BR112016018556B1 - Dispositivo de reconhecimento de atividade de um objeto e método para reconhecer a atividade de um objeto - Google Patents

Dispositivo de reconhecimento de atividade de um objeto e método para reconhecer a atividade de um objeto Download PDF

Info

Publication number
BR112016018556B1
BR112016018556B1 BR112016018556-0A BR112016018556A BR112016018556B1 BR 112016018556 B1 BR112016018556 B1 BR 112016018556B1 BR 112016018556 A BR112016018556 A BR 112016018556A BR 112016018556 B1 BR112016018556 B1 BR 112016018556B1
Authority
BR
Brazil
Prior art keywords
activity
processor
time window
activity marker
marker
Prior art date
Application number
BR112016018556-0A
Other languages
English (en)
Other versions
BR112016018556A2 (pt
Inventor
Eric Lobner
James Howard
Richard Moore
Jennifer Schumacher
Brian Stankiewicz
Original Assignee
3M Innovative Properties Company
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 3M Innovative Properties Company filed Critical 3M Innovative Properties Company
Publication of BR112016018556A2 publication Critical patent/BR112016018556A2/pt
Publication of BR112016018556B1 publication Critical patent/BR112016018556B1/pt

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6828—Leg
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

reconhecimento de atividade usando os dados de um acelerômetro. a presente invenção refere-se a um dispositivo para reconhecer a atividade de um objeto. o dispositivo compreende uma carcaça configurada para ser fixada ao objeto, e uma unidade de processamento disposta na carcaça, que compreende um processador e um sensor de movimento. o sensor de movimento mede um sinal relacionado com a movimentação do objeto durante uma janela de tempo. o processador atribui ao menos um marcador de atividade preliminar à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal. o processador então determina se executa analise adicional dependendo ao menos do marcador de atividade preliminar. o processador então atribui um marcador de atividade final à janela de tempo.

Description

Campo técnico
[001]A presente invenção refere-se ao campo do reconhecimento ou da classificação do movimento. Mais especificamente, refere-se ao campo de reconhecimento da atividade de um corpo, pessoa ou objeto com o uso dos dados de um sensor de movimento em um dispositivo de reconhecimento de atividade fixado em um indivíduo.
Antecedentes da invenção
[002]O reconhecimento ou a classificação de atividade humana, corporal ou de um objeto têm sido experimentado com diversas tecnologias abrangendo câmeras, microfones, sensores inerciais e combinações desses dispositivos, mediante o uso de vários algoritmos. Dessas soluções, os sensores inerciais, os sensores de inclinação e outros sensores de movimento podem fornecer um meio relativamente simples de coletar dados relacionados ao movimento de um humano, corpo ou objeto. Esses sensores são particularmente atraentes devido ao fato de que não exigem o uso de um dispositivo estático para a observação do movimento de um indivíduo e podem ser convenientemente transportados ou fixados em um indivíduo.
[003]Mesmo à luz das vantagens de modo geral oferecidas pelos sensores de inércia, inclinação e outros sensores, reconhecer e classificar o movimento com base em dados de outros sensores de movimento ou de inércia ainda apresenta uma variedade de desafios. Por exemplo, alguns sensores inerciais não têm a noção de um quadro de referência e quaisquer medições feitas por esses sensores inerciais são também em relação à disposição física do sensor que executa a medição. Adicionalmente, os sensores inerciais têm, tipicamente, fatores de escala e compensação arbitrários que afetam a usabilidade da saída do sensor.
[004] Uma maneira aprimorada de usar os sensores inerciais ou de movimento no reconhecimento e na classificação do movimento, seria bem recebida.
Sumário da invenção
[005]A presente invenção fornece um dispositivo e métodos aprimorados para reconhecer a atividade de um objeto, corpo ou pessoa. Objetos incluem tanto formas animadas quanto inanimadas. Um corpo inclui criaturas animadas, como animais ou seres humanos, e uma pessoa inclui apenas seres humanos. O uso de dados de um sensor de movimento, fornece uma solução de reconhecimento de atividade com a capacidade de processar dados em um ambiente de recursos limitados. Adicionalmente, a presente invenção aumenta a precisão do reconhecimento de atividade, por meio do fornecimento de análise adicional com base em diversos fatores. A análise adicional pode ser rodada em um segundo processador ou em um externo, e os resultados de tal análise podem ser transmitidos para o dispositivo de reconhecimento de atividade. Adicionalmente, em contextos onde sistemas de monitoramento local, como aqueles que contam com sistemas de posicionamento global (GPS), são usados, a presente invenção pode fornecer um método de monitoramento de atividades secundário para a classificação de atividades que podem verificar ou disparar alertas ou alarmes com base na atividade reconhecida e/ou de localização geográfica da pessoa.
[006]Em um exemplo, a presente invenção refere-se a um dispositivo para reconhecer a atividade de um objeto. O dispositivo compreende uma carcaça configurada para ser fixada ao objeto, e uma unidade de processamento disposta na carcaça, que compreende um processador e um sensor de movimento. O sensor de movimento mede um sinal relacionado com a movimentação do objeto durante uma janela de tempo. O processador atribui ao menos um marcador de atividade preliminar à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal. O processador então determina se executa análise adicional dependendo ao menos do marcador de atividade preliminar. O processador então atribui um marcador de atividade final à janela de tempo.
[007] Em um outro exemplo, a presente invenção inclui um dispositivo para reconhecer a atividade de um objeto. O dispositivo compreende uma carcaça configurada para ser fixada ao objeto, e uma unidade de processamento disposta na carcaça, que compreende um processador e um sensor de movimento. O sensor de movimento mede um sinal relacionado com a movimentação do objeto durante uma janela de tempo. O processador atribui ao menos um marcador de atividade preliminar e um indicador de confiança à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido. O processador então determina se executa análise adicional dependendo ao menos do indicador de confiança; e o processador atribui um marcador de atividade final à janela de tempo.
[008]Em um outro exemplo, a presente invenção inclui um método para reconhecer a atividade de um objeto. O método compreende medir, com um sensor de movimento fixado ao objeto, um sinal relacionado com a movimentação do objeto durante uma janela de tempo. O método compreende adicionalmente atribuir, com um processador, ao menos um marcador de atividade preliminar à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido. O método então inclui determinar se executa análise adicional dependendo ao menos do marcador de atividade preliminar; e atribuir um marcador de atividade final à janela de tempo.
[009]Em ainda um outro exemplo, a presente invenção inclui um método para reconhecer a atividade de um objeto. O método compreende medir, com um sensor de movimento fixado ao objeto, um sinal relacionado com a movimentação do objeto durante uma janela de tempo. O método inclui adicionalmente atribuir, com um processador, ao menos um marcador de atividade preliminar à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido. O método então inclui determinar se executa análise adicional dependendo ao menos do marcador de atividade preliminar e atribuir um marcador de atividade final à janela de tempo.
[010]Em outro exemplo, a presente invenção inclui um dispositivo para reconhecer um objeto de atividade, o dispositivo compreendendo uma carcaça configurada para ser fixada ao objeto, e uma unidade de processamento disposta na carcaça, que compreende uma unidade de comunicação e um sensor de movimento. O sensor de movimento mede um sinal relacionado com a movimentação do objeto durante uma janela de tempo, e a unidade de comunicação transmite o sinal para um processador externo. O processador externo atribui ao menos um marcador de atividade preliminar à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido. O processador externo determina se executa análise adicional dependendo ao menos do marcador de atividade preliminar; e o processador externo atribui um marcador de atividade final à janela de tempo.
[011] Em uma outra configuração, a presente invenção inclui um dispositivo para reconhecer a atividade de um objeto, o dispositivo compreendendo uma carcaça a ser fixada ao objeto, e uma unidade de processamento disposta na carcaça, que compreende uma unidade de comunicação e um sensor de movimento. O sensor de movimento mede um sinal relacionado com a movimentação do objeto durante uma janela de tempo e a unidade de comunicação transmite o sinal a um processador externo. O processador externo atribui ao menos um marcador de atividade preliminar e um indicador de confiança à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido. O processador externo determina se executa análise adicional dependente de ao menos um indicador de confiança, o processador externo atribui um marcador de atividade final à janela de tempo.
Breve descrição dos desenhos
[012]As figuras a seguir fornecem ilustrações da presente invenção. As mesmas são destinadas a adicionalmente descrever e esclarecer a invenção, mas não limitar o escopo da invenção.
[013]A Figura 1 é um exemplo de um dispositivo de reconhecimento de atividade de uma pessoa.
[014]A Figura 2 é um fluxograma representando um método de detecção de uma atividade realizada por uma pessoa.
[015]A Figura 3 é um diagrama de blocos de um dispositivo de reconhecimento de atividade e um processador remoto.
[016]A Figura 4 mostra uma árvore de decisão exemplificadora para atribuir um marcador de atividade preliminar para uma janela de tempo.
[017]A Figura 5 mostra dados exemplificadores de um sensor de movimento em janelas de tempo múltiplas.
[018]A Figura 6 mostra descritores numéricos exemplificadores associados aos dados de movimento da Figura 5, ao longo de janelas de tempo múltiplas.
[019] Números similares são, em geral, usados para se referirem a componentes similares. Os desenhos não são desenhados em escala e são usados apenas para propósitos ilustrativos.
Descrição detalhada
[020]A Figura 1 é um exemplo de um dispositivo de reconhecimento de atividade 10 fixado ao tornozelo de uma pessoa 12. O dispositivo de reconhecimento de atividade 10 é fixado ao tornozelo de uma pessoa 12 ou outro membro com uma correia 14. A carcaça 16 para o dispositivo de reconhecimento de atividade 10 inclui ou contém diversos componentes como uma unidade de processamento 17, incluindo tanto um processador quanto um sensor de movimento, e uma unidade de comunicação 18 para comunicação sem fio com um dispositivo externo. Um processador na unidade de processamento pode também incluir memória para armazenamento dos dados recebidos do sensor de movimento, e marcadores de atividade preliminar e final, e outras informações. Um sensor de movimento pode incluir pelo menos um dentre uma variedade de sensores, incluindo um acelerômetro, giroscópio, sensor de vibração piezoelétrico, sensor de posicionamento geográfico e um comutador magnético. Um sensor de movimento pode ser configurado para medir um sinal relacionado com a movimentação da pessoa durante uma janela de tempo. Um processador pode calcular ao menos um descritor numérico do sinal medido e atribuir ao menos um marcador de atividade preliminar à janela de tempo com base no descritor numérico. O processador pode, então, determinar se executa análise adicional dependendo ao menos do marcador de atividade preliminar; e, então, o processador atribui um marcador de atividade final à janela de tempo.
[021]Em uma outra configuração, o processador pode atribuir ao menos um marcador de atividade preliminar e um indicador de confiança à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido. O processador pode então determinar se executa análise adicional dependente de ao menos um indicador de confiança e o processador atribui então um marcador de atividade final à janela de tempo.
[022]O dispositivo de reconhecimento de atividade 10 também pode incluir outros componentes como uma unidade de localização que permite que o dispositivo receba sinais de satélite e determine a localização utilizando, por exemplo, GPS ou o Sistema de Satélite de Navegação Global (GLONASS). A unidade de localização pode usar outras tecnologias de localização como triangulação usando sinais WiFi locais ou outras tecnologias de localização conhecidas para estimar a localização do dispositivo de reconhecimento de atividade 10, e, desse modo, a localização da pessoa que usa o dispositivo.
[023]A Figura 2 é um fluxograma representando um método de detecção de uma atividade realizada por uma pessoa por um dispositivo de reconhecimento de atividade. Na etapa 21, o sensor de movimento mede o movimento da pessoa à qual o dispositivo de reconhecimento de atividade está fixado. Um dispositivo de atividade de reconhecimento poderia ser fixado de várias maneiras, como sendo fixado por uma correia ao pulso ou tornozelo de uma pessoa. O dispositivo de reconhecimento de atividade pode também ser posicionado no bolso, preso a um cinto, ou conectado ao corpo em uma variedade de arranjos. Quando o dispositivo de reconhecimento de atividade mede o movimento da pessoa, os dados associados a esta medida podem estar em uma variedade de formas ou unidades, e normalmente dependem do tipo de sensor de movimento incluído no dispositivo de reconhecimento de atividade. Como um exemplo, se um acelerômetro é usado como um sensor, a medida seria quantificada em metros por segundo por segundo (m/s2) ou força g (g). Um giroscópio pode quantificar dados como o torque medido em Newton metros (N^m). Os dados coletados para medir o movimento podem ser coletados em qualquer taxa de amostra desejada. Em alguns casos, a taxa de amostragem pode estar na faixa de um (1) Hz a vinte (20) Hz. A amostragem ocorre ao longo de uma série de janelas de tempo de modo que haja múltiplas amostras por janela de tempo. Uma janela de tempo exemplificadora pode situar-se na faixa de 1 a 10 segundos, mais especificamente, na faixa de 4 a 8 segundos, e por exemplo, uma janela de tempo exemplificadora pode durar por 6 segundos.
[024]Na etapa 22, o dispositivo de reconhecimento de atividade calcula ao menos um descritor numérico associado aos dados amostrados ao longo de uma ou mais janelas de tempo. O descritor numérico é um número calculado com base nos dados amostrados de um sinal medido por meio do sensor de movimento. O descritor numérico pode ser com base em um único sinal medido ou múltiplos sinais de medida. Por exemplo, quando o sensor de movimento detecta um movimento inercial ao longo de três eixos, o descritor numérico pode ser calculado com base nos dados associados a cada um dos três eixos. O descritor numérico pode ser determinado para cada ponto de dados relacionado ao(s) sinal(is) medido(s) ou pode ser com base em uma taxa de amostragem menor que os dados dos sinais medidos. Em alguns casos, dois ou mais descritores numéricos podem estar associados com cada janela de tempo.
[025]Na etapa 23, o dispositivo de reconhecimento de atividade atribui um marcador de atividade preliminar para cada de janela de tempo. Em alguns casos, o processador pode atribuir mais de um marcador de atividade preliminar para uma dada janela de tempo. O marcador de atividade preliminar pode ser com base no uso do sinal medido ou no descritor numérico. Por exemplo, o processador do dispositivo de reconhecimento de atividade pode usar uma árvore de decisão para determinar uma atividade preliminar para uma dada janela de tempo. Dependendo do valor do sinal medido e dos dados do descritor numérico, o indicador de confiança associado com a atribuição de um dado marcador de atividade preliminar para uma dada janela de tempo pode variar. Um indicador de confiança pode ser um número escalar, uma probabilidade, ou algum outro método de designação da confiança na precisão do dado marcador de atividade preliminar. Em casos onde mais de um marcador de atividade preliminar é atribuído a uma janela de tempo, cada marcador de atividade preliminar pode ter também um indicador de confiança associado a ela.
[026]Exemplos de marcadores de atividade preliminar incluem: caminhar, dirigir, dormir, sentar, correr, comer e andar de bicicleta. Outros marcadores de atividade preliminar também podem ser atribuídos dependendo da importância de identificar diversas atividades.
[027]Na etapa 24, o dispositivo de reconhecimento de atividade determina se análise adicional será executada antes de atribuir um marcador de atividade final na etapa 26. A determinação de se executar pode depender de uma variedade de fatores. Em uma configuração, pode estar dependente do indicador de confiança associado à janela de tempo particular. Por exemplo, se o indicador de confiança é indicado como uma probabilidade, um indicador de confiança abaixo de uma probabilidade limiar predefinida pode exigir análise adicional antes de atribuir um marcador de atividade final. Nos casos em que o processador atribui mais de um marcador de atividade preliminar, com o marcador de atividade preliminar tendo um intervalo de confiança dentro de uma margem predefinida entre si, o processador pode então determinar executar análise adicional. Em tal configuração, o processador pode ajustar a margem predefinida ao longo do tempo.
[028]Em outras configurações, o processador pode determinar executar análise adicional quando o marcador de atividade preliminar é uma atividade comumente confundida. Exemplos de atividades comumente confundidas podem ser movimento lento, atividades de baixa energia como sentar, comparadas a dirigir ou movimento rápido, atividades de alta energia como corrida, comparadas com andar de bicicleta. Em outros casos, o status do dispositivo corrente pode ser um fator para determinar se executa análise adicional. Por exemplo, se o dispositivo de reconhecimento de atividade tiver um estado de “bateria baixa”, esse fator pode pesar em favor da execução de análise adicional prévia para atribuir um marcador de atividade final a uma janela de tempo. Adicionalmente, um estado de bateria baixa pode ser uma condição para o dispositivo corrente para enviar dados a um processador exterior ou externo para processamento adicional antes da determinação do marcador de atividade final.
[029]Se o processador determina que nenhuma análise adicional deve ser executada, o dispositivo de reconhecimento de atividade atribui um marcador de atividade final à janela de tempo, como mostrado na etapa 26. Entretanto, se o processador determina que análise adicional deve ser executada, a atividade de reconhecimento prossegue para a etapa 25 para executar análise adicional.
[030]Na etapa 25, onde o processador determina que análise adicional deve ser executada, a análise pode ser executada localmente no dispositivo de reconhecimento de atividade pelo processador, ou pode ser executada remotamente por um processador externo, como um tipo de sistema de monitoramento central incluindo, mas não se limitando, em um ambiente de computação em nuvem. A análise adicional pode incluir escalonamento computacional - executando cálculos intensivos mais complexos ou de recursos que foram executados com a finalidade de determinar um marcador de atividade preliminar. A análise adicional pode incluir ao menos uma dentre as seguintes técnicas algorítmicas: redes neurais, análise Bayesiana, florestas aleatórias, máquina de vetor de suporte e árvore de decisão multinível.
[031]Na etapa 26, o processador atribui um marcador de atividade final à janela de tempo. Em alguns casos, o processador não executará análise adicional e o marcador de atividade final será igual ao marcador de atividade preliminar. Em outras instâncias, o processador pode atribuir o marcador de atividade final à janela de tempo, com base no marcador de atividade preliminar na janela de tempo e ao menos um marcador de atividade final em ao menos uma janela de tempo anterior. Em alguns casos, o dispositivo de reconhecimento de atividade pode transmitir um sinal de alarme para um sistema de monitoramento central mediante a determinação da atividade de um marcador de atividade final particular. Por exemplo, no caso onde o dispositivo de reconhecimento de atividade é um dispositivo de monitoramento eletrônico, o dispositivo de reconhecimento de atividade pode transmitir um alarme, se o marcador de atividade final é dirigir, mas o módulo de localização é incapaz de detectar qualquer informação de localização corrente.
[032]A Figura 3 é um diagrama de blocos de um dispositivo de reconhecimento de atividade 30 e um processador remoto 38. O dispositivo de reconhecimento de atividade 30 inclui uma unidade de processamento 32 incluindo tanto um processador 33 quanto um sensor de movimento 34. O processador 33 pode ser qualquer tipo de processador ou microprocessador comumente usado para processar informações ou controlar uma variedade de outros componentes eletrônicos. O processador 33 interage com sensor de movimento 34 para receber dados do sensor de movimento 34, como um sinal relacionado ao movimento da pessoa usando o dispositivo de reconhecimento de atividade 30. O sensor de movimento 34 pode ser configurado para medir esse sinal durante uma janela de tempo, conforme definido pelo processador 33.
[033]Uma janela de tempo exemplificadora pode estar na faixa de 2 (dois) segundos a 10 (dez) segundos e pode incluir um número de amostras na faixa de 8 (oito) a 1024 amostras, como um exemplo, não como uma limitação. O sensor de movimento 34 pode também estar configurado para operar em um modo de baixa energia em que a amostragem ocorre ocasionalmente por um período mais longo, por exemplo, uma vez a cada cinco minutos, quando o indivíduo dorme ou fazendo alguma outra atividade sedentária e de longo prazo. Em geral, a coleta de dados pelo sensor de movimento 34 pode estar na faixa entre 0,2 Hz e 50 Hz em frequência, mas não se limitando à faixa previamente definida. A frequência de coleta de dados pode ser dependente do tipo de atividade a ser detectada. Por exemplo, atividades de movimento mais rápido, como corrida, podem exigir uma maior taxa de amostragem (mais próxima de 50 Hz) do que atividades de movimento mais lento como durante o sono. O tamanho de uma janela de tempo pode também estar relacionado à taxa de coleta de dados. Uma janela de tempo tem amostras suficientes para o processador 33 atribuir um nível de atividade preliminar com um nível de confiança razoável.
[034]O processador 33 pode calcular ao menos um descritor numérico do sinal medido e atribuir ao menos um marcador de atividade preliminar à janela de tempo com base no descritor numérico. O processador 33 pode então determinar se executa análise adicional dependendo ao menos do marcador de atividade preliminar; e, então, o processador atribui um marcador de atividade final à janela de tempo.
[035] Em uma outra configuração, o processador 33 pode atribuir ao menos um marcador de atividade preliminar e um indicador de confiança à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido. O processador 33 pode então determinar se executa análise adicional dependente de ao menos um indicador de confiança e o processador atribui então um marcador de atividade final à janela de tempo.
[036]A unidade de processamento 32 pode incluir, ainda, uma unidade de localização 37. Uma unidade de localização 37 pode ser qualquer dispositivo que fornece uma posição geográfica estimada para o dispositivo de reconhecimento de atividade 30. Exemplos de uma unidade de localização 37 incluem as seguintes tecnologias: GPS, Triangulação de Celulares, triangulação de WIFI e GNSS. Em algumas configurações, o processador 33 pode ser configurado para estimar a localização da pessoa com o uso de ao menos o sinal do sensor de movimento e os dados do módulo de localização.
[037]O dispositivo de atividade de reconhecimento 30 pode também incluir uma unidade de comunicação 36 para permitir que o dispositivo de reconhecimento de atividade 30 se comunique com dispositivos externos. Por exemplo, quando o processador 33 determina que o escalonamento computacional é necessário, o processador 33 pode transmitir os dados requeridos para o processador externo 38 para completar o processamento adicional antes de atribuir um marcador de atividade final a uma dada janela de tempo.
[038]Embora não mostrado na Figura 3, o dispositivo de reconhecimento de atividade 30 pode ainda incluir um componente de notificação. O componente de notificação de emergência pode ser acionado manualmente, como por um botão ou uma chave, ou pode ser acionado automaticamente mediante a detecção de certos critérios, como nenhum movimento da pessoa usando o dispositivo de reconhecimento de atividade 30 durante um período de tempo definido. Quando o componente de notificação de emergência é acionado, a unidade de comunicação 36 pode transmitir informação para um dispositivo externo como o processador externo 38, um sistema de monitoramento central, um sistema de alerta de emergência, ou outra localização. As informações transmitidas podem incluir a localização do dispositivo de reconhecimento de atividade 30, o tempo da notificação de emergência é transmitido, e a razão pela qual a notificação é transmitida.
[039]A Figura 4 mostra uma árvore de decisão exemplificadora 40, como uma que pode ser usada para atribuir um marcador de atividade preliminar a uma janela de tempo. A árvore de decisão 40 usa uma série de um ou mais fatores 41, 42, 43 para alcançar um resultado - como uma classificação de alto risco 44 ou de baixo risco 45 para risco de pacientes de ataque cardíaco após as 24 horas iniciais de monitoramento. Embora a árvore de decisão 40 use fatores relacionados à idade e à saúde de uma pessoa para determinar um perfil de risco, uma árvore de decisão baseada em princípios similares pode ser usada para determinar o marcador de atividade preliminar para uma janela de tempo. Os fatores usados na árvore de decisão para determinação do marcador de atividade preliminar podem ser baseados, por exemplo, no valor numérico do(s) descritor(es) numérico(s) atribuído(s) à janela de tempo, o indicador de confiabilidade associado aos descritores numéricos, o descritor numérico para uma ou mais janelas de tempo anteriores, informações de localização, informações sobre o ambiente, estado do dispositivo e outras informações que caracterizam ou nível de risco para o indivíduo que usa o dispositivo. Os resultados associados a uma árvore de decisão podem ser qualquer tipo de marcador de atividade preliminar, como andar, dirigir, dormir, sentar, correr, comer e andar de bicicleta. Outros fatores e resultados serão evidentes para um versado na técnica mediante a leitura da presente revelação. Além disso, uma árvore de decisão é simplesmente uma de múltiplas técnicas que podem ser usadas para atribuir um marcador de atividade preliminar a uma particular janela de tempo. Outras técnicas usadas para atribuir um marcador preliminar a uma janela de tempo se tornarão evidentes para um profissional versado na técnica mediante a leitura da presente revelação e se destinam a estar incluídas no escopo da presente descrição.
[040]A Figura 5 é um gráfico de dados do acelerômetro 50 mostrando dados exemplificadores usados por um dispositivo de reconhecimento de atividade usado por um indivíduo durante um período de aproximadamente 384 segundos. O gráfico 50 mostra a magnitude de três eixos 54, 55 e 56 de movimento conforme medido por um acelerômetro, através de um eixo de tempo 51. O eixo de dados 54, 55, 56 inclui um componente estático (devido à gravidade) e um componente dinâmico. A taxa de amostragem para este gráfico particular foi 20 Hz, o período de amostragem se estendeu ao longo de 384 segundos.
[041]A Figura 6 mostra um gráfico 60 que ilustra valores de confiança para marcadores de atividade associados aos dados de movimento da Figura 5, ao longo de janelas de tempo múltiplas. O eixo horizontal 61 mostra o tempo ao longo de janelas de tempo de 6 segundos. Conforme discutido ao longo do relatório descritivo, janelas de tempo mais curtas ou mais longas podem ser usadas de forma consistente com a presente revelação. O eixo vertical 62 mostra valores de confiança relacionados a cada uma das atividades, andar 64, dirigir 65 ou repousar 66, durante uma dada janela de tempo. Os valores de confiança podem estar associados a uma probabilidade de que uma dada atividade está sendo executada durante uma dada janela de tempo. Os valores de confiança diferem dos indicadores de confiança em que a soma de todos os valores de confiança de todas as atividades para uma janela de tempo particular é 1,0.
[042]A camada de topo dos marcadores de atividade indica os marcadores de atividade real 67 para a atividade sendo executada pela pessoa que usa o dispositivo de monitoramento como registrado por esse indivíduo. Durante aproximadamente as primeiras sete janelas de tempo, o indivíduo estava andando. Durante as janelas de tempo 8 a 45, o indivíduo estava repousando. Das janelas de tempo de 45 a 57, o indivíduo estava andando novamente. E durante as janelas de tempo 58 a 64, o indivíduo estava repousando.
[043]A camada de fundo dos marcadores de atividade indica marcadores de atividade preliminar 69 para cada janela de tempo com base nos dados associados ao acelerômetro para esta janela de tempo, conforme mostrado na Figura 5. Existem transições mais frequentes entre as atividades, conforme mostrado nos marcadores de atividade preliminar 69 do que quando comparadas aos marcadores de atividade real 67.
[044]Os marcadores de atividade final 68, mostradas diretamente abaixo dos marcadores de atividade real 67, mostram modificações feitas para marcadores de atividade preliminar 69 após análise adicional. A análise adicional foi feita com base, em parte, no indicador de confiança para a atividade atribuída ao usuário durante uma dada janela de tempo. Como pode ser visto, os marcadores de atividade final 68 têm um alto grau de precisão quando comparados a marcadores de atividade real 67.
[045]Indicadores de confiança para caminhar 64, dirigir 65 e repousar 66 não são mostrados na Figura 6. Entretanto, um indicador de confiança para o marcador de atividade preliminar para cada janela de tempo pode ser calculado com os valores de confiança.
[046]Por exemplo, na Figura 6, o valor de confiança para cada atividade é representado pelas linhas 64, 65, 66. Conforme o marcador de atividade real 67 muda, os valores de confiança associados mudam. Um indicador de confiança para o marcador de atividade preliminar 69 poderia ser derivado por observar quão perto os valores de confiança estão entre si. Por exemplo, durante a janela de tempo 11, todos os três valores de confiança estão mais próximos entre si, isto é, aproximadamente 0,33. Durante esta janela de tempo, um indicador de confiança calculado seria muito baixo porque os valores de confiança indicam que todas as atividades têm uma chance igual de ser a verdadeira atividade do usuário. Nesse caso, o dispositivo pode enviar dados relativos à janela de tempo 11 para um processador remoto para processamento escalonado ou adicional.
[047]As técnicas desta revelação podem ser implementadas em uma ampla variedade de dispositivos de computação, como servidores, computadores laptop, computadores desktop, computadores notebook, computadores tablet, computadores portáteis, smartphones e similares. Alguns componentes, módulos ou unidades foram descritos para enfatizar aspectos funcionais e não necessariamente exigem realização por diferentes unidades de hardware. As técnicas aqui descritas podem também ser implementadas em hardware, software, firmware, ou qualquer combinação dos mesmos. Algumas características descritas como módulos, unidades ou componentes podem ser implementadas em conjunto em um dispositivo lógico integrado, ou separadamente como dispositivos lógicos discretos, porém interoperáveis. Em alguns casos, vários aspectos podem ser implementados como um dispositivo de circuito integrado, como um circuito integrado ou chipset. Adicionalmente, embora diversos módulos distintos tenham sido descritos ao longo deste relatório descritivo, muitos das quais desempenham funções exclusivas, todas as funções de todos os módulos podem ser combinadas em um único módulo, ou mesmo divididas em módulos adicionais. Os módulos descritos aqui descritos são apenas exemplificadores e foram descritos como tais para facilitar a compreensão.
[048]Se implementadas em software, as técnicas podem ser realizadas ao menos em parte por um meio legível por computador que compreende instruções que, quando executadas por um processador, realiza um ou mais dos métodos descritos acima. O meio legível por computador pode compreender um meio de armazenamento legível por computador tangível e pode fazer parte de um produto de programa de computador, que pode incluir materiais de empacotamento. O meio legível por computador pode compreender memória de acesso aleatório (RAM) como memória de acesso aleatório dinâmica síncrona (SDRAM), memória só de leitura (ROM), memória não volátil de acesso aleatório (NVRAM), memória só de leitura programável apagável eletricamente (EEPROM), memória FLASH, meios de armazenamento de dados magnéticos ou ópticos, e similares. O meio de armazenamento legível por computador pode também compreender um dispositivo de armazenamento não volátil, como um disco rígido, fita magnética, um disco compacto (CD), disco versátil digital (DVD), disco Blu-ray, meio holográfico de armazenamento de dados, ou outro dispositivo de armazenamento não volátil.
[049]Consequentemente, o termo “processador”, como usado aqui, pode se referir a qualquer estrutura anteriormente mencionada ou outra estrutura adequada para a implementação das técnicas aqui descritas. Além disso, em alguns aspectos, a funcionalidade aqui descrita pode ser fornecida dentro de módulos de software dedicados ou módulos de hardware configurados para a execução das técnicas desta revelação. Mesmo se implementadas no software, as técnicas podem utilizar hardware como um processador para executar o software, e uma memória para armazenar o software. Em qualquer desses casos, os computadores aqui descritos podem definir uma máquina específica que é capaz de executar as funções aqui descritas. Além disso, as técnicas poderiam ser implementadas totalmente em um ou mais circuitos ou elementos lógicos, que poderiam também ser considerados um processador.
Exemplos
[050] Embora os exemplos representem cenários específicos e métodos em que o processo de reconhecimento de atividade interage com indivíduos e dispositivos, permutações e variações desses exemplos serão evidentes para o profissional versado na técnica mediante a leitura da presente revelação. Os vários métodos e dispositivos mostrados e discutidos no contexto de cada um dos exemplos podem ser adaptados para satisfazer outros casos de uso e fluxos de trabalho específicos. Adicionalmente, os métodos e os dispositivos mostrados nos exemplos podem ser combinados de várias formas; os exemplos têm a intenção apenas de ilustrar uma amostra dos possíveis processos possibilitados pela presente revelação. Finalmente, com a evolução da tecnologia, alguns dos métodos ou dispositivos nos exemplos podem se tornar desnecessários ou obsoletos; entretanto, o escopo dos conceitos da invenção apresentados e reivindicados aqui ainda serão compreendidos pelos versados na técnica.
Exemplo 1: Ativação do processo de reconhecimento de atividade
[051]Um dispositivo usado para reconhecer atividade é necessário ser de uma forma compacta e leve para minimizar a interferência com o movimento e a movimentação regulares de uma pessoa à qual está fixado. Restrições de tamanho e peso, portanto, requerem uma gestão eficiente do espaço da carcaça para fornecer energia ao dispositivo (por exemplo, bateria) e para armazenamento de dados. Em uma tendência crescente, os dispositivos ou pulseiras de monitoramento eletrônico (ME) estão sendo fixados a criminosos como um método para rastrear sua localização para manter as condições de uma sentença ou condicional. Estes dispositivos de ME são equipados com o sistema de posicionamento global (GPS), ou outros sistemas de localização, para fornecer e transmitir a localização e registros de tempo/data correspondentes de um criminoso. Em certas circunstâncias, a comunicação do GPS do dispositivo de ME pode ser interrompida, bloqueada ou desativada. Quando a comunicação do GPS é perturbada, o processo de reconhecimento de atividade é ativado para monitorar ativamente as ações de um criminoso até que seja restaurada a comunicação do GPS. Há uma compensação entre a energia necessária para energizar o dispositivo de ME e os recursos de processamento de dados. Ativação simultânea tanto do GPS quanto do processo de reconhecimento de atividade podem ser redundantes e levar a um desempenho reduzido do dispositivo de ME (por exemplo, perda rápida de energia ou uso extensivo de memória do processador). Entretanto, ambos podem estar ativos em circunstâncias situacionais. Por exemplo, um criminoso tem um dispositivo fixado ao seu tornozelo. A comunicação do GPS transmite sua localização atual como sua residência. Uma hora depois, o GPS registra ainda sua residência como sua localização atual, mas repentinamente o sinal de GPS é perdido. O processo de reconhecimento de atividade é imediatamente ativado e registra que um criminoso transitou de uma posição de repouso e então caminhou por vinte minutos. O processo de reconhecimento de atividade contínua, monitorando o movimento e movimentação, até que a comunicação do GPS seja restabelecida e/ou um alerta seja gerado.
Exemplo 2: Geração de alerta no processo de reconhecimento de atividade
[052]Alertas ou alarmes são gerados e transmitidos, a partir de um dispositivo, quando transições ou durações da atividade são abruptas ou constantes por períodos prolongados de tempo. Alertas ou alarmes são notificações enviadas ao pessoal atribuído para monitorar uma pessoa com um dispositivo fixado. Por exemplo, um criminoso tem um dispositivo fixado ao seu tornozelo. A comunicação por GPS e o processo de reconhecimento de atividade são ativos. O processo de reconhecimento de atividade registra que um criminoso estava andando de bicicleta por sessenta minutos e, então, dirigindo por dez minutos. O GPS comunica que o criminoso estava em sua residência durante os últimos setenta minutos. Um alerta é gerado conforme a duração da atividade de andar de bicicleta não era modificável e a atividade de dirigir era abrupta em uma localidade onde normalmente não ocorrem.
[053]Variações na revelação descritas acima serão evidentes para o versado na técnica após a leitura da presente revelação, e são destinadas a serem incluídas dentro do escopo da presente revelação. Uma ampla gama de atividades pode ser detectada além daquelas discutidas explicitamente na presente invenção, e estão dentro do escopo da presente revelação. Adicionalmente, uma variedade de métodos de análise pode ser usada consistente com as etapas e processos de análise revelados.

Claims (5)

1. Dispositivo de reconhecimento de atividade (10, 30) de um objeto, CARACTERIZADO pelo fato de que compreende: uma carcaça (16) configurada para ser fixada ao objeto; uma unidade de processamento (17, 32) disposta na carcaça (16), que compreende um processador (33) e um sensor de movimento (34); em que o sensor de movimento (34) mede um sinal relacionado com a movimentação do objeto durante uma janela de tempo; em que o processador (33) atribui ao menos um marcador de atividade preliminar à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido; em que o processador (33) é adaptado para determinar se executa análise adicional dependendo ao menos do marcador de atividade preliminar; em que o processador (33) é adaptado para atribuir um marcador de atividade final à janela de tempo em que se o processador (33) não executa análise adicional, o marcador de atividade final é igual ao marcador de atividade preliminar; e em que se o processador (33) executa análise adicional, o processador (33) atribui ao marcador de atividade final subsequente à análise adicional.
2. Dispositivo, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que o processador (33) atribui ao marcador de atividade final à janela de tempo com base no marcador de atividade preliminar para a janela de tempo e pelo menos um marcador de atividade final para pelo menos uma janela de tempo anterior.
3. Dispositivo, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que o sensor de movimento (34) é ao menos um dentre: um acelerômetro, giroscópio, sensor de vibração piezoelétrico, sensor de posicionamento geográfico e um comutador magnético.
4. Dispositivo, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que a unidade de processamento (17, 32) compreende adicionalmente um módulo de localização configurado para fornecer uma localização geográfica estimada.
5. Método para reconhecer a atividade de um objeto, CARACTERIZADO pelo fato de que compreende: medir, com um sensor de movimento (34) fixado ao objeto, um sinal relacionado com a movimentação do objeto durante uma janela de tempo; atribuir, com um processador (33), ao menos um marcador de atividade preliminar à janela de tempo com base em ao menos um descritor numérico computado a partir do sinal medido; determinar se executa análise adicional dependendo ao menos do marcador de atividade preliminar; atribuir um marcador de atividade final à janela de tempo; em que se a análise adicional não é executada, o marcador de atividade final é igual ao marcador de atividade preliminar; e em que se a análise adicional é executada, o marcador de atividade final é atribuído à janela de tempo subsequente à execução da análise adicional.
BR112016018556-0A 2014-02-14 2015-02-12 Dispositivo de reconhecimento de atividade de um objeto e método para reconhecer a atividade de um objeto BR112016018556B1 (pt)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201461939832P 2014-02-14 2014-02-14
US61/939,832 2014-02-14
PCT/US2015/015534 WO2015123373A1 (en) 2014-02-14 2015-02-12 Activity recognition using accelerometer data

Publications (2)

Publication Number Publication Date
BR112016018556A2 BR112016018556A2 (pt) 2017-08-08
BR112016018556B1 true BR112016018556B1 (pt) 2022-06-14

Family

ID=52596607

Family Applications (1)

Application Number Title Priority Date Filing Date
BR112016018556-0A BR112016018556B1 (pt) 2014-02-14 2015-02-12 Dispositivo de reconhecimento de atividade de um objeto e método para reconhecer a atividade de um objeto

Country Status (8)

Country Link
US (2) US10881327B2 (pt)
EP (1) EP3104777B1 (pt)
KR (1) KR102306064B1 (pt)
AU (2) AU2015217160A1 (pt)
BR (1) BR112016018556B1 (pt)
CA (1) CA2939633A1 (pt)
IL (1) IL247242B (pt)
WO (1) WO2015123373A1 (pt)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11259744B2 (en) 2011-11-15 2022-03-01 Neurometrix, Inc. Transcutaneous electrical nerve stimulator with automatic detection of leg orientation and leg motion for enhanced sleep analysis, including enhanced transcutaneous electrical nerve stimulation (TENS) using the same
US11247040B2 (en) 2011-11-15 2022-02-15 Neurometrix, Inc. Dynamic control of transcutaneous electrical nerve stimulation therapy using continuous sleep detection
PT2780073T (pt) 2011-11-15 2017-12-18 Neurometrix Inc Aparelho para alívio da dor que utiliza estimulação nervosa elétrica transcutânea
US9474898B2 (en) 2013-03-29 2016-10-25 Neurometrix, Inc. Detecting cutaneous electrode peeling using electrode-skin impedance
US10112040B2 (en) 2011-11-15 2018-10-30 Neurometrix, Inc. Transcutaneous electrical nerve stimulation using novel unbalanced biphasic waveform and novel electrode arrangement
US10940311B2 (en) 2013-03-29 2021-03-09 Neurometrix, Inc. Apparatus and method for button-free control of a wearable transcutaneous electrical nerve stimulator using interactive gestures and other means
WO2014172381A1 (en) 2013-04-15 2014-10-23 Neurometrix Inc. Transcutaneous electrical nerves stimulator with automatic detection of user sleep-wake state
US9628876B2 (en) * 2015-02-26 2017-04-18 Barry John McCleland Network and a method for associating a mobile monitoring device in a network based on comparison of data with other network devices
GB2537809B (en) * 2015-03-12 2021-03-03 Cambridge temperature concepts ltd Monitoring vital signs
EP3537955A4 (en) * 2016-11-11 2020-07-01 GSK Consumer Healthcare S.A. TENS DEVICE FOR ACTIVITY MONITORING, GANG ANALYSIS AND COMPENSATION EVALUATION
RU2019119439A (ru) 2016-12-23 2021-01-26 ДжиЭсКей Консьюмер Хелткер С.А. "Интеллектуальный" электродный узел для транскутанной электрической стимуляции нервов (ТЭСН)
US10360510B1 (en) * 2017-04-25 2019-07-23 Verily Life Sciences Llc Systems and methods for gating a step count
US11058877B2 (en) 2017-05-30 2021-07-13 Neurometrix, Inc. Apparatus and method for the automated control of transcutaneous electrical nerve stimulation based on current and forecasted weather conditions
EP3638117A4 (en) * 2017-06-16 2021-08-04 Attenti Electronic Monitoring LTD. ACTIVITY-BASED RULES FOR DETECTION OF CONFORMITY USING ELECTRONIC BODY OFFENSE SURVEILLANCE DEVICES
CN112203955B (zh) * 2017-12-22 2023-12-19 弹性钢接头公司 用于监测输送机系统的装置和方法
US10896596B2 (en) * 2018-01-01 2021-01-19 Bl Incorporated Systems and methods for device load transfer in a hybrid monitoring system
ES2725913B2 (es) 2018-03-28 2020-03-27 Consejo Superior Investigacion Dispositivo y metodo de monitorizacion de actividad en peces
JP2021523466A (ja) 2018-05-08 2021-09-02 スリーエム イノベイティブ プロパティズ カンパニー 比較安全イベント評価のための個人保護具及び安全管理システム
EP3579084B8 (en) 2018-06-08 2024-01-24 Tata Consultancy Services Limited Method and system for activity recognition and behaviour analysis
US11883661B2 (en) 2018-12-07 2024-01-30 Neurometrix, Inc. Intelligent determination of therapeutic stimulation intensity for transcutaneous electrical nerve stimulation
CN113853155B (zh) * 2019-06-03 2024-04-12 3M创新有限公司 用于评估触觉感知损害和肌肉运动控制异常的系统和方法
KR20240057756A (ko) 2022-10-25 2024-05-03 중앙대학교 산학협력단 실시간 사용자 활동 인식을 위한 다중시간 샘플링 시스템 및 방법

Family Cites Families (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04250141A (ja) 1990-12-14 1992-09-07 Koonan:Kk 被検者の異常検出装置
US5137345A (en) 1991-05-15 1992-08-11 Oculokinetics, Inc. Apparatus for monitoring physiolgical data to detect drug impairment
US5295491A (en) 1991-09-26 1994-03-22 Sam Technology, Inc. Non-invasive human neurocognitive performance capability testing method and system
DE4134960A1 (de) 1991-10-23 1993-04-29 Popp Fritz Albert Dr Verfahren zur ganzheitlichen analyse des gesundheitszustandes
US5325862A (en) 1993-03-26 1994-07-05 The United States Of America As Represented By The Secretary Of The Navy Method and/or system for personal identification and impairment assessment from brain activity patterns
US5485402A (en) 1994-03-21 1996-01-16 Prosthetics Research Study Gait activity monitor
US6032530A (en) 1994-04-29 2000-03-07 Advantedge Systems Inc. Biofeedback system for sensing body motion and flexure
US6266623B1 (en) 1994-11-21 2001-07-24 Phatrat Technology, Inc. Sport monitoring apparatus for determining loft time, speed, power absorbed and other factors such as height
RU2146494C1 (ru) 1999-03-24 2000-03-20 Базиян Борис Хоренович Способ диагностики двигательных функций человека и устройство для его реализации
EP1142533B1 (en) 2000-04-04 2006-06-21 STMicroelectronics S.r.l. "Monitoring and classification of the physical activity of a person"
EP1296589B1 (en) * 2000-05-13 2017-01-04 Omegawave Oy Apparatus for non-invasive measurement of current functional state and adaptive response in humans
US20070225614A1 (en) 2004-05-26 2007-09-27 Endothelix, Inc. Method and apparatus for determining vascular health conditions
FR2856913B1 (fr) 2003-07-02 2005-08-05 Commissariat Energie Atomique Detecteur portatif pour mesurer des mouvements d'une personne porteuse, et procede.
US8187209B1 (en) 2005-03-17 2012-05-29 Great Lakes Neurotechnologies Inc Movement disorder monitoring system and method
US7827011B2 (en) 2005-05-03 2010-11-02 Aware, Inc. Method and system for real-time signal classification
JP5028751B2 (ja) 2005-06-09 2012-09-19 ソニー株式会社 行動認識装置
US7818131B2 (en) 2005-06-17 2010-10-19 Venture Gain, L.L.C. Non-parametric modeling apparatus and method for classification, especially of activity state
US8478596B2 (en) 2005-11-28 2013-07-02 Verizon Business Global Llc Impairment detection using speech
EP1834583B1 (fr) 2006-03-17 2008-11-19 Myotest SA Procédé et dispositif d'évaluation des capacités musculaires d'athlètes à l'aide de tests brefs
US7653508B1 (en) 2006-12-22 2010-01-26 Dp Technologies, Inc. Human activity monitoring device
US8078334B2 (en) 2007-01-23 2011-12-13 Alan Goodrich Unobtrusive system and method for monitoring the physiological condition of a target user of a vehicle
GB2447647A (en) 2007-03-16 2008-09-24 Cambridge Neurotechnology Ltd Activity monitor
US8801636B2 (en) * 2007-07-19 2014-08-12 Cardiac Pacemakers, Inc. Method and apparatus for determining wellness based on decubitus posture
JP2009023545A (ja) 2007-07-20 2009-02-05 Tokai Rika Co Ltd 飲酒運転防止システム及び車内監視システム
US8206325B1 (en) 2007-10-12 2012-06-26 Biosensics, L.L.C. Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection
WO2009090584A2 (en) 2008-01-18 2009-07-23 Koninklijke Philips Electronics N.V. Method and system for activity recognition and its application in fall detection
US7750815B2 (en) 2008-02-22 2010-07-06 Quantum Electronics Ltd. Portable monitoring apparatus with over the air programming and sampling volume collection cavity
WO2009151711A2 (en) 2008-03-21 2009-12-17 Analog Devices, Inc. Management system for mems inertial sensors
US8634638B2 (en) 2008-06-20 2014-01-21 Sri International Real-time action detection and classification
US8226574B2 (en) 2008-07-18 2012-07-24 Honeywell International Inc. Impaired subject detection system
US20110137836A1 (en) * 2008-09-19 2011-06-09 Hiroyuki Kuriyama Method and system for generating history of behavior
KR101210277B1 (ko) 2008-12-23 2012-12-18 한국전자통신연구원 행위 모니터링 시스템 및 행위 모니터링을 위한 정보 전송 방법
WO2010083562A1 (en) 2009-01-22 2010-07-29 National Ict Australia Limited Activity detection
KR20100087551A (ko) 2009-01-28 2010-08-05 한국과학기술연구원 사용자의 행동 분류에 따른 칼로리 균형 계산 장치
US20100238033A1 (en) * 2009-03-20 2010-09-23 Dan Blumel Tracking and Alert Apparatus, System and Method
JP5382436B2 (ja) 2009-08-03 2014-01-08 ソニー株式会社 データ処理装置、データ処理方法、およびプログラム
KR101163834B1 (ko) 2009-09-29 2012-07-09 경희대학교 산학협력단 세미 마르코프 조건부 랜덤 필드 모델 기반의 행동 인식 방법
US20110213276A1 (en) 2010-02-18 2011-09-01 Israel Sarussi Apparatus and method for monitoring activity level
US20120203491A1 (en) * 2011-02-03 2012-08-09 Nokia Corporation Method and apparatus for providing context-aware control of sensors and sensor data
FR2981561B1 (fr) * 2011-10-21 2015-03-20 Commissariat Energie Atomique Procede de detection d'activite a capteur de mouvements, dispositif et programme d'ordinateur correspondants
JP5534255B2 (ja) * 2011-12-20 2014-06-25 株式会社タニタ 在床判定装置および睡眠測定装置
US9901815B2 (en) 2012-03-22 2018-02-27 The Regents Of The University Of California Devices, systems, and methods for monitoring, classifying, and encouraging activity
WO2013151773A1 (en) * 2012-04-06 2013-10-10 Massachusetts Eye & Ear Infirmary Data collection for vestibulogram construction
WO2014210210A1 (en) * 2013-06-25 2014-12-31 Lark Technologies, Inc. Method for classifying user motion
US10143425B1 (en) * 2013-09-09 2018-12-04 Scanadu Incorporated Methods of data acquisition quality and data fusion for personal portable wireless vital signs scanner

Also Published As

Publication number Publication date
KR20160120331A (ko) 2016-10-17
EP3104777A1 (en) 2016-12-21
AU2017251830B2 (en) 2019-11-28
KR102306064B1 (ko) 2021-09-30
AU2015217160A1 (en) 2016-09-01
EP3104777B1 (en) 2020-11-11
BR112016018556A2 (pt) 2017-08-08
US20160354014A1 (en) 2016-12-08
AU2017251830A1 (en) 2017-11-16
CA2939633A1 (en) 2015-08-20
US20210085221A1 (en) 2021-03-25
IL247242A0 (en) 2016-09-29
IL247242B (en) 2021-02-28
US10881327B2 (en) 2021-01-05
WO2015123373A1 (en) 2015-08-20

Similar Documents

Publication Publication Date Title
BR112016018556B1 (pt) Dispositivo de reconhecimento de atividade de um objeto e método para reconhecer a atividade de um objeto
Nooruddin et al. An IoT based device-type invariant fall detection system
Ramachandran et al. A survey on recent advances in wearable fall detection systems
US10422814B2 (en) Fall detection using machine learning
US20190228633A1 (en) Fall Warning For A User
US20140266691A1 (en) Dynamic provisioning of pendant logic in emergency assistance systems
US11602306B2 (en) Method and system for remote transdermal alcohol monitoring
AU2015318078B2 (en) Impairment detection with biological considerations
De Araujo et al. An algorithm for fall detection using data from smartwatch
US11324421B2 (en) Impairment detection with environmental considerations
BR112017005246B1 (pt) Dispositivo para monitorar indicadores de disfunção
CN112386249A (zh) 跌倒检测方法及装置、设备、存储介质
Sheikh Nooruddin et al. Internet of Things
Kaloumaira et al. A Real-Time Fall Detection System Using Sensor Fusion
Qi et al. Examining Data Fusion Techniques for Internet of Things enabled Physical Activity Recognition and Measure: A Systematic Survey

Legal Events

Date Code Title Description
B06F Objections, documents and/or translations needed after an examination request according [chapter 6.6 patent gazette]
B06U Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette]
B09A Decision: intention to grant [chapter 9.1 patent gazette]
B16A Patent or certificate of addition of invention granted [chapter 16.1 patent gazette]

Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 12/02/2015, OBSERVADAS AS CONDICOES LEGAIS

B21F Lapse acc. art. 78, item iv - on non-payment of the annual fees in time

Free format text: REFERENTE A 9A ANUIDADE.

B24J Lapse because of non-payment of annual fees (definitively: art 78 iv lpi, resolution 113/2013 art. 12)

Free format text: EM VIRTUDE DA EXTINCAO PUBLICADA NA RPI 2761 DE 05-12-2023 E CONSIDERANDO AUSENCIA DE MANIFESTACAO DENTRO DOS PRAZOS LEGAIS, INFORMO QUE CABE SER MANTIDA A EXTINCAO DA PATENTE E SEUS CERTIFICADOS, CONFORME O DISPOSTO NO ARTIGO 12, DA RESOLUCAO 113/2013.