基于人工神經網絡的跌倒預測方法及跌倒氣囊防護裝置制造方法及圖紙

本發明專利技術實施例公開了一種基于人工神經網絡的跌倒預測方法及跌倒氣囊防護裝置，所述方法包括：從預先采集的人體運動數據的樣本空間內提出多組樣本數據；利用所述多組樣本數據對人工神經網絡進行訓練，進而形成用于跌倒預測的多個第一分類函數并為所述第一分類函數分配相應的函數權重，其中所述第一分類函數的預測準確度越高，對應的所述函數權重越大；利用所述函數權重對所述第一分類函數進行加權求和，進而形成第二分類函數；利用所述第二分類函數對實時采集的人體運動數據進行跌倒預測。通過上述方式，能夠有效提高跌倒預測的準確性。

Fall prediction method based on artificial neural network and fall airbag protection device

The embodiment of the invention discloses a forecasting method based on artificial neural network in the fall and fall air bag protection device, the method includes: put forward a group of sample data from human motion data collection in advance of sample space; training of artificial neural network using the sample data, and then to form a plurality of first the classification and prediction function falls for the first classification function distribution function corresponding weights, which predicts the first classification function, higher accuracy, the weight function corresponding to the larger weight; using the function of the first classification function weighted sum, and the formation of the second classification function; the second classification function on the real-time human motion data for fall prediction. By the method mentioned above, the accuracy of fall prediction can be improved effectively.

【技術實現步驟摘要】
基于人工神經網絡的跌倒預測方法及跌倒氣囊防護裝置
本專利技術實施例涉及動作識別領域，特別是涉及一種基于人工神經網絡的跌倒預測方法及跌倒氣囊防護裝置。
技術介紹
隨著人口老齡化現象的日益突出，由于老年人肌肉能力退化，反應敏捷度降低，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，因此一些用于在老年人跌倒時起到保護作用的跌倒氣囊防護裝置應運而生。跌倒氣囊防護裝置的工作原理在于通過根據人體的運動數據對跌倒進行預測，并在預測到跌倒后及時對氣囊進行充氣，以對人體的重要部分提供保護。目前的跌倒預測算法主要是運用閾值法，即判斷某一特定運動數據的具體數值是否大于預設閾值，若大于預設閾值，則認為出現跌倒。閾值法雖然實現起來相對簡單，但往往因為主觀選取的閾值對各種跌倒狀況不具有普遍性，導致跌倒預測的準確率不高，容易出現誤警或漏警現象。
技術實現思路
本專利技術實施例主要解決的技術問題是提供一種基于人工神經網絡的跌倒預測方法及跌倒氣囊防護裝置，能夠有效提高跌倒預測的準確率。為解決上述技術問題，本專利技術實施例采用的一個技術方案是：提供一種基于人工神經網絡的跌倒預測方法，該方法包括：從預先采集的人體運動數據的樣本空間內提出多組樣本數據；利用多組樣本數據對人工神經網絡進行訓練，進而形成用于跌倒預測的多個第一分類函數并為第一分類函數分配相應的函數權重，其中第一分類函數的預測準確度越高，對應的函數權重越大；利用函數權重對第一分類函數進行加權求和，進而形成第二分類函數；利用第二分類函數對實時采集的人體運動數據進行跌倒預測。其中，利用多組樣本數據對人工神經網絡進行訓練的步驟包括：為各樣本數據分別分配一數據權重并進行初始化；利用多組樣本數據對人工神經網絡進行訓練，進而形成多個第一分類函數中的一部分；將第一分類函數對各樣本數據的預測結果與各樣本數據的預期結果的差異大于預設閾值的樣本數據的數據權重進行累加，進而獲得第一分類函數所對應的預測誤差；基于預測誤差計算第一分類函數的函數權重，其中預測誤差越大，函數權重越小；判斷是否滿足迭代結束條件；若不滿足迭代結束條件，則基于函數權重、各樣本數據的預測結果和各樣本數據的預期結果對各樣本數據的數據權重進行調整，并返回利用多組樣本數據對人工神經網絡進行訓練的步驟，進而形成新的第一分類函數；其中針對同一樣本數據，樣本數據的預測結果與樣本數據的預期結果差異越大，調整后的數據權重越大。其中，為各樣本數據分別分配一數據權重并進行初始化的步驟包括：將各樣本數據的數據權重初始化為1/m，其中m為多組樣本數據中的樣本數據的組數。其中，基于預測誤差計算第一分類函數的函數權重的步驟包括：通過如下公式計算函數權重：在上述公式中，at為函數權重，bt為預測誤差，ln為以自然常數e為底的對數函數。其中，基于函數權重、各樣本數據的預測結果和各樣本數據的預期結果對各樣本數據的數據權重進行調整的步驟包括：通過以下公式對各樣本數據的數據權重進行調整：在上述公式中，Dt(i)為第i個樣本數據調整前的數據權重，Dt+1(i)為第i個樣本數據調整后的數據權重，Bt為歸一化因子，用于使得調整后的多個樣本數據的數據權重歸一化，at為函數權重，gt(xi)為第i個樣本數據的預測結果，yi為第i個樣本數據的預期結果，exp為以自然常數e為底的指數函數。其中，利用函數權重對第一分類函數進行加權求和的步驟包括：其中，h(x)為第二分類函數，ft(x)為第t個第一分類函數，at為第t個第一分類函數的函數權重，sign為符號函數。其中，方法進一步包括：將實時采集的人體運動數據作為樣本數據，并進一步返回至利用多組樣本數據對人工神經網絡進行訓練的步驟。其中，從預先采集的人體運動數據的樣本空間內提出多組樣本數據的步驟之前，進一步包括：利用運動傳感器采集人體在跌倒過程中的運動數據；提取跌倒發生時刻前的多個第一采樣點的運動數據作為第一樣本數據，并對第一樣本數據添加第一標識；提取人體處于正常狀態下的多個第二采樣點的運動數據作為第二樣本數據，并對第二樣本數據添加第二標識；將第一樣本數據和第二樣本數據進行組合，進而形成樣本空間，第一標識用于表示第一樣本數據的預期結果，第二標識用于表示第二樣本數據的預期結果。其中，運動數據包括加速度、角速度以及傾斜角。其中，人工神經網絡為后向反饋人工神經網絡。為解決上述技術問題，本專利技術實施例采用的另一個技術方案是：提供一種跌倒氣囊防護裝置，包括：樣本模塊，用于從預先采集的人體運動數據的樣本空間內提出多組樣本數據；訓練模塊，用于利用多組樣本數據對人工神經網絡進行訓練，進而形成用于跌倒預測的多個第一分類函數并為第一分類函數分配相應的函數權重，其中第一分類函數的預測準確度越高，對應的函數權重越大；函數模塊，用于利用函數權重對第一分類函數進行加權求和，進而形成第二分類函數；預測模塊，用于利用第二分類函數對實時采集的人體運動數據進行跌倒預測。本專利技術實施例的有益效果是：在本專利技術實施例的跌倒預測方法中，通過對人工神經網絡進行訓練并根據訓練獲得的第一分類函數的預測準確度對多個第一分類函數進行加權求和來形成最終用于進行跌倒預測的第二分類函數，由此可以有效地提高跌倒預測的準確度。附圖說明圖1是根據本專利技術第一實施例的基于人工神經網絡的跌倒預測方法的流程圖；圖2是圖1所示的步驟S11中樣本空間的具體形成方式的流程圖；圖3是圖1所示的步驟S12的具體實現方式的流程圖；圖4是根據本專利技術第二實施例的基于人工神經網絡的跌倒預測方法的流程圖；圖5是根據本專利技術第三實施例的跌倒預測裝置的結構示意圖。具體實施方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本專利技術的一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。請參閱圖1，圖1是根據本專利技術第一實施例的基于人工神經網絡的跌倒預測方法的流程圖。本實施例的跌倒預測方法包括以下步驟：步驟S11：從預先采集的人體運動數據的樣本空間內提出多組樣本數據。其中，運動數據包括加速度、角速度以及傾斜角等數據。具體地，在一個應用例中，從預先采集的人體運動數據的樣本空間，例如(X，Y)內，隨機提取出m組樣本數據；其中，樣本數據包括運動數據和預期結果，即加速度、角速度、傾斜角數據和跌倒/未跌倒標識，例如1標識跌倒，-1標識未跌倒。此外，提取出的樣本數據數量可以根據實際情況設置，此處不做具體限定。如圖2所示，在步驟S11之前，進一步包括：步驟S101：利用運動傳感器采集人體在跌倒過程中的運動數據；具體地，首先在人體的主要部位，例如膝關節、肘關節等，設置運動傳感器；通過設置的運動傳感器采集人體的運動數據，尤其是人體在跌倒過程中的運動數據，包括加速度、角速度以及傾斜角等；然后將采集到的運動數據進行預處理。首先，通過PCA(PrincipalComponentAnalysis)進行降維，即通過線性投影，將采集到的人體運動信號的高維的數據映射到低維的空間中表示，并期望在所投影的維度上數據的方差最大本文檔來自技高網...

【技術保護點】
一種基于人工神經網絡的跌倒預測方法，其特征在于，所述方法包括：從預先采集的人體運動數據的樣本空間內提出多組樣本數據；利用所述多組樣本數據對人工神經網絡進行訓練，進而形成用于跌倒預測的多個第一分類函數并為所述第一分類函數分配相應的函數權重，其中所述第一分類函數的預測準確度越高，對應的所述函數權重越大；利用所述函數權重對所述第一分類函數進行加權求和，進而形成第二分類函數；利用所述第二分類函數對實時采集的人體運動數據進行跌倒預測。

【技術特征摘要】
1.一種基于人工神經網絡的跌倒預測方法，其特征在于，所述方法包括：從預先采集的人體運動數據的樣本空間內提出多組樣本數據；利用所述多組樣本數據對人工神經網絡進行訓練，進而形成用于跌倒預測的多個第一分類函數并為所述第一分類函數分配相應的函數權重，其中所述第一分類函數的預測準確度越高，對應的所述函數權重越大；利用所述函數權重對所述第一分類函數進行加權求和，進而形成第二分類函數；利用所述第二分類函數對實時采集的人體運動數據進行跌倒預測。2.根據權利要求1中的方法，其特征在于，所述利用所述多組樣本數據對人工神經網絡進行訓練的步驟包括：為各所述樣本數據分別分配一數據權重并進行初始化；利用所述多組樣本數據對所述人工神經網絡進行訓練，進而形成所述多個第一分類函數中的一部分；將所述第一分類函數對各所述樣本數據的預測結果與各所述樣本數據的預期結果的差異大于預設閾值的所述樣本數據的所述數據權重進行累加，進而獲得所述第一分類函數所對應的預測誤差；基于所述預測誤差計算所述第一分類函數的所述函數權重，其中所述預測誤差越大，所述函數權重越小；判斷是否滿足迭代結束條件；若不滿足所述迭代結束條件，則基于所述函數權重、各所述樣本數據的預測結果和各所述樣本數據的預期結果對各所述樣本數據的數據權重進行調整，并返回所述利用所述多組樣本數據對人工神經網絡進行訓練的步驟，進而形成新的所述第一分類函數；其中針對同一所述樣本數據，所述樣本數據的預測結果與所述樣本數據的預期結果差異越大，調整后的所述數據權重越大。3.根據權利要求2中的方法，其特征在于，所述為各所述樣本數據分別分配一數據權重并進行初始化的步驟包括：將各所述樣本數據的數據權重初始化為1/m，其中m為所述多組樣本數據中的所述樣本數據的組數。4.根據權利要求2中的方法，其特征在于，所述基于所述預測誤差計算所述第一分類函數的所述函數權重的步驟包括：通過如下公式計算所述函數權重：其中，at為所述函數權重，bt為所述預測誤差，ln為以自然常數e為底的對數函數。5.根據權利要求2中的方法，其特征在于，所述基于所述函數權重、各所述樣本數據的預測結果和各所述樣本數據的預期結果對各所述樣本數據的數據權重進行調整的步驟包括：通過以下公式對各所述樣本數據的數據權重進行調整：

【專利技術屬性】
技術研發人員：梁升云，趙國如，林穎蕾，
申請(專利權)人：深圳先進技術研究院，
類型：發明
國別省市：廣東,44