CN112386249A - 跌倒检测方法及装置、设备、存储介质 - Google Patents
跌倒检测方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN112386249A CN112386249A CN201910749411.3A CN201910749411A CN112386249A CN 112386249 A CN112386249 A CN 112386249A CN 201910749411 A CN201910749411 A CN 201910749411A CN 112386249 A CN112386249 A CN 112386249A
- Authority
- CN
- China
- Prior art keywords
- fall detection
- fall
- detection result
- information
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- A61B5/1112—Global tracking of patients, e.g. by using GPS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例公开了跌倒检测方法及装置、设备、存储介质,其中,所述方法包括:获取监护对象的状态信息和N个跌倒检测模组的检测准确度;N为大于1的整数;通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果;基于所述至少N个跌倒检测结果和每一所述跌倒检测模组的检测准确度,确定所述监护对象是否发生跌倒;如果所述目标检测结果为所述监护对象发生跌倒,响应所述目标检测结果,如此可以减少跌倒检测方法出现的误判和漏判的次数,提高跌倒检测方法的可靠性。
Description
技术领域
本申请实施例涉及物联网技术,涉及但不限于跌倒检测方法及装置、设备、存储介质。
背景技术
随着老龄化程度的加深,空巢老人越来越多。由于老人身体机能的老化和疾病的影响,老人容易发生跌倒,而跌倒可能会给老人带来生命威胁,因此减少跌倒检测方法出现误判和漏判的次数,以提高跌倒检测方法的可靠性,对于老人能够获得及时的救助是非常有意义的。
目前,检测老人是否发生跌倒所用的方法一般是:首先确定监护对象的加速度、角速度等状态信息,如果加速度、角速度均大于预设阈值,则确定监护对象发生跌倒。然而,这种根据阈值判定监护对象是否跌倒的机制并不可靠。
发明内容
有鉴于此,本申请实施例为解决相关技术中存在的至少一个问题而提供跌倒检测方法及装置、设备、存储介质。本申请实施例的技术方案是这样实现的:
本申请实施例提供一种跌倒检测方法,所述方法包括:获取监护对象的状态信息和N个跌倒检测模组的检测准确度;N为大于1的整数;通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果;基于所述至少N个跌倒检测结果和每一所述跌倒检测模组的检测准确度,确定目标检测结果,所述目标检测结果用于表征所述监护对象是否发生跌倒;如果所述目标检测结果为所述监护对象发生跌倒,响应所述目标检测结果。
本申请实施例提供一种跌倒检测装置,所述装置包括:获取模块、分析模块、确定模块和响应模块;其中,所述获取模块,配置为获取监护对象的状态信息和N个跌倒检测模组的检测准确度;N为大于1的整数;所述分析模块,配置为通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果;所述确定模块,配置为基于所述至少 N个跌倒检测结果和每一所述跌倒检测模组的检测准确度,确定目标检测结果,所述目标检测结果用于表征所述监护对象是否发生跌倒;所述响应模块,配置为如果所述目标检测结果为所述监护对象发生跌倒,响应所述目标检测结果。
本申请实施例提供一种跌到检测设备,包括存储器和处理器,所述存储器存储有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跌倒检测方法中的步骤。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述跌倒检测方法中的步骤。
本申请实施例中,在得到所述至少N个跌倒检测结果之后,结合每一所述跌倒检测模组的检测准确度,判定监护对象是否发生跌倒,而不是仅根据所述至少N个跌倒检测结果判定监护对象是否发生跌倒,如此可以降低所述跌倒检测方法出现误判和漏判的概率,提高所述跌倒检测方法的可靠性,在监护对象发生跌倒时,能够及时捕获到该跌倒事件并响应,例如通过报警或者呼叫紧急联系人的方式,确保监护对象的救助能够及时到达。
附图说明
图1为本申请实施例健康监护系统的组成结构示意图;
图2为本申请实施例跌倒检测方法的实现流程示意图;
图3为本申请实施例第一终端显示调查选项的界面示意图;
图4为本申请实施例第一级跌倒检测算法的组成结构示意图;
图5为本申请实施例人体低速行走时下发生跌倒的加速度波形图;
图6为本申请实施例人体在慢跑时下发生跌倒的加速度波形图;
图7为本申请实施例数据匿名化发布模块的组成结构示意图;
图8为本申请实施例数据匿名化发布模块的工作流程示意图;
图9为本申请实施例数据匿名化处理的方法实现流程示意图;
图10为本申请实施例健康监护系统的层次结构示意图;
图11为本申请实施例移动终端的硬件结构示意图;
图12为本申请实施例加速计各方向的响应与相对垂直方向的关系示意图;
图13为本申请实施例加速计与微控制器互联的电路原理图;
图14为本申请实施例陀螺仪输出响应与相对于重力方向的关系示意图;
图15为本申请实施例陀螺仪与微控制器互联的电路原理图;
图16为本申请实施例跌倒判定的软件实现流程示意图;
图17为本申请实施例LIBSVM的处理流程示意图;
图18为本申请实施例全球定位系统(Global Positioning System,GPS)定位模块与微控制器互联的电路原理图;
图19为本申请实施例GPS数据格式示意图;
图20为本申请实施例解析GPS数据的流程示意图;
图21为本申请实施例通用分组无线服务技术(General Packet Radio Service,GPRS)/ 全球移动通信系统(Global System for Mobile Communications,GSM)通信模块的外围连接示意图;
图22为本申请实施例GPRS/GSM通信模块的硬件电路原理图;
图23为本申请实施例GPRS/GSM通信模块执行数据上传的流程示意图;
图24为本申请实施例GPRS/GSM通信模块执行紧急呼叫的流程示意图;
图25为本申请实施例微控制器的结构原理示意图;
图26为本申请实施例移动终端电源的结构原理示意图;
图27为本申请实施例第二终端上的应用(Application,APP)实现流程示意图;
图28为本申请实施例跌倒检测装置的组成结构示意图;
图29为本申请实施例跌倒检测设备的一种硬件实体示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对发明的具体技术方案做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
需要指出,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
本申请实施例首先提供一种健康监护系统,图1为本申请实施例健康监护系统的组成结构示意图,如图1所示,该系统10包括多个感知节点101至10M、第一终端111、多个第二终端121至12K、云平台131,M和K均为大于1的整数;其中,第一终端111为监护对象随身携带的具有通信能力和跌倒检测能力的移动终端(例如,手机、智能手环、智能手表等),第一终端111一般内置有陀螺仪、加速计等传感器,可以获得监护对象的加速度信息、角速度信息等,能够通过无线网络与第二终端121至12K、云平台进行信息交互,所述无线网络,例如GPRS、GSM、第四代移动通信技术(4th-Generation,4G)、第五代移动通信技术(5th-Generation,5G)等;感知节点101至10M用于获得监护对象的生理参数、辅助第一终端111进行精确定位等,感知节点101至10M可以通过短距离无线通信技术与第一终端111进行信息交互,所述短距离无线通信技术,例如蓝牙、超宽带、紫蜂协议(ZigBee)、无线网(WirelessFidelity,Wi-Fi)等;多个第二终端121至12K可以为具有通信能力和跌倒检测能力的终端设备,第二终端上可以安装有与第一终端111关联的APP,以方便第二终端121至12K的用户通过APP查看监护对象的状态信息、配置监护对象的活动区域等,多个第二终端121至12K可以通过无线网络分别与第一终端111、云平台131进行信息交互;云平台131可以是一台服务器,也可以是由多台服务器构成的服务器集群、云计算中心等等,在此不加以限定。
结合图1所示的健康监护系统的组成结构示意图,以下对跌倒检测方法及装置、设备、存储介质的各实施例进行说明。本申请实施例提供跌倒检测方法,该方法应用于跌倒检测设备,在本申请实施例中,所述跌倒检测设备可以是第一终端111,也可以是云平台131。
