[发明专利]一种跌倒识别方法及装置、用户设备

说明书

本发明实施例公开了一种跌倒识别方法及装置、用户设备，其方法是实时获取跌倒动作相关的人体运动信号，将所述跌倒动作相关的人体运动信号输入到基于BP_Adaboost的算法模型的强分类器中进行分析，根据所述跌倒动作相关的人体运动信号判断用户是否即将跌倒，如果判断出用户即将跌倒，则做出相应的决策对用户跌倒进行防护。其特点是把智能算法的高效且精准优势应用到可穿戴跌倒气囊防护装置上，其有益效果是提高了跌到检测算法和相应的硬件平台的匹配程度，提高了跌倒气囊防护系统对检测的实时性和准确率，从而提高跌倒气囊防护识别的精准性。

技术领域

本发明涉及智能设备技术领域，尤其涉及一种跌倒识别方法及装置、用户设备。

背景技术

随着人口老龄化现象的日益突出，又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。

一种关于跌倒防护的装置应运而生。目前市场上已开始出现老年人跌倒防护装置产品，由于市场需求量大，且便于随身携带受到了广大的投资者与消费者的青睐。高精准的监测是一款性能优良的跌倒防护装置产品的基础，于是提高跌倒防护识别的精准性显得尤为重要，然而跌倒防护系统对检测的实时性和准确率的要求主要取决于跌到检测算法和相应的硬件平台的匹配程度，因此提高跌倒防护识别的精准性是关键。

目前跌倒检测算法主要是基于人体运动物理量，运用阈值法。阈值法简单直接，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，导致跌倒检测准确率不高。在目前人工智能算法火热的时代，如果能把智能算法的高效且精准的优势应用到可穿戴跌倒气囊防护装置上，就可以使跌倒识别有较好的实时性和准确率，也就可以极大提高可穿戴跌倒气囊防护产品性价比。

发明内容

本发明实施例公开了一种跌倒识别方法及装置、用户设备，有利于提高跌倒识别的实时性和准确率，从而可以极大提高可穿戴跌倒防护产品性价比。

目前基于可穿戴跌倒气囊防护装置的跌倒检测算法，基本上是先对人体物理运动加速度，角速度，欧拉角等信号进行采样，再利用基于阈值的方法进行跌倒检测，太过主观，对不同主体不同环境下的跌倒具有局限性，导致报警准确率较低。本发明针对阈值法的缺点，设计了一种基于人工智能算法—BP_Adaboost的预测分类器，进行实时且准确高效的跌倒模式识别，以提高跌倒防护产品的性价比。

BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

本发明提出一种利用加强的人工智能神经网络(BP_Adaboost)的算法对跌倒进行模式识别，前期采集一定量的数据，进行训练，训练好的识别模型不仅实时性好，而且准确率高，从而使跌倒防护装置产品有更高的性价比。

本发明实施例第一方面公开一种跌倒识别方法，包括：实时获取跌倒动作相关的人体运动信号；

将跌倒动作相关的人体运动信号输入到基于BP_Adaboost的算法模型的强分类器中进行分析，根据跌倒动作相关的人体运动信号判断用户是否即将跌倒；

如果判断出用户即将跌倒，则做出相应的决策对用户跌倒进行防护。