通过云计算和机器学习算法判断摔倒的方法和系统

摘要

本发明公开了一种通过云计算和机器学习算法判断摔倒的方法和系统，涉及摔倒自动检测领域。本发明提供的方法和系统，通过首先对采集的加速度进行预判，过滤掉大量的非摔倒数据，然后利用线性分类算法对预判摔倒数据进行甄别，同时，在云服务器中，通过机器学习预判摔倒数据，更新线性分类算法，这种通过双重判断，同时在云服务器中，不断的对样本进行学习，从而对线性分类算法不断修正更新的方法和系统，不仅极大的提高了摔倒判断的结果，也提高了摔倒判断的速度。

说明书

技术领域

本发明涉及摔倒自动检测领域，尤其涉及一种通过云计算和机器学习算法判断摔倒的方法和系统。

背景技术

随着中国社会进入老龄化，全社会对老人的关心和关注逐渐增多。为了提高老年人出行的安全，针对老年人防摔倒的报警技术的研究也越来越多。

目前，摔倒检测设备，主要通过加速度传感器或者陀螺仪检测使用者的身体形态和活动状态，并根据这些数据来判断是否有摔倒事件的发生。摔倒监测设备在使用时，按照一定的角度佩戴在使用者身上，当有摔倒事件发生时，加速度和角度就会发生变化，所以，摔倒监测设备就利用该原理判断使用者是否发生摔倒事件。

但是现有技术中判断摔倒的方法，其摔倒条件只是加速度传感器或者陀螺仪采集的加速度和角度的变化，而加速度和角度的变化是使用者摔倒的必要条件，却不是使用者摔倒的充分条件，即使用者如果摔倒，则加速度传感器或陀螺仪的加速度和角度值必定会发生变化，但是，加速度传感器或陀螺仪的加速度和角度值发生变化，使用者却不一定发生摔倒事件。所以，现有技术中，只是依据加速度传感器或者陀螺仪采集的加速度和角度的变化，来判断发生摔倒事件，会产生较多误判的情况，准确率低。

发明内容

本发明的目的在于提供一种通过云计算和机器学习算法判断摔倒的方法和系统，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种通过云计算和机器学习算法判断摔倒的方法，包括如下步骤：

S1，加速度传感器采集加速度，并将加速度传输给处理器；

S2，所述处理器接收所述加速度，并判断所述加速度是否超过设定的阈值，如果所述加速度超过所述设定的阈值，则执行步骤S3；如果所述加速度未超过所述设定的阈值，则返回S1；

S3，所述处理器从云服务器下载线性分类算法，并利用所述线性分类算法判断所述加速度是否符合摔倒特征，如果符合，则摔倒；如果不符合，则未摔倒；

S4，所述处理器将S3中所有的超过所述设定的阈值的所述加速度和对应的是否摔倒的结果均传输至所述云服务器，所述云服务器通过学习所述加速度和对应的是否摔倒的结果，更新所述线性分类算法。

进一步地，S3中，还包括报警的步骤，如果摔倒，则报警。

优选地，所述加速度传感器为三轴加速度传感器。

具体地，S2包括如下步骤：

S201，所述处理器接收所述加速度；

S202，计算所述加速度的合加速度；

S203，判断所述合加速度是否超过设定的阈值。

优选地，S2中，所述阈值根据人的属性进行设置，所述人的属性包括性别、年龄、身高和体重中的至少一种。

优选地，S3中，所述摔倒特征通过如下方法获得：

S301，采集一段时间内的加速度和对应的是否摔倒的结果；

S302，对发生摔倒对应的所述加速度进行标记，得到标记的加速度；

S303，对所述标记的加速度数据进行学习，得到所述摔倒特征。

具体地，S4中，所述传输至云服务器为，通过GPRS传输至云服务器。

一种通过云计算和机器学习算法判断摔倒的系统，按照数据传输方向依次包括：加速度传感器、处理器、数据传输设备和云服务器。

优选地，所述数据传输设备为GSM模块。

具体地，所述处理器包括：

数据接收模块：用于接收加速度传感器传输的所述加速度；

摔倒预判模块：用于计算所述加速度，并判断所述加速度是否超过设定的阈值；

摔倒判断模块：用于从云服务器下载线性分类算法，并利用线性分类算法判断加速度是否符合摔倒特征，判断是否摔倒；

数据传输模块：用于将所有的超过所述设定的阈值的所述加速度和对应的是否摔倒的结果均传输至云服务器。

本发明的有益效果是：通过首先对采集的加速度进行预判，过滤掉大量的非摔倒数据，然后利用线性分类算法对预判摔倒数据进行甄别，同时，在云服务器中，通过机器学习预判摔倒数据，更新线性分类算法，这种通过双重判断，同时在云服务器中，不断的对样本进行学习，从而对线性分类算法不断修正更新的方法，不仅极大的提高了摔倒判断的结果，也提高了摔倒判断的速度。

附图说明

图1是本发明实施例一提供的方法流程示意图；

图2是本发明实施例二提供的系统结构示意图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，一种通过云计算和机器学习算法判断摔倒的方法，包括如下步骤：

S1，加速度传感器采集加速度，并将加速度传输给处理器；

S2，所述处理器接收所述加速度，并判断所述加速度是否超过设定的阈值，如果所述加速度超过所述设定的阈值，则执行步骤S3；如果所述加速度未超过所述设定的阈值，则返回S1；

S3，所述处理器从云服务器下载线性分类算法，并利用所述线性分类算法判断所述加速度是否符合摔倒特征，如果符合，则摔倒；如果不符合，则未摔倒；

S4，所述处理器将S3中所有的超过所述设定的阈值的所述加速度和对应的是否摔倒的结果均传输至所述云服务器，所述云服务器通过学习所述加速度和对应的是否摔倒的结果，更新所述线性分类算法。

与现有技术中只是通过加速度数据的变化来判断摔倒的方法相比，本发明实施例提供的方法中：

首先通过判断加速度是否超过设定的阈值，来进行摔倒预判，如果加速度的数值超过设定的阈值，则预判为摔倒，否则，预判为未摔倒；

为了提高摔倒判断的准确性，然后，对预判中超过设定的阈值的加速度，利用从云服务器中下载的线性分类算法判断是否符合摔倒特征，如果符合，则摔倒，如果不符合，则未摔倒。

其中，如本领域技术人员可以理解的，线性分类算法是机器学习算法中的一种。同时，在本发明实施例中，只是在本地处理器中利用线性分类算法判断加速度是否符合摔倒特征，而不学习样本，所以，极大的减轻了本地处理器的计算压力，这样，不仅提高了本地处理器的处理速度，同时还可以提高计算准确率。

本发明实施例中，对于加速度和对应的摔倒与否的结果的样本的学习和学习更多的样本后，更新线性分类算法的过程，是在云服务器中进行的，利用云服务器强大的云计算能力来完成上述样本的机器学习。然后再通知本地处理器来下载机器学习后更新的线性分类算法，用于判断获取得到的加速度是否符合摔倒特征，判断是否发生摔倒。由于机器学习过程是在云服务器中进行的，利用了云计算的能力，因此，计算速度更快，从而使本地处理器的判断摔倒的速度也更快，计算的准确率也更高。

本发明实施例中，是对采集的加速度进行了预判之后，才进行机器学习和判断的，而在预判过程中，过滤掉了大量的不符合摔倒条件的数据，使进入机器学习和判断的数据量大大的减少，因此，机器学习的样本更加准确，对线性分类算法的修正更加准确，进而利用该线性分类算法进行摔倒判断得到的结果也会更加准确。

因此，本发明实施例通过预判、线性分类算法甄别以及云服务器机器学习对线性分类算法不断修正、更新，使得摔倒判断的准确性得到了大大的提高。

本发明实施例中，S3中，还可以包括报警的步骤，如果摔倒，则报警。报警的功能可以帮助摔倒者得到及时的救助。

本发明实施例中，所述加速度传感器可以为三轴加速度传感器。

如本领域技术人员可以理解的，也可以采用非三轴的多轴加速度传感器。

如果采用三轴加速度传感器，则S2具体包括如下步骤：

S201，所述处理器接收所述加速度；

S202，计算所述加速度的合加速度；

S203，判断所述合加速度是否超过设定的阈值。

其中，三轴加速度传感器采集的三个轴的加速度值分别为：x、y、z，可以按照如下公式计算合加速度：sqrt(x*x+y*y+z*z)。通过计算三轴加速度的合加速度，并比较合加速度与设定的阈值之间的关系来进行预判。

如本领域技术人员可以理解的，也可以不计算三轴加速度的合加速度，直接将各轴加速度与设定的阈值进行比较，而通过计算合加速度，并利用合加速度与设定的阈值进行比较，可以进一步的提高摔倒判断的准确性。

本发明实施例中，S2中，所述阈值根据人的属性进行设置，所述人的属性包括性别、年龄、身高和体重中的至少一种。设定阈值。比如其他属性都相同的男性和女性，阈值可能就不同，具体数值可以根据摔倒判断的经验值来进行设定。这样，根据摔倒判断的经验值，对不同属性的人设定不同的阈值，可以提高预判的准确性。

本发明实施例中，S3中，所述摔倒特征可以通过如下方法获得：

S301，采集一段时间内的加速度和对应的是否摔倒的结果；

S302，对发生摔倒对应的所述加速度进行标记，得到标记的加速度；

S303，利用所述线性分类算法对所述标记的加速度数据进行学习，得到所述摔倒特征。

其中，摔倒的情况包括：站立情况下直接摔倒；走路过程中绊倒；跑步过程中绊倒；前仰、后仰、侧仰等。针对这些摔倒情况的加速度数据呈现散列分布的规律，在二维坐标系中可以认为分布于一条斜线周围，利用线性分类算法学习得到的这个规律就是摔倒特征。

本发明实施例中，摔倒特征的初始值可能需要人工进行干预，得到，之后，该方法运行之后，就可以通过云服务器不断学习新的样本，对线性分类算法不断进行修正和更新，本地处理器就可以利用不断修正和更新的线性分类算法不断的对摔倒特征进行修正和更新，学习的样本量越大，线性分类算法越准确，摔倒特征越准确，利用线性分类算法和摔倒特征得到的摔倒结果就会越准确。

本发明实施例中，S4中，所述传输至云服务器，具体为，通过GPRS传输至云服务器。

实施例二

如图2所示，本发明实施例提供了一种通过云计算和机器学习算法判断摔倒的系统，按照数据传输方向依次包括：加速度传感器、处理器、数据传输设备和云服务器。

其中，所述数据传输设备可以为GSM模块。GSM模块，是将GSM射频芯片、基带处理芯片、存储器、功放器件等集成在一块线路板上，具有独立的操作系统、GSM射频处理、基带处理并提供标准接口的功能模块。

GSM模块具有发送SMS短信，语音通话，GPRS数据传输等基于GSM网络进行通信的所有基本功能。

本发明实施例中，所述处理器可以包括：

数据接收模块：用于接收加速度传感器传输的所述加速度；

摔倒预判模块：用于计算所述加速度，并判断所述加速度是否超过设定的阈值；

摔倒判断模块：用于从云服务器下载线性分类算法，并利用线性分类算法判断加速度是否符合摔倒特征，判断是否摔倒；

数据传输模块：用于将所有的超过所述设定的阈值的所述加速度和对应的是否摔倒的结果均传输至云服务器。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：通过首先对采集的加速度进行预判，过滤掉大量的非摔倒数据，然后利用线性分类算法对预判摔倒数据进行甄别，同时，在云服务器中，通过机器学习预判摔倒数据，更新线性分类算法，这种通过双重判断，同时在云服务器中，不断的对样本进行学习，从而对线性分类算法不断修正更新的方法，不仅极大的提高了摔倒判断的结果，也提高了摔倒判断的速度。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域人员应该理解的是，上述实施例提供的方法步骤的时序可根据实际情况进行适应性调整，也可根据实际情况并发进行。

上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，例如：个人计算机、服务器、网络设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，例如：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。