CN104473648A - 一种结合生理参数监测的人体摔倒预警和检测方法 - Google Patents
一种结合生理参数监测的人体摔倒预警和检测方法 Download PDFInfo
- Publication number
- CN104473648A CN104473648A CN201410492510.5A CN201410492510A CN104473648A CN 104473648 A CN104473648 A CN 104473648A CN 201410492510 A CN201410492510 A CN 201410492510A CN 104473648 A CN104473648 A CN 104473648A
- Authority
- CN
- China
- Prior art keywords
- human body
- physiological parameter
- data
- training
- physiological
- 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.)
- Pending
Links
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
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Optics & Photonics (AREA)
- Pulmonology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明涉及一种结合生理参数监测的人体摔倒预警和检测方法。本方法首先采用移动手机、平板电脑等设备实时监测人体的生理参数,并进行分析来建立易摔倒模型,从而进行摔倒预警;其次,搭建了人体生理参数和运动数据的同步采集平台,以实现人体生理参数(如血氧饱和度、脉率、脉搏信号强度等)和运动数据(腰部髋骨位置的加速度、躯干瞬时角度)的同步采集。然后,提出结合人体生理参数和运动数据进行摔倒预警与检测模型,通过建立人体易摔倒模型来进行摔倒预警,同时提出了基于SVM的摔倒检测算法来进行摔倒的检测;最后,对采集的数据进行特征提取和缩放,得到相关特征属性,并结合类型信息组成训练集样本。通过对训练集的训练,得到的分类预测模型用于预测未知类型的样本的类别,并将摔倒活动中的特征向量加入训练数据集,用于下一轮的训练。
Description
技术领域
本发明涉及一种结合生理参数监测的人体摔倒预警和检测方法,主要应用于老年人等易摔倒人群中。能够通过摔倒预警、摔倒时检测以及摔倒后健康监护,实现对人体健康的全方位监护。
背景技术
在健康监护中,摔倒检测技术研究是提高老人健康监护水平的关键技术之一。摔倒检测系统的首要任务是实时、准确地监测日常活动数据,并从中提取出有用的特征,采取一定的算法,判断人体是否发生摔倒。然而,以往的系统大多只聚焦在摔倒过程的研究,没有很好地结合摔倒前后的数据信息,没有结合生理参数的变化来推测人体摔倒的倾向程度。对于一些生理疾病患者,其生理状态的变化在一定程度上能够暗示人体健康状态的变化,并可能导致人体的摔倒,通过生理参数实现摔倒预警,并结合摔倒检测,有利于实现全面的健康监护。
由于单独采用加速度特征并无法完全正确地区分摔倒和类似摔倒的活动,如快速坐下,快速蹲下等活动,不可避免会产生误报现象。只采用倾角特征的检测系统由于人体摔倒后,身体姿态变化多样,很难找到一个统一的模型对摔倒后人体所处的姿态进行定义。基于陀螺仪的摔倒检测系统是根据在摔倒过程中角速度是否超过设定阈值来检测摔倒,同样会受到一些因素的干扰,不能很好地测量某些类似摔倒的活动,如在快速蹲下或者快速坐下过程中,也会伴随有一定的身体前倾,如果下蹲速度比较快,也会形成比较大的角速度变化,因此在一定程度上,这种系统也会产生误报。采用加速度和倾角特征的摔倒检测系统没有充分考虑到人体摔倒后的身体姿态的动态变化,因此,只适合摔倒后人体处于静止不动的情况。以上采用的都是基于阈值的摔倒检测方法,不能很好地匹配不同特征的人体。另外,由于人体摔倒后,其脉率会出现一定的变化,因此,为了更好地区分摔倒和类似摔倒的活动,本发明专利结合人体脉率变化特征和人体运动特征的基础上,提出了基于SVM的摔倒检测算法来进行活动的分类,这种检测方法能够很好地匹配不同特征的人体。
发明内容
本发明的目的在于,针对现有的基于阈值的摔倒检测方法和系统不能很好地匹配不同人体以及不能结合生理参数信息进行摔倒预防的问题,提供一种结合人体生理参数监测的人体摔倒和检测方法。这种方法不仅能够通过对人体生理参数的变化和分析,判断人体是否处于易摔倒状态,从而进行摔倒预警,而且能够结合运动信息和生理参数变化信息进行摔倒的检测。同时,与传统的基于阈值的摔倒检测方法相比,本方法在一定程度上能够很好地匹配不同特征的人体。
