CN117100255A - 一种基于神经网络模型进行防摔倒判定的方法和相关产品 - Google Patents
一种基于神经网络模型进行防摔倒判定的方法和相关产品 Download PDFInfo
- Publication number
- CN117100255A CN117100255A CN202311391095.XA CN202311391095A CN117100255A CN 117100255 A CN117100255 A CN 117100255A CN 202311391095 A CN202311391095 A CN 202311391095A CN 117100255 A CN117100255 A CN 117100255A
- Authority
- CN
- China
- Prior art keywords
- foot
- calculating
- lower limb
- target
- neural network
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 57
- 230000002265 prevention Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 168
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 91
- 210000003205 muscle Anatomy 0.000 claims abstract description 87
- 230000005484 gravity Effects 0.000 claims description 46
- 206010049565 Muscle fatigue Diseases 0.000 claims description 28
- 230000003183 myoelectrical effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000005021 gait Effects 0.000 abstract description 6
- 210000002683 foot Anatomy 0.000 description 50
- 238000009825 accumulation Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 210000003314 quadriceps muscle Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 210000001872 metatarsal bone Anatomy 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 210000002082 fibula Anatomy 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 210000001255 hallux Anatomy 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002232 neuromuscular Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004744 fore-foot Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 210000000548 hind-foot Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003371 toe Anatomy 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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- 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
Abstract
本申请公开了一种基于神经网络模型进行防摔倒判定的方法和相关产品。所述方法包括：采集待被判定者的足底在多个目标检测点的压力检测信号和/或所述待被判定者的下肢在多个目标肌肉处的表面肌电检测信号；根据所述压力检测信号和/或所述表面肌电检测信号计算与防摔倒判定有关且具有前瞻性的目标判定参数；以及将所述目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果。利用本申请的方案，能够基于人工智能模型在摔倒事件发生之前进行摔倒预测并给出准确的判定结果，从而提醒用户及时调整步态，避免摔倒事件发生。
Description
技术领域
本申请一般涉及防摔倒预警技术领域。更具体地，本申请涉及一种基于神经网络模型进行防摔倒判定的方法、设备和计算机可读存储介质。
背景技术
老年人由于神经肌肉生理性退变和病理性改变，会导致运动系统功能减退，从而致使老年人摔倒事件频发。目前，通常是通过基于外部环境传感器检测或者基于计算机视觉检测来进行摔倒预警。
然而，无论是基于外部环境传感器检测，还是基于计算机视觉检测，其均是在检测到老年人姿态或者动作异常后才发出警报。即，目前的检测方式是聚焦在老年人摔倒事件发生后进行提醒，而不是在摔倒事件发生前进行预测。此外，现有的方式往往通过人工直接观察滞后的动作或姿态数据进行判断，而导致老年人易摔倒体制的原因尚不明确，使得判断结果不准确。也就是说，前述方式的检测结果具有滞后性，无法有效的防止摔倒事件发生，并且基于人工判断存在局限性，从而导致判断结果不准确。
有鉴于此，亟需提供一种基于神经网络模型进行防摔倒判定的方法，能够基于人工智能模型在摔倒事件发生之前进行摔倒预测并给出准确的判定结果，从而提醒用户及时调整步态，避免摔倒事件发生。
发明内容
为了至少解决如上所提到的一个或多个技术问题，本申请在多个方面中提出了基于神经网络模型进行防摔倒判定的方案。
在第一方面中，本申请提供一种基于神经网络模型进行防摔倒判定的方法，包括：采集待被判定者的足底在多个目标检测点的压力检测信号和/或所述待被判定者的下肢在多个目标肌肉处的表面肌电检测信号；根据所述压力检测信号和/或所述表面肌电检测信号计算与防摔倒判定有关且具有前瞻性的目标判定参数；以及将所述目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果。
在一个实施例中，所述目标判定参数至少包括所述待被判定者的足部重心偏移度、足部重心轨迹曲线和所述待被判定者的下肢肌肉贡献率、下肢肌肉疲劳度。
在另一个实施例中，根据所述压力检测信号和/或所述表面肌电检测信号计算与防摔倒判定有关的目标判定参数包括：根据所述压力检测信号计算所述待被判定者的所述足部重心偏移度和/或所述足部重心轨迹曲线；和/或根据所述表面肌电检测信号计算所述待被判定者的所述下肢肌肉贡献率和/或所述下肢肌肉疲劳度。
在又一个实施例中，根据所述压力检测信号计算所述待被判定者的所述足部重心偏移度和/或所述足部重心轨迹曲线包括：将所述压力检测信号处理成压力检测时间序列点集；以及根据所述压力检测时间序列点集计算所述足部重心偏移度和/或所述足部重心轨迹曲线。
在又一个实施例中，根据所述压力检测时间序列点集计算所述足部重心偏移度和/或所述足部重心轨迹曲线包括：根据所述压力检测时间序列点集计算压强累计冲量；基于所述压强累计冲量计算所述足部重心偏移度；和/或根据所述压力检测时间序列点集计算所述足部重心轨迹曲线。
在又一个实施例中，所述足部重心偏移度包括左右脚重心偏移度和前后脚掌重心偏移度，所述压强累计冲量包括左脚压强累计冲量和右脚压强累计冲量以及前脚掌压强累计冲量和后脚掌压强累计冲量，并且基于所述压强累计冲量计算所述足部重心偏移度包括：基于所述左脚压强累计冲量和所述右脚压强累计冲量计算所述左右脚重心偏移度；以及基于所述前脚掌压强累计冲量和所述后脚掌压强累计冲量计算所述前后脚掌重心偏移度。
在又一个实施例中，根据所述表面肌电检测信号计算所述待被判定者的所述下肢肌肉贡献率和/或下肢肌肉疲劳度包括：将所述表面肌电检测信号处理成表面肌电检测波形图；以及根据所述表面肌电检测波形图计算所述下肢肌肉贡献率和/或所述下肢肌肉疲劳度。
在又一个实施例中，根据所述表面肌电检测波形图计算所述下肢肌肉贡献率包括：根据所述表面肌电检测波形图计算左下肢肌肉贡献率和右下肢肌肉贡献率；以及基于所述左下肢肌肉贡献率和所述右下肢肌肉贡献率计算双下肢肌肉贡献率。
在又一个实施例中，根据所述表面肌电检测波形图计算所述下肢肌肉疲劳度包括：根据所述表面肌电检测波形图计算各所述目标肌肉在预设窗口的频域分布；以及基于各所述目标肌肉在预设窗口的频域分布计算对应的主频率频道，以确定所述下肢肌肉疲劳度。
在又一个实施例中，所述神经网络模型包括多个，并且将所述目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果包括：将所述目标判定参数分别输入至每个所述神经网络模型中，对应输出各自的防摔倒判定结果；以及根据多个所述神经网络模型各自的防摔倒判定结果确定最终防摔倒判定结果。
在又一个实施例中，多个所述神经网络模型至少包括决策树模型和贝叶斯模型。
在又一个实施例中，所述方法还包括：获取所述待被判定者的基础信息；以及将所述基础信息和所述目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果。
在又一个实施例中，所述基础信息至少包括所述待被判定者的年龄信息、历史摔倒信息或者疾病史信息中的一种或者多种。
在第二方面中，本申请提供一种基于神经网络模型进行防摔倒判定的设备，包括：处理器；以及存储器，其存储有基于神经网络模型进行防摔倒判定的程序指令，当所述程序执行由处理器执行时，使得实现前述第一方面中的多个实施例。
在第三方面中，本申请提供一种计算机可读存储介质，其上存储有基于神经网络模型进行防摔倒判定的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现前述第一方面中的多个实施例。
通过如上所提供的基于神经网络模型进行防摔倒判定的方案，本申请实施例通过采集待被判定者的足底在多个目标检测点的压力检测信号和/或下肢在多个目标肌肉处的表面肌电检测信号，并从中提取与防摔倒判定有关且具有前瞻性的目标判定参数，进而通过神经网络模型来进行防摔倒判定。基于此，能够在摔倒事件发生之前，通过人工智能模型高效且准确地获得防摔倒判定结果，从而及时提醒待被判定者调整步态，避免摔倒事件发生。进一步地，本申请实施例还通过多个神经网络模型进行融合判定以及还结合待被判定者的基础信息进行判定，从而极大地提高了神经网络的判定精度以及提高了防摔倒判定结果的可靠性。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示出根据本申请实施例的基于神经网络模型进行防摔倒判定的方法的示例性流程框图；
图2是示出根据本申请实施例的足部的多个目标检测点以及下肢的多个目标肌肉的示例性示意图；
图3是示出根据本申请实施例的采集足底在多个目标检测点的压力检测信号的示例性示意图；
图4是示出根据本申请实施例的采集下肢表面肌电检测信号的示例性示意图；
图5是示出根据本申请实施例的基于神经网络模型进行防摔倒判定的整体的示例性流程框图；以及
图6是示出根据本申请实施例的基于神经网络模型进行防摔倒判定的设备的示例性结构框图。
图中：201-足部大脚趾，202-第一跖骨，203-第二三跖骨，204-第四五跖骨，205-足弓内侧，206-足跟内侧，207-足跟外侧，208-足跟后侧，209-股直肌，210-股外侧肌，211-股内侧肌，212-股二头肌，213-半腱肌，214-腓骨长肌，215-胫骨前肌，216-腓肠肌外侧肌，217-腓肠肌内侧肌，218-比目鱼肌，301-压力传感器，302-数据处理单元，401-表面感应电极，600-设备，602-显示装置，603-输入装置，604-数据传输接口，605-局域网/无线局域网，606-本地服务器，607-因特网，608-外部网络的服务器，609-数据库，611-中央处理单元，612-大容量存储器，613-只读存储器，614-张量处理单元，615-图形处理单元，616-现场可编程门阵列，617-机器学习单元，618-通信接口，619-总线。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚和完整地描述。应当理解的是本说明书所描述的实施例仅是本申请为了便于对方案的清晰理解和符合法律的要求而提供的部分实施例，而并非可以实现本申请的所有实施例。基于本说明书公开的实施例，本领域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，都属于本申请保护的范围。
图1是示出根据本申请实施例的基于神经网络模型进行防摔倒判定的方法100的示例性流程框图。如图1中所示，在步骤101处，采集待被判定者的足底在多个目标检测点的压力检测信号和/或待被判定者的下肢在多个目标肌肉处的表面肌电检测信号。在一个实施例中，前述待被判定者的足底在多个目标检测点的压力检测信号可以由对应设置于前述多个目标检测点处的多个压力传感器采集。其中，每个压力传感器对应各个目标检测点，通过感测待被判定者足部的压力并且产生相应的电阻变化，以采集待被判定者的足底在多个目标检测点的压力检测信号。在一个实施场景中，前述多个目标检测点（例如图2中的（a）图所示）包括足部大脚趾、第一跖骨、第二三跖骨、第四五跖骨、足弓内侧、足跟内侧、足跟外侧和足跟后侧。
在另一个实施例中，前述待被判定者的下肢在多个目标肌肉处的表面肌电检测信号可以由对应设置于前述多个目标肌肉处的多个表面感应电极采集获得。其中，每个表面感应电极对应设置在各个目标肌肉处，通过感测被判定者下肢神经肌肉所产生的表面电生理信号，以检测被判定者双肢在目标肌肉处的表面肌电检测信号。在一些实施例中，前述多个目标肌肉（例如图2中的（b）图所示）包括股直肌、股外侧肌、股内侧肌、股二头肌、半腱肌、腓骨长肌、胫骨前肌、腓肠肌外侧肌、腓肠肌内侧肌和比目鱼肌。
基于上述采集的压力检测信号和/或表面肌电检测信号，在步骤102处，根据压力检测信号和/或表面肌电检测信号计算与防摔倒判定有关且具有前瞻性的目标判定参数。在一个实施例中，前述目标判定参数至少包括待被判定者的足部重心偏移度、足部重心轨迹曲线和待被判定者的下肢肌肉贡献率、下肢肌肉疲劳度。可以理解，当待被判定者在站立、行走或跑动过程中，重心过度偏左、偏右、偏前或偏后，即身体重心不在平衡位置，这就造成潜在易摔倒前置风险，从而存在摔倒风险。当待被判定者在站立、行走或跑动过程中，下肢的神经肌肉贡献率比例失衡，即下肢肌力失衡以及当待被判定者的肌肉疲劳时，会导致人体其它肌肉与关节代偿发力，进而导致下肢不稳定或步态异常，这就会造成潜在易摔倒前置风险，从而存在摔倒风险。由此，本申请实施例通过提取前述目标判定参数，能够提前判定发生摔倒事件。
具体地，在一个实施例中，可以根据压力检测信号计算待被判定者的足部重心偏移度和/或足部重心轨迹曲线；和/或根据表面肌电检测信号计算待被判定者的下肢肌肉贡献率和/或下肢肌肉疲劳度。其中，对于计算待被判定者的足部重心偏移度和/或足部重心轨迹曲线来说，首先可以将压力检测信号处理成压力检测时间序列点集，进而根据压力检测时间序列点集计算足部重心偏移度和/或足部重心轨迹曲线。
需要理解的是，前述压力检测信号通常为模拟电阻信号，由此在将压力检测信号处理成压力检测时间序列点集之前，可以对压力检测信号进行去除异常点、滤波或者平滑中的一种或者多种预处理操作，以获得预处理后的电阻信号，进而对预处理后的电阻信号进行模数转换，以获得数字电压信号，以便于后续的计算操作。在一个实施场景中，在将压力检测信号处理成压力检测时间序列点集时，可以根据可编程压力测试计来对前述数字电压信号进行标定，以获得标定后的数字电压信号。接着，可以通过例如离散线性插值或高阶多项式插值，将压力检测信号处理成压力检测时间序列点集，以基于压力检测时间序列点集计算足部重心偏移度和/或足部重心轨迹曲线。
在一个实施例中，可以根据压力检测时间序列点集计算压强累计冲量，以基于压强累计冲量计算所述足部重心偏移度；和/或根据压力检测时间序列点集计算足部重心轨迹曲线。更为具体地，前述足部重心偏移度包括左右脚重心偏移度和前后脚掌重心偏移度，前述压强累计冲量包括左脚压强累计冲量和右脚压强累计冲量以及前脚掌压强累计冲量和后脚掌压强累计冲量。其中，基于左脚压强累计冲量和右脚压强累计冲量计算左右脚重心偏移度，基于前脚掌压强累计冲量和后脚掌压强累计冲量计算前后脚掌重心偏移度。
在一个实现场景中，可以基于以下公式计算左右脚重心偏移度：
其中，表示左右脚重心偏移度，/>表示左脚压强累计冲量，表示右脚压强累计冲量，/>表示求解范数。
在另一个实现场景中，可以基于以下公式计算前后脚掌重心偏移度：
其中，表示前后脚掌重心偏移度，/>表示前脚掌压强累计冲量，表示后脚掌压强累计冲量，/>表示求解范数。
对于计算重心轨迹曲线来说，可以基于以下公式计算重心轨迹曲线：
（3）
其中，表示重心轨迹曲线，/>表示压力检测时间序列点集，/>表示足底压力各目标检测点处的权重值，/>表示压力检测时间序列权重值，i表示各目标检测点的序号，k表示压力检测时间序列号，j表示重心轨迹曲线离散点序号，T表示采集时间。
另外，对于计算待被判定者的下肢肌肉贡献率和/或下肢肌肉疲劳度而言，首先可以将表面肌电检测信号处理成表面肌电检测波形图，进而根据表面肌电检测波形图计算下肢肌肉贡献率和/或下肢肌肉疲劳度。在一个实施场景中，可以通过对表面肌电检测信号进行拟合处理操作，以将表面肌电检测信号处理成表面肌电检测波形图，以便于计算下肢肌肉贡献率和/或下肢肌肉疲劳度。在一些实施例中，前述拟合处理操作可以例如是时间序列加权平滑拟合或三角函数谱拟合。
在一个实施例中，首先可以根据表面肌电检测波形图计算左下肢肌肉贡献率和右下肢肌肉贡献率，接着基于左下肢肌肉贡献率和右下肢肌肉贡献率计算双下肢肌肉贡献率。在一个实现场景中，可以通过如下公式计算双下肢肌肉贡献率：
其中，表示双下肢肌肉贡献率，/>表示左下肢肌肉贡献率，表示右下肢肌肉贡献率，/>表示求解范数。
对于下肢肌肉疲劳度来说，可以根据表面肌电检测波形图计算各目标肌肉在预设窗口的频域分布，以基于各目标肌肉在预设窗口的频域分布计算对应的主频率频道，以确定下肢肌肉疲劳度。在一些实施例中，在计算各目标肌肉在预设窗口的频域分布之前，首先可以对表面肌电检测波形图进行例如离散傅里叶变换，以将表面肌电检测波形图由时域波形图转换进频域空间，从而计算各目标肌肉在预设窗口的频域分布。进一步地，基于各目标肌肉在预设窗口的频域分布计算对应的主频率频道。作为示例，假设主频率频道记为I，则/>，根据该主频率频道，可以确定下肢肌肉疲劳度。例如当主频率频道小于预设阈值时，确定下肢肌肉处于疲劳状态。
在获得上述目标判定参数（例如足部重心偏移度、足部重心轨迹曲线、下肢肌肉贡献率和/或下肢肌肉疲劳度）后，在步骤103处，将目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果。在一个实施例中，前述神经网络模型可以包括多个，并且多个神经网络模型至少包括决策树模型和贝叶斯模型。具体地，将目标判定参数分别输入至每个神经网络模型中进行例如特征提取以及分类操作，以对应输出各自的防摔倒判定结果，进而根据多个神经网络模型各自的防摔倒判定结果确定最终防摔倒判定结果。可以理解，前述多个神经网络模型各自的防摔倒判定结果为是否发生摔倒的概率。更为具体地，可以取多个神经网络模型各自的防摔倒判定结果中概率的最大值，并将其与预设阈值进行比较，以确定最终防摔倒判定结果。另外，也可以取多个神经网络模型各自的防摔倒判定结果的平均值，并将其与预设阈值进行比较，以确定最终防摔倒判定结果。
例如在一个示例性场景中，假设神经网络模包括决策树模型和贝叶斯模型，通过将上述足部重心偏移度、足部重心轨迹曲线、下肢肌肉贡献率和/或下肢肌肉疲劳度分别输入至决策树模型和贝叶斯模型中，以对应获得基于决策树模型输出的判定结果（例如0.5）和基于贝叶斯模型输出的判定结果（例如0.7）。在该场景下，可以将贝叶斯模型输出的判定结果与预设阈值（例如0.5）进行比较，超过预设阈值就判定最终防摔倒判定结果为存在摔倒风险，此时由于贝叶斯模型输出的判定结果0.7超过预设阈值0.5，由此最终防摔倒判定结果为存在摔倒风险。反之则最终防摔倒判定结果为不存在摔倒风险。
另外，也可以将决策树模型输出的判定结果和基于贝叶斯模型输出的判定结果的平均值（例如0.6）与预设阈值进行比较。类似地，当平均值超过预设阈值就判定最终防摔倒判定结果为存在摔倒风险，此时由于决策树模型输出的判定结果和贝叶斯模型输出的判定结果的平均值0.6超过预设阈值0.5，由此最终防摔倒判定结果为存在摔倒风险。反之则最终防摔倒判定结果为不存在摔倒风险。基于前述最终防摔倒判定结果，可以在摔倒事件发生之前提醒待被判定者及时调整步态，避免摔倒事件发生。
在一个实施例中，本申请还获取待被判定者的基础信息，将基础信息和目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果。在一些实施例中，前述基础信息可以包括但不仅限于是待被判定者的年龄信息、历史摔倒信息（例如摔倒次数，摔倒姿态以及原因等）或者疾病史信息（例如高血压、心脏病等）中的一种或者多种。例如，前述基础信息还可以包括各关节（例如踝关节、后足、前足、膝关节等）的检查信息等。基于此，通过基础信息和目标判定参数联合判定，可以进一步提升判定结果的精度，确保判定结果的准确性。
结合上述描述可知，本申请实施例通过采集被判定者的足底压力检测信号和/或下肢表面肌电检测信号，并从中提取与防摔倒判定有关且具有前瞻性的目标判定参数，再基于人工智能模型来进行防摔倒判定。基于此，能够在摔倒事件发生之前，高效且准确地获得防摔倒判定结果，从而及时提醒待被判定者调整步态，避免摔倒事件发生。进一步地，本申请实施例还通过多个神经网络模型进行融合判定以及结合待被判定者的基础信息进行判定，从而极大地提高了神经网络的判定精度，确保了防摔倒判定结果的可靠性。
图2是示出根据本申请实施例的足部的多个目标检测点以及下肢的多个目标肌肉的示例性示意图。如图2中的（a）图所示，多个目标检测点包括足部大脚趾201、第一跖骨202、第二三跖骨203、第四五跖骨204、足弓内侧205、足跟内侧206、足跟外侧207和足跟后侧208。如前所述，可以通过在前述多个目标检测点处设置对应设置的多个压力传感器，每个压力传感器对应各个目标检测点感测待被判定者足部的压力而产生相应的电阻变化，以检测待被判定者的足底在多个目标检测点的压力检测信号。基于采集的前述压力检测信号，可以计算足部重心偏移度和/或重心轨迹曲线并将其作为神经网络模型的输入数据，以实现防摔倒判定。
如图2中的（b）图所示，多个目标肌肉包括股直肌209、股外侧肌210、股内侧肌211、股二头肌212、半腱肌213、腓骨长肌214、胫骨前肌215、腓肠肌外侧肌216、腓肠肌内侧肌217和比目鱼肌218。如前所述，通过在前述多个目标肌肉处对应设置多个表面感应电极感测待被判定者下肢神经肌肉所产生的表面电生理信号，以采集待被判定者双下肢在多个目标肌肉处的表面肌电检测信号。基于获得的表面肌电检测信号，可以计算下肢肌肉贡献率和/或下肢肌肉疲劳度，并将其作为神经网络模型的输入数据，以实现防摔倒判定。
图3是示出根据本申请实施例的采集足底在多个目标检测点的压力检测信号的示例性示意图。如图3中所示，通过在多个目标检测点（例如上述图2中所示的多个目标检测点）设置多个压力传感器301。在一个实现场景中，该多个压力传感器301可以与数据处理单元302通过有线或者无线进行通信连接，例如图中示出多个压力传感器301与数据处理单元302之间通过有线连接。
在该场景下，首先经由多个压力传感器301获取待被判定者双脚足底在多个目标检测点的压力检测信号，接着通过数据处理单元302将压力检测信号处理成压力检测时间序列点集，进而根据上述公式（1）-公式（3）计算足部重心偏移度和/或重心轨迹曲线。关于前述计算的更多细节，可参考上述图1的描述，本申请在此不再赘述。
图4是示出根据本申请实施例的采集下肢表面肌电检测信号的示例性示意图。如图4中所示，通过在多个目标肌肉处（例如图中的多个小圆圈所示，其对应上述图2中所示的多个目标肌肉）设置多个表面感应电极（例如图中的多个小矩形框所示）401，每个表面感应电极401可以对应粘贴在各个目标肌肉处。在一个实现场景中，该多个表面感应电极401可以与数据处理单元302通过有线或者无线进行通信连接，例如图中示出多个表面感应电极401与数据处理单元302之间通过有线连接。
在该场景下，首先经由多个表面感应电极401获取被判定者双下肢在多个目标肌肉处的表面肌电检测信号，接着通过数据处理单元302将表面肌电检测信号处理成表面肌电检测波形图，进而根据上述公式（4）以及各目标肌肉在预设窗口的频域分布计算对应的主频率频道，计算下肢肌肉贡献率和/或下肢肌肉疲劳度。关于前述计算的更多细节，可参考上述图1的描述，本申请在此不再赘述。
图5是示出根据本申请实施例的基于神经网络模型进行防摔倒判定的整体的示例性流程框图。需要理解的是，图5是上述图1的方法100的一个具体实施例，因此上述关于图1所作的描述同样适用于图5。
如图5中所示，在步骤501处，采集待被判定者的足底压力检测信号和/或下肢表面肌电检测信号。参考上述图2-图4，可以通过在多个目标检测点处设置对应设置的多个压力传感器，每个压力传感器对应各个目标检测点感测待被判定者足部的压力而产生相应的电阻变化，以检测待被判定者的足底在多个目标检测点的压力检测信号。在一些实施例中，前述多个目标检测点包括足部大脚趾、第一跖骨、第二三跖骨、第四五跖骨、足弓内侧、足跟内侧、足跟外侧和足跟后侧。通过对应设置在多个目标肌肉处的多个表面感应电极感测被判定者下肢神经肌肉所产生的表面电生理信号，以检测被判定者双肢在目标肌肉处的表面肌电检测信号。在一些实施例中，前述多个目标肌肉包括股直肌、股外侧肌、股内侧肌、股二头肌、半腱肌、腓骨长肌、胫骨前肌、腓肠肌外侧肌、腓肠肌内侧肌和比目鱼肌。
接着，在步骤502处，根据压力检测信号和/或表面肌电检测信号计算与防摔倒判定有关且具有前瞻性的目标判定参数。在一个实施例中，前述目标判定参数至少包括待被判定者的足部重心偏移度、足部重心轨迹曲线和待被判定者的下肢肌肉贡献率、下肢肌肉疲劳度。具体地，可以根据压力检测信号计算待被判定者的足部重心偏移度和/或足部重心轨迹曲线，根据表面肌电检测信号计算待被判定者的下肢肌肉贡献率和/或下肢肌肉疲劳度。
其中，在计算足部重心偏移度和/或足部重心轨迹曲线时，首先可以对压力检测信号进行预处理操作（例如去除异常点、滤波或者平滑等），以获得预处理后的电阻信号，进而对预处理后的电阻信号进行模数转换，以获得数字电压信号。接着，根据可编程压力测试计来对前述数字电压信号进行标定，以获得标定后的数字电压信号，并通过例如离散线性插值或高阶多项式插值，将压力检测信号处理成压力检测时间序列点集，以根据压力检测时间序列点集计算足部重心偏移度和/或足部重心轨迹曲线。更为具体地，可以基于上述公式（1）-公式（3）计算足部重心偏移度和/或足部重心轨迹曲线。
在计算下肢肌肉贡献率和/或下肢肌肉疲劳度时，首先可以通过对表面肌电检测信号进行拟合处理操作，以将表面肌电检测信号处理成表面肌电检测波形图。接着，可以通过上述公式（4）计算下肢肌肉贡献率。此外，还可以通过将对表面肌电检测波形图进行例如离散傅里叶变换，以将表面肌电检测波形图由时域波形图转换进频域空间，从而计算各目标肌肉在预设窗口的频域分布。进一步地，基于各目标肌肉在预设窗口的频域分布计算对应的主频率频道，以确定下肢肌肉疲劳度。
基于上述获得的目标判定参数（例如足部重心偏移度、足部重心轨迹曲线、下肢肌肉贡献率和/或下肢肌肉疲劳度），在步骤503和步骤504处，将目标判定参数分别输入至决策树模型和贝叶斯模型进行防摔倒判定，以获得各自的防摔倒判定结果。进一步地，在步骤505处，根据各个模型的防摔倒判定结果进行融合判定，以步骤506处，获得最终防摔倒判定结果。具体地，可以取多个神经网络模型各自的防摔倒判定结果中概率的最大值，并将其与预设阈值进行比较，以确定最终防摔倒判定结果。还可以取多个神经网络模型各自的防摔倒判定结果的平均值，并将其与预设阈值进行比较，以确定最终防摔倒判定结果。
此外，在一些实施例中，本申请还可以获取被待判定者的基础信息，例如图5中的步骤507所示。通过将基础信息和目标判定参数均作为输入数据输入至决策树模型和贝叶斯模型进行防摔倒判定，以获得各自的防摔倒判定结果。基于此，提高了神经网络的判定精度以及提高了防摔倒判定结果的可靠性。
图6是示出根据本申请实施例的基于神经网络模型进行防摔倒判定的设备600的示例性结构框图。
如图6中所示，本申请的设备可以包括中央处理器或中央处理单元（“CPU”）611，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，设备600还可以包括大容量存储器612和只读存储器（“ROM”）613，其中大容量存储器612可以配置用于存储各类数据，包括各种压力检测信号、压力检测时间序列点集、足部重心偏移度和/或足部重心轨迹曲线、表面肌电检测信号、表面肌电检测波形图、肌肉贡献率和/或肌肉疲劳度、算法数据、中间结果和运行设备600所需要的各种程序。ROM可以配置成存储对于设备600的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据和指令。
可选地，设备600还可以包括其他的硬件平台或组件，例如示出的张量处理单元（“TPU”）614、图形处理单元（“GPU”）615、现场可编程门阵列（“FPGA”）616和机器学习单元（“MLU”）617。可以理解的是，尽管在设备600中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件。例如，设备600可以仅包括CPU、相关存储设备和接口设备来实现本申请的基于神经网络模型进行防摔倒判定的方法。
在一些实施例中，为了便于数据与外部网络的传递和交互，本申请的设备600还包括通信接口618，从而可以通过该通信接口618连接到局域网/无线局域网（“LAN/WLAN”）605，进而可以通过该LAN/WLAN连接到本地服务器606或连接到因特网（“Internet”）607。替代地或附加地，本申请的设备600还可以通过通信接口618基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第3代（“3G”）、第4代（“4G”）或第5代（“5G”）的无线通信技术。在一些应用场景中，本申请的设备600还可以根据需要访问外部网络的服务器608和数据库609，以便获得各种已知的算法、数据和模块，并且可以远程地存储各种数据，例如用于呈现压力检测信号、压力检测时间序列点集、足部重心偏移度和/或足部重心轨迹曲线、表面肌电检测信号、表面肌电检测波形图、肌肉贡献率和/或肌肉疲劳度等的各类数据或指令。
设备600的外围设备可以包括显示装置602、输入装置603和数据传输接口604。在一个实施例中，显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本申请的基于神经网络模型进行防摔倒判定进行语音提示和/或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件，其配置用于接收音频数据的输入和/或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口（“USB”）、小型计算机系统接口（“SCSI”）、串行ATA、火线（“FireWire”）、PCI Express和高清多媒体接口（“HDMI”）等，其配置用于与其他设备或系统的数据传输和交互。根据本申请的方案，该数据传输接口604可以接收来自于多个压力传感器采集的压力检测信号和多个表面感应电极采集的表面肌电检测信号，并且向设备600传送包括压力检测信号、表面肌电检测信号或各种其他类型的数据或结果。
本申请的设备600的上述CPU、大容量存储器、ROM、TPU、GPU、FPGA、MLU和通信接口可以通过总线619相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线619，CPU可以控制设备600中的其他硬件组件及其外围设备。
以上结合图6描述了可以用于执行本申请的基于神经网络模型进行防摔倒判定的设备。需要理解的是这里的设备结构或架构仅仅是示例性的，本申请的实现方式和实现实体并不受其限制，而是可以在不偏离本申请的精神下做出改变。
根据上述结合附图的描述，本领域技术人员也可以理解本申请的实施例还可以通过软件程序来实现。由此本申请还提供了一种计算机可读存储介质。该计算机可读存储介质可以用于实现本申请结合附图1、图5所描述的基于神经网络模型进行防摔倒判定的方法。
应当注意，尽管在附图中以特定顺序描述了本申请方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
应当理解，当本申请的权利要求、当说明书及附图中使用到术语“第一”、“第二”、“第三”和“第四”等时，其仅用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
虽然本申请的实施方式如上，但所述内容只是为便于理解本申请而采用的实施例，并非用以限定本申请的范围和应用场景。任何本申请所述技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (15)
1.一种基于神经网络模型进行防摔倒判定的方法，其特征在于，包括：
采集待被判定者的足底在多个目标检测点的压力检测信号和/或所述待被判定者的下肢在多个目标肌肉处的表面肌电检测信号；
根据所述压力检测信号和/或所述表面肌电检测信号计算与防摔倒判定有关且具有前瞻性的目标判定参数；以及
将所述目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果。
2.根据权利要求1所述的方法，其特征在于，所述目标判定参数至少包括所述待被判定者的足部重心偏移度、足部重心轨迹曲线和所述待被判定者的下肢肌肉贡献率、下肢肌肉疲劳度。
3.根据权利要求2所述的方法，其特征在于，根据所述压力检测信号和/或所述表面肌电检测信号计算与防摔倒判定有关的目标判定参数包括：
根据所述压力检测信号计算所述待被判定者的所述足部重心偏移度和/或所述足部重心轨迹曲线；和/或
根据所述表面肌电检测信号计算所述待被判定者的所述下肢肌肉贡献率和/或所述下肢肌肉疲劳度。
4.根据权利要求3所述的方法，其特征在于，根据所述压力检测信号计算所述待被判定者的所述足部重心偏移度和/或所述足部重心轨迹曲线包括：
将所述压力检测信号处理成压力检测时间序列点集；以及
根据所述压力检测时间序列点集计算所述足部重心偏移度和/或所述足部重心轨迹曲线。
5.根据权利要求4所述的方法，其特征在于，根据所述压力检测时间序列点集计算所述足部重心偏移度和/或所述足部重心轨迹曲线包括：
根据所述压力检测时间序列点集计算压强累计冲量；
基于所述压强累计冲量计算所述足部重心偏移度；和/或
根据所述压力检测时间序列点集计算所述足部重心轨迹曲线。
6.根据权利要求5所述的方法，其特征在于，所述足部重心偏移度包括左右脚重心偏移度和前后脚掌重心偏移度，所述压强累计冲量包括左脚压强累计冲量和右脚压强累计冲量以及前脚掌压强累计冲量和后脚掌压强累计冲量，并且基于所述压强累计冲量计算所述足部重心偏移度包括：
基于所述左脚压强累计冲量和所述右脚压强累计冲量计算所述左右脚重心偏移度；以及
基于所述前脚掌压强累计冲量和所述后脚掌压强累计冲量计算所述前后脚掌重心偏移度。
7.根据权利要求3所述的方法，其特征在于，根据所述表面肌电检测信号计算所述待被判定者的所述下肢肌肉贡献率和/或下肢肌肉疲劳度包括：
将所述表面肌电检测信号处理成表面肌电检测波形图；以及
根据所述表面肌电检测波形图计算所述下肢肌肉贡献率和/或所述下肢肌肉疲劳度。
8.根据权利要求7所述的方法，其特征在于，根据所述表面肌电检测波形图计算所述下肢肌肉贡献率包括：
根据所述表面肌电检测波形图计算左下肢肌肉贡献率和右下肢肌肉贡献率；以及
基于所述左下肢肌肉贡献率和所述右下肢肌肉贡献率计算双下肢肌肉贡献率。
9.根据权利要求7所述的方法，其特征在于，根据所述表面肌电检测波形图计算所述下肢肌肉疲劳度包括：
根据所述表面肌电检测波形图计算各所述目标肌肉在预设窗口的频域分布；以及
基于各所述目标肌肉在预设窗口的频域分布计算对应的主频率频道，以确定所述下肢肌肉疲劳度。
10.根据权利要求1-9任意一项所述的方法，其特征在于，所述神经网络模型包括多个，并且将所述目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果包括：
将所述目标判定参数分别输入至每个所述神经网络模型中，对应输出各自的防摔倒判定结果；以及
根据多个所述神经网络模型各自的防摔倒判定结果确定最终防摔倒判定结果。
11.根据权利要求10所述的方法，其特征在于，多个所述神经网络模型至少包括决策树模型和贝叶斯模型。
12.根据权利要求1所述的方法，其特征在于，还包括：
获取所述待被判定者的基础信息；以及
将所述基础信息和所述目标判定参数输入至神经网络模型进行防摔倒判定，以输出防摔倒判定结果。
13.根据权利要求12所述的方法，其特征在于，所述基础信息至少包括所述待被判定者的年龄信息、历史摔倒信息或者疾病史信息中的一种或者多种。
14.一种基于神经网络模型进行防摔倒判定的设备，其特征在于，包括：
处理器；以及
存储器，其存储有基于神经网络模型进行防摔倒判定的程序指令，当所述程序执行由处理器执行时，使得实现根据权利要求1-13任意一项所述的方法。
15.一种计算机可读存储介质，其特征在于，其上存储有基于神经网络模型进行防摔倒判定的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现根据权利要求1-13任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311391095.XA CN117100255B (zh) | 2023-10-25 | 2023-10-25 | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311391095.XA CN117100255B (zh) | 2023-10-25 | 2023-10-25 | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117100255A true CN117100255A (zh) | 2023-11-24 |
| CN117100255B CN117100255B (zh) | 2024-01-23 |
Family
ID=88806052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311391095.XA Active CN117100255B (zh) | 2023-10-25 | 2023-10-25 | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117100255B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117122312A (zh) * | 2023-10-26 | 2023-11-28 | 四川大学华西医院 | 防摔倒预警系统、方法、设备、存储介质和足底电子皮肤 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070179561A1 (en) * | 2006-01-31 | 2007-08-02 | Good Samaritan Children's Therapy Unit | Muscle stimulation method and system to improve walking |
| CN102783766A (zh) * | 2012-08-28 | 2012-11-21 | 中国科学院深圳先进技术研究院 | 一种预防跌倒的装置 |
| JP2013055982A (ja) * | 2011-09-07 | 2013-03-28 | Seiko Epson Corp | 心房細動判定装置、心房細動判定方法およびプログラム |
| CN105930871A (zh) * | 2016-04-26 | 2016-09-07 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的老年人防摔倒技术 |
| CN106096033A (zh) * | 2016-06-27 | 2016-11-09 | 北京大学深圳研究生院 | 足底压力信息分析方法、装置及系统 |
| US20160327522A1 (en) * | 2014-02-17 | 2016-11-10 | Mitsubishi Electric Corporation | Abnormal sound detection device, abnormal processing-machine-sound detection system, and abnormal sound detection method |
| KR20170002742A (ko) * | 2015-06-29 | 2017-01-09 | 한국표준과학연구원 | 족압을 이용한 스마트 신발 시스템, 족압을 이용한 스마트 신발, 제조방법 및 그 제어방법 |
| CN106683341A (zh) * | 2016-12-26 | 2017-05-17 | 吴中区穹窿山倪源交通器材经营部 | 一种用于防止摔倒的智能化提醒方法 |
| CN106725509A (zh) * | 2016-12-15 | 2017-05-31 | 佛山科学技术学院 | 基于脑卒中患者的运动功能综合评估方法 |
| US20190110732A1 (en) * | 2012-06-14 | 2019-04-18 | Autonomix Medical, Inc. | Devices, Systems, and Methods for Diagnosis and Treatment of Overactive Bladder |
| WO2019114708A1 (zh) * | 2017-12-11 | 2019-06-20 | 丁贤根 | 一种运动数据监测方法和系统 |
| US20200054248A1 (en) * | 2018-08-15 | 2020-02-20 | Industrial Technology Research Institute | Exercise state evaluation method |
| CN111134670A (zh) * | 2020-01-13 | 2020-05-12 | 南京医科大学 | 一种基于生成对抗网络多模态平衡障碍量化评估方法及系统 |
| CN112263244A (zh) * | 2020-09-15 | 2021-01-26 | 清华大学 | 基于步态的疲劳度评估系统及方法 |
| CN113496216A (zh) * | 2021-08-31 | 2021-10-12 | 四川大学华西医院 | 一种基于骨骼关键点的多角度跌倒高危识别方法及系统 |
| CN114343613A (zh) * | 2021-12-31 | 2022-04-15 | 福建世新机器人科技有限公司 | 一种基于足底压力的运动检测装置 |
| CN114587343A (zh) * | 2022-03-09 | 2022-06-07 | 南京邮电大学 | 一种基于步态信息的下肢疲劳等级识别方法及系统 |
| CN114668391A (zh) * | 2022-03-31 | 2022-06-28 | 浙江科技学院 | 一种老人摔倒判断设备及方法 |
| CN115797499A (zh) * | 2022-11-24 | 2023-03-14 | 北京华益精点生物技术有限公司 | 重心轨迹绘制方法、装置、电子设备及存储介质 |
| US20230129851A1 (en) * | 2021-10-22 | 2023-04-27 | Honda Motor Co., Ltd. | Standing-up assist device |
-
2023
- 2023-10-25 CN CN202311391095.XA patent/CN117100255B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070179561A1 (en) * | 2006-01-31 | 2007-08-02 | Good Samaritan Children's Therapy Unit | Muscle stimulation method and system to improve walking |
| JP2013055982A (ja) * | 2011-09-07 | 2013-03-28 | Seiko Epson Corp | 心房細動判定装置、心房細動判定方法およびプログラム |
| US20190110732A1 (en) * | 2012-06-14 | 2019-04-18 | Autonomix Medical, Inc. | Devices, Systems, and Methods for Diagnosis and Treatment of Overactive Bladder |
| CN102783766A (zh) * | 2012-08-28 | 2012-11-21 | 中国科学院深圳先进技术研究院 | 一种预防跌倒的装置 |
| US20160327522A1 (en) * | 2014-02-17 | 2016-11-10 | Mitsubishi Electric Corporation | Abnormal sound detection device, abnormal processing-machine-sound detection system, and abnormal sound detection method |
| KR20170002742A (ko) * | 2015-06-29 | 2017-01-09 | 한국표준과학연구원 | 족압을 이용한 스마트 신발 시스템, 족압을 이용한 스마트 신발, 제조방법 및 그 제어방법 |
| CN105930871A (zh) * | 2016-04-26 | 2016-09-07 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的老年人防摔倒技术 |
| CN106096033A (zh) * | 2016-06-27 | 2016-11-09 | 北京大学深圳研究生院 | 足底压力信息分析方法、装置及系统 |
| CN106725509A (zh) * | 2016-12-15 | 2017-05-31 | 佛山科学技术学院 | 基于脑卒中患者的运动功能综合评估方法 |
| CN106683341A (zh) * | 2016-12-26 | 2017-05-17 | 吴中区穹窿山倪源交通器材经营部 | 一种用于防止摔倒的智能化提醒方法 |
| WO2019114708A1 (zh) * | 2017-12-11 | 2019-06-20 | 丁贤根 | 一种运动数据监测方法和系统 |
| US20200054248A1 (en) * | 2018-08-15 | 2020-02-20 | Industrial Technology Research Institute | Exercise state evaluation method |
| CN111134670A (zh) * | 2020-01-13 | 2020-05-12 | 南京医科大学 | 一种基于生成对抗网络多模态平衡障碍量化评估方法及系统 |
| CN112263244A (zh) * | 2020-09-15 | 2021-01-26 | 清华大学 | 基于步态的疲劳度评估系统及方法 |
| CN113496216A (zh) * | 2021-08-31 | 2021-10-12 | 四川大学华西医院 | 一种基于骨骼关键点的多角度跌倒高危识别方法及系统 |
| US20230129851A1 (en) * | 2021-10-22 | 2023-04-27 | Honda Motor Co., Ltd. | Standing-up assist device |
| CN114343613A (zh) * | 2021-12-31 | 2022-04-15 | 福建世新机器人科技有限公司 | 一种基于足底压力的运动检测装置 |
| CN114587343A (zh) * | 2022-03-09 | 2022-06-07 | 南京邮电大学 | 一种基于步态信息的下肢疲劳等级识别方法及系统 |
| CN114668391A (zh) * | 2022-03-31 | 2022-06-28 | 浙江科技学院 | 一种老人摔倒判断设备及方法 |
| CN115797499A (zh) * | 2022-11-24 | 2023-03-14 | 北京华益精点生物技术有限公司 | 重心轨迹绘制方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 宁宁;侯晓玲;陈海霞;: "老年人跌倒与平衡功能相关研究的最新进展", 现代护理, no. 01 * |
| 莫仕围;徐冬青;李静先;: "步态终止对身体姿势稳定性影响研究", 中国运动医学杂志, no. 01, pages 94 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117122312A (zh) * | 2023-10-26 | 2023-11-28 | 四川大学华西医院 | 防摔倒预警系统、方法、设备、存储介质和足底电子皮肤 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117100255B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6236862B2 (ja) | 老年障害リスクの算出方法 | |
| CN107753026B (zh) | 针对脊柱腿部健康的智能鞋自适应监测方法 | |
| Novak et al. | Automated detection of gait initiation and termination using wearable sensors | |
| CN110916679B (zh) | 一种人体下肢位姿步态检测装置及方法 | |
| CN117100255B (zh) | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 | |
| JP6433805B2 (ja) | 運動機能診断装置及び方法、並びにプログラム | |
| TW201403535A (zh) | 步態分析方法及步態分析系統 | |
| Howcroft et al. | Prospective elderly fall prediction by older-adult fall-risk modeling with feature selection | |
| Hossain et al. | Deepbbwae-net: A cnn-rnn based deep superlearner for estimating lower extremity sagittal plane joint kinematics using shoe-mounted imu sensors in daily living | |
| CN108143420A (zh) | 一种用于测量足压的鞋垫和检测足压的方法 | |
| Ryu et al. | sEMG-signal and IMU sensor-based gait sub-phase detection and prediction using a user-adaptive classifier | |
| CN112115923A (zh) | 一种基于直接特征提取的多通道时序步态分析算法 | |
| Song et al. | Adaptive neural fuzzy reasoning method for recognizing human movement gait phase | |
| CN115486837A (zh) | 一种步态分析方法、系统以及改善行走障碍的装置 | |
| Choi et al. | Determination of input variables for the development of a gait asymmetry expert system in patients with idiopathic scoliosis | |
| Bajpai et al. | A novel instrumented outsole for real-time foot kinematic measurements: validation across different speeds and simulated foot landing | |
| Tsakanikas et al. | Gait and balance patterns related to Free-Walking and TUG tests in Parkinson’s Disease based on plantar pressure data | |
| Wang et al. | Assessment of gait characteristics in total knee arthroplasty patients using a hierarchical partial least squares method | |
| CN111820902B (zh) | 一种基于活动度特征的踝关节韧带损伤智能决策系统 | |
| Zhang et al. | Measuring gait symmetry in children with cerebral palsy using the SmartShoe | |
| CN116746913A (zh) | 一种基于压力传感器监测步态和身体健康的设备 | |
| Rodrigo et al. | Application of Kohonen maps to kinetic analysis of human gait | |
| KR102350593B1 (ko) | 딥러닝 앙상블을 이용한 멀티모달 센서 기반의 보행 패턴 분류를 위한 장치 및 방법 | |
| Wang et al. | Gait feature analysis of polyneuropathy patients | |
| Santhiranayagam et al. | Estimation of end point foot clearance points from inertial sensor data |
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 |