[发明专利]一种跌倒识别方法及装置、用户设备

权利要求书

1.一种跌倒识别方法，其特征在于，包括：

实时获取跌倒动作相关的人体运动信号；

对采集到的人体运动信号进行数据预处理，具体的：采用均值光滑的方法进行对人体运动信号数据降噪，并且对人体运动信号数据采用PCA进行降维，以通过线性投影的方式将采集得到的人体运动信号的高维的数据映射到低维的空间中表示，从而得到人体运动信号数据的主要特性；

将预处理后的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，根据预处理后的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。

2.根据权利要求1所述的方法，其特征在于，所述实时获取跌倒动作相关的人体运动信号的步骤之前还包括：

建立基于BP_Adaboost的算法模型的强分类器；

将所述基于BP_Adaboost的算法模型的强分类器安装在本地。

3.根据权利要求2所述的方法，其特征在于，所述建立基于BP_Adaboost的算法模型的强分类器的步骤包括：

从样本空间中获取m组跌倒识别训练数据；

将所述m组跌倒识别训练数据带入多个BP神经网络进行训练并预测样本输出，形成多个BP神经网络弱分类器；

通过Adaboost算法将所述多个BP神经网络弱分类器加权得到基于BP_Adaboost的算法模型的强分类器。

4.根据权利要求3所述的方法，其特征在于，所述将跌倒识别训练数据带入多个BP神经网络进行训练并预测样本输出，形成多个BP神经网络弱分类器的步骤包括：

将m组跌倒识别训练数据赋予相同的权重1/m；

根据弱学习算法将m组跌倒识别训练数据迭代运算多次后形成多个BP神经网络弱分类器。

5.根据权利要求4所述的方法，其特征在于，所述根据弱学习算法将m组跌倒识别训练数据迭代运算多次后形成多个BP神经网络弱分类器的步骤包括：

每次根据弱学习算法将m组跌倒识别训练数据迭代运算后根据分类的结果更新m组跌倒识别训练数据的权重分布；

通过多次迭代后得到分类函数序列f₁,f₂,…,f_T，并根据分类结果将每个分类函数赋予一个权重。

6.一种跌倒识别装置，其特征在于，包括：

获取模块，用于实时获取跌倒动作相关的人体运动信号；

分析模块，用于对采集到的人体运动信号进行数据预处理，具体的：采用均值光滑的方法进行对人体运动信号数据降噪，并且对人体运动信号数据采用PCA进行降维，以通过线性投影的方式将采集得到的人体运动信号的高维的数据映射到低维的空间中表示，从而得到人体运动信号数据的主要特性；分析模块进一步用于将预处理后的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，根据预处理后的跌倒动作相关的人体运动信号判断用户是否即将跌倒；

防护模块，用于当分析模块判断出用户即将跌倒时，则做出相应的决策对用户跌倒进行防护。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

强分类器安装模块，用于将所述基于BP_Adaboost的算法模型的强分类器安装在本地。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

强分类器建立模块，用于建立基于BP_Adaboost的算法模型的强分类器。