本发明的构思是:首先,用移动手机、平板等设备实时监测血氧测量仪采集的生理参数,并进行分析来建立易摔倒模型,从而进行摔倒预警;其次,搭建了人体生理参数和运动数据的同步采集平台,以实现人体生理参数(如血氧饱和度、脉率、脉搏信号强度等)和运动数据(腰部髋骨位置的加速度、躯干瞬时角度)的同步采集。然后,对每次活动进行特征提取,得到包含已知样本类型的特征向量,组成训练数据集,并采用训练数据集对未知类型的样本进行预测;最后,得到未知类型的样本的类别列表,并将摔倒活动中的特征向量加入训练数据集,用于下一轮的训练。
基于上述目的及发明构思,本发明是通过以下技术方案实现的:
一种结合生理参数监测的基于SVM的摔倒检测方法,摔倒检测步骤是:
(1) 结合内置蓝牙芯片的血氧仪进行生理参数采集,然后将采集的数据以蓝牙方式传输到手机、平板等可移动设备,并实现生理参数的显示以及波形图的绘制。通过对生理参数的实时监测与分析,建立易摔倒模型,从而进行摔倒预警;
(2)搭建了人体生理参数和运动数据同步采集系统,以实现人体生理参数(如血氧饱和度、脉率、脉搏信号强度等)和运动数据(腰部髋骨位置的加速度、躯干瞬时角度)的同步采集。
(3)对每次活动进行特征提取,得到包含已知样本类型的特征向量,组成训练数据集,并采用SVM对训练数据集中的数据进行训练,得到分类预侧模型;
(4)样本预测。采用步骤(3)得到的分类预侧模型对未知样本的类型进行预侧,得到未知类型样本的类别列表,并将摔倒活动中的特征向量加入训练数据集,用于下一轮的训练。
一种结合生理参数监测的基于SVM的人体摔倒检测方法,首先通过对人体生理参数的实时监测和分析,从而进行摔倒预警;然后采集人体的生理参数和运动数据,并运用基于SVM的摔倒检测算法来区分摔倒和类似摔倒的活动。
上述的数据采集设备可采用上海贝瑞有限公司的Pulse Oximeter和3D System公司研发的运动捕捉系统。
与现有技术相比,本发明具有以下突出特点和显著优点:
本发明提供了一种实时、快速、准确的方法实现易摔倒人群的摔倒检测,可以实时、同步地监测人体的生理参数和运动数据,并通过对生理参数的分析,实现人体的摔倒预警。通过结合生理参数和运动数据,能够实现在摔倒前识别人体是否即将发生摔倒,从而有利于采取措施避免摔倒的发生或降低摔倒带来的伤害。另外,结合脉率变化特征和人体运动特征,并采用基于SVM的摔倒检测算法来区分摔倒和类似摔倒的活动,这种方法能够很好地匹配不同特征的人体,并且能够提高摔倒判断的精确度。同时,通过对摔倒后人体的生理参数进行监测,能够方便我们及时评估人体的健康状态,并可以将摔倒后人体的生理参数传输到远程,以供专业人员进一步诊断和分析。通过摔倒前预警、摔倒时检测和摔倒后健康监护,从而对人体健康进行全方位的监护。
附图说明
图1 所示为结合血氧饱和度监测仪和移动手机设备搭建的可移动生理参数监测平台示意图;
图2 是基于SVM的摔倒检测算法流程图;
图3 是生理参数和运动数据同步采集程序流程图;
图4(a)是用于易摔倒状态判断的生理参数模型,图4(b)是用于摔倒检测的加速度和瞬时角度模型。
具体实施方式
下面结合附图和实施例对本发明做进一步说明:
实施例一:
参见图1~图4,本结合生理参数监测的人体摔倒预警和检测方法,构建了一种结合人体生理特征和运动特征的摔倒预警和检测模型,人体的运动特征包括加速度和肢体瞬时角度特征,生理特征包括脉率、血氧饱和度和脉搏信号强度;具体操作步骤如下:
1)数据采集和摔倒预警:通过搭建同步数据采集系统,采集人体的生理参数和运动数据,得到原始样本集合 ;通过对人体生理参数的监测和分析,建立易摔倒模型,判断人体是否处于易摔倒状态,从而通过预警避免或者减少摔倒的发生,得到包含活动类型信息的原始数据样本;
2)特征提取:从步骤1)得到的生理数据中提取出脉率变化特征,从运动数据中提取出腰部髋骨位置点的加速度特征——加速度、竖直加速度最大值、竖直方向加速度最小值,以及肢体瞬时角度特征——躯干与大腿形成的夹角和大腿与小腿形成的夹角;然后,将这些特征集合在一起,组成特征向量,并对向量中的每个特征进行缩放,从而得到包含类别标签的训练集;
3)样本训练:利用交叉验证得到的最优的训练参数C和γ,对训练集中的样本进行训练,得到分类预侧模型,从而用于区分摔倒和类似摔倒的活动;
4)样本预测:将新采集的数据进行特征提取和缩放后,得到未知类型的新的样本,然后采用步骤3)得到的分类预侧模型来预测此未知样本的类型;如果检测到摔倒发生,则把摔倒发生时得到的样本数据进行缩放后,加入到训练数据集中,用于训练出新的模型,从而使这种方法具有一定的自学习的能力。
实施例二:
