CN114818952A - 一种基于手机传感器的智能跌倒姿态分类与识别方法 - Google Patents
一种基于手机传感器的智能跌倒姿态分类与识别方法 Download PDFInfo
- Publication number
- CN114818952A CN114818952A CN202210491562.5A CN202210491562A CN114818952A CN 114818952 A CN114818952 A CN 114818952A CN 202210491562 A CN202210491562 A CN 202210491562A CN 114818952 A CN114818952 A CN 114818952A
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- data
- user
- classification
- falling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 27
- 230000001133 acceleration Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013329 compounding Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000036544 posture Effects 0.000 description 27
- 230000006399 behavior Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- 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
- G08B21/0492—Sensor dual technology, i.e. two or more technologies collaborate to extract unsafe condition, e.g. video tracking and RFID tracking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
- H04M1/72418—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality for supporting emergency services
- H04M1/72421—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality for supporting emergency services with automatic activation of emergency service functions, e.g. upon sensing an alarm
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion
Landscapes
- Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Gerontology & Geriatric Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Telephone Function (AREA)
Abstract
本发明提供了一种基于手机传感器的智能跌倒姿态分类与识别方法，涉及医疗服务技术领域，本申请基于标准数据集训练出分类模型，然后部署至手机中，手机实时的采集自身的加速度和角速度数据，并提取他们的时域特征，最后经由训练好的模型对人的姿态进行分类与识别。跌倒时会自动将用户的位置信息以及跌倒姿态发送至紧急联系人。本发明通过转换坐标系，解决了手机自身坐标系与用户坐标系的不一致性的问题，使手机不论初始处于何种姿态，都能有效地对跌倒姿态进行识别和分类。本发明不仅能够有效识别出跌倒时的具体姿态，同时基于智能手机，解决了现有跌倒检测技术存在的使用场所受限、不利于用户的隐私保护、使用流程繁琐以及实用性不高的问题。
Description
技术领域
本发明涉及医疗服务技术领域，尤其涉及一种基于手机传感器的智能跌倒姿态分类与识别方法。
背景技术
全世界老年人数量不断上升，人口老龄化问题加剧，老年人跌倒概率高，容易导致长期卧床，引起更严重的并发症，跌倒越来越危害着老年人的生命健康安全。此外，当老人独居或者周围无人时，由于跌倒后难以有效呼叫救援，导致老人无法得到及时的医治，使得其死亡率、致残率大幅度提高。因此，人体跌倒的精确检测与快速报警已经成为了目前保障国民生命安全、身心健康的重点研究问题。
目前基于智能手机的行为识别是人工智能领域中的一个研究热点，具有很广泛的应用前景。当前智能手机中都内置有多种传感器如加速度传感器、陀螺仪、方向传感器、磁力传感器等，通过内置传感器直接采集到的数据可以精确的对不同的运动行为等进行感知。同时，相对于可穿戴设备等检测技术，智能手机可随身携带，检测方便快捷。
