CN107569234A - 一种基于腕带式设备的跌倒检测算法 - Google Patents
一种基于腕带式设备的跌倒检测算法 Download PDFInfo
- Publication number
- CN107569234A CN107569234A CN201710796479.8A CN201710796479A CN107569234A CN 107569234 A CN107569234 A CN 107569234A CN 201710796479 A CN201710796479 A CN 201710796479A CN 107569234 A CN107569234 A CN 107569234A
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- tumble
- matrix
- axis
- 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
Abstract
本发明公开了一种基于腕带式设备的跌倒检测算法,包括通过传感器采集人体活动加速度数据;将采集的加速度数据转换成角度值,计算角度的梯度值,根据数据之间的变化规律得出倾角梯度数据,利用分组数据求方差的方法获得最终的特征值;获得倾角梯度方差作为特征值后,通过与人体正常活动特征值进行对比,分别选取跌倒与跌倒发生以后两个时刻的阈值,进行跌倒行为判断。双阈值跌倒检测算法有效提高了检测的灵敏度和特异度。
Description
技术领域
本发明涉及一种基于腕带式设备的跌倒检测算法,属于人体行为识别技术的研究和应用。
背景技术
当今社会人口老龄化越来越严重,卫生部的最新资料表明跌倒是我国65岁以上老年人死亡的首位原因,老人跌倒造成的伤害和老年人跌倒死亡率随着年龄急剧上升,所以对老年人的跌倒进行及时的发现以及救治是至关重要的。现在空巢老人越来越多,研究表明,全国有4700万老人处于独居状态。老人跌倒如果发生在室内或者无人察觉,会导致无法进行及时救治和通知家属,导致老人的生命受到极大的威胁。跌倒检测技术就是及时、准确的发现老人跌倒事件,对跌倒事件能够进行及时的报警、通知家人以及急救中心,让老人能够在最短时间内得到救治和帮助。
跌倒检测的方法多种多样,现阶段跌倒检测的主要差异在于数据的采集和数据处理算法。数据的采集设备和方式包括可穿戴设备、音频设备和视频设备。数据处理算法包括使用分类器算法、阈值判断和模式识别等方法。三种数据采集的方法各有不同,它们具有各自的优点和缺点。视频数据采集中,老人不需要身体佩戴任何设备、易于配置和多功能性、准确率高等优点,但是受到环境和空间的限制,并且涉及隐私问题;音频数据采集最大的优点就是老人无须进行佩戴设备,减少老人的负担,但是检测的准确度偏低,实用性较差并且无法应用于室外坏境;穿戴式设备数据采集具有造价低,覆盖范围广,容易使用等优点。但是其准确率较低,设备的佩戴舒适度、减少佩戴传感器的数目、节点能耗问题等问题都是急需解决的问题。对于基于传感器的跌倒检测算法,目前国内外的研究趋势主要是基于特征值阈值检测,即特征值超过一定的阈值,即判断为跌倒行为,但是这种方法阈值的选取至关重要,阈值选取将直接影响最终判决结果。阈值算法具有算法复杂度低、延时小等优点,但是阈值大小的选取、特征值选择和准确率低等都是阈值选择必须解决的问题。
发明内容
针对上诉问题中存在的不足之处,本发明提出了一种基于腕带式设备的跌倒检测算法。
为了解决以上问题本发明提供了一种基于腕带式设备的跌倒检测算法,其特征在于,包括以下步骤:
步骤1:采集数据
将三轴加速度传感器节点佩戴在手腕处采集加速度信息,采样频率选择为20Hz;
步骤2、获取特征值
将步骤1采集的加速度数据转换为期望获取的特征值的,通过Shimmer节点进行算法验证,Shimmer节点内部集成的三轴加速度传感器采集的数据是电压值,经过对其进行校正获得加速度值,加速度值转换成为角度值,通过角度值能够直观的了解佩戴人员的动作姿态以及活动规律;计算角度的梯度值,根据数据之间的变化规律得出倾角梯度数据,利用分组数据求方差的方法获得最终的特征值;
步骤3、跌倒检测
采集获得倾角梯度方差作为特征值后,需要选取阈值作为不同行为判断的标准;本处采用双阈值的跌倒检测算法进行跌倒检测,对比正常行为与跌倒行为特征值选取预定阈值;对跌倒事件发生时刻以及跌倒发生后的下一个时刻特征值数据进行阈值判断,从而判断是否发生跌倒行为。
所述的步骤2包括以下内容:
2.1校正“电压值转换为加速度值”
将Shimmer平台和Shimmer 9DOF Calibration应用程序通过Bluetooth连接,设置加速度的灵敏度范围为6g;首先,对Shimmer平台进行X轴校正,将节点放在水平面上,X轴正方向垂直向下,并按下Shimmer 9DOF Calibration应用程序中的校正程序上的X+g按钮获取数据;然后再将X轴负方向垂直向上,并按下Shimmer 9DOF Calibration应用程序中的校正程序上的X-g按钮获取数据;按照上述步骤对Y轴和Z轴依次校正。最终得到三轴加速度传感器的偏移矩阵、敏感度矩阵和校准矩阵;
其中三轴加速度数据和电压值数据、偏移矩阵、敏感度矩阵以及校准矩阵之间的关系如式1所示:
c=R-1.K-1.(u-b)(1)
其中c——校正后的3×1的校正后数据矩阵,单位为m/s2;
R——3×3的校准矩阵;
K——3×3的敏感度矩阵,单位为mV/m/s2;
u——3×1的原始加速度数据矩阵,单位为mV;
b——3×1的偏移矩阵,单位为mV。
由式2以及校正所得的偏移矩阵、敏感度矩阵和校准矩阵,将原始的三轴电压值信号转化为实际的加速度数据;通过校正程序,将采集数据的节点进行数据校正;获得的偏移矩阵、敏感度矩阵和校准矩阵分别为:
偏移矩阵:[2038,2121,1960]T
在离线计算过程中,不考虑计算复杂度影响,计算机直接使用校正矩阵;当进行在线计算,数据计算能力比较弱,那么将校验矩阵进行近似处理;
2.2加速度转换为倾角
从式(2)、(3)以及(4)能根据加速度获得最终的倾角数据;其中AX,AY,AZ是X轴,Y轴以及Z轴的加速度;ρ,分别是三轴加速度传感器的X轴,Y轴与水平面之间的角度;θ是Z轴与重力加速度方向的角度;
2.3阈值获取
由公式(2)、(3)以及(4)得到了三组角度值。对每一组的角度进行下面的计算:
由式(5)能得到角度的梯度值,其中Ai是第i个角度值;式(5)中Δt表示采样间隔,式(6)中n是窗口数据量大小,窗口的大小是2s,同时采样频率是20Hz,那么最终得到的数据量是40,即n=40;公式(6)获得倾角梯度方差s2就是倾角梯度跌倒检测算法的特征值。
所述步骤3的阈值选取:
将跌倒分为三种状态:跌倒前状态,跌倒状态,跌倒后状态;
本处采用双阈值的跌倒检测算法,在发生跌倒时刻选择阈值Th1,跌倒发生以后时刻选择阈值Th2;跌倒时刻具有随机性,在分组过程中,跌倒可能发生在两组数据内,所以在跌倒时刻选取两组数据特征值的均值;跌倒标准为:在实际跌倒事件发生以后,佩戴者处于静止状态,才最终确认为发生跌倒行为,在保证延时较低的情况下,提高了判断的准确率。
本发明的优势:
1、本发明中获得的特征值相比于加速度特征值和其他方法使用的特征值具有更高的可辨识性,基于倾角梯度算法更容易获取阈值。
2、在保证延时较低的情况下,具有很好的灵敏度和特异度,同时适用于不同的测试对象。
附图说明
图1为本发明的方法流程图。
图2为数据采集装置佩戴示意图。
图3为加速度数据转换为特征值的流程图。
图4为水平状态下三轴模型图。
图5为三轴角度模型图。
图6为跑步时跌倒和步行时跌倒倾角梯度方差的变化示意图(一组数据内)。
图7为跑步时跌倒和步行时跌倒倾角梯度方差的变化示意图(两组数据内)。
具体实施方式
下面结合附图对本发明做进一步详细的描述。
如图1至5,本发明提供了一种基于腕带式设备的跌倒检测算法,,包括以下步骤:
步骤1:采集与处理数据
1.1选择传感器佩戴位置:本发明选择将传感器节点佩戴在手腕,此处较为舒适且不会影响日常活动,并且跌倒后不容易造成二次伤害。
1.2选择采样频率:本发明采样频率选择为20Hz,该频率采集所得的数据既能很好地实现运动信号的恢复,也不会占用很大的存储空间,同时保持计算简单。
1.3采集加速度数据并传输:本发明采用腕带式设备进行数据采集,通过集成的三轴加速度传感器采集加速度信息。采集典型的日常活动的数据,例如步行、慢跑、上下楼梯等动作。进行人体活动数据采集时采用两个节点,一个节点佩戴在人的手腕上,另外一个与计算机USB接口相连,如图2所示。佩戴在手腕的节点的三轴加速度传感器采集加速度数据,将数据通过节点内部芯片发送到另一个节点,计算机通过MATLAB读取串口数据,然后对获取的数据帧进行解析,提取出其中的三轴加速度数据,并将其他的数据全部丢弃。
本实施过程中跌倒检测应用对象是老人。考虑老人的实际情况,主要采集老人的日常活动数据,不测试老人的跌倒行为。跌倒行为的主要测试对象是年轻人,通过年轻人进行模拟老人的跌倒行为测试。
步骤2、获取特征值
