TWM647889U - 智慧型跌倒偵測系統 - Google Patents
智慧型跌倒偵測系統 Download PDFInfo
- Publication number
- TWM647889U TWM647889U TW112206776U TW112206776U TWM647889U TW M647889 U TWM647889 U TW M647889U TW 112206776 U TW112206776 U TW 112206776U TW 112206776 U TW112206776 U TW 112206776U TW M647889 U TWM647889 U TW M647889U
- Authority
- TW
- Taiwan
- Prior art keywords
- acceleration value
- fall
- axis acceleration
- posture
- user
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000001133 acceleration Effects 0.000 claims abstract description 246
- 238000013136 deep learning model Methods 0.000 claims abstract description 65
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 30
- 230000007423 decrease Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 4
- 210000003127 knee Anatomy 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 230000036544 posture Effects 0.000 description 88
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 206010063746 Accidental death Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Landscapes
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
一種智慧型跌倒偵測系統，包含：一姿勢監測模組、一姿勢判斷模組及一通報模組，姿勢監測模組具一加速度感測器與一無線傳輸單元，加速度感測器用以感測穿戴的使用者移動之一加速度值，並以無線傳輸單元無線傳送該加速度值；姿勢判斷模組具一無線接收單元、一處理單元與一深度學習模型，無線接收單元用以接收該加速度值，處理單元透過深度學習模型依該加速度值之變化進行一姿勢分類；通報模組具一警示單元，用以通報對應於姿勢分類之一分類結果，藉此，得及時偵測配戴者之跌倒並及時通報人員協助。
Description
本創作係關於一種偵測系統，特別是關於一種智慧型跌倒偵測系統。
跌倒對於病人或老人來說是造成失能或意外死亡的重要原因。雖然正常走路對大多數人來說似乎再自然不過，然而事實上，許多老人、病患或特定人士經常會因自我照顧和自我保護能力的下降，如身體衰弱或頭暈而不經意地跌倒，且一但跌倒，極有可能導致嚴重的後果。在某些情況下，初期的傷害如果未能立即治療，可能導致更加嚴重的創傷。大多數嚴重後果並非直接由跌倒引起，而是由於援助和治療的延誤所致，由於老年人通常較為脆弱，如果未能及時獲得援助，這些意外事件將變得更加嚴重。如果救援人員能夠及時收到警報，跌倒後的重傷將大幅減少。除老年人外，如果新問世的技術能夠協助判定平衡狀態並立即發出警報，也將對許多可能發生跌落的活動和狀況有所幫助，更能提供協助和保護。
為解決上述問題，習用技術例如台灣專利公告第M630257號之AI照護輔助與緊急疏散協助系統，係有關一種AI照護輔助與緊急疏散協助系統，包括伺服主機、感測警訊裝置、狀態及追蹤影像裝置、環境及音效監控裝置、環境
及照明監控裝置、環境及緊急疏散監控裝置，藉由該感測警訊裝置以偵測每一位被照顧者(住戶)之血壓、心率、血氧及體溫等數據，藉由狀態及追蹤影像裝置兼具一般錄影及應用影像辨識進行環境狀態及追蹤，監控臥床離床狀態、確認照護人員是否前往執行工作及所有被照顧者(住戶)位置及公共空間火焰及煙霧之偵測，藉由環境及音效監控裝置偵測被照顧者(住戶)各種狀況之聲音外，亦針對各公共空間日、夜間之背景音樂開啟及關閉。惟，該習知技術偵測跌倒狀態是應用影像監視器之影像分析技術，較直接穿載於被照顧者身上的加速度感測器之精準度差，且誤判率亦高。
