[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

说明书

本发明提供一种基于增强式学习的人体跌倒检测方法及系统，该方法包括：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；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；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；实时采集基于时间序列的人体运动行为参数；利用训练后的模型对人体运动行为参数进行跌倒检测。本发明通过监督学习识别人工神经网络，采用误差‑修正学习的方法对人工神经网络进行训练，调整神经网络的权值和阈值，以使神经网络输出最优，可减少误报率，提高报警的准确性。

技术领域

本发明涉及智能穿戴设备技术领域，尤其涉及一种基于增强式学习的人体跌倒检测方法及系统。

背景技术

随着人口老龄化的到来，老年人跌倒频发，且伴随有骨折、软组织损伤和脑部伤害等问题，严重的可造成心脏病突发、脑溢血、心肌梗死导致死亡。如果能够对跌倒进行准确、及时的报警，并对老人及时救治可挽回老年人生命、减少老年人因跌倒带来伤亡的风险。

在人体跌倒检测研究中，目前的跌倒检测、报警装置主要分为3类：1)基于视频图像识别分析的跌倒检测方法；2)基于声学的跌倒检测方法，在声音复杂的环境中无法获得较高精度的数据，一般作为其他检测方式的辅助手段；3)基于穿戴式传感设备的跌倒检测方法，使用传感器采集跌倒者行为变化的数据，通过数据分析判断人体跌倒。例如，采用了加速度为特征参数，基于SVM分类器对跌倒进行判断；或者将发送器与所述接收器通过电容耦合方式接入人体构成回路，对采集到的信号使用决策树算法进行跌倒检测；或者提出自主神经系统(ANS)响应的生理特性的测量结果来检测跌倒的技术。基于穿戴式传感设备的跌倒辨识方法，使用传感器采集跌倒者行为数据，使用阈值比较法，通过单一参数判断人体跌倒，该方法的不足之处在于：首先，阈值会受到使用者身体因素的影响，老年人身体条件差异太大，阈值因人而异，无法选出适应大多数人的阈值。身体状况差的老年人的肌肉、骨骼退化、萎缩严重，身体感知系统退化，反应时间较长，身体的协调性也比较差，容易跌倒；身体状况较好的老年人，身体协调性较好，在跌倒开始阶段，能够及时做出反应，防止跌倒行为发生。其次，传感器的佩戴位置不同也会影响阈值，如果将设备佩戴于手臂或胸前，那么身材高的佩戴者加速度阈值就与身材矮的不同。所以，使用单一参数进行跌倒辨识，会受使用者身体条件的影响。

基于上述，虽然现在基于穿戴式传感设备的跌倒检测方法很多，但都普遍选择单一参数进行跌倒识别，误差较高，不能很好地满足跌倒检测的高精度要求。

上述缺陷是本领域技术人员期望克服的。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种基于增强式学习的人体跌倒检测方法及系统，解决现有技术中跌倒检测基于单一参数进行跌倒识别中误差较高的问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一方面，本发明提供一种基于增强式学习的人体跌倒检测方法，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。

在本发明的一种示例性实施例中，步骤S1中的特征参数包括三轴加速度、三轴角速度和高度。