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与流程

背景技术：

技术实现思路

1、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。

2、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。

3、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。

4、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。

5、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。

6、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。

7、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。

8、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。

9、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。

10、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。

11、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。

12、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)。

13、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。

14、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。

15、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。

16、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。

17、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。

18、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。

19、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。

20、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。

21、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。

22、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。

23、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。

24、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。

25、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。

26、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。

27、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。

28、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。

29、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。

30、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。