再者，習用技術例如台灣專利公告第M625774號揭示之基於深度影像的被照護者行為分析的照護檢測系統，是一種基於深度影像的被照護者行為分析的照護檢測系統，該照護檢測系統包括：一深度攝影照護檢測裝置以及一照護後台管理系統。該深度攝影照護檢測裝置，用以設置於被照護者居處以獲得被照護者居處內的深度影像資料，並對該深度影像資料執行被照護者行為分析處理以判斷被照護者的行為狀態，且透過有線或無線方式將代表該被照護者的行為狀態的狀態資訊輸出。該照護後台管理系統，係與該深度攝影照護檢測裝置通訊連接，且用以依據該狀態資訊產生通報資訊並發送至該被照護者的照護者的至少一終端裝置。惟，該習知技術同樣是採用影像監視器之影像分析技術偵測跌倒狀態，若被照護者位於攝影鏡頭死角跌倒，則無法被檢測到，因此較穿載於被照護者身上的加速度感測器之檢測的精準度差、誤判率高。
有鑑於此，先前技術確實仍有加以改善之必要。
為解決上述及其他問題，本創作目的是提供一種智慧型跌倒偵測系統，以改良先前技術之缺點。
本創作另一目的是提供一種智慧型跌倒偵測系統，具病患或使用者基本資料與歷史數據管理功能。
本創作另一目的是提供一種智慧型跌倒偵測系統，能結合深度學習模型來提升姿勢分類精準度與效能。
本創作另一目的是提供一種智慧型跌倒偵測系統，病患或使用者在感測範圍內任何位置發生跌倒意外時，能及時通知醫護人員給予協助。
為達成前述及其他創作目的，本創作實施例提供一種智慧型跌倒偵測系統，包含：一姿勢監測模組，具一加速度感測器與一無線傳輸單元，該加速度感測器用以穿戴於一使用者，並感測該使用者移動之一加速度值，該無線傳輸單元電性連接該加速度感測器，用以無線傳送該加速度值；一姿勢判斷模組，具一無線接收單元、一處理單元與一深度學習模型，該無線接收單元訊號連接該無線傳輸單元，用以接收該加速度值，該處理單元電性連接該無線接收單元與該深度學習模型，該處理單元透過該深度學習模型依據該加速度值之變化進行一姿勢分類；及一通報模組，具一警示單元且電性連接該姿勢判斷模組，以通報對應於該姿勢分類之一分類結果。
較佳地，該通報模組更包括一數據資料庫，電性連該姿勢判斷模組，該數據資料庫用以紀錄該分類結果，便於日後查詢。
較佳地，更包含一使用者資訊模組，電性連接該姿勢判斷模組，該使用者資訊模組包含一使用者個資，該數據資料庫包含該使用者個資及與之對應之該分類結果。
較佳地，該深度學習模型之訓練資料包括該數據資料庫。
較佳地，該深度學習模型之該姿勢分類之該分類結果包括一靜態姿勢、一動態姿勢及一跌倒姿勢。
較佳地，該通報模組之該警示單元為燈號警示，該姿勢判斷模組進行之該姿勢分類之該分類結果為該靜態姿勢時對應顯示為綠色燈號、該分類結果為該動態姿勢時對應顯示為黃色燈號、該分類結果為該跌倒姿勢時對應顯示為紅色燈號。
較佳地，該通報模組之該警示單元更包含一聲響警示，該姿勢判斷模組進行之該姿勢分類之該分類結果為該靜態姿勢時對發出柔和聲響、該分類結果為該動態姿勢時發出短促聲響、該分類結果為該跌倒姿勢時發出高頻聲響。
較佳地，該跌倒姿勢包括自站立轉換為坐下時之後坐跌倒及後仰跌倒、自坐下轉換為站立時之前跪跌倒及後坐跌倒、自站立轉換為蹲下時之前跪跌倒及後坐跌倒、自蹲下轉換為站立時之前跪跌倒及後坐跌倒。
較佳地，該加速度感測器為包含X軸、Y軸及Z軸之三維坐標系統之一三軸加速度感測器，該三軸加速度感測器以使用者手臂自然下垂地配戴於手腕時，該三軸加速度感測器之X軸為鉛垂方向，且向上之加速度值為正值。
較佳地，該深度學習模型判斷並分類該使用者處於該靜態姿勢之站立狀態為一第1靜態類型，判斷為該第1靜態類型之依據為：該加速度值之該X軸加速度值為1g左右且Y軸加速度值及Z軸加速度值均接近0g。
較佳地，該深度學習模型判斷並分類該使用者處於該靜態姿勢之坐下狀態為一第2靜態類型，判斷為該第2靜態類型之依據為：該加速度值之該X軸加速度值為1g左右且Y軸加速度值及Z軸加速度值於0.5~0g之間。
較佳地，該深度學習模型判斷並分類該使用者處於該靜態姿勢之蹲下狀態為一第3靜態類型，判斷為該第3靜態類型之依據為：該加速度值之該X
軸加速度值為1g左右、Y軸加速度值為0~-0.5g之間、Z軸加速度值於0.5~0g之間。
較佳地，該深度學習模型判斷並分類該使用者由站立轉換為坐下時後坐跌倒過程為一第1跌倒類型，該第1跌倒類型之該加速度值之變化特徵為：歷經數秒站立狀態後，X軸加速度值劇烈變化、Y軸加速度值些微上升、Z軸加速度值從正值突然變為負值，經瞬間加速度改變後，Z軸加速度值再次變為正值。
較佳地，該深度學習模型判斷並分類該使用者由站立轉換為坐下時後仰跌倒過程為一第2跌倒類型，該第2跌倒類型之該加速度值之變化特徵為：歷經數秒站立狀態後，X軸加速度值劇烈變化，後仰跌倒後，X軸加速度值上升、Y軸加速度值大幅下跌至負值。
較佳地，該深度學習模型判斷並分類該使用者由坐下轉換為站立時前跪跌倒過程一第3跌倒類型，該第3跌倒類型之該加速度值之變化特徵為：歷經三軸加速度值平穩數秒後，Y軸加速度值些微上升且Z軸加速度值下降，直至X軸加速度值一開始下降隨即又上升、Y軸加速度值急遽下降到負值、Z軸加速度值起伏較小。
較佳地，該深度學習模型判斷並分類該使用者由坐下轉換為站立時後坐跌倒過程為一第4跌倒類型，該第4跌倒類型之該加速度值之變化特徵為：歷經數秒坐下狀態後，Y軸加速度值劇烈下跌。
較佳地，該深度學習模型判斷並分類該使用者由站立轉換為蹲下時前跪跌倒過程為一第5跌倒類型，該第5跌倒類型之該加速度值之變化特徵為：歷經數秒站立狀態後，Y軸加速度值下降至負值，Z軸加速度值些微上升，之後，Y軸加速度值從負值上升到正值、Z軸加速度值下降、X軸加速度值始終平穩。
較佳地，該深度學習模型判斷並分類該使用者由站立轉換為蹲下時後坐跌倒過程為一第6跌倒類型，該第6跌倒類型之該加速度值之變化特徵為：
歷經數秒站立狀態後，X軸加速度值些許下降、Y軸加速度值上升而Z軸加速度值平穩，之後，Y軸加速度值上升些許後三軸加速度趨於平穩。
較佳地，該深度學習模型判斷並分類該使用者由蹲下轉換為站立時前跪跌倒過程為一第7跌倒類型，該第7跌倒類型之該加速度值之變化特徵為：歷經數秒蹲下狀態後，X軸加速度值下降，之後，X軸加速度值上升、Y軸加速度值先下降後上升。
較佳地，該深度學習模型判斷並分類該使用者由蹲下轉換為站立時後坐跌倒過程為一第8跌倒類型，該第8跌倒類型之該加速度值之變化特徵為：歷經數秒蹲下狀態後，Y軸加速度值上升，之後，X軸加速度值先下降後上升、Y軸加速度值和Z軸加速度值則下降一些。
較佳地，該姿勢監測模組更包含一輔助感測器，穿戴於使用者之與該加速度感測器不同部位，該輔助感測器電性連接該無線傳輸單元用以無線傳送一感測值，該姿勢判斷模組之該深度學習模型依據該加速度感測器之該加速度值與該輔助感測器之感測值之變化，進行該姿勢分類。
較佳地，該姿勢監測模組，更包含一取消單元，電性連接該無線傳輸單元，用以手動發出無線訊號，以取消誤判為該跌倒姿勢之該分類結果。
本創作全文所述方向性或其近似用語，例如前、後、左、右、上(頂)、下(底)、內、外、側等，主要是參考圖式的方向，各方向性或其近似用語僅用以輔助說明及理解本創作的各實施例，非用以限制本創作。本創作全文所記載的元件及構件使用之冠詞，如一或該，僅是為了方便使用或簡化描述，應被解讀為包括一個或至少一個，且單一的概念也包括複數的概念，除非明顯有不同意思。
(10):姿勢監測模組
(11):加速度感測器
(12):無線傳輸單元
(13):輔助感測器
(14):取消單元
(111):加速度值
(20):姿勢判斷模組
(21):無線接收單元
(22):處理單元
(23):深度學習模型
(30):通報模組
(31):警示單元
(311):分類結果
(32):數據資料庫
(40):使用者資訊模組
(41):使用者個資
(U):使用者
(P):姿勢分類
(S1):第1靜態類型
(S2):第2靜態類型
(S3):第3靜態類型
(P1):第1跌倒類型
(P2):第2跌倒類型
(P3):第3跌倒類型
(P4):第4跌倒類型
(P5):第5跌倒類型
(P6):第6跌倒類型
(P7):第7跌倒類型
(P8):第8跌倒類型
圖1為本創作一實施例之系統方塊圖。
圖2為本創作一實施例之使用者配戴圖。
圖3為本創作一實施例之系統配置與第1跌倒類型及第2跌倒類型之情境示意圖。
圖4為本創作一實施例之第3跌倒類型及第4跌倒類型之情境示意圖。
圖5為本創作一實施例之第5跌倒類型及第6跌倒類型之情境示意圖。
圖6為本創作一實施例之第7跌倒類型及第8跌倒類型之情境示意圖。
圖7為本創作一實施例之第1跌倒類型之三軸加速度折線圖。
圖8為本創作一實施例之第2跌倒類型之三軸加速度折線圖。
圖9為本創作一實施例之第3跌倒類型之三軸加速度折線圖。
圖10為本創作一實施例之第4跌倒類型之三軸加速度折線圖。
圖11為本創作一實施例之第5跌倒類型之三軸加速度折線圖。
圖12為本創作一實施例之第6跌倒類型之三軸加速度折線圖。
圖13為本創作一實施例之第7跌倒類型之三軸加速度折線圖。
圖14為本創作一實施例之第8跌倒類型之三軸加速度折線圖。
為讓本創作之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本創作較佳實施例，並配合圖式作詳細說明。在不同圖式中標示相同符號者視為相同，會省略其說明。
圖1為本創作一實施例之系統方塊圖，圖2為本創作一實施例之使用者配戴圖。請參考圖1及圖2所示，本實施例之智慧型跌倒偵測系統，包含：一姿勢監測模組10、一姿勢判斷模組20及一通報模組30，該姿勢監測模組10具有一加速度感測器11與一無線傳輸單元12，該加速度感測器11用以穿戴於一使用者U，並感測被該使用者U移動之一加速度值111，該無線傳輸單元12電性連接該加速度感測器11，用以無線傳送該加速度值111。該姿勢判斷模組20具有一無線接收單元21、一處理單元22與一深度學習模型23，該無線接收單元21以無線通訊之訊號連接該無線傳輸單元12，以接收該加速度值111，該處理單元22電性連接該無線接收單元21與該深度學習模型23，該處理單元22透過該深度學習模型23依據該加速度值111之變化進行一姿勢分類P。該通報模組30具一警示單元31，且電性連接該姿勢判斷模組20，以通報對應於該姿勢分類P之一分類結果311。如此，當該使用者U作出某姿勢時，則該使用者U配戴的該加速度感測器11將感測到其加速度值111之變化，且不同姿勢皆有特定的變化模式及特徵，能藉由已訓練完成之該深度學習模型23作出姿勢分類P，透過該姿勢分類P就能掌握並對應通報該使用者U的即時姿勢。
在一實施例中，該姿勢判斷模組20之該無線接收單元21可以有線、無線或透過雲端連接該無線傳輸單元12，以取得該加速度值111，因此，該處理單元22與該深度學習模型23，可相對該無線接收單元21設置於遠端，甚至該處理單元22與該深度學習模型23，可同時對多個無線傳輸單元12之加速度值111進行分類，及對應地通報該分類結果311，可達成在一醫療中心設置一姿勢判斷模組20，即可同時監控多個配戴姿勢判斷模組20之病患之使用者U，並能及時通報病患的即時姿態。
另，該通報模組30可另包括一數據資料庫32，該數據資料庫32電性連該姿勢判斷模組20，用以紀錄該分類結果311，以利於進行數據管理。
進一步地，在一實施例中，可另包含一使用者資訊模組40，該使用者資訊模組40電性連接該姿勢判斷模組20，該使用者資訊模組40包含一使用者個資41，該數據資料庫32包含該使用者個資41及對應於該使用者個資41之該分類結果311，以利於進行客製化醫療之數據管理。
值得一提的是，前述該深度學習模型23可為已訓練完成之模型，其訓練資料包括該數據資料庫32，因此，當該深度學習模型23在分類該使用者U之該加速度值111之變化特徵時，該深度學習模型23之訓練資料若已包含該使用者U之過往的該加速度值111變化及分類結果311，則可大為提高該使用者U之該姿勢分類P之效率及該分類結果311的正確性。
前述該深度學習模型23之該姿勢分類P的該分類結果311包括一靜態姿勢、一動態姿勢及一跌倒姿勢，其中，對於該通報模組30而言，該靜態姿勢與該動態姿勢可正常呈現，該跌倒姿勢則觸發警報機制，提示協助。
進一步地，該通報模組30之該警示單元31為燈號警示，該姿勢判斷模組20進行之該姿勢分類P之該分類結果311為該靜態姿勢時對應顯示為綠色燈號、為該動態姿勢時對應顯示為黃色燈號、為該跌倒姿勢時對應顯示為紅色燈號。
另一方面，該通報模組30之該警示單元31另包含一聲響警示，該姿勢判斷模組20進行之該姿勢分類P之該分類結果311為該靜態姿勢時對發出柔和聲響、為該動態姿勢時發出短促聲響、為該跌倒姿勢時則發出高頻聲響。
圖3為本創作一實施例之系統配置與第1跌倒類型及第2跌倒類型之情境示意圖、圖4為本創作一實施例之第3跌倒類型及第4跌倒類型之情境示意圖、圖5為本創作一實施例之第5跌倒類型及第6跌倒類型之情境示意圖、圖6為本創作一實施例之第7跌倒類型及第8跌倒類型之情境示意圖。請參考圖3至圖6所示，在此實施例中，該姿勢分類P之該跌倒姿勢包括：自站立轉換為坐下時之後坐跌倒，此為第1跌倒類型P1；自站立轉換為坐下時之後仰跌倒，為第2跌倒類型P2；自坐下轉換為站立時之前跪跌倒，為第3跌倒類型P3；自坐下轉換為站立時之後坐跌倒，為第4跌倒類型P4；自站立轉換為蹲下時之前跪跌倒，第5跌倒類型P5；自站立轉換為蹲下時之後坐跌倒，為第6跌倒類型P6；自蹲下轉換為站立時之前跪跌倒，為第7跌倒類型P7；自蹲下轉換為站立時之後坐跌倒，為第8跌倒類型P8。
請參考圖2所示，於該姿勢分類P之基礎建置中，該加速度感測器11為包含X軸、Y軸及Z軸之三維坐標系統之一三軸加速度感測器，該三軸加速度感測器配戴於使用者U手臂自然地下垂之手腕上時，該三軸加速度感測器之X軸呈鉛垂方向且向上之該加速度值111為正值之狀態。以此設置：該深度學習模型23判斷並分類該使用者U處於該靜態姿勢之站立狀態之依據為：該加速度值111之X軸加速度值為1g左右且Y軸加速度值及Z軸加速度值均接近0g。該深度學習模型23判斷並分類該使用者U處於該靜態姿勢之坐下狀態之依據為：該加速度值111之該X軸加速度值為1g左右且Y軸加速度值及Z軸加速度值於0.5~0g之間。該深度學習模型23判斷並分類該使用者U處於該靜態姿勢之蹲下狀態之依據為：該加速度值111之該X軸加速度值為1g左右、Y軸加速度值為0~-0.5g之間、Z軸加速度值於0.5~0g之間。
圖7為本創作一實施例之第1跌倒類型之三軸加速度折線圖。請參考圖3及圖7所示，本實施例之該深度學習模型23判斷並分類該使用者U由站立轉換為坐下時後坐跌倒(即第1跌倒類型P1)過程之該加速度值111之變化特徵為：歷經數秒站立狀態後，X軸加速度值劇烈變化、Y軸加速度值些微上升、Z軸加速度值從正值突然變為負值，經瞬間加速度改變後，Z軸加速度值再次變為正值。
圖8為本創作一實施例之第2跌倒類型之三軸加速度折線圖。請參考圖3及圖8所示，本實施例之該深度學習模型23判斷並分類該使用者U由站立轉換為坐下時後仰跌倒(即第2跌倒類型P2)過程之該加速度值111之變化特徵為：歷經數秒站立狀態後，X軸加速度值劇烈變化，後仰跌倒後，X軸加速度值上升、Y軸加速度值大幅下跌至負值。
圖9為本創作一實施例之第3跌倒類型之三軸加速度折線圖。請參考圖4及圖9所示，本實施例之該深度學習模型23判斷並分類該使用者U由坐下轉換為站立時前跪跌倒(即第3跌倒類型P3)過程之該加速度值111之變化特徵為：歷經三軸加速度值平穩數秒後，Y軸加速度值些微上升且Z軸加速度值下降，直至X軸加速度值一開始下降隨即又上升、Y軸加速度值急遽下降到負值、Z軸加速度值起伏較小。
圖10為本創作一實施例之第4跌倒類型之三軸加速度折線圖。請參考圖4及圖10所示，本實施例之該深度學習模型23判斷並分類該使用者U由坐下轉換為站立時後坐跌倒(即第4跌倒類型P4)過程之該加速度值111之變化特徵為：歷經數秒坐下狀態後，Y軸加速度值劇烈下跌。
圖11為本創作一實施例之第5跌倒類型之三軸加速度折線圖。請參考圖5及圖11所示，本實施例之該深度學習模型23判斷並分類該使用者U由站立
轉換為蹲下時前跪跌倒(即第5跌倒類型P5)過程之該加速度值111之變化特徵為：歷經數秒站立狀態後，Y軸加速度值下降至負值，Z軸加速度值些微上升，之後，Y軸加速度值從負值上升到正值、Z軸加速度值下降、X軸加速度值始終平穩。
圖12為本創作一實施例之第6跌倒類型之三軸加速度折線圖。請參考圖5及圖12所示，本實施例之該深度學習模型23判斷並分類該使用者U由站立轉換為蹲下時後坐跌倒(即第6跌倒類型P6)過程之該加速度值111之變化特徵為：歷經數秒站立狀態後，X軸加速度值些許下降、Y軸加速度值上升而Z軸加速度值平穩，之後，Y軸加速度值上升些許後三軸加速度趨於平穩。
圖13為本創作一實施例之第7跌倒類型之三軸加速度折線圖。請參考圖6及圖13所示，本實施例之該深度學習模型23判斷並分類該使用者U由蹲下轉換為站立時前跪跌倒(即第7跌倒類型P7)過程之該加速度值111之變化特徵為：歷經數秒蹲下狀態後，X軸加速度值下降，之後，X軸加速度值上升、Y軸加速度值先下降後上升。
圖14為本創作一實施例之第8跌倒類型之三軸加速度折線圖。請參考圖6及圖14所示，本實施例之該深度學習模型23判斷並分類該使用者U由蹲下轉換為站立時後坐跌倒(即第8跌倒類型P8)過程之該加速度值111之變化特徵為：歷經數秒蹲下狀態後，Y軸加速度值上升，之後，X軸加速度值先下降後上升、Y軸加速度值和Z軸加速度值則下降一些。
進一步地，該姿勢監測模組10另可包含一輔助感測器13，穿戴於使用者U之例如腰部或大腿、腳踝等與該加速度感測器11不同部位，該輔助感測器13將所測之感測值透過該無線傳輸單元12無線傳送，該姿勢判斷模組20之該深
度學習模型23依據該加速度感測器11之該加速度值111之變化與該輔助感測器13之感測值之變化，進行該姿勢分類P。
值得注意的是，當該加速度感測器11與該輔助感測器13皆使用三軸加速度感測器時，在任何一時間點上，各三軸加速度感測器之任一軸與其餘軸的加速度值皆有3種組合，以數學排列組合運算符號C 3取2表示為
種組合，二個三軸加速度感測器結合後，以數學排列組合運算表示，從則有
種組合，可大為提高判斷該姿勢分類P的精確度。
請參考圖1所示，在一實施例中，該姿勢監測模組10，更包含一取消單元14，電性連接該無線傳輸單元12，用以手動地操作而發出一無線訊號，以取消誤判為該跌倒姿勢之該分類結果311，藉以在本創作誤判時予以糾正，修正數據資料庫32及深度學習模型23之正確性。
綜上所述，本創作以姿勢監測模組偵測並傳送使用者特定部位的姿態的加速度值，以姿勢判斷模組接收後交給深度學習模型依據加速度值分類，並進行通報，能在發生如跌倒之危險姿態時，即時通報，使能夠及時給予協助。本創作針對醫護人員臨床經驗進行設計，也具有數據資料庫及使用者資訊模組，能儲存使用者個資及相應的姿態分類及其三軸加速度值變化，進行使用者(病患)基本資料與歷使數據管理功能。本創作更進一步能利用深度學習模型結合一組或多組加速度感測器，提升姿勢分類精準度與效能。
雖然本創作已利用上述較佳實施例揭示，然其並非用以限定本創作，任何在本領域具有通常知識者在不脫離本創作之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本創作所保護之技術範疇，因此本創作之保護
範圍當包含後附之申請專利範圍所記載的文義及均等範圍內之所有變更。又，上述之數個實施例能夠組合時，則本創作包含任意組合的實施態樣。
(10):姿勢監測模組
(11):加速度感測器
(12):無線傳輸單元
(13):輔助感測器
(14):取消單元
(111):加速度值
(20):姿勢判斷模組
(21):無線接收單元
(22):處理單元
(23):深度學習模型
(30):通報模組
(31):警示單元
(311):分類結果
(32):數據資料庫
(40):使用者資訊模組
(41):使用者個資
(P):姿勢分類
Claims (22)
- 一種智慧型跌倒偵測系統，包含：一姿勢監測模組(10)，具一加速度感測器(11)與一無線傳輸單元(12)，該加速度感測器(11)用以穿戴於一使用者(U)，並感測該使用者(U)移動之一加速度值(111)，該無線傳輸單元(12)電性連接該加速度感測器(11)，用以無線傳送該加速度值(111)；一姿勢判斷模組(20)，具一無線接收單元(21)、一處理單元(22)與一深度學習模型(23)，該無線接收單元(21)訊號連接該無線傳輸單元(12)，用以接收該加速度值(111)，該處理單元(22)電性連接該無線接收單元(21)與該深度學習模型(23)，該處理單元(22)透過該深度學習模型(23)依據該加速度值(111)之變化進行一姿勢分類(P)；及一通報模組(30)，具一警示單元(31)且電性連接該姿勢判斷模組(20)，以通報對應於該姿勢分類(P)之一分類結果(311)。
- 如請求項1所述之智慧型跌倒偵測系統，其中，該通報模組(30)更包括一數據資料庫(32)，電性連該姿勢判斷模組(20)，該數據資料庫(32)用以紀錄該分類結果(311)。
- 如請求項2所述之智慧型跌倒偵測系統，更包含一使用者資訊模組(40)，電性連接該姿勢判斷模組(20)，該使用者資訊模組(40)包含一使用者個資(41)，該數據資料庫(32)包含該使用者個資(41)及與之對應之該分類結果(311)。
- 如請求項3所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)之訓練資料包括該數據資料庫(32)。
- 如請求項1所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)之該姿勢分類(P)之該分類結果(311)包括一靜態姿勢、一動態姿勢及一跌倒姿勢。
- 如請求項5所述之智慧型跌倒偵測系統，其中，該通報模組(30)之該警示單元(31)為燈號警示，該姿勢判斷模組(20)進行之該姿勢分類(P)之該分類結果(311)為該靜態姿勢時對應顯示為綠色燈號、該分類結果(311)為該動態姿勢時對應顯示為黃色燈號、該分類結果(311)為該跌倒姿勢時對應顯示為紅色燈號。
- 如請求項5所述之智慧型跌倒偵測系統，其中，該通報模組(30)之該警示單元(31)更包含一聲響警示，該姿勢判斷模組(20)進行之該姿勢分類(P)之該分類結果(311)為該靜態姿勢時對發出柔和聲響、該分類結果(311)為該動態姿勢時發出短促聲響、該分類結果(311)為該跌倒姿勢時發出高頻聲響。
- 如請求項5所述之智慧型跌倒偵測系統，其中，該跌倒姿勢包括自站立轉換為坐下時之後坐跌倒及後仰跌倒、自坐下轉換為站立時之前跪跌倒及後坐跌倒、自站立轉換為蹲下時之前跪跌倒及後坐跌倒、自蹲下轉換為站立時之前跪跌倒及後坐跌倒。
- 如請求項5所述之智慧型跌倒偵測系統，其中，該加速度感測器(11)為包含X軸、Y軸及Z軸之三維坐標系統之一三軸加速度感測器，該三軸加速度感測器以使用者(U)手臂自然下垂地配戴於手腕時，該三軸加速度感測器之X軸為鉛垂方向，且向上之加速度值(111)為正值。
- 如請求項9所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)處於該靜態姿勢之站立狀態為一第1靜態類型(S1)，判斷為該第1靜態類型(S1)之依據為：該加速度值(111)之X軸加速度值為1g左右且Y軸加速度值及Z軸加速度值均接近0g。
- 如請求項9所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)處於該靜態姿勢之坐下狀態為一第2靜態類型(S2)，判斷為該第2靜態類型(S2)之依據為：該加速度值(111)之該X軸加速度值為1g左右且Y軸加速度值及Z軸加速度值於0.5~0g之間。
- 如請求項9所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)處於該靜態姿勢之蹲下狀態為一第3靜態類型(S3)，判斷為該第3靜態類型(S3)之依據為：該加速度值(111)之該X軸加速度值為1g左右、Y軸加速度值為0~-0.5g之間、Z軸加速度值於0.5~0g之間。
- 如請求項10所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類 該使用者(U)由站立轉換為坐下時後坐跌倒過程為一第1跌倒類型(P1)，該第1跌倒類型(P1)之該加速度值(111)之變化特徵為：歷經數秒站立狀態後，X軸加速度值劇烈變化、Y軸加速度值些微上升、Z軸加速度值從正值突然變為負值，經瞬間加速度改變後，Z軸加速度值再次變為正值。
- 如請求項10所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)由站立轉換為坐下時後仰跌倒過程為一第2跌倒類型(P2)，該第2跌倒類型(P2)之該加速度值(111)之變化特徵為：歷經數秒站立狀態後，X軸加速度值劇烈變化，後仰跌倒後，X軸加速度值上升、Y軸加速度值大幅下跌至負值。
- 如請求項11所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)由坐下轉換為站立時前跪跌倒過程為一第3跌倒類型(P3)，該第3跌倒類型(P3)之該加速度值(111)之變化特徵為：歷經三軸加速度值平穩數秒後，Y軸加速度值些微上升且Z軸加速度值下降，直至X軸加速度值一開始下降隨即又上升、Y軸加速度值急遽下降到負值、Z軸加速度值起伏較小。
- 如請求項11所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)由坐下轉換為站立時後坐跌倒過程為一第4跌倒類型(P4)，該第4跌倒類型(P4)之該加速度值(111)之變化特徵為：歷經數秒坐下狀態後，Y軸加速度值劇烈下跌。
- 如請求項10所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類 該使用者(U)由站立轉換為蹲下時前跪跌倒過程為一第5跌倒類型(P5)，該第5跌倒類型(P5)之該加速度值(111)之變化特徵為：歷經數秒站立狀態後，Y軸加速度值下降至負值，Z軸加速度值些微上升，之後，Y軸加速度值從負值上升到正值、Z軸加速度值下降、X軸加速度值始終平穩。
- 如請求項10所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)由站立轉換為蹲下時後坐跌倒過程為一第6跌倒類型(P6)，該第6跌倒類型(P6)之該加速度值(111)之變化特徵為：歷經數秒站立狀態後，X軸加速度值些許下降、Y軸加速度值上升而Z軸加速度值平穩，之後，Y軸加速度值上升些許後三軸加速度趨於平穩。
- 如請求項12所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)由蹲下轉換為站立時前跪跌倒過程為一第7跌倒類型(P7)，該第7跌倒類型(P7)之該加速度值(111)之變化特徵為：歷經數秒蹲下狀態後，X軸加速度值下降，之後，X軸加速度值上升、Y軸加速度值先下降後上升。
- 如請求項12所述之智慧型跌倒偵測系統，其中，該深度學習模型(23)判斷並分類該使用者(U)由蹲下轉換為站立時後坐跌倒過程為一第8跌倒類型(P8)，該第8跌倒類型(P8)之該加速度值(111)之變化特徵為：歷經數秒蹲下狀態後，Y軸加速度值上升，之後，X軸加速度值先下降後上升、Y軸加速度值和Z軸加速度值則下降一些。
- 如請求項1所述之智慧型跌倒偵測系統，其中，該姿勢監測模組(10)更包含一輔助感測器(13)，穿戴於使用者(U)之與該加速度感測器(11)不同部位，該輔助感測器(13)電性連接該無線傳輸單元(12)用以無線傳送一感測值，該姿勢判斷模組(20)之該深度學習模型(23)依據該加速度感測器(11)之該加速度值(111)與該輔助感測器(13)之感測值之變化，進行該姿勢分類(P)。
- 如請求項6或7所述之智慧型跌倒偵測系統，其中，該姿勢監測模組(10)，更包含一取消單元(14)，電性連接該無線傳輸單元(12)，用以手動發出無線訊號，以取消誤判為該跌倒姿勢之該分類結果(311)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112206776U TWM647889U (zh) | 2023-06-30 | 2023-06-30 | 智慧型跌倒偵測系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112206776U TWM647889U (zh) | 2023-06-30 | 2023-06-30 | 智慧型跌倒偵測系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWM647889U true TWM647889U (zh) | 2023-11-01 |
Family
ID=89720706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112206776U TWM647889U (zh) | 2023-06-30 | 2023-06-30 | 智慧型跌倒偵測系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWM647889U (zh) |
-
2023
- 2023-06-30 TW TW112206776U patent/TWM647889U/zh unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103810817B (zh) | 一种穿戴式人体瘫倒检测报警装置的检测报警方法 | |
| US20130082842A1 (en) | Method and device for fall detection and a system comprising such device | |
| WO2017049958A1 (zh) | 瘫倒监测和预防装置及其处理方法 | |
| KR101196296B1 (ko) | 개선된 낙상 감지 알고리즘을 이용한 응급 모니터링 시스템 | |
| CN107092806A (zh) | 一种面向老人家居智能化的信息融合与预警方法 | |
| CN205050303U (zh) | 一种智能人体瘫倒监测装置 | |
| KR101751274B1 (ko) | 착용 가능한 무선단말을 이용한 대상자 관리시스템 및 방법 | |
| CN104510460A (zh) | 一种基于物联网的独居老人自动监测系统 | |
| CN102525434A (zh) | 一种远程电子监护装置 | |
| 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 | |
| KR20170011631A (ko) | 낙상부위 감지기능을 갖는 착용형 기기 및 이를 이용한 낙상부위 감지 시스템 | |
| Rihana et al. | Wearable fall detection system | |
| Lan et al. | Real-time fall detecting system using a tri-axial accelerometer for home care | |
| Lin et al. | Wearable device for real-time monitoring of human falls | |
| KR101754576B1 (ko) | 탈착 디바이스를 이용한 생체 신호 분석 시스템 및 방법 | |
| Nizam et al. | Classification of daily life activities for human fall detection: a systematic review of the techniques and approaches | |
| TW202133798A (zh) | 照護系統與自動照護方法 | |
| Wu et al. | Robot-assisted intelligent emergency system for individual elderly independent living | |
| TWM647889U (zh) | 智慧型跌倒偵測系統 | |
| KR102181856B1 (ko) | 웨이크-업 감지 장치 | |
| KR102274579B1 (ko) | 성폭력 방지를 위한 성폭력 감지 장치 및 이를 이용한 성폭력 방지 시스템 | |
| TWM517882U (zh) | 智能式行動看護裝置 | |
| Garg et al. | An IoT Based Fall Detection System | |
| TWI656502B (zh) | 隨身安全照護方法、裝置及系統 | |
| TW201535303A (zh) | 人體離床感知方法及系統 |