CN111839527A - 一种跌倒检测方法、设备及计算机可读存储介质 - Google Patents
一种跌倒检测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111839527A CN111839527A CN202010761909.4A CN202010761909A CN111839527A CN 111839527 A CN111839527 A CN 111839527A CN 202010761909 A CN202010761909 A CN 202010761909A CN 111839527 A CN111839527 A CN 111839527A
- Authority
- CN
- China
- Prior art keywords
- sensor data
- horizontal
- sensor
- attitude angle
- acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 230000001133 acceleration Effects 0.000 claims abstract description 143
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000005484 gravity Effects 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 208000018883 loss of balance Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- 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
- A61B5/68—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种跌倒检测方法、设备及计算机可读存储介质。其中,该方法包括:实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;然后,将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;再然后,计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;最后,若所述水平姿态角大于第二预设阈值,则生成跌倒事件。实现了一种人性化的跌倒检测方案,提高了跌倒检测的准确性和可靠性,降低了检测成本,优化了检测逻辑,增强了用户体验。
Description
技术领域
本发明涉及电子技术领域,尤其涉及一种跌倒检测方法、设备及计算机可读存储介质。
背景技术
现有技术中,随着老龄化增长,老年人群体在日常生活中最大的意外伤害和困扰来源于跌倒,且跌倒在老年人群中变得越来越普遍,对于跌倒的预防、跌倒的检测与及时报警以及跌倒的防护成了近年来越来越受关注。
众所周知,跌倒是由于身体失去平衡所造成的,在跌倒的一瞬间,人体受重力的作用,产生一个与重力方向相同的加速度分量,人体的位置、姿态等相关量都会发生相应的变化。
目前,现有的跌倒检测方案有两种技术取向,一是,通过随身的电子设备,例如,手机、手环或手表等内置的重力传感器检测相应的传感器数据,从而进行阈值判断和跌倒判定,其利用现有设备的传感器实现防跌倒的功能扩展,检测方式单一,准确性和可靠性不佳;二是,通过佩戴特殊的防跌倒检测设备进行跌倒检测,这一类检测方案繁重复杂、成本高昂,不便于携带,常常不能准确对跌倒进行判断,也容易出现误判的情况,例如,在用户坐下或躺下休息时,采集信息不能进行有效的处理而发生误判,影响用户的体验感。
因此,现有技术中还没有一种可准确、有效地监测人体跌倒的技术方案。
发明内容
为了解决现有技术中的上述技术缺陷,本发明提出了一种跌倒检测方法,该方法包括:
实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;
将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;
计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;
若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
可选地,所述实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴之前,包括:
实时采集加速度传感器的初始数据;
采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
可选地,所述实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴,包括:
在初始的佩戴过程中,实时检测所述第一传感器数据;
在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
可选地,所述将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据,包括:
确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;
根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;
根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。
可选地,所述计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角,包括:
确定与所述第一预设阈值对应的第一检测时间;
实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;
若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
一种跌倒检测设备,该设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现:
实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;
将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;
计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;
若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
可选地,所述计算机程序被所述处理器执行时实现:
实时采集加速度传感器的初始数据;
采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
可选地,所述计算机程序被所述处理器执行时实现:
在初始的佩戴过程中,实时检测所述第一传感器数据;
在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
可选地,所述计算机程序被所述处理器执行时实现:
确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;
根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;
根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系;
确定与所述第一预设阈值对应的第一检测时间;
实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;
若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
本发明还提出了一种计算机可读存储介质,该计算机可读存储介质上存储有跌倒检测程序,所述跌倒检测程序被处理器执行时实现如上任一项所述的跌倒检测方法的步骤。
本发明的有益效果在于,通过实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;然后,将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;再然后,计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;最后,若所述水平姿态角大于第二预设阈值,则生成跌倒事件。实现了一种人性化的跌倒检测方案,提高了跌倒检测的准确性和可靠性,降低了检测成本,优化了检测逻辑,增强了用户体验。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明跌倒检测方法第一实施例的流程图;
图2是本发明跌倒检测方法第二实施例的流程图;
图3是本发明跌倒检测方法第三实施例的流程图;
图4是本发明跌倒检测方法第四实施例的流程图;
图5是本发明跌倒检测方法第五实施例的流程图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例一
本实施例提出了一种跌倒检测方法,该方法包括:
S1、实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;
S2、将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;
S3、计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;
S4、若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
在本实施例中,首先,实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴。其中,通过随身佩戴的检测设备实时获取上述第一传感器数据,检测设备可以是具备三轴加速度传感器的电子设备,或者是包含三轴加速度传感器且与其它监护设备电性连接的传感模块。在本实施例中,通过三轴加速度传感器实时获取数据信息,并经处理后得到第一传感器数据,然后,对该第一传感器数据进行数据解析和判断,从而确定与重力方向相同的方向轴,作为本实施例的活动轴,同时,确定与重力方向垂直的两个轴,作为本实施例的水平轴,其中,两个水平轴在同一平面内垂直相交。在本实施例中,确定上述活动轴和水平轴之后,将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据,其中,由于检测设备或者三轴传感器的佩戴姿态与被检测对象的人体姿态并不完全一致,因为,为了提高被检测对象跌倒检测的准确性,在本实施例中,将与传感器相关的传感器数据由传感器坐标系转换至人体坐标系,从而得到与人体姿态相关的传感器数据,也即,人体姿态中的活动轴和所述水平轴对应的传感器数据。在本实施例中,得到与人体姿态相关的传感器数据之后,计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则再根据所述水平轴对应的第二传感器数据计算水平姿态角,若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
本实施例的有益效果在于,通过实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;然后,将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;再然后,计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;最后,若所述水平姿态角大于第二预设阈值,则生成跌倒事件。实现了一种人性化的跌倒检测方案,提高了跌倒检测的准确性和可靠性,降低了检测成本,优化了检测逻辑,增强了用户体验。
实施例二
基于上述实施例,所述实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴之前,包括:
S01、实时采集加速度传感器的初始数据;
S02、采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
在本实施例中,首先,实时采集加速度传感器的初始数据;然后,采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
具体的,在本实施例中,考虑到三轴加速度传感器对感应信号较为敏感,实际测量的加速度数据中包含大量噪声,而这些噪声会对跌倒事件的检测带来干扰,为了更好地分辨不同场景下的人体行为,需要对加速度数据进行降噪处理。在本实施例中,采用滑动窗方法对实时采集加速度传感器的初始数据进行降噪处理,也即,对实时采集加速度传感器的初始数据进行滑动平均处理,经处理后的初始数据的高频噪声会明显减小,同时也可以降低异常值得干扰,更有利于人体姿态或者人体行为的检测。具体方式如下:
可选地,根据不同的跌倒检测环境参数确定相适配的滑动窗宽度;
可选地,根据不同的三轴传感器检测精度确定相适配的滑动窗宽度。
本实施例的有益效果在于,通过实时采集加速度传感器的初始数据;然后,采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。使得后续用于检测人体姿态的传感器数据更为准确,降低了噪声干扰,提高了跌倒检测的准确性、可靠性以及一致性。
实施例三
基于上述实施例,所述实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴,包括:
S11、在初始的佩戴过程中,实时检测所述第一传感器数据;
S12、在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
在本实施例中,首先,在初始的佩戴过程中,实时检测所述第一传感器数据;然后,在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
具体的,在本实施例中,由于本实施例的检测设备在实际的佩戴场景下,可能采用不同的佩戴方式,例如,通过背夹、腰夹、腕夹等方式佩戴于用户的各个身体部位。因此,由于检测设备在佩戴过程中的随机性,对于后续跌倒事件的检测带来困难。为了方便后续的姿态或行为的检测,需要对佩戴后加速度传感器的坐标进行调整转换。
在对上述坐标进行转换之前,首先,需判定三轴加速度传感器的轴向情况。也即,在佩戴过程中实时采集的加速度传感器信息,作为第一传感器数据,通过解析第一传感器数据,从而判断三轴加速度传感器的轴向情况。具体方式如下:
首先,在解析的开始阶段,首先将三轴加速度传感器实时采集的人体运动加速度信息分别记作ax、ay、az;
最后,定义加速度传感器中轴向和人体站立状态下身体方向最为接近的轴向,也即和重力加速度方向接近的轴向为活动轴。
在本实施例中,实时检测加速度传感器输出的加速度信息,输出加速度最大的轴向即为活动轴,也即在连续检测的一段时间内均满足输出最大,则判定该轴向为活动轴,从而完成轴向状态的检测。
本实施例的有益效果在于,通过在初始的佩戴过程中,实时检测所述第一传感器数据;然后,在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。从而对传感器数据做出进一步解析和计算,确定了活动轴和水平轴,为后续的坐标转换和跌倒判定提供了准确的数据基础。
实施例四
基于上述实施例,所述将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据,包括:
S21、确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;
S22、根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;
S23、根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。
在本实施例中,首先,确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;然后,根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;最后,根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。
在本实施例中,根据上述实施例得到的轴向状态检测结果,计算三轴加速度传感器坐标系和人体坐标系的转换矩阵。
也即,得到绕x、y、z轴向的旋转矩阵分别如下:
其中,θx、θy、θz分别为绕x、y、z轴向旋转的角度,顺时针为正,逆时针为负。
在本实施例中,采用如下方式得到转换矩阵:
首先,根据轴向检测结果确定活动轴和水平轴;然后,利用水平轴加速度信息计算水平姿态角。同样的,例如,检测状态显示活动轴为z轴,即加速度传感器的z轴和重力加速度方向平行,那么,水平轴向为x轴和y;同理,当活动轴为x轴时,水平轴向为y和z。
最后,确定水平轴向后,可根据以下方法进行水平姿态角计算。如上例所述,活动轴为z轴,水平轴为x轴和y轴,此时,需要检测的水平校准姿态角信息为θx和θy。具体的计算方式如下:
以此类推,可以计算出不同活动轴情况下最终的校正旋转矩阵。
在本实施例中,根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。也即,将经降噪处理的后的传感器数据由传感器坐标系转换至人体坐标系。
本实施例的有益效果在于,通过确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;然后,根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;最后,根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。实现了传感器数据由传感器坐标系向人体坐标系的转换,使得跌倒检测的前置条件更为准确,且贴合实际的应用场景,同时,使得后续的跌倒检测结果更准确、可靠。
实施例五
基于上述实施例,所述计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角,包括:
S31、确定与所述第一预设阈值对应的第一检测时间;
S32、实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;
S33、若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
在本实施例中,首先,确定与所述第一预设阈值对应的第一检测时间;然后,实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;最后,若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
在本实施例中,当传感器数据由传感器坐标系向人体坐标系转换后,再进行跌倒检测的前置条件判定,具体如下:
然后,判断三轴和加速度是否满足第一预设阀值athreshold的要求。
若Accnorm>athreshold,则生成跌倒事件并上报;否则,表明无跌倒事件发生。
可选地,在本实施例中,在通过上述第一预设阀值判定是否生成跌倒时间的基础上,为了进一步提高跌倒检测的准确性和可靠性,在本实施例中,如果加速度矢量和满足设定的阀值,那么再结合三轴加速度传感器轴向状态,对水平姿态角变化进行监测,判断水平姿态角是否满足第二预设阈值的要求,若满足,则生成并上报跌倒事件。
可选地,在本实施例中,对水平姿态角变化进行监测和判定。如上例所述,在实际的应用场景下,当被测对象的人体发生跌倒行为时,人体的加速度发生很大变化,且身体的姿态也会随之发生变化,因此,如果人体姿态角的变化不能满足设定的阀值,则结合和加速度信息的判断,即可判定是否生成跌倒事件。如上例所述,若检测的活动轴为Z轴,那么水平姿态角可通过下式进行计算:
其中,若θx>θthreshold或θy>θthreshold,且Accnorm>athreshold,则判定发生跌倒事件。
本实施例的有益效果在于,通过确定与所述第一预设阈值对应的第一检测时间;然后,实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;最后,若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。实现了一种人性化的跌倒检测方案,提高了跌倒检测的准确性和可靠性,降低了检测成本,优化了检测逻辑,增强了用户体验。
实施例六
基于上述实施例,本发明还提出了一种跌倒检测设备,该设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现:
实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;
将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;
计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;
若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
在本实施例中,首先,实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴。其中,通过随身佩戴的检测设备实时获取上述第一传感器数据,检测设备可以是具备三轴加速度传感器的电子设备,或者是包含三轴加速度传感器且与其它监护设备电性连接的传感模块。在本实施例中,通过三轴加速度传感器实时获取数据信息,并经处理后得到第一传感器数据,然后,对该第一传感器数据进行数据解析和判断,从而确定与重力方向相同的方向轴,作为本实施例的活动轴,同时,确定与重力方向垂直的两个轴,作为本实施例的水平轴,其中,两个水平轴在同一平面内垂直相交。在本实施例中,确定上述活动轴和水平轴之后,将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据,其中,由于检测设备或者三轴传感器的佩戴姿态与被检测对象的人体姿态并不完全一致,因为,为了提高被检测对象跌倒检测的准确性,在本实施例中,将与传感器相关的传感器数据由传感器坐标系转换至人体坐标系,从而得到与人体姿态相关的传感器数据,也即,人体姿态中的活动轴和所述水平轴对应的传感器数据。在本实施例中,得到与人体姿态相关的传感器数据之后,计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则再根据所述水平轴对应的第二传感器数据计算水平姿态角,若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
本实施例的有益效果在于,通过实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;然后,将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;再然后,计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;最后,若所述水平姿态角大于第二预设阈值,则生成跌倒事件。实现了一种人性化的跌倒检测方案,提高了跌倒检测的准确性和可靠性,降低了检测成本,优化了检测逻辑,增强了用户体验。
实施例七
基于上述实施例,所述计算机程序被所述处理器执行时实现:
实时采集加速度传感器的初始数据;
采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
在本实施例中,首先,实时采集加速度传感器的初始数据;然后,采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
具体的,在本实施例中,考虑到三轴加速度传感器对感应信号较为敏感,实际测量的加速度数据中包含大量噪声,而这些噪声会对跌倒事件的检测带来干扰,为了更好地分辨不同场景下的人体行为,需要对加速度数据进行降噪处理。在本实施例中,采用滑动窗方法对实时采集加速度传感器的初始数据进行降噪处理,也即,对实时采集加速度传感器的初始数据进行滑动平均处理,经处理后的初始数据的高频噪声会明显减小,同时也可以降低异常值得干扰,更有利于人体姿态或者人体行为的检测。具体方式如下:
可选地,根据不同的跌倒检测环境参数确定相适配的滑动窗宽度;
可选地,根据不同的三轴传感器检测精度确定相适配的滑动窗宽度。
本实施例的有益效果在于,通过实时采集加速度传感器的初始数据;然后,采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。使得后续用于检测人体姿态的传感器数据更为准确,降低了噪声干扰,提高了跌倒检测的准确性、可靠性以及一致性。
实施例八
基于上述实施例,所述计算机程序被所述处理器执行时实现:
在初始的佩戴过程中,实时检测所述第一传感器数据;
在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
在本实施例中,首先,在初始的佩戴过程中,实时检测所述第一传感器数据;然后,在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
具体的,在本实施例中,由于本实施例的检测设备在实际的佩戴场景下,可能采用不同的佩戴方式,例如,通过背夹、腰夹、腕夹等方式佩戴于用户的各个身体部位。因此,由于检测设备在佩戴过程中的随机性,对于后续跌倒事件的检测带来困难。为了方便后续的姿态或行为的检测,需要对佩戴后加速度传感器的坐标进行调整转换。
在对上述坐标进行转换之前,首先,需判定三轴加速度传感器的轴向情况。也即,在佩戴过程中实时采集的加速度传感器信息,作为第一传感器数据,通过解析第一传感器数据,从而判断三轴加速度传感器的轴向情况。具体方式如下:
首先,在解析的开始阶段,首先将三轴加速度传感器实时采集的人体运动加速度信息分别记作ax、ay、az;
最后,定义加速度传感器中轴向和人体站立状态下身体方向最为接近的轴向,也即和重力加速度方向接近的轴向为活动轴。
在本实施例中,实时检测加速度传感器输出的加速度信息,输出加速度最大的轴向即为活动轴,也即在连续检测的一段时间内均满足输出最大,则判定该轴向为活动轴,从而完成轴向状态的检测。
本实施例的有益效果在于,通过在初始的佩戴过程中,实时检测所述第一传感器数据;然后,在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。从而对传感器数据做出进一步解析和计算,确定了活动轴和水平轴,为后续的坐标转换和跌倒判定提供了准确的数据基础。
实施例九
基于上述实施例,所述计算机程序被所述处理器执行时实现:
确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;
根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;
根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系;
确定与所述第一预设阈值对应的第一检测时间;
实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;
若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
在本实施例中,首先,确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;然后,根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;最后,根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。
在本实施例中,根据上述实施例得到的轴向状态检测结果,计算三轴加速度传感器坐标系和人体坐标系的转换矩阵。
也即,得到绕x、y、z轴向的旋转矩阵分别如下:
其中,θx、θy、θz分别为绕x、y、z轴向旋转的角度,顺时针为正,逆时针为负。
在本实施例中,采用如下方式得到转换矩阵:
首先,根据轴向检测结果确定活动轴和水平轴;然后,利用水平轴加速度信息计算水平姿态角。同样的,例如,检测状态显示活动轴为z轴,即加速度传感器的z轴和重力加速度方向平行,那么,水平轴向为x轴和y;同理,当活动轴为x轴时,水平轴向为y和z。
最后,确定水平轴向后,可根据以下方法进行水平姿态角计算。如上例所述,活动轴为z轴,水平轴为x轴和y轴,此时,需要检测的水平校准姿态角信息为θx和θy。具体的计算方式如下:
以此类推,可以计算出不同活动轴情况下最终的校正旋转矩阵。
在本实施例中,根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。也即,将经降噪处理的后的传感器数据由传感器坐标系转换至人体坐标系。
在本实施例中,根据所述水平轴对应的第二传感器数据计算水平姿态角之后,确定与所述第一预设阈值对应的第一检测时间;然后,实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;最后,若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
在本实施例中,当传感器数据由传感器坐标系向人体坐标系转换后,再进行跌倒检测的前置条件判定,具体如下:
然后,判断三轴和加速度是否满足第一预设阀值athreshold的要求。
若Accnorm>athreshold,则生成跌倒事件并上报;否则,表明无跌倒事件发生。
可选地,在本实施例中,在通过上述第一预设阀值判定是否生成跌倒时间的基础上,为了进一步提高跌倒检测的准确性和可靠性,在本实施例中,如果加速度矢量和满足设定的阀值,那么再结合三轴加速度传感器轴向状态,对水平姿态角变化进行监测,判断水平姿态角是否满足第二预设阈值的要求,若满足,则生成并上报跌倒事件。
可选地,在本实施例中,对水平姿态角变化进行监测和判定。如上例所述,在实际的应用场景下,当被测对象的人体发生跌倒行为时,人体的加速度发生很大变化,且身体的姿态也会随之发生变化,因此,如果人体姿态角的变化不能满足设定的阀值,则结合和加速度信息的判断,即可判定是否生成跌倒事件。如上例所述,若检测的活动轴为Z轴,那么水平姿态角可通过下式进行计算:
其中,若θx>θthreshold或θy>θthreshold,且Accnorm>athreshold,则判定发生跌倒事件。
本实施例的有益效果在于,通过确定与所述第一预设阈值对应的第一检测时间;然后,实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;最后,若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。实现了一种人性化的跌倒检测方案,提高了跌倒检测的准确性和可靠性,降低了检测成本,优化了检测逻辑,增强了用户体验。
实施例十
本发明还提出了一种计算机可读存储介质,该计算机可读存储介质上存储有跌倒检测程序,所述跌倒检测程序被处理器执行时实现如上任一项所述的跌倒检测方法的步骤。
需要说明的是,上述介质实施例与方法实施例属于同一构思,其具体实现过程详细见方法实施例,且方法实施例中的技术特征在设备实施例中均对应适用,这里不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种跌倒检测方法,其特征在于,所述方法包括:
实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;
将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;
计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;
若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
2.根据权利要求1所述的跌倒检测方法,其特征在于,所述实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴之前,包括:
实时采集加速度传感器的初始数据;
采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
3.根据权利要求2所述的跌倒检测方法,其特征在于,所述实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴,包括:
在初始的佩戴过程中,实时检测所述第一传感器数据;
在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
4.根据权利要求3所述的跌倒检测方法,其特征在于,所述将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据,包括:
确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;
根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;
根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系。
5.根据权利要求4所述的跌倒检测方法,其特征在于,所述计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角,包括:
确定与所述第一预设阈值对应的第一检测时间;
实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;
若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
6.一种跌倒检测设备,其特征在于,所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现:
实时获取第一传感器数据,并根据所述第一传感器数据确定与重力方向相平行的活动轴,以及与所述重力方向相垂直的水平轴;
将所述第一传感器数据由传感器坐标系转换至人体坐标系,得到所述活动轴和所述水平轴对应的第二传感器数据;
计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,则根据所述水平轴对应的第二传感器数据计算水平姿态角;
若所述水平姿态角大于第二预设阈值,则生成跌倒事件。
7.根据权利要求6所述的跌倒检测设备,其特征在于,所述计算机程序被所述处理器执行时实现:
实时采集加速度传感器的初始数据;
采用预设的滑动窗对所述初始数据进行滑动平均处理,得到所述传感器坐标系下的第一传感器数据。
8.根据权利要求7所述的跌倒检测设备,其特征在于,所述计算机程序被所述处理器执行时实现:
在初始的佩戴过程中,实时检测所述第一传感器数据;
在所述第一传感器数据中,确定加速度输出值最大的轴向为所述活动轴,确定与所述活动轴垂直的轴向为所述水平轴。
9.根据权利要求8所述的跌倒检测设备,其特征在于,所述计算机程序被所述处理器执行时实现:
确定所述水平轴的水平校准姿态角、以及所述活动轴的垂直校准姿态角;
根据所述水平校准姿态角、以及所述垂直校准姿态角得到所述活动轴和所述水平轴的校正旋转矩阵;
根据所述校正旋转矩阵将所述第一传感器数据由传感器坐标系转换至人体坐标系;
确定与所述第一预设阈值对应的第一检测时间;
实时计算所述第二传感器数据的加速度矢量和,若所述加速度矢量和大于第一预设阈值,且持续时间长于所述第一检测时间,则生成所述跌倒事件;
若所述持续时间短于所述第一检测时间,则根据所述水平轴对应的第二传感器数据计算水平姿态角。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有跌倒检测程序,所述跌倒检测程序被处理器执行时实现如权利要求1至5中任一项所述的跌倒检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761909.4A CN111839527A (zh) | 2020-07-31 | 2020-07-31 | 一种跌倒检测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761909.4A CN111839527A (zh) | 2020-07-31 | 2020-07-31 | 一种跌倒检测方法、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111839527A true CN111839527A (zh) | 2020-10-30 |
Family
ID=72953949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010761909.4A Pending CN111839527A (zh) | 2020-07-31 | 2020-07-31 | 一种跌倒检测方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111839527A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115024717A (zh) * | 2022-08-09 | 2022-09-09 | 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 |
CN116074434A (zh) * | 2021-10-29 | 2023-05-05 | 深圳市万普拉斯科技有限公司 | 终端跌落检测方法、终端及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982653A (zh) * | 2012-11-07 | 2013-03-20 | 中南大学 | 基于加速度和高度信息的人体跌倒监测方法及装置 |
CN103337132A (zh) * | 2013-06-08 | 2013-10-02 | 山东师范大学 | 基于三轴加速度传感器的人体跌倒检测方法 |
CN103598888A (zh) * | 2013-10-16 | 2014-02-26 | 东北大学 | 一种穿戴式人体运动状态数据监测系统及方法 |
CN104504855A (zh) * | 2015-01-13 | 2015-04-08 | 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 |
CN105528859A (zh) * | 2016-01-29 | 2016-04-27 | 江阴中科今朝科技有限公司 | 基于人体跌倒检测技术的养老智能报警系统 |
CN106228751A (zh) * | 2016-08-26 | 2016-12-14 | 陈雷 | 基于安卓平台mems/磁传感器/gps的跌倒智能报警系统与方法 |
CN107432739A (zh) * | 2017-09-20 | 2017-12-05 | 武汉纺织大学 | 一种用于健康监控的智能服装系统 |
CN107569234A (zh) * | 2017-09-06 | 2018-01-12 | 南京邮电大学 | 一种基于腕带式设备的跌倒检测算法 |
CN108245172A (zh) * | 2018-01-10 | 2018-07-06 | 山东大学 | 一种不受位置约束的人体姿态识别方法 |
CN108447225A (zh) * | 2018-02-07 | 2018-08-24 | 广东中科慈航信息科技有限公司 | 一种人体跌倒检测方法及装置 |
CN110775181A (zh) * | 2019-10-23 | 2020-02-11 | 上海钧正网络科技有限公司 | 车辆安全状态监测方法、装置、计算机设备及存储介质 |
CN110888449A (zh) * | 2019-10-31 | 2020-03-17 | 高新兴物联科技有限公司 | 车辆姿态控制方法、设备和存储介质 |
-
2020
- 2020-07-31 CN CN202010761909.4A patent/CN111839527A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982653A (zh) * | 2012-11-07 | 2013-03-20 | 中南大学 | 基于加速度和高度信息的人体跌倒监测方法及装置 |
CN103337132A (zh) * | 2013-06-08 | 2013-10-02 | 山东师范大学 | 基于三轴加速度传感器的人体跌倒检测方法 |
CN103598888A (zh) * | 2013-10-16 | 2014-02-26 | 东北大学 | 一种穿戴式人体运动状态数据监测系统及方法 |
CN104504855A (zh) * | 2015-01-13 | 2015-04-08 | 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 |
CN105528859A (zh) * | 2016-01-29 | 2016-04-27 | 江阴中科今朝科技有限公司 | 基于人体跌倒检测技术的养老智能报警系统 |
CN106228751A (zh) * | 2016-08-26 | 2016-12-14 | 陈雷 | 基于安卓平台mems/磁传感器/gps的跌倒智能报警系统与方法 |
CN107569234A (zh) * | 2017-09-06 | 2018-01-12 | 南京邮电大学 | 一种基于腕带式设备的跌倒检测算法 |
CN107432739A (zh) * | 2017-09-20 | 2017-12-05 | 武汉纺织大学 | 一种用于健康监控的智能服装系统 |
CN108245172A (zh) * | 2018-01-10 | 2018-07-06 | 山东大学 | 一种不受位置约束的人体姿态识别方法 |
CN108447225A (zh) * | 2018-02-07 | 2018-08-24 | 广东中科慈航信息科技有限公司 | 一种人体跌倒检测方法及装置 |
CN110775181A (zh) * | 2019-10-23 | 2020-02-11 | 上海钧正网络科技有限公司 | 车辆安全状态监测方法、装置、计算机设备及存储介质 |
CN110888449A (zh) * | 2019-10-31 | 2020-03-17 | 高新兴物联科技有限公司 | 车辆姿态控制方法、设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074434A (zh) * | 2021-10-29 | 2023-05-05 | 深圳市万普拉斯科技有限公司 | 终端跌落检测方法、终端及存储介质 |
CN115024717A (zh) * | 2022-08-09 | 2022-09-09 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4992043B2 (ja) | 行動識別装置、行動識別システムおよび行動識別方法 | |
CN111839527A (zh) | 一种跌倒检测方法、设备及计算机可读存储介质 | |
CN107580268B (zh) | 一种头部姿态检测方法、装置和耳机 | |
US20140288875A1 (en) | Methods and architecture for determining activity and activity types from sensed motion signals | |
EP2038661A1 (en) | A sensor for sensing accelerations | |
CA2907411A1 (en) | Feature extraction and classification to determine one or more activities from sensed motion signals | |
CN112528957A (zh) | 人体运动基础信息检测方法、系统及电子设备 | |
CN113553893A (zh) | 基于深度神经网络的人体跌倒检测方法、装置和电子设备 | |
CN117593792A (zh) | 一种基于视频帧的异常姿态检测方法和装置 | |
CN107145706B (zh) | 虚拟现实vr设备融合算法性能参数的评估方法及装置 | |
US20180058848A1 (en) | Electronic device, detecting method, and non-transitory computer-readable recording medium | |
CN111241983B (zh) | 一种姿势检测方法、装置、系统、电子设备及存储介质 | |
CN112766023A (zh) | 目标对象的姿态确定方法、装置、介质及设备 | |
CN114587346B (zh) | 一种基于imu的人体下肢运动监测方法及系统 | |
CN115752543A (zh) | 一种方向盘离手检测功能标定方法及电子设备 | |
JP2004054442A (ja) | 顔検出装置、顔検出方法および顔検出プログラム | |
CN114234970A (zh) | 一种运动载体姿态实时测量方法、装置 | |
CN110448876B (zh) | 投篮检测方法、装置、设备、系统和存储介质 | |
CN112907895A (zh) | 船舶人员跌倒感知方法、装置、系统、介质及电子设备 | |
KR101725773B1 (ko) | 스마트폰 환경에서 가속도 벡터의 성분과 방향센서를 이용한 넘어지는 방향측정 장치 및 방법 | |
EP3654346A1 (en) | Determining a transformation matrix | |
US11917356B2 (en) | Apparatus and method for identifying head gestures | |
EP3605287A1 (en) | An apparatus, method and computer program for adjusting output signals | |
CN111002292A (zh) | 基于相似性度量的机械臂仿人运动示教方法 | |
CN113654715B (zh) | 水压传感器的温度补偿方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |