CN106618499B - 跌倒检测设备、跌倒检测方法及装置 - Google Patents
跌倒检测设备、跌倒检测方法及装置 Download PDFInfo
- Publication number
- CN106618499B CN106618499B CN201611155006.1A CN201611155006A CN106618499B CN 106618499 B CN106618499 B CN 106618499B CN 201611155006 A CN201611155006 A CN 201611155006A CN 106618499 B CN106618499 B CN 106618499B
- Authority
- CN
- China
- Prior art keywords
- fall
- fall detection
- human body
- value
- falling
- 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
Links
Images
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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- 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
- A61B5/103—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
- A61B5/1118—Determining activity level
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例公开了一种跌倒检测设备、跌倒检测方法及装置。跌倒检测设备包括:发送器及接收器;发送器与接收器通过电容耦合方式接入人体,发送器的发送电极与接收器的接收电极构成前向回路,发送器的地电极与接收器的地电极构成后向回路;发送器,用于产生跌倒检测信号,并将所述跌倒检测信号耦合至人体;接收器,用于获取通过人体传输的跌倒检测信号的接收测量值;根据接收测量值,提取用于表征人体跌倒与未跌倒时后向回路的信道特征差异的跌倒描述特征的特征值;根据跌倒描述特征的特征值,进行跌倒检测。本发明实施例的跌倒检测设备具有体积小、重量轻、功耗低、对佩戴位置不敏感及检测精度高等优点,为跌倒检测技术的发展提供一种新的思路。
Description
技术领域
本发明实施例涉及通信及信号处理技术,尤其涉及一种跌倒检测设备、跌倒检测方法及装置。
背景技术
随着人口老龄化的加剧,老年人的安全已成为必须重视的问题。其中,跌倒是危害老年人健康的重要因素。据统计,在我国,65岁以上的居民中,有超过20%的男性、45%左右的女性曾跌倒过,而且年龄越大,发生跌倒的可能性也就越大。由于人体发生跌倒具有不确定性和不可预知性,当老年人跌倒后,如果长时间得不到及时有效的救治,可能会导致长期瘫痪甚至危及生命。因此,为了确保老人跌倒后能得到及时的救治,对老人进行跌倒检测是非常重要的。
目前,跌倒检测技术主要包括基于图像视频传感器的跌倒检测、基于环境布设式传感器的跌倒检测以及基于可穿戴式传感器跌倒检测等。
然而,基于图像视频传感器的跌倒检测方法需要在周围环境中安装一个或多个摄像头,使得跌倒检测系统的成本较高,并且检测范围也被限制在一个固定的区域内;基于环境布设式传感器的跌倒检测方法主要是通过压力传感器、麦克风等设备来捕捉人体的动作信息和采集人体相关的体态特征数据,然而该方法易受周围环境的影响;基于可穿戴式传感器跌倒检测方法主要是利用加速度传感器、陀螺仪传感器等获取人体的加速度或者角加速度等信息,然而该方法的检测结果与佩戴的位置有很大联系,如佩戴位置不正确,检测结果则存在较大的误差。
发明内容
有鉴于此,本发明实施例提供一种跌倒检测设备、跌倒检测方法及装置,以优化现有的跌倒检测技术,提高跌倒检测方案的通用性。
第一方面,本发明实施例提供了一种跌倒检测设备,包括:发送器以及接收器;
所述发送器与所述接收器通过电容耦合方式接入人体,所述发送器的发送电极与所述接收器的接收电极构成前向回路,所述发送器的地电极与所述接收器的地电极构成后向回路;
所述发送器,用于产生跌倒检测信号,并将所述跌倒检测信号耦合至人体;
所述接收器,用于获取通过人体传输的所述跌倒检测信号的接收测量值;根据所述接收测量值,提取用于表征人体跌倒与未跌倒时所述后向回路的信道特征差异的跌倒描述特征的特征值;根据所述跌倒描述特征的特征值,进行跌倒检测。
第二方面,本发明实施例还提供了一种跌倒检测方法,应用于本发明实施例所述的跌倒检测设备的接收器中,所述方法包括:
通过接收电极获取跌倒检测信号的接收测量值;
根据所述接收测量值,提取用于表征人体跌倒与未跌倒时后向回路的信道特征差异的跌倒描述特征的特征值;
根据所述跌倒描述特征的特征值,进行跌倒检测。
第三方面,本发明实施例还提供了一种跌倒检测装置,所述装置包括:
接收测量值获取模块,用于通过接收电极获取跌倒检测信号的接收测量值;
特征值提取模块,用于根据所述接收测量值,提取用于表征人体跌倒与未跌倒时后向回路的信道特征差异的跌倒描述特征的特征值;
跌倒检测模块,用于根据所述跌倒描述特征的特征值,进行跌倒检测。
本发明实施例提供的跌倒检测设备、跌倒检测方法及装置,通过使用电容式耦合接入人体的跌倒检测设备构成人体通信信号通路,利用人体跌倒与未跌倒时后向回路的信道特征差异,基于接收器收到的信号进行跌倒检测,解决了现有各类跌倒检测技术所存在的各种缺陷问题,优化现有的跌倒检测技术,提高跌倒检测方案的通用性,同时,该跌倒检测设备具有体积小、重量轻、功耗低、对佩戴位置不敏感以及检测精度高等优点,为跌倒检测技术的发展提供一种新的思路。
附图说明
