CN108009572A - 移动设备坠落检测方法及其模型形成方法与移动设备 - Google Patents
移动设备坠落检测方法及其模型形成方法与移动设备 Download PDFInfo
- Publication number
- CN108009572A CN108009572A CN201711175453.8A CN201711175453A CN108009572A CN 108009572 A CN108009572 A CN 108009572A CN 201711175453 A CN201711175453 A CN 201711175453A CN 108009572 A CN108009572 A CN 108009572A
- Authority
- CN
- China
- Prior art keywords
- mrow
- acceleration
- msub
- resultant acceleration
- mobile device
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/003—Kinematic accelerometers, i.e. measuring acceleration in relation to an external reference frame, e.g. Ferratis accelerometers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种移动设备坠落检测方法及其模型形成方法与移动设备,包括:监听移动设备加速度传感器变化事件,采集三轴加速度数据集,计算合加速度、合加速度标准差、合加速度偏度、合加速度峰度,作为合加速度特征数据集,为每条特征样本数据添加标签列,得到带有标签的合加速度特征数据集,将带有标签的合加速度特征数据集输入到机器学习算法中进行训练,得到移动设备坠落预测模型;实时获取移动设备的加速度数据,得到当前时刻的合加速度特征值,将计算得到的合加速度特征值作为参数,调用模型进行预测。本发明基于合加速度进行特征提取,基于机器学习算法,建立了一种便捷、高效和精准的移动设备坠落预测模型,实现移动设备坠落状态的实时检测。
Description
技术领域
本发明涉及信息技术领域,尤其是一种移动设备坠落检测方法及其模型形成方法与移动设备。
背景技术
目前移动设备已经非常广泛,移动设备是指可以在移动中使用的电子设备,广义的讲包括手机、平板电脑、智能穿戴设备(如智能手表)等。随着集成电路技术的飞速发展,移动设备正在从简单的通话工具变为一个综合信息处理平台,这也给移动设备增加了更加宽广的发展空间。
在涉及野外工作者或者野外实习生外出作业的场景中,由于野外工作人员需要在风、雨、雪、雾等恶劣天气下单人作业,再加上相关工作人员安全意识淡薄,在野外作业过程中可能发生从高处坠落的事故,发生这类事故后要找到独自行动的作业人员非常困难,对于这种情况,责任人需要采取一定的防备措施,在发生人体坠落时可以及时检测并报警,以便知道当事人的所在位置,以组织人员及时救援。因此,野外人员坠落状态的检测具有重要的现实意义。移动设备是目前广泛普及并随身携带的设备,通过移动设备的加速度传感器实时检测野外工作者所处状态,来判断作业人员是否发生从高处坠落的情况,可以低成本、便捷地解决上述场景中的问题。
发明内容
本发明要解决的技术问题在于,针对上述现有技术中在野外作业过程中可能发生从高处坠落的事故,发生这类事故后要找到独自行动的作业人员非常困难的技术缺陷,提供一种移动设备坠落检测方法及其模型形成方法与移动设备。
根据本发明的其中一方面,本发明解决其技术问题,所采用的移动设备坠落检测模型形成方法包含如下步骤:
S1、获取加速度数据集,所述加速度数据集包含移动设备在不同运动状态下每隔预设时间所采集的各轴向上的加速度;
S2、分别计算出各个轴向上的加速度所对应的合加速度、合加速度标准差、合加速度偏度及合加速度峰度,形成合加速度特征数据集;
S3、在合加速度特征数据集中,获取为每条特征样本数据添加的标签列,标签值包括第一标签和第二标签,第一标签代表坠落状态,第二标签代表非坠落状态,得到带有标签的合加速度特征数据集;
S4、基于机器学习算法,将带有标签的合加速度特征数据集输入到该机器学习算法进行训练,得到移动设备坠落检测模型,在得到的移动设备坠落检测模型中输入移动设备在不同运动状态下每隔预设时间所采集的各轴向上的加速度,可得出对应的标签;
其中,在利用所述移动设备坠落检测模型检测移动设备是否坠落时,是通过调用所述移动设备坠落检测模型对实时获取的移动通信设备的合加速度特征数据进行处理得到标签值来进行判断的。
在本发明的移动设备坠落检测模型形成方法中,步骤S1中的移动设备在不同运动状态下每隔预设时间所采集的各轴向上的加速度是指:
不同运动状态下,分别通过移动设备的三轴重力加速度传感器监听移动设备加速度,每隔预设时间记录一次X轴、Y轴、Z轴的加速度值Xi,Yi,Zi,形成三轴加速度数据集[Xi,Yi,Zi],i为在某一时刻采集的数据在三轴加速度数据集中的编号,i=1、2、3,…、MAX,MAX为三轴加速度数据集的数据总数。
在本发明的移动设备坠落检测模型形成方法中,在步骤S2中:
合加速度Gi定义如公式所示:
