本發(fā)明實(shí)施例涉及動(dòng)作識(shí)別領(lǐng)域，特別是涉及一種基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測(cè)方法及跌倒氣囊防護(hù)裝置。

背景技術(shù)：

隨著人口老齡化現(xiàn)象的日益突出，由于老年人肌肉能力退化，反應(yīng)敏捷度降低，平衡能力減弱，再加之自身疾病的影響，成為易跌倒人群。然而，跌倒傷害對(duì)他們帶來的不只是生命的威脅，醫(yī)療花費(fèi)的提升，更在心理上留下陰影，使其活動(dòng)能力降低，健康狀況惡化，因此一些用于在老年人跌倒時(shí)起到保護(hù)作用的跌倒氣囊防護(hù)裝置應(yīng)運(yùn)而生。

跌倒氣囊防護(hù)裝置的工作原理在于通過根據(jù)人體的運(yùn)動(dòng)數(shù)據(jù)對(duì)跌倒進(jìn)行預(yù)測(cè)，并在預(yù)測(cè)到跌倒后及時(shí)對(duì)氣囊進(jìn)行充氣，以對(duì)人體的重要部分提供保護(hù)。目前的跌倒預(yù)測(cè)算法主要是運(yùn)用閾值法，即判斷某一特定運(yùn)動(dòng)數(shù)據(jù)的具體數(shù)值是否大于預(yù)設(shè)閾值，若大于預(yù)設(shè)閾值，則認(rèn)為出現(xiàn)跌倒。閾值法雖然實(shí)現(xiàn)起來相對(duì)簡(jiǎn)單，但往往因?yàn)橹饔^選取的閾值對(duì)各種跌倒?fàn)顩r不具有普遍性，導(dǎo)致跌倒預(yù)測(cè)的準(zhǔn)確率不高，容易出現(xiàn)誤警或漏警現(xiàn)象。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例主要解決的技術(shù)問題是提供一種基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測(cè)方法及跌倒氣囊防護(hù)裝置，能夠有效提高跌倒預(yù)測(cè)的準(zhǔn)確率。

為解決上述技術(shù)問題，本發(fā)明實(shí)施例采用的一個(gè)技術(shù)方案是：提供一種基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測(cè)方法，該方法包括：從預(yù)先采集的人體運(yùn)動(dòng)數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)；利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成用于跌倒預(yù)測(cè)的多個(gè)第一分類函數(shù)并為第一分類函數(shù)分配相應(yīng)的函數(shù)權(quán)重，其中第一分類函數(shù)的預(yù)測(cè)準(zhǔn)確度越高，對(duì)應(yīng)的函數(shù)權(quán)重越大；利用函數(shù)權(quán)重對(duì)第一分類函數(shù)進(jìn)行加權(quán)求和，進(jìn)而形成第二分類函數(shù)；利用第二分類函數(shù)對(duì)實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行跌倒預(yù)測(cè)。

其中，利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟包括：為各樣本數(shù)據(jù)分別分配一數(shù)據(jù)權(quán)重并進(jìn)行初始化；利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成多個(gè)第一分類函數(shù)中的一部分；將第一分類函數(shù)對(duì)各樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果與各樣本數(shù)據(jù)的預(yù)期結(jié)果的差異大于預(yù)設(shè)閾值的樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行累加，進(jìn)而獲得第一分類函數(shù)所對(duì)應(yīng)的預(yù)測(cè)誤差；基于預(yù)測(cè)誤差計(jì)算第一分類函數(shù)的函數(shù)權(quán)重，其中預(yù)測(cè)誤差越大，函數(shù)權(quán)重越小；判斷是否滿足迭代結(jié)束條件；若不滿足迭代結(jié)束條件，則基于函數(shù)權(quán)重、各樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果和各樣本數(shù)據(jù)的預(yù)期結(jié)果對(duì)各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整，并返回利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟，進(jìn)而形成新的第一分類函數(shù)；其中針對(duì)同一樣本數(shù)據(jù)，樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果與樣本數(shù)據(jù)的預(yù)期結(jié)果差異越大，調(diào)整后的數(shù)據(jù)權(quán)重越大。

