1.本发明涉及传感器技术领域，具体涉及一种基于多运动传感器的分析方法和一种基于多运动传感器的分析装置。
背景技术：2.婴幼儿的健康安全问题一直是人们日益关注的焦点，在卫生部组织编写的《中国伤害预防报告》中，跌倒是婴幼儿受到意外伤害的首要原因，在跌倒发生之后，一方面是跌倒本身所带来人体伤害，另一方面是跌倒之后没有及时的防护措施和得到及时的救助造成的二次伤害，这严重影响婴幼儿的正常活动能力和健康成长。
3.相关技术中，公开号cn20120209092的专利申请描述了一种人体步态评测系统及方法，主要通过采集三维加速度信号对人体进行步态分析，但仅是加速度信号不能计算人体的整体状态，精确度受到限制，不适用于婴幼儿防跌倒。
技术实现要素：4.本发明为解决相关技术中精确度不高、不适用于婴幼儿防跌倒的问题，提出了如下技术方案。
5.尽管现有的研发技术中有针对防跌倒方面的相关研究，但更多的是停留在跌倒之后如何避免二次损伤的层面上，很少的研究人员将精力集中在从源头上保护婴幼儿，避免一次伤害。
6.为此，本发明第一方面实施例提出了一种基于多运动传感器的分析方法，包括：采集多个运动传感器的输出数据，并对所述输出数据进行预处理，其中，多个所述运动传感器安装于人体各个部位；对预处理后的输出数据进行局部线性嵌入分析，以得到分析数据；基于拉普拉斯特征映射对所述分析数据进行约束；利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果剔除不相关的输出数据、保留相关的输出数据；将所述相关的输出数据的分析数据导入所述运动传感器。
7.另外，根据本发明上述实施例的基于多运动传感器的分析方法还可以具有如下附加的技术特征。
8.根据本发明的一个实施例，对所述输出数据进行预处理，包括：对所述输出数据依次进行清洗、筛选后进行类别标记，以得到每个输出数据的类别标签。
9.根据本发明的一个实施例，对预处理后的输出数据进行局部线性嵌入分析，包括：将每个所述类别标签转换为标签数据确定所述标签数据及其附近的若干个标签数据；确定所述标签数据与其附近的若干个标签数据之间的距离；通过对所述距离的最小化处理，得到所述标签数据的权重参数；根据所述权重参数对所有所述标签数据进行降维分析。
10.根据本发明的一个实施例，基于拉普拉斯特征映射对所述分析数据进行约束，包括：根据标签数据之间的相似性建立一个候选区；计算所述候选区中两个标签数据之间的相似度参数；在所述相似度参数大于或者等于阈值时，将两个所述标签数据连接；在所述相
似度参数小于所述阈值时，保持两个所述标签数据不连接；在两个所述标签数据连接时，估算两个所述标签数据之间的距离，所述距离的损失函数为：
[0011][0012]
其中，yi为标签数据的第i个正则项，yj为标签数据的第i个负则项，v
i,j
为标签数据yi与yj之间的权重，t为yi与yj之间的间隔时间，l为yi与yj之间的距离，y为标签数据的正则项的集合；根据所述相似度参数对所述损失函数进行约束。
[0013]
根据本发明的一个实施例，根据划分结果剔除不相关的输出数据、保留相关的输出数据，包括：将两个相邻的输出数据之间的离散度最小化，以得到特征向量；根据特征向量将相关的输出数据聚集在一起、将不相关的输出数据处于离散状态。
[0014]
根据本发明的一个实施例，将所述相关的输出数据的分析数据导入所述运动传感器，包括：确定所述相关的输出数据的权重参数，并将所述相关数据的权重参数导入所述运动传感器。
[0015]
本发明第二方面实施例提出了一种基于多运动传感器的分析装置，包括：处理模块，用于采集多个运动传感器的输出数据，并对所述输出数据进行预处理，其中，多个所述运动传感器安装于人体各个部位；分析模块，用于对预处理后的输出数据进行局部线性嵌入分析，以得到分析数据；约束模块，用于基于拉普拉斯特征映射对所述分析数据进行约束；划分模块，用于利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果剔除不相关的输出数据、保留相关的输出数据；导入模块，用于将所述相关数据的分析数据导入所述运动传感器。
[0016]
本发明实施例的技术方案，通过局部线性嵌入分析、拉普拉斯特征映射和t分布随机邻居嵌入剔除不相关的数据，只保留有效信息进行分析，可以提高分析精确度，适用于婴幼儿防跌倒。
附图说明
[0017]
图1为本发明实施例的基于多运动传感器的分析方法的流程图。
[0018]
图2为本发明一个示例中标签数据的分布示意图。
[0019]
图3为本发明实施例的基于多运动传感器的分析装置的方框示意图。
具体实施方式
[0020]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做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。
[0021]
图1为本发明实施例的基于多运动传感器的分析方法的流程图。
[0022]
如图1所示，该基于多运动传感器的分析方法包括以下步骤s1至s5。
[0023]
s1，采集多个运动传感器的输出数据，并对输出数据进行预处理，其中，多个运动传感器安装于人体各个部位。
[0024]
其中，多个运动传感器例比如可以是速度传感器、位置传感器、姿态传感器等，可安装于在不影响人正常行动而又能够检测到人运动的部位，比如可安装于婴幼儿的人的鞋子、裤子或者胳膊上。
[0025]
具体地，在人体运动时，采集各个运动传感器的输出数据，并对其进行预处理，比如清洗、筛选处理等，以得到预处理后的输出数据。
[0026]
s2，对预处理后的输出数据进行局部线性嵌入分析，以得到分析数据。
[0027]
具体地，为了对预处理后的输出数据进行降维，对其进行局部线性嵌入分析，以得到分析数据。
[0028]
s3，基于拉普拉斯特征映射对分析数据进行约束。
[0029]
具体地，在进行局部线性嵌入分析之后，为了提高分析准确度，基于拉普拉斯特征映射对分析数据添加约束，以得到约束后的分析数据，从而避免误差影响，提高分析精度。
[0030]
s4，利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果剔除不相关的输出数据、保留相关的输出数据。
[0031]
具体地，在得到约束后的分析数据之后，利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果从所有输出数据中剔除不相关的输出数据(即剔除不相似的数据)、保留相关的输出数据(即保留相似数据)，从而减小运算量和存储量，只保留有效信息进行分析，增加分析准确度。
[0032]
s5，将相关的输出数据的分析数据导入运动传感器。
[0033]
具体地，得到相关的输出数据之后，从分析数据中选择相关的输出数据的分析数据，并将选择的分析数据导入多个运动传感器内。
[0034]
基于上述描述可知，本发明实施例对预处理好的数据进行局部线性嵌入分析、基于拉普拉斯特征映射对分析数据进行约束、结合t分布随机邻居嵌入对约束后的数据进行划分，剔除不相关的数据，只保留有效信息进行分析，增加分析准确度，提高精确度，可以适用于婴幼儿防跌倒。
[0035]
本发明实施例的基于多运动传感器的分析方法，通过局部线性嵌入分析、拉普拉斯特征映射和t分布随机邻居嵌入剔除不相关的数据，只保留有效信息进行分析，可以提高分析精确度，适用于婴幼儿防跌倒。
[0036]
在本发明的一个实施例中，对输出数据进行预处理，可包括：对输出数据依次进行清洗、筛选后进行类别标记，以得到每个输出数据的类别标签。
[0037]
具体而言，可先清洗、筛选多个运动传感器的输出数据，之后对其进行类别标记，以输出得到每个输出数据的类别标签。
[0038]
在本发明的一个实施例中，对预处理后的输出数据进行局部线性嵌入分析，可包括：将每个类别标签转换为标签数据；确定标签数据及其附近的若干个标签数据；确定标签数据与其附近的若干个标签数据之间的距离；通过对距离的最小化处理，得到标签数据的权重参数；根据权重参数对所有标签数据进行降维分析。
[0039]
具体而言，先将每个类别标签转换为标签数据，并确定标签数据及其附近的若干个标签数据，对于某一个标签数据点xi选择它附近的若干个点xj，用w
ij
代表xi和xj之间的关系或者距离，通过对距离的最小化处理获得对应的权重参数，如图2所示。
[0040]
对于某一个数据点xi，可以通过其周围的所有点的线性组合进行标识，所有点的
线性表示均与实际的点的距离最小，得到点之间的权重参数，用得到的权重参数进行降维分析。
[0041]
以图2中xi点为中心点，其相邻点的分布越密集，则中心点的权重越大，即对多运动传感器相关数据信息来说相关性越高，反之，则越低。
[0042]
在本发明的一个实施例中，基于拉普拉斯特征映射对分析数据进行约束，可包括：根据标签数据之间的相似性建立一个候选区；计算候选区中两个标签数据之间的相似度参数；在相似度参数大于或者等于阈值时，将两个标签数据连接；在相似度参数小于阈值时，保持两个标签数据不连接；在两个标签数据连接时，估算两个标签数据之间的距离，距离的损失函数为：
[0043][0044]
其中，yi为标签数据的第i个正则项，yj为标签数据的第i个负则项，v
i,j
为标签数据yi与yj之间的权重，t为yi与yj之间的间隔时间，l为yi与yj之间的距离，y为标签数据的正则项的集合；根据相似度参数对损失函数进行约束。
[0045]
其中，阈值可根据实际具体需求标定。
[0046]
具体而言，根据标签数据之间的相似性建立一个候选区，计算候选区中两个标签数据之间的相似度参数，判断相似度参数是否大于或者等于阈值，如果是，则将两个标签数据连接；如果否，则保持两个标签数据不连接。在两个标签数据连接时，两个点之间的距离就可以根据候选区上的连接进行近似计算，其损失函数即为公式(1)。
[0047]
之后，对损失函数添加以下约束：
[0048]
if the dim y is m,span{y1,y2,
…yn
}＝rmꢀꢀꢀꢀ
(2)
[0049]
其中，r为权重，n为标签数据的正则项的总数，m为两个标签数据之间的相似度参数，rm为标签数据的权重相似度。
[0050]
根据公式(2)进行约束后，将权重相似的数据聚集在一起，避免被随机分布影响而导致数据极为离散。由此，可以避免误差影响，提高分析精度。
[0051]
在本发明的一个实施例中，根据划分结果剔除不相关的输出数据、保留相关的输出数据，可包括：将两个相邻的输出数据之间的离散度最小化，以得到特征向量；根据特征向量将相关的输出数据聚集在一起、将不相关的输出数据处于离散状态。
[0052]
具体而言，先利用t分布随机邻居嵌入对约束后的分析数据进行划分，将两个数据点(某一点及其相邻点)之间的离散度最小化，获得特征向量，再根据特征向量进行聚类，以使相似数据聚集在一起，不相关的数据则处于离散状态。
[0053]
进一步地，将相关的输出数据的分析数据导入运动传感器，可包括：确定相关的输出数据的权重参数，并将相关数据的权重参数导入运动传感器。
[0054]
具体而言，将相关数据的权重参导入多个运动传感器内，以使运动传感器输出的数据更能够反映三维参数，提高了分析精确度。
[0055]
综上所述，本发明实施例对预处理好的数据进行局部线性嵌入分析、基于拉普拉斯特征映射对分析数据进行约束、结合t分布随机邻居嵌入对约束后的数据进行划分，剔除不相关的数据，适用于婴幼儿放跌倒，可以从源头上保护婴幼儿，避免一次伤害。
[0056]
对应上述实施例的基于多运动传感器的分析方法，本发明还提出一种基于多运动
传感器的分析装置。
[0057]
图3为本发明实施例的基于多运动传感器的分析装置的方框示意图。
[0058]
如图3所示，该基于多运动传感器的分析装置包括：处理模块10、分析模块20、约束模块30、划分模块40和导入模块50。
[0059]
其中，处理模块10用于采集多个运动传感器的输出数据，并对所述输出数据进行预处理，其中，多个所述运动传感器安装于人体各个部位；分析模块20用于对预处理后的输出数据进行局部线性嵌入分析，以得到分析数据；约束模块30用于基于拉普拉斯特征映射对所述分析数据进行约束；划分模块40用于利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果剔除不相关的输出数据、保留相关的输出数据；导入模块50用于将所述相关数据的分析数据导入所述运动传感器。
[0060]
需要说明的是，该基于多运动传感器的分析装置的具体实施方式及实施原理可参见上述基于多运动传感器的分析方法的具体实施方式，为避免冗余，此处不再详细赘述。
[0061]
本发明实施例的基于多运动传感器的分析装置，通过局部线性嵌入分析、拉普拉斯特征映射和t分布随机邻居嵌入剔除不相关的数据，只保留有效信息进行分析，可以提高分析精确度，适用于婴幼儿防跌倒。
[0062]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0063]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0064]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0065]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0066]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介
质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0067]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
技术特征：1.一种基于多运动传感器的分析方法，其特征在于，包括：采集多个运动传感器的输出数据，并对所述输出数据进行预处理，其中，多个所述运动传感器安装于人体各个部位；对预处理后的输出数据进行局部线性嵌入分析，以得到分析数据；基于拉普拉斯特征映射对所述分析数据进行约束；利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果剔除不相关的输出数据、保留相关的输出数据；将所述相关的输出数据的分析数据导入所述运动传感器。2.根据权利要求1所述的基于多运动传感器的分析方法，其特征在于，对所述输出数据进行预处理，包括：对所述输出数据依次进行清洗、筛选后进行类别标记，以得到每个输出数据的类别标签。3.根据权利要求2所述的基于多运动传感器的分析方法，其特征在于，对预处理后的输出数据进行局部线性嵌入分析，包括：将每个所述类别标签转换为标签数据；确定所述标签数据及其附近的若干个标签数据；确定所述标签数据与其附近的若干个标签数据之间的距离；通过对所述距离的最小化处理，得到所述标签数据的权重参数；根据所述权重参数对所有所述标签数据进行降维分析。4.根据权利要求2所述的基于多运动传感器的分析方法，其特征在于，基于拉普拉斯特征映射对所述分析数据进行约束，包括：根据标签数据之间的相似性建立一个候选区；计算所述候选区中两个标签数据之间的相似度参数；在所述相似度参数大于或者等于阈值时，将两个所述标签数据连接；在所述相似度参数小于所述阈值时，保持两个所述标签数据不连接；在两个所述标签数据连接时，估算两个所述标签数据之间的距离，所述距离的损失函数为：其中，y
i
为标签数据的第i个正则项，y
j
为标签数据的第i个负则项，v
i,j
为标签数据y
i
与y
j
之间的权重，t为y
i
与y
j
之间的间隔时间，l为y
i
与y
j
之间的距离，y为标签数据的正则项的集合；根据所述相似度参数对所述损失函数进行约束。5.根据权利要求2所述的基于多运动传感器的分析方法，其特征在于，根据划分结果剔除不相关的输出数据、保留相关的输出数据，包括：将两个相邻的输出数据之间的离散度最小化，以得到特征向量；根据特征向量将相关的输出数据聚集在一起、将不相关的输出数据处于离散状态。6.根据权利要求4所述的基于多运动传感器的分析方法，其特征在于，将所述相关的输
出数据的分析数据导入所述运动传感器，包括：确定所述相关的输出数据的权重参数，并将所述相关数据的权重参数导入所述运动传感器。7.一种基于多运动传感器的分析装置，其特征在于，包括：处理模块，用于采集多个运动传感器的输出数据，并对所述输出数据进行预处理，其中，多个所述运动传感器安装于人体各个部位；分析模块，用于对预处理后的输出数据进行局部线性嵌入分析，以得到分析数据；约束模块，用于基于拉普拉斯特征映射对所述分析数据进行约束；划分模块，用于利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果剔除不相关的输出数据、保留相关的输出数据；导入模块，用于将所述相关数据的分析数据导入所述运动传感器。
技术总结本发明提供一种基于多运动传感器的分析方法及装置，所述方法包括：采集多个运动传感器的输出数据，并对输出数据进行预处理，其中，多个运动传感器安装于人体各个部位；对预处理后的输出数据进行局部线性嵌入分析，以得到分析数据；基于拉普拉斯特征映射对分析数据进行约束；利用t分布随机邻居嵌入对约束后的分析数据进行划分，并根据划分结果剔除不相关的输出数据、保留相关的输出数据；将相关的输出数据的分析数据导入运动传感器。由此，通过局部线性嵌入分析、拉普拉斯特征映射和t分布随机邻居嵌入剔除不相关的数据，只保留有效信息进行分析，可以提高分析精确度，适用于婴幼儿防跌倒。跌倒。跌倒。
技术研发人员：李华京 杜鑫 王静 杜雯翀
受保护的技术使用者：南京木马牛智能科技有限公司 南京悦宸医疗科技有限公司
技术研发日：2022.07.15
技术公布日：2022/11/1
