技術(shù)特征：

1.一種基于人工神經(jīng)網(wǎng)絡(luò)的跌倒預(yù)測方法，其特征在于，所述方法包括：

從預(yù)先采集的人體運(yùn)動數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)；

利用所述多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成用于跌倒預(yù)測的多個(gè)第一分類函數(shù)并為所述第一分類函數(shù)分配相應(yīng)的函數(shù)權(quán)重，其中所述第一分類函數(shù)的預(yù)測準(zhǔn)確度越高，對應(yīng)的所述函數(shù)權(quán)重越大；

利用所述函數(shù)權(quán)重對所述第一分類函數(shù)進(jìn)行加權(quán)求和，進(jìn)而形成第二分類函數(shù)；

利用所述第二分類函數(shù)對實(shí)時(shí)采集的人體運(yùn)動數(shù)據(jù)進(jìn)行跌倒預(yù)測。

2.根據(jù)權(quán)利要求1中的方法，其特征在于，所述利用所述多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟包括：

為各所述樣本數(shù)據(jù)分別分配一數(shù)據(jù)權(quán)重并進(jìn)行初始化；

利用所述多組樣本數(shù)據(jù)對所述人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成所述多個(gè)第一分類函數(shù)中的一部分；

將所述第一分類函數(shù)對各所述樣本數(shù)據(jù)的預(yù)測結(jié)果與各所述樣本數(shù)據(jù)的預(yù)期結(jié)果的差異大于預(yù)設(shè)閾值的所述樣本數(shù)據(jù)的所述數(shù)據(jù)權(quán)重進(jìn)行累加，進(jìn)而獲得所述第一分類函數(shù)所對應(yīng)的預(yù)測誤差；

基于所述預(yù)測誤差計(jì)算所述第一分類函數(shù)的所述函數(shù)權(quán)重，其中所述預(yù)測誤差越大，所述函數(shù)權(quán)重越??；

判斷是否滿足迭代結(jié)束條件；

若不滿足所述迭代結(jié)束條件，則基于所述函數(shù)權(quán)重、各所述樣本數(shù)據(jù)的預(yù)測結(jié)果和各所述樣本數(shù)據(jù)的預(yù)期結(jié)果對各所述樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整，并返回所述利用所述多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟，進(jìn)而形成新的所述第一分類函數(shù)；其中針對同一所述樣本數(shù)據(jù)，所述樣本數(shù)據(jù)的預(yù)測結(jié)果與所述樣本數(shù)據(jù)的預(yù)期結(jié)果差異越大，調(diào)整后的所述數(shù)據(jù)權(quán)重越大。

3.根據(jù)權(quán)利要求2中的方法，其特征在于，所述為各所述樣本數(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：

將各所述樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重初始化為1/m，其中m為所述多組樣本數(shù)據(jù)中的所述樣本數(shù)據(jù)的組數(shù)。

4.根據(jù)權(quán)利要求2中的方法，其特征在于，所述基于所述預(yù)測誤差計(jì)算所述第一分類函數(shù)的所述函數(shù)權(quán)重的步驟包括：

通過如下公式計(jì)算所述函數(shù)權(quán)重：

$a_t=\frac{1}{2}ln\left(\frac{1-b_t}{b_t}\right);$

其中，a_t為所述函數(shù)權(quán)重，b_t為所述預(yù)測誤差，ln為以自然常數(shù)e為底的對數(shù)函數(shù)。

5.根據(jù)權(quán)利要求2中的方法，其特征在于，所述基于所述函數(shù)權(quán)重、各所述樣本數(shù)據(jù)的預(yù)測結(jié)果和各所述樣本數(shù)據(jù)的預(yù)期結(jié)果對各所述樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整的步驟包括：

通過以下公式對各所述樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重進(jìn)行調(diào)整：

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{B_t}\×\exp \[-a_t{y}_i{g}_t\left(x_i\right)\];$

其中，D_t(i)為第i個(gè)樣本數(shù)據(jù)調(diào)整前的所述數(shù)據(jù)權(quán)重，D_t+1(i)為第i個(gè)樣本數(shù)據(jù)調(diào)整后的所述數(shù)據(jù)權(quán)重，B_t為歸一化因子，用于使得調(diào)整后的所述多個(gè)樣本數(shù)據(jù)的數(shù)據(jù)權(quán)重歸一化，a_t為所述函數(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)。

6.根據(jù)權(quán)利要求1中的方法，其特征在于，所述利用所述函數(shù)權(quán)重對所述第一分類函數(shù)進(jìn)行加權(quán)求和的步驟包括：

利用如下公式對所述第一分類函數(shù)進(jìn)行加權(quán)求和：

$h\left(x\right)=sign\[\underset{t=1}{\overset{T}{\Σ}}{a}_t\·f_t\left(x\right)\];$

其中，h(x)為所述第二分類函數(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)的所述函數(shù)權(quán)重，sign為符號函數(shù)。

7.根據(jù)權(quán)利要求1中的方法，其特征在于，所述方法進(jìn)一步包括：

將所述實(shí)時(shí)采集的人體運(yùn)動數(shù)據(jù)作為所述樣本數(shù)據(jù)，并進(jìn)一步返回至所述利用所述多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟。

8.根據(jù)權(quán)利要求1中的方法，其特征在于，所述從預(yù)先采集的人體運(yùn)動數(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)動傳感器采集人體在跌倒過程中的運(yùn)動數(shù)據(jù)；

提取跌倒發(fā)生時(shí)刻前的多個(gè)第一采樣點(diǎn)的所述運(yùn)動數(shù)據(jù)作為第一樣本數(shù)據(jù)，并對所述第一樣本數(shù)據(jù)添加第一標(biāo)識；

提取人體處于正常狀態(tài)下的多個(gè)第二采樣點(diǎn)的所述運(yùn)動數(shù)據(jù)作為第二樣本數(shù)據(jù)，并對所述第二樣本數(shù)據(jù)添加第二標(biāo)識；

將所述第一樣本數(shù)據(jù)和所述第二樣本數(shù)據(jù)進(jìn)行組合，進(jìn)而形成所述樣本空間，其中所述第一標(biāo)識用于表示所述第一樣本數(shù)據(jù)的預(yù)期結(jié)果，所述第二標(biāo)識用于表示所述第二樣本數(shù)據(jù)的預(yù)期結(jié)果。

9.根據(jù)權(quán)利要求8中的方法，其特征在于，所述運(yùn)動數(shù)據(jù)包括加速度、角速度以及傾斜角。

10.根據(jù)權(quán)利要求1中的方法，其特征在于，所述人工神經(jīng)網(wǎng)絡(luò)為后向反饋人工神經(jīng)網(wǎng)絡(luò)。

11.一種跌倒氣囊防護(hù)裝置，其特征在于，包括：

樣本模塊，用于從預(yù)先采集的人體運(yùn)動數(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，用于利用所述多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而形成用于跌倒預(yù)測的多個(gè)第一分類函數(shù)并為所述第一分類函數(shù)分配相應(yīng)的函數(shù)權(quán)重，其中所述第一分類函數(shù)的預(yù)測準(zhǔn)確度越高，對應(yīng)的所述函數(shù)權(quán)重越大；

函數(shù)模塊，用于利用所述函數(shù)權(quán)重對所述第一分類函數(shù)進(jìn)行加權(quán)求和，進(jìn)而形成第二分類函數(shù)；

預(yù)測模塊，用于利用所述第二分類函數(shù)對實(shí)時(shí)采集的人體運(yùn)動數(shù)據(jù)進(jìn)行跌倒預(yù)測。