CN112120703A - 一种跌倒风险评估方法及装置 - Google Patents
一种跌倒风险评估方法及装置 Download PDFInfo
- Publication number
- CN112120703A CN112120703A CN201910557120.4A CN201910557120A CN112120703A CN 112120703 A CN112120703 A CN 112120703A CN 201910557120 A CN201910557120 A CN 201910557120A CN 112120703 A CN112120703 A CN 112120703A
- Authority
- CN
- China
- Prior art keywords
- motion
- video data
- original
- risk assessment
- fall risk
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 179
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000005021 gait Effects 0.000 claims description 32
- 241000039077 Copula Species 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 208000022177 perioral myoclonia with absences Diseases 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000013058 risk prediction model Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种跌倒风险评估方法及装置,涉及数据处理技术领域,以解决现有的跌倒风险评估方法比较复杂的问题。该方法包括:训练机器学习预测模型;采集被评估者日常生活活动的运动视频数据;利用所述运动视频数据生成运动相关属性;将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。本发明实施例可简化跌倒风险评估的过程。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种跌倒风险评估方法及装置。
背景技术
随着世界人口老龄化的加剧,老年人的日常护理称为一个重大的社会需求。衰老和疾病给老年人的运动机能带来了衰退,老年人的跌倒风险在增加,跌倒风险威胁着老年人,由跌倒导致的社会成本和疾病负担越来越重。及时地预测老年人的跌倒风险对有效护理十分关键,可以使护理人员尽早干预,保障被护理者的安全,从而提高老年人的生活质量。
跌倒风险评估是应对跌倒风险的有效手段之一。目前临床使用的跌倒风险方法有很多种,包括TUG(Timed Up and Go Test,起立行走测试)、POMA(Performance-OrientedMobility Assessment,流动性评估试验)等。尽管跌倒风险评估方法得到了广泛采用,但其仍显得过于复杂,在很多情况下使用不便。因此,迫切需要一种简易的跌倒风险评估方法。
发明内容
本发明实施例提供一种跌倒风险评估方法及装置,以解决现有的跌倒风险评估方法比较复杂的问题。
第一方面,本发明实施例提供了一种跌倒风险评估方法,包括:
训练机器学习预测模型;
采集被评估者日常生活活动的运动视频数据;
利用所述运动视频数据生成运动相关属性;
将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。
其中,所述训练机器学习预测模型,包括:
采集预定用户的原始运动视频数据,得到原始跌倒风险评估分数值;其中,所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户;
根据所述原始运动视频数据生成原始运动相关属性;
基于Copula熵的特征选择技术,从原始数据集中选择训练数据集;其中,所述原始数据集由所述原始运动相关属性和所述原始跌倒风险评估分数值组成,所述训练数据集包括选择的目标原始运动相关属性和所述目标原始运动相关属性对应的目标原始跌倒风险评估分数值的组合;
利用所述训练数据集训练所述机器学习预测模型。
其中,所述采集被评估者日常生活活动的运动视频数据,包括:
采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
其中,所述利用所述运动视频数据生成运动相关属性,包括:
利用姿态估计技术,估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息;
利用立体视觉技术,估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息;
利用所述人体主要关节的姿态信息和所述深度信息,获得所述每一帧图像的三维姿态信息;
利用所述三维姿态信息计算所述每个视频片段的运动相关属性;
计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
其中,所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
其中,所述跌倒风险评估分数值包括以下任意一种:TUG,POMA。
第二方面,本发明实施例提供了一种跌倒风险评估装置,包括:
