CN107358248B - 一种提高跌倒检测系统精度的方法 - Google Patents

一种提高跌倒检测系统精度的方法 Download PDF

Info

Publication number
CN107358248B
CN107358248B CN201710421301.5A CN201710421301A CN107358248B CN 107358248 B CN107358248 B CN 107358248B CN 201710421301 A CN201710421301 A CN 201710421301A CN 107358248 B CN107358248 B CN 107358248B
Authority
CN
China
Prior art keywords
falling
behavior
detection system
vve
characteristic value
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
CN201710421301.5A
Other languages
English (en)
Other versions
CN107358248A (zh
Inventor
李潇
王玉峰
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201710421301.5A priority Critical patent/CN107358248B/zh
Publication of CN107358248A publication Critical patent/CN107358248A/zh
Application granted granted Critical
Publication of CN107358248B publication Critical patent/CN107358248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Telephone Function (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提出一种提高跌倒检测系统精度的方法，包括跌倒检测系统的训练阶段和跌倒检测系统的识别阶段。前者包括传感器数据采集和预处理、特征值获取、建立行为识别模型和得到特征值对应阈值。后者包括传感器数据采集和预处理、特征值获取、跌倒触发过程、纠正判断过程。纠正判断过程中，通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度，如果该角度大于60°且跌倒后通过GPS发现用户位置不变，则跌倒检测系统检测到用户跌倒行为。本发明通过加速度传感器获取合加速度和垂直速度特征值，通过方向传感器获取跌倒发生的暂态时间中手机围绕x轴的旋转角度，通过内置的GPS获取跌倒后用户的位置，不用额外配置检测设备，具有普遍适用性。

Description

一种提高跌倒检测系统精度的方法
技术领域
本发明属于数据识别和行为识别领域，具体涉及一种提高跌倒检测系统精度的方法。
背景技术
目前，现有的佩戴式或基于环境的跌倒行为的检测，往往需要配置额外的设备，有成本较高、使用场所固定等缺点。而智能手机中内置的传感器越来越丰富，如加速度传感器，方向传感器，GPS等。手机内置传感器种类的丰富和性能的提升以及智能手机的普及性和便携性，使得使用智能手机进行跌倒检测变成研究的热点。如申请号为CN201510717454.5、名称为“一种基于手机的老人跌倒检测方法”的发明公开了一种基于手机的老人跌倒检测方法，通过采集手机的三轴加速度传感器和陀螺仪传感器信息，即得加速度与角加速度；对采集到的加速度和角加速度，利用小波滤波的方法进行滤波，得到滤波后的加速度和角加速度；分别对滤波后的加速度和角加速度构造时域特征向量，采用改进的SVM机器学习分类算法针对三轴向加速度传感器跌倒的加速度的特征向量进行第一级筛选；通过陀螺仪传感器的跌倒的角加速度的特征向量，得到第二级跌倒判定的结果；最终判定人体是否跌倒，完成跌倒识别。该发明具有成本低，仅需携带手机，使用方便的优势。但对于如何在利用智能手机进行跌倒检测时减少系统的误判，增加系统的精度却没有涉及。
如何在利用智能手机进行跌倒检测时减少系统的误判，增加系统的精度是一个亟待解决的技术问题。
发明内容
本发明的目的在于根据使用智能手机可以便利地进行跌倒检测但容易产生误报的特点，提供了一种提高跌倒检测系统精度的方法。该方法可以有效地提高跌倒检测系统的精度，也避免了额外配置设备，具有普遍适用性。
本发明解决上述技术问题所采取的技术方案是一种提高跌倒检测系统精度的方法，所述方法包括如下步骤：
步骤1：跌倒检测系统的训练阶段，包括四个步骤：
1.1：传感器数据采集和预处理；
1.2：特征值获取；
1.3：建立行为识别模型；
1.4：得到特征值对应阈值；
步骤2：跌倒检测系统的识别阶段，包括四个步骤：
2.1：传感器数据采集和预处理；
2.2：特征值获取；
2.3：跌倒触发过程；
2.4：纠正判断过程；
其中步骤2的传感器数据采集和预处理、特征值获取步骤与步骤1的对应步骤内容相同。
进一步，上述传感器数据采集和预处理包含以下步骤：
步骤1-1-1：启用智能手机加速度传感器，设置加速度传感器的采样频率为fsa，分别采集跌倒行为与日常行为的加速度传感器数据ai(t)，(i＝0，1，2，表示传感器x轴、y轴和z轴)，数据ai(t)为离散数据，同时由人工标记跌倒行为和日常行为；
步骤1-1-2：先用截至频率为fmc的阶数为a的中值滤波器和截至频率为flc的阶数为b的低通滤波器去除ai(t)中的噪声na(t)，得到滤波处理后的加速度传感器数据aiτ(t)。
进一步，上述特征值获取包含以下步骤：
步骤1-2-1：加速度传感器数据aiτ(t)采用滑动窗口法处理，即采用一个w秒重叠p％的窗口进行数据提取，得到加速度传感器数据aiw(t)；
步骤1-2-2：从得到的加速度传感器数据aiw(t)中提取时域上的特征值：合加速度值frss，即xyz三轴加速度平方和的均方根值，和垂直速度值fvve，即对合加速度进行积分处理，构成特征向量
Figure BDA0001314984820000021
上述步骤1-2-2中，特征向量
Figure BDA0001314984820000022
将用户行为分类，形成跌倒行为组或日常行为组，其中，合加速度值frss即xyz三轴加速度平方和的均方根值的计算方法为
Figure BDA0001314984820000023
表示传感器x轴、y轴和z轴；垂直速度值fvve的即对合加速度进行积分处理的计算方法为fvve＝v(t)＝∫ΔT(a(t)-1g)dt，ΔT为积分区间。
进一步，上述建立行为识别模型具体为：使用K个时间窗，从而形成K个特征向量
Figure BDA0001314984820000031
构成的特征值集合
Figure BDA0001314984820000032
同时将每种行为标记与其相应的特征值集合S对应起来，构建行为标记与特征值间集合S的映射关系，建立识别模型。
进一步，上述得到特征值对应阈值包含以下步骤：
步骤1-4-1：根据行为识别模型和特征向量
Figure BDA0001314984820000033
使用不同分类算法对跌倒行为和日常行为进行分类，跌倒行为视为正样本，日常行为视为负样本；
步骤1-4-2：分析分类算法的分类准确度，敏感度和特异性，其中准确度定义为在该分类算法下正确区分出的正负样本的数量总和与训练总样本数的比值，敏感度定义为在该分类算法下正确区分出的正样本的数量总和与训练样本中正样本总数的比值，特异性定义为在该分类算法下正确区分出的负样本的数量总和与训练样本中负样本总数的比值；
步骤1-4-3：选择分类效果最好的分类算法，考虑到跌倒行为的特殊性，即跌倒未报的后果要比跌倒误报的后果严重，因此算法选择标准为首先敏感度高，其次准确度和特异性保持在较高的水平；
步骤1-4-4：根据选择的分类效果最好的分类算法，得到特征向量
Figure BDA0001314984820000034
对应的特征值的阈值，即frss对应阈值Thrrss，fvve对应阈值Thrvve。
进一步，上述跌倒检测系统的识别阶段具体包括：
步骤2-1：对经过预处理的加速度传感器数据进行特征值获取，得到特征向量
Figure BDA0001314984820000035
步骤2-2：跌倒触发过程中，判断frss是否大于其阈值Thrrss或者垂直速度值fvve是否大于其阈值Thrvve，如果其中之一大于阈值，则进入纠正判断过程；
步骤2-3：纠正判断过程中，通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度，如果该角度大于60°且跌倒后通过GPS发现用户位置不变，则跌倒检测系统检测到用户跌倒行为，可以进入其他模块的执行。
上述步骤2-2中，在跌倒触发过程根据训练阶段获得的阈值Thrrss和阈值Thrvve分别与识别阶段提取的对应特征值frss和特征值fvve比较，可以区分出跌倒行为，即判断frss是否大于其阈值Thrrss或者垂直速度值fvve是否大于其阈值Thrvve，如果其中之一大于对应阈值，则进入纠正判断过程。
上述步骤2-3中，纠正判断过程中通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度并判断该角度是否大于60°的步骤为，即在跌倒发生的暂态时间中，对方向传感器围绕x轴的旋转角度收集n次数据，若该数据中有m次手机围绕x轴转过的角度大于60°，计算
Figure BDA0001314984820000041
如果大于0.75且跌倒后通过GPS判断用户位置不变，则判断用户发生跌倒行为，可以进入其他模块的执行。
与现有技术相比，本发明的有益效果：
1、本发明通过在跌倒检测系统的训练阶段获得合加速度特征值的阈值和垂直速度特征值的阈值，将阈值应用于识别阶段的跌倒触发过程，即判断合加速度值是否大于对应阈值或者垂直速度值是否大于对应阈值，如果其中之一大于对应阈值，则进入纠正判断过程；在纠正判断过程通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度，如果该角度大于60°且跌倒后通过GPS发现用户位置不变，则跌倒检测系统检测到用户跌倒行为，可以有效提高跌倒检测系统的精度。
2、本发明通过使用智能手机内置的加速度传感器获取合加速度和垂直速度特征值；通过使用智能手机内置的方向传感器，获取跌倒发生的暂态时间中手机围绕x轴的旋转角度；通过使用智能手机内置的GPS，在获取跌倒后用户的位置。整个跌倒检测系统不用额外配置检测设备，具有普遍适用性。
附图说明
图1为本发明的整体方法流程示意图。
图2为跌倒检测系统识别阶段的跌倒触发过程示意图。
具体实施方式
以下结合说明书附图对本发明作进一步的详细说明。本发明提出了一种提到跌倒检测系统精度的方法。该方法在跌倒检测系统训练阶段通过加速度传感器获取合加速度值阈值和垂直速度值阈值。然后将阈值应用到跌倒检测系统识别阶段，即在跌倒触发过程中判断合加速度是否大于对应阈值或者垂直速度值是否大于对应阈值，如果其中之一大于对应阈值，则进入纠正判断过程；在修正判断过程通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度，如果该角度大于60°且跌倒后通过GPS发现用户位置不变，则跌倒检测系统检测到用户跌倒行为，既可以有效地提高跌倒检测系统的精度，又避免了额外配置设备，具有普遍适用性。
如图1所示，跌倒检测系统分为训练阶段和识别阶段，本方法主要应用于识别阶段，分为跌倒触发过程和纠正判断过程。
训练阶段主要包括四个部分，分别为传感器数据采集和预处理，特征值获取，建立行为识别模型，特征值对应阈值。
在传感器数据采集和预处理部分，启用智能手机加速度传感器，设置加速度传感器的采样频率为fsa，分别采集跌倒行为与日常行为(日常行为活动如静坐、平躺、走路、慢跑、上楼梯和下楼梯)的加速度传感器数据ai(t)，(i＝0，1，2，表示传感器x轴、y轴和z轴)，数据ai(t)为离散数据，同时由人工标记跌倒行为和日常行为；先用截至频率为fmc的阶数为a的中值滤波器和价值频率为flc的阶数为b的低通滤波器去除ai(t)中的噪声na(t)，得到滤波处理后的加速度传感器数据aiτ(t)。
在特征值获取部分，加速度传感器数据aiτ(t)采用滑动窗口法处理，即采用一个w秒重叠p％的窗口进行数据提取，得到加速度传感器数据aiw(t)；从得到的加速度传感器数据aiw(t)中提取时域上的特征值：合加速度值frss，即xyz轴三个方向加速度的平方和的均方根值，和垂直速度fvve，即对合加速度进行积分处理，构成特征向量
Figure BDA0001314984820000051
在行为识别模型建立部分，使用K个时间窗，从而形成K个特征向量
Figure BDA0001314984820000052
构成的特征值集合
Figure BDA0001314984820000053
同时将每种行为标记与其相应的特征值集合S对应起来，构建行为标记与特征值间集合S的映射关系，建立识别模型。
在特征值对应阈值部分，根据行为识别模型和特征向量
Figure BDA0001314984820000054
使用不同分类算法(决策树，朴素贝叶斯，K-邻近等)，对跌倒行为(视为正样本)和日常行为(视为负样本)进行分类；分析分类算法的分类准确度，敏感度和特异性，其中准确度定义为在该分类算法下正确区分出的正负样本的数量总和与训练总样本数的比值，敏感度定义为在该分类算法下正确区分出的正样本的数量总和与训练样本中正样本总数的比值，特异性定义为在该分类算法下正确区分出的负样本的数量总和与训练样本中负样本总数的比值；选择分类效果最好的分类算法，考虑到跌倒行为的特殊性，即跌倒未报的后果要比跌倒误报的代价高，因此算法选择标准为首先拥有高敏感度，其次准确度和特异性保持在较高的水平；根据选择的分类效果最好的分类算法，得到特征向量
Figure BDA0001314984820000055
对应的特征值的阈值，即frss对应阈值Thrrss，fvve对应阈值Thrvve。
识别阶段主要包括四个部分，分别为传感器数据采集和预处理，特征值获取、跌倒触发过程和纠正判断过程，其中传感器数据采集和预处理，特征值获取部分与训练阶段对应的部分一致。跌倒触发过程中，判断frss是否大于其阈值Thrrss或者垂直速度值fvve是否大于其阈值Thrvve，如果其中之一大于对应阈值，则进入纠正判断过程；纠正判断过程中，通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度，如果该角度大于60°的具体的步骤为，即在跌倒发生的暂态时间中，对方向传感器围绕x轴的旋转角度收集n次数据，若该数据中有m次手机围绕x轴转过的角度大于60°，计算
Figure BDA0001314984820000061
如果大于0.75且跌倒后通过GPS判断用户位置不变，则跌倒检测系统检测到用户的跌倒行为，可以进入其他模块(如报警模块)的执行。
如图2所示，在跌倒检测系统的识别阶段，传感器数据采集和预处理，特征值获取部分与训练阶段对应的部分一致。在跌倒触发过程中，根据特征值对行为分类的具体方法为，即判断合加速度值frss是否大于其阈值Thrrss或者垂直速度值fvve是否大于其阈值Thrvve，如果其中之一大于对应阈值，则将待分类行为归入跌倒行为组，然后进入纠正判断过程的执行；否则归入日常行为组，不进入纠正判断过程的执行。

Claims (4)

1.一种提高跌倒检测系统精度的方法，其特征在于，所述方法包括如下步骤：
步骤1：跌倒检测系统的训练阶段，包括四个步骤：
1.1：传感器数据采集和预处理；
1.2：特征值获取；
1.3：建立行为识别模型；
1.4：得到特征值对应阈值；
步骤2：跌倒检测系统的识别阶段，包括四个步骤：
2.1：传感器数据采集和预处理；
2.2：特征值获取；
2.3：跌倒触发过程；
2.4：纠正判断过程；
所述特征值是指合加速度特征值和垂直速度特征值；
其中步骤2的传感器数据采集和预处理、特征值获取步骤与步骤1的对应步骤内容相同；
所述建立行为识别模型具体为：使用K个时间窗，从而形成K个特征向量
Figure FDA0002904273010000011
构成的特征值集合
Figure FDA0002904273010000012
同时将每种行为标记与其相应的特征值集合S对应起来，构建行为标记与特征值间集合S的映射关系，建立识别模型，其中frss表示合加速度，fvve表示垂直速度值；
所述传感器数据采集和预处理包含以下步骤：
步骤1-1-1：启用智能手机加速度传感器，设置加速度传感器的采样频率为fsa，分别采集跌倒行为与日常行为的加速度传感器数据ai(t)，i＝0，1，2，表示传感器x轴、y轴和z轴，数据ai(t)为离散数据，同时由人工标记跌倒行为和日常行为；
步骤1-1-2：先用截至频率为fmc的阶数为a的中值滤波器和截至频率为flc的阶数为b的低通滤波器去除ai(t)中的噪声na(t)，得到滤波处理后的加速度传感器数据aiτ(t)；
所述得到特征值对应阈值包含以下步骤：
步骤1-4-1：根据行为识别模型和特征向量
Figure FDA0002904273010000013
使用不同分类算法对跌倒行为和日常行为进行分类，跌倒行为视为正样本，日常行为视为负样本；
步骤1-4-2：分析分类算法的分类准确度，敏感度和特异性，其中准确度定义为在该分类算法下正确区分出的正负样本的数量总和与训练总样本数的比值，敏感度定义为在该分类算法下正确区分出的正样本的数量总和与训练样本中正样本总数的比值，特异性定义为在该分类算法下正确区分出的负样本的数量总和与训练样本中负样本总数的比值；
步骤1-4-3：选择分类效果最好的分类算法，考虑到跌倒行为的特殊性，即跌倒未报的后果要比跌倒误报的后果严重，因此算法选择标准为首先敏感度高，其次准确度和特异性保持在较高的水平；
步骤1-4-4：根据选择的分类效果最好的分类算法，得到特征向量
Figure FDA0002904273010000021
对应的特征值的阈值，即frss对应阈值Thrrss，fvve对应阈值Thrvve，其中frss表示合加速度，fvve表示垂直速度值。
2.根据权利要求1所述的提高跌倒检测系统精度的方法，其特征在于所述跌倒检测系统的识别阶段具体包括：
步骤2-1：对经过预处理的加速度传感器数据进行特征值获取，得到特征向量
Figure FDA0002904273010000022
步骤2-2：跌倒触发过程中，判断frss是否大于其阈值Thrrss或者垂直速度值fvve是否大于其阈值Thrvve，如果其中之一大于阈值，则进入纠正判断过程；
步骤2-3：纠正判断过程中，通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度，如果该角度大于60°且跌倒后通过GPS发现用户位置不变，则跌倒检测系统检测到用户跌倒行为，可以进入其他模块的执行，其中frss表示合加速度，fvve表示垂直速度值。
3.根据权利要求2所述的提高跌倒检测系统精度的方法，其特征在于，步骤2-2中，在跌倒触发过程根据训练阶段获得的阈值Thrrss和阈值Thrvve分别与识别阶段提取的对应特征值frss和特征值fvve比较，可以区分出跌倒行为，即判断frss是否大于其阈值Thrrss或者垂直速度值fvve是否大于其阈值Thrvve，如果其中之一大于对应阈值，则进入纠正判断过程。
4.根据权利要求2所述的提高跌倒检测系统精度的方法，其特征在于，步骤2-3中，纠正判断过程中通过方向传感器提取跌倒发生的暂态时间中手机围绕x轴的旋转角度并判断该角度是否大于60°的步骤为，即在跌倒发生的暂态时间中，对方向传感器围绕x轴的旋转角度收集n次数据，若该数据中有m次手机围绕x轴转过的角度大于60°，计算
Figure FDA0002904273010000023
如果大于0.75且跌倒后通过GPS判断用户位置不变，则判断用户发生跌倒行为，可以进入其他模块的执行。
CN201710421301.5A 2017-06-07 2017-06-07 一种提高跌倒检测系统精度的方法 Active CN107358248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710421301.5A CN107358248B (zh) 2017-06-07 2017-06-07 一种提高跌倒检测系统精度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710421301.5A CN107358248B (zh) 2017-06-07 2017-06-07 一种提高跌倒检测系统精度的方法

Publications (2)

Publication Number Publication Date
CN107358248A CN107358248A (zh) 2017-11-17
CN107358248B true CN107358248B (zh) 2021-03-23

Family

ID=60272278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710421301.5A Active CN107358248B (zh) 2017-06-07 2017-06-07 一种提高跌倒检测系统精度的方法

Country Status (1)

Country Link
CN (1) CN107358248B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009572A (zh) * 2017-11-22 2018-05-08 中国地质大学（武汉） 移动设备坠落检测方法及其模型形成方法与移动设备
CN108433728A (zh) * 2018-03-06 2018-08-24 大连理工大学 一种基于智能手机和ann识别施工人员跌落险兆事故的方法
EP3588458A1 (en) * 2018-06-29 2020-01-01 Koninklijke Philips N.V. A fall detection apparatus, a method of detecting a fall by a subject and a computer program product for implementing the method
CN109886109B (zh) * 2019-01-16 2022-08-30 南京邮电大学 一种基于深度学习的行为识别方法
CN112883939B (zh) * 2021-04-15 2023-04-07 河北工业大学 实时跌倒检测模型训练方法、实时跌倒检测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610056A (zh) * 2012-03-16 2012-07-25 清华大学 面向手机佩戴方式的跌倒事件检测系统和方法
CN103211599A (zh) * 2013-05-13 2013-07-24 桂林电子科技大学 一种监测跌倒的方法及装置
CN103417219A (zh) * 2013-09-11 2013-12-04 重庆大学 穿戴式人体跌倒检测装置
CN104125337A (zh) * 2014-07-22 2014-10-29 厦门美图移动科技有限公司 一种智能手机的跌倒检测和报警方法
CN104392583A (zh) * 2014-11-27 2015-03-04 北京工业大学 一种基于knn算法的跌倒检测与报警系统及方法
CN105590409A (zh) * 2016-02-26 2016-05-18 江苏大学 一种基于大数据的人体跌倒检测方法及系统
CN105741491A (zh) * 2016-03-17 2016-07-06 北京工业大学 基于卡尔曼滤波与knn算法的跌倒检测报警系统及方法
CN106295675A (zh) * 2016-07-25 2017-01-04 南京邮电大学 一种高准确性的基于智能手机的行为识别方法
CN106407996A (zh) * 2016-06-30 2017-02-15 华南理工大学 一种基于机器学习的老人跌倒检测方法及其检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9311540B2 (en) * 2003-12-12 2016-04-12 Careview Communications, Inc. System and method for predicting patient falls
CN101711401B (zh) * 2007-04-19 2014-03-12 皇家飞利浦电子股份有限公司 跌倒检测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610056A (zh) * 2012-03-16 2012-07-25 清华大学 面向手机佩戴方式的跌倒事件检测系统和方法
CN103211599A (zh) * 2013-05-13 2013-07-24 桂林电子科技大学 一种监测跌倒的方法及装置
CN103417219A (zh) * 2013-09-11 2013-12-04 重庆大学 穿戴式人体跌倒检测装置
CN104125337A (zh) * 2014-07-22 2014-10-29 厦门美图移动科技有限公司 一种智能手机的跌倒检测和报警方法
CN104392583A (zh) * 2014-11-27 2015-03-04 北京工业大学 一种基于knn算法的跌倒检测与报警系统及方法
CN105590409A (zh) * 2016-02-26 2016-05-18 江苏大学 一种基于大数据的人体跌倒检测方法及系统
CN105741491A (zh) * 2016-03-17 2016-07-06 北京工业大学 基于卡尔曼滤波与knn算法的跌倒检测报警系统及方法
CN106407996A (zh) * 2016-06-30 2017-02-15 华南理工大学 一种基于机器学习的老人跌倒检测方法及其检测系统
CN106295675A (zh) * 2016-07-25 2017-01-04 南京邮电大学 一种高准确性的基于智能手机的行为识别方法

Also Published As

Publication number Publication date
CN107358248A (zh) 2017-11-17

Similar Documents

Publication Publication Date Title
CN107358248B (zh) 一种提高跌倒检测系统精度的方法
Paul et al. An effective approach for human activity recognition on smartphone
CN106228200B (zh) 一种不依赖于动作信息采集设备的动作识别方法
CN111178155B (zh) 基于惯性传感器的步态特征提取和步态识别方法
CN108509897A (zh) 一种人体姿态识别方法和系统
CN108021888B (zh) 一种跌倒检测方法
CN112464738B (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
Gjoreski et al. Accelerometer data preparation for activity recognition
Fernandez-Lopez et al. Optimizing resources on smartphone gait recognition
CN110532898A (zh) 一种基于智能手机多传感器融合的人体活动识别方法
CN107169334B (zh) 用于手部可穿戴设备的基于直拳动作检测的用户认证方法
CN107103219B (zh) 基于步态的可穿戴设备用户识别方法及系统
CN106971203B (zh) 基于走路特征数据的身份识别方法
CN111603169A (zh) 基于mems惯性传感器的行人步态识别方法
CN109720353B (zh) 一种基于智能手机的驾驶行为检测方法
CN112966248B (zh) 非受控步行场景下移动设备的持续身份认证方法
CN114881079A (zh) 面向穿戴式传感器的人体运动意图异常检测方法及系统
CN107315997B (zh) 一种基于快速特征点定位的视线朝向判断方法及系统
US10578640B2 (en) Determination of a mobility context for a user carrying a device fitted with inertial sensors
WO2018014432A1 (zh) 语音应用触发控制方法、装置及终端
Zhou et al. An activity transition based fall detection model on mobile devices
CN111803902B (zh) 泳姿识别方法、装置、可穿戴设备及存储介质
CN111428690A (zh) 一种基于步态信号拓扑分析的身份认证方法
CN116226727A (zh) 一种基于ai的运动识别系统
CN115439934A (zh) 一种基于cnn-lstm运动模式识别的自适应步频检测方法

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