本实施例与实施例一基本相同,特别之处是:所述步骤1)建立易摔倒模型是:首先,结合内置蓝牙芯片的血氧仪进行生理参数采集;然后将采集的数据以蓝牙方式传输到手机或平板可移动设备,并实现生理参数的显示以及波形图的绘制。通过对生理参数的实时监测与分析,建立易摔倒模型;判断人体是否处于易摔倒状态,从而可通过预警减少或者避免摔倒的发生。所述生理参数采集是:结合运动捕捉系统和可移动生理参数监测平台,搭建了人体生理参数和运动数据同步采集平台,能够实时、同步地采集人体的生理参数——血氧饱和度、脉率、脉搏信号强度等,以及运动数据——腰部髋骨位置的加速度和躯干瞬时角度;结合生理参数和运动数据判断人体的状态,从而实现根据人体状态采取相应的救助措施。
实施例三:
参见图1为本实施例的生理参数移动监测平台示意图。该监测平台由血氧饱和度仪和移动手机、平板等设设备组成,其中1为蓝牙功能模块的血氧饱和度测量仪模块;2为移动手机、平板设备;3为远程监控中心服务器端;4表示远程移动终端。血氧饱和度仪采集的生理参数能够以蓝牙的方式传输到手机端,然后在手机端进行数据处理、显示以及脉搏波形图的绘制,以及传输到远程监控中心进行进一步的诊断。其目的是为了充分利用移动设备的功能(如报警和数据传输功能),不需单独开发复杂的设备来进行摔倒的检测。
下面约束条件为摔倒预警模型,通过实时监测人体的生理参数并对其进行分析,从而用于人体易摔倒状态的判断。
其中,表示人体血氧饱和度值,表示人体脉率值,表示脉搏波形特征量。表示血氧饱和度阈值(此处取90%);表示脉率上限阈值(此处取120次/min);表示脉率下限阈值(此处取50次/min);表示脉搏波形特征量阈值(此处取0.5)。
当以上四个条件满足其中之一时,即认为人体处于易摔倒状态。
[0013] 参见图2说明摔倒检测算法的步骤是:
(1)利用搭建的如图3所示的数据同步采集平台进行数据采集,并得到每一时刻的人体生理参数和运动数据,进而得到原始样本数据;
(2)特征提取,从原始样本数据中提取出所需要的特征属性(如合加速度最大值、Z轴方向加速度最大值和最小值、肢体瞬时角度和以及人体脉率变化信息),并与样本所表示的活动类型一起组成原始训练样本。经过数据缩放后,得到包含类别标签的训练数据集()。然后利用进行交叉验证,寻找最优的C和γ。
(3)样本训练。利用交叉验证得到的最优的训练参数C和γ,并对样本进行训练,得到分类预侧模型,从而用于区分摔倒和类似摔倒的活动;
(4)样本预测。采用得到的分类预测模型,预测未知样本的类型。如果检测到摔倒发生,则把摔倒发生时得到的样本数据进行缩放后,加入到训练数据集中,用于训练出新的模型,从而使这种方法具有一定的自学习的能力。
参见图3所示为生理参数和运动数据同步采集流程图。平台由以下几个部分构成:运动捕捉系统、可移动生理参数监测平台、PC平台等,其中1表示Raptor-4红外摄像机镜头,2 表示腰部标记点,3表示脉搏血氧饱和度测量仪,4表示用于实时监测生理参数变化的手机移动设备平台,5表示USB接口的蓝牙模块(可插在PC上用于接收以蓝牙信号发来的数据),6表示个人PC或工作站, 7表示中继器,用于收集各个摄像头采集到的数据信息,并将其通过交叉线8传输到个人PC端,9表示用于相机供电和数据传输用线缆。
在PC上,能够利用运动捕捉系统的SDK和蓝牙模块的SDK,实现人体生理参数和运动数据的同步采集程序。其中,运动数据是以有线的方式,通过RJ45网口传输到PC端,由血氧仪采集的生理参数是以蓝牙的形式传输到个人PC端,从而得到统一时刻的人体混合数据(包含生理参数和运动数据)。人体生理参数主要包括血压、血氧饱和度、脉率以及脉搏信号强度等,人体运动数据主要包括人体关键点合加速度、竖直方向加速度最大值和最小值,以及合加速度值最大时,肢体的瞬时角度数据。
参见图4为摔倒实时检测的加速度和肢体瞬时角度模型。加速度模型如图4(a)所示,采取人体腰部髋骨位置的合加速度和竖直方向加速度最大值与最小值,图4 (b)所示为摔倒检测角度模型,其中角度是指瞬时角度,即加速度最大值时所对应的肢体角度,由躯干与大腿的角度、大腿与小腿的夹角组成,并且在不同的活动中,瞬时角度变化的范围也不同。其中表示腰部关键点的加速度达到最大值时,人体躯干与大腿的夹角;表示腰部关键点的加速度达到最大值时,大腿与小腿的夹角。图(b)所示为大腿和小腿夹角的简化模型图,其中向量和向量分别表示由膝盖至腰部方向的向量和由膝盖至小腿方向的向量。向量用来表示,向量用来表示,那么肢体夹角可用点乘形式表示为,
(4-3)
同理,也可以得到的角度。因此,结合摔倒过程中的生理参数变化信息,一个摔倒活动所必须包含的条件有:
(4-4)
其中,和表示合加速度最大值及其阈值;和表示竖直方向加速度最大值及其阈值;和表示竖直方向加速度最小值及其阈值;和分别表示不同摔倒类型中躯干与大腿的夹角、大腿与小腿的夹角; 表示在摔倒过程中的脉率变化量,表示摔倒过程中脉率变化量的阈值。i 表示活动类型,其中 i=1,表示向前摔倒;i=2,表示向后摔倒;i=3,表示侧向摔倒;i=4,表示快速坐下;i=5,表示快速蹲下;、、和表示每次活动对应的身体瞬时角度范围。
Claims (3)
1.一种结合生理参数监测的人体摔倒预警和检测方法,其特征在于:构建一种结合人体生理特征和运动特征的摔倒预警和检测模型,人体的运动特征包括加速度和肢体瞬时角度特征,生理特征包括脉率、血氧饱和度和脉搏信号强度;具体操作步骤如下:
1)数据采集和摔倒预警:通过搭建同步数据采集系统,采集人体的生理参数和运动数据,得到原始样本集合 ;通过对人体生理参数的监测和分析,建立易摔倒模型,判断人体是否处于易摔倒状态,从而通过预警避免或者减少摔倒的发生,得到包含活动类型信息的原始数据样本;
2)特征提取:从步骤1)得到的生理数据中提取出脉率变化特征,从运动数据中提取出腰部髋骨位置点的加速度特征——加速度、竖直加速度最大值、竖直方向加速度最小值,以及肢体瞬时角度特征——躯干与大腿形成的夹角和大腿与小腿形成的夹角;然后,将这些特征集合在一起,组成特征向量,并对向量中的每个特征进行缩放,从而得到包含类别标签的训练集;
3)样本训练:利用交叉验证得到的最优的训练参数C和γ,对训练集中的样本进行训练,得到分类预侧模型,从而用于区分摔倒和类似摔倒的活动;
4)样本预测:将新采集的数据进行特征提取和缩放后,得到未知类型的新的样本,然后采用步骤3)得到的分类预侧模型来预测此未知样本的类型;如果检测到摔倒发生,则把摔倒发生时得到的样本数据进行缩放后,加入到训练数据集中,用于训练出新的模型,从而使这种方法具有一定的自学习的能力。
2.根据权利要求1所述的一种结合生理参数监测的人体摔倒预警和检测方法,其特征在于:所述步骤1)建立易摔倒模型是:首先,结合内置蓝牙芯片的血氧仪进行生理参数采集;然后将采集的数据以蓝牙方式传输到手机或平板可移动设备,并实现生理参数的显示以及波形图的绘制;通过对生理参数的实时监测与分析,建立易摔倒模型;判断人体是否处于易摔倒状态,从而可通过预警减少或者避免摔倒的发生。
3.根据权利要求2所述的一种结合生理参数监测的人体摔倒预警和检测方法,其特征在于:所述生理参数采集是:结合运动捕捉系统和可移动生理参数监测平台,搭建了人体生理参数和运动数据同步采集平台,能够实时、同步地采集人体的生理参数——血氧饱和度、脉率、脉搏信号强度等,以及运动数据——腰部髋骨位置的加速度和躯干瞬时角度;结合生理参数和运动数据判断人体的状态,从而实现根据人体状态采取相应的救助措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410492510.5A CN104473648A (zh) | 2014-09-24 | 2014-09-24 | 一种结合生理参数监测的人体摔倒预警和检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410492510.5A CN104473648A (zh) | 2014-09-24 | 2014-09-24 | 一种结合生理参数监测的人体摔倒预警和检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104473648A true CN104473648A (zh) | 2015-04-01 |
Family
ID=52748358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410492510.5A Pending CN104473648A (zh) | 2014-09-24 | 2014-09-24 | 一种结合生理参数监测的人体摔倒预警和检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104473648A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930906A (zh) * | 2016-04-15 | 2016-09-07 | 上海大学 | 一种基于特征加权和改进贝叶斯算法的摔倒检测方法 |
CN110811577A (zh) * | 2019-11-18 | 2020-02-21 | 长春大学 | 一种人体呼吸系统的模拟装置 |
CN111507361A (zh) * | 2019-01-30 | 2020-08-07 | 富士通株式会社 | 基于微波雷达的动作识别装置、方法及系统 |
CN111693024A (zh) * | 2020-06-11 | 2020-09-22 | 秦奕天 | 一种基于九轴惯性测量单元可穿戴人体传感监测设备 |
CN112180359A (zh) * | 2020-11-03 | 2021-01-05 | 常州百芝龙智慧科技有限公司 | 一种基于fmcw的人体摔倒的检测方法 |
CN112842297A (zh) * | 2020-12-16 | 2021-05-28 | 大连医科大学附属第一医院 | 信号处理方法、装置、计算机设备和存储介质 |
CN116439694A (zh) * | 2023-06-14 | 2023-07-18 | 深圳市魔样科技有限公司 | 基于运动模型训练的智能手表动态数据监测方法 |
CN116509343A (zh) * | 2023-04-13 | 2023-08-01 | 中国人民解放军空军特色医学中心 | 一种飞行员呼救方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030153836A1 (en) * | 2000-05-05 | 2003-08-14 | Claude Gagnadre | Device and method for detecting abnormal situations |
CN101742981A (zh) * | 2007-02-16 | 2010-06-16 | 希盟(中国)科技有限公司 | 佩戴式微型智能健康监护系统及其监护方法 |
US20110148630A1 (en) * | 2009-12-21 | 2011-06-23 | Electronics And Telecommunications Research Institute | Apparatus and method for sensing photoplethysmogram and fall |
CN103970271A (zh) * | 2014-04-04 | 2014-08-06 | 浙江大学 | 融合运动和生理传感数据的日常活动识别方法 |
-
2014
- 2014-09-24 CN CN201410492510.5A patent/CN104473648A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030153836A1 (en) * | 2000-05-05 | 2003-08-14 | Claude Gagnadre | Device and method for detecting abnormal situations |
CN101742981A (zh) * | 2007-02-16 | 2010-06-16 | 希盟(中国)科技有限公司 | 佩戴式微型智能健康监护系统及其监护方法 |
US20110148630A1 (en) * | 2009-12-21 | 2011-06-23 | Electronics And Telecommunications Research Institute | Apparatus and method for sensing photoplethysmogram and fall |
CN103970271A (zh) * | 2014-04-04 | 2014-08-06 | 浙江大学 | 融合运动和生理传感数据的日常活动识别方法 |
Non-Patent Citations (2)
Title |
---|
LI MIN ET AL: "A mobile fall alert platform for the elderly based on physiological monitoring and fall tendency modeling", 《2014 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION(ICIA)》, 30 July 2014 (2014-07-30) * |
XIANGCUN WANG ET AL: "A novel modeling approach to fall detection and experimental validation using motion capture system", 《2013 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS(ROBIO)》, 14 December 2013 (2013-12-14) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930906A (zh) * | 2016-04-15 | 2016-09-07 | 上海大学 | 一种基于特征加权和改进贝叶斯算法的摔倒检测方法 |
CN111507361A (zh) * | 2019-01-30 | 2020-08-07 | 富士通株式会社 | 基于微波雷达的动作识别装置、方法及系统 |
CN111507361B (zh) * | 2019-01-30 | 2023-11-21 | 富士通株式会社 | 基于微波雷达的动作识别装置、方法及系统 |
CN110811577B (zh) * | 2019-11-18 | 2022-08-09 | 长春大学 | 一种人体呼吸系统的模拟装置 |
CN110811577A (zh) * | 2019-11-18 | 2020-02-21 | 长春大学 | 一种人体呼吸系统的模拟装置 |
CN111693024A (zh) * | 2020-06-11 | 2020-09-22 | 秦奕天 | 一种基于九轴惯性测量单元可穿戴人体传感监测设备 |
CN112180359A (zh) * | 2020-11-03 | 2021-01-05 | 常州百芝龙智慧科技有限公司 | 一种基于fmcw的人体摔倒的检测方法 |
CN112180359B (zh) * | 2020-11-03 | 2024-04-05 | 常州百芝龙智慧科技有限公司 | 一种基于fmcw的人体摔倒的检测方法 |
CN112842297A (zh) * | 2020-12-16 | 2021-05-28 | 大连医科大学附属第一医院 | 信号处理方法、装置、计算机设备和存储介质 |
CN112842297B (zh) * | 2020-12-16 | 2024-05-14 | 大连医科大学附属第一医院 | 信号处理方法、装置、计算机设备和存储介质 |
CN116509343A (zh) * | 2023-04-13 | 2023-08-01 | 中国人民解放军空军特色医学中心 | 一种飞行员呼救方法 |
CN116439694A (zh) * | 2023-06-14 | 2023-07-18 | 深圳市魔样科技有限公司 | 基于运动模型训练的智能手表动态数据监测方法 |
CN116439694B (zh) * | 2023-06-14 | 2023-08-15 | 深圳市魔样科技有限公司 | 基于运动模型训练的智能手表动态数据监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104473648A (zh) | 一种结合生理参数监测的人体摔倒预警和检测方法 | |
CN109815907B (zh) | 一种基于计算机视觉技术的仰卧起坐姿态检测与指导方法 | |
Hester et al. | Using wearable sensors to measure motor abilities following stroke | |
CN103584919B (zh) | 多模态生物信号同步检测系统及方法 | |
Rosenberger et al. | Estimating activity and sedentary behavior from an accelerometer on the hip or wrist | |
CN107007263B (zh) | 一种普适化的睡眠质量测评方法和系统 | |
CN103927851B (zh) | 一种个人化多阈值跌倒检测方法及系统 | |
CN106388771B (zh) | 一种自动检测人体生理状态的方法及运动手环 | |
CN109480787A (zh) | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 | |
CN108717668A (zh) | 一种奶牛行为与生理特征物联网系统及其工作方法 | |
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 | |
CN104757968A (zh) | 儿童失神性癫痫发作情况的中间数据统计评价方法 | |
CN108514421A (zh) | 提升混合现实与日常健康监测的方法 | |
US20120059283A1 (en) | System for evaluating infant movement | |
CN105181998A (zh) | 一种检测投篮时手臂的semg与动作轨迹的方法 | |
CN206499449U (zh) | 一种脉搏波采集手环 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
CN107943271A (zh) | 运动数据检测方法、装置及系统 | |
CN103727954A (zh) | 一种计步器 | |
CN105982643A (zh) | 睡眠事件检测方法与系统 | |
Delay et al. | Non invasive wearable device for fetal movement detection | |
CN108717872A (zh) | 基于面部、手部识别和大数据的健康分析方法及系统 | |
CN106901689A (zh) | 基于实物交互的认知和运动功能检测系统及数据处理方法 | |
CN114998986A (zh) | 基于计算机视觉的引体向上动作规范智能识别方法及系统 | |
CN109558824B (zh) | 一种基于人员图像识别的健身动作监测与分析系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150401 |