CN103577836A - 人体摔倒检测模型建立方法及模型系统 - Google Patents

人体摔倒检测模型建立方法及模型系统 Download PDF

Info

Publication number
CN103577836A
CN103577836A CN201310469706.8A CN201310469706A CN103577836A CN 103577836 A CN103577836 A CN 103577836A CN 201310469706 A CN201310469706 A CN 201310469706A CN 103577836 A CN103577836 A CN 103577836A
Authority
CN
China
Prior art keywords
acceleration
human body
falling over
time
threshold value
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CN201310469706.8A
Other languages
English (en)
Other versions
CN103577836B (zh
Inventor
吴家宝
杨松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201310469706.8A priority Critical patent/CN103577836B/zh
Publication of CN103577836A publication Critical patent/CN103577836A/zh
Priority to PCT/CN2014/087969 priority patent/WO2015043542A1/zh
Priority to US15/084,512 priority patent/US10586170B2/en
Application granted granted Critical
Publication of CN103577836B publication Critical patent/CN103577836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
    • G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
    • G01P15/0891—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values with indication of predetermined acceleration values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/16—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by evaluating the time-derivative of a measured speed signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Psychology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Emergency Alarm Devices (AREA)
  • Alarm Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明揭示了一种人体摔倒检测模型建立方法及系统。该方法可包括：采集一个及以上个人体摔倒样本中人体摔倒过程中的速度信息；所述速度信息包括合力加速度、速度以及时间；分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，建立摔倒检测机制。本发明的系统充分考虑到了人体的运动行为特点，提高检出率，减少误判率。

Description

人体摔倒检测模型建立方法及模型系统
技术领域
本发明涉及到人体摔倒检测技术，特别是涉及到一种人体摔倒检测模型建立方法及模型系统。
背景技术
根据世界疾病控制和预防组织统计，世界上超过65岁的老人，每年有三分之一会摔倒，其中有一半为再摔倒。一次性摔倒中近10％会引起严重伤害和疾病，造成巨大的医疗负担和健康伤害。2014年中国老年人口将超过2亿，2025年达到3亿，2042年老年人口比例将超过30％。老人摔倒已经成为当前一个重大的医疗问题和社会问题，减少老年人摔倒带来的伤害已经成为国内外新的研究热点减轻医疗保障系统和老人子女的医疗负担；尤其对于子女在外独居，或者经常外出走动的老人，具有较为重要的应用价值。
目前国已经有一些摔倒检测装置，大多都是基于一个特殊设备，老人需要额外穿戴在身上，非常不方便。相关的一些检测方法由于信息处理方法、设备等限制，或者没有充分考虑到人体运动行为等原因，使得误判率较高。
发明内容
本发明的主要目的为提供一种人体摔倒检测模型建立方法，可提升摔倒判断的准确性。
本发明提出一种人体摔倒检测模型建立方法，包括：
采集一个及以上个人体摔倒样本中人体摔倒过程中的速度信息；所述速度信息包括合力加速度、速度以及时间；
分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，建立摔倒检测机制。
优选地，所述分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、曲线面积阈值△S以及低加速度时间阈值△T还包括：
将计算并提取的低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T与样本对应的人体状态信息关联；所述人体状态信息包括身高、体重和/或运动状态。
优选地，所述建立摔倒检测机制的步骤之后，还包括：
接收人体状态信息的设定，根据设定的人体状态信息调整a0、△S和/或△T。
优选地，所述方法之后，还包括：
将自身所检测的人体摔倒样本纳入摔倒检测机制中，并将样本的速度信息与人体状态信息关联。
本发明还提出一种人体摔倒检测模型系统，包括：
样本收集模块，用于采集一个及以上个人体摔倒样本中人体摔倒过程中的速度信息；所述速度信息包括合力加速度、速度以及时间；
分析提取模块，用于分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，建立摔倒检测机制。
优选地，所述分析提取模块还用于：
将计算并提取的低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T与样本对应的人体状态信息关联；所述人体状态信息包括身高、体重和/或运动状态。
优选地，所述系统还包括：
设置接收模块，用于接收人体状态信息的设定，根据设定的人体状态信息调整a0、△S和/或△T。
优选地，所述系统还包括：
自学习模块，用于将自身所检测的人体摔倒样本纳入摔倒检测机制中，并将样本的速度信息与人体状态信息关联。
本发明可以基于智能手机等具有加速度检测及通讯功能的设备，是基于人体安全运动状态与摔倒时运动学和动力学特性的不同，只要用户随身携带装有应用人体摔倒检测的智能手机，应用将自动采集和分析人体动力学信息，判断人体是否摔倒，并使用手机通讯优势进行短信、电话等报警通知。相对于其他需要额外购买和配备的摔倒检测装备来说，使用范围广，价格便宜，携带方便，所以相对实用性较高；关键是充分考虑到了人体的运动行为特点，提高检出率，减少误判率。
附图说明
图1是本发明人体摔倒检测的方法一实施例的步骤流程示意图；
图2是本发明人体摔倒检测模型建立方法一实施例的步骤流程示意图；
图3是本发明人体摔倒检测模型建立方法另一实施例的步骤流程示意图；
图4是本发明人体摔倒检测的方法又一实施例的步骤流程示意图；
图5是本发明人体摔倒检测的方法还一实施例的步骤流程示意图；
图6是本发明人体摔倒检测的方法一实施例中以时间为横坐标、合加速度为纵坐标的二维坐标示意图；
图7是本发明人体摔倒检测的装置一实施例的结构示意图；
图8是本发明人体摔倒检测模型系统一实施例的结构示意图；
图9是本发明人体摔倒检测模型系统另一实施例的结构示意图；
图10是本发明人体摔倒检测的装置又一实施例的结构示意图；
图11是本发明人体摔倒检测的装置还一实施例的结构示意图；
图12是本发明移动终端系统一实施例的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，提出本发明一种人体摔倒检测的方法一实施例。该人体摔倒检测的方法可包括：
步骤S11、判断检测到人体的合力加速度是否小于低加速度阈值a0；如是，则进行步骤S12；否则，继续执行检测；
步骤S12、采集固定时间内的合力加速度序列I0；
步骤S13、以合力加速度与时间为坐标轴、a0为基准线的二维坐标中，计算I0坐标中的曲线与基准线围成的基准线上、下的曲线面积；
步骤S14、判断基准线上的曲线面积与基准线下的曲线面积之差小于曲线面积阈值△S、且基准线下的合力加速度所占时间大于低加速度时间阈值△T是否成立；如成立，则进行步骤S15；否则，继续执行检测；
步骤S15、判定人体摔倒。
针对现有的摔倒检测技术和检测装置存在的问题，本发明提出的人体摔倒检测的方法，可以通过传感器自动检测人体的加速度信息及速度信息，综合人体加速度、速度、运动时间以及运动状态正确判断人体是否已经摔倒，以及提醒是否需要报警求救，同时针对该提醒可进行确认及取消救助的操作。
实现上述人体摔倒检测的方法的设备至少需配套设置有加速度传感器(比如三轴加速度传感器等)，在需要实现求救功能时还需配套设置有通讯模块(比如移动通讯模块中的GSM模块、CDMA模块等)。为便于随身携带及方便使用，上述设备可为移动终端，比如智能手机、平板电脑等常用移动终端设备。由于该种常用移动终端设备通常都设置有通讯模块及加速度传感器，从而可直接利用无需另外再配置。