训练模块,用于训练机器学习预测模型;
采集模块,用于采集被评估者日常生活活动的运动视频数据;
生成模块,用于利用所述运动视频数据生成运动相关属性;
处理模块,用于将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。
其中,所述训练模块包括:
采集子模块,用于采集预定用户的原始运动视频数据,得到原始跌倒风险评估分数值;其中,所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户;
生成子模块,用于根据所述原始运动视频数据生成原始运动相关属性;
选择子模块,用于基于Copula熵的特征选择技术,从原始数据集中选择训练数据集;其中,所述原始数据集由所述原始运动相关属性和所述原始跌倒风险评估分数值组成,所述训练数据集包括选择的目标原始运动相关属性和所述目标原始运动相关属性对应的目标原始跌倒风险评估分数值的组合;
训练子模块,用于利用所述训练数据集训练所述机器学习预测模型。
其中,所述采集模块具体用于,采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
其中,所述生成模块包括:
第一估计子模块,用于利用姿态估计技术,估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息;
第二估计子模块,用于利用立体视觉技术,估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息;
获取子模块,用于利用所述人体主要关节的姿态信息和所述深度信息,获得所述每一帧图像的三维姿态信息;
第一计算子模块,用于利用所述三维姿态信息计算所述每个视频片段的运动相关属性;
第二计算子模块,用于计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
其中,所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
其中,所述跌倒风险评估分数值包括以下任意一种:TUG,POMA。
在本发明实施例中,采集被评估者日常生活活动的运动视频数据,并生成运动相关属性。然后,将运动相关属性作为训练好的机器学习预测模型的输入,从而可获得评估者的跌倒风险评估分数值。在本发明实施例中,无需被评估者刻意的做某些跌倒风险评估所需的动作,而只根据对其正常生活所采集的运动视频数据即可对其进行跌倒风险评估。因此,利用本发明实施例的方案,简化了跌倒风险评估的过程。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的跌倒风险评估系统的示意图;
图2是本发明实施例提供的跌倒风险评估方法的流程图之一;
图3是本发明实施例提供的训练机器学习预测模型的流程图;
图4是本发明实施例提供的利用运动视频数据生成运动相关属性的流程图;
图5是本发明实施例提供的跌倒风险评估方法的流程图之二;
图6是本发明实施例提供的跌倒风险评估装置的结构图之一;
图7是本发明实施例提供的跌倒风险评估装置中训练模块的结构图;
图8是本发明实施例提供的跌倒风险评估装置中生成模块的结构图;
图9是本发明实施例提供的跌倒风险评估装置的结构图之二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明实施例提供的跌倒风险评估系统的示意图。如图1所示,所述系统包括:视频分析处理模块11和机器学习模块12。
其中,视频分析处理模块11包括:
视频数据采集模块110,包括二维和三维摄像头,用于采集被评估者的日常活动行为的原始运动视频数据。
视频数据处理和分析模块111,用于处理视频数据采集模块110产生的原始运动视频数据,进而生成包含三维信息的人体姿态序列数据。该模块包含人体姿态估计功能和基于立体视觉的视频深度图生成功能。
运动相关属性生成模块112,用于将视频数据处理和分析模块111生成的包含三维信息的人体姿态序列数据转化为运动相关属性。
其中,机器学习模块12包括:
跌倒风险预测模型训练模块121,用于利用运动相关属性生成模块112生成的运动相关属性和跌倒风险评估数据训练机器学习预测模型。在实际应用中,本模块可实现一种或多种机器学习预测模型,如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等,以及它们的集成(Ensemble)方式。同时,该模块包含Copula熵的估计功能和基于Copula熵的特征选择功能。本模块包含特征选择—模型训练—模型保存的流水线过程。
跌倒风险预测模型应用模块122,用于调用视频数据采集模块110采集被评估者的日常运动视频数据,再调用视频数据处理和分析模块111的视频数据处理功能将此日常运动视频数据转化为运动相关属性。最后,将得到的运动相关属性输入到跌倒风险预测模型训练模块121训练好的预测模型中,输出跌倒风险评估分值。
参见图2,图2是本发明实施例提供的跌倒风险评估方法的流程图,如图2所示,包括以下步骤:
步骤201、训练机器学习预测模型。
如图3所示,训练机器学习预测模型可包括如下过程:
步骤2011、采集预定用户的原始运动视频数据,得到原始跌倒风险评估分数值。
其中,所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户。所述第一数量和第二数量可根据需要设置。
在实际应用中,采集一组足够数量且具有代表性的健康人和具有跌倒风险的人的日程生活活动的运动视频数据,并将该数据用于训练一个或多个机器学习预测模型。采集数据后,被采集者进行跌倒风险评估测试,获取原始跌倒风险评估分数值。
