基于人工神经网络的跌倒预测方法及跌倒气囊防护装置制造方法及图纸

本发明专利技术实施例公开了一种基于人工神经网络的跌倒预测方法及跌倒气囊防护装置，所述方法包括：从预先采集的人体运动数据的样本空间内提出多组样本数据；利用所述多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为所述第一分类函数分配相应的函数权重，其中所述第一分类函数的预测准确度越高，对应的所述函数权重越大；利用所述函数权重对所述第一分类函数进行加权求和，进而形成第二分类函数；利用所述第二分类函数对实时采集的人体运动数据进行跌倒预测。通过上述方式，能够有效提高跌倒预测的准确性。

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.

【技术实现步骤摘要】
基于人工神经网络的跌倒预测方法及跌倒气囊防护装置
本专利技术实施例涉及动作识别领域，特别是涉及一种基于人工神经网络的跌倒预测方法及跌倒气囊防护装置。
技术介绍
随着人口老龄化现象的日益突出，由于老年人肌肉能力退化，反应敏捷度降低，平衡能力减弱，再加之自身疾病的影响，成为易跌倒人群。然而，跌倒伤害对他们带来的不只是生命的威胁，医疗花费的提升，更在心理上留下阴影，使其活动能力降低，健康状况恶化，因此一些用于在老年人跌倒时起到保护作用的跌倒气囊防护装置应运而生。跌倒气囊防护装置的工作原理在于通过根据人体的运动数据对跌倒进行预测，并在预测到跌倒后及时对气囊进行充气，以对人体的重要部分提供保护。目前的跌倒预测算法主要是运用阈值法，即判断某一特定运动数据的具体数值是否大于预设阈值，若大于预设阈值，则认为出现跌倒。阈值法虽然实现起来相对简单，但往往因为主观选取的阈值对各种跌倒状况不具有普遍性，导致跌倒预测的准确率不高，容易出现误警或漏警现象。
技术实现思路
本专利技术实施例主要解决的技术问题是提供一种基于人工神经网络的跌倒预测方法及跌倒气囊防护装置，能够有效提高跌倒预测的准确率。为解决上述技术问题，本专利技术实施例采用的一个技术方案是：提供一种基于人工神经网络的跌倒预测方法，该方法包括：从预先采集的人体运动数据的样本空间内提出多组样本数据；利用多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为第一分类函数分配相应的函数权重，其中第一分类函数的预测准确度越高，对应的函数权重越大；利用函数权重对第一分类函数进行加权求和，进而形成第二分类函数；利用第二分类函数对实时采集的人体运动数据进行跌倒预测。其中，利用多组样本数据对人工神经网络进行训练的步骤包括：为各样本数据分别分配一数据权重并进行初始化；利用多组样本数据对人工神经网络进行训练，进而形成多个第一分类函数中的一部分；将第一分类函数对各样本数据的预测结果与各样本数据的预期结果的差异大于预设阈值的样本数据的数据权重进行累加，进而获得第一分类函数所对应的预测误差；基于预测误差计算第一分类函数的函数权重，其中预测误差越大，函数权重越小；判断是否满足迭代结束条件；若不满足迭代结束条件，则基于函数权重、各样本数据的预测结果和各样本数据的预期结果对各样本数据的数据权重进行调整，并返回利用多组样本数据对人工神经网络进行训练的步骤，进而形成新的第一分类函数；其中针对同一样本数据，样本数据的预测结果与样本数据的预期结果差异越大，调整后的数据权重越大。其中，为各样本数据分别分配一数据权重并进行初始化的步骤包括：将各样本数据的数据权重初始化为1/m，其中m为多组样本数据中的样本数据的组数。其中，基于预测误差计算第一分类函数的函数权重的步骤包括：通过如下公式计算函数权重：在上述公式中，at为函数权重，bt为预测误差，ln为以自然常数e为底的对数函数。其中，基于函数权重、各样本数据的预测结果和各样本数据的预期结果对各样本数据的数据权重进行调整的步骤包括：通过以下公式对各样本数据的数据权重进行调整：在上述公式中，Dt(i)为第i个样本数据调整前的数据权重，Dt+1(i)为第i个样本数据调整后的数据权重，Bt为归一化因子，用于使得调整后的多个样本数据的数据权重归一化，at为函数权重，gt(xi)为第i个样本数据的预测结果，yi为第i个样本数据的预期结果，exp为以自然常数e为底的指数函数。其中，利用函数权重对第一分类函数进行加权求和的步骤包括：其中，h(x)为第二分类函数，ft(x)为第t个第一分类函数，at为第t个第一分类函数的函数权重，sign为符号函数。其中，方法进一步包括：将实时采集的人体运动数据作为样本数据，并进一步返回至利用多组样本数据对人工神经网络进行训练的步骤。其中，从预先采集的人体运动数据的样本空间内提出多组样本数据的步骤之前，进一步包括：利用运动传感器采集人体在跌倒过程中的运动数据；提取跌倒发生时刻前的多个第一采样点的运动数据作为第一样本数据，并对第一样本数据添加第一标识；提取人体处于正常状态下的多个第二采样点的运动数据作为第二样本数据，并对第二样本数据添加第二标识；将第一样本数据和第二样本数据进行组合，进而形成样本空间，第一标识用于表示第一样本数据的预期结果，第二标识用于表示第二样本数据的预期结果。其中，运动数据包括加速度、角速度以及倾斜角。其中，人工神经网络为后向反馈人工神经网络。为解决上述技术问题，本专利技术实施例采用的另一个技术方案是：提供一种跌倒气囊防护装置，包括：样本模块，用于从预先采集的人体运动数据的样本空间内提出多组样本数据；训练模块，用于利用多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为第一分类函数分配相应的函数权重，其中第一分类函数的预测准确度越高，对应的函数权重越大；函数模块，用于利用函数权重对第一分类函数进行加权求和，进而形成第二分类函数；预测模块，用于利用第二分类函数对实时采集的人体运动数据进行跌倒预测。本专利技术实施例的有益效果是：在本专利技术实施例的跌倒预测方法中，通过对人工神经网络进行训练并根据训练获得的第一分类函数的预测准确度对多个第一分类函数进行加权求和来形成最终用于进行跌倒预测的第二分类函数，由此可以有效地提高跌倒预测的准确度。附图说明图1是根据本专利技术第一实施例的基于人工神经网络的跌倒预测方法的流程图；图2是图1所示的步骤S11中样本空间的具体形成方式的流程图；图3是图1所示的步骤S12的具体实现方式的流程图；图4是根据本专利技术第二实施例的基于人工神经网络的跌倒预测方法的流程图；图5是根据本专利技术第三实施例的跌倒预测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，图1是根据本专利技术第一实施例的基于人工神经网络的跌倒预测方法的流程图。本实施例的跌倒预测方法包括以下步骤：步骤S11：从预先采集的人体运动数据的样本空间内提出多组样本数据。其中，运动数据包括加速度、角速度以及倾斜角等数据。具体地，在一个应用例中，从预先采集的人体运动数据的样本空间，例如(X，Y)内，随机提取出m组样本数据；其中，样本数据包括运动数据和预期结果，即加速度、角速度、倾斜角数据和跌倒/未跌倒标识，例如1标识跌倒，-1标识未跌倒。此外，提取出的样本数据数量可以根据实际情况设置，此处不做具体限定。如图2所示，在步骤S11之前，进一步包括：步骤S101：利用运动传感器采集人体在跌倒过程中的运动数据；具体地，首先在人体的主要部位，例如膝关节、肘关节等，设置运动传感器；通过设置的运动传感器采集人体的运动数据，尤其是人体在跌倒过程中的运动数据，包括加速度、角速度以及倾斜角等；然后将采集到的运动数据进行预处理。首先，通过PCA(PrincipalComponentAnalysis)进行降维，即通过线性投影，将采集到的人体运动信号的高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大本文档来自技高网...

【技术保护点】
一种基于人工神经网络的跌倒预测方法，其特征在于，所述方法包括：从预先采集的人体运动数据的样本空间内提出多组样本数据；利用所述多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为所述第一分类函数分配相应的函数权重，其中所述第一分类函数的预测准确度越高，对应的所述函数权重越大；利用所述函数权重对所述第一分类函数进行加权求和，进而形成第二分类函数；利用所述第二分类函数对实时采集的人体运动数据进行跌倒预测。

【技术特征摘要】
1.一种基于人工神经网络的跌倒预测方法，其特征在于，所述方法包括：从预先采集的人体运动数据的样本空间内提出多组样本数据；利用所述多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为所述第一分类函数分配相应的函数权重，其中所述第一分类函数的预测准确度越高，对应的所述函数权重越大；利用所述函数权重对所述第一分类函数进行加权求和，进而形成第二分类函数；利用所述第二分类函数对实时采集的人体运动数据进行跌倒预测。2.根据权利要求1中的方法，其特征在于，所述利用所述多组样本数据对人工神经网络进行训练的步骤包括：为各所述样本数据分别分配一数据权重并进行初始化；利用所述多组样本数据对所述人工神经网络进行训练，进而形成所述多个第一分类函数中的一部分；将所述第一分类函数对各所述样本数据的预测结果与各所述样本数据的预期结果的差异大于预设阈值的所述样本数据的所述数据权重进行累加，进而获得所述第一分类函数所对应的预测误差；基于所述预测误差计算所述第一分类函数的所述函数权重，其中所述预测误差越大，所述函数权重越小；判断是否满足迭代结束条件；若不满足所述迭代结束条件，则基于所述函数权重、各所述样本数据的预测结果和各所述样本数据的预期结果对各所述样本数据的数据权重进行调整，并返回所述利用所述多组样本数据对人工神经网络进行训练的步骤，进而形成新的所述第一分类函数；其中针对同一所述样本数据，所述样本数据的预测结果与所述样本数据的预期结果差异越大，调整后的所述数据权重越大。3.根据权利要求2中的方法，其特征在于，所述为各所述样本数据分别分配一数据权重并进行初始化的步骤包括：将各所述样本数据的数据权重初始化为1/m，其中m为所述多组样本数据中的所述样本数据的组数。4.根据权利要求2中的方法，其特征在于，所述基于所述预测误差计算所述第一分类函数的所述函数权重的步骤包括：通过如下公式计算所述函数权重：其中，at为所述函数权重，bt为所述预测误差，ln为以自然常数e为底的对数函数。5.根据权利要求2中的方法，其特征在于，所述基于所述函数权重、各所述样本数据的预测结果和各所述样本数据的预期结果对各所述样本数据的数据权重进行调整的步骤包括：通过以下公式对各所述样本数据的数据权重进行调整：

【专利技术属性】
技术研发人员：梁升云，赵国如，林颖蕾，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44