TWI438726B - 評估跌倒風險之系統及其方法 - Google Patents
評估跌倒風險之系統及其方法 Download PDFInfo
- Publication number
- TWI438726B TWI438726B TW101110971A TW101110971A TWI438726B TW I438726 B TWI438726 B TW I438726B TW 101110971 A TW101110971 A TW 101110971A TW 101110971 A TW101110971 A TW 101110971A TW I438726 B TWI438726 B TW I438726B
- Authority
- TW
- Taiwan
- Prior art keywords
- behavior
- module
- risk
- human
- change
- Prior art date
Links
Landscapes
- Alarm Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本發明係關於一種評估跌倒風險之系統及其方法,特別是指一種持續偵測使用者之活動行為,以做為評估跌倒風險之系統及其方法。
近年來,拜醫療科技高度的進步發展所賜,使得全球人口已有逐漸邁向高齡化結構的趨勢,再加上結婚率的下降及少子化的影響,高齡化族群晚年的健康照護演然成為現代社會問題中最令人關注的課題之一。
惟,高齡的銀髮族隨著歲月年紀的增長,身體的各項生理機能亦隨之衰退,例如:肌肉力量的退化、平衡感及肢體協調度的降低、關節的磨損及骨質的流失等等,經常使得高齡的銀髮族在面臨各項生理機能衰退的同時,在日常生活中亦必需注意生理機能的衰退或失能,導致行走能力降低,進而衍生出各種傷害事故的發生。
根據台灣行政院主計處2005年當年的統計資料顯示,65歲以上的傷害事故類型中,跌倒傷害所佔的比例高達為72.8%,是高齡銀髮族所受傷害事故之首,而且跌倒傷害事故的發生,不僅會造成肢體的嚴重傷害,甚至會有癱瘓或危及生命的可能。
所以為了降低跌倒傷害事件的發生,習知許多的健康照護系統如中華民國發明專利公告號I295565,提出一種具有導航功能之生理感測裝置,其係整合GPS模組、磁性感測模組、慣性感測模組及生理感測模組以先行擷取使用者之座標方位、生理狀態及動作狀態等相關訊號,接著利用雜訊濾波器減少雜訊的干擾,再經過訊號處理器及警示判斷器的運算處理後,即可同時得知使用者的位置、生理狀態以及是否發生意外或危險;或中華民國發明專利公開號200906369,係一種供配帶於腰部的健康管理及跌倒警示裝置及方法,其裝置係包括有:處理模組、監測模組、傳輸模組、警示模組及操作介面,利用監測模組監測使用者之狀況,可以作為健康管理指標的參考,並且當使用者跌倒時,該處理模組量測到監測模組之跌倒訊息,如經過一段時間後,使用者未按下操作介面的按鍵單元,處理模組就會送出訊號到警示模組發出警示光或警示聲提醒附近的人注意,或是經由傳輸模組發送簡訊或語音給家人或者是救助單位,做進一步的處理;或中華民國專利公開號201023106,提供一種自我照護提醒與警示通報的裝置及其方法,該裝置及方法為被照護者的生理訊號及/或環境訊息等第一訊息透過訊息接收單元傳送至訊息聚合單元,轉換為第二訊息,再經由辨識模組或推論引擎的判斷及推論,成為具有高階意涵概念的訊息,當具有高階意涵概念的訊息進一步與其他訊息聚合,並被判斷、推論為最高層級時,該訊息透過訊息呈現單元提醒並通報被照護者、護理人員或家屬,而可主動提醒、警示被照護者其生理狀況並及時通報護理人員協助處理。
上述各前案均係在跌倒傷害事故上提供了許多的措施及功能,惟習知照護系統中所揭示的方法,主要係於發生跌倒傷害時,再藉由警示訊號或通報,通知醫護人員前來急救處理;然而此些系統及方法在跌倒傷害的使用上,均是在事故發生且人員受傷後才有所作為,根本無法在跌倒傷害發生前提供任何的警示資訊或提供早期防範等措施,而致目前為止跌倒仍是所有老年人傷害事故中發生比例最高者。
再者,由於社會的繁忙,家庭成員為了生活經常忙碌在外,而使一般的家庭根本毫無足夠的照護能力,來看顧家中的老年人,致使家中的環境成為老年人最易發生跌倒事故的地點之一,即便是住進養護機構或請專業的看護人員,亦無法24小時看護著老年人,藉以防止跌倒事故發生,歸究其原因:是家屬、或養護機構、或是專業的看護人員,根本不知老年人各項生理機能衰退的資訊或失能的程度,更遑論,是要得知家中的老年人是否已邁入跌倒傷害事故發生的高危險群之列,導致家屬在缺乏各項資訊的情況下,只能任由跌倒傷害的事故一再發生。
為了改善上述的困擾,目前在許多醫療機構中,係利用醫療人員在地上標示出一段距離3公尺的空間,並在一端放置無扶手椅子,再請老年人坐在椅子上,計算從老年人站起來,行走至3公尺處後,再轉身走回來坐回椅子上所需總時間,一般行走的總時間在20秒以內係屬機能正常,而在20秒至29秒間必需進一步接受評估,但在29秒以上則列為高風險群。
然而,上述的計算方式雖能達到預期的風險評估,但此種方式往往需耗費相當大的人力,以致到目前為止至少仍有四成老年人尚未被估出是否有跌倒傷害事故的風險,而且整個評估過程僅是讓老年人試走一、二次而已,而非長時間追踪監控,故做出的風險評估內容難免有失精準而不確實。
惟,高齡的銀髮族隨著歲月年紀的增長,身體的各項生理機能亦隨之衰退,例如:肌肉力量的退化、平衡感及肢體協調度的降低、關節的磨損及骨質的流失等等,經常使得高齡的銀髮族在面臨各項生理機能衰退的同時,在日常生活中亦必需注意生理機能的衰退或失能,導致行走能力降低,進而衍生出各種傷害事故的發生。
根據台灣行政院主計處2005年當年的統計資料顯示,65歲以上的傷害事故類型中,跌倒傷害所佔的比例高達為72.8%,是高齡銀髮族所受傷害事故之首,而且跌倒傷害事故的發生,不僅會造成肢體的嚴重傷害,甚至會有癱瘓或危及生命的可能。
所以為了降低跌倒傷害事件的發生,習知許多的健康照護系統如中華民國發明專利公告號I295565,提出一種具有導航功能之生理感測裝置,其係整合GPS模組、磁性感測模組、慣性感測模組及生理感測模組以先行擷取使用者之座標方位、生理狀態及動作狀態等相關訊號,接著利用雜訊濾波器減少雜訊的干擾,再經過訊號處理器及警示判斷器的運算處理後,即可同時得知使用者的位置、生理狀態以及是否發生意外或危險;或中華民國發明專利公開號200906369,係一種供配帶於腰部的健康管理及跌倒警示裝置及方法,其裝置係包括有:處理模組、監測模組、傳輸模組、警示模組及操作介面,利用監測模組監測使用者之狀況,可以作為健康管理指標的參考,並且當使用者跌倒時,該處理模組量測到監測模組之跌倒訊息,如經過一段時間後,使用者未按下操作介面的按鍵單元,處理模組就會送出訊號到警示模組發出警示光或警示聲提醒附近的人注意,或是經由傳輸模組發送簡訊或語音給家人或者是救助單位,做進一步的處理;或中華民國專利公開號201023106,提供一種自我照護提醒與警示通報的裝置及其方法,該裝置及方法為被照護者的生理訊號及/或環境訊息等第一訊息透過訊息接收單元傳送至訊息聚合單元,轉換為第二訊息,再經由辨識模組或推論引擎的判斷及推論,成為具有高階意涵概念的訊息,當具有高階意涵概念的訊息進一步與其他訊息聚合,並被判斷、推論為最高層級時,該訊息透過訊息呈現單元提醒並通報被照護者、護理人員或家屬,而可主動提醒、警示被照護者其生理狀況並及時通報護理人員協助處理。
上述各前案均係在跌倒傷害事故上提供了許多的措施及功能,惟習知照護系統中所揭示的方法,主要係於發生跌倒傷害時,再藉由警示訊號或通報,通知醫護人員前來急救處理;然而此些系統及方法在跌倒傷害的使用上,均是在事故發生且人員受傷後才有所作為,根本無法在跌倒傷害發生前提供任何的警示資訊或提供早期防範等措施,而致目前為止跌倒仍是所有老年人傷害事故中發生比例最高者。
再者,由於社會的繁忙,家庭成員為了生活經常忙碌在外,而使一般的家庭根本毫無足夠的照護能力,來看顧家中的老年人,致使家中的環境成為老年人最易發生跌倒事故的地點之一,即便是住進養護機構或請專業的看護人員,亦無法24小時看護著老年人,藉以防止跌倒事故發生,歸究其原因:是家屬、或養護機構、或是專業的看護人員,根本不知老年人各項生理機能衰退的資訊或失能的程度,更遑論,是要得知家中的老年人是否已邁入跌倒傷害事故發生的高危險群之列,導致家屬在缺乏各項資訊的情況下,只能任由跌倒傷害的事故一再發生。
為了改善上述的困擾,目前在許多醫療機構中,係利用醫療人員在地上標示出一段距離3公尺的空間,並在一端放置無扶手椅子,再請老年人坐在椅子上,計算從老年人站起來,行走至3公尺處後,再轉身走回來坐回椅子上所需總時間,一般行走的總時間在20秒以內係屬機能正常,而在20秒至29秒間必需進一步接受評估,但在29秒以上則列為高風險群。
然而,上述的計算方式雖能達到預期的風險評估,但此種方式往往需耗費相當大的人力,以致到目前為止至少仍有四成老年人尚未被估出是否有跌倒傷害事故的風險,而且整個評估過程僅是讓老年人試走一、二次而已,而非長時間追踪監控,故做出的風險評估內容難免有失精準而不確實。
本發明係在解決目前各種照護系統中無法提供精確生理機能衰退的資訊及長期健康的指標等各項評估資料,讓家屬、或養護機構或是專業的看護人員得知,藉以採取各項防範措施,以阻絕跌倒傷害事故的發生等問題。
因此,本發明係提供一種評估跌倒風險之系統,包含有:一配戴裝置,包含有相互訊號連接之一偵測模組及一訊號傳輸模組,前述偵測模組係持續偵測人體行為變化而持續產生一偵測訊號,並由前述訊號傳輸模組將前述偵測訊號持續輸出,其中,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合;一處理裝置,包含有相互訊號連接之一訊號接收模組、一資料庫模組、一人體行為變化識別模組及一跌倒風險評估模組,前述訊號接收模組持續接收上述偵測訊號,而前述資料庫模組儲存有複數人體行為變化之識別資料,前述人體行為變化識別模組將上述偵測訊號萃取成複數個行為特徵參數,並將前述行為特徵參數與前述人體行為變化之識別資料進行比對辨識,而將前述行為特徵參數辨識成人體行為變化,再由前述跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果。
所述偵測模組包括一加速度器偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與一轉動感測器偵測人體的旋轉方向之行為變化,而產生所述偵測訊號。
所述人體行為變化識別模組係選自高斯混合模型或類神經網路。
所述之評估跌倒風險之系統,預先對偵測訊號進行人體行為特徵之標註,而建立所述人體行為變化之識別資料。
所述人體行為變化識別模組係以線性預測係數、倒頻譜或梅爾倒頻譜參數之一為特徵參數。
所述跌倒風險評估模組係以起身行走測試而評估出所述評估結果。
所述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
進一步,所述之評估跌倒風險之系統,包含一顯示裝置,前述顯示裝置接收並顯示所述評估結果。
所述顯示裝置為手機、智慧型手機、電腦、平板電腦或PDA之其中一種。
再者,本發明係提供一種評估跌倒風險之方法,包括有:人體行為變化訊號收集:配戴裝置之偵測模組持續偵測使用者之人體行為變化,而持續產生一偵測訊號,由訊號傳輸模組持續輸出前述偵測訊號,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合,再由處理裝置之訊號接收模組持續接收前述偵測訊號;行為特徵參數萃取:處理裝置之人體行為變化識別模組將偵測訊號萃取成複數個行為特徵參數;建立識別資料:處理裝置之資料庫模組根據偵測訊號建立並儲存人體行為變化之識別資料;辨識行為變化:處理裝置之人體行為變化識別模組將行為特徵參數與人體行為變化之識別資料進行比對辨識,而將行為特徵參數辨識成人體行為變化;跌倒風險評估:處理裝置之跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果。
所述偵測訊號包括偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與人體的旋轉方向之行為變化。
所述人體行為變化識別模組係選自高斯混合模型或類神經網路。
所述之評估跌倒風險之方法,預先對偵測訊號進行人體行為特徵之標註,而建立所述人體行為變化之識別資料。
所述人體行為變化識別模組係以線性預測係數、倒頻譜或梅爾倒頻譜參數之一為特徵參數。
所述評估結果係以起身行走測試之測試結果評估。
所述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
本發明的具體特點及功效在於:
1.可精確地取得跌倒風險評估中的各項數據資料。
2.採自動化測試且可長期追蹤,故能提供照護人員即時及最新的跌倒風險評估,以早期發現是否已為跌倒風險的高危險群,進而能防範跌倒傷害事故的發生。
3.本發明人體行為辨識率高達九成,隨時自動偵測人體行為特徵的變化,並可記錄測得之資料,供長期觀察用,且能減少大量照護人力及節省醫療資源等多重效益。
