CN109891516A - 用于患者监测以预测和防止床跌落的设备、系统和方法 - Google Patents

Abstract

本发明涉及一种用于检测个体(2)的床跌落风险的视频数据相关风险分数(110)的设备(30)，所述设备(30)包括：第一端口(3)，其用于获得与所述个体(2)的移动有关的视频数据130)；以及视频数据处理单元(8)，其用于获得和处理所述视频数据(130)以通过根据所述视频数据(130)检测至少一个风险因子并且根据所述至少一个风险因子计算视频数据风险分数(110)来生成指示所述个体(2)的床跌落风险的视频数据相关风险分数(110)。

Description

用于患者监测以预测和防止床跌落的设备、系统和方法

技术领域

本发明涉及一种用于监控个人、尤其是医院或家庭护理中的患者的设备，所述设备适于允许预测该人下床的显著跌倒。当若干连接的风险因子超过定义的阈值时，所述设备会发出警报。本发明还涉及一种包含上述设备的系统和一种监测个体以预测床跌落的方法。

背景技术

跌倒是医院中报告的最常见的不利事件，并且是医院获得性损伤的主要原因，并且经常延长或复杂化住院时间。对急症护理医院观察性研究的回顾显示，跌倒率为1.3至8.9跌倒/1000个患者日，并且在关注老年护理、神经病学和康复的单位中发生率较高。尽管对跌倒风险因子进行了广泛的研究并且开发了若干跌倒风险工具，但协议的应用并不一致，并且风险因子导向的干预措施远未标准化。

尽管在所有年龄段都可能发生摔倒，但已知对于老年人或高跌倒危险人群与需要住院治疗的急性健康问题复合，或者对于需要入住居住护理设置的人群会导致严重受伤。

此外，其他观察性研究指示，所有住院跌倒的60-70％发生在床上或床边，超过80％的跌倒是未被看到的，并且约50％发生于反复跌倒的患者。

鉴于跌倒事件对患者的健康和生活质量以及护理成本的巨大影响，找到用于患者监测和跌倒预防以减少跌倒事件的数量的可扩展且具有成本效益的解决方案变得至关重要。

当前技术包括的解决方案例如：看护服务作为针对床跌落事件预防的手段，床栏作为针对床跌落事件预防的手段以及用于患者监控的某些自动解决方案。

看护服务难以实施、不可扩展且不具成本效益。对于其实施，医院通常必须在以下之间进行选择：雇用医院工作人员之外的看护者，其由于服务成本高而在经济上负担大；或者为他们自己的医院工作人员分配看护职责，这大大增加了工作人员的责任和工作量，工作人员通常已经由于员工短缺而负担过重。此外，向训练有素的工作人员分配看护任务(不需要医学培训)会妨碍人员资格和技能的适当使用。

从这个意义上说，在实施可靠、可扩展且具有成本效益的住院病床跌落事故预防策略方面，看护服务并不具有良好的前景。

作为单一预防策略的床栏似乎不能保证防止病床跌落事故。尽管使用了床栏，但医院中仍发生50-90％的从床上跌倒，显示在防止一般跌倒方面的成功有限。此外，床栏使用也可能与躁动、恐惧和谵妄的恶化相关联。“化学”限制，例如以精神安定药的形式使用，尽管被误导的目的是通过其使用来防止跌倒，与增加的跌倒率相关联。此外，使用束缚或床栏可导致来自不运动的肌肉萎缩、感染或压疮，以及健康恶化。最后，在限制患者移动能力方面需要考虑道德因素。

基于技术的产品已被使用以尝试替代看护服务，但也可能具有先天的缺点。一些系统不提供任何智能来支持监测患者的所谓“eSitter”，这限制了并行监测的患者数量。由于此类解决方案的可扩展性有限，因此扩展需要额外的设备和远程监控站。没有实施情报单元来实时自动确定跌倒风险引起了人们的担忧，并对预防跌倒事件的可行性提出质疑。评估的床跌落风险基于医院工作人员在初次和持续的患者接触时获得的输入，但是不基于对患者的实时连续自动观察而更新。由于跌倒风险的更新是基于患者在入院时和住院期间的访谈，这些更新可能会出现不准确和严重延迟，从而引发进一步的担忧。

其他系统实施技术方法，其中每当发生部分跨过床缘(由毯子或由手臂)而没有实际的患者离开床时，系统触发警报。这导致高的误报率。

此外，关于有效的预防性干预措施，这些技术非常注重监测和报警，但没有注意理解在特定时间给定特定患者概况时应提供的最佳干预措施。此外，如果医务人员应该进行干预，这些系统不在确定应该被通知的实际人员以便优化人力资源方面提供支持。最后，所有警报仅在跌倒风险非常高且事件发生即将发生时发出，此时提供实际防止跌倒的有效干预的机会减少。

US 2008/0122926 A1涉及一种用于使用运动检测来处理分割的系统和方法。利用视频记录技术来以不突兀目的方式进行业务流程调查。设置了几个摄像机，每个摄像机都具有限定的视野。对于每个相机，定义视场内的感兴趣区域(ROI)，并且针对每个ROI确定背景图像。通过将每个帧与背景图像进行比较来检测ROI内的运动。然后可以根据运动检测来对视频记录进行分割和索引。

发明内容

本发明的一个目的是提供一种用于监测患者的设备、系统和方法，其不仅监测患者的运动模式和生命体征，而且评估数据并评估风险分数，其一方面允许进行可靠的预测，并且另一方面使误警报最小化，从而为患者提供有效但周到的护理。

在本发明的第一方面中，提出了一种用于检测个体的床跌落风险的视频数据相关风险分数的设备，所述包括：第一端口，其用于获得与所述个体的移动有关的视频数据的；以及视频数据处理单元，其用于获得和处理视频数据以通过根据所述视频数据检测至少一个风险因子并且根据所述至少一个风险因子计算视频数据风险分数来生成指示所述个体的床跌落风险的视频数据相关风险分数。

在本发明的另一方面中，提供了一种用于确定个体的床跌落风险的系统，所述系统包括：至少一个视频传感器，特别是相机，其用于采集与所述个体的移动有关的视频数据；以及用于基于所获取的视频数据来确定个体的床跌落风险的设备。

在本发明的另一方面中，提出了一种用于确定个体的床跌落风险的方法，所述方法包括以下步骤：获得与个体的移动有关的视频数据并且通过根据所述视频数据检测至少一个风险因子并根据所述至少一个风险因子计算视频风险分数来处理所述视频数据以生成指示所述个体的床跌落风险的移动相关风险分数。

在本明的又一方面中，提出了一种包括程序代码单元的计算机程序，当所述计算机程序在计算机上运行时，所述程序代码单元用于使计算机执行所述方法的步骤。

用于确定床跌落风险的本发明的设备、系统、方法和计算机程序与上述现有技术的不同之处在于，使用由视频数据处理单元获得的数据来基于分析个人相对于环境的移动数据来确定床跌落风险。根据数据确定的风险分数用于以精确可靠的比例预测床跌落的风险，并且因引通过使过程流水化并同时确保对个体的高水平护理来帮助节省员工成本。

在从属权利要求中限定了本发明的优选实施例。应当理解的是，要求保护的方法具有与要求保护的设备相类似和/或完全相同的优选实施例，并且如在从属权利要求中定义。

优选地，风险因子是以下中的至少一项：所述个体的从仰卧位置到直立位置的移动，所述个体的被分配给不安的移动，所述个体的朝向所述床的边缘方向和/或在所述床的边缘附近的移动。特别是检测到在床边缘附近或在床边缘方向发生的移动对于确定即将发生的床跌落是至关重要的。因此，密切监测床的限制是针对防止跌落的最高优先级。这可以通过观察个体相对于边缘的位置和位置的变化来实现。

根据有利的实施例，视频数据处理单元还被配置为从视频数据中检测离散的状况，特别是床中个体的未受打扰的存在，个体有意的从床离开以及个体的无意的从床跌落。这也有助于简化监控过程，因为例如足够健康要离开床的个人不必被照顾。同样地，不需要连续监测安静地躺在床上的被镇静的个体。因此，可以以非常有效的方式使用任何类型的资源。

所述设备有利地还包括评估单元，所述评估单元被配置为向所述视频数据和/或所述视频数据相关风险分数分配可靠性值，并根据所述可靠性值和所述视频数据风险分数来评估所述个体的可变风险分数。通过这种方式，可以评估信号的可靠性。如果信号对于床跌倒预测不可靠，则系统可以发出警报并使用其他信息源。

优选地，视频数据包括与个体所处的床的位置、限制床的床边缘、相对于床限定的第一感兴趣区域和第二感兴趣区域有关的数据，以及与个体相对于床、床边缘以及第一感兴趣区域和第二感兴趣区域的位置有关的数据。这有助于定义要监控的空间，以保持低的误报率。如果房间里有另一个人并且正在移动，可能会引发误报，他可能被误认为是被护理不能离开床的所述个体。在计算相关风险分数时，床的位置和相邻感兴趣区域的清晰定义有助于定位个体并考虑位置和位置的变化。

第一感兴趣区域和第二感兴趣区域有利地具有矩形形状，其中，下部基部在床的长度的大约一半处水平横跨床延伸，并且具有大致等于床的长度的长度，其中，第一感兴趣区域的下部基部的长度大致等于床的宽度，其中，第二感兴趣区域的下部基部的长度大致等于床的两倍宽度，其中，第二感兴趣区域由与第一感兴趣区域相邻的两个部分组成。通过个体的头部是最需要注意的部分的事实，容易理解将感兴趣区域限制到床的上部和所述个体的身体的上部。当身体的上半部分和头部将它们的位置朝向床边移位时，更有可能发生受伤的床跌落。

根据替代的实施例，与个体的位置有关的数据包括最高运动重心、最右运动重心、最左运动重心和全局运动重心。将个体的身体限制在标记运动重心的几个点上使得监测比观察身体部位的运动更容易。

优选地，所述视频数据处理单元被配置为通过确定在预定时间中由长度和最大方差定义的有效运动轨迹并且对所述轨迹进行聚类以基于方向、斜率、位置和长度来识别移动实体来检测所述运动重心的所述移动，并且为所述移动分配风险因子和/或离散状况。通过这种方式，可以高可靠性地监测整个个体，而没有由单肢和它们各自的运动限定的误差源。

根据本发明的优选实施例，视频数据处理单元被配置为向风险因子和离散状况分配视觉输出指示符，并输出用于显示的指示符。可视指示器比数字表示的值更容易，更直观。

有利地，视觉输出指示器被配置为根据对风险因子和/或离散状况的检测，连续地或以离散的步骤从绿色变为红色。因此，不仅可以展示与完全静止或突然的床跌落相关的极值，而且还可以展示使系统处于更高关注状态的中间值。检查指标的医务人员在没有咨询图表或表格的情况下对状态快速概览。

优选地，所述视频数据处理单元被配置为以离散间隔或连续地确定视频数据风险分数和/或可靠性值。可以根据个体的行为来选择模式。如果例如已经施用镇静并且被护理的人员在位置中相当静止，则可以选择更长的生命体征测量间隔。这会产生更少的数据。如果个体移动很多，则可以将生命体征和相关风险分数和可靠性值的确定转移到连续模式以确保跟踪这些值。

根据有利的实施例，提供了一种生命体征传感器和生命体征处理单元，其中，所述生命体征处理单元被配置为根据生命体征传感器获得的生命体征数据生成生命体征相关风险分数，并且其中，所述评估单元被配置为根据所述视频数据风险分数和所述生命体征风险分数来评估所述可变风险分数。通过组合视频和生命体征数据，所述系统冗余地工作，从而提供高水平的可靠性。不可靠的传感器可以被检测到，另一个传感器可以接管并且不可靠的系统部件可以重启或警告技术人员进行维护。因此，可以不间断地进行监视。

附图说明

参考下文描述的(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述。在附图中：

图1示出了用于监测患者以及预测和预防跌倒的发明设备和系统的示意图，

图2示出了由视频部件覆盖的床架的示意图，

图3至10示出了在不同条件下躺在床上的患者，

图11至13示出了特定患者的姿态和运动的加速度计信号的图，

图14示出了患者的不安的图，并且

图15示出了比较患者的不安和激动的图。

具体实施方式

在图1中，图解地示出了本发明的优选实施例的概览。该实施例包括用于监测个体2的设备1。个体2尤其可以是医院病床中的患者。在下文中，个体2因此将被称为患者2，但是个体2也可以是疗养院的居民，精神病房中的占用者，家庭护理下的个体2等。在设备1的基础上的原理是，与监测中的患者2相关联的床跌落风险由以下确定：不可改变的风险因子，例如患者2的年龄、特定谵妄的(永久)状况、身体损伤等，以及心理构成(关于在医院中对医学指南的顺应性/遵从的水平)；以及可改变的风险因子，例如占用床的患者2的不安度，困惑水平，焦虑水平，运动的类型和速度(例如不规律运动)。

设备1确保与每个患者2相关联的风险分数的计算基于对上述所有风险因子的评估(不可修改和可修改)，并且实施的干预策略针对每个患者2定制以通过防止床跌落事故以及通过仅在需要时让医务人员参与来优化医务人员资源并且然后让最容易接近和/或可用的工作人员完成干预，从而确保解决方案的完全有效性。

图1的实施例的设备1经由第一端口3连接到定位于患者2所在的患者房间40中的传感器12和13。该实施例尤其提供了摄像机12或其他合适设备形式的传感器12，用于以生命体征传感器13的形式监测患者2和传感器13的运动。生命体征传感器13尤其可以是光电体积脉搏波传感器、心率监测器、血压监测器、SpO2传感器和/或呼吸监测器，它们都适合于评估生命体征并同时允许得出关于压力、焦虑、激动等的结论。生命体征传感器13可以布置在患者身体上或远程位置，尤其是在使用PPG传感器的情况下。传感器12、13连续地或以离散的间隔实时地取得输入，因此为监视提供了特定的冗余，允许对事件的准确和故障保护性的预测。在传感器12、13中的一个发生故障的情况下，另一个仍然可以提供数据。

由传感器12、13收集的传感器数据100，即视频数据130和生命体征数据140，分别被传送到视频处理单元8和生命体征处理单元9。处理单元8、9被配置为通过分析视频数据130和生命体征数据140来实时检测风险因子，并基于检测到的风险因子来针对每个数据集计算风险分数110、111。稍后将参考图2至15更详细地描述视频处理单元8和生命体征处理单元9及其功能。

设备1还包括评估单元4，用于确定指示传感器数据100的质量的质量信息。因此，对视频数据130和生命体征数据140的可靠性进行评估和加权。评估单元4从各个处理单元8、9获得风险分数110、111，确定各个数据130、140的可靠性值，并从其计算可变风险分数112，如后面更详细描述的。生命体征处理单元9结合评估单元4可以被称为生命体征风险分数检测设备20，而视频处理单元8结合评估单元4可以被称为视频数据风险分数检测设备30。各个视频传感器12和生命体征传感器13结合各个设备30和20可以被称为系统31和21。

评估单元4使用风险因子110和111(如上定义)以及传感器可靠性指标(如下面进一步详细描述的)，以便实时计算床跌落事件的总体患者可变风险分数112。可变风险分数112被发送到计算单元6以进行进一步处理。特别地，可变风险分数112可以经由网络通信协议从患者房间40发送到远程工作室50。

传感器可靠性指示取决于环境和连接因素的与每个传感器相关联的置信水平，如下面参考视频和生命体征处理单元8、9的功能详细描述的。

这样，可变风险分数112被定义为R_Video和R_VitalSigns(如上定义)的组合，其中传感器可靠性指标(SR_V和SR_VS)用作加权因子。例如，在SR_V和SR_VS均为0的潜在实施中，则可变风险分数设置为-1，指示由于输入不可靠，系统无法计算可变风险分数。在所有其他情况下：

可变风险分数＝(SR_V*R_Video+SR_VS*R_VitalSigns)/(SR_V+SR_VS)

上面的公式暗示每当视频信号不可靠时，可变风险分数112实际上等于R_VitalSigns。相反，如果生命体征信号不可靠，则可变风险分数112实际上等于R_Video。如果两个信号都是可行的，则可变风险分数112是上述两个风险分数110和111的平均值。以伪代码表示：

如果(SR_V＝0并且SR_VS＝0)，则

可变风险分数＝-1

否则

可变风险分数＝(SR_V*R_Video+SR_VS*R_VitalSigns)/(SR_V+SR_VS)。

先前描述的部件布置在患者2附近。然而，以下部件有利地布置在远程工作站房间50中。

分类单元10基于患者2的临床和心理概况对患者2进行分类，并基于患者概况来提供固有风险分数113。当前实施例中的患者概况经由第二端口5从数据库16获得。患者概况包括关于患者2的任何可用信息，从年龄和性别开始并且还包含当前诊断、相应用药、患者的全面状况、病史和床跌落历史等。因此，患者概况是评估患者床跌落风险的主要来源2。

个人数据120提供构成临床和心理概况的不可修改的风险因子，并从其提供固有风险分数113。

不可修改的风险因子可能是患者年龄(老年患者发生认知障碍的风险较高，因此会有更大的床跌落风险)，患者性别(男性患者似乎有更高的事故发生风险，可能是由于更不愿意离开床时接受帮助)，(神经系统)状况(痴呆症(例如阿尔茨海默病)患者和帕金森病患者己知因为更容易出现空间定向障碍、激动发作和因睡眠障碍而表现出梦游而更有可能从床上摔下来。患有神经系统疾病与不患有这些疾病相比将对应于增加的床跌落风险水平)，当前或以前的症状(记录/观察到的幻觉/睡眠障碍的发生将增加床跌落风险水平，(认知，视觉)残疾(视力受损患者将有更高的不能良好估计距离的风险，空间认知感低，贡献于增加的床跌落风险水平)，用药(大量处方药，或服用可能导致镇静、困惑、平衡受损或直立性血压变化的药物的患者，具有较高的床跌落风险)，床跌落历史(床跌落事件的一致历史与零星的此类事件(或没有先前历史)相比将增加后续重复事件的可能性)，以及心理特征-顺应性/依从性水平(在住院期间顺应/依从医学指南(例如，不要在没人照顾的情况下离开床)水平较低的患者在试图离开床时摔倒的风险高于不是这种情况的患者)。

上述所有不可修改的因素(除了跌倒病史和心理概况)由分类单元10根据患者电子健康记录16确定，如图1所示。

通过关于患者迄今为止经历的跌倒次数的简单问题来评估患者床跌落历史。患者心理概况(关于患者在医院中对医学指南的依从性/遵从的水平)是借助于入院时的问卷测试来确定的，作为确定基线的方式。在住院期间，该概况基于进一步了解患者对不在无人照顾的情况下离开床的医学建议的依从性/遵从的水平而更新。

固有风险分数113基于评估上述不可修改的风险因子，其中固有风险分数通过与每个风险因子相关联的参数xi(i＝1..8)来增加。这意味着以下测试和相关联的计算：

如果患者年龄>65岁，则

如果患者性别＝男性，则

如果患者(神经系统)状况＝是，则

如果患者残疾(视觉或运动)＝是，则

如果患者用药(引起镇静等)＝是，则

如果患者症状＝是，则

如果患者有床跌落历史＝是，则

如果患者的依从性水平＝低，则

其中，在一个简单的示例中可以表示简单的求和。

在系统初始化时，参数x1至x8可以基于文献研究所指示的值进行初始化，而随着时间的推移，系统通过学习针对手头的特定人群上述每个风险因子对床跌落发生的影响来调整参数值。这是通过在每次跌倒事件后执行相关性分析和应用回归技术来完成的，以了解每个风险因子对跌倒事件可能性的影响并更新上述参数的值。从医学文献中已知上述所有风险因子与跌倒事件的发生具有因果关系。问题仍然是每个风险因子对每个患者有多大的因果相关性(考虑到他们的特定患者特征)。参数x1至x8量化了其相关风险因子的致使相关性，这使得他们的确定成为必要。通过评估其(相关的)风险因子的存在与跌倒事件的发生之间的相关的水平来进行确定。也就是说，在发生跌倒事件之前发生风险因子的次数越高，所述风险因子与具有特定概况的患者的跌落事件的发生具有更高的因果相关性的可能性越高。如果风险因子导致跌倒事件，那么它也具有预测能力。相关性量化了两个变量相关的程度-在这种情况下是风险因子和跌倒发生。计算相关系数(r)指示当另一个变量出现时，一个变量趋于变化的程度。因此，在一个实施例中，参数x1至x8可以由相关系数(或这些的因子)表示。随着时间的推移，系统在确定这种固有风险时变得越来越准确。如果没有发生床跌落事件，则不需要进行参数调整。

此外，提供计算单元6，其从评估单元4获得可变风险分数112，并从分类单元10获得固有风险分数113，并根据其计算总风险分数114。后者与从数据库16获得的患者概况一起输入到干预单元15，干预单元15基于患者的临床和心理概况以及总风险分数114来提供用于防止患者2即将到来的床跌落的策略。总风险分数114是固有风险分数113与可变风险分数112值的组合：

在一个潜在的实施中，所述公式可以表示上述两个风险分数112和113的加权和或加权平均值，其中权重可以根据受监测人口数据的连续系统学习来表达可修改和不可修改风险因子的影响程度。

根据优选实施例的设备1还可以对应于诸如反馈单元14之类的附加部件，所述反馈单元14位于患者2附近并且在设备1检测到即将到来的床跌落的情况下可以直接对患者2进行寻址。通常，设备1优选地具有这样的配置：在患者房间40提供尽可能少的部件并且相应地其他部件定位于远程工作站房间50中。该配置允许在不同位置监测多个患者2，而无需针对每个患者2都要整个监测系统。

根据图1的优选实施例，在患者房间40中仅安装以下部件：摄像机12、生命体征传感器13、相应的处理单元8、9以及评估单元4。替代地，还可以将处理单元8、9和评估单元4布置在远程工作站房间50中，并且例如通过无线网络向其发送数据130、140。由于现代摄像机12和生命体征传感器13是可以已经与它们各自的处理单元8、9组合的小部件，因此这些部件可以不显眼地布置在患者房间40中。评估单元4在处理单元8、9附近的布置允许更容易的数据管理，因为每个患者的各个传感器数据100可以明确地分配给相应的患者2并且例如存储在数据存储器(未示出)中，直到从计算单元6请求它们。

此外，反馈单元14被布置在患者房间40中。反馈单元14例如可以是配备有麦克风的TV显示器，所述麦克风通常也会在医院中的每个患者房间40中提供以供患者2娱乐并且可以由干预单元15用于与患者2通信。替代地，反馈单元14可以是额外的单独单元，其可以是监控系统的一部分，所述监控系统由医务人员使用。在这种情况下，反馈单元14还可以作为进入房间的工作人员的信息来源，以防具有关于即将到来的床跌落的警报。

在下文中，参考图2到10更详细地描述摄像机12和相应处理单元8的功能。为简单起见，在下文中，摄像机12和分配的处理单元8被称为“视频部件”，参考具有附图标记12和8的部件。

如上所述，视频部件实现了两个主要功能：一方面，评估视频数据130的可靠性，另一方面，实时执行对风险因子的存在的检测，基于其计算视频数据风险分数110，其考虑到摄像机12检测到的参数指示床跌落事件的可能性。仅当确定上述视频数据130的可靠性足够时才执行该功能。

视频数据130的可靠性的评估可以例如通过使用变量来表达视频传感器可靠性(SR_V)来完成。当传感器可靠性被评估为足够时，SR_V被设置为1，否则为0。

评估主要基于照明水平，对场景中运动物体的对比度变化的估计以及摄像机的信噪比以及因此视频数据130的信噪比。此应用程序中的信号是作为场景中物体移动的结果的场景中的最小对比度变化。在该意义上，每当视频数据130的照明水平或信噪比低于阈值(例如，6勒克斯，3dB信噪比)时，传感器信号就被确定为不可靠并且SR_V被设置为0。如果照度和信噪比均高于阈值，则SR_V被设置为1。阈值取决于所使用的摄像机类型和质量，并且必须在初始化时这样设置。该信号可靠性评估可以以特定频率和/或在预定间隔期间准时地进行，或者替代地连续地进行，以检查是否需要改变SR_V的值。

仅在发现可靠性值SR_V为1时才进行风险因子的检测和视频数据风险分数110的计算。只要视频数据130被认为是可靠的，视频处理单元8就处理视频数据130并实时检测多个风险因子，这些风险因子主要是指患者的身体姿态和在床上占据的位置。例如：患者的躯干从仰卧位抬起，患者2不安、转身和摇晃或患者2靠近床边。

此外，视频部件能够检测诸如患者2的有意和无意的离开床之类的事件。如果患者2有意地离开床，则离开床指示符将被设置为1(BE＝1)，否则将其设置为0。如果患者2无意从床上掉下来，则床跌落离开指示符将被设置为1(BF＝1)，否则将其设置为0。如果在房间中有额外人员，则将额外人员指示符设置为1(AP＝1)，否则将其设置为0。

检测上述可修改的风险因子允许基于视频数据130来计算床跌落事件的视频数据风险分数110。如果相机不可靠(SR_V＝0)，则处理单元8根本不处理该信号，并且视频数据风险分数110被设置为-1以指示由于信号不可靠而未评估风险。如果发现视频信号不可靠，则系统将基于来自生命体征传感器13的风险分数作出反应，反之亦然。如果没有信号是可靠的，则设备1向干预单元15发送消息，即不可能进行实时监测，并且技术团队需要出现在病房40以解决问题并恢复信号质量。根据优选的实施例，设备1可以自我诊断并对具有信号不可靠性原因的日志进行写入。在生命体征信号的情况下，这可能是例如网络带宽不足，吞吐量不足等。在视频信号不够的情况下，照明条件等可能是信号不可靠的原因。该日志甚至可以提供最多存在的原因、受影响最大的位置/病房40等的统计数据。然后，技术团队将使用该日志来解决问题。

视频数据处理单元8的输出包括SR_V信号可靠性指示符和视频数据风险分数110。这些数据被传送到评估单元4。

此外，视频数据处理单元8提供数据以供分类单元10检索，从而帮助学习患者的顺应性水平，例如，不在无人照看的情况下离开床。移交给分类单元10的数据是SR_V信号可靠性指示符，针对检测到的故意离开床和无意床跌落事件的BE和BF代码以及额外人员指示符AP。

在下文中，描述了用于检测上述风险因子的算法。首先参考图2。

在图2中，示出了用于患者2(图2中未示出)的非常示意化的床200。

用于床跌落预测的本发明的设备1假设已知在由摄像机12覆盖的帧中的指示床空间的点(x、y)坐标，例如四个床边缘201a、201b、201c和201d。床边缘201a、201b、201c和201d可以手动指示，例如通过在用作输入设备(未示出)的可视编辑器中绘制它们或者可以自动检测它们。

基于床边缘201a、201b、201c和201d的坐标，所述算法执行以下步骤：

1、定义第一感兴趣区域202和第二感兴趣区域203，第二感兴趣区域203分成两个部分203a和203b，它们布置在第一感兴趣区域202附近并且与床边缘201c和201d相邻，稍后在检测参数中使用；

2、确定第二感兴趣区域203a和203b内的有效运动轨迹，其中有效轨迹通过基于学习确定的特定长度和最大方差来定义；

3、将有效运动轨迹聚类以基于若干图像帧(当前15幅图像帧——该阈值需要根据场景中的移动行为来学习和调整，例如速度)上的方向、斜率、位置和长度来识别移动实体；

4、通过计算属于所述实体的所有有效运动轨迹的终点的x、y坐标的中值，确定每个实体的运动重心；

5、确定参考运动重心：最右边的运动重心401，这是所有重心中具有最大x坐标的重心，最左边的运动重心400，这是所有重心中具有最低x坐标的重心，最高运动重心402，这是所有重心中具有最大y坐标的重心，以及全局运动重心，这是根据对所有实体在场景中所有有效轨迹终点的x坐标的中值计算出来的。

轨迹被定义为视频场景中的对象的移动轨迹，其基于场景中特定点的对比度的变化来计算。这些点是被指示为可能的起始轨迹点的点。场景中的点的对比度可变性确定该点是否变为起始轨迹点。从候选起始轨迹点开始，计算图像中x方向和y方向上的梯度，给出从该起始点开始的移动方向。以此方式确定下一个轨迹点。在给定数量的视频帧(例如，15帧)期间形成轨迹。当在若干帧期间形成轨迹时，执行检查以接受或拒绝轨迹作为有效轨迹。可以基于对象的逻辑运动的典型特征来完成轨迹的有效性。例如，轨迹的长度、轨迹的曲率、轨迹点的变化等可以用作接受轨迹的质量指标。

以下将实体定义为具有共同特征的场景中的一组轨迹或一组移动点。聚类算法，即众所周知的k均值聚类可用于基于例如颜色、轨迹长度、轨迹斜率、轨迹点的直方图等来对轨迹或移动点进行聚类。这里应注意，轨迹被计算为例如15帧长，但其长度取决于对应的移动对象的速度。通过将场景中的轨迹或移动点进行聚类，患者的身体部分以及诸如床单之类的其他运动部分由于它们的共同特征而可以被如此识别。

重心值基于视频信息。实际上，重力值是用于将移动点和/或轨迹聚类的不同且更简单的算法。计算场景中的感兴趣区域202、203(下面描述)中的所有移动点或轨迹的起始点的x坐标的中值，以得到重心400、401的x坐标值。可比地，计算场景中的感兴趣区域202、203中的所有移动点或轨迹的起始点的y坐标的中值，以得到重心402的y坐标值。此外，场景中的感兴趣区域202、203中的移动点中的一部分可用于计算感兴趣区域202、203中的对象的特定子部分的重心400、401、402，即仅取场景中的窗口全局重心右侧的30％的点。

基于床边缘201a、201b、201c、201d的坐标，算法定义了上述两个感兴趣区域202和203a和203b。第一感兴趣区域202具有矩形形状，下方基部204水平地跨床200的中间部分延伸。水平下方基部204的长度不超过床200的宽度。在垂直方向上，第一感兴趣区域202伸展超过顶部床边缘201a，其中，顶部床边缘201a在垂直方向上位于第一感兴趣区域202的中间。

第二感兴趣区域203a和203b的形状也基本上为矩形，其中，下方基部205水平地延伸并且基本上平行于第一感兴趣区域202的下方基部204，横跨床200的中间部分。水平基部205超过床200的宽度大约为床200宽度的一半。在垂直方向上，区域伸展超过顶部床边缘201a，其中，顶部床边缘201a在垂直方向上位于第一感兴趣区域202的中间。第二感兴趣区域203a和203b的总尺寸可以与第一感兴趣区域202的尺寸大致相同。然而，可以选择感兴趣区域202和203的任何合适尺寸。

在下文中，描述了一种方法，通过该方法，视频分量基于感兴趣区域202、203和运动重心400、401、402来自动检测分配给不同运动类型的参数。每个参数检测步骤的结果是根据每个参数的设计计算的指标α的值。对于绿色到红色范围内的每个可检测参数(不安，离开床，躯干向上等)，α值被转换成单独的视觉输出指示符UI_RGB 300，其是根据以下公式的[R,G,B]元组：

UI_RGB＝[α*255,(1-α)*255,0]。

输出指示符的值用于在视频部件的用户界面中显示。用户界面未在图1中明确示出，但可以是任何合适的显示单元，如屏幕等。在该意义上，如果特定参数的UI_RGB指示符300更接近红色，则参数被检测为在摄像机覆盖的帧中更突出地存在，例如，检测到患者2更靠近床边缘201a、201b、201c或201d或患者2非常不安。相反，如果特定参数的UI_RGB指示符300更接近绿色，则该参数被检测为在相机所覆盖的帧中不太突出地存在，例如，检测到患者2更远离床边缘201a、201b、201c、201d或患者2安静地躺在床上。

在图3至10中，在患者2的不同条件下示出了由相机覆盖的帧。在显示器中，相应的UI_RGB指示符300示例性地布置在显示器的左侧和右侧的两列中，其中左侧包含用于“离开床”事件的指示符301，针对患者朝向“床边缘”201a、201b、201c、201d移动的指示符302，针对直立“躯干向上”姿态的指示符303和针对“不安”的指示符304。在右侧，布置了针对视频数据“风险分数”110的指示符305和针对“跌倒事件”的指示符306。当然，UI_RGB指示符300的任何其他合适数量和布置都是可能的。此外，为了在图中清楚地以黑色和白色表示UI_RGB指示符300的颜色，任何指示符300的空方格表示绿色，而方格中的数量增加的点表示经由黄色和橙色向红色移位。针对每个指示符300的填充的方块表示红色。

基于上述感兴趣区域202、203，当最高运动重心402定位为高于特定阈值时，视频部件检测到患者的躯干从躺卧位置向上。该特定阈值在图2中低于第一感兴趣区域202的顶部边界。该阈值是在一组视频上学习的。患者躯干处于直立位置的情况如图3所示。

该阈值用于区分场景中的移动点，所述场景由于来自场景中的移动点的噪声而看起来正在移动，所述场景中的移动点实际上表示场景中的移动对象的点。通过估计视频的噪声水平来计算阈值。当没有移动物体位于图像中的那些位置时，这基于场景中特定点的平均噪声水平而发生。示例性地，帧的上部的五个点用于计算视频的噪声，但是在场景上散布的任何一组点都可以用于该计算。在若干步骤中计算阈值。

在用于计算阈值的点不是场景中的运动对象的点的情况下，采用最后即60帧中的点的强度的值来计算点的强度的方差。

根据移动物体是否位于场景中的那个点来评估用于计算视频阈值的点。这通过监测点的强度变化而发生。如果在视频的最后60帧上计算的点强度的平均值的变化表示突然变化，那么在计算那个时刻的视频的阈值时该点在即视频的最后60帧的变化不被考虑在内。

基于上述考虑因素未被拒绝的点用于计算该时刻的视频的噪声水平的方差。在该时刻视频的噪声水平的方差取决于用于计算场景的阈值的点的方差。该依赖性可以是方差的平均值或方差的最大值。

然后将该那个时刻的视频的阈值计算为标准偏差的倍数(该时刻的视频的上述评估方差的平方根)。相乘因子被设置为4(四个标准偏差)，但是当场数据可用时，它将基于训练算法。训练算法将基于训练迭代学习系统，同时使用来自临床测试的真实视频。

如在图3中可以进一步认识到的，当最高运动重心402高于阈值时，不仅针对“躯干向上”姿态的指示符303变为红色，而且指示视频数据风险分数110的相应指示符305已经从绿色变为橙色，指示可能从床200跌落。同样地，针对接近床边缘201a、201b、201c、201d的指示符302已经朝橙色变化，因为患者2不仅坐起来而且还略微移动到床200的一侧。针对不安的指示符304也略微偏离绿色，因为坐起将意味着一定量的运动。

现在参考图4，视频部可以在若干相继帧上(例如，在2秒的时间间隔内)计算全局运动重心在水平方向上的运动的方差，以检测不安。如果该方差高于可以通过学习确定的阈值，则视频部件检测到患者2不安。当上述方差高于阈值时，图4中针对不安的指示符304变为红色。方差越远离阈值，指示符304变得越远离红色并且越接近绿色，指示患者2安静地休息。另外，针对“躯干向上”姿态和患者接近床边缘201a、201b、201c、201d的指示符303和302正从绿色变为橙色或红色，针对视频数据的风险分数110的指示符305也是如此。

根据图5A和5B，视频部件还提供患者相对于垂直床边缘201c、201d的位置的渐变指示符302。在该意义上，通过监测最右运动重心401相对于图2中的第一感兴趣区域202的右垂直边缘的位置来监测患者相对于右侧床边缘201c的位置。

相反，视频部件通过监测最左侧运动重心400相对于第一感兴趣区域202的左垂直边缘的位置来监测相对于左侧床边缘201d的患者位置。当相应的运动重心400、401在相同侧上远离第一感兴趣区域202的垂直边缘时，指示符302的值更接近绿色，并且当运动重心更接近同一边缘时更接近红色400、401。

因此，图5A示出了当患者2接触床边缘201c时橙色的指示符302，而在图5B中，指示符302是红色的，因为患者2正爬上或爬过床边缘201c。由于涉及不同运动的混合，再次其他指示符300正在转变它们的颜色。尽管在图5A中，因为患者2仍在床200中，“离开床”指示符301仍为绿色，但是当患者2正离开床200时，相应的指示符301在图5B中变为橙色。针对视频数据风险分数110的指示符305也是橙色。由于患者2的动作涉及大量运动，因此不安指示符304同样远离绿色。

另外，当两个水平运动重心(最右侧和最左侧)400和401都在第一感兴趣区域202的垂直边界内时，视频部件可以检测到患者2在床200中是安全的而没有太多移动，例如在睡觉或镇静。这在图7中示出，其中当患者2不移动时各个指示符300都是绿色的。

图6A和6B图示了在日光和夜晚条件下的视频分量执行，其中检测到患者2安全地躺在床上。在这种情况下没有显示指示符300。然而，覆盖患者2的毯子上的点400和401表示两个水平运动重心，发现两者都位于床边缘201c、201d的范围内，即在第一感兴趣区域202的垂直边界内。

当最左侧的运动重心超过第一感兴趣区域202的右侧垂直边缘并且最右侧的运动重心401超过第二感兴趣区域203b右侧垂直边缘时，视频部件检测到患者2已故意离开床200。当满足上述条件时，“离开床”的指示符301变为红色，如图8和9中所示。如上所述，在这种情况下，其他指示符300可以改变颜色，因为离开床200将涉及大量移动，例如抬起躯干，朝床边缘201c移动并因此也触发视频数据风险分数110上升。

当最左侧的运动重心400超过第一感兴趣区域202的右垂直边缘并且最右侧的运动重心401超过第二感兴趣区域203b的右侧垂直边缘时，当最高运动重心402位于感兴趣区域202和203的基部204和205特定的某个水平阈值之下时，视频部件检测到患者2已经从床200跌落。所述阈值是通过学习多个视频来确定的。当满足上述条件时，“床跌落”的指示符306变为红色，如图10中所示。其他指示符300再次涉及并且改变颜色，只有“躯干向上”指示符303是绿色的，因为患者2现在躺在床200外面，但躯干向下。

指示总体床跌落风险的视频数据风险分数110的计算基于除了跌倒检测之外的所有检测参数的线性组合或总和除以考虑检的测到的风险因子的数量(No_RF)。在图3到10中所示的示例中，风险因子的数量是三(No_RF＝3)：

视频数据风险分数＝(躯干向上+不安+床边缘)/No_RF

在下文中，详细描述了生命体征传感器13的功能。在下文中，类似于视频部件，生命体征传感器13和相应的生命体征处理单元9被称为“生命体征部件”。处理单元9接收来自患者房间40中的生命体征传感器13的输入，如上面参考图1所述。

设备1的该部分接收来自生命体征传感器13的输入，所述生命体征传感器13被布置在患者房间40中或直接布置在患者的身体上，例如脉搏计，用于监测血压的设备等。替代地，生命体征传感器13可以是远程传感器，例如PPG传感器，其可以通过照射特定皮肤区域来监测血氧含量。生命体征部件再次像视频部件一样组合了两个功能。一方面，评估生命体征或生理信号(例如心脏信号，呼吸信号，加速度计信号等)的可靠性，另一方面，系统实时检测风险因子的存在，系统其于其来计算指示跌倒事件可能性的风险分数。仅当确定如上所述的生理信号的可靠性足够时，才执行该功能。

实时检测到的可修改风险因子如下：患者经历紧张或压力、患者经历焦虑、患者经历不安、即辗转反侧、或患者经历躁动、这可能通过强烈或快速、大的、不稳定的运动来表达。此外，可以检测患者在床空间中的姿态：患者的躯干向上，患者正侧靠在床边或患者正在下床。

检测上述可修改的风险因子允许基于来自生命体征传感器13的输入来计算床跌落事件的生命体征风险分数111。以下生命体征风险分数111用R_VitalSigns来表示。如果生命体征传感器不可靠，则系统11根本不处理信号，并且R_VitalSigns设置为-1以指示由于信号不可靠而未评估风险。

对从生命体征传感器接收的生理信号的可靠性的评估借助于表达生命体征传感器可靠性SR_VS的变量来完成。当传感器可靠性被评估为足够时，SR_V被设置为1，并且否则为0。

评估基于信号广播速率以及信号伪迹率。在该意义上，每当信号广播速率低于被定义为系统要求(例如1Hz)的阈值时，生命体征传感器13的信号被确定为不可靠并且SR_VS被设置为0。类似地，如果信号伪迹率高于阈值，例如移动时间窗内的异常值样本的比例高于阈值，即，例如，1分钟窗口内超过10％的样本是异常值，则生命体征传感器13的信号被确定为不可靠并且SR_VS被设置为0。

然而，如果信号广播速率以及信号伪影率在相对于上述阈值的可接受范围内，则SR_VS被设置为1。

该生理信号可靠性评估可以以特定频率或以特定间隔准时地进行，或者使用移动信号窗口连续地进行。后一种选择意味着缓存要评估的信号的一小部分，并有助于使处理器表现流水化。

在下文中，描述了基于生命体征数据140的风险因子的检测和风险分数的计算。

生命体征部件在专用处理单元9上执行，并且接收来自生命体征传感器13的输入，基于该输入，其实时检测已知导致跌倒事故的多个风险因子，如上所述。该部件使用上述风险因子的检测来计算生命体征风险分数R_VitalSigns111实时指示跌倒事件的机会。因此，相应部件的输出包括SR_VS信号可靠性指示符和R_VitalSigns风险分数111。

如果患者2经历一些紧张或压力，则通过以下方式分析心率(HR)、心率变异性(HRV)、呼吸率(RSP率)和加速度计(ACC)信号来检测相应的风险因子：系统在长于阈值(例如0.5分钟)的时间窗内检测到相对于基线平均值略微升高的平均值的增加趋势(例如，小于5％的增加)、HR、RSP速率和略低的HRV值，但是系统11没有检测到ACC信号中的显著移动。加速度计优选地布置在患者2的胸部上，但是也可以布置在身体的其他合适位置上。

如果患者2经历焦虑，则系统在比阈值(例如0.5分钟)更长的时间窗内检测到相对于针对HR、RSP率的基线平均值的显著升高的平均值的增加趋势(例如，大于5％增加)，并且针对HRV的值较低，但系统未检测到ACC信号的显著移动。

此外，患者在床200中的姿态用于确定相应的风险因子，如参考图11至15所描述的。

在患者2坐在床200中的情况下，通过将以下公式(1)应用于x、y、z加速度计信号来计算来自图11的“躯干向上”信号：

其中，

其中，lcount_i(i表表x、y、z，通道号)是低通滤波的加速度计数，截止＝1Hz，cming_i＝针对-g加速度的lcount，cplusg_i＝针对+g加速度的lcount。

上述公式用于加速度计计数“lcount”的归一化，以产生从“-1”(如果重力加速度指向负坐标方向)到“+1”(如果重力加速度指向正坐标方向)范围内的归一化值“tn”。“+x”方向从患者的胸部指向他的左侧，“-x”方向指向他的右侧。“+y”方向指向他的头部，“-y”方向指向他的脚。“+z”方向从胸部向外指向，“-z”方向从他胸部指向向他的背部。范例：休息的患者的归一化加速度计读数(0；0；-1)将指示“仰卧”位置，而读数为(0；-1；0)将指示“躯干向上”的位置。

当躯干向上信号达到大于0.7的峰值时，系统11检测到患者2的躯干向上，如图11中所示。图11的左下部分中的圆形标记指示沿着图11的其余三个部分中的三个轴示出的当前“躯干向上”情况。

如果患者离开床，则通过将公式(2)应用于x、y、z加速度计信号来计算图12中的“伸出”信号：

其中，

并且

“伸出”中的第一个因子(＝|sin(2ψ)|*(t_z>0))因此处于最大值(＝1)，在ψ＝45deg且t_z>0的情况下。“伸出”中的第二个因子(＝sin(2)φ)*(t_y<0))处于最大(＝1)，在φ＝45deg且t_y<0的情况下。

当伸出信号达到大于0.8的峰值时，系统11检测到患者2正在伸出，如图12中所示。图12的左下部分中的圆形标记指示沿着图12的其余三个部分中的三个轴示出的当前“伸出”情况。

如果患者2倚靠在床边缘201上，则通过将公式(3)应用于x、y、z加速度计信号来计算来自图13的“倚靠”信号：

其中，

并且

“倚靠”中的第一个因子(＝|sin(2ψ)|*(t_z>0))因此处于最大值(＝1)，在ψ＝45deg且t_z>0的情况下。“倚靠”中的第二个因子(＝sin(2)φ)*(t_y>0))处于最大(＝1)，在φ＝45deg且t_y>0的情况下。

当倚靠信号达到大于0.5的峰值时，系统11检测到患者2正在倚靠，如图13中所示。图13的左下部分中的圆形标记指示沿着图13的其余三个部分中的三个轴示出的当前“倚靠”情况。

不安被定义为患者躯干水平地定向的运动，并且运动幅度有限并且在x和z轴上占主导地位，指的是身体的辗转反侧运动。如果患者2经历不安，则通过将公式(4)应用于x、y、z加速度计信号来获得图14中所示的“不安”信号。

不安＝movav(50·rm,5s) (4)

其中，

其中，躯干向上在上面的公式(1)中定义，并且其中，movav(A，T)是A随时间T的移动平均值，hcount_i表示经高通滤波的加速度计计数(i是x、y或z加速度计通道)，其中，截止＝2Hz。

量“rni”是针对每个坐标方向i的归一化的经高通滤波的加速度计信号。然后计算由各个分量rni给出的矢量的大小，即指示患者2的快速变化的加速度的量。但是患者2也可以进行“正常”活动，例如步行、跑步或跳跃。所有这些“正常”活动的特征在于接近1的“躯干向上”信号，而躺在床上的患者的“不安”将以接近0的“躯干向上”信号为特征。因此，“rm”的定义包括在“不安”的计算中抑制所提及的“正常”活动的因子“(1-躯干向上)”。在不稳定阶段期间，信号“rm”在0与其最大值之间快速振荡，因此最终执行“移动平均”操作“movav”，即对最后5s的信号“rm”(乘以任意的因子50)求平均，以获得“不安”信号。

在图14中，经由借助于将公式(1)应用于x、y、z加速度计信号而获得的信号来表达不安。

患者激动被定义为患者躯干垂直定向的运动，并且运动幅度高，尤其显著高于如图14中的不安的情况，并且在y和x轴上主志。激动是经由强烈/快速、大的、不稳定的动作来表达的。

这由以下公式(5)来建模：

激动＝movav(50·rm,5s) (5)

其中，其中，躯干向上在上面的公式(1)中定义

并且

其中，movav(A，T)是A随时间T的移动平均值，hcount_i表示经高通滤波的加速度计计数(i是x、y或z加速度计通道)，其中，截止＝2Hz。

在图15中，不安和激动信号的组合图示显示在激动时的运动幅度显著高于在不安(图15中的上图)情况下的运动幅度。

R_VitalSigns风险分数111的计算基于对上述风险因子的评估，其中，R_VitalSigns通过参数xi(i＝1..8)来增加——与每个风险因子相关联。这意味着以下测试和相关联的计算：

如果检测到压力＝是，则

如果检测到焦虑＝是，则

如果检测到患者躯干向上＝是，则

如果检测到患者伸出＝是，则

如果检测到患者倚靠＝是，则

如果检测到患者不安＝是，则

如果检测到患者激动＝是，则

其中，在一个简单的示例中可以表示简单的求和。

但是，还有其他可能性来连接风险分数。将从数据中学习实际公式，即从单个参数的不同出现中学习。

在系统初始化时，参数x1至x7可以基于文献研究所指示的值进行初始化，而随着时间的推移，系统11通过学习针对手头的特定人群上述每个风险因子对床跌落发生的影响来调整参数值。这是通过在每次跌倒事件后执行相关性分析和应用回归技术来完成的，以了解每个风险因子对跌倒事件可能性的影响并更新上述参数的值。随着时间的推移，系统11因此在确定风险分数时将变得越来越准确。如果没有发生床跌落事件，则不需要进行参数调整。

在下文中，将更详细地描述干预单元15。干预单元15优选地位于远离患者房间40的工作站房间50中，以允许医务人员和维护人员等进入，并允许同时监视许多人。干预单元15接收来自分类单元10的患者概况和如上所述的计算单元6的总风险分数114作为输入。

基于这些值(例如，总风险分数114高于阈值或在短时间窗口内显著增加)，干预单元15执行以下动作中的一个或多个：

要么其经由患者房间40中的反馈单元14联系患者并评估情况，在必要时在医务人员正在去处理患者2的需求的途中尝试使患者2平静，说服患者2留在床200上。

替代地或同时地，干预单元识别最近的可用医务人员并将上述信息发送给该工作人员以确保行动的速度。为了识别离病房40最近的人员，干预单元15可以使用定位技术(例如GPS)。为了识别当时可用的工作人员，干预单元15查阅工作人员时间表17，所述工作人员时间表可以存储在指示当时工作人员可用性的数据库中。

在任何情况下，干预单元15都向医务人员发送警报代码，所述警报代码指示需要干预的床跌落事件的风险。

还可以由干预单元15发送干预信息，所述干预信息指示关于患者概况的详细信息以及针对该特定患者给定概况的推荐干预。

另外，干预单元15向医务人员通知需要提供干预的时间范围以便有效并防止事件发生。

此外，干预单元15帮助使当前患者需求优先于其他预期活动。

干预单元15是较大基础设施的一部分，所述基础设施负责患者监测、跌倒风险评估，基于概况的患者分类和自适应干预，如图1所中所描述。

干预单元15利用人工智能实现，其在需要时采用例如语音识别来与患者2直接通信。该系统区分了与此场景相关的3种情况：

1、总风险分数114为低或中等(低于特定阈值)但在有限的时间窗内缓慢到适度增加——例如，风险分数值在过去10分钟内以最大10度角的平均斜率(平均斜率<＝0.17)上升。

2、总风险分数114为低或中等(低于特定阈值)，但在有限的时间窗内(例如5-10分钟)显著增加——例如风险分数值以大于10度的平均斜率(平均斜率>0.17)上升。

3、总风险分数114被确定为高(高于特定阈值)。

干预单元15基于从患者概况导出的信息在上述每种情况下作出反应。在该意义上，系统根据认知能力水平(CgAL)、沟通能力水平(CmAL)和依从性水平(CL)对患者2进行分类。如果基于患者概况，患者没有认知障碍并且没有语言障碍CgAL被设置为高。在任何其他情况下，其被设置为低。此外，基于患者概况(特别是心理依从性概况)，系统将CL设置为高或低。

在下表中，描述了干预单元15对总风险分数114的值趋势作出反应的情况。

1、如果总风险分数114是低或中等(低于特定阈值)但是在有限的时间窗口(例如10分钟)内缓慢到适度增加，则干预单元15基于当前风险分数增长做出多长时间总风险分数114将变高的预测，以向护士指示可用于有效预防的时间范围。这将有助于优先考虑需要照顾的患者。

表1

2、如果总风险分数114低或中等(低于特定阈值)但在有限时间窗内(例如5-10分钟)显著增加，则干预单元15再次基于当前风险分数增长做出多长时间总风险分数114将变高的预测，以向值班护士或最近的可用医务人员指示可用于有效预防性干预的时间范围。这将有助于优先考虑需要照顾的患者2。

干预矩阵类似于表1中指定的干预矩阵，不同之处在于，在这种情况下，患者自动成为值班护士的最高优先级，并且如果所有值班护士都被其他患者2占用且无法照顾，则联系最近的医务人员。

3、如果确定总风险分数114高(高于特定阈值)，则发生关于先前描述的情况的差异。需要立即采取行动。干预单元15简单地识别最近的可用医学人员并且告知值班护士以及患者需要被护理。

表2

如前所述，反馈单元14(在表1和2中称为“经由音频通信”)可以是现今通常在医院房间中可用的电视机。然而，如果环境例如是认知障碍人士的疗养院，则反馈单元可以是具有扬声器、麦克风和布置在患者2附近的合适位置的其他通信设备的显示器。

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图示性或示范性的，而非限制性的。本发明不限于公开的实施例。本领域技术人员通过研究附图、公开内容以及权利要求书，在实践请求保护的本发明时能够理解并且实现对所公开的实施例的其他变型。

在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以完成权利要求书中所记载的若干个项目的功能。尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的集合。

可以将计算机程序存储/分布在与其它硬件一起提供或者作为其它硬件的一部分提供的诸如光存储介质或者固态介质的合适介质上，但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。

权利要求书中的任何附图标记不应被解释为对范围的限制。

Claims (15)

1.一种用于检测个体(2)的床跌落风险的视频数据相关风险分数(110)的设备(30)，所述设备(30)包括：

-第一端口(3)，其用于获得与所述个体(2)的移动有关的视频数据(130)，以及

-视频数据处理单元(8)，其用于获得和处理所述视频数据(130)，以通过根据所述视频数据(130)检测至少一个风险因子并根据所述至少一个风险因子计算所述视频数据风险分数(110)来生成指示所述个体(2)的所述床跌落风险的视频数据相关风险分数(110)。

2.根据权利要求1所述的设备(30)，其中，所述风险因子是以下中的至少一项：所述个体(2)的从仰卧位置到直立位置的移动、所述个体(2)的被分配给不安的移动、所述个体(2)的朝向所述床(200)的边缘(201)和/或在所述床的边缘附近的移动。

3.根据权利要求1所述的设备(30)，其中，所述视频数据处理单元(8)还被配置为根据所述视频数据(130)检测离散状况，特别是所述个体(2)在所述床(200)上的未受打扰的存在、所述个体(2)从所述床(200)的有意的离开和所述个体(2)从所述床(200)的无意的跌落。

4.根据权利要求1所述的设备(30)，还包括评估单元(4)，所述评估单元被配置为向所述视频数据(130)和/或所述视频数据相关风险分数(110)分配可靠性值并且根据所述可靠性值和所述视频数据风险分数(110)来评估所述个体(2)的可变风险分数(112)。

5.根据权利要求1所述的设备(30)，其中，所述视频数据(130)包括与所述个体(2)所处的床(200)、限定所述床(200)的床边缘(201a、201b、201c、201d)、相对于所述床(200)限定的第一感兴趣区域(202)和第二感兴趣区域(203)的位置有关的数据，以及与所述个体(2)的位置相对于所述床(200)、所述床边缘(201a、201b、201c、201d)和所述第一感兴趣区域(202)和所述第二感兴趣区域(203)的位置有关的数据。

6.根据权利要求5所述的设备，其中，所述第一感兴趣区域(202)和所述第二感兴趣区域(203)具有矩形形状，其中，下部基部(204、205)在床(200)的长度的大约一半处水平横跨所述床(200)延伸，并且具有大致等于所述床(200)的所述长度的长度，其中，所述第一感兴趣区域(202)的所述下部基部(204)的长度大致等于所述床(200)的所述宽度，并且其中，所述第二感兴趣区域(203)的所述下部基部(205)的长度大致等于所述床(200)的两倍宽度，并且其中，所述第二感兴趣区域(203)包括与所述第一感兴趣区域(202)相邻的两个部分(203a、203b)。

7.根据权利要求5所述的设备，其中，与所述个体(2)的所述位置有关的所述数据包括最高运动重心(400)、最右运动重心(401)、最左运动重心(402)和全局运动重心(403)。

8.根据权利要求7所述的设备(30)，其中，所述视频数据处理单元(8)被配置为通过确定在预定时间中由长度和最大方差定义的有效运动轨迹并且对所述轨迹进行聚类以基于方向、斜率、位置和长度来识别移动实体来检测所述运动重心(400、401、402、403)的所述移动，并且向所述移动分配风险因子和/或离散状况。

9.根据权利要求2或3所述的设备(30)，其中，所述视频数据处理单元(8)被配置为向所述风险因子和所述离散状况分配视觉输出指示符(300)，并且输出所述指示符(300)以供显示。

10.根据权利要求9所述的设备(30)，其中，所述视觉输出指示符(300)被配置为根据对风险因子和/或离散状况的所述检测，连续地或以离散的步骤从绿色变为红色。

11.根据权利要求4所述的设备(30)，其中，所述视频数据处理单元(8)被配置为以离散间隔或连续地确定所述视频数据风险分数(110)和/或所述可靠性值。

12.一种用于确定个体(2)的床跌落风险的系统(31)，所述系统(31)包括：

-至少一个视频传感器(12)，特别是相机，其用于采集与所述个体(2)的移动有关的视频数据(130)，以及

-根据前述权利要求中的一项所述的设备(30)，其用于基于所采集的视频数据(130)来确定个体(2)的床跌落风险。

13.根据权利要求12所述的系统(31)，还包括生命体征传感器(13)和生命体征处理单元(9)，其中，所述生命体征处理单元(9)被配置为根据从所述生命体征传感器(13)获得的生命体征数据(140)来生成生命体征相关风险分数(111)，并且其中，所述评估单元被配置为根据所述视频数据风险分数(110)和所述生命体征风险分数(111)来评估所述可变风险分数(112)。

14.一种用于确定个体的床跌落风险的方法，所述方法包括以下步骤：

-获得与个体的移动有关的视频数据，以及

-处理所述视频数据以通过根据所述视频数据检测至少一个风险因子并根据所述至少一个风险因子计算视频风险分数来生成指示所述个体的所述床跌落风险的移动相关风险分数。

15.一种包括程序代码单元的计算机程序，所述程序代码单元用于当所述计算机程序在计算机上执行时执行根据权利要求14所述的方法的步骤。