参照图2，提出本发明人体摔倒检测模型建立方法一实施例。该方法可设置于上述步骤S11之前，该方法可包括：
步骤S100、采集一个及以上个人体摔倒样本中人体摔倒过程中的速度信息；该速度信息包括合力加速度、速度以及时间；
步骤S101、分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，建立摔倒检测机制。
在实现摔倒检测之前，首先通过若干摔倒实验，采集人体摔倒过程中的速度信息；该速度信息包括合力加速度、速度以及时间等；以及还可记录摔倒碰撞前的加速度时间序列，提取一些加速度特征，建立摔倒检测模型，该模型可以不断的通过摔倒数据训练，优化。
摔倒检测模型的建立是实现准确摔倒检测至关重要的部分，首先根据一些实验以及相关摔倒数据来获取摔倒过程相关加速度数据进行分析，过滤，融合，提取人体摔倒运动学及动力学特征，如：摔倒前的长时间的低加速度，摔倒前可能出现踉跄等，由此建立摔倒检测模型，模型可以不断的训练和自我调整。在实验中可根据三轴加速度的变化来检测人体运动状态以及摔倒，其中可提取的特征有如下几个：摔倒低加速度状态、速度、碰撞前踉跄的高速度状态、碰撞的高速度状态以及各种状态维持的时间等，然后依据上述特征来建立一个动态检测人体摔倒的模型去匹配人体运动的三轴加速度值，依据输出概率来判断是否摔倒，模型中一些参数可以根据人体身高，体重，运动量以及人体的实时运动状态调整。
针对计算取得的低加速度阈值a0、固定时间内的合力加速度序列I0、曲线面积阈值△S以及低加速度时间阈值△T：可将计算并提取的低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T与样本对应的人体状态信息关联；该人体状态信息可包括身高、体重和/或运动状态等。该身高、体重可以是一个区间值。
参照图3，在本发明另一实施例中，上述步骤S11之前及步骤S101之后，还可包括：
步骤S102、接收人体状态信息的设定，根据设定的人体状态信息调整a0、△S和/或△T。
由于模型参数可根据人体身高、体重、以及人体的实时运动状态的不同而有所区别，因此每个使用者可根据自身人体状态信息的不同而进行设置，检测设备将根据所设置的人体状态信息而匹配相应的a0、△S和/或△T等参数。
在上述步骤S102之后，还可包括：
步骤S103、将自身所检测的人体摔倒样本纳入摔倒检测机制中，并将样本的速度信息与人体状态信息关联。
当人体摔倒检测模型准确判定一次人体摔倒事件发生后，根据使用者的确认可将该次摔倒事件加入至该人体摔倒检测模型中。比如采集该次摔倒过程中的速度信息并分析，从中提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，以及与样本对应的人体状态信息关联，修订已建立摔倒检测机制，以此实现上述人体摔倒检测模型的自我学习机制。
参照图4，在本发明又一实施例中，上述步骤S11之后还可包括：
步骤S110、在进行合力加速度序列I0的采集时，判断所述序列I0中是否有采集到大于高加速度阈值a1的合力加速度；如有，则进行步骤S12，否则继续执行检测。
由于人体摔倒之前总会有一个相对较长时间的低加速度过程，同时可能由于一些踉跄等其他外因导致摔倒碰撞前出现较高加速度的情况。因此，可在检测到出现低加速度过程后，再进行高加速度的检测；如出现高合力加速度大于高加速度阈值a1的情况，则可继续进行下一步骤的摔倒判断，否则可判定未发生摔倒，返回至初始的合力加速度检测及判断。
参照图5，在本发明还一实施例中，上述步骤S15之后，还可包括：
步骤S16、在判定摔倒后，采集人体当前速度序列；在当前速度低于速度阈值超过设定时间时，产生告警提示信息；当告警提示信息被确认或者未被确认超过一定时间，即可进行告警。
本实施例的人体摔倒检测中，首先可默认人体初始速度为零，根据三轴加速度的变化已经考虑重力加速度，可以计算出人体每个时刻的速度是多少。随着人体的运动，三轴加速度会不断的变化，速度也跟着不断的变化。根据实验数据可获取一个固定时间长度的加速度时间序列，该时间序列可以完全记录一次摔倒过程(包括摔倒前、后的一段时间)的加速度数值。由于人体在摔倒前有一个低加速度状态，同样可从实验数据中得出一个低加速度阀值，当运动过程中人体的加速度低于该低加速度阈值时，即可开始收集加速度数据以供摔倒检测模型检测，以便进一步判断是继续收集数据还是清空数据，并记录时间(即进入上述时间序列)。由于人体在摔倒中可能由于踉跄等原因而在碰撞前出现高加速度状态，上述低加速度的判断之后即可进行进一步进行高加速度的判断；通过实验数据得到一个高加速度阀值，当运动过程中人体的加速度高于该高加速度阈值时，即可开始用检测模型匹配上述已经收集的加速度数据。
然后可根据设置的人体身高、体重和/或运动状态等人体状态信息，以及已经收集的摔倒前和摔倒的速度和加速度信息进行运算，并与模型中的参数进行匹配；如果匹配成功，说明已经摔倒，根据人体速度信息判断是否报警，如果人体处于低于速度阈值的状态超过设定时间则产生告警提示信息，由使用者根据实际情况选择是否报警，若一定时间内不做任何操作，则执行报警，根据预设的联系电话进行短信通知和/或电话通知等。
同时，根据实验数据还可以得出另外一个高加速度阀值，当人体的合力加速度大于该阀值时，即很有可能是使用者受到瞬间强烈撞击，如车祸等事件发生。如果实时监测的人体合力加速度大于该阀值时，直接产生告警提示信息，以在使用者确认或提示超时的情况下执行报警操作。
参照图6，为以时间(10ms)为横坐标、合(力)加速度(m/s2)为纵坐标的二维坐标示意图，其中以合力加速度a0为基准线。显示在摔倒过程中所检测到的人体合力加速度随时间的推移而变化：在时间为100至约190时，合力加速度一直处在10左右，说明此时使用者可能处于站立状态；在时间为约190至约430时，合力加速度在10上、下均匀且有规律地变化，此时合力加速度都在a0之上说明使用者可能处于正常行走状态；在时间约450约490时，首先出现合力加速度低于a0的情况，且持续于450至480之间，然后再出现较为短暂的高出常态(10)数倍的高加速度情况，持续于480至490之间，上述低加速度的情况说明使用者可能是处于摔倒前的跌落过程，该高加速度的情况说明使用者可能是处于摔倒后撞击过程；图示中可明显看出，在摔倒过程中，合力加速度在坐标中所形成的曲线与基准线围成的基准线下的曲线面积大于基准线上的曲线面积。
摔倒检测模型中计算与匹配的方式为：首先由实验和研究确定低加速度阀值a0，当人体运动过程中产生的合力加速度值低于a0时触发开始采集三轴加速度传感器数据到一个固定加速度时间序列l0；同时进行如下计算：计算从采集数据时刻起，基于基准线a0的加速度曲线面积，加速度与基准线a0所围成的面积在基准线上时则取值为正，反之则为负，总的曲线面积为基准线上曲线面积加上基准线下曲线面积(即等同于在两者都取正的情况下基准线上曲线面积与基准线下曲线面积之差)；只要所得曲线面积小于△S，且l0中低于加速度a0的加速度时间之和大于△T，则可以认为这是一次摔倒产生碰撞前的过程。其中△T，△S，a0可以根据用户体重，身高，运动状态(运动量)进行动态调整。
上述是针对加速度进行的人体摔倒检测，本实施例中还可根据加速度和速度进行检测。当检测到的加速度低于低加速度阈值时，首先有一个固定时间区间的加速度和速度序列，该序列的时间长度可以足够包含一次完整的摔倒过程已经摔倒前使用者正常运动的过程。默认使用者初始速度为零，可根据三轴加速度以及时间来计算出某个时刻人体的大概速度。同时固定时间长度的加速度和速度序列可以获得使用者当前的运动强度和状态，据此可以调整摔倒验证的一些相关参数，让模型能更准确的检测出摔倒前的状态。
上述人体摔倒检测的方法，可以基于智能手机等具有加速度检测及通讯功能的设备，是基于人体安全运动状态与摔倒时运动学和动力学特性的不同，只要用户随身携带装有应用人体摔倒检测的智能手机，应用将自动采集和分析人体动力学信息，判断人体是否摔倒，并使用手机通讯优势进行短信、电话等报警通知。相对于其他需要额外购买和配备的摔倒检测装备来说，使用范围广，价格便宜，携带方便，所以相对实用性较高；关键是充分考虑到了人体的运动行为特点，提高检出率，减少误判率。
参照图7，提出本发明一种人体摔倒检测的装置20一实施例。该装置20可包括：判定采集模块21、面积计算模块22以及摔倒判定模块23；该判定采集模块21，用于在检测人体的合力加速度小于低加速度阈值a0时，采集固定时间内的合力加速度序列I0；该面积计算模块22，用于以合力加速度与时间为坐标轴、a0为基准线的二维坐标中，计算I0坐标中的曲线与基准线围成的基准线上、下的曲线面积；该摔倒判定模块23，用于当基准线上的曲线面积与基准线下的曲线面积之差小于曲线面积阈值△S，且基准线下的合力加速度所占时间大于低加速度时间阈值△T时，判定人体摔倒。
针对现有的摔倒检测技术和检测装置存在的问题，本发明提出的人体摔倒检测的装置20，可以通过传感器自动检测人体的加速度信息及速度信息，综合人体加速度、速度、运动时间以及运动状态正确判断人体是否已经摔倒，以及提醒是否需要报警求救，同时针对该提醒可进行确认及取消救助的操作。
实现上述人体摔倒检测的装置20的设备至少需配套设置有加速度传感器(比如三轴加速度传感器等)，在需要实现求救功能时还需配套设置有通讯模块(比如移动通讯模块中的GSM模块、CDMA模块等)。为便于随身携带及方便使用，上述设备可为移动终端，比如智能手机、平板电脑等常用移动终端设备。上述人体摔倒检测的装置20可设置于移动终端中，由于该种常用移动终端设备通常都设置有通讯模块及加速度传感器，从而可直接利用无需另外再配置。
参照图8，提出本发明一种人体摔倒检测模型系统一实施例。该人体摔倒检测模型系统可设置于上述装置20中，该人体摔倒检测模型系统可包括：样本收集模块24以及分析提取模块25；该样本收集模块24，用于采集一个及以上个人体摔倒样本中人体摔倒过程中的速度信息；所述速度信息包括合力加速度、速度以及时间；该分析提取模块25，用于分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，建立摔倒检测机制。
在实现摔倒检测之前，首先通过若干摔倒实验，采集人体摔倒过程中的速度信息；该速度信息包括合力加速度、速度以及时间等；以及还可记录摔倒碰撞前的加速度时间序列，提取一些加速度特征，建立摔倒检测模型，该模型可以不断的通过摔倒数据训练，优化。
摔倒检测模型的建立是实现准确摔倒检测至关重要的部分，首先根据一些实验以及相关摔倒数据来获取摔倒过程相关加速度数据进行分析，过滤，融合，提取人体摔倒运动学及动力学特征，如：摔倒前的长时间的低加速度，摔倒前可能出现踉跄等，由此建立摔倒检测模型，模型可以不断的训练和自我调整。在实验中可根据三轴加速度的变化来检测人体运动状态以及摔倒，其中可提取的特征有如下几个：摔倒低加速度状态、速度、碰撞前踉跄的高速度状态、碰撞的高速度状态以及各种状态维持的时间等，然后依据上述特征来建立一个动态检测人体摔倒的模型去匹配人体运动的三轴加速度值，依据输出概率来判断是否摔倒，模型中一些参数可以根据人体身高，体重，运动量以及人体的实时运动状态调整。
上述分析提取模块25还可用于：将计算并提取的低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T与样本对应的人体状态信息关联；该人体状态信息包括身高、体重和/或运动状态等。该身高、体重可以是一个区间值。
参照图9，在本发明的另一实施例中，上述人体检测模型系统还可包括：设置接收模块26，用于接收人体状态信息的设定，根据设定的人体状态信息调整a0、△S和/或△T。
由于模型参数可根据人体身高、体重、以及人体的实时运动状态的不同而有所区别，因此每个使用者可根据自身人体状态信息的不同而进行设置，检测设备将根据所设置的人体状态信息而匹配相应的a0、△S和/或△T等参数。
上述人体检测模型系统还可包括：自学习模块30，用于将自身所检测的人体摔倒样本纳入摔倒检测机制中，并将样本的速度信息与人体状态信息关联。
当人体摔倒检测模型准确判定一次人体摔倒事件发生后，根据使用者的确认可将该次摔倒事件加入至该人体摔倒检测模型中。比如采集该次摔倒过程中的速度信息并分析，从中提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，以及与样本对应的人体状态信息关联，修订已建立摔倒检测机制，以此实现上述人体摔倒检测模型的自我学习机制。
参照图10，在本发明的又一实施例中，上述装置20还可包括：高加速判断模块27，用于在进行合力加速度序列I0的采集时，判断所述序列I0中是否有采集到大于高加速度阈值a1的合力加速度；如有，则通过面积计算模块22计算曲线面积。
由于人体摔倒之前总会有一个相对较长时间的低加速度过程，同时可能由于一些踉跄等其他外因导致摔倒碰撞前出现较高加速度的情况。因此，可在检测到出现低加速度过程后，再进行高加速度的检测；如出现高合力加速度大于高加速度阈值a1的情况，则可继续进行下一步骤的摔倒判断，否则可判定未发生摔倒，返回至初始的合力加速度检测及判断。
参照图11，在本发明的还一实施例中，上述装置20还可包括：告警提示模块28，用于在判定摔倒后，采集人体当前速度序列；在当前速度低于速度阈值超过设定时间时，产生告警提示信息；当告警提示信息被确认或者未被确认超过一定时间，即可进行告警。
本实施例的人体摔倒检测中，首先可默认人体初始速度为零，根据三轴加速度的变化已经考虑重力加速度，可以计算出人体每个时刻的速度是多少。随着人体的运动，三轴加速度会不断的变化，速度也跟着不断的变化。根据实验数据可获取一个固定时间长度的加速度时间序列，该时间序列可以完全记录一次摔倒过程(包括摔倒前、后的一段时间)的加速度数值。由于人体在摔倒前有一个低加速度状态，同样可从实验数据中得出一个低加速度阀值，当运动过程中人体的加速度低于该低加速度阈值时，即可开始收集加速度数据以供摔倒检测模型检测，以便进一步判断是继续收集数据还是清空数据，并记录时间(即进入上述时间序列)。由于人体在摔倒中可能由于踉跄等原因而在碰撞前出现高加速度状态，上述低加速度的判断之后即可进行进一步进行高加速度的判断；通过实验数据得到一个高加速度阀值，当运动过程中人体的加速度高于该高加速度阈值时，即可开始用检测模型匹配上述已经收集的加速度数据。
然后可根据设置的人体身高、体重和/或运动状态等人体状态信息，以及已经收集的摔倒前和摔倒的速度和加速度信息进行运算，并与模型中的参数进行匹配；如果匹配成功，说明已经摔倒，根据人体速度信息判断是否报警，如果人体处于低于速度阈值的状态超过设定时间则产生告警提示信息，由使用者根据实际情况选择是否报警，若一定时间内不做任何操作，则执行报警，根据预设的联系电话进行短信通知和/或电话通知等。
同时，根据实验数据还可以得出另外一个高加速度阀值，当人体的合力加速度大于该阀值时，即很有可能是使用者受到瞬间强烈撞击，如车祸等事件发生。如果实时监测的人体合力加速度大于该阀值时，直接产生告警提示信息，以在使用者确认或提示超时的情况下通过通信组件执行报警操作。
参照图6，为以时间(10ms)为横坐标、合(力)加速度(m/s2)为纵坐标的二维坐标示意图，其中以合力加速度a0为基准线。显示在摔倒过程中所检测到的人体合力加速度随时间的推移而变化：在时间为100至约190时，合力加速度一直处在10左右，说明此时使用者可能处于站立状态；在时间为约190至约430时，合力加速度在10上、下均匀且有规律地变化，此时合力加速度都在a0之上说明使用者可能处于正常行走状态；在时间约450约490时，首先出现合力加速度低于a0的情况，且持续于450至480之间，然后再出现较为短暂的高出常态(10)数倍的高加速度情况，持续于480至490之间，上述低加速度的情况说明使用者可能是处于摔倒前的跌落过程，该高加速度的情况说明使用者可能是处于摔倒后撞击过程；图示中可明显看出，在摔倒过程中，合力加速度在坐标中所形成的曲线与基准线围成的基准线下的曲线面积大于基准线上的曲线面积。
摔倒检测模型中计算与匹配的方式为：首先由实验和研究确定低加速度阀值a0，当人体运动过程中产生的合力加速度值低于a0时触发开始采集三轴加速度传感器数据到一个固定加速度时间序列l0；同时进行如下计算：计算从采集数据时刻起，基于基准线a0的加速度曲线面积，加速度与基准线a0所围成的面积在基准线上时则取值为正，反之则为负，总的曲线面积为基准线上曲线面积加上基准线下曲线面积(即等同于在两者都取正的情况下基准线上曲线面积与基准线下曲线面积之差)；只要所得曲线面积小于△S，且l0中低于加速度a0的加速度时间之和大于△T，则可以认为这是一次摔倒产生碰撞前的过程。其中△T，△S，a0可以根据用户体重，身高，运动状态(运动量)进行动态调整。
上述是针对加速度进行的人体摔倒检测，本实施例中还可根据加速度和速度进行检测。当检测到的加速度低于低加速度阈值时，首先有一个固定时间区间的加速度和速度序列，该序列的时间长度可以足够包含一次完整的摔倒过程已经摔倒前使用者正常运动的过程。默认使用者初始速度为零，可根据三轴加速度以及时间来计算出某个时刻人体的大概速度。同时固定时间长度的加速度和速度序列可以获得使用者当前的运动强度和状态，据此可以调整摔倒验证的一些相关参数，让模型能更准确的检测出摔倒前的状态。