标准差Ei定义如公式所示:
偏度定义Si如公式所示:
峰度Ki定义如公式所示:
式中,N为合加速度特征数据集中的合加速度数量,是加速度特征数据集中的合加速度的平均值;
所述合加速度特征数据集为:[Gi,Ei,Si,Ki]。
在本发明的移动设备坠落检测模型形成方法中,步骤S1中加速度数据集是在一个连续的时间段内每隔所述预设时间所采集的;实时获取的移动通信设备的合加速度特征数据也为在一个连续的时间段内每隔所述预设时间所采集的。
在本发明的移动设备坠落检测模型形成方法中,移动设备为手机、平板电脑、智能穿戴设备。
在本发明的移动设备坠落检测模型形成方法中,所述获取为每条特征样本数据添加的标签列中,标签列为人工添加。
在本发明的移动设备坠落检测模型形成方法中,步骤S4中基于机器学习算法,将带有标签的合加速度特征数据集输入到该机器学习算法进行训练,得到移动设备坠落检测模型具体为:调用CART决策树算法中创建决策树的方法,将带有标签的合加速度特征数据集输入到CART决策树中进行训练,得到基于CART决策树的移动设备坠落检测模型。
根据本发明的另一方面,本发明解决其技术问题,还提供了一种移动设备坠落检测方法,该方法采用上述任一项的移动设备坠落检测模型形成方法所形成的移动设备坠落检测模型对实时获取的移动通信设备的合加速度特征数据进行处理得到标签值来进行判断移动设备是否坠落。
根据本发明的再一方面,本发明解决其技术问题,还提供了一种移动设备,该移动设备采用如上述任一项的移动设备坠落检测模型形成方法所形成的移动设备坠落检测模型来判断移动设备是否坠落。
实施本发明的移动设备坠落检测方法及其模型形成方法与移动设备,具有以下有益效果:基于合加速度进行特征提取,避免了加速度的不同轴向对模型精度的影响,基于机器学习算法,建立了一种便捷、高效和精准的移动设备坠落预测模型,实现移动设备坠落状态的实时检测,能够提供具备坠落状态实时检测功能的移动设备。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的移动设备坠落检测方法一实施例的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
为了更清晰的说明本发明的思想,下面以安卓手机坠落检测方法为实施例进行进一步的说明,使用的Android系统版本是4.2.2:
步骤1)首先进行预测用数据的采集:调用SensorManager的registerListener()为加速度传感器注册监听器,监听安卓手机加速度传感器的变化事件,每隔10ms记录一次X轴、Y轴、Z轴的加速度值Xi,Yi,Zi(i为采集的第i组数据),采集安卓手机处于不同运动状态下的加速度值,作为三轴加速度数据集,存储在csv格式文件中,格式如下所示:
[Xi,Yi,Zi]
i=1、2、3,…、MAX,MAX为三轴加速度数据集的数据总数。
该不同运动状态的加速度值由坠落状态以及非坠落状态两个状态下的加速度值组成。非坠落状态的加速度值包含跑步子状态的加速度值、上下楼梯子状态的加速度值、行走子状态的加速度值、乘坐电梯状态下的加速度值等。该不同运动状态的加速度值具体包含哪些子状态下的加速度值可视不同需求进行获取或者采集,获取或者采集的子状态越多、每个子状态对应的数据越多,后续训练得到的模型越好。
步骤2)读取步骤1)生成的csv格式文件中的三轴加速度数据集,计算出安卓手机加速度的四个特征属性:合加速度Gi、合加速度标准差Ei、合加速度偏度Si、合加速度峰度Ki,作为合加速度特征数据集,存储在另一csv格式文件中,格式如下所示:
[Gi,Ei,Si,Ki]
特征数据集中Gi是合加速度,Ei是合加速度标准差,Si是合加速度偏度,Ki是合加速度峰度。特征值的计算过程如下:
(1)根据读取的加速度值Xi,Yi,Zi,计算每间隔10毫秒的三轴合加速度,合加速度定义如公式所示:
式中Gi是三轴合加速度,Xi是X轴加速度值,Yi是Y轴加速度值,i是Z轴加速度值。
(2)根据每个时刻的三轴合加速度Gi,计算每间隔10毫秒的合加速度的标准差,标准差定义如公式所示:
式中N为合加速度数量,本发明取N=30,是合加速度平均值。
(3)根据每个时刻合加速度的标准差Ei,计算每间隔10ms的合加速度的偏度,偏度定义如公式所示:
式中N为合加速度数量,本发明取N=30,是合加速度平均值,Ei是合加速度标准差。
(4)根据每个时刻合加速度的标准差Ei,计算每间隔10ms的合加速度的峰度,峰度定义如公式所示:
式中N为合加速度数量,本发明取N=30,是合加速度平均值,Ei是合加速度标准差。
步骤3)在合加速度特征数据集中,为特征数据集添加标签列,人工手动打上标签值1或2,1代表坠落状态,2代表非坠落状态,得到带有标签的合加速度特征数据集,保存到csv文件中,格式如下所示:
[Gi,Ei,Si,Ki,Li]
带有标签的合加速度特征数据集中Gi是合加速度,Ei是合加速度标准差,Si是合加速度偏度,Ki是合加速度峰度,Li是标签值。
步骤4)读取步骤3)保存的csv格式文件中带有标签的合加速度特征数据集,调用DecisionTree对象的buildFullCartTree()方法,训练样本数据集,创建CART完全决策树,得到基于CART决策树的安卓手机坠落预测模型。应当理解的是,本发明此处采用CART完全决策树的方法对数据进行训练,但是本发明不限于此,本领域技术人员还可以采用神经网络、随机森林等算法对数据进行训练。
步骤5)调用SensorManager的registerListener()方法为加速度传感器注册监听器,监听安卓手机加速度传感器的变化事件,每隔10ms获取一次安卓手机的三轴加速度Xj、Yj、Zj,计算当前时刻的合加速度Gj、合加速度标准差Ej、合加速度偏度Sj、合加速度峰度Kj四个特征值,得到当前时刻的合加速度特征值,格式如下所示:
[Gj,Ej,Sj,Kj]
合加速度特征值中Gj是合加速度,Ej是合加速度标准差,Sj是合加速度偏度,Sj是合加速度峰度。
步骤6)以步骤5)计算得到的合加速度特征值数组作为参数,调用DecisionTree对象的predict()方法,进行预测,如果结果为1,则说明当前安卓手机是处于坠落状态,如果结果为2,则说明当前安卓手机不是处于坠落状态。
本发明已经经过严格的测试和验证,预测准确率能达到98%以上,预测速度限制在1ms以内,所述功能都全部实现,具有便捷、性能可靠、准确度高、成本低的特点。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种移动设备坠落检测模型形成方法,其特征在于,包含如下步骤:
S1、获取加速度数据集,所述加速度数据集包含移动设备在不同运动状态下每隔预设时间所采集的各轴向上的加速度;
S2、分别计算出各个轴向上的加速度所对应的合加速度、合加速度标准差、合加速度偏度及合加速度峰度,形成合加速度特征数据集;
S3、在合加速度特征数据集中,获取为每条特征样本数据添加的标签列,标签值包括第一标签和第二标签,第一标签代表坠落状态,第二标签代表非坠落状态,得到带有标签的合加速度特征数据集;
S4、基于机器学习算法,将带有标签的合加速度特征数据集输入到该机器学习算法进行训练,得到移动设备坠落检测模型,在得到的移动设备坠落检测模型中输入移动设备在不同运动状态下每隔预设时间所采集的各轴向上的加速度,可得出对应的标签;
其中,在利用所述移动设备坠落检测模型检测移动设备是否坠落时,是通过调用所述移动设备坠落检测模型对实时获取的移动通信设备的合加速度特征数据进行处理得到标签值来进行判断的。
2.根据权利要求1所述的移动设备坠落检测模型形成方法,其特征在于,所述步骤S1中的移动设备在不同运动状态下每隔预设时间所采集的各轴向上的加速度是指:
不同运动状态下,分别通过移动设备的三轴重力加速度传感器监听移动设备加速度,每隔预设时间记录一次X轴、Y轴、Z轴的加速度值Xi,Yi,Zi,形成三轴加速度数据集[Xi,Yi,Zi],i为在某一时刻采集的数据在三轴加速度数据集中的编号,i=1、2、3,…、MAX,MAX为三轴加速度数据集的数据总数。
3.根据权利要求2所述的移动设备坠落检测模型形成方法,其特征在于,在所述步骤S2中:
合加速度Gi定义如公式所示:
<mrow>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
标准差Ei定义如公式所示:
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
偏度定义Si如公式所示:
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
</mrow>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
<mo>&CenterDot;</mo>
<msup>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mn>4</mn>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
峰度Ki定义如公式所示:
<mrow>
<msub>
<mi>K</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>4</mn>
</msup>
</mrow>
<mrow>
<mi>N</mi>
<mo>&CenterDot;</mo>
<msup>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mn>4</mn>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中,N为合加速度特征数据集中的合加速度数量,是加速度特征数据集中的合加速度的平均值;
所述合加速度特征数据集为:[Gi,Ei,Si,Ki]。
4.根据权利要求1所述的移动设备坠落检测模型形成方法,其特征在于,所述步骤S1中加速度数据集是在一个连续的时间段内每隔所述预设时间所采集的;实时获取的移动通信设备的合加速度特征数据也为在一个连续的时间段内每隔所述预设时间所采集的。
5.根据权利要求1所述的移动设备坠落检测模型形成方法,其特征在于,所述移动设备为手机、平板电脑、智能穿戴设备。
6.根据权利要求1所述的移动设备坠落检测模型形成方法,其特征在于,所述获取为每条特征样本数据添加的标签列中,标签列为人工添加。
7.根据权利要求1所述的移动设备坠落检测模型形成方法,其特征在于,所述步骤S4中基于机器学习算法,将带有标签的合加速度特征数据集输入到该机器学习算法进行训练,得到移动设备坠落检测模型具体为:调用CART决策树算法中创建决策树的方法,将带有标签的合加速度特征数据集输入到CART决策树中进行训练,得到基于CART决策树的移动设备坠落检测模型。
8.一种移动设备坠落检测方法,其特征在于,采用权利要求1-7任一项所述的移动设备坠落检测模型形成方法所形成的移动设备坠落检测模型对实时获取的移动通信设备的合加速度特征数据进行处理得到标签值来进行判断移动设备是否坠落。
9.一种移动设备,其特征在于,采用如权利要求1-7中任一项所述的移动设备坠落检测模型形成方法所形成的移动设备坠落检测模型来判断移动设备是否坠落。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711175453.8A CN108009572A (zh) | 2017-11-22 | 2017-11-22 | 移动设备坠落检测方法及其模型形成方法与移动设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711175453.8A CN108009572A (zh) | 2017-11-22 | 2017-11-22 | 移动设备坠落检测方法及其模型形成方法与移动设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009572A true CN108009572A (zh) | 2018-05-08 |
Family
ID=62053210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711175453.8A Pending CN108009572A (zh) | 2017-11-22 | 2017-11-22 | 移动设备坠落检测方法及其模型形成方法与移动设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009572A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110151137A (zh) * | 2019-05-28 | 2019-08-23 | 深圳如一探索科技有限公司 | 基于数据融合的睡眠状态监测方法、装置、设备及介质 |
CN113008231A (zh) * | 2021-04-30 | 2021-06-22 | 东莞市小精灵教育软件有限公司 | 一种运动状态识别方法、系统、可穿戴设备和存储介质 |
CN117556333A (zh) * | 2023-12-18 | 2024-02-13 | 国网江苏省电力有限公司双创中心 | 一种坠落的检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945069A (zh) * | 2014-05-06 | 2014-07-23 | 吴剑桥 | 一种基于移动终端触发急救任务的方法、设备及系统 |
US20140278139A1 (en) * | 2010-09-30 | 2014-09-18 | Fitbit, Inc. | Multimode sensor devices |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN104460696A (zh) * | 2014-10-29 | 2015-03-25 | 广东欧珀移动通信有限公司 | 移动终端跌落的保护处理方法、系统及其装置 |
CN106237604A (zh) * | 2016-08-31 | 2016-12-21 | 歌尔股份有限公司 | 可穿戴设备及利用其监测运动状态的方法 |
CN107277222A (zh) * | 2016-12-20 | 2017-10-20 | 浙江从泰网络科技有限公司 | 基于手机内置传感器的用户行为状态判断方法 |
CN107358248A (zh) * | 2017-06-07 | 2017-11-17 | 南京邮电大学 | 一种提高跌倒检测系统精度的方法 |
-
2017
- 2017-11-22 CN CN201711175453.8A patent/CN108009572A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278139A1 (en) * | 2010-09-30 | 2014-09-18 | Fitbit, Inc. | Multimode sensor devices |
CN103945069A (zh) * | 2014-05-06 | 2014-07-23 | 吴剑桥 | 一种基于移动终端触发急救任务的方法、设备及系统 |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN104460696A (zh) * | 2014-10-29 | 2015-03-25 | 广东欧珀移动通信有限公司 | 移动终端跌落的保护处理方法、系统及其装置 |
CN106237604A (zh) * | 2016-08-31 | 2016-12-21 | 歌尔股份有限公司 | 可穿戴设备及利用其监测运动状态的方法 |
CN107277222A (zh) * | 2016-12-20 | 2017-10-20 | 浙江从泰网络科技有限公司 | 基于手机内置传感器的用户行为状态判断方法 |
CN107358248A (zh) * | 2017-06-07 | 2017-11-17 | 南京邮电大学 | 一种提高跌倒检测系统精度的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110151137A (zh) * | 2019-05-28 | 2019-08-23 | 深圳如一探索科技有限公司 | 基于数据融合的睡眠状态监测方法、装置、设备及介质 |
CN110151137B (zh) * | 2019-05-28 | 2022-03-11 | 深圳如一探索科技有限公司 | 基于数据融合的睡眠状态监测方法、装置、设备及介质 |
CN113008231A (zh) * | 2021-04-30 | 2021-06-22 | 东莞市小精灵教育软件有限公司 | 一种运动状态识别方法、系统、可穿戴设备和存储介质 |
WO2022227202A1 (zh) * | 2021-04-30 | 2022-11-03 | 东莞市小精灵教育软件有限公司 | 一种运动状态识别方法、系统、可穿戴设备和存储介质 |
CN117556333A (zh) * | 2023-12-18 | 2024-02-13 | 国网江苏省电力有限公司双创中心 | 一种坠落的检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763655B2 (en) | System for integrating multiple sensor data to predict a fall risk | |
CN108009572A (zh) | 移动设备坠落检测方法及其模型形成方法与移动设备 | |
CN107212890B (zh) | 一种基于步态信息的运动识别和疲劳检测方法及系统 | |
JP2021515237A (ja) | 無線曝露モニタ | |
CN102667882B (zh) | 用于检测用户跌倒的方法和装置 | |
CN107563549B (zh) | 一种基于bim模型的逃生路径生成方法、装置及设备 | |
CN108703760A (zh) | 基于九轴传感器的人体运动姿态识别系统及方法 | |
CN107909023B (zh) | 运动参数的识别方法、装置、终端及存储介质 | |
CN105342623A (zh) | 智能跌倒监护装置及其处理方法 | |
CN106846729A (zh) | 一种基于卷积神经网络的跌倒检测方法和系统 | |
CN110441478A (zh) | 一种河流生态环境数据在线监测方法、系统及存储介质 | |
CN104524760B (zh) | 一种基于智能手环判断篮球动作的方法及系统 | |
CN108511002A (zh) | 危险事件声音信号识别方法、终端和计算机可读存储介质 | |
CN107503792B (zh) | 一种机器人救生方法及系统 | |
CN107277222A (zh) | 基于手机内置传感器的用户行为状态判断方法 | |
CN106650300B (zh) | 一种基于极限学习机的老人监护系统及方法 | |
CN111460978A (zh) | 一种基于动作判定传感器和深度学习技术的幼儿行为监控系统及其判定方法 | |
CN107358051A (zh) | 终端运动状态分析方法、移动终端及可读存储介质 | |
CN108827290A (zh) | 一种人体运动状态反演装置及方法 | |
Duan et al. | Risk events recognition using smartphone and machine learning in construction workers' material handling tasks | |
Mekruksavanich et al. | Deep learning-based action recognition for pedestrian indoor localization using smartphone inertial sensors | |
CN106500717B (zh) | 一种实现计步的方法及装置 | |
CN110674743A (zh) | 一种基于三轴加速度数据摔倒检测方法 | |
TWI374408B (en) | A falling down detection method implemented by tri-axis accelerometer | |
Mansoor et al. | Crane Signalman Hand-Signal Classification Framework Using Sensor-Based Smart Construction Glove and Machine-Learning Algorithms |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |