CN105844269A - 用于摔倒检测的信息处理方法和系统 - Google Patents
用于摔倒检测的信息处理方法和系统 Download PDFInfo
- Publication number
- CN105844269A CN105844269A CN201610421061.4A CN201610421061A CN105844269A CN 105844269 A CN105844269 A CN 105844269A CN 201610421061 A CN201610421061 A CN 201610421061A CN 105844269 A CN105844269 A CN 105844269A
- Authority
- CN
- China
- Prior art keywords
- signal
- falling down
- fall
- information processing
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 230000010365 information processing Effects 0.000 title claims abstract description 55
- 238000003672 processing method Methods 0.000 title claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000004069 differentiation Effects 0.000 claims description 15
- 230000002085 persistent effect Effects 0.000 claims description 15
- 230000000630 rising effect Effects 0.000 claims description 15
- 230000002441 reversible effect Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012856 packing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 210000003462 vein Anatomy 0.000 claims 1
- 230000003466 anti-cipated effect Effects 0.000 abstract 3
- 230000006399 behavior Effects 0.000 description 24
- 230000008859 change Effects 0.000 description 21
- 230000003287 optical effect Effects 0.000 description 21
- 239000000835 fiber Substances 0.000 description 20
- 238000012360 testing method Methods 0.000 description 11
- 230000035945 sensitivity Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000013307 optical fiber Substances 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000001217 buttock Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002463 transducing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Gerontology & Geriatric Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种用于摔倒检测的信息处理方法和系统,其中,用于摔倒检测的信息处理方法,包括以下步骤:根据预设的脉冲上升标识阈值,获取压力检测信号的时域正向脉冲的峰值;在峰值大于预设的摔倒检测阈值时,将时域正向脉冲标记为预判事件脉冲;根据获取的摔倒区别特征,对预判事件脉冲进行时域信号特征提取,得到预判事件脉冲的摔倒识别特征变量;根据摔倒识别特征变量,通过分类器对压力检测信号进行是否为摔倒动作信号的判别。本发明用于摔倒检测的信息处理方法和系统,通过对压力检测信号进行处理,统计摔倒识别特征变量能很好地表征摔倒动作区别于其他动作,具有较高的摔倒行为识别能力。
Description
技术领域
本发明涉及光纤传感器实现摔倒动作判别与危况事件报警技术领域,特别是涉及一种用于摔倒检测的信息处理方法和系统。
背景技术
随着当今社会人口老龄化的不断加剧,“空巢家庭”比例的急速上升,老年人的独居生活应该给予更多的关注,在很多发达国家,政府对为老年人服务的健康保健机构给予了很大重视以及经济上的支持。意外摔倒是65岁以上老人死亡的其中一个重要原因,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。老人摔倒已经成为当前一个重大的医疗问题和社会问题,已有不少学者致力于这方面的研究,并取得了相应的一些成果。
发明人发现传统技术中至少存在如下问题:传统的摔倒检测技术受环境影响大、摔倒动作识别率低,而且影响使用者舒适度、不能合理的嵌入到日常生活中;传统技术一般属于入侵式的室内场合摔倒检测,并且缺乏合理的应对救助报警措施。
发明内容
基于此,有必要针对传统摔倒检测技术受环境影响大、摔倒动作识别率低的问题,提供一种用于摔倒检测的信息处理方法和系统。
为了实现上述目的,本发明技术方案的实施例为:
一方面,提供了一种用于摔倒检测的信息处理方法,包括以下步骤:
根据预设的脉冲上升标识阈值,获取压力检测信号的时域正向脉冲的峰值;峰值为时域正向脉冲在预设时间区间内的信号幅值;预设时间区间起始于时域正向脉冲在持续过程中的幅值大于预设的脉冲上升标识阈值之时;预设时间区 间终结于时域正向脉冲在持续过程中的幅值小于或等于预设的脉冲上升标识阈值之时;
在峰值大于预设的摔倒检测阈值时,将时域正向脉冲标记为预判事件脉冲;
根据获取的摔倒区别特征,对预判事件脉冲进行时域信号特征提取,得到预判事件脉冲的摔倒识别特征变量;
根据摔倒识别特征变量,通过分类器对压力检测信号进行是否为摔倒动作信号的判别。
另一方面,提供了一种用于摔倒检测的信息处理系统,包括:
获取峰值模块,用于根据预设的脉冲上升标识阈值,获取压力检测信号的时域正向脉冲的峰值;峰值为时域正向脉冲在预设时间区间内的信号幅值;预设时间区间起始于时域正向脉冲在持续过程中的幅值大于预设的脉冲上升标识阈值之时;预设时间区间终结于时域正向脉冲在持续过程中的幅值小于或等于预设的脉冲上升标识阈值之时;
标记模块,用于在峰值大于预设的摔倒检测阈值时,将时域正向脉冲标记为预判事件脉冲;
特征提取模块,用于根据获取的摔倒区别特征,对预判事件脉冲进行时域信号特征提取,得到预判事件脉冲的摔倒识别特征变量;
判别模块,用于根据摔倒识别特征变量,通过分类器对压力检测信号进行是否为摔倒动作信号的判别。
上述技术方案具有如下有益效果:
本发明用于摔倒检测的信息处理方法和系统,通过对压力检测信号进行处理,统计摔倒识别特征变量能很好地表征摔倒动作区别于其他动作,具有较高的摔倒行为识别能力。本发明可以通过相应的压力传感器感知外界施加压力变化的敏感性,并对感知信息进行处理,统计区分摔倒与其他动作的时域特征,采用特征选取与样本分类识别的方式对摔倒事件进行识别。本发明针对室内摔倒事件检测与报警,具有很高的识别率,并且数据的处理速度快,可以实现低误报、零漏报,尤其适用于独居老人的智能家居环境。
附图说明
图1为本发明用于摔倒检测的信息处理方法和系统的一应用场景示意图;
图2为本发明用于摔倒检测的信息处理方法实施例1的流程示意图;
图3为本发明用于摔倒检测的信息处理方法实施例1中波峰检测的结果示意图;
图4为本发明用于摔倒检测的信息处理方法实施例1中事件持续时间的统计流程图;
图5为本发明用于摔倒检测的信息处理方法实施例1中典型摔倒行为的特征说明图;
图6为本发明用于摔倒检测的信息处理方法实施例1中双脚跳跃行为的特征说明图;
图7为本发明用于摔倒检测的信息处理方法实施例1中实时报警的测量信号输出示意图;
图8为本发明用于摔倒检测的信息处理方法实施例1中补救报警的测试信号输出示意图;
图9为本发明用于摔倒检测的信息处理方法一具体实施例的流程示意图;
图10为本发明用于摔倒检测的信息处理方法一具体实施例中综合报警决策的流程示意图;
图11为本发明用于摔倒检测的信息处理系统实施例1的结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是,本发明可以以许多不同的形式来实现,并不限于本发明所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本发明所 使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明用于摔倒检测的信息处理方法和系统的一应用场景示例:
在一个具体的实施例中,可以通过如图1所示的智能光纤传感系统实现本发明的技术方案,例如通过在感知空间内铺设1个(或多个)光纤传感器,传感器的跳线布置覆盖整个感知空间。跳线的走线方式可以为将光纤跳线按区域以蛇形走线布置成网格形或采用其它方式布线;图1为本发明用于摔倒检测的信息处理方法和系统的一应用场景示意图;具体可以通过图1的系统设计外围电路采集反映压力变化的电压值,在摔倒检测区域部署光纤传感器,采集人体目标踩压光纤跳线引起的压力变化。当人体目标活动于摔倒检测区域,光纤传感器能够感知人体目标不同的活动行为而引起光纤跳线受到压力踩压情况的不同,在通过外围电路模块的处理后,得到能够反映人体目标活动行为的光纤传感信号。
本发明可以根据光纤传感信号的时域幅值设定事件判别的阈值,进行摔倒事件的检测;提取反映人体目标不同行为下光纤传感器信号的识别特征,对摔倒行为进行识别;并可以综合分析光纤传感信号提出一种实时报警和补救报警相结合的报警策略,做到零漏报,来减少危况事件未能识别而到来的严重后果。本发明可以实现摔倒事件检测、识别和危况事件报警功能的智能光纤信息获取、分析和处理。
本发明用于摔倒检测的信息处理方法实施例1:
为了解决传统摔倒检测技术受环境影响大、摔倒动作识别率低的问题,本发明提供了一种用于摔倒检测的信息处理方法实施例1,图2为本发明用于摔倒检测的信息处理方法实施例1的流程示意图;如图2所示,可以包括以下步骤:
步骤S210:根据预设的脉冲上升标识阈值,获取压力检测信号的时域正向脉冲的峰值;峰值为时域正向脉冲在预设时间区间内的信号幅值;预设时间区间起始于时域正向脉冲在持续过程中的幅值大于预设的脉冲上升标识阈值之时;预设时间区间终结于时域正向脉冲在持续过程中的幅值小于或等于预设的脉冲上升标识阈值之时;
步骤S220:在峰值大于预设的摔倒检测阈值时,将时域正向脉冲标记为预 判事件脉冲;
步骤S230:根据获取的摔倒区别特征,对预判事件脉冲进行时域信号特征提取,得到预判事件脉冲的摔倒识别特征变量;
步骤S240:根据摔倒识别特征变量,通过分类器对压力检测信号进行是否为摔倒动作信号的判别。
具体而言,本发明可以采用光纤传感器检测人体活动行为(包括行走、跳跃、静止、摔倒等),而光纤传感器感知的是压力的变化:当光纤传感器收到压力挤压时,输出的信号波形幅值上升;当受到的压力稳定不变时,输出信号的幅值慢慢下降趋近于基准电压。
人体活动实际上可以是双脚踩踏光纤传感器引起的一系列受力和放力的过程,采用光纤传感器作为感知元件就是通过分析输出的信号波形变化来反映这些受力与放力。由于摔倒动作相比其他小动作具有动作幅度大、压力变化剧烈、时间短等特点,所以采用压力检测信号作为感知信息能够更好地区别摔倒行为与其他行为,并且压力检测信号相比压力信号具有信号更稳定、消除温漂等优点。
传感器获取的信号波形类似于幅值变化的正弦波形,测量信号中的正向脉冲部分对应的是受力阶段,反向脉冲部分对应的是放力阶段。每一个正向、反向脉冲都是对应着一个动作部分,设计算法找到脉冲的位置就能标定行为事件的发生。大于此阈值时开始统计正向脉冲部分,小于此阈值作为正向脉冲的结束,找出开始至结束期间信号最大幅值的位置即为脉冲的峰值。本发明采用脉冲检测方法进行事件判断,由于摔倒动作往往伴随着大幅度的压力变化,在标定行为事件之前,以脉冲的峰值是否大于摔倒检测阈值th_d作为判断准则对行为事件进行初步的事件判断检测。可以采用以下公式实现初步的事件判断检测:
其中,th_p为预设的脉冲上升标识阈值;th_d预设的摔倒检测阈值。
开始统计脉冲的开始,如上述所列公式的第一行。x(ta-1)≤th_p表示在ta-1时刻,时域信号的幅值小于或者等于th_p的值;x(ta)≥th_p表示在ta时刻,时域信号的幅值大于th_p的值;∩表示并运算,指左右两公式同时成立。
开始统计脉冲的结束,如上述所列公式的第二行。x(tb-1)>th_p表示在tb-1时刻,时域信号的幅值大于th_p的值;x(tb)≤th_p表示在tb时刻,时域信号的幅值小于或者等于th_p的值;
而上述公式的第三行,是为了获得脉冲持续开始到结束期间的最大幅值即为脉冲的幅值。
在一个具体的实施例中,预设的脉冲上升标识阈值为0.05伏;预设的摔倒检测阈值为0.5伏。
如上述公式所示,th_p为脉冲上升标识阈值,大于此阈值时开始统计正向脉冲部分,小于此阈值作为正向脉冲的结束,找出开始至结束期间信号最大幅值即为波峰。选择一系列事件中幅值较大的波峰标定为待分类事件,然后统计信号时域的区别特征,对待分类事件进行进一步分类,区分为摔倒与非摔倒时间。如图3所示测量的一段信号进行离线脉冲检测(即波峰检测)后的结果示意图;图3为本发明用于摔倒检测的信息处理方法实施例1中波峰检测的结果示意图;
在一个具体的实施例中,步骤S230之前可以包括步骤:
通过统计摔倒事件与非摔倒事件在压力检测信号上的区别样本以及人体摔倒动作的反应时间间隔,获取摔倒区别特征;
摔倒识别特征变量包括预判事件脉冲的最大测量幅值、最小测量幅值、波峰个数、波谷个数、持续时间以及信号幅值的平方的和值。
具体而言,本发明将测量信号的时域正向脉冲的最大幅值作为事件检测的判别条件,超过阈值的正向脉冲标定为事件。事件包括摔倒与其他事件(即非摔倒事件),如果单纯依靠测量信号的时域幅值作为事件分类特征在分类准确率上会有所欠缺,通过详细地对比摔倒事件与其他事件(例如跺脚、跳跃)反映在时域信号之间区别,并且分析摔倒时人体不同部位接触地垫时反应时间间隔不同、以及受力的大小分布不同,从时域信号中提取相应的特征作为时间分类的判别输入。
可以首先统计事件发生的持续时间,如图4所示的是事件时间统计的流程图,其中,th_t为时间窗的长度(在本发明各实施例中可以设定为600个采样点),th_e为测量扰动阈值(在本发明各实施例中可以设定为0.04伏),t1与t2为事件的开始与结束时间,统计识别所需的七个特征变量:
(1)确定识别特征1:事件时间内的最大测量幅值xmax(t);
xmax(t)=max[x(t)];t=t1,t1+1,...,t2
其中,xmax(t)表示在时间标识从t1到t2期间时域信号最大值。
t表示时间标识,max[x(t)]表示求最大值运算。
(2)确定识别特征2:事件时间内最小测量幅值xmin(t);
xmin(t)=min[x(t)];t=t1,t1+1,...,t2
其中,xmin(t)表示在时间标识从t1到t2期间时域信号最小值。
t表示时间标识,min[x(t)]表示求最小值运算。
(3)确定识别特征3和4:统计事件时间内的波峰个数与波谷个数np与nv;
采用上述实现初步的事件判断检测所示的公式找出超出脉冲上升标识阈值th_p的脉冲波峰,并统计个数为np。采用该公式相反操作的方法找出脉冲波谷,统计个数为nv。
(4)确定识别特征5:最大波峰和波谷之间的时间t_p;
t_p=tmax-tmin
其中,tmax为xmax(t)的时标,tmin为xmin(t)的时标,t_p为最大波峰和波谷之间的时间。
(5)确定识别特征6:统计事件持续时间;
Δt=t2-t1
其中,Δt表示事件持续时间,t1为事件开始时间,t2为事件结束时间。
(6)确定识别特征7:统计事件时间内的能量和;
其中,t1为事件开始时间,t2为事件结束时间,为时间期间内时域信号幅值的平方之和;ef(t)表示事件时间内的能量和。
上述统计出来的7个特征的作用为:针对人体不同部位接触地垫时反应时间间隔不同、以及受力的大小分布不同在测量信号时域上的体现,采用数学统计表征这些区别特征。
特征1(最大测量幅值):表现摔倒和非摔倒动作踩压地垫带来的压力变化不同,摔倒动作相比非摔倒而言,动作相对要大、要激烈,所以引起的测量幅值也较大。
特征2(最小测量幅值):光纤感受到不同动作引起的光纤弹性变化,在施压稳定后,光纤会有一个释放过程,而带来的一个反向脉冲,它的幅值也会反映施加压力的剧烈程度。
特征3、4、5都是表现人体不同部位受力和摔倒时力反弹的不同(因为人体的臀部位置相比腿脚肌肉较多,反映在摔倒动作上,缓冲、压强不同)
特征6(事件持续时间):表现的是摔倒和非摔倒动作持续时间不同,因为摔倒动作是人体的臀部着地,臀部肌肉较多,会缓解一部分压力和释放一部分压力,所以持续时间较长。
特征7(统计事件时间内的能量之和):表现的是无心的摔倒动作和非摔倒动作的激烈程度不同。
同时为了形象的标识这7个分类特征,本发明分别截取了一段典型摔倒行为、双脚跳跃行为的输出信号波形图,并在图中分别标示6个特征,如图5、图6所示。图5为本发明用于摔倒检测的信息处理方法实施例1中典型摔倒行为的特征说明图;图6为本发明用于摔倒检测的信息处理方法实施例1中双脚跳跃行为的特征说明图;从图中可以对比看出7种特征在这两个动作反映的不同,图5中xmax(t)为2.88伏、xmin(t)为1.44伏、np为4、nv为2、t_p为125(单位是采样点个数)、Δt为1125(单位是采样点个数)。图6中xmax(t)为2.98伏、xmin(t)为1.2伏、np为2、nv为3、t_p为350(单位是采样点个数)、Δt为1450(单位是采样点个数)。图5和图6的区别可以从以上几个特征的值的不同得到反映。
在一个具体的实施例中,步骤S240可以包括:
将摔倒识别特征变量作为二分类分类器的输入值,通过贝叶斯分类算法以及代价算法对压力检测信号进行是否为摔倒动作信号的判别。
具体而言,即将上述的七个特征统计量作为二分类分类器的输入,采用贝叶斯分类算法选择两类中的最大后验概率作为分类依据。在此基础上,本发明将摔倒检测看成一个很典型的cost sensitivity(敏感代价:模式识别学科中的概念)问题,因为一次摔倒没有检测出来的危险要远远大于一次假的摔倒判断,所以要求整个摔倒检测系统具有较高的真正摔倒检测率。设定两类事件(摔倒事件和非摔倒事件)误分类而引起的代价比例为β(可以设定为8;经过试验对比设定的数值;β的取值范围没有明确的范围,但是一定大于1,因为漏报相比错报带来的损失代价要大),通过调节贝叶斯分类器的分类依据概率大小,来提高摔倒事件的识别率;
贝叶斯分类算法属于监督学习分类算法,通过训练样本空间得到摔倒与摔倒的数据库,当新的特征输入时,匹配与两类样本空间的距离,算出属于具体哪一类的概率,选择大的概率为判别哪一类的标准;本发明实施例中的技术方案可以是基于摔倒与非摔倒动作提取的特征,针对摔倒与非摔倒事件的分类。
在一个具体的实施例中,步骤S240之后还可以包括步骤:
在判别压力检测信号为摔倒动作信号且后续压力检测信号的幅值在预设时间阈值内小于预设的测量扰动阈值时,实时报警;
和/或
在检测到压力检测信号为反向脉冲时,记录压力检测信号的持续时间;
在持续时间达到预设持续时间阈值时,实时报警。
具体而言,本发明可以通过光纤传感器去识别人体活动行为,并对危况事件进行报警处理,对摔倒在地垫上的等待救援的人提供报警服务,通过发送紧急救助信号进行救援。本发明设计实时报警策略为:当检测为事件发生并判别为摔倒动作,且事件完成后续传感输出的压力变化信号的幅值在一定时间内接近基准电压(站立行走时输出信号不同),这种情况下,实施实时报警。其中,基准电压值指的是光纤接收端经过放大、滤波等处理后信号的原始电压值(可以设定为2.16伏),当光纤传感器感受到压力变化后,基准电压值会发生改变; 即当输出的传感信号通过事件检测与分类算法判别为输出摔倒行为时,在摔倒事件结束后,它的后续输出信号的幅值在时间阈值th_θ(一般可以取值为10秒)内始终小于测量扰动阈值th_e(一般可以取值为0.04伏),此时实施实时报警;其中th_θ是经过试验和常识统计出来的,可以用于标定老人摔倒后无法动弹,一定时间内光纤传感器感受不到压力变化的情况。如图7所示,图7为本发明用于摔倒检测的信息处理方法实施例1中实时报警的测量信号输出示意图。
但是由于摔倒动作检测的识别率很难做到100%,并且摔倒在防滑垫危况事件一旦发生然而没有报警,会造成严重的后果,这就要求报警策略不能漏报。所以,本发明还设计了一种补救辅助实时报警的紧急报警策略。
根据光纤传感器感知人体行为的施放压力的物理机制变化,在人离开地垫时,一定会出现标准的反向脉冲,并且在人的双脚彻底离开地垫后,压力变化信号是趋近于基准电压值。根据传感器这样的特性,制定了一种补救报警,来保证危况事件的漏报率为零,虽然在实时性上会有所欠缺,但是可以做到零漏报来避免漏报带来的危险后果。通过反向脉冲检测方法检测到一个反向脉冲,并且在之后的时间阈值th_λ(一般可以取值为60秒)内,传感器输出时域信号值接近于基准电压值,也就是传感器感知不到压力变化了,这时可以认定人已经离开地垫,并未发生危况事件,无需报警。其中,时间阈值th_λ的设定是为了区别那些短时间内的静止(没有引起压力变化)而不是离开光纤传感器这种情况。具体可以如图8所示,图8为本发明用于摔倒检测的信息处理方法实施例1中补救报警的测试信号输出示意图;如果使用者在使用地垫时很长时间内一直迟迟未出现标准的离开反向脉冲并且仍有压力变化信号输出(例如使用淋浴地垫一般不会超过一个时间),这时可能是摔倒行为没有被正确识别出来,危况事件已经发生,这时候采用补救报警策略进行报警。由于补救报警策略是记录地垫的使用时间,判断是否达到补救报警策略的反向脉冲与时间阈值条件,执行报警,虽然在实时性上有所欠缺,但是可以完全做到无漏报、弥补危况事件未被检测而带来的严重后果。
为了进一步详细说明本发明的技术方案,特以实际使用场景中摔倒检测实现的整个过程为例,说明本发明的技术方案的实现过程,图9为本发明用于摔 倒检测的信息处理方法一具体实施例的流程示意图;如图9所示,通过摔倒事件监测、摔倒事件识别、紧急报警处理等步骤根据光纤传感器感知外界施加压力变化的敏感性,统计区分摔倒与其他动作的七个时域特征,并分析踩压地垫时间、离开时传感特性,本发明提供了一整套从信息获取、摔倒动作识别到报警救助的方法,其中,识别算法包括:
(1)朴素贝叶斯分类算法:
本发明采用朴素贝叶斯分类算法作为判别两类(摔倒与非摔倒行为)的算法,选择两类中的最大后验概率作为分类依据:
ω(x)=argmax{P(ωi|x)};i=1,2 式子(1)
其中ω1为摔倒事件的训练样本空间,ω2为非摔倒事件的训练样本空间。
结合贝叶斯公式:
其中,P(ωi)为两类训练样本空间的先验概率,P(x)为测试样本的分布函数,对于所有的测试样本,它的值是一样的,p(x|ωi)为类条件概率分布函数。
式(1)可进一步化解:
ω(x)=argmax{p(x|ωi)P(ωi)};i=1,2 式子(3)
本发明可以采用高阶高斯分布作为离散特征的类条件概率分布函数:
其中,μi为第i类样本空间的均值向量,Ci为第i类样本空间的协方差矩阵。
μi、Ci参数的值可以采用最大似然估计法的结论:
Ni为第i类样本空间的样本个数;
综上可得,分类的判别关系式为:
(2)代价算法:
本发明为了保持较高的正确率的同时,尽可能地提高正例的识别率,摔倒检测问题可以被认为是一个代价敏感度问题(cost sensitivity)问题。可以用三个参数指标来表针整个摔倒系统的识别率,它们的数学表达式如下:
其中,sensitivity表示正例(摔倒事件)的测试样本中,被正确分类的比例,pos表示所有正例样本的个数,t_pos表示被正确分类的正例样本个数;specificity表示反例(非摔倒事件)的测试样本中,被正确分类的比例,neg表示所有反例样本的个数,t_neg表示被正确分类的反例样本个数;accuracy表示整个测试样本的识别率。
通过不同情况的分类判断,赋予各自对应的风险因子,以体现出不同分类结果的风险大小,针对本课题研究的两类问题,其风险矩阵可以表示为表1,在摔倒算法的设计中,C(α2|ω1)的值应该是大大的超过C(α1|ω2),然而具体应该超过多少,或者说这两者之间的比例关系究竟该如何定量的表示出来,一般只能通过经验方法来进行确定。
表1 摔倒与非摔倒辨别的风险矩阵
对于单个分类样本的风险函数,采用最小风险的贝叶斯决策可以使得分类风险达到最小,决策规则为:
按照式子(8),对于单个的待分类样本,根据待分类的分类风险最小,则将其决策为这个类,令两个决策风险相同,计算得到最佳的分类判断阈值,其中R(αi|x)表示待分类样本被判别为第i类所带来的风险代价,C(αi|ωj)为风险因子。
并且由于P(ω2|x)=1-P(ω1|x),且被正确分类所带来的风险应为零,风险因子C(α1|ω1)=C(α2|ω2)=0,所以式子可化解得到:
假设风险因子比为:
所以:
综上可得,加入CS决策的朴素贝叶斯分类算法的判别关系式为:
图10为本发明用于摔倒检测的信息处理方法一具体实施例中综合报警决策的流程示意图;如图10所示,本发明针对室内摔倒事件检测与报警,具有很高的识别率,并且数据的处理速度快,可以实现低误报、零漏报,尤其适用于独居老人的智能家居环境。
采用本发明的信息处理方法,实际测试了五名男性(身高165-180CM,体重50KG-70KG),在光纤防滑垫上完成一系列的动作,每个人6组不同方位的摔倒动作和12组其他动作(包括跺脚和跳跃),并标定他们的类别,“1”为摔倒动作,“2”为其他动作,将这90个样本作为样本空间。同时,将以同样方式获得的81个行为事件作为测试样本,来验证识别算法的准确性,采用朴素贝叶斯算法的结果如表2、3所示,表中所示,36个摔倒动作中有32个动作被正确识别,sensitivity为摔倒的识别率等于88.9%,45个非摔倒动作中有37个动作被正确识别,非摔倒识别率specificity为82.2%,总的识别率为85.2%。
表2 朴素贝叶斯分类结果混淆矩阵
表3 朴素贝叶斯分类识别准确率
Sensitivity | Specificity | Accuracy |
88.9% | 82.2% | 85.2% |
将CS代价算法的结论作为朴素贝叶斯分类器的分类阈值,且设定风险因子即摔倒误判为非摔倒带来的风险是非摔倒判定为摔倒带来的风险的8倍。对测试样本进行重新判别分类,分类结果如表4、5所示,从表中可以得出,加入了CS算法后,虽然非摔倒的识别率有所下降,总的识别率没有提高,但是摔倒的识别率由原来的88.9%上升到了94.4%,大大地减少了漏报的概率,降低了由于摔倒没有检测出来而引起的损失。
摔倒行为的识别率越高,越不容易出现漏报,但是非摔倒事件的识别率有所降低,可能误报率会有一定的增加,但是由于本发明提供的实时报警策略能够分析事件后续的波形,误判为摔倒事件它的后续波形不一定满足实时报警条件(弹跳与跺脚行为后很少会像平躺一样静止在光纤传感器上),所以,实时报警的准确率一定会大于摔倒与非摔倒事件的判别准确率。
表4 加入了CS算法后分类结果混淆矩阵
表5 加入了CS算法后分类识别准确率
Sensitivity | Specificity | Accuracy |
94.4% | 75.5% | 84% |
综上,本发明用于摔倒检测的信息处理方法,通过对压力检测信号进行处理,统计摔倒识别特征变量能很好地表征摔倒动作区别于其他动作,具有较高的摔倒行为识别能力。本发明可以通过相应的压力传感器感知外界施加压力变化的敏感性,并对感知信息进行处理,统计区分摔倒与其他动作的时域特征,采用特征选取与样本分类识别的方式对摔倒事件进行识别。本发明针对室内摔 倒事件检测与报警,具有很高的识别率,并且数据的处理速度快,可以实现低误报、零漏报,尤其适用于独居老人的智能家居环境。
本发明用于摔倒检测的信息处理系统实施例1:
基于以上用于摔倒检测的信息处理方法实施例的技术思想,同时为了解决传统摔倒检测技术受环境影响大、摔倒动作识别率低的问题,本发明还提供了一种用于摔倒检测的信息处理系统实施例1;图11为本发明用于摔倒检测的信息处理系统实施例1的结构示意图,如图11所示,可以包括:
获取峰值模块110,用于根据预设的脉冲上升标识阈值,获取压力检测信号的时域正向脉冲的峰值;峰值为时域正向脉冲在预设时间区间内的信号幅值;预设时间区间起始于时域正向脉冲在持续过程中的幅值大于预设的脉冲上升标识阈值之时;预设时间区间终结于时域正向脉冲在持续过程中的幅值小于或等于预设的脉冲上升标识阈值之时;
标记模块120,用于在峰值大于预设的摔倒检测阈值时,将时域正向脉冲标记为预判事件脉冲;
特征提取模块130,用于根据获取的摔倒区别特征,对预判事件脉冲进行时域信号特征提取,得到预判事件脉冲的摔倒识别特征变量;
判别模块140,用于根据摔倒识别特征变量,通过分类器对压力检测信号进行是否为摔倒动作信号的判别。
在其中一个实施例中,本发明用于摔倒检测的信息处理系统实施例1还可以包括:
获取区别特征模块150,用于通过统计摔倒事件与非摔倒事件在压力检测信号上的区别样本以及人体摔倒动作的反应时间间隔,获取摔倒区别特征;
摔倒识别特征变量包括预判事件脉冲的最大测量幅值、最小测量幅值、波峰个数、波谷个数、持续时间以及信号幅值的平方的和值。
在其中一个实施例中,判别模块140,用于将摔倒识别特征变量作为二分类分类器的输入值,通过贝叶斯分类算法以及代价算法对压力检测信号进行是否为摔倒动作信号的判别。
在其中一个实施例中,预设的脉冲上升标识阈值为0.05伏;预设的摔倒检 测阈值为0.5伏。
在其中一个实施例中,本发明用于摔倒检测的信息处理系统实施例1还可以包括:
报警模块160,用于在判别模块确定压力检测信号为摔倒动作信号且后续压力检测信号的幅值在预设时间阈值内小于预设的测量扰动阈值时,实时报警;
和/或
补救报警模块170,用于在检测到压力检测信号为反向脉冲时,记录压力检测信号的持续时间;并在持续时间达到预设持续时间阈值时,实时报警。
本发明用于摔倒检测的信息处理系统,通过对压力检测信号进行处理,统计摔倒识别特征变量能很好地表征摔倒动作区别于其他动作,具有较高的摔倒行为识别能力。本发明可以通过相应的压力传感器感知外界施加压力变化的敏感性,并对感知信息进行处理,统计区分摔倒与其他动作的时域特征,采用特征选取与样本分类识别的方式对摔倒事件进行识别。本发明针对室内摔倒事件检测与报警,具有很高的识别率,并且数据的处理速度快,可以实现低误报、零漏报,尤其适用于独居老人的智能家居环境。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于摔倒检测的信息处理方法,其特征在于,包括以下步骤:
根据预设的脉冲上升标识阈值,获取压力检测信号的时域正向脉冲的峰值;所述峰值为所述时域正向脉冲在预设时间区间内的信号幅值;所述预设时间区间起始于所述时域正向脉冲在持续过程中的幅值大于所述预设的脉冲上升标识阈值之时;所述预设时间区间终结于为所述时域正向脉冲在持续过程中的幅值小于或等于所述预设的脉冲上升标识阈值之时;
在所述峰值大于预设的摔倒检测阈值时,将所述时域正向脉冲标记为预判事件脉冲;
根据获取的摔倒区别特征,对所述预判事件脉冲进行时域信号特征提取,得到所述预判事件脉冲的摔倒识别特征变量;
根据所述摔倒识别特征变量,通过分类器对所述压力检测信号进行是否为摔倒动作信号的判别。
2.根据权利要求1所述的用于摔倒检测的信息处理方法,其特征在于,根据获取的摔倒区别特征,对所述预判事件脉冲进行时域信号特征提取,得到所述预判事件脉冲的摔倒识别特征变量的步骤之前包括步骤:
通过统计摔倒事件与非摔倒事件在压力检测信号上的区别样本以及人体摔倒动作的反应时间间隔,获取所述摔倒区别特征;
所述摔倒识别特征变量包括所述预判事件脉冲的最大测量幅值、最小测量幅值、波峰个数、波谷个数、持续时间以及信号幅值的平方的和值。
3.根据权利要求1所述的用于摔倒检测的信息处理方法,其特征在于,根据所述摔倒识别特征变量,通过分类器对所述压力检测信号进行是否为摔倒动作信号的判别的步骤包括:
将所述摔倒识别特征变量作为二分类分类器的输入值,通过贝叶斯分类算法以及代价算法对所述压力检测信号进行是否为摔倒动作信号的判别。
4.根据权利要求1至3任意一项所述的用于摔倒检测的信息处理方法,其特征在于,所述预设的脉冲上升标识阈值为0.05伏;所述预设的摔倒检测阈值为0.5伏。
5.根据权利要求1至3任意一项所述的用于摔倒检测的信息处理方法,其特征在于,根据所述摔倒识别特征变量,通过分类器对所述压力检测信号进行是否为摔倒动作信号的判别的步骤之后还包括步骤:
在判别所述压力检测信号为摔倒动作信号且后续压力检测信号的幅值在预设时间阈值内小于预设的测量扰动阈值时,实时报警;
和/或
在检测到压力检测信号为反向脉冲时,记录所述压力检测信号的持续时间;
在所述持续时间达到预设持续时间阈值时,实时报警。
6.一种用于摔倒检测的信息处理系统,其特征在于,包括:
获取峰值模块,用于根据预设的脉冲上升标识阈值,获取压力检测信号的时域正向脉冲的峰值;所述峰值为所述时域正向脉冲在预设时间区间内的信号幅值;所述预设时间区间起始于所述时域正向脉冲在持续过程中的幅值大于所述预设的脉冲上升标识阈值之时;所述预设时间区间的终结于所述时域正向脉冲在持续过程中的幅值小于或等于所述预设的脉冲上升标识阈值之时;
标记模块,用于在所述峰值大于预设的摔倒检测阈值时,将所述时域正向脉冲标记为预判事件脉冲;
特征提取模块,用于根据获取的摔倒区别特征,对所述预判事件脉冲进行时域信号特征提取,得到所述预判事件脉冲的摔倒识别特征变量;
判别模块,用于根据所述摔倒识别特征变量,通过分类器对所述压力检测信号进行是否为摔倒动作信号的判别。
7.根据权利要求6所述的用于摔倒检测的信息处理系统,其特征在于,还包括:
获取区别特征模块,用于通过统计摔倒事件与非摔倒事件在压力检测信号上的区别样本以及人体摔倒动作的反应时间间隔,获取所述摔倒区别特征;
所述摔倒识别特征变量包括所述预判事件脉冲的最大测量幅值、最小测量幅值、波峰个数、波谷个数、持续时间以及信号幅值的平方的和值。
8.根据权利要求6所述的用于摔倒检测的信息处理系统,其特征在于,
所述判别模块,用于将所述摔倒识别特征变量作为二分类分类器的输入值,通过贝叶斯分类算法以及代价算法对所述压力检测信号进行是否为摔倒动作信号的判别。
9.根据权利要求6至8任意一项所述的用于摔倒检测的信息处理系统,其特征在于,
所述预设的脉冲上升标识阈值为0.05伏;所述预设的摔倒检测阈值为0.5伏。
10.根据权利要求6至8任意一项所述的用于摔倒检测的信息处理系统,其特征在于,还包括:
报警模块,用于在所述判别模块确定所述压力检测信号为摔倒动作信号且后续压力检测信号的幅值在预设时间阈值内小于预设的测量扰动阈值时,实时报警;
和/或
补救报警模块,用于在检测到压力检测信号为反向脉冲时,记录所述压力检测信号的持续时间;并在所述持续时间达到预设持续时间阈值时,实时报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610421061.4A CN105844269A (zh) | 2016-06-14 | 2016-06-14 | 用于摔倒检测的信息处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610421061.4A CN105844269A (zh) | 2016-06-14 | 2016-06-14 | 用于摔倒检测的信息处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105844269A true CN105844269A (zh) | 2016-08-10 |
Family
ID=56575980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610421061.4A Pending CN105844269A (zh) | 2016-06-14 | 2016-06-14 | 用于摔倒检测的信息处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844269A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846731A (zh) * | 2017-03-23 | 2017-06-13 | 刘宇 | 盲人防撞系统 |
CN108898793A (zh) * | 2018-06-11 | 2018-11-27 | 武汉兴火源科技有限责任公司 | 一种基于浴室跌倒探测报警系统的跌倒报警方法 |
CN111626273A (zh) * | 2020-07-29 | 2020-09-04 | 成都睿沿科技有限公司 | 基于原子性动作时序特性的摔倒行为识别系统及方法 |
CN111915840A (zh) * | 2019-05-09 | 2020-11-10 | 阿尔卑斯通信器件技术(上海)有限公司 | 跌倒检测装置及跌倒检测方法 |
CN114120587A (zh) * | 2020-09-01 | 2022-03-01 | 纬创资通股份有限公司 | 非接触式动作检测方法、动作检测装置及危险情境检测方法 |
CN115205982A (zh) * | 2022-09-08 | 2022-10-18 | 深圳市维海德技术股份有限公司 | 起立跟踪检测方法、电子设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080021488A1 (en) * | 2006-07-24 | 2008-01-24 | Sascha Berberich | Medical Instrument for Cutting Tissue |
CN102750802A (zh) * | 2012-05-16 | 2012-10-24 | 南京航空航天大学 | 基于光纤传感物联网技术的老人监护报警系统 |
CN104825167A (zh) * | 2015-05-11 | 2015-08-12 | 芜湖美的厨卫电器制造有限公司 | 浴垫及基于浴垫的跌倒检测方法 |
CN105374160A (zh) * | 2015-12-01 | 2016-03-02 | 四川长虹电器股份有限公司 | 用于家居环境内的安全保障系统及方法 |
CN105361890A (zh) * | 2015-12-24 | 2016-03-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 智能光纤地垫系统及其摔倒检测方法 |
-
2016
- 2016-06-14 CN CN201610421061.4A patent/CN105844269A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080021488A1 (en) * | 2006-07-24 | 2008-01-24 | Sascha Berberich | Medical Instrument for Cutting Tissue |
CN102750802A (zh) * | 2012-05-16 | 2012-10-24 | 南京航空航天大学 | 基于光纤传感物联网技术的老人监护报警系统 |
CN104825167A (zh) * | 2015-05-11 | 2015-08-12 | 芜湖美的厨卫电器制造有限公司 | 浴垫及基于浴垫的跌倒检测方法 |
CN105374160A (zh) * | 2015-12-01 | 2016-03-02 | 四川长虹电器股份有限公司 | 用于家居环境内的安全保障系统及方法 |
CN105361890A (zh) * | 2015-12-24 | 2016-03-02 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 智能光纤地垫系统及其摔倒检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846731A (zh) * | 2017-03-23 | 2017-06-13 | 刘宇 | 盲人防撞系统 |
CN108898793A (zh) * | 2018-06-11 | 2018-11-27 | 武汉兴火源科技有限责任公司 | 一种基于浴室跌倒探测报警系统的跌倒报警方法 |
CN111915840A (zh) * | 2019-05-09 | 2020-11-10 | 阿尔卑斯通信器件技术(上海)有限公司 | 跌倒检测装置及跌倒检测方法 |
CN111915840B (zh) * | 2019-05-09 | 2021-12-21 | 阿尔卑斯通信器件技术(上海)有限公司 | 跌倒检测装置及跌倒检测方法 |
CN111626273A (zh) * | 2020-07-29 | 2020-09-04 | 成都睿沿科技有限公司 | 基于原子性动作时序特性的摔倒行为识别系统及方法 |
CN111626273B (zh) * | 2020-07-29 | 2020-12-22 | 成都睿沿科技有限公司 | 基于原子性动作时序特性的摔倒行为识别系统及方法 |
CN114120587A (zh) * | 2020-09-01 | 2022-03-01 | 纬创资通股份有限公司 | 非接触式动作检测方法、动作检测装置及危险情境检测方法 |
CN115205982A (zh) * | 2022-09-08 | 2022-10-18 | 深圳市维海德技术股份有限公司 | 起立跟踪检测方法、电子设备及介质 |
CN115205982B (zh) * | 2022-09-08 | 2023-01-31 | 深圳市维海德技术股份有限公司 | 起立跟踪检测方法、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844269A (zh) | 用于摔倒检测的信息处理方法和系统 | |
Acharya et al. | Application of entropies for automated diagnosis of epilepsy using EEG signals: A review | |
Lauritsen et al. | Measuring the prevalence of crime with the national crime victimization survey | |
JP6027132B2 (ja) | 質量分析法とスコア正規化による微生物の特定方法 | |
US20110257556A1 (en) | Systems and methods for quantitatively characterizing slow wave activities and states in sleep | |
KR102266555B1 (ko) | Ir-uwb 레이더를 이용한 비침습/비접촉 방식 수면 무호흡증 검출 및 진단 장치 및 방법 | |
US20240133391A1 (en) | Prediction method for stall and surging of axial-flow compressor based on deep autoregressive network | |
Vanitha et al. | Hybrid SVM classification technique to detect mental stress in human beings using ECG signals | |
CN104523265A (zh) | 异常心电数据的判断方法和装置 | |
CN114098655B (zh) | 一种智能睡眠风险监测方法及系统 | |
Temko et al. | An SVM-based system and its performance for detection of seizures in neonates | |
Gao et al. | Real time ECG characteristic point detection with randomly selected signal pair difference (RSSPD) feature and random forest classifier | |
Tsipouras et al. | Assessing the frailty of older people using bluetooth beacons data | |
CN110782990A (zh) | 用于基层公卫服务脑卒中风险评估的方法、系统及移动平台 | |
Singh et al. | Hidden Markov Models for modeling blood pressure data to predict acute hypotension | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
Wan et al. | A novel atrial fibrillation automatic detection algorithm based on ensemble learning and multi-feature discrimination | |
Bajlekov et al. | Electrohysterographic detection of uterine contractions in term pregnancy | |
CN112037906A (zh) | 一种长时生理信号时间序列的样本数据的扩充方法及系统 | |
CN114903442A (zh) | 基于门控循环网络的脑电信号间效应连通性检测方法 | |
Seifert et al. | A robust and sequential approach for detecting gait asymmetry based on radar micro-doppler signatures | |
Yılmaz et al. | Analysis of snore sounds by using the largest Lyapunov exponent | |
GB2581081A (en) | Physiological property forecasting | |
CN117807551B (zh) | 基于智能戒指的心率异常捕获方法及系统 | |
Islam et al. | Detection of some major heart diseases using fractal analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20200515 |
|
AD01 | Patent right deemed abandoned |