TW201942885A - 以日常生活動作為判斷基準之跌倒感測系統及其方法 - Google Patents
以日常生活動作為判斷基準之跌倒感測系統及其方法 Download PDFInfo
- Publication number
- TW201942885A TW201942885A TW107110751A TW107110751A TW201942885A TW 201942885 A TW201942885 A TW 201942885A TW 107110751 A TW107110751 A TW 107110751A TW 107110751 A TW107110751 A TW 107110751A TW 201942885 A TW201942885 A TW 201942885A
- Authority
- TW
- Taiwan
- Prior art keywords
- unit
- fall
- signal
- action
- data
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明係提供一種跌倒感測系統,主要透過感測單元進行動作之感測後,以將其所得之感測訊號儲存至儲存單元內,再透過校正單元針對感測訊號以生理訊號正規化方法與動作訊號正規化方法進行校正,其後再由動作識別單元依據校正後之感測訊號以生成一動作區別資料去區分不同的動作,最後再由辨識單元根據跌倒判定閾值判斷使用者之動作是否超出其跌倒判定閾值而有跌倒動作的發生;而若超出其跌倒判定閾值以判定有跌倒動作發生時,其辨識單元則會立即輸出一訊號至防護元件及警示元件或是其二者之一,進以提供使用者於跌倒動作發生時,可立即提供警示及防護之功效。
Description
本發明係為一種跌倒感測系統及方法,尤指一種藉由感測及運算之方式以判斷跌倒動作,且提供立即警示及防護之跌倒感測系統及方法。
跌倒為一般日常生活常見之意外事故,而在高齡者族群更為頻繁,於行政院主計處94年度社會發展趨勢調查的健康項目中指出,跌倒佔高齡族群事故比例為72.8%,在65歲以上老人亦是跌倒死亡的最高危險群(51.0%)。民國96年中老年身心社會生活狀況長期追蹤調查(第六次)顯示55-64歲、65-74歲、75歲以上過去一年曾跌倒或摔倒之百分比分別為14.9%、19.9%、26.5%,而其中導致骨折、骨裂或扭傷、脫臼之百分比分別為39.4%、30.7%及33.0%。在65歲以上老人亦是跌倒死亡的最高危險群(51.0%)。國外研究也顯示出相似的結果,美國65歲以上的老年人中,15.9%於過去三個月內有跌倒的經驗,80歲以上的老年人跌倒的比例增加至20.8%,而65歲以上老年人跌倒成長幅度為每年3.3% ,依照此成長幅度推算,則可能再2025年後超過50%,成為一嚴重的社會議題,而在過去一年中曾跌倒兩次以上之老年女性為10.8%,男性為12.1%,且男性跌倒兩次以上比例會隨者年齡成長。
隨著跌倒的發生,同時會對人體產生各種的傷害,一般的物理性創傷如擦傷,肌肉骨骼系統的扭傷、拉傷及骨折等高風險因素,皆會對老年人造成嚴重傷害。老年人中有20至30%跌倒者會受到中度以上傷害,造成活動能力下降,甚至影響日常生活之能力,為此需提供專人額外照護,增加醫療及社會成本。在民國98年門、住診合計(包括急診)醫療費用(點數)統計65歲以上老年人在骨折、脫臼、扭傷及拉傷的醫療費用約為291萬,約佔同年齡層所有醫療費用的2%,最嚴重的情況甚至會造成高齡者因跌倒而死亡。更有研究指出,老年人因跌倒致死的件數亦逐年增加。跌倒除物理性傷害外,亦有心理性的傷害產生,老年人在跌倒之後因害怕再次發生跌倒的情況,在其認知上會將與跌倒共同程序性過程之日常生活情況加以限制,以期望能避免跌倒的再次發生,但卻因此不僅造成生活品質(quality of life)下降,也因減少日常生活的活動導致身體各種機能退化,增加再次跌倒的風險。根據台灣衛生署調查,跌倒事件發生後,高齡跌倒者有57.8%會害怕再度跌倒,其中因此減少活動的老年人甚至高達57.0%。綜合以上各種觀點,跌倒無論是在生理或是心理層面,甚至從社會及經濟層面來看,皆為一嚴重的議題,且其不只對老年人本身的健康與生活品質造成影響,甚至於其家人朋友的照顧與互動亦會產生各種問題。
如此,在社會越趨高齡化的狀況下,近年來亦有越來越多老年人獨自在家的情形,然而,因老年人身體活動量的減少,導致生理產生變化,係如骨質的流失,肌力及平衡能力下降、認知功能的衰退、思考能力及反應時間變慢等,其老化所帶來生理的改變,對日常生活有著相當大的影響。
另外,世界衛生組織(World Health Organization, WHO)界定,總人口數內的7%為65歲以上老年人口時即為「高齡化社會」(ageing society);超過14%時,為高齡社會(aged society);超過21%時則為超高齡社會(super-aged society)。台灣社會於1993年即邁入高齡化社會,根據行政院主計處調查資料顯示,至2010年底,我國老年人比例已達總人口10.7%,老化指數已升至68.2,根據人口推計所顯示的數據,在2020年我國老年人口比例會升至16.3%,2035年甚至會高達27.9%,依此老年人口成長之趨勢,在未來的10至數十年間,高齡者所面臨的問題將會成為社會上最嚴重的議題。
由前述可知,跌倒發生率在高齡者中佔有30%以上比例,隨著老年人口比例上升,跌倒比例在總人口中也隨著上升使得跌倒成為嚴重的風險因子,為此須探討如何避免因跌倒造成的傷害。最直接方法為直接避免跌倒,例如:使高齡者減少行走、使高齡者使用行走輔具輔助行走時能維持平衡、以看護或家人等隨侍攙扶高齡者等,但此類方法易降低高齡者生活品質,使其無法隨自由意志進行想要的活動。
如此,為避免因跌倒而造成的傷害,現今已有發明出相關之跌倒感測防護裝置以避免跌倒所造成的損傷,然而,因現今的跌倒感測防護裝置大多使用姿勢或跌倒動作做為判斷依據,但跌倒總是常發生在日常生活當中,且跌倒感測防護裝置的發展卻鮮少以各種日常生活動作做為判定依據。再者,人體個體差異大動作也存在著個體差異,且目前習知技術卻鮮少將日常生活動作與人體個體差異納入考量。因此,如何克服上述習知技術的種種問題,實已成目前亟欲解決的課題。
再者,鑑於每個人的個體差異所造成的動作差異,其動作差異會影響感測單元偵測判定,進而造成動作與跌倒的誤判,為避免此類情況發生,可藉由本專利特色技術針對使用者個人化資訊做為校正依據,以提升動作與跌倒判定的準確率。本專利技術特點可於跌倒發生時至身體撞擊地面間給與防護元件與警示元件觸發訊號,最快可於跌倒發生後200ms內發送觸發訊號,以提供即時防護減輕跌倒傷害與通知他人前往救援。
習用之跌倒感測防護裝置大多使用姿勢或跌倒動作做為判斷依據;如此,因人體個體差異大動作也存在著個體差異,且目前習知技術卻鮮少將日常生活動作與人體個體差異納入考量,故易有判定不夠準確的問題存在;
因此,為改善上揭之目的者本發明係提供一種以日常生活動作為判斷基準之跌倒感測系統,其包括感測單元、校正單元、動作識別單元以及辨識單元。其中,感測單元係感測使用者之動作以生成一感測訊號,該感測訊號包含但不限生理訊號與動作訊號,當感測單元感測到使用者之動作而生成其感測訊號後,則會將感測訊號傳送至校正單元。校正單元與感測單元相連接,又校正單元係透過生理訊號正規化方法與動作訊號正規化方法對感測訊號進行校正,進以生成一校正感測訊號。動作識別單元與校正單元相連接,而當校正單元生成其校正感測訊號後則會傳送至動作識別單元。動作識別單元則依據其校正感測訊號以及動作閾值設定以區分出其動作後,再生成一動作區別資料。辨識單元與動作識別單元相電性連接,由動作識別單元生成其動作區別資料後則再傳送至辨識單元,該辨識單元會透過動作區別資料以明確判別其動作,並依動作區別資料所對應之一跌倒判定閾值相互比較以進行跌倒動作的判斷。
較佳地,跌倒感測系統更進一步包括有儲存單元,連接於感測單元與校正單元之間,以儲存感測訊號,並供校正單元取用。
較佳地,校正單元將該感測訊號分成複數個區間,並依該複數個區間進行校正,其中,複數個區間包含但不限定為連續區間或滑動區間(Moving window),動作識別單元係透過三軸疊加加速度資料的標準差以區分校正感測訊號的動作。
較佳地,感測訊號之生理訊號正規化係以量測到至少一條肌肉之一肌電訊號,經一濾波器去除雜訊後,一次讀入複數筆時間點資料,並對該條肌肉所有的該肌電訊號之最大自主收縮肌電訊號的平均值與標準差進行正規化。
較佳地,感測訊號之動作訊號正規化係以各動作在人體上代表之肢段或個體的卡式座標三軸方向的叉積,將叉積得到的三軸訊號資料各自平方疊加開根號後,再與一資料庫中該動作下之平均值做比較而實現。
較佳地,進一步包括運算單元,與動作識別單元或辨識單元連接,運算單元根據運算參考資料運算該動作閾值設定或不同動作之該跌倒判定閾值,以設定該動作識別單元之該動作閾值設定或該辨識單元之該跌倒判定閾值。
較佳地,進一步包括資料單元,係與運算單元連接,資料單元係提供運算參考資料予運算單元,運算單元進一步根據運算參考資料運算該動作閾值設定或不同動作之該跌倒判定閾值,以設定動作識別單元之該動作閾值設定或辨識單元之該跌倒判定閾值。
較佳地,當辨識單元判定該動作為跌倒時,則傳送一訊號予警示元件以達到警示或通報效果,或傳送該訊號至防護元件以達到保護效果。
較佳地,動作識別單元生成的動作區別資料以及辨識單元判定跌到後之跌倒判斷資料則會回傳至運算單元中以利後續運算使用。
另外,係進一步提供一種以日常生活動作為判斷基準之跌倒感測方法,其包括:藉由感測單元感測使用者的動作以生成感測訊號,感測單元係將感測訊號傳送至校正單元,校正單元透過生理訊號正規化方法與動作訊號正規化方法對感測訊號進行校正以生成校正感測訊號,而校正單元則會將校正感測訊號傳送至動作識別單元,動作識別單元會依據校正感測訊號以及動作閾值設定以區分出其動作後再生成動作區別資料且將動作區別資料傳送至辨識單元,以及當辨識單元接收到動作區別資料後,則會透過動作區別資料以明確判別其動作,並依動作區別資料所對應之跌倒判定閾值相互比較以進行跌倒動作的判斷。
較佳地,動作識別單元係透過三軸疊加加速度資料的標準差以區分該校正感測訊號的動作,校正單元將該感測訊號分成複數個區間,並依該複數個區間進行校正。
較佳地,生理訊號正規化係以量測到一條肌肉之一肌電訊號,經一濾波器去除雜訊後,一次讀入複數筆時間點資料,並對該條肌肉所有的該肌電訊號之最大自主收縮肌電訊號的平均值與標準差進行正規化。
較佳地,動作訊號正規化係以各動作在人體上代表之肢段或個體的卡式座標三軸方向的叉積,將叉積得到的三軸訊號資料各自平方疊加開根號後,再與一資料庫中該動作下之平均值做比較而實現。
較佳地,進一步包括以運算單元根據運算參考資料運算動作閾值設定或不同動作之該跌倒判定閾值,以設定動作識別單元之動作閾值設定或辨識單元之跌倒判定閾值。
較佳地,進一步包括資料單元,係與運算單元連接,資料單元係提供運算參考資料予運算單元。
較佳地,當辨識單元判定該動作為跌倒時,則進一步包含傳送一訊號予警示元件以達到警示或通報效果,或傳送該訊號至防護元件以達到保護效果。
較佳地,動作識別單元生成的動作區別資料以及辨識單元判定跌到後之跌倒判斷資料則會回傳至運算單元中以利後續運算使用。
為使本發明之上述目的、特徵和優點能更明顯易懂,下文茲配合圖示列舉具體實施例。
為使 貴審查委員方便了解本發明之內容,以及所能達成之功效,茲配合圖示列舉具體實施例,詳細說明如下:
請參閱第1圖至第3圖,係為本發明之系統方塊示意圖、第一次運行之流程圖及動作識別單元運算流程圖,如圖所示,本發明之跌倒感測系統10係包含感測單元20、儲存單元30、校正單元40、動作識別單元50以及辨識單元60。其中,感測單元20,其感測單元20用於感測使用者之動作後以生成一感測訊號21。儲存單元30,當感測單元20感測到使用者之動作而生成其感測訊號21後,則會進一步地將其感測訊號21傳送至儲存單元30,以透過儲存單元30將其感測訊號21儲存於儲存單元30內。校正單元40,當儲存單元30將其感測訊號21儲存於儲存單元30內後,校正單元40則會獲取儲存單元30內的感測訊號21,再透過校正單元40對感測訊號21進行校正後,進以生成一校正感測訊號41,其校正單元40係透過生理訊號正規化方法與動作訊號正規化方法進行校正。動作識別單元50,校正單元40生成其校正感測訊號41後則會傳送至動作識別單元50,其動作識別單元50則依據其校正感測訊號41以及動作閾值設定以區分出其動作後再生成一動作區別資料51。辨識單元60,由動作識別單元50生成其動作區別資料51後則再傳送至辨識單元60,該辨識單元60會透過動作區別資料51以明確判別使用者所作的動作為何,而後再透過其動作區別資料51與一跌倒判定閾值相互比較以進行跌倒動作的判斷。跌倒感測系統10進一步包括運算單元70,其可進一步包括運算儲存單元71。
如此,當感測單元20感測到使用者之動作後,則會將其生成一感測訊號21後傳送至儲存單元30,以透過儲存單元30儲存感測訊號21外,再透過校正單元40獲取儲存單元30內的感測訊號21進行校正。然而上述感測單元20感測之方式係以加速規為例,但感測單元20不限用加速規,其他可感測生理訊號、動作訊號,或兩者同時感測等相關裝置,係如:加速規、陀螺儀、肌電訊號、影像系統或可量測尺寸、生理訊號量測設備等不在此限,且感測單元20亦不限以穿戴式或非穿戴式之設備感測生理訊號或動作訊號。當加速規穿戴於使用者身上並截取動作後,以儲存於儲存單元30內,校正單元40將儲存單元30內的感測訊號21做區分區間,且將區分區間之資料透過生理訊號正規化方法與動作訊號正規化方法對感測訊號21進行校正,進而生成一校正感測訊號41,而後將校正感測訊號41依動作識別單元50分別辨識出靜態姿勢與動態動作,之後再分出靜態姿勢為站立、坐姿、躺姿、面向左/右躺姿,動態動作為慢跑、上樓梯、下樓梯、行走等動作。
如前所述,校正單元40將從儲存單元30獲取其感測訊號21,以進行校正。在本實施例中,當使用者第一次運作本系統時,係會將使用者本身的身高、體重、血型、血壓、血脂、血糖、個人肢段參數、身體比例等數據進行量測,以作為人體計測資料。其中個人肢段參數可進一步包括肢段長度、3D維度、直徑等相關尺寸。當校正單元40對感測訊號21進行校正時,係以前述之人體計測資料為依據。以設置在人體特定位置的加速度感測器為例,使用者做出相同的動作或使用者跌倒時,可能因為個人肢段參數、身體比例的不同,感測到不同的加速度值。例如,同樣是設置在腰部或手腕,身形高大的使用者之行進時之加速度變化區間,與身形矮小的使用者可能就不會完全相同。如此,動作識別單元50及辨識單元60進行判斷時,即無法適用相同之閾值設定。因此,其一實施例以校正單元40依據使用者之人體計測資料對感測訊號21校正,則成為後續之動作識別單元50及辨識單元60判斷是否正確之關鍵;另一實施例,則將前述之人體計測資料輸入於資料元中,並將資料回傳至運算儲存單元71,做為設定動作識別單元50之該動作閾值設定或辨識單元60之該跌倒判定閾值。
然而,透過上述人體計測資料的輸入,即可有效供予動作識別單元50及辨識單元60進行個人化之判斷,進而更有效地依照各人體型及體態的不同進行相關之跌倒判斷。
再者,上述所提及之人體計測資料雖可於第一次運作本系統時輸入資料元中,但亦可於其他時點進行輸入或以其他內建原始資料替代,故其並不限於必須於第一次運作本系統時將其輸入至資料元內。
而校正單元40的校正方法是針對生理訊號正規化方法與動作訊號正規化方法進行校正,其實施例如下所述:生理訊號正規化方法以肌電訊號為例,量測到之肌電訊號經濾波器去除雜訊後,以一次讀入二十五筆時間點資料,並以該條肌肉所有的肌電訊號資料將以最大自主收縮肌電訊號的平均值或標準差或最大值或結合前述任兩者運算方式進行正規化。動作訊號正規化方法以校正單元將定義出各動作感測單元在人體上代表該肢段或個體的卡式座標三軸方向。例如將動作感測單元於使用者的前胸、下背處脊椎L1~L5處和下肢段上,並要求使用者原地自轉定義出Z軸方向,水平前移定義出X軸方向, Y軸的方向由X、Z方向的叉積得到,再將叉積得到的三軸訊號資料各自平方疊加開根號後,再與資料庫中該動作下之平均值做比較以生成校正感測訊號41。
而前述生理訊號正規化方法與動作訊號正規化方法所產出之校正感測訊號41,將與資料庫所儲存的動作識別參考閾值做運算。舉例來說,使用者使用裝置時,動作的肌肉電訊號數值與慣性感測器所擷取到的數值,經校正單元40正規化後,會與來自資料庫的動作識別參考閾值做比較,若該動作正規化後數值與動作A的動作識別參考閾值條件相符,則判斷為動作A,此時該動作正規化數值將回傳於運算儲存單元71中,並於運算單元70中與先前的動作A的動作識別閾值資料庫做平均值標準差運算,得出個人化動作A的動作識別閾值,藉以作為個人化的日常動作分類判別閾值的調整。如此其得出的動作識別閾值即可傳送至資料庫進行儲存,以利後續之利用。
當校正單元40生成校正感測訊號41後,則會再將校正感測訊號41傳送至動作識別單元50,且將動作識別閾值傳送至資料庫。而當動作識別單元50接收到校正感測訊號41後,動作識別單元50係透過三軸疊加加速度資料的標準差以區分校正感測訊號41的動作為何,亦如將三軸疊加加速度資料的標準差,小於0.04g (Gravity)即歸類為靜態姿勢(Static Postures)。大於0.04g則歸類為動態動作(Dynamic Activities)。若被歸類為靜態姿勢,則計算X方向(上下垂直方向)加速度平均值,小於-0.50g即歸類為直立(Upright)。大於-0.50g則歸類為躺臥(Lying)。若在靜態姿勢下被歸類為直立,再計算大腿前側三軸加速規之X方向(上下垂直方向)加速度平均值,小於-0.64g即分類為靜止站立(Standing)。大於-0.64g則分類為坐姿(Be Seated)。若在靜態姿勢下被歸類為躺臥,再計算Y方向加速度平均值,小於-0.44g即分類為右側躺(Facing Right)。大於-0.44g則進一步計算是否小於0.50g,小於0.50g即分類為仰躺(Facing Upward)。大於0.50g則分類為左側躺(Facing Left)。
若歸類為動態動作,則先計算X方向加速度之標準差,若大於跑步閾值(TJ)即分類為跑步(Jogging)。若小於跑步閾值則進一步計算三軸疊加加速度之最小值,若小於個人化下樓梯閾值(TGD)即分類為下樓梯(Going Downstairs)。若大於個人化下樓梯閾值,則計算Z方向加速度之平均值,若小於個人化上樓梯閾值(TGU),即分類為上樓梯(Going Upstairs),並且同樣計算Y方向與Z方向疊加加速度之變異數。若大於個人化上樓梯閾值,則分類為行走(Walking)。
如此,透過上述之運算流程(如第3圖所示)及可分類出日常生活動作,如站立、坐下、躺下、面朝右側躺下、面朝左側躺下、慢跑、上/下樓梯、行走等動作。而分出日常生活動作後,動作識別單元50則會生成一動作區別資料51,再將動作區別資料51傳送至辨識單元60。
辨識單元60接收到動作區別資料51後,則會依下列表1之日常生活動作中行動狀態值所列的平均值定義辨識單元60中跌倒判定閾值,跌倒判定閾值需小於該平均值,當在行走時,行走的加速度平均值為5.92 m/s2
,跌倒閾值設定就須設定於5.80 m/s2
。因此當行走時,偵測的加速度小於5.80 m/s2
時,則表示跌倒發生。
表 1
更進一步地,當加速度及角速度各自軸向數值平方疊加開根號後,當加速度值小於4.5 m/s2
特定值,且延遲約200毫秒-300毫秒後,判斷角速度值大於2.9rad/s-3.6rad/s特定值後,即判別為跌倒發生,且在此加速度與角速度的綜合判斷下的跌倒辨識能力敏感度90%,且區別日常生活動作特異性則有94%。
請再參閱第1圖,跌倒感測系統10可進一步包括資料單元80、警示元件90及防護元件91,分別詳述如下。
資料單元80,係蒐集前述或內建原始之運算參考資料81,並傳送至儲存單元30或運算儲存單元71以供予運算單元70進行運算。另外,動作識別單元50生成的動作區別資料51以及辨識單元60判定跌到後之跌倒判斷資料61(包括跌倒判定閾值)則會回傳至運算儲存單元71中以利後續運算使用。又上述之資料元可為資料單元80,而上述之資料庫則可為運算儲存單元71。
又,如前所述之運算單元70係藉由運算儲存單元71內部所儲存之運算參考資料81進行運算,以生成一跌倒判定閾值,其運算儲存單元71內所儲存之運算參考資料81除了有使用者所生成之人體計測資料外,還可以有人體計測參考資料、不同動作的動作識別閾值、不同動作的動作識別參考閾值、跌倒判定閾值、跌倒判定參考閾值。上列所述之人體計測參考資料、動作識別參考閾值以及跌倒判定參考閾值資料則皆可為運算儲存單元71內建之歷史數據參考資料。又上述之動作識別閾值是由校正單元40進行相關校正動作後所得之數據,進而將其數據傳送至運算儲存單元71內。而為提升跌倒感測系統10的能力,因此在感測單元20之感測訊號21傳送至儲存單元30後,校正單元40所獲取的感測訊號21應進一步包含運算參考資料81(或將運算參考資料81包含於感測訊號21內後,再傳送至校正單元41進行校正)。而跌倒判定閾值則是藉由辨識單元60進行相關跌倒判定閾值的建立後,再傳送至運算儲存單元71內,除了利於運算參考資料81之建立外,亦可供予運算單元70進行相關之運算。又當動作識別單元50進行運算以區分校正感測訊號41的動作時,則會進一步回傳至運算單元70進行運算,運算單元70則會從運算儲存單元71內所儲存的運算參考資料與校正感測訊號41進行運算,該運算方式係為校正感測訊號41的平均值或平均值正負1-3倍標準差區間,完成運算後再回傳至動作識別單元50,進以優化動作識別能力。
警示元件90,係當辨識單元60判定動作區別資料51超出跌倒判定閾值而判斷為跌倒時,傳送一訊號予警示元件90,而當警示元件90接收到其訊號後會立即啟動達到警示與通報效果。
防護元件91,當辨識單元60判定動作區別資料51超出跌倒判定閾值而判斷為跌倒時,則會傳送一訊號予防護元件91,而當防護元件91接收到其訊號後則會立即啟動達到保護效果。
因此,跌倒發生時,辨識單元60可馬上判斷,並傳輸訊號給防護元件91,提供使用者及時防護,同時傳輸訊號給警示元件90,提供警示給予使用者、照護者、或通知其他救護單位等。
然而上述數據之取得則是在使用者初次裝備跌倒感測系統10時,要求使用者做跑步、蹲下、跳起 (或迅速站起)的動作,取各肌肉肌電訊號的最大收縮平均值和慣性感測器所擷取數值的最大加速度和角速度的疊加平均值加上各自的1~3倍標準差做為跌倒的判斷閾值,同時記錄下當時使用者的行走、上下樓、坐下起立的肌電訊號和慣性感測器所獲得訊號資料經演算後的最大值平均。爾後使用者每次穿上感測裝置的時候,便會於一開始時記錄使用者行走、上下樓、坐下起立的肌電訊號和慣性感測器所擷取數值經演算後之最大平均值,並將該值與初次穿著時的演算後平均值相減得到差值。最後每項的差做平均得到平均比例差,使用該比例差對該特定使用者的跌倒判定閾值做加權調整。通常將此比例差乘以0.1至0.5後加至初始跌倒判定閾值中,以此修正後之跌倒判定閾值判別使用者是否發生跌倒。
請參閱第4圖,係為本發明之第二次運行之流程圖,如圖所示,然完成上述之流程後,此跌倒感測系統則會持續地運行判斷,故當跌倒感測系統之感測單元20感測到使用者的第2次動作後,其亦會將第2次動作的感測訊號21傳送至儲存單元30,且透過校正單元40獲取儲存單元30內的第2次感測訊號進行校正以生成校正感測訊號41,再透過動作識別單元50依據校正感測訊號41以生成動作區別資料51後,藉由辨識單元60進行相關跌倒判斷等。而不同的是,在運行第2次的跌倒判斷時,資料單元80則不會再將運算參考資料81傳送至儲存單元30及運算儲存單元71,但校正單元40所生成的校正動作資料41、動作識別單元50生成的動作區別資料51以及辨識單元60的跌倒判斷資料61則會持續地回傳至運算儲存單元71內。其透過運算單元70運算動作區別資料51,可再進一步地優化動作識別能力,以保持跌倒感測系統10的判斷準確性,而後其辨識單元60係可再進一步透過優化後之動作識別能力判斷是否有跌倒的情形發生,若有,則會傳送一訊號予警示元件90及防護元件91或二者之一,以達到警示通報以及保護的效果。
惟,以上所述者,僅為本發明之最佳實施例,當不能以此限定本發明實施之範圍。故,凡依本發明申請專利範圍及發明說明書內容所做之簡單的等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍內。
10‧‧‧跌倒感測系統
20‧‧‧感測單元
21‧‧‧感測訊號
30‧‧‧儲存單元
40‧‧‧校正單元
41‧‧‧校正感測訊號
50‧‧‧動作識別單元
51‧‧‧動作區別資料
60‧‧‧辨識單元
61‧‧‧跌倒判斷資料
70‧‧‧運算單元
71‧‧‧運算儲存單元
80‧‧‧資料單元
81‧‧‧運算參考資料
90‧‧‧警示元件
91‧‧‧防護元件
第1圖係本發明之系統方塊示意圖。 第2圖係本發明之第一次運行之流程圖。 第3圖係本發明之動作識別單元運算流程圖。 第4圖係本發明之第二次運行之流程圖。
Claims (21)
- 一種以日常生活動作為判斷基準之跌倒感測系統,其包括: 一感測單元,係感測一使用者之動作以生成一感測訊號; 一校正單元,係與該感測單元連接,以接收該感測訊號,該校正單元對該感測訊號進行生理訊號正規化或動作訊號正規化,進而生成一校正感測訊號; 一動作識別單元,係與該校正單元連接,以接收該校正感測訊號,該動作識別單元則依據該校正感測訊號以及一動作閾值設定以區分出該使用者之動作後,據以生成一動作區別資料;以及 一辨識單元,係儲存複數個跌倒判定閾值,該複數個跌倒判定閾值分別對應不同之動作,該辨識單元與該動作識別單元連接,以接收該動作區別資料,該辨識單元將該動作區別資料與對應之該跌倒判定閾值相互比較,以進行該使用者是否跌倒之判斷。
- 如申請專利範圍第1項所述之跌倒感測系統,進一步包括一儲存單元,連接於該感測單元與該校正單元之間,以儲存該感測訊號,並供該校正單元取用。
- 如申請專利範圍第1項所述之跌倒感測系統,其中,該動作識別單元係透過三軸疊加加速度資料的標準差以區分該校正感測訊號的動作。
- 如申請專利範圍第3項所述之跌倒感測系統,其中,該校正單元將該感測訊號分成複數個區間,並依該複數個區間進行校正。
- 如申請專利範圍第1項所述之跌倒感測系統,其中,該生理訊號正規化係以量測到一條肌肉之一肌電訊號,經一濾波器去除雜訊後,一次讀入複數筆時間點資料,並對該條肌肉所有的該肌電訊號之最大自主收縮肌電訊號的平均值與標準差進行正規化。
- 如申請專利範圍第1項所述之跌倒感測系統,其中,該動作訊號正規化係以各動作在人體上代表之肢段或個體的卡式座標三軸方向的叉積,將叉積得到的三軸訊號資料各自平方疊加開根號後,再與一資料庫中該動作下之平均值做比較而實現。
- 如申請專利範圍第2或3項所述之跌倒感測系統,其中,進一步包括一運算單元,與該動作識別單元或該辨識單元連接,該運算單元根據一運算參考資料運算該動作閾值或不同動作之該跌倒判定閾值設定,以設定該動作識別單元之該動作閾值設定或該辨識單元之該跌倒判定閾值。
- 如申請專利範圍第7項所述之跌倒感測方法,其中,該動作識別單元生成的該動作區別資料以及該辨識單元判定跌到後之一跌倒判斷資料則會回傳至該運算單元中以利後續運算使用。
- 如申請專利範圍第7項所述之跌倒感測系統,其中,進一步包括一資料單元,係與該運算單元連接,該資料單元係提供一運算參考資料予該運算單元,該運算單元進一步根據該運算參考資料運算該動作閾值或不同動作之該跌倒判定閾值設定,以設定該動作識別單元之該動作閾值設定或該辨識單元之該跌倒判定閾值。
- 如申請專利範圍第7項所述之跌倒感測系統,其中,進一步包含一資料單元,其係與該儲存單元連接,該資料單元係提供該運算參考資料儲存至該儲存單元並供該校正單元利用。
- 如申請專利範圍第7項所述之跌倒感測系統,其中,當該辨識單元判定該動作為跌倒時,則傳送一訊號予一警示元件以達到警示或通報效果,或傳送該訊號至一防護元件以達到保護效果。
- 如申請專利範圍第2、3、4、8、9或10項所述之跌倒感測系統,其中,當該辨識單元判定該動作為跌倒時,則傳送一訊號予一警示元件以達到警示或通報效果,或傳送該訊號至一防護元件以達到保護效果。
- 一種以日常生活動作為判斷基準之跌倒感測方法,其包括: 藉由一感測單元感測一使用者的動作以生成一感測訊號; 以一校正單元對該感測訊號進行生理訊號正規化或動作訊號正規化以生成一校正感測訊號; 利用一動作識別單元依據該校正感測訊號以及一動作閾值設定以區分出該使用者之動作後,據以產生一動作區別資料;以及 藉由一辨識單元儲存複數個跌倒判定閾值,該複數個跌倒判定閾值分別對應不同之動作,且透過該辨識單元將該動作區別資料與對應之該跌倒判定閾值相互比較,以進行該使用者是否跌倒之判斷。
- 如申請專利範圍第13項所述之跌倒感測方法,其中,該動作識別單元係透過三軸疊加加速度資料的標準差以區分該校正感測訊號的動作,該校正單元將該感測訊號分成複數個區間,並依該複數個區間進行校正。
- 如申請專利範圍第13項所述之跌倒感測方法,其中,該生理訊號正規化係以量測到一條肌肉之一肌電訊號,經一濾波器去除雜訊後,一次讀入複數筆時間點資料,並對該條肌肉所有的該肌電訊號之最大自主收縮肌電訊號的平均值與標準差進行正規化。
- 如申請專利範圍第13項所述之跌倒感測方法,其中,該動作訊號正規化係以各動作在人體上代表之肢段或個體的卡式座標三軸方向的叉積,將叉積得到的三軸訊號資料各自平方疊加開根號後,再與一資料庫中該動作下之平均值做比較而實現。
- 如申請專利範圍第14項所述之跌倒感測方法,進一步包括以一運算單元根據一運算參考資料運算該動作閾值設定或不同動作之該跌倒判定閾值,以設定該動作識別單元之該動作閾值設定或該辨識單元之該跌倒判定閾值。
- 如申請專利範圍第16項所述之跌倒感測方法,其中,該動作識別單元生成的該動作區別資料以及該辨識單元判定跌到後之一跌倒判斷資料則會回傳至該運算單元中以利後續運算使用。
- 如申請專利範圍第16項所述之跌倒感測方法,進一步包括一資料單元,係與該運算單元連接,該資料單元係提供該運算參考資料予該運算單元。
- 如申請專利範圍第17項所述之跌倒感測系統,其中,該資料單元係與一儲存單元連接,該資料單元係提供該運算參考資料儲存至該儲存單元並供該校正單元利用。
- 如申請專利範圍第14、17、18、19或20項所述之跌倒感測方法,其中,當該辨識單元判定該動作為跌倒時,則進一步包含傳送一訊號予一警示元件以達到警示或通報效果,或傳送該訊號至一防護元件以達到保護效果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107110751A TWI668674B (zh) | 2018-03-28 | 2018-03-28 | 以日常生活動作為判斷基準之跌倒感測系統及其方法 |
CN201810444240.9A CN110313917B (zh) | 2018-03-28 | 2018-05-10 | 以日常生活动作为判断基准的跌倒传感系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107110751A TWI668674B (zh) | 2018-03-28 | 2018-03-28 | 以日常生活動作為判斷基準之跌倒感測系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI668674B TWI668674B (zh) | 2019-08-11 |
TW201942885A true TW201942885A (zh) | 2019-11-01 |
Family
ID=68112604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107110751A TWI668674B (zh) | 2018-03-28 | 2018-03-28 | 以日常生活動作為判斷基準之跌倒感測系統及其方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110313917B (zh) |
TW (1) | TWI668674B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809612B (zh) * | 2021-12-21 | 2023-07-21 | 臺中榮民總醫院 | 跌倒評估風險警示系統 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111063162A (zh) * | 2019-12-05 | 2020-04-24 | 恒大新能源汽车科技(广东)有限公司 | 静默报警方法、装置、计算机设备和存储介质 |
TW202135763A (zh) * | 2020-03-30 | 2021-10-01 | 緯創資通股份有限公司 | 施力輔助設備及其控制方法 |
TWI736286B (zh) | 2020-05-26 | 2021-08-11 | 國立清華大學 | 基於步態分析的不平衡預警方法及穿戴裝置 |
CN114220243A (zh) * | 2021-09-07 | 2022-03-22 | 度小满科技(北京)有限公司 | 一种摔倒监测方法、装置、设备及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI410235B (zh) * | 2010-04-21 | 2013-10-01 | Univ Nat Chiao Tung | 日常生活與跌倒動作辨識裝置 |
TWI556196B (zh) * | 2013-01-03 | 2016-11-01 | 國立交通大學 | 跌倒防護系統及方法 |
TW201500033A (zh) * | 2013-06-27 | 2015-01-01 | Univ Chienkuo Technology | 三階段感應跌倒偵測裝置 |
US9974344B2 (en) * | 2013-10-25 | 2018-05-22 | GraceFall, Inc. | Injury mitigation system and method using adaptive fall and collision detection |
TWI518643B (zh) * | 2014-04-29 | 2016-01-21 | Chunghwa Telecom Co Ltd | Fall detection and classification of the method |
CN105446461B (zh) * | 2014-06-24 | 2019-03-26 | 北京创思博德科技有限公司 | 手势识别方法及使用该方法的手掌虚拟键盘及其输入方法 |
CN105425660B (zh) * | 2015-11-03 | 2017-12-12 | 山东创泽信息技术股份有限公司 | 通过惯性传感器进行人体行为判断的分析匹配工作方法 |
US9640057B1 (en) * | 2015-11-23 | 2017-05-02 | MedHab, LLC | Personal fall detection system and method |
CN105912142B (zh) * | 2016-02-05 | 2019-06-11 | 深圳市爱康伟达智能医疗科技有限公司 | 一种基于加速传感器的记步与行为识别方法 |
CN105869354B (zh) * | 2016-04-29 | 2017-12-01 | 华南理工大学 | 一种基于吸引子传播算法的老人跌倒检测方法 |
CN107378944B (zh) * | 2017-06-20 | 2020-12-25 | 东南大学 | 一种基于主成分分析法的多维表面肌电信号假手控制方法 |
-
2018
- 2018-03-28 TW TW107110751A patent/TWI668674B/zh active
- 2018-05-10 CN CN201810444240.9A patent/CN110313917B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809612B (zh) * | 2021-12-21 | 2023-07-21 | 臺中榮民總醫院 | 跌倒評估風險警示系統 |
Also Published As
Publication number | Publication date |
---|---|
CN110313917A (zh) | 2019-10-11 |
TWI668674B (zh) | 2019-08-11 |
CN110313917B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI668674B (zh) | 以日常生活動作為判斷基準之跌倒感測系統及其方法 | |
US10888279B2 (en) | Biometric information monitoring system | |
JP5674766B2 (ja) | 着用位置を検出するためのセンシングデバイス | |
TWI410235B (zh) | 日常生活與跌倒動作辨識裝置 | |
EP2687157A2 (en) | Quantitative falls risk assessment through inertial sensors and pressure sensitive platform | |
WO2017049958A1 (zh) | 瘫倒监测和预防装置及其处理方法 | |
Mostarac et al. | System for monitoring and fall detection of patients using mobile 3-axis accelerometers sensors | |
Zhang et al. | Monitoring cardio-respiratory and posture movements during sleep: What can be achieved by a single motion sensor | |
KR20180051280A (ko) | 낙상 방지용 웨어러블 디바이스 및 이를 이용한 낙상 위험 관리 시스템 | |
Jatesiktat et al. | An elderly fall detection using a wrist-worn accelerometer and barometer | |
JP2024010157A (ja) | ユーザの健康状態を評価するためのシステムおよび前記システムの作動方法 | |
Nukala et al. | A real-time robust fall detection system using a wireless gait analysis sensor and an artificial neural network | |
Nho et al. | User-adaptive fall detection for patients using wristband | |
Tong et al. | A research on automatic human fall detection method based on wearable inertial force information acquisition system | |
CN111916211A (zh) | 一种适用于失能老人的安全监护系统和方法 | |
Kye et al. | Detecting periodic limb movements in sleep using motion sensor embedded wearable band | |
Pierleoni et al. | A versatile ankle-mounted fall detection device based on attitude heading systems | |
CN111387990A (zh) | 一种脑卒中偏瘫患者用离床预警系统 | |
TWI657800B (zh) | 步態分析方法與系統 | |
TWM550125U (zh) | 穿戴式步態追蹤裝置 | |
CN109171751A (zh) | 一种人体姿态识别方法及装置 | |
Jeon et al. | Implementation of the personal emergency response system using a 3-axial accelerometer | |
CN113576465A (zh) | 一种睡眠状态监测系统及睡眠体动参数确定方法 | |
Sun et al. | Wearable fall detection system using barometric pressure sensors and machine learning | |
WO2022101366A1 (en) | System and method for human motion monitoring |