[发明专利]一种精确识别老年人跌倒的智能家居设备

权利要求书

1.一种精确识别老年人跌倒的智能家居设备，其特征在于：该智能家居设备包括一个加速度传感器、一个陀螺仪和中央处理器，加速度传感器、陀螺仪收集的数据经过一个降噪器处理后作为中央处理器的输入，经过中央处理器的内置算法处理后通过通信模块向监护人发送实时信息。

2.根据权利要求1所述的精确识别老年人跌倒的智能家居设备，其特征在于：所述通信模块包括WIFI通信模块、ZigBee通信模块、移动通信模块。

3.根据权利要求1所述的精确识别老年人跌倒的智能家居设备，其特征在于所述中央处理器的内置算法包括能够精确识别使用者的行为动作的跌倒检测算法，算法的生成包括以下步骤：

(1)数据采集：采集过程要求受试者佩戴智能家居设备，模拟行走、跑步、上下楼、静卧和跌倒六种状态，记录来自智能家居设备内置的加速计传感器和陀螺仪的x、y、z轴上的数据，记录频率为50赫兹，对原始数据进行预处理：使用降噪器预处理加速传感器和陀螺仪信号；将数据分割为2.56秒的固定窗口，窗口间有50％的重叠；将加速传感器数据分解为重力加速度数据和身体加速度数据两部分；

(2)数据集表示：训练算法并验证算法的可靠性需要训练集和测试集，这两个集合都是由样本Q_i＝{X₁⁽ⁱ⁾,Y₁⁽ⁱ⁾,Z₁⁽ⁱ⁾,X₂⁽ⁱ⁾,Y₂⁽ⁱ⁾,Z₂⁽ⁱ⁾,X₃⁽ⁱ⁾,Y₃⁽ⁱ⁾,Z₃⁽ⁱ⁾,D}组成，在这里i指的是集合中样本序号，X₁，X₂，X₃分别指的是在X轴方向上身体加速度、陀螺仪角速度和总加速度的值，Y、Z轴表示与此相同，D是一个M维矢量，用来表示六种状态；

(3)算法框架选取：采用一维的卷积神经网络作为算法框架；

(4)算法的训练和调优

(4-1)将一维卷积神经网络算法模型整体结构调整如下，它包含2个1维卷积层，然后是一个dropout层，再加一个池化层，为了使算法模型更好地从输入数据中学习特征，定义两个卷积层作为一组，dropout层可以减慢学习过程并使最终的算法模型效果更好，而池化层将学习到的特征减小，使其保留最重要的元素，CNN和池化层之后，学到的特征被展开成一个长的向量，再经过一个全连接层，然后到达输出层，进行预测；

(4-2)对数据进行标准化预处理；

(4-3)搭建好了算法模型后，利用训练数据集对算法模型进行训练：

(4-3-1)选定训练组，从样本集中分别随机地选取9600个样本作为训练组，在这里，中间层的单元数可以根据训练的效果来进行调整，将其设置为L，输入的矢量为Q_i＝{X₁⁽ⁱ⁾,Y₁⁽ⁱ⁾,Z₁⁽ⁱ⁾,X₂⁽ⁱ⁾,Y₂⁽ⁱ⁾,Z₂⁽ⁱ⁾,X₃⁽ⁱ⁾,Y₃⁽ⁱ⁾,Z₃⁽ⁱ⁾}，中间层的输入矢量为H＝{h₀，h₁，…，h_L}，网络实际输出矢量为Y＝{y₀，y₁，…，y_M}，并用D＝{d₀，d₁，…，d_M}来表示目标输出，输出单元i到隐单元j的权值是V_ij，而隐单元j到输出单元k的权值是W_jk，另外用θ_k和φ_j来分别表示输出单元和隐含单元的阈值；

中间层各单元的输出为：

而输出层各单元的输出为：

其中，f(x)是激励函数，采用S型函数式为：

(4-3-2)将各权值V_ij，W_jk和阈值φ_j，θ_k设置成接近于0的随机值，并初始化精度控制参数ε和学习率α；

(4-3-3)从训练组中取一个输入向量Q_i，并给定它的目标输出矢量D_i；

(4-3-4)利用公式一计算出一个中间层输出矢量H，再用公式二计算出网络的实际输出矢Y；

(4-3-5)将输出矢量中的第k个元素y_k与目标矢量中的第k元素d_k进行比较，计算出M个输出误差项：

δ_k＝(d_k-y_k)y_k(1-y_k) 式四

对中间层的隐单元也计算出L个误差项：

(4-3-6)依次计算出各权值的调整量：

ΔW_jk(n)＝(a/(1+L))*(ΔW_jk(n-1)+1)*δ_k*δ_j 式六

ΔV_ij(n)＝(a/(1+N))*(ΔV_ij(n-1)+1)*δ_k*h_j 式七

和阈值的调整量：

Δθ_k(n)＝(a/(1+L))*(Δθ_k(n-1)+1)*δ_k 式八

Δφ_j(n)＝(a/(1+L))*(Δφ_j(n-1)+1)*δ_j 式九

(4-3-7)调整权值：

W_jk(n+1)＝W_jk(n)+ΔW_jk(n) 式十

V_ij(n+1)＝V_ij(n)+ΔV_ij(n) 式十一

调整阈值：

θ_k(n+1)＝θ_k(n)+Δθ_k(n) 式十二

φ_j(n+1)＝φ_j(n)+Δφ_j(n) 式十三

(4-3-8)当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且如果不满足，就返回步骤(4-3-3)，继续迭代；如果满足就进入下一步；

(4-3-9)训练结束，将权值和阈值保存在文件中，分类器算法形成。