CN110675596A - 应用于可穿戴终端的跌倒检测方法 - Google Patents

Abstract

本发明公开了一种应用于可穿戴终端的跌倒检测方法，包括以下步骤：所述可穿戴终端内置NB‑IOT通信模块和GPS定位模块，并通过所述NB‑IOT通信模块与通信基站进行数据和指令传输，通过所述GPS定位模块进行空间定位；根据采集使用者的人体活动参数和多个生理参数，进行人体活动识别，以判断使用者是否跌倒；若发生跌倒，则由所述通信基站接收判断结果信息，所述通信基站与云平台网络连接，所述云平台接入互联网，利用互联网终端将所述判断结果信息和使用者的GPS位置信息告知特定的关系人或医院。本发明利用NB‑IOT通信模块与通信基站进行数据传输，既能够实现远距离通信，并降低了可穿戴终端的功耗，结合血氧、心率和体温数据的采集分析，有利于判断跌倒的严重性。

Description

应用于可穿戴终端的跌倒检测方法

技术领域

本发明涉及可穿戴智能技术领域，更具体的说，涉及一种应用于可穿戴终端的跌倒检测方法。

背景技术

当今世界各地人口逐渐老化，使得整个国际社会对老龄化问题日趋关注。根据美国国家安全委员会的报告显示，在65岁以上的人口中，跌倒所造成的死亡居所有意外死亡原因的第一位，占此年龄段意外死亡的33％以上。老人在跌倒后未得到及时救助，跌倒会引起严重后果和二次伤害。

目前针对老人照护技术研究，国内大多数依然只停留在医疗照顾的消极被动层面，而在西方发达国家，特别是美国、日本等发达国家，近些年，有许多大学和研究机构在政府和社会的支持下开展了人性化的、以改善老人生活品质为目标的各种技术研究工作。其中，可以探测老人跌倒并能够及时将这一危险状况报告到医疗监护中心的跌倒检测技术也越来越得到各大研究机构的重视。跌倒检测技术的方法很多，根据信号采集的渠道，跌倒检测技术大致可分为以下四类：

(1)基于视频的跌倒检测系统。它是通过一个或几个视频摄像头捕捉人体运动的画面，运用图像处理算法，确定是否存在具有跌倒的图像特征。但是，基于视频的跌倒检测系统通常因为需要摄像机安装在固定的地点(一般只适合在室内)，只能在安装了摄像机的地点进行检测，而人体是一个活动的对象，当被监测者到户外活动而离开视频摄像头可监测的范围后，该系统就无法获得图像检测跌倒，该技术有一定的局限性。另外，基于视频的跌倒检测系统还可能导致被监测者个人隐私泄漏，存在一定的安全风险。

(2)基于声学和振动的跌倒检测系统。其原理是通过分析跌倒时地板的振动及音频信号来检测的，通常这种方法因为对环境要求比较高，由于各建筑物以及每个家庭的地面材质有很大差别，导致该方法的有效性受到质疑，因而无法得到很好的检测精度，一般只能作为其它跌倒检测方法的辅助方法，不能单独进行检测运用。

(3)倾斜计法(水银开关法)。使用水银开关制作的跌倒传感器，只是简单通过检测人体是处于直立或平躺状态来判断跌倒是否发生，此种跌倒探测装置误报警率很高，而且当老人躺在床上时则不能够携带该装置，一般很少使用。

(4)基于穿戴式传感器的跌倒检测系统。它把微型传感器嵌入到可穿戴设备，以手环、腰带或背心方式呈现，这种基于传感器的检测系统可以实时监测人体活动，不受室内室外的限制，当人体的运动参数发生改变时，检测系统通过算法判断是否发生了跌倒行为。基于穿戴式传感器的跌倒检测系统不会受到检测地点的限制，所以这种跌倒检测系统比基于视频或声学系统更适合应用于实际环境。

西安电子科技大学电子工程学院董洁等人，设计了基于STM32W的老人心率实时监测及跌倒检测系统，该系统采用硬件滤波的方法提取ECG信号中的QRS波，可实时分析心率；通过分析运动状态(SVM和DSVM)和姿态角变化判断跌倒状态。浙江大学的文耀峰等人研究了一种实时的心率和跌倒检测系统，采用Zigbee网络实现各个信号到PDA的汇集；采用WiFi网络实现报警功能；使用两个电极采集心电信号，采用一种投票表决方法提取心率；采用三轴加速度传感器采集腹部位置加速度数据，使用阈值法实现对跌倒事件检测。日本WINHuman Recorder公司新近研制了一种只有7g重量的重要体征信号采集系统HRS-I，包含两电极心电采集，体温信号采集以及一个三轴加速度信号采集，以2.4G射频将健康数据发送至smartphone或PC。

鉴于上述现有技术跌倒检测技术分析，Zigbee、蓝牙和WiFi因为是短距离的无线传送技术，在室外不能有效传送数据，需要配合手机使用；若采用3G/4G通信技术，虽然可以解决通信距离，但是因其能耗大又不适合可穿戴设备，上述通信技术都有一定的局限性。此外，跌倒检测技术应用于可穿戴设备上，仅具有跌倒检测技术，难以综合判断使用者的身体状况，故无法解决其他紧急状况下的报警和应急处理。

发明内容

有鉴于此，本发明提出一种低功耗远距离通信的应用于可穿戴终端的跌倒检测方法，用于解决现有技术存在仅能实现短距离传输和功耗较高的技术问题。

本发明提供了一种应用于可穿戴终端的跌倒检测方法，包括以下步骤：

所述可穿戴终端内置NB-IOT通信模块和GPS定位模块，并通过所述NB-IOT通信模块与通信基站进行数据和指令传输，通过所述GPS定位模块进行空间定位；根据采集使用者的人体活动参数和多个生理参数，进行人体活动识别，以判断使用者是否跌倒；若发生跌倒，则由所述通信基站接收判断结果信息，所述通信基站与云平台网络连接，所述云平台接入互联网，利用互联网终端将所述判断结果信息和使用者的GPS位置信息告知特定的关系人或医院。

可选的，所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器，所述加速度传感器检测三轴加速度；加速度传感器在不同时刻的坐标系随着人体姿势的改变而改变，引入加速度幅值作为跌倒判断，以消除不同时刻加速度输出值的坐标映射关系，令所述加速度幅值为:AA(t)，得到

其中，a²x(t)是x轴加速度的平方，b²y(t)是y轴加速度的平方，c²z(t)是z轴加速度的平方，AA(t)是三轴加速度的总加速度，设置跌倒阈值，所述AA(t)在跌倒阈值范围内持有一段时间，则判断发生跌倒。

可选的，所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器，所述加速度传感器检测三轴加速度，获得三个轴向的加速度信号，所述三个轴向的加速度信号依次经高通滤波器和低通滤波器；设置线性跌倒阈值和非线性跌倒阈值；将滤波后的所述三个轴向的加速度信号与所述线性跌倒阈值比较，若在所述线性跌倒阈值范围内持续第一时间，则判断发生跌倒；或者，获得总加速度信号为:AA(t)，得到其中，a²x(t)是x轴加速度的平方，b²y(t)是y轴加速度的平方，c²z(t)是z轴加速度的平方，AA(t)是三轴加速度的总加速度，设置跌倒阈值，所述AA(t)在非线性跌倒阈值范围内持有第二时间，则判断发生跌倒。

可选的，所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器和陀螺仪传感器，根据所述速度传感器和陀螺仪传感器所检测的参数，输入算法模型，以得到跌倒判断结果；所述算法模块包括深层分类器和浅层分类器，所述深层分类器接收加速度传感器所采集的大量加速度传感器的参数，并进行跌倒分类，得到分类结果A，所述陀螺仪传感器接收所述陀螺仪传感器所采集的大量陀螺仪传感器的参数，并进行跌倒分类，得到分类结果B，根据所述分类结果A和分类结果B得到最终分类结果，所述最终分类结果表征是否跌倒。

可选的，所述浅层分类器为类中心最近分类器，所述深层分类器为深度信念网络，采用Dropout技术防止神经网络过拟合，在训练中随机删掉部分节点以及它们之间所属关系，随机选取神经网络单元组成新网络。

可选的，还包括血氧、心率和体温数据的采集，用于评价使用者的身体状况，以进一步判断跌倒的严重程度。

可选的，在判断发生跌倒时，由使用者按键确认功能，当人体没有跌倒而检测装置发出报警时，使用者可以通过按键取消报警；当人体发生了跌倒而检测装置没有发出报警时，使用者通过按键主动发出报警求助信号。

可选的，通过K-匿名、假身份假数据和泛化三种匿名算法的组合，找出适合可穿戴终端的匿名算法来保护个人隐私；根据数据不同敏感值，设定不同的用户角色，分别对应私有的局部参数和公开的全局参数，达到保护个人隐私的目的；首先，在数据采集和存储过程进行数据预处理和数据融合时，解决敏感数据的泛化，用敏感数据的“面”去代替单一的“点”，使得攻击者找不到精准的用户；其次，在移动健康领域进行深度学习得到的分类结果公布过程中，注意隐藏用户的重要隐私信息；

根据隐私保护需求和用户服务体验之间设置泛化区域，泛化区域越大，用户的隐私保护度越高，建立用户服务体验与泛化区域之间的曲线，当所述泛化区域低于第一阈值时，用户服务体验降低斜率高于第二阈值，则将第一阈值所表征的泛化区域作为实际泛化区域应用。

采用本发明技术，与现有技术相比，本发明之技术方案具有以下优点：本发明利用NB-IOT通信模块与通信基站进行数据传输，既能够实现远距离通信，且需要使用手机等移动终端，并降低了可穿戴终端的功耗，采用本发明的跌倒检测方式，不容易发生误判和漏判，结合血氧、心率和体温数据的采集分析，有利于进一步判断跌倒的严重性。

附图说明

图1为本发明的部分原理示意图；

图2为跌倒检测算法的结构框图；

图3为加入深度学习的跌倒检测算法的原理示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。

为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。

在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

参考图1-3所示，本发明提供一种应用于可穿戴终端的跌倒检测方法，包括以下步骤：所述可穿戴终端内置NB-IOT通信模块和GPS定位模块，并通过所述NB-IOT通信模块与通信基站进行数据和指令传输，通过所述GPS定位模块进行空间定位；根据采集使用者的人体活动参数和多个生理参数，进行人体活动识别，以判断使用者是否跌倒；若发生跌倒，则由所述通信基站接收判断结果信息，所述通信基站与云平台网络连接，所述云平台接入互联网，利用互联网终端将所述判断结果信息和使用者的GPS位置信息告知特定的关系人或医院。

实施例一、所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器，所述加速度传感器检测三轴加速度；加速度传感器在不同时刻的坐标系随着人体姿势的改变而改变，引入加速度幅值作为跌倒判断，以消除不同时刻加速度输出值的坐标映射关系，令所述加速度幅值为:AA(t)，得到

其中，a²x(t)是x轴加速度的平方，b²y(t)是y轴加速度的平方，c²z(t)是z轴加速度的平方，AA(t)是三轴加速度的总加速度，设置跌倒阈值，所述AA(t)在跌倒阈值范围内持有一段时间，则判断发生跌倒。

实施例二、参考图2所示，所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器，所述加速度传感器检测三轴加速度，获得三个轴向的加速度信号，所述三个轴向的加速度信号依次经高通滤波器和低通滤波器；设置线性跌倒阈值和非线性跌倒阈值；将滤波后的所述三个轴向的加速度信号与所述线性跌倒阈值比较，若在所述线性跌倒阈值范围内持续第一时间，则判断发生跌倒；或者，获得总加速度信号为:AA(t)，得到

其中，a²x(t)是x轴加速度的平方，b²y(t)是y轴加速度的平方，c²z(t)是z轴加速度的平方，AA(t)是三轴加速度的总加速度，设置跌倒阈值，所述AA(t)在非线性跌倒阈值范围内持有第二时间，则判断发生跌倒。

实施例三、参考图3所示，所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器和陀螺仪传感器，根据所述速度传感器和陀螺仪传感器所检测的参数，输入算法模型，以得到跌倒判断结果；所述算法模块包括深层分类器和浅层分类器，所述深层分类器接收加速度传感器所采集的大量加速度传感器的参数，并进行跌倒分类，得到分类结果A，所述陀螺仪传感器接收所述陀螺仪传感器所采集的大量陀螺仪传感器的参数，并进行跌倒分类，得到分类结果B，根据所述分类结果A和分类结果B得到最终分类结果，所述最终分类结果表征是否跌倒。

所述浅层分类器为类中心最近分类器，所述深层分类器为深度信念网络，采用Dropout技术防止神经网络过拟合，在训练中随机删掉部分节点以及它们之间所属关系，随机选取神经网络单元组成新网络。

本发明之方法还包括血氧、心率和体温数据的采集，用于评价使用者的身体状况，以进一步判断跌倒的严重程度。

在判断发生跌倒时，由使用者按键确认功能，当人体没有跌倒而检测装置发出报警时，使用者可以通过按键取消报警；当人体发生了跌倒而检测装置没有发出报警时，使用者通过按键主动发出报警求助信号。

通过K-匿名、假身份假数据和泛化三种匿名算法的组合，找出适合可穿戴终端的匿名算法来保护个人隐私；根据数据不同敏感值，设定不同的用户角色，分别对应私有的局部参数和公开的全局参数，达到保护个人隐私的目的；首先，在数据采集和存储过程进行数据预处理和数据融合时，解决敏感数据的泛化，用敏感数据的“面”去代替单一的“点”，使得攻击者找不到精准的用户；其次，在移动健康领域进行深度学习得到的分类结果公布过程中，注意隐藏用户的重要隐私信息；

根据隐私保护需求和用户服务体验之间设置泛化区域，泛化区域越大，用户的隐私保护度越高，建立用户服务体验与泛化区域之间的曲线，当所述泛化区域低于第一阈值时，用户服务体验降低斜率高于第二阈值，则将第一阈值所表征的泛化区域作为实际泛化区域应用。

系统中变量的不确定性越大，信息熵就越大，搞清楚它所需要的信息量也就越大。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。所以，信息熵可以作为系统有序化程度的一个度量。我们利用信息熵的上述理论，在资源受限的嵌入式终端隐私保护中，研究跌倒行为和生理参数采集影响系统信息熵的大小。通过信息熵的值计算出一个事件的可靠度，对于可靠度越高的事件节点，就越容易推断出目标的未来，因此，在保护目标节点的隐私时候，应该对这种高可靠度事件节点加以抑制；相反，对于可靠度越低的事件节点，越难推断出目标的确定值，上述这些问题都需要我们做深入研究。对于隐私保护中的空间泛化技术，显然泛化区域越大，用户的隐私保护度越高，但获得的服务质量将会降低。因而，确定一个合适的泛化区域是值得我们研究的一个重要内容，即在能够达到用户服务质量需求的基础上获得最好的隐私保护。实际上在泛化算法中求解最优解问题是一个NP问题，是一个非常具有挑战性的工作，即在保证服务质量的基础上最大限度地保护用户隐私，两者之间达到一种好的平衡。

本发明采用目前最新的窄带蜂窝物联网NB-IoT技术，基于此可设计一个小巧的、低能耗和通信距离长的可穿戴设备，进行老人跌倒检测。若老人在室内活动，通过可穿戴传感器检测和视频技术相结合的方法，视频技术采用异常检测开启的方式，省去了实时拍摄的存储等硬件要求。若老人在室外活动，则通过可穿戴传感器检测和GPS定位技术，报告老人的地理位置，通过和老人的交互通话来确认跌倒行为，提高跌倒检测的识别准确性。

结合目前先进的深度学习、物联网技术和传感器技术等，同时考虑个人隐私保护，开发一种安全的、可穿戴跌倒检测终端(以腰带或腕表形式呈现)和系统，该终端包含3D加速度和三轴陀螺仪、血氧、心率、体温、GPS定位等相关传感器，系统开发第二阶段可根据不同人群的需要选择加入心电、血压、血糖、肌电等信号到终端，在室内可增加视频图像作为系统补充，根据采集到的上述各项人体活动参数和生理参数，通过深度学习算法和传统的机器学习分类器进行特征学习和算法判决，研制“一种基于深度学习的安全可穿戴跌倒检测系统”。该系统在终端资源受限的环境下，利用创新的深度学习算法和机器学习综合判决算法，对老年人跌倒行为迅速做出准确判断，一旦检测到被测人体的异常跌倒情况，系统马上通过短信、电话或微信等方式及时通知家人、社区服务人员或医护人员，对老人进行快速抢救。若老人在户外发生跌倒，系统由GPS定位装置准确告知老人位置信息，从而避免老人跌倒后不能找到准确位置而造成严重后果。同时，该系统由于带有血氧参数监测，对患有睡眠窒息症者在夜间出现呼吸阻碍等症状，可进行有效的血氧指标检测和告警，大大降低呼吸猝死的死亡率。

NB-IoT芯片提供厂商主要有：华为海思、高通(Qualcomm)、锐迪科(RDA)、英特尔(Intel)、联发科等，本实施例采用华为海思Hi2115超低功耗SoC芯片，它基于ARM Cortex-M0内核，可搭载Huawei LiteOS嵌入式物联网操作系统，有利于嵌入式系统平台开发。

三轴向加速度传感器和三轴陀螺仪芯片采用InvenSense的MPU-6050模块，它具有低能耗低价格的优点。

Maxim公司的MAX30102是高灵敏度血氧和心率生物传感器，可以用于本实施例中的血氧和心率的采集，它包括内部的LED，光电检测器，光学元件，以及环境光抑制的低噪音电子学。

基于本发明的可穿戴终端的跌倒检测方法，可以形成一个可穿戴终端系统，包括可穿戴终端、NB-IOT通信模块、通信基站和云平台，所述可穿戴终端内置NB-IOT通信模块和GPS定位模块，并通过所述NB-IOT通信模块与通信基站进行数据和指令传输，通过所述GPS定位模块进行空间定位；根据采集使用者的人体活动参数和多个生理参数，进行人体活动识别，以判断使用者是否跌倒；若发生跌倒，则由所述通信基站接收判断结果信息，所述通信基站与云平台网络连接，所述云平台接入互联网，利用互联网终端将所述判断结果信息和使用者的GPS位置信息告知特定的关系人或医院。并且，上述限定跌倒检测方法的技术特征，均可用于限定本可穿戴终端系统。

虽然以上将实施例分开说明和阐述，但涉及部分共通之技术，在本领域普通技术人员看来，可以在实施例之间进行替换和整合，涉及其中一个实施例未明确记载的内容，则可参考有记载的另一个实施例。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (8)

1.一种应用于可穿戴终端的跌倒检测方法，包括以下步骤：

所述可穿戴终端内置NB-IOT通信模块和GPS定位模块，并通过所述NB-IOT通信模块与通信基站进行数据和指令传输，通过所述GPS定位模块进行空间定位；根据采集使用者的人体活动参数和多个生理参数，进行人体活动识别，以判断使用者是否跌倒；若发生跌倒，则由所述通信基站接收判断结果信息，所述通信基站与云平台网络连接，所述云平台接入互联网，利用互联网终端将所述判断结果信息和使用者的GPS位置信息告知特定的关系人或医院。

2.根据权利要求1所述的应用于可穿戴终端的跌倒检测方法，其特征在于：所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器，所述加速度传感器检测三轴加速度；加速度传感器在不同时刻的坐标系随着人体姿势的改变而改变，引入加速度幅值作为跌倒判断，以消除不同时刻加速度输出值的坐标映射关系，令所述加速度幅值为:AA(t)，得到

其中，a²x(t)是x轴加速度的平方，b²y(t)是y轴加速度的平方，c²z(t)是z轴加速度的平方，AA(t)是三轴加速度的总加速度，设置跌倒阈值，所述AA(t)在跌倒阈值范围内持有一段时间，则判断发生跌倒。

3.根据权利要求1所述的应用于可穿戴终端的跌倒检测方法，其特征在于：所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器，所述加速度传感器检测三轴加速度，获得三个轴向的加速度信号，所述三个轴向的加速度信号依次经高通滤波器和低通滤波器；设置线性跌倒阈值和非线性跌倒阈值；将滤波后的所述三个轴向的加速度信号与所述线性跌倒阈值比较，若在所述线性跌倒阈值范围内持续第一时间，则判断发生跌倒；或者，获得总加速度信号为:AA(t)，得到

其中，a²x(t)是x轴加速度的平方，b²y(t)是y轴加速度的平方，c²z(t)是z轴加速度的平方，AA(t)是三轴加速度的总加速度，设置跌倒阈值，所述AA(t)在非线性跌倒阈值范围内持有第二时间，则判断发生跌倒。

4.根据权利要求1所述的应用于可穿戴终端的跌倒检测方法，其特征在于：所述跌倒检测由所述可穿戴终端内置的跌倒检测模块实现，所述跌倒检测模块包括加速度传感器和陀螺仪传感器，根据所述速度传感器和陀螺仪传感器所检测的参数，输入算法模型，以得到跌倒判断结果；所述算法模块包括深层分类器和浅层分类器，所述深层分类器接收加速度传感器所采集的大量加速度传感器的参数，并进行跌倒分类，得到分类结果A，所述陀螺仪传感器接收所述陀螺仪传感器所采集的大量陀螺仪传感器的参数，并进行跌倒分类，得到分类结果B，根据所述分类结果A和分类结果B得到最终分类结果，所述最终分类结果表征是否跌倒。

5.根据权利要求3所述的应用于可穿戴终端的跌倒检测方法，其特征在于：所述浅层分类器为类中心最近分类器，所述深层分类器为深度信念网络，采用Dropout技术防止神经网络过拟合，在训练中随机删掉部分节点以及它们之间所属关系，随机选取神经网络单元组成新网络。

6.根据权利要求1-5任意一项所述的应用于可穿戴终端的跌倒检测方法，其特征在于：还包括血氧、心率和体温数据的采集，用于评价使用者的身体状况，以进一步判断跌倒的严重程度。

7.根据权利要求6所述的应用于可穿戴终端的跌倒检测方法，其特征在于：在判断发生跌倒时，由使用者按键确认功能，当人体没有跌倒而检测装置发出报警时，使用者可以通过按键取消报警；当人体发生了跌倒而检测装置没有发出报警时，使用者通过按键主动发出报警求助信号。

8.根据权利要求6所述的应用于可穿戴终端的跌倒检测方法，其特征在于：通过K-匿名、假身份假数据和泛化三种匿名算法的组合，找出适合可穿戴终端的匿名算法来保护个人隐私；根据数据不同敏感值，设定不同的用户角色，分别对应私有的局部参数和公开的全局参数，达到保护个人隐私的目的；首先，在数据采集和存储过程进行数据预处理和数据融合时，解决敏感数据的泛化，用敏感数据的“面”去代替单一的“点”，使得攻击者找不到精准的用户；其次，在移动健康领域进行深度学习得到的分类结果公布过程中，注意隐藏用户的重要隐私信息；

根据隐私保护需求和用户服务体验之间设置泛化区域，泛化区域越大，用户的隐私保护度越高，建立用户服务体验与泛化区域之间的曲线，当所述泛化区域低于第一阈值时，用户服务体验降低斜率高于第二阈值，则将第一阈值所表征的泛化区域作为实际泛化区域应用。

Images