CN105125221B - 云服务实时摔倒检测***及方法 - Google Patents
云服务实时摔倒检测***及方法 Download PDFInfo
- Publication number
- CN105125221B CN105125221B CN201510700067.0A CN201510700067A CN105125221B CN 105125221 B CN105125221 B CN 105125221B CN 201510700067 A CN201510700067 A CN 201510700067A CN 105125221 B CN105125221 B CN 105125221B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- harvester
- human body
- cloud service
- 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 abstract description 27
- 230000001133 acceleration Effects 0.000 claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 230000036760 body temperature Effects 0.000 claims abstract description 29
- 230000036772 blood pressure Effects 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000007493 shaping process Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 7
- 210000001015 abdomen Anatomy 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000000707 wrist Anatomy 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 21
- 230000006399 behavior Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000003068 static effect Effects 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000031968 Cadaver Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种云服务实时摔倒检测***及方法,包括采集装置,与采集装置连接的移动终端,分别与采集装置、移动终端连接的中转装置,与中转装置连接的云服务平台,以及与云服务平台连接的监控终端;所述采集装置包括控制器,分别与控制器连接的三轴加速度传感器、三轴陀螺仪、压力传感器、体温传感器、心率传感器、脉搏传感器、血压传感器、定位模块、通信模块以及存储模块。本发明通过采集装置、移动终端、中转装置形成一个稳定的数据通信模式,将监测对象的摔倒信息通过中转装置上传到云服务平台,实现对监测对象快速摔倒和缓慢情况的实时监测;该数据通信模式能够实现数据的分层处理、存储等功能,大大提高了数据的完整性和可靠性。
Description
技术领域
本发明属于人体运动行为、状态等的监控和识别,具体涉及一种云服务实时摔倒检测***及方法。
背景技术
随着年龄的增长,人的新陈代谢变缓慢,反应迟钝,身体机能下降,很容易发生摔倒。根据统计,在65岁以上的老年人群中,每年有超过1/3的人都会经历摔倒,而近1/4的老年人在摔倒发生后一年内死亡。据不完全统计,在老年人意外死亡中,由于老年人发生摔倒而造成死亡的比例高达2/3,而在75岁以上老人中这个比例更是高达70%,对于女性老年人,因发生摔倒造成死亡的比例最高。因心血管等慢性疾病引起的缓慢性摔倒占到了60%,但相关的研究几乎为零。对于人体摔倒检测,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。如CN 201126620Y,CN 101650869 B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。又例如,CN 200941648Y和CN 2909416Y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,且形式多样,因此,这种判断方法的误判率较高,而且很不稳定。
发明内容
本发明的目的是提供一种云服务实时摔倒检测***及方法,不仅能准确检测被测人员的摔倒状况,并对其实时跟踪定位,还能提高摔倒监测的报警准确率,避免漏报警。
本发明所述的云服务实时摔倒检测***,包括采集装置,与采集装置连接的移动终端,分别与采集装置、移动终端连接的中转装置,与中转装置连接的云服务平台,以及与云服务平台连接的监控终端;
所述采集装置包括控制器,分别与控制器连接的三轴加速度传感器、三轴陀螺仪、压力传感器、体温传感器、心率传感器、脉搏传感器、血压传感器、定位模块、通信模块以及存储模块;
所述采集装置、移动终端、中转装置形成一个稳定的数据通信模式,将监测对象的摔倒信息通过中转装置上传到云服务平台,实现对监测对象快速摔倒和缓慢情况的实时监测;该数据通信模式能实现数据的分层处理、存储。
所述采集装置用于采集人体的加速度值、姿态角、血压值、体温值、心率值、脉搏值,以及脚掌对地面的压力值P,所述采集装置基于三轴加速度传感器和三轴陀螺仪所采集的数据计算出加速度值a和姿态角Ψ,并基于所采集的血压值、体温值、心率值、脉搏值计算出人体在摔倒前后的生理参数变化值Δφ,并将压力值P与预设的压力阈值P1进行比较,将加速度值a与预设的第一加速度阈值a1和第二加速度阈值a2进行比较,将姿态角Ψ与预设的姿态角阈值范围ΔΨ进行比较,将人体在摔倒前后的生理参数变化值Δφ与预设生理参数变化值的阈值范围ΔΦ进行比较,判断出人体是否有摔倒行为,当判断出人体有摔倒行为时,所述控制器触发定位模块进行定位,并将定位信息发送给与所述采集装置相绑定的监控终端;
所述云服务平台用于对所采集的数据进行存储、管理,并基于所采集的数据不断进行学习,得到最优的第一加速度阈值a1、第二加速度阈值a2、姿态角阈值范围ΔΨ和生理参数变化值的阈值范围ΔΦ;