因此,本發明係提供一種評估跌倒風險之系統,包含有:一配戴裝置,包含有相互訊號連接之一偵測模組及一訊號傳輸模組,前述偵測模組係持續偵測人體行為變化而持續產生一偵測訊號,並由前述訊號傳輸模組將前述偵測訊號持續輸出,其中,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合;一處理裝置,包含有相互訊號連接之一訊號接收模組、一資料庫模組、一人體行為變化識別模組及一跌倒風險評估模組,前述訊號接收模組持續接收上述偵測訊號,而前述資料庫模組儲存有複數人體行為變化之識別資料,前述人體行為變化識別模組將上述偵測訊號萃取成複數個行為特徵參數,並將前述行為特徵參數與前述人體行為變化之識別資料進行比對辨識,而將前述行為特徵參數辨識成人體行為變化,再由前述跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果。
所述偵測模組包括一加速度器偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與一轉動感測器偵測人體的旋轉方向之行為變化,而產生所述偵測訊號。
所述人體行為變化識別模組係選自高斯混合模型或類神經網路。
所述之評估跌倒風險之系統,預先對偵測訊號進行人體行為特徵之標註,而建立所述人體行為變化之識別資料。
所述人體行為變化識別模組係以線性預測係數、倒頻譜或梅爾倒頻譜參數之一為特徵參數。
所述跌倒風險評估模組係以起身行走測試而評估出所述評估結果。
所述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
進一步,所述之評估跌倒風險之系統,包含一顯示裝置,前述顯示裝置接收並顯示所述評估結果。
所述顯示裝置為手機、智慧型手機、電腦、平板電腦或PDA之其中一種。
再者,本發明係提供一種評估跌倒風險之方法,包括有:人體行為變化訊號收集:配戴裝置之偵測模組持續偵測使用者之人體行為變化,而持續產生一偵測訊號,由訊號傳輸模組持續輸出前述偵測訊號,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合,再由處理裝置之訊號接收模組持續接收前述偵測訊號;行為特徵參數萃取:處理裝置之人體行為變化識別模組將偵測訊號萃取成複數個行為特徵參數;建立識別資料:處理裝置之資料庫模組根據偵測訊號建立並儲存人體行為變化之識別資料;辨識行為變化:處理裝置之人體行為變化識別模組將行為特徵參數與人體行為變化之識別資料進行比對辨識,而將行為特徵參數辨識成人體行為變化;跌倒風險評估:處理裝置之跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果。
所述偵測訊號包括偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與人體的旋轉方向之行為變化。
所述人體行為變化識別模組係選自高斯混合模型或類神經網路。
所述之評估跌倒風險之方法,預先對偵測訊號進行人體行為特徵之標註,而建立所述人體行為變化之識別資料。
所述人體行為變化識別模組係以線性預測係數、倒頻譜或梅爾倒頻譜參數之一為特徵參數。
所述評估結果係以起身行走測試之測試結果評估。
所述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
本發明的具體特點及功效在於:
1.可精確地取得跌倒風險評估中的各項數據資料。
2.採自動化測試且可長期追蹤,故能提供照護人員即時及最新的跌倒風險評估,以早期發現是否已為跌倒風險的高危險群,進而能防範跌倒傷害事故的發生。
3.本發明人體行為辨識率高達九成,隨時自動偵測人體行為特徵的變化,並可記錄測得之資料,供長期觀察用,且能減少大量照護人力及節省醫療資源等多重效益。
請參閱第一圖所示,係為本發明一種評估跌倒風險之系統之一較佳實施例,該系統包含相互對應配合之一配戴裝置(1)及一處理裝置(2),其中:
所述配戴裝置(1)係供配戴於使用者身上,而該配戴裝置(1)包含有相互訊號連接之一偵測模組(11)及一訊號傳輸模組(12),前述偵測模組(11)係持續偵測人體行為變化而持續產生一偵測訊號(13),並由前述訊號傳輸模組(12)將前述偵測訊號(13)持續輸出,其中,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合。
又該配戴裝置(1)之偵測模組(11)係包含一加速度器(111)偵測人體的X軸、Y軸及Z軸移動方向之行為變化,及一轉動感測器(112)[如陀螺儀]偵測人體的旋轉方向之行為變化,而產生所述偵測訊號(13),進一步說明,該加速度器(111)係用以偵測使用者之起身、坐下、行走與跌倒等人體行為變化,而該轉動感測器(112)係用以偵測使用者之旋轉等人體行為變化,藉以產生所述偵測訊號(13)。
所述處理裝置(2)可以是電腦,其包含有相互訊號連接之一訊號接收模組(21)、一資料庫模組(22)、一人體行為變化識別模組(23)及一跌倒風險評估模組(24),前述訊號接收模組(21)持續接收上述偵測訊號(13),而前述資料庫模組(22)儲存有複數人體行為變化之識別資料,前述人體行為變化識別模組(23)將上述偵測訊號(13)萃取成複數個行為特徵參數,並將前述行為特徵參數與前述人體行為變化之識別資料進行比對辨識,而將前述行為特徵參數辨識成人體行為變化,再由前述跌倒風險評估模組(24)根據辨識後之人體行為變化進行評估並輸出一評估結果(25)。
所述訊號接收模組(21)係持續接收來自該配戴裝置(1)之訊號傳輸模組(12)輸出的偵測訊號(13),其採用何種通訊協定並無限定,如以藍芽、Wifi、網際網路或其他通訊協定等均可。
所述資料庫模組(22)係根據偵測訊號(13)建立人體行為變化之識別資料,進一步說明,當所述處理裝置(2)接收到所述偵測訊號(13)時,係預先對偵測訊號(13)進行人體行為特徵之標註,以建立人體行為變化之識別資料,本實施例係以對所述加速度器(111)產生之訊號標註為例,其標註介面如第二圖所示,共分為五個部分,所接收之偵測訊號(13)傳送至處理裝置(2),並以波形圖方式表示,A部分是顯示所述加速度器(111)之三個軸向訊號;B部分為所述加速度器(111)之X軸、Y軸與Z軸之數據;D部分是將取得之前述波型圖利用滑鼠拖曳範圍方式選取欲標註之訊號範圍,利用C部分選取其所對應之人體行為之標記類型,並將這些同步資訊一起儲存,以建立人體行為變化之識別資料,而標記後之偵測訊號(13)之波型結果顯示於E部分,所標記之人體行為包括有起身、坐下、行走與跌倒四種行為,所標記與儲存之識別資料包含行為之起始位置與結束位置,及其對應之X軸、Y軸與Z軸之訊號。
請參閱第三圖所示,所述人體行為變化識別模組(23)將接收到的所述偵測訊號(13),萃取成複數個行為特徵參數,再將前述行為特徵參數與前述人體行為變化之識別資料進行比對辨識,而將前述行為特徵參數辨識成人體行為變化,例如偵測訊號經轉化辨識後可為起身、坐下、行走或跌倒等人體行為變化。本實施例中,所述人體行為變化識別模組(23)係以線性預測係數[Linear Prediction Coding,LPC]為特徵參數,詳細的說,LPC係利用所述資料庫模組(22)儲存之人體行為變化之識別資料,訓練所述人體行為變化識別模組(23),以做為人體行為識別之用,較適當的作法是,在進行所述人體行為變化識別模組(23)訓練之前,先進行所述加速度器(111)之訊號平滑化預處理,本實施例利用簡單移動平均法[simple moving average]的方式,以解決訊號突然改變而產生之不連續性,在特徵參數萃取上,假設一連串所述加速度器(111)之某軸行為訊號序列取樣為s(n),其預估值為š(n)如公式(一)所示: (一)
其中αk 為線性預估編碼係數,Ρ為預估濾波器之階數,由於預估值š(n)與實際值s(n)之間必定存在於誤差,其誤差值e(n)如公式(二)所示: (二)
為了取得一組讓預估值š(n)與實際值s(n)誤差最小的係數,因此使用最小平方誤差方式調整αk 係數,以得到最佳的一組線性預估編碼係數α1 ,α2 ,α3... ,αp ,此係數即為某軸之特徵值。
請參閱第四圖所示,由於所述偵測訊號(13)包括有X軸、Y軸與Z軸之訊號,所以需要整合三軸之特徵值而形成所述行為特徵參數;其萃取過程首先將所述偵測訊號(13)分成一小段一小段的序列框[Frame],框與框之間有部份重疊,並以每一個框為單位,分別對X軸、Y軸與Z軸之訊號進行LPC特徵值之萃取,再結合三軸之個別LPC特徵值而形成行為特徵參數,本實施例中,考量到人體行為變化時間間隔下,所取之序列框為10個訊號點,重疊為5個訊號點。
請再參閱第三圖所示,在取得所述偵測訊號(13)之行為特徵參數後,所述人體行為變化識別模組(23)接續進行人體行為之識別,係利用LPC特徵參數與所述資料庫模組(22)儲存之識別資料進行分析比對,在本實施例中,係使用高斯混合模型(Gaussian Mixture Model,GMM)進行比對分析,GMM的參數集合λ定義為如公式(三)所示: (三)
其中M為高斯混合模型中的混合層個數,wd ,μd ,Σd 分別為對應於第d個混合層的權重、中心點與共變異數矩陣,而混合層的權重必需符合如公式(四)所示: (四)
在比對分析過程中,對儲存於資料庫模組(22)的識別資料與萃取之LPC特徵參數,利用k-means 演算法,將資料分為k個混合層之GMM,當k-means演算法達到收斂狀態時,利用屬於各個混合層之分群資料,估算其GMM參數集合λ,包含利用各個混合層之分群資料個數佔全數之比例,估算混合層的權重W,再利用各個混合層之分群資料計算混合層的中心點μ與共變異數矩陣Σ,本實施例中,GMM混合層k之數目採用實驗決定,且共訓練了起身、坐下、行走或跌倒四種行為GMM;對於一個未知人體行為之偵測訊號(13),利用前述程序之行為識別,以識別出正確之人體行為,假設一個偵測訊號(13),經由平滑化預處理與行為特徵參數萃取後,其特徵參數序列為X={x1 ,x2 ,... ,xn },其識別過程如公式(五)所示: (五)
先利用高斯混合模型估算特徵參數序列與其相似機率,以取得最大相似度之模組為其預測之行為,在此式中,c為各種行為識別模組,為所預測之最佳行為;GMMc (x)為高斯混合模型對特徵參數序列所估算之相似度,其估算式如公式(六)所示: (六)
其中,Wd 代表各混合層所分配到之權重,而 (七)
代表各資料對應高斯層所產生之機率。
值得一提的是,本實施例之加速度器(111)取樣頻率為0.05秒,因此每秒可收得20筆訊號,將一連串所蒐集之三軸訊號切割為每10筆訊號作為一個訊號框,且每次重疊5筆訊號,並將三軸訊號所取得之訊號框進行LPC特徵參數萃取與進行辨識,但由於個人行為模式不同,在起身、坐下、行走與跌倒等動作約需時1-2秒,而系統在識別行為時採用的取樣為0.5秒,所以可能會有誤辯之情況,導致行為產生瞬間轉換,但在實際上是不可能會發生的,所以系統在這方面採用眾數表決方式來決定此訊號框之行為,稱為段落切割決策處理,請參閱第五圖所示,A部份係將目前辯識出來的行為訊號框為走路段,往左右三個行為訊號框進行眾數表決後,得到新的行為訊號框為走路4票,使用此方法可減少辨識錯誤,最後將得到的新行為序列框如B部份為走路區段、C部份為坐下區段、D部份為起身階段與E部份為跌倒區段進行整合後,可得到一段完整之行為;另外,區段整合後可能遇到行為小於1.5秒之區段,由於不滿足行為動作之最少需要時間,故將此動作進行刪除。
請參閱第六圖及第七圖所示,所述跌倒風險評估模組(24)根據辨識後之人體行為變化進行評估並輸出一評估結果(25),所述跌倒風險評估模組(24)係以起身行走測試(Timed up and go test,TUG)方式,而評估出所述評估結果(25),前述起身行走測試方式依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果(25),其測試公式如下:
訊號:Xn 、Yn 、Zn ,X0 =128、Y0 =145、Z0 =128
樣本率:S=20
行走樣本:W1 -Wj ,j為行走計數,n1 -nj 為行走長度
j-th行走時間:
6公尺平均行走時間:
起身訊號:P1 -Pk ,k為起身計數,n1 -nk 為起身長度
起身時間:
平均起身時間:
坐下訊號:Q1 -Ql ,l為坐下計數,n1 -nl 為坐下長度
坐下時間:
平均坐下時間:
平均轉身時間:
TUG測試時間:TUGt =AW+ASU+ASD+RO
TUG測試結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群,而所述評估果係可透過有線或無線傳輸的方式,傳送至一顯示裝置(3)[如第一圖所示]、一照護人員、一養護機構或一醫療機構等其中一種,而在本實施例中,該顯示裝置係可為手機、智慧型手機、電腦、平板電腦或PDA等其中一種。
請參閱第八圖所示,為一種評估跌倒風險之方法之一較佳實施例,係配合上述系統執行,其包括有:
人體行為變化訊號收集:配戴裝置之偵測模組持續偵測使用者之人體行為變化,而持續產生一偵測訊號,前述偵測訊號包括偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與人體的旋轉方向之行為變化,並由訊號傳輸模組持續輸出前述偵測訊號,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合,再由處理裝置之訊號接收模組持續接收前述偵測訊號。
行為特徵參數萃取:處理裝置之人體行為變化識別模組將偵測訊號萃取成複數個行為特徵參數,本實施例係以線性預測係數為特徵參數,其他如倒頻譜(Cesptrum)或梅爾倒頻譜參數(Mel-frequency Cepstral Coefficients,MFCC)亦為可行之方式。
建立識別資料:處理裝置之資料庫模組根據偵測訊號建立並儲存人體行為變化之識別資料,本實施例係以預先對偵測訊號進行人體行為特徵之標註,以建立人體行為變化之識別資料,而所標記之人體行為特徵包括有起身、坐下、行走與跌倒等四種行為。
辨識行為變化:處理裝置之人體行為變化識別模組將行為特徵參數與人體行為變化之識別資料進行比對辨識,而將行為特徵參數辨識成人體行為變化,本實施例係以高斯混合模型作為辨識模組,其他如類神經網路(Artificial Neural Network,ANN)亦為可行之方式,其架構如第九圖所示,輸入為特徵參數,中間為混合層,輸出為所識別行為之結果。
跌倒風險評估:處理裝置之跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果,前述評估結果係以起身行走測試之測試結果評估,前述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
顯示評估結果:由顯示裝置接收並顯示所述評估結果,該顯示裝置係可為手機、智慧型手機、電腦、平板電腦或PDA等其中一種。
由上述得知,本發明係可使用配戴裝置,隨身對老年人進行活動式行為特徵識別,並可自動及即時提供老人跌倒風險的評估資枓,記錄及追踪日常生活中老人起身、坐下、行走、轉身等行為相關資訊給相關照護人員,使照護人員能依不同老人個別需求而給予適當之照護,減少跌倒傷害事故意的發生,進而提升老人居家照顧品質。
惟,以上所述者,僅為本發明之較佳實施例而已,並非用以侷限本發明之技術特徵,舉凡利用本發明相關之技術手段、創設原理之再發明,仍屬本發明的發明範疇,因此本發明圖式及說明書所述之陳並非用以限定本發明之範圍,任何熟習此技藝者,在不脫離本發明之精神與範圍下所作之均等變化與修飾,皆應涵蓋於本發明之申請專利範圍,方為合理。
所述配戴裝置(1)係供配戴於使用者身上,而該配戴裝置(1)包含有相互訊號連接之一偵測模組(11)及一訊號傳輸模組(12),前述偵測模組(11)係持續偵測人體行為變化而持續產生一偵測訊號(13),並由前述訊號傳輸模組(12)將前述偵測訊號(13)持續輸出,其中,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合。
又該配戴裝置(1)之偵測模組(11)係包含一加速度器(111)偵測人體的X軸、Y軸及Z軸移動方向之行為變化,及一轉動感測器(112)[如陀螺儀]偵測人體的旋轉方向之行為變化,而產生所述偵測訊號(13),進一步說明,該加速度器(111)係用以偵測使用者之起身、坐下、行走與跌倒等人體行為變化,而該轉動感測器(112)係用以偵測使用者之旋轉等人體行為變化,藉以產生所述偵測訊號(13)。
所述處理裝置(2)可以是電腦,其包含有相互訊號連接之一訊號接收模組(21)、一資料庫模組(22)、一人體行為變化識別模組(23)及一跌倒風險評估模組(24),前述訊號接收模組(21)持續接收上述偵測訊號(13),而前述資料庫模組(22)儲存有複數人體行為變化之識別資料,前述人體行為變化識別模組(23)將上述偵測訊號(13)萃取成複數個行為特徵參數,並將前述行為特徵參數與前述人體行為變化之識別資料進行比對辨識,而將前述行為特徵參數辨識成人體行為變化,再由前述跌倒風險評估模組(24)根據辨識後之人體行為變化進行評估並輸出一評估結果(25)。
所述訊號接收模組(21)係持續接收來自該配戴裝置(1)之訊號傳輸模組(12)輸出的偵測訊號(13),其採用何種通訊協定並無限定,如以藍芽、Wifi、網際網路或其他通訊協定等均可。
所述資料庫模組(22)係根據偵測訊號(13)建立人體行為變化之識別資料,進一步說明,當所述處理裝置(2)接收到所述偵測訊號(13)時,係預先對偵測訊號(13)進行人體行為特徵之標註,以建立人體行為變化之識別資料,本實施例係以對所述加速度器(111)產生之訊號標註為例,其標註介面如第二圖所示,共分為五個部分,所接收之偵測訊號(13)傳送至處理裝置(2),並以波形圖方式表示,A部分是顯示所述加速度器(111)之三個軸向訊號;B部分為所述加速度器(111)之X軸、Y軸與Z軸之數據;D部分是將取得之前述波型圖利用滑鼠拖曳範圍方式選取欲標註之訊號範圍,利用C部分選取其所對應之人體行為之標記類型,並將這些同步資訊一起儲存,以建立人體行為變化之識別資料,而標記後之偵測訊號(13)之波型結果顯示於E部分,所標記之人體行為包括有起身、坐下、行走與跌倒四種行為,所標記與儲存之識別資料包含行為之起始位置與結束位置,及其對應之X軸、Y軸與Z軸之訊號。
請參閱第三圖所示,所述人體行為變化識別模組(23)將接收到的所述偵測訊號(13),萃取成複數個行為特徵參數,再將前述行為特徵參數與前述人體行為變化之識別資料進行比對辨識,而將前述行為特徵參數辨識成人體行為變化,例如偵測訊號經轉化辨識後可為起身、坐下、行走或跌倒等人體行為變化。本實施例中,所述人體行為變化識別模組(23)係以線性預測係數[Linear Prediction Coding,LPC]為特徵參數,詳細的說,LPC係利用所述資料庫模組(22)儲存之人體行為變化之識別資料,訓練所述人體行為變化識別模組(23),以做為人體行為識別之用,較適當的作法是,在進行所述人體行為變化識別模組(23)訓練之前,先進行所述加速度器(111)之訊號平滑化預處理,本實施例利用簡單移動平均法[simple moving average]的方式,以解決訊號突然改變而產生之不連續性,在特徵參數萃取上,假設一連串所述加速度器(111)之某軸行為訊號序列取樣為s(n),其預估值為š(n)如公式(一)所示: (一)
其中αk 為線性預估編碼係數,Ρ為預估濾波器之階數,由於預估值š(n)與實際值s(n)之間必定存在於誤差,其誤差值e(n)如公式(二)所示: (二)
為了取得一組讓預估值š(n)與實際值s(n)誤差最小的係數,因此使用最小平方誤差方式調整αk 係數,以得到最佳的一組線性預估編碼係數α1 ,α2 ,α3... ,αp ,此係數即為某軸之特徵值。
請參閱第四圖所示,由於所述偵測訊號(13)包括有X軸、Y軸與Z軸之訊號,所以需要整合三軸之特徵值而形成所述行為特徵參數;其萃取過程首先將所述偵測訊號(13)分成一小段一小段的序列框[Frame],框與框之間有部份重疊,並以每一個框為單位,分別對X軸、Y軸與Z軸之訊號進行LPC特徵值之萃取,再結合三軸之個別LPC特徵值而形成行為特徵參數,本實施例中,考量到人體行為變化時間間隔下,所取之序列框為10個訊號點,重疊為5個訊號點。
請再參閱第三圖所示,在取得所述偵測訊號(13)之行為特徵參數後,所述人體行為變化識別模組(23)接續進行人體行為之識別,係利用LPC特徵參數與所述資料庫模組(22)儲存之識別資料進行分析比對,在本實施例中,係使用高斯混合模型(Gaussian Mixture Model,GMM)進行比對分析,GMM的參數集合λ定義為如公式(三)所示: (三)
其中M為高斯混合模型中的混合層個數,wd ,μd ,Σd 分別為對應於第d個混合層的權重、中心點與共變異數矩陣,而混合層的權重必需符合如公式(四)所示: (四)
在比對分析過程中,對儲存於資料庫模組(22)的識別資料與萃取之LPC特徵參數,利用k-means 演算法,將資料分為k個混合層之GMM,當k-means演算法達到收斂狀態時,利用屬於各個混合層之分群資料,估算其GMM參數集合λ,包含利用各個混合層之分群資料個數佔全數之比例,估算混合層的權重W,再利用各個混合層之分群資料計算混合層的中心點μ與共變異數矩陣Σ,本實施例中,GMM混合層k之數目採用實驗決定,且共訓練了起身、坐下、行走或跌倒四種行為GMM;對於一個未知人體行為之偵測訊號(13),利用前述程序之行為識別,以識別出正確之人體行為,假設一個偵測訊號(13),經由平滑化預處理與行為特徵參數萃取後,其特徵參數序列為X={x1 ,x2 ,... ,xn },其識別過程如公式(五)所示: (五)
先利用高斯混合模型估算特徵參數序列與其相似機率,以取得最大相似度之模組為其預測之行為,在此式中,c為各種行為識別模組,為所預測之最佳行為;GMMc (x)為高斯混合模型對特徵參數序列所估算之相似度,其估算式如公式(六)所示: (六)
其中,Wd 代表各混合層所分配到之權重,而 (七)
代表各資料對應高斯層所產生之機率。
值得一提的是,本實施例之加速度器(111)取樣頻率為0.05秒,因此每秒可收得20筆訊號,將一連串所蒐集之三軸訊號切割為每10筆訊號作為一個訊號框,且每次重疊5筆訊號,並將三軸訊號所取得之訊號框進行LPC特徵參數萃取與進行辨識,但由於個人行為模式不同,在起身、坐下、行走與跌倒等動作約需時1-2秒,而系統在識別行為時採用的取樣為0.5秒,所以可能會有誤辯之情況,導致行為產生瞬間轉換,但在實際上是不可能會發生的,所以系統在這方面採用眾數表決方式來決定此訊號框之行為,稱為段落切割決策處理,請參閱第五圖所示,A部份係將目前辯識出來的行為訊號框為走路段,往左右三個行為訊號框進行眾數表決後,得到新的行為訊號框為走路4票,使用此方法可減少辨識錯誤,最後將得到的新行為序列框如B部份為走路區段、C部份為坐下區段、D部份為起身階段與E部份為跌倒區段進行整合後,可得到一段完整之行為;另外,區段整合後可能遇到行為小於1.5秒之區段,由於不滿足行為動作之最少需要時間,故將此動作進行刪除。
請參閱第六圖及第七圖所示,所述跌倒風險評估模組(24)根據辨識後之人體行為變化進行評估並輸出一評估結果(25),所述跌倒風險評估模組(24)係以起身行走測試(Timed up and go test,TUG)方式,而評估出所述評估結果(25),前述起身行走測試方式依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果(25),其測試公式如下:
訊號:Xn 、Yn 、Zn ,X0 =128、Y0 =145、Z0 =128
樣本率:S=20
行走樣本:W1 -Wj ,j為行走計數,n1 -nj 為行走長度
j-th行走時間:
6公尺平均行走時間:
起身訊號:P1 -Pk ,k為起身計數,n1 -nk 為起身長度
起身時間:
平均起身時間:
坐下訊號:Q1 -Ql ,l為坐下計數,n1 -nl 為坐下長度
坐下時間:
平均坐下時間:
平均轉身時間:
TUG測試時間:TUGt =AW+ASU+ASD+RO
TUG測試結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群,而所述評估果係可透過有線或無線傳輸的方式,傳送至一顯示裝置(3)[如第一圖所示]、一照護人員、一養護機構或一醫療機構等其中一種,而在本實施例中,該顯示裝置係可為手機、智慧型手機、電腦、平板電腦或PDA等其中一種。
請參閱第八圖所示,為一種評估跌倒風險之方法之一較佳實施例,係配合上述系統執行,其包括有:
人體行為變化訊號收集:配戴裝置之偵測模組持續偵測使用者之人體行為變化,而持續產生一偵測訊號,前述偵測訊號包括偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與人體的旋轉方向之行為變化,並由訊號傳輸模組持續輸出前述偵測訊號,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合,再由處理裝置之訊號接收模組持續接收前述偵測訊號。
行為特徵參數萃取:處理裝置之人體行為變化識別模組將偵測訊號萃取成複數個行為特徵參數,本實施例係以線性預測係數為特徵參數,其他如倒頻譜(Cesptrum)或梅爾倒頻譜參數(Mel-frequency Cepstral Coefficients,MFCC)亦為可行之方式。
建立識別資料:處理裝置之資料庫模組根據偵測訊號建立並儲存人體行為變化之識別資料,本實施例係以預先對偵測訊號進行人體行為特徵之標註,以建立人體行為變化之識別資料,而所標記之人體行為特徵包括有起身、坐下、行走與跌倒等四種行為。
辨識行為變化:處理裝置之人體行為變化識別模組將行為特徵參數與人體行為變化之識別資料進行比對辨識,而將行為特徵參數辨識成人體行為變化,本實施例係以高斯混合模型作為辨識模組,其他如類神經網路(Artificial Neural Network,ANN)亦為可行之方式,其架構如第九圖所示,輸入為特徵參數,中間為混合層,輸出為所識別行為之結果。
跌倒風險評估:處理裝置之跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果,前述評估結果係以起身行走測試之測試結果評估,前述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
顯示評估結果:由顯示裝置接收並顯示所述評估結果,該顯示裝置係可為手機、智慧型手機、電腦、平板電腦或PDA等其中一種。
由上述得知,本發明係可使用配戴裝置,隨身對老年人進行活動式行為特徵識別,並可自動及即時提供老人跌倒風險的評估資枓,記錄及追踪日常生活中老人起身、坐下、行走、轉身等行為相關資訊給相關照護人員,使照護人員能依不同老人個別需求而給予適當之照護,減少跌倒傷害事故意的發生,進而提升老人居家照顧品質。
惟,以上所述者,僅為本發明之較佳實施例而已,並非用以侷限本發明之技術特徵,舉凡利用本發明相關之技術手段、創設原理之再發明,仍屬本發明的發明範疇,因此本發明圖式及說明書所述之陳並非用以限定本發明之範圍,任何熟習此技藝者,在不脫離本發明之精神與範圍下所作之均等變化與修飾,皆應涵蓋於本發明之申請專利範圍,方為合理。
(1)...配戴裝置
(11)...偵測模組
(111)...加速度器
(112)...轉動感測器
(12)...訊號傳輸模組
(13)...偵測訊號
(2)...處理裝置
(21)...訊號接收模組
(22)...資料庫模組
(23)...人體行為變化識別模組
(24)...跌倒風險評估模組
(25)...評估結果
(3)...顯示裝置
第一圖:係本發明一較佳實施例之系統架構示意圖。
第二圖:係本發明一較佳實施例之人體行為特徵之標註示意圖。
第三圖:係本發明一較佳實施例之人體行為變化識別架構示意圖。
第四圖:係本發明一較佳實施例之特徵參數萃取示意圖。
第五圖:係本發明一較佳實施例之人體行為段落切割決策示意圖。
第六圖:係本發明一較佳實施例之跌倒風險評估示意圖。
第七圖:係本發明一較佳實施例之跌倒風險評估示意圖。
第八圖:係本發明一較佳實施例之方法流程示意圖。
第九圖:係本發明一較佳實施例之辨識模組為類神經網路之架構。
第二圖:係本發明一較佳實施例之人體行為特徵之標註示意圖。
第三圖:係本發明一較佳實施例之人體行為變化識別架構示意圖。
第四圖:係本發明一較佳實施例之特徵參數萃取示意圖。
第五圖:係本發明一較佳實施例之人體行為段落切割決策示意圖。
第六圖:係本發明一較佳實施例之跌倒風險評估示意圖。
第七圖:係本發明一較佳實施例之跌倒風險評估示意圖。
第八圖:係本發明一較佳實施例之方法流程示意圖。
第九圖:係本發明一較佳實施例之辨識模組為類神經網路之架構。
(1)...配戴裝置
(11)...偵測模組
(111)...加速度器
(112)...轉動感測器
(12)...訊號傳輸模組
(13)...偵測訊號
(2)...處理裝置
(21)...訊號接收模組
(22)...資料庫模組
(23)...人體行為變化識別模組
(24)...跌倒風險評估模組
(25)...評估結果
(3)...顯示裝置
Claims (16)
- 一種評估跌倒風險之系統,包含有:
一配戴裝置,包含有相互訊號連接之一偵測模組及一訊號傳輸模組,前述偵測模組係持續偵測人體行為變化而持續產生一偵測訊號,並由前述訊號傳輸模組將前述偵測訊號持續輸出,其中,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合;
一處理裝置,包含有相互訊號連接之一訊號接收模組、一資料庫模組、一人體行為變化識別模組及一跌倒風險評估模組,前述訊號接收模組持續接收上述偵測訊號,而前述資料庫模組儲存有複數人體行為變化之識別資料,前述人體行為變化識別模組將上述偵測訊號萃取成複數個行為特徵參數,並將前述行為特徵參數與前述人體行為變化之識別資料進行比對辨識,而將前述行為特徵參數辨識成人體行為變化,再由前述跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果。 - 如申請專利範圍第1項所述之評估跌倒風險之系統,所述偵測模組包括一加速度器偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與一轉動感測器偵測人體的旋轉方向之行為變化,而產生所述偵測訊號。
- 如申請專利範圍第1項所述之評估跌倒風險之系統,所述人體行為變化識別模組係選自高斯混合模型或類神經網路。
- 如申請專利範圍第1項所述之評估跌倒風險之系統,預先對偵測訊號進行人體行為特徵之標註,而建立所述人體行為變化之識別資料。
- 如申請專利範圍第1項所述之評估跌倒風險之系統,所述人體行為變化識別模組係以線性預測係數、倒頻譜或梅爾倒頻譜參數之一為特徵參數。
- 如申請專利範圍第1項所述之評估跌倒風險之系統,所述跌倒風險評估模組係以起身行走測試而評估出所述評估結果。
- 如申請專利範圍第6項所述之評估跌倒風險之系統,所述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
- 如申請專利範圍第1項所述之評估跌倒風險之系統,進一步包含一顯示裝置,前述顯示裝置接收並顯示所述評估結果。
- 如申請專利範圍第8項所述之評估跌倒風險之系統,所述顯示裝置為手機、智慧型手機、電腦、平板電腦或PDA之其中一種。
- 一種評估跌倒風險之方法,包括有:
人體行為變化訊號收集:配戴裝置之偵測模組持續偵測使用者之人體行為變化,而持續產生一偵測訊號,由訊號傳輸模組持續輸出前述偵測訊號,前述人體行為變化係包括起身、坐下、行走、轉身或跌倒之一或其組合,再由處理裝置之訊號接收模組持續接收前述偵測訊號;
行為特徵參數萃取:處理裝置之人體行為變化識別模組將偵測訊號萃取成複數個行為特徵參數;
建立識別資料:處理裝置之資料庫模組根據偵測訊號建立並儲存人體行為變化之識別資料;
辨識行為變化:處理裝置之人體行為變化識別模組將行為特徵參數與人體行為變化之識別資料進行比對辨識,而將行為特徵參數辨識成人體行為變化;
跌倒風險評估:處理裝置之跌倒風險評估模組根據辨識後之人體行為變化進行評估並輸出一評估結果。 - 如申請專利範圍第10項所述之評估跌倒風險之方法,所述偵測訊號包括偵測人體的X軸、Y軸及Z軸移動方向之行為變化,與人體的旋轉方向之行為變化。
- 如申請專利範圍第10項所述之評估跌倒風險之方法,所述人體行為變化識別模組係選自高斯混合模型或類神經網路。
- 如申請專利範圍第10項所述之評估跌倒風險之方法,預先對偵測訊號進行人體行為特徵之標註,而建立所述人體行為變化之識別資料。
- 如申請專利範圍第10項所述之評估跌倒風險之方法,所述人體行為變化識別模組係以線性預測係數、倒頻譜或梅爾倒頻譜參數之一為特徵參數。
- 如申請專利範圍第10項所述之評估跌倒風險之方法,所述評估結果係以起身行走測試之測試結果評估。
- 如申請專利範圍第15項所述之評估跌倒風險之方法,所述起身行走測試依序為起身之時間估測、3公尺行走之時間估測、轉身之時間估測、3公尺行走之時間估測、轉身之時間估測及坐下之時間估測,並總和前述時間估測而評估出所述評估結果,總和時間小於19秒之評估結果為正常,總和時間介於20-29秒之評估結果為需再進一步評估,總和時間大於30秒之評估結果為高危險群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101110971A TWI438726B (zh) | 2012-03-29 | 2012-03-29 | 評估跌倒風險之系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101110971A TWI438726B (zh) | 2012-03-29 | 2012-03-29 | 評估跌倒風險之系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201340041A TW201340041A (zh) | 2013-10-01 |
TWI438726B true TWI438726B (zh) | 2014-05-21 |
Family
ID=49770986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101110971A TWI438726B (zh) | 2012-03-29 | 2012-03-29 | 評估跌倒風險之系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI438726B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI494568B (zh) * | 2014-06-16 | 2015-08-01 | Nat Inst Chung Shan Science & Technology | Motion detection method and device |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111297577B (zh) * | 2020-02-19 | 2022-03-01 | 郑州大学体育学院 | 一种跌倒风险预测及抗跌倒训练一体化的智能座椅 |
-
2012
- 2012-03-29 TW TW101110971A patent/TWI438726B/zh not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI494568B (zh) * | 2014-06-16 | 2015-08-01 | Nat Inst Chung Shan Science & Technology | Motion detection method and device |
Also Published As
Publication number | Publication date |
---|---|
TW201340041A (zh) | 2013-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3566231B1 (en) | Apparatus and method for triggering a fall risk alert to a person | |
CN105118236B (zh) | 瘫倒监测和预防装置及其处理方法 | |
Danielsen et al. | Increasing fall risk awareness using wearables: A fall risk awareness protocol | |
JP5862226B2 (ja) | 3dにおいて身体の感覚を追跡、記録、又は解析する方法 | |
Di Rosa et al. | Concurrent validation of an index to estimate fall risk in community dwelling seniors through a wireless sensor insole system: A pilot study | |
JP5870646B2 (ja) | 患者からのムード情報の単純な収集の方法 | |
CN107765847A (zh) | 应用于养老行业的智能监护可穿戴设备及监护系统 | |
Gietzelt et al. | A prospective field study for sensor-based identification of fall risk in older people with dementia | |
Zhang et al. | A context-aware mhealth system for online physiological monitoring in remote healthcare | |
US10539549B2 (en) | Mobile blood alcohol content and impairment sensing device | |
JP2012110713A (ja) | 呼吸困難計 | |
JP2012110714A (ja) | スタチン誘発性ミオパシー及び他の医的障害のセンサベースの診断 | |
Hemmatpour et al. | Nonlinear Predictive Threshold Model for Real‐Time Abnormal Gait Detection | |
US20230298760A1 (en) | Systems, devices, and methods for determining movement variability, illness and injury prediction and recovery readiness | |
CN110353641A (zh) | 生命体征监测方法及系统 | |
Sasai | Assessing sedentary behavior using wearable devices: An overview and future directions | |
Baig et al. | Falls risk assessment for hospitalised older adults: a combination of motion data and vital signs | |
CN105982643A (zh) | 睡眠事件检测方法与系统 | |
CN110755091A (zh) | 一种个人心理健康监测系统及方法 | |
JP2019051129A (ja) | 嚥下機能解析システム及びプログラム | |
TWI438726B (zh) | 評估跌倒風險之系統及其方法 | |
Amir et al. | Real-time threshold-based fall detection system using wearable IoT | |
Silva et al. | Fusion of clinical, self-reported, and multisensor data for predicting falls | |
CN115590483B (zh) | 一种带有健康测量系统的智能手机 | |
Chen et al. | An auxiliary diagnostic system for Parkinson’s disease based on wearable sensors and genetic algorithm optimized random forest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |