CN105101869A - 用于识别坐姿与站姿之间的转变的方法和装置 - Google Patents

用于识别坐姿与站姿之间的转变的方法和装置 Download PDF

Info

Publication number
CN105101869A
CN105101869A CN201380062407.0A CN201380062407A CN105101869A CN 105101869 A CN105101869 A CN 105101869A CN 201380062407 A CN201380062407 A CN 201380062407A CN 105101869 A CN105101869 A CN 105101869A
Authority
CN
China
Prior art keywords
signal
acceleration
user
candidate
height
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
CN201380062407.0A
Other languages
English (en)
Other versions
CN105101869B (zh
Inventor
W·张
F-F·瓦勒
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN105101869A publication Critical patent/CN105101869A/zh
Application granted granted Critical
Publication of CN105101869B publication Critical patent/CN105101869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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
    • 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
    • A61B5/6822—Neck
    • 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

Abstract

提供了一种用于识别用户的站姿与坐姿之间的转变的方法，所述方法包括：获得对所述用户在移动期间经历的加速度的测量结果；获得指示所述用户的部分在移动期间的高度的信号；处理对所述加速度的所述测量结果，以识别对应于站姿与坐姿之间的转变的候选移动；并且在所识别的候选移动符合所述信号中的高度增加时将所识别的候选移动确定为从坐姿到站姿的转变，并且在所识别的候选移动符合所述信号中的高度降低时将所识别的候选移动确定为从站姿到坐姿的转变。

Description

用于识别坐姿与站姿之间的转变的方法和装置
技术领域
本发明涉及一种用于根据对用户的移动的测量结果识别用户的坐姿与站姿之间的转变的方法和装置。
背景技术
跌倒是对老年人而言最大的健康风险因素中的一个。65岁以上的老年人中有约三分之一每年至少跌倒一次。
这些跌倒中有许多是能够通过对跌倒风险的早期识别以及对有效且针对性的跌倒预防程序的应用而被避免的。基于体力与平衡训练的跌倒预防试验已经示出能够减小老年人的跌倒风险。
针对跌倒风险的评估的重要参数是日常活动的量。针对体弱的老年人(他们是具有高跌倒风险的群体中的最大部分)，他们在一天里花费在“腿上”(即，行走、站立等)的时间量提供了对他们的跌倒风险的有用见解。参数“腿上时间”对应于人在执行具体的负重活动或处于负重姿势(例如，规则/不规则行走、站立等)时的时间量。另一方面，参数“离腿时间”对应于人花费在进行非负重活动或处于非负重姿势(如躺着、坐着等)上的时间量。针对具体的人在日常生活中的“腿上时间”的连续或定期监测和分析是用于准确且可靠的跌倒风险评估的对标准体能测试的补充。
然而，对日常活动或腿上时间的可靠评估是困难的。最常用的途径是他们自己对他们的活动记日志。然而，自我报告有许多缺点，并且一般产生对于准确评估而言不可靠且不充分的信息。
尽管如此，身体感测技术的最近发展提供了对日常活动的客观量度，许多当前可用的产品仅能够检测和监测如跑动和规则行走的动态活动，这在分析体弱群体的日常生活时并不具体相关。一些产品确实存在提供对姿势的分析，但是它们要求用户在不方便的位置(例如，大腿)上穿戴传感器。为了获得在使用评估工具中的良好依从性，传感器平台应当理想地被以挂坠穿戴或类似设备的形式定位在上躯干上。然而，难以从使用在该位置中的设备获得的移动信号检测诸如坐和站的姿势。
因此，存在对于能够根据对用户的移动的测量结果来识别用户何时已经从坐姿转变到站姿(并且反之亦然)的方法和装置的需要。识别这些姿势变化允许对用户的腿上时间的估计。腿上时间能够是用户被确定为不是坐下或躺下时(例如，继从坐姿到站姿的转变之后直到从站姿到坐姿的下一转变)的全部时间段的和。
发明内容
根据本发明的第一方面，提供了一种用于识别用户的站姿与坐姿之间的转变的方法，所述方法包括：获得对所述用户在移动期间经历的加速度的测量结果；获得指示所述用户的部分在移动期间的高度的信号；处理对所述加速度的所述测量结果，以识别对应于站姿与坐姿之间的转变的候选移动；并且在所识别的候选移动符合所述信号中的高度增加时将所识别的候选移动确定为从坐姿到站姿的转变，并且在所识别的候选移动符合所述信号中的高度降低时将所识别的候选移动确定为从站姿到坐姿的转变。
在一些实施例中，获得指示高度的信号的步骤包括通过处理被附着到用户的气压传感器的输出而获得信号。
在备选实施例中，获得指示高度的信号的步骤包括通过处理对用户在移动期间经历的加速度的测量结果而获得信号。
在一些实施例中，获得对用户在移动期间经历的垂直加速度的测量结果的步骤包括：获得对用户在移动期间经历的三维加速度的测量结果；并且处理对加速度的测量结果以估计用户经历的垂直加速度。
在一些实施例中，处理测量结果的步骤包括计算测量结果的范数。
优选地，处理对加速度的测量结果以识别对应于站姿与坐姿之间的转变的候选移动的步骤包括将将加速度的测量结果匹配到针对坐到站的转移的预定加速度分布图。
在优选实施例中，将加速度的测量结果匹配到针对坐到站的转移的预定加速度分布图的步骤包括利用预定加速度分布图对加速度的测量结果进行滤波，以产生前向滤波信号；反转前向滤波信号；并且利用预定加速度分布图对反转的信号进行滤波。
优选地，处理对加速度的测量结果的步骤还包括利用滤波器对来源于匹配的步骤的信号进行滤波，所述滤波器增强信号中对应于坐到站的转移和站到坐的转移的部分的幅值，并且抑制信号中对应于用户行走的部分的幅值。
在一些实施例中，滤波的步骤包括：(a)针对来源于匹配的步骤的信号上的窗口中的样本的子集：(i)确定子集中的样本的平均值，(ii)从子集中的样本中的每个减去所确定的平均值，(iii)确定步骤(ii)的输出中的每个样本的绝对值，(iv)确定步骤(iii)的输出中的样本的平均值；(b)在来源于匹配的步骤的信号上移动窗口，并重复步骤(a)；并且(c)确定在步骤(b)中获得的信号的移动平均值，以产生滤波信号。
在备选实施例中，滤波的步骤包括：(a)针对来源于匹配的步骤的信号上的窗口中的样本的子集：(i)从子集中的样本中的每个减去一值，(ii)确定步骤(i)的输出中的每个样本的绝对值，(iii)确定步骤(ii)的输出中的样本的平均值；(b)在来源于匹配的步骤的信号上移动窗口，并重复步骤(a)；并且(c)确定在步骤(b)中获得的信号的移动平均值，以产生滤波信号。
在一些实施例中，处理对加速度的测量结果的步骤还包括将滤波信号中的候选移动识别为滤波信号中的峰。在这些实施例中，候选移动优选地是在峰具有大于阈值的幅值处被识别的。
处理对加速度的测量结果以识别对应于站姿与坐姿之间的转变的候选移动的步骤还能够包括将针对每个经识别的候选移动的开始时间和结束时间估计为对应于在所述样本的幅值等于所述阈值的预定比例的情况下滤波信号中的对应峰的任一侧的样本的时间。
在具体实施例中，所述方法还包括通过以下根据所获得的高度信号来确定针对每个候选移动的高度变化的步骤：将在候选移动之前的高度确定为在覆盖高度信号中在针对候选移动的所估计的开始时间之前的样本的窗口上的用户的部分的高度的平均值；将在候选移动之后的高度确定为在覆盖高度信号中在针对候选移动的所估计的结束时间之后的样本的窗口上的用户的部分的高度的平均值；并且从所确定的在候选移动之前的高度减去所确定的在候选移动之前的高度，以给出在候选移动期间的高度变化。
根据本发明的第二方面，提供了一种确定用户的腿上时间的方法，所述方法包括：识别如上所述的用户的站姿与坐姿之间的转变；将所述用户站着的时间确定为继从坐姿到站姿的转变之后直到从站姿到坐姿的下一转变的时间段；并且对所述时间段中的每个的持续时间进行求和，以给出所述腿上时间。
根据本发明的第三方面，提供了一种确定用户的跌倒风险的方法，所述方法包括确定如上所述的腿上时间；并且根据所确定的腿上时间来确定所述用户的跌倒风险。
根据本发明的第四方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序代码，所述计算机程序代码当在计算机或处理器上运行时，令所述计算机或处理器根据如上所述的方法中的任意方法来在对用户的移动的测量结果中识别站姿与坐姿之间的转变。
根据本发明的第五方面，提供了一种用于在对用户的移动的测量结果中识别站姿与坐姿之间的转变的装置，所述装置包括处理单元，所述处理单元被配置为：处理对所述用户经历的加速度的测量结果，以识别对应于站姿与坐姿之间的转变的候选移动；并且在所识别的候选移动符合指示所述用户的部分在移动期间的高度的信号中的高度增加时将所识别的候选移动确定为从坐姿到站姿的转变，并且在所识别的候选移动符合指示所述用户的所述部分的所述高度的所述信号中的高度降低时将所识别的候选移动确定为从站姿到坐姿的转变。
也预期所述装置的各个其他实施例，其中，所述处理单元还被配置为运行上述方法步骤中的任意步骤。
根据本发明的第六方面，提供了一种被配置为由用户穿戴的设备，所述设备包括：加速度计，其在三维中测量作用在所述设备上的加速度；以及如上所述的装置，其中，所述处理单元被配置为处理来自所述加速度计的对所述加速度的测量结果。
根据本发明的第七方面，提供了一种包括被配置为由用户穿戴的设备的系统，所述设备包括：加速度计，其在三维中测量作用在所述设备上的加速度；以及基本单元，其被配置为与所述设备通信，并且包括如上所述的装置，其中，所述处理单元被配置为处理来自所述加速度计的对所述加速度的测量结果。
附图说明
现在将仅通过范例的方式参考以下附图来描述本发明的实施例，在附图中：
图1示出了根据本发明的实施例的被附着到用户的传感器单元；
图2是根据本发明的实施例的传感器单元的方框图；
图3是图示用于根据对用户的移动的测量结果来识别姿势转变的方法的流程图；
图4是图示垂直加速度在坐到站的转移期间的变化的范例的图；
图5是图示用于检测坐到站的转移和站到坐的转移的算法的方框图；
图6是示出在图5中的处理算法的各个阶段处的信号的一组图；并且
图7图示了针对在检测坐到站的转移中的使用已经被优化的示范性匹配滤波器。
具体实施方式
如图1中所示，本发明提供了一种以要由用户4穿戴的传感器单元2的形式的装置。在所图示的实施例中，传感器单元2被提供为挂坠的形式，所述挂坠具有用于放置在用户的颈部周围的颈绳6。备选地，传感器单元2能够被配置为被穿戴在用户的身体的不同部分(例如，躯干、骨盆或胸骨)处或上，并将包括用于将传感器单元2附着到身体的该部分的合适布置(例如，如果单元2被附着到骨盆或胸骨的话则为皮带或带子)。
传感器单元2用于测量用户4的移动，并且用于处理测量结果以确定用户4已在何时完成了姿势从坐姿到站姿的改变(本文中也被称作“坐到站的转移”)和从站姿到坐姿的改变(本文中也被称作“站到坐的转移”)。如本文中所使用的，“站”姿对应于在其中用户站着(即，执行负重活动)的任何姿势，并且包括行走/跑动以及站立不动。因此，传感器单元2能够用于处理测量结果，以确定用户4已在何时完成了简单的坐到站直立姿势改变以及从坐姿到行走的改变(并且反之亦然)。在一些实施例中，传感器单元2也用于根据对用户4的身体的移动的测量结果来确定用户的腿上时间，并且任选地也根据所确定的腿上时间来确定对用户4的跌倒风险的指示。
在备选实施方式中，对测量结果的处理、对腿上时间的确定以及对跌倒风险的指示中的一些或全部能够在与用户4穿戴的传感器单元2分开的基本单元(图1中未示出)中被执行。在该情况中，传感器单元2能够使用有线连接或无线连接将移动测量结果或关于所识别的姿势改变的信息传输到基本单元。
图2示出了根据本发明的传感器单元2的实施例。传感器单元2包括：加速度计8，其测量沿着三个正交轴的加速度(并且输出指示沿着三个轴中的每个的加速度的各自的信号)；以及任选的传感器9，其测量传感器单元2在地面以上的海拔或高度(或者更加尤其是测量传感器单元2在地面以上的海拔或高度的变化，或者使得那些变化能够被测量)。用于测量传感器单元2的海拔或高度的传感器9能够包括例如高度计或气压传感器，尽管本领域技术人员将意识到能够使用的其他类型的传感器。在一些实施例中，来自加速度计8的测量结果能够被处理，以确定传感器单元2在地面以上的高度或确定传感器单元2的高度变化。由加速度计8和传感器9(在存在时)输出的信号被提供到处理器10以用于分析。
传感器单元2也包括存储器12以及发射器电路或收发器电路14。存储器12用于存储来自加速度计8和传感器9的测量结果，并且用于存储处理器10的分析的结果。发射器电路或收发器电路14能够用于将分析的结果传输到远程(基本)单元或计算机，在这里它们能够被用户或健康护理提供者观看或研究。
在一些实施例中，加速度计8是微电子机械系统(MEMS)加速度计。由加速度计8经历的加速度能够以50Hz的速率被采样，尽管将认识到能够使用许多其他采样频率。在传感器9是气压传感器或高度计时，对传感器单元2在地面以上的高度的测量结果能够以1.8Hz左右的频率被采样，尽管将再一次地认识到能够使用其他采样频率。
取决于用于测量高度的传感器9的传感器的具体类型，传感器9可以输出指示在地面(或者在气压传感器的情况中为海平面)以上的高度的信号，在该情况中，能够由处理器10分析高度测量结果的时间系列，以确定从一个测量样本到下一个(或者在预定数目的测量样本上)的高度变化。备选地，传感器9能够根据先前的或较早的指定测量样本直接输出对传感器单元2的高度变化的指示。
在本发明的实施例中，由加速度计8和传感器9收集的测量结果被传感器设备2中的处理器10分析，以确定坐到站的转移和站到坐的转移的发生，并且任选地确定腿上时间和跌倒风险。备选地，来自加速度计8和传感器9的测量结果能够经由发射器/收发器电路14被传输到基本单元，其中基本单元分析测量结果以确定坐到站的转移和站到坐的转移的发生。在任一种情况中，处理能够被(接近)实时地执行，或者来自加速度计8和传感器9的测量结果能够被存储在存储器12或基本单元中以用于未来处理(即，离线)。
图3示出了图示在对用户的移动的测量结果中识别坐姿与直立姿势(例如，站立或行走)之间的转变所要求的步骤的流程图。首先(步骤101)，获得对传感器单元2(以及因此用户4，这是因为用户正穿戴着传感器单元2)经历的加速度的测量结果。其次(步骤103)，获得指示用户的部分的高度变化的信号。如上文所指出的，该信号能够从气压传感器或海拔传感器获得，或者其能够通过处理对加速度的测量结果而获得，以确定用户的绝对高度或高度变化。
在步骤101和103中对加速度和高度(或高度变化)的测量结果是在基本上相同的时间段上获得的。
接下来，在步骤105中，处理对加速度的测量结果，以识别测量结果中可以对应于用户4的坐到站的转移和站到坐的转移的移动。加速度计测量结果(即，测量样本的序列)在该步骤中被识别为可能对应于的坐到站的转移和站到坐的转移的部分被称为“候选移动”。
在本发明的优选实施例中，如下文更加详细地描述的，候选移动是通过将对加速度的测量结果匹配到预期在坐到站的转移期间发生的加速度分布图来识别的。
图4中的图示出了在典型的坐到站运动期间在垂直方向上测量的加速度。用户4从休息开始(即，在垂直方向上测量到的加速度大致为0)并且用户在时间ts处开始移动。在该时间处测量的加速度被表示为Accvert_s。通常在用户刚刚开始移动之后并且在他们起来离开他们的椅子之前，在加速度分布图中存在一小的最小值。随后，在时间tho(“ho”表示臀部离开)处用户的臀部离开支撑器件(即，椅子)，并且在该时间处的加速度被指代为Accvert_ho。在垂直方向上的加速度然后在时间tpr处增加到被指代为Accvert_pr的峰(峰反应)。峰反应之后是在发生在时间tlr处的最低反应，所述最低反应是被指代为Accvert_lr的负的加速度。移动的结束出现在时间te处，其中加速度被指代为Accvert_e。
因此，在图3中的流程图的步骤105中，通过分析加速度计测量结果以识别样本的序列的分布图匹配或基本匹配图4中示出的分布图的所述样本的序列来识别候选移动。
在步骤107中，根据在步骤103中获得的测量结果来确定在每次候选移动的时间期间或附近发生的高度变化，并将所述高度变化用于将候选移动归类为坐到站的转移或站到坐的转移。具体地，分析在候选移动之前和之后的海拔以确定高度变化。在一些实施例中，能够确定在候选移动之前和之后在(例如，1秒长的)窗口中海拔的平均值或中值并找到差异。然后，候选移动在其与高度增加同时(或时间上基本接近地)出现时被识别为坐到站的转移，并且候选移动在其与高度降低同时(或时间上基本接近地)出现时被识别为站到坐的转移。在一些实施例中，为了将候选移动归类为坐到站的转移或站到坐的转移，高度的增加或降低必须在预定范围之内。所述预定范围涵盖预期在典型的坐到站的转移和站到坐的转移期间或附近发生的高度变化，所述预定范围例如能够大体上对应于用户的大腿长度。在该情况中，范围的下限能够在例如0.1或0.2米左右，并且范围的上限能够例如被设定到为0.6、0.75、0.8或1米的值。将认识到，阈值能够被个性化到用户的高度或大腿长度，并且也能够被设定为将由传感器9提供的高度或海拔测量结果的分辨率考虑在内。
