基于样本加权算法的检测摔倒动作的方法

摘要

本发明针对采集动作样本中普通动作样本与摔倒动作样本数量差距过大，导致建立数学模型时，动作样本识别分类线划分不正确，造成实际使用过程中误警率过高的问题，引入基于样本加权极速学机ELM，增加数量较少的摔倒动作样本的权值，使得分类线向动作样本少的方向偏移，减少了误警率。应用本方法所设计的检测系统，结合了加速度计、陀螺仪和声音传感器的输出数据，利用检测模型判断是否摔倒，再通过高灵敏度气压计的重复确认，使检测摔倒的结果更加准确，减少了误报率，而且，对于可穿戴装备来说，本系统利用高灵敏度气压计重复确认，使该设备可以佩戴在使用者的腰部、手腕部、或者口袋中，对佩戴要求低，适用范围广。

主权项

一种基于样本加权算法的检测摔倒动作的方法，包括中央处理器芯片(1)、加速度计(201)和陀螺仪(202)，其特征是：通过以下步骤实现动作检测：A1：将用于采集线加速度的变化参数的加速度计(201)和用于采集角运动变化参数的陀螺仪(202)佩戴在被检测人体上，加速度计(201)和陀螺仪(202)实时输出数据给中央处理器芯片(1)；A2：采集环节：中央处理器芯片采集佩戴者身上携带的加速度计(201)和陀螺仪(202)发回的摔倒动作样本，以及除摔倒外的一般动作样本；设立映射表格，将动作类型与类标号对应；A3：数据处理环节：A301.以动作样本为输入结点建立数学模型：中央处理器芯片(1)内部采用基于单隐层前向神经网络的极速学习机ELM算法，选定A1环节中的动作样本为输入结点，建立数学模型；A302:动作样本的权值W的值为该类动作样本个数的倒数，使得动作样本数量越少，权值越大：其中#(t_i)表示动作样本所属的分类中动作样本的个数；A303：结合A301和A302环节，将引入权值后的动作样本经过转换过程后，再通过对偶原理和KKT理论得到输出矩阵；所述的转换过程为通过数学公式：和进行转换，其中W(x_i)表示动作样本x_i的权值；ε_i是一个长度为m向量，代表动作样本x_i的相对于m个输出结点的训练错误；所述的输出矩阵为：其中，I是一个单位矩阵；W是一个N×N的矩阵，其元素W_ii表示动作样本x_i的权值W(x_i)；C是正则化参数，代表平衡总体动作样本的最小错误；A4：利用数学模型检测动作环节：极速学习机ELM输出结点的值为：其中，m是输出结点的个数，也是分类问题中类的个数；相应的，TY是一个含有m个值的行向量；再通过类标号公式：得到j为动作样本x的类标号，并与A1环节中的映射表格对应，检测出摔倒动作。