CN109620184A - 手机-可穿戴设备一体式人体突发伤害实时监测报警方法 - Google Patents

手机-可穿戴设备一体式人体突发伤害实时监测报警方法 Download PDF

Info

Publication number
CN109620184A
CN109620184A CN201910085075.7A CN201910085075A CN109620184A CN 109620184 A CN109620184 A CN 109620184A CN 201910085075 A CN201910085075 A CN 201910085075A CN 109620184 A CN109620184 A CN 109620184A
Authority
CN
China
Prior art keywords
data
mobile phone
human body
module
real
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
CN201910085075.7A
Other languages
English (en)
Inventor
李岩锋
高俊波
孙伟
白静静
高楚瑶
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 Maritime University
Original Assignee
Shanghai Maritime University
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 Maritime University filed Critical Shanghai Maritime University
Priority to CN201910085075.7A priority Critical patent/CN109620184A/zh
Publication of CN109620184A publication Critical patent/CN109620184A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • 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
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
    • A61B5/747—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network in case of emergency, i.e. alerting emergency services
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Business, Economics & Management (AREA)
  • Critical Care (AREA)
  • Emergency Management (AREA)
  • Emergency Medicine (AREA)
  • Nursing (AREA)
  • Pulmonology (AREA)
  • Telephone Function (AREA)

Abstract

本发明公开了一种手机‑可穿戴设备一体式人体突发伤害实时监测报警方法，通过处理采集的手机内置传感器数据进行姿态解算，判断用户是否突然摔倒，同时通过对手机摄像头获取的图像进行分析，验证判断结果，之后采集穿戴设备监测到的用户的脉搏与血压数据，分析用户生命体征状况，判断其是否受到伤害，建立数学模型，对受伤害程度进行量化计算，若超过阈值，则呼叫联系人电话并发送地图定位，之后将相关数据上传至服务器进行建模分析，针对个体用户优化各项判断阈值，不断提高判断的准确度。本发明可以对用户是否遭受突发事件受到伤害做出高准确度的判断，量化用户受伤害程度，并及时向联系人发出警报，便于救治。

Description

手机-可穿戴设备一体式人体突发伤害实时监测报警方法
技术领域
本发明涉及人体健康状态监测领域，特别涉及一种手机-可穿戴设备一体式人体突发伤害实时监测报警方法。
背景技术
随着经济的高速发展，社会老龄化程度不断加深，家庭人口结构也出现了变化，老年人独居的现象变得越来越普遍。因而其发生突发伤害事件的几率也大大增加，同时其发生意外之后往往不能被及时发现并施救，导致伤势加深恶化，严重时危及生命。故对老人的健康状态进行实时监测、在遭遇突发事件时能够及时报警，逐渐成为老人监护中亟待解决的重要问题。
如今市面上的相关电子医疗器械层出不穷，但大多数都需要用户人工操作，对使用者要求较高。对于普通的可穿戴设备，往往又因其种类繁杂，功能不够全面、不够智能，无法达到令人满意的使用效果。
智能手环作为一种可穿戴设备具有轻巧、穿戴舒适等特点，其穿戴位置为手腕，非常适合监测人体的脉搏、血压等参数。但其由于平台的局限性，都是独立工作，功能大多数都较为单一。另一方面，现有的相关医疗器械仅是对人体的健康状态进行监测，在遭受突发事件，影响健康时，无法及时报警，且针对不同的用户无法提供个性化的服务，造成对人体健康状态判断的失误，其使用效果不尽如人意。
发明内容
本发明的目的在于提供一种手机-可穿戴设备一体式人体突发伤害实时监测报警方法，可以对用户是否遭受突发事件受到伤害做出高准确度的判断，量化用户受伤害程度，并及时向联系人发出警报，便于救治。
为了达到上述目的，本发明通过以下技术方案实现：
一种手机-可穿戴设备一体化的人体突发伤害实时监测报警方法，该方法包含：
步骤1、在手机终端通过手机内置传感器数据采集模块对手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据进行高速采集；
步骤2、基于所述步骤1中采集的手机数据进行坐标转换和人体姿态解算；
步骤3、通过图像识别模块自动打开手机摄像头，拍摄并获取运动模糊图像，并利用图像识别模块对图像进行处理与分析；
步骤4、采集穿戴设备数据并进行传输与处理；
步骤5、量化受伤害程度；
步骤6、向预设联系人发出警报；
步骤7、对上传至服务器的数据进行建模，分析用户的数据特性，并依照用户实际情况进行自动优化。
优选地，所述步骤1中，采样频率为100HZ。
优选地，所述步骤2中进一步包含：
S21、坐标转换：
根据手机内置传感器数据采集模块采集的磁场传感器数据，将机身三维坐标转换为真实世界三维坐标，即人体三维坐标；其中，以人体躯干为基准，x轴方向为躯干正前方，y轴为躯干正左方，z轴为躯干正上方，且x，y，z轴相互垂直，则人体任意方向运动都可以分解为这三个方向上的分量：在x轴方向的加速度为ax，在y轴方向上的加速度为ay，在z轴方向的加速度为az，则人体加速度向量为人体运动的运动角速度在三个方向上可分为：绕x轴为wx，绕y轴为wy，绕z轴为wz，则人体的角速度向量是
S22、人体姿态解算：
基于手机内置的磁场传感器、加速度传感器、陀螺仪数据的姿态解算算法流程为：
S22.1、对手机内置加速度传感器产生的ax,ay,az及陀螺仪产生的wx,wy,wz数据进行加载；
S22.2、计算单位时间内的合加速度和合角速度，即和将其载入待处理的数组中，构建动态链表；
S22.3、处理设定时间t1内产生的合加速度数组，先判断合加速度的模是否大于合加速度阈值ath，若是，则判断进入步骤S22.4，若否，则继续判断该设定时间t1内的合加速度，直到数组中元素判断结束，返回步骤S22.1；
S22.4、处理设定时间t2内产生的合角速度数组，先判断合角速度的模是否大于合角速度阈值wth，若是，则转入步骤S22.5中，若否，则继续判断设定时间t2内的合角速度，直到数组判断结束，返回步骤S22.1，继续检测；
S22.5、判断当前设定时间t3内垂直方向的加速度方向，若向下，则转入步骤S22.6，同时启动步骤3，否则，返回步骤S22.1；
S22.6、读取设定时间t4内产生的若干条数据，数据记为Nn，n为数据条数；
S22.7、对n条数据进行线性拟合，利用最小二乘法拟合y＝ax+b得到线性拟合离散点Cn，利用公式求出相似度S，其中，Ni为数据样本点，即第i条数据，Ci为拟合数据样本点，即第i个线性拟合离散点，i＝1,2,3,…,n；S22.8、相似度阈值为Sth，判断S＞Sth，若成立，则转入步骤3，否则返回步骤S22.1。
优选地，所述步骤3中进一步包含：
S31、在所述步骤S22.5初步启动步骤3时，通过图像识别模块自动打开手机摄像头，拍摄并获取运动模糊图像；
S32、通过图像识别模块对图像进行处理与分析，具体如下：
S32.1、对模糊图像进行边界处理；
S32.2、计算步骤S32.1处理后的图像的幅度谱，进行二值化以求得更清晰线条；
S32.3、对步骤S32.2、处理后的图像进行Radon变换，求标准差曲线图；
S32.4、提取对应的峰值点Angelmove，即运动模糊方向的对应角度；
S33、验证摔倒：判断Angelmove是否大于阈值Angelth，若是，则确认发生严重摔倒，若否，则返回所述步骤2。
优选地，所述步骤4中进一步包含：
利用脉搏数据采集模块和血压数据采集模块读取脉搏数据和血压数据，通过数据传输模块传输至服务器并处理数据，进行生命体征分析：判断脉搏P的值是否处在[Pmin，Pmax]区间内，返回结果BOOL_P；判断血压BP的所处区间，收缩压SYS是否处在[SYSmin，SYSmax]区间内，返回结果BOOL_SYS，其中，SYSmax为收缩压区间上界，SYSmin为收缩压区间下界；舒张压是否处在[DIAmin，DIAmax]内，返回结果BOOL_DIA，其中，DIAmax为舒张压区间上界，DIAmin为舒张压区间下界；并计算BOOL_WEAR＝BOOL_P||(BOOL_SYS&BOOL_DIA)，若BOOL_WEAR＝1，则初步判断为受到伤害，若BOOL_WEAR＝0，则判断为无伤害，返回所述步骤2。
优选地，所述步骤5中进一步包含：
S51、数据建模：
S51.1、以合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA的7项特征构建特征向量，并建立线性的伤害程度量化模型y＝b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6+b7x7，其中，x1，x2，…，x7分别为7项特征数据，b1，b2，…，b7分别为7项特征对应的常数系数；
S51.2、以上述7项特征的变异程度确定各自的客观权重，将各特征的数据进行标准化处理，计算各特征的信息熵Ei，并根据公式Wi＝(1-Ei)/(k-∑Ei)，计算各特征的权重，得到受伤害程度的量化计算模型，其中，Wi为某一特征的权重，Ei为某一特征的信息熵，k为特征数；
S52、计算受伤害程度量化值：根据采集到的合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA的数据，调用模型，计算受伤害程度量化值Value_hurt与受伤害程度量化值阈值Value_hurtth的关系，若Value_hurt>Value_hurtth，则转到所述步骤6，否则返回所述步骤2。
优选地，所述步骤6中进一步包含：向预设联系人发出警报，拨打电话并发送地图定位，所述地图定位为百度地图显示的位置，并以短信形式发送至紧急联系人的手机。
优选地，所述步骤7中进一步包含：
以上传至服务器的数据中合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA和受伤害程度量化值Value_hurt8项数据项构造特征向量，以是否发生突发伤害的事实结果作为标签，形成相应的数据集；
使用决策树方法训练二分类模型，在训练时，针对上述8项特征，合并连续值属性，训练完成后，将每项特征的最佳分裂点作为阈值的最优值返回，在手机端实时更新算法中相应的阈值。
本发明还提供了一种采用如上文所述的手机-可穿戴设备一体化的人体突发伤害实时监测报警方法的人体突发伤害实时监测报警系统，该系统包括：
手机终端，其采集手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据，并基于所采集的数据进行实时人体姿态解算并判断是否发生严重摔倒，以及基于手机摄像头采集图像并进行识别并验证是否发生严重摔倒的判断结果；
可穿戴设备终端，其采集人体脉搏数据并判断是否处于正常区间内，以及采集人体血压数据并进行处理并判断是否处于正常区间内；
服务器，其分别与所述手机终端和所述可穿戴设备终端通信连接，所述服务器接收所述服务器输出的采集数据与处理结果，以及接收所述可穿戴设备终端输出的采集数据与处理结果，并做综合判断，所述服务器还向紧急联系人发出警报并发送地图定位以及基于数据针对个体用户做个性化优化。
优选地，所述手机终端包括手机内置传感器数据采集模块、数据处理模块、图像识别模块和数据传输模块；所述手机内置传感器数据采集模块用于采集手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据；所述数据处理模块负责基于采集的数据进行实时人体姿态解算，判断是否发生严重摔倒；所述图像识别模块负责基于手机摄像头采集图像并进行识别，验证所述数据处理模块的判断结果；所述数据传输模块负责将所述手机终端采集的数据与处理结果上传至所述服务器；
和/或，所述可穿戴设备终端包括脉搏数据采集模块、血压数据采集模块和数据传输模块，所述脉搏数据采集模块负责采集人体脉搏数据，并判断是否处于正常区间内；所述血压数据采集模块负责采集人体血压数据并进行处理，并判断是否处于正常区间内；所述数据传输模块负责将所述可穿戴设备终端采集的数据与处理结果上传至所述服务器；
和/或，所述服务器包括数据综合处理模块、报警模块、数据建模分析模块；所述数据综合处理模块负责对所述手机终端和所述可穿戴设备终端的数据处理结果做综合判断；所述报警模块负责向紧急联系人发出警报并发送地图定位；所述数据建模分析模块负责基于数据针对个体用户做个性化优化。
与现有技术相比，本发明的有益效果为：(1)本发明的数据采集速度高，因而具有很好的灵敏度和特异度；(2)本发明采用人体姿态变化与生命体征相结合的判断方式，判断人体是否受到伤害，具有很高的精确度；(3)本发明的人体姿态判断部分采用基于运动参数的姿态解算与视觉技术相结合的方法，具有很高的精确度；(4)本发明随着用户使用时间的增长，数据会不断地丰富，会基于数据分析不断地针对个体用户优化阈值，不断提高监测判断的精确度。
附图说明
图1为本发明的手机-可穿戴设备一体化系统结构图；
图2为本发明的人体突发伤害实时监测报警方法流程图；
图3为本发明的姿态解算算法流程图；
图4为本发明的生命体征分析算法流程图。
具体实施方式
为了使本发明更加明显易懂，以下结合附图和具体实施方式对本发明做进一步说明。
如图1-图4，本发明公开了一种手机-可穿戴设备一体化系统，该系统包括手机终端1、可穿戴设备终端2、服务器3，手机终端1与服务器3通信连接，可穿戴设备终端2与服务器3通信连接。
手机终端1包括手机内置传感器数据采集模块11、数据处理模块12、图像识别模块13和数据传输模块14。其中，手机内置传感器数据采集模块11负责对手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据进行高速采集；数据处理模块12负责基于采集的数据进行实时人体姿态解算，判断是否发生严重摔倒；图像识别模块13负责基于手机摄像头采集图像并进行识别，验证数据处理模块12的判断结果；数据传输模块14负责将手机终端1采集的数据与处理结果上传至服务器3。
可穿戴设备终端2包括脉搏数据采集模块21、血压数据采集模块22、数据传输模块23。其中，脉搏数据采集模块21负责采集人体脉搏数据(即人体的脉搏频率)，并判断是否处于正常区间内(如通常人体的正常脉搏频率范围)；血压数据采集模块22负责采集人体血压数据并进行处理，并判断是否处于正常区间内(如通常人体的正常血压数据范围)；数据传输模块23负责将可穿戴设备终端2采集的数据与处理结果上传至服务器3。
服务器3包括数据综合处理模块31、报警模块32、数据建模分析模块33。数据综合处理模块31负责对手机终端1和可穿戴设备终端2的数据处理结果做综合判断；报警模块32负责向紧急联系人发出警报并发送地图定位；数据建模分析模块33负责基于数据针对个体用户做个性化优化，因为每个人的身体状况不一样，有些人正常情况下脉搏快一点，有些人慢一点，这就需要对上传的数据进行建模分析，通过分析结果将阈值自动设定为符合每个人实际身体状况的值。
本发明的手机-可穿戴设备一体化的人体突发伤害实时监测报警方法，包括以下步骤：
步骤1、采集手机内置传感器数据
在手机终端通过手机内置传感器数据采集模块对手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据进行高速采集，磁场传感器用于实现机身三维坐标转换，加速度传感器产生运动的加速度数据，陀螺仪传感器产生角速度数据；采样频率为100HZ，在该频率下所采集的数据可以很好地对运动情况进行复现，且不会占用太大内存，能够保持手机软件流畅运行。
步骤2、手机数据处理
S21、坐标转换：
根据手机内置传感器数据采集模块采集的磁场传感器数据，将机身三维坐标转换为真实世界三维坐标，即人体三维坐标。其中，以人体躯干为基准，x轴方向为躯干正前方，y轴为躯干正左方，z轴为躯干正上方，且x，y，z轴相互垂直，则人体任意方向运动都可以分解为这三个方向上的分量：在x轴方向的加速度为ax，在y轴方向上的加速度为ay，在z轴方向的加速度为az，则人体加速度向量为人体运动的运动角速度在三个方向上可分为：绕x轴为wx，绕y轴为wy，绕z轴为wz，则人体的角速度向量是
S22、人体姿态解算：
图3是基于手机内置的磁场传感器、加速度传感器、陀螺仪数据的姿态解算算法流程图，本实施的流程为：
S22.1、对手机内置加速度传感器产生的ax,ay,az及陀螺仪产生的wx,wy,wz数据(其是沿着x、y、z三个坐标轴的角速度)进行加载。
S22.2、计算单位时间内的合加速度和合角速度，即和将其载入待处理的数组中，构建动态链表，其中，动态链表是一种在计算机编写程序时的常用数据结构。
S22.3、处理设定时间t1内(如1s内)产生的合加速度数组，先判断合加速度的模是否大于合加速度阈值ath(其初始设定是一般人摔倒时的加速度值)，若大于，则判断进入步骤S22.4，否则继续判断该t1时间内(如1s内)的合加速度，直到数组中元素判断结束，返回步骤S22.1。
S22.4、处理设定时间t2内(如1s内)产生的合角速度数组，先判断合角速度的模是否大于合角速度阈值wth，若大于，则转入步骤S22.5中，否则继续判断该t2时间内(1s内)的合角速度，直到数组判断结束，返回步骤S22.1，继续检测。
S22.5、判断当前设定时间t3内(如0.5s内)垂直方向的加速度方向，若向下，则转入步骤S22.6，同时启动步骤3，否则返回步骤S22.1。
S22.6、读取当前设定时间t4内(如4s内)产生的若干条数据(如400条数据)，数据记为Nn，n为数据条数。
S22.7、对n条数据进行线性拟合，利用最小二乘法拟合y＝ax+b得到线性拟合离散点Cn，利用公式求出相似度S，其中，Ni为数据样本点，即第i条数据，Ci为拟合数据样本点，即第i个线性拟合离散点，i＝1,2,3,…,n。
S22.8、设定相似度阈值Sth，判断S＞Sth，若成立，则转入步骤3，否则返回步骤S22.1。
步骤3、采集手机摄像头的图像数据并分析
S31、获取手机摄像头拍摄的图像：
在步骤S22.5初步启动步骤3时，通过图像识别模块自动打开手机摄像头，拍摄并获取运动模糊图像。
S32、图像分析：
通过图像识别模块对图像进行处理与分析，如下：
S32.1、对模糊图像进行边界处理；
S32.2、计算处理后的图像的幅度谱，进行二值化以求得更清晰线条；
S32.3、对处理后的图像进行Radon变换，求标准差曲线图；
S32.4、经最终处理后提取对应的峰值点Angelmove，即运动模糊方向的对应角度。
S33、验证摔倒：判断运动角度Angelmove是否大于运动角度阈值Angelth(其初始为一般摔倒时的角速度，根据实际数据自动设定)，若是，则确认发生严重摔倒，否则，返回步骤2。
步骤4、采集穿戴设备数据并进行传输与处理
图4是生命体征分析算法流程图，本实施的流程为：
通过脉搏数据采集模块和血压数据采集模块读取脉搏数据和血压数据，通过数据传输模块传输至服务器，对该数据进行处理，进行生命体征分析。判断脉搏P的值是否处在[Pmin，Pmax]区间内，返回结果BOOL_P；判断血压BP的所处区间，收缩压SYS是否处在[SYSmin，SYSmax]区间内，返回结果BOOL_SYS，，其中，SYSmax为收缩压区间上界，SYSmin为收缩压区间下界；舒张压DIA是否处在[DIAmin，DIAmax]内，返回结果BOOL_DIA，其中，DIAmax为舒张压区间上界，DIAmin为舒张压区间下界，并计算
BOOL_WEAR＝BOOL_P||(BOOL_SYS&BOOL_DIA)，若BOOL_WEAR＝1，则初步判断为受到伤害，若BOOL_WEAR＝0，则判断为无伤害，返回步骤2，其中，BOOL_WEAR是逻辑运算，运算结果只有1和0两种。
步骤5、量化受伤害程度
S51、数据建模：
S51.1、以合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA等7项特征构建特征向量。建立线性的伤害程度量化模型y＝b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6+b7x7，其中，x1，x2，…，x7分别为7项特征数据，b1，b2，…，b7分别为7项特征对应的常数系数。
S51.2、以7项特征的变异程度确定各自的客观权重，首先将各特征的数据进行标准化处理，计算各特征的信息熵Ei；根据公式Wi＝(1-Ei)/(k-∑Ei)，计算各特征的权重，得到受伤害程度的量化计算模型，其中，Wi为某一特征的权重，Ei为某一特征的信息熵，k为特征数。
S52、计算受伤害程度量化值：
根据采集到的七项数据(即所述步骤S51.1中合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS和舒张压DIA)，调用模型，计算受伤害程度量化值Value_hurt与受伤害程度量化值阈值Value_hurtth的关系，若Value_hurt>Value_hurtth，则转到步骤6，否则返回步骤2。
步骤6、发出警报
向预设联系人发出警报，拨打电话并发送地图定位，地图定位为百度地图显示的位置，以短信形式发送至紧急联系人的手机。
步骤7、优化服务
本实施对上传至服务器的数据进行建模，即根据这些数据使用机器学习方法训练模型，分析该用户的数据特性，优化监测水平，提高判断精度，使服务更加个性化，其中，所述优化监测水平是指通过模型进行各项阈值的个性化优化，使阈值更符合每个个体的实际身体状况。
(1)以上传至服务器的数据中合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA和受伤害程度量化值Value_hurt8项数据构造特征向量，以是否发生突发伤害的事实结果作为标签，形成相应的数据集。
(2)使用C4.5决策树训练二分类模型，在训练时，针对上述8项特征，合并连续值属性，训练完成后，将每项特征的最佳分裂点作为阈值的最优值返回，在手机端实时更新算法中相应的阈值。
综上所述，本发明公开了一种手机-可穿戴设备一体化的人体突发伤害实时监测报警方法，通过处理采集的手机内置传感器数据进行姿态解算，判断用户是否突然摔倒，同时通过对手机摄像头获取的图像进行分析，验证判断结果，之后采集穿戴设备监测到的用户的脉搏与血压数据，分析用户生命体征状况，判断其是否受到伤害，建立数学模型，对受伤害程度进行量化计算，若超过阈值，则呼叫联系人电话并发送地图定位，之后将相关数据上传至服务器进行建模分析，针对个体用户优化各项判断阈值，不断提高判断的准确度。本发明可以对用户是否遭受突发事件受到伤害做出高准确度的判断，量化用户受伤害程度，并及时向联系人发出警报，便于救治。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种手机-可穿戴设备一体化的人体突发伤害实时监测报警方法，其特征在于，该方法包含：
步骤1、在手机终端通过手机内置传感器数据采集模块对手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据进行高速采集；
步骤2、基于所述步骤1中采集的手机数据进行坐标转换和人体姿态解算；
步骤3、通过图像识别模块自动打开手机摄像头，拍摄并获取运动模糊图像，并利用图像识别模块对图像进行处理与分析；
步骤4、采集穿戴设备数据并进行传输与处理；
步骤5、量化受伤害程度；
步骤6、向预设联系人发出警报；
步骤7、对上传至服务器的数据进行建模，分析用户的数据特性，并依照用户实际情况进行自动优化。
2.如权利要求1所述的人体突发伤害实时监测报警方法，其特征在于，所述步骤1中，采样频率为100HZ。
3.如权利要求1所述的人体突发伤害实时监测报警方法，其特征在于，所述步骤2中进一步包含：
S21、坐标转换：
根据手机内置传感器数据采集模块采集的磁场传感器数据，将机身三维坐标转换为真实世界三维坐标，即人体三维坐标；其中，以人体躯干为基准，x轴方向为躯干正前方，y轴为躯干正左方，z轴为躯干正上方，且x，y，z轴相互垂直，则人体任意方向运动都可以分解为这三个方向上的分量：在x轴方向的加速度为ax，在y轴方向上的加速度为ay，在z轴方向的加速度为az，则人体加速度向量为人体运动的运动角速度在三个方向上可分为：绕x轴为wx，绕y轴为wy，绕z轴为wz，则人体的角速度向量是
S22、人体姿态解算：
基于手机内置的磁场传感器、加速度传感器、陀螺仪数据的姿态解算算法流程为：
S22.1、对手机内置加速度传感器产生的ax，ay，az及陀螺仪产生的wx，wy，wz数据进行加载；
S22.2、计算单位时间内的合加速度和合角速度，即和将其载入待处理的数组中，构建动态链表；
S22.3、处理设定时间t1内产生的合加速度数组，先判断合加速度的模是否大于合加速度阈值ath，若是，则判断进入步骤S22.4，若否，则继续判断该设定时间t1内的合加速度，直到数组中元素判断结束，返回步骤S22.1；
S22.4、处理设定时间t2内产生的合角速度数组，先判断合角速度的模是否大于合角速度阈值wth，若是，则转入步骤S22.5中，若否，则继续判断设定时间t2内的合角速度，直到数组判断结束，返回步骤S22.1，继续检测；
S22.5、判断当前设定时间t3内垂直方向的加速度方向，若向下，则转入步骤S22.6，同时启动步骤3，否则，返回步骤S22.1；
S22.6、读取设定时间t4内产生的若干条数据，数据记为Nn，n为数据条数；
S22.7、对n条数据进行线性拟合，利用最小二乘法拟合y＝ax+b得到线性拟合离散点Cn，利用公式求出相似度S，其中，Ni为数据样本点，即第i条数据，Ci为拟合数据样本点，即第i个线性拟合离散点，i＝1，2，3，…，n；
S22.8、相似度阈值为Sth，判断S＞Sth，若成立，则转入步骤3，否则返回步骤S22.1。
4.如权利要求3所述的人体突发伤害实时监测报警方法，其特征在于，所述步骤3中进一步包含：
S31、在所述步骤S22.5初步启动步骤3时，通过图像识别模块自动打开手机摄像头，拍摄并获取运动模糊图像；
S32、通过图像识别模块对图像进行处理与分析，具体如下：
S32.1、对模糊图像进行边界处理；
S32.2、计算步骤S32.1处理后的图像的幅度谱，进行二值化以求得更清晰线条；
S32.3、对步骤S32.2、处理后的图像进行Radon变换，求标准差曲线图；
S32.4、提取对应的峰值点Angelmove，即运动模糊方向的对应角度；
S33、验证摔倒：判断Angelmove是否大于阈值Angelth，若是，则确认发生严重摔倒，若否，则返回所述步骤2。
5.如权利要求4所述的人体突发伤害实时监测报警方法，其特征在于，所述步骤4中进一步包含：
利用脉搏数据采集模块和血压数据采集模块读取脉搏数据和血压数据，通过数据传输模块传输至服务器并处理数据，进行生命体征分析：判断脉搏P的值是否处在[Pmin，Pmax]区间内，返回结果BOOL_P；判断血压BP的所处区间，收缩压SYS是否处在[SYSmin，SYSmax]区间内，返回结果BOOL_SYS，其中，SYSmax为收缩压区间上界，SYSmin为收缩压区间下界；舒张压是否处在[DIAmin，DIAmax]内，返回结果BOOL_DIA，其中，DIAmax为舒张压区间上界，DIAmin为舒张压区间下界；并计算BOOL_WEAR＝BOOL_P||(BOOL_SYS&BOOL_DIA)，若BOOL_WEAR＝1，则初步判断为受到伤害，若BOOL_WEAR＝0，则判断为无伤害，返回所述步骤2。
6.如权利要求5所述的人体突发伤害实时监测报警方法，其特征在于，所述步骤5中进一步包含：
S51、数据建模：
S51.1、以合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA的7项特征构建特征向量，并建立线性的伤害程度量化模型y＝b0+b1+b2x2+b3x3+b4x4+b5x5+b6x6+b7x7，其中，x1，x2，…，x7分别为7项特征数据，b1，b2，…，b7分别为7项特征对应的常数系数；
S51.2、以上述7项特征的变异程度确定各自的客观权重，将各特征的数据进行标准化处理，计算各特征的信息熵Ei，并根据公式Wi＝(1-Ei)/(k-∑Ei)，计算各特征的权重，得到受伤害程度的量化计算模型，其中，Wi为某一特征的权重，Ei为某一特征的信息熵，k为特征数；
S52、计算受伤害程度量化值：根据采集到的合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA的数据，调用模型，计算受伤害程度量化值Value_hurt与受伤害程度量化值阈值Value_hurtth的关系，若Value_hurt＞Value_hurtth，则转到所述步骤6，否则返回所述步骤2。
7.如权利要求1所述的人体突发伤害实时监测报警方法，其特征在于，所述步骤6中进一步包含：向预设联系人发出警报，拨打电话并发送地图定位，所述地图定位为百度地图显示的位置，并以短信形式发送至紧急联系人的手机。
8.如权利要求6所述的人体突发伤害实时监测报警方法，其特征在于，所述步骤7中进一步包含：
以上传至服务器的数据中合加速度合角速度相似度S、运动角度Angelmove、脉搏P、收缩压SYS、舒张压DIA和受伤害程度量化值Value_hurt8项数据构造特征向量，以是否发生突发伤害的事实结果作为标签，形成相应的数据集；
使用决策树方法训练二分类模型，在训练时，针对上述8项特征，合并连续值属性，训练完成后，将每项特征的最佳分裂点作为阈值的最优值返回，在手机端实时更新算法中相应的阈值。
9.一种采用如权利要求1-8任意一项所述的手机-可穿戴设备一体化的人体突发伤害实时监测报警方法的人体突发伤害实时监测报警系统，其特征在于，该系统包括：
手机终端(1)，其采集手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据，并基于所采集的数据进行实时人体姿态解算并判断是否发生严重摔倒，以及基于手机摄像头采集图像并进行识别并验证是否发生严重摔倒的判断结果；
可穿戴设备终端(2)，其采集人体脉搏数据并判断是否处于正常区间内，以及采集人体血压数据并进行处理并判断是否处于正常区间内；
服务器(3)，其分别与所述手机终端(1)和所述可穿戴设备终端(2)通信连接，所述服务器(3)接收所述服务器(3)输出的采集数据与处理结果，以及接收所述可穿戴设备终端(2)输出的采集数据与处理结果，并做综合判断，所述服务器(3)还向紧急联系人发出警报并发送地图定位以及基于数据针对个体用户做个性化优化。
10.如权利要求9所述人体突发伤害实时监测报警系统，其特征在于，
所述手机终端(1)包括手机内置传感器数据采集模块(11)、数据处理模块(12)、图像识别模块(13)和数据传输模块(14)；所述手机内置传感器数据采集模块(11)用于采集手机内置的磁场传感器、加速度传感器、陀螺仪传感器产生的数据；所述数据处理模块(12)负责基于采集的数据进行实时人体姿态解算，判断是否发生严重摔倒；所述图像识别模块(13)负责基于手机摄像头采集图像并进行识别，验证所述数据处理模块(12)的判断结果；所述数据传输模块(14)负责将所述手机终端(1)采集的数据与处理结果上传至所述服务器(3)；
和/或，所述可穿戴设备终端(2)包括脉搏数据采集模块(21)、血压数据采集模块(22)和数据传输模块(23)，所述脉搏数据采集模块(21)负责采集人体脉搏数据，并判断是否处于正常区间内；所述血压数据采集模块(22)负责采集人体血压数据并进行处理，并判断是否处于正常区间内；所述数据传输模块(23)负责将所述可穿戴设备终端(2)采集的数据与处理结果上传至所述服务器(3)；
和/或，所述服务器(3)包括数据综合处理模块(31)、报警模块(32)、数据建模分析模块(33)；所述数据综合处理模块(31)负责对所述手机终端(1)和所述可穿戴设备终端(2)的数据处理结果做综合判断；所述报警模块(32)负责向紧急联系人发出警报并发送地图定位；所述数据建模分析模块(33)负责基于数据针对个体用户做个性化优化。
CN201910085075.7A 2019-01-29 2019-01-29 手机-可穿戴设备一体式人体突发伤害实时监测报警方法 Pending CN109620184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910085075.7A CN109620184A (zh) 2019-01-29 2019-01-29 手机-可穿戴设备一体式人体突发伤害实时监测报警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910085075.7A CN109620184A (zh) 2019-01-29 2019-01-29 手机-可穿戴设备一体式人体突发伤害实时监测报警方法

Publications (1)

Publication Number Publication Date
CN109620184A true CN109620184A (zh) 2019-04-16

Family

ID=66064129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910085075.7A Pending CN109620184A (zh) 2019-01-29 2019-01-29 手机-可穿戴设备一体式人体突发伤害实时监测报警方法

Country Status (1)

Country Link
CN (1) CN109620184A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110327042A (zh) * 2019-07-17 2019-10-15 唐延智 一种大脑状态监测装置及其控制方法
CN110363961A (zh) * 2019-07-26 2019-10-22 美的置业集团有限公司 一种用户家中摔倒监测报警方法、装置、介质及终端设备
CN110650243A (zh) * 2019-09-12 2020-01-03 宇龙计算机通信科技(深圳)有限公司 一种报警方法、装置、存储介质以及终端
CN110974158A (zh) * 2019-10-23 2020-04-10 重庆特斯联智慧科技股份有限公司 一种基于深度学习的社区病患识别、呼救方法和系统方法及系统
CN111798642A (zh) * 2020-07-15 2020-10-20 广东机电职业技术学院 安全保障智能穿戴设备及其工作方法
CN113876305A (zh) * 2021-10-09 2022-01-04 中国人民解放军第三〇五医院 一种战地搜救方法
CN113903052A (zh) * 2021-09-08 2022-01-07 华南理工大学 基于图像处理和力学分析的室内人体碰撞警报方法及装置
GR1010208B (el) * 2021-09-17 2022-03-21 AVMap GIS ΑΕ, Μεθοδος ανιχνευσης πτωσης ατομου και διαταξη για την αποστολη ειδοποιησης

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1668082A (zh) * 2004-03-01 2005-09-14 微软公司 检索设备
US20120075464A1 (en) * 2010-09-23 2012-03-29 Stryker Corporation Video monitoring system
US20130128051A1 (en) * 2011-11-18 2013-05-23 Syracuse University Automatic detection by a wearable camera
CN103430058A (zh) * 2011-03-22 2013-12-04 皇家飞利浦有限公司 包括相机的相机系统、相机、操作相机的方法以及用于对记录的图像去卷积的方法
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
CN104318586A (zh) * 2014-09-26 2015-01-28 燕山大学 基于自适应形态学滤波的运动模糊方向估计方法及装置
CN204442498U (zh) * 2013-10-03 2015-07-01 菲力尔系统公司 可佩戴的成像设备与多方向威胁监视头盔
US20150213702A1 (en) * 2014-01-27 2015-07-30 Atlas5D, Inc. Method and system for behavior detection
CN105528859A (zh) * 2016-01-29 2016-04-27 江阴中科今朝科技有限公司 基于人体跌倒检测技术的养老智能报警系统
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
US20170104910A1 (en) * 2015-10-13 2017-04-13 Canon Kabushiki Kaisha Imaging device and imaging method
CN107644229A (zh) * 2017-08-31 2018-01-30 浙江工业大学 基于多传感器信息融合的室内异常行为检测方法
CN108378856A (zh) * 2018-04-28 2018-08-10 广东道易鑫物联网科技有限公司 一种老人可穿戴安全照看系统
CN109171734A (zh) * 2018-10-18 2019-01-11 中国科学院重庆绿色智能技术研究院 基于多传感器数据融合的人体行为分析云管理系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1668082A (zh) * 2004-03-01 2005-09-14 微软公司 检索设备
US20120075464A1 (en) * 2010-09-23 2012-03-29 Stryker Corporation Video monitoring system
CN103430058A (zh) * 2011-03-22 2013-12-04 皇家飞利浦有限公司 包括相机的相机系统、相机、操作相机的方法以及用于对记录的图像去卷积的方法
US20130128051A1 (en) * 2011-11-18 2013-05-23 Syracuse University Automatic detection by a wearable camera
CN204442498U (zh) * 2013-10-03 2015-07-01 菲力尔系统公司 可佩戴的成像设备与多方向威胁监视头盔
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
US20150213702A1 (en) * 2014-01-27 2015-07-30 Atlas5D, Inc. Method and system for behavior detection
CN104318586A (zh) * 2014-09-26 2015-01-28 燕山大学 基于自适应形态学滤波的运动模糊方向估计方法及装置
US20170104910A1 (en) * 2015-10-13 2017-04-13 Canon Kabushiki Kaisha Imaging device and imaging method
CN105528859A (zh) * 2016-01-29 2016-04-27 江阴中科今朝科技有限公司 基于人体跌倒检测技术的养老智能报警系统
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
CN107644229A (zh) * 2017-08-31 2018-01-30 浙江工业大学 基于多传感器信息融合的室内异常行为检测方法
CN108378856A (zh) * 2018-04-28 2018-08-10 广东道易鑫物联网科技有限公司 一种老人可穿戴安全照看系统
CN109171734A (zh) * 2018-10-18 2019-01-11 中国科学院重庆绿色智能技术研究院 基于多传感器数据融合的人体行为分析云管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李秀怡: "基于Radon变换的运动模糊方向精确估计", 《计算机工程与科学》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110327042A (zh) * 2019-07-17 2019-10-15 唐延智 一种大脑状态监测装置及其控制方法
CN110363961A (zh) * 2019-07-26 2019-10-22 美的置业集团有限公司 一种用户家中摔倒监测报警方法、装置、介质及终端设备
CN110650243A (zh) * 2019-09-12 2020-01-03 宇龙计算机通信科技(深圳)有限公司 一种报警方法、装置、存储介质以及终端
CN110974158A (zh) * 2019-10-23 2020-04-10 重庆特斯联智慧科技股份有限公司 一种基于深度学习的社区病患识别、呼救方法和系统方法及系统
CN111798642A (zh) * 2020-07-15 2020-10-20 广东机电职业技术学院 安全保障智能穿戴设备及其工作方法
CN113903052A (zh) * 2021-09-08 2022-01-07 华南理工大学 基于图像处理和力学分析的室内人体碰撞警报方法及装置
CN113903052B (zh) * 2021-09-08 2024-06-18 华南理工大学 基于图像处理和力学分析的室内人体碰撞警报方法及装置
GR1010208B (el) * 2021-09-17 2022-03-21 AVMap GIS ΑΕ, Μεθοδος ανιχνευσης πτωσης ατομου και διαταξη για την αποστολη ειδοποιησης
CN113876305A (zh) * 2021-10-09 2022-01-04 中国人民解放军第三〇五医院 一种战地搜救方法

Similar Documents

Publication Publication Date Title
CN109620184A (zh) 手机-可穿戴设备一体式人体突发伤害实时监测报警方法
Jalal et al. A Triaxial acceleration-based human motion detection for ambient smart home system
CN110210323B (zh) 一种基于机器视觉的溺水行为在线识别方法
Wang et al. Fall detection based on dual-channel feature integration
CN104850846B (zh) 一种基于深度神经网络的人体行为识别方法及识别系统
CN105632049B (zh) 一种基于可穿戴设备的预警方法和装置
CN111166357A (zh) 多传感器融合的疲劳监测装置系统及其监测方法
CN111027478A (zh) 一种基于深度学习的司机、乘客行为分析与预警系统
CN109346061A (zh) 音频检测方法、装置及存储介质
CN105286799B (zh) 基于信息融合的婴儿状态与欲望识别系统与方法
US11127181B2 (en) Avatar facial expression generating system and method of avatar facial expression generation
JP2018504960A (ja) 人体特徴データの処理方法及び装置
CN109101663A (zh) 一种基于互联网的机器人对话系统
CN110399836A (zh) 用户情绪识别方法、装置以及计算机可读存储介质
CN114120357B (zh) 一种基于神经网络的防近视方法和装置
CN111476114A (zh) 疲劳检测方法、装置、终端设备及存储介质
JP2007257088A (ja) ロボット装置及びそのコミュニケーション方法
CN107609474A (zh) 肢体动作识别方法、装置、机器人及存储介质
CN115187824A (zh) 一种模型训练方法、场景识别方法及相关设备
WO2016206644A1 (zh) 机器人控制引擎及系统
CN116965781B (zh) 一种驾驶员生命体征和驾驶行为监控方法及系统
TW202133117A (zh) 虛擬化身臉部表情產生系統和虛擬化身臉部表情產生方法
CN115035438A (zh) 情绪分析方法、装置及电子设备
JP2004280673A (ja) 情報提供装置
CN113065500A (zh) 面向一类特殊动作的异常行为管控系统

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

Application publication date: 20190416

RJ01 Rejection of invention patent application after publication