[發明專利]一種跌倒檢測方法

有效

• 申請號: 202110784780.3
• 申請日: 2021-07-12
• 公開（公告）號: CN113450539B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 葉弋君;劉國華;馮博瑋
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G08B21/04
• 分類號: G08B21/04;G08B25/08;G08B25/01;G06V40/10;G06N3/04;G06N3/08;G16H80/00;G01S19/14;G01S19/17
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

1.一種跌倒檢測方法，其特征在于，包括以下步驟：

S1，對三軸加速度傳感器所采集的數據進行加速度計算，通過BP神經網絡確定閾值范圍，比較加速度是否超出來判斷人體當前的運動是否異常激烈；

S2，通過S1計算出的加速度數據乘以時間再對時間的積分進一步計算出人體相對能量損耗，比較是否超出設定閾值來判斷人當前的運動是否異常激烈；

S3，利用三軸陀螺儀采集數據，通過卡爾曼濾波算法計算出人體的傾斜角和橫滾角，通過判斷二者是否超過設定閾值來確定人體的姿態是否異常；

所述S1具體包括以下步驟：

由采集獲取的三軸加速度值a_x,a_y,a_z表示X、Y、Z軸的加速度，a_all代表合加速度；將加速度特征組合樣本表示為X＝{x₁,x₂,x₃,,,x_n}，n表示為訓練樣本的個數；將跌倒的樣本標記為1，不跌到的樣本標記為0，那么樣本對應表示為Y＝{y₁,y₂,y₃,,,y_n}，Y表示樣本類別，取值范圍為0或1；

本方法基于三層神經網絡結構，三層包括兩個隱藏層和一個輸出層；

前向傳播階段：

輸入的樣本為：x_i＝{a_x,a_y,a_z},i＝1,2,,,,n

第一層隱藏層有3個神經元，編號為1，2，3，第一層網絡的參數為：

b⁽¹⁾＝[b₁,b₂,b₃]；

其中，W_(ax，1)為x軸加速度在第一個神經元的權重，以此類推；b₁為第一個神經元的偏置，以此類推；W⁽¹⁾為第一層隱藏層的權重矩陣，以此類推；b⁽¹⁾為第一層隱藏層的偏置矩陣，以此類推；

第二層有2個神經元，編號為4，5，第二層隱藏層的參數為：

b⁽²⁾＝[b₄,b₅]

第三層有1個神經元，編號為6，參數為：

W⁽³⁾＝[W_(4,6) W_(5,6)]

b⁽³⁾＝[b₆]

得第一層隱藏層的輸入為：

z₁為第1個神經元的輸入，以此類推，

選擇Logistic函數:作為該層的激活函數，k＝1，2，3，表示層數，該層的輸出為f₁¹(z₁)、f₃¹(z₃)；

第二層隱藏層的輸入為：

該層的輸出分別為f₅²(z₅)；

輸出層只有一個神經元，該層的輸入為：

最后的輸出為

誤差反向傳播階段：

使用隨機梯度下降的方式來學習神經網絡的參數，設定損失函數：其中y是該樣本的真實類標，是神經網絡的預測值，是使用梯度下降進行參數的學習，計算出損失函數關于神經網絡中各層參數的偏導數:

計算

第k層神經元的輸入為：z^(k)＝W^(k)·n^(k-1)+b^(k)，n^(k-1)為第k-1層神經元的輸出，以此類推，n^(k-1)＝f_k-1(z^(k-1))；

分別求偏導解得代表第k層神經元的權重矩陣W^(k)的第m行，代表著第k層神經元的權重矩陣W^(k)的第m行中的第n列；

計算偏導數

稱為誤差項，用δ^(k)表示；

第k+1層神經元的輸入為：z^(k+1)＝W^(k+1)·n^(k)+b^(k+1)；

得

于是

更新參數階段：

在誤差反向傳播階段中已經計算出每一層的誤差項，在本階段中利用每一層的誤差項和梯度來更新每一層的權重W^(k)和偏置b^(k):

W^(k)＝W^(k)-α(δ^(k)(n^(k-1))^T+W^(k))

b^(k)＝b^(k)-αδ^(k)；

其中，α是學習率；

通過樣本不斷輸入，最后得到的參數即構成本神經網絡模型的參數，從而確定加速度的閾值范圍；若判定表明當前用戶的加速度異常時，則執行S2。