步骤2012、根据所述原始运动视频数据生成原始运动相关属性。
在原始运动视频数据的基础上生成原始运动相关属性。所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
基于步骤2011和步骤2012,在此,可将每位被采集者的原始运动相关属性和原始跌倒风险评估分数值配对,得到原始数据集。
步骤2013、基于Copula熵的特征选择技术,从原始数据集中选择训练数据集。
其中,所述原始数据集由所述原始运动相关属性和所述原始跌倒风险评估分数值组成,所述训练数据集包括选择的目标原始运动相关属性和所述目标原始运动相关属性对应的目标原始跌倒风险评估分数值的组合。
Copula熵概念的定义借助于Copula理论。Copula理论是关于随机变量之间相关性的理论。通常的相关性是包含在随机变量的联合分布函数的参数之中,如高斯函数的相关矩阵就表示了高斯变量之间的相关性特征。Copula理论给出了一种表示所有随机变量之间相关性的理论框架。根据该理论,任一个联合分布都一个表示为以随机变量的边缘函数为自变量的某种函数的形式,此种函数就称为Copula函数。因此,Copula熵可以用来衡量任意类型的随机变量之间的全阶次相关性。
对于原始数据集中的每个原始运动相关属性和对应的原始跌倒风险评估分数值,计算它们之间的Copula熵值,并依据Copula熵值来对运动相关属性的重要性进行排序。Copula熵值越高属性越重要。对应的Copula熵值显著性高的原始运动相关属性被选择作为机器学习预测模型的输入。其中,Copula熵的估计可以采用如下两步非参数法来完成:步骤一,从样本数据集估计经验Copula密度函数;步骤二,利用k近邻的熵估计方法从经验Copula密度函数数据估计Copula熵。
那么,经过上述选择,可得到Copula熵值显著性高的原始运动相关属性和其对应的原始跌倒风险评估分数值,并组成训练数据集。所述训练数据集用来训练一个或者多个机器学习预测模型。通过Copula熵的特征选择技术获得的训练数据集,可使得最终获得的跌倒风险评估结果更为准确,获得的机器学习预测模型更符合实际的需求,具有可解释性。
步骤2014、利用所述训练数据集训练所述机器学习预测模型。
将基于Copula熵特征选择得到的原始运动相关属性和原始跌倒风险评估分数值配对,得到训练数据集。利用训练数据集来训练一种或多种机器学习预测模型。
在本发明实施例中,所述机器学习预测模型并不限定为某种特定的模型,包括但不限于为常见的机器学习回归模型,如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等,以及它们的集成(Ensemble)方式。在此,机器学习预测模型模型可以选择模型复杂度和预测能力较为平衡的模型,如支持向量机。这里的模型可以选择模型复杂度和预测能力较为平衡的模型,如支持向量机。
步骤202、采集被评估者日常生活活动的运动视频数据。
在本发明实施例中,主要是采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。例如,可分别利用二维和三维摄像头采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
步骤203、利用所述运动视频数据生成运动相关属性。
如图4所示,利用运动视频数据生成运动相关属性可包括如下过程:
步骤2031、利用姿态估计技术,估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息。具体的,利用机器视觉的运动骨架分析技术,跟踪当被评估者在摄像头下进行日常生活运动时的人体主要关节运动,得到相应的二维人体姿态的估计。
其中,每个视频片段的长度可任意设置,例如设置为2s等。
步骤2032、利用立体视觉技术,估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息。
步骤2033、利用所述人体主要关节的姿态信息和所述深度信息,获得所述每一帧图像的三维姿态信息。
步骤2034、利用所述三维姿态信息计算所述每个视频片段的运动相关属性。
其中,所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
步骤2035、计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
步骤204、将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。
在本发明实施例中,所述跌倒风险评估分数值包括以下任意一种:TUG,POMA。
利用训练数据集来训练一种或多种机器学习预测模型。在本发明实施例中,所述机器学习预测模型并不限定为某种特定的模型,包括但不限于为常见的机器学习回归模型,如线性回归、支持向量机、神经网络、高斯过程、随机森林、Bagging(套袋)和Boosting(提升)等,以及它们的集成(Ensemble)方式。在此,机器学习预测模型模型可以选择模型复杂度和预测能力较为平衡的模型,如支持向量机。
在本发明实施例的实施过程中,采集训练数据时的原始运动数据和应用本评估方法评估时的原始运动数据的采集方式应尽量相同,视频持续时间一般应持续一段时间,以充分反映被评估者的运动能力情况。
在本发明实施例中,采集被评估者日常生活活动的运动视频数据,并生成运动相关属性。然后,将运动相关属性作为训练好的机器学习预测模型的输入,从而可获得评估者的跌倒风险评估分数值。在本发明实施例中,无需被评估者刻意的做某些跌倒风险评估所需的动作,而只根据对其正常生活所采集的运动视频数据即可对其进行跌倒风险评估。因此,利用本发明实施例的方案,简化了跌倒风险评估的过程。同时,利用本发明实施例的方案,由于仅是采集被评估者的日常生活活动数据,因此,对被评估者的干扰少。
参见图5,图5是本发明实施例提供的跌倒风险评估方法的流程图,如图5所示,包括以下步骤:
步骤501、采集被评估者的视频运动数据。
通过视频采集手段,将采集到的被评估者的日常运动的视频运动数据输入到本发明实施例所述的系统中。
步骤502、将所述视频运动数据输入到机器学习预测模型中,输出跌倒风险评估分值。
步骤503、医护人员根据跌倒风险评估分值和临床建议的该类风险评估分阈值,对被评估对象的跌倒风险状况做出判断。
在此应用的实施过程中,视频采集设备和风险预测流程的实现可以集成到同一计算设备中实现,也可分开布置,通过网络等数据传输设备相连,即数据采集在评估现场,应用流程在远端服务器实现,运动相关属性通过网络传到远端服务器的风险预测流程实现系统。
参见图6,图6是本发明实施例提供的跌倒风险评估装置的结构图,如图6所示,跌倒风险评估装置600包括:
训练模块601,用于训练机器学习预测模型;采集模块602,用于采集被评估者日常生活活动的运动视频数据;生成模块603,用于利用所述运动视频数据生成运动相关属性;处理模块604,用于将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。
可选的,如图7所示,所述训练模块601包括:
采集子模块6011,用于采集预定用户的原始运动视频数据,得到原始跌倒风险评估分数值;其中,所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户;生成子模块6012,用于根据所述原始运动视频数据生成原始运动相关属性;选择子模块6013,用于基于Copula熵的特征选择技术,从原始数据集中选择训练数据集;其中,所述原始数据集由所述原始运动相关属性和所述原始跌倒风险评估分数值组成,所述训练数据集包括选择的目标原始运动相关属性和所述目标原始运动相关属性对应的目标原始跌倒风险评估分数值的组合;训练子模块6014,用于利用所述训练数据集训练所述机器学习预测模型。
可选的,所述采集模块602具体用于,采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
可选的,如图8所示,所述生成模块603包括:
第一估计子模块6031,用于利用姿态估计技术,估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息;第二估计子模块6032,用于利用立体视觉技术,估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息;获取子模块6033,用于利用所述人体主要关节的姿态信息和所述深度信息,获得所述每一帧图像的三维姿态信息;第一计算子模块6034,用于利用所述三维姿态信息计算所述每个视频片段的运动相关属性;第二计算子模块6035,用于计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
可选的,所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
可选的,所述跌倒风险评估分数值包括以下任意一种:TUG,POMA。
本发明实施例提供的装置,可以执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
如图9所示,为本发明实施例的跌倒风险评估装置的示意图,包括:处理器901、网络接口902、存储器903、用户接口904和总线接口,其中:
在本发明实施例中,跌倒风险评估装置900还包括:存储在存储器上903并可在处理器901上运行的计算机程序,所述计算机程序被处理器901执行时实现如下步骤:
训练机器学习预测模型;
采集被评估者日常生活活动的运动视频数据;
利用所述运动视频数据生成运动相关属性;
将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。
在图9中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器901代表的一个或多个处理器和存储器903代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。网络接口902可以是有线或无线网卡设备,实现数据在网络上的收发功能。针对不同的用户设备,用户接口904还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器901负责管理总线架构和通常的处理,存储器903可以存储处理器901在执行操作时所使用的数据。
可选的,所述计算机程序被处理器903执行时还可实现如下步骤:
采集预定用户的原始运动视频数据,得到原始跌倒风险评估分数值;其中,所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户;
根据所述原始运动视频数据生成原始运动相关属性;
基于Copula熵的特征选择技术,从原始数据集中选择训练数据集;其中,所述原始数据集由所述原始运动相关属性和所述原始跌倒风险评估分数值组成,所述训练数据集包括选择的目标原始运动相关属性和所述目标原始运动相关属性对应的目标原始跌倒风险评估分数值的组合;
利用所述训练数据集训练所述机器学习预测模型。
可选的,所述计算机程序被处理器903执行时还可实现如下步骤:
采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
可选的,所述计算机程序被处理器903执行时还可实现如下步骤:
利用姿态估计技术,估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息;
利用立体视觉技术,估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息;
利用所述人体主要关节的姿态信息和所述深度信息,获得所述每一帧图像的三维姿态信息;
利用所述三维姿态信息计算所述每个视频片段的运动相关属性;
计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
可选的,所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
可选的,所述跌倒风险评估分数值包括以下任意一种:TUG,POMA。
本发明实施例提供的装置,可以执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一个方法实施例中的跌倒风险评估方法中的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种跌倒风险评估方法,其特征在于,包括:
训练机器学习预测模型;
采集被评估者日常生活活动的运动视频数据;
利用所述运动视频数据生成运动相关属性;
将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。
2.根据权利要求1所述的方法,其特征在于,所述训练机器学习预测模型,包括:
采集预定用户的原始运动视频数据,得到原始跌倒风险评估分数值;其中,所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户;
根据所述原始运动视频数据生成原始运动相关属性;
基于Copula熵的特征选择技术,从原始数据集中选择训练数据集;其中,所述原始数据集由所述原始运动相关属性和所述原始跌倒风险评估分数值组成,所述训练数据集包括选择的目标原始运动相关属性和所述目标原始运动相关属性对应的目标原始跌倒风险评估分数值的组合;
利用所述训练数据集训练所述机器学习预测模型。
3.根据权利要求1所述的方法,其特征在于,所述采集被评估者日常生活活动的运动视频数据,包括:
采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
4.根据权利要求3所述的方法,其特征在于,所述利用所述运动视频数据生成运动相关属性,包括:
利用姿态估计技术,估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息;
利用立体视觉技术,估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息;
利用所述人体主要关节的姿态信息和所述深度信息,获得所述每一帧图像的三维姿态信息;
利用所述三维姿态信息计算所述每个视频片段的运动相关属性;
计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
5.根据权利要求1所述的方法,其特征在于,所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
6.根据权利要求1所述的方法,其特征在于,所述跌倒风险评估分数值包括以下任意一种:起立行走测试TUG,流动性评估试验POMA。
7.一种跌倒风险评估装置,其特征在于,包括:
训练模块,用于训练机器学习预测模型;
采集模块,用于采集被评估者日常生活活动的运动视频数据;
生成模块,用于利用所述运动视频数据生成运动相关属性;
处理模块,用于将所述运动相关属性作为所述机器学习预测模型的输入,运行所述机器学习预测模型,获得所述被评估者的跌倒风险评估分数值。
8.根据权利要求7所述的装置,其特征在于,所述训练模块包括:
采集子模块,用于采集预定用户的原始运动视频数据,得到原始跌倒风险评估分数值;其中,所述预定用户包括第一数量的健康用户和第二数量的具有跌倒风险的用户;
生成子模块,用于根据所述原始运动视频数据生成原始运动相关属性;
选择子模块,用于基于Copula熵的特征选择技术,从原始数据集中选择训练数据集;其中,所述原始数据集由所述原始运动相关属性和所述原始跌倒风险评估分数值组成,所述训练数据集包括选择的目标原始运动相关属性和所述目标原始运动相关属性对应的目标原始跌倒风险评估分数值的组合;
训练子模块,用于利用所述训练数据集训练所述机器学习预测模型。
9.根据权利要求7所述的装置,其特征在于,所述采集模块具体用于,采集所述被评估者日常生活活动的二维运动视频数据和三维运动视频数据。
10.根据权利要求9所述的装置,其特征在于,所述生成模块包括:
第一估计子模块,用于利用姿态估计技术,估计所述二维运动视频数据的每个视频片段的每一帧图像包括的人体主要关节的姿态信息;
第二估计子模块,用于利用立体视觉技术,估计所述三维运动视频数据的所述每个视频片段的每一帧图像的深度信息;
获取子模块,用于利用所述人体主要关节的姿态信息和所述深度信息,获得所述每一帧图像的三维姿态信息;
第一计算子模块,用于利用所述三维姿态信息计算所述每个视频片段的运动相关属性;
第二计算子模块,用于计算所述运动视频数据中所有视频片段的运动相关属性的平均值和方差。
11.根据权利要求7所述的装置,其特征在于,所述运动相关属性包括以下信息中的至少一项:步态速度、步长、步态时间的方差、步态频率、步态速度的方差的标准差。
12.根据权利要求7所述的装置,其特征在于,所述跌倒风险评估分数值包括以下任意一种:TUG,POMA。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910557120.4A CN112120703A (zh) | 2019-06-25 | 2019-06-25 | 一种跌倒风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910557120.4A CN112120703A (zh) | 2019-06-25 | 2019-06-25 | 一种跌倒风险评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112120703A true CN112120703A (zh) | 2020-12-25 |
Family
ID=73849788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910557120.4A Pending CN112120703A (zh) | 2019-06-25 | 2019-06-25 | 一种跌倒风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112120703A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113729657A (zh) * | 2021-10-08 | 2021-12-03 | 厦门理工学院 | 一种基于智能穿戴装置的数据监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140148733A1 (en) * | 2012-04-27 | 2014-05-29 | The Curators Of The University Of Missouri | Activity analysis, fall detection and risk assessment systems and methods |
US20170017882A1 (en) * | 2015-07-13 | 2017-01-19 | Fujitsu Limited | Copula-theory based feature selection |
CN107506706A (zh) * | 2017-08-14 | 2017-12-22 | 南京邮电大学 | 一种基于三维摄像头的人体跌倒检测方法 |
CN108460208A (zh) * | 2017-12-26 | 2018-08-28 | 北京航空航天大学 | 基于Copula熵的多性能参数退化过程相依性度量方法 |
CN108960056A (zh) * | 2018-05-30 | 2018-12-07 | 西南交通大学 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
-
2019
- 2019-06-25 CN CN201910557120.4A patent/CN112120703A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140148733A1 (en) * | 2012-04-27 | 2014-05-29 | The Curators Of The University Of Missouri | Activity analysis, fall detection and risk assessment systems and methods |
US20170017882A1 (en) * | 2015-07-13 | 2017-01-19 | Fujitsu Limited | Copula-theory based feature selection |
CN107506706A (zh) * | 2017-08-14 | 2017-12-22 | 南京邮电大学 | 一种基于三维摄像头的人体跌倒检测方法 |
CN108460208A (zh) * | 2017-12-26 | 2018-08-28 | 北京航空航天大学 | 基于Copula熵的多性能参数退化过程相依性度量方法 |
CN108960056A (zh) * | 2018-05-30 | 2018-12-07 | 西南交通大学 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
CN109919132A (zh) * | 2019-03-22 | 2019-06-21 | 广东省智能制造研究所 | 一种基于骨架检测的行人跌倒识别方法 |
Non-Patent Citations (5)
Title |
---|
张海坤,张海鹏: "基于Copula熵——BP神经网络的大坝位移预测", 《山东水利》, 31 December 2017 (2017-12-31), pages 37 - 38 * |
张海坤、张海鹏: "基于Copula熵——BP神经网络的大坝位移预测", 《山东水利》, pages 37 - 38 * |
陈璐,郭生练: "《Copula 函数理论在多变量水文分析计算中的应用研究》", 30 November 2013, 武汉大学出版社, pages: 125 * |
陈璐: "基于Copula 熵的神经网络径流预报模型预报因子选择", 《水力发电学报》, vol. 33, no. 6, 31 December 2014 (2014-12-31), pages 26 - 29 * |
陈璐: "基于Copula熵的神经网络径流预报模型预报因子选择", 《水力发电学报》, vol. 33, no. 6, pages 26 - 29 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113729657A (zh) * | 2021-10-08 | 2021-12-03 | 厦门理工学院 | 一种基于智能穿戴装置的数据监测方法及系统 |
CN113729657B (zh) * | 2021-10-08 | 2023-04-18 | 厦门理工学院 | 一种基于智能穿戴装置的数据监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pizzolato et al. | Real-time inverse kinematics and inverse dynamics for lower limb applications using OpenSim | |
US20220189211A1 (en) | Physical activity quantification and monitoring | |
JP2020071550A (ja) | 推定器生成装置、モニタリング装置、推定器生成方法及び推定器生成プログラム | |
US20220375621A1 (en) | Digital twin | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
Tan et al. | Short paper: Using BSN for tele-health application in upper limb rehabilitation | |
JPWO2019187099A1 (ja) | 身体機能自立支援装置およびその方法 | |
Wu et al. | Incorporating motion analysis technology into modular arrangement of predetermined time standard (MODAPTS) | |
CN113869090A (zh) | 一种跌倒风险评估方法及装置 | |
CN114782497B (zh) | 运动功能分析方法和电子设备 | |
Sengan et al. | Cost-effective and efficient 3D human model creation and re-identification application for human digital twins | |
Nguyen et al. | Reinforcement learning coupled with finite element modeling for facial motion learning | |
CN112120703A (zh) | 一种跌倒风险评估方法及装置 | |
Ahmed et al. | Kalman filter-based noise reduction framework for posture estimation using depth sensor | |
CN117392746A (zh) | 康复训练评估辅助方法、装置、计算机设备和存储介质 | |
Masullo et al. | CaloriNet: From silhouettes to calorie estimation in private environments | |
US20220310225A1 (en) | Health management apparatus and method for providing health management service based on neuromusculoskeletal model | |
CN115798700A (zh) | 一种跌倒风险评估方法及装置 | |
CN115841863A (zh) | 康复训练计划生成和康复训练系统 | |
CN114998816A (zh) | 基于骨骼ai视频的病例改进方法、装置及存储介质 | |
CN111820869A (zh) | 一种认知评估方法及装置 | |
Barelle et al. | The BIOTELEKINESY home care service: A holistic concept to prevent fall among the elderly based on ICT and computer vision | |
Zamzami | The Key Criteria for Predicting Unusual Behavior in the Elderly With Deep Learning Models Under 5G Technology | |
CN110503056A (zh) | 以ar技术为基础应用于认知功能评估的肢体动作识别方法 | |
Wang | Ergonomic-centric methods for workplace design in industrialized construction |
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 |