CN108392208A - 一种基于多阶段模型的跌倒判断方法 - Google Patents
一种基于多阶段模型的跌倒判断方法 Download PDFInfo
- Publication number
- CN108392208A CN108392208A CN201810154819.1A CN201810154819A CN108392208A CN 108392208 A CN108392208 A CN 108392208A CN 201810154819 A CN201810154819 A CN 201810154819A CN 108392208 A CN108392208 A CN 108392208A
- Authority
- CN
- China
- Prior art keywords
- time window
- acceleration
- comentropy
- time
- close angle
- 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.)
- Granted
Links
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
- A61B5/11—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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- 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
-
- 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
- G06F18/211—Selection of the most significant subset of features
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于多阶段模型的跌倒判断方法,将一个姿态传感器佩戴在判断对象的身上,所述跌倒判断方法是:设置一个时间窗口,并设定一个采样频率,以所述时间窗口的时间长度和采样频率顺序连续接收进入时间窗口的信号数据,所述信号数据包括三轴加速度信号数据和三轴角速度信号数据,对时间窗口范围内信号数据分别计算出沿时间轴频率采样点的合加速度和合角速度,对合加速度数据和合角速度数据分别进行信息熵计算。本发明增加了信息熵阈值这一判断条件,由于信息熵是基于一定窗口尺寸的姿态状态,能够比较好地反应一段时间内,而不是某一个时刻的姿态变化,由于采用多级阈值判断,确保在多次约束下,判断结果具有更高的准确性。
Description
技术领域
本发明涉及一种基于多阶段模型的跌倒判断方法。
背景技术
一个国家65岁以上的人口占总人口的比例超过7%,就进入了联合国定义的老龄化社会。我国于20世纪末进入老龄化社会,随着中国人口红利逐渐消失,人口老龄化趋势已经不可逆转,预计2020年老龄化人口将达到2.5亿,到2050年将进入深度老龄化阶段,成为老龄化程度最严重的国家,这也将从多方面给我国社会带来巨大的压力和挑战。据国外统计,约有1/3的65岁老人每年至少跌倒一次,而对于超过70岁的老人,该项比例占到了 32-42%,跌倒在老年人死亡原因中的比例高达25%。针对跌倒问题,除了做好事先防范工作之外,如安全教育等,还应该有一个能够实时监测到跌倒并通知医护人员救治的产品在发生跌倒时,能最快的将受伤人员送往医院进行救治的产品。
随着计算机、通信、集成电子等科学技术的飞速发展,以及社会对保健产品的关注,推动了家庭看护产业的发展,而其中针对老年人的跌倒探测领域的探索深入,对保证老年人生活的安全健康,意义重大。跌倒检测的方法有多种,最常见的是图像分析法和加速度分析法。一旦出现异常情况,可以及时进行救治,减轻了跌倒带来的对子女和社会的压力,响应了我国的建设以人为本的和谐社会的号召。也是对国家近期发布的诸多法律法规和规章制度的积极响应,要充分运用互联网、物联网、大数据等信息技术手段,创新健康养老服务模式,要搭建智慧健康养老服务平台,整合信息资源等,鼓励发展智慧养老。
