CN115444405A - 基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质 - Google Patents
基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115444405A CN115444405A CN202211040704.2A CN202211040704A CN115444405A CN 115444405 A CN115444405 A CN 115444405A CN 202211040704 A CN202211040704 A CN 202211040704A CN 115444405 A CN115444405 A CN 115444405A
- Authority
- CN
- China
- Prior art keywords
- angle
- lumbosacral
- value
- data
- fall
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000005021 gait Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009192 sprinting Effects 0.000 description 1
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
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质,其中方法包括:步骤1)获取传感器发送的用户的运动数据;步骤2)滤波处理;步骤3)基于姿态解算器对滤波后的运动数据进行姿态解算,确定位姿信息;步骤4)在预配置的时间长度内设定多个采样区间,对位姿信息进行采样;步骤5)对每个采样区间内的位姿信息进行特征提取和归一化处理得到特征值;步骤6)判断特征值是否大于阈值,若是,则判定一次冲击事件发生;步骤7)统计预配置的时间长度内冲击事件连续发生的次数,判断次数是否大于预配置的次数阈值,若是,则判定为摔倒事件即将发生。与现有技术相比,本发明具有摔倒预测准确性高等优点。
Description
技术领域
本发明涉及人体运动状态监测与识别领域,尤其是涉及一种基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质。
背景技术
人在独立行走时会呈现出不同的步态,如小跑、跳跃、下蹲等,而摔倒可以被归类于其中的一种特殊步态。按照国际疾病分类对跌倒的分类,摔倒可以分为从一个平面至另一个更低平面的跌落以及在同一个平面的跌倒两类。
对于摔倒的检测具有巨大的社会价值与现实意义。一方面,随着世界人口老龄化的加剧,越来越多的老人由于运动能力下降,在日常生活中容易发生摔倒的情况,如果可以及时监测、报警,就可以及时进行救治,可以极大的减少摔倒可能带来的不良连锁反应;另一方面,在医疗领域,患有中风、偏瘫等影响日常行为的疾病的患者在接受治疗,以及后续做运动康复时,由于受伤区域还没有完全治愈,通常需要借助外骨骼等辅助运动的机器,此类机器如果能对摔倒进行及时的预判,并由电机提供一定助力,可以防患摔倒于未然,避免对病患的二次伤害。
摔倒的检测主要可以分类为基于视觉以及基于机械装置的两大类。在基于视觉的摔倒检测中,研究者通过图像处理、机器学习等方法,收集摔倒的图片作为训练集进行训练,最终得到一个摔倒检测的网络,可以准确地判断摔倒是否已经发生。这样的方法虽然有效,但是存在一些逻辑上的错误,即这样的光学摔倒检测系统只能在摔倒发生后判断摔倒已经发生,无法在发生前或是发生中进行预判,并且极度依赖于摄像头,这样的限制条件决定了系统无法真正用于对摔倒进行提前的预判、纠正,而只能在摔倒发生后提供一个报警信号,这对于摔倒的人来说已经错过了最佳的保护时期。
在基于机械装置的摔倒检测中,研究者主要通过对加速度计、陀螺仪的数据处理,设定阈值,来判定摔倒是否发生。摔倒与其余步态相比具有显著的特点,这些特点如果不能使用一到两个节点集中体现,就会大大增加摔倒检测的工作量,而现有的基于机械装置的摔倒检测对于传感器的不同放置位置带来的不同检测效果等暂未进行过明确的比较与划分。
此外,传统的基于机械装置的摔倒检测使用对加速度计、陀螺仪的数据处理来检测摔倒,这种方式不仅准确率不够,还有着很高的误判率,很容易将高抬腿、小跑等其余步态误判为摔倒。
发明内容
本发明的目的就是为了提供一种基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质,提高摔倒预判的准确性,降低误判率。
本发明的目的可以通过以下技术方案来实现:
一种基于腰骶部穿戴式设备的摔倒预判方法,包括以下步骤:
步骤1)获取传感器发送的用户的运动数据,所述传感器设于腰骶部穿戴式设备上,所述运动数据包括被测节点的加速度计、角速度计、磁力计的三轴数据;
步骤2)对运动数据进行滤波处理;
步骤3)基于姿态解算器对滤波后的运动数据进行姿态解算,确定位姿信息;
步骤4)在预配置的时间长度内设定多个采样区间,对位姿信息进行采样,所述采样区间为预配置长度的滑窗;
步骤5)对每个采样区间内的位姿信息进行特征提取和归一化处理得到特征值;
步骤6)判断特征值是否大于预配置的阈值,若是,则判定一次冲击事件发生;
步骤7)统计所述预配置的时间长度内冲击事件连续发生的次数,判断次数是否大于预配置的次数阈值,若是,则判定为摔倒事件即将发生。
所述运动数据由九轴陀螺仪进行测量,传感器进行采集。
所述位姿信息包括欧拉角、四元数。
所述滤波处理采用改进PI的Mahony滤波方法,具体包括以下步骤:
步骤2-1)物体静止时,加速度计与地面保持垂直放置,测量值为(0,0,-1),利用坐标系转换矩阵将世界坐标系下加速度计的测量数据转换到物体系,得到各轴的重力加速度在物体系内的分量(Gx,Gy,Gz):
步骤2-2)将(Gx,Gy,Gz)与物体系内加速度计的实际测量值(ax,ay,az)进行向量积求解,得到误差修正量error:
步骤2-3)基于误差修正量和PI调节,对角速度计的测量值进行滤波处理,确定修正量;
δ=Kp*error+Ki∫error
其中,δ为修正量,Kp、Ki为PI调节参数;
步骤2-4)基于修正量对角速度计的测量值进行补偿:
其中,(ωx,ωy,ωz)为角速度计的测量值,(ω'x,ω'y,ω'z)为滤波后的角速度计数据。
步骤2-3)的滤波处理过程中,基于欧拉角的变化绝对值对Kp、Ki进行在线调整,具体包括以下步骤:
基于姿态解算器预求解欧拉角;
确定预求解欧拉角的角速度变化率;
判断角速度变化率是否大于0,若是,则令表征欧拉角方向的参数Flag取正值,若否,则Flag取负值;
在预配置的采样区间内,判断欧拉角的变化情况是否同时满足角度变化值条件和方向变化条件,若是,则判定欧拉角发生震荡,调小PI调节参数Kp,若否,则按照预配置的步长调大PI调节参数Ki,直至再次判定欧拉角发生震荡,其中,所述角度变化值条件为欧拉角的三轴角度变化值的绝对值之和小于预配置的角度变化阈值,所述方向变化条件为Flag发生正负变化。
所述步骤3)包括以下步骤:
步骤3-1)基于步骤2-4)滤波后的角速度计数据(ω'x,ω'y,ω'z),迭代更新计算下一时刻的四元数qt+1,即:
步骤3-2)将四元数与欧拉角进行转换,得到腰骶部部位的俯仰角、横滚角和偏航角;
所述步骤5)包括以下步骤:
步骤5-1)提取欧拉角数据中的俯仰角的特征变化值:
Δφ=φt+1-φt
其中,φt为t时刻采样的俯仰角;
步骤5-2)基于均方根误差对俯仰角的特征变化值进行归一化处理得到特征值P:
其中,m为一个采样区间的采样次数。
所述预配置的次数阈值的取值范围为7-10。
一种基于腰骶部穿戴式设备的摔倒预判装置,包括:
数据收集模块,用于收集九轴陀螺仪的加速度计、角速度计、磁力计的三轴数据;
数据处理模块,包括数据滤波模块,姿态解算模块和摔倒检测模块,用于实现如上述所述的方法;
数据收集模块与数据处理模块之间通过无线传输进行数据交互。
一种存储介质,其上存储有程序,所述程序被执行时实现如上述所述的方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明明确了摔倒检测的最佳传感器的放置位置,即腰骶部,并提出了一种轻量级的摔倒预判方法,简化了摔倒检测传统的繁琐流程。
(2)由于滑窗机制以及方法本身的特殊性,本发明可以预判摔倒发生的趋势,可以在摔倒周期的前二分之一个周期进行检测,与所有摔倒后再检测的方法比,本发明可以对摔倒进行定性、定量的预判及检测,此成果可以与外骨骼联合,对摔倒进行及时的纠正、辅助,削减摔倒的冲击力与伤害,对于运动康复领域有着一定的理论意义和实用价值。
(3)本发明在滤波阶段对Mahony算法进行了改进,通过自适应PI的调参,使得该算法可以更快更准确的收敛,不仅减小了传感器的检测误差,还能提高计算效率,从而使得摔倒预判的结果具有实际意义。
(4)在特征提取上,传统的MEMS传感器数据处理的方式对加速度计、陀螺仪数据直接进行特征提取并检测,其对摔倒、抬腿、跑动等步态在这些特征的表现上很难进行区分,本发明提出的多传感器融合-提取欧拉角角度变化率的方法能将摔倒与其余易混淆步态进行有效的区分,不仅能简化后续算法处理的步骤,也能提高检测结果的准确性,减小误判率。
(5)本发明的软件算法复杂度较低,基于可穿戴式设备可以完成对摔倒的实时检测、预判,而传统的基于光学的检测方法算法复杂度高,无法实时完成。
(6)本发明的装置成本较低,结构简单,且易于组装使用,抗干扰能力强,为研究人体步态中的摔倒识别提供了一种新的方法,对医疗防护,运动康复的研究有一定的理论意义和实用价值。
附图说明
图1为本发明的方法流程图;
图2为改进PI的Mahony滤波方法的流程图;
图3为本发明的装置结构示意图;
图4为一种实施例中易混淆步态与摔倒步态的收集数据的比较图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于腰骶部穿戴式设备的摔倒预判方法,如图1所示,包括以下步骤:
步骤1)获取传感器发送的用户的运动数据,所述传感器设于腰骶部穿戴式设备上,所述运动数据包括被测节点的加速度计、角速度计、磁力计的三轴数据;
所述运动数据由九轴陀螺仪进行测量,传感器进行采集,传感器采集到的不同步态的数据如图4所示。根据图4可以发现,本发明所提出的传感器放置位置能够有效将摔倒步态的检测数据与其他易混淆步态进行明确区分。
步骤2)对运动数据进行滤波处理;
所述滤波处理采用改进PI的Mahony滤波方法,如图2所示,具体包括以下步骤:
步骤2-1)物体静止时,加速度计与地面保持垂直放置,测量值为(0,0,-1),利用坐标系转换矩阵将世界坐标系下加速度计的测量数据转换到物体系,得到各轴的重力加速度在物体系内的分量(Gx,Gy,Gz):
步骤2-2)将(Gx,Gy,Gz)与物体系内加速度计的实际测量值(ax,ay,az)进行向量积求解,得到误差修正量error:
步骤2-3)基于误差修正量和PI调节,对角速度计的测量值进行滤波处理,确定修正量;
δ=Kp*error+Ki∫error
其中,δ为修正量,Kp、Ki为PI调节参数;
步骤2-4)基于修正量对角速度计的测量值进行补偿:
其中,(ωx,ωy,ωz)为角速度计的测量值,(ω'x,ω'y,ω'z)为滤波后的角速度计数据。
步骤2-3)的滤波处理过程中,基于欧拉角的变化绝对值对Kp、Ki进行在线调整,具体包括以下步骤:
基于姿态解算器预求解欧拉角;
确定预求解欧拉角的角速度变化率;
判断角速度变化率是否大于0,若是,则令表征欧拉角方向的参数Flag取正值,若否,则Flag取负值;
在步骤4)所述的采样区间内,判断欧拉角的变化情况是否同时满足角度变化值条件和方向变化条件,若是,则判定欧拉角发生震荡,调小PI调节参数Kp,若否,则按照预配置的步长缓慢调大PI调节参数Ki,直至再次判定欧拉角发生震荡,其中,所述角度变化值条件为欧拉角的三轴角度变化值的绝对值之和小于预配置的角度变化阈值,所述方向变化条件为Flag发生正负变化。
步骤3)基于姿态解算器对滤波后的运动数据进行姿态解算,确定位姿信息;
所述位姿信息包括欧拉角、四元数。
步骤3-1)基于步骤2-4)滤波后的角速度计数据(ω'x,ω'y,ω'z),迭代更新计算下一时刻的四元数qt+1,即:
步骤3-2)将四元数与欧拉角进行转换,得到腰骶部部位的俯仰角、横滚角和偏航角;
步骤4)在预配置的时间长度内设定多个采样区间,对位姿信息进行采样,每个采样区间为一个长度固定的滑窗;
一种实施例中,滑窗长度为5。
另一种实施例中,滑窗长度为15。
步骤5)对每个采样区间内的位姿信息进行特征提取和归一化处理得到特征值;
步骤5-1)提取欧拉角数据中的俯仰角的特征变化值:
Δφ=φt+1-φt
其中,φt为t时刻采样的俯仰角;
步骤5-2)基于均方根误差对俯仰角的特征变化值进行归一化处理得到特征值P:
其中,m为一个采样区间的采样次数。
步骤6)判断特征值是否大于预配置的阈值,若是,则判定一次冲击事件发生;
步骤7)统计所述预配置的时间长度内冲击事件连续发生的次数,判断次数是否大于预配置的次数阈值,若是,则判定为摔倒事件即将发生。
一种实施例中,次数阈值设为7。
另一种实施例中,次数阈值设为10。
上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,服务器,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。
一种基于腰骶部穿戴式设备的摔倒预判装置,如图3所示,包括:
数据收集模块,用于收集九轴陀螺仪的加速度计、角速度计、磁力计的三轴数据;
数据处理模块,包括数据滤波模块,姿态解算模块和摔倒检测模块;
数据收集模块与数据处理模块之间通过无线传输进行数据交互,其中,所述无线传输方式包括Wifi通信、蓝牙通信、Lora通信、Zigbee通信等常见无线通信方式,它们主要负责传输九轴陀螺仪的三轴加速度数据(ax,ay,az)和三轴角速度数据(ωx,ωy,ωz),数据处理模块得到摔倒判断之后,将摔倒预判或检测信息返还给设于人体上的辅助设备,帮助人体进行摔倒的及时纠正、辅助,削减摔倒的冲击力和伤害。
在windows 10操作系统的Intel(R)Core(TM)i7-7700HQ CPU微机上采用C#和keil实现本发明的代码编程。
本发明所述的摔倒预判方法由于判断方法的本身的性质,可以做到在摔倒周期的前五分之一检测到“冲击”,并对摔倒的发生进行预警,在摔倒周期的前三分之二可以完成对摔倒的检测,在准确率、灵敏度以及对于其余步态的误判率上都有良好的表现。
在准确率方面,本发明所述的摔倒预判对于常规摔倒的检测率可以达到93%以上,具有较高的灵敏度。
同时,对于其余大幅变化的步态,本发明的误判率接近于0,这证明了本方法选取的腰骶部作为特征的特征点较明显,与其余步态可以形成较好的区分。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种基于腰骶部穿戴式设备的摔倒预判方法,其特征在于,包括以下步骤:
步骤1)获取传感器发送的用户的运动数据,所述传感器设于腰骶部穿戴式设备上,所述运动数据包括被测节点的加速度计、角速度计、磁力计的三轴数据;
步骤2)对运动数据进行滤波处理;
步骤3)基于姿态解算器对滤波后的运动数据进行姿态解算,确定位姿信息;
步骤4)在预配置的时间长度内设定多个采样区间,对位姿信息进行采样,所述采样区间为预配置长度的滑窗;
步骤5)对每个采样区间内的位姿信息进行特征提取和归一化处理得到特征值;
步骤6)判断特征值是否大于预配置的阈值,若是,则判定一次冲击事件发生;
步骤7)统计所述预配置的时间长度内冲击事件连续发生的次数,判断次数是否大于预配置的次数阈值,若是,则判定为摔倒事件即将发生。
2.根据权利要求1所述的一种基于腰骶部穿戴式设备的摔倒预判方法,其特征在于,所述运动数据由九轴陀螺仪进行测量,传感器进行采集。
3.根据权利要求1所述的一种基于腰骶部穿戴式设备的摔倒预判方法,其特征在于,所述位姿信息包括欧拉角、四元数。
4.根据权利要求3所述的一种基于腰骶部穿戴式设备的摔倒预判方法,其特征在于,所述滤波处理采用改进PI的Mahony滤波方法,具体包括以下步骤:
步骤2-1)物体静止时,加速度计与地面保持垂直放置,测量值为(0,0,-1),利用坐标系转换矩阵将世界坐标系下加速度计的测量数据转换到物体系,得到各轴的重力加速度在物体系内的分量(Gx,Gy,Gz):
步骤2-2)将(Gx,Gy,Gz)与物体系内加速度计的实际测量值(ax,ay,az)进行向量积求解,得到误差修正量error:
步骤2-3)基于误差修正量和PI调节,对角速度计的测量值进行滤波处理,确定修正量;
δ=Kp*error+Ki∫error
其中,δ为修正量,Kp、Ki为PI调节参数;
步骤2-4)基于修正量对角速度计的测量值进行补偿:
其中,(ωx,ωy,ωz)为角速度计的测量值,(ω'x,ω'y,ω'z)为滤波后的角速度计数据。
5.根据权利要求4所述的一种基于腰骶部穿戴式设备的摔倒预判方法,其特征在于,步骤2-3)的滤波处理过程中,基于欧拉角的变化绝对值对Kp、Ki进行在线调整,具体包括以下步骤:
基于姿态解算器预求解欧拉角;
确定预求解欧拉角的角速度变化率;
判断角速度变化率是否大于0,若是,则令表征欧拉角方向的参数Flag取正值,若否,则Flag取负值;
在预配置的采样区间内,判断欧拉角的变化情况是否同时满足角度变化值条件和方向变化条件,若是,则判定欧拉角发生震荡,调小PI调节参数Kp,若否,则按照预配置的步长调大PI调节参数Ki,直至再次判定欧拉角发生震荡,其中,所述角度变化值条件为欧拉角的三轴角度变化值的绝对值之和小于预配置的角度变化阈值,所述方向变化条件为Flag发生正负变化。
8.根据权利要求6所述的一种基于腰骶部穿戴式设备的摔倒预判方法,其特征在于,所述预配置的次数阈值的取值范围为7-10。
9.一种基于腰骶部穿戴式设备的摔倒预判装置,其特征在于,包括:
数据收集模块,用于收集九轴陀螺仪的加速度计、角速度计、磁力计的三轴数据;
数据处理模块,包括数据滤波模块,姿态解算模块和摔倒检测模块,用于实现如权利要求1-8中任一所述的方法;
数据收集模块与数据处理模块之间通过无线传输进行数据交互。
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211040704.2A CN115444405B (zh) | 2022-08-29 | 2022-08-29 | 基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211040704.2A CN115444405B (zh) | 2022-08-29 | 2022-08-29 | 基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115444405A true CN115444405A (zh) | 2022-12-09 |
CN115444405B CN115444405B (zh) | 2024-07-23 |
Family
ID=84301720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211040704.2A Active CN115444405B (zh) | 2022-08-29 | 2022-08-29 | 基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115444405B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR793780A (fr) * | 1934-08-16 | 1936-01-31 | Electrical Res Prod Inc | Filtres pour ondes électriques |
EP1901153A1 (en) * | 2006-09-12 | 2008-03-19 | OFFIS e.V. | Control system for unmanned 4-rotor-helicopter |
CN103863219A (zh) * | 2014-03-25 | 2014-06-18 | 山东大学 | 汽车驾驶员误踩油门检测方法及其检测装置 |
US9173596B1 (en) * | 2014-06-28 | 2015-11-03 | Bertec Limited | Movement assessment apparatus and a method for providing biofeedback using the same |
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 |
CN106482734A (zh) * | 2016-09-28 | 2017-03-08 | 湖南优象科技有限公司 | 一种用于imu多传感器数据融合的滤波方法 |
US20170086711A1 (en) * | 2015-09-25 | 2017-03-30 | J-Mex Inc. | Motion recognition device and method |
CN110686671A (zh) * | 2019-09-29 | 2020-01-14 | 同济大学 | 基于多传感器信息融合的室内3d实时定位方法及装置 |
CN111914619A (zh) * | 2020-06-12 | 2020-11-10 | 华南理工大学 | 一种基于人体姿态方位估算的摔跤检测方法 |
CN112749512A (zh) * | 2021-01-18 | 2021-05-04 | 杭州易现先进科技有限公司 | 手势估计优化的方法、系统和电子装置 |
CN113571153A (zh) * | 2021-08-19 | 2021-10-29 | 中国科学院计算技术研究所 | 面向脑瘫患者肢体康复的被动式训练感知系统及其客户端 |
-
2022
- 2022-08-29 CN CN202211040704.2A patent/CN115444405B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR793780A (fr) * | 1934-08-16 | 1936-01-31 | Electrical Res Prod Inc | Filtres pour ondes électriques |
EP1901153A1 (en) * | 2006-09-12 | 2008-03-19 | OFFIS e.V. | Control system for unmanned 4-rotor-helicopter |
CN103863219A (zh) * | 2014-03-25 | 2014-06-18 | 山东大学 | 汽车驾驶员误踩油门检测方法及其检测装置 |
US9173596B1 (en) * | 2014-06-28 | 2015-11-03 | Bertec Limited | Movement assessment apparatus and a method for providing biofeedback using the same |
US20170086711A1 (en) * | 2015-09-25 | 2017-03-30 | J-Mex Inc. | Motion recognition device and method |
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 |
CN106482734A (zh) * | 2016-09-28 | 2017-03-08 | 湖南优象科技有限公司 | 一种用于imu多传感器数据融合的滤波方法 |
CN110686671A (zh) * | 2019-09-29 | 2020-01-14 | 同济大学 | 基于多传感器信息融合的室内3d实时定位方法及装置 |
CN111914619A (zh) * | 2020-06-12 | 2020-11-10 | 华南理工大学 | 一种基于人体姿态方位估算的摔跤检测方法 |
CN112749512A (zh) * | 2021-01-18 | 2021-05-04 | 杭州易现先进科技有限公司 | 手势估计优化的方法、系统和电子装置 |
CN113571153A (zh) * | 2021-08-19 | 2021-10-29 | 中国科学院计算技术研究所 | 面向脑瘫患者肢体康复的被动式训练感知系统及其客户端 |
Non-Patent Citations (5)
Title |
---|
万俊铄: "高精度MEMS微惯性姿态系统的设计与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 1, 15 January 2020 (2020-01-15), pages 029 - 131 * |
张佳俊等: "下肢康复外骨骼人机耦合动力学建模与控制", 《动力学与控制学报》, vol. 19, no. 4, 30 April 2021 (2021-04-30), pages 55 - 63 * |
张蓓华等: "脑性瘫痪儿童腰骶髋矫形器助行装置的设计与研发", 《中国康复医学杂志》, vol. 30, no. 6, 30 June 2018 (2018-06-30), pages 714 - 717 * |
文永蓬;王安麟;姜涛;刘钊;刘广军;: "音叉振动式微机械陀螺弹性梁的研究", 高技术通讯, no. 12, 15 December 2008 (2008-12-15) * |
齐鹏等: "导航系统在脊柱微创手术中应用的研究进展", 《中国骨与关节杂志》, vol. 7, no. 10, 31 October 2018 (2018-10-31), pages 767 - 772 * |
Also Published As
Publication number | Publication date |
---|---|
CN115444405B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | Human daily and sport activity recognition using a wearable inertial sensor network | |
Musci et al. | Online fall detection using recurrent neural networks on smart wearable devices | |
WO2018040757A1 (zh) | 可穿戴设备及利用其监测运动状态的方法 | |
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 | |
CN112754468A (zh) | 一种基于多源信号的人体下肢运动检测及识别方法 | |
JP2013506216A (ja) | ジェスチャを認識するためのシステムおよび方法 | |
JP2006192276A (ja) | 活動パターンの監視方法及びその装置 | |
CN110279420A (zh) | 基于极限学习机的便携式跌倒检测装置及检测方法 | |
CN111415720B (zh) | 一种基于多数据采集的训练辅助方法和装置 | |
Fan et al. | Wearable motion attitude detection and data analysis based on Internet of Things | |
Shi et al. | Fall detection system based on inertial mems sensors: Analysis design and realization | |
CN110414590A (zh) | 基于智能移动设备和卷积神经网络的人体活动识别方法 | |
CN109603142A (zh) | 一种哑铃运动的识别计数方法及其装置 | |
CN114469074A (zh) | 一种跌倒预警方法、系统、设备及计算机存储介质 | |
Liu et al. | A wearable gait analysis and recognition method for Parkinson’s disease based on error state Kalman filter | |
CN104586402A (zh) | 一种人体活动的特征提取方法 | |
CN111743545A (zh) | 基于深度学习的老人摔倒检测方法、检测手环及存储介质 | |
CN113331829B (zh) | 一种足底信息监测方法及智能鞋垫装置 | |
CN114224325A (zh) | 利用惯性传感器计算关节力矩和角度的步态分析系统及方法 | |
CN115444405B (zh) | 基于腰骶部穿戴式设备的摔倒预判方法、装置及存储介质 | |
CN112762934A (zh) | 下肢运动方向预测装置和方法 | |
CN113400309B (zh) | 一种上肢助力外骨骼机器人的运动状态识别方法 | |
CN116206728A (zh) | 一种基于传感器融合和迁移学习的康复训练方法及系统 | |
Wang et al. | Human motion phase segmentation based on three new features | |
Tong et al. | A Parkinson's Bradykinesia Recognition System Based on Deep Learning Method |
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 |