跌倒预测方法、系统、电子设备及存储介质

技术领域

本发明涉及数学科学领域，尤其涉及一种跌倒预测方法、系统、电子设备及存储介质。

背景技术

随着社会老龄化的发展，跌倒预测技术在现实中的应用非常重要。常见的跌倒检测系统有：基于视频的跌倒测试系统、基于声学的跌倒预测系统和基于可穿戴传感器的系统。基于视频的跌倒检测系统可能涉及侵犯隐私，并需要在活动地点预先安装测试站点，缺乏实践性。基于声学的系统很容易受到噪声的干扰。这两种检测系统使用的场地均有明显的限制。基于可穿戴传感器的跌倒预测系统不受具体活动场地的限制，更具实用性，符合实时跌倒检测系统的要求。

针对基于可穿戴传感器的跌倒检测系统，根据主要原理，主要技术为：阈值和机器学习技术。基于阈值的技术通常使用单个或多个特征的阈值。阈值的选择主要取决于经验和对采集信号的分析。机器学习技术也可以有效区分跌倒和日常活动，通常有六种技术：k-最近邻分类器、最小二乘法、支持向量机、贝叶斯决策、动态时间规整和人工神经网络。

目前的技术方案中存在以下缺陷：1)预测跌倒指标较单一。目前经典的提取特征为标量型特征，如峰值、振幅等。但这些特征不能全面地刻画原信号中蕴含的信息，现有技术的研究者和研究机构更多使用了信号的基本统计指标，较为单一。统计指标可以一定程度上表示人体运动状态，但不能体现信号的变化趋势等信息。而变化趋势等信息是十分关键和具有跌倒判断价值的指标；2)阈值选取方式简单。阈值技术中阈值的确定对实验结果有决定性作用，目前技术大多使用经验判断，没有明确的理论支撑，导致系统的设计不具有普适性；3)预测结果单一。目前预测结果只有两种：跌倒和未跌倒，不能根据当前状态做出更丰富的预测效果。

发明内容

有鉴于此，本发明实施例提供了一种跌倒预测方法、系统、电子设备及存储介质，至少部分的解决现有技术中存在的预测跌倒指标较单一的问题。

第一方面，本发明实施例提供了一种跌倒预测方法，包括：

在获取的历史数据中提取与人体平衡能力相关的步态参数；

对所述步态参数进行处理得到相应的小波特征；

获取小波特征和跌倒概率值的回归函数关系；

基于所述回归函数关系构建预测模型。

可选的，所述获取小波特征和跌倒概率值的回归函数关系的步骤之后，包括：

对所述回归函数关系进行稀疏表示；

基于所述稀疏表示构建预测模型。

可选的，所述对所述回归函数关系进行稀疏表示，包括：

基于LASSO算法得到所述回归函数关系的稀疏表示。

可选的，所述预测模型的输出为[0,1]区间的实数。

可选的，所述在获取的历史数据中提取与人体平衡能力相关的步态参数，包括：

在历史数据获取待测信息，截取待测信息中高峰设置范围内的信息。

可选的，所述对所述步态参数进行处理得到相应的小波特征，包括：

对所述步态参数进行离散小波变换，得到相应小波系数向量；

通过阈值筛选小波系数向量，得到相应的小波特征。

可选的，所述获取小波特征和跌倒概率值的回归函数关系，包括：

通过逻辑斯蒂回归，获取小波特征和跌倒概率值的回归函数关系。

第二方面，本发明实施例还提供了一种跌倒预测系统，包括：

提取模块：用于在获取的历史数据中提取与人体平衡能力相关的步态参数；

小波处理模块：用于对所述步态参数进行处理得到相应的小波特征；

函数模块：用于获取小波特征和跌倒概率值的回归函数关系；

模型构建模块：应用基于所述回归函数关系构建预测模型。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有能被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一所述的跌倒预测方法。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行权利要求第一方面任一所述的跌倒预测方法。

本发明提供的跌倒预测方法通过将小波特征作为构建预测模型的参数，小波特征可以较完整地保存原信号中的信息，准确体现信息的波形特征，从而达到预测跌倒指标较全面的优点。

另外，通过对小波系数向量的筛选，可以有效去除对跌倒风险影响较小的因素，以达到降噪的效果。

输出值为位于[0,1]区间的实数，将跌倒风险概率化，以获得更丰富的预测效果。

引入LASSO算法，提升预测的准确性和稳定性。

上述说明仅是本发明技术方案的概述，为了能更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为让本发明的上述或其他目的、特征和优点能够更明显易懂，以下列举较佳实施例，并配合附图，详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种跌倒预测方法的流程图；

图2为本发明实施例提供的测试者以跌倒概率突变点为中心左右共10秒的加速度示意图；

图3为本发明实施例中筛选后的小波系数重建信号与原信号对比图(x轴信号)(以10秒为例)；

图4为本发明实施例中筛选后的小波系数重建信号与原信号对比图(y轴信号)(以10秒为例)；

图5为本发明实施例中筛选后的小波系数重建信号与原信号对比图(z轴信号)(以10秒为例)；

图6为本发明实施例提供的一种跌倒预测方法的原理框图；

图7为本发明实施例提供的一种终端的原理框图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

在不受任何干扰的前提下，人体的运动是一种连续的行为，即相应的运动参数变化轨迹是连续的曲线。因此一旦运动参数曲线的平滑度在某一点上发生突变，即表示行为发生了变化。本实施例基于以上思想，选择使用函数型数据建立模型，从函数的光滑性角度分析跌落风险。

如图1所示，一种跌倒预测方法，包括：

步骤S101：在获取的历史数据中提取与人体平衡能力相关的步态参数；

本实施例中的历史数据是基于人体可穿戴设备采集的，即通过人体可穿戴设备采集人体运动中的步态参数。

步骤S102：对所述步态参数进行处理得到相应的小波特征；

即将步态参数进行离散小波变换，得到相应小波系数向量；然后通过阈值筛选，提取信息中的小波特征。

步骤S103：获取小波特征和跌倒概率值的回归函数关系；

步骤S104：基于所述回归函数关系构建预测模型。

即通过对历史数据中跌倒时设定范围内的步态参数进行分析，从而构建预测模型，当该预测模型新接收到人体可穿戴设备采集的信息时，预测模型将新接收的信息进行离散小波变换和阈值筛选得到相应的小波特征，从而基于得到的小波特征及预测模型中预存的小波特征与跌倒概率值的回归函数关系，得到相应的输出结果，该输出结果为跌倒风险概率，即现时人体步态的数据对应的跌倒风险概率，其结果可以为0.1或0.8等位于[0,1]区间的实数。数字越大表示跌倒可能性越大，在其它的实施例中也可以对结果进行反向处理，可以数字越小表示跌倒可能性越大等。

可选的，所述获取小波特征和跌倒概率值的回归函数关系的步骤之后，包括：

对所述回归函数关系进行稀疏表示；

基于所述稀疏表示构建预测模型。

可选的，所述对所述回归函数关系进行稀疏表示，包括：

基于LASSO算法得到所述回归函数关系的稀疏表示。

引入LASSO算法，获取回归函数关系的稀疏表示，构建以小波特征作为输入、跌倒概率值为输出的函数型逻辑斯蒂回归模型。

可选的，所述预测模型的输出为[0,1]区间的实数。

可选的，所述在获取的历史数据中提取与人体平衡能力相关的步态参数，包括：

在历史数据获取待测信息，截取待测信息中高峰设置范围内的信息。

待测信息即为包含人体跌倒的人体可穿戴传感器监测的波形信息，范围可以根据需求进行设定，如本实施例中采集跌倒概率突变点为中心左右共10秒的加速度。如图2所示。

可选的，所述对所述步态参数进行处理得到相应的小波特征，包括：

对所述步态参数进行离散小波变换，得到相应小波系数向量；

通过阈值筛选小波系数向量，得到相应的小波特征。

筛选得到的小波系数重建信号与原信号的对比如图3至图5所示。

可选的，所述获取小波特征和跌倒概率值的回归函数关系，包括：

通过逻辑斯蒂回归，获取小波特征和跌倒概率值的回归函数关系。

本实施例在构建模型时，从运动参数的轨迹中提取出关键特征，来揭示步态数据和跌倒风险之间的深层次关系。选择借助离散小波变换以小波基函数的线性组合形式表示原信号，获取相应的小波系数向量。筛选小波系数，得到部分小波系数作为该信号的小波特征。通过筛选，可以有效去除对跌倒风险影响较小的因素，以达到降噪的效果。并且，通过将小波特征重构后的信号和原信号对比，发现小波特征可以较完整地保存原信号中的信息，准确体现信息的波形特征。

为量化老人跌倒的概率值，构建以小波特征作为输入、跌倒概率值为输出的函数型逻辑斯蒂回归模型。输出值为位于[0,1]区间的实数，具有概率意义。与传统的“跌倒\未跌倒”预测结果相比，该模型将跌倒风险概率化，以获得更丰富的预测效果。为了进一步提升算法的准确性和稳定性，引入LASSO算法，惩罚回归系数较小的因素，得到稀疏的函数表示。由此，算法的准确性和稳定性得到了提升。

如图6所示，一种跌倒预测系统，包括：

提取模块：用于在获取的历史数据中提取与人体平衡能力相关的步态参数；

小波处理模块：用于对所述步态参数进行处理得到相应的小波特征；

函数模块：用于获取小波特征和跌倒概率值的回归函数关系；

模型构建模块：应用基于所述回归函数关系构建预测模型。

可选的，还包括稀疏表示模块，用于对所述回归函数关系进行稀疏表示；

基于所述稀疏表示构建预测模型。

可选的，所述对所述回归函数关系进行稀疏表示，包括：

基于LASSO算法得到所述回归函数关系的稀疏表示。

可选的，所述预测模型的输出为[0,1]区间的实数。

可选的，所述在获取的历史数据中提取与人体平衡能力相关的步态参数，包括：

在历史数据获取待测信息，截取待测信息中高峰设置范围内的信息。

可选的，所述对所述步态参数进行处理得到相应的小波特征，包括：

对所述步态参数进行离散小波变换，得到相应小波系数向量；

通过阈值筛选小波系数向量，得到相应的小波特征。

可选的，所述获取小波特征和跌倒概率值的回归函数关系，包括：

通过逻辑斯蒂回归，获取小波特征和跌倒概率值的回归函数关系。

本发明实施例的电子设备包括存储器和处理器。

该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。

该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本发明的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令，使得该电子设备执行前述的本发明各实施例的跌倒预测方法的全部或部分步骤。

本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本发明的保护范围之内。

有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。

根据本发明实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本发明各实施例的跌倒预测方法的全部或部分步骤。

上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。

有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。

图7是图示根据本发明实施例的终端设备的硬件结构示意图。如图7所示，该终端可以使用跌倒预测方法的实施例。

该终端设备可以以各种形式来实施，本发明中的终端设备可以包括但不限于诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置、车载终端设备、车载显示终端、车载电子后视镜等等的移动终端设备以及诸如数字TV、台式计算机等等的固定终端设备。

作为等同替换的实施方式，该终端还可以包括其他组件。如图7所示，该终端可以包括电源单元、无线通信单元、A/V(音频/视频)输入单元、用户输入单元、感测单元、接口单元、控制器、输出单元和存储单元等等。图7示出了具有各种组件的终端，但是应理解的是，并不要求实施所有示出的组件，也可以替代地实施更多或更少的组件。

其中，无线通信单元允许终端与无线通信系统或网络之间的无线电通信。A/V输入单元用于接收音频或视频信号。用户输入单元可以根据用户输入的命令生成键输入数据以控制终端设备的各种操作。感测单元检测终端的当前状态、终端的位置、用户对于终端的触摸输入的有无、终端的取向、终端的加速或减速移动和方向等等，并且生成用于控制终端的操作的命令或信号。接口单元用作至少一个外部装置与终端连接可以通过的接口。输出单元被构造为以视觉、音频和/或触觉方式提供输出信号。存储单元可以存储由控制器执行的处理和控制操作的软件程序等等，或者可以暂时地存储己经输出或将要输出的数据。存储单元可以包括至少一种类型的存储介质。而且，终端可以与通过网络连接执行存储单元的存储功能的网络存储装置协作。控制器通常控制终端设备的总体操作。另外，控制器可以包括用于再现或回放多媒体数据的多媒体模块。控制器可以执行模式识别处理，以将在触摸屏上执行的手写输入或者图片绘制输入识别为字符或图像。电源单元在控制器的控制下接收外部电力或内部电力并且提供操作各元件和组件所需的适当的电力。

本发明提出的跌倒预测方法的各种实施方式可以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，本发明提出的跌倒预测方法的各种实施方式可以通过使用特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施，在一些情况下，本发明提出的跌倒预测方法的各种实施方式可以在控制器中实施。对于软件实施，本发明提出的跌倒预测方法的各种实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储单元89中并且由控制器87执行。

有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述发明的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。

还需要指出的是，在本发明的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。

可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本发明的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。

提供所发明的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此发明的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此发明的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。