CN110244624A - 一种跌倒保护装置及控制方法 - Google Patents
一种跌倒保护装置及控制方法 Download PDFInfo
- Publication number
- CN110244624A CN110244624A CN201910540245.6A CN201910540245A CN110244624A CN 110244624 A CN110244624 A CN 110244624A CN 201910540245 A CN201910540245 A CN 201910540245A CN 110244624 A CN110244624 A CN 110244624A
- Authority
- CN
- China
- Prior art keywords
- output
- control
- protective device
- hidden layer
- module
- 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
Classifications
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Abstract
本发明提供一种跌倒保护装置及控制方法,包括检测模块、控制模块和保护模块,所述检测模块包括内置的陀螺仪和三轴加速度传感器,所述控制模块由嵌入式构成,所述保护模块为可控充气组件,所述陀螺仪和三轴加速度传感器分别与控制模块相连接,控制模块与可控充气组件相连接。能够在佩戴者失去平衡时通过检测数据判断佩戴者的摔倒行为的发生,从而自动给保护气囊充气,在佩戴者摔倒时给予缓冲保护;体积小,方便携带,并且通过加入控制芯片,减少误判断,提高安全性。
Description
技术领域
本发明涉及防护用品领域,尤其涉及一种跌倒保护装置及控制方法。
背景技术
目前,世界正面临着人口老龄化的严峻挑战。据联合国最新统计,全球老龄人口总数已达6.29亿,占世界总人口的10%,预计到2050年,全球老龄化人口比例将增至15%。随着老年人口比例的快速增加,老年人的健康问题越来越受到全社会的关注。跌倒是老年人常见的伤害事件,是老年人群伤残、失能和死亡的主要原因,对老年人的健康威胁甚大,给家庭和社会带来巨大的负担。近年来一些调查发现老年人死亡的70%与跌倒有关,跌倒既是老年人群重要的问题,也是社会重视的问题。老人在站立或行走时,由于身体原因,容易失去平衡而出现跌到的情况,现在缺乏在该种情况下的保护性用品。
老年人平衡能力的下降是引起其跌倒的主要原因之一。从生物力学角度分析,步态不稳将导致跌倒。老年人的下肢肌肉收缩能力下降,脚跟着地、踝跖屈和屈膝等动作缓慢,伸髋不充分,摆动腿抬高的程度降低,行走时拖拉。所以老年人容易跌倒。
老年人轻度及重度受伤中有20%~30%是由跌倒所致,急诊因素中有10%~15%与跌倒有关,跌倒所致的损伤主要有髋关节、大脑外部和上肢损伤。对老年人在住院中调查发现,跌倒所致的损伤中最严重的是髋部骨折,挫伤最多,擦伤其次。因此,解决老年人跌倒导致身体受伤的问题就显得尤为重要了。
发明内容
为解决上述问题,本发明的目的提供一种跌倒保护装置及控制方法,通过三轴陀螺仪和加速度传感器检测倾斜角度传输给嵌入式,嵌入式通过运算可以得出人在失去平衡时的发生摔倒的阈值,通过与设定阈值进行比较,当阈值大于设定值时嵌入式发送控制信号给电磁阀进而通过撞针打开高压二氧化碳气罐,进而保护气囊瞬间充气保护人的髋骨和盆骨等骨骼,实现了人在摔倒时的瞬间保护。
本发明提供一种跌倒保护装置,包括检测模块、控制模块和保护模块,所述检测模块包括内置的陀螺仪和三轴加速度传感器,他们分别在人体失去平衡的瞬间检测倾斜角度以及加速度,所述控制模块由嵌入式构成,型号为嵌入式STM32,嵌入式包括输入端和输出端,嵌入式输入端与传感器检测信号相连接,输出端与电磁阀相连接。所述保护模块为可控充气组件,所述陀螺仪和三轴加速度传感器分别与控制模块相连接,控制模块与可控充气组件相连接,控制模块时由嵌入式构成,负责检测信号的接收、比较和控制信号的发出;保护模块实现保护气囊的打开。
进一步改进在于:所述陀螺仪、加速传感器、控制单元、保护单元外部设置有壳体,通过壳体对上述部件进行保护。
进一步改进在于:所述可控充气组件包括高压二氧化碳气瓶、空心撞针、电磁阀和保护气囊,所述二氧化碳气瓶与空心撞针的前端正对,所述空心撞针与电磁阀联动,所述电磁阀受控于控制单元,高压二氧化碳气瓶、空心撞针、电磁阀的阀体均位于封闭腔内,所述封闭仓与保护气囊的充气口连通,当电磁阀接收到嵌入式发出的信号后,控制撞针打开二氧化碳气瓶,实现保护气囊的打开。
进一步改进在于:所述空心撞针与电磁阀的阀体固定连接。
进一步改进在于:所述空心撞针的后端与电磁阀的阀体正对,所述封闭仓内设有与空心撞针适配的导向机构。
进一步改进在于:所述保护模块一端设有通孔,连接气囊接口,保护气囊为扁平气囊。所述保护气囊包括髋部气囊和盆骨防护气囊,两者连接在一起,为扁平气囊,在高压二氧化碳气瓶打开瞬间。
进一步改进在于:所述保护模块的数量为两个,且相对设置,左右两个保护模块的结构一致。
陀螺仪传感器向控制单元实时发送佩戴者的身体的倾斜信息,加速度传感器检测佩戴者失去平衡时的加速度,当佩戴者身体以一定的加速度倾斜到一定程度(可通过控制模块设定)时,控制模块控制电磁阀运动,电磁阀运动带动撞针运动,撞针撞破高压二氧化碳气瓶,二氧化碳气体扩散对保护气囊充气。
本发明还提供一种跌倒保护装置的控制方法,所述控制方法采用BP神经网络控制算法,利用对样本的学习,获得控制规律,避免误动作,具体控制算法结构如下:
步骤一:网络结构设计:
根据系统输入输出系列(X,Y)设计网络输入节点数n=2,隐含层节点数l=5,输出节点数m=1,输入层与隐含层之间的连接权为,隐含层与输出层之间的连接权为,隐含层阈值为a,输出层阈值为b,学习速率为η,神经元的激励函数为f(x);
输入变量x1是陀螺仪输出信号;
输入变量x2是加速传感器输出信号;
输出变量y=1是电磁阀控制信号为高电平(打开保护装置);
输出变量y=0是电磁阀控制信号为低电平(不打开保护装置);
输入层神经元的激励函数为f1(x)=x,将输入信号传递到网络中;
输出层神经元的激励函数为f3(x)=[0,1];
步骤二:隐含层输出计算
根据输入向量X=[x1,x2],输入层和隐含层之间的连接权ωij,以及隐含层的阈值a,计算得到隐含层输出H:
式中,l为隐含层节点数;f为隐含层激励函数:
步骤三:输出层输出计算
根据隐含层输出H,连接权ωjk,和阈值b,计算BP神经网络预测输出Q;
步骤四:误差计算
根据网络预测输出Q和期望输出Y,计算网络预测误差e;
ek=Yk-Qk,k=1,2.....,m;
步骤五:权值更新
根据网络预测误差e更新网络连接权ωij和ωjk;
式中η为学习速率,取η;
步骤六:阈值更新
根据网络预测误差e更新网络节点阈值a,b;
bk=bk+ek,k=1,2.....,m;
步骤7:判断算法迭代是否结束,若没有结束则返回步骤二。
采用BP神经网络识别控制技术,输入信号是陀螺仪的信号和加速传感器的信号,输出信号是高电平或者低电平,高电平控制电磁阀打开,低电平控制电磁阀不动作。
网络结构设计完成后,需要大量的学习样本,用于确定网络各个连接权,学习样品从实验中获取,可利用测试假人模拟摔倒的各个情况,即利用实验假人获得真实摔倒的数据样本,即什么的陀螺仪的信号和加速传感器的信号使得输出信号为高电平,什么的陀螺仪的信号和加速传感器的信号使得输出信号为低电平。BP神经网络通过大量学习样本学习,最后利用学习好的PB神经网络用于本发明的摔倒识别控制,能够识别真实的摔倒过程,从而避免误动作。
本发明的有益效果:能够在佩戴者失去平衡时通过检测数据判断佩戴者的摔倒行为的发生,从而自动给保护气囊充气,在佩戴者摔倒时给予缓冲保护;体积小,方便携带,并且通过加入控制芯片,减少误判断,提高安全性。
附图说明
图1是本发明的结构示意图。
图2是本发明的控制模块流程图。
图3是本发明的充气后的结构示意图。
图4是本发明的BP神经网络识别算法建模图。
图5是本发明的BP神经网络识别算网络结构图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。如图1-5所示,本实施例提供一种跌倒保护装置,包括检测模块、控制模块和保护模块,所述检测模块包括内置的陀螺仪和三轴加速度传感器,他们分别在人体失去平衡的瞬间检测倾斜角度以及加速度,所述控制模块由嵌入式构成,型号为嵌入式STM32,嵌入式包括输入端和输出端,嵌入式输入端与传感器检测信号相连接,输出端与电磁阀相连接。所述保护模块为可控充气组件,所述陀螺仪和三轴加速度传感器分别与控制模块相连接,控制模块与可控充气组件相连接,控制模块时由嵌入式构成,负责检测信号的接收、比较和控制信号的发出;保护模块实现保护气囊的打开。所述陀螺仪、加速传感器、控制单元、保护单元外部设置有壳体,通过壳体对上述部件进行保护。所述可控充气组件包括高压二氧化碳气瓶、空心撞针、电磁阀和保护气囊,所述二氧化碳气瓶与空心撞针的前端正对,所述空心撞针与电磁阀联动,所述电磁阀受控于控制单元,高压二氧化碳气瓶、空心撞针、电磁阀的阀体均位于封闭腔内,所述封闭仓与保护气囊的充气口连通,当电磁阀接收到嵌入式发出的信号后,控制撞针打开二氧化碳气瓶,实现保护气囊的打开。所述空心撞针与电磁阀的阀体固定连接。所述空心撞针的后端与电磁阀的阀体正对,所述封闭仓内设有与空心撞针适配的导向机构。所述保护模块一端设有通孔,连接气囊接口,保护气囊为扁平气囊。所述保护气囊包括髋部气囊和盆骨防护气囊,两者连接在一起,为扁平气囊,在高压二氧化碳气瓶打开瞬间。所述保护模块的数量为两个,且相对设置,左右两个保护模块的结构一致。陀螺仪传感器向控制单元实时发送佩戴者的身体的倾斜信息,加速度传感器检测佩戴者失去平衡时的加速度,当佩戴者身体以一定的加速度倾斜到一定程度(可通过控制模块设定)时,控制模块控制电磁阀运动,电磁阀运动带动撞针运动,撞针撞破高压二氧化碳气瓶,二氧化碳气体扩散对保护气囊充气。
本实施例还提供一种跌倒保护装置的控制方法,所述控制方法采用BP神经网络控制算法,利用对样本的学习,获得控制规律,避免误动作,具体控制算法结构如下:
步骤一:网络结构设计:
根据系统输入输出系列(X,Y)设计网络输入节点数n=2,隐含层节点数l=5,输出节点数m=1,输入层与隐含层之间的连接权为,隐含层与输出层之间的连接权为,隐含层阈值为a,输出层阈值为b,学习速率为η,神经元的激励函数为f(x);
输入变量x1是陀螺仪输出信号;
输入变量x2是加速传感器输出信号;
输出变量y=1是电磁阀控制信号为高电平(打开保护装置);
输出变量y=0是电磁阀控制信号为低电平(不打开保护装置);
输入层神经元的激励函数为f1(x)=x,将输入信号传递到网络中;
输出层神经元的激励函数为f3(x)=[0,1];
步骤二:隐含层输出计算
根据输入向量X=[x1,x2],输入层和隐含层之间的连接权ωij,以及隐含层的阈值a,计算得到隐含层输出H:
式中,l为隐含层节点数;f为隐含层激励函数:
步骤三:输出层输出计算
根据隐含层输出H,连接权ωjk,和阈值b,计算BP神经网络预测输出Q;
步骤四:误差计算
根据网络预测输出Q和期望输出Y,计算网络预测误差e;
ek=Yk-Qk,k=1,2.....,m;
步骤五:权值更新
根据网络预测误差e更新网络连接权ωij和ωjk;
式中η为学习速率,取η;
步骤六:阈值更新
根据网络预测误差e更新网络节点阈值a,b;
bk=bk+ek,k=1,2.....,m;
步骤7:判断算法迭代是否结束,若没有结束则返回步骤二。
采用BP神经网络识别控制技术,输入信号是陀螺仪的信号和加速传感器的信号,输出信号是高电平或者低电平,高电平控制电磁阀打开,低电平控制电磁阀不动作。
Claims (8)
1.一种跌倒保护装置,包括检测模块、控制模块和保护模块,其特征在于:所述检测模块包括内置的陀螺仪和三轴加速度传感器,所述控制模块由嵌入式构成,所述保护模块为可控充气组件,所述陀螺仪和三轴加速度传感器分别与控制模块相连接,控制模块与可控充气组件相连接。
2.如权利要求1所述的一种跌倒保护装置,其特征在于:所述陀螺仪、加速传感器、控制单元、保护单元外部设置有壳体,通过壳体对上述部件进行保护。
3.如权利要求1所述的一种跌倒保护装置,其特征在于:所述可控充气组件包括高压二氧化碳气瓶、空心撞针、电磁阀和保护气囊,所述二氧化碳气瓶与空心撞针的前端正对,所述空心撞针与电磁阀联动,所述电磁阀受控于控制单元,高压二氧化碳气瓶、空心撞针、电磁阀的阀体均位于封闭腔内,所述封闭仓与保护气囊的充气口连通。
4.如权利要求3所述的一种跌倒保护装置,其特征在于:所述空心撞针与电磁阀的阀体固定连接。
5.如权利要求3所述的一种跌倒保护装置,其特征在于:所述空心撞针的后端与电磁阀的阀体正对,所述封闭仓内设有与空心撞针适配的导向机构。
6.如权利要求3所述的一种跌倒保护装置,其特征在于:所述保护模块一端设有通孔,连接气囊接口,保护气囊为扁平气囊。
7.如权利要求3或6所述的一种跌倒保护装置,其特征在于:所述保护模块的数量为两个,且相对设置,左右两个保护模块的结构一致。
8.一种如权利要求1-7任意一项所述的跌倒保护装置的控制方法,其特征在于:所述控制方法采用BP神经网络控制算法,利用对样本的学习,获得控制规律,避免误动作,具体控制算法结构如下:
步骤一:网络结构设计:
根据系统输入输出系列(X,Y)设计网络输入节点数n=2,隐含层节点数l=5,输出节点数m=1,输入层与隐含层之间的连接权为ωij,隐含层与输出层之间的连接权为ωjk,隐含层阈值为a,输出层阈值为b,学习速率为η,神经元的激励函数为f(x);
输入变量x1是陀螺仪输出信号;
输入变量x2是加速传感器输出信号;
输出变量y=1是电磁阀控制信号为高电平(打开保护装置);
输出变量y=0是电磁阀控制信号为低电平(不打开保护装置);
输入层神经元的激励函数为f1(x)=x,将输入信号传递到网络中;
输出层神经元的激励函数为f3(x)=[0,1];
步骤二:隐含层输出计算
根据输入向量X=[x1,x2],输入层和隐含层之间的连接权ωij,以及隐含层的阈值a,计算得到隐含层输出H:
式中,l为隐含层节点数;f为隐含层激励函数:
步骤三:输出层输出计算
根据隐含层输出H,连接权ωjk,和阈值b,计算BP神经网络预测输出Q;
步骤四:误差计算
根据网络预测输出Q和期望输出Y,计算网络预测误差e;
ek=Yk-Qk,k=1,2.....,m;
步骤五:权值更新
根据网络预测误差e更新网络连接权ωij和ωjk;
式中η为学习速率,取η;
步骤六:阈值更新
根据网络预测误差e更新网络节点阈值a,b;
步骤7:判断算法迭代是否结束,若没有结束则返回步骤二。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540245.6A CN110244624A (zh) | 2019-06-20 | 2019-06-20 | 一种跌倒保护装置及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540245.6A CN110244624A (zh) | 2019-06-20 | 2019-06-20 | 一种跌倒保护装置及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110244624A true CN110244624A (zh) | 2019-09-17 |
Family
ID=67888675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540245.6A Pending CN110244624A (zh) | 2019-06-20 | 2019-06-20 | 一种跌倒保护装置及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244624A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112586820A (zh) * | 2020-12-07 | 2021-04-02 | 中国科学院深圳先进技术研究院 | 一种具有跌倒预警功能的穿戴式护髋安全气囊装置 |
CN114469000A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 基于多传感器数据强化学习的人体减跌防震智能监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040183283A1 (en) * | 2002-12-18 | 2004-09-23 | Buckman Robert F. | Air bag inflation device |
CN202600156U (zh) * | 2012-06-06 | 2012-12-12 | 山东大学 | 摔倒检测定位系统 |
CN103040547A (zh) * | 2012-12-24 | 2013-04-17 | 中国科学院深圳先进技术研究院 | 便携式跌倒防护装置 |
US20150238124A1 (en) * | 2002-12-18 | 2015-08-27 | Active Protective Technologies, Inc. | Method and apparatus for body impact protection |
CN107811336A (zh) * | 2017-11-28 | 2018-03-20 | 胡镐申 | 老人平面跌到保护腰带 |
CN108320456A (zh) * | 2018-01-27 | 2018-07-24 | 西安交通大学 | 一种融合多传感器的老年人摔倒预测方法和系统 |
CN109009145A (zh) * | 2018-07-24 | 2018-12-18 | 西安工程大学 | 一种基于穿戴设备的跌倒判断方法 |
-
2019
- 2019-06-20 CN CN201910540245.6A patent/CN110244624A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040183283A1 (en) * | 2002-12-18 | 2004-09-23 | Buckman Robert F. | Air bag inflation device |
US20150238124A1 (en) * | 2002-12-18 | 2015-08-27 | Active Protective Technologies, Inc. | Method and apparatus for body impact protection |
CN202600156U (zh) * | 2012-06-06 | 2012-12-12 | 山东大学 | 摔倒检测定位系统 |
CN103040547A (zh) * | 2012-12-24 | 2013-04-17 | 中国科学院深圳先进技术研究院 | 便携式跌倒防护装置 |
CN107811336A (zh) * | 2017-11-28 | 2018-03-20 | 胡镐申 | 老人平面跌到保护腰带 |
CN108320456A (zh) * | 2018-01-27 | 2018-07-24 | 西安交通大学 | 一种融合多传感器的老年人摔倒预测方法和系统 |
CN109009145A (zh) * | 2018-07-24 | 2018-12-18 | 西安工程大学 | 一种基于穿戴设备的跌倒判断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112586820A (zh) * | 2020-12-07 | 2021-04-02 | 中国科学院深圳先进技术研究院 | 一种具有跌倒预警功能的穿戴式护髋安全气囊装置 |
CN114469000A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 基于多传感器数据强化学习的人体减跌防震智能监测方法及系统 |
CN114469000B (zh) * | 2022-01-27 | 2023-08-11 | 重庆邮电大学 | 基于多传感器数据强化学习的人体减跌防震智能监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244624A (zh) | 一种跌倒保护装置及控制方法 | |
CN103211599A (zh) | 一种监测跌倒的方法及装置 | |
CN106137210B (zh) | 一种跌倒防护系统及防护方法 | |
CN108596026A (zh) | 基于双流生成对抗网络的跨视角步态识别装置及训练方法 | |
CN106539587A (zh) | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 | |
CN106407996A (zh) | 一种基于机器学习的老人跌倒检测方法及其检测系统 | |
CN108549856A (zh) | 一种人体动作和路况识别方法 | |
CN103976739A (zh) | 穿戴式摔倒动态实时检测方法和装置 | |
CN202777511U (zh) | 一种人体防护背包气囊装置 | |
CN108309303B (zh) | 一种可穿戴冻结步态智能监测与助行设备 | |
CN105590408A (zh) | 一种人体跌倒检测方法及保护装置 | |
CN109009145A (zh) | 一种基于穿戴设备的跌倒判断方法 | |
CN107169512A (zh) | Hmm‑svm跌倒模型的构建方法及基于该模型的跌倒检测方法 | |
CN106960541A (zh) | 自适应多级跌倒检测方法 | |
CN108320456A (zh) | 一种融合多传感器的老年人摔倒预测方法和系统 | |
CN110368173A (zh) | 基于鼾声识别的睡眠呼吸暂停综合症辅助治疗枕头 | |
Zhang et al. | Design and realization of a wearable hip-airbag system for fall protection | |
CN106647265A (zh) | 一种矿井救灾探测机器人的智能控制方法 | |
Zhang et al. | Motion velocity, acceleration and energy expenditure estimation using micro flow sensor | |
CN115273237A (zh) | 基于集成随机配置神经网络的人体姿态与动作识别方法 | |
CN114224326A (zh) | 一种穿戴式步态相位和动作识别装置及方法 | |
KR102478257B1 (ko) | 니어―폴 동작 검출 및 이를 이용한 인공지능 기반의 솔레노이드식 인플레이터를 구비한 웨어러블 에어백 장치 | |
CN113081685A (zh) | 一种人体下肢外骨骼机器人 | |
Tan et al. | Human fall detection improvement based on artificial neural network and optimized zero moment point algorithms | |
CN110335443A (zh) | 一种人体智能防护方法 |
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: 20190917 |
|
RJ01 | Rejection of invention patent application after publication |