CN110139595A - 用于预测从占用者支撑物离去的系统 - Google Patents
用于预测从占用者支撑物离去的系统 Download PDFInfo
- Publication number
- CN110139595A CN110139595A CN201780066029.1A CN201780066029A CN110139595A CN 110139595 A CN110139595 A CN 110139595A CN 201780066029 A CN201780066029 A CN 201780066029A CN 110139595 A CN110139595 A CN 110139595A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- criterion
- occupant
- notification
- 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
Links
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 5
- 230000005484 gravity Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 21
- 238000000034 method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 16
- 239000013598 vector Substances 0.000 description 13
- 238000005303 weighing Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000000689 upper leg Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/22—Status alarms responsive to presence or absence 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
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
-
- 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
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- 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
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G12/00—Accommodation for nursing, e.g. in hospitals, not covered by groups A61G1/00 - A61G11/00, e.g. trolleys for transport of medicaments or food; Prescription lists
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G7/00—Beds specially adapted for nursing; Devices for lifting patients or disabled persons
- A61G7/05—Parts, details or accessories of beds
- A61G7/0506—Head or foot boards
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G7/00—Beds specially adapted for nursing; Devices for lifting patients or disabled persons
- A61G7/05—Parts, details or accessories of beds
- A61G7/0507—Side-rails
- A61G7/0519—Side-rails stowable, e.g. underneath mattress
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
-
- 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
- A61B2562/0252—Load cells
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G2203/00—General characteristics of devices
- A61G2203/30—General characteristics of devices characterised by sensor means
- A61G2203/32—General characteristics of devices characterised by sensor means for force
-
- 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)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Nursing (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Invalid Beds And Related Equipment (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
一种用于预测从占用者支撑物离开的系统包括:处理器;与处理器通信的存储器;具有至少一个力传感器的框架,力传感器响应于施加在其上的力而输出力信号。系统还包括存储在存储器中的机器可读指令,当机器可读指令由处理器执行时使得系统执行至少以下动作:1)在时间间隔期间确定信号的属性,2)将属性分类为表示离开事件或不表示离开事件,以及3)如果属性被分类为表示离开事件,则生成其通知。
Description
相关申请的交叉引用
本申请根据35 U.S.C.§119(e)要求享有于2016年10月24日提交的美国临时申请No.62/411,871的优先权,其全部内容通过引用并入本文。
技术领域
本文描述的主题涉及用于预测占用者的从占用者支撑物未被授权的离去或离开的系统和方法。在一个示例中,占用者支撑物是医院病床。
背景技术
诸如使用在医院、其他医疗机构中以及有时使用在家庭护理设施中的病床可以配备离开病床预测和警报系统。这样的系统预测了病床的占用者是否意图离开病床,如果是,则向医院护士站发出诸如本地警报或信号的本地或远程警告。在美国专利6,208,250中描述了一种用于预测离开病床的示例系统。如果占用者在没有协助的情况下未被授权地离开病床,则这种系统特别有用。但是,离开预测和警报系统会产生错误警报。像正规警报一样,这些警报也需要护理人员的响应,并且因此给护理人员带来过度的负担。因此,关注点在于开发出能准确预测真正离开病床的同时又降低了错误警报可能性的系统。
一些病床可以包括传感器,例如用于确定占用者体重的称重传感器。如果这些传感器的输出信号还可用于帮助预测离开病床,可以降低床的成本和复杂性。因此,关注点在于使用来自重量传感器的力读数来预测离开病床的附加目的。
发明内容
一种用于预测从占用者支撑物上离开的系统包括:处理器、与处理器通信的存储器,以及具有至少一个响应于施加在其上的力而输出力信号的力传感器的占用者支撑物框架。机器可读指令存储在存储器中。当由处理器执行时,机器可读指令促使系统在时间间隔期间确定力信号的属性,将信号属性分类为表示离开事件或不表示离开事件,并且如果属性被分类为表示离开事件则生成其通知。
附图说明
本文描述的离开预测系统的各种实施例的前述和其他特征将在以下详细描述和附图中变得更加明显,其中:
图1是高度简化示出的医院病床的左侧图,其中可铰接床板部分处于非零的角度取向。
图2是比图1的视图更真实的医院病床的立体图。
图3是高度简化示出的医院病床的俯视图,其中每个可铰接的床板部分以零度的角度取向示出并且还示出了四个称重传感器。
图4是示出了在本文描述的预测系统中使用的一套部件的示意图,其包括处理器和包含机器可读指令和机器可执行指令的存储器。
图5是示出了图3的称重传感器的示意性的右视图和示意性俯视图。
图6是示出了如下一种过程的框图,通过该过程机器可读指令确定病床占用者的重心的横向坐标a。
图7A是示出了如下一种过程的框图,通过该过程机器可读指令可以确定占用者的重心CG的位置是在可接受区域之内还是之外。
图7B是示出了图7A的可接受区域并且还示出了除可接受区域之外的区域的俯视图。
图8-图11是示出可接受区域的形状和纵向长度的变化的俯视图。
图12A和图12B是表示将称重传感器输出信号组合并转换成数字信号的命令的选项的示意图。
图13是对应于施加在称重传感器上的总力的示例数字信号的图。
图14是示出了如下一种过程的框图,通过该过程机器可读指令基于对称重传感器信号的属性进行分类来生成预测离开病床事件的通知。
图15是类似于图14的框图,包括测试占用者重心计算是否指示了占用者处在可接受区域内的附加步骤。
图16是类似于图14的框图,示出了如下一种过程,通过该过程机器可读指令基于分类的结果无条件地生成占用者离开的可能性或概率的通知。
图17是示出了用于定义时间坐标和力坐标的滑动窗口的图,该时间坐标和力坐标构成待分析信号的片段以预测占用者是否从病床离开。
图18是示出了用于定义时间坐标和力坐标的步进式的窗口的图,该时间坐标和力坐标构成待分析信号的片段以预测占用者是否从病床离开。
图19是总结了针对其信号属性必须与标准匹配的称重传感器的数量和必须与标准匹配才能使系统声明床占用者意图离开病床的信号属性的数量的一系列选项的图。
图20-图23是进一步详细说明图19的选项的逻辑图。
图24是示出了如下一种过程的框图,通过该过程机器可读指令基于称重传感器信号生成预测离开病床事件的通知。
图25-图26示出了利用占用病床并且随时可以自由地离开病床的志愿者进行一小时测试的结果。
具体实施方式
在本说明书中,与已经描述的特征相同或相似的特征可以用与那些已经使用的附图标记相同或相似的附图标记来标识。
图1-3示出了诸如医院病床20的占用者支撑物。病床20包括框架34,框架34包括基架36和可升降框架38,可升降框架38通过支撑件40支撑在基架上并且可相对于基架垂直地移动,如图1中的方向箭头V所示。该病床从头部端H纵向地延伸到脚部端F并且从左侧L横向地延伸到右侧R,其中左侧和右侧是从仰卧的患者或占用者的角度取得。框架34包括从基架延伸到地板44的脚轮42。图3还示出了纵向地延伸的病床中心线CL。
可升降框架38包括子框架44、称重框架46和通常由60标记的床板。所示的床板是分段的床板,其包括大致对应于仰卧占用者躯干的上身部分或躯干部分62、大致对应于占用者的臀部的座椅部分64、大致对应于占用者的大腿的大腿部分66和大致对应于占用者的小腿和脚的小腿部分68。如图1所示,躯干部分、大腿部分和小腿部分的取向可从0度(平行于子框架)调整到非零取向,以便改变病床的轮廓。
床垫120放置在床板上。当调整床板部分的取向时,床垫足够柔韧以符合床板轮廓。
框架包括置于称重框架46和子框架44之间的一个或多个力传感器,共同用72来表示。所示的各力传感器为左上称重传感器72A、左下称重传感器72B、右上称重传感器72C和右下称重传感器72D。指示词“上”意味着更加靠近头部。指示词“下”意味着更加靠近脚部。称重传感器以大体上矩形的图案排列。称重传感器将称重框架的重量、病床部件的重量和由称重框架支撑的其他物品的重量以及病床占用者的重量传递给子框架44。每个称重传感器响应于施加其上的力而输出力信号。在患者进入病床之前,力信号可以归零,以便信号仅表示患者的体重和患者造成的动作,但排除了施加在称重传感器上的所有其他力,例如称重框架和床板的重量。虽然力信号是电信号,但它们表示施加在每个称重传感器上的重量或力,因此,为简单起见,在本文中将其称为重量信号或力信号。
框架具有纵向长度或纵向尺寸LF和横向宽度或横向尺寸WF。尺寸LF是当每个床板部分处于其最小取向角(α=B=θ=0)时水平测量的床板的纵向长度。尺寸WF是床板的横向宽度。
该病床还包括左侧栏组件和右侧栏组件,左侧栏组件包括至少一个安装在框架的左侧的左侧栏,右侧栏组件包括至少一个安装在框架的右侧的右侧栏。在图2-图3所示的实施例中,左侧栏组件包括左上侧栏90A和左下侧栏90B。右侧栏组件包括右上侧栏90C和右下侧栏90D。指示词“上”意味着更加靠近头部。指示词“下”意味着更加靠近脚部。
各上侧栏连接到上身床板部分62并因此当上身床板部分转动经过角度α时随着上身床板部分转动(见图1)。各下侧栏连接到可升降框架的一部分上,可升降框架的该部分不会围绕横向延伸的轴线转动。因此,如侧视图所示,各下侧栏相对于子框架44总是处于固定取向。
每个侧栏能安置在上边缘高于床垫顶部的展开的位置或高度处,并且能安置在上边缘低于床垫顶部的收起的位置或高度处,以便占用者可以进入和离开病床。在图2中,所有四个侧栏都是展开的。在图3中,应用于各上侧栏的阴影表示那些侧栏是展开的;各下侧栏上没有阴影则表示那些侧栏是收起的。在一些病床上,各侧栏还可以安置在中间位置,既不像展开的位置那么高也不像收起的位置那么低。
各侧栏的位置共同限定了侧栏配置。某些侧栏配置,例如其中所有四个侧栏都展开的配置,可以被指定为阻止离开配置。其他配置,例如其中所有四个侧栏都收起的配置,可以被指定为方便离开配置。展开位置、收起位置和中间位置(如果中间位置可用)的其他组合可以被指定为阻止离开配置或方便离开配置。备选地或附加地,侧栏配置的阻止离开潜力或方便离开潜力可以是渐变的。例如,在0到100的范围内,其中0表示高度阻止离开配置,100表示高度方便离开配置,“全部展开”配置可能被分配的值为0,而全部收起配置可能被分配的值为100。其他配置可以被分配在0到100的范围内的其他值,这取决于它们被认知的阻止离开或方便离开的潜力。侧栏配置被认为是阻止离开或方便离开的程度可能受判断力的影响。例如,所有四个侧栏都收起的床可能比脚部侧栏收起且头部侧栏展开的病床更不方便离开。这是因为在具有后一种配置的病床中的患者在从病床离开时可以使用展开的侧栏来支撑自己,因此可能更倾向于尝试未被授权的离开。
病床还包括头部板110和脚部板112。图示的脚部板无需特殊的工具或技能就可安装在框架的脚部端上并可从框架的脚部端移除,以便适应占用者从病床的脚部端离去。例如,可以调整一些病床,使其轮廓模仿椅子的轮廓。当使用者将病床放置为椅子状轮廓时,通常会移除脚部板以使占用者能够走出病床/椅子。
病床还包括示出在脚部板112上的使用者界面114(见图2)。通常,使用者界面包括用于显示信息的显示器114,以及用于接受使用者输入的使用者输入接收器118,例如按钮、开关或键盘。
参见图4,本文中描述的离开预测系统包括一套部件130,其包括模拟数字(A/D)转换器132、处理器134和与处理器通信的存储器136。存储器包含可由处理器执行的机器可读指令150。图4表示部件之间的物理连接,但是如果需要可以使用无线连接。例如,处理器可以是远程计算机和/或存储器可以是远程服务器。
参见图5,机器可读指令150包括一组指令,其使得系统确定占用者的重心CG的位置。对重心的横向坐标a的知晓指示出占用者相对于病床的左右边缘的位置,因此有助于预测占用者是否意图从一侧离开病床。如图所示,a是从在左称重传感器72A、72B的传感元件之间延伸的假想线80L测量的,但还可以替代性地从在右称重传感器72C、72D的传感元件之间延伸的假想线80R测量。对重心的纵向坐标b的知晓指示出占用者相对于病床的头部端和脚部端的位置,因此有助于预测占用者是否意图从头部端或脚部端离开病床。如图所示,b是从在脚部端称重传感器72B、72D的传感元件之间延伸的假想线82F测量的,但还可以替代性地从在头部端称重传感器72A、72C的传感元件之间延伸的假想线82H测量。由于头部板的存在以及病床的头部端通常放置在机构的墙壁附近的事实,占用者从病床的头部端离开的可能性是微乎其微的。占用者从病床的脚部端离开的可能性更大,特别是当脚部板已被移除时,但这种可能性也相对较小。因此,仅考虑占用者从左侧和右侧离开的可能性可能就足够了,在这种情况下,不需要知道占用者的重心CG的纵向位置b。
主要参见图3和图5,称重传感器72A和72B的传感元件之间或称重传感器72C和72D的传感元件之间的纵向距离是LL。称重传感器72A和72C的传感元件之间或称重传感器72B和72D的传感元件之间的横向距离是WL。重心的横向坐标a从左侧称重传感器72A、72B的传感元件之间延伸的假想线80L测量。重心的纵向坐标b从脚部端称重传感器72B、72D的传感元件之间延伸的假想线82F测量。角度α是躯干床板部分62的取向角度,其也在图1中可见。TM是患者的体重,并且示出为作用在患者的重心CG上。P1、P2、P3和P4分别是来自称重传感器72A、72B、72C、72D的输出信号。尽管这些是电信号,但它们表示施加在每个称重传感器上的力,因此为了简单起见,在本文中将其称为力信号。如果病床占用者基本上处于休息状态,则力信号的总和等于患者的体重,并因此可以被称为体重信号。
另外参见图6,在方框160中,处理器接收四个称重传感器信号。图中所示的信号是归零信号,即仅表示占用者的重量和占用者造成的其他力的信号,而不是例如称重框架46、床板60和床垫120的任何其他病床部件的重量,或其他已经放在床上以致其重量通过称重传感器被传递到地面的物品的重量。如果占用者基本上处于休息状态,则作用在称重传感器上的力的总和基本上等于占用者的重量。在方框162中,计算力的总和以确定总重量TM。在方框164中,将TM与一个非常小的数值进行比较,这个非常小的数值对应于没有占用者时的重量。在方框图的例子中,小数值是1.0(例如1千克)。如果在方框164中确定TM小于小数值(指示床未被占用),则过程前进到方框166,其中将CG的横向坐标a设置为0(否则,在方框168中的分母会为0,这将在下文描述)。CG的横向坐标a的值为0表示病床未被占用,因为0对应于病床的左边缘处的位置或左边缘附近的位置。可以对纵向坐标b执行类似的确定,但是其中一个就足够了。
然而,如果在方框164中确定TM不小于该小数值(指示病床被占用),则过程前进到方框168,其中计算出CG的横向坐标a为非零值,如下描述。在实际应用中,几乎所有传感器都受到随机测量噪声的影响。为了去除噪声并且同时保存信息,第一步执行中值滤波以处理称重传感器信号。这样做可以显著提高原始数据的质量以及改善后续处理的结果。中值滤波的等式是:
y(i)=Med[x(i-N),…,x(i),…x(i+N)] (0)
其中,x(i)是时间i时的原始数据,N是滤波器的阶数并且N=20。
认识到横向延伸轴线80L和80R的力矩之和等于零并且纵向延伸轴线80F和80H的力矩之和也等于零,产生以下关系式,其中“L”是图5中LL所示的距离,w是图5中WL所示的距离。
因此,
cosα=(P1+P3)/(TM-P2-P4) (5)
并且因此,坐标a和坐标b为:
不管过程是从方框164分支到方框166还是到方框168,它后续都会前进到方框170。在方框170中,将a的值输出到目的地。示例目的地包括使用者界面114的显示器116和存储器150,其中该值可以被其他指令访问以使用。
机器可读指令还可以包括一组指令,其使得系统确定占用者的重心CG的位置是在可接受区域之内还是之外。图7A示出了该过程的框图。图7B是类似于图5的俯视图的俯视图,示出了称重传感器、可接受区域和除可接受区域之外的区域。图7B包括标尺,其指示占用者的CG的横向位置a是从假想线80L测量的。该标尺还示出了用符号表示的a的六个坐标值。在括号中示出了以宽度WL的百分比表示的a的示例数值。百分比值可以转换为任何方便的测量单位,例如厘米或英寸。在一个实施例中,距离WL为870mm,并且可接受区域从a=220mm横向延伸到a=650mm。各坐标值及其含义总结在表1中,其中“内侧”和“外侧”是分别表示横向更靠近和横向远离中心线CL的相应术语。
表1
在方框180中,接收如上文的等式(6)所确定的占用者的重心的横向坐标的值a。在方框180中,测试a的值是否介于aMIN,SAT的值和aMAX,SAT的值之间。如果是这样,则占用者的重心以及相应的占用者自身都被认为处于令人满意的或可接受的区域A中,并且该过程循环并且周期性地执行相同的测试。区域A具有横向宽度WZ并且关于中心线CL对称。区域A被认为是可接受区域,因为如果占用者的重心落在该区域内,则占用者所在的位置与侧栏离得太远,以致于不能与即将离去的尝试达成一致。
如果a的值不在aMIN,SAT的值和aMAX,SAT的值之间,则过程前进到方框182。在方框182中,测试a是否落入两个边缘区域之一,即由aL-MARGIN和aMIN,SAT横向界定的区域ML和由aMAX,SAT和aR-MARGIN横向界定的区域MR。区域ML、MR被称为边缘区域,因为如果占用者的重心以及相应的占用者自身都落入那些区域中的一个区域内,则她足够靠近其中一个侧栏组件,以指示她可能意图离开病床。然而,区域ML、MR与侧栏组件离得足够远,以指示占用者可能仍然还留在病床上。
如果a的值不属于两个边缘区域中的任何一个,则过程前进到方框184。在方框184中,测试a是否落入两个不令人满意的区域之一,即横向位于aL-MARGIN外侧的区域UL和横向位于aR-MARGIN外侧的区域UR。区域UL、UR被称为不令人满意的区域,因为如果占用者的重心以及相应的占用者自身都落入那些区域中的一个区域内,则她足够靠近其中一个侧栏组件,以指示她不仅意图离开病床,而且她可能正在进行离开的行为。
如果a的值不落在任何区域内,则可能是占用者已经离开病床或者根本就不在(例如,起先就没有进入床中)。
在前面的描述中,术语“可接受的”、“边缘的”和“不令人满意的”不是数值性判定,而是旨在为区域分配合理的描述性术语,以表示当占用者的重心在那个区域时她意图离开病床的可能性。例如,可以认为区域ML和MR如区域UL、UR一样都不令人满意。另外,所需的区域数量可能不同于本文所公开的数量。
在任何已提供关于占用者重心位置的所需信息的方框之后,可以截断图7A的框图。例如,如果需要知道占用者是否处于可接受区域中,并且如果她恰好在可接受区域之外则不需要知道关于占用者重心的确切位置的进一步信息,则可以在方框180之后将框图截断。这对应于图8,图8仅示出了可接受区域A,其两侧是不可接受区域UL、UR。在方框180之后截断的框图只要占用者的重心处于可接受区域A中,就将遵循“是”循环。如果占用者的重心不在区域A中,则过程会发出此事实的通知,但不会寻求建立关于占用者重心的实际位置的任何其他信息。
继续参考图8,可接受区域A的宽度WZ在纵向方向上基本上均匀。区域A从假想线82H纵向延伸距离LZ,该距离LZ基本上等于左称重传感器72A、72B之间或右称重传感器72C、72D之间的距离LL。
图9示出了一种变体,其中可接受区域A的宽度WZ在纵向方向上基本上均匀,但区域A的长度LZ小于左称重传感器之间或右称重传感器之间的距离LL。对可接受区域的长度的调整由处理器134执行,以考虑图9中不存在脚部板112的事实(与其中存在脚部板112的图8形成对照)。该调整反映了处理器逻辑中体现的思路,即:脚部板的缺失可能诱使占用者从病床的脚部端而不是从两侧中一侧离去。因此,与图8中在纵向方向上的长度相比,可接受区域A在纵向方向上缩短了距离d,这样除了侧面区域UL和UR之外,不可接受区域还包括脚部区域UF。拐角区域CL和CR可以被认为是脚部区域的一部分或侧面区域的一部分。
图10示出了一种变体,其中区域A从假想线82H纵向延伸距离LZ,距离LZ基本上等于左称重传感器之间或右称重传感器之间的距离LL,并且其中可接受区域A的宽度WZ在纵向方向上基本上不均匀。区域A的脚部端处的扩口(flare)反映了这样的思路:当存在脚部板112时,占用者不太可能在靠近脚部板的位置处从病床的侧面离开,并且更可能从远离脚部板的病床侧面所在的位置离开。
图11示出了一种变体,其中区域A的长度LZ小于左称重传感器之间或右称重传感器之间的距离LL,并且其中可接受区域A的宽度WZ在纵向方向上基本上不是均匀的,而是在区域的脚部端减小。
通常,在定义可接受区域时可以考虑诸如身体活动习惯和患者的尺寸和体型的因素。
如前所述,各侧栏的位置限定了多种侧栏配置,其中一些是阻止离开型,其中一些是方便离开型。在一个变体中,处理器监视各侧栏位置,评估相应的侧栏配置是阻止离开型或方便离开型的程度,并根据检测到的侧栏配置自动调整可接受区域的宽度WZ。如果侧栏配置是高度阻止离开型,则处理器定义宽度相对较大的可接受区域。如果侧栏配置是高度方便离开型,则处理器定义宽度相对较小的可接受区域。宽度调整可以应用于宽度基本上均匀的区域或宽度不均匀的区域。宽度调整还可以将恒定宽度区域变换为非恒定宽度区域,反之亦然。
参见图12A、图12B、图13和图14,存储在存储器136中的机器可读指令150促使系统执行旨在预测占用者从占用者支撑物离开的动作。以下说明是以具有四个称重传感器(例如72A、72B、72C、72D)的病床形式作为示例。该示例假设各称重传感器已归零,以致于其输出仅表示由占用者造成的力。该示例还假设为了进行预测而分析的信号反映了所有四个称重传感器的组合输出,如图12A或12B所示。在图12A中,对各称重传感器信号进行组合,然后将组合的信号从模拟信号转换为数字信号。或者,如图12B所示,先将每个称重传感器信号从模拟信号转换为数字信号,然后对各数字信号进行组合。
参见图13,系统对信号S进行操作,信号S是施加在各称重传感器上的总力TF的离散数据读数的集合。示例信号S由表示500毫秒时间窗口TW的500个单独的力读数F0,F1,......F499组成。各个力的确定在时间上彼此间隔1毫秒。
从四个称重传感器收集的实时信号采用动态时间序列的形式,其包含随时变化的各种值。因此,信号通常是高维度的。为了降低计算复杂度并探索时间序列的内在机制的相似性,提取出携带概括信息和全局结构的统计特征或特性,以形成固定长度向量作为称重传感器信号的替代项。这种特征提取可以看作是降维过程,其在提高分类精度方面起着重要作用。统计特征应该对患者的动作、动作严重度和类型敏感。不同的特征向量表示对应于病床上的各种动作的不同信号。将Fisher判别分析(FDA)应用于各向量以确定一些典型的模式。
FDA是一种基于多变量统计分析的算法。它是模式分类中广泛研究的最流行的技术之一,并且在例如故障检测和诊断等特定领域表现出优异的性能。与主成分分析(PCA)相比,FDA被证明在某种程度上具有如下优势:其可以将类别之间的信息考虑在内,并且在尽可能最大化类别之间的区分性方面是最佳的。更具体地,FDA旨在确定一组变换向量,或者换句话说,映射方向,在该映射方向上每个类别中的散布性被最小化,同时来自不同类别的数据点的散布性则被最大化。
将p表示为类别的数量,将N表示为观测的数量,将J表示为测量变量的数量(这样,在本示例中,从各称重传感器信号中提取的固定长度向量是J维的)。不同的类别中观测的数量不同是无关紧要的,但是不同的类别中变量的数量应该保持相同。然后,使Xi(Ni×J)成为由属于类别i的样本集合组成的数据矩阵,其中第i个观测的测量变量的向量表示为Xi,其中Ni是该类别中的观测的数量。应该注意,当没有相反的陈述时,向量总是列向量。
类别i的类别内散布矩阵可以通过以下方式定义:
其中是类别i的J维平均向量,并且其中
所以,所有类别的类别内散布矩阵为:
然后,类别间散布矩阵计算为:
其中,是所有类别中的所有观测项的平均向量。
总散布矩阵是并且等于Sw和Sb之和。
类别间的区分性被定义为类别间散布矩阵Sb和类别内散布矩阵Sw的比值,并且Sw被认为是可逆的,
其中,w表示Fisher最佳映射方向。
然后,问题转换为计算出能使函数Δ(w)最大化的向量w,即,映射数据被最佳区分开。通过拉格朗日乘数法,当Sw为非奇时,很容易推导出下面的等式。
这里,我们可以得到一个传统的特征值问题,即λ为矩阵的特征值,向量w是相应的特征向量。事实上,也可以证明λ等于指示所有类别之间区分性的程度的Δ(w)。结果,上述条件极值问题最终转到计算关于的最大特征值和特征向量。由于Sb的秩小于p,非零特征值的数量不会大于p-1,并且FDA仅关注这些方向上的信息特征向量。
将Wa(J×a)表示为包含所有信息特征向量w1,w2,…,wa的矩阵,则判别函数可以描述为:
其中,Pi是类别i的先验概率,并且当每个类别的概率相同时可以省略。
当
时,可以将新观测项x分配给类别i。
当发现患者靠近边缘时,将FDA算法应用于各称重传感器信号,在这种情况下,需要确定患者的动作是否危险。因此,这个问题可以看作是两个类别辨别问题,其旨在将信号分为两类:表示离开事件与否的动作,即移动或静止。因此,只能获得一个方向w并表示为:
其中,中间参数d通过下式定义:
然后,可以将所有的观测项映射到一维空间上,并且我们可以通过(马哈拉诺比斯(Mahalanobis)距离轻松地对新数据进行分类。
图24是示出了基于称重传感器信号来检测未被授权的离开病床事件的过程的实施例的流程图。
沿时间方向使用具有固定长度的滑动窗口。如果采样频率为f,则滑动窗口的长度等于T2×f,其步长为T1×f。滑动窗口连续地更新信号并总是捕获有关患者的最新信息。另一个参数counter,其未在图24中示出,可用于进一步消除信号中的峰值干扰并增强系统的可靠性。只有当包括X(t-counter+1),…,X(t-1),X(t)的参数X的连续值都已超过阈值时,才会识别出患者在时刻t位于安全区域之外。通过改变T1、T2和counter等的值可以调整所提出方法的灵敏度。
图25-图26示出了利用占用病床并且随时可以自由地离开病床的志愿者进行一小时测试的结果。图25和图26中的时标是毫秒(1小时=3,600,000毫秒)。图25示出了平滑、滤波和初始化之后的信号值。信号的一些波动表示志愿者的移动。滑动窗口的参数T1和T2分别被设置为0.1和2。因此,每0.1秒计算指示患者位置的坐标X(图5和图7B中为“a”)。图26示出了在这一小时时间内X的值。图26的纵轴线具有毫米单位,其中0mm对应于图5的线80L,并且870mm对应于图5的线80R。可接受区域从220mm延伸到650mm。根据前面提到的计算原理,当X等于0时,患者已经离开病床。很明显,志愿者在实验过程中只离开了病床一次。此外,counter=10。
在特征提取过程中,分别从时域和频域中选择快速傅立叶变换(FFT)后的标准偏差和峰值能量,作为表示原始信号的降维。每当新观测项到来时,从包含2秒内数据点的时间序列中提取这两个特征,然后将观测项分类为移动或静止。当检测到危险移动状态时,将激活警报。
图14是示出了如下一种过程的实施例的框图,通过该过程机器可读指令可以基于对称重传感器信号的属性进行分类来生成预测离开病床事件的通知。在图14的方框192中,确定在时间窗口TW的时间间隔期间的信号的一个或多个属性。所确定的属性可以包括时域信号的平均频率、中值频率、峰值频率和频率的标准偏差,以及在特定时间间隔期间的信号的平均能量。备选地或附加地,该确定可以包括建立S的傅立叶变换以便确定S的频谱。在适用于离散数据读数的一个实施例中,该确定包括建立离散傅立叶变换(DFT),例如通过使用快速傅里叶变换(FFT)算法。所确定的频域属性可以包括平均频率、中值频率、峰值频率、频率的标准偏差,以及在指定时间间隔期间的信号的平均能量。
在方框194中,将一个或多个属性分类为表示离开事件或不表示离开事件。可以通过Fisher判别分析(FDA)对频域属性和/或时域属性进行分类。FDA将具有几个属性的观测项映射到一维空间。可以将FDA视为一种为不同属性分配不同权重并且在对所有涉及的属性进行总体考虑的情况下执行分类的方法。备选地或附加地,可以通过将每个时域和/或频域属性与离开标准进行比较来执行分类,并且如果属性与标准匹配,则将属性分类为指示离开事件。如果属性与标准具有预先指定的关系,则该属性与标准匹配。例如,如果平均频率小于平均频率标准,则可以认为该平均频率与平均频率标准相匹配;如果中值频率小于中值频率标准,则可以认为中值频率与中值频率标准相匹配;如果峰值频率大于峰值频率标准,则可以认为峰值频率与峰值频率标准相匹配;如果标准偏差大于标准偏差标准,则可以认为标准偏差与标准偏差标准相匹配;并且,如果在特定时间间隔期间的平均能量大于平均能量标准,则可以认为该平均能量与平均能量标准相匹配。
分类还可以基于时域属性和频域属性的某种组合。这种分类的一个示例基于频域中的平均值、中值、峰值和标准偏差,以及频域中的频率的标准偏差。信号的平均能量也可以用作属性。
在方框196中,系统对该分类是否表示占用者离开作出响应。该响应基于方框194的分类。如果在方框196中的分类表示占用者意图离开病床,则系统进行到方框198并生成通知,具体地是预测离开的通知。示例通知包括响起本地警报、向附近的护士站发送警示消息以及点亮警告灯。
如果通过与标准比较对多个属性进行分类,则通知可以是关于这些属性中的多少个属性与其各自标准相匹配的函数。在一个示例中,只有当平均频率、中值频率、峰值频率、标准偏差和平均能量都与它们各自的标准相匹配时才生成预测离开的通知。更一般地,该系统包括至少两个力传感器,其输出被组合(例如,如图12A或12B中所示)。机器可读指令对N个信号属性进行分类(在本文给出的示例中,N=5(平均频率、中值频率、峰值频率、频率的标准偏差和平均能量))。只有当所有N个信号属性与其各自的标准相匹配时,才会生成预测离开的通知。
在另一示例中,如果平均频率、中值频率、峰值频率、标准偏差和平均能量中的至少一个与它们各自的标准相匹配,则生成通知。更一般地,该系统包括至少两个力传感器,其输出被组合(例如,如图12A或12B中所示)。机器可读指令对N个信号属性进行分类(在本文给出的示例中,N=5(平均频率、中值频率、峰值频率、频率的标准偏差和平均能量))。如果N个信号属性中的至少一个与其相应的标准相匹配,则生成预测离开的通知。
在又一变体中,可以将加权因子应用于每个属性与其标准之间的匹配的存在或不存在,以便反映在预测离开事件时某些属性比其他属性更可靠或重要的思路。
图15是图14的框图的变体。图15除了包括占用者位置评估方框190之外,在所有方面都与图14相同。在方框190中,测试占用者重心计算是否指示了占用者在诸如图7B和图8-图12的区域A的可接受区域内。如果占用者在可接受区域内,则不执行方框192、194、198的确定步骤、分类步骤和生成步骤。换句话说,只有当重心在可接受区域之外时才执行确定步骤、分类步骤和生成步骤。
图16是图14的框图的另一变体。在图14中,在方框196中的响应取决于关于方框194中的分类结果是否表示占用者离开的“是”或“否”答案。只有当答案为“是”时才会生成通知。相比之下,图16示出了在方框198中无条件地生成通知。例如,通知可以是从0%到100%的概率,或者可以是信号,如果离开的可能性为低则该信号点亮绿灯,如果离开的可能性为适中则该信号点亮黄灯,如果离开的可能性为高则该信号点亮红灯。
图16的框图还可以修改为包括占用者位置评估,例如图15的方框190。
现在回到图13中,示例信号S由来自500毫秒时间窗口TW的500个力确定项样本组成。随着时间的推移,窗口向右前进(或等效地,时间坐标向左前进),以便在图14-图16的方框192中确定的一个或多个属性是基于最新信息的。在一个实施例中,窗口TW是滑动窗口,时间每过1毫秒其向前滑动1毫秒。换句话说,窗口的内容经过每个采样间隔都会更新。例如,如果信号S在时刻t499包含t0到t499,则在时刻t500它会包括t1到t500,在时刻t501则包括t2到t501,依此类推。当初始化数据集合时,窗口不会滑动,直到它首次充分扩展到足以捕获所需数量的数据点。这个概念在图17的分立的简化示例中被示出,其中窗口初始扩展以包含在三个时间坐标处的三个力确定项,然后经过每个采样间隔会向前滑动一次坐标。
另外参见图18,在另一个实施例中,窗口TW是步进式的窗口,即:以步进式的方式前进以用相同数量的更当前的读数来替换多个数据读数的窗口。窗口最初以与图17的窗口相同的方式扩展,直到它包括了与前三个时间坐标t0、t1和t2相关的三个力读数F0、F1、F2。然后,窗口从前三个时间坐标t0、t1和t2继续包含三个力读数F0、F1、F2,直到在时刻T5可获得全部三个更新近的力读数(来自t3的F3,来自t4的F4和来自t5的F5)。然后,窗口向前前进三个时间间隔,放弃来自t0、t1和t2的力值F0、F1、F2,并捕获来自时刻t3、t4和t5的力值F3、F4、F5。可以通过改变时间窗口的宽度、采样率来调整系统的灵敏度,并且如果还考虑占用者CG的位置的话,则还可以改变用于计算位置所用到的频率。
到目前为止所呈现的讨论和示例采用来自如图12A和12B所示的所有称重传感器(示例中的四个称重传感器)的聚合信息。然而,可以单独考虑各称重传感器的输出。图19的横轴区分了只有当来自全部称重传感器的各信号的属性与其各自的标准匹配时生成离开通知的情形与即使来自仅几个(至少一个但少于全部)称重传感器的属性与其各自的标准匹配时生成离开通知的情形。图19的纵轴区分了只有当来自所考虑的各称重传感器的各信号的全部属性与其各自的标准匹配时生成通知的情形与即使来自所考虑的各称重传感器的仅几个属性(至少一个但少于全部)与其各自的标准匹配时生成通知的情形。
图20对应于图19的象限1。该系统包括至少两个力传感器,例如称重传感器LC1至LCM。机器可读指令确定来自M个称重传感器中的每一个的N个信号属性并对其进行分类。只有当来自所有M个传感器的所有N个信号属性与其各自的标准匹配时,才生成预测离开的通知。这由“与”门的阵列表示。
图21对应于图19的象限3。如果来自M个传感器中的至少一个传感器的N个信号属性中的至少一个属性与其相应的标准匹配,则生成预测离开的通知。这由“或”门的阵列表示。
在图21的系统中,对于产生匹配的所有称重传感器而言,不要求匹配的一个属性或多个属性相同。例如,来自称重传感器LC1的信号可以产生与平均值标准和中值标准的匹配,而来自称重传感器LC2的信号则产生标准偏差的匹配。相应的“或”门都会产生“真性(TRUE)”输出。备选地,可能要求对于产生匹配的所有传感器来说匹配的信号属性是相同的属性。如果不满足“相同属性”标准,则可以通过例如将“或”门1至M的输出设置为“假性(FALSE)”来实现。
图22对应于图19的象限4。如果来自M个称重传感器中的每一个传感器的N个信号属性中的至少一个属性与其相应的标准匹配,则生成通知。这通过“或”门和“与”门的组合来示出。如果来自第M个称重传感器的任何一个信号属性与其标准匹配,则M个“或”门中的每一个都产生“真性”输出。因此,对于任何给定的称重传感器,仅一个信号属性需要与其标准匹配,就能使相应的“或”门的输出为“真性”。但是,只有当所有“或”门产生“真性”输出时,“与”门才会产生“真性”值。
在图22的系统中,对于产生匹配的所有称重传感器,不要求匹配的一个属性或多个属性相同。例如,来自称重传感器LC1的信号可以产生与平均值标准和中值标准的匹配,而来自称重传感器LC2的信号则产生标准偏差的匹配。相应的“或”门都会产生“真性”输出。备选地,可能要求对于产生匹配的至少两个称重传感器中的所有传感器来说匹配的信号属性是相同的属性。如果不满足“相同属性”标准,则可以通过例如将“或”门1至M的输出设置为“假性”来实现。
图23对应于图19的象限2。只有当来自M个传感器中的至少一个传感器的所有N个信号属性与它们各自的标准匹配时才生成通知。这通过“与”门和“或”门的组合示出。只有当来自相关的称重传感器的所有信号属性都与其各自的标准匹配时,每个“与”门才产生“真性”输出。如果这些“与”门中的任何一个产生“真性”输出,则“或”门产生“真性”输出。
术语“基本上”和“约”在本文中可以用于表示可归因于任何定量的比较、值、测量或其他表示的固有的不确定的程度。在不会导致所讨论主题的基本功能的变化的情况下,这些术语在本文中还用于表示定量表征可以基于所述参考值而变化的程度。
本公开将某些关系表达为“大于”(>)或“小于”(<)。然而,这些关系可以表示为“大于或等于”(≥)或“小于或等于”(≤),对结果没有实质性影响。因此,如在包括权利要求的本说明书中所使用的,“大于”(>)和“大于或等于”(≥)应该被理解为彼此相同。类似地,“小于”(<)和“小于或等于”(≤)应该被理解为彼此相同。
尽管本公开涉及特定实施例,但是本领域技术人员将理解,在不脱离所附权利要求中阐述的主题的情况下,可以在形式和细节上进行各种改变。
Claims (23)
1.一种用于预测从占用者支撑物离开的系统,所述系统包括:
处理器;
所述处理器通信的存储器;
具有至少一个力传感器的框架,所述力传感器响应于施加在其上的力而输出力信号;和
存储在所述存储器中的机器可读指令,当所述机器可读指令由所述处理器执行时使得所述系统执行至少以下动作:
在时间间隔期间确定信号的属性;
将所述属性分类为表示离开事件或不表示离开事件;以及
如果所述属性被分类为表示离开事件,则生成离开事件的通知。
2.根据权利要求1所述的系统,其中,分类步骤通过Fisher判别分析执行。
3.根据权利要求2所述的系统,其中,所述分类步骤执行在时域和/或频域中。
4.根据权利要求1所述的系统,其中,分类步骤包括:
a)将所述属性与离开标准进行比较;和
b)如果所述属性符合所述标准,则将所述属性分类为离开事件。
5.根据权利要求4所述的系统,其中,所述分类步骤执行在时域和/或频域中。
6.根据权利要求4所述的系统,其中:
所述信号的形式为数字样本或被转换为数字样本;
所述信号的所述属性是平均频率、中值频率、峰值频率、频率的标准偏差和平均能量中的至少一种;并且
所述属性与之比较的所述离开标准分别是平均频率标准、中值频率标准、峰值频率标准、频率的标准偏差标准和平均能量标准。
7.根据权利要求6所述的系统,其中:
如果所述平均频率小于所述平均频率标准,则所述平均频率与所述平均频率标准相匹配;
如果所述中值频率小于所述中值频率标准,则所述中值频率与所述中值频率标准相匹配;
如果所述峰值频率大于所述峰值频率标准,则所述峰值频率与所述峰值频率标准匹配;
如果所述标准偏差大于所述标准偏差标准,则所述标准偏差与所述标准偏差标准相匹配;以及
如果所述平均能量在特定时间间隔期间大于所述平均能量标准,则所述平均能量与所述平均能量标准相匹配。
8.根据权利要求6所述的系统,其中,只有当所述平均频率、所述中值频率、所述峰值频率、所述标准偏差和所述平均能量都与它们各自的标准相匹配时才生成所述通知。
9.根据权利要求6所述的系统,其中,如果所述平均频率、所述中值频率、所述峰值频率、所述标准偏差和所述平均能量中的至少一种与其相应的标准相匹配,则生成所述通知。
10.根据权利要求1所述的系统,其中,由所述处理器执行的动作包括确定占用者的重心位置是否在可接受区域内,并且:
如果所述占用者的重心在所述可接受区域内,则不执行确定步骤、分类步骤和生成步骤中的至少一个;和
只有当所述占用者的重心在所述可接受区域之外时才执行所述确定步骤、所述分类步骤和所述生成步骤。
11.根据权利要求10所述的系统,其中,所述可接受区域具有在纵向方向上不均匀的宽度WZ。
12.根据权利要求10所述的系统,包括:
左侧栏组件,其包括至少一个安装在所述框架上的左侧栏;
右侧栏组件,其包括至少一个安装在所述框架上的右侧栏;
每个侧栏能至少安置在展开位置和收起位置,各侧栏的各位置限定了侧栏配置,并且其中所述可接受区域具有宽度,并且所述处理器将区域宽度作为所述侧栏配置的函数来调整。
13.根据权利要求12所述的系统,其中,对于至少一种侧栏配置而言,所述区域宽度在纵向方向上是不均匀的。
14.根据权利要求10所述的系统,包括:
脚部板,其能安装在所述框架的脚部端上并且能从所述框架的所述脚部端移除,并且其中所述可接受区域具有宽度,并且所述处理器将区域宽度作为所述脚部板是否安装在所述占用者支撑物上的函数来调整。
15.根据权利要求1所述的系统,包括至少两个力传感器,并且其中所述机器可读指令确定N个信号属性和对其进行分类,并且其中只有当来自所有力传感器的所有所述N个信号属性的类别均表示离开事件时才生成所述通知。
16.根据权利要求1所述的系统,包括至少两个力传感器,并且其中所述机器可读指令确定N个信号属性和对其进行分类,并且其中如果来自至少一个力传感器的所述N个信号属性中的至少一个信号属性的类别表示离开事件,则生成所述通知。
17.根据权利要求16所述的系统,其中,如果来自至少两个力传感器的所述N个信号属性中的至少一个信号属性表示离开事件,并且其中对于所有所述至少两个力传感器来说表示所述离开事件的信号属性是相同的属性,则生成所述通知。
18.根据权利要求1所述的系统,包括至少两个力传感器,并且其中所述机器可读指令确定N个信号属性和对其进行分类,并且其中如果来自所述至少两个力传感器中的每一个传感器的所述N个信号属性中的至少一个信号属性表示离开事件,则生成所述通知。
19.根据权利要求18所述的系统,其中,如果来自所述至少两个力传感器的所述N个信号属性中的至少一个信号属性表示离开事件,并且其中对于所有所述至少两个力传感器来说表示所述离开事件的信号属性是相同的属性,则生成所述通知。
20.根据权利要求1所述的系统,包括至少两个力传感器,并且其中所述机器可读指令确定N个信号属性和对其进行分类,并且其中只有当来自至少一个力传感器的所有所述N个信号属性表示离开事件时才生成所述通知。
21.根据权利要求1所述的系统,其中,所述时间间隔对应于滑动时间窗口。
22.根据权利要求1所述的系统,其中,所述时间间隔对应于步进式的时间窗口。
23.一种用于预测从占用者支撑物离开的系统,所述系统包括:
处理器;
与所述处理器通信的存储器;
具有至少一个力传感器的框架,上述力传感器响应于施加在其上的力而输出力信号;和
存储在所述存储器中的机器可读指令,当所述机器可读指令由所述处理器执行时使得所述系统至少执行以下动作:
在时间间隔期间确定信号的属性;
对所述属性进行分类以产生离开事件的可能性;以及
生成所述可能性的通知。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662411871P | 2016-10-24 | 2016-10-24 | |
US62/411,871 | 2016-10-24 | ||
PCT/US2017/057823 WO2018080971A1 (en) | 2016-10-24 | 2017-10-23 | System for predicting egress from an occupant support |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110139595A true CN110139595A (zh) | 2019-08-16 |
Family
ID=62023951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780066029.1A Pending CN110139595A (zh) | 2016-10-24 | 2017-10-23 | 用于预测从占用者支撑物离去的系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10902713B2 (zh) |
EP (1) | EP3528693B1 (zh) |
JP (1) | JP2020502701A (zh) |
CN (1) | CN110139595A (zh) |
AU (1) | AU2017350714B2 (zh) |
WO (1) | WO2018080971A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11800993B2 (en) | 2019-06-28 | 2023-10-31 | Hill-Rom Services, Inc. | Exit monitoring system for patient support apparatus |
US11883158B2 (en) * | 2020-06-05 | 2024-01-30 | Hill-Rom Services, Inc. | Predicting occupant exit from support apparatus |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080169931A1 (en) * | 2007-01-17 | 2008-07-17 | Hoana Medical, Inc. | Bed exit and patient detection system |
CN101370457A (zh) * | 2006-01-20 | 2009-02-18 | 八乐梦医用床有限公司 | 设有离床预测和检测系统的床装置 |
CN102150186A (zh) * | 2008-09-10 | 2011-08-10 | 皇家飞利浦电子股份有限公司 | 离床报警系统 |
CN102458339A (zh) * | 2009-06-11 | 2012-05-16 | 八乐梦医用床有限公司 | 床装置 |
US20130197375A1 (en) * | 2011-08-31 | 2013-08-01 | The Curators Of The University Of Missouri | Hydraulic Bed Sensor and System for Non-Invasive Monitoring of Physiological Data |
US20150327817A1 (en) * | 2014-05-16 | 2015-11-19 | Brainlab Ag | Method of managing a brain stroke |
CN105407235A (zh) * | 2015-12-22 | 2016-03-16 | 广东水利电力职业技术学院 | 一种智能睡眠唤醒系统及智能睡眠唤醒方法 |
CN105877759A (zh) * | 2016-04-01 | 2016-08-24 | 深圳市前海安测信息技术有限公司 | 基于物联网的离床监护系统及方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5276432A (en) * | 1992-01-15 | 1994-01-04 | Stryker Corporation | Patient exit detection mechanism for hospital bed |
JP3012751B2 (ja) * | 1992-03-13 | 2000-02-28 | 松下電器産業株式会社 | 在席検出装置及び安全制御装置 |
US6067019A (en) * | 1996-11-25 | 2000-05-23 | Hill-Rom, Inc. | Bed exit detection apparatus |
US6208250B1 (en) | 1999-03-05 | 2001-03-27 | Hill-Rom, Inc. | Patient position detection apparatus for a bed |
DE20115470U1 (de) * | 2001-09-19 | 2003-02-27 | CAMERON GmbH, 29227 Celle | Druckreduziervorrichtung |
JP2003216743A (ja) * | 2002-01-25 | 2003-07-31 | Nippon Telegr & Teleph Corp <Ntt> | 遠隔転倒予防指導支援システム |
US7787946B2 (en) * | 2003-08-18 | 2010-08-31 | Cardiac Pacemakers, Inc. | Patient monitoring, diagnosis, and/or therapy systems and methods |
JP2006136666A (ja) * | 2004-11-15 | 2006-06-01 | Asahi Kasei Corp | 体動認識装置、体動認識方法、及び、プログラム |
WO2007117889A2 (en) * | 2006-03-31 | 2007-10-18 | University Of Utah Research Foundation | System, method and apparatus for detecting a force applied to a finger |
EP2040614B1 (en) | 2006-07-05 | 2016-01-27 | Stryker Corporation | A system for detecting and monitoring vital signs |
JP4697195B2 (ja) * | 2007-06-14 | 2011-06-08 | ダイキン工業株式会社 | 生体信号処理装置 |
US7987069B2 (en) | 2007-11-12 | 2011-07-26 | Bee Cave, Llc | Monitoring patient support exiting and initiating response |
JP2009160341A (ja) * | 2008-01-10 | 2009-07-23 | Yokogawa Electric Corp | 就寝時体動識別装置 |
US20120056747A1 (en) * | 2009-02-13 | 2012-03-08 | Koninklijke Philips Electronics N.V. | Bed monitoring system |
TWI404521B (zh) | 2010-01-20 | 2013-08-11 | Univ Yuan Ze | Body balance signal measurement system and its analysis method |
US9295600B2 (en) | 2011-04-08 | 2016-03-29 | Hill-Rom Services, Inc. | Person support apparatus with activity and mobility sensing |
EP2666406A3 (en) | 2012-05-22 | 2013-12-04 | Hill-Rom Services, Inc. | Occupant egress prediction systems, methods and devices |
US10376214B2 (en) * | 2013-03-15 | 2019-08-13 | Stryker Corporation | Patient support apparatus with patient information sensors |
JP6460560B2 (ja) * | 2013-12-07 | 2019-01-30 | 株式会社デルタツーリング | 音・振動情報収集機構及び音・振動情報センシングシステム |
CA3120313C (en) | 2014-08-27 | 2022-01-11 | Umano Medical Inc. | Hospital bed with patient weight and displacement sensors |
EP3215097B1 (en) | 2014-11-06 | 2023-09-27 | Stryker Corporation | Exit detection system with compensation |
WO2016159347A1 (ja) * | 2015-04-02 | 2016-10-06 | パラマウントベッド株式会社 | 状態判定装置 |
-
2017
- 2017-10-23 WO PCT/US2017/057823 patent/WO2018080971A1/en active Application Filing
- 2017-10-23 US US16/343,447 patent/US10902713B2/en active Active
- 2017-10-23 AU AU2017350714A patent/AU2017350714B2/en active Active
- 2017-10-23 JP JP2019543180A patent/JP2020502701A/ja active Pending
- 2017-10-23 EP EP17864647.7A patent/EP3528693B1/en active Active
- 2017-10-23 CN CN201780066029.1A patent/CN110139595A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101370457A (zh) * | 2006-01-20 | 2009-02-18 | 八乐梦医用床有限公司 | 设有离床预测和检测系统的床装置 |
US20080169931A1 (en) * | 2007-01-17 | 2008-07-17 | Hoana Medical, Inc. | Bed exit and patient detection system |
CN102150186A (zh) * | 2008-09-10 | 2011-08-10 | 皇家飞利浦电子股份有限公司 | 离床报警系统 |
CN102458339A (zh) * | 2009-06-11 | 2012-05-16 | 八乐梦医用床有限公司 | 床装置 |
US20130197375A1 (en) * | 2011-08-31 | 2013-08-01 | The Curators Of The University Of Missouri | Hydraulic Bed Sensor and System for Non-Invasive Monitoring of Physiological Data |
US20150327817A1 (en) * | 2014-05-16 | 2015-11-19 | Brainlab Ag | Method of managing a brain stroke |
CN105407235A (zh) * | 2015-12-22 | 2016-03-16 | 广东水利电力职业技术学院 | 一种智能睡眠唤醒系统及智能睡眠唤醒方法 |
CN105877759A (zh) * | 2016-04-01 | 2016-08-24 | 深圳市前海安测信息技术有限公司 | 基于物联网的离床监护系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
AU2017350714A1 (en) | 2019-04-18 |
EP3528693B1 (en) | 2023-11-29 |
US10902713B2 (en) | 2021-01-26 |
AU2017350714B2 (en) | 2022-08-04 |
JP2020502701A (ja) | 2020-01-23 |
EP3528693A4 (en) | 2019-08-28 |
US20190266870A1 (en) | 2019-08-29 |
EP3528693A1 (en) | 2019-08-28 |
WO2018080971A1 (en) | 2018-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240268707A1 (en) | Injury prevention system for remotely monitoring subjects | |
Liu et al. | TagSheet: Sleeping posture recognition with an unobtrusive passive tag matrix | |
US9883821B2 (en) | Method and apparatus for monitoring the respiration activity of a subject | |
US8466801B2 (en) | Patient monitoring system | |
JP5927193B2 (ja) | センサベースの監視システムにおいて被験者を識別するための方法及びこの装置 | |
JP2022009023A (ja) | Mimoレーダを用いた相関移動の検出および測定 | |
Ranasinghe et al. | Low cost and batteryless sensor-enabled radio frequency identification tag based approaches to identify patient bed entry and exit posture transitions | |
Mineharu et al. | A study of automatic classification of sleeping position by a pressure-sensitive sensor | |
KR101746590B1 (ko) | 무구속 생체정보 기반의 산만도 추정 시스템 | |
JP7065447B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN110139595A (zh) | 用于预测从占用者支撑物离去的系统 | |
KR20210026897A (ko) | 저전력 하이브리드형 낙상 감지 장치 및 이를 이용한 낙상 감지 방법 | |
AU2022200097A1 (en) | Method for monitoring a recumbent patient to obtain information on a body position of the patient | |
Chao et al. | Method of recognizing sleep postures based on air pressure sensor and convolutional neural network: For an air spring mattress | |
CN112262416B (zh) | 需护理者看护辅助系统 | |
CN114469072B (zh) | 用摄像机自动预测婴儿心理发育的方法 | |
US20190183427A1 (en) | Method and apparatus for patient bed load cell signal monitoring for patient movement classification | |
US20210068710A1 (en) | System and process for monitoring a position stability | |
US20220273243A1 (en) | Apparatus and method for discriminating patient movement on a support apparatus between self movement and assisted movement | |
US12097154B2 (en) | Universal load cell features that characterize patient motion in three dimensions in a hospital bed | |
US20220273509A1 (en) | Universal load cell features that characterize patient motion in three dimensions in a hospital bed | |
Lu et al. | A Data-Driven Human Activity Classification Method for an Intelligent Hospital Bed | |
WO2022138040A1 (ja) | うつ状態であると判定するための判別方法、及びうつ状態判定システム | |
Ribes et al. | Multidimensional ultrasound Doppler signal analysis for fetal activity monitoring | |
JP7233080B2 (ja) | 生体検知装置、生体検知システム、生体検知方法及び生体データ取得装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190816 |