CN113358111A - 跌倒检测方法、装置和电子设备 - Google Patents
跌倒检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113358111A CN113358111A CN202110597017.XA CN202110597017A CN113358111A CN 113358111 A CN113358111 A CN 113358111A CN 202110597017 A CN202110597017 A CN 202110597017A CN 113358111 A CN113358111 A CN 113358111A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- value
- data
- time
- fall detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 201
- 230000001133 acceleration Effects 0.000 claims abstract description 474
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000002131 composite material Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010016173 Fall Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提供了一种跌倒检测方法、装置和电子设备。其中,该方法包括:通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度;将加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果;其中,跌倒检测模型基于加速度样本数据的特征值训练得到;基于检测结果确定检测人员是否处于跌倒状态。该方式中的便携设备只需要包含三轴加速度传感器即可完成检测人员的跌倒状态检测,无需多种传感器采集不同的数据,便携设备结构简单,穿戴方便,可以减少传感器成本。
Description
技术领域
本发明涉及深度学习技术领域,尤其是涉及一种跌倒检测方法、装置和电子设备。
背景技术
伴随着社会的快速发展变迁和严峻的人口老龄化问题,子女很难生活在父母身边,这就造成了很多独居老人、空巢老人的出现。由于独居老人、空巢老人的数量越来越多,在导致老年人受到伤害的所有原因中“跌倒”的占比越来越大。事实上“跌倒”本身并不是导致严重伤病后果的根本原因,根本原因是由于跌倒发生之后老年人没有得到及时的救助,从而延误了治疗的时间,因此增加了伤亡率。事实证明,“跌倒”越早被发现被报告,则跌倒的老年人的伤亡率将会大大降低。
目前跌倒检测的方法主要有两种:一种是基于视觉计算的跌倒检测方法,通过安装监控摄像头来实时监测;另一种是基于嵌入式设备的跌倒检测方法,通过智能穿戴设备、手机等设备进行跌倒检测。其中,第一种方法需要布置大量的监控摄像头,并且对环境的要求高,不适用于夜间检测,因此存在视觉盲区;第二种方法一般需要多种传感器采集不同的数据,因此需要穿戴较为复杂的设备,穿戴起来不方便,检测人员的体验度较差,传感器成本也较高。
发明内容
有鉴于此,本发明的目的在于提供一种跌倒检测方法、装置和电子设备,以减少传感器成本,增加检测人员的体验度。
第一方面,本发明实施例提供了一种跌倒检测方法,包括:通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度;将加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果;其中,跌倒检测模型基于加速度样本数据的特征值训练得到;基于检测结果确定检测人员是否处于跌倒状态。
在本发明较佳的实施例中,上述将加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果的步骤,包括:基于加速度数据计算加速度数据的特征值;特征值至少包括以下之一:合成加速度值、加速度增量值、合成平均加速度值、合成加速度偏差值和加速度组合值;将加速度数据的特征值输入预先训练完成的跌倒检测模型中,输出检测结果。
在本发明较佳的实施例中,上述基于加速度数据计算加速度数据的特征值的步骤,包括:根据当前时刻的横坐标加速度、纵坐标加速度和竖坐标加速度确定当前时刻的合成加速度值;根据当前时刻的加速度数据与当前时刻的上一时刻的加速度数据的差,确定当前时刻的加速度增量值;根据当前时刻的加速度数据、上一时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的平均加速度值;根据当前时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的合成加速度偏差值;根据当前时刻的合成加速度值、当前时刻的合成平均加速度值和当前时刻的合成加速度偏差值,确定当前时刻的加速度组合值。
在本发明较佳的实施例中,上述根据当前时刻的横坐标加速度、纵坐标加速度和竖坐标加速度确定当前时刻的合成加速度值的步骤,包括:通过下述算式计算合成加速度值A1(t):其中,t时刻为当前时刻,Ax(t)为t时刻的横坐标加速度,Ay(t)为t时刻的纵坐标加速度,Az(t)为t时刻的竖坐标加速度;根据当前时刻的加速度数据与当前时刻的上一时刻的加速度数据的差,确定当前时刻的加速度增量值的步骤,包括:通过下述算式计算加速度增量值Δ:
在本发明较佳的实施例中,上述根据当前时刻的加速度数据、上一时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的平均加速度值的步骤,包括:通过下述算式计算平均加速度值:
其中,AX(t)为t时刻的横坐标平均加速度值,AY(t)为t时刻的纵坐标平均加速度值,AZ(t)为t时刻的竖坐标平均加速度值,D为t-1时刻至t时刻之间采集的加速度数据的数量;通过下述算式计算合成平均加速度值Avg(t):
在本发明较佳的实施例中,上述根据当前时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的合成加速度偏差值的步骤,包括:通过下述算式计算加速度偏差值: 其中,σx(t)为当前时刻横坐标加速度偏差值,σy(t)为当前时刻纵坐标加速度偏差值,σz(t)为当前时刻竖坐标加速度偏差值;通过下述算式计算合成加速度偏差值σ(t):
在本发明较佳的实施例中,上述跌倒检测模型为支持向量机模型;上述输出检测结果的步骤,包括:输出跌倒概率值;其中,跌倒概率值表征检测人员在采集加速度数据的时刻处于跌倒状态的概率。
在本发明较佳的实施例中,上述跌倒检测模型设置于处理设备中,上述处理设备与便携设备无线通信连接。
在本发明较佳的实施例中,基于检测结果确定检测人员是否处于跌倒状态的步骤之后,上述方法还包括:如果检测人员处于跌倒状态,发送报警信号。
在本发明较佳的实施例中,上述跌倒检测模型通过下述步骤训练:获取加速度样本数据和采集加速度样本数据时检测人员的姿态真值;姿态真值表征检测人处于跌倒状态或正常状态;计算加速度样本数据的特征值;基于加速度样本数据的特征值和姿态真值训练跌倒检测模型,得到训练好的跌倒检测模型。
第二方面,本发明实施例还提供一种跌倒检测装置,包括:加速度数据获取模块,用于通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度;检测结果输出模块,用于将加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果;其中,跌倒检测模型基于加速度样本数据的特征值训练得到;跌倒状态确定模块,用于基于检测结果确定检测人员是否处于跌倒状态。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述的跌倒检测方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述的跌倒检测方法的步骤。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种跌倒检测方法、装置和电子设备,通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据,将上述加速度输出输入跌倒检测模型中,输出检测结果,确定检测人员是否处于跌倒状态。该方式中的便携设备只需要包含三轴加速度传感器即可完成检测人员的跌倒状态检测,无需多种传感器采集不同的数据,便携设备结构简单,穿戴方便,可以减少传感器成本。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种跌倒检测方法的流程图;
图2为本发明实施例提供的另一种跌倒检测方法的流程图;
图3为本发明实施例提供的一种跌倒检测模型的训练方式的示意图;
图4为本发明实施例提供的一种跌倒检测系统的示意图;
图5为本发明实施例提供的一种跌倒检测装置的结构示意图;
图6为本发明实施例提供的另一种跌倒检测装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
目前,基于视觉计算的跌倒检测方法通过安装监控摄像头检测某一区域,如果有人在该区域跌倒,则可以通过摄像头拍摄的图像或视频进行检测,上述方法需要布置大量的监控摄像头,且对该区域进行跌倒检测,不适用于夜间检测。基于嵌入式设备的跌倒检测方法,需要穿戴较为复杂的设备,穿戴不方便的同时,检测人员的体验度较差,复杂设备的传感器成本也较高。基于此,本发明实施例提供的一种跌倒检测方法、装置和电子设备,该技术可以应用于智能电器、手机、平板电脑、计算机等多种设备中,该技术可采用相应的软件和硬件实现,以下对本发明实施例进行详细介绍。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种跌倒检测方法进行详细介绍。
本实施例提供了一种跌倒检测方法,参见图1所示的一种跌倒检测方法的流程图,该跌倒检测方法包括如下步骤:
步骤S100,通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度。
三轴加速度传感器也可以称为三轴加速度计,可以采集横坐标(x轴)、纵坐标(y轴)和竖坐标(z轴)三个轴的加速度数据,即横坐标加速度(x轴加速度)、纵坐标加速度(y轴加速度)和竖坐标加速度(z轴加速度)。
本实施例三轴加速度传感器可以设置在便携设备中,便携设备由检测人员(可以为容易跌倒的老人)随身携带,便携设备可以为:手表、手环、手机、鞋垫等。在检测人员日常生活时,三轴加速度传感器即可实时采集检测人员的加速度数据。
步骤S102,将加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果;其中,跌倒检测模型基于加速度样本数据的特征值训练得到。
三轴加速度传感器在采集检测人员的加速度数据之后,可以将加速度数据输入预先训练完成的跌倒检测模型中。其中,跌倒检测模型可以为神经网络模型,跌倒检测模型可以设置在上述便携设备中,也可以不设置在上述便携设备而设置在其他设备中。
跌倒检测模型如果不设置在上述便携设备而设置在其他设备中,其它设备需要与便携设备通信连接,可以为蓝牙、WIFI等无线连接的方式。此时可以进一步减少便携设备中的器件,从而减轻便携设备的重量,方便检测人员携带便携设备。
加速度数据输入跌倒检测模型之后,跌倒检测模型可以根据输入的加速度数据判断检测人员在采集是否处于跌倒状态,输出检测结果。如果检测到检测人员处于跌倒状态,则可以进行报警。进行报警的设备可以为便携设备或者其他预先设定的与便携设备通信连接的设备。报警的方式可以为:发声、发光、发送报警信息等。
其中,在训练跌倒检测模型的过程中,可以采用加速度样本数据的特征值进行训练,加速度样本数据可以包括历史采集的加速度数据以及采集加速度数据时检测人员的状态对应的真值(例如,检测人员采集加速度数据时处于跌倒状态则真值为1,检测人员采集加速度数据时未处于跌倒状态则真值为0)。加速度样本数据的特征值即加速度样本数据进行运算后得到的数据,特征值可以反映检测人员的状态。检测人员的状态不同,特征值也会不同。
步骤S104,基于检测结果确定检测人员是否处于跌倒状态。
本实施例中的检测结果可以反应检测人员的状态,例如:检测结果可以为0或者1,其中,0代表检测人员未处于跌倒状态,1代表检测人员处于跌倒状态。或者,检测结果可以为0-1之间的一个数值,该数值越接近1,则检测人员处于跌倒状态的概率越大。
本发明实施例提供的一种跌倒检测方法,通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据,将上述加速度输出输入跌倒检测模型中,输出检测结果,确定检测人员是否处于跌倒状态。该方式中的便携设备只需要包含三轴加速度传感器即可完成检测人员的跌倒状态检测,无需多种传感器采集不同的数据,便携设备结构简单,穿戴方便,可以减少传感器成本。
本实施例提供了另一种跌倒检测方法,该方法在上述实施例的基础上实现;本实施例重点描述将加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果的具体实施方式。参见图2所示的另一种跌倒检测方法的流程图,本实施例中的跌倒检测方法包括如下步骤:
步骤S200,通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度。
日常生活或者正常行走过程中,检测人员携带便携设备采集的检测的加速度数据一般是不规则的封闭小峰。当检测人员跌倒并要撞到地面时,垂直加速度(竖坐标加速度)陡然增大,加速度数据会显示一个幅度很大的峰,很明显,跌倒时人的速度或加速度最大。此后,当人撞到地面时,在峰值点之后,加速度会突然归零。因此合成加速度值是本发明特征提取的要点。
步骤S202,基于加速度数据计算加速度数据的特征值;特征值至少包括以下之一:合成加速度值、加速度增量值、合成平均加速度值、合成加速度偏差值和加速度组合值。
为了提高跌倒检测的准确率,可以尽可能多的选择特征值,本实施例中的特征值至少包括以下之一:合成加速度值、加速度增量值、合成平均加速度值、合成加速度偏差值和加速度组合值。上述5个特征值的计算是相互关联的,可以通过步骤A1-步骤A5计算得到:
步骤A1,根据当前时刻的横坐标加速度、纵坐标加速度和竖坐标加速度确定当前时刻的合成加速度值。
合成加速度值A1(t)表示x,y,z三个方向加速度Ax(t),Ay(t),Az(t)的平方和再开方数值,可以通过下述算式计算合成加速度值A1(t):
其中,t时刻为当前时刻,Ax(t)为t时刻的横坐标加速度,Ay(t)为t时刻的纵坐标加速度,Az(t)为t时刻的竖坐标加速度。当检测人员突然跌倒时竖坐标加速度Az(t)一般会突然增大,横坐标加速度Ax(t)和纵坐标加速度Ay(t)也会突然一定程度发生变化,因此,加速度值A1(t)一般会随着检测人员的跌倒而增大,可以将合成加速度值A1(t)作为加速度数据的特征值。
步骤A2,根据当前时刻的加速度数据与当前时刻的上一时刻的加速度数据的差,确定当前时刻的加速度增量值。
当检测人员突然跌倒时,t时刻的竖坐标加速度Az(t)相比t-1时刻的竖坐标加速度Az(t-1)会突然增大,导致加速度增量值Δ突然增加,因此,加速度增量值Δ可以作为加速度数据的特征值。
步骤A3,根据当前时刻的加速度数据、上一时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的平均加速度值。
在计算加速度平均值时,可以先计算x方向、y方向和z方向上的加速度平均值,之后计算合成平均加速度值,例如:通过下述算式计算平均加速度值:
其中,AX(t)为t时刻的横坐标平均加速度值,AY(t)为t时刻的纵坐标平均加速度值,AZ(t)为t时刻的竖坐标平均加速度值,D为t-1时刻至t时刻之间采集的加速度数据的数量;通过下述算式计算合成平均加速度值Avg(t):
其中,横坐标平均加速度值AX(t)表征x方向上,上一个时刻和此刻的平均加速度,纵坐标平均加速度值AY(t)表征y方向上,上一个时刻和此刻的平均加速度,竖坐标平均加速度值AZ(t)表征z方向上,上一个时刻和此刻的平均加速度。
合成平均加速度值Avg(t)表示时间t处,x,y,z三个方向的平均加速度合成值。当检测人员突然跌倒时,t时刻的竖坐标平均加速度值AZ(t)一般会突然变大,导致合成平均加速度值Avg(t)变大,因此,合成平均加速度值Avg(t)可以作为加速度数据的特征值。
步骤A4,根据当前时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的合成加速度偏差值。
类似地,在计算合成加速度偏差值时,可以先计算x方向、y方向和z方向的加速度偏差值,之后计算合成加速度偏差值,例如:通过下述算式计算加速度偏差值:
其中,σx(t)为当前时刻横坐标加速度偏差值,σy(t)为当前时刻纵坐标加速度偏差值,σz(t)为当前时刻竖坐标加速度偏差值;通过下述算式计算合成加速度偏差值σ(t):
对于横坐标加速度偏差值σx(t),可以把x时刻之前的所有采集数据当成整体,计算其偏差值,D为上一个时刻t-1到此刻t采集到的加速度值数量,计算t时刻之前所有的加速度值与平均加速度值的差值,计算x方向偏差值σx(t)。可以采用类似方法计算σy(t)为纵坐标加速度偏差值σy(t)和竖坐标加速度偏差值σz(t)。
信号处理领域中,方差和标准差都是反映数据序列与均值的关系,衡量数据偏离中心值的程度。方差和标准差的差异在于量纲。这里的合成加速度偏差值σ(t)相当于标准差,衡量加速度变化的程序,也就是加速度变的迅速还缓慢的变化,相当于衡量加速度变化偏离平均加速度的程度。
当检测人员突然跌倒时,z方向的所有的加速度值与平均加速度值的差值一般会变大,因此竖坐标加速度偏差值σz(t)也会变大,从而导致合成加速度偏差值σ(t)变大。因此,合成加速度偏差值σ(t)也可以作为加速度数据的特征值。
步骤A5,根据当前时刻的合成加速度值、当前时刻的合成平均加速度值和当前时刻的合成加速度偏差值,确定当前时刻的加速度组合值。
加速度组合值Z(t)表示上述三个合成值(当前时刻的合成加速度值、当前时刻的合成平均加速度值和当前时刻的合成加速度偏差值)的组合表示,可以通过下述算式计算加速度组合值Z(t):
利用上述公式计算前述三个合成数值的综合表征,即加速度组合值Z(t),将加速度组合值Z(t)作为加速度特征的特征值更加准确和稳定。
本实施例通过加速度组合值Z(t)能够很好的帮助判断是否跌倒。对于加速度信号的处理,Z(t)算其中的一个特征。如果要考虑泛化性和每个个体数据的差异性,一般对信号的处理,除了常规的计算特征手段,也会综合利用常规计算得到的特征进行除法、开方等处理,获得高维的特征。所以,加速度组合值Z(t)是加速度数据的高维特征,将加速度组合值Z(t)作为加速度数据的特征值能够有助于进行跌倒检测。
举例来说,如果我们考虑两个灵敏度相同的传感器,则上述两个传感器数据读数之间可能会有一些偏移差异,对于相同的幅度变化,这可能导致两个传感器得到不同的合成加速度。为了避免这种情况,我们使用三个合成加速度的组合,从而抵消了初始偏移问题的影响。
例如,我们使用一个方向的加速度变化值,也能实现跌倒检测,但是个体间的差异、传感器间的差异会带来一定得影响,有异常的情况会被检测到。而本实施例使用三轴加速度传感器的三个方向的加速度变化值,那么当其中一个方向有异常情况时,会因为本实施例使用了三个方向的变化而被盖住,这是提高算法泛化性能的一个方法。
如果使用了一个方向的加速度变化值,那么在实际使用时难以克服初始偏移问题。本实施例使用三轴加速度传感器的三个方向互补,三个方向各自的偏移可以相互抵消。
综上,本实施例的加速度数据的特征值可以至少包括以下之一:合成加速度值、加速度增量值、合成平均加速度值、合成加速度偏差值和加速度组合值,具有较高的检测准确率。
步骤S204,将加速度数据的特征值输入预先训练完成的跌倒检测模型中,输出检测结果。
本实施例中的跌倒检测模型为支持向量机(Support Vector Machine,SVM)模型,SVM是由模式识别中广义肖像算法发展而来的分类器,可以进行分类,此时输出的检测结果可以为跌倒概率值,例如:输出跌倒概率值;其中,跌倒概率值表征检测人员在采集加速度数据的时刻处于跌倒状态的概率。
例如:在训练述跌倒检测模型时可以设置输出的检测结果可以为0-1之间的数值,其中,0代表正常状态,1代表跌倒状态,输出的检测结果越接近1,则检测人员处于跌倒状态的概率越高。
本实施例中的跌倒检测模型在进行训练时,需要将采集加速度样本数据时检测人员的姿态真值作为训练集的数据进行训练,例如,可以通过以下方式训练跌倒检测模型:获取加速度样本数据和采集加速度样本数据时检测人员的姿态真值;姿态真值表征检测人处于跌倒状态或正常状态;计算加速度样本数据的特征值;基于加速度样本数据的特征值和姿态真值训练跌倒检测模型,得到训练好的跌倒检测模型。
训练集中的数据包括检测人员的各个时刻采集的加速度样本数据和采集该加速度样本数据的时刻时检测人员的姿态真值;其中,加速度样本数据包括横坐标加速度、纵坐标加速度和竖坐标加速度;姿态真值是一个数值,通过姿态真值可以表征检测人处于跌倒状态或正常状态,例如,姿态真值1表征检测人处于跌倒状态,姿态真值0表征检测人处于正常状态。
在训练跌倒检测模型前,需要计算加速度样本数据的特征值。其中,加速度样本数据的特征值也可以至少包括以下之一:合成加速度值、加速度增量值、合成平均加速度值、合成加速度偏差值和加速度组合值。基于计算好的上述加速度样本数据的特征值以及姿态真值对训练跌倒检测模型进行训练,可以得到训练好的跌倒检测模型。
参见图3所示的一种跌倒检测模型的训练方式的示意图,具体步骤分为获取数据、数据处理获取5个特征值、对特征值数据进行划分分为训练集测试集、用训练集训练跌倒检测模型、测试跌倒检测模型的准确率。其中,获得5个特征值后可以构成一个数据组合,可以用python或者其他语言转化为相应的数据集。然后就是对该数据集进行划分,切片,用于跌倒检测模型的训练。
步骤S206,基于检测结果确定检测人员是否处于跌倒状态。
本实施例中的跌倒检测模型可以设置于处理设备中,处理设备与便携设备无线通信连接。其中,上述处理设备可以与包含有三轴加速度传感器的便携设备为同一设备,也可以与包含有三轴加速度传感器的便携设备不为同一设备。
例如:本实施例可以通过手机检测,三轴加速度传感器和跌倒检测模型可以设置在同一手机中,即处理设备与包含有三轴加速度传感器的便携设备为同一设备(手机)。又例如,包含有三轴加速度传感器的便携设备可以为手环或手表等便于携带的设备,包含有跌倒检测模型的设备可以为远程的服务器,手机,音箱等设备。
本实施例在确定检测人员是否处于跌倒状态之后,还可以进行报警,例如:如果检测人员处于跌倒状态,发送报警信号。其中,报警信号可以发送到便携设备或者或处理设备中,也可以发送到其他的报警设备中。例如:便携设备可以为手环,处理设备可以为服务器,报警设备可以为手机等。
可以参见图4所示的一种跌倒检测系统的示意图,如图4所示,该跌倒检测系统包括依次通信连接的便携设备、处理设备和报警设备;其中,便携设备、处理设备和报警设备可以为同一设备,也可以为不同设备。
便携设备的作用在于获取三轴加速度传感器采集的加速度数据;并通过无线传输(WIFI、蓝牙、紫蜂协议ZigBee等)将加速度数据发送至处理设备。处理设备在接收到加速度数据之后,可以计算加速度数据的特征值,通过预先训练完成的跌倒检测模型输出该特征值对应的检测结果,判断检测人员是否处于跌倒状态,如果是,处理设备可以向报警设备发送报警信号。报警设备在接受到报警信号之后,可以进行相应的报警动作,例如:发生、发光、文字提醒等。
其中,本实施例中的传感器只有一个三轴加速度传感器,便携设备可以为智能手机、智能手表、智能手环等小型设备。处理设备包括检测处理算法,可以编写成软件放置在手机中执行,可以单独制作成为一个智能设备,也可以编写成软件放置在智能家居中的其他智能设备上,例如:智能音箱等。因为本实施例利用的传感器只有一个三轴加速度传感器,数据量小,算法轻便,很容易布置在其他硬件上。
举例来说,本实施例可以跌倒检测算法编写成APP(Application,应用程序),安装在智能手机中,便携设备和处理设备均为同一智能手机。APP实时获取手机的三轴加速度传感器采集的加速度数据,并实时提取加速度增量值Δ,合成加速度值A1(t),合成平均加速度值Avg(t),合成加速度偏差值σ(t)和加速度组合值Z(t)等5个特征值,其中时间间隔为1s,每100ms采集一次,即D为10。将特征值输入训练好的跌倒检测模型进行判断。如果识别判断为跌倒,立即发送短信给预定的人员。
又例如,便携设备为智能手环,处理设备为智能音箱。用户佩戴智能手环,实时采集三轴加速度传感器的加速度数据。智能手环将加速度数据通过无线传输的方式发送给智能音箱,智能音箱提取加速度增量值Δ,合成加速度值A1(t),合成平均加速度值Avg(t),合成加速度偏差值σ(t)和加速度组合值Z(t)等5个特征值,其中时间间隔为1s,每100ms采集一次,D为10。将特征值输入训练好的跌倒检测模型进行判断。如果识别判断为跌倒,立即发送短信给预定的人员。
本发明实施例提供的上述方法,可以充分利用身边的嵌入式编写设备,仅仅使用一个三轴加速度传感器的基础上实现跌倒检测,性价比高,准确率高。算法可以编写成软件,安装于其他处理设备,方便有效。
对应于上述方法实施例,本发明实施例提供了一种跌倒检测装置,参见图5所示的一种跌倒检测装置的结构示意图,该跌倒检测装置包括:
加速度数据获取模块51,用于通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度;
检测结果输出模块52,用于将加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果;其中,跌倒检测模型基于加速度样本数据的特征值训练得到;
跌倒状态确定模块53,用于基于检测结果确定检测人员是否处于跌倒状态。
本发明实施例提供的一种跌倒检测装置,通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据,将上述加速度输出输入跌倒检测模型中,输出检测结果,确定检测人员是否处于跌倒状态。该方式中的便携设备只需要包含三轴加速度传感器即可完成检测人员的跌倒状态检测,无需多种传感器采集不同的数据,便携设备结构简单,穿戴方便,可以减少传感器成本。
上述检测结果输出模块,用于基于加速度数据计算加速度数据的特征值;特征值至少包括以下之一:合成加速度值、加速度增量值、合成平均加速度值、合成加速度偏差值和加速度组合值;将加速度数据的特征值输入预先训练完成的跌倒检测模型中,输出检测结果。
上述检测结果输出模块,用于基于加速度数据计算加速度数据的特征值的步骤,包括:根据当前时刻的横坐标加速度、纵坐标加速度和竖坐标加速度确定当前时刻的合成加速度值;根据当前时刻的加速度数据与当前时刻的上一时刻的加速度数据的差,确定当前时刻的加速度增量值;根据当前时刻的加速度数据、上一时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的平均加速度值;根据当前时刻的加速度数据、当前时刻与上一时刻采集的加速度数据的数量,确定当前时刻的合成加速度偏差值;根据当前时刻的合成加速度值、当前时刻的合成平均加速度值和当前时刻的合成加速度偏差值,确定当前时刻的加速度组合值。
上述检测结果输出模块,用于通过下述算式计算合成加速度值A1(t):其中,t时刻为当前时刻,Ax(t)为t时刻的横坐标加速度,Ay(t)为t时刻的纵坐标加速度,Az(t)为t时刻的竖坐标加速度;根据当前时刻的加速度数据与当前时刻的上一时刻的加速度数据的差,确定当前时刻的加速度增量值的步骤,包括:通过下述算式计算加速度增量值Δ:
上述检测结果输出模块,用于通过下述算式计算平均加速度值: 其中,AX(t)为t时刻的横坐标平均加速度值,AY(t)为t时刻的纵坐标平均加速度值,AZ(t)为t时刻的竖坐标平均加速度值,D为t-1时刻至t时刻之间采集的加速度数据的数量;通过下述算式计算合成平均加速度值Avg(t):
上述检测结果输出模块,用于通过下述算式计算加速度偏差值: 其中,σx(t)为当前时刻横坐标加速度偏差值,σy(t)为当前时刻纵坐标加速度偏差值,σz(t)为当前时刻竖坐标加速度偏差值;通过下述算式计算合成加速度偏差值σ(t):
上述跌倒检测模型为支持向量机模型;上述检测结果输出模块,用于输出跌倒概率值;其中,跌倒概率值表征检测人员在采集加速度数据的时刻处于跌倒状态的概率。
上述跌倒检测模型设置于处理设备中,上述处理设备与便携设备无线通信连接。
参见图6所示的另一种跌倒检测装置的结构示意图,该跌倒检测装置还包括:报警信号发送模块54,与跌倒状态确定模块53连接,报警信号发送模块54用于如果检测人员处于跌倒状态,发送报警信号。
如图6所示,该跌倒检测装置还包括:跌倒检测模型训练模块55,与加速度数据获取模块51连接,跌倒检测模型训练模块55用于获取加速度样本数据和采集加速度样本数据时检测人员的姿态真值;姿态真值表征检测人处于跌倒状态或正常状态;计算加速度样本数据的特征值;基于加速度样本数据的特征值和姿态真值训练跌倒检测模型,得到训练好的跌倒检测模型。
本发明实施例所提供的跌倒检测装置,其实现原理及产生的技术效果和前述跌倒检测方法实施例相同,为简要描述,跌倒检测装置实施例部分未提及之处,可参考前述跌倒检测方法实施例中相应内容。
本发明实施例还提供了一种电子设备,用于运行上述跌倒检测方法;参见图7所示的一种电子设备的结构示意图,该电子设备包括存储器100和处理器101,其中,存储器100用于存储一条或多条计算机指令,一条或多条计算机指令被处理器101执行,以实现上述跌倒检测方法。
进一步地,图7所示的电子设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述跌倒检测方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的跌倒检测方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和/或装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种跌倒检测方法,其特征在于,包括:
通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,所述加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度;
将所述加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果;其中,所述跌倒检测模型基于加速度样本数据的特征值训练得到;
基于所述检测结果确定所述检测人员是否处于跌倒状态。
2.根据权利要求1所述的方法,其特征在于,将所述加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果的步骤,包括:
基于所述加速度数据计算所述加速度数据的特征值;所述特征值至少包括以下之一:合成加速度值、加速度增量值、合成平均加速度值、合成加速度偏差值和加速度组合值;
将所述加速度数据的特征值输入预先训练完成的跌倒检测模型中,输出检测结果。
3.根据权利要求2所述的方法,其特征在于,基于所述加速度数据计算所述加速度数据的特征值的步骤,包括:
根据当前时刻的横坐标加速度、纵坐标加速度和竖坐标加速度确定所述当前时刻的合成加速度值;
根据所述当前时刻的加速度数据与所述当前时刻的上一时刻的加速度数据的差,确定所述当前时刻的加速度增量值;
根据所述当前时刻的加速度数据、所述上一时刻的加速度数据、所述当前时刻与所述上一时刻采集的所述加速度数据的数量,确定所述当前时刻的平均加速度值;
根据所述当前时刻的加速度数据、所述当前时刻与所述上一时刻采集的所述加速度数据的数量,确定所述当前时刻的合成加速度偏差值;
根据所述当前时刻的合成加速度值、所述当前时刻的合成平均加速度值和所述当前时刻的合成加速度偏差值,确定所述当前时刻的加速度组合值。
8.根据权利要求1所述的方法,其特征在于,所述跌倒检测模型为支持向量机模型;输出检测结果的步骤,包括:
输出跌倒概率值;其中,所述跌倒概率值表征所述检测人员在采集加速度数据的时刻处于所述跌倒状态的概率。
9.根据权利要求1所述的方法,其特征在于,所述跌倒检测模型设置于处理设备中,所述处理设备与所述便携设备无线通信连接。
10.根据权利要求1所述的方法,其特征在于,基于所述检测结果确定所述检测人员是否处于跌倒状态的步骤之后,所述方法还包括:
如果所述检测人员处于所述跌倒状态,发送报警信号。
11.根据权利要求1-10任一项所述的方法,其特征在于,所述跌倒检测模型通过下述步骤训练:
获取加速度样本数据和采集所述加速度样本数据时检测人员的姿态真值;所述姿态真值表征所述检测人处于跌倒状态或正常状态;
计算所述加速度样本数据的特征值;
基于所述加速度样本数据的特征值和所述姿态真值训练跌倒检测模型,得到训练好的所述跌倒检测模型。
12.一种跌倒检测装置,其特征在于,包括:
加速度数据获取模块,用于通过包含有三轴加速度传感器的便携设备获取检测人员的加速度数据;其中,所述加速度数据包括横坐标加速度、纵坐标加速度和竖坐标加速度;
检测结果输出模块,用于将所述加速度数据输入预先训练完成的跌倒检测模型中,输出检测结果;其中,所述跌倒检测模型基于加速度样本数据的特征值训练得到;
跌倒状态确定模块,用于基于所述检测结果确定所述检测人员是否处于跌倒状态。
13.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1-10任一项所述的跌倒检测方法的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,所述计算机可执行指令促使处理器实现权利要求1-10任一项所述的跌倒检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110597017.XA CN113358111A (zh) | 2021-05-28 | 2021-05-28 | 跌倒检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110597017.XA CN113358111A (zh) | 2021-05-28 | 2021-05-28 | 跌倒检测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113358111A true CN113358111A (zh) | 2021-09-07 |
Family
ID=77528211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110597017.XA Pending CN113358111A (zh) | 2021-05-28 | 2021-05-28 | 跌倒检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113358111A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049957A1 (zh) * | 2015-09-25 | 2017-03-30 | 广东乐源数字技术有限公司 | 智能跌倒监护装置及其处理方法 |
CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
CN109166275A (zh) * | 2018-09-25 | 2019-01-08 | 山东科技大学 | 一种基于加速度传感器的人体跌倒检测方法 |
CN110659595A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于特征分类的跌倒类型及伤害部位检测方法 |
CN112561024A (zh) * | 2020-12-23 | 2021-03-26 | 中移(杭州)信息技术有限公司 | 一种跌倒检测方法及其系统、通信设备和存储介质 |
CN112750277A (zh) * | 2021-01-05 | 2021-05-04 | 武汉大学 | 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法 |
-
2021
- 2021-05-28 CN CN202110597017.XA patent/CN113358111A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049957A1 (zh) * | 2015-09-25 | 2017-03-30 | 广东乐源数字技术有限公司 | 智能跌倒监护装置及其处理方法 |
CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
CN109166275A (zh) * | 2018-09-25 | 2019-01-08 | 山东科技大学 | 一种基于加速度传感器的人体跌倒检测方法 |
CN110659595A (zh) * | 2019-09-10 | 2020-01-07 | 电子科技大学 | 一种基于特征分类的跌倒类型及伤害部位检测方法 |
CN112561024A (zh) * | 2020-12-23 | 2021-03-26 | 中移(杭州)信息技术有限公司 | 一种跌倒检测方法及其系统、通信设备和存储介质 |
CN112750277A (zh) * | 2021-01-05 | 2021-05-04 | 武汉大学 | 融合轨迹数据与传感器姿态的室内跌倒检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10653339B2 (en) | Time and frequency domain based activity tracking system | |
JP5674766B2 (ja) | 着用位置を検出するためのセンシングデバイス | |
US8909497B1 (en) | System and method for fall detection | |
US9402568B2 (en) | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets | |
CN102667882B (zh) | 用于检测用户跌倒的方法和装置 | |
CN109222329B (zh) | 一种步行长度计算方法及配置该方法的智能鞋垫 | |
EP3079568B1 (en) | Device, method and system for counting the number of cycles of a periodic movement of a subject | |
US20130197856A1 (en) | Method and system for discerning a false positive in a fall detection signal | |
JP2014518668A (ja) | 転倒可能性を検出する方法及び転倒検出器 | |
CN107049255A (zh) | 一种穿戴式智能设备及其睡眠算法 | |
Shi et al. | Fall Detection Algorithm Based on Triaxial Accelerometer and Magnetometer. | |
US20220246015A1 (en) | Fall detection method and apparatus, and wearable device | |
Islam et al. | Automatic fall detection system of unsupervised elderly people using smartphone | |
Rasheed et al. | Evaluation of human activity recognition and fall detection using android phone | |
Razum et al. | Optimal threshold selection for threshold-based fall detection algorithms with multiple features | |
JP2008086479A (ja) | 活動量計測システム | |
CN106650300A (zh) | 一种基于极限学习机的老人监护系统及方法 | |
US10251598B2 (en) | Waistband monitoring analysis for a user | |
Minh et al. | Evaluation of smartphone and smartwatch accelerometer data in activity classification | |
WO2014191803A1 (en) | Acceleration-based step activity detection and classification on mobile devices | |
CN113358111A (zh) | 跌倒检测方法、装置和电子设备 | |
EP3991157B1 (en) | Evaluating movement of a subject | |
Li et al. | A survey of fall detection model based on wearable sensor | |
CN112386249A (zh) | 跌倒检测方法及装置、设备、存储介质 | |
Ferdous et al. | Fall guardian: An intelligent fall detection and monitoring system for elderly |
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 |