一种结合耳机和手表进行跌倒监测及报警的方法及系统与流程

1.本发明涉及监测技术领域，尤其涉及一种结合耳机和手表进行跌倒监测及报警的方法及系统。


背景技术：

2.目前我国60岁及以上老年人口达2.67亿，占总人口的18.9％。2035年左右，60岁及以上老年人口将突破4亿，在总人口中的占比将超过30％，进入重度老龄化阶段，随着老龄化问题加剧，中老年人对于健康的需求越来越多，相对于治疗，防范和预警同样重要，危险事件发生具有随机性，不确定性，传统方式对心率，血压等监测，过于繁琐，如果是老年人，操作更加困难；随着年龄的增长,由跌倒引发的损伤也在增多，而跌倒后损伤引起的并发症是65岁以上高龄老人死亡的重要因素，如果在跌倒后第一时间救助，可以有效的降低其并发症后果。
3.现有技术的缺陷是：当前的手表跌倒监测并不全面，在人体姿态上的检测不精准，对于特殊姿势的跌倒无法察觉，耳机主要用于监测头部活动，也不能全面的反应身体姿态，无论是手表或耳机均无法精准监测跌倒。


技术实现要素：

4.为了解决现有技术中的问题，本发明提供了一种结合耳机和手表进行跌倒监测及报警的方法及系统，更加精准的对跌倒进行判定。
5.本发明提供了一种结合耳机和手表进行跌倒监测及报警的方法，包括如下步骤：
6.数据采集步骤：收集手表以及耳机的各项传感器数据；
7.数据清理步骤：对采集到的传感器数据进行筛选、滤波、降噪、重组处理；
8.模型训练步骤：对正常数据进行训练，提取非摔倒情况下数据的特征；
9.报警步骤：提供二次确认以及语音呼叫服务。
10.作为本发明的进一步改进，在所述数据清理步骤中，所筛选、滤波、降噪、重组过程中，将手表和耳机分段的二进制数据转化为便于处理的数字信号，并使其落入[0～10]区间，重组算法将多段数据排列为二维数组以便进行降噪操作。
[0011]
作为本发明的进一步改进，在所述数据清理步骤中，降噪包括如下步骤：
[0012]
步骤a：计算总体数据的最大值与最小值，统一数值回归到预设区间，计算需要降低的比值；
[0013]
步骤b：循环数组中的项目，取其四周的8个值，利用离差平方和sa计算周围点对于中心点的偏离程度；
[0014]
步骤c：如果偏离大于设定值，则按比值降低数值大小，再返回执行步骤b，如果偏离小于设定值，那么执行步骤d；
[0015]
步骤d：整体数据处理完成后，储存这部分数据并传入模型训练步骤。
[0016]
作为本发明的进一步改进，在所述模型训练步骤中，进入模型的数据首先预设其
为异常情况，通过输入正确姿势的数据，通过相关性算法不断的优化预测向量，与向量匹配度较高则判定为正常姿势，其步骤是：
[0017]
步骤1：设i为遍历用的行号，i＝0,x(i)＝1，y(i)＝10；
[0018]
步骤2：固定i＝1，遍历所有其他行，设j为遍历用的行号(j！＝i,j！＝i,j！＝i)；步骤3：j＝2,x(j)＝2，y(j)＝20；
[0019]
步骤4：设函数d(a,b)＝|a-b|，d()函数计算两个输入值之差的绝对值，如果a和b推广为向量，则计算的就是两个向量之间的差；
[0020]
步骤5：计算d(xi,xj)＝|x1-x2|＝|1-2|＝1，将其设为一个新的变量rx，rx＝1；
[0021]
步骤6：计算d(yi,yj)＝|y1-y2|，将其设为一个新的变量ry，ry＝8；步骤7：固定j，遍历所有其他行；设k为遍历用的行号(k！＝i and k！＝j)；k＝3,x(k)＝3,y(k)＝30；
[0022]
步骤8：计算d(xi,xk)＝|x1-x3|＝|1-3|＝2；
[0023]
步骤9：计算d(yi,yk)＝|y1-y3|＝|12-30|＝18；
[0024]
步骤10：设变量a11＝0，a12＝0，a21＝0，a22＝0；
[0025]
步骤11：比较d(xi,xk)和rx的值，比较d(yi,yk)和ry的值，如果d(xi,xk)《＝rx而且d(yi,yk)《＝ry,则a11加1，a1＝a11+a12；
[0026]
步骤12：k加1，重复步骤7到步骤11,累加a系列变量；
[0027]
步骤13：此时有了i＝1,j＝2情况时的列联表，就可以使用卡方检验来计算了，公式如下：
[0028][0029]
步骤14：对于当前i＝1,j＝2的情况，计算可得s(i,j)＝0；
[0030]
步骤15：j加1,j＝3,x(j)＝3,y(j)＝30；
[0031]
步骤16：重复步骤5到步骤16，在每一步都计算s(i,j)并累加起来；计算后得出i＝1时的总s(i,j)＝3，i加1,i＝2,x(i)＝2；
[0032]
步骤17：重复步骤3到步骤17，直到穷尽所有的i为止；把所有的s(i,j)累加起来，得到最终的s(i,j)＝5.25，这个值代表了在当前自由度下两个变量的相关强度,值越大则强度越大；记录下数据的相关强度,结合实际中的正确姿势数据，统计并建立风险矩阵，判断风险值。
[0033]
作为本发明的进一步改进，根据风险矩阵，报警步骤执行如下操作：
[0034]
低风险采取关注措施，继续监测事件发生后10分钟内的身体姿态变化，异常则提升为中风险；
[0035]
中风险发生时，采用10s倒计时，需要手动在手表取消倒计时，未取消且10s后提升为高风险；
[0036]
高风险时，采用语音外呼的方式联络医护人员且需要得到回复。
[0037]
本发明还提供了一种结合耳机和手表进行跌倒监测及报警的系统，其包括手表和耳机，所述手表具有心率、血压、精神状态的测量功能，所述手表具有陀螺仪传感器、方向传感器、重力传感器、旋转矢量传感器，所述耳机能提供收声，且所述耳机具有陀螺仪传感器及旋转矢量传感器；该系统还包括：
[0038]
数据采集模块：用于收集手表以及耳机的各项传感器数据；
[0039]
数据清理模块：用于对采集到的传感器数据进行筛选、滤波、降噪、重组处理；
[0040]
模型训练模块：用于对正常数据进行训练，提取非摔倒情况下数据的特征；
[0041]
报警模块：用于提供二次确认以及语音呼叫服务。
[0042]
作为本发明的进一步改进，在所述数据清理模块中，所筛选、滤波、降噪、重组过程中，将手表和耳机分段的二进制数据转化为便于处理的数字信号，并使其落入[0～10]区间，重组算法将多段数据排列为二维数组以便进行降噪操作。
[0043]
作为本发明的进一步改进，在所述数据清理模块中，降噪包括如下步骤：
[0044]
步骤a：计算总体数据的最大值与最小值，统一数值回归到预设区间，计算需要降低的比值；
[0045]
步骤b：循环数组中的项目，取其四周的8个值，利用离差平方和sa计算周围点对于中心点的偏离程度；
[0046]
步骤c：如果偏离大于设定值，则按比值降低数值大小，再返回执行步骤b，如果偏离小于设定值，那么执行步骤d；
[0047]
步骤d：整体数据处理完成后，储存这部分数据并传入模型训练模块。
[0048]
作为本发明的进一步改进，在所述模型训练模块中，进入模型的数据首先预设其为异常情况，通过输入正确姿势的数据，通过相关性算法不断的优化预测向量，与向量匹配度较高则判定为正常姿势，其步骤是：
[0049]
步骤1：设i为遍历用的行号，i＝0,x(i)＝1，y(i)＝10；
[0050]
步骤2：固定i＝1，遍历所有其他行，设j为遍历用的行号(j！＝i,j！＝i,j！＝i)；步骤3：j＝2,x(j)＝2，y(j)＝20；
[0051]
步骤4：设函数d(a,b)＝|a-b|，d()函数计算两个输入值之差的绝对值，如果a和b推广为向量，则计算的就是两个向量之间的差；
[0052]
步骤5：计算d(xi,xj)＝|x1-x2|＝|1-2|＝1，将其设为一个新的变量rx，rx＝1；
[0053]
步骤6：计算d(yi,yj)＝|y1-y2|，将其设为一个新的变量ry，ry＝8；步骤7：固定j，遍历所有其他行；设k为遍历用的行号(k！＝i and k！＝j)；k＝3,x(k)＝3,y(k)＝30；
[0054]
步骤8：计算d(xi,xk)＝|x1-x3|＝|1-3|＝2；
[0055]
步骤9：计算d(yi,yk)＝|y1-y3|＝|12-30|＝18；
[0056]
步骤10：设变量a11＝0，a12＝0，a21＝0，a22＝0；
[0057]
步骤11：比较d(xi,xk)和rx的值，比较d(yi,yk)和ry的值，如果d(xi,xk)《＝rx而且d(yi,yk)《＝ry,则a11加1，a1＝a11+a12；
[0058]
步骤12：k加1，重复步骤7到步骤11,累加a系列变量；
[0059]
步骤13：此时有了i＝1,j＝2情况时的列联表，就可以使用卡方检验来计算了，公式如下：
[0060][0061]
步骤14：对于当前i＝1,j＝2的情况，计算可得s(i,j)＝0；
[0062]
步骤15：j加1,j＝3,x(j)＝3,y(j)＝30；
[0063]
步骤16：重复步骤5到步骤16，在每一步都计算s(i,j)并累加起来；计算后得出i＝1时的总s(i,j)＝3，i加1,i＝2,x(i)＝2；
[0064]
步骤17：重复步骤3到步骤17，直到穷尽所有的i为止；把所有的s(i,j)累加起来，得到最终的s(i,j)＝5.25，这个值代表了在当前自由度下两个变量的相关强度,值越大则强度越大；记录下数据的相关强度,结合实际中的正确姿势数据，统计并建立风险矩阵，判断风险值。
[0065]
作为本发明的进一步改进，根据风险矩阵，报警模块执行如下操作：
[0066]
低风险采取关注措施，继续监测事件发生后10分钟内的身体姿态变化，异常则提升为中风险；
[0067]
中风险发生时，采用10s倒计时，需要手动在手表取消倒计时，未取消且10s后提升为高风险；
[0068]
高风险时，采用语音外呼的方式联络医护人员且需要得到回复。
[0069]
本发明的有益效果是：与现有技术相比，本发明因为结合了耳机对头部的姿态监测，再结合手表数据，采取非正常即异常的方式进行跌倒判定，模型训练量更小，结果判定更加精准，对跌倒的即时预警和预防跌倒研究工作有重大意义。
附图说明
[0070]
图1是本发明的系统框图。
具体实施方式
[0071]
本发明公开了一种结合耳机和手表进行跌倒监测及报警的方法，包括如下步骤：
[0072]
数据采集步骤：收集手表以及耳机的各项传感器数据；
[0073]
数据清理步骤：对采集到的传感器数据进行筛选、滤波、降噪、重组处理；
[0074]
模型训练步骤：对正常数据进行训练，提取非摔倒情况下数据的特征；
[0075]
报警步骤：提供二次确认以及语音呼叫服务。
[0076]
在所述数据清理步骤中，所筛选、滤波、降噪、重组过程中，将手表和耳机分段的二进制数据转化为便于处理的数字信号，并使其落入[0～10]区间，重组算法将多段数据排列为二维数组以便进行降噪操作，降噪包括如下步骤：
[0077]
步骤a：计算总体数据的最大值与最小值，统一数值回归到预设区间，计算需要降低的比值；
[0078]
步骤b：循环数组中的项目，取其四周的8个值，利用离差平方和sa计算周围点对于中心点的偏离程度；
[0079]
步骤c：如果偏离大于设定值(偏离大于设定值时，则认为偏离较高)，则按比值降低数值大小，再返回执行步骤b，如果偏离小于设定值，那么执行步骤d；
[0080]
步骤d：整体数据处理完成后，储存这部分数据并传入模型训练步骤。
[0081]
在所述模型训练步骤中，进入模型的数据首先预设其为异常情况，通过输入正确姿势的数据，通过相关性算法不断的优化预测向量，与向量匹配度较高则判定为正常姿势，其步骤是：
[0082]
步骤1：设i为遍历用的行号，i＝0,x(i)＝1，y(i)＝10；
[0083]
步骤2：固定i＝1，遍历所有其他行，设j为遍历用的行号(j！＝i,j！＝i,j！＝i)；
[0084]
步骤3：j＝2,x(j)＝2，y(j)＝20；
[0085]
步骤4：设函数d(a,b)＝|a-b|，d()函数计算两个输入值之差的绝对值，如果a和b推广为向量，则计算的就是两个向量之间的差；
[0086]
步骤5：计算d(xi,xj)＝|x1-x2|＝|1-2|＝1，将其设为一个新的变量rx，rx＝1；
[0087]
步骤6：计算d(yi,yj)＝|y1-y2|，将其设为一个新的变量ry，ry＝8；
[0088]
步骤7：固定j，遍历所有其他行；设k为遍历用的行号(k！＝i and k！＝j)；k＝3,x(k)＝3,y(k)＝30；
[0089]
步骤8：计算d(xi,xk)＝|x1-x3|＝|1-3|＝2；
[0090]
步骤9：计算d(yi,yk)＝|y1-y3|＝|12-30|＝18；
[0091]
步骤10：设变量a11＝0，a12＝0，a21＝0，a22＝0，这些都是下面要用到的累计计数；
[0092]
步骤11：比较d(xi,xk)和rx的值，比较d(yi,yk)和ry的值，比较结果共有4种情况，如下表所示：
[0093][0094]
如果d(xi,xk)《＝rx而且d(yi,yk)《＝ry,则a11加1。其他情况可以按照表格理解。a1＝a11+a12,其它类似的行/列之和参见表格。n表示总行数。
[0095]
步骤12：k加1，重复步骤7到步骤11,累加a系列变量；
[0096]
步骤13：此时有了i＝1,j＝2情况时的列联表，就可以使用卡方检验来计算了，公式如下：
[0097][0098]
步骤14：对于当前i＝1,j＝2的情况，计算可得s(i,j)＝0；
[0099]
步骤15：j加1,j＝3,x(j)＝3,y(j)＝30；
[0100]
步骤16：重复步骤5到步骤16，在每一步都计算s(i,j)并累加起来；计算后得出i＝1时的总s(i,j)＝3，i加1,i＝2,x(i)＝2；
[0101]
步骤17：重复步骤3到步骤17，直到穷尽所有的i为止；把所有的s(i,j)累加起来，得到最终的s(i,j)＝5.25，这个值代表了在当前自由度下两个变量的相关强度,值越大则强度越大；记录下数据的相关强度,结合实际中的正确姿势(无风险姿势)数据，统计并建立风险矩阵，判断风险值(低中高)：
[0102][0103]
根据风险矩阵，报警步骤执行如下操作：
[0104]
低风险采取关注措施，继续监测事件发生后10分钟内的身体姿态变化，异常则提升为中风险；
[0105]
中风险发生时，采用10s倒计时，需要手动在手表取消倒计时，未取消且10s后提升为高风险；
[0106]
高风险时，采用语音外呼的方式联络医护人员且需要得到回复。
[0107]
如图1所示，本发明还公开了一种结合耳机和手表进行跌倒监测及报警的系统，包括手表和耳机，所述手表具有心率、血压、精神状态的测量功能，所述手表具有陀螺仪传感器、方向传感器、重力传感器、旋转矢量传感器，且手表能够将上述传感器数据输出；所述耳机能提供收声，且所述耳机具有陀螺仪传感器及旋转矢量传感器，耳机能够将陀螺仪传感器及旋转矢量传感器的数据进行输出；该系统还包括：
[0108]
数据采集模块：用于收集手表以及耳机的各项传感器数据；
[0109]
数据清理模块：用于对采集到的传感器数据进行筛选、滤波、降噪、重组处理；
[0110]
模型训练模块：用于对正常数据进行训练，提取非摔倒情况下数据的特征；
[0111]
报警模块：用于提供二次确认以及语音呼叫服务。
[0112]
与现有技术相比，本发明因为结合了耳机对头部的姿态监测，再结合手表数据，采取非正常即异常的方式进行跌倒判定，模型训练量更小，结果判定更加精准，对跌倒的即时预警和预防跌倒研究工作有重大意义。
[0113]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在
不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种结合耳机和手表进行跌倒监测及报警的方法，其特征在于，包括如下步骤：数据采集步骤：收集手表以及耳机的各项传感器数据；数据清理步骤：对采集到的传感器数据进行筛选、滤波、降噪、重组处理；模型训练步骤：对正常数据进行训练，提取非摔倒情况下数据的特征；报警步骤：提供二次确认以及语音呼叫服务。2.根据权利要求1所述的方法，其特征在于，在所述数据清理步骤中，所筛选、滤波、降噪、重组过程中，将手表和耳机分段的二进制数据转化为便于处理的数字信号，并使其落入[0～10]区间，重组算法将多段数据排列为二维数组以便进行降噪操作。3.根据权利要求2所述的方法，其特征在于，在所述数据清理步骤中，降噪包括如下步骤：步骤a：计算总体数据的最大值与最小值，统一数值回归到预设区间，计算需要降低的比值；步骤b：循环数组中的项目，取其四周的8个值，利用离差平方和sa计算周围点对于中心点的偏离程度；步骤c：如果偏离大于设定值，则按比值降低数值大小，再返回执行步骤b，如果偏离小于设定值，那么执行步骤d；步骤d：整体数据处理完成后，储存这部分数据并传入模型训练步骤。4.根据权利要求1所述的方法，其特征在于，在所述模型训练步骤中，进入模型的数据首先预设其为异常情况，通过输入正确姿势的数据，通过相关性算法不断的优化预测向量，与向量匹配度较高则判定为正常姿势，其步骤是：步骤1：设i为遍历用的行号，i＝0,x(i)＝1，y(i)＝10；步骤2：固定i＝1，遍历所有其他行，设j为遍历用的行号(j！＝i,j！＝i,j！＝i)；步骤3：j＝2,x(j)＝2，y(j)＝20；步骤4：设函数d(a,b)＝|a-b|，d()函数计算两个输入值之差的绝对值，如果a和b推广为向量，则计算的就是两个向量之间的差；步骤5：计算d(xi,xj)＝|x1-x2|＝|1-2|＝1，将其设为一个新的变量rx，rx＝1；步骤6：计算d(yi,yj)＝|y1-y2|，将其设为一个新的变量ry，ry＝8；步骤7：固定j，遍历所有其他行；设k为遍历用的行号(k！＝i and k！＝j)；k＝3,x(k)＝3,y(k)＝30；步骤8：计算d(xi,xk)＝|x1-x3|＝|1-3|＝2；步骤9：计算d(yi,yk)＝|y1-y3|＝|12-30|＝18；步骤10：设变量a11＝0，a12＝0，a21＝0，a22＝0；步骤11：比较d(xi,xk)和rx的值，比较d(yi,yk)和ry的值，如果d(xi,xk)<＝rx而且d(yi,yk)<＝ry,则a11加1，a1＝a11+a12；步骤12：k加1，重复步骤7到步骤11,累加a系列变量；步骤13：此时有了i＝1,j＝2情况时的列联表，使用卡方检验计算，公式如下：
步骤14：对于当前i＝1,j＝2的情况，计算可得s(i,j)＝0；步骤15：j加1,j＝3,x(j)＝3,y(j)＝30；步骤16：重复步骤5到步骤16，在每一步都计算s(i,j)并累加起来；计算后得出i＝1时的总s(i,j)＝3，i加1,i＝2,x(i)＝2；步骤17：重复步骤3到步骤17，直到穷尽所有的i为止；把所有的s(i,j)累加起来，得到最终的s(i,j)＝5.25，这个值代表了在当前自由度下两个变量的相关强度,值越大则强度越大；记录下数据的相关强度,结合实际中的正确姿势数据，统计并建立风险矩阵，判断风险值。5.根据权利要求4所述的方法，其特征在于，根据风险矩阵，报警步骤执行如下操作：低风险采取关注措施，继续监测事件发生后10分钟内的身体姿态变化，异常则提升为中风险；中风险发生时，采用10s倒计时，需要手动在手表取消倒计时，未取消且10s后提升为高风险；高风险时，采用语音外呼的方式联络医护人员且需要得到回复。6.一种结合耳机和手表进行跌倒监测及报警的系统，其特征在于，包括手表和耳机，所述手表具有心率、血压、精神状态的测量功能，所述手表具有陀螺仪传感器、方向传感器、重力传感器、旋转矢量传感器，所述耳机能提供收声，且所述耳机具有陀螺仪传感器及旋转矢量传感器；该系统还包括：数据采集模块：用于收集手表以及耳机的各项传感器数据；数据清理模块：用于对采集到的传感器数据进行筛选、滤波、降噪、重组处理；模型训练模块：用于对正常数据进行训练，提取非摔倒情况下数据的特征；报警模块：用于提供二次确认以及语音呼叫服务。7.根据权利要求6所述的系统，其特征在于，在所述数据清理模块中，所筛选、滤波、降噪、重组过程中，将手表和耳机分段的二进制数据转化为便于处理的数字信号，并使其落入[0～10]区间，重组算法将多段数据排列为二维数组以便进行降噪操作。8.根据权利要求7所述的系统，其特征在于，在所述数据清理模块中，降噪包括如下步骤：步骤a：计算总体数据的最大值与最小值，统一数值回归到预设区间，计算需要降低的比值；步骤b：循环数组中的项目，取其四周的8个值，利用离差平方和sa计算周围点对于中心点的偏离程度；步骤c：如果偏离大于设定值，则按比值降低数值大小，再返回执行步骤b，如果偏离小于设定值，那么执行步骤d；步骤d：整体数据处理完成后，储存这部分数据并传入模型训练模块。9.根据权利要求6所述的系统，其特征在于，在所述模型训练模块中，进入模型的数据首先预设其为异常情况，通过输入正确姿势的数据，通过相关性算法不断的优化预测向量，与向量匹配度较高则判定为正常姿势，其步骤是：步骤1：设i为遍历用的行号，i＝0,x(i)＝1，y(i)＝10；步骤2：固定i＝1，遍历所有其他行，设j为遍历用的行号(j！＝i,j！＝i,j！＝i)；
步骤3：j＝2,x(j)＝2，y(j)＝20；步骤4：设函数d(a,b)＝|a-b|，d()函数计算两个输入值之差的绝对值，如果a和b推广为向量，则计算的就是两个向量之间的差；步骤5：计算d(xi,xj)＝|x1-x2|＝|1-2|＝1，将其设为一个新的变量rx，rx＝1；步骤6：计算d(yi,yj)＝|y1-y2|，将其设为一个新的变量ry，ry＝8；步骤7：固定j，遍历所有其他行；设k为遍历用的行号(k！＝i and k！＝j)；k＝3,x(k)＝3,y(k)＝30；步骤8：计算d(xi,xk)＝|x1-x3|＝|1-3|＝2；步骤9：计算d(yi,yk)＝|y1-y3|＝|12-30|＝18；步骤10：设变量a11＝0，a12＝0，a21＝0，a22＝0；步骤11：比较d(xi,xk)和rx的值，比较d(yi,yk)和ry的值，如果d(xi,xk)<＝rx而且d(yi,yk)<＝ry,则a11加1，a1＝a11+a12；步骤12：k加1，重复步骤7到步骤11,累加a系列变量；步骤13：此时有了i＝1,j＝2情况时的列联表，使用卡方检验计算，公式如下：步骤14：对于当前i＝1,j＝2的情况，计算可得s(i,j)＝0；步骤15：j加1,j＝3,x(j)＝3,y(j)＝30；步骤16：重复步骤5到步骤16，在每一步都计算s(i,j)并累加起来；计算后得出i＝1时的总s(i,j)＝3，i加1,i＝2,x(i)＝2；步骤17：重复步骤3到步骤17，直到穷尽所有的i为止；把所有的s(i,j)累加起来，得到最终的s(i,j)＝5.25，这个值代表了在当前自由度下两个变量的相关强度,值越大则强度越大；记录下数据的相关强度,结合实际中的正确姿势数据，统计并建立风险矩阵，判断风险值。10.根据权利要求9所述的系统，其特征在于，根据风险矩阵，报警模块执行如下操作：低风险采取关注措施，继续监测事件发生后10分钟内的身体姿态变化，异常则提升为中风险；中风险发生时，采用10s倒计时，需要手动在手表取消倒计时，未取消且10s后提升为高风险；高风险时，采用语音外呼的方式联络医护人员且需要得到回复。

技术总结
本发明提供了一种结合耳机和手表进行跌倒监测及报警的方法及系统，该方法包括：数据采集步骤：收集手表以及耳机的各项传感器数据；数据清理步骤：对采集到的传感器数据进行筛选、滤波、降噪、重组处理；模型训练步骤：对正常数据进行训练，提取非摔倒情况下数据的特征；报警步骤：提供二次确认以及语音呼叫服务。本发明的有益效果是：与现有技术相比，本发明因为结合了耳机对头部的姿态监测，再结合手表数据，采取非正常即异常的方式进行跌倒判定，模型训练量更小，结果判定更加精准，对跌倒的即时预警和预防跌倒研究工作有重大意义。即时预警和预防跌倒研究工作有重大意义。即时预警和预防跌倒研究工作有重大意义。


技术研发人员：郭豫涛 王俊贤 张友一 熊嘉威
受保护的技术使用者：中国人民解放军总医院第六医学中心
技术研发日：2022.11.25
技术公布日：2023/7/11