CN111132603A - 使用移动设备检测跌倒 - Google Patents
使用移动设备检测跌倒 Download PDFInfo
- Publication number
- CN111132603A CN111132603A CN201880056141.1A CN201880056141A CN111132603A CN 111132603 A CN111132603 A CN 111132603A CN 201880056141 A CN201880056141 A CN 201880056141A CN 111132603 A CN111132603 A CN 111132603A
- Authority
- CN
- China
- Prior art keywords
- user
- mobile device
- determining
- motion
- data
- 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.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 claims abstract description 411
- 230000001133 acceleration Effects 0.000 claims abstract description 194
- 238000000034 method Methods 0.000 claims abstract description 157
- 230000004044 response Effects 0.000 claims abstract description 72
- 238000004891 communication Methods 0.000 claims description 61
- 230000008859 change Effects 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 42
- 230000000694 effects Effects 0.000 claims description 40
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 210000000707 wrist Anatomy 0.000 claims description 19
- 238000013179 statistical model Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000001771 impaired effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 86
- 238000005259 measurement Methods 0.000 description 40
- 230000004927 fusion Effects 0.000 description 33
- 230000009429 distress Effects 0.000 description 32
- 230000007704 transition Effects 0.000 description 27
- 230000000386 athletic effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 21
- 208000014674 injury Diseases 0.000 description 20
- 238000012545 processing Methods 0.000 description 18
- 230000008733 trauma Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 15
- 230000037081 physical activity Effects 0.000 description 15
- 238000003066 decision tree Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 13
- 230000005484 gravity Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 12
- 238000011084 recovery Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 230000006735 deficit Effects 0.000 description 9
- 208000025978 Athletic injury Diseases 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000001747 exhibiting effect Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009182 swimming Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000000981 bystander Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000000245 forearm Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 239000013641 positive control Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010042772 syncope Diseases 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000234282 Allium Species 0.000 description 1
- 235000001270 Allium sibiricum Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000012723 sample buffer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- 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
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- 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
-
- 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
- A61B5/02—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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- 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
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
-
- 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
- A61B5/7405—Details of notification to user or communication with user or patient ; user input means using sound
-
- 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
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- 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
- A61B5/7455—Details of notification to user or communication with user or patient ; user input means characterised by tactile indication, e.g. vibration or electrical stimulation
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
- G01C5/06—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels by using barometric means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/1633—Constructional details or arrangements of portable computers not specific to the type of enclosures covered by groups G06F1/1615 - G06F1/1626
- G06F1/1684—Constructional details or arrangements related to integrated I/O peripherals not covered by groups G06F1/1635 - G06F1/1675
- G06F1/1694—Constructional details or arrangements related to integrated I/O peripherals not covered by groups G06F1/1635 - G06F1/1675 the I/O peripheral being a single or a set of motion sensors for pointer control or gesture input obtained by sensing movements of the portable computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2402—Electronic Article Surveillance [EAS], i.e. systems using tags for detecting removal of a tagged item from a secure area, e.g. tags for detecting shoplifting
- G08B13/2451—Specific applications combined with EAS
- G08B13/2454—Checking of authorisation of a person accessing tagged items in an EAS system
-
- 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
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0269—System arrangements wherein the object is to detect the exact location of child or item using a navigation satellite system, e.g. GPS
-
- 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
- A61B2503/10—Athletes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
-
- 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
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Abstract
在一种示例方法中,移动设备获取指示由传感器在时间段内测量的加速度的信号。移动设备基于该信号来确定用户经历的撞击。移动设备还基于该信号确定在撞击之前的时间期间用户的一个或多个第一运动特性,以及在撞击之后的时间期间用户的一个或多个第二运动特性。移动设备基于撞击、用户的一个或多个第一运动特性以及用户的一个或多个第二运动特性来确定用户已经跌倒,并且作为响应,生成指示用户已经跌倒的通知。
Description
相关申请的交叉引用
本专利申请要求2018年9月11日提交的美国专利申请16/128,464的优先权,该美国专利申请要求2017年9月29日提交的美国临时专利申请62/565,988的优先权,其中每者的全部内容均以引用方式并入本文。
技术领域
本公开涉及用于使用移动设备来确定用户是否已经跌倒的技术。
背景技术
运动传感器是一种测量物体所经历的运动(例如,物体相对于时间的速度或加速度、物体相对于时间的取向或取向变化等)的设备。在一些情况下,移动设备(例如,蜂窝电话、智能电话、平板电脑、可穿戴电子设备诸如智能手表等)可包括确定移动设备在时间段内经历的运动的一个或多个运动传感器。如果移动设备被用户穿戴,则可使用由运动传感器获取的测量值来确定用户在时间段内经历的运动。
发明内容
本文公开了使用移动设备以电子方式确定用户是否已经跌倒的系统、方法、设备和非暂态计算机可读介质。
在一方面中,一种方法包括由移动设备获取指示由运动传感器在时间段内测量的运动的运动数据。运动传感器由用户穿戴或携带。该方法还包括由移动设备基于运动数据来确定用户经历的撞击,该撞击在时间段的第一间隔期间发生。该方法还包括由移动设备基于运动数据来确定用户在时间段的第二间隔期间的一个或多个第一运动特性。第二间隔发生在第一间隔之前。该方法还包括由移动设备基于运动数据来确定用户在时间段的第三间隔期间的一个或多个第二运动特性。第三间隔发生在第一间隔之后。该方法还包括:由移动设备基于撞击、用户的一个或多个第一运动特性以及用户的一个或多个第二运动特性来确定用户已经跌倒,并且响应于确定用户已经跌倒,由移动设备生成指示用户已经跌倒的通知。
该方面的具体实施可包括以下特征中的一者或多者。
在一些具体实施中,确定一个或多个第一运动特性可包括基于运动数据确定用户正在第二间隔期间行走。
在一些具体实施中,确定一个或多个第一运动特性可包括基于运动数据确定用户正在第二间隔期间上楼梯或下楼梯。
在一些具体实施中,确定一个或多个第一运动特性可包括基于运动数据确定用户正在第二间隔期间根据摆动运动或支撑运动移动身体部位。
在一些具体实施中,确定一个或多个第二运动特性可包括基于运动数据确定用户正在第三间隔期间行走。
在一些具体实施中,确定一个或多个第二运动特性可包括基于运动数据确定用户正在第三间隔期间站立。
在一些具体实施中,确定一个或多个第二运动特性可包括基于运动数据确定用户的身体部位的取向在第三间隔期间改变了N次或更多次。
在一些具体实施中,确定用户已经跌倒可包括基于运动数据确定撞击大于第一阈值,并且基于运动数据确定用户的运动在第三间隔期间受损。
在一些具体实施中,确定用户已经跌倒可包括基于运动数据确定撞击小于第一阈值并且大于第二阈值;基于运动数据确定用户是在第二间隔期间行走,在第二间隔期间上楼梯,还是在第二间隔期间下楼梯中的至少一者;基于运动数据确定用户在第二间隔期间正在根据摆动运动或支撑运动移动身体部位;以及基于运动数据确定用户的运动在第三间隔期间受损。
在一些具体实施中,生成通知可包括在移动设备的显示设备或音频设备中的至少一者上呈现表明用户已经跌倒的指示。
在一些具体实施中,生成通知可包括将数据传输至远离移动设备的通信设备,该数据包括表明用户已经跌倒的指示。
在一些具体实施中,确定用户已经跌倒可包括基于一个或多个采样的撞击、一个或多个采样的第一运动特性以及一个或多个采样的第二运动特性来生成统计模型。可基于样本运动数据来确定一个或多个采样的撞击、一个或多个采样的第一运动特性和一个或多个采样的第二运动特性。样本运动数据可指示由一个或多个附加传感器在一个或多个附加时间段内测量的运动,其中每个附加运动传感器由相应的附加用户穿戴。
在一些具体实施中,统计模型可以是贝叶斯统计模型。
在一些具体实施中,一个或多个采样的第一运动特性可包括特定附加用户相对于样本运动数据执行的活动类型的指示、特定附加用户相对于样本运动数据的活动水平的指示,和/或特定附加用户相对于样本运动数据的行走速度的指示。
在一些具体实施中,该方法可由移动设备的协处理器执行。协处理器可被配置为接收从一个或多个运动传感器获取的运动数据,处理运动数据,并且将经处理的运动数据提供给移动设备的一个或多个处理器。
在一些具体实施中,移动设备可包括运动传感器。
在一些具体实施中,当传感器测量运动时,移动设备可被穿戴在用户的手臂或手腕上。
在一些具体实施中,移动设备可为可穿戴移动设备。
在另一方面中,一种方法包括:由移动设备获取指示由加速度计在时间段内测量的加速度的第一信号,以及指示由取向传感器在该时间段内测量的取向的第二信号,其中加速度计和取向传感器物理地耦接到用户。该方法还包括:由移动设备确定指示用户在时间段期间经历的旋转量的旋转数据,由移动设备基于旋转数据确定用户已经翻跌,并且响应于确定用户已经翻跌,由移动设备生成指示用户已经翻跌的通知。
该方面的具体实施可包括以下特征中的一者或多者。
在一些具体实施中,旋转数据可包括指示用户在该时间段期间经历的旋转速率的第三信号。
在一些具体实施中,旋转数据可包括用户在时间段期间在参考坐标系中的旋转的一个或多个旋转轴的指示。
在一些具体实施中,旋转数据可包括用户在该时间段期间的旋转的平均旋转轴的指示。
在一些具体实施中,确定用户已经翻跌可包括确定用户在时间段期间的旋转的一个或多个旋转轴与用户在时间段期间的旋转的平均旋转轴之间的变化。
在一些具体实施中,确定用户已经翻跌可包括确定变化小于第一阈值,以及响应于确定变化小于第一阈值,基于第三信号来确定与用户在时间段期间的角位移对应的第四信号。
在一些具体实施中,确定第四信号可包括将第三信号相对于该时间段求积分。
在一些具体实施中,确定用户已经翻跌可包括确定用户在时间段期间的角位移大于第二阈值;确定用户在时间段期间的旋转的一个或多个旋转轴中的至少一者大于第三阈值;以及响应于确定用户在时间段期间的经历的角位移大于第二阈值,并且确定用户在时间段期间的旋转的一个或多个旋转轴中的至少一者大于第三阈值,来确定用户已经翻跌。
在一些具体实施中,生成通知可包括在移动设备的显示设备或音频设备中的至少一者上呈现表明用户已经翻跌的指示。
在一些具体实施中,生成通知可包括将数据传输至远离移动设备的通信设备,该数据包括表明用户已经翻跌的指示。
在一些具体实施中,该方法可由移动设备的协处理器执行。协处理器可被配置为接收从一个或多个传感器获取的运动数据,处理运动数据,并且将经处理的运动数据提供给移动设备的一个或多个处理器。
在另一方面中,一种方法包括由移动设备获取指示由一个或多个运动传感器在第一时间段内测量的运动的运动数据。一个或多个运动传感器由用户穿戴。该方法还包括由移动设备基于运动数据确定用户已经跌倒,并且响应于确定用户已经跌倒,由移动设备生成指示用户已经跌倒的一个或多个通知。
该方面的具体实施可包括以下特征中的一者或多者。
在一些具体实施中,生成一个或多个通知可包括向用户呈现指示用户已经跌倒的第一通知。
在一些具体实施中,第一通知可包括视觉消息、音频消息或触觉消息中的至少一者。
在一些具体实施中,生成一个或多个通知可包括由移动设备响应于第一通知而接收来自用户的输入。该输入可指示用户对帮助的请求。另外,生成一个或多个通知可包括,响应于接收到输入,向远离移动设备的通信设备传输指示对帮助的请求的第二通知。
在一些具体实施中,通信设备可为紧急响应系统。
在一些具体实施中,第二通知可指示移动设备的位置。
在一些具体实施中,生成一个或多个通知可包括由移动设备在用户跌倒之后的第二时间段期间确定用户没有移动,以及响应于确定第二时间段期间用户没有移动,向远离移动设备的通信设备传输指示对帮助的请求的第二通知。
在一些具体实施中,生成一个或多个通知可包括由移动设备确定在用户跌倒之后的第二时间段期间用户已经移动,以及响应于确定第二时间段期间用户已经移动,避免向远离移动设备的通信设备传输指示对帮助的请求的第二通知。
在一些具体实施中,可根据状态机生成一个或多个通知。
在一些具体实施中,一个或多个运动传感器可包括加速度计或陀螺仪中的至少一者。
在一些具体实施中,移动设备可为可穿戴移动设备。
在一些具体实施中,确定用户已经跌倒可包括基于运动数据确定用户经历撞击。
在一些具体实施中,确定用户已经跌倒可包括确定用户在第一时间段期间的行为。
在另一方面中,一种方法包括由移动设备获取由多个传感器在时间段内生成的样本数据。多个传感器由用户穿戴。样本数据包括从多个传感器中的一个或多个运动传感器获取的指示用户的运动的运动数据,以及以下各项数据中的至少一者:从多个传感器中的一个或多个位置传感器获取的指示移动设备的位置的位置数据、从多个传感器中的一个或多个高度传感器获取的指示移动设备的高度的高度数据,或从多个传感器中的一个或多个心率传感器获取的指示用户心率的心率数据。该方法还包括由移动设备基于样本数据确定用户已经跌倒,以及响应于确定用户已经跌倒,由移动设备生成指示用户已经跌倒的一个或多个通知。
该方面的具体实施可包括以下特征中的一者或多者。
在一些具体实施中,一个或多个运动传感器可包括加速度计或陀螺仪中的至少一者。
在一些具体实施中,获取运动数据可包括在该时间段期间的第一时间间隔期间使用加速度计来获取加速度数据。可在第一时间间隔期间禁用陀螺仪。获取运动数据还可包括基于在第一时间间隔期间获取的加速度计数据确定在第一时间间隔期间用户的移动超过阈值水平,以及响应于确定在第一时间间隔期间用户的移动超过阈值水平,在第一时间间隔之后的第二时间间隔期间使用加速度计来获取加速度数据并使用陀螺仪来获取陀螺仪数据。
在一些具体实施中,一个或多个高度传感器可包括测高计或气压计中的至少一者。
在一些具体实施中,一个或多个位置传感器可包括无线收发器或全球导航卫星系统接收器中的至少一者。
在一些具体实施中,确定用户已经跌倒可包括基于运动数据来确定移动设备的取向在时间段期间的变化,以及基于取向的变化来确定用户已经跌倒。
在一些具体实施中,确定用户已跌倒可包括基于运动数据确定用户在该时间段期间经历的撞击,以及基于该撞击来确定用户已经跌倒。
在一些具体实施中,确定用户已经跌倒可包括基于高度数据来确定移动设备的高度在时间段期间的变化,以及基于高度的变化来确定用户已经跌倒。
在一些具体实施中,确定用户已跌倒可包括基于心率数据确定用户的心率在该时间段期间的变化,以及基于心率的变化来确定用户已经跌倒。
在一些具体实施中,确定用户在该时间段期间心率的变化可包括确定用户的心率在该时间段期间的衰减速率。
在一些具体实施中,确定用户已经跌倒可包括基于位置数据确定移动设备的位置处的环境状况,以及基于环境状况确定用户已经跌倒。
在一些具体实施中,环境状况可以是天气。
在一些具体实施中,移动设备可基于运动数据、位置数据、高度数据和心率数据来确定用户已经跌倒。
在一些具体实施中,移动设备可为可穿戴移动设备。
在一些具体实施中,生成一个或多个通知可包括向远离移动设备的通信设备传输通知。
在一些具体实施中,通信设备可为紧急响应系统。
特定具体实施提供了至少以下优点。在一些情况下,本文所述的具体实施可用于确定用户是否已经跌倒,并且作为响应,自动采取适当的动作。例如,移动设备可在用户在其日常生活中四处走动时监测其移动(例如,行走、跑步、坐下、躺下、参加运动或体育活动等)。基于用户的移动,移动设备可确定用户是否已经跌倒,如果已经跌倒,则确定用户是否可能需要帮助(例如,从跌倒中站起和/或恢复时的物理帮助,用于治疗跌倒中所受损伤的医疗救助等)。作为响应,移动设备可将该情况自动通知其他人(例如,护理人员、医生、医疗响应者或旁观者),使得他们可向用户提供帮助。因此,可更快速和有效地向用户提供帮助。
另外,本文所述的具体实施可用于更准确地确定用户是否已经跌倒和/或用户是否可能需要帮助。因此,可更有效地利用资源。例如,移动设备可以更少的误报来确定用户是否已经跌倒和/或用户是否可能需要帮助。因此,当用户不需要帮助时,移动设备使用计算资源和/或网络资源来生成通知并将通知传输给其他人的可能性较小。另外,可部署医疗资源和后勤资源以在通过更大置信度帮助用户确定需要的资源,从而降低浪费的可能性。因此,可更有效率地使用资源,并且以提高系统的有效响应能力的方式来使用资源。
其他具体实施涉及系统、设备和非暂态计算机可读介质。
在下面的附图和具体实施方式中阐述了一个或多个实施方案的细节。其他特征和优点将在具体实施方式和附图以及权利要求中显而易见。
附图说明
图1是用于确定用户是否已经跌倒和/或可能需要帮助的示例系统的图示。
图2A是示出了移动设备在用户身体上的示例位置的图示。
图2B是示出了相对于移动设备的示例方向轴的图示。
图3是示出了由移动设备获取的示例加速度信号的图示。
图4是从进行体育活动时未跌倒的用户的样本群体收集的运动数据的示例热图的图示,以及指示从跌倒的用户的样本群体收集的运动数据的数据点。
图5是从进行体育活动时未跌倒的用户的样本群体收集的运动数据的另一示例热图的图示,以及指示从跌倒的用户的样本群体收集的运动数据的数据点。
图6是从进行体育活动时未跌倒的用户的样本群体收集的运动数据的另一示例热图的图示,以及指示从跌倒的用户的样本群体收集的运动数据的数据点。
图7是用于确定其中加速度矢量的量值低于阈值的持续时间的示例技术的图示。
图8是用于确定用户是否表现出创伤迹象和/或运动损伤的示例判断树的图示。
图9是用于确定用户已经跌倒并且可能需要帮助,或者用户未跌倒或已跌倒但不需要帮助的示例判断树的图示。
图10是从已经跌倒的用户的样本群体收集的姿态角度数据的示例散射图的图示。
图11A示出了由移动设备在滑动样本窗口内获取的示例加速度信号的曲线图。
图11B示出了相对于由移动设备在滑动样本窗口内获取的惯性系的示例旋转速率信号的曲线图。
图11C示出了指示移动设备在滑动样本窗口内的瞬时旋转轴的旋转轴信号。
图11D示出了与移动设备在滑动样本窗口内的总角位移对应的总角位移信号。
图12是用于确定是否使用移动设备传输遇险呼叫的示例状态机的图示。
图13是基于用户特定灵敏度的跌倒检测技术的示意性表示。
图14是用于选择性地启用和禁用陀螺仪的示例状态机的图示。
图15是基于多种类型的传感器测量的跌倒检测技术的示意性表示。
图16是结合加速度计和陀螺仪来确定关于用户运动的信息的示例使用的示意性表示。
图17是示例跌倒分类器的示意性表示。
图18是示例跌倒传感器融合模块的示意性表示。
图19是示例遇险呼叫模块的示意性表示。
图20是示例跌倒状态机的示意性表示。
图21是用于确定用户是否已经跌倒和/或可能需要帮助的示例过程的流程图。
图22是用于确定用户是否已经翻跌和/或可能需要帮助的示例过程的流程图。
图23是用于确定用户是否已经跌倒和/或可能需要帮助的示例过程的流程图。
图24是用于确定用户是否已经跌倒和/或可能需要帮助的示例过程的流程图。
图25是用于实现参考图1至图24所述的特征和过程的示例架构的框图。
具体实施方式
概述
图1示出了用于确定用户是否已经跌倒和/或可能需要帮助的示例系统100。系统100包括移动设备102、服务器计算机系统104、通信设备106和网络108。
在系统100的示例使用中,用户110将移动设备102定位在其身体上,并在其日常生活中四处走动。这可包括例如行走、跑步、坐下、躺下、参加运动或体育活动,或任何其他身体活动。在该时间期间,移动设备102收集关于移动设备102的移动、移动设备102的取向和/或其他动态属性的传感器数据。基于该信息,系统100确定用户是否已经跌倒,如果已经跌倒,则确定用户是否可能需要帮助。
例如,用户110可能在行走时绊倒并跌落到地面。另外,在跌倒之后,用户110可能无法自己重新站起和/或由于跌倒而遭受伤害。因此,他可能需要帮助,诸如在从跌倒中站起和/或恢复时的身体帮助、治疗跌倒中所受损伤的医疗救助或其他帮助。作为响应,系统100可将该情况自动通知其他人。例如,移动设备102可生成通知并将通知传输至通信设备106中的一个或多个,以将该情况通知一个或多个用户112(例如,看护人、医生、医疗响应者、紧急联系人等),使得他们可采取行动。又如,移动设备102可生成通知并将通知传输至用户附近的一个或多个旁观者(例如,通过广播视觉警示和/或听觉警示),使得他们可采取行动。又如,移动设备102可生成通知并将通知传输至服务器计算机系统104(例如,以将通知转发给其他人和/或存储用于将来分析的信息)。因此,可更快速和有效地向用户110提供帮助。
在一些情况下,系统100可确定用户110经受了外力,但尚未跌倒并且不需要帮助。例如,用户110在体育活动期间可能已被接触(例如,在打篮球时被另一个人撞到),但未由于接触而跌倒,并且能够在没有其他人帮助的情况下恢复。因此,系统100可避免生成通知并将通知传输至其他人。
在一些情况下,系统100可确定用户110已经跌倒,但用户不需要帮助。例如,用户110可能作为体育活动的一部分而跌倒(例如,滑雪时滑倒),但能够在没有其他人帮助的情况下恢复。因此,系统100可避免生成通知并将通知传输至其他人。
在一些情况下,系统100可基于在用户110经历的撞击之前、期间和/或之后获取的运动数据来做出这些确定。例如,移动设备102可收集运动数据(例如,由移动设备102的运动传感器获取的加速度信号),并且系统100可使用运动数据来识别用户经历撞击的时间点。在识别撞击时间时,系统100可分析在撞击期间、在撞击之前和/或在撞击之后获取的运动数据,以确定用户是否已经跌倒,并且如果已经跌倒,用户是否可能需要帮助。
本文所述的具体实施使得系统100能够更准确地确定用户是否已经跌倒和/或用户是否可能需要帮助,使得可更有效地使用资源。例如,系统100可以更少的误报来确定用户是否已经跌倒和/或用户是否可能需要帮助。因此,当用户不需要帮助时,系统100使用计算资源和/或网络资源来生成通知并将通知传输给其他人的可能性较小。另外,可部署医疗资源和后勤资源以在通过更大置信度帮助用户确定需要的资源,从而降低浪费的可能性。因此,可更有效地使用资源,并且以提高一个或多个系统(例如,计算机系统、通信系统和/或紧急响应系统)的有效响应能力的方式来使用资源。
移动设备102可以是用于接收、处理和/或传输数据的任何便携式电子设备,包括但不限于蜂窝电话、智能电话、平板电脑、可穿戴计算机(例如,智能手表)等。移动设备102使用网络108通信地连接到服务器计算机系统104和/或通信设备106。
服务器计算机系统104使用网络108通信地连接到移动设备102和/或通信设备106。服务器计算机系统104被示出为相应的单个部件。然而,在实践中,其可在一个或多个计算设备(例如,包括至少一个处理器诸如微处理器或微控制器的每个计算设备)上实现。服务器计算机系统104可以是(例如)连接到网络108的单个计算设备。在一些具体实施中,服务器计算机系统104可包括连接到网络108的多个计算设备。在一些具体实施中,服务器计算机系统104无需相对于系统100的其余部分位于本地,并且服务器计算机系统104的部分可位于一个或多个远程物理位置中。
通信设备106可以是用于传输和/或接收通过网络108传输的信息的任何设备。通信设备106的示例包括计算机(诸如台式计算机、笔记本计算机、服务器系统等)、移动设备(诸如蜂窝电话、智能电话、平板电脑、个人数据助理、具有联网能力的笔记本电脑)、电话、传真和能够从网络108传输和接收数据的其他设备。通信设备106可包括使用一个或多个操作系统(例如,Microsoft Windows、Apple OS X、Linux、Unix、Android、Apple iOS等)和/或架构(例如,x86、PowerPC、ARM等)运行的设备。在一些具体实施中,通信设备106中的一个或多个无需相对于系统100的其余部分位于本地,并且通信设备106中的一个或多个可位于一个或多个远程物理位置中。
网络108可以是可通过其传输和共享数据的任何通信网络。例如,网络108可以是局域网(LAN)或广域网(WAN),诸如互联网。又如,网络108可以是电话或蜂窝通信网络。网络108可使用各种网络接口实现,例如无线网络接口(诸如Wi-Fi、蓝牙或红外)或有线网络接口(诸如以太网或串行连接)。网络108还可包括多于一个网络的组合,并且可使用一个或多个网络接口来实现。
如上所述,用户110可将移动设备102定位在其身体上,并在其日常生活中四处走动。例如,如图2A所示,移动设备102可以是被固定到用户110的手腕202的可穿戴电子设备或可穿戴计算机(例如,智能手表)。移动设备102可例如通过环绕手腕202的带或绑带204固定到用户110。另外,移动设备102的取向可不同,这取决于其放置在用户身体上的位置和用户对其身体的定位。例如,在图2A中示出了移动设备102的取向206。取向206可例如指从移动设备102的前边缘(例如,图2B所示的y轴)投影的矢量。
尽管示出了示例移动设备102和移动设备102的示例位置,但应当理解,这些仅仅是例示性示例。在实践中,移动设备102可以是用于接收、处理和/或传输数据的任何便携式电子设备,包括但不限于蜂窝电话、智能电话、平板电脑、可穿戴计算机(例如,智能手表)等。例如,可根据相对于图25所示和所述的架构2500来实现移动设备102。另外,在实践中,移动设备102可被定位在用户身体的其他位置(例如,臂、肩、腿、髋部、头部、腹部、手、脚或任何其他位置)上。
当用户110在其身体上带着移动设备102在其日常生活中四处走动(例如,行走、跑步、坐下、躺下、参与运动或体育活动,或任何其他身体活动)时,移动设备102收集关于用户110的运动的传感器数据。例如,使用图25所示的运动传感器2510(例如,一个或多个加速度计),移动设备102可测量运动传感器2510经历的加速度,并相应地测量移动设备102经历的加速度。另外,使用运动传感器2510(例如,一个或多个罗盘或陀螺仪),移动设备102可测量运动传感器2510的取向,并相应地测量移动设备102的取向。在一些情况下,运动传感器2510可在时间段内或响应于触发事件连续地或周期性地收集数据。在一些情况下,运动传感器2510可相对于移动设备102的取向来收集相对于一个或多个特定方向的运动数据。例如,运动传感器2510可收集关于移动设备102相对于x轴(例如,从移动设备102的侧边缘突出的矢量,如图2B所示)、y轴(例如,从移动设备102的前边缘突出的矢量,如图2B所示)和/或z轴(例如,从移动设备102的顶表面或屏幕突出的矢量,如图2B所示)的加速度的传感器数据,其中x轴、y轴和z轴是指固定到移动设备102的参考系中的笛卡尔坐标系(例如,“身体”参考系)。
例如,如图3所示,当用户110移动时,移动设备102可使用运动传感器2510连续地或周期性地收集关于运动传感器2510在时间段内相对于y轴经历的加速度的传感器数据。所得传感器数据可以时变加速度信号300的形式呈现。在一些情况下,加速度系统300可使用具有200Hz的采样带宽的运动传感器2510在800Hz的样本频率下获取加速度样本。在实践中,其他采样频率和/或采样带宽也是可能的。
在上述示例中,加速度信号300指示移动设备102相对于该移动设备的y轴经历的加速度。在一些情况下,加速度信号300还可指示移动设备102相对于多个不同方向经历的加速度。例如,加速度信号300可包括x分量、y分量和z分量,这些是指移动设备102分别相对于移动设备102的x轴、y轴和z轴经历的加速度。每个分量也可被称为加速度信号的通道(例如,“x通道”、“y通道”和“z通道”)。
移动设备102可分析加速度信号300以确定用户是否已经跌倒。例如,如果用户已经跌倒,则移动设备102可经历相对较强的撞击(例如,当用户的身体撞击地面时)。可基于移动设备102经历的加速度的量值(例如,移动设备的速度的变化速率)、移动设备经历的抖动的量值(例如,移动设备的加速度的变化速率)以及移动设备102经历的加速度的振荡行为来识别此类撞击。可使用加速度信号300来确定这些参数中的每一个。
例如,对于加速度信号的每个通道,可使用以下关系来确定移动设备102经历的加速度的量值:
mag=max(abs(a(n))),
其中mag是该通道的加速度的量值,a(n)是该通道的加速度信号300的第n个样本,“max”是在加速度信号300的样本的滑动窗口nwindow中计算的最大值。在一些情况下,nwindow可对应于跨越0.2秒或大约0.2秒的间隔的样本的数量。例如,如果加速度信号300的采样频率为800Hz,nwindow可以是160。实际上,nwindow的其他值也是可能的。
另选地,对于加速度信号的每个通道,可使用以下关系来确定移动设备102经历的加速度的量值:
mag=max(a(n))-min(a(n)),
其中mag是该通道的加速度的量值,a(n)是该通道的加速度信号300的第n个样本,“max”是在样本的滑动窗口nwindow内计算的最大值,“min”是在加速度信号300的样本的窗口nwindow内计算的最小值。如上所述,在一些情况下,nwindow可对应于跨越0.2秒或大约0.2秒的时间间隔的样本的数量,但在实践中,nwindow的其他值也是可能的。
如果加速度信号300包括相对于单个方向的加速度测量值(例如,具有单个通道,诸如y通道),则可使用上述关系来确定加速度相对于该方向的量值。所得值表示加速度信号300的加速度的量值。另选地,来自所关注窗口(例如,nwindow)内的所有三个通道的总能量可用作加速度的总量值。例如,总能量的一个概念可计算为:
mag=sqrt(max(|x|)2+max(|y|)2+max(|z|)2)。
如果加速度信号300包括相对于多个方向的加速度测量值(例如,具有多个通道,诸如x通道、y通道和z通道),则可使用以上关系逐个确定加速度相对于每个方向的量值,获得三个单个量值(分别对应于三个通道)。可以选择最大的量值表示加速度信号300的加速度的量值。
又如,对于加速度的每个通道,可使用以下关系来确定移动设备102经历的抖动的量值:
其中jerk是该通道抖动的量值,a(n)是针对该通道的加速度信号300的第n个样本,并且“ΔT”为加速度信号300的采样间隔(例如,采样频率的倒数)。
如果加速度信号300包括相对于单个方向的加速度测量值(例如,具有单个通道,诸如y通道),则可使用上述关系来确定抖动相对于该方向的量值。所得值表示加速度信号300的抖动的量值。
如果加速度信号300包括相对于多个方向的加速度测量值(例如,具有多个通道,诸如x通道、y通道和z通道),则可使用以上关系逐个确定抖动相对于每个方向的量值,获得三个单个量值(分别对应于三个通道)。可以选择最大的量值表示加速度信号300的抖动的量值。
又如,可通过识别加速度信号300的“第三过零点”来确定移动设备102经历的加速度的振荡行为。第三过零点是指加速度信号300在特定振荡周期中第三次从负值变为正值或反之(例如,第三次“穿过”零)的时间点。例如,在图3所示的窗口内,加速度信号300的第三过零点发生在点302处。加速度信号300的最大值(例如,点304)与该最大值之后的第三过零点302之间的时间被称为到第三过零点306的时间。该值可用作加速度信号300的振荡周期的估计值,并且可用于估计加速度信号300的振荡频率。例如,这可以是有用的,因为运动传感器的部件(例如,微电子机械系统[MEMS]部件)的撞击响应可以类似于二阶欠阻尼系统的撞击响应。因此,振荡的周期或频率可被用作响应的近似值。
移动设备102经历的加速度的量值、移动设备102经历的抖动的量值,以及移动设备102经历的加速度的振荡行为(例如,加速度信号300的第三过零点)可结合使用以识别可能指示用户跌倒的撞击。在一些情况下,可使用统计模型或概率模型(例如,贝叶斯模型)来进行这种确定。
例如,图4示出了在用户执行日常活动(例如,“积极日常生活”)时从用户的样本群体收集的运动数据的热图400。该运动数据不包括由用户跌倒引起的任何运动数据。热图400比较(i)移动设备经历的加速度的量值(x轴),以及(ii)移动设备对于样本群体经历的抖动的量值(y轴)。另外,热图400中相对于每个轴的运动数据的分布由相应的累积数据函数402a或402b示出。如图4所示,运动数据主要集中在对应于相对较低量值的加速度并结合相对较低量值的抖动的区域中。
图4还示出了表示从跌倒的用户的样本群体收集的运动数据的多个点404a和404b。圆点404a表示“径向为主跌倒”,并且方点404b表示“切向为主跌倒”。这些术语是指移动设备102在用户跌倒时相对于移动设备102在用户行走时的振荡移动(例如,用户的手臂和手腕在用户行走时的摆动运动)的主要移动方向(例如,用户的手臂和手腕在用户跌倒时的运动)。如图4所示,这些点404a和404b中的每一个都位于对应于相对较高量值的加速度并结合相对较高量值的抖动的区域中。因此,可至少部分地通过识别具有足够高量值的加速度(例如,大于特定阈值加速度值)并结合足够高量值的抖动(例如,大于特定阈值抖动值)的运动数据,来识别可能指示用户跌倒的撞击。在实践中,阈值加速度值和/或阈值抖动值可变化(例如,基于凭经验收集的样本数据)。
又如,图5示出了在用户执行日常活动(例如,“积极日常生活”)时从用户的样本群体收集的运动数据的热图500。与图4的热图400一样,该运动数据也不包括由用户跌倒引起的任何运动数据。热图500比较(i)移动设备经历的加速度的量值(x轴),以及(ii)由移动设备对于样本群体获取的加速度信号的第三过零点的时间(y轴)。另外,热图500中相对于每个轴的运动数据的分布由相应的累积数据函数502a或502b示出。如图5所示,运动数据主要集中在对应于相对较低量值的加速度并结合相对较高的到加速度信号第三过零点的时间的区域中。
图5还示出了表示从跌倒的用户的样本群体收集的运动数据的多个点504a和504b。与图4的方式相似,圆点504a表示“径向为主跌倒”,并且方点504b表示“切向为主跌倒”。如图5所示,这些点504a和504b中的每个点都位于对应于相对较高量值的加速度并结合相对较低的到加速度信号第三过零点的时间的区域中。因此,可至少部分地通过识别具有足够高量值的加速度(例如,大于特定阈值加速度值)并结合足够低的到加速度信号第三过零点的时间(例如,小于特定阈值时间值)的运动数据,来识别可能指示用户跌倒的撞击。在实践中,阈值加速度值和/或阈值时间值可变化(例如,基于凭经验收集的样本数据)。
如本文所述,移动设备102可收集运动数据,并且使用运动数据来识别用户经历撞击的时间点。在识别撞击时间时,移动设备102可分析在撞击期间、在撞击之前和/或在撞击之后获取的运动数据,以确定用户是否已经跌倒,并且如果已经跌倒,用户是否可能需要帮助。在一些情况下,移动设备102可通过连续收集和缓冲运动数据来促进这种分析。运动数据可包括描述移动设备102经历的加速度的加速度信号(例如,加速度信号300)和/或描述移动设备102的取向的取向信号(例如,表示使用运动传感器2510诸如使用陀螺仪或罗盘获取的取向测量值的信号)。例如,移动设备102可在运行的基础上保持加速度信号的各部分和取向信号的各部分,各部分对应于时间t的滑动窗口。在(例如,如上所述使用加速度信号)识别撞击时,移动设备102可检索与在撞击期间、在撞击之前和/或在撞击之后获取的测量值对应的缓冲运动数据的部分,并分析那些部分以确定用户的状况。
例如,移动设备102可分析与在所识别的撞击之前所获取的测量值对应的加速度信号的各部分和取向信号的各部分(“撞击前”信息)。基于该分析,移动设备102可确定撞击是否可能对应于用户跌倒。在一些情况下,可使用统计模型或概率模型来进行这种确定。
例如,用户的某些类型的活动可能更有可能触发跌倒(例如,行走、跑步、上下楼梯或其他此类活动)。因此,活动分类器可用于识别用户是否在撞击之前正在执行这些类型的活动中的一种。如果是这样,那么用户跌倒的可能性可能更高。否则,用户跌倒的可能性可能更低。
例如,可通过从样本群体收集运动数据(例如,描述样本群体的每个个体的运动的加速度信号和/或取向信号)来实现活动分类器。另外,可收集关于样本群体正在执行的身体活动的信息(例如,在测量运动数据时每个个体正在执行的身体活动的指示,诸如行走、跑步、骑自行车、打高尔夫、拳击、滑雪、打篮球或任何其他活动)。该信息可例如从服务器计算机系统104(例如,用于从多个不同移动设备收集和聚合数据的服务器计算机系统)获取。基于该信息,可针对每种不同类型的身体活动来确定特定特点或模式。因此,当从附加用户收集运动数据时,可将运动数据与先前收集的运动数据进行比较以对该用户的活动进行分类。
另外,可使用各种技术来实现活动分类器。例如,在一些情况下,活动分类器可通过使用“机器学习”技术来实现,诸如判断树学习、关联规则学习、人工神经网络、深度学习、感应逻辑编程、支持矢量机聚类、贝叶斯网络、增强学习、表示学习、相似性和度量学习、稀疏字典学习、遗传算法、基于规则的机器学习、学习分类器系统等等。
又如,用户的活动水平可指示用户是否更有可能跌倒并且需要帮助。例如,高度活跃(例如,历史上表现出频繁和剧烈的移动)的运动用户可能处于跌倒而需要帮助的较低风险下。然而,不活跃的虚弱用户(例如,历史上表现出不经常和轻微的移动)可能处于跌倒而需要帮助的较高风险下。因此,活动水平分类器可用于识别用户的活动水平,并且可基于分类来调节用户已经跌倒并且需要帮助的可能性。
例如,还可通过从样本群体收集运动数据(例如,描述样本群体的每个个体的运动的加速度信号和/或取向信号)来实现活动水平分类器。另外,可收集关于样本群体的活动水平的信息(例如,在测量运动数据时每个个体的运动、身体健康和/或活动能力的指示)。该信息可例如从服务器计算机系统104(例如,用于从多个不同移动设备收集和聚合数据的服务器计算机系统)获取。基于该信息,可针对每种不同类型的活动水平来确定特定特点或模式。因此,当从附加用户收集运动数据时,可将运动数据与先前收集的运动数据进行比较以对该用户的活动水平进行分类。
另外,也可使用各种技术来实现活动水平分类器。例如,在一些情况下,活动水平分类器可通过使用“机器学习”技术来实现,诸如判断树学习、关联规则学习、人工神经网络、深度学习、感应逻辑编程、支持矢量机聚类、贝叶斯网络、增强学习、表示学习、相似性和度量学习、稀疏字典学习、遗传算法、基于规则的机器学习、学习分类器系统等等。
在一些情况下,统计模型或概率模型可考虑关于用户的附加信息,诸如用户的年龄、用户的行走速度、用户每天走的步数、用户每天消耗的卡路里数、用户在一天中的最大用力,或用户的其他特性。用户跌倒的可能性可基于这些特性中的每个而增大或减小。例如,年龄较大的用户可能处于跌倒而需要帮助的较高风险下,而较年轻的用户可能处于跌倒而需要帮助的较低风险下。另外,具有较低最大行走速度的用户可能处于跌倒而需要帮助的较高风险下,而具有较高最大行走速度的用户可能处于跌倒而需要帮助的较低风险下。另外,可结合使用多个不同的特性来确定用户的跌倒风险。例如,统计模型或概率模型可包括多维风险评估模型(例如,多维风险矩阵),其中每个维度对应于用户的不同特性及其对用户总体风险的贡献。可从服务器计算机系统104(例如,用于从多个不同移动设备收集和聚合数据的服务器计算机系统)收集关于每个用户的信息。
在一些情况下,移动设备102可考虑用户在所识别的撞击之前所进行的其他类型的移动。又如,当用户跌倒时,用户常常会试图将自己从地面撑起。因此,移动设备102可在所识别的撞击之前确定用户是否正在用他的手臂执行支撑运动。如果是这样,那么用户跌倒的可能性可能更高。否则,用户跌倒的可能性可能更低。
当执行支撑运动时,用户的手以及相应地移动设备102可朝地面加速一个时间段。因此,移动设备102可观察到惯性z方向上的正加速度(例如,垂直于地面的方向或重力方向)。通过测量惯性z方向上的加速度,移动设备102可确定跌倒的持续时间。例如,跌倒的持续时间可被估计为沿惯性z方向的加速度信号高于特定阈值的时间段。
又如,当用户跌倒时,他常常会摆动他的手臂。例如,如果用户在行走时滑倒、绊倒或翻跌,则用户可在撞击地面之前不规则或胡乱地移动他的手臂,以试图平衡自己。于是,移动设备102可在所识别的撞击之前确定用户是否正在摆动其手臂。如果是这样,那么用户跌倒的可能性可能更高。否则,用户跌倒的可能性可能更低。
可部分地通过估计移动设备的“姿态角度”或相对于惯性系(例如,地球系)的取向来检测摆动运动。这可例如使用加速度信号(例如,以识别重力方向或惯性z方向)和取向信号(例如,以确定设备相对于重力方向的取向)两者来确定。使用该信息,还可确定移动设备102随时间推移的姿态角度的变化(例如,在样本窗口诸如nwindow内姿态角度的最大差异)。在时间段内姿态角度的相对较大变化(例如,移动设备102的取向的大变化,并且相应地,用户的手腕和手臂的取向)可指示用户更有可能在执行摆动运动。
在一些情况下,可通过获取与用户在时间段期间的运动对应的加速度信号并确定加速度信号的路径长度,来确定用户运动中的“混乱”量。当用户以不规则方式移动(例如,执行摆动运动)时,加速度信号在该时间段期间将表现出更高程度的变化。因此,加速度信号的路径长度将更长。相比之下,当用户移动不规则程度较低时,加速度信号在该时间段期间将表现出较小程度的变化。因此,加速度信号的路径长度将更短。
在一些情况下,可使用以下公式来计算加速度信号的路径长度:
(加速度信号的路径长度)=∑|an-an-1|
其中an为加速度信号中的第n个样本。可通过对在滑动窗口(例如,围绕跌倒或撞击的1.4秒窗口)内获取的样本求和来确定路径长度。在一些情况下,可使用其他技术(例如,通过测量加速度信号的熵)来确定混乱。
可结合使用此“撞击前”信息以确定用户是否可能已经跌倒。例如,图6示出了在用户执行日常活动(例如,“积极日常生活”)时从用户的样本群体收集的运动数据的热图600。该运动数据不包括由用户跌倒引起的任何运动数据。热图600比较(i)移动设备的姿态角度的变化(x轴),以及(ii)移动设备对于样本群体的跌倒持续时间(y轴)。另外,热图600中相对于每个轴的运动数据的分布由相应的累积数据函数602a或602b示出。如图6所示,运动数据主要集中在对应于相对较低的姿态角度变化并结合相对较低的跌倒持续时间的区域中。
图6还示出了表示从跌倒的用户的样本群体收集的运动数据的多个点604,其中运动数据是在用户跌倒之前即时收集的。如图6所示,这些点604中的每个点都位于对应于相对较高的姿态角度变化并结合相对较高的跌倒持续时间的区域中。因此,可至少部分地通过识别具有充分大姿态角度变化(例如,大于特定阈值角度)并结合充分长的跌倒持续时间(例如,大于特定阈值时间量)的运动数据(在所识别的撞击之前即时收集),来识别用户跌倒。在实践中,阈值角度和/或阈值时间量可变化(例如,基于凭经验收集的样本数据)。
移动设备102也可分析与在所识别的撞击之后获取的测量值对应的加速度信号的各部分和取向信号的各部分(“撞击后”信息)。基于该分析,移动设备102可确定用户是否可能需要帮助。在一些情况下,可使用统计模型或概率模型来进行这种确定。
例如,如果用户跌倒并因跌倒而受伤或遇险,则用户可能表现出创伤迹象和/或运动损伤。可基于加速度信号和/或取向信号来识别创伤迹象和/或运动损伤。例如,移动设备102可分析与在所识别的撞击之后获取的测量值对应的加速度信号的各部分和取向信号的各部分。基于该分析,移动设备102可确定撞击是否可能对应于创伤迹象和/或运动损伤。
可例如使用活动分类器来执行该分析。例如,可通过在样本群体跌倒之后从样本群体收集运动数据(例如,描述样本群体跌倒之后样本群体的每个个体的运动的加速度信号和/或取向信号)来实现活动分类器。另外,可收集关于每个个体在跌倒之后的状况的信息(例如,关于某些个体在跌倒之后表现出创伤迹象的指示、关于某些个体在跌倒之后表现出运动损伤的指示等)。该信息可例如从服务器计算机系统104(例如,用于从多个不同移动设备收集和聚合数据的服务器计算机系统)获取。基于该信息,可针对每种不同类型的状况确定特定特点或模式(例如,创伤迹象、无创伤迹象、运动损伤、无运动损伤等)。因此,当从附加用户收集运动数据时,可将运动数据与先前收集的运动数据进行比较以对该用户在跌倒之后的状况进行分类。
以与上述类似的方式,活动分类器可通过使用各种技术(例如,判断树学习、关联规则学习、人工神经网络、深度学习、感应逻辑编程、支持矢量机聚类、贝叶斯网络、增强学习、表示学习、相似性和度量学习、稀疏字典学习、遗传算法、基于规则的机器学习、学习分类器系统等等)来实现。
移动设备102还可通过识别一个或多个基于运动的量度来确定用户在跌倒之后的状况。例如,基于加速度信号和/或取向信号,移动设备102可确定用户在跌倒之后是否已走过几步(例如,通过识别表示用户走步的信号中的趋势或模式,和/或使用传感器诸如计步器)。如果是这样,那么用户需要帮助的可能性较低。否则,用户需要帮助的可能性就较高。
又如,基于加速度信号和/或取向信号,移动设备102可确定用户在跌倒之后是否已站起(例如,通过识别表示用户从地面起身并站立的信号中的趋势或模式)。如果是这样,那么用户需要帮助的可能性较低。否则,用户需要帮助的可能性就较高。
又如,移动设备102可确定加速度矢量的标准偏差和量值低于阈值的持续时间。如果加速度矢量的量值在一定时间段内低于阈值,则这可指示用户是静止的(例如,不移动其身体)。另外,如果用户在其跌倒之后是静止的,这可指示用户晕厥或受伤。因此,用户需要帮助的可能性就较高。然而,如果加速度矢量的标准偏差和量值超过该时间段的阈值,则这可指示用户在其跌倒之后移动其身体(例如,用户不静止)。因此,用户需要帮助的可能性就较低。
例如,如图7所示,移动设备102可获取“原始”加速度信号700(例如,以与上文相对于加速度信号300所述类似的方式)。在图7所示的示例中,加速度信号700包含三个通道,每个通道均参照根据相对于移动设备102的不同方向(例如,x通道、y通道和z通道)测得的加速度。另外,加速度信号700表现出指示撞击的急剧增大702。
另外,移动设备102可计算加速度信号700的矢量量值(VM)以获取矢量量值信号704。实际上,当移动设备102是静态的(例如,不移动)时,矢量量值信号704将为1(或大约1)。当移动设备102移动时,矢量量值信号704将偏离1。因此,关系|VM-1|可被用作停顿的度量。类似地,加速度信号的标准偏差也可被用作停顿的度量。
另外,移动设备102可识别撞击之后的时间段706,在该时间段期间,归一化加速度信号704的量值小于特定阈值(由黑色矩形指示)。在一些情况下,阈值可为0.025g。但是,在实践中,此阈值可能会因根据具体实施而不同。
另外,移动设备102可对时间段706中的每一者求和,以确定归一化加速度信号704的量值低于阈值的累积持续时间708。如果累积持续时间708相对较大,则用户需要帮助的可能性较高。不过,如果累积持续时间708相对较小,则用户需要帮助的可能性较低。
又如,基于加速度信号和/或取向信号,移动设备102可确定移动设备102的姿态角度。可例如基于加速度信号(例如,滤波后的加速度信号)和/或移动设备102的运动取向(例如,从加速度数据和陀螺仪数据的融合导出的信息)来确定该姿态角度。滤波后的加速度信号可以是例如具有一个或多个通道(例如,x通道、y通道和/或z通道)的加速度信号,其中高频内容被移除(例如,大于特定阈值频率)。在一些情况下,移除的高频内容可对应于机器引起的运动(例如,公共汽车、火车等)。基于这些信息源,移动设备102可确定穿戴者的前臂指向的方向(例如,大致是移动设备102在x方向上的姿态角度)。
如果穿戴者的前臂指向水平线持续较长的时间段(例如,大于阈值时间量),并且没有低于或高于水平线的运动,则用户可能更有可能受伤。例如,这可能指示用户正躺在地板上,并且未上下移动其手臂。然而,如果用户的前臂以相对较大的运动在水平线上方和下方重复移动(例如,45°),则这可指示用户的受伤程度较低,尤其是在确定用户在上下楼梯的情况下。
又如,基于加速度信号和/或取向信号,移动设备102可确定加速度信号(例如,滤波的加速度信号)与给定阈值T交叉的次数。该度量可被称为阈值交叉次数。如上所述,滤波后的加速度信号可以是例如具有一个或多个通道并且移除了高频内容的加速度信号。对称交叉要求加速度信号既升高超过T又下降低于(-T)(或反之亦然),而非对称交叉统计信号变化超过±T的次数,而不管其之后是否与±T交叉。
这些阈值交叉表示人的移动。例如,用户走步通常将生成对称阈值交叉,而用户触及某物或旋转手腕通常将导致非对称交叉,等等。通过统计阈值交叉次数,移动设备102可确定个体是否可能受伤。例如,阈值交叉次数越大,用户受伤的可能性越小。
在一些情况下,该“撞击后”信息可被结合使用以确定用户是否可能需要帮助。例如,移动设备102可基于从样本群体收集的样本数据来确定用户在其跌倒之后的状况。例如,移动设备可从样本群体收集运动数据(例如,加速度信号和/或取向信号)。另外,可收集关于每个个体状况的信息(例如,关于某些个体在测量运动数据时表现出创伤迹象的指示、关于某些个体在测量运动数据时表现出运动损伤的指示等)。该信息可例如从服务器计算机系统104(例如,用于从多个不同移动设备收集和聚合数据的服务器计算机系统)获取。
使用该信息,可在用户移动的特性和用户的状况之间确定一个或多个相关性。例如,基于从样本群体收集的样本数据,可在与表现出创伤迹象的用户对应的用户移动的一个或多个特定特性之间确定相关性。因此,如果移动设备102确定用户的运动表现出类似的特性,则移动设备102可确定用户同样表现出创伤迹象。又如,基于从样本群体收集的样本数据,可在与表现出运动损伤的用户对应的用户移动的一个或多个特定特性之间确定相关性。因此,如果移动设备102确定用户的运动表现出类似的特性,则移动设备102可确定用户同样表现出运动损伤。
可使用各种技术确定这些相关性。例如,在一些情况下,可通过使用“机器学习”技术来确定这些相关性,这些技术是诸如判断树学习、关联规则学习、人工神经网络、深度学习、感应逻辑编程、支持矢量机聚类、贝叶斯网络、增强学习、表示学习、相似性和度量学习、稀疏字典学习、遗传算法、基于规则的机器学习、学习分类器系统等等。
例如,图8示出了使用从样本群体收集的样本数据(例如,使用样本数据“训练”)生成的判断树800。在该示例中,样本数据包括从正在睡眠的用户收集的“阳性对照”信息(例如,模拟表现出创伤迹象或运动损伤的个体的行为)。样本数据包括从执行日常身体活动的未受损伤的用户收集的“阴性对照”信息。
如图8所示,特性的某些组合指示用户表现出创伤迹象和/或运动损伤。例如,如果(i)加速度信号的量值很低的持续时间(参数“duration_low_vm”)在48.1秒和51.2秒之间,并且(ii)用户走的步数少于0.5步(参数“steps”),则可确定用户正在表现出创伤迹象和/或运动损伤。
又如,如果(i)加速度信号的量值较低的持续时间(参数“duration_low_vm”)在51.2秒和58.9秒之间,(ii)用户走的步数少于0.5步(参数“steps”),并且(iii)用户站立少于34.7秒(参数“standing”),则可确定用户正在表现出创伤迹象和/或运动损伤。在图8所示的示例中,用户在跌倒后时间段期间站立的持续时间(参数“standing”)由在0和600之间的整数指示,这是指在60秒的总样本窗口内的持续时间(以十分之一秒为单位)。例如,如果“standing”值为347,则这指示用户在60秒的样本窗口内跌倒后站立了34.7秒。在该示例中,该特定分支指示,如果用户站立的时间在0和34.7秒之间(例如,用户站立的时间小于或等于跌倒后时间段的大约一半),则可能存在“睡眠”(阳性对照)。实际上,这反映了用户在跌倒之后不会站立的预期。
又如,如果(i)加速度信号的量值较低的持续时间(“duration_low_vm”)在51.2秒和58.9秒之间,并且(ii)用户走的步数大于0.5步(“steps”),则可确定用户未表现出创伤迹象和/或运动损伤。尽管图8中示出了示例判断分支和参数值,但这些仅仅是例示性示例。在实践中,判断树的判断分支和/或参数值可以根据具体实施而变化。
在上述示例中,移动设备102基于加速度信号和取向信号来确定用户是否可能需要帮助。然而,移动设备102不限于仅使用这些类型的信息。例如,在一些情况下,移动设备102可考虑附加信息,诸如描述用户心率的信号。例如,用户的心率偏离特定范围(例如,“正常”或“健康”范围),移动设备102可确定用户更可能需要帮助。
在一些情况下,可结合使用“撞击前”信息、撞击信息和“撞击后”信息来确定用户是否已经跌倒并且可能需要帮助。在一些情况下,可使用判断树来进行这种确定。
例如,图9示出了判断树900,用于确定(i)用户已经跌倒并且可能需要帮助(在判断树900中被指示为“跌倒”)或(ii)用户未跌倒,或已跌倒但不需要帮助(在判断树900中被指示为“未跌倒”)。如图9所示,特性的某些组合指示每个结果。
例如,如果用户经历了高撞击(例如,大于第一阈值),并且在撞击后表现出创伤迹象和/或运动损伤,则可确定用户已经跌倒并且可能需要帮助。又如,如果用户经历了中等撞击(例如,小于第一阈值,但大于小于第一阈值的第二阈值),在撞击之前正在执行某些活动(例如,行走、爬楼梯等),在撞击之前正在执行摆动或支撑运动,并且在撞击之后表现出创伤迹象和/或运动损伤,则可确定用户已经跌倒并且可能需要帮助。否则,可确定用户未跌倒,或已跌倒但不需要帮助。虽然图9中示出了示例判断分支,但这些仅仅是例示性示例。在实践中,判断树的判断分支可以根据具体实施而变化。
在一些情况下,跌倒检测器可以是贝叶斯分类器。例如,可在给定一组特征的情况下计算跌倒的后验概率:
p(fall|f1,f2,f3,…)=p(f1|fall)p(f2|fall)p(f3|fall)…p(fall)/
p(f1,f2,f3,…),
其中f1,f2,f3,…是从加速度信号和取向信号计算的特征(例如,撞击量值、抖动、到第三过零点的时间、撞击前活动、支撑或摆动的存在和/或从样本群体确定的撞击后特征),并且p(fall)是跌倒的先验概率,其可基于来自样本群体的年龄、性别和/或其他生物识别信息来确定。类似地,不是跌倒的撞击的后验概率可被计算为:
(ADL|f1,f2,f3,…)=p(f1|ADL)p(f2|ADL)p(f3|ADL)…p(ADL)/
p(f1,f2,f3,…),
其中ADL表示每日生活的活动,这些活动不包含用户跌倒的任何实例。当比值p(fall|f1,f2,f3,…)/p(ADL|f1,f2,f3,…)大于阈值时,移动设备102可确定已发生跌倒。在实践中,阈值可以根据具体实施而变化。
还可使用其他类型的信息来确定用户是否已跌倒。例如,如上文所论述的,时间段内的不稳定运动可更大程度上指示跌倒(例如,用户在跌倒时可能摆动其手臂)。然而,时间段内的周期性运动可更大程度上指示用户的有意移动(例如,握手、切碎食物等时手臂的周期性移动)。因此,用户运动的周期性可用于确定用户是否已经跌倒。
在一些情况下,可基于与在检测到的撞击之后的时间窗口(例如,10秒)内的加速度信号的相干能量的快速傅立叶变换(FFT)对应的第一周期性度量,来确定用户运动的周期性。相干能量是频谱中质量大于特定阈值的峰之和。较大的第一周期性度量可指示更大的移动周期性,这可对应于用户已经跌倒的较低可能性。较低的第一周期性度量可指示更小的移动周期性,这可对应于用户已经跌倒的较高可能性。
在一些情况下,可基于与在检测到的撞击之后的时间窗口(例如,10秒)内的加速度信号的峰间间隔的四分位间距(IQR)对应的第二周期性度量,来确定用户运动的周期性。这可通过识别检测到的撞击周围大于特定阈值的所有峰,然后计算相邻峰之间的间隔的IQR来计算。如果重复的峰间隔相等(或基本上相等),则IQR将较小,这指示周期性移动。因此,较低的第二周期性度量可指示更大的移动周期性,这可对应于用户已经跌倒的可能性较低。相比而言,较大的第二周期性度量可指示更小的移动周期性,这可对应于用户已经跌倒的较高可能性。
在一些情况下,移动设备102可用于区分不同类型的跌倒。例如,移动设备102可区分绊倒(例如,用户向前绊倒,诸如当其脚被障碍物捕获时的跌倒)、滑倒(例如,用户向后跌倒,诸如在光滑表面上失去平衡的跌倒)、翻跌(例如,用户绕旋转轴进行旋转或翻滚,诸如当用户滚下山或楼梯时的跌倒)和/或其他类型的跌倒。例如,这可能是有用的,因为不同类型的跌倒可能对用户产生不同的效应(例如,一些可能对用户更有害,而其他类型的可能对用户没那么有害)。因此,移动设备102可响应于用户跌倒的特定性质而采取更具体的动作。
如本文所述,移动设备可至少部分地基于移动设备的“姿态角度”或相对于惯性系(例如,地球系)的取向来确定用户是否已经跌倒。在一些情况下,这可使用由加速度计(例如,通过使用由加速度计生成的加速度信号确定以识别重力方向或惯性z方向)获取的信息和/或来自取向传感器(诸如陀螺仪)的信息(例如,通过使用由陀螺仪生成的取向信号来确定设备相对于重力方向的取向)来确定。
在一些情况下,移动设备可基于撞击之前和/或之后移动设备的姿态角度的变化,并且确定所测量的姿态角度变化指示绊倒还是跌倒,来区分绊倒和滑倒。例如,当用户绊倒时,他常常向下移动他的手臂以支撑避免撞击。因此,如果移动设备附接到用户的手腕,则其在撞击之前可能经历姿态角度的负变化。另外,在跌倒时,姿态角度可指向地面。又如,当用户滑倒时,他常常向上甩手臂以试图恢复他的平衡。因此,如果移动设备附接到用户的手腕,则其在撞击之前可能经历姿态角度的正变化。
这些特性可用于区分绊倒和滑倒。例如,图10示出了使用附接到每个用户的手腕的移动设备从经历不同类型跌倒的用户的样本群体收集的姿态角度数据的散点图1000。每个点1002指示特定类型的跌倒(例如,绊倒、滑倒或其他类型的跌倒)、撞击之前移动设备的对应姿态角度变化(例如,单位为度)(在x轴示出),以及撞击之后移动设备的对应姿态角度变化(在y轴示出)。姿态角度变化的符号可指示运动方向。例如,正姿态角度变化可指示移动设备的最终姿态角度高于在考虑的时间窗口期间的初始姿态角度。同样,姿态角度变化的负值可指示移动设备的最终姿态角度低于初始姿态角度。如图10所示,当用户经历绊倒时,移动设备在撞击之前沿向下方向移动,因为用户正准备支撑,然后在撞击表面之后向上移动。因此,绊倒在撞击之前常常具有负的姿态角度变化,并且在撞击之后具有正的姿态角度变化。相比之下,当用户经历滑倒时,移动设备在向上方向上移动,因为在撞击之前用户会摆动其手臂,然后在撞击之后向下移动。因此,滑倒在撞击之前常常具有正的姿态角度变化,并且在撞击之后具有负的姿态角度变化。于是,移动设备可基于撞击之前和/或之后移动设备的姿态角度的变化,并且确定所测量的姿态角度变化指示绊倒还是跌倒,来区分绊倒和滑倒。另外,如果在任一方向上的姿态角度变化的量值不足以令人信服地表明绊倒或滑倒样的跌倒行为,则该跌倒可被分类为“其他”跌倒的囊括类别。例如,在用户由于脱水而晕厥的跌倒情况下可能是这种情况,在这种情况下,当用户失去知觉时,在撞击之前可能没有明显的摆动或支撑运动。
在一些情况下,系统可确定用户是否已经翻跌(例如,以用户已围绕旋转轴进行旋转或滚动的方式跌倒)。例如,这可能是有益的,因为翻跌对于用户而言可能是特别有害的,并且可对应于用户需要帮助的较高可能性。示例翻跌包括用户跌倒并滚下楼梯或山丘、用户倒栽葱地跌倒(例如,部分地或完全地翻筋斗)、用户“翻滚”或涉及某种程度的滚动或旋转的另一种跌倒。
如上所述,用户110可将移动设备102定位在其身体上,并在其日常生活中四处走动(例如,行走、跑步、坐下、躺下、参加运动或体育活动,或任何其他身体活动)。在此期间,移动设备102收集关于用户110的运动的传感器数据。例如,使用图25所示的运动传感器2510(例如,一个或多个加速度计),移动设备102可测量运动传感器2510经历的加速度,并相应地测量移动设备102经历的加速度。另外,使用运动传感器2510(例如,一个或多个罗盘或陀螺仪),移动设备102可测量移动设备102的取向。在一些情况下,运动传感器2510可在时间段内或响应于触发事件连续地或周期性地收集数据。另外,移动设备102可确定相对于固定到移动设备102的参考系(例如,身体系)和/或相对于惯性系(例如,地球系)的加速度和/或取向。
移动设备102可在滑动样本窗口内连续测量移动设备的加速度和取向(例如,以生成连续的样本缓冲器)。加速度信号可用于识别重力方向(或惯性z方向),并且取向信号可用于确定移动设备102相对于重力方向的取向。使用该信息,移动设备102可确定移动设备102的姿态角度(近似于用户110的取向)。另外,使用该信息,可相对于身体系和惯性系来确定移动设备102的旋转速率(近似于用户110相对于身体系和惯性系的旋转速率)。
例如,图11A中的曲线图1100示出了在跨越大约2.5秒至7.5秒的滑动样本窗口内获取的加速度信号1102,图11B中的曲线图1104示出了在相同滑动样本窗口内相对于惯性系的对应旋转速率信号1106。在该示例中,用户已在大约3秒标记处跌下一段楼梯,大约在3秒标记和6.5秒标记之间接触了楼梯和/或栏杆,并且在6.5秒标记处开始滚下楼梯。曲线图1100包括三个不同的加速度信号1102,每个加速度信号对应于不同的方向(例如,在固定到移动设备102的参考系或身体系中的笛卡尔坐标系中的x方向、y方向和z方向)。类似地,曲线图1104包括三个不同的旋转速率信号1106,每个旋转速率信号对应于不同的方向(例如,在固定到惯性系的笛卡尔坐标系中的x方向、y方向和z方向)。尽管示出了具有示例长度的滑动样本窗口,但在实践中,滑动样本窗口可具有任何长度(例如,1秒、2秒、3秒、4秒或任何其他时间长度)。另外,除笛卡尔坐标系之外,还可使用不同的参考系。例如,在一些情况下,可使用四元坐标系。
另外,使用该信息,移动设备102可确定移动设备102在滑动样本窗口内的一个或多个瞬时旋转轴、移动设备在滑动样本窗口内的平均旋转轴,以及与平均旋转轴相关联的不确定性程度(例如,方差值、标准偏差值或其他不确定性度量)。例如,图11C中的曲线图1108示出了旋转轴信号1110,其指示移动设备102相对于惯性系在滑动样本窗口中的任何给定时间点的瞬时旋转轴。0°的角度指示移动设备102在特定时间点正沿着平行于重力方向的轴旋转,而90°的角度指示移动设备在特定时间点正沿着垂直于重力方向的轴旋转。可使用该信号来确定移动设备在滑动样本窗口内的平均旋转轴和与平均旋转轴相关联的不确定性程度(例如,通过对信号的值求平均值,以及基于信号的值确定方差、标准偏差或其他不确定性度量)。
另外,移动设备102可确定移动设备102是否在滑动样本窗口内在相对于一致的旋转轴进行旋转。例如,如果移动设备102的一个或多个瞬时旋转轴与滑动样本窗口期间的平均旋转轴之间的变化或偏差较低,则移动设备102可确定移动设备102正围绕特定旋转轴更一致地旋转。不过,如果移动设备102的一个或多个瞬时旋转轴与滑动样本窗口期间的平均旋转轴之间的变化或偏差较高,则移动设备102可确定移动设备102正围绕特定旋转轴较不一致地旋转。在一些情况下,如果移动设备102的一个或多个瞬时旋转轴与滑动样本窗口期间的平均旋转轴之间的变化或偏差低于特定阈值,则移动设备102可确定其在滑动样本窗口内相对于一致的旋转轴进行旋转。
如果移动设备102确定移动设备102在滑动样本窗口内相对于一致的旋转轴进行旋转,则移动设备102可确定移动设备102相对于滑动样本窗口的角位移。这可例如通过在滑动样本窗口内相对于惯性系对旋转速率信号进行角度积分来执行。例如,图11D中的曲线图1112示出了与移动设备102在滑动时间段内相对于惯性系的总角位移对应的总角位移信号1014。总角位移信号1014可例如通过基于滑动对图11B所示的旋转速率信号1006中的一个或多个求积分来获取。
移动设备102可基于移动设备102的总角位移和瞬时旋转轴来确定用户是否已翻跌。例如,如图11C所示,移动设备102的瞬时旋转轴从大约6.5秒标记(对应于用户开始滚下楼梯的时间)开始相对稳定。另外,在该时间期间,旋转轴始终为大约90°,这指示用户沿着大致垂直于重力方向的旋转轴滚动。另外,如图11D所示,移动设备102在大致相同的时间段内经历相对较大的角位移。这些特性的组合可指示翻跌。
在一些情况下,如果一个或多个瞬时旋转轴大于阈值角值和/或如果角位移大于阈值位移值,则移动设备102可确定用户已经翻跌。在一些情况下,如果一个或多个瞬时旋转轴相对较大(例如,大于阈值角值)和/或在阈值时间段内保持一致(例如,在1秒、2秒、3秒或某个时间段内大约为90°),则移动设备102可确定用户已经翻跌。
在一些情况下,移动设备102还可识别不同类型的翻跌。例如,如果一个或多个瞬时旋转轴相对于重力方向为大约90°,则这可表示用户倒栽葱或侧向滚动(例如,翻筋斗或翻滚)的翻跌。又如,如果一个或多个瞬时旋转轴相对于重力方向在0°和90°之间,则这可表示用户在跌倒的同时扭转的翻跌。
以与上述类似的方式,在识别用户已经翻跌并且可能需要帮助时,移动设备102可自动采取适当的动作作为响应。例如,移动设备102可将这种情况自动通知用户或其他人(例如,紧急响应系统、紧急联系人或其他人)。类似地,在一些情况下,在确定用户已翻跌并且可能需要帮助时,移动设备102可在向其他人传输消息之前(例如,在向紧急响应系统、紧急联系人或其他人传输通知之前)首先通知用户。
本文所述的具体实施不仅限于检测用户的翻跌。在一些情况下,一个或多个具体实施可用于确定用户的有意翻跌或旋转。例如,设备可使用旋转数据来确定用户是否已翻筋斗或翻滚(例如,作为体育活动诸如体操的一部分)。又如,设备可使用旋转数据来确定用户是否在游泳期间进行了翻滚转动(例如,统计用户在游泳池中进行的游泳趟数)。实际上,根据具体实施,其他应用也是可能的。
在识别用户已经跌倒并且可能需要帮助时,移动设备102可自动采取适当的动作作为响应。例如,移动设备102可确定用户已经跌倒并且可能需要帮助,并且作为响应,将该情况自动通知用户或其他人。例如,移动设备102可向用户显示通知以通知用户他已经跌倒并且可能需要帮助。另外,移动设备102可将通知传输至远程设备(例如,服务器计算机系统104和/或通信设备106中的一者或多者)以将该用户的状况通知其他人。这可包括例如通知紧急响应系统、与医疗人员相关联的计算机系统、与用户的护理人相关联的计算机系统、旁观者等。通知可包括例如听觉信息(例如,声音)、文本信息、图形信息(例如,图像、颜色、图案等)和/或触觉信息(例如,振动)。在一些情况下,通知可采用电子邮件、即时聊天消息、文本消息(例如,短消息服务[SMS]消息)、电话消息、传真消息、无线电消息、音频消息、视频消息、触觉消息(例如,一次或多次颠簸或振动)或用于传送信息的另一种消息的形式传输。
在一些情况下,移动设备102可使用预先确定的联系人信息将消息传输至另一个系统。例如,移动设备102的用户可提供关于紧急联系人的联系人信息,诸如电话号码、电子邮件地址、即时聊天服务中的用户名或某种其他联系人信息。移动设备102可生成具有兼容数据格式(例如,音频电话消息、视频电话消息、文本消息、电子邮件消息、聊天消息或一些其他消息)的消息,并且使用所提供的联系人信息(例如,使用服务器计算机系统104和/或通信设备106中的一者或多者)将消息传输至紧急联系人。
在一些情况下,在确定用户已跌倒并且可能需要帮助时,移动设备102可在向其他人传输消息之前(例如,在向紧急响应系统、紧急联系人或其他人传输通知之前)首先通知用户。作为响应,用户可指示移动设备102不通知其他人(例如,如果用户不需要帮助)。另选地,用户可明确指示移动设备102通知其他人(例如,如果用户需要帮助)。在一些情况下,如果用户未对通知作出响应,则移动设备102可自动通知其他人(例如,在用户丧失能力并且无法响应的情况下)。在一些情况下,移动设备102可通知用户多个不同次数,并且如果在时间段(例如,25秒或某个其他时间段)之后未从用户接收到响应,则自动通知其他人以获得帮助。
在一些情况下,移动设备102可确定是否使用状态机通知其他人。状态机可指定移动设备在观察到短暂的停顿期(通常在跌倒之后发生的行为)时发送跌倒警示。然后,移动设备通过检查用户的“长躺”周期(例如,用户不移动或起身的时间段)来检测到能力丧失。如果检测到能力丧失,则移动设备可自动向第三方传输遇险呼叫和/或指示另一设备传输遇险呼叫。用户还可取消遇险呼叫(例如,如果用户认为他不需要帮助)。
图12中示出了示例状态机1200。在该示例中,移动设备以“正常”状态1202(例如,移动设备的低警示状态)、“可能跌倒”状态1204(例如,在检测到用户可能跌倒时移动设备的升高的警示状态)、“等待”状态1206a和1206b(例如,移动设备等待附加信息诸如用户可能的输入或用户移动的状态)、“警示”状态1208a和1208b(例如,移动设备警示移动设备的用户可能跌倒并可能向第三方发送遇险呼叫的状态)、“取消”状态1210(例如,即将进行的遇险呼叫被取消的状态)和“SOS”状态1212(例如,执行遇险呼叫的状态)开始。移动设备可基于检测到跌倒的某些标志(例如,如本文所述)、检测到的停顿期(例如,没有用户的移动)和/或用户的输入而在每种状态之间转换。
例如,移动设备以“正常”状态1202开始。在检测到跌倒标志(例如,传感器测量值和指示跌倒的其他信息的组合)时,移动设备转换至“可能跌倒”状态1204。在检测到跌倒之后的停顿期TQ时,移动设备转换至“警示”状态1208b,并警示用户检测到跌倒并通知用户可能向第三方(例如,紧急响应方)发送遇险呼叫。移动设备转换至“等待”状态1206b并且等待用户可能的移动。如果在传输跌倒警示之后的“超时”时间段(例如,30秒)过去期间而未检测到用户移动,并且在该时间期间检测到连续的停顿期(例如,TLL=10秒),则移动设备转换至“SOS”状态1212并传输遇险呼叫。然后移动设备返回至“正常”状态1202。例如,如果用户已跌倒并且长时间丧失能力,这可能是有用的。即使没有用户的输入,移动设备也可以为用户自动寻求帮助。
又如,移动设备以“正常”状态1202开始。在检测到跌倒标志时,移动设备转换至“可能跌倒”状态1204。在检测到跌倒之后的停顿期TQ时,移动设备转换至“警示”状态1208b,并警示用户检测到跌倒并通知用户可能向第三方发送遇险呼叫。移动设备转换至“等待”状态1206b并且等待用户可能的移动。如果在传输跌倒警示之后的“超时”时间段(例如,30秒)过去之前检测到用户移动,则移动设备转换至“取消”状态1210并取消遇险呼叫。然后移动设备返回至“正常”状态1202。例如,如果用户已跌倒并且确定地指示其不需要帮助,这可能是有用的。在这种情况下,移动设备不会自动为用户寻求帮助。
又如,移动设备以“正常”状态1202开始。在检测到跌倒标志时,移动设备转换至“可能跌倒”状态1204。在跌倒之后检测到某些类型的移动(例如,走步移动、站立移动、高动态移动,或指示用户恢复的任何其他移动)时,移动设备转换至“等待”状态1206a。在用户停止移动之后检测停顿期TQ时,移动设备转换至“警示”状态1208a,并针对所检测到的跌倒向用户发出警示。移动设备转换至“取消”状态1210,并且不传输遇险呼叫。然后移动设备返回至“正常”状态1202。例如,如果用户已经跌倒,但表现出恢复的迹象,这可能是有用的。移动设备可以向用户发出关于跌倒的警示,但在这种情况下不会自动为用户寻求帮助。
又如,移动设备以“正常”状态1202开始。在检测到跌倒标志时,移动设备转换至“可能跌倒”状态1204。在跌倒之后检测到某些类型的移动(例如,走步移动、站立移动、高动态移动,或指示用户恢复的任何其他移动)时,移动设备转换至“等待”状态1206a。在过去了25秒而未检测到停顿期TQ时,移动设备返回至“正常”状态1202。然后移动设备返回至“正常”状态1202。例如,如果用户已跌倒但表现出恢复的迹象,并且在跌倒之后继续移动很长时间,这可能是有用的。在这种情况下,移动设备可避免警示用户或自动为用户寻求帮助。
虽然图12中示出了时间值,但这些仅仅是例示性示例。在实践中,时间值中的一个或多个可以根据具体实施而不同。在一些情况下,时间值中的一个或多个可以是可调参数(例如,凭经验选择以区分不同类型或事件或状况的参数)。
在一些情况下,移动设备102的响应灵敏度可根据用户的特性而变化。例如,移动设备102可确定用户已经跌倒并且可能需要帮助的概率。如果该概率大于阈值水平,则移动设备可将用户的跌倒自动通知用户和/或其他人。阈值水平可基于每个特定用户而变化。例如,如果用户处于较高的跌倒风险下,则阈值水平可以更低(例如,使得移动设备102更有可能将跌倒通知用户和/或其他人)。然而,如果用户处于较低的跌倒风险,则阈值水平可更高(例如,使得移动设备102较不可能将跌倒通知用户和/或其他人)。可基于用户的一个或多个行为和/或人口统计特征,诸如用户的年龄、活动水平、行走速度(例如,时间段内观察到的最大行走速度)或其他因素,来改变每个用户的阈值水平。
例如,图13示出了基于用户特定灵敏度的跌倒检测技术的示意性表示1300。移动设备接收运动数据1302,并且计算用户运动的行为特征(例如,如本文所述的摆动运动、支撑运动、混乱运动、周期性运动或其他特征)(1304)。另外,移动设备基于用户的行为和/或人口统计特征来确定灵敏度阈值(1306)。移动设备基于所确定的特征和阈值确定用户是否已经跌倒和/或是否传输遇险呼叫(例如,使用跌倒检测器1308执行本文所述的一种或多种技术)。
如本文所述,移动设备可至少部分地基于移动设备的“姿态角度”或相对于惯性系的取向来确定用户是否已经跌倒。在一些情况下,这可使用由加速度计获取的信息和/或来自取向传感器(诸如陀螺仪)的信息来确定。
在实践中,加速度计的动态范围可以根据具体实施而变化。例如,加速度计可具有16g的动态范围。又如,加速度计可具有32g的动态范围(例如,以检测更大范围的加速度)。
在一些情况下,加速度计和陀螺仪可各自根据相同的采样率(例如,200Hz、400Hz、800Hz或一些其他频率)来获取测量值。在一些情况下,加速度计和陀螺仪可各自根据不同的采样率获取测量值。例如,加速度计可根据更高的采样率(例如,800Hz)获取测量值,而陀螺仪可根据更低的采样率(例如,200Hz)获取测量值。例如,在相对于其他传感器选择性地降低一个传感器(例如,在操作期间消耗更多功率的传感器)的功率消耗以改善移动设备的功率效率时,这可能是有用的。在一些情况下,可在操作期间动态地调节加速度计和/或陀螺仪的采样率。例如,加速度计和/或陀螺仪的采样率可在某些时间段期间和/或响应于某些条件(例如,更大的用户运动)而选择性地增加,并且在某些其他时间段期间和/或响应于某些其他条件(例如,更小的用户运动)而减小。
在一些情况下,加速度计或陀螺仪中的一者可用于获取测量值,而另一个传感器被禁用(例如,使得其不收集测量值)。基于从活动传感器获取的测量值,可选择性地激活被禁用传感器。例如,在降低移动设备的功率消耗(例如,通过在某些时间段期间仅操作加速度计或陀螺仪中的一者,以及响应于某些条件选择性地操作加速度计或陀螺仪两者)时,这可能是有用的。
例如,移动设备可禁用陀螺仪,并使用加速度计来获取时间段内的加速度测量值。如果所测量的加速度大于特定阈值水平(例如,加速度计的加速度信号的能量的均方根[RMS]高于阈值能量水平),则移动设备可激活陀螺仪并收集取向信息。因此,响应于加速度计检测到“显著”运动而选择性地激活陀螺仪。
在一些情况下,如果不再检测到显著运动,则可禁用陀螺仪。例如,如果加速度计的加速度信号的RMS能量在特定时间段(例如,预定义的时间间隔)内小于阈值能量水平,则移动设备可禁用陀螺仪,并继续操作加速度计。在一些情况下,可在激活陀螺仪之后(例如,在自陀螺仪打开以来经过了预定义的时间间隔之后)将陀螺仪禁用一个特定时间段。在一些情况下,如果加速度计的加速度信号的RMS能量在第一时间间隔内小于阈值能量水平,或者如果自加速度计被激活以来经过了第二时间间隔,以先发生者为准,可以禁用陀螺仪。在实践中,该时间间隔可以根据具体实施而变化。
在一些情况下,可根据状态机选择性地启用和禁用陀螺仪。图14示出,示例状态机包括“陀螺仪关闭”状态1402(对应于陀螺仪的被禁用状态)、“陀螺仪打开”状态1404(对应于陀螺仪的被启用状态)和“等待”状态1406(对应于移动设备在调节陀螺仪的操作之前等待进一步信息的状态)。
移动设备以“陀螺仪关闭”状态1402开始,在该状态中陀螺仪被禁用。移动设备转换至“陀螺仪打开”状态1404,并且基于从加速度计获取的加速度信号在检测到非停顿期时启用陀螺仪。在基于加速度信号和来自陀螺仪的取向信号检测到停顿和低旋转时,移动设备转换至“等待”状态1406。如果停顿和低旋转继续,则移动设备随时间推移周期性地递增计数器。如果计数器超过阈值,则移动设备返回至“陀螺仪关闭”状态1402并禁用陀螺仪,并重置计数器。然而,如果检测到非停顿和/或足够高程度的旋转,则移动设备转而返回“陀螺仪打开”状态1404并保持陀螺仪处于启用状态,并重置计数器。这样,移动设备响应于检测到移动而选择性地启用陀螺仪,并且在时间段的停顿和低旋转之后将其禁用。
在一些情况下,图14中所示的“停顿”条件可以是在满足以下公式时为真的布尔值:
thr1≤k1*VM+k2*dVM<thr2
其中VM是加速度信号的量值,dVM是加速度信号的量值的变化速率,thr1和thr2是可调节阈值。
在一些情况下,图14中所示的“停顿和低旋转”条件可以是在满足以下公式时为真的布尔值:
(thr1+δ≤k1*VM+k2*dVM<thr2-δ)AND(rot<thr3)
其中VM是加速度信号的量值,dVM是加速度信号的量值的变化速率,rot是旋转速率(例如,基于陀螺仪确定),δ是可调节偏移值,并且thr1、thr2和thr3是可调节阈值。
在一些情况下,可基于多种不同类型的传感器测量值的组合或“融合”来检测跌倒。例如,可基于加速度测量值(例如,由加速度计获取)、取向测量值(例如,由陀螺仪获取)、空气压力测量值(例如,由压力传感器或气压计获取)、高度测量值(例如,由测高计、压力传感器、加速度计或其他传感器获取)、心率测量值(例如,由心率传感器获取)和/或其他类型的测量值来检测跌倒。
例如,图15示出了基于多种类型的传感器测量值的跌倒检测技术的示意性表示1500。加速度计用于检测剧烈撞击(步骤1502)。例如,可基于由加速度计在滑动窗口内测量的加速度amag的量值和抖动jmag的量值来检测剧烈撞击。滑动窗口内的加速度的量值可使用以下公式来计算:
amag=sqrt(max(|x|)2+max(|y|)2+max(|z|)2)
其中x、y和z分别是加速度信号的x、y和z分量,并且max是在0.2秒的窗口内获取的。
滑动窗口内的抖动的量值可使用以下公式来计算:
jmag=max(sqrt(dx2+dy2+dz2))
其中dx、dy和dz分别是加速度信号的x、y和z分量的导数,并且max是在0.2秒的窗口内获取的。
如果amag大于阈值thr1且jmag大于阈值thr2,移动设备获取陀螺仪测量值(步骤1504)、海拔或高度测量值(步骤1506)和心率信息(步骤1508),并且基于测量值确定是否发生了跌倒(步骤1510)。
例如,加速度计和陀螺仪测量值可用于确定移动设备在撞击之前、期间和/或之后的撞击方向和姿态角度(例如,如本文所述)。在一些情况下,加速度计测量值可用于估计移动设备的海拔或高度(例如,当移动设备静止时)。在一些情况下,加速度计和陀螺仪测量值可被结合用于估计移动设备的海拔或高度(例如,当移动设备运动时)。
又如,压力传感器可用于检测多级跌倒(例如,用户从梯子上跌落)。又如,心率传感器可用于检测心率的变化,诸如心率的升高(例如,由于非战即逃响应)或心率衰减曲线(例如,与锻炼身体结束之后心率衰减相比,跌倒之后人的心率衰减可能具有不同的特性,诸如更小的时间常数)。又如,加速度计可用于检测海拔或高度(例如,当设备静止时)。又如,加速度计可用于检测海拔或高度(例如,当设备静止时)。
图16示出了结合加速度计和陀螺仪来确定关于用户运动的信息(例如,作为图15所示的步骤1504的一部分)的示例使用。加速度计和陀螺仪生成加速度计和陀螺仪测量值(步骤1602)。基于该信息,陀螺仪控制器可在一定时间段期间选择性地关闭陀螺仪(例如,如相对于图14所述)(步骤1604)。加速度计和陀螺仪测量值被结合使用(例如,“融合”)以获取关于设备的信息,诸如设备的高度或海拔(步骤1606)。另外,该信息可用于确定关于设备的其他信息,诸如移动设备经历撞击的姿态角度和方向(步骤1608)。移动设备基于测量值来确定是否发生了跌倒(步骤1610)。
图17示出了示例跌倒分类器1700。跌倒分类器1700可用于确定用户是否已经跌倒,如果已经跌倒,则确定跌倒的类型或性质。例如可使用图1所示的移动设备102和/或系统100来实现跌倒分类器1700。
跌倒分类器1700接收指示用户的实测运动的输入,以及输出指示用户是否已经跌倒的信息,如果已经跌倒,则输出跌倒的类型或性质。例如,如图1700所示,跌倒分类器接收指示由用户穿戴的移动设备经历的加速度(例如,使用加速度计测量)的加速度数据1702,以及指示移动设备的取向的陀螺仪数据1704(例如,使用陀螺仪测量)。
加速度数据1702和陀螺仪数据1704被传感器融合模块1706(例如,使用本文所述的一种或多种技术)组合或“融合”在一起,并且由跌倒分类器1700结合在一起考虑。在一些情况下,可相对于一个或多个(例如,六个)空间轴组合加速度数据1702和陀螺仪数据1704。
加速度数据1702和陀螺仪数据1704可结合使用以确定关于用户运动特性的信息。例如,该数据可用于确定移动设备的高度1708。
另外,加速度数据1702和陀螺仪数据1704可被输入到特征提取模块1710中,该特征提取模块识别加速度数据1702和陀螺仪数据1704的一个或多个特征或特性。特征提取模块1710可执行本文所述的一种或多种技术。例如,特征提取器1710可确定用户的手腕角度1710(例如,通过确定移动设备被用户穿戴在其手腕上时的姿态角度)。
另外,可使用行为建模模块1712来确定用户的行为。用户的行为可以是对本文所述的一种或多种技术进行建模。例如,基于移动设备102的姿态角度的变化,行为建模模块1712可确定行为信息1714,诸如用户是否正在执行支撑运动(例如,伸出其手臂以止住前冲)、平衡运动(例如,伸出其手臂以恢复平衡)、摆动运动(例如,在撞击期间和之后摆动其手臂)或另一种其他运动。在一些情况下,可基于如下特征来检测支撑运动:诸如腕部在撞击前横贯负弧长度,以及在撞击时刻手腕指向地面。在一些情况下,可基于诸如在用户努力恢复平衡时手腕横贯正弧长度的特征来检测平衡运动。在一些情况下,可基于诸如手腕在运动中进行一个或多个快速反转(作为抓握反射的一部分,或由于与地面的重复二次撞击)的特征来检测摆动运动。行为信息1714可被输入到分类模块1716中以帮助进行跌倒的检测和分类。
跌倒分类器1700还可独立于陀螺仪数据1704来分析加速度数据1702的各个方面。例如,加速度数据1702可被输入到特征提取模块1718中,该特征提取模块识别加速度数据1702的一个或多个特征或特性。特征提取模块1718可执行本文所述的一种或多种技术。例如,特征提取器1718可确定撞击信息1720,诸如用户经历的撞击的量值、用户在撞击之前所作的运动,以及用户在撞击之后所作的运动。又如,特征提取器1718可确定用户运动在时间段内的混乱程度。
撞击信息1720可被输入到撞击检测器1722中,该撞击检测器确定用户是否实际经历了撞击,如果是经历了撞击,则确定撞击的类型或性质。撞击检测器1722可执行本文所述的一种或多种技术。例如,撞击检测器1722可输出关于用户是否经历撞击的指示1724。
来自撞击检测器1722和行为建模模块1712的信息可用于确定用户是否已经跌倒,如果已经跌倒,则确定跌倒的类型或性质。例如,基于来自撞击检测器1722和行为建模模块1712的输入,分类模块1716可确定用户已滑倒、绊倒、滚动或经历某种其他类型的跌倒。又如,基于来自撞击检测器1722和行为建模模块1712的输入,分类模块1716可确定用户已经历撞击但未跌倒。又如,基于来自撞击检测器1722和行为建模模块1712的输入,分类模块1716可确定用户已跌倒但已经恢复。分类模块1716输出指示用户是否已经跌倒的跌倒信息1726,如果已跌倒,则输出跌倒的类型或性质。
如上所述,多种类型的传感器测量值可结合使用以确定用户的运动特性。例如,图18示出了用于确定用户是否已经跌倒的跌倒传感器融合模块1800,如果已经跌倒,则确定跌倒的类型或性质。例如可使用图1所示的移动设备102和/或系统100来实现传感器融合模块1800。
跌倒传感器融合模块1800接收来自多个不同传感器的输入。例如,跌倒传感器融合模块1800接收指示由用户穿戴的移动设备经历的加速度(例如,使用加速度计测量)的加速度数据1802a,以及指示移动设备的取向的陀螺仪数据1802b(例如,使用陀螺仪测量)。又如,传感器融合模块1800接收指示移动设备的位置的位置数据1802c(例如,使用全球导航卫星系统接收器(诸如全球定位系统接收器)和/或无线收发器(诸如Wi-Fi无线电部件)测量)。又如,传感器融合模块1800接收指示设备的高度或海拔的高度数据1802d(例如,使用测高计、气压计或其他高度传感器测量)。又如,传感器融合模块1800接收心率数据1802d,该数据指示穿戴移动设备的用户的心率(例如,使用心率传感器测量)。
如本文所述,加速度计数据1802a和陀螺仪数据1802b可用于确定用户是否已经跌倒。例如,加速度计数据1802a和陀螺仪数据1802b可被输入到跌倒分类器1804中。通常,跌倒分类器1804可按与相对于图17所述类似的方式工作。例如,跌倒分类器1804可基于加速度数据1802a来确定一个或多个特征,并基于这些特征来确定用户是否经历了撞击。另外,跌倒分类器1804可基于加速度数据1802a和陀螺仪数据1802b两者来确定一个或多个特征,并且基于该特征对用户的行为建模。另外,跌倒分类器1804可基于所检测到的撞击和/或所建模的行为来确定用户是否已经跌倒。
另外,跌倒分类器1804可至少部分地基于位置数据1802c来确定用户是否已经跌倒。例如,位置数据1802c可被输入到阈值模块1806中。阈值模块1806确定关于移动设备1806的位置的信息。例如,阈值模块1806可确定移动设备是在用户的家中、在用户的工作地点、在公共区域(例如,商店、健身房、游泳池等),还是某个其他位置。又如,阈值模块1806可在用户正在驾驶、骑自行车、滑冰、滑板或使用某种其他运输模式行进时确定移动设备是否正在被用户穿戴。该信息可被输入到跌倒分类器1804中以改善对跌倒的检测。例如,用户在家中时可能更有可能跌倒,而不是乘汽车行进时。因此,与用户驾驶汽车时相比,跌倒分类器1804可提高确定用户在家时检测跌倒的灵敏度。又如,当在下雪或下雨时,而不是在没有下雪或下雨时,用户在外出时可能更有可能跌倒。因此,在确定用户在室外并且(例如,基于从天气服务获取的信息)确定该位置正在降雨或降雪时,与用户所在位置处不下雨或下雪时相比,跌倒分类器1804可提高检测跌倒的灵敏度。
跌倒分类器1804输出跌倒数据1808,该数据指示用户是否经历了跌倒,如果已经跌倒,则输出跌倒的类型或性质。跌倒数据1808可被输入到融合模块1810中,该融合模块拒绝跌倒分类器1804的误报。例如,融合模块1810可接收指示发生跌倒的跌倒数据1808。然而,基于由融合模块1810接收的附加信息,融合模块1810可覆写跌倒数据1808,并确定未发生跌倒。融合模块1810输出确认数据1812,该数据确认用户是否经历了跌倒,如果已经跌倒,则输出跌倒的类型或性质。
在一些情况下,融合模块1810可基于高度数据1802d确定跌倒数据1808是否为误报。例如,高度数据1802d可被输入到过滤器模块1814中。过滤器模块1814可用于隔离高度数据1802d的特定分量(例如,特定频率或频率范围)。过滤后的高度数据1802d被输入到特征提取模块1816中,该特征提取模块确定特征数据1816,该特征数据指示移动设备的高度的一个或多个特征。例如,特征提取模块1816可确定移动设备的高度或海拔在时间段内的变化。特征数据1818被输入到融合模块1810中,并且可用于识别潜在的误报。例如,如果移动设备经历高度的显著变化(例如,几英尺,或几个层级或楼层),则融合模块1810可确定不太可能误报。又如,如果移动设备未经历任何高度变化,则融合模块1810可确定更有可能误报。
在一些情况下,融合模块1810可基于心率数据1802e确定跌倒数据1808是否为误报。例如,心率数据1802e可被输入到过滤器模块1820中。过滤器模块1820可用于隔离心率数据1802e的特定分量(例如,特定频率或频率范围)。过滤后的心率数据1802e被输入到特征提取模块1822中,该特征提取模块确定特征数据1824,该特征数据指示穿戴移动设备的用户的心率的一个或多个特征。又如,特征提取模块1822可确定跌倒之后用户心率的升高或增加。又如,特征提取模块1822可确定心率的后续衰减或恢复(例如,当心率恢复到正常时)。又如,特征提取模块1822可确定与心率的衰减或恢复相关联的衰减时间约束(例如,指示上升后衰减速率的时间常数)。特征数据1824被输入到融合模块1810中,并且可用于识别潜在的误报。例如,如果用户的心率增加(例如,由于非战即逃响应),则融合模块1810可确定不太可能误报。又如,用户的心率在跌倒之后通常比在锻炼时间段之后更快地衰减。因此,移动设备可将用户的衰减时间常数与在用户锻炼之后采样的衰减时间常数进行比较。如果用户的衰减时间常数小于锻炼相关的衰减时间常数,则融合模块1810可确定不太可能误报。
如上所述,移动设备可响应于检测到跌倒并确定用户可能需要帮助而将遇险呼叫自动传输至第三方(例如,紧急响应方)。以与上文所述类似的方式(例如,相对于图12),移动设备可首先警示用户可能(例如,在跌倒之后)传输遇险呼叫,并且允许用户确认是否继续进行呼叫。用户可响应于警示而手动地发起遇险呼叫(例如,可将命令输入到移动设备中)。然而,如果用户未对警示作出响应,则移动设备可基于呼叫之后的用户行为来确定是否应当继续呼叫。例如,如果用户在跌倒之后未移动(例如,表示用户受伤或无响应),则移动设备可继续进行呼叫。然而,如果用户表现出活动(例如,表示用户已恢复),则移动设备可取消该呼叫。这种渐进式升级可能是有益的,例如,减少了关于跌倒的误报数量,以及降低了不必要地呼叫第三方的可能性。
在一些情况下,移动设备可基于由多个不同传感器获取的测量值来确定是否传输遇险呼叫。例如,图19示出了用于确定是否向第三方传输遇险呼叫的遇险呼叫模块1900。例如可使用图1所示的移动设备102和/或系统100来实现遇险呼叫模块1900。
遇险呼叫模块1900包括用于确定用户是否已经跌倒的融合模块1902,如果已经跌倒,则该融合模块用于确定跌倒的类型或性质。融合模块1902能够以与相对于图18所述类似的方式操作。例如,融合模块1902可接收几种类型的传感器数据1804,诸如加速度数据、陀螺仪数据、位置数据、高度数据和/或心率数据。基于该信息,融合模块1902可确定穿戴移动设备的用户是否已经跌倒,并识别潜在的误报。融合模块1902输出确认数据1804,该数据确认用户是否经历了跌倒,如果已经跌倒,则输出跌倒的类型或性质。
另外,遇险呼叫模块1900确定关于穿戴移动设备的用户的运动的信息。例如,加速度计数据和陀螺仪数据可被输入到特征提取模块1806中。特征提取模块1806确定关于用户运动的一个或多个特征,诸如用户是否在跌倒之后移动了一段时间,用户是否可在跌倒之后走出几步,用户是否已在跌倒之后站立,或其他特征。提取模块1806输出特征数据1808,该特征数据指示提取的特征中的每一个。
确认数据1804和特征数据1806可被输入到跌倒状态机1810中。跌倒状态机1810基于输入来确定是否向第三方传输遇险呼叫。图20中示出了示例跌倒状态机1810。
在该示例中,移动设备以“正常”状态2002(例如,低警示状态)、“确认跌倒”状态2004(例如,在融合模块1802检测到跌倒时的提高警示状态)、“警示”状态2006(例如,移动设备向移动设备的用户警示跌倒并可能向第三方发送遇险呼叫的状态)、“等待”状态2008(例如,移动设备等待附加信息,诸如用户的潜在输入的状态)、“取消”状态2010(例如,即将进行的遇险呼叫被取消的状态)和“SOS”状态2012(例如,进行遇险呼叫的状态)开始。移动设备可基于检测到跌倒的某些标志(例如,如本文所述)、检测到的停顿期(例如,没有用户的移动)和/或用户的输入而在每种状态之间转换。
例如,移动设备以“正常”状态2002开始。在(例如,由融合模块1802)检测到确认的跌倒时,移动设备转换至“确认跌倒”状态2004。在检测到跌倒之后的停顿期TQ时,移动设备转换至“警示”状态2006,并警示用户检测到跌倒并通知用户可能向第三方(例如,紧急响应方)发送遇险呼叫。移动设备转换至“等待”状态2008并且等待用户响应于警示而做出的输入。如果在传输跌倒警示之后的长躺时间段TLL(例如,30秒)期间未检测到用户移动,则移动设备转换至“SOS”状态2012并传输遇险呼叫。然后移动设备返回至“正常”状态2002。例如,如果用户已跌倒并且长时间丧失能力,这可能是有用的。即使没有用户的输入,移动设备也可以为用户自动寻求帮助。
又如,移动设备以“正常”状态2002开始。在检测到确认跌倒时,移动设备转换至“确认跌倒”状态2004。在跌倒之后在停顿期TQ内检测到某些类型的移动(例如,走步移动、站立移动、高动态移动,或指示用户恢复的任何其他移动)时,移动设备返回至“正常”状态2002。例如,如果用户已经跌倒,但在跌倒之后表现出移动和恢复的迹象,这可能是有用的。在这种情况下,移动设备可避免警示用户或自动为用户寻求帮助。
例如,移动设备以“正常”状态2002开始。在(例如,由融合模块1802)检测到确认的跌倒时,移动设备转换至“确认跌倒”状态2004。在检测到跌倒之后的停顿期TQ时,移动设备转换至“警示”状态2006,并警示用户检测到跌倒并通知用户可能向第三方(例如,紧急响应方)发送遇险呼叫。移动设备转换至“等待”状态2008并且等待用户响应于警示而做出的输入。在传输跌倒警示之后在长躺时间段TLL内检测到某些类型的移动(例如,走步移动、站立移动、高动态移动,或指示用户恢复的任何其他移动)时,移动设备转换至“取消”状态2010,并且不传输遇险呼叫。然后移动设备返回至“正常”状态2002。例如,如果用户已经跌倒,但表现出恢复的迹象,这可能是有用的。移动设备可以向用户发出关于跌倒的警示,但在这种情况下不会自动为用户寻求帮助。
虽然相对于图20描述了时间值,但这些仅仅是例示性示例。在实践中,时间值中的一个或多个可以根据具体实施而不同。在一些情况下,时间值中的一个或多个可以是可调参数(例如,凭经验选择以区分不同类型或事件或状况的参数)。
示例过程
图21中示出了使用移动设备确定用户是否已经跌倒和/或可能需要帮助的示例过程1700。例如可使用图1所示的移动设备102和/或系统100来执行过程2100。在一些情况下,过程2100的一些或全部可由移动设备的协处理器执行。协处理器可被配置为接收从一个或多个传感器获取的运动数据,处理运动数据,并且将经处理的运动数据提供给移动设备的一个或多个处理器。
在过程2100中,移动设备(例如,移动设备102,和/或系统100的一个或多个部件)获取指示由运动传感器在时间段内测量的运动的运动数据(步骤2102)。传感器由用户穿戴。例如,如相对于图1和图2A所述,用户可将移动设备诸如智能手表附接到他的手臂或手腕上,并且在日常生活中四处走动。这可包括例如行走、跑步、坐下、躺下、参加运动或体育活动,或任何其他身体活动。在此期间,移动设备使用移动设备中的运动传感器(例如,加速度计)来测量传感器在时间段内经历的加速度。传感器数据可以时变加速度信号的形式呈现(例如,如图3中所示)。
移动设备基于运动数据来确定用户经历的撞击(步骤2104),该撞击在该时间段的第一间隔期间发生。上文(例如,相对于图3至图5)描述了用于确定撞击的示例技术。
移动设备基于运动数据确定在时间段的第二间隔期间用户的一个或多个第一运动特性(步骤2106),该第二间隔发生在第一间隔之前。第二间隔可以是(例如)“撞击前”时间段。确定第一运动特性可包括例如确定用户正在第二间隔期间行走,确定用户在第二间隔期间是上楼梯或下楼梯,和/或确定用户正在第二间隔期间根据摆动运动或支撑运动来移动身体部位。上文(例如,相对于图6)描述了用于确定“撞击前”时间段期间的运动特性的示例技术。
移动设备基于运动数据确定在时间段的第三间隔期间用户的一个或多个第二运动特性(步骤2108),该第三间隔发生在第一间隔之后。第三间隔可以是(例如)“撞击后”时间段。确定第二运动特性可包括例如确定用户正在第三间隔期间行走,确定用户在第三间隔期间站立,和/或确定用户身体部位的取向在第三间隔期间变化了N次或更多次。上文(例如,相对于图7和图8)描述了用于确定“撞击前”时间段期间的运动特性的示例技术。
移动设备基于撞击、用户的一个或多个第一运动特性以及用户的一个或多个第二运动特性来确定用户已经跌倒(步骤2110)。移动设备还可确定用户是否可能需要帮助(例如,跌倒的结果)。上文(例如,相对于图9)描述了用于确定用户是否已经跌倒并可能需要帮助的示例技术。
例如,移动设备可基于运动数据确定撞击大于第一阈值,并且基于运动数据确定用户的运动在第三间隔期间受损。基于这些确定,移动设备可确定用户已经跌倒并且可能需要帮助。
又如,移动设备可基于运动数据确定撞击小于第一阈值并且大于第二阈值。另外,移动设备可基于运动数据确定用户是在第二间隔期间行走,在第二间隔期间上楼梯,还是在第二间隔期间下楼梯中的至少一者。另外,移动设备可基于运动数据确定用户正在第二间隔期间根据摆动运动或支撑运动来移动身体部位。另外,移动设备可基于运动数据来确定用户的运动在第三间隔期间受损。基于这些确定,移动设备可确定用户已经跌倒并且可能需要帮助。
在一些情况下,移动设备可基于统计模型(例如,贝叶斯统计模型)确定用户已经跌倒。例如,可基于一个或多个采样的撞击、一个或多个采样的第一运动特性以及一个或多个采样的第二运动特性来生成统计模型。可基于从样本群体收集的样本运动数据来确定一个或多个采样的撞击、一个或多个采样的第一运动特性和一个或多个采样的第二运动特性。样本运动数据可指示由一个或多个附加运动传感器在一个或多个附加时间段内测量的运动,其中每个附加运动传感器由样本群体的相应用户穿戴。上文描述了用于生成和使用统计模型的示例技术。在一些具体实施中,一个或多个采样的第一运动特性可包括特定附加用户相对于样本运动数据执行的活动类型的指示、特定附加用户相对于样本运动数据的活动水平的指示,和/或特定附加用户相对于样本运动数据的行走速度的指示。
响应于确定用户已经跌倒,移动设备生成指示用户已经跌倒的通知(步骤2112)。例如,移动设备可在移动设备的显示设备和/或音频设备上呈现表明用户已经跌倒的指示。又如,移动设备可将数据传输至远离移动设备的通信设备,指示用户已跌倒。这可包括例如电子邮件、即时聊天消息、文本消息、电话消息、传真消息、无线电消息、音频消息、视频消息、触觉消息或用于传送信息的另一消息。上文描述了用于生成通知的示例技术。
图22中示出了使用移动设备确定用户是否已经跌倒和/或可能需要的帮助的另一示例过程2200。例如可使用图1所示的移动设备102和/或系统100来执行过程2200。在一些情况下,过程2200的一些或全部可由移动设备的协处理器执行。协处理器可被配置为接收从一个或多个传感器获取的运动数据,处理运动数据,并且将经处理的运动数据提供给移动设备的一个或多个处理器。
在过程2200中,移动设备(例如,移动设备102,和/或系统100的一个或多个部件)获取指示由加速度计在时间段内测量的加速度的第一信号(步骤2202),以及指示由取向传感器在该时间段内测量的取向的第二信号(步骤2204)。加速度计和取向传感器物理地耦接到用户。例如,如相对于图1和图2A所述,用户可将移动设备诸如智能手表附接到他的手臂或手腕上,并且在日常生活中四处走动。这可包括例如行走、跑步、坐下、躺下、参加运动或体育活动,或任何其他身体活动。在此期间,移动设备使用移动设备中的传感器(例如,加速度计和诸如陀螺仪的取向传感器)来测量传感器在时间段内经历的加速度和传感器在该时间段内的取向。传感器数据可以时变信号的形式呈现(例如,如图11A中所示)。
移动设备确定关于用户在时间段期间经历的旋转量的旋转数据(步骤2206)。旋转数据可包括与用户在时间段期间的旋转的旋转速率对应的第三信号、用户在该时间段期间在参考坐标系中的旋转的一个或多个旋转轴(例如,一个或多个瞬时旋转轴)的指示,和/或用户在该时间段期间的旋转的平均旋转轴的指示。例如,在图11A至图11D中示出和描述了示例旋转数据。
移动设备基于旋转数据来确定用户是否已经翻跌(步骤2208)。在一些情况下,这可通过确定用户在时间段期间的旋转的一个或多个旋转轴与用户在时间段期间的旋转的平均旋转轴之间的变化来执行。另外,移动设备可确定变化小于第一阈值。响应于确定变化小于第一阈值,移动设备可基于第三信号来确定与用户在该时间段期间的角位移对应的第四信号(例如,通过相对于该时间段对第三信号求积分)。
另外,移动设备可确定用户在该时间段期间的角位移大于第二阈值,并且确定用户在该时间段期间的旋转的一个或多个旋转轴中的至少一个大于第三阈值。响应于确定用户在该时间段期间的角位移大于第二阈值,并且确定用户在该时间段期间的旋转的一个或多个旋转轴中的至少一个大于第三阈值,移动设备能够确定用户已翻跌。否则,移动设备可确定用户未翻跌。
响应于确定用户已经翻跌,移动设备生成指示用户已经翻跌的通知(步骤2210)。生成通知可包括在移动设备的显示设备或音频设备中的至少一者上呈现表明用户已经翻跌的指示,和/或将数据传输至远离移动设备的通信设备。这可包括例如电子邮件、即时聊天消息、文本消息、电话消息、传真消息、无线电消息、音频消息、视频消息、触觉消息或用于传送信息的另一消息。该数据可包括表明用户已经翻跌的指示。上文描述了用于生成通知的示例技术。
图23中示出了使用移动设备确定用户是否已经跌倒和/或可能需要的帮助的另一示例过程2300。例如可使用图1所示的移动设备102和/或系统100来执行过程2200。在一些情况下,过程2300的一些或全部可由移动设备的协处理器执行。协处理器可被配置为接收从一个或多个传感器获取的运动数据,处理运动数据,并且将经处理的运动数据提供给移动设备的一个或多个处理器。
在过程2300中,移动设备(例如,移动设备102和/或系统100的一个或多个部件)获取指示由一个或多个运动传感器在第一时间段内测量的运动的运动数据(步骤2302)。一个或多个运动传感器由用户穿戴。一个或多个运动传感器可包括加速度计和/或陀螺仪。移动设备可以是可穿戴移动设备。上文描述了用于获取运动数据的示例技术。
移动设备基于运动数据来确定用户已跌倒(步骤2304)。在一些具体实施中,移动设备可通过基于运动数据确定用户经历了撞击来确定用户已经跌倒。在一些具体实施中,移动设备可通过确定用户在第一时间段期间的行为来确定用户已跌倒。上文描述了用于确定用户是否已经跌倒的示例技术。
响应于确定用户已经跌倒,移动设备生成指示用户已经跌倒的一个或多个通知(步骤2306)。在一些具体实施中,生成一个或多个通知可包括向用户呈现指示用户已经跌倒的第一通知。第一通知可包括视觉消息、音频消息或触觉消息中的至少一者。上文描述了用于生成通知的示例技术。
在一些具体实施中,移动设备可响应于第一通知从用户接收输入(例如,指示用户对帮助的请求的输入)。响应于接收到输入,移动设备可向远离移动设备的通信设备传输指示对帮助的请求的第二通知。通信设备可以是紧急响应系统。另外,第二通知可指示移动设备的位置。
在一些具体实施中,移动设备可确定在用户跌倒之后的第二时间段期间用户没有移动(例如,表示用户受伤或丧失能力)。响应于确定在第二时间段期间用户没有移动,移动设备可向远离移动设备的通信设备传输指示对帮助的请求的第二通知。
在一些具体实施中,移动设备可确定用户在用户跌倒之后的第二时间段期间移动过(例如,行走、站立,或可能某种其他类型的移动)。响应于确定用户在第二时间段期间移动过,移动设备可避免向远离移动设备的通信设备传输指示对帮助的请求的第二通知。
在一些具体实施中,可根据状态机生成一个或多个通知。图12和图20中示出了示例状态机。
图24中示出了使用移动设备确定用户是否已经跌倒和/或可能需要的帮助的另一示例过程2400。例如可使用图1所示的移动设备102和/或系统100来执行过程2200。在一些情况下,过程2400的一些或全部可由移动设备的协处理器执行。协处理器可被配置为接收从一个或多个传感器获取的运动数据,处理运动数据,并且将经处理的运动数据提供给移动设备的一个或多个处理器。
在过程2400中,移动设备(例如,移动设备102和/或系统100的一个或多个部件)获取多个传感器在时间段内生成的样本数据(步骤2402)。多个传感器由用户穿戴。样本数据包括指示从多个传感器中的一个或多个运动传感器获取的指示用户运动的运动数据。样本数据还包括以下各项数据中的至少一者:指示从多个传感器的一个或多个位置传感器获取的指示移动设备的位置的位置数据、从多个传感器的一个或多个高度传感器获取的指示移动设备的高度的高度数据,或从多个传感器中的一个或多个心率传感器获取的指示用户心率的心率数据。移动设备可以是可穿戴移动设备。上文描述了用于获取样本数据的示例技术。
在一些具体实施中,一个或多个运动传感器可包括加速度计和/或陀螺仪。在一些具体实施中,加速度计和陀螺仪可独立操作以采集运动数据。例如,可在该时间段期间的第一时间间隔期间使用加速度计来获取加速度数据。可在第一时间间隔期间禁用陀螺仪。另外,基于在第一时间间隔期间获取的加速度计数据,移动设备可确定在第一时间间隔期间用户的移动超过阈值水平。响应于确定在第一时间间隔期间用户的移动超过阈值水平,移动设备可在第一时间间隔之后的第二时间间隔期间,使用加速度计来获取加速度数据以及使用陀螺仪来获取陀螺仪数据。在一些情况下,可根据状态机来操作加速度计和陀螺仪。图14中示出了示例状态机。
在一些具体实施中,一个或多个高度传感器可包括测高计或气压计中的至少一者。高度传感器可用于(例如)测量指示跌倒的高度的特定变化(例如,指示从梯子或结构跌落的高度下降)。
在一些具体实施中,一个或多个位置传感器可包括无线收发器(例如,Wi-Fi无线电部件或蜂窝无线电部件)或全球导航卫星系统接收器(例如,GPS接收器)中的至少一者。
移动设备基于样本数据来确定用户已跌倒(步骤2404)。上文描述了用于确定用户是否已经跌倒的示例技术。
在一些具体实施中,移动设备可通过基于运动数据确定在该时间段期间移动设备取向的变化(例如,姿态角度),并基于取向的变化来确定用户已经跌倒,从而确定用户已跌倒。
在一些具体实施中,移动设备可通过基于运动数据确定用户在该时间段期间经历的撞击,并基于撞击来确定用户已经跌倒,从而确定用户已跌倒。
在一些具体实施中,移动设备可通过基于高度数据确定在该时间段期间移动设备高度的变化,并基于高度的变化来确定用户已经跌倒,从而确定用户已跌倒。
在一些具体实施中,移动设备可通过基于心率数据确定用户的心率在该时间段期间的变化,并基于心率的变化来确定用户已经跌倒,从而确定用户已跌倒。确定用户的心率在时间段期间的变化可包括确定用户的心率在该时间段期间的衰减速率(例如,与衰减速率相关联的时间常数)。
在一些具体实施中,移动设备可通过基于位置数据确定移动设备的位置处的环境状况并基于环境状况确定用户已经跌倒,来确定用户已经跌倒。环境状况可为该位置处的天气(例如,雨、雪等)。
在一些具体实施中,移动设备可基于运动数据、位置数据、高度数据和心率数据(例如,结合)来确定用户已经跌倒。
响应于确定用户已经跌倒,移动设备生成指示用户已经跌倒的一个或多个通知(步骤2406)。生成一个或多个通知可包括向远离移动设备的通信设备传输通知。通信设备可以是紧急响应系统。上文描述了用于生成通知的示例技术。
示例移动设备
图25是用于实现参考图1至图24所述的特征和过程的示例设备架构2500的框图。例如,架构2500可用于实现移动设备102、服务器计算机系统104和/或通信设备106中的一个或多个。架构2500可在用于生成参考图1至图24描述的特征的任何设备中实现,该设备包括但不限于台式计算机、服务器计算机、便携式计算机、智能电话、平板电脑、游戏控制台、可穿戴计算机、机顶盒、媒体播放器、智能电视等。
架构2500可包括存储器接口2502、一个或多个数据处理器2504、一个或多个数据协处理器2574,以及外围设备接口2506。存储器接口2502、一个或多个处理器2504、一个或多个协处理器2574、和/或外围设备接口2506可以是独立部件,或者可集成到一个或多个集成电路中。一个或多个通信总线或信号线可耦接各种部件。
一个或多个处理器2504和/或一个或多个协处理器2574可协同操作以执行本文所述的操作。例如,一个或多个处理器2504可包括被配置为充当架构2500的主计算机处理器的一个或多个中央处理单元(CPU)。例如,一个或多个处理器2504可被配置为执行架构2500的一般化数据处理任务。另外,数据处理任务中的至少一些可被卸载到一个或多个协处理器2574。例如,可将专门的数据处理任务(诸如处理运动数据、处理图像数据、加密数据和/或执行某些类型的算术运算)卸载到用于处理这些任务的一个或多个专用协处理器2574。在一些情况下,一个或多个处理器2504可比一个或多个协处理器2574相对更强大和/或可消耗比一个或多个协处理器2574更大的功率。例如,这可能是有用的,因为它使得一个或多个处理器2504能够快速地处理一般化任务,同时还将某些其他任务卸载到可以更有效率和/或更有效地执行那些任务的一个或多个协处理器2574。在一些情况下,一个或多个协处理器可包括一个或多个传感器或其他部件(例如,如本文所述),并且可被配置为处理使用这些传感器或部件获取的数据,并且将经处理的数据提供给一个或多个处理器2504以供进一步分析。
可将传感器、设备和子系统耦接到外围设备接口2506以促进多个功能。例如,运动传感器2510、光传感器2512和接近传感器2514可耦接到外围设备接口2506以促进架构2500的取向、照明和接近功能。例如,在一些具体实施中,可利用光传感器2512以帮助调节触摸表面2546的亮度。在一些具体实施中,运动传感器2510可用于检测设备的移动和取向。例如,运动传感器2510可包括一个或多个加速度计(例如,用于测量运动传感器2510和/或架构2500在时间段内经历的加速度)和/或一个或多个罗盘或陀螺仪(例如,用于测量运动传感器2510和/或移动设备的取向)。在一些情况下,由运动传感器2510获取的测量信息可以一个或多个时变信号(例如,时间段内的加速度和/或取向的时变曲线图)的形式。另外,可根据所检测的取向(例如,根据“纵向”取向或“横向”取向)呈现显示对象或媒体。在一些情况下,运动传感器2510可直接集成到被配置为处理由运动传感器2510获取的测量值的协处理器2574中。例如,协处理器2574可包括一个或多个加速度计、罗盘和/或陀螺仪,并且可被配置为从这些传感器中的每一个获取传感器数据,处理传感器数据,以及将经处理的数据传输到一个或多个处理器2504以供进一步分析。
其他传感器也可连接至外围设备接口2506,诸如温度传感器、生物识别传感器或其他感测设备以促进相关的功能。例如,如图25所示,架构2500可包括测量用户心脏跳动的心率传感器2532。类似地,这些其他传感器也可直接集成到被配置为处理从那些传感器获取的测量值的一个或多个协处理器2574中。
位置处理器2515(例如,GNSS接收器芯片)可连接到外围设备接口2506以提供地理参照。电子磁力仪2516(例如,集成电路芯片)也可连接至外围设备接口2506以提供可用于确定磁北方向的数据。因而,电子磁力仪2516可被用作电子罗盘。
可利用相机子系统2520和光学传感器2522(例如,电荷耦合设备[CCD]或互补金属氧化物半导体[CMOS]光学传感器)来促进相机功能,诸如拍摄照片和视频剪辑。
可通过一个或多个通信子系统2524来促进通信功能。通信子系统2524可包括一个或多个无线和/或有线通信子系统。例如,无线通信子系统可包括射频接收器和发射器和/或光(例如,红外)接收器和发射器。又如,有线通信系统可包括端口设备(例如,通用串行总线(USB)端口)或可用于建立到其他计算设备的有线连接的一些其他有线端口连接,其他计算设备诸如其他通信设备、网络接入设备、个人计算机、打印机、显示屏或能够接收或传输数据的其他处理设备。
通信子系统2524的具体设计与实现可取决于架构2500旨在通过其操作的一个或多个通信网络或者一个或多个介质。例如,架构2500可包括被设计成通过全球移动通信系统(GSM)网络、GPRS网络、增强型数据GSM环境(EDGE)网络、802.x通信网络(例如,Wi-Fi、Wi-Max)、码分多址(CDMA)网络、NFC和蓝牙TM网络操作的无线通信子系统。无线通信子系统还可包括主机协议,使得架构2500可被配置作为其他无线设备的基站。又如,通信子系统可使用一个或多个协议,诸如TCP/IP协议、HTTP协议、UDP协议和任何其他已知协议来允许架构2500与主机设备同步。
音频子系统2526可耦接到扬声器2528和一个或多个麦克风2530以促进支持语音的功能,诸如语音识别、语音复制、数字录制和电话功能。
I/O子系统2540可包括触摸控制器2542和/或一个或多个其他输入控制器2544。触摸控制器2542可耦接到触摸表面2546。触摸表面2546和触摸控制器2542可例如使用多种触敏技术中的任何一种检测接触和移动或其中断,触敏技术包括但不限于电容性、电阻性、红外和表面声波技术,以及用于确定与触摸表面2546接触的一个或多个点的其他接近传感器阵列或其他元件。在一个具体实施中,触摸表面2546可显示虚拟按钮或软按钮和虚拟键盘,用户可将它们用作输入/输出设备。
其他输入控制器2544可耦接到其他输入/控制设备2548,例如一个或多个按钮、摇臂开关、拇指滚轮、红外端口、USB端口和/或指针设备(诸如触笔)。一个或多个按钮(未示出)可包括用于扬声器2528和/或麦克风2530的音量控制的增大/减小按钮。
在一些具体实施中,架构2500可呈现记录的音频文件和/或视频文件,诸如MP3、AAC和MPEG视频文件。在一些具体实施中,架构2500可包括MP3播放器的功能并且可包括引脚连接器用以连接至其他设备。可使用其他输入/输出设备和控制设备。
存储器接口2502可耦接到存储器2550。存储器2550可包括高速随机存取存储器或非易失性存储器,诸如一个或多个磁盘存储设备、一个或多个光学存储设备或闪存存储器(例如,NAND、NOR)。存储器2550可存储操作系统2552,诸如Darwin、RTXC、LINUX、UNIX、OS X、WINDOWS或嵌入式操作系统(诸如VxWorks)。操作系统2552可包括用于处理基础系统服务以及用于执行硬件相关任务的指令。在一些具体实施中,操作系统2552可包括内核(例如,UNIX内核)。
存储器2550还可存储通信指令2554以促进与一个或多个附加设备、一个或多个计算机或服务器的通信,包括对等通信。通信指令2554还可用于基于设备的地理位置(由GPS/导航指令2568获取)来选择供设备使用的操作模式或通信介质。存储器2550可包括促进图形用户界面处理的图形用户界面指令2556,其中包括用于解释触摸输入和手势的触摸模型;促进与传感器相关的处理和功能的传感器处理指令2558;促进与电话相关的过程和功能的电话指令2560;促进与电子消息处理相关的过程和功能的电子消息指令2562;促进与网页浏览相关的过程和功能的网页浏览指令2564;促进与媒体处理相关的过程和功能的媒体处理指令2566;促进GPS和导航相关的过程的GPS/导航指令2569;促进与相机相关的过程和功能的相机指令2570;以及用于执行本文所述过程中的一些或全部的其他指令2572。
上文标识的指令和应用中的每一者均可与用于执行本文所述一个或多个功能的指令集对应。这些指令不需要作为独立软件程序、进程或模块来实现。存储器2550可包括附加指令或更少的指令。此外,可在硬件和/或软件中,包括在一个或多个信号处理和/或专用集成电路(ASIC)中,执行设备的各种功能。
可在数字电子电路中或在计算机硬件、固件、软件中或在它们的组合中实现所述特征。特征可在计算机程序产品中实现,该计算机程序产品有形地体现在信息载体中(例如在机器可读存储设备中),以便由可编程处理器执行;并且方法步骤可由可编程处理器执行,该可编程处理器通过对输入数据进行操作并生成输出来执行指令程序以执行所述具体实施的功能。
所描述的特征可有利地在能够在可编程系统上执行的一个或多个计算机程序中实现,该可编程系统包括至少一个输入设备、至少一个输出设备以及被耦接以从数据存储系统接收数据和指令并且将数据和指令传输到数据存储系统的至少一个可编程处理器。计算机程序是在计算机中可以直接或间接使用以执行某种活动或者产生某种结果的指令集。计算机程序可以包括编译和解释语言在内的任何形式的编程语言(例如,Objective-C、Java)来编写,并且其可以任何形式部署,包括作为独立程序或者作为模块、组件、子例程或适于在计算环境中使用的其他单元。
例如,用于执行指令的程序的合适处理器包括通用微处理器和专用微处理器两者、以及任何类型的计算机的多个处理器或内核中的一者或者唯一的处理器。一般来讲,处理器将从只读存储器或随机存取存储器或这两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。一般来讲,计算机可与海量存储设备进行通信以存储数据文件。这些海量存储设备可包括磁盘,诸如内部硬盘和可移除磁盘;磁光盘;以及光盘。适于有形地具体化计算机程序指令和数据的存储设备包括:所有形式的非易失性存储器,例如包括半导体存储器设备,诸如EPROM、EEPROM和闪存存储器设备;磁盘,诸如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM盘。处理器和存储器可由ASIC(专用集成电路)补充,或者被并入ASIC中。
为了提供与用户的交互,这些特征可以在具有用于向作者显示信息的显示设备以及作者可用来向计算机提供输入的键盘和指向设备的计算机上实现,所述显示设备为诸如CRT(阴极射线管)或LCD(液晶显示器)监视器,所述指向设备为诸如鼠标或轨迹球。
这些特征可在计算机系统中实现,该计算机系统包括后端部件诸如数据服务器或者该计算机系统包括中间件部件诸如应用服务器或互联网服务器,或者该计算机系统包括前端部件诸如具有图形用户界面或互联网浏览器的客户端计算机或者它们的任意组合。系统的部件可通过任何形式的数字数据通信(诸如通信网络)或该数字数据通信的介质被连接。通信网络的示例包括LAN、WAN以及形成互联网的计算机和网络。
计算机系统可包括客户端和服务器。客户端和服务器一般是相互远离的,并且通常通过网络进行交互。客户端和服务器的关系借助于在相应计算机上运行并且彼此具有客户端-服务器关系的计算机程序而产生。
可使用应用程序编程接口(API)来实现所公开的实施方案的一个或多个特征或步骤。API可定义在调用应用程序和提供服务、提供数据或者执行操作或计算的其他软件代码(例如,操作系统、库存程序、函数)之间传递的一个或多个参数。
API可实现为程序代码中的一个或多个调用,这些调用基于在API规范文档中所定义的调用约定通过参数列表或其他结构来发送或接收一个或多个参数。参数可为常数、键、数据结构、目标、目标类、变量、数据类型、指针、数组、列表或者另一个调用。API调用和参数可在任何编程语言中实现。编程语言可定义编程者将用以访问支持API的功能的词汇和调用约定。
在一些具体实施中,API调用可向应用程序报告设备运行应用程序的能力,诸如输入能力、输出能力、处理能力、功率能力、通信能力等。
如上所述,本说明书的主题的一些方面包括来自各种来源的数据的采集和使用以改善移动设备可向用户提供的服务。本公开预期,在一些情况下,该采集到的数据可基于设备使用情况来识别特定位置或地址。此类个人信息数据可包括基于位置的数据、地址、订阅者账户标识符或其他标识信息。
本公开还设想负责此类个人信息数据的收集、分析、公开、传输、存储或其他用途的实体将遵守已确立的隐私政策和/或隐私做法。具体地,此类实体应实施并坚持使用被公认为满足或超出对维护个人信息数据的隐私性和安全性的行业或政府要求的隐私政策和实践。例如,来自用户的个人信息应当被收集用于实体的合法且合理的用途,并且不在这些合法用途之外共享或出售。另外,此类收集应当仅在用户知情同意之后进行。另外,此类实体应采取任何所需的步骤,以保障和保护对此类个人信息数据的访问,并且确保能够访问个人信息数据的其他人遵守他们的隐私政策和程序。另外,此类实体可使其本身经受第三方评估以证明其遵守广泛接受的隐私政策和实践。
就广告递送服务而言,本公开还预期用户选择性地阻止使用或访问个人信息数据的实施方案。即本公开设想可提供硬件元件和/或软件元件,以防止或阻止对此类个人信息数据的访问。例如,就广告递送服务而言,本发明的技术可被配置为在注册服务期间允许用户选择“选择加入”或“选择退出”参与对个人信息数据的收集。
因此,虽然本公开广泛地覆盖了使用个人信息数据来实现一个或多个各种所公开的实施方案,但本公开还预期各种实施方案也可在无需访问此类个人信息数据的情况下被实现。即,本发明技术的各种实施方案不会由于缺少此类个人信息数据的全部或一部分而无法正常进行。例如,可通过基于非个人信息数据或绝对最低数量的个人信息诸如与用户相关联的设备所请求的内容、对内容递送服务可用的其他非个人信息或公开可用的信息来推断偏好,从而选择内容并将该内容递送至用户。
已描述了多个具体实施。然而,应当理解,可进行各种修改。一个或多个具体实施中的元素可被组合、删除、修改或者补充以形成另外的具体实施。作为另一个示例,附图中所示的逻辑流不要求所示的特定顺序或者相继顺序以实现期望的结果。此外,其他步骤可被提供或者步骤可被从所述流程中消除,并且其他部件可被添加到所述系统或者从所述系统移除。因此,其他具体实施方式在下面的权利要求书的范围内。
Claims (60)
1.一种方法,包括:
由移动设备获取运动数据,所述运动数据指示由运动传感器在一时间段内测量的运动,其中所述传感器由用户穿戴;
由所述移动设备基于所述运动数据来确定所述用户经历的撞击,所述撞击发生在所述时间段的第一间隔期间;
由所述移动设备基于所述运动数据来确定在所述时间段的第二间隔期间所述用户的一个或多个第一运动特性,所述第二间隔发生在所述第一间隔之前;
由所述移动设备基于所述运动数据来确定在所述时间段的第三间隔期间所述用户的一个或多个第二运动特性,所述第三间隔发生在所述第一间隔之后;
由所述移动设备基于所述撞击、所述用户的所述一个或多个第一运动特性以及所述用户的所述一个或多个第二运动特性来确定所述用户已经跌倒;并且
响应于确定所述用户已经跌倒,由所述移动设备生成指示所述用户已经跌倒的通知。
2.根据权利要求1所述的方法,其中确定所述一个或多个第一运动特性包括基于所述运动数据来确定在所述第二间隔期间所述用户正在行走。
3.根据权利要求1所述的方法,其中确定所述一个或多个第一运动特性包括基于所述运动数据确定在所述第二间隔期间所述用户正在上楼梯或下楼梯。
4.根据权利要求1所述的方法,其中确定所述一个或多个第一运动特性包括基于所述运动数据确定在所述第二间隔期间所述用户正在根据摆动运动或支撑运动移动身体部位。
5.根据权利要求1所述的方法,其中确定所述一个或多个第二运动特性包括基于所述运动数据确定在所述第三间隔期间所述用户正在行走。
6.根据权利要求1所述的方法,其中确定所述一个或多个第二运动特性包括基于所述运动数据确定在所述第三间隔期间所述用户正在站立。
7.根据权利要求1所述的方法,其中确定所述一个或多个第二运动特性包括基于所述运动数据确定在所述第三间隔期间所述用户的身体部位的取向改变了N次或更多次。
8.根据权利要求1所述的方法,其中确定所述用户已经跌倒包括:
基于所述运动数据来确定所述撞击大于第一阈值;并且
基于所述运动数据来确定在所述第三间隔期间所述用户的运动受损。
9.根据权利要求1所述的方法,其中确定所述用户已经跌倒包括:
基于所述运动数据来确定所述撞击小于第一阈值并且大于第二阈值;
基于所述运动数据来确定所述用户是在所述第二间隔期间行走,在所述第二间隔期间上楼梯,或者在所述第二间隔期间下楼梯中的至少一者;
基于所述运动数据来确定在所述第二间隔期间所述用户正在根据摆动运动或支撑运动来移动身体部位;并且
基于所述运动数据来确定在所述第三间隔期间所述用户的运动受损。
10.根据权利要求1所述的方法,其中生成所述通知包括在所述移动设备的显示设备或音频设备中的至少一者上呈现所述用户已经跌倒的指示。
11.根据权利要求1所述的方法,其中生成所述通知包括将数据传输至远离所述移动设备的通信设备,所述数据包括所述用户已经跌倒的指示。
12.根据权利要求1所述的方法,其中确定所述用户已经跌倒包括:
基于一个或多个采样的撞击、一个或多个采样的第一运动特性以及一个或多个采样的第二运动特性来生成统计模型,
其中基于样本运动数据来确定所述一个或多个采样的撞击、所述一个或多个采样的第一运动特性和所述一个或多个采样的第二运动特性,其中所述样本运动数据指示由一个或多个附加运动传感器在一个或多个附加时间段内测量的运动,其中每个附加运动传感器由相应的附加用户穿戴。
13.根据权利要求12所述的方法,其中所述统计模型是贝叶斯统计模型。
14.根据权利要求12所述的方法,其中所述一个或多个采样的第一运动特性包括相对于所述样本运动数据的由特定附加用户执行的活动的类型的指示。
15.根据权利要求12所述的方法,其中所述一个或多个采样的第一运动特性包括相对于所述样本运动数据的特定附加用户的活动水平的指示。
16.根据权利要求12所述的方法,其中所述一个或多个采样的第一运动特性包括相对于所述样本运动数据的特定附加用户的行走速度的指示。
17.根据权利要求1所述的方法,其中所述方法由所述移动设备的协处理器执行,并且
其中所述协处理器被配置为接收从一个或多个运动传感器获取的运动数据,处理所述运动数据,并且将经处理的运动数据提供给所述移动设备的一个或多个处理器。
18.根据权利要求1所述的方法,其中所述移动设备包括所述运动传感器。
19.根据权利要求18所述的方法,其中当所述运动被所述运动传感器测量时,所述移动设备被穿戴在所述用户的手臂或手腕上。
20.根据权利要求18所述的方法,其中所述移动设备是可穿戴移动设备。
21.一种方法,包括:
由移动设备获取指示由加速度计在一时间段内测量的加速度的第一信号、以及指示由取向传感器在所述时间段内测量的取向的第二信号,其中所述加速度计和所述取向传感器物理地耦接到用户;
由所述移动设备确定指示在所述时间段期间所述用户经历的旋转量的旋转数据;
由所述移动设备基于所述旋转数据确定所述用户已经翻跌;并且
响应于确定所述用户已经翻跌,由所述移动设备生成指示所述用户已经翻跌的通知。
22.根据权利要求21所述的方法,其中所述旋转数据包括指示在所述时间段期间所述用户经历的旋转速率的第三信号。
23.根据权利要求22所述的方法,其中所述旋转数据指示在所述时间段期间所述用户在参考坐标系中的所述旋转的一个或多个旋转轴的指示。
24.根据权利要求23所述的方法,其中所述旋转数据包括在所述时间段期间所述用户的所述旋转的平均旋转轴的指示。
25.根据权利要求24所述的方法,其中确定所述用户已经翻跌包括:
确定在所述时间段期间所述用户的所述旋转的所述一个或多个旋转轴与在所述时间段期间所述用户的所述旋转的所述平均旋转轴之间的变化。
26.根据权利要求25所述的方法,其中确定所述用户已经翻跌包括:
确定所述变化小于第一阈值;并且
响应于确定所述变化小于所述第一阈值,基于所述第三信号来确定与在所述时间段期间所述用户的角位移对应的第四信号。
27.根据权利要求26所述的方法,其中确定所述第四信号包括相对于所述时间段对所述第三信号求积分。
28.根据权利要求26所述的方法,其中确定所述用户已经翻跌包括:
确定在所述时间段期间所述用户的所述角位移大于第二阈值;
确定在所述时间段期间所述用户的所述旋转的所述一个或多个旋转轴中的至少一个大于第三阈值;并且
响应于确定在所述时间段期间所述用户的经历的所述角位移大于所述第二阈值并且确定在所述时间段期间所述用户的所述旋转的所述一个或多个旋转轴中的至少一个大于所述第三阈值,确定所述用户已翻跌。
29.根据权利要求21所述的方法,其中生成所述通知包括在所述移动设备的显示设备或音频设备中的至少一者上呈现所述用户已经翻跌的指示。
30.根据权利要求21所述的方法,其中生成所述通知包括将数据传输至远离所述移动设备的通信设备,所述数据包括所述用户已经翻跌的指示。
31.根据权利要求21所述的方法,其中所述方法由所述移动设备的协处理器执行,并且
其中所述协处理器被配置为接收从一个或多个传感器获取的运动数据,处理所述运动数据,并且将经处理的运动数据提供给所述移动设备的一个或多个处理器。
32.一种方法,包括:
由移动设备获取运动数据,所述运动数据指示由一个或多个运动传感器在第一时间段内测量的运动,其中所述一个或多个运动传感器由用户穿戴;
由所述移动设备基于所述运动数据确定所述用户已经跌倒;
响应于确定所述用户已经跌倒,由所述移动设备生成指示所述用户已经跌倒的一个或多个通知。
33.根据权利要求32所述的方法,其中生成所述一个或多个通知包括:
向所述用户呈现指示所述用户已经跌倒的第一通知。
34.根据权利要求33所述的方法,其中所述第一通知包括视觉消息、音频消息或触觉消息中的至少一者。
35.根据权利要求33所述的方法,其中生成所述一个或多个通知包括:
由所述移动设备响应于所述第一通知从所述用户接收输入,所述输入指示所述用户对帮助的请求;
响应于接收到所述输入,向远离所述移动设备的通信设备传输指示对帮助的所述请求的第二通知。
36.根据权利要求35所述的方法,其中所述通信设备为紧急情况响应系统。
37.根据权利要求35所述的方法,其中所述第二通知指示所述移动设备的位置。
38.根据权利要求33所述的方法,其中生成所述一个或多个通知包括:
由所述移动设备确定在所述用户跌倒之后的第二时间段期间所述用户没有移动;
响应于确定在所述第二时间段期间所述用户没有移动,向远离所述移动设备的通信设备传输指示对帮助的请求的第二通知。
39.根据权利要求33所述的方法,其中生成所述一个或多个通知包括:
由所述移动设备确定在所述用户跌倒之后的第二时间段期间所述用户已经移动;
响应于确定在所述第二时间段期间所述用户已经移动,避免向远离所述移动设备的通信设备传输指示对帮助的请求的第二通知。
40.根据权利要求32所述的方法,其中所述一个或多个通知是根据状态机生成的。
41.根据权利要求32所述的方法,其中所述一个或多个运动传感器包括加速度计或陀螺仪中的至少一者。
42.根据权利要求32所述的方法,其中所述移动设备是可穿戴移动设备。
43.根据权利要求32所述的方法,其中确定所述用户已经跌倒包括基于所述运动数据来确定所述用户经历了撞击。
44.根据权利要求32所述的方法,其中确定所述用户已经跌倒包括确定在所述第一时间段期间所述用户的行为。
45.一种方法,包括:
由移动设备获取由多个传感器在一时间段内生成的样本数据,其中所述多个传感器由用户穿戴,并且
其中所述样本数据包括指示从所述多个传感器中的一个或多个运动传感器获取的所述用户的运动的运动数据、以及以下中的至少一者:
位置数据,所述位置数据指示从所述多个传感器中的一个或多个位置传感器获取的所述移动设备的位置,
海拔数据,所述海拔数据指示从所述多个传感器中的一个或多个海拔传感器获取的所述移动设备的海拔,或者
心率数据,所述心率数据指示从所述多个传感器中的一个或多个心率传感器获取的所述用户的心率,
由所述移动设备基于所述样本数据确定所述用户已经跌倒;并且
响应于确定所述用户已经跌倒,由所述移动设备生成指示所述用户已经跌倒的一个或多个通知。
46.根据权利要求45所述的方法,其中所述一个或多个运动传感器包括加速度计或陀螺仪中的至少一者。
47.根据权利要求46所述的方法,其中获取所述运动数据包括:
在所述时间段期间的第一时间间隔期间使用所述加速度计来获取加速度数据,其中所述陀螺仪在所述第一时间间隔期间被禁用;
基于在所述第一时间间隔期间获取的所述加速度计数据来确定在所述第一时间间隔期间用户的移动超过阈值水平,并且
响应于确定在所述第一时间间隔期间所述用户的所述移动超过所述阈值水平,在所述第一时间间隔之后的第二时间间隔期间,使用所述加速度计来获取加速度数据以及使用所述陀螺仪来获取陀螺仪数据。
48.根据权利要求45所述的方法,其中所述一个或多个海拔传感器包括高度计或气压计中的至少一者。
49.根据权利要求45所述的方法,其中所述一个或多个位置传感器包括无线收发器或全球导航卫星系统接收器中的至少一者。
50.根据权利要求45所述的方法,其中确定所述用户已经跌倒包括:
基于所述运动数据来确定在所述时间段期间所述移动设备的取向的变化,以及
基于取向的所述变化来确定所述用户已经跌倒。
51.根据权利要求45所述的方法,其中确定所述用户已经跌倒包括:
基于所述运动数据来确定在所述时间段期间所述用户经历的撞击,以及
基于所述撞击来确定所述用户已经跌倒。
52.根据权利要求45所述的方法,其中确定所述用户已经跌倒包括:
基于所述海拔数据来确定在所述时间段期间所述移动设备的海拔的变化,以及
基于海拔的所述变化来确定所述用户已经跌倒。
53.根据权利要求45所述的方法,其中确定所述用户已经跌倒包括:
基于所述心率数据来确定在所述时间段期间所述用户的心率的变化,以及
基于心率的所述变化来确定所述用户已经跌倒。
54.根据权利要求53所述的方法,其中确定在所述时间段期间所述用户的心率的所述变化包括确定在所述时间段期间所述用户的所述心率的衰减速率。
55.根据权利要求45所述的方法,其中确定所述用户已经跌倒包括:
基于所述位置数据来确定所述移动设备的所述位置处的环境状况,以及
基于所述环境状况来确定所述用户已经跌倒。
56.根据权利要求55所述的方法,其中所述环境状况为天气。
57.根据权利要求45所述的方法,其中所述移动设备基于所述运动数据、所述位置数据、所述海拔数据和所述心率数据来确定所述用户已经跌倒。
58.根据权利要求45所述的方法,其中所述移动设备是可穿戴移动设备。
59.根据权利要求45所述的方法,其中生成所述一个或多个通知包括将通知传输至远离所述移动设备的通信设备。
60.根据权利要求59所述的方法,其中所述通信设备为紧急情况响应系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311212007.5A CN117116003A (zh) | 2017-09-29 | 2018-09-25 | 使用移动设备检测跌倒 |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762565988P | 2017-09-29 | 2017-09-29 | |
US62/565,988 | 2017-09-29 | ||
US16/128,464 US10629048B2 (en) | 2017-09-29 | 2018-09-11 | Detecting falls using a mobile device |
US16/128,464 | 2018-09-11 | ||
PCT/US2018/052603 WO2019067424A1 (en) | 2017-09-29 | 2018-09-25 | DETECTION OF FALLS USING A MOBILE DEVICE |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311212007.5A Division CN117116003A (zh) | 2017-09-29 | 2018-09-25 | 使用移动设备检测跌倒 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111132603A true CN111132603A (zh) | 2020-05-08 |
CN111132603B CN111132603B (zh) | 2023-10-10 |
Family
ID=65896748
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880056141.1A Active CN111132603B (zh) | 2017-09-29 | 2018-09-25 | 使用移动设备检测跌倒 |
CN202311212007.5A Pending CN117116003A (zh) | 2017-09-29 | 2018-09-25 | 使用移动设备检测跌倒 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311212007.5A Pending CN117116003A (zh) | 2017-09-29 | 2018-09-25 | 使用移动设备检测跌倒 |
Country Status (6)
Country | Link |
---|---|
US (4) | US10629048B2 (zh) |
EP (4) | EP3777662A1 (zh) |
JP (2) | JP6990763B2 (zh) |
KR (2) | KR20220104264A (zh) |
CN (2) | CN111132603B (zh) |
WO (1) | WO2019067424A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936421A (zh) * | 2020-07-14 | 2022-01-14 | 苹果公司 | 使用移动设备检测跌倒 |
CN113936420A (zh) * | 2020-07-14 | 2022-01-14 | 苹果公司 | 使用移动设备检测跌倒 |
US11527140B2 (en) | 2017-09-29 | 2022-12-13 | Apple Inc. | Detecting falls using a mobile device |
US11842615B2 (en) | 2017-09-29 | 2023-12-12 | Apple Inc. | Detecting falls using a mobile device |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10485452B2 (en) * | 2015-02-25 | 2019-11-26 | Leonardo Y. Orellano | Fall detection systems and methods |
CN113367671A (zh) | 2015-08-31 | 2021-09-10 | 梅西莫股份有限公司 | 无线式病人监护系统和方法 |
US11282363B2 (en) | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
US11282361B2 (en) | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
US11282362B2 (en) | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
US11035873B2 (en) * | 2018-04-10 | 2021-06-15 | Blackberry Limited | Method and system for moving status detection for a sensor apparatus |
US11571142B2 (en) * | 2018-07-18 | 2023-02-07 | American International Group, Inc. | Fall detection and identification by using data from human condition safety tags |
US11669770B2 (en) * | 2018-11-28 | 2023-06-06 | Stmicroelectronics S.R.L. | Activity recognition method with automatic training based on inertial sensors |
US11751813B2 (en) | 2019-03-11 | 2023-09-12 | Celloscope Ltd. | System, method and computer program product for detecting a mobile phone user's risky medical condition |
US20200365266A1 (en) * | 2019-03-13 | 2020-11-19 | Duke University | Systems and methods for providing posture feedback and health data based on motion data, position data, and biometric data of a subject |
WO2020206155A1 (en) * | 2019-04-03 | 2020-10-08 | Starkey Laboratories, Inc. | Monitoring system and method of using same |
WO2020236091A2 (en) * | 2019-05-17 | 2020-11-26 | National Science And Technology Development Agency | Method for detecting falls by using relative barometric pressure signals |
CN112235464B (zh) | 2019-06-28 | 2022-05-31 | 华为技术有限公司 | 一种基于跌倒检测的呼救方法及电子设备 |
EP3955815A4 (en) | 2019-08-02 | 2022-08-17 | Samsung Electronics Co., Ltd. | METHOD AND DEVICE FOR DETECTING A FALL ACCIDENT BY USING A LOW POWER CONDITION SENSOR |
WO2021032556A1 (en) * | 2019-08-20 | 2021-02-25 | Koninklijke Philips N.V. | System and method of detecting falls of a subject using a wearable sensor |
US11717186B2 (en) | 2019-08-27 | 2023-08-08 | Medtronic, Inc. | Body stability measurement |
CN112447023A (zh) * | 2019-08-29 | 2021-03-05 | 奇酷互联网络科技(深圳)有限公司 | 异常状况的提醒方法、装置以及存储装置 |
KR20210059411A (ko) * | 2019-11-15 | 2021-05-25 | 한국전자기술연구원 | 하이브리드 기반 이상 행위 인지 시스템 및 그 방법 |
JP7406370B2 (ja) | 2019-12-27 | 2023-12-27 | セコム株式会社 | 転倒検知端末及びプログラム |
KR20210136722A (ko) * | 2020-05-08 | 2021-11-17 | 삼성전자주식회사 | 전자 장치의 낙상 이벤트 타입 판단 방법 및 그 전자 장치 |
US11602313B2 (en) | 2020-07-28 | 2023-03-14 | Medtronic, Inc. | Determining a fall risk responsive to detecting body position movements |
KR20220016715A (ko) * | 2020-08-03 | 2022-02-10 | 삼성전자주식회사 | 위험 정보를 감지하는 전자 장치 및 방법 |
WO2022053377A1 (en) * | 2020-09-08 | 2022-03-17 | Koninklijke Philips N.V. | Methods and systems for accurate nocturnal movement classification |
CN112233374B (zh) * | 2020-09-21 | 2022-06-21 | 中国科学院深圳先进技术研究院 | 一种跌倒检测方法、系统、终端以及存储介质 |
US11068328B1 (en) * | 2020-10-12 | 2021-07-20 | Dell Products L.P. | Controlling operation of microservices utilizing association rules determined from microservices runtime call pattern data |
US11961419B2 (en) | 2021-06-02 | 2024-04-16 | International Business Machines Corporation | Event detection and prediction |
CN113280814B (zh) * | 2021-06-11 | 2023-04-25 | 山东京博控股集团有限公司 | 一种园区作业人员的安全监测方法及设备 |
GB2608449A (en) * | 2021-07-02 | 2023-01-04 | Epowar Ltd | Personal safety device and method |
AU2022373528A1 (en) * | 2021-10-24 | 2024-05-09 | Logicmark, Inc. | System and method for fall detection using multiple sensors, including barometric or atmospheric pressure sensors |
WO2023129254A1 (en) * | 2021-12-30 | 2023-07-06 | Google Llc | Fall risk assessment for a user |
CN114469076B (zh) * | 2022-01-24 | 2024-04-19 | 南京邮电大学 | 一种融合身份特征的独居老人跌倒识别方法及系统 |
FR3137828A1 (fr) * | 2022-07-15 | 2024-01-19 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procédé et dispositif de détection de chute par capture inertielle |
CN115024717B (zh) * | 2022-08-09 | 2022-10-25 | 广东百年医疗健康科技发展有限公司 | 一种跌倒检测方法、装置、设备及存储介质 |
GB2622020A (en) * | 2022-08-30 | 2024-03-06 | Carewhere Ltd | Body mounted tracker |
JP7340297B1 (ja) * | 2022-11-29 | 2023-09-07 | ロステーカ株式会社 | 情報処理端末装置および情報処理システム |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080001735A1 (en) * | 2006-06-30 | 2008-01-03 | Bao Tran | Mesh network personal emergency response appliance |
US20120101411A1 (en) * | 2009-06-24 | 2012-04-26 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Automated near-fall detector |
US8206325B1 (en) * | 2007-10-12 | 2012-06-26 | Biosensics, L.L.C. | Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection |
US20130054180A1 (en) * | 2011-08-29 | 2013-02-28 | James R. Barfield | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets |
US8909497B1 (en) * | 2010-04-06 | 2014-12-09 | Keynetik, Inc. | System and method for fall detection |
US20140375461A1 (en) * | 2008-06-27 | 2014-12-25 | Neal T. RICHARDSON | Autonomous Fall Monitor |
US20150269824A1 (en) * | 2014-03-18 | 2015-09-24 | Jack Ke Zhang | Techniques for emergency detection and emergency alert messaging |
CN105530865A (zh) * | 2013-09-11 | 2016-04-27 | 皇家飞利浦有限公司 | 跌倒检测系统和方法 |
US20160113551A1 (en) * | 2013-06-06 | 2016-04-28 | Koninklijke Philips N.V. | Fall detection system and method |
US20160260311A1 (en) * | 2015-03-05 | 2016-09-08 | Shintaro Asano | Fall detector and alert system |
CN106037749A (zh) * | 2016-05-18 | 2016-10-26 | 武汉大学 | 一种基于智能手机和可穿戴式设备的老年人跌倒监测方法 |
US20170200359A1 (en) * | 2016-01-12 | 2017-07-13 | Shea C. GREGG | System for detecting falls and discriminating the severity of falls |
Family Cites Families (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US1014729A (en) | 1908-03-02 | 1912-01-16 | John Strother Thurman | Vacuum-controller for pneumatic cleaning apparatus. |
US1022620A (en) | 1910-11-14 | 1912-04-09 | Erick Lundquist | Radiator. |
US1069201A (en) | 1912-04-17 | 1913-08-05 | Edward M Stephens | Fusible link. |
US7970466B2 (en) | 2003-10-07 | 2011-06-28 | Medtronic, Inc. | Method and apparatus for optimization and assessment of response to extra-systolic stimulation (ESS) therapy |
US8217795B2 (en) | 2006-12-05 | 2012-07-10 | John Carlton-Foss | Method and system for fall detection |
US9295412B2 (en) | 2007-08-15 | 2016-03-29 | Integrity Tracking, Llc | Wearable health monitoring device and methods for step detection |
US9149108B2 (en) * | 2011-02-24 | 2015-10-06 | SureTint Technologies, LLC | System and method for batch sizing hair dye mixtures |
AU2009247584A1 (en) * | 2008-05-13 | 2009-11-19 | Koninklijke Philips Electronics N.V. | Fall detection system |
US8773269B2 (en) | 2008-06-27 | 2014-07-08 | Neal T. RICHARDSON | Autonomous fall monitor |
AU2009305056B2 (en) | 2008-10-16 | 2015-10-22 | Koninklijke Philips Electronics N.V. | Fall detection system |
KR101320545B1 (ko) | 2009-12-21 | 2013-10-28 | 한국전자통신연구원 | 맥파측정 및 낙상감지 장치 및 방법 |
US20130143519A1 (en) * | 2010-07-29 | 2013-06-06 | J&M I.P. Holding Company, Llc | Fall-Responsive Emergency Device, System, and Method |
CA3177719A1 (en) | 2011-04-04 | 2012-10-04 | Alarm.Com Incorporated | Fall detection and reporting technology |
US9427177B2 (en) | 2011-04-11 | 2016-08-30 | Fidelity Investment Corporation | Fall detection methods and devices |
WO2012146957A1 (en) | 2011-04-29 | 2012-11-01 | Koninklijke Philips Electronics N.V. | An apparatus for use in a fall detector or fall detection system, and a method of operating the same |
US9342108B2 (en) | 2011-09-16 | 2016-05-17 | Apple Inc. | Protecting an electronic device |
US8614630B2 (en) * | 2011-11-14 | 2013-12-24 | Vital Connect, Inc. | Fall detection using sensor fusion |
CN103593944B (zh) | 2012-08-16 | 2016-01-27 | 天行动力科技有限公司 | 意外监测及报警系统 |
CN102903207B (zh) | 2012-10-31 | 2014-12-17 | 陈志平 | 基于加速度检测的呼叫报警方法、系统及呼叫报警设备 |
JP2016512777A (ja) | 2013-03-22 | 2016-05-09 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 転倒を検出する方法及び転倒検出器 |
JP6266112B2 (ja) | 2013-08-26 | 2018-01-24 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 転倒検出方法及び転倒検出システム |
WO2015087164A1 (en) | 2013-12-10 | 2015-06-18 | 4Iiii Innovations Inc. | Signature based monitoring systems and methods |
US9818282B2 (en) * | 2014-09-12 | 2017-11-14 | Plantronics, Inc. | Wearable sends message on fall when worn |
WO2016070128A1 (en) | 2014-10-31 | 2016-05-06 | Irhythm Technologies, Inc. | Wireless physiological monitoring device and systems |
CN104504855B (zh) | 2015-01-13 | 2017-11-24 | 广东乐源数字技术有限公司 | 一种智能腰带及智能跌倒应急预警系统 |
US10485452B2 (en) | 2015-02-25 | 2019-11-26 | Leonardo Y. Orellano | Fall detection systems and methods |
JP6563662B2 (ja) | 2015-03-19 | 2019-08-21 | セコム株式会社 | 転倒検知端末およびプログラム |
JP6464002B2 (ja) * | 2015-03-19 | 2019-02-06 | セコム株式会社 | 転倒検知端末およびプログラム |
CN113367671A (zh) * | 2015-08-31 | 2021-09-10 | 梅西莫股份有限公司 | 无线式病人监护系统和方法 |
US9959733B2 (en) * | 2015-09-01 | 2018-05-01 | Cassia Network Inc. | Devices, systems, and methods for detecting falls |
US9922524B2 (en) * | 2015-10-30 | 2018-03-20 | Blue Willow Systems, Inc. | Methods for detecting and handling fall and perimeter breach events for residents of an assisted living facility |
US9640057B1 (en) * | 2015-11-23 | 2017-05-02 | MedHab, LLC | Personal fall detection system and method |
CN105448040A (zh) | 2015-12-23 | 2016-03-30 | 深圳市嘉兰图设计股份有限公司 | 具有预报警功能的跌倒报警系统 |
US10692011B2 (en) | 2016-01-21 | 2020-06-23 | Verily Life Sciences Llc | Adaptive model-based system to automatically quantify fall risk |
CN105769205A (zh) | 2016-02-23 | 2016-07-20 | 中国科学院深圳先进技术研究院 | 一种身体信息检测设备及跌倒检测系统 |
US10226204B2 (en) * | 2016-06-17 | 2019-03-12 | Philips North America Llc | Method for detecting and responding to falls by residents within a facility |
TWM537280U (zh) | 2016-07-06 | 2017-02-21 | Idesyn Semiconductor Corp | 分析跌倒嚴重程度的跌倒偵測系統及其穿戴式裝置 |
US10506990B2 (en) * | 2016-09-09 | 2019-12-17 | Qualcomm Incorporated | Devices and methods for fall detection based on phase segmentation |
CN106530611A (zh) | 2016-09-28 | 2017-03-22 | 北京奇虎科技有限公司 | 终端及检测人体跌倒的方法和装置 |
US20180247713A1 (en) | 2017-02-28 | 2018-08-30 | Steven I Rothman | Intelligent Wearable Sensors for Adaptive Health Score Analytics |
CN107123239A (zh) | 2017-05-10 | 2017-09-01 | 杭州伯仲信息科技有限公司 | 一种智能鞋跌倒检测系统及方法 |
US11527140B2 (en) | 2017-09-29 | 2022-12-13 | Apple Inc. | Detecting falls using a mobile device |
US11282362B2 (en) | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
US11282363B2 (en) | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
US10629048B2 (en) | 2017-09-29 | 2020-04-21 | Apple Inc. | Detecting falls using a mobile device |
US20190099114A1 (en) | 2017-09-29 | 2019-04-04 | Sensogram Technologies, Inc. | Fall sensing and medical alert systems |
WO2019063576A1 (en) | 2017-09-29 | 2019-04-04 | Koninklijke Philips N.V. | FALL DETECTOR BRACELET BASED ON AN ARM DIRECTION |
US11282361B2 (en) | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
US10827951B2 (en) | 2018-04-19 | 2020-11-10 | Careview Communications, Inc. | Fall detection using sensors in a smart monitoring safety system |
CN111383420A (zh) | 2018-12-29 | 2020-07-07 | 深圳市华赢飞沃科技有限公司 | 一种跌倒检测方法及设备 |
US11179064B2 (en) | 2018-12-30 | 2021-11-23 | Altum View Systems Inc. | Method and system for privacy-preserving fall detection |
WO2022256716A2 (en) | 2021-06-04 | 2022-12-08 | Apple Inc. | Walking steadiness and fall risk assessment |
-
2018
- 2018-09-11 US US16/128,464 patent/US10629048B2/en active Active
- 2018-09-25 WO PCT/US2018/052603 patent/WO2019067424A1/en unknown
- 2018-09-25 KR KR1020227023249A patent/KR20220104264A/ko not_active Application Discontinuation
- 2018-09-25 KR KR1020207005623A patent/KR102419586B1/ko active IP Right Grant
- 2018-09-25 CN CN201880056141.1A patent/CN111132603B/zh active Active
- 2018-09-25 EP EP20196748.6A patent/EP3777662A1/en active Pending
- 2018-09-25 CN CN202311212007.5A patent/CN117116003A/zh active Pending
- 2018-09-25 JP JP2020509022A patent/JP6990763B2/ja active Active
- 2018-09-25 EP EP20196702.3A patent/EP3788952A1/en active Pending
- 2018-09-25 EP EP18799885.1A patent/EP3658010A1/en active Pending
- 2018-09-25 EP EP20196760.1A patent/EP3777663A1/en active Pending
-
2020
- 2020-04-17 US US16/852,370 patent/US11276290B2/en active Active
-
2021
- 2021-10-12 US US17/499,770 patent/US11842615B2/en active Active
- 2021-12-06 JP JP2021197513A patent/JP7261284B2/ja active Active
-
2023
- 2023-12-11 US US18/536,041 patent/US20240127683A1/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080001735A1 (en) * | 2006-06-30 | 2008-01-03 | Bao Tran | Mesh network personal emergency response appliance |
US8206325B1 (en) * | 2007-10-12 | 2012-06-26 | Biosensics, L.L.C. | Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection |
US20140375461A1 (en) * | 2008-06-27 | 2014-12-25 | Neal T. RICHARDSON | Autonomous Fall Monitor |
US20120101411A1 (en) * | 2009-06-24 | 2012-04-26 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Automated near-fall detector |
US8909497B1 (en) * | 2010-04-06 | 2014-12-09 | Keynetik, Inc. | System and method for fall detection |
US20130054180A1 (en) * | 2011-08-29 | 2013-02-28 | James R. Barfield | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets |
US20160113551A1 (en) * | 2013-06-06 | 2016-04-28 | Koninklijke Philips N.V. | Fall detection system and method |
CN105530865A (zh) * | 2013-09-11 | 2016-04-27 | 皇家飞利浦有限公司 | 跌倒检测系统和方法 |
US20150269824A1 (en) * | 2014-03-18 | 2015-09-24 | Jack Ke Zhang | Techniques for emergency detection and emergency alert messaging |
US20160260311A1 (en) * | 2015-03-05 | 2016-09-08 | Shintaro Asano | Fall detector and alert system |
US20170200359A1 (en) * | 2016-01-12 | 2017-07-13 | Shea C. GREGG | System for detecting falls and discriminating the severity of falls |
CN106037749A (zh) * | 2016-05-18 | 2016-10-26 | 武汉大学 | 一种基于智能手机和可穿戴式设备的老年人跌倒监测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11527140B2 (en) | 2017-09-29 | 2022-12-13 | Apple Inc. | Detecting falls using a mobile device |
US11842615B2 (en) | 2017-09-29 | 2023-12-12 | Apple Inc. | Detecting falls using a mobile device |
CN113936421A (zh) * | 2020-07-14 | 2022-01-14 | 苹果公司 | 使用移动设备检测跌倒 |
CN113936420A (zh) * | 2020-07-14 | 2022-01-14 | 苹果公司 | 使用移动设备检测跌倒 |
CN113936420B (zh) * | 2020-07-14 | 2023-06-16 | 苹果公司 | 使用移动设备检测跌倒 |
Also Published As
Publication number | Publication date |
---|---|
CN117116003A (zh) | 2023-11-24 |
KR20200033934A (ko) | 2020-03-30 |
US20220036714A1 (en) | 2022-02-03 |
US11842615B2 (en) | 2023-12-12 |
US11276290B2 (en) | 2022-03-15 |
WO2019067424A1 (en) | 2019-04-04 |
KR20220104264A (ko) | 2022-07-26 |
EP3777663A1 (en) | 2021-02-17 |
US20240127683A1 (en) | 2024-04-18 |
JP2020531110A (ja) | 2020-11-05 |
JP2022037048A (ja) | 2022-03-08 |
EP3658010A1 (en) | 2020-06-03 |
JP7261284B2 (ja) | 2023-04-19 |
US20190103007A1 (en) | 2019-04-04 |
KR102419586B1 (ko) | 2022-07-12 |
EP3777662A1 (en) | 2021-02-17 |
CN111132603B (zh) | 2023-10-10 |
JP6990763B2 (ja) | 2022-01-12 |
EP3788952A1 (en) | 2021-03-10 |
US20200250954A1 (en) | 2020-08-06 |
US10629048B2 (en) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132603B (zh) | 使用移动设备检测跌倒 | |
US11527140B2 (en) | Detecting falls using a mobile device | |
US11282362B2 (en) | Detecting falls using a mobile device | |
US11282361B2 (en) | Detecting falls using a mobile device | |
US11282363B2 (en) | Detecting falls using a mobile device | |
Shahzad et al. | FallDroid: An automated smart-phone-based fall detection system using multiple kernel learning | |
JP6923319B2 (ja) | 転倒検出システム、方法及びコンピュータプログラム | |
US9411780B1 (en) | Employing device sensor data to determine user characteristics | |
RU2584459C2 (ru) | Жестовое управление для отслеживания показателей жизнедеятельности | |
Mezghani et al. | Context aware adaptable approach for fall detection bases on smart textile | |
Fahmi et al. | Semi-supervised fall detection algorithm using fall indicators in smartphone | |
US20210393166A1 (en) | Monitoring user health using gait analysis | |
Madansingh et al. | Smartphone based fall detection system | |
CN113936420B (zh) | 使用移动设备检测跌倒 | |
CN112438721A (zh) | 状态判断方法、电子设备以及计算机存储介质 | |
Guiry et al. | Orientation independent human mobility monitoring with an android smartphone | |
CN113936421A (zh) | 使用移动设备检测跌倒 | |
CN113936422A (zh) | 使用移动设备检测跌倒 | |
Weng et al. | Fall detection based on tilt angle and acceleration variations | |
US20230084356A1 (en) | Context Aware Fall Detection Using a Mobile Device | |
Wang et al. | A wearable action recognition system based on acceleration and attitude angles using real-time detection algorithm | |
PN et al. | Semi-supervised fall detection algorithm using fall indicators in smartphone |
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 |