图2为本申请实施例跌倒检测方法的实现流程示意图,如图2所示,该方法至少包括以下步骤S201至步骤S204:
步骤S201,跌倒检测设备获取监护对象的状态信息和N个跌倒检测模组的检测准确度; N为大于1的整数。
所述监护对象的状态信息可以包括所述监护对象的生理参数信息和非生理参数信息,其中,所述生理参数信息,可以是所述监护对象的脉搏、血压、血氧等;所述非生理参数信息,可以是所述监护对象的加速度信息、角速度信息、位置信息等。
可以理解地,所述检测准确度用于表征其对应的跌倒检测模组的可靠性,在实际应用中,每一所述跌倒检测模组的检测准确度都可以通过大量的实验数据得到。例如,在一万次跌倒检测中,第一跌倒检测模组发生错误判断的次数为1000次,那么,可以确定第一跌倒检测模组的检测准确率为0.9,在对该检测准确率进行归一化处理之后,得到第一跌倒检测模组的检测准确度。在通过大量的实验数据确定每一所述跌倒检测模组的检测准确度之后,可以将每一所述跌倒检测模组的检测准确度和对应的跌倒检测模组关联,并导入所述跌倒检测设备中,以供所述跌倒检测设备在执行所述跌倒检测方法的过程中调用。
这里,当步骤S201由第一终端实现时,第一终端可以通过内置的传感器获取所述监护对象的状态信息,还可以接收外部的感知节点发送的所述监护对象的状态信息,例如第一终端接收感知节点发送的所述监护对象的血氧、血压等。
当步骤S201由云平台实现时,云平台接收第一终端发送的所述监护对象的状态信息。
步骤S202,跌倒检测设备通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果。
需要说明的是,所述N个跌倒检测模组是互不相同的,每一跌倒检测模组均为一套完整的跌倒检测算法,用于确定所述监护对象当前是否发生跌倒。例如,其中的一个跌倒检测模组可以是一个分类模型,该分类模型对所述监护对象的状态信息进行处理,以确定监护对象是否发生跌倒;其中,分类模型可以通过大量具有标签的加速度信息和/或角速度信息训练得到,所述标签用于标注加速度信息和/或角速度信息是监护对象跌倒时采集的,还是未跌倒时采集的。
在其他实施例中,通过所述N个跌倒检测模组分别对所述监护对象的加速度信息和/或角速度信息进行分析,得到至少N个跌倒检测结果。
跌倒检测模组在对状态信息进行分析处理时,可以以一个滑动观察窗为基本单位,也就是以预定的时间长度为基本单位,滑动获取该时间长度内的加速度信息或角速度信息,并对一个时间长度内的加速度信息或角速度信息进行分析,得到对应的跌倒检测结果,这样,以滑动观察窗为单位,进行跌倒判定,可以减小瞬时值对跌倒检测结果带来的误差。
步骤S203,跌倒检测设备基于所述至少N个跌倒检测结果和每一所述跌倒检测模组的检测准确度,确定目标检测结果,所述目标检测结果用于表征所述监护对象是否发生跌倒。
步骤S203在实现时,跌倒检测设备可以将每一个跌倒检测结果与对应的跌倒检测模组的检测准确度相乘,得到乘积集合,然后将乘积集合中的每一乘积进行累加,将得到的累加和与预设的跌倒阈值进行比较,得到目标检测结果。举例来说,假设预设的跌倒阈值为0.6,数字“1”表征所述监护对象发生跌倒,数字“0”表征所述监护对象未发生跌倒,跌倒检测模组11得到的跌倒检测结果为1,对应的检测准确度为0.347(即归一化处理后的检测准确率);跌倒检测模组12得到的跌倒检测结果为0,对应的检测准确度为0.347;跌倒检测模组 13得到的跌倒检测结果为1,对应的检测准确度为0.306;基于此,得到的乘积集合为(0.347, 0,0.306),基于该乘积集合,得到的累加和为0.753,该值大于预设的跌倒阈值0.6,因此,可以生成表征所述监护对象发生跌倒的目标检测结果。
在其他实施例中,如果跌倒检测设备确定所述至少N个跌倒检测结果一致时,可以将任一跌倒检测结果确定为目标检测结果。例如,所述至少N个跌倒检测结果均表征所述监护对象发生跌倒,此时跌倒检测设备可以生成表征所述监护对象发生跌倒的目标检测结果。
步骤S204,如果所述目标检测结果为所述监护对象发生跌倒,跌倒检测设备响应所述目标检测结果。
这里,不限定跌倒检测设备响应所述目标检测结果的方式,例如,跌倒检测设备输出报警信息,或者,跌倒检测设备呼叫至少一个紧急联系人。
步骤S204由第一终端实现时,第一终端响应所述目标检测结果包括:第一终端输出报警信息,例如,第一终端语音播放报警信息,以引起其他对象的注意,获得其他对象的帮助;第一终端响应所述目标检测结果还包括:第一终端向预设的紧急联系人(即第二终端)发送携带监护对象位置信息的报警信息,以获得紧急联系人的救助;第一终端响应所述目标检测结果还包括:第一终端呼叫紧急联系人。
步骤S204由云平台实现时,云平台响应所述目标检测结果包括:云平台向第一终端发送报警信息;且向第二终端发送携带监护对象位置信息的报警信息;其中,第二终端为监护对象的紧急联系人所持的终端。云平台响应所述目标检测结果还包括:云平台呼叫第二终端。
在本申请实施例中,在得到所述至少N个跌倒检测结果之后,结合每一所述跌倒检测模组的检测准确度,判定监护对象是否跌倒,而不是直接根据所述至少N个跌倒检测结果判定监护对象是否跌倒,这样,可以降低所述跌倒检测方法出现误判和漏判的概率,提高所述跌倒检测方法的可靠性。在监护对象发生跌倒时,能够及时捕获到该跌倒事件并响应,例如通过报警或者呼叫紧急联系人的方式响应该跌倒事件,从而确保对监护对象的救助及时到达。
基于前述的实施例,本申请实施例提供另一跌倒检测方法,该方法至少包括以下步骤 S301至步骤S309:
步骤S301,跌倒检测设备获取监护对象的加速度信息和角速度信息。
步骤S301由第一终端实现时,第一终端可以通过自身内置的加速度传感器获取所述加速度信息,通过角速度传感器获取所述角速度信息。云平台在实现步骤S301时,云平台接收第一终端发送的角速度信息和加速度信息。
步骤S302,跌倒检测设备将所述加速度信息和/或所述角速度信息传输至预先训练得到的分类模型中,得到至少一个第一跌倒检测结果。
在实现步骤S302之前,可以通过大量的具有标签的加速度特征序列和具有标签的角速度特征序列训练所述分类模型,其中,所述标签用于标记特征序列对应的类型是“跌倒”还是“未跌倒”。在训练完成后,跌倒检测设备利用训练得到的分类模型,对获取的加速度信息和/或角速度信息进行识别,从而确定所述监护对象是否发生跌倒。
在其他实施例中,步骤S302包括:跌倒检测设备对所述加速度信息和/或所述角速度信息进行特征提取,得到加速度特征序列和/或角速度特征序列;将所述加速度特征序列和/或角速度特征序列传输至所述分类模型中,得到至少一个第一跌倒检测结果。每一特征序列实际上为一个时间序列,例如,加速度特征序列至少包括两个不同时刻的加速度向量幅值,角速度特征序列至少包括两个不同时刻的倾斜角值。
步骤S303,跌倒检测设备将所述加速度信息和/或所述角速度信息传输至预设的能量损耗模型中,得到所述监护对象的至少一个能量损耗。
例如,可以将一个滑动观察窗内的加速度信息或角速度信息输入至如下公式(1),从而确定a个滑动观察窗所对应的能量损耗E。
E=a(∫|x2|dt+∫|y2|dt+∫|z2|dt) 式(1);
式中,a一般取值为1,表示能量损耗的计算以每个滑动观察窗为单位进行,当a=1时,积分长度为一个滑动观察窗的时间长度,x,y,z分别为在三轴方向上的角速度或加速度。
步骤S304,跌倒检测设备基于所述至少一个能量损耗和预设的能量损耗范围,生成至少一个第二跌倒检测结果。
可以理解地,监护对象在行走、站立和跌倒所损耗的能量是不同的,通过大量实验数据可以得出在不同动作下对应的能量损耗范围。因此,这里可以将得到的能量损耗与预设的能量损耗范围进行比较,根据比较结果生成第二跌倒检测结果。例如,当获得的能量损耗大于第一能量损耗阈值且小于第二能量损耗阈值时,确定所述监护对象发生跌倒。
步骤S305,跌倒检测设备将所述角速度信息传输至预设的倾角确定模型中,得到所述监护对象的身体倾斜角。
例如,所述倾角确定模型为前述公式(1)。
步骤S306,跌倒检测设备基于所述身体倾斜角和预设的角度阈值,生成第三跌倒检测结果;
需要说明的是,所述角度阈值可以通过大量的实验数据获得。步骤S302实现的是一个跌倒检测模组的跌倒检测功能,步骤S303和步骤S304实现的是另一跌倒检测模组的跌倒检测功能,步骤S305和步骤S306实现的是再一跌倒检测模组的跌倒检测功能。在本实施例中,不限定三个跌倒检测模组的执行顺序,三个跌倒检测模组可以同时执行。
还需要说明的是,步骤S302至步骤S306为所述通过所述N个跌倒检测模组分别对所述监护对象的加速度信息和/或角速度信息进行分析,得到至少N个跌倒检测结果的一种实施示例,在其他实施例中,也可以基于第一跌倒检测结果至第三跌倒检测结果中的任意至少两个跌倒检测结果,确定所述监护对象是否发生跌倒。
在其他实施例中,如果所述第一跌倒检测结果与所述第二跌倒检测结果不匹配,或者,所述第一跌倒检测结果与所述第三跌倒检测结果不匹配,说明第一检测结果可能不准确,这可能是分类模型的分类性能较差所导致的,因此,在本实施例中,可以基于所述加速度信息,调整所述分类模型的模型参数值,以提高分类模型的分类性能。
步骤S307,跌倒检测设备获取每一跌倒检测结果对应的跌倒检测模组的检测准确度。
可以理解地,跌倒检测模组指的是确定跌倒检测结果时所执行的算法,跌倒检测模组的检测准确度可以预先通过大量的实验数据统计得到。
步骤S308,跌倒检测设备基于每一跌倒检测结果和每一跌倒检测结果对应的跌倒检测模组的检测准确度,确定目标检测结果,所述目标检测结果用于表征所述监护对象是否发生跌倒。
步骤S309,当所述目标检测结果为所述监护对象发生跌倒时,跌倒检测设备输出报警信息或呼叫预设的至少一个紧急联系人。
在其他实施例中,所述方法还至少包括如下步骤S310至步骤S313:
步骤S310,跌倒检测设备获取表征所述目标检测结果是否准确的反馈信息。
可以理解地,所述反馈信息反馈的是所述监护对象是否跌倒的真实情况。举例来说,跌倒检测设备为第一终端时,在第一终端播放报警信息的同时,如图3所示,在第一终端的界面显示或者语音播放调查选项30,以询问监护对象是否跌倒,第一终端依据接收的回复信息和所述目标检测结果,生成反馈信息,例如,所述选择指令指示所述监护对象没有跌倒,而所述目标检测结果为所述监护对象发生跌倒,此时可以生成指示所述监护对象没有跌倒的反馈信息,或者,生成指示所述目标检测结果错误的反馈信息。另外,跌倒检测设备是云平台时,云平台可以接收第一终端发送的反馈信息。
步骤S311,跌倒检测设备基于所述反馈信息和所述至少N个跌倒检测结果,确定发生错误判断的跌倒检测模组。
在实现步骤S311时,跌倒检测设备可以基于所述反馈信息和所述目标检测结果,确定所述目标检测结果是否准确;如果所述目标检测结果是准确的,那么与所述目标检测结果不一致的跌倒检测结果则是错误的,此时根据错误的跌倒检测结果确定发生错误判断的跌倒检测模组;同理,如果所述目标检测结果是错误的,那么与所述目标检测结果一致的跌倒检测结果则是错误的,此时根据错误的跌倒检测结果确定发生错误判断的跌倒检测模组。
在其他实施例中,所述跌倒检测设备在基于所述反馈信息和所述至少N个跌倒检测结果,确定出错误的跌倒检测结果之后,还可以基于所述错误的跌倒检测结果和其对应的加速度信息或角速度信息,更新与所述错误的跌倒检测结果对应的跌倒检测模组的检测参数值,所述检测参数值至少包括以下之一:所述分类模型的模型参数值、所述能量损耗范围的边界值、所述角度阈值。例如,基于所述反馈信息,对所述错误的跌倒检测结果进行纠正,基于纠正后的跌倒检测结果、与所述错误的跌倒检测结果对应的加速度信息或角速度信息,重新训练所述分类模型,以更新所述分类模型的模型参数值,改善所述分类模型的分类性能,提高所述分类模型的检测准确度。
步骤S312,跌倒检测设备确定在预设时间段内每一跌倒检测模组发生错误判断的比例。
可以理解地,所述比例指的是所述跌倒检测模组在预设时间段内发生错误判断的次数与执行跌倒检测的次数之间的比值。所述比例越大,表明对应的跌倒检测模组的检测精度越差。
步骤S313,跌倒检测设备基于每一跌倒检测模组发生错误判断的比例,更新与所述跌倒检测模组对应的检测准确度。
可以理解地,所述跌倒检测模组发生错误判断的比例越大,表明所述跌倒检测模组的可靠性越差,获得的跌倒检测结果准确性较低。基于此,通过更新所述跌倒检测模组的检测准确度,使跌倒检测模组的检测准确度与当前的检测性能相适应,从而在依据所述至少N个跌倒检测结果和每一所述跌倒检测模组的检测准确度确定目标检测结果时,能够获得更加可靠的目标检测结果,提高跌倒检测的精度,在监护对象发生跌倒时,能够及时捕获到跌倒事件,使监护对象得到救助,减少跌倒给监护对象带来的伤害。
基于前述的实施例,本申请实施例提供再一跌倒检测方法,该方法至少包括以下步骤 S401至步骤S411:
步骤S401,第一终端采集被监护的老人的加速度信息和角速度信息;
步骤S402,第一终端利用分类模型对所述加速度信息进行分类,得到第一跌倒检测结果;
步骤S403,第一终端基于所述加速度信息,确定所述老人的能量损耗;
步骤S404,第一终端基于所述能量损耗和预设的能量损耗范围,生成第二跌倒检测结果;
步骤S405,第一终端基于所述角速度信息,确定所述老人的身体倾斜角;
步骤S406,第一终端基于所述身体倾斜角和预设的角度阈值,生成第三跌倒检测结果;
步骤S407,第一终端确定所述第一跌倒检测结果、所述第二跌倒检测结果和所述第三跌倒检测结果是否均表征所述老人发生跌倒;如果是,执行步骤S408、至步骤S410;否则,返回执行步骤S401;
步骤S408,第一终端生成第一报警信息,并通过语音播发;
步骤S409,第一终端获取自身的位置信息,生成携带有所述位置信息的第二报警信息;
步骤S410,第一终端将所述第二报警信息发送给第一终端的至少一个紧急联系人所关联的第二终端;
步骤S411,第一终端呼叫所述至少一个紧急联系人。
在其他实施例中,第一终端按照预设的时间间隔采集所述老人的生理参数信息(比如,老人的血压、脉搏、血氧等),将第一终端的标识信息和所述生理参数信息传输至云平台,云平台接收并存储所述生理参数信息和所述标识信息。
本申请实施例中,提供一种将物联网技术、云服务技术、移动通讯技术与互联网技术、动态信息数据实时管理分析技术与嵌入式技术结合的远程与短程共存的健康监护系统。该系统由大数据云服务中心、信息智能分析系统、移动健康管理平台、前端传感设备及无线通讯终端构成,为老人(即前述实施例所述的监护对象的一种示例)提供健康照护功能。该系统通过具有通信能力的第一终端,将老人的身体健康状态通过无线网络(例如GPRS网络)传输到云平台,同时,第一终端将老人的身体健康状态传输到监护人的第二终端,从而使监护人能够远程监测老人的身体状态,消除距离的限制。
本申请实施例中,第一终端采用加速度传感器与陀螺仪的多传感器融合技术,并结合具有自适应能力的跌倒判定算法精确检测老人是否跌倒,如果第一终端判定老人为跌倒状态,则将报警信息与第一终端的位置信息发送至第二终端上安装的APP,同时第一终端也会发出明显的警报求助信息,如语音求助等;在第一终端上设置有紧急呼叫键,当紧急呼叫键被触发时,第一终端可以通过通信网络(如GSM网络)呼叫老人的监护人或者发送短信给老人的监护人,以及第一终端通过GPRS网络向第二终端上的APP发送触发该APP报警的指令,从而能够快速联系老人的监护人,即时向监护人呼救;第一终端还可以利用GPS定位系统精确定位老人的地理位置,以防老人走丢或者跌倒在某些无人察觉的地方时,快速找到老人。
本申请实施例中,通过对老人的多个健康参数进行实时监护,并能够实时定位,在发生紧急状况的时候能够自动发起呼救。该系统主要具备以下特点:
(1)跌倒感知技术与判定算法更可靠:该系统中跌倒检测部分在可靠性与低功耗方面有所改进,硬件上采用加速度计与陀螺仪相结合的多传感器融合技术,软件上使用的模式识别算法中加入了用户数据学习算法,形成具有自适应能力的三级跌倒判定算法,这样可以大大减少跌倒判定算法出现误判和漏判的情况,提高了跌倒检测的可靠性。
(2)第一终端与第二终端上的APP之间的互动结合更紧密:第一终端主要负责汇聚来自多个感知节点的人体生理数据以及采集并处理与生命安全有关的非生理数据(例如老人的加速度信息、角速度信息等),第一终端通过GPRS/GSM网络远程将采集的人体生理数据和非生理数据,传送至第二终端上的APP,该APP对所述人体生理数据和所述非生理数据进行存储、分析及显示。监护人可通过该APP查询第一终端的实时状态并对其进行配置(比如,对老人活动范围的制定,老人生理参数警报指标的制定等)实现老人监护系统的远程人机交互功能,消除距离的限制。
(3)第一终端的灵活性与低功耗设计更优秀:由于系统中用于采集人体生理参数的感知节点均以统一的、固定的协议(例如蓝牙协议)与第一终端进行数据交互,感知节点的功能对于第一终端来说是透明的、松散的耦合使得添加新的感知节点变得简单,只要新的感知节点按照统一的协议与第一终端握手,就能够进行数据短程传输。这样的设计减小了第一终端的工作强度,同时第一终端中的功能模块均采用低功耗芯片,进而使得第一终端的体积、功耗、程序复杂度等大为降低,从而易于老年人佩戴。
(4)云服务与GPRS网络的技术结合更安全:第一终端稳定地监测老人的生理健康参数和与生命安全有关的非生理信号,并通过GPRS网络把数据远程传送到云平台,进行存储、管理与分析,实现对老年人的远程照护功能。云平台在对数据进行存储、挖掘的过程中,采用改进的内置(SD,K)-anonymity匿名算法对要发布的数据信息进行匿名化技术处理,对老人的身体状态等敏感信息进行保护。
相比目前的健康监护系统,本申请实施例所提供的健康监护系统具有以下特点:(1)在线监测基本功能:这一点和已有系统类似,可以实时监测老人身体生理参数、运动情况、位置信息等,并把这些数据实时存入云平台中。(2)预警值的设置和远程传送报警信息:根据老人的实际情况及时地修改对应的预警值,当监测到老人发生一些危险情况时,可以及时地、可靠地通过短信和电话形式通知其家属或监护人。(3)人性化的报警机制:在本系统中可以预设老人紧急联系人的手机号码。如果老人发生意外时,系统能保证自动通过电话和短信形式通知其紧急联系人,使老人的紧急联系人可以及时了解信息,对老人进行及时的救助,从而达到对老人的亲情监护。(4)直观地显示老人监测的参数:为了使老人的家属可以方便的、直观的了解老人的一些参数。本系统可以使用数字方式直观的显示监护老人的参数信息。(5) 可扩展性强:由于用户需求的差异性和鉴于今后更多老人生理参数需要在监控中心处理的情况,必须保证该系统的扩展性强,在监控中心设计上注重采用模块化的设计思想。(6)身体姿态监测:利用跌倒判定模块的测量值,通过跌倒检测算法判断出佩戴者的身体姿态,当出现跌倒动作时,能够及时报警。(7)精准定位:当老人发生跌倒,判定模块检测到跌倒并且报警的时候,第一终端能够完成自动对老人所在地进行定位同时发送位置信息给老人监护人,这样做可以有效保证对老人的救助能够及时的到达。
除了上述特点之外,本申请实施例重点解决如下两个方面的问题:
第一方面,为了提高跌倒检测器的可靠性,尽可能减少跌倒判定算法出现误判和漏判的情况,本系统采用了具有自适应能力的三级跌倒判定算法。
(1)第一级跌倒检测算法:
第一级跌倒检测算法(即前述实施例所述的跌倒检测模组的一种实施示例)采用支持向量机(Support Vector Machine,SVM)算法针对三轴向加速度传感器的输出数据进行筛选。 SVM算法是一种机器学习算法,类似于神经网络算法,当SVM被用于分类时,可以通过学习已知分类结果的数据集,建立分类模型,之后就可以使用分类模型对任意数据集进行分类,而分类的依据完全是未知的。
在第一级跌倒检测算法中,首先,将在第i时刻加速度传感器传来的三轴向实时加速度坐标(ax(i),ay(i),az(i))输入至如下公式(2)中,以换算成人体加速度向量幅值Mi,然后运用SVM算法对得到的人体加速度向量幅值进行类别判定,即可确定老人是否发生跌倒。
图4为本申请实施例第一级跌倒检测算法的组成结构示意图,如图4所示,在图4中,决定逻辑单元403进行跌倒判定的依据是形如(M1,M2,M3,…,Mn)的加速度向量幅值时间序列,该时间序列是依据一个滑动观察窗内的原始加速度信息获得的,决定逻辑单元403运行SVM分类模型对该时间序列进行分类,加速度向量幅值时间序列被分为“跌倒”和“未跌倒”两种类型,当决定逻辑单元403发现出现判定为“跌倒”的时间序列之后,将向下一级判定逻辑单元404发出携带判定结果的报警信号。
在图4中,整个数据处理过程都是以一个滑动观察窗为基本单位,先进先出存储器402 (First Input First Output,FIFO)中会缓存滑动观察窗内的所有原始数据。图4中的存储器 405存储有“典型”跌倒时间序列特征,它是对人在跌倒时的加速度信息进行采集、分类之后得到的。决定逻辑单元403运行的初始分类模型就是使用这种“典型”的跌倒特征集训练后得到的。如果下一级判定逻辑单元404反馈表明出现了一次误判,则表明“典型”的跌倒加速度特征与老人“个性化”的跌倒特征产生矛盾,应该使用FIFO缓存的导致产生本次误判的加速度特征修正存储器405中存储的“典型”跌倒特征,修正方法为使用当前FIFO中的向量替换存储器405中与其汉明距离最远的特征向量。在存储器405中的特征库经过数次修正之后,就可以用新的特征库去训练决定逻辑单元的分类模型了,使其不会再出现先前的误判。
图5为本申请实施例人体在低速行走时发生跌倒的数据波形示意图,在图5中,横轴为时间,单位为秒,纵轴为人体加速度向量幅值,单位为重力加速度g,假设人体在第6秒之后发生了跌倒。可以看到在跌倒发生时波形有较大波动出现,当滑动观察窗采集到图5虚线框所示的区域的数据后,送到决定逻辑单元403的加速度向量幅值时间序列就反应了跌倒发生时的波形特性,决定逻辑单元403将使用SVM算法对该时间序列做出跌倒与否的判定。
可以理解地,图5展示的波形是人体在低速行走时下发生跌倒的情况,跌倒发生时的加速度向量幅值波动比较明显,在这种情况下基于阈值的跌倒判定方法也能检测出跌倒,但是当人体在较大运动强度下发生跌倒时,跌倒时的波形就难以通过简单的阈值判定与正常波形区分开来。
例如,当人体在慢跑的情况下发生跌倒时的加速度波形如图6所示,此时波形中有较多的尖锐波峰,在第6秒发生跌倒之后的波形与慢跑时的波形已没有较大差异,此时基于阈值的跌倒检测难以准确捕捉跌倒,而使用SVM算法进行精细的波形匹配依然可以准确捕捉到跌倒时的波形,因为SVM的分类模型在进行分类之前已经被大量典型跌倒波形特征训练。
(2)第二级跌倒检测算法:
第二级跌倒检测算法(即前述实施例所述的跌倒检测模组的一种实施示例)是对第一级跌倒检测算法筛选为疑似跌倒的情况作进一步分析,通过比较人体能量损耗是否超过设定阈值来确定运动是否激烈。依据人体在行走、站立和跌倒所损耗的能量的不同,通过实验可以得出在不同动作下能量损耗的阈值范围。因此,在第二级跌倒检测算法中引入能量损耗的方法进行跌倒判定。能量损耗是动态加速度的平方在特定时间域上的积分,计算公式如式(3):
E=a(∫|x2|dt+∫|y2|dt+∫|z2|dt) 式(3);
此处a=1,表示能量损耗的计算以每个滑动观察窗为单位进行的。
(3)第三级跌倒检测算法:
第三级跌倒检测算法(即前述实施例所述的跌倒检测模组的一种实施示例)主要通过陀螺仪采集的数据,查验人体倾角数据进一步确认老人是否已经跌倒。人体在跌倒后倾角必然会有显著的变化,第三级跌倒检测算法通过查验人体倾角是否已经小于预定阈值来确定老人是否已经跌倒。倾角阈值也可根据第二终端发送的反馈信息动态修正。陀螺仪的输出是角加速度,对其进行积分便可得到角度。在积分算法的选取上,由于采集到的角加速度值是关于时间的三个序列,需要使用数值积分的方法计算角度。然而在数值积分算法中,高阶的算法会出现数值不稳定,低阶的算法又往往因积分区间步长过大使得离散误差大。为了提高积分的精确度,在本实施例中采用复合Simpson公式算法来求积分获得老人当前的倾斜角。
以上三级跌倒检测算法,每一级完成独立判定,当三级跌倒判定结果一致时,确定老人已经跌倒,此时,第一终端将通过GPRS/GSM链路向第二终端上的APP通报这一情况,APP将会获取跌倒位置并延迟15秒之后向监护人手机输出求救短信,如果老人在短信未发出之前手动解除了报警,说明第一终端出现了一次误判,误判会通过GPRS/GSM链路反馈回第一终端,第一终端会针对反馈更新跌倒判定算法,主要是修正判定阈值与更新用于训练分类模型的跌倒向量特征库。
第二方面,本实施例提供数据匿名化发布模块,主要用于对数据进行匿名化技术处理,来达到保护老人敏感信息的目的。该模块的整理框架图如图7所示,该模块包括:
(1)用户登录单元:只有拥有相关权限的系统用户才能使用健康监护系统,从而保证系统用户的安全性和可靠性。
(2)密码修改单元:系统用户需要定期修改密码,保障系统安全。防止非法用户盗取密码进行恶意的使用。
(3)数据备份单元:医院内部的合法系统用户可以对医疗数据进行备份操作,保证医院内部医疗信息的准确性。防止数据库出现问题导致数据全部丢失的风险。
(4)数据采集单元:拥有权限的系统用户经过验证成功后登陆系统,然后对医疗数据进行采集并通过本地浏览器界面导入到系统中。
(5)数据匿名化技术处理单元:数据匿名化处理环节是健康监护系统设计的核心,要考虑到疾病信息的隐私安全与相关信息数据匿名处理的有用性之间的平衡问题。
(6)数据发布单元:数据发布的信息是最终通过匿名化技术处理之后满足给定约束条件的医疗数据。
该模块的工作流程,如图8所示,首先使用该系统的用户需要先进行权限验证,验证成功后才能操作该系统,例如,将采集的医疗数据导入该系统,该系统将所采集的数据处理为数据库中设置好的标准格式,对其中包含的非法值、空值等异常的数据先进行预处理,预处理完成后,系统将获得的数据表DT存入到数据库中,接着进入到数据匿名化处理环节。依据输入的约束条件参数值,判断该表是否为满足约束条件的匿名表。根据提示完成数据的准标识符匿名化操作。最后,数据发布者根据实际场景发布相关数据信息。
(1)系统安全登录模块设计实现
只有授予权限的用户才能登录数据发布系统,登录验证保证了系统的相对安全性。该系统的Web端采用的是B/S结构,开发工具使用SQL server2008、JDK和Eclipse。
拥有系统权限的用户可以直接输入用户名与密码进行验证,验证成功后,就可以登陆到系统的主界面了。新用户则需要点击“注册”按钮会切换到注册表单页面,注册成功后返回登录才能够登陆系统。
为了防止非法用户盗取密码进行恶意的使用,该系统添加了密码修改功能,系统用户需要定期修改密码,保障系统安全。
用户通过对身份证权限认证登录和密码定期修改可以在一定程度上防止医院中的其他不相关人员进入系统对老人生理数据进行非法修改与盗用,保障了医疗数据的安全。
(2)系统数据处理模块设计实现
系统数据处理模块环节的主要思路是对待发布的数据表进行预处理,处理完成后,统计其准标识符属性,并对疾病属性进行敏感测度。根据实际需求选择合适的约束参数SD,K 值,调用(SD,K)-anonymity匿名算法处理模块,进行匿名化处理,使处理后的数据满足 (SD,K)-anonymity匿名模型;其中,K用于约束匿名化处理之后数据表中每一等价类的元组个数都不小于K,SD用于约束匿名化处理之后数据表中每一等价类中包含敏感属性值的敏感程度量化值至少有SD个不同的个数。
数据匿名化处理设计流程图如图9所示,拥有权限的系统用户先从数据库中选取出需要处理发布的数据表。选取其准标识符属性,根据实际应用场景,设定合适的约束条件参数 SD,K值,调用(SD,K)-anonymity匿名算法处理模块,并对该数据表进行算法处理。检查数据表是否满足约束条件,若是,则输出匿名化后的数据表并结束本环节。若不满足则继续进行(SD,K)-anonymity匿名算法对数据表进行匿名化处理,重复上述操作,直到给定的数据表匿名化处理完成为止。输出匿名化后的数据表。最后根据实际场景进行数据发布。
数据预处理完之后,系统管理员进入到数据匿名处理界面,系统用户点击浏览按钮找到要进行匿名处理的数据表,根据实际需求,设置约束参数SD,K数值。然后点击匿名处理按钮,系统调用内置的算法对数据表进行匿名化处理。倘若用户想要更改约束参数或者匿名处理的数据表,则点击重置按钮后,就可以重新匿名化处理。系统进行匿名化处理完成后,会显示数据匿名化处理已完成的提示框,并会请求是否继续下一步,点击是按钮,则会进行下一步的操作,将匿名化处理完成的数据表存入到待发布的医疗数据发布模块中。最终,对匿名化处理的数据表进行发布到该系统的网页上共享,为其他医疗机构提供公共健康研究。
这里需要注意的是,在本申请实施例所提供的健康监护系统中,云平台的数据库中不仅存储老人的实时生理参数信息,还存储有老人以往的病历信息等,从而方便医院获取第一手资料,为老人发生紧急情况时的治疗争取时间。由于数据的重要性,相应的数据匿名发布模块显得尤为重要,为老人的敏感数据隐私保护提供了重要的技术手段。
本申请实施例提供的健康监护系统采用一种分层次的体系结构,如图10所示,按照功能类型的不同,该系统主要分为三个层次:人体生理参数感知层、移动终端层、远程监护层。三个层次之间通过不同的网络进行连接通讯,人体参数感知层与移动终端层之间采用短距离无线传感器网络进行数据传输,移动终端层与远程监护层之间采用GPRS网络进行连接与通讯,与老人的监护人等远程人员之间采用基于GSM的电话语音通信与手机短消息通信。
该系统中的人体生理参数感知层是由带有蓝牙功能的人体生理参数测量仪组成,主要负责人体生理信号的采集与分析。
移动终端层由以微控制器为处理中心的移动终端(即所述第一终端)组成,主要负责以下五个功能:(1)人体参数感知层数据的汇聚:移动终端将来自感知层的不同类型的数据汇聚起来并做出综合监护判断;(2)GPS地理位置定位:当发生紧急情况时,能够精准定位老人的地理位置;(3)一键紧急呼救:当发生危急情况时,移动终端能够及时地、自动地通过短消息与电话呼叫的方式进行呼救,减少危急情况发生后的救援拖延给老人带来的危害;(4) 跌倒检测与求救:当老年意外跌倒时,能够准确自动判定,立即发出求救信息,第一时间进行救援;(5)远程数据传输:根据不同情况的需要,将人体参数感知层和移动终端层监测到的数据(如血压数据、地理位置、求救信息等)传送到远程监护层。
远程监护层包括两部分内容:第一部分是老人的监护人员随身佩带的智能电话等通讯设备(即所述第二终端),该通讯设备可以接收老人所佩带的移动终端的自动呼救,该通讯设备也可以通过APP查看老人的身体健康数据及地理位置等信息;第二部分是云平台,该平台可以是运行在医院的监护中心。云平台主要接收被监护人的日常健康数据,并进行云计算,存储与显示。
被监护人随身携带的移动终端的硬件结构,如图11所示,包括:微控制器STM32、GPS 定位模块、GPRS/GSM通信模块、蓝牙模块、人体生理参数检测模块、加速计、陀螺仪、语音模块和按键模块;GPS定位模块用于获取移动终端的位置信息;GPRS/GSM通信模块用于与其他终端、云平台、感知节点等进行通信;蓝牙模块用于通过蓝牙协议实现与其他节点的短距离通信;人体生理参数检测模块用于采集人体的生理参数;加速计用于采集移动终端的加速度信息;陀螺仪用于采集移动终端的角速度信息;语音模块用于播放语音数据,例如,播放求救信息;按键模块用于触发紧急呼叫功能,例如,触发呼叫被监护人的紧急联系人。
在实现时,加速计可以采用ADXL345三轴加速度传感器,ADXL345是一种能够达到很低的功耗三轴加速度传感器,分辨率可以达到十三位,正负十六G是它的测量值的范围。通过SPI和I2C两个数字接口对传感器能够进行访问,数字输出的数据是按照十六位二进制补码的格式设置的。ADXL345是特别的适合移动的设备使用的测量值随时间的变化相对较小。设计成集成式的用来管理存储的系统是采用的一个三十二级的先进先出(FIFO)的数字缓冲器,这样就可以用来于存储采集到的数据,这样就能将CPU处理器所承载的负荷降到最低的程度了,同时也能使整体系统的功耗降低。低功耗模式是非常支持这种基于运动传感器的采用智能方案的电源管理,这样就可以实现以极低的功耗同时来进行阈值方面的感测和运动产生的加速度测量。ADXL345各方向的响应与相对于垂直方向的关系如图12所示。
ADXL345与微控制器之间的连接比较简单,使用I2C接口实现ADXL345与微控制器之间的互联,电路原理图如图13所示。其中,ADXL345的CS引脚接高电平,ADXL345 工作于I2C模式。SDA与SCL分别为I2C总线的数据和时钟,与S3C2440对应引脚连接。 SDO/ALT引脚处于高电平,器件的7为I2C地址为0x1D,随后为R/W位。因此,写数据地址为0x3A,读数据地址为0x3B。
在实现时,陀螺仪采用L3G4200D的三轴向数字陀螺仪。市面上所采用的三轴向陀螺仪的解决方案是靠两到三个独立的感应器来完成准确检测的,而意法半导体设计的陀螺仪则是三轴向共同的使用同一个用来做感应的结构,这个突破性的概念就可以用来把轴与轴之间的信号方面的干扰有效的消除掉,这样就能有效的将输出信号会受到严重的干扰信号的影响避免掉。除此之外,这个产品的架构使得意法半导体的工程师们可以整合传感器与ASIC接口到同一个的超小的封装内,这样就可以解决消费电子应用的大小形状限制问题。高量程的值则用于测量速度很快的动作和运动。该设备器件能够为用户提供十六位数据的准确输出,并且可以用来配置低通和高通滤波器等其他数字的嵌入式方面的功能。即便发生时间的推移或者温度的突然变化,这款器件在这些恶劣情况下仍然能够可以保持连续稳定的数据的输出。 L3G4200D输出响应与相对于重力方向的关系如图14所示。L3G4200D与微控制器之间的连接比较简单,本系统中使用I2C接口实现其与S3C2440之间的互联,电路原理图如图15所示。其中,L3G4200D的CS引脚接高电平,L3G4200D工作于I2C模式SDA与SCL分别为 I2C总线的数据和时钟,与S3C2440对应引脚连接。SDO/ALT引脚处于高电平,器件的7 为I2C地址为0x69,随后为R/W位。因此,写数据地址为0x D3,读数据地址为0x D2。
微控制器在执行跌倒检测功能时,利用三轴加速度传感器和陀螺仪的实时数据,使用改进的支持向量机(Support Vector Machine,SVM)算法,最终判断设备佩戴者是否跌倒。
在实现时,可以基于三级跌倒判定算法编写程序,实现跌倒判定的过程。该程序需要处理的主要问题有:主程序与传感器的数据通信,主程序与手机客户端程序的远程通信,文件操作,快速高效的数据处理及SVM算法实现。
由于ADXL345是数字加速度传感器芯片,可通过I2C总线与微控制器通信,程序中只需编写相应的函数从I2C总线读取三个轴的加速度数值,陀螺仪也是类似的情况。SVM算法中的初始特征集将会以TXT文件的格式存储于FLASH上。至于SVM算法的具体实现,将基于台湾大学林智仁教授编写的LIBSVM程序的主要部分,将其中的关键代码经过改写后移植到ARM平台。
跌倒判定的软件实现流程示意图如图16所示,程序开始运行后,首先初始化移动终端,并和第二终端上的手机客户端软件通过GPRS链路进行握手,当手机客户端软件指示开始跌倒检测之后,程序将调用加速度获取函数获取实时加速度数据,并通过上述公式(2)将实时加速度数据转化为加速度向量幅值之后存入FIFO,重复此过程直到FIFO中存储的加速度向量幅值的数量达到预设阈值Mi之后,调用SVM的跌倒判定函数,基于包括Mi个加速度向量幅值的时间序列进行跌倒判定。当判定结果为“跌倒”时,调用串口发送函数,以将报警信息通过蓝牙链路发送给手机客户端软件。当判定结果为“未跌倒”时,清除FIFO中最老的Mi值之后再次获取加速度数值。上述过程循环往复,构成了第一级跌倒判定。后两级判定只涉及简单的阈值判断,不再赘述。
在实现时,SVM采用LIBSVM分类器来解决分类问题,LIBSVM是一个开源的软件类库,在这个类库里,可以使用四种常用的核函数供选择:线性、多项式、径向基和S形函数,这样就可以有效地解决以下相关问题:利用交叉的验证来选择参数、当不平衡的样本存在时如何加权、多类问题的准确的概率估计等。其中,LIBSVM的处理流程示意图如图17所示,包括如下步骤S1701至步骤S1706:
步骤S1701,采集大量的原始运动数据;
步骤S1702,调用数据标准化函数Format.py,对所述原始运动数据进行处理,得到第一数据集合;
步骤S1703,调用数据缩放函数Svm-scale.exe,对所述第一数据集合进行处理,得到第二数据集合;
步骤S1704,调用数据训练函数SvM-train.exe,对所述第二数据集合进行学习,生成训练模型;
步骤S1705,等待调用;
步骤S1706,调用训练模型,对待识别数据进行分类,得到分类结果。
在实现时,GPS定位模块,采用GPM100 GPS模块,该模块集成了射频前端与数字基带,具有方便易用的UART用户接口。GPM100模块与STM32微控制器构成的定位系统的硬件电路如图18所示。
在实现时,GPS定位的软件实现,按照电路图将电路搭建起来上电之后,GPM100模块就以每秒1次的频率通过UART输出经度、纬度、时间等数据。
在GPS模块输出的各种数据中,有用数据为如图19所示,包括UTC时间数据,定位成功与否的标志V/A,纬度数据,纬度标志,经度数据,经度标志。而其余的数据是冗余数据,需要通过微控制器里面的程序将其过滤掉。
微控制器通过UART总线接收到GPS模块输出的数据,为了从中筛选出有意义的数据,在微控制器中实现了一个GPS数据解析函数,解析GPS数据的流程如图20所示。
在实现时,GPRS/GSM通信模块选用的是某科技公司设计生产的GM06S-II型号的GSM/GPRS模块,该模块集成了射频前端以及基带处理器,用户可以通过UART总线向模块发送AT命令来控制模块实现各种功能。该模块的电路示意如图21所示,GPRS/GSM通信模块的硬件电路原理图如图22所示。
GPRS/GSM通信模块103在进行紧急呼叫时,常用的AT命令如表1所示:
表1
命令 | 命令说明 |
ATD<num> | 对号码num进行呼叫; |
ATH | 挂起呼叫; |
ATA | 对呼叫进行应答; |
AT+CMGF=1 or 0 | 设置短消息类型为Text模式或PDU模式; |
AT+CMGS=”<num>” | 向号码num发送短消息; |
AT+CGMR=<n> | 读取第n条短消息 |
AT+MIPCALL | 用于连接或断开与互联网的连接; |
AT+MIPOPEN | 打开TCP或UDP类型的套接字; |
AT+MIPCLOSE | 关闭TCP或UDP类型的套接字; |
AT+MIPSETS | 设置自动Push的缓冲大小和Timeout的长度; |
AT+MIPEND | 打开套接字后发送数据到缓冲区; |
AT+MIPPUSH | 将数据从缓冲区推入协议栈,立即启动数据远程传输; |
当用户通过交互界面输入,或者其他事件触发数据上传或紧急呼救命令后,移动终端的微控制器进入数据上传或者紧急呼救程序,数据上传流程如图23所示,如果GM06S-II模块已经开机,处于准备(READY)状态,则微控制器发送“AT”命令给GM06S-II模块,微控制器通过GM06S-II模块模块是否返回“OK”应答来判断其是否工作正常,如果尝试10 次都没有正常返回“OK”则说明GM06S-II模块有故障,退出上传程序;接下来依次执行连接Internet、打开套接字、发送数据至缓冲区等操作,数据发送完成之后关闭套接字,断开网络连接,退出程序。
如图24所示,当移动终端被触发进入呼救流程后,首先依次对老人的监护人发送呼救短消息,然后对监护人发起语音呼叫,如果没人接听导致网络超时或其他原因电话未能接通则发送“ATH”命令挂断当前呼叫并重新呼叫下一个监护人,如此循环直到电话接通,以确保老人的监护人得知老人已跌倒,从而能够及时得到监护人的救助。
在实现时,蓝牙模块,可以实现人体生理参数感知层和移动终端层之间的通信。蓝牙模块可以让原来使用串口的设备摆脱线缆的束缚在10米范围内实现无线串口通信。使用该模块无需了解复杂的蓝牙底层协议,只要简单的几个步骤即可享受到无线通信的便捷。蓝牙透传模块只有4个AT指令,分别是测试通讯,改名称,改波特率,改配对密码,AT指令必须从TXD/RXD信号脚设置,不能通过蓝牙信道设置。配置已更改为:波特率9600bps,设备名称Fall Detector,配对密码:1234。
在实现时,微控制器的结构原理示意图如图25所示。
在实现时,移动终端电源的结构原理示意图如图26所示。
在实现时,第二终端上的APP的实现流程示意图,如图27所示,包括以下步骤S270至步骤S276:
步骤S270,打开软件;
步骤S271,显示欢迎界面;
步骤S272,显示登录界面,以供用户登录健康监护系统;
步骤S273,进行登录信息验证;如果验证通过,执行步骤S275;否则,执行步骤S274;
步骤S274,显示用户注册新用户的界面,以供用户进行注册;
步骤S275,提示用户登录成功,跳转至主功能界面,以供用户通过主功能界面选择以下功能:报警参数设置、亲情号码设置、监护对象定位、健康数据查看、其他功能设置;
这里,在报警参数设置模块,第二终端的用户可以设置报警阈值,例如血压阈值、血氧阈值、监护对象的活动范围等;在亲情号码设置模块,第二终端的用户可以设置监护对应的紧急联系人的号码;在监护对象定位模块,第二终端的用户可以查看监护对象的当前位置;在健康数据查看模块,第二终端的用户可以查看监督对象的健康状况。
步骤S276,依据用户设置的主功能界面的功能,执行监护工作。
基于前述的实施例,本申请实施例提供一种跌倒检测装置,该装置包括所包括的各模块、以及各模块所包括的各单元,可以通过终端中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图28为本申请实施例跌倒检测装置的组成结构示意图,如图28所示,所述装置280包括获取模块281、分析模块282、确定模块283和响应模块284,其中:获取模块281,配置为获取监护对象的状态信息和N个跌倒检测模组的检测准确度;N为大于1的整数;分析模块282,配置为通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果;确定模块283,配置为基于所述至少N个跌倒检测结果和每一所述跌倒检测模组的检测准确度,确定目标检测结果,所述目标检测结果用于表征所述监护对象是否发生跌倒;响应模块284,配置为如果所述目标检测结果为所述监护对象发生跌倒,响应所述目标检测结果。
在其他实施例中,所述分析模块282,配置为:通过所述N个跌倒检测模组分别对所述监护对象的加速度信息和/或角速度信息进行分析,得到至少N个跌倒检测结果。
在其他实施例中,所述分析模块282,配置为:将所述加速度信息和/或所述角速度信息传输至预先训练得到的分类模型中,得到至少一个第一跌倒检测结果;将所述加速度信息和 /或所述角速度信息传输至预设的能量损耗模型中,得到所述监护对象的至少一个能量损耗;基于所述至少一个能量损耗和预设的能量损耗范围,生成至少一个第二跌倒检测结果。
在其他实施例中,所述分析模块282,还配置为:将所述角速度信息传输至预设的倾角确定模型中,得到所述监护对象的身体倾斜角;基于所述身体倾斜角和预设的角度阈值,生成第三跌倒检测结果。
在其他实施例中,所述装置280还包括更新模块285,所述更新模块285配置为:如果所述第一跌倒检测结果与所述第二跌倒检测结果不匹配,或者,所述第一跌倒检测结果与所述第三跌倒检测结果不匹配,基于所述加速度信息,调整所述分类模型的模型参数值。
在其他实施例中,所述响应模块284配置为:输出报警信息或呼叫至少一个紧急联系人。
在其他实施例中,所述确定模块283,还配置为:获取表征所述目标检测结果是否准确的反馈信息;基于所述反馈信息和所述至少N个跌倒检测结果,确定发生错误判断的跌倒检测模组。
在其他实施例中,所述更新模块285,还配置为:确定在预设时间段内每一跌倒检测模组发生错误判断的比例;基于每一跌倒检测模组发生错误判断的比例,更新与所述跌倒检测模组对应的检测准确度。
在其他实施例中,所述更新模块285,还配置为:基于所述反馈信息和所述至少N个跌倒检测结果,确定错误的跌倒检测结果;基于所述错误的跌倒检测结果和其对应的加速度信息或角速度信息,更新与所述错误的跌倒检测结果对应的跌倒检测模组的检测参数值,所述检测参数值至少包括以下之一:所述分类模型的模型参数值、所述能量损耗范围的边界值、所述角度阈值。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的跌倒检测方法,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。基于这样的理解,本申请实施例的技术方案本质上或者说对相关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中,包括若干指令用以使得跌倒检测设备(可以是手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括: U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
对应地,本申请实施例提供一种跌倒检测设备,图29为本申请实施例跌倒检测设备的一种硬件实体示意图,如图29所示,该跌倒检测设备290的硬件实体包括:包括存储器291 和处理器292,所述存储器291存储有可在处理器292上运行的计算机程序,所述处理器292 执行所述程序时实现上述实施例中提供的跌倒检测方法中的步骤。
存储器291配置为存储由处理器292可执行的指令和应用,还可以缓存待处理器292以及跌倒检测设备290中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random AccessMemory,RAM)实现。
对应地,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中提供的跌倒检测方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元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。基于这样的理解,本申请实施例的技术方案本质上或者说对相关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中,包括若干指令用以使得跌倒检测设备(可以是手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种跌倒检测方法,其特征在于,所述方法包括:
获取监护对象的状态信息和N个跌倒检测模组的检测准确度;N为大于1的整数;
通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果;
基于所述至少N个跌倒检测结果和每一所述跌倒检测模组的检测准确度,确定目标检测结果,所述目标检测结果用于表征所述监护对象是否发生跌倒;
如果所述目标检测结果为所述监护对象发生跌倒,响应所述目标检测结果。
2.根据权利要求1所述的方法,其特征在于,所述通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果,包括:
通过所述N个跌倒检测模组分别对所述监护对象的加速度信息和/或角速度信息进行分析,得到至少N个跌倒检测结果。
3.根据权利要求2所述的方法,其特征在于,所述通过所述N个跌倒检测模组分别对所述监护对象的加速度信息和/或角速度信息进行分析,得到至少N个跌倒检测结果,包括:
将所述加速度信息和/或所述角速度信息传输至预先训练得到的分类模型中,得到至少一个第一跌倒检测结果;
将所述加速度信息和/或所述角速度信息传输至预设的能量损耗模型中,得到所述监护对象的至少一个能量损耗;基于所述至少一个能量损耗和预设的能量损耗范围,生成至少一个第二跌倒检测结果。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述角速度信息传输至预设的倾角确定模型中,得到所述监护对象的身体倾斜角;
基于所述身体倾斜角和预设的角度阈值,生成第三跌倒检测结果。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
如果所述第一跌倒检测结果与所述第二跌倒检测结果不匹配,或者,所述第一跌倒检测结果与所述第三跌倒检测结果不匹配,基于所述加速度信息,调整所述分类模型的模型参数值。
6.根据权利要求1所述的方法,其特征在于,所述响应所述目标检测结果,包括:
输出报警信息或呼叫至少一个紧急联系人。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取表征所述目标检测结果是否准确的反馈信息;
基于所述反馈信息和所述至少N个跌倒检测结果,确定发生错误判断的跌倒检测模组。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
确定在预设时间段内每一跌倒检测模组发生错误判断的比例;
基于每一跌倒检测模组发生错误判断的比例,更新与所述跌倒检测模组对应的检测准确度。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
基于所述反馈信息和所述至少N个跌倒检测结果,确定错误的跌倒检测结果;
基于所述错误的跌倒检测结果和其对应的加速度信息或角速度信息,更新与所述错误的跌倒检测结果对应的跌倒检测模组的检测参数值,所述检测参数值至少包括以下之一:所述分类模型的模型参数值、所述能量损耗范围的边界值、所述角度阈值。
10.一种跌倒检测装置,其特征在于,包括:
获取模块,配置为获取监护对象的状态信息和N个跌倒检测模组的检测准确度;N为大于1的整数;
分析模块,配置为通过所述N个跌倒检测模组分别对所述状态信息进行分析,得到至少N个跌倒检测结果;
确定模块,配置为基于所述至少N个跌倒检测结果和每一所述跌倒检测模组的检测准确度,确定目标检测结果,所述目标检测结果用于表征所述监护对象是否发生跌倒;
响应模块,配置为如果所述目标检测结果为所述监护对象发生跌倒,响应所述目标检测结果。
11.一种跌倒检测设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至9任一项所述跌倒检测方法中的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至9任一项所述跌倒检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910749411.3A CN112386249B (zh) | 2019-08-14 | 2019-08-14 | 跌倒检测方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910749411.3A CN112386249B (zh) | 2019-08-14 | 2019-08-14 | 跌倒检测方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112386249A true CN112386249A (zh) | 2021-02-23 |
CN112386249B CN112386249B (zh) | 2023-09-19 |
Family
ID=74601355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910749411.3A Active CN112386249B (zh) | 2019-08-14 | 2019-08-14 | 跌倒检测方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112386249B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113081561A (zh) * | 2021-05-17 | 2021-07-09 | 佳木斯大学 | 一种神经内科多功能康复护理病床 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110025493A1 (en) * | 2005-03-11 | 2011-02-03 | Aframe Digital, Inc. | Mobile wireless customizable health and condition monitor |
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 |
CN104036618A (zh) * | 2014-06-09 | 2014-09-10 | 浙江师范大学 | 一种腰带式独居老年人跌倒监测装置 |
CN104510475A (zh) * | 2014-12-15 | 2015-04-15 | 中国科学院计算技术研究所 | 一种人体跌倒检测方法及系统 |
CN104637242A (zh) * | 2013-11-12 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于多分类器集成的老人跌倒检测方法及系统 |
CN104799826A (zh) * | 2015-04-30 | 2015-07-29 | 王家法 | 一种智能安康服务系统及报警可靠检测方法 |
CN105310696A (zh) * | 2015-11-06 | 2016-02-10 | 中国科学院计算技术研究所 | 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 |
CN105476111A (zh) * | 2015-12-03 | 2016-04-13 | 上海电机学院 | 具备运动状态感知和气囊主动防护的安全马甲及防护方法 |
CN105632101A (zh) * | 2015-12-31 | 2016-06-01 | 深圳先进技术研究院 | 一种人体防跌倒预警方法及系统 |
CN105869354A (zh) * | 2016-04-29 | 2016-08-17 | 华南理工大学 | 一种基于吸引子传播算法的老人跌倒检测方法 |
US9526421B2 (en) * | 2005-03-11 | 2016-12-27 | Nrv-Wellness, Llc | Mobile wireless customizable health and condition monitor |
CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
CN106725495A (zh) * | 2017-01-13 | 2017-05-31 | 深圳先进技术研究院 | 一种跌倒检测方法、装置及系统 |
CN106982361A (zh) * | 2017-05-11 | 2017-07-25 | 赵淑良 | 执法行为监测马甲、执法行为监测方法和系统 |
JP2017194949A (ja) * | 2016-04-22 | 2017-10-26 | 財団法人車輌研究測試中心 | 対象物検出システム及び対象物検出方法 |
-
2019
- 2019-08-14 CN CN201910749411.3A patent/CN112386249B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9526421B2 (en) * | 2005-03-11 | 2016-12-27 | Nrv-Wellness, Llc | Mobile wireless customizable health and condition monitor |
US20110025493A1 (en) * | 2005-03-11 | 2011-02-03 | Aframe Digital, Inc. | Mobile wireless customizable health and condition monitor |
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 |
CN104637242A (zh) * | 2013-11-12 | 2015-05-20 | 广州华久信息科技有限公司 | 一种基于多分类器集成的老人跌倒检测方法及系统 |
CN104036618A (zh) * | 2014-06-09 | 2014-09-10 | 浙江师范大学 | 一种腰带式独居老年人跌倒监测装置 |
CN104510475A (zh) * | 2014-12-15 | 2015-04-15 | 中国科学院计算技术研究所 | 一种人体跌倒检测方法及系统 |
CN104799826A (zh) * | 2015-04-30 | 2015-07-29 | 王家法 | 一种智能安康服务系统及报警可靠检测方法 |
CN105310696A (zh) * | 2015-11-06 | 2016-02-10 | 中国科学院计算技术研究所 | 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 |
CN105476111A (zh) * | 2015-12-03 | 2016-04-13 | 上海电机学院 | 具备运动状态感知和气囊主动防护的安全马甲及防护方法 |
CN105632101A (zh) * | 2015-12-31 | 2016-06-01 | 深圳先进技术研究院 | 一种人体防跌倒预警方法及系统 |
JP2017194949A (ja) * | 2016-04-22 | 2017-10-26 | 財団法人車輌研究測試中心 | 対象物検出システム及び対象物検出方法 |
CN105869354A (zh) * | 2016-04-29 | 2016-08-17 | 华南理工大学 | 一种基于吸引子传播算法的老人跌倒检测方法 |
CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
CN106725495A (zh) * | 2017-01-13 | 2017-05-31 | 深圳先进技术研究院 | 一种跌倒检测方法、装置及系统 |
CN106982361A (zh) * | 2017-05-11 | 2017-07-25 | 赵淑良 | 执法行为监测马甲、执法行为监测方法和系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113081561A (zh) * | 2021-05-17 | 2021-07-09 | 佳木斯大学 | 一种神经内科多功能康复护理病床 |
CN113081561B (zh) * | 2021-05-17 | 2022-01-11 | 佳木斯大学 | 一种神经内科多功能康复护理病床 |
Also Published As
Publication number | Publication date |
---|---|
CN112386249B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mrozek et al. | Fall detection in older adults with mobile IoT devices and machine learning in the cloud and on the edge | |
Nooruddin et al. | An IoT based device-type invariant fall detection system | |
Luque et al. | Comparison and characterization of android-based fall detection systems | |
Casilari et al. | Analysis of android device-based solutions for fall detection | |
Lim et al. | Fall‐Detection Algorithm Using 3‐Axis Acceleration: Combination with Simple Threshold and Hidden Markov Model | |
CN102048521B (zh) | 跌倒监测和预防系统及方法 | |
CN106725445B (zh) | 一种脑电波控制的便携式人体运动损伤监护系统与方法 | |
CN107633655A (zh) | 一种跌倒检测方法、终端及计算机可读存储介质 | |
Xefteris et al. | Performance, challenges, and limitations in multimodal fall detection systems: A review | |
CN103810817A (zh) | 一种穿戴式人体瘫倒检测报警装置及应用 | |
CN106921700A (zh) | 一种根据特征信息进行安全预判的方法、装置以及系统 | |
CN106650300B (zh) | 一种基于极限学习机的老人监护系统及方法 | |
CN109561855A (zh) | 用于跌倒检测的设备、系统和方法 | |
CN111183460A (zh) | 摔倒检测器和摔倒检测的改进 | |
Cahoolessur et al. | Fall detection system using XGBoost and IoT | |
EP2541474A1 (en) | Monitoring a user activity using a mobile device | |
CN112386249B (zh) | 跌倒检测方法及装置、设备、存储介质 | |
EP3407028A1 (en) | Information processing device, information processing method, and program | |
Kasnesis et al. | Gesture-based incident reporting through smart watches | |
US20190325728A1 (en) | Dangerous situation detection method and apparatus using time series analysis of user behaviors | |
Rakhecha | Reliable and secure body fall detection algorithm in a wireless mesh network | |
KR102638693B1 (ko) | 위치 기반 생체정보 모니터링 시스템 및 방법 | |
Sukreep et al. | Recognizing Falls, Daily Activities, and Health Monitoring by Smart Devices. | |
US11580439B1 (en) | Fall identification system | |
US20220095954A1 (en) | A foot mounted wearable device and a method to operate the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |