跌倒检测系统和方法
阅读：452发布：2021-03-23
专利汇可以提供跌倒检测系统和方法专利检索，专利查询，专利分析的服务。并且提供了一种在检测用户的跌倒中使用的跌倒检测系统，所述跌倒检测系统包括处理单元，所述处理单元被配置为确定关于所述用户和/或所述用户所位于的环境的背景信息，并且被配置为在所确定的背景信息指示所述用户处于或可能处于增高的跌倒 风 险的情况下增高被用于检测用户的跌倒的跌倒检测 算法 的灵敏度，在由所确定的背景信息指示所述增高的跌倒风险时，灵敏度的增高发生。，下面是跌倒检测系统和方法专利的具体信息内容。
1.一种在检测用户的跌倒中使用的跌倒检测系统，所述跌倒检测系统包括：
处理单元，其被配置为确定关于所述用户和/或所述用户所位于的环境的背景信息，并且被配置为在所确定的背景信息指示用户处于或可能处于增高的跌倒风险的情况下增高被用于检测所述用户的跌倒的跌倒检测算法的灵敏度，在由所确定的背景信息指示所述增高的跌倒风险时，灵敏度的增高发生。
2.根据权利要求1所述的跌倒检测系统，其中，所述背景信息包括对所述用户是否正在执行跌倒风险评估测试或平衡训练的指示；并且所述处理单元被配置为：如果所述背景指示所述用户正在执行跌倒风险评估测试或平衡训练，则确定所述用户处于或可能处于增高的跌倒风险。
3.根据前述权利要求中的任一项所述的跌倒检测系统，其中，所述背景信息包括对所述用户是否正在行走的指示，并且所述处理单元被配置为：如果所述背景信息指示所述用户正在行走，则确定所述用户处于或可能处于增高的跌倒风险。
4.根据前述权利要求中的任一项所述的跌倒检测系统，其中，所述背景信息包括对是否已经检测到所述用户的异常移动样式的指示，并且所述处理单元被配置为：如果所述背景信息指示异常移动样式，则确定所述用户处于或可能处于增高的跌倒风险。
5.根据前述权利要求中的任一项所述的跌倒检测系统，其中，所述背景信息包括对所述用户的当前位置的指示，并且所述处理单元被配置为：如果所述用户的所述当前位置是所述用户处于较高的跌倒风险的已知位置，则确定所述用户处于或可能处于增高的跌倒风险。
6.根据前述权利要求中的任一项所述的跌倒检测系统，其中，关于所述用户所位于的所述环境的所述背景信息包括对所述用户的位置中的环境光的指示、对地面多么平坦或多么不平坦的指示、对当前天气或温度的指示和/或对环境噪声水平的指示，并且所述处理单元被配置为：如果所述环境光低于阈值、如果所述地面不平坦、如果所述天气是湿的或者所述温度低于阈值和/或如果环境噪声水平高于阈值，则确定所述用户处于或可能处于增高的跌倒风险。
7.根据前述权利要求中的任一项所述的跌倒检测系统，其中，所述背景信息包括对当前时间的指示，并且所述处理单元被配置为：如果所述当前时间在一个或多个指定的时间段内，则确定所述用户处于或可能处于增高的跌倒风险。
8.根据权利要求7所述的跌倒检测系统，其中，所述一个或多个指定的时间段包括夜间和/或在安排的剂量的服药之前和/或之后不久的时间段。
9.根据前述权利要求中的任一项所述的跌倒检测系统，其中，所述背景信息包括对所述用户是否正在使用助行器的指示、对所述用户是否正戴着其眼镜的指示和/或对所述用户正穿着的鞋的类型的指示，并且所述处理单元被配置为：如果所述用户没有正在使用所要求的助行器、没有正戴着其眼镜和/或没有穿其正规的或正确的鞋，则确定所述用户处于或可能处于增高的跌倒风险。
10.根据前述权利要求中的任一项所述的跌倒检测系统，其中，所述背景信息包括对所述用户的当前活动水平的指示，并且所述背景信息指示：如果所述当前活动水平高于阈值活动水平，则所述用户处于或可能处于增高的跌倒风险。
11.根据前述权利要求中的任一项所述的跌倒检测系统，其中，所述处理单元还被配置为确定所述背景信息是否指示所述用户处于或可能处于降低的跌倒风险，并且被配置为：
当由所确定的背景信息指示所述降低的跌倒风险时，降低所述跌倒检测算法的所述灵敏度。
12.一种操作跌倒检测系统以检测用户的跌倒的方法，所述方法包括：
确定关于所述用户和/或所述用户所位于的环境的背景信息；并且
在所确定的背景信息指示所述用户处于或可能处于增高的跌倒风险的情况下，在由所确定的背景信息指示所述增高的跌倒风险时，增高被用于检测用户的跌倒的跌倒检测算法的灵敏度。
13.根据权利要求12所述的方法，所述方法还包括以下步骤：
确定关于所述用户和/或所述用户所位于的所述环境的另外的背景信息；并且如果所述另外的背景信息指示所述用户不再处于增高的跌倒风险，则重置或降低所述跌倒检测算法的所述灵敏度。
14.根据权利要求12或13所述的方法，所述方法还包括以下步骤：
利用被设定为与所述用户的正常跌倒风险相对应的正常灵敏度的所述跌倒检测算法来初始地操作所述跌倒检测系统；
其中，当所述背景信息指示所述用户处于或可能处于相对于所述用户的所述正常跌倒风险增高的跌倒风险时，将所述跌倒检测算法的所述灵敏度增高到所述正常灵敏度以上。
15.一种在其中体现有计算机可读代码的计算机程序产品，所述计算机可读代码被配置为在由适合的计算机或处理单元运行时，使得所述计算机或处理单元执行权利要求12至
14中的任一项所述的方法。
跌倒检测系统和方法
技术领域
[0001] 本发明涉及一种用于检测用户的跌倒的跌倒检测系统。
背景技术
[0002] 跌倒每年影响几百万人并且导致重大的伤害，尤其是在老年人中间。实际上，已经估计到，跌倒是老年人死亡的前三个原因之一。跌倒被定义为之后跟随有碰撞的、突然的、不受控制且无意的身体到地的向下位移，其后身体保持倒在地上。
[0003] 个人急救反应系统(PERS)是能够确保针对用户的帮助的系统。借助于个人帮助按钮(PHB)，用户能够在紧急情况下按下按钮来召唤帮助。大多数呼叫是因为用户已经跌倒。再者，如果用户遭受严重的跌倒(例如用户困惑，或者甚至更糟糕地，如果他们碰撞得失去意识)，则用户可能不能够按下按钮，这可能意味着帮助不在重要的时段中到达，尤其是如果用户单独居住的话。如果用户长时间保持躺倒，则跌倒的后果可能变得更严重。
[0004] 跌倒检测系统也是可用的，其处理一个或多个移动传感器的输出来确定用户是否已经遭受跌倒。大多数现有的身体穿戴的跌倒检测系统使用加速度计(通常是测量三个维度上的加速度的加速度计)，并且所述跌倒检测系统被配置为通过处理由加速度计生成的时间序列来推断跌倒的发生。一些跌倒检测系统还能够包括空气压力传感器(例如WO 2004/114245中描述的)以测量跌倒检测系统的高度、高度变化或绝对海拔。在检测到跌倒时，通过跌倒检测系统来触发警报。
[0006] 做出了许多努力来提供用于准确地检测跌倒的鲁棒的分类方法或处理算法。一般地，跌倒检测器对如碰撞、取向、取向变化、高度变化、垂直速度等特征进行测试。当对于跌倒的这些特征的计算值的集合与不是跌倒的其他移动是不同的时，得到可靠的检测结果。算法能够将检测到的特征与预定的阈值和/或分类样式进行比较，以确定是否已经发生了跌倒事件。
[0007] 能够通过将检测概率相对误报警率绘制的接收器操作特性(ROC)曲线来对分类方法的可靠性进行可视化。图1示出了这样的ROC曲线，其表示跨在长时间段中算法在所测试的许多用户间的平均性能。检测到的跌倒与跌倒警报之间的最优折衷(“操作点”)取决于若干因素，例如顾客/用户满意度和经济因素。高误警报率对于服务中心是昂贵的并且对于顾客(用户)是令人讨厌的，而减少误警报的量可能导致被错过的跌倒，这对于顾客(用户)可能是极麻烦或有害的。跌倒检测算法设计者的目的是创建具有尽可能接近地到达ROC曲线的左上拐角的操作点的算法。然而，精确的操作点能够取决于所提到的外部状况和偏好。
[0008] 一般地，处于低跌倒风险的人更活跃并且在日常生活中可能生成对于跌倒检测算法看上去像是跌倒的较多移动。因此，误警报的量可能高于针对该“低跌倒风险”组的平均值，而实际跌倒的量低于平均值。图2和图3分别示出了误警报率/真实跌倒与跌倒风险/活动水平之间的示范性关系。曲线可以采取其他形状。例如，在两个图形中误警报率都可以具有最大一半。
发明内容
[0009] 除日常生活中的移动行为之外，跌倒期间的移动行为还可能在处于低跌倒风险和高跌倒风险的人之间不同。一般地，“低跌倒风险”组能够校正缓慢移动期间的小平衡干扰。因此，该组中的大多数跌倒是因为快速移动和/或大平衡干扰而发生的，所述快速移动当人接触地时导致相对高的撞击。“高跌倒风险”组一般较缓慢并且较小心地移动。在人站着不动并且他们逐渐地失去平衡但不能对其进行校正时，也可能发生跌倒。然而，这样的用户可以努力维持平衡并在跌倒时寻找支持，这能够导致用户以相对低的碰撞接触地。因此，能够针对处于不同跌倒风险水平的人绘制不同的ROC曲线。由于移动行为的差异，最优分类方法、得到的ROC曲线和/或ROC曲线上的最优操作点取决于用户的动态跌倒风险。图4示出了针对两个不同类型的用户组(低跌倒风险用户和高跌倒风险用户)的示范性ROC曲线。还能够针对例如将跌倒检测系统穿戴在他们的衣服下面和他们的衣服上面的用户、或者针对具有不同特性(例如高度，其导致在跌倒期间的不同高度下降)的用户来绘制不同的ROC曲线。
能够看出，跌倒和误警报的发生率以及检测概率改变了分布，并且这也改变了最优跌倒检测器设计。
能够看出，跌倒和误警报的发生率以及检测概率改变了分布，并且这也改变了最优跌倒检测器设计。
[0010] 已经发现，针对跌倒的最强风险指标中的一些包括用户的先前跌倒的发生及其强度、步态以及平衡障碍。图4中示出的ROC曲线不仅在具有不同体能和先前的跌倒的用户之间不同，而且取决于用户的情况(背景)或他们在某一时刻处的环境。具体而言，用户的跌倒风险随时间而动态地改变，并且跌倒风险评估需要是进行的过程。人可能在一个时间点处在“低风险”类别中(例如当坐下与朋友交谈时)并在另一时间点处在“高风险”类别中(例如在服用药物之后、使用浴室、在灯光变暗时等)。在一些情况下，可能故意地挑战或测试用户的平衡能力，例如当用户测试其平衡以作为评估或训练或锻炼的一部分以提高其能力时。还已知大多数跌倒在行走期间发生，并且因此行走是固有“较高风险”的活动。再者，处于低跌倒风险(例如灯打开)的用户生成较多的误警报(因为他们在灯打开时或在白天期间较活跃)，而错过较少的跌倒(因为用户在灯打开时可能由于较大的干扰而跌倒，并且因此碰撞足够高以被检测到)。处于高跌倒风险(例如灯关闭)的人生成较少的误警报(例如因为用户在该时间的大部分中正在睡觉)，并且检测到较少的跌倒(因为用户可能由于造成低碰撞的非常小的干扰而已经跌倒)。
[0011] 从以上讨论将意识到，不可能将跌倒检测算法配置为在针对所有用户和所有情况下的ROC曲线上的最优点处操作。
[0012] 因此，本发明提供了使用关于用户和/或所述用户的环境的背景信息来对跌倒检测算法的灵敏度进行适配。具体而言，如果所述背景信息指示所述用户处于较高的跌倒风险，则增高所述跌倒检测算法的所述灵敏度。优选地，灵敏度的所述增高是暂时的并且仅在所述较高的跌倒风险存在或被检测到时持续，在所述较高的跌倒风险存在或被检测到之后，所述跌倒检测算法的所述灵敏度返回或接近针对所述用户的先前(例如默认的)灵敏度。在优选实施例中，所述跌倒检测算法的所述灵敏度是通过移动ROC曲线上的操作点来调节的。因此，当用户在形成较高的跌倒风险的情况中时，所述操作点被临时地移动以提高检测概率。在这些情况下，该经适配的设定也增高误警报发生的概率是被接受的，这是因为目的是确保没有跌倒被错过。由于所述跌倒检测算法仅被配置为在短时间段中较灵敏，因此平均仍获得相对低的误警报率，同时降低所述用户处于较高的跌倒风险时跌倒被错过的变化。
[0013] 根据本发明的第一方面，提供了一种操作跌倒检测系统以检测用户的跌倒的方法，所述方法包括：确定关于所述用户和/或所述用户所位于的环境的背景信息；并且，在所确定的背景信息指示所述用户处于或可能处于增高的跌倒风险的情况下，在由所确定的背景信息指示所述增高的跌倒风险时，增高被用于检测用户的跌倒的跌倒检测算法的灵敏度。
[0014] 在一些实施例中，所述背景信息包括对所述用户是否正在执行跌倒风险评估测试或平衡训练的指示；并且所述背景信息指示如果所述用户正在执行跌倒风险评估测试或平衡训练则所述用户处于或可能处于增高的跌倒风险。
[0015] 在一些实施例中，所述背景信息包括对所述用户是否正在行走的指示，并且所述背景信息指示如果所述用户正在行走则所述用户处于或可能处于增高的跌倒风险。
[0016] 在一些实施例中，所述背景信息包括对是否已经检测到所述用户的异常移动样式的指示，并且所述背景信息指示如果检测到异常移动样式则所述用户处于或可能处于增高的跌倒风险。
[0017] 在一些实施例中，所述背景信息包括对所述用户的当前位置的指示，并且所述背景信息指示如果所述用户的所述当前位置是所述用户处于较高的跌倒风险的已知位置则所述用户处于或可能处于增高的跌倒风险。所述用户处于较高的跌倒风险的所述已知位置可以包括以下中的任何一个或多个：浴室、楼梯上、室外或所述用户和/或其他用户先前已经跌倒过的位置。
[0018] 在一些实施例中，关于所述用户所位于的所述环境的所述背景信息包括对所述用户的位置中的环境光的指示、对地面多么平坦或多么不平坦的指示、对当前天气或温度的指示、和/或对环境噪声水平的指示，并且所述背景信息指示如果所述环境光低于阈值、如果所述地面不平坦、如果所述天气是湿的或者所述温度低于阈值、和/或如果环境噪声水平高于阈值则所述用户处于或可能处于增高的跌倒风险。
[0019] 在一些实施例中，所述背景信息包括对所述当前时间的指示，并且所述背景信息指示如果所述当前时间在一个或多个指定的时间段内则所述用户处于或可能处于增高的跌倒风险。所述一个或多个指定的时间段可以包括夜间和/或在安排的剂量的服药之前和/或之后不久的时间段。
[0020] 在一些实施例中，所述背景信息包括对所述用户的当前活动水平的指示，并且所述背景信息指示如果所述当前活动水平高于阈值活动水平则所述用户处于或可能处于增高的跌倒风险。
[0021] 在一些实施例中，增高跌倒检测算法的所述灵敏度的步骤包括增加跌倒将被检测到的可能性。
[0022] 在一些实施例中，增高跌倒检测算法的所述灵敏度的步骤包括调节所述算法的操作点在接收器操作特性曲线上的位置。
[0023] 在一些实施例中，增高所述跌倒检测算法的所述灵敏度的步骤包括减少跌倒的可能性必须超过非跌倒的可能性以使跌倒被检测到的所述阈值。
[0024] 在其他实施例中，增高跌倒检测算法的所述灵敏度的步骤包括在接收器操作特性曲线上确定所述算法的所要求的操作点，并且选择处于所要求的操作点的对所述跌倒检测算法的配置。
[0025] 在其他实施例中，所述跌倒检测算法包括根据对所述用户的移动的测量结果来确定一个或多个特征值，并且将所述一个或多个特征值与各自的阈值进行比较以检测是否已经发生跌倒，并且其中，增高所述跌倒检测算法的所述灵敏度的步骤包括调节所述阈值中的一个或多个以增加跌倒将被检测到的所述可能性。
[0026] 在其他实施例中，所述跌倒检测算法包括根据对所述用户的所述移动的测量结果来确定多个特征值；并且将特征值的集合与阈值进行比较以检测是否已经发生跌倒，并且其中，增高所述跌倒检测算法的所述灵敏度的步骤包括调节所述阈值以增加跌倒将被检测到的所述可能性。
[0027] 在其他实施例中，所述跌倒检测算法包括：根据对所述用户的所述移动的测量结果来确定一个或多个特征值；确定指示特征值的所述集合表示跌倒的所述可能性的值和指示特征值的所述集合不表示跌倒的所述可能性的值；确定所述可能性值的比率；并且将所述比率的对数与阈值进行比较以检测是否已经发生跌倒，并且其中，增高所述跌倒检测算法的所述灵敏度的步骤包括调节所述阈值以增加跌倒将被检测到的可能性。
[0028] 在一些实施例中，所述跌倒检测算法包括根据在两个或更多个阶段中对所述用户的所述移动的测量结果来确定一个或多个特征值，其中，每个阶段仅在先前的阶段中所确定的所述一个或多个特征值指示跌倒可能已经发生的情况下才被执行，并且其中，增高所述跌倒检测算法的所述灵敏度的步骤包括改变在一个或多个阶段中所确定的所述一个或多个特征值，和/或调节与所述特征值进行比较的一个或多个阈值。
[0029] 在一些实施例中，所述方法还包括：确定关于所述用户和/或所述用户所位于的所述环境的另外的背景信息的步骤；并且如果所述另外的背景信息指示所述用户不再处于增高的跌倒风险，则重置或降低所述跌倒检测算法的所述灵敏度。
[0030] 在一些实施例中，所述方法还包括利用被设定为与所述用户的正常跌倒风险相对应的正常灵敏度的所述跌倒检测算法来初始地操作所述跌倒检测系统；其中，当所述背景信息指示所述用户处于或可能处于相对于所述用户的所述正常跌倒风险增高的跌倒风险时，将所述跌倒检测算法的所述灵敏度增高到所述正常灵敏度以上。
[0031] 在一些实施例中，在所确定的背景信息指示所述用户处于或可能处于降低的跌倒风险的情况下，所述方法包括以下步骤：当由所确定的背景信息指示所述降低的跌倒风险时，降低被用于检测用户的跌倒的跌倒检测算法的所述灵敏度。
[0032] 根据本发明的第二方面，提供了一种具有被体现在其中的计算机可读代码的计算机程序产品，所述计算机可读代码被配置为使得在由适合的计算机或处理单元运行时，所述计算机或处理单元执行如以上描述的方法。
[0033] 根据本发明的第三方面，提供了一种在检测用户的跌倒中使用的跌倒检测系统，所述跌倒检测系统包括处理单元，所述处理单元被配置为确定关于所述用户和/或所述用户所位于的环境的背景信息，并且被配置为在所确定的背景信息指示所述用户处于或可能处于增高的跌倒风险的情况下增高被用于检测用户的跌倒的跌倒检测算法的灵敏度，在由所确定的背景信息指示所述增高的跌倒风险时，灵敏度的增高发生。
[0034] 在一些实施例中，所述背景信息包括对所述用户是否正在执行跌倒风险评估测试或平衡训练的指示；并且所述处理单元被配置为：如果所述背景信息指示所述用户正在执行跌倒风险评估测试或平衡训练，则确定所述用户处于或可能处于增高的跌倒风险。
[0035] 在一些实施例中，所述背景信息包括对所述用户是否正在行走的指示，并且所述处理单元被配置为：如果所述背景信息指示所述用户正在行走，则确定所述用户处于或可能处于增高的跌倒风险。
[0036] 在一些实施例中，所述背景信息包括对是否已经检测到所述用户的异常移动样式的指示，并且所述处理单元被配置为：如果所述背景信息指示异常移动样式，则确定所述用户处于或可能处于增高的跌倒风险。
[0037] 在一些实施例中，所述背景信息包括对所述用户的当前位置的指示，并且所述处理单元被配置为：如果所述用户的所述当前位置是所述用户处于较高的跌倒风险的已知位置，则确定所述用户处于或可能处于增高的跌倒风险。所述用户处于较高的跌倒风险的所述已知位置可以包括以下中的任何一个或多个：浴室、楼梯上、室外或所述用户和/或其他用户先前已经跌倒的位置。
[0038] 在一些实施例中，关于所述用户所位于的所述环境的所述背景信息包括对所述用户的位置中的环境光的指示、对地多么平坦或多么不平坦的指示、对当前天气或温度的指示、和/或对环境噪声水平的指示，并且所述处理单元被配置为：如果所述环境光低于阈值、如果所述地不平坦、如果所述天气是湿的或所述温度低于阈值、和/或如果环境噪声水平高于阈值，则确定所述用户处于或可能处于增高的跌倒风险。
[0039] 在一些实施例中，所述背景信息包括对当前时间的指示，并且所述处理单元被配置为：如果所述当前时间在一个或多个指定的时间段内，则确定所述用户处于或可能处于增高的跌倒风险。所述一个或多个指定的时间段可以包括夜间或在安排的剂量的服药之前和/或之后不久的时间段。
[0040] 在一些实施例中，所述背景信息包括对所述用户的当前活动水平的指示，并且所述背景信息指示如果所述当前活动水平高于阈值活动水平则所述用户处于或可能处于增高的跌倒风险。
[0041] 在一些实施例中，所述处理单元被配置为增高跌倒检测算法的所述灵敏度以增高跌倒将被检测到的所述可能性。
[0042] 在一些实施例中，所述处理单元被配置为通过调节所述算法的操作点在接收器操作特性曲线上的位置来增高跌倒检测算法的所述灵敏度。
[0043] 在一些实施例中，所述处理单元被配置为通过减少跌倒的可能性必须超过非跌倒的可能性以使跌倒被检测到的所述阈值来增高所述跌倒检测算法的所述灵敏度。
[0044] 在其他实施例中，所述处理单元被配置为通过在接收器操作特性曲线上确定所述算法的所要求的操作点并选择具有所要求的操作点的所述跌倒检测算法的配置来增高跌倒检测算法的所述灵敏度。
[0045] 在其他实施例中，所述跌倒检测算法包括：根据对所述用户的移动的测量结果来确定一个或多个特征值；并且将所述一个或多个特征值与各自的阈值进行比较以检测是否已经发生跌倒，并且所述处理单元被配置为通过调节所述阈值中的一个或多个以增加跌倒将被检测到的所述可能性，来增高所述跌倒检测算法的所述灵敏度。
[0046] 在其他实施例中，所述跌倒检测算法包括：根据对所述用户的所述移动的测量结果来确定多个特征值；并且将特征值的集合与阈值进行比较以检测是否已经发生跌倒，并且所述处理单元被配置为通过调节所述阈值以增加跌倒将被检测到的所述可能性，来增高所述跌倒检测算法的所述灵敏度。
[0047] 在其他实施例中，所述跌倒检测算法包括：根据对所述用户的所述移动的测量结果来确定一个或多个特征值；确定指示特征值的所述集合表示跌倒的所述可能性的值和指示特征值的所述集合不表示跌倒的所述可能性的值；确定可能性值的比率并将所述比率的对数与阈值进行比较以检测是否已经发生跌倒，并且所述处理单元被配置为通过调节所述阈值以增加跌倒将被检测到的所述可能性，来增高所述跌倒检测算法的所述灵敏度。
[0048] 在一些实施例中，所述跌倒检测算法包括根据在两个或更多个阶段中对所述用户的所述移动的测量结果来确定一个或多个特征值，其中，每个阶段仅在先前阶段中所确定的所述一个或多个特征值指示跌倒可能已经发生的情况下才被执行，并且所述处理单元被配置为通过改变在一个或多个阶段中所确定的所述一个或多个特征值和/或调节与所述特征值进行比较的一个或多个阈值来增高所述跌倒检测算法的所述灵敏度。
[0049] 在一些实施例中，所述处理单元还被配置为确定关于所述用户和/或所述用户所位于的所述环境的另外的背景信息；并且被配置为：如果所述另外的背景信息指示所述用户不再处于增高的跌倒风险，则重置或降低所述跌倒检测算法的所述灵敏度。
[0050] 在一些实施例中，所述处理单元被配置为利用被设定为与所述用户的正常跌倒风险相对应的正常灵敏度的所述跌倒检测算法来初始地操作所述跌倒检测系统；并且其中，当所述处理单元确定所述背景信息指示所述用户处于或可能处于相对于所述用户的所述正常跌倒风险增高的跌倒风险时，所述处理单元被配置为将所述跌倒检测算法的所述灵敏度增高到所述正常灵敏度以上。
[0051] 在一些实施例中，所述处理单元还被配置为确定所述背景信息是否指示所述用户处于或可能处于降低的跌倒风险，并且被配置为在由所确定的背景信息指示所述降低的跌倒风险时降低所述跌倒检测算法的所述灵敏度。附图说明
[0052] 现在将参考附图仅通过范例来描述本发明的示范性实施例，其中：
[0053] 图1是图示了用于跌倒检测算法的示范性ROC曲线的图形；
[0054] 图2是图示了误警报率和真实跌倒率对用户的跌倒风险的图形；
[0055] 图3是图示了误警报率和真实跌倒率对用户的活动水平的图形；
[0056] 图4是分别图示了针对处于高跌倒风险和低跌倒风险的用户的两个示范性ROC曲线的图形；
[0057] 图5是根据本发明的实施例的跌倒检测系统的方框图；
[0058] 图6是图示了根据本发明的实施例的方法的流程图；
[0059] 图7是图示了对本发明的实施例的操作的功能流程图；
[0060] 图8是适用于跌倒风险评估的贝叶斯(Bayesian)网络的范例；并且
[0061] 图9是图示了对根据特定实施例的系统的操作的流程图。
具体实施方式
[0062] 图5中示出了根据本发明的实施例的跌倒检测系统2。在本发明的该实施例中，跌倒检测系统2包括被设计为由用户穿戴或携带的用户设备4。
[0063] 用户设备4优选地是被穿戴在围绕用户的颈部的绳或链上的垂饰的形式，但是将意识到，用户设备4不限于该形式因素，并且用户设备可能作为替代而能够被设计为被穿戴在用户的手腕或腰处、在他们的胸或背上、或被携带在他们的口袋中。
[0064] 用户设备4包括用于获得对用户的移动的测量结果的一个或多个移动传感器。一个或多个移动传感器6、8典型地包括用于测量由用户所经历的加速度的至少加速度计6，并且在该示范性实施例中，用户设备4还包括空气压力传感器8，其获得对空气压力的测量结果，能够处理所述对空气压力的测量结果来确定用户的高度(海拔)或高度的变化。一个或多个移动传感器6、8被连接到处理单元10。处理单元10接收来自移动传感器6、8的测量结果，并处理所述测量结果以确定跌倒检测系统2的用户是否已经遭受跌倒。处理单元10还控制对用户设备4的操作。
[0065] 将意识到，加速度计6测量由用户设备4所经历的加速度，并且处理单元10可以分析加速度以识别碰撞、确定速度、确定用户设备4的取向的变化和/或位置或高度的变化。在某些实施例中，处理单元10还能够处理来自加速度计6的信号以检测由用户利用用户设备4做出(图8中的圆圈，例如摇动用户设备4、以振动运动将其移动等)的预定姿态(即移动)的表现。能够由处理单元10分析来自空气压力传感器的信号以确定用户设备4的高度和/或高度的变化。
[0066] 将意识到，尽管在该实施例中示出了两个移动传感器，但根据备选实施例的跌倒检测系统可以包括仅一个移动传感器(例如仅加速度计6，其中，省略了空气压力传感器8。)在又一实施例中，作为对空气压力传感器8的补充或备选，用户设备4能够包括陀螺仪和/或(一个或多个)磁场传感器。
[0067] 用户设备4还包括发送器或收发器电路12，其允许用户设备4在检测到跌倒的情况下将警报信号发送到远程呼叫中心或紧急服务。发送器或收发器电路12能够被配置为跟与用户设备4相关联的基站(其接着能够发出警报或从护理提供者或紧急服务召唤帮助)通信，或者经由公共电话网络(例如移动电信网络)对(例如位于护理提供者的呼叫中心中的)远程站进行通信。在发送器或收发器电路12被配置为与基站通信的情况下，可以根据任何已知的无线技术来配置电路12，例如Wi-Fi、蓝牙、ZigBee、近场通信(NFC)等。在发送器或收发器电路12还被提供为或备选地被提供为使得能够与诸如移动电话网络的公共电话网络通信的情况下，电路12还可以或备选地可以被配置用于与任何适合类型的第二、第三或第四代通信网络一起使用，包括GSM、WCDMA、LTE等。再者，虽然在图5中未示出，但用户设备4可以包括用于使得用户能够与护理提供者或紧急服务通信的扬声器和/或麦克风。
[0069] 将意识到，存储器模块14可以仅存储最近的测量结果数据或来自预定义时段的测量结果数据。
[0070] 任选地，用户设备4能够包括用户接口16，其将信息提供给用户和/或允许用户对用户设备4进行交互或控制。用户接口16能够包括用户输入部件，例如按钮、按键、开关、轨迹球、触摸屏或麦克风；和/或用户反馈部件，例如扬声器、灯、LED、显示器或振动设备(用于向用户提供触觉反馈)。在一些实施例中，用户接口16包括至少用于用户在紧急情况下按下以请求帮助的专用按钮(该按钮有时被称为个人帮助按钮)。
[0071] 用户设备4还包括电源18，例如向用户设备4的部件提供电力的电池。
[0072] 在图1中所示的实施例的备选实施例中，跌倒检测系统2还可以包括基础单元，所述基础单元能够被定位在用户的家中并且其与用户设备4无线通信。基础单元还可以用作用户设备4的充电站。基础单元可以包括用于实现经由公共交换电话网络和/或移动通信网络的在用户与远程呼叫中心(例如紧急服务)之间的通信的电路，和/或基础单元可以提供到因特网的连接。在该系统2的一些实现方式中，能够通过用户设备4中的处理单元10来执行根据本发明的处理和操作，其中，基础单元仅被提供为促进与远程呼叫中心/紧急服务/因特网的通信。在备选实现方式中，用户设备4能够将通过移动传感器6、8获得的测量结果传输到基础单元，并且基础单元中的处理单元能够使用该测量结果来执行根据本发明的处理和操作。后者的这种实施例具有以下优势，即能够基本上减少用户设备4的功耗。
[0073] 在又一实施例中，跌倒检测系统的用户设备4能够被配置为连接到属于用户的另一电子设备，例如计算机、膝上型计算机、平板计算机或智能电话，以使得用户能够经由该电子设备控制用户设备4。在这些实施例中，能够使用任何已知的无线技术(例如Wi-Fi、蓝牙、ZigBee、近场通信(NFC)等)来建立连接。在这些实施例中，使用另一电子设备来控制用户设备4能够代替对于要被包括在用户设备4中的用户接口16的需要(除了也许需要单个个人帮助按钮)。在这些实施例中，还能够使用另一电子设备而不是用户设备4来处理移动测量结果以检测跌倒，从而减少用户设备4的功耗。
[0074] 在一些实施例中，远程定位的临床医生或其他护理提供者能够经由用户设备4而与用户交互。例如，临床医生或护理提供者可以经由用户设备4中的收发器电路12来联系用户并且建议用户其应当执行跌倒风险评估或服用一些药物。
[0075] 在一些实现方式中，用户设备4中的处理单元10通过从移动传感器测量结果提取与跌倒相关联的一个或多个特征的值使用跌倒检测算法来确定用户是否已经遭受跌倒。例如，使用加速度计6和空气压力传感器8来测量由用户设备4所经历的加速度和空气压力变化，并且由处理单元10分析这些测量结果以确定用户是否已经遭受跌倒。
[0076] 例如，可以宽泛地通过大约0.5至1.5米(范围可以取决于用户设备4将要穿戴的身体的部分和用户的高度而不同)、导致显著的碰撞并且跟随有用户不移动很多的时段的海拔变化来表征跌倒。因此，为了确定是否已经发生跌倒，处理单元10能够处理传感器测量结果以提取包括以下中的一个或多个的特征的值：海拔的变化(其能够从来自空气压力传感器8的测量结果导出，但是还能够或备选地能够从来自加速度计6的测量结果导出，例如在空气压力传感器8不存在的情况下)、海拔变化发生的时间周围的最大活动水平(即碰撞)(典型地从来自加速度计6的测量结果导出)和用户在碰撞之后相对不活跃的时段(典型地也从来自加速度计6的测量结果导出)。将意识到，其他特征还能够改进检测算法。例如，对跌倒时取向变化的检测能够改进信号是源于跌倒的可能性。
[0077] 在测量结果中识别出以上特征的子集或全部的情况下，能够识别用户的跌倒。换言之，在测量结果中检测到所要求的高度变化、碰撞和不活动时段中的任何一个或多个的情况下，可以识别跌倒。
[0078] 如以下所讨论的，跌倒检测系统2使用对从来自(一个或多个)移动传感器6、8的测量结果导出的特征(例如高度变化、碰撞、取向等)进行处理的跌倒检测算法来确定用户是否已经跌倒。在一些实施例中，当执行全跌倒检测处理时，确定特征值的集合是否在与跌倒相对应的(多维)区域中。优选地，针对特征值的集合来确定指示跌倒的可能性的值，并且将该可能性与阈值进行比较以确定是否已经发生跌倒。备选地，能够将每个单独的特征值与各自的阈值进行比较，并且如果某一数量的特征超过其阈值，则检测到跌倒。
[0079] 在另一(优选的)备选方案中，能够在各阶段中运行跌倒检测算法，其中，在第一阶段中通过轻量(关于处理方面来说)算法来连续地评估移动传感器测量结果，以检测潜在的跌倒事件(其中，例如通过检测到的具有足够幅值的碰撞或向下大于预定量的高度变化来指示潜在跌倒)。如果检测到潜在跌倒事件，则生成“触发”。如果生成触发，则在第二阶段中评估测量结果中找到触发的时刻周围的移动传感器测量结果。在该阶段中，计算若干特征。例如，能够计算高度变化、取向变化、垂直速度和碰撞。可以将这些特征值中的每个与阈值进行比较，并且如果特征值与阈值的比较与跌倒不一致，那么停止第二阶段跌倒检测处理，并且恢复对移动传感器测量结果的轻量处理。
[0080] 如果特征值与阈值的比较与跌倒一致(或者如果在该阶段不存在特征值与阈值的比较)，则进入第三处理阶段。在该第三阶段中，通过分类器(例如朴素贝叶斯分类器(NBC))来评估计算出的特征值。已经关于一般群体跌倒数据和/或用户特异跌倒和活动数据对分类器进行了训练。该第三阶段能够被看作(第二)阈值测试——与第二阶段的差异在于，将特征值的集合与单个阈值进行比较，而不是将特征值与各自的阈值进行比较。由于分类器结果是二进制的(即跌倒或非跌倒)，因此其通常被称为检测器。如果检测到跌倒，则能够进入第四任选阶段，例如在所述第四任选阶段中，能够做出关于撤回跌倒警报还是测试针对例外状况的特征集合的决定，所述例外状况例如设备的发生移位掉落(在一些情况下，也可以在第二或第三阶段之前的序列的较早阶段中测试例外)。
[0081] 能够通过ROC曲线来评估总体跌倒检测算法(或仅单独的第三阶段)的表现。能够将可能性分配给特征值的集合，所述可能性表示值的集合与跌倒相对应的可能性有多大。同样地，能够将可能性分配给集合，所述可能性表示值的集合与非跌倒相对应的可能性有多大(应当注意，这两个可能性不是互补的，即其和不一定为1)。两个可能性的比率是可能性比率，其对数被称为对数似然比(LLR)。
[0082] 在以上描述的第三处理阶段中，分类(对跌倒的检测)包括将针对特征值集合的LLR与阈值进行比较。如果超过阈值，则检测到跌倒，否则将事件分类为非跌倒。低阈值将更可能检测到跌倒(与具有高或较高灵敏度的跌倒检测算法相对应)，然而这以增高的误警报率为代价(低特异性)。高阈值将提高特异性，然而这以错过跌倒为代价(与具有降低的灵敏度的跌倒检测算法相对应)。ROC曲线将这些数字相对彼此进行描绘，其中，阈值随着参数变化。
[0083] 从以上发明内容部分中的讨论将注意到，不可能将跌倒检测算法配置为在ROC曲线上针对所有用户和在所有状况下的最优点处操作，因此本发明提供使用关于用户和/或用户环境的背景信息来对跌倒检测算法的灵敏度进行适配。
[0084] 跌倒检测算法将具有可以对所有用户共有的默认或正常灵敏度水平(即ROC曲线上的默认或正常点)、或者对用户特异的默认或正常灵敏度水平，能够基于在系统2最初设立时由用户执行的跌倒风险评估和/或基于用户特性来将所述对用户特异的默认或正常灵敏度水平校准到用户，和/或能够基于重复的跌倒风险评估在长期内调节所述默认或正常灵敏度水平。默认或正常灵敏度水平是在用户处于其默认或正常的跌倒风险时使用的灵敏度水平。
[0085] 根据本发明，在关于用户和/或用户环境的背景信息指示用户暂时处于增高的跌倒风险(即相对于用户的正常跌倒风险)的情况下，增高跌倒检测算法的灵敏度以提高用户的跌倒被检测到的机会。在一些实施例中，还能够检查关于用户和/或用户环境的背景信息以确定用户是否暂时处于降低的跌倒风险(即相对于用户的正常跌倒风险)或者用户是否正在从事更可能生成误警报的活动，在这种情况下，能够暂时降低跌倒检测算法的灵敏度以减少发出误警报的机会。
[0086] 图6中的流程图图示了根据本发明的操作跌倒检测系统的示范性方法，其中，当背景信息指示用户处于增高的跌倒风险时增高跌倒检测算法的灵敏度。本领域的技术人员将意识到，能够在另外的实施例中使用类似的步骤，其中，如果背景信息指示用户处于较低的跌倒风险，则降低跌倒检测算法的灵敏度。图7是图示根据示范性实施例的对本发明的操作的功能方框图。将意识到，当执行图6的方法时，跌倒检测系统2利用移动传感器56来测量用户的移动并且使用跌倒检测算法54连续地或周期性地处理用户的移动以确定用户是否已经跌倒。
[0087] 在步骤101中，由处理单元10确定关于用户和/或其环境的背景信息。确定背景信息的方式取决于特定类型的背景信息并且将在以下进行简要描述。背景信息能够包括以下中的任何一个或多个：对用户是否在执行跌倒风险评估或平衡训练的指示、对用户是否在行走的指示、对是否已经检测到针对用户的异常移动样式的指示、指示用户的位置的信息、关于用户周围的环境的信息、对当前时间的指示和/或对用户的活动水平的指示(其能够包括在该时间点处的用户的活动水平或在诸如小时或天的时段内的活动简档)。
[0088] 在步骤103中，确定背景信息是否指示用户当前处于较高的跌倒风险。如果背景信息不指示用户处于较高的跌倒风险，那么方法返回到步骤101，并且确定另外的/新的背景信息。
[0089] 如果背景信息中的任何信息指示用户当前处于较高的跌倒风险，则增高跌倒检测算法(由图7的方框54表示)的灵敏度以便减少跌倒未被检测到的机会。增高跌倒检测算法的灵敏度的方式取决于所使用的跌倒检测算法的性质。在将导出的特征值中的每个与各自的阈值进行比较的情况下，增高算法的灵敏度能够包括调节阈值中的一个或多个使的正跌倒指示的可能性更大。在将特征值的集合与阈值进行比较或者将特征值的集合的可能性值与阈值进行比较的情况下，增高算法的灵敏度能够包括调节阈值以使检测跌倒的可能性更大(即如果超过阈值的可能性值指示跌倒，则降低阈值)。在导出LLR并将其与阈值进行比较的情况下，调节算法的灵敏度包括调节ROC曲线上的操作点(导致对不同的(较低的)阈值的使用)。备选地，存储器模块14能够存储对跌倒检测算法的不同的配置，其中，每个配置具有在ROC曲线上的已知位置，并且步骤105能够包括在ROC曲线上确定所要求的操作点并选择适当的跌倒检测算法来使用。备选地，在跌倒检测算法采取状态机的形式的情况下，增高跌倒检测算法的灵敏度能够包括在第一(触发)阶段中使用不同的特征、和/或调节与触发特征进行比较的阈值、和/或调节在第二阶段中使用的阈值。
[0090] 步骤105中的跌倒检测算法的灵敏度的增高优选地是暂时的并且仅在用户处于较高的跌倒风险时持续。一旦用户的跌倒风险返回到正常水平(针对用户或针对平均用户)或默认水平，则跌倒检测算法的灵敏度被重置为先前的灵敏度水平。在备选实现方式中，跌倒检测算法的灵敏度能够返回到接近其先前的灵敏度。在图6的步骤107-111中图示了这一点。
[0091] 因此，在步骤107中，确定关于用户和/或用户环境的另外的背景信息。以与步骤101中相同的方式确定该背景信息。在一些情况下，步骤107能够包括监测背景信息的变化。
[0092] 在步骤109中，根据步骤107中确定的背景信息确定用户是否仍然处于较高的跌倒风险。如果用户仍然处于较高的跌倒风险，则方法返回到步骤107并且确定另外的背景信息。
[0093] 如果背景信息指示用户不再处于较高的跌倒风险，则方法移动到步骤111，在步骤111中跌倒检测算法的灵敏度被重置回到原始灵敏度(即在步骤105之前使用的灵敏度)。然后，方法返回到步骤101。
[0094] 通过图7中的功能方框52表示步骤103-111中执行的处理。在对跌倒检测算法54的运行之后，如果检测到跌倒，则能够触发警报58。
[0095] 将意识到，在一些实现方式中，对图6中多个步骤的操作能够被组合为单个步骤。例如，能够将步骤101和107组合，能够将步骤103和109组合和/或能够将步骤105和111组合。
[0096] 将意识到，步骤103和105能够包括处理所确定的背景信息以使用贝叶斯网络修改ROC曲线。在图8中示出了示范性贝叶斯网络。网络包括不同的节点，每个节点表示不同的风险因素。所有节点对根节做出有贡献，所述根节点约束跌倒风险。存在不同类型的风险。这些是以树的层级反映的。在该示范性图中，能够看到要对三个主要类别建模。它们是从观察用户获得的传感器数据、如当前照明条件的短期背景信息、以及如慢性病和跌倒历史的长期健康条件。在给出(一个或多个)背离节点的(一个或多个)值的情况下，网络中的箭头保持值到达节点的条件概率。这样，通过由其他节点表示的因素的联合来表达跌倒风险(fall_risk)的概率。叶节点被分配有默认值，所述默认值是在先的概率(实际上对于该群体的最常见的值)。当值是已知的时，其被分配给节点以代替默认值。还可能发生的是，中间节点的值是已知的。接着，该值(也)被分配。作为这样的值变化的结果，其他节点处的值也会改变。该更新根据给定的条件概率而发生。用来执行更新的高效算法在本领域中是已知的。如在本领域中也已知的，贝叶斯网络能够有利地被设计有相反方向的箭头，即使节点的“原因”和“影响”性质反转。这有助于减小网络的复杂性(导致较快的更新)并且有助于达到先验值和条件概率值。
[0097] 在一些实施例中，用户将具有针对常见的日常状况的特定的跌倒风险。例如当用户从事提高其平衡的锻炼时，对应的节点(在图中不存在，但类似于“照明条件”节点)将被分配另一值，并且影响将传播到跌倒风险节点，这进而将可能在一些额外的处理之后驱动图7中的输出54，以将跌倒风险值转换为ROC操作点(例如LLR阈值)。如以上解释的，对“从事锻炼”的检测还可以立即驱动输出54。例如如果除了变化的背景节点，其他额外的节点例如在锻炼的部分期间修改，则贝叶斯网络能够是有利的。
[0098] 如以上指出的，在示范性实施例中，在步骤101中确定的背景信息能够包括以下中的任何一个或多个：对用户是否在执行跌倒风险评估测试或平衡训练的指示、对用户是否在行走的指示、对是否已经检测到针对用户的异常移动样式的指示、指示用户的位置的信息、关于用户周围的环境的信息、对当前时间的指示和/或对用户的活动水平的指示。
[0099] 在背景信息包括对用户是否在执行跌倒风险评估测试或平衡训练的指示的情况下，跌倒检测系统2能够以若干不同方式来确定该背景信息。例如，用户可以在评估测试或平衡训练的开始时与系统2交互以指示测试或训练将开始(这具体可以是跌倒检测系统2还用作评估测试的部分或监测平衡训练的情况)。交互可以包括用户利用用户设备4来执行预定义的姿势、按下用户设备4上的按钮或选择基于菜单的用户接口内的选项。备选地，针对用户的护理提供者能够将输入或信号提供给系统2，指示评估测试或训练将开始。在一些情况下，评估测试或平衡训练可以花费预配置的时间量(在这种情况下终点是已知的)，但是在其他情况下用户或护理提供者能够执行与系统2的另一交互以指示测试或训练完成的。备选地，能够根据对来自移动传感器的测量结果的处理来检测测试或训练的完成。将意识到，当用户将执行跌倒风险评估测试、平衡训练或其他锻炼时，其身体能力被测试并被推动接近其极限，这使用户在测试或训练期间处于较高的跌倒风险。因此，当步骤101中确定的背景信息指示用户在执行跌倒风险评估测试或平衡训练或其他锻炼时，在步骤103中确定用户处于较高的跌倒风险并且在步骤105中增高跌倒检测算法的灵敏度。一旦背景信息指示用户已经完成或以其他方式结束测试或训练，则跌倒检测算法的灵敏度能够被降低或重置到先前的设定。
[0100] 在背景信息包括用户正在行走的指示的情况下，处理单元10能够通过处理来自移动传感器6、8的测量结果以识别与行走一致的样式(例如规则的脚跟冲击等)来确定用户是否正在行走。处理移动传感器测量结果以识别行走样式的技术在本领域中是已知的并且在本文中将不进行进一步描述。备选地或额外地，如果跌倒检测系统2包括某种形式的位置跟踪功能(例如卫星定位系统接收器)，则能够根据用户位置随时间的变化来推断用户正在行走的指示。行走增高对于用户的跌倒风险，并且因此当背景信息指示用户在行走时，用户被认为处于较高的跌倒风险(步骤103)，并且因此在用户被确定为正在行走时增高跌倒检测算法的灵敏度。如果处理单元10确定用户不再行走，则用户的跌倒风险因此较低并且跌倒检测算法的灵敏度能够被降低或重置到先前的设定。
[0101] 在背景信息包括对是否已经检测到针对用户的异常移动样式的指示的情况下，处理单元10能够通过处理来自移动传感器6、8的测量结果来确定这一点。异常移动样式能够是在针对用户的移动的正常范围外的移动样式，其可以由用户进入新的或对身体挑战性的环境造成(例如向山上行走或在不平坦的地面上行走)。正常范围外的异常移动样式能够包括诸如用户滑动和绊倒的移动。已经示出，失足(mis-step)(包括接近跌倒(near fall)或绊倒和滑动)比跌倒更普遍，并且已经提出接近跌倒能够是针对跌倒风险的有效代理(Srygley,J.M.,T.Herman等的“Self-report of missteps in older adults:a valid proxy of fall risk？”，Archives of Physical Medicine and Rehabilitation 90(5)：第786-792页，2009年)。机器学习算法能够被用于学习个体用户的典型移动特性。能够量化对这些特性移动的干扰(即正常范围外的移动样式)以便识别接近跌倒。当比正常更快地行走时(例如当用户匆忙赶公共汽车时)，当遛狗(例如如果狗突然向前拉动)时，也可能发生正常范围外的异常移动样式。在该移动不频繁地由该用户执行的情况下异常移动样式还可以包括从地面拾起物体。在一些实现方式中，异常移动样式能够是用户在其日常生活中几乎不或从不执行的任何移动或活动。在异常移动样式期间，用户被认为处于较高的跌倒风险，并且因此增高跌倒检测算法的灵敏度。一旦处理单元10确定异常移动样式不再存在于用户的移动中(即用户不再执行异常移动样式)，则跌倒检测算法的灵敏度能够被降低或重置到先前的设定。
[0102] 在背景信息包括指示用户位置的信息的情况下，能够通过跌倒检测系统2中的位置跟踪功能(例如卫星定位系统接收器和/或室内位置跟踪系统)来提供该信息。处理单元10能够解析由接收器或室内跟踪系统提供的位置信息以确定针对位置的某个背景，例如位置是用户的家、医院、商店等，和/或用户在他家的部分，例如起居室、浴室、楼梯等。备选地或额外地，处理单元10能够确定用户的位置是否符合用户或其他用户先前已经跌倒的位置(具有与指示用户可能处于较高的跌倒风险的那些位置之一的匹配)。当在不熟悉的位置(例如商店)、当在室外和/或在其房子的特定部分(例如在浴室(其中可能是湿或滑的)中或在楼梯上)时，用户可能处于较高的跌倒风险，并且因此如果背景信息指示用户在存在较高的跌倒风险的已知位置处，则在用户在该位置处时将增高跌倒检测算法的灵敏度。当用户移动到存在较低的或正常的跌倒风险的位置中时，跌倒检测算法的灵敏度能够被降低或重置到先前的设定。
[0103] 在背景信息包括关于用户周围的环境的信息的情况下，该信息能够包括以下中的任一项：对能够使用跌倒检测系统2中的光传感器来测量的用户的位置的环境光的指示(其中低光水平导致用户由于减弱的可见性而处于较高的跌倒风险)、对地面多么平坦或不平坦的指示(包括是否存在斜坡或楼梯)、对当前天气或温度的指示(例如下雨或结冰条件导致用户处于较高的跌倒风险)、对环境噪声水平的指示(例如其中，较高的环境噪声水平增高用户可能变得迷惑或困惑的风险，因此使用户处于较高的跌倒风险)等。如果关于用户周围的环境的背景信息指示存在低光照、地面不平坦、下雨或结冰和/或特别嘈杂，那么用户处于较高的跌倒风险，并且在步骤105中能够增高跌倒检测算法的灵敏度。如果背景信息随后指示在环境中存在良好的光照、地面相对平坦的、不再湿、下雨或结冰和/或不是特别嘈杂，则跌倒检测算法的灵敏度能够被降低或重置为先前的灵敏度。
[0104] 在背景信息包括对当前时间的指示的情况下，这能够通过处理单元10中的内部时钟来提供。在一天的特定时间期间(例如在夜晚或在服用按拍的剂量的药物之前或之后不久)，用户可能处于较高的跌倒风险，并且因此步骤103能够包括将当前时间与预定地药物安排和/或用户被认为处于较高的跌倒风险的时间范围进行比较。
[0105] 在背景信息包括对用户的活动水平的指示的情况下，处理单元10能够根据来自移动传感器6、8的测量结果来确定活动水平。根据移动传感器测量结果来确定活动水平的技术在本领域中是已知的并且将不在本文中进行详细描述。能够在该时间点处(即当执行步骤103时)针对用户来确定活动水平，或能够根据来自移动传感器6、8的测量结果来确定在时段(例如小时或天)上的活动简档。在较活跃时用户可以处于较高的跌倒风险，因此步骤103能够包括将所确定的活动水平与阈值进行比较，并且如果活动水平高于阈值，则确定用户处于较高的跌倒风险。在这种情况下，当用户特别活跃时能够增高跌倒检测算法的灵敏度。一旦用户的活动水平下降到阈值以下，则跌倒检测算法的灵敏度能够被降低或重置到先前的设定。在一些实施例中，如果确定活动简档，则能够将活动简档与针对先前时段所确定的活动简档进行比较以确定用户是否比通常更活跃或疲劳(例如在用户已经比通常更活跃或以其他方式特别活跃的时段之后)，并且如果比较指示用户比通常更活跃或疲劳，则能够暂时地增高跌倒检测算法的灵敏度，直到活动简档返回到通常水平。
[0106] 在一些实施例中，背景信息能够包括或者是对用户的行走样式的变化性的指示，这是因为行走样式的变化性可能受疲劳影响(如在Helbostad等的“Physical Fatigue Affects Gait Characteristics in Older Persons”，Journal of Gerontology:Medical Sciences，2007年，第62A卷，第9号，第1010-1015页中所描述的)，其中，如果背景信息指示用户是疲劳的，则增高跌倒检测算法的灵敏度。
[0107] 背景信息还能够或备选地包括关于用户的其他信息，例如对用户是否正在使用诸如手杖或助行架的助行器的指示(如果用户典型地要求使用该类型的助行器的话)、对用户是否正戴着其眼镜的指示(如果用户正常应当戴眼镜的话)和/或对用户正穿着的鞋的类型的指示。如果背景信息指示用户没有正在使用所要求的助行器、没有正戴着其眼镜和/或没有正穿着其正规的或正确的鞋，则用户的跌倒风险增高并且能够相应地增高跌倒检测算法的灵敏度。本领域技术人员将知悉能够使用各种技术和传感器来确定用户是否正在使用助行器、正戴着眼镜或正穿着正确的鞋。
[0108] 在其中如果背景信息指示用户暂时处于较低的跌倒风险或如果用户正从事更可能生成误警报的活动则降低跌倒检测算法的灵敏度的实施例中，这样的背景信息能够指示例如用户正在进行体育运动或执行存在许多弯腰、类冲击和/或触地移动的活动(例如打高尔夫、园艺等)。
[0109] 通过图9中的流程图图示了本发明的具体实施例。在该实施例中，背景信息包括对用户是否执行跌倒风险评估测试以及用户是否执行高风险活动(例如行走、在不平坦的地面上行走、走上或走下楼梯、在浴室中移动等)的指示。在该实施例中，当背景信息指示用户处于增高的跌倒风险时，增高跌倒检测算法的灵敏度。本领域技术人员将意识到能够使用类似方法，其中，当背景信息指示用户处于较低的跌倒风险时，还将降低跌倒检测算法的灵敏度。在该实施例中，跌倒检测系统2还被配置为进行跌倒风险评估测试，并且系统2因此被配置为以三个不同的模式操作。第一模式是跌倒检测模式，其中，系统2处理来自移动传感器6、8的测量结果以如以上描述地检测跌倒。第二模式是跌倒风险评估数据收集模式，当用户开始跌倒风险评估(其在该实施例中通过用户利用用户设备4执行预定义手势来指示到系统2，诸如摇动设备4、以预定义样式移动设备4或者按压设备4上的按钮)时进入该模式，并且在该模式中，系统2将来自移动传感器6、8的测量结果存储在存储器模块中以用于后续分析。在跌倒风险评估期间，用户出于评估跌倒风险的目的而执行某些移动和/或锻炼。能够由用户对系统2指示跌倒风险评估数据收集模式的结束(例如通过利用用户设备4执行另一个或相同的预定义姿势或者通过按下该按钮或另一按钮)，或者数据收集模式能够在预定义的时间段之后结束。在完成数据收集模式之后，系统2返回到以跌倒检测模式操作。第三模式是跌倒风险数据分析模式，其中，对在跌倒风险评估数据收集模式期间测得和存储的移动进行分析以确定或估计针对用户的跌倒风险。能够在完成数据收集模式时自动进入数据分析模式，或者能够在预定的时间处或响应于来自用户的输入(例如通过用户利用用户设备4执行另一姿势或按下另一按钮来指示)而进入数据分析模式。在完成数据分析模式之后，系统2返回到以跌倒检测模式操作。
[0110] 当用户设备4以数据收集模式操作并存储在跌倒风险评估期间收集到的移动测量结果数据，以及以数据分析模式操作并确定跌倒风险时，用户设备4优选地仍然实时或近似实时处理用户的移动的测量结果以便确定用户是否已经跌倒(与如果用户设备4以跌倒检测模式操作相同)。如果跌倒检测系统2在数据收集模式或数据分析模式时检测到跌倒，则以正常方式触发警报(即如系统2以跌倒检测模式操作那样)。
[0111] 存在用户能够执行作为跌倒风险评估的部分的若干不同的(一个或多个)移动和/或(一个或多个)锻炼。每个移动或锻炼能够测试用户的行走能力、其平衡、力量或反应时间或这些的任意组合。适合的(一个或多个)移动和/或(一个或多个)锻炼的范例包括用户以各种方式(例如脚并拢、接近一前一后、一前一后、一条腿等)站着不动、行走、坐-站转换(即从坐位站起来)、计时的起立-行走测试(即对用户起立、行走特定距离并且然后返回到坐在椅子上的位置花费多久计时)、以及涉及对用户对来自用户设备4的视觉和/或听觉刺激做出反应、从低水平(例如地板)拾起物体或转身某预定角度(例如360度)花费多久计时的反应测试。能够由用户以不同的难度水平来执行这些移动或锻炼中的每个，以提供对用户的跌倒风险的较好指示。这些移动和锻炼还被典型地包括作为跌倒预防锻炼程序的部分以帮助用户随时间降低其跌倒的风险。
[0112] 对评估跌倒风险中这些(一个或多个)移动和/或(一个或多个)锻炼的使用在本领域中是已知的，如用于在用户的移动的测量结果中识别这些移动和/或锻炼并且用于分析用户将其执行得多好的技术，因此在本文中未提供用于处理移动测量结果的详细技术。
[0113] 在图7中示出了根据本发明的实施例的、操作用户设备4的更详细的方法。在该实施例中，跌倒检测模式包括两个水平的处理。在第一低功率阶段中，处理单元10分析针对跌倒的单个容易检测的特性(例如碰撞)的测得的加速度(例如大于阈值的加速度)。可以针对测量结果数据的每个新块执行该低功率处理。如果在任何时间处检测到特性，则处理单元10激活全跌倒检测处理并且处理测量结果以检测是否存在跌倒的其他特性，例如自由落体、高度变化、取向变化等。
[0114] 在图9中，系统2利用针对跌倒检测算法的标准灵敏度以跌倒检测模式开始。跌倒检测算法包括低功率初始处理阶段和全处理阶段，所述低功率初始处理阶段寻找移动传感器数据中的触发特征，并且所述全处理阶段在找到触发特征时被激活。
[0115] 对于新测量结果数据(301)的每个块而言，处理单元10核对是否辨识出第一预定义姿势(例如转动设备4以开始或停止数据收集模式)(303)。如果没有辨识出第一预定义姿势，则处理单元10核对是否应当触发跌倒检测算法(305)(即通过对移动数据的处理)。如果不是的话，则处理单元10核对是否辨识出用来开始数据分析模式的第二预定义姿势(例如摇动设备4)(307)。如果不是的话，则处理单元10核对设备4是否已经在跌倒风险评估数据收集模式(308)中。如果不是的话，用户设备4继续以跌倒检测模式操作(并且具体使用对测量结果数据的低功率处理)，意味着没有数据存储在用户设备4中，没有计时器运行，并且全跌倒检测算法不运行且不对存储的数据进行分析以确定跌倒风险。
[0116] 在该阶段中，还核对背景信息是否指示用户正执行高风险活动(309)。如果不是的话，处理单元10返回到301并对测量结果数据的下一块进行操作。如果背景信息指示用户正执行高风险活动，则方法移动到在其中增高跌倒检测算法的灵敏度的310。接着，增高的灵敏度跌倒检测算法被用于处理测量结果数据301的下一个和后续的块，直到背景信息指示用户不再处于升高的跌倒风险。
[0117] 将意识到，能够以与图9所示的不同的顺序来执行303(针对所执行的第一预定义姿势)、305(针对所触发的跌倒检测)和307(针对所执行的第二预定义姿势)中的核对。还将意识到，能够同时而不是串联地执行核对。
[0118] 如果在303中辨识出第一预定义姿势，则用户设备4核对设备4是否已经在以跌倒风险评估数据收集模式操作(311)。如果不是的话，则开始数据收集模式并开始计时器(312)。在数据收集模式期间，数据被存储并且计时器运行。由于用户现在正执行跌倒风险评估，因此其被认为处于较高的跌倒风险并且因此增高跌倒检测算法的灵敏度(313)，除非在以上的310之后跌倒检查算法已经在以较高的灵敏度操作。接着，在步骤305和后续步骤中使用该增高的灵敏度跌倒检测算法来处理移动数据，以检测跌倒是否已经发生。如果在311中确定用户设备4已经在数据收集模式中，则停止数据收集模式并且对计时器进行去激活(314)。由于数据收集模式现在已经结束，因此假设用户不再执行锻炼或移动并且因此不被认为用户处于较高的跌倒风险。因此，跌倒检测算法的灵敏度能够被降低回到(或接近)标准灵敏度(315)。接着方法从步骤305继续。
[0119] 如果在305中确定要求全跌倒检测算法，则处理单元10处理测量结果以确定用户是否已经跌倒(317和319)。如果检测到跌倒，则与跌倒有关的测量结果数据能够被存储以用于稍后的分析，能够触发警报和从呼叫中心或紧急服务请求的帮助(321)。
[0120] 在一些实施例中，能够将反馈例如从指示检测到的跌倒是实际跌倒还是误警报的服务中心提供到跌倒检测系统2(322)。能够由服务中心中的人员在人员与用户之间的谈话之后提供该指示。备选地或额外地，能够响应于用户按下按钮以撤回警报和/或通过系统2检测用户是否已经站立和/或在检测到的跌倒之后是否“正常地”活动由系统2本身来确定关于跌倒是否是实际跌倒的反馈。在322之后，停止(323)数据收集模式(或数据分析模式，如果其有效的话)并且停止任何计时器。接着，可以基于检测到的跌倒是否是用户的实际跌倒来调节(例如增高或降低)跌倒检测算法的灵敏度。接着，设备4对测量结果数据的下一块进行操作(301)。
[0121] 如果在319中未检测到跌倒或者在305中未触发全跌倒检测处理，那么处理单元10核对第二预定义姿势(307)。如果在测量结果数据中辨识出第二预定义姿势，那么用户设备4以数据分析模式操作(325)，其中，处理在数据收集模式期间存储的所有数据或自从上次执行数据分析模式以来存储的任何数据以确定跌倒风险。如果在325中激活数据分析模式，则数据收集模式(如果仍有效的话)被关闭并且停止任何运行的计时器(323)。在这种情况下，跌倒检测算法的灵敏度将接着被降低回到正常水平(310)。
[0122] 如果在307中未辨识出第二预定义姿势，但是在308中确定数据收集模式有效，那么在327中核对计时器是否已经过期(即核对从数据收集的开始流逝的时间是否已经达到阈值)。如果计时器已经过期，则对数据收集模式进行去激活(323)。接着，跌倒检测算法的灵敏度被降低或返回到正常灵敏度水平。如果计时器尚未过期，那么存储在301中接收到的数据的块(329)。
[0123] 在数据分析模式完成之后，将存在针对用户的新的或经更新的跌倒风险评分，并且能够基于新的或经更新的跌倒风险评分来酌情调节跌倒检测算法的灵敏度。
[0124] 接着，过程针对测量结果数据的下一块进行重复(301)。测量结果数据的下一块可以与测量结果数据的先前块是连续的(即在数据块之间没有间隙)、不与测量结果数据的先前块连续或者与测量结果数据的先前块交叠(例如能够丢弃先前的数据块中最旧的样本或样本集，并且将新的样本或样本集添加到剩余的样本以形成测量结果数据的下一块)。可以使用测量结果数据的非连续块，其中例如，在测量结果数据的先前块中检测到很少或没有移动(例如因为用户在躺着或坐下)，这减少了用户设备4的功耗。
[0125] 尽管在图9中未示出，但是如果在任何点处用户设备4上的人员帮助按钮被用户按下，则过程直接移动到321并由用户设备4触发警报和用户所请求的帮助。
[0126] 因此，提供了一种在用户从事较高风险的活动或其环境将其置于较高的跌倒风险时使得能够更可靠地检测跌倒、同时很大程度上将误警报的发生保持到最小值的系统和方法。
[0127] 尽管已经在附图和前文的描述中详细说明并描述了本发明，但这种说明和描述被视为说明性或示范性的，而非限制性的；本发明不限于所公开的实施例。
[0128] 本领域技术人员通过研究附图、公开内容以及权利要求书，在实践要求保护的本发明时，能够理解并实现对所公开的实施例的其他变型。在权利要求书中，词语“包括”不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以满足权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在适合的介质上，例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由因特网或其他的有线或无线的电信系统。权利要求中的任何附图标记都不应被解释为对范围的限制。
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
助行器热门专利
QQ群二维码
意见反馈
意见反馈