[发明专利]一种基于机器学习的智能地毯跌倒判别方法

说明书

本发明是一种基于机器学习的智能地毯跌倒判别方法，在由按照合理的人体行走规律设计的智能地毯上，使用机器学习的方式将行走过程中地毯踩点在时间及空间数据变化情况作为机器学习的输入特征，通过反复地走动并将信息存入数据库，将存储的特征信息和用户实际走动情况进行匹配，从而实现基于机器学习的特征环境。在进行分类算法之前，建立隐马尔科夫概率转移模型，使地毯获得自适应的物体区分功能，去除地毯上无效的踩点信息，保留目标用户信息。在训练过程中，采用基于SVM(支持向量机)进行训练，选取不同的核函数特征数据反复训练，根据不同的训练结果，在智能地毯上重复走动和跌倒两个过程，建立高可靠性的跌倒判别模型。

技术领域

本发明基于机器学习视角，综合分析在智能地毯环境下行走过程中不同行走单位的差异性，利用机器学习中的概率图模型(主要是隐马尔可夫模型)使地毯自适应地去除无效行走信息，并根据目标对象行走过程中的加速度变化，重心等变化情况建立基于支持向量机的监督分类模型。

背景技术

智能地毯，是应用于老年人口行走过程中的跌倒检测的智能设备，主要由大量不同形式的传感器节点组成。智能地毯的主要工作是通过底层传感器采集行走人员的足迹信息，在传感器足够强大的情况下甚至可以直接获取重力，加速度等信息，在智能家居中用于对家庭成员行走状态进行监控，在人口老龄化的当今社会有广阔的应用前景。智能地毯跌倒判别系统一般包括硬件层(hardware layer简称：HL)和算法层(algorithm layer简称：AL)，HL包含传感器的选择，排列，每一个节点的踩点意义以及通信模块，SL包含整个智能地毯的输出序列以及信号处理方式。

随着传感器技术的发展，智能地毯的设计趋近于复杂化，主要表现材料的特殊性增强，传感器的排列密度不断增加。在实验室环境下，通过建立完善的传感器网络，可以采集足够的行走信息，在跌倒判别方面能够直接监控目标的行走状态，降低算法的复杂度。然而，实际情况下智能地毯的设计复杂程度影响其使用成本和维修难度，一旦放入实际应用环境，地毯上出现的各种非行人踩点信息也会影响跌倒判别的准确性。

机器学习的目的是通过概率论，统计学等学科的理论，使计算机拥有类似于人类的学习能力，并且能够自适应地不断改善自身的学习能力。目前机器学习主要用于回归问题，分类问题。在基于智能地毯的跌倒判别系统中，机器学习强大的分类更适用于这一场景，该方法关注在复杂度一般的硬件条件下通过寻找地毯踩点情况的关联性，借助隐马尔可夫模型在带有干扰的踩点环境下计算当前踩点状态向下一个状态转移的概率，去除无效踩点信息，提取目标对象的踩点信息，根据该对象的踩点情况计算空间和时间上的运动特征，借助基于SVM(支持向量机)较好的分类能力，起到判别跌倒的作用。在智能地毯环境下，市场更注重地毯的成本问题以及跌倒判别的准确性，利用机器学习算法可以在硬件条件一般的智能地毯环境下提供可靠的判断能力。随着智能家具市场的不断扩大，竞争愈加激烈，通过更加复杂，可靠的算法来弥补底层硬件的成本会成为日后智能化设备的发展趋势。

发明内容

技术问题：本发明目的是提供一种基于机器学习的智能地毯跌倒判别方法，利用机器学习算法解决行走过程中跌倒判断问题，主要解决两个问题，1：如何设计智能地毯，并解决地毯数据的传输方式以及信号处理问题。2：在该地毯条件下，利用机器学习算法，降低无效信息的干扰，区分出目标对象，并且对该对象的行走状态进行分类，实现跌倒报警的功能。

技术方案：本发明基于机器学习的智能地毯跌倒判别方法以智能地毯为硬件基础，结合机器学习中的概率图理论模型以及监督学习中的SVM实现对智能地毯上行走目标的区分，并且提取目标对象的行走信息，综合考虑行走人员在智能地毯上行走的数据特征，提取不同行走情况在空间和时间上的特异性，对行走人员发生跌倒时提供报警。