图3为将数据的加速度数据转换为期望获取的特征值的过程图。本实施通过Shimmer节点进行算法验证。Shimmer节点内部集成的三轴加速度传感器采集的数据是电压值,经过对其进行校正获得加速度值,加速度值转换成为角度值,通过角度值能够直观的了解老人的动作姿态以及老人的活动规律。计算角度的梯度值,根据数据之间的变化规律得出倾角梯度数据,利用分组数据求方差的方法获得最终的特征值。本实施中是对跌倒事件进行检测,通过阈值判断方法存在的噪声不会影响最终的判决结果。并且添加滤波算法会增加数据处理的复杂度以及增加处理器的能耗,所以没有考虑添加滤波算法进行降噪。
2.1校正(电压值转换为加速度值)
将Shimmer平台和Shimmer 9DOF Calibration应用程序通过Bluetooth连接,设置加速度的灵敏度范围为6g。首先,对Shimmer平台进行X轴校正,将节点放在水平面上,X轴正方向垂直向下,并按下校正程序上的X+g按钮获取数据;然后再将X轴负方向垂直向上,并按下校正程序上的X-g按钮获取数据;按照上述步骤对Y轴和Z轴依次校正。最终得到三轴加速度传感器的偏移矩阵、敏感度矩阵和校准矩阵。
其中三轴加速度数据和电压值数据、偏移矩阵、敏感度矩阵以及校准矩阵之间的关系如式1所示。
c=R-1.K-1.(u-b) (1)
其中c——校正后的3×1的校正后数据矩阵,单位为m/s2;
R——3×3的校准矩阵;
K——3×3的敏感度矩阵,单位为mV/m/s2;
u——3×1的原始加速度数据矩阵,单位为mV;
b——3×1的偏移矩阵,单位为mV。
由式2以及校正所得的偏移矩阵、敏感度矩阵和校准矩阵,可以将原始的三轴电压值信号转化为实际的加速度数据。通过校正程序,将采集数据的节点进行数据校正。获得的偏移矩阵、敏感度矩阵和校准矩阵分别为:
偏移矩阵:[2038,2121,1960]T
在离线计算过程中,不考虑计算复杂度影响,计算机直接使用校正矩阵。如果进行在线计算,数据计算能力比较弱,那么可以将校验矩阵进行近似处理。
2.2加速度转换为倾角
从式(2)、(3)以及(4)可以根据加速度获得最终的倾角数据。其中AX,AY,AZ是X轴,Y轴以及Z轴的加速度。三轴模型图如图4、5所示,其中图4表示在静止状态下的直角坐标系,图5中ρ,分别是三轴加速度传感器的X轴,Y轴与水平面之间的角度。θ是Z轴与重力加速度方向的角度。
2.3阈值获取
由公式(2)、(3)以及(4)得到了三组角度值。对每一组的角度进行下面的计算:
由式(5)可以得到角度的梯度值,其中Ai是每一组第i个角度值。式(5)中Δt表示采样间隔,式(6)中n是窗口数据量大小。本文选择的窗口的大小是2s,同时采样频率是20Hz,那么最终得到的数据量是40,即n=40。公式(6)获得倾角梯度方差s2就是倾角梯度跌倒检测算法的特征值。
步骤3、跌倒检测
采集获得倾角梯度方差作为特征值后,需要选取一定的阈值作为不同行为判断的标准。本实施采用双阈值的跌倒检测算法进行跌倒检测。对跌倒事件发生时刻以及跌倒发生后的下一个时刻特征值数据进行阈值判断。
3.1阈值选取
本实施过程将跌倒分为三种状态:跌倒前状态,跌倒状态,跌倒后状态。
本发明提出双阈值的跌倒检测算法,在发生跌倒时刻选择阈值Th1,跌倒发生以后时刻选择阈值Th2。跌倒时刻具有随机性,在分组过程中,跌倒可能发生在一组数据内(图6上图左侧),还有可能在两组数据内((图7上图右侧),所以在跌倒时刻选取两组数据特征值的均值。本发明中跌倒标准是在实际跌倒事件发生以后,老人处于静止状态,才最终确认为发生跌倒行为,例如由于非意外情况下跌倒,在跌倒后会发生昏倒以及意识不清晰等症状。如果老人在跌倒后还能够进行一定的活动或者是自救,则获取的特征值就会超出一定的阈值,在这种情况下,就认为没有发生跌倒行为,不需要及时发出报警信号。图6下图就是典型的跌倒行为,在跌倒事件发生后其特征值在1以内。
所以在选择阈值方面,不仅仅考虑当前获得值,还要考虑跌倒前的动作和跌倒后的动作,发生跌倒时刻选择阈值Th1,跌倒后选择阈值Th2。阈值检测的结果通过灵敏度以及特异度作为跌倒检测算法好坏的判断标准。
跌倒检测通过灵敏度(Sensitivity)和特异度(Specificity)衡量最终的算法的优劣。灵敏度表示跌倒行为的检测概率,特异度表示日常行为活动的检测概率。灵敏度以及特异度数值越大,那么表示算法的性能越优越。
灵敏度的表达式是:
其中TP(True Positive)表示跌倒行为发生,设备检测为跌倒行为。FN(Falsenegative)表示跌倒行为发生,设备没有检测到跌倒行为的发生。
特异度的表达式是:
其中TN(True negative)表示日常行为发生,设备检测为正常活动。FP(Falsepositive)设备声称检测到跌倒事件,但是实际上没有发生跌倒行为。
实验结果
在实验中,选择3组测试者进行相关测试。三组测试者包括不同的身高、体重的年轻人。将三组人的步行、静止、慢跑这三种日常行为活动进行测试。同时依次测试人的前向、后向和侧向跌倒进行测试。分别测试了36次跌倒和1313组日常行为活动,其中日常活动包括静止,步行,跑步等。
在选择测试对象过程中,选定在室内条件下进行跌倒检测。跌倒过程中考虑老人的安全问题。选择年轻人进行模仿老人跌倒,最终达到老人跌倒动作测试的真实性。
基于倾角梯度的阈值选择范围较广,因此通过遍历的方法选择最优的阈值。遍历后获得的最终结果是Th1=120,Th2=5。通过倾角梯度阈值算法与KNN算法,决策树(DT)以及朴素贝叶斯分类器(Bayes ClassifierNBC)进行比较,将三组测试数据的灵敏度、特异度以及算法复杂度对比。发现对于不同的人,得到的灵敏度差异很大,倾角梯度阈值算法获得较好的灵敏度,同时适应不同的人以及不同的跌倒状态。
数据采集对象包括不同的身高,年龄以及体重的人,包括跌倒数据36组,日常活动1313组,最终灵敏度达到94.44%,特异度达到100%。灵敏度相对于其他算法具有很大的提升,同时采用阈值判断方法的算法复杂度低,不需要采集数据进行构建算法模型。
Claims (4)
1.一种基于腕带式设备的跌倒检测算法,其特征在于,包括以下步骤:
步骤1:采集数据
将三轴加速度传感器节点佩戴在手腕处采集加速度信息,采样频率选择为20Hz;
步骤2、获取特征值
将步骤1采集的加速度数据转换为期望获取的特征值的,通过Shimmer节点进行算法验证,Shimmer节点内部集成的三轴加速度传感器采集的数据是电压值,经过对其进行校正获得加速度值,加速度值转换成为角度值,通过角度值能够直观的了解佩戴人员的动作姿态以及活动规律;计算角度的梯度值,根据数据之间的变化规律得出倾角梯度数据,利用分组数据求方差的方法获得最终的特征值;
步骤3、跌倒检测
采集获得倾角梯度方差作为特征值后,需要选取阈值作为不同行为判断的标准;本处采用双阈值的跌倒检测算法进行跌倒检测,对比正常行为与跌倒行为特征值选取预定阈值;对跌倒事件发生时刻以及跌倒发生后的下一个时刻特征值数据进行阈值判断,从而判断是否发生跌倒行为。
2.根据权利要求1所述的一种基于腕带式设备的跌倒检测算法,其特征在于,所述的步骤2包括以下内容:
2.1校正“电压值转换为加速度值”
将Shimmer平台和Shimmer 9DOF Calibration应用程序通过Bluetooth连接,设置加速度的灵敏度范围为6g;首先,对Shimmer平台进行X轴校正,将节点放在水平面上,X轴正方向垂直向下,并按下Shimmer 9DOF Calibration应用程序中的校正程序上的X+g按钮获取数据;然后再将X轴负方向垂直向上,并按下Shimmer 9DOF Calibration应用程序中的校正程序上的X-g按钮获取数据;按照上述步骤对Y轴和Z轴依次校正;最终得到三轴加速度传感器的偏移矩阵、敏感度矩阵和校准矩阵;
其中三轴加速度数据和电压值数据、偏移矩阵、敏感度矩阵以及校准矩阵之间的关系如式1所示:
c=R-1.K-1.(u-b) (1)
其中c——校正后的3×1的校正后数据矩阵,单位为m/s2;
R——3×3的校准矩阵;
K——3×3的敏感度矩阵,单位为mV/m/s2;
u——3×1的原始加速度数据矩阵,单位为mV;
b——3×1的偏移矩阵,单位为mV。
由式2以及校正所得的偏移矩阵、敏感度矩阵和校准矩阵,将原始的三轴电压值信号转化为实际的加速度数据;通过校正程序,将采集数据的节点进行数据校正;获得的偏移矩阵、敏感度矩阵和校准矩阵分别为:
偏移矩阵:[2038,2121,1960]T
在离线计算过程中,不考虑计算复杂度影响,计算机直接使用校正矩阵;当进行在线计算,数据计算能力比较弱,那么将校验矩阵进行近似处理;
2.2加速度转换为倾角
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>x</mi>
</msub>
<msqrt>
<mrow>
<msubsup>
<mi>A</mi>
<mi>Y</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>A</mi>
<mi>Z</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>Y</mi>
</msub>
<msqrt>
<mrow>
<msubsup>
<mi>A</mi>
<mi>X</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>A</mi>
<mi>Z</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msqrt>
<mrow>
<msubsup>
<mi>A</mi>
<mi>X</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>A</mi>
<mi>Y</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
<msub>
<mi>A</mi>
<mi>Z</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
从式(2)、(3)以及(4)能根据加速度获得最终的倾角数据;其中AX,AY,AZ是X轴,Y轴以及Z轴的加速度;ρ,分别是三轴加速度传感器的X轴,Y轴与水平面之间的角度;θ是Z轴与重力加速度方向的角度;
2.3阈值获取
由公式(2)、(3)以及(4)得到了三组角度值。对每一组的角度进行下面的计算:
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>s</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
由式(5)能得到角度的梯度值,其中Ai是第i个角度值;式(5)中Δt表示采样间隔,式(6)中n是窗口数据量大小;公式(6)获得倾角梯度方差s2就是倾角梯度跌倒检测算法的特征值。
3.根据权利要求1所述的一种基于腕带式设备的跌倒检测算法,其特征在于,所述步骤3的阈值选取:
将跌倒分为三种状态:跌倒前状态,跌倒状态,跌倒后状态;
本处采用双阈值的跌倒检测算法,在发生跌倒时刻选择阈值Th1,跌倒发生以后时刻选择阈值Th2;跌倒时刻具有随机性,在分组过程中,跌倒可能发生在两组数据内,所以在跌倒时刻选取两组数据特征值的均值;跌倒标准为:在实际跌倒事件发生以后,佩戴者处于静止状态,才最终确认为发生跌倒行为。
4.根据权利要求2所述的一种基于腕带式设备的跌倒检测算法,其特征在于,公式(6)中,窗口的大小是2s,同时采样频率是20Hz,那么最终得到的数据量是40,即n=40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710796479.8A CN107569234A (zh) | 2017-09-06 | 2017-09-06 | 一种基于腕带式设备的跌倒检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710796479.8A CN107569234A (zh) | 2017-09-06 | 2017-09-06 | 一种基于腕带式设备的跌倒检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107569234A true CN107569234A (zh) | 2018-01-12 |
Family
ID=61030647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710796479.8A Pending CN107569234A (zh) | 2017-09-06 | 2017-09-06 | 一种基于腕带式设备的跌倒检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107569234A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110226934A (zh) * | 2019-06-21 | 2019-09-13 | 青岛歌尔智能传感器有限公司 | 一种跌倒检测方法、装置及腕带式设备 |
CN111839527A (zh) * | 2020-07-31 | 2020-10-30 | 高新兴物联科技有限公司 | 一种跌倒检测方法、设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050256411A1 (en) * | 2004-05-12 | 2005-11-17 | Health & Life Co. Ltd | Sphygmomanometer with three-dimensional positioning function |
CN101400296A (zh) * | 2006-02-28 | 2009-04-01 | 皇家飞利浦电子股份有限公司 | 具有设置在颈环上或颈环内的电子部件的生物特征监测器 |
CN102044131A (zh) * | 2010-07-20 | 2011-05-04 | 北京紫峰华纳科技有限公司 | 一种报警信号处理方法及基于人体体位信息的报警方法 |
CN102657533A (zh) * | 2012-04-28 | 2012-09-12 | 浙江大学城市学院 | 一种跌倒检测方法、跌倒检测装置和手腕式设备 |
CN103021129A (zh) * | 2012-12-04 | 2013-04-03 | 东南大学 | 一种老年人跌倒监测系统及其方法 |
CN104055518A (zh) * | 2014-07-08 | 2014-09-24 | 广州柏颐信息科技有限公司 | 一种跌倒检测腕表及跌倒检测方法 |
WO2015143085A1 (en) * | 2014-03-18 | 2015-09-24 | Zhang Jack Ke | Techniques for wellness monitoring and emergency alert messaging |
-
2017
- 2017-09-06 CN CN201710796479.8A patent/CN107569234A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050256411A1 (en) * | 2004-05-12 | 2005-11-17 | Health & Life Co. Ltd | Sphygmomanometer with three-dimensional positioning function |
CN101400296A (zh) * | 2006-02-28 | 2009-04-01 | 皇家飞利浦电子股份有限公司 | 具有设置在颈环上或颈环内的电子部件的生物特征监测器 |
CN102044131A (zh) * | 2010-07-20 | 2011-05-04 | 北京紫峰华纳科技有限公司 | 一种报警信号处理方法及基于人体体位信息的报警方法 |
CN102657533A (zh) * | 2012-04-28 | 2012-09-12 | 浙江大学城市学院 | 一种跌倒检测方法、跌倒检测装置和手腕式设备 |
CN103021129A (zh) * | 2012-12-04 | 2013-04-03 | 东南大学 | 一种老年人跌倒监测系统及其方法 |
WO2015143085A1 (en) * | 2014-03-18 | 2015-09-24 | Zhang Jack Ke | Techniques for wellness monitoring and emergency alert messaging |
CN104055518A (zh) * | 2014-07-08 | 2014-09-24 | 广州柏颐信息科技有限公司 | 一种跌倒检测腕表及跌倒检测方法 |
Non-Patent Citations (1)
Title |
---|
周生强: "腕带式跌倒检测系统研究", 《中国硕士学位论文全文数据库,工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110226934A (zh) * | 2019-06-21 | 2019-09-13 | 青岛歌尔智能传感器有限公司 | 一种跌倒检测方法、装置及腕带式设备 |
CN110226934B (zh) * | 2019-06-21 | 2022-03-22 | 青岛歌尔智能传感器有限公司 | 一种跌倒检测方法、装置及腕带式设备 |
CN111839527A (zh) * | 2020-07-31 | 2020-10-30 | 高新兴物联科技有限公司 | 一种跌倒检测方法、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aziz et al. | A comparison of accuracy of fall detection algorithms (threshold-based vs. machine learning) using waist-mounted tri-axial accelerometer signals from a comprehensive set of falls and non-fall trials | |
Butte et al. | Assessing physical activity using wearable monitors: measures of physical activity | |
Bagala et al. | Evaluation of accelerometer-based fall detection algorithms on real-world falls | |
Andò et al. | A multisensor data-fusion approach for ADL and fall classification | |
Tsinganos et al. | A smartphone-based fall detection system for the elderly | |
Vallejo et al. | Artificial neural networks as an alternative to traditional fall detection methods | |
Hashim et al. | Accurate fall detection for patients with Parkinson's disease based on a data event algorithm and wireless sensor nodes | |
CN108244744A (zh) | 一种运动状态识别的方法、鞋底及鞋 | |
Majumder et al. | iPrevention: Towards a novel real-time smartphone-based fall prevention system | |
CN103177530B (zh) | 一种基于三轴加速度的人体摔倒检测方法 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
Guo et al. | A threshold-based algorithm of fall detection using a wearable device with tri-axial accelerometer and gyroscope | |
CN106875630B (zh) | 一种基于层次分类的可穿戴跌倒检测方法及系统 | |
CN107146378A (zh) | 一种人体跌倒判定方法及装置 | |
Lee et al. | Integrated solution for physical activity monitoring based on mobile phone and PC | |
Awais et al. | Physical activity classification using body-worn inertial sensors in a multi-sensor setup | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
CN107569234A (zh) | 一种基于腕带式设备的跌倒检测算法 | |
Salleh et al. | Neural network algorithm-based fall detection modelling | |
Liu et al. | Posture recognition algorithm for the elderly based on BP neural networks | |
CN105551191A (zh) | 一种跌倒检测方法 | |
Rodríguez-Martín et al. | Posture transition analysis with barometers: contribution to accelerometer-based algorithms | |
Xia et al. | Development of an automated physical activity classification application for mobile phones | |
Majumder et al. | Your walk is my command: gait detection on unconstrained smartphone using IoT system | |
Putchana et al. | Wireless intelligent fall detection and movement classification using fuzzy logic |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180112 |