DE102009046775A1

DE102009046775A1 - Device for detecting e.g. movement condition of person, has determination device for determining condition of user based on acceleration of preset body position and database that is matched to body position

Info

Publication number: DE102009046775A1
Application number: DE200910046775
Authority: DE
Inventors: Matthias Struck; Gerd Krassnig
Original assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Current assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Priority date: 2009-11-17
Filing date: 2009-11-17
Publication date: 2011-05-19

Abstract

The device (100) has a detecting unit (110) for detecting acceleration of a user and attached at a preset body position of the user. A determination device (120) determines a condition of the user based on the acceleration of the preset body position and a database (130) that is matched to the body position. The determination device determines temporal distribution of the acceleration as an acceleration signal and filters the acceleration signal with high-pass or low-pass into gravitation components and body acceleration components. Independent claims are also included for the following: (1) a method for detecting a condition of a user (2) a device for adapting a database to a preset condition of a user (3) a method for adapting a database to a preset condition of a user (4) a computer program comprising instructions to perform a method for adapting a database to a preset condition of a user.

Description

Die vorliegende Erfindung bezieht sich auf die Erkennung eines Zustands eines Benutzers, wie sie beispielsweise bei der Detektion von Bewegungs- und Haltezuständen und der Bewegungsanalyse erfolgt.The present invention relates to the detection of a state of a user, such as occurs in the detection of movement and hold conditions and motion analysis.

In der konventionellen Technik sind Systeme zur Erkennung von täglichen Aktivitäten und Haltungszuständen von Personen bekannt, die beispielsweise auf der Detektion einer Beschleunigung unter Verwendung von Beschleunigungssensoren basieren. Dabei kommen Standardsignalverarbeitungs- und Mustererkennungsmethoden zum Einsatz. Viele Systeme verwenden beispielsweise Sensornetzwerke, die neben Beschleunigungssensoren auch Vitalparametersensoren oder andere Umweltsensoren beinhalten.Systems are known in the conventional art for detecting daily activities and posture conditions of persons based, for example, on the detection of acceleration using acceleration sensors. Standard signal processing and pattern recognition methods are used. Many systems, for example, use sensor networks that include not only acceleration sensors but also vital parameter sensors or other environmental sensors.

Bisherige Systeme mit einem Sensor weisen dabei den Nachteil auf, dass sie auf die Bewegungsdetektion einer Körperregion beschränkt sind. Oftmals weisen diese Systeme den Nachteil auf, dass diese aufwändiger benutzerspezifischer Trainings- und Detektionsmethoden bedürfen bzw. keine Möglichkeit bieten, die Methoden an den Benutzer anzupassen. Andere bekannte Systeme sind dabei auf bestimmte Beschleunigungssensoren festgelegt, so dass die jeweilige Detektionsmethode mit nur einem bestimmten Beschleunigungssensor verwendet werden kann. Ferner bedürfen solche Systeme oftmals eines hohen Rechenaufwandes, der durch die Synchronisation und Auswertung der Signale begründet wird.Previous systems with a sensor have the disadvantage that they are limited to the movement detection of a body region. Often, these systems have the disadvantage that they require more complex user-specific training and detection methods or offer no way to adapt the methods to the user. Other known systems are set to specific acceleration sensors, so that the respective detection method can be used with only one specific acceleration sensor. Furthermore, such systems often require a high computational effort, which is justified by the synchronization and evaluation of the signals.

Beispielsweise die US 2009/0150114 A1 beschreibt ein System zur Überwachung eines Bewegungszustandes, wobei in einem Gehäuse ein Beschleunigungssensor implementiert ist und das Gehäuse von einer Person mitgeführt werden kann, bzw. an eine Körperregion der Person angebracht werden kann. Das System weist einen Prozessor auf, der die Signale des Beschleunigungssensors auswertet. Das System ist dabei derart ausgelegt, dass es die ausgewerteten Signale, die Rückschlüsse auf den Bewegungszustand in der Körperregion zulassen, schnurlos an eine zweite Körperregion überträgt, wo diese mit zweiten erfassten Bewegungszuständen kombiniert werden können. Dieses System ist aufwändig, zumal Signale an verschiedenen Körperregionen erfasst werden und dann erst gemeinsam ausgewertet werden können.For example, the US 2009/0150114 A1 describes a system for monitoring a state of motion, wherein an acceleration sensor is implemented in a housing and the housing can be carried by a person or attached to a body region of the person. The system has a processor that evaluates the signals of the acceleration sensor. The system is designed so that it transmits the evaluated signals that allow conclusions about the state of motion in the body region, wirelessly to a second body region, where they can be combined with second detected states of motion. This system is complex, especially since signals are detected at different body regions and then can only be evaluated together.

Die US 2008/0288200 A1 beschreibt ein System zur Detektion einer Haltung oder einer Aktivität eines Objektes bzw. einer Person. Das System wird an dem Objekt oder der Person angebracht und umfasst einen mehrachsigen Beschleunigungssensor, der entsprechende Beschleunigungssignale erfasst. Das System umfasst ferner einen Prozessor, der die erfassten Signale auswertet, und dann Schätzungen über eine Haltung oder eine Beschleunigung, sowie Energieverbrauch und Bewegungscharakteristika bestimmt. Nachteilig an diesem Verfahren sind Ungenauigkeiten bei den Schätzungen, da lediglich die erfassten Beschleunigungen berücksichtigt werden, nicht aber werden bestimmte Umgebungen usw. erfasst.The US 2008/0288200 A1 describes a system for detecting an attitude or activity of an object or a person. The system is attached to the object or person and includes a multi-axis acceleration sensor that detects corresponding acceleration signals. The system further includes a processor that evaluates the detected signals and then determines estimates of posture or acceleration, as well as energy consumption and motion characteristics. A disadvantage of this method is inaccuracies in the estimates, since only the detected accelerations are taken into account, but certain environments etc. are not detected.

Es ist die Aufgabe der vorliegenden Erfindung, ein verbessertes Konzept zur Erkennung eines Zustands eines Benutzers zu schaffen.It is the object of the present invention to provide an improved concept for detecting a state of a user.

Diese Aufgabe wird gelöst durch eine Vorrichtung gemäß Anspruch 1, ein Verfahren gemäß Anspruch 13, eine Vorrichtung gemäß Anspruch 14, ein Verfahren gemäß Anspruch 15 oder Computerprogramm gemäß Anspruch 16.This object is achieved by a device according to claim 1, a method according to claim 13, a device according to claim 14, a method according to claim 15 or computer program according to claim 16.

Es liegt ein Kerngedanke der vorliegenden Erfindung darin, dass bei der Erkennung, beispielsweise von diskreten Haltungszuständen und Aktivitäten mit Beschleunigungssensoren Methoden zur Bewegungsklassifikation auf Grundlage von wissensbasierten Methoden verwendet werden können.It is a core idea of the present invention that in detection, for example of discrete posture states and activities with acceleration sensors, methods for motion classification can be used on the basis of knowledge-based methods.

Es liegt ein weiterer Kerngedanke der vorliegenden Erfindung darin, dass durch die Verwendung wissensbasierter Methoden für die Bewegungsklassifikation eine Adaption an persönliche Eigenschaften des Nutzers, an die Erfassung der Beschleunigung oder an unterschiedliche Körperpositionen bzw. Erfassungspositionen der Beschleunigungen ermöglicht wird.It is a further core idea of the present invention that an adaptation to personal characteristics of the user, to the detection of the acceleration or to different body positions or detection positions of the accelerations is made possible by the use of knowledge-based methods for motion classification.

Es liegt ein weiterer Kerngedanke der vorliegenden Erfindung darin, dass durch ein flexibles Detektionssystem, beispielsweise ein Beschleunigungssensor an unterschiedlichen Körperpositionen verwendet werden kann, und dadurch Aktivitäten detektiert werden können, welche nur von einzelnen Körperregionen ausgeführt werden können.It is a further basic idea of the present invention that it is possible to use a flexible detection system, for example an acceleration sensor at different body positions, and thereby detect activities that can only be performed by individual body regions.

Ausführungsbeispiele der vorliegenden Erfindung können dabei eine wissensbasierte Methode mit austauschbarer Wissensbasis zur Detektion von Aktivitäten und Haltungszuständen verwenden. In Ausführungsbeispielen kann dabei beispielsweise ein tri-axialer Beschleunigungssensor zur Erfassung der Beschleunigung eingesetzt werden.Embodiments of the present invention can use a knowledge-based method with exchangeable knowledge base for the detection of activities and attitude states. In embodiments, for example, a tri-axial acceleration sensor can be used to detect the acceleration.

Ausführungsbeispiele der vorliegenden Erfindung können dabei den Vorteil bieten, dass die Verwendung von wissensbasierten Methoden in der Detektion von Aktivitäten und Haltungszuständen die Möglichkeit bietet, die Wissensbasis entsprechend auszutauschen, wobei die Problemlösungsmethode allerdings unverändert bleiben kann.Embodiments of the present invention may offer the advantage that the use of knowledge-based methods in the detection of activities and attitude states provides the opportunity to exchange the knowledge base accordingly, but the problem-solving method can remain unchanged.

Ausführungsbeispiele können ferner den Vorteil bieten, dass die Wissensbasis für unterschiedliche Sensoren oder Messbereiche, Sensorpositionen am Körper und subjektive Eigenschaften spezifiziert werden können. Beispielsweise lassen sich dadurch Altersgruppe, Sportlichkeit, Geschlecht, Größe, Gewicht, usw. eines Benutzers berücksichtigen. Ausführungsbeispiele können daher den Vorteil einer erhöhten Genauigkeit und Flexibilität eines Detektionssystems oder Bestimmungssystems bieten. Ausführungsbeispiele können darüber hinaus den Vorteil bieten, dass eine Anpassung der Detektionsmethode nicht mehr vom Benutzer durch eigenständiges Training vorgenommen werden braucht und durch die Möglichkeit der Sensorpositionswechsel können Bewegungen an unterschiedlichen Körperregionen erfasst werden. Gegenüber dem Stand der Technik können Ausführungsbeispiele ferner den Vorteil bieten, dass beispielsweise nur ein einzelner Sensor verwendet werden braucht. Ausführungsbeispiele bieten daher den Vorteil, dass sie entsprechend anwenderfreundlich und kostengünstig ausgeführt und implementiert werden können. Embodiments may also provide the advantage that the knowledge base may be specified for different sensors or measurement ranges, sensor positions on the body, and subjective characteristics. For example, age, sportiness, gender, height, weight, etc. of a user can be taken into account. Embodiments may therefore offer the advantage of increased accuracy and flexibility of a detection system or determination system. Embodiments may also offer the advantage that an adaptation of the detection method no longer needs to be made by the user by independent training and by the possibility of changing the sensor position movements can be detected at different body regions. Compared with the prior art, embodiments can also offer the advantage that, for example, only a single sensor needs to be used. Embodiments therefore offer the advantage that they can be implemented and implemented in a correspondingly user-friendly and cost-effective manner.

Ausführungsbeispiele der vorliegenden Erfindung werden im Folgenden anhand der beigefügten Figuren beschrieben, es zeigen:Embodiments of the present invention will be described below with reference to the accompanying drawings, in which:

1A ein Ausführungsbeispiel einer Vorrichtung zur Erkennung eines Zustands; 1A an embodiment of a device for detecting a condition;

1B ein weiteres Ausführungsbeispiel einer Vorrichtung zur Erkennung eines Zustands; 1B a further embodiment of a device for detecting a condition;

2A ein Ausführungsbeispiel einer Vorrichtung zum Anpassen einer Datenbank; und 2A an embodiment of a device for adapting a database; and

2B ein weiteres Ausführungsbeispiel einer Vorrichtung zum Anpassen einer Datenbank. 2 B another embodiment of a device for adjusting a database.

Im Folgenden werden anhand der beigefügten Figuren Ausführungsbeispiele beschrieben. Es sei darauf hingewiesen, dass Ausführungsbeispiele wissensbasierte Methoden verwenden, das heißt Methoden, die eine Wissensbasis, in Form einer Datenbank aufweisen. Im Folgenden werden daher die Begriffe „Wissensbasis” und „Datenbank” synonym verwendet. Beide Begriffe beschreiben eine Ansammlung von Daten, die beispielsweise durch Trainingsmethoden erfasst werden können. Diese Daten können in Ausführungsbeispielen an verschiedene Instanzen des Erkennungssystems angepasst sein. Beispielsweise wäre denkbar, dass die Wissensbasis bzw. die Datenbank, an den Benutzer, an den Beschleunigungssensor, an eine Körperregion usw. angepasst ist. Eine Wissensbasis kann insofern als Datenbank mit Vorwissen verstanden werden.In the following, embodiments will be described with reference to the accompanying figures. It should be noted that embodiments use knowledge-based methods, that is, methods that have a knowledge base, in the form of a database. In the following, therefore, the terms "knowledge base" and "database" are used interchangeably. Both terms describe a collection of data that can be captured, for example, by training methods. In embodiments, these data can be adapted to different instances of the recognition system. For example, it would be conceivable that the knowledge base or the database is adapted to the user, to the acceleration sensor, to a body region, etc. A knowledge base can be understood as a database with prior knowledge.

1A zeigt ein Ausführungsbeispiel einer Vorrichtung 100 zur Erkennung eines Zustands eines Benutzers. Der Begriff „Zustand” wird im Folgenden verwendet, um einen Bewegungszustand, eine Aktivität, einen Haltungszustand usw. des Benutzers, das heißt einer Person zu beschreiben. 1A shows an embodiment of a device 100 for detecting a state of a user. The term "state" is used hereafter to describe a state of movement, an activity, a state of maintenance, etc. of the user, that is, a person.

1A zeigt, dass die Vorrichtung 100 eine Einrichtung 110 zum Erfassen einer Beschleunigung des Benutzers aufweist, wobei die Einrichtung 110 zum Erfassen an einer bestimmten Körperposition des Benutzers anbringbar ist. In anderen Worten kann die Einrichtung zum Erfassen 110 beispielsweise an Gliedmaßen des Benutzers, wie beispielsweise am Fuß, am Bein, an den Händen, etc. angebracht sein. 1A shows that the device 100 An institution 110 for detecting an acceleration of the user, wherein the device 110 for detecting at a certain body position of the user is attachable. In other words, the means for detecting 110 For example, be attached to limbs of the user, such as the foot, leg, hands, etc.

1A illustriert ferner, dass die Vorrichtung 110 eine Einrichtung 120 zum Bestimmen des Zustandes, basierend auf der Beschleunigung, der bestimmten Körperposition und einer Datenbank 130 aufweist, wobei die Datenbank 130 an die bestimmte Körperposition angepasst ist. 1A further illustrates that the device 110 An institution 120 for determining the condition based on the acceleration, the determined body position and a database 130 has, where the database 130 adapted to the specific body position.

In weiteren Ausführungsbeispielen kann die Datenbank 130 ferner an den Benutzer angepasst sein. In Ausführungsbeispielen kann die Einrichtung 120 zum Bestimmen ausgebildet sein, um aus der Beschleunigung und der bestimmten Position ein Merkmal aus einem vorbestimmten Merkmalsraum zu bestimmen und um aus dem Merkmal den Zustand zu bestimmen. In Ausführungsbeispielen kann die Einrichtung 120 ausgebildet sein, um einen zeitlichen Verlauf der Beschleunigung als Beschleunigungssignal zu bestimmen und das Beschleunigungssignal vorzuverarbeiten. In Ausführungsbeispielen der Einrichtung 120 können dabei beispielsweise Tiefpass- oder Hochpassfilter zum Einsatz kommen.In further embodiments, the database 130 further adapted to the user. In embodiments, the device 120 be designed for determining in order to determine from the acceleration and the determined position a feature from a predetermined feature space and to determine from the feature the state. In embodiments, the device 120 be configured to determine a time course of the acceleration as an acceleration signal and pre-process the acceleration signal. In embodiments of the device 120 For example, low-pass or high-pass filters may be used.

In Ausführungsbeispielen kann die Einrichtung 110 zum Erfassen der Beschleunigung einen Beschleunigungssensor aufweisen. In Ausführungsbeispielen können verschiedenartige Beschleunigungssensoren zum Einsatz kommen, beispielsweise sind axiale Beschleunigungssensoren denkbar. In Ausführungsbeispielen können beispielsweise auch bi-axiale oder tri-axiale Beschleunigungssensoren eingesetzt werden, die die jeweiligen Beschleunigungen in verschiedenen Raumrichtungen auflösen bzw. erfassen können. Beispielsweise könnte ein tri-axialer Beschleunigungssensor die Beschleunigung zeitaufgelöst entlang eines karthesischen Koordinatensystems im Raum erfassen. Im Folgenden sei davon ausgegangen, dass in einem Ausführungsbeispiel durch einen tri-axialen Beschleunigungssensor Beschleunigungen entlang dreier orthogonaler Raumachsen x, y und z erfasst werden.In embodiments, the device 110 for detecting the acceleration having an acceleration sensor. In embodiments, various types of acceleration sensors can be used; for example, axial acceleration sensors are conceivable. In embodiments, for example, bi-axial or tri-axial acceleration sensors can be used, which can dissolve or detect the respective accelerations in different spatial directions. For example, a tri-axial acceleration sensor could detect the acceleration time-resolved along a Cartesian coordinate system in space. In the following, it is assumed that, in one exemplary embodiment, accelerations along three orthogonal spatial axes x, y and z are detected by a tri-axial acceleration sensor.

In diesem Ausführungsbeispiel erzeugt der tri-axiale Beschleunigungssensor entsprechend zeitlich aufgelöste Signale, die z. B. mit Filtern vorverarbeitet werden können. Beispielsweise kann es sich dabei um einen elliptischen Tiefpassfilter zur Entfernung von Energien im Signal mit Frequenzen über einer Grenzfrequenz von 20 Hz handeln. In anderen Ausführungsbeispielen könnte die Grenzfrequenz beispielsweise auch 10 Hz, 30 Hz, 50 Hz oder 100 Hz betragen.In this embodiment, the tri-axial acceleration sensor generates correspondingly time resolved signals z. B. can be pre-processed with filters. For example, it can this is an elliptic low-pass filter for removing energies in the signal with frequencies above a cutoff frequency of 20 Hz. In other embodiments, the cutoff frequency could be, for example, 10 Hz, 30 Hz, 50 Hz or 100 Hz.

In Ausführungsbeispielen kann die Einrichtung 120 zum Bestimmen ferner ausgebildet sein, um das Beschleunigungssignal in eine Gravitationskomponente und eine Körperbeschleunigungskomponente zu filtern oder aufzuteilen. Dies könnte beispielsweise durch einen Hochpassfilter geschehen. In einem Ausführungsbeispiel kann beispielsweise ein elliptischer Hochpassfilter zur Auftrennung des Signals in die Gravitationskomponente und die durch die Körperbeschleunigung erzeugte Komponente, die im Folgenden auch Körperbeschleunigungskomponente genannt wird, verwendet werden.In embodiments, the device 120 for determining further to filter or split the acceleration signal into a gravitational component and a body acceleration component. This could be done for example by a high-pass filter. For example, in one embodiment, an elliptical high pass filter may be used to separate the signal into the gravitational component and the component generated by the body acceleration, which will also be called the body acceleration component hereinafter.

In einem Ausführungsbeispiel, in dem ein tri-axialer Beschleunigungssensor eingesetzt wird, können Beschleunigungskomponenten entlang aller drei Raumachsen erfasst werden. Aus dem gefilterten Beschleunigungssignal der Gravitationskomponente und der Körperbeschleunigungskomponente können dabei jeweils für eine bestimmte Fensterlänge, die beispielsweise eine Dauer von 1 Sekunde, 2 Sekunden, 5 Sekunden oder 10 Sekunden, aufweisen kann, Merkmale extrahiert werden.In an embodiment in which a tri-axial acceleration sensor is used, acceleration components along all three spatial axes can be detected. From the filtered acceleration signal of the gravitational component and the body acceleration component, features can be extracted in each case for a specific window length, which can have, for example, a duration of 1 second, 2 seconds, 5 seconds or 10 seconds.

In Ausführungsbeispielen kann die Einrichtung 120 ausgebildet sein, um aus der Gravitationskomponente einen räumlichen Neigungswinkel als Merkmal zu bestimmen. Ferner kann die Einrichtung 120 ausgebildet sein, um aus der Körperbeschleunigungskomponente eine Summe der Beschleunigungsmagnituden zu bilden, eine Korrelation zwischen den Raumachsen zu bilden, eine Energie oder eine spektrale Entropie als Merkmal zu bestimmen.In embodiments, the device 120 be formed to determine from the gravitational component of a spatial tilt angle as a feature. Furthermore, the device 120 be formed to form the body acceleration component of a sum of the acceleration magnitudes, to form a correlation between the spatial axes, to determine an energy or a spectral entropy as a feature.

In einem Ausführungsbeispiel können als Merkmale aus einer gefensterten Gravitationskomponente beispielsweise ein Neigungswinkel p bestimmt werden, der den Winkel der x-Achse relativ zur Erdoberfläche wiedergibt. Als weiteres Merkmal könnte beispielsweise der Neigungswinkel φ bestimmt werden, der den Winkel der y-Achse relativ zur Erdoberfläche wiedergibt und schließlich ein Neigungswinkel θ, der den Winkel der z-Achse relativ zur Gravitation wiederspiegelt. In einem Ausführungsbeispiel kann aus der Körperbeschleunigungskomponente beispielsweise als Merkmal ein Signalbetragsbereich gebildet werden, der englisch auch „signal magnitude area (SMA)”, genannt werden kann. Darin spiegelt sich die Summe der Beschleunigungsmagnituden aller drei Achsen wieder, die über die gesamte Fensterlänge summiert und normiert werden können. In anderen Worten, können für alle drei Raumachsen die Beträge der Beschleunigungssignale ausgewertet, aufsummiert und durch die Fensterlänge geteilt werden, um eine entsprechende Normierung zu erhalten.For example, in one embodiment, as features of a windowed gravitational component, an inclination angle p representing the angle of the x-axis relative to the earth's surface may be determined. As another feature, for example, the inclination angle φ representing the angle of the y-axis relative to the earth's surface and finally an inclination angle θ reflecting the angle of the z-axis relative to gravity could be determined. For example, in one embodiment, a signal magnitude range may be formed from the body acceleration component as a feature, which may also be called "signal magnitude area (SMA)". This reflects the sum of the acceleration magnitudes of all three axes, which can be summed and normalized over the entire window length. In other words, for all three spatial axes, the magnitudes of the acceleration signals can be evaluated, summed and divided by the window length to obtain a corresponding normalization.

In einem Ausführungsbeispiel kann als Merkmal aus der Körperbeschleunigungskomponente ferner eine Korrelation zwischen den einzelnen Raumachsen bestimmt werden. Beispielsweise kann für jedes Achsenpaar als Korrelation die Rate der Kovarianz und das Produkt der Standardabweichung betrachtet werden. Die jeweiligen statistischen Parameter können dabei in Bezug auf eine Fensterlänge oder auch in Bezug auf mehrere Fenster bestimmt werden.In one embodiment, as a feature of the body acceleration component, further, a correlation between the individual space axes may be determined. For example, for each pair of axes, the rate of covariance and the product of the standard deviation can be considered as a correlation. The respective statistical parameters can be determined with respect to a window length or with respect to several windows.

Als weiteres Merkmal aus der Körperbeschleunigungskomponente kann beispielsweise die Energie der einzelnen Signale entlang der Raumrichtung betrachtet werden. In einem Ausführungsbeispiel könnte beispielsweise die Summe der Magnituden oder Beträge der quadrierten diskreten Frequenzkomponenten des Signals innerhalb eines Fensters betrachtet werden. Die Frequenzkomponenten können dabei beispielsweise über eine schnelle Fourier-Transformation (Englisch: Fast Fourier Transformation, FFT) bestimmt werden.As a further feature of the body acceleration component, for example, the energy of the individual signals along the spatial direction can be considered. For example, in one embodiment, the sum of the magnitudes or magnitudes of the squared discrete frequency components of the signal within a window could be considered. The frequency components can be determined, for example, via a fast Fourier transformation (English: Fast Fourier Transformation, FFT).

In Ausführungsbeispielen kann als weiteres Merkmal die spektrale Entropie aus der Körperbeschleunigungskomponente betrachtet werden. Dabei kann in einem Ausführungsbeispiel die normalisierte Summe der spektralen Leistungsdichte in einem Frequenzband betrachtet werden. Beispielsweise könnte ein Frequenzband von 0 bis 10 Hz, von 0 bis 15 Hz, von 0 bis 20 Hz, von 0 bis 50 Hz oder von 0 bis 100 Hz betrachtet werden. In Ausführungsbeispielen muss dieses Frequenzband nicht zwingend bei 0 Hz beginnen, ist es auch denkbar, einen Bereich von 5 bis 10 Hz, 10 bis 20 Hz, 20 bis 50 Hz usw. zu verwenden.In embodiments, the spectral entropy from the body acceleration component can be considered as a further feature. In this case, in one exemplary embodiment, the normalized sum of the spectral power density in a frequency band can be considered. For example, a frequency band from 0 to 10 Hz, from 0 to 15 Hz, from 0 to 20 Hz, from 0 to 50 Hz or from 0 to 100 Hz could be considered. In embodiments, this frequency band does not necessarily start at 0 Hz, it is also conceivable to use a range of 5 to 10 Hz, 10 to 20 Hz, 20 to 50 Hz, and so on.

Die 1B zeigt ein weiteres Ausführungsbeispiel einer Vorrichtung 110. Beispielsweise kann die Einrichtung 110 zum Erfassen als Beschleunigungssensor 112 ausgeführt sein. Der Beschleunigungssensor 112 liefert an seinem Ausgang ein Beschleunigungssignal, das der Einrichtung 120 zum Bestimmen bereitgestellt wird. In dem Ausführungsbeispiel, das in der 1B gezeigt ist, umfasst die Einrichtung 120 zum Bestimmen eine Signalvorverarbeitung 122, eine Merkmalsextraktion 124 und eine wissensbasierte Methode 126. Das Beschleunigungssignal, welches vom Beschleunigungssensor 112 bereitgestellt wird, wird zunächst einer Signalvorverarbeitung 122 unterzogen, die dann ein vorverarbeitetes Signal liefert. Aus dem vorverarbeiteten Signal, wird mittels einer Merkmalsextraktion 124 ein Merkmalsvektor gebildet, der beispielsweise ein oder mehrere der oben beschriebenen Signalmerkmale umfassen kann. Der resultierende Merkmalsvektor wird der wissensbasierten Methode 126 zugeführt, die basierend auf Wissen, das in einer Datenbank 130 vorhanden ist und in dem Ausführungsbeispiel der 1B als austauschbare Wissensbasis ausgeführt ist, daraus den Zustand bestimmen kann. Die wissensbasierte Methode liefert dann als Ergebnis im Ausführungsbeispiel der 1B ein codiertes Ergebnis 140.The 1B shows a further embodiment of a device 110 , For example, the device 110 for detecting as an acceleration sensor 112 be executed. The acceleration sensor 112 provides at its output an acceleration signal, the device 120 is provided for determining. In the embodiment shown in the 1B is shown, the device includes 120 for determining signal preprocessing 122 , a feature extraction 124 and a knowledge-based method 126 , The acceleration signal emitted by the acceleration sensor 112 is provided, is first a signal preprocessing 122 which then provides a preprocessed signal. From the preprocessed signal, by means of a feature extraction 124 a feature vector may be formed, which may include, for example, one or more of the signal features described above. The resulting feature vector becomes the knowledge-based method 126 fed, based on knowledge, in a database 130 is present and in the embodiment of the 1B is executed as an exchangeable knowledge base, from which the condition can be determined. The knowledge-based method then provides as a result in the embodiment of 1B a coded result 140 ,

Der Aufbau der austauschbaren Wissensbasis 132, bzw. der Datenbank 130, kann beispielsweise basierend auf einer Aktivitäts- oder Aktivitätendatenbank geschehen. 2A zeigt ein Ausführungsbeispiel einer Vorrichtung 200 zum Anpassen einer Datenbank 240 an einen vorgegebenen Zustand eines Benutzers. Gemäß 2A umfasst die Vorrichtung 220 eine Einrichtung 210 zum Ausgeben einer Beschleunigung basierend auf dem vorgegebenen Zustand und einer bestimmten Körperposition des Benutzers. In Ausführungsbeispielen kann die Einrichtung 210 als Aktivitätsdatenbank ausgeführt sein, und beispielsweise Beschleunigungssignale von Testpersonen zu bestimmten Haltungszuständen und/oder Aktivitäten aufweisen. Diese können beispielsweise je nach Senderposition am Körper, nach Eigenschaften der Testpersonen, wie beispielsweise Altersgruppe, Sportlichkeit, Größe, Geschlecht usw., und nach dem Messbereich des zur Aufnahme verwendeten Sensors angepasst bzw. kategorisiert sein.The structure of the exchangeable knowledge base 132 , or the database 130 , for example, can be based on an activity or activity database. 2A shows an embodiment of a device 200 to customize a database 240 to a given state of a user. According to 2A includes the device 220 An institution 210 for outputting an acceleration based on the predetermined state and a specific body position of the user. In embodiments, the device 210 be executed as an activity database, and, for example, have acceleration signals from subjects to certain housing conditions and / or activities. These may, for example, be adapted or categorized depending on the transmitter position on the body, on the characteristics of the test subjects, such as age group, athleticism, height, gender etc., and on the measuring range of the sensor used for the recording.

Wie in der 2A gezeigt, umfasst die Vorrichtung 200 ferner eine Einrichtung 220 zum Bereitstellen eines Zustandmerkmals, basierend auf der Beschleunigung und der bestimmten Körperposition. In Ausführungsbeispielen kann es sich bei dem Zustandsmerkmal um die bereits oben erläuterten Merkmale des Beschleunigungssignals handeln. In Ausführungsbeispielen kann die Einrichtung 220 demnach auch die Merkmale der oben erläuterten Einrichtung 120 aufweisen. Wie in der 2A gezeigt, umfasst die Vorrichtung 200 eine Einrichtung 230 zum Evaluieren der Datenbank 240, basierend auf dem vorgegebenen Zustand und dem Zustandsmerkmal, um zusätzliche Daten zu erhalten und zum Aktualisieren der Datenbank 240, basierend auf den zusätzlichen Daten.Like in the 2A shown includes the device 200 also a device 220 for providing a state feature based on the acceleration and the determined body position. In exemplary embodiments, the state feature may be the features of the acceleration signal already explained above. In embodiments, the device 220 Accordingly, the features of the above-mentioned device 120 exhibit. Like in the 2A shown includes the device 200 An institution 230 to evaluate the database 240 based on the given state and the state feature to obtain additional data and to update the database 240 , based on the additional data.

In Ausführungsbeispielen können also demnach die Beschleunigungssignale aus den Datensätzen, die die Einrichtung 210 zum Ausgeben bereitstellen kann, zum Aufbau der Wissensbasis, bzw. Datenbank 240, für die wissensbasierte Methode, vgl. 126 in 1B, verwendet werden. Dazu können die Signale, wie oben beschrieben, vorverarbeitet und die entsprechenden Merkmale extrahiert werden.In embodiments, therefore, therefore, the acceleration signals from the data sets that the device 210 can provide for output, to build the knowledge base, or database 240 , for the knowledge-based method, cf. 126 in 1B , be used. For this purpose, the signals, as described above, preprocessed and the corresponding features are extracted.

2B zeigt ein weiteres Ausführungsbeispiel einer Vorrichtung 200 zum Anpassen einer Datenbank 240 an einen vorgegebenen Zustand eines Benutzers. Die 2B zeigt, dass die Vorrichtung 200 zunächst eine Einrichtung 210 zum Ausgeben der Beschleunigung, basierend auf dem vorgegebenen Zustand an einer bestimmten Körperposition des Benutzers umfasst, die hier als Aktivitätendatenbank 212 implementiert ist. Die Aktivitätendatenbank liefert an ihrem Ausgang ein Beschleunigungssignal, das an die Einrichtung 220 zum Bereitstellen des Zustandsmerkmals basierend auf der Beschleunigung und der bestimmten Körperposition weitergegeben wird. Die Einrichtung 220 ist im Ausführungsbeispiel der 2B mittels einer Signalvorverarbeitung 220, die vorverarbeitetes Signal an eine Merkmalsextraktion 224 liefert, ausgebildet. Die Signalvorverarbeitung 220 kann dabei wie oben beschrieben, erfolgen. Aus dem vorverarbeiteten Signal wird dann mittels der Merkmalsextraktion 224 zumindest ein Merkmal extrahiert, wobei diese in dem Ausführungsbeispiel der 2B in Form eines Merkmalsvektors, also mehrere Merkmale extrahiert werden, geschieht. Der Merkmalsvektor kann als Komponenten die oben beschriebenen Merkmale enthalten. Der Merkmalsvektor dient als Eingang für die Einrichtung 230 zum Evaluieren der Datenbank 240 basierend auf dem vorgegebenen Zustand und dem Zustandsmerkmal, um zusätzliche Daten zu erhalten und zum Aktualisieren der Datenbank 240 basierend auf den zusätzlichen Daten. Die Einrichtung 230 ist in der 2B als Methodentraining 232 implementiert, die zusätzliches Wissen für die Wissensbasis 242 liefert. In anderen Worten sei die Datenbank 240 als Wissensbasis 242 in dem Ausführungsbeispiel in der 2B verstanden. 2 B shows a further embodiment of a device 200 to customize a database 240 to a given state of a user. The 2 B shows that the device 200 first a facility 210 for outputting the acceleration, based on the predetermined state at a certain body position of the user, here as activity database 212 is implemented. The activity database provides at its output an acceleration signal to the device 220 for relaying the state feature based on the acceleration and the determined body position. The device 220 is in the embodiment of 2 B by means of a signal preprocessing 220 , the preprocessed signal to a feature extraction 224 supplies, trained. The signal preprocessing 220 can be done as described above. The preprocessed signal is then extracted by means of feature extraction 224 at least one feature extracted, which in the embodiment of the 2 B in the form of a feature vector, that is, several features are extracted happens. The feature vector may contain as components the features described above. The feature vector serves as input to the device 230 to evaluate the database 240 based on the given state and the state feature to obtain additional data and to update the database 240 based on the additional data. The device 230 is in the 2 B as method training 232 implements the extra knowledge for the knowledge base 242 supplies. In other words, be the database 240 as a knowledge base 242 in the embodiment in the 2 B Understood.

In Ausführungsbeispielen kann demnach, Bezug nehmend auf die 1A, die Einrichtung 120 ausgebildet sein, um basierend auf der Datenbank 130 eine Wissensbasis einer wissensbasierten Methode aufzubauen und so den vorbestimmten Merkmalsraum zu bestimmen. Bezug nehmend auf 2A, kann die Einrichtung 230 zum Evaluieren ausgebildet sein, um eben basierend auf einem Methodentraining eine solche Wissensbasis zu erzeugen, so dass die wissensbasierte Methode darauf aufbauen kann.Accordingly, with reference to FIGS 1A , the device 120 be educated based on the database 130 build a knowledge base of a knowledge-based method and thus determine the predetermined feature space. Referring to 2A , the device can 230 be designed to evaluate just based on a method training to create such a knowledge base, so that the knowledge-based method can build on it.

In Ausführungsbeispielen kann dabei die Einrichtung 120 z. B. ausgebildet sein, um als wissensbasierte Methode ein neuronales Netz oder einen Entscheidungsbaum zu konfigurieren. Die Einrichtung zum Evaluieren 230 kann dabei entsprechend angepasst sein.In embodiments, while the device 120 z. B. be configured to configure as a knowledge-based method, a neural network or a decision tree. The device for evaluation 230 can be adjusted accordingly.

In einem Ausführungsbeispiel kann als wissensbasierte Methode ein Entscheidungsbaum verwendet werden. Dieser kann beispielsweise mit Trainingsdatensätzen trainiert werden, wobei beispielsweise aus den Trainingsergebnissen entsprechend Regeln generiert werden können, die den jeweiligen Wissensbasen für den einzelnen Kategorien entsprechen. In einem solchen Ausführungsbeispiel könnte ein Benutzer beispielsweise eine Sensorposition wählen, einen Sensormessbereich auswählen oder die entsprechende Methode an seine persönlichen Eigenschaften adaptieren. Gemäß obiger Beschreibung kann das Beschleunigungssignal dann von der vorliegenden Methode vorverarbeitet und die oben beschriebenen Merkmale extrahiert werden. Diese können dann über die jeweiligen Regeln der gewählten Wissensbasis ausgewertet werden und als diskreter Haltungszustand oder Aktivität klassifiziert werden.In one embodiment, a decision tree may be used as the knowledge-based method. This can be trained for example with training data sets, for example, from the training results corresponding rules can be generated, which correspond to the respective knowledge bases for the individual categories. In such an embodiment For example, a user could select a sensor position, select a sensor measurement range, or adapt the appropriate method to his personal characteristics. As described above, the acceleration signal can then be preprocessed by the present method and the features described above extracted. These can then be evaluated via the respective rules of the selected knowledge base and classified as a discrete maintenance status or activity.

In einem weiteren Ausführungsbeispiel kann als wissensbasierte Methode ein neuronales Netz verwendet werden. Beispielsweise kann die Struktur dieses Netzes eine Vorwärtsweiterreichung (Englisch: feed forward) umfassen mit einer Log-Sigmoid-Aktivierungsfunktion. In einem Ausführungsbeispiel könnte ein solches Netz beispielsweise eine Eingabeschicht (Englisch: input layer), drei versteckte Schichten (Englisch: hidden layer) und eine Ausgabeschicht (Englisch: output layer) umfassen. In einem solchen Ausführungsbeispiel könnte als Lernfunktion beispielsweise eine Rückwärtsverbreitung verwendet werden (Englisch: back propagation). Die Methode könnte mit spezifischen Trainingsdatensätzen trainiert werden und damit die Gewichte und die Beeinflussung (Englisch: bias) des neuronalen Netzes, welche die spezifische Wissensbasis darstellen, adaptiert werden. Ein solches Ausführungsbeispiel würde einem Benutzer die Möglichkeit bieten, die Sensorposition, den Sensormessbereich sowie eine Anpassung an seine persönlichen Eigenschaften einzustellen. Wie bereits oben in Bezug auf andere Ausführungsbeispiele beschrieben, könnte auch hier das Beschleunigungssignal von der vorliegenden Methode vorverarbeitet und die oben beschriebenen Merkmale extrahiert werden. Diese können dann durch das neuronale Netz mit den Gewichten und Bias der gewählten Wissensbasis ausgewertet und als diskreter Haltungszustand oder Aktivität klassifiziert werden.In another embodiment, a neural network can be used as the knowledge-based method. For example, the structure of this network may include forward feed with a log-sigmoid activation function. In one embodiment, such a network could include, for example, an input layer, three hidden layers, and an output layer. In such an embodiment, for example, a back propagation could be used as a learning function. The method could be trained with specific training data sets and thus the weights and the bias of the neural network, which represent the specific knowledge base, be adapted. Such an embodiment would provide a user with the ability to adjust the sensor position, the sensor measurement range, as well as an adaptation to his personal characteristics. As described above with respect to other embodiments, the acceleration signal could also be preprocessed by the present method and the features described above extracted. These can then be evaluated by the neural network with the weights and bias of the selected knowledge base and classified as a discrete maintenance status or activity.

In einem weiteren Ausführungsbeispiel könnte als wissensbasierte Methode ein Gaussches-Mixturmodell mit einem Algorithmus für Erwartungsmaximierung (Englisch: expectation maximation algorithm) als Trainingsmethode verwendet werden. In diesem Ausführungsbeispiel könnte die Methode mit spezifischen Trainingsdatensätzen trainiert werden und damit die Parameter der multivariaten Gaussverteilung des Modells adaptiert werden. Diese würden in diesem Ausführungsbeispiel die spezifische Wissensbasis, 132, 242, darstellen. Dieses Ausführungsbeispiel würde einem Benutzer wiederum die Möglichkeit bieten, die Sensorposition, den Sensormessbereich und persönliche Eigenschaften entsprechend einzustellen und bei der Bestimmung des Zustands zu berücksichtigen. In diesem Ausführungsbeispiel würde das Beschleunigungssignal entsprechend vorverarbeitet werden, wobei wiederum die oben beschriebenen Merkmale extrahiert werden können. Diese können dann wiederum vom Gausschen Mixturmodell mit den Parameter der gewählten Wissensbasis ausgewertet werden und als diskreter Haltungszustand oder Aktivität klassifiziert werden.In a further embodiment, a Gaussian mixture model with an expectation maximization algorithm could be used as a knowledge-based method as a training method. In this embodiment, the method could be trained with specific training data sets, and thus the parameters of the multivariate Gaussian distribution of the model could be adapted. These would in this embodiment the specific knowledge base, 132 . 242 , represent. Again, this embodiment would provide a user with the ability to adjust the sensor position, sensor measurement range, and personal characteristics accordingly, and to consider them in determining the condition. In this embodiment, the acceleration signal would be pre-processed accordingly, again the features described above can be extracted. These can in turn be evaluated by the Gaussian mixture model with the parameters of the selected knowledge base and classified as a discrete maintenance status or activity.

In weiteren Ausführungsbeispielen können hybride Methoden oder Klassifikatoren verwendet werden. Diese können beispielsweise zu Beginn unterscheiden, ob die beobachtete der Beschleunigung ein Haltungszustand oder eine Aktivität ist. Dies kann beispielsweise durch Auswertung der SMA geschehen. Die Haltungszustände und Aktivitäten können dann durch je ein neuronales Netz klassifiziert werden. Beispielsweise kann in einem Ausführungsbeispiel das neuronale Netz zur Detektion von Haltungszuständen ein Feed-Forward-Netz mit einer Eingabeschicht, zwei versteckten Schichten und einer Ausgabeschicht sein, wobei als Lernalgorithmus Log-Sigmoid-Aktivierungsfunktionen mit Back-Propagation verwendet werden können.In other embodiments, hybrid methods or classifiers may be used. For example, they may initially differentiate whether the observed acceleration is a holding condition or an activity. This can be done, for example, by evaluating the SMA. The posture states and activities can then be classified by a neural network. For example, in one embodiment, the neural network for detection of posture states may be a feed-forward network having an input layer, two hidden layers, and an output layer, where as a learning algorithm log-sigmoid activation functions with backpropagation may be used.

Beispielsweise kann das neuronale Netz zur Detektion von Aktivitäten ebenso ein Feed-Forward-Netz mit einer Eingabeschicht, zwei versteckten Schichten und einer Ausgabeschicht sein, wobei auch hier Log-Sigmoid-Aktivierungsfunktionen und Back-Propagation als ein Algorithmus verwendet werden können. In Ausführungsbeispielen kann die Methode bereits mit spezifischen Trainingsdatensätzen trainiert worden sein und damit die Gewichte und Bias des jeweiligen neuronalen Netzes adaptiert sein, welche die spezifische Wissensbasis darstellen können. Verwendet nun ein Benutzer die vorliegende Detektionsmethode, besteht die Möglichkeit der Auswahl der Sensorposition, des Sensormessbereiches sowie die Möglichkeit der Adaptionsmethode an die persönlichen Eigenschaften des Benutzers. Das Beschleunigungssignal kann dann in Ausführungsbeispielen vorverarbeitet werden und die oben beschriebenen Merkmale können extrahiert werden. Bei diesem Ausführungsbeispiel kann aufgrund der SMA zwischen Haltungszuständen und Aktivitäten unterschieden werden. Diese können vom jeweiligen neuronalen Netz mit den Gewichten und Bias der gewählten Wissensbasis ausgewertet werden und als diskreter Haltungszustand oder Aktivität klassifiziert werden.For example, the neural network for detecting activities may also be a feed-forward network with an input layer, two hidden layers, and an output layer, where log sigmoid activation functions and backpropagation may also be used as an algorithm. In embodiments, the method may already have been trained with specific training data sets and thus the weights and bias of the respective neural network may be adapted, which may represent the specific knowledge base. Now, if a user uses the present detection method, there is the possibility of selecting the sensor position, the sensor measuring range and the possibility of the adaptation method to the personal characteristics of the user. The acceleration signal can then be preprocessed in embodiments and the features described above can be extracted. In this embodiment, due to the SMA, a distinction can be made between attitude states and activities. These can be evaluated by the respective neural network with the weights and bias of the selected knowledge base and classified as a discrete maintenance status or activity.

Ausführungsbeispiele können demnach diskrete Haltungszustände und Aktivitäten beispielsweise mit einem tri-axialen Beschleunigungssensor erkennen. Die zugrundeliegenden Methoden zur Bewegungsklassifikation können wissensbasierte Methoden sein. Diese erlauben die Adaption an persönliche Eigenschaften des Nutzers sowie die Möglichkeit, den Beschleunigungssensor an unterschiedlichen Körperpositionen zu verwenden. Unter Aktivitäten können beispielsweise Gehen, Stehen, Laufen, usw. oder Ereignisse, wie z. B. ein Sturz fallen.Accordingly, embodiments may recognize discrete posture states and activities with, for example, a tri-axial acceleration sensor. The underlying methods of motion classification can be knowledge-based methods. These allow the adaptation to personal characteristics of the user as well as the ability to use the accelerometer at different body positions. Under Activities can include walking, standing, running, etc. or events such as: B. fall.

Obwohl manche Aspekte im Zusammenhang mit einer Vorrichtung beschrieben wurden, versteht es sich, dass die Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, so dass ein Block oder ein Bauelement einer Vorrichtung auch als ein entsprechender Verfahrensschritt oder als ein Merkmal eines Verfahrensschrittes zu verstehen ist. Analog dazu stellen Aspekte, die im Zusammenhang mit einem oder als ein Verfahrensschritt beschrieben wurden, auch eine Beschreibung eines entsprechenden Blocks oder Details oder Merkmals einer entsprechenden Vorrichtung dar.Although some aspects have been described in the context of a device, it will be understood that the aspects also constitute a description of the corresponding method such that a block or device of a device is also to be understood as a corresponding method step or feature of a method step. Similarly, aspects described in connection with or as a method step also represent a description of a corresponding block or detail or feature of a corresponding device.

Je nach bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder in Software implementiert sein. Die Implementierung kann unter Verwendung eines digitalen Speichermediums, beispielsweise einer Floppy-Disk, einer DVD, einer BlueRayDisk, einer CD, eines ROMs, eines PROMs, eines EPROMs, eines EEPROMs oder eines Flash-Speichers, einer Festplatte oder eines anderen magnetischen oder optischen Speichers durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem derart zusammenwirken können oder zusammenwirken, dass das jeweilige Verfahren ausgeführt wird. Deshalb kann das digitale Speichermedium computerlesbar sein. Manche Ausführungsbeispiele gemäß der Erfindung umfassen also einen Datenträger, der elektronisch lesbare Steuersignale aufweist, die in der Lage sind, mit einem programmierbaren Computersystem derart zusammenzuwirken, dass eines der hierin beschriebenen Verfahren durchgeführt wird.Depending on particular implementation requirements, embodiments of the invention may be implemented in hardware or in software. The implementation may be using a digital storage medium such as a floppy disk, a DVD, a BlueRayDisk, a CD, a ROM, a PROM, an EPROM, an EEPROM or flash memory, a hard disk, or other magnetic or optical memory are stored on the electronically readable control signals, which can cooperate with a programmable computer system or cooperate such that the respective method is carried out. Therefore, the digital storage medium can be computer readable. Thus, some embodiments according to the invention include a data carrier having electronically readable control signals capable of interacting with a programmable computer system such that one of the methods described herein is performed.

Allgemein können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert sein, wobei der Programmcode dahingehend wirksam ist, eines der Verfahren durchzuführen, wenn das Computerprogrammprodukt an einem Computer abläuft. Der Programmcode kann beispielsweise auch auf einem maschinenlesbaren Träger gespeichert sein.In general, embodiments of the present invention may be implemented as a computer program product having a program code, wherein the program code is operable to perform one of the methods when the computer program product is run on a computer. The program code can also be stored, for example, on a machine-readable carrier.

Andere Ausführungsbeispiele umfassen das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren, wobei das Computerprogramm auf einem maschinenlesbaren Träger gespeichert ist.Other embodiments include the computer program for performing any of the methods described herein, wherein the computer program is stored on a machine-readable medium.

Mit anderen Worten ist ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens somit ein Computerprogramm, das einen Programmcode zum Durchführen eines der hierin beschriebenen Verfahren aufweist, wenn das Computerprogramm auf einem Computer oder Prozessor abläuft. Ein weiteres Ausführungsbeispiel der erfindungsgemäßen Verfahren ist somit ein Datenträger (oder ein digitales Speichermedium oder ein computerlesbares Medium), auf dem das Computerprogramm zum Durchführen eines hierin beschriebenen Verfahren aufgezeichnet ist.In other words, an embodiment of the method according to the invention is thus a computer program which has a program code for performing one of the methods described herein when the computer program runs on a computer or processor. A further embodiment of the method according to the invention is thus a data carrier (or a digital storage medium or a computer-readable medium) on which the computer program for carrying out a method described herein is recorded.

Ein weiteres Ausführungsbeispiel des erfindungsgemäßen Verfahrens ist somit ein Datenstrom oder eine Sequenz von Signalen, der bzw. die das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren darstellt bzw. darstellen. Der Datenstrom oder die Sequenz von Signalen kann bzw. können beispielsweise dahingehend konfiguriert sein, um eine Datenkommunikationsverbindung, beispielsweise über das Internet, transferiert zu werden.A further embodiment of the method according to the invention is thus a data stream or a sequence of signals, which represent the computer program for performing one of the methods described herein. The data stream or the sequence of signals may be configured, for example, to be transferred to a data communication connection, for example via the Internet.

Ein weiteres Ausführungsbeispiel umfasst eine Verarbeitungseinrichtung, beispielsweise einen Computer und ein programmierbares Logikbauelement, die dahingehend konfiguriert oder angepasst sind, eines der hierin beschriebenen Verfahren durchzuführen.Another embodiment includes a processing device, such as a computer and a programmable logic device, configured to perform one of the methods described herein.

Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren installiert ist.Another embodiment includes a computer on which the computer program is installed to perform one of the methods described herein.

Bei manchen Ausführungsbeispielen kann ein programmierbares Logikbauelement, beispielsweise ein feldprogrammierbares Gatearray, ein FPGA, dazu verwendet werden, um manche oder alle Funktionalitäten der hierin beschriebenen Verfahren durchzuführen. Bei manchen Ausführungsbeispielen kann ein feldprogrammierbares Gatearray mit einem Mikroprozessor zusammenwirken, um eines der hierin beschriebenen Verfahren durchzuführen. Allgemein werden die Verfahren bei einigen Ausführungsbeispielen seitens einer beliebigen Hardwarevorrichtung durchgeführt. Diese kann eine universell einsetzbare Hardware, wie einen Computerprozessor (CPU) sein oder für das Verfahren spezifische Hardware, wie beispielsweise ein ASIC.In some embodiments, a programmable logic device, such as a field programmable gate array, an FPGA, may be used to perform some or all of the functionality of the methods described herein. In some embodiments, a field programmable gate array may cooperate with a microprocessor to perform one of the methods described herein. In general, in some embodiments, the methods are performed by any hardware device. This may be a universal hardware such as a computer processor (CPU) or hardware specific to the method such as an ASIC.

Die oben beschriebenen Ausführungsbeispiele stellen lediglich eine Veranschaulichung der Prinzipien der vorliegenden Erfindung dar. Es versteht sich, dass Modifikationen und Variationen der hierin beschriebenen Anordnungen und Einzelheiten anderen Fachleuten einleuchten werden. Deshalb ist beabsichtigt, dass die Erfindung lediglich durch den Schutzumfang der nachstehenden Patentansprüche und nicht durch die spezifischen Einzelheiten, die anhand der Beschreibungen und der Erläuterung der Ausführungsbeispiele hierin präsentiert wurden, beschränkt sei.The embodiments described above are merely illustrative of the principles of the present invention. It will be understood that modifications and variations of the arrangements and details described herein will be apparent to others of ordinary skill in the art. Therefore, it is intended that the invention be limited only by the scope of the appended claims, rather than by the specific details presented with reference to the descriptions and explanation of the embodiments herein.

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

US 2009/0150114 A1 [0004]
US 2008/0288200 A1 [0005]

Claims

A device ( 100 ) for detecting a condition of a user, comprising: a device ( 110 ) for detecting an acceleration of the user, the device ( 110 ) is attachable to capture at a particular body position of the user; and a facility ( 120 ) for determining the condition based on the acceleration of the determined body position and a database ( 130 ), whereby the database ( 130 ) is adapted to the specific body position.

The device ( 100 ) according to claim 1, wherein the device ( 120 ) is adapted to the state based on a database ( 130 ), which is further adapted to the user.

The device ( 100 ) according to one of claims 1 or 2, in which the device ( 120 ) is adapted to determine from the acceleration at the determined position a feature from a predetermined feature space and to determine the state from the feature.

The device ( 100 ) according to claim 3, wherein the device ( 120 ) is configured to determine a time course of the acceleration as an acceleration signal and to filter the acceleration signal with a low-pass or a high-pass.

The device ( 100 ) according to claim 4, wherein the device ( 120 ) is configured to filter the acceleration signal into a gravitational component and a body acceleration component.

The device ( 100 ) according to claim 5, wherein the device ( 120 ) is adapted to determine from the gravitational component a spatial tilt angle as a feature and / or to determine from the body acceleration component a sum of the acceleration magnitudes, a correlation between signals of the spatial axes, an energy or a spectral entropy as a feature.

The device ( 100 ) according to one of claims 3 to 6, in which the device ( 120 ) is designed to be based on the database ( 130 ) to build a knowledge base of a knowledge-based method and thus to determine the predetermined feature space.

The device ( 100 ) according to claim 7, wherein the device ( 120 ) is configured to configure a neural network or a decision tree as a knowledge-based method.

The device ( 100 ) according to any one of the preceding claims, wherein the condition indicates an activity or a maintenance status of a user.

The device ( 100 ) according to one of claims 2 to 9, wherein the database ( 130 ) is adapted to an age, athletic style, sex, size and / or weight of the user.

The device ( 100 ) according to one of the preceding claims, in which the device ( 110 ) is adapted to detect the acceleration at a body part, a body region or a limb as a predetermined position.

The device ( 110 ) according to one of the preceding claims, in which the device ( 110 ) is adapted to detect the acceleration by means of an acceleration sensor, which is carried out axially, bi-axially or tri-axially.

A method for detecting a condition of a user comprising the steps of: detecting acceleration of the user at a particular body position; and determining the state based on the acceleration, the determined body position, and a database ( 130 ), whereby the database ( 130 ) is adapted to the specific body position.

A device ( 200 ) to customize a database ( 240 ) to a given state of a user, comprising: a device ( 210 ) for outputting the acceleration based on the predetermined state at a specific body position of the user; a facility ( 220 ) for providing a state feature based on the acceleration and the determined body position; and a facility ( 230 ) for evaluating the database ( 240 ) based on the given state and the state feature to obtain additional data and to update the database ( 240 ) based on the additional data.

A method for customizing a database ( 240 in a given state of a user, comprising the steps of: outputting an acceleration based on the predetermined state and a specific body position of the user; Providing a state feature based on the accelerations of the determined body position; Evaluate the database ( 240 ) based on the predetermined state on the state feature to obtain additional data; and updating the database based on the additional data.

A computer program for performing one of the methods of claims 13 or 15 when the computer program runs on a computer or processor.