基于视频图像分析的室内跌倒自动检测技术准确性高,人体动作清晰可见,但需要多部摄像机同时工作,且暴露了用户的个人隐私,监测范围有限,受环境影响很大。一般的跌倒检测器通过分析反映人体姿势的加速度值和能量变化,跌倒检测器因其体积小,重量轻,可随身佩戴等特点,不影响老年人的日常生活。跌倒检测器中集成了多种传感设备,能计算出加速度、角速度、地理位置、身体情况等信息。并在检测到异常情况时做出报警处理,使得老年人能够得到及时有效的救助,避免严重后果的发生。目前国内一些基于MEMS技术的跌到检测虽可较好实现跌倒检测,但大多计算量较大、设计复杂、价格昂贵,难以得到广泛的应用。现有跌倒检测技术方案较多,可以分为三类:基于阈值的方法、基于机器学习的方法和二者结合的方法。
阈值判断的算法比较直观,是目前最普遍的方法,实现的软件开销较小,能够方便在嵌入式设备上实现,其不足之处就是什么样阈值的选取对实验结果影响较大,一般的方法是通过经验或者实验数据选取阈值,若是通过经验的方法,则不知道阈值选取的准确度;而若是通过实验数据求阈值,则存在逼真性的问题,因为实验数据基本都是通过健康的年青人来模拟跌倒,这就会出现跌倒者的身体健康和心理状况差异,而且有意识和无意识的跌倒存在着差异,影响了阈值选取的准确性。
发明内容
本发明的目的在于提供一种基于多阶段模型的跌倒判断方法,在基于已有的跌倒阈值判断的基础上,进一步增加了合加速度/合角速度信息熵阈值和三轴加速度/三轴角速度变化率这两个判断条件。由于信息熵是基于一定窗口尺寸的姿态状态,能够比较好地反应一段时间内,而不是某一个时刻的姿态变化,由于采用多级阈值判断,确保在多次约束下,判断结果具有更高的准确性。
为了实现上述目的,本发明的技术方案是:
一种基于多阶段模型的跌倒判断方法,将一个姿态传感器佩戴在判断对象的身上,姿态传感器的信号以无线通讯的方式传递至一个数据处理装置,数据处理装置实时接收姿态传感器的状态信号,其中,所述跌倒判断方法是:设置一个时间窗口,并设定一个采样频率,以所述时间窗口的时间长度和采样频率顺序连续接收进入时间窗口的信号数据,所述信号数据包括三轴加速度信号数据和三轴角速度信号数据,对时间窗口范围内信号数据分别计算出沿时间轴频率采样点的多个合加速度和多个合角速度,对多个合加速度数据和多个合角速度数据分别进行信息熵计算,当信息熵的最大值超过设定的最大阈值时,认为跌倒发生。
所述方法进一步包括,当所述信息熵的最大值未超过设定的最大阈值时,继续判断在所述时间窗口内三轴加速度变化率和三轴角速度变化率,如果其中一轴的变化率超过设定的变化率阈值,且后续合加速度或合角速度信息熵保持在0~0.1之间,则认为跌倒发生。
方案进一步是:所述时间窗口是0.5秒至3秒的时间窗口,所述采样频率是50Hz至200Hz。
方案进一步是:所述信息熵计算是在一个时间窗口内对合加速度和合角速度的值平均划分多个取值区间的信息熵计算,或者是在一个时间窗口内对合加速度和合角速度的值以对数划分多个取值区间的信息熵计算。
方案进一步是:所述最大阈值是随时间窗口和采样频率变化而变化以及随信息熵计算中的取值区间变化而变化的最大阈值。
方案进一步是:所述信息熵是由公式∑(-pi log pi)计算获得,其中:pi是对所述时间窗口内采集的数据进行归一化处理后,所得的数值落入时间窗口内划分多个取值区间中某一取值区间i的概率。
与现有技术相比,本发明在基于已有的跌倒阈值判断的基础上,进一步增加了信息熵阈值判断条件,由于信息熵是基于一定窗口尺寸的姿态状态,能够比较好地反应一段时间内,而不是某一个时刻的姿态变化,由于采用多级阈值判断,确保在多次约束下,判断结果具有更高的准确性。同时,增加了三轴加速度/三轴角速度变化率(选取变化率最大的轴)这一判断条件,减少漏判。由于相应的计算量并不大,适合于在设备端执行计算和判断,实现实时跌倒判断和报警。
下面结合附图和实施例对本发明进行详细描述。
附图说明
图1阈值判断的基本流程示意图;
图2一个典型的跌倒过程合加速度变化曲线示意图;
图3静止状态下的信息熵变化曲线示意图;
图4跌倒前后合加速度比较示意图;
图5跌倒时合加速度信息熵的变化幅度示意图;
图6跌倒时三个轴加速度曲线示意图;
图7尺寸为n的窗口滑动示意图。
具体实施方式
一种基于多阶段模型的跌倒判断方法,将一个安装有能获取三轴加速度和三轴角速度数据的姿态传感器(例如三轴加速度计)的设备佩戴在判断对象的身上,姿态传感器的信号以无线通讯的方式传递至一个数据处理装置,数据处理装置实时接收姿态传感器的状态信号,其中,所述跌倒判断方法是:设置一个时间窗口,并设定一个采样频率,以所述时间窗口的时间长度和采样频率顺序连续接收进入时间窗口的信号数据,所述信号数据包括三轴加速度信号数据和三轴角速度信号数据,对时间窗口范围内信号数据分别计算出沿时间轴频率采样点的多个合加速度和多个合角速度,对多个合加速度数据和多个合角速度数据分别进行信息熵计算,当信息熵的最大值超过设定的最大阈值时,认为跌倒发生。
所述方法进一步包括,当所述信息熵的最大值未超过设定的最大阈值时,继续判断在所述时间窗口内三轴加速度变化率和三轴角速度变化率,如果其中某一轴的变化率超过设定的变化率阈值,且后续一段时间内合加速度或合角速度信息熵保持在0~0.1之间,则认为跌倒发生。
实施例采用基于阈值判断的方法,实现了在设备端实时判断佩戴者是否跌倒,阈值的选取基于传感器获取的数据。针对传感器过去较长一段时间内数据的变化进行计算,统计变化范围再作出判断。算法具有较好的稳定性和较高的准确度。本实施例提出了:
1,基于信息熵和加速度变化率判断是否跌倒的方法;
2,基于多阶段阈值判断,阈值选取的宽限比较大,即虽然某一项阈值并不能确定设备佩戴者是否跌倒,但是多个判断条件叠加以后,能比较准确地做出判断;
3,针对类跌倒问题进行了判断,减少了误判。
由于信息熵是基于一定窗口尺寸的姿态状态,能够比较好地反应一段时间内,而不是某一个时刻的姿态变化。跌倒实际是一个由几个阶段组成,并持续一定时间的姿态变化过程。基于信息熵的跌倒判断就是对整个跌倒过程进行姿态信息的信息熵计算,如果信息熵超过一定的阈值,则确定为跌倒。判断是否跌倒的基本步骤为:计算合加速度和合角速度,如果有一项超过阈值,则判断是否符合跌到连续撞击的情形,或者是否其后的1s时间内均没有出现超过合加速度和合角速度阈值的情况,进一步判断如果某轴的信息熵是否超过阈值,并且其后1s时间内保持在0~0.1之间,即判断为跌倒。如果一开始合加速度和合角速度均未超过阈值,但是某轴加速度或角速度变化率超过阈值,并且其后某轴的信息熵保持在0附近,也判断为跌倒。其他情形均判断为非跌倒的情形。
实施例实时感知佩戴者的姿态变化,记录姿态数据,包括x轴,y轴和z轴三轴加速度数据:(ax,ay,az),x轴,y轴和z轴三轴角速度数据:(ωx,ωy,ωz)。根据加速度信息计算合加速度:
如果合加速度超过给定的阈值,则进一步进行合角速度的判断,合角速度的计算公式如下:
如果合角速度超过给定的阈值,则进一步进行三轴加速度信息熵与三轴角速度信息熵的判断。如果某轴加速度信息熵或某轴角速度信息熵超过一定的阈值,判定携带者可能跌倒了,则进一步判断跌倒后该信息熵是否较长时间在0附近,因为这意味着姿态数据基本维持某个值不变,可以认为设备佩戴者一直处于某种状态没动,即静止状态。如果此条件也满足,则确定设备佩戴者已经跌倒,执行报警流程,阈值判断的基本流程参见图1。
熵(entropy)的概念最早起源于物理学,用于度量一个热力学系统的无序程度。在信息论里则叫信息量,即熵是对不确定性的度量。从控制论的角度来看,应叫不确定性。信息论的创始人香农在其著作《通信的数学理论》中提出了建立在概率统计模型上的信息度量。他把信息定义为“用来消除不确定性的东西”。在信息世界,熵越高,则能传输越多的信息,熵越低,则意味着传输的信息越少。也可以认为熵是指体系的混乱程度。
判断的过程是:
1.判断合加速度或合角速度:
静止状态下,人只受到重力加速度,由公式(1)可知合加速度为g(=9.8m/s2)。如果一直不受到任何外力作用,合加速度是不会变化的。但是一旦人受到某种冲击,合加速度就会变化,在进入失重状态时,所受重力会逐渐趋近于0,因此其合加速度会趋近于0。跌倒过程一般可以分为三个阶段:受到外力作用进入跌倒前的不稳定状态阶段,与接触面产生冲击的阶段,通常情况下会产生超过一次的冲击,然后处于静止状态。图2给出了一个典型的跌倒过程合加速度变化曲线对应的三个阶段。
因此对于合加速度,有两个阈值判断:冲击前接近自由落体阶段的加速度(最小加速度),受到冲击后的加速度(最大加速度)。根据试验和经验确定在基于本实施例所提供的测试条件下,第一次冲击前的合加速度阈值设定为受到冲击后的合加速度阈值设定为如果出现了第二次冲击,则合加速度阈值分别设定为如果出现了第三次冲击,则合加速度阈值分别设定为如果合加速度不满足阈值条件,继续判断合角速度,与合加速度类似的分析方法,通过试验和经验确定在基于本实施例所提供的测试条件下,第一次冲击前合角速度阈值设定为0.7rad/s,冲击后合角速度阈值设为2.8rad/s,第二次冲击阈值分别设定为0.9rad/s和1.6rad/s。如果出现了第三次冲击,则合角速度阈值设定为0.4rad/s和0.8rad/s。
