买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明涉及一种基于多输入卷积网络的实时跌倒预测方法，属于动作识别领域，其中预测流程包括：传感数据采集模块：惯性传感器安装在人体腰部，测量腰部的加速度，角速度信号；预处理模块：对来自传感器的加速度，角速度信号进行滤波和姿态解算，得到姿态角信号；多输入卷积模块：分别把加速度，角速度，姿态角信号输入一维卷积网络，把人的个体特征传入全连接网络，再拼接所有特征传入多级全连接网络，输出预测结果。本发明将人体腰部多种传感信号与人体生理特征融合，可以适应不同生理特征人群，提高了跌倒预测精度。

主权项：1.一种基于多输入卷积网络的实时跌倒预测方法，其特征在于：包括以下步骤：步骤1、获取人体腰部运动产生的数据作为训练样本，用姿态解算算法求解三轴姿态角信息，并用三轴姿态角求解躯干倾斜角，具体的，用惯性传感器获取人体腰部运动产生的三轴加速度与三轴角速度信号，再用姿态解算算法，解算三轴姿态角信号：横滚角、俯仰角、偏航角，再利用姿态角求解躯干倾斜角；θ＝cos-1-cosβcosγ1式1中θ为躯干倾斜角，β为横滚角，γ为俯仰角；步骤2、利用躯干倾斜角提取跌倒失衡期间的训练数据，制作目标数据，包括以下步骤：步骤2.1、对跌倒失衡动作产生的加速度和角速度时间序列数据提取时间窗：利用姿态解算算法和式1求解出躯干倾斜角信号时间序列数据，把跌倒后躺平状态的平均躯干倾斜角记为θp，躯干倾斜角时间序列信号首次达到θp的时刻记为tp，提取的跌倒样本时间窗为区间[tp-300ms,tp-100ms]，跌倒样本时间窗内的三轴加速度、三轴角速度、三轴姿态角信号设定为跌倒标签；步骤2.2、对正常行为产生的加速度和角速度时间序列数据，提取以加速度峰值为中心的时间窗，数据设定为正常行为标签；所述跌倒样本时间窗内的三轴加速度、三轴角速度、三轴姿态角信号为提取的跌倒样本训练数据，数据设定为跌倒标签；对于每一次正常行为动作，定义加速度峰值所在的时刻为ta，将时间窗[ta-1000ms,ta+1000ms]等距分割成若干个的时间窗，每个时间窗内的加速度、角速度、姿态角为一次正常行为动作中提取的训练数据；步骤3、将目标数据输入多输入卷积神经网络模型进行训练，得到用于预测的卷积神经网络模型，包括以下步骤：步骤3.1、对跌倒样本时间窗及正常行为样本时间窗内的三轴加速度信号、三轴角速度号、三轴姿态角信号做归一化，归一化方法不限于最大最小值归一化，标准化；步骤3.2、对归一化后的加速度信号、角速度信号、姿态角信号分别做一维卷积然后提取特征，再对卷积之后得到的数据进行最大值池化和激活函数运算，得到加速度、角速度、姿态角特征图；步骤3.3、把人体生理特征传入双隐含层全连接神经网络，得到个体特征向量；步骤3.6、对步骤3.3和步骤3.4产生的特征图做一维展开和拼接，组合成一个特征向量，再将该向量传入具有三层隐含层的全连接神经网络；步骤3.7、基于Sisfall数据集对多输入卷积神经网络模型进行训练，损失函数设为二进制交叉熵损失函数，设置迭代次数250次以上，当损失低于0.05时停止训练；步骤4、用腰部安装的传感器实时采集加速度，角速度数据，将采集的原始数据预处理后输入用于预测的卷积神经网络模型进行预测，并输出结果。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于多输入卷积网络的实时跌倒预测方法