利用机器人预测关于目标对象的跌倒风险的方法、以及控制设备与流程

本发明的实施例涉及机器人领域，并且更具体地涉及一种利用机器人预测关于目标对象的跌倒风险的方法、以及控制设备。

背景技术：

1、传统的关于跌倒风险的评估方法通常依赖单一传感器进行跌倒风险评估。例如，仅基于可穿戴设备的加速度计检测姿态突变，或仅依靠视觉摄像头识别人体摔倒动作。例如，部分移动终端设备（如智能手机）已尝试集成跌倒监测功能。其通过内置的加速度计和陀螺仪用于检测用户的步态稳定性，当识别到步态不稳时向用户发出提醒。然而，此类单一模态方案的核心功能多集中在跌倒发生后的状态识别与报警（如跌倒事件检测），无法全面捕捉导致跌倒的前兆信号，缺乏早期预警信息的同步感知能力，因而无法实现跌倒风险的提前预警。另外，基于手机内置传感器的方案其检测原理依赖手机本体的运动信号，容易被简单的摇动或振动等非真实步态行为所欺骗，因而，产生大量虚假的步态不稳判定和误报警报，显著降低了风险评估的可靠性和用户体验。

2、综上，传统的关于跌倒风险的评估方法存在的不足之处至少在于：难以捕捉导致跌倒的前兆信号，因而无法实现跌倒风险的提前预警。

技术实现思路

1、针对上述问题，本发明提供了一种利用机器人预测关于目标对象的跌倒风险的方法、以及控制设备，不仅能够识别跌倒发生后的状态，而且能够提前预测跌倒风险等级。

2、根据本发明的第一方面，提供了一种利用机器人预测关于目标对象的跌倒风险的方法，包括：在机器人处，获取关于目标对象的多模态数据，所述多模态数据至少包括关于目标对象的视觉数据、生理学数据，所述视觉数据至少包括关于目标对象的连续图像帧，所述生理学数据包括目标对象的血压数据和心率数据；基于所述图像帧，获取目标对象在连续时间窗口内的三维关键点序列，以便基于所述三维关键点序列识别步态事件并提取步态特征；基于所述步态特征，经由步态稳定性评分模型，输出步态风险表征数据；从所获取的目标对象的血压数据和心率数据中提取血压和心率特征，以便基于所提取的关键的血压和心率特征生成生理风险变量；以及至少基于步态风险表征数据、生理风险变量，经由多因素融合模型，预测关于目标对象的跌倒风险等级。

3、在一些实施例中，基于所述图像帧，获取目标对象在连续时间窗口内的三维关键点序列包括：将图像帧输入人体检测模型，输出关于目标人体的检测框，所述检测框指示包含目标人体在图像中的位置信息、以及人体类别置信度；基于连续图像帧的检测框，生成目标人体在连续时间序列中的目标轨迹；基于检测框和目标轨迹，提取目标对象人体区域的图像及深度信息，以用于输入姿态估计模型，从而获得人体关键点集合，所述关键点至少包括头部、肩部、肘部、腕部、髋部、膝部、踝部、足尖和足跟；基于所获得的人体关键点集合，生成目标对象在连续时间窗口内的三维关键点序列，以便识别步态事件并提取步态特征，所述步态特征至少包括步速、步长、步频、步宽、双足支撑时间比例、步态不对称指数、步态变异系数、躯干摆动幅度、质心轨迹和压力中心。

4、在一些实施例中，预测关于目标对象的跌倒风险等级包括：计算步态与生理交互风险项；将步态风险表征数据、生理风险变量、以及步态与生理交互风险项，输入多因素融合模型，以便通过加权求和、以及sigmoid激活函数输出综合跌倒风险评分；以及基于综合跌倒风险评分，确定关于目标对象的跌倒风险等级。

5、在一些实施例中，利用机器人预测关于目标对象的跌倒风险的方法还包括以下至少一项：基于目标对象所在环境的视觉识别、深度测距和地图构建结果，计算环境风险变量；基于目标对象的跌倒历史记录，计算历史跌倒风险变量；针对所获取的关于目标对象的评估量表的原始评分数据进行归一化处理，以便生成评估量表风险变量；以及基于目标对象的日常活动行为模式，计算活动行为风险变量。

6、在一些实施例中，预测关于目标对象的跌倒风险等级包括：基于步态风险表征数据、生理风险变量、环境风险变量、历史跌倒风险变量、评估量表风险变量、活动行为风险变量、以及步态与生理交互风险项，经由多因素融合模型，预测关于目标对象的跌倒风险等级。

7、在一些实施例中，血压数据包括观察窗口内的收缩压和舒张压，心率数据包括观察窗口内的心率值和r-r间期序列，基于所提取的关键的血压和心率特征生成生理风险变量包括：基于目标对象的收缩压、舒张压、心率值和r-r间期序列，计算血压水平风险子项、体位性低血压风险子项、心率异常风险子项、心率变异性风险子项、以及血压和心率波动风险子项；以及将血压水平风险子项、体位性低血压风险子项、心率异常风险子项、心率变异性风险子项、以及血压和心率波动风险子项分别乘以对应权重系数后求和并进行截断处理，以便输出生理风险变量。

8、在一些实施例中，计算血压水平风险子项、体位性低血压风险子项、心率异常风险子项、心率变异性风险子项、以及血压和心率波动风险子项包括：基于观察窗口内收缩压中位数和舒张压中位数，通过分段映射函数，分别计算收缩压风险值和舒张压风险值，以便确定血压水平风险子项；检测目标对象从坐位或卧位转为站立后的血压变化量，以便获得收缩压变化量和舒张压变化量，从而计算体位性低血压风险子项；基于观察窗口内心率中位数与预设心率参考范围或目标对象的心率基线的偏离程度，计算心率异常风险子项；基于观察窗口内正常r-r间期序列计算时域指标，通过与健康人群参考值比较，计算心率变异性风险子项；以及基于观察窗口内血压变异系数、心率变异系数以及血压和心率的异常变化趋势，计算血压和心率波动风险子项。

9、在一些实施例中，利用机器人预测关于目标对象的跌倒风险的方法还包括：响应于确定目标对象发生跌倒，实时同步目标对象的定位信息以及病史档案信息至远端医护平台；以及基于病史信息中的疾病类型，输出关于目标对象的救助指示信息。

10、在一些实施例中，基于病史信息中的疾病类型，输出关于目标对象的救助指示信息包括：响应于确定所述病史信息中包含心脏病史，输出用于指示辅助服用急救药物并采取半卧位的信息；以及响应于确定所述病史信息中包含脑卒中病史或当前症状符合脑卒中体征时，输出用于指示立即拨打急救电话并避免随意搬动的信息。

11、在一些实施例中，响应于确定发生以下任一项风险事件，将多因素融合模型中的生理风险变量的权重提高：响应于所述体位性收缩压变化值大于或者等于第一收缩压变化阈值，或者所述体位性舒张压变化值大于或者等于第一舒张压变化阈值，确定发生直立性低血压的风险事件；响应于确定时域指标和频域高频功率持续低于预设心率阈值，并且低频与高频的比值升高时，确定存在交感神经过度兴奋且迷走神经活性减弱状态的风险事件；响应于确定所述立位后心率增快数值低于第一预定心率阈值或者基础心率相对于常态波动范围超过预定值时，确定存在压力反射功能受损状态的风险事件；以及响应于确定晨峰时段内血压波动幅度超过预设剧烈波动阈值，或者全天收缩压变异系数超过预定收缩压变异系数阈值，并且所述心率变异性参数持续低于预定心率变异性低值阈值时，确定存在风险事件。

12、在一些实施例中，利用机器人预测关于目标对象的跌倒风险的方法还包括：响应于确定关于目标对象的跌倒风险等级为低风险，机器人进行常规监测；响应于确定关于目标对象的跌倒风险等级为中风险，机器人提示提高监测频率；以及响应于确定关于目标对象的跌倒风险等级为高风险，机器人触发重点关注策略。

13、根据本发明的第二方面，提供了一种控制设备，控制设备包括：至少一个处理单元；至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述控制设备执行根据第一方面的方法的步骤。

14、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。