CN115135239A - 用于确定和预测错步的***和方法 - Google Patents

用于确定和预测错步的***和方法 Download PDF

Info

Publication number
CN115135239A
CN115135239A CN202180014705.7A CN202180014705A CN115135239A CN 115135239 A CN115135239 A CN 115135239A CN 202180014705 A CN202180014705 A CN 202180014705A CN 115135239 A CN115135239 A CN 115135239A
Authority
CN
China
Prior art keywords
user
wearable sensor
processor
gait
machine learning
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
Application number
CN202180014705.7A
Other languages
English (en)
Inventor
吉尔·扎菲里尔
纳撒尼尔·西蒙尼
亚龙·雷切尔
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.)
Owlytics Healthcare Ltd
Original Assignee
Owlytics Healthcare Ltd
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 Owlytics Healthcare Ltd filed Critical Owlytics Healthcare Ltd
Publication of CN115135239A publication Critical patent/CN115135239A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • 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
    • A61B5/103—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
    • A61B5/103—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
    • A61B5/1118—Determining activity level
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (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

确定步态异常的用户的错步的***和方法，包括：校准与受控环境中用户的运动相对应的信号以识别用户的步态；检测用户的移动以确定相对所确定的步态的变化；检测用户的至少一个生理信号；基于来自至少一个可穿戴传感器的数据来识别用户进行的运动；以及使用机器学习算法确定用户进行的至少一个错步，该机器学习算法被训练以基于所识别的运动确定迈步。

Description

用于确定和预测错步的***和方法
发明领域
本发明涉及运动确定和分析。更具体地说，本发明涉及用于确定和分析老年用户或精神科患者的运动以检测和/或预测错步(misstep)的***和方法。
发明背景
当今有各种各样的电子设备可用于对迈步(step)进行计数。这些设备(例如，智能手表)通常使用内置的运动传感器来检测与迈步运动相关联的用户移动。
(例如在智能手表中使用的)普通的迈步计数器通常基于佩戴计数设备的用户的手的循环运动。这些计数器是为健康的活动用户构建的。然而，没有一个可用的设备能够正确地检测老年用户或精神科患者的移动，并计数了比实际走的更少的迈步(或根本没有迈步)。
虽然检测由年轻和健康个体进行的行走活动并对迈步进行计数是共同特征，例如适用于多种设备(例如，适用于智能手表)，但是使用相同的设备来检测老年个体或精神科患者的行走和迈步计数是高度不准确的，这主要是由于例如当老年用户具有更微小和/或更慢的移动时的较低信噪比(SNR)以及因使用各种行走辅助工具(walking aid)而产生的信号的高的变异性。
概述
因此，提供了根据本发明的一些实施例的一种确定步态异常的用户的活动状态的方法，该方法包括：由处理器接收用户的简档；由耦合到处理器的至少一个可穿戴传感器检测用户的移动；由处理器基于接收到的用户简档且基于来自至少一个可穿戴传感器的数据识别用户进行的运动；以及由处理器使用机器学习算法确定由用户执行的至少一个迈步，该机器学习算法经训练以基于所识别的运动确定迈步。
在一些实施例中，该至少一个可穿戴传感器检测具有指示生理状态的信息的信号，该指示生理状态的信息选自由以下项组成的组：心率、心率变异性、血压、足部压力、磁强计、陀螺仪和三轴加速度计(accelerometer in three-axis)。在一些实施例中，用户简档包括选自由以下项组成的组的信息：病史、用户使用的药物、行走辅助工具的类型、社会地位、年龄、身高和位置历史。
在一些实施例中，机器学习算法被训练以确定迈步，其中训练包括基于步态异常的用户的运动数据的数据集来分类活动状态。在一些实施例中，机器学习算法被训练以确定迈步，其中训练包括应用回归器以基于来自至少一个可穿戴传感器的信号的可变长度序列来确定至少一个迈步。在一些实施例中，机器学习算法被训练以确定迈步，其中训练包括针对每个测量时间点创建逐点分割网络，以基于由至少一个可穿戴传感器进行的测量的上下文来确定活动状态。在一些实施例中，机器学习算法通过标记用户的活动状态来训练。
在一些实施例中，基于由至少一个可穿戴传感器进行的测量结果，针对用户的移动确定统计基线。在一些实施例中，相似的行走模式被聚类，所述行走模式是对步态异常的其他用户采样的。在一些实施例中，使用相似性学习来执行步态异常模式的抽象。
在一些实施例中，使用以下中的至少一个来执行机器学习算法：门控循环单元(GRU)、卷积神经网络(CNN)、长短期记忆(LSTM)神经网络、深度自动编码器(DAE)、基于注意力的神经网络、基于变换器的神经网络和梯度提升决策树算法。
因此提供了根据本发明的一些实施例的用于确定步态异常的用户的活动状态的***，该***包括：数据库，其包括用户的简档；至少一个可穿戴传感器，其被配置成检测用户的移动；以及处理器，其耦合到数据库和至少一个可穿戴传感器，并且配置成：基于接收到的用户简档并基于来自至少一个可穿戴传感器的数据来识别用户进行的运动，以及使用机器学习算法来确定用户进行的至少一个迈步，该机器学习算法被训练成基于所识别的运动来确定迈步。
在一些实施例中，用户简档包括选自由以下项组成的组的信息：病史、用户使用的药物、助行器的类型、社会地位、年龄、身高和位置历史。在一些实施例中，该至少一个可穿戴传感器用于检测具有指示生理状态的信息的信号，该指示生理状态的信息选自由以下项组成的组：心率、心率变异性、血压、足部压力、磁强计、陀螺仪和三轴加速度计。在一些实施例中，至少一个可穿戴传感器检测以1-100Hz范围内的频率采样的信号。
因此提供了根据本发明的一些实施例的确定步态异常的用户的错步的方法，该方法包括：由处理器校准与用户在受控环境中的运动相对应的信号以识别用户的步态；由耦合到处理器的至少一个可穿戴传感器检测用户的移动以确定相对所确定的步态的变化；由至少一个可穿戴传感器检测用户的至少一个生理信号；由处理器基于来自至少一个可穿戴传感器的数据识别用户进行的运动；以及由处理器使用机器学习算法确定用户进行的至少一个错步，该机器学习算法被训练以基于所识别的运动确定迈步。
在一些实施例中，该机器学习算法被训练为利用针对具有已知属性的用户的运动数据的数据集确定迈步。在一些实施例中，基于所确定的错步事件的升级来预测跌倒事件。
在一些实施例中，基于对多个错步事件的检测来预测跌倒风险。在一些实施例中，基于监控用户的睡眠来预测跌倒风险。在一些实施例中，基于检测到的移动变化和用户的药物变化之间的相关性来预测跌倒风险。在一些实施例中，基于监控用户的行为异常来预测跌倒风险。
在一些实施例中，由至少一个可穿戴传感器检测用户的至少一个错步。在一些实施例中，由至少一个可穿戴传感器检测用户的至少一次跌倒。
在一些实施例中，使用相似性学习来执行步态异常模式的抽象。在一些实施例中，使用以下中的至少一个来执行机器学习算法：门控循环单元(GRU)、卷积神经网络(CNN)、长短期记忆(LSTM)神经网络、深度自动编码器(DAE)、基于注意力的神经网络、基于变换器的神经网络和梯度提升决策树算法。
因此，提供了根据本发明的一些实施例的用于确定步态异常的用户的错步的***，该***包括：数据库，其包括与用户的步态相对应的一组校准信号；以及至少一个可穿戴传感器，其被配置为检测用户的移动并检测用户的至少一个生理信号；以及处理器，其耦合到数据库和至少一个可穿戴传感器，并配置为：确定相对于所校准步态的变化，基于接收到的用户简档并基于来自至少一个可穿戴传感器的信号来识别用户进行的运动，以及使用机器学习算法来确定用户进行的至少一个错步，该机器学习算法被训练成基于所识别的运动来确定迈步。
在一些实施例中，该机器学习算法被训练为利用针对具有已知属性的用户的运动数据的数据集来确定迈步。在一些实施例中，已知属性包括选自由以下项组成的组的信息：病史、用户使用的药物、行走辅助工具的类型、社会地位、年龄、身高和位置历史。
在一些实施例中，处理器被配置成基于所确定的错步事件的升级来预测跌倒事件。在一些实施例中，处理器被配置成基于对多个错步事件的检测来预测跌倒风险。在一些实施例中，处理器被配置成基于监控用户的睡眠来预测跌倒风险。在一些实施例中，处理器被配置成基于所检测到的移动变化和用户的药物变化之间的相关性来预测跌倒风险。在一些实施例中，处理器被配置成基于监控用户的行为异常来预测跌倒风险。
在一些实施例中，至少一个可穿戴传感器被配置成检测用户的至少一次跌倒。在一些实施例中，至少一个可穿戴传感器被配置成检测用户的至少一个错步。
在一些实施例中，至少一个可穿戴传感器包括智能手表运动传感器和鞋垫传感器中的至少一个。在一些实施例中，至少一个可穿戴传感器被配置为检测具有指示生理状态的信息的信号，指示生理状态的信息选自由以下项组成的组：心率、心率变异性、皮肤电反应、心电图、SpO2、气压、磁强计、陀螺仪、三轴加速度计、血压和足部压力。
附图简述
关于本发明的主题在说明书的结束部分被特别指出并被清楚地要求保护。然而，本发明关于操作的组织和方法以及其目的、特征和优点，在参照附图一起阅读时，通过参考以下详细描述可得到最好的理解，在附图中：
图1示出了根据本发明的一些实施例的示例性计算设备的框图；
图2示出了根据本发明的一些实施例的用于确定步态异常的用户的活动状态的***的框图；
图3示意性地示出了根据本发明的一些实施例的利用行走辅助工具的用户的几个示例；
图4示出了根据本发明的一些实施例的确定步态异常的用户的活动状态的方法的流程图；和
图5示出了根据本发明的一些实施例的确定步态异常的用户的错步的方法的流程图。
要理解的是，为了简单和清楚地说明，在附图中示出的元素不一定按比例绘制。例如，为了清楚起见，一些元素的尺寸可能相对于其他元素被放大。此外，在认为适当的情况下，参考数字可在多个图中重复以指示对应的或类似的元素。
发明的详细描述
在以下详细描述中，阐述了许多具体细节以便提供对本发明的透彻理解。然而本领域中的技术人员将会理解，可在没有这些具体细节的情况下实践本发明。在其它实例中，公知的方法、程序以及组件、模块、单元和/或电路没有被详细描述，以免模糊本发明。关于一个实施例描述的一些特征或元素可以与关于其它实施例描述的特征或元素组合。为了清楚起见，可以不重复讨论相同或相似的特征或元素。
虽然本发明的实施例在这方面不受限制，但是使用诸如例如“处理”、“计算(computing)”、“计算(calculating)”、“确定”、“建立”、“分析”、“检查”等的术语的讨论可以指计算机、计算平台、计算***或其它电子计算设备的操作和/或过程，该计算机、计算平台、计算***或其它电子计算设备将表示为计算机的寄存器和/或存储器内的物理(例如，电子)量的数据操纵和/或转换为类似地表示为计算机的寄存器和/或存储器或者可存储用于执行操作和/或过程的指令的其它信息非暂时性存储介质内的物理量的其它数据。虽然本发明的实施例在这方面不受限制，但是如本文所使用的术语“多个(plurality)”和“多个(a plurality)”可以包括例如“多个(multiple)”或“两个或更多个”。在整个说明书中可以使用术语“多个(plurality)”或“多个(a plurality)”来描述两个或更多个组件、设备、元素、单元、参数等。术语“组(set)”当在本文中使用时可以包括一个或更多个项目。除非明确规定，本文描述的方法实施例不限于特定的次序或顺序。另外，所描述的方法实施例中的一些或其元素中的一些可以同步、在同一时间点或同时地发生或执行。
参考图1，图1是根据本发明的一些实施例的示例计算设备100的示意性框图。计算设备100可以包括控制器或处理器105(例如，中央处理单元处理器(CPU)、可编程控制器或任何合适的计算或计算设备)、存储器120、储存装置130、输入设备135(例如，键盘或触摸屏)和输出设备140(例如，显示器)、用于经由通信网络(诸如例如，因特网)与远程设备通信的通信单元145(例如，蜂窝发射机或调制解调器、Wi-Fi通信单元等)。计算设备100可以通过执行操作***115和/或可执行代码125来操作。控制器105可以被配置为执行程序代码以执行本文描述的操作。本文描述的***可以包括一个或更多个计算设备100，例如，以充当图2中所示的各种设备或组件。例如，***200可以是计算设备100或其组件，或者可以包括计算设备100或其组件。
操作***115可以是或可以包括被设计和/或配置为执行涉及协调、调度、仲裁、监督、控制或以其它方式管理计算设备100的操作(例如，调度软件程序的执行或者启用软件程序或其他模块或单元进行通信)的任务的任何代码段(例如，类似于本文所述的可执行代码125的代码段)。
存储器120可以是或可以包括例如随机存取存储器(RAM)、只读存储器(ROM)、动态RAM(DRAM)、同步DRAM(SD-RAM)、双数据速率(DDR)存储器芯片、闪存、易失性存储器、非易失性存储器、高速缓冲存储器、缓冲器、短期存储器单元、长期存储器单元或者其它合适的存储器单元或储存装置单元。存储器120可以是或可以包括多个可能不同的存储器单元。存储器120可以是计算机或处理器的非暂时性可读介质、或者计算机的非暂时性存储介质，例如RAM。
可执行代码125可以是任何可执行代码，例如应用、程序、进程、任务或脚本。可执行代码125可以在操作***115的控制下由控制器105执行。例如，可执行代码125可以是执行如本文进一步描述的方法的软件应用。尽管为了清楚起见，图1中示出单个项目的可执行代码125，但是根据本发明的一些实施例的***可以包括与可执行代码125类似的多个可执行代码段，这些可执行代码段可以被存储到存储器120中并使控制器105执行本文所述的方法。
储存装置130可以是或可以包括例如硬盘驱动器、通用串行总线(USB)设备或其它合适的可移动和/或固定的储存单元。在一些实施例中，在图1中示出的组件中的一些可以被省略。例如，存储器120可以是具有储存装置130的存储容量的非易失性存储器。因此，虽然示出为单独的组件，但是储存装置130可以被嵌入或包括在存储器120中。
输入设备135可以是或可以包括键盘、触摸屏或触摸板、一个或更多个传感器或者任何其他或附加的合适的输入设备。任何适当数量的输入设备135可以可操作地连接到计算设备100。输出设备140可以包括一个或更多个显示器或监视器和/或任何其它合适的输出设备。任何合适数量的输出设备140可以可操作地连接到计算设备100。如块135和140所示，任何适用的输入/输出(I/O)设备可以连接到计算设备100。例如，可以在输入设备135和/或输出设备140中包括有线或无线网络接口卡(NIC)、通用串行总线(USB)设备或外部硬盘驱动器。
本发明的一些实施例可以包括诸如计算机或处理器的非暂时可读介质或计算机或处理器的非暂时性存储介质的物品，诸如例如，编码、包括或存储指令(例如，计算机可执行指令)的存储器、磁盘驱动器或USB闪存，该指令在由处理器或控制器执行时执行本文公开的方法。例如，物品可以包括诸如存储器120的储存介质、诸如可执行代码125的计算机可执行指令以及诸如控制器105的控制器。这种非暂时性计算机可读介质可以是例如存储器、磁盘驱动器或USB闪存，其编码、包括或存储指令，例如计算机可执行指令，该指令在由处理器或控制器执行时执行本文公开的方法。该储存介质可以包括但不限于任何类型的盘，该盘包括半导体器件，诸如只读存储器(ROM)和/或随机存取存储器(RAM)、闪存、电可擦除可编程只读存储器(EEPROM)或任何类型的适于存储电子指令的介质，包括可编程储存器件。例如，在一些实施例中，存储器120是非暂时性机器可读介质。
根据本发明的一些实施例的***可以包括组件，诸如但不限于，多个中央处理单元(CPU)或任何其它合适的多用途或特定的处理器或控制器(例如，类似于控制器105的控制器)、多个输入单元、多个输出单元、多个存储器单元和多个储存单元。***可以另外包括其他合适的硬件组件和/或软件组件。在一些实施例中，***可以包括或者可以是，例如，个人计算机、台式计算机、膝上型计算机、工作站、服务器计算机、网络设备或任何其他合适的计算设备。例如，如本文所述的***可以包括一个或更多个设施计算设备100和一个或更多个远程服务器计算机，该远程服务器计算机与诸如计算设备100的一个或更多个设施计算设备100主动通信，并且与诸如智能手机、平板电脑等的一个或更多个便携式或移动设备主动通信。
根据一些实施例，提供了用于使用机器学习算法检测日常活动(例如，诸如行走、睡眠、坐下、站起来等)和/或对由老年个体或神经科患者(例如，配有行走辅助工具)进行的迈步进行计数的***和方法。该检测可以基于来自诸如智能手表的传感器(例如，加速度和/或心率传感器)的通用计算设备的信号来执行。
对这种活动的正确检测也可以确定错步。错步被定义为导致非跌倒事件的错误判断的迈步，其中这种错步通常是老年用户或神经科患者跌倒的预测因素。跌倒事件还可能包括滑倒、绊倒和失去平衡。
现在参考图2，图2示出了根据一些实施例的用于确定步态异常的用户的活动状态的***200的框图。在图2中，硬件元件用实线表示，箭头的方向可以表示信息流的方向。
***200可以包括处理器201(例如，诸如图1中所示的控制器105)，其被配置为执行程序(例如，诸如图1中所示的可执行代码125)，以确定步态异常的用户的活动状态。根据一些实施例，处理器201可以嵌入到诸如智能手机、平板电脑等的移动设备中和/或嵌入到诸如智能手表的可穿戴设备中。
在一些实施例中，***200可以包括与处理器201进行主动通信的数据库202(例如，诸如图1中所示的储存***130)，其中数据库202可以被配置为存储一个或更多个用户20的一个或更多个用户简档203。例如，用户简档203可以包括具有以下至少之一的信息：病史、用户使用的药物、行走辅助工具的类型、社会地位、年龄、身高和位置历史。
在一些实施例中，***200还可以包括至少一个可穿戴传感器204，其连接到处理器201并被配置为检测用户20的移动205。例如，至少一个可穿戴传感器204可以嵌入智能手表和/或腕带中，和/或作为鞋垫传感器嵌入和/或嵌入胸部贴片中。来自至少一个可穿戴传感器204的信号可以由处理器201接收以用于进一步分析。在一些实施例中，来自至少一个可穿戴传感器204的信号可以以l Hz至100Hz之间的频率采样。
在一些实施例中，至少一个可穿戴传感器204(例如，佩戴在手腕上或嵌入到鞋底中)可以允许测量用户的姿势和/或检测跌倒事件。在一些实施例中，至少一个可穿戴传感器204可以例如代替处理器201执行处理(例如，算法中的繁重计算)，从而能够减少对基于云的计算的依赖性，并由此减少去往和来自于云的数据传输需要。例如，处理器201可以训练机器学习算法，并将得到的训练算法下载到至少一个可穿戴传感器204上，以用于确定错步和/或跌倒事件。
在一些实施例中，至少一个可穿戴传感器204可以包括以下至少一个传感器：心率传感器、心率变异性传感器、皮肤电反应传感器、心电图传感器、SpO2传感器、气压传感器、磁强计、陀螺仪、一个或更多个轴上的加速度计、血压传感器和压力传感器(例如，在鞋垫传感器中)。在一些实施例中，来自至少一个可穿戴传感器204的测量可以包括例如由加速度计获得的(例如，在三维轴上的)至少加速度数据的测量。
根据一些实施例，处理器201可以被配置成识别由至少一个用户20进行的运动206的类型。运动206的类型可以基于从数据库202接收的用户简档203和/或基于来自至少一个可穿戴传感器204的数据(例如，所确定的移动的数据205)来识别。
根据一些实施例，处理器201可以接收用户元数据(例如，在第一次向***注册时从用户获得的数据)，以与来自至少一个可穿戴传感器204的测量结果进行组合，用于识别运动206的类型。在一些实施例中，处理器201可以接收和/或预处理具有时间抽象的时间序列数据，以用于改变采样率并组合用户的元数据以用于用户感知参考。
在一些实施例中，所接收的用户元数据可以包括所使用的行走辅助设备的类型(例如，行走手杖、拐杖、三脚架、四脚架(quadri-pod)、助行架、带轮子的助行架、手推车、前轮式助行器(rollator)等)。所接收的用户元数据还可以包括关于用户简档203的详细资料，例如：体重、身高、年龄、用户使用的药物、疾病史等。
在一些实施例中，处理器201可以接收期望活动(例如，行走)和/或其他预定义活动(例如，从手动标记和/或基于传感器的标记中获得)的标记，以与来自至少一个可穿戴传感器204的测量结果组合，用于识别运动206的类型。手动标记可以基于专用移动app，该app允许标记步态序列、非步态序列、单个迈步、错步、跌倒等中的至少一个，并且还允许注释在那些标记序列期间的事件。基于传感器的标记可以基于(例如，来自至少一个可穿戴传感器204的)一个或更多个传感器测量结果的使用来为另一传感器数据创建标记的数据和/或期望结果。例如，使用鞋垫压力数据为手带迈步识别创建标签，或者使用步态会话(gaitsession)的视频记录。
在一些实施例中，处理器201可以被配置为使用机器学习算法207来确定由至少一个用户20进行的至少一个迈步208，该机器学习算法207被训练以基于所识别的运动206确定迈步208。在一些实施例中，机器学习算法207可以被训练以通过基于步态异常的用户的运动数据的数据集对活动状态进行分类来确定迈步。
在一些实施例中，机器学习算法207可以被配置为训练神经网络以将给定样本分类为具有预定义的期望活动状态(例如，行走)。神经网络可以包括门控循环单元(GRU)、长短期记忆(LSTM)神经网络、和/或卷积神经网络(CNN)、和/或深度自动编码器(DAE)、和/或基于注意力的神经网络、和/或基于变换器的神经网络和/或梯度提升决策树算法(例如，以提高结果的准确性)中的至少一个。在一些实施例中，机器学习算法207可以基于先前接收的传感器数据而针对特定用户生成步态预测(例如，作为正常活动状态的基线)。
在一些实施例中，处理器201可以从基于位置的服务(例如，GPS)接收至少一个可穿戴传感器204的位置数据，以便确定用户20的实际位置改变是否已经发生。
根据一些实施例，迈步208的确定可以包括用户行走表示的识别和/或相似行走模式或步态的聚类，另外还包括根据所使用(或不使用)的行走辅助工具对每个行走模式进行表征。例如，用于训练机器学习算法207的训练数据可以从利用和没有利用行走辅助工具(例如，行走手杖、助行器(walker)、四脚架、手推车等)的各种用户中收集。在一些实施例中，训练可以包括手动标记和/或基于传感器的标记。
现在参考图3，图3示意性地示出了根据一些实施例的利用行走辅助工具的用户的几个示例。应当注意的是，例如由于步态异常，利用行走辅助工具的用户的步态可能受到行走辅助工具类型(例如，手杖)的影响，并且在图3所示的箭头方向上有额外移动。
现在返回参考图2。根据一些实施例，老年用户或神经科患者20的个人健康用户简档203可以与关于个人移动205和/或生理信号(例如，心率)的传感器数据结合使用，以评估周期性和/或累积的用户迈步。例如，评估可以每天进行。
根据一些实施例，以下聚类方法中的至少一个可以用于建模用户行走表示和/或相似行走模式或步态的聚类：分类、回归和/或逐点分割。对于分类，可以使用GRU和CNN的组合，以便针对在1-10秒的时间片(time slice)中出现的(例如，由老年用户做出的)迈步创建分类。该分类因此可以用于聚集其中观察到行走的时间序列和/或将其中观察到行走的时间序列与有其他活动(例如，睡眠)或根本没有活动的时间序列分开。在一些实施例中，相似性学习可以用于步态异常模式的抽象和/或表示。
对于回归，完全卷积网络可以用于对来自传感器204的信号的可变长度序列内观察到的(例如，由老年用户做出的)迈步进行计数的端到端任务。对于分割，可以使用基于传感器的标记，以便针对每个测量时间点创建逐点分割网络，从而分割其与由该测量的上下文导出的行走活动(或缺乏行走活动)的状态隶属关系(state affiliation)。
在一些实施例中，至少一个可穿戴传感器204可以连续地收集待分析的数据，以便确定用户20的个人运动模式。例如，在用户20行走的同时可以分析加速度计信号的个人振幅，并且可以检测心率对行走的相应响应，同时也考虑到用户20是否正在使用手杖或其他行走辅助工具。处理器201可以应用例如用收集的数据训练的机器学习算法207，以便将个人行走模式或步态与(例如，来自用户简档203的)不同个体的个人历史相匹配，并将这些模式聚类到子组，直到可以针对用户确定初始基线。例如，一旦确定了典型行为(例如，行走模式)的基线，超过该基线的任何移动都可以被监控和/或发出警报。在一些实施例中，发布报告(例如，代替警报)，该报告包括预测的和/或检测的状态，诸如错步和/或跌倒。在一些实施例中，处理器201可以分析所预测的状态以确定所发布的报告或警报的适当接收者(例如，用户和/或护理者)。在一些实施例中，一旦发出这种警报，接收者(例如，用户和/或护理者)可以自动接收呼叫(例如，经由预定义的蜂窝服务)。
在一些实施例中，(例如，存储在数据库202上的)短期历史数据可以用于计算每个用户20的统计基线度量(例如，特定百分位数、快速傅里叶变换(furrier transform)、范围等)。在一些实施例中，对于一组预定义的用户(例如，对于使用助行器的90岁以上的用户)，可以对测量的基线进行归一化。
在一些实施例中，机器学习算法207可以根据来自以下中的至少一个的数据来训练：异常检测算法(例如，从可穿戴传感器的信号中提取潜在异常)、接收到的手工特征(例如，来自于可穿戴传感器)和步态分类器。在一些实施例中，异常检测器可以使用低阈值来过滤潜在的错步，其中低阈值可以在异常检测器网络内使用，因为这个步骤的目标是过滤掉某些正常行为。在一些实施例中，可以使用多传感器编码器-解码器网络来执行异常检测。
在一些实施例中，归一化信号可以用作训练数据，并且标记可以用作标签(例如，其中每个训练样本包括1-10秒的数据)。每个数据样本可以包括时间序列数据以及相应元数据和/或至少一个标签(例如，步态/非步态)的混合。
在一些实施例中，处理器201正确确定步态所需的最小信息可以是(例如，在三维轴上的)加速度数据，例如，特定模型可以不使用附加信息(例如，心率、陀螺仪、元数据等)来训练，并且可以用于分类所执行的活动的状态。在一些实施例中，处理器201可以使用加速度数据对用户20进行分割或聚类，并使用每个用户分段的单独模型来取代对于元数据的需要和/或适合用于步态检测的更个性化的模型。
所确定的基线可以例如根据个人行走模式或步态和/或对行走的生理响应，利用针对该用户20新收集的数据连续更新和/或改进。在一些实施例中，通过分析来自不同用户的大量行走模式(例如，对于老年用户的已知行走移动)，可以创建行走模式或步态以及相应生理响应的数据库(例如，存储在数据库202上)。
在一些实施例中，用户20的正常行走模式或步态可以通过在受监控条件下校准至少一个传感器204来确定，例如，校准鞋垫传感器以与具有多个压力传感器的专用垫相对应，以确定正常步态并确保鞋垫传感器提供与在实验室条件下获得的类似结果。相对校准的行走模式(或步态)的偏离可以通过在专用垫上引发故意错步来测试。在识别到超过校准基线步态的移动的情况下，可以向用户和/或护理者发出警报，以评估预防/康复治疗并减轻观察到的增长风险。
现在参考图4，图4示出了根据一些实施例的确定步态异常的用户的活动状态的方法的流程图。在步骤401中，可以(例如由处理器)接收用户的简档。
在步骤402中，可以(例如，由耦合到处理器的至少一个可穿戴传感器)检测用户的移动。在步骤403中，可以基于接收到的用户简档并基于来自至少一个可穿戴传感器的数据来(例如，由处理器)识别用户进行的运动。在步骤404中，可以使用经训练以基于所识别的运动确定迈步的机器学习算法来(例如，由处理器)确定用户进行的至少一个迈步。
现在参考图5，图5示出了根据一些实施例的确定步态异常的用户的错步的方法的流程图。在步骤501中，与用户的运动相对应的信号可以在受控环境中被校准以(例如由处理器)识别用户的步态。
在步骤502中，可以(例如，由耦合到处理器的至少一个可穿戴传感器)检测用户的移动以确定与所确定的步态的变化。在步骤503中，可以(例如由至少一个可穿戴传感器)检测用户的至少一个生理信号。在步骤504中，可以基于来自至少一个可穿戴传感器的数据来(例如，由处理器)识别用户进行的运动。在步骤505中，可以使用经训练以基于所识别的运动确定迈步的机器学习算法来(例如，由处理器)确定用户进行的至少一个错步。
根据一些实施例，所确定的错步事件可以用于预测跌倒事件和/或附加生理模式。在一些实施例中，(例如，由用户标记的)用户确定的错步事件的升级可以触发跌倒事件的预测，例如与随时间推移用户过去的错步事件相比。
根据一些实施例，对多个错步事件的检测可以被确定为跌倒风险增加。根据一些实施例，对多个跌倒事件的检测可以被确定为跌倒风险增加。
根据一些实施例，可以监控用户的睡眠持续时间和/或睡眠质量，以便确定跌倒风险的增加。睡眠监控可以包括监控用户的睡眠模式和/或分析历史睡眠模式数据。例如，可以通过(例如，经由可穿戴传感器)监控用户的移动以及监控(例如，由用户登记的)唤醒来监控的睡眠。根据一些实施例，可以监控用户在一夜当中的唤醒次数，以便确定跌倒风险的增加。
根据一些实施例，可以监控用户的异常生理和/或行为异常(例如，由用户或由护理者指示)，以便确定跌倒风险的增加。在一些实施例中，检测到的移动模式和/或生理模式变化可以与药物变化相关联(例如，由用户或护理者指示)，以便确定跌倒风险的增加。
尽管本文已说明和描述了本发明的某些特征，但本领域技术人员可想到许多修改、替代、变化和等效体。因此，应当理解，所附权利要求旨在覆盖落入本发明的所有这样的修改和改变。
已经提出了各种实施例。当然，这些实施例中的每一个可以包括所呈现的其他实施例的特征，并且未具体描述的实施例可以包括本文所述的各种特征。

Claims (38)

1.一种确定步态异常的用户的活动状态的方法，所述方法包括：
由处理器接收所述用户的简档；
由耦合到所述处理器的至少一个可穿戴传感器检测所述用户的移动；
由所述处理器基于所接收的用户简档并基于来自所述至少一个可穿戴传感器的数据来识别由所述用户进行的运动；以及
由所述处理器使用机器学习算法确定由所述用户进行的至少一个迈步，所述机器学习算法被训练以基于所识别的运动确定迈步。
2.根据权利要求1所述的方法，其中，所述至少一个可穿戴传感器检测具有指示生理状态的信息的信号，所述指示生理状态的信息选自由以下项组成的组：心率、心率变异性、血压、足部压力、磁强计、陀螺仪和三轴加速度计。
3.根据权利要求1所述的方法，其中，所述用户简档包括选自由以下项组成的组的信息：病史、所述用户使用的药物、行走辅助工具的类型、社会地位、年龄、身高和位置历史。
4.根据权利要求1所述的方法，还包括训练所述机器学习算法以确定迈步，其中所述训练包括基于用于步态异常的用户的运动数据的数据集来分类活动状态。
5.根据权利要求1所述的方法，还包括训练所述机器学习算法以确定迈步，其中所述训练包括应用回归量以基于来自所述至少一个可穿戴传感器的信号的可变长度序列来确定至少一个迈步。
6.根据权利要求1所述的方法，还包括训练所述机器学习算法以确定迈步，其中所述训练包括针对每个测量时间点创建逐点分割网络，以基于所述至少一个可穿戴传感器的测量的上下文来确定所述活动状态。
7.根据权利要求1所述的方法，还包括通过标记所述用户的活动状态来训练所述机器学习算法。
8.根据权利要求1所述的方法，还包括基于所述至少一个可穿戴传感器的测量结果来确定所述用户的移动的统计基线。
9.根据权利要求1所述的方法，还包括对采样的步态异常的其他用户的相似行走模式进行聚类。
10.根据权利要求1所述的方法，还包括使用相似性学习执行步态异常模式的抽象。
11.根据权利要求1所述的方法，其中，所述机器学习算法使用以下中的至少一个来执行：门控循环单元(GRU)、卷积神经网络(CNN)、长短期记忆(LSTM)神经网络、深度自动编码器(DAE)、基于注意力的神经网络、基于变换器的神经网络和梯度提升决策树算法。
12.一种用于确定步态异常的用户的活动状态的***，所述***包括：
数据库，其包括所述用户的简档；
至少一个可穿戴传感器，其被配置为检测所述用户的移动；以及
处理器，其耦合到所述数据库和所述至少一个可穿戴传感器，并被配置为：
基于所接收的用户简档并基于来自所述至少一个可穿戴传感器的数据，识别由所述用户进行的运动；和
使用机器学习算法确定由所述用户进行的至少一个迈步，所述机器学习算法被训练以基于所识别的运动确定迈步。
13.根据权利要求12所述的***，其中，所述用户简档包括选自由以下项组成的组的信息：病史、所述用户使用的药物、行走辅助工具的类型、社会地位、年龄、身高和位置历史。
14.根据权利要求12所述的***，其中，所述至少一个可穿戴传感器被配置成检测具有指示生理状态的信息的信号，所述指示生理状态的信息选自由以下项组成的组：心率、心率变异性、血压、足部压力、磁强计、陀螺仪和三轴加速度计。
15.根据权利要求14所述的***，其中，所述至少一个可穿戴传感器检测以1-100Hz范围内的频率采样的信号。
16.一种确定步态异常的用户的错步的方法，所述方法包括：
由处理器校准与在受控环境中用户的运动相对应的信号，以识别所述用户的步态；
由耦合到所述处理器的至少一个可穿戴传感器检测所述用户的移动，以确定相对所确定的步态的变化；
由所述至少一个可穿戴传感器检测所述用户的至少一个生理信号；
由所述处理器基于来自所述至少一个可穿戴传感器的数据来识别由所述用户进行的运动；和
由所述处理器使用机器学习算法来确定所述用户进行的至少一个错步，所述机器学习算法被训练以基于所识别的运动确定迈步。
17.根据权利要求16所述的方法，还包括训练所述机器学习算法以利用针对具有已知属性的用户的运动数据的数据集来确定迈步。
18.根据权利要求16所述的方法，还包括基于所确定的错步事件的升级来预测跌倒事件。
19.根据权利要求16所述的方法，还包括基于对多个错步事件的检测来预测跌倒风险。
20.根据权利要求16所述的方法，还包括基于监控所述用户的睡眠来预测跌倒风险。
21.根据权利要求16所述的方法，还包括基于检测到的移动变化和所述用户的药物变化之间的相关性来预测跌倒风险。
22.根据权利要求16所述的方法，还包括基于监控所述用户的行为异常来预测跌倒风险。
23.根据权利要求16所述的方法，还包括由所述至少一个可穿戴传感器检测所述用户的至少一个错步。
24.根据权利要求16所述的方法，还包括由所述至少一个可穿戴传感器检测所述用户的至少一次跌倒。
25.根据权利要求16所述的方法，还包括使用相似性学习执行步态异常模式的抽象。
26.根据权利要求16所述的方法，其中，所述机器学习算法使用以下中的至少一个来执行：门控循环单元(GRU)、卷积神经网络(CNN)、长短期记忆(LSTM)神经网络、深度自动编码器(DAE)、基于注意力的神经网络、基于变换器的神经网络和梯度提升决策树算法。
27.一种用于确定步态异常的用户的错步的***，所述***包括：
数据库，其包括对应于所述用户的步态的一组校准信号；
至少一个可穿戴传感器，其被配置成：
检测所述用户的移动；和
检测所述用户的至少一个生理信号；和
处理器，其耦合到所述数据库和所述至少一个可穿戴传感器，并被配置为：
确定相对于校准的步态的变化；
基于所接收的用户简档并基于来自所述至少一个可穿戴传感器的信号，识别由所述用户进行的运动；和
使用机器学习算法确定由所述用户进行的至少一个错步，所述机器学习算法被训练以基于所识别的运动确定迈步。
28.根据权利要求27所述的***，其中，所述机器学习算法被训练为利用针对具有已知属性的用户的运动数据的数据集来确定迈步。
29.根据权利要求28所述的***，其中，所述已知属性包括选自由以下项组成的组的信息：病史、所述用户使用的药物、行走辅助工具的类型、社会地位、年龄、身高和位置历史。
30.根据权利要求27所述的***，其中，所述处理器被配置成基于所确定的错步事件的升级来预测跌倒事件。
31.根据权利要求27所述的***，其中，所述处理器被配置成基于对多个错步事件的检测来预测跌倒风险。
32.根据权利要求27所述的***，其中，所述处理器被配置成基于监控所述用户的睡眠来预测跌倒风险。
33.根据权利要求27所述的***，其中，所述处理器被配置成基于所检测到的移动变化和所述用户的药物变化之间的相关性来预测跌倒风险。
34.根据权利要求27所述的***，其中，所述处理器被配置成基于监控所述用户的行为异常来预测跌倒风险。
35.根据权利要求27所述的***，其中，所述至少一个可穿戴传感器被配置成检测所述用户的至少一次跌倒。
36.根据权利要求27所述的***，其中，所述至少一个可穿戴传感器被配置成检测所述用户的至少一个错步。
37.根据权利要求27所述的***，其中，所述至少一个可穿戴传感器包括智能手表运动传感器和鞋垫传感器中的至少一个。
38.根据权利要求27所述的***，其中，所述至少一个可穿戴传感器被配置为检测具有指示生理状态的信息的信号，所述具有指示生理状态的信息选自由以下项组成的组：心率、心率变异性、皮肤电反应、心电图、SpO2、气压、磁强计、陀螺仪、三轴加速度计、血压和足部压力。
CN202180014705.7A 2020-02-13 2021-02-11 用于确定和预测错步的***和方法 Pending CN115135239A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062975786P 2020-02-13 2020-02-13
US62/975,786 2020-02-13
PCT/IL2021/050165 WO2021161314A1 (en) 2020-02-13 2021-02-11 System and method for determining and predicting of a misstep

Publications (1)

Publication Number Publication Date
CN115135239A true CN115135239A (zh) 2022-09-30

Family

ID=77291773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180014705.7A Pending CN115135239A (zh) 2020-02-13 2021-02-11 用于确定和预测错步的***和方法

Country Status (3)

Country Link
US (1) US20230081657A1 (zh)
CN (1) CN115135239A (zh)
WO (1) WO2021161314A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3973448A1 (en) * 2020-07-29 2022-03-30 Google LLC System and method for exercise type recognition using wearables
EP4216817A1 (en) * 2020-09-25 2023-08-02 Walkbeat AB System and method for analyzing gait-related health and performance of an equine animal

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725512A (zh) * 2017-02-22 2017-05-31 安徽华米信息科技有限公司 运动监测方法、装置及可穿戴设备
WO2018088695A1 (ko) * 2016-11-08 2018-05-17 을지대학교 산학협력단 낙상 방지용 웨어러블 디바이스 및 이를 이용한 낙상 위험 관리 시스템
CN108348745A (zh) * 2015-08-18 2018-07-31 奥利克斯医疗保健有限公司 预测医疗保健事件的***和方法
CN108720841A (zh) * 2018-05-22 2018-11-02 上海交通大学 基于云检测的可穿戴下肢运动矫正***
CN109425364A (zh) * 2017-08-28 2019-03-05 意法半导体股份有限公司 利用假阳性拒绝的用于执行计步的电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10422814B2 (en) * 2013-07-18 2019-09-24 Vital Connect, Inc. Fall detection using machine learning
US20180177436A1 (en) * 2016-12-22 2018-06-28 Lumo BodyTech, Inc System and method for remote monitoring for elderly fall prediction, detection, and prevention
WO2019075185A1 (en) * 2017-10-11 2019-04-18 Plethy, Inc. DEVICES, SYSTEMS AND METHODS FOR ADAPTIVE HEALTH MONITORING USING BEHAVIORAL, PSYCHOLOGICAL AND PHYSIOLOGICAL CHANGES OF A BODY PART

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108348745A (zh) * 2015-08-18 2018-07-31 奥利克斯医疗保健有限公司 预测医疗保健事件的***和方法
WO2018088695A1 (ko) * 2016-11-08 2018-05-17 을지대학교 산학협력단 낙상 방지용 웨어러블 디바이스 및 이를 이용한 낙상 위험 관리 시스템
CN106725512A (zh) * 2017-02-22 2017-05-31 安徽华米信息科技有限公司 运动监测方法、装置及可穿戴设备
CN109425364A (zh) * 2017-08-28 2019-03-05 意法半导体股份有限公司 利用假阳性拒绝的用于执行计步的电子设备
CN108720841A (zh) * 2018-05-22 2018-11-02 上海交通大学 基于云检测的可穿戴下肢运动矫正***

Also Published As

Publication number Publication date
US20230081657A1 (en) 2023-03-16
WO2021161314A1 (en) 2021-08-19

Similar Documents

Publication Publication Date Title
CN107209807B (zh) 疼痛管理可穿戴设备
US10692011B2 (en) Adaptive model-based system to automatically quantify fall risk
AU2014277079B2 (en) Fall detection system and method.
CN105792740B (zh) 非临床环境中的心率恢复的检测与计算
JP2018524137A (ja) 心理状態を評価するための方法およびシステム
EP3079568B1 (en) Device, method and system for counting the number of cycles of a periodic movement of a subject
US20160128638A1 (en) System and method for detecting and quantifying deviations from physiological signals normality
KR20170023770A (ko) 진단모델 생성 시스템 및 방법
Prado et al. Gait segmentation of data collected by instrumented shoes using a recurrent neural network classifier
Kelly et al. Automatic prediction of health status using smartphone-derived behavior profiles
US20230081657A1 (en) System and method for determining and predicting of a misstep
CA3040972A1 (en) Sickness prediction application system
CN114096194A (zh) 用于认知训练和监控的***和方法
WO2020005822A1 (en) Activity tracking and classification for diabetes management system, apparatus, and method
US20230298760A1 (en) Systems, devices, and methods for determining movement variability, illness and injury prediction and recovery readiness
US20230329587A1 (en) System And Method For Assessing Neuro Muscular Disorder By Generating Biomarkers From The Analysis Of Gait
US11887730B2 (en) Systems and methods for unobtrusive digital health assessment
Cardenas et al. AutoHealth: Advanced LLM-Empowered Wearable Personalized Medical Butler for Parkinson’s Disease Management
Kelly et al. Smartphone derived movement profiles to detect changes in health status in COPD patients-a preliminary investigation
US20230123815A1 (en) Stability scoring of individuals utilizing inertial sensor device
Nouriani et al. Real world validation of activity recognition algorithm and development of novel behavioral biomarkers of falls in aged control and movement disorder patients
US10079074B1 (en) System for monitoring disease progression
Jeewandara et al. An Efficient Machine Learning Based Elderly Monitoring System
Fikry et al. Improving Complex Nurse Care Activity Recognition Using Barometric Pressure Sensors
AU2021107373A4 (en) Develop an autonomous design system to recognize the subject through the posture of the walk using iot

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