CN108446733A - 一种基于多传感器数据的人体行为监测及智能识别方法 - Google Patents

一种基于多传感器数据的人体行为监测及智能识别方法 Download PDF

Info

Publication number
CN108446733A
CN108446733A CN201810227223.XA CN201810227223A CN108446733A CN 108446733 A CN108446733 A CN 108446733A CN 201810227223 A CN201810227223 A CN 201810227223A CN 108446733 A CN108446733 A CN 108446733A
Authority
CN
China
Prior art keywords
data
behavior
sample
human body
acquired
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
Application number
CN201810227223.XA
Other languages
English (en)
Inventor
刘源
朱怡婧
金珑泽
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.)
Shanghai Junze Software Co Ltd
Shanghai Xi Ling Intelligent Technology Co Ltd
Original Assignee
Shanghai Junze Software Co Ltd
Shanghai Xi Ling Intelligent Technology Co Ltd
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 Shanghai Junze Software Co Ltd, Shanghai Xi Ling Intelligent Technology Co Ltd filed Critical Shanghai Junze Software Co Ltd
Priority to CN201810227223.XA priority Critical patent/CN108446733A/zh
Publication of CN108446733A publication Critical patent/CN108446733A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明是一种基于多传感器数据的人体行为监测及智能识别方法，实现对人体各类行为姿态的有效判别，属于人工智能领域。本发明通过六轴传感器所采集的空间X，Y，Z三个方向上的线性加速度及角加速度等六类运动数据，以及心率传感器所采集的心率数据和计步器所采集的实时步数，建立训练样本和测试样本，并构建SVM(Support Vector Machine支持向量机)模型。模型中数据初始判别出疑似摔倒行为和非摔倒行为，识别出摔倒行为后，再根据多个样本数据特征及步数统计情况识别躺卧姿态，并计算持续时间，根据时长判断该疑似跌倒行为是为一般性摔倒行为还是严重性摔倒行为。本发明模型拟合度高，分类速度快，能够精确地判断行为姿态，减少一般性摔倒所引发的报警，提高智能监控质量。

Description

一种基于多传感器数据的人体行为监测及智能识别方法
技术领域
本发明属于人工智能领域，涉及一种基于多传感器数据的人体行为监测及智能识别方法。
背景技术
近年来，利用机器学习技术实现人体运动姿态判别等已经成为热点研究问题，基于可穿戴设备采集人体行为状态数据，并利用机器学习技术进行智能识别，及应用于重点人群的行为监测有着重要意义。中小学生的运动跌倒，心脑血管病人和老年人的跌倒都具有生命危害性，特别是心脑血管病人和老年人跌倒后需要及时发现和救助。随着信息技术的发展，基于多传感器的人体生理数据采集的可穿戴设备已逐步成熟和应用，为人体行为的监测提供了基础。
在人体行为姿态的研究中，大部分的研究都是只通过加速度传感器基于笛卡尔三个坐标上的输出值进行简单阈值判别或者使用神经网络模型判别人体的各类动作姿势，尤其是跌倒姿势的识别，主要使用两类方法来区分人体姿态类型：信号处理和神经网络。但是由于人体日常活动的复杂性，上述两类方法容易被其他动作特征与跌倒动作类似的动作干扰，导致识别准确率不高。
可穿戴设备中的心率检测设备以及计步器设备可实时监测佩戴者的心率变化情况以及统计步数变化情况，同时，六轴运动传感器能够获取基础的原始运动数据，结合所获取的心率数据和步数可以对佩戴者尤其是老年人的行为生理状况实施监控，能够为摔倒姿态的判别提供辅助信息，可大大提高识别准确率。同时心率值的变化所蕴含的大量信息，能够在跌倒后提供更精确的报警。
发明内容
本发明的目的在于提供一种基于多传感器数据的人体行为监测及智能识别方法，实现对人体行为姿态的有效判别。
为了达到上述目的，本发明的解决方案是：
使用智能手环或智能手表中的传感器采集多种数据，数据包括六轴传感器所采集的空间X，Y，Z三个方向上的线性加速度及角加速度数据，一共六类运动数据，以及心率传感器所采集的心率数据和计步器所采集的实时步数。
分析运动数据所呈现出的数据特征，每类数据选取n(n＞1)个数据统计特征，一共有N＝6*n个数据特征，构成特征向量，作为判别人体姿态的条件属性，。其中，n为大于1的整数。
提取运动个体一段时间内的运动数据集的N个数据统计特征，使用主成分分析法降低特征向量维度。
使用降维后的运动数据特征向量构成样本，多个样本组成样本集，将样本集中的样本分为训练样本和测试样本。
根据所述的训练样本和测试样本构建SVM(Support Vector Machine支持向量机)模型，训练样本用来测试SVM模型中的惩罚系数、核函数等参数，测试样本用来验证模型的精确性。
模型构建完成后，对所采集的数据实时分类，初始判别出疑似摔倒行为和非摔倒行为，所述的非摔倒行为包括走路、跑步、上下楼梯、蹲下、抬手五类行为。
对初始判别结果为疑似摔倒行为的样本进行二次判别，提取样本采样时间所对应的心率值h，与心率阈值H比较。当h大于阈值H时，将此样本判别为摔倒行为，否则为非摔倒行为。
识别出摔倒行为后，再根据紧接着的多个样本数据特征及步数统计情况识别躺卧姿态，并计算持续时间T，根据T的时长判断该疑似跌倒事件是为一般性摔倒事件还是严重性摔倒事件。
可选地，对所述的的六轴传感器所采集的六类运动数据实时进行滤波处理，获得滤波后的运动数据并存储于后台。
可选地，所述的主成分分析法也叫主分量分析法，目标是利用降维的方法，将反映数据信息的特征向量中的多个特征值压缩为几个主成分，其中每个主成分能够反映原始特征向量的大部分信息，且所含信息不重复。主成分分析法是一种减少特征值和模型复杂程度的有效数据预处理方法。
可选地，所述的提取样本的方法以及构成样本集的方法，是指以时间为轴每类数据取m(m＞d)个连续数据点，取每类数据的m个连续数据点相对应的n个数据统计特征值，6类数据，一共n*6个数据特征值，对其进行主成分分析压缩为几个主成分并与心率值构成的新的特征值向量作为一个样本。其中，样本采样间隔为d个连续数据点的采样时间，为d*0.1s。连续采集的多个样本构成样本集。其中，所述的m，t，d均为正整数。
可选地，所述的构建的支持向量机模型，用于疑似跌倒事件与非跌倒事件的多类分类。支持向量机模型的多类分类方法的实现是将问题分解为一系列SVM可直接求解的两类分类问题。而两类分类问题是指一个支持向量机模型将特征向量映射到一个更高维的空间里(大于三维)，在这个空间里建立一个最大间隔超平面以及两个互相平行的超平面，并使平行的两个超平面距离最大化。该间隔超平面便能将样本区分为两类。
可选地，所述的当识别出摔倒行为后，再根据紧接着的多个样本数据特征及步数统计情况识别躺卧姿态，并计算持续时间T。躺卧姿态的确定需满足两类条件，一类是步数的监控，在监控时间T内步数保持不变；另一类是三个方向线性加速度保持不变，即人体保持静止。满足该两类条件即可认为人体处于躺卧姿态。
可选地，所述的根据T的时长判断该疑似跌倒事件是为一般性摔倒事件还是严重性摔倒事件，包括：当T大于阈值Th时，认为该摔倒行为属于严重性摔倒行为，当T小于阈值Th时，认为该摔倒行为属于一般性摔倒行为。
由于采用上述方案，本发明的有益效果是：本发明结合六轴传感器所采集的运动数据、心率传感器所采集的心率数据、计步器所采集的步数，先对运动数据卡尔曼滤波，去除异常值及噪声干扰，接着将运动数据进行主成分分析降低特征值维度。本发明选用大于采样间隔的多个连续数据点的数据特征值进行主成分分析后的主成分构成一个样本，接着使用样本集中的训练样本和测试样本搭建SVM多分类模型，识别疑似跌倒事件和其他非跌倒行为，并对其他具体非跌倒行为做出准确分类判断。并通过心率值与阈值的对比二次判别跌倒事件和非跌倒事件。模型精准，分类速度快，效率高。此外，通过跌倒事件发生后的步数统计以及线性加速度值的变化情况识别是否为躺卧姿态并计算躺卧姿态的持续时间，通过持续时间的时长进一步识别该跌倒事件。通过多类传感器数据所反映的生理特征，能够更精确地输出姿态判别结果，减少一般性摔倒所引发的报警，提高监控效率。
附图说明
图1是本发明人体跌倒识别算法的总流程图；
图2是本发明所采集的心率变化图；
图3是本发明识别摔倒行为的逻辑流程图；
图4是本发明识别摔倒行为严重程度的逻辑流程图。
具体实施方式
以下结合附图所示实施例对本发明作进一步的说明。
以下实例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供一种基于多传感器数据的人体行为监测及智能识别算法，实现对人体跌倒姿态的有效判别。该方法基于六轴运动传感器、心率传感器和计步器所采集的运动数据、心率数据和步数信息，通过提取运动数据特征向量，使用主成分分析法降低向量维度，再通过SVM多分类模型的构建、结合心率数据二次判别，躺卧姿态判别等进行综合分析，实现人体行为尤其是跌倒行为的识别以及跌倒程度的判别。该方法包括以下步骤：
(1)使用智能手环或智能手表中的传感器采集多种数据，数据包括六轴传感器所采集的空间X，Y，Z三个方向上的线性加速度及角加速度数据，一共六类运动数据，以及心率传感器所采集的心率数据和计步器所采集的实时步数。
本实施例中，所述的心率传感器指的是利用光电容积脉搏波描记法原理，即利用血液中透光率的脉动变化，折算成电信号，通过软件算法转换成心率值的设备。而计步器是通过对摆臂的波形图进行分析、峰值的检测以及周期和加速度阈值的决策来计步数的设备。两种设备都可集成于可穿戴设备中，实时采集相应数据。
本实施例中，所述的心率传感器所采集的心率数据是实时采集的，采集间隔1s-4s不等。所述的计步器所采集的步数也是实时累积的，采集间隔1s-4s不等。
(2)分析运动数据所呈现出的数据特征，每类数据选取n(n＞1)个数据统计特征，一共有N＝6*n个数据特征，构成特征向量，作为判别人体姿态的条件属性，。其中，n为大于1的整数。
本实施例中，根据所采集的6类运动数据的数据所呈现的变化情况，每类数据选取3个数据统计特征，即最大值，最小值和方差。一共有18个数据特征，构成最原始的特征向量。
(3)提取运动个体一段时间内的运动数据集的N个数据统计特征，使用主成分分析法降低特征向量维度。
在本实施例中，使用主成分分析法将原始的18个数据统计特征压缩为3个主成分，即将6个最大值，6个最小值和6个方差分别压缩为1个主成分。它们涵盖了原始数据特征中大于85％的信息。
(4)使用降维后的运动数据特征向量构成样本，多个样本组成样本集，将样本集中的样本分为训练样本和测试样本。
在本实施例中，所述的样本集来自于同一个个体的多个行为序列，包括走路、跑步、上下楼、下蹲、抬手、摔倒多种行为姿势，其中包括了摔倒的四个场景：从站立到摔倒、从走路到摔倒、从跑步到摔倒、从蹲下到摔倒。
(5)根据所述的训练样本和测试样本构建SVM(Support Vector Machine支持向量机)模型，训练样本用来测试SVM模型中的惩罚系数、核函数等参数，测试样本用来验证模型的精确性。
在本实施例中，训练样本中包含有多类行为样本，每类样本都需标注，用以搭建SVM模型，确立模型中的惩罚系数、核函数以及核函数的系数。
(6)模型构建完成后，对所采集的数据实时分类，初始判别出疑似摔倒行为和非摔倒行为，所述的非摔倒行为包括走路、跑步、上下楼梯、蹲下、抬手五类行为。
(7)对初始判别结果为疑似摔倒行为的样本进行二次判别，提取样本采样时间所对应的心率值h，与心率阈值H比较。当h大于阈值H时，将此样本判别为摔倒行为，否则为非摔倒行为。
在本实施例中，心率变化图如图2所示，总体分布于70-130之间，设定H＝120。当h＞H时，此样本判别为摔倒行为，当h＜H时，次样本判别为非摔倒行为。
(8)识别出摔倒行为后，再根据紧接着的多个样本数据特征及步数统计情况识别躺卧姿态，并计算持续时间T，根据T的时长判断该跌倒事件是为一般性摔倒事件还是严重性摔倒事件。
可选地，对所述的六轴传感器所采集的六类运动数据实时进行滤波处理，获得滤波后的运动数据并存储于后台。
在本实例中，数据滤波是实时的更新和处理的，因此数据采集延时可以忽略不计。
在本实例中，心率数据和计步数据是实时上传的，上传的心率数据是绝对值，如89，110等。上传的计步数据是前一个采集周期内所增加的步数值。
可选地，所述的主成分分析法也叫主分量分析，目标是利用降维的方法，将反映数据信息的特征向量中的多个特征值压缩为几个主成分，其中每个主成分能够反映原始特征向量的大部分信息，且所含信息不重复。主成分分析法是一种减少特征值和模型复杂程度的有效数据预处理方法。
在本实例中：
令A＝[A1；A2；A3；A4；A5；A6]，其中Ai代表第i类运动数据的特征值序列。譬如，A1代表的是x轴方向线性加速度的最大值序列。同理创建B矩阵和C矩阵，分别代表最小值和方差序列；(以下步骤以A矩阵为例介绍)
将矩阵数据标准化：均值为0，方差为1；
建立矩阵的标准化变量协方差矩阵；
建立协方差矩阵的特征值λi(i＝1，2，3...)建立矩阵的特征向量U；
计算方差贡献率pi＝λi/∑λi；
判断确定主成分个数为m；
选取特征向量U的前m个值，计算出结果矩阵T＝AU。
可选地，所述的提取样本的方法以及构成样本集的方法，是指以时间为轴每类数据取m(m＞d)个连续数据点，取每类数据的m个连续数据点的相对应的n个数据统计特征值，6类数据，一共n*6个数据特征值，接着对其进行主成分分析压缩为几个主成分并与心率值构成的新的特征值向量作为一个样本。其中，样本采样间隔为d个连续数据点的采样时间，为d*0.1s。连续采集的多个样本构成样本集。其中，所述的m，t，d均为正整数。
在本实例中，以时间为轴每类数据取15个连续数据点，分别取15个连续数据点的3个数据特征值，一共18个数据特征值构成一个样本。其中，样本采样间隔为10个连续数据点的采样时间，为1s。
在本实施例中，考虑到在1s的采样间隔下，样本之间数据的重合率不应该过高，否则会导致两个样本数据特征值几乎一样，导致样本重复。15个连续数据点使得样本之间的原始数据的重合率为1/3，并且数据量也不至于太少而难以反映出单个姿势的动作特征。
可选地，所述的构建的支持向量机模型，用于疑似跌倒事件与非跌倒事件的多类分类。支持向量机模型的多类分类方法的实现是将问题分解为一系列SVM可直接求解的两类分类问题。而两类分类问题是指一个支持向量机模型将特征向量映射到一个更高维的空间里(大于三维)，在这个空间里建立一个最大间隔超平面以及两个互相平行的超平面并使平行的两个超平面距离最大化。该间隔超平面便能将样本区分为两类。
在本实施例中，模型构建选用一类对其余法(OVR)构造6个两类分类机(共有6个类别)，其中第i个分类器把第i类同余下的各类划分开，训练时第i个分类机取训练集中第i类为正类，其余类别点为负类进行训练。判别时，输入样本分别经过6个分类机共得到6个输出值，比较g(x)输出值，最大者对应类别为输入的类别。
在本实例中，建立SVM模型的步骤包括：
A1：建立一个特征空间上的训练数据集，及训练样本集，包括特征向量以及样本的类标记；
A2：确定特征空间转换函数，将特征向量映射到更高的维度；
A3：通过特征空间转换函数和间隔最大化得到分离超平面；
A4：得到相应的分类决策函数。
可选地，所述的当识别出摔倒行为后，再根据紧接着的多个样本数据特征及步数统计情况识别躺卧姿态，并计算持续时间T。躺卧姿态的确定需满足两类条件，一类是步数的监控，步数在监控时间T内保持不变；另一类是三个方向线性加速度保持不变，即人体保持静止。满足该两类条件即可认为人体处于躺卧姿态。
在本实施例中，站立和坐两类姿态也满足所述的两类条件。但是站立和坐这两类动作姿态在运动数据特征以及心率数值两个方面与摔倒事件有显著差异，比较容易在模型中区分出来，因此在此不构成干扰。
可选地，所述的根据T的时长判断该跌倒事件是为一般性摔倒事件还是严重性摔倒事件，包括：当T大于阈值Th时，认为该摔倒行为属于严重性摔倒行为，当T小于阈值Th时，认为该摔倒行为属于一般性摔倒行为。
在本实施例中，阈值Th取20s。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (6)

1.一种基于多传感器数据的人体行为监测及智能识别方法，实现对人体行为及跌倒姿态的有效判别。其特征在于，包括以下几个步骤：
步骤一：使用智能手环或智能手表中的传感器采集多种数据，数据包括六轴传感器所采集的空间X，Y，Z三个方向上的线性加速度及角加速度数据，一共六类运动数据，以及心率传感器所采集的心率数据和计步器所采集的实时步数。
步骤二：分析运动数据所呈现出的数据特征，每类数据选取n(n＞1)个数据统计特征，一共有N＝6*n个数据特征，构成特征向量，作为判别人体行为姿态的条件属性，。其中，n为大于1的整数。
步骤三：提取人体一段时间内的运动数据集的N个数据统计特征，使用主成分分析法降低特征向量维度。
步骤四：使用降维后的运动数据特征向量构成样本，多个样本组成样本集，将样本集中的样本分为训练样本和测试样本。
步骤五：根据所述的训练样本和测试样本构建SVM(Support Vector Machine支持向量机)模型，训练样本用来测试SVM模型中的惩罚系数、核函数等参数，测试样本用来验证模型的精确性。
步骤六：模型构建完成后，对所采集的数据实时分类，初始判别出疑似摔倒行为和非摔倒行为，所述的非摔倒行为包括走路、跑步、上下楼梯、蹲下、抬手五类行为。
步骤七：对初始判别结果为疑似摔倒行为的样本进行二次判别，提取样本采样时间所对应的心率值h，与心率阈值H比较。当h大于阈值H时，将此样本判别为摔倒行为，否则为非摔倒行为。
步骤八：识别出摔倒行为后，再根据多个样本数据特征及步数统计情况识别躺卧姿态，并计算持续时间T，根据T的时长判断该疑似跌倒事件是为一般性摔倒事件还是严重性摔倒事件。
2.根据权利要求1所述方法，其特征在于，还包括：
对所述的六轴传感器所采集的六类运动数据实时进行滤波处理，获得滤波后的运动数据并存储于后台。
3.根据权利要求1所述的方法，其特征在于，还包括：
所述的主成分分析法也叫主分量分析法，目标是利用降维的方法，将反映数据信息的特征向量中的多个特征值压缩为几个主成分，其中每个主成分能够反映原始特征向量的大部分信息，且所含信息不重复。主成分分析法是一种减少特征值和模型复杂程度的有效数据预处理方法。
4.根据权利要求1所述的方法，其特征在于，还包括：
提取样本的方法以及构成样本集的方法，是指以时间为轴每类数据取m(m＞d)个连续数据点，取每类数据的m个连续数据点的相对应的n个数据统计特征值，6类数据，一共n*6个数据特征值，接着对其进行主成分分析压缩为几个主成分并与心率值构成的新的特征值向量作为一个样本。其中，样本采样间隔为d个连续数据点的采样时间，为d*0.1s。连续采集的多个样本构成样本集。其中，所述的m，t，d均为正整数。
5.根据权利要求1所述的方法，其特征在于，还包括：
当识别出摔倒行为后，再根据紧接着的多个样本数据特征及步数统计情况识别躺卧姿态，并计算持续时间T。躺卧姿态的确定需满足两类条件，一类是步数的监控，步数在监控时间T内保持不变；另一类是三个方向线性加速度保持不变，即人体保持静止。满足该两类条件即可认为人体处于躺卧姿态。
6.根据权利要求1所述的方法，其特征在于，还包括：
根据T的时长判断该疑似跌倒事件是为一般性摔倒事件还是严重性摔倒事件，包括：当T大于阈值Th时，认为该摔倒行为属于严重性摔倒行为，当T小于阈值Th时，认为该摔倒行为属于一般性摔倒行为。
CN201810227223.XA 2018-03-19 2018-03-19 一种基于多传感器数据的人体行为监测及智能识别方法 Pending CN108446733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810227223.XA CN108446733A (zh) 2018-03-19 2018-03-19 一种基于多传感器数据的人体行为监测及智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810227223.XA CN108446733A (zh) 2018-03-19 2018-03-19 一种基于多传感器数据的人体行为监测及智能识别方法

Publications (1)

Publication Number Publication Date
CN108446733A true CN108446733A (zh) 2018-08-24

Family

ID=63195838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810227223.XA Pending CN108446733A (zh) 2018-03-19 2018-03-19 一种基于多传感器数据的人体行为监测及智能识别方法

Country Status (1)

Country Link
CN (1) CN108446733A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108981745A (zh) * 2018-09-30 2018-12-11 深圳个人数据管理服务有限公司 一种计步方法、装置、设备和存储介质
CN109480797A (zh) * 2018-12-28 2019-03-19 合肥英泽信息科技有限公司 一种基于健康手环的智能健康辅助系统
CN110400446A (zh) * 2019-08-02 2019-11-01 重庆文理学院 一种用于游泳池溺水检测的方法
CN110811578A (zh) * 2019-11-27 2020-02-21 青岛歌尔智能传感器有限公司 计步装置及其计步方法、控制器和可读存储介质
CN110916672A (zh) * 2019-11-15 2020-03-27 中南民族大学 一种基于一维卷积神经网络的老年人日常活动监测方法
CN111385526A (zh) * 2018-12-28 2020-07-07 广州盈可视电子科技有限公司 一种实验操作考试监考端智能监测系统
CN112130675A (zh) * 2020-09-23 2020-12-25 深圳市爱都科技有限公司 一种抬腕识别方法及可穿戴终端
CN112162595A (zh) * 2020-09-23 2021-01-01 深圳市爱都科技有限公司 一种垂臂旋转识别方法及可穿戴终端
CN113137983A (zh) * 2021-04-30 2021-07-20 深圳市恒星物联科技有限公司 一种自学习的井盖姿态监测方法及监测系统
CN113807216A (zh) * 2021-09-01 2021-12-17 重庆中科云从科技有限公司 监控预警方法、设备及计算机存储介质
CN113836990A (zh) * 2020-06-23 2021-12-24 富士通株式会社 行为识别方法、行为识别装置和记录介质
CN114190926A (zh) * 2021-11-29 2022-03-18 首都体育学院 基于可穿戴设备的运动状态监测系统及方法
CN116250830A (zh) * 2023-02-22 2023-06-13 武汉易师宝信息技术有限公司 人体姿态判断与识别系统、装置与识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010207488A (ja) * 2009-03-12 2010-09-24 Gifu Univ 行動解析装置及びプログラム
CN102186420A (zh) * 2008-10-16 2011-09-14 皇家飞利浦电子股份有限公司 跌倒检测系统
CN103731557A (zh) * 2014-01-08 2014-04-16 南方医科大学 基于智能手机的实时跌倒检测系统及方法
CN104473624A (zh) * 2014-11-01 2015-04-01 王杰 一种基于心率和活动监测的老人看护腕表系统
CN105342623A (zh) * 2015-09-25 2016-02-24 广东乐源数字技术有限公司 智能跌倒监护装置及其处理方法
CN105426814A (zh) * 2015-10-30 2016-03-23 苏州领泰数字医疗设备有限公司 一种基于手机的老人跌倒检测方法
CN106037749A (zh) * 2016-05-18 2016-10-26 武汉大学 一种基于智能手机和可穿戴式设备的老年人跌倒监测方法
CN106781278A (zh) * 2017-02-04 2017-05-31 华南理工大学 一种基于多传感器数据融合的跌倒检测方法及装置
CN106845456A (zh) * 2017-03-01 2017-06-13 西安电子科技大学 一种视频监控系统中人体摔倒监测的方法
CN106937871A (zh) * 2016-01-05 2017-07-11 袁囡囡 智能运动状态检测系统
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
CN107693022A (zh) * 2017-09-27 2018-02-16 福建工程学院 一种检测人体摔倒的方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186420A (zh) * 2008-10-16 2011-09-14 皇家飞利浦电子股份有限公司 跌倒检测系统
JP2010207488A (ja) * 2009-03-12 2010-09-24 Gifu Univ 行動解析装置及びプログラム
CN103731557A (zh) * 2014-01-08 2014-04-16 南方医科大学 基于智能手机的实时跌倒检测系统及方法
CN104473624A (zh) * 2014-11-01 2015-04-01 王杰 一种基于心率和活动监测的老人看护腕表系统
CN105342623A (zh) * 2015-09-25 2016-02-24 广东乐源数字技术有限公司 智能跌倒监护装置及其处理方法
CN105426814A (zh) * 2015-10-30 2016-03-23 苏州领泰数字医疗设备有限公司 一种基于手机的老人跌倒检测方法
CN106937871A (zh) * 2016-01-05 2017-07-11 袁囡囡 智能运动状态检测系统
CN106037749A (zh) * 2016-05-18 2016-10-26 武汉大学 一种基于智能手机和可穿戴式设备的老年人跌倒监测方法
CN106781278A (zh) * 2017-02-04 2017-05-31 华南理工大学 一种基于多传感器数据融合的跌倒检测方法及装置
CN106845456A (zh) * 2017-03-01 2017-06-13 西安电子科技大学 一种视频监控系统中人体摔倒监测的方法
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
CN107693022A (zh) * 2017-09-27 2018-02-16 福建工程学院 一种检测人体摔倒的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHING-HONG LIU等: "Fall Detection with the Support Vector Machine during Scripted and Continuous Unscripted Activities", 《SENSORS》 *
卢先领等: "一种基于加速度传感器的人体跌倒识别方法", 《计算机应用研究》 *
孙祥: "基于IMU的可穿戴式人体行为识别系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108981745A (zh) * 2018-09-30 2018-12-11 深圳个人数据管理服务有限公司 一种计步方法、装置、设备和存储介质
CN109480797A (zh) * 2018-12-28 2019-03-19 合肥英泽信息科技有限公司 一种基于健康手环的智能健康辅助系统
CN111385526A (zh) * 2018-12-28 2020-07-07 广州盈可视电子科技有限公司 一种实验操作考试监考端智能监测系统
CN110400446A (zh) * 2019-08-02 2019-11-01 重庆文理学院 一种用于游泳池溺水检测的方法
CN110916672A (zh) * 2019-11-15 2020-03-27 中南民族大学 一种基于一维卷积神经网络的老年人日常活动监测方法
CN110811578A (zh) * 2019-11-27 2020-02-21 青岛歌尔智能传感器有限公司 计步装置及其计步方法、控制器和可读存储介质
CN113836990A (zh) * 2020-06-23 2021-12-24 富士通株式会社 行为识别方法、行为识别装置和记录介质
CN112130675A (zh) * 2020-09-23 2020-12-25 深圳市爱都科技有限公司 一种抬腕识别方法及可穿戴终端
CN112162595A (zh) * 2020-09-23 2021-01-01 深圳市爱都科技有限公司 一种垂臂旋转识别方法及可穿戴终端
CN113137983A (zh) * 2021-04-30 2021-07-20 深圳市恒星物联科技有限公司 一种自学习的井盖姿态监测方法及监测系统
CN113137983B (zh) * 2021-04-30 2023-08-22 深圳市恒星物联科技有限公司 一种自学习的井盖姿态监测方法及监测系统
CN113807216A (zh) * 2021-09-01 2021-12-17 重庆中科云从科技有限公司 监控预警方法、设备及计算机存储介质
CN114190926A (zh) * 2021-11-29 2022-03-18 首都体育学院 基于可穿戴设备的运动状态监测系统及方法
CN114190926B (zh) * 2021-11-29 2023-12-08 首都体育学院 基于可穿戴设备的运动状态监测系统及方法
CN116250830A (zh) * 2023-02-22 2023-06-13 武汉易师宝信息技术有限公司 人体姿态判断与识别系统、装置与识别方法

Similar Documents

Publication Publication Date Title
CN108446733A (zh) 一种基于多传感器数据的人体行为监测及智能识别方法
CN110309861B (zh) 一种基于生成对抗网络的多模态人类活动识别方法
CN110245718A (zh) 一种基于联合时域频域特征的人体行为识别方法
Uddin et al. Random forests based recognition of human activities and postural transitions on smartphone
CN107220617A (zh) 人体姿态识别系统及方法
CN109979161B (zh) 一种基于卷积循环神经网络的人体跌倒检测方法
CN108509897A (zh) 一种人体姿态识别方法和系统
Jensen et al. Classification of kinematic swimming data with emphasis on resource consumption
CN109171738A (zh) 基于人体加速度多特征融合和knn的跌倒检测方法
CN110287825A (zh) 一种基于关键骨骼点轨迹分析的摔倒动作检测方法
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
CN109976526A (zh) 一种基于表面肌电传感器和九轴传感器的手语识别方法
CN110659677A (zh) 一种基于可移动传感器组合设备的人体跌倒检测方法
CN106875630B (zh) 一种基于层次分类的可穿戴跌倒检测方法及系统
CN106073793B (zh) 基于微惯性传感器的姿态跟踪与识别方法
CN108717548B (zh) 一种面向传感器动态增加的行为识别模型更新方法及系统
CN108021888A (zh) 一种跌倒检测方法
CN111914643A (zh) 一种基于骨骼关键点检测的人体动作识别方法
CN113314209B (zh) 一种基于加权knn的人体意图识别方法
CN108958474A (zh) 一种基于误差权重的动作识别多传感信息融合方法
CN106910314A (zh) 一种基于体形的个性化跌倒检测方法
CN107092861A (zh) 基于压力与加速度传感器的下肢动作识别方法
CN111931568A (zh) 一种基于增强式学习的人体跌倒检测方法及系统
CN111401435B (zh) 一种基于运动手环的人体运动模式识别方法
CN109805935A (zh) 一种基于人工智能分层分级运动识别方法的智能腰带

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 302C, 560 shengxia Road, Pudong New Area, Shanghai, 201203

Applicant after: SHANGHAI XILING INTELLIGENT TECHNOLOGY Co.,Ltd.

Applicant after: SHANGHAI WALKIE SOFTWARE Co.,Ltd.

Address before: 201203 1003B, No. 570, Sheng Xia Road, Zhangjiang, Pudong New Area, Shanghai.

Applicant before: SHANGHAI XILING INTELLIGENT TECHNOLOGY Co.,Ltd.

Applicant before: SHANGHAI WALKIE SOFTWARE Co.,Ltd.

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180824