本發(fā)明實施例涉及動作識別領域，特別是涉及一種基于人工神經(jīng)網(wǎng)絡的跌倒預測方法及跌倒氣囊防護裝置。

背景技術：

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，跌倒傷害對他們帶來的不只是生命的威脅，醫(yī)療花費的提升，更在心理上留下陰影，使其活動能力降低，健康狀況惡化，因此一些用于在老年人跌倒時起到保護作用的跌倒氣囊防護裝置應運而生。

跌倒氣囊防護裝置的工作原理在于通過根據(jù)人體的運動數(shù)據(jù)對跌倒進行預測，并在預測到跌倒后及時對氣囊進行充氣，以對人體的重要部分提供保護。目前的跌倒預測算法主要是運用閾值法，即判斷某一特定運動數(shù)據(jù)的具體數(shù)值是否大于預設閾值，若大于預設閾值，則認為出現(xiàn)跌倒。閾值法雖然實現(xiàn)起來相對簡單，但往往因為主觀選取的閾值對各種跌倒狀況不具有普遍性，導致跌倒預測的準確率不高，容易出現(xiàn)誤警或漏警現(xiàn)象。

技術實現(xiàn)要素：

本發(fā)明實施例主要解決的技術問題是提供一種基于人工神經(jīng)網(wǎng)絡的跌倒預測方法及跌倒氣囊防護裝置，能夠有效提高跌倒預測的準確率。

為解決上述技術問題，本發(fā)明實施例采用的一個技術方案是：提供一種基于人工神經(jīng)網(wǎng)絡的跌倒預測方法，該方法包括：從預先采集的人體運動數(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)對人工神經(jīng)網(wǎng)絡進行訓練，進而形成用于跌倒預測的多個第一分類函數(shù)并為第一分類函數(shù)分配相應的函數(shù)權重，其中第一分類函數(shù)的預測準確度越高，對應的函數(shù)權重越大；利用函數(shù)權重對第一分類函數(shù)進行加權求和，進而形成第二分類函數(shù)；利用第二分類函數(shù)對實時采集的人體運動數(shù)據(jù)進行跌倒預測。

其中，利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練的步驟包括：為各樣本數(shù)據(jù)分別分配一數(shù)據(jù)權重并進行初始化；利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練，進而形成多個第一分類函數(shù)中的一部分；將第一分類函數(shù)對各樣本數(shù)據(jù)的預測結果與各樣本數(shù)據(jù)的預期結果的差異大于預設閾值的樣本數(shù)據(jù)的數(shù)據(jù)權重進行累加，進而獲得第一分類函數(shù)所對應的預測誤差；基于預測誤差計算第一分類函數(shù)的函數(shù)權重，其中預測誤差越大，函數(shù)權重越??；判斷是否滿足迭代結束條件；若不滿足迭代結束條件，則基于函數(shù)權重、各樣本數(shù)據(jù)的預測結果和各樣本數(shù)據(jù)的預期結果對各樣本數(shù)據(jù)的數(shù)據(jù)權重進行調(diào)整，并返回利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練的步驟，進而形成新的第一分類函數(shù)；其中針對同一樣本數(shù)據(jù)，樣本數(shù)據(jù)的預測結果與樣本數(shù)據(jù)的預期結果差異越大，調(diào)整后的數(shù)據(jù)權重越大。

其中，為各樣本數(shù)據(jù)分別分配一數(shù)據(jù)權重并進行初始化的步驟包括：將各樣本數(shù)據(jù)的數(shù)據(jù)權重初始化為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，基于預測誤差計算第一分類函數(shù)的函數(shù)權重的步驟包括：通過如下公式計算函數(shù)權重：

在上述公式中，a_t為函數(shù)權重，b_t為預測誤差，ln為以自然常數(shù)e為底的對數(shù)函數(shù)。

其中，基于函數(shù)權重、各樣本數(shù)據(jù)的預測結果和各樣本數(shù)據(jù)的預期結果對各樣本數(shù)據(jù)的數(shù)據(jù)權重進行調(diào)整的步驟包括：通過以下公式對各樣本數(shù)據(jù)的數(shù)據(jù)權重進行調(diào)整：

在上述公式中，D_t(i)為第i個樣本數(shù)據(jù)調(diào)整前的數(shù)據(jù)權重，D_t+1(i)為第i個樣本數(shù)據(jù)調(diào)整后的數(shù)據(jù)權重，B_t為歸一化因子，用于使得調(diào)整后的多個樣本數(shù)據(jù)的數(shù)據(jù)權重歸一化，a_t為函數(shù)權重，g_t(x_i)為第i個樣本數(shù)據(jù)的預測結果，y_i為第i個樣本數(shù)據(jù)的預期結果，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)權重對第一分類函數(shù)進行加權求和的步驟包括：

其中，h(x)為第二分類函數(shù)，f_t(x)為第t個第一分類函數(shù)，a_t為第t個第一分類函數(shù)的函數(shù)權重，sign為符號函數(shù)。

其中，方法進一步包括：將實時采集的人體運動數(shù)據(jù)作為樣本數(shù)據(jù)，并進一步返回至利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練的步驟。

其中，從預先采集的人體運動數(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，進一步包括：利用運動傳感器采集人體在跌倒過程中的運動數(shù)據(jù)；提取跌倒發(fā)生時刻前的多個第一采樣點的運動數(shù)據(jù)作為第一樣本數(shù)據(jù)，并對第一樣本數(shù)據(jù)添加第一標識；提取人體處于正常狀態(tài)下的多個第二采樣點的運動數(shù)據(jù)作為第二樣本數(shù)據(jù)，并對第二樣本數(shù)據(jù)添加第二標識；將第一樣本數(shù)據(jù)和第二樣本數(shù)據(jù)進行組合，進而形成樣本空間，第一標識用于表示第一樣本數(shù)據(jù)的預期結果，第二標識用于表示第二樣本數(shù)據(jù)的預期結果。

其中，運動數(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)絡為后向反饋人工神經(jīng)網(wǎng)絡。

為解決上述技術問題，本發(fā)明實施例采用的另一個技術方案是：提供一種跌倒氣囊防護裝置，包括：樣本模塊，用于從預先采集的人體運動數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)；訓練模塊，用于利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練，進而形成用于跌倒預測的多個第一分類函數(shù)并為第一分類函數(shù)分配相應的函數(shù)權重，其中第一分類函數(shù)的預測準確度越高，對應的函數(shù)權重越大；函數(shù)模塊，用于利用函數(shù)權重對第一分類函數(shù)進行加權求和，進而形成第二分類函數(shù)；預測模塊，用于利用第二分類函數(shù)對實時采集的人體運動數(shù)據(jù)進行跌倒預測。

本發(fā)明實施例的有益效果是：在本發(fā)明實施例的跌倒預測方法中，通過對人工神經(jīng)網(wǎng)絡進行訓練并根據(jù)訓練獲得的第一分類函數(shù)的預測準確度對多個第一分類函數(shù)進行加權求和來形成最終用于進行跌倒預測的第二分類函數(shù)，由此可以有效地提高跌倒預測的準確度。

附圖說明

圖1是根據(jù)本發(fā)明第一實施例的基于人工神經(jīng)網(wǎng)絡的跌倒預測方法的流程圖；

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的具體實現(xiàn)方式的流程圖；

圖4是根據(jù)本發(fā)明第二實施例的基于人工神經(jīng)網(wǎng)絡的跌倒預測方法的流程圖；

圖5是根據(jù)本發(fā)明第三實施例的跌倒預測裝置的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

請參閱圖1，圖1是根據(jù)本發(fā)明第一實施例的基于人工神經(jīng)網(wǎng)絡的跌倒預測方法的流程圖。本實施例的跌倒預測方法包括以下步驟：

步驟S11：從預先采集的人體運動數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)。

其中，運動數(shù)據(jù)包括加速度、角速度以及傾斜角等數(shù)據(jù)。

具體地，在一個應用例中，從預先采集的人體運動數(shù)據(jù)的樣本空間，例如(X，Y)內(nèi)，隨機提取出m組樣本數(shù)據(jù)；其中，樣本數(shù)據(jù)包括運動數(shù)據(jù)和預期結果，即加速度、角速度、傾斜角數(shù)據(jù)和跌倒/未跌倒標識，例如1標識跌倒，-1標識未跌倒。此外，提取出的樣本數(shù)據(jù)數(shù)量可以根據(jù)實際情況設置，此處不做具體限定。

如圖2所示，在步驟S11之前，進一步包括：

步驟S101：利用運動傳感器采集人體在跌倒過程中的運動數(shù)據(jù)；

具體地，首先在人體的主要部位，例如膝關節(jié)、肘關節(jié)等，設置運動傳感器；通過設置的運動傳感器采集人體的運動數(shù)據(jù)，尤其是人體在跌倒過程中的運動數(shù)據(jù)，包括加速度、角速度以及傾斜角等；然后將采集到的運動數(shù)據(jù)進行預處理。首先，通過PCA(Principal Component Analysis)進行降維，即通過線性投影，將采集到的人體運動信號的高維的數(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，同時保留住較多的原數(shù)據(jù)點的特性，從而得到人體運動信號數(shù)據(jù)的主要特性；然后將降維后的運動數(shù)據(jù)轉化為10進制數(shù)據(jù)，以便后續(xù)樣本抽取。其中，運動傳感器可以采用市面上可以購買到的9軸運動傳感器X-Sens；當然，在其他實施例中，也可以根據(jù)實際需要采用其他運動傳感器，此處不做具體限定。

步驟S102：提取跌倒發(fā)生時刻前的多個第一采樣點的運動數(shù)據(jù)作為第一樣本數(shù)據(jù)，并對第一樣本數(shù)據(jù)添加第一標識；

具體地，在一個應用例中，在經(jīng)過預處理的運動數(shù)據(jù)中，提取加速度數(shù)據(jù)時，可以用加速度的突變時刻作為跌倒發(fā)生時刻，并提取一個跌倒發(fā)生時刻前的50個檢測點的加速度數(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)結合，作為一個跌倒發(fā)生時刻的樣本數(shù)據(jù)，記為x＝(a,w,o)；采用上述方法提取3000個跌倒發(fā)生時刻的樣本數(shù)據(jù)，以此作為第一樣本數(shù)據(jù)，并對第一樣本數(shù)據(jù)添加第一標識，例如對第一樣本數(shù)據(jù)添加第一標識y＝1，以表示第一樣本數(shù)據(jù)為跌倒發(fā)生時刻前的運動數(shù)據(jù)。

步驟S103：提取人體處于正常狀態(tài)下的多個第二采樣點的運動數(shù)據(jù)作為第二樣本數(shù)據(jù)，并對第二樣本數(shù)據(jù)添加第二標識；

在上述應用例中，在運動傳感器采集的運動數(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個時刻的樣本數(shù)據(jù)，以此作為第二樣本數(shù)據(jù)，并對第二樣本數(shù)據(jù)添加第二標識，例如對第二樣本數(shù)據(jù)添加第二標識y＝-1，以表示第二樣本數(shù)據(jù)為人體處于正常狀態(tài)下的運動數(shù)據(jù)。

步驟S104：將第一樣本數(shù)據(jù)和第二樣本數(shù)據(jù)進行組合，進而形成樣本空間，第一標識用于表示第一樣本數(shù)據(jù)的預期結果，第二標識用于表示第二樣本數(shù)據(jù)的預期結果。

上述應用例中，將3000個第一樣本數(shù)據(jù)和3000個第二樣本數(shù)據(jù)進行組合，形成具有6000個樣本數(shù)據(jù)的樣本空間，記為(X，Y)；其中，第一標識，例如y＝1，表示第一樣本數(shù)據(jù)的預期結果為跌倒；第二標識，例如y＝-1，表示第二樣本數(shù)據(jù)的預期結果為未跌倒。

步驟S12：利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練，進而形成用于跌倒預測的多個第一分類函數(shù)并為第一分類函數(shù)分配相應的函數(shù)權重，其中第一分類函數(shù)的預測準確度越高，對應的函數(shù)權重越大；

其中，人工神經(jīng)網(wǎng)絡為后向反饋人工神經(jīng)網(wǎng)絡，簡稱BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡運用向后反饋的學習機制，來修正神經(jīng)網(wǎng)中的權重，最終達到輸出正確結果的目的。BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，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)系的強度(即權重)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)生最終結果。若有正確的結果，那么將正確的結果和產(chǎn)生的結果進行比較，得到誤差，再逆推對神經(jīng)網(wǎng)中的鏈接權重進行反饋修正，從而來完成學習/訓練的過程。

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)權重并進行初始化；

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，在一個應用例中，輸入人工神經(jīng)網(wǎng)絡中進行訓練的樣本數(shù)據(jù)組數(shù)為m，設置每組樣本數(shù)據(jù)的初始權重為1/m，即初始狀態(tài)下，每組樣本數(shù)據(jù)的權重均相等。

步驟S122：利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練，進而形成多個第一分類函數(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)絡進行訓練前，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)絡結構，并初始化人工神經(jīng)網(wǎng)絡權值和閾值。在上述應用例中，輸入人工神經(jīng)網(wǎng)絡的樣本組數(shù)為m，需要輸出的預測結果同樣為m組，則可以確定人工神經(jīng)網(wǎng)絡為m個輸入m個輸出的結構，而人工神經(jīng)網(wǎng)絡的權值和閾值可以根據(jù)實際需求設置，此處不做具體限定。

具體地，在上述應用例中，將m組樣本數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡的輸入層，輸入層將樣本數(shù)據(jù)的值與輸入層和隱藏層之間的權值進行加權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))進行計算并將計算結果與隱藏層和輸出層之間的權值進行加權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)則進行計算后輸出最后的預測結果，記為預測序列g(t)；通過對輸入層、隱藏層和輸出層之間的權值和傳遞規(guī)則進行整理，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)，權值采用初始化的權值。當然，在其他應用例中，也可以根據(jù)實際需求采用其他激活函數(shù)。

步驟S123：將第一分類函數(shù)對各樣本數(shù)據(jù)的預測結果與各樣本數(shù)據(jù)的預期結果的差異大于預設閾值的樣本數(shù)據(jù)的數(shù)據(jù)權重進行累加，進而獲得第一分類函數(shù)所對應的預測誤差；

在上述應用例中，通過比較第一分類函數(shù)f_t(x)對各樣本數(shù)據(jù)的預測序列g(t)和各樣本數(shù)據(jù)的預期結果y，并將預測序列值g(t)與預期結果y的差異大于預設閾值的樣本數(shù)據(jù)的數(shù)據(jù)權重進行累加，即根據(jù)下列公式，可以得到第一分類函數(shù)f_t(x)所對應的預測序列g(t)的預測誤差：

上述公式中，b_t是第一分類函數(shù)f_t(x)所對應的預測序列g(t)的預測誤差，g_t(x_i)是第i個樣本數(shù)據(jù)的預測結果，y(x_i)是第i個樣本數(shù)據(jù)的預期結果，D_th是預設閾值，即人工神經(jīng)網(wǎng)絡初始化的閾值，D_t(i)是當|g_t(x_i)-y(x_i)|>D_th時第i個樣本數(shù)據(jù)的數(shù)據(jù)權重，即當?shù)趇個樣本數(shù)據(jù)的預測結果與預期結果之間的差異大于預設閾值時的第i個樣本數(shù)據(jù)的數(shù)據(jù)權重，將上述權重進行累加即得到第一分類函數(shù)f_t(x)所對應的預測序列g(t)的預測誤差b_t。

當然，在其他應用例中，預設閾值可以根據(jù)實際需求通過調(diào)整人工神經(jīng)網(wǎng)絡初始化的閾值獲得，此處不做具體限定。

步驟S124：基于預測誤差計算第一分類函數(shù)的函數(shù)權重，其中預測誤差越大，函數(shù)權重越?。?/p>

其中，步驟S124包括：

步驟S1241：通過如下公式計算函數(shù)權重：

在上述公式中，a_t為函數(shù)權重，b_t為預測誤差，ln為以自然常數(shù)e為底的對數(shù)函數(shù)。

通過上述公式，可以將預測誤差越大的第一分類函數(shù)的函數(shù)權重設置為越小的值，從而使得預測時，預測誤差越大的第一分類函數(shù)對預測結果的影響越小，進而提高預測的準確性。

步驟S125：判斷是否滿足迭代結束條件；

其中，迭代結束條件是預先設置的迭代計算次數(shù)，在一個應用例中，迭代結束條件為迭代計算50次；迭代計算次數(shù)的初始值為0，每次經(jīng)過步驟S124計算出函數(shù)權重后，迭代計算次數(shù)加1。

步驟S126：若不滿足迭代結束條件，則基于函數(shù)權重、各樣本數(shù)據(jù)的預測結果和各樣本數(shù)據(jù)的預期結果對各樣本數(shù)據(jù)的數(shù)據(jù)權重進行調(diào)整，并返回步驟S122，進而形成新的第一分類函數(shù)；其中針對同一樣本數(shù)據(jù)，樣本數(shù)據(jù)的預測結果與樣本數(shù)據(jù)的預期結果差異越大，調(diào)整后的數(shù)據(jù)權重越大。

其中，步驟S126包括：

步驟S1261：通過以下公式對各樣本數(shù)據(jù)的數(shù)據(jù)權重進行調(diào)整：

在上述公式中，D_t(i)為第i個樣本數(shù)據(jù)調(diào)整前的數(shù)據(jù)權重，D_t+1(i)為第i個樣本數(shù)據(jù)調(diào)整后的數(shù)據(jù)權重，B_t為歸一化因子，用于使得調(diào)整后的多個樣本數(shù)據(jù)的數(shù)據(jù)權重歸一化，a_t為函數(shù)權重，g_t(x_i)為第i個樣本數(shù)據(jù)的預測結果，y_i為第i個樣本數(shù)據(jù)的預期結果，exp為以自然常數(shù)e為底的指數(shù)函數(shù)。

具體地，在上述應用例中，當?shù)嬎愦螖?shù)小于50時，根據(jù)上述公式的計算可以調(diào)整各樣本數(shù)據(jù)的數(shù)據(jù)權重，并使得預測結果與預期結果的差異大于預設閾值的樣本數(shù)據(jù)的數(shù)據(jù)權重變大，從而在下一次迭代運算時可以更加注重這些預測錯誤的樣本數(shù)據(jù)，通過多次迭代計算和權重調(diào)整，可以減少預測錯誤的概率，提高預測準確性。

步驟S13：利用函數(shù)權重對第一分類函數(shù)進行加權求和，進而形成第二分類函數(shù)；

其中，步驟S13包括：

步驟S131：通過以下公式對第一分類函數(shù)進行加權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個第一分類函數(shù)，a_t為第t個第一分類函數(shù)的函數(shù)權重，sign為符號函數(shù)。

具體地，上述應用例中，經(jīng)過50次迭代計算后，將獲得的50個第一分類函數(shù)進行加權求和，最后采用符號函數(shù)得到第二分類函數(shù)。其中，符號函數(shù)使得第二分類函數(shù)的取值為1或-1，當50個第一分類函數(shù)加權求和的結果大于0時，第二分類函數(shù)的取值為1，表示預測結果為跌倒，而當50個第一分類函數(shù)加權求和的結果小于0時，第二分類函數(shù)的取值為-1，表示預測結果為未跌倒。

步驟S14：利用第二分類函數(shù)對實時采集的人體運動數(shù)據(jù)進行跌倒預測。

具體地，可以將第二分類函數(shù)移植到跌倒氣囊防護裝置的硬件平臺上，并根據(jù)跌倒氣囊防護裝置的運動傳感器實時采集的人體運動數(shù)據(jù)進行跌倒預測，并根據(jù)識別為跌倒時控制氣囊有效打開。在上述實施例中，第二分類函數(shù)是通過人工神經(jīng)網(wǎng)絡訓練得到的預測函數(shù)，利用第二分類函數(shù)直接對實時采集的人體運動數(shù)據(jù)進行跌倒預測，預測準確性較高；此外，訓練好的模型，即第二分類函數(shù)，對硬件平臺要求低，處理速度快，從而提高應用該跌倒預測方法的產(chǎn)品的性價比。

請參閱圖4，圖4是根據(jù)本發(fā)明第二實施例的基于人工神經(jīng)網(wǎng)絡的跌倒預測方法的流程圖，本實施例是在本發(fā)明第一實施例的基礎上，當發(fā)生跌倒或者跌倒預測錯誤時執(zhí)行的步驟，包括：

步驟S15：將實時采集的人體運動數(shù)據(jù)作為樣本數(shù)據(jù)，并進一步返回至利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練的步驟。

具體地，每次利用第二分類函數(shù)對實時采集的人體運動數(shù)據(jù)進行預測后，獲取預期結果和預測結果，并判斷預期結果是否為跌倒，若未跌倒，則判斷預測結果與預期結果是否相符，若預測結果也是未跌倒，則二者相符，預測準確，繼續(xù)使用該第二分類函數(shù)進行預測；若判斷結果是跌倒或者預測結果與預期結果不相符，則將實時采集的人體運動數(shù)據(jù)進行收集，在達到一定數(shù)量后作為樣本數(shù)據(jù)，并進一步返回至利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練的步驟，重新進行迭代計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)進行跌倒預測。

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

在本實施例中，可以將實時采集的人體運動數(shù)據(jù)通過通信網(wǎng)絡反饋到服務器，并由服務器針對不同的跌倒氣囊防護裝置客制化生成相應的第二分類函數(shù)，并對跌倒氣囊防護裝置內(nèi)的第二分類函數(shù)進行更新，以使得每個跌倒氣囊防護裝置能夠根據(jù)使用者的實際情況進行更準確的跌倒預測。當然，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裝置的硬件平臺上，進而直接在跌倒氣囊防護裝置的本地實現(xiàn)第二分類函數(shù)的客制化更新。

通過上述實施例，可以通過擴充樣本數(shù)據(jù)或者糾正預測錯誤的方式，減少預測出錯的概率，進而利用人工神經(jīng)網(wǎng)絡的訓練機制進一步提高預測的準確性，并實現(xiàn)針對用戶的客制化預測。

請參閱圖5，圖5是根據(jù)本發(fā)明第三實施例的跌倒氣囊防護裝置的結構示意圖。如圖5所示，本發(fā)明第三實施例的跌倒氣囊防護裝置50包括：依次連接的樣本模塊501、訓練模塊502、函數(shù)模塊503和預測模塊504。

樣本模塊501，用于從預先采集的人體運動數(shù)據(jù)的樣本空間內(nèi)提出多組樣本數(shù)據(jù)；

訓練模塊502，用于利用多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練，進而形成用于跌倒預測的多個第一分類函數(shù)并為第一分類函數(shù)分配相應的函數(shù)權重，其中第一分類函數(shù)的預測準確度越高，對應的函數(shù)權重越大；

函數(shù)模塊503，用于利用函數(shù)權重對第一分類函數(shù)進行加權求和，進而形成第二分類函數(shù)；

預測模塊504，用于利用第二分類函數(shù)對實時采集的人體運動數(shù)據(jù)進行跌倒預測。

具體地，樣本模塊501從預先采集的人體運動數(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)傳輸至訓練模塊502，訓練模塊502利用該多組樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡進行訓練，形成多個第一分類函數(shù)并為第一分類函數(shù)分配相應的函數(shù)權重，函數(shù)模塊503利用訓練模塊502產(chǎn)生的函數(shù)權重對第一分類函數(shù)進行加權求和，形成第二分類函數(shù)后，將該第二分類函數(shù)傳輸至預測模塊504，預測模塊504利用該第二分類函數(shù)對實時采集的人體運動數(shù)據(jù)進行跌倒預測，當預測模塊504預測結果為跌倒時控制氣囊有效打開，否則不打開。其中，樣本模塊501、訓練模塊502、函數(shù)模塊503和預測模塊504的具體工作流程可以參閱本發(fā)明第一或第二實施例的流程，此處不再重復。

以上所述僅為本發(fā)明的實施方式，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)容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。