CN104822320B - 用于估计用户的跌倒风险的方法和装置 - Google Patents
用于估计用户的跌倒风险的方法和装置 Download PDFInfo
- Publication number
- CN104822320B CN104822320B CN201380062502.0A CN201380062502A CN104822320B CN 104822320 B CN104822320 B CN 104822320B CN 201380062502 A CN201380062502 A CN 201380062502A CN 104822320 B CN104822320 B CN 104822320B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- user
- measurement result
- fall risk
- peak vertical
- 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 - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000001133 acceleration Effects 0.000 claims abstract description 268
- 238000012546 transfer Methods 0.000 claims abstract description 140
- 238000005259 measurement Methods 0.000 claims abstract description 121
- 230000005484 gravity Effects 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003825 pressing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000001217 buttock Anatomy 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000001562 sternum Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
-
- 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
-
- 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
-
- 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
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
- A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
- A61B2560/0257—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using atmospheric pressure
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
提供一种估计用户的跌倒风险的方法,所述方法包括分析用户的加速度的测量结果以确定用户是否已经执行了坐到站转移;根据用户的加速度的测量结果识别在坐到站转移期间用户的峰值垂直加速度;并且,根据识别的峰值垂直加速度来估计用户的跌倒风险。
Description
技术领域
本发明涉及一种用于估计用户的跌倒风险的方法和装置,并且更具体地,涉及一种基于对用户的坐到站转移移动的分析来估计用户的跌倒风险的方法和装置。
背景技术
跌倒是老年人的最大健康风险因素之一。约三分之一的65岁以上的老年人每年至少跌倒一次。
通过早期跌倒风险识别以及应用有效且靶向的跌倒预防程序能够避免这些中的很多跌倒。
基于力量和平衡训练(SBT)的跌倒预防试验已经显示能够降低老年人的跌倒的风险。平衡性能度量能够被用作跌倒风险的早期指标,并且也用来测量跌倒预防程序的进展。‘坐到站’(STS)转移已经被认为是能够被用作平衡性能度量以及由此跌倒风险测量的一个重要移动。在日常生活中,人一天多次执行STS转移。
传统地,临床测量***(诸如包括测力板和光学标记***的那些)被用于在坐到站转移期间提供功率的精确量化。在这些测量***中,测力板提供垂直地面的反作用力,并且光学标记***提供三维位移度量。两种测量结果的组合被用于量化在坐到站转移期间的功率。
这些测量***具有若干缺点。首先,他们是临床装备,其要求用户参加临床。为测量做准备以及执行测量是劳动密集的(尤其如果光学标记需要被附接到身体的具体部分)。另外,它们仅仅提供用户平衡性能的快照,其中,归因于临床设置,用户通常执行超过其平均能力。最后,测量***涉及对于用户而言是相当繁琐的过程。
通常通过电话访问或通过来自用户自己的自我报告实施在家庭环境中的跌倒风险评估,但是这些评估不是特别可靠。
然而,在体传感器的新进展已经改进了以家庭为基础的跌倒风险评估应用/工具。使用包括加速度计的在体感测平台能够导出坐到站转移的功率。在WO 2010/035187中描述了一个这样的***。
实验已经示出用加速度计测量的在STS期间训练的功率与在标准临床评估中使用测力板测量的功率相关联。然而,该方法的缺点是其要求很好地描绘STS转移的开始和结束时间,这是因为这些时间影响计算的结果。具体而言,开始时间将影响被识别的最大功率,这是因为其具有对必须被应用到加速度计信号以便导出功率的整合的作用。
在临床或实验室环境中,该问题更不关键,这是因为当他们执行STS时通过用户的观察能够确定开始和结束时间。用来自这些观察的协助能够执行信号的分析。另外,当STS转移将在日常生活情形中时,围绕STS转移的加速度信号具有更少的噪声。这也帮助描绘,以及减少在描绘中的误差的影响。临床环境之外(例如在日常生活中),缺少该观察,并且描绘是问题。另外,加速度信号将具有更多噪声。对于用户而言可能手动指示转移的开始和/或结束,例如,通过按压在STS起始或结束的按钮,但是这意味着***是强加于人的。
因此,有需要改进用于通过分析坐到站转移估计跌倒风险的方法和装置。
发明内容
已经发现在坐到站转移期间发生的峰值垂直加速度和在转移期间由用户生成的峰值功率之间具有很高的线性相关性。在图1中示出了该相关性,其绘制了在坐到站转移期间的峰值功率对许多不同用户的坐到站移动的各种变化的峰值垂直加速度。在该图中,已经关于重力使加速度和功率两者比例化和正规化。坐到站转移的变化包括:正常速度转移(NormSTS)、其中用户不使用其手臂的正常速度转移(NormSTSwithoutArms)、更快的转移(FastSTS)和发生作为快速和正常速度来回时控(TUG)测试的转移,其中,用户必须站立,行走并且返回到坐位(相应地标注为STSinFastTUG和STSinNormTUG)。
在图2中的图形图示了峰值垂直加速度揭示与峰值功率相同的对跌倒风险的敏感性。具体而言,图2(a)的左手边示出了对于健康(即,低跌倒风险)用户发现的(对于重力比例化的)峰值垂直加速度值的方差的分析,以及右手边示出了对于体弱(即,高跌倒风险)用户发现的(对于重力比例化的)峰值垂直加速度值的方差的分析。图2(b)示出了峰值功率的变化的对应分析,以及由此能够看到在坐到站转移期间的峰值垂直加速度提供与峰值功率类似的关于用户的跌倒风险的信息。
由此,本发明利用这样的发现:在坐到站转移期间的峰值垂直加速度提供用户的迭代风险的有用度量。具体而言,根据本发明的第一方面,提供一种估计用户的跌倒风险的方法,所述方法包括分析用户的加速度的测量结果,以确定用户是否已经执行坐到站转移;根据用户的加速度的测量结果来识别在坐到站转移期间的用户的峰值垂直加速度;以及,根据所识别的峰值垂直加速度来估计用户的跌倒风险。
在优选实施例中,使用对根据用户的加速度的测量结果获得的重力的估计来使所识别的峰值垂直加速度比例化,并且比例化的峰值垂直加速度被用于估计用户的跌倒风险。在传感器测量结果中的校准误差能够将误差引入到峰值垂直加速度,以及由此将误差引入跌倒风险的评估。因此,用这种方式来使峰值垂直加速度比例化意味着能够从传感器测量结果中去除校准误差。
