CN109069066A - 可穿戴和连接的步态分析*** - Google Patents
可穿戴和连接的步态分析*** Download PDFInfo
- Publication number
- CN109069066A CN109069066A CN201680065562.1A CN201680065562A CN109069066A CN 109069066 A CN109069066 A CN 109069066A CN 201680065562 A CN201680065562 A CN 201680065562A CN 109069066 A CN109069066 A CN 109069066A
- Authority
- CN
- China
- Prior art keywords
- data
- gait
- mobile computing
- balance
- sensor
- 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.)
- Pending
Links
- 230000005021 gait Effects 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title description 10
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012512 characterization method Methods 0.000 claims abstract description 3
- 238000009826 distribution Methods 0.000 claims abstract description 3
- 238000004891 communication Methods 0.000 claims description 32
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000005236 sound signal Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 claims 1
- 238000003012 network analysis Methods 0.000 claims 1
- 238000003780 insertion Methods 0.000 abstract description 11
- 230000037431 insertion Effects 0.000 abstract description 11
- 238000012360 testing method Methods 0.000 description 39
- 210000002414 leg Anatomy 0.000 description 10
- 210000001508 eye Anatomy 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 210000001699 lower leg Anatomy 0.000 description 5
- 239000003595 mist Substances 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004399 eye closure Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 208000012886 Vertigo Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 201000006417 multiple sclerosis Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 231100000889 vertigo Toxicity 0.000 description 2
- 230000001720 vestibular Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 244000283207 Indigofera tinctoria Species 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 208000000112 Myalgia Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000010886 Peripheral nerve injury Diseases 0.000 description 1
- 208000034189 Sclerosis Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000030886 Traumatic Brain injury Diseases 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003694 hair properties Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000000585 muscular atrophy Diseases 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000020431 spinal cord injury Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009529 traumatic brain injury Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000002792 vascular 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
- 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
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- 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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- 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
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
- A61B5/4023—Evaluating sense of balance
-
- 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
- A61B5/6802—Sensor mounted on worn items
- A61B5/6804—Garments; Clothes
- A61B5/6807—Footwear
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7455—Details of notification to user or communication with user or patient ; user input means characterised by tactile indication, e.g. vibration or electrical stimulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
- A61B2560/0238—Means for recording calibration data
-
- 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
-
- 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
- A61B2562/0223—Magnetic field sensors
-
- 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
- A61B2562/0247—Pressure sensors
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
- G01R33/0206—Three-component magnetometers
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开涉及用于分析从一个或多个可穿戴且连接的传感器设备收集的数据中提取的步态、平衡或姿势信息的***和方法,所述传感器设备内嵌有传感器。嵌入的传感器包括三轴加速度计、三轴陀螺仪和压力传感器阵列。由传感器检测到的传感器数据可以由移动计算设备接收,移动计算设备可以分析传感器数据以识别与传感器数据内的步态、平衡或姿势有关的模式;并且将基于统计/机器学***衡或姿势有关的模式,以向表征滑倒、绊倒和跌倒事件的风险的模式分配临床参数。
Description
相关申请
本申请要求2015年9月28日提交的题为“Portable Gait Lab:Preventing Work-Related Injuries in Construction,Wholesale and Retail Trade Workspaces UsingWearable Computer Technology(便携式步态实验室:使用可穿戴计算机技术防止建筑、批发和零售业工作场所中的与工作有关的伤害)”的美国临时申请第62/233,832号的权益。出于所有目的,本临时申请的全部内容通过引用整体并入本文。
技术领域
本公开总体上涉及可穿戴和连接的步态分析***,并且更具体地涉及用于分析从一个或多个可穿戴设备收集的数据中提取的步态、平衡或姿势信息的***和方法。
背景技术
包括步态、平衡和姿势在内的行动特性各自取决于来自若干身体***的协调和支持,包括视觉***、听觉***、前庭***、运动***、感觉***和其他更高级别的运动前***中的一个或多个。一种或多种行动特性的紊乱可能在老年人中最常见;然而,这种紊乱也出现在少数儿童身上。传统上,为了评估这些行动特性,要求受试者在临床步态实验室环境中进行测试。但是,临床步态实验室可能不适用于所有受试者。此外,这些测试缺乏移动性和便携性,这可能会导致环境偏差问题,并且不能反映受试者的自然行为。
发明概述
根据一个方面,描述了非暂态计算机可读介质。该非暂态计算机可读介质可以包括当由处理资源执行时促进操作的执行的计算机可执行指令。操作包括:从嵌入在可穿戴设备内的传感器接收传感器数据;分析传感器数据以识别与传感器数据内的步态、平衡或姿势有关的模式;以及对与步态、平衡或姿势相关的模式应用基于统计学或机器学习的分类,以向表征滑倒、绊倒和跌倒(STF)事件风险的模式分配临床参数。这些传感器包括嵌入可穿戴设备内的三轴加速度计、三轴陀螺仪和压力传感器阵列。
根据另一方面,描述了一种***。该***可以包括根据短程通信协议进行通信的可穿戴设备和便携式计算设备。可穿戴设备包括用于检测数据的多个传感器;电力管理单元,用于设定所述多个传感器的采样率;以及数据交换单元,用于根据所述短程通信协议将包括所述数据的信号流式传输到便携式计算设备,并且从所述便携式计算设备接收数据。该便携式计算设备包括:通信单元,用于接收根据短程通信协议进行流式传输的信号;存储机器可读指令的非暂态存储器;以及执行机器可读指令的处理器。在执行时,机器可读指令使便携式计算设备:分析数据以识别与数据内的步态、平衡或姿势有关的模式;并对与步态、平衡或姿势相关的模式应用基于统计学或机器学习的分类以向模式分配临床参数。
根据另一方面,描述了一种方法。该方法的至少一部分动作可以由包括处理器(例如,处理核心、处理单元等)的***来执行。该方法包括根据短程通信协议从传感器接收包括传感器数据的信号。这些传感器包括嵌入可穿戴设备内的三轴加速度计、三轴陀螺仪和压力传感器阵列。可以分析传感器数据以识别与量化数据内的步态、平衡或姿势有关的模式。基于统计或机器学***衡或姿势有关的模式,以向模式分配临床参数。可以基于满足STF条件的临床参数来确定滑倒、绊倒和跌倒(STF)事件的风险。
附图说明
图1示出了无线便携式步态***的实施例。
图2示出了图1中的无线便携式步态***的实施例。
图3图示了图1中的可穿戴设备的示例配置。
图4图示了图1中的移动计算设备的示例配置。
图5示出了用于分析从一个或多个可穿戴设备收集的数据中提取的步态、平衡或姿势信息的方法的实施例。
图6图示了用于防止滑倒、绊倒和摔倒(STF)事件的方法的实施例。
图7示出了用于实现图1的无线便携式步态***的可穿戴步态实验室实施例的硬件和软件的实施例。
发明详述
本公开总体上涉及包括与移动计算设备无线通信的可穿戴设备的无线便携式步态***。无线通信将无线便携式步态***与传统临床步态实验室区分开来。临床步态实验室使用有线数据传输的设备在实验室环境中对受试者进行测试。临床步态实验室仅限于实验室环境,因此不适合穿戴或不用户友好。此外,由于实验室不是受试者的自然环境并且测试不是自然行为,因此实验室环境会导致环境偏差。无线便携式步态***可以实时进行与步态、平衡或姿势有关的用户友好的准确和无处不在的测试。无线便携式步态***允许在受试者的自然环境中进行测试,以便结果反映受试者的自然行为,消除环境偏差问题。
可穿戴设备可以提供用于检测与受试者的自然环境中的受试者的步态、平衡或姿势有关的数据的便携式的用户友好的解决方案。作为实施例,可穿戴设备可以是嵌入有传感器的一个或多个鞋内底,传感器可以被配置为捕获指示运动的数据。作为另一个实施例,可穿戴设备可以是一个或多个鞋子。可穿戴设备可以将与受试者的门有关的数据无线地发送到移动计算设备以用于分析。便携式计算设备可以分析数据以确定识别任何不稳定模式并且应用基于统计学或机器学习的分类来将一个或多个临床参数分配给不稳定模式。术语“临床参数”在本文中用于指代一个或多个临床参数。
临床参数可以用于提供与受试者的步态、平衡或姿势相关的个性化健康保健。作为实施例,临床参数可用于检测,量化或表征滑倒、绊倒和跌倒(STF)事件的风险。STF事件在神经***疾病患者中很常见,如帕金森病。然而,STF事件在工作场所普遍健康的人群中也很常见(例如,在建筑行业或零售行业尤其常见)。无线便携式步态***可用于提供与发生STF事件前发生的STF事件有关的实时和持续的感官监测、风险识别和即时干预方法,从而显著提高受试者的安全和健康。
图1示出了包括被配置用于与移动计算设备14进行无线通信的可穿戴设备12的无线便携式步态***10。可穿戴设备12包括用于收集与步态、平衡或姿势有关的数据的传感器。可穿戴设备12根据无线通信协议将数据发送到移动计算设备14。移动计算设备14分析从可穿戴设备12收集的数据中提取的步态、平衡或姿势信息。在一些实施例中,无线通信可以是单侧的,从可穿戴设备12到移动计算设备14。在其他实施例中,无线通信可以是可穿戴设备12与移动计算设备14之间的双向通信。无线通信协议可以是短程通信协议,诸如蓝牙、蓝牙低功耗(BLE)、WiFi、ZigBee等。
图2示出了***10的示例实现方式。在图2中,可穿戴设备12被实现为鞋的***件22。图2中所示的***件22的实施例可以是鞋垫。然而,可穿戴设备12可以是除***件22之外的其他设备。在一个实施例中,可穿戴设备12可以是整个鞋子。在另一个实施例中,可穿戴设备12可以是鞋的一部分,例如底部。
***件22包括嵌入其中的多个传感器,所述传感器提供可靠和准确的步态、平衡或姿势数据检测并且与传统的临床步态实验室相比增强用户体验。移动计算设备14被实现为智能手机24。然而,移动计算设备14可以被实现为平板计算机、膝上型计算机等。***件22和智能手机24可以根据蓝牙26通信协议双向通信。在一些实施例中,受试者可以佩戴一个或多个***件22(例如,每个鞋中的***件22)以便于测试步态、平衡或姿势。术语“受试者”、“患者”和“用户”在本文中可互换使用以指代双足动物,如人类。
图3示出了图1的可穿戴设备12的实施例。可穿戴设备12可以包括检测单元32、电力管理单元34和数据交换单元36。检测单元32可以包括多个单独的传感器(例如,传感器1-N,其中N是整数值2或更大)。作为实施例,各个传感器可以是在一个或多个柔性电路板上实现的模拟传感器,基于特定类型的传感器来检测数据。检测单元32还可以包括位于可穿戴设备12外部的传感器。例如,可穿戴设备外部的传感器可以包括感测小腿肌肉或腿部其他肌肉中的活动的EMG传感器。
在图2所示的实施例中,传感器可以包括压力传感器阵列(例如,可以提供压力图25的48个压力传感器的阵列)、三轴惯性传感器(例如,三轴加速度计和陀螺仪26)以及用于校准惯性传感器的三轴传感器(例如,三轴罗盘27)。压力传感器阵列可以基本均匀地覆盖***件22的表面。虽然图2所示***件22包含48个压力传感器,压力传感器阵列可以布置有大于2的任意数量的压力传感器。在一些实施例中,压力传感器阵列可以具有十二个或更多个压力传感器。在其他实施例中,压力传感器阵列可以具有64个更多的压力传感器。作为实施例,压力传感器阵列可以基于可集成到图1的可穿戴设备12中的高级织物传感器技术。
三轴加速度计和三轴陀螺仪是可以测量运动的惯性传感器。当惯性传感器被校准时,三轴磁力计可以用作基线。三轴加速度计、三轴陀螺仪和三轴磁力计可以分别记录与俯仰、滚转和偏航有关的数据。俯仰对应于围绕x轴的旋转。滚转对应于围绕y轴的旋转。偏航对应于围绕z轴的旋转。因此,运动可以以九个自由度来感测。
再次参考图3,电力管理单元34可以控制数据的采集。可以控制采集以节省可穿戴设备12的电力。例如,电力可以由电池提供,电池可以被再充电或替换。电力管理单元34可以节省可穿戴设备12的电力的一种方式是通过设置数据的采样率来节省电池的电力。例如,采样率可以是每秒100个采样或更少。作为另一个实施例,采样率可以是每秒50个采样或更少。作为另一个实施例,采样率可以基于移动计算设备14的信号重建要求而自适应地改变。受试者的步态每个周期具有四个阶段:摆动,接触,支撑相中间阶段和推进。每个阶段的压力分布是不同的,并且可以使用选定的惯性测量单元和压力传感器来确定步态阶段。如果在摆动阶段脚下没有压力,则不需要对压力图像进行采样。因此,可以在每个步态周期的四个阶段中自适应地改变采样率。
电力管理单元34可以基于采样率量化传感器数据。电力管理单元34可以包括模数转换器,该模数转换器可以量化用于传输的传感器数据。作为实施例,模数转换器可以是8通道,12位,0-3.3伏模数转换模块。然而,其他模数转换器配置可以用在电力管理单元34中。
数据交换单元36被配置为根据无线通信协议与移动计算装置14进行通信。例如,无线通信协议可以是短程、低功率通信协议。该通信可以是单向的(可穿戴设备12和移动计算设备14之间)或双向(可穿戴设备12和移动计算设备之间两途径)。数据交换单元36可以将包括量化数据的信号流式传输到移动计算设备14并且接收对来自移动计算设备14的数据的响应。对数据的响应可以是例如警报触发。
在一些实施例中,可穿戴设备12可以包括雾计算单元38。雾计算单元38可以是机载机器学习单元。机载机器学习雾计算单元38的使用可以进一步减少发送到移动计算设备14的无线数据的量。基于机器学习的算法通过从传感器数据流提取感兴趣特征来实现长寿命节点。然后可以以比原始数据低得多的功耗传输所产生的经分类的低数据速率输出。此外,雾计算单元38还可以通过监视环境条件并且仅当数据中出现异常/感兴趣的模式时才唤醒耗电的无线收发器来节省电力。
图4示出了图1的移动计算设备14的示例配置。移动计算设备14可以包括非暂态存储器41、处理资源42(例如,一个或多个处理器核心)、用户界面43和输入/输出(I/O)单元44。虽然未示出移动计算设备14可以具有***总线以促进非暂态存储器41、处理资源42、用户界面43和I/O单元44中的至少两个之间的通信。用户界面43可以显示视频或音频信息给用户。用户界面43也可以接收来自用户的输入。作为实施例,用户界面43可以是既可以显示视觉信息又可以接收用户输入的触摸屏。I/O单元44可以接收包括量化数据的信号,该信号由可穿戴设备12根据通信协议进行流式传输。因此,I/O单元44包括用于根据无线协议与可穿戴设备12进行通信的接口。在一些实施例中,I/O单元44还可以包括根据另一无线协议(例如,蜂窝通信协议)进行通信的另一接口。在其他实施例中,I/O单元44可以访问云数据中心、远程服务器或多个远程服务器以交换数据。
非暂态存储器41可以存储机器可读指令,处理资源42可以执行该机器可读指令以使移动计算设备14执行分析器45和分类器46的操作。在一些实施例中,移动计算设备14还可以执行警报生成器47的操作。例如,非暂态存储器可以是计算机可用或计算机可读介质,其可以包含或存储机器可读指令(其例如是程序)以供处理资源42使用或结合***、装置或设备(如移动计算设备14)的指令或执行来使用。计算机可用或计算机可读介质可以是例如但不限于到随机存取存储器(RAM)、闪存、固态驱动器(SSD)、硬盘驱动器(HDD)或其组合。
分析器45可以对数据执行分析任务。分析任务可以包括预处理任务,例如校准数据,同步数据(例如,确保数据对应于同一时间),融合数据或从数据中去除噪声。作为实施例,可以使用三维磁力计数据对来自三维加速度计和三维陀螺仪的惯性数据进行滤波和校准。另外,可以从压力阵列的压力数据中去除噪音。分析器45可以对预处理的数据执行额外的分析任务,包括识别数据内的一个或多个不稳定模式。不稳定的模式可以与一种或多种步态、平衡或姿势相关联。例如,与可能由不稳定模式表示的步态有关的特征包括步行速度、步幅高度、步幅长度、着陆位置、脚下压力、路径距离、路径变化、腿部移动速度、左右腿之间的速度差、脚的取向、节奏或摆动时间。作为另一个实施例,与可能由不稳定模式表示的平衡相关的特征包括基于来自统计学***均中间侧向和前后径迹偏移或中间侧向和前后径迹偏移的标准偏差。作为另一个实施例,与身体姿势有关的不稳定模式可能与基于由压力传感器阵列记录的数据构造的压力图有关。
分类器46可以将基于统计学或机器学***衡或姿势有关的不稳定模式,以将临床参数分配给模式。分类器46可适用于反映本文所述的灵活设计。在一些实施例中,分类器46可以通过I/O单元44与外部设备通信,以减少在基于统计或机器学习的分类期间消耗的移动计算设备14的电力。外部设备可以执行与基于统计或机器学习的分类相关的至少一些处理。然而,在大多数实施例中,分类器46可以访问与由分析器识别的不稳定模式有关的历史数据。作为一个实施例,历史数据可以是在临床步态实验室中从受试者记录的并且用作基线数据的先前数据。作为另一个实施例,历史数据可以是从具有类似病史的一组其他受试者记录的先前数据。更具体地说,应用于患有多发性硬化症的受试者的历史数据可以基于也患有多发性硬化症的一组其他受试者的先前数据。类似地,应用于健康受试者的历史数据可以基于来自一组健康受试者的先前数据。当用作诊断设备时,可以将不稳定模式与多个历史数据进行比较,每个历史数据来自具有不同的多个候选条件的不同的多个受试者。
在一个实施例中,由分类器46应用的基于统计学或机器学习的分类可采用一个或多个模式识别分类器,其中的每一个利用所提取的特征或提取的特征的子集来确定适当的临床参数。在使用多个分类器的情况下,可以使用仲裁元素来提供来自多个分类器的相关结果。每个分类器在代表各种兴趣类别的多个训练模式上进行训练。给定分类器的训练过程将随其实现方式而变化,但是训练通常涉及将来自多个训练图像的训练数据统计汇总成与输出类别相关联的一个或多个参数。各种优化技术中的任何一种都可用于分类算法,包括支持向量机、自组织映射、模糊逻辑***、数据融合处理、集成方法、基于统计或机器学习的***或人工神经网络。结果分类可以代表该受试者的特定临床参数。从提供的特征向量中选择结果类别,并可以计算出所选结果的置信度。低于阈值置信度值的结果可以被拒绝。
例如,支持向量机(SVM)分类器可以处理训练数据以产生表示由感兴趣的各种属性定义的特征空间中的边界的函数。类似地,卷积神经网络(CNN)分类器可以处理训练数据以确定与其相关联的神经网络中的节点之间的互连相对应的一组互连权重。CNN通常是神经网络的结构化/多层版本。
SVM分类器可以利用称为超平面的多个函数概念地划分M维特征空间中的边界,其中M维中的每一个代表特征向量的一个关联特征。边界定义了与每个类相关联的一系列特征值。因此,给定输入特征向量,可以根据其在特征空间中相对于边界的位置来确定的输出类别和相关联的置信度值。基于统计学或机器学习的分类器将一组逻辑规则应用于提取的特征以选择输出类。通常,规则按顺序应用,每个步骤的逻辑结果影响后面的步骤中的分析。
CNN分类器包括具有多个互连的多个节点。来自特征向量的值被提供给多个输入节点。输入节点各自将这些输入值提供给一个或多个中间节点的层。给定的中间节点从前面的节点接收一个或多个输出值。接收到的值根据分类器训练期间建立的一系列权重进行加权。中间节点根据节点处的传递函数将其接收到的值转换为单个输出。例如,中间节点可以对接收到的值进行求和并将和值经过二进制阶梯函数。最后一层节点为CNN的输出类提供置信度值,每个节点都有一个相关的值,表示分类器的相关输出类中的一个的置信度。
在另一个实施例中,由分类器46应用的基于统计或机器学习的分类可以采用回归模型,该回归模型被配置为提供计算表示受试者表现出临床参数的可能性的参数。在又一个实施例中,由分类器46应用的基于统计学或机器学习的分类可以采用使用该模型的灵敏度分析,使得可以确定一个或多个特征对至少一个参数的影响的大小并且将其与临床参数相关联。
由分类器46分配的临床参数可以涉及某种医学病症。在一些实施例中,临床参数可用于诊断,分层或监测影响肌肉骨骼***的医学病症,如多发性硬化症、帕金森病、中风后偏瘫、创伤性脑损伤、脊髓损伤、老年性痴呆、前庭眩晕、颈性眩晕、血管性眩晕、骨关节炎疾病或损伤、周围神经损伤、肌肉痉挛/肌肉萎缩/肌肉无力、肌肉疼痛、术后骨折或扭伤等。作为另一个实施例,临床参数可用于确定,跟踪或确保受试者对某些锻炼或康复计划的遵从性。在其他实施例中,临床参数可以用于事件(如晕厥、跌倒、失去平衡等)发生之前的即时干预。即时干预可用于防止工作场所或康复/锻炼环境中的滑倒、绊倒和跌倒(STF)事件。
警报生成器47可以在一些实施例中用于基于临床参数提供警报。将理解的是,警报生成器47不是对于移动计算设备14的每个实现方式都是的。在一些实现方式中,临床参数可以被发送到外部设备作为受试者状况的记录。然而,当采用警报生成器47时,警报可以是例如触觉信号(例如,移动设备的振动)、音频信号或视觉信号。在一些实施例中,警报生成器47可以通过I/O单元44向可穿戴设备12发送信号以生成警报。可穿戴设备12可以生成触觉警报(例如,可穿戴设备12的振动等)以警告受试者临床参数。作为另一个实施例,警报生成器47可以提供一系列紧急性增加的警报。初始警报可以包括触觉信号。在预定时间段之后,如果受试者不响应触觉信号(例如,不采取校正步骤来基于临床参数消除检测到的风险),则警报生成器47可以生成视觉信号或音频信号。如果受试者仍然没有响应(例如,触发移动计算设备14向监督员或紧急响应专业人员警告警报状况),警报生成器47可以进一步升级生成的警报。
警报生成器47可以在临床参数满足警报条件时生成警报。警报条件可以基于例如临床参数与阈值的比较,并且当临床参数大于或等于阈值时生成警报。阈值可针对个体受试者设定,针对具有相同疾病状况的一小组受试者进行标准化或针对具有不同疾病状况的大量受试者(例如,针对行业或工作场所环境)进行标准化。作为实施例,警报生成器47可以基于STF阈值来确定临床参数对应于STF事件的风险。基于检测到STF事件的风险,警报生成器47可以生成即时警报以防止STF事件的发生。即时报警可以紧接在发生STF事件之前发生,以防止发生STF事件。
鉴于上面描述的前述结构和功能特征,参考图5-6将更好地理解可由***10执行的示例方法。尽管为了简化说明的目的,图5-6的示例方法被示出和描述为连续执行,但是本示例不受所示顺序的限制,因为在其他实施例中一些动作可以以与本文中示出和描述的顺序不同的顺序发生或者同时发生。此外,并非必须执行所有描述的动作来实施方法。该方法可以存储在一个或多个非暂态计算机可读介质中并由一个或多个处理资源执行,诸如在此描述的。
图5示出了用于分析从一个或多个可穿戴设备(例如,可穿戴设备12)收集的数据中提取的步态、平衡或姿势信息的方法50的实施例。例如,方法50可以由可包括非暂态存储器的***(例如,图1所示的移动计算设备14)的至少一部分来执行,所述非暂态存储器可包括存储机器可执行指令以及用于访问非暂态存储器并执行指令以使得计算设备执行方法50的动作的处理资源。
在52处,可以接收来自嵌入在可穿戴设备(例如,可穿戴设备12)内的传感器的量化数据(例如,通过移动计算设备14)。然而,在一些实施例中,由移动计算设备14接收的传感器数据未被量化,并且量化在移动计算设备14内完成。可穿戴设备的一个实施例可以包括用于鞋子22的内底,如图2所示。其他实施例可以包括整个鞋子或鞋子的一部分,例如底部。在54处,量化的数据可以被分析(例如,由移动计算设备14)以识别与步态、平衡或姿势有关的模式。例如,该模式可以是不稳定的图案或已知与步态、平衡或姿势相关的模式。在56处,基于统计学或机器学习的分类可以被应用(例如,由移动计算设备14或通过外部计算设备)至该模式以评估临床参数。例如,基于统计学或机器学习的分类可以将模式与历史模式进行比较(例如,受试者的基线,具有相同医学状况的一组受试者的基线或对于具有不同医学状况的群体的基线)。
图6示出了用于防止滑倒、绊倒和跌倒(STF)事件的方法60的实施例。在一些实施例中,方法60可以是方法50的扩展。在62处,可以基于满足STF状况的临床参数来确定STF事件的风险。例如,STF状况可以是对于受试者、对于患有相同医疗状况的一组受试者或患有不同医疗状况的受试者群体建立的阈值。在64处,响应于确定STF事件的风险,可以提供警报(例如,由可穿戴设备12或由移动计算设备14)。警报可以是触觉信号、音频信号或视觉信号。
实施例
该实施例示出了应用于研究人类平衡的无线便携式步态***10(称为“可穿戴步态实验室”)。该研究得到了凯斯西储大学机构审查委员会(IRB)的批准,协议编号为IRB-2016-1419和IRB-2016-1504。
可穿戴步态实验室的实现方式
在该部分中讨论用于实现可穿戴步态实验室的硬件和软件,并在图7中示出。
可穿戴脚下力感测单元
可穿戴脚下力感测单元70体现在鞋内底中。鞋内底放置在受试者的脚下,用于记录脚底压力数据和脚部移动数据。单元中的每个内底包含织物压力阵列72、9轴惯性运动传感器74、具有蓝牙低能量(BLE)模块77的微控制单元(MCU)76、电池模块78以及板载雾计算模块79。织物压力阵列72包含用于获得高分辨率脚底压力图的四十八个压力传感器。9轴惯性运动传感器74分别记录三维中的加速度计、陀螺仪和磁力计数据,其中三个参数的X,Y和Z轴被采样。当加速度计和陀螺仪测量运动时,磁力计为数据校准提供了辅助手段。具有蓝牙低功耗模块77的MCU 76提供无线信道以将内底连接到智能电子设备。电池模块78包含电池和微型USB电池连接器,允许用户在内底断电时对电池充电。
关节角度和EMG感测单元
关节角度和EMG感测单元80包含佩戴在腿上以记录IMU和EMG数据的一对Myo肢体带(由加拿大安大略省基奇纳的Thalmic实验室制造)(8个EMG数据在每个时间戳记录并与X,Y,Z加速度计和陀螺仪数据相关)。在平衡测试中腿部IMU和EMG数据与来自可佩戴式脚下力感测单元70的数据同时记录以用于未来的数据分析。研究表明,远端(腿和大腿)肌肉活动是平衡调整行为的重要指标。腿部EMG数据填补了当前感觉平衡测试的空白,使得测试结果更加可靠,并增加了肌肉活动指标。
由于官方Myo SDK for Windows不能提供在关节角和EMG感测单元中同时记录来自两个Myo肢体带的IMU和EMG数据想选项,因此开发了一种解决方案来实现数据记录目的,以便针对每个Myo生成CSV数据文件以按照时间戳、陀螺仪数据、加速度计数据取向数据和EMG数据的顺序记录感觉数据。由于EMG数据的生成频率高于IMU数据的生成频率,因此空IMU数据行会填充前一个时间戳中的现有IMU数据,以使生成的数据成为完整的矩阵,便于数据分析。Myo Dual Data Collector程序仅用于数据收集过程,作为应用程序的补充,并且由于可移植性是Myo数据记录的第二选择。
可穿戴步态实验室应用
可穿戴步态实验室应用程序92在移动计算设备90(例如,Android智能手机)上实现,用于通过借助BLE 94将数据桥接到xPC主机-目标***而从下肢的左侧、右侧或两侧来显示和记录传感器数据。应用程序92使用单个窗格结构,其中通过简单的滚动动作找到所有功能。记录的数据类型是脚加速度计、脚陀螺仪、脚磁力计、脚压力、腿加速度计、腿陀螺仪、腿取向和腿肌电图。应用程序界面的顶部定位控制面板,其中包含设备信息,包括时间戳、RSSI、连接性和电池。在控制面板中,用户初始化数据收集过程并将记录的数据上载到云服务器(来自Case Engineering of Engineering Information TechnologyDepartment(工程信息技术部案例工程))。在控制面板下,该界面包含折线图,可实时绘制IMU(加速度计、陀螺仪和磁力计)和肌电图数据,以及脚底压力图以可视化每只脚下的压力图。
JavaFX PC用户界面
JavaFX程序是PC 100上的用户界面102,以便于显示和分析从可穿戴步态实验室***收集的数据。软件104是为研究人员或临床医生设计的,用于读取穿戴式步态实验室应用程序生成的CSV数据,并显示与Android应用程序相同的传感器信息。相应地,该软件被优化以共享相似的界面风格,并且以类似的结构部分包括图表和图形以用于在PC软件和Android应用程序之间切换时的操作亲和性。在可穿戴步态实验室***中,两个可穿戴步态实验室单元都被校准,并且具有应用程序92的移动通信设备90能够接收相应的实时移动和压力传感器数据并将数据处理成CSV文件。PC软件104的用户界面102是用JavaFX构建的,而控制功能包含在用Java编写的控制器功能中,并且界面是用FXML编写的并且用CSS优化。
JavaFX PC用户界面102读入从来自云服务器或本地磁盘的Android用户应用程序导出的CSV数据。CSV数据包含脚侧、时间戳、包括加速度计、陀螺仪和磁力计各三个的9个IMU传感器数据以及可穿戴步态实验室的四十八个压力传感器数据的信息。与应用程序90类似,可以选择PC用户界面102以显示来自左内底、右内底、左内底和右内底的脚下力感测数据信息或不是来自左内底或右内底的脚下力感测数据信息。PC用户界面102以四个折线图和一个2D脚底压力图显示数据。界面102将读入文件并以连续视频形式按照时间顺序显示数据,这意味着当用户相应地在下面的行中输入文件和数据直到最后一行时,界面102将数据显示在数据的第一行。临床医生还能够调整播放速度,暂停数据显示过程并手动选择显示时间并保存截图以备将来记录。
动态时间规整算法
在一些实例中,可穿戴步态实验室***可能以略微不同的频率收集数据。为了找到更准确的时间序列,动态时间规整算法(Dynamic Time Warping Algorithm,DTW)被用于映射左侧和右侧的可穿戴步态实验室的数据。作为执行最佳对准并辨别不同长度的两个时间相关序列之间的连接的精巧技术,动态时间规整技术能够支持构建左右内底传感器数据之间的可追踪模式,即使时间戳不匹配。在计算过程中,通过将一个序列中的元素分配给另一个序列中的元素,将规整路径定义为两个序列之间的对齐。规整路径由以下Wk的等式构成,
Wk=(i,j);以及
Wk+1=(i’,j’);i≤i’≤i+1,j≤j’≤j+1,
其中i和j是在左侧和右侧可穿戴步态实验室数据中找到的索引。由两个下肢中心的传感器采集的数据用于绘图。规整路径的距离可以通过下式计算:
其中Dist(W)是规整路径W的距离,Dist(wki;wkj)是规整路径的两个数据索引之间的第k个元素的距离。
实施例结果
为了评估可穿戴步态实验室***的可靠性,将包括NeuroCom SMART BalanceMaster(SBM)和Balance Master(BM)的现有平衡***用作参考。采用Balance MasterSystems进行三项标准平衡测试:1)稳定性极限(LOS);2)单边站姿(US);以及3)坐姿(STS)。下面的表1列出了在每个实验中计算的所有参数,包括重心(COG)、摇摆速度(SV)、反应时间、左/右摇摆速度差(L/R SV差)、重量转移时间(Wt时间)和左/右重量转移对称性(L/R Wt对称性)。处于正常状况的一名24岁的健康女性参加了这三项实验作为测试受试者。由于这三个实验不涉及关节运动,因此未评估通过关节角和EMG感测单元收集的数据。
表1:实验和计算的参数
实验1LOS | COG | SV | 反应时间 |
实验2US | SV | L/R SV差 | |
实验3STS | Wt时间 | SV | L/R Wt对称性 |
稳定性极限(LOS)
稳定性极限(LOS)测试是一种动态平衡测试,其目的在于分析在一个人能够移位重心(COG)的最大距离处保持平衡的能力。参与者需要站在SMART Balance Master(SBM)上并佩戴便携式步态实验室***。根据屏幕上显示的说明,在听到声音后,受试者被命令将他/她的重心移到八个主要方向和对角线方向中的一个方向,而不抬高他/她的脚跟和脚趾。LOS实验的两个条件包括(1)将COG从静止阶段移动到前端,以及(2)将COG从静止阶段移动回来。
在由便携式步态实验室***中的传感器收集的压力数据与由SBM给出的COG之间存在线性关系。大部分情况很好地符合线性关系,与适合关系的数据相比,异常值相对较少。x轴的判定系数R2为0.9686,y轴的R2为0.9508。x轴和y轴的p值均为0.0000<0.05。因此,统计线性相关性成立。
每个压力传感器数据乘以其重量以计算COG。还根据COG计算每个方向的摇摆速度,以说明在测试环境中可以改变其COG的速度有多快。摇摆速度的更大值意味着更快的速度(更短的时间),人们可以作出反应以保持平衡。摇摆速度可以通过下式计算:
其中
其中θ是人体与垂直于地面的垂直方向之间的角度。结果显示在表2中。
表2.LOS实验中的摇摆速度。
单边站姿(US)
单边站态(US)测试是在平衡评估中使用的最常见的静态平衡测试之一。当他/她睁眼或关眼左脚站立或右脚站立时,US测试测量测试受试者的姿势摇摆速度。测试受试者佩戴便携式步态实验室***并站在NeuroCom SMART Balance Master(SBM)上。测试受试者被要求抬起一只脚,并试图在睁眼(EO)和闭眼(EC)的情况下保持平衡各10秒。该过程在每组条件下重复三次。在此测试中,出于安全考虑,需要安全带套件。
COG和摇摆速度均使用在章节5.1中提及的相同公式来计算。当测试受试者没有保持10秒的平衡时,则摇摆速度设定为12度/秒。表3显示了每种状态下的摇摆速度结果。
表3.单边站姿测试中的摇摆速度
状态 | 试验1 | 试验2 | 试验3 | 均值 |
左眼睁开 | 0.75 | 0.37 | 0.34 | 0.49 |
左眼闭合 | 0.89 | 1.40 | 1.25 | 1.18 |
右眼睁开 | 1.00 | 0.92 | 0.92 | 0.95 |
右眼闭合 | 12 | 1.5 | 12 | 8.5 |
如表3所示,在状态右眼闭合下受试者在试验1和试验4中未能保持平衡,而在其他状态下,摇摆速度测量值与正常值相比非常大。当测试受试者睁开眼睛时,左脚的平均摇摆速度为0.49度/秒,右脚的平均摇摆速度为0.95度/秒。睁眼的情况下左脚和右脚站立的差异约为36%。当测试受试者闭上眼睛时,左脚的平均摇摆速度为1.18度/秒,右脚的平均摇摆速度为8.5度/秒。
坐姿(STS)
坐姿(STS)测试是一种动态平衡测试,其设计用于量化从坐着的姿势站立时测试受试者的平衡。在测试期间测量的关键参数包括重量转移时间、上升阶段期间的摇摆速度和上升力的左/右对称性。在测试过程中,测试受试者穿戴便携式步态实验室***,坐在Balance Master(BM)上的木制凳子上。在听到警告声后,要求与会者尽快站起来。该过程重复三次。在此测试期间,不需要安全带套件。
结果示于表4中。平均重量转移为0.9秒,而平均摇摆速度为2度/秒。平均来说,测试受试者将多30%的重量放在他/她右脚上。
表4.坐姿测试的统计数据
试验 | 重量转移时间(秒) | 摇摆速度(度/秒) | %L/R Wt对称性 |
1 | 1.0 | 2.06 | 45 |
2 | 0.8 | 1.93 | 21 |
3 | 0.9 | 2.02 | 23 |
均值 | 0.9 | 2.00 | 30 |
上面描述的内容包括示例实现方式。当然,不可能为了描述本发明而描述组件或方法的每个可能的组合,但是本领域的普通技术人员将认识到,许多进一步的组合和置换是可能的。因此,本发明旨在涵盖落入所附权利要求的精神和范围内的所有这些替换、修改和变化。
在说明书或权利要求书叙述“一”,“一个”,“第一”或“另一”元件或其等效物时,应将其解释为包括一个或多于一个这样的元件,既不要求也不排除两个或更多个这样的元件。如本文所使用的,术语“包括”意味着包括但不限于,术语“包括有”意味着包括有但不限于。术语“基于”意味着至少部分基于。
Claims (20)
1.包括计算机可执行指令的非暂态计算机可读介质,所述计算机可执行指令在由处理器执行时便于执行操作,所述操作包括:
从嵌入在可穿戴设备内的传感器接收传感器数据,其中所述传感器包括三轴加速度计、三轴陀螺仪和压力传感器阵列;
分析所述传感器数据以识别与传感器数据内的步态、平衡或姿势有关的模式;以及
对与步态、平衡或姿势相关的模式应用基于统计学或机器学习的分类,以向表征滑倒、绊倒和跌倒(STF)事件的风险的模式分配临床参数。
2.根据权利要求1所述的非暂态计算机可读介质,其中所述操作还包括响应于确定所述STF事件的所述风险超过所述STF事件的阈值而提供警报。
3.根据权利要求1所述的非暂态计算机可读介质,其中所述可穿戴设备包括用于鞋的内底,
其中所述传感器被嵌入鞋内的内底内。
4.根据权利要求1所述的非暂态计算机可读介质,其中所述数据是根据短程通信协议接收的。
5.根据权利要求4所述的非暂态计算机可读介质,其中所述短程通信协议包括蓝牙通信协议、蓝牙低功耗通信协议和WiFi通信协议之一。
6.根据权利要求1所述的非暂态计算机可读介质,其中所述基于统计或机器学***衡或姿势有关的模式匹配于与所述临床参数有关的已知模式。
7.根据权利要求1所述的非暂态计算机可读介质,其中所述操作还包括:
分析所述传感器数据以识别与量化数据内的步态、平衡或姿势有关的另一模式;以及
将所述基于统计学或机器学***衡或姿势有关的其他模式,以向表示诊断的模式分配临床参数。
8.***,包括:
可穿戴设备,其包括:
用于检测数据的多个传感器;
电力管理单元,用于为所述多个传感器设定采样率;以及
数据交换单元,用于根据短程通信协议将包括所述数据的信号流式传输到移动计算设备,并且从所述移动计算设备接收数据;以及
所述移动计算设备,包括:
输入/输出单元,用于接收根据所述短程通信协议进行流式传输的信号;
存储机器可读指令的非暂态存储器;以及
用于执行所述机器可读指令的处理资源,所述机器可读指令使所述移动计算设备:
分析所述数据以识别与所述数据内的步态、平衡或姿势有关的模式;以及
将基于统计学或机器学***衡或姿势有关的模式以向所述模式分配临床参数。
9.根据权利要求8所述的***,其中所述传感器包括三轴加速度计、三轴陀螺仪、三轴磁力计和压力传感器阵列。
10.根据权利要求9所述的***,其中所述机器可读指令还使得所述移动计算设备基于来自所述三轴磁力计的数据来校准所述三轴加速度计和所述三轴陀螺仪。
11.根据权利要求9所述的***,其中所述压力传感器阵列在柔性电路板上实现。
12.根据权利要求8所述的***,其中所述可穿戴设备包括鞋内底,并且其中所述多个传感器嵌入所述鞋内底内。
13.根据权利要求8所述的***,其中所述可穿戴设备还包括模数转换器,用于将所述数据转换为发送到所述移动计算设备的信号。
14.根据权利要求8所述的***,其中所述机器可读指令还使所述移动计算设备基于信号重构要求来改变所述传感器的采样率。
15.根据权利要求8所述的***,其中所述机器可读指令还使所述移动计算设备:
基于满足STF条件的临床参数确定滑倒、绊倒和跌倒(STF)事件的风险;以及
响应于确定所述STF事件的风险而提供即时警报以防止所述STF事件的发生。
16.根据权利要求15所述的***,其中所述通信单元根据所述短程通信协议向所述可穿戴设备的所述数据交换单元提供所述即时警报的指示,并且
其中所述可穿戴设备响应于所述警报的指示而提供可感知信号。
17.如权利要求15所述的***,其中所述即时警报包括触觉信号,
其中所述机器可读指令还使所述移动计算设备在经过一段时间后提供另一警报,而不检测指示所述移动计算设备的运动的所述移动计算设备的位置变化,
其中另一警报包括视觉信号或音频信号。
18.方法,包括:
由包括处理器的***根据短程通信协议接收包括来自传感器的传感器数据的信号,其中所述传感器包括嵌入在可佩戴设备内的三轴加速度计、三轴陀螺仪和压力传感器阵列;
由所述***分析所述传感器数据以识别与传感器数据内的步态、平衡或姿势有关的模式;
由所述***将基于统计或机器学***衡或姿势有关的模式,以向所述模式分配临床参数;以及
由所述***基于满足所述临床参数STF条件而确定滑倒、绊倒和跌倒(STF)事件的风险。
19.根据权利要求18所述的方法,还包括响应于在所述临床参数满足STF条件时确定所述STF事件的风险,由所述***提供警报。
20.根据权利要求18所述的方法,其中所述警报包括触觉信号,所述方法还包括:
在一段时间之后提供另一警报,其中所述另一警报包括视觉信号或音频信号。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562233832P | 2015-09-28 | 2015-09-28 | |
US62/233,832 | 2015-09-28 | ||
PCT/US2016/054177 WO2017058913A1 (en) | 2015-09-28 | 2016-09-28 | Wearable and connected gait analytics system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109069066A true CN109069066A (zh) | 2018-12-21 |
Family
ID=58427343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680065562.1A Pending CN109069066A (zh) | 2015-09-28 | 2016-09-28 | 可穿戴和连接的步态分析*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US10918312B2 (zh) |
EP (1) | EP3355783A4 (zh) |
CN (1) | CN109069066A (zh) |
WO (1) | WO2017058913A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109480857A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种用于帕金森病患者冻结步态检测的装置及方法 |
CN110070943A (zh) * | 2019-05-09 | 2019-07-30 | 深圳大学 | 生理机能评估***和方法 |
CN110390318A (zh) * | 2019-07-30 | 2019-10-29 | 广东电网有限责任公司 | 应用于电力现场的摔倒识别方法、摔倒识别鞋垫及*** |
CN111281391A (zh) * | 2020-03-02 | 2020-06-16 | 重庆嵘安医疗器材有限公司 | 一种静态和动态平衡的测量方法及*** |
CN111481217A (zh) * | 2020-04-23 | 2020-08-04 | 武汉艾瓦客机器人有限公司 | 一种基于雾计算的柔性认知衣服 |
CN111544006A (zh) * | 2020-05-15 | 2020-08-18 | 中国科学院自动化研究所 | 帕金森病人运动障碍量化及识别的可穿戴设备 |
CN111568432A (zh) * | 2020-04-06 | 2020-08-25 | 沈阳工业大学 | 基于模糊推理的全方位步行训练机器人的跌倒检测方法 |
CN111931733A (zh) * | 2020-09-25 | 2020-11-13 | 西南交通大学 | 基于深度相机的人体姿态检测方法 |
CN111990967A (zh) * | 2020-07-02 | 2020-11-27 | 北京理工大学 | 一种基于步态的帕金森病识别*** |
CN113143251A (zh) * | 2021-01-28 | 2021-07-23 | 胤迈医药科技(上海)有限公司 | 一款基于步幅监测的家用可穿戴设备 |
TWI749343B (zh) * | 2019-07-23 | 2021-12-11 | 緯創資通股份有限公司 | 穿戴式裝置以及操作方法 |
CN114474015A (zh) * | 2022-01-26 | 2022-05-13 | 无锡市精神卫生中心 | 一种基于外骨骼的平衡评价*** |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9101769B2 (en) | 2011-01-03 | 2015-08-11 | The Regents Of The University Of California | High density epidural stimulation for facilitation of locomotion, posture, voluntary movement, and recovery of autonomic, sexual, vasomotor, and cognitive function after neurological injury |
US11832931B2 (en) * | 2015-06-23 | 2023-12-05 | Motion Metrics Limited | Methods for calibrating a motion and ground reaction force analysis system |
US20180231393A1 (en) * | 2015-06-23 | 2018-08-16 | Ipcomm Llc | Method for Calibrating Local Coordinates and Force Reference of Motion and Ground Reaction Force Analysis System |
CN105244964B (zh) * | 2015-10-31 | 2017-12-29 | 华为技术有限公司 | 一种智能穿戴设备及其供电方法 |
US10371713B2 (en) * | 2016-06-07 | 2019-08-06 | MRP Properties LLC | Measurement of the flow velocity and the flow direction of gases and liquids |
US20180228405A1 (en) | 2017-02-13 | 2018-08-16 | Starkey Laboratories, Inc. | Fall prediction system including an accessory and method of using same |
US11559252B2 (en) | 2017-05-08 | 2023-01-24 | Starkey Laboratories, Inc. | Hearing assistance device incorporating virtual audio interface for therapy guidance |
EP3974021B1 (en) | 2017-06-30 | 2023-06-14 | ONWARD Medical N.V. | A system for neuromodulation |
WO2019027182A1 (ko) * | 2017-07-31 | 2019-02-07 | 충남대학교 산학협력단 | 에너지 소비량을 산출하는 스마트 슈즈 시스템 |
US10595749B1 (en) * | 2017-08-23 | 2020-03-24 | Naomi P Javitt | Insole to aid in gait stability |
FR3072251B1 (fr) * | 2017-10-16 | 2021-02-26 | Zhor Tech | Dispositif electronique pour produits chaussants. |
US11992684B2 (en) | 2017-12-05 | 2024-05-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | System for planning and/or providing neuromodulation |
CN108577849A (zh) * | 2017-12-15 | 2018-09-28 | 华东师范大学 | 一种基于雾计算模型的生理机能检测方法 |
US11720814B2 (en) | 2017-12-29 | 2023-08-08 | Samsung Electronics Co., Ltd. | Method and system for classifying time-series data |
CN109106375B (zh) * | 2018-05-22 | 2021-05-11 | 手挽手(福建)科技有限公司 | 一种促进足部健康的*** |
US11439325B2 (en) * | 2018-06-29 | 2022-09-13 | The Trustees Of The Stevens Institute Of Technology | Wireless and retrofittable in-shoe system for real-time estimation of kinematic and kinetic gait parameters |
US20200113271A1 (en) * | 2018-10-12 | 2020-04-16 | Eitan Kramer | Feedback-generating footwear having feedback-producing zones |
EP3653258A1 (en) | 2018-11-13 | 2020-05-20 | GTX medical B.V. | A control system for closed-loop neuromodulation |
DE18205821T1 (de) | 2018-11-13 | 2020-12-24 | Gtx Medical B.V. | Steuerungssystem zur bewegungsrekonstruktion und/oder wiederherstellung für einen patienten |
DE18205814T1 (de) | 2018-11-13 | 2020-12-24 | Gtx Medical B.V. | Bewegungsrekonstruktionssteuerungssystem |
EP3653260A1 (en) | 2018-11-13 | 2020-05-20 | GTX medical B.V. | Sensor in clothing of limbs or footwear |
US11039761B2 (en) * | 2018-12-14 | 2021-06-22 | At&T Intellectual Property I, L.P. | Fall prediction based on electroencephalography and gait analysis data |
EP3895141B1 (en) | 2018-12-15 | 2024-01-24 | Starkey Laboratories, Inc. | Hearing assistance system with enhanced fall detection features |
EP3903290A1 (en) | 2018-12-27 | 2021-11-03 | Starkey Laboratories, Inc. | Predictive fall event management system and method of using same |
US11484710B2 (en) * | 2019-01-07 | 2022-11-01 | Evolution Devices, Inc. | Device and system for real-time gait modulation and methods of operation thereof |
EP3695878B1 (en) | 2019-02-12 | 2023-04-19 | ONWARD Medical N.V. | A system for neuromodulation |
US11439871B2 (en) * | 2019-02-27 | 2022-09-13 | Conzian Ltd. | System and method for rehabilitation |
EP3731238A1 (en) * | 2019-04-23 | 2020-10-28 | Centre National De La Recherche Scientifique | Device for calculating, during one step or each successive step of the gait of a subject, the push-off of the subject |
EP3827871A1 (en) | 2019-11-27 | 2021-06-02 | ONWARD Medical B.V. | Neuromodulation system |
CN111134670A (zh) * | 2020-01-13 | 2020-05-12 | 南京医科大学 | 一种基于生成对抗网络多模态平衡障碍量化评估方法及*** |
CN111227796A (zh) * | 2020-01-13 | 2020-06-05 | 南京医科大学 | 一种基于支持向量机多模态融合下的平衡障碍量化评估方法及*** |
WO2021188119A1 (en) * | 2020-03-20 | 2021-09-23 | Hewlett-Packard Development Company, L.P. | Machine-learning to detect plantar data anomalies |
BE1028189B1 (nl) * | 2020-04-05 | 2021-11-04 | Ceriter Nederland | Werkwijze en apparaat voor het detecteren en verminderen van symptomen van een gangpatroonstoornis |
CN111568434B (zh) * | 2020-05-21 | 2022-12-13 | 上海体育学院 | 一种人体平衡测试关节检测装置*** |
TWI736286B (zh) | 2020-05-26 | 2021-08-11 | 國立清華大學 | 基於步態分析的不平衡預警方法及穿戴裝置 |
US20210393166A1 (en) * | 2020-06-23 | 2021-12-23 | Apple Inc. | Monitoring user health using gait analysis |
CN111950437B (zh) * | 2020-08-07 | 2024-05-10 | 平安科技(深圳)有限公司 | 基于深度学习模型的步态识别方法、装置和计算机设备 |
US20240115159A1 (en) * | 2020-12-07 | 2024-04-11 | APOS Medical Assets Ltd | System and method for classifying gait and posture abnormality |
AU2021106605A4 (en) * | 2021-07-12 | 2021-11-11 | Jasper Medtech Pty Ltd | System and method for determining fall risk |
AU2022335150A1 (en) * | 2021-08-23 | 2024-03-07 | Jasper Medtech Pty Ltd | System and method for quantitative gait assessment |
CN113907748B (zh) * | 2021-09-07 | 2023-05-16 | 安徽工程大学 | 一种辅助纠正走路姿势的装置及方法 |
KR20230038121A (ko) * | 2021-09-10 | 2023-03-17 | 애플 인크. | 모바일 디바이스를 사용한 추락 인지 상황 검출 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120083237A1 (en) * | 2010-10-04 | 2012-04-05 | Ram David Adva Fish | Fall detection system using a combination of accelerometer, audio input and magnetometer |
US20120092169A1 (en) * | 2009-07-02 | 2012-04-19 | The Regents Of The University Of California | Method of assessing human fall risk using mobile systems |
US20120253233A1 (en) * | 2011-03-31 | 2012-10-04 | Greene Barry | Algorithm for quantitative standing balance assessment |
US20140276130A1 (en) * | 2011-10-09 | 2014-09-18 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Virtual reality for movement disorder diagnosis and/or treatment |
US20150157274A1 (en) * | 2013-12-06 | 2015-06-11 | President And Fellows Of Harvard College | Method and apparatus for detecting disease regression through network-based gait analysis |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8990041B2 (en) * | 2009-04-27 | 2015-03-24 | Mayo Foundation For Medical Education And Research | Fall detection |
RU2629795C2 (ru) * | 2011-04-29 | 2017-09-04 | Конинклейке Филипс Н.В. | Устройство для использования в детекторе падения или системе обнаружения падений и способ управления таким устройством |
US9801568B2 (en) * | 2014-01-07 | 2017-10-31 | Purdue Research Foundation | Gait pattern analysis for predicting falls |
-
2016
- 2016-09-28 EP EP16852487.4A patent/EP3355783A4/en not_active Withdrawn
- 2016-09-28 CN CN201680065562.1A patent/CN109069066A/zh active Pending
- 2016-09-28 US US15/764,084 patent/US10918312B2/en active Active
- 2016-09-28 WO PCT/US2016/054177 patent/WO2017058913A1/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120092169A1 (en) * | 2009-07-02 | 2012-04-19 | The Regents Of The University Of California | Method of assessing human fall risk using mobile systems |
US20120083237A1 (en) * | 2010-10-04 | 2012-04-05 | Ram David Adva Fish | Fall detection system using a combination of accelerometer, audio input and magnetometer |
US20120253233A1 (en) * | 2011-03-31 | 2012-10-04 | Greene Barry | Algorithm for quantitative standing balance assessment |
US20140276130A1 (en) * | 2011-10-09 | 2014-09-18 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Virtual reality for movement disorder diagnosis and/or treatment |
US20150157274A1 (en) * | 2013-12-06 | 2015-06-11 | President And Fellows Of Harvard College | Method and apparatus for detecting disease regression through network-based gait analysis |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109480857A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种用于帕金森病患者冻结步态检测的装置及方法 |
CN110070943A (zh) * | 2019-05-09 | 2019-07-30 | 深圳大学 | 生理机能评估***和方法 |
US11568727B2 (en) | 2019-07-23 | 2023-01-31 | Wistron Corporation | Wearable device and method of operating the same |
TWI749343B (zh) * | 2019-07-23 | 2021-12-11 | 緯創資通股份有限公司 | 穿戴式裝置以及操作方法 |
CN110390318A (zh) * | 2019-07-30 | 2019-10-29 | 广东电网有限责任公司 | 应用于电力现场的摔倒识别方法、摔倒识别鞋垫及*** |
CN111281391A (zh) * | 2020-03-02 | 2020-06-16 | 重庆嵘安医疗器材有限公司 | 一种静态和动态平衡的测量方法及*** |
CN111568432A (zh) * | 2020-04-06 | 2020-08-25 | 沈阳工业大学 | 基于模糊推理的全方位步行训练机器人的跌倒检测方法 |
CN111481217A (zh) * | 2020-04-23 | 2020-08-04 | 武汉艾瓦客机器人有限公司 | 一种基于雾计算的柔性认知衣服 |
CN111544006B (zh) * | 2020-05-15 | 2021-10-26 | 中国科学院自动化研究所 | 帕金森病人运动障碍量化及识别的可穿戴设备 |
CN111544006A (zh) * | 2020-05-15 | 2020-08-18 | 中国科学院自动化研究所 | 帕金森病人运动障碍量化及识别的可穿戴设备 |
CN111990967A (zh) * | 2020-07-02 | 2020-11-27 | 北京理工大学 | 一种基于步态的帕金森病识别*** |
CN111931733A (zh) * | 2020-09-25 | 2020-11-13 | 西南交通大学 | 基于深度相机的人体姿态检测方法 |
CN113143251A (zh) * | 2021-01-28 | 2021-07-23 | 胤迈医药科技(上海)有限公司 | 一款基于步幅监测的家用可穿戴设备 |
CN114474015A (zh) * | 2022-01-26 | 2022-05-13 | 无锡市精神卫生中心 | 一种基于外骨骼的平衡评价*** |
Also Published As
Publication number | Publication date |
---|---|
US20180279915A1 (en) | 2018-10-04 |
EP3355783A1 (en) | 2018-08-08 |
US10918312B2 (en) | 2021-02-16 |
WO2017058913A1 (en) | 2017-04-06 |
EP3355783A4 (en) | 2019-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109069066A (zh) | 可穿戴和连接的步态分析*** | |
Mukhopadhyay | Wearable sensors for human activity monitoring: A review | |
Majumder et al. | A simple, low-cost and efficient gait analyzer for wearable healthcare applications | |
Ghasemzadeh et al. | A body sensor network with electromyogram and inertial sensors: Multimodal interpretation of muscular activities | |
Bertolotti et al. | A wearable and modular inertial unit for measuring limb movements and balance control abilities | |
US20180264320A1 (en) | System and method for automatic location detection for wearable sensors | |
US11278238B2 (en) | Wearable sensor device and analysis platform for objective outcome assessment in spinal diseases | |
Majumder et al. | A multi-sensor approach for fall risk prediction and prevention in elderly | |
CN106725504A (zh) | 一种多节点运动监测的可穿戴设备及其监测方法 | |
US20210369143A1 (en) | Method and system utilizing pattern recognition for detecting atypical movements during physical activity | |
Majumder et al. | Your walk is my command: gait detection on unconstrained smartphone using IoT system | |
Godfrey et al. | Digital health: Exploring use and integration of wearables | |
Alamäki et al. | Wearable technology supported home rehabilitation services in rural areas: emphasis on monitoring structures and activities of functional capacity. Handbook | |
Mani et al. | Evaluation of a Combined Conductive Fabric-Based Suspender System and Machine Learning Approach for Human Activity Recognition | |
Kantoch et al. | The prototype of wearable sensors system for supervision of patient rehabilitation using artificial intelligence methods | |
Spulber et al. | Development of a wireless multi-functional body sensing platform for smart garment integration | |
Li et al. | The early warning research on nursing care of stroke patients with intelligent wearable devices under COVID-19 | |
TWI796035B (zh) | 生物力學評量系統,其生物力學感測裝置及生物力學評量平台 | |
US20240041355A1 (en) | Musculoskeletal strain | |
Jiang et al. | The possibility of normal gait analysis based on a smart phone for healthcare | |
Mannini et al. | Healthcare and accelerometry: applications for activity monitoring, recognition, and functional assessment | |
Leone et al. | Wireless electromyography technology for fall risk evaluation | |
O'Flynn et al. | Metrics for monitoring patients progress in a rehabilitation context: a case study based on wearable inertial sensors | |
McDowell et al. | Passive sleep actigraphy: Evaluating a non-contact method of monitoring sleep | |
Li | Human activity detection based on mobile devices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190118 Address after: ohio Applicant after: Case Western Reserve University Applicant after: State Univ. of New York Address before: ohio Applicant before: Case Western Reserve University Applicant before: University of Buffalo |
|
TA01 | Transfer of patent application right | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181221 |
|
WD01 | Invention patent application deemed withdrawn after publication |