CN110464315A - 一种融合多传感器的老年人摔倒预测方法和装置 - Google Patents
一种融合多传感器的老年人摔倒预测方法和装置 Download PDFInfo
- Publication number
- CN110464315A CN110464315A CN201910663958.1A CN201910663958A CN110464315A CN 110464315 A CN110464315 A CN 110464315A CN 201910663958 A CN201910663958 A CN 201910663958A CN 110464315 A CN110464315 A CN 110464315A
- Authority
- CN
- China
- Prior art keywords
- module
- signal
- fuzzy
- layer
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000033001 locomotion Effects 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 230000036760 body temperature Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 208000035211 Heart Murmurs Diseases 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000003483 aging Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- 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
- A61B5/1112—Global tracking of patients, e.g. by using GPS
-
- 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
- A61B5/103—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
- A61B5/1118—Determining activity level
-
- 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
- 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
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
- A61B5/747—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network in case of emergency, i.e. alerting emergency services
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Emergency Medicine (AREA)
- Business, Economics & Management (AREA)
- Critical Care (AREA)
- Emergency Management (AREA)
- Nursing (AREA)
- Pulmonology (AREA)
- Radar, Positioning & Navigation (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种融合多传感器的老年人摔倒预测方法和装置,用三种传感器采集不同的人体信息信号,以运动数据、脉搏信号和温度作为特征参量,利用模糊神经网络算法对3种运动时人体特征参量进行数据融合进行摔倒报警,改善现有智能穿戴设备数据记录偏差较大,误报率高情况,对摔倒预测具有比较高的效率和准确率,可以准确快速的对老年人身体状态进行判定。
Description
技术领域
本发明涉及老人防摔技术领域,尤其涉及一种融合多传感器的老年人摔倒预测方法和装置。
背景技术
大多数行动不便的老年人在生活中需要照顾和看护,耗费大量的社会资源。而随着年龄的增加,老年人机体生理功能发生明显改变,表现在器官老化和功能的衰退。其中本体感觉、视觉等老化导致老年人在使用助老伴行机器人时容易发生摔倒,不仅使老年人感到恐惧和焦虑,且摔倒后会令其身体造成严重的损伤,给其生活带来极大的困扰。
人体的摔倒是一个复杂多变的过程,包括人体四肢的运动和躯干的运动,通过感器采集人的手部触觉信息和躯干角度信息描述人体当前的运动状态,前期通过视觉和身体状态来对人体的摔倒进行预测,判断时间过长,而人从身体失衡到与地面撞击最后平躺在地面上的整个摔倒过程只有2~6s。因此有必要提供一种融合多传感器的老年人摔倒预测方法和装置能快速预测老年人摔倒并进行报警处理。
发明内容
本发明的目的在于克服上述不足,提供一种融合多传感器的老年人摔倒预测方法和装置。
为实现上述目的,本发明的技术解决方案是一种融合多传感器的老年人摔倒预测方法,包括以下步骤:
1)采集信号:通过六轴加速度传感器、心率监测传感器和温度传感器,分别对应采集使用者的运动状态信息、采集脉搏信息和温度信息;
2)构造模糊神经网络:以人体的运动状态、脉搏、体温3个特征参数转换的电信号作为网络的输入,构建不小于4层的神经网络模型,分别为输入层、线性变换层、模糊层、归一化层和去模糊化层;
3)确定隶属函数:通过连接权值将三路信号按照3种不同隶属度函数划分为S、M、L,其中S为小,M为中,L为大;
4)设定模糊推理规则:由于输入层有3个参数,且每个参数具有S、M、L,3种状态,即模糊规则应该有33条规则,考虑到实际危险信号出现情况某些模糊规则不具备实际判别意义,并且规则过多会增加模型的复杂度,总结10~15条模糊规则;
5)归一化处理:通过连接权值将三路信号按照划分好的隶属度函数,然后选定模糊规则,进行归一化处理得到“正常N”,“摔倒S”,“心率不齐导致摔倒L”所发生的概率;
6)神经网络各层单元计算:根据确定的隶属度函数及神经网络传导模型,确定网络各层的输入输出值;
7)修正权值:根据建立的神经网络模型找到合适的网络权值,使网络实际输出与期望输出尽可能的接近,系统在构建时连接权值根据神经网络的层数确定,采用附加动量项神经网络算法对其进行训练,并利用误差反向传播的梯度下降法来实现对权值的调整;
8)输出结果:判断结果为N,正常信号,不报警;判断结果为S,发报警信号;判断结果为L,发报警信号,并且进行SOS呼救。
优选的,步骤3确定隶属度函数采用S型函数和高斯函数。
一种融合多传感器的老年人摔倒预测方法的装置,包括信号采集模块,用于采集的运动状态、脉搏和体温信号;主控模块,所述主控模块设置有模糊神经网络控制模块,用于对采集的信号进行处理计算,并输出判定摔倒指令;蓝牙模块:通过蓝牙进行数据传输;语音报警模块,检测到老人的行动超过报警阈值便产生报警信号;生理检测模块:对老人心率、血压、体温信号进行实时监控;所述信号采集模块、蓝牙模块、语音报警模块、生理检测模块分别电连接主控模块。
优选的,所述信号采集模块包括六轴加速度传感器、心率监测传感器和温度传感器;所述六轴加速度传感器用以采集运动状态信号,所述心率检测传感器用以采集脉搏信号,所述温度传感器用以采集体温信号。
优选的,还包括有GPS+LBS双重定位模块,所述GPS+LBS双重定位模块连接主控模块。
本发明由于采用了以上技术方案,具有显著的技术效果:本发明采用三种传感器采集不同的人体信息信号,以运动数据、脉搏信号和温度作为特征参量,利用模糊神经网络算法对3种运动时人体特征参量进行数据融合进行摔倒报警,改善现有智能穿戴设备数据记录偏差较大,误报率高情况的问题,对摔倒预测具有比较高的效率和准确率,可以准确快速的对老年人身体状态进行判定。
附图说明
图1为本发明的流程示意图;
图2为本发明的装置结构示意图;
主要附图标记说明:1、信号采集模块;2、蓝牙模块;3、主控模块;4、模糊神经网络模块;5、语音报警模块;6、生理检测模块;7、通话模块;8、六轴加速度传感器;9、心率检测传感器;10、温度传感器;11、双重定位模块。
具体实施方式
以下结合附图和具体实施例来进一步说明本发明。
如图1所示,本发明一种融合多传感器的老年人摔倒预测方法,包括以下步骤:
1)采集信号:通过六轴加速度传感器、心率监测传感器和温度传感器,分别对应采集使用者的运动状态信息、采集脉搏信息和温度信息;
2)构造模糊神经网络:以人体的运动状态、脉搏、体温3个特征参数转换的电信号作为网络的输入,构建不小于4层的神经网络模型,分别为输入层、线性变换层、模糊层、归一化层和去模糊化层;C、Y、T分别表示人体的运动状态、脉搏、体温3种传感器所采集的电信号在经过预处理后的输出值。S、M、L分别代表模糊推理中“小”、“中”、“大”;
3)确定隶属函数:采用S型函数和高斯函数,通过连接权值将三路信号按照3种不同隶属度函数划分为S、M、L,其中S为小,M为中,L为大;
4)设定模糊推理规则:由于输入层有3个参数,且每个参数具有S、M、L,3种状态,即模糊规则应该有33条规则,考虑到实际危险信号出现情况某些模糊规则不具备实际判别意义,并且规则过多会增加模型的复杂度,总结10~15条模糊规则;
5)归一化处理:通过连接权值将三路信号按照划分好的隶属度函数,然后选定模糊规则,进行归一化处理得到“正常N”,“摔倒S”,“心率不齐导致摔倒L”所发生的概率;
6)神经网络各层单元计算:根据确定的隶属度函数及神经网络传导模型,确定网络各层的输入输出值;
7)修正权值:根据建立的神经网络模型找到合适的网络权值,使网络实际输出与期望输出尽可能的接近,系统在构建时连接权值根据神经网络的层数确定,采用附加动量项神经网络算法对其进行训练,并利用误差反向传播的梯度下降法来实现对权值的调整;
8)输出结果:判断结果为N,正常信号,不报警;判断结果为S,发报警信号;判断结果为L,发报警信号,并且进行SOS呼救。
模糊神经网路一般是多层前馈网络,分为前层、中层和后层。前层实现模糊化,中层实现模糊推理,后曾实现反模糊化。进行算法流程首先需要根据输入构造神经网络,确定神经网络层级及个数,根据输入特征参数构造适合的隶属度函数,并设定相应的模糊判定规则库;通过神经元传导模型计算各层网络的输入输出;网络各层级传导权值需要由采集的样本数据对所构建的模型进行训练,在训练中不断的调整修正神经网络权值,使网络所输出的危险或不危险概率进行模糊推理判断,并输出危险时间发生的概率,通过使用阈值法对发生危险概率进行判断。
以危险信号出现时人体的运动状态、脉搏、体温3个特征参数转换的电信号作为网络的输入,构建不小于4层的神经网络模型,分别为输入层、线性变换层、模糊层、归一化层、去模糊化层。C、Y、T分别表示人体的运动状态、脉搏、体温3种传感器所采集的电信号在经过预处理后的输出值。S、M、L分别代表模糊推理中“小”、“中”、“大”。当危险信号输入到神经网络模型以后通过连接权值将三路信号按照3种不同隶属度函数划分为S、M、L,然后选定模糊规则,进行归一化处理得到“正常N”,“摔倒S”,“心率不齐导致摔倒L”所发生的概率,最后由网络输出危险事件判定结果。
一种融合多传感器的老年人摔倒预测装置,包括信号采集模块1,用于采集的运动状态、脉搏和体温信号;主控模块3,所述主控模块设置3有模糊神经网络控制模块4,用于对采集的信号进行处理计算,并输出判定摔倒指令;蓝牙模块2:通过蓝牙进行数据传输;语音报警模块5,检测到老人的行动超过报警阈值便产生报警信号;生理检测模块6:对老人心率、血压、体温信号进行实时监控;所述信号采集模块1、蓝牙模块2、语音报警模块5、生理检测模块6分别电连接主控模块2。
所述信号采集模块包括六轴加速度传感器8、心率监测传感器9和温度传感器10;所述六轴加速度传感器8用以采集运动状态信号,所述心率检测传感器9用以采集脉搏信号,所述温度传感器10用以采集体温信号。本实施例采用六轴加速度传感器8拟采用MPU-6050,该六轴加速度传感器8包含三轴陀螺仪,三轴加速器,三轴数字电子罗盘,内嵌完整的9轴融合演算技术,可处理运动感测得复杂数据;心率血氧传感器9采用具有集成脉搏血氧仪心率监测传感器。
本装置工作原理,信号采集模块1的六轴加速度传感器8、心率监测传感器9和温度传感器10分别采集用户运动状态、脉搏和体温信号,通过蓝牙模块2把信号数据传到主控模块3,主控模块3的模糊神经网络控制模块4通过模糊神经网络算法对信号数据进行处理,判断结果为正常N,正常信号,不报警;判断结果为摔倒S,通过语音报警模块发报警信号;判断结果为心率不齐导致摔倒L,通过语音报警模块5发报警信号,并且进行SOS呼救。设置GPS+LBS双重定位模块11,APP操作即时精确查询,实时监控老人的位置,当老人发生意外时第一时间获得老人的具体位置。所述生理检测模块6包括按键和监视屏,对老人心率、血压、体温信号进行实时监控,通过设置按键可以根据不同人改变不同的阈值,监视屏方便老人查看检测数据。若老人体温或心率发生急剧性变化,立刻通过远程通话模块7发送报警信号到监护人手机上,此外通话模块7包括GSM模块和远程监控模块,使得老人可以与亲人进行通话,同时方便老人实时呼叫,可以一键快速打车,实现老人“嘀嘀”出行。远程监控模块具有无线数据传输功能,与终端通过云端服务器进行信息交互,进行信息和数据的远程存储和传送,向监护人手机发送老人的经纬度定位数据信息。
以上所述的,仅为本发明的较佳实施例而已,不能限定本发明实施的范围,凡是依本发明申请专利范围所作的均等变化与装饰,皆应仍属于本发明涵盖的范围内。
Claims (5)
1.一种融合多传感器的老年人摔倒预测方法,其特征在于,包括以下步骤:
1)采集信号:通过六轴加速度传感器、心率监测传感器和温度传感器,分别对应采集使用者的运动状态信息、采集脉搏信息和温度信息;
2)构造模糊神经网络:以人体的运动状态、脉搏、体温3个特征参数转换的电信号作为网络的输入,构建不小于4层的神经网络模型,分别为输入层、线性变换层、模糊层、归一化层和去模糊化层;
3)确定隶属函数:通过连接权值将三路信号按照3种不同隶属度函数划分为S、M、L,其中S为小,M为中,L为大;
4)设定模糊推理规则:由于输入层有3个参数,且每个参数具有S、M、L,3种状态,即模糊规则应该有33条规则,考虑到实际危险信号出现情况某些模糊规则不具备实际判别意义,并且规则过多会增加模型的复杂度,总结10~15条模糊规则;
5)归一化处理:通过连接权值将三路信号按照划分好的隶属度函数,然后选定模糊规则,进行归一化处理得到“正常N”,“摔倒S”,“心率不齐导致摔倒L”所发生的概率;
6)神经网络各层单元计算:根据确定的隶属度函数及神经网络传导模型,确定网络各层的输入输出值;
7)修正权值:根据建立的神经网络模型找到合适的网络权值,使网络实际输出与期望输出尽可能的接近,系统在构建时连接权值根据神经网络的层数确定,采用附加动量项神经网络算法对其进行训练,并利用误差反向传播的梯度下降法来实现对权值的调整;
8)输出结果:判断结果为N,正常信号,不报警;判断结果为S,发报警信号;判断结果为L,发报警信号,并且进行SOS呼救。
2.根据权利要求1所述的一种融合多传感器的老年人摔倒预测方法,其特征在于:步骤3确定隶属度函数采用S型函数和高斯函数。
3.一种实现权利要求1~2中任意一项所述的融合多传感器的老年人摔倒预测方法的装置,其特征在于:包括信号采集模块,用于采集的运动状态、脉搏和体温信号;主控模块,所述主控模块设置有模糊神经网络控制模块,用于对采集的信号进行处理计算,并输出判定摔倒指令;蓝牙模块:通过蓝牙进行数据传输;语音报警模块,检测到老人的行动超过报警阈值便产生报警信号;生理检测模块:对老人心率、血压、体温信号进行实时监控;所述信号采集模块、蓝牙模块、语音报警模块、生理检测模块分别电连接主控模块。
4.根据权利要求3所述的装置,其特征在于:所述信号采集模块包括六轴加速度传感器、心率监测传感器和温度传感器;所述六轴加速度传感器用以采集运动状态信号,所述心率检测传感器用以采集脉搏信号,所述温度传感器用以采集体温信号。
5.根据权利要求3所述的装置,其特征在于:还包括有GPS+LBS双重定位模块,所述GPS+LBS双重定位模块连接主控模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663958.1A CN110464315A (zh) | 2019-07-23 | 2019-07-23 | 一种融合多传感器的老年人摔倒预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663958.1A CN110464315A (zh) | 2019-07-23 | 2019-07-23 | 一种融合多传感器的老年人摔倒预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110464315A true CN110464315A (zh) | 2019-11-19 |
Family
ID=68508275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663958.1A Pending CN110464315A (zh) | 2019-07-23 | 2019-07-23 | 一种融合多传感器的老年人摔倒预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110464315A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111568432A (zh) * | 2020-04-06 | 2020-08-25 | 沈阳工业大学 | 基于模糊推理的全方位步行训练机器人的跌倒检测方法 |
CN111743545A (zh) * | 2020-07-07 | 2020-10-09 | 天津城建大学 | 基于深度学习的老人摔倒检测方法、检测手环及存储介质 |
CN112216065A (zh) * | 2020-10-15 | 2021-01-12 | 吕行 | 一种老年人行为智能看护系统及识别方法 |
CN112801000A (zh) * | 2021-02-05 | 2021-05-14 | 南京邮电大学 | 一种基于多特征融合的居家老人摔倒检测方法及系统 |
CN117171606A (zh) * | 2023-09-04 | 2023-12-05 | 北京泛源时空科技有限公司 | 一种基于自适应模糊推理的行人多步态模式识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
US20080108913A1 (en) * | 2006-11-06 | 2008-05-08 | Colorado Seminary, Which Owns And Operates The University Of Denver | Smart apparatus for gait monitoring and fall prevention |
CN106418942A (zh) * | 2016-09-24 | 2017-02-22 | 成都创慧科达科技有限公司 | 一种防跌倒智能拐杖及控制系统和控制方法 |
CN107788990A (zh) * | 2017-10-26 | 2018-03-13 | 广州大学华软软件学院 | 一种可佩戴跌倒检测装置及跌倒检测系统 |
CN211484541U (zh) * | 2019-07-23 | 2020-09-15 | 闽南理工学院 | 一种融合多传感器的老年人摔倒预测装置 |
-
2019
- 2019-07-23 CN CN201910663958.1A patent/CN110464315A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
US20080108913A1 (en) * | 2006-11-06 | 2008-05-08 | Colorado Seminary, Which Owns And Operates The University Of Denver | Smart apparatus for gait monitoring and fall prevention |
CN106418942A (zh) * | 2016-09-24 | 2017-02-22 | 成都创慧科达科技有限公司 | 一种防跌倒智能拐杖及控制系统和控制方法 |
CN107788990A (zh) * | 2017-10-26 | 2018-03-13 | 广州大学华软软件学院 | 一种可佩戴跌倒检测装置及跌倒检测系统 |
CN211484541U (zh) * | 2019-07-23 | 2020-09-15 | 闽南理工学院 | 一种融合多传感器的老年人摔倒预测装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111568432A (zh) * | 2020-04-06 | 2020-08-25 | 沈阳工业大学 | 基于模糊推理的全方位步行训练机器人的跌倒检测方法 |
CN111743545A (zh) * | 2020-07-07 | 2020-10-09 | 天津城建大学 | 基于深度学习的老人摔倒检测方法、检测手环及存储介质 |
CN111743545B (zh) * | 2020-07-07 | 2023-11-28 | 天津城建大学 | 基于深度学习的老人摔倒检测方法、检测手环及存储介质 |
CN112216065A (zh) * | 2020-10-15 | 2021-01-12 | 吕行 | 一种老年人行为智能看护系统及识别方法 |
CN112801000A (zh) * | 2021-02-05 | 2021-05-14 | 南京邮电大学 | 一种基于多特征融合的居家老人摔倒检测方法及系统 |
CN112801000B (zh) * | 2021-02-05 | 2022-08-12 | 南京邮电大学 | 一种基于多特征融合的居家老人摔倒检测方法及系统 |
CN117171606A (zh) * | 2023-09-04 | 2023-12-05 | 北京泛源时空科技有限公司 | 一种基于自适应模糊推理的行人多步态模式识别方法 |
CN117171606B (zh) * | 2023-09-04 | 2024-05-28 | 北京泛源时空科技有限公司 | 一种基于自适应模糊推理的行人多步态模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110464315A (zh) | 一种融合多传感器的老年人摔倒预测方法和装置 | |
CN102707305B (zh) | 摔倒检测定位系统的工作方法 | |
CN105125221B (zh) | 云服务实时摔倒检测系统及方法 | |
CN111166357A (zh) | 多传感器融合的疲劳监测装置系统及其监测方法 | |
CN106846729A (zh) | 一种基于卷积神经网络的跌倒检测方法和系统 | |
CN103810817B (zh) | 一种穿戴式人体瘫倒检测报警装置的检测报警方法 | |
US20210064141A1 (en) | System for detecting a signal body gesture and method for training the system | |
CN211484541U (zh) | 一种融合多传感器的老年人摔倒预测装置 | |
CN108683724A (zh) | 一种智能儿童安全及步态健康监护系统 | |
CN103211599A (zh) | 一种监测跌倒的方法及装置 | |
CN205050303U (zh) | 一种智能人体瘫倒监测装置 | |
CN106725445B (zh) | 一种脑电波控制的便携式人体运动损伤监护系统与方法 | |
CN111325946A (zh) | 一种基于边缘计算的跌倒检测方法及系统 | |
CN105913614A (zh) | 监测摔倒的方法、装置以及智能穿戴设备和摔倒报警系统 | |
CN107788990A (zh) | 一种可佩戴跌倒检测装置及跌倒检测系统 | |
CN103886715A (zh) | 一种人体跌倒检测方法 | |
CN108335457B (zh) | 一种基于驾驶人手环的驾驶安全监测方法 | |
CN107330240A (zh) | 一种基于双手环传感器的智能远程特护监控系统及方法 | |
CN111183460A (zh) | 摔倒检测器和摔倒检测的改进 | |
CN110363960A (zh) | 一种跌倒报警系统 | |
CN110279420A (zh) | 基于极限学习机的便携式跌倒检测装置及检测方法 | |
Shi et al. | Fall detection system based on inertial mems sensors: Analysis design and realization | |
CN205103993U (zh) | 一种智能人体跌倒监护装置 | |
Taghvaei et al. | Autoregressive-moving-average hidden Markov model for vision-based fall prediction—An application for walker robot | |
Qu et al. | Convolutional neural network for human behavior recognition based on smart bracelet |
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 |