基于超声多普勒效应的浴室跌倒检测

提出了一种使用20 k Hz超声波检测浴室跌倒状况的方法,并进行了浴室环境中的测试.由于跌倒会造成失重,身体运动速度增大,导致产生多普勒效应,造成反射的超声频率的偏移.根据这一频移判断人是否跌倒,并采取相关措施,可以在保护隐私的前提下结合浴室的特点保护人们的健康和安全,为智能医疗的发展打下良好的基础.     

社区老年人跌倒的紧急处理及家庭预防指导

跌倒是老年人常见的意外事件,跌倒会对老年人的身心健康带来严重的危害。因此,做好老年人跌倒的急救知识宣教和家庭预防指导对于防止老年人跌倒和提高老年人生活质量具有重要的意义。     

探讨老年人跌倒研究的现状及预防对策

通过参考数十篇国内外有关老年人跌倒的相关研究文献,从跌倒的概况、跌倒原因及预防措施等几个方面详细地介绍了近十多年有关老年人跌倒的研究成果,阐述了此方面研究的最新动态,并总结了国内外有关专家对老年人跌倒研究现状论述,为研究老年人的跌倒问题提供有意义的参考。     

老年患者跌倒的护理防范

目的:探讨老年患者跌倒的相关因素,提出预防老年患者跌倒的防范措施。方法:从生理、疾病、心理、药物、环境、陪护及医务人员等方面分析老年患者跌倒因素,有针对性地采取预防措施。结果:有效减少老年患者跌倒的发生,提高老年患者住院期间护理安全,减少医患纠纷。结论:采取有效的护理防范措施,可减少老年患者跌倒的发生。     

仿人机器人站立到爬梯子转换动作的研究与实现

研究了由平地到竖直梯子变环境边界条件下，仿人机器人由站立到爬梯子的动作转换.为提高机器人上梯子过程的稳定性，机器人首先双手抓握住梯子横档作为辅助支撑，在机器人向梯子行走过程中，通过检测双手与梯子横档的接触力大小来调整仿人机器人身体重心相对于支撑脚的位置，从而保持身体的平衡.实验结果证明:该控制策略可有效避免因环境参数误差，外力干扰，以及机器人关节初始角度误差等引起的机器人跌倒问题，从而保证机器人由站立到爬梯子转换动作的顺利进行.     

基于关联规则挖掘的赋权特征选择跌倒检测研究

针对穿戴式跌倒检测中特征属性过多,传统的降维和PCA赋权降维方法仅考虑了单个特征的重要度,未将特征组合的重要性考虑在内的问题,提出一种改进的基于关联规则挖掘的赋权特征选择方法。在特征降维过程中引入关联规则挖掘,根据频繁项集的支持度和置信度为特征赋权,实现特征选择。利用真实的数据集进行对比实验,结果表明:该方法分类的正确率、特异度和灵敏度均高于未经降维的原始数据集和经PCA赋权选择的数据集。该方法不仅能够实现对高维数据的降维,而且考虑了特征间的关联规则,能够得到更为优质的特征向量数据集。     

自适应跌倒前实时检测方法

为了能利用单一传感器在跌倒撞击前实时检测出跌倒即将发生,结合支持向量机(SVM)和阈值法设计了一种自适应跌倒前实时检测方法.实验结果表明,该方法能在跌倒撞击前实时检测出跌倒即将发生,且比人工阈值法和SVM方法有更长的间隔时间,比SVM方法有更高的召回率和特异度.     

老年住院患者跌倒原因及护理干预的研究进展

在社会经济快速发展、医疗水平不断提高以及老年人口数量大量增加的情况下,住院患者的年龄也在不断上升.老年人由于组织器官生理功能逐渐退化,动作反应慢,对意外情况不能及时发现,并且还因疾病、药物等因素的影响、环境的改变,极易造成跌倒.现就老年住院患者跌倒的危害、影响跌倒的因素和护理干预措施三个方面进行阐述.     

基于改进姿态估计算法的嵌入式平台实时跌倒检测

为了实现视频中特殊人群跌倒检测的实时性和降低误检率。通过采用改进的姿态估计网络提取人体关节点的方法,研究了使用前后帧关节点的变化来对人体进行追踪和跌倒行为检测。为了在嵌入式平台上使姿态估计网络达到实时效果,采用带有注意力机制的轻量化结构搭建深度卷积网络来提取人体关节点坐标,并合成完整的骨架信息。结果表明：带有注意力机制的姿态估计算法在不同数据集上的准确度均有提升;同时在嵌入式平台上保持误检率较低的情况下达到实时跌倒检测。可见基于改进姿态估计算法并通过关节点判断的方法较好地实现了人体的跌倒检测。     

一种基于双流卷积神经网络跌倒识别方法

针对跌倒行为的视觉特征难以提取的问题,提出一种由两路卷积神经网络和模型融合部分组成的双流卷积神经网络(Two-Stream CNN)的跌倒识别方法.该方法的一路对视频帧的运动人加框标记后,送三维卷积神经网络(3D-CNN)处理来消除视频背景的干扰;另一路从相邻视频帧获取光流图后,送VGGNet-16卷积神经网络处理;最后将3D-CNN和VGGNet-16的Softmax输出识别概率加权融合作为Two-Stream CNN输出结果.实验结果表明:标记运动人并经3D-CNN处理有效地消除了视频背景的干扰;Two-Stream CNN跌倒识别率为96%,比3D-CNN提高了4%,比VGGNet-16网络提高了3%.