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。然而跌倒傷害對他們帶來的不只是生命的威脅，醫(yī)療花費的提升，更在心理上留下陰影，使其活動能力降低，健康狀況惡化。

一種關(guān)于跌倒防護的裝置應(yīng)運而生。目前市場上已開始出現(xiàn)老年人跌倒防護裝置產(chǎn)品，由于市場需求量大，且便于隨身攜帶受到了廣大的投資者與消費者的青睞。高精準(zhǔn)的監(jiān)測是一款性能優(yōu)良的跌倒防護裝置產(chǎn)品的基礎(chǔ)，于是提高跌倒防護識別的精準(zhǔn)性顯得尤為重要，然而跌倒防護系統(tǒng)對檢測的實時性和準(zhǔn)確率的要求主要取決于跌到檢測算法和相應(yīng)的硬件平臺的匹配程度，因此提高跌倒防護識別的精準(zhǔn)性是關(guān)鍵。

目前跌倒檢測算法主要是基于人體運動物理量，運用閾值法。閾值法簡單直接，但往往因為主觀選取的閾值對各種跌倒?fàn)顩r不具有普遍性，導(dǎo)致跌倒檢測準(zhǔn)確率不高。在目前人工智能算法火熱的時代，如果能把智能算法的高效且精準(zhǔn)的優(yōu)勢應(yīng)用到可穿戴跌倒氣囊防護裝置上，就可以使跌倒識別有較好的實時性和準(zhǔn)確率，也就可以極大提高可穿戴跌倒氣囊防護產(chǎn)品性價比。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例公開了一種跌倒識別方法及裝置、用戶設(shè)備，有利于提高跌倒識別的實時性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護產(chǎn)品性價比。

目前基于可穿戴跌倒氣囊防護裝置的跌倒檢測算法，基本上是先對人體物理運動加速度，角速度，歐拉角等信號進行采樣，再利用基于閾值的方法進行跌倒檢測，太過主觀，對不同主體不同環(huán)境下的跌倒具有局限性，導(dǎo)致報警準(zhǔn)確率較低。本發(fā)明針對閾值法的缺點，設(shè)計了一種基于人工智能算法—bp_adaboost的預(yù)測分類器，進行實時且準(zhǔn)確高效的跌倒模式識別，以提高跌倒防護產(chǎn)品的性價比。

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，通過反向傳播來不斷調(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，其核心思想是針對同一個訓(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，構(gòu)成一個更強的最終分類器(強分類器)。

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

本發(fā)明實施例第一方面公開一種跌倒識別方法，包括：實時獲取跌倒動作相關(guān)的人體運動信號；

將跌倒動作相關(guān)的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)跌倒動作相關(guān)的人體運動信號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)的決策對用戶跌倒進行防護。

作為一種可選的實施方式，在本發(fā)明實施例第一方面中，實時獲取跌倒動作相關(guān)的人體運動信號的步驟之前還包括：

建立基于bp_adaboost的算法模型的強分類器；

將基于bp_adaboost的算法模型的強分類器安裝在本地。

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

從樣本空間中獲取m組跌倒識別訓(xùn)練數(shù)據(jù)；

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

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

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

將m組跌倒識別訓(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組跌倒識別訓(xùn)練數(shù)據(jù)迭代運算多次后形成多個bp神經(jīng)網(wǎng)絡(luò)弱分類器。

作為一種可選的實施方式，在本發(fā)明實施例第一方面中，方法還包括：

根據(jù)弱學(xué)習(xí)算法將m組跌倒識別訓(xùn)練數(shù)據(jù)迭代運算多次后形成多個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組跌倒識別訓(xùn)練數(shù)據(jù)迭代運算后根據(jù)分類的結(jié)果更新跌倒識別訓(xùn)練數(shù)據(jù)的權(quán)重分布；

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

本發(fā)明實施例第二方面公開一種跌倒識別裝置，包括：

獲取模塊，用于實時獲取跌倒動作相關(guān)的人體運動信號；

分析模塊，用于將跌倒動作相關(guān)的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)跌倒動作相關(guān)的人體運動信號判斷用戶是否即將跌倒；

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

作為一種可選的實施方式，在本發(fā)明實施例第二方面中：

裝置還包括：

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

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

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

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

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

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

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

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

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

本發(fā)明實施例第三方面公開一種用戶設(shè)備，包括本發(fā)明實施例第二方面公開的跌倒識別裝置。

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

本發(fā)明實施例中，把智能算法的高效且精準(zhǔn)優(yōu)勢應(yīng)用到可穿戴跌倒防護裝置上，提高了跌到檢測算法和相應(yīng)的硬件平臺的匹配程度，提高了跌倒防護系統(tǒng)對檢測的實時性和準(zhǔn)確率，從而提高跌倒防護識別的精準(zhǔn)性，從而可以極大提高可穿戴跌倒防護產(chǎn)品性價比。

附圖說明

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

圖1是本發(fā)明實施例公開的一種跌倒識別方法的流程示意圖；

圖2是本發(fā)明實施例公開的另一種跌倒識別方法的流程示意圖；

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

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

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

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

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

具體實施方式

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

需要說明的是，本發(fā)明實施例的術(shù)語“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，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

本發(fā)明實施例公開了一種跌倒識別方法及裝置、用戶設(shè)備，有利于提高跌倒識別的實時性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護產(chǎn)品性價比。以下進行結(jié)合附圖進行詳細(xì)描述。

實施例一

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

101、實時獲取跌倒動作相關(guān)的人體運動信號。采集人體運動信號的設(shè)備是運動捕捉系統(tǒng)x-sens，其中，人體運動信號包括人體物理運動加速度，角速度，歐拉角等信號。

102、將跌倒動作相關(guān)的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)跌倒動作相關(guān)的人體運動信號判斷用戶是否即將跌倒；

實時采集人體運動信號數(shù)據(jù)，并將采集到的人體運動信號數(shù)據(jù)實時輸入強分類器，再由強分類器實時分析處理人體運動信號數(shù)據(jù)，從而作出決策。具體的：

獲取采集到的人體運動信號，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。優(yōu)選的，對采集到的人體運動信號數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，具體的：由傳感器直接測得的數(shù)據(jù)含有噪聲，這里采用均值光滑的方法進行降噪，并且對數(shù)據(jù)采用pca(principalcomponentanalysis)進行降維，它的目標(biāo)是通過某種線性投影，將采集得到人體運動信號的高維的數(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，同時保留住較多的原數(shù)據(jù)點的特性，從而得到人體運動信號數(shù)據(jù)的主要特性。數(shù)據(jù)進行處理后，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。

103、判斷用戶是否跌倒；

獲取到人體運動信號，將該信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)該信號判斷用戶是否跌倒，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)的決策對用戶跌倒進行防護；

實時采集的人體運動信號數(shù)據(jù)實時輸入強分類器，強分類器實時分析處理人體運動信號數(shù)據(jù)，當(dāng)采集的信號通過強分類器分析處理認(rèn)定為跌倒信號，從而啟動跌倒防護裝置，跌倒防護裝置包括自動開啟氣囊防護裝置、啟動緊急呼救、啟動警示燈等。啟動跌倒防護裝置的時間可以設(shè)定為實時啟動，可以設(shè)定啟動裝置的種類，設(shè)定緊急呼救的對象。

基于bp_adaboost的算法模型的強分類器的人體運動信號數(shù)據(jù)采集的對象為普通人群人體運動信號，優(yōu)選的采集對象為老年人的人體運動信號。

圖1所描述的方法，將跌倒動作相關(guān)的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)跌倒動作相關(guān)的人體運動信號判斷用戶是否即將跌倒。這種方法有利于提高跌倒識別的實時性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒氣囊防護產(chǎn)品性價比。

實施例二

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

201、建立基于bp_adaboost的算法模型的強分類器；

建立基于bp_adaboost的算法模型的強分類器，獲取的人體運動信號的對象為使用者。首先，需要采集一定量的使用者人體運動信號數(shù)據(jù)，采集設(shè)備是運動捕捉系統(tǒng)x-sens,首先對數(shù)據(jù)進行降噪處理，繼而對數(shù)據(jù)采用pca進行降維，它的目標(biāo)是通過某種線性投影，將采集得到人體運動信號的高維的數(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，同時保留住較多的原數(shù)據(jù)點的特性，從而得到人體運動信號數(shù)據(jù)的主要特性。

這些數(shù)據(jù)進行處理后，將其帶入bp神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。通過adaboost算法將多個“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，來提升跌倒識別的準(zhǔn)確率。

建立基于bp_adaboost的算法模型的強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)開始時，都給一樣的權(quán)重1/m；然后用弱學(xué)習(xí)算法迭代運算t次，每次運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，對于分類失敗的訓(xùn)練個體賦予較大的去權(quán)重，下一次迭代運算時更加注重這些被分錯的個體。弱分類器通過反復(fù)迭代得到一個分類函數(shù)序列f1,f2,…,ft，每個分類函數(shù)列賦予一個權(quán)重，分類結(jié)果越好的函數(shù)，對其權(quán)重越大。t次迭代后，最終的強分類器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)測樣本輸出，通過adaboost算法得到多個bp神經(jīng)網(wǎng)絡(luò)弱分類器組成的強分類器。具體步驟請參見圖3：

301、從樣本空間中獲取m組跌倒識別訓(xùn)練數(shù)據(jù)；具體的，首先選擇人體運動信號數(shù)據(jù)并將網(wǎng)絡(luò)初始化，再從樣本空間中隨機選擇m組跌倒識別訓(xùn)練數(shù)據(jù)。

302、將m組跌倒識別訓(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組跌倒識別訓(xùn)練數(shù)據(jù)迭代運算后根據(jù)分類的結(jié)果更新跌倒識別訓(xùn)練數(shù)據(jù)的權(quán)重分布；具體的，

首先，訓(xùn)練t個弱分類器，用訓(xùn)練數(shù)據(jù)訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)并且預(yù)測訓(xùn)練數(shù)據(jù)輸出，得到預(yù)測序列g(shù)t的預(yù)測誤差的和et的計算公式為其中g(shù)t(i)為第t個分類器對第i組數(shù)據(jù)預(yù)測的分類結(jié)果，y(i)為第i組數(shù)據(jù)期望的預(yù)測結(jié)果，dt(i)為第t個分類器對第i組數(shù)據(jù)的分布權(quán)值。

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

再對用于測試的跌倒識別訓(xùn)練數(shù)據(jù)進行權(quán)重調(diào)整，具體的根據(jù)預(yù)測序列權(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)測結(jié)果，gt(i)為第t個分類器對第i組數(shù)據(jù)預(yù)測的分類結(jié)果，dt(i)為第t個分類器對第i組數(shù)據(jù)的分布權(quán)值。

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

根據(jù)步驟303進行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)果將每個分類函數(shù)賦予一個權(quán)重。

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

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

該強分類函數(shù)即為基于bp_adaboost的算法模型的強分類器。

由于每個個體的人體運動信號數(shù)據(jù)有一定的差異，獲取使用者一定量的人體運動信號數(shù)據(jù)建立基于bp_adaboost的算法模型的強分類器，有利于提高判斷的準(zhǔn)確度。

202、將基于bp_adaboost的算法模型的強分類器安裝在本地；

通過采集使用者的人體運動信號數(shù)據(jù)，通過bp_adaboost算法得到的強分類器再嵌入到本地硬件平臺上，通過這個平臺實時采集的數(shù)據(jù)輸入到強分類器，從而能更加及時的作出決策。

訓(xùn)練好的強分類器，對硬件平臺要求低，處理速度快，提高了可穿戴跌倒氣囊防護產(chǎn)品的性價比。

步驟203至步驟206同實施例一中的步驟101至步驟104，此處不做贅述。

圖2所描述的方法，通過建立基于bp_adaboost的算法模型的強分類器，并將基于bp_adaboost的算法模型的強分類器安裝在本地，再將跌倒動作相關(guān)的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)跌倒動作相關(guān)的人體運動信號判斷用戶是否即將跌倒。這種方法有利于提高跌倒識別的實時性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護產(chǎn)品性價比。

實施例三

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

獲取模塊401，用于實時獲取跌倒動作相關(guān)的人體運動信號；具體的，采集人體動動信號的設(shè)備是運動捕捉系統(tǒng)x-sens，其中，人體運動信號包括人體物理運動加速度，角速度，歐拉角等信號。

分析模塊402，用于將跌倒動作相關(guān)的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)跌倒動作相關(guān)的人體運動信號判斷用戶是否即將跌倒，即實時采集人體運動信號數(shù)據(jù)，并將采集到的人體運動信號數(shù)據(jù)實時輸入強分類器，再由強分類器實時分析處理人體運動信號數(shù)據(jù)，從而作出決策；具體的，獲取采集到的人體運動信號，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。優(yōu)選的，對采集到的人體運動信號數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，并且對數(shù)據(jù)采用pca進行降維，它的目標(biāo)是通過某種線性投影，將采集得到人體運動信號的高維的數(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，同時保留住較多的原數(shù)據(jù)點的特性，從而得到人體運動信號數(shù)據(jù)的主要特性。數(shù)據(jù)進行處理后，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。

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

當(dāng)獲取模塊401采集的人體運動信號通過分析模塊402析處理認(rèn)定為跌倒信號，從而啟動防護模塊403，防護模塊403可以控制跌倒防護裝置，跌倒防護裝置包括自動開啟氣囊防護裝置、啟動緊急呼救裝置、啟動警示燈等。啟動跌倒防護裝置的時間可以設(shè)定為實時啟動，可以設(shè)定啟動裝置的種類，設(shè)定緊急呼救的對象。

進一步的，如圖5所示，本實施例中的跌倒識別裝置還包括強分類器安裝模塊404，用于將基于bp_adaboost的算法模型的強分類器安裝在本地。具體的，通過采集使用者的人體運動信號數(shù)據(jù)，通過bp_adaboost算法得到的強分類器再嵌入到本地硬件平臺上，通過這個平臺實時采集的數(shù)據(jù)輸入到強分類器，從而能更加及時的作出決策。

進一步的，如圖6所示，本實施例中的跌倒識別裝置還包括強分類器建立模塊405，用于建立基于bp_adaboost的算法模型的強分類器。具體的：

建立基于bp_adaboost的算法模型的強分類器，獲取的人體運動信號的對象為使用者。首先，需要采集一定量的使用者人體運動信號數(shù)據(jù)，采集設(shè)備是運動捕捉系統(tǒng)x-sens。然后對數(shù)據(jù)進行降噪處理，并且對數(shù)據(jù)這里采用了pca進行降維，它的目標(biāo)是通過某種線性投影，將采集得到人體運動信號的高維的數(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，同時保留住較多的原數(shù)據(jù)點的特性，從而得到人體運動信號數(shù)據(jù)的主要特性。

這些數(shù)據(jù)進行處理后，將其帶入bp神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。通過adaboost算法將多個“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，來提升跌倒識別的準(zhǔn)確率。

建立基于bp_adaboost的算法模型的強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)開始時，都給一樣的權(quán)重1/m；然后用弱學(xué)習(xí)算法迭代運算t次，每次運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，對于分類失敗的訓(xùn)練個體賦予較大的去權(quán)重，下一次迭代運算時更加注重這些被分錯的個體。弱分類器通過反復(fù)迭代得到一個分類函數(shù)序列f1,f2,…,ft，每個分類函數(shù)列賦予一個權(quán)重，分類結(jié)果越好的函數(shù)，對其權(quán)重越大。t次迭代后，最終的強分類器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)測樣本輸出，通過adaboost算法得到多個bp神經(jīng)網(wǎng)絡(luò)弱分類器組成的強分類器。強分類器建立模塊405包括獲取單元、弱分類器建立單元、強分類器建立單元，具體的：

獲取單元，用于從樣本空間中獲取m組跌倒識別訓(xùn)練數(shù)據(jù)；具體的，首先選擇人體運動信號數(shù)據(jù)并將網(wǎng)絡(luò)初始化，再從樣本空間中隨機選擇m組跌倒識別訓(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組跌倒識別訓(xùn)練數(shù)據(jù)帶入多個bp神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并預(yù)測樣本輸出，形成多個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算單元，具體的：

權(quán)值賦予單元，用于將m組跌倒識別訓(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。

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

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

再對用于測試的跌倒識別訓(xùn)練數(shù)據(jù)進行權(quán)重調(diào)整，具體的根據(jù)預(yù)測序列權(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)測結(jié)果，gt(i)為第t個分類器對第i組數(shù)據(jù)預(yù)測的分類結(jié)果，dt(i)為第t個分類器對第i組數(shù)據(jù)的分布權(quán)值。

根據(jù)迭代計算單元進行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)果將每個分類函數(shù)賦予一個權(quán)重。

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

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

該強分類函數(shù)即為基于bp_adaboost的算法模型的強分類器。

由于每個個體的人體運動信號數(shù)據(jù)有一定的差異，獲取使用者一定量的人體運動信號數(shù)據(jù)建立基于bp_adaboost的算法模型的強分類器，有利于提高判斷的準(zhǔn)確度。

本實施例中所描述的裝置，將跌倒動作相關(guān)的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據(jù)跌倒動作相關(guān)的人體運動信號判斷用戶是否即將跌倒。這種方法有利于提高跌倒識別的實時性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護產(chǎn)品性價比。

實施例四

請參閱圖7，圖7是本發(fā)明實施例公開的一種用戶設(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任意一種跌倒識別裝置。實施圖7所示的用戶設(shè)備，能夠有利于提高跌倒識別的實時性和準(zhǔn)確率，從而可以極大提高可穿戴跌倒防護產(chǎn)品性價比。

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

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