一种跌倒预警方法、装置、系统及存储介质

1.本发明涉及信息处理技术领域，尤其涉及一种跌倒预警方法、装置、系统及存储介质。


背景技术：

2.跌倒是指突然或非故意的停顿、倒于地面或比初始位置更低的地方，是一种突发的不自主的体位改变。目前，跌倒已经成为导致群体伤残、失能甚至死亡的重要原因之一。
3.传统的跌倒预警方法主要依赖于可穿戴的传感器，通过传感器采集到的姿态倾斜数据与预设倾斜阈值进行比较，如果比较结果不满足预期则进行跌倒预警。但是，传统的跌倒预警方法采用的姿态倾斜数据过于单一，导致其得到的预警结果的可靠性并不高。


技术实现要素：

4.本发明实施例提供了一种跌倒预警方法、装置、系统及存储介质，以解决传统的跌倒预警方法依赖的输入数据过于单一的问题，提高跌倒预警的可靠性和准确度。
5.根据本发明一个实施例提供了一种跌倒预警方法，该方法包括：
6.获取目标对象的待测步态数据；其中，所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；
7.将所述待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果；
8.在所述预测跌倒结果满足预设跌倒条件的情况下，基于所述预测跌倒结果，执行跌倒预警操作。
9.根据本发明另一个实施例提供了一种跌倒预警装置，该装置包括：
10.待测步态数据获取模块，用于获取目标对象的待测步态数据；其中，所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；
11.预测跌倒结果输出模块，用于将所述待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果；
12.跌倒预警操作执行模块，用于在所述预测跌倒结果满足预设跌倒条件的情况下，基于所述预测跌倒结果，执行跌倒预警操作。
13.根据本发明另一个实施例提供了一种跌倒预警系统，所述系统包括：步态采集设备以及终端设备；
14.其中，所述步态采集设备，用于采集目标对象的待测步态数据；所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；
15.所述终端设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的跌倒预警方法。
16.根据本发明另一个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的跌倒预警方法。
17.本发明实施例的技术方案，通过将目标对象的运动速度、姿态角度数据和姿态变异数据中至少两种同时作为目标跌倒预警模型的输入数据，在目标跌倒预警模型输出的预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作，解决了传统的跌倒预警方法依赖的输入数据过于单一的问题，使得跌倒预警方法具备分析多个输入数据之间关联性的能力，更符合人体保持平衡的整体性要求，提高了跌倒预警的可靠性和准确度。
18.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。
附图说明
19.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本发明一个实施例所提供的一种跌倒预警方法的流程图；
21.图2为本发明一个实施例所提供的另一种跌倒预警方法的流程图；
22.图3为本发明一个实施例所提供的一种左右角度变异率的示意图；
23.图4为本发明一个实施例所提供的另一种跌倒预警方法的流程图；
24.图5为本发明一个实施例所提供的一种跌倒预警装置的结构示意图；
25.图6为本发明一个实施例所提供的一种跌倒预警系统的结构示意图；
26.图7为本发明一个实施例所提供的一种步态采集设备的结构示意图；
27.图8为本发明一个实施例所提供的一种终端设备的结构示意图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
29.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.图1为本发明一个实施例所提供的一种跌倒预警方法的流程图，本实施例可适用于在特定场所中，对特殊人群或特殊人员进行跌倒行为预警的情况，该方法可以由跌倒预警装置来执行，该跌倒预警装置可以采用硬件和/或软件的形式实现，该跌倒预警装置可配置于终端设备中。如图1所示，该方法包括：
31.s110、获取目标对象的待测步态数据。
32.在一个可选实施例中，该方法还包括：在当前时刻满足预设预警周期的情况下，执行获取目标对象的待测步态数据的步骤。
33.其中，示例性的，预设预警周期可以为1分钟或10ms，此处对预设预警周期不作限定，可根据实际应用场所进行自定义设置。举例而言，当应用场所为车站或商场等公共场合时，由于公共场合对跌倒预警的要求不高，因此预设预警周期可以比较大，而当应用场所为养老院、幼儿园、医院和康复训练室等场所时，预设预警周期可以比较小。
34.这样设置的好处在于，实现了对应用场所中的个人或人群进行实时跌倒预警的目的，可以满足不同应用场所对跌倒预警的不同的准确度要求。
35.在一个可选实施例中，该方法还包括：当检测到用户基于交互界面上的触发控件输入的触发操作时，执行获取目标对象的待测步态数据的步骤。
36.这样设置的好处在于，增加了跌倒预警方法的手动触发功能，以实现跌倒预警的及时性。
37.在一个可选实施例中，该方法还包括：获取目标对象的用户数据，在用户数据满足预设对象条件的情况下，执行获取目标对象的待测步态数据的步骤；其中，示例性的，用户数据包括目标对象的年龄和/或患病类型，相应的，预设对象条件包括年龄范围和/或患病类型范围，示例性的，年龄范围包括[1岁10岁]和/或[60岁100岁]，患病类型范围包括但不限于帕金森、中风、脑瘫、腿部畸形、肌肉损伤和关节损伤等等。
[0038]
这样设置的好处在于，增加了跌倒预警方法的个性化匹配功能。
[0039]
可以理解的是，上述3种触发方法可以存在至少一种。示例性的，可在用户数据满足预设对象条件的情况下，启动跌倒预警，并在执行一次跌倒预警流程之后，基于预设预警周期，控制终端设备周期性执行后续跌倒预警流程。
[0040]
在本实施例中，待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种。
[0041]
其中，具体的，待测姿态角度数据可用于表征目标对象的至少两个特征点的特征点坐标对应的特征点连线构成的角度数据。其中，示例性的，特征点包括但不限于鼻、左右耳朵、左右肩关节、左右肘关节、左右腕关节、左右髋关节、左右膝关节、左右踝关节以及左右脚等。
[0042]
其中，具体的，待测姿态变异数据可用于表征待测姿态角度数据的角度大小随周期变化的情况和/或待测姿态角度数据的周期变化情况。
[0043]
在一个可选实施例中，待测运动速度可以是当前时刻的实时运动速度、预设采集时长内的平均运动速度、最大运动速度、最小运动速度或预设采集时长内的一系列运动速度。相应的，待测姿态角度数据可以是当前时刻的实时姿态角度、预设采集时长内的平均姿态角度、最大姿态角度、最小姿态角度或预设采集时长内的一系列姿态角度，待测姿态变异数据可以是当前时刻的实时姿态变异率、预设采集时长内的平均姿态变异率、最大姿态变
异率、最小姿态变异率或预设采集时长内的一系列姿态变异率。其中，示例性的，预设采集时长可以是1分钟，采集频率可以为60次/分钟，此处对预设采集时长和采集频率均不作限定。
[0044]
s120、将待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果。
[0045]
其中，示例性的，目标跌倒预警模型的模型架构包括但不限于cnn网络(convolutional neural networks，卷积神经网络)、fcn网络(fully convolutional networks，全卷积神经网络)、残差网络(resnet)、dnn网络(deep neural networks，深度神经网络)、rnn网络(recurrent neural network，循环神经网络)、lstms网络(long short term networks，长短时记忆神经网络)或transformer网络等等。此处对目标跌倒预警模型采用的模型架构不作限定。
[0046]
其中，示例性的，预测跌倒结果可以为是否会跌倒，也可以是跌倒风险等级，还可以是跌倒发生概率，此处对预测跌倒结果不作限定。其中，跌倒风险等级和跌倒发生概率可用于表征目标对象后续会出现跌倒行为的可能性，跌倒风险等级或跌倒发生概率越高，则目标对象后续出现跌倒行为的可能性越大，如跌倒风险等级为i级，跌倒发生概率为0.9。
[0047]
s130、在预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作。
[0048]
其中，具体的，预设跌倒条件可以是预测跌倒结果为“会跌倒”，也可以是风险等级范围，还可以是发生概率范围，示例性的，发生概率范围可以为[0.5 1]。
[0049]
其中，示例性的，跌倒预警操作包括但不限于文字展示、声音播放和指示灯输出等等。如文字展示可以为“跌倒发生概率为0.9”，声音播放可以是语音播放也可以是提示音播放，如当跌倒发生概率较低时，跌倒预警操作输出的提示音的音量和/或音调较低，当跌倒发生概率较高时，跌倒预警操作输出的提示音的音量和/或音调较高。在指示灯输出方式中，指示灯颜色和/或频率不同，如当跌倒发生概率较低时，跌倒预警操作输出的指示灯颜色为绿色和/或频率较低，当跌倒发生概率较高时，跌倒预警操作输出的指示灯颜色为红色和/或频率较高。此处对跌倒预警操作不作具体限定。
[0050]
本实施例的技术方案，通过将目标对象的运动速度、姿态角度数据和姿态变异数据中至少两种同时作为目标跌倒预警模型的输入数据，在目标跌倒预警模型输出的预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作，解决了传统的跌倒预警方法依赖的输入数据过于单一的问题，使得跌倒预警方法具备分析多个输入数据之间关联性的能力，更符合人体保持平衡的整体性要求，提高了跌倒预警的可靠性和准确度。
[0051]
图2为本发明一个实施例所提供的另一种跌倒预警方法的流程图，本实施例与对上述实施例中待测步态数据的获取方法进行进一步细化。如图2所示，该方法包括：
[0052]
s210、获取目标对象的待测运动速度。
[0053]
在一个可选实施例中，获取目标对象的待测运动速度，包括：获取目标对象所处的运动器材的当前运行速度，并将当前运行速度作为目标对象的待测运动速度；和/或，获取目标对象佩戴的速度传感器采集到的当前采集速度，并将当前采集速度作为目标对象的待测运动速度。
[0054]
其中，具体的，当应用场所为康复训练室或健身房时，运动器材包括但不限于跑步机或椭圆机等等。
[0055]
在一个实施例中，当同时获取到当前运动速度和当前采集速度时，可将当前运动速度和当前采集速度中的任一速度作为待测运动速度，或者，将当前运动速度和当前采集速度中的最大值或最小值作为待测运动速度，或者将当前运动速度和当前采集速度对应的平均值作为待测运动速度。
[0056]
在上述实施例的基础上，可选的，在获取目标对象的待测运动速度之后，该方法还包括：判断待测运动速度在预设速度范围内，如果是，则执行获取目标对象的待测姿态角度数据的步骤，如果否，则结束跌倒预警流程。
[0057]
其中，示例性的，预设速度范围为(0 20km/h]。这样设置的好处在于，当目标对象的待测运动速度为0时，目标对象的跌倒风险很低，结束跌倒预警流程可以节约计算资源，在目标对象的数量很多的情况下，则可以尽可能的保证场所中其他目标对象的跌倒预警的检测效率，进一步提高场所人员的安全性。
[0058]
s220、通过图像采集装置，获取目标对象的待测姿态角度数据；和/或，通过可穿戴式传感器，获取目标对象的待测姿态角度数据。
[0059]
在一个可选实施例中，待测姿态角度数据包括头部姿态角度、躯干姿态角度以及关节摆动角度中至少一种，其中，关节摆动角度包括肩关节摆动角度、肘关节摆动角度、腕关节摆动角度、髋关节摆动角度、膝关节摆动角度、踝关节摆动角度和脚面摆动角度中至少一种。
[0060]
其中，具体的，头部姿态角度可用于表征耳朵与肩关节对应的特征点连线相对于竖直方向上的角度。其中，具体的，躯干姿态角度包括躯干侧角度和/或躯干正角度，其中，躯干侧角度可用于表征肩关节和髋关节对应的特征点连线相对于竖直方向的角度，躯干正角度可用于表征两个肩关节的中心点与两个髋关节点的中心点对应的特征点连线相对于竖直方向的角度。
[0061]
其中，具体的，肩关节摆动角度可用于表征肘关节和肩关节对应的特征点连线相对于竖直方向的角度，肘关节摆动角度可用于表征腕关节、肘关节和肩关节对应的特征点连线构成的角度，腕关节摆动角度可用于表征肩关节与腕关节对应的特征点连线相对于竖直方向的角度，髋关节摆动角度可用于表征膝关节与髋关节对应的特征点连线相对于竖直方向的角度，膝关节摆动角度可用于表征踝关节、膝关节和髋关节对应的特征点连线构成的角度，踝关节摆动角度可用于表征脚趾、踝关节和膝关节对应的特征点连线构成的角度，脚面摆动角度可用于表征脚趾和踝关节对应的特征点连线相对于水平方向的角度。
[0062]
在一个可选实施例中，通过图像采集装置，获取目标对象的待测姿态角度数据，包括：通过图像采集装置，采集目标对象的步态图像数据；对步态图像数据进行特征点检测，得到目标对象的至少一个特征点部位分别对应的特征点坐标；基于各特征点坐标，确定目标对象的待测姿态角度数据。
[0063]
其中，具体的，步态图像数据包括至少一个拍摄角度下的步态图像数据，如拍摄角度包括目标对象的正面、左侧面和右侧面中至少一种，相应的，图像采集装置包括正面图像采集装置、左侧面图像采集装置和右侧面图像采集装置中至少一种。
[0064]
其中，具体的，当图像采集装置包括正面图像采集装置时，待测姿态角度数据包括
头部姿态角度和/或躯干姿态角度，当图像采集装置包括左侧面图像采集装置时，关节摆动角度包括左侧关节摆动角度，如左侧关节摆动角度包括左肩关节摆动角度、左肘关节摆动角度、左腕关节摆动角度、左髋关节摆动角度、左膝关节摆动角度、左踝关节摆动角度和左脚面摆动角度中至少一种，当图像采集装置包括右侧面图像采集装置时，关节摆动角度包括右侧关节摆动角度，如右侧关节摆动角度包括右肩关节摆动角度、右肘关节摆动角度、右腕关节摆动角度、右髋关节摆动角度、右膝关节摆动角度、右踝关节摆动角度和右脚面摆动角度中至少一种。
[0065]
在一个可选实施例中，采用openpose人体姿态识别项目对步态图像数据进行特征点检测。其中，openpose项目是一种基于卷积神经网络和监督学习以caffe为框架的姿态识别方法，openpose项目采用了一种应用多任务学习(multi-task learning，mtl)方法，它与更新的模型体系结构设计相结合，能够在具有不同规模属性的各种特征点检测任务中训练一个统一的模型，是第一个用于全身多人姿态估计的单网络方法。此处对采用的特征点检测方法不作限定。
[0066]
其中，示例性的，可穿戴式传感器包括但不限于陀螺仪、加速度计、发光标记设备和重力传感器等等。
[0067]
在一个实施例中，当同时采用图像采集装置和可穿戴式传感器时，可穿戴式传感器为发光标记设备。这样设置的好处在于，可以提高对步态图像数据进行特征点检测得到的特征点坐标的准确度。
[0068]
在另一个实施例中，当同时采用图像采集装置和可穿戴式传感器时，可将图像采集装置获取到的姿态角度数据以及可穿戴式传感器获取到的姿态角度数据中的任一姿态角度数据作为待测姿态角度数据，或者，将图像采集装置获取到的姿态角度数据以及可穿戴式传感器获取到的姿态角度数据中的最大值或最小值作为姿态角度数据，或者将图像采集装置获取到的姿态角度数据以及可穿戴式传感器获取到的姿态角度数据对应的平均值作为待测姿态角度数据。
[0069]
s230、基于待测姿态角度数据，确定目标对象的待测姿态变异数据。
[0070]
在一个可选实施例中，待测姿态变异数据包括待测角度变异数据和/或待测时间变异数据，其中，待测角度变异数据包括前后角度变异率、左右角度变异率和综合角度变异率中至少一种，待测时间变异数据包括前后时间变异率、左右时间变异率和综合时间变异率中至少一种。
[0071]
其中，具体的，待测角度变异数据可用于表征待测姿态角度数据的角度大小随周期变化的情况。其中，前后角度变异率可用于表征预设采集时长内采集到的一系列待测姿态角度数据对应的标准差、相邻角度差值的均方根值和变异系数中至少一种，其中，变异系数为标准差与平均值之间的比值，左右角度变异率可用于表征左侧待测姿态角度数据与右侧待测姿态角度数据的角度差相对于左侧待测姿态角度数据或右侧待测姿态角度数据的占比，综合角度变异率可用于表征前后角度变异率和/或左右角度变异率对应的最大角度变异率、最小角度变异率、中值角度变异率或均值角度变异率中至少一种。
[0072]
由于当目标对象较多时，不同目标对象的身高各异，传统的幅度(如步幅)定义方式会导致不同目标对象的幅度存在较大变异，该变异性会影响到目标跌倒预警模型输出的预测跌倒结果的准确度。本发明实施例通过采用待测角度变异数据，可以避免传统的幅度
定义方法存在的变异性对预测跌倒结果的干扰，保证了目标跌倒预警模型输出的预测跌倒结果的准确度。
[0073]
图3为本发明一个实施例所提供的一种左右角度变异率的示意图。具体的，图3的左侧纵坐标表示角度值，右侧纵坐标表示左右角度变异率，图3示出的待测姿态角度数据包括肩颈角度、肩-大臂角度、肘关节角度、髋-大腿角度、膝关节角度、肩-躯干角度和髋-躯干角度，其中，左侧的柱状图示表示目标对象的左侧特征点对应的姿态角度数据，右侧的柱状图示表示目标对象的右侧特征点对应的姿态角度数据，折线表示各待测姿态角度数据分别对应的左右角度变异率。
[0074]
其中，具体的，待测时间变异数据可用于表征待测姿态角度数据的周期变化情况。其中，前后时间变异率可用于表征一系列角度变化周期对应的标准差、相邻周期差值的均方根值和变异系数中至少一种，其中，变异系数为标准差与平均值之间的比值，左右时间变异率可用于表征左侧的角度变化周期与右侧的角度变化周期之间的时间差相对于左侧的角度变化周期或右侧的角度变化周期的占比，综合时间变异率可用于表征前后时间变异率和/或左右时间变异率对应的最大时间变异率、最小时间变异率、中值时间变异率或均值时间变异率中至少一种。其中，角度变化周期可根据待测姿态角度数据基于时间的变化规律确定。
[0075]
s240、将待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果。
[0076]
s250、在预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作。
[0077]
本实施例的技术方案，通过图像采集装置，获取目标对象的待测姿态角度数据；和/或，通过可穿戴式传感器，获取目标对象的待测姿态角度数据，以及基于待测姿态角度数据，确定待测姿态变异数据，解决了待测步态数据的获取问题，保证了获取到的待测步态数据的准确度，进而进一步提高了后续跌倒预警的可靠性和准确度。
[0078]
图4为本发明一个实施例所提供的另一种跌倒预警方法的流程图，本实施例与对上述实施例中的目标跌倒预警模型的训练方法进行进一步细化。如图4所示，该方法包括：
[0079]
s310、获取训练对象的训练步态数据。
[0080]
在本实施例中，训练步态数据包括训练运动速度、训练姿态角度数据和训练姿态变异数据中至少两种。
[0081]
在一个可选实施例中，训练姿态角度数据包括头部姿态角度、躯干姿态角度以及关节摆动角度中至少一种，其中，关节摆动角度包括肩关节摆动角度、肘关节摆动角度、腕关节摆动角度、髋关节摆动角度、膝关节摆动角度、踝关节摆动角度和脚面摆动角度中至少一种。
[0082]
在一个可选实施例中，训练姿态变异数据包括训练角度变异数据和/或训练时间变异数据，其中，训练角度变异数据包括前后角度变异率、左右角度变异率和综合角度变异率中至少一种，训练时间变异数据包括前后时间变异率、左右时间变异率和综合时间变异率中至少一种。
[0083]
s320、将训练步态角度数据输入到未训练完成的初始跌倒预警模型中，得到输出的训练跌倒结果。
[0084]
其中，示例性的，初始跌倒预警模型的模型架构包括但不限于cnn网络(convolutional neural networks，卷积神经网络)、fcn网络(fully convolutional networks，全卷积神经网络)、残差网络(resnet)、dnn网络(deep neural networks，深度神经网络)、rnn网络(recurrent neural network，循环神经网络)、lstms网络(long short term networks，长短时记忆神经网络)或transformer网络等等。此处对初始跌倒预警模型采用的模型架构不作限定。
[0085]
其中，示例性的，训练跌倒结果可以为是否会跌倒，也可以是跌倒风险等级，还可以是跌倒发生概率，此处对训练跌倒结果不作限定。
[0086]
s330、基于训练跌倒结果和训练对象的标准跌倒结果，对初始跌倒预警模型的模型参数进行调整，直到得到训练完成的目标跌倒预警模型。
[0087]
其中，具体的，基于训练跌倒结果和训练对象的标准跌倒结果，确定目标损失函数，基于目标损失函数对初始跌倒预警模型的模型参数进行调整，直到目标损失函数收敛时，将初始跌倒预警模型作为训练完成的目标跌倒预警模型。
[0088]
其中，示例性的，目标损失函数的函数类型包括但不限于平方损失函数、对数损失函数、指数损失函数、逻辑回归损失函数、huber损失函数、交叉熵损失函数和kullback-leibler散度损失函数等等。此处对目标损失函数的函数类型不作限定。
[0089]
在一个可选实施例中，该方法还包括：基于步态评分数据，确定训练步态数据对应的步态评分，并基于步态评分，确定训练对象的标准跌倒结果。其中，步态评分数据包含与训练运动速度对应的速度评分数据、与训练姿态角度数据对应的姿态评分数据以及与训练姿态变异数据对应的变异评分数据中至少两种，速度评分数据包含与至少一种预设速度范围分别对应的速度评分，姿态评分数据包含与至少一种姿态角度范围分别对应的角度评分，变异评分数据包含与至少一种变异率范围分别对应的变异率评分。
[0090]
其中，示例性的，在速度评分数据中，将4km/h作为基准运动速度，基准运动速度对应的速度评分为1分，每增加0.5km/h，则速度评分数据中的速度评分降低2分，每降低0.5km/h，则速度评分数据中的速度评分增加2分。此处不对速度评分数据进行限定。
[0091]
表1为本发明一个实施例所提供的一种姿态评分数据，此处对姿态评分数据进行示例性说明，并不对其进行限定。
[0092]
训练姿态角度数据0分1分2分3分头部姿态角度20
°
以下20
°‑
30
°
30
°‑
40
°
40
°
以上躯干姿态角度5
°
以下5
°‑
10
°
10
°‑
15
°
15
°
以上肩关节摆动角度50
°
以上35
°‑
50
°
20
°‑
35
°
20
°
以下髋关节摆动角度35
°
以上30
°‑
35
°
25
°‑
30
°
25
°
以下膝关节摆动角度50
°
以上40
°‑
50
°
30
°‑
40
°
30
°
以下脚面摆动角度55
°
以上40
°‑
55
°
25
°‑
40
°
25
°
以下
[0093]
其中，示例性的，在变异评分数据中，变异率范围为15％以下对应的变异率评分为0分，变异率范围为15％-25％对应的变异率评分为1分，变异率范围为25％-35％对应的变异率评分为2分，变异率范围为35％以上对应的变异率评分为3分。此处不对变异评分数据进行限定。
[0094]
其中，具体的，基于步态评分数据和训练步态数据，确定训练对象对应的速度评
分、姿态评分和变异率评分中至少两种，将速度评分、姿态评分和变异率评分中至少两种对应的求和结果作为训练步态数据对应的步态评分。
[0095]
在一个实施例中，当训练跌倒结果为是否跌倒时，判断训练对象的步态评分是否超过预设评分阈值，如果是，则将训练对象的标准跌倒结果设置为“会跌倒”，如果否，则将训练对象的标准跌倒结果设置为“不会跌倒”。其中，示例性的，预设评分阈值可以为80分。
[0096]
在另一个实施例中，当训练跌倒结果为跌倒风险等级时，基于评分等级数据，确定训练对象的标准跌倒结果，其中，评分等级数据中包含至少一个步态评分范围分别对应的跌倒风险等级。示例性的，[0分30分]对应的跌倒风险等级为iii级，[31分80分]对应的跌倒风险等级为ii级，[81分100分]对应的跌倒风险等级为i级，此处对评分等级数据不作限定。
[0097]
在另一个实施例中，当训练跌倒结果为跌倒发生概率时，可将训练对象的步态评分作为该训练对象的跌倒发生概率。
[0098]
s340、获取目标对象的待测步态数据。
[0099]
s350、将待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果。
[0100]
s360、在预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作。
[0101]
本实施例的技术方案，通过获取训练步态数据，将训练步态数据输入到未训练完成的初始跌倒预警模型中，得到输出的训练跌倒结果，基于训练跌倒结果和训练对象的标准跌倒结果，对初始跌倒预警模型的模型参数进行调整，直到得到训练完成的目标跌倒预警模型，解决了目标跌倒预警模型的训练问题，并且本发明实施例通过评分的方式获取训练对象的标准跌倒结果，在提高了训练数据的获取效率和获取数量的同时，有效避免了训练数据在获取过程中可能会存在的人员安全性问题，进一步提高了跌倒预警方法的实用性。
[0102]
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0103]
图5为本发明一个实施例所提供的一种跌倒预警装置的结构示意图。如图5所示，该装置包括：待测步态数据获取模块410、预测跌倒结果输出模块420和跌倒预警操作执行模块430。
[0104]
其中，待测步态数据获取模块410，用于获取目标对象的待测步态数据；其中，待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；
[0105]
预测跌倒结果输出模块420，用于将待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果；
[0106]
跌倒预警操作执行模块430，用于在预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作。
[0107]
本实施例的技术方案，通过将目标对象的运动速度、姿态角度数据和姿态变异数据中至少两种同时作为目标跌倒预警模型的输入数据，在目标跌倒预警模型输出的预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作，解决了传统的跌倒预警方法依赖的输入数据过于单一的问题，使得跌倒预警方法具备分析多个输入数据之间关联性的能力，更符合人体保持平衡的整体性要求，提高了跌倒预警的可靠性和准确
度。
[0108]
在上述实施例的基础上，可选的，待测姿态角度数据包括头部姿态角度、躯干姿态角度以及关节摆动角度中至少一种，其中，关节摆动角度包括肩关节摆动角度、肘关节摆动角度、腕关节摆动角度、髋关节摆动角度、膝关节摆动角度、踝关节摆动角度和脚面摆动角度中至少一种。
[0109]
在上述实施例的基础上，可选的，待测姿态变异数据包括待测角度变异数据和/或待测时间变异数据，其中，待测角度变异数据包括前后角度变异率、左右角度变异率和综合角度变异率中至少一种，待测时间变异数据包括前后时间变异率、左右时间变异率和综合时间变异率中至少一种。
[0110]
在上述实施例的基础上，可选的，待测步态数据获取模块410，包括：
[0111]
待测姿态角度数据获取单元，用于通过图像采集装置，获取目标对象的待测姿态角度数据；和/或，
[0112]
通过可穿戴式传感器，获取目标对象的待测姿态角度数据。
[0113]
在上述实施例的基础上，可选的，待测姿态角度数据获取单元，具体用于：
[0114]
通过图像采集装置，采集目标对象的步态图像数据；
[0115]
对步态图像数据进行特征点检测，得到目标对象的至少一个特征点部位分别对应的特征点坐标；
[0116]
基于各特征点坐标，确定目标对象的待测姿态角度数据。
[0117]
在上述实施例的基础上，可选的，该装置还包括：
[0118]
目标跌倒预警模型训练模块，用于获取训练对象的训练步态数据；其中，训练步态数据包括训练运动速度、训练姿态角度数据和训练姿态变异数据中至少两种；
[0119]
将训练步态角度数据输入到未训练完成的初始跌倒预警模型中，得到输出的训练跌倒结果；
[0120]
基于训练跌倒结果和训练对象的标准跌倒结果，对初始跌倒预警模型的模型参数进行调整，直到得到训练完成的目标跌倒预警模型。
[0121]
在上述实施例的基础上，可选的，该装置还包括：
[0122]
标准跌倒结果获取模块，用于基于步态评分数据，确定训练步态数据对应的步态评分，并基于步态评分，确定训练对象的标准跌倒结果；
[0123]
其中，步态评分数据包含与训练运动速度对应的速度评分数据、与训练姿态角度数据对应的姿态评分数据以及与训练姿态变异数据对应的变异评分数据中至少两种，速度评分数据包含与至少一种预设速度范围分别对应的速度评分，姿态评分数据包含与至少一种姿态角度范围分别对应的角度评分，变异评分数据包含与至少一种变异率范围分别对应的变异率评分。
[0124]
本发明实施例所提供的跌倒预警装置可执行本发明任意实施例所提供的跌倒预警方法，具备执行方法相应的功能模块和有益效果。
[0125]
图6为本发明一个实施例所提供的一种跌倒预警系统的结构示意图，该跌倒预警系统包括：步态采集设备510以及终端设备520；其中，所述步态采集设备510，用于采集目标对象的待测步态数据；所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种。
[0126]
其中，示例性的，当待测步态数据包括待测运动速度时，步态采集设备510包括运动器材和/或速度传感器，当待测步态数据包括任务姿态角度数据和/或任务姿态变异数据时，步态采集设备510包括但不限于图像采集装置和可穿戴式传感器。
[0127]
图7为本发明一个实施例所提供的一种步态采集设备的结构示意图。具体的，步态采集设备包括运动器材和3个图像采集装置，其中，运动器材，用于将待测运动速度发送给终端设备520，3个图像采集装置分别将采集到的步态图像数据发送给终端设备，以使终端设备基于步态图像数据，确定任务姿态角度数据和任务姿态变异数据。
[0128]
图7为本发明一个实施例所提供的一种终端设备的结构示意图。终端设备520旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。终端设备520还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本发明实施例所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0129]
如图7所示，终端设备520包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器11执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储终端设备520操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0130]
终端设备520中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许终端设备520通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0131]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如跌倒预警方法。
[0132]
在一些实施例中，跌倒预警方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到终端设备520上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的跌倒预警方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行跌倒预警方法。
[0133]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算
机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0134]
本发明一个实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种跌倒预警方法，该方法包括：
[0135]
获取目标对象的待测步态数据；其中，待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；
[0136]
将待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果；
[0137]
在预测跌倒结果满足预设跌倒条件的情况下，基于预测跌倒结果，执行跌倒预警操作。
[0138]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0139]
为了提供与用户的交互，可以在终端设备上实施此处描述的系统和技术，该终端设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给终端设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0140]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0141]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0142]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例
如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0143]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种跌倒预警方法，其特征在于，包括：获取目标对象的待测步态数据；其中，所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；将所述待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果；在所述预测跌倒结果满足预设跌倒条件的情况下，基于所述预测跌倒结果，执行跌倒预警操作。2.根据权利要求1所述的方法，其特征在于，所述待测姿态角度数据包括头部姿态角度、躯干姿态角度以及关节摆动角度中至少一种，其中，所述关节摆动角度包括肩关节摆动角度、肘关节摆动角度、腕关节摆动角度、髋关节摆动角度、膝关节摆动角度、踝关节摆动角度和脚面摆动角度中至少一种。3.根据权利要求1所述的方法，其特征在于，所述待测姿态变异数据包括待测角度变异数据和/或待测时间变异数据，其中，所述待测角度变异数据包括前后角度变异率、左右角度变异率和综合角度变异率中至少一种，所述待测时间变异数据包括前后时间变异率、左右时间变异率和综合时间变异率中至少一种。4.根据权利要求1所述的方法，其特征在于，所述获取目标对象的待测步态数据，包括：通过图像采集装置，获取所述目标对象的待测姿态角度数据；和/或，通过可穿戴式传感器，获取所述目标对象的待测姿态角度数据。5.根据权利要求4所述的方法，其特征在于，所述通过图像采集装置，获取所述目标对象的待测姿态角度数据，包括：通过图像采集装置，采集所述目标对象的步态图像数据；对所述步态图像数据进行特征点检测，得到所述目标对象的至少一个特征点部位分别对应的特征点坐标；基于各所述特征点坐标，确定所述目标对象的待测姿态角度数据。6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：获取训练对象的训练步态数据；其中，所述训练步态数据包括训练运动速度、训练姿态角度数据和训练姿态变异数据中至少两种；将所述训练步态数据输入到未训练完成的初始跌倒预警模型中，得到输出的训练跌倒结果；基于所述训练跌倒结果和所述训练对象的标准跌倒结果，对所述初始跌倒预警模型的模型参数进行调整，直到得到训练完成的目标跌倒预警模型。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：基于步态评分数据，确定所述训练步态数据对应的步态评分，并基于所述步态评分，确定所述训练对象的标准跌倒结果；其中，所述步态评分数据包含与所述训练运动速度对应的速度评分数据、与所述训练姿态角度数据对应的姿态评分数据以及与所述训练姿态变异数据对应的变异评分数据中至少两种，所述速度评分数据包含与至少一种预设速度范围分别对应的速度评分，所述姿态评分数据包含与至少一种姿态角度范围分别对应的角度评分，所述变异评分数据包含与至少一种变异率范围分别对应的变异率评分。
8.一种跌倒预警装置，其特征在于，包括：待测步态数据获取模块，用于获取目标对象的待测步态数据；其中，所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；预测跌倒结果输出模块，用于将所述待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果；跌倒预警操作执行模块，用于在所述预测跌倒结果满足预设跌倒条件的情况下，基于所述预测跌倒结果，执行跌倒预警操作。9.一种跌倒预警系统，其特征在于，所述系统包括：步态采集设备以及终端设备；其中，所述步态采集设备，用于采集目标对象的待测步态数据；所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；所述终端设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的跌倒预警方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的跌倒预警方法。

技术总结
本发明公开了一种跌倒预警方法、装置、系统及存储介质，该方法包括：获取目标对象的待测步态数据；其中，所述待测步态数据包括待测运动速度、待测姿态角度数据和待测姿态变异数据中至少两种；将所述待测步态数据输入到预先训练完成的目标跌倒预警模型中，得到输出的预测跌倒结果；在所述预测跌倒结果满足预设跌倒条件的情况下，基于所述预测跌倒结果，执行跌倒预警操作。本发明实施例通过将目标对象的运动速度、姿态角度数据和姿态变异数据中至少两种同时作为目标跌倒预警模型的输入数据，解决了传统的跌倒预警方法依赖的输入数据过于单一的问题，更符合人体保持平衡的整体性要求，提高了跌倒预警的可靠性和准确度。提高了跌倒预警的可靠性和准确度。提高了跌倒预警的可靠性和准确度。


技术研发人员：王磊 陈小刚 孙亮 王琳琳 王灵月
受保护的技术使用者：中国医学科学院生物医学工程研究所
技术研发日：2022.12.19
技术公布日：2023/7/6