CN116439692B - 一种穿戴式设备的跌倒报警检测方法 - Google Patents

一种穿戴式设备的跌倒报警检测方法 Download PDF

Info

Publication number
CN116439692B
CN116439692B CN202310485716.4A CN202310485716A CN116439692B CN 116439692 B CN116439692 B CN 116439692B CN 202310485716 A CN202310485716 A CN 202310485716A CN 116439692 B CN116439692 B CN 116439692B
Authority
CN
China
Prior art keywords
data
sample data
air pressure
fitness value
detection model
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.)
Active
Application number
CN202310485716.4A
Other languages
English (en)
Other versions
CN116439692A (zh
Inventor
潘晓亭
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.)
Lonbon Technology Co ltd
Original Assignee
Lonbon Technology Co ltd
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 Lonbon Technology Co ltd filed Critical Lonbon Technology Co ltd
Priority to CN202310485716.4A priority Critical patent/CN116439692B/zh
Publication of CN116439692A publication Critical patent/CN116439692A/zh
Application granted granted Critical
Publication of CN116439692B publication Critical patent/CN116439692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/68—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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明公开了一种穿戴式设备的跌倒报警检测方法，该方法包括数据采集、建立六轴螺旋仪检测模型、建立气压检测模型和建立跌倒报警检测模型，本方法采用采用气压计计算高度变化和六轴螺旋仪组合的方式，减少误判行为，采用六轴螺旋仪即三轴加速计和三轴螺旋仪组合的方式，增添对左右倾斜、前后倾斜和左右摇摆角速度的检测。本发明涉及跌倒预警技术领域，具体是指一种穿戴式设备的跌倒报警检测方法，解决了单一的三轴加速度感应器无法判断手臂摆动、旋转等状态的技术问题和由于人体行为活动复杂，正常活动行为容易被误判为跌倒行为的技术问题。

Description

一种穿戴式设备的跌倒报警检测方法
技术领域
本发明涉及跌倒预警技术领域，具体是指一种穿戴式设备的跌倒报警检测方法。
背景技术
据统计，跌倒已成为意外伤害致死的第二大成因，跌倒检测的作品分为使用可穿戴设备进行跌倒检测、基于环境感应的跌倒检测和基于摄像头的跌到检测；穿戴式设备的跌倒报警检测一般采用单一的三轴加速度感应器，无法判断手臂摆动、旋转等状态，且由于人体行为活动复杂，正常活动行为容易被误判为跌倒行为。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种穿戴式设备的跌倒报警检测方法，针对单一的三轴加速度感应器无法判断手臂摆动、旋转等状态的技术问题，本方案采用六轴螺旋仪即三轴加速感应器和三轴螺旋仪组合的方式，增添对左右倾斜、前后倾斜和左右摇摆角速度的检测；针对由于人体行为活动复杂，正常活动行为容易被误判为跌倒行为的技术问题，本方案采用气压计计算高度变化和六轴螺旋仪组合的方式，减少误判行为。
本发明采取的技术方案如下：本发明提供的一种穿戴式设备的跌倒报警检测方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：建立六轴螺旋仪检测模型；
步骤S3：建立气压检测模型；
步骤S4：建立跌倒报警检测模型。
进一步地，在步骤S1中，所述数据采集的数据包括跌倒检测公开数据集和具体试验数据集，所述数据采集的数据是七维数据，前三维表示三轴加速感应器对应数据，第四维到第六维表示三轴螺旋仪对应数据，第七维表示数据对应的状态，所述数据对应的状态包括疑似跌倒行为和正常活动行为。
进一步地，在步骤S2中，所述建立六轴螺旋仪检测模型具体包括以下步骤：
步骤S21：将步骤S1采集的数据作为样本数据，基于样本数据构建样本数据集，所用公式如下：
式中，Y是样本数据集，x是样本数据，n是样本数据的数量，d是样本数据的维数；
步骤S22：初始化参数，所述参数包括：最大迭代次数imax、发现者比例系数P、预警者比例系数S、安全值T、预警值R、惩罚系数C和核函数参数g，所述惩罚系数和核函数参数设有下边界cl和上边界cu；
步骤S23：计算样本数据集的初始适应度值，所用公式如下：
式中，f是个体适应度值，FX是样本数据集的适应度值，x是样本数据，d为样本数据维度，n为样本数据的数量；
步骤S24：确定发现者和加入者数量，基于发现者比例系数P，在样本数量集中选取部分适应值较高的样本数据作为发现者，未被选取的样本数据作为加入者；明确样本数据中最优适应度值fg和最差适应度值fw所对应的位置Xb和Xw；
步骤S25：对发现者位置和加入者位置更新，所述发现者位置更新公式为：
所述加入者位置更新公式为：
式中，是第i个样本数据在第t次迭代中的第j维位置信息，a是[0，1]的随机数，imax是最大迭代次数，R是[0，1]的随机数，R表示预警值，T是[0.5，1]的常数，T表示安全值，E是服从正态分布的随机数，/>是第t次迭代中最差的样本数据的位置，n是样本数据的数量，XP是目前最优发现者的位置，B是1×d的矩阵，矩阵元素为随机赋值的1或-1，B+＝BT(BBT)-1，L是矩阵元素全为1的1×d矩阵；
步骤S26：更新样本数据适应度值，确定样本数据中最优适应度值fg和最差适应度值fw所对应的位置Xb和Xw；
步骤S27：基于预警者比例系数S，在样本数据集中随机选取样本数据作为预警者，并更新预警者位置，所述更新预警者位置的公式如下：
式中，是第t次迭代中最优的样本数据位置，γ是服从均值为0、方差为1的正态分布的随机数，fi是样本数据的适应度值，fg是当前样本数据的最大适应度值，J是[-1，1]的随机数，J的正负表示麻雀移动方向，J的大小表示步长控制参数，fw是当前样本数据的最小适应度值，ψ为避免分母为0的常数；
步骤S28：更新所有样本数据的适应度值，确定最优适应度值fb和对应的位置Xb；
步骤S29：判断是否达到最大迭代次数，若达到最大迭代次数，则输出最优惩罚系数和核函数参数，利用python导入sklearn库，调用SVM函数，基于输出的最优惩罚系数和核函数参数获得六轴螺旋仪数据分类模型，将样本数据分为疑似跌倒数据和正常活动数据；若没有达到最大迭代次数，则转至步骤S25；
步骤S210：将六轴螺旋仪采集的实时数据输入至六轴螺旋仪数据分类模型，若实时数据被分类为疑似跌倒数据，则输出疑似跌倒；若实时数据被分类为正常活动数据，则输出正常活动。
进一步地，在步骤S3中，所述建立气压检测模型具体包括以下步骤：
步骤S31：利用气压计采集气压数据，预先设定高度危险阈值；
步骤S32：检测气压是否上升，若气压上升则转至步骤S33；否则转至步骤S31；
步骤S33：检测气压数据变化是否连续，若气压数据变化连续，则将气压数据转换为当前高度，检测当前高度是否低于高度危险阈值，若当前高度低于高度危险阈值，则输出疑似跌倒；若当前高度不低于高度危险阈值或气压数据变化不连续，则转至步骤S31，所述将气压数据转换为当前高度的公式如下：
式中，H是当前高度，Q0是标准大气压，Q是气压计采集的气压数据。
进一步地，在步骤S4中，所述建立跌倒报警检测模型具体包括以下步骤：
步骤S41：实时监测六轴螺旋仪检测模型和气压检测模型输出，预先设定跌倒起身时间；
步骤S42：检测六轴螺旋仪检测模型和气压检测模型是否同时输出疑似跌倒，若同时输出疑似跌倒，则确认为跌倒，并转至步骤S43；否则，转至步骤S41；
步骤S43：基于气压计采集的气压数据转换为当前高度，检测在跌倒起身时间内是否已起身，若已起身，则输出跌倒已起身；若未起身，则输出跌倒未起身并进行预警。
采用上述方案本发明取得的有益效果如下：
(1)针对由于人体行为活动复杂，正常活动行为容易被误判为跌倒行为的技术问题，本方案采用气压计计算高度变化和六轴螺旋仪组合的方式，减少误判行为。
(2)针对单一的三轴加速度感应器无法判断手臂摆动、旋转等状态的技术问题，本方案采用六轴螺旋仪即三轴加速计和三轴螺旋仪组合的方式，增添对左右倾斜、前后倾斜和左右摇摆角速度的检测。
附图说明
图1为本发明提供的一种穿戴式设备的跌倒报警检测方法的流程示意图；
图2为步骤S2的流程示意图；
图3为步骤S3的流程示意图；
图4为步骤S4的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
实施例一，参阅图1，本发明提供的一种穿戴式设备的跌倒报警检测方法，方法步骤包括：
步骤S1：数据采集；
步骤S2：建立六轴螺旋仪检测模型；
步骤S3：建立气压检测模型；
步骤S4：建立跌倒报警检测模型。
在步骤S1中，所述数据采集的数据包括跌倒检测公开数据集和具体试验数据集，所述数据采集的数据是七维数据，前三维表示三轴加速感应器对应数据，第四到第六维表示三轴螺旋仪对应数据，第七维表示数据对应的状态，所述数据对应的状态包括疑似跌倒行为和正常活动行为。
实施例二，该实施例基于上述实施例，参阅图2，在步骤S2中，所述建立六轴螺旋仪检测模型具体包括以下步骤：
步骤S21：将步骤S1采集的数据作为样本数据，基于样本数据构建样本数据集，所用公式如下：
式中，Y是样本数据集，x是样本数据，n是样本数据的数量，d是样本数据的维数；
步骤S22：初始化参数，所述参数包括：最大迭代次数imax、发现者比例系数P、预警者比例系数S、安全值T、预警值R、惩罚系数C和核函数参数g，所述惩罚系数和核函数参数设有下边界cl和上边界cu；
步骤S23：计算样本数据集的初始适应度值，所用公式如下：
式中，f是个体适应度值，FX是样本数据集的适应度值，x是样本数据，d为样本数据维度，n为样本数据的数量；
步骤S24：确定发现者和加入者数量，基于发现者比例系数P，在样本数量集中选取部分适应值较高的样本数据作为发现者，未被选取的样本数据作为加入者；明确样本数据中最优适应度值fg和最差适应度值fw所对应的位置Xb和Xw；
步骤S25：对发现者位置和加入者位置更新，所述发现者位置更新公式为：
所述加入者位置更新公式为：
式中，是第i个样本数据在第t次迭代中的第j维位置信息，a是[0，1]的随机数，imax是最大迭代次数，R是[0，1]的随机数，R表示预警值，T是[0.5，1]的常数，T表示安全值，E是服从正态分布的随机数，/>是第t次迭代中最差的样本数据的位置，n是样本数据的数量，XP是目前最优发现者的位置，B是1×d的矩阵，矩阵元素为随机赋值的1或-1，B+＝BT(BBT)-1，L是矩阵元素全为1的1×d矩阵；
步骤S26：更新样本数据适应度值，确定样本数据中最优适应度值fg和最差适应度值fw所对应的位置Xb和Xw；
步骤S27：基于预警者比例系数S，在样本数据集中随机选取样本数据作为预警者，并更新预警者位置，所述更新预警者位置的公式如下：
式中，是第t次迭代中最优的样本数据位置，γ是服从均值为0、方差为1的正态分布的随机数，fi是样本数据的适应度值，fg是当前样本数据的最大适应度值，J是[-1，1]的随机数，J的正负表示麻雀移动方向，J的大小表示步长控制参数，fw是当前样本数据的最小适应度值，ψ为避免分母为0的常数；
步骤S28：更新所有样本数据的适应度值，确定最优适应度值fb和对应的位置Xb；
步骤S29：判断是否达到最大迭代次数，若达到最大迭代次数，则输出最优惩罚系数和核函数参数，利用python导入sklearn库，调用SVM函数，基于输出的最优惩罚系数和核函数参数获得六轴螺旋仪数据分类模型，将样本数据分为疑似跌倒数据和正常活动数据；若没有达到最大迭代次数，则转至步骤S25；
步骤S210：将六轴螺旋仪采集的实时数据输入至六轴螺旋仪数据分类模型，若实时数据被分类为疑似跌倒数据，则输出疑似跌倒；若实时数据被分类为正常活动数据，则输出正常活动。
在上述操作中，针对单一的三轴加速度感应器无法判断手臂摆动、旋转等状态的技术问题，本方案采用六轴螺旋仪即三轴加速计和三轴螺旋仪组合的方式，增添对左右倾斜、前后倾斜和左右摇摆角速度的检测。
实施例三，该实施例基于上述实施例，参阅图3，在步骤S3中，所述建立气压检测模型具体包括以下步骤：
步骤S31：利用气压计采集气压数据，预先设定高度危险阈值；
步骤S32：检测气压是否上升，若气压上升则转至步骤S33；否则转至步骤S31；
步骤S33：检测气压数据变化是否连续，若气压数据变化连续，则将气压数据转换为当前高度，检测当前高度是否低于高度危险阈值，若当前高度低于高度危险阈值，则输出疑似跌倒；若当前高度不低于高度危险阈值或气压数据变化不连续，则转至步骤S31，所述将气压数据转换为当前高度的公式如下：
式中，H是当前高度，Q0是标准大气压，Q是气压计采集的气压数据。
实施例四，该实施例基于上述实施例，参阅图4，在步骤S4中所述建立跌倒报警检测模型具体包括以下步骤：
步骤S41：实时监测六轴螺旋仪检测模型和气压检测模型输出，预先设定跌倒起身时间；
步骤S42：检测六轴螺旋仪检测模型和气压检测模型是否同时输出疑似跌倒，若同时输出疑似跌倒，则确认为跌倒，并转至步骤S43；否则，转至步骤S41；
步骤S43：基于气压计采集的气压数据转换为当前高度，检测在跌倒起身时间内是否已起身，若已起身，则输出跌倒已起身；若未起身，则输出跌倒未起身并进行预警。
在上述操作中，针对由于人体行为活动复杂，正常活动行为容易被误判为跌倒行为的技术问题，本方案采用气压计计算高度变化和六轴螺旋仪组合的方式，减少误判行为。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程和方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程和方法所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (4)

1.一种穿戴式设备的跌倒报警检测方法，其特征在于：包括以下步骤：
步骤S1：数据采集；
步骤S2：建立六轴螺旋仪检测模型；
步骤S3：建立气压检测模型；
步骤S4：建立跌倒报警检测模型；
在步骤S2中，所述建立六轴螺旋仪检测模型具体包括以下步骤：
步骤S21：将步骤S1采集的数据作为样本数据，基于样本数据构建样本数据集，所用公式如下：
式中，Y是样本数据集，x是样本数据，n是样本数据的数量，d是样本数据的维数；
步骤S22：初始化参数，所述参数包括：最大迭代次数imax、发现者比例系数P、预警者比例系数S、安全值T、预警值R、惩罚系数C和核函数参数g，所述惩罚系数和核函数参数设有下边界cl和上边界cu；
步骤S23：计算样本数据集的初始适应度值，所用公式如下：
式中，f是个体适应度值，FX是样本数据集的适应度值，x是样本数据，d为样本数据维度，n为样本数据的数量；
步骤S24：确定发现者和加入者数量，基于发现者比例系数P，在样本数量集中选取部分适应值较高的样本数据作为发现者，未被选取的样本数据作为加入者；明确样本数据中最优适应度值fg和最差适应度值fw所对应的位置Xb和Xw；
步骤S25：对发现者位置和加入者位置更新，所述发现者位置更新公式为：
所述加入者位置更新公式为：
式中，是第i个样本数据在第t次迭代中的第j维位置信息，a是[0，1]的随机数，imax是最大迭代次数，R是[0，1]的随机数，R表示预警值，T是[0.5，1]的常数，T表示安全值，E是服从正态分布的随机数，/>是第t次迭代中最差的样本数据的位置，n是样本数据的数量，XP是目前最优发现者的位置，B是1×d的矩阵，矩阵元素为随机赋值的1或-1，B+＝BT(BBT)-1，L是矩阵元素全为1的1×d矩阵；
步骤S26：更新样本数据适应度值，确定样本数据中最优适应度值fg和最差适应度值fw所对应的位置Xb和Xw；
步骤S27：基于预警者比例系数S，在样本数据集中随机选取样本数据作为预警者，并更新预警者位置，所述更新预警者位置的公式如下：
式中，是第t次迭代中最优的样本数据位置，γ是服从均值为0、方差为1的正态分布的随机数，fi是样本数据的适应度值，fg是当前样本数据的最大适应度值，J是[-1，1]的随机数，J的正负表示样本数据移动方向，J的大小表示步长控制参数，fw是当前样本数据的最小适应度值，ψ为避免分母为0的常数；
步骤S28：更新所有样本数据的适应度值，确定最优适应度值fb和对应的位置Xb；
步骤S29：判断是否达到最大迭代次数，若达到最大迭代次数，则输出最优惩罚系数和核函数参数，利用python导入sklearn库，调用SVM函数，基于输出的最优惩罚系数和核函数参数获得六轴螺旋仪数据分类模型，将样本数据分为疑似跌倒数据和正常活动数据；若没有达到最大迭代次数，则转至步骤S25；
步骤S210：将六轴螺旋仪采集的实时数据输入至六轴螺旋仪数据分类模型，若实时数据被分类为疑似跌倒数据，则输出疑似跌倒；若实时数据被分类为正常活动数据，则输出正常活动。
2.根据权利要求1所述的一种穿戴式设备的跌倒报警检测方法，其特征在于：在步骤S3中，所述建立气压检测模型具体包括以下步骤：
步骤S31：利用气压计采集气压数据，预先设定高度危险阈值；
步骤S32：检测气压是否上升，若气压上升则转至步骤S33；否则转至步骤S31；
步骤S33：检测气压数据变化是否连续，若气压数据变化连续，则将气压数据转换为当前高度，检测当前高度是否低于高度危险阈值，若当前高度低于高度危险阈值，则输出疑似跌倒；若当前高度不低于高度危险阈值或气压数据变化不连续，则转至步骤S31，所述将气压数据转换为当前高度的公式如下：
式中，H是当前高度，Q0是标准大气压，Q是气压计采集的气压数据。
3.根据权利要求1所述的一种穿戴式设备的跌倒报警检测方法，其特征在于：在步骤S4中，所述建立跌倒报警检测模型具体包括以下步骤：
步骤S41：实时监测六轴螺旋仪检测模型和气压检测模型输出，预先设定跌倒起身时间；
步骤S42：检测六轴螺旋仪检测模型和气压检测模型是否同时输出疑似跌倒，若同时输出疑似跌倒，则确认为跌倒，并转至步骤S43；否则，转至步骤S41；
步骤S43：基于气压计采集的气压数据转换为当前高度，检测在跌倒起身时间内是否已起身，若已起身，则输出跌倒已起身；若未起身，则输出跌倒未起身并进行预警。
4.根据权利要求1所述的一种穿戴式设备的跌倒报警检测方法，其特征在于：在步骤S1中，所述数据采集的数据包括跌倒检测公开数据集和具体试验数据集，所述数据采集的数据是七维数据，前三维表示三轴加速感应器对应数据，第四维到第六维表示三轴螺旋仪对应数据，第七维表示数据对应的状态，所述数据对应的状态包括疑似跌倒行为和正常活动行为。
CN202310485716.4A 2023-05-04 2023-05-04 一种穿戴式设备的跌倒报警检测方法 Active CN116439692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310485716.4A CN116439692B (zh) 2023-05-04 2023-05-04 一种穿戴式设备的跌倒报警检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310485716.4A CN116439692B (zh) 2023-05-04 2023-05-04 一种穿戴式设备的跌倒报警检测方法

Publications (2)

Publication Number Publication Date
CN116439692A CN116439692A (zh) 2023-07-18
CN116439692B true CN116439692B (zh) 2023-09-12

Family

ID=87123751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310485716.4A Active CN116439692B (zh) 2023-05-04 2023-05-04 一种穿戴式设备的跌倒报警检测方法

Country Status (1)

Country Link
CN (1) CN116439692B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960544A (zh) * 2017-05-22 2017-07-18 广东工业大学 一种跌倒检测系统
KR20180095242A (ko) * 2017-02-17 2018-08-27 (주)와이파이브 낙상 감지 장치 및 방법
CN110047248A (zh) * 2019-05-23 2019-07-23 河南工业大学 一种基于可穿戴的老人跌倒检测方法及设备
CN212302229U (zh) * 2020-06-05 2021-01-05 南京城市职业学院(南京市广播电视大学) 一种高精度多功能跌倒报警手表
WO2022041067A1 (zh) * 2020-08-27 2022-03-03 国高材高分子材料产业创新中心有限公司 一种自动化检测方法、检测系统及应用
CN114707399A (zh) * 2022-03-01 2022-07-05 浙江大学 一种六维力传感器的解耦方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230005640A (ko) * 2021-07-01 2023-01-10 삼성전자주식회사 전자 장치의 추락 이벤트의 타입 판단 방법 및 그 전자 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180095242A (ko) * 2017-02-17 2018-08-27 (주)와이파이브 낙상 감지 장치 및 방법
CN106960544A (zh) * 2017-05-22 2017-07-18 广东工业大学 一种跌倒检测系统
CN110047248A (zh) * 2019-05-23 2019-07-23 河南工业大学 一种基于可穿戴的老人跌倒检测方法及设备
CN212302229U (zh) * 2020-06-05 2021-01-05 南京城市职业学院(南京市广播电视大学) 一种高精度多功能跌倒报警手表
WO2022041067A1 (zh) * 2020-08-27 2022-03-03 国高材高分子材料产业创新中心有限公司 一种自动化检测方法、检测系统及应用
CN114707399A (zh) * 2022-03-01 2022-07-05 浙江大学 一种六维力传感器的解耦方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于老人监护用途的可穿戴设备的设计与实现;石九龙;中国优秀硕士论文电子期刊库(第07期);1-70 *

Also Published As

Publication number Publication date
CN116439692A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
JP5674766B2 (ja) 着用位置を検出するためのセンシングデバイス
EP2389109B1 (en) Determining energy expenditure of a user
US20140365163A1 (en) Method of detecting activity with a motion sensor, and corresponding device and computer program
CN112926541B (zh) 一种睡岗检测方法、装置及相关设备
CN104586398A (zh) 一种基于多传感器融合的老人跌倒检测方法及系统
US10126108B2 (en) Apparatus and method for classifying orientation of a body of a mammal
EP1651927A1 (en) Human motion identification and measurement system and method
CN111643092A (zh) 一种癫痫报警装置及癫痫检测方法
CN109171734A (zh) 基于多传感器数据融合的人体行为分析云管理系统
CN113450539B (zh) 一种跌倒检测方法
CN104637242A (zh) 一种基于多分类器集成的老人跌倒检测方法及系统
CN106388831A (zh) 基于样本加权算法的检测摔倒动作的方法
CN113963192A (zh) 跌倒检测方法、装置和电子设备
JP5330143B2 (ja) 移動形態判別方法および移動形態判別装置、ならびに消費カロリー算出方法
CN113688734B (zh) 一种基于fpga异构加速的老人跌倒检测方法
CN116439692B (zh) 一种穿戴式设备的跌倒报警检测方法
CN117213777A (zh) 一种基于mems边缘计算的桥梁损伤检测方法
CN116840835B (zh) 一种基于毫米波雷达的跌倒检测方法、系统及设备
CN110674743A (zh) 一种基于三轴加速度数据摔倒检测方法
CN101315589A (zh) 电子装置及其位置检测装置及方法
CN116071783A (zh) 一种羊生殖健康预警系统及方法
CN115778378A (zh) 一种跌倒识别方法及装置
CN110793539A (zh) 基于运动分量阈值和机器学习的溺水检测方法和系统
CN114925731A (zh) 检测柔性测斜仪监测数据异常值的方法
CN111743668B (zh) 假肢控制方法、装置、电子设备和存储介质

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