比。

步驟203至步驟206同實(shí)施例一中的步驟101至步驟104，此處不做贅述。

圖2所描述的方法，通過(guò)建立基于bp_adaboost的算法模型的強(qiáng)分類器，并將基于bp_adaboost的算法模型的強(qiáng)分類器安裝在本地，再將跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)判斷用戶是否即將跌倒。這種方法有利于提高跌倒識(shí)別的實(shí)時(shí)性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護(hù)產(chǎn)品性價(jià)比。

實(shí)施例三

請(qǐng)參閱圖4，圖4是本發(fā)明實(shí)施例公開(kāi)的一種跌倒識(shí)別裝置的結(jié)構(gòu)示意圖。如圖4所示，該跌倒識(shí)別裝置可以包括：

獲取模塊401，用于實(shí)時(shí)獲取跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)；具體的，采集人體動(dòng)動(dòng)信號(hào)的設(shè)備是運(yùn)動(dòng)捕捉系統(tǒng)x-sens，其中，人體運(yùn)動(dòng)信號(hào)包括人體物理運(yùn)動(dòng)加速度，角速度，歐拉角等信號(hào)。

分析模塊402，用于將跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)判斷用戶是否即將跌倒，即實(shí)時(shí)采集人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，并將采集到的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)實(shí)時(shí)輸入強(qiáng)分類器，再由強(qiáng)分類器實(shí)時(shí)分析處理人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，從而作出決策；具體的，獲取采集到的人體運(yùn)動(dòng)信號(hào)，將其輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析。優(yōu)選的，對(duì)采集到的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并且對(duì)數(shù)據(jù)采用pca進(jìn)行降維，它的目標(biāo)是通過(guò)某種線性投影，將采集得到人體運(yùn)動(dòng)信號(hào)的高維的數(shù)據(jù)映射到低維的空間中表示，并期望在所投影的維度上數(shù)據(jù)的方差最大，以此使用較少的數(shù)據(jù)維度，同時(shí)保留住較多的原數(shù)據(jù)點(diǎn)的特性，從而得到人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)的主要特性。數(shù)據(jù)進(jìn)行處理后，將其輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析。

防護(hù)模塊403，用于當(dāng)分析模塊402判斷出用戶即將跌倒時(shí)，則做出相應(yīng)的決策對(duì)用戶跌倒進(jìn)行防護(hù)。

當(dāng)獲取模塊401采集的人體運(yùn)動(dòng)信號(hào)通過(guò)分析模塊402析處理認(rèn)定為跌倒信號(hào)，從而啟動(dòng)防護(hù)模塊403，防護(hù)模塊403可以控制跌倒防護(hù)裝置，跌倒防護(hù)裝置包括自動(dòng)開(kāi)啟氣囊防護(hù)裝置、啟動(dòng)緊急呼救裝置、啟動(dòng)警示燈等。啟動(dòng)跌倒防護(hù)裝置的時(shí)間可以設(shè)定為實(shí)時(shí)啟動(dòng)，可以設(shè)定啟動(dòng)裝置的種類，設(shè)定緊急呼救的對(duì)象。

進(jìn)一步的，如圖5所示，本實(shí)施例中的跌倒識(shí)別裝置還包括強(qiáng)分類器安裝模塊404，用于將基于bp_adaboost的算法模型的強(qiáng)分類器安裝在本地。具體的，通過(guò)采集使用者的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，通過(guò)bp_adaboost算法得到的強(qiáng)分類器再嵌入到本地硬件平臺(tái)上，通過(guò)這個(gè)平臺(tái)實(shí)時(shí)采集的數(shù)據(jù)輸入到強(qiáng)分類器，從而能更加及時(shí)的作出決策。

進(jìn)一步的，如圖6所示，本實(shí)施例中的跌倒識(shí)別裝置還包括強(qiáng)分類器建立模塊405，用于建立基于bp_adaboost的算法模型的強(qiáng)分類器。具體的：

