本發(fā)明涉及一種檢測(cè)人體摔倒的檢測(cè)方法,尤其涉及一種基于樣本加權(quán)算法的快速高精度的檢測(cè)摔倒動(dòng)作的方法。
背景技術(shù):
:老年人摔倒后,如果得不到及時(shí)的救助,就會(huì)喪失黃金救助機(jī)會(huì),會(huì)給個(gè)人、家庭、社會(huì)、造成巨大的傷害和負(fù)擔(dān)。目前,對(duì)于人體摔倒檢測(cè),有基于圖像識(shí)別和基于傳感器數(shù)據(jù)識(shí)別兩大類(lèi)。從硬件上一般分為基于視覺(jué)和基于穿戴式傳感器兩種,其中,采用視覺(jué)進(jìn)行人體摔倒檢測(cè)會(huì)嚴(yán)重受到外界環(huán)境影響,比如光照條件、背景、遮擋大小和攝像機(jī)質(zhì)量等,另外,由于攝像機(jī)監(jiān)測(cè)區(qū)域有限,被監(jiān)測(cè)的老年人或者病人的活動(dòng)范圍會(huì)受到限制,在利用穿戴式傳感器檢測(cè)人體摔倒的研究中,一種是采用加速度計(jì)檢測(cè)人體活動(dòng)的加速度,通過(guò)設(shè)定閾值判斷是否摔倒,這種方法很難區(qū)分摔倒與人們?nèi)粘5膭×一顒?dòng),如跳、上下樓等。專(zhuān)利200720125141.1,200910145045.7都是采用一個(gè)三軸加速度計(jì)測(cè)得人體加速度,同時(shí)計(jì)算出了傾斜角度,前者通過(guò)設(shè)定加速度和角度閾值判斷是否發(fā)生摔倒,難以區(qū)分快速行走和上下樓梯等劇烈動(dòng)作,而后者則是判斷人在摔倒過(guò)程受到?jīng)_擊前后一段時(shí)間的角度關(guān)系判斷是否發(fā)生摔倒,該方法要求人體摔倒過(guò)程出現(xiàn)明顯沖擊,難以識(shí)別老年人突然暈倒或者小幅度摔倒,而且,其角度是通過(guò)加速度計(jì)算得到,顯然,當(dāng)人體劇烈活動(dòng)或者震動(dòng)干擾時(shí)計(jì)算的傾斜角度會(huì)出現(xiàn)嚴(yán)重偏差,識(shí)別率會(huì)嚴(yán)重下降;另一種是通過(guò)穿戴式角度傳感器檢測(cè)人體軀干角度,設(shè)定角度閾值和時(shí)間閾值判斷是否摔倒,該方法難以區(qū)分彎腰、平躺等正常行為動(dòng)作。例如,專(zhuān)利200620075599.6,200620003000.8通過(guò)傳感器檢測(cè)人體的傾斜程度來(lái)判斷是否發(fā)生摔倒,很難區(qū)分彎腰、平躺等動(dòng)作,另外,由于摔倒事件隨機(jī)性強(qiáng)、形式多樣,因此,基于閾值檢測(cè)的技術(shù)是通過(guò)檢測(cè)人體的加速度是否超過(guò)某一個(gè)閾值,從而判斷該人是否處于摔倒?fàn)顟B(tài);該方法中閾值的確定較高地依賴(lài)于人的主觀經(jīng)驗(yàn),容易將某些正常的劇烈運(yùn)動(dòng)誤識(shí)別為摔倒,即該方法的誤警率較高?;跈C(jī)器學(xué)習(xí)方法的行為識(shí)別技術(shù)從現(xiàn)存的正常運(yùn)動(dòng)數(shù)據(jù)和摔倒數(shù)據(jù)中訓(xùn)練出一個(gè)行為識(shí)別模型,然后利用該模型去識(shí)別用戶(hù)的行為,該方法同樣存在誤警率較高的缺點(diǎn),如圖1所示,假設(shè)三角形是摔倒數(shù)據(jù),圓形是跑步數(shù)據(jù),在離線(xiàn)訓(xùn)練階段,由于獲得的摔倒數(shù)據(jù)較少,不能涵蓋所有的摔倒特征空間,那么得到區(qū)分二者的分類(lèi)線(xiàn)就是如圖1(a)所示實(shí)線(xiàn)部分,導(dǎo)致了部分跑步數(shù)據(jù)被分成了摔倒數(shù)據(jù)。而實(shí)際情況可能是由于隱含的摔倒數(shù)據(jù)的存在,使得真實(shí)的分類(lèi)線(xiàn)為如圖1(b)所示的虛線(xiàn)部分。即由于摔倒樣本的數(shù)量較少,導(dǎo)致了樣本失衡現(xiàn)象的發(fā)生,那么依據(jù)此失衡數(shù)據(jù)集訓(xùn)練的分類(lèi)線(xiàn)就不能較好地反映問(wèn)題的本質(zhì),存在誤報(bào)的情況。而這種較高的誤警率雖然不會(huì)漏掉每一個(gè)摔倒行為,但是會(huì)產(chǎn)生頻繁的摔倒報(bào)警行為。如上所述,對(duì)于檢測(cè)人體摔倒動(dòng)作的核心功能在于摔倒?fàn)顟B(tài)的識(shí)別,由于真實(shí)的摔倒數(shù)據(jù)難以獲得,導(dǎo)致采集到的正常行為和摔倒行為樣本比例嚴(yán)重失衡,從而基于此數(shù)據(jù)集訓(xùn)練的常規(guī)摔倒檢測(cè)模型的漏警率和誤警率都較高,不能滿(mǎn)足實(shí)際的需求。目前,關(guān)于摔倒檢測(cè)裝置的技術(shù)手段集中在穿戴式、圖像識(shí)別等手段。專(zhuān)利申請(qǐng)201510035927.3中公開(kāi)了一種老人跌倒追蹤系統(tǒng),其技術(shù)手段是通過(guò)氣壓計(jì)和加速度傳感器檢測(cè)氣壓數(shù)據(jù)和加速度數(shù)據(jù)來(lái)判斷老人是否處于失重狀態(tài);同樣的,如專(zhuān)利201210245340.1,公開(kāi)的跌倒報(bào)警儀、跌倒報(bào)警檢測(cè)裝置及方法中,P8第65段中明確的說(shuō)明采用加速度傳感器和氣壓計(jì)來(lái)判斷重心下移、失重、撞擊狀態(tài),可見(jiàn)現(xiàn)有技術(shù)都是結(jié)合氣壓計(jì)和加速度傳感器來(lái)共同判斷老人運(yùn)動(dòng)狀態(tài),可靠性低。再有如專(zhuān)利申請(qǐng)?zhí)枮椋?01620211179x的申請(qǐng)中,公開(kāi)了一種具有跌倒報(bào)警呼救功能的智能皮帶,其基本上代表了現(xiàn)有的關(guān)于便攜式的摔倒檢測(cè)裝置的技術(shù)手段,其結(jié)構(gòu)簡(jiǎn)單,具有呼吸傳感器、加速度傳感器、陀螺儀傳感器以及處理單元,以便實(shí)現(xiàn)對(duì)老人跌倒的檢測(cè)。但是,目前的可穿戴設(shè)備通常如上述申請(qǐng)一般,均為固定位置的穿戴,對(duì)于一些特殊狀態(tài)的老人不太適用,使用受到較大程度的限制。技術(shù)實(shí)現(xiàn)要素:本發(fā)明的目的是:針對(duì)在采樣時(shí)正常行為和摔倒行為樣本比例嚴(yán)重失衡而導(dǎo)致檢測(cè)模型誤警率高的問(wèn)題,提供一種基于樣本加權(quán)算法的檢測(cè)摔倒動(dòng)作的方法,該方法能夠很好的降低誤警率。所述的一種基于樣本加權(quán)算法的檢測(cè)摔倒動(dòng)作的方法,包括中央處理器芯片、加速度計(jì)和陀螺儀,其技術(shù)方案是:通過(guò)以下步驟實(shí)現(xiàn)動(dòng)作檢測(cè):A1:將用于采集線(xiàn)加速度的變化參數(shù)的加速度計(jì)和用于采集角運(yùn)動(dòng)變化參數(shù)的陀螺儀佩戴在被檢測(cè)人體上,加速度計(jì)和陀螺儀實(shí)時(shí)輸出數(shù)據(jù)給中央處理器芯片。A2:采集環(huán)節(jié):中央處理器芯片采集佩戴者身上攜帶的加速度計(jì)和陀螺儀發(fā)回的摔倒動(dòng)作樣本,以及除摔倒外的一般動(dòng)作樣本;設(shè)立映射表格,將動(dòng)作類(lèi)型與類(lèi)標(biāo)號(hào)對(duì)應(yīng)。A3:數(shù)據(jù)處理環(huán)節(jié):A301.中央處理器芯片內(nèi)部采用基于單隱層前向神經(jīng)網(wǎng)絡(luò)的極速學(xué)習(xí)機(jī)ELM(ExtremeLearningMachine)算法,選定A2環(huán)節(jié)中的動(dòng)作樣本為輸入結(jié)點(diǎn)建立數(shù)學(xué)模型,設(shè)A2環(huán)節(jié)中的動(dòng)作樣本個(gè)數(shù)為n;隱層結(jié)點(diǎn)個(gè)數(shù)為輸出結(jié)點(diǎn)個(gè)數(shù)為m;激勵(lì)函數(shù)為G(a,b,x);對(duì)每一個(gè)動(dòng)作樣本xi,有:Hβ=T,其中:對(duì)該單隱層前向網(wǎng)絡(luò)求解,得到:其中是矩陣H的Moor-Penrose偽逆。A302:由于動(dòng)作樣本的數(shù)量不均衡,給予每個(gè)樣本一個(gè)權(quán)值,利用權(quán)值調(diào)整分類(lèi)線(xiàn):動(dòng)作樣本的權(quán)值W的值為該類(lèi)動(dòng)作樣本個(gè)數(shù)的倒數(shù),使得動(dòng)作樣本數(shù)量越少,權(quán)值越大,以此調(diào)整分類(lèi)線(xiàn)向動(dòng)作樣本少的方向偏移,提高檢測(cè)精度:其中#(ti)表示動(dòng)作樣本所屬的分類(lèi)中動(dòng)作樣本的個(gè)數(shù)。A303:結(jié)合A302、A303環(huán)節(jié),將引入權(quán)值后的目標(biāo)轉(zhuǎn)換為:其中W(xi)表示動(dòng)作樣本xi的權(quán)值;εi是一個(gè)長(zhǎng)度為m向量,代表動(dòng)作樣本xi的相對(duì)于m個(gè)輸出結(jié)點(diǎn)的訓(xùn)練錯(cuò)誤;C是正則化參數(shù),代表平衡總體動(dòng)作樣本的最小錯(cuò)誤和分類(lèi)線(xiàn)的最大間隔距離;目標(biāo)指的是:摔倒檢測(cè)問(wèn)題抽象出來(lái)的數(shù)學(xué)問(wèn)題的優(yōu)化目標(biāo)。再根據(jù)對(duì)偶原理和KKT理論,對(duì)式(3)優(yōu)化公式求解得到輸出矩陣:其中,I是一個(gè)單位矩陣;W是一個(gè)N×N的矩陣,其元素Wii表示動(dòng)作樣本xi的權(quán)值W(xi)。A4:利用數(shù)學(xué)模型檢測(cè)動(dòng)作環(huán)節(jié):中央處理器芯片對(duì)A3環(huán)節(jié)的輸出結(jié)點(diǎn)的值與1比較,得到類(lèi)標(biāo)號(hào)進(jìn)而檢測(cè)出摔倒動(dòng)作,輸出摔倒信號(hào)。當(dāng)用極速學(xué)習(xí)機(jī)ELM算法分類(lèi)新動(dòng)作樣本x時(shí),極速學(xué)習(xí)機(jī)ELM輸出結(jié)點(diǎn)的值為:其中,m是輸出結(jié)點(diǎn)的個(gè)數(shù),也是分類(lèi)問(wèn)題中類(lèi)的個(gè)數(shù);相應(yīng)的,TY是一個(gè)含有m個(gè)值的行向量;再通過(guò)類(lèi)標(biāo)號(hào)公式:得到j(luò)為動(dòng)作樣本x的類(lèi)標(biāo)號(hào),再與A2中的映射表格對(duì)應(yīng),檢測(cè)出摔倒動(dòng)作。一種使用了本發(fā)明所述檢測(cè)方法的檢測(cè)系統(tǒng),包括中央處理器芯片、動(dòng)作檢測(cè)模塊、動(dòng)作確認(rèn)模塊、通信模塊、定位模塊和指定終端,其技術(shù)方案是:中央處理器芯片分別連接動(dòng)作檢測(cè)模塊、動(dòng)作確認(rèn)模塊、通信模塊和定位模塊;通信模塊與指定終端無(wú)線(xiàn)聯(lián)通;所述的中央處理器芯片采集動(dòng)作檢測(cè)模塊的數(shù)據(jù),檢測(cè)佩戴者動(dòng)作;出現(xiàn)摔倒動(dòng)作時(shí),中央處理器芯片采集動(dòng)作確認(rèn)模塊中的數(shù)據(jù),重復(fù)確認(rèn)佩戴者的動(dòng)作;當(dāng)確認(rèn)發(fā)生摔倒動(dòng)作后,中央處理器芯片采集定位模塊的信息通過(guò)通信模塊發(fā)送數(shù)據(jù)至指定終端。所述的動(dòng)作檢測(cè)模塊包括分別連接在中央處理器芯片上的加速度計(jì)和陀螺儀;其中,所述的中央處理器芯片分別提取加速度計(jì)、陀螺儀樣本的均值、方差、離散傅立葉變換后的能量、加速度計(jì)、陀螺儀各個(gè)軸之間的相關(guān)系數(shù)形成向量,通過(guò)數(shù)學(xué)公式和輸出動(dòng)作類(lèi)標(biāo)號(hào)。其中,ai=[ai1,ai2,...,ain]表示第i個(gè)隱結(jié)點(diǎn)到所有輸入結(jié)點(diǎn)之間權(quán)值組成的向量;bi表示第i個(gè)隱結(jié)點(diǎn)的閾值;ai和bi的值隨機(jī)生成,其值位于區(qū)間[-1,1]之間;m為輸出節(jié)點(diǎn)的個(gè)數(shù);表示第i個(gè)輸出結(jié)點(diǎn)到每一個(gè)隱結(jié)點(diǎn)之間的權(quán)值組成的向量;函數(shù)G是sigmod函數(shù);其中,j為動(dòng)作樣本x的類(lèi)標(biāo)號(hào),對(duì)應(yīng)于動(dòng)作類(lèi)別;所述的動(dòng)作確認(rèn)模塊包括連接在中央處理器芯片上的高靈敏度氣壓計(jì),其中,中央處理器芯片周期采集高靈敏度氣壓計(jì)采集的氣壓數(shù)值,在發(fā)生摔倒動(dòng)作時(shí)讀取上一周期氣壓數(shù)值,再與本周期內(nèi)氣壓值作比較,差值達(dá)到閾值時(shí),確認(rèn)發(fā)生摔倒動(dòng)作;所述的定位模塊在確認(rèn)發(fā)生摔倒動(dòng)作后,對(duì)佩戴者進(jìn)行定位并形成位置信息;所述的通信模塊在確認(rèn)發(fā)生摔倒動(dòng)作后,用于輸出位置信息和/或文本消息信息和/或聲音信息到指定終端。本發(fā)明針對(duì)采集動(dòng)作樣本中普通動(dòng)作樣本與摔倒動(dòng)作樣本數(shù)量差距過(guò)大,導(dǎo)致建立數(shù)學(xué)模型時(shí),動(dòng)作樣本識(shí)別分類(lèi)線(xiàn)劃分不正確,而造成實(shí)際使用過(guò)程中誤警率過(guò)高的問(wèn)題,引入基于樣本加權(quán)極速學(xué)習(xí)機(jī)ELM,增加數(shù)量較少的摔倒動(dòng)作樣本的權(quán)值,使得分類(lèi)線(xiàn)向動(dòng)作樣本少的方向偏移,達(dá)到精確分類(lèi)的目的,減少了誤警率。應(yīng)用本方法所設(shè)計(jì)的檢測(cè)系統(tǒng),結(jié)合了加速度計(jì)、陀螺儀和聲音傳感器的輸出數(shù)據(jù),利用檢測(cè)模型判斷是否摔倒,再通過(guò)高靈敏度氣壓計(jì)的重復(fù)確認(rèn),使檢測(cè)摔倒的結(jié)果更加準(zhǔn)確,減少了誤報(bào)率,而且,對(duì)于可穿戴裝備來(lái)說(shuō),本系統(tǒng)利用高靈敏度氣壓計(jì)重復(fù)確認(rèn),使該設(shè)備可以佩戴在使用者的腰部、手腕部、或者口袋中,對(duì)佩戴要求低,適用范圍廣。附圖說(shuō)明圖1為樣本失衡對(duì)分類(lèi)模型精度的影響對(duì)比示意圖。其中,圖1(a)為采集到的動(dòng)作樣本分布示意圖;圖1(b)為實(shí)際數(shù)據(jù)分布示意圖。圖2為極速學(xué)習(xí)機(jī)ELM網(wǎng)絡(luò)結(jié)構(gòu)示意圖。圖3為檢測(cè)系統(tǒng)結(jié)構(gòu)示意圖。其中,1.中央處理器芯片;2.動(dòng)作檢測(cè)模塊;3.動(dòng)作確認(rèn)模塊;4.定位模塊;5.通信模塊;6.指定終端;7.無(wú)線(xiàn)通信模塊。其中,201.加速度計(jì);202.陀螺儀;203.聲音傳感器。其中,301.高靈敏度氣壓計(jì)。具體實(shí)施方式所述的一種基于樣本加權(quán)算法的檢測(cè)摔倒動(dòng)作的方法,包括中央處理器芯片1、加速度計(jì)201和陀螺儀202,其技術(shù)方案是:通過(guò)以下步驟實(shí)現(xiàn)動(dòng)作檢測(cè):A1:將用于采集線(xiàn)加速度的變化參數(shù)的加速度計(jì)201和用于采集角運(yùn)動(dòng)變化參數(shù)的陀螺儀202佩戴在被檢測(cè)人體上,加速度計(jì)201和陀螺儀202實(shí)時(shí)輸出數(shù)據(jù)給中央處理器芯片1。A2:采集環(huán)節(jié):中央處理器芯片1采集佩戴者隨身攜帶的加速度計(jì)201和陀螺儀202中發(fā)出的一般動(dòng)作樣本:包括靜止、走路、跑步、上下樓梯等動(dòng)作樣本,及摔倒的動(dòng)作樣本,作為極速學(xué)習(xí)機(jī)ELM算法中的輸入結(jié)點(diǎn),并在中央處理器芯片1內(nèi)部建立類(lèi)標(biāo)號(hào)和動(dòng)作類(lèi)型的映射表格。表I:動(dòng)作與類(lèi)標(biāo)號(hào)映射表格0靜止1走路2跑步3上樓梯4下樓梯5摔倒在具體使用中,動(dòng)作與類(lèi)標(biāo)號(hào)映射表格固定設(shè)置在中央處理器芯片1中或由于個(gè)體的差異,映射表格根據(jù)實(shí)際情況可采用在線(xiàn)調(diào)整的方案。此種在線(xiàn)編輯的方案為現(xiàn)有技術(shù)。如圖1,由于一般動(dòng)作樣本比較容易采集,所以采集到的數(shù)據(jù)較多,而對(duì)于摔倒動(dòng)作樣本來(lái)說(shuō),采集難度大,采集到的數(shù)據(jù)也比較少。A3:數(shù)據(jù)處理環(huán)節(jié):A301.中央處理器芯片1對(duì)A2環(huán)節(jié)采集的數(shù)據(jù)采用如圖2的基于單隱層前向神經(jīng)網(wǎng)絡(luò)的極速學(xué)習(xí)機(jī)ELM(ExtremeLearningMachine)算法進(jìn)行學(xué)習(xí),選定輸入結(jié)點(diǎn)個(gè)數(shù)為n,隱層結(jié)點(diǎn)個(gè)數(shù)為輸出結(jié)點(diǎn)個(gè)數(shù)為m,激勵(lì)函數(shù)為G(a,b,x),對(duì)傳感器采集到的每一個(gè)動(dòng)作樣本xi,則有:其中:ai=[ai1,ai2,...,ain]表示第i個(gè)隱結(jié)點(diǎn)到所有輸入結(jié)點(diǎn)之間權(quán)值組成的向量;bi表示第i個(gè)隱結(jié)點(diǎn)的閾值;ai和bi的值隨機(jī)生成,其值位于區(qū)間[-1,1]之間。表示第i個(gè)輸出結(jié)點(diǎn)到每一個(gè)隱結(jié)點(diǎn)之間的權(quán)值組成的向量;oi=[oi1,oi2,...,oim]表示m個(gè)輸出結(jié)點(diǎn)的值組成的向量。則,對(duì)于訓(xùn)練集合R={(xi,ti)|xi∈Rn,ti∈Rm,i=1,2,…,N}中所有N個(gè)動(dòng)作樣本,每個(gè)動(dòng)作樣本均可以寫(xiě)成式(1)的形式。再把所有N個(gè)等式寫(xiě)成如式(2)的矩陣形式:對(duì)于訓(xùn)練集合其對(duì)應(yīng)的單隱層前向網(wǎng)絡(luò)的優(yōu)化目標(biāo)是使得預(yù)測(cè)誤差趨近于0,即:即存在βi、ai和bi,使得:上式可以采用矩陣的形式表述:Hβ=T其中:極速學(xué)習(xí)機(jī)ELM算法訓(xùn)練一個(gè)單隱層前向網(wǎng)絡(luò),需要找到特定的β、ai和bi使得:根據(jù)新加坡南洋理工大學(xué)黃廣斌教授:在NeuralNetwokrs,vol.61,no.1,pp.32-48,2015中的相關(guān)描述,ai和bi的值無(wú)需調(diào)整,只需在算法開(kāi)始時(shí)隨機(jī)生成即可,那么問(wèn)題就轉(zhuǎn)換為:則該問(wèn)題的最小范數(shù)二乘解為:其中是矩陣H的Moor-Penrose偽逆。A302:由于A2環(huán)節(jié)采集到的動(dòng)作樣本的數(shù)量不均衡,給予每個(gè)樣本一個(gè)權(quán)值,使得算法根據(jù)權(quán)值調(diào)整分類(lèi)線(xiàn):根據(jù)A2環(huán)節(jié)中采集數(shù)據(jù)的動(dòng)作樣本的分析,確定屬于非均衡類(lèi)。對(duì)于非均衡類(lèi),動(dòng)作樣本的權(quán)值取該類(lèi)動(dòng)作樣本個(gè)數(shù)的倒數(shù):w(x_i)=1/(#(t_i)),其中#(ti)表示動(dòng)作樣本所屬的類(lèi)中樣本個(gè)數(shù)。通過(guò)以上方法,對(duì)于動(dòng)作樣本數(shù)量比較少的行為類(lèi)別,其對(duì)應(yīng)的權(quán)值就會(huì)比較大,這樣就強(qiáng)制分類(lèi)線(xiàn)向動(dòng)作樣本少的一方偏移,增加動(dòng)作樣本分類(lèi)精度,更少的減少誤警率。A303:結(jié)合A301和A302環(huán)節(jié),考慮到每個(gè)動(dòng)作樣本對(duì)模型求解的影響時(shí),通過(guò)極速學(xué)習(xí)機(jī)ELM算法的優(yōu)化目標(biāo)轉(zhuǎn)換為:其中W(xi)表示動(dòng)作樣本xi的權(quán)值,εi是一個(gè)長(zhǎng)度為m向量,代表動(dòng)作樣本xi的相對(duì)于m個(gè)輸出結(jié)點(diǎn)的訓(xùn)練錯(cuò)誤,C是正則化參數(shù),用于平衡總體動(dòng)作樣本的最小錯(cuò)誤和分類(lèi)線(xiàn)的最大間隔距離。根據(jù)對(duì)偶原理和KKT條件,(3)式可以求解得到:β=(I/C+H^TWH)^(-1)H^TWH,其中,I是一個(gè)單位矩陣,W是一個(gè)N×N的矩陣,其元素Wii表示動(dòng)作樣本xi的權(quán)值W(xi)。由此得到的β作為最終的高精度摔倒檢測(cè)模型中的重要參數(shù)。A4:利用數(shù)學(xué)模型檢測(cè)動(dòng)作環(huán)節(jié):通過(guò)加權(quán)極速學(xué)習(xí)機(jī)ELM算法通過(guò)輸出結(jié)點(diǎn)的值與1比較:當(dāng)用極速學(xué)習(xí)機(jī)ELM算法分類(lèi)新動(dòng)作樣本x時(shí),極速學(xué)習(xí)機(jī)ELM輸出結(jié)點(diǎn)的值為:其中,m是輸出結(jié)點(diǎn)的個(gè)數(shù),也是分類(lèi)問(wèn)題中類(lèi)的個(gè)數(shù)。相應(yīng)的,TY就是一個(gè)含有m個(gè)值的行向量。求得動(dòng)作樣本的類(lèi)標(biāo)號(hào):TY的哪個(gè)分量距離1最近,那么該分量相應(yīng)的下標(biāo)就是動(dòng)作樣本x的類(lèi)標(biāo)號(hào),即:j為動(dòng)作樣本x的類(lèi)標(biāo)號(hào),對(duì)應(yīng)于動(dòng)作。當(dāng)j的值為5時(shí),通過(guò)查詢(xún)映射表格I,中央處理器芯片1檢測(cè)出當(dāng)前發(fā)生了摔倒行為。本環(huán)節(jié)中的和為檢測(cè)動(dòng)作的數(shù)學(xué)模型。尤其經(jīng)過(guò)了A3環(huán)節(jié)中的加權(quán)算法(A302)使得檢測(cè)的精度更高。所述的一種高精度摔倒檢測(cè)系統(tǒng),包括中央處理器芯片1、動(dòng)作檢測(cè)模塊2、動(dòng)作確認(rèn)模塊3、定位模塊4和通信模塊5、指定終端6,其技術(shù)方案是:中央處理器芯片1分別連接動(dòng)作檢測(cè)模塊2、動(dòng)作確認(rèn)模塊3及通信模塊5和定位模塊4,通信模塊5與指定終端6無(wú)線(xiàn)聯(lián)通;所述的中央處理器芯片1采集動(dòng)作檢測(cè)模塊2的數(shù)據(jù),檢測(cè)佩戴者動(dòng)作;出現(xiàn)摔倒動(dòng)作時(shí),中央處理器芯片1采集動(dòng)作確認(rèn)模塊3中的數(shù)據(jù),重復(fù)確認(rèn)佩戴者的動(dòng)作;當(dāng)確認(rèn)發(fā)生摔倒動(dòng)作后,中央處理器芯片1采集定位模塊4信息通過(guò)通信模塊5發(fā)送數(shù)據(jù)至指定終端6。所述的動(dòng)作檢測(cè)模塊2為傳感器的集合,用于采集佩戴者的不同動(dòng)作樣本數(shù)據(jù)。所述的動(dòng)作檢測(cè)模塊2包括分別連接在中央處理器芯片1上的加速度計(jì)201,陀螺儀202;其中,所述的中央處理器芯片1分別提取加速度計(jì)201、陀螺儀202樣本的均值、方差、離散傅立葉變換后的能量、加速度計(jì)201、陀螺儀202各個(gè)軸之間的相關(guān)系數(shù)的均值、方差、離散傅立葉變換后的能量作為特征,形成向量,通過(guò)數(shù)學(xué)檢測(cè)模型輸出動(dòng)作類(lèi)標(biāo)號(hào),利用動(dòng)作與類(lèi)標(biāo)號(hào)映射表格對(duì)應(yīng)得到動(dòng)作類(lèi)型;所述的加速度計(jì)201用來(lái)檢測(cè)佩戴者線(xiàn)加速度的變化,并輸出信息。所述的陀螺儀202用來(lái)檢測(cè)佩戴者的角運(yùn)動(dòng)變化,并輸出信息。具體的,所述的中央處理器芯片1每1秒鐘采集數(shù)據(jù)一次,采樣頻率為30赫茲,讀取到加速度計(jì)2、陀螺儀3的數(shù)據(jù),提取加速度傳感器2的30個(gè)樣本的均值、方差、離散傅立葉變換后的能量、加速度計(jì)201、陀螺儀202各個(gè)軸之間的相關(guān)系數(shù)作為特征;提取陀螺儀3的30個(gè)樣本的均值、方差、離散傅立葉變換后的能量、各個(gè)軸之間的相關(guān)系數(shù)作為特征,一共有八個(gè)特征。完成A2采集環(huán)節(jié),并將這些特征形成向量x,再將進(jìn)行樣本加權(quán)計(jì)算后的八個(gè)特征向量x代入A4環(huán)節(jié)的檢測(cè)動(dòng)作的數(shù)學(xué)模型中:其中,ai=[ai1,ai2,...,ain]表示第i個(gè)隱結(jié)點(diǎn)到所有輸入結(jié)點(diǎn)之間權(quán)值組成的向量;bi表示第i個(gè)隱結(jié)點(diǎn)的閾值。ai和bi的值隨機(jī)生成,其值位于區(qū)間[-1,1]之間。表示第i個(gè)輸出結(jié)點(diǎn)到每一個(gè)隱結(jié)點(diǎn)之間的權(quán)值組成的向量。函數(shù)G是sigmod函數(shù)。是一個(gè)二維矩陣。m為輸出節(jié)點(diǎn)的個(gè)數(shù);i=1……5;函數(shù)F的功能是返回代表的向量中距離1最近的分量的下標(biāo);ai、bi、β的值基于極速增量學(xué)習(xí)算法得到。如A4環(huán)節(jié),TY的哪個(gè)分量距離1最近,那么該分量相應(yīng)的下標(biāo)就是動(dòng)作樣本x的類(lèi)標(biāo)號(hào),即:j為動(dòng)作樣本x的類(lèi)標(biāo)號(hào),當(dāng)j的值為5時(shí),通過(guò)查詢(xún)映射表格I,檢測(cè)出當(dāng)前發(fā)生了摔倒動(dòng)作。所述的動(dòng)作確認(rèn)模塊3包括連接在中央處理器芯片1上的高靈敏度氣壓計(jì)301;其中,中央處理器芯片1周期采集高靈敏度氣壓計(jì)301采集的氣壓數(shù)值,在發(fā)生摔倒動(dòng)作時(shí)讀取上一周期氣壓數(shù)值,再與本周期內(nèi)氣壓值作比較,差值達(dá)到閾值時(shí),確認(rèn)發(fā)生摔倒動(dòng)作。具體的,所述的中央處理器芯片1以T=5s采集高靈敏度氣壓計(jì)5采集的氣壓數(shù)值,在發(fā)生摔倒動(dòng)作時(shí)讀取上一周期氣壓數(shù)值,再與本周期內(nèi)氣壓值作比較,差值達(dá)到閾值50厘米氣壓差,確認(rèn)發(fā)生摔倒動(dòng)作;所述的定位模塊4在確認(rèn)發(fā)生摔倒動(dòng)作后,對(duì)佩戴者進(jìn)行定位并形成位置信息;所述的通信模塊5在確認(rèn)發(fā)生摔倒動(dòng)作后,用于輸出位置信息和/或文本消息信息和/或聲音信息到指定終端6。當(dāng)確認(rèn)摔倒動(dòng)作時(shí),所述的中央處理器芯片1讀取定位模塊4中的位置信息后通過(guò)通信模塊5發(fā)送位置信息到指定終端6。同樣的,也可以發(fā)送文本消息信息、聲音信息。從發(fā)送端向終端發(fā)送視頻、音頻、文本均為現(xiàn)有技術(shù)。具體的,本申請(qǐng)的各個(gè)模塊使用的型號(hào)是:所述的中央處理器芯片1的型號(hào)為:ARM720TMDI。所述的加速度計(jì)201的型號(hào)為:Model2422/2430。所述的陀螺儀202的型號(hào)為:stim210/202。所述的聲音傳感器203的型號(hào)為:BR-ZS1。所述的高靈敏氣壓計(jì)301的型號(hào)為:DWCYJ1-1。所述的定位模塊4為GPS或北斗導(dǎo)航模塊或GSM模塊。所述的通信模塊5為GPRS模塊或藍(lán)牙模塊。所述的指定終端6為使用者親人的手機(jī)或者醫(yī)院等機(jī)構(gòu)專(zhuān)門(mén)的監(jiān)控系統(tǒng)。所述的定位模塊4中的GPS模塊型號(hào)為sirf5。所述的通信模塊5中的GSM模塊型號(hào)為BENQM2。當(dāng)接收到確認(rèn)摔倒信號(hào)后,除了發(fā)送位置信息,還可以播放指定的音頻、視頻等信息。當(dāng)指定終端6為手機(jī)時(shí),就能夠通過(guò)短信的方式,將佩戴者的摔倒?fàn)顩r和當(dāng)前位置,報(bào)告給120監(jiān)護(hù)中心或者佩戴者的監(jiān)護(hù)人;也可以自動(dòng)撥打監(jiān)護(hù)人的電話(huà),播放合成的錄音,比如“您的親人在**公園摔倒了,需要您的救助”。所述的一種高精度摔倒檢測(cè)系統(tǒng),還包括聲音傳感器203,其與中央處理器芯片1進(jìn)行連接,包含在動(dòng)作檢測(cè)模塊2內(nèi),中央處理器芯片1分別提取加速度計(jì)201、陀螺儀202樣本的均值、方差、離散傅立葉變換后的能量、加速度計(jì)201、陀螺儀202各個(gè)軸之間的相關(guān)系數(shù)以及聲音傳感器203樣本的均值、方差、離散傅立葉變換后的能量共十一個(gè)數(shù)值作為特征,形成向量,通過(guò)數(shù)學(xué)檢測(cè)模型輸出動(dòng)作類(lèi)標(biāo)號(hào),通過(guò)動(dòng)作與類(lèi)標(biāo)號(hào)映射表格判斷動(dòng)作類(lèi)型。所述的聲音傳感器203可以檢測(cè)人在走路、跑步、摔倒動(dòng)作下,發(fā)出的聲音。走路、跑步一般是有節(jié)奏的啪啪聲,而人在摔倒過(guò)程中,除了身體與地面的撞擊聲外,一般嘴里還會(huì)發(fā)出聲音,比如“啊”等,本申請(qǐng)利用聲音傳感器的識(shí)別聲音的頻域要寬廣的特點(diǎn),對(duì)聲音信息進(jìn)行識(shí)別。加入聲音傳感器203后,其計(jì)算方法與不增加聲音傳感器的判斷方法一致,同樣利用相同的數(shù)學(xué)模型和輸出動(dòng)作類(lèi)標(biāo)號(hào),從而進(jìn)一步判斷動(dòng)作類(lèi)型。當(dāng)前第1頁(yè)1 2 3