[發明專利]一種基于增強式學習的人體跌倒檢測方法及系統

在審

• 申請號: 202010624368.0
• 申請日: 2020-06-30
• 公開（公告）號: CN111931568A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 王曉原;劉善良;劉亞奇;韓俊彥;劉士杰
• 申請（專利權）人: 青島科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京易捷勝知識產權代理事務所(普通合伙) 11613
• 代理人: 齊勝杰;孫曉淑

1.一種基于增強式學習的人體跌倒檢測方法，其特征在于，其包括：

S10、采集人體在不同姿態下的特征參數，構建人體運動數據集，其中不同姿態中包括跌倒；

S20、采用監督學習對人體運動數據集構建用于識別跌倒的人工神經網絡模型；

S30、將人工神經網絡模型的當前權值和當前閾值分別作為初始權值和初始閾值，利用誤差-修正方法對人工神經網絡模型進行訓練，得到訓練后的模型；

S40、實時采集基于時間序列的人體運動行為參數；

S50、利用訓練后的模型對人體運動行為參數進行跌倒檢測。

2.如權利要求1所述的基于增強式學習的人體跌倒檢測方法，其特征在于，步驟S10中的特征參數包括三軸加速度、三軸角速度和高度。

3.如權利要求1所述的基于增強式學習的人體跌倒檢測方法，其特征在于，步驟S10中的不同姿態還包括：正常行走、奔跑、跳躍、下蹲和坐下。

4.如權利要求3所述的基于增強式學習的人體跌倒檢測方法，其特征在于，所述人體運動數據集中包括目標數據集、干擾數據集一、干擾數據集二和干擾數據集三，目標數據集包含人體跌倒時的特征參數和跌倒標簽數據，干擾數據集一包含人體正常行走和奔跑時的特征參數和行走標簽數據、奔跑標簽數據，干擾數據集二包含人體跳躍時的特征參數和跳躍標簽數據，干擾數據集三包含人體下蹲和坐下時的特征參數和下蹲標簽數據、坐下標簽數據。

5.如權利要求4所述的基于增強式學習的人體跌倒檢測方法，其特征在于，步驟S20包括：

將目標數據集中的任一組特征參數和跌倒標簽數據輸入到神經元中，得到一個神經元的輸出數據，其中人工神經網絡模型為：

輸出數據為：

其中x_i為輸入數據，ω_ji為第j個神經元的權值，θ_j為神經元j的閾值，u_j為實際輸出，f(u_j)為激活函數，y_j為輸出信號；

基于目標數據集中的其余多組數據分別輸入到神經元中得到多個輸出數據；

對多個輸出數據進行判斷，如果輸出數據滿足期望條件u_J＝0，期望響應代表神經網絡完成的最優動作，期望輸出y_j＝1；

基于多組數據輸入到神經元網絡模型以及得到的輸出數據進行監督學習，得到用于識別跌倒的人工神經網絡模型。

6.如權利要求5所述的基于增強式學習的人體跌倒檢測方法，其特征在于，步驟S30包括：

將人體運動數據集輸入到人工神經網絡模型中，得到實際輸出；

將實際輸出與期望輸出進行比較，得到誤差；

采用誤差信號驅動控制機制，調節神經元的突觸權值和突觸閾值，使輸出信號向期望輸出靠近，直到誤差能量的瞬時值小于期望誤差能量的瞬時值；

基于人工神經網絡模型獲取當前權值和當前閾值，將當前權值作為初始權值，將當前閾值作為初始閾值；

利用誤差-修正方法對人工神經網絡模型進行訓練，將干擾數據集一、干擾數據集二和干擾數據集三輸入到人工神經網絡模型中，如果輸出信號y_j＝0則人工神經網絡模型通過測試，否則繼續進行誤差-修正學習，直到通過測試；

完成誤差-修正學習的人工神經網絡模型作為訓練后的模型。

7.如權利要求1所述的基于增強式學習的人體跌倒檢測方法，其特征在于，步驟S40包括：

通過穿戴設備上的傳感器實時獲取傳感數據；

基于傳感數據得到基于時間序列的人體運動行為參數。

8.如權利要求6所述的基于增強式學習的人體跌倒檢測方法，其特征在于，步驟S50包括：

將人體運動行為參數輸入到訓練后的模型中進行跌倒檢測，如果判定人體跌倒，則輸出跌倒信號，并觸發報警信號。