[go: up one dir, main page]

CN118235177A - 实施包括动作计划的经训练机器学习模型的用于用户跌倒评估的计算机实现的方法 - Google Patents

实施包括动作计划的经训练机器学习模型的用于用户跌倒评估的计算机实现的方法 Download PDF

Info

Publication number
CN118235177A
CN118235177A CN202280075243.4A CN202280075243A CN118235177A CN 118235177 A CN118235177 A CN 118235177A CN 202280075243 A CN202280075243 A CN 202280075243A CN 118235177 A CN118235177 A CN 118235177A
Authority
CN
China
Prior art keywords
data
frp
action plan
fall
computer
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
CN202280075243.4A
Other languages
English (en)
Inventor
J·阿赫麦德
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.)
Autoliv Development AB
Original Assignee
Autoliv Development AB
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 Autoliv Development AB filed Critical Autoliv Development AB
Publication of CN118235177A publication Critical patent/CN118235177A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks

Landscapes

  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Computing Systems (AREA)
  • Psychology (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本公开涉及对于跌倒评估环境用于用户跌倒评估的计算机实现的方法。该计算机实现的方法包括实施(S100)包括动作计划的经训练的机器学习模型、连续获取(S200)数据以及连续处理数据、关于用户(1)的跌倒评估(S300)、以及随时间推移对动作计划的验证(S400)。该验证是基于跌倒风险概率FRP的连续计算(S410)以及监视(S420)FRP是否以及如何改变。如果在监视中满足用于更新动作计划的设定条件，则该方法包括更新(S500)动作计划。跌倒评估包括基于连续数据和连续信息的跌倒检测，并且连续获取的数据包括由用户(1)穿戴的传感器(2,3,6,7)检测的数据以及用户(1)的定位数据，FRP的计算也包括所述定位数据。

Description

实施包括动作计划的经训练机器学习模型的用于用户跌倒评 估的计算机实现的方法
发明内容
本公开涉及用于用户跌倒评估的经改进的计算机实现的方法、包括用于应用该计算机实现的方法的计算机可读指令的计算机程序、包括用于经训练机器学习模型的计算机可读指令的计算机程序、包括用于“管理机器学习模块”的计算机可读指令的计算机程序、包括该计算机程序的计算机可读介质、以及用于用户跌倒评估的控制单元装置、设备和系统。
跌倒是人类损伤和损伤相关死亡的一个主要原因。跌倒检测和跌倒预测与机器学习方法一起具有增加的有用性。例如，机器学习方法如今用于区分跌倒和非跌倒活动。在高层级，这些方法可包括涉及能基于实况馈送视频实时地对跌倒进行分类的基于视觉的装置的方法。在一些情况下，基于视觉的装置可能不太实用，例如在外部环境中，并且还可能伴随有潜在的隐私问题。此外，还存在机器学习方法聚焦于基于非侵入性且普遍的可穿戴设备传感器的更普遍解决方案。在该领域中，例如参见“A Cascade-Classifier Approachfor Fall Detection，Putra等人，MOBIHEALTH 2015，10月14日至16日，伦敦，英国，2015年1月，DOI:10.4108/eai.14-10-2015.2261619”，其提出了用于此的级联分类器方法。其它示例包括M.Musci、D.D.Martini、N.Blago、T.Facchinetti和M.Piastra的“Fall Detectionusing Recurrent Neural Networks”，第7页以及F.J.和E.Casilari的“A Feasibility Study of the Use of Smartwatches in Wearable Fall DetectionSystems”，Sensors，第21卷，第6期，第2254页，2021年3月，doi:10.3390/s21062254。
在老年人跌倒风险评估领域中的WO2018127506A1涉及用于对人触发跌倒风险告警的装置和方法。此外，在WO2018127506A1中，可利用从人、和/或人的环境导出的输入参数、和/或从另外的人导出的输入参数来确定触发跌倒风险告警的时间点。WO2018127506A1还公开了一种用于老年人的自适应多因素跌倒风险评估、检测和预防的综合解决方案。
例如，跌倒可能发生于在家庭环境中或在家外行走的人。在本上下文中，跌倒还包括在骑自行车、小型摩托车、摩托车等时发生的跌倒，例如由于打滑、滑行、失去对车辆的控制、与另一车辆或物体碰撞等。与行驶车辆相关的跌倒常常更突然，并且需要比例如绊倒或滑倒的行人所发生的跌倒更快的处理。
然而，在该领域中仍有改进的空间。特别地，考虑到用于跌倒风险评估的可靠方法领域中的要求。
这对于跌倒评估环境借助于用于用户跌倒评估的计算机实现的方法来实现，其中计算机实现的方法包括实施经训练的机器学习模型，包括动作计划；连续获取数据；以及连续处理数据；关于用户的跌倒评估；以及随着时间推移对动作计划的验证。验证是基于对跌倒风险概率FRP的连续计算、以及监视FRP是否以及如何改变。
如果在监视中满足对于更新动作计划的设定条件，则更新动作计划，其中跌倒评估包括基于连续数据和连续信息的跌倒检测。连续获取的数据包括由用户穿戴的传感器检测的数据和用户的定位数据，并且其中FRP的计算也包括所述定位数据。
这意味着可使用定位数据来确定跌倒或几乎跌倒发生在何处，诸如室内、室外、楼梯、斜坡等，并且还确定它们是发生在通常寒冷和结冰的环境中还是通常温暖的环境中，适当地给出时间/日期戳。对于摩托车驾驶员，定位数据可用于确定跌倒或几乎跌倒发生在哪种类型的道路上以及在哪种环境中，例如还考虑路面类型、道路状况、道路上的交通量中的至少一者，所有这些都基于定位。
根据一些方面，FRP的计算还包括所确定的用户位置处的环境条件，包括天气条件。
这意味着实时环境条件(例如以天气数据的形式)可用于计算FRP。
如本文所描述的计算机实现的方法包括基于连续数据和连续信息的跌倒检测，其中利用经训练的ML模型来检测跌倒检测，经训练的ML模型利用3D传感器的仪器使用从用户(诸如训练者或其他穿戴者，诸如例如摩托车和自行车骑手)收集的训练数据来训练。一旦利用计算机程序检测到跌倒，则其被记录并且可用于FRP计算的输入中。
如本文所述的计算机实现的方法还包括基于连续数据、FRI和连续信息连续计算FRP。FRI包括“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”中的至少一者，并且任选地包括用于FRI的其他合适的关键性能指标(KPI)。
FRP的连续计算是基于连续数据、FRI和连续信息，该连续信息涉及实时信息，诸如从用户穿戴的传感器或其它传感器类型收集的数据、以及历史信息，例如从定位数据获取的关于地理环境的历史信息。
这意味着利用FRI:s和实时信息计算FRP，从而提供FRP的准确测量。
根据一些方面，连续信息涉及关于用户年龄、身体和健康简档的信息。任选地可包括GPS(全球定位系统)定位。
这意味着FRP的连续计算是基于连续数据、连续信息和FRI:S，其中FRI:s包括“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”中的至少一者，其中连续信息涉及实时信息诸如从用户穿戴的传感器收集的数据以及从定位数据获取的关于地理环境的历史信息。
根据一些方面，计算机实现的方法包括根据动作计划的诱导。诱导包括启动和预防措施，并且与关于用户的跌倒评估相关和/或反映关于用户的跌倒评估。跌倒评估可包括针对该特定用户的跌倒检测和FRP计算。
这意味着预防措施是可能的，包括用于在跌倒事件发生之前首先避免该事件的防范措施。
根据一些方面，计算机实现的方法包括动作计划的管理，例如连续管理。
FRP的连续计算还包括第一时间t1的FRPt1的计算、和晚于所述第一时间t1的第二时间t2的FRPt2的计算。监视FRP是否以及如何改变包括确定FRPt1和FRPt2之间的差(DeltaFRP)，并且如果DeltaFRP小于或等于设定的FRP阈值，则动作计划是有效的。如果DeltaFRP大于设定的FRP阈值，则更新动作计划。
如果Delta的显著值与来自例如6分钟步行测试(6MWT)的异常评分的显著值相关，则证实FRP确实已经显著改变并且此时需要更新动作计划。
根据一些方面，计算机实现的方法包括动作计划的管理，例如连续管理。在监视中，如果DeltaFRP大于设定的FRP阈值，则验证也基于采用在第一时间t1和第二时间t2获取的来自用户的功能状态数据，并且从功能状态数据标识功能状态的任何异常评分，并且如果所标识的异常评分小于或等于设定的异常阈值，则动作计划是有效的。如果所标识的异常评分大于设定的异常阈值，则将增大的FRP与功能状态的所标识的异常评分相关，并且更新动作计划。
根据一些方面，公开了如本文所描述的根据本公开的计算机实现的方法，其中连续获取的数据包括来自跌倒检测的数据。
根据一些方面，从在用户正常的日常运动期间穿戴的一个或多个传感器设备获取数据。
基于连续数据和连续信息的跌倒检测构成对包括诱导的手动创建和/或生成的动作计划的关键输入之一，其中诱导包括启动和预防措施。
根据一些方面，公开了如本文所述的根据本公开的计算机实现的方法，其中“管理机器学习模块”在经训练的机器学习模型的所述实施期间启用动作计划的所述管理，其中动作计划的管理是连续管理。
用于用户跌倒评估的计算机实现的方法包括动作计划的所述管理，其中动作计划的管理是连续管理，例如是连续管理，并且由此，如果需要的话，动作计划可典型地以特定频率周期性地更新。
根据一些方面，动作计划的管理是连续且自动的管理。用于用户跌倒评估的计算机实现的方法包括动作计划的所述管理，其中动作计划的管理是连续且自动的管理，例如是连续且自动的管理，并且由此，如果需要的话，动作计划可典型地以特定频率周期性地更新。
根据一些方面，动作计划的管理由“管理机器学习模块”启用。本公开还涉及与上述优点相关联的计算机程序、控制单元、设备、系统和服装件。
因此，这里认识到，所有如本文描述并且根据本公开的计算机实现的方法、计算机程序和计算机可读介质可在硬件中实现，诸如，所有如本文描述的控制单元装置和设备，以及在系统中实现，如本文所述。硬件诸如控制单元装置和设备(全部如本文所述)以及系统(如本文所述)于是被布置为执行计算机实现的方法和计算机程序，由此获得与针对本文的计算机实现的方法所讨论的相同的优点和效果。
附图说明
现在将参考附图更详细地描述本公开，其中：
图1示意性地示出了穿戴传感器的步行用户；
图2示意性地示出骑摩托车并穿戴传感器的用户；
图3示意性地示出关于“跌倒风险概率(FRP)的计算和动作计划”的各方面的示意图，即FRP的计算和动作计划的产生，两者都是根据本公开的；
图4示意性地示出根据本公开的“使用6MWT的FRP验证”和“更新或不更新动作计划”的各方面的示意图；
图5示意性地示出控制单元；
图6示出示例性计算机程序产品；并且
图7示出根据本公开的方法的流程图。
具体实施方式
现在将参考附图在下文更充分地描述本公开的各方面。然而，本文中所公开的不同装置、设备、系统、计算机程序和方法可以许多不同形式实现且不应被解释为限于本文中所陈述的方面。附图中类似的附图标记在全文中表示类似的元件。
本文所使用的术语仅用于描述本公开的各方面，并不旨在限制本发明。如本文所用，除非上下文另有明确指示，否则单数形式“一个”、“一种”和“所述”旨在也包括复数形式。
参照图1，用户1穿戴至少一个传感器设备2、3，这里是一个手腕传感器设备2和一个腰部传感器设备3。在这种情况下，用户1正在步行。
参照图2，用户1穿戴至少一个传感器设备，这里是一个手腕传感器设备6和被包括在防护服装诸如防护背心10中的一个背心传感器设备7。在这种情况下，用户1正在骑摩托车8。
本公开适用于正在步行或正在任何种类的车辆诸如自行车、摩托车8、汽车等上或中行进的用户。
根据本公开，所获取的数据包括从传感器2、3、6、7获取的数据，并且还可包括从其他源获取的数据。从传感器2、3、6、7获取的信息典型地从包括在可穿戴设备中(例如安装在其上)的传感器(例如运动传感器)收集(即获取)，例如3d传感器诸如用于测量三维加速度的加速度计，以及用于测量来自根据本公开穿戴这种可穿戴设备的人1(即用户)的3维旋转速度的陀螺仪。可穿戴设备2、3、6、7可适当地也是边缘设备。
所获取的数据可包括从除传感器之外的其他源获取的数据。所获取的数据可涉及当前数据和过去历史数据。这可包括来自GPS系统的用户的地理定位信息以及天气信息。
根据一些方面，用户1穿戴用于提供用户1的位置并传送所述位置的装置11。这种装置11可包括任何类型的合适定位系统，诸如例如GPS或GNSS(全球导航卫星系统)，以及任何类型的无线通信系统。所述装置可被包括在背心11或任何合适类型的衣服或可穿戴设备中。
从传感器2、3、6、7收集的数据被例如跌倒检测计算机程序(即根据本公开并且如本文所述的跌倒检测)用作输入，其中跌倒检测计算机程序被包括在根据本公开并且如本文所述的机器学习模型中，以及被例如FRI检测计算机程序(即根据本公开并且如本文所述的FRI)用作输入，其中FRI检测计算机程序被包括在根据本公开并且如本文所述的“机器学习模型”以及“FRP计算机器学习模块”中。
根据本公开，还参照图7，对于跌倒评估环境，存在用于用户跌倒评估的计算机实现的方法。该计算机实现的方法包括实施S100经训练的机器学习模型，包括动作计划；连续获取S200数据；以及连续处理数据。
该方法还包括关于用户1的跌倒评估S300，以及随时间推移对动作计划的验证S400。验证S400是基于跌倒风险概率FRP的连续计算S410以及监视FRP是否以及如何改变S420。
如果在监视中满足用于更新动作计划的设定条件，则该方法包括更新S500动作计划。跌倒评估包括基于连续数据和连续信息的跌倒检测，并且连续获取的数据包括由用户1穿戴的传感器2、3、6、7检测的数据以及用户1的定位数据，并且其中FRP的计算也包括所述定位数据。
这意味着定位数据，特别是地理定位数据，可用于确定跌倒或几乎跌倒发生在哪里，诸如室内、室外、楼梯、斜坡等，以及还有它们是发生在通常寒冷和结冰的环境中还是通常温暖的环境中，适当地给出时间/日期戳。对于摩托车驾驶员1，定位数据可用于确定跌倒或几乎跌倒发生在哪种类型的道路上以及在哪种环境中。
本公开适用于正在步行或正在任何种类的车辆诸如自行车、摩托车8、汽车等上或中行进的用户。
根据一些方面，FRP的计算还包括所确定的用户1的位置处的环境条件，包括天气条件。
这意味着实时环境条件(例如以天气数据的形式)可用于计算FRP。
根据一些方面，FRP的连续计算是基于连续数据、连续信息和跌倒风险指标(FRI)，其中FRI:s包括“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”中的至少一者。连续信息涉及实时信息，诸如从用户1穿戴的传感器2、3、6、7收集的数据以及从定位数据获取的关于地理环境的历史信息。
这意味着利用FRI:s和实时信息计算FRP，从而提供FRP的准确测量。FRP计算还考虑非实时(离线)信息，诸如来自关于用户和当前环境的历史/过去信息。
根据一些方面，连续获取的数据包括来自跌倒检测的数据。根据一些方面，从在用户1正常的日常运动期间穿戴的一个或多个传感器设备2、3、6、7获取数据。
根据一些方面，如本文所描述的计算机实现的方法包括基于连续数据和连续信息的跌倒检测，其中利用经训练的ML模型来检测跌倒检测，经训练的ML模型是利用3D传感器的仪器使用从用户1(诸如训练者或其他穿戴者，诸如例如摩托车和自行车骑手)收集的训练数据来训练。一旦利用计算机程序检测到跌倒，则其被记录并且可用于FRP计算的输入中。
根据一些方面，如本文中所描述，动作计划可基于历史实际跌倒以及FRP(即，单独人/用户FRP及与地理位置相关联的FRP)。跌倒风险概率(FRP)本身是利用特定时间段内的跌倒风险指标(FRI)(并且可能还有其他类似KPI)计算的，跌倒风险指标诸如是“打滑”、“几乎跌倒”、“行走期间绊跌”、“滑溜”。地理定位FRP(通过地理位置和跌倒频率的共享来计算)。需注意，FRP影响动作计划的创建/生成。例如，用户的增大的FRP可能决定使用更严格的启动计划，诸如具有更大膨胀体积以及更高膨胀速率(如果触发的话)的便携式气囊的更高规格版本。
根据本公开的各方面，所获取的数据根据一些方面可包括从除传感器之外的其他源获取的数据，例如数据诸如用户年龄、健康简档、天气预报、来自GPS(全球定位系统)的用户定位信息的历史数据。
这意味着FRP的连续计算是基于连续数据、连续信息和FRI:S，其中FRI:s包括“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”中的至少一者，其中连续信息涉及实时信息诸如从用户穿戴的传感器收集的数据以及从定位数据获取的关于地理环境的历史信息。
跌倒评估包括跌倒检测和FRP的计算，或者跌倒检测和FRP以及与地理位置相关联的FRP的计算。
跌倒检测历史数据是用于为用户创建/生成合适的动作计划的输入之一。
在本公开的各方面中，如本文所述，用于计算适当动作计划的另一输入是所计算的FRP，例如FRP，例如人类FRP和基于地理位置的FRP。例如，可基于地理位置为地理区域计算FRP。
如本文所描述的用于用户跌倒评估的计算机实现的方法包括：连续获取数据；以及连续处理数据；基于所获取的数据和所处理的数据连续创建信息；以及连续传送信息。
如本文所述的计算机实现的方法包括连续获取数据和连续处理数据，其中所获取的数据包括从传感器获取的数据并且也可包括从其他源获取的数据。该数据使得能够计算FRP和FRI，并且利用FRI计算FRP本身。
从传感器获取的数据通常从包括例如运动传感器、3D传感器、加速度计、陀螺仪和/或相机的传感器获取，例如运动传感器、3D传感器、加速度计和/或陀螺仪。传感器可例如是可穿戴传感器，例如包括运动传感器、3D传感器、加速度计和/或陀螺仪。传感器数据可从传感器获取，例如可穿戴传感器，例如包括运动传感器、3D传感器、加速度计和/或陀螺仪。可穿戴设备包括作为加速度计的3D传感器，其可用于从穿戴这种可穿戴设备的人(即，根据本公开的用户)测量3维加速度，并且可穿戴设备包括作为陀螺仪的3D传感器，其可用于从穿戴这种可穿戴设备的人(即，根据本公开的用户)测量3维旋转速度。可穿戴设备可适当地也是边缘设备。
如本文所述的计算机实现的方法包括连续处理数据，其中利用经训练的ML算法，即经训练的ML计算机程序，随时间推移计算FRI，经训练的ML算法在训练数据上训练以检测在特定时间段内的跌倒风险指标(FRI)，诸如“打滑”、“几乎跌倒”、“步行期间绊跌”、“滑溜”(以及其他KPI)。这些FRI形成FRP计算的输入基础。
此外，该计算机实现的方法包括基于所获取的数据和所处理的数据连续创建信息，例如最终用于创建/生成用于启动和预防措施的动作计划的信息和数据诸如跌倒的检测和记录、FRI以及FRP的计算。
如本文所述的用于用户跌倒评估的计算机实现的方法包括关于用户的跌倒评估，其中跌倒评估包括基于连续数据和基于连续信息的跌倒检测、以及基于连续数据、跌倒风险指标(FRI)和基于连续信息的FRP的连续计算。
根据一些方面，该计算机实现的方法还包括根据动作计划的诱导，其中诱导包括启动和预防措施，并且与关于用户的跌倒评估相关和/或反映关于用户的跌倒评估。
根据一些方面，诱导包括启动和预防措施，其中这里的启动涉及根据如本文所述的用于用户跌倒评估的计算机实现的方法以及根据动作计划执行和/或要执行的动作，动作计划包括为了在跌倒事件已发生之后(并且在已经达到所谓的无退路点的情况下)最小化任何损伤的由合适的产品执行和/或要执行的动作。
还参照图1和图2，所述启动可包括例如便携式气囊4、5、9在例如检测到跌倒事件之后的机械启动。便携式气囊4、5、9的安全能力以及特性诸如气囊4、5、9的容积、膨胀能力和膨胀速率是基于动作计划，并且基于根据动作计划的诱导。诱导包括启动和预防措施，并且与关于用户的跌倒评估相关和/或反映该跌倒评估，其中跌倒评估包括针对该特定用户的跌倒检测和FRP计算。
在本公开的各方面中，如本文所描述的，诱导包括启动和预防措施，并且与关于用户的跌倒评估相关和/或反映关于用户的跌倒评估，其中跌倒评估包括针对该特定用户的跌倒检测以及结合GPS的地理定位的FRP计算。
对动作计划的手动创建和/或动作计划的生成的输入包括来自包括跌倒检测和FRP计算的跌倒评估的输入，并且还可包括来自包括例如当前利用GPS的用户的跌倒检测和结合GPS的地理定位的FRP计算的跌倒评估的输入。
此外，预防措施涉及用于在跌倒事件发生之前首先避免该事件的防范措施。预防措施包括但不限于：在检测到姿势是处于危险位置(例如几乎跌倒)的姿势(但是还没有到达无退路点)的情况下对用户的实际告警，例如视觉、听觉和/或触觉告警等。
此外，预防措施还可包括其他物理预防措施，诸如用于用户的增加的防护服和/或防护装备，和/或甚至可包括增加的对用户的监视。此外，这些预防措施也基于跌倒评估，其中跌倒评估包括跌倒检测和针对特定用户的FRP计算，并且如本文所述，还可包括结合GPS的地理定位的FRP计算，例如结合当前利用GPS的用户的地理定位的FRP计算。
根据一些方面，预防措施包括警告信号，而保护措施包括一个或多个保护气囊4、5、9的膨胀，如图1和图2所示。如图2所示，对于骑摩托车8或类似物的人或用户1，传感器6、7、控制单元700和/或保护气囊9都可被包括在防护服装诸如防护背心10中。
此外，对新的和/或经更新的动作计划的生成的输入包括来自跌倒评估的输入，即来自跌倒检测和针对特定用户的FRP计算的输入，并且任选地还包括来自结合当前利用GPS的用户的地理定位的FRP计算的输入。
在本公开的各方面中，如本文中所描述，动作计划可基于历史实际跌倒以及FRP(即，单独人/用户FRP及与地理位置相关联的FRP)。跌倒风险概率(FRP)本身是利用特定时间段内的跌倒风险指标(FRI)(并且可能还有其他类似KPI)计算的，跌倒风险指标诸如是“打滑”、“几乎跌倒”、“步行期间绊跌”、“滑溜”。地理定位FRP(通过地理位置、跌倒频率和在该地理位置或区域上用户跌倒或几乎跌倒事件的信息的共享来计算)。需注意，FRP影响动作计划的创建/生成。例如，用户的增大的FRP可能决定使用更严格的启动计划，诸如具有更大膨胀体积以及更高膨胀速率(如果触发的话)的便携式气囊的更高规格版本。
对于根据本公开的一些方面的示例的以下描述，现在参照图3和图4。
在图3中，描绘了如何计算FRP，即根据本公开的一些方面并且如本文所描述的FRP的计算，以及动作计划的生成，即这里的动作计划的产生，包括根据本公开并且如本文所描述的反映机器学习模型的训练的动作计划的生成。
本公开的动作计划的产生(诸如生成)包括用于启动和预防措施的计划的计算，即如本文所描述的本公开的动作计划的生成。从传感器2、3、6、7(诸如安装在可穿戴装置上的3D传感器)流式传输并收集(即获取)数据以及从诸如GPS流式传输并收集(即获取)定位信息，参见图3中的“来自可穿戴装置+GPS的数据流式传输”。
所述所获取的数据被处理，然后被馈送到经训练的跌倒检测算法300，即经训练的跌倒检测计算机程序。跌倒检测算法(即，根据本公开的跌倒检测计算机程序和跌倒检测)在跌倒训练会话期间利用从用户(诸如训练者和其他穿戴者)收集的训练数据来训练，参见“检测到跌倒？”图3中的310，“Y”表示检测到跌倒，并且“N”表示未检测到跌倒，参见图3。
来自跌倒检测算法的预测和相关联的预测概率可被存储并更新到离线数据库。这形成对动作计划计算框(即，对本公开的动作计划的生成)的输入信息信号之一。
并行地，存在另一算法(即另一计算机程序)，FRI检测算法330(即FRI检测计算机程序)，并且FRI是如本文所述的本公开的FRP的连续计算的基础，其还接收3D传感器数据并且预测并随着其发生而在数据库中记录/更新不同FRI，参见“FRI被预测？”图3中的340，“Y”意指FRI被预测，并且“N”意指没有FRI被预测，参见图3。需注意，根据实际具体实施，根据本公开的跌倒检测和FRI检测功能性(即，跌倒检测和作为FRP计算基础的FRI)两者可由单个算法(即，单个计算机程序)提供，或它们可分开实施。但这仅是实施细节。所预测的FRI，来自数据库的历史信息以及更新近的信息(参见图3中的“FRI被预测？”和“Y”)，以及关于用户年龄、健康简档、医疗简档和环境信息诸如天气的历史信息(参见图3中的“历史信息(用户年龄、健康、医疗简档)、环境”)，然后被馈送到框320，即根据本公开并且如本文所述的“FRP计算机器学习模块”320，该框计算单独用户的FRP(参见图3中的“计算/更新‘人类FRP’”350)，以及任选地用于地理定位或区域的FRP(参见图3中的“计算？更新‘地理位置FRP’”360)。
两种类型的FRP计算都考虑来自所检测的FRI的信息(数据库中记录的当前和过去)，然后为用户计算FRP，并且可能还为地理位置计算FRP。最后，基于关于所检测的跌倒和所计算的FRP的信息，生成动作计划，即，产生针对每个用户定制的用于预防和启动措施的根据本公开并且如本文所述的动作计划，参见图3中的“更新计划”、“所计算的用于启动和预防措施的计划”370和“用于预防措施/启动的计划”。
根据一些方面，图4示出了根据本公开并且如本文所描述的用于所计算的(用户)FRP的一种可能的验证方法，即，“验证是基于：FRP的连续计算”(根据本公开的“随时间推移对动作计划的验证”)。如先前在图3中所示的所计算的(用户)FRP。然而，这是示例，并且类似的方法可用于利用除了6分钟步行测试(6MWT)之外的其他标准医学测试来验证FRP的变化。如本文所公开的6分钟步行测试(6MWT)是用于评估有氧能力和耐力的亚最大运动测试。使用在6分钟时间覆盖的距离作为结果，通过该结果来比较表现能力的变化。
图4示出了要在不同时间间隔即t1、然后t2计算FRP(参见图4中的“计算FRP T1”400和“计算FRP T2”410)，即第一时间t1的FRPt1的计算以及第二时间t2的FRPt2的计算，如本文所述。如本文所述，根据从传感器获取的数据计算FRP，参见图4中的“来自可穿戴时间T1的实时数据流式传输”和“来自可穿戴时间T2的实时数据流式传输”。
然后，计算FRP中的Delta差值(参见图4中的“计算Delta:abs(FRPT2–FRPT1)”420)，即，确定差值(DeltaFRP)，如本文所述，然后将其与预定义阈值1进行比较(参见图4中的“Delta>Thrsh1”430、“Y”(是)和“N”(否))，即，根据本公开将DeltaFRP与设定的FRP阈值进行比较，如本文所述。
根据一些另外的方面，对于相同的时间段t1和t2，也可计算来自6MWT的结果440、450，即也基于采用根据本公开在第一时间t1和第二时间t2获取的来自用户的功能状态数据，如本文所述，并进行比较以标识异常评分460，参见图4(也参见图4中的“异常评分>Thrsh 2”470、“Y”(是)和“N”(否))，(两个不同时间实例之间的评分变化)，即根据本公开标识功能状态的任何异常评分，如本文所述。
此外，如果两个delta都大于它们各自的阈值，即如果DeltaFRP和“所标识的异常评分”都分别大于设定的FRP阈值和设定的异常阈值，并且如本文所述，则进行检查480以确保两个变化是正相关。如果随后证实FRP已经充分地改变，则存在更新动作计划的需要，否则动作计划不需要被更新，即被包括在动作计划的管理中，根据本公开并且如本文所描述，这里也参见图2中的“‘Delta’与‘异常评分’高度正相关？”480、“Y”(是)、“经证实(更新动作计划)”、“N”(否)和“未证实(不更新动作计划)”。
需注意，这示出了针对用户的FRP验证，但是任选地可容易地采用相同概念来在不同时间间隔针对地理位置或区域验证FRP。
根据一些方面，计算机实现的方法包括动作计划的管理。FRP的连续计算还包括第一时间t1的第一FRP，FRPt1的计算，和晚于所述第一时间t1的第二时间t2的第二FRP，FRPt2的计算。监视FRP是否以及如何改变包括确定FRPt1和FRPt2之间的差DeltaFRP，并且如果DeltaFRP小于或等于设定的FRP阈值，则动作计划是有效的，并且如果DeltaFRP大于设定的FRP阈值，则更新动作计划。
根据一些方面，公开了如本文所述的根据本公开的计算机实现的方法，其中“管理机器学习模块”在经训练的机器学习模型的所述实施期间启用动作计划的管理，例如连续管理。FRP的连续计算还包括第一时间t1的FRPt1的计算、和晚于所述第一时间t1的第二时间t2的FRPt2的计算。
监视FRP是否以及如何改变包括确定FRPt1和FRPt2之间的差DeltaFRP，并且如果DeltaFRP小于或等于设定的FRP阈值，则动作计划是有效的，并且如果DeltaFRP大于设定的FRP阈值，则更新动作计划(即，这意味着FRP已经改变超过设定的FRP阈值，于是需要更新动作计划。
此外，需注意，如果在计算DeltaFRP值之后需要更新动作计划，则可进行进一步验证以基于在所述第一时间t1和所述第二时间t2的6分钟步行测试(6MWT)结果来计算异常评分。如果Delta的显著值与来自6MWT的异常评分的显著值相关，则证实FRP确实已经显著改变并且此时需要更新动作计划。
根据一些方面，计算机实现的方法包括动作计划的管理。在监视中，如果DeltaFRP超过设定的FRP阈值，则验证也基于采用在第一时间t1和第二时间t2获取的来自用户的功能状态数据，并且从功能状态数据标识功能状态的任何异常评分，并且如果所标识的异常评分小于或等于设定的异常阈值，则动作计划是有效的。如果所标识的异常评分大于设定的异常阈值，则将增大的FRP与功能状态的所标识的异常评分相关，并且更新动作计划。
根据一些方面，公开了如本文所述的根据本公开的计算机实现的方法，其中“管理机器学习模块”在经训练的机器学习模型的所述实施期间启用动作计划的管理，例如连续管理。监视，如果DeltaFRP大于设定的FRP阈值，则验证也基于采用在第一时间t1和第二时间t2获取的来自用户的功能状态数据，并且从功能状态数据标识功能状态的任何异常评分，并且如果所标识的异常评分小于或等于设定的异常阈值，则动作计划是有效的。如果所标识的异常评分大于设定的异常阈值，则将增大的FRP与功能状态的所标识的异常评分相关，并且更新动作计划。
根据一些方面，公开了如本文所描述的根据本公开的计算机实现的方法，其中连续获取的数据包括定位数据，例如地理定位数据。FRP的计算也包括定位数据，例如地理定位数据。如本文中所描述，还可使用FRI为地理定位计算FRP，其中附加标签描绘FRI已在哪里发生的地理位置(例如，使用GPS)。这又将允许为地理位置或为地理区域计算FRP。
此外，为了能够以有效方式开发这样的信息，可能需要具有用于以协作方式在实体之间共享相关信息/数据的机制。这样做的一种方式是每个实体可“选择加入”向中央实体共享FRI的相关信息/数据，该中央实体然后计算与每个“地理位置”/“地理区域”相关联的FRP，然后向协作系统中的所有实体(即，向已“选择加入”的所有实体)共享该信息。
根据一些方面，动作计划的管理是连续管理，并且用于用户跌倒评估的计算机实现的方法包括动作计划的所述管理，其中动作计划的管理是连续管理。
应当理解，对于本文所公开的所有实施方案，图6公开了包括计算机可读介质830上的计算机可读指令820的计算机程序810的一般表示。根据一些方面，计算机程序可被认为是计算机程序产品。
本公开还涉及包括用于应用如本文所述的计算机实现的方法的计算机可读指令820的计算机程序810、和/或包括所述计算机程序810的计算机可读介质830。
本公开还涉及包括用于本文所述的经训练的机器学习模型的计算机可读指令820的计算机程序810、和/或包括所述计算机程序810的计算机可读介质830。
本公开还涉及包括用于如本文所述的“管理机器学习模型”的计算机可读指令820的计算机程序810、和/或包括所述计算机程序810的计算机可读介质830。
此外，参照图5，本公开还涉及用于用户跌倒评估的控制单元装置700，适于至少控制以下各项的启用：如本文所描述的经训练的机器学习模型的实施、如本文所描述的根据动作计划的诱导和/或动作计划的管理。控制单元装置700在下文中被称为控制单元700。
图5根据多个功能单元示意性地示出根据实施方案的控制单元700的部件。
使用能够执行存储在例如存储介质730形式的计算机程序产品中的软件指令的合适的中央处理单元(CPU)、多处理器、微控制器、数字信号处理器(DSP)、专用硬件加速器等中的一者或多者的任何组合来提供处理电路710。处理电路710还可被提供为至少一个专用集成电路(ASIC)或现场可编程门阵列(FPGA)。
特别地，处理电路710被配置为使得控制单元700执行一组操作或步骤。以上结合各种雷达收发器和方法讨论了这些操作或步骤。例如，存储介质730可存储该组操作，并且处理电路710可被配置为从存储介质730检索该组操作以使控制单元700执行该组操作。该组操作可作为一组可执行指令来提供。因此，处理电路710由此被布置为执行如本文所公开的方法和操作。
存储介质730还可包括持久性存储装置，其例如可以是磁存储器、光学存储器、固态存储器或甚至远程安装的存储器中的任何单个存储器或组合。
控制单元700还可包括用于与至少一个其它单元通信的通信接口720。这样，通信接口720可包括一个或多个发射器和接收器，包括模拟和数字部件以及用于有线或无线通信的适当数量的端口。
处理电路710适于例如通过向外部单元和存储介质730发送数据和控制信号、通过从外部单元接收数据和报告、以及通过从存储介质730检索数据和指令来控制控制单元700的一般操作。省略了控制单元700的其它部件以及相关功能，以便不混淆本文所呈现的概念。
本公开还涉及一种设备，例如可穿戴设备，用于用户跌倒评估、用于信息通信、用于启用经训练的机器学习模型的实施(其中经训练的机器学习模型如本文所述)、以及用于根据动作计划的诱导以及用于启用动作计划的管理(其中动作计划如本文所述)。诱导包括启动和预防措施，其中跌倒评估包括基于连续获取的数据和FRI的跌倒检测和FRP计算，并且其中FRI包括FRI:s诸如“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”。
该设备包括在用户跌倒评估中被训练并且包括动作计划的经训练机器学习模型、检测数据的传感器、用于连续获取数据的装置、用于处理数据的装置700、用于基于所获取的数据和所处理的数据创建信息的装置、以及用于传送信息的装置。该设备包括计算机程序810，其包括根据上文的计算机可读指令820和/或根据上文的计算机可读介质830。
根据一些方面，该设备至少部分地为背心10或类似服装的形式。该设备也可由控制单元装置700和/或手环或类似物构成。在图1中，示出用户1听到被包括在手环中的传感器2。一般而言，本公开涉及15一件衣服10，包括如本文所述的控制单元装置700、如本文所述的检测数据的一个或多个传感器2、3、6、7以及至少一个气囊4、5、9。
根据一些方面，计算机程序810被用于应用如本文所描述的计算机实现的方法；用于如本文所述的经训练的机器学习模型；和/或用于如本文所述的“管理机器学习模块”；以及包括所述计算机程序的计算机可读介质。
本公开还涉及一种系统，用于用户跌倒评估、用于信息通信、用于启用经训练的机器学习模型的实施(其中经训练的机器学习模型如本文所述)、以及用于根据动作计划的诱导以及用于启用动作计划的管理(其中动作计划如本文所述)；其中诱导包括启动和预防措施。跌倒评估包括基于连续获取的数据和FRI的跌倒检测和FRP计算，并且其中FRI包括FRI:s诸如“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”。
该系统包括在用户跌倒评估中被训练并且包括动作计划的经训练机器学习模型、检测数据的传感器、用于连续获取数据的装置、用于处理数据的装置、用于基于所获取的数据和所处理的数据创建信息的装置、以及用于传送信息的装置。该系统包括包括用于应用如本文所述的计算机实现的方法的计算机可读指令820的计算机程序810、和/或根据本文所述的计算机可读介质830。
根据一些方面，计算机程序810用于应用如本文所述的经训练的机器学习模型；和/或用于如本文所述的“管理机器学习模块”；以及包括所述计算机程序的计算机可读介质。
根据一些方面，“管理机器学习模块”在经训练的机器学习模型的所述实施期间启用动作计划的所述管理，其中动作计划的管理是连续管理，并且用于用户跌倒评估的计算机实现的方法包括动作计划的所述管理，其中动作计划的管理是连续管理。
根据一些方面，跌倒评估环境包括在用户跌倒评估中被训练的经训练的机器学习模型、用户、检测来自跌倒评估环境的数据的传感器、用于连续获取数据的装置、用于处理数据的装置、用于基于所获取的数据和所处理的数据创建信息的装置；用于传送信息的装置、以及用于根据动作计划并基于连续数据和基于信息进行诱导的装置。
根据一些方面，经训练的机器学习模型在其在用于用户跌倒评估的计算机实现的方法中的实施期间连续启用数据的连续获取和数据的连续处理、信息的连续创建和连续通信、关于用户的跌倒评估(包括跌倒检测和FRP的连续计算)、以及根据动作计划的诱导。
在本公开的各方面中，如本文所述，动作计划的产生包括指定与关于用户的跌倒评估相关的诱导的动作计划的手动创建，和/或动作计划的产生包括反映机器学习模型的训练的动作计划的生成，其中诱导反映关于用户的跌倒评估。或者，动作计划的创建/更新也可以是自动的。
此外，根据用于用户跌倒评估的计算机实现的方法的各方面，如本文所述，跌倒评估包括跌倒检测和跌倒风险概率(FRP)的计算。
FRP的连续计算例如可以是FRP的自动且连续的计算。
根据一些方面，使用经训练的ML模型按用户检测并记录随时间推移的FRI。这可形成FRP的计算的基础。需注意，对于从FRI计算FRP，也可对各个FRI加权，诸如给予FRI“打滑”、“步行期间绊跌”比“滑溜”更高的权重。因为“滑溜”可能是由于道路和环境条件，而“行走期间绊跌”可能指示其它医疗问题。“打滑”是由于摩托车8的道路和环境条件。
根据一些另外方面，FRI包括FRI:s诸如“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”，并且任选地可包括用于FRI的其他合适的关键性能指标(KPI)。
此外，需注意，FRI也可不限于以上列出的FRI，而是还可任选地还包括其它KPI，具体取决于各个使用情况及方案。
根据一些方面，连续获取的数据及连续处理的数据包括由传感器检测的数据、FRI及与FRI相关的数据，且可任选地还包括例如来自互联网的天气预报的其它数据。
此外，根据一些方面，对于跌倒评估环境。跌倒评估环境包括在用户跌倒评估中训练的经训练的机器学习模型、用户、检测来自跌倒评估环境的数据的传感器、用于连续获取数据的装置；用于处理数据的装置、用于基于所获取的数据和所处理的数据创建信息的装置、用于传送信息的装置、以及用于基于连续数据和基于信息根据动作计划进行诱导的装置。
经训练的机器学习模型在用户跌倒评估中被训练，其中跌倒评估包括跌倒检测，并且FRP的计算包括用户的FRI的检测，即根据一些方面，训练可被认为包括若干类型的ML模型和ML模型训练。例如，模型被训练用于跌倒检测，并且第二模型被训练用于FRP的计算，包括用户的FRI的检测。
根据一些方面，检测数据的传感器2、3、6、7包括例如从用户上或用户处的传感器检测与用户有关的数据的传感器，并且任选地还包括检测所述环境中或与所述环境有关的数据的其他传感器。此外，传感器包括例如跌倒传感器、运动传感器和位置传感器，例如全球定位系统(GPS)，并且任选地还有所述环境中的其他传感器。在另外的实施方案中，传感器包括例如跌倒传感器和运动传感器。
根据一些方面，用于连续获取数据的装置可为适于连续获取数据的任何装置。所获取的数据包括“由传感器检测的数据”、FRI以及与FRI相关的数据。
此外，根据一些方面，所获取的数据包括“由传感器检测的数据”、FRI及与FRI有关的数据，并且任选地包括例如来自互联网的天气预报的其它数据。
根据一些方面，用于基于所获取的数据和所处理的数据创建信息的装置可包括适于创建信息的任何装置。
根据一些方面，用于传送信息的装置可包括适于传送信息的任何装置。
此外，根据一些方面，用于根据动作计划基于连续数据且基于信息进行诱导的装置可包括适于诱导的任何装置。
根据一些方面，经训练的机器学习模型在其在如本文所述的用于用户跌倒评估的计算机实现的方法中的实施期间连续启用：
数据的连续获取和数据的连续处理、
信息的连续创建和连续通信、
关于用户的跌倒评估，包括跌倒检测和FRP的连续计算、以及
根据动作计划的诱导。
根据一些方面，如本文所述的用于用户跌倒评估的计算机实现的方法还包括：经训练的机器学习模型包括“FRP计算机器学习模块”，其中“FRP计算机器学习模块”在经训练的机器学习模型的所述实施期间启用FRP的连续计算。
根据一些方面，经训练的机器学习模型还包括“管理机器学习模块”，其中“管理机器学习模块”在经训练的机器学习模型的所述实施期间启用动作计划的管理，例如连续管理。
例如，管理包括随时间推移对动作计划的验证，其中验证是基于：FRP的连续计算，监视FRP是否以及如何改变，以及如果在监视中满足用于更新动作计划的设定条件，则更新动作计划。
根据一些方面，用于用户跌倒评估的计算机实现的方法还包括动作计划的管理，例如连续管理。例如，管理包括随时间推移对动作计划的验证。验证是基于FRP的连续计算、监视FRP是否以及如何改变、以及如果在监视中满足用于更新动作计划的设定条件，则更新动作计划。
根据一些方面，“FRP计算机器学习模块”在经训练的机器学习模型的所述实施期间启用FRP的连续计算。
根据一些方面，“管理机器学习模块”在经训练的机器学习模型的所述实施期间启用动作计划的管理(例如，连续管理)，其中管理包括：随时间推移验证动作计划，其中验证是基于：FRP的连续计算、监视FRP是否以及如何改变、以及如果在监视中满足用于更新动作计划的设定条件，则更新动作计划。
根据一些方面，验证和FRP的连续计算还可也基于定位数据。
根据一些方面，验证和FRP的连续计算还可也基于定位数据和/或基于跌倒检测数据。
根据一些方面，如本文所述的用于用户跌倒评估的计算机实现的方法提供了包括启动和预防措施的定制动作计划，其中动作计划基于每个用户需要，其中需要是基于利用所检测的跌倒风险指标的用户的当前和过去的所检测的跌倒和跌倒风险概率的情况。这将具有允许改进的动作计划的效果，该改进的动作计划包括对于基于如本文所述的用于用户跌倒评估的计算机实现的方法的估计更容易跌倒的用户的增强的保护。用于用户跌倒评估的计算机实现的方法的估计也可随时间推移而更新。
此外，根据一些方面，改进的动作计划还可允许对于基于用于用户跌倒评估的计算机实现的方法的当前估计不太倾向于跌倒的用户降低保护计划。本质上，用于每个用户的动作计划可根据变化的需要随时间被优化和更新，而不是“一个解决方案适合所有”。此外，需注意，FRP也可以不仅与用户相关联，而是还与地理定位相关联，因此地理定位也可影响为每个用户生成的动作计划。此外，还可随时间以特定频率动态更新动作计划。从另一角度来看，如本文所描述的所提出的用于用户跌倒评估的计算机实现的方法允许基于每个有需求用户的需要(例如，人/患者的需要)在某些设施(诸如成人疗养院)处对有限物理资源(例如，防护设备和/或跌倒和/或臀部保护设备)和人力资源(对个体的密切观察和监视)的改进的使用和分配。
根据一些方面，动作计划的管理(例如，连续管理)包括随时间推移对动作计划的验证，其中验证是基于FRP的连续计算。
根据一些方面，管理(例如，连续管理)包括随时间推移对动作计划的验证，其中验证是基于FRP的连续计算。
管理(例如，连续管理)包括随时间推移对动作计划的验证，其中根据一些方面，验证和FRP的连续计算还可也基于定位数据。
根据一些方面，管理(例如，连续管理)包括随时间推移对动作计划的验证，其中验证和FRP的连续计算还可也基于定位数据和/或基于跌倒检测数据。
根据一些方面，如本文所描述的用于用户跌倒评估的计算机实现的方法还包括监视FRP是否以及如何改变，并且如果在监视中满足用于更新动作计划的设定条件，则更新动作计划。
根据一些方面，本公开涉及一种用于跌倒评估环境的用于用户跌倒评估的计算机实现的方法，其中该计算机实现的方法包括：实施经训练的机器学习模型，包括动作计划、以及根据动作计划的诱导。
根据一些方面，诱导包括启动和预防措施，并且与关于用户的跌倒评估相关和/或反映关于用户的跌倒评估，并且跌倒评估包括跌倒检测和跌倒风险概率(FRP)的计算。该计算机实现的方法包括连续获取数据以及连续处理数据，其中该计算机实现的方法包括基于所获取的数据和所处理的数据连续创建信息、连续传送信息以及关于用户的跌倒评估。该跌倒评估包括基于连续数据和连续信息的跌倒检测，以及基于连续数据、跌倒风险指标(FRI)和基于连续信息连续计算FRP。
根据一些方面，FRI包括FRI:s诸如“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”。跌倒评估环境包括在用户跌倒评估中训练的经训练的机器学习模型、用户、检测来自跌倒评估环境的数据的传感器、用于连续获取数据的装置、用于处理数据的装置、用于基于所获取的数据和所处理的数据创建信息的装置、用于传送信息的装置；以及用于根据动作计划并基于连续数据和基于信息进行诱导的装置。
根据一些方面，经训练的机器学习模型在其在用于用户跌倒评估的计算机实现的方法中的实施期间连续启用数据的连续获取和数据的连续处理、信息的连续创建和连续通信、关于用户的跌倒评估(包括跌倒检测和FRP的连续计算)、以及根据动作计划的诱导。
根据一些方面，经训练的机器学习模型包括“FRP计算机器学习模块”，其中“FRP计算机器学习模块”在经训练的机器学习模型的所述实施期间启用FRP的连续计算，并且经训练的机器学习模型还包括“管理机器学习模块”，其中“管理机器学习模块”在经训练的机器学习模型的所述实施期间启用动作计划的管理。
根据一些方面，管理包括随时间推移对动作计划的验证，其中验证是基于：FRP的连续计算，监视FRP是否以及如何改变，以及如果在监视中满足用于更新动作计划的设定条件，则更新动作计划。
根据一些方面，用于用户跌倒评估的计算机实现的方法还包括动作计划的管理，其中管理包括随时间推移对动作计划的验证，其中验证基于：FRP的连续计算，监视FRP是否以及如何改变，以及如果在监视中满足用于更新动作计划的设定条件，则更新动作计划。

Claims (15)

1.一种用于跌倒评估环境的用于用户跌倒评估的计算机实现的方法，其中所述计算机实现的方法包括：
实施(S100)包括动作计划的经训练的机器学习模型，
连续获取(S200)数据，以及连续处理数据，关于用户(1)的跌倒评估(S300)，
随时间推移对所述动作计划的验证(S400)，其中所述验证基于：跌倒风险概率FRP的连续计算(S410)，
监视(S420)FRP是否以及如何改变，以及
如果在所述监视中满足用于更新所述动作计划的设定条件，则更新(S500)所述动作计划，
其中所述跌倒评估包括基于连续数据和连续信息的跌倒检测，并且
其中所述连续获取的数据包括由所述用户(1)穿戴的传感器(2,3,6,7)检测的数据以及所述用户(1)的定位数据，并且其中FRP的所述计算还包括所述定位数据。
2.根据权利要求1所述的计算机实现的方法，其中FRP的所述计算还包括所确定的所述用户(1)的位置处的环境条件，包括天气条件。
3.根据权利要求1或2中任一项所述的计算机实现的方法，其中所述FRP的所述连续计算是基于所述连续数据、连续信息和跌倒风险指标(FRI)，其中所述FRI:s包括“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”中的至少一者，其中所述连续信息涉及实时信息诸如从所述用户(1)穿戴的传感器(2,3,6,7)收集的数据以及从所述定位数据获取的关于地理环境的历史信息。
4.根据权利要求3所述的计算机实现的方法，其中所述连续信息涉及关于用户年龄、身体和健康简档的信息。
5.根据前述权利要求中任一项所述的计算机实现的方法，还包括根据所述动作计划的诱导，其中所述诱导包括启动和预防措施，并且与关于用户的跌倒评估相关和/或反映关于用户的跌倒评估。
6.根据前述权利要求中任一项所述的计算机实现的方法，其中所述计算机实现的方法包括所述动作计划的管理，并且
其中FRP的所述连续计算还包括第一时间t1的第一FRP，FRPt1的计算、和晚于所述第一时间t1的第二时间t2的第二FRP，FRPt2的计算，
所述监视所述FRP是否以及如何改变包括确定FRPt1和FRPt2之间的差DeltaFRP，并且
如果DeltaFRP小于或等于设定的FRP阈值，则所述动作计划是有效的，并且
如果DeltaFRP大于所述设定的FRP阈值，则更新所述动作计划。
7.根据权利要求6所述的计算机实现的方法，
其中所述计算机实现的方法包括所述动作计划的所述管理，并且其中在所述监视中，如果DeltaFRP超过所述设定的FRP阈值，则所述验证也基于采用在所述第一时间t1和所述第二时间t2获取的来自所述用户(1)的功能状态数据，并且从所述功能状态数据标识功能状态的任何异常评分，并且如果所标识的异常评分小于或等于设定的异常阈值，则所述动作计划是有效的，并且
如果所标识的异常评分大于所述设定的异常阈值，则将增大的FRP与所述功能状态的所标识的异常评分相关，并且更新所述动作计划。
8.根据权利要求1至7中任一项所述的计算机实现的方法，其中所述连续获取的数据包括来自所述跌倒检测的数据。
9.根据权利要求1至8中任一项所述的计算机实现的方法，其中所述动作计划的所述管理是连续且自动的管理，并且用于用户跌倒评估的所述计算机实现的方法包括所述动作计划的所述管理，其中所述动作计划的所述管理是连续管理。
10.一种包括用于应用根据权利要求1至9中任一项所述的计算机实现的方法的计算机可读指令(820)的计算机程序(810)，和/或一种包括所述计算机程序(810)的计算机可读介质(830)。
11.一种包括用于实施根据权利要求1至9中任一项所述的经训练的机器学习模型的计算机可读指令(820)的计算机程序(810)，和/或一种包括所述计算机程序(810)的计算机可读介质(830)。
12.一种用于用户跌倒评估的控制单元装置(700)，适于至少控制以下各项的启用：根据权利要求1至9中任一项所述的经训练的机器学习模型的实施、根据权利要求1至9中任一项所述的根据所述动作计划的诱导和/或所述动作计划的管理。
13.一种设备，例如可穿戴设备，用于用户跌倒评估、用于信息通信、用于启用根据权利要求1至9中任一项所述的经训练的机器学习模型的实施、以及用于根据权利要求1至9中任一项所述的根据所述动作计划的诱导以及用于启用所述动作计划的管理；
其中所述诱导包括启动和预防措施，
其中所述跌倒评估包括基于连续获取的数据和FRI的跌倒检测和FRP计算，并且其中所述FRI包括FRI:s诸如“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”，其中所述设备包括：
在所述用户跌倒评估中训练并且包括动作计划的所述经训练的机器学习模型，
检测数据的传感器(2,3,6,87)，
用于连续获取数据的装置(700)，
用于处理数据的装置(700)，
用于基于所获取的数据和所处理的数据创建所述信息的装置(700)，以及
用于传送所述信息的装置(11)；
其中所述设备包括根据权利要求10和11中的一项或多项所述的计算机程序(810)、和/或根据权利要求10和11中的一项或多项所述的计算机可读介质(830)。
14.一种系统，用于用户跌倒评估、用于信息通信、用于启用根据权利要求1至9中任一项所述的经训练的机器学习模型的实施、以及用于根据权利要求1至9中任一项所述的根据所述动作计划的诱导以及用于启用所述动作计划的管理；
其中所述诱导包括启动和预防措施，
其中所述跌倒评估包括基于连续获取的数据和FRI的跌倒检测和FRP计算，并且其中所述FRI包括FRI:s诸如“打滑”、“滑行”、“失去控制”、“与另一物体或车辆碰撞和/或撞击另一物体或车辆”、“几乎跌倒”、“行走期间绊跌”和/或“滑溜”，其中所述系统包括：
在所述用户跌倒评估中训练并且包括动作计划的经训练的机器学习模型，
检测数据的传感器(2,3,6,7)，
用于连续获取数据的装置(700)，
用于处理数据的装置(700)，
用于基于所获取的数据和所处理的数据创建所述信息的装置(700)，以及
用于传送所述信息的装置(11)；
其中所述系统包括根据权利要求10和11中的一项或多项所述的计算机程序(810)、和/或根据权利要求10和11中的一项或多项所述的计算机可读介质(830)。
15.一件衣服(10)，包括根据权利要求12所述的控制单元装置(700)、检测数据的一个或多个传感器(2,3,6,7)以及至少一个气囊(4,5,9)。
CN202280075243.4A 2021-10-29 2022-10-28 实施包括动作计划的经训练机器学习模型的用于用户跌倒评估的计算机实现的方法 Pending CN118235177A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SE2151328 2021-10-29
SE2151328-8 2021-10-29
PCT/EP2022/080173 WO2023073157A1 (en) 2021-10-29 2022-10-28 Computer-implemented method for user fall assessment implementing a trained machine learning model comprising an action plan

Publications (1)

Publication Number Publication Date
CN118235177A true CN118235177A (zh) 2024-06-21

Family

ID=84330893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280075243.4A Pending CN118235177A (zh) 2021-10-29 2022-10-28 实施包括动作计划的经训练机器学习模型的用于用户跌倒评估的计算机实现的方法

Country Status (4)

Country Link
EP (1) EP4423735A1 (zh)
JP (1) JP2024543801A (zh)
CN (1) CN118235177A (zh)
WO (1) WO2023073157A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI864739B (zh) * 2023-05-05 2024-12-01 劉子巨 具有事故通報功能的握把套及握把式事故通報系統

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9943250B2 (en) * 2011-10-09 2018-04-17 The Medical Research, Infrastructure amd Health Services Fund of the Tel Aviv Medical Center Freezing of gait (FOG), detection, prediction and/or treatment
EP3346402A1 (en) 2017-01-04 2018-07-11 Fraunhofer Portugal Research Apparatus and method for triggering a fall risk alert to a person
WO2020139850A1 (en) * 2018-12-27 2020-07-02 Starkey Laboratories, Inc. Predictive fall event management system and method of using same

Also Published As

Publication number Publication date
EP4423735A1 (en) 2024-09-04
JP2024543801A (ja) 2024-11-26
WO2023073157A1 (en) 2023-05-04

Similar Documents

Publication Publication Date Title
Saadeh et al. A patient-specific single sensor IoT-based wearable fall prediction and detection system
US10181247B2 (en) System and method for impact prediction and proximity warning
US9638711B2 (en) Method and system for discerning a false positive in a fall detection signal
US20160242680A1 (en) Intelligent comfort level monitoring system
KR20160120331A (ko) 가속도계 데이터를 사용하는 활동 인식
US10827968B2 (en) Event detection and notification system
JP2024539755A (ja) 気圧センサまたは大気圧センサを含む複数のセンサを用いた転倒検出システムおよび方法
JP2020177557A (ja) 情報処理装置、情報処理方法及びプログラム
Rasheed et al. Evaluation of human activity recognition and fall detection using android phone
KR20140100076A (ko) 신체에 걸리는 방식으로 착용되는 낙상 감지 장치 및 그 방법 그리고 이를 이용한 낙상 사고 통합 관리 시스템 및 낙상 사고 관리 방법
CN118235177A (zh) 实施包括动作计划的经训练机器学习模型的用于用户跌倒评估的计算机实现的方法
JP2010250775A (ja) 犯罪防止装置およびプログラム
CN106650300B (zh) 一种基于极限学习机的老人监护系统及方法
CN114255565B (zh) 一种危险感知的智能头盔及感知系统
Boehner A smartphone application for a portable fall detection system
Mozaffari et al. IoT-based activity recognition with machine learning from smartwatch
US10293207B1 (en) Athletic performance estimation techniques
CN118202366A (zh) 用于跌倒评估和行动的计算机实现的方法、实现经训练的机器学习模型
US11580439B1 (en) Fall identification system
EP3991649B1 (en) Non-obtrusive gait monitoring methods and systems for reducing risk of falling
EP4414959A1 (en) Computer-implemented method for training of a machine learning model in accident event assessment
Xu et al. A dynamic spatiotemporal model for fall warning and protection
Kiriti et al. Smart band for senior citizens
JP2016177402A (ja) 転倒検知端末およびプログラム
Shaafi et al. Fall Detection for Elderly Person Monitoring using Wearable Inertial Sensors and Locality Sensitive Hashing

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