CN105051799A - 用于检测跌倒的方法和跌倒检测器 - Google Patents

Abstract

本发明提供一种检测用户跌倒的方法，所述方法包括：从所述用户的运动测量结果检测用户是否已经潜在地经历了跌倒事件；在检测潜在的跌倒事件时，确定与所述潜在的跌倒事件相关联的所述用户的活动水平和用于所述用户的自主神经系统ANS响应的量度；对所确定的活动水平和所述ANS响应的量度与涉及活动水平和用于用户的ANS响应的用户简档进行比较；以及基于所述比较结果确定所述潜在的跌倒事件是否是跌倒。

Description

用于检测跌倒的方法和跌倒检测器

技术领域

本发明涉及一种用于检测用户的跌倒的方法以及一种实施所述方法的跌倒检测器，并且具体涉及一种用于检测跌倒的方法以及一种提供增加的跌倒检测可靠性的跌倒检测器。

背景技术

跌倒每年影响数百万人并导致显著的伤害，特别是在老年人当中。事实上，已经估计跌倒是老年人死亡的前三位原因之一。跌倒被定义为身体到地面的突然的、不受控制且无意识的向下位移，其后跟随有撞击，在撞击之后，身体停留在地面上。

个人帮助按钮(PHB)是可用的，其要求用户在紧急情况下按下按钮来召唤帮助。然而，如果用户遭受严重的跌倒(例如如果它们被击昏)，则用户可能不能按下按钮，这可能意味着在显著的时间段中没有帮助到达，特别是在用户独自居住的情况下。

跌倒检测器也是可用的，其处理一个或多个移动传感器的输出以确定用户是否已经遭受跌倒。大多数现有的身体佩戴的跌倒检测器使用加速度计(通常是以三维来测量加速度的加速度计)，所述跌倒检测器设法通过处理由加速度计所产生的时间系列来推断跌倒的发生。一些跌倒检测器还能够包括空气压力传感器，例如在WO2004/114245中所描述的。当检测到跌倒时，由跌倒检测器触发警报。

一些跌倒检测器被设计为作为围绕用户颈部的坠饰来佩戴，而另一些被设计为佩戴在用户的躯干或四肢上，例如在腕部处。然而，腕部能够具有复杂的移动样式并具有大的移动范围，这意味着，基于分析来自加速度计的测量结果的现有跌倒检测方法在使这种类型的跌倒检测器的误警报的数量最小化的同时不提供足够高的检测率。

文章“Anewapproachtoimprovethefalldetectioninelderly:monitoringoftheautonomicnervoussystemactivation”(R.Nocua、N.Noury、C.Gehin、A.Dittmar和E.McAdams著，WC2009，IFMBEProceedings25/VII，681-684页，2009年)提出，跌倒在用户的自主神经系统中产生能测量的响应，并且皮肤电阻和心率的测量结果能够被用于对用户是否已经跌倒进行分类。

发明内容

然而，已经发现，由于诸如心率和皮肤电阻的生理特性对应力或身体活动水平增加的响应是高度用户特异性的，因此使用心率和皮肤电阻的测量结果的对自主神经系统对跌倒的响应的评估仍然不提供可接受的误警报率。

因此，需要一种检测跌倒的方法，所述方法使用能够指示自主神经系统响应(有时具体是交感神经系统响应)的测量结果并提供降低的误警报率。

因此，根据本发明的第一方面，提供了一种检测用户的跌倒的方法，所述方法包括：根据所述用户的移动的测量结果来检测用户是否已经潜在地经历了跌倒事件；在检测到潜在的跌倒事件时，确定与所述潜在的跌倒事件相关联的所述用户的活动水平和所述用户的自主神经系统ANS响应的量度；将所确定的活动水平和所述ANS响应的所述量度与涉及所述用户的活动水平和ANS响应的用户简档进行比较；并且基于所述比较的结果来确定所述潜在的跌倒事件是否是跌倒。

在一些实施例中，所述的将所确定的活动水平和所述ANS响应的所述量度与用户简档进行比较的步骤包括使用所述简档来确定所述用户具有所确定的活动水平和ANS响应的量度的可能性，并且其中，所述确定所述潜在的跌倒事件是否是跌倒的步骤使用所确定的可能性。

在一些实施例中，所述用户简档涉及所述用户的典型活动水平和典型ANS响应，并且其中，所述确定所述潜在的跌倒事件是否是跌倒的步骤包括在所确定的可能性低于阈值的情况下确定所述潜在的跌倒事件是跌倒，并且在所确定的可能性高于阈值的情况下确定所述潜在的跌倒事件不是跌倒。

在一些实施例中，在确定了所述潜在的跌倒事件是跌倒但后续接收到跌倒事件不是跌倒的指示的事件中，所述方法还包括调节所述阈值的值的步骤。所述跌倒事件不是跌倒的指示可以是所述用户对所述跌倒检测器的输入或者从与所述跌倒检测器相关联的远程计算机接收到的信号。

所述用户简档能够是活动水平和ANS响应的联合概率分布。

所述方法还能够包括通过以下来确定涉及所述用户的活动水平和ANS响应的所述用户简档的步骤：(i)针对多个时间段来获取所述用户的所述活动水平和ANS响应的测量结果对；以及(ii)根据所获取的测量结果对来确定所述用户的活动水平和ANS响应的联合分布。

所述确定涉及所述用户的活动水平和ANS响应的所述用户简档的步骤可以包括确定涉及所述用户的活动水平和ANS响应的多个用户简档，其中，每个简档涉及针对一天期间特定时间段的所述活动水平和ANS响应。

