[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

说明书

本发明涉及嵌入式设备技术领域，提供了一种用于嵌入式设备的跌倒判断模型构建方法及嵌入式设备，所述方法包括：针对跌倒样本数据提取特征值；对多种特征的重要度、计算量、所需空间分别排序；以多种特征的计算复杂度、重要度、所需空间为输入，利用随机森林训练模型进行模型训练；以特征组合的跌倒判断准确性指标最高为优化目标，对特征组合进行优化，确定最终模型；将模型用C语言实现，在嵌入式设备端运行。本发明的模型采用实时构建的方法，代码简单，节省空间和时间；本发明算法特征计算，决策树构造和随机森林判断一共用时不超过10ms。满足设备正常运行的条件，并且留有足够多的余量。本发明的防跌倒嵌入式设备具有广阔应用前景。

技术领域

本发明涉及嵌入式设备技术领域，特别涉及一种用于嵌入式设备的跌倒判断模型构建方法及嵌入式设备。

背景技术

跌倒已经成为老年人致伤致残甚至致死的主要诱因之一。由于老年群体的使用智能设备受到多方面条件的限制，身体方面的原因包括手、眼和耳等能力减弱，另一方面是智能设备要求老人有意愿而且需要能够学会使用，这都存在较大难度。因此设计简单易用的可穿戴设备，能够第一时间检测到老人发生了跌倒，并且辅助老人拨打报警电话非常必要。

顾名思义，嵌入式设备意味着计算能力受限，存储空间和内存空间受限，例如：设备仅有180KB内存，需要加载系统程序和算法程序，可见空间非常有限。设备的CPU的时钟频率为192MHz，和PC机多核以及几个GHz的时钟频率相比，计算能力有成百倍的差异。同时对功耗的要求非常严格，否则用户体验会非常不好。

嵌入式设备的实时系统往往还不具备普通PC机或者手机等的高级操作系统支持，因此设备端软件的应用环境同样受限，特别是对于算法开发来说，会受影响，比如不支持Python语言和Python运行环境，不支持机器学习算法训练模型的直接导入和应用。采用Python实现随机森林算法，可以保存训练后的模型，如果在PC机环境下，有相关库和运行环境的支持，可以很方便调用所保存的模型进行跌倒判断。但是在嵌入式设备上，这种方式并不可行。同时，由于基于框架所生成的随机森林分类模型对于用户来说往往是一个黑盒子，内部结构未知，所以从整体上只能配合模型来搭建嵌入式设备端的环境以使之最终变得可用。

比如一种方法就是将模型这个存入设备端的flash存储，算法调用的时候，将模型从闪存(flash)调入RAM进行判断。这种方法会导致以下两个问题：

1、模型文件通常比较大，读入RAM后会占用大量空间，甚至会导致空间不足的问题；

2、从flash读取模型数据到RAM延迟太大。

由于不能将基于PC所生成的模型直接应用于嵌入式设备，因此很有必要考虑采用实时生成模型的方法实现算法运行。

发明内容

本发明的目的是至少克服现有技术的不足之一，提供了一种用于嵌入式设备的跌倒判断模型构建方法及嵌入式设备，可以实现在设备端这种受限环境下获得高精度的跌倒判断结果。

本发明采用如下技术方案：

一方面，本发明提供了一种用于嵌入式设备的跌倒判断模型构建方法，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；跌倒样本数据由嵌入式设备中的传感器获取；

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。

如上所述的任一可能的实现方式，进一步提供一种实现方式，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。