2.判断信息熵
根据经验和针对不同的跌倒方式的试验判断,实施例所述时间窗口是0.5秒至3秒的时间窗口,所述采样频率是50Hz至200Hz。在给定的时间窗口范围内,例如:时间窗口设定为1s、采样频率是100Hz,如果合加速度信息熵的最大值超过3.5则确定为跌倒;或者如果合角速度信息熵的最大值超过3.1则确定为跌倒。
3.判断是否长时间处于静止状态
一旦发生程度稍重点的跌倒,跌倒者往往不会或者根本不能挪动自己的身体,或者只能做比较轻微的动作,因此可以认为跌倒者在受到冲击的一定时间后,会处于一种接近静止的状态。在这种状态下,合加速度的信息熵表现为接近于零。因此在合加速度信息熵超过3.5 或合角速度信息熵超过3.1之后的3秒钟后,合加速度信息熵或合角速度信息熵如果小于 0.5则认为佩戴者处于静止状态。
静止状态下,加速度几乎为零,信息熵也几乎为零,信息熵的变化范围在0.1之内。图 3所示的是跌倒者跌倒后,基本处于静止状态的信息熵变化曲线。
4.特殊情况处理:
(1)判断加速度变化率
仅仅基于加速度和角速度信息不足以对跌倒给出准确判断。仅靠瞬时值也不足以判断跌倒。跌倒是一个过程,需要根据跌倒过程的特性来进行阈值判断。如图4所示,合加速度在跌倒时并不比之前的大,这是因为跳变是从负值变为正值,虽然变化幅度大,但是绝对值变化并不大,导致合加速度并不一定增大,出现了未跌倒时的合加速度比跌倒时要大的情况。同理,在此种情况下,信息熵在跌倒时的变化幅度并不大,见图5。故在此情况下信息熵也不足以判断是否跌倒。光用阈值判断必然导致误判或者漏判。因此,需要借助于新的判断条件。
由图6可见,在跌倒时加速度的各个分量均发生了跳变。因此提出考虑在一定时间范围内三轴加速度/三轴角速度的变化幅度作为一种判断依据,称之为加速度/角速度变化率。所谓加速度/角速度变化率,就是指在给定尺寸的窗口中(或者说给定时间长度t),加速度/ 角速度最大值M和最小值m之差与时间的比值:(M–m)/t。窗口每滑动一次,更新一次最大最小值,计算一次加速度变化率。一般窗口尺寸设定为一次完整跌倒过程持续的时间。根据经验,设定窗口尺寸为0.5s。在采样率为200Hz的情况下,窗口包含100条记录,加速度单位为m/s2,角速度单位为rad/s,从试验结果来看在正常状态下,三轴加速度变化率均低于1.5,跌倒时加速度变化率均高于1.9,阈值可设置为1.5至1.9范围内,比较理想的是1.5和1.9的中间值,即1.7。同理,三轴角速度变化率可设为1.6。
(2)对于类跌倒情形的处理
设备佩戴者跑步的时候,加速度、角速度的各分量都很有可能超过阈值,很容易被误判为跌倒,因此有必要避免误判情形的出现。主要通过以下两个特点进行判断:第一,跑步时两次角速度峰值的时间间隔超过0.4秒钟,而跌倒时的连续两次撞击时间间隔则不会超过 0.3秒;第二,跑步通常会持续出现多次峰值,而跌倒出现峰值次数一般不超过三次,并且峰值越来越小,最后基本处于静止状态。因此需要基于上述情形排除类跌倒误判的概率。
本实施例中,关于信息熵涉及到以下几项计算:
合加速度的计算,合角速度的计算,信息熵计算。合加速度和合角速度的计算分别对应公式(1)和公式(2),每增加一条记录,对应着分别包含三次乘法运算,两次求和运算和一次开根号运算。
对于信息熵的计算,初始化时根据经验给定用于信息熵计算的窗口尺寸n(即给定窗口时间的记录条数),区间划分个数r。一次性计算包括根据经验给定的区间划分公式:
f(x)=logex+1
计算区间范围:
假定n=100,r=20,对f(x)归一化后得到g(x)。下表给出了x取1到20时f(x)和g(x) 的值,说给定x轴加速度ax落在区间t上,如果ax满足:
表1:x从1到20取值对应的f(x)和g(x)值
假定当前获取第k+n条记录,如图7所示,此前已经保存了记录k到k+n–1这n条记录归一化后在区间[0,1]的r个子区间中分布的概率。以下说明数据更新的具体步骤。
1.采用先进先出策略更新记录窗口(可使用循环列表以减少数据移动),即移除最早进来的记录k(假定该条记录值落在区间j),根据初始化的区间值确定该条记录落在哪个区间内(假定该条记录值落在区间i)。因为其他区间的记录数和总的记录数没有变化,因此求解新的信息熵时,只需重新计算这两个区间对应的概率:
这里对应一次除法,1次加法,1次减法。
2.计算更新后的信息熵(H):
这里对应2次求对数(已经用变量保存了pilog2pi和pjlog2pj),2次乘法,4次加减法。
因此,只要持续计算信息熵,每次数据更新的计算量非常小。所有上述运算对嵌入式设备来说足够能实现实时处理。
取n=100,关于加速度变化率的计算,由于加速度的变化率就是求当前时刻及之前的 100条记录中三轴加速度和三轴角速度的最大值和最小值,并将其分别保存在M和m两个变量中,每次数据更新,需要去掉最老的那个记录,如果当前值和去掉的值都不是最大或最小值,或者如果新增的值成为了新的最值,则只进行最多4次比较即可完成更新;更新时,如果去掉的最早进入的记录k是已保存的100条记录的最大值或最小值,而新增的第k+n 条记录并不能确定是否为最大值或最小值,那么可以采用快速排序法将当前值插入到已经排好序的之前的数据中,其复杂度为log2(n-1)=log299,即需经过7次查找比较,然后再计算加速度变化率。总体复杂度为8次计算。
从上述描述示意了:所述信息熵是由公式∑(-pi log pi)计算获得,其中:pi是对所述时间窗口内采集的数据进行归一化处理后的数值落入时间窗口内划分多个取值区间中某一取值区间i的概率。并且,所述信息熵计算是在一个时间窗口内对合加速度和合角速度的值平均划分多个取值区间的信息熵计算,或者是在一个时间窗口内对合加速度和合角速度的值以对数划分多个取值区间的信息熵计算。
由于各种参数是一种动态的设置,实施例中应该理解阈值不是一个确定的数值,因此是:所述最大阈值是随时间窗口和采样频率变化而变化以及随信息熵计算中的取值区间变化而变化的最大阈值。
Claims (6)
1.一种基于多阶段模型的跌倒判断方法,将一个姿态传感器佩戴在判断对象的身上,姿态传感器的信号以无线通讯的方式传递至一个数据处理装置,数据处理装置实时接收姿态传感器的状态信号,其特征在于,所述跌倒判断方法是:设置一个时间窗口,并设定一个采样频率,以所述时间窗口的时间长度和采样频率顺序连续接收进入时间窗口的信号数据,所述信号数据包括三轴加速度信号数据和三轴角速度信号数据,对时间窗口范围内信号数据分别计算出沿时间轴频率采样点的多个合加速度和多个合角速度,对多个合加速度数据和多个合角速度数据分别进行信息熵计算,当信息熵的最大值超过设定的最大阈值时,认为跌倒发生。
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括,当所述信息熵的最大值未超过设定的最大阈值时,继续判断在所述时间窗口内三轴加速度变化率和三轴角速度变化率,如果其中一轴的变化率超过设定的变化率阈值,且后续合加速度或合角速度信息熵保持在0~0.1之间,则认为跌倒发生。
3.根据权利要求1所述的方法,其特征在于,所述时间窗口是0.5秒至3秒的时间窗口,所述采样频率是50Hz至200Hz。
4.根据权利要求1所述的方法,其特征在于,所述信息熵计算是在一个时间窗口内对合加速度和合角速度值平均划分为多个取值区间的信息熵计算,或者是在一个时间窗口内对合加速度和合角速度值以对数划分多个取值区间的信息熵计算。
5.根据权利要求1所述的方法,其特征在于,所述最大阈值是随时间窗口和采样频率变化而变化以及随信息熵计算中的取值区间变化而变化的最大阈值。
6.根据权利要求1所述的方法,其特征在于,所述信息熵是由公式∑(-p i log p i )计算获得,其中:p i 是对所述时间窗口内采集的数据进行归一化处理后,所得的数值落入时间窗口内划分多个取值区间中某一取值区间 i 的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810154819.1A CN108392208B (zh) | 2018-02-23 | 2018-02-23 | 一种基于多阶段模型的跌倒判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810154819.1A CN108392208B (zh) | 2018-02-23 | 2018-02-23 | 一种基于多阶段模型的跌倒判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108392208A true CN108392208A (zh) | 2018-08-14 |
CN108392208B CN108392208B (zh) | 2020-12-15 |
Family
ID=63096141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810154819.1A Active CN108392208B (zh) | 2018-02-23 | 2018-02-23 | 一种基于多阶段模型的跌倒判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108392208B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109091151A (zh) * | 2018-09-06 | 2018-12-28 | 中国人民解放军战略支援部队信息工程大学 | 一种基于mimu的行人跌倒检测方法及装置 |
CN111166340A (zh) * | 2019-12-31 | 2020-05-19 | 石家庄学院 | 基于自适应加速度信号分割的人体姿势实时识别方法 |
CN111931733A (zh) * | 2020-09-25 | 2020-11-13 | 西南交通大学 | 基于深度相机的人体姿态检测方法 |
CN112233374A (zh) * | 2020-09-21 | 2021-01-15 | 中国科学院深圳先进技术研究院 | 一种跌倒检测方法、系统、终端以及存储介质 |
CN112582063A (zh) * | 2019-09-30 | 2021-03-30 | 长沙昱旻信息科技有限公司 | Bmi预测方法、装置、系统及计算机存储介质、电子设备 |
CN112927475A (zh) * | 2021-01-27 | 2021-06-08 | 浙江理工大学 | 一种基于深度学习的跌倒检测系统 |
CN113660237A (zh) * | 2021-08-10 | 2021-11-16 | 和中通信科技有限公司 | 一种基于动态滑动窗口的工业互联网数据流异常检测方法、存储器和处理器 |
CN113655240A (zh) * | 2021-09-07 | 2021-11-16 | 珠海格力电器股份有限公司 | 一种货物跌落姿态识别方法及系统 |
CN116448965A (zh) * | 2023-06-14 | 2023-07-18 | 四川省分析测试服务中心 | 一种有限空间内的多参数有毒有害气体检测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694692A (zh) * | 2009-10-22 | 2010-04-14 | 浙江大学 | 一种基于加速度传感器的手势识别的方法 |
CN102495264A (zh) * | 2011-11-30 | 2012-06-13 | 甘肃电力科学研究院 | 基于信息熵的电压跌落持续时间检测方法 |
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 |
CN102982653A (zh) * | 2012-11-07 | 2013-03-20 | 中南大学 | 基于加速度和高度信息的人体跌倒监测方法及装置 |
CN103027687A (zh) * | 2012-12-05 | 2013-04-10 | 北京工业大学 | 基于3d加速度仪和陀螺仪的老年人跌倒检测报警系统 |
CN104766359A (zh) * | 2015-04-08 | 2015-07-08 | 浙江大学 | 一种飞虫运动模型噪声项的确认方法 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN106618499A (zh) * | 2016-12-14 | 2017-05-10 | 深圳先进技术研究院 | 跌倒检测设备、跌倒检测方法及装置 |
CN106951852A (zh) * | 2017-03-15 | 2017-07-14 | 深圳汇创联合自动化控制有限公司 | 一种有效的人体行为识别系统 |
CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
-
2018
- 2018-02-23 CN CN201810154819.1A patent/CN108392208B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694692A (zh) * | 2009-10-22 | 2010-04-14 | 浙江大学 | 一种基于加速度传感器的手势识别的方法 |
CN102495264A (zh) * | 2011-11-30 | 2012-06-13 | 甘肃电力科学研究院 | 基于信息熵的电压跌落持续时间检测方法 |
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 |
CN102982653A (zh) * | 2012-11-07 | 2013-03-20 | 中南大学 | 基于加速度和高度信息的人体跌倒监测方法及装置 |
CN103027687A (zh) * | 2012-12-05 | 2013-04-10 | 北京工业大学 | 基于3d加速度仪和陀螺仪的老年人跌倒检测报警系统 |
CN104766359A (zh) * | 2015-04-08 | 2015-07-08 | 浙江大学 | 一种飞虫运动模型噪声项的确认方法 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN106618499A (zh) * | 2016-12-14 | 2017-05-10 | 深圳先进技术研究院 | 跌倒检测设备、跌倒检测方法及装置 |
CN106951852A (zh) * | 2017-03-15 | 2017-07-14 | 深圳汇创联合自动化控制有限公司 | 一种有效的人体行为识别系统 |
CN107220617A (zh) * | 2017-05-25 | 2017-09-29 | 哈尔滨工业大学 | 人体姿态识别系统及方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109091151B (zh) * | 2018-09-06 | 2021-07-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于mimu的行人跌倒检测方法及装置 |
CN109091151A (zh) * | 2018-09-06 | 2018-12-28 | 中国人民解放军战略支援部队信息工程大学 | 一种基于mimu的行人跌倒检测方法及装置 |
CN112582063A (zh) * | 2019-09-30 | 2021-03-30 | 长沙昱旻信息科技有限公司 | Bmi预测方法、装置、系统及计算机存储介质、电子设备 |
CN111166340A (zh) * | 2019-12-31 | 2020-05-19 | 石家庄学院 | 基于自适应加速度信号分割的人体姿势实时识别方法 |
CN112233374A (zh) * | 2020-09-21 | 2021-01-15 | 中国科学院深圳先进技术研究院 | 一种跌倒检测方法、系统、终端以及存储介质 |
CN111931733A (zh) * | 2020-09-25 | 2020-11-13 | 西南交通大学 | 基于深度相机的人体姿态检测方法 |
CN112927475A (zh) * | 2021-01-27 | 2021-06-08 | 浙江理工大学 | 一种基于深度学习的跌倒检测系统 |
CN112927475B (zh) * | 2021-01-27 | 2022-06-10 | 浙江理工大学 | 一种基于深度学习的跌倒检测系统 |
CN113660237A (zh) * | 2021-08-10 | 2021-11-16 | 和中通信科技有限公司 | 一种基于动态滑动窗口的工业互联网数据流异常检测方法、存储器和处理器 |
CN113660237B (zh) * | 2021-08-10 | 2023-04-07 | 和中通信科技有限公司 | 一种基于动态滑动窗口的工业互联网数据流异常检测方法、存储器和处理器 |
CN113655240A (zh) * | 2021-09-07 | 2021-11-16 | 珠海格力电器股份有限公司 | 一种货物跌落姿态识别方法及系统 |
CN113655240B (zh) * | 2021-09-07 | 2022-07-12 | 珠海格力电器股份有限公司 | 一种货物跌落姿态识别方法及系统 |
CN116448965A (zh) * | 2023-06-14 | 2023-07-18 | 四川省分析测试服务中心 | 一种有限空间内的多参数有毒有害气体检测系统及方法 |
CN116448965B (zh) * | 2023-06-14 | 2023-09-01 | 四川省分析测试服务中心 | 一种有限空间内的多参数有毒有害气体检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108392208B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108392208A (zh) | 一种基于多阶段模型的跌倒判断方法 | |
RU2584459C2 (ru) | Жестовое управление для отслеживания показателей жизнедеятельности | |
US10827927B2 (en) | Avoidance of cognitive impairment events | |
US7248172B2 (en) | System and method for human body fall detection | |
CN105530865B (zh) | 跌倒检测系统和方法 | |
EP3246888A1 (en) | Paralysis detection and alarming apparatus and processing method thereof | |
CN105708470B (zh) | 基于多普勒探测器与传感器联合的跌倒检测系统和方法 | |
CN104125337B (zh) | 一种智能手机的跌倒检测和报警方法 | |
Kansiz et al. | Selection of time-domain features for fall detection based on supervised learning | |
CN205050303U (zh) | 一种智能人体瘫倒监测装置 | |
CN104771177B (zh) | 一种基于机器学习的跌倒检测系统及方法 | |
JP2012510309A (ja) | 転倒を検出する方法及び装置 | |
CN103886715A (zh) | 一种人体跌倒检测方法 | |
Wibisono et al. | Falls detection and notification system using tri-axial accelerometer and gyroscope sensors of a smartphone | |
CN110209292B (zh) | 智能鼠标 | |
CN111325946A (zh) | 一种基于边缘计算的跌倒检测方法及系统 | |
Yang et al. | A wearable real-time fall detector based on Naive Bayes classifier | |
EP1974662A1 (en) | Fall detector | |
CN104269025A (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 | |
Sung et al. | Shiver motion and core body temperature classification for wearable soldier health monitoring systems | |
CN105551191A (zh) | 一种跌倒检测方法 | |
CN112767202A (zh) | 一种远程监测平台及监测方法 | |
CA2990529A1 (en) | Monitoring a wearing of a wearable device | |
Boehner | A smartphone application for a portable fall detection system | |
CN106371631A (zh) | 一种智能手环抬手亮屏的方法 |
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 |