一種跌倒識別方法及裝置、用戶設備與流程

本發明涉及智能設備技術領域，尤其涉及一種跌倒識別方法及裝置、用戶設備。

背景技術：

隨著人口老齡化現象的日益突出，又由于老年人肌肉能力退化，反應敏捷度降低，平衡能力減弱，再加之自身疾病的影響，成為易跌倒人群。然而跌倒傷害對他們帶來的不只是生命的威脅，醫療花費的提升，更在心理上留下陰影，使其活動能力降低，健康狀況惡化。

一種關于跌倒防護的裝置應運而生。目前市場上已開始出現老年人跌倒防護裝置產品，由于市場需求量大，且便于隨身攜帶受到了廣大的投資者與消費者的青睞。高精準的監測是一款性能優良的跌倒防護裝置產品的基礎，于是提高跌倒防護識別的精準性顯得尤為重要，然而跌倒防護系統對檢測的實時性和準確率的要求主要取決于跌到檢測算法和相應的硬件平臺的匹配程度，因此提高跌倒防護識別的精準性是關鍵。

目前跌倒檢測算法主要是基于人體運動物理量，運用閾值法。閾值法簡單直接，但往往因為主觀選取的閾值對各種跌倒狀況不具有普遍性，導致跌倒檢測準確率不高。在目前人工智能算法火熱的時代，如果能把智能算法的高效且精準的優勢應用到可穿戴跌倒氣囊防護裝置上，就可以使跌倒識別有較好的實時性和準確率，也就可以極大提高可穿戴跌倒氣囊防護產品性價比。

技術實現要素：

本發明實施例公開了一種跌倒識別方法及裝置、用戶設備，有利于提高跌倒識別的實時性和準確率，從而可以極大提高可穿戴跌倒防護產品性價比。

目前基于可穿戴跌倒氣囊防護裝置的跌倒檢測算法，基本上是先對人體物理運動加速度，角速度，歐拉角等信號進行采樣，再利用基于閾值的方法進行跌倒檢測，太過主觀，對不同主體不同環境下的跌倒具有局限性，導致報警準確率較低。本發明針對閾值法的缺點，設計了一種基于人工智能算法—bp_adaboost的預測分類器，進行實時且準確高效的跌倒模式識別，以提高跌倒防護產品的性價比。

bp(backpropagation)神經網絡是1986年由rumelhart和mccelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。bp網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用梯度下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。bp神經網絡模型拓撲結構包括輸入層(input)、隱層(hiddenlayer)和輸出層(outputlayer)。

adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。

本發明提出一種利用加強的人工智能神經網絡(bp_adaboost)的算法對跌倒進行模式識別，前期采集一定量的數據，進行訓練，訓練好的識別模型不僅實時性好，而且準確率高，從而使跌倒防護裝置產品有更高的性價比。

本發明實施例第一方面公開一種跌倒識別方法，包括：實時獲取跌倒動作相關的人體運動信號；

將跌倒動作相關的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據跌倒動作相關的人體運動信號判斷用戶是否即將跌倒；

如果判斷出用戶即將跌倒，則做出相應的決策對用戶跌倒進行防護。

作為一種可選的實施方式，在本發明實施例第一方面中，實時獲取跌倒動作相關的人體運動信號的步驟之前還包括：

建立基于bp_adaboost的算法模型的強分類器；

將基于bp_adaboost的算法模型的強分類器安裝在本地。

作為一種可選的實施方式，在本發明實施例第一方面中，建立基于bp_adaboost的算法模型的強分類器的步驟包括：

從樣本空間中獲取m組跌倒識別訓練數據；

將m組跌倒識別訓練數據帶入多個bp神經網絡進行訓練并預測樣本輸出，形成多個bp神經網絡弱分類器；

通過adaboost算法將多個bp神經網絡弱分類器加權得到基于bp_adaboost的算法模型的強分類器。

作為一種可選的實施方式，在本發明實施例第一方面中，將跌倒識別訓練數據帶入多個bp神經網絡進行訓練并預測樣本輸出，形成多個bp神經網絡弱分類器的步驟包括：

將m組跌倒識別訓練數據賦予相同的權重1/m；

根據弱學習算法將m組跌倒識別訓練數據迭代運算多次后形成多個bp神經網絡弱分類器。

作為一種可選的實施方式，在本發明實施例第一方面中，方法還包括：

根據弱學習算法將m組跌倒識別訓練數據迭代運算多次后形成多個bp神經網絡弱分類器的步驟包括：

每次根據弱學習算法將m組跌倒識別訓練數據迭代運算后根據分類的結果更新跌倒識別訓練數據的權重分布；

通過多次迭代后得到分類函數序列，并根據分類結果將每個分類函數賦予一個權重。

本發明實施例第二方面公開一種跌倒識別裝置，包括：

獲取模塊，用于實時獲取跌倒動作相關的人體運動信號；

分析模塊，用于將跌倒動作相關的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據跌倒動作相關的人體運動信號判斷用戶是否即將跌倒；

防護模塊，用于當分析模塊判斷出用戶即將跌倒時，則做出相應的決策對用戶跌倒進行防護。

作為一種可選的實施方式，在本發明實施例第二方面中：

裝置還包括：

強分類器安裝模塊，用于將基于bp_adaboost的算法模型的強分類器安裝在本地。

作為一種可選的實施方式，在本發明實施例第二方面中，裝置還包括：強分類器建立模塊，用于建立基于bp_adaboost的算法模型的強分類器。

作為一種可選的實施方式，在本發明實施例第二方面中，強分類器建立模塊包括：

獲取單元，用于從樣本空間中獲取m組跌倒識別訓練數據；

弱分類器建立單元，用于將m組跌倒識別訓練數據帶入多個bp神經網絡進行訓練并預測樣本輸出，形成多個bp神經網絡弱分類器；

強分類器建立單元，用于通過adaboost算法將多個bp神經網絡弱分類器加權得到基于bp_adaboost的算法模型的強分類器。

作為一種可選的實施方式，在本發明實施例第二方面中，弱分類器建立單元包括：

權重賦予單元，用于將m組跌倒識別訓練數據賦予相同的權重1/m；

迭代運算單元，用于根據弱學習算法將m組跌倒識別訓練數據迭代運算多次后形成多個bp神經網絡弱分類器。

本發明實施例第三方面公開一種用戶設備，包括本發明實施例第二方面公開的跌倒識別裝置。

與現有技術相比，本發明實施例具備以下有益效果：

本發明實施例中，把智能算法的高效且精準優勢應用到可穿戴跌倒防護裝置上，提高了跌到檢測算法和相應的硬件平臺的匹配程度，提高了跌倒防護系統對檢測的實時性和準確率，從而提高跌倒防護識別的精準性，從而可以極大提高可穿戴跌倒防護產品性價比。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明實施例公開的一種跌倒識別方法的流程示意圖；

圖2是本發明實施例公開的另一種跌倒識別方法的流程示意圖；

圖3是本發明實施例公開的另一種建立基于bp_adaboost的算法模型的強分類器的步驟的流程示意圖；

圖4是本發明實施例公開的一種跌倒識別裝置的結構示意圖；

圖5是本發明實施例公開的另一種跌倒識別裝置的結構示意圖；

圖6是本發明實施例公開的另一種跌倒識別裝置的結構示意圖；

圖7是本發明實施例公開的一種用戶設備的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

需要說明的是，本發明實施例的術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。

本發明實施例公開了一種跌倒識別方法及裝置、用戶設備，有利于提高跌倒識別的實時性和準確率，從而可以極大提高可穿戴跌倒防護產品性價比。以下進行結合附圖進行詳細描述。

實施例一

請參閱圖1，圖1是本發明實施例公開的一種跌倒識別方法的流程示意圖。如圖1所示，該跌倒識別方法可以包括以下步驟：

101、實時獲取跌倒動作相關的人體運動信號。采集人體運動信號的設備是運動捕捉系統x-sens，其中，人體運動信號包括人體物理運動加速度，角速度，歐拉角等信號。

102、將跌倒動作相關的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據跌倒動作相關的人體運動信號判斷用戶是否即將跌倒；

實時采集人體運動信號數據，并將采集到的人體運動信號數據實時輸入強分類器，再由強分類器實時分析處理人體運動信號數據，從而作出決策。具體的：

獲取采集到的人體運動信號，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。優選的，對采集到的人體運動信號數據進行數據預處理，具體的：由傳感器直接測得的數據含有噪聲，這里采用均值光滑的方法進行降噪，并且對數據采用pca(principalcomponentanalysis)進行降維，它的目標是通過某種線性投影，將采集得到人體運動信號的高維的數據映射到低維的空間中表示，并期望在所投影的維度上數據的方差最大，以此使用較少的數據維度，同時保留住較多的原數據點的特性，從而得到人體運動信號數據的主要特性。數據進行處理后，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。

103、判斷用戶是否跌倒；

獲取到人體運動信號，將該信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據該信號判斷用戶是否跌倒，如果判斷出用戶跌倒，則執行步驟104，如果判斷出用戶沒有跌倒，則執行步驟101。

104、如果判斷出用戶即將跌倒，則做出相應的決策對用戶跌倒進行防護；

實時采集的人體運動信號數據實時輸入強分類器，強分類器實時分析處理人體運動信號數據，當采集的信號通過強分類器分析處理認定為跌倒信號，從而啟動跌倒防護裝置，跌倒防護裝置包括自動開啟氣囊防護裝置、啟動緊急呼救、啟動警示燈等。啟動跌倒防護裝置的時間可以設定為實時啟動，可以設定啟動裝置的種類，設定緊急呼救的對象。

基于bp_adaboost的算法模型的強分類器的人體運動信號數據采集的對象為普通人群人體運動信號，優選的采集對象為老年人的人體運動信號。

圖1所描述的方法，將跌倒動作相關的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據跌倒動作相關的人體運動信號判斷用戶是否即將跌倒。這種方法有利于提高跌倒識別的實時性和準確率，從而可以極大提高可穿戴跌倒氣囊防護產品性價比。

實施例二

請參閱圖2，圖2是本發明實施例公開的另一種跌倒識別方法的流程示意圖。如圖2所示，該跌倒識別方法可以包括以下步驟：

201、建立基于bp_adaboost的算法模型的強分類器；

建立基于bp_adaboost的算法模型的強分類器，獲取的人體運動信號的對象為使用者。首先，需要采集一定量的使用者人體運動信號數據，采集設備是運動捕捉系統x-sens,首先對數據進行降噪處理，繼而對數據采用pca進行降維，它的目標是通過某種線性投影，將采集得到人體運動信號的高維的數據映射到低維的空間中表示，并期望在所投影的維度上數據的方差最大，以此使用較少的數據維度，同時保留住較多的原數據點的特性，從而得到人體運動信號數據的主要特性。

這些數據進行處理后，將其帶入bp神經網絡進行訓練。通過adaboost算法將多個“弱”分類器的輸出合并并產生有效的分類；利用adaboost算法的特性，來提升跌倒識別的準確率。

建立基于bp_adaboost的算法模型的強分類器主要的步驟為：首先給出弱學習算法和樣本空間(x，y)，從樣本空間中找出m組訓練數據，每組數據開始時，都給一樣的權重1/m；然后用弱學習算法迭代運算t次，每次運算后都按照分類的結果更新訓練數據的權重分布，對于分類失敗的訓練個體賦予較大的去權重，下一次迭代運算時更加注重這些被分錯的個體。弱分類器通過反復迭代得到一個分類函數序列f1,f2,…,ft，每個分類函數列賦予一個權重，分類結果越好的函數，對其權重越大。t次迭代后，最終的強分類器f由弱分類器加權得到。

bp_adaboost模型即把bp神經網絡作為弱分類器，反復訓練bp神經網絡預測樣本輸出，通過adaboost算法得到多個bp神經網絡弱分類器組成的強分類器。具體步驟請參見圖3：

301、從樣本空間中獲取m組跌倒識別訓練數據；具體的，首先選擇人體運動信號數據并將網絡初始化，再從樣本空間中隨機選擇m組跌倒識別訓練數據。

302、將m組跌倒識別訓練數據賦予相同的權重；具體的，初始化訓練數據的分布權值d1(i)＝1/m，根據樣本輸入輸出維數確定神經網絡結構，初始化bp神經網絡權值與閾值。

303、每次根據弱學習算法將m組跌倒識別訓練數據迭代運算后根據分類的結果更新跌倒識別訓練數據的權重分布；具體的，

首先，訓練t個弱分類器，用訓練數據訓練bp神經網絡并且預測訓練數據輸出，得到預測序列gt的預測誤差的和et的計算公式為其中gt(i)為第t個分類器對第i組數據預測的分類結果，y(i)為第i組數據期望的預測結果，dt(i)為第t個分類器對第i組數據的分布權值。

然后根據預測序列gt的預測誤差的和et計算預測序列的權重at，其表達式為：

再對用于測試的跌倒識別訓練數據進行權重調整，具體的根據預測序列權重at調整下一輪訓練樣本的權重，調整公式為其中bt為歸一化因子，目的是在權重比例不變下使分布權值和為1，y(i)為第i組數據期望的預測結果，gt(i)為第t個分類器對第i組數據預測的分類結果，dt(i)為第t個分類器對第i組數據的分布權值。

304、通過多次迭代后得到分類函數序列，并根據分類結果將每個分類函數賦予一個權重；

根據步驟303進行t輪訓練后得到t組分類函數f(gt,at)，并根據分類結果將每個分類函數賦予一個權重。

305、通過adaboost算法將多個bp神經網絡弱分類器加權得到基于bp_adaboost的算法模型的強分類器；

步驟304中的t組分類函數為t個bp神經網絡弱分類器，再通過adaboost算法將t個bp神經網絡弱分類器進行加權，組合得到基于bp_adaboost的算法模型的強分類函數h(x)；其表達式為：

該強分類函數即為基于bp_adaboost的算法模型的強分類器。

由于每個個體的人體運動信號數據有一定的差異，獲取使用者一定量的人體運動信號數據建立基于bp_adaboost的算法模型的強分類器，有利于提高判斷的準確度。

202、將基于bp_adaboost的算法模型的強分類器安裝在本地；

通過采集使用者的人體運動信號數據，通過bp_adaboost算法得到的強分類器再嵌入到本地硬件平臺上，通過這個平臺實時采集的數據輸入到強分類器，從而能更加及時的作出決策。

訓練好的強分類器，對硬件平臺要求低，處理速度快，提高了可穿戴跌倒氣囊防護產品的性價比。

步驟203至步驟206同實施例一中的步驟101至步驟104，此處不做贅述。

圖2所描述的方法，通過建立基于bp_adaboost的算法模型的強分類器，并將基于bp_adaboost的算法模型的強分類器安裝在本地，再將跌倒動作相關的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據跌倒動作相關的人體運動信號判斷用戶是否即將跌倒。這種方法有利于提高跌倒識別的實時性和準確率，從而可以極大提高可穿戴跌倒防護產品性價比。

實施例三

請參閱圖4，圖4是本發明實施例公開的一種跌倒識別裝置的結構示意圖。如圖4所示，該跌倒識別裝置可以包括：

獲取模塊401，用于實時獲取跌倒動作相關的人體運動信號；具體的，采集人體動動信號的設備是運動捕捉系統x-sens，其中，人體運動信號包括人體物理運動加速度，角速度，歐拉角等信號。

分析模塊402，用于將跌倒動作相關的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據跌倒動作相關的人體運動信號判斷用戶是否即將跌倒，即實時采集人體運動信號數據，并將采集到的人體運動信號數據實時輸入強分類器，再由強分類器實時分析處理人體運動信號數據，從而作出決策；具體的，獲取采集到的人體運動信號，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。優選的，對采集到的人體運動信號數據進行數據預處理，并且對數據采用pca進行降維，它的目標是通過某種線性投影，將采集得到人體運動信號的高維的數據映射到低維的空間中表示，并期望在所投影的維度上數據的方差最大，以此使用較少的數據維度，同時保留住較多的原數據點的特性，從而得到人體運動信號數據的主要特性。數據進行處理后，將其輸入到基于bp_adaboost的算法模型的強分類器中進行分析。

防護模塊403，用于當分析模塊402判斷出用戶即將跌倒時，則做出相應的決策對用戶跌倒進行防護。

當獲取模塊401采集的人體運動信號通過分析模塊402析處理認定為跌倒信號，從而啟動防護模塊403，防護模塊403可以控制跌倒防護裝置，跌倒防護裝置包括自動開啟氣囊防護裝置、啟動緊急呼救裝置、啟動警示燈等。啟動跌倒防護裝置的時間可以設定為實時啟動，可以設定啟動裝置的種類，設定緊急呼救的對象。

進一步的，如圖5所示，本實施例中的跌倒識別裝置還包括強分類器安裝模塊404，用于將基于bp_adaboost的算法模型的強分類器安裝在本地。具體的，通過采集使用者的人體運動信號數據，通過bp_adaboost算法得到的強分類器再嵌入到本地硬件平臺上，通過這個平臺實時采集的數據輸入到強分類器，從而能更加及時的作出決策。

進一步的，如圖6所示，本實施例中的跌倒識別裝置還包括強分類器建立模塊405，用于建立基于bp_adaboost的算法模型的強分類器。具體的：

建立基于bp_adaboost的算法模型的強分類器，獲取的人體運動信號的對象為使用者。首先，需要采集一定量的使用者人體運動信號數據，采集設備是運動捕捉系統x-sens。然后對數據進行降噪處理，并且對數據這里采用了pca進行降維，它的目標是通過某種線性投影，將采集得到人體運動信號的高維的數據映射到低維的空間中表示，并期望在所投影的維度上數據的方差最大，以此使用較少的數據維度，同時保留住較多的原數據點的特性，從而得到人體運動信號數據的主要特性。

這些數據進行處理后，將其帶入bp神經網絡進行訓練。通過adaboost算法將多個“弱”分類器的輸出合并并產生有效的分類；利用adaboost算法的特性，來提升跌倒識別的準確率。

建立基于bp_adaboost的算法模型的強分類器主要的步驟為：首先給出弱學習算法和樣本空間(x，y)，從樣本空間中找出m組訓練數據，每組數據開始時，都給一樣的權重1/m；然后用弱學習算法迭代運算t次，每次運算后都按照分類的結果更新訓練數據的權重分布，對于分類失敗的訓練個體賦予較大的去權重，下一次迭代運算時更加注重這些被分錯的個體。弱分類器通過反復迭代得到一個分類函數序列f1,f2,…,ft，每個分類函數列賦予一個權重，分類結果越好的函數，對其權重越大。t次迭代后，最終的強分類器f由弱分類器加權得到。

bp_adaboost模型即把bp神經網絡作為弱分類器，反復訓練bp神經網絡預測樣本輸出，通過adaboost算法得到多個bp神經網絡弱分類器組成的強分類器。強分類器建立模塊405包括獲取單元、弱分類器建立單元、強分類器建立單元，具體的：

獲取單元，用于從樣本空間中獲取m組跌倒識別訓練數據；具體的，首先選擇人體運動信號數據并將網絡初始化，再從樣本空間中隨機選擇m組跌倒識別訓練數據。

弱分類器建立單元，用于將獲取單元獲取的m組跌倒識別訓練數據帶入多個bp神經網絡進行訓練并預測樣本輸出，形成多個bp神經網絡弱分類器。其中，弱分類器建立單元具體包括權值賦予單元和迭代運算單元，具體的：

權值賦予單元，用于將m組跌倒識別訓練數據賦予相同的權重；具體的，初始化訓練數據的分布權值d1(i)＝1/m，根據樣本輸入輸出維數確定神經網絡結構，初始化bp神經網絡權值與閾值。

迭代運算單元，用于每次根據弱學習算法將m組跌倒識別訓練數據迭代運算后根據分類的結果更新跌倒識別訓練數據的權重分布；具體的，首先，訓練t個弱分類器，用訓練數據訓練bp神經網絡并且預測訓練數據輸出，得到預測序列gt的預測誤差的和et的計算公式為其中gt(i)為第t個分類器對第i組數據預測的分類結果，y(i)為第i組數據期望的預測結果，dt(i)為第t個分類器對第i組數據的分布權值。

然后根據預測序列gt的預測誤差的和et計算預測序列的權重at，其表達式為：

再對用于測試的跌倒識別訓練數據進行權重調整，具體的根據預測序列權重at調整下一輪訓練樣本的權重，調整公式為其中bt為歸一化因子，目的是在權重比例不變下使分布權值和為1；y(i)為第i組數據期望的預測結果，gt(i)為第t個分類器對第i組數據預測的分類結果，dt(i)為第t個分類器對第i組數據的分布權值。

根據迭代計算單元進行t輪訓練后得到t組分類函數f(gt,at)，并根據分類結果將每個分類函數賦予一個權重。

強分類器建立單元，用于通過adaboost算法將多個bp神經網絡弱分類器加權得到基于bp_adaboost的算法模型的強分類器；

迭代運算單元運算后得到的t組分類函數為t個bp神經網絡弱分類器，再通過adaboost算法將t個bp神經網絡弱分類器進行加權，組合得到基于bp_adaboost的算法模型的強分類函數h(x)；其表達式為：

該強分類函數即為基于bp_adaboost的算法模型的強分類器。

由于每個個體的人體運動信號數據有一定的差異，獲取使用者一定量的人體運動信號數據建立基于bp_adaboost的算法模型的強分類器，有利于提高判斷的準確度。

本實施例中所描述的裝置，將跌倒動作相關的人體運動信號輸入到基于bp_adaboost的算法模型的強分類器中進行分析，根據跌倒動作相關的人體運動信號判斷用戶是否即將跌倒。這種方法有利于提高跌倒識別的實時性和準確率，從而可以極大提高可穿戴跌倒防護產品性價比。

實施例四

請參閱圖7，圖7是本發明實施例公開的一種用戶設備的結構示意圖。其中，圖7所示的用戶設備包括圖4～圖6任意一種跌倒識別裝置。實施圖7所示的用戶設備，能夠有利于提高跌倒識別的實時性和準確率，從而可以極大提高可穿戴跌倒防護產品性價比。

本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，該程序可以存儲于一計算機可讀存儲介質中，存儲介質包括只讀存儲器(read-onlymemory，rom)、隨機存儲器(randomaccessmemory，ram)、可編程只讀存儲器(programmableread-onlymemory，prom)、可擦除可編程只讀存儲器(erasableprogrammablereadonlymemory，eprom)、一次可編程只讀存儲器(one-timeprogrammableread-onlymemory，otprom)、電子抹除式可復寫只讀存儲器(electrically-erasableprogrammableread-onlymemory，eeprom)、只讀光盤(compactdiscread-onlymemory，cd-rom)或其他光盤存儲器、磁盤存儲器、磁帶存儲器、或者能夠用于攜帶或存儲數據的計算機可讀的任何其他介質。

以上對本發明實施例公開的一種跌倒識別方法及裝置、用戶設備進行了詳細介紹，本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發明的限制。