所述采集装置还基于移动终端和监控终端所发送的采集指令,采集人体的单个或多个生理参数。
所述采集装置的采集模式分为三种,分别为正常采集、异常采集以及指令采集,且这三种采集模式是互斥的;
所述正常采集模式为所述采集装置根据被测人员的状态在每天固定时间对各生理参数进行采集;
所述异常采集为控制器判断出被测人员的监测数据出现异常时,触发采集***对被测人员的生理参数进行采集;
所述指令采集为所述采集装置根据移动终端所发出的采集指令采集人体的单个或多个生理参数;
所述加速度值a的计算公式为:
其中:ax为x轴上的加速度值,ay为y轴上的加速度值,az为z轴方向上的加速度值;
所述Ψ的计算公式为:
其中:
ωx,ωy,ωz分别为采集到的三轴角速率,θ,γ分别为三轴的姿态角;
所述Δφ的计算公式为:
其中:Δα,Δβ,Δδ,Δε分别为血压、心率、体温、脉搏的变化值;
当a>a1,则判定人体为快摔倒,控制器触发定位模块进行定位,将定位信息及报警信息发给至监控终端;
当a2≤a≤a1且则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息发送至监控终端;
当a≤a2且时,采集装置进行预报警,并触发控制器采集各传感器所检测的数据,并基于所采集的数据与之前所述正常采集模式所采集的最后一次数据计算出人体在摔倒前后的生理参数变化值Δφ,若则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息及报警信息发给至监控终端。
所述云服务平台包括云计算模块、云存储模块、云管理模块和报警及决策模块;所述云计算模块用于对被测人员的生理参数的大数据计算,包括用户基础信息的收集、整理、统计,以及用户生理特征分析、统计,健康趋势预测;所述云存储模块用于对被测人员的所有数据的分布式存储,包括对被测人员所采集的所有数据,以及被测人员的基础信息存储;所述云管理模块用于对监测数据的管理,包括专家诊断、健康管理及健康监护;所述报警及决策模块包括预警算法的阈值确定、被测人员健康状态确定、预警与报警情况的决策处理。
所述采集装置的压力传感器安装在鞋内,其余部分安装在衣服上或戴在手腕上;
当采集装置安装在衣服上时,所述心率传感器安装在衣服对应人体的胸部位置处,所述体温传感器安装在衣服对应人体的腋下位置处,所述血压传感器安装在衣服对应人体的手肘位置处,所述脉搏传感器安装在衣服对应人体心脏位置处,所述三轴加速度传感器、三轴陀螺仪分别安装在对应人体正胸腹前处。
还包括视频采集装置,该视频采集装置分别与中转装置、移动终端连接,当监测到被测人员处于视频采集装置所能采集的空间内时,所述移动终端和监控终端能触发视频采集装置采集当前视频信号,并反馈至移动终端和监控终端进行在线显示。
本发明所述的一种云服务实时摔倒检测方法,采用本发明所述的云服务实时摔倒检测***,其中将采集装置的压力传感器安装在鞋内,其余部分安装在衣服上或戴在手腕上;当采集装置安装在衣服上时,所述心率传感器安装在衣服对应人体的胸部位置处,所述体温传感器安装在衣服对应人体的腋下位置处,所述血压传感器安装在衣服对应人体的手肘位置处;所述脉搏传感器安装在衣服对应人体心脏位置处,所述三轴加速度传感器、三轴陀螺仪分别安装在对应人体正胸腹前处,被测人员穿戴该衣服;
包括以下步骤:
步骤1、所述采集装置采集人体的加速度值、姿态角、血压值、体温值、心率值、脉搏值,以及脚掌对地面的压力值P;
步骤2、所述采集装置基于三轴加速度传感器和三轴陀螺仪所采集的数据计算出加速度值a和姿态角Ψ,所述采集装置基于所采集的血压值、体温值、心率值、脉搏值计算出人体在摔倒前后的生理参数变化值Δφ,并将压力值P与预设的压力阈值P1进行比较,将所述加速度值a与预设的第一加速度阈值a1和第二加速度阈值a2进行比较,将所述姿态角Ψ与预设的姿态角阈值范围ΔΨ进行比较,将人体在摔倒前后的生理参数变化值Δφ与预设生理参数变化值的阈值范围ΔΦ进行比较,判断出人体是否有摔倒行为,当判断出人体有摔倒行为时,所述控制器触发定位模块进行定位,并将定位信息发送给与所述采集装置相绑定的监控终端;
步骤3、所述云服务平台对采集装置所采集的数据进行存储、管理,并基于所采集的数据不断进行学习,得到最优的第一加速度阈值a1、第二加速度阈值a2、姿态角阈值范围ΔΨ和生理参数变化值的阈值范围ΔΦ。
所述步骤2中,判断人体是否有摔倒行为的过程如下:
2a、当a>a1且P≤P1,则判定人体为快摔倒,控制器触发定位模块进行定位,将定位信息及报警信息发给至监控终端;
2b、当a2≤a≤a1且则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息发送至监控终端;
2c、当a≤a2且时,采集装置进行预报警,并触发控制器采集各传感器所检测的数据,并基于所采集的数据与之前所述正常采集模式所采集的最后一次数据计算出人体在摔倒前后的生理参数变化值Δφ,若则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息及报警信息发给至监控终端;
所述加速度值a的计算公式为:
其中:ax为x轴上的加速度值,ay为y轴上的加速度值,az为z轴方向上的加速度值;
所述Ψ的计算公式为:
其中:
ωx,ωy,ωz分别为采集到的三轴角速率,θ,γ分别为三轴的姿态角;
所述Δφ的计算公式为:
其中:Δα,Δβ,Δδ,Δε分别为血压、心率、体温、脉搏的变化值。
还包括:
当接收到所述移动终端和监控终端所发送的采集指令时,所述采集装置基于该采集指令采集监控对象的单个或多个生理参数。
还包括所述云服务平台基于所采集的各生理参数对被测人员的危险情况进行分级报警:
当云服务平台根据所采集是数据认为被测人员属于初级报警状态时,则通过短信方式通知被测人员,并进行相应提示以辅助被测人员调整自身状态;
当云服务平台根据所采集的数据认为被测人员属于中级报警状态时,则将报警信息发送至与其绑定的医务人员和家属;
当云服务平台根据所采集的数据认为被测人员属于高级报警状态时,则将该报警以及定位信息传送到片区的救护机构。
本发明具有以下优点:
(1)通过三轴重力加速度与三轴陀螺仪结合,能够判断出人体的所有姿态,再通过被测人员的人体生理参数变化值就能够准确地知道被测人员是否有摔倒行为,以及该摔倒行为是否为缓慢摔倒,避免了***误报警和漏报警;
(2)通过采集装置、移动终端、中转装置形成一个稳定的数据通信模式(即三角数据交互的方式),将监测对象的摔倒信息通过中转装置上传到云服务平台,实现对监测对象快速摔倒和缓慢情况的实时监测;该数据通信模式可以实现数据的分层处理、存储等功能,大大提高了数据的完整性和可靠性;
(3)有专门管理的云服务平台,用于医护工作和家庭使用;云服务平台的发展为医疗服务提供更准确、更高效的服务;提高了医疗的服务质量,成为一种时代最具颠覆意义的新产业,也将重新定义医疗产业,具有重要的社会价值;
(4)云服务平台具有学习功能,能够根据实际采集的数据动态调整各判断阈值,使判断更加准确;
综上所述,本***可以准确地检测到被测人员的摔倒状况,并具备智能学习算法,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为本发明的结构框图;
图2为本发明中采集装置的结构框图;
图3为本发明中的采集模式图;
图4为本发明中云服务平台的结构框图;
图5为本发明中静态评估方案图。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示的云服务实时摔倒检测***,包括采集装置1,与采集装置1连接的移动终端2,分别与采集装置1、移动终端2连接的中转装置4,与中转装置4连接的云服务平台5,以及与云服务平台5连接的监控终端6。
中转装置4是整个***的传输部分,它接收来至采集装置1的采集信号,并将采集信号传送到云服务平台5,监测人员可通过监控终端6访问云服务平台5中的生理参数数据。中转装置4与采集装置通过短距离传输方式接收来至采集装置的数据,并将该数据通过互联网、3G、4G等传输到云服务平台。当移动终端2在中转装置4的一定范围内时,中转装置4将与移动终端2进行生理参数的信息交互。
移动终端2无线连接于所述采集装置1或者经由无线局域网与所述中转装置4进行无线适配连接,用于获取所述采集装置1或中转装置4中的待监测数据并予以监测显示。
所述采集装置1、移动终端2、中转装置4形成一个稳定的数据通信模式,将监测对象的摔倒信息通过中转装置4上传到云服务平台5,实现对监测对象快速摔倒和缓慢情况的实时监测;该数据通信模式能实现数据的分层处理、存储。
如图2所示,所述采集装置包括控制器13,分别与控制器连接的三轴加速度传感器7、三轴陀螺仪8、压力传感器22、体温传感器9、心率传感器10、脉搏传感器11、血压传感器12、定位模块14、通信模块15、存储模块16以及报警模块17。在通信正常时,采集装置将所采集的数据通过中转装置发送至云服务平台,当通信出现异常时,采集装置将所采集的数据存储于存储模块中,待通信恢复正常后再通过中转装置;中转装置接受到信号后,在通信正常时将数据传送到云服务平台,若通信出现异常,则将数据存储于中转装置的存储器中,待通信恢复正常后再将信号发送到云服务平台。云服务平台接收到信号后,将信号进行云计算处理及存储,方便监护人员访问实时数据。
所述采集装置用于采集人体的加速度值、姿态角、血压值、体温值、心率值、脉搏值,以及脚掌对地面的压力值P,所述采集装置基于三轴加速度传感器和三轴陀螺仪所采集的数据计算出加速度值a和姿态角Ψ,并基于所采集的血压值、体温值、心率值、脉搏值计算出人体在摔倒前后的生理参数变化值Δφ,并将压力值P与预设的压力阈值P1进行比较,将加速度值a与预设的第一加速度阈值a1和第二加速度阈值a2进行比较,将姿态角Ψ与预设的姿态角阈值范围ΔΨ进行比较,将人体在摔倒前后的生理参数变化值Δφ与预设生理参数变化值的阈值范围ΔΦ进行比较,判断出人体是否有摔倒行为,当判断出人体有摔倒行为时,所述控制器触发定位模块进行定位,并将定位信息发送给与所述采集装置相绑定的监控终端。
如图3所示,所述采集装置的采集模式分为三种,分别为正常采集、异常采集以及指令采集,所述正常采集模式为所述采集装置根据被测人员的状态在每天固定时间对各生理参数进行采集,采集装置对采集的数据进行预处理后分别传输到中转装置和移动终端。所述异常采集为控制器判断出被测人员的监测数据出现异常时,触发采集***对被测人员的生理参数进行采集。所述指令采集为所述采集装置根据移动终端所发出的采集指令采集人体的单个或多个生理参数,采集装置对采集的数据不做处理,直接通过中转装置上传远程监测中心。以上三种采集模式是互斥的,即当一种采集方式进行时,其余两种采集方式是不会触发的。每种采集方式会根据***处于的状态进行调整,当采集装置接收到采集指令时,采集装置进入指令采集模式;如果未接收到采集指令时,采集装置会根据采集数据的状况来确定采集方式,当采集的数据正常时,采集装置进入正常采集状态;反之,采集装置进入异常采集状态。
所述加速度值a的计算公式为:
其中:ax为x轴上的加速度值,ay为y轴上的加速度值,az为z轴方向上的加速度值;
所述Ψ的计算公式为:
其中:
ωx,ωy,ωz分别为采集到的三轴角速率,θ,γ分别为三轴的姿态角;
所述Δφ的计算公式为:
其中:Δα,Δβ,Δδ,Δε分别为血压、心率、体温、脉搏的变化值。
具体判断过程如下:
当a>a1且P≤P1,则判定人体为快摔倒,控制器触发定位模块进行定位,将定位信息及报警信息发给至监控终端。
当a2≤a≤a1且则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息发送至监控终端。
当a≤a2且时,采集装置进行预报警,并触发控制器采集各传感器所检测的数据,并基于所采集的数据与之前所述正常采集模式所采集的最后一次数据计算出人体在摔倒前后的生理参数变化值Δφ,若则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息及报警信息发给至监控终端。
所述云服务平台用于对所采集的数据进行存储、管理,并基于所采集的数据不断进行学习,得到最优的第一加速度阈值a1、第二加速度阈值a2、姿态角阈值范围ΔΨ和生理参数变化值的阈值范围ΔΦ。
如图4所示,所述云服务平台包括云计算模块18、云存储模块19、云管理模块20和报警及决策模块21。
所述云计算模块用于对被测人员的生理参数的大数据计算,包括用户基础信息的收集、整理、统计,以及用户生理特征分析、统计,健康趋势预测。
生理参数的大数据计算指对小区等用户群体较大时,大数据计算能解决普通计算机运算速率慢等问题;云计算会将用户的相关基础信息,如姓名、身高、体重等进行处理,并统计所有这些基础信息,将统计的相关数据放在公共云上,为相关研究提供数据支持;云计算还对所有用户的生理特征进行分析和统计,尤其是血压与摔倒状态,并根据生理特征的历史数值分析、统计及相关病例的特征状况,结合其它生理参数特征状况,实现智能血压算法和多信息融合跌倒算法,通过这些算法更准确地计算出用户健康情况,并对用户进行健康趋势进行预测,帮助用户改善自身的健康状况。
所述云存储模块用于对被测人员的所有数据的分布式存储,包括对被测人员所采集的所有数据,以及被测人员的基础信息存储。
数据的分布式存储解决了大数据存储缺点多等问题,云存储将每个用户的所有数据(正常、异常数据)和基础信息进行存储,便于监测者(医生、用户家属、专家等)、用户进行访问。
所述云管理模块用于对监测数据的管理,包括专家诊断、健康管理及健康监护。
专家诊断是指专家通过云管理,浏览云服务平台上用户的所有数据信息,并通过观察历史生理参数及实时生理参数信息,对用户某些疾病(如慢性病等)进行诊断;健康管理是针对用户生理参数进行管理,当历史数据或实时数据体现出用户处于非健康状况时,及通过短信、电话等通信方式告知用户,并提供相关健康恢复指导;健康监护是针对用户实时生理参数进行监测的,当用户出现突发性状况(如跌倒、突发性高血压、突发性心脏病等)时,***会紧急报警及通知用户家属,使用户得到及时的救助。
所述报警及决策模块包括预警算法的阈值确定(动态)、被测人员健康状态(正常、预警、报警)确定、预警与报警情况的决策处理,如电话短信通知,医疗处理等。
一、阈值确定(动态):阈值设置是最终确定人体安全状况的核心部分。采用了3σ准则及层次分析法的思路以确保人体的安全。具体包含特征提取,关键生理参数的安全状况评估,整体生理参数安全状况评估,安全状况界限阈值的设计与动态修正,评估结果的输出等主要部分。其中重点是静态评估、整体生理参数安全状态评估。以及安全阈值的动态修正。
(1)静态评估
根据层次分析法的思想,首先将整个生理参数分为血压评估、脉搏评估、体温评估、血氧评估、电解质评估及心率评估六个子***的评估体系。在评估前期,完全由层次分析法进行静态评估。待阈值稳定后,在子结构层次使用神经网络法,人体生理参数禁止评估仍然采用层次分析法。六个子***的评估方案,参见图5。
(2)动态诊断
根据静态为主、动态为辅的总体思路,动态诊断子***主要通过人体的动态响应,对其安全性进行评估,是作为静态评估的补充。它主要由动态评估影响。
①动态评估
动态评估初步确定采用简单模态对比法,即监测值与阈值对比的方法及MAC和COMA法。当提取的生理参数值变化超过一定比例时达到预警状态;当MAC法计算出系数小于某一值时人体达到预警状态。人体的生理参数动态评估值为简单模态对比法与MAC法评估值的综合值。
(3)整体综合评估
在人体各生理参数的静态、动态诊断的基础上,进行所有生理参数综合评估,其主要原理如下:
①当静态评估的六个子***或动态评估的评估值中,任意一项处于‘差’状态时,不再进行任何评估,直接得出人体的状态为“差”;
②当人体生理参数静态评估的六个子***评估值或动态评估的评估值中的任意两个或以上处于“较差”状态时,不再进行综合评估,直接得出人体的状态为“差”;
③当人体生理参数静态评估的六个子***评估值或动态评估的评估值不处于以上状态时,对大桥进行整体综合评估。人体生理参数整体综合评估采用融合专家评定***、变权综合技术及灰色***技术的层次分析法进行。
(4)阈值及其动态修正
①阈值
阈值是在对监测数据进行分析计算之后、判断结构安全性的重要依据。但由于人体会时常生病及外界对人体的影响,因此结构的阈值是一个非常复杂的多因素共同作用结果。为此采用多因素的多阈值方法。其大致包含:
a.正常情况下的阈值;
b.人体出现轻度疾病下的阈值;
c.人体出现中,重度疾病下的阈值;
d.长期监测的统计最大值;
e其他因素的相关影响
②阈值的动态修正
考虑到人体生理参数的时常变化特性,阈值不是一成不变的恒值,需要根据人体所处状况的变化而变化,为此需要根据测量值的变化、统计规律,对阈值进行动态校正。
二、决策处理:
(1)当云服务平台监测***监测被测者属于初级报警状态时,***会通过短信方式通知被测者,并会有相应提示,可辅助被测者调整自身状态,达到健康水平。
(2)当云服务平台监测***监测被测者属于中级报警状态时,***会自动将该信息传送到医务人员处,医务人员会通过电话方式直接与被测者联系,并根据生理参数信息,给被测者建议;此外***还会将这一信息通过短信方式通知被测者家属。
(3)当云服务平台监测***监测被测者属于高级报警状态时,***会将该报警传送到片区救护队中,并给予被测者相应位置,方便救护队迅速到达被测者身边实施求助;医务人员会通过电话方式与被测者家属联系,方便进行后续医疗。
所述采集装置还基于移动终端和监控终端所发送的采集指令,采集人体的单个或多个生理参数。所述移动终端具有实时报警,显示等功能。接收采集装置传输的生理参数信号。当与中转装置对接成功,通过短距离传输的方式进行信息交换。并且具有声音输入和视频采集功能。
本发明中所述采集装置1的压力传感器22安装在鞋内,其余部分安装在衣服上或集成在一起戴在手腕上。当采集装置1的其余部分安装在衣服时,所述心率传感器10安装在衣服对应人体的胸部位置处;所述体温传感器9安装在衣服对应人体的腋下位置处;所述血压传感器安装在衣服对应人体的手肘位置处;所述脉搏传感器11安装在衣服对应人体心脏位置处;所述三轴加速度传感器7、三轴陀螺仪8分别安装在对应人体正胸腹前处。
进一步,本发明还包括视频采集装置1,该视频采集装置3分别与中转装置4、移动终端2连接,一般将视频采集装置3安装在家里,当监测到被测人员处于视频采集装置1所能采集的空间内时,所述移动终端2和监控终端能触发视频采集装置1采集当前视频信号,并反馈至移动终端2和监控终端6进行在线显示。
所述采集装置1还包括与控制器13连接的报警按钮23,当需要主动报警时,长按一下报警按钮23即可。当***出现误报警时,快按两下报警按钮23即可,监控终端6就会知道本次报警为误报警。
本发明所述的一种云服务实时摔倒检测方法,采用本发明所述的云服务实时摔倒检测***,其中将采集装置的压力传感器安装在鞋内,其余部分安装在衣服上或戴在手腕上;当采集装置1安装在衣服上时,所述心率传感器安装在衣服对应人体的胸部位置处,所述体温传感器安装在衣服对应人体的腋下位置处,所述血压传感器安装在衣服对应人体的手肘位置处;所述脉搏传感器安装在衣服对应人体心脏位置处,所述三轴加速度传感器、三轴陀螺仪分别安装在对应人体正胸腹前处,被测人员穿戴该衣服;
包括以下步骤:
步骤1、所述采集装置采集人体的加速度值、姿态角、血压值、体温值、心率值、脉搏值,以及脚掌对地面的压力值P。
步骤2、所述采集装置基于三轴加速度传感器和三轴陀螺仪所采集的数据计算出加速度值a和姿态角Ψ,所述采集装置基于所采集的血压值、体温值、心率值、脉搏值计算出人体在摔倒前后的生理参数变化值Δφ,并将压力值P与预设的压力阈值P1进行比较,将所述加速度值a与预设的第一加速度阈值a1和第二加速度阈值a2进行比较,将所述姿态角Ψ与预设的姿态角阈值范围ΔΨ进行比较,将人体在摔倒前后的生理参数变化值Δφ与预设生理参数变化值的阈值范围ΔΦ进行比较,判断出人体是否有摔倒行为,当判断出人体有摔倒行为时,所述控制器触发定位模块进行定位,并将定位信息发送给与所述采集装置相绑定的监控终端。
步骤3、所述云服务平台对采集装置所采集的数据进行存储、管理,并基于所采集的数据不断进行学习,得到最优的第一加速度阈值a1、第二加速度阈值a2、姿态角阈值范围ΔΨ和生理参数变化值的阈值范围ΔΦ。
判断人体是否有摔倒行为的过程如下:
2a、当a>a1且P≤P1,则判定人体为快摔倒,控制器触发定位模块进行定位,将定位信息及报警信息发给至监控终端;
2b、当a2≤a≤a1且则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息发送至监控终端;
2c、当a≤a2且时,采集装置进行预报警,并触发控制器采集各传感器所检测的数据,并基于所采集的数据与之前所述正常采集模式所采集的最后一次数据计算出人体在摔倒前后的生理参数变化值Δφ,若则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息及报警信息发给至监控终端;
所述加速度值a的计算公式为:
其中:ax为x轴上的加速度值,ay为y轴上的加速度值,az为z轴方向上的加速度值;
所述Ψ的计算公式为:
其中:
ωx,ωy,ωz分别为采集到的三轴角速率,θ,γ分别为三轴的姿态角;
所述Δφ的计算公式为:
其中:Δα,Δβ,Δδ,Δε分别为血压、心率、体温、脉搏的变化值。
还包括:
当接收到所述移动终端和监控终端所发送的采集指令时,所述采集装置基于该采集指令采集监控对象的单个或多个生理参数。
还包括所述云服务平台基于所采集的各生理参数对被测人员的危险情况进行分级报警:
当云服务平台根据所采集是数据认为被测人员属于初级报警状态时,则通过短信方式通知被测人员,并进行相应提示以辅助被测人员调整自身状态。
当云服务平台根据所采集的数据认为被测人员属于中级报警状态时,则将报警信息发送至与其绑定的医务人员和家属。
当云服务平台根据所采集的数据认为被测人员属于高级报警状态时,则将该报警以及定位信息传送到片区的救护机构。
Claims (10)
1.一种云服务实时摔倒检测***,其特征在于:包括采集装置(1),与采集装置连接的移动终端(2),分别与采集装置、移动终端连接的中转装置(4),与中转装置连接的云服务平台(5),以及与云服务平台连接的监控终端(6);
所述采集装置包括控制器(13),分别与控制器连接的三轴加速度传感器(7)、三轴陀螺仪(8)、压力传感器(22)、体温传感器(9)、心率传感器(10)、脉搏传感器(11)、血压传感器(12)、定位模块(14)、通信模块(15)以及存储模块(16);
所述采集装置、移动终端、中转装置形成一个稳定的数据通信模式,将监测对象的摔倒信息通过中转装置上传到云服务平台,实现对监测对象快速摔倒和缓慢情况的实时监测;该数据通信模式能实现数据的分层处理、存储;
所述采集装置用于采集人体的加速度值、姿态角、血压值、体温值、心率值、脉搏值,以及脚掌对地面的压力值P,所述采集装置基于三轴加速度传感器和三轴陀螺仪所采集的数据计算出加速度值a和姿态角Ψ,并基于所采集的血压值、体温值、心率值、脉搏值计算出人体在摔倒前后的生理参数变化值Δφ;
所述采集装置的采集模式分为三种,分别为正常采集、异常采集以及指令采集,且这三种采集模式是互斥的;
当a>a1且P≤P1,则判定人体为快摔倒,控制器触发定位模块进行定位,将定位信息及报警信息发给至监控终端,其中,a1为第一加速度阈值,P1为压力阈值;
当a2≤a≤a1且则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息发送至监控终端,其中,ΔΨ为姿态角阈值范围,a2为第二加速度阈值;
当a≤a2且时,采集装置进行预报警,并触发控制器采集各传感器所检测的数据,并基于所采集的数据与之前所述正常采集模式所采集的最后一次数据计算出人体在摔倒前后的生理参数变化值Δφ,若则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息及报警信息发给至监控终端,其中,ΔΦ为生理参数变化值的阈值范围。
2.根据权利要求1所述的云服务实时摔倒检测***,其特征在于:所述云服务平台用于对所采集的数据进行存储、管理,并基于所采集的数据不断进行学习,得到最优的第一加速度阈值a1、第二加速度阈值a2、姿态角阈值范围ΔΨ和生理参数变化值的阈值范围ΔΦ;
所述采集装置还基于移动终端和监控终端所发送的采集指令,采集人体的单个或多个生理参数。
3.根据权利要求2所述的云服务实时摔倒检测***,其特征在于:所述正常采集模式为所述采集装置根据被测人员的状态在每天固定时间对各生理参数进行采集;
所述异常采集为控制器判断出被测人员的监测数据出现异常时,触发采集***对被测人员的生理参数进行采集;
所述指令采集为所述采集装置根据移动终端所发出的采集指令采集人体的单个或多个生理参数;
所述加速度值a的计算公式为:
<mrow>
<mi>a</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>a</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>a</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>a</mi>
<mi>z</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>,</mo>
</mrow>
其中:ax为x轴上的加速度值,ay为y轴上的加速度值,az为z轴方向上的加速度值;
所述Ψ的计算公式为:
其中:
ωx,ωy,ωz分别为采集到的三轴角速率,θ,γ分别为三轴的姿态角;
所述Δφ的计算公式为:
<mrow>
<mi>&Delta;</mi>
<mi>&phi;</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&beta;</mi>
</mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&delta;</mi>
</mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中:Δα,Δβ,Δδ,Δε分别为血压、心率、体温、脉搏的变化值。
