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