CN106092134B - 一种基于自适应算法的运动警报方法以及运动警报装置 - Google Patents

一种基于自适应算法的运动警报方法以及运动警报装置 Download PDF

Info

Publication number
CN106092134B
CN106092134B CN201610369385.8A CN201610369385A CN106092134B CN 106092134 B CN106092134 B CN 106092134B CN 201610369385 A CN201610369385 A CN 201610369385A CN 106092134 B CN106092134 B CN 106092134B
Authority
CN
China
Prior art keywords
data
motion
sporter
movement
sensor
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.)
Active
Application number
CN201610369385.8A
Other languages
English (en)
Other versions
CN106092134A (zh
Inventor
康洪波
司亚超
赵建光
李恩龙
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.)
ZHANGJIAKOU HAOYUAN ELECTRONIC TECHNOLOGY Co.,Ltd.
Original Assignee
Hebei University of Architecture
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 Hebei University of Architecture filed Critical Hebei University of Architecture
Priority to CN201610369385.8A priority Critical patent/CN106092134B/zh
Publication of CN106092134A publication Critical patent/CN106092134A/zh
Application granted granted Critical
Publication of CN106092134B publication Critical patent/CN106092134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Emergency Alarm Devices (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Alarm Systems (AREA)

Abstract

本申请提供一种基于自适应算法的运动警报方法，包括如下步骤：步骤S1、使用传感器获得运动数据；步骤S2、根据运动数据判断是否存在运动异常；步骤S3、如果存在运动异常则定位运动者位置；步骤S4、发出警报信号并发送运动者位置信息。该运动警报方法采用自适应算法对运动者的日常运行轨迹进行记录和分析，形成适应于每位运动者个体化差异的行为序列，从而有利于提高警报的精确度。当在某一阶段运动者由于身体某一部分异常而形成运动状态异常时，算法也可自动生成运动纠正序列，从而提高了适应性，解决了现有运动警报功能精度不够的问题，使得运动者发生运动状态异常时，将运动者运动数据以及运动者位置信息更加及时准确的传递给指定人员。

Description

一种基于自适应算法的运动警报方法以及运动警报装置
技术领域
本申请涉及通信领域，尤其涉及一种基于自适应算法的运动警报方法以及运动警报装置。
背景技术
随着我国进入老龄化社会，老年人在日常生活中，因意外或突发疾病发生摔倒的概率逐年增高，如果没有被及时发现并进行救助，有可能造成生命危险，因此已成为亟待解决的问题。
然而现有的运动警报装置，跌倒检测的精度不够，时常有误报的情况，虽然通用性强，但对某一特定用户的具体运动状态认知不够，导致个体适应性不强。而且只能作为摔倒警报所用，无法作为自行摔倒、被人撞倒等情况的有效分析依据。因此，目前缺乏一种能够准确判定不同个体运动状态的，具有强适应性的运动警报装置。
发明内容
有鉴于此，本申请提供一种基于自适应算法的运动警报方法，用于解决现有技术中对用户运动状态判定精确度不够，个体适应性不强，且无法作为自行摔倒、被人撞倒等情况的有效分析依据的技术问题。
为达到上述目的，本申请的实施例采用如下技术方案：
第一方面，提供了一种基于自适应算法的运动警报方法，包括如下步骤：
步骤S0、使用传感器预先收集运动者运动数据，建立运动者特征模型；
步骤S1、使用传感器获得运动数据；
步骤S2、根据运动数据判断是否存在运动异常；
步骤S3、如果存在运动异常则定位运动者位置；
步骤S4、发出警报信号并发送运动者位置信息。
所述传感器获得的运动数据包括三维空间内的加速度数据和X/Y/Z三个方向上的角速度数据。
其中步骤S0所述特征模型使用如下公式表示：
公式(1)中C为特征误差向量，采用[0,1]之间的随机数，y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，矩阵y为在时间t获得的特征值群，A为传感器采集的数据组群，m为预先规定的运动者运动数据样本数量。
其中步骤S2所述根据运动数据判断是否存在运动异常，包括如下子步骤：
步骤S201、将获得的运动数据进行归一化，形成向量集矩阵
Figure BDA0001003696550000022
其中nm,t+1为在时间t+1获得的第m个特征值，N为在时间t+1获得的特征值群，m为预先规定的运动者运动数据样本数量；
步骤S202、比较获得的向量集矩阵N和步骤S0计算获得的矩阵y，获得比较结果R，将比较结果R和阈值Z进行比较，判断R是否在阈值范围内，如果超过阈值范围则认为运动者存在运动异常。
第二方面，提供了一种基于自适应算法的运动警报方法，该方法根据运动者不同运动状态，对运动数据进行预分类。包括如下步骤：
步骤S0、使用传感器预先收集运动者运动数据，建立运动者特征模型；
步骤S1、使用传感器获得运动数据；
步骤S2、根据运动数据判断是否存在运动异常；
步骤S3、如果存在运动异常则定位运动者位置；
步骤S4、发出警报信号并发送运动者位置信息。
所述传感器获得的运动数据包括三维空间内的加速度数据和X/Y/Z三个方向上的角速度数据。
其中步骤S1之前还包括步骤：
步骤S01、使用传感器预先收集运动者运动数据，对其进行预分类，获得多组预分类后的特征数据，形成多个预分类组；
步骤S02、对于每一个预分类组建立该预分类组的运动者特征模型，该特征模型使用如下公式表示：
Figure BDA0001003696550000031
公式(1)中C为特征误差向量，采用[0,1]之间的随机数，y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，矩阵y为在时间t获得的特征值群，A为传感器采集的数据组群，m为预先规定的运动者运动数据样本数量。
其中步骤S2所述根据运动数据判断是否存在运动异常，包括如下子步骤：
步骤S201、将获得的运动数据进行归一化，形成向量集矩阵
Figure BDA0001003696550000041
其中nm,t+1为在时间t+1获得的第m个特征值，N为在时间t+1获得的特征值群，m为预先规定的运动者运动数据样本数量；
步骤S202、对向量集矩阵N进行预分类，将其分类到预分类组中；
步骤S203、比较获得的向量集矩阵N和步骤S0计算获得，获得比较结果R，将比较结果R和阈值Z进行比较，判断R是否在阈值范围内，如果超过阈值范围则认为运动者存在运动异常。
第三方面，提供了一种基于自适应算法的运动警报装置，包括如下部件：
传感器，获得运动数据；
控制器，根据获得的运动数据判断是否存在运动异常；
定位器，在控制器判断存在运动异常时获得运动者的位置数据；
发送器，将运动异常数据和运动位置信息发送给外部设备。
所述传感器获得的运动数据，包括三维空间内的加速度数据和X/Y/Z三个方向上的角速度数据。
所述发送器发送传感器数据给外部设备。
所述控制器在判断是否存在运动异常之前，使用传感器预先收集运动者运动数据，建立运动者特征模型，该特征模型使用如下公式表示：
Figure BDA0001003696550000042
公式(1)中C为特征误差向量，采用[0,1]之间的随机数，y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，矩阵y为在时间t获得的特征值群，A为传感器采集的数据组群，m为预先规定的运动者运动数据样本数量。
该运动警报方法采用自适应算法对运动者的日常运行轨迹进行记录和分析，形成适应于每位运动者个体化差异的行为序列，从而有利于提高警报的精确度。当在某一阶段运动者由于身体某一部分异常而形成运动状态异常时，算法也可自动生成运动纠正序列，从而提高了适应性，解决了现有运动警报功能精度不够的问题，使得运动者发生运动状态异常时，将运动者运动数据以及运动者位置信息更加及时准确的传递给指定人员。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于自适应算法的运动警报方法的流程示意图；
图2是本申请实施例一中步骤S2的流程示意图；
图3是本申请实施例二提供的一种基于自适应算法的运动警报方法的流程示意图；
图4是本申请实施例二中步骤S2的流程示意图；
图5是本申请实施例三提供的一种基于自适应算法的运动警报装置的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一：
图1为本发明实施例一提供的一种基于自适应算法的运动警报方法的流程示意图，如图1所示，包括：
步骤S0、使用传感器预先收集运动者运动数据，建立运动者特征模型。
具体的，步骤S0所述特征模型使用如下公式表示：
其中，公式(1)中C为特征误差向量，采用[0,1]之间的随机数，使用rand()函数生成。y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，矩阵y为在时间t获得的特征值群，A为传感器采集的数据组群，m为预先规定的运动者运动数据样本数量。
具体的，可利用C语言在DMP中实现其算法，最初可将m取值为1000，使用传感器采集1000组运动者运动数据，用来训练此模型，从而矫正初值，计算公式如下：
Figure BDA0001003696550000062
步骤S1、使用传感器获得运动数据。
具体的，当步骤S0所述运动者特征模型完成初值矫正后，由传感器收集运动者运动数据，收集频率以秒为单位，所述传感器为六轴传感器，该六轴传感器可以集中生成3轴MEMS加速度数据和3轴MEMS陀螺数据，共6组数据，分别为X/Y/Z三个方向上的加速度数据，和X/Y/Z三个方向上的角速度数据。其中，加速度数据用来判断人体的行为方式，角速度数据用来判断人体的姿态。
步骤S2、根据运动数据判断是否存在运动异常。
具体的，判断是否存在运动异常，包括如下子步骤：
步骤S201、将获得的运动数据进行归一化，形成向量集矩阵
Figure BDA0001003696550000071
其中nm,t+1为在时间t+1获得的第m个归一化特征值，N为在时间t+1获得的归一化特征值群，m为预先规定的运动者运动数据样本数量；
步骤S202、比较获得的向量集矩阵N和步骤S0计算获得的矩阵y，可以通过矩阵运算，例如异或运算，获得比较结果R，将比较结果R和阈值Z进行比较，判断R是否在阈值范围内，如果超过阈值范围则认为运动者存在运动异常。
步骤S3、如果存在运动异常则定位运动者位置。
具体的，可利用GPS信号定位该运动警报装置所处的位置，获得经纬度坐标，以及具体地址。
步骤S4、发出警报信号并发送运动者位置信息。
具体的，将步骤S2获取的判断结果，以及步骤S3获取的运动者异常运动时所处的位置数据发送至外部设备。
实施例二：
图2为本发明实施例二，实施例二中的方法与实施例一中的方法步骤S0和S2不同，步骤S1、S3、S4与实施例一中相同，因此不再赘述。其中步骤S0包括如下子步骤：
步骤S01、使用传感器预先收集运动者运动数据，对其进行预分类，所述预分类例如可根据运动者不同运动速度进行分类，分为慢走、快走、慢跑和快跑，再针对多种运动状态，获得此运动者不同运动状态下的运动特征数据，从而形成多个预分类组。
具体的，可根据运动者身体条件，选择一种或多种运动状态预分类。
步骤S02、对于每一个预分类组建立该预分类组的运动者特征模型。
具体的，步骤S02所述特征模型使用如下公式表示：
Figure BDA0001003696550000081
其中，公式(1)中C为特征误差向量，采用[0,1]之间的随机数，使用rand()函数生成。y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，矩阵y为在时间t获得的特征值群，A为传感器采集的数据组群，m为在某一运动状态下预先规定的运动者运动数据样本数量。
可利用C语言在DMP中实现其算法，最初可将m取值为1000，使用传感器采集1000组运动者运动数据，用来训练此模型，从而矫正初值，计算公式如下：
Figure BDA0001003696550000082
步骤S2根据运动数据判断是否存在运动异常包括如下子步骤：
步骤S’201、将获得的运动数据进行归一化，形成向量集矩阵
Figure BDA0001003696550000083
其中nm,t+1为在时间t+1获得的第m个归一化特征值，N为在时间t+1获得的归一化特征值群，m为预先规定的运动者运动数据样本数量；
步骤S’202、对向量集矩阵N进行预分类，将其分类到预分类组中；
例如根据获得的速度数据，将向量集矩阵N预分类到慢跑、快走、快跑预分类组之一中。
步骤S’203、比较获得的向量集矩阵N和步骤S0计算获得的矩阵y，可以通过矩阵运算，例如异或运算，获得比较结果R，将比较结果R和阈值Z进行比较，判断R是否在阈值范围内，如果超过阈值范围则认为运动者存在运动异常。
图3为本发明的基于自适应算法的运动警报装置的结构示意图。
如图3所示，运动警报装置包括：传感器1、控制器2、定位器3和发送器4。
所述控制器2与传感器1、定位器3和发送器4电连接，进一步的，传感器1和定位器3也将获得的数据发送给控制器2。
传感器1用于获得运动者运动数据。传感器1可包括一个或多个六轴传感器，当运动者运动状态发生变化时，传感器1对运动者运动状态数据进行采集，本申请具体使用MPU6050六轴传感器，该六轴传感器可以集中生成3轴MEMS加速度数据和3轴MEMS陀螺数据，共6组数据，分别为X/Y/Z三个方向上的加速度数据，和X/Y/Z三个方向上的角速度数据。其中，加速度数据用来判断人体的行为方式，角速度数据用来判断人体的姿态。所述传感器1将运动状态数据发送至所述控制器2，由所述控制器2判断老人的运动状态。所述传感器1采集的数据，可以通过串口发送至PC机，并在PC机中显示。
控制器2用于根据所述传感器1获得的运动数据判断运动者是否存在运动异常。
控制器根据本申请实施例一、实施例二之一的基于自适应算法的运动警报方法，判断传感器1采集的运动者运动状态是否存在异常。
定位器3用于在控制器2判断存在运动异常时获得运动者的位置数据。
定位器3使用GPS信号定位该运动警报装置所处的位置，获得经纬度坐标，以及具体地址。
发送器4用于将运动异常数据和运动位置信息发送给外部设备。
发送器将控制器2判断的运动者运动异常数据，以及定位器获取的运动者异常运动时所处的位置数据发送至外部设备。
外部设备，例如移动终端，接收运动异常数据，对运动异常数据进行分析，判断运动异常数据产生原因，例如是自行摔倒还是被人撞倒，并将判断结果显示给用户。
具体的，自行摔倒和被人撞倒的主要区别表现为，用户在X/Y/Z三个方向上受力不同，从而导致用户以及运动警报装置的加速度和角速度不同。当自行摔倒时，X/Y/Z三个方向上的加速度呈线性变化过程，变化曲线无突变。而被人撞倒时，加速度在某一个方向上，尤其是X/Y方向上将产生大于某一阈值，例如500g/s的受力突变，从而导致相应方向上的加速度突变，即其加速度呈非线性变化过程，当在某个时间阈内，加速度突变的幅度大于设定阈值时，可以初步认定为被人撞倒。
因此，可通过传感器获取的加速度、角速度数据的变化过程，判断运动异常数据产生的原因。
同时，当自行摔倒时，在初始阶段时间阈内，Z轴方向上的自旋角速度趋近于0，且呈线性变化过程，无突变。而被人撞倒时，Z轴方向上的自旋角速度将产生突变，且自旋角速度产生变化所需时间远小于自行摔倒。
当然，实施本申请的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请保护的范围。
下面结合本申请附图进一步说明本申请具体实现。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种基于自适应算法的运动警报方法，包括如下步骤：
步骤S1、使用传感器获得运动数据；
步骤S2、根据运动数据判断是否存在运动异常；
步骤S3、如果存在运动异常则定位运动者位置；
步骤S4、发出警报信号并发送运动者位置信息；
其中步骤S1之前还包括步骤S0：
步骤S0、使用传感器预先收集运动者运动数据，建立运动者特征模型，该特征模型使用如下公式表示：
Figure FDA0001835502580000011
其中c为特征误差向量，采用[0,1]之间的随机数，y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，A为传感器采集的数据，m为预先规定的运动者运动数据样本数量。
2.如权利要求1所述的基于自适应算法的运动警报方法，其中使用传感器获得的运动数据包括三维空间内的加速度数据和X/Y/Z三个方向上的角速度数据。
3.如权利要求1所述的基于自适应算法的运动警报方法，其中步骤S2、根据运动数据判断是否存在运动异常包括如下子步骤：
步骤S201、将获得的运动数据进行归一化，形成向量集矩阵
Figure FDA0001835502580000012
其中nm,t+1为在时间t+1获得的第m个归一化特征值，N为在时间t+1获得的归一化特征值群，m为预先规定的运动者运动数据样本数量；
步骤S202、比较获得的向量集矩阵N和步骤S0计算获得的矩阵y，获得比较结果R，将比较结果R和阈值Z进行比较，判断R是否在阈值范围内，如果超过阈值范围则认为运动者存在运动异常。
4.如权利要求1所述的基于自适应算法的运动警报方法，其中步骤S0具体包括步骤：
步骤S01、使用传感器预先收集运动者运动数据，对其进行预分类，获得多组预分类后的特征数据，形成多个预分类组；
步骤S02、对于每一个预分类组建立该预分类组的运动者特征模型，该特征模型使用如下公式表示：
Figure FDA0001835502580000021
其中c为特征误差向量，采用[0,1]之间的随机数，y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，A为传感器采集的数据，m为预先规定的运动者运动数据样本数量。
5.如权利要求4所述的基于自适应算法的运动警报方法，其中步骤S2、根据运动数据判断是否存在运动异常包括如下子步骤：
步骤S201、将获得的运动数据进行归一化，形成向量集矩阵
Figure FDA0001835502580000022
其中nm,t+1为在时间t+1获得的第m个归一化特征值，N为在时间t+1获得的归一化特征值群，m为预先规定的运动者运动数据样本数量；
步骤S202、对向量集矩阵N进行预分类，将其分类到预分类组中；
步骤S203、比较获得的向量集矩阵N和步骤S0计算获得的矩阵y，获得比较结果R，将比较结果R和阈值Z进行比较，判断R是否在阈值范围内，如果超过阈值范围则认为运动者存在运动异常。
6.一种基于自适应算法的运动警报装置，包括如下部件：
传感器，获得运动数据；
控制器，根据获得的运动数据判断是否存在运动异常；
定位器，在控制器判断存在运动异常时获得运动者的位置数据；
发送器，将运动异常数据和运动位置信息发送给外部设备；
控制器在判断是否存在运动异常之前，使用传感器预先收集运动者运动数据，建立运动者特征模型，该特征模型使用如下公式表示：
其中c为特征误差向量，采用[0,1]之间的随机数，y为特征值，初值为设定的一般特征值数组，ym,t为在时间t获得的第m个特征值，矩阵y为在时间t获得的特征值群，A为传感器采集的数据组群，m为预先规定的运动者运动数据样本数量。
7.如权利要求6所述的基于自适应算法的运动警报装置，其中传感器获得的运动数据包括三维空间内的加速度数据和X/Y/Z三个方向上的角速度数据。
8.如权利要求6所述的基于自适应算法的运动警报装置，其中发送器发送传感器数据给外部设备。
CN201610369385.8A 2016-05-30 2016-05-30 一种基于自适应算法的运动警报方法以及运动警报装置 Active CN106092134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610369385.8A CN106092134B (zh) 2016-05-30 2016-05-30 一种基于自适应算法的运动警报方法以及运动警报装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610369385.8A CN106092134B (zh) 2016-05-30 2016-05-30 一种基于自适应算法的运动警报方法以及运动警报装置

Publications (2)

Publication Number Publication Date
CN106092134A CN106092134A (zh) 2016-11-09
CN106092134B true CN106092134B (zh) 2020-01-31

Family

ID=57230364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610369385.8A Active CN106092134B (zh) 2016-05-30 2016-05-30 一种基于自适应算法的运动警报方法以及运动警报装置

Country Status (1)

Country Link
CN (1) CN106092134B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991789A (zh) * 2017-05-10 2017-07-28 杨力 跌倒检测装置、腰带及跌倒检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090265671A1 (en) * 2008-04-21 2009-10-22 Invensense Mobile devices with motion gesture recognition
WO2010001970A1 (ja) * 2008-07-02 2010-01-07 独立行政法人産業技術総合研究所 移動体の姿勢角処理装置
CN202408870U (zh) * 2011-12-02 2012-09-05 孙彬晖 人体姿态及健康智能监测装置
CN103976739B (zh) * 2014-05-04 2019-06-04 宁波麦思电子科技有限公司 穿戴式摔倒动态实时检测方法和装置

Also Published As

Publication number Publication date
CN106092134A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
KR102252269B1 (ko) 수영 분석 시스템 및 방법
Kau et al. A smart phone-based pocket fall accident detection, positioning, and rescue system
CN105310696B (zh) 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置
EP3076870B1 (en) Method and apparatus for determining the orientation of an accelerometer
CN109959379B (zh) 定位方法及电子设备
CN105224104B (zh) 基于智能手机持握方式的行人运动状态识别方法
US10061287B2 (en) Apparatus, a system and a method for monitoring a usage of an item
CN105452979A (zh) 用于在体育应用中输入信息的设备和方法
CN106650300B (zh) 一种基于极限学习机的老人监护系统及方法
CN105944354A (zh) 一种篮球投篮监控辅助装置
US9734389B2 (en) System with multi-axis athletic performance tracking
CN205103993U (zh) 一种智能人体跌倒监护装置
CN112370048A (zh) 基于关节关键点的运动姿态伤害预防方法、系统和存储介质
CN106092134B (zh) 一种基于自适应算法的运动警报方法以及运动警报装置
US10551195B2 (en) Portable device with improved sensor position change detection
WO2014191803A1 (en) Acceleration-based step activity detection and classification on mobile devices
JP2010207485A (ja) 運動強度推定システム
JP2018099452A (ja) 選択支援装置、選択支援システムおよび選択支援方法
JPWO2018116476A1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
CN113763682B (zh) 终端的安全告警方法、移动设备、电子设备以及存储介质
JP6147446B1 (ja) ソフト制約及びペナルティ機能を使用した慣性センサの初期化
GB2607774A (en) Method and system for identifying one of a ball impact and a custom tap
EP3654346A1 (en) Determining a transformation matrix
CN108771543B (zh) 一种基于大数据的真实环境下老人跌倒检测方法及系统
WO2023275816A1 (en) Method and system of assisting the execution of physical exercises

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201216

Address after: Zone A8, the sixth floor of the library of Hebei Institute of architecture and engineering, No.13 Chaoyang West Street, high tech Zone, Zhangjiakou, Hebei Province

Patentee after: ZHANGJIAKOU HAOYUAN ELECTRONIC TECHNOLOGY Co.,Ltd.

Address before: No. 13 Chaoyang Street, Zhangjiakou, Hebei, Hebei

Patentee before: HEBEI University OF ARCHITECTURE