4.根据权利要求1至3任一所述的云服务实时摔倒检测***,其特征在于:所述云服务平台包括云计算模块(18)、云存储模块(19)、云管理模块(20)和报警及决策模块(21);所述云计算模块用于对被测人员的生理参数的大数据计算,包括用户基础信息的收集、整理、统计,以及用户生理特征分析、统计,健康趋势预测;所述云存储模块用于对被测人员的所有数据的分布式存储,包括对被测人员所采集的所有数据,以及被测人员的基础信息存储;所述云管理模块用于对监测数据的管理,包括专家诊断、健康管理及健康监护;所述报警及决策模块包括预警算法的阈值确定、被测人员健康状态确定、预警与报警情况的决策处理。
5.根据权利要求1至3任一所述的云服务实时摔倒检测***,其特征在于:所述采集装置的压力传感器安装在鞋内,其余部分安装在衣服上或戴在手腕上;
当采集装置安装在衣服上时,所述心率传感器安装在衣服对应人体的胸部位置处,所述体温传感器安装在衣服对应人体的腋下位置处,所述血压传感器安装在衣服对应人体的手肘位置处,所述脉搏传感器安装在衣服对应人体心脏位置处,所述三轴加速度传感器、三轴陀螺仪分别安装在对应人体正胸腹前处。
6.根据权利要求1至3任一所述的云服务实时摔倒检测***,其特征在于:还包括视频采集装置,该视频采集装置分别与中转装置、移动终端连接,当监测到被测人员处于视频采集装置所能采集的空间内时,所述移动终端和监控终端能触发视频采集装置采集当前视频信号,并反馈至移动终端和监控终端进行在线显示。
7.一种云服务实时摔倒检测方法,其特征在于:采用如权利要求1或2所述的云服务实时摔倒检测***,其中将采集装置的压力传感器安装在鞋内,其余部分安装在衣服上或戴在手腕上;当采集装置安装在衣服上时,所述心率传感器安装在衣服对应人体的胸部位置处,所述体温传感器安装在衣服对应人体的腋下位置处,所述血压传感器安装在衣服对应人体的手肘位置处;所述脉搏传感器安装在衣服对应人体心脏位置处,所述三轴加速度传感器、三轴陀螺仪分别安装在对应人体正胸腹前处,被测人员穿戴该衣服;
包括以下步骤:
步骤1、所述采集装置采集人体的加速度值、姿态角、血压值、体温值、心率值、脉搏值,以及脚掌对地面的压力值P;
步骤2、所述采集装置基于三轴加速度传感器和三轴陀螺仪所采集的数据计算出加速度值a和姿态角Ψ,并基于所采集的血压值、体温值、心率值、脉搏值计算出人体在摔倒前后的生理参数变化值Δφ;
当a>a1且P≤P1,则判定人体为快摔倒,控制器触发定位模块进行定位,将定位信息及报警信息发给至监控终端,其中,a1为第一加速度阈值,P1为压力阈值;
当a2≤a≤a1且则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息发送至监控终端,其中,ΔΨ为姿态角阈值范围,a2为第二加速度阈值;
当a≤a2且时,采集装置进行预报警,并触发控制器采集各传感器所检测的数据,并基于所采集的数据与之前所述正常采集模式所采集的最后一次数据计算出人体在摔倒前后的生理参数变化值Δφ,若则判定人体为缓慢摔倒,控制器触发定位模块进行定位,并将定位信息及报警信息发给至监控终端;
步骤3、所述云服务平台对采集装置所采集的数据进行存储、管理,并基于所采集的数据不断进行学习,得到最优的第一加速度阈值a1、第二加速度阈值a2、姿态角阈值范围ΔΨ和生理参数变化值的阈值范围ΔΦ。
8.根据权利要求7所述的云服务实时摔倒检测方法,其特征在于:所述步骤2中,所述加速度值a的计算公式为:
<mrow>
<mi>a</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>a</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>a</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>a</mi>
<mi>z</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>,</mo>
</mrow>
其中:ax为x轴上的加速度值,ay为y轴上的加速度值,az为z轴方向上的加速度值;
所述Ψ的计算公式为:
其中:
ωx,ωy,ωz分别为采集到的三轴角速率,θ,γ分别为三轴的姿态角;
所述Δφ的计算公式为:
<mrow>
<mi>&Delta;</mi>
<mi>&phi;</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&beta;</mi>
</mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&delta;</mi>
</mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中:Δα,Δβ,Δδ,Δε分别为血压、心率、体温、脉搏的变化值。
9.根据权利要求7或8所述的云服务实时摔倒检测方法,其特征在于:还包括:
当接收到所述移动终端和监控终端所发送的采集指令时,所述采集装置基于该采集指令采集监控对象的单个或多个生理参数。
10.根据权利要求7或8所述的云服务实时摔倒检测方法,其特征在于:还包括所述云服务平台基于所采集的各生理参数对被测人员的危险情况进行分级报警:
当云服务平台根据所采集是数据认为被测人员属于初级报警状态时,则通过短信方式通知被测人员,并进行相应提示以辅助被测人员调整自身状态;
当云服务平台根据所采集的数据认为被测人员属于中级报警状态时,则将报警信息发送至与其绑定的医务人员和家属;
当云服务平台根据所采集的数据认为被测人员属于高级报警状态时,则将该报警以及定位信息传送到片区的救护机构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510700067.0A CN105125221B (zh) | 2015-10-26 | 2015-10-26 | 云服务实时摔倒检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510700067.0A CN105125221B (zh) | 2015-10-26 | 2015-10-26 | 云服务实时摔倒检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105125221A CN105125221A (zh) | 2015-12-09 |
CN105125221B true CN105125221B (zh) | 2017-11-10 |
Family
ID=54711071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510700067.0A Expired - Fee Related CN105125221B (zh) | 2015-10-26 | 2015-10-26 | 云服务实时摔倒检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105125221B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108158591A (zh) * | 2017-12-26 | 2018-06-15 | 深圳市康莱米电子股份有限公司 | 检测摔倒的方法及装置 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105342617B (zh) * | 2015-12-18 | 2018-01-23 | 宁波力芯科信息科技有限公司 | 一种智能鞋*** |
CN105708418B (zh) * | 2016-01-21 | 2018-11-30 | 四川东鼎里智信息技术有限责任公司 | 生理数据获取方法 |
CN105869354B (zh) * | 2016-04-29 | 2017-12-01 | 华南理工大学 | 一种基于吸引子传播算法的老人跌倒检测方法 |
CN106408868A (zh) * | 2016-06-14 | 2017-02-15 | 夏烬楚 | 一种便携式老年人跌倒监控预警***及方法 |
CN105953839B (zh) * | 2016-06-23 | 2018-06-29 | 北京理工大学 | 一种穿戴式冲击检测设备及控制方法、*** |
US11116424B2 (en) | 2016-08-08 | 2021-09-14 | Koninklijke Philips N.V. | Device, system and method for fall detection |
US11607166B2 (en) * | 2016-11-09 | 2023-03-21 | Centre National De La Recherche Scientifique | Multiparameter method for quantifying balance |
CN106955096A (zh) * | 2017-02-28 | 2017-07-18 | 厦门快商通科技股份有限公司 | 一种用于马拉松活动的安全预警***及方法 |
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*** |
CN107180511A (zh) * | 2017-05-11 | 2017-09-19 | 南京理工大学 | 一种老人跌倒的检测和预警装置及方法 |
CN107341360A (zh) * | 2017-08-17 | 2017-11-10 | 马婉婷 | 一种基于智能手环的健康服务***及其方法 |
CN107432739A (zh) * | 2017-09-20 | 2017-12-05 | 武汉纺织大学 | 一种用于健康监控的智能服装*** |
CN107811611A (zh) * | 2017-10-18 | 2018-03-20 | 杭州三盛绿域科技有限公司 | 异常生理数据报警干预***及方法 |
CN107890159A (zh) * | 2017-12-15 | 2018-04-10 | 上海工业自动化仪表研究院有限公司 | 用于化工园区hse管理的智能保护鞋*** |
CN108337361B (zh) * | 2017-12-25 | 2020-09-22 | 福州领头虎软件有限公司 | 一种通过陀螺仪传感器预判行为的方法及终端 |
CN108703490A (zh) * | 2018-05-31 | 2018-10-26 | 陈忠 | 一种具有定位功能背包 |
CN108986406A (zh) * | 2018-08-16 | 2018-12-11 | 沈阳航空航天大学 | 一种基于可穿戴传感器的老人缓慢跌倒检测装置 |
TWI709146B (zh) * | 2018-08-24 | 2020-11-01 | 范豪益 | 生理數據智能處理方法與系統 |
CN109872515B (zh) * | 2019-01-30 | 2021-06-01 | 重庆工程职业技术学院 | 一种用于定向越野户外活动的遇险求救***及方法 |
CN109998870B (zh) * | 2019-04-10 | 2021-05-25 | 鄂州职业大学 | 一种防摔倒装置 |
CN110579785A (zh) * | 2019-08-28 | 2019-12-17 | 歌尔股份有限公司 | 一种基于gps和气压传感器的定位方法及*** |
CN111027109A (zh) * | 2019-11-15 | 2020-04-17 | 深圳中电长城信息安全***有限公司 | 产品安全监控方法、装置及*** |
CN111012355A (zh) * | 2019-11-26 | 2020-04-17 | 泰康保险集团股份有限公司 | 人体摔倒检测方法及装置、存储介质及电子设备 |
CN110794702A (zh) * | 2019-11-29 | 2020-02-14 | 广东美的制冷设备有限公司 | 家电设备的控制方法、家电设备及计算机可读存储介质 |
CN111128407A (zh) * | 2020-01-19 | 2020-05-08 | 安徽理工大学 | 一种养老中心监测*** |
CN111798642A (zh) * | 2020-07-15 | 2020-10-20 | 广东机电职业技术学院 | 安全保障智能穿戴设备及其工作方法 |
CN111772289A (zh) * | 2020-07-15 | 2020-10-16 | 广东机电职业技术学院 | 安全保障智能鞋垫及其工作方法 |
CN113313911A (zh) * | 2021-05-28 | 2021-08-27 | 广东食品药品职业学院 | 一种基于互联网老年健身运动用紧急救援*** |
CN113576427A (zh) * | 2021-07-30 | 2021-11-02 | 重庆电子工程职业学院 | 一种多功能人体健康数据采集*** |
CN113433920A (zh) * | 2021-08-30 | 2021-09-24 | 深圳百胜扬工业电子商务平台发展有限公司 | 一种实时数据监控方法及*** |
CN115844384A (zh) * | 2022-12-28 | 2023-03-28 | 河北志晟信息技术股份有限公司 | 养老院危险事件处理方法 |
CN116439694B (zh) * | 2023-06-14 | 2023-08-15 | 深圳市魔样科技有限公司 | 基于运动模型训练的智能手表动态数据监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525434A (zh) * | 2012-01-04 | 2012-07-04 | 安阳工学院 | 一种远程电子监护装置 |
US9042971B2 (en) * | 2012-06-22 | 2015-05-26 | Fitbit, Inc. | Biometric monitoring device with heart rate measurement activated by a single user-gesture |
CN104799862A (zh) * | 2015-04-02 | 2015-07-29 | 鲁东大学 | 一种人体失衡预警方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9049998B2 (en) * | 2012-06-22 | 2015-06-09 | Fitbit, Inc. | Biometric monitoring device with heart rate measurement activated by a single user-gesture |
-
2015
- 2015-10-26 CN CN201510700067.0A patent/CN105125221B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525434A (zh) * | 2012-01-04 | 2012-07-04 | 安阳工学院 | 一种远程电子监护装置 |
US9042971B2 (en) * | 2012-06-22 | 2015-05-26 | Fitbit, Inc. | Biometric monitoring device with heart rate measurement activated by a single user-gesture |
CN104799862A (zh) * | 2015-04-02 | 2015-07-29 | 鲁东大学 | 一种人体失衡预警方法和*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108158591A (zh) * | 2017-12-26 | 2018-06-15 | 深圳市康莱米电子股份有限公司 | 检测摔倒的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105125221A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105125221B (zh) | 云服务实时摔倒检测***及方法 | |
US10299704B2 (en) | Method for monitoring of activity and fall | |
US10198928B1 (en) | Fall detection system | |
US9640057B1 (en) | Personal fall detection system and method | |
CN106725445B (zh) | 一种脑电波控制的便携式人体运动损伤监护***与方法 | |
US8529448B2 (en) | Computerized systems and methods for stability—theoretic prediction and prevention of falls | |
Pannurat et al. | A hybrid temporal reasoning framework for fall monitoring | |
CN106037749A (zh) | 一种基于智能手机和可穿戴式设备的老年人跌倒监测方法 | |
CN105632101A (zh) | 一种人体防跌倒预警方法及*** | |
CN105342623A (zh) | 智能跌倒监护装置及其处理方法 | |
CN207970089U (zh) | 分析跌倒严重程度的跌倒侦测***及其穿戴装置 | |
EP2417905A1 (en) | Systems and methods for real-time physiological monitoring | |
CN103211599A (zh) | 一种监测跌倒的方法及装置 | |
Zhang et al. | A context-aware mhealth system for online physiological monitoring in remote healthcare | |
CN105118236A (zh) | 瘫倒监测和预防装置及其处理方法 | |
CN108670261A (zh) | 运动状态检测方法、可佩戴设备以及装置 | |
CN105832315A (zh) | 不受个体运动状态与环境位置影响的远程监测*** | |
CN107788990A (zh) | 一种可佩戴跌倒检测装置及跌倒检测*** | |
CN205050303U (zh) | 一种智能人体瘫倒监测装置 | |
CN205094444U (zh) | 云服务实时摔倒检测*** | |
CN110675596A (zh) | 应用于可穿戴终端的跌倒检测方法 | |
CN106725504A (zh) | 一种多节点运动监测的可穿戴设备及其监测方法 | |
CN104269025A (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN107146378A (zh) | 一种人体跌倒判定方法及装置 | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171110 |