在优选实施例中,所述方法还包括以下步骤:根据用户的加速度的测量结果来估计归因于重力的加速度;以及从所识别的峰值垂直加速度减去所估计的归因于重力的加速度,以给出比例化的峰值垂直加速度。
在备选实施例中,所述方法还包括以下步骤:根据用户的加速度的测量结果来估计归因于重力的加速度;以及从用户的加速度的测量结果减去所估计的归因于重力的加速度,以给出用户的加速度的比例化的测量结果;其中,识别在坐到站转移期间用户的峰值垂直加速度的步骤包括根据加速度的比例化的测量结果来识别用户的峰值垂直加速度。
优选地,通过对发生在坐到站转移的开始之前的时间段中的加速度的多个测量结果进行平均以给出对重力的估计,从而根据加速度的测量结果获得对重力的估计。
在一些实施例中,仅仅如果发生在坐到站转移的开始之前的时间段中的多个加速度的测量结果的标准偏差、方差或范围少于阈值,则根据在所述时间中的加速度的测量结果获得对重力的估计。
在一些实施例中,使用对重力的估计来使比例化的峰值垂直加速度正规化,并且正规化的比例化的峰值垂直加速度被用于估计用户的跌倒风险。
在优选实施方案中,使用被附接到用户或由用户穿戴的一个或多个加速度计来获得用户的加速度的测量结果。
在备选实施方案中,使用测量在移动期间由用户生成的力的测力板来获得用户的加速度的测量结果。
在一些实施例中,所述方法包括执行对于多个坐到站转移的识别的步骤,并且其中,估计跌倒风险的步骤包括根据对于多个坐到站转移识别的峰值垂直加速度的平均值来确定跌倒风险。
在一些实施例中,估计跌倒风险的步骤包括根据对于多个坐到站转移识别的峰值垂直加速度的平均值和在具体时间段中用户执行坐到站转移的次数的指示,从而确定跌倒风险。
一些实施例还包括将估计的跌倒风险与一个或多个先前估计的跌倒风险进行比较以确定用户的跌倒风险趋势的步骤。
根据本发明的第二方面,提供一种包括计算机程序代码的计算机程序产品,当在计算机或处理器上执行所述计算机程序代码时,所述计算机程序代码令计算机或处理器通过分析用户的加速度的测量结果以确定用户是否已经执行坐到站转移;根据用户的加速度的测量结果来识别在坐到站转移期间的用户的峰值垂直加速度;以及,根据所识别的峰值垂直加速度来估计用户的跌倒风险,从而确定用户的跌倒风险。
在优选实施例中,计算机程序产品还被配置为令计算机或处理器使用对根据用户的加速度的测量结果获得的重力的估计,使所识别的峰值垂直加速度比例化,以及使用比例化的峰值垂直加速度来估计用户的跌倒风险。
也预期计算机程序产品的各个其他实施例,其中计算机程序代码还被配置为令计算机或处理器执行任何上述方法。
根据本发明的第三方面,提供一种用于估计用户的跌倒风险的装置,所述装置包括处理单元,所述处理单元被配置为分析用户的加速度的测量结果,以确定用户是否已经执行坐到站转移;根据用户的加速度的测量结果来识别在坐到站转移期间的用户的峰值垂直加速度;以及,根据所识别的峰值垂直加速度来估计用户的跌倒风险。
在优选实施例中,所述处理单元被配置为使用对根据用户的加速度的测量获得的重力的估计来使所识别的峰值垂直加速度比例化,并且使用比例化的峰值垂直加速度来估计用户的跌倒风险。
也预期装置的各个其他实施例,其中,所述处理单元还被配置为执行任何上述方法步骤。
根据本发明的第四方面,提供一种被配置为由用户穿戴的设备,所述设备包括加速度计,所述加速度计测量在三个维度上作用于所述设备的加速度;以及如以上描述的装置,其中,所述处理单元被配置为处理来自加速度计的加速度的测量结果。
根据本发明的第五方面,提供一种***,所述***包括被配置为由用户穿戴的设备,所述设备包括加速度计,所述加速度计测量在三个维度上作用于所述设备的加速度;以及基础单元,其被配置为与所述设备进行通信,并且所述基础单元包括如以上描述的装置,其中,所述处理单元被配置为处理来自加速度计的加速度的测量结果。
根据本发明的第六方面,提供一种***,其包括测力板;以及基础单元,所述基础单元包括如以上描述的装置,其中,所述处理单元被配置为接收来自测力板的力的测量结果并且处理力的测量结果,以确定加速度的测量结果。
根据本发明的第七方面,提供一种估计用户的跌倒风险的方法,所述方法包括分析用户的加速度的测量结果,以确定用户是否已经执行坐到站转移;根据用户的加速度的测量结果来识别在坐到站转移期间的用户的峰值垂直加速度;其中,使用对根据用户的加速度的测量结果获得的重力的估计来使所识别的峰值垂直加速度比例化;以及,根据比例化的峰值垂直加速度来估计用户的跌倒风险。
附图说明
为了更好地理解本发明,并且更清晰地示出其如何生效,现在将仅以范例的方式参考附图,其中:
图1是图示在坐到站转移中峰值垂直加速度与峰值功率之间的相关性的图形;
图2图示了峰值垂直加速度和峰值功率对跌倒风险的敏感性;
图3是图示在坐到站转移期间垂直加速度中的变化的范例的图形;
图4是图示根据实施例的确定跌倒风险的方法的流程图;
图5是图示根据另一实施例的确定跌倒风险的方法的流程图;
图6是根据本发明的实施例的装置的方框图;
图7是图示用于检测在用户的垂直加速度的测量结果中的坐到站转移的算法的方框图;
图8示出了到算法的输入信号和在处理步骤的一些期间获得的信号;以及
图9图示了在检测坐到站转移中使用的已经优化的范例性匹配滤波器。
具体实施方式
图3中的图形示出了在通常的坐到站运动期间的垂直加速度(其已经被比例化以排除归因于重力的加速度)。用户从休息开始(即,归因于用户运动的垂直方向上的测量的加速度约为0),并且在时间ts处用户开始移动。在该时间测量的加速度被表示为Accvert_s。刚在用户开始移动之后以及在他们从他们的椅子上起立之前,通常具有在加速度剖面的小的极小值。随后,在时间tho处(‘ho’表示臀部离开)用户的臀部离开支撑器件(即椅子),并且在该时间的加速度被表示为Accvert_ho。然后在垂直方向上的加速度增加到在时间tpr的峰值(峰值反应),其被表示为Accvert_pr。峰值反应跟随最低反应,其是在时间tlr处发生的负加速度,被表示为Accvert_lr。在时间te处发生移动的结束,其加速度被表示为Accvert_e。
在图4中的流程图图示了根据实施例的确定用户的跌倒风险的方法。在步骤101中,确定用户是否已经执行坐到站转移。根据正在监控用户移动的方式,可以以许多不同方式执行该步骤。
在一些实施例中,当用户执行转移,当用户位于测量由用户生成的力的测力板时,用户可以正在执行坐到站转移。在这种情况下,步骤101可以包括接收当用户执行转移时来自正在观察用户的临床医师的指示,或当用户执行转移时来自用户的指示(例如起因于按钮按压),或其可以包括分析来自光学标记***的信号或分析由测力板测量的力,以便确定用户是否已经执行转移。
在其他实施例中,用户可以穿戴或携带包括一个或多个移动传感器(诸如加速度计)的设备,并且来自这个或这些传感器的信号能够被处理以确定用户是否已经执行转移。在这些实施例中,其也可以对于用户而言可能(例如通过按压在设备上的按钮)手动提供他们已经开始和/或完成转移的指示。
如果确定用户已经执行坐到站转移,则所述方法进行到识别在完成坐到站转移中由用户生成的峰值垂直加速度(步骤103)。该峰值垂直加速度通常将对应于在图3中被标为“峰值反应”的峰值,并且是在坐到站转移期间发生的最大向上加速度。
在正在使用测力板监控用户移动的情况下,能够通过将测量的力除以用户数量根据力测量结果来确定表示垂直加速度的信号。否则,在使用加速度计监控用户移动的情况下,能够根据来自三维加速度计的信号来估计垂直方向上的加速度。在一些实施例中,垂直加速度能够被估计为三维加速度测量结果的范数。
由此,跟随在步骤101中确定坐到站转移已经发生(确定也提供转移发生的时间的指示,例如在转移的开始和结束时间的方面),围绕所识别的坐到站转移的垂直加速度信号的部分被选择用于分析(即,在坐到站转移的所识别的开始和结束时间之间的部分),以及峰值垂直加速度被识别为在对应于坐到站转移的垂直加速度信号的部分中的最大极大值。
一旦在步骤103中已经确定峰值垂直加速度,所述方法进行到步骤105,其中,峰值垂直加速度被用于估计用户的跌倒风险。通常,如图2(a)所示,在更高跌倒风险的那些比在更低跌倒风险的那些产生更低的峰值垂直加速度值。由此,在一些实施例中,跌倒风险能够与峰值垂直加速度值成反比(例如跌倒风险∝1/峰值垂直加速度)。
在一些实施例中,在步骤105中根据在多个坐到站转移中由用户生成的峰值垂直加速度的平均值可以生成跌倒风险。根据在单一监控期中执行的坐到站转移的数量或根据在许多不同天中执行的坐到站转移可以获得峰值垂直加速度的平均值。
在一些实施例中,在步骤105中确定的跌倒风险能够与先前确定的跌倒风险进行比较,以识别在用户执行坐到站转移中的趋势。由此,峰值垂直加速度(或平均峰值垂直加速度)的减少指示用户跌倒风险的增加,反之亦然。
在一些实施例中,也能够记录在给定时间段(例如一天)中用户执行坐到站转移的次数,并且结合峰值垂直加速度使用以提供跌倒风险的指示。
使用峰值垂直加速度作为用于估计跌倒风险的参数在使用功率或峰值功率上具有许多优点。首先,峰值垂直加速度对坐到站转移的开始和结束点的精确检测更不敏感,其使得它对于跌倒风险评估比功率更稳定和可靠。另外,对峰值垂直加速度的估计要求比估计功率(其涉及加速度信号的整合)更少的计算量。这些优点使得峰值垂直加速度的监控适合于实施长期的跌倒风险监控应用,例如使用在体传感器。
在图5中示出了根据另一实施例的确定跌倒风险的方法。在该方法中,前两个步骤与在图4中的相同。即,确定用户是否已经执行坐到站转移(步骤101),以及如果这样,识别在转移期间的峰值垂直加速度(步骤103)。
在该实施例中,认识到,特别地(但不排外地)对于本发明的基于在体传感器的实施,在传感器测量结果中的校准误差能够将误差引入对跌倒风险的评估。
因此,通过使用对重力加速度的估计来使峰值垂直加速度比例化解释这些校准误差,对所述重力加速度的估计是根据围绕执行坐到站转移的时间的垂直加速度的测量结果导出的。
具体而言,在步骤107中,根据垂直加速度信号来估计对归因于重力的加速度的估计,以及在步骤109中,该估计被用于使所识别的峰值垂直加速度比例化,以给出比例化的峰值垂直加速度。通过从峰值垂直加速度中减去对重力的估计优选地使峰值垂直加速度比例化。然后比例化的峰值垂直加速度被用于确定用户的跌倒风险(步骤111)。
当根据来自传感器(例如,加速度计)的垂直加速度的测量结果导出对重力加速度的估计时,所述估计也将遭受传感器校准误差,以及用该估计使峰值垂直加速度比例化将大大去除校准误差。
将认识到,不必以图5中示出的顺序执行步骤101、103、107和109。例如,当随后检测坐到站转移时,可能确定并且周期性地更新对归因于重力的加速度的估计以便使用,以及当在步骤103中识别这个时,然后将这个应用到峰值垂直加速度。备选地,对重力的估计能够被用于使所有的垂直加速度测量结果比例化,根据比例化的垂直加速度测量结果来识别峰值垂直加速度。
在一些实施例中,在步骤107中通过采取在坐到站转移的指示开始之前的预定时期中在多个垂直加速度样本上的垂直加速度的平均(例如)均值,导出对归因于重力的加速度的估计。预定时期一般应当对应于用户正坐在椅子上的时间段,以及因此应当由归因于重力的加速度支配垂直加速度。预定时期能够是任何适当的长度,例如,3秒。
在一些实施例中,仅仅通过确定在预定时期的垂直加速度的标准偏差是否低于阈值,能够证实在预定时期中的垂直加速度很可能起因于重力。在一些实施例中,阈值能够是0.1,但将认识到,能够使用其他值。也将认识到,除了标准偏差以外的度量能够被用于确定在预定时期中的垂直加速度是否很可能仅仅起因于重力,诸如垂直加速度的方差或范围。如果在预定时期的垂直加速度的标准偏差低于阈值,垂直加速度值的平均值能够被确定并且被用作对归因于重力的加速度的估计。在图3的范例中,来自样本指数100到250(其中坐到站转移开始)的垂直加速度的平均值被用作用于使转移的峰值垂直加速度比例化的对归因于重力的加速度的估计。
在确定并且周期性地更新对归因于重力的加速度的估计的实施例中,对于如上所述的预定时期的发生(即其中标准偏差在阈值以下)能够连续或定期地监控加速度测量结果,以及如果这样的时期发生,能够使用在那个时期的样本来确定对重力加速度的估计的新值。
图6图示了根据本发明的实施例用于确定用户的跌倒风险的装置2。在该实施例中,本发明提供以将要由用户穿戴的传感器单元2的形式的装置。能够以具有围绕用户颈部放置的龙头绳的坠饰的形式提供传感器单元2。备选地,传感器单元2能够被配置为被穿戴在用户身体的不同部位或上(诸如躯干、骨盆或胸骨),以及将包括用于将传感器单元2附接到身体的那个部位的适当布置(例如,如果将单元2附接到骨盆或胸骨的带子或皮带)。
传感器单元2被用于测量用户的移动,并且能够被用于处理所述测量结果以确定用户何时已经执行从坐姿到站姿的姿势改变以及在该移动期间发生的峰值垂直加速度。传感器单元2也能够被用于根据确定的峰值垂直加速度来确定用户4的跌倒风险。
在备选实施方案中,在与由用户穿戴的传感器单元2分离的基础单元(在图6中未示出)中能够执行对测量结果的处理、对峰值垂直加速度的确定和对跌倒风险的指示中的一些或所有。在这种情况下,传感器单元2能够使用有线或无线连接将关于所识别的转移的移动测量结果或信息发送到基础单元。
在图示实施例中,传感器单元2包括加速度计4和光学传感器6,所述加速度计测量沿着三个正交轴的加速度(并且其输出指示沿着轴的每个的加速度的相应信号),所述光学传感器测量在地面以上的传感器单元2的海拔或高度(或更具体地其测量在地面以上的传感器单元2的海拔或高度的改变,或使得那些改变被测量)。用于测量传感器单元2的海拔或高度的传感器6能够包括,例如,高度计或气压传感器,尽管本领域技术人员将意识到能够使用的其他类型的传感器。在一些实施例中,来自加速度计4的测量结果能够被处理以确定在地面以上的传感器单元2的高度,或确定传感器单元2的高度的改变。将加速度计4和传感器6(其中存在)输出的信号提供到处理单元8用于分析。
传感器单元2也包括存储器10和任选地也包括发射器或收发器电路12。存储器10被用于存储来自加速度计4和传感器6的测量结果,以及用于存储通过处理器8分析的结果。发射器或收发器电路12能够被用于将测量结果或分析的结果发送到远程(基础)单元或计算机,其中用户或健康护理提供商能够观察或研究他们。
在一些实施例中,加速度计4是微机电***(MEMS)加速度计。尽管将认识到,能够使用很多其他的采样频率,以50Hz的速率能够对由加速度计4经历的加速度进行采样。其中,传感器6是气压传感器或高度计,尽管又将认识到,能够使用其他采样频率,以约1.8Hz的频率能够对地面以上的传感器单元2的高度的测量结果进行采样。
根据用于测量高度的传感器6使用的具体类型的传感器,传感器6可以输出指示在地面(或在气压传感器的情况下海平面)以上的高度的信号,在这种情况下,通过处理单元8能够分析高度测量结果的时间序列,以确定从一个测量结果样本到下一个(或在预定数量的测量结果样本中)的高度的改变。备选地,传感器6能够直接输出来自先前或早前指定测量结果样本的对传感器单元2的高度的改变的指示。
如上所述,在一些实施例中,通过在传感器设备2中的处理单元8能够分析由加速度计4和传感器6收集的测量结果,以确定用户何时已经执行了坐到站转移、当执行坐到站转移时用户经历的峰值垂直加速度以及根据峰值垂直加速度的用户的跌倒风险。备选地,经由发射器/收发器电路12能够将来自加速度计4和传感器6的测量结果发送到基础单元,基础单元分析测量结果以确定坐到站转移的发生。在这两种情况下,能够(近)实时地执行所述处理,或者来自加速度计4和传感器6的测量结果能够被存储在存储器10或基础单元中用于将来处理(即,离线)。
将认识到,在本发明的备选实施方案中,而不是以包括加速度计4和传感器6的在体设备的形式被提供,装置2可以被配置为使用或包括测力板以测量当用户执行坐到站转移时由用户施加的垂直力。在这种情况下,处理单元8能够被配置为处理测力板测量结果,并且确定在坐到站转移中用户的垂直加速度。
在加速度的测量结果中坐到站转移的检测,下面参考图7、8和9描述用于处理加速度计测量结果以检测坐到站转移的范例性算法。在以皇家飞利浦电子N.V.的名义于2012年6月19日提交的国际专利申请号PCT/IB2012/053083中已经描述了该技术,通过引用将其内容并入本文。本领域的技术人员将认识到,本发明不限于使用下面描述的用于检测坐到站转移的技术,并且能够使用用于检测坐到站转移的其他技术。
图7示出了用于检测坐到站转移和用于确定转移的计时的范例性算法。所述算法采用由加速度计4测量的三维加速度信号(其包括加速度计4的三个轴中的每个的分离信号)和来自气压传感器6的气压测量结果作为输入。
用方框19、20、21、22和23表示的所述算法的初始部分是预处理阶段,其中,加速度计和压力传感器信号被处理以便在算法的后续分析阶段中使用。首先,对来自加速度计4的3D加速度信号进行低通滤波(方框19)以去除能够影响后续处理的精确度的噪声。在一个实施例中,将具有截止频率为2Hz的巴特沃斯低通滤波器应用到来自加速度计4的三个轴中的每个的信号。备选地,将可能应用不同滤波特性,诸如切比雪夫低通滤波器或本领域技术人员已知的其他类型的滤波器。也将认识到,根据来自加速度计4的噪声的具体特性能够变化2Hz的截止频率。
当相对于用户在其中移动的固定参考系(诸如地球)传感器单元2的取向能够改变时(特别是其中传感器单元2以坠饰的形式),有必要处理来自加速度计4的测量结果以确定在移动期间由传感器单元2(以及因此用户)经历的加速度的垂直分量。
因此,经低通滤波的3D加速度信号被输入到方框20,其估计垂直加速度。垂直加速度被表示为vert_acc。
在WO 2010/035191中描述了用于估计具有任意取向来自3D加速度计信号的加速度的垂直分量的一个技术,通过引用将其内容并入本文。简言之,根据该技术,通过(i)检查来自加速度计的信号,以识别具有加速度的最高分量的加速度计的轴,(ii)通过确定在作用于加速度计的加速度(假设这个加速度一般归因于重力)与具有加速度的最高分量的轴之间的角度来确定加速度计的取向,以及(iii)使用所估计的加速度计的取向来根据加速度计的测量结果来确定垂直方向上的加速度,从而根据在加速度计上执行的加速度的测量结果来估计加速度的垂直分量,所述加速度计具有相对于固定参考系的任意取向。
本领域技术人员将意识到用于根据来自3D加速度计的测量结果来估计加速度的垂直分量的其他技术。例如,传感器单元2能够包括陀螺仪,其用于提供指示传感器单元2的取向的信号,并且该信号能够被用于导出加速度的垂直分量。
图8(a)示出了表示从通过执行坐到站转移、行走3米以及然后坐下的用户的传感器单元2的测量结果而获得的垂直加速度的范例性信号,将其重复三次。在图8(a)中能够看到,具有在信号中表示的三个分离的活动区域。
预处理的另一阶段涉及对加速度的变化的估计的计算。首先,将高通滤波器21应用到经低通滤波的3D加速度信号中的每个,以便去除DC分量。在一个实施例中,具有0.5Hz截止频率的巴特沃斯高通滤波器被用于去除在加速度信号中的D.C.分量。将认识到能够使用另一滤波器,例如,切比雪夫高通滤波器或本领域技术人员已知的其他类型的滤波器。也将认识到,能够选择不同于0.5Hz的截止频率。
在高通滤波之后,在方框22中估计加速度的变化。在优选实施例中,对于预定长度的窗上(例如,一秒,尽管将认识到能够使用其他适当尺寸的窗)的时间t计算3D加速度信号的三个分量中的每个的标准偏差,并且识别三个轴的最大标准偏差。在时间t处的最大标准偏差被表示为max_std_acc,并且由下面的方程1给出。
max_std_acc=max[std(acc_i(t-0.5,t+0.5)),i=x,y,z] (1)
图8(d)示出了对于加速度的三个轴中的每个计算的标准偏差。在图8(d)中,线40对应于x-轴加速度计信号,线42对应于y-轴加速度计信号,以及线44对应于z-轴加速度计信号。
第三预处理阶段23根据来自气压传感器6的测量结果来估计传感器单元2的海拔。如上所述,到该阶段23的输入是来自气压传感器6的原始气压信号pt。如先前提到的,能够以1.8Hz的速率对气压进行采样(或在比加速度信号低得多的采样速率的任何情况下)。因此,首先对气压信号pt进行上采样以匹配加速度信号的采样速率(例如50Hz)(上采样压力信号被表示为pt’)。然后使用下面的方程2能够根据气压传感器测量结果来估计在时间t处的海拔(被表示为alt_t):
alt_t=44330*(1–pt’/101325)0.19 (2)
将方程(2)从气压导出到在方程(3)中示出的海拔转换函数:
其中:
然后优选地用具有预定长度(例如约3秒)的中值滤波器将得到的海拔信号进行平滑处理。如图8(c)所示,将滤波器应用到估计的海拔的时间序列,导致平滑的海拔信号alt_meas,其是来自海拔估计阶段23的输出。在图8(c)中,y-轴表示相对于海平面的以米为单位的海拔。
将认识到,在使用不同类型的海拔、高度或高度改变的本发明的备选实施例中,可以适当地修改或省略处理阶段23。
跟随输入信号的预处理,提取各种特征以便确定坐到站转移是否已经发生,以及如果这样,确定在执行坐到站转移中用户的功率。
要求特征提取的两个主要阶段,以便确定坐到站转移是否已经发生。第一阶段24识别在vert_acc信号中的候选移动。具体而言,方框24将vert_acc信号匹配到表示垂直加速度的预定样式,在坐到站转移中预期所述垂直加速度发生。
在一些实施方案中,特征提取的第一阶段24应用具有脉冲响应的匹配滤波器,其使在坐到站转移期间经历的垂直加速度近似于从垂直加速度估计方框20输出的垂直加速度信号(vert_acc)。匹配滤波器的输出是一组系数,其指示测量结果与样式的匹配。每个系数表示许多连续测量样本(覆盖与预定样式相同长度的时间段)与预定样式的匹配。系数越高,测量结果与样式的匹配越好(并且因此坐到站转移已经发生的机会越大)。经滤波的信号被表示为vert_acc_matfilt并在图8(b)中被示出。
在一些实施方案中,能够在图9中示出在方框24中使用的匹配的滤波器,其已经被优化以检测坐到站转移。在图9中示出的匹配的滤波器排除重力(9.8ms-2)。第一曲线50示出了坐到站转移的典型垂直加速度样式。第二曲线51示出了近似第一曲线50的应用的匹配滤波器特性。将认识到,使用许多不同函数可以表达匹配的滤波器特性,但在该实施方案中,通过下面的方程4给出匹配的滤波器特性。
A1·sinc[W1(t-t1)]+A2·sinc[W2(t-t2) (4)
该特性是两个辛克函数与在p中定义的比例参数的组合。p是具有六个元素的参数矢量:
[A1,A2,W1,W2,t1,t2] (5)
在p中的每个条目定义不同比例参数。A1和A2是幅度比例参数,其分别定义两个辛克波的峰值偏差。参数W1和W2是频率比例参数,其定义两个辛克波的频率。参数t1和t2是相位比例参数,其定义辛克波的位置。在图7中在参数矢量p中的六个元素的值被设置为将匹配滤波器的函数调谐到坐到站转移特性50。
将认识到,通过许多已知曲线拟合方法能够提供参数矢量p的元素的值。在一个情况下,通过应用非线性最小二乘回归算法能够计算期望的参数,然而,本领域周知并且能够应用许多其他类型的拟合算法。非线性最小二乘回归算法生成对应于不同函数的不同参数组合。然后根据最小二乘误差准则将生成的函数拟合到期望样式的数据集。当函数产生在参数组合之间的最小二乘误差的极小值时,已经找到优化拟合。
在匹配滤波之后,滤波的信号被处理以识别可以对应于用户的坐到站转移的移动。处理由首先识别在vert_acc_matfilt信号中具有在预定范围的量级的任何峰值组成。在图8(d)中示出的范例性信号中,识别其量级在110到200范围的峰值。将认识到,该部分处理能够备选地包括识别在vert_acc_matfilt信号中具有在阈值以上量级的任何峰值。在这种情况下,阈值能够对应于上述预定范围的下界。然而,该分类可以导致比上述范围实施方案更高的假阳性识别率。
对于每个识别的峰值,算法试图识别发生在vert_acc_matfilt信号中所识别的峰值之前和之后的预定时间段之内的相应局部极小值。在图8(b)中示出的范例性信号中,算法寻找在所识别的峰值之前和之后2秒时期之内的局部极小值。如果没有识别具体峰值的局部极小值,vert_acc_matfilt信号的峰值不被认为对应于坐到站转移。
最后,对应于坐到站转移的候选移动被识别为具有要求局部极小值的峰值,并且在其中在峰值的量级和峰值之前的局部极小值的量级之间的差小于第一阈值,峰值的量级和峰值之后的局部极小值的量级之间的差小于第二阈值,并且在峰值之后的局部极小值的量级小于在峰值之前的局部极小值的量级。
在简化的实施方案中,能够放松应用到局部极小值的量级要求,算法简单地识别峰值、峰值的量级和在峰值之前和之后的局部极小值的存在。
在图8(b)中示出的范例性信号中,第一阈值是25,并且第二阈值是200。将认识到,将对于第一阈值和第二阈值选择的值调谐到试验数据集,并且能够使用不同阈值。
在图8(b)中能够看到,已经突出粗略地在时间1.65、1.69、1.78和1.87发生的四个可能的移动作为候选坐到站转移。
当候选坐到站转移发生在预定范围之内与传感器单元2的高度的改变相同的时间,它们被识别为实际坐到站转移。由此,方框25确定在每个候选坐到站转移期间已经发生的高度或海拔的改变。对于方框25为了评估在匹配滤波方框24中识别的候选坐到站转移的海拔改变,方框25接收vert_acc_matfilt信号的副本和信号的哪个部分对应于来自匹配滤波方框24的候选坐到站转移的指示。方框25也从估计方框23中接收估计的海拔测量信号alt_meas。
在来自匹配滤波器24的输出中发现的候选坐到站转移由三个关键样本组成。这些是峰值、在峰值之前的局部极小值(min_1)和在峰值之后的局部极小值(min_2)。对于图8(b)中的候选坐到站转移中的一个标记这些样本。为了估计在正确时间段上的海拔改变,有必要识别在海拔测量信号中的正确样本。
首先,找到峰值(min_1)之前的局部极小值之前的最近样本(s1),其值大于阈值。其次,找到峰值(min_2)之后的局部极小值之后的最近样本(s2),其值大于阈值。将认识到,理论上,该阈值应当是g2;然而实际上,例如,归因于在加速度计中的轻微不精确,通过训练数据集可以提供不同的值。在一个实施方案中,该阈值是98。
然后候选坐到站转移的海拔改变被估计作为在样本s1和s2的海拔之间的差。
由于在海拔测量结果中可以具有小的波动(归因于噪声),候选坐到站转移的海拔改变能够被估计作为在第二局部极小值开始的时间窗上的海拔测量结果的均值和在第一局部极小值结束的时间窗上的海拔测量结果的均值之间的差。这些时间窗能够是一秒,尽管将认识到能够使用其他长度的窗。在方程形式中,这能够被表达为
alt_diff=mean(alt_meas(s2:s2+tw))–mean(alt_meas(s1-tw:s1)) (6)
其中,tw是窗的长度。用这种方式,评估在开始之前的一秒和在候选转移之后的一秒的海拔数据的均值。当坐到站转移已经发生,在转移之前(当用户处于坐姿)观察到的海拔应当比在转移之后(当用户处于站姿)观察到的海拔更低。
将候选坐到站转移识别方框24和海拔改变方框25的输出提供到决策方框26,其确定候选中的任何是否是坐到站转移。具体而言,发生在与预定范围之内海拔或高度改变的相同时间的任何候选移动被认为是坐到站转移。高度改变应当是高度的增加(通过坐到站转移定义),并且例如,预定范围能够是在0.1和0.75米之间。在一些情况下,以更大的假阳性检测速率为代价能够省略上界。
在图8中能够看到,在图8(b)中突出的四个候选移动的最后三个与在范围0.1到0.75范围中的高度的增加发生在相同的时间。由此,在时间1.69、1.78和1.87处的候选移动被认为对应于坐到站转移。在时间1.65处的候选移动与测量的高度的减少一致,并且因此被丢弃。然后对于新的输入数据集,算法重复(由图7的方框27表示)。
如上所述,识别峰值垂直加速度的步骤103利用对于检测的坐到站转移的估计的检测坐到站转移的计时信息(例如估计的开始和结束时间)。
因此,方框30确定坐到站转移的计时,并且接收来自方框22的输入,其估计在匹配滤波vert_acc_matfilt之后加速度的变化和垂直加速度剖面。
在简单实施例中,s1和s2被用于识别坐到站转移的开始和结束,以达到识别峰值垂直加速度的目的。
然而,本领域技术人员将认识到,匹配滤波器引入与滤波阀的数量相关的延迟。该延迟使得候选坐到站转移关于在vert_acc_matfilt信号中的坐到站转移的实际开始延迟。因此,在一些实施方案中,估计加速度、max_std_acc的变化的方框22的输出能够被用于确定坐到站转移的实际开始。
首先,识别在s1之前在信号max_std_acc中的最邻近样本,其值小于阈值。该阈值确定在哪里找到实际坐到站转移的开始(被表示为t_start)。在范例性情况下,阈值可以是0.35,但将理解,可以使用小于1的不同阈值,部分地基于被应用到信号的计算窗的尺寸,选择具体值。然后,找到在s1和s2之间的垂直加速度(vert_acc)的估计的最大局部极小值(换言之,在s1和s2之间的vert_acc的最低值)。在对垂直加速度的估计的最大局部极小值之后的最邻近样本,其值大于阈值,尤其在其实施方案中基于重力(即9.8ms-2),被定义为实际坐到站转移的结束(t_end)。在图8(b)中的实线黑框和在图8(a)中的对应圆圈指示每个实际坐到站转移的t_start和t_end。通过方框30输出对于每个检测坐到站转移的t_start和t_end值,并且被用于确定样本的子集,其被分析以确定峰值垂直加速度。
因此提供一种能够通过分析坐到站转移来估计用户的跌倒风险以及尤其通过估计在执行坐到站转移中由用户生成的峰值垂直加速度的方法和装置。
尽管在附图和前述描述中已经详细图示并描述了本发明,这样的图示和描述被认为是图示性或范例性的并非限制性的;本发明不限于已公开的实施例。
通过研究附图、公开内容和权利要求书,本领域技术人员在实践所主张的本发明的过程中,能够理解和实现对所公开实施例的变型。在权利要求中,“包括”一词不排除其他元素或步骤,并且不定冠词“一”或“一个”不排除复数。单个处理器或其他单元可以实现在权利要求中列举的若干项的功能。在互不相同的从属权利要求中列举的某些措施的事实不表明不能够使用这些措施的组合以获益。计算机程序可以被存储/分布在适当的介质上,诸如与其他硬件一起提供或作为其他硬件的一部分的光学存储介质或固态介质,但也可以以其他形式分布,诸如经由互联网或其他有线或无线通信***。在权利要求中的任何参考标记不应被解释为限制范围。
Claims (23)
1.一种估计用户的跌倒风险的方法,所述方法包括:
分析所述用户的加速度的测量结果以确定所述用户是否已经执行坐到站转移;
根据所述用户的所述加速度的所述测量结果来识别在所述坐到站转移期间所述用户的峰值垂直加速度,其中,使用对根据所述用户的所述加速度的所述测量结果获得的重力的估计来移除所识别的峰值垂直加速度的校准误差;以及
根据经校准误差移除的峰值垂直加速度来估计所述用户的跌倒风险,其中,所述跌倒风险与所述经校准误差移除的峰值垂直加速度成反比。
2.根据权利要求1所述的方法,还包括以下步骤:
-根据所述用户的所述加速度的所述测量结果来估计归因于重力的加速度;以及
-从所识别的峰值垂直加速度减去所估计的归因于重力的加速度以给出所述经校准误差移除的峰值垂直加速度。
3.根据权利要求1所述的方法,还包括以下步骤:
-根据所述用户的所述加速度的所述测量结果来估计归因于重力的加速度;以及
-从所述用户的所述加速度的所述测量结果减去所估计的归因于重力的加速度以给出所述用户的所述加速度的经校准误差移除的测量结果;
其中,识别在所述坐到站转移期间所述用户的所述峰值垂直加速度的所述步骤包括根据所述加速度的所述经校准误差移除的测量结果来识别所述用户的所述峰值垂直加速度。
4.根据权利要求1、2或3所述的方法,其中,对重力的所述估计是通过以下方式根据加速度的所述测量结果获得的:
-对发生在所述坐到站转移的开始之前的时间段中的加速度的多个测量结果进行平均以给出对重力的所述估计。
5.根据权利要求4所述的方法,其中,仅仅在发生在所述坐到站转移的所述开始之前的时间段中的加速度的所述多个测量结果的标准偏差、方差或范围少于阈值时,对重力的所述估计是根据在所述时间段中的加速度的所述测量结果获得的。
6.根据权利要求1至3中的任一项所述的方法,其中,使用对重力的所述估计来正规化所述经校准误差移除的峰值垂直加速度,并且正规化的经校准误差移除的峰值垂直加速度被用于估计所述用户的所述跌倒风险。
7.根据权利要求1至3中的任一项所述的方法,包括执行对于多个坐到站转移的识别的步骤,并且其中,估计所述跌倒风险的所述步骤包括根据对于所述多个坐到站转移而识别的所述峰值垂直加速度的平均值来确定所述跌倒风险。
8.根据权利要求7所述的方法,其中,估计所述跌倒风险的所述步骤包括根据对于所述多个坐到站转移而识别的所述峰值垂直加速度的所述平均值和在具体时间段中所述用户执行所述坐到站转移的次数的指示来确定所述跌倒风险。
9.根据权利要求1至3中的任一项所述的方法,还包括以下步骤:
-将所估计的跌倒风险与一个或多个先前估计的跌倒风险进行比较,以确定所述用户的跌倒风险趋势。
10.一种估计用户的跌倒风险的装置,包括:
-用于分析所述用户的加速度的测量结果以确定所述用户是否已经执行坐到站转移的单元;
-用于根据所述用户的所述加速度的所述测量结果来识别在所述坐到站转移期间所述用户的峰值垂直加速度的单元,其中,使用对根据所述用户的所述加速度的所述测量结果获得的重力的估计来移除所识别的峰值垂直加速度的校准误差;以及
-用于根据经校准误差移除的峰值垂直加速度来估计所述用户的跌倒风险的单元,其中,所述跌倒风险与所述经校准误差移除的峰值垂直加速度成反比。
11.根据权利要求10所述的装置,还包括:
-用于根据所述用户的所述加速度的所述测量结果来估计归因于重力的加速度的单元;以及
-用于从所识别的峰值垂直加速度减去所估计的归因于重力的加速度以给出所述经校准误差移除的峰值垂直加速度的单元。
12.根据权利要求10所述的装置,还包括:
-用于根据所述用户的所述加速度的所述测量结果来估计归因于重力的加速度的单元;以及
-用于从所述用户的所述加速度的所述测量结果减去所估计的归因于重力的加速度以给出所述用户的所述加速度的经校准误差移除的测量结果的单元;
其中,用于识别在所述坐到站转移期间所述用户的所述峰值垂直加速度的单元根据所述加速度的所述经校准误差移除的测量结果来识别所述用户的所述峰值垂直加速度。
13.根据权利要求10、11或12所述的装置,其中,对重力的所述估计是通过以下方式根据加速度的所述测量结果获得的:
-对发生在所述坐到站转移的开始之前的时间段中的加速度的多个测量结果进行平均以给出对重力的所述估计。
14.根据权利要求13所述的装置,其中,仅仅在发生在所述坐到站转移的所述开始之前的时间段中的加速度的所述多个测量结果的标准偏差、方差或范围少于阈值时,对重力的所述估计是根据在所述时间段中的加速度的所述测量结果获得的。
15.根据权利要求10至12中的任一项所述的装置,其中,使用对重力的所述估计来正规化所述经校准误差移除的峰值垂直加速度,并且正规化的经校准误差移除的峰值垂直加速度被用于估计所述用户的所述跌倒风险。
16.根据权利要求10至12中的任一项所述的装置,包括用于识别多个坐到站转移的单元,并且其中,用于估计所述跌倒风险的单元根据对于所述多个坐到站转移而识别的所述峰值垂直加速度的平均值来确定所述跌倒风险。
17.根据权利要求16所述的装置,其中,用于估计所述跌倒风险的单元根据对于所述多个坐到站转移而识别的所述峰值垂直加速度的所述平均值和在具体时间段中所述用户执行所述坐到站转移的次数的指示来确定所述跌倒风险。
18.根据权利要求10至12中的任一项所述的装置,还包括:
-用于将所估计的跌倒风险与一个或多个先前估计的跌倒风险进行比较以确定所述用户的跌倒风险趋势的单元。
19.一种包括计算机程序的计算机可读介质,当在计算机或处理器上执行所述计算机程序时,所述计算机程序令所述计算机或处理器通过以下来确定用户的跌倒风险:
-分析所述用户的加速度的测量结果以确定所述用户是否已经执行坐到站转移;
-根据所述用户的所述加速度的所述测量结果来识别在所述坐到站转移期间所述用户的峰值垂直加速度,其中,使用对根据所述用户的所述加速度的所述测量结果获得的重力的估计来移除所识别的峰值垂直加速度的校准误差;以及
-根据经校准误差移除的峰值垂直加速度来估计所述用户的跌倒风险,其中,所述跌倒风险与所述经校准误差移除的峰值垂直加速度成反比。
20.一种用于估计用户的跌倒风险的装置,所述装置包括:
-处理单元,其被配置为:
-分析所述用户的加速度的测量结果以确定所述用户是否已经执行坐到站转移;
-根据所述用户的所述加速度的所述测量结果来识别在所述坐到站转移期间所述用户的峰值垂直加速度,其中,使用对根据所述用户的所述加速度的所述测量结果获得的重力的估计来移除所识别的峰值垂直加速度的校准误差;以及
-根据经校准误差移除的峰值垂直加速度来估计所述用户的跌倒风险,其中,所述跌倒风险与所述经校准误差移除的峰值垂直加速度成反比。
21.一种被配置为由用户穿戴的设备,所述设备包括:
-加速度计,其测量在三个维度上作用于所述设备的加速度;以及
-根据权利要求20所述的装置,其中,所述处理单元被配置为处理来自所述加速度计的所述加速度的所述测量结果。
22.一种估计用户的跌倒风险的***,包括:
-被配置为由用户穿戴的设备,所述设备包括加速度计,所述加速度计测量在三个维度上作用于所述设备的加速度;以及
-基础单元,其被配置为与所述设备进行通信,并且包括根据权利要求20所述的装置,其中,所述处理单元被配置为处理来自所述加速度计的所述加速度的所述测量结果。
23.一种估计用户的跌倒风险的***,包括:
-测力板;和
-基础单元,其包括根据权利要求20所述的装置,其中,所述处理单元被配置为接收来自所述测力板的力的测量结果,并且处理力的所述测量结果以确定所述加速度的测量结果。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261731599P | 2012-11-30 | 2012-11-30 | |
US61/731,599 | 2012-11-30 | ||
PCT/IB2013/060371 WO2014083490A1 (en) | 2012-11-30 | 2013-11-25 | Method and apparatus for estimating the fall risk of a user |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104822320A CN104822320A (zh) | 2015-08-05 |
CN104822320B true CN104822320B (zh) | 2019-06-11 |
Family
ID=49956270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380062502.0A Expired - Fee Related CN104822320B (zh) | 2012-11-30 | 2013-11-25 | 用于估计用户的跌倒风险的方法和装置 |
Country Status (8)
Country | Link |
---|---|
US (1) | US11020023B2 (zh) |
EP (1) | EP2925226B1 (zh) |
JP (1) | JP6253660B2 (zh) |
CN (1) | CN104822320B (zh) |
BR (1) | BR112015012301A2 (zh) |
CA (1) | CA2892698C (zh) |
RU (1) | RU2681362C2 (zh) |
WO (1) | WO2014083490A1 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015036245A1 (en) * | 2013-09-11 | 2015-03-19 | Koninklijke Philips N.V. | Fall detection system and method |
CA2961370A1 (en) * | 2014-09-15 | 2016-03-24 | 3M Innovative Properties Company | Impairment detection with environmental considerations |
EP3307443B1 (en) | 2015-06-12 | 2024-05-22 | 3M Innovative Properties Company | Liquid coating method and apparatus with a deformable metal roll |
US10952686B2 (en) * | 2016-08-02 | 2021-03-23 | Medtronic, Inc. | Mobile application to prompt physical action to measure physiologic response in implantable device |
KR102022942B1 (ko) * | 2018-05-10 | 2019-09-19 | 주식회사 비플렉스 | 상하 지면 반력 힘의 기울기 예측 방법 및 이를 이용하는 주행 시 부상 위험성 정량화 장치 |
JP6629485B2 (ja) * | 2016-08-09 | 2020-01-15 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 被検者の歩行運動を決定する処理装置及び方法 |
US10578639B2 (en) * | 2017-08-28 | 2020-03-03 | Otis Elevator Company | Hybrid altimeter for measuring vertical velocity |
US11013416B2 (en) * | 2018-01-26 | 2021-05-25 | Bose Corporation | Measuring respiration with an in-ear accelerometer |
US11504071B2 (en) | 2018-04-10 | 2022-11-22 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
US11908581B2 (en) | 2018-04-10 | 2024-02-20 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
EP3815109A1 (en) * | 2018-06-29 | 2021-05-05 | Koninklijke Philips N.V. | System and method that optimizes physical activity recommendations based on risks of falls |
CN108887978B (zh) * | 2018-07-20 | 2021-04-06 | 深圳中云创新技术有限公司 | 一种坐姿检测*** |
CN110896425B (zh) | 2018-09-12 | 2021-10-22 | 意法半导体股份有限公司 | 用于识别将移动电子设备带到用户耳朵的姿势的***和方法 |
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 |
EP3757958A1 (en) | 2019-06-25 | 2020-12-30 | Koninklijke Philips N.V. | Evaluating movement of a subject |
EP3757957A1 (en) | 2019-06-25 | 2020-12-30 | Koninklijke Philips N.V. | Evaluating movement of a subject |
US11717186B2 (en) * | 2019-08-27 | 2023-08-08 | Medtronic, Inc. | Body stability measurement |
US11602313B2 (en) | 2020-07-28 | 2023-03-14 | Medtronic, Inc. | Determining a fall risk responsive to detecting body position movements |
ES2932839A1 (es) * | 2021-06-16 | 2023-01-26 | Univ Leon | Sistema y metodo de evaluacion del equilibrio dinamico y del riesgo de caidas durante la marcha en adultos y personas mayores |
US20240192783A1 (en) * | 2022-12-13 | 2024-06-13 | Stmicroelectronics S.R.L. | System and method for automatic recognition of the gesture of bringing an electronic device to the ear |
CN118021294B (zh) * | 2024-04-11 | 2024-07-05 | 四川省铁路建设有限公司 | 一种基于多传感器的跌倒检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6703939B2 (en) * | 1999-09-15 | 2004-03-09 | Ilife Solutions, Inc. | System and method for detecting motion of a body |
EP1195139A1 (en) | 2000-10-05 | 2002-04-10 | Ecole Polytechnique Féderale de Lausanne (EPFL) | Body movement monitoring system and method |
AU2003201616A1 (en) * | 2002-02-07 | 2003-09-02 | Ecole Polytechnique Federale De Lausanne (Epfl) | Body movement monitoring device |
JP5254790B2 (ja) * | 2005-08-12 | 2013-08-07 | ティーシーエムエス トランスペアレント ビューティー エルエルシー | ヒトの皮膚の視覚的魅力を改善するために、反射変性剤を塗布するためのシステムおよび方法 |
JP2008173249A (ja) * | 2007-01-17 | 2008-07-31 | Matsushita Electric Works Ltd | 活動量計 |
WO2008143738A1 (en) * | 2007-05-18 | 2008-11-27 | Ultimate Balance, Inc. | Newtonian physical activity monitor |
US9295412B2 (en) * | 2007-08-15 | 2016-03-29 | Integrity Tracking, Llc | Wearable health monitoring device and methods for step detection |
EP2274734B1 (en) * | 2008-05-12 | 2012-07-11 | Koninklijke Philips Electronics N.V. | Displacement measurement in a fall detection system |
US9704369B2 (en) * | 2008-06-27 | 2017-07-11 | Barron Associates, Inc. | Autonomous fall monitor using an altimeter with opposed sensing ports |
US8773269B2 (en) * | 2008-06-27 | 2014-07-08 | Neal T. RICHARDSON | Autonomous fall monitor |
WO2010035191A2 (en) | 2008-09-23 | 2010-04-01 | Koninklijke Philips Electronics N.V. | Methods for processing measurements from an accelerometer |
BRPI0914089A2 (pt) | 2008-10-16 | 2015-10-27 | Konink Philps Electronics Nv | sistema de detecção de queda, método de operação de um sistema de detecção de queda e produto de programa de computador |
US9456771B2 (en) * | 2009-11-25 | 2016-10-04 | Koniklijke Philips N.V. | Method for estimating velocities and/or displacements from accelerometer measurement samples |
US20120119904A1 (en) * | 2010-10-19 | 2012-05-17 | Orthocare Innovations Llc | Fall risk assessment device and method |
JP5998202B2 (ja) * | 2011-04-29 | 2016-09-28 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 転倒検出器又は転倒検出システムに用いられる装置及びこれを操作する方法 |
EP2725975A1 (en) | 2011-06-28 | 2014-05-07 | Koninklijke Philips N.V. | Sit-to-stand transfer detection |
RU122009U1 (ru) | 2011-09-14 | 2012-11-20 | Общество С Ограниченной Ответственностью "Биомедтехника" | Стабилометрический тренажер |
US20130303860A1 (en) * | 2011-11-21 | 2013-11-14 | Robert Bender | Systems and methods for use in fall risk assessment |
US10327671B2 (en) * | 2014-02-17 | 2019-06-25 | Hong Kong Baptist University | Algorithms for gait measurement with 3-axes accelerometer/gyro in mobile devices |
EP3302730B1 (en) * | 2015-05-29 | 2020-11-04 | Nike Innovate C.V. | Activity monitoring device with assessment of exercise intensity |
-
2013
- 2013-11-25 JP JP2015544584A patent/JP6253660B2/ja not_active Expired - Fee Related
- 2013-11-25 BR BR112015012301A patent/BR112015012301A2/pt not_active Application Discontinuation
- 2013-11-25 CN CN201380062502.0A patent/CN104822320B/zh not_active Expired - Fee Related
- 2013-11-25 WO PCT/IB2013/060371 patent/WO2014083490A1/en active Application Filing
- 2013-11-25 US US14/648,266 patent/US11020023B2/en active Active
- 2013-11-25 RU RU2015125704A patent/RU2681362C2/ru active
- 2013-11-25 CA CA2892698A patent/CA2892698C/en active Active
- 2013-11-25 EP EP13821173.5A patent/EP2925226B1/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
US11020023B2 (en) | 2021-06-01 |
JP2016501593A (ja) | 2016-01-21 |
EP2925226B1 (en) | 2021-10-27 |
RU2015125704A (ru) | 2017-01-11 |
RU2681362C2 (ru) | 2019-03-06 |
CA2892698A1 (en) | 2014-06-05 |
US20150313552A1 (en) | 2015-11-05 |
CA2892698C (en) | 2022-08-30 |
BR112015012301A2 (pt) | 2020-04-22 |
EP2925226A1 (en) | 2015-10-07 |
WO2014083490A1 (en) | 2014-06-05 |
CN104822320A (zh) | 2015-08-05 |
JP6253660B2 (ja) | 2017-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104822320B (zh) | 用于估计用户的跌倒风险的方法和装置 | |
CN103619248B (zh) | 从坐到站转换检测 | |
US9934668B2 (en) | Method and apparatus for identifying transitions between sitting and standing postures | |
CN105992932B (zh) | 对在用户运动的测量结果中检测步行的改进 | |
CN103083025B (zh) | 步态分析装置 | |
EP2389109A1 (en) | Determining energy expenditure of a user | |
JP2011511679A5 (zh) | ||
EP2748093A2 (en) | Method and apparatus for elevator motion detection | |
WO2010035187A1 (en) | Power measurement method and apparatus | |
CN109781794A (zh) | 用于估计分析物浓度的感测***和方法 | |
CN107368768A (zh) | 适用于体重秤的用户识别方法及体重秤 | |
JP5915990B2 (ja) | つまずきリスク評価装置、つまずきリスク評価システム | |
CN107089299B (zh) | 一种船舶倾斜角度的测量***及其测量方法 | |
CN202614956U (zh) | 一种检波器参数测试装置 | |
CN105520738B (zh) | 一种基于交叉定量递归计算的指力协调性测试分析仪 | |
CN112198208A (zh) | 一种甲醛检测方法及甲醛检测装置 | |
JP2020137801A (ja) | 人等の姿勢推定装置 | |
CN106175735B (zh) | 无创血压检测装置、方法及穿戴式电子装置 | |
Yusro et al. | Adapting ISO 17025 to Enrich QoS as Quality Measurement on Internet of Medical Things | |
JP2020141744A (ja) | 人の体格指数推定装置 | |
US10024709B2 (en) | Method and system to quickly determine a weight | |
CN114608432B (zh) | 一种桥梁变形监测装置及方法 | |
CN107560706A (zh) | 一种基于环境因素校准的智能称重方法 | |
CN107702783A (zh) | 一种基于环境因素校准的智能称重*** | |
TWI488671B (zh) | Athletic Condition Assessment System Based on Classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210922 Address after: Massachusetts USA Patentee after: Lifeline systems Address before: Eindhoven, Netherlands Patentee before: KONINKLIJKE PHILIPS N.V. |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190611 |
|
CF01 | Termination of patent right due to non-payment of annual fee |