也将认识到，能够备选地通过将高度变化与阈值进行比较来确定坐到站的转移和站到坐的转移，其中在高度变化超过阈值时识别出转移。在该情况中，阈值能够对应于上述预定范围的下限。然而，该实施例可以得到比上述范围实施例更高的假阳性识别率，这是因为诸如上下台阶的活动可能被识别为坐到站的转移或站到坐的转移(而在范围实施例中，该移动将通过0.6-0米的上限而被丢弃作为可能的坐到站的转移或站到坐的转移)。
在图5中示出了根据本发明的特定实施例图示对坐到站的转移和站到坐的转移的检测的算法。该算法将采取由加速度计8测量的三维加速度信号(所述三维加速度信号包括针对加速度计8的三个轴中的每个的单独的信号)以及指示传感器单元2/用户4随时间推移的高度变化的信号作为输入。如上文所指出的，能够使用气压传感器或海拔传感器9获得指示传感器单元2/用户4的高度变化的信号，或者所述信号能够根据加速度信号来估计(例如通过双积分加速度的垂直分量来给出高度或高度变化)。
为了完整性，下面描述用于处理来自气压的信号以便获得高度变化信号的示范性技术。
首先，从气压传感器9获得原始气压信号pt。如前文所提及的，能够以1.8Hz的速率(或者在任意情况中以比加速度信号低得多的采样速率)对气压进行采样。因此，气压信号pt首先被上采样，以匹配加速度信号的采样速率(例如，50Hz)(经上采样的压力信号被指代为pt’)。然后能够使用以下等式1根据气压传感器测量结果来估计在时间t处的海拔(被指代为alt_t)：
alt_t＝44330*(1–pt’/101325)0.19(1)等式(1)是从等式(2)中示出的气压到海拔换算函数导出的：
alt _ t = T 0 L ( 1 - ( p p 0 ) RL gM ) - - - ( 2 )
其中：
得到的海拔信号然后被平滑化，例如利用具有预定长度(例如3秒左右)的中值滤波器或滑动平均滤波器，或者巴特沃斯(Butterworth)低通滤波器。在优选实施方式中，能够使用具有2Hz截止频率的二阶巴特沃斯滤波器，这是因为其允许由用户进行的要被良好地获得的转变的轨迹(尽管其要求气压传感器以较高的采样频率操作，例如，10Hz或更大)。滤波器被应用于经估计的海拔的时间系列，得到图6(a)中示出的经平滑的海拔信号alt_meas。
将认识到，在本发明的备选实施例中(其中使用不同类型的海拔传感器、高度传感器或高度变化传感器)，能够相应地调整或省略以上处理。
而且，尽管在图5中未示出，但是来自加速度计8的对加速度的测量结果(即，表示沿着3D加速度计8的各自的轴测量的加速度的三个信号)能够在被输入到根据本发明的主处理阶段之前被预处理。例如，三个信号能够被低通滤波，以去除能够影响后续处理的准确度的噪声。在一些情况中，具有为2Hz的截止频率的巴特沃斯低通滤波器被应用于来自加速度计8的三个轴中的每个的信号。备选地，能够应用本领域技术人员公知的不同的滤波器特性，例如，切比雪夫低通滤波器或其他类型的滤波器。也将认识到，2Hz的截止频率能取决于来自加速度计8的噪声的具体特性而变化。
在图5中示出的算法开始时，处理来自3D加速度计的测量结果(或上述经滤波的测量结果)以估计垂直加速度。在优选实施例中，对垂直加速度的估计是通过采取3D加速度信号的范数来确定的。由于当传感器单元2为挂坠的形式时所述传感器单元2能够在胸部位置处自由移动，因此要求对垂直加速度的计算。因此，在优选实施例中，3D加速度计信号(或上述经滤波的测量结果)被输入到范数计算方框22。范数计算方框22计算针对3D加速度信号中的每个样本的范数，即
ACCvert ( i ) = ( ACC x ( i ) 2 + ACC y ( i ) 2 + ACC z ( i ) 2 ) - - - ( 3 )
其中，ACCx(i)、ACCy(i)和ACCz(i)是针对第i个样本，分别沿着加速度计8的x、y和z轴的加速度的分量。
将认识到，在备选实施例中，能够使用根据3D加速度信号来确定垂直加速度的其他方式。
图6(b)示出了表示针对用户4从传感器单元2的测量结果获得的3D加速度信号的范数的示范性信号，所述用户4执行了坐到站的转移(在图6中被标记为“站起”)、行走3米并且然后坐下(在图6中被标记为“坐下”)，重复三次。在图6(b)中能够看出，存在信号中表示的三个分开的活动区。
经赋范的加速度信号(或通过其他技术获得的对垂直加速度的估计结果)ACCvert被输入到滤波器方框24，其将ACCvert信号匹配到表示预计在坐到站的转移期间发生的加速度的预定样式。
在优选实施例中，方框24将具有脉冲响应(所述脉冲响应近似于在坐到站的转移期间经历的加速度)的匹配滤波器应用于从范数计算方框22输出的垂直加速度信号(ACCvert)。为了使用该匹配滤波器识别坐到站的转移和站到坐的转移两者，图6(b)中的信号将首先使用在前向方向上的匹配滤波器被滤波。然后反转滤波信号并且使用匹配滤波器再次对所述滤波信号进行滤波，以产生图6(c)中的信号。滤波信号被指代为ACCmf并且被示出在图6(c)中。ACCmf保留了信号中匹配到图7中图示的模板的样式，同时抑制了不匹配的那些样式。匹配滤波器24的输出是指示测量结果到样式的匹配的一组系数。每个系数表示许多连续测量样本(覆盖与预定样式相同长度的时间段)到预定样式的匹配。系数越高，测量结果到样式的匹配越好(并且因此坐到站的转移或站到坐的转移已经发生的机会越大)。
在优选实施例中，方框24中使用的匹配滤波器能够如图7所示，所述匹配滤波器已经被优化为检测坐到站的转移。图7中示出的匹配滤波器排除了重力(9.8ms-2)。第一曲线50示出了坐到站的转移的典型垂直加速度样式。第二曲线51示出了应用的匹配滤波器特性，所述匹配滤波器特性近似于第一曲线50。将认识到，匹配滤波器特性可以使用许多不同的函数来表达，但在该实施例中，匹配滤波器特性由以下的等式4给出。
A1·sinc[W1(t-t1)]+A2·sinc[W2(t-t2)(4)
该特性是两个辛格函数的组合，其中，在p中定义尺度参数。p是具有六个元素的参数向量：
[A1,A2,W1,W2,t1,t2](5)
p中的每个条目都定义不同的尺度参数。A1和A2是幅度尺度参数，它们分别定义两个辛格波的峰值偏差。参数W1和W2是频率尺度参数，它们分别定义两个辛格波的频率。参数t1和t2是相位尺度参数，它们定义辛格波的位置。参数向量p中的六个元素的值被设定为调谐到图7中的坐到站的转移特性50的匹配滤波器的函数。
将认识到，参数向量p的元素的值能够通过许多已知的曲线拟合方法来提供。在一种情况中，期望的参数能够通过应用非线性最小二乘回归算法来计算，然而，许多其他类型的拟合算法是本领域公知的并能够被应用的。非线性最小二乘回归算法生成对应于不同函数的不同参数组合。所生成的函数然后根据最小平方误差准则被拟合到期望样式的数据集。当函数在参数的组合中得到最小平方误差的最小值时，就已找到优化的拟合。
在匹配滤波之后，由方框24输出的匹配滤波信号(ACCmf)被传递到另一滤波器方框26，所述另一滤波器方框26对ACCmf信号进行滤波，以增强信号中对应于坐到站的转移和站到坐的转移的部分，并抑制信号中对应于用户行走的部分的幅值。
在优选实施例中，滤波器方框26对ACCmf信号应用移动平均力量滤波器(movingaveragepowerfilter)。在一些实施方式中，移动平均力量滤波器26根据以下函数进行操作：
sigOut(i)＝mean{abs[sigIn(i:i+wSz-1)-mean(sigIn(i:i+wSz-1))]}；
sigOut＝MA(sigOut)；
sigIn是匹配滤波加速度信号(ACCmf)在预定长度的窗口(例如，0.75秒(尽管能够使用其他窗口大小))中的样本的子集，并且wSz是滑动窗口中样本的数目。由移动平均函数使用的窗口的长度可以是与用于选择输入样本(sigIn)的窗口相同的长度(例如，0.75秒)，但其可以备选地是不同的。
