CN114469000B - 基于多传感器数据强化学习的人体减跌防震智能监测方法及*** - Google Patents

基于多传感器数据强化学习的人体减跌防震智能监测方法及*** Download PDF

Info

Publication number
CN114469000B
CN114469000B CN202210102329.3A CN202210102329A CN114469000B CN 114469000 B CN114469000 B CN 114469000B CN 202210102329 A CN202210102329 A CN 202210102329A CN 114469000 B CN114469000 B CN 114469000B
Authority
CN
China
Prior art keywords
acceleration
human body
state
axis
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210102329.3A
Other languages
English (en)
Other versions
CN114469000A (zh
Inventor
余海燕
黄学达
胡邓
谢昊飞
蔡宇翔
尹彦臻
邓兴媛
范国慷
周杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210102329.3A priority Critical patent/CN114469000B/zh
Publication of CN114469000A publication Critical patent/CN114469000A/zh
Application granted granted Critical
Publication of CN114469000B publication Critical patent/CN114469000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F5/00—Orthopaedic methods or devices for non-surgical treatment of bones or joints; Nursing devices; Anti-rape devices
    • 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
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
    • 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
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or 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
    • A61B5/74—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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • General Physics & Mathematics (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Nursing (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Vascular Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于传感器数据处理领域，具体涉及一种基于多传感器数据强化学习的人体减跌防震智能监测方法及***，包括：对被监测对象进行实时监测，采用多传感器采集被监测对象的感知数据；根据感知数据得到人体跌倒相关状态；将相关状态信息输入半观测马尔科夫决策过程模型，得到最优执行策略；根据该策略执行臂***执行相应动作，该动作包括从候选的部位的执行臂中选择一个最大保护作用的执行臂，激活执行臂并输出充气命令，达到减跌防震的作用；执行臂动作完成后再次收集传感器感知数据，并得到人体跌倒相关状态，之后进入下一阶段决策支持过程；本发明基于强化学习的智能气囊干预方式能够对于不同跌倒类型的患者有针对性地降低跌倒的损伤风险。

Description

基于多传感器数据强化学习的人体减跌防震智能监测方法及 ***
技术领域
本发明属于传感器数据处理领域，具体涉及一种基于多传感器数据强化学习的人体减跌防震智能监测方法及***。
背景技术
关于人口老龄化进程中的健康技术创新已成为相关理论界和业界的热点。人口老龄化始于20世纪西方世界，这在人类历史上是史无前例的。在中国，60岁以上老年人的数量在2010年与2050年之间一直呈上升趋势，人口老龄化的程度日益增加。在老年人非故意伤害病例中，跌倒作为一个老年致死的重要因素，这是由于老年人随着年龄的增加，反应能力和平衡能力都会减弱，肌肉力量也会降低。其中与跌倒相关的颅脑外伤，患者住院率也比社区居民高出四倍，而且健康状况通常更差。因此，跌倒是老年健康护理中经常面临的一项重要风险事件，急需采取高质高效的策略性措施来个体化预防和精细化管理。
目前对于老年人的跌倒监测问题，目前已有较多学者提出相关解决办法；如运用三轴加速度传感器采集人体的三维加速度值，针对异常数据出现之后进行空间定位，最终将跌倒异常的位置以无线通信的方式发送；利用三轴加速度传感器检测老年人活动信息，使用单片机采集存储数据，并利用小波手段来分析数据，当探测到老年人跌倒时终端自动定位并将精确的位置以短信形式自动远程报警。Almeida等人提出了一个安装陀螺仪的拐杖，利用陀螺仪来测量老年人活动的角速率来判断老年人是否摔倒。但拐杖掉落也可能由老年人无意间掉落等原因引起，因此由拐杖掉落判断老年人跌倒存在一定的虚警。BourkeAK等人提出了可佩戴于胸前的跌倒检测装置，该装置是由两个正交的陀螺仪组成，用于测量角速度和人体角度的变化来判断老年人是否跌倒。
但是从已有的研究技术中可以看出，监测老人跌倒的核心器件均采用的是三轴加速度传感器；而通过传感器进行老人信息采集过程中很容易受到环境因素以及老人自身因素的影响，使得采集到的信息出现误差，造成监测困难；因此急需一种在人体跌倒时实现有效预警、及时响应、减轻跌倒过程的冲撞、缓解跌倒带来的伤害的解决方案。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于多传感器数据强化学习的人体减跌防震智能监测方法，该方法包括：
S1：设置状态转移概率和观测概率；
S2：对被监测对象进行实时监测，通过多传感器感知被监测对象的状态数据；
S3：根据观测概率对多传感器感知数据进行处理，得到人体跌倒相关状态信息；
S4：将人体跌倒相关状态信息、观测概率、状态转移概率输入到半观测马尔科夫决策过程模型中，得到当前时刻监测对象最优的决策；
S5：将最优决策输入到臂***中，臂***根据最优决策执行对应的命令，该命令包括从候选部位的执行臂中选择一个最大保护作用(回报值)的执行臂，激活执行臂并输出充气命令；
S6：根据充气命令对智能气囊充气；
S7：执行臂动作完成后，采用多传感器再次感知监测对象的状态数据，并根据二次感知的数据得到人体跌倒相关状态；根据人体跌倒相关状态更新回报值，并返回步骤S2。
优选的，设置状态转移概率和观测概率的过程包括：状态转移概率的计算过程包括获取监测对象的历史监测数据，采用统计学方法对历史监测数据进行统计归一化处理，得到状态转移概率；观测概率计算过程包括将监测对像的观测类别划分为9类，包括：无信号，腰部、左上肢、右上肢、头部、左下肢、右下肢、脊柱传感器信号，以及死亡信号；所有的观测集对应的符号是Ω＝{oN,oW,oLA,oRA,oH,oLL,oRL,oS,oD}，其中oN表示无信号，oW表示腰部传感器信号，oLA表示左上肢传感器信号，oRA表示右上肢传感器信号，oH表示头部传感器信号，oLL表示左下肢传感器信号，oRL表示右下肢传感器信号，oS表示脊柱传感器信号，oD表示死亡信号；获取监测对象的历史监测数据，采用统计学方法对历史监测数据进行统计归一化处理，得到每个观测类别的观测概率。
优选的，多传感器包括三个霍尔加速度传感器和三个角度测量传感器，其中三个霍尔加速度传感器用于测量被监测对象的x轴、y轴以及z轴的加速度信息，三个角度测量传感器用于测量x轴、y轴以及z轴加速度的姿态角。
优选的，得到人体跌倒相关状态信息包括：
S31：根据传感器采集的信息计算被监测对象的姿态信息；该姿态信息包括正常行走、跌倒高危、跌倒以及死亡四个类别；
S32：根据被监测的对象姿态信息，采用状态转移概率确定当前时刻被监测对象状态转移的目标；
S33：根据被监测的对象姿态信息，采用观测概率，确定当前时刻被监测对象状态目标。
进一步的，计算被监测对象的姿态信息的过程包括：
步骤1：以被监测对象的正前方为x轴，正左方为y轴，竖直方向为z轴建立空间直角坐标系；设置加速度幅值阈值、x轴加速度姿态角阈值、y轴加速度姿态角阈值以及向下加速度阈值；
步骤2：将采集到的x轴、y轴以及z轴加速度进行平滑处理；
步骤3：根据经过平滑处理的数据计算被监测对象的加速度幅值；
步骤4：将计算出的加速度幅值与设置的加速度幅值阈值进行对比，若计算出的加速度幅值大于设置的阈值，则执行步骤5，否则重新采集被监测对象的姿态信息；
步骤5：将x轴加速度姿态角和y轴加速度姿态角阈值分别与x轴加速度姿态角阈值、y轴加速度姿态角阈值进行对比；若x轴加速度姿态角大于设置的x轴加速度姿态角阈值或者y轴加速度姿态角大于y轴加速度姿态角阈值，则执行步骤6，否则重新感知被监测对象的姿态信息；
步骤6：根据z轴加速度姿态角计算竖直方向的加速度，将竖方向的加速度与设置的向下加速度阈值进行对比，若竖方向的加速度小于向下加速度阈值，则被监测对象处于跌倒状态，则生成信号数据，否则重新采集被监测对象的姿态信息。
进一步的，设置的加速度幅值阈值为1.9，x轴加速度姿态角阈值和y轴加速度姿态角阈值均为65度，向下加速度阈值为0.6。
优选的，采用半观测马尔科夫决策过程模型得到最优决策的过程包括：
步骤1：初始化半观测马尔科夫决策过程模型参数，将初始化的参数和输入模型的数据用于七元组<S,A,P,Ω,O,R,γ>表示，其中S表示一组状态集，A表示一组动作集，P表示状态之间的转移矩阵，Ω表示一组观测集，O表示观测概率，R是回报函数，γ是折扣因子；
步骤2：设置确定时间间隔和时刻，每一个时刻制定一个决策；设置的时刻为t＝{0,…,T}，其中T表示时间线；
步骤3：设置被监测对象的初始信念状态，该信念状态表示决策者对监测对象当前行走状态的了解情况；
步骤4：根据输入的数据计算被监测对象的回报值，并根据回报值计算模型的期望；
步骤5：根据输入的数据对初始信念状态进行更新；
步骤6：根据更新后的信念状态以及回报值得到贝尔曼最优方程；
步骤7：计算贝尔曼最优方程的最优解，该最优解为当前时刻监测对象最优的决策。
进一步的，信念状态更新公式为：
其中，O(o|s')表示观测概率，π(s)表示初始信念状态。
进一步的，贝尔曼最优方程的表达式为：
其中，s表示监测对象状态集中的状态，π表示监测对象的信念状态，r(s,a)表示回报值，a表示臂***执行的动作，p(s'|s,a)表示转移概率，O(o|s')表示观测概率，V(s',π')表示贝尔曼方程。
一种基于多传感器数据强化学习的人体减跌防震智能监测***，该***包括人体加速度数据采集组件、微处理模块、报警模块以及电源模块；所述人体加速度数据采集组件、微处理模块、报警模块均设置在PCB板上；
所述人体加速度数据采集组件包括三个霍尔加速度传感器和三个角度测量传感器，所述三个霍尔加速度传感器用于测量被监测人员的x轴、y轴以及z轴的加速度信息，三个角度测量传感器用于测量x轴、y轴以及z轴加速度的姿态角，并通过或门与微处理模块相连；
所述微处理模块用于实时接收并处理人体加速度数据采集组件传递的数据，并向报警模块发送信号数据；
所述报警模块用于获取信号数据，并采用半观测马尔科夫决策过程模型对发送的信号进行处理，预测被监测对象的摔倒风险，并根据预测的摔倒风险输出充气命令，根据充气命令则对气囊充气，保护监测对象；
所述电源模块与PCB板连接，用于为所述人体减跌防震智能监测***供电。
为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述基于多传感器数据强化学习的人体减跌防震智能监测方法。
为实现上述目的，本发明还提供一种基于多传感器数据强化学习的人体减跌防震智能监测装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于多传感器数据强化学习的人体减跌防震智能监测装置执行任一上述基于多传感器数据强化学习的人体减跌防震智能监测方法。
本发明具有以下优点：对于跌倒状态的判断，本发明进行跌倒算法的设计，在三级判断均成立的情况下，才判定为跌倒，以做出防护措施；本发明将人体跌倒过程与半观测马尔科夫决策过程(POMDP)模型相结合，预测智能执行臂的动作，以此预判人体跌倒状态并执行智能气囊的干预；本发明基于强化学习的智能气囊干预方式能够对于不同跌倒类型的患者有针对性地降低跌倒的损伤风险。
附图说明
图1是人体减跌抗震强化学习的人体姿态传感器数据收集示意图
图2是本发明实施例公开的基于多传感器数据强化学习的人体防跌智能防护***的硬件接线图；
图3是本发明实施例公开的倾斜角度阈值判定算法程序流程图；
图4是本发明实施例公开的一种数据测试装置示意图；
图5人体减跌抗震中基于强化学习的执行臂智能控制流程图；
图6基于多传感器数据强化学习的人体防跌智能防护***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于多传感器数据强化学习的人体减跌防震智能监测方法，如图1所示，该方法包括：对被监测对象进行实时监测，采用传感器采集被监测对象的姿态信息；对采集的姿态信息进行处理，得到信号数据；设置预测阈值，将设置的预测阈值与信号数据进行比较，若信号数据小于等于设置的预测阈值，则重新采集被监测对象的姿态信息，否则将信号数据输入到半观测马尔科夫决策过程模型中，预测被监测对象的摔倒风险；根据预测的摔倒风险输出充气命令，根据充气命令则对气囊充气，保护监测对象。
本发明的一个重要环节是基于多传感器数据强化学习的具体实施方式，将人体跌倒过程与半观测马尔科夫决策过程(POMDP)模型相结合，预测智能执行臂的动作，以此预判人体跌倒状态并执行智能气囊的干预。在POMDP模型中，通常用一个七元组来表示其中的元素。具体包括以下步骤：
步骤S11：用S表示一组有限状态集，在本文中的状态有{正常行走，跌倒高危，跌倒，死亡}，表示为{S1,S2,S3,S4}；
步骤S12：用A表示一组有限动作集，文中指的是智能执行臂所能执行的动作，包括在{不执行、腰部、左上肢、右上肢、头部、左下肢、右下肢、脊柱}等部位执行的动作，分别表示为{A0,A1,A2,A3,A4,A5,A6,A7}；信号数据传递到倾斜传感器气囊装置；装置充气，对被监测对象进行保护。
步骤S13：用P表示状态转移矩阵，Pa(s'|s)＝P(s'|s,a)表示在时间t状态s采取动作a可以在时间t+1转换到状态s'的概率；
步骤S14：用R表示在某一时刻智能执行臂执行某一动作后，在下一时刻人体所处状态其获得的回报；
步骤S15：用Ω表示观测结果集，主要通过传感器获得人体的观测，其主要方式是在人体的不同部位{脚底、左下肢、右下肢、腰部、脊柱、左上肢、右上肢、头部(脸部)}绑定传感器，测试在跌倒过程中的信号，不同部位的传感器可同时进行或者分别进行；
步骤S16：O表示条件观测概率，当收到传感器的信号时，由于只能观测到人体行走中的部分特征，所以需要结合信号判断人体处于某一状态的概率；对被监测对象实时监测；采集被监测对象的姿态信息；使用算法处理姿态信息；计算获得姿态状态的信号数据；将得到的信号数据与阈值进行对比；信号数据大于阈值，且三级判断均成立，则判定被监测对象摔倒。信号数据小于阈值，三级判断中任一判断不成立，则继续进行监测。对应部位信号判定为跌倒为1，否则为0。完备时，包含256个元素，如{1,1,1,1,1,1,1,1}{1,0,0,0,0,0,0}。传感器的信号集合可简化为9元素，即o1{0,0,0,0,0,0,0,0},o2{1,0,0,0,0,0,0,0},o3{0,1,0,0,0,0,0,0},o4{0,0,1,0,0,0,0,0},o5{0,0,0,1,0,0,0,0},o6{0,0,0,0,1,0,0,0},o7{0,0,0,0,0,1,0,0},o8{0,0,0,0,0,0,1,0},o9{0,0,0,0,0,0,0,1}。
步骤S17：用γ表示折扣因子γ∈[0,1]。
由于医生只能观测到人体行走中的部分特征，所以需要结合信号判断人体处于某一状态，所以用8个传感器同时绑在8个部位上测试人体跌倒过程中的信号；或者分别进行8次测试。判断人体所处的状态后，人体会得到相应的回报值。因此，为了预防人体跌倒，给人体穿戴上智能执行臂，在人体跌倒时执行相应动作。每次跌倒时，五个部位中，为有效判断智能气囊执行动作的部位，有两种约束：①每次跌倒，8个部位传感器能感知信号，进行这8个信号的建模分析；②每次跌倒，只能自动(模型算法)五选一(位置的气囊)执行。
状态转移概率矩阵以t时刻执行动作a1为例进行说明。表中第一列表示t时刻人体的状态，第一行表示基于t时刻的状态执行动作a1之后，t+1时刻人体的状态，第一行数据表示人体在t时刻的状态是正常，不执行任何动作(a1)，t+1时刻人体依然正常行走的概率是0.5，高危的概率是0.2，跌倒的概率是0.2，死亡的概率是0.1。第一列数据表示人体在t时刻的状态是正常/高危/跌倒/死亡，不执行任何动作(a1)，t+1时刻人体的状态是正常的概率依次为0.5/0.1/0.01/0。此表中每行的数据相加为1。
表1t时刻执行动作a1的状态转移概率矩阵
观测概率矩阵以t时刻执行动作a1为例进行说明。表中第一列表示t时刻人体的状态，第一列表示t时刻人体的状态，第一行表示基于t时刻的状态执行动作a1之后，t+1时刻观测到传感器的信号，第一行数据表示人体在t时刻的状态是正常，不执行任何动作(a1)，t+1时刻观测到传感器各个信号的概率。第一列数据表示人体在t时刻的状态是正常/高危/跌倒/死亡，不执行任何动作(a1)，t+1时刻传感器无信号的概率依次为0.2/0.1/0/0。此表中每行的数据相加为1。
表2t+1时刻执行动作a1的观测概率矩阵
对获取的检测数据进行计算处理，该过程主要是为了对源数据中的低品质视频图像进行清洗，消除其中不符合规范的数据。包括对输入的数据进行抽取、转换和加载等数据清洗，以实现缺失数据处理、相似重复对象检测、异常数据处理、逻辑错误检测、不一致数据处理等。
数据库设计表见表3，通过倾斜传感器和关联数据提取的特征数据部分实例见表4。
表3传感器数据表
表4通过倾斜传感器感知和关联数据提取的特征数据部分实例
一种基于多传感器数据强化学***；IN1输入高电平且IN2输入低电平则电机全速正传，IN1输入高电平且IN2输入低电平则电机全速反转；不能在电机还未停下来时换向，否则可能损坏驱动器；驱动模块掉电的时候，不要直接或间接高速旋转电机，否则电机产生的电动势可能烧毁驱动模块。若应用中需要在驱动模块掉电的时候高速转动电机，在驱动器的电机接口串联一个继电器(NO和COM端串入)，继电器线圈与驱动器共电源，即当电源掉电时，继电器会断开驱动器与电机的连接。
如图3所示，对采集的姿态信息进行处理进行处理的过程包括：
步骤1：以被监测对象的正前方为x轴，正左方为y轴，竖直方向为z轴建立空间直角坐标系；设置加速度幅值阈值、x轴加速度姿态角阈值、y轴加速度姿态角阈值以及向下加速度阈值。
人体在静止时只有垂直方向受到重力加速度的作用。采集MPU6050数据得到的x，y，z轴加速度和姿态角pitch，rolly和raw。
步骤2：将采集到的x轴、y轴以及z轴加速度进行平滑处理。
在一些情况下，一些外在因素会对传感器采集的加速度造成影响。为了降低噪声可能导致的误判，在一定时间窗口内对采集的加速度进行五点多次滑动平均，去除偏差较大的脏数据，防止在进行平方运算时扩大脏数据带来的误差。
步骤3：根据经过平滑处理的数据计算被监测对象的加速度幅值。
用处理后的数据计算加速度幅度值(加速度幅值反映了人体剧烈运动程度)。跌倒在生活中属于一种剧烈活动，当发生跌倒时，人体相对地面的高度会急速变化，该过程中人体受到的加速度也会发生变化。通过加速度幅度值可量化这种变化并反映姿态的变化。
步骤4：将计算出的加速度幅值与设置的加速度幅值阈值进行对比，若计算出的加速度幅值大于设置的阈值，则执行步骤5，否则重新采集被监测对象的姿态信息。
为了减少数据采取过程中脏数据的影响，算法对时间窗口T内的x,y,z3个方向的轴向加速度数据进行五点多次平滑。人体跌落时间为0.3～0.4s，所以时间窗口T约为10个采样点的时间。对采集得到的数据进行平滑处理，根据距离特征值,计算加速度幅值。介于跌倒和非跌倒状态阈值设置为1.9，若计算值大于1.9，则进入下一步判断。
步骤5：将x轴加速度姿态角和y轴加速度姿态角阈值分别与x轴加速度姿态角阈值、y轴加速度姿态角阈值进行对比；若x轴加速度姿态角大于设置的x轴加速度姿态角阈值或者y轴加速度姿态角大于y轴加速度姿态角阈值，则执行步骤6，否则重新采集被监测对象的姿态信息。
单一的计算值不能屏蔽一些干扰动作，例如人体剧烈运动等，因此为了更好地判断跌倒状态，采取通过向下的加速度和rolly角和pitch角的角度判断辅助判断。当人体前后跌倒时pitch角度大于65，人体左右跌倒时rolly角大于65时，进入下一步判断。
步骤6：根据z轴加速度姿态角计算竖直方向的加速度，将竖方向的加速度与设置的向下加速度阈值进行对比，若竖方向的加速度小于向下加速度阈值，则被监测对象处于跌倒状态，则生成信号数据，否则重新采集被监测对象的姿态信息。
人体静止或者直立行走时受到向下的加速度约等于9.8m/s，人体跌倒时会失重，加速度会变小。当人体跌倒时向下的加速度小于0.6m/s时，进入下一步。若满足以上三级判断，则判定为跌倒状态，单片机输出电机正转信号，电机击破二氧化碳瓶。
采用半观测马尔科夫决策过程模型得到最优决策的过程包括：
步骤1：初始化半观测马尔科夫决策过程模型参数，将初始化的参数和输入模型的数据用于七元组<S,A,P,Ω,O,R,γ>表示，其中S表示一组状态集，A表示一组动作集，P表示状态之间的转移矩阵，Ω表示一组观测集，O表示观测概率，R是回报函数，γ是折扣因子；
步骤2：设置确定时间间隔和时刻，每一个时刻制定一个决策；设置的时刻为t＝{0,…,T}，其中T表示时间线；
步骤3：设置初始被监测对象的信念状态，该信念状态表示决策者对监测对象当前行走状态的了解情况；
步骤4：根据输入的数据计算被监测对象的回报值，并根据回报值计算模型的期望；
步骤5：根据输入的数据对初始信念状态进行更新；
步骤6：根据更新后的信念状态以及回报值得到贝尔曼最优方程；
步骤7：计算贝尔曼最优方程的最优解，该最优解为当前时刻监测对象最优的决策。
具体的，决策时刻以及时间线。根据传感器感知数据的采样频率确定时间间隔和时刻，从被监测对象佩戴智能装置开始，在每一个时刻的开始将会制定决策。本文中的时刻用t＝{0,…,T}表示，其中T表示时间线。
状态空间。本文将人体在行走过程中的状态划分为四个类别：正常行走，跌倒高危，跌倒，死亡，用符号表示为S＝{sN,sH,sC,sD}，最后一个状态(死亡)是一种吸收状态。状态空间是部分可观测的，但是死亡是唯一一个能够被完全观测到的状态。本文使用st∈S表示人体在t时刻的状态。
动作空间。由于本文中执行动作的是不同部位的机械臂，所以动作空间的划分也是依据不同部位，包括不执行任何动作，腰部/左上肢/右上肢/头部/左下肢/右下肢/脊柱气囊智能机执行臂，用符号表示为A＝{aN,aW,aLA,aRA,aH,aLL,aRL,aS}，本文使用at∈A表示决策时刻t执行的动作。
转移概率。转移概率用p(st+1|st,at)表示，其意义是人体在当前状态(st∈S)执行动作(at∈A)之后，转移到下一时刻状态(st+1∈S)的概率。这些概率根据受试者穿戴的防跌设备的传感器数据进行统计获得，也可以通过模拟1000人次以上的行走和跌倒过程来获得这些概率。
观测及观测概率。在每一个决策时刻，一组观测(o∈Ω)会提供一些信息，这些信息与人体真实存在的未被观测到的状态有关。本模型主要通过传感器获得观测，根据受试者穿戴的防跌设备的传感器数据来获得。根据不同部位的传感器传回的信号，其观测被分为9类：无信号，{腰部、左上肢、右上肢、头部、左下肢、右下肢、脊柱}传感器信号，使用二分类依次表示为{(0000000)，(1000000)，(0100000)，(0010000)，(0001000)，(0000100)，(0000010)，(0000001)}，还有一类观测是死亡，因此所有的观测集对应的符号是Ω＝{oN,oW,oLA,oRA,oH,oLL,oRL,oS,oD}。传感器的信号也不是完全准确，观测与未被观测到的状态之间存在概率关系，用概率矩阵O来表示，由观测概率O(o|s)组成，其意义是在给定患者真实状态s以及执行动作a的情况下，观测到状态o的概率。观测概率矩阵数据根据受试者穿戴的防跌设备的传感器数据进行统计获得。
信念状态。令Π(S)表示状态空间S中每种状态的概率，在本文的案例中，一共有四种状态，其概率表示为：
其中，向量π被称为信念状态，表示决策者对人体当前行走状态的了解情况。信念状态由一组概率集合表示，每一个概率代表了每一种状态的可能性，t时刻人体的信念状态可以表示为：
πt＝(πt(sN),πt(sH),πt(sC),πt(sD))
人体在t时刻的信念状态向量为π＝(0.3，0.4，0.4，0)，则表明人体有30％的概率是在正常行走，有30％的概率处于跌倒高危状态以及40％的概率已经跌倒。
回报函数。在POMDP模型中，其最优策略是在决策范围T内最大化期望回报，用数学公式表示为：
其中，γ表示折扣因子，rt表示t时刻的立即回报值。回报取决于人体的状态以及采取的行动，可能的回报集合由回报函数r(s,a,s')得到，其意义是在状态s时执行动作a并转移到状态s'的回报。回报值由各种状态带来的伤害对应的统计概率及医疗费用计算获得(可归一化处理)。
信念状态更新。给定一个新的观测o'∈Ω，信念状态π会根据贝叶斯规则更新到π'，对每一个状态s'∈S，其对应的更新的信念状态值可以利用以下公式进行计算：
其中，O(o|s')表示观测概率，π(s)表示初始信念状态，s'和π'分别表示下一时间对应的状态和信念状态。
POMDP模型可以由一个连续状态的MDP重新制定，其最优策略是通过解决贝尔曼最优方程得到：
其中，s表示监测对象状态集中的状态，π表示监测对象的信念状态，r(s,a)表示回报值，a表示臂***执行的动作，p(s'|s,a)表示转移概率，O(o|s')表示观测概率，V(s',π')表示下一时间对应的贝尔曼方程值，γ是折扣因子，πj表示状态j对应的信念状态。
基于人体部分可观测行走状态的马尔科夫决策过程的算法过程如表5所示。
表5
如图4所示，一种数据测试装置，该装置中处理器将采集得到的MPU6050数据进行平滑处理和加速度幅值计算，传递有效信息；震动传感器模块判断传感器状态；通信接口传递信息；跌倒状态下，防摔抗震气场装置充气，进行保护。
如图5所示，监控***的状态转移和智能装置执行动作的执行臂选择包括：有四种状态即正常行走、跌倒高危、跌倒和死亡，智能执行臂可以在包括腰部、左上肢、右上肢、头部、左下肢、右下肢、脊柱等部位执行动作。由控制信号来激活某部位执行臂，在某一时刻智能执行臂执行某一动作。将处在新的状态中并得到相应的回报。
一种基于多传感器数据强化学习的人体防跌智能防护***，该***包括人体加速度数据采集组件、微处理模块、报警模块以及电源模块；所述人体加速度数据采集组件、微处理模块、报警模块均设置在PCB板上；
所述人体加速度数据采集组件包括三个霍尔加速度传感器和三个角度测量传感器，所述三个霍尔加速度传感器用于测量被监测人员的x轴、y轴以及z轴的加速度信息，三个角度测量传感器用于测量x轴、y轴以及z轴加速度的姿态角，并通过或门与微处理模块相连；
所述微处理模块用于实时接收并处理人体加速度数据采集组件传递的数据，并向报警模块发送信号数据；
所述报警模块用于获取信号数据，并采用半观测马尔科夫决策过程模型对发送的信号进行处理，预测被监测对象的摔倒风险，并根据预测的摔倒风险输出充气命令，根据充气命令则对气囊充气，保护监测对象；
所述电源模块与PCB板连接，用于为所述人体减跌防震智能监测***供电。
如图6所示，基于多传感器数据强化学习的人体防跌智能防护***的总架构，包括：电源模块打开电源；震动传感器模块中的报警器进行感应，判断是否处于震动或倾斜状态；当传感器发生震动或倾斜时，闭合二氧化碳小钢瓶；闭合二氧化碳小钢瓶后，电机击破二氧化碳小钢瓶；电机击破二氧化碳小钢瓶后，防摔抗震缓冲充气袋气泡柱气囊开始充气。
本发明一实施例中，还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述基于多传感器数据强化学习的人体减跌防震智能监测方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
一种基于多传感器数据强化学习的人体减跌防震智能监测装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于多传感器数据强化学习的人体减跌防震智能监测装置执行任一上述基于多传感器数据强化学习的人体减跌防震智能监测方法。
具体地，所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，包括：
S1：设置状态转移概率和观测概率；
S2：对被监测对象进行实时监测，通过多传感器感知被监测对象的状态数据；
S3：根据观测概率对多传感器感知数据进行处理，得到人体跌倒相关状态信息；
S4：将人体跌倒相关状态信息、观测概率、状态转移概率输入到半观测马尔科夫决策过程模型中，得到当前时刻监测对象最优的决策；
S5：将最优决策输入到臂***中，臂***根据最优决策执行对应的命令，该命令包括从候选部位的执行臂中选择一个最大保护作用的执行臂，激活执行臂并输出充气命令；其中具有最大保护作用的执行臂即为回报值最大的执行臂；
S6：根据充气命令对智能气囊充气；
S7：执行臂动作完成后，采用多传感器再次感知监测对象的状态数据，并根据二次感知的数据得到人体跌倒相关状态；根据人体跌倒相关状态更新回报值，并返回步骤S2。
2.根据权利要求1所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，设置状态转移概率和观测概率的过程包括：状态转移概率的计算过程包括获取监测对象的历史监测数据，采用统计学方法对历史监测数据进行统计归一化处理，得到状态转移概率；观测概率计算过程包括将监测对像的观测类别划分为9类，包括：无信号，腰部、左上肢、右上肢、头部、左下肢、右下肢、脊柱传感器信号，以及死亡信号；所有的观测集对应的符号是Ω＝{oN,oW,oLA,oRA,oH,oLL,oRL,oS,oD}，其中oN表示无信号，oW表示腰部传感器信号，oLA表示左上肢传感器信号，oRA表示右上肢传感器信号，oH表示头部传感器信号，oLL表示左下肢传感器信号，oRL表示右下肢传感器信号，oS表示脊柱传感器信号，oD表示死亡信号；获取监测对象的历史监测数据，采用统计学方法对历史监测数据进行统计归一化处理，得到每个观测类别的观测概率。
3.根据权利要求1所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，多传感器包括三个霍尔加速度传感器和三个角度测量传感器，其中三个霍尔加速度传感器用于测量被监测对象的x轴、y轴以及z轴的加速度信息，三个角度测量传感器用于测量x轴、y轴以及z轴加速度的姿态角。
4.根据权利要求1所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，得到人体跌倒相关状态信息包括：
S31：根据传感器采集的信息计算被监测对象的姿态信息；该姿态信息包括正常行走、跌倒高危、跌倒以及死亡四个类别；
S32：根据被监测的对象姿态信息，采用状态转移概率确定当前时刻被监测对象状态转移的目标；
S33：根据被监测的对象姿态信息，采用观测概率，确定当前时刻被监测对象状态目标。
5.根据权利要求4所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，计算被监测对象的姿态信息的过程包括：
步骤1：以被监测对象的正前方为x轴，正左方为y轴，竖直方向为z轴建立空间直角坐标系；设置加速度幅值阈值、x轴加速度姿态角阈值、y轴加速度姿态角阈值以及向下加速度阈值；
步骤2：将采集到的x轴、y轴以及z轴加速度进行平滑处理；
步骤3：根据经过平滑处理的数据计算被监测对象的加速度幅值；
步骤4：将计算出的加速度幅值与设置的加速度幅值阈值进行对比，若计算出的加速度幅值大于设置的阈值，则执行步骤5，否则重新采集被监测对象的姿态信息；
步骤5：将x轴加速度姿态角和y轴加速度姿态角阈值分别与x轴加速度姿态角阈值、y轴加速度姿态角阈值进行对比；若x轴加速度姿态角大于设置的x轴加速度姿态角阈值或者y轴加速度姿态角大于y轴加速度姿态角阈值，则执行步骤6，否则重新感知被监测对象的姿态信息；
步骤6：根据z轴加速度姿态角计算竖直方向的加速度，将竖方向的加速度与设置的向下加速度阈值进行对比，若竖方向的加速度小于向下加速度阈值，则被监测对象处于跌倒状态，则生成信号数据，否则重新采集被监测对象的姿态信息。
6.根据权利要求5所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，设置的加速度幅值阈值为1.9，x轴加速度姿态角阈值和y轴加速度姿态角阈值均为65度，向下加速度阈值为0.6。
7.根据权利要求1所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，采用半观测马尔科夫决策过程模型得到最优决策的过程包括：
步骤1：初始化半观测马尔科夫决策过程模型参数，将初始化的参数和输入模型的数据用于七元组<S,A,P,Ω,O,R,γ>表示，其中S表示一组状态集，A表示一组动作集，P表示状态之间的转移矩阵，Ω表示一组观测集，O表示观测概率，R是回报函数，γ是折扣因子；
步骤2：设置确定时间间隔和时刻，每一个时刻制定一个决策；设置的时刻为t＝{0,…,T}，其中T表示时间线；
步骤3：设置被监测对象的初始信念状态，该信念状态表示决策者对监测对象当前行走状态的了解情况；
步骤4：根据输入的数据计算被监测对象的回报值，并根据回报值计算模型的期望；
步骤5：根据输入的数据对初始信念状态进行更新；
步骤6：根据更新后的信念状态以及回报值得到贝尔曼最优方程；
步骤7：计算贝尔曼最优方程的最优解，该最优解为当前时刻监测对象最优的决策。
8.根据权利要求7所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，信念状态更新公式为：
其中，O(o|s')表示观测概率，π(s)表示初始信念状态，s'和π'分别表示下一时间对应的状态和信念状态。
9.根据权利要求7所述的一种基于多传感器数据强化学习的人体减跌防震智能监测方法，其特征在于，贝尔曼最优方程的表达式为：
其中，s表示监测对象状态集中的状态，π表示监测对象的信念状态，r(s,a)表示回报值，a表示臂***执行的动作，p(s'|s,a)表示转移概率，O(o|s')表示观测概率，V(s',π')表示下一时间对应的贝尔曼方程值，γ是折扣因子，πj表示状态j对应的信念状态。
10.一种基于多传感器数据强化学习的人体减跌防震智能监测***，其特征在于，该***包括人体加速度数据采集组件、微处理模块、报警模块以及电源模块；所述人体加速度数据采集组件、微处理模块、报警模块均设置在PCB板上；
所述人体加速度数据采集组件包括：三个霍尔加速度传感器和三个角度测量传感器，所述三个霍尔加速度传感器用于测量被监测人员的x轴、y轴以及z轴的加速度信息，三个角度测量传感器用于测量x轴、y轴以及z轴加速度的姿态角，并通过或门与微处理模块相连；
所述微处理模块用于实时接收并处理人体加速度数据采集组件传递的数据，并向报警模块发送信号数据；
所述报警模块用于获取信号数据，并采用半观测马尔科夫决策过程模型对发送的信号进行处理，预测被监测对象的摔倒风险，并根据预测的摔倒风险输出充气命令，根据充气命令则对气囊充气，保护监测对象；
所述电源模块与PCB板连接，用于为所述人体减跌防震智能监测***供电。
CN202210102329.3A 2022-01-27 2022-01-27 基于多传感器数据强化学习的人体减跌防震智能监测方法及*** Active CN114469000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210102329.3A CN114469000B (zh) 2022-01-27 2022-01-27 基于多传感器数据强化学习的人体减跌防震智能监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210102329.3A CN114469000B (zh) 2022-01-27 2022-01-27 基于多传感器数据强化学习的人体减跌防震智能监测方法及***

Publications (2)

Publication Number Publication Date
CN114469000A CN114469000A (zh) 2022-05-13
CN114469000B true CN114469000B (zh) 2023-08-11

Family

ID=81476919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210102329.3A Active CN114469000B (zh) 2022-01-27 2022-01-27 基于多传感器数据强化学习的人体减跌防震智能监测方法及***

Country Status (1)

Country Link
CN (1) CN114469000B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600826B (zh) * 2022-12-14 2023-05-23 中建科技集团有限公司 一种基于强化学习的生产流程监控优化方法
CN116058298B (zh) * 2023-03-06 2023-09-12 北京市农林科学院信息技术研究中心 家畜行为监测方法及装置
CN117257284B (zh) * 2023-11-22 2024-04-09 浙江强脑科技有限公司 摔倒风险处理方法、装置、智能假肢、终端及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006289602A (ja) * 2005-03-17 2006-10-26 Sony Corp ロボット装置及びその制御方法
JP2012041004A (ja) * 2010-08-23 2012-03-01 Nippon Telegr & Teleph Corp <Ntt> 自律移動ロボットの動作計画方法、自律移動ロボットの動作計画方法を利用した自律移動ロボットの制御方法、自律移動ロボットの動作計画装置、自律移動ロボットの動作制御装置、自律移動ロボットの動作計画プログラム、自律移動ロボットの制御プログラム
CN103393412A (zh) * 2013-08-15 2013-11-20 重庆邮电大学 一种基于智能家居的老人看护装置
CN104185270A (zh) * 2013-05-28 2014-12-03 中国电信股份有限公司 室内定位方法、***和定位平台
CN104510475A (zh) * 2014-12-15 2015-04-15 中国科学院计算技术研究所 一种人体跌倒检测方法及***
CN109171738A (zh) * 2018-07-13 2019-01-11 杭州电子科技大学 基于人体加速度多特征融合和knn的跌倒检测方法
CN109816933A (zh) * 2019-03-20 2019-05-28 潍坊医学院 基于复合式传感器的老人防跌倒智能监测***及监测方法
CN110244624A (zh) * 2019-06-20 2019-09-17 南京机电职业技术学院 一种跌倒保护装置及控制方法
CN110262511A (zh) * 2019-07-12 2019-09-20 同济人工智能研究院(苏州)有限公司 基于深度强化学习的双足机器人自适应性行走控制方法
CN110431037A (zh) * 2017-02-10 2019-11-08 日产北美公司 包括运用部分可观察马尔可夫决策过程模型示例的自主车辆操作管理
CN110464349A (zh) * 2019-08-30 2019-11-19 南京邮电大学 一种基于隐半马尔科夫模型的上肢运动功能评分方法
CN111240318A (zh) * 2019-12-24 2020-06-05 华中农业大学 一种机器人的人员发现算法
CN111489578A (zh) * 2020-04-01 2020-08-04 北京理工大学 一种基于车道时空间隙的高速道路无人驾驶决策规划方法
CN111872934A (zh) * 2020-06-19 2020-11-03 南京邮电大学 一种基于隐半马尔可夫模型的机械臂控制方法及***
EP3937061A1 (en) * 2020-07-07 2022-01-12 Aurora Flight Sciences Corporation, a subsidiary of The Boeing Company System and method for detecting and tracking an object

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5070860B2 (ja) * 2007-01-31 2012-11-14 ソニー株式会社 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006289602A (ja) * 2005-03-17 2006-10-26 Sony Corp ロボット装置及びその制御方法
JP2012041004A (ja) * 2010-08-23 2012-03-01 Nippon Telegr & Teleph Corp <Ntt> 自律移動ロボットの動作計画方法、自律移動ロボットの動作計画方法を利用した自律移動ロボットの制御方法、自律移動ロボットの動作計画装置、自律移動ロボットの動作制御装置、自律移動ロボットの動作計画プログラム、自律移動ロボットの制御プログラム
CN104185270A (zh) * 2013-05-28 2014-12-03 中国电信股份有限公司 室内定位方法、***和定位平台
CN103393412A (zh) * 2013-08-15 2013-11-20 重庆邮电大学 一种基于智能家居的老人看护装置
CN104510475A (zh) * 2014-12-15 2015-04-15 中国科学院计算技术研究所 一种人体跌倒检测方法及***
CN110431037A (zh) * 2017-02-10 2019-11-08 日产北美公司 包括运用部分可观察马尔可夫决策过程模型示例的自主车辆操作管理
CN109171738A (zh) * 2018-07-13 2019-01-11 杭州电子科技大学 基于人体加速度多特征融合和knn的跌倒检测方法
CN109816933A (zh) * 2019-03-20 2019-05-28 潍坊医学院 基于复合式传感器的老人防跌倒智能监测***及监测方法
CN110244624A (zh) * 2019-06-20 2019-09-17 南京机电职业技术学院 一种跌倒保护装置及控制方法
CN110262511A (zh) * 2019-07-12 2019-09-20 同济人工智能研究院(苏州)有限公司 基于深度强化学习的双足机器人自适应性行走控制方法
CN110464349A (zh) * 2019-08-30 2019-11-19 南京邮电大学 一种基于隐半马尔科夫模型的上肢运动功能评分方法
CN111240318A (zh) * 2019-12-24 2020-06-05 华中农业大学 一种机器人的人员发现算法
CN111489578A (zh) * 2020-04-01 2020-08-04 北京理工大学 一种基于车道时空间隙的高速道路无人驾驶决策规划方法
CN111872934A (zh) * 2020-06-19 2020-11-03 南京邮电大学 一种基于隐半马尔可夫模型的机械臂控制方法及***
EP3937061A1 (en) * 2020-07-07 2022-01-12 Aurora Flight Sciences Corporation, a subsidiary of The Boeing Company System and method for detecting and tracking an object

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
助扶式智能助老拐杖设计;周杰,朱思潮,张卫忠,徐必刚,张辉,孙文芳,吴苗,汪强,余恒峰;《科学技术创新》(第05期);177-178 *

Also Published As

Publication number Publication date
CN114469000A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114469000B (zh) 基于多传感器数据强化学习的人体减跌防震智能监测方法及***
CN104540701B (zh) 用于确定驾驶员的操作状态的方法
US20230342621A1 (en) Method and apparatus for performing anomaly detection using neural network
JP5674766B2 (ja) 着用位置を検出するためのセンシングデバイス
JP6507015B2 (ja) 運転者状態判定装置
WO2015009951A1 (en) Fall detection using machine learning
CN113450539B (zh) 一种跌倒检测方法
KR101942264B1 (ko) 자세 교정 시스템 및 방법
CN112441009B (zh) 状态推算装置、状态推算方法和存储介质
CN112464793A (zh) 一种在线***行为检测方法、***和存储介质
Zhong et al. A real-time pre-impact fall detection and protection system
Yang et al. Fall-prediction algorithm using a neural network for safety enhancement of elderly
EP1571990A1 (en) Activity monitoring
US20240057946A1 (en) Sarcopenia evaluation method, sarcopenia evaluation device, and non-transitory computer-readable recording medium in which sarcopenia evaluation program is recorded
WO2018092219A1 (ja) 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム
CN108353209B (zh) 一种增强的触摸屏操作
KR102289627B1 (ko) 저전력 하이브리드형 낙상 감지 장치 및 이를 이용한 낙상 감지 방법
Dorofeev et al. The method of the estimation of the acceptable degree of the deflection of the spine and of bias of vertebrae in systems of the diagnostic and the rehabilitation
Madokoro Piezoelectric Sensors Used for Daily Life Monitoring
CN112258785B (zh) 一种跌倒检测方法、装置及存储介质
Nistane et al. An IoT based rectification of posture using biofeedback
Vermander et al. Intelligent systems for sitting posture monitoring and anomaly detection: an overview
WO2021215070A1 (ja) 学習装置、学習方法、および測定装置
JP7294449B2 (ja) 監視システム、監視方法、および監視プログラム
KR102478257B1 (ko) 니어―폴 동작 검출 및 이를 이용한 인공지능 기반의 솔레노이드식 인플레이터를 구비한 웨어러블 에어백 장치

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
GR01 Patent grant
GR01 Patent grant