建立基于bp_adaboost的算法模型的強(qiáng)分類器，獲取的人體運(yùn)動(dòng)信號(hào)的對(duì)象為使用者。首先，需要采集一定量的使用者人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)，采集設(shè)備是運(yùn)動(dòng)捕捉系統(tǒng)x-sens。然后對(duì)數(shù)據(jù)進(jìn)行降噪處理，并且對(duì)數(shù)據(jù)這里采用了pca進(jìn)行降維，它的目標(biāo)是通過(guò)某種線性投影，將采集得到人體運(yùn)動(dòng)信號(hào)的高維的數(shù)據(jù)映射到低維的空間中表示，并期望在所投影的維度上數(shù)據(jù)的方差最大，以此使用較少的數(shù)據(jù)維度，同時(shí)保留住較多的原數(shù)據(jù)點(diǎn)的特性，從而得到人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)的主要特性。

這些數(shù)據(jù)進(jìn)行處理后，將其帶入bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通過(guò)adaboost算法將多個(gè)“弱”分類器的輸出合并并產(chǎn)生有效的分類；利用adaboost算法的特性，來(lái)提升跌倒識(shí)別的準(zhǔn)確率。

建立基于bp_adaboost的算法模型的強(qiáng)分類器主要的步驟為：首先給出弱學(xué)習(xí)算法和樣本空間(x，y)，從樣本空間中找出m組訓(xùn)練數(shù)據(jù)，每組數(shù)據(jù)開(kāi)始時(shí)，都給一樣的權(quán)重1/m；然后用弱學(xué)習(xí)算法迭代運(yùn)算t次，每次運(yùn)算后都按照分類的結(jié)果更新訓(xùn)練數(shù)據(jù)的權(quán)重分布，對(duì)于分類失敗的訓(xùn)練個(gè)體賦予較大的去權(quán)重，下一次迭代運(yùn)算時(shí)更加注重這些被分錯(cuò)的個(gè)體。弱分類器通過(guò)反復(fù)迭代得到一個(gè)分類函數(shù)序列f1,f2,…,ft，每個(gè)分類函數(shù)列賦予一個(gè)權(quán)重，分類結(jié)果越好的函數(shù)，對(duì)其權(quán)重越大。t次迭代后，最終的強(qiáng)分類器f由弱分類器加權(quán)得到。

bp_adaboost模型即把bp神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本輸出，通過(guò)adaboost算法得到多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器。強(qiáng)分類器建立模塊405包括獲取單元、弱分類器建立單元、強(qiáng)分類器建立單元，具體的：

獲取單元，用于從樣本空間中獲取m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)；具體的，首先選擇人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)并將網(wǎng)絡(luò)初始化，再?gòu)臉颖究臻g中隨機(jī)選擇m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)。

弱分類器建立單元，用于將獲取單元獲取的m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)帶入多個(gè)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并預(yù)測(cè)樣本輸出，形成多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器。其中，弱分類器建立單元具體包括權(quán)值賦予單元和迭代運(yùn)算單元，具體的：

權(quán)值賦予單元，用于將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)賦予相同的權(quán)重；具體的，初始化訓(xùn)練數(shù)據(jù)的分布權(quán)值d1(i)＝1/m，根據(jù)樣本輸入輸出維數(shù)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始化bp神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值。

迭代運(yùn)算單元，用于每次根據(jù)弱學(xué)習(xí)算法將m組跌倒識(shí)別訓(xùn)練數(shù)據(jù)迭代運(yùn)算后根據(jù)分類的結(jié)果更新跌倒識(shí)別訓(xùn)練數(shù)據(jù)的權(quán)重分布；具體的，首先，訓(xùn)練t個(gè)弱分類器，用訓(xùn)練數(shù)據(jù)訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)并且預(yù)測(cè)訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測(cè)序列g(shù)t的預(yù)測(cè)誤差的和et的計(jì)算公式為其中g(shù)t(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)預(yù)測(cè)的分類結(jié)果，y(i)為第i組數(shù)據(jù)期望的預(yù)測(cè)結(jié)果，dt(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)的分布權(quán)值。

然后根據(jù)預(yù)測(cè)序列g(shù)t的預(yù)測(cè)誤差的和et計(jì)算預(yù)測(cè)序列的權(quán)重at，其表達(dá)式為：

再對(duì)用于測(cè)試的跌倒識(shí)別訓(xùn)練數(shù)據(jù)進(jìn)行權(quán)重調(diào)整，具體的根據(jù)預(yù)測(cè)序列權(quán)重at調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整公式為其中bt為歸一化因子，目的是在權(quán)重比例不變下使分布權(quán)值和為1；y(i)為第i組數(shù)據(jù)期望的預(yù)測(cè)結(jié)果，gt(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)預(yù)測(cè)的分類結(jié)果，dt(i)為第t個(gè)分類器對(duì)第i組數(shù)據(jù)的分布權(quán)值。

根據(jù)迭代計(jì)算單元進(jìn)行t輪訓(xùn)練后得到t組分類函數(shù)f(gt,at)，并根據(jù)分類結(jié)果將每個(gè)分類函數(shù)賦予一個(gè)權(quán)重。

強(qiáng)分類器建立單元，用于通過(guò)adaboost算法將多個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器加權(quán)得到基于bp_adaboost的算法模型的強(qiáng)分類器；

迭代運(yùn)算單元運(yùn)算后得到的t組分類函數(shù)為t個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器，再通過(guò)adaboost算法將t個(gè)bp神經(jīng)網(wǎng)絡(luò)弱分類器進(jìn)行加權(quán)，組合得到基于bp_adaboost的算法模型的強(qiáng)分類函數(shù)h(x)；其表達(dá)式為：

該強(qiáng)分類函數(shù)即為基于bp_adaboost的算法模型的強(qiáng)分類器。

由于每個(gè)個(gè)體的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)有一定的差異，獲取使用者一定量的人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)建立基于bp_adaboost的算法模型的強(qiáng)分類器，有利于提高判斷的準(zhǔn)確度。

本實(shí)施例中所描述的裝置，將跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)輸入到基于bp_adaboost的算法模型的強(qiáng)分類器中進(jìn)行分析，根據(jù)跌倒動(dòng)作相關(guān)的人體運(yùn)動(dòng)信號(hào)判斷用戶是否即將跌倒。這種方法有利于提高跌倒識(shí)別的實(shí)時(shí)性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護(hù)產(chǎn)品性價(jià)比。

實(shí)施例四

請(qǐng)參閱圖7，圖7是本發(fā)明實(shí)施例公開(kāi)的一種用戶設(shè)備的結(jié)構(gòu)示意圖。其中，圖7所示的用戶設(shè)備包括圖4～圖6任意一種跌倒識(shí)別裝置。實(shí)施圖7所示的用戶設(shè)備，能夠有利于提高跌倒識(shí)別的實(shí)時(shí)性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護(hù)產(chǎn)品性價(jià)比。

本領(lǐng)域普通技術(shù)人員可以理解上述實(shí)施例的各種方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，該程序可以存儲(chǔ)于一計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，存儲(chǔ)介質(zhì)包括只讀存儲(chǔ)器(read-onlymemory，rom)、隨機(jī)存儲(chǔ)器(randomaccessmemory，ram)、可編程只讀存儲(chǔ)器(programmableread-onlymemory，prom)、可擦除可編程只讀存儲(chǔ)器(erasableprogrammablereadonlymemory，eprom)、一次可編程只讀存儲(chǔ)器(one-timeprogrammableread-onlymemory，otprom)、電子抹除式可復(fù)寫(xiě)只讀存儲(chǔ)器(electrically-erasableprogrammableread-onlymemory，eeprom)、只讀光盤(compactdiscread-onlymemory，cd-rom)或其他光盤存儲(chǔ)器、磁盤存儲(chǔ)器、磁帶存儲(chǔ)器、或者能夠用于攜帶或存儲(chǔ)數(shù)據(jù)的計(jì)算機(jī)可讀的任何其他介質(zhì)。

以上對(duì)本發(fā)明實(shí)施例公開(kāi)的一種跌倒識(shí)別方法及裝置、用戶設(shè)備進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。