CN103927851A - 一种个人化多阈值跌倒检测方法及系统 - Google Patents
一种个人化多阈值跌倒检测方法及系统 Download PDFInfo
- Publication number
- CN103927851A CN103927851A CN201410135670.4A CN201410135670A CN103927851A CN 103927851 A CN103927851 A CN 103927851A CN 201410135670 A CN201410135670 A CN 201410135670A CN 103927851 A CN103927851 A CN 103927851A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- experiment user
- human body
- experiment
- individualized
- 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
Links
Abstract
本发明提供一种个人化多阈值跌倒检测方法,包括:提取指定动作下不同分组群体的第一加速度数据阈值集和实验用户个人的第二加速度数据阈值,获取个人化加速度跌倒检测阈值;实时采集实验用户个人的加速度数据,计算加速度变化参数和人体与地面所呈实时夹角;判断预跌倒行为是否发生,若否,则重新执行该步骤;若是,则跟踪检测人体行为,并在预设时间段内检测人体是否处于稳定状态;若否,继续检测人体是否处于稳定状态,若是,根据人体与地面所呈实时夹角判断人体姿态是否处于躺状态;若是,表示跌倒,输出跌倒报警。本发明解决了由于用户个体差异引起的阈值偏差,减少了误报、漏报现象,提高跌倒检测的精确度,满足人体跌倒检测的高精度要求。
Description
技术领域
本发明生物医学信号处理技术领域,涉及一种跌倒检测方法及系统,特别是涉及一种人化多阈值跌倒检测方法及系统。
背景技术
根据世界疾病控制与预防组织统计,全世界每年约有三分之一的超过65岁的老年人曾发生跌倒,然而发生跌倒的危险随着年龄的增加而增多,约有50%-80%的80岁及以上老年人经受跌倒的风险。跌倒是老人中常见的严重事故之一,它的发生常伴随着严重的后果,例如:再次跌倒的恐惧感,骨折,更为严重的会导致死亡,这些不仅加重了家庭的医药开销,更加重了医疗机构的负担。目前,我国已经进入老龄化阶段,独居老人逐渐增多,空巢现象也越来越明显。为了应对老龄化加速发展状况及跌倒带来的严重后果,实时、便携、高精度的跌倒检测方法能够有效的降低跌倒检测带来的危害。
目前,国内外已经有很多类似对跌倒检测的研究,其中基于三轴加速度传感器的跌倒检测方法中,从信号处理方法的角度进行分类,可以分为,基于阈值的跌倒检测方法及基于模型的跌倒检测方法。其中基于模型的跌倒检测方法通常利用机器学习的相关算法,离线训练分类模型,并利用提取的模型区分正常行为和跌倒行为。例如,专利CN201110180341.8采用窗口方法截取用户行为数据,并利用训练的基于高斯观测密度的HMM模型对截取的窗口数据进行规整、提取出用户行为数据的特征向量作为测试样本,最后结合离线训练获得识别支持向量机模型和加权K近邻算法双重模型实现跌倒检测的识别。基于模型的方法通常采用离线的方式进行处理,这就导致基于模型的跌倒检测方法很难应用到实际当中去。即使离线获得分类模型,这种方法往往需要大量的存储空间,并且功耗也成为了一个重要的限制。现有的基于阈值的跌倒检测方法通过对比用户行为过程中数据及预先设定参数阈值实现跌倒检测。例如,专利CN200880012293.8通过比较合加速度及设定阈值大小来判断用户跌倒。为了进一步减少误警率,该发明进一步检测跌倒检测设备的自由落体运动、设备的旋转及设备与人体的紧邻程度。专利CN201210586385.5通过分析采集到的跌倒数据,将跌倒过程划分为4个阶段,竖直站立阶段、跌倒前期的下落阶段、跌倒过程中碰撞阶段及跌倒后平躺并近静止阶段,其中下落和碰撞阶段是利用加速度阈值实现。并结合通过角度分析的站立和平躺阶段,实现跌倒行为的识别。专利CN200910145045.7通过设定阈值对比判断跌倒冲击的发生,并结合所受冲击和冲击前后倾斜角度实现最终人体跌倒的判断。此外,采用基于阈值方法的跌倒检测的相关专利申请还包括:CN200720125141.1、CN201210133447.7、CN200910021227.3、CN201210580907.0、CN201310227768.8等。这些跌倒检测方法通常采用人为设定的阈值的方法实现基于阈值的跌倒检测算法,但由于个别个人的动作幅度会有所偏差,加之噪声的影响,跌倒检测的精确度难以保证。所以,虽然现有的跌倒检测方法很多,但都不能很好的满足跌倒检测的高精确度的要求。
因此,如何提供一种实时、便携、高精度的跌倒检测方法,以克服现有技术中无法准确获取人体跌倒的信息、不能够滤除大量的由于个体差异引起的误报、漏报而造成无法满足人体跌倒检测的高精度要求的问题,是医疗卫生领域和IT领域一个亟待解决的课题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种个人化多阈值跌倒检测方法及系统,用于解决现有技术中的跌倒检测方法及系统无法准确获取人体跌倒的信息、不能够滤除大量的由于个体差异引起的误报、漏报而造成无法满足人体跌倒检测的高精度要求的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种个人化多阈值跌倒检测方法,包括:步骤一,令实验用户个人完成指定动作,在完成指定动作的过程中采集所述实验用户个人的指定动作加速度数据;提取预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值集和实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值,并获取个人化加速度跌倒检测阈值;步骤二,实时采集实验用户个人的实时加速度数据,并根据实时加速度数据计算加速度变化参数和人体与地面所呈实时夹角;步骤三,判断实验用户个人的预跌倒行为是否发生,若是,则执行下一步;若否,则重新执行该步骤;步骤四,实时跟踪实验用户个人的人体行为,并在预设时间段内检测实验用户个人是否处于稳定状态,若是,则执行下一步;若否,则重新执行该步骤;步骤五,根据人体与地面所呈实时夹角判断实验用户个人的人体姿态是否处于躺状态;若是,则表示实验用户个人发生跌倒,输出跌倒报警,若否,则返回步骤三。
优选地,所述跌倒检测方法还包括预处理预存储不同分组群体的指定动作加速度数据集及实验用户个人的加速度数据;其中,所述预处理包括数据滤波、空缺值填补、及错误值修正;群体根据年龄段或性别分组。
优选地,所述步骤一中所提取到的第一加速度数据阈值集是利用数学分析方法从预存储不同分组群体的指定动作加速度数据集中提取到的。
优选地,所述第二加速度数据阈值是利用数学分析方法根据采集到的实验用户个人的指定动作加速度数据及根据实验用户个人的属性信息映射分组群体中所得到的第一加速度数据阈值进一步提取到的。
优选地,获取个人化加速度跌倒检测阈值的步骤包括通过对所属群体的第一加速度数据阈值和第二加速度数据阈值的进行微处理获取个人化加速度跌倒检测阈值。
优选地,所述步骤三还包括根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生,若实验用户个人的实时加速度数据大于等于个人化加速度跌倒检测阈值,则表示预跌倒行为发生;若实验用户个人的实时加速度数据小于个人化加速度跌倒检测阈值,则表示预跌倒行为未发生。
优选地,所述步骤四还包括在预设时间段内根据加速度变化参数与预定加速度变化阈值判断实验用户个人是否处于稳定状态,若加速度变化参数大于预定加速度变化阈值,则表示检测到实验用户个人不处于稳定状态;若加速度变化参数小于等于预定加速度变化阈值,则表示检测到实验用户个人趋于稳定状态。
优选地,所述步骤五还包括根据实验用户人员与地面所呈实时夹角与预定夹角阈值判断实验用户个人的人体姿态是否处于躺状态,若实验用户人员与地面所呈实时夹角小于预定夹角阈值,则表示人体姿态为处于躺状态,认为实验用户人员发生跌倒;若实验用户人员与地面所呈实时夹角大于预定夹角阈值,则表示实验用户人员已经恢复成站立,返回所述步骤三。
本发明另一方面还提供一种个人化多阈值跌倒检测系统,包括:采集模块,用于实验用户个人在完成指定动作的过程中采集所述实验用户个人加速度数据;及在实验用户个人完成指定动作后实时采集实验用户个人实时加速度数据;提取模块,与所述采集模块连接,用于提取预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值集和实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值;计算模块,与所述采集模块和提取模块连接,用于根据第一加速度数据阈值集和第二加速度数据阈值计算获取个人加速度跌倒检测阈值,并根据实时加速度数据计算加速度变化参数和人体与地面所呈实时夹角;检测模块,与所述提取模块连接,用于判断实验用户个人的预跌倒行为是否发生,若否,则重新判断实验用户个人的预跌倒行为是否发生;若是,则实时跟踪检测实验用户个人的人体行为,并在预设时间内判断实验用户个人是否处于稳定状态;若否,继续跟踪检测人体是否处于稳定状态,若是,判断人体姿态是否处于躺状态;根据人体与地面所呈实时夹角判断人体姿态是否处于躺状态;若是,表示实验用户个人跌倒,输出跌倒报警,若否,则重新判断实验用户个人的预跌倒行为是否发生。
优选地,所述检测模块还用于根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生,若实验用户个人的实时加速度数据大于等于个人化加速度跌倒检测阈值,则表示预跌倒行为发生;若实验用户个人的实时加速度数据小于个人化加速度跌倒检测阈值,则表示预跌倒行为未发生。
优选地,所述检测模块还用于根据加速度变化参数与预定加速度变化阈值实时跟踪实验用户个人的人体行为,并在预设时间段内根据加速度变化参数与预定角速度变化阈值判断实验用户个人是否处于稳定状态,若在预设时间段内加速度变化参数均小于等于预定加速度变化阈值,则表示实验用户个人处于稳定状态;若在预设时间段内加速度变化参数存在大于预定加速度变化阈值情况,则表示实验用户个人的个人仍处于不稳定状态,需继续监测并判断实验用户个人是否处于稳定状态。
优选地,所述检测模块还用于根据人员与地面所呈实时夹角与预定夹角阈值判断实验用户个人的人体姿态是否处于躺状态,若实验用户人员与地面所呈实时夹角小于预定夹角阈值,则表示人体姿态为处于躺状态,认为实验用户人员发生跌倒;若实验用户人员与地面所呈实时夹角大于预定夹角阈值,则表示实验用户人员已经恢复成站立,重新判断预跌倒行为是否发生。
如上所述,本发明的个人化多阈值跌倒检测方法及系统,具有以下有益效果:
1、本发明解决了由于用户个体差异引起的阈值偏差,进一步减少了误报、漏报现象。
2、本发明结合人体行为的实时跟踪及人体姿态的综合判断,进一步提高了跌倒检测的精确度,满足了人体跌倒检测的高精度要求。
3、本发明所述个人化多阈值跌倒检测方法及系统可以使用户携带基于单个三轴加速度传感器的设备,不需要任何其他外部设备,即可实现低成本、便携、实时的跌倒检测。
附图说明
图1显示为本发明的个人化多阈值跌倒检测方法流程图。
图2显示为本发明的个人化多阈值跌倒检测方法中步骤S2的具体流程图。
图3显示为本发明的个人化多阈值跌倒检测系统原理结构示意图。
元件标号说明
1 个人化多阈值跌倒检测系统
11 采集模块
12 提取模块
13 计算模块
14 检测模块
15 报警模块
141 第一检测单元
142 第二检测单元
143 第三检测单元
S1~S7 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明经过实验数据表明,人体的运动剧烈程度可以用加速度的幅度值进行数值量化,当人体发生跌倒行为时,加速度表现为剧增。因此针对人体跌倒时产生的碰撞,可以利用加速度阈值的方法来区分。然而个人习惯有所不同,导致提取的加速度阈值并不能普适于所有用户。通过提取分组群体加速度阈值及用户个人加速度阈值,并利用数学方法对提取的阈值进行微调处理,能够很好的解决由于个人习惯造成的阈值偏差。人体跌倒后,如果没有进入昏迷状体,均会采取各种人体恢复等自救措施,最终达到恢复稳定的状态。因此本发明通过对人体行为的实时跟踪及对人体姿态检测,实现最终的跌倒判断。
实施例一
本实施例提供一种个人化多阈值跌倒检测方法,请参阅图1,显示为个人化多阈值跌倒检测方法流程图,所述个人化多阈值跌倒检测方法包括:
S1,令实验用户个人完成指定动作,在完成指定动作的过程中采集所述实验用户个人的指定动作加速度数据集。在执行步骤S1之前,需要对进行实验的人体根据个人的属性信息,例如,年龄段或性别,划分成不同分组群体。实验用户个人的指定动作主要是日常生活动作,包括站立,走,坐,捡东西,躺下,走-坐,走-躺,蹲-站,爬楼梯
S2,提取预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值集和实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值,获取个人化加速度跌倒检测阈值。预先存储的不同分组群体的指定动作的加速度数据集中的指定动作包括S1中所述的日常生活动作及跌倒动作。请参阅图2,显示为步骤S2的具体流程图,步骤S2包括:
S21,预处理预先存储不同分组群体的指定动作加速度数据,并计算获取指定动作中每个日常生活动作所对应的加速度数据峰值用于后续第二加速度数据阈值的提取。预处理指定动作加速度数据包括数据滤波、空缺值填补、及数据错误值修正。
S22,利用数学分析方法,提取预处理后的预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值。所述数学分析方法包括置信区间数序分析方法或支持向量机数学分析方法。此外,能够提取阈值的数学分析方法还存在很多种,在本发明提取第一加速度数据阈值集的数学分析方法并非仅限于上述的数学分析方法。
S23,预处理所采集到的实验用户个人的指定动作加速度数据,并计算获取指定动作中每个动作对应的加速度数据峰值。预处理实验用户个人的指定动作加速度数据包括数据滤波、空缺值填补、及数据错误值修正。
S24,利用数学分析方法根据采集到的实验用户个人的指定动作加速度数据和实验用户个人的属性信息(年龄段或性别)映射到所属分组群体中所得到的第一加速度数据阈值,进一步提取预处理后的实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值。所述数学分析方法包括正比例函数的数学分析方法,其中实验用户个人的第二加速度数据阈值与其所在分组的第一加速度阈值成比例,比例系数为实验用户个人采集指定动作中每个动作对应的加速度数据峰值平均与其所在分组群体中指定动作中每个动作所对应的加速度数据峰值平均的商。所述数学分析方法包括置信区间数序分析方法或支持向量机数学分析方法。
S25,通过对所述第一加速度数据阈值和第二加速度数据阈值的进行微处理获取个人化加速度跌倒检测阈值。在本实施例中,所述微处理是指加权算法。
S3,在完成采集所述实验用户个人的指定动作加速度数据集和提取加速度数据阈值后,实时采集实验用户个人的加速度数据,并根据实时加速度数据计算角速度变化参数和人体与地面所呈实时夹角。所述加速度变化参数包括加速度变化速率、角度变化等变化参数,在本实施例中,所述加速度变化参数选择加速度变化速率。
S4,根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生,若实验用户个人的实时加速度数据大于等于个人化加速度跌倒检测阈值,则表示预跌倒行为发生;若实验用户个人的实时加速度数据小于个人化加速度跌倒检测阈值,则表示预跌倒行为未发生。当实验用户个人预跌倒行为发生时,则执行下一步骤S5;若实验用户个人预跌倒行为未发生时,则重新执行该步骤。
S5,实时跟踪检测实验用户个人的人体行为,并在预设时间段内根据加速度变化参数与预定加速度变化阈值判断实验用户个人是否处于稳定状态,若在预设时间段内加速度变化参数均小于等于预定加速度变化阈值,则表示实验用户个人已处于稳定状态,继续执行步骤S6;若在预设时间段内加速度变化参数存在大于预定加速度变化阈值情况,则表示实验用户个人仍处于未稳定状态,需重新在下一个预设时间段内根据加速度变化参数与预定加速度变化阈值判断实验用户个人是否处于稳定状态。在本实施例中,所述加速度变化参数采用加速度变化速率,所述预定加速度变化速率阈值为0.35g,所述预设时间段可以采用6s。
S6,根据实验用户人员与地面所呈实时夹角与预定夹角阈值判断实验用户个人的人体姿态是否处于躺状态,若实验用户人员与地面所呈实时夹角小于预定夹角阈值,则表示人体姿态为处于躺状态,认为实验用户人员发生跌倒,执行步骤S7输出跌倒报警指令;若实验用户人员与地面所呈实时夹角大于预定夹角阈值,则表示实验用户人员已经恢复成站立,返回步骤S4根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生。本实施例中,所述预定夹角阈值选取45度。
S7,发现实验用户人员发生跌倒并报警,结束进程。
本实施例提供的个人化多阈值跌倒检测方法通过采集不同分组群体的指定动作加速度数据和实验用户个人的指定动作加速度数据和实时加速度数据,结合微调处理的方法确定个人化加速度跌倒检测阈值,解决了由于用户个体差异引起的阈值偏差,进一步减少了误报、漏报现象。于此同时,本实施例还结合人体行为的实时跟踪及人体姿态的综合判断,进一步提高了跌倒检测的精确度,满足了人体跌倒检测的高精度要求。
实施例二
本实施例提供一种个人化多阈值跌倒检测系统,请参阅图3,显示为个人化多阈值跌倒检测系统原理结构图,所述跌倒检测系统1包括:采集模块11、提取模块12、计算模块13、检测模块14、及报警模块15。在本实施例中,所述跌倒检测系统可以采用一种跌倒检测器,所述跌倒检测器佩戴在用户个人的腰部。
所述采集模块11用于令实验用户个人完成指定动作,在完成指定动作的过程中采集所述实验用户个人的指定动作加速度数据集。在本实施例中,所述采集模块11可以为三轴加速度传感器,所述三轴加速度传感器以固定的采样频率实时连续采样并存储用户个人的加速度数据。在执行步骤S1之前,需要对进行实验的人体根据个人的属性信息,例如,年龄段或性别,划分成不同分组群体。实验用户个人的指定动作主要是日常生活动作,包括站立,走,坐,捡东西,躺下,走-坐,走-躺,蹲-站,爬楼梯。
所述提取模块12与所述采集模块11连接,用于提取预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值集和实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值,获取个人化加速度跌倒检测阈值。所述提取模块12还用于预处理预先存储不同分组群体的指定动作加速度数据,并计算获取指定动作中每个日常生活动作所对应的加速度数据峰值用于后续第二加速度数据阈值的提取;预先存储的不同分组群体的指定动作的加速度数据集中指定动作包括上述实验用户个人指定动作中的日常生活动作,及跌倒动作;预处理指定动作加速度数据包括数据滤波、空缺值填补、及数据错误值修正;利用数学分析方法,提取预处理后的预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值。所述数学分析方法包括置信区间数序分析方法或支持向量机数学分析方法。此外,能够提取阈值的数学分析方法还存在很多种,在本发明提取第一加速度数据阈值集的数学分析方法并非仅限于上述的数学分析方法。所述提取模块12还用于预处理所采集到的实验用户个人的指定动作加速度数据,并计算获取指定动作中每个日常生活动作所对应的加速度数据峰值用于后续第二加速度数据阈值的提取,预处理实验用户个人的指定动作加速度数据包括数据滤波、空缺值填补、及数据错误值修正;利用数学分析方法结合提取的第一加速度阈值集中根据实验用户个人的属性信息(年龄段或性别)映射所得到的第一加速度数据阈值,提取预处理后的实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值。所述数学分析方法包括正比例函数的数学分析方法,其中实验用户个人的第二加速度数据阈值与其所在分组的第一加速度阈值成比例,比例系数为实验用户个人采集动作中每个动作对应的加速度数据峰值平均与其所在分组中指定动作中每个日常生活动作所对应的加速度数据峰值平均的商。通过对所述第一加速度数据阈值和第二加速度数据阈值的进行微处理获取个人化加速度跌倒检测阈值。在本实施例中,所述微处理是指加权算法。
所述计算模块13与所述采集模块11和提取模块12连接,用于在完成采集所述实验用户个人的指定动作加速度数据集和提取加速度数据阈值后,实时采集实验用户个人的加速度数据,并根据实时加速度数据计算角速度变化参数和人体与地面所呈实时夹角。在本实施例中,所述加速度变化参数选择加速度变化速率。
所述检测模块14与所述提取模块12和计算模块13连接,用于判断实验用户个人的预跌倒行为是否发生,若否,则重新判断实验用户个人的预跌倒行为是否发生;若是,则实时跟踪检测实验用户个人的人体行为,并在预设时间内判断实验用户个人是否处于稳定状态;若否,继续检测人体是否处于稳定状态,若是,判断人体姿态是否处于躺状态;根据人体与地面所呈实时夹角判断人体姿态是否处于躺状态;若是,表示实验用户个人跌倒,输出跌倒报警,若否,则重新判断实验用户个人的预跌倒行为是否发生。
其中,所述检测模块14包括第一检测单元141,第二检测单元142,及第四检测单元143。其中,所述第一检测单元141用于根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生,若实验用户个人的实时加速度数据大于等于个人化加速度跌倒检测阈值,则表示预跌倒行为发生;若实验用户个人的实时加速度数据小于个人化加速度跌倒检测阈值,则表示预跌倒行为未发生。当实验用户个人预跌倒行为发生时,则调用第二检测单元142;若实验用户个人预跌倒行为未发生时,则重新驱动所述第一检测单元141。
所述第二检测单元142用于实时跟踪检测实验用户个人的人体行为,并在预设时间段内根据加速度变化参数与预定加速度变化阈值判断实验用户个人是否处于稳定状态,若在预设时间段内加速度变化参数均小于等于预定加速度变化阈值,则表示实验用户个人已处于稳定状态,调用第三检测单元143;若在预设时间段内加速度变化参数存在大于预定加速度变化阈值情况,则表示实验用户个人仍处于不稳定状态,需重新在下一个预设时间段内根据加速度变化参数与预定加速度变化阈值判断实验用户个人是否处于稳定状态。在本实施例中,所述加速度变化参数采用加速度变化速率,所述预定加速度变化阈值为0.35g,所述预设时间段可以采用6s。
所述第三检测单元143用于根据实验用户人员与地面所呈实时夹角与预定夹角阈值判断实验用户个人的人体姿态是否处于躺状态,若实验用户人员与地面所呈实时夹角小于预定夹角阈值,则表示人体姿态为处于躺状态,认为实验用户人员发生跌倒,输出报警指令;若实验用户人员与地面所呈实时夹角大于预定夹角阈值,则表示实验用户人员已经恢复成站立姿态,返回去调用第一检测单元141重新根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生。本实施例中,所述预定夹角阈值选取45度。
所述报警模块15与所述检测模块14连接,用于发现实验用户人员发生跌倒并报警。
综上所述,本发明所述个人化多阈值跌倒检测方法及系统通过采集不同分组群体和实验用户个人的实时加速度数据,结合微调处理的方法确定个人化加速度跌倒检测阈值,解决了由于用户个体差异引起的阈值偏差,进一步减少了误报、漏报现象。于此同时,本实施例还结合人体行为的实时跟踪及人体姿态的综合判断,进一步提高了跌倒检测的精确度,满足了人体跌倒检测的高精度要求。本发明所述个人化多阈值跌倒检测方法及系统可以使用户携带基于单个三轴加速度传感器的设备,不需要任何其他外部设备,即可实现低成本、便携、实时的跌倒检测。
所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种个人化多阈值跌倒检测方法,其特征在于,包括:
步骤一,令实验用户个人完成指定动作,在完成指定动作的过程中采集所述实验用户个人的指定动作加速度数据;提取预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值集和实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值,并获取个人化加速度跌倒检测阈值;
步骤二,实时采集实验用户个人的实时加速度数据,并根据实时加速度数据计算加速度变化参数和人体与地面所呈实时夹角;
步骤三,判断实验用户个人的预跌倒行为是否发生,若是,则执行下一步;若否,则重新执行该步骤;
步骤四,实时跟踪实验用户个人的人体行为,并在预设时间段内检测实验用户个人是否处于稳定状态,若是,则执行下一步;若否,则重新执行该步骤;
步骤五,根据人体与地面所呈实时夹角判断实验用户个人的人体姿态是否处于躺状态;若是,则表示实验用户个人发生跌倒,输出跌倒报警,若否,则返回步骤三。
2.根据权利要求1所述的个人化多阈值跌倒检测方法,其特征在于:所述跌倒检测方法还包括预处理预存储不同分组群体的指定动作加速度数据集及实验用户个人的加速度数据;其中,所述预处理包括数据滤波、空缺值填补、及错误值修正;群体根据年龄段或性别分组。
3.根据权利要求1所述的个人化多阈值跌倒检测方法,其特征在于:所述步骤一中所提取到的第一加速度数据阈值集是利用数学分析方法从预存储不同分组群体的指定动作加速度数据集中提取到的。
4.根据权利要求1所述的个人化多阈值跌倒检测方法,其特征在于:所述第二加速度数据阈值是利用数学分析方法根据采集到的实验用户个人的指定动作加速度数据及根据实验用户个人的属性信息映射分组群体中所得到的第一加速度数据阈值进一步提取到的。
5.根据权利要求1所述的个人化多阈值跌倒检测方法,其特征在于:获取个人化加速度跌倒检测阈值的步骤包括通过对所属群体的第一加速度数据阈值和第二加速度数据阈值的进行微处理获取个人化加速度跌倒检测阈值。
6.根据权利要求1所述的个人化多阈值跌倒检测方法,其特征在于:所述步骤三还包括根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生,若实验用户个人的实时加速度数据大于等于个人化加速度跌倒检测阈值,则表示预跌倒行为发生;若实验用户个人的实时加速度数据小于个人化加速度跌倒检测阈值,则表示预跌倒行为未发生。
7.根据权利要求1所述的个人化多阈值跌倒检测方法,其特征在于:所述步骤四还包括在预设时间段内根据加速度变化参数与预定加速度变化阈值判断实验用户个人是否处于稳定状态,若加速度变化参数大于预定加速度变化阈值,则表示检测到实验用户个人不处于稳定状态;若加速度变化参数小于等于预定加速度变化阈值,则表示检测到实验用户个人趋于稳定状态。
8.根据权利要求1所述的个人化多阈值跌倒检测方法,其特征在于:所述步骤五还包括根据实验用户人员与地面所呈实时夹角与预定夹角阈值判断实验用户个人的人体姿态是否处于躺状态,若实验用户人员与地面所呈实时夹角小于预定夹角阈值,则表示人体姿态为处于躺状态,认为实验用户人员发生跌倒;若实验用户人员与地面所呈实时夹角大于预定夹角阈值,则表示实验用户人员已经恢复成站立,返回所述步骤三。
9.一种个人化多阈值跌倒检测系统,其特征在于,包括:
采集模块,用于实验用户个人在完成指定动作的过程中采集所述实验用户个人加速度数据;及在实验用户个人完成指定动作后实时采集实验用户个人实时加速度数据;
提取模块,与所述采集模块连接,用于提取预先存储不同分组群体的指定动作加速度数据集所对应的第一加速度数据阈值集和实验用户个人的指定动作加速度数据所对应的第二加速度数据阈值;
计算模块,与所述采集模块和提取模块连接,用于根据第一加速度数据阈值集和第二加速度数据阈值计算获取个人加速度跌倒检测阈值,并根据实时加速度数据计算加速度变化参数和人体与地面所呈实时夹角;
检测模块,与所述提取模块连接,用于判断实验用户个人的预跌倒行为是否发生,若否,则重新判断实验用户个人的预跌倒行为是否发生;若是,则实时跟踪检测实验用户个人的人体行为,并在预设时间内判断实验用户个人是否处于稳定状态;若否,继续跟踪检测人体是否处于稳定状态,若是,判断人体姿态是否处于躺状态;根据人体与地面所呈实时夹角判断人体姿态是否处于躺状态;若是,表示实验用户个人跌倒,输出跌倒报警,若否,则重新判断实验用户个人的预跌倒行为是否发生。
10.根据权利要求9所述的个人化多阈值跌倒检测系统,其特征在于:所述检测模块还用于根据实验用户个人的实时加速度数据和个人化加速度跌倒检测阈值判断实验用户个人的预跌倒行为是否发生,若实验用户个人的实时加速度数据大于等于个人化加速度跌倒检测阈值,则表示预跌倒行为发生;若实验用户个人的实时加速度数据小于个人化加速度跌倒检测阈值,则表示预跌倒行为未发生。
11.根据权利要求9所述的个人化多阈值跌倒检测系统,其特征在于:所述检测模块还用于根据加速度变化参数与预定加速度变化阈值实时跟踪实验用户个人的人体行为,并在预设时间段内根据加速度变化参数与预定角速度变化阈值判断实验用户个人是否处于稳定状态,若在预设时间段内加速度变化参数均小于等于预定加速度变化阈值,则表示实验用户个人处于稳定状态;若在预设时间段内加速度变化参数存在大于预定加速度变化阈值情况,则表示实验用户个人的个人仍处于不稳定状态,需继续监测并判断实验用户个人是否处于稳定状态。
12.根据权利要求9所述的个人化多阈值跌倒检测系统,其特征在于:所述检测模块还用于根据人员与地面所呈实时夹角与预定夹角阈值判断实验用户个人的人体姿态是否处于躺状态,若实验用户人员与地面所呈实时夹角小于预定夹角阈值,则表示人体姿态为处于躺状态,认为实验用户人员发生跌倒;若实验用户人员与地面所呈实时夹角大于预定夹角阈值,则表示实验用户人员已经恢复成站立,重新判断预跌倒行为是否发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410135670.4A CN103927851B (zh) | 2014-04-04 | 2014-04-04 | 一种个人化多阈值跌倒检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410135670.4A CN103927851B (zh) | 2014-04-04 | 2014-04-04 | 一种个人化多阈值跌倒检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927851A true CN103927851A (zh) | 2014-07-16 |
CN103927851B CN103927851B (zh) | 2016-06-29 |
Family
ID=51146060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410135670.4A Expired - Fee Related CN103927851B (zh) | 2014-04-04 | 2014-04-04 | 一种个人化多阈值跌倒检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927851B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227999A (zh) * | 2016-07-16 | 2016-12-14 | 北京工业大学 | 一种高适应性跌倒行为检测方法 |
CN106384481A (zh) * | 2016-11-01 | 2017-02-08 | 西安培华学院 | 一种带摔倒姿态判断的远程互联急救报警装置 |
CN106600898A (zh) * | 2017-01-17 | 2017-04-26 | 腾讯数码(天津)有限公司 | 一种安全预警方法、装置及终端 |
CN107346599A (zh) * | 2017-07-12 | 2017-11-14 | 长沙学院 | 一种跌倒报警装置 |
CN109862831A (zh) * | 2016-10-07 | 2019-06-07 | 松下知识产权经营株式会社 | 认知功能评价装置、认知功能评价方法以及程序 |
CN109938739A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 一种颈椎监测装置 |
CN109991896A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 机器人跌倒预判的方法、装置及存储装置 |
CN110246300A (zh) * | 2018-03-07 | 2019-09-17 | 深圳市智听科技有限公司 | 助听器的数据处理方法、装置 |
CN112150780A (zh) * | 2020-08-17 | 2020-12-29 | 来邦养老科技有限公司 | 一种报警阈值修正方法、装置及存储介质 |
CN114601452A (zh) * | 2022-02-21 | 2022-06-10 | 青岛大学 | 一种人体跌倒检测方法、系统、介质、设备及终端 |
CN116448965A (zh) * | 2023-06-14 | 2023-07-18 | 四川省分析测试服务中心 | 一种有限空间内的多参数有毒有害气体检测系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
CN102610056A (zh) * | 2012-03-16 | 2012-07-25 | 清华大学 | 面向手机佩戴方式的跌倒事件检测系统和方法 |
US20130113620A1 (en) * | 2011-11-09 | 2013-05-09 | Draeger Safety Uk Limited | Monitoring apparatus |
CN202939773U (zh) * | 2012-11-07 | 2013-05-15 | 中南大学 | 基于加速度和高度信息的人体跌倒监测装置 |
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
CN103377541A (zh) * | 2013-07-16 | 2013-10-30 | 中国科学院深圳先进技术研究院 | 人体防跌倒预警及干预方法和系统 |
US20140009283A1 (en) * | 2002-05-08 | 2014-01-09 | Resource Consortium Limited | Method and system for remotely monitoring a user |
CN103606248A (zh) * | 2013-09-30 | 2014-02-26 | 广州市香港科大霍英东研究院 | 一种人体摔倒自动检测方法及系统 |
US20140074504A1 (en) * | 2003-12-16 | 2014-03-13 | Healthsense, Inc. | Activity monitoring |
-
2014
- 2014-04-04 CN CN201410135670.4A patent/CN103927851B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140009283A1 (en) * | 2002-05-08 | 2014-01-09 | Resource Consortium Limited | Method and system for remotely monitoring a user |
US20140074504A1 (en) * | 2003-12-16 | 2014-03-13 | Healthsense, Inc. | Activity monitoring |
CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
US20130113620A1 (en) * | 2011-11-09 | 2013-05-09 | Draeger Safety Uk Limited | Monitoring apparatus |
CN102610056A (zh) * | 2012-03-16 | 2012-07-25 | 清华大学 | 面向手机佩戴方式的跌倒事件检测系统和方法 |
CN202939773U (zh) * | 2012-11-07 | 2013-05-15 | 中南大学 | 基于加速度和高度信息的人体跌倒监测装置 |
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
CN103377541A (zh) * | 2013-07-16 | 2013-10-30 | 中国科学院深圳先进技术研究院 | 人体防跌倒预警及干预方法和系统 |
CN103606248A (zh) * | 2013-09-30 | 2014-02-26 | 广州市香港科大霍英东研究院 | 一种人体摔倒自动检测方法及系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227999B (zh) * | 2016-07-16 | 2018-10-09 | 北京工业大学 | 一种高适应性跌倒行为检测方法 |
CN106227999A (zh) * | 2016-07-16 | 2016-12-14 | 北京工业大学 | 一种高适应性跌倒行为检测方法 |
CN109862831B (zh) * | 2016-10-07 | 2022-03-04 | 松下知识产权经营株式会社 | 认知功能评价装置、认知功能评价方法以及程序记录介质 |
CN109862831A (zh) * | 2016-10-07 | 2019-06-07 | 松下知识产权经营株式会社 | 认知功能评价装置、认知功能评价方法以及程序 |
CN106384481A (zh) * | 2016-11-01 | 2017-02-08 | 西安培华学院 | 一种带摔倒姿态判断的远程互联急救报警装置 |
CN106600898A (zh) * | 2017-01-17 | 2017-04-26 | 腾讯数码(天津)有限公司 | 一种安全预警方法、装置及终端 |
CN107346599A (zh) * | 2017-07-12 | 2017-11-14 | 长沙学院 | 一种跌倒报警装置 |
CN109938739A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 一种颈椎监测装置 |
CN109938739B (zh) * | 2017-12-20 | 2022-07-12 | 深圳先进技术研究院 | 一种颈椎监测装置 |
CN109991896A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 机器人跌倒预判的方法、装置及存储装置 |
CN110246300A (zh) * | 2018-03-07 | 2019-09-17 | 深圳市智听科技有限公司 | 助听器的数据处理方法、装置 |
CN112150780A (zh) * | 2020-08-17 | 2020-12-29 | 来邦养老科技有限公司 | 一种报警阈值修正方法、装置及存储介质 |
CN114601452A (zh) * | 2022-02-21 | 2022-06-10 | 青岛大学 | 一种人体跌倒检测方法、系统、介质、设备及终端 |
CN116448965A (zh) * | 2023-06-14 | 2023-07-18 | 四川省分析测试服务中心 | 一种有限空间内的多参数有毒有害气体检测系统及方法 |
CN116448965B (zh) * | 2023-06-14 | 2023-09-01 | 四川省分析测试服务中心 | 一种有限空间内的多参数有毒有害气体检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927851B (zh) | 2016-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927851A (zh) | 一种个人化多阈值跌倒检测方法及系统 | |
CN105496416B (zh) | 一种人体运动状态的识别方法和装置 | |
CN104406603B (zh) | 一种基于加速度传感器的计步方法和装置 | |
CN102610056B (zh) | 面向手机佩戴方式的跌倒事件检测系统和方法 | |
CN104361321B (zh) | 一种判断老年人摔倒行为及身体平衡能力的方法 | |
CN109166275A (zh) | 一种基于加速度传感器的人体跌倒检测方法 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN103530978A (zh) | 一种面向特殊人群的危险感知与报警系统 | |
Guo et al. | A threshold-based algorithm of fall detection using a wearable device with tri-axial accelerometer and gyroscope | |
Huynh et al. | Fall detection system using combination accelerometer and gyroscope | |
Zhu et al. | A survey of fall detection algorithm for elderly health monitoring | |
CN103886715A (zh) | 一种人体跌倒检测方法 | |
CN106334307A (zh) | 一种游泳监测方法 | |
Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
CN104821061A (zh) | 一种可穿戴跌倒预警系统及其使用方法 | |
Peng et al. | Design and development of the fall detection system based on point cloud | |
CN103177530B (zh) | 一种基于三轴加速度的人体摔倒检测方法 | |
CN103637782A (zh) | 一种基于智能终端的人体健康监控系统及方法 | |
CN106344034A (zh) | 一种睡眠质量评估系统及其方法 | |
CN206197948U (zh) | 量化检测帕金森运动症状的可穿戴智能设备 | |
CN104586402A (zh) | 一种人体活动的特征提取方法 | |
CN105771224B (zh) | 一种基于多传感器的运动评估系统 | |
Ren et al. | Low-power fall detection in home-based environments | |
CN107146378A (zh) | 一种人体跌倒判定方法及装置 | |
CN103632133B (zh) | 人体姿态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 Termination date: 20210404 |