其中，為各樣本數(shù)據(jù)分別分配一數(shù)據(jù)權(quán)重并進(jìn)行初始化的步驟包括：將各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重初始化為1/m，其中m為多組樣本數(shù)據(jù)中的樣本數(shù)據(jù)的組數(shù)。

其中，基于預(yù)測(cè)誤差計(jì)算第一分類函數(shù)的函數(shù)權(quán)重的步驟包括：通過如下公式計(jì)算函數(shù)權(quán)重：

在上述公式中，a_t為函數(shù)權(quán)重，b_t為預(yù)測(cè)誤差，ln為以自然常數(shù)e為底的對(duì)數(shù)函數(shù)。

其中，基于函數(shù)權(quán)重、各樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果和各樣本數(shù)據(jù)的預(yù)期結(jié)果對(duì)各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整的步驟包括：通過以下公式對(duì)各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整：

在上述公式中，D_t(i)為第i個(gè)樣本數(shù)據(jù)調(diào)整前的數(shù)據(jù)權(quán)重，D_t+1(i)為第i個(gè)樣本數(shù)據(jù)調(diào)整后的數(shù)據(jù)權(quán)重，B_t為歸一化因子，用于使得調(diào)整后的多個(gè)樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重歸一化，a_t為函數(shù)權(quán)重，g_t(x_i)為第i個(gè)樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果，y_i為第i個(gè)樣本數(shù)據(jù)的預(yù)期結(jié)果，exp為以自然常數(shù)e為底的指數(shù)函數(shù)。

其中，利用函數(shù)權(quán)重對(duì)第一分類函數(shù)進(jìn)行加權(quán)求和的步驟包括：

其中，h(x)為第二分類函數(shù)，f_t(x)為第t個(gè)第一分類函數(shù)，a_t為第t個(gè)第一分類函數(shù)的函數(shù)權(quán)重，sign為符號(hào)函數(shù)。

其中，方法進(jìn)一步包括：將實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)作為樣本數(shù)據(jù)，并進(jìn)一步返回至利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟。

其中，從預(yù)先采集的人體運(yùn)動(dòng)數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)的步驟之前，進(jìn)一步包括：利用運(yùn)動(dòng)傳感器采集人體在跌倒過程中的運(yùn)動(dòng)數(shù)據(jù)；提取跌倒發(fā)生時(shí)刻前的多個(gè)第一采樣點(diǎn)的運(yùn)動(dòng)數(shù)據(jù)作為第一樣本數(shù)據(jù)，并對(duì)第一樣本數(shù)據(jù)添加第一標(biāo)識(shí)；提取人體處于正常狀態(tài)下的多個(gè)第二采樣點(diǎn)的運(yùn)動(dòng)數(shù)據(jù)作為第二樣本數(shù)據(jù)，并對(duì)第二樣本數(shù)據(jù)添加第二標(biāo)識(shí)；將第一樣本數(shù)據(jù)和第二樣本數(shù)據(jù)進(jìn)行組合，進(jìn)而形成樣本空間，第一標(biāo)識(shí)用于表示第一樣本數(shù)據(jù)的預(yù)期結(jié)果，第二標(biāo)識(shí)用于表示第二樣本數(shù)據(jù)的預(yù)期結(jié)果。

其中，運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度以及傾斜角。

其中，人工神經(jīng)網(wǎng)絡(luò)為后向反饋人工神經(jīng)網(wǎng)絡(luò)。

為解決上述技術(shù)問題，本發(fā)明實(shí)施例采用的另一個(gè)技術(shù)方案是：提供一種跌倒氣囊防護(hù)裝置，包括：樣本模塊，用于從預(yù)先采集的人體運(yùn)動(dòng)數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)；訓(xùn)練模塊，用于利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成用于跌倒預(yù)測(cè)的多個(gè)第一分類函數(shù)并為第一分類函數(shù)分配相應(yīng)的函數(shù)權(quán)重，其中第一分類函數(shù)的預(yù)測(cè)準(zhǔn)確度越高，對(duì)應(yīng)的函數(shù)權(quán)重越大；函數(shù)模塊，用于利用函數(shù)權(quán)重對(duì)第一分類函數(shù)進(jìn)行加權(quán)求和，進(jìn)而形成第二分類函數(shù)；預(yù)測(cè)模塊，用于利用第二分類函數(shù)對(duì)實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行跌倒預(yù)測(cè)。

