[发明专利]一种基于增强式学习的人体跌倒检测方法及系统

权利要求书

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x_i为输入数据，ω_ji为第j个神经元的权值，θ_j为神经元j的阈值，u_j为实际输出，f(u_j)为激活函数，y_j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u_J＝0，期望响应代表神经网络完成的最优动作，期望输出y_j＝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，其特征在于，步骤S30包括：

将人体运动数据集输入到人工神经网络模型中，得到实际输出；

将实际输出与期望输出进行比较，得到误差；

采用误差信号驱动控制机制，调节神经元的突触权值和突触阈值，使输出信号向期望输出靠近，直到误差能量的瞬时值小于期望误差能量的瞬时值；

基于人工神经网络模型获取当前权值和当前阈值，将当前权值作为初始权值，将当前阈值作为初始阈值；

利用误差-修正方法对人工神经网络模型进行训练，将干扰数据集一、干扰数据集二和干扰数据集三输入到人工神经网络模型中，如果输出信号y_j＝0则人工神经网络模型通过测试，否则继续进行误差-修正学习，直到通过测试；

完成误差-修正学习的人工神经网络模型作为训练后的模型。

7.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S40包括：

通过穿戴设备上的传感器实时获取传感数据；

基于传感数据得到基于时间序列的人体运动行为参数。

8.如权利要求6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S50包括：

将人体运动行为参数输入到训练后的模型中进行跌倒检测，如果判定人体跌倒，则输出跌倒信号，并触发报警信号。