基于身体姿态感知的可穿戴式跌倒风险预警系统
本发明涉及智能护理,具体涉及基于身体姿态感知的可穿戴式跌倒风险预警系统。
背景技术:
1、在临床康复护理中,跌倒成为威胁老年人及神经、骨科康复患者的生命安全的重要因素。尤为严峻的是,对于患有认知障碍、帕金森病、卒中后偏瘫及骨科手术后康复人群而言,由于中枢神经系统受损或运动机能退化,其步态稳定性与平衡控制能力显著下降,成为跌倒的高发群体;并且在临床及日常照护环境中,发生跌倒情况往往具有显著的场景特异性与时效性,而目前在跌倒风险预警的智能护理中,主要手段为通过穿戴式检测设备进行跌倒检测。
2、在现有技术中,可穿戴设备通常依赖较为单一的阈值判定方法,虽然能实现跌倒后的自动预警,但是缺乏事前预警机制,仅能在跌倒后进行被动响应,并且由于通常情况下所采集到的数据为多个动作复合出来的,因此未能对采集的数据进行充分分析的情况下,无法在用户出现躯干倾斜、步态紊乱等失衡前兆时进行有效预估,导致误报率较高。
技术实现思路
1、本发明提供基于身体姿态感知的可穿戴式跌倒风险预警系统,以解决现有的问题。
2、本发明的基于身体姿态感知的可穿戴式跌倒风险预警系统采用如下技术方案:
3、本发明一个实施例提供了基于身体姿态感知的可穿戴式跌倒风险预警系统,该系统包括以下模块:
4、数据采集模块,用于获取当前用户的若干维度的运动数据;
5、初始预估模块,用于基于运动数据获取动作集以训练神经网络,得到动作识别模型;通过动作识别模型,以及若干运动数据获取跌倒标签集序列以及当前用户的标签集序列;基于跌倒标签集序列和标签集序列之间的相似情况,计算当前用户在最新时刻下的基础跌倒系数;
6、参数调节模块,用于分析当前用户的标签集序列的稳定情况,从而获取当前用户的新标签集序列,进一步基于新标签集序列与跌倒标签集序列之间的相似情况,得到当前用户在最新时刻下的新跌倒系数;
7、风险预警模块,用于利用当前用户的基础跌倒系数与新跌倒系数的数值水平以及差异情况,计算综合跌倒系数从而进行跌倒风险预警。
8、进一步地,所述基于运动数据获取动作集以训练神经网络,得到动作识别模型,包括的具体方法为:
9、基于运动数据以及对应的动作标签形成动作集,并对动作集中的运动数据进行数据分解处理,根据数据分解处理结果获取运动数据在基础分解参数下的若干模态分量数据;
10、构建神经网络,并利用动作集中各运动数据在若干种分解参数下的模态分量数据以及运动数据对应的标签对神经网络进行训练,得到动作识别模型。
11、进一步地,所述基础分解参数的具体获取方法为:
12、预设vmd算法的初始分解参数,对于任意运动数据,利用vmd算法对所述运动数据进行分解处理,得到所述运动数据的若干个分量数据,分析所述运动数据的所有分量数据的模态混叠情况,计算所述运动数据在对应初始分解参数下的混叠系数;
13、基于混叠系数对初始分解参数进行迭代调节,直至混叠系数小于预设的混叠阈值,得到所述运动数据的最新分解参数;对所有动作下相同维度的运动数据所对应的最新分解参数进行分布情况分析,确定所述维度的运动数据的基础分解参数。
14、进一步地,所述混叠系数的具体获取方法为:
15、通过傅里叶变换获取任意运动数据在基础分解参数下任意模态分量数据的频谱图,获取属于同一运动数据的任意两个模态分量形成模态对,获取运动数据的所有模态对的频谱重叠区域的总能量值,记为第一能量值;将所有模态分量的频谱总能量,记为第二能量值,根据所有运动数据的第一能量值和第二能量值的差异,得到所有运动数据在对应初始分解参数下的混叠系数。
16、进一步地,所述构建神经网络,并利用动作集中各运动数据在若干种分解参数下的模态分量数据以及运动数据对应的标签对神经网络进行训练,得到动作识别模型,包括的具体方法为:
17、采用双向长短期记忆网络与注意力机制相结合的架构;网络输入层接收模态分量数据,隐藏层包含2层双向长短期记忆网络,注意力层计算各时间步的重要性权重,全连接层输出动作标签的概率分布;
18、通过动作集对神经网络进行训练,在训练过程中使神经网络的输入为每个运动样本子集的所有运动数据在若干种分解参数下的模态分量数据,输出为每个运动样本子集的所有动作标签形成的标签集,从而得到训练好的神经网络模型,作为动作识别模型。
19、进一步地,所述通过动作识别模型,以及若干运动数据获取跌倒标签集序列以及当前用户的标签集序列,包括的具体方法为:
20、将动作集中发生跌倒动作的运动样本子集,记为跌倒集;将任意运动数据的开始时刻作为采集时刻,对于跌倒集中任意运动样本子集,获取所述运动样本子集的采集时刻以及预设间隔下的若干个历史的采集时刻分别对应的运动样本子集,并将所有运动样本子集输入到动作识别模型中,得到分别对应的标签集,从而按照采集时刻的时间顺序将所述运动样本子集以及对应的若干个历史的运动样本子集分别对应的标签集进行排序,得到相应的序列,记为跌倒标签集序列;获取当前用户的最新运动数据以及对应的若干个历史运动数据对应标签集形成的标签集序列。
21、进一步地,所述新跌倒系数的具体获取方法为:
22、根据当前用户的标签集序列中各个标签集的动作标签的变化情况,计算稳定系数;
23、利用稳定系数对基础分解参数进行调节,得到新分解参数,基于新分解参数并通过vmd算法对当前用户的所有运动数据进行分解,从而通过动作识别模型获取相应的标签集序列,记为当前用户的新标签集序列;
24、根据基础跌倒系数的获取方法,并结合当前用户的新标签集序列,得到当前用户在最新时刻下的新跌倒系数。
25、进一步地,所述根据当前用户的标签集序列中各个标签集的动作标签的变化情况,计算稳定系数,包括的具体方法为:
26、获取当前用户的标签集序列中任意相邻的标签集之间的最大余弦相似度,作为邻域相似度,按照时间顺序对标签集序列中所有邻域相似度进行排序,得到邻域相似度序列,获取邻域相似度序列的前向差分序列,获取前向差分序列中所有差分值的变异系数,将作为当前用户的稳定系数。
27、进一步地,所述利用当前用户的基础跌倒系数与新跌倒系数的数值水平以及差异情况,计算综合跌倒系数从而进行跌倒风险预警,包括的具体方法为:
28、利用当前用户的基础跌倒系数与新跌倒系数的数值水平以及差异情况,计算综合跌倒系数;
29、根据综合跌倒系数的数值范围,判定风险等级并执行相应的预警策略:若综合跌倒系数小于0.3,判定为低风险状态,系统保持常规监测,不触发预警;若综合跌倒系数大于或等于0.3且小于0.6,判定为中风险状态,系统进入预警准备状态,提高数据采集频率,并向护理人员发送提示信息;若综合跌倒系数大于或等于0.6且小于0.85,判定为高风险状态,系统触发声光预警,并向护理站发送包含当前位置和用户状态的警报信息;若综合跌倒系数大于或等于0.85,判定为极高风险状态,并触发紧急响应机制。
30、进一步地,所述利用当前用户的基础跌倒系数与新跌倒系数的数值水平以及差异情况,计算综合跌倒系数,包括的具体方法为:
31、获取基础跌倒系数与新跌倒系数的平均值;基于新跌倒系数和基础跌倒系数的差值绝对值,计算调节因子;预设第一阈值,当调节因子大于或等于第一阈值时,将所述平均值直接作为综合跌倒系数;当调节因子小于第一阈值时,利用调节因子对所述平均值进行调整,从而得到综合跌倒系数。
32、本发明的技术方案的有益效果是:通过对运动数据进行数据分解处理并结合神经网络进行动作识别,有效提取了复合动作中的细节模态特征,克服了现有技术对复合数据分析不充分的问题,提高了动作识别与跌倒预估的准确性;并进一步通过分析用户标签集序列的稳定性自适应调节分解参数获取新跌倒系数,并将基础跌倒系数与自适应的新跌倒系数融合得到综合跌倒系数,兼顾了风险预估的普适性与个体适应性,避免了单一参数不当导致的偏离,有效降低了误报率,实现了精准的事前跌倒风险预警。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com