CN106874847A - 基于人工神经网络的跌倒预测方法及跌倒气囊防护装置 - Google Patents

基于人工神经网络的跌倒预测方法及跌倒气囊防护装置 Download PDF

Info

Publication number
CN106874847A
CN106874847A CN201710002648.6A CN201710002648A CN106874847A CN 106874847 A CN106874847 A CN 106874847A CN 201710002648 A CN201710002648 A CN 201710002648A CN 106874847 A CN106874847 A CN 106874847A
Authority
CN
China
Prior art keywords
sample data
data
function
classification
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710002648.6A
Other languages
English (en)
Inventor
梁升云
赵国如
林颖蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201710002648.6A priority Critical patent/CN106874847A/zh
Publication of CN106874847A publication Critical patent/CN106874847A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于人工神经网络的跌倒预测方法及跌倒气囊防护装置，所述方法包括：从预先采集的人体运动数据的样本空间内提出多组样本数据；利用所述多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为所述第一分类函数分配相应的函数权重，其中所述第一分类函数的预测准确度越高，对应的所述函数权重越大；利用所述函数权重对所述第一分类函数进行加权求和，进而形成第二分类函数；利用所述第二分类函数对实时采集的人体运动数据进行跌倒预测。通过上述方式，能够有效提高跌倒预测的准确性。

Description

基于人工神经网络的跌倒预测方法及跌倒气囊防护装置
技术领域
本发明实施例涉及动作识别领域，特别是涉及一种基于人工神经网络的跌倒预测方法及跌倒气囊防护装置。
背景技术
随着人口老龄化现象的日益突出，由于老年人肌肉能力退化，反应敏捷度降低，平衡能力减弱，再加之自身疾病的影响，成为易跌倒人群。然而，跌倒伤害对他们带来的不只是生命的威胁，医疗花费的提升，更在心理上留下阴影，使其活动能力降低，健康状况恶化，因此一些用于在老年人跌倒时起到保护作用的跌倒气囊防护装置应运而生。
跌倒气囊防护装置的工作原理在于通过根据人体的运动数据对跌倒进行预测，并在预测到跌倒后及时对气囊进行充气，以对人体的重要部分提供保护。目前的跌倒预测算法主要是运用阈值法，即判断某一特定运动数据的具体数值是否大于预设阈值，若大于预设阈值，则认为出现跌倒。阈值法虽然实现起来相对简单，但往往因为主观选取的阈值对各种跌倒状况不具有普遍性，导致跌倒预测的准确率不高，容易出现误警或漏警现象。
发明内容
本发明实施例主要解决的技术问题是提供一种基于人工神经网络的跌倒预测方法及跌倒气囊防护装置，能够有效提高跌倒预测的准确率。
为解决上述技术问题，本发明实施例采用的一个技术方案是：提供一种基于人工神经网络的跌倒预测方法，该方法包括：从预先采集的人体运动数据的样本空间内提出多组样本数据；利用多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为第一分类函数分配相应的函数权重，其中第一分类函数的预测准确度越高，对应的函数权重越大；利用函数权重对第一分类函数进行加权求和，进而形成第二分类函数；利用第二分类函数对实时采集的人体运动数据进行跌倒预测。
其中，利用多组样本数据对人工神经网络进行训练的步骤包括：为各样本数据分别分配一数据权重并进行初始化；利用多组样本数据对人工神经网络进行训练，进而形成多个第一分类函数中的一部分；将第一分类函数对各样本数据的预测结果与各样本数据的预期结果的差异大于预设阈值的样本数据的数据权重进行累加，进而获得第一分类函数所对应的预测误差；基于预测误差计算第一分类函数的函数权重，其中预测误差越大，函数权重越小；判断是否满足迭代结束条件；若不满足迭代结束条件，则基于函数权重、各样本数据的预测结果和各样本数据的预期结果对各样本数据的数据权重进行调整，并返回利用多组样本数据对人工神经网络进行训练的步骤，进而形成新的第一分类函数；其中针对同一样本数据，样本数据的预测结果与样本数据的预期结果差异越大，调整后的数据权重越大。
其中，为各样本数据分别分配一数据权重并进行初始化的步骤包括：将各样本数据的数据权重初始化为1/m，其中m为多组样本数据中的样本数据的组数。
其中，基于预测误差计算第一分类函数的函数权重的步骤包括：通过如下公式计算函数权重：
在上述公式中，at为函数权重，bt为预测误差，ln为以自然常数e为底的对数函数。
其中，基于函数权重、各样本数据的预测结果和各样本数据的预期结果对各样本数据的数据权重进行调整的步骤包括：通过以下公式对各样本数据的数据权重进行调整：
在上述公式中，Dt(i)为第i个样本数据调整前的数据权重，Dt+1(i)为第i个样本数据调整后的数据权重，Bt为归一化因子，用于使得调整后的多个样本数据的数据权重归一化，at为函数权重，gt(xi)为第i个样本数据的预测结果，yi为第i个样本数据的预期结果，exp为以自然常数e为底的指数函数。
其中，利用函数权重对第一分类函数进行加权求和的步骤包括：
其中，h(x)为第二分类函数，ft(x)为第t个第一分类函数，at为第t个第一分类函数的函数权重，sign为符号函数。
其中，方法进一步包括：将实时采集的人体运动数据作为样本数据，并进一步返回至利用多组样本数据对人工神经网络进行训练的步骤。
其中，从预先采集的人体运动数据的样本空间内提出多组样本数据的步骤之前，进一步包括：利用运动传感器采集人体在跌倒过程中的运动数据；提取跌倒发生时刻前的多个第一采样点的运动数据作为第一样本数据，并对第一样本数据添加第一标识；提取人体处于正常状态下的多个第二采样点的运动数据作为第二样本数据，并对第二样本数据添加第二标识；将第一样本数据和第二样本数据进行组合，进而形成样本空间，第一标识用于表示第一样本数据的预期结果，第二标识用于表示第二样本数据的预期结果。
其中，运动数据包括加速度、角速度以及倾斜角。
其中，人工神经网络为后向反馈人工神经网络。
为解决上述技术问题，本发明实施例采用的另一个技术方案是：提供一种跌倒气囊防护装置，包括：样本模块，用于从预先采集的人体运动数据的样本空间内提出多组样本数据；训练模块，用于利用多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为第一分类函数分配相应的函数权重，其中第一分类函数的预测准确度越高，对应的函数权重越大；函数模块，用于利用函数权重对第一分类函数进行加权求和，进而形成第二分类函数；预测模块，用于利用第二分类函数对实时采集的人体运动数据进行跌倒预测。
本发明实施例的有益效果是：在本发明实施例的跌倒预测方法中，通过对人工神经网络进行训练并根据训练获得的第一分类函数的预测准确度对多个第一分类函数进行加权求和来形成最终用于进行跌倒预测的第二分类函数，由此可以有效地提高跌倒预测的准确度。
附图说明
图1是根据本发明第一实施例的基于人工神经网络的跌倒预测方法的流程图；
图2是图1所示的步骤S11中样本空间的具体形成方式的流程图；
图3是图1所示的步骤S12的具体实现方式的流程图；
图4是根据本发明第二实施例的基于人工神经网络的跌倒预测方法的流程图；
图5是根据本发明第三实施例的跌倒预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1是根据本发明第一实施例的基于人工神经网络的跌倒预测方法的流程图。本实施例的跌倒预测方法包括以下步骤：
步骤S11：从预先采集的人体运动数据的样本空间内提出多组样本数据。
其中，运动数据包括加速度、角速度以及倾斜角等数据。
具体地，在一个应用例中，从预先采集的人体运动数据的样本空间，例如(X，Y)内，随机提取出m组样本数据；其中，样本数据包括运动数据和预期结果，即加速度、角速度、倾斜角数据和跌倒/未跌倒标识，例如1标识跌倒，-1标识未跌倒。此外，提取出的样本数据数量可以根据实际情况设置，此处不做具体限定。
如图2所示，在步骤S11之前，进一步包括：
步骤S101：利用运动传感器采集人体在跌倒过程中的运动数据；
具体地，首先在人体的主要部位，例如膝关节、肘关节等，设置运动传感器；通过设置的运动传感器采集人体的运动数据，尤其是人体在跌倒过程中的运动数据，包括加速度、角速度以及倾斜角等；然后将采集到的运动数据进行预处理。首先，通过PCA(PrincipalComponent Analysis)进行降维，即通过线性投影，将采集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，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性，从而得到人体运动信号数据的主要特性；然后将降维后的运动数据转化为10进制数据，以便后续样本抽取。其中，运动传感器可以采用市面上可以购买到的9轴运动传感器X-Sens；当然，在其他实施例中，也可以根据实际需要采用其他运动传感器，此处不做具体限定。
步骤S102：提取跌倒发生时刻前的多个第一采样点的运动数据作为第一样本数据，并对第一样本数据添加第一标识；
具体地，在一个应用例中，在经过预处理的运动数据中，提取加速度数据时，可以用加速度的突变时刻作为跌倒发生时刻，并提取一个跌倒发生时刻前的50个检测点的加速度数据，以此作为加速度第一样本数据，记为a＝(a1,a2,…,a50)；类似的，分别提取角速度第一样本数据和倾斜角第一样本数据，记为w＝(w1,w2,…,w50)和o＝(o1,o2,…,o50)；然后将加速度第一样本数据、角速度第一样本数据和倾斜角第一样本数据结合，作为一个跌倒发生时刻的样本数据，记为x＝(a,w,o)；采用上述方法提取3000个跌倒发生时刻的样本数据，以此作为第一样本数据，并对第一样本数据添加第一标识，例如对第一样本数据添加第一标识y＝1，以表示第一样本数据为跌倒发生时刻前的运动数据。
步骤S103：提取人体处于正常状态下的多个第二采样点的运动数据作为第二样本数据，并对第二样本数据添加第二标识；
在上述应用例中，在运动传感器采集的运动数据中，可以采用类似的方法，提取人体处于正常状态下的3000个时刻的样本数据，以此作为第二样本数据，并对第二样本数据添加第二标识，例如对第二样本数据添加第二标识y＝-1，以表示第二样本数据为人体处于正常状态下的运动数据。
步骤S104：将第一样本数据和第二样本数据进行组合，进而形成样本空间，第一标识用于表示第一样本数据的预期结果，第二标识用于表示第二样本数据的预期结果。
上述应用例中，将3000个第一样本数据和3000个第二样本数据进行组合，形成具有6000个样本数据的样本空间，记为(X，Y)；其中，第一标识，例如y＝1，表示第一样本数据的预期结果为跌倒；第二标识，例如y＝-1，表示第二样本数据的预期结果为未跌倒。
步骤S12：利用多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为第一分类函数分配相应的函数权重，其中第一分类函数的预测准确度越高，对应的函数权重越大；
其中，人工神经网络为后向反馈人工神经网络，简称BP神经网络。BP神经网络运用向后反馈的学习机制，来修正神经网中的权重，最终达到输出正确结果的目的。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，包括输入层、隐藏层和输出层。其中，输入层将刺激传递给隐藏层，隐藏层通过神经元之间联系的强度(即权重)和传递规则(即激活函数)将刺激传到输出层，输出层整理隐藏层处理的后的刺激产生最终结果。若有正确的结果，那么将正确的结果和产生的结果进行比较，得到误差，再逆推对神经网中的链接权重进行反馈修正，从而来完成学习/训练的过程。
具体地，如图3所示，步骤S12包括：
步骤S121：为各样本数据分别分配一数据权重并进行初始化；
其中，步骤S121包括：
步骤S1211：将各样本数据的数据权重初始化为1/m，其中m为多组样本数据中的样本数据的组数。
具体地，在一个应用例中，输入人工神经网络中进行训练的样本数据组数为m，设置每组样本数据的初始权重为1/m，即初始状态下，每组样本数据的权重均相等。
步骤S122：利用多组样本数据对人工神经网络进行训练，进而形成多个第一分类函数中的一部分；
其中，在将各样本数据输入人工神经网络进行训练前，需要根据输入输出的数据维数确定人工神经网络结构，并初始化人工神经网络权值和阈值。在上述应用例中，输入人工神经网络的样本组数为m，需要输出的预测结果同样为m组，则可以确定人工神经网络为m个输入m个输出的结构，而人工神经网络的权值和阈值可以根据实际需求设置，此处不做具体限定。
具体地，在上述应用例中，将m组样本数据输入人工神经网络的输入层，输入层将样本数据的值与输入层和隐藏层之间的权值进行加权求和后作为刺激传递给隐藏层，隐藏层将输入层传递的刺激通过隐藏层的传递规则(即激活函数)进行计算并将计算结果与隐藏层和输出层之间的权值进行加权求和后作为新的刺激传递给输出层，输出层将隐藏层传递的新的刺激通过输出层的传递规则进行计算后输出最后的预测结果，记为预测序列g(t)；通过对输入层、隐藏层和输出层之间的权值和传递规则进行整理，可以得到从输入层至输出层的第一分类函数ft(x)。其中，传递规则，即激活函数可以采用Sigmoid函数，权值采用初始化的权值。当然，在其他应用例中，也可以根据实际需求采用其他激活函数。
步骤S123：将第一分类函数对各样本数据的预测结果与各样本数据的预期结果的差异大于预设阈值的样本数据的数据权重进行累加，进而获得第一分类函数所对应的预测误差；
在上述应用例中，通过比较第一分类函数ft(x)对各样本数据的预测序列g(t)和各样本数据的预期结果y，并将预测序列值g(t)与预期结果y的差异大于预设阈值的样本数据的数据权重进行累加，即根据下列公式，可以得到第一分类函数ft(x)所对应的预测序列g(t)的预测误差：
上述公式中，bt是第一分类函数ft(x)所对应的预测序列g(t)的预测误差，gt(xi)是第i个样本数据的预测结果，y(xi)是第i个样本数据的预期结果，Dth是预设阈值，即人工神经网络初始化的阈值，Dt(i)是当|gt(xi)-y(xi)|>Dth时第i个样本数据的数据权重，即当第i个样本数据的预测结果与预期结果之间的差异大于预设阈值时的第i个样本数据的数据权重，将上述权重进行累加即得到第一分类函数ft(x)所对应的预测序列g(t)的预测误差bt。
当然，在其他应用例中，预设阈值可以根据实际需求通过调整人工神经网络初始化的阈值获得，此处不做具体限定。
步骤S124：基于预测误差计算第一分类函数的函数权重，其中预测误差越大，函数权重越小；
其中，步骤S124包括：
步骤S1241：通过如下公式计算函数权重：
在上述公式中，at为函数权重，bt为预测误差，ln为以自然常数e为底的对数函数。
通过上述公式，可以将预测误差越大的第一分类函数的函数权重设置为越小的值，从而使得预测时，预测误差越大的第一分类函数对预测结果的影响越小，进而提高预测的准确性。
步骤S125：判断是否满足迭代结束条件；
其中，迭代结束条件是预先设置的迭代计算次数，在一个应用例中，迭代结束条件为迭代计算50次；迭代计算次数的初始值为0，每次经过步骤S124计算出函数权重后，迭代计算次数加1。
步骤S126：若不满足迭代结束条件，则基于函数权重、各样本数据的预测结果和各样本数据的预期结果对各样本数据的数据权重进行调整，并返回步骤S122，进而形成新的第一分类函数；其中针对同一样本数据，样本数据的预测结果与样本数据的预期结果差异越大，调整后的数据权重越大。
其中，步骤S126包括：
步骤S1261：通过以下公式对各样本数据的数据权重进行调整：
在上述公式中，Dt(i)为第i个样本数据调整前的数据权重，Dt+1(i)为第i个样本数据调整后的数据权重，Bt为归一化因子，用于使得调整后的多个样本数据的数据权重归一化，at为函数权重，gt(xi)为第i个样本数据的预测结果，yi为第i个样本数据的预期结果，exp为以自然常数e为底的指数函数。
具体地，在上述应用例中，当迭代计算次数小于50时，根据上述公式的计算可以调整各样本数据的数据权重，并使得预测结果与预期结果的差异大于预设阈值的样本数据的数据权重变大，从而在下一次迭代运算时可以更加注重这些预测错误的样本数据，通过多次迭代计算和权重调整，可以减少预测错误的概率，提高预测准确性。
步骤S13：利用函数权重对第一分类函数进行加权求和，进而形成第二分类函数；
其中，步骤S13包括：
步骤S131：通过以下公式对第一分类函数进行加权求和以得到第二分类函数：
其中，h(x)为第二分类函数，ft(x)为第t个第一分类函数，at为第t个第一分类函数的函数权重，sign为符号函数。
具体地，上述应用例中，经过50次迭代计算后，将获得的50个第一分类函数进行加权求和，最后采用符号函数得到第二分类函数。其中，符号函数使得第二分类函数的取值为1或-1，当50个第一分类函数加权求和的结果大于0时，第二分类函数的取值为1，表示预测结果为跌倒，而当50个第一分类函数加权求和的结果小于0时，第二分类函数的取值为-1，表示预测结果为未跌倒。
步骤S14：利用第二分类函数对实时采集的人体运动数据进行跌倒预测。
具体地，可以将第二分类函数移植到跌倒气囊防护装置的硬件平台上，并根据跌倒气囊防护装置的运动传感器实时采集的人体运动数据进行跌倒预测，并根据识别为跌倒时控制气囊有效打开。在上述实施例中，第二分类函数是通过人工神经网络训练得到的预测函数，利用第二分类函数直接对实时采集的人体运动数据进行跌倒预测，预测准确性较高；此外，训练好的模型，即第二分类函数，对硬件平台要求低，处理速度快，从而提高应用该跌倒预测方法的产品的性价比。
请参阅图4，图4是根据本发明第二实施例的基于人工神经网络的跌倒预测方法的流程图，本实施例是在本发明第一实施例的基础上，当发生跌倒或者跌倒预测错误时执行的步骤，包括：
步骤S15：将实时采集的人体运动数据作为样本数据，并进一步返回至利用多组样本数据对人工神经网络进行训练的步骤。
具体地，每次利用第二分类函数对实时采集的人体运动数据进行预测后，获取预期结果和预测结果，并判断预期结果是否为跌倒，若未跌倒，则判断预测结果与预期结果是否相符，若预测结果也是未跌倒，则二者相符，预测准确，继续使用该第二分类函数进行预测；若判断结果是跌倒或者预测结果与预期结果不相符，则将实时采集的人体运动数据进行收集，在达到一定数量后作为样本数据，并进一步返回至利用多组样本数据对人工神经网络进行训练的步骤，重新进行迭代计算获得更新后的第二分类函数，以更新后的第二分类函数进行跌倒预测。
上述实施例的执行在步骤S14之后，可以与本发明第一实施例相结合。
在本实施例中，可以将实时采集的人体运动数据通过通信网络反馈到服务器，并由服务器针对不同的跌倒气囊防护装置客制化生成相应的第二分类函数，并对跌倒气囊防护装置内的第二分类函数进行更新，以使得每个跌倒气囊防护装置能够根据使用者的实际情况进行更准确的跌倒预测。当然，也可以将第二分类函数具体生成算法移植到跌倒气囊防护装置的硬件平台上，进而直接在跌倒气囊防护装置的本地实现第二分类函数的客制化更新。
通过上述实施例，可以通过扩充样本数据或者纠正预测错误的方式，减少预测出错的概率，进而利用人工神经网络的训练机制进一步提高预测的准确性，并实现针对用户的客制化预测。
请参阅图5，图5是根据本发明第三实施例的跌倒气囊防护装置的结构示意图。如图5所示，本发明第三实施例的跌倒气囊防护装置50包括：依次连接的样本模块501、训练模块502、函数模块503和预测模块504。
样本模块501，用于从预先采集的人体运动数据的样本空间内提出多组样本数据；
训练模块502，用于利用多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为第一分类函数分配相应的函数权重，其中第一分类函数的预测准确度越高，对应的函数权重越大；
函数模块503，用于利用函数权重对第一分类函数进行加权求和，进而形成第二分类函数；
预测模块504，用于利用第二分类函数对实时采集的人体运动数据进行跌倒预测。
具体地，样本模块501从预先采集的人体运动数据的样本空间内提出多组样本数据后，将该多组样本数据传输至训练模块502，训练模块502利用该多组样本数据对人工神经网络进行训练，形成多个第一分类函数并为第一分类函数分配相应的函数权重，函数模块503利用训练模块502产生的函数权重对第一分类函数进行加权求和，形成第二分类函数后，将该第二分类函数传输至预测模块504，预测模块504利用该第二分类函数对实时采集的人体运动数据进行跌倒预测，当预测模块504预测结果为跌倒时控制气囊有效打开，否则不打开。其中，样本模块501、训练模块502、函数模块503和预测模块504的具体工作流程可以参阅本发明第一或第二实施例的流程，此处不再重复。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种基于人工神经网络的跌倒预测方法，其特征在于，所述方法包括：
从预先采集的人体运动数据的样本空间内提出多组样本数据；
利用所述多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为所述第一分类函数分配相应的函数权重，其中所述第一分类函数的预测准确度越高，对应的所述函数权重越大；
利用所述函数权重对所述第一分类函数进行加权求和，进而形成第二分类函数；
利用所述第二分类函数对实时采集的人体运动数据进行跌倒预测。
2.根据权利要求1中的方法，其特征在于，所述利用所述多组样本数据对人工神经网络进行训练的步骤包括：
为各所述样本数据分别分配一数据权重并进行初始化；
利用所述多组样本数据对所述人工神经网络进行训练，进而形成所述多个第一分类函数中的一部分；
将所述第一分类函数对各所述样本数据的预测结果与各所述样本数据的预期结果的差异大于预设阈值的所述样本数据的所述数据权重进行累加，进而获得所述第一分类函数所对应的预测误差；
基于所述预测误差计算所述第一分类函数的所述函数权重，其中所述预测误差越大，所述函数权重越小；
判断是否满足迭代结束条件；
若不满足所述迭代结束条件，则基于所述函数权重、各所述样本数据的预测结果和各所述样本数据的预期结果对各所述样本数据的数据权重进行调整，并返回所述利用所述多组样本数据对人工神经网络进行训练的步骤，进而形成新的所述第一分类函数；其中针对同一所述样本数据，所述样本数据的预测结果与所述样本数据的预期结果差异越大，调整后的所述数据权重越大。
3.根据权利要求2中的方法，其特征在于，所述为各所述样本数据分别分配一数据权重并进行初始化的步骤包括：
将各所述样本数据的数据权重初始化为1/m，其中m为所述多组样本数据中的所述样本数据的组数。
4.根据权利要求2中的方法，其特征在于，所述基于所述预测误差计算所述第一分类函数的所述函数权重的步骤包括：
通过如下公式计算所述函数权重：
a t = 1 2 l n ( 1 - b t b t ) ;
其中，at为所述函数权重，bt为所述预测误差，ln为以自然常数e为底的对数函数。
5.根据权利要求2中的方法，其特征在于，所述基于所述函数权重、各所述样本数据的预测结果和各所述样本数据的预期结果对各所述样本数据的数据权重进行调整的步骤包括：
通过以下公式对各所述样本数据的数据权重进行调整：
D t + 1 ( i ) = D t ( i ) B t × exp [ - a t y i g t ( x i ) ] ;
其中，Dt(i)为第i个样本数据调整前的所述数据权重，Dt+1(i)为第i个样本数据调整后的所述数据权重，Bt为归一化因子，用于使得调整后的所述多个样本数据的数据权重归一化，at为所述函数权重，gt(xi)为第i个样本数据的预测结果，yi为第i个样本数据的预期结果，exp为以自然常数e为底的指数函数。
6.根据权利要求1中的方法，其特征在于，所述利用所述函数权重对所述第一分类函数进行加权求和的步骤包括：
利用如下公式对所述第一分类函数进行加权求和：
h ( x ) = s i g n [ Σ t = 1 T a t · f t ( x ) ] ;
其中，h(x)为所述第二分类函数，ft(x)为第t个第一分类函数，at为第t个第一分类函数的所述函数权重，sign为符号函数。
7.根据权利要求1中的方法，其特征在于，所述方法进一步包括：
将所述实时采集的人体运动数据作为所述样本数据，并进一步返回至所述利用所述多组样本数据对人工神经网络进行训练的步骤。
8.根据权利要求1中的方法，其特征在于，所述从预先采集的人体运动数据的样本空间内提出多组样本数据的步骤之前，进一步包括：
利用运动传感器采集人体在跌倒过程中的运动数据；
提取跌倒发生时刻前的多个第一采样点的所述运动数据作为第一样本数据，并对所述第一样本数据添加第一标识；
提取人体处于正常状态下的多个第二采样点的所述运动数据作为第二样本数据，并对所述第二样本数据添加第二标识；
将所述第一样本数据和所述第二样本数据进行组合，进而形成所述样本空间，其中所述第一标识用于表示所述第一样本数据的预期结果，所述第二标识用于表示所述第二样本数据的预期结果。
9.根据权利要求8中的方法，其特征在于，所述运动数据包括加速度、角速度以及倾斜角。
10.根据权利要求1中的方法，其特征在于，所述人工神经网络为后向反馈人工神经网络。
11.一种跌倒气囊防护装置，其特征在于，包括：
样本模块，用于从预先采集的人体运动数据的样本空间内提出多组样本数据；
训练模块，用于利用所述多组样本数据对人工神经网络进行训练，进而形成用于跌倒预测的多个第一分类函数并为所述第一分类函数分配相应的函数权重，其中所述第一分类函数的预测准确度越高，对应的所述函数权重越大；
函数模块，用于利用所述函数权重对所述第一分类函数进行加权求和，进而形成第二分类函数；
预测模块，用于利用所述第二分类函数对实时采集的人体运动数据进行跌倒预测。
CN201710002648.6A 2017-01-03 2017-01-03 基于人工神经网络的跌倒预测方法及跌倒气囊防护装置 Pending CN106874847A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710002648.6A CN106874847A (zh) 2017-01-03 2017-01-03 基于人工神经网络的跌倒预测方法及跌倒气囊防护装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710002648.6A CN106874847A (zh) 2017-01-03 2017-01-03 基于人工神经网络的跌倒预测方法及跌倒气囊防护装置

Publications (1)

Publication Number Publication Date
CN106874847A true CN106874847A (zh) 2017-06-20

Family

ID=59164512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710002648.6A Pending CN106874847A (zh) 2017-01-03 2017-01-03 基于人工神经网络的跌倒预测方法及跌倒气囊防护装置

Country Status (1)

Country Link
CN (1) CN106874847A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108989546A (zh) * 2018-06-15 2018-12-11 Oppo广东移动通信有限公司 电子装置的接近检测方法及相关产品
CN109920208A (zh) * 2019-01-31 2019-06-21 深圳绿米联创科技有限公司 跌倒预测方法、装置、电子设备及系统
CN110502770A (zh) * 2018-10-11 2019-11-26 起动科技有限公司 基于ann预测力学参数的方法、装置、设备及存储介质
CN110705599A (zh) * 2019-09-06 2020-01-17 北京理工大学 一种基于在线迁移学习的人体动作识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473598A (zh) * 2013-09-17 2013-12-25 山东大学 基于变长度粒子群优化算法的极限学习机
CN104598925A (zh) * 2015-01-23 2015-05-06 湖州师范学院 一种基于ELM的多类Adaboost集成学习方法
CN105631477A (zh) * 2015-12-25 2016-06-01 天津大学 基于极限学习机和自适应提升的交通标志识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473598A (zh) * 2013-09-17 2013-12-25 山东大学 基于变长度粒子群优化算法的极限学习机
CN104598925A (zh) * 2015-01-23 2015-05-06 湖州师范学院 一种基于ELM的多类Adaboost集成学习方法
CN105631477A (zh) * 2015-12-25 2016-06-01 天津大学 基于极限学习机和自适应提升的交通标志识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KUAN LI等: "Boosting weighted ELM for imbalanced learning", 《NEUROCOMPUTING》 *
刘聪等: "集成极限学习机在手写体数字识别中的应用", 《河南科技》 *
杨帆等: "基于Adaboost的极限学习机集成算法", 《软件导刊》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108989546A (zh) * 2018-06-15 2018-12-11 Oppo广东移动通信有限公司 电子装置的接近检测方法及相关产品
CN110502770A (zh) * 2018-10-11 2019-11-26 起动科技有限公司 基于ann预测力学参数的方法、装置、设备及存储介质
CN109920208A (zh) * 2019-01-31 2019-06-21 深圳绿米联创科技有限公司 跌倒预测方法、装置、电子设备及系统
CN110705599A (zh) * 2019-09-06 2020-01-17 北京理工大学 一种基于在线迁移学习的人体动作识别方法
CN110705599B (zh) * 2019-09-06 2021-10-19 北京理工大学 一种基于在线迁移学习的人体动作识别方法

Similar Documents

Publication Publication Date Title
CN106874847A (zh) 基于人工神经网络的跌倒预测方法及跌倒气囊防护装置
Goldstein et al. Multilevel modelling of medical data
CN106682385B (zh) 健康信息交互系统
CN105160249B (zh) 一种基于改进的神经网络集成的病毒检测方法
Ahmad et al. Genetic algorithm-artificial neural network (GA-ANN) hybrid intelligence for cancer diagnosis
EP3968337A1 (en) Target object attribute prediction method based on machine learning and related device
CN110223785A (zh) 一种基于深度学习的传染病传播网络重构方法
CN102622418A (zh) 一种基于bp神经网络的预测装置及设备
CN113113155A (zh) 一种基于神经网络与seir模型的传染病趋势预测方法
CN110363349A (zh) 一种基于ascs的lstm神经网络水文预测方法及系统
CN108446594B (zh) 基于动作识别的应急反应能力测评方法
CN112885415A (zh) 基于分子表面点云的雌激素活性快速筛查方法
CN113889262A (zh) 基于模型的数据预测方法、装置、计算机设备和存储介质
CN106651001A (zh) 一种改进神经网络的金针菇产量预测方法及实施系统
CN112906673A (zh) 一种基于注意力机制的下肢运动意图预测方法
Zhang et al. The prediction and error correction of physiological sign during exercise using Bayesian combined predictor and naive Bayesian classifier
CN112329571A (zh) 一种基于姿态质量评估的自适应人体姿态优化方法
CN112525194A (zh) 一种基于海马-纹状体内源性和外源性信息的认知导航方法
CN106802983A (zh) 一种基于优化的bp神经网络的沼气产量建模计算方法及装置
Mukhopadhyay et al. Classification of hand movements by surface myoelectric signal using artificial-spiking neural network model
CN106250980A (zh) 一种阿根廷滑柔鱼中心渔场预测方法
CN114504777B (zh) 基于神经网络和模糊综合评价的锻炼强度计算系统和方法
CN109214046A (zh) 一种地震液化判别方法及地震液化势模型
CN115374998A (zh) 基于注意力机制和CNN-BiGRU的负荷预测方法
CN114974461A (zh) 基于策略学习的多目标属性分子生成方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170620

RJ01 Rejection of invention patent application after publication