所述确定涉及所述用户的活动水平和ANS响应的所述用户简档的步骤可以包括根据测得的所述用户的活动水平来获取所述用户的活动水平和ANS响应的测量结果对的步骤。

所述获取所述用户的所述活动水平和ANS响应的测量结果对的步骤可以包括丢弃针对在其中检测到所述用户的潜在的跌倒的时间段获取的任何测量结果对。

所述获取所述用户的所述活动水平和ANS响应的测量结果对的步骤还可以包括丢弃测得的ANS响应不与交感神经系统SNS响应相对应的任何测量结果对。

联合分布能够是联合概率密度函数或联合概率质量函数。

在一些实施例中，所述确定所述活动水平和ANS响应的量度的步骤包括根据所述用户的移动的测量结果来确定所述活动水平和/或ANS响应的所述量度。

在其他实施例中，所述确定所述活动水平和所述ANS响应的量度的步骤包括根据所述用户的移动的测量结果来确定所述活动水平，并且通过生理特性传感器根据所述用户的生理特性的测量结果来确定ANS响应的所述量度。

优选地，所述ANS响应的量度是以下中的一个或多个：皮肤温度、皮肤传导率、心率和所述用户的任何其他心脏相关特性。

此外，能够根据是否也测量到心率的升高、血管的收缩、以及汗液分泌的增加和/或活化来将所述ANS响应分类为SNS响应。

在优选实施例中，所述检测用户是否已经潜在地经历了跌倒事件的步骤包括测量所述用户的移动以及分析所述用户的移动的测量结果来识别与跌倒相关联的一个或多个特性。

优选地，所述与跌倒相关联的一个或多个特性选自：(ⅰ)高度变化、(ⅱ)撞击、(ⅲ)自由落体、(ⅳ)从直立到水平的取向变化、以及(v)不活动的时间段。

根据本发明的第二方面，提供了一种包括嵌入其中的计算机可读代码的计算机程序产品，所述计算机可读代码被配置为在由适合的计算机或处理器运行时，使得所述计算机或处理器执行如上所描述的方法。

根据本发明的第三方面，提供了一种用于检测用户的跌倒的跌倒检测器，所述跌倒检测器包括：移动传感器，其用于测量所述用户的所述移动；以及处理器，其被配置为：根据来自所述传感器的所述用户的移动的测量结果来检测所述用户是否已经潜在地经历了跌倒事件；当检测到潜在的跌倒事件时，确定与所述潜在的跌倒事件相关联的所述用户的活动水平和所述用户的自主神经系统ANS响应的量度；将所确定的活动水平和所述ANS响应的所述量度与涉及所述用户的活动水平和ANS响应的简档进行比较；并且基于所述比较的结果来确定所述潜在的跌倒事件是否是跌倒。

在一些实施例中，所述处理器被配置为将所确定的活动水平和所述ANS响应的量度与用户简档进行比较，以确定所述用户具有所确定的活动水平和ANS响应的量度的可能性，并使用所确定的可能性来确定所述潜在的跌倒事件是否是跌倒。

在所述用户简档涉及所述用户的典型活动水平和典型ANS响应的一些实施例中，所述处理器被配置为在所确定的可能性低于阈值的情况下确定所述潜在的跌倒事件是跌倒，并且在所确定的可能性高于阈值的情况下确定所述潜在的跌倒事件不是跌倒。

在一些实施例中，所述处理器还被配置为通过以下来确定涉及所述用户的活动水平和ANS响应的所述用户简档：(i)针对多个时间段来确定所述用户的所述活动水平和ANS响应的测量结果对；以及(ii)根据所获取的测量结果对来确定所述用户的活动水平和ANS响应的联合分布。

在一些实施例中，所述处理器还被配置为确定涉及所述用户的活动水平和ANS响应的多个用户简档，其中，每个简档涉及针对在一天期间特定时间段的所述活动水平和ANS响应。

所述处理器能够被配置为丢弃在其中所述处理器检测到所述用户的潜在的跌倒的时间段期间所获取的所述用户的所述活动水平和ANS响应的测量结果对。

在一些实施例中，所述处理器被配置为根据所述用户的移动的测量结果来确定所述活动水平和ANS响应的量度。

在备选实施例中，所述跌倒检测器还包括生理特性传感器，所述生理特性传感器用于测量所述用户的生理特性；并且其中，所述处理器被配置为根据所述用户的移动的测量结果来确定所述活动水平并通过所述生理特性传感器根据所述生理特性的测量结果来确定所述ANS响应的度量。

优选地，所述ANS响应的量度是以下中的一个或多个：皮肤温度、皮肤传导率、心率及所述用户的任何其他心脏相关的特性。

优选地，所述处理器被配置为通过分析所述用户的移动的测量结果识别与跌倒相关联的一个或多个特性来确定用户是否已经潜在地经历了跌倒事件。

优选地，所述与跌倒相关联的一个或多个特性选自：(ⅰ)高度变化、(ⅱ)撞击、(ⅲ)自由落体、(ⅳ)从直立到水平的取向变化、以及(v)不活动的时间段。

附图说明

现在仅通过范例参考附图对本发明的示范性实施例进行描述，其中：

图1是根据本发明的跌倒检测器的方框图；

图2是图示了来自光学体积描记传感器的示范性信号的图表；

图3是图示了生成用户训练简档的方法的流程图；

图4是图示了根据本发明的实施例的检测跌倒的方法的流程图；并且

图5是心率和活动水平的示范性联合分布的等值线图。

具体实施方式

如以上在背景技术部分中描述的，已经发现，基于对来自腕部佩戴的跌倒检测器中的移动传感器的测量结果进行分析的现有的跌倒检测方法在限制由于腕部的移动的误警报的数量的同时不提供足够高的检测率，所述腕部的移动发生在本文中所称的“日常生活活动”(ADL)中，所述“日常生活活动”是在与用户的跌倒没有关系的诸如走、坐等日常活动期间发生的用户腕部的典型移动。

已知当人突然跌倒时，跌倒的过程，即从失去平衡到与地面冲击以及(可能的)无力在跌倒后爬起来的过程，导致用户的ANS中的响应，所述响应能够作为所受到的应力的结果而被测量为用户的皮肤传导率、皮肤温度和/或心率的变化。然而，单独根据对移动传感器测量结果的分析可能呈现为跌倒的移动，例如坐下或故意“跌倒”在椅子上，将不会引起这种应力响应。

因此，对作为自主神经系统响应的指示的诸如心率和皮肤传导率的生理特性的测量结果使用能够帮助过滤掉这些误跌倒检测中的一些，这是因为例如心率的显著变化能够常常围绕跌倒事件出现，所述跌倒事件由于跌倒期间的身体的“飞行-或-打架”响应，或者由于得到的创伤。

然而，(例如)心率是高度用户相关的量度，并且休息和升高的心率水平能够取决于若干因素，例如人的健康、健身水平以及年龄等。具有较好的训练的用户(例如装配工)倾向于在高水平的身体活动期间具有比具有较差的训练的用户更低的心率，所述具有较差的训练的用户针对类似的活动具有更高的心率。

因此，本发明提供了用于使用指示自主神经系统(ANS)响应的生理特性的测量结果来检测跌倒的经改进的技术。具体而言，本发明提供了建立表示用户的总体状况的用户的简档，所述简档将日常活动水平联系到ANS响应的量度(或多个量度)，并且然后，当检测到潜在的跌倒事件时(例如检测到气候跟随有冲击的自由落体)，将当前活动水平和ANS响应的(一个或多个)量度与简档进行比较，以便确定该事件是否是跌倒或者其是否是“ADL”，即非跌倒。

图1中示出了根据本发明的实施例的跌倒检测器2。在本发明的优选实施例中，跌倒检测器2被设计为由用户佩戴在他们的腕部上，监管应当意识到本发明不限于此用途，并且作为替代跌倒检测器2能够被设计为佩戴在用户的腰处、在他们的胸或背上，作为围绕他们的脖颈的坠饰或在他们的口袋中携带。

在该示范性实施例中，跌倒检测器2包括两个移动传感器——加速度计4和压力传感器6，它们被连接到处理器8。处理器8接收来自移动传感器4、6的测量结果，并且处理该测量结果以确定跌倒探测器2的用户是否可能已经遭受了跌倒。虽然在本实施例中示出了两个移动传感器，但是应当理解，根据备选实施例的跌倒检测器可以仅包括一个移动传感器(例如只有加速度计4，而压力传感器6被省略)。在又一实施例中，跌倒检测器2能够包括除了压力传感器6之外的或替代压力传感器6的陀螺仪和/或(一个或多个)肌电图(EMG)传感器。

跌倒检测器2还包括发射器单元10，如果检测到跌倒，则所述发射器单元10允许跌倒检测器2向与跌倒检测器2相关联的基站(其随后能够发出警报或从健康护理提供者或紧急服务召唤帮助)发射警报信号，或直接向远程站(例如被定位在健康护理提供者的呼叫中心)发射警报信号，使得能够为用户召唤协助。在一些实施例中，跌倒检测器2中的处理器8可以不对来自传感器4、6的数据运行算法来确定用户是否可能已经跌倒；作为替代，处理器8和发射器单元10可以向基站提供来自传感器4、6的原始数据，并且基站中的处理器能够对来自传感器4、6的数据运行算法来确定用户是否可能已经跌倒。

跌倒检测器2还包括被连接到处理器8的存储器模块14，所述存储器模块14能够存储来自移动传感器4、6的测量数据、用于由处理器8使用的计算机可读代码和/或用于用户训练简档的数据，一下对此进行更详细的描述。

应当理解，存储器模块14可以只存储最新的测量数据，并且也可以使用发射器单元10将该测量数据发射到经由基站或在基站上的远程服务器以用于存储。

跌倒检测器2还包括用于测量用户的一个或多个生理特性的一个或多个传感器16。生理特性能够包括以下中的任一项：皮肤温度、皮肤传导率、心率、其他心脏相关特性或者能够指示用户的自主神经系统对事件的响应的任何的其他生理特性。

在传感器16测量皮肤传导率的腕部佩戴的跌倒检测器2中，传感器16优选地被布置为在用户的腕部的掌侧上接触用户的皮肤。在一些实施例中，跌倒检测器2包括要被放置在用户身体上的不同位置处的多个皮肤传导率传感器16。在这种情况下，那些皮肤传导率传感器16中的至少一个能够被集成到与跌倒检测器2的其余部件分开的壳体中。

如本领域技术人员所意识到的，用于测量心率和其他心脏相关特性的适合的传感器16包括心电图(ECG)设备或光学体积描记(PPG)设备。

尽管ECG测量心脏的电活动，PPG测量与心脏的跳动间隔相关的血液体积的变化，并且还能够被用于测量血液的氧饱和度。与ANS响应相关或指示ANS响应的、由PPG传感器产生的信号的另一有用特征是得到的脉冲的幅度，所述脉冲的幅度与动脉的扩张性有关并且是对交感神经张力的指示。

本领域的技术人员将意识到，在一些实施例中，例如待测量的生理特性是心率并且跌倒检测器2被附着到用户腕部的实施例中，随着心跳的通过用户的手臂中的动脉的血液的脉动可以是在来自加速度计4的信号中可检测的，在这种情况下，能够处理信号来提取用户的心率，并且不需要单独的生理特性传感器16。

在下文中，将呈现包括PPG传感器16的本发明的实施例，这是因为信号显示用户的ANS响应的有用的特征，并且也容易在可佩戴的设备2中实施。如已知的，PPG传感器16典型地包括将具有特定的波长(例如940nm)的光发射到人体组织中的光源(例如LED)和对透射的或反射的光做出反应的光敏传感器(例如光电二极管)。其中，两个传感器都被应用到组织的同一区域，测量反射光。如果光传感器被放置在身体的另一部分，例如与光源相对(例如在手指的端部)，则测量透射光。血液量的增加使反射的光的量增加，同时降低透射的光的量，并且因此两种配置产生具有相反的幅度关系的波形。

图2中示出了示范性的经过滤的(去除了DC的)PPG波形，其指示在腕部处测得的反射光的量。两个连续峰值(如P₁和P₂)之间的距离与峰-峰间隔相对应，所述间隔的倒数是以每分钟的跳动(bpm)测得的心率，在本文中标记为r(n)。

虽然在图1的实施例中未示出，但跌倒检测器2还可以包括可听警报单元，实施可听警报单元能够在处理器8确定用户已经遭受了跌倒的事件中由处理器8激活。跌倒检测器2也可以被提供有按钮(也未在图1中示出)，所述按钮允许用户在他们需要协助的情况下人工激活可听警报单元(或者在不需要协助的情况下停用警报)。

在图示的实施例中，跌倒检测器2的部件中的全部被集成到与用户的皮肤接触放置的单个壳体中。在备选实施例中，例如在跌倒检测器的部分是以要被围绕用户的颈部佩戴(并因而可能不是一直与用户的皮肤接触)的坠饰的形式的实施例中，生理特性传感器16能够被提供在与坠饰分开的壳体中(坠饰包括(一个或多个)移动传感器(例如加速度计4和压力传感器6))，使得生理特性传感器16能够在使用期间与用户的皮肤接触。

如上所述，作为确定跌倒检测器2的用户是否已经跌倒的部分，需要涉及日常活动水平与ANS响应的量度(或多个量度)的用户的简档。图3示出了生成用户训练简档的方法。在该图示的实施例中，用作ANS响应的量度的生理特性是用户的心率，其被标记为r(n)。

在第一步骤、步骤101中，在预定义的间隔上测量用户的活动水平和ANS响应的量度(即在该实施例中的心率)。其中，间隔被定义为这样的时间段，即在该时间段期间活动水平和ANS响应量度的数据样本被计算出并是可用的，预定义的间隔的长度能够是从30秒至1分钟的范围。然而，必须指出，为了采集足够大量的数据点，限定在5-10分钟的量级上的时间段P，其中，P含有连续的或交叠的间隔。

活动水平是在间隔上的用户的活动的水平和/或类型(例如运动)的量度，并且能够以多种方式来确定。在优选实施例中，活动水平是由处理器8根据来自跌倒检测器2中的移动传感器4、6的信号来确定的。在其他实施例中，能够提供单独的设备用于用户佩戴或携带，所述单独的设备包括一个或多个移动传感器，例如加速度计、陀螺仪等。

在根据加速度计测量结果来确定活动水平的情况下，来自加速度计4的信号表示能够被以规则的间隔采样的沿三个正交轴的加速度值。得到的信号被标记为x(n)、y(n)和z(n)，其中n是离散-时间指数。采样频率可以被设定在例如50至150Hz之间。

在一个简单的实施例中，能够由加速度向量的幅值给出瞬时活动水平，α(n)，即

$\mathrm{\α}\left(n\right)=\sqrt{x^2\left(n\right)+y^2\left(n\right)+z^2\left(n\right)}---\left(1\right)$

针对预定义的间隔的活动水平能够是在该间隔上获取的瞬时活动水平测量结果的平均值。在这种情况下，针对预定义的间隔的活动水平被标记为其中，1≤i≤N，并且N是长度T加速度样本中的每个的预定义的间隔的数量。心率能够类似地被采样为在预定义的间隔上的次数，并且被求平均以给出针对预定义的间隔的心率在一些实施例中，和被给出为：

${\stackrel{\‾}{\mathrm{\α}}}_i=\frac{1}{T}\underset{m=1}{\overset{T}{\Σ}}{\mathrm{\α}}_i\left(m\right)---\left(2\right)$

${\stackrel{\‾}{r}}_i=\frac{1}{T}\underset{m=1}{\overset{T}{\Σ}}{r}_i\left(m\right)---\left(3\right)$

其中，m是间隔i内的样本指数，并且该值被用于形成针对预定义的间隔(1≤m≤T)的活动水平-心率对应当意识到，心率量度可能被以不同于加速度的采样频率来采样，并且因此基于在相同时间间隔上的不同数量的样本。

在预定义的间隔期间的心率的另一量度可能是心率的变化的平均率，其能够被定义为

${\stackrel{\‾}{r}}_i=\frac{1}{T-1}\underset{m=2}{\overset{T}{\Σ}}\[r_i\left(m\right)-r_i(m-1)\]---\left(4\right)$

这个度量还能够指示在T个样本上测得的ANS响应是否与SNS响应相对应，即

除了基于原始3D加速度信号的范数的瞬时活动水平，还能够使用基于在特定的时间段(例如1秒)上的范数的积分的鲁棒性更强的计算。如上所述，间隔上的多个时间段的值的平均值能够被用作活动水平和ANS响应的量度。

能够通过利用低通滤波器、中值滤波器或移动-平均值滤波器来进一步地处理原始3D加速度信号的范数(即根据等式(1))来获取活动水平的其他量度，以提供对活动水平的鲁棒性更好的估计。

备选地或除了以上提供的活动水平的量度之外，处理器8能够处理来自移动传感器4、6的信号，以确定在活动期间的用户的姿势(例如站立或躺下)，在这种情况下α(n)的值由姿势辨别算法的输出给出，并且采用二进制值，即α(n)＝(0,1)，其中，0能够与躺下相对应，并且1与站立相对应。在其他实施例中，能够使用更复杂的姿势/活动辨别算法，其能够对多种类型的活动进行分类，例如走、跑、坐下等，在这种情况下，α(n)能够采取多个离散值。用于根据移动传感器信号来确定这些姿势和/或活动的适合的算法对于本领域技术人员是已知的，并且在本文中将不作更详细的描述。

由跌倒检测器2所使用的活动水平的量度能够是考虑鲁棒性对计算复杂度和功耗的权衡而被选择的。

为了使用户训练简档对于帮助将潜在的跌倒事件分类为跌倒或将类似跌倒事件忽略为正常的用户活动是有用的，根据图3中的方法生成的用户训练简档应当是根据当用户正在执行其正常日常活动时收集到的活动水平和心率测量结果而产生的。因此，一旦已经在步骤101中针对预定义的间隔确定了活动水平-心率对(α(n),r(n))或则在步骤103中确定在预定义的间隔期间是否已经检测到潜在的跌倒事件。在下文结合步骤203更详细地描述了对潜在的跌倒事件的检测。

如果在预定义的间隔中已经检测到跌倒事件，则针对所述预定义的间隔的活动水平-心率对(α(n),r(n))或已被确定，所述对被丢弃(步骤105)并且所述测量结果不用于生成用户体能简档。方法因此返回步骤101，其中，活动水平和ANS响应的度量针对下一个预定义的间隔来确定。可能一天在长度P的时间段期间收集数次数据(例如，每2小时5-10分钟)，但数据被收集的频率也可能取决于跌倒检测器2的功率预算。

在一些实施例中，能够根据用户的活动水平来触发长度P的数据收集时间段，使得保持更具代表性的用户简档。例如，如果系统已经在用户的活动水平低的时间段期间收集了足够的活动水平-心率对(α(n),r(n))或则它将等待当用户的活动水平较高的时间段来开始收集数据并更新用户简档。这些实施例提供了这样的优势，即当用户睡着或不活动时将不会更新用户简档。

如果针对预定义的间隔没有检测到跌倒事件，则方法移至步骤107，在步骤107中，活动水平和心率对(α(n),r(n))或被添加到先前收集的活动水平和心率对的集合(即在先前的预定义的间隔期间收集的对)。

然后，在步骤109中，根据集合中的测量结果来确定针对活动水平和ANS响应(心率)的联合概率函数(其表示用户训练简档)。

在一些实施例中，联合概率函数是能够根据集合中的活动水平-心率对来估计的联合概率密度函数(pdf)，被标记为p(α,r)。

用于确定联合概率函数的示范性技术使用含有M混合的高斯混合模型，并且被给定为：

$p(\mathrm{\α},r|\mathrm{\Θ})=\underset{i=1}{\overset{M}{\Σ}}{\mathrm{\β}}_i{p}_1(\mathrm{\α},r|{\mathrm{\θ}}_i)---\left(5\right)$

其中，βi表示从混合元素i中引出α和r的概率，即

$\underset{i=1}{\overset{M}{\Σ}}{\mathrm{\β}}_i=1---\left(6\right)$

并且Θ＝{θ1,θ2,…,θM}。

参数θi描述了基础的高斯密度函数，所述高斯密度函数的特性在于它们的均值和协方差，即θi＝{μi,Σi}，其中，μi是二维均值矢量，Σi是混合元素2的2×2协方差矩阵，得到：

$p_i\left(x\right|\mathrm{\Θ})=\frac{1}{2\mathrm{\π}{\left|{\Σ}_i\right|}^{1/2}}{e}^{-\frac{1}{2}{(x-{\mathrm{\μ}}_i)}^T{\Σ}_i^{-1}(x-{\mathrm{\μ}}_i)}---\left(7\right)$

其中，x＝[α,r]^T。

能够使用诸如期望-最大化(EM)算法的算法来估计增加在观察到的活动水平和心率值上的混合模型的最大可能性的参数Θ和β_i，这对于本领域技术人员是已知的。

在一个实施例中，通过首先存储α和r的所有观察值来更新混合模型，并且接着使用EM算法来确定概率密度函数。

在另一个实施例中，不存储所述值，并且概率密度函数估计算法的(例如在线的)版本被用于更新p(α,r|Θ)。

应当意识到，能够将其他算法和模型用于对概率密度函数的估计，并且这样的算法和模型将是本领域技术人员所已知的。

在另外的实施例中，混合的M元素能够被分配到一天的不同部分并被独立地更新。本实施例是有用的，这是因为用户的典型活动水平在整个一天中可以改变(例如他们肯能定期在早上走动，而在下午较少活动)，并且因此可以存在针对一天的不同部分的各自的函数(曲线)。

在可能存在对存储器大小的限制的另外的实施例中，概率密度函数在利用X个新(α,r)数据点更新之前通过首先丢弃X个最老的(α,r)数据点来更新。在一些实现方式中，这种重新采样可以不基于点的时间戳，而是相反基于替换数据集中的当前最接近邻近点。

在本发明的心率测量结果与每间隔的平均心率相对应的又一实施例中，得到的心率值能够被量化为每分钟的最近的第五次跳动(例如87变为85)，并针对每个量化值来估计活动水平上的单独的概率密度函数。

实际上，由于使用离散数据来估计概率函数，因此概率密度函数将被近似为(离散)概率质量函数。应当意识到，存在不同于上述这些方法的估计概率质量函数的其他方法，并且出于有效率的目的能够执行这种估计的简化形式。

一旦在步骤109中已经确定联合概率函数，则方法返回步骤101并等待下一个预定义的间隔。

图4中的流程图图示了利用上述简档的根据本发明的检测用户的跌倒的方法。在步骤201和203中，跌倒检测器2根据用户的移动的测量结果来确定用户是否可能已经遭受了跌倒。

跌倒检测器2中的处理器8(或在上述的备选实施例中的基站中的处理器)通过从移动传感器测量结果中提取与跌倒相关联的特性或多种特性的值来确定用户是否可能已经遭受了跌倒。因此，在步骤201中，使用加速度计4和空气压力传感器6来测量跌倒检测器2所经历的加速度和气压变化，并且由处理器8对这些测量结果分析，以确定用户是否可能已遭受了跌倒。

跌倒的特征广泛地在于，例如约0.5至1.5米的高度的变化(该范围可以根据跌倒检测器2被穿戴的身体的部分和用户的高度而不同)、在显著冲击中达到顶点、其后跟随有用户不移动非常多的时间段。因此，照惯例，为了确定是否已经发生跌倒，处理器8需要处理传感器测量结果以提取特征的值，包括高度的变化(其通常是从来自压力传感器6的测量结果导出的，但也能够备选地从来自加速度计4的测量结果导出，例如在压力传感器6被省略的情况下)、在高度发生变化的时间周围的最大活动水平(即冲击)(典型地从来自加速度计4的测量结果导出)以及在冲击之后用户相对不活动的时间段(也是典型地从来自加速度计4的测量结果导出)。应当意识到，其他特征能够进一步改进检测算法。例如，对跌倒时的取向的变化的检测能够提高信号源于跌倒的可能性。

能够识别用户的潜在的跌倒，其中，在测量结果中识别上述特征的子集或全部。换言之，可以在测量结果中检测到所需要的高度变化、冲击和不活动时间段中的任意一个或多个的情况下识别潜在的跌倒。

本文中将不再更详细地描述由处理器8在步骤201中执行的分析，但本领域技术人员将知晓能够应用各种算法和技术来根据加速度计和/或压力传感器测量结果确定用户是否已可能遭受了跌倒。

如果在步骤201中没有检测到潜在的跌倒(即根据来自加速度计4和/或压力传感器6的测量结果没有明显的跌倒特性，或者没有足够的跌倒特性以待检测的潜在的跌倒的量级出现)，方法返回到步骤201并重复下一组测量。

如果已经在步骤201/203中检测到潜在的跌倒，则方法移至步骤205，在步骤205中，处理器8确定与潜在的跌倒事件相关联的用户的活动水平和ANS响应的量度(例如心率)。能够根据来自适当的传感器(例如加速度计4和生理特性传感器16)的测量结果来确定活动水平和ANS响应的量度，所述测量结果是在潜在的跌倒事件发生之前和/或之后不久收集到的。潜在的跌倒事件之前和/或之后的、在其中来自适当的传感器的测量结果被处理的时间的长度(以及由此的待处理的来自这些传感器的测量结果数据的量)能够取决于跌倒检测器2的功率预算。在一些实施例中，对潜在的跌倒事件之前的2分钟的时间窗中和/或潜在的跌倒事件之后的2分钟的时间窗中的测量结果进行处理。

能够如以上参考图3的101所描述地确定活动水平和ANS响应的量度。因此，能够确定瞬时活动水平和ANS响应的量度，或者能够针对预定的时间段来获取活动水平和ANS响应的平均值。在一些实施例中，处理器8能够确定整个事件中的活动水平和ANS响应的变化的量度，即处理器8能够确定事件之前的活动水平/心率量度和事件之后的活动水平/心率量度并计算差异。

在一些实施例中，生理特性传感器16仅在已经根据对加速度计4和/或压力传感器6测量结果的分析检测到可能的跌倒(或简单地在来自压力传感器6的测量结果中检测到至少0.5米的高度变化)时被激活，因此减少了跌倒检测器2的功耗。当由处理器8基本实时或仅有很小延迟地执行步骤201中的分析时，生理特性传感器16将在跌倒事件发生之后不久被激活。其中，与加速度计4分开的传感器被用于确定活动水平，单独的传感器能够以与上述生理特性传感器相同的方式在对潜在的跌倒的检测之后被激活。

在备选实施例中，生理特性传感器16可以不断地或频繁地测量生理特性，而无论何时使用跌倒检测器2(即甚至在没有检测到可能的跌倒时)。这样，当检测到可能的跌倒时生理特性测量结果将尽快地对处理器8可用。在与加速度计4分开的传感器被用于确定活动水平时，单独的传感器也能够被不断地或频繁地激活，而无论何时以与上述生理特性传感器相同的方式使用跌倒检测器2。

在步骤207中，处理器8将所确定的活动水平和ANS响应(例如心率)与表示典型日常活动的根据图3中的方法确定的简档进行比较，以便确定所确定的活动水平和ANS响应是否与该简档一致。

在一些实施例中，步骤207能够包括使用简档来确定用户以所确定的活动水平和ANS响应行动的可能性。在这些实施例中，能够计算可能性值p(x_e|Θ)，其中，x_e＝[α_e,r_e]^T标记描述在步骤205中确定的潜在的跌倒事件的活动水平和ANS响应(例如心率)。

在其他实施例中，例如能够计算对数可能性，以简化在使用高斯模型的情况下的计算。

图5为使用M＝3的高斯混合模型的用户的心率和活动水平(α_i,r_i)的示范性联合分布的等值线图。在该范例中，使用上述方程(1)和在除去均值后对每128个样本求平均的值来计算活动水平。一般地，落在最外面的轮廓曲线之外的数据点(即活动水平和心率对(α_i,r_i))具有低的可能性。用户以给出的活动水平和ANS响应来行动的可能性进一步随着数据点距该曲线的距离的增加而降低。

在步骤209中，处理器8使用步骤207的结果来确定在步骤201中检测到的潜在的跌倒是否是用户的实际跌倒。

如果在步骤207中发现所确定的活动水平和ANS响应与表示用户的训练和典型日常活动的简档一致(例如所确定的行为的可能性高)，则行为可能与用户的日常活动有关，并且将潜在的跌倒事件分类为“非跌倒”。

然而，如果在步骤207中发现所确定的活动水平和ANS响应与简档不一致(也许是低的活动水平与不寻常的ANS响应)，例如行为的可能性低，则该行为可能不与用户的正常日常活动有关，并且将在步骤201中识别出的潜在的跌倒事件分类为用户的实际跌倒。

在以上描述的步骤207的确定可能性p(x_e|Θ)的实施例中，p(x_e|Θ)的值针对跌倒事件是相当低的，这是因为身体跌倒能够使其受到损伤并且通常伴随有小的移动和较高的心率。因此，在这些实施例中，将在步骤207中计算出的可能性函数p(x_e|Θ)的值与阈值η_阈值进行比较，以确定潜在的跌倒是否是实际的跌倒。如果p(x_e|Θ)的值小于阈值η_阈值，则能够将在步骤201中检测到的潜在的跌倒事件分类为跌倒。否则，将在步骤201中检测到的潜在的跌倒事件分类为非跌倒。

η_阈值的值是数据相关的，并且例如能够根据当前的概率密度函数的扩展或者在使用高斯混合模型的情况下的混合模型的独立分量来设定所述η_阈值的值。阈值还能够基于从大量用户收集的在先数据。

阈值能够确定整体性能并且通常涉及误警报的数量与被遗漏的对实际跌倒的检测之间的权衡。其应当被设定为达到针对所述应用所要求的性能的给定水平。

在另一实施例中，系统能够最初使用固定的阈值和初始概率密度函数估计，所述初始概率密度函数估计基于从大量用户收集的在先训练数据，或者能够使用用户的个人数据(例如认购时的年龄、移动性以及整体心脏健康)来最初设定阈值。之后能够基于跌倒拒绝选项来更新阈值，其中，如果检测到的跌倒(即警报被触发)实际上是误警报，则用户通过用户输入(例如使用检测器2上的另一按钮或者通过按住检测器2上的多于一个按钮)来通知跌倒检测器2。这样，能够设定更加个性化的阈值。使用用户反馈来校正设备的方法在不使用生理数据的系统中可能较不可靠，这是因为某些运动特性通常在ADL与实际跌倒之间仍然是不可区分的。在这种情况下，使用这样的用户反馈方法实际上可能导致被遗漏的实际跌倒的增加。在另一个实施例中，与跌倒检测器2相关联的呼叫中心的计算机能够向跌倒检测器2发送信号，以基于在误警报期间收集到的活动水平和心率数据来调节阈值。

如果用户被确定为已经跌倒，则处理器8能够触发警报以为用户获取帮助。触发警报之后，过程能够返回到步骤201以继续对用户的监测。如果在步骤209中确定用户未跌倒，则将不触发警报或警告，并且过程返回到步骤201以继续对用户的监测。

因此提供了一种用于检测跌倒的方法以及一种提供与常规技术相比增大的跌倒检测可靠性的跌倒检测器。

尽管已经在附图和前文的描述中详细说明并描述了本发明，但这种说明和描述被视为说明性或示范性的，而非限制性的；本发明不限于所公开的实施例。

本领域技术人员通过研究附图、公开内容以及权利要求书，在实践要求保护的本发明时，能够理解并实现对所公开的实施例的其他变型。在权利要求书中，词语“包括”不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以满足权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在适合的介质上，例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由因特网或其他的有线或无线的电信系统权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (20)

1.一种检测用户的跌倒的方法，所述方法包括：

-根据所述用户的移动的测量结果来检测用户是否已经潜在地经历了跌倒事件；

-在检测到潜在的跌倒事件时，确定与所述潜在的跌倒事件相关联的所述用户的活动水平和所述用户的自主神经系统ANS响应的量度；

-将所确定的活动水平和所述ANS响应的所述量度与涉及所述用户的活动水平和ANS响应的用户简档进行比较；并且

-基于所述比较的结果来确定所述潜在的跌倒事件是否是跌倒。

2.根据权利要求1所述的方法，其中，所述的将所确定的活动水平和所述ANS响应的所述量度与用户简档进行比较的步骤包括使用所述简档来确定所述用户具有所确定的活动水平和ANS响应的量度的可能性，并且其中，所述确定所述潜在的跌倒事件是否是跌倒的步骤使用所确定的可能性。

3.根据权利要求2所述的方法，其中，所述用户简档涉及所述用户的典型活动水平和典型ANS响应，并且其中，所述确定所述潜在的跌倒事件是否是跌倒的步骤包括在所确定的可能性低于阈值的情况下确定所述潜在的跌倒事件是跌倒，并且在所确定的可能性高于阈值的情况下确定所述潜在的跌倒事件不是跌倒。

4.根据权利要求2或3所述的方法，其中，在确定了所述潜在的跌倒事件是跌倒但后续接收到跌倒事件不是跌倒的指示的事件中，所述方法还包括调节所述阈值的值的步骤。

5.根据权利要求4所述的方法，其中，所述跌倒事件不是跌倒的指示是由所述用户对所述跌倒检测器的输入或者从与所述跌倒检测器相关联的远程计算机接收到的信号。

6.根据前述权利要求中的任一项所述的方法，还包括以下步骤：

通过以下来确定涉及所述用户的活动水平和ANS响应的所述用户简档：

(i)针对多个时间段来获取所述用户的活动水平和ANS响应的测量结果对；以及

(ii)根据所获取的测量结果对来确定所述用户的活动水平和ANS响应的联合分布。

7.根据权利要求6所述的方法，其中，所述确定涉及所述用户的活动水平和ANS响应的所述用户简档的步骤包括确定涉及所述用户的活动水平和ANS响应的多个用户简档，其中，每个简档涉及针对一天期间的特定时间段的所述活动水平和ANS响应。

8.根据权利要求6或7所述的方法，其中，所述获取所述用户的所述活动水平和ANS响应的测量结果对的步骤包括丢弃针对在其中检测到所述用户的潜在的跌倒的时间段获取的任何测量结果对。

9.根据前述权利要求中的任一项所述的方法，其中，所述的确定所述活动水平和ANS响应的量度的步骤包括根据所述用户的移动的测量结果来确定所述活动水平和/或ANS响应的所述量度。

10.根据权利要求1-8中的任一项所述的方法，其中，所述的确定所述活动水平和所述ANS响应的量度的步骤包括根据所述用户的移动的测量结果来确定所述活动水平，并且通过生理特性传感器根据所述用户的生理特性的测量结果来确定ANS响应的所述量度。

11.根据上述权利要求中的任一项所述的方法，其中，ANS响应的所述量度是以下中的一个或多个：皮肤温度、皮肤传导率、肌电图、心率和所述用户的任何其他心脏相关的特性。

12.根据前述权利要求中的任一项所述的方法，其中，所述检测用户是否已经潜在地经历了跌倒事件的步骤包括：

-测量所述用户的移动；以及

-分析所述用户的移动的测量结果来识别与跌倒相关联的一个或多个特性。

13.根据权利要求12所述的方法，其中，所述与跌倒相关联的一个或多个特性选自：(ⅰ)高度变化、(ⅱ)撞击、(ⅲ)自由落体、(ⅳ)从直立到水平的取向变化、以及(v)不活动的时间段。

14.一种包括嵌入其中的计算机可读代码的计算机程序产品，所述计算机可读代码被配置为在由适合的计算机或处理器运行时，使得所述计算机或处理器执行根据权利要求1-13中的任一项所述的方法。

15.一种用于检测用户的跌倒的跌倒检测器，所述跌倒检测器包括：

-移动传感器，其用于测量所述用户的移动；以及

-处理器，其被配置为：

-根据来自所述传感器的所述用户的移动的测量结果来检测所述用户是否已经潜在地经历了跌倒事件；

-当检测到潜在的跌倒事件时，确定与所述潜在的跌倒事件相关联的所述用户的活动水平和所述用户的自主神经系统ANS响应的量度；

-将所确定的活动水平和所述ANS响应的所述量度与涉及所述用户的活动水平和ANS响应的简档进行比较；并且

-基于所述比较的结果来确定所述潜在的跌倒事件是否是跌倒。

16.根据权利要求15所述的用于检测用户的跌倒的跌倒检测器，其中，所述移动传感器是加速度计或空气压力传感器。

17.根据权利要求16所述的用于检测用户的跌倒的跌倒检测器，其中，所述自主神经系统响应的所述量度取决于所述加速度计或空气压力传感器的测量结果。

18.根据权利要求15或16所述的用于检测用户的跌倒的跌倒检测器，其中，所述跌倒检测器还包括用于确定自主神经系统响应的所述量度的皮肤传导率传感器、皮肤温度传感器或心率传感器。

19.根据权利要求15至18中的任一项所述的用于检测用户的跌倒的跌倒检测器，其中，所述跌倒检测器包括用户界面，所述用户界面在基于所述比较的结果而确定的所述跌倒是误警报的情况下使得所述用户能够通知所述跌倒检测器。

20.根据权利要求19所述的用于检测用户的跌倒的跌倒检测器，其中，所确定的活动水平和所述ANS响应的所述量度与涉及所述用户的活动水平和ANS响应的简档的所述比较的结果取决于阈值，所述处理器被配置为根据所述用户通知所述跌倒检测器所确定的跌倒为误警报来调节所述阈值。