CN109414188A - 用于确定对象的步行运动的处理装置和方法 - Google Patents

用于确定对象的步行运动的处理装置和方法 Download PDF

Info

Publication number
CN109414188A
CN109414188A CN201780041012.0A CN201780041012A CN109414188A CN 109414188 A CN109414188 A CN 109414188A CN 201780041012 A CN201780041012 A CN 201780041012A CN 109414188 A CN109414188 A CN 109414188A
Authority
CN
China
Prior art keywords
component
motion
processing unit
accelerometer data
orthogonal
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
Application number
CN201780041012.0A
Other languages
English (en)
Other versions
CN109414188B (zh
Inventor
R·M·M·德尔克斯
B·B·A·J·布卢蒙达尔
V·A·R·阿尔特斯
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN109414188A publication Critical patent/CN109414188A/zh
Application granted granted Critical
Publication of CN109414188B publication Critical patent/CN109414188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • 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
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • 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
    • A61B5/112—Gait analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种用于确定对象的步行运动的处理装置(10)、系统(1)和方法(20)。有利地，还可以检测缓慢步行运动。所述处理装置被配置为执行以下步骤：获得指示所述对象的躯干运动的加速度计数据；从经高通滤波的加速度计数据中提取一个或多个正交运动分量；根据经低通滤波的加速度计数据来确定重力分量；将所述正交运动分量中的至少一个正交运动分量的方向与重力分量的方向进行比较；并且如果所述运动分量与所述重力分量正交或平行，则将所述对象的运动分类为步行。

Description

用于确定对象的步行运动的处理装置和方法
技术领域
本发明涉及一种用于确定对象的步行运动的处理装置、系统和方法。本发明还涉及用于执行所述方法的对应计算机程序。
背景技术
人的生命体征，例如心率(HR)，能够充当人的当前状态的指示器，并且充当严重医学事件的强有力的预测器。在临床环境中，通常在良好控制的条件下测量生命体征。由经训练的专业人员以正确的取向并且在预定位置处应用测量设备。此外，在已知的上下文中测量生命体征，例如，当患者休息良好或者执行预定锻炼时，例如在由护士指示的锻炼心电图测量中。
随着更小、更便宜和不那么突兀的设备的出现，监测健康状态在家庭或者在其他非临床环境中也变得可行。生命体征测量的一个问题在于：对生命体征的恰当解读需要关于患者正在做和/或一直在做的事可能潜在地影响生命体征的背景信息。此外，如果背景信息可用，则能够获得额外的信息，诸如：(a)在放松或休息情况下监测家中的对象的生命体征，以获得休息时的基线生命体征，或者(b)紧接在特定活动之后监测生命体征，例如，在爬楼梯后的生命体征的恢复。
对于老年人或病人而言，能量需求最大并且常常发生的活动类型之一是步行或行走。因此，以准确的方式来检测行走是有利的，特别是对于可能行走非常缓慢的老年人和/或患病患者的示例性医学场景。
US 2014/0019080 A1涉及对用于姿势和活动检测的胸部安装的无线传感器设备的校准。其中，提出了一种行走检测算法，包括：取回在三个轴(x，y，z)上的原始加速度计数据，计算针对预定时间窗口的信号幅度区域(SMA)，计算水平面中的加速度的幅度(maghorz)和总体(magtotal)，并且将所计算的SMA和加速度的幅度与各种阈值进行比较。基于所述加速度幅度与不同阈值的特定序列的比较，所述活动能够被分类为行走。为了计算在水平面中的加速度的幅度，确定重力分量作为第一步骤。基于此，计算在水平面中的加速度的幅度作为后续步骤。
US 2008/0190202描述了一种运动感测装置，其包括加速度计和适于分析来自所述加速度计的加速度测量结果的处理系统。具体地，所述处理系统确定加速度计的取向，由此确定用户的活动。
US 2015/0272480描述了一种加速度传感器输出处理程序，其适于从加速度传感器的输出中提取重力分量向量和摆动分量向量，所述输出已经分别通过低通滤波器和高通滤波器。
US 2013/0298636描述了一种校准姿势传感器的方法。具体地，提取加速度信号的AC分量的特性以确定用户的行走状态或非行走状态。
US 2008/0082018涉及处理呼吸信号的方法。在一个范例中，加速度计数据被用于增强运动伪影拒绝。
发明内容
本发明的目的是提供一种用于确定对象的步行运动的经改进的设备、系统和方法。具体地，将有利的是，即使当对象正在非常缓慢地行走时，也以准确的方式来确定步行运动。
在本发明的第一方面中，提出了一种用于确定对象的步行运动的处理装置。所述处理装置被配置为执行以下步骤：
获得指示所述对象的躯干运动的加速度计数据；
对所述加速度计数据执行高通滤波以获得经高通滤波的加速度计数据；
从所述经高通滤波的加速度计数据中提取多个正交运动分量中的至少一个正交运动分量；
对所述加速度计数据执行低通滤波以获得经低通滤波的加速度计数据；
根据所述经低通滤波的加速度计数据来确定重力分量；
将所述正交运动分量中的至少一个正交运动分量的方向与所述重力分量的方向进行比较；并且
如果所述运动分量与所述重力分量正交或平行，则将所述对象的运动分类为步行。
在本发明的另外的方面中，提出了一种用于确定对象的步行运动的系统，所述系统包括：
-加速度计，其用于采集指示所述对象的躯干运动的加速度计数据；以及
-如在本文中所公开的用于确定所述对象的步行运动的处理装置。
在本公开的又另外的方面中，提供了一种对应方法、一种计算机程序以及一种非瞬态计算机可读记录介质，所述计算机程序包括程序代码模块，当所述计算机程序在计算机上被运行时，所述程序代码模块用于使所述计算机执行在本文中所公开的方法的步骤，所述非瞬态计算机可读记录介质在其中存储有计算机程序产品，所述计算机程序产品当由处理器运行时使得在本文中所公开的方法被执行。
在从属权利要求中限定了本发明的优选实施例。应当理解，所要求保护的方法、系统、计算机程序和介质具有与所要求保护的系统相似和/或相同的优选实施例，特别是如在从属权利要求中所限定的以及如在本文中所公开的。
在本文中所提出的解决方案提供了可靠地确定对象的步行运动的可能性，例如，检测所述对象是否正在行走。因此，所提出的解决方案使得能够获得能够被用于生命体征测量的背景信息，特别是对于家庭或门诊护理环境中的老年人和/或病人。由于步行活动对于这些人而言会是非常耗能的，他们可能缓慢地行走，并且提供一种检测缓慢步行的可靠方法是非常重要的，以便解读正确测量的生命体征。此外，对缓慢步行的可靠检测使得在这样的场景下能够基于不同运动分量进行自动校准。
在抽象层面上，加速度计数据作为输入被提供给所提出的处理装置，并且基于此，能够提供对象是否正在执行步行运动的指示作为输出。所述加速度计数据能够通过被应用于所述对象的躯干的加速度计来采集。所述加速度计数据具体能够指代由三轴加速度计采集的三轴加速度计数据。
本发明基于以下思想：(仅)从经高通滤波的加速度计数据中提取不同的正交运动分量中的至少一个正交运动分量，并且然后，将其中的至少一个正交运动分量的方向与重力分量的方向进行比较。具体地，使用源分离技术提取所述正交运动分量，这有利地允许识别这样的运动分量而无需知道重力的方向。这允许在从所述加速度计数据中识别和提取运动分量时提高精确度和准确度。此外，使用源分离技术自身提供了从所述加速度计数据中对运动分量的更准确的提取。
在一些实施例中，所述方法包括提取多个(即，两个或更多个)正交运动分量。在又另外的实施例中，所述方法包括提取三个正交运动分量。所述运动分量彼此正交。
能够识别三个不同的正交运动分量：(1)中间-横向运动分量(ML)，即，侧向或左-右运动分量；(2)前-后运动分量(AP)，即，前向-后向或前-后运动分量；以及(3)垂直运动分量(VT)，即，上-下运动分量。已经发现，能够基于所述正交运动分量的不同时间结构来提取所述正交运动分量。所述正交运动分量是从经高通滤波的加速度计数据中提取的。高通滤波器的使用得到了不受平均重力向量或重力分量影响的加速度计数据。因此，基于重力分量的先验知识，不偏置至少一个正交运动分量的提取。替代地，能够使用没有平均重力分量的信号作为基础。因此，与现有技术中所描述的解决方案相反，针对所述正交运动分量的坐标系不是从重力分量开始导出的。重力分量而是被用于后续比较。
能够根据经低通滤波的加速度计数据来确定重力分量。这样的经低通滤波的加速度计数据能够被视为加速度计轴上的重力的平均贡献。在本文中所提出的解决方案中，重力分量然后能够被用于比较所述正交运动分量中的至少一个正交运动分量的方向与重力分量的方向。基于此，如果所述运动分量与所述重力分量正交或平行，则能够将对象的运动分类为步行。预期中间-横向运动分量和前-后运动分量与重力分量正交，而预期垂直运动分量与重力分量平行或一致。
在本文中所提出的解决方案的优点在于：有利地还能够可靠地检测对象的缓慢的步行运动。相反，尽管已经确立了检测诸如跑步的活动，但是当评估老年人和/或病人的缓慢运动时，加速度幅度与阈值的比较可能失败。具体地，ML分量能够针对缓慢步行的情况提供非常良好的检测质量。作为进一步的优点，变得能够检测左迈步和右迈步。为了将运动分类为步行，能够将ML方向与重力方向进行比较以查看其是否是正交的。
根据实施例，所述处理装置能够被配置为从所述经高通滤波的加速度计数据中提取中间-横向运动分量和/或前-后运动分量。备选地或另外地，能够基于所述经高通滤波的加速度计数据来提取垂直运动分量。
在实施例中，所述处理装置被配置为基于源分离技术，特别是基于线性可预测性、盲源分离(BSS)和/或独立分量分析(ICA)，来提取所述多个正交运动分量中的至少一个。基于这样的技术，能够根据经高通滤波的加速度计数据来确定正交运动分量，因此，无需使用重力向量的先验知识。因此，能够将这些提取的正交运动分量中的一个或多个正交运动分量与重力分量的方向进行比较，以评估是否能够相对于重力分量找到相应正交运动分量的特征取向。作为源分离技术的输出，能够提供至少一个正交运动分量的相应轴，并且任选地，还能够提供沿着所述轴的信号分量。用于源分离的有存储器效益和成本效益的迭代结构例如在Choi等人在Neural Information Processing-Letters and Reviews，第6卷，第1期，2005年1月上的“Blind Source Separation and Independent Component Analysis：AReview”一文中有所描述。
在改进中，所述源分离技术能够适于基于所述正交分量的时间结构来分离所述正交分量中的至少一个正交分量，特别是通过使在预定时间滞后处的自相关最大化。所述自相关也能够指代归一化的自相关，例如，其中，滞后零处的自相关函数已经被归一化为单位一(unity)。在本文中所使用的时间滞后也能够指代时间滞后时段。换言之，替代仅查看一个滞后，能够考虑多个滞后的任选加权平均值，这可以进一步提高可靠性。已经发现，具体地，能够基于特定时间滞后的自相关来确定任意取向的高通滤波的加速度计数据中的中间-横向(ML)运动分量的方向。具体地，已经发现，针对ML分量，在特定滞后处的自相关能够是最高的。由此，能够将ML分量例如与VT分量或AP分量区分开。另外地或在备选方案中，能够将AP分量与VT分量区分开。
在改进中，所述源分离技术能够适于使在预定时间滞后的自相关最大化，其中，所述时间滞后能够在100ms与500ms之间，优选在150ms与400ms之间，优选在200ms与350ms之间。应当理解，那些值范围包括边界。已经发现，特别是使自相关和在200ms至350ms的范围内的时间滞后最大化能够被用于确定所述中间-横向分量。
在实施例中，所述处理装置能够被配置为基于源分离技术来提取第一正交运动分量，其中，所述源分离技术适于使在第一预定时间滞后处的自相关最大化；并且所述处理装置还能够被配置为基于源分离技术来提取第二正交运动分量，其中，所述源分离技术适于使在第二预定时间滞后的自相关最大化。例如，在第一步骤中，能够提取中间-横向运动分量作为第一正交运动分量。由所述源分离技术最大化的针对自相关的适当时间滞后能够在200ms至350ms的范围中。一旦已经确定了中间-横向分量，就能够计算与所述中间-横向分量正交的子空间。在第二步骤中，能够基于源分离技术来提取诸如前-后运动分量的第二正交运动分量，所述源分离技术例如可以使在第二预定时间滞后的自相关最大化。例如，能够使在50ms至100ms的范围中的时间滞后处、优选在75ms处的自相关最大化，以获得前-后运动分量。
在实施例中，提取一个或多个正交运动分量的步骤能够包括：基于源分离技术来提取第一运动分量；基于所述经高通滤波的加速度计数据和所述第一运动分量来确定与所述第一运动分量正交的二维子空间；并且基于所述子空间来提取第二运动分量。例如，能够基于源分离技术来提取中间-横向运动分量。在随后的步骤中，能够从所述子空间中提取诸如前-后运动分量的第二正交运动分量。使用子空间的优点是尺寸能够被减少到2个源的混合。因此，能够降低复杂性和计算量。这也能够被称为降阶(deflation)。因此，利用三轴加速度计获得的初始加速度计数据的三源混合能够被减少为两个源的混合。能够应用相似的源分离技术来提取第二源。然后保留与其他两个源正交的第三源。
在该实施例的改进中，所述处理装置能够被配置为基于所述子空间和所述加速度计数据的高通滤波的范数来提取所述第二运动分量。因此，作为基于源分离技术来提取所述第二正交运动分量的备选或补充，能够使用备选方法。因此，提出了利用所述加速度计数据的高通滤波的(向量)范数作为用于从所述加速度计数据中提取垂直运动分量的参考信号。NLMS(归一化的最小均方)技术能够被用于找到在高通滤波的范数与高通滤波的加速度计数据之间的相关性。
例如，在通过使用NLMS提取垂直分量之后，能够计算该垂直分量与先前确定的中间-横向分量之间的交叉积以提取前-后分量。然后，能够将这些正交运动分量中的一个或多个正交运动分量与重力分量的方向进行比较。例如，如果中间-横向分量和/或前-后分量与重力分量正交，则所述对象的运动能够被分类为步行。
在实施例中，在将所述对象的运动分类为步行的步骤中，如果运动分量与重力分量的点积的绝对值低于预定阈值，则运动分量能够被认为与重力分量正交。应当理解，在本文中所使用的运动分量和/或重力分量能够指代归一化的向量或值。此外，应当理解，针对ML和AP正交运动分量，与重力分量的点积将理想地为零。然而，如在本文中所使用的，如果运动分量和重力分量的点积的绝对值低于预定阈值，则这些运动分量和重力分量被认为是正交的。例如，仍然可以接受高达±10°的角度偏差，特别是高达±5°的角度偏差。对应地，在将所述对象的运动分类为步行的步骤中，如果VT运动分量与重力分量的向量乘积或交叉积的绝对值低于预定阈值，则VT运动分量能够被认为与重力分量平行。应当理解，这还包括等效的情况，即，替代两个平行向量的交叉积为零，能够评估两个归一化和平行向量的点积的绝对值接近于单位一的特性。
在实施例中，所述处理装置还能够被配置为执行基于至少一个提取的正交运动分量来对所述加速度计数据进行校准的步骤。例如，正交运动分量ML、AP、VT的轴能够被用于执行对加速度计的自动校准。该实施例的优点在于：在人们自由地将加速度计应用在躯干上的不同位置的情况下，能够实现改进的姿势检测。因此，有利地也能够在缓慢移动的老年人和/或患病对象的情况下校正由外行人施加的加速度计的取向。
在实施例中，所述处理装置还能够被配置为执行基于所提取的正交运动分量中的至少一个正交运动分量来识别步行期间的单独的迈步和/或识别步行期间的步态参数的步骤。例如，能够评估中间-横向运动分量中的左-右运动以确定单独的迈步。除了迈步检测或作为其备选，能够有利地导出步态相关的参数，因为其能够在临床上相关，特别是用于劣化检测。
在改进中，所述处理装置能够被配置为基于中间-横向运动分量的上升过零和下降过零和/或基于垂直或前-后运动分量中的谷值来识别单独的左迈步和右迈步。例如，所述谷值能够指示迈步的足尖离地时刻。单独的左迈步和右迈步的识别还允许计算准确的步数。
如在本文中所使用的，术语“步行”或步行运动通常能够指代行走或行走运动。该术语还能够涵盖更宽泛的步行式活动，诸如爬楼梯，以不同的速度行走，不规则或不对称的行走，和/或使用诸如拐杖、手杖、助行器或支柱的行走辅助。
在本文中所使用的术语“加速度计数据”能够指代加速度计数据，特别是3D或三轴加速度计数据，其由被应用于对象的躯干的三轴加速度计来采集。三轴加速度计是测量在三个方向上的加速度的设备，所述三个方向被称为感测轴x、y和z。所述加速度计的读数能够包括具有x、y和z分量的三元素向量，x、y和z分量表示在相应感测轴上测量到的加速度。所述加速度计数据能够表示随时间的一系列这样的向量。加速度计轴不一定与对象的身体轴一致，因为加速度计可以在任意方向上被应用到所述对象的躯干而不是完美限定的位置。因此，需要提取表示不同身体轴的正交运动分量。能够应用旋转矩阵以使加速度计的轴与身体轴对齐。
附图说明
参考下文所描述的(一个或多个)实施例，本发明的这些和其他方面将变得显而易见并得以阐明。在以下附图中：
图1示出了根据本发明的一方面的系统的第一实施例的示意图；
图2示出了根据本发明的一方面的方法的流程图；
图3示出了根据本发明的一方面的系统的第二实施例的示意图；
图4A和图4B分别示出了图示分别针对快速行走对象和缓慢行走对象的由被应用于对象的躯干并且与对象的身体轴对齐的三轴加速度计采集的加速度计数据以及向量范数的图；
图5示出了针对不同类型的步行的不同正交运动分量的自相关的示例图；
图6A和图6B分别示出了图示分别针对快速行走和缓慢行走的由被应用于对象的躯干但是不与对象的身体轴对齐的三轴加速度计采集的加速度计数据以及向量范数的图；
图7A和图7B分别示出了图示分别针对快速行走和缓慢行走的基于从经高通滤波的加速度计数据中提取的运动分量的信号的图；
图8示出了所提取的正交运动分量的图。
图9示出了根据本发明的一方面的设备的另外的实施例的示意图；并且
图10示出了根据本发明的一方面的设备的另一实施例的示意图。
具体实施方式
图1示意性示出了根据本发明的一方面的用于确定对象100的步行运动的系统1的第一实施例。系统1包括加速度计5，加速度计5适于获得指示对象100的躯干运动的加速度计数据。基于此，处理装置10能够确定对象100的步行运动。
如在图1的非限制性范例中所示的，系统1能够被应用于对象100的躯干或躯体上的各个位置P1、P2、P3处。对象100应用系统1的确切取向和位置可以变化，特别是因为所述设备不一定由经训练的健康护理专业人员应用，而是可能由对象自己应用。换言之，包括加速度计5的系统1的应用或附接可以以无监督的方式来完成。对象100可以将所述系统放置到躯干上的若干个位置上，诸如胸部、臀部或下背部，并且甚至可以逐天地选取不同的位置。在ECG和步行运动的组合监测的情况下，可以逐天地选取不同的位置，例如，P1、P2或P3，以避免或减少如果设备长时间地佩戴引起的皮肤刺激。这意味着不能够总是先验地假设所述系统处于已知取向的特定位置处。
加速度计5能够被实施为多轴加速度计，所述多轴加速度计适于生成指示沿着不同空间轴的加速度的加速度计数据，在下文中，三轴加速度计适于生成指示沿着三个正交空间轴的加速度的加速度计数据。示例性三轴加速度计是Bosch BMA355，STMicroelectronics LIS3DSH，ST Microelectronics LIS344 ALH或Kionix KXM52。应当强调的是，加速度计轴或感测轴x、y和z不一定与对象100的中间-横向(ML)、垂直(VT)和前-后(AP)身体轴相一致，因为所述加速度计可以以任意取向而不是完美限定的位置应用于对象的躯干。
指示所述对象的躯干运动的加速度计数据被提供给处理单元10，以用于确定对象100的步行运动。处理装置10被配置为执行在图2的流程图中所示的步骤，如下文进一步描述的。
在图1中所示的实施例中，系统1还能够包括接口6和存储器7。接口6能够是有线或无线接口。有利地，系统1能够是电池供电的设备，并且接口6是无线接口，使得不需要线缆。例如，接口6能够将由加速度计5采集的加速度计数据和/或处理单元10的分类结果提供给外部实体。
存储器7能够存储指示已经由加速度计5采集的对象100的躯干运动的加速度计数据。备选地或另外地，存储器7能够是包含由处理装置10执行的指令的非瞬态存储介质，其中，所述指令使处理装置10执行在本文中所公开的方法的步骤，例如参考在图2中所示的流程图和/或图3、9或10的框图所描述的。针对存储器7存储加速度计数据的情况，所述加速度计数据例如能够在一时间段内被采集，使得不需要连接到诸如智能电话或患者监测器的外部实体。能够在期望的测量时段之后下载所述加速度计数据。由此，由于没有通信，特别是没有无线通信，因此能够进一步降低功耗。
在备选实施例中，加速度计5和处理装置10不是在一个设备中实施的。例如，加速度计5和接口6的最小配置能够被实施为由对象100佩戴的设备。因此，加速度计数据能够经由接口6传输到远程位置处的处理装置10。例如，处理装置10能够被实施为患者监测器或健康护理基础设施(诸如医院IT系统)的部分。处理装置10或方法还能够被实施为基于云的解决方案。在另外的实施例中，智能电话或相似的设备能够充当处理装置10，并且被配置为执行用于确定对象100的步行运动的步骤。
图2示出了方法20的流程图，方法20包括由根据本发明的一方面的处理装置10执行的步骤。在第一步骤S21中，能够获得(即，接收的或取回的)指示所述对象的躯干运动的加速度计数据。所述加速度计数据能够是一系列向量，其中，每个向量包括三轴加速度计的x、y和z分量。在第二步骤S22A、S22B中，能够从经高通滤波的加速度计数据中提取多个正交运动分量中的至少一个正交运动分量。因此，存在对所述加速度计数据进行高通滤波的第一子步骤S22A以及从经高通滤波的加速度计数据中提取多个正交运动分量中的至少一个正交运动分量的第二子步骤S22B。所述第二子步骤可以包括从经高通滤波的加速度计数据中提取多个正交运动分量。高通滤波器的使用得到了不受平均重力向量或重力分量的影响的加速度计数据。由此，基于重力分量的先前确定，不偏置至少一个运动分量的提取。在第三步骤S23A、S23B中，能够根据经低通滤波的加速度计数据来确定重力分量。因此，存在对所述加速度计数据进行低通滤波的第一子步骤S23A、S23B以及根据经低通滤波数据来确定重力分量的第二子步骤S23B。第二步骤S22A、S22B和第三步骤S23A、S23B任选地能够串行地、并行地或者以不同的顺序来执行。在第四步骤S24中，能够将所述正交运动分量中的至少一个正交运动分量的方向与重力分量的方向进行比较。基于此，在第五步骤S25中，如果所述运动分量与所述重力分量正交或平行，则能够将所述对象的运动分类为步行。能够将多于一个的运动分量与重力分量进行比较并且被用于分类。
在步行期间利用正交运动分量的另外的优点会是能够确定加速度计5相对于对象100的躯干的取向。例如，能够相对于加速度计的感测轴来确定一个或多个运动分量的取向。基于此，能够校准加速度计数据，例如通过应用旋转矩阵来获得经校准的加速度计数据。这样的经校准的加速度计数据能够提供有价值的信息，例如用于可靠地检测所述对象的姿势，诸如当对象躺在床上时确定对象是躺在左侧还是右侧。
图3示出了根据本发明的一方面的系统1的第二实施例的示意图。系统1包括：加速度计5，其用于采集指示对象100的躯干运动的加速度计数据；以及处理装置10，其用于确定所述对象的步行运动。
处理装置10接收加速度计数据作为输入。所述加速度计数据包括三个单独的分量，即，由三轴加速度计5的三个感测轴采集的x、y和z分量。所述加速度计数据的三个单独的轴首先被提供给高通滤波器(HPF)11。在图3的非限制性实施例中，所述加速度计数据的三个高通滤波的分量被提供给独立分量分析(ICA)单元12，其用于基于独立分量分析作为源分离技术来提取所述正交运动分量中的至少一个正交运动分量。ICA单元12能够提供所述正交运动分量中的至少一个正交运动分量作为输出。在所示的范例中，ICA单元12适于提供中间-横向轴aML，指示在其输出部处的中间-横向运动分量的方向。ICA单元12任选地还能够被配置为在中间-横向轴的方向上提供中间-横向加速度数据ML(也被称为ML信号)作为另外的输出。ICA单元12能够适于借助于在输入部处提供的时间滞后T的规范来提取具有最低基频的信号分量。在所示的范例中，可以设置例如200ms的ML运动分量TML的时间滞后。ICA单元12能够通过使在设置的时间滞后处的归一化的自相关最大化来确定ML运动分量。这提取了ML信号或侧向信号，并且进一步提供ML轴作为侧向轴的标识。
与高通滤波并行地，(原始)加速度计数据被提供给低通滤波器(LPF)13以用于确定重力分量。由此，可以通过利用具有足够低的截止频率的LPF对加速度计数据进行低通滤波或平滑来确定重力分量，或者等效地通过在足够长的时间段(诸如一些秒)内对加速度计数据求平均来确定重力分量。这提供了重力分量的方向。
在图3中所示的实施例中，通过借助于比较单元14来计算点积，ML分量的方向与重力分量或重力向量的方向进行比较。所识别的ML轴与重力向量的方向的点积应当针对行走接近零，因为ML轴应当垂直于矢状面。因此，比较单元14的输出能够被提供作为对分类器(CL)15的输入。因此，如果ML分量与重力分量正交，则所述对象的运动能够被分类为步行。
在给定范例中，如果运动分量和重力分量的点积的绝对值低于预定阈值，则运动分量能够被认为与重力分量正交。
图4A和图4B分别示出了图示针对快速行走对象和缓慢行走对象的由被应用于对象的躯干的三轴加速度计采集的加速度计数据以及向量范数(VN)的图。横轴表示以秒[s]为单位的时间t，而纵轴表示以[g]为单位的测量到的加速度。为了例示说明，在给定范例中的加速度计轴与对象的身体轴对齐，其中，x轴～ML，y轴～VT和z轴～AP分量。由此，在图4A和图4B中所示的迹线对应三个正交运动分量：(1)中间-横向(ML)，(2)前-后(AP)，以及(3)垂直(VT)。虚线迹线表示向量范数(VN)，其被如下地计算：
如能够看到的，在图4A和图4B中，向量范数几乎等于VT分量。当将所述加速度计数据分解为重力分量(＝1g)和惯性分量时，已知与重力向量正交的惯性分量在向量范数中衰减，而与重力向量在相同方向上的惯性分量在向量范数中增强。此外，从图4A和图4B中能够看到在向量范数中不再可见能够源自传感器的旋转的大ML分量。这能够归因于重力向量分量以这样的方式分布在所有正交分量上：使得向量范数保持相同，即，重力加速度分量加上主要在垂直于重力向量的方向上测量到的惯性加速度。
应当注意，基于向量范数的迈步检测常常被用在常规方法中。这种方法的优点在于基于向量范数的迈步检测是与旋转无关的。基于向量范数的迈步检测适用于快速行走。如在图4A中能够看到的，几乎等于向量范数的垂直(VT)分量对于快速行走而言是强的，并且能够清楚地识别单独的迈步。在图4B中，能够在5秒的迹线中识别8个迈步。这8个迈步等于4个步幅，这在ML分量中是可见的。
另一方面，已经发现，如图4B中所示的，所得到的VN信号对于缓慢行走而言相当小。此外，不能够清楚地识别单独的迈步。因此，在本文中所公开的解决方案中，特别建议使用ML和AP分量用于迈步检测。已经发现，这能够得到针对对象的缓慢行走或缓慢步行运动的更鲁棒的迈步检测。如在图4B中能够看到的，能够清楚地识别中间-横向(左-右)和前-后(前-后)运动分量。在图4B中，ML分量最强，并且可以在5秒的迹线中识别对应于5个迈步的大致21/2步幅。
因为针对每个随后的左/右迈步的躯干的横向/侧向移动，ML分量的基频通常是VT和AP分量的基频的一半。此外，AP分量具有与VT分量相同的基频，但是具有不同的时间结构。VT分量针对每个迈步示出许多“尖峰”，其中，紧接在最大尖峰之前的时间反映了脚跟撞击的时间，而在最大尖峰之后的“谷值”反映了脚趾离地。另一方面，AP分量具有斜坡状结构。斜坡重置为最小值，并且在脚趾离地时再次上升。已经发现，尽管形态和幅度可能不同，但是在缓慢和快速行走两者中都能够看到这样的一般的时间特征。例如，对于缓慢行走，VT分量的主导性要小得多。
因此，建议通过使用源提取技术从经高通滤波的加速度计数据中提取一个或多个不同的正交运动分量，在此是三个分量VT、AP和ML。源提取技术能够基于线性可预测性的概念。该方法假设源信号具有一些时间结构。例如，源具有不同的(标准化的)自相关函数或者等效地具有不同的(归一化的)谱形状。直观地说，源信号的复杂性低于混合传感器信号。换言之，任何源信号的时间可预测性的程度高于(或等于)任何混合项的时间可预测性。例如，具有不同频率的两个正弦波的混合的波形比原始正弦波中的任一个更复杂或更不可预测。用于源分离的示例性有存储器效益和成本效益的迭代结构在Choi等人的前述评论文章中有所描述。
图5示出了针对不同类型的步行的三个正交运动分量的自相关的示例性图：A)快速行走，B)缓慢行走，C)不对称行走，D)不规则行走，E)上楼梯，以及F)下楼梯。横轴表示以秒[s]为单位的时间滞后T，而纵轴表示归一化(在滞后0处的单位一)自相关系数(AC)。
如从图5中能够看到的，ML分量示出最高的自相关，例如，在200ms的时间滞后处，如由垂直虚线所指示的。因此，通过使预定时间滞后(在此为200ms)处的自相关系数最大化而将源分离算法设置为从其他源中提取(即，分离)ML分量作为期望的源来提取ML分量。然后，所提取的ML分量能够被用于检测缓慢行走中的迈步，因为当人们缓慢地行走时，其他正交分量(VT和AP)非常小，如在图4B中所图示的。
图6A和图6B分别示出了图示分别针对快速行走和缓慢行走的由被应用于对象的躯干的三轴加速度计采集的加速度计数据以及向量范数。水平轴再次表示以秒[s]为单位的时间t，而纵轴表示以[g]为单位的加速度。与图4A和图4B相比，在图6A和图6B中的加速度计轴不与对象的身体轴对齐。为了公平比较，在图4A和图4B中使用相同的数据，但是具有经旋转的坐标系。这对应于以任意旋转取向应用加速度计的情况，即，不与对象的身体轴对齐。
通过比较图6A和图6B与图4A和图4B，能够看到，两种情况下的向量范数是相同的。
在图6A和图6B中所示的利用任意取向的加速度计采集的加速度计数据能够作为输入被提供给处理单元10，例如参考图3或者稍后参考图9或图10所描述的。具体地，如上文所描述的，通过选取适当的自相关时间滞后，能够基于经高通滤波的采集的x、y和z加速度计数据来提取中间-横向运动分量。
基于第一提取的分量，诸如ML分量，能够确定垂直于所述第一分量的平面，即矢状平面。在给定的范例中，所述矢状平面包括剩余的正交分量的混合，在此是VT和AP。能够使用类似的源分离算法来提取这些分量，但是利用双向量输入并且使用不同的时间滞后。根据图5中的自相关函数，针对VT和AP分量的分离，使用较小的时间滞后用于提取是合适的。因此，能够使用降阶技术。提取能够以3源混合开始。提取第一源，例如，ML分量。基于此，维度能够减小为两个源的混合，并且能够应用类似的源分离技术来提取第二源，例如，AP分量。第三源(与其他两个源正交)仍然存在。因此，降阶技术能够被视为寻找正交分量的步进式方法。在给定的范例中，存在两个步骤。第一步骤是从三轴加速度计数据中提取ML分量。在对ML分量的该识别之后，采用与ML分量正交的子空间(理想地，仅包含AP和VT分量)。第二步骤是然后从该二维子空间中提取AP分量。VT分量是剩余部分。在图7A和图7B中示出了应用该源分离以提取ML、AP和VT分量的结果形成图6A和图6B的任意取向的加速度计数据。
当比较图7A和图7B与图4A和图4B时，其中，加速度计轴与ML、AP和VT轴仔细对齐，能够看到，通过利用时间结构的降阶源分离技术以良好的对应关系来提取源。在本文中所示的非限制性范例中，200ms时间滞后被用于提取ML分量，而75ms时间滞后被用于提取AP分量。
应当理解，能够恢复源提取中的符号模糊性，例如，通过利用使用指示和/或利用附加的先验信息。例如，在ECG和步行运动的组合监测的情况下，需要将所述设备佩戴在胸部上。此外，能够利用关于加速度计相对于贴片的粘合剂侧的取向的先验信息。在另外的范例中，如图1中示例性示出的，加速度计通常仅围绕冠状面中的轴稍微旋转，并且能够基于此恢复AP分量的符号。此外，VT分量必须与(DC移除的)向量范数(VN)正相关。如果已知AP和VT分量的正确符号并且已知三轴加速度计传感器的坐标系，则也能够复ML分量的符号。因此，能够确定ML分量的特定过零点是属于左迈步还是右迈步。
为了确定对象的步行运动，能够将经高通滤波的原始加速度计数据中的所述提取的运动分量中的至少一个运动分量的方向与由经低通滤波的原始加速度计数据所计算的重力分量的方向进行比较，例如作为平均VN。如果至少一个分量的方向与重力向量正交或平行，则加速度计观察能够被分类为步行，而如果所述分量中的至少一个分量的方向既不与重力分量基本正交也不平行，则加速度计观察能够被分类为非步行。
任选地，在已经将加速度计观察分类为步行之后，能够使用所提取的正交分量中的一个或多个正交分量来识别步行期间的单独的迈步。例如，能够使用ML分量的上升过零和下降过零来计算AP分量中的步数或谷值，优选地，能够识别经低通滤波或积分的AP分量以精确定位脚跟着地瞬间，其中，由于脚跟着地导致速度下降。在实施例中，AP分量中的积分能够被用于导出AP加速分量的速度。此外，可以根据三个正交分量中的一个或多个正交分量来计算其他步态特征。例如，能够当利用AP分量时或者经由利用VT分量的逆摆模型来确定步长。
图8示出了针对以0.5m/s的速度行走的缓慢行走对象的所提取的正交运动分量的示例性图。横轴表示以秒[s]为单位的时间t，而纵轴表示针对各个正交运动分量的以[mg]为单位的加速度。上图指代中间-横向(ML)分量，中图指代前-后(AP)分量，并且下图指代垂直(VT)分量。
图8中的上图还示出了在平滑或低通滤波之后的中间-横向分量的迹线，由ML_LP表示。为了识别单独的迈步，能够评估ML_LP的过零点。在备选方案中或者另外地，例如AP分量的谷值，优选在平滑或一阶积分之后，能够被评估以识别单独的迈步。任选地，能够基于上升过零和下降过零来识别单独的左迈步和右迈步，有利地，在基于ML_LP的平滑之后。示例性的左迈步和右迈步由图8的上图中的L和R来表示。
图9示出了根据本发明的一方面的设备10的另一实施例的示意图。由于该实施例基于如参考图3所描述的设备10，因此，下文将仅描述差异和/或另外的方面。
在已经识别了第一运动分量之后，在此使用第一独立分量分析(ICA)单元12的ML分量，维度降低阶或降阶能够被用于找到指示对象的步行运动的一个或多个另外的运动分量(在此是VT和AP)。
所述降阶能够包括零空间块31，零空间块31适于接收第一运动分量的轴，在此是aML，并且经高通滤波的加速度计数据作为输入。零空间块31能够包括两个输出。第一输出能够是二维输出，即，子空间信号，其不再包括第一运动分量。换言之，其包含对应于所述第一运动分量的零空间的子空间信号。换言之，能够借助于投射/降阶来移除第一运动分量。这在3维空间中留下了1维零空间。零空间块31能够执行维数减少并且移除零空间(在给定范例中在ML方向上)，导致2维信号空间也被称为子空间。因此，基于经高通滤波的加速度计数据和所述第一运动分量，能够确定与所述第一运动分量正交的二维子空间。基于此，类似于由第一ICA单元12对第一运动分量的确定，能够基于所述子空间来提取第二运动分量。将参考图9和图10来描述不同的方法。
在图9中所示的实施例中，例如由第二独立分量分析(ICA)单元33通过源分离技术来提取第二运动分量，在此是AP分量。由于VT分量的自相关函数与AP分量相比较窄，如在图5中所示的，所以能够应用与参照图3所描述的相似的ICA，然而，现在基于二维子空间并且指定不同的时间滞后。在给定的范例中，时间滞后TAP被调谐到75ms以提取AP信号。因此，第二ICA单元33沿着前后轴AP提供AP轴aAP和加速度计数据作为其输出。AP轴能够作为第一输入被提供给第二比较单元34。应当理解，所述比较单元例如可以确定点积、向量积或内积，更一般而言，能够是被用于分类器中的特征值，例如，通过将特征值与一个或多个阈值进行比较，而用于将对象的运动分类为步行。
所述零空间块的第二输出能够是3×2矩阵，其通过两个三维向量来定义子空间。该3×2矩阵能够被用在后续处理块32中以计算另一子空间信号。如上文所解释的，因此，能够借助于投影或降阶来移除已经被提取或确定的第一运动分量。处理块32可以接收3×2矩阵作为第一输入，并且将由低通滤波器13提供的经低通滤波加速度计数据作为第二输入，并且基于此来计算向量积。因此，能够针对HPF信号和LPF信号两者进行加速度计数据在子空间上的投影。处理块32的输出作为第二输入被提供给第二比较单元34。
在图9中所示的实施例中，借助于比较单元34来计算点积，能够再次将AP分量的方向与重力分量的方向进行比较。能够将处理块32的输出看作重力分量在横向平面中的投影。第二比较单元34的输出能够被用作分类器单元15的第二输入，用于将对象的运动分类为步行，如上文参考图3所解释的。
图10示出了根据本发明的一方面的设备的另一实施例的示意图。由于该实施例基于如参考图3和/或图9所描述的设备10，因此下文将仅描述差异和/或附加的方面。该实施例描述了用于提取第二运动分量(在此是AP和/或VT分量)的备选方法。
针对在图10中所示的实施例，中间-横向分量的提取能够与先前的实施例中的相同。此外，处理单元10能够被配置为：基于源分离技术来提取第一运动分量；基于经高通滤波的加速度计数据和所述第一运动分量来确定与所述第一运动分量正交的二维子空间，类似于参考图9所描述的实施例。然而，作为第二ICA级的备选，处理单元10能够被配置为基于所述子空间和加速度计数据的高通滤波的范数或向量范数来提取所述第二运动分量。在块41中，计算所述加速度计数据的向量范数，并且将其提供给高通滤波器(HPF)42。所述加速度计数据的经高通滤波的范数能够被用作用于从加速度计数据中提取垂直分量的参考信号。
基于此，能够在块43中使用NLMS(归一化的最小均方)技术来找到经高通滤波的范数与经高通滤波的加速度计数据或表示没有ML分量的高通滤波的加速度计数据的零空间块31的输出之间的相关性。加速度计数据的范数与加速度计数据的垂直分量相关的原因是因为范数(没有高通滤波器)包含大的重力分量。因此，在范数中抑制与重力向量正交的所有加速度。能够通过使相关性最大化来找到VT分量。能够提供VT分量的轴aVT作为NLMS块43的输出。基于块44中的减法操作，能够获得AP加速度计数据。
换言之，图10中所示的NLMS块能够接收参考信号，诸如经高通滤波的向量范数，以及还有由所述零空间块所提供的子空间，其理想地包括经高通滤波的AP和VT加速度数据。基于此，NLMS能够执行相关，使得能够在该子空间中识别VT方向。在减去VT加速度之后，由NLMS块43提供的残差信号能够包含AP加速度数据，如在图10中所示的。
在例如通过使用NLMS提取(确定)二维子空间中的VT分量之后，能够通过块31中具有3×2零空间矩阵的二维子空间中的VT方向的向量-矩阵乘积来计算三维子空间中的VT分量。随后，能够通过计算在VT分量与ML分量之间的交叉积来确定AP方向。更一般地，能够基于第一正交运动分量和第二正交运动分量的交叉积来确定第三正交运动分量。
作为备选方案，在块45中，能够计算由零空间块31和VT轴aVT提供的3×2矩阵的向量-矩阵乘积。应当理解，块43的输出能够指示二维子空间中的VT方向aVT。块45的向量-矩阵乘积的输出能够表示三维空间中的VT方向aVT。基于此，在块46中能够计算具有ML分量的轴aML的交叉积。该块的输出给出AP分量的轴aAP，其然后能够被提供给第二比较单元34以用于与重力分量的方向进行比较。在所示实施例中，所述重力分量能够再次被提供为低通滤波器(LPF)13的输出。
图10的实施例的分类步骤能够再次类似于先前的实施例。分类器15可以检查所确定的ML和/或AP分量的方向是否与重力分量的方向正交，以将对象的运动分类为步行。
在图10中所示的解决方案相比于图9中的解决方案的优点在于能够进一步提高鲁棒性。因此，该实施例考虑了在VT与AP分量之间的归一化自相关的差异不如如在图5所图示的在ML与AP或VT分量之间的归一化自相关的差异明显。因此，NLMS(并且利用向量范数VN)能够被用作图9中所示的两级ICA方法的备选或补充。
总之，在本文中所提出的解决方案，特别是(仅)从经高通滤波的加速度计数据中提取ML分量并且将ML分量的方向与重力分量的方向进行比较，并且据此将对象的运动分类为步行，提供了可靠地确定对象(尤其是针对缓慢移动的对象)的步行运动的可能性。这对于获得病人和/或老年人的生命体征测量的背景信息是有利的。
尽管已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是说明性或示例性的而非限制性的；本发明不限于所公开的实施例。通过研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的发明时可以理解和实现所公开实施例的其他变型。
在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个元件或其他单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中叙述特定测量的仅有事实并不表示不能有利地利用这些措施的组合。
计算机程序可以被存储/分布在合适的非瞬态介质上，诸如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但是也可以以其他形式分布，诸如经由互联网或者其他有线或无线电信系统。
权利要求中的任何附图标记不应当被解释为限制范围。

Claims (15)

1.一种用于确定对象(100)的步行运动的处理装置(10)，所述处理装置被配置为执行以下步骤：
获得指示所述对象的躯干运动的加速度计数据(S21)；
对所述加速度计数据执行高通滤波以获得经高通滤波的加速度计数据；
使用源分离技术从所述经高通滤波的加速度计数据中提取多个正交运动分量中的至少一个正交运动分量(S22B)；
对所述加速度计数据执行低通滤波以获得经低通滤波的加速度计数据；
根据所述经低通滤波的加速度计数据来确定重力分量(S23B)；
将所述正交运动分量中的至少一个正交运动分量的方向与所述重力分量的方向进行比较(S24)；并且
如果所述运动分量与所述重力分量正交或平行，则将所述对象的运动分类为步行(S25)。
2.根据权利要求1所述的处理装置，所述处理装置被配置为从所述经高通滤波的加速度计数据中提取中间-横向(ML)运动分量和/或前-后(AP)运动分量。
3.根据权利要求1所述的处理装置，其中，所述源分离技术基于以下中的一项或多项：线性可预测性、盲源分离(BSS)和/或独立分量分析(ICA)。
4.根据权利要求1所述的处理装置，其中，所述源分离技术适于：特别是通过使在预定时间滞后处的自相关最大化，基于正交分量的时间结构来分离所述正交分量中的至少一个正交分量。
5.根据权利要求4所述的处理装置，其中，所述源分离技术适于使在预定时间滞后处的自相关最大化，其中，所述时间滞后在100ms与500ms之间，优选在150ms与400ms之间，优选在200ms与350ms之间。
6.根据权利要求4所述的处理装置，所述处理装置被配置为基于源分离技术来提取第一正交运动分量，其中，所述源分离技术适于使在第一预定时间滞后处的自相关最大化；并且所述处理装置还被配置为基于源分离技术来提取第二正交运动分量，其中，所述源分离技术适于使在第二预定时间滞后处的自相关最大化。
7.根据权利要求1所述的处理装置，其中，提取多个正交运动分量中的至少一个正交运动分量的步骤包括：
基于源分离技术来提取第一运动分量；
基于所述经高通滤波的加速度计数据和所述第一运动分量来确定与所述第一运动分量正交的二维子空间；并且
基于所述子空间来提取第二运动分量。
8.根据权利要求7所述的处理装置，所述处理装置被配置为基于所述加速度计数据的高通滤波的范数和所述子空间来提取所述第二运动分量。
9.根据权利要求1所述的处理装置，其中，在将所述对象的运动分类为步行的步骤中，如果所述运动分量与所述重力分量的点积的绝对值低于预定阈值，则所述运动分量被认为与所述重力分量正交。
10.根据权利要求1所述的处理装置，所述处理装置还被配置为执行基于所提取的所述至少一个正交运动分量来对所述加速度计数据进行校准的步骤。
11.根据权利要求1所述的处理装置，所述处理装置还被配置为执行基于所提取的所述至少一个正交运动分量来识别步行期间的单独的迈步和/或识别步行期间的步态参数的步骤。
12.根据权利要求11所述的处理装置，所述处理装置被配置为基于中间-横向运动分量的上升过零点和下降过零点和/或基于垂直运动分量或前-后运动分量中的谷值来识别单独的左迈步和右迈步。
13.一种用于确定对象的步行运动的系统(1)，所述系统包括：
加速度计(5)，其用于采集指示所述对象的躯干运动的加速度计数据；以及
根据权利要求1所述的用于确定所述对象的步行运动的处理装置(10)。
14.一种用于确定对象的步行运动的方法(20)，所述方法包括以下步骤：
获得指示所述对象的躯干运动的加速度计数据(S21)；
对所述加速度计数据执行高通滤波以获得经高通滤波的加速度计数据(S22A)；
使用源分离技术从所述经高通滤波的加速度计数据中提取多个正交运动分量中的至少一个正交运动分量(S22B)；
对所述加速度计数据执行低通滤波以获得经低通滤波的加速度计数据(S22B)；
根据所述经低通滤波的加速度计数据来确定重力分量(S23B)；
将所述正交运动分量中的至少一个正交运动分量的方向与所述重力分量的方向进行比较(S24)；并且
如果所述运动分量与所述重力分量正交或平行，则将所述对象的运动分类为步行(S25)。
15.一种包括程序代码模块的计算机程序，当所述计算机程序在计算机上被执行时，所述程序代码模块用于使所述计算机执行根据权利要求14所述的方法的步骤。
CN201780041012.0A 2016-08-09 2017-08-09 用于确定对象的步行运动的处理装置和方法 Active CN109414188B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16183332.2 2016-08-09
EP16183332 2016-08-09
PCT/EP2017/070245 WO2018029275A1 (en) 2016-08-09 2017-08-09 Processing apparatus and method for determining an ambulation motion of a subject

Publications (2)

Publication Number Publication Date
CN109414188A true CN109414188A (zh) 2019-03-01
CN109414188B CN109414188B (zh) 2020-09-29

Family

ID=56802253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780041012.0A Active CN109414188B (zh) 2016-08-09 2017-08-09 用于确定对象的步行运动的处理装置和方法

Country Status (6)

Country Link
US (1) US20190282128A1 (zh)
EP (1) EP3442403B1 (zh)
JP (1) JP6629485B2 (zh)
CN (1) CN109414188B (zh)
RU (1) RU2715438C1 (zh)
WO (1) WO2018029275A1 (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662082A (zh) * 2010-11-05 2012-09-12 拉碧斯半导体株式会社 运动检测装置、电子设备、运动检测方法以及程序
CN103308068A (zh) * 2012-03-15 2013-09-18 精工爱普生株式会社 状态检测装置、电子设备、测定系统及状态检测方法
CN104135911A (zh) * 2012-01-09 2014-11-05 因文森斯公司 多轴线活动监测装置中的活动分类
US20150066422A1 (en) * 2013-09-05 2015-03-05 Qualcomm Incorporated Half step frequency feature for reliable motion classification
CN104757976A (zh) * 2015-04-16 2015-07-08 大连理工大学 一种基于多传感器融合的人体步态分析方法和系统
CN104950140A (zh) * 2014-03-27 2015-09-30 拉碧斯半导体株式会社 运动检测装置、移动终端装置以及运动检测方法
US20150272480A1 (en) * 2012-12-12 2015-10-01 Fujitsu Limited Acceleration sensor output processing program, processing method, processing apparatus, and gait assessment program
US9523706B2 (en) * 2008-06-12 2016-12-20 Cardiac Pacemakers, Inc. Posture sensor automatic calibration

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5721710A (en) * 1995-09-29 1998-02-24 Atlantic Richfield Company High fidelity vibratory source seismic method with source separation
US6813582B2 (en) * 2002-07-31 2004-11-02 Point Research Corporation Navigation device for personnel on foot
US20080082018A1 (en) 2003-04-10 2008-04-03 Sackner Marvin A Systems and methods for respiratory event detection
US20080021336A1 (en) * 2006-04-24 2008-01-24 Dobak John D Iii Devices and methods for accelerometer-based characterization of cardiac synchrony and dyssynchrony
US7471290B2 (en) * 2005-11-18 2008-12-30 Cardiac Pacemakers, Inc. Posture detection system
US7467060B2 (en) * 2006-03-03 2008-12-16 Garmin Ltd. Method and apparatus for estimating a motion parameter
US8055469B2 (en) 2006-03-03 2011-11-08 Garmin Switzerland Gmbh Method and apparatus for determining the attachment position of a motion sensing apparatus
US9775529B2 (en) * 2009-06-17 2017-10-03 Sotera Wireless, Inc. Body-worn pulse oximeter
US9632981B2 (en) 2012-07-12 2017-04-25 Vital Connect, Inc. Calibration of a chest-mounted wireless sensor device for posture and activity detection
JP6253660B2 (ja) * 2012-11-30 2017-12-27 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． ユーザの転倒リスクを推定するコンピュータプログラム、装置、デバイス及びシステム
US10285628B2 (en) * 2014-02-28 2019-05-14 Microstone Corporation Method for detecting ambulatory status and device for detecting ambulatory status
US11308783B2 (en) * 2019-05-29 2022-04-19 Medtronic, Inc. Medical device for fall detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9523706B2 (en) * 2008-06-12 2016-12-20 Cardiac Pacemakers, Inc. Posture sensor automatic calibration
CN102662082A (zh) * 2010-11-05 2012-09-12 拉碧斯半导体株式会社 运动检测装置、电子设备、运动检测方法以及程序
CN104135911A (zh) * 2012-01-09 2014-11-05 因文森斯公司 多轴线活动监测装置中的活动分类
CN103308068A (zh) * 2012-03-15 2013-09-18 精工爱普生株式会社 状态检测装置、电子设备、测定系统及状态检测方法
US20150272480A1 (en) * 2012-12-12 2015-10-01 Fujitsu Limited Acceleration sensor output processing program, processing method, processing apparatus, and gait assessment program
US20150066422A1 (en) * 2013-09-05 2015-03-05 Qualcomm Incorporated Half step frequency feature for reliable motion classification
CN104950140A (zh) * 2014-03-27 2015-09-30 拉碧斯半导体株式会社 运动检测装置、移动终端装置以及运动检测方法
CN104757976A (zh) * 2015-04-16 2015-07-08 大连理工大学 一种基于多传感器融合的人体步态分析方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汪云甲等: "基于盲源分离的脊柱波提取方法", 《中国惯性技术学报》 *

Also Published As

Publication number Publication date
EP3442403A1 (en) 2019-02-20
EP3442403B1 (en) 2019-10-09
CN109414188B (zh) 2020-09-29
RU2715438C1 (ru) 2020-02-28
US20190282128A1 (en) 2019-09-19
WO2018029275A1 (en) 2018-02-15
JP2019524300A (ja) 2019-09-05
JP6629485B2 (ja) 2020-01-15

Similar Documents

Publication Publication Date Title
Lugade et al. Validity of using tri-axial accelerometers to measure human movement—Part I: Posture and movement detection
US10335080B2 (en) Biomechanical activity monitoring
CN102753095B (zh) 用于确定呼吸信号的方法和设备
CN109069066A (zh) 可穿戴和连接的步态分析系统
Wagenaar et al. Continuous monitoring of functional activities using wearable, wireless gyroscope and accelerometer technology
US20200205698A1 (en) Systems and methods to assess balance
US20190320944A1 (en) Biomechanical activity monitoring
JP2020120807A (ja) 転倒リスク評価装置、転倒リスク評価方法及び転倒リスク評価プログラム
Baroudi et al. Estimating walking speed in the wild
WO2014153665A1 (en) System and method for monitoring a subject
Del Din et al. Accelerometer-based gait assessment: pragmatic deployment on an international scale
Johnson et al. Estimation of three-dimensional thoracoabdominal displacements during respiration using inertial measurement units
Giuberti et al. Linking UPDRS scores and kinematic variables in the leg agility task of Parkinsonians
Friedman et al. Estimation of accelerometer orientation for activity recognition
Sama et al. Time series analysis of inertial-body signals for the extraction of dynamic properties from human gait
Nguyen et al. Human gait symmetry assessment using a depth camera and mirrors
Lattanzi et al. Standing balance assessment by measurement of body center of gravity using smartphones
CN109414188A (zh) 用于确定对象的步行运动的处理装置和方法
Biswas et al. On fall detection using smartphone sensors
Wada et al. Improvement research of shoe-type measurement device for a walking rehabilitation support system
Parisi et al. Low-complexity inertial sensor-based characterization of the UPDRS score in the gait task of parkinsonians
WO2020072666A1 (en) Method and system for assessing human movements
Mannini et al. Healthcare and accelerometry: applications for activity monitoring, recognition, and functional assessment
Sukhadia et al. IMU-Based Approach to Detect Spastic Cerebral Palsy in Infants at Early Stages
Yumang et al. Analyzing Effects of Daily Activities on Sitting Posture Using Sensor Fusion with Mahony Filter

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