因此，根据该函数，在ACCmf信号(sigIn)中识别样本的窗口化的子集，并且(i)确定子集中的样本的平均值，(ii)从子集中的样本中的每个减去该平均值，(iii)确定(ii)的输出中的每个样本的绝对值，以及(iv)确定(iii)的输出中的样本的平均值。在ACCmf信号上移动窗口(例如，一次一个样本，尽管为了降低计算负荷能够使用较大的窗口步阶)并在每个窗口位置处执行以上步骤。然后使用移动平均滤波器处理(平滑化)从在ACCmf信号上滑动窗口并执行以上步骤形成的输出信号。
sigOut(或如图5和图6所示的ACCmap)是移动平均力量滤波器26的输出，并且在图6(d)中示出示范性信号。因此，能够看出，信号以许多峰为特征，每个峰大体上符合用户的站立或坐下的转变。
在备选实施方式中，移动平均力量滤波器26能够根据以下函数进行操作：
sigOut(i)＝median{abs[sigIn(i:i+wSz-1)-median(sigIn(i:i+wSz-1))]}；
sigOut＝MA(sigOut)；
或者
sigOut(i)＝median{abs[sigIn(i:i+wSz-1)-Thres]}；
sigOut＝MA(sigOut)；
其中，Thres是定义的阈值，其基于例如对重力、sigIn的样本中的全部的平均值或中值的估计结果。在后一种实施方式中，滤波器26确定到参考值的滑动窗口中的sigIn值之间的差异。所述参考值能够是对子集(或完整的)信号的平均值或中值的估计结果，或预定义的参考值。
在方框26中的移动平均力量滤波之后，处理滤波信号ACCmap以识别可能对应于用户的坐到站的转移或站到坐的转移的候选移动。该处理包括首先在方框28中识别ACCmap信号中的任何峰或最大值。优选地，仅检测ACCmap信号中具有在峰阈值以上的幅值的峰。在图6(d)中示出的示范性信号中，能够看到有六个峰将被方框28识别为候选的坐到站的转移或站到坐的转移。针对每个识别的峰(对应于候选转移)，也确定对转移的时间的估计。优选地，该估计是通过识别其中ACCmap的幅值落在峰阈值的比例(例如，峰阈值的50％)以下的峰任一侧的样本来做出的。对应于那些样本的时间提供了对转移的开始时间和结束时间的估计。方框28的输出是对移动平均力量滤波信号中最大值或峰出现时的时间的指示。
将认识到，由范数计算方框22、匹配滤波器方框24、移动平均力量滤波器方框26和最大值/峰检测方框28执行的处理操作大体上对应于图3中的步骤105。
如上文参考图3的步骤107所描述的，对于对应于在方框28中识别的峰的候选的坐到站的转移和站到坐的转移，当它们出现在与传感器单元2的高度增加相同的时间处或附近时被归类为坐到站的转移，并且当它们出现在与传感器单元2的高度降低相同的时间处或附近时被归类为站到坐的转移。
因此，方框30确定在每个识别的候选的坐到站的转移或站到坐的转移的时间处或附近发生的高度变化或海拔变化。除了从峰检测方框28接收对所识别的峰的计时的指示以外，归类方框30也接收所估计的海拔测量信号或高度测量信号alt_meas。
针对每个识别的峰，归类方框30使用高度测量信号alt_meas确定出现在峰的预定时间段之内的高度变化。因此，在一些实施例中，归类方框30将预定长度的窗口应用于在特定识别的峰出现的时间附近的高度测量信号alt_meas，并且(例如通过从窗口开始处的高度减去窗口结束处的高度，尽管本领域技术人员将意识到确定在信号上的窗口之内的高度变化的其他方式)确定在该窗口上出现的高度变化。例如，在一些备选实施方式中，能够确定在候选移动之前和之后在(例如1秒长的)窗口中的海拔的平均值或中值，并找到差异。在任一实施方式中，窗口可以具有例如1秒的长度，但其他长度也有可能。
如果确定在识别的峰出现的时间附近有高度增加，则归类方框30将该峰归类为坐到站的转移。在备选的实施例中，归类方框30可以要求高度增加大于阈值(例如，0.1米)或在预定范围之内(例如，0.1米至0.75米)，以便将峰归类为坐到站的转移。
类似地，如果确定在识别的峰出现的时间附近有高度降低，则归类方框30将该峰归类为站到坐的转移。在备选的实施例中，归类方框30可以要求高度降低(的幅值)大于阈值(例如，0.1米)或在预定范围之内(例如，0.1米至0.75米)，以便将峰归类为站到坐的转移。
将认识到，在其中阈值或预定范围被应用于高度变化的实施例中，能够基于用户的特性(例如，高度或腿的长度)来确定阈值或预定范围的值。
归类方框30的输出是对坐到站的转移已经发生的一个或多个时间以及站到坐的转移已经发生的一个或多个时间的指示。这些指示被“腿上时间”计算方框32用于确定用户4的“腿上时间”。
计算方框32确定从每个坐到站的转移到接下来的站到坐的转移已经过去的时间，并对每个过去的时间进行求和以确定腿上时间。腿上时间能够是在用户被确定没有坐下或躺下时(例如，继从坐姿到站姿的转变之后直到下一次从站姿到坐姿的转变)的全部时间段的和。换言之，计算方框32根据所识别的转移来确定用户站着的时间，并确定该时间段的长度。
所确定的腿上时间能够被提供到跌倒风险评估方框34，所述跌倒风险评估方框34确定用户4的跌倒风险。在简单的情况中，跌倒风险能够与所确定的腿上时间直接相关(例如，低的腿上时间值能够与高的跌倒风险相关联，并且反之亦然)，但在其他情况中，跌倒风险能够基于腿上时间和其他与跌倒有关的参数来确定，例如，与用户的步态的稳定性或者在完成坐到站的转移中使用的力量有关的那些参数。
除了根据检测到的坐到站的转变和站到坐转变来确定腿上时间以外，能够从3D加速度信号和/或高度信号检测到的其他移动，例如，行走等能够用于证实用户事实上在检测到的坐到站的转移之后是站着的，并且反之亦然。例如，加速度信号的变化能够被用作对移动的指示。如果加速度的变化在阈值以上，则可能用户正在四处移动(并且因此可能站着)。本领域技术人员将意识到，能够从加速度信号提取的其他特征，以辅助验证用户是否站着或坐下。
另外，本领域技术人员将认识到，这样的特征(除了高度信号以外)能够被归类方框30用于确定识别的候选移动是否是坐到站的转移或站到坐的转移。此外，本领域技术人员将认识到，在对上述基于阈值的归类技术备选的实施例中，归类方框30可以利用不同的线性归类技术或非线性归类技术。
将认识到，除了出于确定腿上时间的目的而确定坐到站的转移和站到坐的转移的发生以外，对一种或两种类型的转移的检测能够被用作评估这样的转移的执行的处理算法的部分，例如包括评估用户在执行坐到站的转移中生成的力量。
因此，提供了一种能够从对用户的移动的测量结果识别坐到站的转移和站到坐的转移的方法和装置。对这些转移的识别因此允许可靠地确定用户站着的时间而不要求用户手动记录他们的活动，并且也允许自动评估用户的跌倒风险。
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示范性的，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，在实践请求保护的发明时能够理解并实现对所公开的实施例的变型。在权利要求书中，“包括”一词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实现在权利要求中记载的若干项的功能。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/分布在合适的介质上,例如与其他硬件一起或作为其他硬件的部分供应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有线或无线的通信系统。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 (15)

1.一种用于识别用户的站姿与坐姿之间的转变的方法，所述方法包括：
-获得对所述用户在移动期间经历的加速度的测量结果；
-获得指示所述用户的部分在移动期间的高度的信号；
-处理对所述加速度的所述测量结果，以识别对应于站姿与坐姿之间的转变的候选移动；并且
-在所识别的候选移动符合所述信号中的高度增加时将所识别的候选移动确定为从坐姿到站姿的转变，并且在所识别的候选移动符合所述信号中的高度降低时将所识别的候选移动确定为从站姿到坐姿的转变。
2.如权利要求1所述的方法，其中，处理对所述加速度的所述测量结果以识别对应于站姿与坐姿之间的转变的候选移动的步骤包括将对所述加速度的所述测量结果匹配到针对坐到站的转移的预定加速度分布图。
3.如权利要求2所述的方法，其中，将对所述加速度的所述测量结果匹配到针对坐到站的转移的预定加速度分布图的步骤包括：
-利用所述预定加速度分布图对加速度的所述测量结果进行滤波，以产生前向滤波信号；
-反转所述前向滤波信号；并且
-利用所述预定加速度分布图对所反转的信号进行滤波。
4.如权利要求2或3所述的方法，其中，处理对所述加速度的所述测量结果的步骤还包括利用滤波器对来源于所述匹配的步骤的所述信号进行滤波，所述滤波器增强所述信号中对应于坐到站的转移和站到坐的转移的部分的幅值，并且抑制所述信号中对应于所述用户行走的部分的幅值。
5.如权利要求4所述的方法，其中，所述滤波的步骤包括：
(a)针对来源于所述匹配的步骤的所述信号上的窗口中的样本的子集：
(i)确定所述子集中的所述样本的平均值；
(ii)从所述子集中的所述样本中的每个减去所确定的平均值；
(iii)确定步骤(ii)的输出中的每个样本的绝对值；
(iv)确定步骤(iii)的输出中的所述样本的平均值；
(b)在来源于所述匹配的步骤的所述信号上移动所述窗口，并且重复步骤(a)；
(c)确定在步骤(b)中获得的所述信号的移动平均值，以产生滤波信号；
或者其中，所述滤波的步骤包括：
(a)针对来源于所述匹配的步骤的所述信号上的窗口中的样本的子集：
(i)从所述子集中的所述样本中的每个减去一值；
(ii)确定步骤(i)的输出中的每个样本的绝对值；
(iii)确定步骤(ii)的输出中的所述样本的平均值；
(b)在来源于所述匹配的步骤的所述信号上移动所述窗口，并且重复步骤(a)；并且
(c)确定在步骤(b)中获得的所述信号的移动平均值，以产生滤波信号。
6.如权利要求4或5中的任一项所述的方法，其中，处理对所述加速度的所述测量结果的步骤还包括：
-将所述滤波信号中的候选移动识别为所述滤波信号中的峰。
7.如权利要求6所述的方法，其中，候选移动是在所述峰具有大于阈值的幅值处被识别的。
8.如权利要求7所述的方法，其中，处理对所述加速度的所述测量结果以识别对应于站姿与坐姿之间的转变的候选移动的步骤还包括：
-将针对每个识别的候选移动的开始时间和结束时间估计为对应于在所述样本的幅值等于所述阈值的预定比例的情况下所述滤波信号中的对应峰的任一侧的样本的时间。
9.如权利要求8所述的方法，还包括通过以下来根据所获得的高度信号来确定针对每个候选移动的高度变化的步骤：
-将在所述候选移动之前的高度确定为在覆盖所述高度信号中在针对所述候选移动的所估计的开始时间之前的样本的窗口上的所述用户的所述部分的高度的平均值；
-将在所述候选移动之后的高度确定为在覆盖所述高度信号中在针对所述候选移动的所估计的结束时间之后的样本的窗口上的所述用户的所述部分的高度的平均值；以及
-从所确定的在所述候选移动之前的高度减去所确定的在所述候选移动之前的高度，以给出在所述候选移动期间的所述高度变化。
10.一种确定用户的腿上时间的方法，所述方法包括：
-识别如前述权利要求中的任一项所述的所述用户的站姿与坐姿之间的转变；
-将所述用户站着的时间确定为继从坐姿到站姿的转变之后直到从站姿到坐姿的下一转变的时间段；并且
-对所述时间段中的每个的持续时间进行求和，以给出所述腿上时间。
11.一种确定用户的跌倒风险的方法，所述方法包括：
-确定如权利要求10所述的腿上时间；并且
-根据所确定的腿上时间来确定所述用户的跌倒风险。
12.一种包括计算机程序代码的计算机程序产品，所述计算机程序代码当在计算机或处理器上运行时，通过以下令所述计算机或处理器在对用户的移动的测量结果中识别站姿与坐姿之间的转变：
-获得对所述用户在移动期间经历的加速度的测量结果；
-获得指示所述用户的部分在移动期间的高度的信号；
-处理对所述加速度的所述测量结果，以识别对应于站姿与坐姿之间的转变的候选移动；并且
-在所识别的候选移动符合所述信号中的高度增加时将所识别的候选移动确定为从坐姿到站姿的转变，并且在所识别的候选移动符合所述信号中的高度降低时将所识别的候选移动确定为从站姿到坐姿的转变。
13.一种用于在对用户的移动的测量结果中识别站姿与坐姿之间的转变的装置，所述装置包括：
-处理单元，其被配置为：
-处理对所述用户经历的加速度的测量结果，以识别对应于站姿与坐姿之间的转变的候选移动；并且
-在所识别的候选移动符合指示所述用户的部分在移动期间的高度的信号中的高度增加时将所识别的候选移动确定为从坐姿到站姿的转变，并且在所识别的候选移动符合指示所述用户的所述部分的高度的所述信号中的高度降低时将所识别的候选移动确定为从站姿到坐姿的转变。
14.一种被配置为由用户穿戴的设备，所述设备包括：
-加速度计，其在三维中测量作用在所述设备上的加速度；以及
-如权利要求13所述的装置，其中，所述处理单元被配置为处理来自所述加速度计的对所述加速度的测量结果。
15.一种系统，包括：
-被配置为由用户穿戴的设备，所述设备包括在三维中测量作用在所述设备上的加速度的加速度计；以及
-基本单元，其被配置为与所述设备通信，并且所述基本单元包括如权利要求13所述的装置，其中，所述处理单元被配置为处理来自所述加速度计的对所述加速度的测量结果。
CN201380062407.0A 2012-11-30 2013-11-29 用于识别坐姿与站姿之间的转变的方法和装置 Active CN105101869B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261731576P 2012-11-30 2012-11-30
US61/731,576 2012-11-30
PCT/IB2013/060496 WO2014083538A1 (en) 2012-11-30 2013-11-29 Method and apparatus for identifying transitions between sitting and standing postures

Publications (2)

Publication Number Publication Date
CN105101869A true CN105101869A (zh) 2015-11-25
CN105101869B CN105101869B (zh) 2018-06-12

Family

ID=50031387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380062407.0A Active CN105101869B (zh) 2012-11-30 2013-11-29 用于识别坐姿与站姿之间的转变的方法和装置

Country Status (8)

Country Link
US (1) US9934668B2 (zh)
EP (1) EP2925213B1 (zh)
JP (1) JP6444309B2 (zh)
CN (1) CN105101869B (zh)
BR (1) BR112015012303A2 (zh)
ES (1) ES2702312T3 (zh)
RU (1) RU2681582C2 (zh)
WO (1) WO2014083538A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108778122A (zh) * 2016-03-07 2018-11-09 皇家飞利浦有限公司 用于实施椅子起立测试的系统和方法
CN108903521A (zh) * 2018-07-03 2018-11-30 京东方科技集团股份有限公司 一种应用于智能画框的人机交互方法、智能画框
CN109561826A (zh) * 2016-08-02 2019-04-02 美敦力公司 用作患者功能状态的量度的加速度计信号变化
CN111028488A (zh) * 2019-10-31 2020-04-17 浙江工业大学 一种基于pso-svm的智能久坐提醒的方法
CN113573634A (zh) * 2019-03-21 2021-10-29 皇家飞利浦有限公司 分析对象的移动
US11717186B2 (en) 2019-08-27 2023-08-08 Medtronic, Inc. Body stability measurement

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9933452B2 (en) * 2011-06-28 2018-04-03 Koninklijke Philips N.V. Sit-to-stand transfer detection
US11288472B2 (en) 2011-08-30 2022-03-29 Digimarc Corporation Cart-based shopping arrangements employing probabilistic item identification
US9367770B2 (en) 2011-08-30 2016-06-14 Digimarc Corporation Methods and arrangements for identifying objects
US20140142442A1 (en) * 2012-11-19 2014-05-22 Judy Sibille SNOW Audio Feedback for Medical Conditions
US10515309B1 (en) * 2013-09-20 2019-12-24 Amazon Technologies, Inc. Weight based assistance determination
US10664795B1 (en) 2013-09-20 2020-05-26 Amazon Technologies, Inc. Weight based item tracking
US10657411B1 (en) 2014-03-25 2020-05-19 Amazon Technologies, Inc. Item identification
US10713614B1 (en) 2014-03-25 2020-07-14 Amazon Technologies, Inc. Weight and vision based item tracking
CN104216519B (zh) * 2014-09-04 2018-02-02 北京智谷技术服务有限公司 主导肢体识别方法和设备
CN105982658B (zh) * 2015-02-13 2019-04-23 华硕电脑股份有限公司 生理信息侦测方法及装置
CN105303563B (zh) * 2015-09-22 2018-04-17 北京格灵深瞳信息技术有限公司 一种跌倒检测方法及装置
CN105223803B (zh) * 2015-10-15 2017-09-19 广州视源电子科技股份有限公司 测量用户站立时长的方法和装置
JP6542718B2 (ja) * 2016-06-27 2019-07-10 日本電信電話株式会社 変化点検知装置、変化点検知方法および変化点検知プログラム
US10610132B2 (en) 2016-08-02 2020-04-07 Medtronic, Inc. Step detection using accelerometer axis
US10952686B2 (en) 2016-08-02 2021-03-23 Medtronic, Inc. Mobile application to prompt physical action to measure physiologic response in implantable device
US20200046262A1 (en) 2016-10-12 2020-02-13 Koninklijke Philips N.V. Method and apparatus for determining a fall risk
US20210396779A1 (en) * 2020-06-20 2021-12-23 Apple Inc. User posture transition detection and classification
US11602313B2 (en) 2020-07-28 2023-03-14 Medtronic, Inc. Determining a fall risk responsive to detecting body position movements

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1302162A2 (en) * 1994-09-07 2003-04-16 Omron Corporation Exercise amount measuring device capable of displaying the amount of exercise to be performed further
JP4355361B2 (ja) * 2007-07-17 2009-10-28 素徳 宗廣 下顎位決定装置およびプログラム
CN102427765A (zh) * 2009-05-20 2012-04-25 皇家飞利浦电子股份有限公司 用于检测佩戴位置的感测设备
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

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1195139A1 (en) * 2000-10-05 2002-04-10 Ecole Polytechnique Féderale de Lausanne (EPFL) Body movement monitoring system and method
US7478009B2 (en) 2005-07-29 2009-01-13 Wake Forest University Health Sciences Apparatus and method for evaluating a hypertonic condition
CN101326064B (zh) 2005-08-12 2010-08-11 里克·B·耶格尔 用于监视人的皮肤的区域的设备和方法
WO2008135985A1 (en) * 2007-05-02 2008-11-13 Earlysense Ltd Monitoring, predicting and treating clinical episodes
EP2341821A1 (en) * 2008-09-23 2011-07-13 Koninklijke Philips Electronics N.V. Power measurement method and apparatus
JP2012508943A (ja) 2008-11-14 2012-04-12 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 転倒検知及び警報のための方法及び装置
WO2010126878A1 (en) 2009-04-27 2010-11-04 Mayo Foundation For Medical Education And Research Fall detection
JP5515647B2 (ja) * 2009-11-05 2014-06-11 独立行政法人産業技術総合研究所 測位装置
JP4904419B2 (ja) * 2010-07-16 2012-03-28 ファナック株式会社 ノイズ量検出機能を備えたエンコーダ
CN101950464B (zh) 2010-09-17 2012-10-17 中国科学院深圳先进技术研究院 跌倒监测与报警的方法和系统
US9933452B2 (en) * 2011-06-28 2018-04-03 Koninklijke Philips N.V. Sit-to-stand transfer detection
EP2741669B1 (en) * 2011-09-02 2018-04-18 Koninklijke Philips N.V. Bed exit monitoring apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1302162A2 (en) * 1994-09-07 2003-04-16 Omron Corporation Exercise amount measuring device capable of displaying the amount of exercise to be performed further
JP4355361B2 (ja) * 2007-07-17 2009-10-28 素徳 宗廣 下顎位決定装置およびプログラム
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
CN102427765A (zh) * 2009-05-20 2012-04-25 皇家飞利浦电子股份有限公司 用于检测佩戴位置的感测设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108778122A (zh) * 2016-03-07 2018-11-09 皇家飞利浦有限公司 用于实施椅子起立测试的系统和方法
CN109561826A (zh) * 2016-08-02 2019-04-02 美敦力公司 用作患者功能状态的量度的加速度计信号变化
CN109561826B (zh) * 2016-08-02 2022-05-27 美敦力公司 用作患者功能状态的量度的加速度计信号变化
CN108903521A (zh) * 2018-07-03 2018-11-30 京东方科技集团股份有限公司 一种应用于智能画框的人机交互方法、智能画框
US11232790B2 (en) 2018-07-03 2022-01-25 Boe Technology Group Co., Ltd. Control method for human-computer interaction device, human-computer interaction device and human-computer interaction system
CN113573634A (zh) * 2019-03-21 2021-10-29 皇家飞利浦有限公司 分析对象的移动
US11717186B2 (en) 2019-08-27 2023-08-08 Medtronic, Inc. Body stability measurement
CN111028488A (zh) * 2019-10-31 2020-04-17 浙江工业大学 一种基于pso-svm的智能久坐提醒的方法

Also Published As

Publication number Publication date
BR112015012303A2 (pt) 2017-07-11
RU2681582C2 (ru) 2019-03-11
EP2925213A1 (en) 2015-10-07
JP2016501594A (ja) 2016-01-21
US9934668B2 (en) 2018-04-03
ES2702312T3 (es) 2019-02-28
JP6444309B2 (ja) 2018-12-26
EP2925213B1 (en) 2018-10-17
WO2014083538A1 (en) 2014-06-05
CN105101869B (zh) 2018-06-12
RU2015125907A (ru) 2017-01-11
US20150302720A1 (en) 2015-10-22

Similar Documents

Publication Publication Date Title
CN105101869A (zh) 用于识别坐姿与站姿之间的转变的方法和装置
CN103619248B (zh) 从坐到站转换检测
EP2925226B1 (en) Method and apparatus for estimating the fall risk of a user
JP6795980B2 (ja) 加速度の測定値を処理して、ユーザによるステップを識別する方法及び対応するコンピュータプログラム、並びに加速度の測定値を処理して、ユーザによるステップを識別する装置及びそのような装置を備えるデバイス
EP2389109B1 (en) Determining energy expenditure of a user
McCamley et al. An enhanced estimate of initial contact and final contact instants of time using lower trunk inertial sensor data
KR102107379B1 (ko) 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치
CN100418476C (zh) 身体运动解析装置和身体运动解析系统及其解析方法
CN102333483B (zh) 用于检测人的步行的系统和方法
CN106667493A (zh) 人体平衡性评估系统及评估方法
CN103733078A (zh) 从加速度测量估计水平或垂直方向的速度
CN101354265A (zh) 计步方法、步幅校正方法、测距方法及计步装置
JP2010263953A (ja) 運動分析装置、プログラム及び方法、並びに、運動分析システム
Sun et al. Human gait modeling and gait analysis based on Kinect
Moufawad El Achkar et al. Classification and characterization of postural transitions using instrumented shoes
CN104036283A (zh) 用于确定移动元素的活动的系统和方法
KR20180097091A (ko) 기계학습 기반 낙상 위험도 추정 장치 및 방법
CN115554674A (zh) 一种运动能耗预测方法及装置
Park et al. Detecting Human Movement during Vital Sign Measurement using Heterogeneous Sensors
CN114041765B (zh) 自校准无创连续血压测量方法及装置
Farah et al. Comparison of inertial sensor data from the wrist and mid-lower back during a 2-minute walk test
Dorofeev et al. Algorithm for Detecting Functional Disorders of the Human Musculoskeletal System According to Accelerometric Monitoring Data of the Gait
CN114601453A (zh) 一种基于步态信息的疲劳检测方法、装置及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant