基于加速度的人体跌倒识别方法、装置和电子设备

技术领域

本发明涉及跌倒识别技术领域，具体涉及一种基于加速度的人体跌倒识别方法、装置和电子设备。

背景技术

进入21世纪以来，人口的老龄化正逐步成为一种全球性的发展趋势。“空巢”老人由于缺少子女的陪伴，无法做到实时被监护，一旦发生意外跌倒，将会造成不可挽回的后果。研究发现，跌倒老人医疗救助的成功与否，很大程度上取决于是否及时发现。跌倒识别的提出，可以帮助人们快速发现意外跌倒事件，对老人进行及时救治并且防止老人受到二次伤害。

在跌倒识别设备方面，早在二十世纪八十年代，个人急救响应系统(PersonalEmergency Response System，PERS)就已经出现了，这个系统基于一个小的发射器，当按钮被按下时，发射器就会向急救中心发送信号。随着时代的发展，目前，可以将集成有加速度计和陀螺仪的可穿戴传感器放进衣服、手表、手机等老人的随身物品中，通过加速度计和陀螺仪的数据进行跌倒识别。同时，以视觉为基础的系统对于人类行为监测和摔倒识别，也成为市场中一种新的选择。

但是，在现有的跌倒检测设备中，主动触发式设备由于使用者可能无法在跌倒事故发生后按下按钮，所以个人响应急救系统应用性不强；可穿戴式传感设备通常需要熟悉设备使用的护理人员，因为病人经常忘记穿戴这些设备或者更换电池；以视觉为基础的系统面临着隐私泄露的巨大挑战，而人们通常不喜欢被监视，尤其是在卧室或者洗手间。

发明内容

为了解决现有技术中存在的上述问题，本申请实施方式提供了一种基于加速度的人体跌倒识别方法、装置和电子设备，可以在保证精度和高效的同时，实现对跌倒的快速识别。

第一方面，本申请的实施方式提供了一种基于加速度的人体跌倒识别方法，包括：

获取跌倒识别数据集；

根据跌倒识别数据训练集和预设的n个第一模型，得到跌倒识别模型，其中，n为大于或等于1的整数；

获取待识别的加速度数据，其中，加速度数据由设置于楼板上的加速度传感器采集，加速度数据用于标识楼板振动时的加速度；

将加速度数据输入跌倒识别模型，得到对加速度数据对应的跌倒识别结果。

在本申请的实施方式中，获取跌倒识别数据集，包括：

建立跌倒荷载模型；

通过跌倒荷载模型生成跌倒时的多个第一数据和非跌倒时的多个第二数据；

将多个第一数据和第二数据的集合作为跌倒识别数据集。

在本申请的实施方式中，根据跌倒识别数据集和预设的n个第一模型，得到跌倒识别模型，包括：

对跌倒识别数据集进行拆分，得到跌倒识别数据训练集、跌倒识别数据验证集和跌倒识别数据测试集；

根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型；

将跌倒识别数据验证集输入第二模型，得到第二结果；

根据第二结果和跌倒识别数据测试集对第二模型进行调整，得到跌倒识别模型。

在本申请的实施方式中，根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型，包括：

将跌倒识别数据训练集分别输入n个第一模型中的每个第一模型中，得到n个第一结果，其中，n个第一结果与n个第一模型一一对应；

对于n个第一结果中的每个第一结果，分别根据每个第一结果和跌倒识别数据测试集对每个第一结果对应的第一模型进行调整，得到n个第三模型，其中，n个第三模型与n个第一模型一一对应；

将跌倒识别数据训练集分别输入n个第三模型中的每个第三模型中，得到n个第三结果，其中，n个第三结果与n个第三模型一一对应；

根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型。

在本申请的实施方式中，根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型，包括：

对于n个第三结果中的每个第三结果，分别确定每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征曲线以及接收者操作特征曲线下方面积分布；

根据预设的权值，分别对每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到n个系数，其中，n个系数与n个第三结果一一对应；

选取n个系数中最大值所对应的第三模型作为第二模型。

第二方面，本申请的实施方式提供了一种基于加速度的人体跌倒识别装置，包括：

训练模块，用于获取跌倒识别数据集，以及根据跌倒识别数据训练集和预设的n个第一模型，得到跌倒识别模型，其中，n为大于或等于1的整数；

识别模块，用于获取待识别的加速度数据，其中，加速度数据由设置于楼板上的加速度传感器采集，加速度数据用于标识楼板振动时的加速度，以及将加速度数据输入跌倒识别模型，得到对加速度数据对应的跌倒识别结果。

在本申请的实施方式中，在获取跌倒识别数据集方面，训练模块，具体用于：

建立跌倒荷载模型；

通过跌倒荷载模型生成跌倒时的多个第一数据和非跌倒时的多个第二数据；

将多个第一数据和第二数据的集合作为跌倒识别数据集。

在本申请的实施方式中，在根据跌倒识别数据集和预设的n个第一模型，得到跌倒识别模型方面，训练模块，具体用于：

对跌倒识别数据集进行拆分，得到跌倒识别数据训练集、跌倒识别数据验证集和跌倒识别数据测试集；

根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型；

将跌倒识别数据验证集输入第二模型，得到第二结果；

根据第二结果和跌倒识别数据测试集对第二模型进行调整，得到跌倒识别模型。

第三方面，本申请实施方式提供一种电子设备，包括：处理器，处理器与存储器相连，存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序，以使得电子设备执行如第一方面的方法。

第四方面，本申请实施方式提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序使得计算机执行如第一方面的方法。

第五方面，本申请实施方式提供一种计算机程序产品，计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机可操作来使计算机执行如第一方面的方法。

实施本申请实施方式，具有如下有益效果：

可以看出，在本申请实施方式中，通过机器学习的方式，在多个模型中确定预测效果最好的模型作为跌倒识别模型，继而对跌倒事件进行识别。由此，可以精准、快速的确定是否发生跌倒，从而有效缩短救急时间，提升医疗救助成功性。同时，本申请的实施方式采用监测楼板振动时的加速度进行跌倒识别，既不用考虑隐私问题，也不用考虑设备的穿戴问题，可以减少物力和人力的消耗，且不会严重影响到老人的起居作息，缓解其心理压力，从而提升其生活质量。

附图说明

为了更清楚地说明本申请实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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他的附图。

图1为本申请实施方式提供的一种基于加速度的人体跌倒识别方法的流程示意图；

图2为本申请实施方式提供的一种卧姿人体垂直振动模型的示意图；

图3为本申请实施方式提供的一种根据跌倒识别数据集和预设的n个第一模型，得到跌倒识别模型的方法的流程示意图；

图4为本申请实施方式提供的一种在预设的n个第一模型中，确定1个第一模型作为第二模型的方法的流程示意图；

图5为本申请实施方式提供的一种加速度传感器布置在地板上的176个预选位置的示意图；

图6为本申请实施方式提供的一种预先设定的激励位置的示意图；

图7为本申请实施方式提供的一种普通钢筋混凝土楼板上单传感器的合理布置范围的示意图；

图8为本申请实施方式提供的一种基于加速度的人体跌倒识别装置的功能模块组成框图；

图9为本申请实施方式提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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方式，都属于本申请保护的范围。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施方式”意味着，结合实施方式描述的特定特征、结果或特性可以包含在本申请的至少一个实施方式中。在说明书中的各个位置出现该短语并不一定均是指相同的实施方式，也不是与其它实施方式互斥的独立的或备选的实施方式。本领域技术人员显式地和隐式地理解的是，本文所描述的实施方式可以与其它实施方式相结合。

参阅图1，图1为本申请实施方式提供的一种基于加速度的人体跌倒识别方法的流程示意图。该基于加速度的人体跌倒识别方法包括以下步骤：

101：获取跌倒识别数据集。

目前，由于缺少基于楼板振动加速度的跌倒识别研究，而进行真人跌倒实验则存在一定的盲目性。并且如果进行真人跌倒实验，往往需要铺设海绵垫来保护实验人员的安全，这一定程度上减弱了楼板和人体的振动，增加了问题的复杂性。因此，在本实施方式中，通过建立一个跌倒荷载模型，为跌倒作用下楼板振动的数值模拟提供基础，方便后续进行跌倒识别数据库的建立和跌倒识别算法研究。

示例性的，可以将人体看作一个线性的机械系统，如图2所示，图2给出了一种卧姿人体垂直振动模型，将人体跌倒过程中碰撞阶段的振动，简化为三个单自由度有阻尼系统在给定初始条件下的自由振动，从而求解碰撞阶段人体受力，然后利用牛顿运动定理求解人体对地面的作用力。

其中，m

表1：

基于此，在建立跌倒荷载模型时，首先假设两点：

(1)假设人体在跌倒后碰撞的初始时刻，处于完全失重状态，即对于人体卧姿垂直振动模型中m

(2)假设人体在跌倒后碰撞的初始时刻的速度v

其中，h表示人站立时重心离地面的高度。

在本实施方式中，通过对人体跌倒时状态的分析，可以将人体的跌倒分为四个阶段，并假设各阶段的持续时间为：站立阶段0.25s，失重阶段0.5s，碰撞阶段1.0s，静卧阶段0.25s。基于此，体重为Mkg的人体跌倒荷载可以通过公式②表示：

其中，F

进一步的，F

进一步的，初始条件可以通过公式⑥和公式⑦表示:

其中，M

在得到跌倒荷载模型后，可以通过对输入的调整控制，得到对应的情形为跌倒的多个第一数据，和对应的情形为非跌倒的多个第二数据，将该多个第一数据和第二数据的集合作为所需的跌倒识别数据集。

102：根据跌倒识别数据训练集和预设的n个第一模型，得到跌倒识别模型。

在本实施方式中，n为大于或等于1的整数。

目前，对于木楼板和组合楼板，在跌倒作用下传感器信号峰值存在数量级的差异。基于此，若采用阈值法，阈值的确定需要根据结构形式、激励位置与传感器的距离具体分析，并且由于人的身材不同，在跌倒监测算法中使用相同的阈值并不适合每个人，也达不到最优的识别效果。同时，上述问题极大地增加了确定阈值和设计算法的难度。

同时，基于机器学习的跌倒识别模型得到的跌倒识别准确率通常比基于阈值的模型更高，并且机器学习模型能很好地处理异常值。机器学习模型主要分为传统机器学习模型与深度学习模型，传统机器学习模型原理简单，但需要预先对数据进行特征提取，而深度学习模型则没有繁琐的特征提取过程，深度学习模型实现的是端到端的运算，将原始数据输入网络即可得到相应事件的标签。

因此，在本实施方式中，采用机器学习的方式构建跌倒识别模型。示例性的，可以分别采用K近邻、逻辑回归、决策树、多特征集支持向量机(MFSS-SVM)、一维卷积神经网络(1D CNN)、二维卷积神经网络(2D CNN)、多通道深度卷积神经网络(MC-DCNN)等深度学习模型构建候选跌倒识别模型，再在其中选取识别精度最高的候选跌倒识别模型作为最终的跌倒识别模型。

具体而言，本实施方式给出了一种根据跌倒识别数据集和预设的n个第一模型，得到跌倒识别模型的方法，如图3所示，该方法包括：

301：对跌倒识别数据集进行拆分，得到跌倒识别数据训练集、跌倒识别数据验证集和跌倒识别数据测试集。

302：根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型。

示例性的，本实施方式给出了一种在预设的n个第一模型中，确定1个第一模型作为第二模型的方法，如图4所示，该方法包括：

401：将跌倒识别数据训练集分别输入n个第一模型中的每个第一模型中，得到n个第一结果。

在本实施方式中，n个第一结果与n个第一模型一一对应。

402：对于n个第一结果中的每个第一结果，分别根据每个第一结果和跌倒识别数据测试集对每个第一结果对应的第一模型进行调整，得到n个第三模型。

在本实施方式中，n个第三模型与n个第一模型一一对应。

403：将跌倒识别数据训练集分别输入n个第三模型中的每个第三模型中，得到n个第三结果。

在本实施方式中，n个第三结果与n个第三模型一一对应。

404：根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型。

示例性的，对于n个第三结果中的每个第三结果，可以分别确定每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征曲线以及接收者操作特征曲线下方面积分布。

然后，根据预设的权值，分别对每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到与n个第三结果一一对应的n个系数。

最后，选取n个系数中最大值所对应的第三模型作为第二模型。

303：将跌倒识别数据验证集输入第二模型，得到第二结果。

304：根据第二结果和跌倒识别数据测试集对第二模型进行调整，得到跌倒识别模型。

103：获取待识别的加速度数据。

在本实施方式中，加速度数据由设置于楼板上的加速度传感器采集，加速度数据用于标识楼板振动时的加速度。

104：将加速度数据输入跌倒识别模型，得到对加速度数据对应的跌倒识别结果。

可以看出，在本申请实施方式中，通过机器学习的方式，在多个模型中确定预测效果最好的模型作为跌倒识别模型，继而对跌倒事件进行识别。由此，可以精准、快速的确定是否发生跌倒，从而有效缩短救急时间，提升医疗救助成功性。同时，本申请的实施方式采用监测楼板振动时的加速度进行跌倒识别，既不用考虑隐私问题，也不用考虑设备的穿戴问题，可以减少物力和人力的消耗，且不会严重影响到老人的起居作息，缓解其心理压力，从而提升其生活质量。

以下，将以普通钢筋混凝土楼板为例，对本申请所提供的基于加速度的人体跌倒识别方法进行说明。

在本实施方式中，首先，需要确定普通钢筋混凝土楼板上的单传感器布置方案。示例性的，可以使用有限元分析软件ANSYS，采用Solid65单元进行三维实体建模，建立普通钢筋混凝土楼板的有限元模型。具体而言，使用C25混凝土的材料参数，该实验室楼板厚0.114m，钢筋公称直径为12.7mm，其中下部钢筋间距为0.355m，上部钢筋间距为0.254m，下部分布钢筋与上部分布钢筋间距为0.4572m。楼板边界条件采用四边固结的方式，网格尺寸为0.12m。

为了不影响日常生活，在本实施方式中，选择将加速度传感器布置在地板外围靠墙的地方，基于此，选取了176个预设位置，如图5所示。

参阅图6，将包跌落、球跌落、跌倒荷载模型按预先设定的激励位置施加，得到单个加速度传感器布置在楼板上预设的176个不同位置处时的加速度。具体而言，跌倒荷载模型按步骤101中给出的公式，以三点加载的方式施加到有限元模型上，包跌落和球跌落荷载可以看成是一类荷载，在本实施方式中，可以按照冲击荷载施加。具体而言，跌落荷载可以通过公式⑧和公式⑨表示：

其中，m为模拟的下落物体的质量，其中，包的质量可以在5-10kg之间取值，球的质量可以取0.6kg；h为下落物体离地面的高度，其中，包跌落高度可以在0.5m-1.5m之间取值，球跌落高度可以在1-3m之间取值；Δt为接触时间，对于包跌落，可以取0.03s，对于球跌落，可以取0.006s。

跌倒模拟时，首先将时间积分效应关闭，然后在激励位置施加重力，将加载结果作为动力分析初始条件，然后进行动力分析。对于失重阶段，采用单点加载；对于碰撞阶段，采用臀、肩、头三点加载，三点间隔为0.35米。荷载加载、加速度数据提取的频率与实验频率相同，为1652Hz。提取的数据为2901×4的矩阵，其中前10行为静力分析结果，不进行考虑，11-2901行为动力分析结果，即失重阶段(0.5s，826行)、碰撞阶段(1.0s，1652行)、静卧阶段(0.25s，413行)。

包跌落和球跌落模拟时，分为两个阶段，第一个阶段为加载阶段，时间步长取1/1652s，荷载持续时间包跌落取0.03s，球跌落0.06s；第二阶段为卸载阶段，在一个极小的时间步长内卸载，采集卸载后1.72s的数据，时间步长为1/1652s，总共采集1.75s的数据。

模拟数据库组成见表2。总共2400条数据，其中1200条跌倒数据，600条包跌落数据，600条球跌落数据，正负样本的比例为1：1。

表2：

在获取到足够的样本数据后，使用1DCNN进行训练，对采集的数据进行随机打乱，按照训练集与测试集的比例为7：3划分训练样本与测试样本，按照不同的随机数生成三个样本集。使用不同噪声水平的训练集来训练卷积神经网络，三个样本集分别按信噪比8，10，12施加噪声，同时使用不同噪声水平的测试集对同一训练集训练的卷积神经网络进行测试，测试集每条样本的信噪比在集合[8，9，10，11，12]之间随机选取。验证集通过随机从训练集取20％的数据组成。最终指标结果为三个样本集相应指标的平均值。

在本实施方式中，使用准确率、精确率、召回率作为性能评价的指标。具体而言，精准率可以通过公式⑩表示：

其中，TP为训练样本中被判定为正样本，实际上也是正样本的训练样本数量，FP为训练样本中被判定为正样本，实际上是负样本的训练样本数量。

进一步的，召回率可以通过公式

其中，FN为训练样本中被判定为负样本，实际上是正样本的训练样本数量。

综合上述准确率、精确率、召回率的指标结果，可以得到普通钢筋混凝土楼板上单传感器的合理布置范围如图7中阴影部分所示。

此外，在实际布置中，一般将加速度传感器布置在楼板的上表面，在满足图7所示距楼板两边缘距离的最小尺寸要求下，布置在安装方便的位置即可。例如，可以将传感器布置在桌底，具体而言，可将加速度传感器布置在距楼板短边边缘0.12m，距楼板长边边缘0.72m的位置。在本实施方式中，加速度传感器可以选用PCB393B3。

其次，需要确定适用于普通钢筋混凝土楼板的跌倒识别模型，在本实施方式中，在确定加速度传感器的布置位置后，将加速度传感器布置与相应的位置。同时，可以布置多个加速度传感器，以提升识别精度。

示例性的，采用K近邻、逻辑回归、决策树、多特征集支持向量机(MFSS-SVM)、一维卷积神经网络(1DCNN)、二维卷积神经网络(2DCNN)、多通道深度卷积神经网络(MC-DCNN)等深度学习模型构建候选跌倒识别模型，通过分析其输出结果的准确率、精确率和召回率，在本实施方式中，选取多特征集支持向量机(MFSS-SVM)深度学习模型作为跌倒识别模型。

多特征集半监督(SVM)算法模型可以针对无法获得大量标记数据的问题，基于没有标记的样本展开学习，进而得到最佳的识别效果，该算法同时考虑利用峰值、能量、传感器相关系数三个特征集训练SVM基分类器，这样既可以充分利用各个特征集的优势，又可以避免特征融合等问题。

具体而言，若初始标记样本集用L来表示，则样本数是丨L丨，未标记样本集用U来表示，大小是丨U丨。具体的步骤为：第一，通过样本集中Bootstrap进行重采样，然后训练所得数据，从而得到对应的SVM基分类器。在训练结束之后，展开后续操作，在后续每一轮中继续进行训练，选择出一个基分类器中当做训练对象，其他两个当做辅助分类器，通过这两个从而达到划分U中样本的种类，所得样本一样的情况进行标记，从而放入到L中，然后通过L∪L’方法，重新对第一个进行训练。在此过程中，在下轮优化环节，L’无需继续进行标记数据处理，而是重新被放入到U中。在下轮中继续被用作没有标记的数据信息。训练直至分类器不再变化为止。如果辅助分类器对L’中样本进行预测时得到的结果为正确的，那么正确训练样本就增加1个。如果所得结果为错误的，那么增加的即为噪声。此种情况会影响到训练分类器。如果L’表示的是第t轮当中用来对第一个分类器进行训练的样本集，L

带噪声训练集假设具有PAC可学习性，则满足公式

其中，η为分类噪声率，ε为误差容忍度，s为训练样本数量，C是常数。

进一步的，由公式

进一步的，由公式

其中，ε

同时，在本实施方式中，考虑到η

并且，如果e

此外，在公式

具体而言，多特征集半监督SVM算法模型的流程图如图8所示。

多特征集半监督SVM算法模型学习部分步骤如下：

(1)对训练样本进行峰值、能量、传感器相关系数提取构造三个特征集。

(2)通过对三个特征集进行SVM训练得到三个基分类器。

(3)应用Tri-training协同训练策略进行半监督学习。

(4)采用多数投票法进行分类器集成，得到最终分类器。

同时，本实施方式提供了一种学习部分伪代码，如下：

Input：L：初始标记样本集；U：未标记样本集；

L1、U1←对L、U进行峰值特征提取；

L2、U2←对L、U进行能量特征提取；

L3、U3←对L、U进行传感器相关系数特征提取；

其中，函数MeasureError(hj&hk)预测将hj和hk结合后的误差率，由于无法精准的对后续进行预测，从样本的角度出发无法得到精准的误差率，所以假设两种类型的样本的分布相同，通过计算标记样本中hj和hk同时错误分类的数量除以hj和hk同时分类结果相同的样本数。其中函数Subsample(Pi，[ei′pi′/ei－1])表示随机从|Pi|中剔除(Pi－ei′pi′/ei+1)个样本。

多特征集半监督SVM算法模型识别部分步骤如下：

(1)对测试样本进行峰值、能量、传感器相关系数特征向量提取。

(2)将提取的特征向量放入最终分类器中进行分类识别，得到跌倒或者非跌倒状态。

参阅图8，图8为本申请实施方式提供的一种基于加速度的人体跌倒识别装置的功能模块组成框图。如图8所示，该基于加速度的人体跌倒识别装置800包括：

训练模块801，用于获取跌倒识别数据集，以及根据跌倒识别数据训练集和预设的n个第一模型，得到跌倒识别模型，其中，n为大于或等于1的整数；

识别模块802，用于获取待识别的加速度数据，以及将加速度数据输入跌倒识别模型，得到对加速度数据对应的跌倒识别结果。

在本发明的实施方式中，在获取跌倒识别数据集方面，训练模块801，具体用于：

建立跌倒荷载模型；

通过跌倒荷载模型生成跌倒时的多个第一数据和非跌倒时的多个第二数据；

将多个第一数据和第二数据的集合作为跌倒识别数据集。

在本发明的实施方式中，在根据跌倒识别数据集和预设的n个第一模型，得到跌倒识别模型方面，训练模块801，具体用于：

对跌倒识别数据集进行拆分，得到跌倒识别数据训练集、跌倒识别数据验证集和跌倒识别数据测试集；

根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型；

将跌倒识别数据验证集输入第二模型，得到第二结果；

根据第二结果和跌倒识别数据测试集对第二模型进行调整，得到跌倒识别模型。

在本发明的实施方式中，在根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型方面，训练模块801，具体用于：

将跌倒识别数据训练集分别输入n个第一模型中的每个第一模型中，得到n个第一结果，其中，n个第一结果与n个第一模型一一对应；

对于n个第一结果中的每个第一结果，分别根据每个第一结果和跌倒识别数据测试集对每个第一结果对应的第一模型进行调整，得到n个第三模型，其中，n个第三模型与n个第一模型一一对应；

将跌倒识别数据训练集分别输入n个第三模型中的每个第三模型中，得到n个第三结果，其中，n个第三结果与n个第三模型一一对应；

根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型。

在本发明的实施方式中，在根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型方面，训练模块801，具体用于：

对于n个第三结果中的每个第三结果，分别确定每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征曲线以及接收者操作特征曲线下方面积分布；

根据预设的权值，分别对每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到n个系数，其中，n个系数与n个第三结果一一对应；

选取n个系数中最大值所对应的第三模型作为第二模型。

参阅图9，图9为本申请实施方式提供的一种电子设备的结构示意图。如图9所示，电子设备900包括收发器901、处理器902和存储器903。它们之间通过总线904连接。存储器903用于存储计算机程序和数据，并可以将存储器903存储的数据传输给处理器902。

处理器902用于读取存储器903中的计算机程序执行以下操作：

获取跌倒识别数据集，以及根据跌倒识别数据训练集和预设的n个第一模型，得到跌倒识别模型，其中，n为大于或等于1的整数；

获取待识别的加速度数据，以及将加速度数据输入跌倒识别模型，得到对加速度数据对应的跌倒识别结果。

在本发明的实施方式中，在获取跌倒识别数据集方面，处理器902，具体用于执行以下操作：

建立跌倒荷载模型；

通过跌倒荷载模型生成跌倒时的多个第一数据和非跌倒时的多个第二数据；

将多个第一数据和第二数据的集合作为跌倒识别数据集。

在本发明的实施方式中，在根据跌倒识别数据集和预设的n个第一模型，得到跌倒识别模型方面，处理器902，具体用于执行以下操作：

对跌倒识别数据集进行拆分，得到跌倒识别数据训练集、跌倒识别数据验证集和跌倒识别数据测试集；

根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型；

将跌倒识别数据验证集输入第二模型，得到第二结果；

根据第二结果和跌倒识别数据测试集对第二模型进行调整，得到跌倒识别模型。

在本发明的实施方式中，在根据跌倒识别数据训练集和跌倒识别数据测试集，在预设的n个第一模型中，确定1个第一模型作为第二模型方面，处理器902，具体用于执行以下操作：

将跌倒识别数据训练集分别输入n个第一模型中的每个第一模型中，得到n个第一结果，其中，n个第一结果与n个第一模型一一对应；

对于n个第一结果中的每个第一结果，分别根据每个第一结果和跌倒识别数据测试集对每个第一结果对应的第一模型进行调整，得到n个第三模型，其中，n个第三模型与n个第一模型一一对应；

将跌倒识别数据训练集分别输入n个第三模型中的每个第三模型中，得到n个第三结果，其中，n个第三结果与n个第三模型一一对应；

根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型。

在本发明的实施方式中，在根据n个第三结果，在n个第三模型中，确定1个第三模型作为第二模型方面，处理器902，具体用于执行以下操作：

对于n个第三结果中的每个第三结果，分别确定每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、接收者操作特征曲线以及接收者操作特征曲线下方面积分布；

根据预设的权值，分别对每个第三结果对应的均方根误差、平均绝对误差、平均相对误差、相关系数平方、ROC曲线以及ROC曲线下方面积分布进行加权求和，得到n个系数，其中，n个系数与n个第三结果一一对应；

选取n个系数中最大值所对应的第三模型作为第二模型。

应理解，本申请中基于加速度的人体跌倒识别装置可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(MobileInternetDevices，简称：MID)或穿戴式设备等。上述基于加速度的人体跌倒识别装置仅是举例，而非穷举，包含但不限于上述基于加速度的人体跌倒识别装置。在实际应用中，上述基于加速度的人体跌倒识别装置还可以包括：智能车载终端、计算机设备等等。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。

因此，本申请实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施方式中记载的任何一种基于加速度的人体跌倒识别方法的部分或全部步骤。例如，所述存储介质可以包括硬盘、软盘、光盘、磁带、磁盘、优盘、闪存等。

本申请实施方式还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施方式中记载的任何一种基于加速度的人体跌倒识别方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于可选实施方式，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述的部分，可以参见其他实施方式的相关描述。

在本申请所提供的几个实施方式中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施方式的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-OnlyMemory，简称：ROM)、随机存取器(英文：RandomAccessMemory，简称：RAM)、磁盘或光盘等。

以上对本申请实施方式进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施方式的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。