本發(fā)明實(shí)施例的有益效果是：在本發(fā)明實(shí)施例的跌倒預(yù)測(cè)方法中，通過對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并根據(jù)訓(xùn)練獲得的第一分類函數(shù)的預(yù)測(cè)準(zhǔn)確度對(duì)多個(gè)第一分類函數(shù)進(jìn)行加權(quán)求和來形成最終用于進(jìn)行跌倒預(yù)測(cè)的第二分類函數(shù)，由此可以有效地提高跌倒預(yù)測(cè)的準(zhǔn)確度。

附圖說明

圖1是根據(jù)本發(fā)明第一實(shí)施例的基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測(cè)方法的流程圖；

圖2是圖1所示的步驟S11中樣本空間的具體形成方式的流程圖；

圖3是圖1所示的步驟S12的具體實(shí)現(xiàn)方式的流程圖；

圖4是根據(jù)本發(fā)明第二實(shí)施例的基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測(cè)方法的流程圖；

圖5是根據(jù)本發(fā)明第三實(shí)施例的跌倒預(yù)測(cè)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參閱圖1，圖1是根據(jù)本發(fā)明第一實(shí)施例的基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測(cè)方法的流程圖。本實(shí)施例的跌倒預(yù)測(cè)方法包括以下步驟：

步驟S11：從預(yù)先采集的人體運(yùn)動(dòng)數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)。

其中，運(yùn)動(dòng)數(shù)據(jù)包括加速度、角速度以及傾斜角等數(shù)據(jù)。

具體地，在一個(gè)應(yīng)用例中，從預(yù)先采集的人體運(yùn)動(dòng)數(shù)據(jù)的樣本空間，例如(X，Y)內(nèi)，隨機(jī)提取出m組樣本數(shù)據(jù)；其中，樣本數(shù)據(jù)包括運(yùn)動(dòng)數(shù)據(jù)和預(yù)期結(jié)果，即加速度、角速度、傾斜角數(shù)據(jù)和跌倒/未跌倒標(biāo)識(shí)，例如1標(biāo)識(shí)跌倒，-1標(biāo)識(shí)未跌倒。此外，提取出的樣本數(shù)據(jù)數(shù)量可以根據(jù)實(shí)際情況設(shè)置，此處不做具體限定。

如圖2所示，在步驟S11之前，進(jìn)一步包括：

步驟S101：利用運(yùn)動(dòng)傳感器采集人體在跌倒過程中的運(yùn)動(dòng)數(shù)據(jù)；

具體地，首先在人體的主要部位，例如膝關(guān)節(jié)、肘關(guān)節(jié)等，設(shè)置運(yùn)動(dòng)傳感器；通過設(shè)置的運(yùn)動(dòng)傳感器采集人體的運(yùn)動(dòng)數(shù)據(jù)，尤其是人體在跌倒過程中的運(yùn)動(dòng)數(shù)據(jù)，包括加速度、角速度以及傾斜角等；然后將采集到的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行預(yù)處理。首先，通過PCA(Principal Component Analysis)進(jìn)行降維，即通過線性投影，將采集到的人體運(yùn)動(dòng)信號(hào)的高維的數(shù)據(jù)映射到低維的空間中表示，并期望在所投影的維度上數(shù)據(jù)的方差最大，以此使用較少的數(shù)據(jù)維度，同時(shí)保留住較多的原數(shù)據(jù)點(diǎn)的特性，從而得到人體運(yùn)動(dòng)信號(hào)數(shù)據(jù)的主要特性；然后將降維后的運(yùn)動(dòng)數(shù)據(jù)轉(zhuǎn)化為10進(jìn)制數(shù)據(jù)，以便后續(xù)樣本抽取。其中，運(yùn)動(dòng)傳感器可以采用市面上可以購(gòu)買到的9軸運(yùn)動(dòng)傳感器X-Sens；當(dāng)然，在其他實(shí)施例中，也可以根據(jù)實(shí)際需要采用其他運(yùn)動(dòng)傳感器，此處不做具體限定。

