CN112022163A - 一种基于护腰腰带的控制方法、护腰装置及其系统 - Google Patents
一种基于护腰腰带的控制方法、护腰装置及其系统 Download PDFInfo
- Publication number
- CN112022163A CN112022163A CN201910482668.7A CN201910482668A CN112022163A CN 112022163 A CN112022163 A CN 112022163A CN 201910482668 A CN201910482668 A CN 201910482668A CN 112022163 A CN112022163 A CN 112022163A
- Authority
- CN
- China
- Prior art keywords
- data
- angular velocity
- falling
- motion
- waist support
- 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
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
- A41—WEARING APPAREL
- A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
- A41D13/00—Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches
- A41D13/015—Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches with shock-absorbing means
- A41D13/018—Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches with shock-absorbing means inflatable automatically
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
- A41D13/00—Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches
- A41D13/05—Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches protecting only a particular body part
- A41D13/0525—Loin or waist area
-
- 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
- A61B5/6804—Garments; Clothes
- A61B5/6807—Footwear
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physical Education & Sports Medicine (AREA)
- Textile Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及智能穿戴技术领域,具体涉及一种基于护腰腰带的控制方法、护腰装置及其系统。护腰腰带包括腰带本体和可收纳或弹出腰带本体设置的安全气囊,腰带本体、手环和鞋构成检测系统,云端预设有用于识别跌倒姿态的跌倒姿态识别模型。控制方法包括步骤:采集检测系统各模块的角速度数据和腰带本体的加速度数据;根据采集的加速度数据分析获取用户的运动状态;结合检测系统的各模块的角速度数据进行边缘计算及综合判断,将获取的运动状态划分为运动细分环节,并获取跌倒姿态数据;在腰带本体上根据跌倒姿态数据与跌倒姿态识别模型,判断跌倒状态;在判断为跌倒时控制弹出安全气囊。本发明能有效地平衡了快速反应和计算量的矛盾,且降低误判率。
Description
技术领域
本发明涉及智能穿戴技术领域,具体涉及一种基于护腰腰带的控制方法、护腰装置及其系统。
背景技术
根据美国疾病预防和控制中心的数据显示,跌倒是美国老年人意外受伤的主要原因,美国在2014年有约二千九百万老年人跌倒,医疗开支超过三百亿美元。
有人提出腰部安全气囊的方法,通过单点动作判断是否发生跌倒,但单点动作判断容易产生误判。在整个动作判断过程中,腰部安全气囊通过全面采集运动状态数据,进行运动状态的划分,通过详细的用户活动识别模型的运算,来进行运动状态的识别,但这种运动状态的识别必然带来运算的技术数据量的增大,如果在可穿戴式智能终端(如手环、手表、腰带)完成计算,必然加大电量的消耗。由于体积、重量、系统性能的约束,电源容量是制约广泛使用最重要的因素之一。
目前,可穿戴式设备功耗待机时间本来就十分有限,现有技术全面采集运动状态的细节特征,带来的运算量、功耗也比较大,降低可穿戴设备的续航能力。所以,现有采用将采集运动状态的细节特征的计算过程均放在云端,由云端在判断跌倒后发送控制信号控制腰带安全气囊对人进行保护。但这种方式必然带来对数据传输带宽和判断时延的增加,从而影响一些需要快速判别的运动反应及时性。在人发生跌倒时,腰带安全气囊无法及时获取人跌倒的信息并及时做出保护措施。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于护腰腰带的控制方法、护腰装置及其系统,克服现有的腰带安全气囊无法及时获取人跌倒的信息并及时做出保护措施的问题。
本发明解决其技术问题所采用的技术方案是:提供一种基于护腰腰带的控制方法,所述护腰腰带包括腰带本体,以及可收纳或弹出腰带本体设置的安全气囊,腰带本体、手环和鞋构成检测系统,云端预设有用于识别跌倒姿态的跌倒姿态识别模型,所述控制方法包括步骤:
采集检测系统各模块的角速度数据和腰带本体的加速度数据;
根据采集的加速度数据,获取用户的运动状态;
结合检测系统的各模块的角速度数据进行边缘计算及综合判断,将获取的运动状态划分为运动细分环节,并获取运动细分环节的跌倒姿态数据;
在腰带本体上根据获取的跌倒姿态数据与云端的跌倒姿态识别模型,判断跌倒状态;
在判断为跌倒时控制弹出安全气囊。
本发明的更进一步优选方案是:采集腰带本体上多个位置点的加速度数据和角速度数据。
本发明的更进一步优选方案是:所述控制方法还包括步骤:
采集检测系统各模块的高度数据;
在腰带本体上根据获取的跌倒姿态数据和采集的高度数据与云端的跌倒姿态识别模型判断跌倒状态。
本发明的更进一步优选方案是:所述跌倒姿态识别模型的预设包括步骤:
获取用户的生理参数数据,并对所述用户生理参数数据进行降维;
根据用户的生理参数数据注册个人与运动细分环节对应的N类跌倒姿态样本,将新获取的用户的生理参数数据输入分类器训练;
若新输入的生理参数数据超出N类跌倒姿态样本,新注册类别N+1类,并更新分类器。
本发明的更进一步优选方案是:所述跌倒姿态识别模型的预设还包括步骤:
设定不同运动状态和不同运动细分环节下所要采集的生理参数数据;
在指定的获取的运动状态和运动细分环节下采集获取用户的生理参数数据。
本发明的更进一步优选方案是:所述根据采集的加速度数据分析获取用户的运动状态包括步骤:
根据采集的加速度数据采集获取用户在x,y,z三个方向的作用力;
统计加速度曲线轨迹的峰值出现的频率;
根据x,y,z三个方向的作用力和统计的频率,获取用户的运动状态。
本发明的更进一步优选方案是:对采集和统计的数据进行滤波处理,以滤除干扰获取用户的运动状态。
本发明的更进一步优选方案是:所述结合检测系统的各模块的角速度数据进行边缘计算及综合判断,将获取的运动状态划分为运动细分环节,并获取运动细分环节的跌倒姿态数据包括步骤:
通过建立的运动状态识别模型将获取的运动状态划分为运动细分环节;
对检测系统各模块所采集的角速度数据和腰带本体采集的加速度数据和进行小波变换操作;
将各方向时域信号离散化;
将多种频率成分的混合信号分解到不同频段;
根据各种子信号在频域上的不同特征按频带处理,获取信噪比高的跌倒姿态数据。
本发明解决其技术问题所采用的技术方案是:提供一种护腰装置,所述护腰装置应用所述的基于护腰腰带的控制方法进行控制护腰,所述护腰装置包括腰带本体,可收纳或弹出腰带本体设置的安全气囊,设于腰带本体中用于采集腰带本体的加速度数据、角速度数据及手环和鞋的角速度数据的采集模块,用于预设跌倒姿态识别模型的云端,以及分别与采集模块和云端连接的主控模块,所述主控模块根据采集模块采集的加速度数据和角速度数据控制弹出安全气囊。
本发明解决其技术问题所采用的技术方案是:提供一种护腰系统,包括所述的护腰装置,与护腰装置的采集模块通信连接的手环和鞋,所述手环和鞋均设置有角速度传感器,所述采集模块与手环和鞋通信连接以获取手环和鞋的角速度。
本发明的有益效果在于,与现有技术相比,通过采集腰带本体的加速度数据和角速度数据,以及手环和鞋的角速度数据,综合用户的加速度数据和多个位置点的角速度数据进行边缘计算,综合判断,全面采集用户细微的运动特征,分析获取用户的运动状态并即将其划分为运动细分细节,获取跌倒姿态数据,又根据获取的跌倒姿态数据与云端预设的跌倒姿态识别模型在腰带本体自适应地判断跌倒状态,在判断为跌倒时,控制弹出腰带上的安全气囊,及时获取人跌倒信息并作出保护措施,将计算量大的重点计算环节即跌倒姿态识别模型预设放在云端进行,其余计算放在腰带上,有效地平衡了快速反应和计算量的矛盾,既保证准确性,又确保腰带本体的计算量不会过大,减低数据处理运算量,降低腰带的功耗,提高续航能力,且综合腰带本体的加速度数据、手环和鞋的角速度数据进行边缘计算和综合判断,降低误判率;其中,对运动环节、运动细微特征进行辨识,自适应形成每个人的体型和运动模型。
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是本发明的基于护腰腰带的控制方法的流程框图;
图2是本发明的基于护腰腰带的控制方法的具体流程框图;
图3是本发明中获取用户的运动状态的流程框图;
图4是本发明中将运动状态划分为运动细分细节,并获取跌倒姿态数据的流程框图;
图5是本发明中建立运动状态识别模型的流程框图;
图6是本发明中预设跌倒姿态识别模型的流程框图;
图7是本发明中分类器训练的流程框图;
图8是本发明中对跌倒姿态识别模型进行自适应性完善的流程框图。
具体实施方式
现结合附图,对本发明的较佳实施例作详细说明。
如图1和图2所示,本发明提供一种基于腰带的控制方法的优选实施例。
一种基于腰带的控制方法,所述腰带包括腰带本体,以及可收纳或弹出腰带本体设置的安全气囊,云端预设有用于识别跌倒姿态的跌倒姿态识别模型,所述控制方法包括步骤:
S10、采集检测系统各模块的角速度数据和腰带本体的加速度数据;
S20、根据采集的加速度数据分析获取用户的运动状态;
S30、结合腰带本体、手环和鞋的角速度数据进行边缘计算及综合判断,将获取的运动状态划分为运动细分环节,并获取运动细分环节的跌倒姿态数据;
S50、在腰带本体上根据获取的跌倒姿态数据与云端的跌倒姿态识别模型判断跌倒状态;
S60、在判断为跌倒时控制弹出安全气囊。
通过采集腰带本体的加速度数据和角速度数据,以及手环和鞋的角速度数据,综合用户的加速度数据和多个位置点的角速度数据进行边缘计算,综合判断,全面采集用户细微的运动特征,分析获取用户的运动状态并将其划分为运动细分细节,获取跌倒姿态数据,又通过在云端预设的跌倒姿态识别模型在腰带本体上自适应地判断跌倒状态,在判断为跌倒时,控制弹出腰带上的安全气囊,及时获取人跌倒信息并作出保护措施,将计算量大的重点计算环节即建立跌倒姿态识别模型放在云端进行,其余计算放在护腰腰带上,有效地平衡了快速反应和计算量的矛盾,既保证准确性,又确保腰带本体的计算量不会过大,减低数据处理运算量,降低腰带的功耗,提高续航能力。
在步骤S10中,采集腰带本体上多个位置点的加速度数据和角速度数据。具体地,通过在腰带本体上的多个位置点分别设置传感器,采集腰带本体的加速度数据和角速度数据。在腰带本体上的多个位置点设置传感器,多个位置点的传感器综合判断,同时结合用户的手环和鞋的角速度数据,对运动环节、运动细微特征的进行辨识,降低误判率。
其中,可在不同特定判别过程只调用有限的不同传感器功能工作,提取不同特定的特征计算,大大减少腰带的功耗,提高腰带的续航能力。
具体地,通过加速度传感器采集腰带本体的加速度数据,通过角速度传感器采集腰带本体的角速度数据,以及手环和鞋角速度数据。且,腰带本体上设置多个加速度传感器和多个角速度传感器,多个加速度传感器和多个角速度传感器分别设置腰带本体的不同位置上,腰带本体不同位置的传感器,以及手环和鞋的角速度传感器综合判断用户的运动,降低误判率。
在步骤S20中,参考图3,所述根据采集的加速度数据分析获取用户的运动状态包括步骤:
S21、根据采集的加速度数据采集获取用户在x,y,z三个方向的作用力;
S22、统计加速度曲线轨迹的峰值出现的频率;
S23、根据x,y,z三个方向的作用力和统计的频率,获取用户的运动状态。
具体地,首先使用设于腰带本体上的加速度传感器,按照100Hz的采样频率(人行走的频率一般在110步/分钟(1.8Hz),跑步时的频率不会超过5Hz,选择100Hz的采样频率可以比较准确地反应加速度变化)采集x,y,z三个方向的作用力。其次,统计加速度曲线轨迹的峰值出现的频率。最后,对数据进行滤波处理。
其中,用户在水平运动中,垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中,由于重心向上,单只脚触地,垂直方向加速度是呈正向增加的趋势,之后继续向前,重心下移两脚触底,加速度相反。水平加速度在收脚时减小,在迈步时增加。
在步行运动中,垂直和前进产生的加速度与时间大致为一个正弦曲线,而且在某点有一个峰值,其中垂直方向的加速度变化最大。
所述的运动状态包括第一循环动作和第二非循环动作;所述第一循环动作包括行走和跑步;所述第二非循环动作包括跳跃、起立、坐下、蹲下;所述行走包括上楼梯、下楼梯、平地走。根据所采集的加速度数据便可分析获取用户的运动状态,判断用户的运动状态是属于第一循环动作还是属于第二非循环动作。
在步骤S23中,对采集和统计的数据进行滤波处理,以滤除干扰获取用户的运动状态。
具体地,对数据进行滤波处理:由于采集过程中电路中的电磁干扰是主要的干扰源,电磁干扰为高频噪声;而人体运动主要是在50Hz以内的低频信号,本发明选用小波变换阈值法,对数据进行滤波处理。对于这种干扰,我们给检测加上阈值和步频判断来过滤,也就是说相邻两步的时间间隔至少大于0.2秒,过滤高频噪声。
由于加速度适合用于方向明确的运动判别,而对于无法跌倒检测、运动周期环节、八字脚等判别,则需要使用角速度来判别。
基于运动学算法原理,检测四个跌倒姿态事项时相:一个跌倒姿态周期被分成了两个阶段,分别是“支撑阶段”和“摆动阶段”。
根据跌倒姿态周期的发生顺序可采用RLA分期方法,即将支撑期分解为5个分期;迈步期分解为3个分期:
1.首次触地,:为跌倒姿态周期和支撑期的起始点;指足跟或足底的其他部位第一次与地面接触的瞬间。正常人行走的首次着地方式为足跟着地。
2、承重反应期:指足跟着地后足底与地面全面接触瞬间的一段时间;即一侧足跟着地后至对侧下肢足趾离地时;是中心由足跟转移至足底的过程。该期为0—15%跌倒姿态周期。
3.站立中期:指从对侧下肢离地至躯干位于该侧腿正上方时;此时重心位于支撑面正上方。该期为15%—40%跌倒姿态周期。
4.站立末期:指从支撑足跟离地时到对侧下肢足跟着地。该期为40%—50%跌倒姿态周期。
5.迈步前期:指从对侧下肢足跟着地到支撑足趾离地之前的一段时间。该期为50%—60%跌倒姿态周期。
6.迈步初期:从支撑腿离地至该腿膝关节达到最大屈曲时。该期为60%—70%跌倒姿态周期。
7.迈步中期:从膝关节最大屈曲摆动到小腿与地面垂直时。该期为70%—85%跌倒姿态周期。
8.迈步末期:指与地面垂直的小腿向前摆动至该足跟再次着地之前。该期为85%—100%跌倒姿态周期。
其中,可以在一个运动周期内以时间对运动状态进行划分运动细分环节或者根据上述分期方法进行划分,当然也可以通过人为设定各个环节的时间来判断各个运动细分环节。
在步骤S30中,参考图4,所述结合检测系统的各模块的角速度数据进行边缘计算及综合判断,将获取的运动状态划分为运动细分环节,并获取运动细分环节的跌倒姿态数据包括步骤:
S31、通过建立的运动状态识别模型,将获取的运动状态划分为运动细分环节;
S32、对检测系统各模块所采集的角速度数据和腰带本体采集的加速度数据和进行小波变换操作;
S33、将各方向时域信号离散化;
S34、将多种频率成分的混合信号分解到不同频段;
S35、根据各种子信号在频域上的不同特征按频带处理,获取信噪比高的跌倒姿态数据。
具体地,护腰腰带会有一些低幅度和快速的抽动状态,或者某个恶作剧用户想通过短时快速反复摇动设备来模拟人走路,这些干扰数据如果不剔除,会影响计步的准确值,影响所采集数据的准确性。综合腰带本体所采集的加速度数据、角速度数据,以及手环和鞋的角速度数据,对采集到的数据,进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作,将各方向时域信号离散化,将多种频率成分的混合信号分解到不同频段,然后根据各种子信号在频域上的不同特征按频带处理;获取信噪比高的跌倒姿态数据,降低跌倒的误判率。
所述小波变换采用硬阈值法,小波系数为Cj,k,阈值为λ;
在步骤S31中,参考图5,所述运动状态识别模型的建立包括步骤:
S311、根据采集的加速度数据和角速度数据求解加速度向量模数据和角速度向量模数据;
S312、通过求解的加速度信号向量模数据和角速度信号向量模数据作为输入特征,建立运动状态识别模型。
采用加速度信号向量模数据、角速度信号向量模数据,作为模型的输入特征,建立运动状态识别模型,重点通过加速度传感器规律进行建模,并通过遗传算法的操作,给出运动状态识别结果,识别获取用户的运动状态,供远程健康大数据分析管理使用。
具体地,采集所述加速度传感器在x、y、z三轴方向上的加速度值ax、ay、az,并求解加速度信号向量模SVMA;采集所述角速度传感器在x、y、z三轴方向上的角速度值wx、wy、wz,并求解角速度信号向量模SVMW;所述 根据计算的加速度信号向量模SVMA、角速度信号向量模SVMW,建立跌倒姿态识别模型,对所述运动状态进行细分,获得运动细分环节。
跌倒具有大加速度和角速度峰值特征,这是因为摔倒过程中由于和低势物体碰撞产生的SVM峰值比日常活动中步行、上楼梯等大多数一般过程要大。然而人体运动行为过程具有复杂性和随机性,使用单一的加速度相关信息判断人体摔倒行为的发生会带来很大的误判。使用SVMA及SVMW相结合的信息阈值法可以区分跌倒与产生SVM峰值较小的低强度运动。通过对人体摔倒过程及其它日常生活行为过程中实验结果数据SVMA和SVMW进行分析,本实施例中识别跌倒的加速度信号向量模阈值取SVMAT=20m/s2和角速度信号向量模阈值取SVMWT=4rad/s。
本实施例中,参考图6,所述跌倒姿态识别模型的预设包括步骤:
S61、获取用户的生理参数数据,并对所述用户生理参数数据进行降维;
S62、根据用户的生理参数数据注册个人与运动细分环节对应的N类跌倒姿态样本,将新获取的用户的生理参数数据输入分类器训练;
S63、若新输入的生理参数数据超出N类跌倒姿态样本,新注册类别N+1类,并更新分类器。
具体地,在步骤S62中,参考图7,所述将新获取的用户的生理参数数据输入分类器训练包括步骤:
S623、根据输入的用户的生理参数数据,计算加速度合成幅值、局部方差和角速度合成幅值;
S624、当加速度合成幅值、局部方差和角速度合成幅值都符合对应的预设范围时,判断为静止,反之,判断为运动;
S625、判断为运动时,通过中值滤波方法获取合理的跌倒姿态数据,判断跌倒状态。
对分类器进行训练具体如下:
获取用户的生理参数数据,并对所述用户生理参数数据进行降维;
其中,ai、bi、ci分别为x、y、z轴方向上的加速度, 分别为整体人群在某跌倒姿态环节的x、y、z轴方向上的加速度。通过综合计算某人跌倒姿态偏离整理人群的程度x,用来判断所建立的跌倒姿态识别模型的精确度,便于对跌倒姿态识别模型的的自适应调节完善。将数据库中已经注册了个人N类跌倒姿态样本,将样本输入分类器训练,根据输入值判定是(1,N)中哪一类,如果超出(1,N)范围,则新注册类别N+1类,然后重新更新分类器;
在上述不同运动划分基础上,同种运动再次细分,并采取投票方式决定分类结果。
进一步地,多维信号为了消除数据间不同量纲、不同数量级的影响,需要对原始数据进行标准化处理,使其具有可比性,通过矩阵中的每个元素减去所在列的均值,然后除以所在列的标准差,使得每个变量标准化为均值为0,方差为1的矩阵X。需要对获取的原始的生理参数数据进行标准化,具体如下:
对原始数据进行标准化处理,通过举证中的每个元素减去所在列的均值,然后除以所在列的标准差,使得每个变量标准化为均值为0,方差为1的矩阵X,即X=[X1,X2,......Xn]T=[Xij](n*p);其中,i=1,2,...n,j=1,2,...p,获得求解相关系数矩阵
若累计贡献率达到50%以上时,采用比高法,将最高贡献率的特征值向量留下,作为固定工作样本集,其余舍弃;
计算得分矩阵,将留下的特征值作为新变量主成分,利用下式计算得分矩阵F(n*m)=X(n*p)*U(p*m);
其中,X是原数据矩阵,U是主成分载荷,得分矩阵F即为降维后所得到的结果;这样做的方式既使用到了固定工作样本集方法计算速度快的特点,又避免了其当向量的个数超出工作样本集的规模,算法仅优化支持向量中的一部分的存在范围局限性的问题。通过上述方法挑出异常人群。
进一步地,采用对第一条件、第二条件、第三条件进行运算,并利用中值滤波判断人体运动的跌倒姿态,当第一条件、第二条件和第三条件均符合对应的预设范围时,判断为静止,反之,判断为运动。其中:
所述第一条件为:加速度传感器输出合成幅值,处于给定的上下阈值之间,则判定人体静止;反之,则判定人运动;
所述上下阈值分别为:thamin=8m/s,thamax=11m/s;
所述第二条件为:加速度传感器输出的局部方差,低于给定的阈值,则判定人体静止;反之,则判定人运动;
所述第三条件为:角速度传感器输出角速度合成幅值,低于给定的阈值,则判定人体静止;反之,则判定人运动;
上述第一条件、第二条件和第三条件中,状态“0”标表示运动,状态“1”表示静止。三个条件之间采用“与”逻辑,即只有当三个条件的判断结果都为“1”时才认为跌倒姿态处于绝对静止状态;再通过中值滤波方法,便可有效地判断连续输出的运动结果,剔除噪点,获得有效、合理的跌倒姿态数据。
本实施例中,参考图7,所述跌倒姿态识别模型的预设还包括步骤:
S621、设定不同运动状态和不同运动细分环节下所要采集的生理参数数据;
S622、在指定的获取的运动状态和运动细分环节下采集获取用户的生理参数数据。
本实施例中,所述控制方法还包括步骤:
对云端的跌倒姿态识别模型进行自适应性完善。
对云端的跌倒姿态识别模型进行自适应性完善,可以在本实施例中的控制方法的任一步骤执行同时执行,不影响其他步骤。具体地,参考图8,对云端的跌倒姿态识别模型进行自适应性完善包括步骤:
S81、读取新输入样本,并根据交叉验证法,计算SVM分类器识别率;
S82、若训练的当前识别率高于或等于原有识别率,则将本次训练的参数设为最优参数;否则执行选择操作、交叉操作和/或变异操作,进一步优化训练参数。
具体而言,随着样本量的增加,SVM分类器能够自适应不断优化完善:
(1)对运动状态进行抽样计算
在判别时,可能由于其中某个状态标准差偏大,另一个状态标准差偏小,正好相抵,导致未发现异常,故再次进行随机抽样验证。
每次输入新的样本,根据交叉验证法原理,计算SVM分类器识别率。
(2)对异常未发现的样本的特征值,使用SVM分类器适应度函数,为SVM分类器对样本划分正确率。通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程,从而即使不使用并行计算机,也能提高算法的执行效率。
每次输入新的样本,根据交叉验证法原理,计算SVM分类器识别率,进行适应度评估,不设定遗传算法的终止值,终止条件采用比高法,如果训练的识别率高于现有则设为最优参数,否则,执行选择、交叉和变异等操作进一步优化训练参数。
本实施例中,在步骤S30后,所述控制方法还包括步骤:
S40、采集检测系统各模块的高度数据;
S51、在腰带本体上根据获取的跌倒姿态数据和采集的高度数据与云端的跌倒姿态识别模型判断跌倒状态。
其中,通过在腰带本体上安装气压高度传感器,检测获取腰带本体的高度数据。气压高度传感器是一款利用气压变化来测量高度的一款传感器。在测量高度的时候因为需要利用处理器通过公式计算得到高度值,因此在选气压传感器的时候一般都采用输出数字信号的产品。
通过采用气压高度传感器采集获取腰带本体的高度数据,结合获取的跌倒姿态数据与云端的跌倒姿态识别模型来判断跌倒状态,进一步地降低误判率。
本发明一方面在预处理过程中既全面采集细微的运动特征,另一方面又通过自适应的算法匹配,在不同特定判别过程只调用有限的不同传感器功能工作,提取不同特定的特征计算,分析环节综合不同特征降维取样,大大减少了运动量,通过重点计算验证环节,又保证了正确性。
本发明还提供一种护腰装置的优选实施例。
所述护腰装置应用上述所述的基于护腰腰带的控制方法进行控制护腰。所述护腰装置包括腰带本体,可收纳或弹出腰带本体设置的安全气囊,设于腰带本体中用于采集腰带本体的加速度数据、角速度数据及手环和鞋的角速度数据的采集模块,用于预设跌倒姿态识别模型的云端,以及分别与采集模块和云端连接的主控模块,所述主控模块根据采集模块采集的加速度数据和角速度数据控制弹出安全气囊。
其中,所述采集模块可获取腰带本体的加速度数据和角速度数据,以及手环和鞋的角速度数据。所述腰带本体的加速度数据可通过设置加速度传感器采集,角速度数据可通过设置角速度传感器采集。手环和鞋的角速度数据可通过手环上的角速度传感器和鞋上的角速度传感器进行采集,然后腰带本体上的采集模块从手环和鞋上获取手环和鞋的角速度数据。
护腰装置应用上述方法将预设跌倒姿态识别模型的计算放在云端,将对采集模块采集的加速度数据和角速度数据的判断放在腰带本体上,在判断为跌倒时控制弹出安全气囊,及时获取跌倒信息并及时作出对人体腰部的保护措施,有效地平衡了快速反应和计算量的矛盾,既保证准确性,又确保腰带本体的计算量不会过大,减低数据处理运算量,降低腰带的功耗,提高续航能力;以及综合腰带本体的加速度数据和角速度数据,以及手环和鞋的角速度进行边缘计算,多点协同,降低误判率。
本发明还提供一种护腰系统的优选实施例。
一种护腰系统,包括所述的护腰装置,与护腰装置的采集模块通信连接的手环和鞋,所述手环和鞋均设置有角速度传感器,所述采集模块与手环和鞋通信连接以获取手环和鞋的角速度。
应当理解的是,以上实施例仅用以说明本发明的技术方案,而非对其限制,对本领域技术人员来说,可以对上述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而所有这些修改和替换,都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于护腰腰带的控制方法,所述护腰腰带包括腰带本体,以及可收纳或弹出腰带本体设置的安全气囊,其特征在于,腰带本体、手环和鞋构成检测系统,云端预设有用于识别跌倒姿态的跌倒姿态识别模型,所述控制方法包括步骤:
采集检测系统各模块的角速度数据和腰带本体的加速度数据;
根据采集的加速度数据,获取用户的运动状态;
结合检测系统的各模块的角速度数据进行边缘计算及综合判断,将获取的运动状态划分为运动细分环节,并获取运动细分环节的跌倒姿态数据;
在腰带本体上根据获取的跌倒姿态数据与云端的跌倒姿态识别模型,判断跌倒状态;
在判断为跌倒时控制弹出安全气囊。
2.根据权利要求1所述的控制方法,其特征在于,采集腰带本体上多个位置点的加速度数据和角速度数据。
3.根据权利要求1所述的控制方法,其特征在于,所述控制方法还包括步骤:
采集检测系统各模块的高度数据;
