CN116631155A - 一种老人跌倒识别方法及自动呼救系统 - Google Patents
一种老人跌倒识别方法及自动呼救系统 Download PDFInfo
- Publication number
- CN116631155A CN116631155A CN202310637777.8A CN202310637777A CN116631155A CN 116631155 A CN116631155 A CN 116631155A CN 202310637777 A CN202310637777 A CN 202310637777A CN 116631155 A CN116631155 A CN 116631155A
- Authority
- CN
- China
- Prior art keywords
- data
- old
- module
- observed
- delta
- 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 44
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000013075 data extraction Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 6
- 230000000474 nursing effect Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 42
- 230000036541 health Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 210000000707 wrist Anatomy 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000009429 distress Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 206010016173 Fall Diseases 0.000 abstract 1
- 230000006870 function Effects 0.000 description 41
- 230000006399 behavior Effects 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000026137 Soft tissue injury Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 231100000870 cognitive problem Toxicity 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004630 mental health Effects 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- G08B21/0407—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
- G08B21/0469—Presence detectors to detect unsafe condition, e.g. infrared sensor, microphone
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种老人跌倒识别方法及自动呼救系统，涉及智能看护系统领域，包括传感器模块、数据提取模块、计算模块和自动呼救功能模块。传感器模块实时收集待观测老人的数据并传递给数据提取模块，数据提取模块从中提取三种数据：上体朝向数据、头部竖直方向速率数据和水平行走速率数据。计算模块根据这些数据计算评分函数S，并将其与预设阈值T进行对比，若超过则触发自动呼救功能模块发送求救信息。评分函数S的计算涉及参数α、β、γ和阈值T的计算通过对样本数据集进行统计计算得到的，样本数据集针对待观测老人情况实时更新。本发明具有精确度、准确度高的优点，能够及时有效地识别老人跌倒行为并自动触发救助。
Description
技术领域
本发明涉及智能看护系统领域，更具体地说，涉及一种老人跌倒识别方法及自动呼救系统。
背景技术
随着社会老龄化程度的加剧，老年人跌倒事故已成为严重影响老年人生活质量和安全的问题。跌倒可能导致骨折、软组织损伤等严重后果，甚至危及老年人的生命。除此之外，老人跌倒的严重程度也会因其年龄、身体健康程度有所不同，而这些因素通常是现有技术中所忽略的。除此之外，现有技术中的识别方法中一般缺乏对于老人具体情况的个性化自动调整，从而其识别效率较低，因为不同老人的跌倒情况会有所不同。因此，研发一种能够及时、准确、有针对性地识别老年人跌倒行为并触发救援的方法和系统，具有重要的现实意义。
发明内容
本发明要解决的技术问题是提供一种老人跌倒识别方法及自动呼救系统，以解决背景技术中提到的问题。
为了达到上述目的，本发明采取以下技术方案：
一种老人跌倒识别方法，包括以下步骤：
S1：根据传感器数据实时计算待观测老人在滑动窗口时间Δt内上体朝向的最大变化量Δθ，单位为度，竖直方向的头部速率的最大变化量Δv，单位为m/s，水平行走速率的最大变化量Δm，单位为m/s；
S2：计算评分函数S：
S＝|Δθ|/α+|Δv|/β+|Δm|/γ；
并判断所述跌倒行为评分函数S是否超过预设阈值T，若超过，则触发待观测老人的呼救；
其中，α、β、γ和T通过以下过程获取：
S21：获取样本数据集，所述样本数据集包括多个老人的历史跌倒数据以及所述多个老人的基本信息，所述历史跌倒数据包括每次跌倒过程中在滑动窗口时间Δt内的上体朝向的最大变化量Δθi、竖直方向的头部速率的最大变化量Δvi、水平行走速率的最大变化量Δmi；所述基本信息包括所述多个老人的年龄以及健康状态评估因子，所述健康状态评估因子越大表示老人越健康；
S22：计算αi＝|Δθ|/(|Δθi|+|Δvi|+|Δmi|)，对所有αi取均值后获得α；
计算βi＝|Δv|/(|Δθi|+|Δvi|+|Δmi|)，对所有βi取均值后获得β；
计算γi＝|Δm|/(Δθi+Δvi+Δmi)，对所有γi取均值后获得γ；
S23：将所述样本数据集内的数据Δθi、Δvi、Δmi代回已经确定好α、β和γ的评分函数S计算Si＝|Δθi|/α+|Δvi|/β+|Δmi|/γ，对比所有Si获取最小值Sm；
S24：设置阈值T＝Sm×(η×a/av)×(ψ×h/hv)；
其中：
a为待观测老人的年龄，av为样本数据集中的老人的平均年龄；
h为待观测老人的健康状态评估因子，hv为样本数据集中的老人的健康状态评估因子的平均值；
η、ψ为大于0的待定常数；
S3：实时收集待观测老人的历史跌倒数据和基本信息，所述历史跌倒数据包括所述待观测老人每次跌倒过程中在滑动窗口时间Δt内的上体朝向的最大变化量Δθi、竖直方向的头部速率的最大变化量Δvi、水平行走速率的最大变化量Δmi；所述基本信息包括所述待观测老人的年龄以及健康状态评估因子，所述健康状态评估因子越大表示老人越健康；
S4：将S3中的实时数据添加到现有的样本数据集中；
S5：使用新的样本数据集采用S22～S24中的步骤更新阈值T以及跌倒行为评分函数S的计算方法；并使用更新后的阈值T以及跌倒行为评分函数S进行老人跌倒的识别；
S6：当记录到待观测老人的跌倒次数超过预设阈值K时，将样本数据集中所有除待观测老人外的其他老人的数据抹去，只保留待观测老人的数据，并只用待观测老人的数据重新进行S2中的步骤更新阈值T以及跌倒行为评分函数S，并用更新后的阈值T以及跌倒行为评分函数S进行老人跌倒的识别。若不超过足够数量的阈值K，则一直使用原始数据，从而保证识别的准确性。
优选的，所述滑动窗口时间Δt设置在2秒至5秒之间。
优选的，所述η、ψ均取为1，健康状态评估因子在0～100之间。
优选的，所述样本数据集的获取方式包括：在老年人社区或医院或养老院进行传感器安装并获取数据。
本发明还公开一种老人跌倒自动呼救系统，所述系统包括传感器模块、数据提取模块、计算模块、自动呼救功能模块；
所述传感器模块实时收集待观测老人的观测数据，并将观测数据传递给数据提取模块，所述数据提取模块从所得到的观测数据中提取下述三种数据：随时间变化的待观测老人上体朝向数据、随时间变化的老人头部竖直方向速率数据和随时间变化的老人水平行走速率数据，并将三种所述数据传递给计算模块；
所述计算模块设置滑动窗口Δt，并根据滑动窗口时间Δt计算上体朝向的最大变化量Δθ，竖直方向头部速率的最大变化量Δv，以及水平行走速率的最大变化量Δm，并基于权利要求1所述老人跌倒识别方法计算评分函数S，将S与预设阈值T进行对比，若判断S超过预设阈值T，计算模块发出信号触发自动呼救功能模块，自动呼救功能模块向紧急联系人或医疗救援服务发送求救信息。
优选的，所述传感器模块包括：
(1)设置于待观测老人居住区域的毫米波雷达传感器，包括a)发射器：用于发射毫米波信号；b)接收器：用于接收反射回的毫米波信号；c)天线：用于发射和接收信号；d)控制单元：用于控制发射器和接收器的工作；
(2)红外传感器：用于检测室内环境中的红外辐射，收集人体的运动数据；
(3)智能手环：佩戴在待观测老人手腕上，内置传感器，包括三轴加速度传感器、陀螺仪和磁力计。
优选的，所述数据提取模块在收到传感器模块传递的观测数据时，首先进行数据预处理；
所述数据预处理包括：对原始观测数据进行清洗，消除异常值、重复数据及无关数据；将不同范围、单位的观测数据转换为具有相同尺度和统一单位的数据；采用滑动平均、指数平滑方法对观测数据进行平滑处理，消除观测数据中的短期波动和噪声。
优选的，所述计算模块内部包含多个子模块，包括滑动窗口子模块、数据变化量计算子模块、评分函数S计算子模块、判断子模块；
滑动窗口子模块将输入特征数据进行分段处理；数据变化量计算子模块根据滑动窗口内的数据计算各项参数的最大变化量，包括待观测老人上体朝向的最大变化量Δθ、竖直方向头部速率的最大变化量Δv、水平行走速率的最大变化量Δm；评分函数S计算子模块基于所述三个变化量计算评分函数S；
所述判断子模块比较评分函数S和预设的阈值T，判断是否需要发出信号触发自动呼救功能模块。
优选的，所述自动呼救功能模块使用嵌入式处理器或微控制器作为核心控制单元，通过运行定制的通信软件，实现呼救信息的发送；所述自动呼救功能模块内还设置无线通信模块。
本发明相对于现有技术的优点在于：
1、提高老人跌倒识别准确率：通过采用滑动窗口时间Δt内上体朝向的最大变化量Δθ、竖直方向头部速率的最大变化量Δv、水平行走速率的最大变化量Δm三种参数，结合预设阈值T进行评分函数S的计算，能够有效区分老人的正常活动和跌倒行为，提高跌倒识别的准确率。具体来说，在区分摔倒和躺下的过程中，躺下过程虽然角度变化大，但其过程较为缓慢，因此速度变化不大，S不会超过阈值，从而不会触发摔倒呼救；摔倒时角度与速度均发生较大变化，从而能触发摔倒呼救。可见本发明可减少识别错误的概率。
2、另外，本发明针对前期没有待观测老人数据的情况下，采用多个老人的数据的情况进行待观测老人的跌倒识别，但是一旦待观测老人的跌倒数据产生时，就会加入到原本的数据集中进行重新计算，从而提高准确度。进一步，一旦待观测老人的数据量达到足够多，就可以舍弃其他老人的数据，而针对待观测老人的数据进行具体的识别，从而避免其他老人数据的额外干扰，使得本发明变成针对于待观测老人而特别设计，从而大大提高了本发明的个性化程度，也提高了识别的准确度。
3、多种传感器融合：通过毫米波雷达传感器、红外传感器和智能手环等多种传感器的融合，可更准确地收集和分析待观测老人的行为数据，提高跌倒识别的准确性。
4、自动呼救功能：当计算模块判断老人跌倒时，自动呼救功能模块会向紧急联系人或医疗救援服务发送求救信息，使得救援人员能够迅速了解老人的情况并进行救助，降低了跌倒事故对老人的危害。
5、数据预处理提高数据质量：对收集到的原始观测数据进行预处理，包括清洗、转换尺度和单位、平滑处理等，提高了数据质量，使得计算模块能够基于更高质量的数据进行跌倒识别。
6、模块化设计简化系统结构：计算模块内部包含多个子模块，实现了功能的模块化划分，简化了系统结构，提高了系统的可维护性和易用性。
附图说明
图1是本发明方法示意图；
图2是本发明系统示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作描述。
如图1和图2所示分别为本发明方法和系统示意图，针对独居老人的情况作为一个实施例，本发明可具体采取如下方式设置：
传感器模块包括：
毫米波雷达传感器:采用成熟的毫米波雷达芯片和天线设计方案，搭配嵌入式处理器和定制的固件，实现对待观测老人的动作监测。安装时选择老人居住区域的主要活动空间，例如客厅、卧室和走廊等，安装毫米波雷达传感器。确保传感器位置能够覆盖整个活动空间，并避免与其他电子设备干扰。
红外传感器:选用可靠的红外传感器模块，通过微控制器(MCU)采集数据，并将数据发送至数据提取模块。安装在老人居住区域的主要活动空间的墙壁或天花板上安装红外传感器。确保红外传感器能够覆盖整个活动空间，以便检测到人体的运动。
智能手环:采用市面上可用的智能手环硬件设计，搭载三轴加速度传感器、陀螺仪和磁力计等传感器。在手环上运行定制的软件，将采集到的数据发送至数据提取模块。
数据提取模块：采用嵌入式处理器或微控制器(MCU)进行数据处理。运行定制的数据处理软件，以对接收到的传感器数据进行预处理和提取所需特征数据。将数据提取模块与传感器模块连接，可通过无线或有线方式实现。对于无线连接，可以使用蓝牙、Wi-Fi等无线技术。安装数据提取模块的位置应尽量靠近传感器模块，以确保信号传输的稳定性。数据提取模块在收到传感器模块传递的观测数据时，首先进行数据预处理；
数据预处理包括：对原始观测数据进行清洗，消除异常值、重复数据及无关数据；将不同范围、单位的观测数据转换为具有相同尺度和统一单位的数据；采用滑动平均、指数平滑方法对观测数据进行平滑处理，消除观测数据中的短期波动和噪声。
计算模块：选择嵌入式处理器或微控制器(MCU)作为核心处理器。在此硬件上运行跌倒识别算法软件，实现滑动窗口处理、数据变化量计算、评分函数S计算以及判断是否触发自动呼救功能模块。将计算模块与数据提取模块连接，可使用有线或无线方式。将计算模块安装在便于观察和操作的位置，例如墙壁上或书桌上。
计算模块内部包含多个子模块，包括滑动窗口子模块、数据变化量计算子模块、评分函数S计算子模块、判断子模块；
滑动窗口子模块将输入特征数据进行分段处理；数据变化量计算子模块根据滑动窗口内的数据计算各项参数的最大变化量，包括待观测老人上体朝向的最大变化量Δθ、竖直方向头部速率的最大变化量Δv、水平行走速率的最大变化量Δm；评分函数S计算子模块基于三个变化量计算评分函数S；
判断子模块比较评分函数S和预设的阈值T，判断是否需要发出信号触发自动呼救功能模块。
自动呼救功能模块：使用嵌入式处理器或微控制器(MCU)作为核心控制单元。运行定制的通信软件，实现呼救信息的发送。采用无线通信模块，如Wi-Fi、蜂窝网络(4G/5G)或NB-IoT等，实现与紧急联系人或医疗救援服务的通信。在软件层面，设计并实现用户界面，允许用户输入紧急联系人信息，以及选择呼救服务。将自动呼救功能模块与计算模块连接，可使用有线或无线方式。
为了获得计算方法，需要先收集样本数据集，包括多个老人的历史跌倒数据和基本信息。历史跌倒数据包括每次跌倒过程中在滑动窗口时间Δt内的上体朝向的最大变化量Δθi、竖直方向的头部速率的最大变化量Δvi、水平行走速率的最大变化量Δmi，基本信息包括年龄和健康状态评估因子。样本数据集可通过老年人社区、医院、养老院或其他相关机构的本发明系统安装并采集数据获取得到，或者可以采用相关模拟数据获得。
对于所有的样本数据集中的Δθi、Δvi、Δmi，计算其对应的αi、βi、γi：
αi＝|Δθ|/(|Δθi|+|Δvi|+|Δmi|)
βi＝|Δv|/(|Δθi|+|Δvi|+|Δmi|)
γi＝|Δm|/(Δθi+Δvi+Δmi)
对所有的αi、βi、γi分别取均值，得到α、β和γ。
将样本数据集内的数据Δθi、Δvi、Δmi代回已经确定好α、β和γ的评分函数S计算Si＝|Δθi|/α+|Δvi|/β+|Δmi|/γ，对比所有Si获取最小值Sm。根据以下公式计算出阈值T：
T＝Sm×(η×a/av)×(ψ×h/hv)
其中，a为待观测老人的年龄，av为样本数据集中老人的平均年龄；h为待观测老人的健康状态评估因子，hv为样本数据集中老人的健康状态评估因子的平均值；η、ψ为待定常数，取值为1。
样本数据集表格示例如下：
根据表格对αi、βi、γi分别求均值可以得到：α＝0.955，β＝0.035，γ＝0.010；并可利用公式Si＝|Δθi|/α+|Δvi|/β+|Δmi|/γ计算Si，表格中已计算好并放置在最后一列，其中，最小的Si值为74.96；
接下来我们需要确定阈值T，首先计算出所有跌倒例中老人年龄的均值为72.9，健康状态评估因子的均值为79.5；
假设待观测的老人为70岁，健康状态评估因子为80，则：
代入T＝Sm×(η×a/av)×(ψ×h/hv)并取η＝1，ψ＝1，得到：
T＝74.96×(1×70/72.9)×(1×80/79.5)≈72.4307；因此可设置阈值为72.4307。可将阈值输入到计算模块中。
接下来传感器模块实时收集数据，数据提取模块负责从传感器模块收集到的观测数据中提取关键信息，包括上体朝向数据、头部竖直方向速率数据和水平行走速率数据。数据提取模块可以使用以下技术来实现：
数据预处理：对于从不同传感器收集到的原始数据，首先需要进行预处理，例如去噪、归一化和滤波等操作，以提高数据的质量和准确性。
特征提取：从处理好的数据中，提取上体朝向数据、头部竖直方向速率数据和水平行走速率数据。这些特征可以通过以下方法获得：
1)上体朝向数据：利用智能手环内置的陀螺仪和磁力计数据，通过姿态解算算法(例如四元数算法、欧拉角算法)计算出待观测老人的上体朝向。
2)头部竖直方向速率数据：通过智能手环的三轴加速度传感器数据，对加速度在竖直方向的分量进行积分计算，得到头部竖直方向速率。
3)水平行走速率数据：结合毫米波雷达传感器和红外传感器的数据，通过运动目标检测和跟踪算法(例如光流法、卡尔曼滤波器跟踪)来估计老人在水平方向上的行走速度。
4)数据传输：将提取到的三种数据发送给计算模块，以便进行后续的跌倒识别和自动呼救。
计算模块实时计算待观测老人在滑动窗口时间Δt(可取为4秒)内上体朝向的最大变化量Δθ，竖直方向头部速率的最大变化量Δv，以及水平行走速率的最大变化量Δm，并计算评分函数S：
S＝|Δθ|/0.955+|Δv|/0.035+|Δm|/0.010
判断跌倒行为评分函数S是否超过预设阈值T＝72.4307，若超过则发出信号至自动呼救功能模块触发待观测老人的呼救。若不超过阈值，则继续进行实时监测。
在另一个实施例中，还可以添加如下步骤以针对待观测老人的情况提高识别精度：
S3：实时收集待观测老人的历史跌倒数据和基本信息，所述历史跌倒数据包括所述待观测老人每次跌倒过程中在滑动窗口时间Δt内的上体朝向的最大变化量Δθi、竖直方向的头部速率的最大变化量Δvi、水平行走速率的最大变化量Δmi；所述基本信息包括所述待观测老人的年龄以及健康状态评估因子，所述健康状态评估因子越大表示老人越健康；
S4：将S3中的实时数据添加到现有的样本数据集中；
S5：使用新的样本数据集采用S22～S24中的步骤更新阈值T以及跌倒行为评分函数S的计算方法；并使用更新后的阈值T以及跌倒行为评分函数S进行老人跌倒的识别；
S6：当记录到待观测老人的跌倒次数超过预设阈值K时，将样本数据集中所有除待观测老人外的其他老人的数据抹去，只保留待观测老人的数据，并只用待观测老人的数据重新进行S2中的步骤更新阈值T以及跌倒行为评分函数S，并用更新后的阈值T以及跌倒行为评分函数S进行老人跌倒的识别。
采用这些步骤的情况下，最后老人跌倒的识别将会变成针对于待观测老人本身所特别设计的。阈值T可以根据具体情况进行选择，比如可以选择为10。
在另一个实施例中，在传感器模块和数据提取模块的基础上，还可以通过引入人工智能技术进一步提高本发明的性能。具体来说，可以使用深度学习技术对收集到的传感器数据进行处理，以提取更多的特征信息，从而更准确地识别跌倒行为。
该实施例下，本发明使用卷积神经网络(CNN)对毫米波雷达传感器和红外传感器收集到的数据进行处理。CNN是一种非常适合处理时间序列数据的深度学习模型，可以自动学习出数据中的重要特征，并提取出与跌倒行为相关的特征信息。通过使用CNN，可以更加准确地检测到老人的动作，并将其与跌倒行为进行区分。
还可以使用循环神经网络(RNN)对智能手环收集到的数据进行处理。RNN是一种非常适合处理序列数据的深度学习模型，可以自动学习出数据中的序列信息，并提取出与跌倒行为相关的序列特征。通过使用RNN，可以更加准确地检测到老人的头部运动和行走速度等序列信息，并将其与跌倒行为进行区分。
本发明还可以使用多模态融合技术将不同传感器收集到的数据进行融合，以进一步提高跌倒识别的准确性。多模态融合技术可以将来自不同传感器的数据进行融合，从而提取出更多的跌倒行为特征，并降低误报率和漏报率。
在引入人工智能技术之后，可以更加准确地识别老人的跌倒行为，并在发生跌倒时及时触发自动呼救功能，以保证老人的安全和健康。同时，本发明也可以通过不断地收集数据和优化算法，进一步提高本发明的性能和适用范围，以更好地服务老年人群体。
除了使用深度学习技术提高跌倒识别的准确性之外，还可以进一步引入增强学习技术进一步优化本发明的性能。增强学习是一种基于智能体与环境交互进行学习的机器学习方法，它可以通过不断地试错和学习，找到最优的行动策略。对于本发明而言，可以将智能手环和自动呼救系统看作智能体，将老人的身体状态和环境信息看作环境。通过对智能体与环境的交互，利用增强学习算法学习出最优的跌倒识别和自动呼救策略，从而进一步提高本发明的性能。
此外，为了更好地适应老年人的生活习惯和健康需求，还可以考虑将本发明与健康管理系统相结合。健康管理系统可以收集老人的健康数据，如血压、血糖等，以及生活习惯数据，如饮食、运动等，通过人工智能技术进行分析和预测，提供个性化的健康管理方案和服务。将本发明与健康管理系统相结合，可以进一步提高老年人的健康水平和生活质量，同时也可以为本发明提供更多的数据支持和应用场景。随着人口老龄化的加剧，本发明在未来的市场前景将会更加广阔。
另外，为了提高本发明在实际应用中的可靠性和实用性，还可以采用云端计算和边缘计算相结合的方式，对传感器数据进行处理和分析。
在云端计算方面，可以将收集到的传感器数据上传至云端进行处理和分析，通过使用大数据技术和机器学习算法，进一步优化跌倒识别模型的性能和精度。同时，云端计算还可以实现跨地域、跨设备的数据共享和管理，为老年人提供更加智能化、便捷的服务。
在边缘计算方面，可以将部分数据处理和分析的任务下放至本地设备，如智能手环和智能家居设备等，以降低数据传输的延迟和成本。通过在边缘设备上运行轻量化的机器学习算法和神经网络模型，可以实现更加快速、实时的跌倒识别和呼救功能触发，为老年人提供更加可靠、及时的安全保障。
除此之外，还可以在本发明中引入更加智能化、个性化的服务功能，如语音交互、远程监控、健康管理等，以满足老年人的多样化需求和健康管理需求。还可以进一步改进模型，引入一些优化算法和技术，以提高模型的性能和稳定性。例如，可以使用对抗训练技术来增强模型的鲁棒性，以应对一些干扰或攻击。同时，可以使用自适应学习算法来适应老年人不同的身体状态和行为习惯，从而进一步提高跌倒行为的识别准确率。
为了更好地服务老年人，还可以将这种跌倒预警系统与智能家居等设备进行联动，实现更加全面、智能的健康监护。例如，当系统检测到老年人跌倒时，可以自动打开智能家居的照明和声音系统，提醒老年人周围的人员，并发送紧急呼叫给医护人员。同时，智能家居设备也可以收集老年人的生活习惯和健康数据，并将其整合到系统中，以更好地了解老年人的身体状况和健康状况。
在另一些实施例中，还可以通过结合传感器数据和其他相关数据来进一步提高跌倒识别的准确性。例如，可以结合老人的行为模式、心率、血压等健康数据，构建一个综合评估模型，对老人的跌倒风险进行预测和预警。
这种综合评估模型可以基于机器学习技术进行构建，通过对大量老人的数据进行训练，自动学习出老人跌倒的规律和特征，进而对新的老人数据进行跌倒风险的预测和预警。
通过将跌倒识别系统与智能家居系统相结合，实现更加智能化的老年人监护服务。例如，在检测到老人发生跌倒时，智能家居系统可以自动调用紧急呼叫服务，向家庭成员或医护人员发出警报，以便及时救助老人。
在另一些实施例中，还可以结合自然语言处理技术，对老人的日常对话进行分析，以了解其身体状况和心理健康状况。通过使用文本情感分析技术，本发明可以自动分析老人的语言情绪和态度，并根据分析结果提供相应的关怀和支持。比如，当系统检测到老人的情绪较低落时，可以自动播放一些慰藉性音乐或提示老人打电话给亲友倾诉，以缓解老人的情绪压力，提高其生活质量。还可以通过将传感器数据和自然语言处理技术相结合，实现更加智能化的老年人照护。例如，当系统检测到老人长时间未活动或连续重复询问同一问题时，可以判断老人可能出现了身体或认知方面的问题，并及时触发呼叫医护人员的功能，以保证老人的安全和健康。
综上所述，通过在传感器模块和数据提取模块的基础上引入人工智能技术，并采用云端计算和边缘计算相结合的方式，可以进一步提高本发明的性能、可靠性和实用性，为老年人提供更加智能化、便捷、安全的服务，促进老年人健康和幸福生活的实现。通过引入人工智能技术和智能家居等设备的联动，本发明可以建立一种全面、智能的老年健康监护系统，为老年人提供更好的健康保障。进一步结合传感器技术、人工智能技术、综合评估模型和智能家居系统等多种技术手段，可以构建一个功能强大的老人跌倒监测与预警系统。未来，随着科技的不断进步和创新，这种跌倒预警系统的性能和适用范围也将不断提高，为老年人的健康和生活质量带来更多的福祉。
以上所述，仅为本发明较佳的具体实施方式，但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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种老人跌倒识别方法，其特征在于，包括以下步骤：
S1：根据传感器数据实时计算待观测老人在滑动窗口时间Δt内上体朝向的最大变化量Δθ，单位为度，竖直方向的头部速率的最大变化量Δv，单位为m/s，水平行走速率的最大变化量Δm，单位为m/s；
S2：计算评分函数S：
S＝|Δθ|/α+|Δv|/β+|Δm|/γ；
并判断所述跌倒行为评分函数S是否超过预设阈值T，若超过，则触发待观测老人的呼救；
其中，α、β、γ和T通过以下过程获取：
S21：获取样本数据集，所述样本数据集包括多个老人的历史跌倒数据以及所述多个老人的基本信息，所述历史跌倒数据包括每次跌倒过程中在滑动窗口时间Δt内的上体朝向的最大变化量Δθi、竖直方向的头部速率的最大变化量Δvi、水平行走速率的最大变化量Δmi；所述基本信息包括所述多个老人的年龄以及健康状态评估因子，所述健康状态评估因子越大表示老人越健康；
S22：计算αi＝|Δθ|/(|Δθi|+|Δvi|+|Δmi|)，对所有αi取均值后获得α；
计算βi＝|Δv|/(|Δθi|+|Δvi|+|Δmi|)，对所有βi取均值后获得β；
计算γi＝|Δm|/(Δθi+Δvi+Δmi)，对所有γi取均值后获得γ；
S23：将所述样本数据集内的数据Δθi、Δvi、Δmi代回已经确定好α、β和γ的评分函数S计算Si＝|Δθi|/α+|Δvi|/β+|Δmi|/γ，对比所有Si获取最小值Sm；
S24：设置阈值T＝Sm×(η×a/av)×(ψ×h/hv)；
其中：
a为待观测老人的年龄，av为样本数据集中的老人的平均年龄；
h为待观测老人的健康状态评估因子，hv为样本数据集中的老人的健康状态评估因子的平均值；
η、ψ为大于0的待定常数；
S3：实时收集待观测老人的历史跌倒数据和基本信息，所述历史跌倒数据包括所述待观测老人每次跌倒过程中在滑动窗口时间Δt内的上体朝向的最大变化量Δθi、竖直方向的头部速率的最大变化量Δvi、水平行走速率的最大变化量Δmi；所述基本信息包括所述待观测老人的年龄以及健康状态评估因子，所述健康状态评估因子越大表示老人越健康；
S4：将S3中的实时数据添加到现有的样本数据集中；
S5：使用新的样本数据集采用S22～S24中的步骤更新阈值T以及跌倒行为评分函数S的计算方法；并使用更新后的阈值T以及跌倒行为评分函数S进行老人跌倒的识别。
2.根据权利要求1所述老人跌倒识别方法，其特征在于，所述滑动窗口时间Δt设置在2秒至5秒之间。
3.根据权利要求1所述老人跌倒识别方法，其特征在于，所述η、ψ均取为1，健康状态评估因子在0～100之间。
4.根据权利要求1所述老人跌倒识别方法，其特征在于：
所述传感器包括以下任意一个或多个：
(1)设置于待观测老人居住区域的毫米波雷达传感器，包括a)发射器：用于发射毫米波信号；b)接收器：用于接收反射回的毫米波信号；c)天线：用于发射和接收信号；d)控制单元：用于控制发射器和接收器的工作；
(2)红外传感器：用于检测室内环境中的红外辐射，收集人体的运动数据；
(3)智能手环：佩戴在待观测老人手腕上，内置传感器，包括三轴加速度传感器、陀螺仪和磁力计。
5.根据权利要求1所述老人跌倒识别方法，其特征在于：所述样本数据集的获取方式包括：在老年人社区或医院或养老院进行传感器安装并获取数据。
6.一种老人跌倒自动呼救系统，其特征在于，所述系统包括传感器模块、数据提取模块、计算模块、自动呼救功能模块；
所述传感器模块实时收集待观测老人的观测数据，并将观测数据传递给数据提取模块，所述数据提取模块从所得到的观测数据中提取下述三种数据：随时间变化的待观测老人上体朝向数据、随时间变化的老人头部竖直方向速率数据和随时间变化的老人水平行走速率数据，并将三种所述数据传递给计算模块；
所述计算模块设置滑动窗口Δt，并根据滑动窗口时间Δt计算上体朝向的最大变化量Δθ，竖直方向头部速率的最大变化量Δv，以及水平行走速率的最大变化量Δm，并基于权利要求1所述老人跌倒识别方法计算评分函数S，将S与预设阈值T进行对比，若判断S超过预设阈值T，计算模块发出信号触发自动呼救功能模块，自动呼救功能模块向紧急联系人或医疗救援服务发送求救信息。
7.根据权利要求6所述老人跌倒自动呼救系统，其特征在于，所述传感器模块包括：
(1)设置于待观测老人居住区域的毫米波雷达传感器，包括a)发射器：用于发射毫米波信号；b)接收器：用于接收反射回的毫米波信号；c)天线：用于发射和接收信号；d)控制单元：用于控制发射器和接收器的工作；
(2)红外传感器：用于检测室内环境中的红外辐射，收集人体的运动数据；
(3)智能手环：佩戴在待观测老人手腕上，内置传感器，包括三轴加速度传感器、陀螺仪和磁力计。
8.根据权利要求6所述老人跌倒自动呼救系统，其特征在于，所述数据提取模块在收到传感器模块传递的观测数据时，首先进行数据预处理；
所述数据预处理包括：对原始观测数据进行清洗，消除异常值、重复数据及无关数据；将不同范围、单位的观测数据转换为具有相同尺度和统一单位的数据；采用滑动平均、指数平滑方法对观测数据进行平滑处理，消除观测数据中的短期波动和噪声。
9.根据权利要求6所述老人跌倒自动呼救系统，其特征在于，所述计算模块内部包含多个子模块，包括滑动窗口子模块、数据变化量计算子模块、评分函数S计算子模块、判断子模块；
滑动窗口子模块将输入特征数据进行分段处理；数据变化量计算子模块根据滑动窗口内的数据计算各项参数的最大变化量，包括待观测老人上体朝向的最大变化量Δθ、竖直方向头部速率的最大变化量Δv、水平行走速率的最大变化量Δm；评分函数S计算子模块基于所述三个变化量计算评分函数S；
所述判断子模块比较评分函数S和预设的阈值T，判断是否需要发出信号触发自动呼救功能模块。
10.根据权利要求6所述老人跌倒自动呼救系统，其特征在于，所述自动呼救功能模块使用嵌入式处理器或微控制器作为核心控制单元，通过运行定制的通信软件，实现呼救信息的发送；所述自动呼救功能模块内还设置无线通信模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310637777.8A CN116631155B (zh) | 2023-06-01 | 2023-06-01 | 一种老人跌倒识别方法及自动呼救系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310637777.8A CN116631155B (zh) | 2023-06-01 | 2023-06-01 | 一种老人跌倒识别方法及自动呼救系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116631155A true CN116631155A (zh) | 2023-08-22 |
| CN116631155B CN116631155B (zh) | 2024-07-05 |
Family
ID=87636462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310637777.8A Active CN116631155B (zh) | 2023-06-01 | 2023-06-01 | 一种老人跌倒识别方法及自动呼救系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116631155B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102027517A (zh) * | 2008-05-12 | 2011-04-20 | 皇家飞利浦电子股份有限公司 | 跌倒检测系统中的位移测量 |
| CN104238769A (zh) * | 2014-09-05 | 2014-12-24 | 哈尔滨工业大学 | 基于三轴加速度计和陀螺仪的校园暴力检测方法 |
| CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
| CN107233099A (zh) * | 2016-07-06 | 2017-10-10 | 漳州立达信光电子科技有限公司 | 分析跌倒严重程度的跌倒侦测系统及其穿戴装置 |
| US20170352240A1 (en) * | 2016-06-03 | 2017-12-07 | John Carlton-Foss | Method and system for motion analysis and fall prevention |
| CN111166342A (zh) * | 2020-01-07 | 2020-05-19 | 四川宇然智荟科技有限公司 | 一种毫米波雷达和摄像头融合跌倒检测装置及其检测方法 |
| CN111710129A (zh) * | 2020-06-12 | 2020-09-25 | 电子科技大学 | 一种老年人实时碰撞前跌倒检测方法 |
| KR20210136323A (ko) * | 2020-05-07 | 2021-11-17 | 광주과학기술원 | 환자의 낙상상황을 판별하기 위한 낙상 판별 시스템 및 방법 |
| KR20210150218A (ko) * | 2020-06-03 | 2021-12-10 | 연세대학교 원주산학협력단 | 추락 검출 장치 및 방법 |
-
2023
- 2023-06-01 CN CN202310637777.8A patent/CN116631155B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102027517A (zh) * | 2008-05-12 | 2011-04-20 | 皇家飞利浦电子股份有限公司 | 跌倒检测系统中的位移测量 |
| CN104238769A (zh) * | 2014-09-05 | 2014-12-24 | 哈尔滨工业大学 | 基于三轴加速度计和陀螺仪的校园暴力检测方法 |
| US20170352240A1 (en) * | 2016-06-03 | 2017-12-07 | John Carlton-Foss | Method and system for motion analysis and fall prevention |
| CN107233099A (zh) * | 2016-07-06 | 2017-10-10 | 漳州立达信光电子科技有限公司 | 分析跌倒严重程度的跌倒侦测系统及其穿戴装置 |
| CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
| CN111166342A (zh) * | 2020-01-07 | 2020-05-19 | 四川宇然智荟科技有限公司 | 一种毫米波雷达和摄像头融合跌倒检测装置及其检测方法 |
| KR20210136323A (ko) * | 2020-05-07 | 2021-11-17 | 광주과학기술원 | 환자의 낙상상황을 판별하기 위한 낙상 판별 시스템 및 방법 |
| KR20210150218A (ko) * | 2020-06-03 | 2021-12-10 | 연세대학교 원주산학협력단 | 추락 검출 장치 및 방법 |
| CN111710129A (zh) * | 2020-06-12 | 2020-09-25 | 电子科技大学 | 一种老年人实时碰撞前跌倒检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈炜;佟丽娜;宋全军;葛运建;: "基于惯性传感器件的跌倒检测系统设计", 传感器与微系统, no. 08, 20 August 2010 (2010-08-20), pages 117 - 119 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116631155B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3410935B1 (en) | People monitoring and personal assistance system, in particular for elderly and people with special and cognitive needs | |
| CN107092806A (zh) | 一种面向老人家居智能化的信息融合与预警方法 | |
| Zhang et al. | A context-aware mhealth system for online physiological monitoring in remote healthcare | |
| KR102346824B1 (ko) | 인공지능 기반 생체신호 모니터링 및 분석을 통한 복합 생활 지원 솔루션 제공 시스템 및 그 동작 방법 | |
| US20150061863A1 (en) | Adaptive classification of fall detection for personal emergency response systems | |
| CN205050303U (zh) | 一种智能人体瘫倒监测装置 | |
| US20210241912A1 (en) | Intelligent detection of wellness events using mobile device sensors and cloud-based learning systems | |
| CN108877914A (zh) | 基于物联网的患者的行为监控方法及装置、存储介质、终端 | |
| EP3717980B1 (en) | Ultrasound analytics for actionable information | |
| US12042304B2 (en) | Determining reliability of vital signs of a monitored subject | |
| EP3807890B1 (en) | Monitoring a subject | |
| CN115089135A (zh) | 一种基于毫米波雷达老人健康状态检测方法及系统 | |
| CN108460957A (zh) | 一种老年健康群体监控告警系统及方法 | |
| JP7403761B2 (ja) | 要介護者見守り支援システム | |
| CN117877734A (zh) | 一种精神障碍患者危险级别判断系统 | |
| CN117197998B (zh) | 一种物联网的传感器集成看护系统 | |
| CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
| CN116631155B (zh) | 一种老人跌倒识别方法及自动呼救系统 | |
| CN118038548A (zh) | 异常行为检测方法、装置、电子设备及存储介质 | |
| EP3818508B1 (en) | Fall detection system and method | |
| Nagaraj et al. | A Robust Recession Detective Analysis System using IoT Smart Sensor Devices | |
| CN110236557A (zh) | 现象预测系统、传感器信号处理系统、现象预测方法及非瞬时性记录介质 | |
| EP3477653A1 (en) | Monitoring activity of a person | |
| CN113951848B (zh) | 一种助老助残实时摸排系统 | |
| CN117260774B (zh) | 一种基于多维度智能交互的老人陪护机器人陪护系统 |
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 |