步驟S102：提取跌倒發(fā)生時(shí)刻前的多個(gè)第一采樣點(diǎn)的運(yùn)動(dòng)數(shù)據(jù)作為第一樣本數(shù)據(jù)，并對(duì)第一樣本數(shù)據(jù)添加第一標(biāo)識(shí)；

具體地，在一個(gè)應(yīng)用例中，在經(jīng)過預(yù)處理的運(yùn)動(dòng)數(shù)據(jù)中，提取加速度數(shù)據(jù)時(shí)，可以用加速度的突變時(shí)刻作為跌倒發(fā)生時(shí)刻，并提取一個(gè)跌倒發(fā)生時(shí)刻前的50個(gè)檢測(cè)點(diǎn)的加速度數(shù)據(jù)，以此作為加速度第一樣本數(shù)據(jù)，記為a＝(a₁,a₂,…,a₅₀)；類似的，分別提取角速度第一樣本數(shù)據(jù)和傾斜角第一樣本數(shù)據(jù)，記為w＝(w₁,w₂,…,w₅₀)和o＝(o₁,o₂,…,o₅₀)；然后將加速度第一樣本數(shù)據(jù)、角速度第一樣本數(shù)據(jù)和傾斜角第一樣本數(shù)據(jù)結(jié)合，作為一個(gè)跌倒發(fā)生時(shí)刻的樣本數(shù)據(jù)，記為x＝(a,w,o)；采用上述方法提取3000個(gè)跌倒發(fā)生時(shí)刻的樣本數(shù)據(jù)，以此作為第一樣本數(shù)據(jù)，并對(duì)第一樣本數(shù)據(jù)添加第一標(biāo)識(shí)，例如對(duì)第一樣本數(shù)據(jù)添加第一標(biāo)識(shí)y＝1，以表示第一樣本數(shù)據(jù)為跌倒發(fā)生時(shí)刻前的運(yùn)動(dòng)數(shù)據(jù)。

步驟S103：提取人體處于正常狀態(tài)下的多個(gè)第二采樣點(diǎn)的運(yùn)動(dòng)數(shù)據(jù)作為第二樣本數(shù)據(jù)，并對(duì)第二樣本數(shù)據(jù)添加第二標(biāo)識(shí)；

在上述應(yīng)用例中，在運(yùn)動(dòng)傳感器采集的運(yùn)動(dòng)數(shù)據(jù)中，可以采用類似的方法，提取人體處于正常狀態(tài)下的3000個(gè)時(shí)刻的樣本數(shù)據(jù)，以此作為第二樣本數(shù)據(jù)，并對(duì)第二樣本數(shù)據(jù)添加第二標(biāo)識(shí)，例如對(duì)第二樣本數(shù)據(jù)添加第二標(biāo)識(shí)y＝-1，以表示第二樣本數(shù)據(jù)為人體處于正常狀態(tài)下的運(yùn)動(dòng)數(shù)據(jù)。

步驟S104：將第一樣本數(shù)據(jù)和第二樣本數(shù)據(jù)進(jìn)行組合，進(jìn)而形成樣本空間，第一標(biāo)識(shí)用于表示第一樣本數(shù)據(jù)的預(yù)期結(jié)果，第二標(biāo)識(shí)用于表示第二樣本數(shù)據(jù)的預(yù)期結(jié)果。

上述應(yīng)用例中，將3000個(gè)第一樣本數(shù)據(jù)和3000個(gè)第二樣本數(shù)據(jù)進(jìn)行組合，形成具有6000個(gè)樣本數(shù)據(jù)的樣本空間，記為(X，Y)；其中，第一標(biāo)識(shí)，例如y＝1，表示第一樣本數(shù)據(jù)的預(yù)期結(jié)果為跌倒；第二標(biāo)識(shí)，例如y＝-1，表示第二樣本數(shù)據(jù)的預(yù)期結(jié)果為未跌倒。

步驟S12：利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成用于跌倒預(yù)測(cè)的多個(gè)第一分類函數(shù)并為第一分類函數(shù)分配相應(yīng)的函數(shù)權(quán)重，其中第一分類函數(shù)的預(yù)測(cè)準(zhǔn)確度越高，對(duì)應(yīng)的函數(shù)權(quán)重越大；

其中，人工神經(jīng)網(wǎng)絡(luò)為后向反饋人工神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)運(yùn)用向后反饋的學(xué)習(xí)機(jī)制，來修正神經(jīng)網(wǎng)中的權(quán)重，最終達(dá)到輸出正確結(jié)果的目的。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出層。其中，輸入層將刺激傳遞給隱藏層，隱藏層通過神經(jīng)元之間聯(lián)系的強(qiáng)度(即權(quán)重)和傳遞規(guī)則(即激活函數(shù))將刺激傳到輸出層，輸出層整理隱藏層處理的后的刺激產(chǎn)生最終結(jié)果。若有正確的結(jié)果，那么將正確的結(jié)果和產(chǎn)生的結(jié)果進(jìn)行比較，得到誤差，再逆推對(duì)神經(jīng)網(wǎng)中的鏈接權(quán)重進(jìn)行反饋修正，從而來完成學(xué)習(xí)/訓(xùn)練的過程。

具體地，如圖3所示，步驟S12包括：

步驟S121：為各樣本數(shù)據(jù)分別分配一數(shù)據(jù)權(quán)重并進(jìn)行初始化；

其中，步驟S121包括：

步驟S1211：將各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重初始化為1/m，其中m為多組樣本數(shù)據(jù)中的樣本數(shù)據(jù)的組數(shù)。

具體地，在一個(gè)應(yīng)用例中，輸入人工神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練的樣本數(shù)據(jù)組數(shù)為m，設(shè)置每組樣本數(shù)據(jù)的初始權(quán)重為1/m，即初始狀態(tài)下，每組樣本數(shù)據(jù)的權(quán)重均相等。

步驟S122：利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成多個(gè)第一分類函數(shù)中的一部分；

其中，在將各樣本數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練前，需要根據(jù)輸入輸出的數(shù)據(jù)維數(shù)確定人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并初始化人工神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。在上述應(yīng)用例中，輸入人工神經(jīng)網(wǎng)絡(luò)的樣本組數(shù)為m，需要輸出的預(yù)測(cè)結(jié)果同樣為m組，則可以確定人工神經(jīng)網(wǎng)絡(luò)為m個(gè)輸入m個(gè)輸出的結(jié)構(gòu)，而人工神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值可以根據(jù)實(shí)際需求設(shè)置，此處不做具體限定。

具體地，在上述應(yīng)用例中，將m組樣本數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)的輸入層，輸入層將樣本數(shù)據(jù)的值與輸入層和隱藏層之間的權(quán)值進(jìn)行加權(quán)求和后作為刺激傳遞給隱藏層，隱藏層將輸入層傳遞的刺激通過隱藏層的傳遞規(guī)則(即激活函數(shù))進(jìn)行計(jì)算并將計(jì)算結(jié)果與隱藏層和輸出層之間的權(quán)值進(jìn)行加權(quán)求和后作為新的刺激傳遞給輸出層，輸出層將隱藏層傳遞的新的刺激通過輸出層的傳遞規(guī)則進(jìn)行計(jì)算后輸出最后的預(yù)測(cè)結(jié)果，記為預(yù)測(cè)序列g(shù)(t)；通過對(duì)輸入層、隱藏層和輸出層之間的權(quán)值和傳遞規(guī)則進(jìn)行整理，可以得到從輸入層至輸出層的第一分類函數(shù)f_t(x)。其中，傳遞規(guī)則，即激活函數(shù)可以采用Sigmoid函數(shù)，權(quán)值采用初始化的權(quán)值。當(dāng)然，在其他應(yīng)用例中，也可以根據(jù)實(shí)際需求采用其他激活函數(shù)。

步驟S123：將第一分類函數(shù)對(duì)各樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果與各樣本數(shù)據(jù)的預(yù)期結(jié)果的差異大于預(yù)設(shè)閾值的樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行累加，進(jìn)而獲得第一分類函數(shù)所對(duì)應(yīng)的預(yù)測(cè)誤差；

在上述應(yīng)用例中，通過比較第一分類函數(shù)f_t(x)對(duì)各樣本數(shù)據(jù)的預(yù)測(cè)序列g(shù)(t)和各樣本數(shù)據(jù)的預(yù)期結(jié)果y，并將預(yù)測(cè)序列值g(t)與預(yù)期結(jié)果y的差異大于預(yù)設(shè)閾值的樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行累加，即根據(jù)下列公式，可以得到第一分類函數(shù)f_t(x)所對(duì)應(yīng)的預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差：

上述公式中，b_t是第一分類函數(shù)f_t(x)所對(duì)應(yīng)的預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差，g_t(x_i)是第i個(gè)樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果，y(x_i)是第i個(gè)樣本數(shù)據(jù)的預(yù)期結(jié)果，D_th是預(yù)設(shè)閾值，即人工神經(jīng)網(wǎng)絡(luò)初始化的閾值，D_t(i)是當(dāng)|g_t(x_i)-y(x_i)|>D_th時(shí)第i個(gè)樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重，即當(dāng)?shù)趇個(gè)樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果與預(yù)期結(jié)果之間的差異大于預(yù)設(shè)閾值時(shí)的第i個(gè)樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重，將上述權(quán)重進(jìn)行累加即得到第一分類函數(shù)f_t(x)所對(duì)應(yīng)的預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差b_t。

當(dāng)然，在其他應(yīng)用例中，預(yù)設(shè)閾值可以根據(jù)實(shí)際需求通過調(diào)整人工神經(jīng)網(wǎng)絡(luò)初始化的閾值獲得，此處不做具體限定。

步驟S124：基于預(yù)測(cè)誤差計(jì)算第一分類函數(shù)的函數(shù)權(quán)重，其中預(yù)測(cè)誤差越大，函數(shù)權(quán)重越小；

其中，步驟S124包括：

步驟S1241：通過如下公式計(jì)算函數(shù)權(quán)重：

在上述公式中，a_t為函數(shù)權(quán)重，b_t為預(yù)測(cè)誤差，ln為以自然常數(shù)e為底的對(duì)數(shù)函數(shù)。

通過上述公式，可以將預(yù)測(cè)誤差越大的第一分類函數(shù)的函數(shù)權(quán)重設(shè)置為越小的值，從而使得預(yù)測(cè)時(shí)，預(yù)測(cè)誤差越大的第一分類函數(shù)對(duì)預(yù)測(cè)結(jié)果的影響越小，進(jìn)而提高預(yù)測(cè)的準(zhǔn)確性。

步驟S125：判斷是否滿足迭代結(jié)束條件；

其中，迭代結(jié)束條件是預(yù)先設(shè)置的迭代計(jì)算次數(shù)，在一個(gè)應(yīng)用例中，迭代結(jié)束條件為迭代計(jì)算50次；迭代計(jì)算次數(shù)的初始值為0，每次經(jīng)過步驟S124計(jì)算出函數(shù)權(quán)重后，迭代計(jì)算次數(shù)加1。

步驟S126：若不滿足迭代結(jié)束條件，則基于函數(shù)權(quán)重、各樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果和各樣本數(shù)據(jù)的預(yù)期結(jié)果對(duì)各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整，并返回步驟S122，進(jìn)而形成新的第一分類函數(shù)；其中針對(duì)同一樣本數(shù)據(jù)，樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果與樣本數(shù)據(jù)的預(yù)期結(jié)果差異越大，調(diào)整后的數(shù)據(jù)權(quán)重越大。

其中，步驟S126包括：

步驟S1261：通過以下公式對(duì)各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整：

在上述公式中，D_t(i)為第i個(gè)樣本數(shù)據(jù)調(diào)整前的數(shù)據(jù)權(quán)重，D_t+1(i)為第i個(gè)樣本數(shù)據(jù)調(diào)整后的數(shù)據(jù)權(quán)重，B_t為歸一化因子，用于使得調(diào)整后的多個(gè)樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重歸一化，a_t為函數(shù)權(quán)重，g_t(x_i)為第i個(gè)樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果，y_i為第i個(gè)樣本數(shù)據(jù)的預(yù)期結(jié)果，exp為以自然常數(shù)e為底的指數(shù)函數(shù)。

具體地，在上述應(yīng)用例中，當(dāng)?shù)?jì)算次數(shù)小于50時(shí)，根據(jù)上述公式的計(jì)算可以調(diào)整各樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重，并使得預(yù)測(cè)結(jié)果與預(yù)期結(jié)果的差異大于預(yù)設(shè)閾值的樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重變大，從而在下一次迭代運(yùn)算時(shí)可以更加注重這些預(yù)測(cè)錯(cuò)誤的樣本數(shù)據(jù)，通過多次迭代計(jì)算和權(quán)重調(diào)整，可以減少預(yù)測(cè)錯(cuò)誤的概率，提高預(yù)測(cè)準(zhǔn)確性。

步驟S13：利用函數(shù)權(quán)重對(duì)第一分類函數(shù)進(jìn)行加權(quán)求和，進(jìn)而形成第二分類函數(shù)；

其中，步驟S13包括：

步驟S131：通過以下公式對(duì)第一分類函數(shù)進(jìn)行加權(quán)求和以得到第二分類函數(shù)：

其中，h(x)為第二分類函數(shù)，f_t(x)為第t個(gè)第一分類函數(shù)，a_t為第t個(gè)第一分類函數(shù)的函數(shù)權(quán)重，sign為符號(hào)函數(shù)。

具體地，上述應(yīng)用例中，經(jīng)過50次迭代計(jì)算后，將獲得的50個(gè)第一分類函數(shù)進(jìn)行加權(quán)求和，最后采用符號(hào)函數(shù)得到第二分類函數(shù)。其中，符號(hào)函數(shù)使得第二分類函數(shù)的取值為1或-1，當(dāng)50個(gè)第一分類函數(shù)加權(quán)求和的結(jié)果大于0時(shí)，第二分類函數(shù)的取值為1，表示預(yù)測(cè)結(jié)果為跌倒，而當(dāng)50個(gè)第一分類函數(shù)加權(quán)求和的結(jié)果小于0時(shí)，第二分類函數(shù)的取值為-1，表示預(yù)測(cè)結(jié)果為未跌倒。

步驟S14：利用第二分類函數(shù)對(duì)實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行跌倒預(yù)測(cè)。

具體地，可以將第二分類函數(shù)移植到跌倒氣囊防護(hù)裝置的硬件平臺(tái)上，并根據(jù)跌倒氣囊防護(hù)裝置的運(yùn)動(dòng)傳感器實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行跌倒預(yù)測(cè)，并根據(jù)識(shí)別為跌倒時(shí)控制氣囊有效打開。在上述實(shí)施例中，第二分類函數(shù)是通過人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的預(yù)測(cè)函數(shù)，利用第二分類函數(shù)直接對(duì)實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行跌倒預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確性較高；此外，訓(xùn)練好的模型，即第二分類函數(shù)，對(duì)硬件平臺(tái)要求低，處理速度快，從而提高應(yīng)用該跌倒預(yù)測(cè)方法的產(chǎn)品的性價(jià)比。

請(qǐng)參閱圖4，圖4是根據(jù)本發(fā)明第二實(shí)施例的基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測(cè)方法的流程圖，本實(shí)施例是在本發(fā)明第一實(shí)施例的基礎(chǔ)上，當(dāng)發(fā)生跌倒或者跌倒預(yù)測(cè)錯(cuò)誤時(shí)執(zhí)行的步驟，包括：

步驟S15：將實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)作為樣本數(shù)據(jù)，并進(jìn)一步返回至利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟。

具體地，每次利用第二分類函數(shù)對(duì)實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè)后，獲取預(yù)期結(jié)果和預(yù)測(cè)結(jié)果，并判斷預(yù)期結(jié)果是否為跌倒，若未跌倒，則判斷預(yù)測(cè)結(jié)果與預(yù)期結(jié)果是否相符，若預(yù)測(cè)結(jié)果也是未跌倒，則二者相符，預(yù)測(cè)準(zhǔn)確，繼續(xù)使用該第二分類函數(shù)進(jìn)行預(yù)測(cè)；若判斷結(jié)果是跌倒或者預(yù)測(cè)結(jié)果與預(yù)期結(jié)果不相符，則將實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行收集，在達(dá)到一定數(shù)量后作為樣本數(shù)據(jù)，并進(jìn)一步返回至利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟，重新進(jìn)行迭代計(jì)算獲得更新后的第二分類函數(shù)，以更新后的第二分類函數(shù)進(jìn)行跌倒預(yù)測(cè)。

上述實(shí)施例的執(zhí)行在步驟S14之后，可以與本發(fā)明第一實(shí)施例相結(jié)合。

在本實(shí)施例中，可以將實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)通過通信網(wǎng)絡(luò)反饋到服務(wù)器，并由服務(wù)器針對(duì)不同的跌倒氣囊防護(hù)裝置客制化生成相應(yīng)的第二分類函數(shù)，并對(duì)跌倒氣囊防護(hù)裝置內(nèi)的第二分類函數(shù)進(jìn)行更新，以使得每個(gè)跌倒氣囊防護(hù)裝置能夠根據(jù)使用者的實(shí)際情況進(jìn)行更準(zhǔn)確的跌倒預(yù)測(cè)。當(dāng)然，也可以將第二分類函數(shù)具體生成算法移植到跌倒氣囊防護(hù)裝置的硬件平臺(tái)上，進(jìn)而直接在跌倒氣囊防護(hù)裝置的本地實(shí)現(xiàn)第二分類函數(shù)的客制化更新。

通過上述實(shí)施例，可以通過擴(kuò)充樣本數(shù)據(jù)或者糾正預(yù)測(cè)錯(cuò)誤的方式，減少預(yù)測(cè)出錯(cuò)的概率，進(jìn)而利用人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練機(jī)制進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性，并實(shí)現(xiàn)針對(duì)用戶的客制化預(yù)測(cè)。

請(qǐng)參閱圖5，圖5是根據(jù)本發(fā)明第三實(shí)施例的跌倒氣囊防護(hù)裝置的結(jié)構(gòu)示意圖。如圖5所示，本發(fā)明第三實(shí)施例的跌倒氣囊防護(hù)裝置50包括：依次連接的樣本模塊501、訓(xùn)練模塊502、函數(shù)模塊503和預(yù)測(cè)模塊504。

樣本模塊501，用于從預(yù)先采集的人體運(yùn)動(dòng)數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)；

訓(xùn)練模塊502，用于利用多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成用于跌倒預(yù)測(cè)的多個(gè)第一分類函數(shù)并為第一分類函數(shù)分配相應(yīng)的函數(shù)權(quán)重，其中第一分類函數(shù)的預(yù)測(cè)準(zhǔn)確度越高，對(duì)應(yīng)的函數(shù)權(quán)重越大；

函數(shù)模塊503，用于利用函數(shù)權(quán)重對(duì)第一分類函數(shù)進(jìn)行加權(quán)求和，進(jìn)而形成第二分類函數(shù)；

預(yù)測(cè)模塊504，用于利用第二分類函數(shù)對(duì)實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行跌倒預(yù)測(cè)。

具體地，樣本模塊501從預(yù)先采集的人體運(yùn)動(dòng)數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)后，將該多組樣本數(shù)據(jù)傳輸至訓(xùn)練模塊502，訓(xùn)練模塊502利用該多組樣本數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，形成多個(gè)第一分類函數(shù)并為第一分類函數(shù)分配相應(yīng)的函數(shù)權(quán)重，函數(shù)模塊503利用訓(xùn)練模塊502產(chǎn)生的函數(shù)權(quán)重對(duì)第一分類函數(shù)進(jìn)行加權(quán)求和，形成第二分類函數(shù)后，將該第二分類函數(shù)傳輸至預(yù)測(cè)模塊504，預(yù)測(cè)模塊504利用該第二分類函數(shù)對(duì)實(shí)時(shí)采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行跌倒預(yù)測(cè)，當(dāng)預(yù)測(cè)模塊504預(yù)測(cè)結(jié)果為跌倒時(shí)控制氣囊有效打開，否則不打開。其中，樣本模塊501、訓(xùn)練模塊502、函數(shù)模塊503和預(yù)測(cè)模塊504的具體工作流程可以參閱本發(fā)明第一或第二實(shí)施例的流程，此處不再重復(fù)。

以上所述僅為本發(fā)明的實(shí)施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。