CN109887238A - 一种基于视觉和人工智能的跌倒检测系统及检测报警方法 - Google Patents
一种基于视觉和人工智能的跌倒检测系统及检测报警方法 Download PDFInfo
- Publication number
- CN109887238A CN109887238A CN201910184320.XA CN201910184320A CN109887238A CN 109887238 A CN109887238 A CN 109887238A CN 201910184320 A CN201910184320 A CN 201910184320A CN 109887238 A CN109887238 A CN 109887238A
- Authority
- CN
- China
- Prior art keywords
- server
- fall
- detection
- probability value
- detection system
- 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
Landscapes
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提供了一种基于视觉和人工智能的跌倒检测系统,包括采集图像数据模块、服务器、医疗救助机构、本地报警器、移动终端,还提供一种根据所述跌倒检测系统的检测报警方法,本发明中检测系统的检测范围广,在养老院等重点地区还可以实现一个摄像头检测多个目标,结构简单,对于用户只需要安装摄像头并将其连入互联网即可;且补充了现有家庭监控摄像头的不足,让监控摄像头实现了监护功能。所述检测报警方法采用多算法融合,以及人工智能问答,可以极大的增加检测的准确率。
Description
技术领域
本发明属于智能产品和监控技术领域,特别涉及一种基于视觉和人工智能的跌倒检测系统及检测报警方法。
背景技术
跌倒于一些特殊人群,如:老人、孕妇、病人等来说,是其面临的最主要的风险之一。尤其是老人,世界卫生组织研究表明,65岁以上人群中有28%至35%每年至少遭受一次跌倒,而这一数字在70岁以上的人群中增加到42%。根据世界卫生组织的数据,老年人住院50%以上的原因是因为跌倒,跌倒原因还占老人非自然死亡率的40%左右。
目前最新的跌倒检测技术可分为三类:可穿戴设备,环境传感器和基于视觉的技术。可穿戴设备易于佩戴,但在功耗(需要经常充电)和对身体移动的敏感性(可能导致误报警)方面存在诸多缺点;其次,对于上了年纪的老人,不习惯佩戴或者忘记佩戴的情况经常发现,也进一步限制了此类技术的应用。环境传感器,是指利用红外、声音、震动等传感器判断跌倒事件的发生,但这类技术缺点是检测准确率普遍不高,且安装复杂。基于视觉的跌倒检测技术是跌倒检测领域最有前景的研究方向,这类技术多处于理论阶段,市场上还未出现成熟的应用设备。
将跌倒与正常的躺、趴、坐等行为区分开来,是基于视觉的跌倒检测技术的难点,目前主流算法是将人体与周围环境进行分割,通过人体姿态、重心等参数判断是否发生跌倒。但这类算法会损失诸多环境信息,对摄像头安装位置也存在较高的要求。
发明内容
为了解决现有技术上述问题,本发明综合考虑人体姿态信息、比如家具、其它人员等环境物体信息、基于图像的呼吸信息,根据三类信息的权值做主要跌倒判断,集成一套人工智能和视觉的跌倒检测系统。
为达到上述目的,本发明提供了一种基于视觉和人工智能的跌倒检测系统,包括采集图像数据模块、服务器、医疗救助机构、本地报警器、移动终端;所述采集图像数据模块由摄像模块、喇叭、音频采集模块三部分组成,通过无线或有线两种方式与互联网连接;所述摄像模块设置有高分辨率网络摄像头或摄像头矩阵,配置有红外灯;所述音频采集模块设置有麦克风或麦克风阵列;所述服务器分别与医疗救助机构、本地报警器、移动终端连接。
作为改进,还包括通信模块,所述通信模块具有有线连接模式模块、无线传输模式模块;所述采集图像数据模块、服务器、医疗救助机构、本地报警器、移动终端(108)之间通过通信模块连接。
作为改进,所述服务器为一个以上的集中式服务器或分布式服务器;所述服务器包括但不限于在同一个局域网以及通过Internet链接的多个PC机、PC服务器、刀片机、超级计算机、云端服务器中任一种。
作为改进,所述本地报警器包括声音提醒单元、图像提醒单元、震动提醒单元、闪灯提醒单元。
作为改进,所述移动终端为手机、平板电脑、笔记本电脑、手环、智能可穿戴设备中任一种。
同时,本发明还提供了一种上述所述跌倒检测系统的检测报警方法,所述方法步骤为(1)启动开关所述跌倒检测系统开始工作,摄像模块采集周围环境的实时视频数据,并通过网络将这些数据发送到服务器,服务器对数据进行预处理,包括滤波、降噪、压缩;
(2)服务器内部通过人体姿态、重心检测算法、呼吸检测算法、环境物体识别算法中一种及一种以上算法,其中三种算法所占的权重不同,运行的先后顺序会根据场景的不同而切换,得到一个综合跌倒风险概率值;
(3)当步骤(2)中概率值小于最低标准阈值,判定为不存在跌倒,结束监测报警流程;当步骤(2)中概率值大于最高标准阈值,判定为存在跌倒,将根据用户设置可选择地给医疗救助机构,本地报警器,移动终端发送报警信息;当步骤(2)中概率值处于最低标准阈值、最高标准阈值区间时,判定为可能存在跌倒;
(4)当判定为可能存在跌倒时,所述跌倒检测系统将通过喇叭和音频采集模块与用户直接对话,主动询问用户是否跌倒;当用户回答没有跌倒时,结束监测报警流程;当用户一定时间内未应答或者是回答存在跌倒时,将根据用户设置可选择地给医疗救助机构,本地报警器,移动终端发送报警信息。
作为改进,步骤(2)中人体姿态、重心检测算法是跌倒的主要判断依据,当人体的重心急剧下降以及姿态出现与正常的走、坐、蹲、躺不一样的行为时,其跌倒的概率较大。
作为改进,步骤(2)中呼吸检测算法,是当人体相对静止时,通过图像识别人体胸腔的起伏,从而实时计算出呼吸频率;用于用户的睡眠监测,防止睡眠窒息的发生;或者结合人体姿态、重心检测算法,当无法准确的判定用户是否存在跌倒时,通过判断呼吸频率是否正常,来辅助判定是否存在跌倒。
作为改进,步骤(2)中环境物体识别算法,用于通过识别环境中的物体存在形式异常情况,判断是否存在跌倒;或用于结合呼吸检测算法的补充操作。
作为改进,所述综合跌倒风险概率值的计算方法为:(1)将摄像头采集得到的图像分三路信号进行处理:三路信号均以人体为主要跟踪对象;第一路图像信号,去除背景信息,人工设计人体摔倒动作特征,包括老人重心下坠,躯体身姿,设计机器学习模型,对老人摔倒的动作进行识别;第二路图像信号,设计深度学习模型,直接对视频图像做行为检测,给出概率值,能够检测基于背景信息,背景信息包括椅子翻倒、茶杯摔落,人与家具的位置;第三路图像信号,对老人进行呼吸频率监测,该信号作为加性补充权值,对老人是否摔倒做出判断;(2)将三路信号得到的结果综合考虑,记第三路图像信号做呼吸频率监测的权重为w;若第一路信号的处理结果概率值p1与权重w之和,即p1+w低于阈值th,则进一步处理第二路信号得到概率值p2,将p2+w作为最终概率值,否则直接将p1+w作为最终的概率值处理结果。
有益效果:本发明的有益效果为(1)本发明检测范围广,在养老院等重点地区还可以实现一个摄像头检测多个目标。(2)本发明结构简单,对于用户只需要安装摄像头并将其连入互联网即可;且补充了现有家庭监控摄像头的不足,让监控摄像头实现了监护功能。(3)采用多算法融合,以及人工智能问答,可以极大的增加检测的准确率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明的一种基于视觉和人工智能的跌倒检测系统的示意图。
图2为本发明跌倒检测系统的检测报警方法步骤流程示意图。
附图中:101、被检测对象;102、摄像模块;103、喇叭;104、音频采集模块;105、服务器;106、医疗救助机构;107、本地报警器;108、移动终端;109、通信模块。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明提供的一种基于视觉和人工智能的跌倒检测系统,包括采集图像数据模块、服务器105、医疗救助机构106、本地报警器107、移动终端108;所述采集图像数据模块由摄像模块102、喇叭103、音频采集模块104三部分组成,采用无线或有线两种方式通过互联网与服务器105连接。
所述摄像模块102设置有高分辨率网络摄像头或摄像头矩阵,配置有红外灯,具有夜视功能,可以是单个高分辨率网络摄像头,为了提高检测的准确率,也可以是多个高分辨率网络摄像头组成的矩阵。
所述音频采集模块104设置有麦克风或麦克风阵列;所述服务器105分别与医疗救助机构106、本地报警器107、移动终端108连接。还包括通信模块109,所述通信模块103具有有线连接模式模块、无线传输模式模块;采集图像数据模块、服务器105、医疗救助机构106、本地报警器107、移动终端108之间通过通信模块109连接。
所述服务器105为一个以上的集中式服务器或分布式服务器;所述服务器包括但不限于在同一个局域网以及通过Internet链接的多个PC机、PC服务器、刀片机、超级计算机、云端服务器中任一种。所述服务器105主要实现的功能包括:接收来自摄像模块102的视频数据和来自音频采集模块104的音频数据,通过人工智能算法,对数据进行处理分析,当算出到被检测对象101发生跌倒时,可根据危险等级或者用户设置,选择性的给医疗救助机构106,本地报警器107,移动终端108发送报警信息。
所述本地报警器107包括声音提醒单元、图像提醒单元、震动提醒单元、闪灯提醒单元,用于提供声音提醒、图像提醒、震动提醒、闪灯提醒等报警信息。所述移动终端108为手机、平板电脑、笔记本电脑、手环、各种智能可穿戴设备中任一种设备,以监护人能实时查看为佳。。
所述医疗救助机构106和移动终端108收到的报警信息出现的方式有多种,可以通过本系统提供的应用程序出现,也可以通过微信、微博等社交应用程序出现,还可以通过邮件、短信、电话等通信应用程序出现,以监护人和救助人员能尽快获取到报警信息为佳。
同时,本发明提供了一种采用上述跌倒检测系统进行检测报警方法,其方法步骤为:(1)启动开关所述跌倒检测系统开始对本检测对象101工作。摄像模块102采集周围环境的实时视频数据,并通过网络将这些数据发送到服务器105,服务器对数据进行预处理,例如滤波、降噪、压缩等;
(2)服务器105内部通过人体姿态、重心检测算法、呼吸检测算法、环境物体识别算法中一种及一种以上算法,其中三种算法所占的权重不同,运行的先后顺序会根据场景的不同而切换,得到一个综合跌倒风险概率值;
(3)当步骤(2)中概率值小于最低标准阈值,判定为不存在跌倒,结束监测报警流程;当步骤(2)中概率值大于最高标准阈值,判定为存在跌倒,将根据用户设置可选择地给医疗救助机构106,本地报警器107,移动终端108发送报警信息;当步骤(2)中概率值处于最低标准阈值、最高标准阈值区间时,判定为可能存在跌倒;
(4)当判定为可能存在跌倒时,所述跌倒检测系统将通过喇叭103和音频采集模块104与用户直接对话,主动询问用户是否跌倒;当用户回答没有跌倒时,结束监测报警流程;当用户一定时间内未应答或者是回答存在跌倒时,将根据用户设置可选择地给医疗救助机构106,本地报警器107,移动终端108发送报警信息。
其中人体姿态、重心检测算法是跌倒的主要判断依据,当人体的重心急剧下降以及姿态出现与正常的走、坐、蹲、躺等不一样的行为时,其跌倒的概率较大。
呼吸检测算法,是指当人体相对静止时,可通过图像识别人体胸腔的起伏,从而实时计算出呼吸频率。
呼吸监测算法可作为人体姿态、重心检测算法的一个补充,当无法准确的判定用户是否存在跌倒时,如用户突然倒床睡觉时,可通过判断呼吸频率是否正常,来辅助判定是否存在跌倒。
呼吸监测算法,也可以用于用户的睡眠监测,防止睡眠窒息的发生。
环境物体识别算法,可识别环境中的物体,如:床、椅子、桌子、杯子等。该识别算法亦可作为该算法的补充,下面举例两个极端案例:案例一,当用户突然躺下时,可通过环境物体识别算法识别床,并进一步判断用户是否躺在床上,如果不是躺在床上,则其跌倒的概率会比检测到其躺在床上的要高。案例二,当用户突然躺下时,如果检测到某个杯子同时存在跌落的情况,且跌落后杯子处于倒放状态,则可大概率的判定用户存在跌倒行为。
综合跌倒风险概率值的计算方法为:(1)将摄像头采集得到的图像分三路信号进行处理:三路信号均以人体为主要跟踪对象;第一路图像信号,去除背景信息,人工设计人体摔倒动作特征,老人重心下坠,躯体身姿等,设计机器学习模型,对老人摔倒的动作进行识别,该模型简单,处理速度快;第二路图像信号,设计深度学习模型,直接对视频图像做行为检测,给出概率值,该模型复杂,可检测基于背景的信息,如椅子翻倒、茶杯摔落,人与床、椅子等家具的位置等,处理速度慢;第三路图像信号,对老人进行呼吸频率监测,该项功能作为加性补充权值,对老人是否摔倒做出判断。(2)将三路信号得到的结果综合考虑,记第三路图像信号做呼吸频率监测的权重为w;若第一路信号的处理结果概率值p1与权重w之和,即p1+w低于阈值th,则进一步处理第二路信号得到概率值p2,将p2+w作为最终概率值,否则直接将p1+w作为最终的概率值处理结果。
实施例1
经过步骤(2)得到的一个综合跌倒风险概率值,当该概率值小于最低标准阈值时,假设小于等于40%,即最低标准阈值为40%,则判定为不存在跌倒,结束监测报警流程;
当该概率值大于最高标准阈值时,假设大于等于70%,即最高标准阈值70%,则判定为存在跌倒,将根据用户设置给医疗救助机构106,本地报警器107,移动终端108发送报警信息;
当该概率值处于最低标准阈值、最高标准阈值区间时,假设为大于40%,小于70%,则判定为可能存在跌倒,此时,系统将通过喇叭103和音频采集模块104与用户直接对话,主动询问用户是否跌倒,当用户回答没有跌倒时,结束监测报警流程;当用户一定时间内未应答或者是回答存在跌倒时,将根据用户设置给医疗救助机构106,本地报警器107,移动终端108发送报警信息。
需要注意的是,举例的风险概率值,包括最低标准阈值、最高标准阈值。只是一个示例值,该值将根据用户的身体状况和所处环境等因素进行设置。如用户属于易跌倒人群时,可将该值设置得更加敏感。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于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,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于视觉和人工智能的跌倒检测系统,其特征在于:包括采集图像数据模块、服务器(105)、医疗救助机构(106)、本地报警器(107)、移动终端(108);所述采集图像数据模块由摄像模块(102)、喇叭(103)、音频采集模块(104)三部分组成,采用无线或有线两种方式通过互联网与服务器(105)连接;所述摄像模块(102)设置有高分辨率网络摄像头或摄像头矩阵,配置有红外灯;所述音频采集模块(104)设置有麦克风或麦克风阵列;所述服务器(105)分别与医疗救助机构(106)、本地报警器(107)、移动终端(108)连接。
2.根据权利要求1所述的跌倒检测系统,其特征在于:还包括通信模块(109),所述通信模块(109)具有有线连接模式模块、无线传输模式模块;所述采集图像数据模块、服务器(105)、医疗救助机构(106)、本地报警器(107)、移动终端(108)之间通过通信模块(109)连接。
3.根据权利要求1所述的跌倒检测系统,其特征在于:所述服务器(105)为一个以上的集中式服务器或分布式服务器;所述服务器包括但不限于在同一个局域网以及通过Internet链接的多个PC机、PC服务器、刀片机、超级计算机、云端服务器中任一种。
4.根据权利要求1所述的跌倒检测系统,其特征在于:所述本地报警器(107)包括声音提醒单元、图像提醒单元、震动提醒单元、闪灯提醒单元。
5.根据权利要求1所述的跌倒检测系统,其特征在于:所述移动终端(108)为手机、平板电脑、笔记本电脑、手环、智能可穿戴设备中任一种。
6.一种根据权利要求1-5中任一种所述跌倒检测系统的检测报警方法,其特征在于:所述方法步骤为:
(1)启动开关所述跌倒检测系统开始工作,摄像模块(102)采集周围环境的实时视频数据,并通过网络将这些数据发送到服务器(105),服务器对数据进行预处理,包括滤波、降噪、压缩;
(2)服务器(105)内部通过人体姿态、重心检测算法、呼吸检测算法、环境物体识别算法中一种及一种以上算法,其中三种算法所占的权重不同,运行的先后顺序会根据场景的不同而切换,得到一个综合跌倒风险概率值;
(3)当步骤(2)中概率值小于最低标准阈值,判定为不存在跌倒,结束监测报警流程;当步骤(2)中概率值大于最高标准阈值,判定为存在跌倒,将根据用户设置可选择地给医疗救助机构(106),本地报警器(107),移动终端(108)发送报警信息;当步骤(2)中概率值处于最低标准阈值、最高标准阈值区间时,判定为可能存在跌倒;
(4)当判定为可能存在跌倒时,所述跌倒检测系统将通过喇叭(103)和音频采集模块(104)与用户直接对话,主动询问用户是否跌倒;当用户回答没有跌倒时,结束监测报警流程;当用户一定时间内未应答或者是回答存在跌倒时,将根据用户设置可选择地给医疗救助机构(106),本地报警器(107),移动终端(108)发送报警信息。
7.根据权利要求6所述的检测报警方法,其特征在于:步骤(2)中人体姿态、重心检测算法是跌倒的主要判断依据,当人体的重心急剧下降以及姿态出现与正常的走、坐、蹲、躺不一样的行为时,其跌倒的概率较大。
8.根据权利要求6所述的检测报警方法,其特征在于:步骤(2)中呼吸检测算法,是当人体相对静止时,通过图像识别人体胸腔的起伏,从而实时计算出呼吸频率;用于用户的睡眠监测,防止睡眠窒息的发生;或者结合人体姿态、重心检测算法,当无法准确的判定用户是否存在跌倒时,通过判断呼吸频率是否正常,来辅助判定是否存在跌倒。
9.根据权利要求6所述的检测报警方法,其特征在于:步骤(2)中环境物体识别算法,用于通过识别环境中的物体存在形式异常情况,判断是否存在跌倒;或用于结合呼吸检测算法的补充操作。
10.根据权利要求6所述的检测报警方法,其特征在于:所述综合跌倒风险概率值的计算方法为:(1)将摄像头采集得到的图像分三路信号进行处理:三路信号均以人体为主要跟踪对象;第一路图像信号,去除背景信息,人工设计人体摔倒动作特征,包括老人重心下坠,躯体身姿,设计机器学习模型,对老人摔倒的动作进行识别;第二路图像信号,设计深度学习模型,直接对视频图像做行为检测,给出概率值,能够检测基于背景信息,背景信息包括椅子翻倒、茶杯摔落,人与家具的位置;第三路图像信号,对老人进行呼吸频率监测,该信号作为加性补充权值,对老人是否摔倒做出判断;(2)将三路信号得到的结果综合考虑,记第三路图像信号做呼吸频率监测的权重为w;若第一路信号的处理结果概率值p1与权重w之和,即p1+w低于阈值th,则进一步处理第二路信号得到概率值p2,将p2+w作为最终概率值,否则直接将p1+w作为最终的概率值处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184320.XA CN109887238B (zh) | 2019-03-12 | 2019-03-12 | 一种基于视觉和人工智能的跌倒检测系统及检测报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184320.XA CN109887238B (zh) | 2019-03-12 | 2019-03-12 | 一种基于视觉和人工智能的跌倒检测系统及检测报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109887238A true CN109887238A (zh) | 2019-06-14 |
CN109887238B CN109887238B (zh) | 2021-09-24 |
Family
ID=66931720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910184320.XA Active CN109887238B (zh) | 2019-03-12 | 2019-03-12 | 一种基于视觉和人工智能的跌倒检测系统及检测报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109887238B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110491088A (zh) * | 2019-07-26 | 2019-11-22 | 安徽泛米科技有限公司 | 一种区域滞留报警装置 |
CN110675595A (zh) * | 2019-09-09 | 2020-01-10 | 杭州憶盛医疗科技有限公司 | 一种基于视觉和人工智能的跌倒检测系统 |
CN111104932A (zh) * | 2020-02-03 | 2020-05-05 | 北京都是科技有限公司 | 一种摔倒检测系统、方法及图像处理器 |
CN111582231A (zh) * | 2020-05-21 | 2020-08-25 | 河海大学常州校区 | 一种基于视频监控的跌倒检测报警系统、方法 |
CN112828911A (zh) * | 2021-02-04 | 2021-05-25 | 深圳市金讯宇科技有限公司 | 一种基于物联网的医疗陪护机器人系统 |
CN113033437A (zh) * | 2021-03-29 | 2021-06-25 | 合肥工业大学 | 一种基于改进模式识别的跌倒监测方法及系统 |
CN113724853A (zh) * | 2021-10-08 | 2021-11-30 | 联想新视界(南昌)人工智能工研院有限公司 | 一种基于深度学习的智慧医疗系统 |
CN113936425A (zh) * | 2021-09-26 | 2022-01-14 | 上海深豹智能科技有限公司 | 一种居家养老摔倒检测系统及操作方法 |
CN115914583A (zh) * | 2023-02-28 | 2023-04-04 | 中国科学院长春光学精密机械与物理研究所 | 基于视觉识别的老人监控设备及监控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102640196A (zh) * | 2010-01-07 | 2012-08-15 | 株式会社尼康 | 图像判定装置 |
CN205050303U (zh) * | 2015-09-30 | 2016-02-24 | 广东乐源数字技术有限公司 | 一种智能人体瘫倒监测装置 |
CN105719429A (zh) * | 2014-07-29 | 2016-06-29 | 吴诗蕊 | 一种基于Kinect的跌倒检测及报警系统及其操作方法 |
WO2018037041A1 (en) * | 2016-08-23 | 2018-03-01 | Koninklijke Philips N.V. | Hospital video surveillance system |
US20180342081A1 (en) * | 2017-05-25 | 2018-11-29 | Samsung Electronics Co., Ltd. | Method and system for detecting dangerous situation |
-
2019
- 2019-03-12 CN CN201910184320.XA patent/CN109887238B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102640196A (zh) * | 2010-01-07 | 2012-08-15 | 株式会社尼康 | 图像判定装置 |
CN105719429A (zh) * | 2014-07-29 | 2016-06-29 | 吴诗蕊 | 一种基于Kinect的跌倒检测及报警系统及其操作方法 |
CN205050303U (zh) * | 2015-09-30 | 2016-02-24 | 广东乐源数字技术有限公司 | 一种智能人体瘫倒监测装置 |
WO2018037041A1 (en) * | 2016-08-23 | 2018-03-01 | Koninklijke Philips N.V. | Hospital video surveillance system |
US20180342081A1 (en) * | 2017-05-25 | 2018-11-29 | Samsung Electronics Co., Ltd. | Method and system for detecting dangerous situation |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110491088A (zh) * | 2019-07-26 | 2019-11-22 | 安徽泛米科技有限公司 | 一种区域滞留报警装置 |
CN110675595A (zh) * | 2019-09-09 | 2020-01-10 | 杭州憶盛医疗科技有限公司 | 一种基于视觉和人工智能的跌倒检测系统 |
CN110675595B (zh) * | 2019-09-09 | 2022-06-14 | 杭州憶盛医疗科技有限公司 | 一种基于视觉和人工智能的跌倒检测系统 |
CN111104932A (zh) * | 2020-02-03 | 2020-05-05 | 北京都是科技有限公司 | 一种摔倒检测系统、方法及图像处理器 |
CN111582231A (zh) * | 2020-05-21 | 2020-08-25 | 河海大学常州校区 | 一种基于视频监控的跌倒检测报警系统、方法 |
CN112828911A (zh) * | 2021-02-04 | 2021-05-25 | 深圳市金讯宇科技有限公司 | 一种基于物联网的医疗陪护机器人系统 |
CN112828911B (zh) * | 2021-02-04 | 2021-08-31 | 深圳市金讯宇科技有限公司 | 一种基于物联网的医疗陪护机器人系统 |
CN113033437A (zh) * | 2021-03-29 | 2021-06-25 | 合肥工业大学 | 一种基于改进模式识别的跌倒监测方法及系统 |
CN113936425A (zh) * | 2021-09-26 | 2022-01-14 | 上海深豹智能科技有限公司 | 一种居家养老摔倒检测系统及操作方法 |
CN113936425B (zh) * | 2021-09-26 | 2024-03-26 | 上海深豹智能科技有限公司 | 一种居家养老摔倒检测系统及操作方法 |
CN113724853A (zh) * | 2021-10-08 | 2021-11-30 | 联想新视界(南昌)人工智能工研院有限公司 | 一种基于深度学习的智慧医疗系统 |
CN115914583A (zh) * | 2023-02-28 | 2023-04-04 | 中国科学院长春光学精密机械与物理研究所 | 基于视觉识别的老人监控设备及监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109887238B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887238A (zh) | 一种基于视觉和人工智能的跌倒检测系统及检测报警方法 | |
US10485452B2 (en) | Fall detection systems and methods | |
CN110477925B (zh) | 一种针对敬老院老人的跌倒检测与预警方法及系统 | |
CN105125221B (zh) | 云服务实时摔倒检测系统及方法 | |
CN105342623B (zh) | 智能跌倒监护装置及其处理方法 | |
CN104966380A (zh) | 一种可监控人体意外摔倒的报警系统及方法 | |
CN105700488B (zh) | 一种目标人体活动信息的处理方法及系统 | |
CN108615333A (zh) | 基于人工智能的婴儿窒息预警系统和方法 | |
CA3039828A1 (en) | Method and apparatus for determining a fall risk | |
Gu et al. | SleepGuardian: An RF-based healthcare system guarding your sleep from afar | |
CN106344035A (zh) | 一种人体健康监控系统 | |
CN115116133A (zh) | 一种用于独居老人监护的异常行为检测系统及方法 | |
CN110197732A (zh) | 一种基于多传感器的远程健康监控系统、方法与设备 | |
Fung et al. | Elderly fall detection and location tracking system using heterogeneous wireless networks | |
Amir et al. | Real-time threshold-based fall detection system using wearable IoT | |
Bharathiraja et al. | Real-Time Fall Detection using ESP32 and AMG8833 Thermal Sensor: A Non-Wearable Approach for Enhanced Safety | |
CN206610413U (zh) | 基于体感网的居家养老系统 | |
Jawale et al. | Elcare: elderly care with fall detection | |
He et al. | An autonomous fall detection and alerting system based on mobile and ubiquitous computing | |
CN108846996B (zh) | 一种摔倒侦测系统及方法 | |
KR20190058618A (ko) | 경보 시스템 | |
CN111563397B (zh) | 检测方法、装置、智能设备及计算机存储介质 | |
Ojetola | Detection of human falls using wearable sensors | |
Fern'ndez-Caballero et al. | HOLDS: Efficient fall detection through accelerometers and computer vision | |
Jeng et al. | Stream data analysis of body sensors for sleep posture monitoring: An automatic labelling approach |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhu Li Inventor after: Cui Chengyu Inventor after: Li Yuanwei Inventor after: Chen Hang Inventor after: Li Jingzhu Inventor before: Zhu Li Inventor before: Cui Chengyu Inventor before: Li Yuanwei |
|
GR01 | Patent grant | ||
GR01 | Patent grant |