CN115191933A - 认知能力评估方法、系统及存储介质 - Google Patents
认知能力评估方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115191933A CN115191933A CN202110379836.7A CN202110379836A CN115191933A CN 115191933 A CN115191933 A CN 115191933A CN 202110379836 A CN202110379836 A CN 202110379836A CN 115191933 A CN115191933 A CN 115191933A
- Authority
- CN
- China
- Prior art keywords
- gait
- data
- task
- subject
- cognitive ability
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Neurology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例提供了认知能力评估方法、系统及存储介质。该方法包括:获取对象仅步行时的单任务步态数据和所述对象边步行边执行其他任务时的多任务步态数据;根据所述单任务步态数据,确定所述对象的步态变异系数;根据所述单任务步态数据和所述多任务步态数据,确定所述对象边步行边执行其他任务的步态消耗数据;以及根据所述单任务步态数据、所述步态变异系数和所述步态消耗数据,评估所述对象的认知能力。在上述方案中,融合单任务步态数据、步态变异系数和多任务步态消耗,自动分析并快速得到评估结果。该方案不仅评估结果准确,而且节省人力和物力。
Description
技术领域
本发明涉及认知科学技术领域,更具体地涉及一种认知能力评估方法、系统以及存储介质。
背景技术
认知能力是指大脑加工、存储和提取信息的能力。人类认识客观世界,获得各种各样的知识,主要依赖于人的认知能力。
随着生活水平的提高,人们对于认知能力评估的需要也日益提高。认知能力评估的对象十分广泛,从幼儿到老年人。当前的认知能力评估方法多利用各种量表,例如:MoCA、MMSE和CDR量表。量表不仅操作复杂,需要耗费大量的人力和物力;而且评估结果客观性差。随着对象对量表越来越熟悉,量表的评估结果的客观性将越来越低,难以准确反映对象的认知能力。
发明内容
考虑到上述问题而提出了本发明。根据本发明的一个方面,提供了一种认知能力评估方法。该方法包括:
获取对象仅步行时的单任务步态数据和所述对象边步行边执行其他任务时的多任务步态数据;
根据所述单任务步态数据,确定所述对象的步态变异系数;
根据所述单任务步态数据和所述多任务步态数据,确定所述对象边步行边执行其他任务的步态消耗数据;以及
根据所述单任务步态数据、所述步态变异系数和所述步态消耗数据,评估所述对象的认知能力。
示例性地,所述确定所述对象的步态变异系数包括:
计算所述单任务步态数据的标准偏差SD;
计算所述单任务步态数据的平均值mean;以及
根据如下公式确定所述步态变异系数CoV:CoV=SD/mean。
示例性地,所述确定所述对象边步行边执行其他任务的步态消耗数据包括:
根据如下公式确定所述步态消耗数据DTC:DTC=(ST-DT)/ST,
其中,ST表示所述单任务步态数据,DT表示所述多任务步态数据。
示例性地,所述评估所述对象的认知能力包括根据如下公式计算所述对象的认知能力评分CA:CA=K*S,
其中,K表示权重向量,S表示步态向量,所述步态向量的元素包括所述单任务步态数据、所述步态变异系数和所述步态消耗数据。
示例性地,所述方法还包括:
基于训练样本利用机器学习模型获得所述权重向量。
示例性地,所述机器学习模型是神经网络模型或支持向量机。
示例性地,所述单任务步态数据和所述多任务步态数据均包括:步速数据、步幅数据和步频数据;
所述权重向量K=[20.24,11.39,-0.27,2.27,17.87,-2.27,0.58,0.86,-0.58]。
示例性地,所述单任务步态数据和所述多任务步态数据包括以下数据中的至少一项:步速数据、步幅数据和步频数据。
根据本发明另一方面,还提供了一种认知能力评估系统,包括传感器、处理器和存储器,其中,
所述传感器用于自对象获取所述对象仅步行时的单任务步态数据和所述对象边步行边执行其他任务时的多任务步态数据,以发送给所述处理器;
所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行上述的认知能力评估方法。
根据本发明又一方面,还提供了一种存储介质,在所述存储介质上存储了程序指令,所述程序指令在运行时用于执行上述的认知能力评估方法。
在本发明实施例的技术方案中,融合单任务步态数据、步态变异系数和多任务步态消耗,自动分析并快速得到评估结果。该方案不仅评估结果准确,而且节省人力和物力。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出了根据本发明一个实施例的认知能力评估方法的示意性流程图;以及
图2示出了根据本发明一个实施例的认知能力评估系统的示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
人行走时呈现的步态特征与信息能够反映人的认知功能情况,认知域累及的步态障碍常表现为谨慎步态、步态平衡性下降等特征。通过步态检测所获取的步态参数,如步幅、步速、步频和跨步时间变化率等,能够反映步态异常情况,进而用于评估对象的认知功能情况。本发明的实施例提供了一种基于步态数据的认知能力的评估方法。
根据本发明的实施例,提供一种认知能力评估方法。图1示出了根据本发明一个实施例的认知能力评估方法100的示意性流程图。如图1所示,该认知能力评估方法100包括如下步骤。
步骤S110,获取对象仅步行时的单任务步态数据和对象边步行边执行其他任务时的多任务步态数据。
步态数据是反映人体步行时的姿态和行为特征的数据。可选地,步态数据包括以下数据中的至少一项:步速数据、步幅数据和步频数据。这些数据方便采集,而且更能够反映人体步行时的行为特征。由此,不仅使得认知能力评估能够顺利、方便地执行,而且使得最终评估结果更准确。最后,由于方便采集,所以使得系统成本较低。替代地,步态数据也可以包括其他数据,例如人体重心加速度、肌电活动数据等。
在此步骤中,可以首先使对象仅执行步行任务,并且在对象步行时实时采集对象的单任务步态数据。然后,使对象在执行步行任务的同时,还执行其他任务,并在此过程中,采集对象的多任务步态数据。可以理解,其他任务可以是一个或多个。其他任务例如:打电话,按照特定规则数数字等。本领域普通技术人员可以理解,虽然上面以先采集单任务步态数据后采集多任务步态数据为例来说明步骤S110,但是该顺序也可以反过来。即先采集多任务步态数据后采集单任务步态数据。
步骤S120,根据所述单任务步态数据,确定所述对象的步态变异系数。步态变异系数用于表示对象在步行时的步态变化情况。步态变异系数能够反映人体的步态持续性,也能从侧面反映对象的认知能力。
可以采集一段时间的多个单任务步态数据。然后,根据该段时间内的多个单任务步态数据确定对象在该段时间内的步态变异系数。
步骤S130,根据所述单任务步态数据和所述多任务步态数据,确定所述对象边步行边执行其他任务的步态消耗数据。
可以理解,对于某一对象来说,其仅步行时的步态和其边步行边执行其他任务时的步态可能是有差异的。对于认知能力不同的人,这种差异也是不同的。一般来说,对象的认知能力越低下,该差异越大;否则,该差异越小。步态消耗数据用于表示对象边步行边执行其他任务时的步态与对象仅步行的步态之间的差异。可以根据单任务步态数据和多任务步态数据,确定对象的步态消耗数据。
步骤S140,根据所述单任务步态数据、所述步态变异系数和所述步态消耗数据,评估所述对象的认知能力。该步骤中综合了单任务步态数据、步态变异系数和步态消耗数据,来评估对象的认知能力。由此,能够得到更准确的认知能力评估结果。
上述根据本发明实施例的认知能力评估方法中,融合单任务步态数据、步态变异系数和多任务步态消耗,自动分析并快速得到评估结果。该方案不仅评估结果准确,而且节省人力和物力。
示例性地,所述步骤S120确定所述对象的步态变异系数可以包括以下步骤。
步骤S121,计算单任务步态数据的标准偏差SD。标准偏差SD能反映所获取的单任务步态数据的离散程度。标准偏差越小,这些值偏离平均值就越少,反之亦然。
步骤S122,计算所述单任务步态数据的平均值mean。
步骤S123,根据如下公式确定所述步态变异系数CoV:CoV=SD/mean。
一个人的认知能力越强,其步态变异系数CoV就相对越低;反之亦然。上述确定步态变异系数的方法不仅简单易行,而且所确定的步态变异系数能够准确反映对象的认知能力。
示例性地,所述步骤S130确定所述对象边步行边执行其他任务的步态消耗数据包括:根据如下公式确定所述步态消耗数据DTC:DTC=(ST-DT)/ST。其中,ST表示所述单任务步态数据,DT表示所述多任务步态数据。可以理解,这里ST可以是一段时间内所采集的所有单任务步态数据的平均值,用其表示对象的单任务步态数据。类似地,DT可以是一段时间内所采集的所有多任务步态数据的平均值,用其表示对象的多任务步态数据。上述确定对象的步态消耗数据的方法也简单易行,而且所确定的步态消耗数据能够准确反映对象的认知能力。
示例性地,所述步骤S140评估所述对象的认知能力包括根据如下公式计算所述对象认知能力评分CA:CA=K*S。其中,K表示权重向量,S表示步态向量,所述步态向量的元素包括所述单任务步态数据、所述步态变异系数和所述步态消耗数据。可以理解,权重向量K与步态向量S相匹配。如果步态向量S包括3个元素,则权重向量K也相应地包括3个元素。如果步态向量S包括6个元素,则权重向量K也相应地包括6个元素。如果步态向量S包括9个元素,则权重向量K也相应地包括9个元素。上述评估认知能力的步骤也简单易行,而且评估结果能够准确反映对象的认知能力。
示例性地,所述方法还包括:基于训练样本利用机器学习模型获得所述权重向量。训练样本可以是经人工标注的样本。样本数据可以包括表示对象的认知能力的认知能力评分和该对象的单任务步态数据、步态变异系数和步态消耗数据。可以基于训练样本来训练机器学习模型,从而利用机器学习模型的学习能力来获得权重向量。机器学习模型能够通过经验学习来优化权重向量,从而获得更理想的认知评估结果。
示例性地,所述机器学习模型是神经网络模型或支持向量机。这两种机器学习模型更适用于有监督学习,能够获得更优化的权重向量,进而获得更精确的认知评估结果。
示例性地,所述单任务步态数据和所述多任务步态数据均包括:步速数据V、步幅数据L和步频数据F。相应地,步态变异系数包括:步速变异系数Vc、步幅变异系数Lc和步频变异系数Fc。步态消耗数据包括:步速消耗数据Vd、步幅消耗数据Ld和步频消耗数据Fd。换言之,步态向量S=[V,L,F,Vc,Lc,Fc,Vd,Ld,Fd]T。权重向量K=[20.24,11.39,-0.27,2.27,17.87,-2.27,0.58,0.86,
-0.58]。根据该方法,所计算的认知能力评分越高,表示对象的认知能力越强;反之亦然。在实验中,基于120名参与者使用交叉验证的方式利用上述方法进行测试。实验结果表明,该方法获得了更可靠的认知能力评估结果。
根据本发明实施例的另一方面,还提供一种认知能力评估系统。图2示出了根据本发明一个实施例的认知能力评估系统200的示意性框图。如图2所示该认知能力评估系统200包括传感器210、存储器220和处理器230。传感器210用于自对象获取所述对象仅步行时的单任务步态数据和所述对象边步行边执行其他任务时的多任务步态数据,以发送给所述处理器230。该传感器210可以包括加速度传感器、惯性传感器和/或基于视觉的姿态捕捉传感器等。存储器220中存储有计算机程序指令,所述计算机程序指令被所述处理器230运行时用于执行上述的认知能力评估方法。
根据本发明实施例的又一方面,还提供了一种存储介质。在该存储介质上存储了程序指令,程序指令在运行时用于执行上述的认知能力评估方法。示例性地,存储介质可以包括平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器或者上述存储介质的任意组合。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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。例如,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,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的认知能力评估系统中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种认知能力评估方法,包括:
获取对象仅步行时的单任务步态数据和所述对象边步行边执行其他任务时的多任务步态数据;
根据所述单任务步态数据,确定所述对象的步态变异系数;
根据所述单任务步态数据和所述多任务步态数据,确定所述对象边步行边执行其他任务的步态消耗数据;以及
根据所述单任务步态数据、所述步态变异系数和所述步态消耗数据,评估所述对象的认知能力。
2.如权利要求1所述的方法,其中,所述确定所述对象的步态变异系数包括:
计算所述单任务步态数据的标准偏差SD;
计算所述单任务步态数据的平均值mean;以及
根据如下公式确定所述步态变异系数CoV:CoV=SD/mean。
3.如权利要求1所述的方法,其中,所述确定所述对象边步行边执行其他任务的步态消耗数据包括:
根据如下公式确定所述步态消耗数据DTC:DTC=(ST-DT)/ST,
其中,ST表示所述单任务步态数据,DT表示所述多任务步态数据。
4.如权利要求1所述的方法,其中,所述评估所述对象的认知能力包括根据如下公式计算所述对象的认知能力评分CA:CA=K*S,
其中,K表示权重向量,S表示步态向量,所述步态向量的元素包括所述单任务步态数据、所述步态变异系数和所述步态消耗数据。
5.如权利要求4所述的方法,其中,所述方法还包括:
基于训练样本利用机器学习模型获得所述权重向量。
6.如权利要求5所述的方法,其中,所述机器学习模型是神经网络模型或支持向量机。
7.如权利要求4所述的方法,其中,所述单任务步态数据和所述多任务步态数据均包括:步速数据、步幅数据和步频数据;
所述权重向量K=[20.24,11.39,-0.27,2.27,17.87,-2.27,0.58,0.86,-0.58]。
8.如权利要求1至6所述的方法,其中,所述单任务步态数据和所述多任务步态数据包括以下数据中的至少一项:步速数据、步幅数据和步频数据。
9.一种认知能力评估系统,包括传感器、处理器和存储器,其中,
所述传感器用于自对象获取所述对象仅步行时的单任务步态数据和所述对象边步行边执行其他任务时的多任务步态数据,以发送给所述处理器;
所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行如权利要求1至8任一项所述的认知能力评估方法。
10.一种存储介质,在所述存储介质上存储了程序指令,所述程序指令在运行时用于执行如权利要求1至8任一项所述的认知能力评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379836.7A CN115191933A (zh) | 2021-04-08 | 2021-04-08 | 认知能力评估方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110379836.7A CN115191933A (zh) | 2021-04-08 | 2021-04-08 | 认知能力评估方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115191933A true CN115191933A (zh) | 2022-10-18 |
Family
ID=83570349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110379836.7A Pending CN115191933A (zh) | 2021-04-08 | 2021-04-08 | 认知能力评估方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115191933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116077023A (zh) * | 2023-01-13 | 2023-05-09 | 北京中科睿医信息科技有限公司 | 基于运动测试的认知评估方法、装置、设备、介质及产品 |
-
2021
- 2021-04-08 CN CN202110379836.7A patent/CN115191933A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116077023A (zh) * | 2023-01-13 | 2023-05-09 | 北京中科睿医信息科技有限公司 | 基于运动测试的认知评估方法、装置、设备、介质及产品 |
CN116077023B (zh) * | 2023-01-13 | 2023-11-03 | 北京中科睿医信息科技有限公司 | 基于运动测试的认知评估方法、装置、设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vaizman et al. | Recognizing detailed human context in the wild from smartphones and smartwatches | |
JP5740285B2 (ja) | 歩行分析装置及び歩行分析プログラム | |
CN110263870B (zh) | 运动状态识别方法、装置、智能终端和存储介质 | |
KR101827885B1 (ko) | 휴대 단말을 이용한 사용자 행동 측정 장치 및 방법 | |
JP5953673B2 (ja) | 行動識別装置、行動識別方法、及びプログラム | |
Sasaki et al. | Measurement of physical activity using accelerometers | |
CN109152542A (zh) | 用于检测何时传感器被穿戴的系统和方法 | |
CN109069066A (zh) | 可穿戴和连接的步态分析系统 | |
WO2015009951A1 (en) | Fall detection using machine learning | |
Pires et al. | Identification of activities of daily living using sensors available in off-the-shelf mobile devices: Research and hypothesis | |
Hnoohom et al. | Deep learning approach for complex activity recognition using heterogeneous sensors from wearable device | |
CN111208508A (zh) | 运动量测量方法、装置及电子设备 | |
JP4830765B2 (ja) | 活動量計測システム | |
KR101125672B1 (ko) | 운동패턴 분석방법 및 이를 이용한 운동량 산출장치 | |
JP2014504932A (ja) | 哺乳動物の体の向きを分類するための装置および方法 | |
CN108021888A (zh) | 一种跌倒检测方法 | |
Hemmatpour et al. | Nonlinear predictive threshold model for real-time abnormal gait detection | |
CN107277222A (zh) | 基于手机内置传感器的用户行为状态判断方法 | |
Ge et al. | Detecting Falls Using Accelerometers by Adaptive Thresholds in Mobile Devices. | |
JP2012524578A (ja) | 可動要素の活動を決定するためのシステム及び方法 | |
Bonomi | Physical activity recognition using a wearable accelerometer | |
CN106456060A (zh) | 活动量测定装置、活动量测定方法和活动量测定程序 | |
CN115191933A (zh) | 认知能力评估方法、系统及存储介质 | |
Harasimowicz et al. | Accelerometer-based human activity recognition and the impact of the sample size | |
JP6449355B2 (ja) | 移動体の状態を検知するための方法、プログラム、及び装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |