【技术实现步骤摘要】
一种基于增强式学习的人体跌倒检测方法及系统
本专利技术涉及智能穿戴设备
，尤其涉及一种基于增强式学习的人体跌倒检测方法及系统。
技术介绍
随着人口老龄化的到来，老年人跌倒频发，且伴随有骨折、软组织损伤和脑部伤害等问题，严重的可造成心脏病突发、脑溢血、心肌梗死导致死亡。如果能够对跌倒进行准确、及时的报警，并对老人及时救治可挽回老年人生命、减少老年人因跌倒带来伤亡的风险。在人体跌倒检测研究中，目前的跌倒检测、报警装置主要分为3类：1)基于视频图像识别分析的跌倒检测方法；2)基于声学的跌倒检测方法，在声音复杂的环境中无法获得较高精度的数据，一般作为其他检测方式的辅助手段；3)基于穿戴式传感设备的跌倒检测方法，使用传感器采集跌倒者行为变化的数据，通过数据分析判断人体跌倒。例如，采用了加速度为特征参数，基于SVM分类器对跌倒进行判断；或者将发送器与所述接收器通过电容耦合方式接入人体构成回路，对采集到的信号使用决策树算法进行跌倒检测；或者提出自主神经系统(ANS)响应的生理特性的测量结果来检测跌倒的技术。基于穿戴式传感设备...
【技术保护点】
1.一种基于增强式学习的人体跌倒检测方法，其特征在于，其包括：/nS10、采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；/nS20、采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；/nS30、将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；/nS40、实时采集基于时间序列的人体运动行为参数；/nS50、利用训练后的模型对人体运动行为参数进行跌倒检测。/n
【技术特征摘要】
1.一种基于增强式学习的人体跌倒检测方法，其特征在于，其包括：
S10、采集人体在不同姿态下的特征参数，构建人体运动数据集，其中不同姿态中包括跌倒；
S20、采用监督学习对人体运动数据集构建用于识别跌倒的人工神经网络模型；
S30、将人工神经网络模型的当前权值和当前阈值分别作为初始权值和初始阈值，利用误差-修正方法对人工神经网络模型进行训练，得到训练后的模型；
S40、实时采集基于时间序列的人体运动行为参数；
S50、利用训练后的模型对人体运动行为参数进行跌倒检测。
2.如权利要求1所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S10中的特征参数包括三轴加速度、三轴角速度和高度。
3.如权利要求1所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S10中的不同姿态还包括：正常行走、奔跑、跳跃、下蹲和坐下。
4.如权利要求3所述的基于增强式学习的人体跌倒检测方法，其特征在于，所述人体运动数据集中包括目标数据集、干扰数据集一、干扰数据集二和干扰数据集三，目标数据集包含人体跌倒时的特征参数和跌倒标签数据，干扰数据集一包含人体正常行走和奔跑时的特征参数和行走标签数据、奔跑标签数据，干扰数据集二包含人体跳跃时的特征参数和跳跃标签数据，干扰数据集三包含人体下蹲和坐下时的特征参数和下蹲标签数据、坐下标签数据。
5.如权利要求4所述的基于增强式学习的人体跌倒检测方法，其特征在于，步骤S20包括：
将目标数据集中的任一组特征参数和跌倒标签数据输入到神经元中，得到一个神经元的输出数据，其中人工神经网络模型为：
输出数据为：
其中xi为输入数据，ωji为第j个神经元的权值，θj为神经元j的阈值，uj为实际输出，f(uj)为激活函数，yj为输出信号；
基于目标数据集中的其余多组数据分别输入到神经元中得到多个输出数据；
对多个输出数据进行判断，如果输出数据满足期望条件uJ＝0，期望响应代表神经网络完成的最优动作，期望输出yj＝1；
基于多组数据输入到神经元网络模型以及得到的输出数据进行监督学习，得到用于识别跌倒的人工神经网络模型。
6.如权利要求5所述的基于增强式学习的人体跌倒检测方法，...
【专利技术属性】
技术研发人员：王晓原，刘善良，刘亚奇，韩俊彦，刘士杰，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。