CN110443315B - 室内环境下基于加权融合的老人跌倒检测方法 - Google Patents
室内环境下基于加权融合的老人跌倒检测方法 Download PDFInfo
- Publication number
- CN110443315B CN110443315B CN201910729656.XA CN201910729656A CN110443315B CN 110443315 B CN110443315 B CN 110443315B CN 201910729656 A CN201910729656 A CN 201910729656A CN 110443315 B CN110443315 B CN 110443315B
- Authority
- CN
- China
- Prior art keywords
- maximum
- angle
- max
- resultant
- angular velocity
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B3/00—Audible signalling systems; Audible personal calling systems
- G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Emergency Management (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Electromagnetism (AREA)
- Dentistry (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种室内环境下基于加权融合的老人跌倒检测方法,该方法包括下述步骤:上位机通过蓝牙姿态传感器信号的数据包提取三轴加速度、三轴角速度和三轴角度并进行预处理;提取最大合加速度、最大合角速度、最大倾角;归一化处理得到归一化最大合加速度、归一化最大合角速度、归一化最大倾角:加权融合得到加权检测值;将加权检测值与设定阈值对比,判定是否为跌倒。本发明检测算法简单,实时性好,并有很高的识别准确率。
Description
技术领域
本发明涉及可穿戴设备领域,更具体的涉及一种室内环境下基于加权融合的老人跌倒检测系统。
背景技术
随着社会的发展,人们平均寿命不断提高,人口老龄化问题越来越严重。而对于老人而言,跌倒存在很大隐患。若研究出能实时检测跌倒并在检测到跌倒后报警的跌倒检测系统,则能很大程度地减少跌倒给老人造成的伤害。这种系统应用于医院、养老院可以给相关工作人员带来极大的便利,增强医院、养老院护理老人的能力。基于可穿戴设备的跌倒检测系统利用姿态传感器信号(加速度、角速度、角度信号)检测跌倒,具有低成本、高准确率、高实时性等优点,有着良好的研究前景。
目前已有的跌倒检测算法主要为阈值法和模式识别法,其中模式识别法有支持向量机、朴素贝叶斯、K近邻等,现有的阈值法往往只是对合加速度、合角速度设定阈值进行跌倒判断,存在识别准确率不高的问题,而模式识别法是目前研究的热门,但仍然存在算法复杂度过高、占用CPU资源过多、实时性不高等问题。
发明内容
本发明要解决的技术问题是提供一种室内环境下基于加权融合的老人跌倒检测方法,该方法能有效降低跌倒检测算法的复杂度,提高实时性,并有很高的识别准确率。
为了解决上述技术问题,本发明的室内环境下基于加权融合的老人跌倒检测方法包括下述步骤:
步骤一、上位机通过蓝牙姿态传感器信号的数据包提取三轴加速度(ax、ay、az),三轴角速度(ωx、ωy、ωz)、三轴角度(Anglex、Angley、Anglez),然后进行预处理,预处理包括求合加速度a、合角速度ω和滤波;
步骤二、提取3个特征值,即最大合加速度amax、最大合角速度ωmax、最大倾角Anglexmax:amax=max{a1,a2,…,an}
ωmax=max{ω1,ω2,…,ωn}
Anglexmax=max{Anglex1,Anglex2,…,Anglexn,Angley1,Angley2,…,Angleyn}
设滑动数据窗的窗口长度为n,a1、a2、……an表示长度为n的时间序列中的合加速度,amax表示这n个合加速度的最大值,ω1、ω2、……ωn表示长度为n的时间序列中的合角速度,ωmax表示这n个合角速度的最大值,Anglex1、Anglex2、……Anglexn表示长度为n的时间序列中的X轴角度,Angley1、Angley2、……Angleyn表示长度为n的时间序列中的Y轴角度,Anglemax表示n个X轴角度和n个Y轴角度共2n个数据的最大值;
步骤三、根据训练集数组对最大合加速度amax、最大合角速度ωmax、最大倾角Anglexmax进行归一化处理得到归一化最大合加速度Ya、归一化最大合角速度Yω、归一化最大倾角YAngle:其中训练集中包含160组跌倒滑动数据窗数据,800组ADL(日常生活活动)滑动数据窗数据;
其中,Lowera为训练集中所有最大合加速度的最小值,Uppera为训练集中所有最大合加速度的最大值,Lowerω为训练集中所有最大合角速度的最小值,Upperω为训练集中所有最大合角速度的最大值,LowerAngle为训练集中所有最大倾角的最小值,UpperAngle为训练集中所有最大倾角的最大值;
步骤四、对归一化最大合加速度Ya、归一化最大合角速度Yω、归一化最大倾角YAngle的值进行加权融合得到加权检测值Yc:
Yc=w1Ya+w2Yω+w3YAngle;
w1、w2、w3为权值,且w1+w2+w3=1;w1=0.2-0.3,w2=0.4-0.6,w3=0.2-0.3;
步骤五、将步骤四得到的加权检测值Yc与设定阈值Tc对比,Yc>Tc则判定为跌倒,否则判定为未跌倒;设定阈值Tc略小于训练集中所有跌倒滑动数据窗的加权检测值Yc的最小值。
权值优选w2=0.5,w1=w3=0.25。
本发明与现有跌倒检测研究相比,主要有以下优点:
1.本发明提出的一种室内环境下的基于加权融合的跌倒检测方法,引入了加速度、角速度、角度3种信号,并对3种信号进行了数据融合,相比于只对单一信号进行数据分析算法识别准确率更高,利用单一信号识别准确率往往难以超过80%,本发明识别准确率能超过90%。
2.本发明根据3种姿态传感器信号对跌倒判决所起作用的大小设置不同权重,使得加权融合更为可靠,算法识别准确率更高。
3.算法的复杂度不高,在实时检测中的计算量不大,可以有效提高算法的实时性,减少对CPU资源的占用。
附图说明
图1是本发明的硬件结构框图。
图2是传感器绑于腰部示意图。
图3a、图3b分别是未经滤波的跌倒的合加速度、合角速度。
图4a、图4b是未经滤波的跑步的合加速度、合角速度。
图5a、图5b是经巴特沃斯低通滤波的跌倒的合加速度、合角速度。
图6a、图6b是经巴特沃斯低通滤波的跑步的合加速度、合角速度。
图7是本发明的室内环境下基于加权融合的老人跌倒检测方法的流程图。
图8是160组跌倒得到的Yc分布图。
图9是80组上楼得到的Yc分布图。
图10是80组坐下得到的Yc分布图。
图11是80组弯腰得到的Yc分布图。
图12是80组跳跃得到的Yc分布图。
图13是80组躺下得到的Yc分布图。
具体实施方式
为了详细说明本发明的研究内容、技术路线以及优点,以下将结合附图对本发明进行详细阐述。
本发明与现有的跌倒检测方法不同之处在于在室内环境下选择了对多种姿态传感器信号进行加权融合的算法,该算法降低了跌倒检测算法的复杂度,提高了实时性,有很高的识别准确率。
如图1所示,本发明采用的硬件模块包括蓝牙姿态传感器BWT901CL和上位机(本发明中采用笔记本)两部分。蓝牙姿态传感器绑于使用者腰部(如图2所示),上位机与蓝牙姿态传感器之间通过千月蓝牙软件建立蓝牙串口,利用Matlab的串口读取函数进行读取,从而实现了上位机与蓝牙姿态传感器之间的无线通信,并利用上位机程序对蓝牙姿态传感器的工作模式进行设定,即设置波特率为115200bps、传输内容为3种姿态传感器信号(三轴加速度、三轴角速度、三轴角度)、数据传输速率为100Hz。
如图7所示,本发明的室内环境下基于加权融合的老人跌倒检测方法具体包括下述步骤:
步骤一、上位机通过蓝牙姿态传感器信号的数据包提取三轴加速度(ax、ay、az),三轴角速度(ωx、ωy、ωz)、三轴角度(Anglex、Angley、Anglez)。然后进行预处理,预处理包括求合加速度a与合角速度ω、滤波;
滤波采用二次滤波,因为蓝牙姿态传感器自带卡尔曼滤波,二次滤波采用4阶巴特沃斯低通滤波器对合加速度、合角速度做处理,滤波器的通带最大衰减为3dB、阻带最小衰减为35dB,本发明采用长度为200的滑动数据窗(因为数据传输速率为100Hz,因此对应2s),步长为40,进而实现实时跌倒检测,每向前滑动一次便进行一次滤波,并进行一次跌倒检测,即每隔0.4s进行一次跌倒检测。
本发明旨在区分4种跌倒和10种ADL(Activity of Daily Living,即日常生活活动),将跌倒分为向前跌倒、向后跌倒、向左跌倒、向右跌倒4种,将ADL分为跑步、步行、上楼、下楼、坐下、跳跃、下蹲起立、弯腰、转身、躺下共10种。
本发明对每种跌倒各采集了60组数据(即60个滑动数据窗跌倒数据,每组数据包含完成跌倒过程),对每种ADL各采集了120组数据(即120个滑动数据窗ADL数据,每组数据包含完整ADL过程),共计1440组数据。以跌倒和跑步为例,未经滤波的跌倒的合加速度、合角速度如图3a、图3b所示,未经滤波的跑步的合加速度、合角速度如图4a、图4b所示,经巴特沃斯低通滤波的跌倒的合加速度、合角速度如图5a、图5b所示,经巴特沃斯低通滤波的跑步的合加速度、合角速度如图6a、图6b所示。由于跌倒的信号曲线较为平滑,而跑步的信号曲线平滑程度较差,因此跌倒信号滤波前后差别不大,而跑步信号滤波前后的最大合加速度、最大合角速度有所减小,这有利于跌倒与跑步的区分。
步骤二、提取3个特征值,即最大合加速度amax、最大合角速度ωmax、最大倾角Anglexmax:
amax=max{a1,a2,…,an}
ωmax=max{ω1,ω2,…,ωn}
Anglexmax=max{Anglex1,Anglex2,…,Anglexn,Angley1,Angley2,…,Angleyn}
设滑动数据窗的窗口长度为n,a1、a2、……an表示长度为n的时间序列中的合加速度,amax表示这n个合加速度的最大值,ω1、ω2、……ωn表示长度为n的时间序列中的合角速度,ωmax表示这n个合角速度的最大值,Anglex1、Anglex2、……Anglexn表示长度为n的时间序列中的X轴角度,Angley1、Angley2、……Angleyn表示长度为n的时间序列中的Y轴角度,Anglemax表示n个X轴角度和n个Y轴角度共2n个数据的最大值,n指滑动数据窗的窗口长度,本发明滑动窗口长度为200,因此n取200。
步骤三、根据960组训练集(其中160组为跌倒,800组为ADL)数据,对最大合加速度amax、最大合角速度ωmax、最大倾角Anglexmax进行归一化处理得到归一化最大合加速度Ya、归一化最大合角速度Yω、归一化最大倾角YAngle:
其中Lowera为对960组数据构成的训练集(其中160组为跌倒,800组为ADL)做处理得到的960个最大合加速度的最小值,Uppera为对960组数据构成的训练集做处理得到的960个最大合加速度的最大值,Ya为归一化最大合加速度,Lowerω为对960组数据构成的训练集做处理得到的960个最大合角速度的最小值,Upperω为对960组数据构成的训练集做处理得到的960个最大合角速度的最大值,Yω为归一化最大合角速度,LowerAngle为对960组数据构成的训练集做处理得到的960个最大倾角的最小值,UpperAngle为对960组数据构成的训练集做处理得到的960个最大倾角的最大值,YAngle为归一化最大倾角。
步骤四、对归一化最大合加速度Ya、归一化最大合角速度Yω、归一化最大倾角YAngle的值进行加权融合:
Yc=w1Ya+w2Yω+w3YAngle,w1、w2、w3为权值,且w1+w2+w3=1;
通过对160组跌倒和800组ADL数据的特征值进行观察,发现几乎所有跌倒最大合角速度大于所有ADL的最大合角速度(极少部分例外),而最大合加速度、最大倾角都不能满足这一条件,因此Yω应该有最大的权重,极大多数跌倒的最大合加速度大于所有ADL的最大合加速度,而对于最大倾角而言,也能满足跌倒的最大倾角大于除了弯腰、躺下以外的ADL的最大倾角,最大合加速度、最大倾角对跌倒检测的作用相差不大,因此本发明w1、w3取同一个值,本发明经过对训练集数据的观察,最终取w2=0.5,w1=w3=0.25。
步骤五、将融合得到的Yc与设定阈值Tc对比,Yc>Tc则判定为跌倒,否则判定为未跌倒。
本发明Tc的具体选取通过由多组跌倒和日常生活活动的姿态传感器信号构成的训练集确定,160组跌倒得到的Yc分布图如图8所示,80组上楼得到的Yc分布图如图9所示,80组坐下得到的Yc分布图如图10所示,80组弯腰得到的Yc分布图如图11所示,80组跳跃得到的Yc分布图如图12所示,80组躺下得到的Yc分布图如图13所示。由此可知,跌倒的Yc远大于日常生活活动。
根据160组跌倒的Yc的最小值可以设定阈值Tc,再考虑留出一定余量,取略小于160组跌倒的Yc的最小值作为阈值Tc,本发明设Tc为0.5。
在判定为跌倒后,可以利用Matlab的发声函数可以实现声音报警,利用邮件发送函数实现给监护人邮箱发送邮件,对监护人邮箱设置短信提醒还可以在系统判定跌倒后接收到报警短信。
本发明用于实时检测结果为40次跌倒报警35次,200次ADL(10种ADL每种各进行20次)误判8次。灵敏度为35÷40×100%=87.50%,特异性为192÷200×100%=96.00%,识别准确率为(35+192)÷240×100%=94.58%。
Claims (2)
1.一种室内环境下基于加权融合的老人跌倒检测方法,其特征在于包括下述步骤:
步骤一、上位机通过蓝牙姿态传感器信号的数据包提取三轴加速度(ax、ay、az),三轴角速度(ωx、ωy、ωz)、三轴角度(Anglex、Angley、Anglez),然后进行预处理,预处理包括求合加速度a、合角速度ω和滤波;
步骤二、提取3个特征值,即最大合加速度amax、最大合角速度ωmax、最大倾角Anglexmax:
amax=max{a1,a2,…,an}
ωmax=max{ω1,ω2,…,ωn}
Anglexmax=max{Anglex1,Anglex2,…,Anglexn,Angley1,Angley2,…,Angleyn}
设滑动数据窗的窗口长度为n,a1、a2、……an表示长度为n的时间序列中的合加速度,amax表示这n个合加速度的最大值,ω1、ω2、……ωn表示长度为n的时间序列中的合角速度,ωmax表示这n个合角速度的最大值,Anglex1、Anglex2、……Anglexn表示长度为n的时间序列中的X轴角度,Angley1、Angley2、……Angleyn表示长度为n的时间序列中的Y轴角度,Anglemax表示n个X轴角度和n个Y轴角度共2n个数据的最大值;
步骤三、根据训练集数组对最大合加速度amax、最大合角速度ωmax、最大倾角Anglexmax进行归一化处理得到归一化最大合加速度Ya、归一化最大合角速度Yω、归一化最大倾角YAngle:其中训练集中包含160组跌倒滑动数据窗数据,800组ADL滑动数据窗数据;
其中,Lowera为训练集中所有最大合加速度的最小值,Uppera为训练集中所有最大合加速度的最大值,Lowerω为训练集中所有最大合角速度的最小值,Upperω为训练集中所有最大合角速度的最大值,LowerAngle为训练集中所有最大倾角的最小值,UpperAngle为训练集中所有最大倾角的最大值;
步骤四、对归一化最大合加速度Ya、归一化最大合角速度Yω、归一化最大倾角YAngle的值进行加权融合得到加权检测值Yc:
Yc=w1Ya+w2Yω+w3YAngle;
w1、w2、w3为权值,且w1+w2+w3=1;w1=0.2-0.3,w2=0.4-0.6,w3=0.2-0.3;
步骤五、将步骤四得到的加权检测值Yc与设定阈值Tc对比,Yc>Tc则判定为跌倒,否则判定为未跌倒;设定阈值Tc略小于训练集中所有跌倒滑动数据窗的加权检测值Yc的最小值。
2.根据权利要求1所述的室内环境下基于加权融合的老人跌倒检测方法,其特征在于权值w2=0.5,w1=w3=0.25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729656.XA CN110443315B (zh) | 2019-08-08 | 2019-08-08 | 室内环境下基于加权融合的老人跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729656.XA CN110443315B (zh) | 2019-08-08 | 2019-08-08 | 室内环境下基于加权融合的老人跌倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443315A CN110443315A (zh) | 2019-11-12 |
CN110443315B true CN110443315B (zh) | 2022-12-02 |
Family
ID=68433985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729656.XA Active CN110443315B (zh) | 2019-08-08 | 2019-08-08 | 室内环境下基于加权融合的老人跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443315B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111035391B (zh) * | 2019-11-27 | 2021-09-17 | 吉林大学 | 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 |
CN113784290B (zh) * | 2021-09-10 | 2022-04-12 | 北京市计量检测科学研究院 | 基于电子围栏设备的封闭区域的预警方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377542A (zh) * | 2013-07-16 | 2013-10-30 | 中国科学院深圳先进技术研究院 | 人体防跌倒预警方法及预警器 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7961109B2 (en) * | 2006-12-04 | 2011-06-14 | Electronics And Telecommunications Research Institute | Fall detecting apparatus and method, and emergency aid system and method using the same |
US9176932B2 (en) * | 2009-11-25 | 2015-11-03 | Koninklijke Philips N.V. | Method for detecting falls and a fall detector |
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 |
KR20160123642A (ko) * | 2015-04-16 | 2016-10-26 | 연세대학교 원주산학협력단 | 낙상 검출 방법 및 장치 |
CN105310696B (zh) * | 2015-11-06 | 2018-06-26 | 中国科学院计算技术研究所 | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 |
CN106473265B (zh) * | 2016-12-03 | 2018-01-12 | 石家庄学院 | 一种智能跌倒监护t恤及其跌倒检测算法 |
CN106599914A (zh) * | 2016-12-07 | 2017-04-26 | 广东工业大学 | 一种多传感器融合的腕式跌倒检测方法及装置 |
CN108244744B (zh) * | 2016-12-29 | 2021-06-08 | 中国移动通信有限公司研究院 | 一种运动状态识别的方法、鞋底及鞋 |
WO2019026099A1 (ja) * | 2017-07-31 | 2019-02-07 | 株式会社石野サーキット | 落下検知手段、落下警報手段及び落下通報手段 |
CN108399952B (zh) * | 2018-01-18 | 2021-09-24 | 电子科技大学 | 一种可携带的智能终端及家庭智慧医疗系统 |
CN108447225A (zh) * | 2018-02-07 | 2018-08-24 | 广东中科慈航信息科技有限公司 | 一种人体跌倒检测方法及装置 |
CN109685111B (zh) * | 2018-11-26 | 2023-04-07 | 深圳先进技术研究院 | 动作识别方法、计算系统、智能设备及存储介质 |
CN109858322A (zh) * | 2018-12-04 | 2019-06-07 | 广东工业大学 | 一种人体跌倒检测方法及装置 |
CN109820515A (zh) * | 2019-03-01 | 2019-05-31 | 中南大学 | TensorFlow平台上基于LSTM神经网络的多传感跌倒检测的方法 |
-
2019
- 2019-08-08 CN CN201910729656.XA patent/CN110443315B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377542A (zh) * | 2013-07-16 | 2013-10-30 | 中国科学院深圳先进技术研究院 | 人体防跌倒预警方法及预警器 |
Non-Patent Citations (2)
Title |
---|
一种鞋垫式跌倒检测装置设计;包滨豪等;《科技与创新》;20180315(第05期);第126-127页 * |
基于Android平台的跌倒检测算法研究及实现;卫震;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20180215(第02期);正文第20-23、32-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110443315A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842615B2 (en) | Detecting falls using a mobile device | |
US9638711B2 (en) | Method and system for discerning a false positive in a fall detection signal | |
Lim et al. | Fall‐detection algorithm using 3‐axis acceleration: combination with simple threshold and hidden Markov model | |
US20170372582A1 (en) | Device for monitoring and preventing slump and processing method thereof | |
US11527140B2 (en) | Detecting falls using a mobile device | |
Jafari et al. | Physical activity monitoring for assisted living at home | |
Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
US11282362B2 (en) | Detecting falls using a mobile device | |
US20210005071A1 (en) | Detecting Falls Using A Mobile Device | |
US11282363B2 (en) | Detecting falls using a mobile device | |
CN110443315B (zh) | 室内环境下基于加权融合的老人跌倒检测方法 | |
CN103810817A (zh) | 一种穿戴式人体瘫倒检测报警装置及应用 | |
CN111183460A (zh) | 摔倒检测器和摔倒检测的改进 | |
Shi et al. | Fall Detection Algorithm Based on Triaxial Accelerometer and Magnetometer. | |
CN106650300B (zh) | 一种基于极限学习机的老人监护系统及方法 | |
CN106910314A (zh) | 一种基于体形的个性化跌倒检测方法 | |
Ye et al. | A falling detection system with wireless sensor for the elderly people based on ergnomics | |
CN203931101U (zh) | 一种穿戴式人体瘫倒检测报警装置 | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
Nam et al. | Physical activity recognition using a single triaxial accelerometer and a barometric sensor for baby and child care in a home environment | |
Xie et al. | ART: adaptive and real-time fall detection using COTS smart watch | |
Ye et al. | Research of fall detection and alarm applications for the elderly | |
Habaebi et al. | Wearable Smart Phone Sensor Fall Detection System. | |
Ning et al. | Real-time action recognition and fall detection based on smartphone | |
CN111035391B (zh) | 基于特征值加权平均和阈值法相结合的老人跌倒检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |