CN113287805A - 一种跌倒防护方法及可穿戴式跌倒防护装置 - Google Patents
一种跌倒防护方法及可穿戴式跌倒防护装置 Download PDFInfo
- Publication number
- CN113287805A CN113287805A CN202110587466.6A CN202110587466A CN113287805A CN 113287805 A CN113287805 A CN 113287805A CN 202110587466 A CN202110587466 A CN 202110587466A CN 113287805 A CN113287805 A CN 113287805A
- Authority
- CN
- China
- Prior art keywords
- user
- human body
- fall
- falling
- motion information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000033001 locomotion Effects 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 230000001133 acceleration Effects 0.000 claims abstract description 39
- 239000000523 sample Substances 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 239000013074 reference sample Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006378 damage Effects 0.000 abstract description 6
- 230000009471 action Effects 0.000 abstract description 4
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 240000007651 Rubus glaucus Species 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Textile Engineering (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明适用于跌倒防护领域,提供了一种跌倒防护方法及可穿戴式跌倒防护装置。该跌倒防护方法包括:获取人体的运动信息,所述运动信息包括人体X轴、Y轴及Z轴的加速度、角速度及倾角;通过所述运动信息,根据跌倒检测模型计算人体发生跌倒的概率,当所述概率大于预设的阈值时,判定为跌倒并发送触发信号给触发装置开启气瓶,实现充气气囊的快速充气。本发明实施例提供的跌倒防护方法,能够对跌倒碰撞前事件进行检测,即在用户未发生跌倒时判断用户发生跌倒的概率并提前做出动作,能够及时减轻用户受到的伤害。
Description
技术领域
本发明属于保护装置领域,尤其涉及一种跌倒防护装置及防护方法。
背景技术
目前,国内外跌倒检测系统可分为基于视频图像系统和穿戴式传感器系统,但是基于视频图像系统大多应用于对跌倒事件进行检测报警,而基于穿戴式传感器系统则可以对跌倒碰撞前事件进行检测,同时实现对跌倒碰撞的防护。对跌倒防护气囊的实现,大多数使用六轴或九轴惯性测量单元测量人体的加速度、角速度和姿态角,并设置固定的阈值算法对跌倒进行判断。虽然这种方法占用的资源较少,并且能够检测出一些跌倒,但是由于人的个体化差异,总有一些人跌倒的阈值是大于或者小于所设定的固定值,这些装置总是会出现一些误报或者漏报的情况,漏报会使装置不能提供有效的保护,而误报则给老年人的生活带来不便。
近些年来,机器学习在分类和检测中取得了优异的表现,机器学习算法的使用能够较大的提高跌倒碰撞前检测的精度,但由于一般单片机的计算能力有限,目前大多数基于机器学习算法的跌倒碰撞前事件检测一般都是在电脑端离线的实现,无法真正地嵌入到可移动设备中实现对跌倒碰撞前事件的检测。另外,一些防护气囊上也附加有向附近医院的求助模块,只要发生跌倒,随即向附近医院或家属发送求助信号。但如果佩戴者所受伤害较低或没有受到伤害,则求助信号的发出反而会对佩戴者的生活造成麻烦。
发明内容
本发明提供的跌倒防护方法,旨在解决现有技术中跌倒防护装置存在漏报、误报以及求助信号的无差别发送给用户带来麻烦的问题。
本发明是这样实现的,一种跌倒防护方法,包括:一种跌倒防护方法,其特征在于,所述方法包括如下步骤:
S01:获取人体的运动信息,所述运动信息包括人体X轴、Y轴及Z轴的加速度、角速度及倾角;
S02:通过所述运动信息,根据跌倒检测模型计算人体发生跌倒的概率,当所述概率大于预设的阈值时,判定为跌倒并发送触发信号给触发装置开启气瓶,实现充气气囊的快速充气。
进一步地,在获取人体的运动信息之前,还包括步骤S00:训练所述跌倒检测模型;所述训练所述跌倒检测模型具体包括:
S001:获取用户的跌倒样本和正常活动样本;
S002:分别获取用户跌倒样本和正常活动样本的人体X轴、Y轴及Z轴加速度、角速度、倾角及四元数信号数据;
S003:使用均值滤波对上述数据进行滤波处理,使用四元数法计算垂直方向加速度;
S004:参考样本选取为从跌倒样本中提取出向前、后、左、右跌倒的跌倒数据前段的样本各一组,并将这四组从整体的跌倒样本中剔除,提取剩余跌倒样本中跌倒前段的数据,计算所述跌倒前段的数据与参考样本的相关系数,选取相关系数之和最大的一组作为第一组特征数据,同时选取各段数据的波形幅值的最大值、最小值、均值作为二三四组特征数据,将上述四组特征数据降维处理后送入跌到检测模型中进行训练。
进一步地,步骤S02包括:
S021:提取用户的运动信息中的特征信息;
S022:对所述特征信息进行降维处理;
S023:通过跌倒检测模型计算跌倒的概率值;
S024:当所述概率大于预设的阈值时,判定为跌倒并发送触发信号给触发装置开启气瓶,实现充气气囊的快速充气。
进一步地,所述方法还包括:
S04:当用户发生跌倒时,发出求助信号。
所述步骤S04还包括:
S041:当用户发生跌倒时,获取用户撞击地面垂直方向最大的加速度;
S042:根据所述最大的加速度确定用户的撞击程度;
S043:根据用户的撞击程度来确定是否发出求助信号。
所述步骤S04还包括:
S044:判断在延时时间内是否检测到复位信号;
S045:若检测到复位信号,则不发送求助信号;若未检测到复位信号,且所述撞击程度为中、高级则发送求助信号。
本发明还涉及一种可穿戴式跌倒防护装置,包括:
腰带,所述腰带端部设置有相互配对的卡扣,用于将所述腰带穿戴在人体的腰部;
设置在腰带上的充气气囊,所述充气气囊的进气口通过导气管连接于气瓶;
跌倒检测模块,所述跌倒检测模块用于检测用户的运动信息并根据所述运动信息判断用户跌倒,同时发送触发信号至控制装置;
气瓶,所述气瓶用于保存气体;
触发装置,用于触发所述气瓶开启实现充气气囊的充气;
控制装置,用于根据所述触发信号控制所述触发装置开启,所述控制装置与所述跌倒检测模块、所述触发装置连接。
所述跌倒检测模块包括:
惯性测量单元,用于测量人体运动信息,所述运动信息包括人体X轴、Y 轴及Z轴的加速度、角速度及倾角;
处理器单元,用于接收人体的所述运动信息,并对所述运动信息进行处理,从而判断人体是否跌倒;
电源单元,电性连接所述惯性测量单元、处理器单元。
本发明的可穿戴式跌倒防护装置还包括求助模块,
所述求助模块具体包括:
定位模块,用于获取用户的位置信息;
通信模块,用于与急救中心和/或医院进行通信连接;
复位按钮,用于关闭所述通信模块与急救中心和/或医院的通信连接。
所述求助模块还包括延时单元。
本发明通过获取人体的运动信息,根据跌倒检测模型计算人体发生跌倒的概率,且在所述概率大于预设的阈值时则判定为跌倒并发送触发信号开启气瓶,实现充气气囊的快速充气。本申请能够对跌倒碰撞前事件进行检测,即在用户未发生跌倒时判断用户发生跌倒的概率并提前做出动作,能够及时减轻用户受到的伤害。同时,本发明通过机器学习的方法训练跌倒检测模型,检测更加准确,能够提高检测的准确性,防止漏报、误报的情况。且能根据用户的撞击程度、用户的意愿等来确定是否发出求助信息,更加便利。
附图说明
图1本发明实施例一的方法流程图
图2本发明另一实施例的方法流程图
图3本发明另一实施例的方法流程图
图4本发明的跌倒检测模型的波形对比图
图5本发明另一实施例的方法流程图
图6本发明另一实施例的方法流程图
图7本发明另一实施例的方法流程图
图8本发明可穿戴式跌倒防护装置示意图
图9本发明另一可穿戴式跌倒防护装置示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明通过获取人体的运动信息,根据跌倒检测模型计算人体发生跌倒的概率,且在所述概率大于预设的阈值时则判定为跌倒并发送触发信号开启气瓶,实现充气气囊的快速充气。本申请能够对跌倒碰撞前事件进行检测,即在用户未发生跌倒时判断用户发生跌倒的概率并提前做出动作,能够及时减轻用户受到的伤害。
实施例一
本发明实施例还提供了一种跌倒防护方法,如图1所示包括以下步骤:
S01:获取人体的运动信息,所述运动信息包括人体X轴、Y轴及Z轴的加速度、角速度及倾角;
通过惯性测量单元获取人体的运动信息,传感器模块通过采用三轴加速度计采集人体X轴、Y轴及Z轴的加速度,采用三轴陀螺仪采集人体X轴、Y轴及Z轴的角速度,通过融合算法获得人体的倾角信息,从而将人体在跌倒时的加速度、角速度及倾角准确进行采集。其中,人体倾角定义为人体与水平面的夹角,人体站立时约为0度,平躺时约为90度。
S02:通过所述运动信息,根据跌倒检测模型计算人体发生跌倒的概率,当所述概率大于预设的阈值时,判定为跌倒并发送触发信号给触发装置开启气瓶,实现充气气囊的快速充气。
本发明实施例通过获取人体的运动信息,根据跌倒检测模型计算人体发生跌倒的概率,且在所述概率大于预设的阈值时则判定为跌倒并发送触发信号开启气瓶,实现充气气囊的快速充气。本申请能够对跌倒碰撞前事件进行检测,即在用户未发生跌倒时判断用户发生跌倒的概率并提前做出动作,能够及时减轻用户受到的伤害。
进一步地,在获取人体的运动信息之前,本发明实施例还包括对所述跌到检测模型进行训练的步骤,如图2-3所示,具体包括如下步骤:
S001:获取用户的跌倒样本和正常活动样本,其中正常活动样本包括在一些指标上和跌倒活动较为接近的样本,例如跳跃、躺下、快速坐下;
S002:分别获取用户跌倒样本和正常活动样本的人体X轴、Y轴及Z轴加速度、角速度、倾角及四元数信号数据;
S003:使用均值滤波对上述数据进行滤波处理,使用四元数法计算垂直方向加速度,具体计算公式为:
其中,为四元数向量,ab(t)为测得的三轴加速度向量,为四元数乘法, ae(t)为垂直方向的加速度、为垂直方向的线性加速度。通过上述式子计算得到人体的垂直方向加速度,将上述垂直方向加速度、角速度及倾角进行下一步处理。
S004:参考样本选取为从跌倒样本中提取出向前、后、左、右跌倒的跌倒数据前段的样本各一组,并将这四组从整体的跌倒样本中剔除,提取剩余跌倒样本中跌倒前段的数据,计算所述跌倒前段的数据与参考样本的相关系数,选取相关系数之和最大的一组作为第一组特征数据,同时选取各段数据的波形幅值的最大值、最小值、均值作为二三四组特征数据,将上述四组特征数据降维处理后送入跌到检测模型中进行训练。所述相关系数通过下式计算得到:
相关系数能够反映出运动信息与参考样本之间的相关性,即相关系数反应的是采集的用户的运动数据与参考样本之间波形的相关性。用户的跌倒样本的相关系数应该比正常活动的相关系数高,而仅通过相关系数来判断用户是否发生跌倒可能引起误报。因此,本发明实施例进一步获取相关系数最大组的样本数据的最大值、最小值及均值作为二、三、四组特征数据,将上述四组特征数据降维处理后送入跌倒检测模型中进行训练。本发明实施例通过波形和幅值双重特征来判定用户是否发生跌倒,防止跌倒误判断的情况发生,测量更加准确。如图4所示,系统采集的用户的运动信息的数据与参考样本的前段数据进行波形对比,若波形在形状和幅值上极为相似,则认为用户此时要发生跌倒,需要保护。
本发明实施例通过惯性测量单元采集人体的运动信息,将所述信息与特征波形进行对比,若波形在形状和幅值特征上极为相似,则判定用户此时要发生跌倒,随即需要保护模式提供保护。
进一步地,如图5所示,本发明实施例步骤S02包括:
S021:提取用户的运动信息中的特征信息;
所述用户的特征信息包括用户垂直方向加速度、角速度及倾角。
S022:对所述特征信息进行降维处理,降维后的特征使用向量X=[x1,x2]来表示;
对特征信息进行降维处理,在保证精度的前提下,能够减少特征的数量,减少权值矩阵的大小,减小训练的时间。例如,将原来长度为12的特征矩阵通过基于SVD分解协方差矩阵算法将特征降维到2维空间。
S023:通过跌倒检测模型计算跌倒的概率值;
S024:当所述概率大于预设的阈值时,判定为跌倒并发送触发信号给触发装置开启气瓶,实现充气气囊的快速充气。
本发明实施例的跌倒检测模型选用的是逻辑回归方程,所述逻辑回归方程如下式所示:
其中,y为输出跌倒的概率值,逻辑回归模型的系数wT和b使用梯度下降法进行估计。当输出的概率值大于90%,则认为跌倒即将发生,判定为跌倒。本发明实施例可以将所述阈值设为90%-95%,具体可以根据实际情况进行设定,此处不做具体限定。
进一步地,如图6所示,本发明实施例的方法还包括如下步骤:
S04:当用户发生跌倒时,发出求助信号。
当用户发生跌倒时,可以通过求助模块向急救中心和/或社区医院发送通信连接。进一步地,本发明实施例还可以获取用户的定位信息,根据就近原则,选择离用户较近的急救中心或社区医院发送通信连接。
进一步地,本发明实施例的所述步骤S04还包括:
S041:当用户发生跌倒时,获取用户撞击地面垂直方向最大的加速度;
S042:根据所述最大的加速度确定用户的撞击程度;
根据用户撞击地面时垂直方向最大的加速度可以反映用户的撞击程度,例如,将用户的撞击程度分为三个等级,分为低级、中级和高级。设定低级程度的跌倒所受垂直方向最大的加速度为3m/s2以下,中级程度为3~6m/s2,高级程度为6m/s2以上。
S043:根据用户的撞击程度来确定是否发出求助信号。
当用户发生跌倒后,首先判断用户的撞击程度,当用户处于低级程度时,则该次跌倒对用户几乎没有什么伤害,因此该情况下不发出求助信号。若等级为中、高级,则发出求助信号。
进一步地,如图7所示,本发明实施例的所述步骤S04还包括:
S044:判断在延时时间内是否检测到复位信号;
S045:若检测到复位信号,则不发送求助信号。
本发明实施例在用户发生跌倒后,判断用户的撞击程度,同时基于一定的延时时间,如果在延时时间内用户按下复位按钮则不发出求助信号,如果用户未发出求助信号,且撞击程度为中、高级则发送求助信号。例如,上述延时时间可以为1分钟,如果用户在1分钟后未按下复位按钮,且撞击程度为中、高级,则视为用户受到的撞击比较严重,1分钟后将位置信息和撞击信息整合,发送至附近的社区医院和/或急救中心。
实施例二
参见图1-3,本发明实施例提供了一种可穿戴式跌倒防护装置,如图8所示,包括:
腰带2,所述腰带2端部设置有相互配对的卡扣7,用于将所述腰带穿戴在人体的腰部;
设置在腰带上的充气气囊,所述充气气囊的进气口通过导气管3连接于气瓶4;
跌倒检测模块5,所述跌倒检测模块5用于检测用户的运动信息并根据所述运动信息判断用户跌倒,同时发送触发信号至控制装置;
气瓶4,所述气瓶4用于保存气体;
触发装置6,用于触发所述气瓶4开启实现充气气囊的充气;
控制装置,用于根据所述触发信号控制所述触发装置开启,所述控制装置与所述跌倒检测模块、所述触发装置连接。
本发明实施例提供的可穿戴式跌倒防护装置,通过跌倒检测模块检测用户的运动信息,并根据所述运动信息判断用户是否发生跌倒,并在判断用户发生跌倒时发送触发信息至控制装置,控制装置根据所述触发信息控制所述触发装置开启,进而触发所述气瓶开启对充气气囊进行快速充气。
本发明实施例的充气气囊可折叠,且在充气气囊打开时能够覆盖住人体的整体髋部。可以理解为充气气囊要满足一定的强度,能够承受一定的气体压强,这样才能保证能够承载人体的冲击力,同时充气气囊还要有一定的气密性,不能漏气。
本发明腰带端部可以相互配对的卡扣可以是U型、Z型或其他可以实现卡扣的结构,具体不做限定。同时,还可以在腰带的卡扣部位设置磁性开关和与磁性开关配合的磁铁。当系上腰带时,磁性开关和磁铁接触,能够进一步加强腰带的牢固性,防止发生跌倒时腰带卡扣解开。
进一步地,本发明的触发装置可以是电磁阀等装置,具体不做限定。
进一步地,所述跌倒检测模块包括:
惯性测量单元,用于测量人体运动信息,所述运动信息包括人体X轴、Y 轴及Z轴的加速度、角速度及倾角;
处理器单元,用于接收人体的所述运动信息,并对所述运动信息进行处理,从而判断人体是否跌倒;
电源单元,电性连接所述惯性测量单元、处理器单元。
惯性测量单元采用传感器模块采集人体的运动信息,本发明实施例把传感器固定在腰带上,在人体跌倒过程中,传感器模块通过采用三轴加速度计采集人体X轴、Y轴及Z轴的加速度,采用三轴陀螺仪采集人体X轴、Y轴及Z 轴的角速度,通过融合算法获得人体的倾角信息,从而将人体在跌倒时的加速度、角速度及倾角准确进行采集。其中,人体倾角定义为人体与水平面的夹角,人体站立时约为0度,平躺时约为90度。
处理器单元对惯性测量单元采集的人体X轴、Y轴及Z轴的加速度、角速度及倾角数据进行预处理,并将处理好的数据经过特征提取和降维后发送至跌倒检测模型中,通过跌倒检测模型判断人体是否发生跌倒,若发生跌倒则立即发送触发信息触发触发装置开启,打开气瓶实现对充气气囊的快速充气。
进一步地,本发明的触发器单元可以是树莓派,通过树莓派对惯性测量单元采集的数据进行预处理和特征数据的提取,并将提取的特征数据放入跌倒检测模型,进行跌倒判断。采用树莓派提高了数据处理的速度,且能够运行复杂的算法,使对跌倒的判断更加准确。
进一步地,所述充气气囊为3个,分别是充气气囊1-1、充气气囊1-2、充气气囊1-3,且3个气囊分别设置在腰带上对应人体侧腰和后腰的位置。
因为人体发生跌倒时,容易受伤的部位通常是腰部,尤其是后腰和侧腰部位,因此本发明实施例设置3个充气气囊,且分别设置在人体的后腰和侧腰部位,一旦发生跌倒,充气气囊开启可以保护人体的腰部,减轻人体腰部的撞击程度,进而减缓人体所受的伤害。
进一步地,本发明的可佩戴式跌倒防护装置还包括求助模块,所述求助模块具体包括:定位模块,用于获取用户的位置信息;通信模块,用于与急救中心进行通信连接;复位按钮,用于关闭所述通信模块与急救中心和/或社区医院的通信连接。优选的,复位按钮设置在用户身体的右侧,方便用户按下。
本发明的跌倒防护装置还包括求助模块,若用户发生跌倒,可以通过定位模块实时获取用户的位置信息,并将用户的位置信息通过通信模块发送至急救中心。同时,本发明还可以根据用户的位置信息,按照就近原则发送与用户的位置最近的急救中心和/或社区医院,以方便用户得到最有效、及时的救治。复位按钮的设置是用于用户虽然发生跌倒,但是未造成严重伤害时,用户可以通过复位按钮关闭急救信息的发送,避免造成不必要的麻烦和医疗资源的浪费。
进一步地,本发明实施例求助模块还包括计时模块,在充气气囊打开后,求助模块并不会立马发送与急救中心的通信连接,而是会在判断一定时间内用户未按下复位按钮时再发送通信连接,给予用户一定的反应和缓冲时间。同时,跌倒检测模块会持续监测用户的运动,当判断用户活动微弱且一直没有按下复位按钮时才会与急救中心建立通信连接。本发明的跌倒防护装置能够根据用户跌倒所受撞击程度、用户跌倒后的状态和用户的意愿综合判断是否向急救中心或社区医院发出通信连接,避免了用户没有受伤或伤害很小的情况下,发出多余的警报给用户和医院和/或急救中心带来不便。
本发明的可穿戴式跌倒防护装置工作过程如下:
当用户穿戴上所述跌倒防护装置后,打开电源,跌到检测模块实时采集用户的运动信息,对所述运动信息进行特征提取,对提取的特征信息进行降维处理后,将所述信息放入跌倒检测模型,判断用户是否要发生跌倒;当判定用户要发生跌倒时,发送触发信号至触发装置,触发装置开启气瓶,实现充气气囊的快速充气;同时,持续监测是否接收到用户发出的复位信号,并判断用户受到的撞击程度,若接收到复位信号则不发送求助信号;若一定时间内未接收到复位信号,且所述撞击程度为中、高级则发送求助信号。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种跌倒防护方法,其特征在于,所述方法包括如下步骤:
S01:获取人体的运动信息,所述运动信息包括人体X轴、Y轴及Z轴的加速度、角速度及倾角;
S02:通过所述运动信息,根据跌倒检测模型计算人体发生跌倒的概率,当所述概率大于预设的阈值时,判定为跌倒并发送触发信号给触发装置开启气瓶,实现充气气囊的快速充气。
2.如权利要求1所述的跌倒防护方法,其特征在于,所述获取人体的运动信息之前,还包括步骤S00:训练所述跌倒检测模型;所述训练所述跌倒检测模型具体包括:
S001:获取用户的跌倒样本和正常活动样本;
S002:分别获取用户跌倒样本和正常活动样本的人体X轴、Y轴及Z轴加速度、角速度、倾角及四元数信号数据;
S003:使用均值滤波对上述数据进行滤波处理,使用四元数法计算垂直方向加速度;
S004:提取跌倒样本中跌倒数据的前段,计算所述跌倒数据的前段与参考样本的数据的相关系数,选取相关系数最大的一组作为第一组特征数据,同时选取该组跌倒样本前段数据的波形幅值的最大值、最小值、均值作为二三四组特征数据,将上述四组特征数据降维处理后送入跌到检测模型中进行训练。
3.如权利要求1所述的跌倒防护方法,其特征在于,步骤S02包括:
S021:提取用户的运动信息中的特征信息;
S022:对所述特征信息进行降维处理;
S023:通过所述跌倒检测模型计算跌倒的概率值;
S024:当所述概率大于预设的阈值时,判定为跌倒并发送触发信号给触发装置开启气瓶,实现充气气囊的快速充气。
4.如权利要求1所述的跌倒防护方法,其特征在于,所述方法还包括:
S04:当用户发生跌倒时,发出求助信号。
5.如权利要求4所述的跌倒防护方法,其特征在于,所述步骤S04还包括:
S041:当用户发生跌倒时,获取用户撞击地面垂直方向最大的加速度;
S042:根据所述最大的加速度确定用户的撞击程度;
S043:根据用户的撞击程度确定是否发出求助信号。
6.如权利要求5所述的跌倒防护方法,其特征在于,所述步骤S04还包括:
S044:判断在延时时间内是否检测到用户发出的复位信号;
S045:若检测到复位信号,则不发送求助信号。
7.一种使用权利要求1-6任一项所述的跌倒防护方法的可穿戴式跌倒防护装置,其特征在于,包括:
腰带,所述腰带端部设置有相互配对的卡扣,用于将所述腰带穿戴在人体的腰部;
设置在腰带上的充气气囊,所述充气气囊的进气口通过导气管连接于快速充气装置;
跌倒检测模块,所述跌倒检测模块用于检测用户的运动信息并根据所述运动信息判断用户是否发生跌倒,同时发送触发信号至控制装置;
气瓶,所述气瓶用于保存气体;
触发装置,用于触发所述气瓶开启实现充气气囊的充气;
控制装置,用于根据所述触发信号控制所述触发装置开启,所述控制装置与所述跌倒检测模块、所述触发装置连接。
8.如权利要求7所述的可穿戴式跌倒防护装置,其特征在于,所述跌倒检测模块包括:
惯性测量单元,用于测量人体运动信息,所述运动信息包括人体X轴、Y轴及Z轴的加速度、角速度及倾角;
处理器单元,用于接收人体的所述运动信息,并对所述运动信息进行处理,从而判断人体是否跌倒;
电源单元,电性连接所述惯性测量单元、处理器单元。
9.如权利要求7所述的可穿戴式跌倒防护装置,其特征在于,还包括求助模块,
所述求助模块具体包括:
定位模块,用于获取用户的位置信息;
通信模块,用于与急救中心和/或医院进行通信连接;
复位按钮,用于关闭所述通信模块与急救中心和/或医院的通信连接。
10.如权利要求9所述的可穿戴式跌倒防护装置,其特征在于,所述求助模块还包括计时单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587466.6A CN113287805A (zh) | 2021-05-27 | 2021-05-27 | 一种跌倒防护方法及可穿戴式跌倒防护装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587466.6A CN113287805A (zh) | 2021-05-27 | 2021-05-27 | 一种跌倒防护方法及可穿戴式跌倒防护装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113287805A true CN113287805A (zh) | 2021-08-24 |
Family
ID=77325687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110587466.6A Pending CN113287805A (zh) | 2021-05-27 | 2021-05-27 | 一种跌倒防护方法及可穿戴式跌倒防护装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113287805A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820944A (zh) * | 2021-09-10 | 2021-12-21 | 上海赐创信息技术有限公司 | 一种老人智能手表系统 |
CN114495426A (zh) * | 2022-03-24 | 2022-05-13 | 山东建筑大学 | 一种防摔倒检测与防护系统及方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6025128A (en) * | 1994-09-29 | 2000-02-15 | The University Of Tulsa | Prediction of prostate cancer progression by analysis of selected predictive parameters |
CN102045358A (zh) * | 2010-12-29 | 2011-05-04 | 深圳市永达电子股份有限公司 | 一种基于整合相关性分析与分级聚类的入侵检测方法 |
CN103040547A (zh) * | 2012-12-24 | 2013-04-17 | 中国科学院深圳先进技术研究院 | 便携式跌倒防护装置 |
CN104167209A (zh) * | 2014-08-06 | 2014-11-26 | 华为软件技术有限公司 | 一种音频失真的检测方法及装置 |
US20150294549A1 (en) * | 2014-04-11 | 2015-10-15 | Hill-Rom Services, Inc. | Patient-need prediction system |
CN204908025U (zh) * | 2015-09-02 | 2015-12-30 | 深圳市易特科信息技术有限公司 | 可穿戴式跌倒防护装置 |
CN105559789A (zh) * | 2015-12-31 | 2016-05-11 | 成都麦杰康科技有限公司 | 跌倒检测系统及方法 |
CN206177474U (zh) * | 2016-08-12 | 2017-05-17 | 泰科电子(上海)有限公司 | 测温组件及电器设备 |
KR101849050B1 (ko) * | 2017-05-04 | 2018-05-28 | 김용 | 에어백 급팽창 장치 및 그것을 갖는 안전 자켓 |
US20180295903A1 (en) * | 2016-01-04 | 2018-10-18 | Boe Technology Group Co., Ltd. | Protection system and method |
CN109858562A (zh) * | 2019-02-21 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种医学影像的分类方法、装置和存储介质 |
CN110179638A (zh) * | 2019-06-24 | 2019-08-30 | 福建师范大学福清分校 | 一种基于Internet的智行监护拐杖及系统 |
CN210696050U (zh) * | 2019-09-25 | 2020-06-09 | 南充市中心医院 | 一种安全气囊型髋保护装置 |
CN111291804A (zh) * | 2020-01-22 | 2020-06-16 | 杭州电子科技大学 | 基于注意力机制的多传感器时间序列分析模型 |
CN111325946A (zh) * | 2020-01-19 | 2020-06-23 | 浙江理工大学 | 一种基于边缘计算的跌倒检测方法及系统 |
US20200205746A1 (en) * | 2018-12-27 | 2020-07-02 | Starkey Laboratories, Inc. | Predictive fall event management system and method of using same |
CN111693024A (zh) * | 2020-06-11 | 2020-09-22 | 秦奕天 | 一种基于九轴惯性测量单元可穿戴人体传感监测设备 |
CN112098358A (zh) * | 2020-09-07 | 2020-12-18 | 燕山大学 | 基于四元数卷积神经网络的近红外光谱并行融合定量建模方法 |
-
2021
- 2021-05-27 CN CN202110587466.6A patent/CN113287805A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6025128A (en) * | 1994-09-29 | 2000-02-15 | The University Of Tulsa | Prediction of prostate cancer progression by analysis of selected predictive parameters |
CN102045358A (zh) * | 2010-12-29 | 2011-05-04 | 深圳市永达电子股份有限公司 | 一种基于整合相关性分析与分级聚类的入侵检测方法 |
CN103040547A (zh) * | 2012-12-24 | 2013-04-17 | 中国科学院深圳先进技术研究院 | 便携式跌倒防护装置 |
US20150294549A1 (en) * | 2014-04-11 | 2015-10-15 | Hill-Rom Services, Inc. | Patient-need prediction system |
CN104167209A (zh) * | 2014-08-06 | 2014-11-26 | 华为软件技术有限公司 | 一种音频失真的检测方法及装置 |
CN204908025U (zh) * | 2015-09-02 | 2015-12-30 | 深圳市易特科信息技术有限公司 | 可穿戴式跌倒防护装置 |
CN105559789A (zh) * | 2015-12-31 | 2016-05-11 | 成都麦杰康科技有限公司 | 跌倒检测系统及方法 |
US20180295903A1 (en) * | 2016-01-04 | 2018-10-18 | Boe Technology Group Co., Ltd. | Protection system and method |
CN206177474U (zh) * | 2016-08-12 | 2017-05-17 | 泰科电子(上海)有限公司 | 测温组件及电器设备 |
KR101849050B1 (ko) * | 2017-05-04 | 2018-05-28 | 김용 | 에어백 급팽창 장치 및 그것을 갖는 안전 자켓 |
US20200205746A1 (en) * | 2018-12-27 | 2020-07-02 | Starkey Laboratories, Inc. | Predictive fall event management system and method of using same |
CN109858562A (zh) * | 2019-02-21 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种医学影像的分类方法、装置和存储介质 |
CN110179638A (zh) * | 2019-06-24 | 2019-08-30 | 福建师范大学福清分校 | 一种基于Internet的智行监护拐杖及系统 |
CN210696050U (zh) * | 2019-09-25 | 2020-06-09 | 南充市中心医院 | 一种安全气囊型髋保护装置 |
CN111325946A (zh) * | 2020-01-19 | 2020-06-23 | 浙江理工大学 | 一种基于边缘计算的跌倒检测方法及系统 |
CN111291804A (zh) * | 2020-01-22 | 2020-06-16 | 杭州电子科技大学 | 基于注意力机制的多传感器时间序列分析模型 |
CN111693024A (zh) * | 2020-06-11 | 2020-09-22 | 秦奕天 | 一种基于九轴惯性测量单元可穿戴人体传感监测设备 |
CN112098358A (zh) * | 2020-09-07 | 2020-12-18 | 燕山大学 | 基于四元数卷积神经网络的近红外光谱并行融合定量建模方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820944A (zh) * | 2021-09-10 | 2021-12-21 | 上海赐创信息技术有限公司 | 一种老人智能手表系统 |
CN113820944B (zh) * | 2021-09-10 | 2023-12-22 | 江苏纽锐电子科技有限公司 | 一种老人智能手表系统 |
CN114495426A (zh) * | 2022-03-24 | 2022-05-13 | 山东建筑大学 | 一种防摔倒检测与防护系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103027687B (zh) | 基于3d加速度仪和陀螺仪的老年人跌倒检测报警系统 | |
CN113287805A (zh) | 一种跌倒防护方法及可穿戴式跌倒防护装置 | |
EP2274734B1 (en) | Displacement measurement in a fall detection system | |
US9638711B2 (en) | Method and system for discerning a false positive in a fall detection signal | |
US9402568B2 (en) | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets | |
CN107169512B (zh) | Hmm-svm跌倒模型的构建方法及基于该模型的跌倒检测方法 | |
CN105632101A (zh) | 一种人体防跌倒预警方法及系统 | |
Lai et al. | Adaptive body posture analysis using collaborative multi-sensors for elderly falling detection | |
KR101259560B1 (ko) | 손목 착용형 낙상 감지 장치 및 방법과 이를 이용한 낙상 감지 시스템 | |
JP2007151948A (ja) | 転倒判定方法及びその装置 | |
Hsieh et al. | A wrist-worn fall detection system using accelerometers and gyroscopes | |
US20200367790A1 (en) | Improvements in or relating to fall detectors and fall detection | |
Zhong et al. | A real-time pre-impact fall detection and protection system | |
Hou et al. | Triaxial accelerometer-based real time fall event detection | |
CN105654666A (zh) | 基于mems传感器的老年人跌倒监测方法 | |
Shi et al. | Fall detection system based on inertial mems sensors: Analysis design and realization | |
JP2005237576A (ja) | 転倒判定装置 | |
Xie et al. | ART: adaptive and real-time fall detection using COTS smart watch | |
Yuwono et al. | Fall detection using a Gaussian distribution of clustered knowledge, augmented radial basis neural-network, and multilayer perceptron | |
Zhen et al. | Wearable preimpact fall detector using SVM | |
He et al. | An autonomous fall detection and alerting system based on mobile and ubiquitous computing | |
Shi et al. | Development of a human airbag system for fall protection using mems motion sensing technology | |
Habaebi et al. | Wearable Smart Phone Sensor Fall Detection System. | |
CN114495426A (zh) | 一种防摔倒检测与防护系统及方法 | |
CN107184214B (zh) | 一种老年人用跌倒预先识别装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210824 |