DE60116344T2 - Körperbewegungsüberwachungssystem und -verfahren - Google Patents

Körperbewegungsüberwachungssystem und -verfahren Download PDF

Info

Publication number
DE60116344T2
DE60116344T2 DE60116344T DE60116344T DE60116344T2 DE 60116344 T2 DE60116344 T2 DE 60116344T2 DE 60116344 T DE60116344 T DE 60116344T DE 60116344 T DE60116344 T DE 60116344T DE 60116344 T2 DE60116344 T2 DE 60116344T2
Authority
DE
Germany
Prior art keywords
transition
sitting
standing
monitoring system
posture
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.)
Expired - Lifetime
Application number
DE60116344T
Other languages
English (en)
Other versions
DE60116344D1 (de
Inventor
Kamiar Aminian
Bijan Najafi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ecole Polytechnique Federale de Lausanne EPFL
Original Assignee
Ecole Polytechnique Federale de Lausanne EPFL
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ecole Polytechnique Federale de Lausanne EPFL filed Critical Ecole Polytechnique Federale de Lausanne EPFL
Application granted granted Critical
Publication of DE60116344D1 publication Critical patent/DE60116344D1/de
Publication of DE60116344T2 publication Critical patent/DE60116344T2/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

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
    • 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
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B23/00—Exercising apparatus specially adapted for particular parts of the body
    • A63B23/02—Exercising apparatus specially adapted for particular parts of the body for the abdomen, the spinal column or the torso muscles related to shoulders (e.g. chest muscles)
    • A63B23/0244—Exercising apparatus specially adapted for particular parts of the body for the abdomen, the spinal column or the torso muscles related to shoulders (e.g. chest muscles) with signalling or indicating means, e.g. of incorrect posture, for deep-breathing exercises
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/08—Elderly
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • 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
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • 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
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pulmonology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Neurology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Control Of Electric Motors In General (AREA)

