CN117116004A - 一种智能穿戴设备的摔倒警报方法、系统及介质 - Google Patents
一种智能穿戴设备的摔倒警报方法、系统及介质 Download PDFInfo
- Publication number
- CN117116004A CN117116004A CN202311387014.9A CN202311387014A CN117116004A CN 117116004 A CN117116004 A CN 117116004A CN 202311387014 A CN202311387014 A CN 202311387014A CN 117116004 A CN117116004 A CN 117116004A
- Authority
- CN
- China
- Prior art keywords
- user
- gesture
- information
- acquiring
- motion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims description 66
- 230000036772 blood pressure Effects 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 230000003862 health status Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000014221 sudden cardiac arrest Diseases 0.000 description 2
- 230000009429 distress Effects 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
- G08B21/0407—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
- G08B21/0453—Sensor means for detecting worn on the body to detect health condition by physiological monitoring, e.g. electrocardiogram, temperature, breathing
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Gerontology & Geriatric Medicine (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供了一种智能穿戴设备的摔倒警报方法、系统及介质，该方法包括：获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；判断姿态状态偏差率是否大于或等于预设的偏差率阈值；若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；根据求救信息对用户进行身体监控，获得身体状态监控数据；若小于，则配置监控模式，根据监控模式实时监控姿态数据；通过对用户姿态进行判断，当姿态出现较大的变化时，进行触发摔倒警报进行求救提醒，并对身体状态进行实时监控，保证在得到救护时，可以减少身体数据检查时间，提高救护效率。
Description
技术领域
本申请涉及摔倒预警领域，具体而言，涉及一种智能穿戴设备的摔倒警报方法、系统及介质。
背景技术
智能手环作为一款兴起未多久的高科技可穿戴式智能设备，功能越来越丰富。人们对运动健康监控也有了更高的要求与实现，人们在各种运动的情况下，例如：室外骑行、跑步等。很小概率会有摔倒这种突发情况；有时候人一摔倒可能是个严重事故。现有的摔倒警报过程中无法通过对用户的姿态进行判断，难以对人是否摔倒有精准的判断，且在人摔倒后是否有比较严重的问题无法作出应急处理，造成事故扩大，针对上述问题，目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种智能穿戴设备的摔倒警报方法、系统及介质，可以通过对用户姿态进行判断，当姿态出现较大的变化时，进行触发摔倒警报进行求救提醒，并对身体状态进行实时监控，保证在得到救护时，可以减少身体数据检查时间，提高救护效率。
本申请实施例还提供了一种智能穿戴设备的摔倒警报方法，包括：
获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；
判断所述姿态偏差率是否大于或等于预设的偏差率阈值；
若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；
根据求救信息对用户进行身体监控，获得身体状态监控数据；
若小于，则配置监控模式，根据监控模式实时监控姿态数据。
可选地，在本申请实施例所述的智能穿戴设备的摔倒警报方法中，所述获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率之前，还包括：
获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频；
将优化后的视频进行单帧处理，得到若干个单帧图片；
获取单帧图片的像素点，将相邻帧的图像像素点进行差分处理，得到差分结果；
将差分结果进行二值化处理，并设置差分阈值；
若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域；
若二值化处理后的差分结果小于差分阈值，则判定对应像素点的区域为静止区域。
可选地，在本申请实施例所述的智能穿戴设备的摔倒警报方法中，获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频，具体为：
获取用户运动视频，并对运动视频进行灰度化处理，并提取灰度图片；
获取灰度图片边缘信息，并将灰度图片进行区域分割，得到若干个子区域；
获取子区域像素值，将相邻子区域的像素值进行均值处理，得到像素均值；
像素均值处理后的两个子区域进行区域叠加，得到新的子区域；
将新的子区域的像素值与相邻的子区域的像素值再次进行均值处理，得到二次像素均值；
依次类推，直至所有子区域叠加融合，得到灰度图片全区域像素值。
可选地，在本申请实施例所述的智能穿戴设备的摔倒警报方法中，所述若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域之后，还包括：
获取运动区域范围，并提取运动区域内的运动特征；
将运动区域内的运动特征与预设的特征进行比较，得到特征偏差率；
判断所述特征偏差率是否大于或等于预设的特征偏差率阈值；
若大于或等于，则提取对应的运动特征，并进行向量处理，得到特征向量角；根据特征向量角计算用户倾斜角度信息，并对用户摔倒受力面进行预判；
若小于，则获取用户重心点姿态信息，并计算用户重心点的轨迹信息。
可选地，在本申请实施例所述的智能穿戴设备的摔倒警报方法中，若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报，具体为：
获取用户状态信息，根据用户状态获取不同时间节点的人体与地面的接触面积；
将接触面积与预设的面积阈值进行比较，得到接触面积变化值；
若接触面积变化值增加，则判定用户不动；
若接触面积变化值减小，则判定用户处于起身状态。
可选地，在本申请实施例所述的智能穿戴设备的摔倒警报方法中，根据求救信息对用户进行身体监控，获得身体状态监控数据，包括:
获取求救信息，并将求救信息传输至远程终端；
远程终端获取用户心率、血压数据，并将用户心率、血压数据与预设的阈值进行比较；
若用户心率、血压数据超过预设的阈值，则计算用户心率、血压数据上升或下降的时间，生成紧急处理措施，通过紧急处理措施对用户进行紧急处理；
若用户心率、血压数据低于预设的阈值，则获取当前用户姿态数据，判断用户用户是否自行起立；
若自行起立，则生成摔倒警报关闭提醒；
若无法自行起立，则进行调整摔倒警报频率。
第二方面，本申请实施例提供了一种智能穿戴设备的摔倒警报系统，该系统包括：存储器及处理器，所述存储器中包括智能穿戴设备的摔倒警报方法的程序，所述智能穿戴设备的摔倒警报方法的程序被所述处理器执行时实现以下步骤：
获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；
判断所述姿态偏差率是否大于或等于预设的偏差率阈值；
若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；
根据求救信息对用户进行身体监控，获得身体状态监控数据；
若小于，则配置监控模式，根据监控模式实时监控姿态数据。
可选地，在本申请实施例所述的智能穿戴设备的摔倒警报系统中，所述获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率之前，还包括：
获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频；
将优化后的视频进行单帧处理，得到若干个单帧图片；
获取单帧图片的像素点，将相邻帧的图像像素点进行差分处理，得到差分结果；
将差分结果进行二值化处理，并设置差分阈值；
若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域；
若二值化处理后的差分结果小于差分阈值，则判定对应像素点的区域为静止区域。
可选地，在本申请实施例所述的智能穿戴设备的摔倒警报系统中，获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频，具体为：
获取用户运动视频，并对运动视频进行灰度化处理，并提取灰度图片；
获取灰度图片边缘信息，并将灰度图片进行区域分割，得到若干个子区域；
获取子区域像素值，将相邻子区域的像素值进行均值处理，得到像素均值；
像素均值处理后的两个子区域进行区域叠加，得到新的子区域；
将新的子区域的像素值与相邻的子区域的像素值再次进行均值处理，得到二次像素均值；
依次类推，直至所有子区域叠加融合，得到灰度图片全区域像素值。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括智能穿戴设备的摔倒警报方法程序，所述智能穿戴设备的摔倒警报方法程序被处理器执行时，实现如上述任一项所述的智能穿戴设备的摔倒警报方法的步骤。
由上可知，本申请实施例提供的一种智能穿戴设备的摔倒警报方法、系统及介质，通过获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；判断所述姿态偏差率是否大于或等于预设的偏差率阈值；若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；根据求救信息对用户进行身体监控，获得身体状态监控数据；若小于，则配置监控模式，根据监控模式实时监控姿态数据；通过对用户姿态进行判断，当姿态出现较大的变化时，进行触发摔倒警报进行求救提醒，并对身体状态进行实时监控，保证在得到救护时，可以减少身体数据检查时间，提高救护效率的技术。
本申请的其他特征和优点将在随后的说明书阐述，本申请的目的和优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的智能穿戴设备的摔倒警报方法的流程图；
图2为本申请实施例提供的智能穿戴设备的摔倒警报方法的像素点分析处理流程图；
图3为本申请实施例提供的智能穿戴设备的摔倒警报方法的灰度图片全区域像素值计算流程图；
图4为本申请实施例提供的智能穿戴设备的摔倒警报系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种智能穿戴设备的摔倒警报方法的流程图。该智能穿戴设备的摔倒警报方法用于终端设备中，该智能穿戴设备的摔倒警报方法，包括以下步骤：
S101，获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；
S102，判断姿态偏差率是否大于或等于预设的偏差率阈值；
S103，若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；
S104，根据求救信息对用户进行身体监控，获得身体状态监控数据；
S105，若小于，则配置监控模式，根据监控模式实时监控姿态数据。
需要说明的是，通过分析用户姿态，当用户姿态出现较大偏差时，判定用户摔倒或即将摔倒，此时触发摔倒警报，对周围的人群进行提醒，提高用户的救护效率，此外在用户摔倒后通过对身体监控，实时监控身体状态数据，并对用户身体状态传输至远程终端，方便进行远程协助紧急处理，提高救护安全性。
请参照图2，图2是本申请一些实施例中的一种智能穿戴设备的摔倒警报方法的像素点分析处理流程图。根据本发明实施例，获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率之前，还包括：
S201，获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频，将优化后的视频进行单帧处理，得到若干个单帧图片；
S202，获取单帧图片的像素点，将相邻帧的图像像素点进行差分处理，得到差分结果；
S203，将差分结果进行二值化处理，并设置差分阈值；
S204，若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域；
S205，若二值化处理后的差分结果小于差分阈值，则判定对应像素点的区域为静止区域。
需要说明的是，通过对运动视频进行降噪处理，减少噪声干扰，提高运动视频处理的精准度，此外对视频进行单帧处理，并通过帧差法对图像的运动区域进行筛选，提高用户运行特征的判断精度。
请参照图3，图3是本申请一些实施例中的一种智能穿戴设备的摔倒警报方法的灰度图片全区域像素值计算流程图。根据本发明实施例，获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频，具体为：
S301，获取用户运动视频，并对运动视频进行灰度化处理，并提取灰度图片；
S302，获取灰度图片边缘信息，并将灰度图片进行区域分割，得到若干个子区域；
S303，获取子区域像素值，将相邻子区域的像素值进行均值处理，得到像素均值；像素均值处理后的两个子区域进行区域叠加，得到新的子区域；
S304，将新的子区域的像素值与相邻的子区域的像素值再次进行均值处理，得到二次像素均值；
S305，依次类推，直至所有子区域叠加融合，得到灰度图片全区域像素值。
需要说明的是，通过对灰度图片的像素值进行均值化处理后对子区域进行融合，提高灰度图片的处理效果，在进行像素值计算时，精度更高。
根据本发明实施例，若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域之后，还包括：
获取运动区域范围，并提取运动区域内的运动特征；
将运动区域内的运动特征与预设的特征进行比较，得到特征偏差率；
判断特征偏差率是否大于或等于预设的特征偏差率阈值；
若大于或等于，则提取对应的运动特征，并进行向量处理，得到特征向量角；根据特征向量角计算用户倾斜角度信息，并对用户摔倒受力面进行预判；
若小于，则获取用户重心点姿态信息，并计算用户重心点的轨迹信息。
需要说明的是，通过对运动区域筛选后进行单独处理，减少静止区域的干扰，分析用户倾斜角度进行预判用户摔倒过程的受力面，进行提前判断用户的摔伤情况，可以更加具有针对性的对用户身体监测数据进行分析。
根据本发明实施例，若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报，具体为：
获取用户状态信息，根据用户状态获取不同时间节点的人体与地面的接触面积；
将接触面积与预设的面积阈值进行比较，得到接触面积变化值；
若接触面积变化值增加，则判定用户不动；
若接触面积变化值减小，则判定用户处于起身状态。
需要说明的是，通过判断用户摔倒用的接触面积变化值，进行判断用户摔倒后是否起身，若起身，则进行警报关闭弹窗，若用户自身判断没有问题，则进行关闭，若无法起身，则进行报警，提高穿戴设备安全性。
根据本发明实施例，根据求救信息对用户进行身体监控，获得身体状态监控数据，包括:
获取求救信息，并将求救信息传输至远程终端；
远程终端获取用户心率、血压数据，并将用户心率、血压数据与预设的阈值进行比较；
若用户心率、血压数据超过预设的阈值，则计算用户心率、血压数据上升或下降的时间，生成紧急处理措施，通过紧急处理措施对用户进行紧急处理；
若用户心率、血压数据低于预设的阈值，则获取当前用户姿态数据，判断用户用户是否自行起立；
若自行起立，则生成摔倒警报关闭提醒；
若无法自行起立，则进行调整摔倒警报频率。
需要说明的是，人摔倒时角度的变化是不一定的,对用户姿态数据进行采集，判断摔倒后，将用户的心率血压等数据进行实时监控，将数据与标准数据对比，看是否有大出血或者心跳骤停等紧急危险情况，对用户摔倒后检测血压，心率等这些数据，看是否有明显的下降或短时间上升，能对紧急特殊情况做出判断和应急处理。
根据本发明实施例，运动视频降噪处理还包括：
通过均值滤波对运动视频进行降噪处理，均值滤波公式如下：
；
其中，表示均值滤波处理后的像素值，/>表示待处理的图像像素值，m表示相邻子区域内像素的总个数。
需要说明的是，人体运动视频的采集可以通过智能穿戴设备上的摄像头采集局部人体运动特征以及周边环境图像，根据周边环境图像作为基准进行分析人体倾斜状态以及用户姿态变化，因此获取人体运动姿态不需要采集全部的人体视频，且在进行判断人体是否发生摔倒时不需要采集全部的人体视频，只需要获取人体局部视频就可以分析用户姿态，如采集腿部视频，进行判断用户移动过程中腿部与地面之间的角度变化，进行判断是否出现倾斜或摔倒，此外通过外部环境（如建筑物或固定物体作为基准）进行辅助判断，提高判断效果。
请参照图4，图4是本申请一些实施例中的一种智能穿戴设备的摔倒警报系统的结构示意图。第二方面，本申请实施例提供了一种智能穿戴设备的摔倒警报系统4，该系统包括：存储器41及处理器42，存储器41中包括智能穿戴设备的摔倒警报方法的程序，智能穿戴设备的摔倒警报方法的程序被处理器执行时实现以下步骤：
获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；
判断姿态偏差率是否大于或等于预设的偏差率阈值；
若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；
根据求救信息对用户进行身体监控，获得身体状态监控数据；
若小于，则配置监控模式，根据监控模式实时监控姿态数据。
需要说明的是，通过分析用户姿态，当用户姿态出现较大偏差时，判定用户摔倒或即将摔倒，此时触发摔倒警报，对周围的人群进行提醒，提高用户的救护效率，此外在用户摔倒后通过对身体监控，实时监控身体状态数据，并对用户身体状态传输至远程终端，方便进行远程协助紧急处理，提高救护安全性。
根据本发明实施例，获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率之前，还包括：
获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频；
将优化后的视频进行单帧处理，得到若干个单帧图片；
获取单帧图片的像素点，将相邻帧的图像像素点进行差分处理，得到差分结果；
将差分结果进行二值化处理，并设置差分阈值；
若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域；
若二值化处理后的差分结果小于差分阈值，则判定对应像素点的区域为静止区域。
需要说明的是，通过对运动视频进行降噪处理，减少噪声干扰，提高运动视频处理的精准度，此外对视频进行单帧处理，并通过帧差法对图像的运动区域进行筛选，提高用户运行特征的判断精度。
根据本发明实施例，获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频，具体为：
获取用户运动视频，并对运动视频进行灰度化处理，并提取灰度图片；
获取灰度图片边缘信息，并将灰度图片进行区域分割，得到若干个子区域；
获取子区域像素值，将相邻子区域的像素值进行均值处理，得到像素均值；
像素均值处理后的两个子区域进行区域叠加，得到新的子区域；
将新的子区域的像素值与相邻的子区域的像素值再次进行均值处理，得到二次像素均值；
依次类推，直至所有子区域叠加融合，得到灰度图片全区域像素值。
需要说明的是，通过对灰度图片的像素值进行均值化处理后对子区域进行融合，提高灰度图片的处理效果，在进行像素值计算时，精度更高。
根据本发明实施例，若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域之后，还包括：
获取运动区域范围，并提取运动区域内的运动特征；
将运动区域内的运动特征与预设的特征进行比较，得到特征偏差率；
判断特征偏差率是否大于或等于预设的特征偏差率阈值；
若大于或等于，则提取对应的运动特征，并进行向量处理，得到特征向量角；根据特征向量角计算用户倾斜角度信息，并对用户摔倒受力面进行预判；
若小于，则获取用户重心点姿态信息，并计算用户重心点的轨迹信息。
需要说明的是，通过对运动区域筛选后进行单独处理，减少静止区域的干扰，分析用户倾斜角度进行预判用户摔倒过程的受力面，进行提前判断用户的摔伤情况，可以更加具有针对性的对用户身体监测数据进行分析。
根据本发明实施例，若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报，具体为：
获取用户状态信息，根据用户状态获取不同时间节点的人体与地面的接触面积；
将接触面积与预设的面积阈值进行比较，得到接触面积变化值；
若接触面积变化值增加，则判定用户不动；
若接触面积变化值减小，则判定用户处于起身状态。
需要说明的是，通过判断用户摔倒用的接触面积变化值，进行判断用户摔倒后是否起身，若起身，则进行警报关闭弹窗，若用户自身判断没有问题，则进行关闭，若无法起身，则进行报警，提高穿戴设备安全性。
根据本发明实施例，根据求救信息对用户进行身体监控，获得身体状态监控数据，包括:
获取求救信息，并将求救信息传输至远程终端；
远程终端获取用户心率、血压数据，并将用户心率、血压数据与预设的阈值进行比较；
若用户心率、血压数据超过预设的阈值，则计算用户心率、血压数据上升或下降的时间，生成紧急处理措施，通过紧急处理措施对用户进行紧急处理；
若用户心率、血压数据低于预设的阈值，则获取当前用户姿态数据，判断用户用户是否自行起立；
若自行起立，则生成摔倒警报关闭提醒；
若无法自行起立，则进行调整摔倒警报频率。
需要说明的是，人摔倒时角度的变化是不一定的,对用户姿态数据进行采集，判断摔倒后，将用户的心率血压等数据进行实时监控，将数据与标准数据对比，看是否有大出血或者心跳骤停等紧急危险情况，对用户摔倒后检测血压，心率等这些数据，看是否有明显的下降或短时间上升，能对紧急特殊情况做出判断和应急处理。
根据本发明实施例，运动视频降噪处理还包括：
通过均值滤波对运动视频进行降噪处理，均值滤波公式如下：
；
其中，表示均值滤波处理后的像素值，/>表示待处理的图像像素值，m表示相邻子区域内像素的总个数。
本发明第三方面提供了一种计算机可读存储介质，可读存储介质中包括智能穿戴设备的摔倒警报方法程序，智能穿戴设备的摔倒警报方法程序被处理器执行时，实现如上述任一项的智能穿戴设备的摔倒警报方法的步骤。
本发明公开的一种智能穿戴设备的摔倒警报方法、系统及介质，通过获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；判断所述姿态偏差率是否大于或等于预设的偏差率阈值；若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；根据求救信息对用户进行身体监控，获得身体状态监控数据；若小于，则配置监控模式，根据监控模式实时监控姿态数据；通过对用户姿态进行判断，当姿态出现较大的变化时，进行触发摔倒警报进行求救提醒，并对身体状态进行实时监控，保证在得到救护时，可以减少身体数据检查时间，提高救护效率的技术。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (5)
1.一种智能穿戴设备的摔倒警报方法，其特征在于，包括：
获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；
判断所述姿态偏差率是否大于或等于预设的偏差率阈值；
若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；
根据求救信息对用户进行身体监控，获得身体状态监控数据；
若小于，则配置监控模式，根据监控模式实时监控姿态数据；
所述获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率之前，还包括：
获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频；
将优化后的视频进行单帧处理，得到若干个单帧图片；
获取单帧图片的像素点，将相邻帧的图像像素点进行差分处理，得到差分结果；
将差分结果进行二值化处理，并设置差分阈值；
若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域；
若二值化处理后的差分结果小于差分阈值，则判定对应像素点的区域为静止区域；
获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频，具体为：
获取用户运动视频，并对运动视频进行灰度化处理，并提取灰度图片；
获取灰度图片边缘信息，并将灰度图片进行区域分割，得到若干个子区域；
获取子区域像素值，将相邻子区域的像素值进行均值处理，得到像素均值；
像素均值处理后的两个子区域进行区域叠加，得到新的子区域；
将新的子区域的像素值与相邻的子区域的像素值再次进行均值处理，得到二次像素均值；
依次类推，直至所有子区域叠加融合，得到灰度图片全区域像素值；
若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域之后，还包括：
获取运动区域范围，并提取运动区域内的运动特征；
将运动区域内的运动特征与预设的特征进行比较，得到特征偏差率；
判断所述特征偏差率是否大于或等于预设的特征偏差率阈值；
若大于或等于，则提取对应的运动特征，并进行向量处理，得到特征向量角；根据特征向量角计算用户倾斜角度信息，并对用户摔倒受力面进行预判；
若小于，则获取用户重心点姿态信息，并计算用户重心点的轨迹信息。
2.根据权利要求1所述的智能穿戴设备的摔倒警报方法，其特征在于，若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报，具体为：
获取用户状态信息，根据用户状态获取不同时间节点的人体与地面的接触面积；
将接触面积与预设的面积阈值进行比较，得到接触面积变化值；
若接触面积变化值增加，则判定用户不动；
若接触面积变化值减小，则判定用户处于起身状态。
3.根据权利要求2所述的智能穿戴设备的摔倒警报方法，其特征在于，根据求救信息对用户进行身体监控，获得身体状态监控数据，包括:
获取求救信息，并将求救信息传输至远程终端；
远程终端获取用户心率、血压数据，并将用户心率、血压数据与预设的阈值进行比较；
若用户心率、血压数据超过预设的阈值，则计算用户心率、血压数据上升或下降的时间，生成紧急处理措施，通过紧急处理措施对用户进行紧急处理；
若用户心率、血压数据低于预设的阈值，则获取当前用户姿态数据，判断用户用户是否自行起立；
若自行起立，则生成摔倒警报关闭提醒；
若无法自行起立，则进行调整摔倒警报频率。
4.一种智能穿戴设备的摔倒警报系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括智能穿戴设备的摔倒警报方法的程序，所述智能穿戴设备的摔倒警报方法的程序被所述处理器执行时实现以下步骤：
获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率；
判断所述姿态偏差率是否大于或等于预设的偏差率阈值；
若大于或等于，则触发摔倒警报，并判断用户状态是否移动，若不动，则配置求救模式，生成求救信息，并发出警报；
根据求救信息对用户进行身体监控，获得身体状态监控数据；
若小于，则配置监控模式，根据监控模式实时监控姿态数据；
所述获取用户姿态信息，将用户姿态信息与预设的姿态信息进行比较，得到姿态偏差率之前，还包括：
获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频；
将优化后的视频进行单帧处理，得到若干个单帧图片；
获取单帧图片的像素点，将相邻帧的图像像素点进行差分处理，得到差分结果；
将差分结果进行二值化处理，并设置差分阈值；
若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域；
若二值化处理后的差分结果小于差分阈值，则判定对应像素点的区域为静止区域；
获取用户运动视频，对运动视频进行降噪处理，得到优化后的视频，具体为：
获取用户运动视频，并对运动视频进行灰度化处理，并提取灰度图片；
获取灰度图片边缘信息，并将灰度图片进行区域分割，得到若干个子区域；
获取子区域像素值，将相邻子区域的像素值进行均值处理，得到像素均值；
像素均值处理后的两个子区域进行区域叠加，得到新的子区域；
将新的子区域的像素值与相邻的子区域的像素值再次进行均值处理，得到二次像素均值；
依次类推，直至所有子区域叠加融合，得到灰度图片全区域像素值；
若二值化处理后的差分结果大于差分阈值，则判定对应像素点的区域为运动区域之后，还包括：
获取运动区域范围，并提取运动区域内的运动特征；
将运动区域内的运动特征与预设的特征进行比较，得到特征偏差率；
判断所述特征偏差率是否大于或等于预设的特征偏差率阈值；
若大于或等于，则提取对应的运动特征，并进行向量处理，得到特征向量角；根据特征向量角计算用户倾斜角度信息，并对用户摔倒受力面进行预判；
若小于，则获取用户重心点姿态信息，并计算用户重心点的轨迹信息。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括智能穿戴设备的摔倒警报方法程序，所述智能穿戴设备的摔倒警报方法程序被处理器执行时，实现如权利要求1至3中任一项所述的智能穿戴设备的摔倒警报方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311387014.9A CN117116004A (zh) | 2023-10-25 | 2023-10-25 | 一种智能穿戴设备的摔倒警报方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311387014.9A CN117116004A (zh) | 2023-10-25 | 2023-10-25 | 一种智能穿戴设备的摔倒警报方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117116004A true CN117116004A (zh) | 2023-11-24 |
Family
ID=88806011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311387014.9A Pending CN117116004A (zh) | 2023-10-25 | 2023-10-25 | 一种智能穿戴设备的摔倒警报方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117116004A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012119903A1 (de) * | 2011-03-04 | 2012-09-13 | Deutsche Telekom Ag | Verfahren und system zur sturzerkennung und weitergabe eines alarms |
| CN106373336A (zh) * | 2016-08-30 | 2017-02-01 | 苏州品诺维新医疗科技有限公司 | 一种检测摔倒的方法及装置 |
| CN106530616A (zh) * | 2016-12-06 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种自动报警方法及系统 |
| CN106529418A (zh) * | 2016-10-19 | 2017-03-22 | 中国科学院计算技术研究所 | 一种跌倒检测及报警方法 |
| CN114926959A (zh) * | 2022-06-16 | 2022-08-19 | 王思杨 | 一种自发电老人跌倒报警装置及其跌倒判断方法 |
-
2023
- 2023-10-25 CN CN202311387014.9A patent/CN117116004A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012119903A1 (de) * | 2011-03-04 | 2012-09-13 | Deutsche Telekom Ag | Verfahren und system zur sturzerkennung und weitergabe eines alarms |
| CN106373336A (zh) * | 2016-08-30 | 2017-02-01 | 苏州品诺维新医疗科技有限公司 | 一种检测摔倒的方法及装置 |
| CN106529418A (zh) * | 2016-10-19 | 2017-03-22 | 中国科学院计算技术研究所 | 一种跌倒检测及报警方法 |
| CN106530616A (zh) * | 2016-12-06 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种自动报警方法及系统 |
| CN114926959A (zh) * | 2022-06-16 | 2022-08-19 | 王思杨 | 一种自发电老人跌倒报警装置及其跌倒判断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016414A (zh) | 一种检测高空抛物事件的方法、装置及楼面智能监控系统 | |
| CN106056079A (zh) | 一种图像采集设备及人脸五官的遮挡检测方法 | |
| CN109377697A (zh) | 一种密集摄像机头环境下快速报警处置方法 | |
| US20190130582A1 (en) | Exclusion zone in video analytics | |
| CN101163234A (zh) | 利用数据处理装置进行模式识别和图像监控的实现方法 | |
| CN108647575A (zh) | 基于光学视觉分析的溺水预警方法 | |
| CN112489368A (zh) | 智能跌倒识别与检测报警方法及系统 | |
| CN112165600A (zh) | 一种溺水的识别方法、装置、摄像头及计算机系统 | |
| EP2000998B1 (en) | Flame detecting method and device | |
| CN114469076B (zh) | 一种融合身份特征的独居老人跌倒识别方法及系统 | |
| CN113223046A (zh) | 一种监狱人员行为识别的方法和系统 | |
| KR101454644B1 (ko) | 보행자 추적기를 이용한 서성거림을 탐지하는 방법 | |
| CN115546904A (zh) | 基于目标检测时序跟踪并识别人员摔倒后的危险性的方法 | |
| CN115861915A (zh) | 消防通道监控方法、消防通道监控装置以及存储介质 | |
| US10885349B2 (en) | Method and apparatus for image processing | |
| De et al. | Fall detection method based on spatio-temporal feature fusion using combined two-channel classification | |
| CN117116004A (zh) | 一种智能穿戴设备的摔倒警报方法、系统及介质 | |
| CN111626273A (zh) | 基于原子性动作时序特性的摔倒行为识别系统及方法 | |
| CN111126100B (zh) | 报警方法、装置、电子设备及存储介质 | |
| CN114187666B (zh) | 边走路边看手机的识别方法及其系统 | |
| Lee et al. | Automated abnormal behavior detection for ubiquitous healthcare application in daytime and nighttime | |
| KR101732402B1 (ko) | 영상 감시를 통한 걸음걸이 모니터링 장치 및 방법 | |
| KR101407394B1 (ko) | 방치물 및 도난물 탐지 시스템 | |
| JP2012212301A (ja) | 異常検知装置 | |
| CN109815828A (zh) | 实现主动报警或求助行为检测控制的系统及方法 |
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 |