1.本公开实施例涉机器学习及技术领域，具体而言，涉及一种跌倒风险的预警方法、跌倒风险的预警装置、计算机可读存储介质以及电子设备。
背景技术：
2.随着人口老龄化的加剧，养老服务的需求愈加增长，其中最重要的一项服务即为对老人的跌倒风险进行预防。
3.现有的跌倒风险的预警方法中，可以通过睡眠监护家居设施、视频监控、单一按铃或拉绳报警、可穿戴式设备、跌倒后感应等方法进行实现。
4.但是，上述跌倒风险的预警方法，虽然各自存在相关特色，也有一定效果，但并未结合形成关联，无法形成场景上的全覆盖，进而使得跌倒预风险的预警结果的准确率较低。
5.因此，需要提供一种新的跌倒风险的预警方法及装置。
6.需要说明的是，在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现要素：
7.本公开的目的在于提供一种跌倒风险的预警方法、跌倒风险的预警装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的跌倒风险的预警结果的准确率较低的问题。
8.根据本公开的一个方面，提供一种跌倒风险的预警方法，包括：
9.获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息；
10.根据所述待预警对象的用户标识，获取所述待预警对象的第一医疗数据；其中，所述第一医疗数据包括体检数据、病史数据、用药种类数据以及用药时长数据中的多种；
11.根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，并将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率；
12.在确定所述跌倒风险概率大于第一预设阈值时，根据所述第一位置维度信息生成预警提示信息，以使得医护人员根据所述预警提示信息对所述待预警对象进行救治。
13.在本公开的一种示例性实施例中，所述第一检测设备为智能床垫，第二检测设备为雷达；
14.其中，获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息，包括：
15.获取通过所述智能床垫检测到的所述待预警对象的第一健康维度信息；其中，所述第一健康维度信息包括是否在床信息、生命体征、心率信息、呼吸信息、离床频率以及卧床时间中的多种；
16.获取通过所述雷达检测到的所述待预警对象的第一位置维度信息；其中，所述第一位置维度信息包括是否跌倒信息、用户姿势信息、用户姿态信息以及空间位置信息中的多种。
17.在本公开的一种示例性实施例中，根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，包括：
18.在预设的特征值库中匹配与所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据对应的第一特征值、第二特征值以及第三特征值；
19.对所述第一特征值、第二特征值以及第三特征值进行依次拼接，生成所述待预警对象的待预测用户特征。
20.在本公开的一种示例性实施例中，将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率，包括：
21.利用所述预设的跌倒风险预测模型计算所述待预测用户特征在所述跌倒风险预测模型中的内节点的第一线性回归部分；
22.利用所述跌倒风险预测模型的叶子节点所在的归一化层对所述第一线性回归部分进行归一化处理，得到所述待预警对象的跌倒风险概率。
23.在本公开的一种示例性实施例中，利用所述跌倒风险预测模型的叶子节点所在的归一化层对所述第一线性回归部分进行归一化处理，得到所述待预警对象的跌倒风险概率，包括：
24.利用所述跌倒风险预测模型的叶子节点所在的归一化层计算所述第一线性回归部分在每一个叶子节点上的分支概率，并根据所述分支概率计算所述待预警对象的跌倒风险概率。
25.在本公开的一种示例性实施例中，所述跌倒风险的预警方法还包括：
26.获取历史用户的第二健康维度信息、第二位置维度信息以及第二医疗数据，并根据所述第二健康维度信息、第二位置维度信息以及第二医疗数据，生成历史用户特征；
27.利用xgboost模型计算所述历史用户特征在所述xgboost中的内节点的第二线性回归部分，并计算所述第二线性回归部分在所述xgboost中的叶子节点的输出值；
28.根据所述叶子节点的输出值以及历史用户的特征标签，计算所述xgboost中所包括的当前决策树的局部损失函数，并根据所述局部损失函数计算所述xgboost的全局损失函数；
29.根据所述全局损失函数计算所述内节点的梯度，并根据所述内节点的梯度对所述xgboost的内节点的参数进行更新，得到所述预设的跌倒风险预测模型。
30.在本公开的一种示例性实施例中，根据所述叶子节点的输出值以及历史用户的特征标签，计算所述xgboost中所包括的当前决策树的局部损失函数，包括：
31.计算排在当前决策树前面的所有决策树在叶子节点的输出值的总和；
32.对排在当前决策树前面的所有决策树在叶子节点的输出值的总和进行归一化运算，得到所述第二线性回归部分中所包括的历史用户特征在排在当前决策树前面的所有决策树中的预测结果；
33.根据所述预测结果、所述历史用户特征在当前决策树中的叶子节点的输出值以及所述历史用户的特征标签，构建所述当前决策树的局部损失函数。
34.根据本公开的一个方面，提供一种跌倒风险的预警装置，包括：
35.第一获取模块，用于获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息；
36.第二获取模块，用于根据所述待预警对象的用户标识，获取所述待预警对象的第一医疗数据；其中，所述第一医疗数据包括体检数据、病史数据、用药种类数据以及用药时长数据中的多种；
37.跌倒风险概率预测模块，用于根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，并将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率；
38.预警提示信息生成模块，用于在确定所述跌倒风险概率大于第一预设阈值时，根据所述第一位置维度信息生成预警提示信息，以使得医护人员根据所述预警提示信息对所述待预警对象进行救治。
39.根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的跌倒风险的预警方法。
40.根据本公开的一个方面，提供一种电子设备，包括：
41.处理器；以及
42.存储器，用于存储所述处理器的可执行指令；
43.其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的跌倒风险的预警方法。
44.本公开实施例提供的一种跌倒风险的预警方法，一方面，由于可以根据第一健康维度信息、第一位置维度信息以及第一医疗数据等多维度的信息生成待预警对象的待预测用户特征，再将待预测用户特征输入至预设的跌倒风险预测模型中，得到待预警对象的跌倒风险概率，解决了现有技术中由于对场景进行结合形成关联，无法形成场景上的全覆盖，进而使得跌倒预风险的预警结果的准确率较低的问题，提高了跌倒风险的预测结果的准确率；另一方面，由于可以在确定跌倒风险概率大于第一预设阈值时，根据第一位置维度信息生成预警提示信息，进而使得医护人员根据预警提示信息对待预警对象进行救治，实现了对待预警对象(老人)的及时救治，进而避免了由于老人跌倒救治不及时造成的生命危险的问题；再一方面，由于可以通过第一检测设备检测到的第一健康维度信息、第二检测设备检测到的第一位置维度信息以及第一医疗数据对该待预警对象是否存在跌倒风险进行事先预警，进而极大的避免了该待预警对象的跌倒风险。
45.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
46.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图。
47.图1示意性示出根据本公开示例实施例的一种跌倒风险的预警方法的流程图。
48.图2示意性示出根据本公开示例实施例的一种跌倒风险的预警系统的框图。
49.图3示意性示出根据本公开示例实施例的一种根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征的方法流程图。
50.图4示意性示出根据本公开示例实施例的一种基本信息变量的场景示例图。
51.图5示意性示出根据本公开示例实施例的一种生理因素变量的场景示例图。
52.图6示意性示出根据本公开示例实施例的一种病理因素变量的场景示例图。
53.图7示意性示出根据本公开示例实施例的一种药物因素变量的场景示例图。
54.图8示意性示出根据本公开示例实施例的一种外在因素变量的场景示例图。
55.图9示意性示出根据本公开示例实施例的一种将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率的方法流程图。
56.图10示意性示出根据本公开示例实施例的一种xgboost模型的训练方法的流程图。
57.图11示意性示出根据本公开示例实施例的一种跌倒风险的预警装置的框图。
58.图12示意性示出根据本公开示例实施例的一种用于实现上述跌倒风险的预警方法的电子设备。
具体实施方式
59.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
60.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
61.在一些跌倒风险的检测方法中，可以通过如下几种方式实现：
62.一种，网络摄像头，可以搭载计算机视觉等技术，实时监测老人的生活状况，并在监测到出现异常时，及时的进行报警；但是，该方案存在严重的隐私问题，很大一部分老人不希望生活在监控之下，老年生活质量无法保障；
63.另一种是，可穿戴设备，例如，使用手表或者手环等可穿戴设备，记录老人的gps、血氧以及心率等数据，并在出现异常时，及时报警；同时，还存在一种可穿戴气囊，在跌倒发生时充气以保护老人的头部以及臀部；但是，邮局绝大多数老人没有使用可穿戴设备的习惯，因此普遍程度不高；并且，可穿戴设备存在需要充电以及实时佩戴等问题；
64.再一种是，智能手杖和/或智能拐杖，其可以为行动不便的老人提供职场，并配备
gps或雷达提示障碍物和报警设施；但是，其仅适用于走路跌倒场景以及行动不便的人群，普及范围较窄；
65.还有一种是，防跌床健康盒，其与智能床垫功能相同，可以通过心率、提问、血氧浓度以及呼吸频率的信息变化对老人可能发生疾病的风险进行预测，再通过相关数据以及离床率判断跌倒风险，但是该方法信息来源途径单一，很大程度上存在误报的问题。
66.但是，大多数方案大多数都是用于跌倒后补救，很少用于跌倒预防，减少跌倒发生；并且，具有跌倒预防的设备大多存在不便性和适用性问题，跌倒前预防仍旧依靠养老社区的宣传教育，收效甚微。此外，单一报警来源会有大量误报情况，大大浪费了人力，增加了无意义的工作量。
67.基于此，本示例实施方式中首先提供了一种跌倒风险的预警方法，该方法可以运行于终端设备、服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本公开的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该跌倒风险的预警方法可以包括以下步骤：
68.步骤s110.获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息；
69.步骤s120.根据所述待预警对象的用户标识，获取所述待预警对象的第一医疗数据；其中，所述第一医疗数据包括体检数据、病史数据、用药种类数据以及用药时长数据中的多种；
70.步骤s130.根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，并将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率；
71.步骤s140.在确定所述跌倒风险概率大于第一预设阈值时，根据所述第一位置维度信息生成预警提示信息，以使得医护人员根据所述预警提示信息对所述待预警对象进行救治。
72.上述跌倒风险的预警方法中，一方面，由于可以根据第一健康维度信息、第一位置维度信息以及第一医疗数据等多维度的信息生成待预警对象的待预测用户特征，再将待预测用户特征输入至预设的跌倒风险预测模型中，得到待预警对象的跌倒风险概率，解决了现有技术中由于对场景进行结合形成关联，无法形成场景上的全覆盖，进而使得跌倒预风险的预警结果的准确率较低的问题，提高了跌倒风险的预测结果的准确率；另一方面，由于可以在确定跌倒风险概率大于第一预设阈值时，根据第一位置维度信息生成预警提示信息，进而使得医护人员根据预警提示信息对待预警对象进行救治，实现了对待预警对象(老人)的及时救治，进而避免了由于老人跌倒救治不及时造成的生命危险的问题；再一方面，由于可以通过第一检测设备检测到的第一健康维度信息、第二检测设备检测到的第一位置维度信息以及第一医疗数据对该待预警对象是否存在跌倒风险进行事先预警，进而极大的避免了该待预警对象的跌倒风险。
73.以下，将结合附图对本公开示例实施例跌倒风险的预警方法进行详细的解释以及说明。
74.首先，对本公开示例实施例的应用场景以及发明目的进行解释以及说明。
75.本公开示例实施例所记载的跌倒风险的预警方法，可以应用于对室内场景中的老
人的跌倒风险进行预警。具体的，在室内场景中，老人存在各种跌倒的可能性；例如，因行动不便导致的室内快速跌倒、因病或疼痛导致的慢性跌倒、绊倒或磕碰、地滑导致的卫生间跌倒，因跌倒诱发的身体疾病已变成老年人的一项严峻的问题；本公开示例实施例通过利用雷达监测床下的不同跌倒，实现跌倒后快速救助；同时，根据床垫监测居民的离床信息，并在离床时及时照护，避免跌倒的发生。并且，还可以在床垫发出离床信息的同时，通过雷达位置判断和跌倒判断，降低了床垫的误报，形成室内，床上及床下的空间交叉监护及位置判断；进一步的，根据床垫提供的健康信息(如呼吸，心率，睡眠，卧床时间)和收集到的个人信息形成跌倒预测，可预防跌倒。
76.本公开示例实施例所提供的跌倒风险的预警方法，避免了传统的养老室内场景中，除了固定位置报警以外，养老机构对诸如无线呼叫、坠床报警、心梗、呼吸阻塞、跌倒报警等无法及时处理的问题，同时也避免了传统的报警方式并未考虑到老人的行为习惯的问题，实现了跌倒风险预警的易用、无感以及主动。并且，在本公开示例实施例所提供的跌倒风险的预警方法中，通过智慧床垫与雷达形成了两个不同层次的结合；在具体的使用过程中，智慧床垫可以发出离床报警，用户离床时及时加以照护，可以避免离床时跌倒的发生；并且，雷达可以识别用户在各种情况下的跌倒，便于跌倒时的第一时间发现。当然，在用户不在床垫感应范围内(如翻身或坐在床边时)，床垫会发出离床报警，结合雷达提供的位置判断；如果在床，可判断是误报；当雷达识别到用户长时间不动时，结合床垫的在床信息，一样可以判断时未跌倒，降低了误报率和人力的消耗；进一步的，在场景上，床垫可识别用户在床上的一切行为，雷达可识别用户在床下的跌倒，形成了床上床下的空间联动，及时发现任何情况的跌倒。
77.其次，对本公开示例实施例涉及到的跌倒风险的预警系统进行解释以及说明。具体的，参考图2所示，该跌倒风险的预警系统可以包括智能床垫210、雷达220、服务器平台230以及报警装置240。其中，床垫、雷达以及报警装置分别与服务器平台网络连接；智能床垫可以用于检测第一健康维度信息，雷达可以用于检测第一位置维度信息，报警装置可以对预警提示信息进行警报，该报警装置例如可以是报警灯或者报警器等等，本示例对此不做特殊限定，服务器平台可以用于实现本公开示例实施例所记载的跌倒风险的预警方法。
78.进一步的，在本公开示例实施例提供的一种跌倒风险的预警方法中：
79.在步骤s110中，获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息；其中，所述第一检测设备为智能床垫，第二检测设备为雷达。
80.具体的，可以获取通过所述智能床垫检测到的所述待预警对象的第一健康维度信息；其中，所述第一健康维度信息包括是否在床信息、生命体征、心率信息、呼吸信息、离床频率以及卧床时间中的多种；同时，获取通过所述雷达检测到的所述待预警对象的第一位置维度信息；其中，所述第一位置维度信息包括是否跌倒信息、用户姿势信息、用户姿态信息以及空间位置信息中的多种。
81.其中，智能床垫可以在待预警对象(也即老人)对其使用的过程中，提供该待预警对象的第一健康维度信息，例如呼吸信息、心率信息、卧床时间、起床频率(离床频率)等，还可以提供该待预警对象是否在床的信息，其可以与大数据形成数据分析，在预防跌倒方面，结合老人体检数据，病史数据和近期用药种类和时长数据，通过数据分析判断老人是否存
在跌倒风险及风险等级，对高风险人群加以干预(如治疗，监护等)，从而从根本上降低跌倒的发生。同时，雷达可以通过对待预警对象进行扫描，进而提供该带预警对象的第一位置维度信息，例如是否跌倒信息、用户姿势信息、长时间不动信息以及控件位置信息等等。
82.在步骤s120中，根据所述待预警对象的用户标识，获取所述待预警对象的第一医疗数据；其中，所述第一医疗数据包括体检数据、病史数据、用药种类数据以及用药时长数据中的多种。
83.具体的，可以根据该待预警对象的用户标识(例如身份证)从医疗信息系统获取第一医疗数据；该第一医疗数据例如可以包括体检数据信息、病史数据信息、跌倒记录信息、用药种类数据局以及用药时长等等。
84.在步骤s130中，根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，并将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率。
85.在本示例实施例中，首先，根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征。具体的，参考图3所示，可以包括以下步骤：
86.步骤s310，在预设的特征值库中匹配与所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据对应的第一特征值、第二特征值以及第三特征值；
87.步骤s320，对所述第一特征值、第二特征值以及第三特征值进行依次拼接，生成所述待预警对象的待预测用户特征。
88.以下，将对步骤s310-步骤s320进行解释以及说明。首先，上述的预设的特征值库可以包括基本信息变量、生理因素变量、病理因素变量、药物因素变量以及外在因素变量等等；其中，基本信息变量可以包括年龄、性别、护理合同中包括的护理等级以及评估的护理等级，其具体的变量值可以参考图4所示；生理因素变量可以包括巴氏指数(mbi)以及起立行走计时，其具体的变量值可以参考图5所示；病理因素变量可以包括神经系统疾病、心血管疾病、影响视力的眼部疾病、心理及认知因素、其他因素以及骨骼肌肉疾病，其具体的变量值可以参考图6所示；药物因素变量可以包括精神类药物(例如，抗抑郁药物，抗焦虑药物，镇静药催眠药和抗惊厥药)、其他药物(例如，胰岛素和其他影响血糖的药物，解热镇痛抗炎药，镇痛药，抗帕金森药物)以及心血管药物(例如，降压药，利尿剂，周围血管舒张药物)，其具体的变量值可以参考图7所示；外在因素变量可以包括天气、地点、业态、居住形式、是否独居，其具体的变量值可以参考图8所示。进一步的，当从特征值库中匹配到对应的特征值以后，即可依次拼接，进而得到待预警对象的待预测用户特征。
89.进一步的，当得到待预警对象的待预测用户特征以后，可以将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率。具体的，参考图9所示，可以包括以下步骤：
90.步骤s910，利用所述预设的跌倒风险预测模型计算所述待预测用户特征在所述跌倒风险预测模型中的内节点的第一线性回归部分；
91.步骤s920，利用所述跌倒风险预测模型的叶子节点所在的归一化层对所述第一线性回归部分进行归一化处理，得到所述待预警对象的跌倒风险概率。
92.其中，利用所述跌倒风险预测模型的叶子节点所在的归一化层对所述第一线性回
归部分进行归一化处理，得到所述待预警对象的跌倒风险概率，可以包括：利用所述跌倒风险预测模型的叶子节点所在的归一化层计算所述第一线性回归部分在每一个叶子节点上的分支概率，并根据所述分支概率计算所述待预警对象的跌倒风险概率。
93.以下，将对步骤s910以及步骤s920进行解释以及说明。具体的，在预测过程中，可以通过跌倒风险预测模型策树的第一内节点计算待预测用户特征的第一线性回归部分(logistic regression)；其中，该第一内节点可以包括多层，比如第零层、第一层、第二层等等，具体的层数可以根据实际需要自行设定，本示例对此不做特殊限制；进一步的，当得到第一线性回归部分以后，即可计算每个节点的分支概率，然后再根据分支概率计算最终的跌倒风险概率。通过该方法，实现了通过多维度的用户信息对待预警对象的跌倒风险进行预警，进而提高了跌倒风险概率的精确度。
94.在步骤s140中，在确定所述跌倒风险概率大于第一预设阈值时，根据所述第一位置维度信息生成预警提示信息，以使得医护人员根据所述预警提示信息对所述待预警对象进行救治。
95.具体的，在确定跌倒风险概率大于第一预设阈值(例如0.6、0.7或者0.8等等，可以根据实际需要自行设置)时，即可根据该待预警对象所在的位置信息生成对应的预警提示信息，并将该预警提示信息发送至对应的预警装置，产生对应的预警信号，当医护人员接收到该预警信号以后，即可对该待预警对象进行救治，在提高了救治的及时性的基础上，避免了该待预警对象的生命安全问题。
96.本公开示例实施例还提供了一种xgboost模型的训练方法。参考图10所示，该xgboost模型的训练方法可以包括以下步骤：
97.步骤s1010，获取历史用户的第二健康维度信息、第二位置维度信息以及第二医疗数据，并根据所述第二健康维度信息、第二位置维度信息以及第二医疗数据，生成历史用户特征。
98.步骤s1020，利用xgboost模型计算所述历史用户特征在所述xgboost中的内节点的第二线性回归部分，并计算所述第二线性回归部分在所述xgboost中的叶子节点的输出值。
99.步骤s1030，根据所述叶子节点的输出值以及历史用户的特征标签，计算所述xgboost中所包括的当前决策树的局部损失函数，并根据所述局部损失函数计算所述xgboost的全局损失函数。
100.其中，根据所述叶子节点的输出值以及历史用户的特征标签，计算所述xgboost中所包括的当前决策树的局部损失函数，可以包括：首先，计算排在当前决策树前面的所有决策树在叶子节点的输出值的总和；其次，对排在当前决策树前面的所有决策树在叶子节点的输出值的总和进行归一化运算，得到所述第二线性回归部分中所包括的历史用户特征在排在当前决策树前面的所有决策树中的预测结果；最后，根据所述预测结果、所述历史用户特征在当前决策树中的叶子节点的输出值以及所述历史用户的特征标签，构建所述当前决策树的局部损失函数。
101.步骤s1040，根据所述全局损失函数计算所述内节点的梯度，并根据所述内节点的梯度对所述xgboost的内节点的参数进行更新，得到所述预设的跌倒风险预测模型。
102.以下，将对步骤s1010-步骤s1040进行解释以及说明。具体的，首先获取历史用户
的第二健康维度信息、第二位置维度信息以及第二医疗数据，并根据第二健康维度信息、第二位置维度信息以及第二医疗数据，生成历史用户特征，进而根据历史用户特征构建数据集；其中，在该数据集中，跌倒数据可以包括701条，具体涉及485社区居民，即存在同一居民多次跌倒现象；同时，筛选社区在住居民中未发生过跌倒的作为模型非跌倒数据，共4794条；并且，由于独立区和护理公寓管理、照护等各方面存在较大差异，需要将两者分开进行建模；基于此，可以将数据集拆分为：护理公寓总共177条跌倒数据，951条非跌倒数据；独立区总共524条跌倒数据，3843条非跌倒数据。
103.同时，在具体的训练过程中，由于跌倒数据和非跌倒数据之间样本不均衡，跌倒数据样本较少，所以训练时采用所有跌倒数据，和随机抽取和跌倒数据等同数量的非跌倒数据作为单次训练数据集；同时，随机抽取数据集的85％作为单次训练的训练集，余下15％作为单次训练的验证集；同时，重复训练多次，并通过验证集的输出值的平均值来验证模型的准确率。
104.此处需要进一步补充说明的是，可以周期(例如一周或者半个月或者一个月等等)性的根据各用户的实时数据计算出用户跌倒风险预测值，当预测值发生变化时，则认为该居民身体发生变化需重点关注；同时，系统将输出引起变化的具体原因(哪个特征值由a变成b)给相应的运行维护人员。并且，通过收集的用户各类数据，摘取跌倒影响因子，通过已有的跌倒案例及未跌倒案例的跌倒因子数据自训练，不断优化算法模型；同时，通过分析将得到居民跌倒风险等级，为0-1区间地值；在该区间内，数值越高代表风险等级越高，当风险偏高时将提醒运营人员进行重点关注，并加强居民沟通进行防跌倒课程训练等手段。
105.以下，结合具体的实施例对本公开示例实施例的跌倒风险的预警方法进行进一步的解释以及说明。
106.例如，居民王某入住独立区，其可独立行动，生活能够自理，思路清晰，精神正常，不需要日常看护；同时，王某在上次体检中诊断患有高血压和高血脂，疾病信息显示患有糖尿病，需要定期服用降压药以及注射胰岛素；王某在入住独立区后，雷达监测到王某某日保持趴的姿势，结合位置分析判断在床，不报警；同时，床垫监测到王某在床时间超12小时，通过呼吸，心率判断节律正常，生命体征平稳，不报警。
107.王某起床后床垫发出离床报警，机器人巡视后显示王某行动正常；随后王某滑倒，雷达监测到王某跌倒并发出报警；王某睡觉时翻身，床垫发出离床报警，结合雷达的位置分析判断在床，王某未跌倒，是为降低了床垫的误报。
108.某日王某起床时跌倒，床垫发出离床报警，雷达未报警，但机器人查看后发现王某确实跌床，报警，是为降低了雷达的误报；过段时间床垫监测到王某呼吸有减慢的现象，离床次数减少，结合王某体检数据，怀疑是颅内压增高，有心脑血管疾病风险，该段时间内存在较高跌倒风险，遂通知医生和管家部，加强监护和治疗。
109.至此可以得知，本公开示例实施例所记载的跌倒风险的预警方法，可以应用于养老社区内的大部分室内场景。具体的，智慧床垫可监测居民在床上的活动状况，产生用户心率、呼吸、睡眠、在床以及离床信息，并进行离床报警；同时，雷达可监测居民在床下的位置、动作以及是否跌倒等信息。通过该智能设备，可以达到在床上空间和床下空间的立体监护，预防和及时应对跌倒情况的救护目的，降低单一报警途径的误报。
110.同时，本公开所记载的跌倒风险的预警方法，可以检测到老人独居跌倒或者长时
间不动报警，通过室内位置分析、是否有其他人员在场以及老人的姿势(如站立，非站立，跌倒)，进而识别出老人的不同类型的跌倒，如缓慢跌倒，受控跌倒，跌床，隐藏跌倒等；并且，还可以避免传统业务场景下，报警器存在业务场景单一，培训复杂，耗费人力，各报警器单独运作，且需要改造物业过于繁琐等问题。
111.本公开示例实施例还提供了一种跌倒风险的预警装置。参考图11所示，该跌倒风险的预警装置可以包括第一获取模块1110、第二获取模块1120、跌倒风险概率预测模块1130以及预警提示信息生成模块1140。其中：
112.第一获取模块1110，可以用于获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息；
113.第二获取模块1120，可以用于根据所述待预警对象的用户标识，获取所述待预警对象的第一医疗数据；其中，所述第一医疗数据包括体检数据、病史数据、用药种类数据以及用药时长数据中的多种；
114.跌倒风险概率预测模块1130，可以用于根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，并将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率；
115.预警提示信息生成模块1140，可以用于在确定所述跌倒风险概率大于第一预设阈值时，根据所述第一位置维度信息生成预警提示信息，以使得医护人员根据所述预警提示信息对所述待预警对象进行救治。
116.在本公开的一种示例性实施例中，所述第一检测设备为智能床垫，第二检测设备为雷达；
117.其中，获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息，包括：
118.获取通过所述智能床垫检测到的所述待预警对象的第一健康维度信息；其中，所述第一健康维度信息包括是否在床信息、生命体征、心率信息、呼吸信息、离床频率以及卧床时间中的多种；
119.获取通过所述雷达检测到的所述待预警对象的第一位置维度信息；其中，所述第一位置维度信息包括是否跌倒信息、用户姿势信息、用户姿态信息以及空间位置信息中的多种。
120.在本公开的一种示例性实施例中，根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，包括：
121.在预设的特征值库中匹配与所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据对应的第一特征值、第二特征值以及第三特征值；
122.对所述第一特征值、第二特征值以及第三特征值进行依次拼接，生成所述待预警对象的待预测用户特征。
123.在本公开的一种示例性实施例中，将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率，包括：
124.利用所述预设的跌倒风险预测模型计算所述待预测用户特征在所述跌倒风险预测模型中的内节点的第一线性回归部分；
125.利用所述跌倒风险预测模型的叶子节点所在的归一化层对所述第一线性回归部
分进行归一化处理，得到所述待预警对象的跌倒风险概率。
126.在本公开的一种示例性实施例中，利用所述跌倒风险预测模型的叶子节点所在的归一化层对所述第一线性回归部分进行归一化处理，得到所述待预警对象的跌倒风险概率，包括：
127.利用所述跌倒风险预测模型的叶子节点所在的归一化层计算所述第一线性回归部分在每一个叶子节点上的分支概率，并根据所述分支概率计算所述待预警对象的跌倒风险概率。
128.在本公开的一种示例性实施例中，所述跌倒风险的预警装置还包括：
129.历史用户特征生成模块，可以用于获取历史用户的第二健康维度信息、第二位置维度信息以及第二医疗数据，并根据所述第二健康维度信息、第二位置维度信息以及第二医疗数据，生成历史用户特征；
130.输出值计算模块，可以用于利用xgboost模型计算所述历史用户特征在所述xgboost中的内节点的第二线性回归部分，并计算所述第二线性回归部分在所述xgboost中的叶子节点的输出值；
131.损失函数计算模块，可以用于根据所述叶子节点的输出值以及历史用户的特征标签，计算所述xgboost中所包括的当前决策树的局部损失函数，并根据所述局部损失函数计算所述xgboost的全局损失函数；
132.参数更新模块，可以用于根据所述全局损失函数计算所述内节点的梯度，并根据所述内节点的梯度对所述xgboost的内节点的参数进行更新，得到所述预设的跌倒风险预测模型。
133.在本公开的一种示例性实施例中，根据所述叶子节点的输出值以及历史用户的特征标签，计算所述xgboost中所包括的当前决策树的局部损失函数，包括：
134.计算排在当前决策树前面的所有决策树在叶子节点的输出值的总和；
135.对排在当前决策树前面的所有决策树在叶子节点的输出值的总和进行归一化运算，得到所述第二线性回归部分中所包括的历史用户特征在排在当前决策树前面的所有决策树中的预测结果；
136.根据所述预测结果、所述历史用户特征在当前决策树中的叶子节点的输出值以及所述历史用户的特征标签，构建所述当前决策树的局部损失函数。
137.上述跌倒风险的预警装置中各模块的具体细节已经在对应的跌倒风险的预警方法中进行了详细的描述，因此此处不再赘述。
138.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
139.此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
140.在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
141.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
142.下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
143.如图12所示，电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230以及显示单元1240。
144.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1210执行，使得所述处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1210可以执行如图1中所示的步骤s110：获取第一检测设备检测到的待预警对象的第一健康维度信息以及第二检测设备检测到的第一位置维度信息；步骤s120：根据所述待预警对象的用户标识，获取所述待预警对象的第一医疗数据；其中，所述第一医疗数据包括体检数据、病史数据、用药种类数据以及用药时长数据中的多种；步骤s130：根据所述第一健康维度信息、第一位置维度信息以及所述第一医疗数据生成待预警对象的待预测用户特征，并将所述待预测用户特征输入至预设的跌倒风险预测模型中，得到所述待预警对象的跌倒风险概率；步骤s140：在确定所述跌倒风险概率大于第一预设阈值时，根据所述第一位置维度信息生成预警提示信息，以使得医护人员根据所述预警提示信息对所述待预警对象进行救治。
145.存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)12201和/或高速缓存存储单元12202，还可以进一步包括只读存储单元(rom)12203。
146.存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204，这样的程序模块12205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
147.总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
148.电子设备1200也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1250进行。并且，电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
149.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开
实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
150.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
151.根据本公开的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
152.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
153.计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
154.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
155.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
156.此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
157.本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者
适应性变化遵循本公开的一般性原理并包括本公开未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。