本發(fā)明涉及跌倒監(jiān)測，具體來說，涉及基于多傳感器的老人防跌倒智能監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

1、多傳感器指的是結(jié)合了多種不同類型的傳感器，用于同時監(jiān)測和收集來自多個來源的數(shù)據(jù)。這些傳感器可以包括但不限于加速度傳感器、陀螺儀。多傳感器系統(tǒng)通過融合多個傳感器的數(shù)據(jù)，可以提供更全面、準確和可靠的信息。通過實時監(jiān)測和分析老年人的行為、身體狀況及環(huán)境因素，提前識別和預警可能的跌倒風險，從而采取適當?shù)母深A措施，預防老年人跌倒事故的發(fā)生。

2、基于多傳感器的老人防跌倒智能監(jiān)測結(jié)合了多種傳感器技術(shù)，旨在更全面和準確地監(jiān)測老年人的活動和健康狀態(tài)，以預防跌倒。核心思想是利用多種傳感器的數(shù)據(jù)融合和綜合分析，提高跌倒風險識別的準確性和實時性。

3、例如中國專利201910213812.7公開了基于復合式傳感器的老人防跌倒智能監(jiān)測系統(tǒng)及監(jiān)測方法，其利用深度學習算法進行數(shù)據(jù)處理，解決了抗干擾能力較弱、不穩(wěn)定的問題。但是上述基于復合式傳感器的老人防跌倒智能監(jiān)測系統(tǒng)及監(jiān)測方法還存在以下不足：其在數(shù)據(jù)來源的多樣性、全面性以及智能預警和反饋機制上相對不足，同時現(xiàn)有技術(shù)通常基于單個數(shù)據(jù)特征進行老人跌倒的預測，沒有考慮多個特征之間的相互關(guān)系和組合效應(yīng)，因此難以準確反映老人的整體跌倒風險。

4、針對相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)思路

1、針對相關(guān)技術(shù)中的問題，本發(fā)明提出基于多傳感器的老人防跌倒智能監(jiān)測方法及系統(tǒng)，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問題。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、根據(jù)本發(fā)明的一個方面，提供了基于多傳感器的老人防跌倒智能監(jiān)測方法，該基于多傳感器的老人防跌倒智能監(jiān)測方法包括以下步驟：

4、s1、基于多傳感器采集老人的行為數(shù)據(jù)、生理數(shù)據(jù)及環(huán)境數(shù)據(jù)，并將行為數(shù)據(jù)、生理數(shù)據(jù)及環(huán)境數(shù)據(jù)合并至數(shù)據(jù)集。

5、s2、從數(shù)據(jù)集中提取相關(guān)特征，基于關(guān)聯(lián)規(guī)則從相關(guān)特征中得到特征組合，量化特征組合對老人跌倒概率的影響。

6、s3、基于機器學習算法學習相關(guān)特征與老人是否跌倒的關(guān)系，并預測新數(shù)據(jù)集的每個樣本對應(yīng)的老人跌倒概率。

7、s4、分析新數(shù)據(jù)集，判斷是否出現(xiàn)特征組合，若出現(xiàn)，則基于量化結(jié)果優(yōu)化老人跌倒概率。

8、s5、設(shè)定若干閾值，若優(yōu)化后的老人跌倒概率超過某一閾值，則執(zhí)行對應(yīng)的預警方案。

9、其中，所述從數(shù)據(jù)集中提取相關(guān)特征，基于關(guān)聯(lián)規(guī)則從相關(guān)特征中得到特征組合，量化特征組合對老人跌倒概率的影響包括以下步驟：

10、s21、基于領(lǐng)域知識確定影響跌倒概率的特征，作為相關(guān)特征；

11、s22、準備關(guān)聯(lián)規(guī)則挖掘，并設(shè)置關(guān)聯(lián)規(guī)則參數(shù)；

12、s23、根據(jù)支持度及置信度挖掘關(guān)聯(lián)規(guī)則，并生成關(guān)聯(lián)規(guī)則，從關(guān)聯(lián)規(guī)則中確定特征組合；

13、s24、完成特征組合對老人跌倒概率影響的量化。

14、進一步的，基于多傳感器采集老人的行為數(shù)據(jù)、生理數(shù)據(jù)及環(huán)境數(shù)據(jù)，并將行為數(shù)據(jù)、生理數(shù)據(jù)及環(huán)境數(shù)據(jù)合并至數(shù)據(jù)集包括以下步驟：

15、s11、通過多傳感器同步采集行為數(shù)據(jù)、生理數(shù)據(jù)及環(huán)境數(shù)據(jù)，并對采集到的原始數(shù)據(jù)進行預處理；

16、s12、將預處理后的數(shù)據(jù)存儲在數(shù)據(jù)庫，得到數(shù)據(jù)集。

17、進一步的，準備關(guān)聯(lián)規(guī)則挖掘，并設(shè)置關(guān)聯(lián)規(guī)則參數(shù)包括以下步驟：

18、s221、將每個相關(guān)特征的值定義為項，并將數(shù)據(jù)轉(zhuǎn)換為適合關(guān)聯(lián)規(guī)則分析的格式；

19、s222、計算所有候選特征組合的支持度及置信度；

20、s223、設(shè)置最小支持度及最小置信度。

21、進一步的，根據(jù)支持度及置信度挖掘關(guān)聯(lián)規(guī)則，并生成關(guān)聯(lián)規(guī)則，從關(guān)聯(lián)規(guī)則中確定特征組合包括以下步驟：

22、s231、篩選出支持度高于最小支持度的候選特征組合作為頻繁項集；

23、s232、對于每個頻繁項集，生成關(guān)聯(lián)規(guī)則a→b，其中，a為規(guī)則的前提，b為規(guī)則的結(jié)果；

24、s233、對于每條關(guān)聯(lián)規(guī)則，計算該關(guān)聯(lián)規(guī)則的置信度；

25、s234、保留置信度高于最小置信度的關(guān)聯(lián)規(guī)則作為強關(guān)聯(lián)規(guī)則；

26、s235、檢查生成的強關(guān)聯(lián)規(guī)則是否符合實際情況；

27、s236、將強關(guān)聯(lián)規(guī)則中的項目集合作為特征組合，并構(gòu)建特征組合列表。

28、進一步的，完成特征組合對老人跌倒概率影響的量化包括以下步驟：

29、s241、統(tǒng)計每個特征組合在數(shù)據(jù)集中的出現(xiàn)次數(shù)，并統(tǒng)計每個特征組合出現(xiàn)時老人跌倒事件的發(fā)生次數(shù)，且將老人跌倒事件的發(fā)生次數(shù)除以特征組合在數(shù)據(jù)集中的出現(xiàn)次數(shù)，計算得到特征組合的跌倒概率；

30、s242、基于特征組合的出現(xiàn)頻率及專家意見確定各自權(quán)重，并計算每個特征組合對應(yīng)的加權(quán)概率，作為對老人跌倒概率影響的量化；

31、其中，計算某一特征組合對應(yīng)的加權(quán)概率的計算公式為：

32、?；

33、式中， wp表示某一特征組合對應(yīng)的加權(quán)概率；

34、 x表示老人跌倒事件的發(fā)生次數(shù)， y表示某一特征組合在數(shù)據(jù)集中的出現(xiàn)次數(shù)， z表示所有特征組合的出現(xiàn)次數(shù)之和；

35、 w1表示專家意見權(quán)重，表示出現(xiàn)頻率權(quán)重的權(quán)重系數(shù)， β表示專家意見權(quán)重的權(quán)重系數(shù)。

36、進一步的，基于機器學習算法學習相關(guān)特征與老人是否跌倒的關(guān)系，并預測新數(shù)據(jù)集的每個樣本對應(yīng)的老人跌倒概率包括以下步驟：

37、s31、利用梯度提升決策樹為每個相關(guān)特征分配權(quán)重；

38、s32、基于隨機森林算法，并結(jié)合梯度提升決策樹確定的特征權(quán)重，構(gòu)建若干個決策樹；

39、s33、根據(jù)獲取的相關(guān)特征及對應(yīng)的標簽對隨機森林模型進行訓練，優(yōu)化隨機森林模型的參數(shù)；

40、s34、采用交叉驗證法評估隨機森林模型的穩(wěn)定性和準確性，并評估隨機森林模型性能；

41、s35、將訓練好的隨機森林模型應(yīng)用于新數(shù)據(jù)集，并為新數(shù)據(jù)集中的每個樣本預測老人跌倒概率。

42、進一步的，利用梯度提升決策樹為每個相關(guān)特征分配權(quán)重包括以下步驟：

43、s311、初始化決策樹及選擇損失函數(shù)；

44、s312、計算當前所有決策樹的預測殘差，并在殘差上訓練一棵新的決策樹；

45、s313、確定新樹的權(quán)重，并使用新樹的預測和計算出的權(quán)重來更新整體模型；

46、s314、統(tǒng)計每個相關(guān)特征在所有樹中被用作分裂節(jié)點的頻率，并測量每次特征分裂對損失函數(shù)減少量的貢獻，同時將所有樹中的特征重要性評分累加，得到每個相關(guān)特征的總重要性評分；

47、s315、根據(jù)總重要性評分為每個相關(guān)特征分配權(quán)重。

48、進一步的，分析新數(shù)據(jù)集，判斷是否出現(xiàn)特征組合，若出現(xiàn)，則基于量化結(jié)果優(yōu)化老人跌倒概率包括以下步驟：

49、s41、從新數(shù)據(jù)集的每個樣本中提取相關(guān)特征，并與特征組合比較，判斷樣本中是否存在特征組合；

50、s42、若存在特征組合，則將特征組合對應(yīng)的加權(quán)概率與預測老人跌倒概率相加，得到優(yōu)化后的老人跌倒概率。

51、進一步的，設(shè)定若干閾值，若優(yōu)化后的老人跌倒概率超過某一閾值，則執(zhí)行對應(yīng)的預警方案包括以下步驟：

52、s51、設(shè)定若干個跌倒概率的閾值，并為每個閾值設(shè)置對應(yīng)不同的預警級別和響應(yīng)措施；

53、s52、將優(yōu)化后的老人跌倒概率與預設(shè)的閾值進行比較，判斷老人跌倒概率的預警級別；

54、s53、根據(jù)老人跌倒概率的預警級別，選擇對應(yīng)的預警方案。

55、根據(jù)本發(fā)明的另一個方面，提供了基于多傳感器的老人防跌倒智能監(jiān)測系統(tǒng)，該基于多傳感器的老人防跌倒智能監(jiān)測系統(tǒng)包括數(shù)據(jù)采集模塊、特征組合獲取模塊、概率預測模塊、概率優(yōu)化模塊及預警執(zhí)行模塊；其中，數(shù)據(jù)采集模塊與特征組合獲取模塊連接，特征組合獲取模塊與概率預測模塊連接、概率預測模塊與概率優(yōu)化模塊連接，概率優(yōu)化模塊與預警執(zhí)行模塊連接。

56、數(shù)據(jù)采集模塊，用于基于多傳感器采集老人的行為數(shù)據(jù)、生理數(shù)據(jù)及環(huán)境數(shù)據(jù)，并將行為數(shù)據(jù)、生理數(shù)據(jù)及環(huán)境數(shù)據(jù)合并至數(shù)據(jù)集。

57、特征組合獲取模塊，用于從數(shù)據(jù)集中提取相關(guān)特征，基于關(guān)聯(lián)規(guī)則從相關(guān)特征中得到特征組合，量化特征組合對老人跌倒概率的影響。

58、概率預測模塊，用于基于機器學習算法學習相關(guān)特征與老人是否跌倒的關(guān)系，并預測新數(shù)據(jù)集的每個樣本對應(yīng)的老人跌倒概率。

59、概率優(yōu)化模塊，用于分析新數(shù)據(jù)集，判斷是否出現(xiàn)特征組合，若出現(xiàn)，則基于量化結(jié)果優(yōu)化老人跌倒概率。

60、預警執(zhí)行模塊，用于設(shè)定若干閾值，若優(yōu)化后的老人跌倒概率超過某一閾值，則執(zhí)行對應(yīng)的預警方案。

61、本發(fā)明的有益效果為：

62、（1）本發(fā)明提供的基于多傳感器的老人防跌倒智能監(jiān)測方法及系統(tǒng)，通過使用多傳感器收集老人的行為數(shù)據(jù)、生理數(shù)據(jù)以及環(huán)境數(shù)據(jù)，提供老人的整體健康狀態(tài)和活動情況，有助于準確監(jiān)測老人的行為變化。提取與老人跌倒相關(guān)的特征，并利用訓練好的模型對新數(shù)據(jù)集進行預測，計算每個樣本對應(yīng)的跌倒概率，可以幫助提前識別高風險老人，采取預防措施，隨著數(shù)據(jù)的不斷增加和模型的持續(xù)學習，預測模型可以不斷優(yōu)化，提高預測精度和穩(wěn)定性?；诹炕Y(jié)果優(yōu)化跌倒概率，將檢測到的特征組合的量化影響疊加到預測結(jié)果中，進一步提高跌倒風險評估的準確性，減少漏報和誤報。設(shè)定不同的風險閾值，對應(yīng)不同的預警級別，分級預警能夠根據(jù)實際情況采取不同的干預措施，提高預警系統(tǒng)的靈活性和針對性。

63、（2）本發(fā)明利用關(guān)聯(lián)規(guī)則挖掘特征之間的關(guān)系，找出頻繁出現(xiàn)的特征組合，從而能夠揭示隱藏的模式，有助于更好地理解跌倒風險的形成機制，量化特征組合對跌倒概率的影響，可以明確每種特征組合在多大程度上增加了老人跌倒的風險。這種量化分析為后續(xù)的風險預測和干預措施提供了科學依據(jù)。同時量化特征組合對老人跌倒概率影響時，基于特征組合的出現(xiàn)頻率及專家意見確定各自的權(quán)重，可以綜合考慮數(shù)據(jù)驅(qū)動和經(jīng)驗知識的雙重因素，進而提高量化結(jié)果的科學性和可靠性。