图1a是本发明实施例一提供的一种跌倒检测设备的结构图;
图1b是本发明实施例一提供的一种发送器的结构图;
图1c是本发明实施例一提供的一种接收器的结构图;
图2是本发明实施例二提供的一种跌倒检测方法的流程图;
图3是本发明实施例三提供的一种跌倒检测方法的流程图;
图4是本发明实施例四提供的一种跌倒检测方法的流程图;
图5是本发明实施例五提供的一种跌倒检测装置的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
为了后文便于描述,首先将本发明实施例所使用的技术以及核心发明点进行说明:
首先,本发明实施例主要使用人体通信技术。人体通信是一种以“人体”为通信媒介的新型通信技术,具有低功耗、微体积、方便快捷等优势。根据耦合方式的不同,人体通信可分为电流耦合和电容耦合。在电容耦合方式中,人体通信信道的传播特性由前向回路和后向回路共同决定。其中人体通信的发送器的发送电极以及接收器的接收电极通过人体形成前向回路;发送器的地电极以及接收器的地电极通过地平面(大地)形成后向回路。
发明人通过研究发现:如果保证人体站立时,上述电容耦合式人体通信的发送器以及接收器在人体中的放置位置距离地面具有一定的高度值,则在人体发生跌倒时,发送器和接收器的地电极与地平面的距离将发生急剧变化,导致人体通信的后向回路的特性也将发生变化,从而引起信道增益发生改变。因此,可以通过分析人体跌倒与未跌倒时信道增益变化曲线的差异情况,实现跌倒检测。
实施例一
图1a是本发明实施例一提供的一种跌倒检测设备的结构图。如图1a所示,所述跌倒检测设备,包括:发送器11以及接收器12。
所述发送器11与所述接收器12通过电容耦合方式接入人体,所述发送器11的发送电极111与所述接收器12的接收电极121构成前向回路,所述发送器11的地电极112与所述接收器12的地电极122构成后向回路。
需要说明的是,为了示意的更加直观,在图1a中示出了一种发送器11与接收器12的放置位置示意图。但是,本领域技术人员可以理解的是,当用户佩戴上述发送器11以及接收器12之后,只要能够保证当用户发送跌倒时,发送器11的地电极112以及接收器12的地电极122与地面之间的距离发生改变,均可以达到本发明实施例的技术效果,因此,本发明实施例对上述发送器11以及接收器12的具体放置位置并不进行限制。
考虑到舒适性与便捷性要求,在本实施例中,可以将发送器11放置于人体的上臂处,其中发送电极111紧贴在上臂的皮肤表面,地电极112则悬空在空气中。接收器12放置在人体的腹部处,其中接收电极121紧贴在腹部的皮肤表面,地电极122同样悬空在空气中,即:如图1a所示的放置位置。
可选的,发送器11的整体形状可以为圆柱状盒子,如图1a所示,该盒子的上表面和下表面均为金属材料,分别用于作为发送器11的发送电极111和地电极112,盒子的侧面为塑料材料,用于隔离发送电极111和地电极112,避免两者之间接触;相类似的,接收器12的整体形状同样可以为圆柱状盒子,如图1a所示,该盒子的上表面和下表面均为金属材料,分别用于作为接收器12的接收电极121和地电极122,盒子的侧面为塑料材料,用于隔离接收电极121和地电极122。
所述发送器11,用于产生跌倒检测信号,并将所述跌倒检测信号耦合至人体;
所述接收器12,用于获取通过人体传输的所述跌倒检测信号的接收测量值;根据所述接收测量值,提取用于表征人体跌倒与未跌倒时所述后向回路的信道特征差异的跌倒描述特征的特征值;根据所述跌倒描述特征的特征值,进行跌倒检测。
其中,在图1b中示出了一种发送器的可选结构图,如图1b所示,所述发送器包括:
微处理器1101、DDS(Direct Digital Synthesizer,直接数字式频率合成器)1102、巴伦转换器1103、低通滤波器1104、发送电极111以及地电极112;
其中,所述微处理器1101,用于控制所述DDS1102产生设定频率范围内的单端正弦波信号;
所述巴伦转换器1103,用于将所述DDS1102输出的所述单端正弦波信号转换为双端正弦波信号,并输出至所述低通滤波器1104;
所述低通滤波器1104,用于对所述双端正弦波信号进行低通滤波,并将滤波后产生的跌倒检测信号通过所述发送电极111耦合至人体中;
所述发送电极111与人体的皮肤表面相接触,所述地电极112与所述发送电极111绝缘连接。
如前所述,当人体发生跌倒时,会引起信道增益发生变化,所谓信道增益,是指是信道本身的衰减及衰落特性,一般可以通过接收信号与发送信号的比值来衡量,因此,如果发送器发送等幅信号,则可以简单的通过接收信号来衡量信道增益,也即:将接收信号变化曲线作为信道增益变化曲线,通过分析该接收信号变化曲线的信号特征,进行跌倒检测。
基于此,所述发送器的作用主要是发送一个等幅的发送信号作为跌倒检测信号,可选的,该发送信号可以为正弦波。
进一步的,考虑到如果发送一个单一频率的正弦波,在接收端不利于观测以及信号周期提取等。因此,发送器发送的正弦波可以为一个可变频率的正弦波。可选的,所述跌倒检测信号可以为周期性的变频信号;其中,所述变频信号在一个周期内以第一频率为起点,按照设定频率跨度递增值至第二频率。
作为示例而非限定,所述第一频率可以为1MHz,所述第二频率可以为100MHz,所述设定频率跨度可以为0.5MHz/ms。
也即,所述跌倒检测信号为周期性正弦波信号,在一个周期内,以1MHz为起点,每隔1ms频率增加0.5MHz,直至最终频率变为100MHz。
其中,所述微处理器1101主要用于产生控制信号,控制所述DDS1102输出所述跌倒检测信号。典型的,所述微处理器1101可以为FPGA(Field-Programmable Gate Array,现场可编程门阵列)、DSP(Digital Signal Processing,数字信号处理)或者单片机等,本实施例对此并不进行限制。
所述低通滤波器1104的截止频率由所述跌倒检测信号的最高频率确定,用于滤除各种杂波以及干扰,例如,如果所述跌倒检测信号的频率范围为1MHz-100MHz,则所述低通滤波器1104的截止频率可以选取为120MHz。
其中,在图1c中示出了一种接收器的可选结构图,如图1b所示,所述接收器包括:微处理器1201、接收电极121以及地电极122;
所述接收电极121,用于获取通过人体传输的所述跌倒检测信号的接收测量值,并将所述接收测量值发送至所述微处理器1201;
所述微处理器1201,用于根据所述接收测量值,提取用于表征人体跌倒与未跌倒时所述后向回路的信道特征差异的跌倒描述特征的特征值;根据所述跌倒描述特征的特征值,进行跌倒检测;
所述接收电极121与人体的皮肤表面相接触,所述地电极122与所述接收电极121绝缘连接。
在本实施例中,所述接收器12还可以包括各种信号处理器件,例如,放大器或者滤波器等,用于将接收电极121获取的接收测量值进行一定的处理后,输入至所述微处理器1201。
其中,所述微处理器1201中执行的跌倒检测过程将在实施例二至实施例四中进行详述。
本发明实施例提供的跌倒检测设备,通过使用电容式耦合接入人体的跌倒检测设备构成人体通信信号通路,利用人体跌倒与未跌倒时后向回路的信道特征差异,基于接收器收到的信号进行跌倒检测,解决了现有各类跌倒检测技术所存在的各种缺陷问题,优化现有的跌倒检测技术,提高跌倒检测方案的通用性,同时,该跌倒检测设备具有体积小、重量轻、功耗低、对佩戴位置不敏感以及检测精度高等优点,为跌倒检测技术的发展提供一种新的思路。
实施例二
图2为本发明实施例二提供的一种跌倒检测方法的流程图,该方法可以由跌倒检测装置执行,该装置可由软件和/或硬件实现,并一般可集成于跌倒检测设备的接收器中,典型的,接收器中的微处理器中,与跌倒检测设备的发送器配合使用。如图2所示,本实施例的方法具体包括:
S210、通过接收电极获取跌倒检测信号的接收测量值。
如前所述,为了便于接收器中的信号周期提取,所述发送器发送的跌倒检测信号为周期性可选为变频信号;
其中,所述变频信号在一个周期内以第一频率为起点,按照设定频率跨度递增值至第二频率。
S220、根据所述接收测量值,提取用于表征人体跌倒与未跌倒时后向回路的信道特征差异的跌倒描述特征的特征值。
如前所述,人体跌倒后,由于后向回路的信道特性变化,接收信号变化曲线会与未跌倒时的接收信号变化曲线具有差异。因此,考虑到发送器发送的跌倒检测信号的周期性,可以以一个周期作为时间单位,提取接收信号变化曲线在一个周期内的跌倒描述特征的特征值。
其中,所述跌倒描述特征具体是指用于表征人体跌倒与未跌倒时后向回路的信道特征差异的特征参数,例如,可以是均值、方差或者均方差等。
典型的,可以提取一个周期内,接收信号曲线中的极值点、方差值、斜率值或者最大值与最小值之差等进行跌倒检测。
S230、根据所述跌倒描述特征的特征值,进行跌倒检测。
通过将提取的所述跌倒描述特征的特征值与跌倒或者未跌倒时所述跌倒描述特征的典型特征值进行比对,可以实现跌倒检测。
在一个具体的例子中,可以通过多次试验,分析当人体发生跌倒时,在与跌倒发生时间对应的时间区间内,获取一个或者多个周期内接收信号变化曲线,通过分析上述一个多个接收信号变化曲线中的最大值,确定最大值跌倒阈值。例如,如果确定当接收信号变化曲线的最大值超过-20dB,发送跌倒的概率为85%,则可以将最大值跌倒阈值设置为-20dB,将85%设置为置信度。因此,每当发现需要进行跌倒检测的人体的接收信号变化曲线的最大值超过-20dB,判断用户发生了跌倒,进而可以采取一定的跌倒预警策略。
进一步的,可以同时使用多个信号特征在发生跌倒时的跌倒阈值(例如,方差值以及斜率值),即:当一个周期内的接收信号变化曲线同时满足方差值跌倒阈值以及斜率值跌倒阈值时,判断用户发生了跌倒。以提高跌倒检测的准确性。
进一步的,还可以以跌倒时以及未跌倒时的上述接收信号变化曲线作为训练样本,训练预测模型,典型的,决策树模型、聚类模型以及神经网络模型等,并使用训练好的上述预测模型进行跌倒检测。
本发明实施例提供的跌倒检测方法,通过使用电容式耦合接入人体的跌倒检测设备构成人体通信信号通路,利用人体跌倒与未跌倒时后向回路的信道特征差异,基于接收器收到的信号进行跌倒检测,解决了现有各类跌倒检测技术所存在的各种缺陷问题,优化现有的跌倒检测技术,提高跌倒检测方案的通用性,同时,该跌倒检测设备具有体积小、重量轻、功耗低、对佩戴位置不敏感以及检测精度高等优点,为跌倒检测技术的发展提供一种新的思路。
实施例三
图3是本发明实施例三提供的一种跌倒检测方法的流程图,本实施例以上述实施例为基础进行优化,在本实施例中,将根据所述接收测量值,提取用于表征人体跌倒与未跌倒时所述后向回路的信道特征差异的跌倒描述特征的特征值优化为:根据所述接收测量值,更新接收信号变化曲线;其中,所述接收信号变化曲线与一个周期内的所述跌倒检测信号相对应;根据所述接收信号变化曲线,计算至少一项跌倒描述特征的特征值;
同时,将根据所述跌倒描述特征的特征值,进行跌倒检测优化为:将至少一项跌倒描述特征的特征值输入至预先训练的跌倒检测预测模型中,并根据所述跌倒检测预测模型的输出结果,进行跌倒检测。相应的,本实施例的方法具体包括:
S310、通过接收电极获取跌倒检测信号的接收测量值。
在本实施例中,所述发送器发送的跌倒检测信号为周期性可选为变频信号;
其中,所述变频信号在一个周期内以第一频率为起点,按照设定频率跨度递增值至第二频率。
S320、根据所述接收测量值,更新接收信号变化曲线。
其中,所述接收信号变化曲线与一个周期内的所述跌倒检测信号相对应。
由于跌倒检测装置的状态、周围环境等因素的影响,通过接收器采集获得的接收信号变化曲线通常都伴有各种各样的噪声。为了在进行后期处理时(特征提取和特征识别)能提取到精准的特征信息,提高跌倒检测的精度,对所采集的信号进行滤波处理是非常重要的。
可选的,根据所述接收测量值,更新接收信号变化曲线可以包括:
根据第K时刻下获取的所述跌倒检测信号的接收测量值以及卡尔曼滤波算法,计算所述第K+1时刻下所述跌倒检测信号的预估计最优值,其中,K为大于等于1的正整数;使用所述跌倒检测信号的预估计最优值,更新所述接收信号变化曲线。
在本实施例中,根据在人体通信跌倒检测系统中噪声的特点,采用卡尔曼滤波算法对信号进行滤波处理,详细过程如下:
1、根据系统前一次的最优值,计算得到预估计最优值方程,如式(1)所示:
X(k|k-1)=A(k,k-1)·X(k-1|k-1)+B(k)·u(k) (1)
其中X(k|k-1)的值为接收信号变化曲线在k-1时刻计算出的k时刻的估计值,X(k-1|k-1)为k-1时刻的最优值,u(k)为k时刻的控制量,A(k,k-1)为状态转移矩阵,B(k)为控制加权矩阵。
2、根据预估计最优值方程,计算预估计最优值的均方误差,如式(2)所示:
P(k|k-1)=A(k,k-1)·P(k-1|k-1)·A(k,k-1)'+U(k)·U(k)' (2)
其中P(k|k-1)为预估计最优值X(k|k-1)的均方误差,P(k-1|k-1)为最优值X(k-1|k-1)的均方误差,U(k)为k时刻的接收信号变化曲线的动态噪声。
3、根据预估计最优值的均方误差,计算卡尔曼增益矩阵,如式(3)所示:
其中K(k)为卡尔曼增益值,N(k)为k时刻的接收信号变化曲线的观测噪声,H(k)为接收信号变化曲线的观测矩阵。
4、根据所得到的卡尔曼增益矩阵,对最优值方程进行更新,得到时刻的预估计最优值,如式(4)所示:
X(k|k)=X(k|k-1)+K(k)·(Z(k)-H(k)·X(k|k-1)) (4)
其中Z(k)为Z(k)时刻的接收信号变化曲线测量值。
5、根据步骤1至步骤4,对接收信号变化曲线进行滤波处理,直至满足停止条件,从而实现接收信号变化曲线的卡尔曼滤波处理。
接收器的微处理通过实现上述卡尔曼滤波算法,即可实现对所述接收测量值进行最优估计,并根据该最优估计值更新当前周期下的接收信号变化曲线。
S330、根据所述接收信号变化曲线,计算至少一项跌倒描述特征的特征值。
为了区分跌倒行为跟正常活动,就必须寻找能够区分跌倒和正常活动的物理量,即寻找增益变化曲线的特征量(即:跌倒描述特征)。由于在跌倒时,发送器和接收器的地电极与地平面的距离急剧减小,导致人体通信的后向回路的电容急剧增大,从而使信道增益大幅增加。在跌倒动作完成后,发送器和接收器的地电极与地平面的距离几乎保持不变,信道增益也逐渐趋于稳定。
因此,可以根据增益变化曲线的特点,提取一个周期内的以下五种特征量中的一种或者多种作为跌倒描述特征进行跌倒分析,分别为:(1)增益变化曲线的最大值;(2)增益变化曲线中最大值与最小值的差值;(3)增益变化曲线的方差;(4)增益变化曲线的斜率;(5)跌倒后增益变化曲线的平均值。
如前所述,可以通过接收信号变化曲线来近似替代增益变化曲线,相应的,所述跌倒描述特征可以包括下述至少一项:
所述接收信号变化曲线的最大值、所述接收信号变化曲线的最大值与最小值的差值、所述接收信号变化曲线的方差、所述接收信号变化曲线的斜率以及跌倒后接收信号变化曲线的平均值。
当然,可以理解的是,所述跌倒描述特征还可以为其他类型,例如:接收信号变化曲线的均方差等,本实施例对此并不进行限制。
S340、将所述至少一项跌倒描述特征的特征值输入至预先训练的跌倒检测预测模型中,并根据所述跌倒检测预测模型的输出结果,进行跌倒检测。
其中,所述跌倒检测预测模型可以为决策树模型、神经网络模型以及机器学习模型等,本实施例对此并不进行限制。
本发明实施例的技术方案通过使用卡尔曼滤波算法实现了对接收测量值进行最优估计,可以降低人体通信系统中存在的噪声和干扰对接收信号的干扰,以最终提高跌倒检测的精度。通过预先训练的跌倒检测预测模型完成跌倒检测,可以在多个不同的跌倒描述特征下进行跌倒预测,并可以实时对跌倒检测预测模型中的参数进行更新学习,以不断提高跌倒检测的精度。
在上述各实施例的基础上,可以将训练跌倒检测预测模型优化为:
获取跌倒检测训练实例集,其中,训练示例包括:当人体未发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线;以及当人体发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线;
根据设定模型构建算法,以及各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,训练生成所述跌倒检测预测模型。
这样设置的好处是:可以在一个或者多个跌倒描述特征下训练跌倒检测预测模型,使得训练模型的预测结果更加贴近实际结果。
实施例四
图4是本发明实施例四提供的一种跌倒检测方法的流程图,本实施例以上述实施例为基础进行优化,在本实施例中,将所述模型构建算法优化为决策树算法,将所述跌倒检测预测模型优化为决策树模型;其中,所述决策树模型中的不同子节点对应不同的跌倒描述特征;
同时,将根据设定模型构建算法,以及各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,训练生成所述跌倒检测预测模型优化为:确定所述决策树算法的类别属性的取值为发生跌倒以及未发生跌倒;确定所述决策树算法的非类别属性为所述跌倒描述特征,并设定所述跌倒描述特征的标准取值;计算所述类别属性的信息熵;根据各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,计算各所述非类别属性的信息熵;根据所述类别属性的信息熵,以及所述非类别属性的信息熵,计算各所述非类别属性的信息增量值,并根据各所述非类别属性的信息增量值,确定目标测试属性;将所述目标测试属性作为一个当前子节点,并在所述当前子节点的基础上,重复迭代重新确定新的测试属性作为新的子节点,直至生成决策树模型作为所述跌倒检测预测模型。相应的,本实施例的方法具体包括:
S410、获取跌倒检测训练实例集。
其中,训练示例包括:当人体未发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线;以及当人体发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线。
S420、确定所述决策树算法的类别属性的取值为发生跌倒以及未发生跌倒。
S430、确定所述决策树算法的非类别属性为所述跌倒描述特征,并设定所述跌倒描述特征的标准取值。
S440、计算所述类别属性的信息熵。
S450、根据各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,计算各所述非类别属性的信息熵。
S460、根据所述类别属性的信息熵,以及所述非类别属性的信息熵,计算各所述非类别属性的信息增量值,并根据各所述非类别属性的信息增量值,确定目标测试属性。
S470、将所述目标测试属性作为一个当前子节点,并在所述当前子节点的基础上,重复迭代重新确定新的测试属性作为新的子节点,直至生成决策树模型作为所述跌倒检测预测模型。
决策树是一种树形结构的分类方法,其中每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别。决策树的原理是:从根节点开始,对数据样本进行测试,根据不同的结果将数据样本划分成不同的数据样本子集,每个数据样本子集构成一个子节点。对每个子节点再进行划分,生成新的子节点,不断反复,直至达到特定的终止准则。
下面通过一个具体实例对生成决策树模型的过程进行具体描述:其中,在本实例中,使用ID3(Iterative Dichotomies 3,迭代二分法3)生成所述决策树模型。
模型训练阶段的过程为:
1、确定训练实例集:假设训练实例集为X,则在X中训练实例总数目为|X|,其中第i类训练实例的数目是|Xi|。根据经验和实验结果,训练实例总个数|X|拟定为200个。
2、确定在基于ID3决策树中的类别属性和非类别属性:类别属性是指根据相关的因素来判断是否发生跌倒,因此类别属性的输出结果分为两种:发生跌倒,没有发生跌倒。非类别属性是指所述跌倒描述特征。在跌倒检测中,非类别属性以及标准取值(其值大小可根据实际测量结果而确定)如表1所示:
表1非类别属性以及标准取值
非类别属性 | 非类别属性的标准取值 |
接收信号变化曲线的最大值(A) | -20dB,-10dB,-5dB |
接收信号变化曲线最大值与最小值的差值(B) | 15dB,8dB |
接收信号变化曲线的方差(C) | 5dB,4dB,3dB,2dB |
接收信号变化曲线的斜率(D) | 40dB/s,20dB/s |
跌倒后接收信号变化曲线平均值(E) | -9dB,-7dB,-5dB |
3、对类别属性的信息熵,即是否发生跌倒进行计算:
令类别属性的熵为T,在所有的训练实例集中,假设发生跌倒的实例集的数目为p1,没发生跌倒的实例集的数目为p2=|X|-p1,则发生跌倒的概率和没发生跌倒的概率分别如公式(5)和公式(6)所示:
因此类别属性的信息熵如公式(7)所示:
INFO(T)=-P(p1)log2P(p1)-P(p2)log2P(p2) (7)
4、对非类别属性的信息熵进行计算:
非类别属性共有五种,如表1所示,分别为接收信号变化曲线的最大值、接收信号变化曲线中最大值与最小值的差值、接收信号变化曲线的方差、接收信号变化曲线的斜率、跌倒后接收信号变化曲线的平均值。对非类别属性的信息熵分别按如下方式计算:
(1)对于非类别属性中的接收信号变化曲线的最大值A的信息熵进行计算,如下所示:
其中|A|为非类别属性中的接收信号变化曲线的最大值A实例集的数目,|Ai|为第i个实例集的数目,即|Ai|共有三种标准取值,分别对应为A=-20dB,A=-10dB,A=-5dB时的实例集的数目,|Aik|为在|Ai|实例集中发生跌倒的数目。
(2)对于非类别属性中的接收信号变化曲线中最大值与最小值的差值B的信息熵进行计算,如下所示:
其中|B|为非类别属性中的接收信号变化曲线中最大值与最小值的差值B实例集的数目,|Bi|为第i个实例集的数目,即|Bi|共有两种标准取值,分别对应为B=15dB,B=8dB的实例集的数目。
(3)对于非类别属性中的接收信号变化曲线的方差C的信息熵进行计算,如下所示:
其中|C|为非类别属性中的接收信号变化曲线的方差C实例集的数目,|Ci|为第i个实例集的数目,即|Ci|共有四种标准取值,分别对应为C=5dB,C=4dB,C=3dB,C=2dB的实例集的数目。
(4)对于非类别属性中的接收信号变化曲线的斜率D的信息熵进行计算,如下所示:
其中|D|为非类别属性中的接收信号变化曲线的斜率D实例集的数目,|Di|为第i个实例集的数目,即|Di|共有两种标准取值,分别对应为D=40dB/S,D=20dB/S的实例集的数目。
(5)对于非类别属性中的跌倒后接收信号变化曲线的平均值E的信息熵进行计算,如下所示:
其中|E|为非类别属性中的跌倒后接收信号变化曲线的平均值E实例集的数目,|Ei|为第i个实例集的数目,即|Ei|共有三种标准取值,分别对应为E=-9dB,E=-7dB,E=-5dB的实例集的数目。
5、计算信息增益量:分别计算在各非类别属性中的信息增益量,如式(13)所示:
Gain(X,T)=INFO(T)-INFO(X,T) (13)
6、确定测试属性:信息增益量越大,说明该非类别属性的信息对于实现跌倒检测的帮助越大,则将其选择为测试属性。
7、构造决策树:应用上面的方法,通过递归算法建立决策树。递归下去,可得到通过算法构造出的一棵决策树,最终完成模型训练阶段。
S480、根据所述接收测量值,更新接收信号变化曲线。
其中,所述接收信号变化曲线与一个周期内的所述跌倒检测信号相对应;
S490、根据所述接收信号变化曲线,计算至少一项跌倒描述特征的特征值。
S4100、将所述至少一项跌倒描述特征的特征值输入至预先训练的所述决策树模型中,并根据所述决策树模型的输出结果,进行跌倒检测。
本发明实施例的技术方案通过使用决策树算法构造跌倒检测预测模型,可以实现在相对短的时间内能够对大型数据源做出可行且效果良好的结果,可以对有许多属性的数据集构造决策树。
在上述各实施例的基础上,基于ID3决策树模型建立后,利用基于人体通信的跌倒检测系统,采集获取多个不同年龄、不同身高、不同体重的志愿者在日常生活中以及在跌倒过程中的接收信号变化曲线,并将接收信号变化曲线导入到决策树中进行跌倒检测。通过将实际测量结果与通过决策树模拟预测得到结果进行对比,对决策树模型进一步进行修正。如果通过决策树得到的跌倒检测结果误差较大,则可以进一步增加训练实例集的数目,使训练集更具普遍性,并重新计算决策树,直至满足要求,以进一步提高跌倒预测精度。
实施例五
图5为本发明实施例五提供的一种跌倒检测装置的结构图。本发明实施例提供的跌倒检测装置可以应用于本发明实施例所述的跌倒检测设备的接收器中,典型的,接收器的微处理器中。如图5所示,所述装置包括:
接收测量值获取模块510,用于通过接收电极获取跌倒检测信号的接收测量值。
特征值提取模块520,用于根据所述接收测量值,提取用于表征人体跌倒与未跌倒时后向回路的信道特征差异的跌倒描述特征的特征值。
跌倒检测模块530,用于根据所述跌倒描述特征的特征值,进行跌倒检测。
本发明实施例提供的跌倒检测装置,通过使用电容式耦合接入人体的跌倒检测设备构成人体通信信号通路,利用人体跌倒与未跌倒时后向回路的信道特征差异,基于接收器收到的信号进行跌倒检测,解决了现有各类跌倒检测技术所存在的各种缺陷问题,优化现有的跌倒检测技术,提高跌倒检测方案的通用性,同时,该跌倒检测设备具有体积小、重量轻、功耗低、对佩戴位置不敏感以及检测精度高等优点,为跌倒检测技术的发展提供一种新的思路。
在上述各实施例的基础上,所述跌倒检测信号可以为周期性的变频信号;
其中,所述变频信号在一个周期内以第一频率为起点,按照设定频率跨度递增值至第二频率。
在上述各实施例的基础上,所述特征值提取模块可以包括:
变化曲线更新单元,用于根据所述接收测量值,更新接收信号变化曲线;其中,所述接收信号变化曲线与一个周期内的所述跌倒检测信号相对应;
特征更新值计算单元,用于根据所述接收信号变化曲线,计算至少一项跌倒描述特征的特征值。
在上述各实施例的基础上,所述变化曲线更新单元,具体可以用于:
根据第K时刻下获取的所述跌倒检测信号的接收测量值以及卡尔曼滤波算法,计算所述第K+1时刻下所述跌倒检测信号的预估计最优值,其中,K为大于等于1的正整数;
使用所述跌倒检测信号的预估计最优值,更新所述接收信号变化曲线。
在上述各实施例的基础上,所述特征更新值计算单元具体可以用于:
将至少一项跌倒描述特征的特征值输入至预先训练的跌倒检测预测模型中,并根据所述跌倒检测预测模型的输出结果,进行跌倒检测。
在上述各实施例的基础上,还可以包括,跌倒检测预测模型训练模块,其中,所述,跌倒检测预测模型训练模块进一步可以包括:
训练实例集获取单元,用于获取跌倒检测训练实例集,其中,训练示例包括:当人体未发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线;以及当人体发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线;
模型训练单元,用于根据设定模型构建算法,以及各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,训练生成所述跌倒检测预测模型。
在上述各实施例的基础上,所述模型构建算法可以为决策树算法,所述跌倒检测预测模型可以为决策树模型;
其中,所述决策树模型中的不同子节点对应不同的跌倒描述特征。
在上述各实施例的基础上,所述模型训练单元具体可以用于:
确定所述决策树算法的类别属性的取值为发生跌倒以及未发生跌倒;
确定所述决策树算法的非类别属性为所述跌倒描述特征,并设定所述跌倒描述特征的标准取值;
计算所述类别属性的信息熵;
根据各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,计算各所述非类别属性的信息熵;
根据所述类别属性的信息熵,以及所述非类别属性的信息熵,计算各所述非类别属性的信息增量值,并根据各所述非类别属性的信息增量值,确定目标测试属性;
将所述目标测试属性作为一个当前子节点,并在所述当前子节点的基础上,重复迭代重新确定新的测试属性作为新的子节点,直至生成决策树模型作为所述跌倒检测预测模型。
在上述各实施例的基础上,所述跌倒描述特征可以包括下述至少一项:
所述接收信号变化曲线的最大值、所述接收信号变化曲线的最大值与最小值的差值、所述接收信号变化曲线的方差、所述接收信号变化曲线的斜率以及跌倒后接收信号变化曲线的平均值。
本发明实施例所提供的跌倒检测装置可用于执行本发明任意实施例提供的跌倒检测方法,具备相应的功能模块,实现相同的有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种跌倒检测设备,其特征在于,包括:发送器以及接收器;
所述发送器与所述接收器通过电容耦合方式接入人体,所述发送器的发送电极与所述接收器的接收电极构成前向回路,所述发送器的地电极与所述接收器的地电极构成后向回路;
所述发送器,用于产生跌倒检测信号,并将所述跌倒检测信号耦合至人体;
所述接收器,用于获取通过人体传输的所述跌倒检测信号的接收测量值;根据所述接收测量值,提取用于表征人体跌倒与未跌倒时所述后向回路的信道特征差异的跌倒描述特征的特征值;根据所述跌倒描述特征的特征值,进行跌倒检测;
其中,所述发送器包括:
微处理器、直接数字式频率合成器DDS、巴伦转换器、低通滤波器、发送电极以及地电极;
其中,所述微处理器,用于控制所述DDS产生设定频率范围内的单端正弦波信号;
所述巴伦转换器,用于将所述DDS输出的所述单端正弦波信号转换为双端正弦波信号,并输出至所述低通滤波器;
所述低通滤波器,用于对所述双端正弦波信号进行低通滤波,并将滤波后产生的跌倒检测信号通过所述发送电极耦合至人体中;
所述发送电极与人体的皮肤表面相接触,所述地电极与所述发送电极绝缘连接。
2.根据权利要求1所述的跌倒检测设备,其特征在于,所述接收器包括:微处理器、接收电极以及地电极;
所述接收电极,用于获取通过人体传输的所述跌倒检测信号的接收测量值,并将所述接收测量值发送至所述微处理器;
所述微处理器,用于根据所述接收测量值,提取用于表征人体跌倒与未跌倒时所述后向回路的信道特征差异的跌倒描述特征的特征值;根据所述跌倒描述特征的特征值,进行跌倒检测;
所述接收电极与人体的皮肤表面相接触,所述地电极与所述接收电极绝缘连接。
3.一种跌倒检测方法,应用于如权利要求1-2任一项所述的跌倒检测设备,其特征在于,包括:
通过接收电极获取跌倒检测信号的接收测量值;
根据所述接收测量值,提取用于表征人体跌倒与未跌倒时后向回路的信道特征差异的跌倒描述特征的特征值;
根据所述跌倒描述特征的特征值,进行跌倒检测。
4.根据权利要求3所述的方法,其特征在于,所述跌倒检测信号为周期性的变频信号;
其中,所述变频信号在一个周期内以第一频率为起点,按照设定频率跨度递增值至第二频率。
5.根据权利要求4所述的方法,其特征在于,根据所述接收测量值,提取用于表征人体跌倒与未跌倒时所述后向回路的信道特征差异的跌倒描述特征的特征值包括:
根据所述接收测量值,更新接收信号变化曲线;其中,所述接收信号变化曲线与一个周期内的所述跌倒检测信号相对应;
根据所述接收信号变化曲线,计算至少一项跌倒描述特征的特征值。
6.根据权利要求5所述的方法,其特征在于,根据所述接收测量值,更新接收信号变化曲线包括:
根据第K时刻下获取的所述跌倒检测信号的接收测量值以及卡尔曼滤波算法,计算所述第K+1时刻下所述跌倒检测信号的预估计最优值,其中,K为大于等于1的正整数;
使用所述跌倒检测信号的预估计最优值,更新所述接收信号变化曲线。
7.根据权利要求5所述的方法,其特征在于,根据所述跌倒描述特征的特征值,进行跌倒检测包括:
将至少一项跌倒描述特征的特征值输入至预先训练的跌倒检测预测模型中,并根据所述跌倒检测预测模型的输出结果,进行跌倒检测。
8.根据权利要求7所述的方法,其特征在于,训练跌倒检测预测模型包括:
获取跌倒检测训练实例集,其中,训练示例包括:当人体未发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线;以及当人体发生跌倒时,通过人体中接入的跌倒检测设备中的接收器获取的接收信号变化曲线;
根据设定模型构建算法,以及各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,训练生成所述跌倒检测预测模型。
9.根据权利要求8所述的方法,其特征在于,所述模型构建算法为决策树算法,所述跌倒检测预测模型为决策树模型;
其中,所述决策树模型中的不同子节点对应不同的跌倒描述特征。
10.根据权利要求9所述的方法,其特征在于,根据设定模型构建算法,以及各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,训练生成所述跌倒检测预测模型包括:
确定所述决策树算法的类别属性的取值为发生跌倒以及未发生跌倒;
确定所述决策树算法的非类别属性为所述跌倒描述特征,并设定所述跌倒描述特征的标准取值;
计算所述类别属性的信息熵;
根据各所述接收信号变化曲线在至少一个所述跌倒描述特征下的特征值,计算各所述非类别属性的信息熵;
根据所述类别属性的信息熵,以及所述非类别属性的信息熵,计算各所述非类别属性的信息增量值,并根据各所述非类别属性的信息增量值,确定目标测试属性;
将所述目标测试属性作为一个当前子节点,并在所述当前子节点的基础上,重复迭代重新确定新的测试属性作为新的子节点,直至生成决策树模型作为所述跌倒检测预测模型。
11.根据权利要求4-10任一项所述的方法,其特征在于,所述跌倒描述特征包括下述至少一项:
所述接收信号变化曲线的最大值、所述接收信号变化曲线的最大值与最小值的差值、所述接收信号变化曲线的方差、所述接收信号变化曲线的斜率以及跌倒后接收信号变化曲线的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611155006.1A CN106618499B (zh) | 2016-12-14 | 2016-12-14 | 跌倒检测设备、跌倒检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611155006.1A CN106618499B (zh) | 2016-12-14 | 2016-12-14 | 跌倒检测设备、跌倒检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106618499A CN106618499A (zh) | 2017-05-10 |
CN106618499B true CN106618499B (zh) | 2020-11-10 |
Family
ID=58822354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611155006.1A Active CN106618499B (zh) | 2016-12-14 | 2016-12-14 | 跌倒检测设备、跌倒检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106618499B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107137090B (zh) * | 2017-05-24 | 2020-06-16 | 深圳先进技术研究院 | 一种跌倒识别方法及装置、用户设备 |
CN107028718A (zh) * | 2017-05-24 | 2017-08-11 | 深圳先进技术研究院 | 一种基于压力传感器的上下床监护系统和方法 |
CN108392208B (zh) * | 2018-02-23 | 2020-12-15 | 大同公元三九八智慧养老服务有限公司 | 一种基于多阶段模型的跌倒判断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002174641A (ja) * | 2000-12-05 | 2002-06-21 | Ubukata Industries Co Ltd | 落下検出機構 |
CN102188249A (zh) * | 2010-03-08 | 2011-09-21 | 精工爱普生株式会社 | 跌倒检测装置、跌倒检测方法 |
CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
CN103532637A (zh) * | 2013-10-09 | 2014-01-22 | 北京理工大学 | 面向植入式电子装置的低衰减信号耦合与传输方法 |
CN103560837A (zh) * | 2013-11-20 | 2014-02-05 | 张双 | 一种基于电流耦合型人体通信的实时医疗通信系统及其通信方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009008414A (ja) * | 2007-06-26 | 2009-01-15 | Panasonic Electric Works Co Ltd | 落下検知センサ |
-
2016
- 2016-12-14 CN CN201611155006.1A patent/CN106618499B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002174641A (ja) * | 2000-12-05 | 2002-06-21 | Ubukata Industries Co Ltd | 落下検出機構 |
CN102188249A (zh) * | 2010-03-08 | 2011-09-21 | 精工爱普生株式会社 | 跌倒检测装置、跌倒检测方法 |
CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
CN103532637A (zh) * | 2013-10-09 | 2014-01-22 | 北京理工大学 | 面向植入式电子装置的低衰减信号耦合与传输方法 |
CN103560837A (zh) * | 2013-11-20 | 2014-02-05 | 张双 | 一种基于电流耦合型人体通信的实时医疗通信系统及其通信方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106618499A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN106618499B (zh) | 跌倒检测设备、跌倒检测方法及装置 | |
CN103487788B (zh) | 一种序列脉冲信号快速自动提取方法 | |
CN110213003B (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
CN111862951B (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
CN101881826A (zh) | 扫描模式海杂波局部多重分形目标检测器 | |
CN104905795A (zh) | 一种ble联网睡眠监测方法及装置 | |
CN102253327A (zh) | 开关电流电路故障诊断方法 | |
CN116242443B (zh) | 一种超声波计量仪表的动态计量方法 | |
CN112949387A (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
CN106340305A (zh) | 自校准的远场语音交互设备及远场语音自校准方法 | |
CN109512390A (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
CN101256715A (zh) | 无线传感器网络中基于粒子滤波的多车辆声信号分离方法 | |
CN102930532A (zh) | 基于mrf迭代的sar图像非监督变化检测方法和装置 | |
CN112881812B (zh) | 基于机器学习编码的全闪实时定位方法及装置 | |
CN104734793B (zh) | 基于p次方的无线协作频谱感知的能量检测方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
WO2018107374A1 (zh) | 跌倒检测设备、跌倒检测方法及装置 | |
KR102155419B1 (ko) | 인공신경망을 기반으로 하는 적응형 거리측정장치 | |
CN105513058A (zh) | 一种脑激活区检测方法和装置 | |
CN109965847B (zh) | 服务器和信号分析系统 | |
CN114236403A (zh) | 基于超声测量的锂离子电池荷电状态估计方法及装置 | |
CN103731892A (zh) | 基于hmm的小区切换决策算法及装置 | |
CN110912843A (zh) | 大规模无线传感器网络中的分布式盲估计方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |