[发明专利]基于类别不平衡信号的跌倒检测方法及系统

权利要求书

1.一种基于类别不平衡信号的跌倒检测方法，其特征在于，包括：

实时获取智能可穿戴设备采集的使用者的动作测试数据；所述动作测试数据，包括：加速度数据和角速度值；

将所述动作测试数据输入最优深度学习模型，进行所述动作测试数据的动作类别识别，获取各动作类别概率值；

将所述各动作类别概率值与最佳阈值进行比较，预测所述动作测试数据对应的动作类别；

其中，所述最佳阈值用于根据深度学习模型训练时使用的样本数据集的不平衡率使预测结果向发生概率低的动作类别偏移。

2.根据权利要求1所述的基于类别不平衡信号的跌倒检测方法，其特征在于，

所述最优深度学习模型，包括：

残差连接模块，用于对动作测试数据进行特征提取；

全连接softmax层，用于对所述动作测试数据特征进行分类，输出动作测试数据对应各动作类别概率值；

阈值移动算法层，用于调整分类阈值，获取最佳阈值，并根据所述各动作类别的概率值与所述最佳阈值的关系判断所述动作测试数据的动作类别。

3.根据权利要求2所述的基于类别不平衡信号的跌倒检测方法，其特征在于，

所述调整分类阈值，获取最佳阈值，包括：

获取样本数据集，将所述样本数据集中数据划分为日常活动样本数据和跌倒样本数据，并统计所述日常活动样本数据数量和跌倒样本数据数量；

根据所述日常生活样本数据数量和跌倒样本数据数量的比值，计算所述样本不平衡率；

根据所述样本不平衡率对分类阈值进行调整，确定所述最佳阈值，所述最佳阈值为跌倒动作阈值λ^*。

4.根据权利要求3所述的基于类别不平衡信号的跌倒检测方法，其特征在于，

所述最佳阈值λ^*，表达为：

λ^*＝k×e^-ρ/a+b

其中，λ^*为最佳阈值，k为分类器的默认阈值，ρ为样本数据集的不平衡率，a和b为常数，n_max为样本数据集中日常生活数据的数量，n_min为样本数据集中跌倒样本数据的数量。

5.根据权利要求4所述的基于类别不平衡信号的跌倒检测方法，其特征在于，

所述动作类别包括跌倒动作和日常活动动作；根据所述各动作类别的概率值与所述最佳阈值的关系判断所述动作测试数据的动作类别，包括：

当某一动作测试数据输出的跌倒概率值p与最佳阈值λ^*进行比较，若p≥λ^*，则所述最优深度学习模型预测所述动作测试数据为跌倒动作；

当某一动作测试数据输出的日常活动概率值q与最佳阈值λ^*进行比较，若q≤1-λ^*，则所述最优深度学习模型预测所述动作测试数据为跌倒动作。

6.根据权利要求2所述的基于类别不平衡信号的跌倒检测方法，其特征在于，

所述残差连接模块，包括：

卷积层，用于提取原始数据中的特征信息；

批归一化层，用于对特征信息进行归一化处理，之后进行激活函数的非线性计算；

残差连接计算单元，用于将提取后的特征信息与原始数据进行线性叠加。