[发明专利]用于嵌入式设备的跌倒判断模型构建方法及嵌入式设备

权利要求书

1.一种用于嵌入式设备的跌倒判断模型构建方法，其特征在于，所述模型构建方法包括：

S1、针对跌倒样本数据提取特征值，得到多种类型的特征；

S2、对步骤S1的多种类型的所述特征进行重要性排序，对于重要性排序在前列的所述特征，将特征计算复杂度、所需内存空间和特征组合，作为随机森林模型的输入，进行模型训练，得到在满足嵌入式设备硬件条件下，跌倒判断准确性指标最优的优化特征组合及优化随机森林模型参数；

S3、在嵌入式设备端动态生成经优化的随机森林模型，用C语言实现，在嵌入式设备端运行。

2.如权利要求1所述的用于嵌入式设备的跌倒判断模型构建方法，其特征在于，步骤S1中，利用TSFRESH库针对跌倒样本数据，提取得到大量特征值。

3.如权利要求2所述的用于嵌入式设备的跌倒判断模型构建方法，其特征在于，步骤S2具体包括：

S2.1通过随机森林算法计算步骤S1所述特征的特征重要性，并按照特征重要性大小对所述特征进行排序；

S2.2选取一定数量的特征重要性排序在前列的所述特征，作为待选特征；

S2.3计算步骤S2.2中得到的所述待选特征之间的相关性，相关性大于设定阈值的所述待选特征中剔除特征计算复杂度较大的；

S2.4对经过步骤S2.3处理后的所述待选特征进行特征计算复杂度排序，优先选择具有较低计算复杂度的所述待选特征；

S2.5选取经步骤S2.4得到的若干所述待选特征组成多个特征组合；以特征组合的计算复杂度、特征组合及随机森林所需的内存空间为限制条件，对每种特征组合分别进行不同随机森林参数的测试，得到每种特征组合的跌倒判断准确性指标；以特征组合的跌倒判断准确性指标最高为目标函数，得到优化特征组合和优化随机森林参数。

4.如权利要求1或3所述的用于嵌入式设备的跌倒判断模型构建方法，其特征在于，所述跌倒判断准确性指标为准确率、召回率、精确率中的一种，或两种或三种的组合。

5.如权利要求3所述的用于嵌入式设备的跌倒判断模型构建方法，其特征在于，步骤S2.5中，所述目标函数为：max(P)；

其中P为跌倒判断准确性指标：

Accruacy为准确率，Recall为召回率，Precision为精确率；

限制条件：T≤20毫秒，S≤120KB字节；

T表示给定特征组合的时间复杂度，假定特征组合F＝{F₁，F₂，...，F_n}是n个特征的组合，特征F_i，1≤i≤n的时间复杂度为T_i，S表示给定特征组合和随机森林所需的内存空间大小。

6.如权利要求1所述的用于嵌入式设备的跌倒判断模型构建方法，其特征在于，随机森林模型参数包括决策树数量M和决策树的最大深度D；其中M为奇数，且M≥3，D≤10。

7.如权利要求1所述的用于嵌入式设备的跌倒判断模型构建方法，其特征在于，步骤S2中，寻找优化特征组合时，需满足如下条件：

a、特征组合的跌倒判断准确率、精确率和召回率均不低于97％；

b、随机森林模型中所有决策树的总节点数量不超过500个节点；

c、特征组合的跌倒判断准确率相同时，选择计算复杂度低的特征组合。

8.如权利要求1所述的用于嵌入式设备的跌倒判断模型构建方法，其特征在于，步骤S3中，所述在嵌入式设备端动态生成经优化的随机森林模型，具体为：

S3.1将所有决策树按照先序序列分别转换为键值序列保存在键值序列数组中；

S3.2算法运行时，调用二叉树构造函数将所述键值序列数组自动转换为决策树；

S3.3将基于传感器数据计算所得的特征值作为所构建决策树的输入，进行跌倒判断。