因此，设计一种基于智能手机的便利性，精确性等特性可以借助随身携带的智能手机实时的对老人运动行为等姿态进行分类与识别的方法成为了本领域技术人员亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种智能手机跌倒姿态分类与识别方法，以解决现有的跌倒检测技术识别精度不高、使用场所受限、隐私性不高，便捷性不足等问题。
本发明是通过以下技术方案予以实现：一种基于手机传感器的智能跌倒姿态分类与识别方法，包括以下步骤：
S1：基于标准数据集训练出分类模型并部署至手机中；
S2：实时采集手机自身数据；
S3：对采集到的原始数据做数据预处理；
S4：提取时域特征；
S5：基于训练好的模型对人的姿态进行实时地分类与识别；
S6：根据对用户实时姿态的分类与识别，输出分类识别结果。
根据上述技术方案，优选地，S1具体包括：
S11：从UCI数据库获取模拟跌倒与日常活动数据集；
S12：根据模拟跌倒与日常活动数据集进行预处理，提取时域特征，使用支持向量机建立离线模型；
S13：将离线模型部署至手机中。
根据上述技术方案，优选地，S2中采集的数据为加速度与角速度数据。
根据上述技术方案，优选地，S3的数据预处理过程具体包括：
进行坐标系转换，将在设备坐标系下的数据转换至与标准数据集坐标系相一致的数据，可以计算出在参考坐标系下的三轴加速度数据为：
根据上述技术方案，优选地，S4具体包括：
采用时频分析法对采集到的数据提取时域特征，时域特征具体包括均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度。
根据上述技术方案，优选地，S5中人的姿态具体包括：日常行为、向前趴倒、向前跪倒、向后躺倒、向后坐倒、向左跌倒、向右跌倒。
根据上述技术方案，优选地，S6的输出结果，具体包括：若未识别出用户跌倒，则返回S2；若识别出用户跌倒，则弹出警报窗口，若用户取消警报，则返回S2，若用户不取消警报，则将实时位置信息以及跌倒姿态发送至紧急联系人。
根据上述技术方案，优选地，还包括：
数据采集模块：用于采集数据，通过手机内置的三轴加速度传感器和角速度传感器采集；
预处理模块：对采集的原始数据进行坐标转换，用于解决手机在方向和位置上与标准数据集的不一致性；
特征提取模块：用于采用时域分析法从采集到的数据提取多种特征；
模型训练与识别模块：用于基于所述标准数据集提取到的特征，采用支持向量机训练跌倒姿态分类识别模型，最后移植到手机中；
用户交互模块：识别出跌倒后，若用户不取消警报，则将跌倒信息以及实时位置信息发送至紧急联系人等待救援。
本发明的有益效果是：首先，本申请基于智能手机作为载体得以实现，因此在手机如此普及的今天，用户可以随时随地检测与识别出用户跌倒姿态，检测非常方便快捷；其次，在检测算法上，相对于传统的阈值法，本申请是通过支持向量机智能算法进行识别与分类，并基于UCI标准数据集在PC端上进行了训练与验证，准确率高达95%，识别效果优异，所识别的姿态信号。此外，本方法不仅能识别出用户是否发生了跌倒，更能精确识别出跌倒的具体姿态，从而便于护理人员对用户进行救助与治疗。
附图说明
图1示出了本发明实施例的流程示意图；
图2示出了本发明实施例手机坐标系与参考坐标系的示意图；
图3示出了本发明所识别的姿态信号图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
如图1-3所示：
本发明提供了一种基于手机传感器的智能跌倒姿态分类与识别方法，包括以下步骤：
S1：基于标准数据集训练出分类模型并部署至手机中；
S2：实时采集手机自身数据；
S3：对采集到的原始数据做数据预处理；
S4：提取时域特征；
S5：基于训练好的模型对人的姿态进行实时地分类与识别；
S6：根据对用户实时姿态的分类与识别，输出分类识别结果。
根据上述实施例，优选地， S1具体包括：
S11：从UCI数据库获取模拟跌倒与日常活动数据集，数据为多种传感器在用户的不同活动状态下采集并输出的信号样本，包括多种跌倒姿态和日常活动，跌倒与日常活动数据集中选取腿部相关数据作为原始数据，基于不同活动状态对原始数据进行划分，得到多列原始数据；采用滑动窗口从多列原始数据中截取有效数据作为样本数据；
S12：根据模拟跌倒与日常活动数据集进行预处理，采用时域分析法对标准数据集中的数据提取时域特征，基于采取到的有效特征，使用支持向量机整好参数建立跌倒姿态分类识别模型；
S13：将在PC端训练好的模型移植至手机中，需要用到LIBSVM软件包，java语言编写，编译平台为Android Studio。
根据上述实施例，优选地，S2中采集的数据为加速度与角速度数据，利用手机内置的传感器来采集在设备坐标系下的三轴加速度数据和角速度数据，在每一个采样点采集6个数据，记录三轴加速度和角速度变换。
根据上述实施例，优选地，S3的数据预处理过程具体包括：
手机放入口袋中的方向和位置是不定的，采集得到的加速度与角速度数据也是基于手机自身的设备坐标系，因此需要进行坐标系转换，将在设备坐标系下的数据转换至与标准数据集坐标系相一致的数据，可以计算出在参考坐标系下的三轴加速度数据为：
其中，R表示旋转矩阵， R由两个基本旋转矩阵复合而成，变量
表示pitch即俯仰角，变量
表示roll即翻滚角。
其中，
分别表示手机采集到的自身三轴加速度，
分别表示对应的标准化后的数值。
这样可以使手机不论初始处于何种姿态，都能通过坐标系转换进行数据预处理，解决了手机自身坐标系与用户坐标系的不一致性，从而有效地对跌倒姿态进行识别和分类。
根据上述实施例，优选地，S4具体包括：
采用时频分析法对采集到的数据提取时域特征，时域特征具体包括均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度。
根据上述实施例，优选地，S5中人的姿态具体包括：日常行为、向前趴倒、向前跪倒、向后躺倒、向后坐倒、向左跌倒、向右跌倒。
根据上述实施例，优选地，S6的输出结果，具体包括：若未识别出用户跌倒，则返回S2；若识别出用户跌倒，则弹出警报窗口，若用户取消警报，则返回S2，若用户不取消警报，则将实时位置信息以及跌倒姿态发送至紧急联系人。
根据上述实施例，优选地，还包括：
数据采集模块：用于采集数据，通过手机内置的三轴加速度传感器和角速度传感器采集；
预处理模块：对采集的原始数据进行坐标转换，用于解决手机在方向和位置上与标准数据集的不一致性；
特征提取模块：用于采用时域分析法从采集到的数据提取多种特征；
模型训练与识别模块：用于基于所述标准数据集提取到的特征，采用支持向量机训练跌倒姿态分类识别模型，最后移植到手机中；
用户交互模块：识别出跌倒后，若用户不取消警报，则将跌倒信息以及实时位置信息发送至紧急联系人等待救援。
实施例1：
S1:基于标准数据集训练出分类模型并部署至手机中：
本实施例的目的在于训练分类识别模型，能够有效区分用户的日常行为或者跌倒姿态，因此，首先需要获取大量预先已发生的各种活动状态作为样本数据；从UCI（University of CaliforniaIrvine，加州大学欧文分校）数据库获取模拟跌倒与日常活动数据集（Simulated Falls and Daily Living Activities Data Set），然后对模拟跌倒与日常活动数据集进行预处理得到样本数据。
其中，该数据集共由17名志愿者参与完成，包括10名男性7名女性。每名志愿者需完成36种行为（重复5次），其中包括20种跌倒行为以及16种日常行为。这样每个部位（头部、胸部、腰部、腕部、大腿和脚踝）就有3060个采样数据。采样数据即为传感器（加速度传感器、陀螺仪、方向传感器、地磁传感器和压力传感器等等）输出的三维加速度，三维角速度，三维速度，三维地磁以及压力等共21维信号。传感器的采样频率为25hz，平均每个动作采样时间为15秒。
在此基础上，对模拟跌倒与日常活动数据集进行预处理得到样本数据，包括：从模拟跌倒与日常活动数据集中选取腿部相关数据作为原始数据；基于不同活动状态对原始数据进行划分，得到多列原始数据；采用滑动窗口从多列原始数据中截取有效数据作为样本数据。
通过上述步骤，即可得到所需的样本数据。进而通过时域分析法，提取时域特征，包括每列数据的均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度等等。
基于提取得到的特征，采用支持向量机算法建立跌倒姿态分类识别模型；
通过以上步骤，即可得到训练好的分类模型。
在PC端训练好模型后，需要部署到手机中。具体的手机app是基于Android开源移动操作***，采用软件开发工具包SDK以及LitePal数据库框架。整个程序包括以下几个模块：
SensorManager：该模块允许应用程序使用手机传感器，使用它来读取手机加速度传感器和陀螺仪的读数。
SensorManager.getRotationMatrix：使用该模块得到旋转矩阵，进行坐标系转换，实现数据标准化。
FallDetectionService:Android：后台服务应用进程，负责提取特征，进行分类识别。其中数据的存储以及运算是基于LitePal数据库框架，分类识别模型是基于Libsvm通用软件包。
FallAlertActivity：与用户交互的Activity组件，该Activity可以被创建、启动、恢复、暂停和销毁，它是应用程序的可见部分。
UserMessageManager：使用该模块可以允许应用程序发送信息，当用户发生跌倒时，将具体的跌倒姿态信息以及地理位置发送给紧急联系人或医护人员。
S2：实时采集手机自身数据。
通过手机内置的三轴加速度传感器和角速度传感器采集用户实时的三维加速度数据和三个角度变化，然而，获取到的原始数据都是基于手机自身坐标系，并不能反映用户本身的行为变化，因此需要坐标系变换来进行数据预处理。
S3：对采集到的原始数据做数据预处理。
标准数据集坐标系为X-Y-Z坐标系转角***，而手机的坐标系为x-y-z转角***，手机放入口袋时的角度和位置都是不定的，与标准坐标系并不一致，因此就需要进行坐标系转换。手机放入口袋静止时，加速度读数实际上就是重力向量，利用这一点即可求得旋转矩阵，具体求法如下：
其中，
分别表示手机采集到的自身三轴加速度，
分别表示对应的标准化后的数值。
S4：提取时域特征。
时域特征包括均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度。
S5：基于训练好的模型对人的姿态进行实时地分类与识别。
S6：根据对用户实时姿态的分类与识别，输出分类识别结果。
实时采集数据并进行分析识别，若识别出跌倒行为会弹出警报窗口，若此时并未跌倒，用户可取消警报，若未取消，会将用户的跌倒信息例如是否发生跌倒，跌倒的类型，跌倒时用户可能的受伤部位和严重程度等以及位置信息发送至紧急联系人等待救援。
本发明的有益效果是：首先，本申请基于智能手机作为载体得以实现，因此在手机如此普及的今天，用户可以随时随地检测与识别出用户跌倒姿态，检测非常方便快捷；其次，在检测算法上，相对于传统的阈值法，本申请是通过支持向量机智能算法进行识别与分类，并基于UCI标准数据集在PC端上进行了训练与验证，准确率高达95%，识别效果优异，所识别的姿态信号。此外，本方法不仅能识别出用户是否发生了跌倒，更能精确识别出跌倒的具体姿态，从而便于护理人员对用户进行救助与治疗。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于手机传感器的智能跌倒姿态分类与识别方法，包括以下步骤：
S1：基于标准数据集训练出分类模型并部署至手机中；
S2：实时采集手机自身数据；
S3：对采集到的原始数据做数据预处理；
S4：提取时域特征；
S5：基于训练好的模型对人的姿态进行实时地分类与识别；
S6：根据对用户实时姿态的分类与识别，输出分类识别结果。
2.根据权利要求1所述的一种基于手机传感器的智能跌倒姿态分类与识别方法，其特征在于，所述S1具体包括：
S11：从UCI数据库获取模拟跌倒与日常活动数据集；
S12：根据模拟跌倒与日常活动数据集进行预处理，提取时域特征，使用支持向量机建立离线模型；
S13：将离线模型部署至手机中。
3.根据权利要求1所述的一种基于手机传感器的智能跌倒姿态分类与识别方法，其特征在于，所述S2中采集的数据为加速度与角速度数据。
4.根据权利要求1所述的一种基于手机传感器的智能跌倒姿态分类与识别方法，其特征在于，所述S3的数据预处理过程具体包括：
进行坐标系转换，将在设备坐标系下的数据转换至与标准数据集坐标系相一致的数据，可以计算出在参考坐标系下的三轴加速度数据为：
其中，R表示旋转矩阵， R由两个基本旋转矩阵复合而成，变量
表示pitch即俯仰角，变量
表示roll即翻滚角；
其中，
分别表示手机采集到的自身三轴加速度，
分别表示对应的标准化后的数值。
5.根据权利要求1所述的一种基于手机传感器的智能跌倒姿态分类与识别方法，其特征在于，所述S4具体包括：
采用时频分析法对采集到的数据提取时域特征，时域特征具体包括均方根、峰峰值、峰值因子、波形因子、脉冲因子、裕度因子和峭度。
6.根据权利要求1所述的一种基于手机传感器的智能跌倒姿态分类与识别方法，其特征在于，所述S5中人的姿态具体包括：日常行为、向前趴倒、向前跪倒、向后躺倒、向后坐倒、向左跌倒、向右跌倒。
7.根据权利要求1所述的一种基于手机传感器的智能跌倒姿态分类与识别方法，其特征在于，所述S6的输出结果，具体包括：若未识别出用户跌倒，则返回S2；若识别出用户跌倒，则弹出警报窗口，若用户取消警报，则返回S2，若用户不取消警报，则将实时位置信息以及跌倒姿态发送至紧急联系人。
8.根据权利要求1-7中任一项所述的一种基于手机传感器的智能跌倒姿态分类与识别方法，其特征在于，还包括：
数据采集模块：用于采集数据，通过手机内置的三轴加速度传感器和角速度传感器采集；
预处理模块：对采集的原始数据进行坐标转换，用于解决手机在方向和位置上与标准数据集的不一致性；
特征提取模块：用于采用时域分析法从采集到的数据提取多种特征；
模型训练与识别模块：用于基于所述标准数据集提取到的特征，采用支持向量机训练跌倒姿态分类识别模型，最后移植到手机中；
用户交互模块：识别出跌倒后，若用户不取消警报，则将跌倒信息以及实时位置信息发送至紧急联系人等待救援。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210491562.5A CN114818952A (zh) | 2022-05-07 | 2022-05-07 | 一种基于手机传感器的智能跌倒姿态分类与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210491562.5A CN114818952A (zh) | 2022-05-07 | 2022-05-07 | 一种基于手机传感器的智能跌倒姿态分类与识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114818952A true CN114818952A (zh) | 2022-07-29 |
Family
ID=82511779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210491562.5A Pending CN114818952A (zh) | 2022-05-07 | 2022-05-07 | 一种基于手机传感器的智能跌倒姿态分类与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114818952A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115299937A (zh) * | 2022-09-16 | 2022-11-08 | 东联信息技术有限公司 | 一种智能摔倒检测平台 |
| CN116369876A (zh) * | 2023-04-13 | 2023-07-04 | 中国人民解放军空军特色医学中心 | 一种飞行员呼救装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228751A (zh) * | 2016-08-26 | 2016-12-14 | 陈雷 | 基于安卓平台mems/磁传感器/gps的跌倒智能报警***与方法 |
| CN106981174A (zh) * | 2017-04-27 | 2017-07-25 | 南京邮电大学 | 一种基于智能手机的老人跌倒检测方法 |
| CN108693982A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种将手机内置传感器采集数据从手机坐标系转换到参考坐标系的处理方法 |
| CN109087482A (zh) * | 2018-09-18 | 2018-12-25 | 西安交通大学 | 一种跌倒检测装置与方法 |
| CN110989689A (zh) * | 2019-12-16 | 2020-04-10 | 兰州理工大学 | 一种基于自动追踪的机器人*** |
| CN112699744A (zh) * | 2020-12-16 | 2021-04-23 | 南开大学 | 跌倒姿态的分类识别方法、装置和可穿戴设备 |
| CN112883939A (zh) * | 2021-04-15 | 2021-06-01 | 河北工业大学 | 实时跌倒检测模型训练方法、实时跌倒检测方法及装置 |
-
2022
- 2022-05-07 CN CN202210491562.5A patent/CN114818952A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228751A (zh) * | 2016-08-26 | 2016-12-14 | 陈雷 | 基于安卓平台mems/磁传感器/gps的跌倒智能报警***与方法 |
| CN108693982A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种将手机内置传感器采集数据从手机坐标系转换到参考坐标系的处理方法 |
| CN106981174A (zh) * | 2017-04-27 | 2017-07-25 | 南京邮电大学 | 一种基于智能手机的老人跌倒检测方法 |
| CN109087482A (zh) * | 2018-09-18 | 2018-12-25 | 西安交通大学 | 一种跌倒检测装置与方法 |
| CN110989689A (zh) * | 2019-12-16 | 2020-04-10 | 兰州理工大学 | 一种基于自动追踪的机器人*** |
| CN112699744A (zh) * | 2020-12-16 | 2021-04-23 | 南开大学 | 跌倒姿态的分类识别方法、装置和可穿戴设备 |
| CN112883939A (zh) * | 2021-04-15 | 2021-06-01 | 河北工业大学 | 实时跌倒检测模型训练方法、实时跌倒检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 曹景伟 等: "应用MEMS陀螺仪和加速度计的汽车运动姿态测量", 《重庆理工大学学报(自然科学)》, vol. 32, no. 04, 30 April 2018 (2018-04-30), pages 48 - 54 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115299937A (zh) * | 2022-09-16 | 2022-11-08 | 东联信息技术有限公司 | 一种智能摔倒检测平台 |
| CN115299937B (zh) * | 2022-09-16 | 2023-08-11 | 东联信息技术有限公司 | 一种智能摔倒检测平台 |
| CN116369876A (zh) * | 2023-04-13 | 2023-07-04 | 中国人民解放军空军特色医学中心 | 一种飞行员呼救装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saleh et al. | FallAllD: An open dataset of human falls and activities of daily living for classical and deep learning applications | |
| CN114818952A (zh) | 一种基于手机传感器的智能跌倒姿态分类与识别方法 | |
| Tsinganos et al. | A smartphone-based fall detection system for the elderly | |
| Westeyn et al. | Recognizing mimicked autistic self-stimulatory behaviors using HMMs | |
| CN109276255B (zh) | 一种肢体震颤检测方法及装置 | |
| Henpraserttae et al. | Accurate activity recognition using a mobile phone regardless of device orientation and location | |
| CN105159463B (zh) | 一种非接触式可穿戴智能戒指***及其手势识别方法 | |
| Boissy et al. | Wireless inertial measurement unit with GPS (WIMU-GPS)—wearable monitoring platform for ecological assessment of lifespace and mobility in aging and disease | |
| Lopes et al. | Towards an autonomous fall detection and alerting system on a mobile and pervasive environment | |
| Mohammed et al. | Unsupervised deep representation learning to remove motion artifacts in free-mode body sensor networks | |
| CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| Wang et al. | Eating detection and chews counting through sensing mastication muscle contraction | |
| Bhandari et al. | Non-invasive sensor based automated smoking activity detection | |
| Rasheed et al. | Evaluation of human activity recognition and fall detection using android phone | |
| Ketabdar et al. | System and methodology for using mobile phones in live remote monitoring of physical activities | |
| CN105989694A (zh) | 一种基于三轴加速度传感器的人体跌倒检测方法 | |
| CN111603750A (zh) | 基于边缘计算的动作捕捉识别评估***及方法 | |
| CN114220543A (zh) | 一种肿瘤患者身心痛苦指数评估方法以及*** | |
| CN109584521A (zh) | 一种基于Notch传感器的不良坐姿监测方法 | |
| CN113689660B (zh) | 可穿戴设备的安全预警方法、可穿戴设备 | |
| Hu et al. | Challenges in studying falls of community-dwelling older adults in the real world | |
| CN117158955A (zh) | 基于可佩戴监测设备的用户安全智能监测方法 | |
| CN210078765U (zh) | 基于可穿戴传感器的动作捕捉识别与评估装置 | |
| CN113545774A (zh) | 基于深度测量装置以及可穿戴装置的室内外跌倒检测*** | |
| Wang et al. | Fall detection based on convolutional neural networks using smart insole |
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 |