在腰带本体上根据获取的跌倒姿态数据和采集的高度数据与云端的跌倒姿态识别模型判断跌倒状态。
4.根据权利要求1所述的控制方法,其特征在于,所述跌倒姿态识别模型的预设包括步骤:
获取用户的生理参数数据,并对所述用户生理参数数据进行降维;
根据用户的生理参数数据注册个人与运动细分环节对应的N类跌倒姿态样本,将新获取的用户的生理参数数据输入分类器训练;
若新输入的生理参数数据超出N类跌倒姿态样本,新注册类别N+1类,并更新分类器。
5.根据权利要求4所述的控制方法,其特征在于,所述跌倒姿态识别模型的预设还包括步骤:
设定不同运动状态和不同运动细分环节下所要采集的生理参数数据;
在指定的获取的运动状态和运动细分环节下采集获取用户的生理参数数据。
6.根据权利要求1所述的控制方法,其特征在于,所述根据采集的加速度数据分析获取用户的运动状态包括步骤:
根据采集的加速度数据采集获取用户在x,y,z三个方向的作用力;
统计加速度曲线轨迹的峰值出现的频率;
根据x,y,z三个方向的作用力和统计的频率,获取用户的运动状态。
7.根据权利要求6所述的控制方法,其特征在于,对采集和统计的数据进行滤波处理,以滤除干扰获取用户的运动状态。
8.根据权利要求1所述的控制方法,其特征在于,所述结合检测系统的各模块的角速度数据进行边缘计算及综合判断,将获取的运动状态划分为运动细分环节,并获取运动细分环节的跌倒姿态数据包括步骤:
通过建立的运动状态识别模型将获取的运动状态划分为运动细分环节;
对检测系统各模块所采集的角速度数据和腰带本体采集的加速度数据和进行小波变换操作;
将各方向时域信号离散化;
将多种频率成分的混合信号分解到不同频段;
根据各种子信号在频域上的不同特征按频带处理,获取信噪比高的跌倒姿态数据。
9.一种护腰装置,其特征在于:所述护腰装置应用权利要求1-8任一所述的基于护腰腰带的控制方法进行控制护腰,所述护腰装置包括腰带本体,可收纳或弹出腰带本体设置的安全气囊,设于腰带本体中用于采集腰带本体的加速度数据、角速度数据及手环和鞋的角速度数据的采集模块,用于预设跌倒姿态识别模型的云端,以及分别与采集模块和云端连接的主控模块,所述主控模块根据采集模块采集的加速度数据和角速度数据控制弹出安全气囊。
10.一种护腰系统,其特征在于:所述护腰系统包括权利要求9所述的护腰装置,与护腰装置的采集模块通信连接的手环和鞋,所述手环和鞋均设置有角速度传感器,所述采集模块与手环和鞋通信连接以获取手环和鞋的角速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482668.7A CN112022163A (zh) | 2019-06-04 | 2019-06-04 | 一种基于护腰腰带的控制方法、护腰装置及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482668.7A CN112022163A (zh) | 2019-06-04 | 2019-06-04 | 一种基于护腰腰带的控制方法、护腰装置及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112022163A true CN112022163A (zh) | 2020-12-04 |
Family
ID=73576096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910482668.7A Pending CN112022163A (zh) | 2019-06-04 | 2019-06-04 | 一种基于护腰腰带的控制方法、护腰装置及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112022163A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116746910A (zh) * | 2023-06-15 | 2023-09-15 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
-
2019
- 2019-06-04 CN CN201910482668.7A patent/CN112022163A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116746910A (zh) * | 2023-06-15 | 2023-09-15 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
CN116746910B (zh) * | 2023-06-15 | 2024-05-28 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971059B (zh) | 一种基于神经网络自适应健康监测的可穿戴设备 | |
CN107753026B (zh) | 针对脊柱腿部健康的智能鞋自适应监测方法 | |
CN108244744B (zh) | 一种运动状态识别的方法、鞋底及鞋 | |
CN108831527B (zh) | 一种用户运动状态检测方法、装置及可穿戴设备 | |
CN112754468B (zh) | 一种基于多源信号的人体下肢运动检测及识别方法 | |
Meyer et al. | Wearables and deep learning classify fall risk from gait in multiple sclerosis | |
Lai et al. | Computational intelligence in gait research: a perspective on current applications and future challenges | |
Preece et al. | A comparison of feature extraction methods for the classification of dynamic activities from accelerometer data | |
CN108514421A (zh) | 提升混合现实与日常健康监测的方法 | |
WO2008132105A1 (en) | Monitor device and use thereof | |
Creagh et al. | Smartphone-and smartwatch-based remote characterisation of ambulation in multiple sclerosis during the two-minute walk test | |
CN109805935A (zh) | 一种基于人工智能分层分级运动识别方法的智能腰带 | |
Choi et al. | Deep learning-based near-fall detection algorithm for fall risk monitoring system using a single inertial measurement unit | |
Muscillo et al. | An adaptive Kalman-based Bayes estimation technique to classify locomotor activities in young and elderly adults through accelerometers | |
CN110390565A (zh) | 通过ai边缘计算实现智能网关自适应管理的方法及系统 | |
CN108836337A (zh) | 一种通过足部运动状态进行个性化足型健康检测的方法 | |
CN110169774B (zh) | 一种基于区块链的运动状态识别系统及方法 | |
Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
Jatesiktat et al. | An elderly fall detection using a wrist-worn accelerometer and barometer | |
CN106910314A (zh) | 一种基于体形的个性化跌倒检测方法 | |
Chuang et al. | A wearable activity sensor system and its physical activity classification scheme | |
CN111931568A (zh) | 一种基于增强式学习的人体跌倒检测方法及系统 | |
Agrawal et al. | Fall risk prediction using wireless sensor insoles with machine learning | |
Zhang et al. | Gait pattern recognition based on plantar pressure signals and acceleration signals | |
CN112022163A (zh) | 一种基于护腰腰带的控制方法、护腰装置及其系统 |
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 |