基于视频的跌倒风险评价系统技术方案

本申请公开了基于视频的跌倒风险评价系统的多个实施例。在运行过程中，该跌倒风险评价系统接收用于跌倒风险评价的一序列视频帧，该序列视频帧包括正在被监测的个人。接下来，该系统为该序列视频帧生成连续的行为标签；生成方式为，对于该序列视频帧内的每个视频帧：估计该视频帧内的个人的姿态；并将估计的姿态划分为一组预定义行为中的给定行为。接下来，该系统在该连续的行为标签内识别行为标签子集。该系统接下来提取该序列视频帧内对应于该行为标签子集的视频帧子集中的个人的一组步态特征。接下来，该系统分析该组已提取步态特征的视频帧子集以生成该个人的跌倒风险评价。在一些实施例中，在预定义时间阶段期间捕捉该序列视频帧，例如一个小时，一天或者一周。

【技术实现步骤摘要】
基于视频的跌倒风险评价系统优先权要求及相关专利申请本申请根据35U.S.C.119(e)，要求美国临时专利申请62/786,541的优先权，标题为“隐私保护跌倒检测方法和系统”，专利技术人为吴谦伟、王星、郑健楠、区峻康、陈智琮、林冠寰、张栋、埃里克·汉斯、陈鈞杰、欧继雷、马凯伦、吴建兵和卢晔，申请日为2018年12月30日(代理档案号为AVS010.PRV01)。上述申请以其整体并入本文并作为本文的一部分。本申请还涉及在审美国专利申请，该申请名称为“隐私保护跌倒检测方法和系统”，专利技术人为吴谦伟等人，专利申请号为16/672,432，申请日为2019年11月2日(代理档案号为AVS010.US01)。
本申请一般涉及医疗和健康监测领域，具体地，涉及一种用于对人体进行高可靠性并且隐私保护的跌倒检测的系统、设备和技术。
技术介绍
随着全球范围的寿命持续延长，快速老龄化已经成为很多国家面临的严重社会问题。老年人群一般由65岁以上的人群构成。随着老年群体数量的快速增长，对高质量的医疗护理服务的日益增长的需求为医疗护理供应者及社会带来了严峻的挑战。在众多与老年群体相关的医疗和健康问题当中，跌倒是老年人面临的最为常见，同时也极为严重的问题之一。老年人具有非常高的跌倒风险，并且随着年龄的增长，这种风险也随之提高；而且，跌倒通常会导致严重并且不可挽回的医疗后果。然而，跌倒一旦发生，能够在跌倒后的第一时间立即发出警戒/报警信号，从而可以立即提供医疗救助是极其重要的。如今，可以通过多种跌倒检测设备生成这种跌倒报警，这些跌倒报警可以监测和检测具有高跌倒风险的人群是否跌倒。如今已经开发出多种类型的跌倒检测设备。例如，这些跌倒检测设备包括可穿戴跌倒检测设备，可穿戴跌倒检测设备通常依赖加速度传感器和陀螺仪进行跌倒检测。然而，可穿戴跌倒检测设备需要在大部分时间由被监测的人佩带，并且需要经常充电，使用繁琐不便。此外，很多人容易忘记佩带，甚至有一些人拒绝佩带。一些现有的可穿戴跌倒检测设备基于声音/震动传感器。然而，这些跌倒检测设备具有较低的精确度，并且通常只能用来检测重度撞击。另一种类型的跌倒检测设备采用各种基于视觉的跌倒检测技术，例如基于高风险个人的视频。例如，一现有技术采用深度摄像头检测跌倒。然而，该深度摄像头的精确度通常不足以监测大面积区域。在另一现有技术中，该捕捉视频的视场被划分为上区域和下区域，并且基于运动的幅度和区域检测对应于人体下区域的运动事件。在又一现有技术中，通过捕捉视频中检测到的人的高度和纵横比进行跌倒检测。然而，在上述技术中，识别跌倒的决策规则较为简单，并且这些系统的性能表现无法满足理想的精度要求。在另一基于视频的跌倒检测系统中，从视频图像中计算基于梯度的特征向量，并将该特征向量用于表征人体对象。这些特征向量之后被发送至一个简单的三层埃尔曼循环神经网络(RNN)，用于跌倒检测。然而，这些简单的RNN架构的普遍低复杂度也限制了相关跌倒检测输出的性能。最近，基于卷积神经网络(CNN)的技术已经应用到跌倒检测。这些基于CNN的技术通常更加精确并且比上述技术更具鲁棒性，该基于CNN的技术采用简单的规则或参数来作出跌倒预测。例如，其中一个技术采用基于CNN架构识别图像中捕捉到的人体活动。然而，现有的基于CNN的跌倒检测技术需要非常大量的计算资源，因而不能适用于嵌入式系统实现。除了需要生成跌倒事件即时警报从而在跌倒的第一时间实现医疗协助，在作出跌倒预测之前，有效的跌倒风险评价可以防止潜在的跌倒事件发生。当前，在大多数医院和老年人护理机构采用调查问卷作为主要的跌倒风险评价工具。更具体地，为了评估被评估对象的潜在跌倒风险，由被评估对象或者其家庭成员，有时需要在医生的监护下完成调查问卷。在这些调查问卷中，会提出的问题包括被评估对象的年龄、性别、以往跌倒事件历史、排便以及排尿情况、当前用药及病史，病人护理装置(例如胸管等)、移动能力以及认知能力等。每个问题都具有一个或多个选项，并且每个选项都分配有一定的分数。在完成问卷调查后，将所有分数相加并作为该被评估对象的跌倒风险得分。基于该跌倒风险得分，将为该被评估对象指定对应的跌倒风险水平(例如高风险、中风险、低风险等)，并且向该被评估对象提供对应的跌倒风险介入措施。虽然调查问卷提供了一种评价被评估对象跌倒风险的简单方法，但是相关结果通常不够精确，并且通常受限于被评估对象及基家庭成员的医疗知识。近来，有多种在受控环境下的多种临床跌倒风险测试，从而提供一种更为精确和客观的跌倒风险评价。例如，采用30秒的坐下-站起测试以评估被评估对象的下肢力量及移动能力。通过该测试，可以根据该被评估对象成功完成的坐下－站起动作的次数确定该潜在的跌倒风险。一般来讲，坐下－站起动作的完成次数越多，则该被评估对象的跌倒风险就越低。此外，可以采用平衡性测试，用来测试被评估对象的平衡能力，这也可以作为跌倒风险的有效指标。在测试期间，要求被评估对象完成一系列的平衡动作，包括单腿站立。无法完成一个或多个动作则被视为具高跌倒风险。还可以采用“站起行走三米”测试用以测试被评估对象的移动能力。在测试开始时，被评估对象坐在椅子上。测试开始之后，被评估对象需要站起，向前行走三米，然后转身并坐回到椅子上。完成这一测试的时长可作为跌倒风险的指标，被评估对象完成这一测试耗时越长，则预测跌倒风险越高。虽然上述临床测试可以提供更加客观和可靠的跌倒风险评价，这些测试通常需要在受控的环境下实现，并且由医生或者经过训练的工作人员来评估。因此，这些测试执行起来较为困难，从而难以在日常情况下用于监测和评估被评估对象的跌倒风险。最近，研究人员发现对于很多被评估对象而言，跌倒风险是一种渐变性的问题。因此，在日常生活环境下持续性地监测被评估对象的跌倒风险对于有效并准确评估跌倒风险以及提供后续的介入程序是非常关键的。不幸的是，现有的家用步态分析技术严重依赖可穿戴传感器，被评估对象需要大部分时间佩戴可穿戴传感器并且为该传感器频繁充电，繁琐并且不便使用。
技术实现思路
本申请公开了隐私保护嵌入式跌倒检测视觉系统(在本申请中也称之为“嵌入式跌倒检测系统”，或者简称为“嵌入式视觉系统”)的多个实施例，该系统包括用于实现各种基于视觉并且具有隐私保护的跌倒检测功能的多个软件和/或硬件模块。具体地，这些嵌入式跌倒检测系统为独立系统，该系统可以包括硬件模块和一个或多个处理器，该硬件模块例如为一个或多个用于捕捉一个或多个被监测的个人的视频图像，以服务于潜在的跌倒风险的摄像头；该处理器用于对捕捉到的视频图像进行处理。此外，该嵌入式跌倒检测系统可以包括多个用于处理该被捕捉到的视频图像，并在随后生成跌倒检测输出的软件模块，该跌倒检测输出包括基于捕捉到的视频图像的跌倒报警/通知。本申请公开的嵌入式跌倒检测系统可以作为单体嵌入式跌倒检测视觉传感器。该单体嵌入式跌倒检测视觉传感器在多个跌倒检测应用中可以安装在单个固定位置，用于监测具有高度跌倒风险的个人，例如老年人、残疾人或者具有某种疾病的人。本申请还公开了分布式隐私保护跌倒检测系统的多个本文档来自技高网...

【技术保护点】
1.一种基于视频的跌倒风险评价方法，其特征在于，所述方法包括：/n接收用于跌倒风险评价的一序列视频帧，所述序列视频帧包括正在被监测的个人；/n为所述序列视频帧生成连续的行为标签，包括：对于所述序列视频帧内的每个视频帧：/n估计所述视频帧内的个人的姿态；以及/n将估计姿态划分为一组预定义行为中的给定行为；/n识别所述连续的行为标签内的行为标签子集；/n提取所述序列视频帧内对应于所述行为标签子集的视频帧子集中的所述个人的一组步态特征；以及，/n分析该组已提取步态特征以生成所述个人的跌倒风险评价。/n

【技术特征摘要】
20191102 US 16/672,432;20191230 US 16/731,0251.一种基于视频的跌倒风险评价方法，其特征在于，所述方法包括：
接收用于跌倒风险评价的一序列视频帧，所述序列视频帧包括正在被监测的个人；
为所述序列视频帧生成连续的行为标签，包括：对于所述序列视频帧内的每个视频帧：
估计所述视频帧内的个人的姿态；以及
将估计姿态划分为一组预定义行为中的给定行为；
识别所述连续的行为标签内的行为标签子集；
提取所述序列视频帧内对应于所述行为标签子集的视频帧子集中的所述个人的一组步态特征；以及，
分析该组已提取步态特征以生成所述个人的跌倒风险评价。


2.根据权利要求1所述的方法，其特征在于，在预定义时间阶段期间捕捉所述序列视频帧。


3.根据权利要求2所述的方法，其特征在于，所述预定义时间阶段为一个小时，一天或者一周。


4.根据权利要求1所述的方法，其特征在于，在所述估计所述视频帧内的个人的姿态之前，所述方法还包括：检测所述视频帧内的所述个人。


5.根据权利要求1所述的方法，其特征在于，该组预定义行为包括站立行为、坐下行为、行走行为以及其他所有行为。


6.根据权利要求5所述的方法，其特征在于，所述识别连续的行为标签内的行为标签子集包括：识别所有被划分为所述行走行为的行为标签。


7.根据权利要求1所述的方法，其特征在于，该组步态特征包括如下一项或多项：步数、平均步行时间、单脚或双脚的步行时间方差、速度、节奏、步行平衡以及身体摇摆因数。


8.根据权利要求2所述的方法，其特征在于，所述分析该组已提取步态特征以生成所述个人的跌倒风险评价包括：分析在预定义时间阶段期间内捕捉的所述序列视频帧。


9.根据权利要求1所述的方法，其特征在于，所述分析该组已提取步态特征以生成跌倒风险评价包括：对该组已提取步态特征中的给定已提取步态特征执行一项或多项统计分析。


10.根据权利要求1所述的方法，其特征在于，所述方法还包括：当分析该组已提取步态特征生成所述个人的高跌倒风险评价时，触发并发送至看护者的高跌倒风险警告。


11.一种基于视频的跌倒风险评价系统，其特征在于，所述系统包括：
一个或多个处理器；
连接至所述一个或多个处理器的存储器；
其中所述存储器存储指令，所述一个或多个处理器执行所述指令以使所述系统执行：
接收用于跌倒风险评价的一序列视频帧，所述序列视频帧包括正在被监测的个人；
为所述序列视频帧生...

【专利技术属性】
技术研发人员：郑健楠，沈超，张栋，梁杰，
申请(专利权)人：奥瞳系统科技有限公司，
类型：发明
国别省市：加拿大;CA