CN116548959A - 一种老人康养平台的智能防跌倒装置及数据处理方法 - Google Patents
一种老人康养平台的智能防跌倒装置及数据处理方法 Download PDFInfo
- Publication number
- CN116548959A CN116548959A CN202310534379.3A CN202310534379A CN116548959A CN 116548959 A CN116548959 A CN 116548959A CN 202310534379 A CN202310534379 A CN 202310534379A CN 116548959 A CN116548959 A CN 116548959A
- Authority
- CN
- China
- Prior art keywords
- data
- falling
- human body
- old
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 230000002265 prevention Effects 0.000 title claims description 21
- 238000012423 maintenance Methods 0.000 title claims description 8
- 206010016173 Fall Diseases 0.000 title description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 39
- 239000000523 sample Substances 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 14
- 230000036772 blood pressure Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 239000013074 reference sample Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- PXIPVTKHYLBLMZ-UHFFFAOYSA-N Sodium azide Chemical compound [Na+].[N-]=[N+]=[N-] PXIPVTKHYLBLMZ-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000035565 breathing frequency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000002144 chemical decomposition reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- A41D13/05—Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches protecting only a particular body part
- A41D13/06—Knee or foot
- A41D13/065—Knee protectors
-
- 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
- A41D13/05—Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches protecting only a particular body part
- A41D13/08—Arm or hand
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/1112—Global tracking of patients, e.g. by using GPS
-
- 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
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0453—Sensor means for detecting worn on the body to detect health condition by physiological monitoring, e.g. electrocardiogram, temperature, breathing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0042—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by the mechanical construction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种老人康养平台的智能防跌倒装置及数据处理方法,本发明涉及老人监测防护技术领域。基于康养平台的可穿戴式人体支撑防跌倒装置,包括跌倒监测单元,用于侦测穿戴者的人体预跌倒信息;防护单元,用于在人体跌倒人体进行防护;微处理器,用于处理优化整个装置中各单元产生的信息,发出对应的指令;无线通信模块,用于远程传输人体的异常数据信息以及跌倒信息;提醒单元,用于警报或闪光提醒;体征数据监测单元,用于监测人体生理数据。该基于康养平台的可穿戴式人体支撑防跌倒装置,能够对老人的行动安全进行有效的、全方面预测及防范,在老人体征数据的异常或出现突发状况时对家人给出警示与报告的作用。
Description
技术领域
本发明涉及老人监测防护技术领域,具体为老人康养平台智能防跌倒装置及数据处理方法。
背景技术
目前,随着人口老龄化发展和加深,老年人的行动安全问题将会成为当前社会的突出的问题。现有的老人防跌倒的装置几乎没有,在一些现有的研究技术或装置中,大多是在老人跌倒后才能够进行报警和发送求救信号,是一种被动的预防措施,其虽然能够在一定的程度上进行急救以减小风险,但是可能已经对老人造成了无可挽回的伤害,因此,现有技术无法对老人的行动安全进行有效的、全方面预测及防范,具有一定的局限性,同时老年人的人体体征数据的变化也危害着老年人的健康,需要一种能够监测老人身体数据同时在老年人出现突发状况是进行远程通知家人的装置。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于康养平台的可穿戴式人体支撑防跌倒装置,解决了现有技术无法对老人的行动安全进行有效的、全方面预测及防范,具有一定的局限性,同时不方便在老人体征数据的异常时给出警示的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于老人康养平台的智能防跌倒装置,包括:跌倒监测单元、防护单元、微处理器、无线通信模块、电源模块、定位单元与提醒单元,其特征在于,还包括运动数据监测单元;所述跌倒监测单元包括加速度传感器与倾角传感器,加速度传感器用于实时侦测穿戴者的人体加速度信息,并将人体加速度信息发送至微处理器,所述倾角传感器用于实时侦测穿戴者的人体倾角信息,并将人体倾角信息发送至微处理器,所述人体加速度信息与人体倾角信息组成所述人体预跌倒信息;所述微处理器还包括对于所述人体预跌倒信息与人体正常活动样本信息对比的算法模型,所述算法模型用于对比分析预跌倒信息和正常活动样本信息,以确定佩戴者是否处于异常状态或者预跌倒状态;
该该装置还集成了跌倒监测、防护单元、无线通信、电源、定位和提醒功能,实时监测佩戴者的运动数据,同时结合老人的健康状况和运动习惯,提供个性化的运动指导和防跌倒提醒。
还包括防护单元,所述防护单元设置在老人的上臂和或者膝盖处,用于保护老人,防止摔伤。
所述无线通信模块还包括移动终端,所述移动终端为手机或者平板电脑,所述移动终端用于接收以及显示老人跌倒或者生理数据异常时的预警信息。
所述电源模块还包括用于管理电源模块的电源管理单元以及为电源模块充电的充电单元,所述充电单元上设置有充电端口,所述充电端口为Lightning接口、Type-C接口、USB接口中的任意一种。
所述提醒单元与微处理器电性连接,所述提醒单元上设置有一键联系预设紧急联系人的按钮。
一种基于老人康养平台的智能防跌倒装置,所述体征数据监测单元为佩戴式的手环,所述手环包括心率监测模块、呼吸监测模块与血压监测模块,所述心率监测模块获取人体的心率数据,所述呼吸监测模块获取人体的呼吸频率数据,所述血压监测模块获取人体的血压数据,所述微处理器对呼吸频率数据、心率数据与血压数据微处理分析通过无线通信模块发送至手环上的显示端与移动终端。
还提供一种智能防跌倒装置数据处理方法,其特征在于,所述人体预跌倒信息与人体正常活动样本信息对比的算法模型执行包括以下步骤:
S1、获取老人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;
S2、分别获取老人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;
S3、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;
S4、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:
其中,xi、yi分别为提取的老人样本与参考样本,分别为两者的平均值,N为序列的长度;
S5、微处理器判断相关系数处于防护阈值范围时,启动防护单元对人体进行跌倒防护。
一种智能防跌倒装置的数据处理方法,还包括以下步骤:
S1、通过分析老人的运动数据,来确定老人是否处于异常状态或者跌倒的风险,具体包括以下步骤:
a.收集老人的运动数据,包括加速度、身体倾角和运动时间数据;
b.分析老人的运动数据,找出异常状态或者跌倒的风险预警数据;
c.根据分析结果,对装置进行自动调整步骤,包括调整传感器的灵敏度、发出警报的设定时间;
S2、使用深度神经网络来学习老人的运动数据,并预测老人是否处于异常状态或者跌倒风险的状态,具体包括以下步骤
a.收集指定和/或非指定大量老年人的运动数据,并将其分成训练集和测试集;
b.使用卷积神经网络(CNN)对训练集进行训练,并使用测试集进行验证。c.使用训练好的模型,对老年人的运动数据进行预测;
S3、将数据用于老年人跌倒预防的装置中,并将老人的运动数据转换成图形表示,并使用强化学习来计算每个节点的激活值,并在装置的显示装置上显示并采用声和图的双重提醒。
(三)有益效果
本发明提供了一种老人康养平台智能防跌倒装置及数据处理方法。具体具有以下效果:
该装置集成了跌倒监测、防护单元、无线通信、电源、定位和提醒等多种功能,可实时监测佩戴者的运动数据,同时结合老人的健康状况和运动习惯,提供个性化的运动指导和防跌倒提醒。该装置可以广泛应用于康养平台、运动康复和老年康养平台等领域,为老人提供更全面、更精准的康养平台服务。通过本特定的算法模型,结合数据、图型和深度学习方法来提高预防的及时和准确性,提高了防跌倒的效率和准确性。在获取老人运动数据的基础上进一步通过深度学习训练和分析并采用更加智能的展示和防摔预警方式,提高了预警防摔的准确率和及时性。更加高效的防止老人摔倒。
该基于该老人康养平台的智能防跌倒装置,通过设置微处理器对于人体预跌倒信息进行优化处理,从而能够比现有装置获得更准确数据判断老年人是否跌倒;通过设置的气囊防护单元,能够在当老年人跌倒时通过微处理器配合点火器能够迅速打开气囊包并进行充气来缓冲老人易于受到损伤的部位地面之间形成的冲击力,从而有效的保护了老年人不受此次跌倒损伤;同时,本发明采用气体发生器对气囊进行充气,而无需要求老年人随身佩戴一个充满气体的气瓶,从而减少老年人的行动负担;此外通过设置的体征数据检测单元,从而能够能够稳定的检测老人生理数据的异常,再出现超标时能够及时报警,并且配合通信模块与移动终端的使用,使得老人的亲人能够在移动终端可视老人生理数据的变化,进而及时关照老人或者带老人进行就医。
(四)附图说明
图1为本发明结构示意图;
图2为本发明防跌倒监测流程图;
图3为本发明体征数据监测流程图。
具体实施方式
下面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。
根据附图1-3,本发明提供一种技术方案:基于康养平台的可穿戴式人体支撑防跌倒装置,包括跌倒监测单元、防护单元、微处理器、无线通信模块、电源模块、定位单元与提醒单元,还包括体征数据监测单元:
跌倒监测单元,用于侦测穿戴者的人体预跌倒信息,并将所述人体预跌倒信息发送至微控制器;
防护单元,用于在人体跌倒时,保护老人,起到对人体进行防护的作用;
微处理器,用于处理优化整个装置中各单元产生的信息,发出对应的指令,使各个单元触发相应的状态;
无线通信模块,用于远程传输人体的异常数据信息以及跌倒信息;
电源模块,用于对整个装置进行供电;
定位模块,用于获取佩戴者当前的地理位置信息并发送给微处理器;
提醒单元,用于在人体处于异常状态或者跌倒时,进行警报或闪光提醒;
体征数据监测单元,用于监测人体生理数据。
本实施例中,所述跌倒监测单元包括加速度传感器与倾角传感器,加速度传感器用于实时侦测穿戴者的人体加速度信息,并将人体加速度信息发送至微处理器,所述倾角传感器用于实时侦测穿戴者的人体倾角信息,并将人体倾角信息发送至微处理器,所述人体加速度信息与人体倾角信息组成所述人体预跌倒信息。
本实施例中,所述微处理器还包括对于所述人体预跌倒信息与人体正常活动样本信息对比的算法模型。
本实施例中,所述人体预跌倒信息与人体正常活动样本信息对比的算法模型执行包括以下步骤:
S1、获取老人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;
S2、分别获取老人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;
S3、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。
S4、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:
其中,xi、yi分别为提取的老人样本与参考样本,分别为两者的平均值,N为序列的长度;
S5、微处理器判断相关系数处于防护阈值范围时,启动防护装置对人体进行跌倒防护。
本实施例中,所述防护单元包括一个装有用于产生气体的化学物质的气囊包以及一个用于触发所述化学物质发生化学反应以产生大量气体的点火器。在本实施例中,化学物质可以为叠氮化钠(NaN3)等物质,点火器为微型的点火装置,用于产生高压电流使得叠氮化钠(NaN3)发生化学分解反应从而瞬间产生大量气体(例如氮气),以充满气囊包,可以将气囊包整体设置在老人易于受伤的部位,从而起到在老人跌倒时给设置气囊包部位起到缓冲卸力的作用。
本实施例中,所述无线通信模块还包括移动终端,所述移动终端为手机或者平板电脑,所述移动终端用于接收以及显示老人跌倒或者生理数据异常时的预警信息。
本实施例中,所述电源模块还包括用于管理电源模块的电源管理单元以及为电源模块充电的充电单元,所述充电单元上设置有充电端口,所述充电端口为Lightning接口、Type-C接口、USB接口中的任意一种。
本实施例中,所述提醒单元与微处理器电性连接,所述提醒单元上设置有一键联系预设紧急联系人的按钮。
本实施例中,所述体征数据监测单元为佩戴式的手环,所述手环包括心率监测模块、呼吸监测模块与血压监测模块,所述心率监测模块获取人体的心率数据,所述呼吸监测模块获取人体的呼吸频率数据,所述血压监测模块获取人体的血压数据,所述微处理器对呼吸频率数据、心率数据与血压数据微处理分析通过无线通信模块发送至手环上的显示端与移动终端。
本发明的工作流程为:步骤1、跌倒监测单元传输至微处理器的人体预跌倒信息,在经过微处理中人体预跌倒信息与人体正常活动样本信息对比算法模型处理后得到此次人体预跌倒信息的相关系数,此时相关系数处于防护阈值;
步骤2、微处理器启动点火器,使得气囊包内的化学物质触发,进而使得整个气囊包快速膨胀,进而围绕在老人的易损部位;
步骤3、微处理器启动点火器后,同时控制提醒单元启动,发出闪光提醒或者警报,以提醒老人周围人群的注意;
步骤4、在点火器启动后,微处理器同时通过无线通信模块将定位模块获取的老人位置数据发送至移动终端;
步骤5、老人在倒下后,可以通过提醒单元上的一键联系预设紧急联系人的按钮联系紧急联系人前来救治。
本发明的实施例还提供一种智能防跌倒装置的数据处理方法,还包括以下步骤:
S1、通过分析老人的运动数据,来确定老人是否处于异常状态或者跌倒的风险,具体包括以下步骤:
a.收集老人的运动数据,包括加速度、身体倾角和运动时间等数据;
b.分析老人的运动数据,找出异常状态或者跌倒的风险预警数据,还包括习惯数据,运动趋势数据和行为变化数据,及时调整装置对老人的即时运动状态的判断;
c.根据分析结果,对装置进行自动调整步骤,包括调整传感器的灵敏度、发出警报的设定时间;
S2、使用深度神经网络来学习老人的运动数据,并预测老人是否处于异常状态或者跌倒风险的状态,具体包括以下步骤
a.收集指定和/或非指定大量老年人的运动数据,并将其分成训练集和测试集;
b.使用卷积神经网络(CNN)对训练集进行训练,并使用测试集进行验证。c.使用训练好的模型,对老年人的运动数据进行预测;
S3、将数据用于老年人跌倒预防的装置中,并将老人的运动数据转换成图形表示,并使用强化学习来计算每个节点的激活值,并在装置的显示装置上显示并采用声和图的双重提醒。
深度学习的方法,它可以用于老年人跌倒预防的装置中。该方法使用深度神经网络来学习老人的运动数据,并预测老人是否处于异常状态或者跌倒的风险。
同时结合基于图论的方法,可以用于老年人跌倒预防的装置中。该方法将老人的运动数据转换成图形表示,并使用强化学习来计算每个节点的激活值。该方法包括以下步骤:
a.收集大量的老年人运动数据,并将其分成训练集和测试集。
b.使用图论算法,将训练集中的数据转换成图形表示。
c.使用强化学习算法,计算每个节点的激活值。
基于图论和深度学习的方法,可以用于使用图论算法来构建老人的运动数据网络,并使用深度神经网络来预测老人是否处于异常状态或者跌倒的风险。该方法包括以下步骤:
a.收集大量的老年人运动数据,并将其分成训练集和测试集。
b.使用深度卷积神经网络(CNN)对训练集进行训练,并使用测试集进行验证。c.使用训练好的模型,对老年人的运动数据进行预测。
关于上述的节点的激活值可以这样理解:
在该强化学习算法中,激活值是指节点的状态,即是否被访问过。具体来说,当一个节点被访问时,它的激活值就会增加1;当节点被放置在网络中时,它的激活值就会增加1。因此,我们可以使用激活值来衡量节点的重要性,也可以用它来更新网络中的节点位置。我们可以分析每个节点的激活值,如下:
a.首先,需要收集大量老年人的运动数据,并将其分成训练集和测试集。这里可以使用一些常见的数据集,例如Balanced、Balanced-v1、Alive等。
b.接下来,使用图论算法,将训练集中的数据转换成图形表示。这里可以使用NetworkX、igraph等库来实现。具体来说,可以使用GraphSAGE算法将节点的运动数据转换成图形表示。
c.然后,使用强化学习算法,计算每个节点的激活值。这里可以使用DeepWalk、FitNesse等算法来实现。DeepWalk算法使用深度神经网络来学习节点之间的相互作用,FitNesse算法则是基于规则的方法,通过分析老人的运动数据来确定是否需要调整传感器的灵敏度等参数。
在每一次迭代中,我们可以计算每个节点的激活值,并根据激活值更新节点之间的相互作用,以调整装置的参数,从而提高预防跌倒的效果。
使用深度学习算法,训练图论模型,以便能够准确预测老人是否处于异常状态或者跌倒的风险。常见的深度学习模型包括卷积神经网络(CNN)、循环神经网络(RNN)、长短时记忆网络(LSTM)等。可以使用已有的深度学习模型,例如DeepLab、U-Net、VGG等,也可以自己设计深度学习模型。
在训练好的模型上,使用老人的运动数据来预测老人是否处于异常状态或者跌倒的风险,可以使用混合精度估计(MD5)或者直方图(Histogram of oriented gradients,HOG)等方法来提高预测的准确率。
对于预测结果,可以结合老人的健康状况和运动习惯,提供个性化的运动指导和防跌倒提醒,例如通过震动、声音等方式提醒老人注意安全。
混合精度估计是一种基于集成学习的方法,通过估计预测器与验证器之间的预测误差,然后加权求和以获得全局精度。在训练过程中,可以使用多个预测器(例如,使用多个不同的模型)来计算混合精度,并将其作为模型的损失函数。通过多次迭代训练,可以逐步提高模型的精度。
直方图是一种用于图像分类和物体检测的技术,也可以用于预测老人的运动状态。HOG特征是一种自适应的特征,可以根据图像中物体的方向和密度来预测其位置和大小。通过计算图像中不同尺度下物体的方向和密度分布,可以构建出一个直方图特征向量。在训练过程中,可以使用多个HOG特征向量来计算每个老人的HOG特征向量,并将其作为模型的输入进行预测。
在预测结果基础上,可以结合老人的健康状况和运动习惯,提供个性化的运动指导和防跌倒提醒。例如,可以通过震动、声音等方式提醒老人注意安全。这些提醒可以基于老人的运动数据和模型的预测结果来生成,例如可以使用卷积神经网络(CNN)模型对老人的运动数据进行分析和处理,并通过推理来生成防跌倒提醒。此外,还可以使用情感分析技术来分析老人的运动数据和其他信息,从而更好地了解老人的健康状况和需求,并提供更加个性化的运动指导和防跌倒提醒。在提醒老人或者老人的家人注意安全方面,通过显示设备显示或者远程显示老人的运动参数和预警状态,通过声音和图示提供对老人的运动指导和防跌倒提醒。
总之,该方法结合了图论和深度学习的方法,同时计算老人各个状态和身体方向的运动数据,能够更准确及时地预测老人是否处于异常状态或者跌倒的风险,并提供个性化的运动指导和防跌倒提醒,具有很大的应用前景。
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、方法、物品或者装置不仅包括那些要素,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、方法、物品或者装置所固有的要素。在没有更多限制的情况下。由语句“包括一个……限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素”。
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。
Claims (8)
1.一种基于老人康养平台的智能防跌倒装置,其特征在于,包括:
跌倒监测单元、微处理器、无线通信模块、电源模块、定位单元与提醒单元,其特征在于,还包括运动数据监测单元;所述跌倒监测单元包括加速度传感器与倾角传感器,加速度传感器用于实时侦测穿戴者的人体加速度信息,并将人体加速度信息发送至微处理器,所述倾角传感器用于实时侦测穿戴者的人体倾角信息,并将人体倾角信息发送至微处理器,所述人体加速度信息与人体倾角信息组成所述人体预跌倒信息;所述微处理器还包括对于所述人体预跌倒信息与人体正常活动样本信息对比的算法模型,所述算法模型用于对比分析预跌倒信息和正常活动样本信息,以确定佩戴者是否处于异常状态或者预跌倒状态;
该装置集成了跌倒监测、无线通信、电源、定位和提醒功能,实时监测佩戴者的运动数据,同时结合老人的健康状况和运动习惯,提供个性化的运动指导和防跌倒提醒。
2.根据权利要求1所述的基于康养平台的可穿戴式人体支撑防跌倒装置,其特征在于,还包括防护单元,所述防护单元设置在老人的上臂和或者膝盖处,用于保护老人,防止摔伤。
3.根据权利要求2所述的基于康养平台的可穿戴式人体支撑防跌倒装置,其特征在于,所述无线通信模块包括移动终端,所述移动终端为手机或者平板电脑,所述移动终端用于接收以及显示老人跌倒或者生理数据异常时的预警信息。
4.根据权利要求3所述的基于康养平台的可穿戴式人体支撑防跌倒装置,其特征在于,所述电源模块还包括用于管理电源模块的电源管理单元以及为电源模块充电的充电单元,所述充电单元上设置有充电端口,所述充电端口为Lightning接口、Type-C接口、USB接口中的任意一种。
5.根据权利要求4所述的基于康养平台的可穿戴式人体支撑防跌倒装置,其特征在于,所述提醒单元与微处理器电性连接,所述提醒单元上设置有一键联系预设紧急联系人的按钮。
6.根据权利要求1-5中任意一项所述的基于老人康养平台的智能防跌倒装置,其特征在于,所述体征数据监测单元为佩戴式的手环,所述手环包括心率监测模块、呼吸监测模块与血压监测模块,所述心率监测模块获取人体的心率数据,所述呼吸监测模块获取人体的呼吸频率数据,所述血压监测模块获取人体的血压数据,所述微处理器对呼吸频率数据、心率数据与血压数据微处理分析通过无线通信模块发送至手环上的显示端与移动终端。
7.基于上述老人康养平台的智能防跌倒装置的一种智能防跌倒装置数据处理方法,其特征在于,所述人体预跌倒信息与人体正常活动样本信息对比的算法模型执行包括以下步骤:
S1、获取老人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;
S2、分别获取老人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;
S3、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。
S4、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:
其中,xi、yi分别为提取的老人样本与参考样本,分别为两者的平均值,N为序列的长度;
S5、微处理器判断相关系数处于防护阈值范围时,启动防护单元对人体进行跌倒防护。
8.根据权利要求7所述的一种智能防跌倒装置的数据处理方法,包括以下步骤:
S1、通过分析老人的运动数据,来确定老人是否处于异常状态或者预跌倒的风险,具体包括以下步骤:
a.收集老人的运动数据,包括加速度、身体倾角和运动时间数据;
b.分析老人的运动数据,找出异常状态或者跌倒的风险预警数据;
c.根据分析结果,对装置进行自动调整步骤,包括调整传感器的灵敏度、发出警报的设定时间;
S2、使用深度神经网络来学习老人的运动数据,并预测老人是否处于异常状态或者跌倒风险的状态,具体包括以下步骤
a.收集指定和/或非指定大量老年人的运动数据,并将其分成训练集和测试集;
b.使用卷积神经网络(CNN)对训练集进行训练,并使用测试集进行验证。
c.使用训练好的模型,对老年人的运动数据进行预测;
S3、将数据用于老年人跌倒预防的装置中,并将老人的运动数据转换成图形表示,并使用强化学习来计算每个节点的激活值,并在装置的显示装置上显示并采用声和图的双重提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534379.3A CN116548959A (zh) | 2023-05-12 | 2023-05-12 | 一种老人康养平台的智能防跌倒装置及数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534379.3A CN116548959A (zh) | 2023-05-12 | 2023-05-12 | 一种老人康养平台的智能防跌倒装置及数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116548959A true CN116548959A (zh) | 2023-08-08 |
Family
ID=87487469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310534379.3A Pending CN116548959A (zh) | 2023-05-12 | 2023-05-12 | 一种老人康养平台的智能防跌倒装置及数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116548959A (zh) |
-
2023
- 2023-05-12 CN CN202310534379.3A patent/CN116548959A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saadeh et al. | A patient-specific single sensor IoT-based wearable fall prediction and detection system | |
US10198928B1 (en) | Fall detection system | |
US10750977B2 (en) | Medical evaluation system and method using sensors in mobile devices | |
EP2389109B1 (en) | Determining energy expenditure of a user | |
Lee et al. | Development of an enhanced threshold-based fall detection system using smartphones with built-in accelerometers | |
CN105342623B (zh) | 智能跌倒监护装置及其处理方法 | |
CN105125221B (zh) | 云服务实时摔倒检测系统及方法 | |
CN105118236B (zh) | 瘫倒监测和预防装置及其处理方法 | |
Wu et al. | Wearable-sensor-based pre-impact fall detection system with a hierarchical classifier | |
US9638711B2 (en) | Method and system for discerning a false positive in a fall detection signal | |
CN102048521B (zh) | 跌倒监测和预防系统及方法 | |
Pannurat et al. | A hybrid temporal reasoning framework for fall monitoring | |
CN106725445B (zh) | 一种脑电波控制的便携式人体运动损伤监护系统与方法 | |
US20060282021A1 (en) | Method and system for fall detection and motion analysis | |
WO2010126878A1 (en) | Fall detection | |
KR20110127856A (ko) | 운동패턴 분석방법 및 이를 이용한 운동량 산출장치 | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
CN107708561B (zh) | 指标导出设备、可佩戴设备以及移动设备 | |
Rashidpour et al. | Fall detection using adaptive neuro-fuzzy inference system | |
CN116548959A (zh) | 一种老人康养平台的智能防跌倒装置及数据处理方法 | |
Nguyen et al. | Detecting falls using a wearable accelerometer motion sensor | |
Majumder et al. | Your walk is my command: gait detection on unconstrained smartphone using IoT system | |
Prajapati et al. | A survey paper on wearable sensors based fall detection | |
CN115554674A (zh) | 一种运动能耗预测方法及装置 | |
EP3836105A1 (en) | Fall detection |
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 |