CN112750277A - 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法 - Google Patents

融合轨迹数据与传感器姿态的室内跌倒检测系统及方法 Download PDF

Info

Publication number
CN112750277A
CN112750277A CN202110006730.2A CN202110006730A CN112750277A CN 112750277 A CN112750277 A CN 112750277A CN 202110006730 A CN202110006730 A CN 202110006730A CN 112750277 A CN112750277 A CN 112750277A
Authority
CN
China
Prior art keywords
module
indoor
data
falling
user
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
Application number
CN202110006730.2A
Other languages
English (en)
Inventor
向隆刚
焦凤伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110006730.2A priority Critical patent/CN112750277A/zh
Publication of CN112750277A publication Critical patent/CN112750277A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Landscapes

  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明公开了一种融合轨迹数据与传感器姿态的室内跌倒检测系统及方法，便携式信息采集设备通过MPU6050传感器获得三轴加速度和角速度数据，利用高精度室内蓝牙定位得到老人的实时位置信息，并发送到跌倒检测终端。云服务平台建有跌倒检测样本数据库，用于SVM模型的训练。另外，云服务平台存储老人室内活动历史轨迹数据，对其建模得到老人的语义轨迹模型，挖掘老人的行为模式。云平台做密度计算，并以热力图的方式做可视化展示。跌倒检测终端将原始数据经位置计算与姿态解算后，通过SVM跌倒检测模块进行跌倒检测判断，当老人发生跌倒时将跌倒报警信息发送至紧急联系人，以便老人在室内发生意外跌倒时提供紧急救助。

Description

融合轨迹数据与传感器姿态的室内跌倒检测系统及方法
技术领域
本发明属于电子信息技术领域，涉及一种室内跌倒检测系统及方法，具体涉及一种融合轨迹数据与传感器姿态的用户室内跌倒检测系统及方法，可以用于老人跌倒检测及报警。
背景技术
中国老年人口绝对数世界第一，并在1999年10月进入了老龄化社会，独居老人逐渐增多，空巢现象也越来越明显。面对人口老龄化以及老人独居的现状，如何让老年人保持较高的生活质量，延长独立生活的时限，已得到全世界的关注。在发达国家，已证明跌倒是威胁老人生命和健康的重要原因。据国内1项调查，意外跌倒居老年人意外伤害死因的第2位，是威胁老年人生命的主要危险因素之一。据上海市长宁区调查，社区60岁及以上老人1年跌倒发生率为20.7％，跌倒的老人中有18.5％的老用户在1年内多次跌倒。因此，一种准确的跌倒检测技术，对我国老龄化社会具有很大的意义。
现有跌倒检测技术主要可分为三类：基于视频图像的跌倒检测技术、基于可穿戴式设备的跌倒检测技术以及基于环境式传感器的跌倒检测技术。基于视频图像的跌倒检测技术无需穿戴，但是计算量大，成本较高，只能在一定区域内进行检测，且容易暴露用户的个人隐私。基于可穿戴式设备的跌倒检测技术存在误报率高的问题。并且，当老人沐浴、睡眠时，可能会摘掉装置从而导致该设备在跌倒发生时失效。基于环境式传感器的跌倒检测技术将装置固定在室内，但相较于可穿戴式的跌倒检测技术，使用成本更高，误报率较高。
发明内容
为克服传统跌倒检测技术的不足，本发明的目的是提供一种融合轨迹数据与传感器姿态的老人室内跌倒检测系统及方法，便携式信息采集设备通过MPU6050传感器获得三轴加速度和角速度数据，利用高精度室内蓝牙定位得到老人的实时位置信息，并发送到跌倒检测终端。云服务平台建有跌倒检测样本数据库，用于SVM模型的训练。另外，云服务平台存储老人室内活动历史轨迹数据，对其建模得到老人的语义轨迹模型，挖掘老人的行为模式。云平台做密度计算，并以热力图的方式做可视化展示。跌倒检测终端将原始数据经位置计算与姿态解算后，通过SVM跌倒检测模块进行跌倒检测判断，当老人发生跌倒时将跌倒报警信息发送至紧急联系人，以便老年人在室内发生意外跌倒时提供紧急救助。
本发明的系统所采用的技术方案是：融合轨迹数据与传感器姿态的室内跌倒检测系统，其特征在于：包括信息采集设备、跌倒检测终端和云服务平台；
所述信息采集设备设置在用户身上，所述跌倒检测终端设置在室内；所述信息采集设备通过蓝牙模块与所述跌倒检测终端相连接，所述跌倒检测终端通过网络与所述云服务平台相连接。
本发明的方法所次用的技术方案是：融合轨迹数据与传感器姿态的室内跌倒检测方法，其特征在于，包括以下步骤：
步骤1：将用户按年龄段和标准体重BMI范围分为3类，对日常活动行为和跌倒行为做划分，采集每一个采集对象的日常活动行为原始数据和跌倒行为原始数据，获得原始数据集；
步骤2：利用中值滤波和均值滤波处理三轴加速度和角速度数据；
步骤3：对采集到的原始数据进行处理得到5维特征向量，包括ti时间内合加速度SV的最大值，ti时间内roll姿态角的变化量的最大值的绝对值M，ti时间内用户的行为状态AS，包括移动和停留，ti时间用户所在的室内POI点L，和用户的行为信息A；其中，ti为样本数据集中第i个样本包含的时间，roll指绕X轴旋转时的姿态角，室内POI点指带有用户的行为意图且具备一定功能性的位置或区域；
步骤4：将原始数据集分为训练集和测试集，选定RBF为核函数，针对训练集对SVM模型进行训练，获得训练好的二分类器；
步骤5：采用训练好的二分类器对实时数据进行跌倒检测判断。
由于采用上述技术方案，本发明能产生的有益效果：
1.本发明融合轨迹数据与传感器姿态判断跌倒的发生。单独利用传感器姿态区分跌倒行为和日常活动行为，误报率高。融合多源数据能使判断更有效更全面，准确检测老人跌倒行为，及时提供紧急救助，减少老人的人身伤害。
2.本发明将老人的跌倒检测数据存储到云服务平台的跌倒检测样本数据库，随着用户的增多，数据库更加完善，跌倒数据更具真实性，定期更新训练得到的SVM模型。
3.云服务平台有记录每个用户的个人信息，如：身高、体重、年龄、性别等，根据老人的年龄、BMI范围将用户分为3类，每一类分别进行SVM模型的训练，从而可以达到个性化跌倒检测算法的目标。
附图说明
图1为本发明实施例的系统框图。
图2为本发明实施例的老人室内活动轨迹的语义信息说明图。
图3为本发明实施例的老人室内轨迹热力图示意图。
图4为本发明实施例的老人跌倒检测算法的流程图。
图5为本发明实施例的老人跌倒检测的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本实施例的用户为老年人用户，请见图1，本发明提供的一种融合轨迹数据与传感器姿态的老人室内跌倒检测系统，包括至少一台便携式信息采集设备，一个跌倒检测终端和一个云服务平台。
便携式信息采集设备用于采集老人的实时位置信息、人体运动时的加速度数据和角速度数据，通过蓝牙模块将数据传输到跌倒检测终端。跌倒检测终端判断老人是否发生跌倒，当老人发生跌倒时，使用滑动窗口捕捉跌倒过程的特征值向量传输到云服务平台，跌倒检测终端即刻发送老年人跌倒位置到紧急联系人，拨打该地区救护车服务的电话。
便携式信息采集设备与跌倒检测终端相连接，跌倒检测终端通过互联网与云服务平台相连接。
便携式信息采集设备包括MPU6050传感器、蓝牙模块、微控制器(STM32F103)和供电模块。供电模块分别与MPU6050传感器、微控制器和蓝牙模块相连接，供电模块为MPU6050传感器、微控制器和蓝牙模块提供工作电压。MPU6050传感器与微控制器相连接，微控制器与蓝牙模块相连接。MPU6050传感器集成了三轴加速度计、陀螺仪以及DMP数字运动处理器(DMP-Digital Motion Processor)，加速度计和陀螺仪以50Hz的采样频率分别用于测量三轴加速度和角速度数据，由内部集成的DMP直接获得四元数输出。MPU6050将采集的数据传输到微控制器，微控制器通过蓝牙模块将数据传输到跌倒检测终端做进一步处理。蓝牙模块与室内信标节点布设实现高精度室内定位，蓝牙模块采集实时位置信息，完成便携式采集设备与跌倒检测终端的数据传输。
跌倒检测终端包括蓝牙接收模块、存储模块、解算模块、跌倒检测模块、网络模块和信息发送模块。解算模块包括姿态解算模块和位置解算模块。蓝牙接收模块与存储模块相连接，用于提供高精度、实时的位置信息；存储模块与解算模块相连接，解算模块对位置数据和姿态数据进行位置计算和姿态解算，并构建关于用户活动状态的特征向量，包括ti时间内合加速度SV的最大值，ti时间内roll姿态角的变化量的最大值的绝对值M，ti时间内用户的行为状态AS，包括移动和停留，ti时间老用户所在的室内POI点L和用户的行为信息A；存储模块与网络模块相连接，将实时位置信息发送到云服务平台进行轨迹数据存储。姿态解算模块由三轴加速度计算得到合加速度，将四元数解算得到姿态角。位置解算模块设置窗口宽度为1秒，从该窗口的位置信息判断老人的行为状态，识别老人所在的室内POI点，将当前1秒内的室内POI点与上1秒内的室内POI点组合代表老人的行为信息。解算模块与跌倒检测模块相连接，用于将表征用户活动状态的特征向量传送到跌倒检测终端；跌倒检测模块与信息发送模块相连接，跌倒检测模块通过网络模块与云服务平台连接，当判断老人跌倒时，将检测到的数据传送到云服务平台的跌倒检测样本数据库。信息发送模块即刻将老人的跌倒报警信息发送到紧急联系人，并拨打该地区救护车服务的电话。
便携式信息采集设备采集的实时位置信息、三轴加速度以及姿态角数据通过蓝牙传输到跌倒检测终端的存储模块，以便位置解算模块和姿态解算模块进行进一步计算。跌倒检测终端通过互联网将实时位置信息以1min的窗口宽度发送到云服务平台进行轨迹数据存储，经姿态解算模块和位置解算模块对原始数据提取的特征向量以30min的窗口宽度发送到云端的跌倒检测样本数据库。
云服务平台包括一个跌倒检测样本数据库，用于SVM模型训练，训练得到的SVM跌倒检测算法通过互联网发送到跌倒检测终端的SVM跌倒检测模块。另外，云服务平台存储老人室内活动历史轨迹数据，对其建模得到语义轨迹模型，如图2所示，通过频繁序列模式挖掘算法得到老年人的行为模式，体现老人的行为特征、生活规律；对历史轨迹做密度分析，以热力图的方式进行可视化，如图3所示。
如图4所示，融合轨迹数据与传感器姿态的SVM跌倒检测方法，其步骤为：
步骤1)由于老人的日常活动行为数据和跌倒行为数据在不同的年龄段、身高、体重可能会显示出不同的数据特征，因此将老人按年龄段和BMI范围分为3类，即60-80岁，BMI(kg/m2)范围在18.5-27；60-80岁，BMI范围低于18.5或者高于27；81岁以上，分别进行SVM模型的训练。BMI是体重(Kg)与身高(m)的平方的比值。BMI是国际上常用的衡量人体肥胖程度和是否健康的重要标准，本发明采用的BMI参数都依据中国标准，未采用国际标准。
选取符合以上3类标准的老人作为日常行为活动原始数据的采集对象，为保护实验对象的安全，选取20-30岁、30-35岁、35-45岁3个年龄段的青年人分别对应以上3类标准的老人作为跌倒原始数据的采集对象，进行数据采集时青年人需在膝关节捆绑护具、戴上头套、腿部捆绑沙袋，以便更接近老人关节僵硬、视听觉减退、行动缓慢的身体状态。
日常活动行为可以划分为躺下、行走、坐下、上下台阶、上下蹲、慢跑、快跑等行为，跌倒行为可以划分为向前跌倒、向后跌倒、向左跌倒和向右跌倒。每一个年龄段分别选择男性和女性各5名，对每一个采集对象的上述行为各采集2min左右，每种行为各采集3次。
步骤2)利用中值滤波和均值滤波处理三轴加速度和角速度数据，以减小系统的脉冲干扰和随机噪声。
步骤3)由于人体跌倒的时间约为1.2秒，即从跌倒动作开始到人体落地间所经过的时间，因此以1秒为标准、0.5秒为重复对采集到的原始数据处理得到每秒的5维特征向量，确保跌倒时刻被准确采集，采样频率设置为50Hz。系统的原始数据由轨迹数据、三轴加速度数据与姿态角pitch和roll构成。其中，pitch和roll分别指绕Y轴和绕X轴旋转时的姿态角。
基于轨迹数据和传感器姿态提取以下5个特征值：第一个特征值选定ti时间内合加速度SV的最大值，它是三轴加速度矢量和的幅值，反映了运动过程中加速度的整体变化趋势；由于跌倒过程中roll姿态角变化最明显，pitch变化波动较小，选用roll作为判定的姿态角，选定ti时间roll姿态角的变化量的最大值的绝对值M作为第二个特征值；第三个特征值选定ti时间内老人的行为状态AS，老人的行为状态为移动或停留；第四个特征值选定ti时间老人所在的室内POI点L，室内POI点指带有人的行为意图且具备一定功能性的位置或区域，比如床、冰箱、淋浴间、马桶、晾衣架等。当淋浴间未使用防滑垫或安装扶手时，或夜间照明不良的情况下使用马桶时，老人容易发生跌倒。因此，一些室内POI点相较而言更具危险性，是跌倒发生的主要位置或区域。第五个特征值选定行为信息A，体现了行为发生时老人位置信息的变化。A由ti时间老人所处的室内POI点与ti-1时间老人所处的室内POI点组成，一些行为信息更易发生跌倒，比如老人夜间从床到马桶如厕，从沙发到晾衣架晾衣。
其中，ti为样本数据集中第i个样本包含的时间，ti＝1s。
SV代表合加速度，αx、αy、αz分别代表人体三轴加速度值。定义为：
Figure BDA0002883761790000061
M代表ti时间内roll姿态角的变化量的最大值的绝对值，roll指绕X轴旋转时的姿态角。其中，m、n表示ti时间使M取得最大值的两个时刻。M定义为：
M＝|rollm-rolln|
AS代表ti时间内老人的行为状态。AS定义为：
Figure BDA0002883761790000062
L代表ti时间内老人所在的室内POI点。Pi代表ti时间内老人所处位置坐标对应的室内POI点编号(床、冰箱、淋浴间等)。L定义为：
L＝Pi
A代表老人的行为信息。Pi代表ti时间内老人所处位置坐标对应的室内POI点编号，Pi-1代表ti-1时间内老人所处位置坐标对应的室内POI点编号。A定义为：
Figure BDA0002883761790000063
步骤4)将现有样本数据集分为训练集和测试集，选定RBF为核函数，针对训练集对SVM模型进行训练，得到一个二分类器。由于数据是线性不可分的，SVM需要先在低维空间完成计算，然后通过核函数将输入映射到高维特征空间，最后在高维空间构造出最优分离平面，从而实现数据的非线性分类。
步骤5)采用训练好的二分类器对实时数据进行跌倒检测判断。
当本发明的用户发生跌倒时，跌倒检测终端将检测到的数据发送到云服务平台，跌倒检测样本数据库实时更新，根据新的样本数据库定期训练SVM模型，重复步骤4)得到新的SVM模型，并发送到跌倒检测终端的跌倒检测模块。
本发明融合轨迹数据与传感器姿态判断跌倒的发生，有助于提高跌倒检测判断的准确率；根据年龄段和BMI范围对老人进行细分，并分别进行模型训练，实现个性化的跌倒检测；实时更新跌倒检测样本数据库，定期更新和推送SVM跌倒检测模型。
本发明不仅仅适用于老年人，还可以适用于其他需要监控用户行为模式的场景。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (9)

1.融合轨迹数据与传感器姿态的室内跌倒检测系统，其特征在于：包括信息采集设备、跌倒检测终端和云服务平台；
所述信息采集设备设置在用户身上，所述跌倒检测终端设置在室内；所述信息采集设备通过蓝牙模块与所述跌倒检测终端相连接，所述跌倒检测终端通过网络与所述云服务平台相连接。
2.根据权利要求1所述的融合轨迹数据与传感器姿态的室内跌倒检测系统，其特征在于：所述信息采集设备包括传感器、蓝牙模块、微控制器和供电模块；所述供电模块分别与传感器、微控制器和蓝牙模块相连接，用于提供电力；所述传感器、蓝牙模块分别与所述微控制器相连接，所述传感器用于采集三轴加速度和角速度数据。
3.根据权利要求1所述的融合轨迹数据与传感器姿态的室内跌倒检测系统，其特征在于：所述跌倒检测终端包括蓝牙接收模块、存储模块、解算模块、跌倒检测模块、网络模块和信息发送模块；所述解算模块包括姿态解算模块和位置解算模块；
所述蓝牙接收模块与所述存储模块相连接，用于提供高精度、实时的位置信息；所述存储模块与所述解算模块相连接，所述解算模块对位置数据和姿态数据进行位置计算和姿态解算，并构建关于用户活动状态的特征向量，包括ti时间内合加速度SV的最大值，ti时间内roll姿态角的变化量的最大值的绝对值M，ti时间内用户的行为状态AS，ti时间老用户所在的室内POI点L和用户的行为信息A；所述存储模块与所述网络模块相连接，用于将实时位置信息发送到云服务平台进行轨迹数据存储；所述解算模块与所述跌倒检测模块相连接，用于将表征用户活动状态的特征向量传送到跌倒检测终端；所述跌倒检测模块与所述信息发送模块相连接，用于将跌倒报警信息发送到紧急联系人；所述跌倒检测模块通过所述网络模块与所述云服务平台连接，用于将检测到的数据传送到云服务平台。
4.根据权利要求1所述的融合轨迹数据与传感器姿态的室内跌倒检测系统，其特征在于：所述云服务平台用于存储跌倒检测样本数据库和用户室内活动历史轨迹数据；所述跌倒检测样本数据库，用于SVM模型训练，训练得到的SVM跌倒检测算法通过网络发送到所述跌倒检测终端的跌倒检测模块；利用所述用户室内活动历史轨迹数据，通过建模得到语义轨迹模型，通过频繁序列模式挖掘算法得到用户的行为模式。
5.根据权利要求1-4所述的融合轨迹数据与传感器姿态的室内跌倒检测系统，其特征在于：所述云服务平台，通过对用户室内历史轨迹做密度计算，以热力图方式对用户室内历史轨迹进行可视化展示。
6.融合轨迹数据与传感器姿态的室内跌倒检测方法，其特征在于，包括以下步骤：
步骤1：将用户按年龄段和标准体重BMI范围分为3类，对日常活动行为和跌倒行为做划分，采集每一个采集对象的日常活动行为原始数据和跌倒行为原始数据，获得原始数据集；
步骤2：利用中值滤波和均值滤波处理三轴加速度和角速度数据；
步骤3：对采集到的原始数据进行处理得到5维特征向量，包括ti时间内合加速度SV的最大值，ti时间内roll姿态角的变化量的最大值的绝对值M，ti时间内用户的行为状态AS，包括移动和停留，ti时间用户所在的室内POI点L和用户的行为信息A；其中，ti为样本数据集中第i个样本包含的时间，roll指绕X轴旋转时的姿态角，室内POI点指带有用户的行为意图且具备一定功能性的位置或区域；
步骤4：将原始数据集分为训练集和测试集，选定RBF为核函数，针对训练集对SVM模型进行训练，获得训练好的二分类器；
步骤5：采用训练好的二分类器对实时数据进行跌倒检测判断。
7.根据权利要求6所述的融合轨迹数据与传感器姿态的室内跌倒检测方法，其特征在于：步骤1中，将用户按年龄段和标准体重BMI范围分为3类，第一类为：60-80岁，且标准体重BMI范围在18.5-27；第二类为：60-80岁，且标准体重BMI范围低于18.5或者高于27；第三类为：81岁以上者。
8.根据权利要求6所述的融合轨迹数据与传感器姿态的室内跌倒检测方法，其特征在于：步骤3中，
Figure FDA0002883761780000021
其中，αx、αy、αz分别代表人体三轴加速度值；M＝|rollm-rolln|，其中，m、n表示ti时间使M取得最大值的两个时刻，rollm、rolln指m、n两个时刻时绕X轴旋转时的姿态角；L＝Pi，
Figure FDA0002883761780000022
其中，Pi代表ti时间内用户所处位置坐标对应的室内POI点编号，Pi-1代表ti-1时间内用户所处位置坐标对应的室内POI点编号。
9.根据权利要求6-8任意一项所述的融合轨迹数据与传感器姿态的室内跌倒检测方法，其特征在于：当用户发生跌倒时，跌倒检测终端将检测到的数据发送到云服务平台，跌倒检测样本数据库实时更新，并实时根据新的样本数据库重新训练SVM模型，定期更新SVM模型。
CN202110006730.2A 2021-01-05 2021-01-05 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法 Pending CN112750277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110006730.2A CN112750277A (zh) 2021-01-05 2021-01-05 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110006730.2A CN112750277A (zh) 2021-01-05 2021-01-05 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法

Publications (1)

Publication Number Publication Date
CN112750277A true CN112750277A (zh) 2021-05-04

Family

ID=75649859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110006730.2A Pending CN112750277A (zh) 2021-01-05 2021-01-05 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法

Country Status (1)

Country Link
CN (1) CN112750277A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358111A (zh) * 2021-05-28 2021-09-07 北京金山云网络技术有限公司 跌倒检测方法、装置和电子设备
CN114035529A (zh) * 2021-11-25 2022-02-11 中国矿业大学 基于atl-bma的非线性工业过程低成本建模方法
CN116092264A (zh) * 2021-10-29 2023-05-09 青岛海尔科技有限公司 跌倒提示方法及装置
CN116602663A (zh) * 2023-06-02 2023-08-18 深圳市震有智联科技有限公司 一种基于毫米波雷达的智能监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4284986A (en) * 1980-06-23 1981-08-18 Carlos Amortegui Shirt-pocket medical alert device
CN104586398A (zh) * 2013-10-30 2015-05-06 广州华久信息科技有限公司 一种基于多传感器融合的老人跌倒检测方法及系统
CN105740621A (zh) * 2016-01-29 2016-07-06 江阴中科今朝科技有限公司 人体行为数据的移动监测及智能养老健康云平台
CN105796112A (zh) * 2016-05-11 2016-07-27 江苏财经职业技术学院 老人跌倒检测监护系统
CN109087482A (zh) * 2018-09-18 2018-12-25 西安交通大学 一种跌倒检测装置与方法
CN110279420A (zh) * 2019-07-18 2019-09-27 郑州轻工业学院 基于极限学习机的便携式跌倒检测装置及检测方法
CN111627185A (zh) * 2019-02-27 2020-09-04 富士通株式会社 跌倒报警方法、装置以及跌倒检测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4284986A (en) * 1980-06-23 1981-08-18 Carlos Amortegui Shirt-pocket medical alert device
CN104586398A (zh) * 2013-10-30 2015-05-06 广州华久信息科技有限公司 一种基于多传感器融合的老人跌倒检测方法及系统
CN105740621A (zh) * 2016-01-29 2016-07-06 江阴中科今朝科技有限公司 人体行为数据的移动监测及智能养老健康云平台
CN105796112A (zh) * 2016-05-11 2016-07-27 江苏财经职业技术学院 老人跌倒检测监护系统
CN109087482A (zh) * 2018-09-18 2018-12-25 西安交通大学 一种跌倒检测装置与方法
CN111627185A (zh) * 2019-02-27 2020-09-04 富士通株式会社 跌倒报警方法、装置以及跌倒检测系统
CN110279420A (zh) * 2019-07-18 2019-09-27 郑州轻工业学院 基于极限学习机的便携式跌倒检测装置及检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358111A (zh) * 2021-05-28 2021-09-07 北京金山云网络技术有限公司 跌倒检测方法、装置和电子设备
CN116092264A (zh) * 2021-10-29 2023-05-09 青岛海尔科技有限公司 跌倒提示方法及装置
CN114035529A (zh) * 2021-11-25 2022-02-11 中国矿业大学 基于atl-bma的非线性工业过程低成本建模方法
CN114035529B (zh) * 2021-11-25 2023-09-08 中国矿业大学 基于atl-bma的非线性工业过程低成本建模方法
CN116602663A (zh) * 2023-06-02 2023-08-18 深圳市震有智联科技有限公司 一种基于毫米波雷达的智能监测方法及系统
CN116602663B (zh) * 2023-06-02 2023-12-15 深圳市震有智联科技有限公司 一种基于毫米波雷达的智能监测方法及系统

Similar Documents

Publication Publication Date Title
CN112750277A (zh) 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法
Jafari et al. Physical activity monitoring for assisted living at home
US9704369B2 (en) Autonomous fall monitor using an altimeter with opposed sensing ports
Cao et al. E-FallD: A fall detection system using android-based smartphone
CN109558865A (zh) 一种基于人体关键点的对需特别看护人员的异常状态检测方法
Bianchi et al. Barometric pressure and triaxial accelerometry-based falls event detection
JP3570163B2 (ja) 動作及び行動の認識方法及び装置及びシステム
CN104598896B (zh) 基于Kinect骨架追踪的人体摔倒自动检测方法
US6571193B1 (en) Method, apparatus and system for recognizing actions
Sorvala et al. A two-threshold fall detection algorithm for reducing false alarms
US20200046262A1 (en) Method and apparatus for determining a fall risk
CN105726034B (zh) 基于摔倒报警与跟踪定位功能的腕表式智能养老看护平台
Zhao et al. Recognition of human fall events based on single tri-axial gyroscope
CN104434466A (zh) 脑卒中老年人康复机器人系统
Jiang et al. The elderly fall risk assessment and prediction based on gait analysis
CN107788990A (zh) 一种可佩戴跌倒检测装置及跌倒检测系统
Xu et al. Elders’ fall detection based on biomechanical features using depth camera
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
Li et al. Grammar-based, posture-and context-cognitive detection for falls with different activity levels
Nukala et al. A real-time robust fall detection system using a wireless gait analysis sensor and an artificial neural network
CN104586402A (zh) 一种人体活动的特征提取方法
Suriani et al. Optimal accelerometer placement for fall detection of rehabilitation patients
Xie et al. ART: adaptive and real-time fall detection using COTS smart watch
Ojetola Detection of human falls using wearable sensors
Zhang et al. Context-aware fall detection using a bayesian network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210504