Description

  • Die vorliegende Erfindung betrifft ein System und ein Verfahren zum Überwachen von Körperbewegung, insbesondere, aber nicht ausschließlich, zum Bewerten des Fallrisikos und/oder zum Überwachen von Lauf- oder Rennperioden.
  • Das Fallen ist gewiß bei älteren Leuten die häufigste Unfallart zuhause und eine Hauptbedrohung für ihre Gesundheit und ihre Unabhängigkeit. Untersuchungen haben gezeigt, daß bei einer Stichprobe von in einer Gemeinschaft lebenden Personen, die über 75 Jahre alt waren, 32% mindestens einmal im Jahr fallen. Unter diesen ziehen sich 24% ernsthafte Verletzungen zu. Außerdem kann das Fallen das Selbstvertrauen und die Motivation einer älteren Person dramatisch verändern und ihre Fähigkeit, unabhängig zu fungieren, beeinflussen. Angesichts des wachsenden Anteils sehr alter Leute in der Bevölkerung von Industrienationen (im Jahre 2006 werden mehr als 47% der Älteren über 75 Jahre alt sein), ist das Fallen eines der Hauptprobleme dieses wichtigen Bevölkerungsteils.
  • Das Auswerten des Fallrisikos ist wichtig, weil es gestattet, den betroffenen Personen eine angepaßte Unterstützung und Vorsorgemaßnahmen besser zur Verfügung zu stellen. Das Fallrisiko wird im allgemeinen über einen Fragebogen bewertet, der sich mit Problemen der Subjektivität und begrenzten Genauigkeit beim Rücklauf beschäftigt, oder durch klinische und funktionale Bewertung einschließlich Haltung und Gang, Unabhängigkeit im täglichen Leben, Erkenntnisvermögen und Sehvermögen.
  • Nyberg und Gustafson („Patients falls in stroke rehabilitation. A challenge to rehabilitation strategies", Stroke, Bd. 26, S. 832–842, 1995) berichteten, daß viele Fälle bei Schlaganfallspatienten während Aktivitäten auftraten, in denen sie ihre Position änderten (z.B. Aufstehen, Hinsetzen oder das Einleiten des Laufens). Obwohl es einige Untersuchungen über die Beziehung der Haltungsübergangsdauer zu dem Fallrisiko gibt, haben die Untersuchungsverfahren ernsthafte Beschränkungen, da sie daraus bestehen, daß Tests unter der Einschränkung des Labors und Instrumenten, wie etwa einer Kraftplattform, durchgeführt werden.
  • Das Quantifizieren der täglichen physischen Aktivität ist ein bestimmender Faktor beim Bewerten der Lebensqualität von Personen mit eingeschränkter Mobilität, z.B. in hohem Alter. Operative Prozeduren und Pathologie, wie etwa Gelenkfehlfunktion und kardiovaskuläre Beeinträchtigung, begrenzen die Mobilität und physische Aktivität des Patienten. Eine zuverlässige Messung der physischen Aktivität im Alltagsleben würde eine bessere Bewertung der Nützlichkeit und der Relevanz einer Reihe medizinischer Behandlungen gestatten. Ständige Aufzeichnungen von Haltung und Bewegung rund um die Uhr können im allgemeinen bei der Verhaltensbewertung nützlich sein. Das Wesen von Haltungsübergängen zwischen Stehen, Sitzen und Liegen gestattet das Kategorisieren der Aktivitätsart und hilft auch beim besseren Verständnis von Problemen, die während täglicher Aktivität auftreten (Schwierigkeit beim Aufstehen von einem Stuhl, Fallen usw.). Die Fähigkeit zu sitzen und zu stehen kann man als eine physiologisch essentielle Funktion beim Menschen und als eine Vorbedingung für den Gang ansehen. In der Vergangenheit verließ sich die ambulante Messung physischer Aktivität oftmals auf den Einsatz eines Beschleunigungsmeßgerätes, das um die Hüfte, das Handgelenk oder das Fußgelenk gebunden wurde (siehe z.B. Patterson S. M., Krantz D. S., Montgomery L. C., Deuster P. A., Hedges S. M. und Nebel L. E., „Automated physical activity monitoring: validation and comparison with physiological and self-report measures", Psychophysiology, Bd. 30, S. 296–305, 1993. NG A. V. und Kent-Braun J. A. „Quantization of lower physical activity in persons with multiple sclerosis", Med. Sci. Sports Exerc., Bd. 29, S. 517–523, 1997), doch liefern diese Verfahren keine Informationen über die Aktivitätsart. Jüngst sind neue Systeme entwickelt worden, um die Aktivitätsart zu identifizieren (K. Aminian, Ph. Robert, E. E. Buchser, „Physical activity monitoring based on accelerometry: validation and comparison with video observation", Medical & Bio. Eng. & comp., Bd. 37, S. 1–5, März 1999), doch basieren diese Verfahren auf zwei verschiedenen Anbringungsstellen und sind aufgrund von Unbehagen, das durch Sensoren und Kabelfixierung verursacht wird, in bestimmten Fällen während Langzeitüberwachung von physischer Aktivität nicht leicht zu verwenden.
  • Aus KERR KM WHITE JA BARR DA MOLLAN RAB: „Analysis of the sit-stand-sit movement cycle in normal subjects" CLINICAL BIOMECHANICS, GB, BUTTERWORTH SCIENTIFIC LTD, GUILDFORD, Bd. 12, Nr. 4, 1. Juni 1997 (1997-06-01), Seiten 236–245, XP004081337 ISSN: 0268-0033 ist ein Körperbewegungsüberwachungssystem bekannt, das einen am Rumpf einer Person angebrachten Sensor, Verarbeitungsmittel, Anzeigemittel und Mittel zum Bestimmen zeitbezogener Daten während eines Haltungsübergangs aufweist, bekannt.
  • Die oben angeführten Probleme werden überwunden durch ein System nach Anspruch 1 und in einem Verfahren nach Anspruch 7.
  • Bevorzugt umfaßt der Sensor einen Miniaturkreisel.
  • Im vorliegenden Text ist der Ausdruck „Haltungsübergang" definiert als die Bewegung, die während eines Aufsteh- oder Hinsetzübergangs ausgeführt wird (z.B. Erheben vom Stuhl, Hinsetzen auf dem Stuhl).
  • Bei einer Ausführungsform der Erfindung enthält das System auch Mittel zum Bestimmen der Dauer eines Haltungsübergangs. Wie weiter unten gezeigt, kann mit einer derartigen Konfiguration das Fallrisiko anhand ambulanter Überwachung und während des Alltaglebens bei älteren Personen abgeschätzt werden. Dies führt zu einer Verbesserung bei ihrer Lebensqualität.
  • Bei einer weiteren Ausführungsform der Erfindung umfaßt das System auch ein Vertikalbeschleunigungsmeßgerät. Wie näher in dem Text gezeigt wird, gestattet dieses zusätzliche Element die Überwachung einer vollständigen physischen Aktivität, nämlich die Detektion von Körperhaltungen, wie etwa Sitzen, Stehen und Liegen zusammen mit einem Lauf- oder Rennzustand. Es sollte darauf hingewiesen werden, daß alle diese Detektionen von einem einzelnen, am Rumpf (bevorzugt an dem Brustkorb) angebrachten Sensor ausgeführt werden.
  • Bei einer weiteren Ausführungsform der Erfindung umfaßt das System auch Alarmmittel, die aktiviert werden, wenn die Qualität des Haltungsübergangs unter einem Schwellwert liegt. Die Qualität eines Haltungsübergangs wird über 3 Parameter bewertet, nämlich die mittlere und Standardabweichung der Haltungsübergangsdauer und das Auftreten anormaler sukzessiver Übergänge.
  • Die Erfindung wird nun beispielhaft anhand der folgenden Figuren beschrieben:
  • 1 veranschaulicht Haltungsübergänge
  • 2 veranschaulicht eine für eine Wavelet-Analyse verwendete Basisfunktion
  • 3 zeigt ein Flußdiagramm des im Beispiel A verwendeten Algorithmus
  • 4 stellt eine erste Ansicht der Ergebnisse von Beispiel A dar
  • 5 stellt eine weitere Ansicht der Ergebnisse von Beispiel A dar
  • 6 zeigt einen Vergleich für unterschiedliche Haltungsübergänge mit einem Referenzsystem
  • 7 veranschaulicht eine Situation, in der mehrere Haltungsübergänge unmittelbar nacheinander auftreten
  • 8 stellt die Sensorbefestigung in den Beispielen A und B dar
  • 9 zeigt eine vertikale Verschiebung (a) und die entsprechende Beschleunigung (b) für Sitzen-Stehen und c für Stehen-Sitzen) in Beispiel B
  • 10 veranschaulicht den mit Beispiel A und B verwendeten Wavelet-Algorithmus
  • 11 zeigt die Effizienz der Wavelet-Analyse
  • 12 zeigt die Effizienz der Wavelet-Analyse auf andere Weise
  • 13 zeigt einen Vergleich zwischen unserem Sensor (Kreisel) und einem Referenzsystem (ViconTM).
  • 14 zeigt die Effizienz der Wavelet-Analyse zur Laufsequenzverbesserung
  • 15 zeigt eine Klassifizierung physischer Aktivität
  • 16 zeigt eine erste Rumpfneigungsabschätzung
  • 17 zeigt eine weitere Rumpfneigungsabschätzung
  • Beispiel A: Bewertung des Fallrisikos bei älteren Menschen
  • VERFAHREN
  • A. Versuchsaufbau
  • Es wurden elf Personen untersucht, die älter als 65 Jahre waren. Von allen Personen wurde eine schriftliche Einverständniserklärung erhalten, und das Ethikkomitee der Universität von Genf genehmigte das Protokoll. Eine medizinische Vorgeschichte wurde erhalten, die Arznei mittelgebrauch und die Vorgeschichte von Fällen während des vorausgegangenen Jahres enthielt. Eine standardisierte Mobilitätsbewertung, die statisches Gleichgewicht und Gang testete, wurde gemäß Tinetti (ME Tinetti, TF. Williams, R. Mayewski, „Fall risk index for elderly patients based on number on chronic disabilities", Am. J. Med., Bd. 80, S. 429–434, 1986) durchgeführt. Eine Fallrisikopunktezahl wurde erhalten durch Addition von Teilpunktezahlen von bekannten Risikofaktoren für Fälle, in Tabelle 1 gezeigt.
  • Die Endpunktezahl würde zwischen 0 (geringstes Risiko) und 10 (höchstes Risiko) normiert. Die Personen wurden in zwei Gruppen unterteilt: Faller und Nicht-Faller. Wenn ein Patient eine Fallrisikopunktezahl von „5" oder darüber aufwies, wurde er als Faller eingestuft, ansonsten als Nicht-Faller.
  • Jede Person führte verschiedene Aktivitäten aus, die Haltungsübergänge (wie etwa Stehen-Sitzen: SiSt, Sitzen-Stehen: StSi) und dynamische Aktivitäten (Laufen) unter Verwendung unterschiedlicher Stuhlarten (Standardholzstuhl, Sessel und Polsterstuhl) mit und ohne Verwendung von Armlehnen beinhalteten. Das Protokoll der Messung wird in Tabelle 1 vorgestellt. Für jeden Test wurden die Persanen gebeten, sich dreimal hinzusetzen und aufzustehen.
  • TABELLE 1 Fallrisikopunktezahl
    Figure 00060001
  • Figure 00070001
  • TABELLE 2 VERSCHIEDENE, VON JEDER PERSON DURCHGEFÜHRTE TESTS
    Figure 00070002
  • B. Tragbare Meßeinrichtung
  • Die Rumpfneigung muß zur erfolgreichen Identifikation eines Körperhaltungsübergangs aufgezeichnet werden. Diese Rumpfneigung entspricht dem Winkel „θ" zwischen der vertikalen Achse und der Vorderwand des Thorax der Person. Zum Schätzen von θ wurde ein piezoelektrischer Kreisel (Murata, ENC-03J, ± 400 Grad/s) mit einem Gürtel vor den Sternum befestigt. Das Winkelratensignal wurde verstärkt, Tiefpaß gefiltert (17 Hz), mit einer Abtastrate von 40 Hz von einem tragbaren Datenerfassungsgerät (Physilog, BioAGM, CH) digitalisiert (12 Bit) und auf einer Speicherkarte gespeichert. Am Ende der Aufzeichnung wurden die Daten zur Analyse an den Computer übertragen.
  • C. Referenzverfahren
  • Als Referenz wurde ein standardmäßiges Bewegungsanalysesystem (ViconTM, Oxford Metrics, UK) verwendet. Fünf um die Person herum angeordnete Infrarotkameras und vier zurückreflektierende Markierungen, von denen eine am linken Acromion, eine am Sternum manubrium und 2 an dem den Kinematiksensor haltenden Gürtel plaziert waren, je einer auf einer Seite davon. Diese Markierungen haben eine präzise 3D-Messung der Brustkorbmessung gestattet. Rumpfneigung und -verschiebung des Kreisels wurden anhand der 3D-Komponenten der Markierungen berechnet. Die Abtastfrequenz der Aufzeichnung betrug 50 Hz.
  • D. Haltungsübergangsabschätzungen
  • 1 zeigt, daß es sowohl während eines SiSt- als auch während eines StSi-Übergangs zuerst ein Vorwärtslehnen gefolgt von einem Rückwärtslehnen gibt. Um die Zeit des Haltungsübergangs PT abzuschätzen, wurde zuerst die Rumpfneigung „θ" berechnet durch Integrieren des vom Kreisel gemessenen Winkelratensignals. Dann wurde der sin(θ) berechnet und seine kleinste Spitze wurde als PT angesehen. Die Haltungsübergangsdauer TD wurde berechnet durch Abschätzen der Intervallzeit zwischen dem Beginn des Vorwärtslehnens und dem Ende des Rückwärtslehnens. Die Abschätzung bestand daraus, die größten Spitzen vor und nach PT zu detektieren. Indem diese zwei Spitzen als P1 bzw. P2 angesehen werden und ihre entsprechende Zeit als t(P1) und t(P2) wurde TD wie folgt abgeschätzt: TD = t(P2) – t(P1)
  • E. Wavelet-Analyse
  • Einer der Nachteile der Integration durch den piezoelektrischen Kreisel ist das Vorliegen von Drift im Meßsignal. Um diese Drift aufzuheben und anderes Rauschen wie etwa Bewegungsartefakte zu verhindern, die nicht Haltungsübergänge betreffen, wurde als Filterverfahren die diskrete Wavelet-Transformation (DWT) auf der Basis des Mallat-Algorithmus verwendet. Dieses neue Werkzeug unterscheidet sich von den traditionellen Fourier-Techniken durch die Weise, wie sie die Informationen in der Zeit-Frequenz-Ebene lokalisieren. Insbesondere gestattet es das Eintauschen einer Art von Auflösung gegen die andere, wodurch sie sich besonders für die Analyse von nichtstationären Signalen wie etwa Personenbewegungssignalen eignen. Bei diesem Verfahren kann das Signal sowohl im Zeit- als auch im Frequenzbereich analysiert werden. Dies ist ein wichtiger Aspekt zum Detektieren der den Körperhaltungsübergang betreffenden gewünschten Bandfrequenz. Mit anderen Worten besteht der wichtige Aspekt von Rumpfneigungssignalen darin, daß die interessierenden Informationen oftmals eine Kombination von Merkmalen sind, die im Zeit- und Frequenzbereich gut lokalisiert sind. Dies erfordert die Verwendung von Analyseverfahren, die ausreichend vielseitig sind, um Ereignisse zu handhaben, die sich hinsichtlich ihrer Zeit-Frequenz-Lokalisierung an gegenüberliegenden Extremstellen befinden können. Zudem gestattet dieses Verfahren die Verwendung einer geeigneten Basisfunktion, die während eines Übergangs der Musterrumpfneigung ähnlicher ist. Ein Beispiel für eine Basisfunktion ist in 2 für verschiedene Dilationsfaktoren angegeben. Jede dieser Funktionen weist ähnliche Basisformen und zyklische Variationen auf.
  • Zur Annäherung der Signale mit verschiedenen Auflösungen wird eine Mehrfachauflösungstransformation verwendet. Sie besteht daraus, ein Signal aufzuteilen in hochskalig (niederfrequente Komponenten), als Annäherung bezeichnet, und niederskalig (hochfrequente Komponenten), als das Detail bezeichnet. Die Zerlegung wird iteriert, wobei nachfolgende Annäherungen (oder Details) wiederum zerlegt werden, so daß das ursprüngliche Signal in viele Komponenten mit niedrigerer Auflösung zerlegt wird. Bei jeder Zerlegungsskala wird die die Anzahl der Stichproben im Zeitbereich verringert, indem jede zweite Stichprobe verworfen wird (Down-Sampling mit einem Faktor von „2"). Bei Berücksichtigung des ursprünglichen Signals s(n) (das heißt Sinus der Rumpfneigung) beträgt die Annäherung des Signals bei Skala j = 0
    Figure 00100001
    , was dem ursprünglichen Signal s(n) entspricht. Bei jeder neuen Zerlegung die Annäherung und Detailverlust bei Auflösung, da bei jeder Skala 2 Stichproben durch eine ersetzt werden. Bei der Skala j stellt
    Figure 00100002
    die Annäherung von s(n) mit einer Auflösung von einer Stichprobe für alle 2j Stichproben des ursprünglichen Signals dar.
  • Mallat zeigte, daß unter Verwendung eines geeigneten Tiefpaßfilters h und eines Hochpaßfilters g das ungefähre Signal
    Figure 00100003
    und Detailsignal
    Figure 00100004
    weiter geschrieben werden können wie folgt:
  • Figure 00100005
  • Die Koeffizienten des h- und g-Filters sind mit der Gestalt eines für die Analyse in Betracht gezogenen Wavelets assoziiert. Bei dieser Untersuchung wurde eine Zerlegung in 10 Skalen mit den „Coiflet order 5"-Wavelets verwendet.
  • Außerdem können diese Wavelets sehr effizient unter Verwendung standardmäßiger dezimierter (oder nichtdezimierter) Filterbankalgorithmen implementiert werden.
  • F. Algorithmus
  • Ein Flußdiagramm unseres Algorithmus ist in 3 zusammengefaßt. Zuerst wurde ein Signal eines Kreisels in Pakete mit einer Dauer von einer Minute segmentiert. Dann wurde das Signal integriert und sin(θ) wurde berechnet. Um die Drift von Integrations- und Bewegungsartefakten aufzuheben, wurde eine Wavelet-Analyse angewendet. Für jeden Haltungsübergang wurde die entsprechend (
    Figure 00110001
    –
    Figure 00110002
    ) entsprechende Annäherung gewählt. Die Werte von k und l entsprechen Skalen, die die beste Annäherung für Übergänge StSi und SiSt liefern. PT und TD wurden wie oben beschrieben anhand sin(θ) geschätzt. Am Ende jedes Tests wurden der Mittelwert von TD (M_TD) und seine Standardabweichung (Δ_TD) berechnet.
  • Um die Signifikanz von TD für die Auswertung des Fallrisikos zu testen, wurde ein T-Test zwischen den Parametern verwendet, die für die Gruppen Faller und Nicht-Faller erhalten wurden.
  • ERGEBNISSE
  • 4 zeigt die Zeitskala-Konturkurve von sin(θ), die von dem Kreisel erhalten wurde, im Vergleich zu der mit wobei die elektrokatalytische Verbindung als eine Zwischenstufe oder Vorstufe zur Herstellung eines geträgerten Platingruppenmetallkatalysators verwendet wird.
  • Icon gemessenen. Das Ergebnis zeigt, daß die beste Skala, um relevante Informationen zu extrahieren, der Differenz zwischen Wegsignalen in der Skala k = 5 und l = 9 entspricht (
    Figure 00110003
    –
    Figure 00110004
    ). Diese Bandfrequenz entsprechend 0,04–0,68 HZ wurde für die DWT gewählt.
  • 5(a) zeigt einen typischen sin(θ)-Wert, der aus dem Integral der Winkelratenrotation während mehrerer SiSt- und StSi-Übergänge erhalten wurde. Diese Figur zeigt ein typisches Problem, das auf Integrationsdrift zurückzuführen ist, die nach DWT aufgehoben wird (5(b)). Zusätzlich können in 5(a) überflüssige Spitzen beobachtet werden, die nicht zu Übergängen gehören. Diese Spitzen wurden verursacht durch Bewegungsartefakte während eines Übergangs. Tatsächlich ist in einem gewissen Fall besonders bei Personen, denen es schwer fällt, sich von einem Stuhl zu erheben, dem Meßsignal eine schwingende Bewegung überlagert. Da die PT-Detektion auf Spitzendetektion basiert, kann die Anwesenheit dieser Spitzen bestimmte Fehler bei der Übergangsdetektion verursachen. Wie in 5(b) gezeigt, wurden diese Spitzen durch die DWT aufgehoben, während die wahren Übergänge signifikant verstärkt wurden.
  • 6 vergleicht 6 Haltungsübergänge, ein typisches Muster der Verschiebung und sin(θ), erhalten mit ViconTM, mit sin(θ), erhalten vom Kreisel.
  • Diese Ergebnisse zeigen, daß die geschätzten Übergangsdauern der mit ViconTM beobachteten wahren Übergangsperiode entsprechen. Es liegt eine gute Übereinstimmung zwischen den beiden Systemen vor. Der Korrelationskoeffizient zwischen sin(θ), geschätzt anhand des Kreisels und dem von dem System ViconTM erhaltenen, variiert je nach dem ausgeführten Test zwischen 0,90 und 0,99.
  • Tabelle 3 zeigt für jede Person die Werte von M_TD und Δ_TD durch alle Aktivitäten hinweg und die entsprechende Fallrisikopunktezahl. Wie zu erwarten war die Gruppe der Nicht-Faller (Fallrisikopunktezahl 0–3) jünger (75,5 +/– 3,39 Jahre) als die Gruppe der Faller (Fallrisikopunktezahl 5–10, 79,8 +/– 8,98 Jahre).
  • TABELLE 3 ZUSAMMENFASSUNG DER ERGEBNISSE NACH PERSONEN
    Figure 00130001
  • 7 zeigt einen Spezialfall, wo mehrere PTs einer unmittelbar nach dem anderen auftritt, während die Person versucht zu stehen oder zu sitzen. Dieses als „sukzessiver Übergang" bezeichnete Ereignis zeigt, wie häufig eine Person einen PT versucht, aber nicht in der Lage ist, diese auszuführen. Die Häufigkeit von „sukzessiver Übergang" wird in Tabelle 3 mit S_Trs bezeichnet. Bei der Gruppe der Faller nimmt dieser Parameter mit der Fallpunktzahl zu, während bei den Nicht-Fallern S_Trs immer Null ist. Der zwischen der Gruppe der Faller und Nicht-Faller durchgeführte T-Test zeigt eine signifikante Erhöhung von M_TD (p < 0,02) und Δ_TD (p < 0,002).
  • Das oben angeführte Beispiel hat gezeigt, daß auf der Basis eines einfachen Modells und einer angemessenen DWT drei Parameter (d.h. M_TD, Δ_TD und S_Trs) zum Auswerten des Fallrisikos bereitgestellt worden sind.
  • Der Vergleich zwischen den beiden Gruppen älterer Personen (d.h. Faller und Nicht-Faller) zeigt, daß M_TD und Δ_TD in verschiedenen PT (welche Art von Stuhl auch immer) signifikante Parameter sind, um zwischen diesen beiden Gruppen zu unterscheiden. Zusätzlich ist das Auftreten von „sukzessiven Übergängen" ein dritter Parameter, der zu der Fallrisikopunktezahl korreliert. Diese Parameter entsprechen einem oder zwei Versuchen, ehe erfolgreich von einem Sitz aufgestanden wird. Diese Versuche aufgrund von Muskelschwäche oder Gelenksteifheit zeigen ein höheres Risiko für Fälle während einer sehr einfachen täglichen Lebensaktivität an. Es ist wichtig anzumerken, daß sowohl normale als auch „sukzessive Übergänge" präzise klassifiziert worden sind (Empfindlichkeit über 99%).
  • Der PT-Typ (d.h. SiSt oder StSi) änderte sich hinsichtlich TD nicht signifikant und scheint deshalb keine spezifische Rolle bei der Auswertung des Fallrisikos in unseren Tests zu haben. Tabelle 4 zeigt die Werte von TD entsprechend SiSt oder StSi für die Gruppen Faller und Nicht-Faller. Obwohl M_TD und Δ_TD für die Gruppen Faller und Nicht-Faller signifikant verschieden sind, ändern sich diese Werte innerhalb jeder Gruppe nicht signifikant (p > 0,4) mit der Übergangsart (StSi oder SiSt). Es ist klar, daß, wenn die Übergangsart wichtig wäre, eine Verbesserung des Verfahrens erforderlich wäre, um die Art der Haltung zu klassifizieren. Diese Klassifizierung könnte beispielsweise erfolgen durch Hinzufügen eines Vertikalbeschleunigungsmeßgeräts am Körperrumpf.
  • Obgleich die in diesem Beispiel vorgelegten Ergebnisse kurze Aufzeichnungen mit einer begrenzten Anzahl von PT betreffen, ist es wichtig anzumerken, daß das System für eine langfristige Überwachung verwendet werden kann. Die Batterielebensdauer und Speicherkarte gestatten Überwachung von bis zu 24 Stunden. Falls erforderlich kann das Datenerfassungsgerät schnell wieder aufgeladen und die Speicherkarte für eine neue Aufzeichnung ausgetauscht werden. Im Gegensatz zu einem stationären System wie etwa einem Videobewegungsanalyse- oder Kraftplattensystem gestattet das vorgeschlagene System die Messung außerhalb des Labors unter ambulanten Bedingungen und Bedingungen des alltäglichen Lebens. Das System behindert die Person nicht, da nur ein Miniatursensor verwendet wird, der überall am Rumpf angebracht werden kann, und das Aufzeichnungsgerät ist sehr leicht. Die Integration des Sensors und des Aufzeichnungsgeräts in das gleiche Modul gestattet, ein System bereitzustellen, das besonders für ambulante Instrumentierung und Telealarmsysteme ausgelegt ist.
  • Indem die Werte der geschätzten Parameter während jedes Tages und ihre Änderung über wiederholte Messungen hinweg betrachtet werden, kann die Einrichtung als ein vielversprechendes Werkzeug bei der Gesundheitsfürsorge im eigenen Heim von älteren Personen angesehen werden, da sie objektive Zahlen über die Mobilität älterer Leute liefert, die entweder gesund sind oder spezifische Leiden haben. Diese Einrichtung kann außerdem als ein Werkzeug für eine objektive Einschätzung des Fallrisikos und seine Änderung bei älteren Personen während Rehabilitierungsprogrammen angesehen werden.
  • TABELLE 4 ZEITLICHE HALTUNGSÜBERGANGSPARAMETER FÜR DIE GRUPPE DER FALLER UND NICHT-FALLER
    Figure 00150001
  • Beispiel B: Überwachen der physischen Aktivität
  • VERFAHREN
  • A. Versuchsaufbau
  • 11 ältere, in einer Gemeinschaft lebende Personen (6 Frauen, 5 Männer, Alter 79 ± 6 Jahre), die am Brustkorb einen Kinematiksensor trugen, führten 6 Tests aus mit verschiedenen Haltungsübergängen und dynamischen Aktivitäten (Tabelle 5). Von den Personen wurde eine schriftliche Einverständniserklärung erhalten. Während des Gehens haben einige Personen einen Gehstock verwendet. Der Kinematiksensor bestand aus einem piezoelektrischen Miniaturkreisel (Murata, ENV-05A, ±400 Grad/s), der die Winkelgeschwindigkeit (gs) des Rumpfes in der Sagittalebene maß, und eine Miniaturbeschleunigungsmeßgerät (ADXL02, ±2 g), das die Vertikalbeschleunigung (av) des Rumpfes maß. Der Kreisel, das Beschleunigungsmeßgerät und ihre Aufbereitungselektronik wurden in einen sehr kleinen Kasten gepackt und am Brustkorb angebracht. Signale wurden mit einer Abtastrate von 40 Hz digitalisiert und von einem leichten tragbaren, an der Hüfte getragenen Datenerfassungsgerät (Physilog, BioAGM, CH) aufgezeichnet.
  • Die Ergebnisse jedes Tests wurden mit 5 Kameras und 4 zurückreflektierenden Markierungen am Rumpf validiert (ViconTM, Oxford Metrics, UK). Dieses optische System gestattet eine präzise 3D-Erfassung der Bewegung des Brustkorbs (8). Drei zusätzliche Tests wurden mit älteren Personen durchgeführt, die das System eine Stunde lang in einem Krankenhausgebäude und außerhalb trugen, während ein Beobachter die tatsächliche Aktivität jeder Person notierte.
  • B. Liegedetektion
  • Die Erkenntnis der Liegehaltung von Sitzen und Stehen wurde durchgeführt durch Betrachten der Orientierung des Beschleunigungsmeßgeräts bezüglich der Richtung der Gravitationsbeschleunigung (vertikale Achse). Bei der Liege-Haltung mißt das Beschleunigungsmeßgerät einen g- Wert von fast Null, während es beim Sitzen und Stehen etwa 1g zeigt.
  • TABELLE 5 VERSCHIEDENE, VON JEDER PERSON DURCHGEFÜHRTE TESTS
    Figure 00170001
  • C. Sitz- und Steh-Detektion
  • Das Hauptproblem der Haltungsunterscheidung betrifft die Trennung zwischen Sitz- und Steh-Haltung. Das Sitzen tritt am Ende des Steh-zu-Sitz-Übergangs ('StSi') auf, während das Stehen am Ende des Sitz-zu-Steh-Übergangs ('SiSt') auftritt. Infolge dessen genügt die Identifikation dieser beiden Übergänge, um eine Sitz- und Steh-Haltung zu erkennen. Die Beschleunigung av während eines SiSt-(bzw. StSi-)-Übergangs wurde unter Verwendung eines einfachen kinematischen Modells beschrieben. 1 zeigt, daß sowohl während des SiSt- als auch während des StSi-Übergangs es zuerst ein Vorwärtslehnen gibt, gefolgt von einem Rückwärtslehnen. Diese Neigung sieht aus wie eine Halbperiode einer Sinuskurvenfunktion, wo das Minimum dem Zeitpunkt des Haltungsübergangs PT entspricht. Um diesen Zeitpunkt zu schätzen, wurde zuerst θ (der Rumpfwinkel in der Sagittalebene) durch Integrieren von gs berechnet. Dann wurde der sin(θ) berechnet und seine kleinste Spitze wurde als PT betrachtet. Die Haltungsübergangsdauer (TD) wurde berechnet durch Schätzen der Intervallzeit zwischen dem Beginn des Vorwärtslehnens und dem Ende des Rückwärtslehnens. 9 zeigt die Art der vertikalen Verschiebung während SiSt (auch StSi) und die von der zweiten Ableitung der Verschiebung erhaltenen entsprechenden Beschleunigungen. SiSt erzeugt eine (positive) Beschleunigungsspitze, gefolgt von einer (negativen) Verlangsamungsspitze, wobei für StSi das Gegenteil auftritt. Deshalb kann das Muster von av während der TD zur Abschätzung von SiSt und StSi verwendet werden.
  • Der wichtige Aspekt des Musters des Neigens und Beschleunigens des Rumpfs beim Haltungsübergang besteht darin, daß die relevanten Informationen oftmals eine Kombination von Merkmalen sind, die zeitlich oder räumlich gut lokalisiert sind. Dies erfordert den Einsatz von Analyseverfahren, die ausreichend vielseitig sind, daß sie Ereignisse verarbeiten können, die sich hinsichtlich ihrer Zeit-Frequenz-Lokalisierung an entgegengesetzten Extremwerten liegen. Bei der Winkelgeschwindigkeit des Rumpfs gibt es mehrere Spitzen, die nicht zu den Haltungsübergängen in Beziehung stehen und die die Detektion des wahren PT-Musters erschweren. Zudem beinhaltet das Berechnen von θ anhand des Integrals von gs eine Drift im Meßsignal. Um die Drift aufzuheben und anderes Rauschen wie etwa Bewegungsartefakte zu verhindern, die nicht zu Haltungsübergängen in Beziehung stehen, wurde eine Wavelet-Analyse auf der Basis des Malat-Algorithmus verwendet. Dieser Algorithmus basiert auf zwei speziellen Filtern H(ω) (Tiefpaßfilter) und G(ω) (Hochpaßfilter) und wurde in 10 vorgelegt. Bei jeder Skala j wird das Signal in eine niederfrequente Komponente (Annäherung:
    Figure 00180001
    ) und eine hochfrequente Komponente (Detail:
    Figure 00190001
    ) unterteilt und verliert wegen des Down-Sampling an Auflösung. Bei Skala j stellt
    Figure 00190002
    die Annäherung des ursprünglichen Signals mit einer Auflösung von einer Stichprobe für alle 2j Stichproben des ursprünglichen Signals dar. Da in unserem Algorithmus alle Stichproben im Zeitbereich benötigt werden, wird das Frequenzband im Zeitbereich anstelle eines Down-Sampling in jedem Schritt j durch 2 geteilt. Dieses neue Werkzeug unterscheidet sich von den traditionellen Fourier-Techniken durch die Weise, wie sie die Informationen in der Zeit-Frequenz-Ebene lokalisieren. Insbesondere gestattet dies das Eintauschen einer Auflösungsart für die andere, was sie besonders geeignet macht für die Analyse von nichtstationären Signalen wie etwa Personenbewegungssignalen. Dieses Verfahren gestattet zudem noch die Verwendung einer geeigneten Basisfunktion (Mother-Wavelet), die dem Muster aus Neigung und Beschleunigung des Rumpfs während eines Haltungsübergangs mehr ähnelt. Die Annäherung von gs zwischen den Skalen 5 und 9 (
    Figure 00190003
    –
    Figure 00190004
    ) wurde zur TD-Detektion verwendet. Die Bandfrequenz entspricht 0,06–0,45 Hz. Das av-approximierte Signal zwischen den Skalen 5 und 6 (
    Figure 00190005
    –
    Figure 00190006
    ) wurde zur SiSt- oder StSi-Erkennung verwendet (Bandfrequenz: 0,34–0,68 Hz). Für jede Annäherung wurde eine 'Coiflet'-Mother-Wavelet mit Ordnung 5 verwendet.
  • D. Lauf-Detektion
  • Um den Laufzustand zu detektieren, wurde av alle 5 Sekunden analysiert. Zur Verbesserung des Laufmusters und zum Reduzieren von Rauschen und Drift aufgrund anderer Aktivität wie etwa Haltungsübergängen, Umdrehen oder Bewegung während stehender Haltung wurde auch eine Wavelet-Zerlegung verwendet. Das angenäherte Wavelet-Signal DWT (av) zwischen den Skalen 2 und 5 (
    Figure 00190007
    –
    Figure 00190008
    ) wurde betrachtet. Eine Daubechies-Mother-Wavelet mit Ordnung 4 wurde angewendet. Die Bandfrequenz entspricht 0,68–5,47 Hz. Um das Muster des Laufens zu erhalten, wurden negative Spitzen jenseits eines festen Schwellwerts detektiert. Sukzessive Spitzen entsprechend einer Zeitdifferenz von 0,25 bis 2,25 s gehören zum Laufschritt und wurden als Kandidatenspitzen gewählt. Wir nahmen an, daß eine eigentliche Laufsignatur während jedes 5s Intervalls mindestens drei Schritte aufweist. Wenn dann mehr als drei Spitzen detektiert wurden, wurden diese Spitzen als Laufschritte angesehen.
  • E. Klassifizierung physischer Aktivität
  • Über die obigen Algorithmen wurde physische Aktivität klassifiziert. Um diese Klassifizierung zu verbessern und die Fehldetektion zu reduzieren, wurden die folgenden Regeln betrachtet:
    • – Wenn zwei widersprüchliche Zustände detektiert wurden (z.B. Liegen mit Laufen oder Sitzen mit Laufen) erhielt die Präferenz zuerst das Liegen, dann das Laufen und schließlich StSi- oder SiSt-Übergang.
    • – Zwei sukzessive SiSt- (oder StSi-) Detektionen wurden als nicht korrekt angesehen.
    • – Rückwärtslehnen während des Zustands des Stehens wurde als unvereinbar für ältere Leute angesehen.
  • ERGEBNISSE
  • 11 und 12 zeigen die Leistung der Wavelet-Analyse für die SiSt- und StSi-Detektion. Wie dargestellt werden die nächsten Spitzen in DWT (av) bezüglich des lokalen Minimums von sin(θ) korrekt detektiert. Auf eine negative Spitze folgt die positive während des SiSt-Übergangs (11c), während das Gegenteil für einen StSi-Übergang eintritt (12c). Die Ähnlichkeit von von dem Kinematiksensor und dem ViconTM-System erhaltenen Daten war hoch (0,90 < r < 0,99), wie in 13 gezeigt. Bei 287 für alle Personen ausgeführten Haltungsübergängen wurde eine Empfindlichkeit von 99% für die Detektion eines Haltungsübergangs erhalten. Die Empfindlichkeit und die Spezifizität für die Sitzen- und Stehen-Klassifikation sind in Tabelle 6 gezeigt worden. Während der Tests 1 und 2, die Lauf- und Liege-Periode involvieren, betrugen diese Parameter über 90%. Bei unseren Tests wurden alle Perioden des Liegens und des Aufstehens aus dem Bett korrekt klassifiziert.
  • 14 zeigt die Effektivität der Wavelet-Analyse zur Laufsequenzverbesserung. In dieser Figur sind alle Spitzen, die zu Laufschritten gehören, die von dem Referenzsystem (ViconTM) detektiert wurden, markiert. Es ist ersichtlich, daß die Drift im av-Signal in DWT (av) reduziert wird, während die eigentlichen Laufspitzen verstärkt worden sind, was zu einer besseren Spitzendetektion führte.
  • Diese Vorteile der Wavelet-Transformation gestatten das Verhindern jeder Kalibrierung für jede Person. Die Empfindlichkeit für die Laufperiodendetektion lag bei über 95%.
  • 15 zeigt eine typische Klassifikation physischer Aktivität, die während einer Stunde des Aufzeichnens für eine ältere Person erhalten wurde. Bei diesem Test gibt es keinerlei Fehlklassifikation und die Ergebnisse entsprechen ganz den Notizen des Beobachters. Bei zwei anderen, während einer Stunde mit zwei anderen älteren Personen durchgeführten Tests lag die Empfindlichkeit für die Detektion der Zustände Liegen, SiSt, StSi und Laufen über 90%.
  • Dieses Beispiel hat die Möglichkeit gezeigt, Körperhaltungen und Laufzustand mit Hilfe nur eines Miniatursensors zu kategorisieren, der für die Person keinerlei Unbequemlichkeit verursacht. Alle Ergebnisse wurden unter Verwendung eines standardmäßigen Referenzsystems in einem Haltungslabor validiert. Die Ergeb nisse zeigen außerdem, daß die Wavelet-Transformation eine leistungsstarke Technik ist, um Haltungsübergang zu detektieren und Laufmuster zu analysieren. Die Laufdetektion weist selbst dann eine hohe Empfindlichkeit auf, wenn Personen Gehhilfen wie etwa Gehstöcke verwenden. Außerdem wird keine Kalibrierung für jede Person benötigt.
  • Die Ergebnisse zeigen, daß während der Tests 3, 4, 5 und 6, die kein Laufen und Liegen involvieren, die Empfindlichkeit niedriger ist als für die Tests 1 und 2, die eine Periode des Laufens und/oder Liegens enthalten. Dies ist im wesentlichen zurückzuführen auf die Korrektur, die bei PT gegenüber der Detektion des Lauf- und Liegezustands vorgenommen wird. Dies bestätigt unsere Annahme, gemäß derer bei unserer Klassifikation die Priorität zuerst das Liegen erhält, dann das Laufen und schließlich StSi oder SiSt. Während des Alltagslebens liegen zudem die Liegehaltung und speziell der Laufzustand oftmals vor.
  • TABELLE 6 EMPFINDLICHKEIT UND SPEZIFIZITÄT DER ÜBERGANGSDETEKTION
    Figure 00220001
  • Dieses Verfahren bietet ein vielversprechendes Werkzeug für die langfristige und Heimpflegeüberwachung der täglichen physischen Aktivität. Es kann möglicherweise die Lebensqualität von behinderten Patienten besser aufwerten durch Quantifizieren ihres Grads an Mobilität. Dieses System kann auch zur Einschätzung des Fallrisikos bei älteren Personen verwendet werden.
  • Beispiel C: Absolute Berechnung des Neigens des Rumpfs
  • Die Abschätzung des Vorwärtsrumpfwinkels (Neigung) kann sich zum Qualifizieren jeder Aktivität eignen. Das Finden dieses Parameters kann sich auch eignen für die Korrektur der Aktivitätsqualität. Beispielsweise einen korrekten Winkel zu haben, kann wichtig sein, für die Leichtigkeit der Haltungsänderung oder dafür, einen erfolgreichen Übergang auf dem Bett zu haben. Eine Untersuchung über eine Korrelation der Rumpfneigung mit unteren Gliedmaßen wie etwa Hüfte und Bein eignet sich ebenfalls zum Einschätzen der Qualität eines Körperhaltungsübergangs und könnte als ein Fallrisikoparameter angesehen werden.
  • Die gemessene Frontalbeschleunigung kann ausgedrückt werden als: afacc. = afcosθ + (av + g)sinθ (1)wobei:
    • afacc.
    = Gemessenes Signal vom Frontalbeschleunigungs meßgerät
    af
    = Inertialfrontalbeschleunigung
    av
    = Inertialvertikalbeschleunigung
    g
    = Schwerkraftbeschleunigung
    θ
    = Absolutwinkel (Neigung) der Körperrumpfoberfläche (Platz der Sensoranbringung).
  • Um die Absolutneigung zu finden, wird ein Signal eines Beschleunigungsmeßgeräts, das in frontaler Richtung an einer Körperrumpfoberfläche angebracht worden ist, analysiert. Das gemessene Signal vom Frontalbeschleunigungsmeßgerät weist zwei Komponenten auf, die aus Frontal- und Vertikalbeschleunigung bestehen und die aus einer Inertialkörperbewegung und gxsin(θ) entstehen, die aus Schwerkraftbeschleunigung entstehen (Gleichung 1).
  • Aus Gleichung 1 ist klar, daß, wenn af = 0 und av = 0, das Beschleunigungsmeßgerätsignal nur zum Absolutrumpfneigungswert in Beziehung steht (afacc = gxsin(θ), wenn af = 0 & av = 0). Mit anderen Worten ist mit dem Messen des Beschleunigungssignals in Frontalrichtung in der Situation einer Inertialbeschleunigung von Null eine Berechnung der Absolutneigung möglich. Zudem kann angenommen werden, daß die Periode, wo die Streuung von afacc unter einem eigenen Schwellwert liegt, af und av bei etwa Null liegen (gxsin(θ) weist eine Streuung von Null auf, da θ etwa einen konstanten Wert aufweist). Deshalb kann die Absolutneigung im Fall keiner Bewegung (Beschleunigungsstreuung etwa Null) wie etwa Sitzen, Stehen und Liegen in einem Ruhezustand geschätzt werden durch Berechnung des sin(θ) vom Frontalbeschleunigungsmeßgerät. Zur Schätzung des Absolutneigungswerts in einem anderen Fall (Aktivität mit hoher Streuung), wird das Kreiselsignal wie folgt verwendet:
    Figure 00240001
    wobei:
    • θ
    = Körperrumpfabsolutwinkel,
    G
    = Winkelrate, gemessen vom Kreisel
    T0
    = Anfangszeit
    θ(t0)
    Anfangsrumpfneigungswert in t = t0.
  • Es ist klar, daß, wenn es zu jedem Zeitpunkt nur einen Wert einer absoluten Neigung gibt, die Absolutrumpfneigung auch über die Zeit hinweg anhand der obigen Gleichung berechnet werden kann. Um diesen Anfangswert zu finden, wird das erwähnte Verfahren zum Berechnen von „θ" durch das Frontalbeschleunigungsmeßgerät verwendet. Dann kann mit einer Kombination aus einem Beschleunigungsmeßgerät und einem Kreisel, die auf dem Körperrumpf plaziert sind, und dem obigen Verfahren die Absolutrumpfneigung geschätzt werden. Zwei Stichproben einer Schätzung der Absolutrumpfneigung für zwei verschiedene Aktivitäten sind in 16 und 17 gezeigt worden, afacc und Rumpfwinkelrate, gemessen vom Kreisel, sind in 16(a) und (b) gezeigt worden. 16(c) und (d) zeigen die Absolutrumpfneigung bzw. -streuung von afacc, berechnet über dieses Verfahren während Sitz-Steh- und Steh-Sitz-Übergang. 17 zeigt die gleichen Parameter in 14 für die Aktivitäten des Liegens, Laufens und Aufstehens aus dem Bett.
  • Außerdem kann durch Verwendung eines Vertikalbeschleunigungsmeßgeräts der Wert der Inertialbeschleunigung wie folgt geschätzt werden: avacc. = (av + g)cosθ – afsinθ (3)wobei:
    • avacc.
    = Gemessenes Signal vom Vertikalbeschleunigungsmeßgerät.
  • Den Wert für av zu kennen ist nützlich für das Berechnen der Vertikalbeschleunigung und -verschiebung, und den Wert für af zu wissen ist nützlich für das Berechnen der Frontalgeschwindigkeit und -verschiebung.
  • Es versteht sich, daß die vorliegende Erfindung nicht auf die Beispiele oder Ausführungsformen beschränkt ist, die hier offenbart sind, sondern alle modifizierten Formen umfaßt, wie sie in den Schutzbereich der folgenden Ansprüche fallen.

Claims (10)

  1. Körperbewegungsüberwachungssystem, das folgendes umfaßt: – einen Sensor zur Anbringung an den Rumpf einer Person, – Verarbeitungsmittel zum Ableiten von Informationen von dem Sensor, – Displaymittel zum Anzeigen der Informationen für einen Bediener, – Mittel zum Bestimmen zeitbezogener Daten während eines Haltungsübergangs, gekennzeichnet durch die Tatsache, daß das Mittel zum Bestimmen zeitbezogener Daten während eines Haltungsübergangs den Zeitpunkt bestimmt, wenn ein Sitzen-Stehen- oder ein Stehen-Sitzen-Übergang auftritt.
  2. Überwachungssystem nach Anspruch 1, wobei der Sensor einen Miniaturkreisel umfaßt.
  3. Überwachungssystem nach Anspruch 1 oder 2, wobei das System Mittel enthält zum Bestimmen der Dauer und der Art des Haltungsübergangs.
  4. Überwachungssystem nach einem der vorhergehenden Ansprüche mit Alarmmitteln, die aktiviert werden, wenn die Qualität eines Sitzen-Stehen- oder Stehen-Sitzen-Übergangs unter einem Schwellwert liegt.
  5. Überwachungssystem nach einem der vorhergehenden Ansprüche mit weiter einem Vertikalbeschleunigungsmeßgerät.
  6. Überwachungssystem nach Anspruch 5 weiterhin mit einem Vorwärtsbeschleunigungsmeßgerät.
  7. Verfahren zum Bestimmen des Zeitpunkts, wenn ein Sitzen-Stehen- oder ein Stehen-Sitzen-Übergang bei Verwendung der Einrichtung nach einem der Ansprüche 1 bis 6 auftritt, wobei die Rumpfneigung θ zuerst berechnet wird durch Integrieren des von dem Sensor gemessenen Winkelratensignals, dann sinθ berechnet wird, der Sitzen-Stehen- oder der Stehen-Sitzen-Übergang entsprechend der kleinsten Spitze von sinθ.
  8. Verfahren nach Anspruch 7, wobei die Dauer des Haltungsübergangs auf der Dauer zwischen den größten Spitzen von sinθ passiert, die vor oder nach dem Zeitpunkt des Sitzen-Stehen- oder Stehen-Sitzen-Übergangs auftreten.
  9. Verfahren zum Auswerten des Fallrisikos bei Verwendung der Einrichtung nach einem der Ansprüche 3 bis 6, wobei das Fallrisiko bestimmt wird über eine Kombination von drei Parametern, nämlich der mittleren und Standardabweichung der Übergangsdauer und des Auftretens eines anormalen sukzessiven Übergangs.
  10. Verfahren zum Überwachen physischer Aktivität, besonders die Zustände des Sitzens, Stehens und Liegens, Perioden des Laufens und Rennens, unter Verwendung der Einrichtung nach einem der Ansprüche 5 oder 6 in Relation mit Anspruch 3, wobei das Vertikalbeschleunigungsmeßgerät zum Messen dieser Aktivitäten verwendet wird.
DE60116344T 2000-10-05 2001-10-01 Körperbewegungsüberwachungssystem und -verfahren Expired - Lifetime DE60116344T2 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP00810920A EP1195139A1 (de) 2000-10-05 2000-10-05 Körperbewegungsüberwachungssystem und -Verfahren
EP00810920 2000-10-05
PCT/CH2001/000590 WO2002028282A1 (en) 2000-10-05 2001-10-01 Body movement monitoring system and method

Publications (2)

Publication Number Publication Date
DE60116344D1 DE60116344D1 (de) 2006-02-02
DE60116344T2 true DE60116344T2 (de) 2006-07-27

Family

ID=8174955

Family Applications (1)

Application Number Title Priority Date Filing Date
DE60116344T Expired - Lifetime DE60116344T2 (de) 2000-10-05 2001-10-01 Körperbewegungsüberwachungssystem und -verfahren

Country Status (7)

Country Link
US (1) US7141026B2 (de)
EP (2) EP1195139A1 (de)
AT (1) ATE314006T1 (de)
AU (1) AU2001289466A1 (de)
DE (1) DE60116344T2 (de)
ES (1) ES2254488T3 (de)
WO (1) WO2002028282A1 (de)

Families Citing this family (177)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8109890B2 (en) 2002-02-07 2012-02-07 Ecole Polytechnique Federale De Lausanne-Service Des Relations Industrielles Body movement monitoring device
SE0203483D0 (sv) * 2002-11-21 2002-11-21 Wespot Ab Method and device for fall detection
US9107615B2 (en) 2002-12-18 2015-08-18 Active Protective Technologies, Inc. Method and apparatus for body impact protection
JP4471588B2 (ja) * 2003-05-22 2010-06-02 有限会社ジーエムアンドエム 平衡感覚機能診断システムおよびそれに用いられる装置
US8396565B2 (en) 2003-09-15 2013-03-12 Medtronic, Inc. Automatic therapy adjustments
EP1682001A1 (de) * 2003-10-24 2006-07-26 Humanitas Mirasole S.p.A. Sytem zum test der motorischen funktion
US8055348B2 (en) 2004-03-16 2011-11-08 Medtronic, Inc. Detecting sleep to evaluate therapy
US7366572B2 (en) * 2004-03-16 2008-04-29 Medtronic, Inc. Controlling therapy based on sleep quality
US20070276439A1 (en) * 2004-03-16 2007-11-29 Medtronic, Inc. Collecting sleep quality information via a medical device
WO2005089646A1 (en) 2004-03-16 2005-09-29 Medtronic, Inc. Sensitivity analysis for selecting therapy parameter sets
US8308661B2 (en) 2004-03-16 2012-11-13 Medtronic, Inc. Collecting activity and sleep quality information via a medical device
US8725244B2 (en) 2004-03-16 2014-05-13 Medtronic, Inc. Determination of sleep quality for neurological disorders
US7792583B2 (en) 2004-03-16 2010-09-07 Medtronic, Inc. Collecting posture information to evaluate therapy
US20050209512A1 (en) * 2004-03-16 2005-09-22 Heruth Kenneth T Detecting sleep
US7805196B2 (en) 2004-03-16 2010-09-28 Medtronic, Inc. Collecting activity information to evaluate therapy
US7395113B2 (en) 2004-03-16 2008-07-01 Medtronic, Inc. Collecting activity information to evaluate therapy
US7881798B2 (en) 2004-03-16 2011-02-01 Medtronic Inc. Controlling therapy based on sleep quality
US7330760B2 (en) * 2004-03-16 2008-02-12 Medtronic, Inc. Collecting posture information to evaluate therapy
US7491181B2 (en) 2004-03-16 2009-02-17 Medtronic, Inc. Collecting activity and sleep quality information via a medical device
US7717848B2 (en) 2004-03-16 2010-05-18 Medtronic, Inc. Collecting sleep quality information via a medical device
US7313440B2 (en) * 2004-04-14 2007-12-25 Medtronic, Inc. Collecting posture and activity information to evaluate therapy
US8135473B2 (en) 2004-04-14 2012-03-13 Medtronic, Inc. Collecting posture and activity information to evaluate therapy
DE602005023143D1 (de) * 2004-04-30 2010-10-07 Hill Rom Services Inc Patientenunterstützung
NZ533460A (en) * 2004-06-10 2006-10-27 Movement Metrics Ltd Biomechanical monitoring apparatus with motion detectors and accumulation means to indicate time period where threshold activity is exceeded
US7843351B2 (en) * 2004-09-01 2010-11-30 Robert Bourne Back training device
US9820658B2 (en) 2006-06-30 2017-11-21 Bao Q. Tran Systems and methods for providing interoperability among healthcare devices
CA2486949A1 (fr) 2004-12-09 2006-06-09 Christian Cloutier Systeme et methode pour la detection des chutes et du suivi des niveaux d'activite a distance chez des personnes en perte d'autonomie
CA2605239A1 (en) 2005-05-02 2006-11-09 University Of Virginia Patent Foundation Systems, devices, and methods for interpreting movement
US8021299B2 (en) 2005-06-01 2011-09-20 Medtronic, Inc. Correlating a non-polysomnographic physiological parameter set with sleep states
US7733224B2 (en) 2006-06-30 2010-06-08 Bao Tran Mesh network personal emergency response appliance
US20070129769A1 (en) * 2005-12-02 2007-06-07 Medtronic, Inc. Wearable ambulatory data recorder
US7957809B2 (en) 2005-12-02 2011-06-07 Medtronic, Inc. Closed-loop therapy adjustment
GB0602127D0 (en) * 2006-02-02 2006-03-15 Imp Innovations Ltd Gait analysis
EP1834580A1 (de) * 2006-03-17 2007-09-19 Universita' degli studi di Bari Apparat und Methode zur Messung und Analyse von Biodaten, inbesondere von Daten den Gang betreffend
EP1998849B1 (de) 2006-03-24 2014-12-24 Medtronic, Inc. Sammlung von ganginformationen zur beurteilung und kontrolle einer therapie
US9060683B2 (en) 2006-05-12 2015-06-23 Bao Tran Mobile wireless appliance
US8968195B2 (en) 2006-05-12 2015-03-03 Bao Tran Health monitoring appliance
US8323189B2 (en) 2006-05-12 2012-12-04 Bao Tran Health monitoring appliance
US7539533B2 (en) 2006-05-16 2009-05-26 Bao Tran Mesh network monitoring appliance
WO2007138930A1 (ja) * 2006-05-29 2007-12-06 Sharp Kabushiki Kaisha 疲労推定装置及びそれを搭載した電子機器
JP5079008B2 (ja) * 2006-09-19 2012-11-21 シナーク・インコーポレイテッド 軟骨構造に関連した病変表示測度及びその自動数量化
BRPI0718640A2 (pt) 2006-11-14 2013-11-26 Koninkl Philips Electronics Nv Sistema e método para prevenção de queda para um usuário
US7612681B2 (en) 2007-02-06 2009-11-03 General Electric Company System and method for predicting fall risk for a resident
US8788055B2 (en) 2007-05-07 2014-07-22 Medtronic, Inc. Multi-location posture sensing
US8103351B2 (en) 2007-05-07 2012-01-24 Medtronic, Inc. Therapy control using relative motion between sensors
US20090076419A1 (en) * 2007-05-23 2009-03-19 Cybernet Systems Corporation Loss-of-balance and fall detection system
WO2009023923A1 (en) * 2007-08-21 2009-02-26 Commonwealth Scientific And Industrial Research Organisation Body movement analysis method and apparatus
WO2009029834A1 (en) * 2007-09-01 2009-03-05 Engineering Acoustics, Inc. System and method for vibrotactile guided motional training
US8206325B1 (en) 2007-10-12 2012-06-26 Biosensics, L.L.C. Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection
US20090137933A1 (en) * 2007-11-28 2009-05-28 Ishoe Methods and systems for sensing equilibrium
WO2009111886A1 (en) * 2008-03-14 2009-09-17 Stresscam Operations & Systems Ltd. Assessment of medical conditions by determining mobility
US20090240170A1 (en) * 2008-03-20 2009-09-24 Wright State University Systems and methods for determining pre-fall conditions based on the angular orientation of a patient
US9138174B2 (en) 2008-05-12 2015-09-22 Koninklijke Philips N.V. Displacement measurement in a fall detection system
US7893843B2 (en) * 2008-06-18 2011-02-22 Healthsense, Inc. Activity windowing
US8996332B2 (en) 2008-06-24 2015-03-31 Dp Technologies, Inc. Program setting adjustments based on activity identification
US8751011B2 (en) 2008-07-11 2014-06-10 Medtronic, Inc. Defining therapy parameter values for posture states
US8583252B2 (en) 2008-07-11 2013-11-12 Medtronic, Inc. Patient interaction with posture-responsive therapy
US8708934B2 (en) 2008-07-11 2014-04-29 Medtronic, Inc. Reorientation of patient posture states for posture-responsive therapy
US8401666B2 (en) 2008-07-11 2013-03-19 Medtronic, Inc. Modification profiles for posture-responsive therapy
US9050471B2 (en) 2008-07-11 2015-06-09 Medtronic, Inc. Posture state display on medical device user interface
US8504150B2 (en) 2008-07-11 2013-08-06 Medtronic, Inc. Associating therapy adjustments with posture states using a stability timer
US9776008B2 (en) 2008-07-11 2017-10-03 Medtronic, Inc. Posture state responsive therapy delivery using dwell times
US8282580B2 (en) 2008-07-11 2012-10-09 Medtronic, Inc. Data rejection for posture state analysis
US8249718B2 (en) 2008-07-11 2012-08-21 Medtronic, Inc. Programming posture state-responsive therapy with nominal therapy parameters
US9301712B2 (en) * 2008-07-29 2016-04-05 Portland State University Method and apparatus for continuous measurement of motor symptoms in parkinson's disease and essential tremor with wearable sensors
US8280517B2 (en) 2008-09-19 2012-10-02 Medtronic, Inc. Automatic validation techniques for validating operation of medical devices
US20100076348A1 (en) * 2008-09-23 2010-03-25 Apdm, Inc Complete integrated system for continuous monitoring and analysis of movement disorders
CN102164532B (zh) * 2008-09-23 2014-10-15 皇家飞利浦电子股份有限公司 功率测量方法和装置
TW201020516A (en) * 2008-11-27 2010-06-01 Inst Information Industry Determination apparatus and methods for pedestrian motion modes, and storage media
US8920345B2 (en) * 2008-12-07 2014-12-30 Apdm, Inc. System and apparatus for continuous monitoring of movement disorders
US8647287B2 (en) * 2008-12-07 2014-02-11 Andrew Greenberg Wireless synchronized movement monitoring apparatus and system
FR2942388B1 (fr) * 2009-02-26 2012-10-12 Movea Systeme et procede de detection de marche d'une personne
US20100268551A1 (en) * 2009-04-20 2010-10-21 Apdm, Inc System for data management, analysis, and collaboration of movement disorder data
US8164444B2 (en) * 2009-04-29 2012-04-24 Healthsense, Inc. Position detection
US9327070B2 (en) 2009-04-30 2016-05-03 Medtronic, Inc. Medical device therapy based on posture and timing
US8175720B2 (en) 2009-04-30 2012-05-08 Medtronic, Inc. Posture-responsive therapy control based on patient input
US8231555B2 (en) 2009-04-30 2012-07-31 Medtronic, Inc. Therapy system including multiple posture sensors
WO2010128444A1 (en) 2009-05-04 2010-11-11 Koninklijke Philips Electronics N.V. Fall prevention system
CN102469955B (zh) * 2009-07-10 2015-07-08 皇家飞利浦电子股份有限公司 确定用户的跌倒风险的方法和设备
US8876739B2 (en) * 2009-07-24 2014-11-04 Oregon Health & Science University System for clinical assessment of movement disorders
US8491504B2 (en) * 2009-08-04 2013-07-23 University Of South Carolina Devices and methods for monitoring sit to stand transfers
US9357949B2 (en) 2010-01-08 2016-06-07 Medtronic, Inc. User interface that displays medical therapy and posture data
US9956418B2 (en) 2010-01-08 2018-05-01 Medtronic, Inc. Graphical manipulation of posture zones for posture-responsive therapy
US8388555B2 (en) 2010-01-08 2013-03-05 Medtronic, Inc. Posture state classification for a medical device
US8579834B2 (en) 2010-01-08 2013-11-12 Medtronic, Inc. Display of detected patient posture state
US8612146B2 (en) * 2010-02-15 2013-12-17 Texas Instruments Incorporated Accelerometer-aided gyroscope
US8979665B1 (en) 2010-03-22 2015-03-17 Bijan Najafi Providing motion feedback based on user center of mass
US9566441B2 (en) 2010-04-30 2017-02-14 Medtronic, Inc. Detecting posture sensor signal shift or drift in medical devices
US8427324B2 (en) 2010-07-30 2013-04-23 General Electric Company Method and system for detecting a fallen person using a range imaging device
US9116220B2 (en) * 2010-12-27 2015-08-25 Microsoft Technology Licensing, Llc Time synchronizing sensor continuous and state data signals between nodes across a network
US8753275B2 (en) 2011-01-13 2014-06-17 BioSensics LLC Intelligent device to monitor and remind patients with footwear, walking aids, braces, or orthotics
US9069380B2 (en) 2011-06-10 2015-06-30 Aliphcom Media device, application, and content management using sensory input
EP2725975A1 (de) * 2011-06-28 2014-05-07 Koninklijke Philips N.V. Erkennung des übergangs von einer sitz- in eine stehposition
US8960940B2 (en) * 2011-06-29 2015-02-24 Martin Edward Hellkamp Level light
GB2492754A (en) * 2011-07-06 2013-01-16 Dominic Goodwin An electronic posture sensor / personal massager / pelvic floor trainer reactive to the squeezing or orientation or motion of the device
WO2013010040A1 (en) 2011-07-13 2013-01-17 Zero2One System and method of biomechanical posture detection and feedback
US9128521B2 (en) 2011-07-13 2015-09-08 Lumo Bodytech, Inc. System and method of biomechanical posture detection and feedback including sensor normalization
US20130023798A1 (en) * 2011-07-20 2013-01-24 Intel-Ge Care Innovations Llc Method for body-worn sensor based prospective evaluation of falls risk in community-dwelling elderly adults
JP6023809B2 (ja) 2011-08-18 2016-11-09 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 加速度測定に基づく水平又は垂直方向の速度推定
US9524424B2 (en) 2011-09-01 2016-12-20 Care Innovations, Llc Calculation of minimum ground clearance using body worn sensors
CN104244821B (zh) * 2011-09-02 2016-10-26 皇家飞利浦有限公司 离床监测装置
US20130281888A1 (en) * 2011-10-14 2013-10-24 Robert Bender Task-associated motion analysis
ES2405033B1 (es) 2011-11-16 2014-07-18 Telefónica, S.A. Método y sistema para el cálculo de corrección de un ejercicio físico
US9451905B2 (en) 2011-12-20 2016-09-27 Koninklijke Philips N.V. Method and apparatus for monitoring the baroreceptor reflex of a user
US9352207B2 (en) 2012-01-19 2016-05-31 Nike, Inc. Action detection and activity classification
WO2013113036A1 (en) 2012-01-26 2013-08-01 Healthmantic, Inc System and method for processing motion-related sensor data with social mind-body games for health application
US10307111B2 (en) 2012-02-09 2019-06-04 Masimo Corporation Patient position detection system
US20130267873A1 (en) * 2012-04-10 2013-10-10 Mindray Ds Usa, Inc. Systems and methods for monitoring patients with real-time video
US9907959B2 (en) 2012-04-12 2018-03-06 Medtronic, Inc. Velocity detection for posture-responsive therapy
US9737719B2 (en) 2012-04-26 2017-08-22 Medtronic, Inc. Adjustment of therapy based on acceleration
US9588582B2 (en) 2013-09-17 2017-03-07 Medibotics Llc Motion recognition clothing (TM) with two different sets of tubes spanning a body joint
US10321873B2 (en) 2013-09-17 2019-06-18 Medibotics Llc Smart clothing for ambulatory human motion capture
US10716510B2 (en) 2013-09-17 2020-07-21 Medibotics Smart clothing with converging/diverging bend or stretch sensors for measuring body motion or configuration
US9582072B2 (en) 2013-09-17 2017-02-28 Medibotics Llc Motion recognition clothing [TM] with flexible electromagnetic, light, or sonic energy pathways
US10602965B2 (en) 2013-09-17 2020-03-31 Medibotics Wearable deformable conductive sensors for human motion capture including trans-joint pitch, yaw, and roll
CA2882453C (en) 2012-08-27 2021-07-20 Universite Du Quebec A Chicoutimi Method to determine physical properties of the ground, foot-worn sensor therefore, and method to advise a user of a risk of falling based thereon
US9877667B2 (en) 2012-09-12 2018-01-30 Care Innovations, Llc Method for quantifying the risk of falling of an elderly adult using an instrumented version of the FTSS test
ES2448941B1 (es) * 2012-09-17 2015-02-10 Mª Del Carmen LOPEZ GONZALEZ Método y sistema de alarma para detectar posturas incorrectas
US10085562B1 (en) 2016-10-17 2018-10-02 Steelcase Inc. Ergonomic seating system, tilt-lock control and remote powering method and appartus
US9486070B2 (en) 2012-10-10 2016-11-08 Stirworks Inc. Height-adjustable support surface and system for encouraging human movement and promoting wellness
US10827829B1 (en) 2012-10-10 2020-11-10 Steelcase Inc. Height adjustable support surface and system for encouraging human movement and promoting wellness
US10038952B2 (en) 2014-02-04 2018-07-31 Steelcase Inc. Sound management systems for improving workplace efficiency
US20140142442A1 (en) * 2012-11-19 2014-05-22 Judy Sibille SNOW Audio Feedback for Medical Conditions
CN105101869B (zh) * 2012-11-30 2018-06-12 皇家飞利浦有限公司 用于识别坐姿与站姿之间的转变的方法和装置
BR112015012301A2 (pt) * 2012-11-30 2020-04-22 Koninklijke Philips Nv método para estimar o risco de queda de um usuário, produto de programa de computador, aparelho para estimar um risco de queda para um usuário, dispositivo que é configurado para ser usado junto ao corpo de um usuário e sistema
US9865176B2 (en) 2012-12-07 2018-01-09 Koninklijke Philips N.V. Health monitoring system
US9226706B2 (en) * 2012-12-19 2016-01-05 Alert Core, Inc. System, apparatus, and method for promoting usage of core muscles and other applications
JP5811360B2 (ja) * 2012-12-27 2015-11-11 カシオ計算機株式会社 運動情報表示システムおよび運動情報表示方法、運動情報表示プログラム
US9384671B2 (en) 2013-02-17 2016-07-05 Ronald Charles Krosky Instruction production
US9706949B2 (en) * 2013-02-27 2017-07-18 The Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville Systems and methods for automatically quantifying mobility
US9311789B1 (en) 2013-04-09 2016-04-12 BioSensics LLC Systems and methods for sensorimotor rehabilitation
US9591996B2 (en) * 2013-06-07 2017-03-14 Lumo BodyTech, Inc System and method for detecting transitions between sitting and standing states
WO2014210344A1 (en) * 2013-06-26 2014-12-31 The Cleveland Clinic Foundation Systems and methods to assess balance
CN106061383A (zh) * 2013-09-19 2016-10-26 多萨威（澳大利亚）私人有限公司 用于监测身体的动态活动质量的方法和装置
JP6448015B2 (ja) * 2014-04-23 2019-01-09 株式会社タニタ 運動機能測定装置、方法、及びプログラム
WO2015200704A1 (en) 2014-06-25 2015-12-30 Hunter William L Devices, systems and methods for using and monitoring implants
US11596347B2 (en) 2014-06-25 2023-03-07 Canary Medical Switzerland Ag Devices, systems and methods for using and monitoring orthopedic hardware
CA3161026A1 (en) 2014-09-17 2016-03-24 Canary Medical Inc. Devices, systems and methods for using and monitoring medical devices
US11013451B2 (en) * 2014-09-19 2021-05-25 Brigham Young University Marker-less monitoring of movement disorders
US11504029B1 (en) 2014-10-26 2022-11-22 David Martin Mobile control using gait cadence
US20160166180A1 (en) * 2014-12-11 2016-06-16 David Martin Enhanced Real Time Frailty Assessment for Mobile
EP3032455A1 (de) * 2014-12-09 2016-06-15 Movea Vorrichtung und Verfahren zur Klassifizierung und Neuklassifizierung einer Benutzeraktivität
CN104586402B (zh) * 2015-01-22 2017-01-04 清华大学深圳研究生院 一种人体活动的特征提取方法
US9734690B2 (en) 2015-04-15 2017-08-15 Nortek Security & Controls LLC System and method for activity monitoring and fall detection
US9855005B2 (en) 2015-04-22 2018-01-02 Samsung Electronics Co., Ltd. Wearable posture advisory system
CN108348162B (zh) 2015-08-31 2021-07-23 梅西莫股份有限公司 无线式病人监护系统和方法
US10314520B2 (en) 2015-10-02 2019-06-11 Seismic Holdings, Inc. System and method for characterizing biomechanical activity
US10463909B2 (en) 2015-12-27 2019-11-05 Seismic Holdings, Inc. System and method for using performance signatures
US10959647B2 (en) 2015-12-30 2021-03-30 Seismic Holdings, Inc. System and method for sensing and responding to fatigue during a physical activity
WO2017153120A1 (en) * 2016-03-07 2017-09-14 Koninklijke Philips N.V. System and method for implementing a chair rise test
MX2018011544A (es) 2016-03-23 2019-06-24 Canary Medical Inc Procesador de informacion implantable para implante de alerta.
US11191479B2 (en) 2016-03-23 2021-12-07 Canary Medical Inc. Implantable reporting processor for an alert implant
US20170273601A1 (en) * 2016-03-28 2017-09-28 Lumo BodyTech, Inc System and method for applying biomechanical characterizations to patient care
US9921726B1 (en) 2016-06-03 2018-03-20 Steelcase Inc. Smart workstation method and system
US10035555B2 (en) 2016-07-06 2018-07-31 International Business Machines Corporation Cognitive stabilizer wheels for vehicles
US20180035924A1 (en) * 2016-08-02 2018-02-08 Medtronic, Inc. Accelerometer signal change as a measure of patient functional status
US10335047B2 (en) 2016-08-02 2019-07-02 Medtronic, Inc. Automatic heart rate diagnostics
US10952686B2 (en) * 2016-08-02 2021-03-23 Medtronic, Inc. Mobile application to prompt physical action to measure physiologic response in implantable device
US10610132B2 (en) 2016-08-02 2020-04-07 Medtronic, Inc. Step detection using accelerometer axis
WO2018053445A1 (en) * 2016-09-19 2018-03-22 Baylor College Of Medicine Instrumented trail making task (itmt)
US11076777B2 (en) 2016-10-13 2021-08-03 Masimo Corporation Systems and methods for monitoring orientation to reduce pressure ulcer formation
FI3586741T3 (fi) * 2017-02-21 2023-06-15 Fujitsu Ltd Liikkumisenilmaisujärjestelmä, liikkumisenilmaisulaite ja liikkumisenilmaisumenetelmä
SE541712C2 (en) * 2017-02-22 2019-12-03 Next Step Dynamics Ab Method and apparatus for health prediction
US10832817B2 (en) * 2017-04-10 2020-11-10 International Business Machines Corporation Cognitive passive health monitoring
US11166640B2 (en) * 2017-06-02 2021-11-09 Apple Inc. Physiological sampling during predetermined activities
US10874313B2 (en) 2017-06-04 2020-12-29 Apple Inc. Heartrate tracking techniques
US11596795B2 (en) 2017-07-31 2023-03-07 Medtronic, Inc. Therapeutic electrical stimulation therapy for patient gait freeze
US11304649B2 (en) 2018-02-05 2022-04-19 Tallinn University Of Technology System and method for self-assessment of physical capabilities and condition changes
US11717186B2 (en) 2019-08-27 2023-08-08 Medtronic, Inc. Body stability measurement
CN110779148B (zh) * 2019-11-14 2021-05-14 宁波奥克斯电气股份有限公司 一种基于毫米波的空调趣味控制方法、装置及空调器
WO2021189007A1 (en) 2020-03-20 2021-09-23 Masimo Corporation Remote patient management and monitoring systems and methods
GB2593931A (en) * 2020-04-09 2021-10-13 Kraydel Ltd Person monitoring system and method
USD974193S1 (en) 2020-07-27 2023-01-03 Masimo Corporation Wearable temperature measurement device
USD980091S1 (en) 2020-07-27 2023-03-07 Masimo Corporation Wearable temperature measurement device
US11602313B2 (en) 2020-07-28 2023-03-14 Medtronic, Inc. Determining a fall risk responsive to detecting body position movements
USD1000975S1 (en) 2021-09-22 2023-10-10 Masimo Corporation Wearable temperature measurement device
JP7134371B1 (ja) * 2022-01-31 2022-09-09 社会福祉法人兵庫県社会福祉事業団 運動機能評価システム、運動機能評価方法及び運動機能評価プログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5125412A (en) * 1990-07-23 1992-06-30 Thornton William E Musculoskeletal activity monitor
US5337758A (en) * 1991-01-11 1994-08-16 Orthopedic Systems, Inc. Spine motion analyzer and method
US5919149A (en) * 1996-03-19 1999-07-06 Allum; John H. Method and apparatus for angular position and velocity based determination of body sway for the diagnosis and rehabilitation of balance and gait disorders
DE19653773C1 (de) * 1996-12-21 1998-07-02 Ggt Ges Fuer Gerontotechnik Mb Verfahren und Anordnung zur Erfassung von Sturzsituationen gesundheitsgefährdeter Personen
DE29719250U1 (de) * 1997-10-30 1998-05-07 Hauptverband Der Gewerblichen Körperbelastungsmeß- und Analysesystem
US6059576A (en) * 1997-11-21 2000-05-09 Brann; Theodore L. Training and safety device, system and method to aid in proper movement during physical activity
NL1008619C2 (nl) * 1998-03-17 1999-10-01 Robert Christiaan Van Lummel Werkwijze voor het meten en aangeven van de mate waarin een persoon beperkt is in activiteiten van het dagelijks leven.
US6095991A (en) * 1998-07-23 2000-08-01 Individual Monitoring Systems, Inc. Ambulatory body position monitor
FR2804596B1 (fr) * 2000-02-04 2002-10-04 Agronomique Inst Nat Rech Procede d'analyse d'irregularites de locomotion humaine
US6659968B1 (en) * 2000-06-01 2003-12-09 Advanced Bionics Corporation Activity monitor for pain management efficacy measurement

Also Published As

Publication number Publication date
WO2002028282A1 (en) 2002-04-11
AU2001289466A1 (en) 2002-04-15
EP1322227A1 (de) 2003-07-02
ATE314006T1 (de) 2006-01-15
US20040015103A1 (en) 2004-01-22
DE60116344D1 (de) 2006-02-02
EP1322227B1 (de) 2005-12-28
US7141026B2 (en) 2006-11-28
EP1195139A1 (de) 2002-04-10
ES2254488T3 (es) 2006-06-16

Similar Documents

Publication Publication Date Title
DE60116344T2 (de) Körperbewegungsüberwachungssystem und -verfahren
Najafi et al. Ambulatory system for human motion analysis using a kinematic sensor: monitoring of daily physical activity in the elderly
DE602004006803T2 (de) Tragbarer Detektor zur Messung von Personenbewegungen
DE69532207T2 (de) Verfahren und vorrichtung zur gleichzeitigen auswertung von ambulant-registrierten bewegungssignalen verschiedener körperteile eines probanden
Henriksen et al. Test–retest reliability of trunk accelerometric gait analysis
EP1763656B1 (de) Kraftauswertevorrichtung und kraftauswerteverfahren zur bestimmung von gleichgewichtskenngrössen
US5813993A (en) Alertness and drowsiness detection and tracking system
Bidargaddi et al. Detecting walking activity in cardiac rehabilitation by using accelerometer
DE102018107633B4 (de) Schlaganfallüberwachungssystem
Millecamps et al. Understanding the effects of pre-processing on extracted signal features from gait accelerometry signals
DE60315080T2 (de) Verfahren und vorrichtung zum extrahieren kausaler informationen aus einer chaotischen zeitreihe
Tosi et al. Feature extraction in sit-to-stand task using M-IMU sensors and evaluatiton in Parkinson's disease
González et al. Estimation of temporal gait events from a single accelerometer through the scale-space filtering idea
Kong et al. Comparison of gait event detection from shanks and feet in single-task and multi-task walking of healthy older adults
Giansanti et al. Physiological motion monitoring: a wearable device and adaptative algorithm for sit-to-stand timing detection
Newell et al. The dynamical structure of tremor in tardive dyskinesia
Najafi et al. An ambulatory system for physical activity monitoring in elderly
DE102015222499B3 (de) Verfahren und Vorrichtung zur Erfassung der Atmung und der Herztätigkeit einer Person
Javaid et al. Balance-based time-frequency features for discrimination of young and elderly subjects using unsupervised methods
Koles et al. The relationship between body sway and foot pressure in normal man
Wilk et al. Assessment of a hand tremor based on analysis of the accelerometer signal
Shin et al. Application of cross time-frequency analysis to postural sway behavior: the effects of aging and visual systems
Wang et al. Acceleration and electromyography (EMG) pattern analysis for children with cerebral palsy
Najafi et al. Falling risk evaluation in elderly using miniature gyroscope
CN113812964A (zh) 脑电特征的代理测量及伪多模态冻结步态检测方法、装置

Legal Events

Date Code Title Description
8364 No opposition during term of opposition