CN111887859A - 跌倒行为识别方法、装置、电子设备以及介质 - Google Patents
跌倒行为识别方法、装置、电子设备以及介质 Download PDFInfo
- Publication number
- CN111887859A CN111887859A CN202010777421.0A CN202010777421A CN111887859A CN 111887859 A CN111887859 A CN 111887859A CN 202010777421 A CN202010777421 A CN 202010777421A CN 111887859 A CN111887859 A CN 111887859A
- Authority
- CN
- China
- Prior art keywords
- user
- fall
- environment
- factor
- 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.)
- Withdrawn
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Social Psychology (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Psychology (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Emergency Management (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提出一种跌倒行为识别方法、装置、电子设备以及介质,其中,方法包括:通过获取环境因子和用户因子,采用传感器采集用户行为数据,进而,根据环境因子和用户因子预测跌倒风险信息,以根据跌倒风险信息和用户行为数据识别跌倒行为。由此,基于环境因子和用户因子对跌倒风险进行预测,并进一步对疑似跌倒行为进行确认,提高了用户跌倒行为检测的准确率,从而解决了现有技术中的跌倒检测方法检测跌倒行为时存在准确率低、误警率高的技术问题。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种跌倒行为识别方法、装置、电子设备以及介质。
背景技术
跌倒是指突发的、不自主的、非故意的体位改变,倒在地上或更低的平面上。2006年全国疾病监测系统死因监测数据显示,我国65岁以上老年人跌倒死亡率男性为49.56/10万,女性为52.80/10万。跌倒是我国伤害死亡的第四位原因,在65岁以上老年人中则是首位。因此,及时监测跌倒的发生,以便快速提供救助,避免因跌倒引起的次生伤害发生。
现有的跌倒检测技术主要采用基于加速度和陀螺仪等传感器监测系统,但是,该跌倒检测技术,存在准确率低,误警率高的技术问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请第一方面实施例提出了一种跌倒行为识别方法,包括:
获取环境因子和用户因子;其中,所述环境因子包括天气、气温、时间或地理环境类型中的至少一个;所述用户因子包括年龄、性别、参与的活动或用户习惯的动作模式中的至少一个;
采用传感器采集用户行为数据;
根据所述环境因子和所述用户因子预测跌倒风险信息;
根据所述跌倒风险信息和所述用户行为数据识别跌倒行为。
作为本申请实施例的第一种可能的实现方式,所述根据所述环境因子和所述用户因子预测跌倒风险信息,包括:
将所述用户因子和所述环境因子输入经过训练的风险评估模型,以得到所述风险评估模型输出的风险程度,其中,所述风险评估模型已学习得到所述用户因子和所述环境因子,与所述风险程度之间的映射关系;
根据所述风险评估模型输出的风险程度,生成所述跌倒风险信息。
作为本申请实施例的第二种可能的实现方式,所述根据所述跌倒风险信息和所述用户行为数据识别跌倒行为,包括:
对所述用户行为数据进行时域和/或频域特征提取,得到数据特征;
将所述数据特征和所述跌倒风险信息输入第一分类模型,以根据所述第一分类模型的输出,确定是否存在跌倒行为,其中,所述第一分类模型已学习得到所述数据特征和所述跌倒风险信息,与所述跌倒行为之间的映射关系。
作为本申请实施例的第三种可能的实现方式,所述将所述数据特征和所述跌倒风险信息输入第一分类模型之前,还包括:
根据所述环境因子和所述用户因子,确定疑似跌倒判定规则;其中,所述疑似跌倒判定规则设定有所述用户行为数据的最大值、最小值、最大值时刻、最小值时刻、疑似跌倒起始时刻、疑似跌倒结束时刻、疑似跌倒起始时刻的用户行为数据或疑似跌倒结束时刻的用户行为数据中的至少一个;
若所述数据特征与所述疑似跌倒判定规则匹配,则执行将所述数据特征和所述风险程度输入第一分类模型的步骤。
作为本申请实施例的第四种可能的实现方式,所述用户因子中的所述动作模式,表征用户的动作速度和/或动作幅度,其中,获取用户因子,包括:
对所述用户行为数据进行时域和/或频域特征提取,得到数据特征;
将所述数据特征输入第二分类模型,以得到所述第二分类模型输出的动作模式,其中,所述第二分类模型已学习得到所述数据特征与所述动作模式之间的映射关系。
作为本申请实施例的第五种可能的实现方式,所述将所述数据特征输入第二分类模型,以得到所述第二分类模型输出的动作模式之后,还包括:
显示所述动作模式,以获取用于对所述动作模式进行纠正的纠正模式;
采用所述纠正模式对所述数据特征进行标注,以得到训练样本;
采用所述训练样本对所述第二分类模型进行训练。
作为本申请实施例的第六种可能的实现方式,所述环境因子中的地理环境类型,表征用户处于室外平坦环境、室外非平坦环境、室内非居家环境或室内居家环境,其中,所述获取环境因子,包括:
定位得到地理位置;
查询所述地理位置是否为设定住所位置;
若为所述设定住所位置,则识别所述地理环境类型为室内居家环境;
若不为所述设定住所位置,则根据所述地理位置和光照度,识别是否为室内;
若不为室内,则根据所述监测数据监测到的活动轨迹,确定所述地理环境类型为所述室外平坦环境或室外非平坦环境;
若为室内,则确定所述地理环境为室内非居家环境。
本申请实施例的跌倒行为识别方法,通过获取环境因子和用户因子,采用传感器采集用户行为数据,进而,根据环境因子和用户因子预测跌倒风险信息,进而根据跌倒风险信息和用户行为数据识别跌倒行为。由此,基于环境因子和用户因子对跌倒风险进行预测,并进一步对疑似跌倒行为进行确认,提高了用户跌倒行为检测的准确率,从而解决了现有技术中的跌倒检测方法检测跌倒行为时存在检测准确率低、误警率高的技术问题。
本申请第二方面实施例提出了一种跌倒行为识别装置,包括:
获取模块,用于获取环境因子和用户因子;其中,所述环境因子包括天气、气温、时间或地理环境类型中的至少一个;所述用户因子包括年龄、性别、参与的活动或用户习惯的动作模式中的至少一个;
采集模块,用于采用传感器采集用户行为数据;
预测模块,用于根据所述环境因子和所述用户因子预测跌倒风险信息;
识别模块,用于根据所述跌倒风险信息和所述用户行为数据识别跌倒行为。
本申请实施例的跌倒行为识别装置,通过获取环境因子和用户因子,采用传感器采集用户行为数据,进而,根据环境因子和用户因子预测跌倒风险信息,进而根据跌倒风险信息和用户行为数据识别跌倒行为。由此,基于环境因子和用户因子对跌倒风险进行预测,并进一步对疑似跌倒行为进行确认,提高了用户跌倒行为检测的准确率,从而解决了现有技术中的跌倒检测方法检测跌倒行为时存在准确率低、误警率高的技术问题。
本申请第三方面实施例提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如第一方面实施例所述的跌倒行为识别方法。
本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的跌倒行为识别方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的一种跌倒行为识别方法的流程示意图;
图2为本申请实施例提供的一种用于识别存在跌倒行为的子方法的流程示意图;
图3为本申请实施例提供的一种用于获取用户因子的子方法的流程示意图;
图4为本申请实施例提供的一种跌倒行为识别装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的跌倒行为识别方法、装置、电子设备以及介质。
图1为本申请实施例提供的一种跌倒行为识别方法的流程示意图。
本申请实施例以该跌倒行为识别方法被配置于跌倒行为识别装置中来举例说明,该跌倒行为识别装置可以应用于任一电子设备中,以使该电子设备可以执行跌倒行为识别功能。
其中,电子设备可以为云端设备、移动设备、可穿戴设备等,可穿戴设备例如可以为智能手表、智能手环、头盔、眼镜等硬件设备。
如图1所示,该跌倒行为识别方法包括以下步骤:
步骤101,获取环境因子和用户因子。
可以理解的是,用户所处地区的气温过高或过低会影响用户心理生理状况,雨、雪、大风等恶劣天气也会导致跌倒风险增加。因此,用户的跌倒行为与用户年龄、时间、气温、天气、地点和活动等因子存在关联。
其中,环境因子,可以包括天气、气温、时间或地理环境类型中的至少一个。用户因子,可以包括用户年龄、性别、日常参与的活动或用户习惯的动作模式中的至少一个。
本申请实施例中,用户佩戴的电子设备联网后,可以实时获取到天气、气温等环境因子。例如,在电子设备联网后,可以实时地获取到用户所处环境的天气、气温、湿度等环境因子。
本申请实施例中,环境因子可以包括地理环境类型,地理环境类型可以表征用户处于室外平坦环境、室外非平坦环境、室内非居家环境或室内居家环境。可以通过全球定位系统(Global Positioning System,简称GPS)定位得到佩戴该电子设备的用户所处的地理位置。进一步地,查询该地理位置是否为用户设定住所位置,若该地理位置为设定住所位置,则可以识别得到地理环境类型为室内居家环境。若该地理位置不为设定住所位置,则根据地理位置和光照度,识别该地理位置是否为室内。可选地,可以通过设置在电子设备的光线传感器检测电子设备所处的周围环境的光照度,进而根据地理位置和光照度,识别用户是否为室内。
在一种可能的情况下,若定位得到的地理位置不为设定住所位置,并且光照度符合室外特性,则可以确定用户所处地理环境不为室内。进一步的,可以根据监测数据监测到的活动轨迹,确定地理环境类型为室外平坦环境或室外非平坦环境。例如,假设监测数据监测到的活动轨迹为连续500米的直线,则可以确定地理环境类型为室外平坦环境。假设监测数据监测到的活动轨迹为连续500米的曲线,则可以确定地理环境类型为室外非平坦环境。
作为一种示例,可以通过设置在电子设备的加速度传感器和陀螺仪监测得到的数据,进行步行者航位推算(Pedestrian Dead Reckoning,PDR),主要是在无信标环境下使用惯性测量单元(Inertial Measurement Unit,IMU)感知用户在行进过程中的加速度、角速度、磁力和压力等数据,并利用这些数据对行进中的用户进行步长与方向的推算,从而监测得到用户的活动轨迹。
在另一种可能的情况下,若定位得到的地理位置不为设定住所位置,但是光照度符合室内特性,则可以确定用户所处地理环境为室内非居家环境。例如,用户所处地理环境为室内公共场合,如商场、饭店等。
可选地,用户佩戴电子设备时,在登录用户认证信息后,可以将个人信息存储至电子设备,例如,可以将用户年龄、性别等用户因子记录在电子设备中,由于用户年龄、日常动作模式短时间内不会发生变化,因此可以从电子设备获取到部分用户因子。
需要解释的是,获取到的环境因子和用户因子包括但并不限于天气、气温、时间、地理环境类型、光照、用户年龄、性别、参与的活动、用户习惯的动作模式等等,也可以为其他形式的环境因子和用户因子,在此不做限定。此外,环境因子和用户因子的展现形式可以为离散的值,也可以是连续的概率值,在此不做限定。
步骤102,采用传感器采集用户行为数据。
其中,传感器,可以为设置在电子设备的加速度传感器和陀螺仪等器件。用户行为数据,可以为由于用户行为产生的加速度、角速度等数据。例如,可以通过设置在电子设备的加速度传感器测量得到电子设备的加速度信息,根据传感器敏感元件的不同,常见的加速度传感器包括电容式、电感式、应变式、压阻式、压电式等。
陀螺仪又称为角速度传感器,可以测量得到电子设备在偏转、倾斜时的转动角速度。在电子设备中,陀螺仪可以很好的测量转动、偏转的动作,从而可以精确地分析出佩戴电子设备的用户的实际动作。电子设备的陀螺仪信息(gyro信息)可以包括电子设备在三维空间中三个维度方向上的运动信息,三维空间的三个维度可以分别表示为X轴、Y轴、Z轴三个方向,其中,X轴、Y轴、Z轴为两两垂直关系。
本申请中,可以通过设置在电子设备的传感器实时或者周期性地采集数据,以得到电子设备的加速度和/或角速度等用户行为数据,以根据传感器采集得到的用户行为数据确定用户的活动类别。
需要说明的是,步骤101和步骤102并不限于上述顺序执行过程,还可以先执行步骤102,再执行步骤101,或者,同时执行步骤101和步骤102,在此不做限定。
步骤103,根据环境因子和用户因子预测跌倒风险信息。
其中,跌倒风险信息,可以包括高跌倒风险和低跌倒风险。例如,用户在平坦的马路上直线行走时存在低跌倒风险,用户在足球场上踢球时存在高跌倒风险,等等。
可以理解的是,环境因子和用户因子,可以反映出用户所处的环境信息和用户信息,如用户年龄、性别、天气、气温、用户所处地点、用户活动等信息,从而可以根据环境因子和用户因子预测用户在不同环境、时间空间下的跌倒风险,以及时提示用户,让用户提高警惕,提前做好预防措施,避免跌倒行为的发生。
作为一种可能的实现方式,在获取到环境因子和用户因子后,可以将环境因子和用户因子输入经过训练的风险评估模型,以得到风险评估模型输出的风险程度,进而根据风险评估模型的输出,生成跌倒风险信息。
需要说明的是,风险评估模型是经过训练后得到的,已经学习得到了用户因子和环境因子,与风险程度之间的映射关系。由此,将获取到的环境因子和用户因子输入经过训练的风险评估模型,可以根据风险评估模型输出的风险程度,生成跌倒风险信息。
在一种可能的情况下,将环境因子和用户因子输入经过训练的风险评估模型后,风险评估模型输出的风险程度大于阈值,则可以确定佩戴电子设备的用户存在高跌倒风险。其中,阈值,可以根据用户因子和环境因子预先设定的值,例如,阈值可以设定为60%。假设风险评估模型输出的风险程度为70%,则可以预测用户存在该跌倒风险。
例如,在气温较低的雨雪天气,年龄大的用户在户外时,跌倒风险会较高;天气炎热时,年龄大的用户在上午8:00至12:00的时间段内,在家中发生跌倒的风险也较高,等等。
在另一种可能的情况下,将环境因子和用户因子输入经过训练的风险评估模型后,风险评估模型输出的风险程度小于或等于阈值,则可以预测佩戴电子设备的用户存在低跌倒风险。
例如,假设预先设定的阈值为60%时,风险评估模型输出的风险程度为30%,则可以预测佩戴电子设备的用户存在低跌倒风险。
步骤104,根据跌倒风险信息和用户行为数据识别跌倒行为。
可以理解的是,根据环境因子和用户因子预测跌倒风险信息,是对跌倒行为的一种预测,会将可能存在跌倒的行为都预测出来。也就是说,在预测跌倒风险信息时可能会将不存在跌倒的行为预测为跌倒行为。因此,在预测存在跌倒风险后,需要根据跌倒风险信息和传感器采集得到的用户行为数据进一步对跌倒行为进行确认,进而检测跌倒行为的正确率,同时可以有效地降低误警率。
本申请实施例中,在根据环境因子和用户因子预测跌倒风险信息后,可以根据跌倒风险信息和传感器采集得到的用户行为数据识别跌倒行为。
作为一种可能的实现方式,可以对传感器采集得到的用户行为数据进行时域和/或频域特征提取,以得到数据特征,进而将数据特征和跌倒风险信息输入第一分类模型,以根据第一分类模型输出的跌倒概率,确定是否存在跌倒行为。
需要说明的是,由于第一分类模型已学习得到数据特征和跌倒风险信息,与跌倒概率之间的映射关系。因此,将数据特征和跌倒风险信息输入第一分类模型后,可以准确输出跌倒概率,以准确判断是否存在跌倒行为。
本申请实施例的跌倒行为识别方法,通过获取环境因子和用户因子,采用传感器采集用户行为数据,进而,根据环境因子和用户因子预测跌倒风险信息,以根据跌倒风险信息和用户行为数据识别跌倒行为。由此,基于环境因子和用户因子对跌倒风险进行预测,并进一步对疑似跌倒行为进行确认,提高了用户跌倒行为检测的准确率,从而解决了现有技术中的跌倒检测方法检测跌倒行为时存在准确率低、误警率高的技术问题。
在上述实施例中,根据跌倒风险信息和用户行为数据识别跌倒行为时,已经提及到了可以根据分类模型确定是否存在跌倒行为,为了清除说明这一实现方式,下面结合图2进行详细介绍,图2为本申请实施例提供的一种用于识别存在跌倒行为的子方法的流程示意图。
如图2所示,上述步骤104中,还可以包括以下步骤:
步骤201,对用户行为数据进行时域和/或频域特征提取,得到数据特征。
其中,数据特征,可以包括用户行为数据的时域特征和用户行为数据的频域特征。
作为一种可能的情况,在获取到传感器采集得到的用户行为数据后,可以对用户行为数据进行时域特征提取,以得到用户行为数据的时域特征。
其中,用户行为数据的时域特征,包括但不限于用户行为数据的最大值,最小值,均值,方差,均方根,一阶差分绝对值之和,二阶差分绝对值之和等等。
例如,采用设置在电子设备的加速度传感器和陀螺仪采集得到加速度和角速度数据后,可以对加速度和角速度数据进行时域特征提取,以得到加速度和角速度对应的时域特征。例如,可以提取得到加速度和角速度的最大值、最小值、方差,均方根,一阶差分绝对值之和,二阶差分绝对值之和等等。
下面以一段已经经过归一化的监测数据[x1,x2,x3,...,xn,xn+1,xn+2,...,x2n]为例详细介绍如何计算用户行为数据的时域特征。
其中,最大值xmax=max{x1,x2,x3,...,xn,xn+1,xn+2,...,x2n};
最小值xmax=min{x1,x2,x3,...,xn,xn+1,xn+2,...,x2n};
上述公式中,xn为监测数据,i、n均为正整数。
在另一种可能的情况下,在获取到传感器采集得到的用户行为数据后,可以对用户行为数据进行频域特征提取,以得到用户行为数据的频域特征。
例如,采用设置在电子设备的加速度传感器和陀螺仪采集得到加速度和角速度数据后,可以对加速度和角速度数据进行频域特征提取,以得到加速度和角速度对应的频域特征。
其中,用户行为数据的频域特征主要是指按时间窗口排列的傅里叶变换频谱图。按时间窗口排列的傅里叶变换频谱图是指,分别对前半段数据和后半段数据,进行傅里叶变换,然后将频谱进行拼接。
继续以用户行为数据[x1,x2,x3,...,xn,xn+1,xn+2,...,x2n]为例,详细介绍如何计算用户行为数据的频域特征。
F(x1,x2,x3,...,xn)=|FFT(x1,x2,x3,...,xn)|
F(xn+1,xn+2,xn+3,...,x2n)=|FFT(xn+1,xn+2,xn+3,...,x2n)|
用户行为数据的频域特征Fst=[F(x1,x2,x3,...,xn)F(xn+1,xn+2,xn+3,...,x2n)]
其中,F()表示对数据进行傅里叶变换,n为正整数
在又一种可能的情况下,在获取到传感器采集得到的用户行为数据后,可以对用户行为数据同时进行时域和频域特征提取,以得到用户行为数据的时域特征和频域特征。
例如,采用设置在电子设备的加速度传感器和陀螺仪采集得到加速度和角速度数据后,可以对加速度和角速度数据进行时域和频域特征提取,以得到加速度和角速度对应的时域和频域特征。
步骤202,根据环境因子和用户因子,确定疑似跌倒判定规则。
其中,疑似跌倒判定规则设定有用户行为数据的最大值、最小值、最大值时刻、最小值时刻、疑似跌倒起始时刻、疑似跌倒结束时刻、疑似跌倒起始时刻的用户行为数据或疑似跌倒结束时刻的用户行为数据中的至少一个。
本申请实施例中,在获取到配戴电子设备的用户对应的环境因子和用户因子后,可以根据环境因子和用户因子,确定适用于该用户的疑似跌倒判定规则。确定数据特征与疑似跌倒判定规则匹配,则执行步骤203中将数据特征和风险程度输入第一分类模型的步骤。
可以理解的是,在相同环境下,不同年龄段的用户存在的跌倒风险并不相同,不同环境下,相同年龄段的用户存在的跌倒风险也并不相同。如下雪天在相同路段行走时,老年人的跌倒风险比中年人高。因此,不同的判定规则对应的用户因子和环境因子值的权重不相同,可以根据环境因子和用户因子设定不同的判定规则,以根据获取到的不同用户对应的环境因子和用户因子,确定适用于该用户的疑似跌倒判定规则。
步骤203,将数据特征和跌倒风险信息输入第一分类模型,以根据第一分类模型的输出,确定是否存在跌倒行为。
本申请实施例中,第一分类模型是根据训练样本数据进行训练得到的,已经学习得到数据特征和跌倒风险信息与跌倒行为之间的映射关系。为了提高第一分类模型确定跌倒行为的准确性,可以将跌倒行为对应的数据和误警行为对应的数据均作为样本数据对第一分类模型进行训练。
对第一分类模型进行训练的样本数据还可以包括环境因子和用户因子,如时间、天气、气温、用户活动地点、地理环境类型、用户年龄、性别、日常行为活动、动作速度、动作幅度等等。
作为一种可能的实现方式,若数据特征与疑似跌倒判定规则匹配,则执行将数据特征和风险程度输入第一分类模型,以根据第一分类模型的输出,确定是否存在跌倒行为。例如,第一分类模型输出为1,则可以确定该用户存在跌倒行为。由于第一分类模型已学习得到数据特征和跌倒风险信息,与跌倒行为之间的映射关系,将对用户行为数据进行时域和/或频域特征提取得到的数据特征和跌倒风险信息输入第一分类模型后,可以根据第一分类模型的输出,准确的识别跌倒行为。
本申请实施例的跌倒行为识别方法,在传感器采集得到用户行为数据后,对用户行为数据进行时域和/或频域特征提取,得到数据特征,根据环境因子和用户因子,确定疑似跌倒判定规则,若数据特征与疑似跌倒判定规则匹配,则将数据特征和跌倒风险信息输入第一分类模型,以根据第一分类模型的输出,确定是否存在跌倒行为。由此,基于数据特征和跌倒风险信息,识别用户是否存在跌倒行为,以对跌倒风险信息中不存在跌倒风险的行为进行过滤,解决了现有技术中跌倒检测方法存在跌倒检测正确率低、误警率高的技术问题,从而降低了用户佩戴电子设备时在日常活动中的误警率。
在一种可能的情况下,获取到的用户因子中的动作模式可以表征用户的动作速度和/或动作幅度的动作模式,本实施例中,可以根据传感器采集得到的用户行为数据确定用户的动作模式,以根据用户的动作模式评估用户发生跌倒的风险。下面结合图3进行详细介绍,图3为本申请实施例提供的一种用于获取用户因子的子方法的流程示意图。
如图3所示,上述步骤101,还可以包括以下步骤:
步骤301,对用户行为数据进行时域和/或频域特征提取,得到数据特征。
本申请实施例中,步骤301的实现过程,可以参见上述实施例中步骤201的实现过程,在此不再赘述。
步骤302,将数据特征输入第二分类模型,以得到第二分类模型输出的动作模式。
其中,动作模式,可以表征用户的动作速度和/或动作幅度。例如,动作模式可以为动作迟缓、动作缓慢、动作平稳、动作迅速、动作剧烈等等。
本申请实施例中,在对传感器采集得到的用户行为数据进行时域和/或频域特征提取得到数据特征后,可以将数据特征输入第二分类模型,以根据第二分类模型的输出确定用户的动作模式。
需要说明的是,第二分类模型是根据大量的用户行为数据与其对应的动作模式训练得到的,已学习得到数据特征与动作模式之间的映射关系。因此,将数据特征输入第二分类模型,可以输出与该数据特征对应的动作模式。
在一种可能的情况下,为了使得第二分类模型能够更加准确的识别用户的动作模式,在将数据特征输入第二分类模型,以得到第二分类模型输出的动作模式之后,还可以采用训练样本对第二分类模型进行训练,以提高第二分类模型识别用户的动作模式的准确率。
可选地,将数据特征输入第二分类模型,以得到第二分类模型输出的动作模式之后,可以显示第二分类模型输出的动作模式。在一种可能的情况下,显示的动作模式与用户活动时的动作模式并不完全匹配,这时,可以获取用于对动作模式进行纠正的纠正模式,并采用纠正模式对数据特征进行标注,以得到训练样本。然后,采用训练样本对第二分类模型进行训练,以使得训练后的第二分类模型在输入数据特征后,能够准确的识别出对应的动作模式。
作为一种示例,假设将数据特征输入第二分类模型后,第二分类模型输出的动作模式为动作平稳,但是实际的用户动作为动作迟缓,则可以将动作迟缓作为纠正模式,采用纠正模式对数据特征进行标注,以得到训练样本。进而采用训练样本对第二分类模型进行训练,以使得再次将该数据特征输入第二分类模型后,第二分类模型能够准确识别出用户的动作模式为动作迟缓。
本申请实施例的跌倒行为识别方法,在传感器采集得到用户行为数据后,可以对用户行为数据进行时域和/或频域特征提取,得到数据特征,进而,将数据特征输入第二分类模型,以得到第二分类模型输出的动作模式。由此,基于对传感器采集的用户行为数据进行特征提取得到的数据特征,可以识别得到用户的动作模式,进而可以根据用户的动作模式评估用户发生跌倒的风险,以有利于提高识别用户跌倒行为的准确率。
为了实现上述实施例,本申请还提出一种跌倒行为识别装置。
图4为本申请实施例提供的一种跌倒行为识别装置的结构示意图。
如图4所示,该跌倒行为识别装置400,可以包括:获取模块410、采集模块420、预测模块430以及识别模块440。
其中,获取模块410,用于获取环境因子和用户因子;其中,环境因子包括天气、气温、时间或地理环境类型中的至少一个;用户因子包括年龄、性别、参与的活动或用户习惯的动作模式中的至少一个。
采集模块420,用于采用传感器采集用户行为数据。
预测模块430,用于根据环境因子和用户因子预测跌倒风险信息。
识别模块440,用于根据跌倒风险信息和用户行为数据识别跌倒行为。
作为一种可能的情况,预测模块430,可以包括:
输出单元,用于将用户因子和环境因子输入经过训练的风险评估模型,以得到风险评估模型输出的风险程度,其中,风险评估模型已学习得到用户因子和环境因子,与风险程度之间的映射关系;
第一确定单元,用于根据风险评估模型输出的风险程度,生成跌倒风险信息。
作为另一种可能的情况,识别模块440,可以包括:
提取单元,用于对用户行为数据进行时域和/或频域特征提取,得到数据特征;
第二确定单元,用于将数据特征和跌倒风险信息输入第一分类模型,以根据第一分类模型的输出,确定是否存在跌倒行为,其中,第一分类模型已学习得到数据特征和跌倒风险信息,与跌倒行为之间的映射关系。
作为另一种可能的情况,第二确定单元,还可以用于:
根据环境因子和用户因子,确定疑似跌倒判定规则;其中,所述疑似跌倒判定规则设定有所述用户行为数据的最大值、最小值、最大值时刻、最小值时刻、疑似跌倒起始时刻、疑似跌倒结束时刻、疑似跌倒起始时刻的用户行为数据或疑似跌倒结束时刻的用户行为数据中的至少一个;
若数据特征与疑似跌倒判定规则匹配,则执行将数据特征和风险程度输入第一分类模型的步骤。
作为另一种可能的情况,用户因子中的动作模式可以用于表征动作速度和/或动作幅度,获取模块410,还可以用于:
对用户行为数据进行时域和/或频域特征提取,得到数据特征;
将数据特征输入第二分类模型,以得到第二分类模型输出的动作模式,其中,第二分类模型已学习得到数据特征与动作模式之间的映射关系。
作为另一种可能的情况,获取模块410,还可以用于:
显示动作模式,以获取用于对动作模式进行纠正的纠正模式;
采用纠正模式对数据特征进行标注,以得到训练样本;
采用训练样本对第二分类模型进行训练。
作为另一种可能的情况,环境因子中的地理环境类型,可以表征用户处于室外平坦环境、室外非平坦环境、室内非居家环境或室内居家环境,获取模块410,还可以用于:
定位得到地理位置;
查询地理位置是否为设定住所位置;
若为设定住所位置,则识别地理环境类型为室内居家环境;
若不为设定住所位置,则根据地理位置和光照度,识别是否为室内;
若不为室内,则根据监测数据监测到的活动轨迹,确定地理环境类型为室外平坦环境或室外非平坦环境;
若为室内,则确定地理环境为室内非居家环境。
需要说明的是,前述对跌倒行为识别方法实施例的解释说明也适用于该实施例的跌倒行为识别装置,此处不再赘述。
本申请实施例的跌倒行为识别装置,通过获取环境因子和用户因子,采用传感器采集用户行为数据,进而,根据环境因子和用户因子预测跌倒风险信息,进而根据跌倒风险信息和用户行为数据识别跌倒行为。由此,基于环境因子和用户因子对跌倒风险进行预测,再对疑似跌倒行为进行确认,解决了现有技术中的跌倒检测方法检测跌倒行为时存在正确率低、误警率高的技术问题,不仅提高了跌倒行为检测的准确率,还降低了日常活动中的误警率。
为了实现上述实施例,本申请还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述实施例所述的跌倒行为识别方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所述的跌倒行为识别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种跌倒行为识别方法,其特征在于,包括:
获取环境因子和用户因子;其中,所述环境因子包括天气、气温、时间或地理环境类型中的至少一个;所述用户因子包括年龄、性别、参与的活动或用户习惯的动作模式中的至少一个;
采用传感器采集用户行为数据;
根据所述环境因子和所述用户因子预测跌倒风险信息;
根据所述跌倒风险信息和所述用户行为数据识别跌倒行为。
2.根据权利要求1所述的跌倒行为识别方法,其特征在于,所述根据所述环境因子和所述用户因子预测跌倒风险信息,包括:
将所述用户因子和所述环境因子输入经过训练的风险评估模型,以得到所述风险评估模型输出的风险程度,其中,所述风险评估模型已学习得到所述用户因子和所述环境因子,与所述风险程度之间的映射关系;
根据所述风险评估模型输出的风险程度,生成所述跌倒风险信息。
3.根据权利要求1所述的跌倒行为识别方法,其特征在于,所述根据所述跌倒风险信息和所述用户行为数据识别跌倒行为,包括:
对所述用户行为数据进行时域和/或频域特征提取,得到数据特征;
将所述数据特征和所述跌倒风险信息输入第一分类模型,以根据所述第一分类模型的输出,确定是否存在跌倒行为,其中,所述第一分类模型已学习得到所述数据特征和所述跌倒风险信息,与所述跌倒行为之间的映射关系。
4.根据权利要求3所述的跌倒行为识别方法,其特征在于,所述将所述数据特征和所述跌倒风险信息输入第一分类模型之前,还包括:
根据所述环境因子和所述用户因子,确定疑似跌倒判定规则;其中,所述疑似跌倒判定规则设定有所述用户行为数据的最大值、最小值、最大值时刻、最小值时刻、疑似跌倒起始时刻、疑似跌倒结束时刻、疑似跌倒起始时刻的用户行为数据或疑似跌倒结束时刻的用户行为数据中的至少一个;
若所述数据特征与所述疑似跌倒判定规则匹配,则执行将所述数据特征和所述风险程度输入第一分类模型的步骤。
5.根据权利要求1-4任一项所述的跌倒行为识别方法,其特征在于,所述用户因子中的所述动作模式,表征用户的动作速度和/或动作幅度,其中,获取用户因子,包括:
对所述用户行为数据进行时域和/或频域特征提取,得到数据特征;
将所述数据特征输入第二分类模型,以得到所述第二分类模型输出的动作模式,其中,所述第二分类模型已学习得到所述数据特征与所述动作模式之间的映射关系。
6.根据权利要求5所述的跌倒行为识别方法,其特征在于,所述将所述数据特征输入第二分类模型,以得到所述第二分类模型输出的动作模式之后,还包括:
显示所述动作模式,以获取用于对所述动作模式进行纠正的纠正模式;
采用所述纠正模式对所述数据特征进行标注,以得到训练样本;
采用所述训练样本对所述第二分类模型进行训练。
7.根据权利要求1-4任一项所述的跌倒行为识别方法,其特征在于,所述环境因子中的地理环境类型,表征用户处于室外平坦环境、室外非平坦环境、室内非居家环境或室内居家环境,其中,所述获取环境因子,包括:
定位得到地理位置;
查询所述地理位置是否为设定住所位置;
若为所述设定住所位置,则识别所述地理环境类型为室内居家环境;
若不为所述设定住所位置,则根据所述地理位置和光照度,识别是否为室内;
若不为室内,则根据所述监测数据监测到的活动轨迹,确定所述地理环境类型为所述室外平坦环境或室外非平坦环境;
若为室内,则确定所述地理环境为室内非居家环境。
8.一种跌倒行为识别装置,其特征在于,包括:
获取模块,用于获取环境因子和用户因子;其中,所述环境因子包括天气、气温、时间或地理环境类型中的至少一个;所述用户因子包括年龄、性别、参与的活动或用户习惯的动作模式中的至少一个;
采集模块,用于采用传感器采集用户行为数据;
预测模块,用于根据所述环境因子和所述用户因子预测跌倒风险信息;
识别模块,用于根据所述跌倒风险信息和所述用户行为数据识别跌倒行为。
9.根据权利要求8所述的跌倒行为识别装置,其特征在于,所述预测模块,包括:
输出单元,用于将所述用户因子和所述环境因子输入经过训练的风险评估模型,以得到所述风险评估模型输出的风险程度,其中,所述风险评估模型已学习得到所述用户因子和所述环境因子,与所述风险程度之间的映射关系;
第一确定单元,用于根据所述风险评估模型输出的风险程度,生成所述跌倒风险信息。
10.根据权利要求8所述的跌倒行为识别装置,其特征在于,所述识别模块,包括:
提取单元,用于对所述用户行为数据进行时域和/或频域特征提取,得到数据特征;
第二确定单元,用于将所述数据特征和所述跌倒风险信息输入第一分类模型,以根据所述第一分类模型的输出,确定是否存在跌倒行为,其中,所述第一分类模型已学习得到所述数据特征和所述跌倒风险信息,与所述跌倒行为之间的映射关系。
11.根据权利要求10所述的跌倒行为识别装置,其特征在于,所述第二确定单元,还用于:
根据所述环境因子和所述用户因子,确定疑似跌倒判定规则;其中,所述疑似跌倒判定规则设定有所述用户行为数据的最大值、最小值、最大值时刻、最小值时刻、疑似跌倒起始时刻、疑似跌倒结束时刻、疑似跌倒起始时刻的用户行为数据或疑似跌倒结束时刻的用户行为数据中的至少一个;
若所述数据特征与所述疑似跌倒判定规则匹配,则执行将所述数据特征和所述风险程度输入第一分类模型的步骤。
12.根据权利要求8-11任一项所述的跌倒行为识别装置,其特征在于,所述用户因子中的所述动作模式,表征动作速度和/或动作幅度,其中,所述获取模块,还用于:
对所述用户行为数据进行时域和/或频域特征提取,得到数据特征;
将所述数据特征输入第二分类模型,以得到所述第二分类模型输出的动作模式,其中,所述第二分类模型已学习得到所述数据特征与所述动作模式之间的映射关系。
13.根据权利要求12所述的跌倒行为识别装置,其特征在于,所述获取模块,还用于:
显示所述动作模式,以获取用于对所述动作模式进行纠正的纠正模式;
采用所述纠正模式对所述数据特征进行标注,以得到训练样本;
采用所述训练样本对所述第二分类模型进行训练。
14.根据权利要求8-11任一项所述的跌倒行为识别装置,其特征在于,所述环境因子中的地理环境类型,表征用户处于室外平坦环境、室外非平坦环境、室内非居家环境或室内居家环境,其中,所述获取模块,还用于:
定位得到地理位置;
查询所述地理位置是否为设定住所位置;
若为所述设定住所位置,则识别所述地理环境类型为室内居家环境;
若不为所述设定住所位置,则根据所述地理位置和光照度,识别是否为室内;
若不为室内,则根据所述监测数据监测到的活动轨迹,确定所述地理环境类型为所述室外平坦环境或室外非平坦环境;
若为室内,则确定所述地理环境为室内非居家环境。
15.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-7中任一所述的跌倒行为识别方法。
16.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的跌倒行为识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777421.0A CN111887859A (zh) | 2020-08-05 | 2020-08-05 | 跌倒行为识别方法、装置、电子设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777421.0A CN111887859A (zh) | 2020-08-05 | 2020-08-05 | 跌倒行为识别方法、装置、电子设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111887859A true CN111887859A (zh) | 2020-11-06 |
Family
ID=73247041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010777421.0A Withdrawn CN111887859A (zh) | 2020-08-05 | 2020-08-05 | 跌倒行为识别方法、装置、电子设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111887859A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809612B (zh) * | 2021-12-21 | 2023-07-21 | 臺中榮民總醫院 | 跌倒評估風險警示系統 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120119904A1 (en) * | 2010-10-19 | 2012-05-17 | Orthocare Innovations Llc | Fall risk assessment device and method |
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
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 |
CN108171278A (zh) * | 2018-01-25 | 2018-06-15 | 武汉中体智美科技有限公司 | 一种基于运动训练数据的运动模式识别方法和系统 |
US20180233018A1 (en) * | 2017-02-13 | 2018-08-16 | Starkey Laboratories, Inc. | Fall prediction system including a beacon and method of using same |
CN109886068A (zh) * | 2018-12-20 | 2019-06-14 | 上海至玄智能科技有限公司 | 基于运动数据的动作行为识别方法 |
CN110659595A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于特征分类的跌倒类型及伤害部位检测方法 |
-
2020
- 2020-08-05 CN CN202010777421.0A patent/CN111887859A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120119904A1 (en) * | 2010-10-19 | 2012-05-17 | Orthocare Innovations Llc | Fall risk assessment device and method |
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
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 |
US20180233018A1 (en) * | 2017-02-13 | 2018-08-16 | Starkey Laboratories, Inc. | Fall prediction system including a beacon and method of using same |
CN108171278A (zh) * | 2018-01-25 | 2018-06-15 | 武汉中体智美科技有限公司 | 一种基于运动训练数据的运动模式识别方法和系统 |
CN109886068A (zh) * | 2018-12-20 | 2019-06-14 | 上海至玄智能科技有限公司 | 基于运动数据的动作行为识别方法 |
CN110659595A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于特征分类的跌倒类型及伤害部位检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809612B (zh) * | 2021-12-21 | 2023-07-21 | 臺中榮民總醫院 | 跌倒評估風險警示系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3468450B1 (en) | Method and system for analyzing human gait | |
Dubois et al. | A gait analysis method based on a depth camera for fall prevention | |
CN109579853B (zh) | 基于bp神经网络的惯性导航室内定位方法 | |
KR101827885B1 (ko) | 휴대 단말을 이용한 사용자 행동 측정 장치 및 방법 | |
Sun et al. | Activity classification and dead reckoning for pedestrian navigation with wearable sensors | |
CN105310696B (zh) | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 | |
US9891701B2 (en) | Apparatus, system, and method for automatic identification of sensor placement | |
US20120317066A1 (en) | Interest level measurement system, interest level measurement device, interest level measurement method, and interest level measurement program | |
CN103083025A (zh) | 步态分析装置 | |
WO2021115066A1 (zh) | 基于惯性传感器的步态特征提取和步态识别方法 | |
CN110456320A (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
Little et al. | An evaluation of inertial sensor technology in the discrimination of human gait | |
Aubol et al. | Foot contact identification using a single triaxial accelerometer during running | |
Kelly et al. | An investigation into non-invasive physical activity recognition using smartphones | |
CN111887859A (zh) | 跌倒行为识别方法、装置、电子设备以及介质 | |
US20240032820A1 (en) | System and method for self-learning and reference tuning activity monitor | |
Bruwer et al. | Comparison of GPS and MEMS support for smartphone-based driver behavior monitoring | |
KR101483218B1 (ko) | 활동 진단 장치 | |
Wang et al. | Multimodal gait analysis based on wearable inertial and microphone sensors | |
KR20230079606A (ko) | 딥러닝 기반의 노면 상태 모니터링 시스템 및 모니터링 방법 | |
KR101945613B1 (ko) | 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법 | |
Wang et al. | Human motion phase segmentation based on three new features | |
KR102238888B1 (ko) | 인공지능을 이용한 강수량 측정 방법 | |
JP5771238B2 (ja) | 同行判断装置、同行判断方法、およびプログラム | |
Khuc et al. | Non-target displacement measurement of structures using vision based approaches |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230051 No. 01, 5th floor, building B2, Zhongan chuanggu Science Park, No. 900, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province Applicant after: Anhui huami Health Technology Co.,Ltd. Address before: Room 189, building H2, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ANHUI HUAMI INTELLIGENT TECHNOLOGY CO.,LTD. |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201106 |