上述人体摔倒检测的装置20，可以基于智能手机等具有加速度检测及通讯功能的设备，是基于人体安全运动状态与摔倒时运动学和动力学特性的不同，只要用户随身携带装有应用人体摔倒检测的智能手机，应用将自动采集和分析人体动力学信息，判断人体是否摔倒，并使用手机通讯优势进行短信、电话等报警通知。相对于其他需要额外购买和配备的摔倒检测装备来说，使用范围广，价格便宜，携带方便，所以相对实用性较高；关键是充分考虑到了人体的运动行为特点，提高检出率，减少误判率。
参照图12，提出本发明一种移动终端系统40一实施例。该移动终端系统40可包括：信息获取模块29、判定采集模块21、面积计算模块22、摔倒判定模块23以及告警提示模块28。该信息获取模块29，用于通过三轴加速度感应器获取速度信息；该判定采集模块21，用于在检测人体的合力加速度小于低加速度阈值a0时，采集固定时间内的合力加速度序列I0；该面积计算模块22，用于以合力加速度与时间为坐标轴、a0为基准线的二维坐标中，计算I0坐标中的曲线与基准线围成的基准线上、下的曲线面积；该摔倒判定模块23，用于当基准线上的曲线面积与基准线下的曲线面积之差小于曲线面积阈值△S，且基准线下的合力加速度所占时间大于低加速度时间阈值△T时，判定人体摔倒；该告警提示模块28，用于在判定摔倒后，采集人体当前速度序列；在当前速度低于速度阈值超过设定时间时，产生告警提示信息；当告警提示信息被确认或者未被确认超过一定时间，即可通过移动通信组件进行告警。
上述移动终端系统40还可包括：样本收集模块24、分析提取模块25、高加速判断模块27、设置接收模块26以及自学习模块30等。本实施例中的判定采集模块21、面积计算模块22、摔倒判定模块23、样本收集模块24、分析提取模块25、高加速判断模块27、设置接收模块26、告警提示模块28以及自学习模块30具体可如上述实施例中所述。
上述移动终端系统40，可以基于智能手机等具有加速度检测及通讯功能的设备，是基于人体安全运动状态与摔倒时运动学和动力学特性的不同，只要用户随身携带装有应用人体摔倒检测的智能手机，应用将自动采集和分析人体动力学信息，判断人体是否摔倒，并使用手机通讯优势进行短信、电话等报警通知。相对于其他需要额外购买和配备的摔倒检测装备来说，使用范围广，价格便宜，携带方便，所以相对实用性较高；关键是充分考虑到了人体的运动行为特点，提高检出率，减少误判率。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种人体摔倒检测模型建立方法，其特征在于，包括：
采集一个及以上个人体摔倒样本中人体摔倒过程中的速度信息；所述速度信息包括合力加速度、速度以及时间；
分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，建立摔倒检测机制。
2.根据权利要求1所述的人体摔倒检测模型建立方法，其特征在于，所述分析所述速度信息的特征，计算并提取低加速度阈值a0固定时间内的合力加速度序列I0、曲线面积阈值△S以及低加速度时间阈值△T还包括：
将计算并提取的低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T与样本对应的人体状态信息关联；所述人体状态信息包括身高、体重和/或运动状态。
3.根据权利要求1所述的人体摔倒检测模型建立方法，其特征在于，所述建立摔倒检测机制的步骤之后，还包括：
接收人体状态信息的设定，根据设定的人体状态信息调整a0△S和/或△T。
4.根据权利要求1至3中任一项所述的人体摔倒检测模型建立方法，其特征在于，所述方法之后，还包括：
将自身所检测的人体摔倒样本纳入摔倒检测机制中，并将样本的速度信息与人体状态信息关联。
5.一种人体摔倒检测模型系统，其特征在于，包括：
样本收集模块，用于采集一个及以上个人体摔倒样本中人体摔倒过程中的速度信息；所述速度信息包括合力加速度、速度以及时间；
分析提取模块，用于分析所述速度信息的特征，计算并提取低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T，建立摔倒检测机制。
6.根据权利要求5所述的人体摔倒检测模型系统，其特征在于，所述分析提取模块还用于：
将计算并提取的低加速度阈值a0、固定时间内的合力加速度序列I0、高加速度阈值a1、曲线面积阈值△S以及低加速度时间阈值△T与样本对应的人体状态信息关联；所述人体状态信息包括身高、体重和/或运动状态。
7.根据权利要求5所述的人体摔倒检测模型系统，其特征在于，所述系统还包括：
设置接收模块，用于接收人体状态信息的设定，根据设定的人体状态信息调整a0、△S和/或△T。
8.根据权利要求5至7中任一项所述的人体摔倒检测模型系统，其特征在于，所述系统还包括：
自学习模块，用于将自身所检测的人体摔倒样本纳入摔倒检测机制中，并将样本的速度信息与人体状态信息关联。
CN201310469706.8A 2013-09-30 2013-09-30 人体摔倒检测模型建立方法及模型系统 Active CN103577836B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310469706.8A CN103577836B (zh) 2013-09-30 2013-09-30 人体摔倒检测模型建立方法及模型系统
PCT/CN2014/087969 WO2015043542A1 (zh) 2013-09-30 2014-09-30 人体摔倒检测模型建立方法及模型系统
US15/084,512 US10586170B2 (en) 2013-09-30 2016-03-30 Method and system for building a human fall detection model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310469706.8A CN103577836B (zh) 2013-09-30 2013-09-30 人体摔倒检测模型建立方法及模型系统

Publications (2)

Publication Number Publication Date
CN103577836A true CN103577836A (zh) 2014-02-12
CN103577836B CN103577836B (zh) 2018-01-23

Family

ID=50049584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310469706.8A Active CN103577836B (zh) 2013-09-30 2013-09-30 人体摔倒检测模型建立方法及模型系统

Country Status (3)

Country Link
US (1) US10586170B2 (zh)
CN (1) CN103577836B (zh)
WO (1) WO2015043542A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015043546A1 (zh) * 2013-09-30 2015-04-02 胡琨 人体摔倒检测的方法、装置及移动终端系统
WO2015043542A1 (zh) * 2013-09-30 2015-04-02 胡琨 人体摔倒检测模型建立方法及模型系统
CN106407498A (zh) * 2016-08-03 2017-02-15 无锡金世纪国民体质与健康研究有限公司 一种摔倒风险模型的建立方法
WO2017125094A1 (zh) * 2016-01-22 2017-07-27 苏州望湖房地产开发有限公司 一种人体摔倒智能控制系统及其方法
CN108247643A (zh) * 2017-11-29 2018-07-06 白劲实 悬吊式防摔机器人
TWI641522B (zh) * 2017-05-18 2018-11-21 晶翔微系統股份有限公司 減速警示裝置及方法
CN110638459A (zh) * 2019-09-03 2020-01-03 杭州雄芯物联科技有限公司 一种基于加速度传感器的人体运动跌倒检测装置及方法
US11138416B2 (en) 2019-03-22 2021-10-05 Boe Technology Group Co., Ltd. Method and apparatus for recognizing an organism action, server, and storage medium

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201711002A (zh) * 2015-09-14 2017-03-16 Chaoyang Univ Of Tech 應用三軸加速計與時間序列判斷之跌倒偵測方法
US20200105115A1 (en) * 2018-09-28 2020-04-02 Centerpointe Senior Living, Llc System and method for wearable monitor with activity monitoring, fall detection and delegate notification
CN110703241A (zh) * 2019-09-26 2020-01-17 弗徕威智能机器人科技（上海）有限公司 一种基于uwb雷达的人体摔倒检测自适应系统和装置
US10916115B1 (en) * 2019-12-19 2021-02-09 Jeff Daniel Grammer Wearable device adapted for fall detection and transmission of automated notifications for emergency assistance
CN111160179A (zh) * 2019-12-20 2020-05-15 南昌大学 一种基于头部分割和卷积神经网络的摔倒检测方法
CN112056873B (zh) * 2020-09-29 2021-06-04 广州翼安科技有限公司 一种动漫制作用展示设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201387660Y (zh) * 2009-04-28 2010-01-20 中国科学院合肥物质科学研究院 一种人体摔倒自动检测报警系统
CN101711401A (zh) * 2007-04-19 2010-05-19 皇家飞利浦电子股份有限公司 跌倒检测系统
CN102227189A (zh) * 2008-11-28 2011-10-26 皇家飞利浦电子股份有限公司 跌倒检测方法和装置
CN102657533A (zh) * 2012-04-28 2012-09-12 浙江大学城市学院 一种跌倒检测方法、跌倒检测装置和手腕式设备
EP2575113A1 (en) * 2011-09-30 2013-04-03 General Electric Company Method and device for fall detection and a system comprising such device

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090021858A1 (en) * 2007-07-17 2009-01-22 Guoyi Fu Hard Disk Drive Protection System Based on Adaptive Thresholding
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
WO2010126878A1 (en) * 2009-04-27 2010-11-04 Mayo Foundation For Medical Education And Research Fall detection
CA2765782C (en) * 2009-06-24 2018-11-27 The Medical Research, Infrastructure, And Health Services Fund Of The Tel Aviv Medical Center Automated near-fall detector
EP2504825B1 (en) * 2009-11-25 2016-04-20 Koninklijke Philips N.V. Method for estimating velocities and/or displacements from accelerometer measurement samples
CN102610056B (zh) * 2012-03-16 2013-09-04 清华大学 面向手机佩戴方式的跌倒事件检测系统和方法
CN103177530B (zh) * 2013-02-25 2015-07-08 宁波中科集成电路设计中心有限公司 一种基于三轴加速度的人体摔倒检测方法
CN103577836B (zh) * 2013-09-30 2018-01-23 吴家宝 人体摔倒检测模型建立方法及模型系统
CN103581852B (zh) * 2013-09-30 2018-03-06 吴家宝 人体摔倒检测的方法、装置及移动终端系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101711401A (zh) * 2007-04-19 2010-05-19 皇家飞利浦电子股份有限公司 跌倒检测系统
CN102227189A (zh) * 2008-11-28 2011-10-26 皇家飞利浦电子股份有限公司 跌倒检测方法和装置
CN201387660Y (zh) * 2009-04-28 2010-01-20 中国科学院合肥物质科学研究院 一种人体摔倒自动检测报警系统
EP2575113A1 (en) * 2011-09-30 2013-04-03 General Electric Company Method and device for fall detection and a system comprising such device
CN102657533A (zh) * 2012-04-28 2012-09-12 浙江大学城市学院 一种跌倒检测方法、跌倒检测装置和手腕式设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔英辉 等: ""基于三轴加速度传感器的老人摔倒检测"", 《现代电子技术》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015043546A1 (zh) * 2013-09-30 2015-04-02 胡琨 人体摔倒检测的方法、装置及移动终端系统
WO2015043542A1 (zh) * 2013-09-30 2015-04-02 胡琨 人体摔倒检测模型建立方法及模型系统
WO2017125094A1 (zh) * 2016-01-22 2017-07-27 苏州望湖房地产开发有限公司 一种人体摔倒智能控制系统及其方法
US10424180B2 (en) 2016-01-22 2019-09-24 Suzhou Ling Wei Technology Co., Ltd. Body fall smart control system and method therefor
CN106407498A (zh) * 2016-08-03 2017-02-15 无锡金世纪国民体质与健康研究有限公司 一种摔倒风险模型的建立方法
TWI641522B (zh) * 2017-05-18 2018-11-21 晶翔微系統股份有限公司 減速警示裝置及方法
CN108247643A (zh) * 2017-11-29 2018-07-06 白劲实 悬吊式防摔机器人
US11138416B2 (en) 2019-03-22 2021-10-05 Boe Technology Group Co., Ltd. Method and apparatus for recognizing an organism action, server, and storage medium
CN110638459A (zh) * 2019-09-03 2020-01-03 杭州雄芯物联科技有限公司 一种基于加速度传感器的人体运动跌倒检测装置及方法

Also Published As

Publication number Publication date
CN103577836B (zh) 2018-01-23
US10586170B2 (en) 2020-03-10
US20160210562A1 (en) 2016-07-21
WO2015043542A1 (zh) 2015-04-02

Similar Documents

Publication Publication Date Title
CN103581852A (zh) 人体摔倒检测的方法、装置及移动终端系统
CN103577836A (zh) 人体摔倒检测模型建立方法及模型系统
CN103886715B (zh) 一种人体跌倒检测方法
CN205041401U (zh) 设备佩戴检测装置及具有佩戴检测功能的监护装置
CN201691930U (zh) 一种人体运动状态监测装置
CN103646506B (zh) 一种具有语音通信功能的跌倒监测系统
CN102646319B (zh) 生物体跌倒检测装置
CN203898284U (zh) 老年人生活异常检测装置
CN108836324B (zh) 一种基于脑电信号监测的疲劳驾驶预警方法及系统
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
KR101883008B1 (ko) 낙상 예측 또는 감지 장치 및 그를 위한 방법
CN106390420B (zh) 一种运动数据的采集处理系统
Ye et al. A falling detection system with wireless sensor for the elderly people based on ergnomics
CN113963192A (zh) 跌倒检测方法、装置和电子设备
CN111477334A (zh) 目标区域的提醒方法及电子设备
CN105700415A (zh) 一种以脚印检测作为媒介的人流量监测装置及方法
CN204260739U (zh) 心电图的数据质量实时控制系统
CN202025410U (zh) 移动通信报警终端
CN111391753A (zh) 车内生命体检测方法及使用该方法的检测装置、检测系统
Zhen et al. Wearable preimpact fall detector using SVM
CN212280170U (zh) 一种智能鞋垫
CN111626273B (zh) 基于原子性动作时序特性的摔倒行为识别系统及方法
Ye et al. Research of fall detection and alarm applications for the elderly
Doukas et al. Enabling human status awareness in assistive environments based on advanced sound and motion data classification
CN106448051A (zh) 一种适用于高空作业防护的穿戴式生理传感设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Address after: 510000, west two floor, No. 101 Lin Xi Road, Tianhe District, Guangdong, Guangzhou

Applicant after: Wu Jiabao

Applicant after: Yang Song

Address before: 518000 Guangdong Province Sports Center Shenzhen City, Ma Liuzhou Road B 11 storey building

Applicant before: Wu Jiabao

Applicant before: Yang Song

DD01 Delivery of document by public notice

Addressee: Luo Zhiqiang

Document name: Notification of Passing Examination on Formalities

GR01 Patent grant
GR01 Patent grant