CN102707305B - 摔倒检测定位***的工作方法 - Google Patents
摔倒检测定位***的工作方法 Download PDFInfo
- Publication number
- CN102707305B CN102707305B CN201210185040.9A CN201210185040A CN102707305B CN 102707305 B CN102707305 B CN 102707305B CN 201210185040 A CN201210185040 A CN 201210185040A CN 102707305 B CN102707305 B CN 102707305B
- Authority
- CN
- China
- Prior art keywords
- module
- information
- accelerometer
- network
- pitch
- 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.)
- Active
Links
Landscapes
- Navigation (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种摔倒检测定位***及方法,它包括摔倒检测定位装置,所述摔倒检测定位装置包括惯性导航模块、GPS模块、主控制器和Sim-300模块,所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成,所述GPS模块、惯性导航模块分别与主控制器连接,主控制器和Sim-300模块连接,所述摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接,并设计了基于神经网络和机器学习的摔倒检测算法,准确地检测人体摔倒状态和位置信息,并通过GSM/GPRS将该信息传到监护站,在监控画面上实时显示被测人员的状态和位置,本***可以准确地检测到被测人员的摔倒状况,并且可以对其实时跟踪定位,***方便实用,准确率高,稳定性强。
Description
技术领域
本发明涉及一种行为分析与识别方法,状态监控与报警、检测与定位***,尤其涉及一种摔倒检测定位***。
背景技术
21世纪是人口老龄化的时代,目前,世界上所有发达国家都已经进入老龄社会,许多发展中国家正在或即将进入老龄社会。中国是世界上老年人口最多的国家,据数据显示,2004年底,中国60岁及以上老年人口为1.43亿,2014年将达到2亿,2026年将达到3亿,意外摔倒是65岁以上人群主要的健康威胁以及死亡原因,在因摔倒而需要医疗护理的人群中,65岁及以上的占到超过30%,而因摔倒致死的人群中,40%是80岁以上的老者。在超过85岁的人群中,2/3的意外摔倒直接导致死亡。据报告显示,在老年之家和养老院中,66%的居民每年至少会有一次意外摔倒,而这并不包括未报告的情况,因此,这个数字还是可能被低估的。老年人摔倒发生率高、后果严重,已经成为一个严重的医疗问题和社会问题,通过科学的手段有效预测老年人摔倒,从而减小老年人因摔倒带来的伤害已成为全球新的研究热点。
目前,对于人体摔倒检测,从硬件上一般分为基于视觉和基于穿戴式传感器两种,其中,采用视觉进行人体摔倒检测会严重受到外界环境影响,比如光照条件、背景、遮挡大小和摄像机质量等,另外,由于摄像机监测区域有限,被监测的老年人或者病人的活动范围会受到限制,在利用穿戴式传感器检测人体摔倒的研究中,一种是采用加速度计检测人体活动的加速度,通过设定阈值判断是否摔倒,这种方法很难区分摔倒与人们日常的剧烈活动,如跳、上下楼等。专利200720125141.1,200910145045.7都是采用一个三轴加速度计测得人体加速度,同时计算出了倾斜角度,前者通过设定加速度和角度阈值判断是否发生摔倒,难以区分快速行走和上下楼梯等剧烈动作,而后者则是判断人在摔倒过程受到冲击前后一段时间的角度关系判断是否发生摔倒,该方法要求人体摔倒过程出现明显冲击,难以识别老年人突然晕倒或者小幅度摔倒,而且,其角度是通过加速度计算得到,显然,当人体剧烈活动或者震动干扰时计算的倾斜角度会出现严重偏差,识别率会严重下降;另一种是通过穿戴式角度传感器检测人体躯干角度,设定角度阈值和时间阈值判断是否摔倒,该方法难以区分弯腰、平躺等正常行为动作。例如,专利200620075599.6,200620003000.8通过传感器检测人体的倾斜程度来判断是否发生摔倒,很难区分弯腰、平躺等动作,另外,由于摔倒事件随机性强、形 式多样,因此,这种阈值判断的方法误判率较高,而且很不稳定。
发明内容
本发明的目的就是为了解决上述问题,提供一种摔倒检测定位***及方法,根据人体摔倒特征建立神经网络模型,利用惯性导航模块提供的人体姿态角度和融合加速度作为神经网络输入信号,通过反向传播、滑动窗口和机器学习算法可以稳定输出准确的摔倒信息,它具有准确检测被测人员的摔倒状况,并且对其实时跟踪定位,***具有方便实用,准确率高,稳定性强的优点。
为了实现上述目的,本发明采用如下技术方案:
一种摔倒检测定位***,它包括摔倒检测定位装置,所述摔倒检测定位装置包括惯性导航模块、GPS模块、主控制器和Sim-300模块,所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成,所述GPS模块、惯性导航模块分别与主控制器连接,主控制器和Sim-300模块连接,所述摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接。
利用上述摔倒检测定位***的工作过程为:
步骤一:对摔倒检测定位装置进行***初始化,配置各个传感器的寄存器,然后根据人体摔倒的特征建立神经网络模型,通过输入教师信号对网络进行训练,具体过程为:(1)初始化,假设没有先验知识可用,以一个一致分布来随机地挑选突触权值,这个分布选择为均值等于0的均匀分布,它的方差的选择应该使得神经元的诱导局部域的标准偏差位于sigmoid激活函数的线性部分与饱和部分的过渡处;(2)采集样本,将AHRS模块佩戴在实验人员的腰部,实验人员通过做出多种摔倒动作和正常的日常行为动作,记录这N组实验数据作为训练样本(X(N),d(N)),逐次将每个样本(X(i),d(i))呈现出来;(3)前向计算,假设本次计算的训练样本是(X(n),d(n)),即X(n)={suma(n),pitch(n),roll(n)},期望输出为d(n),激活函数选取sigmoid非线性函数,计算实际输出o(n),则误差信号e(n)=d(n)-o(n),对每一组训练样本经过前向计算得到的误差信号如果满足要求(规定一个误差范围,在这里规定该神经网络的误差阈值是0.01%),则认为反向传播算法已经收敛,本组样本训练结束,进行下一组样本的训练,否则将进行反向计算,继续调整各层神经网络的权值;(4)迭代,调整好各层权值后,返回前向计算,直到误差信号满足规定的收敛准则,然后,进行下一组样本的训练,直到所有的N组试验样本全部训练完成;
步骤二:惯性导航模块采集三轴MEMS陀螺仪的信号,采用四元数姿态表达式,积分求得陀螺仪姿态角,同时采集三轴MEMS加速度计和三轴磁力计的信号,利用重力场和大地磁场在 地理坐标系和机体坐标系之间的方向余弦转换进行绝对角度解算,得到绝对姿态角,然后根据信号的变化频率实时改变滤波参数,对两次得到的姿态角进行基于扩展式卡尔曼滤波的数据融合,其中,加速度计与陀螺仪的融合原理主要是静态的时候用加速度计修正陀螺仪的值,动态的时候利用陀螺仪的值修正加速度计的值,磁力计与加速度计的融合原理主要是利用加速度计进行磁力计的倾斜补偿,根据运动体上的三轴加速度计输出的三轴加速度(Ax,Ay,Az),分别求取俯仰角pitch=tan-1(-Ay,-Az),倾斜角融合加速度 磁力计与加速度计的融合原理主要是利用加速度计进行磁力计的倾斜补偿,读取磁力计输出的三轴磁场强度求取倾斜补偿后的磁力计输出 根据计算出的倾斜补偿后的磁力计输出。求取偏航角
步骤三:主控制器接收GPS模块和惯性导航模块的数据,将姿态角度和融合加速度输入训练好的神经网络进行摔倒判断,人在摔倒的过程中,通常融合加速度sum_a和人体倾角pitch或者roll的极值并不是出现在同一组采样值中,为了提高神经网络的识别率,最大程度的区分摔倒和日常行为,采用滑动窗口的方法对采样数据进行处理,根据神经网络的输出结果进行判断,如果没有摔倒,主控制器通过Sim-300模块的GPRS通信方式将状态和位置信息上传到监护站的服务器,如果摔倒,主控制器除了将信息上传监护站外,还通过Sim-300模块的GSM通信方式以短信形式将信息告知绑定的亲属手机进行提醒;
步骤四:判断此组姿态角度和加速度数据是否满足机器学习的要求,如果满足,则返回网络重新训练,更新网路参数,如果不满足,则进行下一组数据的处理,例如,假设本组数据是一次小幅度摔倒,加速度和姿态角度变化较慢,神经网络的输出值为0.90,这个值比较接近设定的阈值0.85,这会影响神经网络的识别率,采用机器学习的方法,将本次的输入值作为训练样本对网络再次进行训练,对调整后的网络再次进行测试,网络输出值为0.98,这大大提高了神经网络的识别率,网络在使用过程中不断学习,积累经验,神经网络将变得越来越智能;
步骤五:监护站的服务器初始化,接收所监测的装置上传的信息,对上述信息处理后按照ID号、接收时间、纬度值、经度值、人体状态的格式存入数据库,然后数据库进行自检,判断信息是否超量,如果否,则继续接收信息,如果是,则清除过期记录,然后再接收信息;
步骤六:监护站的客户端根据权限登录账号,通过以太网查询数据库,根据数据库提供的经纬度信息,程序调用卫星地图将被测对象的位置标定在地图上,同时根据被测对象的状态信息,判断其是否摔倒,如果否,则进行页面刷新,监测下一组信息,如果是,则会启动报警程序,然后再监测下一组信息。该方式的明显优点是监护人员不局限于监护站,可以在任何一个可以上网的装置上(如手机、电脑、上网笔记本等)随时随地对被测对象进行监护。
本发明的有益效果:
本***可以准确地检测到被测人员的摔倒状况,具备智能学习算法,适用于各种类型的摔到检测,监护人员可以随时随地对被测人员实时跟踪定位,报警装置可以及时提醒相关人员进行救护,大大降低了老年人或者病人因为摔倒而导致的严重后果,具有很强的实用价值,而且***使用方便,准确率高,稳定性强。
附图说明
图1为摔倒检测***的原理框图;
图2为摔倒检测***的工作流程图;
图3为监护站的操作流程图;
图4为监护站客户端操作流程图。
图5为基于神经网络的摔倒检测算法设计图。
其中,1、三轴陀螺仪,2、三轴磁力计,3、三轴加速度计,4、惯性导航模块,5、GPS模块,6、主控制器,7、Sim-300模块,8、被测人员甲的摔倒定位检测装置,9、被测人员乙的摔倒定位检测装置,10、GSM通信,11、GPRS通信,12、绑定被测人员甲的亲属手机,13、绑定被测人员乙的亲属手机,14、监护站,15、以太网。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1,一种摔倒检测定位***,它包括摔倒检测定位装置,所述摔倒检测定位装置包括惯性导航模块4、GPS模块5、主控制器6和Sim-300模块7,所述惯性导航模块4由三轴陀螺仪1、三轴磁力计2和三轴加速度计3组成,所述GPS模块5、惯性导航模块4分别与主控制器6连接,主控制器6和Sim-300模块7连接,所述摔倒检测定位装置通过GSM10/GPRS11与绑定被测人员的亲属手机12、监护站14连接。
惯性导航模块4,通过对由三轴陀螺仪1、三轴磁力计2和三轴加速度计3这三种传感器进行基于扩展卡尔曼滤波的数据融合,惯性导航模块4向主控制器6输出精确稳定的姿态角度和三轴加速度,GPS模块5向主控制器6输出精确的经纬度值,主控制器6在完成神经网络训练后,对惯性导航模块4上传的姿态角度和三轴加速度采用基于神经网络和机器学习的摔到检测算法进行数据处理,可以准确地判断出该被测对象是否摔倒,主控制器6通过Sim-300模块7的GPRS通信方式11将被测对象的摔倒信息、定位信息和本装置的ID号一起上传到监护站14,当被测对象是摔倒状态时,主控制器6同时通过Sim-300模块7的GSM短信方式10将摔倒信息发送到被测对象绑定的亲属手机上进行提醒,监护站14的服务器将收到的信息存储到建立的数据库中,监护站的客户端就可以通过以太网15查询数据库中的相应信息,同时可以调用卫星地图标定被测对象的准确位置,显示被测对象的摔倒状态。本发明的摔倒检测定位***可以同时监护多个对象,图中以两个监护对象即被测人员甲8和被测人员乙9为例进行说明。每个被测对象都可以将信息上传到监护站14,他们以自己的ID号作为区分,他们分别绑定不同的亲属手机,而且每个被测对象可以绑定多个手机。
如图2、3、4所示,本发明摔倒检测定位***的工作流程:摔倒检测定位装置8进行***初始化,配置各个传感器的寄存器。根据人体摔倒的特征建模神经网络,通过输入教师信号对网络进行训练,此处设定误差要求为0.01%。当网络输出满足误差要求时,认为网络已经训练完成。惯性导航模块4采集三轴MEMS陀螺仪1的信号,采用四元数姿态表达式,积分求得陀螺仪姿态角。同时采集三轴MEMS加速度计3和三轴磁力计2的信号,利用重力场和大地磁场在地理坐标系和机体坐标系之间的方向余弦转换进行绝对角度解算,得到绝对姿态角。根据信号的变化频率实时改变滤波参数,对两次得到的姿态角进行扩展式卡尔曼滤波,最终输出准确稳定的姿态角度和三轴加速度,主控制器6将姿态角度和加速度输入训练好的神经网络进行摔倒判断,如果没有摔倒,主控制器6通过Sim-300模块7的GPRS通信方式11将状态和位置信息上传到监护站14的服务器,如果摔倒,主控制器6除了将信息上传监护站14外,还通过Sim-300模块7的GSM通信方式10以短信形将信息告知绑定的亲属手机12进行提醒;最后,判断此组姿态角度和加速度数据是否满足机器学习的要求,如果满足,则返回网络重新训练,更新网路参数,如果不满足,则进行下一组数据的处理。
监护站14的服务器初始化完成后,开始接收所监测装置上传的信息,对上述信息处理后按照ID号、接收时间、纬度值、经度值、人体状态的格式存入数据库;然后数据库进行自检,判断信息是否超量,如果否,则继续接收信息,如果是,则清除过期记录,然后再接收信息。
监护站14的客户端首先根据权限登录账号,通过以太网查询数据库,根据数据库提供的 经纬度信息,程序调用卫星地图将被测对象的位置标定在地图上,同时根据被测对象的状态信息,判断其是否摔倒,如果否,则进行页面刷新,监测下一组信息,如果是,则会启动报警程序,然后再监测下一组信息。
如图4所示,反向传播算法加强了多层感知器监督训练的可靠性。根据摔倒的特征,首先,对于输入层,可以确定输入层为3个神经元:融合加速度sum_a(加速度的变化)、俯仰角pitch(人体躯干前、后向摔倒)、倾斜角roll(人体躯干左、右向摔倒)。对于输出层,由于只输出人体的状态(摔倒或正常,这里假设:o=0表示正常,o=1表示摔倒),因此,输出层设置1个神经元即可。其中,XO、YO分别是输入层和隐层的偏置,取常数+1,输入层X1、X2、X3分别是融合加速度sum_a(n)、俯仰角Pitch(n)、倾斜角roll(n),是输入层到隐层的突触权值,是隐层到输出层的突触权值。Y1、Y2是隐层节点,d(n)是期望输出值,当d(n)=0时表示正常,当d(n)=1时表示摔倒。o(n)是实际输出值,e(n)是误差信号,是局域梯度,f(g)为激活函数。(1)初始化,假设没有先验知识可用,我们以一个一致分布来随机地挑选突触权值,这个分布选择为均值等于0的均匀分布,它的方差的选择应该使得神经元的诱导局部域的标准偏差位于sigmoid激活函数的线性部分与饱和部分的过渡处。(2)训练样本的呈现,将AHRS模块正确佩戴在实验人员的腰部,实验人员通过做出多种摔倒动作和一些ADL,记录这N组实验数据作为训练样本(X(N),d(N))。按照顺序逐次将每个样本(X(i),d(i))呈现出来,为下一步计算使用。(3)前向计算,假设本次计算的训练样本是(X(n),d(n)),即X(n)={sum_a(n),Pitch(n),roll(n)},期望输出为d(n),激活函数选取sigmoid非线性函数,计算实际输出o(n),则误差信号e(n)=d(n)-o(n),对每一组训练样本经过前向计算得到的误差信号如果满足要求,误差阈值是0.01%·则认为反向传播算法已经收敛,本组样本训练结束, 进行下一组样本的训练,否则将进行反向计算,继续调整各层神经网络的权值;(4)迭代,调整好各层权值后,返回前向计算,直到误差信号满足规定的收敛准则,然后,进行下一组样本的训练,直到所有的N组试验样本全部训练完成。
Claims (2)
1.一种利用摔倒检测定位***的工作方法,所述摔倒检测定位***,它包括摔倒检测定位装置,所述摔倒检测定位装置包括惯性导航模块、GPS模块、主控制器和Sim-300模块,所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成,所述GPS模块、惯性导航模块分别与主控制器连接,主控制器和Sim-300模块连接,所述摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接;其特征是,具体步骤为:
步骤一:对摔倒检测定位装置进行***初始化,配置各个传感器的寄存器,然后根据人体摔倒的特征建立神经网络模型,通过输入教师信号对网络进行训练,此处设定误差要求为0.01%;当网络输出满足误差要求时,认为网络已经训练完成;
步骤二:惯性导航模块采集三轴MEMS陀螺仪的信号,采用四元数姿态表达式,积分求得陀螺仪姿态角,同时采集三轴MEMS加速度计和三轴磁力计的信号,利用重力场和大地磁场在地理坐标系和机体坐标系之间的方向余弦转换进行绝对角度解算,得到绝对姿态角,然后根据信号的变化频率实时改变滤波参数,对两次得到的姿态角进行基于扩展式卡尔曼滤波的数据融合,其中,加速度计与陀螺仪的融合原理主要是静态的时候用加速度计修正陀螺仪的值,动态的时候利用陀螺仪的值修正加速度计的值,磁力计与加速度计的融合原理主要是利用加速度计进行磁力计的倾斜补偿,根据运动体上的三轴加速度计输出的三轴加速度(Ax,Ay,Az),分别求取俯仰角pitch=tan-1(-Ay,-Az),倾斜角融合加速度磁力计与加速度计的融合原理主要是利用加速度计进行磁力计的倾斜补偿,读取磁力计输出的三轴磁场强度求取倾斜补偿后的磁力计输出 根据计算出的倾斜补偿后的磁力计输出,求取偏航角
步骤三:主控制器接收GPS模块和惯性导航模块的数据,将姿态角度和融合加速度输入训练好的神经网络进行摔倒判断,采用滑动窗口的方法对采样数据进行处理,根据神经网络的输出结果进行判断,如果没有摔倒,主控制器通过Sim-300模块的GPRS通信方式将状态和位置信息上传到监护站的服务器,如果摔倒,主控制器除了将信息上传监护站外,还通过Sim-300模块的GSM通信方式以短信形式将信息告知绑定的亲属手机进行提醒;
步骤四:判断此组姿态角度和加速度数据是否满足机器学习的要求,如果满足,则返回网络重新训练,更新网路参数,如果不满足,则进行下一组数据的处理,加速度和姿态角度变化较慢,采用机器学习的方法,将本次的输入值作为训练样本对网络再次进行训练,对调整后的网络再次进行测试,网络输出值为0.98,提高神经网络的识别率,网络在使用过程中不断学习,积累经验,神经网络将变得越来越智能;
步骤五:监护站的服务器初始化,接收所监测的装置上传的信息,对上述信息处理后按照ID号、接收时间、纬度值、经度值、人体状态的格式存入数据库,然后数据库进行自检,判断信息是否超量,如果否,则继续接收信息,如果是,则清除过期记录,然后再接收信息;
步骤六:监护站的客户端根据权限登录账号,通过以太网查询数据库,根据数据库提供的经纬度信息,程序调用卫星地图将被测对象的位置标定在地图上,同时根据被测对象的状态信息,判断其是否摔倒,如果否,则进行页面刷新,监测下一组信息,如果是,则会启动报警程序,然后再监测下一组信息。
2.如权利要求1所述的一种利用摔倒检测定位***的工作方法,其特征是,所述步骤一的具体过程为:(1)初始化,假设没有先验知识可用,以一个一致分布来随机地挑选突触权值,这个分布选择为均值等于0的均匀分布,它的方差的选择应该使得神经元的诱导局部域的标准偏差位于sigmoid激活函数的线性部分与饱和部分的过渡处;(2)采集样本,将AHRS模块佩戴在实验人员的腰部,实验人员通过做出多种摔倒动作和正常的日常行为动作,记录这N组实验数据作为训练样本(X(N),d(N)),逐次将每个样本(X(i),d(i))呈现出来;(3)前向计算,假设本次计算的训练样本是(X(n),d(n)),即X(n)={sum_a(n),pitch(n),roll(n)},期望输出为d(n),激活函数选取sigmoid非线性函数,计算实际输出o(n),则误差信号e(n)=d(n)-o(n),对每一组训练样本经过前向计算得到的误差信号如果满足要求,误差阈值是0.01%,则认为反向传播算法已经收敛,本组样本训练结束,进行下一组样本的训练,否则将进行反向计算,继续调整各层神经网络的权值;(4)迭代,调整好各层权值后,返回前向计算,直到误差信号满足规定的收敛准则,然后,进行下一组样本的训练,直到所有的N组试验样本全部训练完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210185040.9A CN102707305B (zh) | 2012-06-06 | 2012-06-06 | 摔倒检测定位***的工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210185040.9A CN102707305B (zh) | 2012-06-06 | 2012-06-06 | 摔倒检测定位***的工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102707305A CN102707305A (zh) | 2012-10-03 |
CN102707305B true CN102707305B (zh) | 2014-07-16 |
Family
ID=46900234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210185040.9A Active CN102707305B (zh) | 2012-06-06 | 2012-06-06 | 摔倒检测定位***的工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102707305B (zh) |
Families Citing this family (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102973274A (zh) * | 2012-10-26 | 2013-03-20 | 中国人民解放军空军航空医学研究所 | 一种姿态监测*** |
CN103142234B (zh) * | 2013-01-25 | 2015-04-01 | 中国科学院深圳先进技术研究院 | 用于判断人体跌倒的方法 |
CN103308069B (zh) * | 2013-06-04 | 2015-06-24 | 电子科技大学 | 一种跌倒检测装置及方法 |
CN103377541A (zh) * | 2013-07-16 | 2013-10-30 | 中国科学院深圳先进技术研究院 | 人体防跌倒预警及干预方法和*** |
CN103377542A (zh) * | 2013-07-16 | 2013-10-30 | 中国科学院深圳先进技术研究院 | 人体防跌倒预警方法及预警器 |
CN103731557A (zh) * | 2014-01-08 | 2014-04-16 | 南方医科大学 | 基于智能手机的实时跌倒检测***及方法 |
CN103926608A (zh) * | 2014-04-18 | 2014-07-16 | 广州南方卫星导航仪器有限公司 | 一种gnss测量装置的倾斜补偿方法 |
CN104306003A (zh) * | 2014-11-05 | 2015-01-28 | 北京电子科技职业学院 | 脚部跟踪装置 |
CN105701965B (zh) * | 2014-12-15 | 2020-06-30 | 朱保东 | 一种穿戴式安全设备及其方法 |
CN104825165B (zh) * | 2015-03-03 | 2017-11-17 | 北京科技大学 | 一种基于泛在网络传输的智能可穿戴设备 |
CN104814742A (zh) * | 2015-05-06 | 2015-08-05 | 中国科学院深圳先进技术研究院 | 健康腕表及其工作方法 |
CN104936063A (zh) * | 2015-06-13 | 2015-09-23 | 陈火 | 一种蓝牙耳机 |
CN105389762A (zh) * | 2015-10-20 | 2016-03-09 | 南京信息工程大学 | 一种便携式疏散终端及疏散实现方法 |
CN105193407B (zh) * | 2015-10-29 | 2019-04-23 | 上海集成电路研发中心有限公司 | 全天候智能监控***及腕表式智能监控仪 |
CN105528754A (zh) * | 2015-12-28 | 2016-04-27 | 湖南师范大学 | 一种基于双神经网络行为识别模型的老年人信息服务*** |
CN105681595A (zh) * | 2016-03-30 | 2016-06-15 | 努比亚技术有限公司 | 一种告警的方法及终端 |
CN106056848B (zh) * | 2016-06-30 | 2018-11-06 | 深圳先进技术研究院 | 一种防跌倒预警器低功耗实现方法 |
TWI585435B (zh) * | 2016-07-22 | 2017-06-01 | 緯創資通股份有限公司 | 人體定位方法、人體定位系統與定位伺服器 |
CN106023528A (zh) * | 2016-08-01 | 2016-10-12 | 王琰 | 一种老人危机监护装置 |
CN106373335A (zh) * | 2016-08-16 | 2017-02-01 | 中国人民解放军海军工程大学 | Android手机上基于惯性技术的老人跌倒检测与智能报警方法 |
CN106228751B (zh) * | 2016-08-26 | 2019-06-07 | 陈雷 | 基于安卓平台mems/磁传感器/gps的跌倒智能报警***与方法 |
CN106343975A (zh) * | 2016-08-30 | 2017-01-25 | 特斯联(北京)科技有限公司 | 一种家庭智能医疗装置 |
CN106546261B (zh) * | 2016-09-20 | 2019-08-23 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
CN106767804B (zh) * | 2016-12-28 | 2018-03-27 | 华中科技大学 | 一种运动物体的多维数据测量装置及方法 |
CN108338790B (zh) * | 2017-01-24 | 2020-09-18 | 首都医科大学 | 步态分析及跌倒评估*** |
CN107019501B (zh) * | 2017-05-05 | 2020-05-05 | 山东师范大学 | 基于遗传算法和概率神经网络的远程摔倒检测方法及*** |
CN107202594A (zh) * | 2017-05-11 | 2017-09-26 | 深圳合优科技有限公司 | 一种基于mtk平台的数据处理方法和装置 |
CN107085246A (zh) * | 2017-05-11 | 2017-08-22 | 深圳合优科技有限公司 | 一种基于mems的人体动作识别方法和装置 |
CN107389063B (zh) * | 2017-07-26 | 2020-12-22 | 重庆邮电大学 | 基于gsm/mems融合的高精度室内融合定位方法 |
CN107707657B (zh) * | 2017-09-30 | 2021-08-06 | 苏州涟漪信息科技有限公司 | 基于多传感器的安全监护*** |
CN107788990A (zh) * | 2017-10-26 | 2018-03-13 | 广州大学华软软件学院 | 一种可佩戴跌倒检测装置及跌倒检测*** |
CN108151732A (zh) * | 2017-12-22 | 2018-06-12 | 浙江西湖高等研究院 | 一种远程的位置和行为估计方法 |
CN108225271A (zh) * | 2018-01-24 | 2018-06-29 | 南京阿凡达机器人科技有限公司 | 一种机器人倾倒检测的方法、***、存储介质和设备 |
CN108338791A (zh) * | 2018-02-09 | 2018-07-31 | 张立海 | 失稳运动数据的检测装置及检测方法 |
CN108564005B (zh) * | 2018-03-26 | 2022-03-15 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
CN108771543B (zh) * | 2018-04-16 | 2020-11-03 | 齐鲁工业大学 | 一种基于大数据的真实环境下老人跌倒检测方法及*** |
CN109091151B (zh) * | 2018-09-06 | 2021-07-16 | 中国人民解放军战略支援部队信息工程大学 | 一种基于mimu的行人跌倒检测方法及装置 |
CN109816933B (zh) * | 2019-03-20 | 2020-10-16 | 潍坊医学院 | 基于复合式传感器的老人防跌倒智能监测***及监测方法 |
CN110216675B (zh) * | 2019-06-20 | 2021-04-06 | 北京猎户星空科技有限公司 | 智能机器人的控制方法、装置、智能机器人及计算机设备 |
CN110263870B (zh) * | 2019-06-26 | 2023-04-18 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
CN110889330A (zh) * | 2019-10-30 | 2020-03-17 | 西北工业大学 | 一种基于bp神经网络的老年人摔倒检测方法及*** |
CN111654550A (zh) * | 2020-06-16 | 2020-09-11 | 赵继海 | 基于nb-iot的物联网偏移报警*** |
CN112556831B (zh) * | 2020-12-01 | 2021-08-27 | 南京艾泰克物联网科技有限公司 | 一种井盖异常智能检测报警装置检测方法 |
CN112603296A (zh) * | 2020-12-18 | 2021-04-06 | 新绎健康科技有限公司 | 一种基于加速度传感器的步态分析方法及装置 |
CN112790760A (zh) * | 2021-01-05 | 2021-05-14 | 北京诺亦腾科技有限公司 | 一种三维运动姿态捕捉方法、装置、处理设备及*** |
CN113221621B (zh) * | 2021-02-04 | 2023-10-31 | 宁波卫生职业技术学院 | 一种基于深度学习的重心监测与识别方法 |
CN117419761B (zh) * | 2023-09-27 | 2024-04-19 | 成都天测皓智科技有限公司 | 高精度智能感知垃圾填埋场态势监测方法和*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2422790A (en) * | 2005-02-07 | 2006-08-09 | Nigel Allister Anstey | Measurement of physical fitness |
CN200941648Y (zh) * | 2006-08-07 | 2007-08-29 | 扬州大学 | 具有倾倒短信报警功能的手机 |
CN101536053A (zh) * | 2006-11-14 | 2009-09-16 | 皇家飞利浦电子股份有限公司 | 预防跌倒的***以及采用这样的***预防跌倒的方法 |
CN101579238A (zh) * | 2009-06-15 | 2009-11-18 | 吴健康 | 人体运动捕获三维再现***及其方法 |
CN101650869A (zh) * | 2009-09-23 | 2010-02-17 | 中国科学院合肥物质科学研究院 | 一种人体摔倒自动检测并报警的装置及其信息处理方法 |
CN102023700A (zh) * | 2009-09-23 | 2011-04-20 | 吴健康 | 一种三维人机交互*** |
CN102164532A (zh) * | 2008-09-23 | 2011-08-24 | 皇家飞利浦电子股份有限公司 | 功率测量方法和装置 |
CN202600156U (zh) * | 2012-06-06 | 2012-12-12 | 山东大学 | 摔倒检测定位*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100204615A1 (en) * | 2006-01-20 | 2010-08-12 | 6Th Dimension Devices Inc. | Method and system for assessing athletic performance |
-
2012
- 2012-06-06 CN CN201210185040.9A patent/CN102707305B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2422790A (en) * | 2005-02-07 | 2006-08-09 | Nigel Allister Anstey | Measurement of physical fitness |
CN200941648Y (zh) * | 2006-08-07 | 2007-08-29 | 扬州大学 | 具有倾倒短信报警功能的手机 |
CN101536053A (zh) * | 2006-11-14 | 2009-09-16 | 皇家飞利浦电子股份有限公司 | 预防跌倒的***以及采用这样的***预防跌倒的方法 |
CN102164532A (zh) * | 2008-09-23 | 2011-08-24 | 皇家飞利浦电子股份有限公司 | 功率测量方法和装置 |
CN101579238A (zh) * | 2009-06-15 | 2009-11-18 | 吴健康 | 人体运动捕获三维再现***及其方法 |
CN101650869A (zh) * | 2009-09-23 | 2010-02-17 | 中国科学院合肥物质科学研究院 | 一种人体摔倒自动检测并报警的装置及其信息处理方法 |
CN102023700A (zh) * | 2009-09-23 | 2011-04-20 | 吴健康 | 一种三维人机交互*** |
CN202600156U (zh) * | 2012-06-06 | 2012-12-12 | 山东大学 | 摔倒检测定位*** |
Also Published As
Publication number | Publication date |
---|---|
CN102707305A (zh) | 2012-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102707305B (zh) | 摔倒检测定位***的工作方法 | |
Yang et al. | Lifelogging data validation model for internet of things enabled personalized healthcare | |
He et al. | An unobtrusive fall detection and alerting system based on Kalman filter and Bayes network classifier | |
Erdogan et al. | A data mining approach for fall detection by using k-nearest neighbour algorithm on wireless sensor network data | |
CN109636688A (zh) | 一种基于大数据的学生行为分析*** | |
CN106956271A (zh) | 预测情感状态的方法和机器人 | |
CN108245880A (zh) | 基于多穿戴环带传感器融合的体感检测可视化方法和*** | |
CN107533565A (zh) | 从聚集式设备所感测的物理数据中标识事件 | |
Bruno et al. | Wearable inertial sensors: Applications, challenges, and public test benches | |
Huang et al. | A zigbee-based location-aware fall detection system for improving elderly telecare | |
CN202600156U (zh) | 摔倒检测定位*** | |
Brown | An accelerometer based fall detector: development, experimentation, and analysis | |
CN107330240A (zh) | 一种基于双手环传感器的智能远程特护监控***及方法 | |
Xu et al. | Elders’ fall detection based on biomechanical features using depth camera | |
CN106999748A (zh) | 与运动数据有关的***、设备和方法 | |
Boudouane et al. | Fall detection system with portable camera | |
CN107943276A (zh) | 基于大数据平台的人体行为检测和预警 | |
CN110675596A (zh) | 应用于可穿戴终端的跌倒检测方法 | |
CN107657277A (zh) | 一种基于大数据的人体异常行为检测与判定方法及*** | |
Yang et al. | A novel activity recognition system for alternative control strategies of a lower limb rehabilitation robot | |
Villar et al. | Autonomous on-wrist acceleration-based fall detection systems: unsolved challenges | |
Tan et al. | Online activity recognition and daily habit modeling for solitary elderly through indoor position-based stigmergy | |
Chen et al. | [Retracted] Impact of Sports Wearable Testing Equipment Based on Vision Sensors on the Sports Industry | |
Amiroh et al. | Intelligent System for Fall Prediction Based on Accelerometer and Gyroscope of Fatal Injury in Geriatric | |
Bhargava et al. | Fog-centric localization for ambient assisted living |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |