一种老年人跌倒检测方法、设备及存储设备技术

本发明专利技术提供了一种老年人跌倒检测方法、设备及存储设备，基于风险分析，提出一种老年人跌倒检测方法，通过引入风险矩阵，定义单个样本的风险函数以及总体风险函数，将提高老年人跌倒识别率的问题转化为求解最小化风险函数的问题，采用基于贝叶斯和基于NP的方法，分别求解单个样本的风险函数和总体风险函数的最小化；一种老年人跌倒检测设备及存储设备，用于实现基于风险分析的老年人跌倒检测方法。本发明专利技术的有益效果是：本发明专利技术提供的技术方案，提高了对老年人跌倒的有效识别率，提高了老年人的人身安全，降低了老年人跌倒引起的安全隐患。

Detection method, equipment and storage device for fall of old people

The invention provides an elderly fall detection method, equipment and storage device. Based on risk analysis, an elderly fall detection method is proposed. By introducing risk matrix, defining the risk function of a single sample and the overall risk function, the problem of improving the elderly fall recognition rate is transformed into solving the minimum wind. For the problem of risk function, Bayesian and NP-based methods are used to solve the minimization of the risk function of single sample and the total risk function respectively. An elderly fall detection device and storage device are used to realize the elderly fall detection method based on risk analysis. The beneficial effect of the invention is that the technical scheme provided by the invention improves the effective recognition rate of falls of the elderly, improves the personal safety of the elderly, and reduces the potential safety hazards caused by falls of the elderly.

【技术实现步骤摘要】
一种老年人跌倒检测方法、设备及存储设备
本专利技术涉及机器学习领域，尤其涉及一种老年人跌倒检测方法、设备及存储设备。
技术介绍
跌倒是老年人群中一个非常普遍的现象，严重影响老年人的健康水平，因而国内外学者对老年人跌到检测做出了众多研究。跌到检测算法作为跌到检测系统的核心，目前研究的趋势是采用机器学习的方法，即根据给定的训练集训练得到分类预测模型来进行跌倒判断。然而，在评估一个算法模型时，大多数研究是基于整体准确度，忽略了跌到检测代价风险性问题，即一次跌倒事件的漏判产生的代价是远远大于一次非跌倒行为的误判，存在着跌倒有效识别率低的问题。因此，如何通过一种方法，对已经得到模型进行有效的改进，最大限度提高跌倒的有效识别率，降低代价风险，是一个重要的问题。
技术实现思路
为了解决上述问题，本专利技术提供了一种老年人跌倒检测方法、设备及存储设备，一种老年人跌倒检测方法，主要包括以下步骤：S101：根据分类算法，采用样本训练的方法，得到一个初始分类模型；S102：根据所述初始分类模型，得到每个样本的概率输出结果，所述每个样本的概率输出结果作为后验概率；S103：根据训练样本，分别统计样本的跌倒正确识别率和非跌倒正确识别率；S104：建立风险矩阵，所述风险矩阵中的每一项元素代表每一种识别情况下的风险因子，即所述风险矩阵中的每一项元素代表每一种分类预测结果带来的风险；S105：根据所述后验概率和所述风险因子，建立单个样本风险函数；根据所述后验概率和跌倒正确识别率及非跌倒正确识别率，建立总体风险函数；S106：通过最小化所述单个样本的风险函数和总体风险函数，得到最终的分类模型；S107：根据所述最终的分类模型，对实际的数据进行分类，判断老人是否跌倒。进一步地，在步骤S102中，所述后验概率包括跌倒概率和非跌倒概率。进一步地，在步骤S104中，创建一个2x2的矩阵为所述风险矩阵，其中，所述风险矩阵的每一项元素λij代表风险因子，λij表示原本为第j类却被预测为第i类的风险。进一步地，在步骤S105中，建立的所述单个样本的风险函数如公式(1)所示：其中，i＝1表示所述单个样本预测为跌倒的风险，i＝2表示所述单个样本预测为非跌倒的风险，P(ωj|x)表示后验概率，λij表示原本为第j类却被预测为第i类的风险，j＝1表示所述单个样本为预测跌倒的概率，j＝2表示所述单个样本预测为非跌倒的概率；建立的所述总体风险函数如公式(2)所示：γ＝P(ω1)[β1λ11+(1-β1)λ21]+P(ω2)[β2λ22+(1-β2)λ12](2)其中，P(ω1)与P(ω2)为先验概率，分别表示跌倒样本在整个训练样本中所占的比率和非跌倒样本在整个训练样本中所占的比率，β1与β2分别为样本的跌倒正确识别率与非跌倒的正确识别率，λ21表示跌倒样本预测为非跌倒的风险，λ12表示非跌倒样本预测为跌倒的风险，λ11表示跌倒样本预测为跌倒的风险，λ22表示非跌倒样本预测为非跌倒的风险，β1λ11表示跌倒样本被正确分类为跌倒时带来的总体风险，(1-β1)λ21表示跌倒样本被错误分类为非跌倒时带来的总体风险，β2λ22表示非跌倒样本被正确分类非跌倒时带来的总体风险，(1-β2)λ12表示非跌倒样本被错误分类为跌倒时带来的总体风险。进一步地，在步骤S106中，采用最小风险的贝叶斯决策最小化单个样本的风险函数，采用基于NP的决策规则最小化总体风险函数，即设定跌倒的正确识别率不低于预设阈值ε0，然后引入高斯分布的类概率密度函数，根据拉格朗日乘子法和高斯分布的性质，得到在所述预设阈值ε0下的最小化总体风险函数。一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现一种老年人跌倒检测方法。一种老年人跌倒检测设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种老年人跌倒检测方法。本专利技术提供的技术方案带来的有益效果是：本专利技术提供的技术方案，提高了对老年人跌倒的有效识别率，提高了老年人的人身安全，降低了老年人跌倒引起的安全隐患。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例中一种老年人跌倒检测方法的流程图；图2是本专利技术实施例中硬件设备工作的示意图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。本专利技术的实施例提供了一种老年人跌倒检测方法、设备及存储设备。请参考图1，图1是本专利技术实施例中一种老年人跌倒检测方法的流程图，具体包括以下步骤：S101：根据分类算法，采用样本训练的方法，得到一个初始分类模型；所述分类算法可在现有分类算法中任意选择；S102：根据所述分类模型，得到每个样本的概率输出结果，所述每个样本的概率输出结果作为后验概率；所述后验概率包括跌倒概率和非跌倒概率；S103：根据训练样本，分别统计样本的跌倒正确识别率和非跌倒正确识别率；S104：建立风险矩阵，所述风险矩阵中的每一项元素代表每一种识别情况下的风险因子，即所述风险矩阵中的每一项元素代表每一种分类预测结果带来的风险；创建一个2x2的矩阵为所述风险矩阵，如表1所示：表12x2的风险矩阵其中，所述风险矩阵的每一项元素λij代表风险因子，λij表示原本为第j类却被预测为第i类的风险；如表1中所示，λ21表示跌倒样本预测为非跌倒的风险，λ12表示非跌倒样本预测为跌倒的风险，λ11表示跌倒样本预测为跌倒的风险，λ22表示非跌倒样本预测为非跌倒的风险；在定义所述风险矩阵时，满足两个原则：1)λ11＝λ22＝0，代表样本被正确分类的风险为0，即所述样本完全被正确分类，也即表示跌倒的样本λ11被正确预测为跌倒，表示非跌倒的样本λ22被正确预测为非跌倒；2)跌倒被预测为非跌倒的风险因子远远大于非跌倒被预测为跌倒的风险因子；S105：根据所述后验概率和所述风险因子，建立单个样本风险函数；根据所述后验概率和跌倒正确识别率及非跌倒正确识别率，建立总体风险函数；以量化的形式表述跌倒检测的风险问题；建立的所述单个样本的风险函数如公式(1)所示：其中，i＝1表示所述单个样本预测为跌倒的风险，i＝2表示所述单个样本预测为非跌倒的风险，P(ωj|x)表示后验概率，λij表示原本为第j类却被预测为第i类的风险，j＝1表示所述单个样本为预测跌倒的概率，j＝2表示所述单个样本预测为非跌倒的概率；建立的所述总体风险函数如公式(2)所示：γ＝P(ω1)[β1λ11+(1-β1)λ21]+P(ω2)[β2λ22+(1-β2)λ12](2)其中，P(ω1)与P(ω2)为先验概率，分别表示跌倒样本在整个训练样本中所占的比率和非跌倒样本在整个训练样本中所占的比率，β1与β2分别为样本的跌倒正确识别率与非跌倒的正确识别率，λ21表示跌倒样本预测为非跌倒的风险，λ12表示非跌倒样本预测为跌倒的风险，λ11表示跌倒样本预测为跌倒的风险，λ22表示非跌倒样本预测为非跌倒的风险，β1λ11表示跌倒样本被正确分类为跌倒时带来的总体风险，(1-β1)λ21表示跌倒样本被错误分类为非跌倒时带来的总体风险，β2λ22表示非跌倒样本被正确分类为非跌倒时带来的总体风险，(1-β2)λ12表示非跌倒样本被错误分类为跌倒时带来的总体风险；S10本文档来自技高网...

【技术保护点】
1.一种老年人跌倒检测方法，其特征在于：包括以下步骤：S101：根据分类算法，采用样本训练的方法，得到一个初始分类模型；S102：根据所述初始分类模型，得到每个样本的概率输出结果，所述每个样本的概率输出结果作为后验概率；S103：根据训练样本，分别统计所述训练样本的跌倒正确识别率和非跌倒正确识别率；S104：建立风险矩阵，所述风险矩阵中的每一项元素代表每一种识别情况下的风险因子，即所述风险矩阵中的每一项元素代表每一种分类预测结果带来的风险；S105：根据所述后验概率和所述风险因子，建立单个样本风险函数；根据所述后验概率和统计的跌倒正确识别率及非跌倒正确识别率，建立总体风险函数；S106：通过最小化所述单个样本的风险函数和总体风险函数，得到最终的分类模型；S107：根据所述最终的分类模型，对实际的数据进行分类，判断老人是否跌倒。

【技术特征摘要】
1.一种老年人跌倒检测方法，其特征在于：包括以下步骤：S101：根据分类算法，采用样本训练的方法，得到一个初始分类模型；S102：根据所述初始分类模型，得到每个样本的概率输出结果，所述每个样本的概率输出结果作为后验概率；S103：根据训练样本，分别统计所述训练样本的跌倒正确识别率和非跌倒正确识别率；S104：建立风险矩阵，所述风险矩阵中的每一项元素代表每一种识别情况下的风险因子，即所述风险矩阵中的每一项元素代表每一种分类预测结果带来的风险；S105：根据所述后验概率和所述风险因子，建立单个样本风险函数；根据所述后验概率和统计的跌倒正确识别率及非跌倒正确识别率，建立总体风险函数；S106：通过最小化所述单个样本的风险函数和总体风险函数，得到最终的分类模型；S107：根据所述最终的分类模型，对实际的数据进行分类，判断老人是否跌倒。2.如权利要求1所述的一种老年人跌倒检测方法，其特征在于：在步骤S102中，所述后验概率包括跌倒概率和非跌倒概率。3.如权利要求1所述的一种老年人跌倒检测方法，其特征在于：在步骤S104中，创建一个2x2的矩阵为所述风险矩阵，其中，所述风险矩阵的每一项元素λij代表风险因子，λij表示原本为第j类却被预测为第i类的风险。4.如权利要求3所述的一种老年人跌倒检测方法，其特征在于：在步骤S105中，建立的所述单个样本的风险函数如公式(1)所示：其中，i＝1表示所述单个样本预测为跌倒的风险，i＝2表示所述单个样本预测为非跌倒的风险，P(ωj|x)表示后验概率，λij表示原本为第j类却被预测为第i类的风险，j＝1表示所述单个样本为预测跌倒的概...

【专利技术属性】
技术研发人员：张莉君，陈利鹏，江路，李能，王臣，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42